KR101432437B1 - System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state - Google Patents

System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state Download PDF

Info

Publication number
KR101432437B1
KR101432437B1 KR1020130033628A KR20130033628A KR101432437B1 KR 101432437 B1 KR101432437 B1 KR 101432437B1 KR 1020130033628 A KR1020130033628 A KR 1020130033628A KR 20130033628 A KR20130033628 A KR 20130033628A KR 101432437 B1 KR101432437 B1 KR 101432437B1
Authority
KR
South Korea
Prior art keywords
water quality
data
decision tree
target point
target
Prior art date
Application number
KR1020130033628A
Other languages
Korean (ko)
Inventor
김창원
김예진
김효수
김민수
박문화
이슬아
이영철
Original Assignee
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020130033628A priority Critical patent/KR101432437B1/en
Priority to PCT/KR2013/002613 priority patent/WO2014157753A1/en
Application granted granted Critical
Publication of KR101432437B1 publication Critical patent/KR101432437B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to a system and method for providing water quality information, capable of diagnosing and predicting a water quality state. The system for providing the water quality information according to the embodiment of the present invention includes a data processing unit, a diagnosis intension determining tree generating unit, a diagnosis intention determining unit, a prediction intention determining tree generating unit, and a prediction intention determining unit. Data processed in the data processing unit includes BOD, COD, SS, T-N, T-P, STN, STP, NH4+N, NOX-N, PO4-P, or GHI-a pH.

Description

수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법{System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state} TECHNICAL FIELD The present invention relates to a water quality information providing system and method for diagnosing and predicting water quality,

본 발명은 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법에 관한 것이다. 보다 상세하게 설명하면, 특정지점의 수계수질을 그보다 상류지점의 수질측정치와 일련의 규칙으로 구성된 수질예측모델을 통해 예측하여 제공하는 동시에 해당 수질상태에 대한 정성적인 진단결과를 제공하는 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법에 관한 것이다. The present invention relates to a system and method for providing water quality information capable of diagnosing and predicting water quality. More specifically, the present invention provides a method of predicting and providing a water quality of a specific point through a water quality prediction model composed of a water quality measurement value and a series of rules at an upstream point, and simultaneously providing a qualitative diagnosis result of the water quality state And to a system and method for providing water quality information that can be diagnosed and predicted.

방류수계의 수질은 인근 지역민의 삶과 삶의 복지수준에 밀접한 영향을 미치며, 이에 수계 환경을 담당하는 관청에서는 일정한 시간간격으로 하천수를 샘플링하여 수질항목을 분석하여 기록하여 보관하여 왔고, 근래에는 하천의 일정 구간별로 수질을 대표할 수 있는 지점에 수질자동측정망을 설치하여 일정한 시간간격으로 수질을 자동측정하고 있다. 또한 이를 특정한 장소에 설치되어 있는 데이터베이스에 저장하여 관심있는 대중에게 공개하고 있다. The water quality of the discharge water system has a close relationship with the lives of the local residents and the welfare level of the life of the local residents. The water quality authorities have sampled river water at certain intervals to analyze and record the water quality items. And the water quality is automatically measured at regular time intervals by installing a water quality automatic measuring network at a point where water quality can be represented. It is also stored in a database that is installed in a specific place and is disclosed to the interested public.

그러나 이러한 시스템에 의해서 수집되는 데이터는 그의 측정간격이 길어 시시때때로 변화하는 수질에 대해 알고자 하는 요구에 부응하지 못하였으므로, 각종 모델들을 활용하여 알고자 하는 시점의 수질을 알기 위한 노력이 수행되어져 왔다. 이들 모델들은 대부분 대상 수계의 지형학적 정보와 해당 시점의 유량 및 관련이 있는 지점의 수질을 사용하여 일련의 이론적 수학적 식들에 대입하여 목표지점의 수질을 예측해 내는 것이 대부분이다. However, since the data collected by such a system has not been able to meet the demand for knowing the water quality which changes from time to time due to its long measurement interval, efforts have been made to know the quality of the water at the time of using the various models . Most of these models are predicting the water quality at the target point by substituting them into a series of theoretical mathematical expressions using the topographic information of the target water system and the water quality at the point related to the flow at that point.

이러한 수학적 모델들은 지형정보를 얻기 위한 조사과정에 비용과 시간이 소요되며, 또한 모델의 수식을 구성하는 계수들의 값을 모델링하고자 하는 해당 수계의 수질 변동을 잘 모사하도록 최적화하는 과정이 주기적으로 요구된다는 단점을 가지고 있다. These mathematical models are costly and time-consuming to investigate to obtain topographical information, and it is necessary to periodically optimize the model to simulate the variation of water quality It has disadvantages.

더욱이 이러한 모델들은 예측하고자 하는 시점 당 예측된 단 하나의 값으로 이루어진 숫자의 시리즈를 제공할 뿐이었다. 이러한 일련의 예측된 숫자들은 항상 오차를 포함하고 있어 예측 결과의 활용에 있어 신뢰성이 떨어졌으며, 또한 예측 결과가 일련의 숫자로만 이루어져 있어 사전에 수질 측정값이 가지는 높낮이에 대한 사전지식이 없는 사람에게는 정보력이 부족하였다. Moreover, these models only provide a series of numbers consisting of only one predicted value per time point to be predicted. This series of predicted numbers always contains errors, which makes it less reliable for the use of predictive results. Also, for those who do not have prior knowledge of the elevation of water quality measurements in advance, Information was not enough.

이에, 결정론적이지만 오차를 가지는 수치값보다는 있을 법한 수질수치의 범위를 제공할 수 있으며, 보다 직관적으로 수질항목의 예측값이 가지는 의미에 대한 정성적인 진단 결과를 제공하는 정보제공의 방법이 요구되고 있는 실정이다. Therefore, there is a need for a method of providing information which can provide a range of possible water quality values rather than a numerical value having a deterministic error, and more intuitively providing a qualitative diagnosis result on the meaning of the predicted value of the water quality item It is true.

국내공개특허 제10-2010-0069428호Korean Patent Publication No. 10-2010-0069428

본 발명은 이와 같은 문제점을 해결하기 위해 안출된 것으로서, 본 발명은 최적화가 어려운 수학적 모델을 대신하기 위해 목표지점과 그 상류의 수질항목의 변동경향을 반영하여 목표지점의 수질항목이 가질 수 있는 값의 범위를 예측하는 규칙 기반 예측모델을 의사결정나무알고리즘에 의해 개발하고, 또한 그 예측수질이 가지고 있는 직관적 의미를 제공하기 위한 규칙 기반 진단모델을 개발하여, 상류의 수질 측정 데이터와 이들 규칙기반 모델들을 사용하여 목표지점의 수질이 취할 수 있는 값의 범위와 의미를 제공하기 위한 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법을 제공하는데 그 목적이 있다. SUMMARY OF THE INVENTION The present invention has been made in order to solve such a problem, and it is an object of the present invention to provide a method and a system for estimating a water quality of a target point by reflecting a fluctuation tendency of a target point and an upstream water quality item, Based prediction model to predict the range of the water quality, and develop a rule - based diagnostic model to provide the intuitive meaning of the predicted water quality. Based on the upstream water quality measurement data and these rule - based models The present invention provides a water quality information providing system and method capable of diagnosing and predicting a water quality of a water quality to provide a range and meaning of a value that a water quality of a target point can take.

본 발명에 의하면, 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공부; 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성부; 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정부; 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성부; 및 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정부;를 포함하되, 상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함하는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템을 제공한다. According to the present invention, data for collecting data necessary for diagnosing and predicting water quality of a water quality from a database storing water quality measurement data and setting the data at predetermined time intervals and processing the data is studied. Grouping the water quality type of the target point with respect to the data of the target point among the processed data, setting the grouped water quality type as the target variable, and using the data corresponding to the upstream point of the target point as the separation criterion A diagnostic decision tree generating unit for generating a diagnostic decision tree for diagnosing the water quality type of the target point; A diagnostic decision unit for applying the data of the target point among the processed data to the diagnosis decision tree to derive the water quality type of the target point; A predictive decision tree for predicting a quantitative range of a target variable of the target point by using data corresponding to a target point among the processed data as a target variable and data corresponding to an upstream point of the target point as a separation criterion A prediction decision tree generation unit for generating a prediction decision tree; And a prediction decision unit applying the data of the target point among the processed data to the predictive decision tree to derive a quantitative range of the target variable of the target point, Wherein the method comprises at least one of COD, SS, TN, TP, STN, STP, NH 4 + N, NO X -N, PO 4 -P and GHI-a pH. Provide a system for providing water quality information as much as possible.

한편, 상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 한다.Meanwhile, the diagnostic decision tree generation unit groups the water quality types of the target point by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnosis decision tree is classified into the grouped water quality types And the decision tree algorithm is derived by the following equation.

Figure 112013027083930-pat00001
Figure 112013027083930-pat00001

(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)(Where Pi is a fraction of S belonging to the i classification, A is a variable, and Sv is a subset of S when variable A has a value of v.)

한편, 상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 한다.Meanwhile, the diagnostic decision tree generation unit groups the water quality types of the target point by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnosis decision tree is classified into the grouped water quality types And the decision tree algorithm is generated using a chi-square test result in which a difference in dispersion between the water quality types included in each of the separated end words is used as a measure .

한편, 상기 진단의사결정부는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정부는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 한다.Meanwhile, the diagnostic decision unit displays the water quality type of the target point as a linguistic diagnosis result on the data of the target point including the concentrations of the organic matter and the nutrients, and the prediction decision unit determines the possible values Is displayed as a prediction result of the format of mean + standard deviation.

또한 본 발명에 의하면, 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공단계; 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성단계; 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정단계; 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성단계; 및 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정단계;를 포함하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법을 제공한다. According to another aspect of the present invention, there is provided a data processing method comprising the steps of: collecting data necessary for diagnosing and predicting the state of water quality from a database storing water quality measurement data, Grouping the water quality type of the target point with respect to the data of the target point among the processed data, setting the grouped water quality type as the target variable, and using the data corresponding to the upstream point of the target point as the separation criterion A diagnostic decision tree generation step of generating a diagnostic decision tree for diagnosing the water quality type of the target point; A diagnostic decision step of applying the data of the target point among the processed data to the diagnosis decision tree to derive the water quality type of the target point; A predictive decision tree for predicting a quantitative range of a target variable of the target point by using data corresponding to a target point among the processed data as a target variable and data corresponding to an upstream point of the target point as a separation criterion A prediction decision tree generation step of generating a prediction decision tree; And a prediction decision step of applying data of a target point among the processed data to the predictive decision tree to derive a quantitative range of a target variable of the target point, Provide available water quality information.

한편, 상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 한다.Meanwhile, the diagnostic decision tree generation step groups the water quality types of the target points by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnostic decision tree classifies the grouped water quality types And the decision tree algorithm is derived by the following equation: < EMI ID = 2.0 >

Figure 112013027083930-pat00002
Figure 112013027083930-pat00002

(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)(Where Pi is a fraction of S belonging to the i classification, A is a variable, and Sv is a subset of S when variable A has a value of v.)

한편, 상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 한다.Meanwhile, the diagnostic decision tree generation step groups the water quality types of the target points by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnostic decision tree classifies the grouped water quality types And the decision tree algorithm is generated using a chi-square test result in which a difference in variance between the water quality types included in each separate headword is used as a measure .

한편, 상기 진단의사결정단계는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정단계는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 한다.In the diagnostic decision step, the water quality type of the target point is displayed as a linguistic diagnosis result on the data of the target point including the concentration of the organic matter and the nutrient salt, and the prediction decision step determines the existence And the range of the possible values is displayed as the prediction result of the format of mean + standard deviation.

본 발명은 해당 수계 지점의 수질을 활용하는 모든 주체들이 본 발명으로부터 제공되는 수질 예측 결과가 하나의 수치가 아닌 가능한 범위로 제공됨에 따라 그에 따른 정보활용이 가능하며, 또한 목표지점의 수질이 기존에 존재하여 오던 수질의 변동범위에 비추어 보았을 때에 어떠한 수준에 해당하는 수질 유형에 속하는지를 언어적인 직관적 진단결과로서 제공받을 수 있는 효과가 있다. The present invention can utilize information according to the water quality prediction result provided by the present invention from all subjects using the water quality of the corresponding water level point as a possible range rather than one numerical value, It is effective to provide a linguistic intuitive diagnosis result as to which level of water quality belongs to which level when the variation range of the water quality that has existed is considered.

또한 본 발명은 수계수질의 상태에 대한 진단결과 및 예측결과를 특정 프로그램으로 제작되어 존재하거나 상기 특정 프로그램이 제공하는 정보가 웹상에 제공될 수도 있다. Further, the present invention may be produced on the basis of a specific program, or information provided by the specific program may be provided on the web.

도 1은 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템을 나타내는 구성도이다.
도 2는 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공방법을 나타내는 순서도이다.
도 3은 도 1의 진단의사결정나무 생성부에 의해 생성된 진단의사결정나무를 나타낸 도면이다.
도 4는 도 1의 예측의사결정나무 생성부에 의해 생성된 BOD 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 5는 도 1의 예측의사결정나무 생성부에 의해 생성된 T-N 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 6은 도 1의 예측의사결정나무 생성부에 의해 생성된 T-P 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다. FIG. 1 is a configuration diagram illustrating a water quality information providing system capable of diagnosing and predicting a water quality state according to an embodiment of the present invention.
FIG. 2 is a flowchart illustrating a method of providing water quality information capable of diagnosing and predicting a water quality of a water quality according to an embodiment of the present invention.
FIG. 3 is a diagram illustrating a diagnostic decision tree generated by the diagnostic decision tree generation unit of FIG. 1. FIG.
4 is a diagram illustrating a prediction decision tree for predicting the BOD concentration generated by the prediction decision tree generation unit of FIG.
FIG. 5 is a diagram illustrating a prediction decision tree for predicting the TN concentration generated by the prediction decision tree generation unit of FIG. 1. FIG.
FIG. 6 is a diagram illustrating a prediction decision tree for predicting the TP concentration generated by the prediction decision tree generation unit of FIG. 1. FIG.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. First, in adding reference numerals to constituent elements of each drawing, it should be noted that the same constituent elements are denoted by the same reference numerals even though they are shown in different drawings. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.

도 1은 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템을 나타내는 구성도이고, 도 2는 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공방법을 나타내는 순서도이고, 도 3은 도 1의 진단의사결정나무 생성부에 의해 생성된 진단의사결정나무를 나타낸 도면이고, 도 4는 도 1의 예측의사결정나무 생성부에 의해 생성된 BOD 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이고, 도 5는 도 1의 예측의사결정나무 생성부에 의해 생성된 T-N 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이고, 도 6은 도 1의 예측의사결정나무 생성부에 의해 생성된 T-P 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다. FIG. 1 is a configuration diagram illustrating a water quality information providing system capable of diagnosing and predicting a water quality of water according to an embodiment of the present invention. FIG. 2 is a view illustrating a water quality information FIG. 3 is a diagram showing a diagnostic decision tree generated by the diagnostic decision tree generating unit of FIG. 1, and FIG. 4 is a diagram showing a BOD concentration generated by the predictive decision tree generating unit of FIG. FIG. 5 is a diagram showing a predictive decision tree for predicting the TN concentration generated by the predictive decision tree generating unit of FIG. 1, and FIG. FIG. 4 is a diagram illustrating a predictive decision tree for predicting the TP concentration generated by the predictive decision tree generation unit. FIG.

도 1을 참조하면, 본 발명에 의한 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템(10)은 데이터가공부(100), 진단의사결정나무 생성부(200), 진단의사결정부(300), 예측의사결정나무 생성부(400) 및 예측의사결정부(500)를 포함한다. 1, the water quality information providing system 10 capable of diagnosing and predicting the water quality of the water according to the present invention includes a data learning unit 100, a diagnostic decision tree generating unit 200, a diagnostic decision unit 300 A prediction decision tree generation unit 400, and a prediction decision unit 500. [

상기 데이터가공부(100)는 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 역할을 한다. 상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함한다.The data studying unit 100 collects data necessary for diagnosing and predicting water quality of a water quality from a database storing water quality measurement data, and sets and collects the data at predetermined time intervals. The processed data include at least one of BOD, COD, SS, TN, TP, STN, STP, NH 4 + N, NO X -N, PO 4 -P and GHI-a pH.

상기 데이터베이스는 해당 수계의 특정 측정 지점들에 설치된 자동측정기기를 통하여 주기적으로 측정하여 전송되는 일정시간 간격의 수질항목측정치를 저장하여 보관한다. 이때 수질항목은 대표적 수질오염항목인 BOD, COD, SS, T-N, T-P, Chl-a를 포함한 자동측정가능한 다양한 수질항목을 포함하는 것이 바람직하다. 측정간격은 짧게는 일주일에서 길게는 한 달에 1회일 수 있으며 바람직한 측정간격은 일주일이다. The database stores and stores water quality item measurements at regular time intervals periodically measured and transmitted through an automatic measuring instrument installed at specific measurement points of the water system. At this time, it is preferable that the water quality item includes various water quality items including automatically measured water including BOD, COD, SS, T-N, T-P and Chl-a. The measurement interval can be as short as one week to as long as once a month and the preferred measurement interval is one week.

이때 자동측정기가 설치된 지점들 중 수질정보제공이 요구되는 목표지점을 선정하면, 목표지점으로부터 상류 방향으로 거슬러가며 하나 이상의 측정지점을 상류 지점이라고 명명하겠다. 상기 데이터가공부(100)는 상류 및 목표지점의 최근의 측정자료를 가공하여 진단의사결정나무 생성부(200)와 예측의사결정나무 생성부(400)에서 활용한다. 이때 최근의 측정자료는 최소한 최근 1년 이상의 데이터로 구성되는 것이 바람직하며, 수질측정항목은 일정한 시간간격으로 측정되어 측정횟수당 한 셋으로 세트화시켜 가공할 수 있는 항목을 모두 이용하는 것이 바람직하다. 예를 들어, 하나의 측정지점에서 BOD, COD, SS, T-N, T-P, Chl-a, STP, STN은 일주일 1회 측정되어 저장되고, Cr, Mg, 등의 타 항목은 1개월에 1회 측정되어 저장된다고 할 때, 이들 데이터를 통해 생성될 의사결정나무의 성능을 보장하기 위해 사용하는 데이터가공부(100)는 BOD, COD, SS, T-N, T-P, Chl-a, STP, STN으로 데이터를 구성하는 것이 바람직하다. At this time, among the points where the automatic measuring instrument is installed, if the target point requiring the water quality information is selected, one or more measuring points will be referred to as the upstream point from the target point in the upstream direction. The data studying unit 100 processes the latest measurement data of the upstream and the target points and utilizes the data in the diagnostic decision tree generating unit 200 and the prediction decision tree generating unit 400. At this time, it is preferable that the recent measurement data is composed of data of at least the latest one year, and it is preferable to use all the items that can be processed by setting the water quality measurement items at a predetermined time interval and setting them to one set per measurement frequency. For example, BOD, COD, SS, TN, TP, Chl-a, STP and STN are measured and stored once a week at one measurement point and other items such as Cr, Mg, The data to be used for ensuring the performance of the decision tree to be generated through these data is stored in the database 100 as BOD, COD, SS, TN, TP, Chl-a, STP and STN. .

상기 진단의사결정나무 생성부(200)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 역할을 한다. The diagnostic decision tree generation unit 200 groups the water quality types of the target points with respect to the target point data among the processed data, sets the grouped water quality types as target variables, And generates diagnosis decision trees for diagnosing the water quality type of the target point based on the data corresponding to the branch points.

상기 진단의사결정나무 생성부(200)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출될 수 있다. The diagnostic decision tree generation unit 200 groups the water quality types of the target points by the hierarchical cluster analysis method on the data of the target point among the processed data, The decision tree algorithm is generated by the decision tree algorithm individually for the type, and the decision tree algorithm can be derived by the following equation.

Figure 112013027083930-pat00003
Figure 112013027083930-pat00003

(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)(Where Pi is a fraction of S belonging to the i classification, A is a variable, and Sv is a subset of S when variable A has a value of v.)

상기 진단의사결정나무 생성부(200)에서는 가공된 데이터 중 목표지점의 데이터에 대하여 계층적 군집분석에 의하여 해당 목표지점의 수질 유형을 분류하여 그룹화하는데, 바람직하게는 5~7개의 유형으로 그룹화하는 것이 바람직하다. 이후에, 상류의 수질측정자료를 분리기준으로 하여 목표지점인 하류의 수질이 어떠한 유형에 해당할지를 도출하여 진단결과로서 제공하기 위한 수단인 진단의사결정나무를 생성하게 되는데, 이 때 사용되는 알고리즘은 CART 알고리즘이 바람직하다. 이로서 생성되는 진단의사결정나무는 상류의 수질항목의 분포에 따라 목표지점의 수질유형을 제공해 줄 수 있는 규칙들의 집합이다. 진단의사결정나무를 구성하는 개별 규칙들이 IF ~ THEN 의 형태로 제공될 경우에 IF 뒤에는 상류의 수질항목들이 참조되며, THEN 뒤에는 목표지점의 수질 유형이 존재하게 된다.The diagnostic decision tree generation unit 200 classifies the water quality types of the target points by hierarchical cluster analysis on the data of the target points among the processed data and groups them into groups of preferably five to seven types . The algorithm used in this case is to generate a diagnostic decision tree, which is a means for deriving the type of the downstream water quality to be the target point and providing it as a diagnosis result based on the upstream water quality measurement data as a separation criterion. The CART algorithm is preferred. The diagnostic decision tree thus generated is a set of rules that can provide the water quality type of the target point according to the distribution of the upstream water quality items. If the individual rules that make up the diagnostic decision tree are provided in the form of IF to THEN, the upstream water quality items are referred to after the IF, and the water quality type of the target point exists after THEN.

또한 상기 진단의사결정나무 생성부(200)에서는 상류 및 목표지점의 수질측정항목 모두를 사용하여 목표지점인 하류의 수질의 유형을 도출하여 줄 수 있는 진단의사결정나무의 생성도 가능하다. 앞선 경우와의 차이점은 진단의사결정나무를 구성하기 위한 분리기준으로서 상류의 수질측정자료만을 사용하지 않고 목표지점인 하류의 수질측정자료도 함께 사용한다는 것으로서, 어느 경우를 선택할 것인지는 본 발명을 적용하고자 할 때 선택할 수 있다.In addition, the diagnostic decision tree generation unit 200 can generate a diagnostic decision tree capable of deriving the type of water quality downstream of the target point by using both the water quality measurement items of the upstream and the target points. The difference from the previous case is that the water quality measurement data of the downstream site is used together with the upstream water quality measurement data as the separation criterion for constructing the diagnosis decision tree. You can choose when you do.

또한 상기 진단의사결정나무 생성부(200)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출될 수 있다. In addition, the diagnostic decision tree generation unit 200 groups the water quality types of the target points by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnostic decision trees are classified into the grouped The decision trees algorithm is generated separately for the water quality types, and the decision tree algorithm uses the results of the chi-square test to determine whether there is a difference in variance between the water quality types included in each separated headword Can be derived.

상기 진단의사결정부(300)는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 역할을 한다. 따라서 상기 진단의사결정부(300)에서는 목표지점의 수질이 어떠한 유형에 속하는지를(예를 들어, 유기물의 농도는 높고 영양염류의 농도는 낮은 유형) 제공하게 된다. The diagnosis decision unit 300 applies the data of the target point among the processed data to the diagnosis decision tree to derive the water quality type of the target point. Therefore, the diagnostic decision unit 300 provides a type of water quality of the target point (for example, a high concentration of organic matter and a low concentration of nutrients).

상기 예측의사결정나무 생성부(400)는 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 역할을 한다. The predictive decision tree generation unit 400 sets data of a target point among the processed data as a target variable and generates a predictive decision tree for the target variable of the target point using data corresponding to a point upstream of the target point as a separation criterion And to generate predictive decision trees that predict quantitative ranges.

상기 예측의사결정나무 생성부(400)는 목표지점의 수질예측 결과를 제공하기 위한 예측의사결정나무를 생성하기 위한 것으로서, 진단의사결정나무 생성부(200)에서와 마찬가지로 데이터베이스로부터 수집한 최근의 상류 및 목표지점에서의 측정자료들을 대상으로, 목표지점에서 추정하고자 하는 수질항목 각각에 대하여 예측을 위한 예측의사결정나무를 생성한다. 이 때 예측의사결정나무를 구성하기 위한 알고리즘은 CART 혹은 CHAID 알고리즘이 바람직하다. 이 때 예측의사결정나무의 분리기준은 상류의 수질측정항목 데이터로서, 예측의사결정나무를 구성하는 각각의 규칙(IF THEN)의 전반부에는 상류의 수질항목이, 후반부에는 목표지점에서의 어떤 수질항목의 값의 집합이 존재하게 된다. 예를 들어, 규칙은 (IF BOD_상류1 > A and COD 상류 2 < B, THEN BOD_목표지점 is in the range of C±D.(C is mean and D is standard deviation)와 같이 도출되게 된다. The prediction decision tree generation unit 400 generates a prediction decision tree for providing a water quality prediction result of a target point. The prediction decision tree generation unit 400 generates a prediction decision tree for providing a water quality prediction result of a target point, And a prediction decision tree for prediction is generated for each of the water quality items to be estimated at the target point on the measurement data at the target point. At this time, CART or CHAID algorithm is preferable as an algorithm for constructing a predictive decision tree. In this case, the separation criterion of the decision tree is the upper water quality measurement item data. The water quality item in the upper part of the upper part of each rule (IF THEN) constituting the prediction decision tree and the lower part of the water quality item Lt; / RTI > For example, the rule is derived as (IF BOD_ upstream 1> A and COD upstream 2 B, THEN BOD_ target point is in the range of C ± D (C is mean and D is standard deviation) .

상기 예측의사결정부(500)는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 역할을 한다. 상기 예측의사결정부(500)에서는 BOD = A ± D (A:mean, B:standard deviation)와 같은 예측결과를 도출하여 제공하게 된다. The prediction decision unit 500 applies the data of the target point among the processed data to the predictive decision tree to derive a quantitative range of the target variable of the target point. The prediction decision unit 500 derives and provides a prediction result such as BOD = A ± D (A: mean, B: standard deviation).

상기 진단의사결정부(300)는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정부(500)는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 줄 수 있다. 따라서 수계수질의 상태에 대한 진단결과 및 예측결과는 특정 프로그램으로 제작되어 보여질 수도 있고, 또는 상기 특정 프로그램이 제공하는 정보가 웹상에서 제공될 수도 있을 것이다. The diagnostic decision unit 300 displays the water quality type of the target point as a linguistic diagnosis result on the data of the target point including the concentration of organic matter and nutrients, The range of the possible values of the data of the data can be displayed as the prediction result of the format of the mean ± standard deviation. Therefore, the diagnosis result and the prediction result of the state of the water quality can be produced by a specific program, or the information provided by the specific program may be provided on the web.

도 2를 참조하여 본 발명에 의한 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법을 설명하면 다음과 같다. The water quality information providing method capable of diagnosing and predicting the water quality of the water according to the present invention will be described with reference to FIG.

제 1단계는 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공단계이다(S110). The first step is a data processing step of collecting data necessary for diagnosing and predicting the state of the water quality from the database storing the water quality measurement data, and setting the data at predetermined time intervals and processing the data at step S110.

제 2단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성단계이다(S120). 상기 진단의사결정나무 생성단계(S120)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출될 수 있다.The second step includes grouping the water quality type of the target point with respect to the target point data among the processed data, setting the grouped water quality type as the target variable, separating the data corresponding to the upstream point of the target point (S120). The diagnosis decision tree is generated in order to diagnose a water quality type of the target point based on the decision tree. The diagnostic decision tree generation step (S120) groups the water quality types of the target points by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnosis decision tree is classified into the grouped water quality The decision tree algorithm is generated by the decision tree algorithm individually for the type, and the decision tree algorithm can be derived by the following equation.

Figure 112013027083930-pat00004
Figure 112013027083930-pat00004

(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)(Where Pi is a fraction of S belonging to the i classification, A is a variable, and Sv is a subset of S when variable A has a value of v.)

또한 상기 진단의사결정나무 생성단계(S120)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출될 수 있다. In addition, the diagnostic decision tree generation step (S120) groups the water quality types of the target points by the hierarchical cluster analysis method on the data of the target point among the processed data, and the diagnosis decision trees are classified into the grouped The decision trees algorithm is generated separately for the water quality types, and the decision tree algorithm uses the results of the chi-square test to determine whether there is a difference in variance between the water quality types included in each separated headword Can be derived.

제 3단계는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정단계이다(S130).The third step is a diagnosis decision step (S130) of applying the data of the target point among the processed data to the diagnosis decision tree to derive the water quality type of the target point.

제 4단계는 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성단계이다(S140).In the fourth step, the data of the target point among the processed data is set as the target variable, and the predicted range of the target variable of the target point is estimated using the data corresponding to the upstream point of the target point as the separation criterion And a predictive decision tree generation step for generating a decision tree (S140).

제 5단계는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정단계이다(S150). 상기 진단의사결정단계(S130)는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정단계(S150)는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 줄 수 있다.The fifth step is a prediction decision step (S150) of applying the data of the target point among the processed data to the predictive decision tree to derive a quantitative range of the target variable of the target point. The diagnostic decision step S130 displays the water quality type of the target point as a linguistic diagnosis result on the data of the target point including the concentrations of the organic matter and the nutrients, The range of the possible values of the data of the data can be displayed as the prediction result of the format of the mean ± standard deviation.

그리고 진단의사결정나무 생성단계(S120) 및 진단의사결정단계(S130)와, 진단의사결정단계(S130) 및 예측의사결정단계(S150)의 순서는 뒤바뀌어도 무방하다. 즉, 진단 및 예측의 순서는 상관없다는 것이다. The order of the diagnostic decision tree generation step S120 and the diagnostic decision step S130, the diagnostic decision step S130 and the prediction decision step S150 may be reversed. That is, the order of diagnosis and prediction is irrelevant.

이하, 실시예를 기준으로 본 발명에서 언급하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법을 설명하기로 한다. Hereinafter, a water quality information providing method capable of diagnosing and predicting the water-based water quality state referred to in the present invention will be described with reference to examples.

본 실시예에서 대상 목표지점은 낙동강 하류의 구포 지점이 될 수 있으며, 이러한 경우 목표지점의 상류지점으로는 환경부의 국가측정망인 낙본-K 지점과 낙본-L 지점이 선정될 수 있다. 낙본-K 지점과 낙본-L 지점에서는 BOD, COD, SS, T-N, T-P, Chl-a, pH, 유기질소, 암모니어성질소, 아질산성질소, 질산성질소, 유기인, 용존성인을 측정하나, 그들 중 오직 BOD, COD, SS, T-N, T-P, Chl-a, pH를 1주일에 1회 측정하고 나머지 항목들을 1개월에 1회 측정하는 경우에는, 본 발명에 사용할 데이터는 의사결정나무의 신뢰성을 획득하기 위하여 1주일에 1회 측정하는 BOD, COD, SS, T-N, T-P, Chl-a, pH만을 선별하여 1주일에 1 셋의 측정치가 존재하도록 준비하는 것이 바람직하다.In this embodiment, the target target point may be a Gupo point downstream of the Nakdong River, and in this case, the national observation network of the Ministry of Environment, Kwak-K and Kwang-L, may be selected as the upstream points of the target point. PH, organic nitrogen, ammonia nitrogen, nitrite nitrogen, nitrate nitrogen, organic phosphorus, and dissolved adults are measured at the K-point and the parabolic-L point, but the BOD, COD, SS, TN, TP, Chl- In the case of measuring only BOD, COD, SS, TN, TP, Chl-a, pH once a week and measuring the remaining items once a month, the data to be used in the present invention, It is preferable to select only BOD, COD, SS, TN, TP, Chl-a and pH which are measured once a week so as to obtain one set of measurement values per week.

이렇게 준비된 데이터셋은 진단의사결정부(300) 및 예측의사결정부(500)에 입력되어 본 발명의 목적을 달성하기 위한 예측 결과와 진단 결과를 제공하게 된다. 여기서 진단의사결정부(300)는 진단의사결정나무 생성부(200)에 의하여 생성되어 제공되는 진단의사결정나무에 의하여 목표지점의 수질에 대한 정성적이며 언어적인 진단결과를 제공하는 것을 특징으로 하며, 본 발명의 실시예에 따르면, "구포 지점의 현재 수질은 [유기물의 농도는 높고 영양염류의 농도는 낮은 유형]입니다."와 같은 수질 진단 결과를 제공해 줄 수 있다. 또한 예측의사결정부(500)는 예측의사결정나무 생성부(400)에서 생성되어 제공되는 예측의사결정나무에 의하여 목표지점의 수질에 대한 정량적인 범위를 예측하여 제공하는 것을 특징으로 하며, 본 발명의 실시예에 따르면, "구포 지점의 현재 수질은 [5.41.2 ppm 의 범위에 존재]합니다."와 같은 정량적이며 현실성 있는 예측 결과를 제공해 줄 수 있다. The data set thus prepared is input to the diagnostic decision unit 300 and the prediction decision unit 500 to provide a prediction result and a diagnostic result to achieve the object of the present invention. Here, the diagnostic decision-making unit 300 is characterized in that it provides a qualitative and linguistic diagnosis result on the water quality of the target point by the diagnostic decision tree generated and provided by the diagnostic decision tree generating unit 200 According to the embodiment of the present invention, the present water quality of the Gupo branch can provide a result of the water quality diagnosis such as [the concentration of the organic matter is high and the concentration of the nutrient salt is low]. The prediction decision unit 500 predicts and provides a quantitative range of the water quality of the target point by the prediction decision tree generated and provided by the prediction decision tree generation unit 400, , It is possible to provide quantitative and realistic prediction results such as "the present water quality of Gupo branch is in the range of 5.41.2 ppm".

좀 더 구체적으로 살펴보면, 선별 또는 가공된 데이터(BOD, COD, SS, T-N, T-P, Chl-a, pH) 중에서 목표지점의 수질인 구포지점의 BOD, COD, T-N, T-P, pH만을 선별하고, 아래 [표 1] 및 [표 2]와 같이 계층적 군집분석법에 의해 7가지 유형으로 그룹화한다. [표 1]은 구포지점의 수질로부터 그룹화된 7가지 수질유형 및 각 항목당 평균값을 나타내고, [표 2]는 수질유형에서의 수질오염도의 등급을 나타낸다. (BOD, COD, TN, TP, pH) at the Gupo site, which is the water quality of the target point, is selected from among the selected or processed data (BOD, COD, SS, TN, TP, Chl-a and pH) Grouped into seven types by hierarchical cluster analysis method as shown in [Table 1] and [Table 2] below. [Table 1] shows the seven water quality types grouped from the water quality of Gupo branch and the average value per item, and [Table 2] shows the degree of water pollution degree in the water quality type.

Figure 112013027083930-pat00005
Figure 112013027083930-pat00005

Figure 112013027083930-pat00006
Figure 112013027083930-pat00006

이후 상류지점인 낙본-L 지점의 BOD, pH, SS, TOC, EC, T-N를 분리기준으로 설정하고, [표 1]의 그룹 중 1, 2, 4, 5유형을 진단하기 위해 진단의사결정나무를 도 3과 같이 생성하였다. 여기서 도 3은 구포지점의 수질유형을 진단하기 위한 진단의사결정나무를 나타낸다. 따라서 도 3을 통해 알 수 있듯이, 진단의사결정나무를 통해 "해당 목표지점(구포)의 수질은 [모든 오염물질의 농도가 낮은 유형]입니다."와 같은 진단 결과를 제공하게 된다. After that, the BOD, pH, SS, TOC, EC, and TN of the upper part of the sampler-L were set as the separation criterion, and the diagnostic decision trees 1, 2, 4, As shown in FIG. Here, FIG. 3 shows a diagnostic decision tree for diagnosing the water quality of the Gupo branch. Thus, as can be seen from FIG. 3, the diagnostic decision trees provide a diagnostic result such as "the water quality of the target point (Gupo) is [low concentration of all pollutants]. &Quot;

또한, 상기 예측의사결정부(500)에서 예측결과를 도출하는데 사용되는 규칙의 집합인 예측의사결정나무는 예측의사결정나무 생성부(400)에서 생성되는데, 이는 진단의사결정나무 생성부(200)에서와 마찬가지로 사전에 설정된 최근으로부터의 일정 측정기간에 목표지점 및 그 상류의 하나 혹은 그 이상의 지점에서 측정된 수질항목 측정 결과들을 호출해서 가장 짧은 측정구간별로 공통적으로 존재하는 수질항목들을 선별하여 측정시점 당 하나의 데이터셋으로 구성하는 것을 특징으로 하는 기능을 사용하여 예측의사결정나무 생성부(400)가 구동되게 된다. 예측의사결정나무 생성부(400)에 의해 진행되는 예측의사결정나무 생성단계를 설명하면, 준비된 데이터셋에서 일정 시간구간에 목표지점 및 하나 혹은 그 이상의 상류지점에서 측정된 수질측정데이터을 선별하고, 뒤이어 예측하고자 하는 각각의 목표변수 별로 예측을 위한 예측의사결정나무를 구성함에 있어, 예측하고자 하는 수질항목을 목표변수로 하고 데이터가공부(100)에 의하여 준비되어 있던 데이터셋의 상류 지점의 수질측정데이터들을 분리기준으로 하여 예측을 위한 예측의사결정나무를 생성하는 된다. The prediction decision tree, which is a set of rules used to derive a prediction result from the prediction decision unit 500, is generated in the prediction decision tree generation unit 400, , The water quality item measurement results measured at one or more points of the target point and upstream of the predetermined point in time from the preset point of time are called up to select the water quality items common to the shortest measurement interval, The predictive decision tree generating unit 400 is driven using the function of configuring the predictive decision tree generating unit 400 as one data set. The prediction decision tree generation step performed by the prediction decision tree generation unit 400 will now be described. Water quality measurement data measured at a target point and one or more upstream points in a predetermined time interval in a prepared data set are selected, In constructing a predictive decision tree for prediction for each target variable to be predicted, it is assumed that the water quality item to be predicted is a target variable, and the data of the water quality measurement data at the upstream point of the data set prepared by the data study (100) The prediction decision tree for prediction is generated based on the separation criterion.

따라서 상기 예측의사결정나무 생성부(400)의 바람직한 실시예에 의한 결과로서, 수영강 하류("하류")의 일정 지점의 수질은 그로부터 상류 지점에 존재하는 "상류1" 지점의 수질과 수영강으로 하수처리장 유출수질이 방류되어 합류하는 지점에서 측정된 수질("합류지점")을 사용하여 예측을 위한 예측의사결정나무를 구성하게 되는데, 이의 결과로서 도 4, 도 5, 도 6과 같은 각 수질항목당 예측을 위한 의사결정나무가 도출되게 된다. 여기서, 도 4는 수영강 하류지점의 BOD농도를 예측하기 위한 예측의사결정나무이고, 도 5는 수영강 하류지점의 T-N농도를 예측하기 위한 예측의사결정나무이고, 도 6은 수영강 하류지점의 T-P농도를 예측하기 위한 예측의사결정나무를 나타낸다. Accordingly, as a result of the preferred embodiment of the predictive decision tree generation unit 400, the water quality at a certain point downstream of the swimming river (the " downstream " 4, 5, and 6 as a result of the above-described method, the predicted decision tree for prediction is constructed using the measured water quality ("joining point") at the point where the effluent water quality of the sewage treatment plant is discharged and merged. Decision trees for forecasting water quality items are derived. FIG. 4 is a prediction decision tree for predicting the BOD concentration at the lower part of the swimming river, FIG. 5 is a prediction decision tree for predicting the TN concentration at the lower part of the swimming river, and FIG. And a prediction decision tree for predicting the TP concentration.

따라서 도 4 내지 도 6에서와 같은 예측을 위한 예측의사결정나무는 본 발명의 예측의사결정부(500)에 사용되어 "해당 목표지점의 BOD 수질은 4.333±0.208의 범위에 존재합니다"와 같은 예측 결과를 제공할 수 있는 것이다. Therefore, the prediction decision tree for prediction as shown in FIG. 4 to FIG. 6 is used in the prediction decision unit 500 of the present invention, and a prediction such as "the BOD water quality of the target point exists in the range of 4.333 +/- 0.208" The results can be provided.

이상의 설명은 본 발명을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다. 따라서 본 명세서에 개시된 실시예들은 본 발명을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 사상과 범위가 한정되는 것은 아니다. 본 발명의 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.While the present invention has been described with reference to exemplary embodiments, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. Therefore, the embodiments disclosed in the present specification are intended to illustrate rather than limit the present invention, and the scope and spirit of the present invention are not limited by these embodiments. The scope of the present invention should be construed according to the following claims, and all the techniques within the scope of the present invention should be construed as being included in the scope of the present invention.

10: 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템
100: 데이터가공부
200: 진단의사결정나무 생성부
300: 진단의사결정부
400: 예측의사결정나무 생성부
500: 예측의사결정부10: Water quality information providing system capable of diagnosis and prediction of water quality
100: Data study
200: diagnosis decision tree generation unit
300: diagnosis decision unit
400: prediction decision tree generation unit
500: prediction decision unit

Claims (8)

수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공부;
상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성부;
상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정부;
상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성부; 및
상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정부;를 포함하되,
상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함하는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
Collecting data necessary for diagnosing and predicting the state of the water quality from a database storing the water quality measurement data, and setting the data at predetermined time intervals and processing the data;
Grouping the water quality type of the target point with respect to the data of the target point among the processed data, setting the grouped water quality type as the target variable, and using the data corresponding to the upstream point of the target point as the separation criterion A diagnostic decision tree generating unit for generating a diagnostic decision tree for diagnosing the water quality type of the target point;
A diagnostic decision unit for applying the data of the target point among the processed data to the diagnosis decision tree to derive the water quality type of the target point;
A predictive decision tree for predicting a quantitative range of a target variable of the target point by using data corresponding to a target point among the processed data as a target variable and data corresponding to an upstream point of the target point as a separation criterion A prediction decision tree generation unit for generating a prediction decision tree; And
And a prediction decision unit applying data of a target point among the processed data to the predictive decision tree to derive a quantitative range of a target variable of the target point,
Wherein the processed data includes at least one of BOD, COD, SS, TN, TP, STN, STP, NH 4 + N, NO X -N, PO 4 -P and GHI- Water quality information providing system capable of diagnosis and prediction of water quality.
제 1항에 있어서,
상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
Figure 112013027083930-pat00007

(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
The method according to claim 1,
Wherein the diagnostic decision tree generation unit groups the water quality types of the target point by the hierarchical cluster analysis method on the data of the target point among the processed data and the diagnosis decision tree is classified into individual Wherein the decision tree algorithm is generated by a decision tree algorithm, and the decision tree algorithm is derived by the following equation.
Figure 112013027083930-pat00007

(Where Pi is a fraction of S belonging to the i classification, A is a variable, and Sv is a subset of S when variable A has a value of v.)
제 1항에 있어서,
상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
The method according to claim 1,
Wherein the diagnostic decision tree generation unit groups the water quality types of the target point by the hierarchical cluster analysis method on the data of the target point among the processed data and the diagnosis decision tree is classified into individual And the decision tree algorithm is derived using a chi-square test that takes as a measure whether there is a difference in variance between the water quality types included in each of the separated end words. Water quality information system capable of diagnosing and predicting the water quality of the water.
제 2항 또는 제 3항에 있어서,
상기 진단의사결정부는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정부는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
The method according to claim 2 or 3,
Wherein the diagnostic decision unit displays the water quality type of the target point as a linguistic diagnosis result on the data of the target point including the concentration of the organic matter and the nutrient salt and the prediction decision unit determines the range of possible values of the data of the target point Is displayed as a prediction result of the format of the mean ± standard deviation. The water quality information providing system capable of diagnosing and predicting the water quality of the water quality.
데이터가공부가 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공단계;
진단의사결정나무 생성부가 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성단계;
진단의사결정부가 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정단계;
예측의사결정나무 생성부가 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성단계; 및
예측의사결정부가 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정단계;를 포함하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
A data processing step of collecting data necessary for diagnosing and predicting a water quality of a water quality from a database storing data of water quality studying and setting the data at predetermined time intervals and processing the data;
Wherein the diagnostic decision tree generating unit groups the water quality types of the target points with respect to the data of the target point among the processed data, sets the grouped water quality types as target variables, Generating a diagnostic decision tree for diagnosing a water quality type of the target point on the basis of a separation criterion;
A diagnostic decision step of applying a data of a target point among the processed data to the diagnosis decision tree to derive a water quality type of the target point;
The predictive decision tree generation unit assumes the data of the target point among the processed data as the target variable and predicts the quantitative range of the target variable of the target point with the data corresponding to the upstream point of the target point as the separation criterion A prediction decision tree generation step of generating a prediction decision tree; And
And a prediction decision step of applying a data of a target point among the processed data to the prediction decision tree to derive a quantitative range of a target variable of the target point from the processed data, And providing predictable water quality information.
제 5항에 있어서,
상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
Figure 112013027083930-pat00008

(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
6. The method of claim 5,
Wherein the diagnostic decision tree generation step groups the water quality types of the target points for the target point data among the processed data by a hierarchical cluster analysis method, Wherein the decision tree algorithm is generated separately by a decision tree algorithm, and the decision tree algorithm is derived by the following equation.
Figure 112013027083930-pat00008

(Where Pi is a fraction of S belonging to the i classification, A is a variable, and Sv is a subset of S when variable A has a value of v.)
제 5항에 있어서,
상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
6. The method of claim 5,
Wherein the diagnostic decision tree generation step groups the water quality types of the target points for the target point data among the processed data by a hierarchical cluster analysis method, The decision trees algorithm is generated individually by a decision tree algorithm. The decision tree algorithm is derived by using a chi-square test result in which a difference in dispersion among the water quality types included in each of the separated end words is used as a measure Wherein the water quality information includes at least one of water quality information and water quality information.
제 6항 또는 제 7항에 있어서,
상기 진단의사결정단계는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정단계는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
8. The method according to claim 6 or 7,
Wherein the diagnostic decision step displays the water quality type of the target point as a linguistic diagnostic result on the data of the target point including the concentration of the organic matter and the nutrient salt, Is displayed as a result of a prediction of the format of mean + standard deviation.
KR1020130033628A 2013-03-28 2013-03-28 System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state KR101432437B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020130033628A KR101432437B1 (en) 2013-03-28 2013-03-28 System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state
PCT/KR2013/002613 WO2014157753A1 (en) 2013-03-28 2013-03-29 System and method for providing water quality information capable of diagnosing and predicting state of water quality of water system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130033628A KR101432437B1 (en) 2013-03-28 2013-03-28 System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state

Publications (1)

Publication Number Publication Date
KR101432437B1 true KR101432437B1 (en) 2014-08-21

Family

ID=51624705

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130033628A KR101432437B1 (en) 2013-03-28 2013-03-28 System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state

Country Status (2)

Country Link
KR (1) KR101432437B1 (en)
WO (1) WO2014157753A1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101987897B1 (en) 2018-11-28 2019-06-11 부산가톨릭대학교 산학협력단 A Process performance monitoring system of wastewater treatment plant
KR20200064237A (en) 2018-11-28 2020-06-08 부산가톨릭대학교 산학협력단 A wastewater treatment plant operation control system
WO2020116727A1 (en) * 2018-12-04 2020-06-11 주식회사 엘지생활건강 Ultraviolet protection factor calculating apparatus and ultraviolet protection factor calculating method

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10458969B2 (en) 2016-03-22 2019-10-29 International Business Machines Corporation Dynamic water quality prediction
CN111310788B (en) * 2020-01-15 2023-06-09 广东奥博信息产业股份有限公司 Water pH value prediction method based on parameter optimization
CN111579547A (en) * 2020-04-17 2020-08-25 北京农业智能装备技术研究中心 Water body COD rapid detection method and device
CN112819244B (en) * 2021-02-23 2022-06-21 浙江大学 Meteorological factor-based RF-HW water quality index hybrid prediction method
CN113344130B (en) * 2021-06-30 2022-01-11 广州市河涌监测中心 Method and device for generating differentiated river patrol strategy

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100866909B1 (en) 2007-06-05 2008-11-04 연세대학교 산학협력단 Method for estimating soil ecological quality from existing soil environmental data
KR20120089888A (en) * 2010-12-17 2012-08-16 한국수자원공사 Configuration method of the optimal water quality monitoring network and decision supporting system the same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101237444B1 (en) * 2010-06-29 2013-02-26 부산대학교 산학협력단 A system and method for diagnosis algorithm development at wastewater treatment plant operation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100866909B1 (en) 2007-06-05 2008-11-04 연세대학교 산학협력단 Method for estimating soil ecological quality from existing soil environmental data
KR20120089888A (en) * 2010-12-17 2012-08-16 한국수자원공사 Configuration method of the optimal water quality monitoring network and decision supporting system the same

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101987897B1 (en) 2018-11-28 2019-06-11 부산가톨릭대학교 산학협력단 A Process performance monitoring system of wastewater treatment plant
KR20200064237A (en) 2018-11-28 2020-06-08 부산가톨릭대학교 산학협력단 A wastewater treatment plant operation control system
WO2020116727A1 (en) * 2018-12-04 2020-06-11 주식회사 엘지생활건강 Ultraviolet protection factor calculating apparatus and ultraviolet protection factor calculating method
KR20200067493A (en) * 2018-12-04 2020-06-12 주식회사 엘지생활건강 Ultraviolet barrier index calculating device and ultraviolet barrier index calculating method
KR102242993B1 (en) * 2018-12-04 2021-04-21 주식회사 엘지생활건강 Ultraviolet barrier index calculating device and ultraviolet barrier index calculating method

Also Published As

Publication number Publication date
WO2014157753A1 (en) 2014-10-02

Similar Documents

Publication Publication Date Title
KR101432437B1 (en) System and method for providing waterquality information capable of diagnosis and prediction of watersystem waterquality state
Sanz et al. Leak detection and localization through demand components calibration
CN110398320B (en) Gas leakage detection positioning method and system easy for continuous optimization
Moatar et al. Compared performances of different algorithms for estimating annual nutrient loads discharged by the eutrophic River Loire
CN111898691A (en) River sudden water pollution early warning tracing method, system, terminal and medium
CN110242865B (en) Gas leakage detection and judgment method and system easy for continuous optimization
Zacharias et al. Robust quantitative techniques for validating pesticide transport models
Shuang et al. Review of the quantitative resilience methods in water distribution networks
Nguyen et al. Development of the typical driving cycle for buses in Hanoi, Vietnam
Houston et al. Applying quality assurance procedures to environmental monitoring data: a case study
US20180246780A1 (en) System and method for automated and intelligent quantitative risk assessment of infrastructure systems
Whittier et al. The surface waters component of the Environmental Monitoring and Assessment Program (EMAP): an overview
Da Silva et al. Use of sustainability indicators in strategic environmental assessment processes conducted in Brazil
CN116415481A (en) Regional landslide hazard risk prediction method and device, computer equipment and storage medium
CN115100819B (en) Landslide hazard early warning method and device based on big data analysis and electronic equipment
Kalair et al. Dynamic and interpretable hazard-based models of traffic incident durations
Fleischer et al. An adjustment of benthic ecological quality assessment to effects of salinity
Sheppard et al. Bayesian diagnosis and prognosis using instrument uncertainty
Wagner et al. The statistical power to detect cross‐scale interactions at macroscales
Stevenson et al. Designing data collection for ecological assessments
Hébert et al. The L iving P lanet I ndex's ability to capture biodiversity change from uncertain data
Pickett et al. The design of cost-effective air quality monitoring networks
Moasheri et al. ‘SAR’qualities parameter persistence by a compound method of geostatic and artificial neural network (Case study of Jiroft plain)
Tokede et al. Problematic consequences of the inclusion of capital goods inventory data in Environmental Product Declarations
Averty et al. An ordered logit model of air traffic controllers conflict risk judgment

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170804

Year of fee payment: 4