초록
▼
I. 서론
수질변화에 대한 예측은 항상 불확실성을 동반하며, 최근 지구온난화에 따른 급격한 기상변화는 이러한 예측을 더욱 어렵게 하고 있다. 따라서, 불확실성을 반영하기 어려운 기존의 결정론적 예측기법 보다 통계학적 예측기법이 더욱 유용할 수 있고, 오차를 정량화할 수 있는 이런 통계학적 수질예측 기법의 개발이 필요하다.
고전적인 통계학적 추론(Classical Statistical Inference)은 관측된 자료에 대한 분포만을 사용하여 모형이 가지고 있는 모수를 추론하나, 베이지안 추론(Bayesian
I. 서론
수질변화에 대한 예측은 항상 불확실성을 동반하며, 최근 지구온난화에 따른 급격한 기상변화는 이러한 예측을 더욱 어렵게 하고 있다. 따라서, 불확실성을 반영하기 어려운 기존의 결정론적 예측기법 보다 통계학적 예측기법이 더욱 유용할 수 있고, 오차를 정량화할 수 있는 이런 통계학적 수질예측 기법의 개발이 필요하다.
고전적인 통계학적 추론(Classical Statistical Inference)은 관측된 자료에 대한 분포만을 사용하여 모형이 가지고 있는 모수를 추론하나, 베이지안 추론(Bayesian inference)은 관측된 자료와 모수 자체에 대한 확률분포의 결합을 통해 모수를 추정한다. 따라서 베이지안 방법은 자료로부터 얻은 모수에 대한 정보와 모수에 대한 과거의 경험이나 주관적 견해를 모형화한 사전분포를 결합하여 모수를 탐색한다는 특징이 있다. 베이지안 방법은 해석이 용이하고, 모호한 결과를 제공 하지 않으며, 고전적 추론을 포함한다는 장점이 있으나, 사전분포에 임의성 또는 주관성이 들어간다는 단점이 있다(김달호, 2011).
(출처:본문 I. 서론 p.7)
Abstract
▼
In recent years, algal bloom in the Paldang Lake has become one of the major environmental concerns in Korea as it may threaten drinking water safety in the capital area. Thus it is important to understand its mechanism and environmental factors to control it. This study has performed seasonal water
In recent years, algal bloom in the Paldang Lake has become one of the major environmental concerns in Korea as it may threaten drinking water safety in the capital area. Thus it is important to understand its mechanism and environmental factors to control it. This study has performed seasonal water quality assessment and chlorophyll-a prediction in a statistical analysis framework.
The study was conducted in the following four steps. First, water quality data were collected at Paldang dam2 point on a monthly basis from 2000 to 2009 by season; 17 water quality variables(water temperature, pH, BOD, COD, SS, EC, TN, TP, Chl-a, NO3, NH3, DTP, PO4, TOC, transparency, total coliform, fecal coliform), weather data(rainfall, sunshine hours, maximum temperature, average temperature) and dam outflow data. Second, correlation and principal component analysis(PCA) were applied to select explanatory variables that influence algal growth the most. Third, Bayesian linear regression analysis was performed with respect to the selected explanatory variables for four different seasons. Finally, the best-fit regression model was verified against the observed chlorophyll-a data from January 2010 to October 2012.
Generally, the relationship between chlorophyll-a and other variables was low-but it was found that chlorophyll-a showed a slightly higher correlation with PO4 in spring(r=0.63, p<0.05), DTP in fall(r=-0.61, p<0.05) and DTP in winter(r=0.69, p<0.05). Additionally, selected principal components from PCA analysis were related to the organic matters and nutrients, which account for more than 85% of the variance in all seasons. The best fit explanatory variables of Bayesian linear regression model were selected through goodness-of-fit test. The best fit regression equation for each season was presented. PO4 was included for all seasons except for winter. The results of chlorophyll-a prediction and verification showed relatively high goodness-of-fits values for summer, fall and winter.
(출처 : Abstract 6p)
목차 Contents
- 표지 ... 1목차 ... 2표목차 ... 4그림목차 ... 5Abstract ... 6I. 서 론 ... 7Ⅱ. 연구방법 및 대상지역 ... 9 1. 베이지안 다변량 회귀분석 ... 9 가. 베이즈 정리(Bayes' Theorem) ... 9 나. 베이지안 분석법의 절차 ... 9 다. 베이지안 방법의 장점 ... 11 2. 연구대상 지역 ... 11 3. 연구방법 ... 13Ⅲ. 연구결과 및 고찰 ... 15 1. 상관분석 결과 ... 15 2. PCA 분석 결과 ... 15 3. 베이지안 방법을 이용한 다변량 회귀분석 결과 ... 17 가. 회귀분석 관련항목 선정 ... 17 나. 사전분포 결정 및 사후분포에 의한 모수추론 ... 17 다. 회귀모형 진단 결과 ... 18 라. 최적 회귀모형 선정 ... 19 마. 수질예측결과 비교 ... 20Ⅳ. 결 론 ... 22참고문헌 ... 24부록 ... 25끝페이지 ... 30
※ AI-Helper는 부적절한 답변을 할 수 있습니다.