KR101432437B1 - 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 - Google Patents
수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 Download PDFInfo
- Publication number
- KR101432437B1 KR101432437B1 KR1020130033628A KR20130033628A KR101432437B1 KR 101432437 B1 KR101432437 B1 KR 101432437B1 KR 1020130033628 A KR1020130033628 A KR 1020130033628A KR 20130033628 A KR20130033628 A KR 20130033628A KR 101432437 B1 KR101432437 B1 KR 101432437B1
- Authority
- KR
- South Korea
- Prior art keywords
- water quality
- data
- decision tree
- target point
- target
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 192
- 238000003066 decision tree Methods 0.000 claims description 146
- 238000005259 measurement Methods 0.000 claims description 29
- 238000011144 upstream manufacturing Methods 0.000 claims description 27
- 238000000926 separation method Methods 0.000 claims description 15
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 14
- 235000015097 nutrients Nutrition 0.000 claims description 8
- 239000005416 organic matter Substances 0.000 claims description 8
- 238000000546 chi-square test Methods 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000009182 swimming Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 125000001477 organic nitrogen group Chemical group 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 특정지점의 수계수질을 그보다 상류지점의 수질측정치와 일련의 규칙으로 구성된 수질예측모델을 통해 예측하여 제공하는 동시에 해당 수질상태에 대한 정성적인 진단결과를 제공하는 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법에 관한 것이다.
본 발명에 의하면, 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공부; 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성부; 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정부; 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성부; 및 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정부;를 포함하되, 상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함하는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템을 제공한다.
본 발명에 의하면, 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공부; 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성부; 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정부; 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성부; 및 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정부;를 포함하되, 상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함하는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템을 제공한다.
Description
본 발명은 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법에 관한 것이다. 보다 상세하게 설명하면, 특정지점의 수계수질을 그보다 상류지점의 수질측정치와 일련의 규칙으로 구성된 수질예측모델을 통해 예측하여 제공하는 동시에 해당 수질상태에 대한 정성적인 진단결과를 제공하는 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법에 관한 것이다.
방류수계의 수질은 인근 지역민의 삶과 삶의 복지수준에 밀접한 영향을 미치며, 이에 수계 환경을 담당하는 관청에서는 일정한 시간간격으로 하천수를 샘플링하여 수질항목을 분석하여 기록하여 보관하여 왔고, 근래에는 하천의 일정 구간별로 수질을 대표할 수 있는 지점에 수질자동측정망을 설치하여 일정한 시간간격으로 수질을 자동측정하고 있다. 또한 이를 특정한 장소에 설치되어 있는 데이터베이스에 저장하여 관심있는 대중에게 공개하고 있다.
그러나 이러한 시스템에 의해서 수집되는 데이터는 그의 측정간격이 길어 시시때때로 변화하는 수질에 대해 알고자 하는 요구에 부응하지 못하였으므로, 각종 모델들을 활용하여 알고자 하는 시점의 수질을 알기 위한 노력이 수행되어져 왔다. 이들 모델들은 대부분 대상 수계의 지형학적 정보와 해당 시점의 유량 및 관련이 있는 지점의 수질을 사용하여 일련의 이론적 수학적 식들에 대입하여 목표지점의 수질을 예측해 내는 것이 대부분이다.
이러한 수학적 모델들은 지형정보를 얻기 위한 조사과정에 비용과 시간이 소요되며, 또한 모델의 수식을 구성하는 계수들의 값을 모델링하고자 하는 해당 수계의 수질 변동을 잘 모사하도록 최적화하는 과정이 주기적으로 요구된다는 단점을 가지고 있다.
더욱이 이러한 모델들은 예측하고자 하는 시점 당 예측된 단 하나의 값으로 이루어진 숫자의 시리즈를 제공할 뿐이었다. 이러한 일련의 예측된 숫자들은 항상 오차를 포함하고 있어 예측 결과의 활용에 있어 신뢰성이 떨어졌으며, 또한 예측 결과가 일련의 숫자로만 이루어져 있어 사전에 수질 측정값이 가지는 높낮이에 대한 사전지식이 없는 사람에게는 정보력이 부족하였다.
이에, 결정론적이지만 오차를 가지는 수치값보다는 있을 법한 수질수치의 범위를 제공할 수 있으며, 보다 직관적으로 수질항목의 예측값이 가지는 의미에 대한 정성적인 진단 결과를 제공하는 정보제공의 방법이 요구되고 있는 실정이다.
본 발명은 이와 같은 문제점을 해결하기 위해 안출된 것으로서, 본 발명은 최적화가 어려운 수학적 모델을 대신하기 위해 목표지점과 그 상류의 수질항목의 변동경향을 반영하여 목표지점의 수질항목이 가질 수 있는 값의 범위를 예측하는 규칙 기반 예측모델을 의사결정나무알고리즘에 의해 개발하고, 또한 그 예측수질이 가지고 있는 직관적 의미를 제공하기 위한 규칙 기반 진단모델을 개발하여, 상류의 수질 측정 데이터와 이들 규칙기반 모델들을 사용하여 목표지점의 수질이 취할 수 있는 값의 범위와 의미를 제공하기 위한 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명에 의하면, 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공부; 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성부; 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정부; 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성부; 및 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정부;를 포함하되, 상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함하는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템을 제공한다.
한편, 상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 한다.
(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
한편, 상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 한다.
한편, 상기 진단의사결정부는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정부는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 한다.
또한 본 발명에 의하면, 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공단계; 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성단계; 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정단계; 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성단계; 및 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정단계;를 포함하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법을 제공한다.
한편, 상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 한다.
(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
한편, 상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 한다.
한편, 상기 진단의사결정단계는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정단계는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 한다.
본 발명은 해당 수계 지점의 수질을 활용하는 모든 주체들이 본 발명으로부터 제공되는 수질 예측 결과가 하나의 수치가 아닌 가능한 범위로 제공됨에 따라 그에 따른 정보활용이 가능하며, 또한 목표지점의 수질이 기존에 존재하여 오던 수질의 변동범위에 비추어 보았을 때에 어떠한 수준에 해당하는 수질 유형에 속하는지를 언어적인 직관적 진단결과로서 제공받을 수 있는 효과가 있다.
또한 본 발명은 수계수질의 상태에 대한 진단결과 및 예측결과를 특정 프로그램으로 제작되어 존재하거나 상기 특정 프로그램이 제공하는 정보가 웹상에 제공될 수도 있다.
도 1은 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템을 나타내는 구성도이다.
도 2는 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공방법을 나타내는 순서도이다.
도 3은 도 1의 진단의사결정나무 생성부에 의해 생성된 진단의사결정나무를 나타낸 도면이다.
도 4는 도 1의 예측의사결정나무 생성부에 의해 생성된 BOD 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 5는 도 1의 예측의사결정나무 생성부에 의해 생성된 T-N 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 6은 도 1의 예측의사결정나무 생성부에 의해 생성된 T-P 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공방법을 나타내는 순서도이다.
도 3은 도 1의 진단의사결정나무 생성부에 의해 생성된 진단의사결정나무를 나타낸 도면이다.
도 4는 도 1의 예측의사결정나무 생성부에 의해 생성된 BOD 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 5는 도 1의 예측의사결정나무 생성부에 의해 생성된 T-N 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 6은 도 1의 예측의사결정나무 생성부에 의해 생성된 T-P 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템을 나타내는 구성도이고, 도 2는 본 발명의 실시예에 따른 수계수질상태의 진단 및 예측이 가능한 수질정보제공방법을 나타내는 순서도이고, 도 3은 도 1의 진단의사결정나무 생성부에 의해 생성된 진단의사결정나무를 나타낸 도면이고, 도 4는 도 1의 예측의사결정나무 생성부에 의해 생성된 BOD 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이고, 도 5는 도 1의 예측의사결정나무 생성부에 의해 생성된 T-N 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이고, 도 6은 도 1의 예측의사결정나무 생성부에 의해 생성된 T-P 농도를 예측하기 위한 예측의사결정나무를 나타낸 도면이다.
도 1을 참조하면, 본 발명에 의한 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템(10)은 데이터가공부(100), 진단의사결정나무 생성부(200), 진단의사결정부(300), 예측의사결정나무 생성부(400) 및 예측의사결정부(500)를 포함한다.
상기 데이터가공부(100)는 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 역할을 한다. 상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함한다.
상기 데이터베이스는 해당 수계의 특정 측정 지점들에 설치된 자동측정기기를 통하여 주기적으로 측정하여 전송되는 일정시간 간격의 수질항목측정치를 저장하여 보관한다. 이때 수질항목은 대표적 수질오염항목인 BOD, COD, SS, T-N, T-P, Chl-a를 포함한 자동측정가능한 다양한 수질항목을 포함하는 것이 바람직하다. 측정간격은 짧게는 일주일에서 길게는 한 달에 1회일 수 있으며 바람직한 측정간격은 일주일이다.
이때 자동측정기가 설치된 지점들 중 수질정보제공이 요구되는 목표지점을 선정하면, 목표지점으로부터 상류 방향으로 거슬러가며 하나 이상의 측정지점을 상류 지점이라고 명명하겠다. 상기 데이터가공부(100)는 상류 및 목표지점의 최근의 측정자료를 가공하여 진단의사결정나무 생성부(200)와 예측의사결정나무 생성부(400)에서 활용한다. 이때 최근의 측정자료는 최소한 최근 1년 이상의 데이터로 구성되는 것이 바람직하며, 수질측정항목은 일정한 시간간격으로 측정되어 측정횟수당 한 셋으로 세트화시켜 가공할 수 있는 항목을 모두 이용하는 것이 바람직하다. 예를 들어, 하나의 측정지점에서 BOD, COD, SS, T-N, T-P, Chl-a, STP, STN은 일주일 1회 측정되어 저장되고, Cr, Mg, 등의 타 항목은 1개월에 1회 측정되어 저장된다고 할 때, 이들 데이터를 통해 생성될 의사결정나무의 성능을 보장하기 위해 사용하는 데이터가공부(100)는 BOD, COD, SS, T-N, T-P, Chl-a, STP, STN으로 데이터를 구성하는 것이 바람직하다.
상기 진단의사결정나무 생성부(200)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 역할을 한다.
상기 진단의사결정나무 생성부(200)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출될 수 있다.
(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
상기 진단의사결정나무 생성부(200)에서는 가공된 데이터 중 목표지점의 데이터에 대하여 계층적 군집분석에 의하여 해당 목표지점의 수질 유형을 분류하여 그룹화하는데, 바람직하게는 5~7개의 유형으로 그룹화하는 것이 바람직하다. 이후에, 상류의 수질측정자료를 분리기준으로 하여 목표지점인 하류의 수질이 어떠한 유형에 해당할지를 도출하여 진단결과로서 제공하기 위한 수단인 진단의사결정나무를 생성하게 되는데, 이 때 사용되는 알고리즘은 CART 알고리즘이 바람직하다. 이로서 생성되는 진단의사결정나무는 상류의 수질항목의 분포에 따라 목표지점의 수질유형을 제공해 줄 수 있는 규칙들의 집합이다. 진단의사결정나무를 구성하는 개별 규칙들이 IF ~ THEN 의 형태로 제공될 경우에 IF 뒤에는 상류의 수질항목들이 참조되며, THEN 뒤에는 목표지점의 수질 유형이 존재하게 된다.
또한 상기 진단의사결정나무 생성부(200)에서는 상류 및 목표지점의 수질측정항목 모두를 사용하여 목표지점인 하류의 수질의 유형을 도출하여 줄 수 있는 진단의사결정나무의 생성도 가능하다. 앞선 경우와의 차이점은 진단의사결정나무를 구성하기 위한 분리기준으로서 상류의 수질측정자료만을 사용하지 않고 목표지점인 하류의 수질측정자료도 함께 사용한다는 것으로서, 어느 경우를 선택할 것인지는 본 발명을 적용하고자 할 때 선택할 수 있다.
또한 상기 진단의사결정나무 생성부(200)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출될 수 있다.
상기 진단의사결정부(300)는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 역할을 한다. 따라서 상기 진단의사결정부(300)에서는 목표지점의 수질이 어떠한 유형에 속하는지를(예를 들어, 유기물의 농도는 높고 영양염류의 농도는 낮은 유형) 제공하게 된다.
상기 예측의사결정나무 생성부(400)는 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 역할을 한다.
상기 예측의사결정나무 생성부(400)는 목표지점의 수질예측 결과를 제공하기 위한 예측의사결정나무를 생성하기 위한 것으로서, 진단의사결정나무 생성부(200)에서와 마찬가지로 데이터베이스로부터 수집한 최근의 상류 및 목표지점에서의 측정자료들을 대상으로, 목표지점에서 추정하고자 하는 수질항목 각각에 대하여 예측을 위한 예측의사결정나무를 생성한다. 이 때 예측의사결정나무를 구성하기 위한 알고리즘은 CART 혹은 CHAID 알고리즘이 바람직하다. 이 때 예측의사결정나무의 분리기준은 상류의 수질측정항목 데이터로서, 예측의사결정나무를 구성하는 각각의 규칙(IF THEN)의 전반부에는 상류의 수질항목이, 후반부에는 목표지점에서의 어떤 수질항목의 값의 집합이 존재하게 된다. 예를 들어, 규칙은 (IF BOD_상류1 > A and COD 상류 2 < B, THEN BOD_목표지점 is in the range of C±D.(C is mean and D is standard deviation)와 같이 도출되게 된다.
상기 예측의사결정부(500)는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 역할을 한다. 상기 예측의사결정부(500)에서는 BOD = A ± D (A:mean, B:standard deviation)와 같은 예측결과를 도출하여 제공하게 된다.
상기 진단의사결정부(300)는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정부(500)는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 줄 수 있다. 따라서 수계수질의 상태에 대한 진단결과 및 예측결과는 특정 프로그램으로 제작되어 보여질 수도 있고, 또는 상기 특정 프로그램이 제공하는 정보가 웹상에서 제공될 수도 있을 것이다.
도 2를 참조하여 본 발명에 의한 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법을 설명하면 다음과 같다.
제 1단계는 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공단계이다(S110).
제 2단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성단계이다(S120). 상기 진단의사결정나무 생성단계(S120)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출될 수 있다.
(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
또한 상기 진단의사결정나무 생성단계(S120)는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출될 수 있다.
제 3단계는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정단계이다(S130).
제 4단계는 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성단계이다(S140).
제 5단계는 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정단계이다(S150). 상기 진단의사결정단계(S130)는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정단계(S150)는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 줄 수 있다.
그리고 진단의사결정나무 생성단계(S120) 및 진단의사결정단계(S130)와, 진단의사결정단계(S130) 및 예측의사결정단계(S150)의 순서는 뒤바뀌어도 무방하다. 즉, 진단 및 예측의 순서는 상관없다는 것이다.
이하, 실시예를 기준으로 본 발명에서 언급하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법을 설명하기로 한다.
본 실시예에서 대상 목표지점은 낙동강 하류의 구포 지점이 될 수 있으며, 이러한 경우 목표지점의 상류지점으로는 환경부의 국가측정망인 낙본-K 지점과 낙본-L 지점이 선정될 수 있다. 낙본-K 지점과 낙본-L 지점에서는 BOD, COD, SS, T-N, T-P, Chl-a, pH, 유기질소, 암모니어성질소, 아질산성질소, 질산성질소, 유기인, 용존성인을 측정하나, 그들 중 오직 BOD, COD, SS, T-N, T-P, Chl-a, pH를 1주일에 1회 측정하고 나머지 항목들을 1개월에 1회 측정하는 경우에는, 본 발명에 사용할 데이터는 의사결정나무의 신뢰성을 획득하기 위하여 1주일에 1회 측정하는 BOD, COD, SS, T-N, T-P, Chl-a, pH만을 선별하여 1주일에 1 셋의 측정치가 존재하도록 준비하는 것이 바람직하다.
이렇게 준비된 데이터셋은 진단의사결정부(300) 및 예측의사결정부(500)에 입력되어 본 발명의 목적을 달성하기 위한 예측 결과와 진단 결과를 제공하게 된다. 여기서 진단의사결정부(300)는 진단의사결정나무 생성부(200)에 의하여 생성되어 제공되는 진단의사결정나무에 의하여 목표지점의 수질에 대한 정성적이며 언어적인 진단결과를 제공하는 것을 특징으로 하며, 본 발명의 실시예에 따르면, "구포 지점의 현재 수질은 [유기물의 농도는 높고 영양염류의 농도는 낮은 유형]입니다."와 같은 수질 진단 결과를 제공해 줄 수 있다. 또한 예측의사결정부(500)는 예측의사결정나무 생성부(400)에서 생성되어 제공되는 예측의사결정나무에 의하여 목표지점의 수질에 대한 정량적인 범위를 예측하여 제공하는 것을 특징으로 하며, 본 발명의 실시예에 따르면, "구포 지점의 현재 수질은 [5.41.2 ppm 의 범위에 존재]합니다."와 같은 정량적이며 현실성 있는 예측 결과를 제공해 줄 수 있다.
좀 더 구체적으로 살펴보면, 선별 또는 가공된 데이터(BOD, COD, SS, T-N, T-P, Chl-a, pH) 중에서 목표지점의 수질인 구포지점의 BOD, COD, T-N, T-P, pH만을 선별하고, 아래 [표 1] 및 [표 2]와 같이 계층적 군집분석법에 의해 7가지 유형으로 그룹화한다. [표 1]은 구포지점의 수질로부터 그룹화된 7가지 수질유형 및 각 항목당 평균값을 나타내고, [표 2]는 수질유형에서의 수질오염도의 등급을 나타낸다.
이후 상류지점인 낙본-L 지점의 BOD, pH, SS, TOC, EC, T-N를 분리기준으로 설정하고, [표 1]의 그룹 중 1, 2, 4, 5유형을 진단하기 위해 진단의사결정나무를 도 3과 같이 생성하였다. 여기서 도 3은 구포지점의 수질유형을 진단하기 위한 진단의사결정나무를 나타낸다. 따라서 도 3을 통해 알 수 있듯이, 진단의사결정나무를 통해 "해당 목표지점(구포)의 수질은 [모든 오염물질의 농도가 낮은 유형]입니다."와 같은 진단 결과를 제공하게 된다.
또한, 상기 예측의사결정부(500)에서 예측결과를 도출하는데 사용되는 규칙의 집합인 예측의사결정나무는 예측의사결정나무 생성부(400)에서 생성되는데, 이는 진단의사결정나무 생성부(200)에서와 마찬가지로 사전에 설정된 최근으로부터의 일정 측정기간에 목표지점 및 그 상류의 하나 혹은 그 이상의 지점에서 측정된 수질항목 측정 결과들을 호출해서 가장 짧은 측정구간별로 공통적으로 존재하는 수질항목들을 선별하여 측정시점 당 하나의 데이터셋으로 구성하는 것을 특징으로 하는 기능을 사용하여 예측의사결정나무 생성부(400)가 구동되게 된다. 예측의사결정나무 생성부(400)에 의해 진행되는 예측의사결정나무 생성단계를 설명하면, 준비된 데이터셋에서 일정 시간구간에 목표지점 및 하나 혹은 그 이상의 상류지점에서 측정된 수질측정데이터을 선별하고, 뒤이어 예측하고자 하는 각각의 목표변수 별로 예측을 위한 예측의사결정나무를 구성함에 있어, 예측하고자 하는 수질항목을 목표변수로 하고 데이터가공부(100)에 의하여 준비되어 있던 데이터셋의 상류 지점의 수질측정데이터들을 분리기준으로 하여 예측을 위한 예측의사결정나무를 생성하는 된다.
따라서 상기 예측의사결정나무 생성부(400)의 바람직한 실시예에 의한 결과로서, 수영강 하류("하류")의 일정 지점의 수질은 그로부터 상류 지점에 존재하는 "상류1" 지점의 수질과 수영강으로 하수처리장 유출수질이 방류되어 합류하는 지점에서 측정된 수질("합류지점")을 사용하여 예측을 위한 예측의사결정나무를 구성하게 되는데, 이의 결과로서 도 4, 도 5, 도 6과 같은 각 수질항목당 예측을 위한 의사결정나무가 도출되게 된다. 여기서, 도 4는 수영강 하류지점의 BOD농도를 예측하기 위한 예측의사결정나무이고, 도 5는 수영강 하류지점의 T-N농도를 예측하기 위한 예측의사결정나무이고, 도 6은 수영강 하류지점의 T-P농도를 예측하기 위한 예측의사결정나무를 나타낸다.
따라서 도 4 내지 도 6에서와 같은 예측을 위한 예측의사결정나무는 본 발명의 예측의사결정부(500)에 사용되어 "해당 목표지점의 BOD 수질은 4.333±0.208의 범위에 존재합니다"와 같은 예측 결과를 제공할 수 있는 것이다.
이상의 설명은 본 발명을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 변형이 가능할 것이다. 따라서 본 명세서에 개시된 실시예들은 본 발명을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 사상과 범위가 한정되는 것은 아니다. 본 발명의 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템
100: 데이터가공부
200: 진단의사결정나무 생성부
300: 진단의사결정부
400: 예측의사결정나무 생성부
500: 예측의사결정부
100: 데이터가공부
200: 진단의사결정나무 생성부
300: 진단의사결정부
400: 예측의사결정나무 생성부
500: 예측의사결정부
Claims (8)
- 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공부;
상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성부;
상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정부;
상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성부; 및
상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정부;를 포함하되,
상기 가공된 데이터는 BOD, COD, SS, T-N, T-P, STN, STP, NH4 +N, NOX-N, PO4-P, GHI-a pH 중에서 적어도 하나 이상을 포함하는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
- 제 1항에 있어서,
상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
- 제 1항에 있어서,
상기 진단의사결정나무 생성부는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
- 제 2항 또는 제 3항에 있어서,
상기 진단의사결정부는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정부는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공시스템.
- 데이터가공부가 수계수질 측정데이터를 저장하는 데이터베이스로부터 수계수질 상태의 진단 및 예측에 필요한 데이터를 수집하여 상기 데이터들을 일정시간 간격으로 세트화시켜 가공하는 데이터가공단계;
진단의사결정나무 생성부가 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 그룹화하고, 상기 그룹화된 수질유형을 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 수질유형을 진단해 주는 진단의사결정나무를 생성시키는 진단의사결정나무 생성단계;
진단의사결정부가 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 진단의사결정나무에 적용시켜 상기 목표지점의 수질유형을 도출해 주는 진단의사결정단계;
예측의사결정나무 생성부가 상기 가공된 데이터들 중 목표지점의 데이터를 목표변수로 하며, 상기 목표지점의 상류지점에 해당하는 데이터를 분리기준으로 하여 상기 목표지점의 목표변수에 대한 정량적인 범위를 예측해 주는 예측의사결정나무를 생성시키는 예측의사결정나무 생성단계; 및
예측의사결정부가 상기 가공된 데이터들 중 목표지점의 데이터들을 상기 예측의사결정나무에 적용시켜 상기 목표지점의 목표변수에 대한 정량적인 범위를 도출해 주는 예측의사결정단계;를 포함하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
- 제 5항에 있어서,
상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 아래의 수식에 의해 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
(여기서, Pi는 S가 i분류에 속하는 분율이며, A는 한 변수, Sv는 변수 A가 v라는 값을 가질 때의 S의 부분집합을 말함.)
- 제 5항에 있어서,
상기 진단의사결정나무 생성단계는 상기 가공된 데이터들 중 목표지점의 데이터들에 대하여 상기 목표지점의 수질유형을 계층적 군집분석법에 의하여 그룹화하며, 상기 진단의사결정 나무는 상기 그룹화된 수질유형에 대해 개별적으로 의사결정나무 알고리즘에 의해 생성되며, 상기 의사결정나무 알고리즘은 분리되는 각각의 끝마디에 포함되는 수질유형들 간의 분산의 차이가 존재하는가를 척도로 삼는 카이제곱 검정결과를 이용하여 도출되는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
- 제 6항 또는 제 7항에 있어서,
상기 진단의사결정단계는 상기 목표지점의 수질유형을 유기물 및 영양염류의 농도를 포함한 목표지점의 데이터에 대한 언어적인 진단결과로 표시해 주며, 상기 예측의사결정단계는 상기 목표지점의 데이터들의 존재가능한 수치의 범위를 평균±표준편차의 형식의 예측결과로 표시해 주는 것을 특징으로 하는 수계수질 상태의 진단 및 예측이 가능한 수질정보제공방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130033628A KR101432437B1 (ko) | 2013-03-28 | 2013-03-28 | 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 |
PCT/KR2013/002613 WO2014157753A1 (ko) | 2013-03-28 | 2013-03-29 | 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130033628A KR101432437B1 (ko) | 2013-03-28 | 2013-03-28 | 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101432437B1 true KR101432437B1 (ko) | 2014-08-21 |
Family
ID=51624705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130033628A KR101432437B1 (ko) | 2013-03-28 | 2013-03-28 | 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR101432437B1 (ko) |
WO (1) | WO2014157753A1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101987897B1 (ko) | 2018-11-28 | 2019-06-11 | 부산가톨릭대학교 산학협력단 | 하수처리 시설의 공정 성능 모니터링 시스템 |
KR20200064237A (ko) | 2018-11-28 | 2020-06-08 | 부산가톨릭대학교 산학협력단 | 하수처리장 운전 제어 시스템 |
WO2020116727A1 (ko) * | 2018-12-04 | 2020-06-11 | 주식회사 엘지생활건강 | 자외선 차단지수 산출 장치, 자외선 차단지수 산출 방법 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10458969B2 (en) | 2016-03-22 | 2019-10-29 | International Business Machines Corporation | Dynamic water quality prediction |
CN111310788B (zh) * | 2020-01-15 | 2023-06-09 | 广东奥博信息产业股份有限公司 | 基于参数优化的水体pH值预测方法 |
CN111579547A (zh) * | 2020-04-17 | 2020-08-25 | 北京农业智能装备技术研究中心 | 水体cod快速检测方法及装置 |
CN112819244B (zh) * | 2021-02-23 | 2022-06-21 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN113344130B (zh) * | 2021-06-30 | 2022-01-11 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN117933572B (zh) * | 2024-03-20 | 2024-06-11 | 四川飞洁科技发展有限公司 | 一种水质预测方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100866909B1 (ko) | 2007-06-05 | 2008-11-04 | 연세대학교 산학협력단 | 토양환경 생태등급 예측방법 |
KR20120089888A (ko) * | 2010-12-17 | 2012-08-16 | 한국수자원공사 | 최적 수질 관측망 구성 방법 및 이를 지원하는 관측망 선정 지원 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101237444B1 (ko) * | 2010-06-29 | 2013-02-26 | 부산대학교 산학협력단 | 하폐수 처리장의 공정진단 시스템 및 방법 |
-
2013
- 2013-03-28 KR KR1020130033628A patent/KR101432437B1/ko active IP Right Grant
- 2013-03-29 WO PCT/KR2013/002613 patent/WO2014157753A1/ko active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100866909B1 (ko) | 2007-06-05 | 2008-11-04 | 연세대학교 산학협력단 | 토양환경 생태등급 예측방법 |
KR20120089888A (ko) * | 2010-12-17 | 2012-08-16 | 한국수자원공사 | 최적 수질 관측망 구성 방법 및 이를 지원하는 관측망 선정 지원 장치 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101987897B1 (ko) | 2018-11-28 | 2019-06-11 | 부산가톨릭대학교 산학협력단 | 하수처리 시설의 공정 성능 모니터링 시스템 |
KR20200064237A (ko) | 2018-11-28 | 2020-06-08 | 부산가톨릭대학교 산학협력단 | 하수처리장 운전 제어 시스템 |
WO2020116727A1 (ko) * | 2018-12-04 | 2020-06-11 | 주식회사 엘지생활건강 | 자외선 차단지수 산출 장치, 자외선 차단지수 산출 방법 |
KR20200067493A (ko) * | 2018-12-04 | 2020-06-12 | 주식회사 엘지생활건강 | 자외선 차단지수 산출 장치, 자외선 차단지수 산출 방법 |
KR102242993B1 (ko) * | 2018-12-04 | 2021-04-21 | 주식회사 엘지생활건강 | 자외선 차단지수 산출 장치, 자외선 차단지수 산출 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2014157753A1 (ko) | 2014-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101432437B1 (ko) | 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 | |
Moatar et al. | Compared performances of different algorithms for estimating annual nutrient loads discharged by the eutrophic River Loire | |
Huffcutt et al. | Development of a new outlier statistic for meta-analytic data. | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及*** | |
Shuang et al. | Review of the quantitative resilience methods in water distribution networks | |
Nguyen et al. | Development of the typical driving cycle for buses in Hanoi, Vietnam | |
Houston et al. | Applying quality assurance procedures to environmental monitoring data: a case study | |
CA3051483C (en) | System and method for automated and intelligent quantitative risk assessment of infrastructure systems | |
Jakobsson et al. | Introducing the index-based ecological condition assessment framework (IBECA) | |
Whittier et al. | The surface waters component of the Environmental Monitoring and Assessment Program (EMAP): an overview | |
Shahzadi et al. | Relationship between globalization and environmental degradation in low income countries: an application of Kuznet Curve | |
Da Silva et al. | Use of sustainability indicators in strategic environmental assessment processes conducted in Brazil | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
Kalair et al. | Dynamic and interpretable hazard-based models of traffic incident durations | |
Sheppard et al. | Bayesian diagnosis and prognosis using instrument uncertainty | |
Tokede et al. | Problematic consequences of the inclusion of capital goods inventory data in Environmental Product Declarations | |
KR20160044809A (ko) | 하천의 수질개선 우선순위결정을 위한 등급화방법 | |
Wagner et al. | The statistical power to detect cross‐scale interactions at macroscales | |
Hébert et al. | The L iving P lanet I ndex's ability to capture biodiversity change from uncertain data | |
Stevenson et al. | Designing data collection for ecological assessments | |
Pickett et al. | The design of cost-effective air quality monitoring networks | |
Moasheri et al. | ‘SAR’qualities parameter persistence by a compound method of geostatic and artificial neural network (Case study of Jiroft plain) | |
Averty et al. | An ordered logit model of air traffic controllers conflict risk judgment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20170804 Year of fee payment: 4 |