[논문]하천의 지표 미생물 모의를 위한 인공신경망 최적화

배헌균

doi:10.3741/jkwra.2021.54.s-1.1053

하천의 지표 미생물 모의를 위한 인공신경망 최적화
Optimum conditions for artificial neural networks to simulate indicator bacteria concentrations for river system 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.54 no.12 suppl., 2021년, pp.1053 - 1060

초록
AI-Helper

현행 수질모니터링은 현장에서 수질 시료를 채취하여 실험실로 이동 후 분석하는 방법에 의존하고 있다. 이러한 분석기법은 노동집약적이며 경제적으로도 많은 부담이 주어진다. 그러나 현행 모니터링시스템을 개선하기 위하여 보다 짧은 시료채취주기 또는 시료채취지점 확대 등과 같은 방법을 동원하는 것은 인력 및 경제적 측면을 고려할 때 현실적으로 거의 불가능에 가깝다. 따라서 인력 및 경제적인 측면에서 큰 부담없이 현행 수질모니터링기법을 보완할 수 있는 방안이 고려되어야 한다. 본 연구에서는 모델링 기법을 도입하여 현행 수질모니터링 시스템을 보완하고자 하였고 인공신경망모델을 적용하였다. 인공신경망은 사람의 뇌에서 일어나는 작용을 모방한 기법으로 인지할 수 있는 현상을 뇌가 종합적으로 판단하는 과정을 컴퓨터에서 구현하는 방식인데 수질 예측을 위해 이러한 인공신경망기법을 도입 하였다. 본 연구에서는 수질 인자 중 Total coliform 을 타겟으로 하여 하천말단부에서 이들 인자를 예측할 수 있는지에 중점을 두고 연구를 수행하였다. 연구결과 제한된 입력인자를 이용하여 모델을 검보정하였음에도 불구하고 좋은 예측 성능을 보였다. 따라서 본 연구에서 사용된 기법을 근거로 수질상태를 사전에 예측함으로 수계 관리를 수행한다면 현 수질모니터링 시스템 보완에 큰 도움일 될 것으로 기대된다.

Abstract ▼ AI-Helper

Current water quality monitoring systems in Korea carried based on in-situ grab sample analysis. It is difficult to improve the current water quality monitoring system, i.e. shorter sampling period or increasing sampling points, because the current systems are both cost- and labor-intensive. One possible way to improve the current water quality monitoring system is to adopt a modeling approach. In this study, a modeling technique was introduced to support the current water quality monitoring system, and an artificial neural network model, the computational tool which mimics the biological processes of human brain, was applied to predict water quality of the river. The approach tried to predict concentrations of Total coliform at the outlet of the river and this showed, somewhat, poor estimations since concentrations of Total coliform were rapidly fluctuated. The approach, however, could forecast whether concentrations of Total coliform would exceed the water quality standard or not. As results, modeling approaches is expected to assist the current water quality monitoring system if the approach is applied to judge whether water quality factors could exceed the water quality standards or not and this would help proper water resource managements.

주제어

표/그림 (6)

그림 Fig. 1. Study area (San Diego Creek watershed)
그림 Fig. 2. Structures of artificial neural networks
그림 Fig. 3. Input data (Monthly average)
그림 Fig. 4. Calibration results for each scenario
그림 Fig. 5. Validation results for each scenario
그림 Fig. 6. RMSE for each simulation

참고문헌 (19)

Bae, H.K. (2007). Modeling approaches to predict conditions of water quality using physical, chemical, and hydrological data focused on biological contaminations. Ph.D. dissertation, University of California, Irvine, CA, U.S., p.102.
Boehm, A.B., Grant, S.B., Kim, J.H., Mowbray, S.L., McGee, C.D., Clark, C.D., Foley, D.M., and Wellman, D.E. (2002). "Decadal and shorter period variability of surf zone water quality at Huntington Beach, California." Environment Science and Technology, ACS Publications, Vol. 36, No. 18, pp. 3885-3892.

상세보기
Boudaghpour, S., Moghadam, H.S.A., Hajbabaie, M., Toliati, S.H. (2019). "Estimating chlorophyll-A concentration in the Caspian Sea from MODIS images using artificial neural networks." Environmental Engineering Research, KSEE, Vol. 25, No. 4, pp. 515-521.

원문보기 상세보기
Corrigan, J.A., Butkus, S.R., Ferris, M.E., and Roberts, J.C. (2021). "Microbial source tracking approach to investigate fecal waste at the Strawberry Creek watershed and Clam Beach, California, USA." International Journal of Environmental Research and Public Health, Vol. 18, No. 13, p. 6901.

상세보기
French, C.B. (2003). Modeling Nitrogen transport in the Newport Bay/San Diego Creek watershed. Master Thesis, University of California Riverside, RIversidem, CA, U.S., pp. 24-25.
Hsu, K.-L. Gupta, H.V., Gao, X., Sorooshian, S., and Imam, B. (2002). "Self-organizing linear output map (SOLO): An artificial neural network suitable for hydrologic modeling and analysis". Water Resources Research. Vol. 38, No. 12, pp. 1-17.
Kamer, K., Schiff, K., Kennison, R.L., and Fong P. (2002). Macro-algal nutrient dynamics in upper Newport Bay. Technical Report, Southern California Coastal Water Research Project, CA, U.S., p. 33.
Natural Resources Defense Council (NRDC) (2021). U.S., accessed 15 September 2021, .
Oftelie, S., Saltzstein, A., Gianos, P., Boyum, K., Rocke, R., and Mosallem, A. (2000). Infrastructure: Latest survey finds orange county voters broadly similar to national survey respondents on the priority of cleaning up coastal waters. Technical Report, The Orange County Business Council, CA, U.S., p. 73.
Reeves, R.L., Grant, S.B., Mrse, R.D., Copil-Oancea, C.M., Sanders, B.F., and Boehm, A.B. (2004). "Scaling and management of fecal indicator bacteria in runoff from a Coastal Urban Watershed in Southern California." Environment Science and Technology, ACS Publications, Vol. 38, No. 9, pp. 2637-2648.

상세보기
Searcy, R.T., and Boehm, A.B. (2021). "A Day at the beach: Enabling Coastal water quality prediction with high-frequency sampling and data-driven models." Environment Science and Technology, ACS Publications, Vol. 55, No. 3, pp. 1908-1918.

상세보기
State Water Resources Control Board, California Environmental Protection Agency (SWRCB) (2001). Source investigations of storm drain discharges causing exceedances of bacteriological standards. U.S., p. 17.
Strauss, A. (2002). Total maximum daily loads for toxic pollutants San Diego Creek and Newport Bay, California, U.S. Environmental Protection Agency Region 9, Washington DC, U.S., pp. 37
Surfrider Foundation (2021). U.S., accessed 22 September 2021, .
U.S. Envrionment Protection Agency (U.S. EPA) (2021). U.S., accessed 7 September 2021, .
U.S. Fish & Wildlife Service (USFW) (2021). U.S., accessed 13 September 2021, .
Vijayashanthar, V., Qiao, J., Zhu, Q., Entwistle, P., and Yu, G. (2018). "Modeling fecal indicator bacteria in urban waterways using artificial neural networks." Journal of Environmental Engineering, ASCE, Vol. 144, No. 6, doi: 10.1061/(ASCE)EE.1943-7870.0001377.

상세보기
Xu, T., Coco, G., and Neale, M. (2020). "A predictive model of recreational water quality based on adaptive synthetic sampling algorithms and machine learning." Water Research, Elsevier, Vol. 177, No. 6, pp. 115788-115799.

상세보기
Zhang, J., Qiu, H., Li, X., Niu, J., Nevers, M.B., Hu, X., and Phanikumar, M.S. (2018). "real-time nowcasting of microbiological water quality at recreational beaches: A wavelet and artificial neural network-based hybrid modeling approach." Environment Science and Technology, ACS Publications, Vol. 52, No. 15, pp. 8446-8455.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증