$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

머신러닝 기법을 활용한 낙동강 하구 염분농도 예측
Nakdong River Estuary Salinity Prediction Using Machine Learning Methods 원문보기

스마트미디어저널 = Smart media journal, v.11 no.2, 2022년, pp.31 - 38  

이호준 (동아대학교 컴퓨터AI공학부 컴퓨터공학과) ,  조민규 (동아대학교 컴퓨터AI공학부 컴퓨터공학과) ,  천세진 (동아대학교 컴퓨터AI공학부) ,  한정규 (동아대학교 컴퓨터AI공학부)

초록
AI-Helper 아이콘AI-Helper

하천의 염분 변화를 신속히 예측하는 것은 염분 침투로 인한 농업, 생태계의 피해를 예측하고 재해 방지 대책을 수립하기 위해서 중요한 작업이다. 머신러닝 기법은 물리 기반 수리 모델에 비해 계산량이 훨씬 적기 때문에, 비교적 짧은 시간에 염분농도를 예측 가능하여 물리 기반 수리 모델의 보완 기법으로 연구되고 있다. 해외에서는 머신러닝 기법 기반 염분 예측 연구들이 활발히 연구되고 있으나, 대한민국의 공공데이터에 머신러닝 기법을 적용한 연구는 충분치 않다. 낙동강 하구의 환경 정보에 관한 공공데이터와 함께, 본 연구는 여러 종류의 머신러닝 기법의 염분농도에 대한 예측 성능을 측정하였다. 실험 결과에서, 결정 트리 기반의 LightGBM 알고리즘은 평균 RMSE 0.37의 예측 정확도와 타 알고리즘 대비 2-20배 빠른 학습 속도를 보여주었다. 따라서 국내 하천의 염분농도 예측에도 머신러닝 기법을 적용할 수 있다고 판단된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Promptly predicting changes in the salinity in rivers is an important task to predict the damage to agriculture and ecosystems caused by salinity infiltration and to establish disaster prevention measures. Because machine learning(ML) methods show much less computation cost than physics-based hydrau...

주제어

#머신러닝   #염분농도 예측   #낙동강   #결정트리  

참고문헌 (18)

  1. 낙동강유역물관리위, "낙동강 하구 기수생태계 복원방안 의결," 2022. 

  2. 오정원, 김행곤, 김일태. "머신러닝 적용 과일 수확시기 예측시스템 설계 및 구현," 스마트미디어저널, 제8권, 제1호, 74-78쪽, 2019. 

    원문보기 상세보기 crossref

  3. 김정준, 채범석, 이영관, 조기환. "에너지저장시스템에서 발전량 예측을 통한 능동적 배터리 충전 관리 방안," 스마트미디어저널, 제9권, 제1호, 84-89쪽, 2020 

    원문보기 상세보기 crossref

  4. 박동주, 김병우, 정영선, 안창욱. "Deep Neural Net work 기반 프로야구 일일 관중 수 예측: 광주-기아 챔피언스 필드를 중심으로." 스마트미디어저널, 제7권, 제1호, 16-23쪽, 2018. 

    원문보기 상세보기 crossref

  5. 김상현, 이한범, 전성완, 김대연, 이상정, "LTSM 신경망을 이용한 당뇨병 입원환자의 혈당 예측," 정보과학회논문지, 제47권, 제12호, 1120-1125쪽, 2020년 12월 

  6. D. Won, S. Kim, Y. Kim, and G. Song, "Prediction of Fine Dust in Gyeonggi-do Industrial Complex using Machine Learning Methods." Journal of KIISE, Vol. 48, No.7, pp.764-773, Jul. 2021. 

    상세보기 crossref

  7. S.K. Park, T.Y. Noh, D.H. Kim, and C.S. Han, "The Study of Salinity Distribution at Nakdong River Estuary," Proceedings of the 18th Korean Society of Coastal and Ocean Engineers Conference, pp. 109-112, Busan, Republic of Korea, Nov. 2009. 

  8. M.H. Choo, Y.D. Kim, and W.M. Jeong, "Prediction of Salinity Changes for Seawater Inflow and Rainfall Runoff in Yongwon Channel," Journal of Korea Water Resources Association, vol. 47, no. 3, pp. 297-306, Mar., 2014. 

    원문보기 상세보기 crossref

  9. T. Rajkumar and M. L. Johnson, "Prediction of salinity in San Francisco bay delta using neural network," IEEE Int'l Conf. on Systems, Man and Cybernetics. e-Systems and e-Man for Cybernetics in Cyberspace, Vol. 1, pp. 329-334, 2001. 

  10. C. Qiu and Y. Wan, "Time series modeling and prediction of salinity in the Caloosahatchee River Estuary," Water Resources Research, Vol. 49, No. 9, pp. 5804-5816, Jul., 2013. 

    상세보기 crossref

  11. A. M. Melesse, K. Khosravi, J. P. Tiefenbacher, S. Heddam, S. Kim, A. Mosavi, and B. T. Pham, "River Water Salinity Prediction Using Hybrid Machine Learning Models," Water, Vol. 12, No. 10, pp. 2951-2971, Oct., 2020. 

    상세보기 crossref

  12. D. Tran, M. Tsujimura, N. Ha, V. Nguyen, D. Binh, T. Dang, Q. Doan, D. Bui, T. Ngoc, L. Phu, P. Thuc, and T. Pham, "Evaluating the predictive power of different machine learning algorithms for groundwater salinity prediction of multi-layer coastal aquifers in the Mekong Delta, Vietnam," Ecological Indicators, Vol. 127, Aug. 2021. 

    상세보기

  13. J. Hamrick, "A Three-Dimensional Environmental Fluid Dynamics Computer Code; Theoretical and Computational Aspects," Virginia Institute of Marine Science Special Report, May 1992. 

  14. Blumberg, A.F. "A primer for ECOMSED version 1.3 users manual," HydroQual, Inc., USA. Feb., 2002. 

  15. F. Murtagh, "Multilayer perceptrons for classifica tion and regression," Neurocomputing, Vol. 2, Issues. 5-6, pp. 183-197, Jul. 1991. 

    상세보기 crossref

  16. T. Chen and C. Guestrin. "XGBoost: A Scalable Tree Boosting System," Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. pp. 785-794, San Francisco, USA, Aug. 2016. 

  17. G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, and T.-Y. Liu, "LightGBM: A Highly Efficient Gradient Boosting Decision Tree," Proceedings of the 31st International Conference on Neural Information Processing Systems, pp. 3149-3157, Long Beach, USA. Dec., 2017. 

  18. From Algorithms to Z-Scores: Probabilistic and Statistical Modeling in Computer Science, http://uilis.unsyiah.ac.id/oer/items/show/139 (accessed Mar., 6, 2022) 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로