• 자원환경지질
• /
• 제27권6호
• /
• pp.557-561
• /
• 1994

Quality factor Q 값은 처음 도착(倒着)한 P파(波)의 주기당(週期當) 에너지 손실(損失)을 주파수(周波數)의 함수(函數)로 직접(直接) 측정(測定)할 수 있다. 이때 관심(關心)의 대상(對象)이 되는 주파수대(周波數帶)(주로 1-100 Hz)내(內)에서 고유(固有) Q는 주파수(周波數)와 무관(無關)하고, 산란(散亂) Q는 주파수(周波數)와 밀접(密接)한 관계(關係)가 있다는 가정하(假定下)에 고유(固有) Q값과 산란(散亂) Q값의 전체(全體) Q값에 대(對)한 상대적(相對的)인 비솔(比率)을 계산(計算)할 수 있다. 이에 대(對)한 검증(檢證)은 탄성파(彈性波)가 점탄성(粘彈性)이고 부균질(不均質)한 매질(媒質)을 통과(通過)할 때의 합성탄성파(合成彈性波) 기록지(記錄紙)를 만들고 고유(固有) Q에 대(對)해서는 완화기구(緩和機具)(relaxation mechanism)가, 산란(散亂) Q에 대(對)해서는 산란(散亂)(satter)에 대(對)한 fractal 분포(分布)가 포함(包含)되는 pseudospectral 해(解)를 이용(利用)하여 실시(實施)될 수 있다. 대체로 S파(波)의 전체(全體) Q값이 P파(波)의 전체(全體) Q값보다 더 작다는 것이 정설(定說)로 되어있다. 역(逆)으로, 전체(全體) Q값은 합성탄성파(合成彈性波) 기록지(記錄紙)로 부터 최소자승법(最小自乘法)을 이용(利用)하여 구(求)할 수 있다. 이때 가정(假定)된 Q값의 절대값이 충분(充分)히 작아야만 P파(波)와 S파(波)의 고유(固有) Q값($Q_p$와 $Q_s$)의 가정(假定)은 신빙성(信憑性)이 높고 또한 유일(唯一)한 값을 가질 수 있다. 산란(散亂) Q값으로 부터 결정(決定)할 수 있는 매질(媒質)의 속도(速度)와 산란(散亂)의 크기에 대(對)한 표준편차(標准偏差)는 Blair의 수식(數式)에서 예측(豫測)할 수 있듯이 서로 상호보완관계(相互補完關係)에 있기 때문에 여러가지의 값을 가질 수 있다. 본(本) 연구결과에 의(依)하면, P파(波)에 있어서는 고유(固有) Q와 산란(散亂) Q가 모두 중요(重要)한 요소(要素)로 작용(作用)하며, S파(波)에 있어서는 고유(固有) Q가 산란(散亂) Q보다 더 중요(重要)한 요소(要素)로 작용(作用)한다.

• 한국습지학회지
• /
• 제25권4호
• /
• pp.306-314
• /
• 2023

하천퇴적물은 유역내 다양한 오염원으로부터 발생하는 중금속, 유기물 등 오염물질의 수용체일 뿐만 아니라 수질 오염 및 수생태 악영향을 유발할 수 있는 2차적 오염원이기에 중요한 관리대상이라고 할 수 있다. 오염된 하천퇴적물의 효과적인 관리를 위해서는 오염원에 대한 식별과 이와 연계된 관리대책의 수립이 우선되어야 한다. 본 연구는 하천퇴적물내 측정된 다양한 이화학적 오염항목 분포 특성에 기반하여 퇴적물의 주요 오염원을 식별하기 위한 방법으로서 기계학습모델의 적용성을 평가하였다. 기계학습 모델의 성능 평가를 위해 전국 4대강 수계내 주요 폐금속광산 및 산업단지 인근에서 수집된 총 356개의 하천퇴적물에 대한 중금속 10개 항목(Cd, Cu, Pb, Ni, As, Zn, Cr, Hg, Li, Al)과 토양항목 3개(모래, 실트, 점토 비율) 수질항목 5개(함수율, 강열감량, 총유기탄소, 총질소, 총인)를 포함한 총 18개 오염항목에 대한 분석자료를 활용하였다. 기계학습 분류 모델로서 선형판별분석(linear discriminant analysis, LDA)과 서포트벡터머신(support vector machine, SVM) 분류기를 사용하여 폐금속광산('광산')과 산업단지('산단') 인근에서의 하천퇴적물 시료의 분류 성능을 평가한 결과, 채취 지점 및 시기별 4가지 경우(비강우시 광산, 강우시 광산, 비강우시 산단, 및 강우시 산단)에 대한 퇴적물 시료의 분류 성능이 우수하였으며, 특히 비선형 모델인 SVM(88.1%)이 선형모델인 LDA(79.5%) 보다 퇴적물을 분류하는데 있어 보다 우수한 성능을 나타냈다. SVM 앙상블 기반 비배타적 다중라벨분류기 모델을 이용하여 각 시료채취 지점 상류 유역 1km 반경 내 지배적인 토지이용 및 오염원을 다중 타겟값으로 다중분류 예측을 수행한 결과, 폐금속광산과 산업단지의 분류는 비교적 높은 정확도로 수행하였으나, 도시와 농업지역 등 다른 비점오염원에 대한 분류정확도는 56~60%범위로 비교적 낮게 나타났다. 이는 다중라벨 분류모델의 복잡성에 비해 데이터셋의 크기가 상대적으로 작아서 발생한 과적합에 기인한 것으로 향후 보다 많은 측정자료가 확보될 경우 기계학습 모델을 적용한 오염원 분류의 정확도를 보다 향상시킬 수 있을 것으로 판단된다.