최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기大韓土木學會論文集, Journal of the Korean Society of Civil Engineers, B. 수공학, 해안 및 항만공학, 환경 및 생태공학, v.31 no.2B, 2011년, pp.155 - 163
김광섭 (경북대학교 건축토목공학부) , 박정아 (경북대학교 대학원 공간정보학과)
In this study, a soil moisture estimation model was developed using a decision tree model, an artificial neural networks (ANN) model, remotely sensed data, and ground network data of daily precipitation, soil moisture and surface temperature. Soil moisture data of the Yongdam dam basin (5 sites) wer...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
의사결정나무 분석 기법 중 CART 기법의 분할 세 단계는 무엇인가? | 이는 Breiman 등(1984)이 설명한 분할 세단계로 요약할 수 있다. 첫 번째 단계는 재귀분할기법을 이용한 분할기준에 따라 변수와 분할지점을 선택하여 나무의 성장을 수반한다. 기본 변수와 대리모 변수의 선택에 있어 분할기준이 밀접하게 관련되어 있을 뿐만 아니라 주요 변수의 누락 값을 관측하는 것에도 사용되며 그 값의 확인 및 선택도 가능하다. 이와 같이 형성된 나무는 두 번째 단계에서 나무의 뿌리노드부터 마지막 노드까지 복잡도 측정을 하여 중첩된 하위 집합부분이나 분류에 영향을 끼치지 않는 부분을 가지치기 절차를 통해 제거한다. 교차검증이나 검사표본은 각각의 하위노드에 대한 분류오차를 예측하는 곳에 사용되고 교차유효성검사는 데이터 포인트의 작은 숫자를 사용하여 CART기법을 구축하게 된다. 마지막 단계는 가장 낮은 교차검증 또는 설정오류율이 매우 미미한 결과에 해당하는 최적의 나무를 선택하는 것이다. 이 단계에서 나무는 불안정한 상태이며 나무의 크기가 작을수록 안정한 상태가 된다. 그러나 하나의 표준오차 내의 정확성을 비교하려면 대안책을 선정해야 된다. 이 절차는 표준오차규칙을 나타내고 변화하는 크기나 복잡성을 가지는 나무를 얻기 위해 조정할 수 있다. 변수 중요도측정은 또 다른 변수가 기본 분할하는 곳에 대신 사용될 때 떨어지는 오류율을 관찰하여 구현할 수 있으며 이는 기본적으로 더 많은 변수가 기본 또는 대리 분할로 중요성이 높게 나타나는 잦은 할당 점수이다. | |
BEACH 모형이란 무엇인가? | 유역에 분포한 토양수분의 상태를 알기 위하여 수문모형을 이용한 토양수분 산정 관련 연구가 이루어지고 있으며 Sheikh 등(2009)은 토양수분의 초기상태를 예측하기 위해 토지 이용 시나리오 분석에 유용한 공간분산 수문모형인 BEACH(Bridge Event And Continuous Hydrological)모형을 소개하였다. 그러나 최근 원격관측 기술의 발달로 인하여 광역의 토양수분 관측 가능성이 제시되고 있으며 관측심과 대기영향 및 지표면 영향 등을 고려하여 토양수분측정의 방법으로 마이크로파 주파수(L-band)를 사용하는 것을 권장하고 있다(Mallick 등, 2009). | |
물 순환구조에서 토양수분의 중요성이 강조되는 이유는 무엇인가? | 물 순환구조에서 토양수분이 차지하는 정량적 비중은 작음에도 불구하고, 날씨와 기후, 강우-유출시스템과 홍수, 토양 침식과 산사태, 농업생산량 등 넓은 범위에 걸쳐 관계되어 있어 수문학적으로 중요성이 강조되고 있다. 또한 토양수분은 증발-증산을 통해 지표면과 대기 사이의 물과 에너지 교환을 연계하는 주요변수로 강수생성과 날씨패턴 및 유출 반응에 큰 영향을 미친다. |
경민수, 이용원, 김형수, 김병식(2009) 기후변화가 서울지역의 기온 및 가뭄에 미치는 영향 평가 : AR4 SRES A2 시나리 오를 기반으로. 대한토목학회논문집, 대한토목학회, 제29권 제 2B호, pp. 181-191.
김성준, 채효석(1999) 격자기반의 토양수분추적모형 개발 : 보청천 유역 사례연구. 한국GIS학회지, 한국GIS학회, 제7권, 제1호, pp. 33-48.
김수전, 권영수, 이건행, 김형수(2010) 신경망에 의한 레이더강우 보정 및 유출해석. 대한토목학회논문집, 대한토목학회, 제30권 제2B호, pp. 159-167.
민성원, 이정림, 서명석(2006) MTSAT IR1자료를 이용한 강수량 산출과 토양수분 추정. 2006년도 한국기상학회 가을 학술대회 논문집, 한국기상학회, 제7권, 제2호, pp. 366-367.
조홍규(2003) 인공지능 방법을 이용한 신용평가 모형에 대한 개관. 나이스채권평가 금융공학연구소.
황태하, 김병식, 김형수, 서병하(2006) SWAT 모형을 이용한 토양수분지수 산정과 가뭄감시. 대한토목학회논문집, 대한토목학회, 제26권, 제4B호, pp. 345-354.
황현경, 김경호(2008) 신경망 모형을 이용한 무심천 수위 예측. 건설기술논문집, 건설기술연구소, 제27권, 제1호, pp. 43-56.
Ahmad, S., Kalra, A., and Stephen, H. (2010) Estimating soil moisture using remote sensing data: A machine learning approach. Advances in water resources, Vol. 33, No. 1, pp. 69-80.
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial neural networks in hydrology. I: Preliminary concepts. Journal of Hydrologic Engineering, Vol. 5, No. 2, pp. 115-123.
Bowden, G.J., Dandy, G.C., and Maier, H.R (2005) Input determination for neural network models in water resources applications. Part 1-background and methodology. Journal of Hydrology, Vol. 301, No. 1-4, pp. 75-92.
Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984) Classification and regression tree. Chapman & Hall/CRC, Boca Raton.
Chai, S.S., Veenendaal, B., West, G., and Walker, P. (2008) Backpropagation neural network for soil moisture retrieval using NAFE'05 data : a comparison of different training algorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 37, No. B4, pp. 1345-1349.
Elshorbagy, A. and Parasuraman, K. (2008) On the relevance of using artificial neural networks for estimation soil moisture content. Journal of Hydrology, Vol. 362, No. 1-2, pp. 1-18.
Frate, F.D., Ferrazzoli, P., and Schiavon, G. (2003) Retrieving soil moisture and agricultural variables by microwave radiometry using neural network. Remote sensing of environment, Vol. 84, No. 2, pp. 174-183.
Jiang, H. and Cotton, W.R. (2004) Soil moisture estimation using an artificial neural network: a feasibility study. Can. J. Remote Sensing, Vol. 30, No. 5, pp. 827-839.
Kim, G. and Barros, A.P. (2002) Space-time characterization of soil moisture from passive microwave remotely sensed imagery and ancillary data. Remote sensing of environment, Vol. 81, No. 2, pp. 393-403.
Lippmann, R.P. (1987) An introduction to computing with neural network. ASSP magazine, Vol. 4, No. 2, pp. 4-22.
Mallick, K., Bhattacharya, B.K., and Patel, N.K. (2009) Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI. Agricultural and Forest Meteorology, Vol. 149, No. 8, pp. 1327-1342.
Sheikh, V., Visser, S., and Stroosnijder, L. (2009) A simple model to predict soil moisture : Bridging event and continuous hydrological( BEACH) modelling. Environmental Modelling & Software, Vol. 24, No. 4, pp. 542-556.
Zweiri, Y.H. (2006) Optimization of a three-term backpropagation algorithm used for neural network learning. International Journal of Computational Intelligence, Vol. 3, No. 4, pp. 322-327.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.