기후변화와 인간 활동에 따른 수질 오염 및 녹조 발생 문제를 해결하기 위해 이동형 센서에서 측정되는 점 데이터를 격자기반의 면데이터로 변환하여 각 격자에 대해 다양한 녹조 예측 모형을 개발하고 녹조저감장치 자동화 의사결정 알고리즘을 개발하여 현장에 적용하고자 한다. 관심 지역에 대해 다양한 머신러닝 알고리즘 들을 활용하여 클로로필-a 및 피코시아닌 예측모델 구축하였으며, 면 데이터를 기반으로 한 예측 모형결과를 통해 최적의 녹조 제거 방안을 제시하는 녹조 저감 의사결정 알고리즘 개발하였다. 5가지 기계학습 기법(Random Forest, XGBoost, LASSO Regression model, k-NN Regression model,  SVR)을 통해  클로로필-a와 피코시아닌 예측모형 결과 평균절대비율오차(MAPE, Mean Absolute Percentage Error) 기준으로 XGBoost 기법이 가장 우수한 성능을 보였다. 기존의 기계학습 모형과 함께 시간과 공간의 상관성을 반영한 시공간 모형의 예측 성능을 평가한 결과 MAPE 기준으로 XGBoost 기법보다는 다소 성능이 떨어지나 격자의 개수가 늘어나면 대안적 알고리즘으로 활용이 가능할 것으로 판단된다.