View : 1107 Download: 0
A New Model to Locate and Quantify Sources of Ambient Trace Species with a Machine-learning Technique
- Title
- A New Model to Locate and Quantify Sources of Ambient Trace Species with a Machine-learning Technique
- Authors
- 김인선
- Issue Date
- 2019
- Department/Major
- 대학원 환경공학과
- Publisher
- 이화여자대학교 대학원
- Degree
- Doctor
- Advisors
- 김용표
- Abstract
- Potential Source Density Function (PSDF) is developed to identify, i.e., locate and quantify, source areas of ambient trace species based on Gaussian Process Regression (GPR), one of the machine-learning techniques. The PSDF model requires backward trajectories and sampling data at a receptor site in the calculation same as the conventional model to locate source areas of ambient trace species, such as the potential source contribution function (PSCF). The PSDF model can identify source areas quantitatively and provide the information on the reliability of the estimation while the PSCF model cannot.
To verify and evaluate the capability of the PSDF model, tests are carried out using three scenarios based on the ambient trajectory analysis data and simulated source distributions. The test results demonstrate that the PSDF model can identify the sources of ambient trace species more accurately compared to the PSCF model. The PSDF model can quantify how much source contaminate air parcel passing through. Therefore, it can detect the variation of source intensity. Also, in the test, we evaluate the information of reliability provided in the PSDF model.
In addition, the measurements of particulate PAHs in Anmyeon Island, Korea between 2015 and 2017 are applied to the PSDF model to understand the source distribution of particulate PAHs in Anmyeon Island, Korea. Based on the variance of the estimated values, the reliability of the identified source areas in the PSDF calculation is critically evaluated. High PSDF values and small variance of them are shown in the area close to the border between North Korea and Northeast China. Finally, future works are recommended to improve the model and increase of its applicability.;본 연구는 머신러닝(machine learning) 기법의 일종인 가우시안 프로세스 회귀모델(Gaussian process regression, GPR)을 활용하여 간단하고 빠르게 대기오염물질의 배출원을 규명하는 새로운 모델 potential source density function (PSDF)을 개발하였다. PSDF는 대기오염물질 농도와 역궤적(backward trajectory) 자료만을 입력 자료로 활용하여 대기 환경에 영향을 주는 주요 배출원의 위치와 영향정도를 추정한다. 동일한 입력 자료를 활용하는 기존의 유사모델과 달리, PSDF는 입력 자료의 제한이 적고 결과의 신뢰도 파악이 즉각적으로 가능하다는 특징을 가진다.
다양한 오염물질과 배출원을 고려해야 하는 대기환경 분야에서 현재까지 축적된 다양하고 방대한 자료를 효율적으로 해석하는 것은 매우 중요한 일이다. 또한 생산된 많은 양의 데이터를 해석하기 위해서는 정확하고 효율적인 대기환경 모델의 사용이 필수적이다. 그 중 공기의 이동경로 정보인 역궤적 자료와 대기오염물질 농도 측정 자료만을 활용하는 potential source contribution function (PSCF)가 대기오염물질의 배출원 위치를 간편히 추정하기 위하여 자주 활용된다. 그러나 PSCF의 경우, 결과값의 신뢰도를 파악하여 유의미한 결과를 해석하는 것은 어렵다. 따라서 이러한 기존 유사 모델의 장점인 운영의 간결성, 계산의 신속성은 유지하되, 연구자가 즉각적으로 결과의 신뢰도, 불확실도를 파악할 수 있는 모델을 개발하고자 하였다.
본 연구에서는 근래 다양하게 이용되고 있는 머신러닝 기법을 활용하여 그 물리적, 수학적 의미가 분명한 대기오염물질 배출원 규명 모델인 PSDF를 개발하였다. 이를 위해서 배출원으로부터 공기괴에 오염물질이 축적되는 물리적 과정을 모델링하고, 배출원을 그 수학적, 통계적 의미가 분명한 가우시안 프로세스로 모델링하였다. 이를 통해, 역궤적과 대기 중 오염물질 농도자료만을 입력 자료로 하여 배출원의 분포를 회귀 분석해 냄으로써, 상기한 기존 유사 모델의 난점을 극복하였다. 이렇게 개발된 모델 PSDF의 배출원 규명 능력을 평가하기 위하여, 시뮬레이션 자료를 활용한 테스트를 수행하였다. 배출원의 분포를 가정하고, 이 분포를 역궤적 자료와 함께 활용하여, 가상의 대기 중 오염물질 농도를 생산하였다. 생산된 가상의 대기 중 오염물질 농도와 앞서 사용된 역궤적 자료를 PSDF에 적용하여, 해당 모델이 본래 가정한 배출원의 분포를 찾아내는 능력을 평가하였다. 본 연구에서 제시된 모든 PSDF 결과는 개발된 모델의 특징을 보다 명확하게 파악하기 위하여, 기존에 많이 사용되는 모델인 PSCF의 결과와 함께 비교하여 제시하였다. 또한, 기존 수용모델에서 널리 적용되는 대기 중 다환방향족탄화수소(polycyclic aromatic hydrocarbons, PAHs) 농도 자료를 PSDF에 적용하여, 우리나라 대기오염물질 농도에 영향을 미치는 배출원의 위치와 영향정도를 정량적으로 제시하였으며, 그 결과의 신뢰성을 평가하였다. 마지막으로 PSDF의 활용 및 확장 가능성을 제시하였다.
운영의 간결성, 신속성, 신뢰도 파악의 용이성으로 인하여 PSDF는 국내 대기질 개선을 위한 연구(예, 대기오염물질 측정 및 분석연구) 및 정책수립 및 평가 과정에서 과학적 근거로 유용하게 활용될 것으로 기대된다.
- Fulltext
- Show the fulltext
- Appears in Collections:
- 일반대학원 > 환경공학과 > Theses_Ph.D
- Files in This Item:
There are no files associated with this item.
- Export
- RIS (EndNote)
- XLS (Excel)
- XML