DDPM(Denoising Diffusion Probabilistic Models)을 활용한 오존층 예측
Ozone layer prediction using Denoising Diffusion Probabilistic Models
- 주제어 (키워드) 오존층 , DDPM , Ozone layer
- 발행기관 서강대학교 정보통신대학원
- 지도교수 최준석
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000078921
- UCI I804:11029-000000078921
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
오존층은 사람이 살아가는 데에 굉장히 중요한 역할을 하지만 산업혁명 이후 오존층이 파괴되었고 다시 오존층을 복구하기 위해 많은 기관에서 관측하고 연구하고 있다. 오존층의 복구를 위해 노력하는 만큼 오존층의 예측에도 많은 노력을 기울이고 있다. 오존층의 예측에 있어서 많은 방법들이 사용되고 있으며 특히, Multi Linear Regression 이 많이 사용되고 있다. 본 연구에서는 Linear Regression 뿐만 아니라 LSTM, GRU 모델을 사용하여 오존량에 대한 예측을 진행하였다. 각 모델의 RMSE 로 예측 성능을 확인하였고 Linear Regression 은 31.65, LSTM 은 57.62, GRU 는 57.52 의 결과가 나왔다. 예측에 대한 트렌드를 비교해봤을 때, LSTM 의 예측 트렌드가 실제 트렌드와 유사한 흐름을 보였다. 오존량에 대한 수치적인 예측은 특정 위도의 평균 값에 대한 분석이기에 오존층에 대한 전체적인 상태를 확인하기는 어렵다. 따라서, 전체적인 상태를 파악하고 오존층 예측 연구에 있어 이해를 돕기 위하여 시각적인 지표를 확인할 수 있도록 생성 모델인 DDPM 모델을 사용하여 남반구 오존량 이미지에 대한 예측을 진행하였다. ConvLSTM 모델을 사용하여 예측한 이미지보다 뛰어난 성능을 보였다. 예측 성능을 평가하기 위해 실제 이미지와 예측 이미지에 대해 SSIM Score 를 확인하고 ResNet 모델을 활용하여 오존량에 따라 4 단계로 나누어 분류하도록 하였다. SSIM Score 는 0.594 의 값이 나와 중간 정도의 유사성을 보였으며 분류에 의한 성능 평가에서는 74%의 정확도를 보였다. 시계열 데이터에 강점을 가진 LSTM, GRU 모델을 통해 오존량의 장기적인 트렌드를 파악하고, 생성 모델인 DDPM 모델을 통해 시각적으로 해석 가능한 예측 이미지를 생성함으로써 다양한 관점에서 오존층의 상태를 분석하였다. 이로써 오존층 예측에 대해 정확성과 신뢰성을 제공할 수 있는 방안을 마련하였다. 이와 같은 연구를 통해 오존층의 지속 가능한 관리와 보호를 위한 과학적 기반을 제공하며, 나아가 환경 보전 및 지구 생태계 유지에 기여하고자 한다.
more초록 (요약문)
The ozone layer plays a crucial role in sustaining human life, but since the Industrial Revolution, it has been significantly damaged. Many organizations are observing and researching to restore the ozone layer. As much effort is put into predicting the ozone layer as into its restoration. Various methods are used for ozone layer prediction, with Multi Linear Regression being particularly common. In this thesis, we not only used Linear Regression but also applied LSTM and GRU models to predict ozone levels. The prediction performance was evaluated using RMSE, with results showing 31.65 for Linear Regression, 57.62 for LSTM, and 57.52 for GRU. Upon comparing the prediction trends, it was observed that the LSTM model's prediction trend closely resembled the actual trend. Numerical predictions of ozone levels analyze average values at specific latitudes, making it difficult to grasp the overall state of the ozone layer. Therefore, to understand the overall condition and assist in ozone layer prediction research, we used a generative model, specifically the DDPM model, to predict ozone level images in the Southern Hemisphere. This model demonstrated superior performance compared to the ConvLSTM model used for image prediction. The prediction performance was evaluated by comparing the actual images with the predicted images using SSIM Score. Additionally, we used the ResNet model to classify the ozone levels into four stages. The SSIM Score was 0.594, indicating a moderate level of similarity, and the classification accuracy was 74%. By using LSTM and GRU models, which excel at handling time series data, to capture long-term trends in ozone levels, and the generative DDPM model to generate visually interpretable predictive images, we analyzed the state of the ozone layer from multiple perspectives. This approach provided a way to offer accuracy and reliability in ozone layer prediction. This research aims to provide a scientific basis for the sustainable management and protection of the ozone layer, contributing to environmental conservation and the maintenance of Earth's ecosystems.
more목차
제 1 장 서론 1
1.1. 연구 배경 1
1.2. 연구목표 2
1.3. 본 연구의 기여 2
제 2 장 관련 연구 4
2.1. 수치적 데이터 관련 연구 4
2.1.1. Linear Regression 4
2.1.2. LSTM 4
2.1.3. GRU 5
2.2. 이미지 데이터 관련 연구 6
2.2.1. 제안 기법 - DDPM 6
2.2.2. ResNet 8
2.2.3. ConvLSTM 9
제 3 장 실험 방법 10
3.1. 데이터 설명 10
3.1.1. 오존량 수치 데이터 10
3.1.2. 오존량 이미지 데이터 11
3.2. 오존량 수치 데이터에 대한 예측 13
3.2.1. Linear Regression 13
3.2.2. LSTM & GRU 13
3.3. 오존량 이미지 데이터에 대한 예측 14
3.3.1. 오존량 이미지 예측 모델 훈련 14
3.3.2. 예측 이미지 생성 15
3.4. 예측 이미지에 대한 평가 및 검증 15
3.4.1. SSIM Score 15
3.4.2. ResNet 을 활용한 이미지 분류 검증 16
3.4.3. ConvLSTM 모델을 활용한 예측 이미지 비교 검증 17
제 4 장 실험 결과 18
4.1. 실험 환경 18
4.2. 실험 결과 19
4.2.1. Linear Regression 결과 19
4.2.2. LSTM & GRU 결과 21
4.2.3. 오존량 예측 이미지 과정 24
4.2.4. 오존량 예측 이미지 결과 26
4.2.5. SSIM Score 결과 27
4.2.6. 오존량에 따른 예측 이미지 분류 결과 28
4.2.7. ConvLSTM 모델을 활용한 예측 이미지 비교 검증 29
제 5 장 결론 31
참고 문헌 33
