DAILY PAPER REVIEW

0221_NEURAL NETWORK APPROACH TO IDENTIFYING NON-POINT SOURCES

 

 

1. Title & Journal

Title: A NEURAL NETWORK APPROACH TO IDENTIFYING NON-POINT SOURCES OF MICROBIAL CONTAMINATION 

Journal: Water Research (1999) 33, 3009-3106

Authors: GAIL MONTGOMERY BRION, SRINIVASA LINGIREDDY

2. Author's Background

GAIL MONTGOMERY BRION

- Associate Professor, Raymond-Blythe Professor, Department of Civil Engineering, University of Kentucky 
- Research areas
?Water Treatment 
?Water Reuse
?Fate of Pathogens in Water Environments, etc.

3. Summary 

본 연구는 정기적으로 측정되는 수체 내 분원성 미생물의 농도와 강우 정보를 neural network model의 input data로 활용하여, 상수원으로 유입되는 분원성 미생물이 도심 근원 또는 농촌 근원인지 source identification에 대한 판별을 하고자 하였다. 보통 수체 내로 분원성 오염 물질이 유입되었을 때, 이에 대한 근원을 판별하고자 할 때 일반적으로 FC/FS ratio (FC: fecal coliform, FS: fecal streptococci)를 많이 이용한다. 이는 보통 인간에게서 나오는 분변이나 생활 하수 등에서는 FC/FS ratio가 4 이상인 경우가 많고, 자연 환경에서 발생하는 분원성 오염물에서는 보통 FC/FS ratio가 0.7 미만이기 때문이다. 하지만 이는 각기 다른 사활 특성이나 주변 환경의 요인 때문에 절대적으로 신뢰할 수 있는 오염원 판별이 될 수 없으며, 분원성 오염물의 유입이 오래 전에 발생했거나 streptococci의 농도가 100cfu/100mL 미만일 경우 오염원 판별이 더 어려워 질 수 있다. 
본 연구에서는 7개 지점의 분원성 오염의 원인을 도심지, 농경지, 혼합지의 형태로 분류하고자 하였으며, 상수원 유입 지역 내에 human sewage가 없다는 판단은 male-specific coliphage의 coprostannol과 serotyping 분석을 통해 이뤄졌다. FC, FS, TC (total coliform), coliphage에 대한 분석은 2년 간 warm season 동안에 건기와 우기를 고려하여 매주 진행되었다. 실험 결과, 미생물 측정값의 평균은 매우 큰 다양성을 보였으며, FC/FS ratio를 이용한 오염원 판별은 도심지 및 농경지에 대한 오염원 판별을 하지 못했다. 하지만 neural network model을 이용할 경우 도심지 및 농경지 뿐만 아니라 두 형태의 토지 이용도가 혼합된 지역에서의 강우 유출수 근원도 판별하는 것으로 나타났다. 

4. Originality and Creativity

박테리아 오염원 판별을 위한 neural network model 적용에 대한 연구의 초기 형태의 연구 내용인 것 같습니다. 미생물 뿐만 아니라 다른 수질 항목 정보에 대한 다양한 통계적/수학적 접근을 적용할 경우 전반적인 비점 오염원의 오염원 판별에 관한 연구에 도움이 될 수 있을 것으로 판단됩니다. 

5. Reviewer contact: 이승원 (swonlee@gist.ac.kr)

첨부 (1)
20110221.pdf
109.2KB / Download 7