repository
도로 및 터널구간의 미세먼지 농도 추정 모형 개발
- Alternative Title
- Development of Particulate Matter Concentration Estimation Models on Roadway and Tunnel Sections
- Author(s)
- 정도영
- Advisor
- 이상수
- Department
- 일반대학원 교통공학과
- Publisher
- The Graduate School, Ajou University
- Publication Year
- 2022-08
- Language
- kor
- Abstract
- 지구온난화, 미세먼지 등의 환경요인이 전 세계적으로 관심도가 지속적으로 증가하고 있으며, 국내에도 미세먼지 저감을 위해 많은 정책들이 수립되어 시행되고 있다. 미세먼지(PM) 저감을 위해서는 현상규명, 감시, 통합예측으로 정확한 데이터를 가지고 미세먼지(PM) 발생 원인을 파악하며, 지속적인 관리체계를 구축하는 것이 필요하다. 그러나 현재는 국내 도로구간에서 발생하는 미세먼지에 관한 영향 인자에 대한 정확한 분석 결과와 이를 활용한 예측 모형이 없는 실정이다. 본 연구에서는 도로구간과 터널구간으로 분류하여 초미세먼지(PMR,2.5)와 미세먼지(PMR,10) 농도 추정 모형 개발을 위해 미세먼지(PM) 영향인자간의 상관성을 분석하였고 이를 바탕으로 회귀분석 모형을 구축하여 교통량에 따른 초미세먼지(PM2.5)와 미세먼지(PM10) 농도에 대한 민감도를 분석 시행하였다. 분석 결과, 시간당 교통량이 1,000대 증가함에 따라 도로주변지역의 초미세먼지(PMR,2.5) 농도는 약 2.421μg 증가할 수 있으며, 미세먼지(PMR,10) 농도는 약 6.769μg 증가할 수 있음을 확인하였다. 기계학습기반의 미세먼지(PM) 농도 추정 모형을 구축하였으며, 선형회귀모형, 합성곱신경망모형, 랜덤포레스트모형의 3가지 모형을 비교하였고 그 중 가장 우수한 모형으로는 랜덤포레스트 모형을 제시하였다. 랜덤포레스트 모형으로 모형별 구축 결과, 도로구간 초미세먼지(PMR,2.5)의 결정계수(R2)는 0.74, MAE는 5.78로 분석되었으며, 미세먼지(PMR,10)의 결정계수(R2)는 0.71, MAE는 9.60으로 분석되었다. 또한, 터널구간의 초미세먼지(PMT,2.5) 모형의 결정계수(R2)는 0.95, MAE는 2.81, 미세먼지(PMT,10) 모형의 결정계수(R2)는 0.90, MAE는 11.74로 분석 되었다. 이와 같은 평가 결과, 도로 및 터널구간의 초미세먼지(PM2.5)와 미세먼지(PM10) 농도 추정 모형은 모든 경우에서 랜덤포레스트 모형이 가장 오차가 적은 모형으로 나타났다. 그리고 본 연구에서 개발된 모형에 대한 실제적인 활용방안을 제시하였다.
- Alternative Abstract
- Worldwide interest regarding environmental factors such as global warming and fine particles is consistently increasing. South Korea is also establishing and implementing numerous policies to reduce fine particles. To reduce fine particles (PM), it is necessary to establish a continuous management system by identifying the causes with accurate data obtained through phenomenon investigation, monitoring, and integrated prediction. However, currently, there is no accurate analysis of influencing factors regarding PM occurring at South Korean road sections and adequate prediction models using such analysis. The study analyzed the correlation between fine particle (PM) influencing factors by classifying them into road and tunnel sections to develop a concentration estimation model of ultrafine particle (PMR,2.5) and fine particle (PM10). A regression analysis model was built based on the above. Using the model, the sensitivity to ultrafine particle (PMR,2.5) and fine particle (PM10) concentrations according to traffic volume was analyzed. The analysis revealed that when traffic volume per hour increases by one thousand vehicles, the concentration of ultrafine particle (PMR,2.5) in the road vicinity may increase by approximately 2.421μg, while the concentration of fine particle (PM10) may increase by approximately 6.769μg. A machine learning-based fine particle(PM) concentration estimation model was built. Three models, including the linear regression model, a convolutional neural network model, and a random forest model, were compared, and the random forest model was proposed as the best one. The results of the random forest model constructed for each model are as follows. For the road section, the coefficient of determination (R2) of the ultrafine particle (PMR,2.5) model was 0.74, and MAE was 5.78. The coefficient of determination (R2) for the fine particle (PMR,10) model was 0.71, and MAE was 9.60. For the tunnel section, the coefficient of determination (R2) of the ultrafine particle (PMT,2.5) model was 0.95, and MAE was 2.81. The coefficient of determination (R2) of the fine particle (PMT,10) model was 0.90, and MAE was 11.74. The evaluation revealed that the random forest model displayed the least amount of error in the concentration estimation model of ultrafine particle (PM2.5) and fine particle (PM10) in all cases of road and tunnel sections. Additionally, a practical application plan for the model developed in the study is proposed.
- Fulltext
- Appears in Collections:
- Graduate School of Ajou University > Department of Transportation System Engineering > 4. Theses(Ph.D)
- Files in This Item:
- There are no files associated with this item.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
-
- License
- STATISTICS
- Total Visit :3,752,168
- Total Download :1,818
- Today View :29,826
