강화학습 적용에 따른 조류 발생 예측 딥러닝 모형 성능 분석
Performance Analysis of a Deep Learning Model for Algal Bloom Prediction with Reinforcement Learning
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
현장 하천의 과도한 조류 발생은 취수원 수질 안전성을 저해하므로 적극적인 관리가 필요하며, 이를 위해 고도화된 머신러닝 모형을 활용한 조류 발생 예측 연구에 대한 관심이 지속되고 있다. 본 연구에서는 gated recurrent unit (GRU) 알고리즘을 이용하여 조류 발생의 정량 지표인 chlorophyll-a (CHLA) 농도를 예측하는 모형을 구축하고, 강화학습 적용이 GRU 모형 성능에 미치는 영향을 분석하였다. 모형의 구축을 위해 수온, pH, 전기전도도, 총인, 총질소, CHLA 등 현장 측정 자료가 입력 변수로 활용되었으며, 입력 sequence (Seq)는 1, 3, 5 및 7일로 구성하였다. 예측 대상은 t+1부터 t+7까지의 7일간 CHLA 농도이다. 모형의 성능은 입력 자료 Seq에 따라 다양하게 나타났다. 전체 결과중 Seq 3인 경우 강화학습을 적용한 모형이 Nash-sutcliffe efficiency (NSE) 0.520으로 가장 우수한 성능을 보였으며, 동일 조건에서 강화학습을 적용하지 않은 모형은 NSE는 0.506이었다. Seq 1인 경우 강화학습을 적용한 모형이 두 번째로 높은 성능을 보였으며, 강화학습을 적용한 모형과 적용하지 않은 모형의 NSE는 각각 0.513 및 0.464로 강화학습의 적용에 따른 성능 차이가 가장 크게 나타났다. 본 연구의 결과는 강화학습 적용에 따른 조류 발생 예측 모형의 성능 향상 가능성을 보여주었으며, 향후 강화학습을 활용하여 현장 조류 관리 효율을 높이기 위한 지속적인 연구가 필요한 것으로 판단된다.
Abstract
Excessive growth of algae in rivers threatens the safety of drinking water systems, requiring active management. In this context, there has been growing interest in applying advanced machine learning models to predict algal blooms. This study developed a gated recurrent unit (GRU) model to predict chlorophyll-a concentrations, a quantitative indicator of algal blooms, and examined the effect of applying reinforcement learning (RL) on its performance. Field monitoring data including water temperature, pH, electrical conductivity, total phosphorus, total nitrogen, and chlorophyll-a were used as input variables. The input sequences (Seq) were set to 1, 3, 5, and 7 days, while the prediction target was chlorophyll-a concentrations for the next 7 days (t+1 to t+7). The model performance varied depending on the input sequence. Among all cases, Seq 3 combined with RF achieved the highest performance with an Nash-sutcliffe efficiency (NSE) of 0.520, while the corresponding model without RL showed an NSE of 0.506. In the case of Seq 1, the model with RL produced the second-highest performance with an NSE of 0.513, whereas the model without reinforcement learning achieved an NSE of 0.464, representing the largest performance gap between the two approaches. These results demonstrate the potential of RL to enhance the predictive performance of algal bloom models. Continuous research utilizing RL is needed to further improve the efficiency of field algal bloom management.