Deep Neural Network를 활용한 초미세먼지 농도 예측에 관한 연구
A Study on Prediction of PM2.5 Concentration Using DNN
2
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
본 연구는 국가측정망(에어코리아)에서 제공하는 2017년, 2019년 및 2020년도 대기질확정 데이터를 이용하여 Deep Neural Network(DNN) 모델을 학습하고, 2016년과 2018년도 데이터를 이용하여 학습된 모델을 평가·검증하였다. 피어슨 상관계수 0.2를 기준으로 SO2, CO, NO2, PM10 항목을 독립변수로 하여 초기 모델링을 진행하였고, 예측의 정확도를 높이기 위한 방법으로 시계열적 요소를 반영한 월별 모델링(개선모델)을 진행하여 초기모델과 비교·분석하였다. 분석에 사용한 지표는 RMSE(Root mean square error) 방법으로 오차를 계산하였으며, 예측 결과 초기모델의 RMSE값은 5.78로 국가측정망의 예측이동평균모델의 결과(10.77)와 비교하여 초기모델에서 약 46% 오차가 감소하였다. 또한, 개선모델의 경우, 초기모델 대비 11월 모델을 제외한 모든 월별모델에서 정확도 향상이 있었다. 따라서, 본 연구에서는 DNN 모델링이 PM2.5 농도 예측에 효과적인 방법임을 제안할 수 있었으며, 향후 추가적인 독립변수 선정 및 시계열 요소를 고려한 방법으로 모델의 정확도 개선 가능성을 확인할 수 있었다.
Abstract
In this study, DNN-based models were learned using air quality determination data for 2017, 2019, and 2020 provided by the National Measurement Network (Air Korea), and this models evaluated using data from 2016 and 2018. Based on Pearson correlation coefficient 0.2, four items (SO2, CO, NO2, PM10) were initially modeled as independent variables. In order to improve the accuracy of prediction, monthly independent modeling was carried out. The error was calculated by RMSE (Root Mean Square Error) method, and the initial model of RMSE was 5.78, which was about 46% better than the national moving average model result (10.77). In addition, the performance improvement of the independent monthly model was observed in months other than November compared to the initial model. Therefore, this study confirms that DNN modeling was effective in predicting PM2.5 concentrations based on air pollutants concentrations, and that the learning performance of the model could be improved by selecting additional independent variables.
참고문헌 (16)
- 차진욱, "미세먼지 수치 예측 모델 구현을 위한 데이터마이닝 알고리즘 개발", 한국정보통신학회논문지, 22(4), pp.595~601 (2018), 한국정보통신학회[DOI]
- 김득수, "서울 도심대기의 NO, NO2와 O3 사이의 대기화학적 특성 연구", 한국대기환경학회지, 32(4), pp.422~434 (2016), 한국대기환경학회[DOI]
- 원동준, "기계학습을 활용한 경기도 산업단지 미세먼지 예측", 정보과학회논문지, 48(7), pp.764~773 (2021), 한국정보과학회[DOI]
- 임동엽, "우리나라 배경지역에서 분진의 기간별 분석, 미측정 PM2.5 자료의 추정 및 COVID-19의 영향평가", 한국대기환경학회지, 37(4), pp.670~690 (2021), 한국대기환경학회[DOI]
- 이하경, "2017년 서울시 O3과 PM2.5의 계절별 상관분석 연구", 한국대기환경학회지, 36(4), pp.533~542 (2020), 한국대기환경학회[DOI]
- Shin HW, "Changes of Air Pollutants Concentrations Associated with the Rates of Rainfall and Its Duration during Summertime in Korea", Journal of Korean Society for Atmospheric Environment, 2014(10), pp.175~ (2021)
- Lee HW, "The Effect of Meteorological Factors on Variation and Temporal and Spatial Characteristics of NO2 Concentration in Pusan Area", Journal of Environmental Science International, 8(4), pp.465~471 (1999)
- Hwang SM, "A Study on the Distribution Characteristics of Air Pollutants at PAMS in Seoul Metropolitan Area", Proceeding of 43th meeting of Korean Society for Atmospheric Environment in 2007, pp.1396~1399 (2007)
- Lim IH, "A Study on the hourly Characteristics of Air Pollution in the Gwangyang Bay", 環境硏究論文集, 13, pp.29~39 (2013)
- 전병일, "부산지역 PM10과 PM2.5농도의 시간 및 공간적 변화 특성", 한국환경과학회지, 19(8), pp.1013~1023 (2010), 한국환경과학회
- Jae-Seok Kim, "A semi-continuous measurement of gaseous ammonia and particulate ammonium concentrations in PM2.5 in the ambient atmosphere", Journal of Atmospheric Chemistry, 68(3), pp.251~263 (2011), Springer Science and Business Media LLC[DOI]
- Bo-Kyoung Lee, "Rapid time variations in chemical composition of precipitation in South Korea", Water, Air, and Soil Pollution, 130(1, pp.4) (2001), 427~432[DOI]
- 성상하, "미세먼지 예측을 위한 기계학습 모델 간 성능 비교 연구:국내 발생 데이터를 중심으로", 한국혁신학회지, 15(4), pp.339~357 (2020), 한국혁신학회
- 손상훈, "다중선형회귀와 기계학습 모델을 이용한 PM10 농도 예측 및 평가", 대한원격탐사학회지, 36(6), pp.1711~1720 (2020), 대한원격탐사학회[DOI]
- Yoon SY., "Effect of Precipitation Cleaning on Air Pollutants in Summer and Winter", Proceedings of the Autumn Meeting of KMS, pp.146~147 (2014), Korean Meteorological Society
- 김영성, "측정망 자료를 이용한 환경기준 대기오염물질의 권역별 단기 고농도 변화 추이", 한국대기환경학회지, 29(5), pp.545~552 (2013), 한국대기환경학회[DOI]