Interpolation of Missing Values of Particulate Matter based on a Neural Network Model Considering Saptiotemporal Characteristics

Suyeon Hwang; Jinmu Choi

doi:10.22776/kgs.2024.59.1.1

All Issue

2024 Vol.59, Issue 1 Next Page

Research Article

Interpolation of Missing Values of Particulate Matter based on a Neural Network Model Considering Saptiotemporal Characteristics 시공간적 특성을 고려한 신경망 모형 기반 미세먼지 결측치 내삽 연구

29 February 2024. pp. 1-15

PDF XML

Abstract

In this study, we proposed a missing value interpolation method of particulate matter (PM) concentration that can consider both temporal and spatial characteristics of PM using The long short-term memory model (LSTM). The data of neighboring stations and automated surface observation systems (ASOSs), as well as spatial auto-correlation indexes, were included as the input data to reflect the spatial characteristics of air pollution monitoring stations. The interpolation results were compared with the results of traditional spatial interpolation methods. The results showed that our interpolation method based on the neural network produced more accurate results than those of existing spatial interpolation methods. PM concentration distribution map was produced for the section where missing values were falsely generated and compared with the real concentration distribution map. Based on the map results, The concentration map based on the neural network model was most similar to the real concentration distribution. In order to check a usability of the proposed model, The model was also applied to other monitoring stations. As a result, The accuracy of the LSTM with the temporal and spatial characteristics was the highest in 8 of the 10 monitoring stations. The missing value interpolation model proposed in this study was able to improve the reliability of PM analysis results by reducing errors due to the missing values.

Keywords

Particulate matter

Air pollution monitoring stations

Missing values

Artificial neural network

Long short-term memory model

spatial interpolation

본 연구는 미세먼지 현상의 시간적 특성과 공간적 특성을 모두 고려할 수 있는 미세먼지 농도 결측치의 내삽 방안을 제시하고자 하였다. 이를 위해 시계열 자료의 시간적 특성을 고려할 수 있는 순환 신경망 모형 중 하나인 LSTM (Long-Short Term Memory) 모형을 활용하였다. 모형의 입력 자료를 구성할 때 대기오염 측정소의 공간적 특성을 반영할 수 있도록 이웃 측정소 및 이웃 ASOS자료와 공간적 자기상관 지수를 포함하였다. 성능 분석을 위해 내삽 결과를 기존 공간 내삽 기법인 역거리 가중치 내삽 방법과 크리깅을 활용한 내삽 결과와 비교하였으며, 비교 결과 연구에서 제작한 신경망 모형 기반 내삽 방법의 정확도가 기존의 공간 내삽 방법의 정확도에 비해 높은 것을 확인하였다. 또한 임의로 결측을 생성한 지점에 대해 결측 내삽 방법의 결과를 포함하는 미세먼지 농도 분포도를 제작하고 실제 농도 분포도와 비교했을 때, 신경망 모형 기반의 내삽 결과를 포함하는 농도 분포도가 실제 농도 분포도와 가장 유사한 것을 확인하였다. 제안한 모형의 범용성을 확인한 결과 10개 측정소 중 8개 측정소에서 연구에서 제작한 신경망 모형의 정확도가 가장 높았다. 본 연구는 미세먼지 농도 자료의 시공간적 특성을 고려할 수 있는 결측 내삽 방안을 제시하였다는 점에서 의의가 있다. 본 연구에서 제안한 미세먼지 결측 내삽 모형을 활용한다면 미세먼지의 피해를 예방하기 위해 결측이 최소화된 데이터를 제공하여 분석 결과의 정확도 및 신뢰도를 향상시킬 수 있을 것이다.

키워드

미세먼지

대기오염 측정소

결측치

인공 신경망

LSTM

공간내삽

References

고관섭･김영원･변성현･이수진, 2021, "기상데이터를 활용한 LSTM 기반의 해양 혼합층 수온 예측," 대한원격탐사학회지, 37(3), 603-614.

김성돈･전용진･오해준, 2021, "시공간 상관관계 군집화와 시계열 유사성을 활용한 PM10 자료 분석," 한국데이터정보과학회지, 32(6), 1259-1279. 10.7465/jkdi.2021.32.6.1259

김효정･조완근, 2012, "공간 보간법을 이용한 도시지역 미세먼지 측정소의 배치 적절성 평가," 대한공간정보학회지, 20(2), 3-13. 10.7319/kogsis.2012.20.2.003

박노욱, 2011, "시계열 환경변수 분포도 작성 및 불확실성 모델링: 미세먼지(PM10) 농도 분포도 작성 사례연구," 한국지구과학회지, 32(3), 249-264. 10.5467/JKESS.2011.32.3.249

손건태･김다홍, 2015, "서울지역 PM10농도 예측모형 개발," 한국데이터정보과학회지, 26(2), 289-299. 10.7465/jkdi.2015.26.2.289

송인상･이창로･박기호, 2018, "서울 미세먼지 데이터 결측대치를 위한 시공간 크리깅의 앙상블 머신러닝," 대한지리학회지, 53(3), 427-444.

에어코리아, 2023, 대기환경기준물질, https://www.airkorea.or.kr/web/airMatter?pMENU_NO=130, 2023년 11월 28일 접속.

오종민･신현수･신예슬･정형철, 2017, "시계열 분석을 활용한 서울시 미세먼지 예측," Journal of The Korean Data Analysis Society, 19(5), 2457-2468. 10.37727/jkdas.2017.19.5.2457

유숙현, 2019, "동아시아 광역 데이터를 활용한 DNN 기반의 서울지역 PM10 예보모델의 개발," 멀티미디어학회논문지, 22(11), 1300-1312.

이수민･이태정･오종민･김상철･조영민, 2021, "경기도 지역 미세먼지 관리를 위한 권역 범주화 연구," 환경영향평가, 30(4), 237-246.

임동진･김태홍･이용･정한민, 2017, "효율적인 도로 비산먼지 제거 경로 제안을 위한 LSTM 기반 미세먼지 예측," 한국정보처리학회 학술대회논문집, 24(2), 1258-1261.

장문현, 2016, "GIS와 공간통계기법을 활용한 도시쇠퇴 특성 분석: 광주광역시를 중심으로," 한국지역지리학회지, 22(2), 424-438.

정예민･조수빈･윤유정･김서연･･김근아･강종구･이달근･정욱･이양원, 2021, "베리오그램 최적화 기반의 정규크리깅을 이용한 전국 에어코리아 PM10 자료의 일평균 격자지도화 및 내삽정확도 검증," 대한원격탐사학회지, 37(3), 379-394.

조경우･정용진･강철규･오창헌, 2019, "미세먼지 예측을 위한 기계학습 알고리즘의 적합성 평가," 한국정보통신학회논문지, 23(1), 20-26.

조경우･정용진･이종성･오창헌, 2020, "PM10 예보 정확도 향상을 위한 Deep Neural Network 기반 농도별 분리 예측 모델," 한국정보통신학회논문지, 24(1), 8-14.

조홍래･정종철, 2009, "공간보간기법에 의한 서울시 미세먼지 (PM10)의 분포 분석," 환경영향평가, 18(1), 31-39.

차진욱･김장영, 2018, "미세먼지 수치 예측 모델 구현을 위한 데이터마이닝 알고리즘 개발," 한국정보통신학회논문지, 22(4), 595-601.

최한수･강명주･김용철･최한나, 2020, "서울 관악구 도심지역 미세먼지(PM10) 관측 값을 활용한 딥러닝 기반의 농도변동 예측," 지하수토양환경, 25(3), 74-83.

한승욱･이순환･이화운, 2015, "해안 및 내륙도시 내 토지이용도별 미세먼지 분포 특성 및 상호 관련성에 관한 연구," 한국환경과학회지, 24(11), 1513-1523. 10.5322/JESI.2015.24.11.1513

Abdullah, S., Ismail, M. and Fong, S. Y., 2017, Multiple Linear Regression (MLR) models for long term PM10 concentration forecasting during different monsoon seasons, Journal of Sustainability Science and Management, 12(1), 60-69.

Brassel, K. E. and Reif, D., 1979, A procedure to generate thiessen polygons, Geographical Analysis, 11(3), 289-303. 10.1111/j.1538-4632.1979.tb00695.x

Chae, S., Shin, J., Kwon, S., Lee, S., Kang, S. and Lee, D., 2021, PM10 and PM2.5 real-time prediction models using an interpolated convolutional neural network, Scientific Reports, 11(1), 1-9. 10.1038/s41598-021-91253-934099763PMC8185114

Chaloulakou, A., Grivas, G. and Spyrellis, N., 2003, Neural network and multiple regression models for PM10 prediction in athens: a comparative assessment, Journal of the Air and Waste Management Association, 53(10), 1183-1190. 10.1080/10473289.2003.1046627614604327

Dedovic, M. M., Avdakovic, S., Turkovic, I., Dautbasic, N. and Konjic, T., 2016, Forecasting PM10 concentrations using neural networks and system for improving air quality, In 2016 xi International Symposium on Telecommunications (BIHTEL), Sarajevo, 1-6. 10.1109/BIHTEL.2016.7775721

Díaz-Robles, L. A., Ortega, J. C., Fu, J. S., Reed, G. D., Chow, J. C., Watson, J. G. and Moncada-Herrera, J. A., 2008, A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: the case of Temuco, Chile, Atmospheric Environment, 42(35), 8331-8340. 10.1016/j.atmosenv.2008.07.020

Géron, A., 2019, Hands-on Machine Learning with Scikit-Learn, Keras and Tensorfow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media, Inc., Sebastopol.

Hochreiter, S. and Schmidhuber, J., 1997, Long short-term memory, Neural Computation, 9(8), 1735-1780. 10.1162/neco.1997.9.8.17359377276

Jha, D., K., Sabesan, M., Das, A., Vinithkumar, N. V. and Kirubagaran, R., 2011, Evaluation of interpolation technique for air quality parameters in Port Blair, India, Universal Journal of Environmental Research and Technology, 1(3), 301-310.

Kim, T. Y., Park, M. J., Shin, J. and Oh, S., 2022, Prediction of bike share demand by machine learning: role of vehicle accident as the new feature, International Journal of Business Analytics(IJBAN), 9(1), 1-16. 10.4018/IJBAN.288513

Kristiani, E., Lin, H., Lin, J. R., Chuang, Y. H., Huang, C. Y. and Yang, C. T., 2022, Short-term prediction of PM2.5 using LSTM deep learning methods, Sustainability, 14(4), 1-29. 10.3390/su14042068

Lepot, M., Aubin, J. B. and Clemens, F. H. L. R., 2017, Interpolation in time series: an introductive overview of existing methods, their performance criteria and uncertainty assessment, Water, 9(10), 796. 10.3390/w9100796

McHugh, C., Coleman, S. and Kerr, D., 2021, Technical indicators for energy market trading, Machine Learning with Applications, 6, 100182. 10.1016/j.mlwa.2021.100182

McKendry, I. G., 2002, Evaluation of artificial neural networks for fine particulate pollution(PM10 and PM2.5) forecasting, Journal of the Air and Waste Management Association, 52(9), 1096-1101. 10.1080/10473289.2002.1047083612269670

Mitchell, A., 2005, The ESRI Guide to GIS Analysis, Volume 2: Spatial Measurements and Statistics, ESRI Press, Redlands.

Muhlestein, W. E., Akagi, D. S., Davies, J. M. and Chambless, L. B., 2019, Predicting inpatient length of stay after brain tumor surgery: developing machine learning ensembles to improve predictive performance, Clinical Neurosurgery, 85(3), 384-393. 10.1093/neuros/nyy34330113665PMC7137462

Pires, J. C. M., Martins, F. G., Sousa, S. I. V., Alvim-Ferraz, M. C. M. and Pereira, M. C., 2008, Prediction of the daily mean PM10 concentrations using linear models, American Journal of Environmental Sciences, 4(5), 445-453. 10.3844/ajessp.2008.445.453

Seng, D., Zhang, Q., Zhang, X., Chen, G. and Chen, X., 2021, Spatiotemporal prediction of air quality based on LSTM neural network, Alexandria Engineering Journal, 60(2), 2021-2032. 10.1016/j.aej.2020.12.009

Ul-Saufie, A. Z., Yahya, A. S., Ramli, N. A. and Hamid, H. A., 2011, Comparison between multiple linear regression and feed forward back propagation neural network models for predicting PM10 concentration level based on gaseous and meteorological parameters, International Journal of Applied, 1(4), 42-49.

Zhang, P. G., 2003, Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing, 50, 159-175. 10.1016/S0925-2312(01)00702-0

Information

Publisher :The Korean Geographical Society
Publisher(Ko) :대한지리학회
Journal Title :Journal of the Korean Geographical Society
Journal Title(Ko) :대한지리학회지
Volume : 59
No :1
Pages :1-15
Received Date : 2023-11-28
Revised Date : 2023-12-22
Accepted Date : 2023-12-24
DOI :https://doi.org/10.22776/kgs.2024.59.1.1

Journal of the Korean Geographical SocietyISSN:1225-6633(Print)대한지리학회

All Issue