유량과 수질을 연계한 실시간 인공지능 경보시스템 개발 (I) 유량-수질 예측모형의 적용 A Development of Real Time Artificial Intelligence Warning System Linked Discharge and Water Quality (I) Application of Discharge-Water Quality Forecasting Model원문보기
평창강 수질자동측정망 실시간 자료를 이용하여 강우시와 무강우시로 구분하여 분석하였다. 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 평균값, 최대값, 표준편차가 크게 나타났으며, 강우시의 DO 자료는 무강우시에 측정된 자료보다 낮아 유량이 수질변화에 영향을 미치는 것으로 분석되었다. 신경망 모형과 뉴로-퍼지 모형으로 수질예측 모형을 구성하고, 적용하였다. LMNN, MDNN, ANFIS 모형은 TOC 모의에서 DO 예측에서는 LMNN, MDNN 모형이 ANFIS 모형보다 좋은 결과를 보였으며, 정량적 자료에 정성적 자료인 시간을 학습한 MDNN 모형이 가장 작은 오차를 보였다. 하천의 실시간적 관리를 위해서는 유량과 수질의 측정이 동일한 지점에서 동시간적으로 이루어져야 보다 효과적이다. 그러나 수질자동측정망 지점과 T/M 수위관측소가 원거리에 위치한 경우들이 있으며, 평창강 수질자동측정망 지점이 그 중 하나이다. 연구에서는 평창강 수질자동측정망 지점의 유출예측을 위한 신경망 모형을 구성하여 수질예측 모형과 연계하였으며, 연계된 모형은 수질예측에 개선된 결과를 보였다.
평창강 수질자동측정망 실시간 자료를 이용하여 강우시와 무강우시로 구분하여 분석하였다. 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 평균값, 최대값, 표준편차가 크게 나타났으며, 강우시의 DO 자료는 무강우시에 측정된 자료보다 낮아 유량이 수질변화에 영향을 미치는 것으로 분석되었다. 신경망 모형과 뉴로-퍼지 모형으로 수질예측 모형을 구성하고, 적용하였다. LMNN, MDNN, ANFIS 모형은 TOC 모의에서 DO 예측에서는 LMNN, MDNN 모형이 ANFIS 모형보다 좋은 결과를 보였으며, 정량적 자료에 정성적 자료인 시간을 학습한 MDNN 모형이 가장 작은 오차를 보였다. 하천의 실시간적 관리를 위해서는 유량과 수질의 측정이 동일한 지점에서 동시간적으로 이루어져야 보다 효과적이다. 그러나 수질자동측정망 지점과 T/M 수위관측소가 원거리에 위치한 경우들이 있으며, 평창강 수질자동측정망 지점이 그 중 하나이다. 연구에서는 평창강 수질자동측정망 지점의 유출예측을 위한 신경망 모형을 구성하여 수질예측 모형과 연계하였으며, 연계된 모형은 수질예측에 개선된 결과를 보였다.
It is used water quality data that was measured at Pyeongchanggang real time monitoring stations in Namhan river. These characteristics were analyzed with the water qualify of rainy and nonrainy periods. TOC (Total Organic Carbon) data of rainy periods has correlation with discharge and shows high v...
It is used water quality data that was measured at Pyeongchanggang real time monitoring stations in Namhan river. These characteristics were analyzed with the water qualify of rainy and nonrainy periods. TOC (Total Organic Carbon) data of rainy periods has correlation with discharge and shows high values of mean, maximum, and standard deviation. DO (Dissolved Oxygen) value of rainy periods is lower than those of nonrainy periods. Input data of the water quality forecasting models that they were constructed by neural network and neuro-fuzzy was chosen as the reasonable data, and water qualify forecasting models were applied. LMNN, MDNN, and ANFIS models have achieved the highest overall accuracy of TOC data. LMNN (Levenberg-Marquardt Neural Network) and MDNN (MoDular Neural Network) model which are applied for DO forecasting shows better results than ANFIS (Adaptive Neuro-Fuzzy Inference System). MDNN model shows the lowest estimation error when using daily time, which is qualitative data trained with quantitative data. The observation of discharge and water quality are effective at same point as well as same time for real time management. But there are some of real time water quality monitoring stations far from the T/M water stage. Pyeongchanggang station is one of them. So discharge on Pyeongchanggang station was calculated by developed runoff neural network model, and the water quality forecasting model is linked to the runoff forecasting model. That linked model shows the improvement of waterquality forecasting.
It is used water quality data that was measured at Pyeongchanggang real time monitoring stations in Namhan river. These characteristics were analyzed with the water qualify of rainy and nonrainy periods. TOC (Total Organic Carbon) data of rainy periods has correlation with discharge and shows high values of mean, maximum, and standard deviation. DO (Dissolved Oxygen) value of rainy periods is lower than those of nonrainy periods. Input data of the water quality forecasting models that they were constructed by neural network and neuro-fuzzy was chosen as the reasonable data, and water qualify forecasting models were applied. LMNN, MDNN, and ANFIS models have achieved the highest overall accuracy of TOC data. LMNN (Levenberg-Marquardt Neural Network) and MDNN (MoDular Neural Network) model which are applied for DO forecasting shows better results than ANFIS (Adaptive Neuro-Fuzzy Inference System). MDNN model shows the lowest estimation error when using daily time, which is qualitative data trained with quantitative data. The observation of discharge and water quality are effective at same point as well as same time for real time management. But there are some of real time water quality monitoring stations far from the T/M water stage. Pyeongchanggang station is one of them. So discharge on Pyeongchanggang station was calculated by developed runoff neural network model, and the water quality forecasting model is linked to the runoff forecasting model. That linked model shows the improvement of waterquality forecasting.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
2차적인 안정화 과정이 요구되었다. 5분단위 원시자료가 1시간 동안 모두 소멸된 구간에서는 전후 자료를 통해 보간되었으며, 취득된 시단위 대표값이 진동하는 구간에서는 자기중심 이동평균법을 통해 평활화 과정이 수행되었다. 그림 5에 DO와 TOC의 평활화 결과를 나타내었다.
LMNN 모형과 ANFIS 모형은 2개의 입력값을 사용하였으며 t시간의 수질자료와 함께 t시간의 유량 혹은 수온 자료를 입력값으로 사용하여 t+1 시간에서의 수질을 출력하도록 하였다. 은닉층을 분리한 MDNN 모형은 정성적 자료인 시간개념을 추가하여 t+1시간에서의 수질을 출력하도록 하였다.
미계측지점인 수질자동측정망 지점에서 취득할 수 있는 것은 T/M 강우관측소의 강우 기록이므로 강우량의 크기에 따른 유출예측이 이루어져야 한다. 따라서 수질자동측정망 지점으로부터 상류에 위치한 판운 지점에서의 유량(t), 하류에 위치한 영월1 지점에서의 유량(t), 수질자동측정망 지점의 총강우량(t)을 입력 자료로 하였으며 수질자동측정망 지점에서의 유량(t+1)을 출력하도록 구성하였다. 유출예측 신경망 모형의 입출력 구성을 표 4에 나타내었으며, 학습오차 0.
평창강 수질자동측정망 지점에서도 감시 및 관리시스템을 위해서 보다 정확한 실시간적 유량산정이 선행되어져야 한다. 따라서 이를위한 방편으로 수질예측 모형과 연계가 원할한 유출예측 모형을 구성하여 유량의 미계측 지점인 평창강 수질자동측정망 지점에 적용하였다.
따라서 표 4의 입력 3과 목표값인 출력을 대신하여 유출량 자료가 존재하는 판운 지점의 총강우량을 입력으로 유출량을 학습하고, 또한 영월1 지점에서의 총 강우량을 입력으로 유출량을 학습하도록 하였다. 또한 유출량의 시간적 변화량을 학습하기위해 예측시점(t+1)에서 한단계 이전(t)인 판운과 영월1 지점의 유량자료를 입력항에 추가하여 학습하였다(안상진 등, 2005).
따라서 표 4의 입력 3과 목표값인 출력을 대신하여 유출량 자료가 존재하는 판운 지점의 총강우량을 입력으로 유출량을 학습하고, 또한 영월1 지점에서의 총 강우량을 입력으로 유출량을 학습하도록 하였다. 또한 유출량의 시간적 변화량을 학습하기위해 예측시점(t+1)에서 한단계 이전(t)인 판운과 영월1 지점의 유량자료를 입력항에 추가하여 학습하였다(안상진 등, 2005).
분석결과에 따라 입력자료를 선정하여 수질예측을 위한 신경망 모형과 뉴로-퍼지 모형을 구성하였으며, 실시간으로 측정된 수질자료를 바탕으로 수질예측에 대한 적용성을 검토하였다. 수질변화에 있어 유량이 매우 큰 영향을 미치는 인자임에도 불구하고 국내 여건상 수질과 유량의 연속측정지점이 대부분 동일한 지점에서 운영듸지 않고 있다.
취득 가능한 유량자료와 연계하여 모의 및 예측을 수행하기 위해서는 자료들간의 시간간격을 일치시켜야 한다. 수위관측소로부터 산정된 유량자료는 시단위 자료이므로 수질자동측정망에서 매 5분마다 취득된 자료들을 시단위 대표값으로 산출하는 과정을 거쳤다. 안정화된 대표값을 산출하기 위해서 중앙(median)값을 추출한 후 이동평균(moving average)법을 이용하여 평활화 과정을 수행되었다.
실시간 수위기록이 이루어지지 않는 수질자동측정망 지점에서의 유출량을 계산하기 위하여 상하류의 유출특성과 미계측유역의 시간당 총강우량의 크기를 고려하였다. 시간당 총 강우량은 시우량 자료로부터 산정된 면적 평균강우량에 유역면적을 곱하여 계산하였으며, 임의유역에서 1시간 동안 강하한 강우의 체적으로 유역면적의 크기와 유출량의 관계를 학습하고자 하였다.
모형을 이용하여 유출예측을 수행하였다. 실시간 수위기록이 이루어지지 않는 수질자동측정망 지점에서의 유출량을 계산하기 위하여 상하류의 유출특성과 미계측유역의 시간당 총강우량의 크기를 고려하였다. 시간당 총 강우량은 시우량 자료로부터 산정된 면적 평균강우량에 유역면적을 곱하여 계산하였으며, 임의유역에서 1시간 동안 강하한 강우의 체적으로 유역면적의 크기와 유출량의 관계를 학습하고자 하였다.
에 의한 영향이 없는 기간을 무강우시로 구분하였다. 수온, DO, TOC 자료는 평창강 수질자동측정망 지점에서 5분단위로 수집되었으며, 유량자료는 영월1 수위관측 지점에서 산정된 자료이다.
연구에서는 남한강 유역의 평창강 수질자동측정망 지점에서 5분단위로 측정되고 있는 DO, TOC의 원시 수질자료를 수집하여 시간 대표값을 산출하고 강우시와 무강우시로 구분하여 특성을 분석하였다. 분석결과에 따라 입력자료를 선정하여 수질예측을 위한 신경망 모형과 뉴로-퍼지 모형을 구성하였으며, 실시간으로 측정된 수질자료를 바탕으로 수질예측에 대한 적용성을 검토하였다.
연구에서는 은닉층의 노드수와 학습회수를 변화해가며 학습하지 않은 검증사상에 적용하여 최소의 오차를 갖는 구조를 찾도록 하였고, 수동적인 반복과정을 피하기 위해 검증절차를 자동화하였다. 인공지능 모형의 자동화된 매개변수 산정과정을 그림 3에 나타내었다.
대한 적용성을 검토하였다. 유량의 미계측지점인 평창강 수질자동측정망 지점을 대상으로 신경망 모형에 의한 유출예측을 수행하고, 수질예측 모형과 연계하여 개선효과를 검토하였으며, 다음과 같은 결론을 얻었다.
출력하도록 하였다. 은닉층을 분리한 MDNN 모형은 정성적 자료인 시간개념을 추가하여 t+1시간에서의 수질을 출력하도록 하였다. 정성적 자료로서 강우시에는 강우발생후 경과시간을 이용하였으며, 무강우시에는 일조 및 일몰의 영향을 고려하여 수질 및 유량이 측정된 시간을 이용하였다.
수질변화에 있어 유량이 매우 큰 영향을 미치는 인자임에도 불구하고 국내 여건상 수질과 유량의 연속측정지점이 대부분 동일한 지점에서 운영듸지 않고 있다. 이를 감안하여 T/M 수위관측소와 수질자동측정망 지점이 원거리에 위치한 평창강 수질자동측정망 지점을 대상으로 미계측 지점에서 유출산정이 가능하도록 신경망 모형을 구성하였으며, 이를 수질예측 모형과 연계하여 보다 정확한 예측시스템을 구축하고 효율성을 검토하였다.
은닉층을 분리한 MDNN 모형은 정성적 자료인 시간개념을 추가하여 t+1시간에서의 수질을 출력하도록 하였다. 정성적 자료로서 강우시에는 강우발생후 경과시간을 이용하였으며, 무강우시에는 일조 및 일몰의 영향을 고려하여 수질 및 유량이 측정된 시간을 이용하였다.
평창강 수질자동측정망에서 측정된 실시간 수질자료를 이용하여 인공지능 모형들을 학습하고, 수질예측에 대한 적용성을 검토하였다. 유량의 미계측지점인 평창강 수질자동측정망 지점을 대상으로 신경망 모형에 의한 유출예측을 수행하고, 수질예측 모형과 연계하여 개선효과를 검토하였으며, 다음과 같은 결론을 얻었다.
강우시에 측정된 DO 농도는 무강우시에 측정된 자료보다 최소값, 평균값, 최대값이 모두 낮았으며, 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 최소값, 평균값, 최대값, 표준편차가 크게 나타났다. 하천수질은 강우에 따른 유량의 변동으로 많은 변화가 나타나므로 취득된 자료를 강우시와 무강우시로 구분하여 적용하였다. 강우의 발생에 의해 기저 유출로부터 하천 유량이 변화한 기간을 강우시로, 강우
학습된 LMNN, MDNN, ANFIS 모형을 적용하여 학습되지 않은 사상의 수질변화를 예측하였으며, 강우시와 무강우시의 DO, TOC 에 대한 예측결과를 분석하여 표 3, 그리고 그림 7과 8에 나타내었다.
대상 데이터
대상유역은 평창강 유역으로 14개의 T/M 강우관측소가 운영중에 있으며, 판운과 영월1 T/M 수위관측소가 운영중에 있다. 유량 미계측 지점인 평창강 수질자동측정망 지점은 주천강과 평창강의 합류부로부터 하류에 위치한 충북 제천시 송학면 장곡리에 있다.
따라서 수질의 변화양상과 인자들간의 영향, 실시간적인 실제 예측 상황을 고려하여 수질예측 모형의 입력자료를 구성하였다. 실시간 모형의 운영을 위해서는 상관성이 높은 소수의 입력 자료가 보다 효과적이나, 1개 항목만을 입력자료로 사용할 경우에는 자료의 비선형성 때문에 수렴과 예측에 큰 오차를 발생할 우려가 있다.
구분하였다. 수온, DO, TOC 자료는 평창강 수질자동측정망 지점에서 5분단위로 수집되었으며, 유량자료는 영월1 수위관측 지점에서 산정된 자료이다. 유출예측 신경망 모형의 학습시에는 1995년 7월 ~ 2001년 7월 중 선정된 5개의 홍수유출 사상을 사용하였다.
수질예측을 위해 사용한 자료는 2003년 1월, 4월, 7월의 자료이며, 강우 유무에 따른 항목별 자료 특성을 표 1에 나타내었다. 강우시에 측정된 DO 농도는 무강우시에 측정된 자료보다 최소값, 평균값, 최대값이 모두 낮았으며, 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 최소값, 평균값, 최대값, 표준편차가 크게 나타났다.
연구를 위해 사용된 평창강 지점의 수온, DO, TOC 자료는 5분단위로 수집된다. 취득 가능한 유량자료와 연계하여 모의 및 예측을 수행하기 위해서는 자료들간의 시간간격을 일치시켜야 한다.
수온, DO, TOC 자료는 평창강 수질자동측정망 지점에서 5분단위로 수집되었으며, 유량자료는 영월1 수위관측 지점에서 산정된 자료이다. 유출예측 신경망 모형의 학습시에는 1995년 7월 ~ 2001년 7월 중 선정된 5개의 홍수유출 사상을 사용하였다.
이론/모형
강우량의 총량과 유출량과의 관계를 해석하도록 학습된 유출예측 모형으로 유량을 예측하고, 예측된 유량은 수질예측 모형의 입력자료로 사용되었다. 평창강 수질자동측정망에서 산정된 유량을 사용하여 학습된 연계 모형의 TOC 예측값과 하류의 영월1 지점에서의 유량을 사용하여 학습된 MDNN 모형의 TOC 예측값을 비교하여 그림 10에 나타내었으며, 예측값에 대한 분석결과를 표 5에 나타내었다.
수질예측에서 안정적인 적용성을 보인 MDNN 신경망 모형을 이용하여 유출예측을 수행하였다. 실시간 수위기록이 이루어지지 않는 수질자동측정망 지점에서의 유출량을 계산하기 위하여 상하류의 유출특성과 미계측유역의 시간당 총강우량의 크기를 고려하였다.
수위관측소로부터 산정된 유량자료는 시단위 자료이므로 수질자동측정망에서 매 5분마다 취득된 자료들을 시단위 대표값으로 산출하는 과정을 거쳤다. 안정화된 대표값을 산출하기 위해서 중앙(median)값을 추출한 후 이동평균(moving average)법을 이용하여 평활화 과정을 수행되었다. 시 단위 대표값은 평균값으로 산출될 경우 순간적인 기기의 오작동에 의한 부정확한 자료를 포함할 수 있으며, 중앙값은 이를 배제하기 위한 적절한 방법이 될 수 있다.
유량예측 및 수질예측, 수질오염 경보를 위해 사용된 신경망 모형은 단층신경망인 다중퍼셉트론, 다층신경망 모형 중 은닉층을 분리하지 않은 LMNN (Levenberg- Marquardt Neural Network) 모형, 은닉층을 분리한 MDNN (MoDular Neural Network) 모형이며, 구조를 그림 1에 나타내었다.
성능/효과
(1) 수질자료를 강우의 유무에 따라 분석한 결과, 강우시에 측정된 DO 농도는 무강우시어 측정된 자료보다 최소값, 평균값 등이 낮았으며, 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 평균값, 최대값, 표준편차가 크게 나타나 유량의 변화가 유역의 수질변화에 크게 영향을 미치는 것으로 분석되었다.
(2) 강우시와 무강우시의 TOC 예측에 적용한 LMNN, MDNN, ANFIS 모형은 평창강 지점에서 모두 실측값에 근사하고, 작은 오차를 보였으며, MDNN 모형이 비교적 가장 좋은 결과를 보였다. 강우시의 DO예측 결과에서는 적용한 세 모형 모두 안정적인 것으로 나타났으나, 일정한 주기성을 갖는 무강우시의 DO에 대한 예측 결과에서는 ANFIS 모형에 비해 LMNN, MDNN의 두 신경망 모형 예측값이 상관성이 크고, 오차 또한 작게 나타났다.
(3) 유출예측 모형과 수질예측 모형을 연계하고 보다 정확한 유량산정을 통해 TOC를 예측한 결과, RMSE가 0.093 mg/L에서 0.068mg/L로 개선되었다. 따라서 수질자동측정망 지점에서 연속적인 유량측정시설의 운영이나 효과적인 유출량 산정 방법이 요구되며, 수질변동이 큰 지점에서도 안정적으로 모의하도록 예측모형의 구조개선 및 정확도 향상이 필요하다고 판단된다.
986로 높은 상관성을 보였다. LMNN 모형과 MDNN 모형의 RMSE는 각각 0.124 mg/L, 0.120 mg/L로 나타났으며, ANFIS 모형은 상관관계가 0.901, RMSE는 0.372 mg/L로 신경망 모형에 비해 오차가 크게 나타났다. 무강우시에 도두 신경망 모형에 비해 ANFIS 모형이 큰 오차와 낮은 상관성을 보였으며, LMNN 모형의 RMSE는 0.
LMNN, MDNN 모형을 이용한 강우시 DO 예측은 실측값에 근사하고, 상관계수가 0.977 ~0.986로 높은 상관성을 보였다. LMNN 모형과 MDNN 모형의 RMSE는 각각 0.
RMSE는 MDNN 모형이 0.093 mg/L, 연계모형이 0.068 mg/J로 분석되어 개선된 결과를 보였다.
나타내었다. 강우시에 측정된 DO 농도는 무강우시에 측정된 자료보다 최소값, 평균값, 최대값이 모두 낮았으며, 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 최소값, 평균값, 최대값, 표준편차가 크게 나타났다. 하천수질은 강우에 따른 유량의 변동으로 많은 변화가 나타나므로 취득된 자료를 강우시와 무강우시로 구분하여 적용하였다.
그림 6에 적용한 모형 중 MDNN 모형의 학습 결과를 나타내었다. 강우시와 무강우시의 DO, TOC의 시단위 자료의 변화양상을 학습하였으며, 수질변화에 대한 충분한 학습이 이루어졌음을 알 수 있다.
비교적 가장 좋은 결과를 보였다. 강우시의 DO예측 결과에서는 적용한 세 모형 모두 안정적인 것으로 나타났으나, 일정한 주기성을 갖는 무강우시의 DO에 대한 예측 결과에서는 ANFIS 모형에 비해 LMNN, MDNN의 두 신경망 모형 예측값이 상관성이 크고, 오차 또한 작게 나타났다. 두 신경망 모형 중 MDNN 모형의 적용 결과가 보다 우수한 것으로 나타남으로써 주기성이 일정한 경우에는 정성적 자료의 활용이 효과적인 것으로 판단된다.
강우시의 DO예측 결과에서는 적용한 세 모형 모두 안정적인 것으로 나타났으나, 일정한 주기성을 갖는 무강우시의 DO에 대한 예측 결과에서는 ANFIS 모형에 비해 LMNN, MDNN의 두 신경망 모형 예측값이 상관성이 크고, 오차 또한 작게 나타났다. 두 신경망 모형 중 MDNN 모형의 적용 결과가 보다 우수한 것으로 나타남으로써 주기성이 일정한 경우에는 정성적 자료의 활용이 효과적인 것으로 판단된다.
372 mg/L로 신경망 모형에 비해 오차가 크게 나타났다. 무강우시에 도두 신경망 모형에 비해 ANFIS 모형이 큰 오차와 낮은 상관성을 보였으며, LMNN 모형의 RMSE는 0.418 mg/L, MDNN 모형은 0.388 mg/J로 나타나 두 신경망 모형 중 MDNN 모형 이 보다 좋은 결과를 보였다. 주기가 일정한 항목의 예측에서는 정성적 자료의 활용이 보다 효과적인 것으로 판단된다.
평균 제곱근 오차인 RMSE는 LMNN 모형이 0.100 mg/L, MDNN 모형이 0.090 mg/L, ANFIS 모형이 0.090 mg/L로 산정되어 좋은 결과를 보였다. 적용된 모형들은 무강우시 TOC 예측에서도 실측값에 근사하였다.
평창강 수질자동측정망 지점의 DO와 TOC는 교차 상관 분석을 통해 강우시에는 유량변화의 영향이 크고, 무강우시에 수온의 영향이 큰 것으로 나타났다. 따라서 수질의 변화양상과 인자들간의 영향, 실시간적인 실제 예측 상황을 고려하여 수질예측 모형의 입력자료를 구성하였다.
평창강 자동측정망 지점에서의 TOC 예측 결과, 보다 정확한 유출량을 산정한 연계모형이 작은 오차를 보였으며, 실측값에 근사하는 것으로 나타났다. RMSE는 MDNN 모형이 0.
평창강 지점에서 TOC 예측을 위해 적용된 두 신경망 모형과 뉴로-퍼지 모형의 예측값은 모두 실측값에 근사하였고, 상관관계가 매우 큰 것으로 나타났다. 평균 제곱근 오차인 RMSE는 LMNN 모형이 0.
Hahn, R.L. (1972). Time series analysis of daily measurements of water quality parameters of the passaic river at little falls, new Jersey. M.S. Thesis, Rutgers Univ., Nen Brunswick, N.J.
Jang, J.S.R. (1993). 'ANFIS: Adaptive-Network based Fuzzy Inference System' IEEE transactions on Systems, Man, and Cybernetics, Vol. 23, No.3, pp. 665-685
Ken-ichi, Y., Masaaki, H. and Akihiho, M. (1997). 'Novel Application of a Back-propagation Artificial Neural Network Model Formulated to Predict Algal Bloom.' Water Science and Technology, Vol. 36, pp. 89-97
Maier, H.R. and Dandy, G.C. (1996). 'The use of artificial neural networks for the prediction of water quality parameters.' Water Resources Research, Vol. 32, No. 4, pp. 1013-1022
Nouh, M. (1996). 'Simulation of Water Quality in Sewer Flowd by Neural Networks.' Hydro-informatics '96, Proceedings of the 2nd International Conference on Hydro-informatics, Zurich, Switzerland, pp. 885-891
Tay, J.H. and Zhang, X. (2000). 'A fast prediction neural fuzzy model for high-rage anaerobic wastewater treatment systems.' Water Resources Research, Vol. 34, No. 11, pp. 2849-2860
Thomann, R.V. (1976). 'Time series analysis of water quality data.' ASCE, Vol. 93, No. 1, pp. 1-23
Zhang, B. and Govindaraju, R.S. (1998). 'Using Modular Neural Networks to Predict Watershed Runoff.' Water Resource Engineering Conference, ASCE, Vol. 1, pp. 897-902
※ AI-Helper는 부적절한 답변을 할 수 있습니다.