$\require{mediawiki-texvc}$

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.

딥러닝 모형 기반 진해만 용존산소농도 재현을 위한 기초연구
Preliminary Study on the Reproduction of Dissolved Oxygen Concentration in Jinhae Bay Based on Deep Learning Model 원문보기

海洋環境安全學會誌 = Journal of the Korean society of marine environment & safety, v.28 no.2, 2022년, pp.193 - 200  

박성식 (부경대학교 해양공학과) ,  김경회 (부경대학교 해양공학과)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 진해만의 DO 농도 재현을 목표로 LSTM 모형의 최적 매개변수 조건과 예측변수를 선별하기 위한 Case study를 진행하였다. 모형 매개변수 Case study 결과, 가장 적은 Hidden node와 Epoch인 Hidden node=10, Epoch=100에서 가장 낮은 정확도를 보였다. 이는 모형이 과소적합(Underfitting) 상태인 것으로 판단된다. Hidden node=80, Epoch=1200에서 R2 값은 0.99로 가장 높은 정확도를 보였다. 예측변수 Case study 결과, 1개의 환경변수만을 예측변수로 사용한 Step 1에서 수온을 예측변수로 했을 때 저층 DO 농도 재현의 R2 값은 0.81로 가장 높은 정확도를 보였다. 이후 2개의 환경변수를 사용한 Step 2에서는 수온과 SiO2를 예측변수로 했을 때 R2 값은 0.92로 수온만 사용했을 때보다 정확도가 급격히 증가하였다. 이는 저층 DO 농도와 SiO2 농도간의 높은 상관성$({\mid}R{\mid}=0.70)$에 기인한 것으로 판단된다. 상기 결과로부터 진해만의 DO 농도 재현에 적합한 LSTM 모형의 매개변수와 예측변수를 찾을 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

We conducted a case study to determine the optimal model parameters and predictors of Long Short-Term Memory (LSTM) for the reproduction of dissolved oxygen (DO) concentration in Jinhae Bay. The model parameter case study indicated the lowest accuracy when the Hidden node=10, Epoch=100. This was cau...

주제어

#기계학습   #딥러닝   #진해만   #용존산소   #재현  

참고문헌 (17)

  1. Ahn, S., I. Yeon, Y. Han, and J. Lee(2001), Water quality forecasting at Gongju station in Geum River using neural network model, Journal of Korea Water Resources Association, Vol. 34, pp. 701-711 (in Korean). 

  2. Breitburg, D., L. A. Levin, A. Oschlies, M. Gregoire, F. P. Chavez, D. J. Conley, V. Garcon, D. Gilbert, D. Gutierrez, K. Isensee, G. S. Jacinto, K. E. Limburg, I. Montes, S. W. A. Naqvi, G. C. Pitcher, N. N. Rabalais, M. R. Roman, K. A. Rose, B. A. Seibel, M. Telszewski, M. Yasuhara, and J. Zhang(2018), Declining oxygen in the global ocean and coastal waters, Science, Vol. 359, No. 6371. 

  3. Diaz, R. J. and R. Rosenberg(2008), Spreading dead zones and consequences for marine ecosystems, Science, Vol. 321, pp. 926-929. 

    상세보기

  4. Eze, E. and T. Ajmal(2020), Dissolved Oxygen Forecasting in Aquaculture: A Hybrid Model Approach, Appl. Sci., Vol. 10, No. 20, 7079. 

  5. Huck, P. M. and G. J. Farquhar(1974), Water quality models using the Box-Jenkins method. Journal of the Environmental Engineering, Vol. 100, pp. 733-751. 

  6. Keeling, R. F., A. Kortzinger, and A. Gruber(2010), Ocean deoxygenation in a warming world, Marine Science, Vol. 2, No. 199, pp. 463-93. 

  7. Lee, I. C., H. H. Kong, and S. J. Yoon(2008), Numerical Prediction for Reduction of Oxygen Deficient Water Mass by Ecological Model in Jinhae Bay, Journal of Ocean Engineering and Technology, Vol. 22, No. 5, pp. 75-82 (in Korean). 

  8. Levin, L. and D. Breitburg(2015), Linking coasts and seas to address ocean deoxygenation, Nature Clim Change, Vol. 5, pp. 401-403. 

    상세보기

  9. Li, W., H. Wu, N. Zhu, Y. Jiang, J. Tan, and Y. Guo(2021), Prediction of dissolved oxygen in a fishery pond based on gated recurrent unit (GRU), Information Processing in Agriculture, Vol. 8, No. 1, pp. 185-193. 

    상세보기

  10. Matear, R. J. and A. C. Hirst(2003), Long-term changes in dissolved oxygen concentrations in the ocean caused by protracted global warming, Global Biogeochem. Cycles, Vol. 17, No. 4, 1125. 

  11. NIFS(2021), Monitoring the Fishing Environment, http://www.nifs.go.kr/femo/. 

  12. Park, J. and B. Ra(2014), Positive Research About Water Aeration Improvement to Break Thermal Stratification of Dam, Int. J. of Fluid Mach. Syst., Vol. 17, No. 5, pp. 37-42. 

  13. Park, S. and K. Kim(2021), Prediction of DO Concentration in Nakdong River Estuary through Case Study Based on Long Short Term Memory Model, Journal of Korean Society of Coastal and Ocean Engineers, Vol. 33, No. 6, pp. 1-8 (in Korean). 

  14. Rumelhart, D., G. Hinton, and R. Williams(1986), Learning representations by back-propagating errors, Nature, Vol. 323, pp. 533-536. 

    상세보기

  15. Tealab, A.(2018), Time series forecasting using artificial neural networks methodologies: A systematic review, Future Computing and Informatics Journal, Vol. 3, No. 2, pp. 334-340. 

    상세보기

  16. Xue, P., C. Chen, and R. C. Beardsley(2012), Observing system simulation experiments of dissolved oxygen monitoring in Massachusetts Bay, J. Geophys. Res., Vol. 117. 

  17. Zhang, J., D. Gilbert, A. J. Gooday, L. Levin, S. W. A. Naqvi, J. J. Middelburg, M. Scranton, W. Ekau, A. Pena, B. Dewitte, T. Oguz, P. M. S. Monteiro, E. Urban, N. N. Rabalais, V. Ittekkot, W. M. Kemp, O. Ulloa, R. Elmgren, E. Escobar-Briones, and A. K. Van der Plas(2010), Natural and human-induced hypoxia and consequences for coastal areas: synthesis and future development, Biogeosciences Vol. 7, pp. 1443-1467. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 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