http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
미계측 하천에서의 수생태계 건강성 예측 정확도 향상을 위한 GAN 알고리즘 적용 및 평가
이서로 ( Seoro Lee ),배주현 ( Joohyun Bae ),이지민 ( Jimin Lee ),김수홍 ( Soohong Kim ),김종건 ( Jonggun Kim ),임경재 ( Kyoungjae Lim ) 한국농공학회 2020 한국농공학회 학술대회초록집 Vol.2020 No.-
본 연구에서는 머신러닝/딥러닝 모형을 활용한 남한강 하류에 위치한 유역(청미천, 양화천, 복하천, 흑천) 내 유량 및 수질 미계측 하천에서의 수생태계 건강성 등급(BMI, TDI, FAI) 예측의 정확도를 향상시키기 위한 GAN(Generative Adversarial Network) 알고리즘의 적용성을 평가하였다. 머신러닝/딥러닝 모형의 입력자료로는 한강수계 내 유량 및 수질모니터링과 수생태계 건강성 평가가 이루어지고 있는 83개 지점을 대상으로 2008년부터 2018년까지의 유량, 수질, 기상자료(강수량, 기온)와 동일한 모니터링 날짜에 해당하는 수생태계 건강성 등급 자료를 사용하였다. 이 때, 불균형적이며 적은 수의 데이터 한계를 극복하기 위해 GAN 알고리즘을 통해 실제 모니터링 자료와 유사한 입력자료를 확보하였다. GAN 알고리즘으로 확보된 자료와 실제 모니터링 자료를 합쳐서 생성된 모형으로 수생태계 건강성 등급 예측을 위한 5차 교차검증과정을 수행한 결과, BMI, TDI 경우 서포트벡터머신(SVM) 모형에서 정확도를 각각 0.66, 0.65를 나타내었으며, FAI 경우 다층퍼셉트론(MLP) 모형에서 0.66의 정확도를 나타내었다. 최종적으로 SVM 모형과 MLP 모형을 통해 남한강 하류에 위치한 유역 내 유량 및 수질 미계측 하천에서의 수생태계 건강성 등급을 예측한 결과, 예측 정확도는 각각 BMI 0.85, TDI 0.71, FAI 0.68로 GAN 알고리즘을 통해 확보된 데이터를 포함한 모형이 수생태계 건강성 등급을 더욱 잘 예측할 수 있는 것을 확인할 수 있었다. 향후 본 연구의 결과는 미계측 하천에서의 수생태계 건강성을 평가하고 수질, 수량, 수생태계 통합 물관리 체계를 수립하는데 기초자료로 활용될 수 있을 것이라 사료된다.
홍지영 ( Jiyeong Hong ),이서로 ( Seoro Lee ),양동석 ( Dongseok Yang ),배주현 ( Joohyun Bae ),임경재 ( Kyoungjae Lim ) 한국농공학회 2020 한국농공학회 학술대회초록집 Vol.2020 No.-
효율적인 물관리를 위한 댐 유입량 대한 연구는 필수적이다. 이를 위하여 본 연구에서는 40년동안의 기상 및 댐 유입량 데이터를 이용하여 소양강댐 유입량을 예측하는 머신러닝 알고리즘을 개발하였다. 의사 결정 트리 (DT), 멀티 레이어 퍼셉트론 (MLP), 랜덤 포레스트 (RF), 그래디언트 부스팅 (GB), RNN-LSTM 및 CNN-LSTM 알고리즘이 사용되었으며, 그 중 가장 정확도가 높은 모형과 고유량이 아닌 경우에서 특별히 예측 정확도가 높은 모형을 결합하여 결합 머신러닝 알고리즘 (CombML)을 개발 및 평가하였다. 사용된 알고리즘 중 MLP가 NSE 0.812, RMSE 77.218 m<sup>3</sup>/s, MAE 29.034 m<sup>3</sup>/s, R 0.924, R2 0.817로 댐 유입량 예측에서 최상의 결과를 보여주었으며, 댐 유입량이 100 m<sup>3</sup>/s 이하인 경우 앙상블 모델 (RF, GB) 이 댐 유입 예측에서 MLP보다 더 나은 성능을 보였다. 따라서, 유입량이 100 m<sup>3</sup>/s 이상 시의 평균 일일 강수량인 16 mm를 기준으로 강수가 16mm 이하인 경우 앙상블 방법 (RF 및 GB)을 사용하고 강수가 16 mm 이상인 경우 MLP를 사용하여 댐 유입을 예측하기 위해 두 가지 복합 머신러닝 (CombML) 모델 (RF_MLP 및 GB_MLP)을 개발하였다. 그 결과 RF_MLP에서 NSE 0.857, RMSE 68.417 m<sup>3</sup>/s, MAE 18.063 m<sup>3</sup>/s, R 0.927, R2 0.859, GB_MLP의 경우 NSE 0.829, RMSE 73.918 m<sup>3</sup>/s, MAE 18.093 m<sup>3</sup>/s, R 0.912, R2 0.831로 CombML이 댐 유입을 가장 정확하게 예측하는 것으로 평가되었다. 본 연구를 통해 하천 유황을 고려한 여러 머신러닝 알고리즘의 결합을 통한 유입량 예측 결과, 알고리즘 결합 시 예측 모형의 정확도가 개선되는 것이 확인되었으며, 이는 추후 효율적인 물관리에 이용될 수 있을 것으로 판단된다.