Research Article

Journal of Korea Water Resources Association. 31 December 2021. 1053-1060
https://doi.org/10.3741/JKWRA.2021.54.S-1.1053

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구방법

  •   2.1 연구대상지역

  •   2.2 자료

  •   2.3 Self-Organizing Linear Output (SOLO)

  •   2.4 모의 시나리오

  • 3. 결 과

  •   3.1 입출력인자

  •   3.2 Calibration 결과

  •   3.3 Validation 결과

  • 4. 결 론

1. 서 론

해안지역은 자연생태계뿐만 아니라 인간의 여러 활동에 있어 매우 중요한 역할을 하는 곳이다. 그러나 도시화와 인구증가로 인하여 해변 지역의 오염도는 날로 심해지고 있어 자연생태계와 해변에서 다양한 활동을 하는 사람들에게 악영향을 미치고 있다. 해변 오염의 경우 해변 자체에서 오염이 진행되는 경우도 있으나 해변으로 유입되는 하천을 통하여 다양한 오염물질들이 유입되는 경우도 많이 있다. 특히 강우시 비점오염으로부터 하천으로 유입된 상당량의 오염물질들이 해변으로 유입되어 해변 오염에 크게 기여하고 있다.

미국 캘리포니아의 경우 해변 지역에 다양한 자연생태환경이 조성되어 있을 뿐만 아니라 인구의 80%가 이들 지역에 거주하고 있으며 매년 해변지역으로 수 백만명의 관광객이 방문하고 있어 해변 지역의 생태·경제·문화적 가치가 매우 높다. 실제 캘리포니아 주정부의 발표에 따르면 매년 550만명의 관광객이 캘리포니아의 해변 지역을 방문하고 있으며 약 270억 달러의 경제적인 효과를 창출하고 있는 것으로 알려져 있다. 따라서 해변 지역의 봉쇄는 캘리포니아 전체의 경제·문화에 큰 영향을 미치게 된다. 실례로 1999년 여름기간동안 해변 오염이 수질기준치를 초과함에 따라 해변봉쇄조치가 이루어졌고 이로 인하여 수백만 달러의 경제적 손실이 발생했다. 이에 캘리포니아 주정부는 막대한 예산을 투입하여 해변 오염을 방지하기 위해 노력하고 있으나 해변오염문제는 지속적으로 발생하고 있어 지역경제에 큰 악영향을 미치고 이로 인한 위장염 등의 건강관련 비용이 LA의 경우 매년 2천 백만달러, 오렌지카운티의 경우 5천 백만달러가 소요되고 있다(Corrigan et al., 2021; NRDC, 2021; Oftelie et al., 2000; Searcy and Boehm, 2021; Surfrider Foundation, 2021; SWRCB, 2001; USFW, 2021).

캘리포니아 주정부에서는 해변오염에서 기인한 질병 등으로부터 관광객들을 보호하기 위하여 해변의 수질관리를 위한 기준으로 분변성 오염의 기준이 되는 Total Coliform (TC), Fecal Coliform 및 Enterococci 와 같은 생물학적 인자의 농도를 설정하였다. 이러한 생물학적 인자의 농도가 일정수준 이상을 상회하는 경우 즉시 해변은 폐쇄조치를 당하게 되고 이러한 해변 폐쇄는 상기 언급한 것과 같이 캘리포니아의 경제·문화에 큰 악영향을 미치게 된다. 그러나 생물학적 인자의 분석에는 최소 18시간에서 최대 48시간이 소요되어 실시간으로 수질을 파악하는데 어려움이 따른다. 반면 70% 이상의 미생물이 24시간 이내 소멸된다는 연구보고가 있어 미생물에 의한 실질적인 오염과 이를 판단하기 위한 분석에는 시간차가 존재하여 분석결과에 의해 해변이 폐쇄되는 상황의 상당 경우 이미 오염이 해소된 경우가 빈번한 문제점이 있다(Boehm et al., 2002). 또한 이러한 수질 분석은 노동집약적 및 고가의 분석 비용 등의 문제를 수반한다.

본 연구에서는 수질 분석과 실제 수질 상황 사이의 차이를 극복하고 보다 경제적인 수질모니터링 시스템 구축을 위하여 인공신경망을 적용한 모델링기법을 검토하였다. 인공신경망은 다양한 분야에서 적용되고 있으며 수질예측을 위한 모델로도 활발하게 적용되고 있다(Boudaghpour et al., 2019; Vijayashanthar et al., 2018; Xu et al., 2020; Zhang et al., 2018). Reeves et al. (2004)은 캘리포니아 해변 오염의 주된 요인으로 해안지역에 인접한 도시로부터 흘러 들어오는 비점오염원의 오염물질로 규명하였다. 따라서 본 연구에서는 캘리포니아 해변 중 하나인 Newport Beach와 내륙과 해변을 연결하는 Newport Bay로 흘러 들어오는 하천인 San Diego Creek을 대상으로 인공신경망 모델을 이용하여 캘리포니아 해변수질기준 중 하나인 TC 농도를 예측하고자 하였다.

2. 연구방법

2.1 연구대상지역

본 연구는 San Diego Creek 유역을 중심으로 수행되었으며 Fig. 1에서 연구대상지역을 보여주고 있다. San Diego Creek 유역은 오렌지카운티의 중심부에 위치하는 유역으로 112.2 mile2의 지역을 포함하고 있으며 유역 내 주 하천인 San Diego Creek을 통하여 대부분의 지표수가 Newport Bay로 유입되고 있어 Newport Bay의 주오염원으로 지목되고 있다. Newport Bay는 Southern California에서 두 번째로 큰 하구언이며 이 지역 오염의 대부분은 San Diego Creek 유역 내의 비점오염원에 기인하고 있다. 실제 Newport Bay의 오염에 있어 95%의 용해성 중금속 및 94%의 퇴적물은 San Diego Creek를 통하여 유입되는 것으로 보고되었다(French, 2003; Kamer et al., 2002; Strauss, 2002; U.S. EPA, 2021). 연구대상지역인 San Diego Creek 유역은 AGWA (Automated Geospatial Watershed Assessment) 프로그램과 ArcGIS 10.0을 이용하여 설정하였으며 Fig. 1에서 보는 것과 같이 유역 내 및 주변의 강우측정지점과 수질측정지점을 표시하였다. 수질측정지점은 San Diego Creek 최말단부에서 측정되었고 유역 내 인공수로인 Santa Ana Delhi Channel의 영향은 무시하였다. 이는 상기 언급한 것과 같이 Newport Bay 및 Newport Beach 오염 대부분이 San Diego Creek에 영향을 받고 있으며 Santa Ana Delhi Channel의 경우 일년 중 대부분의 기간 유량이 거의 없는 상태를 유지하기 때문이다.

2.2 자료

본 연구에서 사용된 자료는 오렌지카운티로부터 제공받았다. 보다 구체적으로 강우자료는 Orange County Watershed and Coastal Resources Division으로부터 제공받았는데 1990년부터 2006년까지 tipping-bucket gage을 이용한 실시간 계측자료를 제공받았다. 강우자료는 5개의 유역내 또는 인접한 관측소로부터 얻은 자료이며 Thiessen Polygon 법을 이용하여 일평균 값으로 가공하였다. Fig. 1에서 붉은색 삼각형으로 표시한 지점이 강우관측지점을 나타내고 있으며 녹색원형으로 표시된 226 관측 지점은 부유물질(SS)을 관측한 지점이다. 또한 Newport Beach의 B1으로 표시된 지점은 본 연구의 모의 대상인 total coliform (TC) 관측지점으로 TC 자료는 Orange County Health Care Agency부터 제공받았으며 1999년부터 2006년까지 시기별 측정주기는 상이하나 평균적으로 일주일에 2번 정도의 주기로 측정된 총 655개의 자료가 확보되었다. 본 연구에서는 월평균 모의를 수행하여 모든 자료는 월평균 자료로 변환되어 사용되었다.

https://static.apub.kr/journalsite/sites/kwra/2021-054-12S/N020054S-103/images/kwra_54_S-1_03_F1.jpg
Fig. 1.

Study area (San Diego Creek watershed)

2.3 Self-Organizing Linear Output (SOLO)

인공신경망은 인간의 뇌가 사고를 할 때 발생하는 생물학적 프로세서를 모방한 모델링 기법으로 1950년대부터 많은 연구자들이 인공신경망에 대해 연구를 수행해 왔다. 가장 단순한 인공신경망은 multilayer feed-forward networks (Fig. 2(a))로 input layer 및 output layer와 이 두 층을 연결해 주는 hidden layer까지 주로 3개의 독립된 층을 가지는데 경우에 따라서는 여러 층의 hidden layer를 가지기도 한다. 각 층은 node라고 불리는 요소를 가지며 hidden layer의 각 node는 input layer와 output layer의 node들과 연결되어 있고 이들 연결의 강도를 weight로 표현한다. 이러한 multilayer feed-forward networks 는 명칭에서도 나타나듯이 입력된 정보는 직진성을 가지며 예측에 있어 오차가 임계점을 넘는 경우 hidden layer에서 보다 나은 예측성능이 충족될 때까지 지속적으로 재계산을 수행하게 된다.

본 연구에서 사용된 인공신경망은 Self-Organizing Linear Output (SOLO)이다. SOLO는 Hsu et al. (2002)에 의해 개발된 인공신경망 모델로서 multivariate artificial neural networks의 한 종류이다. SOLO는 input layer와 output layer는 Fig. 2(a)와 같은 일반적인 인공신경망과 동일한 구조를 가지나 input layer와 output layer를 연결하는 hidden layer 대신 classification layer와 mapping layer를 가지고 있어 일반적인 인공신경망보다 더욱 빠르고 정확한 연산을 수행하는 것으로 알려져 있다. 이는 Fig. 2(b)에서 SOLO의 구조를 통하여 관찰할 수 있는데 SOLO의 경우 input layer의 모든 정보가 n1 × n1 matrixes의 classification layer와 mapping layer의 모든 node에 연결되어 있으며 이들 연결은 wji and vji 로 표현되는 input layer의 입력인자 i 와 classification layer 내 SOFM의 unit j 및 mapping layer의 Regression unit j 사이의 강도로 나타낸다.

Classification layer에서는 입력인자들을 self-organizing feature map (SOFM)을 이용하여 분류함으로 다양한 그룹을 형성시킨다. 즉 모든 입력자료에서 하나의 통일된 패턴을 찾는 것이 아니라 최대 n1 × n1 개의 패턴을 형성시킨다. SOFM에서 비슷한 특성을 가진 입력자료를 그룹화 시키고 나면 이들 각 그룹의 자료들을 이용하여 Mapping layer에서 각 그룹별로 multivariate linear regression analysis를 수행하여 그룹별 고유한 상관관계를 도출한다. 즉, mapping layer 역시 최대 n1 × n1 개의 입력자료와 출력자료간 상관관계를 도출한다. 이러한 SOLO의 구조는 입력자료의 다양한 특성에 따라 각각의 독립적인 그룹으로 세분화함으로 보다 상세한 입력-출력 상관관계를 도출함으로 보다 새로운 입력자료가 적용될 때 각 입력자료의 특성이 어느 그룹과 가장 매칭이 잘 되는지를 판단하여 해당 그룹의 상관관계를 통하여 출력자료를 예측함으로 일반적인 인공신경망에 비해 높은 예측성능을 보인다.

https://static.apub.kr/journalsite/sites/kwra/2021-054-12S/N020054S-103/images/kwra_54_S-1_03_F2.jpg
Fig. 2.

Structures of artificial neural networks

2.4 모의 시나리오

인공신경망 운영을 위한 입력인자는 강우자료, 부유물질(SS)농도 및 생물학적인자의 농도를 선정하였다. 하천 말단부에 위치한 Newport Bay 및 Newport Beach의 주 오염원이 유역내 비점오염원으로 밝혀졌고 비점오염원에서 기인한 오염물질의 경우 강우에 의해 수계로 유입되는 점을 감안하여 강우자료를 입력인자로 선정하였다(Bae, 2007). 또한 본 연구의 모의대상인 생물학적 인자는 수중에 입자상으로 존재하므로 SS를 입력인자로 고려하였고 이전 단계의 생물학적인자 농도 역시 입력인자로 선정하였다.

Eqs. (1) and (2)에서 모델 시나리오를 보여주고 있다. 시나리오는 단독입력인자를 적용한 경우(Eq. (1))와 복합입력인자를 적용한 경우(Eq. (2))로 나뉜다. 단독입력인자는 강우자료를 사용한 경우와 SS를 사용한 경우로 나뉘며 복합입력인자를 적용한 경우는 강우와 SS를 모두 입력인자로 사용하였다. 또한 단독입력인자를 사용한 경우와 복합입력인자를 사용한 경우 모두 예측하고자 하는 단계의 직전 단계의 TC 농도를 역시 입력인자로 사용하였다. 그림에서 Csim(2)는 TC의 2번째 단계의 농도 모의값을 나타내고 있으며 Iobs(1)은 강우 또는 SS와 같이 입력인자의 1번째 단계의 실측치를 나타낸다. I1obs(1) 및 I2obs(1)는 복합입력인자를 적용한 경우로 I1obs (1)은 강우 첫 번째 단계의 실측치를 I2obs(1)은 SS 첫 번째 단계의 실측치를 각각 나타낸다. 또한 SOLO의 classification layer와 mapping layer에 있어 크기를 2×2에서 7×7까지 각각의 경우에 대하여 모의를 실시하였다. 즉, classification layer와 mapping layer의 사이즈를 조절함으로 입력인자를 최소 4개 최대 49개의 소그룹으로 나누어 모의를 진행하였다.

(1)
Csim2Csimn=I1obs1I1obsn-1Cobs1Cobsn-1
(2)
Csim2Csimn=I1obs1I1obsn-1I2obs1I2obsn-1C1obs1C1obsn-1

3. 결 과

3.1 입출력인자

Fig. 3에서 입력인자의 변화를 보여주고 있다. 직관적으로 보면 강우가 발생하는 시기에 SS 및 TC 농도가 상승하는 경향을 보여주고 있으나 강우의 크기와 SS 및 TC 농도 상승에 있어 비례적인 관계는 보이지 않았다. 즉, 강우량이 많은 경우보다 적은 경우에 SS 및 TC의 상승폭이 더 크게 나타나는 경우가 있었다. 이는 강우에 따른 수질인자의 농도변화는 강우유출에 의해 비점오염원내 오염물질이 수계로 유입되는 영향이 발생함과 동시에 강우에 따른 희석효과 역시 동시에 발생하여 이들 현상이 서로에게 복합적으로 영향을 주고 있는 것 사료된다. 일반적으로 인자 간 일정한 경향을 보이는 경우 모델링의 결과 역시 양호한 경우가 많다. 그러나 본 연구에서 사용된 자료의 경우 상기 언급한 것과 같이 일정한 경향을 보이지 않기 때문에 회귀분석과 같은 일반적 인 모델링 기법을 적용할 경우 모의 성능이 매우 낮을 가능성 높다. 따라서 자료의 다양한 패턴을 동시에 고려할 수 있는 인공신경망 기법을 도입하는 것이 바람직한 것으로 판단되었다.

https://static.apub.kr/journalsite/sites/kwra/2021-054-12S/N020054S-103/images/kwra_54_S-1_03_F3.jpg
Fig. 3.

Input data (Monthly average)

3.2 Calibration 결과

Fig. 4에서 SOLO를 적용한 calibration 과정의 결과를 보여주고 있다. 그래프는 입력인자 시나리오 따라 3개로 분류되어 있으며 각 그래프에서 마름모 표식을 가지는 붉은색 굵은 선이 실측된 TC 농도를 나타내며 나머지 선들은 classification layer와 mapping layer의 matrixes 사이즈(n1 × n1) -2×2 ~ 7×7- 에 따른 모의 결과를 보여준다.

Calibration 모의 결과 classification layer와 mapping layer의 matrixes 사이즈에 따른 차이는 크게 나타나지 않았지만 입력인자 시나리오에 따른 차이는 다소 보였다. 이는 다소 의외의 결과였다. 왜냐하면 matrixes 사이즈에 있어 2×2의 경우 전체 자료를 4개의 소그룹으로 나누어 각 그룹의 상관관계를 구하는 반면 7×7의 경우 총 49개의 상관관계가 도출되어 자료를 보다 세분화하여 모의할 수 있기 때문이다. matrixes 사이즈에 따른 차이가 크지 않은 이유는 SOLO의 경우 matrixes 사이즈에 따라 무조건적으로 상관관계를 도출하는 시스템이 아니라 상관관계가 도출 가능한 소그룹만 형성하기 때문인 것으로 사료된다. 즉, matrixes 사이즈가 7×7일 때 이론적으로 49개의 소그룹이 형성되어야 하나 입력된 자료가 그 이하의 소그룹 형성으로도 충분히 자료의 상관성을 표현할 수 있을 때 굳이 49개의 소그룹을 강제적으로 형성시키지 않는다는 뜻이다.

따라서 SOLO system이 입력자료들의 패턴을 최대치, 49개, 까지 세분화하지 않고도 충분히 자료의 상관관계를 도출해 낸 것으로 판단되며 이에 matrixes 사이즈에 변화를 주어도 적정수준에 서 소그룹이 형성이 되어 matrixes 사이즈가 증가하여도 모의 성능에 있어서는 큰 차이를 보이지 않았던 것으로 사료된다.

https://static.apub.kr/journalsite/sites/kwra/2021-054-12S/N020054S-103/images/kwra_54_S-1_03_F4.jpg
Fig. 4.

Calibration results for each scenario

3.3 Validation 결과

Fig. 5에서는 Validation 과정의 결과를 보여준다. Validation 과정의 경우 calibration 과정과 달리 classification layer와 mapping layer의 matrixes 사이즈 (n1 × n1) -2×2 ~ 7×7- 에 따른 모의 결과에 있어 예측 성능에 다소 차이가 있는 것으로 나타났다. 특히 입력인자로 강우자료를 단독으로 적용한 경우 matrixes 사이즈에 있어 2×2 및 4×4, SS자료를 단독으로 적용한 경우 3×3 및 4×4, 강우자료 및 SS자료를 복합적으로 적용한 경우 3×3, 6×6 및 7×7에서 각각 모의값과 실측치에 차이가 많은 것으로 나타나 단독입력인자를 적용한 경우 matrixes 사이즈가 적은 경우 모의 성능의 저하를 보였고 복합입력인자를 적용한 경우 matrixes 사이즈가 큰 경우 모의 성능이 저하되는 것으로 나타났다. Validation의 결과를 고려하였을 때, matrixes 사이즈가 적은 경우보다 matrixes 사이즈가 큰 경우 예측성능이 우수한 것으로 보인다. 복합입력인자를 적용한 경우 matrixes 사이즈가 큰 경우 낮은 예측성능을 보인 것은 calibration 과정에서 산출된 상관관계들이 새롭게 적용된 validation 자료에 대해 overestimate을 한 결과로 보이며 이는 calibration 과정에서 사용된 자료의 수, 36, 가 matrixes 사이즈 6×6 (36 nodes) 또는 7×7 (49 nodes)을 충족시키기에는 부족했기 때문인 것으로 사료된다.

Fig. 6에서 예측성능을 비교하기 위해 실측치와 예측치의 차에 근거한 Root Mean Squared Errors (RMSE) 값을 비교한 결과이다. Calibration 모의결과 (Fig. 6(a)) 전체적으로 SS자료를 단일입력인자로 적용한 경우 가장 낮은 RMSE 값을 보였으며 이 중 matrixes 사이즈가 7×7일 때 가장 낮은 Error Value를 보였다. 반면 Validation 모의결과(Fig. 6(b))를 보면 Calibration 모의 결과와 반대로 SS자료를 단독입력인자로 적용한 경우 가장 높은 Error Value를 보였다. matrixes 사이즈의 경우 5×5일 때 가장 낮은 RMSE 값을 나타냈다. 강우자료와 SS자료를 복합입력인자로 사용한 경우 단독입력인자를 적용한 경우에 비해 RMSE 값이 다소 높게 나타났으나 Calibration 및 Validation 모두에서 적정 수준을 보여 최적 모델성능을 위해서는 단독입력인자보다 복합입력인자를 적용하는 것이 유리할 것으로 판단된다.

https://static.apub.kr/journalsite/sites/kwra/2021-054-12S/N020054S-103/images/kwra_54_S-1_03_F5.jpg
Fig. 5.

Validation results for each scenario

https://static.apub.kr/journalsite/sites/kwra/2021-054-12S/N020054S-103/images/kwra_54_S-1_03_F6.jpg
Fig. 6.

RMSE for each simulation

4. 결 론

본 연구에서는 인공신경망 모델 중 하나인 SOLO를 이용하여 하천말단부의 생물학적 오염의 지표 중 하나인 TC 농도를 예측하고자 하였다. SOLO의 경우 일반적인 인공신경망에 있어 input layer와 output layer를 연결하는 hidden layer 대신 classification layer와 mapping layer를 운영하여 입력인자들을 소그룹화하여 각 인자들 간의 상관관계를 보다 세분화할 수 있었다. 모의결과 단독입력인자를 사용한 경우보다 복합입력인자를 사용한 경우 Calibration 및 Validation 과정에서 동시에 유리한 것으로 나타나 TC 농도 예측을 위해서는 복합입력인자를 사용하는 것이 유리한 것으로 판단되었다. 또한 classification layer와 mapping layer에 있어 matrixes 사이즈 크기는 크게 영향을 끼치지 않는 것으로 나타났는데 이는 입력인자의 총개수가 큰 matrixes 사이즈에 비해 상대적으로 작았기 때문인 것으로 판단되었다. 본 연구는 현행 수질모니터링 시스템의 한계를 보완하기 위해 모델링 기법의 적용여부를 판단하기 위해 수행되었고 연구결과 입력시나리오나 classification layer와 mapping layer 사이즈에 따라 다소 차이는 보였으나 RMSE 값을 통하여 보았을 때 SOLO를 이용하는 경우 입력인자의 크기가 제한적임에도 불구하고 양호한 예측성능을 보여 모델링기법으로 현행 모니터링 시스템을 보완할 경우 실측주기 사이의 수질을 예측함으로 수계관리에 많은 도움을 줄 수 있을 것으로 기대된다.

Acknowledgements

본 연구는 한국환경기술개발원의 연구과제(과제번호 202000286001)의 지원 하에 이루어졌습니다.

References

1
Bae, H.K. (2007). Modeling approaches to predict conditions of water quality using physical, chemical, and hydrological data focused on biological contaminations. Ph.D. dissertation, University of California, Irvine, CA, U.S., p.102.
2
Boehm, A.B., Grant, S.B., Kim, J.H., Mowbray, S.L., McGee, C.D., Clark, C.D., Foley, D.M., and Wellman, D.E. (2002). "Decadal and shorter period variability of surf zone water quality at Huntington Beach, California." Environment Science and Technology, ACS Publications, Vol. 36, No. 18, pp. 3885-3892. 10.1021/es020524u12269739
3
Boudaghpour, S., Moghadam, H.S.A., Hajbabaie, M., Toliati, S.H. (2019). "Estimating chlorophyll-A concentration in the Caspian Sea from MODIS images using artificial neural networks." Environmental Engineering Research, KSEE, Vol. 25, No. 4, pp. 515-521. 10.4491/eer.2019.106
4
Corrigan, J.A., Butkus, S.R., Ferris, M.E., and Roberts, J.C. (2021). "Microbial source tracking approach to investigate fecal waste at the Strawberry Creek watershed and Clam Beach, California, USA." International Journal of Environmental Research and Public Health, Vol. 18, No. 13, p. 6901. 10.3390/ijerph1813690134199071PMC8297226
5
French, C.B. (2003). Modeling Nitrogen transport in the Newport Bay/San Diego Creek watershed. Master Thesis, University of California Riverside, RIversidem, CA, U.S., pp. 24-25.
6
Hsu, K.-L. Gupta, H.V., Gao, X., Sorooshian, S., and Imam, B. (2002). "Self-organizing linear output map (SOLO): An artificial neural network suitable for hydrologic modeling and analysis". Water Resources Research. Vol. 38, No. 12, pp. 1-17. 10.1029/2001WR000795
7
Kamer, K., Schiff, K., Kennison, R.L., and Fong P. (2002). Macroalgal nutrient dynamics in upper Newport Bay. Technical Report, Southern California Coastal Water Research Project, CA, U.S., p. 33. 10.2175/193864702785072768
8
Natural Resources Defense Council (NRDC) (2021). U.S., accessed 15 September 2021, <http://www.nrdc.org/water/oceans>.
9
Oftelie, S., Saltzstein, A., Gianos, P., Boyum, K., Rocke, R., and Mosallem, A. (2000). Infrastructure: Latest survey finds orange county voters broadly similar to national survey respondents on the priority of cleaning up coastal waters. Technical Report, The Orange County Business Council, CA, U.S., p. 73.
10
Reeves, R.L., Grant, S.B., Mrse, R.D., Copil-Oancea, C.M., Sanders, B.F., and Boehm, A.B. (2004). "Scaling and management of fecal indicator bacteria in runoff from a Coastal Urban Watershed in Southern California." Environment Science and Technology, ACS Publications, Vol. 38, No. 9, pp. 2637-2648. 10.1021/es034797g15180060
11
Searcy, R.T., and Boehm, A.B. (2021). "A Day at the beach: Enabling Coastal water quality prediction with high-frequency sampling and data-driven models." Environment Science and Technology, ACS Publications, Vol. 55, No. 3, pp. 1908-1918. 10.1021/acs.est.0c0674233471505
12
State Water Resources Control Board, California Environmental Protection Agency (SWRCB) (2001). Source investigations of storm drain discharges causing exceedances of bacteriological standards. U.S., p. 17.
13
Strauss, A. (2002). Total maximum daily loads for toxic pollutants San Diego Creek and Newport Bay, California, U.S. Environmental Protection Agency Region 9, Washington DC, U.S., pp. 37
14
Surfrider Foundation (2021). U.S., accessed 22 September 2021, <http://www.surfrider.org/>.
15
U.S. Envrionment Protection Agency (U.S. EPA) (2021). U.S., accessed 7 September 2021, <https://www.epa.gov/aboutepa/epa-region-9-pacific-southwes>.
16
U.S. Fish & Wildlife Service (USFW) (2021). U.S., accessed 13 September 2021, <http://www.fws.gov/>.
17
Vijayashanthar, V., Qiao, J., Zhu, Q., Entwistle, P., and Yu, G. (2018). "Modeling fecal indicator bacteria in urban waterways using artificial neural networks." Journal of Environmental Engineering, ASCE, Vol. 144, No. 6, doi: 10.1061/(ASCE)EE.1943-7870.0001377. 10.1061/(ASCE)EE.1943-7870.0001377
18
Xu, T., Coco, G., and Neale, M. (2020). "A predictive model of recreational water quality based on adaptive synthetic sampling algorithms and machine learning." Water Research, Elsevier, Vol. 177, No. 6, pp. 115788-115799.
19
Zhang, J., Qiu, H., Li, X., Niu, J., Nevers, M.B., Hu, X., and Phanikumar, M.S. (2018). "real-time nowcasting of microbiological water quality at recreational beaches: A wavelet and artificial neural network-based hybrid modeling approach." Environment Science and Technology, ACS Publications, Vol. 52, No. 15, pp. 8446-8455. 10.1021/acs.est.8b0102229957996
페이지 상단으로 이동하기