[논문]한강수계에서의 부유사 예측을 위한 LOADEST 모형의 회귀식의 평가

박윤식; 이지민; 정영훈; 신민환; 박지형; 황하선; 류지철; 박장호; 김기성

doi:10.5389/ksae.2015.57.2.037

한강수계에서의 부유사 예측을 위한 LOADEST 모형의 회귀식의 평가
Evaluation of Regression Models in LOADEST to Estimate Suspended Solid Load in Hangang Waterbody 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.57 no.2, 2015년, pp.37 - 45

박윤식 (Department of Rural Construction Engineering, Kongju National University) , 이지민 (Regional Infrastructure Engineering, Kangwon National University) , 정영훈 (Regional Infrastructure Engineering, Kangwon National University) , 신민환 (Regional Infrastructure Engineering, Kangwon National University) , 박지형 (National Institute of Environmental Research) , 황하선 (National Institute of Environmental Research) , 류지철 (National Institute of Environmental Research) , 박장호 (Regional Infrastructure Engineering, Kangwon National University) , 김기성 (Regional Infrastructure Engineering, Kangwon National University)

Abstract ▼ AI-Helper

Typically, water quality sampling takes place intermittently since sample collection and following analysis requires substantial cost and efforts. Therefore regression models (or rating curves) are often used to interpolate water quality data. LOADEST has nine regression models to estimate water quality data, and one regression model needs to be selected automatically or manually. The nine regression models in LOADEST and auto-selection by LOADEST were evaluated in the study. Suspended solids data were collected from forty-nine stations from the Water Information System of the Ministry of Environment. Suspended solid data from each station was divided into two groups for calibration and validation. Nash-Stucliffe efficiency (NSE) and coefficient of determination ($R_2$) were used to evaluate estimated suspended solid loads. The regression models numbered 1 and 3 in LOADEST provided higher NSE and $R_2$, compared to the other regression models. The regression modes numbered 2, 5, 6, 8, and 9 in LOADEST provided low NSE. In addition, the regression model selected by LOADEST did not necessarily provide better suspended solid estimations than the other regression models did.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

LOADEST는 수질자료의 미계측지점에 대한 예측에 널리 사용되고 있는 데에 비해, 모형에 대한 평가는 찾아보기 힘들며, 더욱이 한국의 수질자료에 대한 모형의 거동 및 LOADEST의 회귀식에 대한 평가가 필요한 것으로 생각된다. 따라서 본 연구의 목적은 부유사 예측에 대한 LOADEST의 회귀식 평가에 있다.

제안 방법

본 연구에서는 환경부 물환경정보시스템의 한강 수계에 위치한 49개의 총량지점망의 부유사 자료를 사용하여, LOADEST의 9개의 회귀식 및 LOADEST에 의해 자동선택된 회귀식에 의한 부유사 모의치를 통해 LOADEST 모형의 거동 평가가 이루어졌다. 49개의 지점에서 수집된 수질자료를 회귀식의 보정 및 검정을 위한 자료로 나뉘였으며, 또한 보정 및 검정에 사용된 자료를 교차하여 다시 보정 및 검정 자료로 활용하고, LOADEST의 회귀식 번호를 0번부터 9번까지 변환하면서, 총 980회의 부유사 예측이 이루어졌다.
NSE 는 -∞부터 1까지의 값을 가지기 때문에, 회귀식에 의한 NSE 값들의 범위가 큰 경우가 발생하였으며, 이에 NSE를 도식화 함에 있어, 10 백분위수, 25 백분위수, 50 백분위수 (중앙값), 75 백분위수, 90 백분위수만을 이용하였다.
따라서 회귀식의 보정 및 검정 과정 중 자료의 기간은 동일할 필요가 있었으며, 실측 자료의 기간과 무관하게 각 지점에서 자료의 홀수 번째 자료를 보정 자료로 사용하고, 짝수 번째 자료를 검정 자료로 활용하였다. 그리고 자료에 따라 회귀식의 보정 및 검정 자료에 대한 거동이 달라질 수도 있으므로, 짝수 번째 자료를 보정 자료로 사용하고, 홀수 번째 자료를 검정 자료로 활용하여 회귀식을 보정 및 검정하였다. 즉, 1 개의 지점에 대해 두 종류의 보정/검정 자료가 구축되었으며, 두 종류의 보정/검정 자료는 LOADEST의 9개의 회귀식 및 LOADEST의 자동 선택에 의한 회귀식에 의한 부유사 예측에 사용되었다.
, 2004; Park, 2014). 따라서 회귀식의 보정 및 검정 과정 중 자료의 기간은 동일할 필요가 있었으며, 실측 자료의 기간과 무관하게 각 지점에서 자료의 홀수 번째 자료를 보정 자료로 사용하고, 짝수 번째 자료를 검정 자료로 활용하였다. 그리고 자료에 따라 회귀식의 보정 및 검정 자료에 대한 거동이 달라질 수도 있으므로, 짝수 번째 자료를 보정 자료로 사용하고, 홀수 번째 자료를 검정 자료로 활용하여 회귀식을 보정 및 검정하였다.
본 연구에서는 환경부 물환경정보시스템의 한강 수계에 위치한 49개의 총량지점망의 부유사 자료를 사용하여, LOADEST의 9개의 회귀식 및 LOADEST에 의해 자동선택된 회귀식에 의한 부유사 모의치를 통해 LOADEST 모형의 거동 평가가 이루어졌다.
, 2013). 수문모형과 수질 모형의 결합은 연속적인 유량을 이용하여 수문모형의 검보정을 수행하고 이와 더불어 비연속적인 수질자료를 이용하여 수질모형의 검보정을 수행하여 연속적인 수질모의를 가능하게 한다. 예를 들어 Hydrologic Simulation Program-Fortran (HSPF) (US Environmental Protection Agency; USEPA, 2001), Soil and Water Assessment Tool (SWAT) (Arnold et al.
총 49개의 측정지점자료를 홀수 번째 자료와 짝수 번째 자료로 분할하면서 총 98개의 유량/수질 자료가 구축이 되었으며, 이 98개의 유량/수질 자료는 LOADEST 모형의 회귀식모형 번호를 0부터 9까지 적용하면서 총 980번의 LOADEST 모의가 이루어졌다. 그리고 980번의 LOADEST 모의에 대한 보정 및 검정 결과를 판단하기 위해 Nash-Stucliffe Efficiency (NSE; 식 12)와 결정계수 (Coefficient of Determination; R²;식 13)가 사용되었다.
532 m³/s, 부유물질농도: 408 mg/L)이었는데 비해, 모의치는 5,806 ton으로 실측치의 2배를 초과하였다. 회귀식 1을 이용하였을 경우에는, 실측치 2007년 8월 29일에 1,687 ton (유량: 40.344 m³/s, 부유물질농도: 484 mg/L), 2010년 5월 18일에 884 ton (유량: 26.236 m³/s, 부유물질농도: 390 mg/L), 2013년 9월 11일에 1,472 ton (유량: 28.778 m³/s, 부유물질농도: 592 mg/L)에 대해서, 각각 801 ton, 365 ton, 432 ton으로 낮게 예측했으나 LOADEST에 의해 선택된 회귀식 6에 의한 모의치보다 실측치에 가깝게 예측하였다 (Fig. 6). 즉, LOADEST에 의한 자동 선택보다는 특정 회귀식을 선택하였을 때 실측치과 적은 차이를 가지는 모의치를 얻을 수 있었다.
회귀식을 포함하여 수문 모형 등에 대해 적용성을 판단할 때에는 보정 및 검정 결과가 함께 분석되어야 하므로, LOADEST의 회귀식에 대해 보정 및 검정이 이루어졌다. 이를 위해서는 실측치를 분할할 필요가 있으며, 일반적으로는 자료의 기간에 의해 분할하여 보정과 검정 과정을 거치나, 회귀식은 보정된 자료의 기간을 벗어날 경우 유역 내 토지이용 현황 변화와 같은 유역의 장기간에 걸친 변화나 자료 기간에 대한 외삽치 등이 회귀식의 거동에 영향을 줄 수 있다 (Runkel et al.

대상 데이터

LOADEST 모형의 회귀식의 평가를 위해 환경부의 물환경정보시스템 (http://water.nier.go.kr/main/mainContent.do)의 총량측정망 자료 중에, 한강 수계에 위치한 모든 지점인 49개 지점의 자료를 이용하였다 (Fig. 1). 각 측점으로부터 2004년부터 2014년까지의 부유사가 수집되었으며, 수집된 자료는 최소 83개 (진위 A; Jinwi A)부터 478개 (경안 B; Kyungan B)까지 다양했다.
1). 각 측점으로부터 2004년부터 2014년까지의 부유사가 수집되었으며, 수집된 자료는 최소 83개 (진위 A; Jinwi A)부터 478개 (경안 B; Kyungan B)까지 다양했다. Table 1은 부유사 자료의 기간 (Period), 기간 중 최소 농도 (min.
즉, 1 개의 지점에 대해 두 종류의 보정/검정 자료가 구축되었으며, 두 종류의 보정/검정 자료는 LOADEST의 9개의 회귀식 및 LOADEST의 자동 선택에 의한 회귀식에 의한 부유사 예측에 사용되었다. 따라서 1개 지점 자료에 대해 총 20회의 모의가 이루어졌으며, 49개 지점에 대해 총 980회의 부유사에 대한 예측이 이루어졌다.
그리고 자료에 따라 회귀식의 보정 및 검정 자료에 대한 거동이 달라질 수도 있으므로, 짝수 번째 자료를 보정 자료로 사용하고, 홀수 번째 자료를 검정 자료로 활용하여 회귀식을 보정 및 검정하였다. 즉, 1 개의 지점에 대해 두 종류의 보정/검정 자료가 구축되었으며, 두 종류의 보정/검정 자료는 LOADEST의 9개의 회귀식 및 LOADEST의 자동 선택에 의한 회귀식에 의한 부유사 예측에 사용되었다. 따라서 1개 지점 자료에 대해 총 20회의 모의가 이루어졌으며, 49개 지점에 대해 총 980회의 부유사에 대한 예측이 이루어졌다.

데이터처리

NSE 는 -∞부터 1까지의 값을 가지기 때문에, 회귀식에 의한 NSE 값들의 범위가 큰 경우가 발생하였으며, 이에 NSE를 도식화 함에 있어, 10 백분위수, 25 백분위수, 50 백분위수 (중앙값), 75 백분위수, 90 백분위수만을 이용하였다. 그리고 최솟값, 최댓값, 평균값은 표로 제시하였다.

이론/모형

총 49개의 측정지점자료를 홀수 번째 자료와 짝수 번째 자료로 분할하면서 총 98개의 유량/수질 자료가 구축이 되었으며, 이 98개의 유량/수질 자료는 LOADEST 모형의 회귀식모형 번호를 0부터 9까지 적용하면서 총 980번의 LOADEST 모의가 이루어졌다. 그리고 980번의 LOADEST 모의에 대한 보정 및 검정 결과를 판단하기 위해 Nash-Stucliffe Efficiency (NSE; 식 12)와 결정계수 (Coefficient of Determination; R²;식 13)가 사용되었다.

성능/효과

LOADEST 모형의 회귀식 검정과정에서, NSE의 10 백분위수는 회귀식 2가 –1.4283으로 최솟값을 보였으며, 회귀식 7이 0.1640으로 최댓값을 보였다 (Fig. 4).
LOADEST 모형의 회귀식 보정과정에서, NSE의 10 백분위수는 회귀식 2가 –0.1678로 최솟값을 보였으며, 회귀식 6이 0.2080으로 최댓값을 보였다 (Fig. 2).
특히, LOADEST의 회귀식 1과 3이 다른 회귀식에 비해 실측치가 가까운 모의치를 모의 하는 것으로 나타났다. LOADEST에 의해 자동 선택된 회귀식은 최적회귀모형 (best-fit regression mode)으로 여겨지는 반면, 자동 선택된 회귀식이 최적회귀모형일 가능성은 NSE와 R₂및 5개의 백분위수를 기준으로 평가할 시 10 % 내외인 것으로 나타났다. 즉, LOADEST를 이용하여 부유사를 예측할 때, 모형의 자동선택에 의한 회귀식 보다는, 회귀식 1 혹은 3을 사용하는 것이 실측치에 더 가까운 모의치가 가능할 것으로 판단된다.
LOADEST의 회귀식 0에 의한 모의 결과, NSE는 –3.8394부터 0.9933의 범위를 보였고, R2는 0.1338에서 0.9989의 범위를 보였다.
, 1989). LOADEST의 회귀식들의 보정 결과, 회귀식 2와 5를 제외하고, 10 백분위수, 25 백분위수, 50 백분위수, 75 백분위수, 90 백분위수는 큰 차이를 보이지는 않았다. 그러나 전체 모의 결과 중 최솟값의 경우 회귀식 1과 3에 비해 나머지 회귀식의 경우 상대적으로 넓은 범위의 NSE와 R²를 보였다.
NSE의 평균값은 회귀식 2가 0.3630으로 최솟값을 보였으며, 회귀식 9가 0.5295로 최댓값을 보였다. 다른 회귀식에 비해 높은 정밀성을 보인 회귀식 3의 NSE 평균값은 0.
검정과정에서 NSE의 평균값은 회귀식 1, 3, 4, 7은 0.4065 (회귀식 7)에서 0.4694 (회귀식 1) 를 보였지만, 회귀식 2, 5, 6, 8, 9는 –7.6020 (회귀식 9)에서 –3.7563 (회귀식 2)을 보였다.
3%로 낮게 나타났다 (Table 4). 검정과정을 볼 때, LOADEST에 의해 선택된 회귀식이 최적 회귀식인 경우는 전체 98개 수질/유량자료 세트 중, NSE를 기준으로 할 경우 7 개 자료세트 (7.1 %)이며 R²를 기준으로 할 경우 12 개 자료세트 (12.2 %) 로 보정과정과 마찬가지로 낮게 나타났다. 각 지점에서 모의된 부하량의 실측된 부하량에 대한 NSE 중 가장 높은 값을 보인 회귀식에 대해서 Table 5에 표시하였다.
검정과정의 전체 모의 결과를 볼 때, NSE의 경우 회귀식 1, 3, 4, 7은 최솟값의 범위가 –6.3453 (회귀식 7)에서 –1.3265 (회귀식 1)인데 비해, 회귀식 2, 5, 6, 8, 9의 경우 –742.5269 (회귀식 9)에서 –320.3694 (회귀식 2)이었다.
LOADEST의 회귀식들의 보정 결과, 회귀식 2와 5를 제외하고, 10 백분위수, 25 백분위수, 50 백분위수, 75 백분위수, 90 백분위수는 큰 차이를 보이지는 않았다. 그러나 전체 모의 결과 중 최솟값의 경우 회귀식 1과 3에 비해 나머지 회귀식의 경우 상대적으로 넓은 범위의 NSE와 R²를 보였다. 즉, 회귀식 1과 3이 다른 회귀식에 비해 나은 정밀성을 보였다.
회귀식의 복잡성 혹은 항의 개수와 회귀식의 정확성 및 정밀성과의 관계를 찾아볼 수 없었다. 그러나, 9개의 회귀식에 대해 로그로 치환된 유량의 제곱 항을 기준으로 회귀식 1, 3, 4, 7과 회귀식 2, 5, 6, 8, 9가 정확성 및 정밀성에서 차이가 있었다. 로그로 치환된 유량의 제곱 항을 포함하지 않은 회귀식 1, 3, 4, 7이 로그로 치환된 유량의 제곱항을 포함하는 회귀식 2, 5, 6, 8, 9보다 높은 정확성 및 정밀성을 가지는 것으로 나타났다.
즉, 많은 항을 고려하는 것이 실측치에 가까운 모의치를 나타내지는 않았다. 그러나, 로그로 치환된 유량의 제곱항의 유무에 따라 회귀식에 의한 모의치와 실측치에 대한 오차에는 차이가 있었으며, 로그로 치환된 유량의 제곱항을 포함하지 않은 회귀식에 의한 모의치가 로그로 치환된 유량의 제곱 항을 포함한 회귀식에 의한 모의치보다 실측치와의 차이가 더 작은 것으로 나타났다. 특히, LOADEST의 회귀식 1과 3이 다른 회귀식에 비해 실측치가 가까운 모의치를 모의 하는 것으로 나타났다.
3 %)인 것으로 나타났다. 다시 말해, NSE를 기준으로 하였을 때 LOADEST가 최적의 회귀 식을 선택할 확률은 11.2 %, R²를 기준으로 하였을 때는 14.3%로 낮게 나타났다 (Table 4). 검정과정을 볼 때, LOADEST에 의해 선택된 회귀식이 최적 회귀식인 경우는 전체 98개 수질/유량자료 세트 중, NSE를 기준으로 할 경우 7 개 자료세트 (7.
또한 LOADEST의 회귀식의 보정 결과 보다 검정 결과에서 넓은 백분위수의 범위를 보였기 때문에, 보정 시 모의치가 실측치에 가깝다고 해서 미계측지점에서의 모의치와 실측치의 차이가 작다고 보기에는 힘든 것으로 판단된다. 따라서 회귀식에 의한 부유사를 예측할 시, 실측 자료를 나누어 보정 및 검정 과정을 수행한 뒤, 보정 및 검정 결과가 만족스러운 것으로 판단될 때, 모의치를 신뢰할 수 있을 것으로 판단된다.
그러나, 9개의 회귀식에 대해 로그로 치환된 유량의 제곱 항을 기준으로 회귀식 1, 3, 4, 7과 회귀식 2, 5, 6, 8, 9가 정확성 및 정밀성에서 차이가 있었다. 로그로 치환된 유량의 제곱 항을 포함하지 않은 회귀식 1, 3, 4, 7이 로그로 치환된 유량의 제곱항을 포함하는 회귀식 2, 5, 6, 8, 9보다 높은 정확성 및 정밀성을 가지는 것으로 나타났다.
모의 결과의 상위 10 %와 하위 10 %를 제외했을 때, 검정과정에서 회귀식 1, 3, 4, 7이 회귀식 2, 5, 6, 8, 9에 비해 좁은 NSE의 범위를 보였으며 R2는 큰 범위차이를 보이지는 않았다 (Fig. 5).
LOADEST는 9개의 회귀식을 자동으로 선택할 수 있는 기능을 제공하나, 자동으로 선택된 회귀식이 실측치와 가장 작은 차이를 가진다고 보기에는 힘든 것으로 생각되기 때기 때문에, 사용자에 의해 회귀식이 선택될 필요가 있는 것으로 판단된다. 본 연구 결과에서는 회귀식 1과 3이 다른 회귀식에 비해 작은 차이를 보였다. 따라서 유역에 LOADEST를 적용할 때, 회귀식 1과 3에 대한 보정 및 검정과정을 수행하고, 만약 실측치와 큰 차이를 보일 경우 다른 회귀식에 대한 보정 및 검정과정을 수행할 필요가 있는 것으로 판단된다.
7424로 큰 차이를 보이지는 않았다 (Table 2). 즉 정확성은 회귀식 8과 9가 가장 높게 나타났지만, 정확성과 정밀성을 함께 고려할 때, 회귀식 1과 3이 다른 회귀식에 비해 실측치가 가까운 모의치를 모의 하는 것으로 나타났다.
LOADEST에 의해 자동 선택된 회귀식은 최적회귀모형 (best-fit regression mode)으로 여겨지는 반면, 자동 선택된 회귀식이 최적회귀모형일 가능성은 NSE와 R₂및 5개의 백분위수를 기준으로 평가할 시 10 % 내외인 것으로 나타났다. 즉, LOADEST를 이용하여 부유사를 예측할 때, 모형의 자동선택에 의한 회귀식 보다는, 회귀식 1 혹은 3을 사용하는 것이 실측치에 더 가까운 모의치가 가능할 것으로 판단된다.
6). 즉, LOADEST에 의한 자동 선택보다는 특정 회귀식을 선택하였을 때 실측치과 적은 차이를 가지는 모의치를 얻을 수 있었다.
7415였다. 즉, LOADEST의 회귀식 0에 의한 모의치가 특정 회귀식을 선택하였을 때보다 모의치에 가깝다고 보기에는 힘든 것으로 나타났다. 특히, 회귀식 0에 의한 모의치를 회귀식 1과 3에 의한 모의치와 비교할 때 정확성에서는 큰 차이를 보이지 않으나, 정밀성에서는 낮은 것으로 나타났다.
7372였다. 즉, LOADEST의 회귀식 0에 의한 모의치가 회귀식 1, 3, 4, 7에 의한 모의치보다 실측치에 가까울 가능성은 낮은 것으로 나타났다. 즉, LOADEST의 회귀식을 0으로 선택할 경우, 특정 회귀식을 선택하였을 때보다 모의치에 가깝다고 보기에는 힘든 것으로 나타났다.
즉, LOADEST의 회귀식 0에 의한 모의치가 회귀식 1, 3, 4, 7에 의한 모의치보다 실측치에 가까울 가능성은 낮은 것으로 나타났다. 즉, LOADEST의 회귀식을 0으로 선택할 경우, 특정 회귀식을 선택하였을 때보다 모의치에 가깝다고 보기에는 힘든 것으로 나타났다.
LOADEST에 의해 자동으로 선택된 회귀식에 의한 부유물질 모의치는 정확성 및 정밀성이 낮을 가능성이 크며, 이는 LOADEST에 의해 회귀식이 선택이 될 때, 정확성 및 정밀성이 낮은 회귀식 2, 5, 6, 8, 9가 선택이 된 경우 때문인 것으로 판단된다. 즉, 보정과정 중에 LOADEST에 의해 선택된 회귀식에 의한 모의치와 실측치의 NSE가, 선택되지 않은 회귀식에 의한 모의치와 실측치의 NSE 보다 큰 경우는 전체 98개 수질/유량자료 세트에 대해 11개 자료세트 (11.2 %)였으며, R²의 경우는 14개 자료세트 (14.3 %)인 것으로 나타났다. 다시 말해, NSE를 기준으로 하였을 때 LOADEST가 최적의 회귀 식을 선택할 확률은 11.
그러나 전체 모의 결과 중 최솟값의 경우 회귀식 1과 3에 비해 나머지 회귀식의 경우 상대적으로 넓은 범위의 NSE와 R²를 보였다. 즉, 회귀식 1과 3이 다른 회귀식에 비해 나은 정밀성을 보였다.
그러나, 로그로 치환된 유량의 제곱항의 유무에 따라 회귀식에 의한 모의치와 실측치에 대한 오차에는 차이가 있었으며, 로그로 치환된 유량의 제곱항을 포함하지 않은 회귀식에 의한 모의치가 로그로 치환된 유량의 제곱 항을 포함한 회귀식에 의한 모의치보다 실측치와의 차이가 더 작은 것으로 나타났다. 특히, LOADEST의 회귀식 1과 3이 다른 회귀식에 비해 실측치가 가까운 모의치를 모의 하는 것으로 나타났다. LOADEST에 의해 자동 선택된 회귀식은 최적회귀모형 (best-fit regression mode)으로 여겨지는 반면, 자동 선택된 회귀식이 최적회귀모형일 가능성은 NSE와 R₂및 5개의 백분위수를 기준으로 평가할 시 10 % 내외인 것으로 나타났다.
즉, LOADEST의 회귀식 0에 의한 모의치가 특정 회귀식을 선택하였을 때보다 모의치에 가깝다고 보기에는 힘든 것으로 나타났다. 특히, 회귀식 0에 의한 모의치를 회귀식 1과 3에 의한 모의치와 비교할 때 정확성에서는 큰 차이를 보이지 않으나, 정밀성에서는 낮은 것으로 나타났다.

후속연구

본 연구 결과에서는 회귀식 1과 3이 다른 회귀식에 비해 작은 차이를 보였다. 따라서 유역에 LOADEST를 적용할 때, 회귀식 1과 3에 대한 보정 및 검정과정을 수행하고, 만약 실측치와 큰 차이를 보일 경우 다른 회귀식에 대한 보정 및 검정과정을 수행할 필요가 있는 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	GWLF이란?	, 1998), Generalized Watershed Loading Function (GWLF) (Haith et al., 1992)은 연속적인 수질모의 가능한 대표적 물리적 수문모형이다. 그러나 이러한 모형들은 수문 및 수질에 대한 각 과정을 물리적으로 해석하기 위하여 다양한 시공간적 입력 자료를 사용하기 때문에 넓은 지역이나 많은 지역들에 대한 수질모의를 수행하는 데 있어 자료수집, 자료구축, 계산 시간 등에서 많은 시간과 노력을 필요로 한다.
	LOADEST의 회귀식은 어떻게 구성되어 있나?	, 2004)는 최적 회귀모형 (best fit regression model)으로 위에서 언급한 물리적 기반의 모형들 보다는 상대적으로 간단하게 하천유량과 수질의 관계를 이용하여 수질을 모의할 수 있다. 또한, LOADEST는 특정기간에 대한 오염부하량을 산정하기 위한 2개의 회귀식과 모형 보정 및 오염부하량을 예측하기 위한 9개의 회귀식으로 구성되어 있다. 이러한 이유로 LOADEST 는 다양한 수질관련 연구에 사용되어 왔으며, 많은 문헌에서그 적용성이 입증되어 왔다.
	기후변화와 도시화가 수생태 환경에 심각한 환경 위협으로 다가올 수 있는 이유는?	, 2014). 특히, 불투수층 면적과 강우강도의 증가는 하천유량의 증가와 함께 하천으로 비점오염원의 유입을 증가시키기 때문에 수생태 환경에 심각한 위협으로 다가올 수 있다 (Arnold and Gibbons, 1996; Shuster et al., 2005; Johnson et al.

참고문헌 (23)

Arnold C. L. and C. J. Gibbons, 1996. Impervious surface coverage: the emergence of a key environmental indicator. Journal of the American Planning Association 62: 243-257.

상세보기
Arnold, J. G., R. Srinivasan, R. S. Muttiah, and J. R. Williams, 1998. Large area hydrologic modeling and assessment-Part 1: Model development. Journal of the American Water Resources Association 34(1): 73-89.

상세보기
Carey, R. O., K. W. Migliaccio, and M. T. Brown, 2011. Nutrient discharges to Biscayne Bay, Florida: trends, loads, and a pollutant index. Science of Total Environment 409: 530-539.

상세보기
Cohn, T. A., D. L. Caulder, E. J. Gilroy, L. D. Zynjuk, and R. M. Summers, 1992. The validity of a simple statistical model for estimating fluvial constituent loads: an empirical study involving nutrient loads entering Chesapeake Bay. Water Resources Research 28(9): 2353-2463.

상세보기
Crawford, C. G., 1991. Estimation of suspended-sediment rating curve and mean suspended-sediment loads. Journal of Hydrology 129: 331-348.

상세보기
Dornblaser, M. M. and R. G. Striegl, 2009. Suspended sediment and carbonate transport in the Yukon river basin, Alska: Flouxes and potential future responses to climate change. Water Resource Research 45, W06411, doi:10.1029/2008WR007546.

상세보기
Haith, D. A., R. Mandel, and R. S. Wu, 1992. GWLF, generalized watershed loading functions, version 2.0, user's manual; Dept. of Agricultural & Biological Engineering, Cornell University: Ithaca, NY, USA.
Jha, B. and M. K. Jha, 2013. Rating Curve Estimation of Surface Water Quality Data Using LOADEST. Journal of Environmental Protection 4: 849-856.

상세보기
Johnson, R. C., H. S. JIN, M. M. Carreiro, and J. D. Jack, 2013. Macroinvertebrate community structure, secondary production and trophic-level dynamics in urban streams affected by nonpoint-source pollution. Freshwater Biology 58(5): 843-857.

상세보기
Jung, Y. H., J. P. Moon, S. O. Lee, and Y. S. Park, 2014. Assessment of the effect of urbanization on the watershed streamflow. Journal of the Korean society of agricultural engineers 56(1): 51-59 (in Korean).

원문보기 상세보기
Lee G., Y. Shin, and Y. Jung. 2014 Development of Web-Based RECESS Model for Estimating Baseflow Using SWAT. Sustainability 6(4): 2357-2378.

상세보기
Nam, W. H., E. M. Hong, and J. Y. Choi, 2014. Uncertainty of water supply in agricultural reservoirs considering the climate change. Journal of the Korean Society of Agricultural Engineers 56(2): 11-23 (in Korean).
Oh, J. and A. Sankarasubramanian, 2011. Interannual hydroclimatic variability and its influence on winter nutrients variability over the southeast United States. Hydrology and Earth System Sciences 8, 10935-10971.

상세보기
Oh, J., T. Sinha, and A. Sankarasubramanian, 2013. The role of retrospective weather forecasts in developing daily forecasts of nutrient loadings over the Southeast US. Hydrology and Earth System Sciences Discussions 10: 15625-15657.

상세보기
Park, Y. S., 2014. Estimation of pollutant load using geneticalgorithm and regression model. Korean Journal of Environmental Agriculture 33(1): 37-43.

원문보기 상세보기
Park, Y. S. and B. A. Engel, 2014. Use of pollutant load regression models with various sampling frequencies for annual load estimation. Water 6: 1685-1697.

상세보기
Phillips, J. M., B. W. Webb, D. E. Walling, and L. Leeks, 1999. Estimating the suspended sediment loads of rivers in the LOIS study area using infrequent samples. Hydrological Processes 13: 1035-1050.

상세보기
Preston, S. D., V. J. Bierman, and S. E. Silliman, 1989. An evaluation of methods for the estimation of tributary mass loads. Water Resource Research 25: 1379-1389.

상세보기
Robertson, D. M., 2003. Influence of different temporal sampling strategies on estimating total phosphorus and suspended sediment concentration and transport in small streams, Journal of the American Water Resources Association 39: 1281-1308.

상세보기
Runkel, R. L., C. G. Crawford, T. A. Cohn, 2004. Load Estimator (LOADEST): A Fortran Program for Estimating Constituent Loads in Streams and Rivers; U.S. Geological Survey Techniques and Methods: Reston, VA, USA.
Shuster W. C., J. Bonta, H. Thurston, E. Warnemuende, and D. R Smith, 2005. Impacts of impervious surface on watershed hydrology: a review. Urban Water Journal 2, 263-275.

상세보기
Sun, C., Z. Shen, R. Liu, M. Xiong, F. Ma, O. Zhang, Y. Li, and L. Chen, 2013. Historical trend of nitrogen and phosphorus loads from the upper Yangtze River basin and their responses to the Three Gorges Dam. Environmental Science and Pollution Research, 20(12): 8871-8880.

상세보기
USEPA, 2001 Better Assessment Science Integrating Point and Nonpoint Sources (BASINS) v. 3.0 User's Manual; U. S. Environment Protection Agency: Washington, D.C., USA.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증