머신러닝 기법을 활용한 낙동강 하구 염분농도 예측
Nakdong River Estuary Salinity Prediction Using Machine Learning Methods
1
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
하천의 염분 변화를 신속히 예측하는 것은 염분 침투로 인한 농업, 생태계의 피해를 예측하고 재해 방지 대책을 수립하기 위해서 중요한 작업이다. 머신러닝 기법은 물리 기반 수리 모델에 비해 계산량이 훨씬 적기 때문에, 비교적 짧은 시간에 염분농도를 예측 가능하여 물리 기반 수리 모델의 보완 기법으로 연구되고 있다. 해외에서는 머신러닝 기법 기반 염분 예측 연구들이 활발히 연구되고 있으나, 대한민국의 공공데이터에 머신러닝 기법을 적용한 연구는 충분치 않다. 낙동강 하구의 환경 정보에 관한 공공데이터와 함께, 본 연구는 여러 종류의 머신러닝 기법의 염분농도에 대한 예측 성능을 측정하였다. 실험 결과에서, 결정 트리 기반의 LightGBM 알고리즘은 평균 RMSE 0.37의 예측 정확도와 타 알고리즘 대비 2-20배 빠른 학습 속도를 보여주었다. 따라서 국내 하천의 염분농도 예측에도 머신러닝 기법을 적용할 수 있다고 판단된다.
Abstract
Promptly predicting changes in the salinity in rivers is an important task to predict the damage to agriculture and ecosystems caused by salinity infiltration and to establish disaster prevention measures. Because machine learning(ML) methods show much less computation cost than physics-based hydraulic models, they can predict the river salinity in a relatively short time. Due to shorter training time, ML methods have been studied as a complementary technique to physics-based hydraulic model. Many studies on salinity prediction based on machine learning have been studied actively around the world, but there are few studies in South Korea. With a massive number of datasets available publicly, we evaluated the performance of various kinds of machine learning techniques that predict the salinity of the Nakdong River Estuary Basin. As a result, LightGBM algorithm shows average 0.37 in RMSE as prediction performance and 2-20 times faster learning speed than other algorithms. This indicates that machine learning techniques can be applied to predict the salinity of rivers in Korea.
참고문헌 (18)
- 낙동강유역물관리위, "동강 하구 기수생태계 복원방안 의결", ~ (2022)
- 오정원, "머신러닝 적용 과일 수확시기 예측시스템 설계 및 구현", 스마트미디어저널, 8(1), pp.74~81 (2019), (사)한국스마트미디어학회[DOI]
- 김정준, "에너지저장시스템에서 발전량 예측을 통한 능동적 배터리 충전 관리 방안", 스마트미디어저널, 9(1), pp.84~91 (2020), (사)한국스마트미디어학회[DOI]
- 박동주, "Deep Neural Network 기반 프로야구 일일 관중 수 예측: 광주-기아 챔피언스 필드를 중심으로", 스마트미디어저널, 7(1), pp.16~23 (2018), (사)한국스마트미디어학회[DOI]
- 김상현, "LTSM 신경망을 이용한 당뇨병 입원환자의 혈당 예측", 정보과학회논문지, 47(12), pp.1120~1125 (2020), 한국정보과학회[DOI]
- 원동준, "기계학습을 활용한 경기도 산업단지 미세먼지 예측", 정보과학회논문지, 48(7), pp.764~773 (2021), 한국정보과학회[DOI]
- S. K. Park, "The Study of Salinity Distribution at Nakdong River Estuary", Proceedings of the 18th Korean Society of Coastal and Ocean Engineers Conference, pp.109~112 (2009)
- 추민호, "해수유입과 강우유출 영향에 따른 용원수로의 염분도 변화 예측", 한국수자원학회 논문집, 47(3), pp.297~306 (2014), 한국수자원학회
- T. Rajkumar, "Prediction of salinity in San Francisco bay delta using neural network", IEEE Int‘l Conf. on Systems, Man and Cybernetics. e-Systems and e-Man for Cybernetics in Cyberspace, 1, pp.329~334 (2001)
- C. Qiu, "Time series modeling and prediction of salinity in the Caloosahatchee River Estuary", Water Resources Research, 49(9), pp.5804~5816 (2013)
- A. M. Melesse, "River Water Salinity Prediction Using Hybrid Machine Learning Models", Water, 12(10), pp.2951~2971 (2020)
- D. Tran, "Evaluating the predictive power of different machine learning algorithms for groundwater salinity prediction of multi-layer coastal aquifers in the Mekong Delta, Vietnam", Ecological Indicators, 127 (2021)
- A Three-Dimensional Environmental Fluid Dynamics Computer Code; Theoretical and Computational Aspects, "J. Hamrick", Virginia Institute of Marine Science, ~ (1992)
- Blumberg, A.F, "A primer for ECOMSED version 1.3 users manual", HydroQual, Inc., ~ (2002)
- F. Murtagh, "Multilayer perceptrons for classification and regression", Neurocomputing, 2(5-6), pp.183~197 (1991)
- T. Chen, "XGBoost : A Scalable Tree Boosting System", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
- G. Ke, "LightGBM: A Highly Efficient Gradient Boosting Decision Tree", Proceedings of the 31st International Conference on Neural Information Processing Systems, pp.3149~3157 (2017)
- "From Algorithms to Z-Scores: Probabilistic and Statistical Modeling in Computer Science"[URL]