[논문]인공신경망모형을 이용한 기온기반 기준증발산량 산정

이성학; 김마가; 최진용; 방재홍

doi:10.5389/ksae.2019.61.1.095

인공신경망모형을 이용한 기온기반 기준증발산량 산정
Estimating Reference Crop Evapotranspiration Using Artificial Neural Network and Temperature-based Climatic Data 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.61 no.1, 2019년, pp.95 - 105

이성학 (Department of Rural Systems Engineering, Seoul National University) , 김마가 (Department of Rural Systems Engineering, Seoul National University) , 최진용 (Department of Rural Systems Engineering, Research Institute of Agriculture and Life Sciences, Seoul National University) , 방재홍 (Department of Rural Systems Engineering, Seoul National University)

Abstract ▼ AI-Helper

Evapotranpiration (ET) is one of the important factor in Hydrological cycle and irrigation planning. In this study, temperature-based artificial neural network (ANN) model for daily reference crop ET estimation was developed and compared with reference crop evapotranpiration ($ET_0$) from FAO-56 Penman-Monteith method (FAO-56 PM) and parameter regionalized Hargreaves method. The ANN model was trained and tested for 10 weather stations (5 inland stations and 5 costal stations) and two input climate factors, maximum temperature ($T_{max}$), minimum temperature ($T_{min}$), and extraterrestrial radiation (RA) were used for training and validation of temperature-based ANN model. Monthly reference ET by the ANN model also compared with parameter regionalized Hargreaves method for ANN model applicability evaluation. The ANN model evapotranspiration demonstrated more accordance to FAO-56 PM evapotranspiration than the $ET_0$ from parameter regionalized Hargreaves method(R-Hargreaves). The results of this study proposed that daily reference crop ET estimated by the ANN model could be used in the condition of no sufficient climate data.

주제어

표/그림 (8)

표 Table 1 Description of weather stations used in this study
그림 Fig. 1 Structure of typical multi-layer neural network
표 Table 2 Number of nodes in hidden layer and calibration and validation statics for each stations(observation start time∼2010)
그림 Fig. 2 Scatter plots comparing calculated daily ET₀ by FAO-56 PM method and simulated ET₀ by artificial neural network method for training data
표 Table 3 Statics of monthly evapotranspiration estimated by ANN and adjusted Hargreaves method for each stations during test period(2011∼2015)
그림 Fig. 3 Scatter plots comparing calculated daily ET₀ by FAO-56 PM method and simulated ET₀ by artificial neural network method for validation data
그림 Fig. 4 Scatter plots comparing calculated monthly ET₀ by FAO-56 PM method and simulated ET₀ by artificial neural network method (2011∼2015)
그림 Fig. 5 Scatter plots comparing calculated ET₀ by FAO-56 PM method and calculated ET₀ by R-Hargreaves method (2011-2015)

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 일 최고/최저기온을 활용하여 기온기반 기준증발산량을 산정하기 위해위해 인공신경망모형을 구성하고 내륙과 해안지역의 기상관측소를 각각 선정하여 FAO-56 PM법과 기준증발산량을 산정결과를 비교하였다. 또한 기온기반 기준증발산량 산정 방법인 R-Hargreaves법, 인공신경망모형과 FAO-56 PM법의 기준증발산량 산정결과를 비교하고 적용성을 평가하였다.

제안 방법

본 연구에서는 제한된 기상자료를 활용하는 온도기반 기준증발산량 산정 인공신경망모형을 9개 기상관측소 기상자료를 활용하여 구축하였다. 구축된 인공신경망 모형의 유효성을 확인하기 위하여 FAO-56 PM법에 의한 기준증발산량 산정과 비교하여 성능을 평가하였다. 또한 온도기반 기준증발산량 산정 인공신경망모형과 동일한 온도기반 입력자료를 활용하는 매개변수 지역화 Hargreaves(R-Hargreabes)법을 이용하여 월별 기준증발산을 각각 산정하고 그 결과를 비교하였다.
(2002)는 인공신경망모형을 이용한 기준증발산량 산정 시 은닉층 최적 노드수는 입력층 노드수 (I)에 따라 변하며, 그 범위는 I+1과 I×2사이라고 하였다. 따라서 본 연구에서 은닉층 최적 노드수는 모형을 대상지역에 적용한 후 검증결과에 따라 과적합을 피하는 최적의 은닉층 노드수로 결정하였다. 최적 은닉층 노드수는 갯수를 1에서 20까지 변화시키면서 1000회 반복 수행을 실시하고 본 모형과 FAO-56 PM 법에 의한 기준증발산량 추정결과를 비교하여 최적의 노드수를 결정하였다.
, 2011). 따라서 입력자료의 절대적 크기에 영향을 줄이기 위하여 입력자료 정규화 (normalization)을 수행하였다. 입력자료 정규화방법에는 입력자료의 최대치, 표준편차, 최대 및 최소치의 차이 등을 활용하는 방법이 있으며, 본 연구에서는 Kisi (2009)이 제시한 식 (6)과 같은 정규화 방법을 사용하였다.
인공신경망모형의 구축 시 활성함수는 시그모이드함수 (sigmoid function)을 사용하였으며, 최적화 기법은 Levenberg-Marduardt 알고리듬을 사용하였다. 또한 각 관측소별로 1000회 반복수행하여 최적의 은닉층 노드수를 산정하였다.
본 연구에서는 일 최고/최저기온을 활용하여 기온기반 기준증발산량을 산정하기 위해위해 인공신경망모형을 구성하고 내륙과 해안지역의 기상관측소를 각각 선정하여 FAO-56 PM법과 기준증발산량을 산정결과를 비교하였다. 또한 기온기반 기준증발산량 산정 방법인 R-Hargreaves법, 인공신경망모형과 FAO-56 PM법의 기준증발산량 산정결과를 비교하고 적용성을 평가하였다.
본 연구에서 구축된 일별 기준증발산량 산정 인공신경망모형을 활용하여 9개 지점(내륙 5개 지점, 해안 4개 지점)의 기상자료 (최저/최고기온, 대기권 밖 일사량)에 대하여 인공신경망모형의 훈련(training)과 검증(validation)을 수행하였다. 인공신경망 모형에 사용된 훈련 및 검증자료는 FAO-56 PM법의 기준증발산량 산정결과를 활용하였다.
본 연구에서는 제한된 기상자료를 활용하는 온도기반 기준증발산량 산정 인공신경망모형을 9개 기상관측소 기상자료를 활용하여 구축하였다. 구축된 인공신경망 모형의 유효성을 확인하기 위하여 FAO-56 PM법에 의한 기준증발산량 산정과 비교하여 성능을 평가하였다.
따라서 R-Hargreaves법과의 비교를 위해서는 일단위가 아닌 월단위로 비교하는 것이 타당하다. 이를 위하여 일단위로 산정된 기준증발산량 산정 인공신경망 모형과 FAO-56 PM법의 결과를 월단위 증발산량으로 변환하고 이를 R-Hargreaves법의 월단위 기준증발산량 산정결과와 비교하였다.
작물의 생장시기 및 관개기를 고려하여 각 해의 5월∼10월까지의 자료만을 인공신경망모형의 학습과 훈련에활용하였다.
따라서 본 연구에서 은닉층 최적 노드수는 모형을 대상지역에 적용한 후 검증결과에 따라 과적합을 피하는 최적의 은닉층 노드수로 결정하였다. 최적 은닉층 노드수는 갯수를 1에서 20까지 변화시키면서 1000회 반복 수행을 실시하고 본 모형과 FAO-56 PM 법에 의한 기준증발산량 추정결과를 비교하여 최적의 노드수를 결정하였다.

대상 데이터

1. 대상자료는 9개 기상관측소(내륙 5개, 해안 4개)의 관측일로부터 2015년까지 최고/최저/평균기온, 평균풍속, 상대습도, 강수량, 일사량 및 일조시간 자료를 수집하였으며, FAO-56 PM법에 의한 기준증발산량을 산정하였다.
2. 인공신경망모형의 입력자료 기상인자 중 최저/최고기온 및 대기권 밖 일사량 자료를 이용하여 온도기반 기준증발산량 산정 인공신경망모형을 구축하였으며, 인공신경망모형 훈련 (training)자료는 각 기상관측소 기상관측일 ∼ 2010년까지의 자료, 검증 (validation)자료는 2010년∼2015년까지의 자료를 사용하였다.
기준증발산량 산정을 위한 인공신경망모형의 입력자료는 각 기상관측소의 최저/최고기온 및 대기권 밖 일사량 자료를 적용하였다. 본 모형의 입력자료 구성은 Hargreaves법의 입력 자료와 동일하며, 대기권 밖 일사량은 재원정보를 활용하여 산정하였다.
대상 기상관측소 자료 기간은 일별 기준증발산량 산정 인공신경망 모형의 학습을 위하여 관측시점∼2010년 까지의 일별 기상자료를 활용하였으며, 인공신경망 모형의 검증과 R-Hargreaves법의 비교를 위하여 2011년∼2015년 까지 5개년의 자료를 활용하였다.
인공신경망모형은 자료의 범위 내에서 훈련(Learning)을 수행하는 내삽법(interpolation)에 해당하므로 훈련에 이용되는 자료의 기간이 길수록 좋다. 따라서 각 관측소의 관측시작 시점부터 2010년까지를 훈련 데이터로 하였으며, 2011년부터 2015년까지를 인공신경망모형 검증 (Validation)기간으로 설정하여 자료를 구축하였다.
본 연구에서는 기준증발산량을 산정하기 위하여 내륙지역 5개, 해안지역 4개의 총 9개 기상관측소의 최고/최저기온, 평균기온, 일조시간, 상대습도, 이슬점, 평균풍속자료를 수집하였다. 대상 기상관측소 재원과 인공신경망모형 및 R-Hargreaves법의 적용에 사용된 자료기간을 Table 1과 같다.
증발산은 작물의 생육기간, 관개기간 등이 고려되어 산정되어야 하므로 작물 생육기간과 관개기간인 5월부터 10월까지를 대상 기간으로 하여 자료를 구축하였다.

데이터처리

5. 인공신경망모형의 성능을 동일한 입력자료를 활용하는 매개변수 지역화 Hargreaves(R-HArgreaves)법 월별 기준증발산량 산정결과와 비교하였다. 비교결과 대상 관측소 전체에서 인공신경망 모형이 매개변수 지역화 Hargreaves (R-Hargreaves)법 보다 나은 결과를 나타내었다.
구축된 인공신경망 모형의 유효성을 확인하기 위하여 FAO-56 PM법에 의한 기준증발산량 산정과 비교하여 성능을 평가하였다. 또한 온도기반 기준증발산량 산정 인공신경망모형과 동일한 온도기반 입력자료를 활용하는 매개변수 지역화 Hargreaves(R-Hargreabes)법을 이용하여 월별 기준증발산을 각각 산정하고 그 결과를 비교하였다.
최적의 노드수를 결정하기 위한 성능평가지표는 절대평균오차 (Mean absolute error, MAE), 평균제곱근오차 (Root mean square error, RMSE), 결정계수 (Coefficient of determination, R²) 값을 사용하였다.

이론/모형

3. 인공신경망모형의 구축 시 활성함수는 시그모이드함수 (sigmoid function)을 사용하였으며, 최적화 기법은 Levenberg-Marduardt 알고리듬을 사용하였다. 또한 각 관측소별로 1000회 반복수행하여 최적의 은닉층 노드수를 산정하였다.
기준증발산량 산정을 위한 인공신경망모형의 입력자료는 각 기상관측소의 최저/최고기온 및 대기권 밖 일사량 자료를 적용하였다. 본 모형의 입력자료 구성은 Hargreaves법의 입력 자료와 동일하며, 대기권 밖 일사량은 재원정보를 활용하여 산정하였다.
본 모형의 학습을 위하여 Levenberg-Marquardt 학습 알고리듬을 적용하였다. Levenberg-Marquardt 알고리듬은 수렴속도가 빠르고 경사하강법 (gradient descent method) 비하여 학습율 (learning rate)을 설정하지 않아도 되는 장점이 있다.
은닉층의 활성화함수 (activation function)은 일반적으로 사용되는 시그모이드함수 (sigmoid function)을 사용하였다. 인공신경망모형은 입력자료의 절대적인 크기에 매우 민감하다 (Kumar et al.
본 연구에서 구축된 일별 기준증발산량 산정 인공신경망모형을 활용하여 9개 지점(내륙 5개 지점, 해안 4개 지점)의 기상자료 (최저/최고기온, 대기권 밖 일사량)에 대하여 인공신경망모형의 훈련(training)과 검증(validation)을 수행하였다. 인공신경망 모형에 사용된 훈련 및 검증자료는 FAO-56 PM법의 기준증발산량 산정결과를 활용하였다. Table 2는 관개기 (5월-10월)기간에 대한 9개 지점의 기준증발산량 산정을 위한 인공신경망모형의 최적 은닉층 노드수 (N_h), 모형의 훈련 및 검증 결과를 나타낸다.
=모형에 의한 모의 출력값으로서 인공신경망모형 모형에 의해 모의된 기준증발산량을 나타낸다. 인공신경망모형의 훈련 알고리듬은 경사하강법 (gradient descent algorithm), 공액경사하강법 (conjugate gradient descent method), Levenber-Marquardt 알고리듬 등이 사용된다.
따라서 입력자료의 절대적 크기에 영향을 줄이기 위하여 입력자료 정규화 (normalization)을 수행하였다. 입력자료 정규화방법에는 입력자료의 최대치, 표준편차, 최대 및 최소치의 차이 등을 활용하는 방법이 있으며, 본 연구에서는 Kisi (2009)이 제시한 식 (6)과 같은 정규화 방법을 사용하였다.

성능/효과

4. 구축된 인공신경망모형을 대상 관측소에 적용하여 훈련을 수행한 결과 은닉층의 최적노드 수는 4개∼11개 범위로 대구 9개, 대전 9개, 수원 6개, 전주 5개, 춘천 7개, 강릉 11개, 목포 7개, 울산 4개, 성산 6개로 나타났다.
3는 9개 기상관측소의 검증기간(2011년∼2015년)에 대한 일별 기준증발산량 산정 결과를 인공신경망 모형 기반 기준증발산량 산정 결과를 1:1 그래프로 비교하여 나타낸 것이다. 9개 지점에 대한 기준증발산량 산정 인공신경망모형의 학습이 효과적으로 이루어졌음을 알 수 있으며, 검증기간에 대해서도 내륙지역이 해안지역에 비해 상대적으로 학습이 효과적임을 그래프 상에서도 확인할 수 있다.
FAO-56 PM법과 R-Hargreaves법의 월별 기준증발산량 비교 결과 전체 지점에 대한 절대평균오차 (MAE)는 4.116∼13.322사이의 값을 나타냈으며, 내륙지역은 4.116∼9.533, 해안지역은 7.074∼13.322의 범위로 나타났다.
735의 범위를 나타내었다. 결정계수 (R²)는 0.6이상의 값을 나타내어 모형의 적용성이 인정되었으며, 인공신경망 훈련결과 최적 은닉층 노드수는 4-11개로 나타났으며, 내륙지역이 해안지역에 비해 FAO-56 PM법에 의한 기준증발산량 산정 결과에 가까운 값을 나타내어 상대적으로 높은 적용성을 보였다.
855의 범위를 나타내었다. 기상관측소 월별 기준증발산량 산정 결과 인공신경망 모형을 산정한 결과가 R-Hargreaves법에 비해 전체적으로 우수한 성능을 보였다. 기존의 관측자료가 존재하는 경우 R-Hargreaves법보다 인공신경망 모형을 적용하여 기준증발산량을 산정하는 것이 유리하다고 판단된다.
구축된 인공신경망모형을 대상 관측소에 적용하여 훈련을 수행한 결과 은닉층의 최적노드 수는 4개∼11개 범위로 대구 9개, 대전 9개, 수원 6개, 전주 5개, 춘천 7개, 강릉 11개, 목포 7개, 울산 4개, 성산 6개로 나타났다. 모형의 훈련과 검증기간에 대한 성능평가 지표로 절대평균오차 (MAE), 평균제곱오차 (RMSE), 결정계수 (R²)를 적용하여 FAO-56-PM법과 인공신경망모형의 일별 기준증발산량 산정결과를 비교한 결과 인경신경망모형의 기준증발산량이 FAO-56 PM법의 기준증발산량을 잘 반영하는 것으로 나타났다. 내륙지역이 해안지역에 비해 상대적으로 좋은 성능지표를 나타냈으며, 이는 해안지역이 내륙지역에 비하여 상대적으로 풍속의 영향을 많이 받기 때문으로 판단된다.
인공신경망모형의 성능을 동일한 입력자료를 활용하는 매개변수 지역화 Hargreaves(R-HArgreaves)법 월별 기준증발산량 산정결과와 비교하였다. 비교결과 대상 관측소 전체에서 인공신경망 모형이 매개변수 지역화 Hargreaves (R-Hargreaves)법 보다 나은 결과를 나타내었다.
756의 범위를 나타냈다. 성산관측소를 제외하고 모두 결정계수 0.6이상의 값을 나타내어 FAO-56 법의 기준증발산량을 잘 모의하는 것으로 나타났다. 다만, 성산관측소의 경우 결정계수 값이 낮게 나타난 것은 기준증발산량에 영향을 미치는 요소 중 하나인 평균 풍속이 섬이라는 지역적 특성에 따라 다른 지역에 비해 크고, 변화가 심하기 때문인 것으로 판단된다.
909의 범위를 나타내었다. 위의 3가지 통계지표를 고려할 때 내륙지역이 해안지역에 비해 상대적으로 높은 적용성을 나타내었다.
일별 기준증발산량산정 인공신경망모형의 검증결과 각 지점의 절대평균오차 (MAE)는 0.362∼0.569의 범위를 나타냈으며, 내륙지역은 0.362∼0.501, 해안지역은 0.464∼0.569의 범위를 나타냈다.
평균제곱오차 (RMSE)는 전체 지점에 대해서 0.429∼0.647의 범위를 나타냈으며, 내륙지역은 0.429∼0.575, 해안지역은 0.458∼0.647의 범위로 나타났다.

후속연구

(2013)이 제시한 매개변수 지역화 Hargreaves법을 비교한 결과 인공신경망모형이 전반적으로 우수하고 안정적인 것으로 평가되었다. 또한 인공신경망에 의한 기준증발산량 산정방법은 일단위에도 적용할 수 있는 장점이 있어 일단위 유출모형이나 필요수량 산정 모형에 적용이 용이할 것으로 판단된다.
본 연구에서 구축된 온도기반 기준증발산량 산정 인공신경망 모형은 과거자료를 기반으로 하고 있어 기존 관측자료가 풍부하지 못한 지역에서는 사용할 수 없는 단점이 있다. 하지만 제한적 기상인자가 제공되는 기후변화 자료를 활용하여 대상 관측소의 미래 기준증발산량을 산정하거나 기상자료 누락으로 인한 일정기간 기상자료가 제한되는 조건에서 활용할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	FAO-56 PM법의 장점과 단점은 각각 무엇인가?	FAO-56 PM법은 기후에 상관없이 전 세계 대부분의 지역에 적용할 수 있는 장점이 있지만 기준증발산량 산정을 위해서는 많은 기상인자가 필요한 단점이 있다. 기상자료가 제한된 경우 FAO는 기온자료 만을 이용하여 기준증발산량을 산정할 수 있는 Hargreaves법을 추천하고 있다 (Allen et al.
	인공신경망모형에서 학습 (training)이란 무엇을 의미하는가?	1과 같이 각 층의 노드는 다른 층의 노드와 가중치 (weight)로 연결되어 있다. 훈련 집합이 주어지면 가중치를 자동으로 추정하여 신경망을 구성하며, 이러한 과정을 학습 (training)이라 한다. 이러한 측면에서 인공신경망모형은 일종의 블랙박스모형으로 간주할 수 있다.
	인공신경망모형이란 무엇인가?	, 2011). 인공신경망모형은 미리 측정된 자료들 속에서 의미 있는 패턴과 규칙을 탐색하고 분석하여 일정한 규칙을 찾아내는 기계적 알고리즘이다. 인공신경망모형을 이용하여 기상 인자가 제한된 경우 기준증발산량을 산정하는 가용한 기상 인자의 조합에 따라 인공신경망모형을 적용하고 결과를 FAO-56 PM법과 비교하는 연구가 여러 연구자들에 의하여 수행된 바 있다 (Sudheer et al.

참고문헌 (22)

Allen, R. G., M. Smith, A. Perroer, and L. S. Preira, 1994. An update for the calculation of reference evapotranspiration. ICID Bull 43(2): 35-92.
APEC Cliamte Center, Clipped CMIP5 data, http://adss.apcc21.org/DataSet/CMIP5/cmip5,jsp. Accessed 31 Mar. 2017.
Gocic, M., and S. Trajkovic, 2010. Software for estimating reference evapotranspiration using limited weahter data. Computers and Electronics in Agriculture 71: 158-162. doi:10.1016/j.compag.2010.01.003.

상세보기
Hargreaves, G. H., 1975. Moisture availability and crop production. Transactions of ASAE 18(5): 980-984. doi:10.13031/2013.36722.

상세보기
Hargreaves, H. G., and A. Z. Samani, 1985. Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture 1(2): 96-99. doi:10.13031/2013.26773.

상세보기
Jesen, M. E. (Ed), 1974. Consumptive use of water and irrigation water requirements. Rep. Tech, Comm. on Irrigation, p. 277.
Kang, M. S., and S. W. Park, 2003. Short-term flood forecasting using artificial neural networks. Journal of the Korean Society of Agricultural Engineers 45(2): 45-57 (in Korean).
Kisi, O., 2009. Daily pan evaporation modelling using multi-layer perceptions and radial basis neural networks. Hydrological Processes 23: 213-223. doi:10.1002/hyp.7126.

상세보기
Kumar, M., N. S. Raghuwanshi, and R. Singh, 2011. Artificial neural networks approach in evapotranspiration modelling: a review. Irrigation Science 29: 11-25. doi:10.1007/s00271-010-0230-8.

상세보기
Kumar, M., N. S. Ranghuwanshi, S. Singh, W. W. Wallender, and W. O. Pruitt, 2002. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage 128(4): 224-233. doi:10.1061/(ASCE)0733-9437(2002)128:4(224).

상세보기
Lee, E. J., M. S. Kang, J. A. Park, J. Y. Choi, and S. W. Park, 2010. Estimation of future reference crop evapotranspiration using artificial neural network. Journal of Korean Society of Agricultural Engineers 52(5): 1-9 (in Korean). doi:10.5389/KSAE.2010.52.5.001.
Makridakis, S., S. C. Wheelwright, and R. J. Hyndman, 1998. Forecasting-mothods and application (Third Ed.). Wiley, New York, pp. 42-50.
McVicker, R., 1982. The effects of model complexity on ther predictive accuracy of soil moisture accounting models M.S. Thesis, Utah State University, Logan, Utah.
Moon, J. W., C. G. Jung, and D. R. Lee, 2013. Parameter regionalization of Hargreaves equation based on climatological characteristics in Korea. Journal of Korea Water Resources Association 46(9): 933-946. doi:10.3741/JKWRA.2013.46.9.933.

원문보기 상세보기
Oh, S. K., 2008. Pattern recognition. Kyobo Moongo, Seoul, p. 98.
Salih, A. M. A., and U. Sendil, 1984. Evapotranspiration under extremely arid climates. Journal of Irrigation and Drainage 110(3): 289-303. doi:10.1061/(ASCE)0733-9437(1984)110:3(289).

상세보기
Shih, S. F., 1984. Data requirement for evapotranspiration estimation. Journal of Irrigation and Drainage 110(3): 263-274. doi:10.1061/(ASCE)0733-9437(1984)110:3(263).

상세보기
Sudheer, K. P., A. K. Gosain, and K. S. Ramasatri, 2003. Estimating actual evapotranspiration from limited climatic data using neural computing technique. Journal of Irrigation and Drainage 129(3): 214-218. doi:10.1080/09715010.2009.10514929.

상세보기
Trajkovic, S., 2005. Temperature-based approaches for estimating reference evapotranspiration. Journal of Irrigation and Drainage 131(4): 316-323. doi:10.1061/(ASCE)0733-9437(2005)131:4(316).

상세보기
Trajkovic, S., and S. Kolakovic, 2003. Estimating reference evapotranspiration using limited weather data. Journal of Irrigation and Drainage 45(2): 45-57. doi:10.1061/(ASCE)IR.1943-4774.0000094.
Wang, Y. M., S. Traore, and T. Kerh, 2008. Neural network approach for estimating reference evapotranspirtion form limited climatic data in Burkina Faso. WSEA Transactions on Computers 6(7): 704-713.
Zanetti, S. S., E. F. Sousa, W. P. S. Oliveira, F. T. Almeida, and S. Bernardo, 2007. Estimating evapotranspiration using artificial neural network and minimum climatological data. Jousrnal of Irrigation and Drainage 133(2): 83-89. doi:10.1061/(ASCE)0733-9437(2007)133:2(83).

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