본 연구에서는 2 016년부터 2 02 0년까지 내륙 관측소 중 안개 최다발 지역인 안동을 대상으로 XGBoost-DART 머신러닝 알고리즘을 이용하여 1 시간 후 안개 유무를 예측하였다. 기상자료, 농업관측자료, 추가 파생자료와 각 자료 를 오버 샘플링한 확장자료, 총 6개의 데이터 세트를 사용하였다. 목측으로 획득한 기상현상번호와 시정계 관측으로 측 정된 시정거리 자료를 각각 안개 유[1]무[0]로 이진 범주화하였다. 총 12개의 머신러닝 모델링 실험을 설계하였고, 안개 가 사회와 지역사회에 미치는 유해성을 고려하여 모델의 성능은 재현율과 AUC-ROC를 중심으로 평가하였다. 전체적으 로, 오버샘플링한 기상자료와 기상현상번호 기반의 예측 목표를 조합한 실험이 최고 성능을 보였다. 이 연구 결과는 머 신러닝 알고리즘을 활용한 안개 예측에 있어서, 목측으로 획득한 기상현상번호의 중요성을 암시한다.

Visibility reduction is a barometer of air pollution, which people can notice easily. First of all, we need to measure quantified visibility continuously in order to examine visibility reduction. Prevailing visibility is not practical to measure visibility depending on observer's expertness. Scattering visibility using Forward Scattering Meter (Belfort Visibility Sensor 6230) has been measured at Kwangan-Dong in Pusan and analysed since July, 1998. According to the analysis, the correlation coefficient(R) between prevailing visibility and scattering visibility was 0.7235. The visibility appeared that each frequency of poor visibility (under 6㎞) and good visibility(over 25㎞) was 10.6%, 9.7% on summertime in Pusan and the visibility range from 10km to 20km ranked high frequency as a half of whole ranges. The order of correlation coefficients between visibility and air pollutants are ranking CO, PM10 and NO2, that values are 0.5878, 0.5369, 0.5284 respectively. In meteorological factor, the case of poor visibility presented more weakly wind speed and higher relative humidity than the case of good visibility. The correlation coefficient between calculated visibility of multiple linear regression model and observed visibility was 0.7215. But the trend of calculated and observed visibility variation was similar with the exception of several good visibility cases.