기상 기후 강의 노트

Making an Ultrasonic Anemometer | Embedded Lab (embedded-lab.com)

Ultrasonic Anemometer | soldernerd

GitHub - soldernerd/UltrasonicAnemometer: Standalone Ultrasonic Anemometer based on a PIC32

2022학년도 중등지구과학 사사과정 

 "머신러닝 알고리즘을 활용한 안개 분류 예측" 연구가 우수논문으로 선정되어 전국대회 진출하게 되었습니다. 

2022년 전국 대학부설 과학영재교육원 사사과정 연구성과 발표대회에 참석하게 됩니다.

 * 일시 : 2023년 1월 17일(화)예정

At-A-Glance

• 나이브 베이즈 vs. 의사결정나무 
• Phen 자료 제외
• 1,2 시간 전 자료 모두 사용한 경우 
• 1 시간 전 자료만 사용한 경우

나이브 베이즈

1,2 시간 전 자료 모두 사용

             precision    recall  f1-score   support

           0       0.98      0.69      0.81     10479
           1       0.17      0.90      0.29       193
           2       0.36      0.69      0.47      2480

    accuracy                           0.69     13152
   macro avg       0.50      0.76      0.52     13152
weighted avg       0.85      0.69      0.74     13152

1시간 전자료만 사용

               precision    recall  f1-score   support

           0       0.94      0.83      0.88     10479
           1       0.21      0.80      0.34       193
           2       0.47      0.60      0.53      2480

    accuracy                           0.79     13152
   macro avg       0.54      0.74      0.58     13152
weighted avg       0.84      0.79      0.81     13152

의사결정나무

1,2 시간 전 자료 모두 사용

               precision    recall  f1-score   support

           0       0.94      0.93      0.94     10479
           1       0.63      0.66      0.64       193
           2       0.70      0.72      0.71      2480

    accuracy                           0.89     13152
   macro avg       0.76      0.77      0.76     13152
weighted avg       0.89      0.89      0.89     13152

1시간 전 자료만 사용

               precision    recall  f1-score   support

           0       0.95      0.93      0.94     10479
           1       0.60      0.59      0.59       193
           2       0.70      0.74      0.72      2480

    accuracy                           0.89     13152
   macro avg       0.75      0.75      0.75     13152
weighted avg       0.89      0.89      0.89     13152

At-A-Glance

• 나이브 베이즈 vs. 의사결정나무 
• Phen 자료 포함
• 1,2 시간 전 자료 모두 사용한 경우 
• 1 시간 전 자료만 사용한 경우

나이브 베이즈

1,2 시간 전 자료 모두 사용

               precision    recall  f1-score   support

           0       0.99      0.84      0.91     10479
           1       0.59      0.99      0.74       193
           2       0.58      0.90      0.70      2480

    accuracy                           0.86     13152
   macro avg       0.72      0.91      0.78     13152
weighted avg       0.90      0.86      0.87     13152

1시간 전자료만 사용

               precision    recall  f1-score   support

           0       0.98      0.86      0.92     10479
           1       0.59      1.00      0.74       193
           2       0.60      0.87      0.71      2480

    accuracy                           0.86     13152
   macro avg       0.72      0.91      0.79     13152
weighted avg       0.90      0.86      0.87     13152

의사결정나무 

1,2 시간 전 자료 모두 사용

               precision    recall  f1-score   support

           0       0.96      0.95      0.96     10479
           1       0.77      0.70      0.73       193
           2       0.79      0.82      0.81      2480

    accuracy                           0.93     13152
   macro avg       0.84      0.82      0.83     13152
weighted avg       0.93      0.93      0.93     13152

1시간 전 자료만 사용

               precision    recall  f1-score   support

           0       0.96      0.95      0.95     10479
           1       0.79      0.78      0.78       193
           2       0.77      0.80      0.79      2480

    accuracy                           0.92     13152
   macro avg       0.84      0.84      0.84     13152
weighted avg       0.92      0.92      0.92     13152

COVID-19 팬데믹 전후의 부산시 대기질 변화 경향

김O아 (광안중학교 2학년)

유O석 (용수중학교 2학년)

이O원 (센텀중학교 2학년)

정O모 (명호중학교 2학년)

초록

2018~2020년 동안 부산시 SO2, NO2, O3, PM10 월평균 농도를 분석하여, COVID-19 팬데믹 전후 부산시 대기오염 농도 변화를 연구하였다. SO2 농도는 뚜렷이 감소하였고, 산업단지(기장군, 학장동, 녹산동)를 중심으로 부산시 평균 농도보다 높은 경향을 나타내었다. 이는 부산시 산업활동은 팬데믹의 영향이 상대적으로 적었음을 암시한다. NO2와 PM10 농도는 다른 물질에 비해서 변화율이 크지 않았으나 전년도 고농도 보다 낮았다. O3의 미미한 변화는 크게 낮아지지 않은 NO2 농도와 청정대기로 인한 태양복사량 증가 때문이다. 전체 연구기간 동안, 기상요소와의 상관관계를 비교한 결과, SO2, O3, PM10은 풍속과 양의 상관관계를 보였는데, 이는 기상(풍속)보다 배출량의 원인이 더 크기 때문이다. NO2는 풍속과 기온과 음의 상관관계를 보였는데 이는 O3 증가 때문이다. 겨울철 고농도를 보이는 PM10은 중국 배출량의 영향이다.

참고문헌

 

국립환경과학원, 2017; 국가 대기오염물질 배출량

김 등, 2012; 부산 지역 도시대기환경지도를 활용한 대기환경 특성 분석

김 등, 2017; 경유자동차에서 배출되는 NO₂/NOX 비율 특성

김 등, 2013; 부산지역 미세먼지 농도 분포에 따른 기상요소 분석

명 등, 2016; 미세먼지와 건강 장애

박 등, 2008; 서울시 황사미세먼지 특성에 관한 연구

박 등, 2018; 서울지역의 질소산화물(NO, NO₂) 농도 특성과 오존(O3)생성에 미치는 연구

서 등, 2019; 대기오염물질이 환경성질환에 미치는 영향: 수도권 지역의 자치구 및 시·군을 중심으로

오 등, 2010; 인천 지역 초등학교 학생에서 대기 오염물질의 농도와 알레르기 질환 유병률 및 폐기능과의 연관성

이 등, 2005; 부산지역 O3농도의 영향배출원 분포특성)

이 등, 2013; 온산공업단지 주변의 박무와 해풍발생이 대기오염물질의 이동 및 농도

한 등, 1996; 서울시 대기 중 입자상 오염물질의 조성에 관한 연구

한 등, 2016; 여름철 도시 공원의 O₃(O3)와 NO₂ 농도의 일변화 : 기온과 풍속의 영향

Kim et al., 2017: Recent increase of surface paticulate matter conentrations in the Seoul Metropoltan Area, Korea

 

 

 

 

 

 

공기정화 식물들의 실내 대기질 개선 능력에 대한 정량적 고찰

윤O영 (부곡여자중학교 2학년)

이O영 (동래여자중학교 2학년)

정O경 (유락여자중학교 2학년)

정O훈 (분포중학교 2학년)

황O빈 (신주중학교 3학년)

초록

최근 우리는 중국과 몽골의 고비사막에서 오는 황사뿐만 아니라 이제는 미세먼지, 심지어는 우리 기도에서 거르지 못하고 폐포까지 침투하여 천식, 또는 조기 사망까지 이르게도 할 수 있는 초미세먼지, 포름알데히드까지도 걱정해야하는 시대가 왔다. 이 중 우리가 가장 많은 시간을 보내는 실내의 미세먼지 농도를 효과적으로 낮추고 유지하는 것은 매우 중요한 문제가 되었다. 이에 인공적인 공기정화 방법을 사용하는 공기청정기가 아닌, 친환경적이고 자연적인 공기정화 방식을 사용하는 식물들 중 일반 대중들에게 효과적으로 공기정화를 한다고 알려져있는 공기정화 식물 세 종류(스킨답서스, 산세베리아, 스파티필럼)를 선택하여, 어떤 식물이 가장 효과적인지 비교하고 과대광고 효과는 없는지 알아보기 위하여 본 실험을 수행하게 되었다. 총 4시간의 실험시간 동안, 스킨답서스가 전체 미세먼지 중 99.1%, 산세베리아가 94.8%, 스파티필룸이 93.7%를 감소시켜, 스킨답서스, 산세베리아, 스파티필럼 순으로 공기정화 효율이 높은 것으로 나타났다.

참고문헌