최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국물환경학회지 = Journal of Korean Society on Water Environment, v.33 no.3, 2017년, pp.326 - 333
유지수 (충북대학교 환경공학과) , 정세웅 (충북대학교 환경공학과) , 박형석 (충북대학교 환경공학과)
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 var...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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.
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.
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.
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.
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.
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.
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
Whitehead, P. and Hornberger, G. (1984). Modelling Algal Behaviour in the River Thames, Water Research, 18, 945-53.
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.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.