문맥 (context)
모니터링 결과를 시간(주단위, 연단위 등)에 따라 그래프로 도식화할 때 계절별, 혹은 시간에 따라 일정한 주기성(cycles)을 보이는 경우가 있다. 환경 측정 결과에서 흔히 보이는 주기성을 예는 수온, 기온, 일사량 및 증발산량, 물사용량, 특정 오염물질의 농도 등이 있다. 시계열 분석은 특정 변수에 대한 연속적인 기록 자료를 시간의 움직임에 따라 포착하고 이것이 보여주는 경향성을 바탕으로 미래 시점에 대한 예측을 통계적 방법으로 추정해나가는 방법을 말한다. 시계열 자료는 반복적인 측정/관측에 의해 연속적으로 기록된 정보로, 각 측정값은 외부적인 특정변수의 영향들이 일시적으로 포함될 수 있다. 시계열 자료는 크게 정상적 시계열과 비정상적 시계열로 나뉘는데, 흔히 환경 측정값의 대부분은 비정상적 시계열이지만, 환경 데이터의 시계열 분석을 위해서는 정상적 시계열의 모습을 먼저 파악하는 것이 필요하다.
많은 시계열자료들은 그 값들이 들쭉날쭉 하는 모습을 갖는데, 들쭉날쭉함을 부드럽게 조정하여 예측하는 방법으로, 어떤 부드러운 곡선을 기준으로 임의로 이탈하여 시계열 자료값들이 얻어진 것이라는 전제하에서 그 부드러운 곡선의 패턴을 찾아내자는 방법이다. 따라서, 이 smoothing 방법은 과거 시계열 자료들에 어떤 방법으로 가중치를 부여하여 예측하느냐에 따라 이동평균(Moving Average)방법과 지수평활법(Exponential Smoothing) 방법의 두 가지로 나눌 수 있다. 이동평균방법(Moving Average, MA)은 어느 시계열 자료가 일정한 주기를 갖고 비슷한 패턴으로 움직이고 있을 경우에 적용시킬 수 있는 방법이다. 주기가 길어질수록 직선에 가까운 부드러운 선이 얻어질 것임을 쉽게 알 수 있다. 이동평균방법에도 크게 단순이동평균법과 가증이동평균법의 두 가지 방법으로 나뉠 수 있다. 단순이동평균법은 산술평균을 산정하기 위해 사용하는 데이터 개수를 일정하게 고정시키지만, 매 시점마다 연속적으로 산술평균을 수행한다.
주성분 분석(Principal Component Analysis, PCA)은 변수들 간의 상호 의존 정도를 분석하는 방법으로, 수학적으로 정규화된 데이터(normally distributed data)로부터 계산된 공분산행렬(covariance matrix)의 고유벡터(eigenvector)의 구성이다. 다변량 혹은 다차원의 데이터를 차원 축소(dimension reduction)함으로써 결과적으로 생성되는 적은 수의 새로운 변수(즉, 주성분)를 이용하여 원래 자료가 가지고 있는 정보의 대부분이 설명이 가능하게 된다. 차원 축소과정을 통해 원자료로부터 얻을 수 있는 정보의 대부분을 설명할 수 있는 주성분(principal component)의 결정하고, 이 주성분들이 수질모니터링 자료 중 어떤 종류의 인자들에 의해 주로 설명되는지, 각 주성분들의 특성에 의해 시료채취 지점 혹은 센서의 설치지점은 어떻게 클러스터링이 될 수 있는지 표현할 수 있다. 대개, 주성분의 추출 기준은 eigenvalue 1 이상, Scree plot을 통해 주성분의 개수 선정하며, 대개 설명력의 합이 80%이상인 개수까지 선택한다.
절차는 현장 모니터링(시료채취 중) 및 환경 모니터링 프로그램에서 수집된 데이터가 품질, 유용성 및 신뢰성이 확실한 지 확인하기 위해 실험실에서 모두 필요하다. QA/QC 프로그램을 이행하면 모니터링 비용도 줄일 수 있다. 예를 들어 유량 모니터링을 위한 QA/QC 프로그램은 유량계 파손 또는 보정 손실로 인한 재샘플링(Resampling)의 필요성을 방지하는 데 도움이 될 수 있다. 품질보증(QA)은 모니터링 및 측정 데이터의 품질을 보장하기 위한 프로그램화된 방식의 노력을 의미한다. QA 프로그램은 보고된 분석 데이터의 유효성에 대한 신뢰를 높인다. 품질 보증의 일부 인 품질관리(QC)는 모니터링 및 측정에서 규정된 성능 기준을 획득하도록 정해진 절차의 적용을 의미한다. QA/QC 절차는 두 가지 범주로 나눌 수 있다.
관리문서는 채수와 분석 시점 사이에 발생한 시료의 보관과 상태, 운송에 관한 모든 변경사항을 문서화하는 것이다. 시료의 책임 소재가 바뀔 때마다, 양도인과 수령인은 시료의 양도와 관련된 사항을 문서에 기입하고 서명과 날짜를 표기한다. 시료의 운송과정 동안 용기의 손상이나 보관상태의 미비로 인하여 시료의 변질이 발생되지 않았음을 표기하기 위하여 밀봉 시 서명된 테이프나 봉인도장을 사용할 수 있다. 시료채취자와 실험실은 관리문서 사본을 보관해야 한다. 담당 연구소나 실험실은 시료의 용기를 전달할 때 관리문서도 함께 전달하여 채수의 시점부터 실험실로 시료를 받는 과정까지의 정보를 받아 나중에 수행할 분석에도 참고한다. 이 관리문서에는 일반적으로 프로젝트명 및 샘플링 위치, 시료채취 날짜, 시간, 샘플 채취자 성명, 시료 이름과 번호, 시료 보관 용기의 종류, 시료별 수행될 분석 항목, 시료별 추가 전달 사항, 시료 운반자 성명 등에 관한 정보가 포함된다.
수질조사는 관로에 유하하는 하수를 채수하여 수질을 분석함으로서 해당 관로를 유하하는 하수농도를 판단하여 상류관로에서 유입되는 침입수와 오수량 비를 산정하고 이를 토대로 야간생활하수량을 정량화함으로써 야간 기저유량 중 침입수량을 산정하는 자료로 활용하였다. 또한, 강우중의 관로유하 샘플을 채수하여 유량조사에서 정량화된 유입수 분석값이 유입수에 기인하였음을 확인하는 자료로 사용하였다. 이를 위하여 청천시는 4회에 걸쳐 각 회당 2시간 간격 24시간(12회)를 채수하여 CODcr 및 BOD, TOC를 분석하였으며, 강우시는 강우발생 강도 및 시간 등을 고려하여 30분~2시간 간격으로 강우이벤트 종료시까지 채수하여 CODcr 및 BOD, TOC를 분석하였다. 본 조사는 대상지점의 수질발생현황을 조사하여 발생특성을 분석하였다. 오염부하량 산정과 시뮬레이션 검 보정 기초자료, 수질분석을 통한 침입수/유입수도 분석하였다.
모니터링 및 모델링 계획에는 하수도시스템에서 운반된 오염물질의 농도를 결정하고 하나의 강우사건 동안 배출구에서 다른 배출구까지 한 강우사상에서 다른 강우사상 동안 오염물질 농도의 변동성을 결정하는 방법을 명시하여야 한다. 오염물질 농도 데이터는 월류수 영향수계에 대한 오염물질 부하량을 계산하기 위해 유량 데이터와 함께 사용하여야 한다. 어떤 경우에는 이러한 데이터가 시스템 내의 오염물질 출처를 추적하는 데 사용될 수도 있다. 모니터링 및 모델링 계획은 어느 매개변수를 모니터링할지 지정하여야 한다. 여기에는 월류수 영향수계를 구체적으로 지정된 용도로 사용하기 위한 수질기준이 있는 오염물질이 포함되어야 한다. 또한 모니터링 및 모델링 계획에는 수질 기준을 초과하는 다른 오염물질에 대한 모니터링 및 합류식하수도에 존재할 것으로 의심되는 오염물질이 포함되어야 한다.
지시문 (instruction)
다음 문맥을 읽고 질문에 답하시오.
질문 (question)
주성분 분석(PCA)을 통해 차원 축소를 수행했을 때 얻을 수 있는 효과와 주성분의 추출 기준은 무엇인가?
추론 과정 (compact_reasoning)
-
1과제 해석
task_interpretation주성분 분석(PCA)의 목적과 차원 축소의 효과, 그리고 주성분을 결정하는 구체적인 기준을 파악해야 한다.
-
2정보 추출
information_extraction주성분 분석의 정의와 차원 축소의 결과, 그리고 추출 기준에 관한 문장을 추출한다.
- 다변량 혹은 다차원의 데이터를 차원 축소(dimension reduction)함으로써 결과적으로 생성되는 적은 수의 새로운 변수(즉, 주성분)를 이용하여 원래 자료가 가지고 있는 정보의 대부분이 설명이 가능하게 된다.
- 대개, 주성분의 추출 기준은 eigenvalue 1 이상, Scree plot을 통해 주성분의 개수 선정하며, 대개 설명력의 합이 80%이상인 개수까지 선택한다.
-
3근거 선택
evidence_selection차원 축소의 효과를 설명하는 부분과 주성분 추출의 수치적 기준이 명시된 부분을 선택한다.
- 원래 자료가 가지고 있는 정보의 대부분이 설명이 가능하게 된다.
- 주성분의 추출 기준은 eigenvalue 1 이상, Scree plot을 통해 주성분의 개수 선정하며, 대개 설명력의 합이 80%이상인 개수까지 선택한다.
-
4논리 통합
logical_integration차원 축소를 통해 적은 수의 변수로 원래 정보의 대부분을 설명할 수 있다는 점과, eigenvalue 1 이상 및 설명력 합계 80% 이상이라는 기준을 결합한다.
-
5결론 도출
conclusion_formulation차원 축소의 효과는 원래 자료의 정보를 대부분 설명할 수 있게 하는 것이며, 추출 기준은 eigenvalue 1 이상, Scree plot 활용, 설명력 합계 80% 이상이다.
-
6답변 생성
answer_generation질문에 대해 명확하고 간결하게 답변을 작성한다.
근거 (evidence)
- 다변량 혹은 다차원의 데이터를 차원 축소(dimension reduction)함으로써 결과적으로 생성되는 적은 수의 새로운 변수(즉, 주성분)를 이용하여 원래 자료가 가지고 있는 정보의 대부분이 설명이 가능하게 된다.
- 대개, 주성분의 추출 기준은 eigenvalue 1 이상, Scree plot을 통해 주성분의 개수 선정하며, 대개 설명력의 합이 80%이상인 개수까지 선택한다.
- 원래 자료가 가지고 있는 정보의 대부분이 설명이 가능하게 된다.
- 주성분의 추출 기준은 eigenvalue 1 이상, Scree plot을 통해 주성분의 개수 선정하며, 대개 설명력의 합이 80%이상인 개수까지 선택한다.
최종 답변 (final_answer)
주성분 분석을 통한 차원 축소는 적은 수의 새로운 변수를 생성하여 원래 자료가 가진 정보의 대부분을 설명할 수 있게 한다. 주성분의 추출 기준은 eigenvalue 1 이상이어야 하며, Scree plot을 통해 개수를 선정하고 대개 설명력의 합이 80% 이상인 개수까지 선택한다.