[논문]딥러닝 기법을 이용한 제주도 중제주수역 지하수위 예측 모델개발

박재성; 정지호; 정진아; 김기홍; 신재현; 이동엽; 정새봄

doi:10.9720/kseg.2022.4.697

딥러닝 기법을 이용한 제주도 중제주수역 지하수위 예측 모델개발
Development of Deep-Learning-Based Models for Predicting Groundwater Levels in the Middle-Jeju Watershed, Jeju Island 원문보기

지질공학 = The journal of engineering geology, v.32 no.4, 2022년, pp.697 - 723

박재성 (경북대학교 지질학과) , 정지호 (경북대학교 지질학과) , 정진아 (경북대학교 지질학과) , 김기홍 (제주특별자치도 디지털융합과) , 신재현 (제주특별자치도 디지털융합과) , 이동엽 (제주특별자치도 디지털융합과) , 정새봄 (제주특별자치도 디지털융합과)

초록
AI-Helper

본연구에서는 제주도의 중제주 수역 내에 위치하는 총 12개 지하수 관정에서 미래 30일 기간의 지하수위를 예측할 수 있는 모델을 개발하였다. 예측 모델개발을 위해 시계열 예측에 적합한 딥러닝 기법의 하나인 누적 장단기 메모리(stacked-LSTM) 기법을 이용하였으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량 및 지하수위 자료가 예측 모델개발에 활용되었다. 특히, 본 연구에서는 입력자료의 종류 및 과거 자료의 순차 길이에 따라 다양한 모델을 구축하고 성능을 비교함으로써 딥러닝 기반 예측 모델개발에서 고려하여야 할 사항에 대한 검토와 절차를 제시하였다. 예측 모델개발 결과, 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 모델의 예측성능이 가장 뛰어난 것으로 확인되었으며, 입력으로 활용되는 과거 자료의 순차가 길수록 예측의 성능이 향상됨을 확인하였다. 이는 제주도의 깊은 지하수위 심도로 인하여 강수와 지하수 함양 간 지연시간이 길기 때문으로 판단된다. 이뿐만 아니라, 지하수 이용량 자료의 경우, 모든 이용량 자료를 활용하는 것보다 예측하고자 하는 지점의 지하수위에 민감한 영향을 주는 관정을 선별하여 입력자료로 이용하는 것이 예측 모델의 성능 개선에 긍정적 영향을 주는 것을 확인하였다. 본 연구에서 개발된 지하수위 예측 모델은 현재의 강수량 및 지하수 이용량을 기반으로 미래의 지하수위를 예측할 수 있어 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다.

Abstract ▼ AI-Helper

Data-driven models to predict groundwater levels 30 days in advance were developed for 12 groundwater monitoring stations in the middle-Jeju watershed, Jeju Island. Stacked long short-term memory (stacked-LSTM), a deep learning technique suitable for time series forecasting, was used for model development. Daily time series data from 2001 to 2022 for precipitation, groundwater usage amount, and groundwater level were considered. Various models were proposed that used different combinations of the input data types and varying lengths of previous time series data for each input variable. A general procedure for deep-learning-based model development is suggested based on consideration of the comparative validation results of the tested models. A model using precipitation, groundwater usage amount, and previous groundwater level data as input variables outperformed any model neglecting one or more of these data categories. Using extended sequences of these past data improved the predictions, possibly owing to the long delay time between precipitation and groundwater recharge, which results from the deep groundwater level in Jeju Island. However, limiting the range of considered groundwater usage data that significantly affected the groundwater level fluctuation (rather than using all the groundwater usage data) improved the performance of the predictive model. The developed models can predict the future groundwater level based on the current amount of precipitation and groundwater use. Therefore, the models provide information on the soundness of the aquifer system, which will help to prepare management plans to maintain appropriate groundwater quantities.

주제어

표/그림 (11)

그림 Fig. 1. Locations of monitoring stations for groundwater level (green dots), precipitation (blue dots), and groundwater usage (red dots) in the study area (Jeju Island).
그림 Fig. 2. General netwark structure of (a) LSTM and (b) stacked LSTM applied in this study.
그림 Fig. 3. A work-flow for deciding the model network showing the best groundwater level prediction performance.
그림 Fig. 4. Example groundwater level prediction results.
그림 Fig. 5. The groundwater level prediction results of (a) Model 1-1, (b) Model 1-2, and (c) Model 1-3 applied to test Case 1.
그림 Fig. 6. Scatter plots between the actual (x-axis) and predicted (y-axis) groundwater levels acquired from (a) Model 1-1, (b) Model 1-2, and (c) Model 1-3 for test Case 1.
표 Table 1. Quantitative performances of the three types of model for predicting groundwater level in test Case 1
그림 Fig. 7. The groundwater level results predicted using previous data sequences covering (a) 120, (b) 60, and (c) 30 days.
그림 Fig. 8. Scatter plots between the actual (x-axis) and predicted (y-axis) groundwater level acquired from models applying (a) 120, (b) 60, and (c) 30 days of previous data as the input variables.
표 Table 2. Quantitative performances of the three types of model for predicting groundwater level in test Case 2
표 Table 3. Quantitative performances of the developed models for each groundwater level monitoring station

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 stacked LSTM 모델을 기반으로 과거 시점에서 관측된 강수량 및 지하수 이용량을 기반으로 미래 한 달간의 지하수위를 예측하고자 하였다. 따라서 예측모델의 입력자료로 강수량, 지하수 이용량 및 지하수위 자료가 활용되었다.
본 연구에서는 stacked-LSTM을 이용하여 제주 중제주 수역 내 위치하는 총 12개 지하수위 관정에 대하여 미래 30일 동안의 지하수위를 예측할 수 있는 모델을 개발하였다. JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 및 금산수원지에 대하여 개별적인 예측 모델이 개발되었으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량, 및 지하수위 자료가 예측 모델개발에 활용되었다.
본 연구에서는 제주도 중제주수역의 총 12개의 지하수 관측정에서의 미래 지하수위를 예측하기 위한 모델을 개발하였다. 예측 모델개발을 위해 강수량 및 지하수 이용량 자료를 활용하였으며, 예측 모델의 성능을 향상시키기 위한 다양한 방안을 고안 및 비교 검증하여 최종 예측 모델을 제시하였다.

제안 방법

Case 1에서 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 것이 예측성능 향상에 도움이 된다는 결과를 확인함에 따라 Case 2에서는 Case 1에서 활용한 입력자료를 활용하되, 입력으로 이용되는 과거 순차 자료의 길이에 따라 모델 네트워크를 달리하여 Case 2의 모델을 구축 및 성능 비교를 실시하였다. Case 1에 해당하는 3가지 모델은 공통적으로 영향력이 큰 10개의 지하수 이용량 관정에서 지하수 이용량 자료를 입력자료로 이용하며, 강수량 정보 또한 동일한 자료가 모델에 적용되었다.
Case 1에서는 지하수위 예측을 위해 이용되는 과거 자료의 순차 길이는 모든 테스트 모델에 대하여 고정 후 입력 데이터의 종류를 변화시키며 성능 검증을 수행하였다. Fig.
다양한 성능 비교 검증을 통해 구축된 최종 모델의 네트워크를 기반으로 미래 30일 동안의 지하수위를 예측할 수 있는 모델을 최종적으로 개발하였으며, 해당 모델이 각 관정의 미래 지하수위를 예측하는 데 최종 이용되었다. 다만, 관정별 이용하는 과거 순차 자료의 길이는 모두 다른 길이를 기준으로 검증을 수행 및 최종 모델이 도출되었다.
이는 제주지역의 강수량과 지하수위 변동 간 지연시간이 상당히 길게 존재함을 의미하며, 이는 중산간 지역의 지하수위 심도가 깊은 심도에 위치하기 때문으로 판단된다. 따라서 본 연구에서는 JI오등1 관정에 대하여 과거 120일의 강수량, 지하수 이용량 및 지하수위를 입력자료로 하는 모델 네트워크를 최종 예측 모델로 결정하였다.
이뿐만 아니라 연구지역 내에서 확보된 지하수 이용량을 관측한 관정의 개수가 상당히 많고, 이를 모두 이용하였을 때, 모델의 예측성능이 충분하지 않음에 따라, 지하수위 예측에 활용할 지하수 이용량 관정에 대한 선별작업이 필요하였다. 따라서 본 연구에서는 관정별 최적의 지하수위 예측 모델개발을 위해 이용되는 입력자료로 변화에 의한 모델 네트워크 변화에 따른 성능 검증이 실시되었으며, 이를 통해 12개의 관측정에 최종으로 적용될 최적의 모델 네트워크를 선정하였다.
본 연구에서 개발된 지하수위 예측 모델은 현재의 강수량 및 지하수 이용량을 기반으로 미래의 지하수위를 예측할 수 있다. 이처럼 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다.
다만, 관정별 이용하는 과거 순차 자료의 길이는 모두 다른 길이를 기준으로 검증을 수행 및 최종 모델이 도출되었다. 본 연구에서는 JI 오등1 관정에 대하여 해당 프로세스를 적용한 결과를 구체적으로 기술하였으며, 나머지 관정에 대하여 최종 개발된 예측 모델의 성능은 부록으로 제시하였다(Appendix A).
본 연구에서는 제주도 중제주수역의 총 12개의 지하수 관측정에서의 미래 지하수위를 예측하기 위한 모델을 개발하였다. 예측 모델개발을 위해 강수량 및 지하수 이용량 자료를 활용하였으며, 예측 모델의 성능을 향상시키기 위한 다양한 방안을 고안 및 비교 검증하여 최종 예측 모델을 제시하였다. 개발된 모델은 중제주 수역의 지하수량 변화를 실시간으로 감시하고 미래 적정 지하수 이용량을 제시하기 위한 정보로 활용될 수 있을 것이다.
강수량 자료는 총 3개의 관측소에서 확보되었으며, 지하수 이용량은 총 259개의 관측소에서 확보된 자료가 모델개발에 이용되었다. 입력자료의 종류 및 과거 활용자료의 순차 길이에 따라 다양한 모델을 구축하고 성능을 비교함으로써 예측 모델개발에 있어 고려해야 할 사항에 대한 검토를 수행하고, 최종 예측 모델을 제시함으로써 딥러닝 기반의 지하수위 예측 모델 구축을 위한 적합한 연구 과정을 제시하였다.
지하수위 관측 지점은 초록색, 강수량 관측지점은 파란색, 그리고 지하수 이용량 관측 지점은 붉은색 점으로 표시되었다. 획득된 강수량, 지하수 이용량 및 지하수위 시계열 자료는 모두 일 단위로 확보되었으며, 본 연구에서는 일 단위 강수량 및 지하수 이용량과 과거 지하수위 자료를 기반으로 미래의 일 단위 지하수위를 특정 기간으로 예측할 수 있는 모델을 개발하였다.

대상 데이터

Case 1에서 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 것이 예측성능 향상에 도움이 된다는 결과를 확인함에 따라 Case 2에서는 Case 1에서 활용한 입력자료를 활용하되, 입력으로 이용되는 과거 순차 자료의 길이에 따라 모델 네트워크를 달리하여 Case 2의 모델을 구축 및 성능 비교를 실시하였다. Case 1에 해당하는 3가지 모델은 공통적으로 영향력이 큰 10개의 지하수 이용량 관정에서 지하수 이용량 자료를 입력자료로 이용하며, 강수량 정보 또한 동일한 자료가 모델에 적용되었다. Figs.
본 연구에서는 stacked-LSTM을 이용하여 제주 중제주 수역 내 위치하는 총 12개 지하수위 관정에 대하여 미래 30일 동안의 지하수위를 예측할 수 있는 모델을 개발하였다. JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 및 금산수원지에 대하여 개별적인 예측 모델이 개발되었으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량, 및 지하수위 자료가 예측 모델개발에 활용되었다. 강수량 자료는 총 3개의 관측소에서 확보되었으며, 지하수 이용량은 총 259개의 관측소에서 확보된 자료가 모델개발에 이용되었다.
획득된 자료 중에서 중제주 수역 내 지하수 이용량 자료를 가장 많이 확보하여, 2001년부터 2022년까지 중제주 수역에 걸쳐 분포하는 관측공으로부터 획득한 자료를 이용하였다. 강수량 자료는 총 3개의 관측소(제주, 오등, 및 삼각봉)에서 획득하였고, 이용량 자료는 총 413개 지점, 그리고 지하수위는 총 12개 지점(JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 금산수원지)에서 획득하였다. 이들 관측 지점의 분포는 Fig.
JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 및 금산수원지에 대하여 개별적인 예측 모델이 개발되었으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량, 및 지하수위 자료가 예측 모델개발에 활용되었다. 강수량 자료는 총 3개의 관측소에서 확보되었으며, 지하수 이용량은 총 259개의 관측소에서 확보된 자료가 모델개발에 이용되었다. 입력자료의 종류 및 과거 활용자료의 순차 길이에 따라 다양한 모델을 구축하고 성능을 비교함으로써 예측 모델개발에 있어 고려해야 할 사항에 대한 검토를 수행하고, 최종 예측 모델을 제시함으로써 딥러닝 기반의 지하수위 예측 모델 구축을 위한 적합한 연구 과정을 제시하였다.
본 연구에서는 stacked LSTM 모델을 기반으로 과거 시점에서 관측된 강수량 및 지하수 이용량을 기반으로 미래 한 달간의 지하수위를 예측하고자 하였다. 따라서 예측모델의 입력자료로 강수량, 지하수 이용량 및 지하수위 자료가 활용되었다. 이때, 특정 기간의 과거 강수량 자료를 입력자료로 활용하는 데 있어, 활용되는 과거 강수량 자료의 기간에 따라 예측 모델의 성능이 달라질 수 있다.
본 연구에는 일 단위 강수량, 지하수위 변동 및 이용량 시계열 자료가 이용되었으며, 개발되는 모델의 성능 검증을 위해서는 가능한 많은 자료가 필요하다. 획득된 자료 중에서 중제주 수역 내 지하수 이용량 자료를 가장 많이 확보하여, 2001년부터 2022년까지 중제주 수역에 걸쳐 분포하는 관측공으로부터 획득한 자료를 이용하였다. 강수량 자료는 총 3개의 관측소(제주, 오등, 및 삼각봉)에서 획득하였고, 이용량 자료는 총 413개 지점, 그리고 지하수위는 총 12개 지점(JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 금산수원지)에서 획득하였다.

데이터처리

본 연구에서 개발하고자 하는 지하수위 시계열 예측 모델은 회귀모델임에 따라 해당 모델 예측 결과에 대한 성능평가는 예측 지하수위와 실제 지하수위 간 상관계수(correlation coefficient, ρ) 및 root mean square error(RMSE)를 이용하였으며, 두 식은 아래와 같이 계산된다.

성능/효과

한편, Fig. 5c와 같이 과거 지하수위를 이용하지 않을 때 지하수위 상승 및 하강시점을 예측하는 데 어려움이 존재하는 것으로 보이며, 지하수 이용량을 선별없이 활용하는 경우, 입력인자의 차원이 증가함에 따라 예측 모델의 성능이 이에 대한 부정적 영향을 받는 것으로 확인되었다.
예측 모델개발 결과, 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 모델의 예측성능이 가장 뛰어난 것으로 확인되었으며, 제주도의 강수와 지하수위 변동 간의 패턴을 고려하였을 때, 입력으로 활용되는 과거 자료의 순차가 길수록 예측의 성능이 향상됨을 확인하였다. 이뿐만 아니라, 지하수 이용량 자료의 경우, 모든 이용량 자료를 활용하는 것보다 예측하고자 하는 지점의 지하수위에 민감한 영향을 주는 관정을 선별하여 입력으로 이용하는 것이 예측 모델의 성능 개선에 긍정적 영향을 주는 것을 확인하였다.
8569를 보이는 것에 비해 높게 나타난다. 이를 통해, 예측 모델의 입력변수로 다양한 종류의 자료를 활용하되 민감도가 높은(즉, 관련성이 높은) 자료를 입력자료로 활용하는 것이 예측 모델의 성능 향상에 도움이 됨을 확인할 수 있다.
예측 모델개발 결과, 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 모델의 예측성능이 가장 뛰어난 것으로 확인되었으며, 제주도의 강수와 지하수위 변동 간의 패턴을 고려하였을 때, 입력으로 활용되는 과거 자료의 순차가 길수록 예측의 성능이 향상됨을 확인하였다. 이뿐만 아니라, 지하수 이용량 자료의 경우, 모든 이용량 자료를 활용하는 것보다 예측하고자 하는 지점의 지하수위에 민감한 영향을 주는 관정을 선별하여 입력으로 이용하는 것이 예측 모델의 성능 개선에 긍정적 영향을 주는 것을 확인하였다.
표에서 보는 바와 같이 JW연동을 제외한 대부분 관정에서 실제 지하수위와 예측된 지하수위 간 0.5 m 이하의 작은 RMSE 값을 확인하였으며, ρ의 경우, 대부분 관정의 결과가 실제 지하수위와 대략0.8 이상의 높은 상관성을 보임에 따라 개발된 예측 모델의 성능이 상당히 우수함을 확인할 수 있다

후속연구

예측 모델개발을 위해 강수량 및 지하수 이용량 자료를 활용하였으며, 예측 모델의 성능을 향상시키기 위한 다양한 방안을 고안 및 비교 검증하여 최종 예측 모델을 제시하였다. 개발된 모델은 중제주 수역의 지하수량 변화를 실시간으로 감시하고 미래 적정 지하수 이용량을 제시하기 위한 정보로 활용될 수 있을 것이다.
이처럼 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다. 다만 본 연구에서는 민감도분석을 통해 각 지하수위 관측정마다 연관성이 높은 지하수 이용 위치를 선별하였으나, 해당 결과에 대한 실제 현장 검증은 이루어지지 않았다. 이는 중제주 수역의 3차원 지하 매질 분포도가 확보될 경우, 검증이 이루어질 것으로 판단되며, 이에 관한 추가 연구가 지속해서 수행될 필요가 있다.
본 연구에는 일 단위 강수량, 지하수위 변동 및 이용량 시계열 자료가 이용되었으며, 개발되는 모델의 성능 검증을 위해서는 가능한 많은 자료가 필요하다. 획득된 자료 중에서 중제주 수역 내 지하수 이용량 자료를 가장 많이 확보하여, 2001년부터 2022년까지 중제주 수역에 걸쳐 분포하는 관측공으로부터 획득한 자료를 이용하였다.
다만 본 연구에서는 민감도분석을 통해 각 지하수위 관측정마다 연관성이 높은 지하수 이용 위치를 선별하였으나, 해당 결과에 대한 실제 현장 검증은 이루어지지 않았다. 이는 중제주 수역의 3차원 지하 매질 분포도가 확보될 경우, 검증이 이루어질 것으로 판단되며, 이에 관한 추가 연구가 지속해서 수행될 필요가 있다. 이러한 과정을 통해 개발된 예측 모델의 성능과 정확도를 검증함으로써 더욱 신뢰 높은 예측 결과를 제공할 수 있을 것으로 보인다.
이뿐만 아니라, 본 연구에서는 30일 미래를 예측하는 모델을 개발하였으나 보다 장기 미래를 예측할 수 있는 모델이 개발될 필요가 있어 보인다. 이러한 개발된 모델은 다양한 강수 시나리오 및 지하수 이용 시나리오에 대한 지하수량 평가를 가능하게 하여 기상학적 가뭄 및 인위적 가뭄에 대한 대수층 수량 건전성 평가 및 가뭄 대비에 또한 활용될 수 있을 것으로 판단된다.
이는 중제주 수역의 3차원 지하 매질 분포도가 확보될 경우, 검증이 이루어질 것으로 판단되며, 이에 관한 추가 연구가 지속해서 수행될 필요가 있다. 이러한 과정을 통해 개발된 예측 모델의 성능과 정확도를 검증함으로써 더욱 신뢰 높은 예측 결과를 제공할 수 있을 것으로 보인다. 이뿐만 아니라, 본 연구에서는 30일 미래를 예측하는 모델을 개발하였으나 보다 장기 미래를 예측할 수 있는 모델이 개발될 필요가 있어 보인다.
이러한 과정을 통해 개발된 예측 모델의 성능과 정확도를 검증함으로써 더욱 신뢰 높은 예측 결과를 제공할 수 있을 것으로 보인다. 이뿐만 아니라, 본 연구에서는 30일 미래를 예측하는 모델을 개발하였으나 보다 장기 미래를 예측할 수 있는 모델이 개발될 필요가 있어 보인다. 이러한 개발된 모델은 다양한 강수 시나리오 및 지하수 이용 시나리오에 대한 지하수량 평가를 가능하게 하여 기상학적 가뭄 및 인위적 가뭄에 대한 대수층 수량 건전성 평가 및 가뭄 대비에 또한 활용될 수 있을 것으로 판단된다.
본 연구에서 개발된 지하수위 예측 모델은 현재의 강수량 및 지하수 이용량을 기반으로 미래의 지하수위를 예측할 수 있다. 이처럼 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다. 다만 본 연구에서는 민감도분석을 통해 각 지하수위 관측정마다 연관성이 높은 지하수 이용 위치를 선별하였으나, 해당 결과에 대한 실제 현장 검증은 이루어지지 않았다.

참고문헌 (34)

Afzaal, H., Farooque, A.A., Abbas, F., Acharya, B., Esau, T., 2020, Groundwater estimation from major physical hydrology components using artificial neural networks and deep learning, Water, 12, 5.

상세보기
Altunkaynak, A., 2007, Forecasting surface water level fluctuations of Lake Van by artificial neural networks, Water Resources Management, 21(2), 399-408.

상세보기
Castillo, E., Conejo, A.J., Castillo, C., Minguez, R., Ortigosa, D., 2006, Perturbation approach to sensitivity analysis in mathematical programming, Journal of Optimization Theory and Applications, 128, 49-74.

상세보기
Chang, F.J., Chen, P.A., Lu, Y.R., Huang, E., Chang, K.Y., 2014, Real-time multi-step-ahead water level forecasting by recurrent neural networks for urban flood control, Journal of Hydrology, 517, 836-846.

상세보기
Coulibaly, P., Anctil, F., Aravena, R., Bobee, B., 2001, Artificial neural network modeling of water table depth fluctuations, Water Resources Research, 37(4), 885-896.

상세보기
Custodio, E., 2000, The complex concept of overexploited aquifer, Papeles de la Fundacion Marcelino Botin, 1-45.
Famiglietti, J., 2014, The global groundwater crisis, Nature Climate Change, 4, 945-948.

상세보기
Giordano, M., 2009, Global groundwater? Issues and solutions, Annual Review of Environment and Resources, 34, 153-178.

상세보기
Hochreiter, S., Schmidhuber, J., 1997, Long short-term memory, Neural Computation, 9, 1735-1780.

상세보기
Jeju Province, 2018, Water resources management plan in Jeju Province 2018-2022.
Jeong, J., Park, E., 2019, Comparative applications of data-driven models representing water table fluctuations, Journal of Hydrology, 572, 261-273.

상세보기
Jeong, J., Park, J., Koh, E.H., Park, W.B., Jeong, J., 2022, A study on the hydraulic factors of groundwater level fluctuation by region in Jeju island, The Journal of Engineering Geology, 32(2), 257-270 (in Korean with English abstract).
Jung, W.Y., Yang, S.K., 2009, Simulation on runoff of rivers in Jeju Island using SWAT model, Journal of the Environmental Science, 18, 1045-1055 (in Korean with English abstract).
Kenda, K., Cerin, M., Bogataj, M., Senozetnik, M., Klemen, K., Pergar, P., Mladenic, D., 2018, Groundwater modeling with machine learning techniques: Ljubljana polje aquifer, Multidisciplinary Digital Publishing Institute Proceedings, 2(11), 697.
Kim, G., Lee, K.K., Park, K.S., Hwang, D.W., Yang, H.S., 2003, Large submarine groundwater discharge (SGD) from a volcanic island, Geophysical Research Letters, 30.

상세보기
Kim, J., 2021, Current status of Jeju special self-governing province's water infrastructure and direction for improvement, Journal of Korean Society of Water and Wastewater, 35, 497-505 (in Korean with English abstract).

원문보기 상세보기
Kim, M.C., Yang, S.K., 2019, Analysis of groundwater flow characterstics and hydraulic conductivity in Jeju Island using groundwater model, Journal of Environmental Science International, 28(12), 1157-1169 (in Korean with English abstract).

원문보기 상세보기
Kim, N., Na, H., Chung, I.M., Kim, Y., 2014, Empirical formula of delay time for groundwater recharge in the representative watersheds, Jeju Island, Journal of Korea Water Resources Association, 47(9), 743-752 (in Korean with English abstract).

원문보기 상세보기
Lee, S., Jeong, J., Kim, M., Park, W., Kim, Y., Park, J., Park, H., Park, G., Jeong, J., 2021, Data-driven analysis for developing the effective groundwater management system in Daejeong-Hangyeong watershed in Jeju island, Economic and Environmental Geology, 54(3), 373-387 (in Korean with English abstract).

원문보기 상세보기
Liu, D., Li, G., Fu, Q., Li, M., Liu, C., Faiz, M.A., Cui, S., 2018, Application of particle swarm optimization and extreme learning machine forecasting models for regional groundwater depth using nonlinear prediction models as preprocessor, Journal of Hydrologic Engineering, 23(12), 04018052.

상세보기
Maier, H.R., Dandy, G.C., 1996, The use of artificial neural networks for the prediction of water quality parameters, Water Resources Research, 32(4), 1013-1022.

상세보기
Muller, J., Park, J., Sahu, R., Varadharajan, C., Arora, B., Faybishenko, B., Agarwal, D., 2021, Surrogate optimization of deep neural networks for groundwater predictions, Journal of Global Optimization, 81, 203-231.

상세보기
Park, E., Jeong, J., Choung, S., Han, W., Kim, K.Y., S, H., 2021, A method for integrating delayed recharge flux through unsaturated zones into analytical and numerical groundwater flow modeling, Water Resources Research, 57.

상세보기
Prabhakaran, V., Hutchinson, B., Mitchell, M., 2019, Perturbation sensitivity analysis to detect unintended model biases, Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, Hong Kong, China, 5740-5745.
Shin, K.H., Koo, M.H., Chung, I.M., Kim, N.W., Kim, G.P., 2014, analyzing spatio-temporal variation of groundwater recharge in Jeju Island by using a convolution method, Journal of Environmental Science International, 23(4), 625-635 (in Korean with English abstract).

원문보기 상세보기
Shin, M.J., Moon, S.H., Koh, G.W., Moon, D.C., 2020, Estimation of delay time between precipitation and groundwater level in the middle mountain area of Pyoseon watershed in Jeju Island using moving average method and cross correlation coefficient, Journal of Korea Water Resources Association, 53(7), 553-543 (in Korean with English abstract).

원문보기 상세보기
Siebert, S., Burke, J., Faures, J.M., Frenken, K., Hoogeveen, J., Doell, P., Portmann, F.T., 2010, Groundwater use for irrigation - a global inventory, Hydrology and Earth System Science, 14, 1863-1880.

상세보기
Snoek, J., Larochelle, H., Adams, R.P., 2012, Practical Bayesian optimization of machine learning algorithms, Proceedings of the 25th International Conference on Neural Information Processing Systems, Lake Tahoe, Nevada, 2, 2951-2959.
Taylor, R.G, Scanlon, B., Doell, P., Rodell, M., Beek, R., Wada, Y., Longuevergne, L., Leblanc, M., Famiglietti, J., Edmunds, M., Konikow, L., Green, T., Chen, J., Taniguchi, M., Bierkens, M.F.P., Macdonald, A., Fan, Y., Maxwell, R., Yechieli, Y., Treidel, H., 2013, Ground water and climate change, Nature Climate Change, 3, 322-329.

상세보기
Won, J.H., Lee, J.Y., Kim, J.W., Koh, G.W., 2006, Groundwater occurrence on Jeju Island, Korea, Hydrogeology Journal, 14, 532-547.

상세보기
Wunsch, A., Liesch, T., Broda, S., 2018, Forecasting groundwater levels using nonlinear autoregressive networks with exogenous input (NARX), Journal of Hydrology, 567, 743-758.

상세보기
Yang, S.K, 2007, River management and improvement measured of Jeju island, River & Culture, Korea River Association, 3, 105-115.
Young, C.C., Liu, W.C., Hsieh, W.L., 2015, Predicting the water level fluctuation in an alpine lake using physically based, artificial neural network, and time series forecasting models, Mathematical Problems in Engineering, 2015, 708204.
Zhang, J., Zhu, Y., Zhang, X., Ye, M., Yang, J., 2018, Developing a long short-term memory (LSTM) based model for predicting water table depth in agricultural areas, Journal of Hydrology, 561, 918-929.

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