조류 예측 모델을 갖춘 해안 수질 모니터링 시스템을 위한 완전 제안 프레임워크

유해 조류 번식(HAB) 성장 예측을 위한 완전한 프레임워크 방법론을 달성하는 엔드 투 엔드 프로세스는 수자원 관리에 매우 중요하며, 특히 HAB의 강력한 예측 모델링을 구현하여 수질 오염을 방지하는 데 필요합니다. 이전 연구들은 각각 예측 부분 또는 사물인터넷(IoT)을 통한 센서 통합을 포함하는 수질 모니터링 시스템의 구현에 초점을 맞추었습니다. 이러한 연구는 IoT와 조류 생태학적 영역 및 예측 방법에 대한 논의가 부족합니다. 따라서 본 논문은 센서의 조립 및 통합, 데이터 수집 및 데이터 기반 접근 방식을 사용한 예측 모델링, 예를 들어 기계 학습, 심층 학습 및 심층 시계열 예측 알고리즘을 포함하는 엔드 투 엔드 프로세스에 대해 더 폭넓은 논의를 제공하기 위해 주도합니다. 이 논문은 각 단계의 실행을 기반으로 한 완전한 프레임워크 관점에서의 논의가 중요하다고 믿으며, 조류 성장 요인 및 예측 문제에 대한 진정한 이해를 제공하여 조류 성장에 대한 견고한 예측 알고리즘을 달성하는 데 도움을 줍니다. 마지막으로, 이 논문은 적절한 특성을 선택하고 심층 학습과 시계열을 활용하는 것이 이 논문에서 간략하게 소개된 매우 비선형적이고 동적인 조류 생태학적 데이터를 다루는 데 훨씬 더 낫다는 증거를 제시합니다. 선택된 모든 알고리즘 중에서 장기 단기 메모리(LSTM)가 예측 방법에 가장 적합하며, 해안 연구를 위한 조류 존재의 강력한 지표로 엽록소-a(Chl-a)의 예측을 통해 다른 기본 기계 학습 방법보다 조류 성장을 정확하게 예측하는 데 우수한 성능을 보여주었습니다.