KR20220164271A - 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치 - Google Patents

지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치 Download PDF

Info

Publication number
KR20220164271A
KR20220164271A KR1020210072821A KR20210072821A KR20220164271A KR 20220164271 A KR20220164271 A KR 20220164271A KR 1020210072821 A KR1020210072821 A KR 1020210072821A KR 20210072821 A KR20210072821 A KR 20210072821A KR 20220164271 A KR20220164271 A KR 20220164271A
Authority
KR
South Korea
Prior art keywords
groundwater
data
point
area
water quality
Prior art date
Application number
KR1020210072821A
Other languages
English (en)
Other versions
KR102647332B1 (ko
Inventor
이강근
이상훈
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020210072821A priority Critical patent/KR102647332B1/ko
Publication of KR20220164271A publication Critical patent/KR20220164271A/ko
Application granted granted Critical
Publication of KR102647332B1 publication Critical patent/KR102647332B1/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
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Administration (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 발명은 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치에 관한 것으로, 일실시예에 따른 지하수 수질 예측 방법은 지하수의 수질을 예측하려는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 데이터를 수집하는 단계 및 상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 지하수 수질 예측 모델에 입력하여, 상기 예측 지점의 용도별 예측 수질을 결정하는 단계를 포함할 수 있다.

Description

지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치{PREDICTING METHOD OF UNDERGROUND WATER QUALITY AND GENERATING METHOD OF UNDERGROUND WATER QUALITY PREDICTION MEDEL, AND COMPUTING DEVICE FOR PERFORMING THE METHODS}
본 발명은 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치에 관한 것이다.
농업, 생활 등 다양한 목적으로 지하수를 이용하기 위하여 관정을 설치하고 양수하여 용도에 맞게 양수된 지하수를 사용한다.
용도에 따른 지하수의 수질의 적합성이 중요하기 때문에, 관정 개발 이전에 특정 위치에 대한 지하수 수질을 추정하는 것이 필수적이다.
기존에는 주변의 이미 개발된 관정을 통해 여러가지 보간법을 이용하여 추정하거나, 주변 환경을 고려하여 위치를 지하수를 양수하기 위한 위치를 선정하는 방법을 이용하였으나, 지하수의 수질에 영향을 미치는 다양한 환경 요인들을 고려하여 지하수의 수질을 예측하지 못하기 때문에, 지하수 수질을 정확히 예측하기 어렵다.
따라서, 지하수의 흐름 및 수질 특성을 고려하여 다양한 환경적인 요인들을 고려하여 용도에 따라 지하수의 수질을 예측할 필요가 있다.
본 문서에 개시되는 다양한 실시예에 따르면, 지하수 수질 예측 방법을 이용하면 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성과 같은 다양한 환경 인자들을 지하수 수질 예측 모델에 입력하여 용도별 예측 수질을 결정할 수 있다.
본 문서에 개시되는 다양한 실시예에 따르면, 지하수 수질을 예측하고자 하는 예측 지점에서 지하수를 양수할 때 예측 지점의 지하수 수질에 영향을 미치는 영역을 설정하여, 주변 환경에 영향을 받는 지하수의 특성을 고려하여 지하수 수질을 예측할 수 있다.
본 문서에 개시되는 다양한 실시예에 따르면, 지형 특성, 토양 사용 용도, 표토 특성 및 심토 특성과 같은 다양한 환경 인자들을 입력 데이터, 관측된 수질을 용도에 따라 전처리한 출력 데이터를 이용하여, 지하수 수질 예측 모델을 학습시킬 수 있다.
일실시예에 따른 지하수 수질 예측 방법은, 지하수의 수질을 예측하려는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 데이터를 수집하는 단계 및 상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 지하수 수질 예측 모델에 입력하여, 상기 예측 지점의 용도별 예측 수질을 결정하는 단계를 포함할 수 있다.
상기 수집하는 단계는, 상기 예측 지점에서 지하수를 양수할 때 상기 예측 지점의 지하수 수질에 영향을 미치는 영역을 설정하고, 상기 영역 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 상기 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 수집할 수 있다.
상기 수집하는 단계는, 상기 영역을 상기 예측 지점으로부터 미리 설정한 거리 이내로 설정할 수 있다.
상기 수집하는 단계는, 상기 영역의 형태를 상기 예측 지점의 지하수 흐름 방향에 대응하도록 설정할 수 있다.
상기 수집하는 단계는, 양수량 및 상기 예측 지점의 투수도 및 수리 경사도에 따른 상기 예측 지점의 지하수의 흐름을 고려하여, 상기 양수량이 클수록 상기 영역의 면적을 크게 설정하고, 상기 예측 지점의 투수도 또는 수리 경사도가 작을수록 상기 영역의 면적을 크게 설정할 수 있다.
상기 결정하는 단계는, 상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 서로 다른 학습 방법으로 학습된 복수의 지하수 수질 예측 모델 각각에 입력하여 복수의 용도별 예측 수질을 결정하는 단계 및 상기 복수의 용도별 예측 수질을 학습된 통합 모델에 입력하여 상기 예측 지점의 용도별 예측 수질을 결정하는 단계를 포함할 수 있다.
상기 지하수 수질 예측 모델은, 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습된 것이고, 상기 출력 데이터는 측정된 수질 데이터를 용도에 따라 전처리한 것이고, 상기 입력 데이터는 상기 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 것일 수 있다.
일실시예에 따른 지하수 수질 예측 모델의 생성 방법은 측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 수집하는 단계, 상기 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 입력 데이터를 수집하는 단계 및 상기 입력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 분석하여 상기 지하수 수질 예측 모델을 학습시키는 단계를 포함할 수 있다.
상기 수집하는 단계는, 지하수를 양수할 때 상기 수질 데이터가 측정된 지점의 지하수 수질에 영향을 미치는 영역을 설정하고, 상기 영역 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 상기 수질 데이터가 측정된 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 입력 데이터를 수집할 수 있다.
상기 수집하는 단계는, 상기 영역을 상기 수질 데이터가 측정된 지점으로부터 미리 설정한 거리 이내로 설정할 수 있다.
상기 수집하는 단계는, 상기 영역의 형태를 상기 수질 데이터가 측정된 지점의 지하수 흐름 방향에 대응하도록 설정할 수 있다.
상기 수집하는 단계는, 양수량 및 상기 수질 데이터가 측정된 지점의 투수도 및 수리 경사도에 따른 상기 수질 데이터가 측정된 지점의 지하수의 흐름을 고려하여, 상기 양수량이 클수록 상기 영역의 면적을 크게 설정하고, 상기 수질 데이터가 측정된 지점의 투수도 또는 수리 경사도가 작을수록 상기 영역의 면적을 크게 설정할 수 있다.
상기 학습시키는 단계는, 상기 입력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 서로 다른 학습 방법으로 분석하여 복수의 지하수 수질 예측 모델을 학습시키는 단계 및 상기 복수의 지하수 수질 예측 모델로부터 도출된 복수의 출력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 분석하여 통합 모델을 학습시키는 단계를 포함할 수 있다.
상기 학습시키는 단계는, 상기 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습시킬 수 있다.
일실시예에 따른 지하수 수질 예측 방법을 수행하는 컴퓨팅 장치는, 프로세서를 포함하고, 상기 프로세서는, 지하수의 수질을 예측하려는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 데이터를 수집하고, 상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 지하수 수질 예측 모델에 입력하여, 상기 예측 지점의 용도별 예측 수질을 결정할 수 있다.
상기 프로세서는, 상기 예측 지점에서 지하수를 양수할 때 상기 예측 지점의 지하수 수질에 영향을 미치는 영역을 설정하고, 상기 영역 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 상기 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 수집할 수 있다.
상기 프로세서는, 양수량 및 상기 예측 지점의 투수도 및 수리 경사도에 따른 상기 예측 지점의 지하수의 흐름을 고려하여, 상기 양수량이 클수록 상기 영역의 면적을 크게 설정하고, 상기 예측 지점의 투수도 또는 수리 경사도가 작을수록 상기 영역의 면적을 크게 설정할 수 있다.
일실시예에 따른 지하수 수질 예측 모델의 생성 방법을 수행하는 컴퓨팅 장치는, 프로세서를 포함하고, 상기 프로세서는, 측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 수집하고, 상기 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 입력 데이터를 수집하고, 상기 입력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 분석하여 상기 지하수 수질 예측 모델을 학습시킬 수 있다.
본 문서에 개시되는 다양한 실시예에 따르면, 지하수 수질을 예측함에 있어서 주변의 환경 요인들을 고려하여 지하수 수질을 예측하므로, 지하수 수질 예측 정확도를 높일 수 있다.
본 문서에 개시되는 다양한 실시예에 따르면, 주변의 환경 요인들을 고려하여 용도별 예측 수질을 결정할 수 있는 지하수 수질 예측 모델을 생성할 수 있다.
도 1은 일실시예에 따른 컴퓨팅 장치의 동작을 나타낸 도면이다.
도 2는 일실시예에 따른 영역을 나타낸 도면이다.
도 3은 일실시예에 따른 지하수 수질 예측 모델을 학습시키기 위한 입력 데이터 및 출력 데이터를 나타낸 도면이다.
도 4는 일실시예에 따른 복수의 지하수 수질 예측 모델 및 통합 모델을 나타낸 도면이다.
도 5는 일실시예에 따른 학습 데이터와 검증 데이터를 나타낸 도면이다.
도 6은 일실시예에 따른 복수의 지하수 수질 예측 모델 및 통합 모델을 이용하여 생성한 포텐셜 맵을 나타낸 도면이다.
도 7은 일실시예에 따른 지하수 수질 예측 방법을 나타낸 도면이다.
도 8은 일실시예에 따른 지하수 수질 예측 모델의 생성 방법을 나타낸 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하에서 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다.
도 1은 일실시예에 따른 컴퓨팅 장치(100)의 동작을 나타낸 도면이다.
도 1을 참조하면, 컴퓨팅 장치(100)는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성, 암반 특성에 관한 데이터를 수집할 수 있다. 컴퓨팅 장치(100)는 수집한 데이터를 지하수 수질 예측 모델(200)에 입력하여 예측 지점의 용도별 예측 수질을 결정할 수 있다.
컴퓨팅 장치(100)가 수집하는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성, 암반 특성은 지하수의 수질에 영향을 미치는 환경 요인에 해당할 수 있다. 따라서, 컴퓨팅 장치(100)는 다양한 환경 요인들을 고려하여 용도별 예측 수질, 즉 지하수의 수질을 예측할 수 있다.
지하수 수질 예측 모델(200)은 다양한 환경 요인들을 입력하여 용도별 예측 수질을 출력하도록 학습된 모델이다. 후술하는 바와 같이, 지형 특성, 토양 사용 용도, 표토 특성, 암반 특성에 관한 데이터를 입력 데이터와 측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 이용하여 지하수 수질 예측 모델(200)을 학습시킬 수 있다.
컴퓨팅 장치(100)는 수집한 데이터를 지하수 수질 예측 모델(200)에 입력하여, 예측 지점의 용도별 예측 수질을 결정할 수 있다. 지하수는 음용수, 생활용수, 공업용수 등 다양한 용도로 이용될 수 있다. 또한 지하수는 지하수에 포함된 각종 용존이온 농도, pH 등에 따라 적합한 용도를 달리할 수 있다. 예를 들어, 지하수의 미네랄 함유량에 따라 음용수의 용도로 사용될 수 있고, 각종 용존이온 농도 등에 따라 커피를 끓이기에 적합한 용도로 사용될 수 있다.
컴퓨팅 장치(100)는 용도별 예측 수질, 즉 미리 설정한 지하수의 용도에 따라 지하수의 수질이 용도에 적합한지를 결정할 수 있다. 일례로, 컴퓨팅 장치(100)가 결정하는 용도별 예측 수질은 예측한 지하수의 수질이 용도에 적합한지 여부 또는 적합할 확률을 의미할 수 있다. 예를 들어, 미리 설정한 용도가 커피 제조에 사용되는 음용수인 경우, 컴퓨팅 장치(100)는 예측 지점의 지하수의 수질이 커피 제조에 사용되는 음용수로 적합할 확률을 결정할 수 있다.
또한, 용도별 예측 수질은 용도에 따라 특정 용존이온의 농도, pH, 용존산소 등과 같이 지하수의 수질 측정의 대상 항목을 의미할 수도 있다. 예를 들어, 지하수의 pH가 5 이상 7 이하인 지하수가 미리 설정한 용도에 적합한 경우, 컴퓨팅 장치(100)는 예측 지점의 지하수가 pH 5 이상 7 이하인지를 결정할 수 있다.
도 2는 일실시예에 따른 영역(110)을 나타낸 도면이다.
도 2를 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 예측 지점에서 지하수를 양수할 때 예측 지점의 지하수 수질에 영향을 미치는 영역(110)을 설정할 수 있다. 지하수의 특성상 지하수의 수질은 주변 환경에 따라 영향을 받을 수 있다. 예를 들어, 인접 지점에 오염원이 존재하는 경우, 토양의 특성 등에 의하여 지하수의 수질에 영향을 미치게 된다. 컴퓨팅 장치(100)는 지하수 수질에 영향을 미치는 영역(110)을 설정하여, 영역(110)의 환경 요인, 즉 예측 지점 인근의 환경 요인을 고려하여 지하수 수질을 예측할 수 있다.
도 2a는 일실시예에 따른 영역(110)의 형태를 나타낸 도면, 도 2b는 일실시예에 따른 영역(110)의 면적, 도 2c는 일실시예에 따른 영역(110) 내의 특성을 나타낸 도면이다.
도 2a의 (a)를 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 영역(110)을 미리 설정한 거리 이내로 설정할 수 있다. 도 2a의 (b)를 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 영역(110)을 예측 지점의 지하수 흐름 방향에 대응하도록 설정할 수 있다.
컴퓨팅 장치(100)는 도 2a의 (a)와 같이 영역(110)을 예측 지점(X)으로부터 미리 설정한 거리 이내로 설정할 수 있다. 즉, 컴퓨팅 장치(100)는 예측 지점을 중심으로 하는 원으로 영역(110)을 설정할 수 있다.
컴퓨팅 장치(100)는 도 2a의 (b)와 같이 영역(110)의 형태를 예측 지점의 지하수 흐름 방향에 대응하도록 설정할 수 있다. (b)와 같이, 지하수 흐름 방향이 3시(우측)에서 9시(좌측) 방향인 경우, 컴퓨팅 장치(100)는 지하수의 흐름 방향으로 장축을 갖는 타원의 형태로 영역(110)을 설정할 수 있다.
(b)에서 지하수는 예측 지점(X)의 오른쪽에서 예측 지점(X)으로 흘러가므로, 예측 지점(X)의 지하수의 수질은 예측 지점의 오른쪽 지역의 환경 요인에 더 많은 영향을 받는다. 컴퓨팅 장치(100)는, (b)와 같이 지하수 흐름 방향으로 장축을 갖는 타원으로 영역(110)을 설정할 수 있다. 컴퓨팅 장치(100)는 지하수 흐름 방향을 고려하여, 예측 지점(X)이 지하수의 흐름 방향, 즉 (b)와 같이 예측 지점(X)이 타원의 좌측에 위치하도록 영역(110)을 설정할 수 있다.
상기의 (b)에 관한 설명을 종합하면, 컴퓨팅 장치(100)가 영역(110)을 지하수의 흐름 방향에 대응하도록 설정한다는 것은, 예측 지점으로 유입되는 지하수 흐름 방향에서 넓은 면적을 가지도록 영역(110)을 설정하는 것을 의미할 수 있다.
일실시예에 따른 컴퓨팅 장치(100)는 양수량 및 예측 지점의 투수도 및 수리 경사도에 따른 예측 지점의 지하수의 흐름을 고려하여, 양수량이 클수록 영역(110)의 면적을 크게 설정하고, 예측 지점의 투수도 또는 수리 경사도가 작을수록 영역(110)의 면적을 크게 설정할 수 있다.
양수량은 양수하는 지하수의 양을 의미한다. 양수량이 큰 경우 예측 지점의 인접 지역으로부터 더 많은 지하수가 유입되어야 하므로, 양수량이 클수록 예측 지점의 지하수의 수질에 영향을 미치는 영역(110)이 크게, 즉 영역(110)의 면적이 크게 설정될 수 있다.
투수도는 토양이나 암석과 같은 다공성 매체가 물 또는 유체를 통과시키려는 경향을 의미한다. 투수도는 매체에 존재하는 공극의 크기에 따라 결정될 수 있다. 수리 경사도는 수두의 경사도를 의미하며, 지하수 흐름 방향으로 취한 단위 거리당 수두의 변화율로 나타낼 수 있다. 투수도와 수리 경사도가 클수록, 예측 지점의 지하수 수질에 영향을 미치는 영역(110)의 면적이 작게 설정될 수 있다.
도 2a의 (b)를 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 지하수의 흐름 방향으로 장축을 가지고, 양수량, 투수도 및 수리 경사도에 따라 결정되는 점을 포함하는 타원으로 영역(110)을 설정할 수 있다.
일례로, 도 2a의 (b)에서 아래의 식 1과 같이 컴퓨팅 장치(100)는 양수량, 투수도 및 수리 경사도를 이용하여 x0, ym, yw를 결정할 수 있다. 컴퓨팅 장치(100)는 x0, ym, yw를 이용하여 타원상의 세 점을 구할 수 있다. 즉, 컴퓨팅 장치(100)는 (b)와 같이 지하수의 흐름 방향으로 장축을 갖고, 양수량, 투수도 및 수리 경사도에 따라 결정되는 타원으로 영역(110)을 설정할 수 있다.
보다 상세하게, 예측 지점(X)으로부터 지하수의 흐름 방향으로 x0만큼 떨어진 점, 예측 지점으로부터 지하수의 흐름 방향과 수직 방향으로 yw만큼 떨어진 점, 지하수의 흐름 방향과 수직 방향으로 원점으로부터 ym만큼 떨어진 점(즉, 단축의 길이)을 이용하여 지하수의 흐름 방향으로 장축을 갖는 타원으로 영역(110)을 설정할 수 있다.
[식 1]
Figure pat00001
상기 식 1에서, Q는 양수량, T는 투수도, i는 수리 경사도를 의미한다.
상기 도 2a는 컴퓨팅 장치(100)가 설정하는 영역(110)이 원형 또는 타원형인 경우를 나타내고 있다. 컴퓨팅 장치(100)는 영역(110)을 정사각형, 직사각형 등과 같이 다른 형태로 설정할 수 있다. 또한, 컴퓨팅 장치(100)는 비정형의 영역(110)을 설정할 수도 있다. 이하에서 설명하는 영역(110)은 타원형인 경우로 설명하나, 이는 설명의 편의를 위한 것으로, 타원형과 다른 형태 또는 비정형의 영역(110)에도 동일하게 적용될 수 있다.
일례로, 컴퓨팅 장치(100)는 지하수의 흐름 방향, 양수량, 투수도 및 수리 경사도를 이용하여, 지하수의 흐름 방향으로 긴 변을 갖는 직사각형으로 영역(110)을 설정할 수 있다.
도 2b는 양수량, 예측 지점(X)의 양수량, 투수도 및 수리 경사도에 따라 다르게 설정되는 영역(110)을 나타낸 도면이다.
도 2b를 참조하면, 컴퓨팅 장치(100)는 지하수의 흐름 방향으로 장축을 갖는 영역(110)을 설정할 수 있다. 또한, 컴퓨팅 장치(100)는 양수량, 투수도 및 수리 경사도에 따라 (a)와 같이 영역(110)의 면적이 크도록 영역(110)을 설정하거나, (b)와 같이 영역(110)의 면적이 작도로 영역(110)을 설정할 수 있다.
예를 들어, (a)와 (b)의 투수도 및 수리 경사도가 동일한 경우, 상기의 식 1을 참고하면, (a)의 양수량이 (b)의 양수량보다 클 수 있다. (a)와 (b)의 양수량 및 수리 경사도가 동일한 경우, (a)의 투수도가 (b)의 투수도보다 작을 수 있다. (a)와 (b)의 양수량 및 투수도가 동일한 경우, (a)의 수리 경사도가 (b)의 수리 경사도보다 작을 수 있다.
도 2c를 참조하면, 컴퓨팅 장치(100)는 영역(110) 내의 토지 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 수집할 수 있다.
도 2c와 같이 컴퓨팅 장치(100)는 예측 지점(X)의 지하수 수질에 영향을 미치는 영역(110)을 설정할 수 있다. 도 2c에서 설정된 영역(110)은 지하수의 흐름 방향을 고려하여 타원으로 설정될 수 있다.
컴퓨팅 장치(100)는 영역(110) 내의 토지 사용 용도, 표토 특성 및 암반 특성을 고려하여 예측 지점(X)의 토양 사용 용도, 표토 특성 및 암반 특성을 결정할 수 있다.
일례로, 토지 사용 용도, 표토 특성 및 암반 특성은 범주형 자료일 수 있다. 범주형 자료는 몇 개의 범주로 나누어진 자료를 의미한다. 예를 들어, 토지 사용 용도는 골프 코스, 공공 시설, 공업 지역, 과수원 등으로 구분되는 범주형 자료일 수 있다. 표토 특성은 배수 등급, 표토 텍스처, 유효 토심을 포함할 수 있다. 배수 등급은 매우 좋음, 좋음, 꽤 좋음, 꽤 나쁨, 나쁨, 매우 나쁨 등으로 구분되는 범주형 자료일 수 있다. 암반 특성은 수문지질단위(Hydrogeological unit)를 포함할 수 있고, 수문지질단위는 관입 화성암, 화산암, 쓰레기 매립지, 미고결 쇄설성 퇴적층 등으로 구분될 수 있다. 토지 사용 용도, 표토 특성 및 암반 특성에 대한 자세한 설명은 후술한다.
예를 들어, 도 2c가 표토 특성 중 배수 등급을 나타낸 도면이고, A는 매우 좋음, B는 좋음, C는 약간 좋음, D는 약간 나쁨, E는 나쁨, F는 매우 나쁨을 의미할 수 있다. 컴퓨팅 장치(100)는 예측 지점(X)의 표토 특성 중 배수 등급을 영역(110) 내의 배수 등급을 고려하여 결정할 수 있다.
일례로, 컴퓨팅 장치(100)는 영역(110) 내의 배수 등급의 면적 비율을 이용하여 예측 지점(X)의 배수 등급을 결정할 수 있다. 도 2c에서 영역(110) 내의 배수 등급 A의 면적 비율이 0.250, B의 면적 비율이 0.178, C의 면적 비율이 0.222, D의 면적 비율이 0.185, E의 면적 비율이 0.165인 경우로 설명한다.
컴퓨팅 장치(100)는 예측 지점(X)의 배수 등급을 각 배수 등급의 비율로 나타낼 수 있다. 컴퓨팅 장치(100)는 예측 지점(X)의 배수 등급을 매우 좋음(A) 0.250, 좋음(B) 0.178, 약간 좋음(C) 0.222, 약간 나쁨(D) 0.185, 나쁨(E) 0.185, 매우 나쁨(F) 0으로 나타낼 수 있다. 예측 지점(X)의 배수 등급은 영역(110) 내의 각 배수 등급의 면적 비율로 나타낼 수 있고, 컴퓨팅 장치(100)는 각 배수 등급의 면적 비율의 합은 1이 되도록 예측 지점(X)의 배수 등급을 결정할 수 있다.
즉, 컴퓨팅 장치(100)는 영역(110) 내의 표토 특성 중 배수 등급을 고려하여 예측 지점의 표토 특성 중 배수 등급을 결정할 수 있다. 또한, 컴퓨팅 장치(100)는 결정된 예측 지점의 표토 특성 중 배수 등급에 관한 데이터를 수집할 수 있다.
상기의 설명에서 컴퓨팅 장치(100)가 예측 지점의 표토 특성 중 배수 등급을 결정하고, 예측 지점의 표토 특성 중 배수 등급에 관한 데이터를 수집하는 것으로 설명하였으나, 동일하게 토지 사용 용도, 표토 특성 중 표토 텍스처, 유효 토심, 암반 특성에 대해서도 적용될 수 있다.
일례로, 컴퓨팅 장치(100)는 아래 표 1과 같이 각 지점의 영역(110) 내의 배수 등급의 면적 비율에 따라 예측 지점의 배수 등급을 결정할 수 있다.
일례로, 컴퓨팅 장치(100)는 아래 표 1과 같이 각 지점의 영역(110) 내의 배수 등급의 면적 비율에 따라 예측 지점의 배수 등급을 결정할 수 있다.
지점 매우 좋음 좋음 약간 좋음 약간 나쁨 나쁨 매우 나쁨
X1 0 0.14253 0.11225 0.66521 0.07731 0
X2 0 0 0 0.22165 0.55684 0.22151
X3 0.05217 0.94783 0 0 0 0
X4 0.77870 0 0 0 0.22130 0
위의 표 1에서는 영역(110) 내의 배수 등급의 면적 비율에 따라 예측 지점의 배수 등급을 나타내고 있다. 예측 지점의 토지 사용 용도, 표토 특성, 암반 특성은 위 표 1과 같이 영역(110) 내의 토지 사용 용도, 표토 특성, 암반 특성의 면적으로 나타낼 수 있다.
일례로, 지형 특성, 토지 사용 용도, 표토 특성 및 암반 특성은 수치형 자료일 수 있다. 연속적인 수치로 표현되거나 특정 지점에서 수치를 가지도록 표현된 영역(110) 내의 지형 특성, 토지 사용 용도, 표토 특성 및 암반 특성을 이용하여 예측 지점의 토지 사용 용도, 표토 특성 및 암반 특성을 결정할 수 있다.
예를 들어, 영역(110) 내의 지형 특성 중 고도는 연속적인 수치로 표현되는 경우, 도2c와 같이 영역(110)을 설정하고 예측 지점(X)의 인근 지역을 행과 열의 값을 갖는 셀(또는 그리드)로 구분할 수 있다. 각각의 셀들이 해당 위치에서의 고도값을 갖도록 연속적인 수치로 표현된 고도를 변환할 수 있다.
컴퓨팅 장치(100)는 영역(110) 내의 고도의 평균 등을 이용하여 예측 지점의 고도를 결정할 수 있다. 상기 예시에서 지형 특성 중 고도를 결정하는 내용을 설명하였으나, 예측 지점의 지형 특성, 토지 사용 용도, 표토 특성 및 암반 특성을 결정하는 경우에도 상기의 설명이 동일하게 적용될 수 있다.
상기의 내용을 종합하면, 컴퓨팅 장치(100)는 예측 지점에서 지하수를 양수할 때 예측 지점의 지하수 수질에 영향을 미치는 영역(110)을 설정하고, 영역(110) 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 수집할 수 있다.
컴퓨팅 장치(100)는 영역(110) 내의 특성들을 고려하여 결정된 예측 지점의 특성에 관한 데이터를 수집함으로써, 인접 지역의 특성에 영향을 받는 지하수의 수질 특성을 고려할 수 있다. 따라서, 컴퓨팅 장치(100)는 지하수 수질 예측 모델(200)에 예측 지점의 인접 지역의 특성을 고려한 데이터를 입력할 수 있다. 지하수 수질 예측 모델(200)에 의하여 결정되는 용도별 예측 수질은, 결국 지하수 수질에 영향을 미치는 인접 지역의 영향을 고려하여 결정될 수 있다.
일실시예에 따른 컴퓨팅 장치(100)는 지하수의 흐름 방향 및 예측 지점으로부터 영역(110) 내의 지점들의 거리에 따라 결정된 가중치를 고려하여 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 결정할 수 있다.
예를 들어, 도 2c는 지하수의 흐름 방향이 오른쪽(3시 방향)에서 왼쪽(9시 방향)인 경우로, 지하수의 흐름 방향을 고려하여 가중치를 적용할 수 있다. 예를 들어, 예측 지점(X)으로부터 동일한 거리에 위치하는 3행 2열의 지점과 3행 3열 지점에서, 지하수의 흐름 방향에 위치하는 3행 3열의 토양 사용 용도, 표토 특성 및 암반 특성에 가중치를 적용할 수 있다.
보다 상세하게, 전술한 예시와 같이 예측 지점의 배수 등급을 결정하기 위하여 영역(110) 내의 배수 등급의 면적을 고려하는 경우, 지하수 흐름 방향을 고려하여 예측 지점(X)의 우측에 위치하는 지역의 면적에 가중치를 적용하여 비율을 구할 수 있다.
또한, 컴퓨팅 장치(100)는 예측 지점(X)으로부터의 거리를 고려하여 결정된 가중치를 고려하여 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 결정할 수 있다.
예를 들어, 예측 지점(X)으로부터 우측에 위치하는 3행 3열과, 3행 4열의 배수 등급에 대하여, 3행 3열의 배수 등급에 더 큰 가중치를 적용하여 면적 비율을 산출할 수 있다.
일례로, 컴퓨팅 장치(100)는 영역(110) 내의 면적 비율에 결정된 가중치를 적용하고, 면적 비율의 합이 1이 되도록 처리할 수 있다. 예를 들어, 지하수의 흐름 방향 및 예측 지점으로부터 영역(110) 내의 지역의 거리에 따른 가중치를 적용하여 영역(110) 내의 면적 비율을 구하면, 합이 1을 초과할 수 있다. 가중치를 적용하여 영역(110) 내의 배수 등급 면적 비율로 구한 예측 지점(X)의 배수 등급은 배수 등급 A 0.3, 배수 등급 B 0.5, 배수 등급 C 0.7, 배수 등급 D, E, F는 0일 수 있다. 컴퓨팅 장치(100)는 예측 지점(X)의 배수 등급들의 합, 즉 면적 비율의 합이 1이 되도록, 배수 등급 A는 0.2, 배수 등급 B는 0.333, 배수 등급 C는 0.467로 변환할 수 있다.
도 3은 일실시예에 따른 지하수 수질 예측 모델(200)을 학습시키기 위한 입력 데이터 및 출력 데이터를 나타낸 도면이다.
도 3a는 일실시예에 따른 지하수 수질 예측 모델(200)을 학습시키기 위한 입력 데이터를 나타낸 도면이다. 도 3a는 GIS 기반의 입력 데이터를 도시하고 있으나, 이에 한정되지 않는다.
도 3a를 참조하면, 일실시예에 따른 지형 특성에 관한 데이터는 고도 및 경사를 포함할 수 있다. 도 3a에서 지형 특성에 관한 데이터를 고도 및 경사를 GIS 기반으로 나타내고 있다.
고도 및 경사는 지표면의 특성을 나타내는 요인이다. 지형 특성에 관한 데이터는 고도 및 경사의 특성은 토지 이용이나 잠재적 오염원의 분포 특성과 관련이 있다. 예를 들어, 고도와 경사가 낮은 해안가 지역의 경우 해수 침투에 의하여 수질 악화가 발생할 수 있다.
도 3a를 참조하면, 일실시예에 따른 토양 사용 용도(Land Use)에 관한 데이터를 나타낸다. 토양 사용 용도에 관한 데이터는 토양 사용 용도에 따라 범주화 될 수 있다.
예를 들어, 도 3a와 같이 토양 사용 용도는 골프 코스(Golf course), 공공 시설(Public facilities), 공업 지역(Manufacturing area), 과수원(Orchard), 교통 시설(Traffic facilities), 농장(Extra plantation), 초지(Extra grassland), 육수(Inland water), 내륙 습지(Inland wetland), 논(Rice paddy), 농장(Farm), 상업 지역(Commercial area), 연안 습지(Coastal wetland), 오락 시설(Recreational facilities), 천연 초지(Natural grassland), 거주 지역(Residential area), 광업 지역(Mining area), 침엽수림(Coniferous forest), 온실 재배 지역(Green house cultivation area), 바다(Ocean), 혼성림(Mixed forest), 활엽수림(Broadleaf forest) 등으로 구분될 수 있다.
도 3a를 참조하면, 일실시예에 따른 표토 특성(Shallow subsurface)은 배수 등급(Drainage grade), 표토 텍스처(Topsoil texture), 유효 토심(Effective soil depth)을 포함할 수 있다.
유효 토심은 식물의 뿌리가 내릴 수 있는 토양 심도를 의미하며, 농업과 밀접한 관련이 있다. 농경 지역에서 농업활동이 활발한 경우 비료 사용 등으로 인하여 지하수의 오염 가능성이 높다.
배수 등급은 유효 토심과 마찬가지로 농업활동과 밀접한 관련이 있고, 작물 종류에 따라 적합한 배수등급 조건이 존재한다. 작물 종류에 따라 농업 활동이 달라질 수 있고, 지하수의 수질에 영향을 미칠 수 있다.
표토 텍스처(또는 표토 토성)는 토양의 입자 크기를 나타내고, 토양의 입자 크기에 따라 배수등급에 영향을 줄 수 있다. 또한, 토양의 입자 크기는 지하수의 유기물 함량과 관련이 있고, 농업활동에서 재배하는 작물 종류에 따라 수질에 영향을 미칠 수 있다.
배수 등급은 토양에서 물이 빠져나가는 정도를 측정한 것으로, 물이 흐르는 속도, 투수 정보, 지하수위 등에 의하여 결정될 수 있다. 배수 등급은 도 3a와 같이 매우 좋음, 좋음, 약간 좋음, 약간 나쁨, 나쁨, 매우 나쁨으로 구분될 수 있다.
표토 텍스처는 표토의 입자에 따라 구분될 수 있다. 도 3a를 참조하면, 표토 텍스쳐는 양질 조사토(Loamy coarse sand), 양질 세사토(Loamy fine sand), 양질 사토(Loamy sand), 세사 양토(Fine sandy loam), 사양토(Sandy loam), 양질토(Loamy soil), 점토질 양토(Clay loam), 미사질 양토(Silt loam), 미사질 점토 로움(Silt clay loam), 기타(Etc.) 등으로 구분될 수 있다.
도 3a를 참조하면, 일실시예에 따른 암반 특성(Deep subsurface)은 수문지질단위(Hydrogeological unit)를 포함할 수 있다. 지하수는 암석과 지화학적인 반응을 할 수 있고, 수문지질단위에 따라 지하수의 수질에 영향을 줄 수 있다.
도 3a를 참조하면, 수문지질단위는 관입 화성암(Intrusive igneous rock), 화산암(Porous volcanic rock), 쓰레기 매립지(Landfill), 미고결 쇄설성 퇴적층(Unconsolidated clastic sedimentary layer), 반고결 쇄설성 퇴적암(Semiconsolidated clastic sedimentary rock), 변성암(Metamorphic rock), 비다공성 화산암(Nonporous volcanic rock), 쇄설성 퇴적암(Clastic sedimentary rock), 지표수에 해당하는 수류(Stream), 탄산염암(Carbonate rock) 등으로 구분될 수 있다.
상기에서 설명한 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성은 지하수의 수질에 영향을 미칠 수 있다. 예를 들어, 농경 지역에서는 유효 토심이 깊은 곳에서 비료 사용에 의한 지하수의 오염이 크기 때문에 지하수의 수질이 나쁘게 관측될 수 있다. 반면, 축산업이 활발한 지역에서는 유효 토심의 깊이와 지하수의 수질이 무관할 수 있다.
다른 예로, 지형 특성을 고려하여 해안가 지역과 내륙 지역을 비교하면, 해안가에서는 해수 침투가 발생하는 낮은 지역에서 지하수 수질 오염이 발생하는 반면, 해안가 지역과 동일한 고도 및 경사를 가지는 내륙 지역에서는 해수 침투에 의한 오염이 발생하지 않을 수 있다.
따라서, 상기의 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성은 복합적으로 지하수의 수질과 연관될 수 있다.
도 3b는 일실시예에 따른 지하수 수질 예측 모델(200)을 학습시키기 위한 출력 데이터를 나타낸 도면이다. 도 3b에서 출력 데이터는 측정된 수질 데이터를 용도에 따라 전처리한 것이다. 출력 데이터는 수질 데이터가 용도에 적합할 경우(Suitable quality)와 용도에 적합하지 않은 경우(Unsuitable quality)로 구분될 수 있다. 도 3b는 각 측정 지점에서 전처리된 수질 데이터, 즉 출력 데이터를 GIS 상에 표시하고 있다.
도 3b에서 지하수의 수질을 측정한 지점은 6,135 지점인 경우로, 용도는 미네랄 워터(mineral water)로 설정된 경우이다. 미네랄 워터 용도에 적합한 수질이 관측된 지점은 254 지점, 미네랄 워터 용도에 부적합한 수질이 관측된 지점은 5,881 지점임을 확인할 수 있다.
도 3을 참조하면, 일실시예에 따른 지하수 수질 예측 모델(200)의 생성 방법을 수행하는 컴퓨팅 장치(100)는 측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 수집할 수 있다. 컴퓨팅 장치(100)는 도 3b와 같이 GIS 상에 표시되는 용도에 따라 전처리된 수질 데이터에 해당하는 출력 데이터를 수집할 수 있다.
도 3을 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 입력 데이터를 수집할 수 있다. 예를 들어, 도 3a와 같이 GIS 기반의 입력 데이터로부터 수질 데이터가 측정된 지점의 위치에서 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 입력 데이터를 추출하여 수집할 수 있다.
도 3을 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 입력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 분석하여 지하수 수질 예측 모델(200)을 학습시킬 수 있다.
앞서 설명한 바와 같이, 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성은 복합적으로 지하수의 수질에 영향을 미칠 수 있다. 컴퓨팅 장치(100)는 연관 관계를 분석하여 지하수 수질 예측 모델(200)을 학습시킴으로써, 지하수 수질 예측 모델(200)은 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성 등과 같은 다양한 환경 요인이 지하수의 수질에 미치는 영향을 고려하여 출력 데이터를 도출하도록 학습될 수 있다.
상기의 내용을 종합하면, 지하수 수질 예측 모델(200)은 입력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 분석하여 학습될 수 있다. 따라서, 컴퓨팅 장치(100)는 지하수 수질 예측 모델(200)에 입력 데이터와 동일한 형식을 갖는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 입력하여, 예측 지점의 용도별 예측 수질을 결정할 수 있다.
일실시예에 따른 지하수 수질 예측 모델(200)을 학습시키기 위한 입력 데이터는 지하수심도 분포도, 지하수의 흐름이 빠르게 나타나는 경로에 해당하는 선 구조도(단층대), 지하수 유역을 구분하는 유역경계에 해당하는 수문지질도, 지하수 산출량 분포도를 더 포함할 수 있다.
지하수의 수질은 지하수가 위치하는 수심에 영향을 받을 수 있다. 예를 들어, 지하수심도가 큰 경우 지하수의 수질은 지표면의 영향이나 토양 사용 용도에 받지 않거나, 적게 받을 수 있다.
또한, 지하수의 흐름의 경로인 선 구조도, 지하수 유역경계인 수문지질도, 지하수 산출량 또한 지하수의 흐름 경로, 속도 등과 관련되어 지하수의 수질에 영향을 미치는 환경 요인에 해당할 수 있다.
따라서, 지하수심도 분포도, 선 구조도, 수문지질도, 지하수 산출량 분포도를 포함하는 입력 데이터를 입력하여 출력 데이터, 즉 용도별 예측 수질을 출력하기 위한 연관 관계를 분석하여 지하수 수질 예측 모델(200)을 학습시켜 지하수 수질 예측의 정확도를 높일 수 있다.
일실시예에 따른 컴퓨팅 장치(100)는 지하수를 양수할 때 수질 데이터가 측정된 지점의 지하수 수질에 영향을 미치는 영역(110)을 설정하고, 영역(110) 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 수질 데이터가 측정된 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 입력 데이터를 수집할 수 있다. 지하수 수질 예측 모델(200)을 학습시키기 위한 입력 데이터도 각 관측 지점의 지하수 수질에 영향을 미치는 영역(110)을 고려하여 수집될 수 있다.
따라서 컴퓨팅 장치(100)는 각 관측 지점마다 영역(110)을 설정하고, 영역(110) 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 입력 데이터를 수집하고, 수집된 입력 데이터를 이용하여 지하수 수질 예측 모델(200)을 학습시킬 수 있다. 이때, 학습된 지하수 수질 예측 모델(200)은 예측 지점 인근 지역의 환경 요인을 고려하여 지하수의 수질을 예측할 수 있다.
또한, 전술한 영역(110)에 대한 설명과 같이, 컴퓨팅 장치(100)는 수질 데이터가 측정된 지점으로부터 미리 설정한 거리 이내로 영역(110)을 설정할 수 있다. 컴퓨팅 장치(100)는 영역(110)의 형태를 수질 데이터가 측정된 지점의 지하수 흐름 방향에 대응하도록 설정할 수 있다.
일례로, 컴퓨팅 장치(100)는 양수량 및 상기 수질 데이터가 측정된 지점의 투수도 및 수리 경사도에 따른 수질 데이터가 측정된 지점의 지하수의 흐름을 고려하여, 양수량이 클수록 영역(110)의 면적을 크게 설정하고, 수질 데이터가 측정된 지점의 투수도 또는 수리 경사도가 작을수록 영역(110)의 면적을 크게 설정할 수 있다. 즉, 컴퓨팅 장치(100)는 관측 지점의 지하수의 흐름을 고려하여 설정된 영역(110) 내에서 입력 데이터를 수집하여, 지하수 수질 예측 모델(200)의 예측 정확도를 높일 수 있다.
즉, 지하수 수질 예측 모델(200)을 학습시키기 위한 입력 데이터는 도 2에서 설명한 내용이 동일하게 적용될 수 있다.
일례로, 지하수 수질 예측 방법을 수행하는 컴퓨팅 장치(100)는 지하수 수질 예측 모델(200)의 생성 방법을 수행하는 컴퓨팅 장치(100)에 의해 생성된 지하수 수질 예측 모델(200)을 이용하여 수질을 예측할 수 있다.
도 4는 일실시예에 따른 복수의 지하수 수질 예측 모델(200) 및 통합 모델(210)을 나타낸 도면이다.
도 4를 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 입력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 서로 다른 학습 방법으로 분석하여 복수의 지하수 수질 예측 모델(200)을 학습시킬 수 있다.
컴퓨팅 장치(100)는 서로 다른 학습 방법으로 연관 관계를 분석하여 복수의 지하수 수질 예측 모델(200)을 학습시킬 수 있다. 예를 들어, 지하수 수질 예측 모델 1 내지 n(200-1 내지 200-n)은 각각 ANN(Artificial Neural Network), CNN(Convolution Neural Network), DNN(Deep Neural Network), LSTM(Long-Short Term Memory), Boosted regression tree, Frequency ratio model 등의 인공 신경망 모델을 이용, 즉 서로 다른 학습 방법으로 입력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 분석하여 학습될 수 있다.
즉, 복수의 지하수 수질 예측 모델(200) 각각은 입력 데이터를 입력하여 출력 데이터를 도출하도록 학습된 독립적인 모델일 수 있다.
도 4를 참조하면, 컴퓨팅 장치(100)는 복수의 지하수 수질 예측 모델(200)로부터 도출된 복수의 출력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 분석하여 통합 모델(210)을 학습시킬 수 있다.
서로 다른 학습 방법으로 연관 관계를 분석하여 학습된 복수의 지하수 수질 예측 모델(200)들을 통합하여, 예측 정확도를 높일 수 있다. 예를 들어, 통합 모델(210)은 복수의 지하수 수질 예측 모델(200)에서 출력되는 복수의 출력 데이터 각각에 가중치를 적용하여 출력 데이터를 도출하기 위한 연관 관계를 분석하여 학습될 수 있다.
일례로, 통합 모델(210)은 회귀 분석을 통해 복수의 출력 데이터 각각에 적용될 가중치를 결정할 수 있다. 통합 모델(210)은 서로 다른 학습 방법으로 학습된 복수의 지하수 수질 예측 모델(200)을 결합함으로써 지하수 수질 예측의 성능과 안정성을 향상시킬 수 있다.
일례로, 컴퓨팅 장치(100)는 위에서 설명한 복수의 지하수 수질 예측 모델(200) 각각에 지형 특성, 토양 사용 용토, 표토 특성 및 암반 특성에 관한 데이터를 입력하여 복수의 용도별 예측 수질을 결정할 수 있다. 컴퓨팅 장치(100)는 복수의 용도별 예측 수질을 학습된 통합 모델(210)에 입력하여 예측 지점의 용도별 예측 수질을 결정할 수 있다.
도 5는 일실시예에 따른 학습 데이터와 검증 데이터를 나타낸 도면이다.
도 5를 참조하면, 일실시예에 따른 컴퓨팅 장치(100)는 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 지하수 수질 예측 모델(200)을 학습시킬 수 있다.
도 5의 (a)는 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 나타낸다. (a)에서 입력 데이터와 출력 데이터의 세트는 자료를 의미한다.
일례로, (a)에서 각각은 자료의 일부, 즉 입력 데이터와 출력 데이터의 세트 일부를 검증 데이터로 식별하고, 나머지를 학습 데이터롤 식별한 경우를 나타낸다. 즉, 자료 1/10을 검증 데이터, 나머지 자료를 학습 데이터로 식별하는 경우, 자료 2/10을 검증 데이터, 나머지 자료를 학습 데이터로 식별하는 경우, 자료 3/10을 검증 데이터, 나머지 데이터를 학습 데이터로 식별하는 경우 등과 같이 학습 데이터와 검증 데이터의 세트를 식별할 수 있다.
(a)에서 식별된 학습 데이터와 검증 데이터의 세트는 10개인 경우로, 각각의 세트에서 학습 데이터와 검증 데이터는 서로 상이할 수 있다. 즉, 컴퓨팅 장치(100)는 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 지하수 수질 예측 모델(200)을 학습시킬 수 있다.
도 5의 (b)를 참조하면, 컴퓨팅 장치(100)가 복수의 지하수 수질 예측 모델(200) 각각을 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습시킬 수 있다.
도 5의 (b)를 참조하면, 컴퓨팅 장치(100)는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 학습된 복수의 지하수 수질 예측 모델(200) 각각을 통합 모델(210)을 통하여 통합시킬 수 있다.
도 5를 참조하면, 일실시예에 따른 지하수 수질 예측 모델(200)은 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습된 것일 수 있다. 컴퓨팅 장치(100)는 지하수 수질 예측 모델(200)에 지형 특성 등에 관한 데이터를 입력하여 용도별 예측 수질을 결정할 수 있다.
도 5를 참조하면, 일실시예에 따른 복수의 지하수 수질 예측 모델(200)은 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습된 것일 수 있다. 컴퓨팅 장치(100)는 복수의 지하수 수질 예측 모델(200)로부터 출력되는 복수의 용도별 예측 수질을 통합 모델(210)에 입력하여 예측 지점에서의 용도별 예측 수질을 결정할 수 있다.
도 6은 일실시예에 따른 복수의 지하수 수질 예측 모델(200) 및 통합 모델(210)을 이용하여 생성한 포텐셜 맵을 나타낸 도면이다.
도 6에서 3개의 지하수 수질 예측 모델(200)을 각각 Boosted regression tree, DNN(Deep Neural Network), Frequency ratio에 따라 학습한 결과를 GIS 상에서 확인할 수 있다. 각각의 지하수 수질 예측 모델(200)은 입력 데이터와 출력 데이터로부터 식별되는 서로 다른 10개의 학습 데이터와 검증 데이터의 세트를 이용하여 10회 학습된 결과들에 기초하여 학습된 것이다.
각각의 지하수 수질 예측 모델(200)은 동일한 입력 데이터와 출력 데이터를 이용하여 학습되었으나, 서로 다른 학습 방법으로 학습되었기 때문에 결정된 예측 지점의 용도별 예측 수질, 즉 GIS 상에 표시되는 포텐셜 맵의 차이가 발생할 수 있다.
도 6을 참조하면, 통합 모델(210)은 선형 회귀(Linear regression) 분석, 로지스틱 회귀(Logistic regression) 분석 등을 이용하여, 3개의 지하수 수질 예측 모델(200)을 통합할 수 있다. 통합 모델(210)은 3개의 지하수 수질 예측 모델(200)에서 결정된 각각의 출력 데이터를 입력하여 예측 지점의 용도별 예측 수질을 결정하는 것일 수 있다.
도 6을 참조하면, 회귀 분석 방법에 따라 통합 모델(210)에서 출력되는 포텐셜 맵이 달라질 수 있다.
이하의 도 7 및 도 8은 일실시예에 따른 지하수 수질 예측 방법 및 지하수 수질 예측 모델(200)의 생성 방법에 관한 것이다. 지하수 수질 예측 방법 및 지하수 수질 예측 모델(200)의 생성 방법은 각각 지하수 수질 예측 방법을 수행하는 컴퓨팅 장치(100), 수질 예측 모델의 생성 방법을 수행하는 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 컴퓨팅 장치(100)에 대하여 설명된 내용은 지하수 수질 예측 방법 및 지하수 수질 예측 모델(200)의 생성 방법에 대해서도 동일하게 적용될 수 있다.
도 7은 일실시예에 따른 지하수 수질 예측 방법을 나타낸 도면이다.
도 7을 참조하면, S110 단계에서 컴퓨팅 장치(100)는 지하수의 수질을 예측하려는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 표토 하부의 암반 특성에 관한 데이터를 수집할 수 있다. 수집되는 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터는 지하수의 수질에 영향을 미치는 환경 요인들에 해당한다.
다음으로, S120 단계에서 컴퓨팅 장치(100)는 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 지하수 수질 예측 모델(200)에 입력하여, 예측 지점의 용도별 예측 수질을 결정할 수 있다. 결정된 예측 지점의 용도별 예측 수질은 용도에 적합한 확률을 의미할 수 있다. 지하수 수질 예측 모델(200)은 지형 특성 등과 같은 예측 지점의 환경 요인을 고려하여 용도별 예측 수질을 결정하도록 학습된 것일 수 있다.
도 8은 일실시예에 따른 지하수 수질 예측 모델(200)의 생성 방법을 나타낸 도면이다.
도 8을 참조하면, 단계 S210에서 컴퓨팅 장치(100)는 측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 수집할 수 있다. 예를 들어, 용도가 미네랄 워터인 경우, 미네랄 워터로 사용하기 적합한 수질 데이터와 부적합한 수질 데이터로 수질 데이터를 전처리할 수 있다.
다음으로 단계 S220에서 컴퓨팅 장치(100)는 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 표토 하부의 암반 특성에 관한 입력 데이터를 수집할 수 있다. 컴퓨팅 장치(100)는 측정 지점의 지하수 수질에 영향을 미치는 영역(110)을 설정하고, 영역(110) 내의 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 입력 데이터를 수집할 수 있다.
다음으로 단계 S230에서 컴퓨팅 장치(100)는 입력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 분석하여 지하수 수질 예측 모델(200)을 학습시킬 수 있다. 입력 데이터는 지형, 토양 사용 용도, 표토 특성 및 암반 특성 등에 관한 데이터이다. 컴퓨팅 장치(100)는 입력 데이터를 입력하여 출력 데이터를 도출하기 위한 연관 관계를 분석함으로써, 지하수 수질에 영향을 미치는 다양한 환경 요인을 고려하여 지하수 수질을 예측하는 지하수 수질 예측 모델(200)을 학습시킬 수 있다.
한편, 본 발명에 따른 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체) 또는 전파 신호에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체 및 전송매체를 모두 포함할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
100: 컴퓨팅 장치
110: 영역
200: 지하수 수질 예측 모델
210: 통합 모델

Claims (18)

  1. 지하수 수질 예측 방법에 있어서,
    지하수의 수질을 예측하려는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 데이터를 수집하는 단계; 및
    상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 지하수 수질 예측 모델에 입력하여, 상기 예측 지점의 용도별 예측 수질을 결정하는 단계
    를 포함하는, 지하수 수질 예측 방법.
  2. 제1항에 있어서,
    상기 수집하는 단계는,
    상기 예측 지점에서 지하수를 양수할 때 상기 예측 지점의 지하수 수질에 영향을 미치는 영역을 설정하고, 상기 영역 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 상기 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 수집하는, 지하수 수질 예측 방법.
  3. 제2항에 있어서,
    상기 수집하는 단계는,
    상기 영역을 상기 예측 지점으로부터 미리 설정한 거리 이내로 설정하는, 지하수 수질 예측 방법.
  4. 제2항에 있어서,
    상기 수집하는 단계는,
    상기 영역의 형태를 상기 예측 지점의 지하수 흐름 방향에 대응하도록 설정하는, 지하수 수질 예측 방법.
  5. 제2항에 있어서,
    상기 수집하는 단계는,
    양수량 및 상기 예측 지점의 투수도 및 수리 경사도에 따른 상기 예측 지점의 지하수의 흐름을 고려하여, 상기 양수량이 클수록 상기 영역의 면적을 크게 설정하고, 상기 예측 지점의 투수도 또는 수리 경사도가 작을수록 상기 영역의 면적을 크게 설정하는, 지하수 수질 예측 방법.
  6. 제1항에 있어서,
    상기 결정하는 단계는,
    상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 서로 다른 학습 방법으로 학습된 복수의 지하수 수질 예측 모델 각각에 입력하여 복수의 용도별 예측 수질을 결정하는 단계; 및
    상기 복수의 용도별 예측 수질을 학습된 통합 모델에 입력하여 상기 예측 지점의 용도별 예측 수질을 결정하는 단계
    를 포함하는, 지하수 수질 예측 방법.
  7. 제1항에 있어서,
    상기 지하수 수질 예측 모델은,
    입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습된 것이고,
    상기 출력 데이터는 측정된 수질 데이터를 용도에 따라 전처리한 것이고, 상기 입력 데이터는 상기 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 것인, 지하수 수질 예측 방법.
  8. 지하수 수질 예측 모델의 생성 방법에 있어서,
    측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 수집하는 단계;
    상기 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 입력 데이터를 수집하는 단계; 및
    상기 입력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 분석하여 상기 지하수 수질 예측 모델을 학습시키는 단계
    를 포함하는 지하수 수질 예측 모델의 생성 방법.
  9. 제8항에 있어서,
    상기 수집하는 단계는,
    지하수를 양수할 때 상기 수질 데이터가 측정된 지점의 지하수 수질에 영향을 미치는 영역을 설정하고, 상기 영역 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 상기 수질 데이터가 측정된 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 입력 데이터를 수집하는, 지하수 수질 예측 모델의 생성 방법.
  10. 제9항에 있어서,
    상기 수집하는 단계는,
    상기 영역을 상기 수질 데이터가 측정된 지점으로부터 미리 설정한 거리 이내로 설정하는, 지하수 수질 예측 모델의 생성 방법.
  11. 제9항에 있어서,
    상기 수집하는 단계는,
    상기 영역의 형태를 상기 수질 데이터가 측정된 지점의 지하수 흐름 방향에 대응하도록 설정하는, 지하수 수질 예측 모델의 생성 방법.
  12. 제9항에 있어서,
    상기 수집하는 단계는,
    양수량 및 상기 수질 데이터가 측정된 지점의 투수도 및 수리 경사도에 따른 상기 수질 데이터가 측정된 지점의 지하수의 흐름을 고려하여, 상기 양수량이 클수록 상기 영역의 면적을 크게 설정하고, 상기 수질 데이터가 측정된 지점의 투수도 또는 수리 경사도가 작을수록 상기 영역의 면적을 크게 설정하는, 지하수 수질 예측 모델의 생성 방법.
  13. 제8항에 있어서,
    상기 학습시키는 단계는,
    상기 입력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 서로 다른 학습 방법으로 분석하여 복수의 지하수 수질 예측 모델을 학습시키는 단계; 및
    상기 복수의 지하수 수질 예측 모델로부터 도출된 복수의 출력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 분석하여 통합 모델을 학습시키는 단계
    를 포함하는 지하수 수질 예측 모델의 생성 방법.
  14. 제8항에 있어서,
    상기 학습시키는 단계는,
    상기 입력 데이터와 출력 데이터의 세트로부터 식별되는 서로 다른 복수개의 학습 데이터와 검증 데이터의 세트를 이용하여 복수회 학습된 결과들에 기초하여 학습시키는, 지하수 수질 예측 모델의 생성 방법.
  15. 지하수 수질 예측 방법을 수행하는 컴퓨팅 장치에 있어서,
    프로세서를 포함하고,
    상기 프로세서는,
    지하수의 수질을 예측하려는 예측 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 데이터를 수집하고, 상기 지형 특성, 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 지하수 수질 예측 모델에 입력하여, 상기 예측 지점의 용도별 예측 수질을 결정하는, 컴퓨팅 장치.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 예측 지점에서 지하수를 양수할 때 상기 예측 지점의 지하수 수질에 영향을 미치는 영역을 설정하고, 상기 영역 내의 토양 사용 용도, 표토 특성 및 암반 특성을 고려하여 결정된 상기 예측 지점의 토양 사용 용도, 표토 특성 및 암반 특성에 관한 데이터를 수집하는, 컴퓨팅 장치.
  17. 제16항에 있어서,
    상기 프로세서는,
    양수량 및 상기 예측 지점의 투수도 및 수리 경사도에 따른 상기 예측 지점의 지하수의 흐름을 고려하여, 상기 양수량이 클수록 상기 영역의 면적을 크게 설정하고, 상기 예측 지점의 투수도 또는 수리 경사도가 작을수록 상기 영역의 면적을 크게 설정하는, 컴퓨팅 장치.
  18. 지하수 수질 예측 모델의 생성 방법을 수행하는 컴퓨팅 장치에 있어서,
    프로세서를 포함하고,
    상기 프로세서는,
    측정된 수질 데이터를 용도에 따라 전처리한 출력 데이터를 수집하고, 상기 수질 데이터가 측정된 지점의 지형 특성, 토양 사용 용도, 표토 특성 및 상기 표토 하부의 암반 특성에 관한 입력 데이터를 수집하고, 상기 입력 데이터를 입력하여 상기 출력 데이터를 도출하기 위한 연관 관계를 분석하여 상기 지하수 수질 예측 모델을 학습시키는, 컴퓨팅 장치.
KR1020210072821A 2021-06-04 2021-06-04 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치 KR102647332B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210072821A KR102647332B1 (ko) 2021-06-04 2021-06-04 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210072821A KR102647332B1 (ko) 2021-06-04 2021-06-04 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치

Publications (2)

Publication Number Publication Date
KR20220164271A true KR20220164271A (ko) 2022-12-13
KR102647332B1 KR102647332B1 (ko) 2024-03-13

Family

ID=84438946

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210072821A KR102647332B1 (ko) 2021-06-04 2021-06-04 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치

Country Status (1)

Country Link
KR (1) KR102647332B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390471A (zh) * 2023-12-12 2024-01-12 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 一种水文地质数据管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050112218A (ko) * 2004-05-25 2005-11-30 주식회사 지오웍스 토양 및 지하수의 오염 진단시스템 및 그 방법
KR20090093174A (ko) * 2008-02-28 2009-09-02 연세대학교 산학협력단 지하수오염 취약성 평가방법 및 그 시스템
KR20100062327A (ko) * 2008-12-02 2010-06-10 연세대학교 산학협력단 유전자 알고리즘을 이용한 지하수오염취약성 평가 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050112218A (ko) * 2004-05-25 2005-11-30 주식회사 지오웍스 토양 및 지하수의 오염 진단시스템 및 그 방법
KR20090093174A (ko) * 2008-02-28 2009-09-02 연세대학교 산학협력단 지하수오염 취약성 평가방법 및 그 시스템
KR20100062327A (ko) * 2008-12-02 2010-06-10 연세대학교 산학협력단 유전자 알고리즘을 이용한 지하수오염취약성 평가 방법 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390471A (zh) * 2023-12-12 2024-01-12 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 一种水文地质数据管理方法及系统
CN117390471B (zh) * 2023-12-12 2024-03-26 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 一种水文地质数据管理方法及系统

Also Published As

Publication number Publication date
KR102647332B1 (ko) 2024-03-13

Similar Documents

Publication Publication Date Title
Galle et al. AMMA‐CATCH, a critical zone observatory in West Africa monitoring a region in transition
Mosavi et al. Susceptibility mapping of groundwater salinity using machine learning models
Bogunovic et al. Mapping soil organic matter in the Baranja region (Croatia): Geological and anthropic forcing parameters
Hughes et al. Gully erosion mapping for the national land and water resources audit
Levy et al. Modeling nitrate from land surface to wells' perforations under agricultural land: success, failure, and future scenarios in a Mediterranean case study
Yasin et al. Application of SWAT model for hydrologic and water quality modeling in Thachin River Basin, Thailand
Jakada et al. An approach to runoff modelling in small karst watersheds using the SWAT model
Mckenzie et al. Digital soil mapping with improved environmental predictors and models of pedogenesis
Akter et al. Space-time modelling of groundwater level and salinity
KR102647332B1 (ko) 지하수 수질 예측 방법 및 지하수 수질 예측 모델의 생성 방법, 및 상기 방법을 수행하는 컴퓨팅 장치
Fu et al. Spatial and temporal variability of 0‐to 5‐m soil–water storage at the watershed scale
Hansen et al. Importance of geological information for assessing drain flow in a Danish till landscape
Muduli et al. Mapping of heterogeneity on groundwater level and potential zones along expeditiously urbanizing tropical coastal regions
Walia et al. Runoff induced soil erosion and its impact on the quality of water for Upper-Patiala-Ki-Rao catchment lying on Shivalik hills
Christiansen et al. N-Map: High-resolution groundwater N-retention mapping and modelling by integration of geophysical, geological, geochemical, and hydrological data
Teketel Integrated hydrological modeling of surface-groundwater interactions: the case of Denpasar-Tabanan Basin in the Southern Bali Island
Nanda et al. Harnessing SMAP satellite soil moisture product to optimize soil properties to improve water resource management for agriculture
Tiwari et al. Spatiotemporal mapping of groundwater recharge potential zones for physical planning process—A case of Ajmer City, India
Rajaveni et al. Groundwater Modelling for Sustainable Management of Coastal Aquifers in the Context of Climate Change
Mwabumba Hydrologic responses to climate and land use/cover changes in world heritage site of Ngorongoro conservation area and surrounding catchments, northern Tanzania
Gonzalez Prediction of groundwater levels in a changing climate
Bedri Groundwater Potential Mapping using Random Forest Algorithm in the Highlands of Somali Regional State, Ethiopia
Paranavithana et al. Unravelling spatial drivers of topsoil total carbon variability in tropical paddy soils of Sri Lanka
Angileri Water erosion prediction by stochastic and empirical models in the Mediterranean: A case study in Northern Sicily (Italy)
Hina et al. Landslide Susceptibility Analysis Using GIS and Logistic Regression Model A Case Study In Malang, Indonesia

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right