[논문]CMIP5 기반 하천유량 예측을 위한 딥러닝 LSTM 모형의 최적 학습기간 산정

천범석; 이태화; 김상우; 임경재; 정영훈; 도종원; 신용철

doi:10.5389/ksae.2022.64.1.039

CMIP5 기반 하천유량 예측을 위한 딥러닝 LSTM 모형의 최적 학습기간 산정
Estimation of Optimal Training Period for the Deep-Learning LSTM Model to Forecast CMIP5-based Streamflow 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.64 no.1, 2022년, pp.39 - 50

천범석 (Department of Agricultural Civil Engineering, Kyungpook National University) , 이태화 (Department of Agricultural Civil Engineering, Kyungpook National University) , 김상우 (Department of Agricultural Civil Engineering, Kyungpook National University) , 임경재 (Department of Rural Construction Engineering, Kangwon National University) , 정영훈 (Department of Advanced Science and Technology Convergence, Kyungpook National University) , 도종원 (Integrated Water Management Supporting Department, Rural Research Institute, Korea Rural Community Corporation) , 신용철 (Department of Agricultural Civil Engineering, Kyungpook National University)

Abstract ▼ AI-Helper

In this study, we suggested the optimal training period for predicting the streamflow using the LSTM (Long Short-Term Memory) model based on the deep learning and CMIP5 (The fifth phase of the Couple Model Intercomparison Project) future climate scenarios. To validate the model performance of LSTM, the Jinan-gun (Seongsan-ri) site was selected in this study. We comfirmed that the LSTM-based streamflow was highly comparable to the measurements during the calibration (2000 to 2002/2014 to 2015) and validation (2003 to 2005/2016 to 2017) periods. Additionally, we compared the LSTM-based streamflow to the SWAT-based output during the calibration (2000~2015) and validation (2016~2019) periods. The results supported that the LSTM model also performed well in simulating streamflow during the long-term period, although small uncertainties exist. Then the SWAT-based daily streamflow was forecasted using the CMIP5 climate scenario forcing data in 2011~2100. We tested and determined the optimal training period for the LSTM model by comparing the LSTM-/SWAT-based streamflow with various scenarios. Note that the SWAT-based streamflow values were assumed as the observation because of no measurements in future (2011~2100). Our results showed that the LSTM-based streamflow was similar to the SWAT-based streamflow when the training data over the 30 years were used. These findings indicated that training periods more than 30 years were required to obtain LSTM-based reliable streamflow forecasts using climate change scenarios.

주제어

표/그림 (12)

그림 Fig. 1 The different structures between DNN (a) and RNN (b)
그림 Fig. 2 The basic structure of LSTM model (Bui et al., 2021)
그림 Fig. 3 The study area
표 Table 1 Various scenarios to determine the optimal training period
표 Table 2 Various scenarios which set up the assessment periods to 40 years
그림 Fig. 4 The comparison of measured and SWAT-/LSTM-based streamflow; calibration in 2000~2002, validation in 2003~2005
그림 Fig. 5 The comparison of measured and SWAT-/LSTM-based streamflow; calibration in 2014~2015, validation in 2016~2017
그림 Fig. 6 The LSTM model performance; (a) the scatter plot during the training period(2000~2015), (b) the scatter plot during the assessment period(2016~2019), and (c) the comparison of LSTM-/SWAT-based streamflow during the training and assessment periods
그림 Fig. 7 The training results of LSTM model with the training period scenarios; (a-h) Scenario I~VIII
그림 Fig. 8 The prediction results of LSTM model with the training period scenarios; (a-h) Scenario I~VIII
그림 Fig. 9 The changes of correlation and uncertainties by comparing the LSTM-/SWAT-based streamflow; (a) Correlation, (b) Uncertainty
그림 Fig. 10 The changes of correlation and uncertainties by comparing the LSTM-/SWAT-based streamflow using the 40 year-fixed assessment period scenarios; (a) Correlation, (b) Uncertainty

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 딥러닝 기반 LSTM 모형의 일별 하천유량 모의성능을 평가하고 CMIP5 미래기후시나리오와 LSTM 모형을 연계하여 미래의 하천유량산정을 위한 최적 학습 기간을 제시하였다. 시험유역은 전라북도 용담댐 유역의 진안군 유역을 선정하였으며, LSTM 모형의 일별 유량 산정 성능을 평가하기 위하여 2000∼2005년 및 2014∼2017년 실제 일별 유량과 SWAT/LSTM 모형 기반 모의유량을 비교 및 검증하였다.
본 연구에서는 용담댐 소유역의 상류 지점을 대상으로 LSTM 모형의 모의성능을 평가하고, 미래기후변화시나리오(CMIP5)와 LSTM 모형을 연계하여 신뢰성 있는 미래의 하천 유량 예측을 위한 최적 학습 기간을 제시하였다. 연구목적은 1) LSTM 모형의 일별 하천유량 모의성능 평가 및 2) CMIP5 미래기후시나리오를 이용한 최적학습기간 산정이다.

제안 방법

2000∼2005년 및 2014∼2017년 기간동안의 실측 하천유량을 이용하여 LSTM 모형을 학습 (training) 및 평가 (assessment)하였다
LSTM 모형의 검증 결과를 바탕으로, 2000∼2019년 SWAT 일별 유량을 이용하여 LSTM 모형의 장기간 일별 유량 예측 성능을 평가하였다
LSTM 모형의 성능 검증 결과를 바탕으로, 2011년부터 2100년까지의 CMIP5 미래기후시나리오 기상자료를 이용하여 일별 유량을 산정하였다. 학습 기간별 시나리오를 이용하여 보정 및 검증 결과를 비교하였으며, 검증 결과 학습 자료가 30년 이상일 때 SWAT 기반 유량과 LSTM 모형 기반 유량의 상관성이 0.
각 연구기간별로 학습 (2000∼2002년 및 2014∼2015년) 및 평가 (2003∼2005년 및 2016∼2017년) 기간을 구분하여 LSTM 모형의 모의 성능을 평가하였다
최적의 학습 기간 평가를 위하여 2011∼2100년까지의 기간을 10년 단위로 구분하여 학습 (training) 기간이 10년 단위로 증가할 경우 평가 (assessment)값의 불확실성이 어느 정도 발생하는지 분석하였다. 또한 예측기간을 40년으로 고정하여 학습기간(10, 20, 30, 40 및 50년)에 따른 LSTM 모형의 모의성능을 추가적으로 분석하였다 (Table 2).
학습(2000∼2015년) 및 평가 (2016∼2019년) 기간으로 구분하여 모의값과 실측값을 비교하였으며, LSTM 모형의 장기간 유량 모의성능을 평가하였다. 미래의 신뢰성 있는 하천유량 예측을 위하여, CMIP5 미래기후변화시나리오와 LSTM 모형을 연계하여 최적의 학습기간을 제시하였다. 이용 가능한 미래의 실측 하천유량이 존재하지 않기 때문에, CMIP5 미래기후변화시나리오를 SWAT 모형의 입력자료로 활용하여 CMIP5(2011∼2100) 기반 모의 일별 유량을 산정하였으며, 산정된 모의 유량을 미래의 하천유량으로 가정하여 LSTM 모형의 학습 및 검증 자료로 사용하였다.
이용 가능한 미래의 실측 하천유량이 존재하지 않기 때문에, CMIP5 미래기후변화시나리오를 SWAT 모형의 입력자료로 활용하여 CMIP5(2011∼2100) 기반 모의 일별 유량을 산정하였으며, 산정된 모의 유량을 미래의 하천유량으로 가정하여 LSTM 모형의 학습 및 검증 자료로 사용하였다
최적의 학습 기간 평가를 위하여 2011∼2100년까지의 기간을 10년 단위로 구분하여 학습 (training) 기간이 10년 단위로 증가할 경우 평가 (assessment)값의 불확실성이 어느 정도 발생하는지 분석하였다
학습 구간 (2000∼2015년) 및 검증 구간 (2016∼2019년)을 설정하고, SWAT 모의 유량을 실측값으로 가정하여 LSTM 모형의 일별 유량 예측성능을 평가하였다
학습(2000∼2015년) 및 평가 (2016∼2019년) 기간으로 구분하여 모의값과 실측값을 비교하였으며, LSTM 모형의 장기간 유량 모의성능을 평가하였다

대상 데이터

LSTM 모형의 장기 학습 성능을 평가하기 위하여 2000∼2019년 SWAT 일별 유량을 실측 유량으로 가정하여 학습 자료로 사용하였다
LSTM 모형의 장기간 학습 성능을 평가하기 위하여 2000∼2019년의 실제 기상자료를 이용하여 SWAT 기반 모의 유량을 산정하였다
기상자료는 2000∼2019년의 종관기상관측의 장수 기상관측소의 기상자료 (최저기온, 최대기온, 강수량, 평균 풍속, 평균 상대습도 및 일사량)를 수집하여 사용하였다. SWAT 모형의 구동을 위하여 정밀토양도 (흙토람), 토지이용도 (환경부) 및 DEM (Digital Elevation Model, 국토부) 자료를 수집하였으며, 시험유역은 Fig. 3과 같다.
기상자료는 2000∼2019년의 종관기상관측의 장수 기상관측소의 기상자료 (최저기온, 최대기온, 강수량, 평균 풍속, 평균 상대습도 및 일사량)를 수집하여 사용하였다
3과 같다. 미래기후변화시나리오 자료는 CMIP5의 RCP 4.5 시나리오를 선정하였다.
본 연구에서는 전라북도 용담댐 소유역에 위치하는 진안군 유역을 선정하였으며, 유량측정지점은 진안군 성산리 지점에 위치하고 있다. 기상자료는 2000∼2019년의 종관기상관측의 장수 기상관측소의 기상자료 (최저기온, 최대기온, 강수량, 평균 풍속, 평균 상대습도 및 일사량)를 수집하여 사용하였다.
시험유역은 전라북도 용담댐 유역의 진안군 유역을 선정하였으며, LSTM 모형의 일별 유량 산정 성능을 평가하기 위하여 2000∼2005년 및 2014∼2017년 실제 일별 유량과 SWAT/LSTM 모형 기반 모의유량을 비교 및 검증하였다
연구기간은 하천유량이 관측된 2000∼2005년 및 2014∼2017년을 선정하였다

데이터처리

딥러닝 기반 LSTM 모형의 모의 성능 평가를 위하여 시험 유역을 대상으로 SWAT/LSTM 모형 기반의 모의값을 실측값과 비교⋅검증하였다
각 연구기간별로 학습 (2000∼2002년 및 2014∼2015년) 및 평가 (2003∼2005년 및 2016∼2017년) 기간을 구분하여 LSTM 모형의 모의 성능을 평가하였다. 또한 전 세계적으로 검증된 SWAT 모형과 LSTM 모형의 모의값을 비교하여 LSTM 모형의 모의성능을 평가하였다. SWAT 모형은 SWAT-CUP을 이용하여 보정하였다.

이론/모형

또한 전 세계적으로 검증된 SWAT 모형과 LSTM 모형의 모의값을 비교하여 LSTM 모형의 모의성능을 평가하였다. SWAT 모형은 SWAT-CUP을 이용하여 보정하였다. LSTM 모형의 장기 학습 성능을 평가하기 위하여 2000∼2019년 SWAT 일별 유량을 실측 유량으로 가정하여 학습 자료로 사용하였다.

성능/효과

그러나 LSTM 모형은 보정기간에 과적합 문제가 발생하였으며, SWAT 모형의 경우 보정 및 검증 기간에서 실측값과 비교하여 과소 산정되는 경향이 발생하였다. LSTM 및 SWAT 모형의 모의값 모두에서 불확실성이 다소 발생하였으나, LSTM 모형이 전 세계적으로 검증된 SWAT 모형과 유사한 모의 성능을 보이는 것으로 나타났다. LSTM 모형의 장기간 학습 성능을 평가하기 위하여 2000∼2019년의 실제 기상자료를 이용하여 SWAT 기반 모의 유량을 산정하였다.
009로 LSTM 모형 기반 유량이 장기간의 SWAT 모형과 유사한 모의성능을 보였다. SWAT 모형의 경우 하천유량 산정시 다양한 기상 및 지표특성 자료가 우선적으로 구축되어야 하지만, LSTM 모형의 경우 실측 하천유량과 기상자료만을 가지고 하천유량을 모의 할 수 있기 때문에 향후 LSTM 모형의 활용 가능성이 높을 것으로 판단되었다. 다만 LSTM 모형의 과적합 문제를 개선하기 위한 추가적인 연구가 필요할 것으로 판단되었다.
123으로 나타났다. SWAT 모형의 모의값은 보정 및 검증 기간의 상관성 및 RMSE가 상당히 유사하게 나타났으나, LSTM 모형의 경우 검증기간의 상관성과 RMSE가 다소 낮게 나타났다. 특히 LSTM 모형의 보정기간의 모의결과 (R: 0.
5는 2014∼2017년 실측 하천유량과 SWAT 및 LSTM 모형의 모의유량 비교를 나타낸다. SWAT 및 LSTM 모형의 모의 유량과 실측 유량의 상관성은 보정/검증이 각각 0.741/0.815 및 0.999/0.615 그리고 불확실성은 3.897/3.324 및 0.240/4.123으로 나타났다. SWAT 모형의 모의값은 보정 및 검증 기간의 상관성 및 RMSE가 상당히 유사하게 나타났으나, LSTM 모형의 경우 검증기간의 상관성과 RMSE가 다소 낮게 나타났다.
009로 나타났다. 검증 기간은 학습 기간과 비교하여 다소 상관성이 감소하고 불확실성이 커졌으나, 학습 기간 및 검증 기간을 모두 고려하였을 때 LSTM 모형 기반 유량이 SWAT 기반 모의 유량과 매우 유사하게 나타났다. 본 연구결과를 기반으로 LSTM 모형이 장기적인 하천유량 모의시에도 SWAT 모형과 유사한 모의 성능을 보이는 것으로 판단되었다.
766으로 나타나 SWAT 기반 유량과 매우 일치하는 것으로 나타났다. 검증 기간의 경우 SWAT 기반 유량과 LSTM 모형 기반 유량의 상관성은 0.901, 불확실성은 4.009로 나타났다. 검증 기간은 학습 기간과 비교하여 다소 상관성이 감소하고 불확실성이 커졌으나, 학습 기간 및 검증 기간을 모두 고려하였을 때 LSTM 모형 기반 유량이 SWAT 기반 모의 유량과 매우 유사하게 나타났다.
6은 2000∼2019년 SWAT 일별 유량과 LSTM 모형의 유량 산정 결과를 나타낸다. 모의 결과 학습 기간의 경우 SWAT 기반 유량과 비교하여 LSTM 모형 기반 유량의 상관성은 0.998, 불확실성은 0.766으로 나타나 SWAT 기반 유량과 매우 일치하는 것으로 나타났다. 검증 기간의 경우 SWAT 기반 유량과 LSTM 모형 기반 유량의 상관성은 0.
검증 기간은 학습 기간과 비교하여 다소 상관성이 감소하고 불확실성이 커졌으나, 학습 기간 및 검증 기간을 모두 고려하였을 때 LSTM 모형 기반 유량이 SWAT 기반 모의 유량과 매우 유사하게 나타났다. 본 연구결과를 기반으로 LSTM 모형이 장기적인 하천유량 모의시에도 SWAT 모형과 유사한 모의 성능을 보이는 것으로 판단되었다.
그러나 LSTM 모형은 보정기간에 과적합되는 문제가 발생하였으며, SWAT 모형의 경우 보정 및 검증 기간동안에 실측값과 비교하여 과소 산정되는 경향이 발생하였다. 비록 LSTM 및 SWAT 모형의 구조적 특성으로 인한 불확실성이 다소 발생하였으나, LSTM 모형이 전 세계적으로 검증된 SWAT 모형과 유사한 정도의 모의성능을 보이는 것으로 판단되었다. SWAT 모형의 경우 모형 구동을 위해서는 다양한 기상 및 지표특성 자료를 수집하여 입력 자료의 구축이 필요하지만, LSTM 모형의 경우 기상자료와 실측 하천유량 자료만을 가지고 하천유량을 모의할 수 있는 장점이 있다.
123으로 나타났다. 전체적으로 LSTM 모형과 SWAT 모형 기반 모의값이 실측값과 유사하게 나타났다. 그러나 LSTM 모형은 보정기간에 과적합 문제가 발생하였으며, SWAT 모형의 경우 보정 및 검증 기간에서 실측값과 비교하여 과소 산정되는 경향이 발생하였다.
이는 LSTM 모형이 보정기간의 과적합 되는 경향이 다소 발생하는 것으로 판단되었다. 전체적으로 LSTM 및 SWAT 모형의 모의값이 실측값과 유사한 것으로 나타났다. 그러나 LSTM 모형은 보정기간에 과적합되는 문제가 발생하였으며, SWAT 모형의 경우 보정 및 검증 기간동안에 실측값과 비교하여 과소 산정되는 경향이 발생하였다.
434로 나타나 모의값이 실측 유량과 유사하게 나타났다. 전체적으로 검증 기간의 모의값이 보정기간과 비교하여 상관성 및 RMSE가 다소 낮아지는 경향을 보였다. Fig.
SWAT 모형의 모의값은 보정 및 검증 기간의 상관성 및 RMSE가 상당히 유사하게 나타났으나, LSTM 모형의 경우 검증기간의 상관성과 RMSE가 다소 낮게 나타났다. 특히 LSTM 모형의 보정기간의 모의결과 (R: 0.999 및 RMSE: 0.240)와 비교하여, 검증기간의 상관성 및 RMSE가 상대적으로 낮은 결과를 보였다. 이는 LSTM 모형이 보정기간의 과적합 되는 경향이 다소 발생하는 것으로 판단되었다.
학습 기간별 시나리오를 이용하여 보정 및 검증 결과를 비교하였으며, 검증 결과 학습 자료가 30년 이상일 때 SWAT 기반 유량과 LSTM 모형 기반 유량의 상관성이 0.841∼0.916, 불확실성이 8.163∼12.349로 나타나 LSTM 모형 기반 유량이 SWAT 기반 유량을 잘 반영하는 것으로 나타났다
학습 구간 (2000∼2015년) 및 검증 구간 (2016∼2019년)을 설정하고, SWAT 모의 유량을 실측값으로 가정하여 LSTM 모형의 일별 유량 예측성능을 평가하였다. 학습 기간의 경우 SWAT 유량과 LSTM 모형 기반 유량의 상관성 (R)은 0.998 및 RMSE는 0.766으로 나타났으며, 검증 기간의 경우 상관성(R)이 0.901 및 RMSE는 4.009로 LSTM 모형 기반 유량이 장기간의 SWAT 모형과 유사한 모의성능을 보였다. SWAT 모형의 경우 하천유량 산정시 다양한 기상 및 지표특성 자료가 우선적으로 구축되어야 하지만, LSTM 모형의 경우 실측 하천유량과 기상자료만을 가지고 하천유량을 모의 할 수 있기 때문에 향후 LSTM 모형의 활용 가능성이 높을 것으로 판단되었다.
학습 기간이 10∼20년인 경우에 SWAT 기반 유량과 LSTM 모형 기반 유량과의 상관성은 0.396/0.545 및 불확실성은 53.240/31.530으로 낮게 나타났으나, 30년인 경우 상관성이 0.841 이상 및 불확실성이 12.349 이하로 상관성 및 RMSE가 크게 향상되었다.
학습 기간이 10년 및 20년일 때는 모의유량과 실측유량의 상관성이 0.555∼0.584 및 불확실성이 20.564∼29.773으로 모의 성능이 다소 낮게 나타났다

후속연구

SWAT 모형의 경우 하천유량 산정시 다양한 기상 및 지표특성 자료가 우선적으로 구축되어야 하지만, LSTM 모형의 경우 실측 하천유량과 기상자료만을 가지고 하천유량을 모의 할 수 있기 때문에 향후 LSTM 모형의 활용 가능성이 높을 것으로 판단되었다. 다만 LSTM 모형의 과적합 문제를 개선하기 위한 추가적인 연구가 필요할 것으로 판단되었다.
딥러닝 기반의 LSTM 모형과 미래기후시나리오를 연계하여 미래 장기간의 일별 유량을 모의할 경우 신뢰성 있는 미래 예측을 위해서는 최소 30년 이상의 학습 기간이 필요한 것으로 판단된다. 다만 수문모형의 자료를 학습 자료로 활용하여 다소 성능이 과대 산정 (유량의 실측오차, 딥러닝 기법의 구조적 결함, 기상자료의 불확실성 등)될 수 있는 한계가 존재한다. 특히 SWAT 모의값을 실측유량으로 가정하여 LSTM 모형을 평가한 경우 실측 오차가 배제되어 모의 성능이 다소 과대산정될 수 있으며, 추후 장기간의 실측 유량을 확보하여 추가적인 연구가 필요한 것으로 판단된다.
이는 예측 기간을 40년으로 고정하여 학습 기간을 조절하였을 때에도 학습 기간을 30년 이상 설정하였을 경우, 모의유량과 실측유량의 상관성 및 RMSE 값이 크게 향상되었다. 딥러닝 기반의 LSTM 모형과 미래기후시나리오를 연계하여 미래 장기간의 일별 유량을 모의할 경우 신뢰성 있는 미래 예측을 위해서는 최소 30년 이상의 학습 기간이 필요한 것으로 판단된다. 다만 수문모형의 자료를 학습 자료로 활용하여 다소 성능이 과대 산정 (유량의 실측오차, 딥러닝 기법의 구조적 결함, 기상자료의 불확실성 등)될 수 있는 한계가 존재한다.
393으로 모의성능이 향상 되는 것으로 나타났다. 따라서 딥러닝 기반의 LSTM 모형을 이용한 장기간의 미래기후시나리오 기반 장기간의 일별 유량을 모의 시 신뢰성 있는 미래 예측을 위해서는 최소 30년 이상의 학습 기간이 필요한 것으로 판단된다. 본 연구는 CMIP5 기후변화시나리오를 이용하여 최적의 학습기간을 제시하였으나, 최근 제공되고 있는 CMIP6 자료를 사용할 경우 추가적인 연구가 필요할 것으로 판단된다.
SWAT 모형의 경우 모형 구동을 위해서는 다양한 기상 및 지표특성 자료를 수집하여 입력 자료의 구축이 필요하지만, LSTM 모형의 경우 기상자료와 실측 하천유량 자료만을 가지고 하천유량을 모의할 수 있는 장점이 있다. 따라서 향후 LSTM 모형의 과적합 되는 경향에 관한 추가적인 연구가 필요한 것으로 판단되었다.
따라서 딥러닝 기반의 LSTM 모형을 이용한 장기간의 미래기후시나리오 기반 장기간의 일별 유량을 모의 시 신뢰성 있는 미래 예측을 위해서는 최소 30년 이상의 학습 기간이 필요한 것으로 판단된다. 본 연구는 CMIP5 기후변화시나리오를 이용하여 최적의 학습기간을 제시하였으나, 최근 제공되고 있는 CMIP6 자료를 사용할 경우 추가적인 연구가 필요할 것으로 판단된다.
다만 수문모형의 자료를 학습 자료로 활용하여 다소 성능이 과대 산정 (유량의 실측오차, 딥러닝 기법의 구조적 결함, 기상자료의 불확실성 등)될 수 있는 한계가 존재한다. 특히 SWAT 모의값을 실측유량으로 가정하여 LSTM 모형을 평가한 경우 실측 오차가 배제되어 모의 성능이 다소 과대산정될 수 있으며, 추후 장기간의 실측 유량을 확보하여 추가적인 연구가 필요한 것으로 판단된다.

참고문헌 (39)

Abbaspour, K. C., 2013. Swat-cup 2012. SWAT calibration and uncertainty program-A user manual.
Arnold, J. G., P. M. Allen, and G. Bernhardt, 1993. A comprehensive surface-groundwater flow model. Journal of Hydrology 142(1-4): 47-69. doi:10.1016/0022-1694(93)90004-S.

상세보기
Ayzel, G., L. Kurochkina, E. Kazakov, and S. Zhuravlev, 2020. Streamflow prediction in ungauged basins: benchmarking the efficiency of deep learning. In E3S Web of Conferences (Vol. 163, p. 01001). EDP Sciences. doi:10.1051/e3sconf/202016301001.

상세보기
Boulmaiz, T., M. Guermoui, and H. Boutaghane, 2020. Impact of training data size on the LSTM performances for rainfall-runoff modeling. Modeling Earth Systems and Environment 6: 2153-2164. doi:10.1007/s40808-020-00830-w.

상세보기
Bui, V., N. T. Le, V. H. Nguyen, J. Kim, and Y. M. Jang, 2021. Multi-behavior with bottleneck features LSTM for load forecasting in building energy management system. Electronics 10(9): 1026.

상세보기
Cioffi, F., F. Conticello, U. Lall, L. Marotta, and V. Telesca, 2017. Large scale climate and rainfall seasonality in a Mediterranean Area: Insights from a non-homogeneous Markov model applied to the Agro-Pontino plain. Hydrological Processes 31(3): 668-686. doi:10.1002/hyp.11061.

상세보기
Dogan, S. Isik, T. Toluk, and M. Sandalci, 2007 Daily streamflow forecasting using artificial neural networks. In International Congress on River Basin Management (pp. 22-24).
Fu, M., T. Fan, Z. A. Ding, S. Q. Salih, N. Al-Ansari, and Z. M. Yaseen, 2020. Deep learning data-intelligence model based on adjusted forecasting window scale: Application in daily streamflow simulation. IEEE Access 8: 32632-32651. doi:10.1109/ACCESS.2020.2974406.

상세보기
Gao, S., Y. Huang, S. Zhang, J. Han, G. Wang, M. Zhang, and Q. Lin, 2020. Short-term runoff prediction with GRU and LSTM networks without requiring time step optimization during sample generation. Journal of Hydrology 589: 125188. doi:10.1016/j.jhydrol.2020.125188.

상세보기
He, X., J. Luo, G. Zuo, and J. Xie, 2019. Daily runoff forecasting using a hybrid model based on variational mode decomposition and deep neural networks. Water Resources Management 33(4): 1571-1590. doi:10.1007/s11269-019-2183-x.

상세보기
Hinton, G., N. Srivastava, and K. Swersky, 2012. Neural networks for machine learning lecture 6a overview of mini-batch gradient descent. Cited on, 14(8): 2.
Hochreiter, S., and J. Schmidhuber, 1997. Long short-term memory. Neural Computation 9(8): 1735-1780. doi:10.1162/neco.1997.9.8.1735.

상세보기
Hu, C., Q. Wu, H. Li, S. Jian, N. Li, and Z. Lou, 2018. Deep learning with a long short-term memory networks approach for rainfall-runoff simulation. Water 10(11): 1543. doi:10.3390/w10111543.

상세보기
Hussain, D., T. Hussain,, A. A. Khan,, S. A. A. Naqvi, and A. Jamil, 2020. A deep learning approach for hydrological time-series prediction: A case study of Gilgit river basin. Earth Science Informatics 13(3): 915-927. doi:10.1007/s12145-020-00477-2.

상세보기
Husken, M., and P. Stagge, 2003. Recurrent neural networks for time series classification. Neurocomputing 50: 223-235. doi:10.1016/S0925-2312(01)00706-8.

상세보기
Jimeno-Saez, P., J. Senent-Aparicio, J. Perez-Sanchez, and D. Pulido-Velazquez, 2018. A comparison of SWAT and ANN models for daily runoff simulation in different climatic zones of peninsular Spain. Water 10(2): 192. doi:10.3390/w10020192.

상세보기
Jung, S., H. Cho, J. Kim, and G. Lee, 2018. Prediction of water level in a tidal river using a deep-learning based LSTM model. Journal of Korea Water Resources Association 51(12): 1207-1216 (in Korean). doi:10.3741/JKWRA.2018. 51.12.1207.

원문보기 상세보기
Kannan, N., S. M. White, F. Worrall, and M. J. Whelan, 2007. Sensitivity analysis and identification of the best evapotranspiration and runoff options for hydrological modelling in SWAT-2000. Journal of Hydrology 332(3-4): 456-466. doi:10.1016/j.jhydrol.2006.08.001.

상세보기
Kim, H. I., K. Y. Han, and J. Y. Lee, 2020. Prediction of Urban Flood Extent by LSTM Model and Logistic Regression. KSCE Journal of Civil and Environmental Engineering Research 40(3): 273-283 (in Korean). doi:10.12652/Ksce.2020.40.3.0273.

원문보기 상세보기
Kratzert, F., D. Klotz, M. Herrnegger, A. K. Sampson, S. Hochreiter, and G. S. Nearing, 2019. Toward improved predictions in ungauged basins: Exploiting the power of machine learning. Water Resources Research 55(12): 11344-11354. doi:10.1029/2019WR026065.

상세보기
Kratzert, F., D. Klotz, S. Hochreiter, and G. S. Nearing, 2021. A note on leveraging synergy in multiple meteorological data sets with deep learning for rainfall-runoff modeling. Hydrology and Earth System Sciences 25(5): 2685-2703. doi:10.5194/hess-25-2685-2021.

상세보기
Le, X. H., H. V. Ho, and G. Lee, 2019. River streamflow prediction using a deep neural network: a case study on the Red River, Vietnam. Korean Journal of Agricultural Science 46(4): 843-856. doi:10.7744/kjoas.20190068.

원문보기 상세보기
Lee, G., S. Jung, and D. Lee, 2018. Comparison of physics-based and data-driven models for streamflow simulation of the Mekong river. Journal of Korea Water Resources Association 51(6): 503-514 (in Korean). doi:10.3741/JKWRA.2018.51.6.503.

원문보기 상세보기
Li, M., Z. Ma, and J. Du, 2010. Regional soil moisture simulation for Shaanxi Province using SWAT model validation and trend analysis. Science China Earth Sciences 53(4): 575-590. doi:10.1007/s11430-010-0031-1.

상세보기
Li, W., A. Kiaghadi, and C. Dawson, 2021. High temporal resolution rainfall-runoff modeling using long-short-term-memory (LSTM) networks. Neural Computing and Applications 33: 1261-1278. doi:10.1007/s11430-010-0031-1.

상세보기
Liu, D., W. Jiang, L. Mu, and S. Wang, 2020. Streamflow prediction using deep learning neural network: Case study of Yangtze river. IEEE Access 8: 90069-90086. doi:10.1109/ACCESS.2020.2993874.

상세보기
Maas, A. L., A. Y. Hannun, and A. Y. Ng, 2013. Rectifier nonlinearities improve neural network acoustic models. In Proc. icml (Vol. 30, No. 1, p. 3).
Mahsa, M., and T. Lee, 2018. Comparison of optimization algorithms in deep learning-based neural networks for hydrological forecasting: Case study of nam river daily runoff. Journal of the Korean Society of Hazard Mitigation 18(6): 377-384 (in Korean). doi:10.9798/KOSHAM.2018.18.6.377.

상세보기
Pearson, K., 1895. Correlation coefficient. In Royal Society Proceedings (Vol. 58, p. 214).
Samantaray, S., and A. Sahoo, 2020. Appraisal of runoff through BPNN, RNN, and RBFN in Tentulikhunti watershed: A case study. In Frontiers in Intelligent Computing: Theory and Applications (pp. 258-267). Springer, Singapore. doi:10.1007/978-981-13-9920-6_26.
Shin, Y. C., K. J. Lim, K. S. Kim, and J. D. Choi, 2007. Analysis of watershed runoff and sediment characteristics due to spatio-temporal change in land uses using SWAT model. KCID Journal 14(1): 50-56 (in Korean).
Shin, Y. C., M. H. Shin, W. K. Kim, K. J. Lim, and J. D. Choi, 2007. Estimation of streamflow discharges using Kajiyama equation and SWAT Model. KCID Journal 14(1): 41-49 (in Korean).
Tran, Q. K., and S. K. Song, 2017. Water level forecasting based on deep learning: A use case of Trinity River-Texas-The United States. Journal of KIISE 44(6): 607-612 (in Korean). doi:10.5626/JOK.2017.44.6.607.

원문보기 상세보기
Uniyal, B., J. Dietrich, C. Vasilakos, and O. Tzoraki, 2017. Evaluation of SWAT simulated soil moisture at catchment scale by field measurements and Landsat derived indices. Agricultural Water Management 193: 55-70. doi:10.1016/j.agwat.2017.08.002.

상세보기
Xiang, Z., and I. Demir, 2020. Distributed long-term hourly streamflow predictions using deep learning-A case study for State of Iowa. Environmental Modelling & Software 131: 104761. doi:10.1016/j.envsoft.2020.104761.

상세보기
Xiang, Z., J. Yan, and I. Demir, 2020. A rainfall-runoff model with LSTM-based sequence-to-sequence learning. Water Resources Research 56(1): e2019WR025326. doi:10.1029/2019WR025326.

상세보기
Zhang, A., C. Zhang, G. Fu, B. Wang, Z. Bao, and H. Zheng 2012. Assessments of impacts of climate change and human activities on runoff with SWAT for the Huifa River Basin, Northeast China. Water Resources Management 26(8): 2199-2217. doi:10.1007/s11269-012-0010-8.

상세보기
Zhang, and K. F. Man, 1998. Time series prediction using RNN in multi-dimension embedding phase space. In Proc. 1998 IEEE International Conference on Systems, Man, and Cybernetics (Vol. 2, pp. 1868-1873). IEEE. doi:10.1109/ICSMC.1998.728168.
Zhihua, L. V., J. Zuo, and D. Rodriguez, 2020. Predicting of runoff using an optimized SWAT-ANN: A case study. Journal of Hydrology: Regional Studies 29: 100688. doi:10.1016/j.ejrh.2020.100688.

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