Spatial Prediction of Groundwater NO3-N via Geographically Weighted Machine Learning and Management Factor Extraction
연구 내용
지리공간 변동성을 반영한 지리가중 랜덤포레스트로 지하수 NO3-N 분포를 예측하고 SHAP 기반 인자를 해석하는 연구
지하수 질산성질소(NO3-N) 오염의 공간적 비균일성을 반영하기 위해 지리가중 구조를 기계학습 모델에 결합하는 연구를 수행합니다. 제주도 사례에서 지리가중 랜덤포레스트(GWRF)로 NO3-N 농도의 공간분포를 예측하고, 다수의 기존 머신러닝 모델과 예측 성능과 공간적 편향을 비교합니다. 또한 SHAP(Shapley Additive Explanations) 해석을 통해 토지피복, 지질 및 인위적 요인이 예측에 미치는 상대적 영향도를 도출합니다. 이를 통해 지역 맞춤형 저감 전략 수립에 활용 가능한 근거를 제공합니다.
관련 연구 성과
관련 논문
0편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기 단계에서는 지리공간 입력 변수를 토지표면, 지질, 인위적 요인으로 구분하여 데이터 준비와 특성화를 수행했습니다. 이후 기존 기계학습 모델을 기준으로 삼아 지리가중 랜덤포레스트의 성능과 공간 편향 특성을 비교하는 방식으로 모델 타당성을 검증했습니다. 다음으로 SHAP 기반의 설명 분석을 적용하여 예측에 기여하는 주요 인자를 정리하고, 최종적으로 지하수 NO3-N 오염 저감을 위한 표적 관리 방향을 도출하는 연구 흐름을 구성했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.