• 제목/요약/키워드: 예측인자

검색결과 2,385건 처리시간 0.042초

머신러닝 기법을 활용한 토양수분 예측 가능성 연구 (Study on Soil Moisture Predictability using Machine Learning Technique)

  • 조봉준;최완민;김영대;김기성;김종건
    • 한국수자원학회:학술대회논문집
    • /
    • 한국수자원학회 2020년도 학술발표회
    • /
    • pp.248-248
    • /
    • 2020
  • 토양수분은 증발산, 유출, 침투 등 물수지 요소들과 밀접한 연관이 있는 주요한 변수 중에 하나이다. 토양수분의 정도는 토양의 특성, 토지이용 형태, 기상 상태 등에 따라 공간적으로 상이하며, 특히 기상 상태에 따라 시간적 변동성을 보이고 있다. 기존 토양수분 측정은 토양시료 채취를 통한 실내 실험 측정과 측정 장비를 통한 현장 조사 방법이 있으나 시간적, 경제적 한계점이 있으며, 원격탐사 기법은 공간적으로 넓은 범위를 포함하지만 시간 해상도가 낮은 단점이 있다. 또한, 모델링을 통한 토양수분 예측 기술은 전문적인 지식이 요구되며, 복잡한 입력자료의 구축이 요구된다. 최근 머신러닝 기법은 수많은 자료 학습을 통해 사용자가 원하는 출력값을 도출하는데 널리 활용되고 있다. 이에 본 연구에서는 토양수분과 연관된 다양한 기상 인자들(강수량, 풍속, 습도 등)을 활용하여 머신러닝기법의 반복학습을 통한 토양수분의 예측 가능성을 분석하고자 한다. 이를 위해 시공간적으로 토양수분 실측 자료가 잘 구축되어 있는 청미천과 설마천 유역을 대상으로 머신러닝 기법을 적용하였다. 두 대상지에서 2008년~2012년 수문자료를 확보하였으며, 기상자료는 기상자료개방포털과 WAMIS를 통해 자료를 확보하였다. 토양수분 자료와 기상자료를 머신러닝 알고리즘을 통해 학습하고 2012년 기상 자료를 바탕으로 토양수분을 예측하였다. 사용되는 머신러닝 기법은 의사결정 나무(Decision Tree), 신경망(Multi Layer Perceptron, MLP), K-최근접 이웃(K-Nearest Neighbors, KNN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 그래디언트 부스팅 (Gradient Boosting)이다. 토양수분과 기상인자 간의 상관관계를 분석하기 위해 히트맵(Heat Map)을 이용하였다. 히트맵 분석 결과 토양수분의 시간적 변동은 다양한 기상 자료 중 강수량과 상대습도가 가장 큰 영향력을 보여주었다. 또한 다양한 기상 인자 기반 머신러닝 기법 적용 결과에서는 두 지역 모두 신경망(MLP) 기법을 제외한 모든 기법이 전반적으로 실측값과 유사한 형태를 보였으며 비교 그래프에서도 실측값과 예측 값이 유사한 추세를 나타냈다. 따라서 상관관계있는 과거 기상자료를 통해 머신러닝 기법 기반 토양수분의 시간적 변동 예측이 가능할 것으로 판단된다.

  • PDF

Generalized Preferential Flow Model (GPFM)의 개념과 적용사례 연구 (Concept and Application of Generalized Preferential Flow Model (GPFM))

  • 김영진;타모 스테인휴이스;남경필
    • 한국지하수토양환경학회지:지하수토양환경
    • /
    • 제12권5호
    • /
    • pp.33-36
    • /
    • 2007
  • 최근 들어 preferential flow같은 현장조건의 불균질한 매질을 이동하는 지하수 거동해석에 이류 분산 방정식을 적용하는데 많은 문제점들이 제기되어 왔다. 이에 따라 Kim 등(2005)은 최소한의 모형인자로 preferential flow 경로를 통한 토양지하수의 흐름을 예측할 수 있는 간단한 모형을 개발한 바 있다. Kim 등(2005)이 제시한 Generalized Preferential Flow Model(GPFM)은 토양을 표층주변의 분배 층(distribution layer)과 그 밑의 운반구역(conveyance zone)으로 나누어 거동을 예측하고 있다. 본 연구에서는 GPFM을 간단히 소개하고 기존의 다른 실험결과에 적용한 후 이류분산방정식(CDM)과의 비교를 통해 모형을 검증해 보고자 하였다. 기존에 발표된 두 개의 실험값에 GPFM을 적용해본 결과, GPFM은 세 가지 인자-유효함수비, 유속, 분산계수-를 입력하여 silty 및 sandy loam 토양 내 추적자의 파과곡선을 잘 예측하였다. CDM을 이용한 예측 값과 비교한 결과 GPFM과 CDM 모두 실제 관측된 파과곡선과 일치된 경향을 보였으나, GPFM에 의해 추측된 인자들이 더 현실적으로 가능한 값을 나타내었다. 인용된 두 실험값에 GPFM을 적용할 경우 예측 값에 가장 영향을 끼친 인자는 유효함수비로 나타났는데, 이는 Kim 등(2005)이 같은 종류의 토양에서 유속이 GPFM의 결과에 가장 영향을 끼쳤다고 보고한 것에 비해, 다른 성질의 토양에서는 유효 함수비가 가장 결정적인 인자임을 보여준다. 본 연구를 통해 GPFM이 이용하기가 쉽고 여러 가지 현장조건에 적용성이 높아 preferential flow 경로를 통한 토양지하수의 흐름을 예측할 수 있는 유용한 도구임을 확인하였다.

스텐트 내 재협착 병변에서 약물용출 풍선확장술 후 주요 심장사건 발생의 예측인자 (Predictive Factors of Major Adverse Cardiac Events after Drug-Eluting Balloon Angioplasty for In-Stent Restenosis Lesion)

  • 이두환;김인수;공창기;한재복
    • 한국방사선학회논문지
    • /
    • 제14권2호
    • /
    • pp.179-191
    • /
    • 2020
  • 이 연구는 스텐트 내 재협착 병변에서 약물용출 풍선 확장술을 시행한 환자를 대상으로 주요 심장사건에 영향을 미치는 예측 인자가 무엇인지 알아보고자 하였다. 2012년 10월부터 2017년 1월까지 전남대학교병원 심혈관센터에서 경피적 관상동맥 삽입술 후 스텐트 내 재협착이 발생한 환자 중에서 약물용출 풍선 확장술을 시행 받은 환자 257명 (평균연령 66.1±10.1세, 남자 172명)을 대상으로 그룹 I (주요 심장사건 발생군, n=35명), 그룹 II (주요 심장사건 발생하지 않은 군, n=222명)로 나누어 분류 하였다. 약물용출 풍선 성형술 후 주요 심장사건의 독립적인 예측 인자를 보기 위한 다변량 분석에서 완전 폐쇄병변 형태의 재협착 형태 (HR=4.179, 95% C.I.=1.851-9.437 p= 0.001), 25 mm이상의 긴 병변 (HR=8.773, 95% C.I.=1.898-40.546 p= 0.005), 반복되는 스텐트 내 재협착 (HR=4.693, 95% C.I.=1.259-17.490 p= 0.021)이 독립적인 예측 인자로 판명되었다.

인공신경망 기법을 이용한 태풍 강도 및 진로 예측 (Prediction of Tropical Cyclone Intensity and Track Over the Western North Pacific using the Artificial Neural Network Method)

  • 최기선;강기룡;김도우;김태룡
    • 한국지구과학회지
    • /
    • 제30권3호
    • /
    • pp.294-304
    • /
    • 2009
  • 북서태평양에서 발생한 태풍에 대해 발생 후 5일 동안 12시간 간격으로 태풍의 강도 및 진로를 예측할 수 있는 인공신경망 모델을 개발하였다. 사용되어진 예측인지는 CLIPER(발생 위치 강도 일자), 운동학적 파라미터(연직바람시어, 상층발산, 하층상대와도), 열적 파라미터(상층 상당온위, ENSO, 상층온도, 중층 상대습도)로 구성되어졌다. 예측인자의 특성에 따라 일곱개의 인공신경망 모델들이 개발되었으며, CLIPER와 열적 파라미터가 조합된(CLIPER-THERM) 모델이 가장 좋은 예측성능을 보였다. 이 CLIPER-THERM 모델은 강도 및 진로 모두에서 동절기보다 하절기에 더 나은 예측성능을 나타내었다. 또한 태풍의 발생이 아열대 서태평양의 남동쪽에 위치할수록 강도예측에서는 큰 오차를 보였고, 진로예측에서는 아열대 서태평양의 북서쪽에서 발생할수록 큰 오차를 보였다. 이후 인공신경망 모델의 예측성능을 검증하기 위해 같은 예측인자들을 이용하여 다중선형회귀모델을 개발하였으며, 결과로서 비선형 통계기법인 인공신경망 모델이 다중선형회귀모형보다는 더 나은 예측성능을 보였다.

단기 하천수질 예측을 위한 신경망모형 (Artificial Neural Networks for Forecasting of Short-term River Water Quality)

  • 김만식;한재석
    • 한국지반환경공학회 논문집
    • /
    • 제3권4호
    • /
    • pp.11-17
    • /
    • 2002
  • 본 논문의 목적은 섬진다목적댐 유역의 하천을 대상으로 강우시에 단기 수질상태를 예측하기 위하여 병렬다중결선의 계층구조를 갖는 신경망이론을 이용하였다. 본 연구에 적용한 신경망이론의 학습알고리즘으로는 역전파알고리즘을 사용하였으며, 최적모형의 개발을 위해 모멘트법-적응학습율기법을 이용하였다. 하천 수질오염 부하량에 영향을 미치는 요소로서 상류로부터 유입되는 유입량과 수질인자인 BOD, COD, SS를 고려하였다. 섬진다목적댐 유역에 대해 단기 수질을 예측할 수 있는 다층신경망모형을 개발하기 위해 은닉층 노드수와 학습회수에 변화를 주어 각 수질인자별로 4가지씩 총 12개의 모형을 구성하여 학습을 실시하였다. 제안된 신경망모형의 검증을 위해 학습시키지 않은 수질자료를 예측한 결과 양호한 것으로 분석되었고, 하천수계의 단기 수질오염 예측에 활용할 수 있을 것으로 사료되었다.

  • PDF

모델 불확실성을 고려한 레이저 피닝 구조물의 피로 수명 예측 (Fatigue Life Prediction of a Laser Peened Structure Considering Model Uncertainty)

  • 임종빈;박정선
    • 한국항공우주학회지
    • /
    • 제39권12호
    • /
    • pp.1107-1114
    • /
    • 2011
  • 본 논문에서는 레이저 피닝(Laser peening) 구조물에 대한 피로 수명을 예측하였다. 레이저 피닝에 의해 생성된 압축잔류응력(Compressive residual stress)을 계산하기 위해서 유한 요소 시뮬레이션(Finite element simulation)을 수행하였고, 피로 수명 예측 시에 압축잔류응력 효과를 고려하기 위해서 수정된 Goodman 식을 사용하였다. 또한, S-N 선도 모델 불확실성(Model uncertainty)을 고려한 피로 수명 예측을 위해 부가 적응 인자 접근법(Additive adjustment factor approach)을 적용하여 예측된 피로 수명의 신뢰 구간(Reliable bounds)을 결정하였다.

Backpropagation 인공신경망을 이용한 지하 방사성폐기물 처분장 설계 인자의 민감도 분석 (A Sensitivity Analysis of Design Parameters of an Underground Radioactive Waste Repository Using a Backpropagation Neural Network)

  • 권상기;조원진
    • 터널과지하공간
    • /
    • 제19권3호
    • /
    • pp.203-212
    • /
    • 2009
  • 지하고준위 방사성폐기물 처분장 근계영역에서의 거동을 예측하는 것은 처분장 설계나 안전성 평가에 중요하다. 본 연구에서는 3차원 유한차분 코드를 이용하여 처분장 설계인자 및 재료물성으로 구성되는 7가지 인자에 대한 민감도 분석을 실시하였다. 민감도 분석 결과 처분공 간격, 터널 간격, 냉각시간과 암반의 열전도도가 다른 인자에 비해 영향이 큰 것으로 나타났다. 처분장 주변의 암반과 완충재 온도의 통계적인 분포를 구하기 위해 backpropagation 인공신경망 기법이 적용되었다. 학습된 인공신경망의 적합성을 평가하기 위해 무작위로 선정된 입력 인자에 대한 예측이 실시되었다. 인자 값의 변화가 ${\pm}10%$ 인 경우, 신경망은 1% 오차로 신뢰할 수 있는 예측 결과를 보임을 알 수 있었다. 이렇게 학습된 신경망은 다양한 경우에 대한 신속한 온도 예측에 활용할 수 있었다. 완충재와 암반의 온도는 각각 평균 $98^{\circ}C$, $83.9^{\circ}C$ 표준편차는 $3.82^{\circ}C$$3.67^{\circ}C$로 나타났다. 인공신경망을 이용함으로써 암반과 완충재 온도를 $1^{\circ}C$ 변화시키기 위해 필요한 설계 인자의 조정 범위를 추정할 수 있었다.

복합 전열 촉진 핀이 적용된 핀-관 열교환기의 성능에 대한 실험적 연구 (An Experimental Study on Air-Side Performance of Fin-and-Tube Heat Exchangers Having Compound Enhanced Fins)

  • 김내현
    • 한국산학기술학회논문지
    • /
    • 제16권7호
    • /
    • pp.4364-4374
    • /
    • 2015
  • 본 연구에서는 복합 전열 촉진 핀 열교환기의 열전달 및 압력손실에 대하여 실험적으로 검토하였다. 비교를 위하여 널리 사용되는 루버 핀 열교환기에 대한 실험도 수행하였다. 핀 피치(1.5mm~1.7mm)와 열수(1열~3열)를 변화시키며 열전달 및 압력손실에 미치는 영향을 검토하였다. 실험범위에서 핀 피치가 j와 f 인자에 미치는 영향은 크지 않았다. 열수가 증가하면 j 인자는 감소하고 f 인자는 열수와 무관하였다. 루버 핀의 j와 f 인자가 복합 전열 촉진 핀의 값들보다 크게 나타났다. 1열의 경우 평균 j 인자와 f 인자는 23%, 27% 크고, 2열에서는 11%, 8%, 3열에서는 10%, 9% 크게 나타났다. 하지만 동일 압력 손실 대비 전열 성능은 복합 전열 촉진 핀 열교환기가 1열에서 6.4%, 2열에서 11.1%, 3열에서 13.6% 크게 나타났다. 기존 루버 핀 상관식은 j 인자를 과대 예측하고 f 인자를 과소 예측하였다.

직교인자의 동적 특성을 이용한 화자인식 (Speaker Recognition Using Dynamic Time Variation fo Orthogonal Parameters)

  • 배철수
    • 한국통신학회논문지
    • /
    • 제17권9호
    • /
    • pp.993-1000
    • /
    • 1992
  • 음성신호의 분석으로부터 유도되는 직교인자는 화자의 개인성을 많이 포함하고 있으므로, 최근 많은 연구자들이 이것을 이용한 통계적 처리방법으로 화자인식을 수행하여 좋은 화자인식율을 얻고 있다. 그러나 이러한 방법들은 아직 음성의 발성속도나 시간적 동특성으로 인해서 발생하는 문제점을 갖고 있다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해서 음성분석의 한 방법인 Karhunen-Loeve 직교 변환에 의해서 추출한 직교인자를 화자인식에 이용하는 방법에 DTW법을 결합하는 두가지 기법을 제안하였다. 첫째는 직교인자를 특징벡터로 하여 DTW법을 적용하고, 둘째는 직교인자를 최적경로에 이용하는 기법이다. 이들 두 기법에 의한 화자인식 결과와 직교인자의 통계적 처리에 의한 종래의 화자인식방법의 결과를 비교하였다. 사용된 직교인자는 음성신호에서 선형예측계수와 부분자기상관계수를 각각 추출하여 위의 화자인식방법에 각각 적용하였다. 이를 실험한 결과, 선형예측계수로 부터 얻은 직교인자를 최적경로를 이용한 기법에 적용하는 경우 88.6%의 가장 높은 인식율을 얻었다.

  • PDF

인공지능을 이용한 수도권 학교 미세먼지 취약성 평가: Part I - 미세먼지 예측 모델링 (Vulnerability Assessment for Fine Particulate Matter (PM2.5) in the Schools of the Seoul Metropolitan Area, Korea: Part I - Predicting Daily PM2.5 Concentrations)

  • 손상훈;김진수
    • 대한원격탐사학회지
    • /
    • 제37권6_2호
    • /
    • pp.1881-1890
    • /
    • 2021
  • 미세먼지는 인체에는 물론 생태계, 날씨 등에도 많은 영향을 끼치며, 인구와 건물, 차량 등이 밀집된 대도시에서의 미세먼지의 예측과 모니터링은 중요하다. 특히 자동차, 연소 등에서 발생하는 PM2.5 농도는 독성 물질을 포함할 수 있어 체계적인 관리가 필요하다. 따라서 본 연구는 화학 인자, 위성 기반의 aerosol optical depth (AOD), 기상 인자 등을 입력 자료로 하여 수도권PM2.5 농도를 예측하고자 한다. PM2.5 농도 예측을 위해 기계 학습 모델 중 PM 농도 예측에 우수한 성능을 보이는 random forest (RF) 모델을 선정하였으며, 모델 평가를 위해 통계 지표인 R2, RMSE, MAE, MAPE를 산출하였다. RF 모델의 모델 정확도는 R2, RMSE, MAE, MAPE는 각각 0.97, 3.09, 2.18, 13.31로 나타났으며, 예측 정확도는 각각 0.82, 6.03, 4.36, 25.79로 본 연구에서 사용한 인자들을 이용하여 PM2.5를 예측 시 높은 정확도와 상관성을 나타내었다. 따라서 향후 학교 미세먼지 예측 및 범주화를 위해 본 연구에서 사용한 인자들을 RF 모델에 적용하였을 때 신뢰할만한 결과를 도출할 수 있을 것으로 기대된다.