인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
In this study, we developed a statistical method to predict environmental noise using machine learning models trained on measured data from a noise monitoring network in Seoul, Korea. Daytime and nighttime annual equivalent noise levels were used as dependent variables, and traffic, climate, topographic, landscape, and land-use characteristics were used as explanatory variables. Feature variables were aggregated within buffer distances of 20 to 80 m around monitoring sites to identify the optimal range of influence. Among several models that we evaluated, an extremely randomized trees (Extra-Trees) model showed the highest predictive performance with a coefficient of determination of 0.729 and a root mean square error of 3.4 dB(A) for daytime noise at a buffer radius of 30 m. We then applied Shapley additive explanations (SHAP) to analyze the contribution of each variable, and the results showed that factors related to traffic were the most influential, followed by land-use characteristics. The trained model was applied to a 10 m × 10 m grid to generate a statistical noise map. This study highlights the potential of explainable machine learning-based statistical noise mapping for urban noise management and land-use planning.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-095990877
