[논문]다목적댐 유입량 예측을 위한 Recurrent Neural Network 모형의 적용 및 평가

박명기; 윤영석; 이현호; 김주환

doi:10.3741/jkwra.2018.51.12.1217

다목적댐 유입량 예측을 위한 Recurrent Neural Network 모형의 적용 및 평가
Application of recurrent neural network for inflow prediction into multi-purpose dam basin 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.51 no.12, 2018년, pp.1217 - 1227

박명기 (한국수자원공사 물정보종합센터) , 윤영석 (한국수자원공사 물정보종합센터) , 이현호 (한국수자원공사 물정보종합센터) , 김주환 (한국수자원공사 K-water융합연구원)

초록
AI-Helper

본 연구에서는 순환신경망을 이용한 댐 유입량 예측모형의 적용성 검토를 목적으로 하고 있으며, 이를 위해 소양강댐 유역 및 충주댐 유역을 대상으로 그간 댐 운영을 통해 축적된 기상 및 수문 빅데이터를 활용하여 인공신경망 모형과 엘만 순환신경망 모형을 구축하였다. 모형의 학습과 예측을 위하여 유역별 유입량, 강우량, 기온, 일조시간, 풍속자료가 입력자료로 사용되었고 10일간 일별 댐유입량 자료가 모델의 출력자료로 구조화 하여 학습을 진행한 후 검증을 목적으로 2016년 7월 ~ 2018년 6월까지 2개년에 대한 댐 유입량 예측을 수행하였다. 학습된 모형의 유입량 예측 결과를 비교분석한 결과, 소양강댐 유역에서는 인공신경망 모형과 순환신경망 모형 간 예측성능은 큰 차이를 보이지 않았으며, 충주댐 유역에서는 순환신경망 모형의 예측 결과가 인공신경망 모형에 비해 비교적 우수한 성능을 보임에 따라 엘만 순환신경망을 이용하여 댐 유입량 예측모형을 구축할 경우 예측성능은 기존의 인공신경망 모형과 비슷하거나 다소 우수할 것으로 판단된다. 또한 엘만 순환신경망은 갈수기 댐 유입량 예측에 있어서 인공신경망에 비해 예측결과의 재현성이 우수한 것으로 나타났으며, 엘만 순환신경망 학습에 있어 다중 은닉층 구조가 단일 은닉층 구조보다 예측 성능 향상에 효과적인 것으로 분석되었다.

Abstract ▼ AI-Helper

This paper aims to evaluate the applicability of dam inflow prediction model using recurrent neural network theory. To achieve this goal, the Artificial Neural Network (ANN) model and the Elman Recurrent Neural Network(RNN) model were applied to hydro-meteorological data sets for the Soyanggang dam and the Chungju dam basin during dam operation period. For the model training, inflow, rainfall, temperature, sunshine duration, wind speed were used as input data and daily inflow of dam for 10 days were used for output data. The verification was carried out through dam inflow prediction between July, 2016 and June, 2018. The results showed that there was no significant difference in prediction performance between ANN model and the Elman RNN model in the Soyanggang dam basin but the prediction results of the Elman RNN model are comparatively superior to those of the ANN model in the Chungju dam basin. Consequently, the Elman RNN prediction performance is expected to be similar to or better than the ANN model. The prediction performance of Elman RNN was notable during the low dam inflow period. The performance of the multiple hidden layer structure of Elman RNN looks more effective in prediction than that of a single hidden layer structure.

주제어

표/그림 (22)

그림 Fig. 1. Comparison of artificial neural network (a) and elman recurrent neural network (b)
그림 Fig. 2. Location of the study area and the observation station
표 Table 1. Information of the Input data set
표 Table 2. Period of training and validation data set
표 Table 3. Hyper-parameter of artificial neural network and elman recurrent neural network
표 Table 4. Top 10 models prediction performance results (Soyanggang)
표 Table 5. Top 10 models prediction performance results (Chungju)
그림 Fig. 3. Comparison of predicted and observed daily Soyanggang dam inflow of 2017 and 2018
그림 Fig. 4. Comparison of predicted and observed daily Chungju dam inflow of 2017 and 2018
표 Table 6. Daily best model prediction performance results (Soyanggang)
표 Table 7. Daily best model prediction performance results (Chungju)
그림 Fig. 5. Comparison of cumulative distribution between predicted and observed inflow
그림 Fig. 6. Comparison of standardized residuals for different inflow regimes (Soyanggang)
그림 Fig. 7. Comparison of standardised residuals for different inflow regimes (Chungju)
표 Table 8. Quantiles of dam inflow
표 Table 9. Peaks of standardized residuals for different inflow regimes
표 Table 10. Best model prediction performance results (RMSE) of each number of hidden layers
그림 Fig. 8. Comparison of performance for number of hidden layers (Soyanggang)
그림 Fig. 9. Comparison of performance for number of hidden layers (Chungju)
그림 Fig. 10. Comparison of performance for number of hidden layer PEs (Soyanggang)
그림 Fig. 11. Comparison of performance for number of hidden layer PEs (Chungju)
표 Table 11. Best model prediction performance results (RMSE) of each number of hidden layer PEs

AI 본문요약
AI-Helper

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

문제 정의

연구에서는 댐 운영을 통해 축적된 기상 및 수문 빅데이터를 활용하여 순환신경망을 이용한 댐 유입량 예측모형의 적용성을 검토하기 위한 것으로서 소양강댐 유역 및 충주댐 유역의 일자료를 대상으로 ANN과 Elman RNN 모형에 대한 평가결과를 요약하면 다음과 같다.

제안 방법

ANN 모형과 Elman RNN 모형의 성능에 영향을 미치는 것으로서 적용된 모형의 은닉층의 개수와 이를 구성하는 은닉층의 PE 수에 따른 각 모형의 10일 평균 예측치를 비교함으로써 그 성능을 고찰하였다. 그 결과 다중 은닉층의 효과는 Table 10 및 Figs.
ANN 및 Elman RNN 모형을 전술한 입출력데이터에 대해 각 96개 하이퍼파라메터 조합으로 학습 후 검증자료로 평가하였다. 소양강 및 충주댐 유역에 대한 10일 평균 예측 결과 RMSE 및 NSE 상위 10개 모형은 Tables 4 and 5에서 볼 수 있다.
이 중 댐의 일 유입량은 직접 측정이 불가능한 자료로 댐 저수량 변화 및 일평균 방류량을 활용하여 계산되며, 강우량은 티센법을 사용하여 계산된 유역 강우량을 사용하였고, 기온, 일조시간, 풍속은 인근 기상청에서 관측된 자료를 사용하였다. 또한 예측 강우량은 향후 물리기반 기상모형(K-PPM)에서 모의된 예측 강우량을 입력 데이터로 사용하기 위해 포함하였으며, 예측모형의 훈련 및 검증시 예측 강우량은 실제 관측값으로 사용하였다.
본 연구에서는 그간 댐 운영을 통해 축적된 기상 및 수문 빅데이터를 활용하여 인공지능기법 중 하나인 순환신경망(RNN; Recurrent Neural Network) 기반의 댐 유입량 예측 모형을 개발하고, 소양강댐과 충주댐 유역을 대상으로 적용하여 그 결과를 인공신경망 모형과 비교·분석함으로써 적용성 검토를 수행하였다.
7월 기간 동안 관측된 자료를 활용하였다. 예측모형의 입력변수 선정을 위해 물리기반 유출모형(SSARR, PRMS)에서 사용되는 입력변수를 검토하였으며, 유입량, 강우량, 기상(기온, 일조시간, 풍속) 및 예측 강우량의 총 32개 입력변수를 최종 선정하였다. 강우량은 유출현상에 큰 영향을 미치는 요인 중 하나이며, 유입량은 자기상관 및 유역토양함수를 고려하기 위해 포함하였다.
좀 더 세부적으로 살펴보기 위해 Table 8과 같이 유역별 일 유입량의 최소값, 1분위수, 3분위수, 최대값을 구하고, 이를 기준으로 일 유입량을 각각 0~25%, 25~75%, 75%~100%로 구분하여 관측값과 예측값의 잔차를 분석하였다. 각 구간별 관측값과 예측값의 잔차를 표준화한 결과에 대해 산정한 분포 곡선은 Figs.
인공신경망의 배치사이즈는 8로 설정하였으며, 활성화함수는 두 방법 모두 시그모이드 함수를 사용하였다. 하이퍼파라메터의 조합에 따라 각 96개의 예측모형을 훈련하였고, 검증기간에 대한 예측 성능을 평가하였다. 인공신경망 모형의 학습 및 예측을 위해 deepnet Rpackage를 사용하였으며(Rong, 2014), 엘만 순환신경망 모형의 학습 및 예측을 위해 RSNNS R package를 사용하였다(Bergmeir and Benitez, 2012).

대상 데이터

1월 ~ 2018. 7월 기간 동안 관측된 자료를 활용하였다. 예측모형의 입력변수 선정을 위해 물리기반 유출모형(SSARR, PRMS)에서 사용되는 입력변수를 검토하였으며, 유입량, 강우량, 기상(기온, 일조시간, 풍속) 및 예측 강우량의 총 32개 입력변수를 최종 선정하였다.
본 연구의 대상유역은 기상관측기간, 댐 유입량 관측기간,저수용량, 유역면적을 고려하여 Fig. 2에서와 같이 한강 유역의 소양강댐 및 충주댐을 선정하였다. 두 댐은 국내 대표적 다목적댐으로 소양강댐은 유역면적은 2,703 km², 저수용량은 2,900백만m³이며, 충주댐은 유역면적 6,648 km², 저수용량 2,750백만m³으로 댐 용수공급의 중요한 역할을 수행하고 있다.
댐 유입량 예측모형의 입력 데이터는 모두 일단위 자료이며, 출력값은 향후 10일간 댐 유입량이 된다. 이 중 댐의 일 유입량은 직접 측정이 불가능한 자료로 댐 저수량 변화 및 일평균 방류량을 활용하여 계산되며, 강우량은 티센법을 사용하여 계산된 유역 강우량을 사용하였고, 기온, 일조시간, 풍속은 인근 기상청에서 관측된 자료를 사용하였다. 또한 예측 강우량은 향후 물리기반 기상모형(K-PPM)에서 모의된 예측 강우량을 입력 데이터로 사용하기 위해 포함하였으며, 예측모형의 훈련 및 검증시 예측 강우량은 실제 관측값으로 사용하였다.
두 댐은 국내 대표적 다목적댐으로 소양강댐은 유역면적은 2,703 km², 저수용량은 2,900백만m³이며, 충주댐은 유역면적 6,648 km², 저수용량 2,750백만m³으로 댐 용수공급의 중요한 역할을 수행하고 있다. 입력자료로는 Table 1과 같이 두 댐의 운영기간 중 관측데이터를 검토하여 소양강댐은 1974.1월 ~ 2018.7월, 충주댐은 2000.1월 ~ 2018. 7월 기간 동안 관측된 자료를 활용하였다.

데이터처리

모형의 성능 평가를 위해서 RMSE (Root Mean Square Error),NSE (Nash-Sutcliffe Efficiency) 평가 지수를 사용하였고, 각 모형으로부터 예측된 2개년(2016.7~2008.7)의 댐 유입량 자료와 비교ㆍ분석을 통해 모형의 재현성을 평가하였으며, 또한 적용된 모형의 결과와 실측자료간의 결정계수(Determination Coefficient) 값을 산정하였다.
훈련자료로 예측 모형을 학습하였으며, 검증자료와 모형의 예측자료를 비교하여 예측모형의 성능을 평가하고 그 결과를 비교·분석 하였다.

이론/모형

본 연구에서는 댐 유입량 예측모형 학습 및 평가를 위해 ANN 및 Elman RNN 모형을 사용하였다. 먼저 모형 학습을 위해 데이터를 표준화 한 후, 훈련자료와 검증자료로 Table 2와 같이 나누었다.
하이퍼파라메터의 조합에 따라 각 96개의 예측모형을 훈련하였고, 검증기간에 대한 예측 성능을 평가하였다. 인공신경망 모형의 학습 및 예측을 위해 deepnet Rpackage를 사용하였으며(Rong, 2014), 엘만 순환신경망 모형의 학습 및 예측을 위해 RSNNS R package를 사용하였다(Bergmeir and Benitez, 2012).

성능/효과

1) 신경망이론에서는 모형을 구성하는 입력층, 중간층 그리고 출력층의 구조와 각 층을 구성하는 PE의 수에 영향을 받는데 본 연구에서는 중간층과 각 중간층의 PE수, 학습률 등을 고려하여 96가지의 다양한 조합을 구성하여 학습 및 재현에 따른 댐 유입량의 예측을 시도한 결과 전반적으로 Elman RNN 모형이 ANN 모형에 비해 상대적으로 작은 값을 예측하는 경향이 있다는 것을 확인할 수 있었다.
2) 또한, 일 유입량 구간별 관측값과 예측값의 표준화 잔차를 분석한 결과에서, 0~25% 구간에서는 Elman RNN의 예측성능이 우수한 경향이 있으며, 75~100% 구간에서는 ANN의 예측성능이 우수한 경향이 있음을 확인할 수 있었다. 이를 통해 Elman RNN은 홍수기보다는 갈수기 댐 유입량 예측에 보다 효과적일 것으로 판단된다.
3) 이 과정에서 상대적으로 우수한 성능을 보인 상위 10가지 모형을 선정하여, RMSE 값과 NSE 값이 최소값을 보임으로써 가장 우수한 것으로 판단되는 것은 소양강댐의 경우 기존에 주로 적용되어 온ANN 모형이었다. 이는 엘만 순환신경망과 RMSE, NSE의 차이가 각각 1.
4) 선정된 10가지 모형에 대한 성능 비교결과를 요약해 보면, 소양강댐 유역의 ANN 모형의 일별 RMSE는 44.157~57.100, 일별 NSE는 0.8685~0.9223이며, Elman RNN 모형의 경우 일별 RMSE는 46.794~58.383, 일별 NSE는0.8636~0.9127로 계산되었고, 충주댐 유역의 ANN 모형에 대한 RMSE는 90.317~111.682, NSE는 0.7841~ 0.8589이며 Elman RNN 모형의 RMSE는 82.899~97.963, NSE는 0.8335~0.8811로 계산되었다.
5) 전반적으로 신경망의 매개변수를 결정하는데 있어 Elman RNN은 ANN에 비해 은닉층 수가 증가함에 따라 예측성능이 향상되었으나 은닉층을 구성하는 PE의 수의 변화는 예측성능에 큰 차이를 보이지 않았다. 이는 댐 유입량 예측에 있어 다중 은닉층 구조는 ANN에 비해 Elman RNN에서 더 효과적인 것으로 판단할 수 있으나 이러한 문제는 다른 매개변수의 조정이나 최적화를 통해 해결할 수 있을 것이며, 특히 수문모형화 과정에서 모형수립의 등정과정에 대한 중요성이 강조되어야 한다는 점을 시사할 뿐 아니라 신경망모형의 적용시 개선된 새로운 학습알고리즘 보다는 자료의 신뢰성이 더욱 중요하다는 점이 강조되어야 할 것으로 사료되며 딥러닝 기법간의 비교평가를 통해 적합한 알고리즘이나 적용절차에 대한 추가적인 연구가 기대된다.
그 결과 다중 은닉층의 효과는 Table 10 및 Figs. 8 and 9와 같이 Elman RNN의 은닉층 수가 증가함에 따라 소양강댐 유역에서는 57.360, 50.443, 52.176으로, 충주댐 유역에서는 110.626, 94.966, 89.609로 예측 성능이 향상되었다. 하지만 은닉층을 구성하는 PE의 수에 따른 예측성능의 변화는 Table 11 및 Figs.
표준화 잔차 분포곡선의 모양은 모두 하나의 최고점을 가지는 형태를 보였으며, 최고점에 해당하는 표준화 잔차의 값은 각각 Table 9와 같았다. 그 결과를 살펴보면, 소양강댐 및 충주댐 유역에서 모두 Elman RNN 모형이 ANN 모형에 비해 예측값이 작은 경향이 있음을 확인할 수 있다. 또한 일 유입량이 0~25% 구간에서는 Elman RNN의 예측성능이 우수한 경향이 있으며, 75~100% 구간에서는 ANN의 예측성능이 우수한 경향이 있음을 확인하였다.
10 and 11과 같이 두 모형 모두 큰 차이를 보이지 않았다. 따라서 다중 은닉층 구조는 댐 유입량을 예측하는데 있어 ANN에 비해 Elman RNN에서 더 효과적인 것으로 판단된다.
그 결과를 살펴보면, 소양강댐 및 충주댐 유역에서 모두 Elman RNN 모형이 ANN 모형에 비해 예측값이 작은 경향이 있음을 확인할 수 있다. 또한 일 유입량이 0~25% 구간에서는 Elman RNN의 예측성능이 우수한 경향이 있으며, 75~100% 구간에서는 ANN의 예측성능이 우수한 경향이 있음을 확인하였다.
유역별 가장 우수한 예측성능을 보인각 모형의 1일~10일 예측 성능을 살펴본 결과는 Tables 6 and 7과 같다. 소양강댐 유역에서 10일 예측에 대한 ANN 모형의 일별 RMSE는 44.157 ~ 57.100, 일별 NSE는 0.8685~ 0.9223이며, Elman RNN 모형의 경우 일별 RMSE는 46.794~ 58.383, 일별 NSE는 0.8636~0.9127로 계산되었다. 충주댐 유역에 대한 ANN 모형의 RMSE는 90.
소양강 및 충주댐 유역에 대한 10일 평균 예측 결과 RMSE 및 NSE 상위 10개 모형은 Tables 4 and 5에서 볼 수 있다. 소양강댐의 ANN모형의 RMSE가 51.955, NSE는 0.8914, 엘만 순환신경망 모형의 경우 RMSE는 50.443, NSE는 0.8977가 가장 우수한 것으로 보인다. 충주댐에서는 RMSE 98.
유역별 모형의 예측성능을 살펴본 결과 소양강댐 유역에서는 ANN과 Elman RNN 모형 간 예측성능은 큰 차이를 보이지 않았으며, 충주댐 유역에서는 Elman RNN 모형의 예측결과가 ANN에 비해 비교적 우수한 성능을 보임을 확인할 수 있었다. 또한 Figs.
3) 이 과정에서 상대적으로 우수한 성능을 보인 상위 10가지 모형을 선정하여, RMSE 값과 NSE 값이 최소값을 보임으로써 가장 우수한 것으로 판단되는 것은 소양강댐의 경우 기존에 주로 적용되어 온ANN 모형이었다. 이는 엘만 순환신경망과 RMSE, NSE의 차이가 각각 1.512, 0.0063로서 예측성능에서 큰 차이를 보이지 않았으며, 충주댐의 경우 RMSE는 8.507, NSE는 0.0278의 차이를 보여 RMSE만으로 비교해 보면 Elman RNN이 약간 유리한 것으로 나타났다.
2) 또한, 일 유입량 구간별 관측값과 예측값의 표준화 잔차를 분석한 결과에서, 0~25% 구간에서는 Elman RNN의 예측성능이 우수한 경향이 있으며, 75~100% 구간에서는 ANN의 예측성능이 우수한 경향이 있음을 확인할 수 있었다. 이를 통해 Elman RNN은 홍수기보다는 갈수기 댐 유입량 예측에 보다 효과적일 것으로 판단된다.
일 유입량에 따른 모형별 예측 성능을 알아보기 위해 Fig. 5와 같이 유역별 일 유입량의 누적분포함수에 10일 후 예측값을 표현한 결과 전반적으로 Elman RNN 모형이 ANN 모형에 비해 상대적으로 작은 값을 예측하는 경향이 있음을 확인하였다.

후속연구

5) 전반적으로 신경망의 매개변수를 결정하는데 있어 Elman RNN은 ANN에 비해 은닉층 수가 증가함에 따라 예측성능이 향상되었으나 은닉층을 구성하는 PE의 수의 변화는 예측성능에 큰 차이를 보이지 않았다. 이는 댐 유입량 예측에 있어 다중 은닉층 구조는 ANN에 비해 Elman RNN에서 더 효과적인 것으로 판단할 수 있으나 이러한 문제는 다른 매개변수의 조정이나 최적화를 통해 해결할 수 있을 것이며, 특히 수문모형화 과정에서 모형수립의 등정과정에 대한 중요성이 강조되어야 한다는 점을 시사할 뿐 아니라 신경망모형의 적용시 개선된 새로운 학습알고리즘 보다는 자료의 신뢰성이 더욱 중요하다는 점이 강조되어야 할 것으로 사료되며 딥러닝 기법간의 비교평가를 통해 적합한 알고리즘이나 적용절차에 대한 추가적인 연구가 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유출현상 예측에 어려움을 주는 특성은?	댐 유입량 예측은 댐운영 계획수립, 용수공급 계획수립, 가뭄ㆍ홍수 등 수재해예방, 생태계 보존 등 효율적인 물 관리를 위한 필수적인 요소이다. 하지만 유출현상은 자연현상의 하나로 높은 복잡도, 비정상성, 비선형 특징을 가지기 때문에 예측이 쉽지 않다. 현재 다목적댐에서는 댐 유입량 예측을 위해 유출모델(SSARR)과 빈도분석(향후 10일은 지하수 감수곡선)자료를 활용하고 있다.
	현재 다목적댐에 사용되는 유출량 예측 방법의 한계점은?	현재 다목적댐에서는 댐 유입량 예측을 위해 유출모델(SSARR)과 빈도분석(향후 10일은 지하수 감수곡선)자료를 활용하고 있다. 유출모델의 경우 모델에 대한 이해, 매개변수 설정 등 사용자에 따라 분석 정확도 차이가 크며, 빈도분석은 안정적 운영을 고려한 10~20년 이상 빈도유입량을 선택함에 따라 사용자의 주관적 분석이 될 수 있는 한계점이 있다.
	다목적댐 댐 유입량 예측 방법은?	하지만 유출현상은 자연현상의 하나로 높은 복잡도, 비정상성, 비선형 특징을 가지기 때문에 예측이 쉽지 않다. 현재 다목적댐에서는 댐 유입량 예측을 위해 유출모델(SSARR)과 빈도분석(향후 10일은 지하수 감수곡선)자료를 활용하고 있다. 유출모델의 경우 모델에 대한 이해, 매개변수 설정 등 사용자에 따라 분석 정확도 차이가 크며, 빈도분석은 안정적 운영을 고려한 10~20년 이상 빈도유입량을 선택함에 따라 사용자의 주관적 분석이 될 수 있는 한계점이 있다.

참고문헌 (24)

Bergmeir, C., and Benitez, J.M. (2012). "Neural Networks in R Using the Stuttgart Neural Network Simulator: RSNNS." Journal of Statistical Software, Vol. 46, No. 7, pp. 1-26.
Chen, P.-A., Chang, L.-C., and Chang, F.-J. (2013). "Reinforced recurrent neural networks for multi-step-ahead flood forecasts." Journal of Hydrology, Vol. 497, pp. 71-79.

상세보기
Chiang, Y.-M., Hsu, K.-L., Chang, F.-J., Hong, Y., and Sorooshian, S. (2007). "Merging multiple precipitation sources for flash flood forecasting." Journal of Hydrology, Vol. 340, No. 3-4, pp. 183-196.

상세보기
Coulibaly P., and Anctil F. (1999). "Real-time short-term natural water inflows forecasting using recurrent neural networks." International Joint Conference On Neural Networks, Washington Dc, Proceedings Ijcnn'99, Vol. 6, pp. 3802-3805.
Coulibaly, P., and Baldwin, C. K. (2005). "Nonstationary hydrological time series forecasting using nonlinear dynamic methods." Journal of Hydrology, Vol. 307, No. 1, pp. 164-174.

상세보기
Elman, Jeffrey L. (1990). "Finding Structure in Time." Cognitive Science, Vol. 14, No. 2, pp. 179-211.

상세보기
Hsu, K., Gupta, H. V., and Sorooshian, S. (1995). "Artificial Neural Network Modeling of the Rainfall-Runoff Process." Water Resources Research, Vol. 31, No. 10, pp. 2517-2530.

상세보기
Jung, S. H., Lee, D. E., and Lee, K. S. (2018). "Prediction of River Water Level Using Deep-Learning Open Library." Journal of the Korean Society of Hazard Mitigation, Vol. 18, No. 1, pp. 1-11.
Jun, H. D., and Lee, J. H. (2013). "A Methodology for Flood Forecasting and Warning Based on the Characteristic of Observed Water Levels Between Upstream and Downstream." Journal of the Korean Society of Hazard Mitigation, Vol. 13, No. 6, pp. 367-374.

원문보기 상세보기
Kim, J. H., Park, C. Y., and Kang K. W. (1992). "Nonlinear Prediction of Stream flows by Pattern Recognition Method." Journal of Korean Water Resources Association, Vol. 25, No. 3, pp. 105-113.
Kim, J. H. (1993). A Study on Hydrologic Forecasting of Stream flows Based on Artificial Neural Network. Ph. D. dessertation, Inha University.
Kwon, S. H., Lee, J. W., and Chung, G. H. (2017). "Snow Damages Estimation using Artificial Neural Network and Multiple Regression Analysis." Journal of the Korean Society of Hazard Mitigation, Vol. 17, No. 2, pp. 315-325.

상세보기
Lee, C. Y., and Kim, J. H. (2018), "The Prediction and Analysis of the Power Energy Time Series by Using the Elman Recurrent Neural Network." Journal of Society of Korea Industrial and Systems Engineering, Vol. 41, No. 1, pp. 84-93.
Lee, K. H., Jung, S. H., and Lee, D. E. (2018). "Comparison of physics-based and data-driven models for streamflow simulation of the Mekong river." Journal of Korea Water Resources Association, Vol. 51, No. 6, pp. 503-513.
Maier, H. R., and Dandy, G. C. (2000). "Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications." Environmental Modelling & Software, Vol. 15, No. 1, pp. 101-124.

상세보기
McCulloch, W.S., and Pitts, W. (1943). "A Logical Calculusof the Ideas Immanent in Nervous Activity." The Bulletin of Mathematical Biophysics, Vol. 5, No. 4, pp. 115-133.

상세보기
Rong, X. (2014). deepnet: deep learning toolkit in R, accessed 1 May 2018, .
Rosenblatt, F. (1958). "The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain." Psychological Review, Vol. 65, No. 6, pp. 386-408.

상세보기
Rumelhart, D. E., Hintont, G. E., and Williams, R. J. (1986). "Learning Representations by Back-propagating Errors." NATURE, Vol. 323, No. 9, pp. 533-536.

상세보기
Shoaib, M., Shamseldin, A. Y., Melville, B. W., and Khan, M. M. (2016). "A comparison between wavelet based static and dynamic neural network approaches for runoff prediction." Journal of Hydrology, Vol. 535, pp. 211-225.

상세보기
Yaseen, Z. M., El-shafie, A., Jaafar, O., Afan, H. A., and Sayl, K. N. (2015). "Artificial intelligence based models for stream-flow forecasting: 2000-2015." Journal of Hydrology, Vol. 530, pp. 829-844.

상세보기
Zhang, D., Holland, E. S., Lindholm, G., and Ratnaweera, H. (2017). "Hydraulic modeling and deep learning based flow forecasting for optimizing inter catchment wastewater transfer." Journal of Hydrology. Vol. In Press, Corrected Proof, .

상세보기
Zhang, D., Lindholm, G., and Ratnaweera, H. (2018). "Use long short-term memory to enhance Internet of Things for combined sewer overflow monitoring." Journal of Hydrology, Vol. 556, pp. 409-418.

상세보기
Zhang, J., Zhu, Y., Zhang, X., Ye, M., and Yang, J. (2018). "Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas." Journal of Hydrology, Vol. 561, pp. 918-929.

상세보기

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