본 연구에서는 인공지능기법을 이용하여 진동만의 용존산소량 예측을 하였다. 관측자료에 존재하는 결측 구간을 보간하기 위해 양방향재귀신경망(BRITS, Bidirectional Recurrent Imputation for Time Series) 딥러닝 알고리즘을 이용하였고, 대표적 시계열 예측 선형모델인 ARIMA(Auto-Regressive Integrated Moving Average)과 비선형모델 중 가장 많이 이용되고 있는 LSTM(Long Short-Term Memory) 모델을 이용하여 진동만의 용존산소량을 예측하고 그 성능을 평가했다. 결측 구간 보정 실험은 표층에서 높은 정확도로 보정이 가능했으나, 저층에서는 그 정확도가 낮았으며, 중층에서는 실험조건에 따라 정확도가 불안정하게 나타났다. 실험조건에 따라 정확도가 불안정하게 나타났다. 결과로부터 LSTM 모델이 중층과 저층에서 ARIMA 모델보다 우세한 정확도를 보였으나, 표층에서는 ARIMA모델의 정확도가 약간 높은 것으로 나타났다.
본 연구에서는 인공지능기법을 이용하여 진동만의 용존산소량 예측을 하였다. 관측자료에 존재하는 결측 구간을 보간하기 위해 양방향재귀신경망(BRITS, Bidirectional Recurrent Imputation for Time Series) 딥러닝 알고리즘을 이용하였고, 대표적 시계열 예측 선형모델인 ARIMA(Auto-Regressive Integrated Moving Average)과 비선형모델 중 가장 많이 이용되고 있는 LSTM(Long Short-Term Memory) 모델을 이용하여 진동만의 용존산소량을 예측하고 그 성능을 평가했다. 결측 구간 보정 실험은 표층에서 높은 정확도로 보정이 가능했으나, 저층에서는 그 정확도가 낮았으며, 중층에서는 실험조건에 따라 정확도가 불안정하게 나타났다. 실험조건에 따라 정확도가 불안정하게 나타났다. 결과로부터 LSTM 모델이 중층과 저층에서 ARIMA 모델보다 우세한 정확도를 보였으나, 표층에서는 ARIMA모델의 정확도가 약간 높은 것으로 나타났다.
In this study, we used artificial intelligence algorithms for the prediction of dissolved oxygen in Jindong Bay. To determine missing values in the observational data, we used the Bidirectional Recurrent Imputation for Time Series (BRITS) deep learning algorithm, Auto-Regressive Integrated Moving Av...
In this study, we used artificial intelligence algorithms for the prediction of dissolved oxygen in Jindong Bay. To determine missing values in the observational data, we used the Bidirectional Recurrent Imputation for Time Series (BRITS) deep learning algorithm, Auto-Regressive Integrated Moving Average (ARIMA), a widely used time series analysis method, and the Long Short-Term Memory (LSTM) deep learning method were used to predict the dissolved oxygen. We also compared accuracy of ARIMA and LSTM. The missing values were determined with high accuracy by BRITS in the surface layer; however, the accuracy was low in the lower layers. The accuracy of BRITS was unstable due to the experimental conditions in the middle layer. In the middle and bottom layers, the LSTM model showed higher accuracy than the ARIMA model, whereas the ARIMA model showed superior performance in the surface layer.
In this study, we used artificial intelligence algorithms for the prediction of dissolved oxygen in Jindong Bay. To determine missing values in the observational data, we used the Bidirectional Recurrent Imputation for Time Series (BRITS) deep learning algorithm, Auto-Regressive Integrated Moving Average (ARIMA), a widely used time series analysis method, and the Long Short-Term Memory (LSTM) deep learning method were used to predict the dissolved oxygen. We also compared accuracy of ARIMA and LSTM. The missing values were determined with high accuracy by BRITS in the surface layer; however, the accuracy was low in the lower layers. The accuracy of BRITS was unstable due to the experimental conditions in the middle layer. In the middle and bottom layers, the LSTM model showed higher accuracy than the ARIMA model, whereas the ARIMA model showed superior performance in the surface layer.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
진동만은 수심이 얕아 조석의 영향을 크게 받으며 주변에 다수의 양식장이 설치되어있어 빈산소 수괴 형성시 피해가 크게 발생한다. 본 연구에서는 시계열 분석모델 중 가장 널리 사용되고 있는 ARIMA 모델과 최근 딥러닝의 등장과 함께 널리 이용되고 있는 인공신경망 기반 시계열 예측모델인 LSTM을 이용하여 용존산소량의 정량적 예측을 수행하였다.
본 연구에서는 진동만에 설치한 용존산소 농도 측정센서로부터 수집된 자료로부터 통계적 시계열 예측을 통해 미래의 용존산소량을 예측하였다. 딥러닝 기법의 정확도 평가를 위해 가장 널리 사용되고 있는 ARIMA 모델을 대조군으로 하여 각각 예측을 수행하였다.
가설 설정
ARIMA를 구성하는 p, q, d값은 각각의 파라미터가 0일 때 시계열을 설명하는 모델에 대입할 수 있다. d가 0일 때 ARMA(p, q) 모델이라고 하며, 이 모델은 정상성을 만족한다. p가 0일 때 IMA(d, q) 모델이라고 하며, d번 차분하면 MA(q) 모델을 따르게 된다.
또한 ARIMA 모델을 이용할 때는 모수절약의 원칙에 따라 불필요한 계수를 사용하지 않는 최적 모델을 선정하는 것이 원칙이다(Ku, 2013). 추정된 모델이 적절하다면 해당 시계열은 ARIMA모델을 따라 움직인다고 가정하고 예측을 실시한다. 시계열 자료의 노이즈 분산이 작을수록 높은 정확성을 얻을 수 있으므로 일반적으로 50개 이상의 관측값을 확보하는 것이 바람직하다(Kim, 2007).
제안 방법
또한, LSTM 모델을 구성하는 다양한 파라미터에 대한 실험을 수행하였는데, 1) 입력길이는 24, 48, 72개, 2) LSTM 셀수는 50, 100, 150, 3) 레이어 수는 1개와 2개, 그리고 4) 최적화 함수는 SGD(Standard Gradient Decent)와 ADAM(Ada-Momentum) 을 각각 적용하였다. 1) ~ 4)까지의 4개 항목에 대한 조합으로서 총 36가지 경우의 실험을 수행하였으며, 이를 Table 1의 2가지 CASE에 각각 적용하여 표층, 중층, 저층 별로 각각 총 144회의 비교실험을 수행하였다.
또한, LSTM 모델을 구성하는 다양한 파라미터에 대한 실험을 수행하였는데, 1) 입력길이는 24, 48, 72개, 2) LSTM 셀수는 50, 100, 150, 3) 레이어 수는 1개와 2개, 그리고 4) 최적화 함수는 SGD(Standard Gradient Decent)와 ADAM(Ada-Momentum) 을 각각 적용하였다. 1) ~ 4)까지의 4개 항목에 대한 조합으로서 총 36가지 경우의 실험을 수행하였으며, 이를 Table 1의 2가지 CASE에 각각 적용하여 표층, 중층, 저층 별로 각각 총 144회의 비교실험을 수행하였다.
BRITS의 구성은 LSTM 셀 수, 입력기간에 따라 다양한 네트워크 구성이 가능한데, 이 중 최적의 LSTM 네트워크 구성을 위해 본 연구에서는 인위적 결측구간을 생성하여 반복실험 및 RMSE 비교를 통해 가장 정확도가 높은 변수를 이용하여 모델을 구성하였다. 내삽성능을 테스트하기 위한 임의 결측구간은 2018년 7월 19일 6시 ~ 2018년 7월 29일 0시 사이의 240시간을 최대로 설정하여, 구간 길이별 성능평가를 위해 48시간, 96시간, 144시간, 192시간, 240시간의 구간별, 층별(표층, 중층, 저층)에 대해 각각 실험하였으며, BRITS 내삽 모델 구성실험조건은 입력 길이(input_length)를 24, 48, 72로하고 각각에 대해 LSTM 셀 수를 50, 100, 150으로 적용하여 총 9번의 실험을 표층, 중층, 저층에 대해 각각 했으며, 일반적으로 시계열 내삽에 많이 사용하는 spline 기법과 비교하였다.
LSTM 모델의 시계열 예측성능 평가를 위해 학습자료의 길이에 따른 예측정확도 변화를 평가하였다. 학습자료의 길이에 대한 실험은 용존산소량 시계열 자료에서 2016 ~ 2018년의 3개년간 자료 모두를 사용했을 때와, 예측기간에 해당하는 2018년 자료만을 사용한 경우로 나누어 실험했으며, 3개년간 자료를 모두 사용했을 때 훈련에 사용된 자료는 2016년 5월 26일 12시 ~ 2016년 11월 30일 6시, 2017년 5월 10일 12시 ~ 2017년 11월 22일 6시, 2018년 4월 19일 6시 ~ 2018년 9월 30일 18시 자료이며, 2018년 자료만 사용했을 때는 2018년 4월 19일 6시 ~ 2018년 9월 30일 18시 자료이다.
, 2018). LSTM은 순환신경망의 일종으로 데이터의 선후관계를 학습할 수 있으며, 본 논문에서는 다양한 계산조건 하에서 실험을 수행하여 용존산소 예측을 위한 최적의 신경망 네트워크를 구성하였다.
BRITS의 구성은 LSTM 셀 수, 입력기간에 따라 다양한 네트워크 구성이 가능한데, 이 중 최적의 LSTM 네트워크 구성을 위해 본 연구에서는 인위적 결측구간을 생성하여 반복실험 및 RMSE 비교를 통해 가장 정확도가 높은 변수를 이용하여 모델을 구성하였다. 내삽성능을 테스트하기 위한 임의 결측구간은 2018년 7월 19일 6시 ~ 2018년 7월 29일 0시 사이의 240시간을 최대로 설정하여, 구간 길이별 성능평가를 위해 48시간, 96시간, 144시간, 192시간, 240시간의 구간별, 층별(표층, 중층, 저층)에 대해 각각 실험하였으며, BRITS 내삽 모델 구성실험조건은 입력 길이(input_length)를 24, 48, 72로하고 각각에 대해 LSTM 셀 수를 50, 100, 150으로 적용하여 총 9번의 실험을 표층, 중층, 저층에 대해 각각 했으며, 일반적으로 시계열 내삽에 많이 사용하는 spline 기법과 비교하였다.
본 연구에서는 진동만에 설치한 용존산소 농도 측정센서로부터 수집된 자료로부터 통계적 시계열 예측을 통해 미래의 용존산소량을 예측하였다. 딥러닝 기법의 정확도 평가를 위해 가장 널리 사용되고 있는 ARIMA 모델을 대조군으로 하여 각각 예측을 수행하였다.
용존산소량 관측을 위해 설치된 센서들은 악천후 및 기기 오작동 등의 다양한 원인에 의해 결측 및 오측이 발생하게 되는데 이러한 오류구간에 대해 BRITS 딥러닝 알고리즘을 적용하여 보정하였다. 실험결과 표층에서는 매우 높은 정확 도로 보정이 가능하였으나, 저층에서는 그 정확도가 매우 낮았으며, 중층에서는 실험조건에 따라 정확도가 불안정하게 나타났다.
대상 데이터
관측기간은 3년간 각각 2016년 5월 26일 16시 ~ 2016년 11월 30일 12시, 2017년 5월 10일 12시 ~ 2017년 11월 22일 9시, 그리고 2018년 4월 19일 11시 ~ 2018년 11월 27일 11시이며, 1시간 간격으로 관측이 실시되었다. LSTM 모델의 경우 시계열 자료의 길이가 1,000 step보다 길어질 경우 성능저하가 발생 하기 때문에(Li et al., 2018), 원본의 1시간간격 자료로부터 6 시간 평균자료를 생성하여 약 800개의 연간 데이터를 이용하여 예측을 하였다.
학습자료의 길이에 대한 실험은 용존산소량 시계열 자료에서 2016 ~ 2018년의 3개년간 자료 모두를 사용했을 때와, 예측기간에 해당하는 2018년 자료만을 사용한 경우로 나누어 실험했으며, 3개년간 자료를 모두 사용했을 때 훈련에 사용된 자료는 2016년 5월 26일 12시 ~ 2016년 11월 30일 6시, 2017년 5월 10일 12시 ~ 2017년 11월 22일 6시, 2018년 4월 19일 6시 ~ 2018년 9월 30일 18시 자료이며, 2018년 자료만 사용했을 때는 2018년 4월 19일 6시 ~ 2018년 9월 30일 18시 자료이다. 검증기간은 CASE1, CASE2 2018년 10월 1일 0시 ~ 2018년 11월 27일 6시이다.
이 중 용존산소 자료를 취득하여 실험을 수행했다. 관측 정점의 수심은 13 m이며, 수면으로부터 2 m, 6 m, 11 m를 각각 표층, 중층, 저층으로 정의하였다.
0871N)의 층별 관측(표층, 중층, 저층)자료를 이용하였다. 관측기간은 3년간 각각 2016년 5월 26일 16시 ~ 2016년 11월 30일 12시, 2017년 5월 10일 12시 ~ 2017년 11월 22일 9시, 그리고 2018년 4월 19일 11시 ~ 2018년 11월 27일 11시이며, 1시간 간격으로 관측이 실시되었다. LSTM 모델의 경우 시계열 자료의 길이가 1,000 step보다 길어질 경우 성능저하가 발생 하기 때문에(Li et al.
, France)로관측할 수 있다. 이 중 용존산소 자료를 취득하여 실험을 수행했다. 관측 정점의 수심은 13 m이며, 수면으로부터 2 m, 6 m, 11 m를 각각 표층, 중층, 저층으로 정의하였다.
진동만의 용존산소량 변동을 추정하기 위해 국립수산과 학원 어장환경과에서 수행한 진동만 관측정점(128.4802E, 35.0871N)의 층별 관측(표층, 중층, 저층)자료를 이용하였다. 관측기간은 3년간 각각 2016년 5월 26일 16시 ~ 2016년 11월 30일 12시, 2017년 5월 10일 12시 ~ 2017년 11월 22일 9시, 그리고 2018년 4월 19일 11시 ~ 2018년 11월 27일 11시이며, 1시간 간격으로 관측이 실시되었다.
LSTM 모델의 시계열 예측성능 평가를 위해 학습자료의 길이에 따른 예측정확도 변화를 평가하였다. 학습자료의 길이에 대한 실험은 용존산소량 시계열 자료에서 2016 ~ 2018년의 3개년간 자료 모두를 사용했을 때와, 예측기간에 해당하는 2018년 자료만을 사용한 경우로 나누어 실험했으며, 3개년간 자료를 모두 사용했을 때 훈련에 사용된 자료는 2016년 5월 26일 12시 ~ 2016년 11월 30일 6시, 2017년 5월 10일 12시 ~ 2017년 11월 22일 6시, 2018년 4월 19일 6시 ~ 2018년 9월 30일 18시 자료이며, 2018년 자료만 사용했을 때는 2018년 4월 19일 6시 ~ 2018년 9월 30일 18시 자료이다. 검증기간은 CASE1, CASE2 2018년 10월 1일 0시 ~ 2018년 11월 27일 6시이다.
데이터처리
산출된 모형의 성능은 평균 제곱근 오차(Root Mean Square Error, RMSE)와 평균 제곱근 오차율(Root Mean Square Percentage Error)을 이용하여 산출하였다. 평균 제곱근 오차는 추정값과 실제 관측값의 차이를 다룰 때 흔히 사용하는 측도이며, 정밀도를 표현하는데 적합한 방법으로 식은 다음과 같다.
이론/모형
결측 구간의 내삽은 BRITS 모델(Cao et al., 2018)을 이용하였다. BRITS 모델은 결측이 존재하는 시계열 데이터에서 결측을 포함하는 양 끝 관측값을 이용하여 내삽하는 대신에 양방향 동적 순환신경망을 반복 계산하면서 결측값을 직접 학습한다.
한편, 센서로부터 수집된 현장관측자료는 악천후 등 여러 조건에 의해 이상 관측 혹은 결측이 발생한다. 결측구간은 시계열 분석의 예측정확도를 낮추거나 예측할 수 없게 만들기 때문에, 본 연구에서는 결측구간 보간을 위한 딥러닝 알고리즘인 BRITS(Bidirectional Recurrent Imputation for Time Series)를 이용하여 자료를 복원하였다.
성능/효과
ARIMA 모델을 이용한 예측에서 예측기간이 증가함에 따라 오차가 커지는 것을 알 수 있으며, 표층의 예측정확도가 가장 높고, 중층, 저층으로 깊이가 깊어질수록 예측성능은 저하되는 것으로 나타났다.
LSTM 모델을 이용한 예측에서 예측기간이 증가함에 따라 오차가 커지는 것을 알 수 있다. ARIMA와 성능을 비교했을 때 표층에서는 RMSE값이 평균적으로 0.098 커졌고, 중층, 저층에서는 각각 0.079, 0.069낮아진 것을 확인할 수 있었다.
실험결과, 표층의 32개 내삽결과를 제외한 전 층 전 구간 에서 BRITS 내삽 성능이 좋았다. 내삽 정확도를 평가하기 위한 RMSE는 층별로 평균적으로 BRITS에 비해 SPLINE 결과가 0.054, 0.7, 0.294 각각 낮았고 SPLINE과 BRITS의 성능의 차이는 BRITS 성능에서 평균적으로 각각 15.9 %, 84.9 %, 67.4 % 의 비율을 나타낸다. 이는 BRITS의 내삽 성능이 SPLINE보다 월등하다는 것을 의미하며, SPLINE은 연속적으로 결측이 포함된 데이터를 내삽하기 위한 방법으로 적합하지 않다는 것을 의미한다.
본 연구에서 ARIMA 모델의 적합은 t+1~t+5를 예측하기 위해 t+0까지의 이용할 수 있는 모든 자료를 사용하여 모델을 적합하였다. 2018년 10월 1일 0시 ~ 2018년 11월 30일 18시의 관측자료 수는 총 244개 이므로 예측값을 생산하여 비교하기 위해 ARIMA 적합을 244회 수행하였고, 예측값(t+1~t+5)을 244회 생성하였다.
용존산소량 관측을 위해 설치된 센서들은 악천후 및 기기 오작동 등의 다양한 원인에 의해 결측 및 오측이 발생하게 되는데 이러한 오류구간에 대해 BRITS 딥러닝 알고리즘을 적용하여 보정하였다. 실험결과 표층에서는 매우 높은 정확 도로 보정이 가능하였으나, 저층에서는 그 정확도가 매우 낮았으며, 중층에서는 실험조건에 따라 정확도가 불안정하게 나타났다. 표층에서는 1)상시적으로 폭기가 일어나며, 2) 관측이 실시되는 봄~가을에는 급격한 대류 등에 의한 영향이 적고, 3)태양에 의한 규칙적 일주기변동성에 의해 정상성 시계열에 가까운 반면, 중층과 저층에서는 내부파의 영향이나 파랑에 의한 성층구조의 불규칙한 변화 등 때문에 비정상성 시계열 성분이 큰 것으로 판단되며, 이에 따라 시계열 예측에 의한 보간의 정확도가 낮아지는 것으로 생각된다.
실험결과, 표층의 32개 내삽결과를 제외한 전 층 전 구간 에서 BRITS 내삽 성능이 좋았다. 내삽 정확도를 평가하기 위한 RMSE는 층별로 평균적으로 BRITS에 비해 SPLINE 결과가 0.
학습기간은 전 층에서 학습 길이를 길게 적용하는 경우가 그렇지 않은 경우보다 정확도가 높았다. 입력 길이는 표층, 중층, 저층별로 성능을 좋게 만드는 길이가 달랐는데 성능이 가장 우수한 경우를 보면 저층으로 갈수록 입력 길이를 길게 하는 것이 좋은 성능을 보였다. 레이어 수는 전 층에 걸쳐 1개일 때 성능이 좋았다.
표층의 예측정확도는 ARIMA 모델이 우세하였으나, 중층과 저층에서는 LSTM 모델이 우세한 정확도를 나타내었다. 이로부터 표층의 변동은 주기성과 경향성이 강하기 때문에 모델의 복잡도가 상대적으로 낮으며, 정상성 시계열 예측에 강점이 있는 ARIMA 모델에서 잘 재현된 것으로 생각되며, 성층구조의 변화로 인해 변동성이 강한 중층과 저층에서는 모델의 복잡도가 높은 딥러닝 모델이 예측에 유리한 것으로 판단된다.
후속연구
LSTM 모델에서 표층에서의 성능을 보완하기 위해서는 장단기 패턴 중에서 예측에 유리한 노드의 가중치를 강화시키기 위한 최적의 모델 설정을 연구할 필요가 있다. 또한 LSTM 모델의 정확도를 향상시킬 수 있는 Xavier 초기화(Glorot and Bengio, 2010) 등 행렬계수 초기화 기법 및 dropout (Srivastava et al., 2014) 등의 계수 최적화 방법에 대한 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
ARIMA 모델의 특징은 무엇인가?
ARIMA 모델은 확률적 과정(stochastic process)에 의해 생성되는 확률적 시계열 모델이다. 즉, 자기회귀(AR모델)와 이동 평균(MA모델)이라는 확률적 과정과 대부분의 불안정한 시계열을 안정화하기 위한 차분의 과정이 통합된(Integrated) 방법으로서 시계열 예측을 위해 가장 광범위하게 사용되는 모델이다. ARIMA는 AR 모델과 MA 모델, 그리고 차분을 통합한 모델로 ARIMA(p, d, q)로 나타낸다.
빈산소 수괴는 왜 중요한가?
빈산소 수괴의 형성은 적조와 함께 수산분야에서 가장 큰 피해를 발생시키는 현상이다. 육상으로부터 연근 해역으로 유입된 영양염과 유기물이 생태계의 환경수용력을 넘어설 정도로 증가하게 되면 부영양화에 이어 빈산소 수괴가 발생하여 종 다양성과 수산물 생산량에 악영향을 미치게 된다(Diaz and Rosenberg, 1995; Levin, 2003; Monteiro and Plas, 2006).
빈산소 수괴의 원인은 무엇인가?
빈산소 수괴의 형성은 적조와 함께 수산분야에서 가장 큰 피해를 발생시키는 현상이다. 육상으로부터 연근 해역으로 유입된 영양염과 유기물이 생태계의 환경수용력을 넘어설 정도로 증가하게 되면 부영양화에 이어 빈산소 수괴가 발생하여 종 다양성과 수산물 생산량에 악영향을 미치게 된다(Diaz and Rosenberg, 1995; Levin, 2003; Monteiro and Plas, 2006). 이는 우리나라뿐만 아니라 전 세계적으로 증가하고 있는 현상으로서 최근 들어 그 심각성에 대한 다양한 연구가 진행되고 있다(Diaz and Rosenberg, 2008; Rabalais and Gilbert, 2009).
참고문헌 (32)
Box, G. E. P. and G. M. Jenkins(1976), Time series analysis: forecasting and control, 1976, ISBN: 0-8162-1104-3.
Cao, W., D. Wang, J. Li, H. Zhou, L. Li, and Y. Li(2018), BRITS: bidirectional recurrent imputation for time series. In Advances in Neural Information Processing Systems, pp. 6775-6785.
Cho, C. H.(1991), Mariculture and eutrophication in Jinhae Bay, Korea. Marine Pollution Bulletin, Vol. 23, pp. 275-279.
Choi, W. J., C. K. Park, and S. M. Lee(1994), Numerical Simulation of the Formation of Oxygen Deficient Water-masses in Jinhae Bay, Vol. 27, No. 4, pp. 413-433.
Diaz, R. J. and R. Rosenberg(2008), Spreading dead zones and consequences for marine ecosystems, Science, Vol. 321, pp. 926-929.
Diaz, R. J. and R. Rosenberg(1995), Marine benthic hypoxia: a review of its ecological effects and behavioural responses of benthic macrofauna. Oceanography and Marine Biology Annual Review, Vol. 33, pp. 303-345.
Frain, J.(1999), Lecture Notes on Univariate Time Series Analysis and Box Jenkins Forecasting, Economic Analysis Research and Publications, p. 26.
Gers, F., N. Schraudolph, and J. Schmidhuber(2002), Learning precise timing with LSTM recurrent networks, Journal of Machine Learning Research, Vol. 3, pp. 115-143.
Glorot, X. and Y. Bengio(2010), Understanding the difficulty of training deep feedforward neural networks. In Aistats, Vol. 9, pp. 249-256.
Hochreiter, S. and J. Schmidhuber(1997), Long short-term memory. Neural computation, Vol. 9, No. 8, pp. 1735-1780.
Hussian, M. A., S Abbas, M. R. K. Ansari, and A. Zaffar (2013), Perturbations of modeling and forecast of Karachi coastal region seawater, Proceedings of the Pakistan Academy of Science, Vol. 50, No. 3, pp. 235-245.
Jung, W. S., W. C. Lee, S. J. Hong, J. L. Kim, and D. M. Kim(2014), Hypoxia Extimation of Coastal Bay through Extimation of Stratification Degree, Journal of the Korean Society of Marine Environment & Safety, Vol. 20, No. 5, pp. 511-525.
Kang, H.(2019), A Study on prediction of hypoxia occurrence from inner bay, Kunsan National University.
Karim, R.(2013), Season ARIMA for forecasting sea surface temperature of the north zone of the Bay of Bengal, Research&Reviews, Journal of Statistics, Vol. 2, No. 2, pp. 2278-2273.
Kim, H. G.(1990), Characteristics of flagellate red tide and environmental conditions in Masan Bay. Bulletin of National Fisheries Research and Development Agency, Vol. 43, pp. 1-40.
Kim, S. C.(2007), The corresponding problem of the prospect of the apiculture industry using the ARIMA model and National Agricultural Cooperative Association, Korea cooperative association research, Vol. 25, No. 1, pp. 183-210.
Ku, S. K.(2013), Forecast of transportation demand for wide-area railways in 2014, Korea Railroad Corporation, p. 60.
Levin, L. A.(2003), Oxygen minimum zone benthos: adaptation and community response to hypoxia. Marine Biology Annual Review, Vol. 41, pp. 1-45.
Li, S., W. Li, C. Cook, C. Zhu, and Y. Gao(2018), Independently recurrent neural network (indrnn): Building a longer and deeper rnn. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 5457-5466.
Liu, F. C., J. T. Liu, W. Su, and Y. Y. Guo(2009), Time series of coastal sea surface temperature: Simulation and prediction based on seasonal ARIMA model, Journal of Huaihai Institute of Technology (Natural Sciences Edition), Vol. 15, pp. 3709-318.
Monteiro, P. M. S. and A. K. van der Plas(2006), Low oxygen water variability in the Benguela system. In: V. Shannon, G. Hempel, P. Malanotte-Rizzoli, C. Moloney, J. Woods (Eds.), The Benguela: Predicting A Large Marine Ecosystem, Elsevier, Vol. 14, pp. 71-90.
National Institute of Fisheries Science(2009), Hypoxia in the coast of Korea, SP-2009-ME-021.
Rabalais, N. N. and D. Gilbert(2009), Distribution and consequences of hypoxia, in: Watersheds, Bays and Bounded Seas, edited by: E. Urban, B. Sundby, P. Malanotte-Rizzoli, and J. M. Melillo, Island Press, Washington, DC, pp. 209-226.
Seong, K. T., Y. H. Choi, J. H. Koo, and S. B. Jean(2014), Fluctuations and Time Series Forecasting of Sea Surface Temperature at Yeosu Coast in Korea, Journal of the Korean Society for Marine Environment and Energy, Vol. 17, No. 2, pp. 122-130.
Slutzky, E.(1937), The summation of random causes as the source of cyclic processes, Econometrica: Journal of the Econometric Society, pp. 105-146.
Srivastava, N., G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov(2014), Dropout: a simple way to prevent neural networks from overfitting, The journal of machine learning research, Vol. 15, No. 1, pp. 1929-1958.
Yang, Y., J. Dong, X. Sun, E. Lima, Q. Mu, and X. Wang(2017), A CFCC-LSTM model for sea surface temperature prediction, IEEE Geoscience and Remote Sensing Letters, Vol. 15, No. 2, pp. 207-211.
Ye, M. J.(2015), A study on the development mode of hypoxia event in the Jinhae Bay during 2011-2013, and predictability of hypoxia using weather parameters, Pusan National University.
Yule, G. U.(1926), Why do we sometimes get nonsense -correlations between Time-Series?--a study in sampling and the nature of time-series, Journal of the royal statistical society, Vol. 89, No. 1, pp. 1-63.
Zhang, Q., H. Wang, J. Dong, G. Zhong, and X. Sun(2017), Prediction of sea surface temperature using long short-term memory, IEEE Geoscience and Remote Sensing Letters 14.10, pp. 1745-1749.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.