인공신경망모델과 다변량회귀모델을 활용한 COVID-19 대유행 및 황사기간에 도시 대기질 예측시스템 구현 = Implementation of Prediction System on Urban Air Quality Using Artificial Neural Network and Multivariate Regression Models during the COVID-19 Pandemic and Yellow Dust Event
저자
발행사항
충주 : 건국대학교 대학원, 2022
학위논문사항
학위논문(박사)-- 건국대학교 대학원 : 컴퓨터공학전공 컴퓨터공학 2022. 8
발행연도
2022
작성언어
한국어
주제어
발행국(도시)
충청북도
형태사항
268 ; 26 cm
일반주기명
지도교수: 백우진
UCI식별코드
I804:11004-200000627059
소장기관
Implementation of Prediction System on Urban Air Quality Using Artificial Neural Network and Multivariate Regression Models during the COVID-19 Pandemic and Yellow Dust Event
Choi, Soo-Min
Department of Computer Engineering
Graduate School of Konkuk University
The prediction on real-time air quality at Seoul, Busan, and Gwangju of major cities in Korea for the 2020 COVI-19 pandemic, and Gangneung for the Yellow Dust period in March, 2015 was performed using Artificial neural network models-Sigmoid function(ANN-sigmoid) and -Hyperbolic tangent functions(ANN-tanh), and Multivariate regression model(MRM). When the COVID-19 pandemic took place across the country in 2020, the movement of people and vehicles between the city itself and among cities has decreased significantly, and daily mean PM10, PM2.5, and NO2 at Seoul(Busan, and Gwangju) compared to 2019 were greatly reduced to 15%(17.8%, 31.4%), 16.4%(21%, 22.9%), and 15%(16.8%, 21.2%) with more or less 20% as a whole.
Considering the dispersion of air pollutants among three cities, a total of 18 data of PM10, PM2.5, SO2, CO, O3, and NO2 concentrations at each city were used as input data for ANN-sigmoid, ANN-tanh and MRM models to devise improved models that can predict their daily mean PM10, PM2.5 and NO2, and the prediction performance of the models was compared.
In the ANN models, the node number in a hidden layer was classified into 15, 17, and 19, and the activation function between the input layer-hidden layer-output layer was adopted as Sigmoid and Sigmoid, and tanh and tanh. At Seoul, the Pearson correlation coefficient r between the predicted and measured PM10(PM2.5, NO2) was Sigmoid-0.961(0.972, 0.957), tanh-0.976(0.976, 0.959), multivariate regression-0.959(0.964, 0.951), and the prediction performance of ANN-tanh model was the highest.
At Busan, the Pearson r of PM10(PM2.5, NO2) were Sigmoid-0.964(0.964, 0.942), tanh-0.974(0.982, 0.938), and multivariate regression-0.963(0.966, 0.913). In the case of NO2, the prediction performance of ANN-Sigmoid model was slightly higher than ANN-tanh, and in other cases, ANN-tanh had the highest prediction performance. At Gwangju, the Pearson r of PM10(PM2.5, NO2) was Sigmoid-0.974(0.974, 0.956), tanh-0.989(0.966, 0.961), and multivariate regression-0.971(0.971, 0.954), indicating the highest prediction performance of the ANN-tanh model. In three cities, three models had excellent prediction performance, and the ANN-tanh model among them was the best.
When yellow dust generated in the Gobi Desert is transported to Beijing city, in north-eastern China by north-westerly wind, it is combined with air pollutants emitted from the city. These combined air pollutants move to the Korean peninsula like Gangneung city and greatly affect its urban air quality. Hourly PM10, PM2.5, and NO2 concentrations in the city were predicted from March 18 to March 27, 2015, divided into before-, during-, and after the Yellow Dust event.
For predicting present PM10, PM2.5, and NO2 concentrations at Gangneung, a total of 15 data on both Beijing's air quality data(PM10, PM2.5, SO2, CO, O3, NO2) on 2 days earlier day than Gangneung, and Gangneung's 1 hour (or three hours) earlier air quality data(PM10, PM2.5, SO2, CO, O3, NO2) with 3 meteorological variables(temperature, wind speed, relative humidity) were used as input data for ANN-Sigmoid, ANN-tanh, and Multivariate regression models. The node number in the hidden layer divided into 13, 15, and 17 in the ANN-Sigmoid and ANN-tanh models was used for operating the models by processing the activation function in the same way as COVID-19 case.
Three different kinds of models such as ANN-Sigmoid, ANN-tanh, and MRM that can predict the hourly concentrations of PM10, PM2.5, and NO2 in Gangneung city before, during and after the Yellow Dust event were developed, and the performance of the models was mutually compared. Before the Yellow Dust event, the Pearson r between the predicted and measured values of PM10(PM2.5) were Sigmoid-0.955 (0.867), tanh-0.982 (0.959), and multivariate regression-0.961(0.909), and the prediction performance of the ANN-tanh model was the highest. During the Yellow Dust event, Pearson's r of PM10(PM2.5) was Sigmoid-0.943(0.980), tanh-0.972(0.984), and multivariate regression-0.948 (0.977), and the ANN-tanh model was the best.
After the Yellow Dust event, Pearson's r was Sigmoid-0.931(0.956), tanh-0.955(0.962), and multivariate regression-0.920(0.947), showing the highest prediction performance by the ANN-tanh model. The prediction performance of all models for the whole research period was excellent, and the ANN-tanh model was the best. The models developed in this study can greatly contribute to urban air quality prediction research and utilization for normal and dust period as air pollution concentration data to be publicly available, without using air pollutant emission data to be difficult to obtain from China and Korea.
인공신경망모델과 다변량회귀모델을 활용한 COVID-19 대유행 및 황사기간의 도시 대기질 예측시스템 구현
2020년 COVI-19 대유행기간에 대표적인 주요 도시인 서울, 부산, 광주와 2015년 3월의 황사기간에 강릉의 실시간 대기질 예측을 인공신경망모델인 Artificial neural network model-Sigmoid function(ANN-Sigmoid)과 -Hyperbolic tangent function(ANN-tanh), 다변량회귀기법(Multivariate regression model; MRM)으로 수행하였다.
2020년 COVID-19가 전국적으로 대유행하고 있을 때, 도시 자체와 도시 간에 사람 및 차량의 이동이 많이 감소하여, 2019년 비해 서울(부산, 광주)에서 PM10, PM2.5와 NO2의 평균농도가 15%(17.8%, 31.4%), 16.4%(21%, 22.9%), 15%(16.8%, 21.2%)로 전국적으로 약 20% 정도 감소하였다. 3개 도시 간에 대기오염물질의 이동을 고려하고, 그 도시들에서 PM10, PM2.5, NO2의 1일 평균농도를 예측하는 모델을 고안하기 위해, 각 도시의 PM10, PM2.5, SO2, CO, O3 및 NO2 농도의 총 18개 자료를 ANN-Sigmoid, ANN-tanh과 다변량회귀모델의 입력자료로 사용하고, 모델들의 예측 성능을 비교하였다.
인공신경망모델의 은닉층에서 노드 수를 15, 17, 19로 구분하고, 입력층-은닉층-출력층 사이에 활성함수를 Sigmoid와 Sigmoid, tanh와 tanh로 채택하였다. 서울에서, PM10(PM2.5, NO2) 예측값과 측정값 간의 Pearson r 상관계수는 Sigmoid-0.961(0.972, 0.957), tanh-0.976(0.976, 0.959), 다변량회귀-0.959(0.964, 0.951)이었고, ANN-tanh모델의 예측 성능이 가장 높았다. 부산에서, PM10(PM2.5, NO2)의 Pearson r은 Sigmoid-0.964(0.964, 0.942), tanh-0.974(0.982, 0.938), 다변량회귀-0.963(0.966, 0.913)이었다. NO2의 경우에 ANN-Sigmoid의 예측 성능이 ANN-tanh보다 약간 높았고, 그 외는 ANN-tanh의 성능이 가장 높았다. 광주에서, PM10(PM2.5, NO2)의 Pearson r은 Sigmoid-0.974(0.974, 0.956), tanh-0.989(0.966, 0.961), 다변량회귀-0.971(0.971, 0.954)로 ANN-tanh 모델의 예측 성능이 가장 높았다. 3개 도시에서 3개 모델의 예측 성능이 탁월했으며, ANN-tanh 모델이 가장 우수하였다.
고비사막에서 발생한 황사가 북서풍에 의해 중국 북동지역의 북경시로 수송되면, 북경시의 대기오염물질과 결합된다. 결합된 대기오염물질이 강릉시와 같은 한반도로 수송되어, 도시의 대기질에 크게 영향을 준다. 강릉시에서 2015년 3월 18일부터 3월 27일까지 황사 전, 중, 후로 나누어서, 강릉시의 매 시각별 PM10, PM2.5, NO2 농도가 예측되었다.
강릉에서 현재 시각의 PM10. PM2.5와 NO2의 농도를 예측하기 위해, 강릉보다 2일 전의 북경의 대기질 자료(PM10, PM2.5, SO2, CO, O3, NO2)와 강릉의 1시간(또는 3시간) 전의 3개의 기상변수(기온, 풍속, 상대습도)와 대기질 자료(PM10, PM2.5, SO2, CO, O3, NO2), 총 15 자료를 ANN-Sigmoid, ANN-tanh, 다변량회귀모델의 입력자료로 사용하였다. ANN-Sigmoid, ANN-tanh에서 13, 15, 17개로 구분된 은닉층 노드 수가 COVID-19 경우와 같은 방법으로 활성함수로 처리하여 모델을 운용하기위해 사용되었다.
황사 전, 중, 후에 강릉에서 매 시각별 PM10, PM2.5, NO2 농도를 예측하는 ANN-Sigmoid, ANN-tanh, 다변량회귀모델 같은 3종류의 모델이 개발되었으며, 모델들의 성능이 상호 비교되었다. 황사 전에, PM10, 의 예측값과 측정값 간에 피어슨 r은 Sigmoid-0.955(0.867), tanh-0.982(0.959), and multivariate regression-0.961(0.909)이었으며, ANN-tanh 모델의 예측 성능이 가장 높았다. 황사 중에는 PM10(PM2.5)의 Pearson r은 Sigmoid-0.943(0.980), tanh-0.972(0.984), 다변량회귀-0.948(0.977)이었으며, ANN-tanh 모델이 최상이었다. 황사 후에, Pearson r이 sigmoid-0.931(0.956), tanh-0.955(0.962), 다변량회귀-0.920(0.947)이었고, ANN-tanh모델이 예측 성능이 가장 높았다. 전 연구기간에 모든 모델의 예측 성능이 매우 우수하였고, ANN-tanh 모델이 가장 좋았다. 본 연구에서 개발된 모델들은 평상시와 황사기간에 도시의 대기질 예측과 활용에 크게 기여할 것이다.
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)