선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 신경망 모델 중 가장 범용성이 높은 오류 역전파 학습(Error Back Propagation) 기능을 갖는 다층 인식자(Multi-Layer Perceptron) 신경망 모델을 기본 모델로 하여, 본 과제에 적합한 신경망 구조 및 학습 방법을 연구 개발코자 한다. 현재 사용 중인 신경망의 구조는 주어진 문제가 전형적인 비선형 관계인 점을 고려하여 입력층과 은닉층(1), 은닉층(2), 출력층의 네 개 층으로 구성하였으며 출력층을 제외한 각층의 노드 수는 실험 환경 즉 입력 인자들에 따라 다양하게 변하도록 하였다.
- 본 연구에서는 이러한 미세 먼지에 영향을 끼치는 기상 및 환경 인자를 연구하고, 그 결과를 이용하여 우리 실정에 맞는 신경망 미세 먼지 예경보 모델을 개발하였다.
제안 방법
- 2단계 실험에서는 이 같은 경우에 대한 3개 도시 및 수도권 지역에 대해 2001년 자료를 가지고 학습 시킨 후 2002년 자료를 가지고 실험을 실시하였으며 결과는 아래와 같다. 각 도시의 자료는 해당 도시에 속하는 5개의 측정소에서의 값을 평균하였다. 모델의 성능은 표 5에 정리하였다.
- 따라서 본 연구에서는 기상 및 대기 오염원이 모델링 대상 영역 즉 미세 먼지의 오염도에 영향을 미치는 것으로 가정하고, 미세 먼지 발생에 영향을 미치는 것으로 추정되는 인자들을 선정한 후, 선정된 인자들과 미세 먼지간의 상관관계 분석을 통해 영향력을 분석하고, 그 결과 영향력이 큰 것들을 신경망의 입력 인자로 선정하였다.
- 이때 도시 평균은 해당 도시 내 5개 사이트의 측정 자료를 평균하였다. 또한 권역별 자료의 경우 9시간 측정값 과전일 24시간 측정값, 당일 오전 9시를 기준으로 이전 24 시간 측정값 등 3가지 시간대 별로 실험을 하였다.
- 실제 입력은 위 각 경우에 대해 SO2(ppb), 03 (ppb), NO2(ppb), CO(ppm), 온도CC), 풍속(m/s), 평균강수량(mm), 습도]%), 누적강수량(mm), 전일 PM TO(ppb)의 10개 인자에 대한 3일치 자료를 입력으로 사용하여 되먹임 효과를 살리도록 하였고, 1일 자료만을 사용하는 경우는 되먹임 효과를 제거하도록 9개 인자만을 사용하였다.
- 실험은 2단계로 나누어 1단계에서는 실험에 영향을 미치는 여러가지 경우에 대해 최적의 조합을 찾고, 2 단계에서는 그 결과 최적의 조합에 대한 모델의 예보성능을 실험하였다.
- 출력은 금일 평균 미세 먼지 정도를 0에서 260으로 제한하고 이를 0.0 ~ L0의 실수로 정규화하고, 농도는 미국의 AQI지수를 2배로 상세화하여 등급을 정하였다. 따라서 실제 PM-10 농도와 해당 등급은 다음과 같다.
- 및 학습 방법을 연구 개발코자 한다. 현재 사용 중인 신경망의 구조는 주어진 문제가 전형적인 비선형 관계인 점을 고려하여 입력층과 은닉층(1), 은닉층(2), 출력층의 네 개 층으로 구성하였으며 출력층을 제외한 각층의 노드 수는 실험 환경 즉 입력 인자들에 따라 다양하게 변하도록 하였다. 출력은 먼지 농도의 수준을 단계로 표시하는 이산 구조로 구성할 수도 있지만, 현재 연구에서는 농도 값 자체와 예보 성능을 정확히 계산할 수 있도록 0.
대상 데이터
- 경우가 바람직한 것으로 나타났다. 2단계 실험에서는 이 같은 경우에 대한 3개 도시 및 수도권 지역에 대해 2001년 자료를 가지고 학습 시킨 후 2002년 자료를 가지고 실험을 실시하였으며 결과는 아래와 같다. 각 도시의 자료는 해당 도시에 속하는 5개의 측정소에서의 값을 평균하였다.
- 실험 자료는 추출 기간 2000년(366개), 2001년(365 개), 2002.1.1.' 2003.6.30( 180개) 간의 환경 및 기상 자료를 사용하였으며, 대상 지역은 동 기간 중, 사이트별과 도시 권역별로 구분하여, 서울과 인천, 수원 둥 수도권 3개 지역 평균값을 대상으로 하였다. 이때 도시 평균은 해당 도시 내 5개 사이트의 측정 자료를 평균하였다.
성능/효과
- 1단계 실험 결과 입력 자료의 추출 시간은 01-09시 즉 9시간 평균, 지역은 광역 즉 도시별, 피드백 등을 갖춘 경우가 바람직한 것으로 나타났다. 2단계 실험에서는 이 같은 경우에 대한 3개 도시 및 수도권 지역에 대해 2001년 자료를 가지고 학습 시킨 후 2002년 자료를 가지고 실험을 실시하였으며 결과는 아래와 같다.
- 결과보다 우수하였으며, 2) 어느 경우나 PM-10 의 농도가 높아질수록 성능이 저하하는 현상이 있었다. 3) 다양한 대비 실험 결과는 결과에 미치는 영향이 미미하였지만 특정 사이트에 대한 예보 대비 특정 도시의 평균의 예보의 경우는 현격한 차이가 있었다.
- 3) 다양한 대비 실험 결과는 결과에 미치는 영향이 미미하였지만 특정 사이트에 대한 예보 대비 특정 도시의 평균의 예보의 경우는 현격한 차이가 있었다. 4) 또한 입력 자료의 추출 시간은 당일 01~09까지의 경우가 전일 24시간이나 9시 기준 이전 24시간의 경우 보다 우수하였다.
- 2)의 결과는 농도 등급이 1이하인 경우가 80%이상임에 비해 2 이상인 경우는 10%~20% 에 불과하여 고농도 현상에 대한 학습 효율이 저하한데 기인하는 것으로 판단된다. 3)의 결과는 특정 측정소에서 측정한 환경 및 기상 자료가 PM-10 농도 예보에 미치는 영향이 국부적임을 보였다. 따라서 보다 광억 단위 예보인 도시 전체 평균 PM-10 농도의 예보가 안정적인 것으로 판단된다.
- 3) 다양한 대비 실험 결과는 결과에 미치는 영향이 미미하였지만 특정 사이트에 대한 예보 대비 특정 도시의 평균의 예보의 경우는 현격한 차이가 있었다. 4) 또한 입력 자료의 추출 시간은 당일 01~09까지의 경우가 전일 24시간이나 9시 기준 이전 24시간의 경우 보다 우수하였다.
- 따라서 보다 광억 단위 예보인 도시 전체 평균 PM-10 농도의 예보가 안정적인 것으로 판단된다. 4)의 결과는 당일 평균 값을 예보하는데는 예보 시점에서 가장 가까운 자료를 적정량 만큼 만 이용하는 것이 정확도를 향상시키는 것으로 생각된다.
- 모든 자동 측정망에서 PM-10의 계절적 패턴이 주로 봄철에서 최대가 되며 여름철에 급격히 낮아지는 둥 일정하게 나타났으며, 피크 날짜가 일정하였다. SO2, 03, NO2, CO의 일평균의 시계열은 계절적 패턴이 유사하였으나, 피크가 발생하는 날짜는 다르게 나타났다.
- 실험 결과는 각 도시 평균에 대한 9시간 자료에 의한 예보의 경우, 신경망 모델은 평균 정확도가 0.064 (17), 회귀 모델의 경우 0.053 (14) 였으며, RMSE는 각각 0.077 (20), 0.084(22) 로 비교적 우수한 것으로 나타났다. 여기서 수치는 L0으로 정규화한 경우이고, 괄호 속은 260을 최대로 한 경우이다.
- SO2, 03, NO2, CO의 일평균의 시계열은 계절적 패턴이 유사하였으나, 피크가 발생하는 날짜는 다르게 나타났다. 오염 물질 항목간에는 SO2가 가장 PM-10 과 관계가 있는 것으로 나타났으며, 03와는 거의 상관 관계가 없는 것으로 나타났다. PM-10 농도와 지표 기상자료의 일평균값과는 큰 상관 관계가 없었다.
- 여기서 수치는 L0으로 정규화한 경우이고, 괄호 속은 260을 최대로 한 경우이다. 즉 연구 결과 모델은 미세 먼지 농도를 최대 260으로 제한할 경우 5%~10% 의 오차의 범위에서 예보가 가능하다.
후속연구
- 또한 각 층 간의 연결 방법을 완전 연결을 만들 것인가, 아니면 부분 연결을 만들 것인가에 따라 문제에 내재한 입력 간, 입출력 간의 위상 관계를 반영시켜 문제 해결에 큰 영향을 주는 것으로 알려져 있다. 따라서 본 과제에 적합한 신경망 모델과 신경망 구조 및 학습 방법을 연구 개발하는 것이 필요하다.[7]
- 따라서 연도 단위 학습 및 예보가 아닌 월 또는 분기 단위의 학습 및 예보 체제로 학습 및 예보 자료간의 시간적 간격을 좁히는 방법을 연구할 필요가 있고, 등급별로 학습 및 예보를 서로 다른 모듈로 구현하여 실시하는 방법에 대한 연구가 필요하다. 또한 예보 지역은 특정 사이트보다는 특정 도시에 대한 평균 농도를 예보하는 방법에 대한 연구가 필요하다.
- 따라서 연도 단위 학습 및 예보가 아닌 월 또는 분기 단위의 학습 및 예보 체제로 학습 및 예보 자료간의 시간적 간격을 좁히는 방법을 연구할 필요가 있고, 등급별로 학습 및 예보를 서로 다른 모듈로 구현하여 실시하는 방법에 대한 연구가 필요하다. 또한 예보 지역은 특정 사이트보다는 특정 도시에 대한 평균 농도를 예보하는 방법에 대한 연구가 필요하다.
- 이상의 실험결과를 볼 때, 위에서 지적하였듯이 년도 별로 고농도 PM-10의 분포가 매우 크게 증가한다는 점과 고농도와 저농도 자료의 빈도수가 크게 차이가 남에 따라 학습에 비효율적이거나 나쁜 영향을 미치는 경우를 극복하기 위한 연구가 필요하다. 따라서 연도 단위 학습 및 예보가 아닌 월 또는 분기 단위의 학습 및 예보 체제로 학습 및 예보 자료간의 시간적 간격을 좁히는 방법을 연구할 필요가 있고, 등급별로 학습 및 예보를 서로 다른 모듈로 구현하여 실시하는 방법에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.