[논문]기계학습 분류모델을 이용한 하천퇴적물의 중금속 오염원 식별

반민정; 신상욱; 이동훈; 김정규; 이호식; 김영; 박정훈; 이순화; 김선영; 강주현

doi:10.17663/jwr.2023.25.4.306

기계학습 분류모델을 이용한 하천퇴적물의 중금속 오염원 식별
Identifying sources of heavy metal contamination in stream sediments using machine learning classifiers 원문보기

한국습지학회지 = Journal of wetlands research, v.25 no.4, 2023년, pp.306 - 314

반민정 (동국대학교) , 신상욱 (GS건설) , 이동훈 (동국대학교) , 김정규 (고려대학교) , 이호식 (국립한국교통대학교) , 김영 (고려대학교 세종캠퍼스) , 박정훈 (전남대학교) , 이순화 (영남대학교) , 김선영 (국립환경과학원) , 강주현 (동국대학교)

초록
AI-Helper

하천퇴적물은 유역내 다양한 오염원으로부터 발생하는 중금속, 유기물 등 오염물질의 수용체일 뿐만 아니라 수질 오염 및 수생태 악영향을 유발할 수 있는 2차적 오염원이기에 중요한 관리대상이라고 할 수 있다. 오염된 하천퇴적물의 효과적인 관리를 위해서는 오염원에 대한 식별과 이와 연계된 관리대책의 수립이 우선되어야 한다. 본 연구는 하천퇴적물내 측정된 다양한 이화학적 오염항목 분포 특성에 기반하여 퇴적물의 주요 오염원을 식별하기 위한 방법으로서 기계학습모델의 적용성을 평가하였다. 기계학습 모델의 성능 평가를 위해 전국 4대강 수계내 주요 폐금속광산 및 산업단지 인근에서 수집된 총 356개의 하천퇴적물에 대한 중금속 10개 항목(Cd, Cu, Pb, Ni, As, Zn, Cr, Hg, Li, Al)과 토양항목 3개(모래, 실트, 점토 비율) 수질항목 5개(함수율, 강열감량, 총유기탄소, 총질소, 총인)를 포함한 총 18개 오염항목에 대한 분석자료를 활용하였다. 기계학습 분류 모델로서 선형판별분석(linear discriminant analysis, LDA)과 서포트벡터머신(support vector machine, SVM) 분류기를 사용하여 폐금속광산('광산')과 산업단지('산단') 인근에서의 하천퇴적물 시료의 분류 성능을 평가한 결과, 채취 지점 및 시기별 4가지 경우(비강우시 광산, 강우시 광산, 비강우시 산단, 및 강우시 산단)에 대한 퇴적물 시료의 분류 성능이 우수하였으며, 특히 비선형 모델인 SVM(88.1%)이 선형모델인 LDA(79.5%) 보다 퇴적물을 분류하는데 있어 보다 우수한 성능을 나타냈다. SVM 앙상블 기반 비배타적 다중라벨분류기 모델을 이용하여 각 시료채취 지점 상류 유역 1km 반경 내 지배적인 토지이용 및 오염원을 다중 타겟값으로 다중분류 예측을 수행한 결과, 폐금속광산과 산업단지의 분류는 비교적 높은 정확도로 수행하였으나, 도시와 농업지역 등 다른 비점오염원에 대한 분류정확도는 56~60%범위로 비교적 낮게 나타났다. 이는 다중라벨 분류모델의 복잡성에 비해 데이터셋의 크기가 상대적으로 작아서 발생한 과적합에 기인한 것으로 향후 보다 많은 측정자료가 확보될 경우 기계학습 모델을 적용한 오염원 분류의 정확도를 보다 향상시킬 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Stream sediments are an important component of water quality management because they are receptors of various pollutants such as heavy metals and organic matters emitted from upland sources and can be secondary pollution sources, adversely affecting water environment. To effectively manage the stream sediments, identification of primary sources of sediment contamination and source-associated control strategies will be required. We evaluated the performance of machine learning models in identifying primary sources of sediment contamination based on the physico-chemical properties of stream sediments. A total of 356 stream sediment data sets of 18 quality parameters including 10 heavy metal species(Cd, Cu, Pb, Ni, As, Zn, Cr, Hg, Li, and Al), 3 soil parameters(clay, silt, and sand fractions), and 5 water quality parameters(water content, loss on ignition, total organic carbon, total nitrogen, and total phosphorous) were collected near abandoned metal mines and industrial complexes across the four major river basins in Korea. Two machine learning algorithms, linear discriminant analysis (LDA) and support vector machine (SVM) classifiers were used to classify the sediments into four cases of different combinations of the sampling period and locations (i.e., mine in dry season, mine in wet season, industrial complex in dry season, and　industrial complex in wet season). Both models showed good performance in the classification, with SVM outperformed LDA; the accuracy values of LDA and SVM were 79.5% and 88.1%, respectively. An SVM ensemble model was used for multi-label classification of the multiple contamination sources inlcuding landuses in the upland areas within 1 km radius from the sampling sites. The results showed that the multi-label classifier was comparable performance with sinlgle-label SVM in classifying mines and industrial complexes, but was less accurate in classifying dominant land uses (50~60%). The poor performance of the multi-label SVM is likely due to the overfitting caused by small data sets compared to the complexity of the model. A larger data set might increase the performance of the machine learning models in identifying contamination sources.

주제어

표/그림 (7)

그림 Fig. 1. Sampling Locations of the Stream Sediments
표 Table 1. Summary Statistics of the Sediment Quality
그림 Fig. 2. Procedure of the multi-label classification modeling
표 Table 2. Criteria of the data classes for the multi-label classifier
그림 Fig. 3. (a) LDA score biplot for the training dataset; (b) LDA score biplot for the validation dataset; (c) Classification results by LDA for Composite area-A; (d) Classification results by LDA for Composite area-B
그림 Fig. 4. (a) Confusion matrix of the validation dataset in SVM; (b) Confusion matrix of the test data (composite area) predicted by the trained SVM; (c) Classification results by SVM for Composite area-A; (d) Classification results by SVM for Composite area-B
그림 Fig. 5. Confusion matrix of the multi-label classification test result

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 퇴적물 오염물질의 특성 차이에 기반한 오염원 식별 방법으로 기계학습모델의 적용성을 평가하였다. 기계학습모델로 선형판별분석(LDA)과 서포트벡터머신(SVM)을 이용하였으며, 폐금속광산지역과 산업단지, 강우 영향별 퇴적물 시료의 식별이 가능함을 보였다.
본 연구에서는 하천 퇴적물의 중금속 오염원 식별 및 오염특성 비교 분석을 위한 방안으로 기계학습 모델의 적용성을 평가하였다. 4대강 수계에 분포한 주요 폐금속광산 및 산업단지 인근에서 수집된 356개 하천퇴적물 시료의 10개 중금속 항목, 5개 수질항목, 그리고 3개 토양 항목 등 총 18개 항목 분석 자료를 활용하였으며, 기계학습 모델로서 선형판별분석(linear discriminant analysis, LDA)와 서포트 벡터머신(support vector machine, SVM) 분류기를 사용하여 퇴적물 시료 채취시의 기상조건(강우 및 비강우) 및 인근 유역특성(폐금속광산 및 산업단지)에 따른 퇴적물 시료의 분류 성능을 평가하였다.

제안 방법

본 연구에서는 하천 퇴적물의 중금속 오염원 식별 및 오염특성 비교 분석을 위한 방안으로 기계학습 모델의 적용성을 평가하였다. 4대강 수계에 분포한 주요 폐금속광산 및 산업단지 인근에서 수집된 356개 하천퇴적물 시료의 10개 중금속 항목, 5개 수질항목, 그리고 3개 토양 항목 등 총 18개 항목 분석 자료를 활용하였으며, 기계학습 모델로서 선형판별분석(linear discriminant analysis, LDA)와 서포트 벡터머신(support vector machine, SVM) 분류기를 사용하여 퇴적물 시료 채취시의 기상조건(강우 및 비강우) 및 인근 유역특성(폐금속광산 및 산업단지)에 따른 퇴적물 시료의 분류 성능을 평가하였다. 나아가 비배타적 다중라벨분류 모델을 사용하여 상류 방향 영향권내 주요 토지이용(도시 및 농업), 폐금속광산 유무, 산업단지 유무 및 산업폐수처리장 유무 등 총 5개 오염원 분류를 통해 유역내 잠재적 오염원의 식별 가능성을 평가하였다.
각각의 비강우시 및 강우시 데이터셋에 대하여 금강유역을 제외한 퇴적물 채취지점은 인근의 특성이 폐금속광산 또는 산업단지로 확연히 구분되므로 해당 퇴적물 데이터셋은 인근 유역특성에 따라 각각 ‘광산(MM)’과 ‘산단(IC)’으로 분류하였다
4대강 수계에 분포한 주요 폐금속광산 및 산업단지 인근에서 수집된 356개 하천퇴적물 시료의 10개 중금속 항목, 5개 수질항목, 그리고 3개 토양 항목 등 총 18개 항목 분석 자료를 활용하였으며, 기계학습 모델로서 선형판별분석(linear discriminant analysis, LDA)와 서포트 벡터머신(support vector machine, SVM) 분류기를 사용하여 퇴적물 시료 채취시의 기상조건(강우 및 비강우) 및 인근 유역특성(폐금속광산 및 산업단지)에 따른 퇴적물 시료의 분류 성능을 평가하였다. 나아가 비배타적 다중라벨분류 모델을 사용하여 상류 방향 영향권내 주요 토지이용(도시 및 농업), 폐금속광산 유무, 산업단지 유무 및 산업폐수처리장 유무 등 총 5개 오염원 분류를 통해 유역내 잠재적 오염원의 식별 가능성을 평가하였다.
다중분류 SVM 입력 자료에는 ArcGIS 공간분석을 통해 지점별 영향반경 1 km 이내의 집수구역에 대한 토지이용비율(도시 및 농업), 폐광산 유무, 산업단지 유무 및 산업폐수 처리장 유무 정보를 추출하여 ‘광산(MM)’, ‘산단(IC)’, ‘도시(UB)’, ‘농업(AG)’, ‘산업폐수처리장(IW)’ 등 총 5개의 class로 구분하였다(Fig
비배타적 다중라벨분류기(Non-exclusive multi-label classification)를 이용하여 퇴적물의 중금속 및 유기물 농도에 따른 유역 내 잠재 오염원의 영향과 기여도 평가 모델로의 이용 가능성을 추가적으로 평가하였다(Fig. 2).
학습과 검증에 사용되지 않은 ‘혼합지역-A(Composite-A)’와 ‘혼합지역-B(Composite-B)’ 데이터를 이용하여 LDA의 분류 성능을 평가해 보았다

대상 데이터

본 연구를 위하여 2018-2019년 기간 동안 4대강 수계 18개 중권역내(Fig. 1) 폐금속광산 및 산업단지 인근 총 205개 하천지점에서 채취한 퇴적물 시료 총 356개에 대한 분석데이터를 국립환경과학원으로부터 제공받았다. 퇴적물 데이터가 수집된 지점들은 폐광산 6개소, 산업단지 8개소, 산업단지 및 폐광산 복합지역 2개소 등 총 16 지역 인근에 위치한 하천 지점들이다.
본 연구를 위하여 2018-2019년 기간 동안 4대강 수계 18개 중권역내(Fig. 1) 폐금속광산 및 산업단지 인근 총 205개 하천지점에서 채취한 퇴적물 시료 총 356개에 대한 분석데이터를 국립환경과학원으로부터 제공받았다.
총 각 하천퇴적물 데이터셋은 모래, 실트, 점토, 함수율, 강열감량(LOI), 총유기탄소(TOC), 총질소(TN), 총인(TP), Cd, Cu, Pb, Ni, As, Zn, Cr, Hg, Li, Al 등 총 18개 항목에 대한 농도값을 포함하고 있다(Table 1). 각각의 비강우시 및 강우시 데이터셋에 대하여 금강유역을 제외한 퇴적물 채취지점은 인근의 특성이 폐금속광산 또는 산업단지로 확연히 구분되므로 해당 퇴적물 데이터셋은 인근 유역특성에 따라 각각 ‘광산(MM)’과 ‘산단(IC)’으로 분류하였다.
1) 폐금속광산 및 산업단지 인근 총 205개 하천지점에서 채취한 퇴적물 시료 총 356개에 대한 분석데이터를 국립환경과학원으로부터 제공받았다. 퇴적물 데이터가 수집된 지점들은 폐광산 6개소, 산업단지 8개소, 산업단지 및 폐광산 복합지역 2개소 등 총 16 지역 인근에 위치한 하천 지점들이다. 연구지역내 폐광산은 과거 금속광산으로 활용되었던 지역들로 중금속 오염 우려가 높으며, 산업단지의 경우 기계, 조립금속, 섬유, 의복, 전기, 전자, 자동차 부품 제조 등 여러 업종이 혼재된 복합 단지들로서 다양한 중금속 배출이 우려되는 지역들이다.

데이터처리

MANOVA는 강우유무와 퇴적물 오염원이 퇴적물에 미치는 영향 특성에 대해 통계소프트웨어 SPSS를 이용하였다. MANOVA 수행 후 일원배치 ANOVA로 측정항목별 사후 검증(post-hoc test)을 수행하여 각 조건별 농도 수준 차이를 비교 검토하였다. 분석시 정규성 확보를 위해 모든 환경 변수를 로그변환하였고 통계적 유의성은 p<0.
MANOVA는 강우유무와 퇴적물 오염원이 퇴적물에 미치는 영향 특성에 대해 통계소프트웨어 SPSS를 이용하였다. MANOVA 수행 후 일원배치 ANOVA로 측정항목별 사후 검증(post-hoc test)을 수행하여 각 조건별 농도 수준 차이를 비교 검토하였다. 분석시 정규성 확보를 위해 모든 환경 변수를 로그변환하였고 통계적 유의성은 p<0.
퇴적물과 토양 오염도의 오염원별(산업단지, 폐금속광산) 및 시기별(강우시, 비강우시) 오염특성을 비교하여 각 토지 이용을 특징짓는 오염항목과 특이적 농도변화를 갖는 오염 항목을 도출하여 하천퇴적물 오염원 관리를 위한 우선순위 항목을 제시하기 위해 다변량 분산분석(Multi-variate Analysis of Variance, MANOVA)을 수행하였다. MANOVA는 강우유무와 퇴적물 오염원이 퇴적물에 미치는 영향 특성에 대해 통계소프트웨어 SPSS를 이용하였다. MANOVA 수행 후 일원배치 ANOVA로 측정항목별 사후 검증(post-hoc test)을 수행하여 각 조건별 농도 수준 차이를 비교 검토하였다.
퇴적물과 토양 오염도의 오염원별(산업단지, 폐금속광산) 및 시기별(강우시, 비강우시) 오염특성을 비교하여 각 토지 이용을 특징짓는 오염항목과 특이적 농도변화를 갖는 오염 항목을 도출하여 하천퇴적물 오염원 관리를 위한 우선순위 항목을 제시하기 위해 다변량 분산분석(Multi-variate Analysis of Variance, MANOVA)을 수행하였다. MANOVA는 강우유무와 퇴적물 오염원이 퇴적물에 미치는 영향 특성에 대해 통계소프트웨어 SPSS를 이용하였다. MANOVA 수행 후 일원배치 ANOVA로 측정항목별 사후 검증(post-hoc test)을 수행하여 각 조건별 농도 수준 차이를 비교 검토하였다.
퇴적물과 토양 오염도의 오염원별(산업단지, 폐금속광산) 및 시기별(강우시, 비강우시) 오염특성을 비교하여 각 토지 이용을 특징짓는 오염항목과 특이적 농도변화를 갖는 오염 항목을 도출하여 하천퇴적물 오염원 관리를 위한 우선순위 항목을 제시하기 위해 다변량 분산분석(Multi-variate Analysis of Variance, MANOVA)을 수행하였다. MANOVA는 강우유무와 퇴적물 오염원이 퇴적물에 미치는 영향 특성에 대해 통계소프트웨어 SPSS를 이용하였다.
퇴적물과 토양 오염도의 오염원별(산업단지, 폐금속광산) 및 시기별(강우시, 비강우시) 오염특성을 비교하여 각 토지 이용을 특징짓는 오염항목과 특이적 농도변화를 갖는 오염 항목을 도출하여 하천퇴적물 오염원 관리를 위한 우선순위 항목을 제시하기 위해 다변량 분산분석(Multi-variate Analysis of Variance, MANOVA)을 수행하였다. MANOVA는 강우유무와 퇴적물 오염원이 퇴적물에 미치는 영향 특성에 대해 통계소프트웨어 SPSS를 이용하였다.

이론/모형

비배타적 다중라벨분류기는 SVM 알고리즘을 기반(‘다중 분류 SVM’)으로, python 라이브러리 sklearn툴의 Multioutput_classification 기능을 사용하여 구축하였다

성능/효과

LDA를 이용한 혼합지역 데이터 분류결과 산업단지가 광범위하게 분포한 혼합지역-A 데이터의 경우 모델에서도 대부분 산업단지로 분류되었으며(Fig. 3c) 광산이 상대적으로 많은 혼합지역-B 데이터의 경우에도 산업단지로 분류될 확률이 광산지역으로 분류될 확률보다는 전반적으로 높았지만 혼합지역-A에 비해서는 광산으로 예측하는 비율이 증가하였다(Fig. 3d).
기계학습모델로 선형판별분석(LDA)과 서포트벡터머신(SVM)을 이용하였으며, 폐금속광산지역과 산업단지, 강우 영향별 퇴적물 시료의 식별이 가능함을 보였다. 결과적으로 두 모델 모두 강우영향 판별시에는 높은 정확도를 보였고 LDA에 비해 비선형 모델인 SVM에서 실제 유역내 오염원(광산 및 산단)의 영향을 더 잘 반영하는 결과를 도출하는 것을 확인하였다. 다중분류 SVM은 개별 오염원에 대한 정확도는 데이터 수의 한계로 분류정확도가 낮았으나, 복합지역에서 다수 오염원의 영향 예측이 가능함을 확인하였다.
결과적으로 최종평가지역인 금강지역 65개 데이터는 ‘광산’에 35개, ‘산단’에 48개, ‘도시’에 43개, ‘농업‘에 42개, ‘산업폐수처리장’에 46개 데이터로 할당되었다
4d). 그러나 Composite area B에서는 LDA보다 SVM에서 폐금속 광산으로 분류할 확률이 증가하므로 SVM모델에서 토지이용의 비율을 더 잘 반영할 수 있는 것으로 나타났다.
본 연구에서는 퇴적물 오염물질의 특성 차이에 기반한 오염원 식별 방법으로 기계학습모델의 적용성을 평가하였다. 기계학습모델로 선형판별분석(LDA)과 서포트벡터머신(SVM)을 이용하였으며, 폐금속광산지역과 산업단지, 강우 영향별 퇴적물 시료의 식별이 가능함을 보였다. 결과적으로 두 모델 모두 강우영향 판별시에는 높은 정확도를 보였고 LDA에 비해 비선형 모델인 SVM에서 실제 유역내 오염원(광산 및 산단)의 영향을 더 잘 반영하는 결과를 도출하는 것을 확인하였다.
결과적으로 두 모델 모두 강우영향 판별시에는 높은 정확도를 보였고 LDA에 비해 비선형 모델인 SVM에서 실제 유역내 오염원(광산 및 산단)의 영향을 더 잘 반영하는 결과를 도출하는 것을 확인하였다. 다중분류 SVM은 개별 오염원에 대한 정확도는 데이터 수의 한계로 분류정확도가 낮았으나, 복합지역에서 다수 오염원의 영향 예측이 가능함을 확인하였다. 향후 보다 많은 데이터를 활용할 경우 도시, 농업, 교통 등 보다 상세한 오염원의 식별이 가능할 것으로 판단된다.
다중분류 SVM은 여러 오염원의 복합적 영향을 고려하기 위해 수행하였다. 다중분류 결과 학습은 90.7%로 모델적합이 잘 됨을 확인하였으나, 테스트 데이터셋에 대한 예측정확도가 산업폐수처리장 0.5077, 광산지역의 경우 0.7231, 도시지역은 0.6615, 농업지역은 0.5692, 산단지역은 0.6308로 정확도는 대부분 학습 정확도에 비해 다소 낮게 나타났다(Fig. 5).
3d). 따라서 모델을 통하여 혼합지역에서도 우세한 오염원의 특성을 반영하여 분류가 적합하게 이루어짐을 확인할 수 있었다. 또한 두 유역의 모든 오염원에서 강우조건은 비강우일 것으로 예측하여 강우영향에 대한 진단을 적절히 수행할 수 있는 것으로 판단하였다.
0%)로서 높은 분류 성능을 나타냈다. 산점도와 95% 신뢰타원을 비교한 결과 폐금속광산과 산업단지, 그리고 강우시 및 비강우시 퇴적물 시료가 전반적으로 유의하게 분류되고 있음을 확인할 수 있었다. 다만 산업단지 인근의 퇴적물의 경우에 강우영향에 따른 퇴적물 요인특점에 성상에 차이가 적었는데 산업단지에서 발생하는 중금속 등의 오염물질의 경우 비점오염원의 형태 보다는 산업폐수처리장 등 점오염원의 형태로 주로 배출되기 때문에 강우 유무에 따른 퇴적물의 성상차이가 상대적으로 적기 때문으로 풀이된다.
3a 및 3b는 LDA를 이용한 퇴적물 시료 분류 결과에 따른 요인득점 biplot을 나타낸 것이다. 학습 및 검증 데이터에 대한 퇴적물의 평균 분류 정확도는 79.5%, F1 score는 68.0% (정밀도 69.5%, 67.0%)로서 높은 분류 성능을 나타냈다. 산점도와 95% 신뢰타원을 비교한 결과 폐금속광산과 산업단지, 그리고 강우시 및 비강우시 퇴적물 시료가 전반적으로 유의하게 분류되고 있음을 확인할 수 있었다.

후속연구

그러나 광산과 산업단지의 영향이 혼재하는 유역에서 단일분류 SVM과 비교하여 광산의 영향을 동시에 명시할 수 있음을 확인하였다. 따라서 향후 전국 측정망자료 등 보다 많은 자료를 활용하고, 토지이용에 따른 복합적 영향이 명확히 존재하는 데이터셋을 추가할 수 있을 경우 다중분류 SVM의 정확도를 향상시킬 수 있을 것으로 예상된다.
다중분류 SVM은 개별 오염원에 대한 정확도는 데이터 수의 한계로 분류정확도가 낮았으나, 복합지역에서 다수 오염원의 영향 예측이 가능함을 확인하였다. 향후 보다 많은 데이터를 활용할 경우 도시, 농업, 교통 등 보다 상세한 오염원의 식별이 가능할 것으로 판단된다.

참고문헌 (26)

Ali, H., Khan, E., Ilahi, I., (2019). Environmental chemistry？and ecotoxicology of hazardous heavy metals:？environmental persistence, toxicity, and？bioaccumulation. J. Chem. Article ID 6730305.？
Belousov, A. I., Verzakov, S. A., & Von Frese, J. (2002).？A flexible classification approach with optimal？generalisation performance: support vector machines.？Chemometrics and intelligent laboratory systems, 64(1),？15-25.？

상세보기
Cha, Y., Shin, J., & Kim, Y. (2020). Data-driven modeling？of freshwater aquatic systems: Status and prospects.？Journal of Korean Society on Water Environment, 36(6),？611-620.？
Chueh, Y. Y., Fan, C., & Huang, Y. Z. (2021). Copper？concentration simulation in a river by SWAT-WASP？integration and its application to assessing the impacts？of climate change and various remediation strategies.？Journal of environmental management, 279, 111613.？

상세보기
Chung, S., Kim, S., Park, H., & Seo, D. (2020). Future？Development Direction of Water Quality Modeling？Technology to Support National Water Environment？Management Policy. Journal of Korean Society on Water？Environment, 36(6), 621-635.？
dos Santos Simoes, F., Moreira, A. B., Bisinoti, M. C.,？Gimenez, S. M. N., & Yabe, M. J. S. (2008). Water？quality index as a simple indicator of aquaculture effects？on aquatic bodies. Ecological indicators, 8(5), 476-484.？

상세보기
Guan, Q., Wang, F., Xu, C., Pan, N., Lin, J., Zhao, R.,？... & Luo, H. (2018). Source apportionment of heavy？metals in agricultural soil based on PMF: A case study？in Hexi Corridor, northwest China. Chemosphere, 193,？189-197.？

상세보기
Jiang, Y., Gui, H., Chen, C., Wang, C., Zhang, Y., Huang,？Y., ... & Qiu, H. (2021). The Characteristics and Source？Analysis of Heavy Metals in the Sediment of Water？Area of Urban Scenic: A Case Study of the Delta Park？in Suzhou City, Anhui Province, China. Polish Journal？of Environmental Studies, 30(3).？

상세보기
Jung, M. C., & Jung, M. Y. (2006). Evaluation and？management method of environmental contamination？from abandoned metal mines in Korea. Journal of the？Korean Society of Mineral and Energy Resources？Engineers, 43(5), 383-394.？
Joseph, V. R. (2022). Optimal ratio for data splitting.？Statistical Analysis and Data Mining: The ASA Data？Science Journal, 15(4), 531-538.？

상세보기
Kabilan, N., & Selvi, M. S. (2016, April). Surveillance and？steering of irrigation system in cloud using Wireless？Sensor Network and Wi-Fi module. In 2016？International Conference on Recent Trends in？Information Technology (ICRTIT) (pp. 1-5). IEEE.？
Kang, J.H., Lee, Y.G., Lee, K.Y., Cha, S.M., Cho, K.H.,？Lee, Y.S., Ki, S.J., Yoon, I.H., Kim, K.W., Kim, J.H.,？(2009). Factor affecting metal exchange between？sediment and water in an estuarine reservoir: a spatial？and seasonal observation. J. Environ. Monit. 11,？2058-2067.？
Liber, Y., Mourier, B., Marchand, P., Bichon, E., Perrodin,？Y., & Bedell, J. P. (2019). Past and recent state of？sediment contamination by persistent organic pollutants？(POPs) in the Rhone River: Overview of？ecotoxicological implications. Science of the Total？Environment, 646, 1037-1046.？

상세보기
Liu, M., & Lu, J. (2014). Support vector machine-an？alternative to artificial neuron network for water quality？forecasting in an agricultural nonpoint source polluted？river?. Environmental Science and Pollution Research,？21, 11036-11053.？

상세보기
Navarro, M. C., Perez-Sirvent, C., Martinez-Sanchez, M.？J., Vidal, J., Tovar, P. J., & Bech, J. (2008). Abandoned？mine sites as a source of contamination by heavy metals: a case study in a semi-arid zone. Journal of Geochemical？exploration, 96(2-3), 183-193.？
Rodriguez-Seijo, A., Andrade, M. L., & Vega, F. A. (2017).？Origin and spatial distribution of metals in urban soils.？Journal of soils and sediments, 17, 1514-1526.？

상세보기
Shen, Z., Chen, L., Liao, Q., Liu, R., & Hong, Q. (2012).？Impact of spatial rainfall variability on hydrology and？nonpoint source pollution modeling. Journal of？Hydrology, 472, 205-215.？
Sojka, M., & Jaskula, J. (2022). Heavy metals in river？sediments: contamination, toxicity, and source？identification-a case study from Poland. International？Journal of Environmental Research and Public Health,？19(17), 10502.？
Srinivasan, R., Zhang, X., & Arnold, J. (2010). SWAT？ungauged: hydrological budget and crop yield？predictions in the Upper Mississippi River Basin.？Transactions of the ASABE, 53(5), 1533-1546.？

상세보기
Stoichev, T., Coelho, J. P., De Diego, A., Valenzuela, M.？G. L., Pereira, M. E., de Chanvalon, A. T., & Amouroux,？D. (2020). Multiple regression analysis to assess the？contamination with metals and metalloids in surface？sediments (Aveiro Lagoon, Portugal). Marine Pollution？Bulletin, 159, 111470.？

상세보기
Syarif, I., Prugel-Bennett, A., & Wills, G. (2016). SVM？parameter optimization using grid search and genetic？algorithm to improve classification performance.？TELKOMNIKA (Telecommunication Computing？Electronics and Control), 14(4), 1502-1509.？

상세보기
Wu, H., Xu, C., Wang, J., Xiang, Y., Ren, M., Qie, H.,？... & Lin, A. (2021). Health risk assessment based on？source identification of heavy metals: A case study of？Beiyun River, China. Ecotoxicology and Environmental？Safety, 213, 112046.？

상세보기
Yu, H., & Yang, J. (2001). A direct LDA algorithm for？high-dimensional data-with application to face？recognition. Pattern recognition, 34(10), 2067-2070.
Zhang, X., Mei, X., (2015). Effects of benthic algae on？release of soluble reactive phosphorus from sediments:？a radioisotope tracing study. Water Sci. Eng. 8 (2),？127-131.？
Zhang, Z., Huang, J., Duan, S., Huang, Y., Cai, J., & Bian,？J. (2022). Use of interpretable machine learning to？identify the factors influencing the nonlinear linkage？between land use and river water quality in the？Chesapeake Bay watershed. Ecological Indicators, 140, 108977.？

상세보기
Zhu, M., Wang, J., Yang, X., Zhang, Y., Zhang, L., Ren,？H., ... & Ye, L. (2022). A review of the application？of machine learning in water quality evaluation.？Eco-Environment & Health, 1, 107-116？

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