[논문]다변량 지구과학 데이터와 가우시안 혼합 모델을 이용한 공간 분포 추정

김호림; 유순영; 윤성택; 김경호; 이군택; 이정호; 허철호; 류동우

doi:10.9719/eeg.2022.55.4.353

다변량 지구과학 데이터와 가우시안 혼합 모델을 이용한 공간 분포 추정
Estimation of Spatial Distribution Using the Gaussian Mixture Model with Multivariate Geoscience Data 원문보기

자원환경지질 = Economic and environmental geology, v.55 no.4, 2022년, pp.353 - 366

김호림 (한국지질자원연구원) , 유순영 (고려대학교) , 윤성택 (고려대학교) , 김경호 (한국환경연구원) , 이군택 (서울대학교 NICEM) , 이정호 (한국지질자원연구원) , 허철호 (한국지질자원연구원) , 류동우 (한국지질자원연구원)

초록
AI-Helper

지구과학 데이터(지오데이터)의 공간 이질성, 희소성 및 고차원성으로 인해 공간 분포 추정에 어려움이 있다. 따라서 지구과학의 많은 응용 분야에서 지오데이터의 고유 특성을 고려할 수 있는 공간 추정 기법이 필요하다. 본 연구에서는 기계 학습 알고리즘 중 하나인 가우시안 혼합 모델(Gaussian Mixture Model; GMM)을 이용하여 공간 예측 방법을 제공하고자 하였다. 제안된 기법의 성능을 검증하기 위해, 옛 제련소 부지에서 휴대용 X선 형광분석기(PXRF) 및 유도결합플라즈마-원자방출분광법(ICP-AES)을 이용하여 분석된 토양 농도 자료를 활용하였다. ICP-AES를 이용해 분석된 As와 Pb를 주변수로 하고, 나머지 자료는 보조변수로 활용하였다. 다차원의 보조변수 중 중요 변수를 선별하기 위해 랜덤포레스트 기반의 변수선택법을 적용하였다. ICP-AES 및 PXRF를 통해 구축된 다변량 데이터를 사용한 GMM의 결과를 단변량 및 이변량 데이터를 사용한 정규 크리깅(Ordinary Kriging; OK) 및 정규 공동크리깅(Ordinary Co-Kriging; OCK)의 결과와 비교하였다. GMM의 결과는 OK 및 OCK의 결과보다 낮은 평균 제곱근 편차(RMSE; 비소는 최대 0.11 및 납은 0.33까지 향상)와 높은 상관관계(r; 비소는 최대 0.31 및 납은 0.46까지 향상)를 제공하였다. 이는 GMM을 사용할 경우 토양 오염의 범위 해석의 성능을 향상시킬 수 있음을 지시한다. 본 연구는 다 변량 공간추정 접근법이 복잡하고 이질적인 지질 및 지구 화학자료의 특징을 이해하는 데 효과적으로 적용될 수 있음을 증명하였다.

Abstract ▼ AI-Helper

Spatial estimation of geoscience data (geo-data) is challenging due to spatial heterogeneity, data scarcity, and high dimensionality. A novel spatial estimation method is needed to consider the characteristics of geo-data. In this study, we proposed the application of Gaussian Mixture Model (GMM) among machine learning algorithms with multivariate data for robust spatial predictions. The performance of the proposed approach was tested through soil chemical concentration data from a former smelting area. The concentrations of As and Pb determined by ex-situ ICP-AES were the primary variables to be interpolated, while the other metal concentrations by ICP-AES and all data determined by in-situ portable X-ray fluorescence (PXRF) were used as auxiliary variables in GMM and ordinary cokriging (OCK). Among the multidimensional auxiliary variables, important variables were selected using a variable selection method based on the random forest. The results of GMM with important multivariate auxiliary data decreased the root mean-squared error (RMSE) down to 0.11 for As and 0.33 for Pb and increased the correlations (r) up to 0.31 for As and 0.46 for Pb compared to those from ordinary kriging and OCK using univariate or bivariate data. The use of GMM improved the performance of spatial interpretation of anthropogenic metals in soil. The multivariate spatial approach can be applied to understand complex and heterogeneous geological and geochemical features.

주제어

참고문헌 (36)

Babak, O. and Deutsch, C.V. (2009) Collocated cokriging based on merged secondary attributes. Mathematical Geosciences, v.41(8), p.921-926. doi: 10.1007/s11004-008-9192-2

상세보기
Barnett, R.M. and Deutsch, C.V. (2015) Multivariate imputation of unequally sampled geological variables. Mathematical Geosciences, v.47(7) p.791-817. doi: 10.1007/s11004-014-9580-8

상세보기
Bergen, K.J., Johnson, P.A., de Hoop, M.V. and Beroza, G.C. (2019) Machine learning for data-driven discovery in solid Earth geoscience. Science, v.363(6433). doi: 10.1126/science.aau0323

상세보기
Chen, T., Morris, J. and Martin, E. (2006) Probability density estimation via an infinite Gaussian mixture model: application to statistical process monitoring. Journal of the Royal Statistical Society: Series C (Applied Statistics), v.55(5), p.699-715. doi: 10.1111/j.1467-9876.2006.00560.x

상세보기
Galan, E., Fernandez-Caliani, J.C., Gonzalez, I., Aparicio, P. and Romero, A. (2008) Influence of geological setting on geochemical baselines of trace elements in soils. Application to soils of Southwest Spain. Journal of Geochemical Exploration, v.98(3), p.89-106. doi: 10.1016/j.gexplo.2008.01.001

상세보기
Goovaerts, P. (2000) Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall. Journal of Hydrology, v.228(1-2), p.113-129. doi: 10.1016/s0022-1694(00)00144-x

상세보기
Goovaerts, P., AvRuskin, G., Meliker, J., Slotnick, M., Jacquez, G. and Nriagu, J. (2005) Geostatistical modeling of the spatial variability of arsenic in groundwater of southeast Michigan. Water Resources Research, v.41(7). doi: 10.1029/2004wr003705

상세보기
Grana, D., Fjeldstad, T. and Omre, H. (2017) Bayesian Gaussian mixture linear inversion for geophysical inverse problems. Mathematical Geosciences, v.49, p.493-515. doi: 10.1007/s11004-016-9671-9

상세보기
Han, H.Y. (2009) Introduction to Pattern Recognition, ISBN-9788979146325(8979146329), (570p).
Herms, I., Jodar, J., Soler, A., Lamban, L.J., Custodio, E., Nunez, J. A., ... and Jorge, J. (2021) Evaluation of natural background levels of high mountain karst aquifers in complex hydrogeological settings. A Gaussian mixture model approach in the Port del Comte (SE, Pyrenees) case study. Science of the Total Environment, v.756. doi: 10.1016/j.scitotenv.2020.143864

상세보기
ISO (International Organization for Standardization) (1995) ISO 11466:1995 Soil Quality Extraction of Trace Elements Soluble in Aqua Regia.
Kim, E.J., Yoo, J.C., Park, S.M., Park, E.R. and Baek, K. (2016) Distribution of arsenic and heavy metals in soil particle sizes in the areas affected by the former smelter. J. Korean Soc. Environ. Anal., v.19(1), p.54-62.
Kim, H.R., Kim, K.H., Yu, S., Moniruzzaman, M., Hwang, S.I., Lee, G.T. and Yun, S.T. (2019) Better assessment of the distribution of As and Pb in soils in a former smelting area, using ordinary co-kriging and sequential Gaussian co-simulation of portable X-ray fluorescence (PXRF) and ICP-AES data. Geoderma, v.341, p.26-38. doi: 10.1016/j.geoderma.2019.01.031

상세보기
Kim, H.K., Kim, K.H., Yun, S.T., Oh, J., Kim, H.R., Park, S.H., ... and Kim, T.S. (2019) Probabilistic assessment of potential leachate leakage from livestock mortality burial pits: A supervised classification approach using a Gaussian mixture model (GMM) fitted to a groundwater quality monitoring dataset. Process Safety and Environmental Protection, v.129, p.326-338. doi: 10.1016/j.psep.2019.07.015

상세보기
Kim, K.H., Yun, S.T., Park, S.S., Joo, Y. and Kim, T.S. (2014) Model-based clustering of hydrochemical data to demarcate natural versus human impacts on bedrock groundwater quality in rural areas, South Korea. Journal of Hydrology, v.519, Part A, p.626-636. doi: 10.1016/j.jhydrol.2014.07.055

상세보기
Koljonen, T. (1992) Geochemical Atlas of Finland, Part 2. Geological Survey of Finland.
Korea Ministry of Environment (KMOE) (2009a) Counter Measurement Strategies to Remediate Soil Contamination near the Janghang Smelter. Unpublished Report (in Korean).
Korea Ministry of Environment (KMOE) (2009b) Soil Environment Standard Test, Soil Environment Preservation Act. (291p).
Korea Ministry of Environment (KMOE) (2011) Soil Contaminant Risk Assessment Guidance, (139p).
Kursa, M.B. and Rudnicki, W.R. (2010) Feature selection with the Boruta package. Journal of Statistical Software, v.36(11), p.1-13. doi: 10.18637/jss.v036.i11
Lee, H.G., Kim, J.I., Kim, R.Y., Ko, H., Kim, T.S. and Yoon, J.K. (2015) Improvement of analytical methods for arsenic in soil using ICP-AES. Analytical Science and Technology, v.28(6), p.409-416. doi: 10.5806/AST.2015.28.6.409

원문보기 상세보기
Lee, P.K., Yu, S., Jeong, Y.J., Seo, J., Choi, S.G. and Yoon, B.Y. (2019) Source identification of arsenic contamination in agricultural soils surrounding a closed Cu smelter, South Korea. Chemosphere, v.217, p.183-194. doi: 10.1016/j.chemosphere.2018.11.010

상세보기
Lemiere, B. (2018) A review of pXRF (field portable X-ray fluorescence) applications for applied geochemistry. Journal of Geochemical Exploration, v.188, p.350-363. doi: 10.1016/j.gexplo.2018.02.006

상세보기
Moon, S.Y., Oh, M.A., Jung, J.K., Choi, S.I. and Lee, J.Y. (2011) Assessment of soil washing efficiency for arsenic contaminated site adjacent to Jang Hang refinery. Journal of Soil and Groundwater Environment, v.16(1), p.71-81. doi: 10.7857/JSGE.2011.16.1.071

원문보기 상세보기
Qu, J. and Deutsch, C.V. (2018) Geostatistical simulation with a trend using gaussian mixture models. Natural Resources Research, v.27(3), p.347-363. doi: 10.1007/s11053-017-9354-3

상세보기
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J. and Carvalhais, N. (2019) Deep learning and process understanding for data-driven Earth system science. Nature, v.566, p.195-204. doi: 10.1038/s41586-019-0912-1

상세보기
Remy, N., Boucher, A. and Wu, J. (2009) Applied geostatistics with SGeMS: A user's guide. Cambridge University Press, (264p).
Reynolds, D. (2009) Gaussian Mixture Models. In: Li, S.Z., Jain, A. (eds) Encyclopedia of Biometrics. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-73003-5_196
Ryan, J.G., Shervais, J.W., Li, Y., Reagan, M.K., Li, H.Y., Heaton, D., ... and IODP Expedition 352 Scientific Team (2017) Application of a handheld X-ray fluorescence spectrometer for real-time, high-density quantitative analysis of drilled igneous rocks and sediments during IODP Expedition 352. Chemical Geology, v.451, p.55-66. doi: 10.1016/j.chemgeo.2017.01.007

상세보기
Ryu, D.W. (2019) New Opportunities and Challenges of Geo-ICT Convergence Technology: GeoCPS and GeoAI. Journal of the Korean Society of Mineral and Energy Resources Engineers, v.56(4), p.383-397. doi: 10.32390/ksmer.2019.56.4.383

상세보기
Scrucca, L., Fop, M., Murphy, T.B. and Raftery, A.E. (2016) mclust 5: clustering, classification and density estimation using Gaussian finite mixture models. The R Journal, v.8(1), p.289. doi: 10.32614/rj-2016-021

상세보기
Silva, D.S.F. and Deutsch, C.V. (2018) Multivariate data imputation using Gaussian mixture models. Spatial Statistics, v.26, p.74-90. doi: 10.1016/j.spasta.2016.11.002

상세보기
Silverman, B.W. (1998) Density Estimation for Statistics and Data Analysis (1st ed.), Routledge, (176p). doi:10.1201/9781315140919
US EPA (2007) Method 6200: Field Portable X-ray Fluorescence Spectrometry for the Determination of Elemental Concentrations in Soil and Sediment.
Yang, K., Kim, Y.J., Im, J. and Nam, K. (2014) Determination of human health risk incorporated with arsenic bioaccessibility and remediation goals at the former Janghang smelter site. Journal of Soil and Groundwater Environment, v.19(4), p.52-61. doi: 10.7857/JSGE.2014.19.4.052

원문보기 상세보기
Zhang, X., Chen, N., Chen, Z., Wu, L., Li, X., Zhang, L., Di, L., Gong, J. and Li, D. (2018) Geospatial sensor web: A cyber-physical infrastructure for geoscience research and application. Earth-science Reviews, v.185, p.684-703. doi: j.earscirev.2018.07.006

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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