이슬라믄 오존 레벨 예측 및 알람 시스템 설계

초록

본 논문은 이슬라믄 시의 일일 오존 농도를 예측하고 위험 상황을 알리기 위한 시스템을 제안한다. 입력 변수로는 자외선(UV), 총 태양 복사량(TSR), 전일 오존 농도(O₃)를 사용하고, 인공지능 모델인 BEL, ANFIS, ANN을 비교하여 최적 모델을 선정한다. 2000년 1월 1일부터 2011년 6월 7일까지의 실제 데이터를 기반으로 시뮬레이션한 결과, 제안된 시스템이 도시 규모의 오존 예측에 유용함을 확인하였다.

상세 분석

이 논문은 대기오염 관리에서 핵심적인 역할을 하는 오존 농도 예측 문제를 해결하기 위해, 다중 입력‑단일 출력 구조의 예측‑알람 시스템을 설계하였다. 입력 변수는 현장에 설치된 세 종류의 센서, 즉 자외선(UV) 센서, 총 태양 복사량(TSR) 센서, 그리고 전일 측정된 총 오존(O₃) 센서이다. 이러한 변수들은 오존 생성 메커니즘과 강한 상관관계를 가지며, 특히 UV와 TSR은 광화학 반응을 촉진시키는 주요 요인으로 알려져 있다. 전일 오존 농도는 시간적 연속성을 반영해 다음 날 농도 추정에 중요한 선형/비선형 패턴을 제공한다.

예측 엔진으로는 세 가지 인공지능 모델을 도입하였다. 첫 번째는 뇌 감정 학습(BEL) 모델로, 인간의 감정 처리 메커니즘을 모방한 강화 학습 기반 구조이며, 비선형 관계를 빠르게 학습하는 장점이 있다. 두 번째는 적응형 신경 퍼지 추론 시스템(ANFIS)으로, 퍼지 규칙 기반의 전역 최적화를 통해 입력 변수 간의 불확실성을 정량화한다. 세 번째는 전통적인 인공신경망(ANN)이며, 다층 퍼셉트론 구조를 사용해 역전파 알고리즘으로 가중치를 조정한다. 각 모델은 동일한 학습·검증 데이터셋(2000‑2010년)으로 훈련되고, 2011년 데이터를 통해 테스트하였다.

성능 평가는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 그리고 결정계수(R²)를 사용하였다. 결과적으로 BEL 모델이 가장 낮은 MAE와 RMSE를 기록했으며, R² 값도 가장 높아 예측 정확도가 우수함을 보였다. ANFIS는 중간 수준의 성능을 보였고, ANN은 과적합 경향으로 테스트 단계에서 오차가 상승하였다. 또한, 시스템은 예측된 오존 농도가 사전 정의된 임계값(예: 120 ppb)을 초과하면 알람 메시지를 자동으로 생성하도록 설계되었다. 알람은 SMS, 이메일, 혹은 현장 디스플레이를 통해 전달될 수 있어, 실시간 대응이 가능하도록 하였다.

시스템 구현은 파이썬 기반의 데이터 전처리·모델 학습 파이프라인과, 라즈베리 파이와 같은 저비용 임베디드 하드웨어를 이용한 현장 배치를 전제로 한다. 데이터 전처리 단계에서는 결측값 보간, 이상치 제거, 그리고 정규화를 수행했으며, 시계열 특성을 반영하기 위해 3일 이동 평균을 추가 피처로 활용하였다. 모델 학습은 교차 검증(k‑fold, k=5)을 통해 하이퍼파라미터 최적화를 진행했으며, 최종 모델은 매일 새벽에 최신 데이터를 반영해 재학습하도록 설계되었다.

이와 같이 본 연구는 실제 관측 데이터를 기반으로 한 다중 센서 입력, 세 가지 최신 AI 예측 모델 비교, 그리고 실시간 알람 기능을 통합한 종합적인 오존 예측‑알람 시스템을 제시함으로써, 도시 대기질 관리에 실용적인 도구를 제공한다는 점에서 의의가 크다.