원격탐사기법과 수질모형을 연계한 머신러닝의 호소 내 클로로필 a 예측 적용성 평가 = Evaluating the Applicability of Chlorophyll a Prediction in Reservoir Using Machine Learning Based on Remote Sensing and Water Quality Model
저자
발행사항
청주 : 청주대학교 대학원, 2024
학위논문사항
학위논문(박사)-- 청주대학교 대학원 : 환경공학과 2024. 2
발행연도
2024
작성언어
한국어
주제어
KDC
004.73 판사항(5)
발행국(도시)
충청북도
형태사항
145p. : 천연색삽화, 도표; 26cm.
일반주기명
청주대학교 학위논문은 저작권에 의해 보호받습니다.
Evaluating the Applicability of Chlorophyll a Prediction in Reservoir Using Machine Learning Based on Remote Sensing and Water Quality Model
지도교수:김태근
참고문헌: p.134-141
UCI식별코드
I804:43007-200000718870
소장기관
머신러닝 기법은 이상치에 민감하지 않고 기작기반의 수질모형보다 구조가 간단하며 모형의 짧은 구동시간 등의 장점이 있어 최근 호소의 조류 관리 연구에 많이 적용되고 있다. 기존 연구사례들은 클로로필 a와 관련된 수질항목이나 수문 및 기상자료를 이용한 연구가 다수 있었지만 원격탐사기법과 연계하여 클로로필 a의 분광특성을 고려한 연구는 미미하였고, 이에 따라 본 연구에서는 호소 내 클로로필 a에 대하여 시공간적으로 광범위한 자료를 수집할 수 있는 원격탐사기법과 호소모형인 EFDC 모형을 기반으로 랜덤 포레스트 모형을 개발하였으며, 옥정호의 클로로필 a 예측 및 검증 과정을 통해 모형의 적용성을 평가하고자 하였다.
옥정호에 대하여 랜덤 포레스트 모형을 구축하였고, 입력층의 경우 Sentinel-2 위성영상의 반사도 값, 출력층은 EFDC 모형으로 모의한 클로로필 a 농도를 적용하여 학습시켰으며, 검증을 위해 옥정호 내 수질 측정지점에서의 반사도 값을 적용하여 클로로필 a를 예측하였다. 그 결과 MAE 1.67 ㎎/㎥, RMSE 2.30 ㎎/㎥로 산정되었고, 원격탐사 분야에서 주로 사용되는 통계기법인 회귀모형으로부터 예측한 결과 MAE 2.20 ㎎/㎥, RMSE 2.89 ㎎/㎥로 산정되어 비선형 모형인 랜덤 포레스트로 예측했을 때 더 우수한 것으로 나타났다.
옥정호를 대상으로 학습이 완료된 랜덤 포레스트 모형에 수체가 다른 용담호의 반사도 값을 적용하여 클로로필 a를 예측하였고, 그 결과는 우수하지 못하였다. 이는 학습에 사용된 클로로필 a 농도가 모두 15.0 ㎎/㎥ 이하로 존재하고, 용담호 내 실측 수질은 옥정호에 비해 높은 농도의 클로로필 a로 분포함에 따라 나타난 결과로 판단되어 용담호 실측 수질이 15.0 ㎎/㎥ 이상인 일자를 제외한 후 다시 예측하였으며, MAE와 RMSE의 정확도가 각각 39.9 %, 47.3 % 향상된 결과를 보였다. 랜덤 포레스트 모형은 경험적 자료를 기반으로 모의되기 때문에 대상 호소에 대한 자료를 수집하여 추가적으로 학습시킨다면 더 정확한 예측력을 보일 것으로 판단된다.
In this study, it was proposed that a method which can predict efficiently and regionally the water quality of the reservoir using the Random Forest based on EFDC model and remote sensing.
The EFDC model was applied to simulate the entire reservoir, and the HSPF model was linked and modeled so that the influence of rivers flowing into the reservoir could be considered. As the result of calibration and validation in HSPF model and EFDC model, the overall simulation was appropriately performed during the simulation period.
To periodically extract data, the Sentinel-2 satellite, which has a short temporal resolution, was used as the remote sensing detector. Satellite image data from 2017 to 2022 and chlorophyll a data observed from the Ministry of Environment were used to select a wavelength band that has a high correlation with chlorophyll a. As a result, near-infrared wavelengths Band5, Band6, Band7, and Band8A were selected.
In the application process of the Random Forest, the reflectance of each band was used as the input layer, and chlorophyll a was used as the output layer. For training, the reflectance of each band calculated from the satellite image taken in 2020 and the water quality data simulated by the EFDC model for the corresponding date and point were composed of one data set. The validation was performed by calculating the reflectance for each water quality monitoring point using satellite data from 2017 to 2022.
As a result of predicting chlorophyll a in the Okjeong reservoir, the existing remote sensing was evaluated as MAE 2.20 ㎎/㎥, RMSE 2.89 ㎎/㎥, and the Random Forest was evaluated as MAE 1.67 ㎎/㎥, RMSE 2.30 ㎎/㎥. According to the evaluation index, prediction performance was better when using Random Forest, a non-linear model, than the existing remote sensing predicted by a linear regression model.
When predicting chlorophyll a by applying the reflectance of Yongdam reservoir, another water body, to the verified the Random Forest, and results were not excellent because of training data that did not include chlorophyll a above 15.0 ㎎/㎥. Therefore, the water quality of the Yongdam reservoir was above 15.0 ㎎/㎥ were excluded and re-evaluated. MAE and RMSE were improved by 39.9 % and 47.3 % respectively. If data on predicted reservoirs are collected and trained, it will draw more accurate predictive results.
The satellite data used for training the Random Forest were images taken in spring, fall, and winter, and did not reflect summer, when the concentration of chlorophyll a is high. It was difficult to estimate accurate concentration. In addition, there were limitations when evaluating the prediction results, because the date the satellite image was taken and the date the water quality measured did not match. In the future, it is expected that a more improved model will be developed through data advancement, such as securing satellite images taken during the summer and water quality data measured on the same day as the satellite image was taken.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)