韓国におけるニューラルネットワークとアンサンブルツリーを用いた生物化学的酸素要求量の評価

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

J. Environ. Manage..2020 Jun;270:110834. S0301-4797(20)30765-9. doi: 10.1016/j.jenvman.2020.110834.Epub 2020-06-05.

韓国におけるニューラルネットワークとアンサンブルツリーを用いた生物化学的酸素要求量の評価

Assessing the biochemical oxygen demand using neural networks and ensemble tree approaches in South Korea.

Sungwon Kim
Meysam Alizamir
Mohammad Zounemat-Kermani
Ozgur Kisi
Vijay P Singh

PMID: 32507742 DOI: 10.1016/j.jenvman.2020.110834.

抄録

水質評価に広く利用されている変数の一つである生物化学的酸素要求量（BOD）は、河川の生態系の区分を表す指標の一つである。従来のBOD予測手法では、微生物の多さが不変であるため、時間がかかり不正確であるため、より正確なBOD予測を行うために代替手法が推奨されてきた。本研究では、韓国の公陵駅と京安駅において、様々な水質変数に基づいてBODを予測するための新しいディープラーニングベースのモデルであるディープエコーステートネットワーク(Deep ESN)の能力を調査した。このモデルを極限学習機械(ELM)と勾配ブースト回帰木(GBRT)とランダムフォレスト(RF)からなる2つのアンサンブルツリーモデルと比較した。水質変数（BOD、水素ポテンシャル（pH）、電気伝導度（EC）、溶存酸素（DO）、水温（WT）、化学的酸素要求量（COD）、懸濁物質（SS）、全窒素（T-N）、全リン（T-P））を5つの組み合わせ（カテゴリ1〜5）でディープESN、ELM、GBRT、RFを開発するために利用した。これらのモデルは、二乗平均誤差(RMSE)、ナッシュ・サットクリフ効率(NSE)、決定係数(R)、相関係数(R)によって評価された。総合的な評価では、Deep ESN5モデルが両観測点の全モデルの中で最も信頼性の高いBOD予測を提供していることが示唆された。

The biochemical oxygen demand (BOD), one of widely utilized variables for water quality assessment, is metric for the ecological division in rivers. Since the traditional approach to predict BOD is time-consuming and inaccurate due to inconstancies in microbial multiplicity, alternative methods have been recommended for more accurate prediction of BOD. This study investigated the capability of a novel deep learning-based model, Deep Echo State Network (Deep ESN), for predicting BOD, based on various water quality variables, at Gongreung and Gyeongan stations, South Korea. The model was compared with the Extreme Learning Machine (ELM) and two ensemble tree models comprising the Gradient Boosting Regression Tree (GBRT) and Random Forests (RF). Diverse water quality variables (i.e., BOD, potential of Hydrogen (pH), electrical conductivity (EC), dissolved oxygen (DO), water temperature (WT), chemical oxygen demand (COD), suspended solids (SS), total nitrogen (T-N), and total phosphorus (T-P)) were utilized for developing the Deep ESN, ELM, GBRT, and RF with five input combinations (i.e., Categories 1-5). These models were evaluated by root mean square error (RMSE), Nash-Sutcliffe efficiency (NSE), coefficient of determination (R), and correlation coefficient (R). Overall evaluations suggested that the Deep ESN5 model provided the most reliable predictions of BOD among all the models at both stations.