대류–분산 방정식은 자연 하천에서 오염물질의 중간장 혼합을 분석하기 위해 널리 사용되어 왔다. 분산 계수는 대류–분산 방정식의 분산 항을 조작함으로써 결정되며, 수역에서 오염물질의 수송 거리 및 오염 면적을 예측하는 데 있어 핵심적인 매개변수이다. 본 연구에서는 과대표집(oversampled) 데이터셋에 적용한 기계학습 회귀 방법을 통해 횡방향 분산 계수를 추정하였다. 기존 연구에서 이 추정을 위해 사용된 데이터셋은 폭-수심비(width-to-depth ratio, W/H)가 ≤ 50인 값에 편향되어 있었으며, 그 결과 W/H > 50인 데이터셋에 대해 횡방향 분산 계수를 추정할 때 부정확성을 초래할 가능성이 있다. 이를 해결하기 위해 W/H > 50을 포함하도록 데이터셋을 증강하기 위한 네 가지 과대표집 기법을 적용하여 데이터셋의 불균형을 완화하였다. 비선형 회귀 방법을 통한 데이터 재표집(resampling)에서 얻어진 추정 결과는 과대표집 이전 결과에 비해 예측 정확도가 향상됨을 보여주었다. 특히 적응적 합성 샘플링(adaptive synthetic sampling, ADASYN)과 eXtreme Gradient Boosting 회귀(eXtreme Gradient Boosting regression, XGBoost)의 조합은 다른 과대표집 기법 및 비선형 회귀 방법의 조합에 비해 정확도를 향상시켰다. ADASYN–XGBoost의 결합 접근을 통해, 하도 굴곡도(channel sinuosity)를 추가하지 않으면서도 폭-수심비(W/H)와 침대 마찰 효과(bed friction effects, U/U*)의 두 변수만으로 횡방향 분산 계수 추정 성능을 향상시킬 수 있으며, 이는 이차류의 영향을 나타낸다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.