머신러닝 기반 가축 사육장 PM10 먼지 농도 추정 연구
Image-Derived PM10 Estimation in Cattle Feedlot Using Machine Learning: Addressing Concentration Ranges Beyond Existing Digital Imaging Methods
arXiv가축 사육장(Feedlot)의 고농도 PM10 먼지 농도를 이미지 분석과 머신러닝을 결합하여 추정하는 연구입니다.
- XGBoost 모델이 높은 예측 성능(R²=0.792)을 보였으며, 먼지 변화는 카메라에서 가장 먼 패널과 검은색 패널 픽셀 값에 민감하게 반응했습니다.
- 기존 도시 환경 중심의 측정 기술로는 어려웠던 축사 같은 산업 현장의 초고농도 대기질 모니터링에 실용적인 기준을 제시합니다.
- 다만, 먼지 농도가 급변하는 일몰 시간대(황혼)의 예측 정확도는 추가적인 개선이 필요한 영역으로 지적되었습니다.
본 연구는 축사(cattle feedlot)와 같은 집약적 가축 사육 환경에서 발생하는 고농도의 미세먼지(PM10)를 모니터링하는 방법을 제시합니다. 기존의 카메라 기반 PM 추정 기술은 주로 도시 대기질 측정에 초점을 맞추었기 때문에, 시간당 평균 250~1,000 ug/m⁻³ 범위와 순간적으로 최대 5,000~20,000 ug/m⁻³에 달하는 사육장 특유의 높은 농도 범위를 평가하지 못했습니다. 따라서 저렴하고 실용적인 먼지 모니터링 기술 확보가 필요합니다.
연구진은 이미지 기반 접근 방식을 개발하여 PM10 농도를 추정했으며, 그레이스케일 이미지를 캡처할 때 패널 대비(contrast panel features), 흑백 패널의 픽셀 값, 전체 이미지 밝기 등의 특징을 추출했습니다. 모델 예측에 최근 과거 값과 태양 천정각(solar zenith angle)도 변수로 포함시켰습니다. 평가된 후보 모델 중 XGBoost가 가장 높은 예측 성능을 보여 R² 값이 0.792였고, 중앙 절대 오차는 103 ug/m⁻³로 나타났습니다.
특징 중요도 분석 결과, 카메라에서 가장 멀리 위치한 패널이 예측에 가장 큰 영향을 미쳤으며, 검은색 패널의 픽셀 값이 흰색보다 PM10 농도 변화에 더 민감하게 반응하는 것으로 밝혀졌습니다. 다만, 사육장의 저녁 먼지 최고 농도가 시작되는 일몰 전환 시점의 예측 정확도는 추가적인 개선이 필요한 영역으로 지적되었습니다.