y tar – y pred  10 0

---–

=

RMSE 1

n---



=

MAPE 1n--- 1 y_tar

---

=

MAE 1⁼n---



y_tar y_pred

y_tar y_tar y_tar

Fig. 7. Variation of train loss and test loss value according to Epoch number.

Fig. 8. Distribution diagram between label value and prediction value.

서울 관악구 도심지역 미세먼지(PM10) 관측 값을 활용한 딥러닝 기반의 농도변동 예측 81

J. Soil Groundwater Environ. Vol. 25(3), p. 74~83, 2020 이다. 이를 통해, 적용한 딥러닝 학습기법은 예측 값에 비

해 다소 편차가 존재하지만, 자료 전체적으로는 실제 값 이 증가함에 따라 예측 값도 증가하는 추세임을 확인할 수 있다.

딥러닝 기법에 기반을 둔 연구방법을 사용하였을 때, 모 든 미세먼지 농도범위에서 높은 정확도를 가진 예측이 가 능하였으며, 이에 근거하여 고농도 미세먼지 예측 뿐 아 니라 일상적인 생활 예보에도 이 연구에서 제시한 학습모 델의 적용이 가능할 것으로 생각된다. 또한, 충분한 자료 가 존재하는 경우 다른 도심 지역에도 미세먼지 농도예측 기법의 적용이 가능할 것으로 생각된다.

5. 결 론

이 연구는 CNN 기법의 잔차 블럭과, RNN 기법의 LSTM을 혼합 적용하여 도심지역 미세먼지(PM10)의 농도 변동을 예측하는 딥러닝 모델을 제안하였다. 2014년부터 2017년 전 기간에 걸쳐 오존(O3), 이산화질소(NO2), 일산 화탄소(CO), 아황산가스(SO2) 등의 미세먼지 전구체를 통 해 PM10의 농도를 예측하고, 세분화된 시간 간격으로 미 세먼지 예측 정확도를 높이고자 하였다. 이 기법을 사용 하여 얻은 결과에 대한 대표적 평가지표는 R squared 값 으로 학습자료와 실제자료의 관계에 관하여 0.8973의 값

을 얻어, PM10의 예측 값과 실제 값이 잘 일치하는 것으 로 나타났다.

미세먼지의 농도를 정확하게 예측할 수 있다면, 단시간 예측의 경우에는 예보를 통해 미세먼지 발생원의 활동을 억제하여 미세먼지의 직접적인 물리적, 화학적 피해를 최 소화 할 수 있을 것이다. 일주일 이상의 장기 예측이 가 능하게 된다면, 지역 혹은 국가적 차원에서 산업계와 연 계하여 미세먼지 배출을 억제하는 등의 대비를 할 수 있 다. 이와 함께 기상청의 예보자료를 함께 활용하여 고농 도 미세먼지 예측이 있을 때 강수확률이 높은 경우, 산성 비 대응, 토양산성화 혹은 금속성 분진의 수계유입 억제 와 같은 지하수토양환경 측면의 대비를 할 수 있다.

이 연구는 미세먼지 예측 정확도를 높인 연구라는 점에 서 의미가 있으며, 연구에 사용한 기법은 서울과 같은 도 심지역 이외에도, 지형 및 배출원의 특성에 따라 지역을 세분화 하여 적용할 수 있다. 앞으로 장기간의 고농도 미 세먼지 자료를 확보하게 된다면 미세먼지 매우 나쁨 이상 의 농도(150 μg/m³ 이상)에 관하여도 예측을 시도할 수 있을 것으로 생각된다. 딥러닝 학습의 특성 상, 더 많은 분량의 자료가 축적될수록 예측의 정확도가 높아질 것이 며 국내의 미세먼지 및 그와 관련된 토양지하수 오염가능 성 연구에 기여할 수 있을 것으로 기대된다.

Table 1. Evaluation results of proposed model on test dataset

Metric R squared RMSE MAPE MAE

Gwanak-Gu, Seoul, Korea 0.8973 8.2450 14.850 5.8111

Fig. 9. Label value and prediction value over time (A) and label value with ascending order (B).

사 사 2020, Mechanisms of children's soil exposure, Current Prob-lems in Pediatric and Adolescent Health Care, 50(1), 100742.

Choung, S., Oh, J., Han, W.S., Chon, C.M., Kwon, Y., Kim, D.Y., and Shin, W., 2016, Comparison of physicochemical prop-erties between fine (PM2.5) and coarse airborne particles at cold season in Korea, Science of the Total Environment, 541, 1132-1138.

Davis, M.J., Janke, R., and Taxon, T.N., 2016, Assessing inha-lation exposures associated with contamination events in water distribution systems, PloS one, 11(12), e0168051.

Fu, Q., Niu, D., Zang, Z., Huang, J., and Diao, L., 2019, Multi-stations' weather prediction based on hybrid model using 1D CNN and Bi-LSTM, Chinese Control Conference, IEEE, p.3771-3775.

Ghassoun, Y. and Löwner, M.O., 2017, Comparison of 2D &

3D parameter-based models in urban fine dust distribution mod-elling. Advances in 3D Geoinformation, Springer, Cham, p.231-246.

Haidar, A. and Verma, B., 2018, Monthly rainfall forecasting using one-dimensional deep convolutional neural network, IEEE Acess, 6, 69053-69063.

He, K., Zhang, X., Ren, S., and Sun, J., 2016, Deep residual learning for image recognition. In Proceedings of the IEEE con-ference on computer vision and pattern recognition, p.770-778.

Highsmith, V.R., Hardy, R.J., Costa, D.L., and Germani, M.S., 1992, Physical and chemical characterization of indoor aerosols resulting from the use of tap water in portable home humidifi-ers, Environmental Science & Technology, 26(4), 673-680.

Hochreiter, S. and Schmidhuber, J., 1997, Long short-term memory, Neural Computation, 9(8), 1735-1780.

Jeon, S. and Son, Y.S., 2018, Prediction of fine dust PM10 using a deep neural network model, The Korean Journal of Applied Statistics, 31(2), 265-285.

Kim, H., Zhang, Q., and Heo, J., 2018, Influence of intense

sec-ondary aerosol formation and long-range transport on aerosol chemistry and properties in the Seoul Metropolitan Area during spring time: results from KORUS-AQ, Atmospheric Chemistry and Physics, 18(10), 7149-7168.

Kim, S., Lee, J.M., Lee, J., and Seo, J., 2019, Deep-dust: Pre-dicting concentrations of fine dust in Seoul using LSTM, arXiv preprint arXiv:1901.10106.

Kim, Y., 2014, Convolutional neural networks for sentence clas-sification, Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, p.1746-1751.

Korea Environment Corporation 2020, Air Korea, Statistics of air quality in 2014-2017, http://www.keco.or.kr/

Korea Meteorological Adminstration 2020, Weather Informa-tion in 2017-2018, https://www.weather.go.kr/

Krizhevsky, A., Sutskever, I., and Hinton, G.E., 2012, Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, p.1097-1105.

LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P., 1998, Gradi-ent-based learning applied to document recognition, Proceed-ings of the IEEE, 86(11), 2278-2324.

Na, Y.M., Yoo, K.Y., and Kim, I.S., 2007, The environmental pollutants removal effectiveness of street cleaning in Seoul, Seoul Studies, 8(3), 85-103.

National Institute of Environmental Research, 2020, National Air Pollutants Emission in 2017-2018, https://www.nier.go.kr/

Ostro, B., Roth, L., Malig, B., and Marty, M., 2009, The effects of fine particle components on respiratory hospital admissions in children, Environmental Health Perspectives, 117(3), 475-480.

Park, S.M., Moon, K.J., Park, J.S., Kim, H.J., Ahn, J.Y., and Kim, J.S., 2012, Chemical characteristics of ambient aerosol during Asian dusts and high PM episodes at Seoul intensive monitoring site in 2009, Journal of Korean Society for Atmo-spheric Environment, 28(3), 282-293.

Possanzini, M., Buttini, P., and Di, P.V., 1988, Characterization of a rural area in terms of dry and wet deposition, Science of the Total Environment, 74, 111-120.

Rückerl, R., Schneider, A., Breitner, S., Cyrys, J., and Peters, A., 2011, Health effects of particulate air pollution: a review of epi-demiological evidence, Inhalation Toxicology, 23(10), 555-592.

Sain, A.E., Zook, J., Davy, B.M., Marr, L.C., and Dietrich, A.M., 2018, Size and mineral composition of airborne particles generated by an ultrasonic humidifier, Indoor Air, 28(1), 80-88.

Seoul Metropolitan Goverment, 2010, Characteristic study for detailed monitoring of the particulate matters (PM10) in the Seoul Metropolitan Area. 80p.

Simonyan, K. and Zisserman, A., 2014, Very deep

convolu-서울 관악구 도심지역 미세먼지(PM10) 관측 값을 활용한 딥러닝 기반의 농도변동 예측 83

J. Soil Groundwater Environ. Vol. 25(3), p. 74~83, 2020 tional networks for large-scale image recognition. arXiv

pre-print arXiv:1409.1556.

Son, S., Kim, D., Kang, Y., Jeon, H., Kim, S., Cho, K., and Yu, J., 2018, Fine-resolution mapping of fine dust concentration in urban areas and population exposure analysis via dispersion modeling, preprint.

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., and Rabinovich, A., 2015, Going deeper with convolutions, IEEE Conference on Computer Vision and Pattern Recognition, p.1-9.

Wang, Z., Pan, X., Uno, I., Chen, X., Yamamoto, S., Zheng, H., Li, J., and Wang, Z., 2018, Importance of mineral dust and anthropogenic pollutants mixing during a long-lasting high PM event over East Asia, Environmental Pollution, 234, 368-378.

Xayasouk, T. and Lee, H., 2018, Air pollution prediction sys-tem using deep learning, WIT Trans. Ecol. Environ, 230, 71-79.

Zeiler, M.D. and Fergus, R., 2014, Visualizing and understand-ing convolutional networks, (D. Fleet, T. Pajdla, B. Schiele, T.

Tuytelaars eds.) In Proc. European conference on computer vision, p.818-833 (Springer, Cham).

제1조 한국지하수토양환경학회에 투고되는 원고의 심사 및 채택은 본 규정에 따른다.

제2조 편집위원장은 편집위원을 위촉하고, 편집위원이 해당 원고의 심사위원을 위촉한다.

제3조 원고는 학회 홈페이지를 통하여 온라인 투고하며 심사료를 즉시 납부하여야 한다. 단, 온라인 투고가 곤란 한 경우에는 전자메일로 투고할 수 있다.

또한 접수된 원고에 대한 심사와 총평까지의 모든 작업을 온라인상에서 진행한다.

제4조 모든 원고는 2명 이상의 심사를 거쳐 이의 게재여부를 결정한다.

제5조 심사위원은 위촉받은 원고를 30일 이내에 심사하고, 심사의견을 on line으로 발송하여야 한다.

1. 단, 기간 내에 심사가 불가한 사정이 있는 경우에는 위촉받은 즉시 사정을 편집위원회에 통지하여야 한다.

2. 긴급심사제도를 통해 투고된 원고는 2주 이내 심사를 원칙으로 한다.

제6조 재심판정을 통보받은 투고자가 90일 이내에 수정논문 제출이나 연기요청 등의 조치를 취하지 않는 경우는 게재를 철회한 것으로 본다. 단, 편집위원회는 재심통보 60일이 경과하면 수정논문 제출의사 유무를 투고자에게 확인하여야 한다.

제7조 본 회는 on line상에서 심사의견서를 확인하여 총평을 내리며, 저자는 자동으로 통보받은 총평결과를 확인 한 후 필요한 조치를 취하여야 한다.

제8조 심사위원에게 원고의 심사료는 심사가 완전히 끝난 후에 지불하며, 심사료의 책정은 편집위원회에서 한다.

제9조 심사위원의 명단은 일체 발표하지 아니하며, 심사위원에게는 저자를 비밀로 한다.

제10조 심사내용은 저자 이외에는 공표하지 아니한다.

제11조 외국어로 작성된 원고로서 문맥이 분명하지 아니하거나 문법적으로 그 해독이 곤란한 경우에는 편집위원 회가 저자에게 보완하여 투고할 것을 권장할 수 있다.

제12조 특별한 사유가 없는 한 투고된 원고는 최종 게재여부를 신속히 결정한다.

제13조 본 학술지에 게재된 원고는 그 내용에 대하여 서면으로 2개월간 질의 및 토의가 가능하며, 서면으로 질의 된 내용과 그에 대한 저자의 응답 내용은 특별한 사유가 없는 한 다음 학회지에 게재토록 한다.

제14조 투고된 원고의 공정한 심사를 위하여, 원고의 내용에 따라서 편집위원장은 편집위원회에 속하지 않는 외부 전문가를 해당 논문의 심사위원으로 위촉하여 심사를 의뢰할 수 있다.

85 (Review Paper), 단보(Technical Note), 기술자료(Technical Paper), 현장보고(Field Report), 특집(Special Feature), 토 INTRODUCTION, MATERIAL AND METHODS, RESULTS, DISCUSSION (or RESULTS AND DISCUSSION), CONCLU-SIONS (or SUMMARY), ACKNOWLEDGEMENT, NOMENCLATURE, REFERENCES, TABLES, FIGURES 의 순서로 작성한다.

(예) Key words: Dechlorination, Reductive degradation, Carbon tetrachloride, TCE