본 연구는 지하수가 중요한 수자원이며 자연적 및 인위적 요인으로부터 오염에 매우 취약한 한국 제주도에서 수행되었다. 본 연구의 목적은 지리적으로 가중된 랜덤 포레스트(geographically weighted random forest, GWRF)를 사용하여 지하수 질산성 질소(NO3-N) 농도의 공간적 분포를 예측하는 것이다. 예측 성능과 GWRF의 견고성은 다섯 가지의 기존 기계학습 모델(conventional machine learning models, CMLMs)과 비교하였다. 주요 입력 변수의 영향—이는 토양/지표(land surface), 지질(geological), 인위적(인위적, anthropogenic) 요인으로 범주화—을 모델 예측에 대해 정량화하기 위해 Shapley Additive Explanations(SHAP) 분석을 사용하였다. 그 결과 제주도에서 지하수 NO3-N의 공간적 분포를 예측하는 데 있어 GWRF가 CWRF보다 우수한 성능을 보였다. CMLMs와 비교할 때, GWRF는 공간적 변이를 고려함으로써 보다 정확하고 공간적으로 편향되지 않은 예측을 제공하였다. SHAP 분석은 지하수 NO3-N에 영향을 미치는 주요 요인으로 평균 고도, 중질 점토밭 및 농업지역의 비율, 그리고 도시 지역을 제시하였다. 이러한 결과는 지리적으로 가중된 구조를 기계학습 모델과 결합하여 지리공간 데이터를 활용한 지하수 모델링에 적용할 가능성을 보여준다. 따라서 본 연구의 결과는 지하수 NO3-N 오염을 완화하기 위한 표적 관리 전략을 개발하는 데 기여할 수 있을 것이다. • GWRF를 적용하여 지하수 NO3-N 분포를 예측하였다. • 기존 ML 모델을 기준 비교군으로 사용하였다. • GWRF는 향상된 예측 정확도를 보였다. • 특히, GWRF는 공간적 자기상관(spatial autocorrelation)을 다루었다.

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