Algal bloom is an ongoing issue in the management of freshwater systems for drinking water supply, and the chlorophyll-a concentration is commonly used to represent the status of algal bloom. Thus, the prediction of chlorophyll-a concentration is essential for the proper management of water quality. However, the chlorophyll-a concentration is affected by various water quality and environmental factors, so the prediction of its concentration is not an easy task. In recent years, many advanced machine learning algorithms have increasingly been used for the development of surrogate models to prediction the chlorophyll-a concentration in freshwater systems such as rivers or reservoirs. This study used a light gradient boosting machine(LightGBM), a gradient boosting decision tree algorithm, to develop an ensemble machine learning model to predict chlorophyll-a concentration. The field water quality data observed at Daecheong Lake, obtained from the real-time water information system in Korea, were used for the development of the model. The data include temperature, pH, electric conductivity, dissolved oxygen, total organic carbon, total nitrogen, total phosphorus, and chlorophyll-a. First, a LightGBM model was developed to predict the chlorophyll-a concentration by using the other seven items as independent input variables. Second, the time-lagged values of all the input variables were added as input variables to understand the effect of time lag of input variables on model performance. The time lag (i) ranges from 1 to 50 days. The model performance was evaluated using three indices, root mean squared error-observation standard deviation ration (RSR), Nash-Sutcliffe coefficient of efficiency (NSE) and mean absolute error (MAE). The model showed the best performance by adding a dataset with a one-day time lag (i=1) where RSR, NSE, and MAE were 0.359, 0.871 and 1.510, respectively. The improvement of model performance was observed when a dataset with a time lag up of about 15 days (i=15) was added.

Turbidity has various effects on the water quality and ecosystem of a river. High turbidity during floods increases the operation cost of a drinking water supply system. Thus, the management of turbidity is essential for providing safe water to the public. There have been various efforts to estimate turbidity in river systems for proper management and early warning of high turbidity in the water supply process. Advanced data analysis technology using machine learning has been increasingly used in water quality management processes. Artificial neural networks(ANNs) is one of the first algorithms applied, where the overfitting of a model to observed data and vanishing gradient in the backpropagation process limit the wide application of ANNs in practice. In recent years, deep learning, which overcomes the limitations of ANNs, has been applied in water quality management. LSTM(Long-Short Term Memory) is one of novel deep learning algorithms that is widely used in the analysis of time series data. In this study, LSTM is used for the prediction of high turbidity(>30 NTU) in a river from the relationship of turbidity to discharge, which enables early warning of high turbidity in a drinking water supply system. The model showed 0.98, 0.99, 0.98 and 0.99 for precision, recall, F1-score and accuracy respectively, for the prediction of high turbidity in a river with 2 hour frequency data. The sensitivity of the model to the observation intervals of data is also compared with time periods of 2 hour, 8 hour, 1 day and 2 days. The model shows higher precision with shorter observation intervals, which underscores the importance of collecting high frequency data for better management of water resources in the future.

작물 재배 시 주요 해충 발생에 대해 한두 달 이상 앞선 계절전망이 가능하다면 농가의 해충관리 의사결정이 보다 효율적으로 이루어질 수 있을 것이다. 본 연구에서는 국내 해충 발생과 통계적으로 유의미한 원격상관관계에 있는 기후현상을 찾기 위해 Moving Window Regression (MWR) 기법을 활용하였다. 벼멸구의 발생과 비래는 장기간에 걸쳐 여러 지역에서 연속적으로 일어나는 사건이기 때문에 비슷한 시공간적 규모 를 갖는 기후현상과 통계적인 연관성을 가질 가능성이 높아 본 연구의 대상 해충으로 선택하였다. MWR 통계 분석의 반응변수로써 1983년부터 2014년까지 국내 벼멸구 발생면적 자료를 사용하였고, 10개의 기후모형에서 생산되는 10개의 기후변수를 예보 선행시간별로 추출하여 설명변 수로 사용하였다. 최종적으로 선정된 각 MWR 모형의 특정 시기와 지역의 기후변수는 연간 벼멸구 발생면적 자료와 통계적으로 유의한 상관관 계를 보였다. 결론적으로, 본 연구에서 개발한 MWR 통계 모형을 통해 국내 벼멸구 발생 위험도에 따른 선제적 대응을 위한 벼멸구 계절전망이 가능할 것으로 보인다.

본 연구에서는 완전생활형 목화진딧물이 유성형 세대로 전환하는 기작을 구명하고 이를 종합하여 유성형 발생시기 예측모델을 개발하였다 유성형 발생 임계광주기 및 온도효과 실험을 통해서 목화진딧물의 유성형 발생은 온도와 광주기에 의하여 영향을 받는다는 사실을 제시하였다. 실험결과 온도 21℃ 이상의 처리구에서는 광주기에 상관없이 유성형이 발생하지 않았고, 온도가 낮아질수록 유성형의 발생비율이 높아지는 것으로 나타났다. 또한 광주기가 짧아질수록 유성형의 발생비율이 높아지고, 13h의 광주기에서는 온도와 상관없이 유성형이 발생하지 않았다. 본 실험에서 온도에 따라서 임계광주기가 변한다는 사실을 보여 주었고, 온도 3℃의 상승이 목화진딧물의 임계광주기를 약 0.36h(약 21분) 단축시키는 것으로 나타났다. 온도-광주기 관련 실내실험과 포장조사자료를 통해서 얻은 결과를 종합하여 유성형 전환초발기준과 50% 전환기준으로 모형을 시뮬레이션하였고, 이를 이용하여 각 형태별 발생시기와 성충완료시기를 추정하고 형태적으로 구분이 가능한 수컷을 대상으로 실제 포장 관측값과 비교하였다. 포장적합결과 Advance mode 모형이 통계적으로 우수한 적합력을 보였다. 향후 보다 많은 관측자료를 통한 포장검증이 필요하지만, 더 개선된 모형이 개발될 때까지 현 상태의 모형은 목화진딧물의 후기 개체군동태를 이해하는데 긴요하게 이용될 수 있을 것이라 생각된다.

볼록총채벌레는 제주도 감귤에서 경미한 피해만 보고되다가 2007년부터 다발생하여 그 피해가 갈수록 심각해지고 있다. 본 연구는 적산온도를 이용하여 볼록총채벌레 각 발생세대의 발생최성기를 예측할 수 있는 모형을 개발하고자 수행하였다. 볼록총채벌레 성충 발생세대수를 독립변수(x)로 취급하고 세대별 발생최성기의 적산온도를 종속변수(y)로 취급하여 직선 회귀식을 추정하였다. 감귤원에서 유살된 자료와 녹차 또는 키위과원에서 얻은 자료를 기반으로 각각 감귤기반모형(y = 310.9x + 69.0, r2=0.99) 녹차기반모형(y = 285.7x + 84.1, r2=0.99)을 개발하였다. 각 모형의 예측값과 독립된 포장 실측자료와의 잔차자승합을 토대로 모형의 적합성을 평가하였으며, 녹차기반모형의 적합력이 좋았다. 본 예측모형을 통한 계산값과 실측치의 불일치에 대한 원인과 모형의 포장 활용도에 대하여 고찰하였다.

담배거세미나방 (Spodoptera litura (Fabricius))을 8개 항온 조건(13, 16, 19, 22, 25, 28, 31, 34℃)에서 사육하며 충태별 발육 기간을 조사한 후, 온도별 발육율을 설명하는 5가지 선형 및 비선형 발육모형의 모수를 추정하였다. 비선형 모형의 경우 16, 34℃ 값을 임의적으로 설정하여 모수를 추정하였으며, 변온조건 에서 조사된 성충 발생시기 자료를 이용하여 성충 발생시기 예측을 위한 발육모형들의 적합성을 평가하였다. 항온조건에서 발육시험 결과 13, 34℃에서 난 발육은 불가능하였고, 16℃에서는 용까지는 발육하였으나 성충으로 우화하지는 못하였다. 난부터 성충까지 전체 발육기간은 31℃에서 27.6일로 가장 짧았으며, 온도가 낮아짐에 따라 발육기간이 길어져 19℃에서는 82.2일로 가장 길었다. 난부터 성충까지 발육할 때 발육영점온도와 유효적산온도는 각각 13.1℃, 500온일도(DD)로 추정되었다. 분석된 4개의 비선형 발육 모형들의 결정계수는 0.98～0.99로 높았으며, 유충부터 성충까지 누적발육완료 패턴을 3-parameter Weibull 함수를 이용하여 분석한 결과 높은 결정계수(r2=0.92) 를 보였다. 5개의 온도에 따른 발육모형과, 3-parameter Weibull 함수를 이용하여 일자별 누적 성충 발생율을 예측하였다. 날짜별 발육율을 계산할 때 사용한 일 평균기온은 일 최저온도에 3배하고 일 최고온도에 4배하여 더한 후 7로 나눈 값을 사용하였을 경우 성충 누적 발생 패턴을 가장 잘 설명할 수 있었다. 2회에 걸친 성충 누적 발생율 실측치를 예측치와 비교한 결과 5개의 발육 모형 중 Schoolfield 등 (1981)의 모형이 유충부터 성충까지 누적 발육완료율을 가장 잘 설명하였다.

나무를 말라죽게 하기 때문에 경제적 피해가 크다. 화살깍지벌레는 난태생 하는 곤충으로 성충으로 월동하며 봄철 약충(알)을 생산하고, 실험실 조건에 서 최대 4-주기 산란 피크를 보인다. 최근 지구온난화가 진행되고 기후변화가 심하기 때문에 정확한 방제시기를 결정하기 위해서는 월동성충의 약충발생시 기 예찰모형이 절실히 요구된다. 월동성충의 일별 산란곡선 자료를 3-peak Gaussian 모형(9개 매개변수)에 적합시켜 약충발생기 예측모형을 개발하였다. 발육영점온도 13℃을 적용하여 매개변수 추정결과 첫 번째 산란 피크일 282DD, 두 번째 산란 피크일 500DD, 세 번째 산란 피크일 694DD 이었다. 추 정된 약충발생시기 예측모형의 포장적합 결과 첫 번째 산란시기의 경우 모형 과 실측치가 정확히 일치하였으며, 또한 두 번째 산란 피크일도 잘 예측되었 다(2005-2007년). 본 개발된 모형에 1961년부터 2008년까지 기상자료를 입력하 여 산란 피크일을 추정하고, 장기적인 약충발생시기 이동을 상황을 분석하였 다. 제주시 지역에서 첫 번째 약충발생 피크일의 경우 2001-2008년 평균 발생 일이 1961-1970년 평균 발생일 보다 8일 빨라졌으며, 두 번째 피크 발생일도 8일 빨라진 것으로 분석되었다. 서귀포 지역에서는 상기 동일변수들에 대하여 각각 14, 15일 빨라진 것으로 분석되어 온난화의 영향이 두드러졌다. 기타 온 도변화에 따른 화살깍지벌레 월동성충 산란시기 변동전망에 대하여 고찰하였 다.

Since climate change increases the risk of extreme rainfall events, concerns on flood management have also increased. In order to rapidly recover from flood damages and prevent secondary damages, fast collection and treatment of flood debris are necessary. Therefore, a quick and precise estimation of flood debris generation is a crucial procedure in disaster management. Despite the importance of debris estimation, methodologies have not been well established. Given the intrinsic heterogeneity of flood debris from local conditions, a regional-scale model can increase the accuracy of the estimation. The objectives of this study are 1) to identify significant damage variables to predict the flood debris generation, 2) to ascertain the difference in the coefficients, and 3) to evaluate the accuracy of the debris estimation model. The scope of this work is flood events in Ulsan city region during 2008-2016. According to the correlation test and multicollinearity test, the number of damaged buildings, area of damaged cropland, and length of damaged roads were derived as significant parameters. Key parameters seems to be strongly dependent on regional conditions and not only selected parameters but also coefficients in this study were different from those in previous studies. The debris estimation in this study has better accuracy than previous models in nationwide scale. It can be said that the development of a regional-scale flood debris estimation model will enhance the accuracy of the prediction.

선박의 항행에 의해 발생되는 항주파의 특성은 선박의 속도와 수심 조건에 따라 크게 달라진다. 연안 항로에서 발생된 항주파는 주변 해안으로 전파됨에 따라 항만 내의 정온 수역을 교란하여 정박 중인 소형선박, 수영객 등에 돌발적이고도 심각한 위험을 가져다 줄뿐만 아니가 해안의 침식, 호안의 결괴 등의 피해를 주기도 한다. 지금까지 항주파에 관한 연구의 관심사는 일정 수심 조건에 대해 조파저항이나 조선에 미치는 영향을 분석하는 등 주로 조선공학도의 관점에서 검토가 대상이 되어 왔으며, 가변 수심을 가진 실제 해역에 있어서의 항주파 발생과 전파에 기인한 주변 해역의 영향은 그다지 검토되지 못하였다. 최근 고속선 등의 발달로 인해 천해역에서의 항주파로 인한 인근 해역의 피해가 더욱 우려되고 있는 추세이다. 따라서 실제 수역에서의 항주파의 발달과 그 전파과정은 조사할 필요가 있는 것이다. 본 연구에서는 연안해역의 얕고 복잡한 수로와 다양한 선속 조건에 대한 항주파의 발생 및 전파를 예측하기 위하여 고정 좌표계에서 Boussinesq 방정식을 토대로 항주파 수치예측 모형을 구축하였다. 제안된 모형은 수리모형실험 결과와의 비교를 통하여 검증하였으며, 또한 실제 수로를 토대로 한 가변 수심역에 개발된 모형을 적용하여 수신 변화 고려의 중요성을 확인하였다.