$\require{mediawiki-texvc}$

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.

인공지능 기법을 활용한 한반도 해역의 수질평가지수 예측모델 개발
Development of a Water Quality Indicator Prediction Model for the Korean Peninsula Seas using Artificial Intelligence 원문보기

海洋環境安全學會誌 = Journal of the Korean society of marine environment & safety, v.29 no.1, 2023년, pp.24 - 35  

김성수 ((주)아라종합기술) ,  손규희 ((주)세광종합기술단) ,  김도연 ((주)아라종합기술) ,  허장무 ((주)아라종합기술) ,  김성은 ((주)아라종합기술)

초록
AI-Helper 아이콘AI-Helper

급격한 산업화와 도시화로 인해 해양 오염이 심각해지고 있으며, 이러한 해양 오염을 실효적으로 관리하기 위해 수질평가지수(Water Quality Index, WQI)를 마련하여 활용하고 있다. 하지만 수질평가지수는 다소 복잡한 계산과정으로 인한 정보의 손실, 기준값 변동, 실무자의 계산오류, 통계적 오류 등의 불확실성(uncertainty)을 내포하고 있다. 이에 따라 국내·외에서 인공지능 기법을 활용하여 수질평가지수를 예측하기 위한 연구가 활발히 이루어지고 있다. 본 연구에서는 해양환경측정망 자료(2000 ~ 2020년)를 활용하여 우리나라 전 해역 즉, 5개의 생태구에 대한 WQI를 추정할 수 있는 가장 적합한 인공지능기법을 도출하기 위해 총 6가지의 기법(RF, XGBoost, KNN, Ext, SVM, LR)을 실험하였다. 그 결과, Random Forest 기법이 다른 기법에 비해 가장 우수한 성능을 보였다. Random Forest 기법의 WQI 점수 예측값과 실제값의 잔차 분석 결과, 모든 생태구에서 시간적 및 공간적 예측 성능이 우수한 것으로 나타났다. 이를 통해 본 연구에서 개발한 Random Forest 기법은 높은 정확도를 바탕으로 우리나라 전해역에 대한 WQI를 예측 가능할 것으로 사료된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Rapid industrialization and urbanization have led to severe marine pollution. A Water Quality Index (WQI) has been developed to allow the effective management of marine pollution. However, the WQI suffers from problems with loss of information due to the complex calculations involved, changes in sta...

주제어

#수질평가지수   #인공지능 기법   #기계학습   #해양환경   #생태구  

참고문헌 (24)

  1. Abba, S. I., Q. B. Pham, G. Saini, N. T. T. Linh, A. N. Ahmed, M. Mohajane, M. Khaledian, R. A. Abdulkadir, and Q. V. Bach(2020), Implementation of Data Intelligence Models Coupled with Ensemble Machine Learning for Prediction of Water Quality Index, Environmental Science and Pollution Research, 27(33), pp. 41524-41539.？ 

    상세보기

  2. Bui, D. T., K. Khosravi, J. Tiefenbacher, H. Nguyen, and N. Kazakis(2020), Improving Prediction of Water Quality Indices Using Novel Hybrid Machine-Learning Algorithms, Science of the Total Environment, 721, p. 137612.？ 

    상세보기

  3. Gaya, M. S., S. I. Abba, M. A. Abdu, A. I. Tukur, M. A. Saleh, P. Esmaili, and N. A. Wahab(2020), Estimation of Water Quality Index Using Artificial Intelligence Approaches and Multi-Linear Regression, IAES International Journal of Artificial Intelligence, 9(1), p. 126.？ 

  4. Grbcic, L., S. Druzeta, G. Mausa, T. Lipic, D. V. Lusic, M. Alvir, I. Lucin, A. Sikirica, D. Davidovic, V. Travas, D. Kalafatovicm, K. Pikelj, H. Fajkovic, T. Holjevic, and L. Kranjcevic(2022), Coastal Water Quality Prediction Based on Machine Learning with Feature Interpretation and Spatio-Temporal Analysis, Environmental Modelling & Software, 155, p. 105458.？ 

    상세보기

  5. Haghiabi, A. H., A. H. Nasrolahi, and A. Parsaie(2018), Water Quality Prediction Using Machine Learning Methods, Water Quality Research Journal, 53(1), pp. 3-13.？ 

    상세보기

  6. Hannan, A. and J. Anmala(2021), Classification and Prediction of Fecal Coliform in Stream Waters Using Decision Trees (DTs) for Upper Green River Watershed, Kentucky, USA, Water, 13(19), p. 2790.？ 

  7. Huan, J., H. Li, M. Li, and B. Chen(2020), Prediction of Dissolved Oxygen in Aquaculture Based on Gradient Boosting Decision Tree and Long Short-Term Memory Network: A Study of Chang Zhou Fishery Demonstration Base, China, Computers and Electronics in Agriculture, 175, p. 105530.？ 

    상세보기

  8. Jang, E., J. Im, S. Ha, S. Lee, and Y. G. Park(2016), 'Estimation of Water Quality Index for Coastal Areas in Korea Using GOCI Satellite Data Based on Machine Learning Approaches, Korean Journal of Remote Sensing, 32(3), pp. 221-234？ 

  9. Jeon, S. B., H. Y. Oh, and M. H. Jeong(2020), Estimation of Sea Water Quality Level Using Machine Learning. Korea Spatial Information Society, Vol. 28, No. 4, pp. 145-152.？ 

  10. Kadam, A. K., V. M. Wagh, A. A. Muley, B. N. Umrikar, and R. N. Sankhua(2019), Prediction of Water Quality Index Using Artificial Neural Network and Multiple Linear Regression Modelling Approach in Shivganga River Basin, India, Modeling Earth Systems and Environment, 5(3), pp. 951-962.？ 

    상세보기

  11. Khan, I. U., N. Aslam, R. Alshehri, S. Alzahrani, M. Alghamdi, A. Almalki, and M. Balabeed(2021), Cervical Cancer Diagnosis Model Using Extreme Gradient Boosting and Bioinspired Firefly Optimization, Cervical Cancer Diagnosis Model Using Extreme Gradient Boosting and Bioinspired Firefly Optimization. Scientific Programming.？ 

  12. Khullar, S. and N. Singh(2021), Machine learning techniques in river water quality modelling: a research travelogue, Water Supply, 21(1), pp. 1-13.？ 

    상세보기

  13. Kim, S. B., J. S. Lee, and K. T. Kim(2022), WQI Class Prediction of Sihwa Lake Using Machine Learning-Based Models, J. The Sea: JOURNAL OF THE KOREAN SOCIETY OF OCEANOGRAPHY, 27(2), pp. 71-86.？ 

  14. Kim, Y. H., J. Im, H. K. Ha, J. K. Choi, and S. Ha(2014), Machine learning approaches to coastal water quality monitoring using GOCI satellite data, GIScience & Remote Sensing, 51:2, pp. 158-174.？ 

    상세보기

  15. Liaw, A. and M. Wiener(2002), Classification and regression by randomForest, R news, 2(3), pp. 18-22.？ 

  16. Lopez, V., A. Fernandez, S. Garcia, V. Palade, and F. Herrera (2013), An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics, Information Sciences, 250, pp. 113-141.？ 

    상세보기

  17. Mi, Y.(2013), Imbalanced classification based on active learning SMOTE, Research Journal of Applied Sciences, Engineering and Technology, 5(3), pp. 944-949.？ 

  18. Modaresi, F. and S. Araghinejad(2014), A comparative assessment of support vector machines, probabilistic neural networks, and K-nearest neighbor algorithms for water quality classification, Water resources management, 28(12), pp. 4095-4111.？ 

    상세보기

  19. Mountrakis, G., J. Im, and C. Ogole(2011), Support vector machines in remote sensing: A review, ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), pp. 247-259.？ 

    상세보기

  20. Rho, T. K., T. S. Lee, S. R. Lee, M. S. Choi, C. Park, J. H. Lee, J. Y. Lee, and S. S. Kim(2012), Reference Values and Water Quality Assessment Based on the Regional Environmental Characteristics, The Sea : JOURNAL OF THE KOREAN SOCIETY OF OCEANOGRAPHY, Vol. 17, No. 2, pp. 45-58.？ 

  21. Tanha, J., Y. Abdi, N. Samadi, N. Razzaghi, and M. Asadpour(2020), Boosting methods for multi-class imbalanced data classification: an experimental review, Journal of Big Data, 7(1), pp. 1-47.？ 

  22. Uddin, M. G., S. Nash, and A. I. Olbert(2021), A review of water quality index models and their use for assessing surface water quality, Ecological Indicators, 122, p. 107218.？ 

    상세보기

  23. Uddin, M. G., S. Nash, A. Rahman, and A. I. Olbert(2022a), A comprehensive method for improvement of water quality index (WQI) models for coastal water quality assessment, Water Research, 219, p. 118532.？ 

    상세보기

  24. Uddin, M. G., S. Nash, M. T. M. Diganta, A. Rahman, and A. I. Olbert(2022b), Robust machine learning algorithms for predicting coastal water quality index, Journal of Environmental Management, 321, p. 115923. 

    상세보기

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