검색 상세

지상 및 위성 원격탐사 빅데이터를 이용한 머신러닝 기반의 미세먼지 농도 예측

Prediction of PM Concentration Using Machine Learning with Ground-based on and satellite Remote Sensing Big Data

  • 김영일 (Yeong Il Kim, 강릉원주대학교 공간정보협동과정)

초록/요약 도움말

현재까지 다양한 빅데이터 자료를 활용하여 머신러닝 기법에 적용하는 연구가 수행되고 있지만, 지상 및 위성 원격탐사 빅데이터 자료를 머신러닝 기법에 적용하고 예측하는 사례는 드물다. 본 연구는 지상 및 위성 원격탐사 빅데이터 자료를 머신러닝 기법에 적용하여 미세먼지 농도를 예측하는 것을 목적으로 하였다. 머신러닝 입력자료는 국내 3개 지점의 지상 Sun-sky radiometer 관측망 자료 중 Aerosol Optical Depth와 Angstrom Exponent 자료와 국내 2개 지점의 MODIS 자료 중 Aerosol Optical Depth와 Angstrom Exponent 자료, Automated Synoptic Observing System (ASOS) 자료 중 기온, 풍향, 풍속, 상대습도, 이슬점 온도, 기압 자료, 도시대기측정망 자료 중 SO2, NO2, O3, CO, PM10, PM2.5 자료를 이용하였다. 또한, 최적의 방법론을 결정하기 위해 Random Forest (RF), Multi Linear Regression (MLR), Support Vector Machine (SVM), Deep Neural Network (DNN)에 적용하여, PM10, PM2.5를 예측한 결과물의 Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), R2, Mean Absolute Percentage Error (MAPE)를 비교하였다. 각 산출 결과 Seoul 지점에서 DNN 기법에 적용하여 예측하였을 때 PM10, PM2.5 (PM10 : RMSE = 8.49, MAE = 5.56, R2 = 0.95, MAPE = 14.07, PM2.5: RMSE = 4.68, MAE = 3.40, R2 = 0.96, MAPE = 17.83) 모두 정확도가 가장 높았다. 선정된 PM10, PM2.5 예측 모델을 국내 고농도 사례에 적용한 결과, 2019년 3월 연무 사례를 Wonju 지점에 적용하였을 때 정확도(PM10 : RMSE = 11.07, MAE = 9.42, R2 = 0.92, MAPE = 8.69, PM2.5 : RMSE = 9.24, MAE = 7.59, R2 = 0.90, MAPE = 12.19)가 가장 높게 나타났으며, 예측값이 RF 모델의 RMSE 범위(PM10 = ±13.21, PM2.5 = ±7.53)에 위치하여 유효한 결과임을 입증하였다. 선정된 최적의 PM 예측 모델의 결과값을 이용하여 시계열 머신러닝에 적용한 결과, 2022~2023년 PM 농도는 2015~2021년 대비 25% 감소할 것으로 전망하였다. 지상 및 위성 원격탐사 자료를 이용한 미세먼지 농도 예측을 통해 보다 더 정밀한 대기질 정보망이 구축될 것으로 기대한다.

more

목차 도움말

Ⅰ. 서론 1

Ⅱ. 자료 및 방법 8
1) 연구 범위 8
2) 지상관측 자료 15
3) 위성관측 자료 22
4) 연구방법 24

Ⅲ. 결과 및 토의 30
1) 미세먼지 시계열 변화 30
2) 최적 머신러닝 기법 선정 32
3) PM 예측 모델 적용 결과 58

Ⅳ. 요약 및 결론 70

Ⅴ. 참고문헌 71

Ⅵ. 약어표 79

영문요약 80

more
반출 Meta View 목록