[논문]가뭄 분석을 위한 지하수위 모니터링 및 예측기법 개발(II) - 표준강수지수, 표준지하수지수 및 인공신경망을 이용한 지하수 가뭄 예측

이정주; 강신욱; 김태호; 전근일

doi:10.3741/jkwra.2018.51.11.1021

가뭄 분석을 위한 지하수위 모니터링 및 예측기법 개발(II) - 표준강수지수, 표준지하수지수 및 인공신경망을 이용한 지하수 가뭄 예측
Development of groundwater level monitoring and forecasting technique for drought analysis (II) - Groundwater drought forecasting Using SPI, SGI and ANN 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.51 no.11, 2018년, pp.1021 - 1029

이정주 (한국수자원공사 물정보종합센터) , 강신욱 (K-water융합연구원) , 김태호 (한국수자원공사 물정보종합센터) , 전근일 (한국수자원공사 물정보종합센터)

초록
AI-Helper

본 연구에서는 미급수지역의 주요 수원인 지하수의 수위 변동 상황을 기반으로 한 미급수지역 가뭄 예보 기법 개발을 목적으로 하였다. 이를 위해 지역화된 표준지하수지수(SGI)와 표준강수지수들(SPIs)의 상관관계를 분석하였다. 관측 지하수위로부터 산정된 SGI의 자기회귀 특성 및 지속기간별 SPI와 SGI의 상관관계를 동시에 고려할 수 있는 NARX (nonlinear autoregressive exogenous model) 인공신경망 모형을 이용하여 지역별 예측모형을 구축하였다. 학습기간 동안 관측 SGI와 모델 출력 SGI의 상관계수는 0.7 이상인 곳이 전체 167개 지역별 모형 중 146개(87%)로 상관성이 높은 것으로 분석되었다. 적용기간에 대해서는 평균제곱근오차와 상관계수로 모형을 평가하였다. 본 연구를 통해 기상청에서 제공하는 59개 관측소별 강수량 전망 값으로부터 산정된 지속기간별 SPI와 관측된 지하수위를 이용한 지역별 SGI 전망이 가능하도록 하였으며, 미급수지역의 가뭄 예 경보를 위한 기초자료로 활용이 가능토록 하였다.

Abstract ▼ AI-Helper

A primary objective of this study is to develop a drought forecasting technique based on groundwater which can be exploit for water supply under drought stress. For this purpose, we explored the lagged relationships between regionalized SGI (standardized groundwater level index) and SPI (standardized precipitation index) in view of the drought propagation. A regional prediction model was constructed using a NARX (nonlinear autoregressive exogenous) artificial neural network model which can effectively capture nonlinear relationships with the lagged independent variable. During the training phase, model performance in terms of correlation coefficient was found to be satisfactory with the correlation coefficient over 0.7. Moreover, the model performance was described by root mean squared error (RMSE). It can be concluded that the proposed approach is able to provide a reliable SGI forecasts along with rainfall forecasts provided by the Korea Meteorological Administration.

주제어

표/그림 (15)

그림 Fig. 1. Propagation of a precipitation anomaly through the terrestrial part of the hydrological cycle for various variables (Changnon, 1987; Van Loon, 2015)
그림 Fig. 2. Summary of data used for estimating SPI and SGI
그림 Fig 3. Comparison of SPI1~12 and SGI time series (Cheonan region)
표 Table 1. Examples of Thiessen polygon area ratio of each groundwater station
표 Table 2. Examples of correlation coefficients between SGI and SPI1~12
그림 Fig. 4. Illustrated maximum correlation coefficient between SGI and SPI 1~12 on 26 cities of Chungcheong province
그림 Fig. 5. Drought magnitude comparison between SPI3 and SGI of Eumseong-gun region
그림 Fig. 6. Groundwater drought projection procedure using SGI, SPI and ANN
그림 Fig. 7. NARX network architecture (Hagan et al., 2014)
그림 Fig. 8. Illustrated linear regression of targets relative to outputs
표 Table 3. Correlation coefficient between ANN output and target SGI
그림 Fig. 9. Spatial distribution of correlation coefficient between trainedANN output and target SGI
그림 Fig. 10. NARX ANN input data sets for 1 month SGI projection
그림 Fig. 11. ANN model output compared with observed SGI time series of Eumseong-gun region
표 Table 4. Correlation coefficient between ANN output and target SGI

AI 본문요약
AI-Helper

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

문제 정의

SGI와 12개의 SPI 지수들 각각에 대해 상관성을 분석하여, 지하수위 거동 전망을 위한 예측인자로서 SPI를 이용하는 것에 대한 적정성을 검토함과 동시에 강수 누적 기간에 의한 지하수위 거동의 응답특성을 확인하고자 하였다. Table 2는 청주, 음성 및 천안 지역에 대한 SGI와 SPI 상관성 분석 결과의 예시이다.
가뭄 예·경보를 위해 매월 주기적으로 지하수 공급․사용지역의 가뭄판단을 지하수 관측자료 기반으로 수행하고, 기상전망 자료를 이용한 지하수 가뭄전망 분석이 빠르게 이루어질 수 있는 기법의 개발에 주안점을 두었다.
또한 시·군별로 전망된 강수량으로부터 산정된 지속기간별 SPI와 학습된 지역별인공신경망 모형을 이용하여 시·군별 SGI를 예측할 수 있도록 하였다. 개발된 기법을 통해 미급수지역의 주요 수원인 지하수위 상황을 현재까지의 지하수위 관측 값과 기상청 장기 강수전망 자료를 이용하여 빠르게 전망함으로써 국가 가뭄 예·경보 분석의 지역별 가뭄정보 생성 및 판단의 기초자료로 활용이 가능토록 하였다.
가뭄 예·경보를 위해 매월 주기적으로 지하수 공급․사용지역의 가뭄판단을 지하수 관측자료 기반으로 수행하고, 기상전망 자료를 이용한 지하수 가뭄전망 분석이 빠르게 이루어질 수 있는 기법의 개발에 주안점을 두었다. 따라서 강수 아노말리의 거동과 지하수위 거동 간의 지체시간을 둔 상관관계에 주목하였으며, 지하수위 관측 시계열의 자기상관성을 동시에 고려할 수 있는 데이터 기반 모형(data-driven model)을 통해 지하수 가뭄을 전망할 수 있는 기법을 개발하고자 하였다.
또한 가뭄전망을 위해 기상청에서 제공하는 1~3개월 강수전망을 이용한 강우-유출분석을 수행하고, 수원별 수문전망을 토대로 가뭄전망 자료를 생성하고 있다. 미급수지역의 경우 기존 SPI6(6개월 누적 표준강수지수)를 이용한 간접적인 가뭄판단을 개선하기 위해 미급수지역의 주요 수원인 지하수위 관측 자료를 활용한 표준지하수지수(standardized ground water level index; SGI) 가뭄판단 기법을 본 연구의 전편을 통해 제시하였다. 지하수위 관측 자료를 이용해 산정된 SGI와 판단기준 범위에 의해 과거 및 현재의 월별 지하수 가뭄 정도는 판단할 수 있으나, 가뭄 예·경보에 활용하기 위해서는 1~3개월 SGI 전망이 동시에 이루어질 필요가 있다.
본 연구에서는 국가 가뭄 예·경보의 생·공용수 분야 가뭄정보 분석 자료의 하나로서 지하수위 관측 자료 및 기상전망 자료를 이용한 미급수지역 가뭄 전망 기법을 개발하였다.
본 연구에서는 기상청의 강수전망 자료를 이용하여 지역별 지하수 가뭄을 전망할 수 있는 기법 개발을 목적으로 하였다. 가뭄 예·경보를 위해 매월 주기적으로 지하수 공급․사용지역의 가뭄판단을 지하수 관측자료 기반으로 수행하고, 기상전망 자료를 이용한 지하수 가뭄전망 분석이 빠르게 이루어질 수 있는 기법의 개발에 주안점을 두었다.
6의 왼쪽 부분인 Groundwater drought monitoring 부분에 해당한다. 본 연구의 목적인 지하수 가뭄 전망을 위해서는 SGI로 대변되는 지하수위의 거동이 어떻게 될 것인지 전망하는 것이 필요하다. 본 연구에서는 지속기간별 SPI와 SGI의 상관관계를 인공신경망을 이용하여 학습시킨 후 기상청의 기상전망 자료로부터 산정한 지역별SPI 전망 값을 학습된 인공신경망에 입력하여 SGI를 전망하였다.
본 연구에서는 국가 가뭄 예·경보의 생·공용수 분야 가뭄정보 분석 자료의 하나로서 지하수위 관측 자료 및 기상전망 자료를 이용한 미급수지역 가뭄 전망 기법을 개발하였다. 전편의 연구를 통해 미급수지역의 주 수원인 지하수의 수위현황을 가뭄 판단에 활용할 수 있는 SGI 가뭄 모니터링 기법을 개발하였으며, 본 연구에서는 기상청의 강수량 정량 전망 자료를 이용하여 지하수위 변동을 빠르게 전망할 수 있는 기법을 개발하고자 하였다. 이를 위해 지속기간별 SPI와 SGI의 상관관계 및 SGI의 자기회귀 특성을 NARX 인공신경망을 이용하여 학습시켜 시·군별 예측모형을 구축하였다.
즉, 자료의 시·공간적 해상도를 낮춤으로써 민감하게 움직이는 자료의 노이즈를 제거하고 거시적인 자료 거동 특성의 상관성을 명확하게 확인하고자 함이다.

제안 방법

Fig. 5에 예시한 음성군의 경우 SPI3가 SGI와 가장 높은 상관성을 보였으며, 음의 값을 갖는 기간에 색을 입혀 두 지수가 표현하는 가뭄시기를 비교 도시하였다. 강수량과 지하수위 관측기간의 차이로 SGI의 자료 기간이 SPI에 비해 짧다.
SPI의 경우 ‘74년1월부터 ’16년 12월까지 동일 기간 자료를 이용하여 관측소별 SPI 및 지역별(시‧군별) SPI를 산정하였다.
강수량과 지하수위와 같이 자료간의 상관성이 높고, 선행원인과 응답 관계가 분명한 자료의 경우, 장기간 관측된 자료를 확보할 수 있다면 데이터 기반의 수치적 예측모형 구축이 충분히 가능하며, 이 경우 자료의 처리와 실행이 매우 빠르고 쉬워진다는 장점이 있다. 따라서 본 연구에서는 기계학습(machine learning) 기법의 일종인 인공신경망(artificial neural network; ANN)을 이용해 지속기간별 표준강수지수(SPI1~12)와 표준지하수지수(SGI)의 상관관계에 기초한 데이터 기반 지하수 가뭄 전망체계를 구축하고 전국 시․군에 대해 적용하였다.
앞 절에서 상관성 분석을 통해 가장 높은 상관성을 보인 SPI하나만을 입력 자료로 활용할 수도 있으나, 다른 지속기간을 갖는 SPI도 단순 상관성분석 결과로는 쉽게 보이지 않는 영향인자로 작용할 수 있기에, 본 연구에서는 SPI 1~12 전체를 외부 입력 자료로 구축하고 신경망 학습 과정에서 각 SPI별 가중치를 스스로 결정하도록 하였다. 또한 모델의 구성은 입력 자료의 두 배수 이상인 30개의 뉴런부터 시작하여 가지치기 방법을 이용하여 은닉층 뉴런수를 12개로 설정하였다. 신경망훈련 알고리즘은 Bayesian Regularization Backpropagation을 적용하였다.
이를 위해 지속기간별 SPI와 SGI의 상관관계 및 SGI의 자기회귀 특성을 NARX 인공신경망을 이용하여 학습시켜 시·군별 예측모형을 구축하였다. 또한 시·군별로 전망된 강수량으로부터 산정된 지속기간별 SPI와 학습된 지역별인공신경망 모형을 이용하여 시·군별 SGI를 예측할 수 있도록 하였다. 개발된 기법을 통해 미급수지역의 주요 수원인 지하수위 상황을 현재까지의 지하수위 관측 값과 기상청 장기 강수전망 자료를 이용하여 빠르게 전망함으로써 국가 가뭄 예·경보 분석의 지역별 가뭄정보 생성 및 판단의 기초자료로 활용이 가능토록 하였다.
본 연구를 통해 학습된 시·군별 인공신경망 모형의 적용성을 평가하기 위해, 관측된 SGI 값에 해당하는 목표 값(target)과 인공신경망을 통해 출력된 SGI 값(output) 간의 상관도를 분석하였다.
또한 훈련자료와 검증자료 및 전체 자료의 상관계수가 모두 고르게 높게 나오는지를 확인함으로써 훈련자료의 상관계수만 높은 과적합 상황을 방지할 수 있다. 본 연구에서는 전국 167개 시․군별로 인공신경망 모형을 학습시켜 정량적으로 전망된 강수량으로부터 산정한 SPI 1~12 전망 값을 이용하여 SGI를 전망할 수 있도록 하였다.
본 연구의 목적인 지하수 가뭄 전망을 위해서는 SGI로 대변되는 지하수위의 거동이 어떻게 될 것인지 전망하는 것이 필요하다. 본 연구에서는 지속기간별 SPI와 SGI의 상관관계를 인공신경망을 이용하여 학습시킨 후 기상청의 기상전망 자료로부터 산정한 지역별SPI 전망 값을 학습된 인공신경망에 입력하여 SGI를 전망하였다. 전체적인 전망과정은 Fig.
선정된 강우관측소와 지하수 관측소의 위치정보를 이용해 티센망(Thiessen network)을 구축하고, 각 관측소가 해당 시‧군에서 차지하는 면적 비율을 가중치로 적용하여 시·군별로 평균한 SPI와 SGI를 산정하였다.
앞 절에서 상관성 분석을 통해 가장 높은 상관성을 보인 SPI하나만을 입력 자료로 활용할 수도 있으나, 다른 지속기간을 갖는 SPI도 단순 상관성분석 결과로는 쉽게 보이지 않는 영향인자로 작용할 수 있기에, 본 연구에서는 SPI 1~12 전체를 외부 입력 자료로 구축하고 신경망 학습 과정에서 각 SPI별 가중치를 스스로 결정하도록 하였다. 또한 모델의 구성은 입력 자료의 두 배수 이상인 30개의 뉴런부터 시작하여 가지치기 방법을 이용하여 은닉층 뉴런수를 12개로 설정하였다.
전편의 연구를 통해 미급수지역의 주 수원인 지하수의 수위현황을 가뭄 판단에 활용할 수 있는 SGI 가뭄 모니터링 기법을 개발하였으며, 본 연구에서는 기상청의 강수량 정량 전망 자료를 이용하여 지하수위 변동을 빠르게 전망할 수 있는 기법을 개발하고자 하였다. 이를 위해 지속기간별 SPI와 SGI의 상관관계 및 SGI의 자기회귀 특성을 NARX 인공신경망을 이용하여 학습시켜 시·군별 예측모형을 구축하였다. 또한 시·군별로 전망된 강수량으로부터 산정된 지속기간별 SPI와 학습된 지역별인공신경망 모형을 이용하여 시·군별 SGI를 예측할 수 있도록 하였다.
인공신경망 학습 정확도 검증을 위해, 구축된 자료세트를 이용해 신경망을 학습시키는 과정에서, 랜덤으로 자료의 15%를 검증을 위한 블라인드 자료로 처리해 학습된 네트워크의 성능을 검증토록 하였다. Fig.
따라서 가뭄 예․경보를 위해 필요한 공간 범위인 시‧군 범위로 자료의 공간범위를 일치시켜 관측소들이 차지하는 면적비율에 따라 가중치를 부여하여 평균함으로써 자료의 해상도를 낮추는 효과와 함께, 특정 관측소의 이상치 발생이 전체 자료의 상관도에 미치는 영향을 최소화 하고 강우에 응답하는 지하수의 전체적인 경향성을 잘 반영할 수 있도록했다. 자료의 시간단위는 월단위에 맞추어 강수량은 월강수량 합계, 지하수위는 월평균 수위를 이용하였다. SPI의 경우 ‘74년1월부터 ’16년 12월까지 동일 기간 자료를 이용하여 관측소별 SPI 및 지역별(시‧군별) SPI를 산정하였다.
Table 2는 청주, 음성 및 천안 지역에 대한 SGI와 SPI 상관성 분석 결과의 예시이다. 지역별로 두 가지 방법으로 산정한 SGI를 비교하였다. 하나는 지역에 기여하는 관측소들의 SGI를 산술평균한 값과 SPI1~12 간의 상관성을 분석한 결과이고, 다른 하나는 티센망으로 면적가중 평균한 SGI를 SPI와 비교한 결과이다.

대상 데이터

SGI의 경우 관측소별 자료 기간이 달라, 최장 ‘95년 12월부터 ’16년12월까지 가용한 전체 자료를 이용하였다.

데이터처리

음성군 ANN모델의 학습 및 적용기간을 구분한 모델 평가결과는 Table 4와 같다. 모형의 학습에 이용된 기간과 적용된 기간을 구분하여 관측 SGI와 모델 출력 SGI 사이의 평균제곱근 오차(RMSE)와 상관계수를 비교하였다. 현재시점 이후인 ‘17년 12월부터 ’18년 2월까지 3개월은 기상청 장기전망 강수량으로부터 산정된 예측 SPI를 이용한 결과이기 때문에, 구축된 신경망 모형의 정확도가 아니라 기상전망의 정확도에 좌우되는 부분이기에 본 논문에서 평가하기에는 무리가 있다.

이론/모형

인공신경망은 머신러닝의 다양한 모델 중신경망을 이용한 모델을 일컫는다(Van Gerven and Bohte,2017). 본 연구에서는 인공신경망의 종류 중 NARX (Nonlinear Autoregressive model process with eXogenous input) 모델을 이용하였다. NARX 모델은 주어진 시스템의 입력 값과 출력 값을 이용해 비선형성을 갖는 임의의 시스템을 식별해 내는 비선형 시스템 식별 기법 중 하나이다.
또한 모델의 구성은 입력 자료의 두 배수 이상인 30개의 뉴런부터 시작하여 가지치기 방법을 이용하여 은닉층 뉴런수를 12개로 설정하였다. 신경망훈련 알고리즘은 Bayesian Regularization Backpropagation을 적용하였다. Bayesian Regularization 방법은 베이지안 이론을 사용하여 학습단계별로 두 항의 가중치를 구하여 인공신경망을 학습시킨다.
여기서 종속변수인 출력 값 y(t)의 다음 값은 이전 출력 값 및 독립 입력 값(외부 입력) u(t)의 이전 값에 회귀된다. 은닉층의 전달함수는 탄젠트-시그모이드 함수를 사용하며, 출력층은 리니어 함수를 사용한다. NARX 모형의 구조는 Fig.
Bayesian Regularization 방법은 베이지안 이론을 사용하여 학습단계별로 두 항의 가중치를 구하여 인공신경망을 학습시킨다. 자세한 사항은 Hagan et al. (2014)의 문헌을 참고할 수 있다.

성능/효과

그림에서 행(row)은 하나의 시·군 지역에 해당하고, 각 시·군별로 12개의 열(column)은 각각 SPI1~SPI12에 해당한다. 각 블록의 색은 분석된 상관도에 따라 상관성이 높을수록 검은색으로, 낮을수록 흰색으로 표현하였으며, 12개의 SPI 중 SGI와 가장 높은 상관성을 갖는 SPI에 상관계수를 표시하였다. 즉, 맨 위에 있는 청주시의 경우 7번째 열에 해당하는 SPI7이 상관계수 0.
하지만 앞서 언급한 바와 같이 강수와 지하수위는 명쾌하게 일대일 상관관계를 보이는 경우를 찾기 어렵다. 따라서 가뭄 예․경보를 위해 필요한 공간 범위인 시‧군 범위로 자료의 공간범위를 일치시켜 관측소들이 차지하는 면적비율에 따라 가중치를 부여하여 평균함으로써 자료의 해상도를 낮추는 효과와 함께, 특정 관측소의 이상치 발생이 전체 자료의 상관도에 미치는 영향을 최소화 하고 강우에 응답하는 지하수의 전체적인 경향성을 잘 반영할 수 있도록했다. 자료의 시간단위는 월단위에 맞추어 강수량은 월강수량 합계, 지하수위는 월평균 수위를 이용하였다.
현재시점 이후인 ‘17년 12월부터 ’18년 2월까지 3개월은 기상청 장기전망 강수량으로부터 산정된 예측 SPI를 이용한 결과이기 때문에, 구축된 신경망 모형의 정확도가 아니라 기상전망의 정확도에 좌우되는 부분이기에 본 논문에서 평가하기에는 무리가 있다. 적용된 결과는 훈련기간의 결과에 비해 평균 제곱근 오차가 증가하고 상관계수는 낮아졌지만, Fig. 11의 적용기간 그래프가 보이는 바와 같이 SGI의 증가 및 감소 경향은 잘 모의하고 있는 것을 확인할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지하수위를 전망하는 기법은 어떤 기법이 주로 이용되는가?	지하수위를 전망하는 기법은 물리적 모형 또는 해석적 모형을 이용한 지역별 모델링 기법이 주로 이용된다. 하지만 이러한 방법은 모형의 구축과 매개변수 최적화 등에 많은 시간과 노력이 소요되며, 입력되는 자료의 변화나 공간적인 분석대상의 조정 등에 유연한 대처가 어렵고 모형의 실행 자체도 까다로운 경우가 많다.
	강수량과 지하수위와 같이 자료간의 상관성이 높고, 선행원인과 응답 관계가 분명한 자료의 장점은 무엇인가?	강수량과 지하수위와 같이 자료간의 상관성이 높고, 선행원인과 응답 관계가 분명한 자료의 경우, 장기간 관측된 자료를 확보할 수 있다면 데이터 기반의 수치적 예측모형 구축이 충분히 가능하며, 이 경우 자료의 처리와 실행이 매우 빠르고 쉬워진다는 장점이 있다. 따라서 본 연구에서는 기계학습(machine learning) 기법의 일종인 인공신경망(artificial neural network;ANN)을 이용해 지속기간별 표준강수지수(SPI1~12)와 표준지하수지수(SGI)의 상관관계에 기초한 데이터 기반 지하수 가뭄 전망체계를 구축하고 전국 시․군에 대해 적용하였다.
	지역별 모델링 기법의 한계점은 무엇인가?	지하수위를 전망하는 기법은 물리적 모형 또는 해석적 모형을 이용한 지역별 모델링 기법이 주로 이용된다. 하지만 이러한 방법은 모형의 구축과 매개변수 최적화 등에 많은 시간과 노력이 소요되며, 입력되는 자료의 변화나 공간적인 분석대상의 조정 등에 유연한 대처가 어렵고 모형의 실행 자체도 까다로운 경우가 많다. 더군다나 분석 대상이 전국단위(167개 시․군 또는 3,482개 읍․면․동)로 확장되고, 분석 주기가 월간, 주간으로 빈번해질 경우 모형의 구축, 최적화, 갱신되는 입력 자료의 반영 및 실행 등이 빠르게 수행되기 어려운 것이 현실이다. 또한 가뭄 예․경보 일정상 기상청의 강수전망 자료가 매월 1일에 제공되면, 하루 이틀 사이에 전국에 대한 가뭄분석을 완료한 후 부처 간 협의, 지자체 확인 등을 거쳐 10일에 발표해야 하는 상황에서 복잡한 물리모형은 적용 및 활용에 한계가 있다.

참고문헌 (15)

Changnon, S. A., Huff, F. A., and Hsu, C. F. (1988). "Relations between precipitation and shallow groundwater in Illinois." Journal of Climate, Vol. 1, No. 12, pp. 1239-1250.

상세보기
Changnon, S. A., Jr. (1987). Detecting drought conditions in Illinois, Illinois State Water Survey, Champaign, Circular 169.
Diaconescu, E. (2008). "The use of NARX neural networks to predict chaotic time series." WSEAS Transactions on Computer Research, Vol. 3, Issue 3, pp. 182-191. ISSN: 1991-8755.
Hagan, M. T., Demuth, H. B., Beale, M. H., and Jesus, O. (2014). Neural network design (2nd edition), Oklahoma State University, Stillwater, Oklahoma, U.S.A. ISBN: 0971732116.
Jan, C. D., Chen, T. H., and Lo, W. C. (2007). "Effect of rainfall intensity and distribution on groundwater level fluctuations." Journal of Hydrology, Vol. 332, Issues 3-4, pp. 348-360.
Kim, G. B., Yun, H. H., and Kim, D. H. (2006). "Relationship between standardized precipitation index and groundwater levels: A proposal for establishment of drought index wells." Journal of KoSSGE, Vol. 11, No. 3, pp. 31-42.
Kim, Y. (2014). "Time series prediction of dynamic response of a free-standing riser using quadratic Volterra Model." Journal of the Society of Naval Architects of Korea, Vol. 51, No. 4, pp. 274-282.

원문보기 상세보기
Lee, D. R., and Koo, H. (2000). "Analysis of groundwater recharge characteristics using relationship between rainfall and groundwater level." Journal of Korea Water Resources Association, Vol. 33, No. 1, pp. 51-59.
McKee, T. B., Doesken, N. J., and Kleist, J. (1995). "Drought monitoring with multiple time scales." Proceedings Ninth Conference on Applied Climatology, American Meteorological Society, Jan15-20, 1995, Dallas TX, pp. 233-236.
Park, E. (2007). "A development of groundwater level fluctuations due to precipitations and infiltrations." Journal of KoSSGE, Vol. 12, No. 4, pp. 54-59.
Van Gerven, M., and Bohte, S. (2017). Editorial: Artificial neural networks as models of neural information processing. Front. Comput. Neurosci., doi: 10.3389/fncom.2017.00114, pp. 11-114.

상세보기
Van Loon, A. (2015). "Hydrological drought explained," Wiley Interdisciplinary Reviews: WIREs Water, Vol. 2, pp. 359-392. doi: 10.1002/wat2.1085.

상세보기
Yang, J. S., and Ahn, T. Y. (2008). "The analysis of the correlation between groundwater level and the moving average of precipitation in Kum river watershed." The Journal of Engineering Geology, Vol. 18, No. 1, pp. 1-6.
Yang, J. S., Lim, C. H., Park, J. H., and Park, C. K. (2006). "The correlation between groundwater level and GOI with snowmelt effect in Ssangchun watershed." Journal of Korea Water Resources Association, Vol. 39, No. 2, pp. 121-126.

원문보기 상세보기
Yeh, H. F., Chang, C. F., Lee, J. W., and Lee, C. H. (2016). "SGI and SPI for drought characteristics in Gaoping river basin, Taiwan." Journal of Chinese Soil and Water Conservation, Vol. 47, No. 1, pp. 45-52.

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