[논문]저수지 CO2 배출량 산정을 위한 기계학습 모델의 적용

유지수; 정세웅; 박형석

doi:10.15681/kswe.2017.33.3.326

저수지 CO2 배출량 산정을 위한 기계학습 모델의 적용
Applications of Machine Learning Models for the Estimation of Reservoir CO2 Emissions 원문보기

한국물환경학회지 = Journal of Korean Society on Water Environment, v.33 no.3, 2017년, pp.326 - 333

유지수 (충북대학교 환경공학과) , 정세웅 (충북대학교 환경공학과) , 박형석 (충북대학교 환경공학과)

Abstract ▼ AI-Helper

The lakes and reservoirs have been reported as important sources of carbon emissions to the atmosphere in many countries. Although field experiments and theoretical investigations based on the fundamental gas exchange theory have proposed the quantitative amounts of Net Atmospheric Flux (NAF) in various climate regions, there are still large uncertainties at the global scale estimation. Mechanistic models can be used for understanding and estimating the temporal and spatial variations of the NAFs considering complicated hydrodynamic and biogeochemical processes in a reservoir, but these models require extensive and expensive datasets and model parameters. On the other hand, data driven machine learning (ML) algorithms are likely to be alternative tools to estimate the NAFs in responding to independent environmental variables. The objective of this study was to develop random forest (RF) and multi-layer artificial neural network (ANN) models for the estimation of the daily $CO_2$ NAFs in Daecheong Reservoir located in Geum River of Korea, and compare the models performance against the multiple linear regression (MLR) model that proposed in the previous study (Chung et al., 2016). As a result, the RF and ANN models showed much enhanced performance in the estimation of the high NAF values, while MLR model significantly under estimated them. Across validation with 10-fold random samplings was applied to evaluate the performance of three models, and indicated that the ANN model is best, and followed by RF and MLR models.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구의 목적은 Chung et al. (2016)이 금강의 대청호에서 일별 CO₂ NAF 산정을 위해 개발한 다중선형회귀모델의 한계점인 높은 NAF 값을 과소산정 하는 문제를 해결하기 위한 방안으로 기계학습(ML) 모델을 개발하고 그 성능을 평가하는데 있다. 선행연구에서 개발한 다중회귀모델(MLR)은 최적 매개변수 선정을 위해 단계적 전진 방법을 사용하였다.

제안 방법

MLR 모델은 전체 데이터의 75%를 학습 자료로 사용하고 나머지 25%를 검정 자료로 분할하여 총 5회 반복 실행하였다. Table 2에 MLR 분석 모델 분석 결과를 제시하였다.
, 2016). 금번 연구에서 적용한 MLR모델은 R 프로그램의 glm 함수를 사용하여 개발하였다.
mtry 값이 작을 경우 과소적합(underfitting)이 일어날 수 있고, 크면 과대적합(overfitting)이 발생하여 적절한 값의 설정이 필요하다. 금번 연구에서 적용한 RF 모델은 R 프로그램의 randomForest 패키지(Breiman and Cutler, 2015)를 사용하여 개발하였으며, ntree는 초기값을 사용하고 mtry의 최적값은 오차를 최소화하고 예측 성능이 가장 우수한 값으로 결정하였다.
, 2016)에서 다중선형회귀모델을 개발하는데 사용한 변수들과 동일하다. 독립변수는 선행연구에서 CO₂ NAF 변동성을 가장 우수하게 설명했던 수온, pH, Alk, 풍속, Chl-a 농도, 그리고 일별 pH 변화와 종속변수인 CO₂ NAF의 분산에 큰 영향을 미친 강수량(PRCP) 자료를 포함하였다. 기계학습모델의 학습과 성능평가에 사용한 종속변수인 대청호의 일별 CO2 NAF는 Cole and Prairie (2009)이 제시한 방법을 사용하여 이론적으로 산정하였다.
본 연구에서는 2012년도와 2013년도의 대청호 CO₂ 배출량을 MLR 모델과 기계학습모델을 구축하여 산정하였으며, 각 모델별 예측성능을 평가하였다. 본 연구를 통해 도출된 주요 결론은 다음과 같다.
이러한 과정을 거친 후 해당 알고리즘의 학습이 이루어진다. 본 연구에서는 각각의 기계 학습 모델을 생성하기 위해 다음의 절차를 통해 결과를 추정하였으며, 전체 데이터의 75%를 학습 자료로 사용하고 나머지 25%를 검정 자료로 분할하여 실행하였다.
교차검정은 모델의 학습과정에서 발생할 수 있는 과적합 문제를 해결하는 하나의 방법이며, 학습과 훈련 데이터 선정과정에서 특정 데이터에서만 발견되는 결과를 일반화 시키는 오류가 있는지 검정하는 절차이다. 본 연구에서는 총 연구데이터의 90%를 학습데이터, 10%를 검정 데이터로 선택하여 교차검정을 수행하였으며, 검정절차는 다음과 같다.
본 연구의 ANN 모델은 2개의 은닉층으로 구성하였다. 첫 번째 은닉층 노드 수를 5개로 고정하고, 두 번째 은닉층의 노드 수는 Zhang et al.
이 중 수질자동측정망이 운영되고 있는 회남 대교(R5)지점을 본 연구의 대표지점으로 선정하였다. 수질 자동측정망은 수온, pH, DO, 전기전도도(EC)와 같은 기본항목을 5분단위로 측정하며, TOC, Chl-a, T-N, T-P를 포함한 선택항목을 시간단위로 측정한다. Alk 자료는 K-water의 C 정수장에서 원수 수질관리를 위해 일별로 실측한 자료를 제공 받아 사용하였다.
0%까지 설명하였으나, NAF가 크게 발생하는 시기에 실측값과의 편차가 매우 커 표준오차가 높아지는 단점을 보였다. 이러한 문제점을 해결하고자 본 연구에서 적용한 ML 알고리즘은 앙상블 의사결정 나무 모델의 한 종류인 랜덤포레스트(random forest, RF) 기법과 다층 퍼셉트론 인공신경망(artificial neural networks, ANN)기법이며, 개발된 모형의 성능을 선행연구에서 제시한 MLR과 비교, 평가 하였다.

대상 데이터

수질 자동측정망은 수온, pH, DO, 전기전도도(EC)와 같은 기본항목을 5분단위로 측정하며, TOC, Chl-a, T-N, T-P를 포함한 선택항목을 시간단위로 측정한다. Alk 자료는 K-water의 C 정수장에서 원수 수질관리를 위해 일별로 실측한 자료를 제공 받아 사용하였다.
1). 이 중 수질자동측정망이 운영되고 있는 회남 대교(R5)지점을 본 연구의 대표지점으로 선정하였다. 수질 자동측정망은 수온, pH, DO, 전기전도도(EC)와 같은 기본항목을 5분단위로 측정하며, TOC, Chl-a, T-N, T-P를 포함한 선택항목을 시간단위로 측정한다.

데이터처리

MLR모델과 기계학습 모델의 개발과정에 특정 자료를 사용한 학습으로 인해 발생할 수 있는 오류를 점검하고 생성된 모델들에 대한 보다 객관적인 성능 평가를 위해 10-flod 교차검정을 수행하였고, 각 flod 마다 생성된 모델을 검정자료에 적합시켜 발생한 RMSE의 평균과 표준편차를 Table 7에 제시하였다.
모델의 평가는 평균제곱근 오차인 RMSE (Root Mean Squared Error)와 실측 평균값에 대한 상대오차(%error)로 평가하였다. 계산식은 Table 2에 나타내었으며, 여기서 n은 샘플 수, A_i는 실측값, P_i는 예측값이다.
신규 구축한 기계학습 모델의 예측성능 평가를 위해 k-fold교차 검정(Cross Validation)을 실시하였다. 교차검정은 모델의 학습과정에서 발생할 수 있는 과적합 문제를 해결하는 하나의 방법이며, 학습과 훈련 데이터 선정과정에서 특정 데이터에서만 발견되는 결과를 일반화 시키는 오류가 있는지 검정하는 절차이다.

이론/모형

RF 모델의 ntree 값은 Breiman and Cutler (2015)가 제시한 기본값인 500으로 설정하였으며, mtry의 값은 Liaw and Wiener (2002)의 연구결과를 참고하여 결정하였다. mtry의 개수를 2에서 6까지 모두 적용하여 모델링을 수행하였으며, 그 결과를 Table 3에 나타내었다.
이 방법은 대청호에서 일별로 측정한 실측 pH와 Alk를 식 (3)에 입력하여 수중의 용존무기탄소(DIC)의 농도를 계산하고, 식 (4)를 이용하여 수중의 CO₂ 농도를 산정한다. 그리고 실측 수온과 풍속의 함수로 기체전달 속도를 산정하는 Wanninkhof and Knox (1996) 방법으로 CO₂ 기체전달 속도(k_g)를 산정한 후 식 (5)을 이용하여 대기-수표면 경계에서의 CO₂ 배출량 또는 흡수량을 산정한다.
독립변수는 선행연구에서 CO₂ NAF 변동성을 가장 우수하게 설명했던 수온, pH, Alk, 풍속, Chl-a 농도, 그리고 일별 pH 변화와 종속변수인 CO₂ NAF의 분산에 큰 영향을 미친 강수량(PRCP) 자료를 포함하였다. 기계학습모델의 학습과 성능평가에 사용한 종속변수인 대청호의 일별 CO2 NAF는 Cole and Prairie (2009)이 제시한 방법을 사용하여 이론적으로 산정하였다. 이 방법은 대청호에서 일별로 측정한 실측 pH와 Alk를 식 (3)에 입력하여 수중의 용존무기탄소(DIC)의 농도를 계산하고, 식 (4)를 이용하여 수중의 CO₂ 농도를 산정한다.
본 연구의 ANN 모델은 2개의 은닉층으로 구성하였다. 첫 번째 은닉층 노드 수를 5개로 고정하고, 두 번째 은닉층의 노드 수는 Zhang et al. (1998)이 권장하는 방법에 따라 설정하여 시행 착오법을 거쳐 최적 모델을 선정하였다. 최종적으로 5-5-3-1, 5-5-6-1, 5-5-12-1, 5-5-13-1의 구조의 다층 퍼셉트론을 구성하였으며, 각 모델들의 평균 RMSE 비교 결과를 Table 5에 나타내었다.
배깅은 조금씩 다른 훈련데이터에 대해 기초 분류기를 결합시키는 방법이며, 임의노드최적화는 트리 내에 존재하는 노드마다 분할 함수를 이용해 각 노드의 정보 획득량을 최대가 되도록 하는 방식이다. 최종 결과는 각 의사결정나무의 예측결과를 평균 또는 과반수투표 방식을 이용해 결정한다. RF 모델의 성능을 조정하는 주요 매개변수는 성장하는 트리의 개수(ntree)와 매분할시 선택하는 무작위로 추출하는 변수의 수(mtry)가 있다.

성능/효과

1) MLR 모델에 사용한 동일한 독립변수를 사용하여 RF와 ANN 모델을 학습시킨 결과, MLR 모델에서 나타났던 높은 CO₂ NAF 값에서 과소평가하는 문제를 해결할 수 있었다.
-1

10-flod 교차검정에서 얻은 MLR 모델의 평균 RMSE는 Table 2에 제시된 5회 임의추출 모델의 평균 RMSE보다 27.3mg CO₂ m^-2day^-1만큼 감소, RF는 31.7 mg CO₂ m^-2day^-1 증가, ANN은 6.8 mg CO₂ m^-2day^-1감소하는 것으로 나타났다. 이는 75% 임의추출로 학습한 MLR, RF, ANN 모의결과 대비 -1.
2) 기계학습 모델들의 매개변수 최적 선정 결과, RF 모델은 무작위추출변수(mtry)의 수가 6일 때, ANN 모델은 두 번째 은닉층의 노드 수가 3일 때 가장 높은 예측 정확도를 보였다.
3) MLR, RF, ANN 모델에 적용한 검정데이터의 평균 RMSE 값은 각각 1452.1 mg CO₂ m-²day^-1, 429.1 CO₂ m-²day^-1, 158.7 CO₂ m-²day^-1, R² 값은 각각 0.699, 0.975, 0.997로 산정되어 ANN 모델의 예측 성능이 가장 좋은 것으로 평가되었다.
4) 임의 추출방식으로 학습한 모델과 10-fold 교차검정으로 학습한 모델의 성능을 비교한 결과, 기계학습 모델 개발 과정에서 학습자료의 추출 방법은 어느 정도 모델 성능에 영향을 미치는 것으로 나타났으나, 본 연구에서는 그 영향이 크지 않았다.
5) 데이터 기반 기계학습 모델은 고전적인 보존법칙에 기반한 기계적 모델에 비해 상대적으로 적은 입력자료를 사용하여 저수지의 계절별 CO₂ 배출량 및 흡수량 변화를 모의하는 대안 모델링 기술로 활용 가능하다고 판단된다.
6에 나타내었으며, 각각의 모델에 대한 결정계수(R²)를 분석하여 Table 8에 나타내었다. MLR 모델은 실측값과 상당히 큰 분산을 보였으며, ANN 모델이 실측값에 가장 근접한 것으로 나타났다. 전체 데이터에 대한 RF 모델과 ANN 모델의 결정계수는 각각 0.
28%의 변동률에 해당한다. 기계학습 모델 개발 과정에서 학습자료의 추출 방법은 어느 정도 모델 성능 평가에 영향을 미치는 것으로 보이나, 전반적으로 평가할 때 기계학습 모델인 ANN과 RF가 MLR보다 우수한 성능을 보였다.
최종적으로 5-5-3-1, 5-5-6-1, 5-5-12-1, 5-5-13-1의 구조의 다층 퍼셉트론을 구성하였으며, 각 모델들의 평균 RMSE 비교 결과를 Table 5에 나타내었다. 두 번째 은닉층 노드수가 최소인 모델(n = 3개)에서 RMSE는 109.9 mg CO₂ m^-2day^-1로 6.5%의 낮은 상대오차를 나타냈으며, 노드수가 최대인 모델(n = 12)에서 RMSE는 137.7 mg CO₂ m^-2day^-1로 나타났다. 또한 노드의 수가 많을수록 과대적합이 발생한 것으로 나타났다.
선행연구에서 개발한 다중회귀모델(MLR)은 최적 매개변수 선정을 위해 단계적 전진 방법을 사용하였다. 모델의 독립변수로 선정된 pH, 수온(WT), 클로로필 a(Chl-a) 농도, 풍속(WS), 알칼리도(Alk)를 사용하여 모의한 결과, 2012년과 2013년에 NAF의 계절별 변동 특성을 각각 75.7%와 84.0%까지 설명하였으나, NAF가 크게 발생하는 시기에 실측값과의 편차가 매우 커 표준오차가 높아지는 단점을 보였다. 이러한 문제점을 해결하고자 본 연구에서 적용한 ML 알고리즘은 앙상블 의사결정 나무 모델의 한 종류인 랜덤포레스트(random forest, RF) 기법과 다층 퍼셉트론 인공신경망(artificial neural networks, ANN)기법이며, 개발된 모형의 성능을 선행연구에서 제시한 MLR과 비교, 평가 하였다.
mtry의 개수를 2에서 6까지 모두 적용하여 모델링을 수행하였으며, 그 결과를 Table 3에 나타내었다. 모의결과 NAF 예측오차는 mtry가 증가할수록 감소하였으며, mtry가 6개인 모델에서 RMSE 값이 172.1 mg CO₂ m^-2day^-1, 상대오차는 10.2%로써 가장 낮은 편차를 보여, 최종 매개변수로 선정하였다.
MLR 모델은 실측값과 상당히 큰 분산을 보였으며, ANN 모델이 실측값에 가장 근접한 것으로 나타났다. 전체 데이터에 대한 RF 모델과 ANN 모델의 결정계수는 각각 0.988과 0.998로 실측값과 높은 상관관계를 보였으며, Fig. 7과 같이 2012년부터 2013년까지의 NAF 시계열변동 특성을 적절하게 재현하였다.
Table 2에 MLR 분석 모델 분석 결과를 제시하였다. 학습 데이터와 검정 데이터의 평균 RMSE는 각각 1438.9 mg CO₂ m^-2day^-1와 1452.1 CO₂ m^-2day^-1이었으며, 실측 평균값에 대한 상대오차는 각각 85.6%와 86.4%이었다.
최종적으로 선택된 ANN 모델(5-5-3-1)을 5회 반복 실행하였으며, 그 결과를 대청호 실측 NAF대비 오차로 분석하여 Table 6에 나타내었다. 학습 데이터의 평균 예측 오차는 136.3 mg CO₂ m^-2day^-1이고 검정 데이터의 평균 RMSE는 158.7 mg CO₂ m^-2day_-1로 각각 8.1%, 9.4%의 상대오차를 나타냈다.
최종 모델(mtry = 6)을 5회 반복 실행 하였으며, 그 결과를 대청호 실측 NAF대비 오차로 분석하여 Table 4에 나타내었다. 학습데이터와 검정용 데이터의 평균 오차는 각각 181.2 mg CO₂ m^-2day^-1와 429.1 mg CO₂ m^-2day^-1로 나타났으며, MLR 모델에 비해 상대적으로 높은 예측 성능을 보였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	통계적 모델링방법의 활용이 갖는 장점은 무엇인가?	, 1997; Whitehead and Hornberger, 1984). 최근에는 데이터 기반 기계학습(machine learning, ML) 알고리즘이 급속히 발전하면서, 이러한 기법을 활용할 경우 예측 성능이 우수하고 운영도 효율적인 모델을 손쉽게 구축할 수 있다는 장점이 있다.
	담수 수면과 대기 경계면을 통한 탄소 교환을 정량적으로 모의하는 방법 중 기계적 모델은 무엇인가?	, 2016). 기계적 모델은 질량, 운동량, 에너지보존방정식을 수치적으로 해석하여 수체 내 수리동력학적, 생지화학적 과정을 정량적으로 해석하는 방법이며, 유역으로부터 입자상과 용존상 유기물의 유입, 침강, 분해 과정, 수체 내에서 1차 생산에 의해 생성되는 유기물의 대사과정과 다양한 경로를 통해 생성된 무기탄소의 대기-수체 교환과정을 정량적으로 해석하는데 매우 유용하다(Cole and Wells, 2015). 그러나, 기계적 모델은 광범위한 경계조건자료와 복잡한 모델의 매개변수를 요구하므로 자료가 불충분 하거나 모의기작이 단순화 될 경우, 모의결과의 불확실성이 증가할 수 있으며, 모델의 구축과 구동에 소요되는 비용도 상대적으로 큰 것이 단점이다.
	기계적 모델의 단점은 무엇인가?	기계적 모델은 질량, 운동량, 에너지보존방정식을 수치적으로 해석하여 수체 내 수리동력학적, 생지화학적 과정을 정량적으로 해석하는 방법이며, 유역으로부터 입자상과 용존상 유기물의 유입, 침강, 분해 과정, 수체 내에서 1차 생산에 의해 생성되는 유기물의 대사과정과 다양한 경로를 통해 생성된 무기탄소의 대기-수체 교환과정을 정량적으로 해석하는데 매우 유용하다(Cole and Wells, 2015). 그러나, 기계적 모델은 광범위한 경계조건자료와 복잡한 모델의 매개변수를 요구하므로 자료가 불충분 하거나 모의기작이 단순화 될 경우, 모의결과의 불확실성이 증가할 수 있으며, 모델의 구축과 구동에 소요되는 비용도 상대적으로 큰 것이 단점이다. 반면, 통계적 모델링방법은 다양한 독립변수로부터 종속변수를 통계적으로 산정하는 기법으로써 다중선형회귀모델이 가장 간단한 예이다(Dillon and Rigler, 1975; Recknagel et al.

참고문헌 (24)

Bae, K. T. and Kim, C. T. (2016). An Agricultural Estimate Price Model of Artificial Neural Network by Optimizing Hidden Layer, Journal of Journal of Advanced Information Technology and Convergence, 14(12), 161-169.
Breiman, L. and Cutler, A. (2015). Breiman and Cutler's Random Forests for Classification and Regression.
Brooks, W., Corsi, S., Fienen, M., and Carvin, R. (2016). Predicting Recreational Water Quality Advisories: A Comparison of Statistical Methods, Environmental Modelling & Software, 76, 81-94.

상세보기
Chung, S. W., Yoo, J. S., Park, H. S., and Schladow, S. G. (2016). Estimation of $CO_2$ Emission from a Eutrophic Reservoir in Temperate Region, Journal of Korean Society on Water Environment, 32(5), 433-441. [Korean Literature]

원문보기 상세보기
Cole, J. J. and Prairie, Y. T. (2009). Dissolved $CO_2$ , Encyclopedia of Inland Water, 33-34.
Cole, J. J., Prairie, Y. T., Caraco, N. F., McDowell, W. H., Tranvik, L. J., Striegl, R. G., Duarte, C. M., Kortelainen, P., Downing, J. A., Middelburg, J. J., and Melack, J. (2007). Plumbing the Global Carbon Cycle: Integrating Inland Waters into the Terrestrial Carbon Budget, Ecosystems, 10, 171-184.
Cole, T. M. and Wells, S. A. (2015). CE-QUAL-W2: A Twodimensional, Laterally Averaged, Hydrodynamic and Water Quality Model, Version 3.72.
Dillon, P. J. and Rigler, F. H. (1975). A Simple Method for Predicting the Capacity of a Lake for Development Based on Lake Trophic Status, Journal of the Fisheries Research Board of Canada,, 32, 1519-1531.

상세보기
Enting, I. G. (2002). Inverse Problems in Atmospheric Constituent Transport, Cambridge University Press, New York.
Fritsch, S., Cuenther, F., Suling, M., and Mueller, S. M. (2016). Training of Neural Networks.
Guerin, F., Abril, G., Richard, S., Burban, B., Reynouard, C., Seyler, P., and Delmas, R. (2006). Methane and Carbon Dioxide Emissions from Tropical Reservoirs: Significance of Downstream Rivers, Geophysical Research Letters 33:L21407, doi: 10.1029/2006GL027929.

상세보기
Kemenes, A., Forsberg, B. R., and Melack, J. M. (2007). Methane Release Below a Tropical Hydroelectric Dam, Geophysical Research Letters 34:L12809, doi: 10.1029/2007GL029479.

상세보기
Kim, J. H., Lee, S. W., and Cha, S. M. (2016). Environmental Statistics & Data Analysis. [Korean Literature]
Liaw, A. and Matthew W. (2002). Classification and Regression by Random Forest. R news 2.3, 18-22.
Louis, V. L. S., Kelly, C. A., Duchemin, E., Rudd, J. W. M., and Rosenberg, D. M. (2000). Reservoir Surfaces as Sources of Greenhouse Gases to the Atmosphere: A Global Estimation. BioScience, 50(9), 766-775.

상세보기
Recknagel, F., French, M., Harkonen, P., and Yabunaka, I. I. (1997). Artificial Neural Network Approach for Modelling and Prediction of Algal Blooms, Ecological Modelling, 96, 11-28.

상세보기
Rudd, J. W .M., Harris, R., Kelly, C. A., and Hecky, R. E. (1993). Are Hydroelectric Reservoirs Significant Sources of Greenhouse Gases?, Ambio, 22, 246-248.
Safaie, A., Wendzel, A., Ge, Z., Nevers, M. B., Whitman, R. L., Corsi, S. R., and Phanikumar, M. S. (2016). Comparative Evaluation of Statistical and Mechanistic Models of Escherichia coli at Beaches in Southern Lake Michigan, Environmental Science & Technology, doi:10.1021/acs. est.5b05378.
Therrien, J., Tremblay, A., and Jacques, A. (2005). $CO_2$ Emissions from Semi-Arid Reservoirs and Natural Aquatic Ecosystems. In: Tremblay, A., Varfalvy, L., Roehm, C., Garneau, M. (eds.). Greenhouse Gas Emissions: Fluxes and Processes, Hydroelectric Reservoirs and Natural Environments. Environmental Science Series, Springer, New York, 233-250.
UNESCO/IHA. (2010). GHG Measurement Guidelines for Freshwater Reservoirs, International Hydropower association.
Wang, B., Oldham, C., and Hipsey, M. R. (2016). Comparison of Machine Learning Techniques and Variables for Groundwater Dissolved Organic Nitrogen Prediction in an Urban Area, 12th International Conference on Hydro- informatics, HIC 2016.
Wanninkhof, R. and Knox, M. (1996). Chemical Enhancement of $CO_2$ Exchange in Natural Waters, Limnology and Oceanography, 41(4), 689-697

상세보기
Whitehead, P. and Hornberger, G. (1984). Modelling Algal Behaviour in the River Thames, Water Research, 18, 945-53.

상세보기
Zhang, G., Patuwo, B. E., and Hu, M. Y. (1998). Forecasting with Artificial Neural Networks: The State of the Art, International Journal of Forecasting, 14, 35-62.

상세보기

저자의 다른 논문 :

LOADING...

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