This study explored the usefulness and implications of the Bayesian hyperparameter optimization in developing species distribution models (SDMs). A variety of machine learning (ML) algorithms, namely, support vector machine (SVM), random forest (RF), boosted regression tree (BRT), XGBoost (XGB), and Multilayer perceptron (MLP) were used for predicting the occurrence of four benthic macroinvertebrate species. The Bayesian optimization method successfully tuned model hyperparameters, with all ML models resulting an area under the curve (AUC) > 0.7. Also, hyperparameter search ranges that generally clustered around the optimal values suggest the efficiency of the Bayesian optimization in finding optimal sets of hyperparameters. Tree based ensemble algorithms (BRT, RF, and XGB) tended to show higher performances than SVM and MLP. Important hyperparameters and optimal values differed by species and ML model, indicating the necessity of hyperparameter tuning for improving individual model performances. The optimization results demonstrate that for all macroinvertebrate species SVM and RF required fewer numbers of trials until obtaining optimal hyperparameter sets, leading to reduced computational cost compared to other ML algorithms. The results of this study suggest that the Bayesian optimization is an efficient method for hyperparameter optimization of machine learning algorithms.

SWMM(Storm Water Management Model)은 모형 내 다양한 매개변수를 이용하여 지표 투수율 및 하수관거 영향 등 도시 유역의 유출 특성을 비교적 정확하게 모의하지만, 모형의 입력자료 부족과 매개변수의 불확실성으로 인한 신뢰성 문제가 대두되고 있다. 이러한 문제점을 해소하기 위해 본 연구에서는 SWMM 모형에 Bayesian 기법을 연계한 최적화 기법을 개발하고, 이를 활용하여 매개변수의 불확실성을 정량적으로 해석하고자 한다. 이를 위해 먼저 유출 특성에 민감한 매개변수를 민감도 분석을 통해 선정하고, SCE-UA(Shuffled Complex Evolution-University of Arizona), MCMC(Markov Chain Monte Carlo), DDS(Dynamically Dimensioned Search) 등 매개변수 최적화 기법을 적용하여 매개변수의 초기값을 설정한다. 매개변수의 다양한 물리적 범위를 고려하기 위한 방법으로 절단 정규분호(truncated Gaussian distribution)을 사전분포(prior)로 선정하여 매개변수의 사후분포(posterior)를 추정하게 된다. 최종적으로 각 매개변수간 사후분포를 이용하여 모의된 유출량의 불확실성을 정량적으로 분석하였다.