[논문]LSTM 모형을 이용한 하천 고탁수 발생 예측 연구

박정수; 이현호

doi:10.11001/jksww.2020.34.1.035

LSTM 모형을 이용한 하천 고탁수 발생 예측 연구
Prediction of high turbidity in rivers using LSTM algorithm 원문보기

上下水道學會誌 = Journal of Korean Society of Water and Wastewater, v.34 no.1, 2020년, pp.35 - 43

박정수 (국립한밭대학교 건설환경공학과) , 이현호 (한국수자원공사 데이터센터)

Abstract ▼ AI-Helper

Turbidity has various effects on the water quality and ecosystem of a river. High turbidity during floods increases the operation cost of a drinking water supply system. Thus, the management of turbidity is essential for providing safe water to the public. There have been various efforts to estimate turbidity in river systems for proper management and early warning of high turbidity in the water supply process. Advanced data analysis technology using machine learning has been increasingly used in water quality management processes. Artificial neural networks(ANNs) is one of the first algorithms applied, where the overfitting of a model to observed data and vanishing gradient in the backpropagation process limit the wide application of ANNs in practice. In recent years, deep learning, which overcomes the limitations of ANNs, has been applied in water quality management. LSTM(Long-Short Term Memory) is one of novel deep learning algorithms that is widely used in the analysis of time series data. In this study, LSTM is used for the prediction of high turbidity(>30 NTU) in a river from the relationship of turbidity to discharge, which enables early warning of high turbidity in a drinking water supply system. The model showed 0.98, 0.99, 0.98 and 0.99 for precision, recall, F1-score and accuracy respectively, for the prediction of high turbidity in a river with 2 hour frequency data. The sensitivity of the model to the observation intervals of data is also compared with time periods of 2 hour, 8 hour, 1 day and 2 days. The model shows higher precision with shorter observation intervals, which underscores the importance of collecting high frequency data for better management of water resources in the future.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 LSTM의 실무 적용방안의 하나로 30 NTU 이상의 고탁수 발생에 대한 LSTM 모형의 예측성능 평가를 수행하였다. 이를 위해 우선 탁도가 30 NTU 이상인 고탁수 발생을 예측한 결과를 머신러닝의 범주형 데이터 분석에 주로 활용되는 정밀도(precision), 재현율(recall), F1-score 및 정확도(accuracy)의 4개 지표를 이용하여 평가하였다(Eq.
이러한 이격현상 등 다양한 요인이 유량-탁도 상관관계의 비선형성을 야기하며, 탁도 혹은 유사량(sediment load) 발생을 예측하는 모형 개발에 어려움을 주는 원인이 되기도 한다. 본 연구에서는 다양한 물리적 환경요인 등은 고려하지 않고 유량과 탁도 2항목만을 이용하여 LSTM 기반의 하천 고탁도 발생 예측 모형을 구축하여 제시하였으며, 향후 선행 강우, 강우 빈도 등 다양한 환경요인을 정량화 하고 이를 지표화하여 모형에 포함시키는 것도 모형의 성능을 개선할 수 있는 방법 중 하나로 판단된다. 하지만 모형의 입력 인자가 늘어날 경우 모형이 복잡해질 뿐 아니라 필요한 데이터의 확보를 위한 측정이 필요해 모형의 활용성이 낮아지게 된다.
,2017a). 본 연구에서는 장기간에 걸쳐 측정된 Q 및 T를 기반으로 하천의 T를 예측하는 모형을 구축하였다. 향후 유량 변화에 따라 변하는 하천 T의 예측을 통해 적정 약품 투입량을 결정하고, 특히 홍수기 등 급격히 T가 변할 경우에도 사전에 대응할 수 있도록 하여 정수장의 안정적 운영 및 수질개선을 위한 활용을 기대할 수 있다.
본 연구에서는 하천 수질 및 수생태 관리와 정수장 운영 효율화 등을 위해 장기간에 걸쳐 측정된 하천 유량 및 탁도 자료를 활용한 LSTM 모형을 구축하여 하천 고탁수 발생을 사전에 예측하고 이를 실무에 적용하여 효율성을 높이기 위한 방안을 제시하였다.

제안 방법

LSTM 모형의 최적화를 위한 손실값(loss)의 계산은 평균제곱오차(mean squared error)를 이용하고 유량(Q)및 탁도(T) 두 가지 항목을 모형의 입력 자료로 활용하였다. 모형의 time step을 1로 하고 Q_t-1와 T_t-1를 탁도 예측을 위한 입력 값으로 하여 T_t의 값을 예측하도록 구성하였다(Fig. 2). 본 연구에 사용된 LSTM 모형의 내부 뉴런(neuron), dropout율 및 오차보정을 위한 1회 입력 자료의 크기인 batch size와 최적화를 위한 전체 데이터의 학습 횟수인 epoch값은 1일 관측빈도 자료를 기준으로 최적 값을 결정하고 다른 시간관측빈도에 대해서도 동일 값을 적용하였다 (Table 1).
2). 본 연구에 사용된 LSTM 모형의 내부 뉴런(neuron), dropout율 및 오차보정을 위한 1회 입력 자료의 크기인 batch size와 최적화를 위한 전체 데이터의 학습 횟수인 epoch값은 1일 관측빈도 자료를 기준으로 최적 값을 결정하고 다른 시간관측빈도에 대해서도 동일 값을 적용하였다 (Table 1).
LSTM 알고리즘의 모형 구축시 time step의 설정은 데이터의 특성에 따라 모형의 성능에 영향을 미치게 된다. 본 연구에서는 1 day 관측 빈도 데이터에 대해 Table 1에 제시된 입력 parameter를 동일하게 사용하되 2, 3, 5, 10, 20의 time step을 추가로 적용하여 time step이 모형에 미치는 영향을 확인하였다.
이를 위해 우선 탁도가 30 NTU 이상인 고탁수 발생을 예측한 결과를 머신러닝의 범주형 데이터 분석에 주로 활용되는 정밀도(precision), 재현율(recall), F1-score 및 정확도(accuracy)의 4개 지표를 이용하여 평가하였다(Eq. 3∼6).
입력변수의 관측 빈도에 따른 모형 성능을 비교하기 위하여 15분 간격으로 측정된 Q와 T 원자료의 2, 8, 24, 48 시간 간격 평균을 구하여 4개의 시뮬레이션시나리오로 구성하였다. 자료가 측정된 미국 California 지역은 10월부터 강우가 시작되어 이듬해 봄까지 우기가 계속되며, 이후 9월까지 강수량이 적은 건기가 계속되는 특성을 가지고 있으며, 수질 및 수자원 분야 연구에서는 이러한 특성을 고려하여 10월부터 이듬해 9월까지의 기간을 연단위로 구분하는 경우가 많다.

대상 데이터

gov/nwis).Guerneville 측정소는 미국 California의 Russian River 하류 하구에서 약 30 km 상류에 위치하고 있으며, 유역면적은 약 3,465 km²이다.
LSTM 알고리즘을 이용한 모형의 구축과 검증에는 장기간에 걸쳐 측정된 데이터의 확보가 필요하며, 본 연구에는 미국지질조사국(USGS: United States Geological Survey)에서 2014년 1월 1일부터, 2019년 12월 31일까지 15분 간격으로 미국 California Guerneville 측정소(USGS site number: 11467000)에서 측정하여 공개한 Q 및 T 자료를 이용하였다 (자료출처: https://waterdata.usgs.gov/nwis).Guerneville 측정소는 미국 California의 Russian River 하류 하구에서 약 30 km 상류에 위치하고 있으며, 유역면적은 약 3,465 km²이다.
자료가 측정된 미국 California 지역은 10월부터 강우가 시작되어 이듬해 봄까지 우기가 계속되며, 이후 9월까지 강수량이 적은 건기가 계속되는 특성을 가지고 있으며, 수질 및 수자원 분야 연구에서는 이러한 특성을 고려하여 10월부터 이듬해 9월까지의 기간을 연단위로 구분하는 경우가 많다. 이러한 데이터의 특성을 고려하여, 본 연구에서는 2014년 1월부터 2018년 9월까지의 데이터를 모형의 훈련(train), 2018년 10월부터 2019년 12월까지의 데이터를 예측(prediction)에 활용하였으며, 훈련과 예측에 사용된 데이터의 비율은 0.79:0.21로 구성되었다 (Fig. 3, Table 2).

데이터처리

4를 이용하여 구현되었다. LSTM 모형의 최적화를 위한 손실값(loss)의 계산은 평균제곱오차(mean squared error)를 이용하고 유량(Q)및 탁도(T) 두 가지 항목을 모형의 입력 자료로 활용하였다. 모형의 time step을 1로 하고 Q_t-1와 T_t-1를 탁도 예측을 위한 입력 값으로 하여 T_t의 값을 예측하도록 구성하였다(Fig.
모형의 시나리오별 탁수 예측 성능에 대한 비교를 위해 평균 제곱근 오차(RMSE: Root Mean Square Error)와 데이터 특성이 다른 경우에도 모형 성능의 비교가 가능한 장점이 있는, 평균 제곱근 오차-관측값 표준편차비(RSR: Root Mean Squared Error-Observation Standard Deviation Ratio)를 이용하여 시뮬레이션 시나리오별 수행결과를 비교하였다 (Eq. 1과 2).

이론/모형

본 연구에서는 Keras 기반의 LSTM 알고리즘을 이용하여 모형을 구축하였으며, tensorflow 2.0 환경에서 python 3.5.4를 이용하여 구현되었다. LSTM 모형의 최적화를 위한 손실값(loss)의 계산은 평균제곱오차(mean squared error)를 이용하고 유량(Q)및 탁도(T) 두 가지 항목을 모형의 입력 자료로 활용하였다.

성능/효과

전체 측정 데이터중 탁도가 30 NTU 이상인 고탁수 발생은 약 20%였다. 30 NTU이상의 고탁도에 대해 모형의 실측값 대비 예측 값의 비율(예측값/ 실측값)의 평균은 2 hour, 8 hour, 1 day 및 2 days에 대해서 각각 1.00, 1.12, 0.89 및 0.96으로 분석되었다.
4가지 평가지표는 모두 0∼1사이의 값을 가지고 1에 가까울수록 모형의 성능이 우수하다고 판단된다.
Flood 1과 Flood 2는 각각 2016년 1월 7일과 18일에 약 10일간의 간격을 두고 발생했다. Flood 1에서는 최대 Q 및 T가 각각 344 m³/s와 284 NTU이고, Flood 2에서는 최대 Q는 Flood 1에 비해 67% 증가한 573m³/s였으나, 최대 T는 불과 18% 증가한 336 NTU로 조사되었다. 비슷한 경향을 Flood 3과 4에서도 확인할 수 있다.
비슷한 경향을 Flood 3과 4에서도 확인할 수 있다. Flood 3에서는 최대 Q와 T가 각각 1,278 m³/s와 477 NTU이고, Flood 4에서는 최대 Q가 Flood3 대비 58% 증가한 2,018 m³/s였으나 최대 T는 525 NTU로 불과 10% 증가한 것으로 관찰되었다.
고탁수(>30 NTU) 발생 예측에 대한 LSTM 모형이 정밀도, 재현율, F1-score 및 정확도를 평가한 결과 2 hour 관측 빈도에서는 각각 0.98, 0.99, 0.98 및 0.99의 높은 예측 성능을 보였으며 2 days의 낮은 관측 빈도에서도 지표 값이 0.79~0.94의 범위로 관찰되어 LSTM의 안정적 성능을 확인할 수 있었다.
관측 빈도 1 day 데이터에 대해 time step 1, 2, 3, 5, 10, 20를 적용한 결과 RSR이 각각 0.68, 0.75, 0.70, 0.72, 0.80, 1.32로 time step이 1인 경우에 가장 모형의 성능이 좋은 것으로 확인되었다 (Fig. 5).
관측 빈도별 RMSE와 RSR 값은 각각 8.31∼38.92와 0.16∼0.82의 범위를 가지는 것으로 분석되었으며, 관측 빈도가 가장 높은 2 hour 빈도 데이터에서 RMSE와 RSR이 각각 8.31 및 0.16으로 가장 좋은 성능을 보였으며, 관측 빈도가 높을수록 모형의 예측 능력이 개선되는 것을 확인할 수 있었다 (Table 3).
관측 빈도별로 탁도 30 NTU 이상인 고탁수 발생 예측을 수행한 결과 정밀도, 재현율, F1-score 및 정확도가 2 hour, 8 hour, 1 day 및 2 days에 대해서 각각 0.98∼0.99, 0.89∼0.97, 0.88∼0.94 및 0.79~0.94로 2 hour에서 가장 우수한 성능을 가지며, 2 days 관측빈도에서도 안정적인 성능을 보였다 (Table 4).
다양한 관측 빈도의 자료를 이용하여 LSTM 모형을 구축하고 하천 탁수 발생에 대한 예측을 수행한 결과 2 hour~2 days 관측 빈도 데이터에 대해 0.16~0.82 범위의 RSR값을 얻어 LSTM 모형의 안정적인 탁도 예측 성능을 확인할 수 있었다. 또한 데이터의 측정 빈도가 높을수록 모형의 예측 성능이 향상되는 것을 확인할 수 있었다.
또한 Flood 1~4 모두 동일한 홍수 사상 내에서도 유량이 증가하는 구간(rising limb)과 유량이 최대치에 도달한 후 감소하는 구간(falling limb)에서 동일한 유량에 대해 탁도가 다른 이격현상(hysteresis)이 발생하며, 같은 Q값에 대해 유량이 증가하는 구간에서 감소하는 구간보다 탁도가 높은 것으로 관찰되었다 (Fig.6b, c).
또한 time step 2~5 사이에서는 RSR의 차이는 크지 않았으나, 10이상일 경우 현저한 RSR의 증가가 관찰되어 모형의 성능이 저하되는 것을 확인할 수 있었다. 정밀도, 재현율, F1-score, 및 정확도의 경우 일부 지표는 time step이 높은 경우에 더 좋은 성능을 보이기도 했으나, time step 2, 3, 5, 20에서 보이는 것처럼 정밀도는 0.
94로 2 hour에서 가장 우수한 성능을 가지며, 2 days 관측빈도에서도 안정적인 성능을 보였다 (Table 4). 또한 관측빈도가 높을수록 모형의 성능이 향상되는 경향을 확인할 수 있었다.
82 범위의 RSR값을 얻어 LSTM 모형의 안정적인 탁도 예측 성능을 확인할 수 있었다. 또한 데이터의 측정 빈도가 높을수록 모형의 예측 성능이 향상되는 것을 확인할 수 있었다.
본 연구를 통해 LSTM 모형의 수질관리 실무 도입 가능성을 확인 할 수 있었다. 향후 수질분야의 특성을 고려한 모형의 개발로 모형의 실무 도입가능성을 높이고, 데이터에 기반한 합리적 최적 수질관리 체계 구축을 위한 지속적인 연구가 필요할 것으로 생각된다.
전체 측정 데이터중 탁도가 30 NTU 이상인 고탁수 발생은 약 20%였다. 30 NTU이상의 고탁도에 대해 모형의 실측값 대비 예측 값의 비율(예측값/ 실측값)의 평균은 2 hour, 8 hour, 1 day 및 2 days에 대해서 각각 1.
또한 time step 2~5 사이에서는 RSR의 차이는 크지 않았으나, 10이상일 경우 현저한 RSR의 증가가 관찰되어 모형의 성능이 저하되는 것을 확인할 수 있었다. 정밀도, 재현율, F1-score, 및 정확도의 경우 일부 지표는 time step이 높은 경우에 더 좋은 성능을 보이기도 했으나, time step 2, 3, 5, 20에서 보이는 것처럼 정밀도는 0.9이상으로 높더라도 재현율이 0.7이하로 현저하게 감소하거나, time step 10에서 보이는 것처럼 정밀도가 현저하게 낮아지는 등 모형의 안정성이 떨어지는 것으로 분석되었다 (Fig. 5).

후속연구

빈도가 다른 다수의 항목이 포함된 경우 데이터의 활용이 측정 빈도가 낮은 항목을 기준으로 결정되는 경우가 많아 측정자료의 활용성을 제한하는 요인이 된다. 따라서 LSTM 등 고도화된 모형의 활용성 및 정확도를 높이기 위해서는 실시간 측정 센서 등을 활용한 측정 빈도 및 지점의 확대와 함께 측정 시기를 표준화 하는 등 최근 빠르게 발전하는 ICT(information and communication technologies) 기반의 물환경관리 기술의 활용성을 높일 수 있는 양질의 데이터를 확보하기 위한 지속적인 노력과 관련분야의 연구가 필요하다.
하지만 모형의 입력 인자가 늘어날 경우 모형이 복잡해질 뿐 아니라 필요한 데이터의 확보를 위한 측정이 필요해 모형의 활용성이 낮아지게 된다. 따라서 측정이 용이한 항목을 우선적으로 적용하고 추가적인 입력 인자를 최소화하는 방향의 연구를 통해 모형의 실제 활용성을 높일 수 있을 것으로 판단된다.
, 2014). 하지만, 새롭게 개발되는 기술이 최적의 성능을 보장하는 것은 아니며, 빠르게 발전하고 있는 고도화된 데이터 분석 기술을 보다 효율적으로 적용하기 위해서는, 모형의 특성에 맞는 데이터의 전처리 및 구성과, 물리적 영향요인의 반영 등 활용분야에 대한 모형의 적용성을 높이기 위한 지속적 연구가 필요하다.
본 연구를 통해 LSTM 모형의 수질관리 실무 도입 가능성을 확인 할 수 있었다. 향후 수질분야의 특성을 고려한 모형의 개발로 모형의 실무 도입가능성을 높이고, 데이터에 기반한 합리적 최적 수질관리 체계 구축을 위한 지속적인 연구가 필요할 것으로 생각된다.
본 연구에서는 장기간에 걸쳐 측정된 Q 및 T를 기반으로 하천의 T를 예측하는 모형을 구축하였다. 향후 유량 변화에 따라 변하는 하천 T의 예측을 통해 적정 약품 투입량을 결정하고, 특히 홍수기 등 급격히 T가 변할 경우에도 사전에 대응할 수 있도록 하여 정수장의 안정적 운영 및 수질개선을 위한 활용을 기대할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	순환신경망의 단점을 보완하는 방법은?	, 2016). LSTM은 이러한 RNN의 단점을 보완하기 위해 이전 단계의 정보를 기억하는 메모리를 가지도록 구성되어 있으며 이는 오랫동안 기억하고 전달할 필요가 있는 정보를 저장하는 셀(cell) state와, 현 시점에서 단기간에 활용되는 정보를 저장하는 은닉(hidden) state로 구분된다 (Greffet al., 2016; Hochreiter and Schmidhuber, 1997).
	LSTM란?	LSTM(Long-Short Term Memory)은 이전 단계의 정보를 기억하는 장단기 메모리를 가지도록 구성되어있어 시계열 분석 등에 좋은 성능을 보이는 최신 딥러닝 알고리즘중 하나로, 최근 LSTM을 수질 예측에 활용하기 위한 연구에 대한 관심이 높아지고 있다. Lee and Lee (2018)는 한국의 16개보의 일일 및 주간 수질 측정 자료의 pH, 생물화학적산소요구량, 화학적 산소요구량, 용존산소, 수온을 이용하여, Chl-a 발생을 예측하는데 MLP(multilayer perceptron)와 순환신경망 모형(RNN: recurrent neural network) 그리고 LSTM을 적용하고 이중 LSTM이 가장 좋은 예측 성능을 가짐을 보여주었으며, Zhou et al.
	순환신경망의 단점은?	딥러닝 알고리즘중 하나인 순환신경망(RNN: Recurrent Neural Network)은 시계열 자료와 같이 연속된 순서를 가진 자료의 분석에 좋은 성능을 보이는 것으로 알려져 있으나, 은닉층(hidden layer)이 늘어남에 따라 오차 보정을 위한 역전파(backpropagation)시 기울기 손실(vanishing gradient)이 발생하여 학습능력이 감소하는 단점을 가지고 있다 (Greff et al., 2016).

참고문헌 (37)

Alexandrov, Y., Laronne, J.B., and Reid, I. (2007). Intra-event and interseasonal behaviour of suspended sediment in flash floods of the semiarid Northern Negev, Israel, Geomorphol., 85(1-2), 85-91.

상세보기
Asrafuzzaman, M., Fakhruddin, A., and Hossain, M.A. (2011). Reduction of turbidity of water using locally available natural coagulants, ISRN microbiol., 1-6.
Bennett, N.D., Croke, B.F., Guariso, G., Guillaume, J.H., Hamilton, S.H., Jakeman, A.J., and Perrin, C. (2013). Characterising performance of environmental models, Environ. Modell. Softw., 40, 1-20.

상세보기
Burnham, K., and Anderson, D. (2002). Model Selection and Multi-model Inference. 2nd Ed., Springer, New York.
Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y. (2014). Learning phrase representations using RNN Encoder-Decoder for statistical machine translation, arXiv, 1406.1078.
Chung, J., Gulcehre, C., Cho, K., and Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling, arXiv, 1412.3555.
Droppo, I.G., Liss, S.N., Williams, D., Nelson, T., Jaskot, C., and Trapp, B. (2009). Dynamic existence of waterborne pathogens within river sediment compartments. Implications for water quality regulatory affairs, Environ. Sci. Technol., 43(6), 1737-1743.

상세보기
Gray, A., Warrick, J., Pasternack, G., Watson, E., and Goni, M. (2014). Suspended sediment behavior in a coastal dry-summer subtropical catchment: effects of hydrologic preconditions, Geomorphol., 214, 485-501.

상세보기
Greff, K., Srivastava, R.K., Koutnik, J., Steunebrink, B.R., and Schmidhuber, J. (2016). LSTM: A search space odyssey, IEEE Trans. Neural Netw., 28(10), 2222-2232.
Hicks, D.M., Gomez, B., and Trustrum, N.A. (2000). Erosion thresholds and suspended sediment yields, Waipaoa River basin, New Zealand, Water Resour. Res., 36(4), 1129-1142.

상세보기
Hochreiter, S., and Schmidhuber, J. (1997). Long short-term memory, Neural Comput., 9(8), 1735-1780.

상세보기
Hu, Z., Zhang, Y., Zhao, Y., Xie, M., Zhong, J., Tu, Z., and Liu, J. (2019). A water quality prediction method based on the deep LSTM network considering correlation in smart mariculture, Sensors, 19(6), 1420.

상세보기
Huang, J., Gao, J., and Zhang, Y. (2015). Combination of artificial neural network and clustering techniques for predicting phytoplankton biomass of Lake Poyang, China, Limnol., 16(3), 179-191.

상세보기
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning, Nat., 521(7553), 436-444.

상세보기
Lee, S., and Lee, D. (2018). Improved prediction of harmful algal blooms in four Major South Korea's Rivers using deep learning models, Int. J. Environ. Res. Public Health, 15(7), 1322.

상세보기
Lin, W., Sung, S., Chen, L., Chung, H., Wang, C., Wu, R., and Peng, X. (2004). Treating high-turbidity water using full-scale floc blanket clarifiers, J. Environ. Eng., 130(12), 1481-1487.

상세보기
McCulloch, W.S., and Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity, Bull. Math. Biophys., 5(4), 115-133.

상세보기
MOE. (2019). Water environment monitoring network installation and operation plan.
Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., and Veith, T.L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations, T. ASABE, 50(3), 885-900.

상세보기
Nair, V., and Hinton, G. E. (2010). "Rectified linear units improve restricted boltzmann machines", Proceedings of the 27th international conference on machine learning, 21-24 June, Haifa, Israel.
Nistor, C.J., and Church, M. (2005). Suspended sediment transport regime in a debris-flow gully on Vancouver Island, British Columbia, Hydrol. Process., 19, 861-885.

상세보기
Olah, C. (2015). Understanding LSTM Networks, GITHUB blog, Retrieved from http://colah.github.io/posts/2015-08-Understanding-LSTMs/.
Park, H.S., Chung, S.W., and Choung, S.A. (2017a). Analyzing the effect of an extreme turbidity flow event on the dam reservoirs in North Han River basin, J. Korean Soc. Water Environ., 33(3), 282-290.

원문보기 상세보기
Park, J., and Hunt, J.R. (2017b). Coupling fine particle and bedload transport in gravel-bedded streams, J. Hydrol., 552, 532-543.

상세보기
Park, J., and Hunt, J.R. (2018). Modeling fine particle dynamics in gravel-bedded streams: Storage and re-suspension of fine particles, Sci. Total. Environ., 634, 1042-1053.

상세보기
Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain, Psychol. Rev., 65(6), 386.

상세보기
Seo, S.D., Lee, J.Y., and Ha, S.R. (2011). Effect of hydroelectric power plant discharge on the turbidity distribution in Dae-Cheong dam reservoir, Environ. Impact Assess., 20(2), 225-232.
Singer, M.B., Aalto, R., James, L.A., Kilham, N.E., Higson, J.L., and Ghoshal, S. (2013). Enduring legacy of a toxic fan via episodic redistribution of California gold mining debris, Proc. Natl. Acad. Sci., 110(46), 18436-18441.

상세보기
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting, J. Mach. Learn. Res., 15(1), 1929-1958.
Suttle, K.B., Power, M.E., Levine, J.M., and McNeely, C. (2004). How fine sediment in riverbeds impairs growth and survival of juvenile salmonids, Ecol. Appl., 14(4), 969-974.

상세보기
Walling, D. (1974). Suspended sediment and solid yields from a small catchment prior to urbanization, Fluv. Process. Instrum. Watersheds, 6, 169-192.
Walling, D. (1977). Assessing the accuracy of suspended sediment rating curves for a small basin, Water Resour. Res., 13(3), 531-538.

상세보기
Warrick, J., Madej, M., Goni, M., and Wheatcroft, R. (2013). Trends in the suspended-sediment yields of coastal rivers of northern California, J. Hydrol., 489, 1955-2010
Warrick, J.A. (2015). Trend analyses with river sediment rating curves, Hydrol. Process., 29(6), 936-949.

상세보기
Williams, G.P. (1989). Sediment concentration versus water discharge during single hydrologic events in rivers, J. Hydrol., 111, 89-106.

상세보기
Wu, N., Huang, J., Schmalz, B., and Fohrer, N. (2014). Modeling daily chlorophyll a dynamics in a German lowland river using artificial neural networks and multiple linear regression approaches, Limnol., 15(1), 47-56.

상세보기
Zhou, J., Wang, Y., Xiao, F., Wang, Y., and Sun, L. (2018). Water quality prediction method based on IGRA and LSTM, Water, 10(9), 1148.

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