기계학습 Adaboost에 기초한 미세먼지 등급 지도
Particulate Matter Rating Map based on Machine Learning with Adaboost Algorithm
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
미세먼지는 사람의 건강에 많은 영향을 미치는 물질로서 이와 관련하여 다양한 연구가 이루어지고있다. 미세먼지의 인체 영향으로 인해 서울시 모니터링 네트워크에서 측정된 과거 데이터를 활용하여미세먼지를 예측하려는 다양한 연구가 진행되고 있다. 본 연구는 2019년 5월 서울시의 미세먼지를 중점으로 진행하였으며, 학습에 사용한 변수는 SO2, CO, NO2, O3와 같은 대기오염물질 데이터를 활용하였다. 예측모델은 Adaboost에 기반하여 구축하였고, 훈련모델은 PM10과 PM2.5로 구분하였다. 에러 메트릭스를 통한 예측모델의 정확도 평가 결과로 Adaboost가 시도되었다. 대기오염물질은 초미세먼지와 더 높은 상관성을 보이는 것으로 나타났지만, 보다 효과적인 분포등급을 제시하기 위해서는 많은 양의 데이터를 학습하고, PM10과 PM2.5의 공간분포등급을 효과적으로 예측하기 위해서 교통량 등의 추가적인 변수를 활용할 필요성이 있다고 판단된다.
Abstract
Fine dust is a substance that greatly affects human health, and various studies have been conducted in this regard. Due to the human influence of particulate matter, various studies are being conducted to predict particulate matter grade using past data measured in the monitoring network of Seoul city. In this paper, predictive model have focused on particulate matter concentration in May, 2019, Seoul. The air pollutant variables were used to training such as SO2, CO, NO2, O3. The predictive model based on Adaboost, and training model was dividing PM10 and PM2.5. As a result of the prediction performance comparison through confusion matrix, the Adaboost model was more conformable for predicting the particulate matter concentration grade. Although air pollutant variables have a higher correlation with PM2.5, training model need to train a lot of data and to use additional variables such as traffic volume to predict more effective PM10 and PM2.5 distribution grade.
참고문헌 (18)
- 환경부, "환경통계연감" (2020)
- 강민성, "한반도 주요 대도시의 PM10 농도 특성 및 배출량과의 상관성 분석", 한국환경과학회지, 25(8), pp.1065~1076 (2016), 한국환경과학회[DOI]
- 김윤기, "Prediction of Citizens’ Emotions on Home Mortgage Rates Using Machine Learning Algorithms", 지적과 국토정보, 49(1), pp.65~84 (2019), 한국국토정보공사[DOI]
- 서울시 e미세먼지(PM2.5) 관리방안, "김운수", 서울연구원, ~, pp.정책리포트 2014-182 (2014)
- 미세먼지 농도의 시·공간적 분포 현황및 잠재영향인자 고찰, "성선용", 국토연구원, ~, pp.WP 19-04 (2019)
- 유재환, "서울시 대기오염측정소의 중복성 분석", 석사, 도시환경시스템공학, pp.2011
- 이기혁, "복합 신경망 구조를 이용한 미세먼지위험단계 예측 모델 설계 및 분석", pp.2020
- 미세먼지가 인체에 미치는 영향에 관한연구동향, "이승복", 2019~, pp.BRIC View 2019-T26 (2019)
- 정종철, "서울시 PM10 공간분포 분석과 시계열 변화", 한국지리정보학회지, 17(1), pp.61~69 (2014), 한국지리정보학회[DOI]
- 정종철, "서울시 미세먼지 관측망 위치 적정성 평가를 위한 공간정보 활용방안", 지적과 국토정보, 47(2), pp.175~184 (2017), 한국국토정보공사[DOI]
- 정종철, "커널분석을 활용한 미세먼지 신규 측정소 선정 - 서울시 초등학교를 대상으로 -", 지적과 국토정보, 49(2), pp.83~92 (2019), 한국국토정보공사[DOI]
- 조경우, "미세먼지 예측을 위한 기계 학습 알고리즘의 적합성 평가", 한국정보통신학회논문지, 23(1), pp.20~26 (2019), 한국정보통신학회[DOI]
- 최임조, "다변량분석법을 활용한 수도권지역의 대기오염측정망 평가", 한국환경과학회지, 25(5), pp.673~681 (2016), 한국환경과학회[DOI]
- Rochelle Schneider dos Santos, "A satellite-based spatio-temporal machine learning model to reconstruct daily PM2.5 concentrations across Great Britain", medRxiv2020.07.19.20157396., ~ (2020)
- Jan Kleine Deters, "Modeling PM2.5Urban Pollution Using Machine Learning and Selected Meteorological Parameters", Journal of Electrical and Computer Engineering, 2017 (2017)
- Hamed Karimian, "Evaluation of Different Machine Learning Approaches to Forecasting PM2. 5 Mass Concentrations", Aerosol and Air Quality Research, 19, pp.1400~1410 (2019)
- Guang Yang, "A Hybrid Deep Learning Model to Forecast Particulate Matter Concentration Levels in Seoul, South Korea, Atomsphere, 11", Atomsphere, 11, pp.348~ (2020)
- Lary D.J., "Using Machine Learning to Estimate Global PM2. 5 for Environmental Health Studies", Environmental Health Insights, 9(S1), pp.41~52 (2015)