KR20230098937A - 기계학습을 이용한 수계 조류 발생량 예측방법 - Google Patents
기계학습을 이용한 수계 조류 발생량 예측방법 Download PDFInfo
- Publication number
- KR20230098937A KR20230098937A KR1020210187921A KR20210187921A KR20230098937A KR 20230098937 A KR20230098937 A KR 20230098937A KR 1020210187921 A KR1020210187921 A KR 1020210187921A KR 20210187921 A KR20210187921 A KR 20210187921A KR 20230098937 A KR20230098937 A KR 20230098937A
- Authority
- KR
- South Korea
- Prior art keywords
- algae
- machine learning
- predicting
- amount
- model
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims description 33
- 229930002868 chlorophyll a Natural products 0.000 claims description 20
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 20
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 229910052698 phosphorus Inorganic materials 0.000 description 7
- 239000011574 phosphorus Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 230000012010 growth Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000005791 algae growth Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001195 anabolic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002063 effect on algae Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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"
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
Abstract
기계학습을 이용한 수계 조류 발생량 예측방법으로, 상기 기계학습은 랜덤 포레스트 모델을 이용하는 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법이 제공된다.
Description
본 발명은 기계학습을 이용한 수계 조류 발생량 예측방법에 관한 것이다.
조류 발생에 대한 예측은 환경모델링에 있어 주된 관심사 중 하나다. 하지만 시계열 자료를 이용한 합성곱 신경망, 순환 신경망의 일종인 게이트 순환 유닛(gated recurrent unit)을 이용한 클로로필 a 예측 사례는 찾아보기 힘들다.
또한, 단일 측정소의 자료를 이용하여 예측한 사례는 있으나, 다수의 지점 자료를 이용한 수계의 클로로필 a 예측을 통한 조류 발생 평가 모델을 제시한 사례는 찾기 힘들다.
따라서, 본 발명이 해결하고자 하는 과제는 다수 측정소에서의 자료를 활용하여 기계학습 방법으로 클로로필 a를 예측하는 방법을 제공하는 것이다.
본 발명에 따르면, 기계학습을 이용한 수계 조류 발생량 예측방법으로, 상기 기계학습은 랜덤 포레스트 모델을 이용하는 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법을 제공한다.
본 발명의 일 실시예에서, 상기 수계 조류 발생량은 클로로필 a을 발생량이며, 상기 랜덤 포레스트 모델의 학습, 테스트 자료는 각각 전체 자료의 70%, 30%이다.
본 발명의 일 실시예에서, 상기 랜덤 포레스트 모델의 트리 개수는 70 내지 80개이며, 상기 랜덤 포레스트 모델의 랜덤변수는 TOC, TN, pH, 수온, TP, 전기전도도, DO, 최저온도, 평균온도, 최고온도이며, 랜덤변수 중 가장 높은 중요도는 TOC이다.
본 발명에 따르면, 랜덤 포레스트(random forest, RF) 모델을 통하여 다수의 측정소로부터의 측정데이터로부터 클로로필 a를 예측한다. 특히 최적 모델의 변수 중요도 분석 결과 TOC(27%), TN(19%), pH(13%), 수온(8%), TP(8%), 전기전도도(7%), DO(6%), 최저온도(4%), 평균온도(3%), 최고온도(3%) 순으로 나타나 수계 조류예측에서 가장 중요한 인자는 TOC임을 확인하였으며, 이로부터 보다 정확한 조류예측이 가능하다.
도 1 및 2는 각각 본 발명의 일 실시예에 따른 클로로필 a 예측모델 블록도이고, 각 모델별 예측결과이다.
도 3은 무작위추출 자료를 이용한 랜덤 포레스트 (a) 학습 및 (b) 테스트 결과이고, 도 4는 자료구성 및 학습, 테스트 비율에 따른 랜덤 포레스트 예측 결과를 나타낸다.
도 5는 본 발명에 따라 최적화된 랜덤 포레스트 모델을 적용한 경우 변수간 중요도를 분석한 결과이고, 도 6은 랜덤 포레스트 인자별 예측 결과이다.
도 3은 무작위추출 자료를 이용한 랜덤 포레스트 (a) 학습 및 (b) 테스트 결과이고, 도 4는 자료구성 및 학습, 테스트 비율에 따른 랜덤 포레스트 예측 결과를 나타낸다.
도 5는 본 발명에 따라 최적화된 랜덤 포레스트 모델을 적용한 경우 변수간 중요도를 분석한 결과이고, 도 6은 랜덤 포레스트 인자별 예측 결과이다.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하도록 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
본 발명은 한강 수계에 대한 클로로필 a 평가 모델에 대한 제시를 위하여 다수의 측정소 자료를 수집하여 기계학습, 심층학습 기법을 적용, 클로로필 a 예측을 하였으며, 최적화된 모델 내 적용된 인자에 대한 고찰을 통하여 클로로필 a와 적용 인자의 관계를 분석하였다.
도 1 및 2는 각각 본 발명의 일 실시예에 따른 클로로필 a 예측모델 블록도이고, 각 모델별 예측결과이다.
도 1 및 2를 참조하면, 랜덤 포레스트(RF) 모델이 0.7 수준의 높은 결정계수(R2)를 갖는 것을 알 수 있다. 따라서, 여러 기계학습 모델 중 클로포릴 a 예측에 있어서는 랜덤 포레스트 모델이 클로로필 a 예측에 가장 적합하다는 것을 알 수 있다. 이하 이를 보다 상세히 설명한다.
본 발명의 일 실시예에서 사용된 랜덤 포레스트는 기계학습 모델 중 하나인 결정 트리(decision tree)를 다중으로 연결 한 앙상블(ensemble) 모델이다(Fig. 3.2). 하나의 트리만을 사용하는 결정 트리와는 다르게 bootstrap aggregating(bagging)을 통하여 전체 자료를 상관관계가 없는 독립적인 트리 구성에 무작위 복원 추출한 자료구성을 분배하여 계산한 다음 종합한 결과를 다 수결 결정(majority voting)을 하여 최적 결과를 얻는다(Breiman, 2001).
이러한 방식은 모델 내 트리들이 독립적인 자료로 학습 과정을 거치며 다른 특성을 가져 하나의 결정 트리를 이용하는 것보다 일반화(generalization) 성능이 향상되어 과적합(overfitting)을 방지하는 데 도움이 된다. 따라서 트리 개수의 설정이 중요하며, 본 발명에선 최적의 트리 개수 설정을 통해 최적화를 진행하였다. 트리 당 최소 자료 개수는 2로 설정하였으며, 분할에 고려할 최대 인자 개수는 자동으로 설정하였다. 트리 당 계산하는 깊이는 예측값인 클로로필 a가 결정될 때까지 분할되도록 설정하였다.
랜덤 포레스트는 구성 과정에서 bootstrap을 통한 무작위 중복 추출에서 학습 자료에 들어가지 않은 OOB 자료(out of bag data)를 통하여 학습 결과를 바탕으로 예측 후 발생하는 테스트 결과인 OOB-오차(out of bag error)를 얻을 수 있다. 이를 이용하여 변수의 중요도를 파악할 수 있다는 장점을 가지고 있다(Breiman, 2001). 본 발명에선 이를 이용하여 랜덤 포레스트 학습 및 테스트 결과를 바탕으로 변수 중요도를 분석하여 실제 모델에서 입력변수의 기여도에 대한 분석을 수행하였다. 기여도 분석 결과를 바탕으로 입력변수와 예측 변수인 클로로필 a의 관계를 문헌 발명를 통하여 환경적 측면에서 분석하였다.
도 3은 무작위추출 자료를 이용한 랜덤 포레스트 (a) 학습 및 (b) 테스트 결과이고, 도 4는 자료구성 및 학습, 테스트 비율에 따른 랜덤 포레스트 예측 결과를 나타낸다.
도 3 및 4를 참조하면, 랜덤 포레스트 최적화 결과 train R2=0.952, test R2=0.747, train RMSE=3.152, test RMSE=8.617, train MAE=1.539, test MAE=4.109를 얻었다. 무작위추출 자료를 이용한 모델(train R2=0.952, test R2=0.738, train RMSE=3.109, test RMSE=8.768, train MAE=1.547, test MAE=4.249)이 시계열 자료를 이용한 모델보다 높은 예측 성능을 보였다(도 4 참조).
시계열 자료를 이용한 모델은 학습 과정에선 무작위추출 자료를 이용한 모델보다 좋은 결과를 냈지만, 테스트 과정에선 오차가 상대적으로 높게 나왔으며, 시계열 자료에서 학습 과정 중 지나친 학습으로 테스트 자료에 대한 예측 성능이 감소하는 과적합이 발생했을 가능성이 있었다. 따라서, 전체 자료 중 학습 자료의 비율을 70%, 테스트 자료의 비율을 30%로 한 모델이 가장 높은 예측률을 보였다. 학습 자료를 80%, 테스트 자료를 20%로 하여 예측을 시도한 경우 test R2가 감소 하였다. 학습, 테스트 자료의 비율을 60% 40%로 하여 예측을 시도한 결과 학습, 테스트 자료를 70%, 30%로 설정한 결과보다 낮은 성능을 보였다. 모델의 하이퍼 파라미터 조정 결과 트리 개수를 78개로 하였을 경우 가장 높은 예측률을 보였다. 80개 이상으로 트리 개수를 설정할 경우 R2의 경우 학습, 테스트 모두 변화가 없었으며, RMSE, MAE의 경우 오차가 감소하는 모습을 보였으나, 증가하는 트리 개수에 비하여 적은 예측률 개선을 보였다. 따라서, 트리 개수는 80개 이하로 하는 것이 바람직하며, 보다 바람직하게는 78개가 속하는 70 내지 80개 범위이다.
도 5는 본 발명에 따라 최적화된 랜덤 포레스트 모델을 적용한 경우 변수간 중요도를 분석한 결과이고, 도 6은 랜덤 포레스트 인자별 예측 결과이다.
도 5 및 6을 참조하면, 1% 중요도를 보인 강수량만을 제거했을 경우 예측 성능 에서 큰 차이를 보이지 않았다(도 6 참조). TOC, TN, pH, 수온, TP, 전기전도도, DO를 이용한 경우 학습, 테스트 R2의 경우 차이가 크지 않았으나, RMSE, MAE의 경우 학습, 테스트에서 낮아져 모델이 개선된 모습을 보였다(train R2=0.95, test R2=0.74, train RMSE=3.10, test RMSE=8.67, train MAE=1.49, test MAE=3.99). 이후 전기전도도, DO를 제외한 기여도 상위 5개의 인자로 예측을 시도한 결과 모든 지표에서 예측 성능이 감소했으며, 기여도가 10% 이상인 TOC, TN, pH만을 이용하여 예측을 시도한 결과 test R2가 0.2 낮아지는 모습을 보였다(train R2=0.92, test R2=0.54, train RMSE=4.01, test RMSE=11.57, train MAE=2.21, test MAE=6.07). 이 과정에서 TP를 제외한 모델보다 수온을 제외한 모델의 test R2의 변화가 컸다. 이를 통해 본 모델에서 기여도 분석 결과가 비슷한 수온과 TP 중 모델 내 클로로필 a에 더 큰 영향을 주는 것은 수온임을 알 수 있었다. 이는 상관관계 분석 결과 수온과 클로로필 a의 상관도 (0.32)가 TP와 클로로필 a와의 상관도(0.2)보다 높은 것과 유사하였다.
pH의 경우 세 번째로 높은 기여도를 보였다. 선행문헌(Berenguel et al., 2004)에 의하면 조류 세포는 생장 중 광합성을 통해 CO2를 소비하며, pH에 변화를 줄 수 있다. 따라서 pH는 조류 성장에 간접적으로 영향을 줄 수 있는 인자라 할 수 있다. 선행연구에 의하면 조류 성장에 대한 pH의 직접적인 영향은 pH가 5∼8.5일 때 여러 인자에 따 라 제한될 수 있다(Shoener et al., 2019). 본 발명의 pH는 6.2∼9.7이며 평균 7.617이다. 이 중 8.5를 넘는 pH를 보유한 자료는 475개로 전체 자료의 약 3%만을 차 지하여 전체 자료의 97%가 5∼8.5 사이에 포함되었다. 따라서 본 발명에서 pH는 여러 인자의 작용에 따라 조류 성장에 대한 직접적인 영향을 주는데 제한이 되었을 가능성이 있다. 또한, pH는 질소는 종류에 따라 영향을 받을 수 있는데 암모늄의 경우 동화 작용으로 양성자를 방출하여 pH를 감소시키며, 반대로 질산염은 양성자를 소비하여 pH를 증가시킬 수 있다(Nguyen and Rittmann, 2015). 따라서 조류 세포에 대한 간접 적인 영향과 두 번째로 기여도가 높은 TN의 영향으로 다른 인자들보다 모델 내 높은 기여도를 보였다고 할 수 있다.
수온은 조류 성장에 있어서 중요한 인자 중 하나로 수온의 상승은 조류의 성장을 촉진하며, 수생 생물의 화학적 조건에 많은 영향을 준다. 또한, 퇴적물에서 더 많은 양의 인의 방출을 유도하여 수중 인 농도를 상승시킨다(Shi et al., 2020). 따라서 외부 온도의 상승에 의한 수온 상승은 수중 인 농도의 상승과 직접적인 연관성을 가지게 되며, 조류 발생량에 수온이 영향을 미침을 알 수 있다. 따라서 조류 발생량에 따라 직접적인 영향을 받는 TOC, TN, pH와 달리 영향 인자로서 작용하는 수온은 상대적으로 중 요도가 떨어질 수 있다. 최저, 평균, 최고온도는 수온에 비해 높은 중요도를 보이지 않았다. 또한, 저온, 고온에 따라 조류 세포에 미치는 영향이 다르며(Shoener et al., 2019), 대부분의 미세 조류의 경우 14∼30℃에서 광합성, 세포 분열을 수행하며, 최적 온도 범위는 20∼25℃로 알려져 있다(Ras et al., 2013). 따라서 온도는 조류 세포의 생화학적 반응 속도에 영향을 미치는 요소로 본 발명에선 직접적인 클로로필 a 변동엔 큰 영향을 주지 못한 것으로 보인다.
인은 생명체의 성장에 있어 필수 요소로 수생 생태계에서 중요한 영양소다(Shi et al., 2020). 인 제한적 환경에선 세포 내 질소의 흡수 효율이 감소한다는 연구 결과가 있으며(Bougaran et al., 2010), 조류 세포가 인 가용성에 제한되지 않는 환경에선 인 관련 농도의 저감만으론 호수의 생태학적 상태가 개선되지 않을 수 있다는 결과가 있다(Spear et al., 2013). 따라서 조류 세포 작용에 있어 인은 질소 관련 인자의 변화에 간접적인 영향을 준다는 것을 알 수 있으며, 조류 세포가 직접적인 영향을 주는 TN이 환경을 형성하여 간접적인 영향을 주는 TP보다 더 높은 기여도를 보였음을 알 수 있다. 또한, 여러 요인을 종합적으로 분석할 시 TP만으론 생태학적 상태를 정확하게 판단하기 어렵다는 점도 TP의 낮은 중요도의 이유 중 하나인 것으로 보인다(Spear et al., 2013).
이상 살핀 바와 같이 본 발명은 다중 측정소에서 얻은 데이터를 통하여 클로로필 a 예측에 가장 최적화된 인공지능 모델로서 랜던 포레스트 모델을 제공하며, 특히 학습, 테스트 자료는 전체 자료의 70%, 30%, 모델 내 트리 개수는 78에서 가장 높은 성능을 보였다. 따라서, 클로로필 a가 측정되지 않는 수계 내 관측소의 클로로필 a 예측모델로 본 발명에서 제시한 수질, 기상인자를 대입한 최적 랜덤 포레스트 모델을 이용할 수 있을 것으로 예상한다.
Claims (6)
- 기계학습을 이용한 수계 조류 발생량 예측방법으로,
상기 기계학습은 랜덤 포레스트 모델을 이용하는 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법. - 제1항에 있어서,
상기 수계 조류 발생량은 클로로필 a을 발생량인 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법. - 제 1항에 있어서,
상기 랜덤 포레스트 모델의 학습, 테스트 자료는 각각 전체 자료의 70%, 30%인 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법. - 제 1항에 있어서,
상기 랜덤 포레스트 모델의 트리 개수는 70 내지 80개인 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법. - 제 1항에 있어서,
상기 랜덤 포레스트 모델의 랜덤변수는 TOC, TN, pH, 수온, TP, 전기전도도, DO, 최저온도, 평균온도, 최고온도인 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법. - 제 5항에 있어서,
상기 랜덤변수 중 가장 높은 중요도는 TOC인 것을 특징으로 하는 기계학습을 이용한 수계 조류 발생량 예측방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210187921A KR20230098937A (ko) | 2021-12-27 | 2021-12-27 | 기계학습을 이용한 수계 조류 발생량 예측방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210187921A KR20230098937A (ko) | 2021-12-27 | 2021-12-27 | 기계학습을 이용한 수계 조류 발생량 예측방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230098937A true KR20230098937A (ko) | 2023-07-04 |
Family
ID=87156327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210187921A KR20230098937A (ko) | 2021-12-27 | 2021-12-27 | 기계학습을 이용한 수계 조류 발생량 예측방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230098937A (ko) |
-
2021
- 2021-12-27 KR KR1020210187921A patent/KR20230098937A/ko unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829120B (zh) | 基于机器学习方法的水质预测预警系统 | |
| Katz et al. | The “M elosira years” of Lake B aikal: Winter environmental conditions at ice onset predict under‐ice algal blooms in spring | |
| Horn et al. | Long‐term trends in the diatom composition of the spring bloom of a German reservoir: is Aulacoseira subarctica favoured by warm winters? | |
| Wentzky et al. | Seasonal succession of functional traits in phytoplankton communities and their interaction with trophic state | |
| CN103426027A (zh) | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 | |
| CN103793604A (zh) | 一种基于相关向量机的污水处理软测量方法 | |
| CN104215616B (zh) | 基于叶绿素荧光的浮游植物光合速率快速检测方法 | |
| CN113435124A (zh) | 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法 | |
| CN103984996A (zh) | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 | |
| Zhang et al. | Tintinnid community structure in the eastern equatorial Indian Ocean during the spring inter‑monsoon period | |
| CN113793645A (zh) | 一种基于机器学习模型的堆肥腐熟度预测方法 | |
| CN111582567B (zh) | 一种基于递阶集成的风电功率概率预测方法 | |
| Cao et al. | Hybrid evolutionary algorithm for rule set discovery in time-series data to forecast and explain algal population dynamics in two lakes different in morphometry and eutrophication | |
| KR20230098937A (ko) | 기계학습을 이용한 수계 조류 발생량 예측방법 | |
| Hu et al. | Performance of ensemble‐learning models for predicting eutrophication in Zhuyi Bay, Three Gorges Reservoir | |
| Sarker et al. | Phytoplankton ecology in different coastal habitats along the northern Bay of Bengal | |
| Raateoja et al. | Vernal phytoplankton bloom in the Baltic Sea: Intensity and relation to nutrient regime | |
| CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
| Tuvikene | The effect of natural variability on the assessment of ecological status of shallow lakes | |
| Shin et al. | The prediction of diatom abundance by comparison of various machine learning methods | |
| CN114417227A (zh) | 一种水体中叶绿素a浓度预测方法 | |
| CN106959360B (zh) | 应用反向差分演化的稀土矿区农田水体pH值软测量方法 | |
| Liu et al. | Spatiotemporal distribution and prediction of chlorophyll-a in Ulansuhai lake from an arid area of China | |
| CN117688847B (zh) | 基于控制机制及机器学习的海气氧通量遥感反演方法 | |
| Song et al. | Enhanced effects of biotic interactions on predicting multispecies spatial distribution of submerged macrophytes after eutrophication |