제5장 환경 빅데이터 플랫폼 뉴스레터 개발 ∣ 77
구분 파일 내용
개별 뉴스레터 내용 요약
* 2019년 3월 25일-2019년 4월 1일 게시된 네이버 환경뉴스를 분석한 결과 당시 국민들은 2019년 4월 1일에 시행된 대형마트 비닐봉투 규제에 대한 관심이 많았음을 유추할 수 있었다. 이 시기 환경부 문헌의 키워드나 키워드 네트워크는 이 이슈에 대응하는 키워드가 파악되지 않았다. 당시 환경부 문헌의 키워드로부터는 환경부가 LPG 화물차 신차 구입 지원사업을 진행하고 있었음을 파악할 수 있었다. 이 시기 네이버 뉴스의 키워드
및 키워드 네트워크에서는 이 사업과 관련된 키워드가 파악되지 않았다.
hyperlink * 자세한 텍스트 분석결과는 [**텍스트 분석 뉴스 레터**](./Textanal/textanalysis_0824.html)에서 찾아볼 수 있다.
자료: 저자 작성.
<표 5-4> 표지 작성 coverletter_html.Rmd 파일 내용
제6장 결론 및 시사점 ∣ 79
제6장
결론 및 시사점
2022년의 본 연구는 계속 사업의 연구단계 제2기(2020~2022년)를 마무리하는 단계에 서 2019년 설계한 환경정책 모니터링 시스템(가칭)의 구성요소를 보강하고 뉴스레터 형태 의 산출물을 제공하기 위한 첫 단계를 수행하였다. 금년도 연구를 통해 미세먼지 및 수질 오염도의 딥러닝 알고리즘 예측의 설명 가능성을 강화하였고, 질문중심 데이터베이스를 통 한 환경 이슈 분석의 주제를 국가지속가능발전(K-SDGs)으로 확장하였다. 또한 환경 빅데 이터 플랫폼 뉴스레터 발신을 위한 첫 단계 작업을 수행하였다.
제2장 ‘설명 가능한 인공지능 기반 새로운 미세먼지 예측 모듈 개발’에서는 한국의 대기 질 데이터와 기상 데이터를 기존 알고리즘에 Vision Transformer(ViT)를 추가로 적용하 여 미세먼지 예측을 수행하였다. 인공지능 예측 모형의 설명 가능한 투명성을 높이기 위하 여 attention score와 shapely value를 활용하여 지역별 영향과 변수별 영향도를 점검하 였다. 이를 통해 ViT 및 attention 모듈이 미세먼지 예측에서 효과적으로 활용될 수 있음을 확인할 수 있었다. 기존처럼 높은 예측 성능을 유지한 상태에서 결과에 대한 설명력을 추가 적으로 제공하여 인공지능 예측 모형에 대한 투명성과 신뢰성을 확보하여 정책 활용성을 강화하였다.
제3장 ‘설명 가능 딥러닝 모델을 활용한 담수 수계 부영양화 지수농도 산정’에서는 금강 과 낙동강을 대상으로 수질 데이터를 수집하여 1D-CNN 및 CBAM(Convolutional Block Atten Module)을 통한 부영양화 지표 예측 알고리즘을 개발하였다. 1D-CNN 모형을 통해 부영양화 지표 수질인자에 대한 산정 정확도를 제고할 수 있음을 확인하였고, 설명 가능한 인공지능 분석방법인 CBAM을 통해 부영양화 지표의 예측 모형에 영향을 미치는 중요 수질
인자를 가시적으로 파악하고 현상을 분석할 수 있음을 확인하였다.
제4장 ‘K-SDGs 환경 분야 이행점검을 위한 질문중심 반응형 대시보드의 활용’은 2019 년 미세먼지, 2020년 기후변화, 2021년 탄소중립을 대상으로 개발한 질문중심 반응형 대 시보드를 국가지속가능발전목표(K-SDGs)로 확장한 것이다. 정보공개 패러다임 측면에서 반응형 대시보드가 가지는 의미와 가능성에 대해 살펴보고, K-SDGs 환경 분야의 세부목표 별 이행점검을 위한 지표를 도출하고 통계자료를 연계하였으며, SDGs 이행점검을 위한 모니터링 시스템을 구축하였다. 시계열 자료인 SDGs 관련 통계자료에 대한 분석절차를 모듈화하여 데이터셋만 갱신하면 자동적으로 분석 및 시각화할 수 있는 시스템을 개발하였 다. 추가로 SDGs 이행 수준에 대한 국가 간 유사성 비교 및 목표 간 연계성 분석을 수행하였 다. 국가 간 비교를 위한 대시보드 페이지에서는 군집 분석결과를 제시하였고 평행좌표계 도표를 통하여 각 군집의 특성을 파악할 수 있도록 하였다. 또한 베이지안 네트워크와 의사 결정나무를 통하여 지속가능발전 목표 사이의 중요 변수를 식별하고 변수 간 관계를 파악할 수 있도록 하였다.
제5장 ‘환경 빅데이터 플랫폼 뉴스레터 개발’은 환경 빅데이터 플랫폼이 생성하는 정보를 연구자가 해석하여 발신하는 수단으로, 환경 빅데이터 플랫폼의 산출물을 수요자에게 제공 하기 위해 개발하였다. 2022~2023년까지 2년에 걸쳐 개발할 예정으로, 2022년은 뉴스레 터 발신에 필요한 사전 작업으로 ‘환경’ 뉴스레터 작성양식을 재생 가능한 마크다운 문서로 작성하는 작업을 수행하였다. ‘환경 텍스트 키워드 분석 알고리즘’, ‘녹조 예측 알고리즘’,
‘미세먼지 질문중심 데이터베이스’의 연구성과를 대상으로 뉴스레터를 발신할 수 있는 양식 을 시범적으로 선정하였고 개별 뉴스레터를 요약하고 링크를 제공하는 커버레터(cover letter) 양식을 작성하였다.
딥러닝 기법을 활용한 예측 모형은 단기예측 성능의 효율성을 꾸준히 증명해왔음에도 불구하고 예측값이 도출된 원인에 대한 설명력이 부족하다는 점이 약점으로 제시되어 왔다.
기존에 개발한 예측 모형은 인공지능의 의사결정 과정에 대해 완전히 이해할 수 없기 때문 에 예측결과를 신뢰하여 정책에 활용하는 데 한계가 있었다. 이를 극복하기 위해 설명 가능 한 인공지능(XAI) 기법이 최근 빠른 속도로 발전하고 있다. XAI를 적용한 예측 모형은 적용 하지 않은 예측 모형에 비해 사용자 신뢰 구축, 법적 요구사항 충족, 윤리 관련 근거 제공
제6장 결론 및 시사점 ∣ 81
등의 이점을 가진다. 따라서 인공지능을 통한 오염도 예측결과를 환경정책에 효과적으로 활용하기 위해서는 발전된 XAI 모형을 적용할 필요가 있다. 인공지능을 통한 환경오염도 예측의 올해 연구성과는 설명 가능한 인공지능(XAI) 기법을 환경연구에 적용했다는 것이다.
미세먼지와 부영양화 지수를 대상으로 하여 높은 단기예측 성능을 유지한 상태로 예측결과 에 대한 설명력을 추가로 제공하는 알고리즘을 개발하였다.
정보공개 패러다임 측면에서 질문중심 반응형 대시보드는 사용자가 정보를 실질적으로 활용할 수 있도록 디지털 격차를 줄이는 데 기여하고 사회문제 해결에도 도움을 줄 수 있다 는 점에 의의가 있다. 2022년에 개발한 국가지속가능발전목표(K-SGDs) 환경 분야의 질문 중심 반응형 대시보드는 지속가능발전목표 중에서도 환경 분야의 세부목표 및 지표에 대하 여 분석정보를 사용자 친화적으로 알기 쉽게 제공하고 국가 간 비교, 목표 간 연계성 정보를 추가적으로 제공함으로써 SDGs 환경 분야 이행전략을 효과적으로 수립하고 필요한 자원을 적절하게 배분하는 데 도움이 될 수 있다. 향후 환경부문을 넘어 17개 전 목표를 대상으로 반응형 대시보드를 생성하고 보다 엄밀한 분석 모형을 구축한다면 사회·환경·경제를 통합 한 지속가능목표 달성에 기여할 수 있을 것이다.
2022년에는 환경 빅데이터 플랫폼의 산출물인 뉴스레터 발신을 위한 첫 단계를 수행하였 다. 환경 빅데이터 플랫폼 뉴스레터는 인공지능이 생성한 정보를 연구자가 해석한 결과와 함께 주기적으로 발신하는 것을 목적으로 한다. 최근 10년간 인공지능 기술이 크게 발전하 였지만 생성된 정보를 해석하여 정책 수요 파악, 정책 시의성 평가, 정책 유효성 평가 등에 활용하는 것은 아직 연구자 및 실무자의 몫으로 남아있다. 환경 빅데이터 뉴스레터는 주기 적으로 갱신되는 정보에 대한 분석정보를 빠른 속도로 수요자에게 전달하여 시의성 있는 정보전달을 하기 위해 개발하였다. 2023년에는 뉴스레터의 시험적인 발신을 시도하고 수요 자 반응을 파악하여 뉴스레터 발신을 상시화하는 것을 목표로 할 예정이다.
참고문헌 ∣ 83
｜ 참고문헌｜
[국내문헌]
강성원 외(2020), ｢환경 빅데이터 분석 및 서비스 개발(Ⅳ)｣, 한국환경정책·평가연구원, pp.2-5.
고길곤, 김경동, 이민아(2020), “질문주도 EBP 모형 개념과 적용에 대한 연구-미세먼지 문제 의 분석 사례를 중심으로”, ｢한국정책학회보｣, 29(3), pp.1-27.
고영진 외(2020), “주요 산림정책 및 계획과 국가 지속가능발전목표 간의 연계성 분석”, ｢한국 기후변화학회지｣, 11(6-1), pp.583-596.
관계부처 합동(2021), ｢제4차 지속가능발전 기본계획 2021-2040｣.
김은주, 박정호(2020), “글로벌 정책목표의 국내이행: 모호성 개념에 기반한 지속가능발전목 표(SDGs) 이행실태 분석”, ｢한국행정논집｣, 32(1), pp.51-68.
박영실 외(2017), “유엔 지속가능발전목표 (SDGs) 지표 프레임워크 구축과 통계의 역할”,
｢조사연구｣, 18(3), pp.77-96.
박정호, 정소윤, 김은주(2017), ｢지속가능발전목표 (SDGs) 이행 실태 분석 및 개선방안 연구｣, 한국행정연구원.
신선영, 서창교(2020), “플랫폼 정부 연구의 탐색적 분석”, ｢정보시스템연구｣, 29(1), pp.159-179.
양성일(2017), “한국의 보건 분야 지속가능발전목표 이행현황과 향후계획”, ｢Journal of the Korean Medical Association｣, 60(8), pp.640-653.
오수길, 한순금(2018), “지속가능발전목표(SDGs)와 지방정부의 목표체계 전환: 경상남도를 중심으로”, ｢지방정부연구｣, 22(3), pp.481-508.
오진환 외(2021), ｢개발협력 관점에서 SDG의 의미와 이행방안 연구｣, 한국국제협력단.
우윤석(2013), “정부 3.0의 이론적 배경과 해외사례에 관한 연구”, ｢사회과학논총｣, 제16호, pp.21-47.
우창빈, 김태균, 김보경(2020), “지속가능발전목표 이행의 글로벌 경향성 분석: UN 자발적국 별리뷰(VNR)를 중심으로”, ｢국정관리연구｣, 15(2), pp.65-108.
유웅조(2020), “우리나라 유엔 지속가능발전목표(SDGs) 이행 현황과 개선과제”, ｢NARS 현안 분석｣, 제186호, p. 9
이상윤, 정명주(2014), “다문화사회에서의 정보격차 해소를 위한 플랫폼 전자정부 구축 연구”,
｢Journal of Digital Convergence｣, 12(1), pp.1-12.
이재완(2014), “정부운영 패러다임과 정보공개 패러다임의 상응성에 관한 연구”, ｢한국지역정 보화학회지｣, 17(2), pp.147-172.
이항석(2018), “빅데이터 분석에 의한 요율산정 방법 비교: 실손의료보험 적용 사례”, 보험연 구원, p.35.
이혜원(2019), “유엔 지속가능발전목표(SDGs)의 한국적 적용: 현황과 개선방안-빈곤과 불평 등 관련 목표들을 중심으로”, ｢국제･지역연구｣, 28(4), pp.131-161.
이희성 외(2020), “SDGs 지표를 활용한 체제전환국의 유형 분석”, ｢국제개발협력연구｣, 12(3), pp.57-76.
정진임, 김유승(2014), “정부 3.0 시대, 2. 정보공개시스템의 개선 과제”, ｢기록학연구｣, 제39 호, pp.45-72.
지속가능발전위원회(2019), ｢2019 국가 지속가능발전목표(K-SDGs) 수립보고서｣.
홍한움 외(2021), ｢환경 빅데이터 분석 및 서비스 개발 V｣, 한국환경연구원.
[국외문헌]
Bartier, P. M., and C. P. Keller(1996), “Multivariate interpolation to incorporate thematic surface data using inverse distance weighting (IDW)”, Computers
& Geosciences, 22(7), pp.795-799.
Beeson, W. L., D. E. Abbey, and S. F. Knutsen(1998), “Long-term concentrations of ambient air pollutants and incident lung cancer in California adults:
results from the AHSMOG study. Adventist Health Study on Smog”, Environmental health perspectives, 106(12), pp.813-823.
참고문헌 ∣ 85
Brown, A. et al.(2017), “Appraising the impact and role of platform models and Government as a Platform (GaaP) in UK Government public service reform:
Towards a Platform Assessment Framework (PAF)”, Government Information Quarterly, 34(2), pp.167-182.
Chae, H. J.(2009), “Effect on the PM10 concentration by wind velocity and wind direction”, Journal of environmental and Sanitary engineering, 24(3), pp.37-54.
Chae, S. et al.(2021), “PM10 and PM2. 5 real-time prediction models using an interpolated convolutional neural network”, Scientific Reports, 11(1), pp.1-9.
Chaloulakou, A., D. Assimacopoulos, and T. Lekkas(1999), “Forecasting Daily Maximum Ozone Concentrations in the Athens Basin”, Environmental Monitoring and Assessment, Vol.56, pp.97–112.
Cho, H. and H. Park(2019), “Merged-LSTM and multistep prediction of daily chlorophyll-a concentration for algal bloom forecast”, In IOP Conference Series: Earth and Environmental Science, 351(1), p.012020.
Cobourn, W. G.(2010), “An enhanced PM2. 5 air quality forecast model based on nonlinear regression and back-trajectory concentrations”, Atmospheric Environment, 44(25), pp.3015-3023.
EPA(2004), Air Quality Criteria for Particulate Matter, U.S.EPA, p.76.
Harrison, R. M., A. M. Jones, and R. G. Lawrence(2004), “Major component composition of PM10 and PM2.5 from roadside and urban background sites”, Atmospheric Environment, 38(27), pp.4531-4538.
Hong, S. M. et al.(2021), “Estimation of Cyanobacteria Pigments in the Main Rivers of South Korea Using Spatial Attention Convolutional Neural Network with Hyperspectral Imagery”, GIScience & Remote Sensing, 59(1), p.553.
Hyndman, R. J. and G. Athanasopoulos(2018), Forecasting: Principle and Practice,
Melbourne: OTexts, p.221.
Ivanov, A. and S. Gocheva-Ilieva(2013), “Short-time particulate matter PM10 forecasts using predictive modeling techniques”, AIP Conference Proceedings, 1561(1), pp.209-218.
Kihal-Talantikite, W. et al,(2018), “Premature Adult Death and Equity Impact of a Reduction of NO 2, PM 10, and PM 2.5 Levels in Paris: A Health Impact Assessment Study Conducted at the Census Block Level”, International Journal of Environmental Research and Public Health, 16(1), pp.1-19.
Kim, M. S. et al.(2002), “Eutrophication of Nakdong River and Statistical Analtsis of Envitonmental Factors”, Algae, 17(2), pp.105-115.
Koo, Y. S. et al.(2015), “Improvement of PM10 prediction in East Asia using inverse modeling”, Atmospheric Environment, Vol.106, pp.318–328.
Lee, B. J., B. Kim, and K. Lee(2014), “Air Pollution Exposure and Cardiovascular Disease”, Toxicological Research, 30(2), pp.71-75.
Lu F. et al.(2015), “Systematic Review and Meta-Analysis of the Adverse Health Effects of Ambient PM2.5 and PM10 Pollution in the Chinese Population”, Environmental Research, Vol.136, pp.196-204.
Ma, X. et al.(2017), “Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction”, Sensors, 17(818), pp.2-16.
Maier, P. M., S. Keller and S. Hinz(2021), “Deep learning with WASI simulation data for estimating chlorophyll a concentration of inland water bodies”, Remote Sensing, 13(4), p.718.
Mishra, S. K.(2016), Shapley value regression and the resolution of multicollinearity, pp.1-29, Available at SSRN 2797224.
Monache, L. D. et al.(2008), “A Kalman-filter bias correction method applied to deterministic, ensemble averaged and probabilistic forecasts of surface
참고문헌 ∣ 87
ozone”, Tellus B: Chemical and Physical Meteorology, Vol.60, pp.238-249.
Mueller, T. G. et al.(2004), “Map quality for ordinary kriging and inverse distance weighted interpolation”, Soil Science Society of America Journal, Vol.68, pp.2042-2047.
Park, J. et al.(2022), “Interpretation of ensemble learning to predict water quality using explainable artificial intelligence”, Science of The Total Environment, Vol.832, p.155070.
Raaschou-Nielsen, O. et al(2013), “Air pollution and lung cancer incidence in 17 European cohorts: prospective analyses from the European Study of Cohorts for Air Pollution Effects (ESCAPE)”, Lancet Oncol, Vol.14, pp.813–822.
Rabalais, N. N. et al.(2009), “Global change and eutrophication of coastal waters”, ICES Journal of Marine Science, 66(7), pp.1528-1537.
Sachs, J. et al. (2021), Sustainable development report 2021, Cambridge University Press.
Song, C. M., and J. S. Kim(2020), “Applicability evaluation of the hydrological image and convolution neural network for prediction of the biochemical oxygen demand and total phosphorus loads in agricultural areas”, Agriculture, 10(11), p.529.
Vlachogianni, A. et al.(2011), “Evaluation of a multiple regression model for the forecasting of the concentrations of NOx and PM10 in Athens and Helsinki”, Science of the Total Environment, 409(8), pp.1559-1571.
Wang, Y. et al.(2017), “Water quality prediction method based on LSTM neural network”, 2017 12th international conference on intelligent systems and knowledge engineering (ISKE), November 24-26th, Nanjing: IEEE, pp.1-5.
Wang, Z. et al.(2019), “A deep learning based dynamic COD prediction model for urban sewage”, Environmental Science: Water Research & Technology, 5(12), pp.2210-2218.