1. 서 론
2. 연구방법
2.1 대상 유역 및 현황
2.2 예측 시나리오 구성
2.3 LSTM 모형
3. Test 기간 분석 및 결과
3.1 2025년 전체 기간 수위 예측 결과
3.2 2025년 최대 홍수 사상 수위 예측 결과
4. 결 론
1. 서 론
최근 기후변화로 인한 극한 강우 사상의 빈도와 강도가 증가함에 따라, 하천 수위의 급격한 상승에 의한 홍수 피해가 빈번하게 발생하고 있다. 특히 도시화가 진행된 중소하천 유역에서는 유역의 응답 시간이 짧아 홍수 예경보를 위한 정확하고 신속한 수위 예측의 중요성이 더욱 강조되고 있다. 전통적인 수위 예측 방법은 강우-유출 해석 결과를 HEC-RAS 등 물리기반 수리학적 모형에 적용하는 방식이 주로 사용되어 왔다. 그러나 물리 기반 모형은 유역의 지형, 토양, 토지이용 등 다양한 매개변수의 보정이 필요하고, 실시간 예측에 적용하기 위해서는 상당한 계산 시간이 소요되는 한계가 있다(Jung et al., 2018a).
이러한 한계를 극복하기 위해 최근에는 딥러닝 기반의 데이터 기반 수위 예측 모형에 대한 연구가 활발히 진행되고 있다. 특히 순환신경망(Recurrent Neural Network, RNN)의 한 종류인 LSTM (Long Short-Term Memory)은 시계열 데이터의 장기 의존성을 효과적으로 학습할 수 있어 수위 예측에 널리 활용되고 있다(Lee et al., 2021; Jung et al., 2021; Yang et al., 2026). LSTM은 셀 상태(cell state)와 게이트 메커니즘을 통해 기울기 소실 문제를 해결하고, 장기적인 시간 패턴을 학습할 수 있다는 장점이 있다. 그러나 딥러닝 모형의 예측 성능은 학습데이터의 구성 방법에 따라 크게 달라질 수 있다. 학습데이터에 포함된 무강우 기간의 데이터는 홍수 수위 예측에 불필요한 정보를 포함하고 있어 모형의 학습 효율을 저하시킬 수 있으며, 수위관측소의 영점표고 변경 이력이 있는 경우 수위 데이터의 일관성이 저하되어 예측 정확도에 영향을 미칠 수 있다.
기존 연구들을 살펴보면, Jung et al. (2018b)은 딥러닝 오픈 라이브러리를 이용하여 하천수위를 예측하였으며, Cho and Kang (2020)은 LSTM을 이용한 하천수위 예측기법을 제안하였다. Bak et al. (2021)은 딥러닝을 이용한 하천 유량 예측 알고리즘을 개발하였으며, An et al. (2025)은 기상기후 데이터와 댐 방류량을 고려한 Bi-LSTM 모델을 개발하여 한강 잠수교의 홍수 수위를 예측하였다. Lim et al. (2025a)는 다중입출력 방식(Multi-Inout Multi-Output, MIMO)을 적용한 LSTM 모델을 구성하여 도시하천에 적용함으로써 인공지능 기반 홍수예측 모형의 적용성을 제시하였다. Song et al. (2025)은 제주도 동부 지역을 대상으로 지하수위 예측을 위하여 4가지 머신러닝 모델을 비교하여 모델별 지하수위 예측능력을 평가하였다. Yang et al. (2026)은 LSTM을 활용하여 용담댐 하류 다중지점의 시간 단위 하천 수위 예측 모델을 개발하였다. Lim et al. (2025b)는 최적화된 데이터 파이프라인을 통해 LSTM 기반의 가상센서의 활용 가능성을 제시하였다.
LSTM의 학습데이터 구성과 관련하여 Li et al. (2024)는 기저유량 구간이 LSTM 학습데이터 대부분을 차지할 경우 첨두수위 과소 예측을 야기한다는 점을 지적하면서 극한 홍수 사상의 특정 정보만을 추출하여 학습데이터로 구성하여 연구를 수행하였다. Martel et al. (2025)은 연최대홍수량이 중·저유량에 비해 발생 빈도가 낮아 LSTM 학습데이터 내에서 과소대표되는 문제를 지적하고, 이를 개선하기 위한 다양한 방법론을 비교 분석하였다. Oddo et al. (2024)은 ConvLSTM 모형을 이용하여 전체 기간 학습 시, 저수위 구간이 지배적이서 첨두 수위 예측의 정확도가 저하됨을 확인하였다. Li et al. (2025)은 LSTM 기반 수위 예측에서 모든 참조데이터를 사용하는 것이 오히려 예측 정확도를 저하시킬 수 있음을 실증하였으며, 특히 장시간 예측에서 상류 지점 데이터를 과도하게 포함한 경우 NSE가 크게 감소하는 결과를 제시하였다. Kim et al. (2025)은 유역별 수문 특성을 반영한 최적 입력 조합 선정의 중요성을 강조하였으며, 불필요한 입력 변수가 노이즈로 작용하여 예측 성능에 부정적인 영향을 줄 수 있음을 확인하였다. 선행 연구를 토대로, 관측소의 상류에 위치한 모든 참조데이터를 사용할 경우, 공간적 대표성이 확보되지 않은 입력 구성의 문제로 예측 성능에 부정적인 영향을 줄 수 있다고 판단하였다.
본 연구에서는 Fig. 1과 같이, 금강의 지류하천인 유등천과 갑천에 위치한 4개 수위관측소(복수교, 인창교, 만년교, 원촌교)를 대상으로 학습데이터를 수집하고, LSTM 기반 수위 예측 모형을 구축하였으며, 학습데이터의 구성 방법에 따른 예측 정확도를 비교 분석하였다. 학습데이터는 전체 관측 기간 자료를 활용한 경우, 12시간 무강우 시점을 제외한 경우, 상류 학습데이터를 조정한 방법을 적용하여 예측 성능을 비교하였으며, 적정 학습데이터 구성 방안을 검토하고자 한다.
2. 연구방법
2.1 대상 유역 및 현황
본 연구의 대상지역은 금강의 지류하천인 유등천과 갑천 유역으로, 유등천에는 복수교(3009630)와 인창교(3009640), 갑천에는 만년교(3009670)와 원촌교(3009680) 수위관측소가 위치하고 있다. 유등천은 충남 금산군 월봉산에서 발원하여 대전광역시를 관통해 갑천으로 합류하는 도시하천으로, 복수교는 상류, 인창교는 유등천의 지류인 대전천에 위치하고 있다. 갑천은 충남 금산군이 발원지로, 대전광역시를 지나 금강으로 합류하는 하천으로, 만년교는 갑천 중류, 원촌교는 유등천 합류 후에 위치하고 있으며 관측소별 상류 유역 면적, 하천길이, 경사 관련 정보는 Table 1과 같고, Fig. 2는 대상 유역의 전체 현황이다. Table 2는 관측소별 데이터 수집 기간과 세부 제원을 정리한 표이며, 도달시간은 원촌교가 4.82시간으로 가장 길었으며, 저류상수(K)는 만년교가 5.04로 상대적으로 높은 것으로 확인되었다.
Table 1.
Training data configuration by station
Table 2.
Hydrological Characteristics by Station
2.2 예측 시나리오 구성
본 연구에서는 수위 예측 정확도에 대한 학습데이터 구성 방법의 영향을 분석하기 위해 분석 관측소의 10분 단위 수위, 강우량, 3시간 누적강우량, 유역면적강우량 자료를 수집하였으며, 학습데이터는 수위(전체), 수위(12시간 무강우 시점 제외)로 구성하였다.
12시간 무강우 시점 제외 방법은, 임의 시점을 기준으로 선행 12시간과 이후 12시간 무강우인 경우를 모두 만족하는 시점의 데이터를 제외하였다. 12시간 무강우 설정 근거는 갑천·유등천 권역 하천기본계획(MOLIT and DROCM, 2021)에서 제시하는 대상 관측소의 도달시간 자료를 참고하였다. 대상 관측소의 도달시간은 1.79시간(인창교)~4.82시간(원촌교)이며, 본 연구에서는 도달시간이 가장 긴 원촌교를 기준으로 그 약 2.5배에 해당하는 12시간을 무강우 완충 기간으로 설정하였다. 이를 통해 강우-유출 직접 응답이 발생하지 않는 평수기 구간을 학습데이터에서 제거함으로써 홍수기 수위 패턴의 학습 비중을 높이고자 하였다. Case 1은 각 관측소의 전체 관측 기간 자료로 구성된 학습데이터이며, Case 2는 12시간 무강우 시점을 제외한 학습데이터이다. Table 3과 Fig. 3은 관측소별 참조데이터를 정리한 표와 그림이다.
Table 3.
Training data configuration by stations
Table 4는 관측소별 학습에 사용한 수문자료의 기초통계 현황이다. 만년교는 다른 관측소와 비교하였을 때, 평균 수위가 높았으며, 복수교와 인창교는 최저, 최대, 표준편차 등 수문 특성이 유사한 것으로 나타났다. 원촌교의 경우 네 관측소 중 최저수위가 가장 작고, 최고수위가 가장 높았으며, 변동계수(CV), 왜도(Skewness), 첨도(Kurtosis)가 크게 나타나 다른 관측소보다 강우에 따른 변동이 큰 것으로 나타났다. 전체 기간과 12시간 무강우 시점을 제거한 데이터를 비교하였을 때, 모든 관측소에서 12시간 무강우 시점 데이터를 제거하였을 때, 왜도와 첨도가 감소하여 저수위에 편중된 분포가 완화되고 강우에 따른 학습 응답의 비중이 증가할 것으로 판단되었다.
Table 4.
Summary statistics of water level data by station
2.3 LSTM 모형
LSTM은 Hochreiter and Schmidhuber (1997)에 의해 제안된 순환신경망(Recurrent Neural Network, RNN)의 변형 구조로, 기존 RNN의 장기 의존성 학습 문제(long-term dependency problem)와 기울기 소실(vanishing gradient) 문제를 해결하기 위해 개발되었다. LSTM의 핵심 구조는 셀 상태(cell state)와 세 개의 게이트(gate)로 구성된다. 망각 게이트(forget gate)는 이전 시점의 셀 상태에서 어떤 정보를 삭제할지를 결정하며, 입력 게이트(input gate)는 새로운 정보 중 어떤 정보를 셀 상태에 저장할지를 결정한다. 출력 게이트(output gate)는 셀 상태를 기반으로 어떤 정보를 출력할지를 결정한다. 이러한 게이트 메커니즘을 통해 LSTM은 장기적인 시간 패턴을 효과적으로 학습할 수 있으며, 각 게이트의 수학적 표현은 다음과 같다.
여기서, 는 망각 게이트, 는 입력 게이트, 는 출력 게이트, 는 셀 상태, 는 은닉 상태, 𝜎는 시그모이드 함수, W와 b는 각각 가중치 행렬과 편향 벡터를 의미한다.
본 연구에서 사용한 LSTM 모형의 하이퍼파라미터 및 모형 구조는 Table 5와 같다. Layer 구조는 3개의 은닉층으로 구성하여 원시 패턴 추출, 노이즈 제거, 과적합을 억제하고자 하였고, 입력 시퀀스 길이는 Table 2의 관측소별 도달시간을 충분히 반영할 수 있도록 36(6시간)으로 설정하였다. 활성함수는 최초 LSTM이 개발되었던 표준 활성함수인 tanh로 적용하였으며, Leadtime은 현행 홍수예보 체계의 선행시간(3시간)을 초과하고 목표 선행시간(6시간)의 중간 수준인 4시간으로 설정하였다(PCCCR, 2023). Leadtime은 10분부터 240분(4시간)까지 총 24개 예측 시간을 동시에 출력하도록 구성하였으며, 본 연구에서는 leadtime 1시간, 2시간, 3시간, 4시간 예측 결과를 비교 분석하였다. 학습은 데이터수집 시작일부터, 2024년 12월 31일까지 80%는 training, 20%는 validation 기간으로 설정하였으며, 2025년 1월 1일부터 2025년 12월 31일까지는 test 기간으로 설정하였다.
3. Test 기간 분석 및 결과
3.1 2025년 전체 기간 수위 예측 결과
본 절에서는 2025년 전체 기간의 정확도와 최대 수위가 발생하였던 2개 시점의 Peak Error를 비교 분석하였다. 2025년 전체 기간에서 전체 수위 자료를 학습데이터로 사용한 Case 1과 12시간 무강우 시점을 제외한 Case 2 비교 결과, 예측 시간에 따라서 차이는 있지만 NSE와 RMSE 결과가 만년교와 복수교에서 두 방법 모두 NSE 0.9 이상으로 높은 예측 정확도를 보였으며, 원촌교, 인창교는 비교적 낮게 분석되었다. Figs. 4 and 5는 2025년 전체 기간의 관측소별 수위 예측 결과 중 복수교와 인창교 예측 결과이다. 관측소별 학습 데이터 구성 방법에 따른 수위 예측 정확도는 Table 6과 같다.
Table 6.
Result of RMSE, NSE by stations (2025 Total periods)
두 구성 방법의 정확도를 비교하였을 때, 원촌교의 leadtime 2시간, 3시간을 제외하고 Case 1의 NSE 정확도가 동일하거나 높게 분석되었다. 이는 전체 기간의 수위를 학습데이터로 구성한 Case 1이 적은 강우가 내린 기간의 안정적인 수위 패턴까지 학습하여 평상시 수위 예측에 유리하기 때문으로 판단된다. 2025년 기간에 최대 수위가 발생했던 상위 2개 시점에 대한 Peak Error 비교 결과는 Table 7과 같으며, 만년교는 상위 2개 시점의 모든 leadtime에서 Case 2의 예측 정확도가 높게 분석되었다. 복수교는 두 번째 수위 시점에서, 인창교는 최대 수위 시점에서 Case 2가 높은 정확도를 보였다.
Table 7.
Result of peak error by stations (Top 2 water level event in 2025)
3.2 2025년 최대 홍수 사상 수위 예측 결과
3.1절에서 홍수귀 수위 예측은 Case 2의 학습데이터 구성 방법이 더 효과적일 것으로 판단되었으며 본 절에서는 최대 홍수 사상 기간에 대해 비교·분석하였다. 관측소별 최대 홍수 사상의 경우, 복수교와 만년교는 2025년 6월 21일~22일, 인창교와 원촌교는 2025년 7월 17일~18일에 최대 수위가 발생하였다. Case 1과 Case 2 결과를 비교하였으며, Moriasi et al. (2007)에서 제시한 기준에 따르면 NSE가 0.7 이하일 때에는 성능이 좋지 않은 것으로 제시하였다. 본 연구에서는 비교 학습 방법(Case 1, Case 2)의 NSE 결과가 모두 0.5 이하일 경우, 비교가 의미 없는 것으로 판단하였으며, 인창교와 원촌교는 수위 예측 비교에서 제외하고 만년교와 복수교 결과에 대하여 비교하였다(Table 8, Figs. 6 and 7).
Table 8.
Result of RMSE, NSE by stations (2025 Peak flood event)
만년교와 복수교의 수위 예측 비교 결과, RMSE 기준으로 복수교 3시간, 4시간 후 예측을 제외하고 두 관측소 모두 Case 2의 정확도가 높은 것으로 분석되었다. 무강우 기간의 데이터를 포함한 전체 자료를 학습에 활용할 경우, 평상시 낮은 수위 패턴에 과적합되어 홍수 시 급격한 수위 상승을 정확하게 예측하지 못하는 것으로 해석된다. 이는 Case 1의 학습데이터 구성 방법과 같이, 학습데이터 전체 기간을 활용할 경우, 첨두사상이 일부만 반영되어 홍수기 예측 성능이 저하되는 문제가 있다는 선행연구 사례(Martel et al., 2025)와 유사한 맥락으로, Case 2의 학습 구성처럼 홍수기의 수위 패턴 학습에 기여도가 낮은 무강우 기간의 데이터 비중을 줄임으로써 홍수 수위 패턴을 효과적으로 학습한 것으로 판단된다.
한편, 두 관측소의 예측 결과에서 예측 선행시간이 길어질수록 시간 지연(Time Lag) 현상이 심화되는 것이 확인되었다. Table 9는 관측소별 첨두수위 발생 시각과 각 Case별 예측 첨두 발생 시각의 차이를 정량화한 것이다. 복수교의 경우 Case 2 기준으로 leadtime 1시간에서 +10분에 불과하던 시간 지연이 leadtime 4시간에서는 +120분으로 크게 증가하였으며, 만년교의 경우에도 leadtime 4시간에서 +20~30분의 지연이 나타났다.
Table 9.
Peak water level time lag analysis by station and leadtime
만년교의 경우, 상류 16개의 참조데이터를 사용하였으며, 4개인 복수교에 비해 많은 데이터로 구성되어있다. 선행 연구 사례(Li et al., 2025; Kim et al., 2025)에 근거하여, 관측소 상류 참조데이터를 모두 활용할 경우 불균형이 발생할 수 있다고 판단되어 상류 참조데이터를 제거하였으며, 만년교 상류 수위관측소인 가수원교(3009665)가 상류의 수문 특성인 9개의 유역면적강우량, 2개 수위관측소의 수문 특성을 모두 반영하고 있다고 가정하였다. Table 10은 조정된 학습데이터 구성을 제시한 표이며, Fig. 8은 만년교 전체 학습데이터와 학습데이터 구성을 변경한 비교 그림이다.
Table 10.
Modified dataset in Mannyeongyo
|
Station (Code) | Case | Training Data | ||
| Water Level Station | Rainfall Station | Mean Precipitation on Watershed | ||
|
Mannyeongyo (3009670) | Case 3 |
3009670 3009650 |
30094030 30094040 | 300902#05 |
학습데이터 조정에 따른 비교 결과는 Fig. 6의 Case 2, Case 3과 같다. RMSE는 1시간, 2시간 후 예측은 0.01 차이였으며, 3시간, 4시간 후 예측은 동일한 정확도를 보여 개선 여부를 판단하기가 어려워, Peak Error를 비교하였다. Peak Error 비교 결과는 Table 11과 같으며, leadtime이 증가하면서 Case2는 0.07~0.39 m의 오차 범위를 보였으며, Case 3는 0.04~0.05 m의 오차 범위를 보여 최대 수위 예측 정확도에서 Case 3의 성능이 좋은 것을 확인하였으며, 학습데이터 조정에 따른 예측 정확도가 개선되는 것을 확인 할 수 있었다(Fig. 9).
Table 11.
Comparison of results by training data adjustment at Mannyeongyo (RMSE, Peak error)
4. 결 론
본 연구에서는 LSTM 기반 딥러닝 모형을 활용하여 금강의 지류하천인 유등천과 갑천에 위치한 4개 수위관측소(만년교, 복수교, 인창교, 원촌교)를 대상으로 학습데이터 구성 방법에 따른 수위 예측 정확도를 비교 분석하였다. 분석을 위하여 10분 단위 수위, 강우량, 3시간 누적강우량, 유역면적강우량을 이용하여 수위를 예측하였다. 학습데이터 구성은 수집 기간 전체 자료인 Case 1과 임의 시점의 선행 12시간, 이후 12시간 무강우인 시점의 데이터는 제외한 Case 2로 구성하였다. 수위 예측 정확도 비교는 leadtime 1시간 ~ 4시간에 대해 비교하였다. 만년교의 경우 상류 참조데이터를 조정한 Case 3를 구성하여 Case 2와 비교하였으며, 주요 결론은 다음과 같다.
첫째, 2025년 전체 기간의 Case 1과 Case 2 수위 예측 결과의 정확도와 2025년 상위 2개 최대 수위 발생 시점의 Peak Error를 비교하였다. 인창교의 leadtime 4시간을 제외하고 모든 관측소에서 NSE가 0.8이상이었으며, RMSE는 0.1 이하의 정확도를 보였다. 정확도 비교 결과, 전체 기간의 정확도는 Case 1이 높은 정확도를 보였다. 이는 전체 기간으로 보았을 때, 홍수 기간보다 강우가 적었던 기간이 대부분을 차지하고 있어 평상시 안정적인 수위 패턴을 모두 고려된 학습 방법인 이유로 판단되었다. 하지만, 2025년 전체 기간의 NSE와 RMSE 결과를 전반적으로 비교하였을 때, Case 2의 정확도 차이가 NSE에서는 ±0.02, RMSE는 ±0.04 수준으로 나타났으며, 이러한 차이는 12시간 무강우 학습데이터의 예측 성능이 현저히 떨어진다고 보기 어려우며, 전체 기간의 수위 예측에도 충분히 적용할 수 있을 것으로 판단되었다. 2025년 상위 2개 최대 수위 발생 시점의 Peak Error의 경우, Case 2의 정확도가 높게 나타났으며, 2025년 최대 홍수 사상으로 확대하여 정확도를 비교하였다.
둘째, 2025년 최대 홍수 사상에 대한 정확도 비교에 앞서, Case 1, Case 2 모두 NSE가 0.5 이하의 성능을 보인 인창교, 원촌교는 비교에서 제외하였다. 만년교와 복수교를 대상으로 정확도 비교 결과, 복수교의 leadtime 3시간, 4시간을 제외하고 Case 2가 높은 RMSE를 보였으며, 무강우 기간을 제외한 학습 방법이 홍수기 수위 예측이 효과적인 것으로 나타났다.
셋째, 만년교의 경우 상류 참조데이터가 16개로 복수교의 4개에 비교하였을 때, 많은 참조데이터를 사용하며, 선행 연구를 참고하여 상류 참조데이터를 Case 3와 같이 조정하였다. 홍수기 예측 정확도가 높았던 Case 2와 비교한 결과, RMSE를 이용한 예측 정확도 개선 여부를 판단하기 어려웠으며, 2025년 최대 홍수 사상의 Peak Error를 비교하였다. Peak Error 비교 결과, 학습데이터를 조정한 예측 결과가 0.05 m 이내의 오차를 보였다. 이는, 수위 예측 시에 상류 학습데이터의 적정범위를 고려하여 학습을 시키는 것이 중요한 것으로 판단되었다.
한편, 인창교, 원촌교는 2025년 최대 홍수 사상의 NSE가 0.5이하로 분석되었으며, 근본적으로 낮은 예측 성능의 원인을 다음과 같이 판단하였다. 인창교는 기초통계(왜도, 첨도) 및 하상경사 특성이 복수교와 유사한 수준임에도 학습에 사용되는 참조데이터가 적어 상류 수문 특성이 충분히 반영되지 못한 구조적 한계가 주요 원인으로 판단되었다. 원촌교는 갑천과 유등천의 합류 직후에 위치하여 두 하천의 수위가 시간차를 두고 중첩되는 복잡한 수리 구조를 가진다. 이로 인해 학습데이터의 기초통계 분석 결과인 변동계수, 왜도, 첨도가 타 관측소 대비 약 1.5~2배 이상 높게 나타났으며, 이는 수위 변동의 비선형성과 불규칙성이 크다는 것을 의미한다. 이러한 복잡한 수위 패턴이 LSTM 모형의 학습을 어렵게 하여 예측 성능이 낮게 나타난 것으로 판단된다.
만년교와 복수교의 예측 비교에서 발생한 시간 지연(Time Lag)의 원인으로, LSTM 모형이 입력 시퀀스 말단 시점의 정보에 과도하게 의존하는 특성과 관련이 있는 것으로 판단된다. 본 연구에서 설정한 sequence length는 36(6시간)으로, 도달시간(만년교 3.6 hr, 복수교 3.3 hr)의 약 1.7~1.8배에 해당한다. 첨두 수위 직전의 급격한 수위 상승 구간이 입력 시퀀스 후반부에 집중적으로 반영될 경우, 예측 선행시간이 길어질수록 첨두 수위 도달 시점의 추정이 지연되는 경향이 발생할 수 있다. 또한 무강우 시점을 제외한 학습데이터(Case 2)에서는 첨두 수위 전·후 급변 구간의 비중이 상대적으로 높아져, 장기 예측 시 과대 예측과 함께 time lag가 발생하는 것으로 보였으며, 향후 Sequence Length의 최적화, 첨두 사상에 가중치를 부여한 손실 함수(peak-weighted loss) 적용, 또는 Attention 메커니즘의 도입을 통해 시간 지연 및 과대 예측 구간을 개선하는 연구가 필요할 것으로 판단된다.
본 연구에서는 홍수기 수위 예측 시에 무강우 시점을 제외한 학습데이터를 활용하는 것이 효과적이라는 점을 확인하였으며, 관측소 상류의 모든 참조데이터를 사용하기보다 조정하여 데이터 불균형을 최소화하는 것이 수위 예측 정확도를 개선하는 결과를 도출하였다. 향후 시간 지연 및 다양한 최적 매개변수, 관측소 이전에 따른 적정 학습데이터 선정 등에 관한 연구와 함께 다양한 RNN 모형 및 물리 모형과의 비교를 통해, 신뢰성 있는 학습데이터 선정 기준을 제시할 수 있을 것으로 사료된다.
