[논문]인공신경망 기법을 이용한 청미천 유역 Flux tower 결측치 보정

전현호; 백종진; 이슬찬; 최민하

doi:10.3741/jkwra.2020.53.11.929

인공신경망 기법을 이용한 청미천 유역 Flux tower 결측치 보정
A point-scale gap filling of the flux-tower data using the artificial neural network 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.53 no.11, 2020년, pp.929 - 938

전현호 (성균관대학교 건설환경시스템공학과) , 백종진 (성균관대학교 건설환경연구소) , 이슬찬 (성균관대학교 수자원학과) , 최민하 (성균관대학교 수자원학과)

초록
AI-Helper

본 연구에서는 청미천 유역에서의 플럭스타워에서 산출되는 증발산량의 결측값을 보완하기 위해 인공신경망(Artificial Neural Network, ANN)을 사용하였다. 비교 평가를 위해, Mean Diurnal Variation(MDV), Food and Agriculture Organization Penman-Monteith(FAO-PM) 방법들을 이용하여 증발산량을 산정하였고, ANN 방법을 이용한 결과와 비교하였다. 비교 평가 방법으로 시계열 방법 및 통계 분석(결정계수, IOA, RMSE, MAE)이 사용되었다. 각 gap-filling 모델의 검증을 위해 2015년의 30분 단위 데이터를 이용하였으며, 121개의 결측값 중 MDV, FAO-PM, ANN 방법 순으로 각각 70, 53, 54개의 결측값을 보완하여 모든 데이터가 관측되지 않은 36개의 데이터를 제외하면 각각 82.4%, 62.4%, 63.5%의 성능을 보였다. 결정계수(MDV, FAO-PM, ANN 방법 순으로 각각 0.673, 0.784, 0.841)와 IOA(MDV, FAO-PM, ANN 방법 순으로 각각 0.899, 0.890, 0.951)를 분석한 결과, 3가지 방법 모두 양질의 상관성을 보여 활용성이 충분하다고 판단되며, 이 중 ANN 모델이 가장 높은 적합도와 양질의 성능을 나타내었다. 본 연구를 기반으로 기계학습방법을 이용한 플럭스 타워 자료의 gap-filing 연구에 보다 적절하게 활용될 수 있을 것이다.

Abstract ▼ AI-Helper

In this study, we estimated missing evapotranspiration (ET) data at a eddy-covariance flux tower in the Cheongmicheon farmland site using the Artificial Neural Network (ANN). The ANN showed excellent performance in numerical analysis and is expanding in various fields. To evaluate the performance the ANN-based gap-filling, ET was calculated using the existing gap-filling methods of Mean Diagnostic Variation (MDV) and Food and Aggregation Organization Penman-Monteith (FAO-PM). Then ET was evaluated by time series method and statistical analysis (coefficient of determination, index of agreement (IOA), root mean squared error (RMSE) and mean absolute error (MAE). For the validation of each gap-filling model, we used 30 minutes of data in 2015. Of the 121 missing values, the ANN method showed the best performance by supplementing 70, 53 and 84 missing values, respectively, in the order of MDV, FAO-PM, and ANN methods. Analysis of the coefficient of determination (MDV, FAO-PM, and ANN methods followed by 0.673, 0.784, and 0.841, respectively.) and the IOA (The MDV, FAO-PM, and ANN methods followed by 0.899, 0.890, and 0.951 respectively.) indicated that, all three methods were highly correlated and considered to be fully utilized, and among them, ANN models showed the highest performance and suitability. Based on this study, it could be used more appropriately in the study of gap-filling method of flux tower data using machine learning method.

주제어

표/그림 (7)

그림 Fig. 1. Geographic information of Cheongmicheon Farmland Site
그림 Fig. 2. Conceptual diagram of Artificial neural network
그림 Fig. 3. Multiple correlation coefficient between hydro-meteorological factors
그림 Fig. 4. Comparisons between (a) hydrometeorological factors and (b) latent heat fluxes when missing values occurred
그림 Fig. 5. The coefficient of determination, index of agreement (IOA), root mean squared error (RMSE) and mean absolute error (MAE) between estimated ET of each gap-filling method and observed ET
그림 Fig. 6. Comparisons between observed daily ET and estimated daily ET of gap-filling methods. (a) : MDV, (b) : FAO-PM, (c) : ANN
그림 Fig. 7. Comparisons between observed monthly and annual accumulated ET and estimated monthly and annual accumulated ET of gap-filling methods

AI 본문요약
AI-Helper

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

문제 정의

플럭스 타워의 증발산량을 gap-filling 하는 방법으로는 물리식을 기반으로 하여 증발산량을 추정하는 방법과, 플럭스 타워에서 산출되었던 데이터들에 통계적인 기법을 활용하는 방법으로 크게 두 가지가 활용되고 있다. 본 연구에서는 각각의 대표적인 방법인 FAO-PM 방법, MDV방법과 인공지능을 활용한 ANN 기반 gap-filling 방법을 검증하였다.
본 연구에서는 청미천 유역의 플럭스타워에서 관측된 증발산량 데이터에서 인공신경망 기법을 활용한 gap-filling 방법의 적합성에 대해 연구하였다. 이에 비교 대상으로 기존에 gap-filling 방법으로 사용되고 있던 MDV 방법과 FAO-PM 방법을 사용하였고 그 결론은 다음과 같다.

제안 방법

2015년 청미천 플럭스타워의 30분 단위 데이터를 기반으로 하여 MDV, FAO-PM, ANN 방법을 이용하여 gap-filling을 시행하였다. 플럭스 타워에서 어떠한 데이터도 생성되지 않은 시점 36개의 데이터를 제외한 17,484개의 데이터 중 결측값이 발생한 데이터는 85개이고, 각각 4월(71개), 10월(4개), 11월(4개), 12월(6개)에 발생하였다.
Gap-filling 방법을 통해 산출된 증발산량의 다각적인 해석을 위하여, 청미천 유역에서의 플럭스타워를 이용해 관측한 증발산량과 다른 입력 자료들의 상관성 분석을 시행하였다(Fig. 3). 분석결과를 확인하면, 모든 수문기상학적 인자들 간의 유의성(p < 0.
이에 본 연구에서는 머신러닝의 대표적인 방법 중 하나인 인공신경망 기법을 gap-filling 분야로 확대하였고, 기존 연구에서 활용되었던 Food and Agriculture Organization Penman-Monteith (FAO-PM) 방법 및 평균 일변동(Mean Diurnal Variation, MDV) 방법과 비교 검증 하였다. 검증방법으로는 시계열 분석 및 다양한 통계분석이 사용되었고, 성능 및 적합성이 가장 뛰어난 방법을 선정하였다.
6651 mm/day 이었으며, 이 중 결정계수와 IOA가 가장 높으며 RMSE와 MAE 값이 가장 작은 값을 출력하여 최적의 모델으로 선정된 모델은 노드 수가 22개, 은닉층과 출력층에서의 활성화함수가 모두 tan-sigmoid인 모델이었다. 노드 수의 변화에 따른 모델의 적합도 차이가 크게 나타나지는 않았으나, 노드 수가 증가할수록 모델의 적합도가 낮아지는 경향을 보였으며, 최적의 모델로 선정된 모델을 이용하여 본 논문의 gap-filling 연구를 진행하였다.
모델 구축에 관해서는 1개의 은닉층을 설정하여 ANN을 시행하였고, 활성화 함수로는 linear, log-sigmoid, tangent-sigmoid로 3개를 고려하였다. 또한 노드수를 선정함에 있어서 앞에서 언급한 것과 같이 선행연구들 마다 상이한 결과를 보이기에, 본 연구에서는 1개부터 600개의 범위에서 노드수를 변경하며 학습시켜, 최적 노드수를 찾을 수 있게 하였고, 또한 은닉층과 출력층에서의 2개의 구간에 대해 최적의 활성화함수를 고려 할 수 있게 하였다(Fig. 2).
입력 자료로 사용되는 플럭스 타워 데이터 값의 범위가 각각 다르기에 정규화 과정을 거쳐 숫자의 차이로 인한 모델의 학습오류를 방지하였다. 모델 구축에 관해서는 1개의 은닉층을 설정하여 ANN을 시행하였고, 활성화 함수로는 linear, log-sigmoid, tangent-sigmoid로 3개를 고려하였다. 또한 노드수를 선정함에 있어서 앞에서 언급한 것과 같이 선행연구들 마다 상이한 결과를 보이기에, 본 연구에서는 1개부터 600개의 범위에서 노드수를 변경하며 학습시켜, 최적 노드수를 찾을 수 있게 하였고, 또한 은닉층과 출력층에서의 2개의 구간에 대해 최적의 활성화함수를 고려 할 수 있게 하였다(Fig.
, 2016). 보정된 작물계수 값을 결측구간에서의 기준 증발산량에 곱하여 실제 증발산량을 산정하였다.
본 연구에서는 2012년부터 2014년까지의 플럭스 타워 데이터를 사용하여 ANN 모델을 학습하였고, 2015년의 데이터를 활용하여 모델의 정확도를 검증하였다. 입력 자료로 사용되는 플럭스 타워 데이터 값의 범위가 각각 다르기에 정규화 과정을 거쳐 숫자의 차이로 인한 모델의 학습오류를 방지하였다.
MDV 방법으로 높은 신뢰도의 증발산을 추정하기 위해서는, 선형보간법을 시행하기 위하여 연구자가 설정하는 결측구간에 인접한 날의 기간인 창 크기(window size)의 적절한 설정이 중요하다. 본 연구에서는 선행연구인 Baldocchi et al. (2001)에서와 같이 창 크기를 6으로 설정하여 결측구간 기준 3일 전후 총 6일의 증발산량에 선형보간법을 시행하였으며, 창 크기 내에 2개의 또 다른 결측값이 포함될 경우 해당 결측값은 보완이 불가능한 것으로 판단하였다. MDV 방법은 물리식을 이용한 FAO-PM 방법과 달리 기상인자에 대한 고려없이 인근 증발산량만을 이용하여 결측된 증발산량을 산정하기에 극한기상상황과 같은 환경적 요인에 인한 결측값들을 예측하기에는 문제가 있지만, FAO-PM과 같은 물리식 기반의 방법에 비해 계산 과정이 간편하다는 것에 가치가 있다.
FAO-PM방정식을 계산하기 위해 필요한 입력자료의 종류는 풍속, 순복사량, 대기온도, 상대습도이다. 본 연구에서는 작물계수를 결측값이 발생한 시간의 인근 일주일 동안, 플럭스 타워에서 관측된 실제 증발산량과 FAO-PM식을 이용해 추정된 기준 증발산량의 비를 이용해 계산하였고, 일반적인 작물계수의 값이 0.05 ~ 2의 범위에서 거동하기에 계산된 작물계수를 해당 범위에 포함되도록 보정하는 과정을 거쳤다(Kim et al., 2016). 보정된 작물계수 값을 결측구간에서의 기준 증발산량에 곱하여 실제 증발산량을 산정하였다.
본 연구에서는 최적의 ANN 모델을 선정하기 위해, 600개의 노드 수와 3개의 활성화 함수를 조건으로 5400개의 조합 중 가장 낮은 RMSE를 가지며, 높은 결정계수와 IOA를 가지는 모델을 선정하게 하였다. 먼저 변경 조건 중 노드 수를 기준으로 하여 각각 1개의 모델을 선정하였고, 이때 결정계수가 0.
, 2018). 이에 본 연구에서는 머신러닝의 대표적인 방법 중 하나인 인공신경망 기법을 gap-filling 분야로 확대하였고, 기존 연구에서 활용되었던 Food and Agriculture Organization Penman-Monteith (FAO-PM) 방법 및 평균 일변동(Mean Diurnal Variation, MDV) 방법과 비교 검증 하였다. 검증방법으로는 시계열 분석 및 다양한 통계분석이 사용되었고, 성능 및 적합성이 가장 뛰어난 방법을 선정하였다.

대상 데이터

2015년의 30분 단위 청미천 플럭스타워 자료의 결측값을 확인하였다. 총 121개의 증발산이 결측되는 시점 중 67개의 시점에서 풍속이 결측되었고 66개의 시점에서 대기온도가 결측되었으며, 나머지 인자들이 결측되는 시점은 37개 뿐 이었다.
본 연구에서는 증발산의 측정이 가능한 플럭스 타워 자료를 활용하기 위해, 청미천(Cheongmicheon Farmland Site)을 연구지역으로 선정하였다(Fig. 1). 청미천은 남한강 하류(37° 9' 35"N, 127° 39' 10"E)에 위치하며, 그 주변은 41%의 임야지와 49%의 농경지로 이루어져 있다.
2015년 청미천 플럭스타워의 30분 단위 데이터를 기반으로 하여 MDV, FAO-PM, ANN 방법을 이용하여 gap-filling을 시행하였다. 플럭스 타워에서 어떠한 데이터도 생성되지 않은 시점 36개의 데이터를 제외한 17,484개의 데이터 중 결측값이 발생한 데이터는 85개이고, 각각 4월(71개), 10월(4개), 11월(4개), 12월(6개)에 발생하였다. 이 중 성공적으로 결측값을 보완할 수 있었던 데이터의 개수는 MDV방법과 FAO-PM은 각각 70개와, 53개의 결측값을 보완하였으며, 이에 비하여 ANN 방법은 54개의 결측값을 보완하였다.

데이터처리

각 결측값 보완 방법의 적합도 및 오차를 파악하기 위해 통계분석을 시행하였다(Fig. 5). 통계분석은 결정계수, IOA, RMSE, MAE를 이용하였으며, 월별 분석과 1년 치 전체 데이터의 분석을 시행하였다.
5). 통계분석은 결정계수, IOA, RMSE, MAE를 이용하였으며, 월별 분석과 1년 치 전체 데이터의 분석을 시행하였다. 각 gap-filling 방법 별 예측결과를 분석한 결과, IOA의 평균값은 MDV, FAO-PM, ANN 방법 순으로, 0.

이론/모형

본 연구에서는 청미천 유역의 플럭스타워에서 관측된 증발산량 데이터에서 인공신경망 기법을 활용한 gap-filling 방법의 적합성에 대해 연구하였다. 이에 비교 대상으로 기존에 gap-filling 방법으로 사용되고 있던 MDV 방법과 FAO-PM 방법을 사용하였고 그 결론은 다음과 같다.

성능/효과

1) 2015년 청미천유역 플럭스타워의 결측값을 보완한 결과, 121개의 결측값 중 MDV, FAO-PM, ANN 방법 각각 70(57.9%), 53(43.8%), 54(44.6%)개의 결측값을 보완할 수 있었으며, 모든 데이터가 관측되지 않은 36개의 데이터를 제외하면 ANN 방법이 63.5%의 결측값을 보완할 수 있었다.
2) 본 연구에서 활용한 세 가지 gap-filling 방법인 MDV, FAO-PM, ANN 방법 각각 평균 결정계수는 0.673, 0.784, 0.841로 나타났으며, IOA는 0.899, 0.890, 0.951로 나타났다. ANN 방법의 적합성이 가장 우수한 것으로 판단되며, FAO-PM 방법은 MDV 방법에 비해 각 시점에서의 증발산량을 잘 모의하지만 전체적으로 과소산정이 되어 IOA 값이 더 낮은 것으로 판단된다.
3) MDV, FAO-PM, ANN 방법 각각 평균 RMSE 값은 1.785 mm/day, 1.667 mm/day, 1.234 mm/day으로 나타났으며, MAE 값은 0.872 mm/day, 0.714 mm/day, 0.635 mm/day로 나타났다. 이는 MDV 방법이 기상변화에 따른 증발산량의 변화를 반영하지 못하여 오차값들이 커진 것으로 판단된다.
4) Gap-filling 방법 중 과소산정이 심한 FAO-PM 방법을 제외한 ANN, MDV 두 가지 방법 모두 2015년의 연 누적 증발산량이 559 mm와 590 mm로 플럭스 타워의 관측량과 비슷하며, 선행연구와 같이 연 강수량의 약 60%를 차지한다.
951로 나타났다. ANN 방법의 적합성이 가장 우수한 것으로 판단되며, FAO-PM 방법은 MDV 방법에 비해 각 시점에서의 증발산량을 잘 모의하지만 전체적으로 과소산정이 되어 IOA 값이 더 낮은 것으로 판단된다.
6에서 각 3가지 방식의 일평균 증발산량을 산정한 결과를 나타내었다. MDV 방법은 window size 내의 값들을 선형보간 하는 방법으로 예측하는 만큼 그 결과 값들이 튀지 않는 반면, 각 기상인자들을 반영하는 FAO-PM과 ANN 방법은 그 결과 값들이 실제 관측 값을 따라 변동이 크게 나타났다. 이는 MDV 방법은 주변 환경이 급변할 때의 증발산량 값을 잘 예측하지 못한다는 것으로 볼 수 있다.
통계분석은 결정계수, IOA, RMSE, MAE를 이용하였으며, 월별 분석과 1년 치 전체 데이터의 분석을 시행하였다. 각 gap-filling 방법 별 예측결과를 분석한 결과, IOA의 평균값은 MDV, FAO-PM, ANN 방법 순으로, 0.899, 0.890, 0.951, 결정계수의 평균값은 0.673, 0.784, 0.841으로, ANN 방법이 다른 두 가지 방법에 비해 높은 적합도를 보이는 것으로 확인되었다. 또한 기상학적 인자들을 반영하여 예측하는 ANN 방법과 FAO-PM 방법에 비해 인근 일자의 증발산량을 선형보간법을 이용하여 예측하는 MDV 방법은 적합도가 낮은 경향을 보인다(Fig.
ANN 방법의 경우 여름철에는 과소산정 되는 경향을 보이며, 겨울철에는 과대산정 되는 경향을 보인다. 결측값이 발생하는 4월, 10월, 11월, 12월에는 예외적으로 예측값들이 관측값에 비해 과소 산정되는 경향을 보이며, 특히 결측값의 수가 가장 많았던 4월의 경우 그 차이가 크게 나타났다. 연 증발산 누적 그래프를 보면, MDV 방법(591 mm), 플럭스 타워의 관측값(587 mm), ANN 방법(559 mm), FAO-PM 방법(367 mm) 순으로 크게 나타났으며, 크게 과소산정된 FAO-PM 방법을 제외한 나머지 두 가지 방법에의 결과 들을 살펴보면, 선행연구에서의 결과와 같이 연 누적 강수량(975 mm)의 약 60% 정도가 대기 중으로 증발했다는 것을 확인 할 수 있다(Kim et al.
오차와 관련된 RMSE와 MAE는 ANN, FAO-PM, MDV 방법 순으로 좋은 결과를 보인다. 결측값이 발생하는 기간, 특히4월의 인근에서 RMSE와 MAE값이 크게 증가하며 MDV 방법과 다른 두 방법들의 RMSE와 MAE가 역전되는 결과를 보인다(Fig. 5). 이는 계절이 바뀌면서 기상상황에서 많은 변수가 생기면서, 전체적인 플럭스타워 데이터의 질이 하락한 것으로 판단된다.
전반적으로 MDV 방법은 앞서 언급한 것과 같이 주변 날짜에 대한 선형보간법을 적용함으로써 외부조건을 고려하지 않고 결측값을 보완할 수 있으나, 그 반면에 다양한 기상자료를 활용함으로써 결측값을 보완하는 FAO-PM 방법은 전반적인 경향성이 기존의 MDV 방법에 비해서는 높으나, 요구되는 기상인자가 관측되지 않는 시점에서 결측값을 보완하지 못하는 결과를 나타내었다. 그에 비하여 본 연구에서 활용한 ANN 방법은 증발산량이 관측되지 않을 때 동시에 관측되지 않는 기상인자들을 최대한 제외하고 머신러닝을 시행하여 그 성능이 상대적으로 높게 나타났고, 적합성 또한 다른 방법들에 비해 가장 높게 나타났다. 이러한 결측값을 보완하는 방법으로 머신러닝 방법들 중 하나인 ANN을 활용함으로써 효율적인 수자원관리를 위한 양질의 수문기상학적 자료의 생성 및 축적에 큰 도움이 될 것이다.
841으로, ANN 방법이 다른 두 가지 방법에 비해 높은 적합도를 보이는 것으로 확인되었다. 또한 기상학적 인자들을 반영하여 예측하는 ANN 방법과 FAO-PM 방법에 비해 인근 일자의 증발산량을 선형보간법을 이용하여 예측하는 MDV 방법은 적합도가 낮은 경향을 보인다(Fig. 5). 오차와 관련된 RMSE와 MAE는 ANN, FAO-PM, MDV 방법 순으로 좋은 결과를 보인다.
분석결과를 확인하면, 모든 수문기상학적 인자들 간의 유의성(p < 0.01)이 높게 나타나는 것으로 관찰되었다.
80 이하인 모델은 제외하였다. 선정된 598개모델의 통계분석 결과 결정계수, IOA, RMSE, MAE의 평균값은 각각 0.825, 0.947, 1.287 mm/day, 0.6651 mm/day 이었으며, 이 중 결정계수와 IOA가 가장 높으며 RMSE와 MAE 값이 가장 작은 값을 출력하여 최적의 모델으로 선정된 모델은 노드 수가 22개, 은닉층과 출력층에서의 활성화함수가 모두 tan-sigmoid인 모델이었다. 노드 수의 변화에 따른 모델의 적합도 차이가 크게 나타나지는 않았으나, 노드 수가 증가할수록 모델의 적합도가 낮아지는 경향을 보였으며, 최적의 모델로 선정된 모델을 이용하여 본 논문의 gap-filling 연구를 진행하였다.
플럭스 타워에서 어떠한 데이터도 생성되지 않은 시점 36개의 데이터를 제외한 17,484개의 데이터 중 결측값이 발생한 데이터는 85개이고, 각각 4월(71개), 10월(4개), 11월(4개), 12월(6개)에 발생하였다. 이 중 성공적으로 결측값을 보완할 수 있었던 데이터의 개수는 MDV방법과 FAO-PM은 각각 70개와, 53개의 결측값을 보완하였으며, 이에 비하여 ANN 방법은 54개의 결측값을 보완하였다. FAO-PM방법과 ANN 방법의 경우 입력자료의 부재가 모델의 성능에 큰 영향을 끼치며, 결측값이 발생했을 때의 모델 거동을 Fig.
, 2016). 이와 같은 결과들로 ANN 방법이 기존의 다양한 gap-filling 방법들보다 뛰어난 거동을 보인다는 것을 확인 할 수 있으며, 이는 효율적인 수자원 관리에 큰 기여를 할 수 있을 것으로 보인다.
본 연구에서는 2012년부터 2014년까지의 플럭스 타워 데이터를 사용하여 ANN 모델을 학습하였고, 2015년의 데이터를 활용하여 모델의 정확도를 검증하였다. 입력 자료로 사용되는 플럭스 타워 데이터 값의 범위가 각각 다르기에 정규화 과정을 거쳐 숫자의 차이로 인한 모델의 학습오류를 방지하였다. 모델 구축에 관해서는 1개의 은닉층을 설정하여 ANN을 시행하였고, 활성화 함수로는 linear, log-sigmoid, tangent-sigmoid로 3개를 고려하였다.
전반적으로 MDV 방법은 앞서 언급한 것과 같이 주변 날짜에 대한 선형보간법을 적용함으로써 외부조건을 고려하지 않고 결측값을 보완할 수 있으나, 그 반면에 다양한 기상자료를 활용함으로써 결측값을 보완하는 FAO-PM 방법은 전반적인 경향성이 기존의 MDV 방법에 비해서는 높으나, 요구되는 기상인자가 관측되지 않는 시점에서 결측값을 보완하지 못하는 결과를 나타내었다. 그에 비하여 본 연구에서 활용한 ANN 방법은 증발산량이 관측되지 않을 때 동시에 관측되지 않는 기상인자들을 최대한 제외하고 머신러닝을 시행하여 그 성능이 상대적으로 높게 나타났고, 적합성 또한 다른 방법들에 비해 가장 높게 나타났다.
2015년의 30분 단위 청미천 플럭스타워 자료의 결측값을 확인하였다. 총 121개의 증발산이 결측되는 시점 중 67개의 시점에서 풍속이 결측되었고 66개의 시점에서 대기온도가 결측되었으며, 나머지 인자들이 결측되는 시점은 37개 뿐 이었다. 플럭스타워에서 증발산량이 결측되는 시점에 풍속과 대기온도가 동시에 결측되는 경우가 많았으며, 더 많은 결측값을 산출한 풍속을 인자를 제외한 순복사량, 대기온도, 상대습도, 강수량, 기압으로 증발산과 상관성이 있는 5개의 인자가 사용되었다.

후속연구

본 연구에서는 현재 청미천의 2012-2014년간의 3년 자료를 ANN 모형 구축을 위해 활용하였으나, 향후 장기간의 자료를 확보하고 보다 다양한 머신러닝 기법을 적용한다면 양질의 gap-filling 방법을 파악 및 개발할 수 있을 것으로 사료된다. 또한, 식물의 생장기와 비 생장기에 각각 과소 산정 및 과대 산정되는 경향을 보여 기간을 나누어 학습을 진행할 시 더 양질의 모델 적합도를 얻을 수 있을 것으로 판단된다.
본 연구에서는 현재 청미천의 2012-2014년간의 3년 자료를 ANN 모형 구축을 위해 활용하였으나, 향후 장기간의 자료를 확보하고 보다 다양한 머신러닝 기법을 적용한다면 양질의 gap-filling 방법을 파악 및 개발할 수 있을 것으로 사료된다. 또한, 식물의 생장기와 비 생장기에 각각 과소 산정 및 과대 산정되는 경향을 보여 기간을 나누어 학습을 진행할 시 더 양질의 모델 적합도를 얻을 수 있을 것으로 판단된다.
그에 비하여 본 연구에서 활용한 ANN 방법은 증발산량이 관측되지 않을 때 동시에 관측되지 않는 기상인자들을 최대한 제외하고 머신러닝을 시행하여 그 성능이 상대적으로 높게 나타났고, 적합성 또한 다른 방법들에 비해 가장 높게 나타났다. 이러한 결측값을 보완하는 방법으로 머신러닝 방법들 중 하나인 ANN을 활용함으로써 효율적인 수자원관리를 위한 양질의 수문기상학적 자료의 생성 및 축적에 큰 도움이 될 것이다.
, 2017). 이에, gap-filling이 시행될 지역의 Kc 값을 산정하기 위한 후속연구가 시행되어, 엄밀한 Kc값이 산정되었을 시에 FAO-PM 방법이 더욱 좋은 적합도를 보일 것으로 판단된다. ANN 방법의 경우 여름철에는 과소산정 되는 경향을 보이며, 겨울철에는 과대산정 되는 경향을 보인다.

참고문헌 (31)

Allen, R.G., Tasumi, M., and Trezza, R. (2007). "Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-Model." Journal of Irrigation and Drainage Engineering, Vol. 133, No. 4, pp. 380-394.

상세보기
Ambas, V.T., and Baltas, E. (2012). "Sensitivity analysis of different evapotranspiration methods using a new sensitivity coefficient." Global NEST Journal, Vol. 14, No. 3, pp. 335-343.
Atkinson, P.M., and Tatnall, A.R. (1997). "Introduction neural networks in remote sensing." International Journal of remote sensing, Vol. 18, No. 4, pp. 699-709.

상세보기
Baldocchi, D., Falge, E., Gu, L., Olson, R., Hollinger, D., Running, S., Anthoni, P., Bernhofer, C., Davis, K., Evans, R., Fuentes, J., Goldstein, A., Katul, G., Law, B., Lee, X., Malhi, Y., Meyers, T., Munger, W., Oechel, W., Paw, K. T., Pilegaard, K., Schmid, H.P., Valentini, R., Verma, S., Vesala, T., Wilson, K., and Wofsy, S. (2001). "FLUXNET: A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities." Bulletin of the American Meteorological Society, Vol. 82, No. 11, pp. 2415-2434.

상세보기
Chen, B., Black, T.A., Coops, N.C., Hilker, T., Trofymow, J.T., and Morgenstern, K. (2009). "Assessing tower flux footprint climatology and scaling between remotely sensed and eddy covariance measurements." Boundary-Layer Meteorology, Vol. 130, No. 2, pp. 137-167.

상세보기
Choi, B., Lee, J.H., and Kim, D.H. (2008). "Solving local minima problem with large number of hidden nodes on two-layered feed-forward artificial neural networks." Neurocomputing, Vol. 71, No. 16-18, pp. 3640-3643.

상세보기
Gao, H., Struble, T.J., Coley, C.W., Wang, Y., Green, W.H., and Jensen, K.F. (2018). "Using machine learning to predict suitable conditions for organic reactions." ACS central science, Vol. 4, No. 11, pp. 1465-1476.

상세보기
Heo, S., Kim, J., and Moon, T. (2018). "Predicting crime risky area using machine learning." Journal of the Korean Association of Geographic Information Studies, Vol. 21, No. 4, pp. 64-80.
Hong, J.K., Kwon, H.J., Lim, J.H., Byun, Y.H., Lee, J.H., and Kim, J. (2009). "Standardization of KoFlux eddy-covariance data processing." Korean Journal of Agricultural and Forest Meteorology, Vol. 11, No. 1, pp. 19-26.

원문보기 상세보기
Hunter, D., Yu, H., Pukish III, M.S., Kolbusz, J., and Wilamowski, B.M. (2012). "Selection of proper neural network sizes and architectures-A comparative study." IEEE Transactions on Industrial Informatics, Vol. 8, No. 2, pp. 228-240.

상세보기
Jean, N., Burke, M., Xie, M., Davis, W.M., Lobell, D.B., and Ermon, S. (2016). "Combining satellite imagery and machine learning to predict poverty." Science, Vol. 353, No. 6301, pp. 790-794.

상세보기
Jensen, J.R., Qiu, F., and Ji, M. (1999). "Predictive modelling of coniferous forest age using statistical and artificial neural network approaches applied to remote sensor data." International Journal of Remote Sensing, Vol. 20, No. 14, pp. 2805-2822.

상세보기
Jeong, D., and Kang, J. (2009). "An analysis of changes in pan evaporation and climate values related to actual evaporation." Journal of Korea Water Resources Association, Vol. 42, No. 2, pp. 117-129.

원문보기 상세보기
Kang, M., Kwon, H., Kim, J., Kim, H.S., Ryu, Y., Lee, S.J., and Choi, T. (2018). "Korean flux monitoring network's past, present, and future." Korean Journal of Agricultural and Forest Meteorology, Vol. 20, No. 1, pp. 1-4.
Kendale, S., Kulkarni, P., Rosenberg, A.D., and Wang, J. (2018). "Supervised machine-learning predictive analytics for prediction of postinduction hypotension." Anesthesiology, Vol. 129, No. 4, pp. 675-688.

상세보기
Kim, K., Baik, J., Lee, J., Lee, Y., Jung, S., and Choi, M. (2016). "An assessment and analysis of the gap-filling techniques for revising missing data of flux tower based evapotranspiration-FAO-PM, MDV, and Kalman filter." Journal of the Korean Society of Hazard Mitigation, Vol. 16, No. 6, pp. 95-107.
Kwon, H.J., Park, S.B., Kang, M.S., Yoo, J.I., Yuan, R., and Kim, J. (2007). "Quality control and assurance of eddy covariance data at the two KoFlux sites." Korean Journal of Agricultural and Forest Meteorology, Vol. 9, No. 4, pp. 260-267.

원문보기 상세보기
Langley, P., and Simon H. (1995). "Applications of machine learning and rule induction." Communications of the ACM, Vol. 38, No. 11, pp. 54-64.

상세보기
Marin, F.R., Angelocci, L.R., Nassif, D.S., Costa, L.G., Vianna, M. S., and Carvalho, K.S. (2016). "Crop coefficient changes with reference evapotranspiration for highly canopy-atmosphere coupled crops." Agricultural Water Management, Vol. 163, pp. 139-145.

상세보기
Mitchell, T.M. (1997). Machine learning. The McGraw-Hill Companies Inc., Boston, U.S., pp. 52-78.
Panchal, G., Ganatra, A., Kosta, Y.P., and Panchal, D. (2011). "Behaviour analysis of multilayer perceptrons with multiple hidden neurons and hidden layers." International Journal of Computer Theory and Engineering, Vol. 3, No. 2, pp. 332-337.
Papale, D., Reichstein, M., Aubinet, M., Canfora, E., Bernhofer, C., Kutsch, W., Longdoz, B., Rambal, S., Valentini, R., Vesala, T., and Yakir, D. (2006). "Towards a standardized processing of net ecosystem exchange measured with eddy covariance technique: Algorithms and uncertainty estimation." Biogeosciences, Vol. 3, No. 4, pp. 571-583.

상세보기
Park, J., Baik, J., and Choi, M. (2017). "Satellite-based crop coefficient and evapotranspiration using surface soil moisture and vegetation indices in Northeast Asia." Catena, Vol. 156, pp. 305-314.

상세보기
Park, J., Byun, K., Choi, M., Jang, E., Lee, J., Lee, Y., and Jung, S. (2015). "Evaluation of statistical gap fillings for continuous energy flux (evapotranspiration) measurements for two different land cover types." Stochastic Environmental Research And Risk Assessment, Vol. 29, No. 8, pp. 2021-2035.

상세보기
Peterson, T.C., Golubev, V.S., and Groisman, P.Y. (1995). "Evaporation losing its strength." Nature, Vol. 377, No. 6551, pp. 687-688.

상세보기
Post, H., Franssen, H.H., Graf, A., Schmidt, M., and Vereecken, H. (2015). "Uncertainty analysis of eddy covariance CO2 flux measurements for different EC tower distances using an extended two-tower approach." Biogeosciences, Vol. 12, No. 4, p. 1205.

상세보기
Roderick, M.L., and Farquhar, G.D. (2004). "Changes in Australian pan evaporation from 1970 to 2002." International Journal of Climatology, Vol. 24, No. 9, pp. 1077-1090.

상세보기
Sartori, M.A., and Antsaklis, P.J. (1991). "A simple method to derive bounds on the size and to train multilayer neural networks." IEEE transactions on neural networks, Vol. 2, No. 4, pp. 467-471.

상세보기
Sheela, K.G., and Deepa, S.N. (2013). "Review on methods to fix number of hidden neurons in neural networks." Mathematical Problems in Engineering, 2013, Article 425740.

상세보기
Tamura, S.I., and Tateishi, M. (1997). "Capabilities of a four-layered feedforward neural network: Four layers versus three." IEEE Transactions on Neural Networks, Vol. 8, No. 2, pp. 251-255.

상세보기
Yuan, R., Kang, M.S., Park, S.B., Hong, J.K., Lee, D.H., and Kim, J. (2007). "The effect of coordinate rotation on the eddy covariance flux estimation in a hilly KoFlux forest catchment." Korean Journal of Agricultural and Forest Meteorology, Vol. 9, No. 2, pp. 100-108.

원문보기 상세보기

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

연합인증