학습 기반 최적화 방법론을 이용한 서울시 도로변대기측정망 확장 (Expansion of Roadside Air Pollution Monitoring Network in Seoul using Learning-based Optimization Method)

서지정보

· 발행기관 : 대한환경공학회
· 수록지 정보 : 대한환경공학회지 / 45권 / 3호 / 148 ~ 160페이지
· 저자명 : 김태호, 신지훈, 김영우, 이도연, 백주은, 이도윤, 차윤경

초록

목적 : 본 연구에서, 도로변대기측정망 확장 시 신설 측정망 지점을 결정하기 위한 학습 기반 최적화 방법론을 제시및 적용하고자 한다. 특히 서울시에서 가용한 빅데이터를 이용하여 측정망의 설치 지점 선정 원리를 잘 반영할 수 있으며 사회·경제·환경 특성을 통합적으로 고려한 의사결정 기법을 고안하고, 기법의 최적화 결과로 잠재적인 신규도로변대기측정망 설치 후보 지점을 도출하고자 한다. 또한, 측정망 신규 설치 시 신뢰도 있는 대기오염 정보의 확보가 가능한 범위를 산정하여 객관적인 의사결정을 지원할 수 있는 도구로서의 활용 가능성을 확인하고자 한다.
방법 : 제시된 학습 기반 최적화 알고리즘은 서울시에서 측정망 설치 목적에 적합한 사회·경제·환경 변수를 종합적으로 고려하여 최적 신설 측정 지점을 선정하는 새로운 방법이다. 먼저 유전 알고리즘을 통해 신설 측정망 설치시 기존 측정망과 비교해 측정망의 영향력이 최대가 되고, 전체적인 대기오염 수준이 높고, 기존 측정망과 겹치지않는 지역에 측정소 후보 지점들을 선정할 수 있도록 학습을 진행하여 동일 수준의 복수 최적 해를 얻었다. 그 다음, PROMETHEE 방법을 적용하여 유전 알고리즘에서 도출된 해들 중 측정망 설치 시 고려해야 하는 여섯 개 평가 지표(정보 엔트로피, 측정망 설치 개수, 점 오염원과의 거리, 풍속, 교통량, 생활 인구)의 우선순위를 종합적으로 잘 만족시키는 최종 해를 결정하였다.
결과 및 토의 : 학습 기반 최적화를 통해 서울시에서 기존에 운영되던 15개의 도로변대기측정소에서 10개의 측정망신설 후보 지점이 선정되었다. 측정망 신규 설치 시 설명가능한 대기오염의 시공간적 범위는 서울시의 84.33%로기존 측정망이 갖는 대기오염 정보의 불확실성을 26.15% 감소시킬 것으로 기대된다. 또한, 최종 해는 도출된 여러해들 중 신설 후보 지점의 개수가 적고, 대기오염 배출 시설과의 거리가 가까우며 생활 인구와 교통량이 많은 곳으로 선정되어 서울시의 지역적 특성을 반영함과 동시에 기존 측정망 설치 목적에 부합하는 도로변대기측정망 신규설치 지점이라고 판단된다.
결론 : 제시된 최적화 방법은 측정망의 설치 목적에 적합한 변수들을 사용하여 객관적인 최종 해를 도출할 수 있는 방법으로, 도시대기측정망과 달리 사회적 요소를 추가로 고려해야 하는 도로변대기측정망의 신규지점도 도출할 수 있다. 최적화에 의해 도출된 최종 해는 실제 현장 검증과 더불어 보다 실효성 있는 신설 후보 지점을 도출할 수있어 미래 활용 가능성이 크다. 더 나아가 구축된 최적화 방법은 다른 환경 측정망의 신규 설치 지점 결정 과정에서 범용적으로 적용할 수 있을 것으로 예상된다.

영어초록

Objectives : In this study, a learning-based optimization method is proposed and implemented for determining new monitoring sites when expanding the roadside air pollution monitoring network. Utilizing the bigdata available in Seoul, this decision-making tool is developed that takes into account the objectives of selecting new monitoring sites and incorporates social, economic, and environmental characteristics. The optimized results can suggest potential locations for new roadside air pollution monitoring sites. Additionally, the capability of this tool to facilitate objective decision-making processes is evaluated by determining the influence range providing reliable air pollution information with the addition of the new monitoring sites.
Methods : The proposed learning-based optimization algorithm is a new approach for selecting the new optimal monitoring sites by comprehensively considering social, economic, and environmental factors aligned with the installation purpose of the monitoring system in Seoul. The algorithm starts with genetic algorithms to select candidate locations for new monitoring sites that maximize the influence area of the expanded monitoring network compared to the existing monitoring network, capture a high overall level of air pollution, and do not overlap with the existing monitoring network. After that, PROMETHEE method is applied to evaluate the solutions generated by the genetic algorithm and choose the final solution that best fits six evaluation factors (Information entropy, number of new monitoring sites, distance from point sources, wind speed, traffic volume, and population) to be considered when installing new monitoring sites.
Results and Discussion : The learning-based optimization algorithm selects 10 potential new monitoring sites adding to the existing roadside air pollution monitoring network having 15 monitoring sites. The explainable spatiotemporal range of the air pollution information that can be expected after the installation of the new monitoring sites is quantified to cover 84.33% of Seoul, reducing the uncertainty of the air pollution information of existing monitoring network by 26.15%. The final solution, selected from several solutions, can get new optimal roadside air pollution monitoring sites reflecting the regional characteristics of Seoul and the installation purpose of the monitoring system by having a small number of newly established monitoring locations, being close to air pollution emissions facilities, and having a high population and traffic volume.
Conclusion : The proposed learning-based optimization method, using relevant variables for the installation purpose of the monitoring system, can derive the objective solution for deciding new monitoring locations of the roadside air pollution monitoring network, considering additional social factors as opposed to urban air pollution monitoring network. The final solution obtained through the optimization algorithm has great potential for future use, as it can guide to determine practical and feasible new monitoring sites with additional on-site verification. Furthermore, this optimized approach can be applied widely during the decision-making process for the expansion of other environmental monitoring networks.

참고자료

· 없음