인공지능 모델을 활용한 실시간 수질평가지수 예측

Abstract

현재 해양수산부에서 연안 오염우심해역의 해양환경을 상시 측정하기 위해 해양수질자동측정망 자료를 제공하고 있다. 아울러 우리나라는 해양환경을 직관적으로 평가하기 위하여 수질평가지수(water quality index, WQI)를 사용하고 있다. 하지만, 해양환경측정망 자료는 WQI를 제공하고 있으나 해양수질자동측정망 자료는 WQI를 계산하기 위한 수질 자료가 충분하지 않다. 이 연구는 실시간으로 수질 변화를 평가하기 위해서 해양환경측정망 자료를 학습한 인공지능(artificial intelligence, AI) 모델(model)을 이용하여 보정(calibration)된 수질자동측정망 자료의 WQI를 예측하고자 한다. 특별관리해역의 수질자동측정망 자료 중 결측치(missing value)가 비교적 적은 부산수영, 광양적량, 마산삼귀, 인천송도, 시화조력, 시화반월 측정소 자료를 활용하였다. 보정을 위해 수질자동측정소와 가장 인접한 해역별 정점의 해양환경즉정망 자료를 활용하였다. Cook의 거리(Cook’s distance) 비교로 이상치를 제거하고 선형회귀(linear regression)를 통해 해양환경측정망과 동일한 조사 시간의 수질자동측정망 자료 중 결정계수(coefficient of determination)값이 큰 변수의 자료만을 보정하였다. 해양환경측정망 자료를 훈련자료(training datasets)로 사용하고 보정된 수질자동측정망 자료를 검증자료(test datasets)를 사용하여 다양한 알고리즘(algorithm)(MLR, SVR, XGBR, ETR, ANN, ELM, NFN, ANFIS, GANN)으로 학습한 모델의 예측 성능을 평균제곱근오차(root mean square error, RMSE), 평균절대오차(mean absolute error, MAE)로 평가하였다. 평가 결과 각 해역별로 최적 알고리즘과 예측성능은 상이하였고 수질이 나쁜 경우(WQI가 클수록) 예측성능이 나쁘고 일관성이 부족하였다. 자료와 보정의 품질을 향상시킨다면 실시간으로 수질자동측정망 자료의 WQI를 정확히 예측하여 수질오염 경보와 지속가능한 해양환경관리가 가능할 것이다.

The Ministry of Oceans and Fisheries is providing real-time data from the Real-time Water Quality Moni-toring System(RWQMS) to monitor the marine environment in areas of concern for pollution. The Korean government uses the Water Quality Index(WQI) to evaluate the state of the marine environment, but the data from the RWQMS is insufficient to calculate the WQI. This study aims to predict the WQI by using an Artificial Intelligence(AI) model trained on data from the Marine Environment Monitoring Sys-tem(MEMS) to track changes in water quality in real-time. The study focuses on data from six specific RWQMS stations(Busan Suyeong, Gwangyang Jeongyang, Masan Samgwi, Incheon Songdo, Sihwa TPP, and Sihwa Banweol) with relatively low levels of missing data. The data from nearby MEMS stations was used for calibration. Outliers were removed and the RWQMS data was calibrated through linear regression, considering only data with high coefficients of determination(R2). The predictive performance of the model, trained using various algorithms(MLR, SVR, XGBR, ETR, ANN, ELM, NFN, ANFIS, and GANN), was evaluated using Root Mean Square Error(RMSE) and Mean Absolute Error(MAE). The results showed that the optimal algorithm and predictive performance varied by location and poor water quality resulted in poor predictive performance and consistency. Better data quality and calibration improve re-al-time WQI predictions in the RWQMS, enabling early warnings for water pollution and promoting sus-tainable management of the marine environment.