KR102346272B1 - 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치 - Google Patents

조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치 Download PDF

Info

Publication number
KR102346272B1
KR102346272B1 KR1020200183272A KR20200183272A KR102346272B1 KR 102346272 B1 KR102346272 B1 KR 102346272B1 KR 1020200183272 A KR1020200183272 A KR 1020200183272A KR 20200183272 A KR20200183272 A KR 20200183272A KR 102346272 B1 KR102346272 B1 KR 102346272B1
Authority
KR
South Korea
Prior art keywords
algae
information
electronic device
concentration
chlorophyll
Prior art date
Application number
KR1020200183272A
Other languages
English (en)
Inventor
김유빈
배재연
박시형
Original Assignee
주식회사 더로드
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 주식회사 더로드 filed Critical 주식회사 더로드
Priority to KR1020200183272A priority Critical patent/KR102346272B1/ko
Application granted granted Critical
Publication of KR102346272B1 publication Critical patent/KR102346272B1/ko

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1826—Organic contamination in water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Emergency Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Toxicology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법에 관한 것이다. 일 실시 예에 의하면, 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법은 상기 전자 장치와 연결된 상기 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하는 단계; 상기 획득된 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델로부터 상기 엽록소의 농도를 획득하는 단계; 상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하는 단계; 및 상기 예측된 조류 발생 확률에 대한 정보를 출력하는 단계; 를 포함할 수 있다.

Description

조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치 {APPARATUS AND METHOD FOR PREDICTING CONCENTRATION OF ALGAL}
본 개시는 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 보다 상세하게는 조류 농도를 예측함으로써 수질 정보를 제공하는 방법 및 이를 수행하는 전자 장치에 관한 것이다.
4차 산업 혁명시대가 도래함에 따라 수질오염의 문제가 대두되고 있다. 공공수역으로 배출되는 오염 물질의 유출 특성은 다양하며 하천, 호소의 수질 관리를 위해서는 현재의 수질 상태를 정확히 파악함과 함께 변화 양상을 정확히 예측하기 위한 기술개발이 요구되고 있다.
수질 오염의 대표적인 예로, 녹조(Green Tide)는 플랑크톤이라고 부르는 조류가 과다 번식해서 물이 청남색 혹은 녹색을 띄는 경우로, 국내의 경우 남조류가 녹조를 일으키는 것으로 알려져 있으며, 그 중에서도 독소를 생성하는 유해 남조류가 과잉되는 경우 녹조의 위험성은 매우 커질 수 있다.
녹조와 같은 문제가 발생하게 될 경우, 수중 생태계가 파괴됨과 함께 인간의 주요 식수원이 오염되는 문제가 있다. 따라서, 이러한 녹조를 해결하기 위한 다양한 기술들이 개발되었으나, 대부분의 기술들은 녹조가 발생한 이후의 녹조 제거가 가능할 뿐 사전 예측을 통한 녹조 발생을 원천적으로 차단하지 못하는 한계가 있다. 따라서, 녹조를 발생시키는 조류의 농도를 측정하고, 측정된 자료를 기초로 수질 정보를 예측하기 위한 기술 개발이 요구되고 있다.
한국등록특허 제1384971호
일 실시 예에 의하면, 대상 수중 지역 내 조류의 농도를 예측하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
일 실시 예에 의하면, 대상 수중 지역 내 조류를 모니터링함으로써 수질 정보를 제공하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시 예에 의하면, 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법은 상기 전자 장치와 연결된 상기 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하는 단계; 상기 획득된 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델로부터 상기 엽록소의 농도를 획득하는 단계; 상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하는 단계; 및 상기 예측된 조류 발생 확률에 대한 정보를 출력하는 단계; 를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 또 다른 실시 예에 의하면, 대상 수중 지역 내 조류의 농도를 예측하는 전자 장치에 있어서, 네트워크 인터페이스; 디스플레이; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 전자 장치와 연결된 상기 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하고, 상기 획득된 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델로부터 상기 엽록소의 농도를 획득하고, 상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하고, 상기 예측된 조류 발생 확률에 대한 정보를 출력하는, 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로써, 또 다른 실시 예에 의하면, 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법에 있어서, 상기 전자 장치와 연결된 상기 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하는 단계; 상기 획득된 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델로부터 상기 엽록소의 농도를 획득하는 단계; 상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하는 단계; 및 상기 예측된 조류 발생 확률에 대한 정보를 출력하는 단계; 를 포함하는 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
일 실시 예에 의하면 조류의 농도를 효과적으로 예측할 수 있다.
일 실시 예에 의하면, 인공 지능 모델을 이용하여 조류 농도 변화를 효과적으로 예측할 수 있다.
도 1은 일 실시 예에 따라 전자 장치가 대상 수중 지역 내 수질 정보를 제공하는 과정을 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하고, 예측된 조류의 농도를 기초로 알람 정보, 대비 정보를 출력하는 과정을 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법의 흐름도이다.
도 4는 일 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하고, 예측된 조류의 농도에 기초하여 수질 정보를 제공하는 과정을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 전자 장치가 제공하는 수질 정보를 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 전자 장치가 제공하는 수질 정보를 설명하기 위한 도면이다.
도 7은 또 다른 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측한 결과를 이용하는 예를 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 전자 장치의 블록도이다.
도 9는 일 실시 예에 따른 서버의 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따라 전자 장치가 대상 수중 지역 내 수질 정보를 제공하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 대상 수중 지역 내 설치된 관측소(102)로부터 대상 수중 지역의 조류 정보(103)를 획득하고, 획득된 조류 정보(103)를 모니터링할 수 있다. 전자 장치(1000)는 획득된 조류 정보를 인공 지능 모델에 입력함으로써 대상 수중 지역 내 조류의 농도를 예측할 수 있다. 전자 장치(1000)는 예측된 조류의 농도에 기초하여, 조류 발생 확률 또는 녹조 발생 확률을 결정하고, 조류 발생 확률 또는 녹조 발생 확률이 소정의 임계치 이상인 경우 알람 정보, 대비 정보, 대책 정보 중 적어도 하나를 출력할 수 있다.
일 실시 예에 의하면, 알람 정보는 조류 발생 또는 녹조 발생에 따라 사용자들에게 위험을 알리기 위한 시각적, 청각적 컨텐츠를 포함할 수 있다. 또한, 일 실시 예에 의하면, 대비 정보 또는 대책 정보는 조류 발생 또는 녹조 발생 시 조류 또는 녹조를 제거하기 위한 행동 요령, 정부 기관의 대책 요령 등에 대한 정보를 더 포함할 수도 있다.
전자 장치(1000)는 예측된 조류 농도에 기초하여 조류 발생 확률을 결정할 수 있다. 예를 들어, 조류 발생 확률은 조류 농도에 기초한 녹조 발생 확률을 의미할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 조류 발생 확률이 소정의 임계치 이상인 경우, 녹조 발생 위험이 있는 것으로 결정하고, 녹조 발생과 관련된 알람 정보, 녹조 발생 시 녹조로 인한 피해를 최소화 하기 위한 대책 대비 정보 등을 출력할 수 있다.
도 2는 일 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하고, 예측된 조류의 농도를 기초로 알람 정보, 대비 정보를 출력하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 프로세서(110), 메모리(120) 및 네트워크 인터페이스(미도시)를 포함할 수 있다. 일 실시 예에 의하면, 프로세서(110)는 메모리(120)내 하나 이상의 인스트럭션을 실행함으로써 전자 장치(1000)내 구성들의 전반적인 동작을 제어할 수 있다. 일 실시 예에 의하면, 프로세서(110)는 전자 장치(1000) 내 구성들을 제어함으로써, 관측소로부터 조류 정보를 획득하고, 획득된 조류 정보에 기초하여, 관측된 시점 이후의 조류 농도를 예측하며, 조류 발생 확률을 결정하고, 조류 발생 확률에 따른 소정의 알람 정보(108) 및 대비 정보(109)를 출력할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 딥러닝 기반의 인공 지능 모델 또는 인공 신경망 모델을 포함할 수 있다. 일 실시 예에 의하면, 인공 지능 모델은 인공 지능 학습 알고리즘에 따라 학습될 수 있는 인공 지능 모델일 수 있다. 일 실시 예에 의하면, 인공 지능 모델은 RNN (Recurrent Neural Network)을 포함할 수도 있다. 예를 들어, 인공 지능 모델은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 역시 이에 한정되는 것은 아니다.
인공 지능 모델은 적어도 하나의 레이어들 및 상기 레이어들의 연결 강도에 관한 가중치를 포함할 수 있다. 인공 지능 모델은 가중치를 수정 및 갱신함으로써 학습될 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 복수의 관측소(102)로부터 소정의 조류 정보들을 기 설정된 주기로 획득하고, 획득된 조류 정보에 기초하여 인공 지능 모델을 학습시킬 수 있다. 전자 장치(1000)가 학습시키는 인공 지능 모델(122)은 조류 정보(104)가 입력되면, 조류 발생 확률을 출력할 수 있다. 또 다른 예에 의하면 인공 지능 모델(122)은 관측소 정보가 획득된 현재 시점으로부터 소정의 시간이 경과한 미래 시점에서의 조류 농도를 출력할 수도 있다.
전자 장치(1000)는 조류 발생 확률(106)값에 기초하여, 알람 정보(108) 또는 대비 정보(109) 중 적어도 하나를 결정하고, 결정된 알람 정보(108) 또는 대비 정보(109)중 적어도 하나를 출력할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델(122)을 이용하여 조류 농도를 시간의 흐름에 따라 시계열적 데이터로 출력할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델(122)로부터 출력된 조류 발생 확률(106)를 피드백 데이터로 활용할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 알람 정보(108) 또는 대비 정보(109)중 적어도 하나를 피드백 데이터로 활용하여 인공 지능 모델(122)을 재 학습시킬 수도 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델(122)로부터 출력된 조류 농도를 피드백 데이터로 활용하여 인공 지능 모델을 재 학습시킬 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는, 디지털 카메라, 모바일 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)와 연동함으로써, 대상 수중 지역으로부터 조류 정보를 획득하고, 획득된 조류 정보를 분석할 수도 있다. 예를 들어, 전자 장치(1000)는 서버(2000)와 연동함으로써 조류 정보를 분석하고, 분석된 조류 정보에 기초하여 조류 농도를 예측할 수도 있다. 일 실시 예에 의하면, 서버(2000)는 전자 장치(1000)와 네트워크를 통하여 통신 연결되고, 데이터를 송수신할 수 있는 기타 컴퓨팅 장치를 포함할 수 있다.
일 실시 예에 의하면, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.
도 3은 일 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법의 흐름도이다.
S210에서, 전자 장치(1000)는 전자 장치와 연결된 상기 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득할 수 있다. 일 실시 예에 의하면, 조류 정보는 대상 수중 지역의 측정소로부터 엽록소 농도, 수온, 전기 전도도, Ph 농도, 용존산소량, 탁도, 공기 온도, 강수량, 풍속, 풍향, 습도, 증기압, 이슬점, 대기압, 해수면기압, 조도, 일조량, 지면 온도, 해수면으로부터 소정의 깊이에 해당하는 수중 온도 중 적어도 하나를 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 미리 설정된 주기에 따라 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 15분 주기로 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득할 수 있다. 또한, 전자 장치(1000)가 획득하는 조류 정보, 또는 조류 정보 내 인자들은 시간의 흐름에 따라 변하는 시계열 데이터일 수 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 복수의 측정소들이 설치된 복수의 대상 수중 지역들에 대한 조류 정보를 획득할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 서로 다른 주기에 기초하여, 복수의 측정소들로부터 조류 정보를 획득할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)가 공장이 없는 시골 지역에 설치된 관측소로부터 조류 정보를 획득하는 주기는, 공장이 밀집하여 수질 오염의 위험이 높은 지역에 설치된 관측소로부터 조류 정보를 획득하는 주기 보다 길 수 있다. 전자 장치(1000)는 수질 오염의 위험이 높은 지역에 대해서는 짧은 주기로 조류 정보를 모니터링함으로써, 모니터링에 소요되는 비용을 감소시키고, 오염원이 밀집한 지역에 대해서 시간적으로 더 세밀하게 관측할 수 있다.
S220에서, 전자 장치(1000)는 획득된 조류 정보에 기초하여, 조류 정보가 입력되면, 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델로부터 엽록소의 농도를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 조류 정보에 포함된 인자들 중 적어도 일부의 인자들만을 이용하여 미리 학습되는 인공 지능 모델일 수도 있다. 일 실시 예에 의하면, 엽록소의 농도는 엽록소 a(chlorophyll a) 농도를 의미할 수 있다. 일 실시 예에 의하면, 인공 지능 모델은 현재 시점으로부터 소정의 시간이 경과한 미래 시점까지, 시간의 흐름에 따른 엽록소의 농도 변화를 출력할 수도 있다.
S230에서, 전자 장치(1000)는 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 대상 수중 지역 내 조류 발생 확률을 예측할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 결정하는 조류 발생 확률은 녹조 발생 확률을 포함할 수 있다. S240에서, 전자 장치(1000)는 예측된 조류 발생 확률 값을 출력할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 예측된 조류 발생 확률 값이 소정의 임계치 이상인 경우, 알람 정보 또는 대비 정보 중 적어도 하나를 포함하는 조류 발생 관련 컨텐츠들을 생성하고, 생성된 컨텐츠들을 함께 출력할 수도 있다.
도 3에는 도시되지 않았지만, 전자 장치(1000)는 조류 발생 확률에 대한 정보를 전자 장치와 연결된 다른 전자 장치로 전송할 수도 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 조류 발생 확률 값이 소정의 임계치로 결정되는 경우, 알람 정보 또는 대비 정보를 결정하고, 상기 결정된 알람 정보 또는 대비 정보를 다른 전자 장치로 전송할 수도 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 조류 발생 확률에 대한 정보 외에 현재 시점으로부터 소정의 시간이 경과한 미래 시점까지 시계열적 데이터로 나타나는 조류 농도를 인공 지능 모델로부터 획득하고, 상기 시계열적 데이터로 나타나는 조류 농도를 전자 장치와 연결된 다른 전자 장치로 전송할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 측정소로부터 획득된 조류 인자들 사이의 상관 관계를 결정할 수 있을 뿐만 아니라, 조류 인자들의 엽록소 농도 인자에 대한 상관 관계를 결정할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 조류 인자들 사이의 상관 관계 및 조류인자들의 엽록소 농도 인자에 대한 상관 관계에 기초하여, 상관 매트릭스를 생성할 수 있다. 전자 장치(1000)는 상관 매트릭스 내 엽록소 농도에 대한 조류 인자들의 상관 계수에 기초하여, 각 조류 인자들에 대한 가중치를 설정하고, 설정된 가중치들을 조류 인자들에 적용할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 높은 상관 계수가 높은 조류 인자들에 가중치를 크게 설정하고, 상관 계수가 높은 조류 인자들에 가중치를 낮게 설정함으로써, 상관 계수가 높은 인자들을 우선적으로 이용하여 대상 수중 지역 내 조류 농도를 예측할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 관측소로부터 획득된 조류 인자들 사이의 상관 관계에 기초하여, 산점도 차트를 생성할 수 있다. 예를 들어, 전자 장치(1000)는 가로축 상에는 엽록소 농도, 총인, 총질소, 전기 전도도, 수소이온농도, 수온에 대한 조류 인자들을 배치하고, 세로축 상에는 엽록소 농도를 제외한 조류 인자들로써, 총인, 총질소, 전기 전도도, 수소이온농도, 수온에 대한 조류 인자들을 배치한 후, 세로 축 및 가로축 각각에 위치하는 인자들의 변화에 따른 두 조류 인자들 사이의 상관 관계를 산점도로 나타낼 수 있다.
예를 들어, 산점도는 2개의 조류 인자들의 조합 별로 생성될 수 있다. 전자 장치(1000)는 복수의 조류 인자들 중 2개의 조류 인자들을 추출하고, 추출된 2개의 조류 인자들에 대해, 두 조류 인자들의 변화량에 따라 달라지는 산점도를 생성할 수 있다. 전자 장치(1000)는 조류인자들 중 2개 인자들로 구성되는 조합에 대한 산점도들을 생성하고, 생성된 산점도들을 조합함으로써, 산점도 행렬을 생성할 수 있다.
전자 장치(1000)는 산점도 행렬에 기초하여, 조류 인자 내 상관 관계를 입체적으로 분석할 수 있다. 전자 장치(1000)는 산점도 행렬 내 각 산점도 차트 각각에 대하여 배경 비율 대비 산점도의 면적 비율을 결정하고, 결정된 면적 비율이 소정의 임계치 이상인 산점도들을 식별할 수 있다. 전자 장치(1000)는 관측소로부터 획득된 조류 인자들 중, 면적 비율이 소정의 임계치 이상인 산점도들을 구성하는 조류 인자들을 추출하고, 추출된 조류 인자들만을 이용하여 인공 지능 모델을 학습시킬 수 있다. 따라서, 전자 장치(1000)는 대상 수중 지역 내 조류 농도의 변화를 더 정확하게 예측할 수 있다.
도 4는 일 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하고, 예측된 조류의 농도에 기초하여 수질 정보를 제공하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 장치와 연결된 복수의 측정소(410)들로부터, 조류 정보들을 획득할 수 있다. 전자 장치(1000)는 복수의 측정소(410)들로부터 조류 정보를 획득하고, 측정소 별 시간의 흐름에 따른 조류 농도를 예측할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 복수의 측정소(410)들의 위치를 식별하고, 식별된 위치 별로 조류 농도를 예측할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)는 대상 수중 지역 내 조류의 농도를 예측하고, 예측된 조류의 농도에 기초하여 수질 정보를 결정할 수 있다. 일 실시 예에 의하면, 수질 정보는 현재 대상 수중 지역 내 조류 정보, 알람 정보, 조류 발생 확률에 대한 정보, 녹조 발생 확률에 대한 정보, 알람 정보, 대비 정보 또는 대책 정보 중 적어도 하나를 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 장치(1000)와 연결된 복수의 측정소들을 식별할 수 있다. 일 실시 예에 의하면, 전자 장치 내 사용자 입력 인터페이스에 대한 사용자 입력에 기초하여, 복수의 측정소들 중 조류 발생 확률을 예측하고자 하는 대상 수중 지역의 측정소를 식별할 수 있다. 전자 장치(1000)는 식별된 대상 수중 지역의 측정소로부터 기 설정된 주기로 조류 정보를 획득하고, 획득된 조류 정보를 전자 장치의 화면상에 출력할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은, 전자 장치와 연결된 복수의 측정소 별 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력할 수 있다. 일 실시 예에 의하면, 인공 지능 모델은 복수의 측정소 별로 결정된 엽록소의 농도에 기초하여 복수의 측정소 별 조류 발생 확률을 결정하고, 복수의 측정소 별로 결정된 조류 발생 확률에 대한 정보를 출력할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델의 녹조 발생 확률의 예측 정확도는 97%일 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 전자 장치(1000)는 복수의 측정소 별 대상 수중 지역과 관련된 뉴스 정보를 수집할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)를 통하여, 대상 수중 지역과 관련된 뉴스 정보들을 수집할 수도 있다. 전자 장치(1000)는 수집된 뉴스 정보를 인공 지능 모델을 이용하여 예측한 조류 발생 확률에 대한 정보와 함께 출력할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)는 대상 수중 지역 내 조류의 농도를 예측하기 위한 신경망 모델을 미리 학습시킬 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 전자 장치(1000)와 연결되는 복수의 측정소들로부터 실시간으로 조류 정보를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 실시간으로 획득된 조류 정보에 기초하여 신경망 모델을 학습시키고, 신경망 모델의 학습이 완료되면, 신경망 모델을 학습시키는데 사용된 조류 정보와 다른 새로운 조류 정보를 획득하고, 획득된 조류 정보에 대한 조류 발생 확률 또는 녹조 발생 확률을 결정할 수 있다.
일 실시 예에 의하면, 인공 지능 모델로부터 출력되는 엽록소 농도, 조류 발생 확률 또는 녹조 발생 확률에 관한 데이터는, 관측소로부터 데이터가 측정된 시점으로부터 소정의 시간이 경과한 시점까지의 데이터 변화량에 대한 정보를 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 인공 지능 모델로부터 수질 정보를 식별하기 위한 시간 간격, 엽록소 농도를 식별하기 위한 시간 간격, 조류 발생 확률 또는 녹조 발생 확률을 출력하기 위한 시간 간격을 미리 설정할 수 있다. 전자 장치(1000)는 상기 결정된 시간 간격에 기초하여, 녹조 발생 확률에 따라 결정된 알람 정보, 대비 정보 또는 대책 정보들을 출력할 수도 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 학습된 인공 지능 모델로부터 출력된 엽록소의 농도를 대상 수중 지역 내 실제 엽록소의 농도와 비교하고, 비교 결과에 기초하여, 인공지능 모델로부터 출력된 엽록소의 농도 및 대상 수중 지역 내 실제 엽록소의 농도의 차이가 작아지도록, 인공 지능 모델을 재 학습시킬 수도 있다.
보다 상세하게는, 전자 장치(1000)는 인공 지능 모델을 이용하여, 관측소로부터 조류 정보가 획득된 시점(t1)으로부터 소정의 시간이 경과한 시점(t2)의 조류 농도를 예측할 수 있다. 전자 장치(1000)는 상기 소정의 시간이 경과한 시점(t2)이 되면(예컨대 시점 t2가 현재 시점이 되면), 관측소로부터 실제 조류 정보를 다시 획득하고, 획득된 조류 정보 내 조류 인자들과, 스스로 예측한 조류 농도를 비교할 수 있다. 전자 장치(1000)는 시점 (t3)에서 대상 수중 지역 내 조류 농도를 예측하는 과정과 함께, 상기 시점(t2)에서 예측한 조류 농도와, 상기 시점 (t2)에서 실제 획득한 조류 정보에 기초하여 결정되는 조류 농도의 차이가 작아지도록, 인공 지능 모델을 재 학습시킴으로써, 대상 수중 지역 내 조류 농도를 실시간으로 정확하게 예측할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 측정소들로부터 획득된 조류 정보 내 복수의 인자들 중, 인자들의 상관 관계에 기초하여 소정의 인자들을 선택하고, 선택된 인자들을 포함하는 선별 조류 정보에 기초하여 복수의 신경망 모델을 동시에 학습시키고, 학습된 복수의 신경망 모델 중 정확도가 높은 소정의 신경망 모델을 선택할 수 있다. 전자 장치(1000)는 복수의 신경망 모델 각각의 정확도에 기초하여 복수의 신경망 모델들 중 하나의 신경망 모델을 선택하고, 선택된 신경망 모델에 관측소로부터 획득된 조류 정보를 입력함으로써, 대상 수중 지역 내 엽록소의 농도, 또는 조류 발생 농도를 예측할 수 있다.
보다 상세하게는, 전자 장치(1000)는 조류 정보 내 인자들 중, 엽록소 농도와 관련된 인자(예컨대 chlorophyll a) 및 상기 조류 정보 내 인자들 중 상기 엽록소 농도와 관련된 인자를 제외한 나머지 인자들과의 상관 관계에 기초하여, 상기 나머지 인자들 중 적어도 하나의 인자를 추출할 수 있다.
예를 들어, 전자 장치(1000)는 소정의 측정소로부터, 엽록소 농도(chl-a), 수온, 전기 전도도, Ph 농도, 용존산소량, 탁도, 공기 온도(air-tmp), 강수량(precipitation), 풍속(wind-speed), 풍향(wind direction), 습도(humidity), 증기압(vapor pressure), 이슬점(dew-point tmp), 대기압(spot atmospheric pressure), 해수면기압(sea-level pressure), 조도, 일조량, 지면 온도, 해수면으로부터 소정의 깊이에 해당하는 수중 온도 중 적어도 하나를 조류 인자로써 획득할 수 있다. 전자 장치(1000)는 엽록소 농도 인자 및 엽록소 농도 인자 사이의 상관 관계를 정의하고, 엽록소 농도 인자와 기타 나머지 인자들의 상관 관계를 결정할 수 있다.
일 실시 예에 의하면 전자 장치(1000)가 이용하는 인자들 간의 상관 관계는 pearson 상관 계수로 나타날 수 있다. 일 실시 예에 의하면 전자 장치(1000)가 결정한 조류 정보 내 인자들의 상관 관계는 peason 상관 계수로 나타나며 -1 내지 1의 상관 계수로 표현될 수 있다. 일 실시 예에 의하면, 조류 정보 내 인자들의 상관 계수가 1에 가까울수록 인자들의 상관 정도는 클 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 엽록소 농도 인자 및 엽록소 농도 인자 사이의 상관 정도를 상관 점수로 결정할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 조류 정보 내 두 인자들의 상관 계수가 클수록 두 인자들의 상관 점수를 크게 결정할 수 있다. 전자 장치(1000)는 상관 점수에 기초하여, 조류 정보 내 복수의 인자들 중 적어도 하나의 인자를 추출할 수 있다.
보다 상세하게는, 전자 장치(1000)는 전자 장치가 관측소로부터 획득한 조류 인자들 각각에 대한, 엽록소 농도 인자에 대한 상관 점수를 결정하고, 상관 점수에 기초하여 조류 정보 내 인자들의 우선 순위를 결정할 수 있다. 전자 장치(1000)는 결정된 우선 순위에 기초하여 관측소로부터 획득한 조류 인자들 중 적어도 하나의 인자를 추출할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 상관 점수에 기초하여 관측소로부터 획득한 인자들 중 엽록소 농도 인자, 수온 인자, 수소이온 농도 인자(pH), 총인 인자(예컨대 인(p)의 농도), 용존 산소량(DO) 인자, 총 유기탄소 인자, 총 질소 인자, 탁도 인자 및 전기 전도도 인자를 추출할 수 있다.
전자 장치(1000)는 엽록소 농도 인자에 대한, 인자들이 가지는 상관 관계에 기초하여, 조류 정보 내 복수의 인자들 중 적어도 하나의 인자를 추출하고, 추출된 적어도 하나의 인자들을 선별 조류 정보로 생성할 수 있다. 전자 장치(1000)는 소정의 선별된 선별 조류 정보에 기초하여 인공 지능 모델을 학습시킴으로써 대상 수중 지역 내 조류 농도를 더 정확하게 식별할 수 있다.
도 5는 일 실시 예에 따른 전자 장치가 제공하는 수질 정보를 설명하기 위한 도면이다.
도 5를 참조하여, 전자 장치(1000)가 제공하는 수질 정보 제공 화면을 설명하기로 한다. 일 실시 예에 의하면, 전자 장치(1000)는 지역 별로 설치되는 복수의 측정소들로부터 조류 정보를 획득하고, 획득된 조류 정보를 화면상에 지역 별로 표시할 수 있다. 전자 장치(1000)는 측정소들로부터 획득된 조류 정보 내 위치 정보를 식별하고, 식별된 위치 정보에 기초하여, 측정소들이 설치된 지역을 식별할 수 있다.
예를 들어, 전자 장치(1000)의 디스플레이상 제1 화면(610)을 참조하면, 우리나라 지도가 표시되고, 지역 별로 관측되는 조류 농도에 기초하여, 해당 지역들을 서로 다른 색상으로 표시할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 지역 별 획득된 조류 정보에 기초하여, 지역 내 수질 정보의 오염이 심한 경우 빨간색상으로 해당 지역을 표시하고, 해당 지역 내 수질 정보의 오염이 심하지 않은 경우, 해당 지역을 연두색으로 표시할 수 있다.
또한, 일 실시 예에 의하면, 전자 장치(1000)는 디스플레이 상 제2 화면상에 대상 지역 별로 수질 점수, 수질 순위, 위험도에 대한 정보를 함께 표시할 수도 있다. 예를 들어, 전자 장치(1000)는 대상 지역 별로 획득된 조류 정보에 기초하여, 대상 지역 별 수질 오염 점수(540)를 결정하고, 수질 오염 점수에 기초하여 대상 지역들에 대한 우선 순위(520)를 결정하며, 대상 지역 별 획득된 조류 정보에 기초하여 대상 지역 별 위험도(550)를 결정할 수 있다. 전자 장치(1000)는 대상 지역 별 오염 점수(540)에 따라 위험도(550)를 서로 다른 색상으로 표시할 수 있다.
일 실시 예에 의하면, 오염 점수 (540)가 높은 것으로 식별되는 경우, 위험도(550)의 색상을 빨간색으로 표시하고, 오염 점수(540)가 중간 범위로 식별되는 경우 위험도(550)를 노란색으로 표시하며, 오염 점수(540)가 낮은 경우, 위험도(550)를 연두색으로 표시할 수 있다.
도 6은 일 실시 예에 따른 전자 장치가 제공하는 수질 정보를 설명하기 위한 도면이다.
일 실시 예에 의하면 전자 장치(1000)는 인공 지능 모델을 이용하여 대상 수중 지역 내 조류 농도를 모니터링하고, 모니터링 결과에 기초하여 대상 수중 지역 내 조류 발생 확률 또는 녹조 발생 확률을 결정할 수 있다. 전자 장치(1000)는 대상 수중 지역 내 조류 발생 확률 또는 녹조 발생 확률이 소정의 임계치 이상인 경우, 녹조 발생 시 행동 요령에 관한 대비 정보를 시각적 컨텐츠로써 화면(610)상에 출력할 수 있다.
도 7은 또 다른 실시 예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측한 결과를 이용하는 예를 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 복수의 관측소(702, 704) 및 관리 장치들(710, 720)과 연결될 수 있다. 일 실시 예에 의하면 복수의 관측소 및 관리 장치들 역시 서로 통신 연결될 수 있다. 일 실시 예에 의하면, 전자 장치(1000) 및 복수의 관측소(702, 704)는 제1 네트워크를 통하여 연결되고, 복수의 관측소(702, 704)는 관리 장치들(710, 720)과 제2 네트워크를 통하여 연결될 수 있다. 일 실시 예에 의하면, 전자 장치(1000), 복수의 관측소들(702, 704) 및 관리 장치들(710, 720)은 수질 관리 시스템(700)에 포함될 수 있다. 일 실시 예에 의하면, 복수의 관측소들(702, 704) 각각은 상술한 측정소들에 대응될 수 있다.
일 실시 예에 의하면, 관리 장치들(710, 720)은 강 또는 바다에 설치된 관측소 주변의 공장, 산업 시설에 설치되는 컴퓨팅 장치일 수 있다. 일 실시 예에 의하면, 관리 장치들(710, 720)은 전자 장치(1000)로부터 조류 농도 정보, 조류 발생 확률, 녹조 발생 확률, 알람 정보, 대비 정보 등을 수신할 수 있다. 예를 들어, 관리 장치(710)가 설치된 공장으로부터 폐수와 같은 수질을 오염시킬 수 있는 오염 물질들이 배출되는 경우, 전자 장치(1000)가 관측소(702)로부터 획득한 조류 정보 내 조류의 농도가 상승될 수 있다. 전자 장치(1000)는 관측소(702)로부터 획득한 조류 정보에 기초하여, 녹조 발생 확률을 결정하고, 결정된 녹조 발생 확률이 소정의 임계치 이상으로 식별되는 경우, 관리 장치들 중, 하나인 관리 장치(710)로 경고 정보를 전송할 수 있다.
일 실시 예에 의하면, 관리 장치(710)가 설치된 오염 물질은 강의 상류에 설치된 관측소(702)에서 강의 하류에 설치된 관측소(704) 방향으로 흘러갈수록 농도가 옅어질 수 있다. 전자 장치(1000)는 관측소(702) 및 관측소(704)로부터 획득된 조류 정보 모두를 이용함으로써, 관측소(702) 내 조류 농도를 예측할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 관측소(702) 및 관측소(704)사이의 거리 및 강의 폭 정보에 기초한 수량 정보를 결정하고, 결정된 수량 정보에 기초하여 관측소(702) 에서부터 관측소(704)까지 조류 농도 기울기 변화량을 미리 결정할 수 있다.
전자 장치(1000)는 관측소(702) 및 관측소(704) 모두에서 조류 정보를 획득하고, 획득된 조류 정보 내 조류 농도 기울기를 식별한 후, 상기 식별된 조류 농도 기울기의 변화량과 기 설정된 조류 농도 기울기 변화량의 차이가 기 설정된 임계치보다 작을 경우에만 관측소(702)의 조류 정보에 기초하여, 조류 발생 확률 또는 녹조 발생 확률을 결정할 수 있다. 상술한 방법에 따라, 전자 장치(1000)는 정확하게 대상 수중 지역 내 조류의 농도를 식별할 수 있다.
도 8은 일 실시 예에 따른 전자 장치의 블록도이다.
일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나 상술한 구성에 한정되는 것은 아니며, 전자 장치(1000)는 대상 수중 지역 내 조류 농도를 에측하기 위한 더 많은 구성 요소를 포함할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)외에 사용자 입력 인터페이스 및 출력부를 더 포함할 수도 있다.
일 실시 예에 의하면, 사용자 입력 인터페이스(미도시)는 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
출력부(미도시)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있다. 예를 들어, 출력부(미도시)는 디스플레이부, 음향 출력부, 및 진동 모터를 포함할 수 있다. 예를 들어, 디스플레이부는 전자 장치(1000)에서 처리되는 정보를 표시 출력하기 위한 화면을 포함한다. 또한, 화면은 영상을 디스플레이 할 수 있다. 예를 들면, 디스플레이부(미도시)는 조류 발생 확률, 녹조 발생 확률, 조류가 발생한 것으로 식별되는 경우 이를 알리기 위한 알림 컨텐츠, 대비 정보 등에 대한 컨텐츠들이 표시될 수 있다.
음향 출력부(미도시)는 네트워크 인터페이스(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(미도시)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.
프로세서(1300)는 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력 인터페이스, 출력부, 네트워크 인터페이스(1500)의 동작을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 7에 기재된 전자 장치(1000)의 기능을 수행할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 메모리(1700) 내 하나 이상의 인스트럭션을 실행함으로써, 상기 전자 장치와 연결된 상기 대상 수중 지역의 측정소로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하고, 상기 획득된 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델로부터 상기 엽록소의 농도를 획득하고, 상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하고, 상기 예측된 조류 발생 확률에 대한 정보를 출력할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 메모리 내 하나 이상의 인스트럭션을 실행함으로써, 상기 조류 발생 확률에 대한 정보를 상기 전자 장치와 연결된 다른 전자 장치로 전송할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 예측된 조류 발생 확률이 소정의 임계 확률 이상인 경우, 조류 발생을 경고하기 위한 알람 정보를 생성하고, 상기 예측된 조류 발생 확률이 소정의 임계 확률 이상인 경우, 조류 발생을 대비하기 위한 대비 정보를 생성하고, 상기 생성된 알람 정보 및 상기 대비 정보를 출력할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 전자 장치와 연결된 복수의 측정소들을 식별하고, 상기 전자 장치에 대한 사용자 입력에 기초하여, 상기 식별된 복수의 측정소들 중 조류 발생 확률을 예측하고자 하는 대상 수중 지역의 측정소를 식별하고, 상기 식별된 대상 수중 지역의 측정소로부터 기 설정된 주기로 상기 조류 정보를 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 대상 수중 지역의 측정소로부터 엽록소 농도, 수온, 전기 전도도, Ph 농도, 용존산소량, 탁도, 공기 온도, 강수량, 풍속, 풍향, 습도, 증기압, 이슬점, 대기압, 해수면기압, 조도, 일조량, 지면 온도, 해수면으로부터 소정의 깊이에 해당하는 수중 온도 중 적어도 하나를 포함하는 조류 정보를 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 전자 장치와 연결된 복수의 측정소 별 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하고, 상기 복수의 측정소 별로 결정된 엽록소의 농도에 기초하여, 상기 복수의 측정소 별 조류 발생 확률을 결정하고, 상기 복수의 측정소 별로 결정된 조류 발생 확률에 대한 정보를 출력할 수 있다.
일 실시 예에 의하면, 프로세서(1300)는 상기 복수의 측정소 별 대상 수중 지역과 관련된 뉴스 정보를 수집하고, 상기 수집된 뉴스 정보를 상기 예측된 조류 발생 확률과 함께 출력할 수 있다.
네트워크 인터페이스(1500)는 측정소 내 장치와 연결됨으로써, 소정의 주기로 조류 정보를 획득할 수 있다. 또한, 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치(1000)가 결정한 조류 발생 알림 정보, 경고 정보, 조류 발생 시 조류 제거를 위한 대비 정보 등을 서버(2000) 또는 기타 관리 장치로 전송할 수도 있다. 일 실시 예에 의하면, 네트워크 인터페이스(1500)는 전자 장치(1000)가 예측한 조류 농도에 대한 정보를 서버(2000)로 전송할 수도 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 전자 장치가 조류 농도를 예측하기 위한 인공 지능 모델, 산점도 행렬 등을 더 저장할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수도 있다. 예를 들어, 인공 지능 모델은 CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 역시 이에 한정되는 것은 아니다.
또한, 메모리(1700)는 전자 장치(1000)가 이용하는 적어도 하나의 신경망 모델의 파라미터에 대한 정보를 더 저장할 수도 있다. 예를 들어, 메모리(1700)는 적어도 하나의 신경망 모델 내 레이어들, 노드들, 상기 레이어들의 연결 강도에 관한 가중치 값들을 저장할 수 있다. 또한, 전자 장치(1000)는 신경망 모델을 학습하기 위해 전자 장치(1000)가 생성한 학습 데이터를 더 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
도 9는 일 실시 예에 따른 서버의 블록도이다.
일 실시 예에 의하면, 서버(2000)는 프로세서(2300), 네트워크 인터페이스(2500) 및 데이터 베이스(2700)를 포함할 수 있다. 일 실시 예에 의하면, 프로세서(2300)는 데이터 베이스(2700)에 저장된 하나 이상의 인스트럭션을 수행함으로써 전자 장치와 연동하여 대상 수중 지역 내 조류의 농도를 예측하거나, 예측된 조류 농도에 기초한 컨텐츠(알림 정보, 대비 정보 등)를 생성하며, 생성된 컨텐츠들을 다른 전자 장치로 전송할 수 있다. 일 실시 예에 의하면 프로세서(2300)는 서버(2000)내 전반적인 장치의 동작을 제어할 수 있다.
네트워크 인터페이스(2500)는 전자 장치(1000)와 연동함으로써 관측소의 조류 정보들을 전자 장치로 전송하거나, 전자 장치로부터, 전자 장치(1000)가 예측한 조류 농도에 대한 정보를 수신할 수 있다. 또한, 네트워크 인터페이스(2500)는 전자 장치로부터 조류 발생 알람 정보, 조류 발생 시 이를 경감하기 위한 대책 정보, 대비 정보, 행동 요령 등에 대한 정보를 수신할 수도 있다.
데이터 베이스(2700)는 전자 장치(1000)의 메모리(1700)의 구성에 대응될 수 있다. 데이터 베이스(2700)는 전자 장치(1000)가 이용하는 인공 지능 모델, 신경망 모델, 산점도 행렬, 회귀 분석 모델 등에 대한 정보를 더 저장할 수도 있다. 서버(2000)는 전자 장치(1000)와 연동함으로써 도 1 내지 7에 도시된, 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하고 예측 결과를 기초로 수질 정보를 제공하는 방법 중 적어도 일부를 수행할 수 있다.
일 실시예에 따른 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 또한, 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법을 수행하도록 하는 프로그램이 저장된 기록 매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. 또한, 일부 실시예는 컴퓨터에 의해 실행되는 컴퓨터 프로그램과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램 또는 컴퓨터 프로그램 제품(computer program product)으로도 구현될 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (15)

  1. 전자 장치가 대상 수중 지역 내 조류의 농도를 예측하는 방법에 있어서,
    상기 전자 장치와 연결된 상기 대상 수중 지역의 복수의 측정소들로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하는 단계;
    상기 획득된 조류 정보를, 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델에 입력함으로써, 상기 인공 지능 모델로부터 상기 엽록소의 농도를 획득하는 단계;
    상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하는 단계;
    상기 예측된 조류 발생 확률에 대한 정보를 출력하는 단계; 및
    상기 조류 발생 확률에 대한 정보를 상기 전자 장치와 연결된 다른 전자 장치로 전송하는 단계; 를 포함하고,
    상기 인공 지능 모델은, 상기 복수의 측정소들로부터 획득된 조류 정보 내, 상기 조류 발생과 관련된 인자들 중 소정의 두개의 조류 인자들 사이의 상관 관계에 관한 산점도들 각각의 배경 비율 대비 각 산점도 차트의 면적 비율이 소정의 임계치 이상인 산점도들을 구성하는 조류 인자들에 기초하여 미리 학습되는 것을 특징으로 하는, 방법.
  2. 삭제
  3. 제1항에 있어서, 상기 방법은
    상기 예측된 조류 발생 확률이 소정의 임계 확률 이상인 경우, 조류 발생을 경고하기 위한 알람 정보를 생성하는 단계;
    상기 예측된 조류 발생 확률이 소정의 임계 확률 이상인 경우, 조류 발생을 대비하기 위한 대비 정보를 생성하는 단계; 및
    상기 생성된 알람 정보 및 상기 대비 정보를 출력하는 단계; 를 더 포함하는, 방법.
  4. 제1항에 있어서, 상기 조류 정보를 획득하는 단계는
    상기 전자 장치와 연결된 복수의 측정소들을 식별하는 단계;
    상기 전자 장치에 대한 사용자 입력에 기초하여, 상기 식별된 복수의 측정소들 중 조류 발생 확률을 예측하고자 하는 대상 수중 지역의 측정소를 식별하는 단계; 및
    상기 식별된 대상 수중 지역의 측정소로부터 기 설정된 주기로 상기 조류 정보를 획득하는 단계; 를 포함하는, 방법.
  5. 제4항에 있어서, 상기 식별된 대상 수중 지역의 측정소로부터 기 설정된 주기로 상기 조류 정보를 획득하는 단계는
    상기 대상 수중 지역의 측정소로부터 엽록소 농도, 수온, 전기 전도도, Ph 농도, 용존산소량, 탁도, 공기 온도, 강수량, 풍속, 풍향, 습도, 증기압, 이슬점, 대기압, 해수면기압, 조도, 일조량, 지면 온도, 해수면으로부터 소정의 깊이에 해당하는 수중 온도 중 적어도 하나를 포함하는 조류 정보를 획득하는 단계; 를 포함하는, 방법.
  6. 제4항에 있어서, 상기 인공 지능 모델은
    상기 전자 장치와 연결된 복수의 측정소 별 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하고,
    상기 조류 발생 확률에 대한 정보를 출력하는 단계는
    복수의 측정소 별로 결정된 엽록소의 농도에 기초하여, 상기 복수의 측정소 별 조류 발생 확률을 결정하고, 상기 복수의 측정소 별로 결정된 조류 발생 확률에 대한 정보를 출력하는 단계; 를 포함하는, 방법.
  7. 제4항에 있어서, 상기 방법은
    상기 복수의 측정소 별 대상 수중 지역과 관련된 뉴스 정보를 수집하는 단계; 및
    상기 수집된 뉴스 정보를 상기 예측된 조류 발생 확률과 함께 출력하는 단계; 를 더 포함하는, 방법.
  8. 대상 수중 지역 내 조류의 농도를 예측하는 전자 장치에 있어서,
    네트워크 인터페이스;
    디스플레이;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 전자 장치와 연결된 상기 대상 수중 지역의 복수의 측정소들로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하고,
    상기 획득된 조류 정보를, 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델에 입력함으로써, 상기 인공 지능 모델로부터 상기 엽록소의 농도를 획득하고,
    상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하고,
    상기 예측된 조류 발생 확률에 대한 정보를 출력하고,
    상기 조류 발생 확률에 대한 정보를 상기 전자 장치와 연결된 다른 전자 장치로 전송하며,
    상기 인공 지능 모델은, 상기 복수의 측정소들로부터 획득된 조류 정보 내, 상기 조류 발생과 관련된 인자들 중 소정의 두개의 조류 인자들 사이의 상관 관계에 관한 산점도들 각각의 배경 비율 대비 각 산점도 차트의 면적 비율이 소정의 임계치 이상인 산점도들을 구성하는 조류 인자들에 기초하여 미리 학습되는 것을 특징으로 하는, 전자 장치.
  9. 삭제
  10. 제8항에 있어서, 상기 적어도 하나의 프로세서는
    상기 예측된 조류 발생 확률이 소정의 임계 확률 이상인 경우, 조류 발생을 경고하기 위한 알람 정보를 생성하고,
    상기 예측된 조류 발생 확률이 소정의 임계 확률 이상인 경우, 조류 발생을 대비하기 위한 대비 정보를 생성하고,
    상기 생성된 알람 정보 및 상기 대비 정보를 출력하는, 전자 장치.
  11. 제8항에 있어서, 상기 적어도 하나의 프로세서는
    상기 전자 장치와 연결된 복수의 측정소들을 식별하고,
    상기 전자 장치에 대한 사용자 입력에 기초하여, 상기 식별된 복수의 측정소들 중 조류 발생 확률을 예측하고자 하는 대상 수중 지역의 측정소를 식별하고,
    상기 식별된 대상 수중 지역의 측정소로부터 기 설정된 주기로 상기 조류 정보를 획득하는, 전자 장치.
  12. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 대상 수중 지역의 측정소로부터 엽록소 농도, 수온, 전기 전도도, Ph 농도, 용존산소량, 탁도, 공기 온도, 강수량, 풍속, 풍향, 습도, 증기압, 이슬점, 대기압, 해수면기압, 조도, 일조량, 지면 온도, 해수면으로부터 소정의 깊이에 해당하는 수중 온도 중 적어도 하나를 포함하는 조류 정보를 획득하는, 전자 장치.
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 전자 장치와 연결된 복수의 측정소 별 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하고, 상기 복수의 측정소 별로 결정된 엽록소의 농도에 기초하여, 상기 복수의 측정소 별 조류 발생 확률을 결정하고, 상기 복수의 측정소 별로 결정된 조류 발생 확률에 대한 정보를 출력하는, 전자 장치.
  14. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 복수의 측정소 별 대상 수중 지역과 관련된 뉴스 정보를 수집하고,
    상기 수집된 뉴스 정보를 상기 예측된 조류 발생 확률과 함께 출력하는, 전자 장치.
  15. 전자 장치가 상기 전자 장치와 연결된 대상 수중 지역의 복수의 측정소들로부터 조류 발생과 관련된 인자들을 포함하는 조류 정보를 획득하는 단계;
    상기 획득된 조류 정보를, 조류 정보가 입력되면, 상기 대상 수중 지역 내 조류를 발생시키는 엽록소의 농도를 출력하는 인공 지능 모델에 입력함으로써, 상기 인공 지능 모델로부터 상기 엽록소의 농도를 획득하는 단계;
    상기 인공 지능 모델로부터 획득된 엽록소의 농도에 기초하여 상기 대상 수중 지역 내 조류 발생 확률을 예측하는 단계;
    상기 예측된 조류 발생 확률에 대한 정보를 출력하는 단계; 및
    상기 조류 발생 확률에 대한 정보를 상기 전자 장치와 연결된 다른 전자 장치로 전송하는 단계; 를 포함하고,
    상기 인공 지능 모델은, 상기 복수의 측정소들로부터 획득된 조류 정보 내, 상기 조류 발생과 관련된 인자들 중 소정의 두개의 조류 인자들 사이의 상관 관계에 관한 산점도들 각각의 배경 비율 대비 각 산점도 차트의 면적 비율이 소정의 임계치 이상인 산점도들을 구성하는 조류 인자들에 기초하여 미리 학습되는 것을 특징으로 하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020200183272A 2020-12-24 2020-12-24 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치 KR102346272B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200183272A KR102346272B1 (ko) 2020-12-24 2020-12-24 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200183272A KR102346272B1 (ko) 2020-12-24 2020-12-24 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치

Publications (1)

Publication Number Publication Date
KR102346272B1 true KR102346272B1 (ko) 2022-01-03

Family

ID=79348167

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200183272A KR102346272B1 (ko) 2020-12-24 2020-12-24 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치

Country Status (1)

Country Link
KR (1) KR102346272B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230169504A (ko) 2022-06-08 2023-12-18 한국건설기술연구원 기계학습 기반의 정수처리장 유입탁도 예측 시스템 및 그 방법
CN118135427A (zh) * 2024-05-08 2024-06-04 常州市星图测绘科技有限公司 基于高分辨率时间序列卫星遥感的水质检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101384971B1 (ko) 2013-06-25 2014-04-16 김혜봉 녹조 사전 탐지, 예측 및 제거 장치 및 그 방법
KR20170079648A (ko) * 2015-12-30 2017-07-10 대한민국(국민안전처 국립재난안전연구원장) 미래위험 변화예측 분석 시스템
KR20190027567A (ko) * 2017-09-07 2019-03-15 동국대학교 산학협력단 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법
KR101936586B1 (ko) * 2017-11-08 2019-04-09 한국건설기술연구원 Gps-기반 무작위 샘플링 방식으로 측정된 데이터를 활용한 녹조지도 작성 시스템 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101384971B1 (ko) 2013-06-25 2014-04-16 김혜봉 녹조 사전 탐지, 예측 및 제거 장치 및 그 방법
KR20170079648A (ko) * 2015-12-30 2017-07-10 대한민국(국민안전처 국립재난안전연구원장) 미래위험 변화예측 분석 시스템
KR20190027567A (ko) * 2017-09-07 2019-03-15 동국대학교 산학협력단 데이터마이닝과 공간분석에 기반한 하천수 클로로필-a 농도 예측 방법
KR101936586B1 (ko) * 2017-11-08 2019-04-09 한국건설기술연구원 Gps-기반 무작위 샘플링 방식으로 측정된 데이터를 활용한 녹조지도 작성 시스템 및 그 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230169504A (ko) 2022-06-08 2023-12-18 한국건설기술연구원 기계학습 기반의 정수처리장 유입탁도 예측 시스템 및 그 방법
CN118135427A (zh) * 2024-05-08 2024-06-04 常州市星图测绘科技有限公司 基于高分辨率时间序列卫星遥感的水质检测方法及系统

Similar Documents

Publication Publication Date Title
KR102414640B1 (ko) 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치
Sit et al. A comprehensive review of deep learning applications in hydrology and water resources
Puttinaovarat et al. Flood forecasting system based on integrated big and crowdsource data by using machine learning techniques
Elsaeidy et al. Replay attack detection in smart cities using deep learning
Mashford et al. Leak detection in simulated water pipe networks using SVM
KR102346272B1 (ko) 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치
Yu et al. Dissolved oxygen content prediction in crab culture using a hybrid intelligent method
Qiang et al. The impact of Hurricane Katrina on urban growth in Louisiana: an analysis using data mining and simulation approaches
CN117421433B (zh) 一种图文智能舆情分析方法及系统
Kumar et al. Flooding disaster resilience information framework for smart and connected communities
Chitsaz et al. Pre-processing of data-driven river flow forecasting models by singular value decomposition (SVD) technique
Immas et al. Real-time in situ prediction of ocean currents
CN117291781B (zh) 一种突发性水污染溯源方法、设备及介质
US20240061977A1 (en) Data informed ocean simulations
Nakhaei et al. Enhancing community resilience in arid regions: A smart framework for flash flood risk assessment
CN117198421A (zh) 海洋环境智能探测系统及其方法
Liu et al. Lifeguarding Operational Camera Kiosk System (LOCKS) for flash rip warning: Development and application
Samadi The convergence of AI, IoT, and big data for advancing flood analytics research
Yoshida et al. Optimal placement of sampling locations for identification of a two-dimensional space
Karabulut et al. Wave height prediction with single input parameter by using regression methods
Mane et al. Early flood detection and alarming system using machine learning techniques
CN115829172B (zh) 污染预测方法、装置、计算机设备和存储介质
Suhartono et al. Hybrid Machine Learning for Forecasting and Monitoring Air Pollution in Surabaya
Khudhair et al. A CPSOCGSA-tuned neural processor for forecasting river water salinity: Euphrates river, Iraq
Gaikwad et al. Machine learning amalgamation of Mathematics, Statistics and Electronics

Legal Events

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