인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
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
본 연구는 국내 지상관측자료를 활용하여 지역별 초미세먼지(PM<sub>2.5</sub>) 단기 예측 성능을 평가하였다. 2018년부터 2024년까지의 시간별 기상 및 대기질 관측자료를 17개 시·도 행정구역 단위로 집계하고, 기상 변수, 시간 주기 변수, 지역 더미변수, PM<sub>2.5</sub> 지연 변수를 입력자료로 활용하였다. 지속성 기준모델과 비교한 결과, Random Forest, XGBoost, LightGBM 등 머신러닝 기반 모델은 모두 더 우수한 성능을 보였다. 세 모델 간 성능 차이는 크지 않았으나, LightGBM은 전체 검증자료에서 전반적으로 가장 우수한 예측 성능을 나타내어 주 분석을 위한 대표 모델로 선정하였다. 모델 예측 오차는 행정구역에 따라 뚜렷한 차이를 보였으며, 이는 동일한 모델을 적용하더라도 지역별 농도 변동성 및 관측자료의 대표성에 따라 예측 난이도가 달라질 수 있음을 의미한다. 기상 변수와 PM<sub>2.5</sub> 간 선형 상관관계는 전반적으로 크지 않았으나, 변수 중요도 분석 결과 직전 시점의 PM<sub>2.5</sub> 농도, 계절성, 상대습도 및 기온 등이 주요 예측 요인으로 나타났다. 또한 고농도 구간에서 예측오차가 증가하는 경향을 보였으며, 향후 고농도 예측 성능 향상을 위한 추가 변수의 결합, 고농도 사례에 대한 가중학습 등의 보완 전략이 필요할 것으로 판단된다. 본 연구 결과는 국내 초미세먼지 예측모델의 효과적인 구축과 활용을 위해 모델의 평균 성능뿐만 아니라 지역 및 농도 구간별 예측 성능을 함께 검토할 필요가 있음을 제시한다. 또한 본 연구는 지상관측자료만으로 확보 가능한 예측 성능을 제시함으로써, 향후 외부 자료 결합에 따른 성능 향상을 평가하기 위한 기준선을 제공했다는 점에서 의의가 있다.
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
