KR101703972B1 - 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 - Google Patents

공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 Download PDF

Info

Publication number
KR101703972B1
KR101703972B1 KR1020150137800A KR20150137800A KR101703972B1 KR 101703972 B1 KR101703972 B1 KR 101703972B1 KR 1020150137800 A KR1020150137800 A KR 1020150137800A KR 20150137800 A KR20150137800 A KR 20150137800A KR 101703972 B1 KR101703972 B1 KR 101703972B1
Authority
KR
South Korea
Prior art keywords
groundwater
analysis
information
unit
prediction
Prior art date
Application number
KR1020150137800A
Other languages
English (en)
Inventor
이사로
Original Assignee
한국지질자원연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국지질자원연구원 filed Critical 한국지질자원연구원
Priority to KR1020150137800A priority Critical patent/KR101703972B1/ko
Application granted granted Critical
Publication of KR101703972B1 publication Critical patent/KR101703972B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G06F17/30241—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 지하수 관정 위치, 지하수 양, 지형, 지질, 토양, 토지이용 정보 등의 지질정보를 이용하여 지공간 상관관계를 통합분석하고, 이 통합분석된 지공간 상관관계를 기초로 지하수부존 지역을 예측하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템 및 지하수 부존 지역 예측방법에 관한 것이다. 본 발명에 의한, 공간정보를 이용한 지하수 부존가능지역 예측시스템은 지하수 부존 가능지역 예측을 위한 분석지역을 선택하도록 구성된 분석지역 선택부; 상기 분석지역 선택부에 의해 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보를 제공하도록 구성된 지하수 정보 데이터베이스; 상기 지하수 정보 데이터베이스에서 제공되는 지질정보를 기초로 지공간의 상관관계를 통합 분석하도록 구성된 지공간 상관관계 통합 분석부; 상기 지공간 상관관계 통합분석부에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성하도록 구성된 지하수 부존 지역 예측도 작성부; 상기 지하수 부존 지역 예측도 작성부에서 작성된 지하수 부존 지역의 예측도 및 통합예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증하도록 구성된 지하수 부존 지역 예측도 검증부; 및 상기 지하수 부존 지역 예측도 작성부의 결과와 및 지하수 부존 지역 예측도 검증부의 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교하도록 구성된 결과 비교부를 포함한다.

Description

공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 {SYSTEM AND METHOD FOR PREDICTING GROUNDWATER POTENTIAL AREA USING SPATIAL INFORMATION}
본 발명은 공간정보를 이용한 지하수 부존가능지역 예측시스템 및 지하수 부존 지역 예측방법에 관한 것으로, 특히 지하수 관정 위치, 지하수 양, 지형, 지질, 토양, 토지이용 정보 등의 지질정보를 이용하여 지공간 상관관계를 통합분석하고, 이 통합분석된 지공간 상관관계를 기초로 지하수부존 지역을 예측하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템 및 지하수 부존 지역 예측방법에 관한 것이다.
일반적으로, 수자원으로서 지하수의 효용성은 적정한 수질을 지속적으로 유지하면서 소요 수량을 안정적으로 공급하는데 있으므로, 지하수자원의 효율적 이용과 체계적인 관리를 위해서는 지하수의 산출특성에 대한 정확한 평가 및 예측이 필요하다.
예컨대, GIS(Geographic Information System)를 이용하여 공간자료 분석을 통한 포항지역의 지하수 개발 적지 선정 및 검증을 하였다. 이를 위해 물수지, 토지이용, 임상도, 토양분포, 지형고도, 경사, 수문지질 및 선구조 등을 분석하였다. 그리고 이러한 분석 자료 및 GIS 공간분석법을 이용하여 지하수 산출성 표본자료와 상관 분석하여 수문지질 특성평가를 실시하여 수문지질특성에 따른 지하수 산출 특성을 도출하였다. 이러한 결과를 바탕으로, 포항시의 지하수 개발 적지 선정을 위한 지하수 잠재가능성 도를 작성하였고, 이를 지하수 산출량 자료와 비교 검증을 하였다. 이와 같이, 지하수 자원의 확보를 위하여 선행되어야 할 점은 자원 부존 유망지의 예측방법이 확보되어야 하는 것이며, 이는 지질 정보의 분석을 통해 구현될 수 있는바, 지질현상과 관련된 정보를 효과적으로 찾고, 복잡한 특성을 지닌 지공간 요소들과의 상관관계를 파악하기 위해 지리정보시스템(GIS)이 필요하게 된다.
도 1은 일반적인 지리정보시스템(GIS) 활용을 도시한 개념도로서, 이를 참조하면 GIS는 방대한 지공간 자료의 효율적인 저장, 관리 및 통합분석을 위한 강력한 도구이자 전문가들의 의사결정을 지원해주는 역할을 한다.
그러나 GIS는 대용량의 다차원 자료에 내재되어 있는 사건발생과 관련된 공간적인 관련성을 파악하거나 미래의 사건발생을 예측할 수 있는 기능이 미흡하다. 그래서 지공간과 관련된 다양한 분야에서는 공간데이터베이스 내에 잠재되어 있는 정보와 공간적 상관관계 및 패턴을 효율적으로 찾아내고 미래의 사건발생을 예측하기 위해 GIS를 이용한 확률, 통계, 데이터 마이닝 패턴인식 기법을 사용하고 있다. 즉, 기존의 다양한 분석기법들은 종속변수(사건자료)와 독립변수(입력자료)들 간의 1차 분석을 통한 상관계수 또는 가중치를 계산하고 이를 이용한 사건발생예측도 작성이었다. 각 기법을 통해 도출된 결과도의 예측 정확도를 판단하기 위해 검증작업이 수행된다. 그러나 최대 예측 정확도를 보이는 결과도라 할지라도 기법의 종류 및 특성에 따라 정확도 향상에는 어느 정도 한계가 있다. 따라서 이러한 지리정보시스템을 이용하여 특정 지역에 존재하는 지하수의 부존지를 정확하게 예측하는 데에는 한계가 있으며, 이러한 한계점은 중요한 수자원인 지하수 확보와 개발에 있어 저해 요인으로 작용하고 있다.
본 발명은 상술한 문제를 해결하기 위하여 이루어진 것으로, 본 발명의 목적은 정확한 지하수 부존 가능지역 예측분석을 수행할 수 있는, 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법을 제공하는 데에 있다.
상기의 목적을 달성하기 위해 본 발명의 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템은 지하수 부존 가능지역 예측을 위한 분석지역을 선택하도록 구성된 분석지역 선택부; 상기 분석지역 선택부에 의해 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보를 제공하도록 구성된 지하수정보 데이터베이스; 상기 지하수정보 데이터베이스에서 제공되는 지질정보를 기초로 지공간의 상관관계를 통합 분석하도록 구성된 지공간 상관관계 통합 분석부; 상기 지공간 상관관계 통합분석부에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성하도록 구성된 지하수 부존 지역 예측도 작성부; 상기 지하수 부존 지역 예측도 작성부에서 작성된 지하수 부존 지역의 예측도 및 통합예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증하도록 구성된 지하수 부존 지역 예측도 검증부; 및 상기 지하수 부존 지역 예측도 작성부의 결과와 및 지하수 부존 지역 예측도 검증부의 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교하도록 구성된 결과 비교부를 포함하는 것을 특징으로 한다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지하수정보 데이터베이스는 상기 선택된 분석지역의 지하수 관정 분포도를 이용하여 지하수 수량 및 위치정보를 제공하도록 구성된 지하수자료 데이터베이스; 상기 선택된 분석지역의 지형자료를 이용하여 지형 종류와 같은 지형 정보를 제공하도록 구성된 지형정보 데이터베이스; 상기 선택된 분석지역의 지질도에서 추출되는 지질 및 단층자료와 같은 지질자료를 제공하도록 구성된 지질자료 데이터베이스; 상기 선택된 분석지역의 토양도에서 추출되는 토양자료를 제공하도록 구성된 토양자료 데이터베이스; 및 상기 선택된 분석지역의 토지이용도에서 추출되는 토지이용도 자료를 제공하도록 구성된 토지이용도 데이터베이스를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 상기 지하수정보 데이터베이스에서 제공되는 지하수의 수량 정보 및 위치정보를 종속변수로 하고, 지형 정보, 지질자료, 토양자료, 토지이용도 자료를 독립변수로 이용하여 지하수의 부존과 관련된 요인들 간의 상관관계를 분석하여 지하수 발생 확률을 예측하도록 구성된 우도비분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 지하수 부존과 이와 관련된 요인들 간의 등급별 가중치를 분석하도록 구성된 WOE(weight of evidence) 분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 지하수 위치와 이와 관련된 요인들 간의 상관관계를 확인하고 정량화하여 지하수 부존지역 확률을 예측하도록 구성된 EBF(Evidential Belief Function) 분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 입력자료인 독립변수와 사건자료인 종속변수의 로지스틱회귀 상관계수를 분석하도록 구성된 로지스틱 회귀 분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 지하수 부존지역과 미부존지역을 역전파 알고리즘을 통해 요인별 가중치를 분석하도록 구성된 인공신경망 분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 CHAID(chi-squared automatic interaction detector) 및 QUEST(quick, unbiased, and efficient statistical tree) 알고리즘으로 이루어지며, 지하수 생산 데이터와 이와 관련된 요인들 간의 상관관계를 분석하여 지하수 부존 확률을 예측하도록 구성된 DT(Decision Tree) 분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 다항식 커넬을 사용하여 지하수 부존과 관련된 요인들 간의 상관관계를 분석하여서 지하수 부존 확률을 예측하는 SVM(Support Vector Machine) 분석부를 포함할 수 있다.
상기 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템에 있어서, 상기 지공간 상관관계 통합분석부는 우도비분석부, WOE 분석부, EBF 분석부, 로지스틱 회귀 분석부, 인공신경망 분석부, DT 분석부 및 SVM 분석부 중 어느 하나 이상을 각각 포함하는 상기 제 1 차 내지 제 n 차 예측 분석부로 이루어지며, 상기 제 n차 예측 분석부는 제 (n-1)차 예측분석부와 동일한 구성을 가지며, 상기 제 (n-1)차 예측분석부에서 제공되는 결과값을 제 n 차 분석부의 독립변수로 하고, 제 (n-1)차 예측부에서 입력된 종속변수를 다시 종속변수로 입력하여 각각 다시 분석하도록 구성될 수 있다(n은 2 이상의 자연수).
상기의 목적을 달성하기 위해 본 발명의 다른 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측방법은 상기 공간정보를 이용한 지하수 부존가능지역 예측시스템을 이용하며, 분석지역 선택부에 의해 지하수 부존 가능지역 예측을 위한 분석지역이 선택되는 단계; 지하수정보 데이터베이스로부터 지공간 상관관계 통합 분석부로 상기 분석지역 선택단계에서 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보가 제공되는 단계; 상기 지공간 상관관계 통합 분석부에 의해 상기 제공된 지질정보를 기초로 지공간의 상관관계를 통합 분석하는 단계; 지하수 부존 지역 예측도 작성부에 의해 상기 분석 단계에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성하는 단계; 지하수 부존 지역 예측도 검증부에 의해 상기 작성 단계에서 작성된 지하수 부존 지역의 예측도 및 통합예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증하는 단계 ; 및 결과 비교부에 의해 상기 작성 단계에서의 결과와 상기 검증 단계에서의 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 실시형태에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템 및 이를 이용한 지하수 부존 지역 예측방법에 의하면, 지하수정보 데이터베이스에서 제공되는 지질정보를 기초로 우도비, WOE , EBF, 로지스틱 회귀, 인공 신경망, DT, SVM 중 어느 하나의 모델을 이용하여 지공간의 상관관계를 통합 분석하거나, 또는 1차 분석된 결과를 재차 반복 분석하도록 함으로써 지하수 부존 가능지역의 예측분석에 대한 정확도를 높일 수 있다는 뛰어난 효과가 있다.
도 1은 일반적인 지리정보시스템(GIS) 활용을 도시한 개념도이다.
도 2는 본 발명의 실시예에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템의 제어블록도이다.
도 3은 도 2의 지하수정보 데이터베이스의 상세 블록도이다.
도 4는 도 2의 지공간 상관관계 통합 분석부의 일례를 나타내는 상세 블록도이다.
도 5는 도 2의 지공간 상관관계 통합 분석부의 다른 예를 나타내는 상세 블록도이다.
도 6은 본 발명의 실시예에 의한 지하수 부존 지역 예측 방법을 나타내는 플로우챠트이다.
도 7은 EBF 모델을 이용하여 획득된 보령시와 포항시에 있어서의 지하수 생산 포텐셜 맵(GPP map)을 나타낸다.
도 8은 DT 분석부에 의해 예측된 보령시 및 포항시에서의 지하수 생산성 지표를 나타낸다.
이하, 본 발명의 실시예를 도면을 참조하여 상세히 설명하기로 한다.
도 2는 본 발명의 실시예에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템의 제어블록도이고, 도 3은 도 2의 지하수정보 데이터베이스의 상세 블록도이며, 도 4는 도 2의 지공간 상관관계 통합 분석부의 일례를 나타내는 상세 블록도이며, 도 5는 도 2의 지공간 상관관계 통합 분석부의 다른 예를 나타내는 상세 블록도이다.
본 발명의 실시예에 의한, 공간정보를 이용한 지하수 보존 지역 예측시스템은, 도 2 내지 도 5에 도시된 바와 같이, 분석지역 선택부(50), 지하수정보 데이터베이스(100), 지공간 상관관계 통합 분석부(200,200'), 지하수 부존 지역 예측도 작성부(300), 지하수 부존 지역 예측도 검증부(400), 및 결과 비교부(500)를 포함한다.
분석지역 선택부(50)는 지하수 부존 가능지역 예측을 위한 분석지역을 선택하도록 구성되어 있는 입력장치로서, 유저에 의해 조작되어 키조작신호를 출력하는 역할을 한다. 예컨대, 마우스, 키보드, 터치패드 등이 될 수 있다.
지하수정보 데이터베이스(100)는 분석지역 선택부(50)에 의해 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보를 제공하는 기억장치로서, 도 3에 도시된 바와 같이, 지하수자료 데이터베이스(110), 지형정보 데이터베이스(120), 지질자료 데이터베이스(130), 토양자료 데이터베이스(140) 및 토지이용도 데이터베이스(150)를 포함한다. 지하수자료 데이터베이스(110)는 분석지역 선택부(50)에 의해 선택된 분석지역의 지하수 관정 분포도를 이용하여 지하수 수량 및 위치정보를 제공하는 역할을 한다. 지형정보 데이터베이스(120)는 분석지역 선택부(50)에 의해 선택된 분석지역의 지형자료를 이용하여 지형 종류와 같은 지형 정보를 제공하는 역할을 한다. 지질자료 데이터베이스(130)는 분석지역 선택부(50)에 의해 선택된 분석지역의 지질도에서 추출되는 지질 및 단층자료와 같은 지질자료를 제공하는 역할을 한다. 토양자료 데이터베이스(140)는 분석지역 선택부(50)에 의해 선택된 분석지역의 토양도에서 추출되는 토양자료를 제공하는 역할을 한다. 토지이용도 데이터베이스(150)는 분석지역 선택부(50)에 의해 선택된 분석지역의 토지이용도에서 추출되는 토지이용도 자료를 제공하는 역할을 한다.
지공간 상관관계 통합 분석부(200,200')는 지하수 정보 데이터베이스(100)에서 제공되는 지질정보를 기초로 지공간의 상관관계를 통합 분석하도록 구성되어 있다. 지공간 상관관계 통합 분석부(200,200')는 두가지 실시예로서 존재할 수 있다.
[제 1 실시예에 의한 지공간 상관관계 통합 분석부]
제 1 실시예에 의한 지공간 상관관계 통합 분석부(200)는, 도 4에 도시된 바와 같이, 우도비 분석부(210), WOE 분석부(220), EBF 분석부(230), 로지시틱회귀 분석부(240), 인공신경망 분석부(250), DT 분석부(260) 및 SVM 분석부(270)중 어느 하나를 포함할 수 있다.
우도비 분석부(210)는 지하수 정보 데이터베이스(100)에서 제공되는 지하수의 수량 정보 및 위치정보를 종속변수로 하고, 지형 정보, 지질자료, 토양자료, 토지이용도 자료를 독립변수로 이용하여 지하수의 부존과 관련된 요인들 간의 상관관계를 분석하여 지하수 발생 확률을 예측하도록 구성되어 있다. 좀더 상세하게는 우도비 기법의 적용은 기존 지하수 부존지역과 이와 관련된 요인들 간의 상관관계를 밝히고, 각 요인의 등급별 우도비를 통해 하수 부존 지역을 예측하는데 있다. 우도비는 조건부 확률 원리를 바탕으로 한, 각 요인의 등급별 지하수 부존지역비율을 의미한다. 우도비가 1보다 크면 지하수 부존지역 확률이 높다는 것을, 1보다 작으면 지하수 부존지역 확률이 낮다는 것을 의미한다. 우도비 계산을 위해 입력자료 선구조로부터의 거리, 모든 지화학 원소 값은 등급별 균등한 면적으로 10 등급으로 분류할 수 있다. 계산된 우도비는 각 요인의 등급에 부여한 후 GIS 중첩분석을 이용하여 [식 1]과 같이 지하수 부존지역지수(MPILR : Mineral Potential Index by likelihood ratio)를 구한다.
[식 1]
Figure 112015094666056-pat00001
예컨대, 부존지수를 이용하여 작성된 지하수 부존지역 예측도는 시각적 해석을 위해 상위 5%, 10%, 15% 70%로 등급화할 수 있다.
WOE(weight of evidence) 분석부(220)는 지하수 부존과 이와 관련된 요인들 간의 등급별 가중치를 분석하도록 구성되어 있다. 좀 더 상세하게는, WOE 분석부(220)에 의해 이용되는 WOE 기법은 우도비에 자연로그를 취하여 양과 음의 가중치로 지하수 부존지역과 요인별 등급간의 상관성을 제시한다. 스튜던타이즈 값(Studentized value)인 C/S(C)는 지하수 부존지역과 관련된 요인들의 값을 이분화시키는 최적절의 절단값으로서, 최대의 C/S(C) 값을 가지는 등급을 기준으로 (+) 가중치와 (-) 가중치로 이분화시킨다. 가중치가 0의 값을 가지면 상관관계가 없고, (-) 값을 가지면 음의 상관관계를, (+) 값을 가지면 양의 상관관계를 나타낸다. 이분화된 가중치는 각 요인의 등급에 부여한 후 중첩분석을 실시하여 [식 2]와 같이 지하수 부존지역지수(MPIWOE : Mineral Potential Index by weight ofevidence)를 구한다.
[식 2]
Figure 112015094666056-pat00002
예컨대, 부존지수를 이용하여 작성된 지하수 부존지역 예측도는 시각적 해석을 위해 상위 5%, 10%, 15% 70%로 등급화할 수 있다.
EBF 분석부(230)는 지하수 위치와 이와 관련된 요인들 간의 상관관계를 확인하고 정량화하여 지하수 부존지역 확률을 예측하도록 구성되어 있다. 도 7은 EBF 모델을 이용하여 획득된 보령시와 포항시에 있어서의 지하수 생산 포텐셜 맵(GPP map)을 나타낸다. 지표는 면적에 의해서 분류되며, 용이한 시각적 묘사를 위해서 면적에 의거하여 4개의 등급으로 분류하였다. very high는 5%, high는 10%, medium은 15%, low은 나머지 70%를 나타낸다. 결과적으로, EBF 모델을 사용하여 획득한 지하수 생산 포텐셜 맵은 보령시와 포항시에 있어서 83.41% 및 77.53%의 정확도를 보였다. 따라서 EBF 분석부(230)에 의해 예측된 지하수 부존지역 확률은 매우 높고 효과적이라는 것을 발견했다.
로지시틱회귀 분석부(240)는 입력자료인 독립변수와 사건자료인 종속변수의 로지스틱회귀 상관계수를 분석하도록 구성되어 있다. 좀 더 상세하게는, 독립변수(입력자료)와 종속변수(사건자료) 사이의 관계를 정확히 파악하기 위해서는 두 변수간의 규칙성을 나타내는 회귀식 또는 예측식을 구하는 회귀분석이 필요할 수 있다. 지하수 부존지역 여부는 0과 1로 분류되기 때문에 로지스틱 회귀분석이 적합하다. 로지스틱 상관계수는 독립변수의 변화에 따라서 종속변수가 얼마만큼 변화하는가를 제시하는 통계치로서, (+)의 값이면 해당 독립변수의 값이 클수록 지하수 부존할 확률이 커지고, (-)의 값이면 해당 독립변수의 값이 클수록 지하수가 부존하지 않을 확률이 커진다. 지하수 부존지역 회귀식은 로지스틱 회귀계수를 이용하여 [식 3]과 같이 유도하였고, [식 4]와 같이 지하수 부존지역 확률을 계산하였다. 각 요인들에 곱해지는 계수는 요인들의 가중치가 되며, [식 3]과 [식 4]를 이용하여 지하수 부존지역지수를 계산하였다.
[식 3]
Figure 112015094666056-pat00003
[식 4]
Figure 112015094666056-pat00004
예컨대, 부존지수를 이용하여 작성된 지하수 부존지역 예측도는 시각적 해석을 위해 상위 5%, 10%, 15% 70%로 등급화할 수 있다.
인공신경망 분석부(250)는 지하수 부존지역과 미부존지역을 역전파 알고리즘을 통해 요인별 가중치를 분석하도록 구성되어 있다. 좀 더 상세하게는, 인공신경망에서 사용하는 역전파 알고리즘은 지하수 부존지역 지역과 미 부존 지역을 신경망에 정확히 인지시켜 이 위치의 입력자료 값을 기준으로 지하수 관정 부존 지역을 훈련시킨다. 이를 통하여 인공신경망은 출력층에 대한 결과 즉, 금-은 지하수 부존지역 가중치를 계산하게 된다. 예컨대, 가중치를 계산하기 위해 인공신경망 구조는 8 ㅧ 16 ㅧ 1로 설정하였고, 목표 오차에 도달하기 전의 최대 반복횟수는 5,000번, 학습율은 0.01로 설정하여 요인들의 상대적 가중치를 계산할 수 있다. 계산된 가중치를 각 요인에 부여하여 연구지역 전체에 대한 지하수 부존지역지수를 계산할 수 있다. 예컨대, 부존지수를 이용하여 작성된 지하수 부존지역 예측도는 시각적 해석을 위해 상위 5%, 10%, 15% 70%로 등급화할 수 있다.
DT 분석부(260)는 CHAID(chi-squared automatic interaction detector) 및 QUEST(quick, unbiased, and efficient statistical tree) 알고리즘으로 이루어지며, 지하수 생산 데이터와 이와 관련된 요인들 간의 상관관계를 분석하여 지하수 부존 확률을 예측하도록 구성되어 있다. 도 8은 DT 분석부(260)에 의해 예측된 보령시 및 포항시에서의 지하수 생산성 지표를 나타내며, 10등급으로 분류되어 있다.
SVM 분석부(270)는 다항식 커넬(polynomial kernel)을 사용하여 지하수 부존과 관련된 요인들 간의 상관관계를 분석하여서 지하수 부존 확률을 예측하도록 구성되어 있다. 좀 더 상세하게는, SVM은 비록 고차항이며 선형으로 분리되지 않을 지라도 광범위한 분류 문제에 적절한, 유용하고 유연하게 관리되는 분리기이다. 더욱이, SVM은 커넬을 도입함으로써 비취약 영역으로부터 취약 영역을 분리하는 임계값의 선택에 있어서 유연성을 가진다. 커넬은 절대적으로 비선형 변환을 포함하기 때문에 변환 함수 형태에 대한 어떠한 가정도 필요치 않다. SVM에 있어서, 유용한 결정 규칙은 볼록한(이차의) 극대화 문제만을 해결함으로써 수행되는 함수 추정의 일반적인 방법을 제공한다. 따라서 해결책의 고유성은 SVM이 다른 기계 학습 알고리즘을 통해 갖는 중요한 장점이다. 그러나 SVM은 기본적으로 이차 분류기이므로 다중 등급 분류가 수행될 수 없다. 더욱이, SVM은 많은 제어값의 선택을 갖지 않으며, 비모수 기법이기 때문에 결과 및 절차에 있어서 확률 및 통계 추정을 직접 제공하지 않는다.
[제 2 실시예에 의한 지공간 상관관계 통합 분석부]
제 2 실시예에 의한 지공간 상관관계 통합 분석부(200')는, 도 5에 도시된 바와 같이, 우도비분석부(210), WOE 분석부(220), EBF 분석부(230), 로지스틱 회귀 분석부(240), 인공신경망 분석부(250), DT 분석부(260) 및 SVM 분석부(270) 중 어느 하나 이상을 각각 포함하는 제 1 차 내지 제 n 차 예측 분석부로 이루어지며, 제 n차 예측 분석부는 제 (n-1)차 예측분석부와 동일한 구성을 가지며, 제 (n-1)차 예측분석부에서 제공되는 결과값을 제 n 차 분석부의 독립변수로 하고, 제 (n-1)차 예측부에서 입력된 종속변수를 다시 종속변수로 입력하여 각각 다시 분석하도록 구성될 수 있다(n은 2이상의 자연수).
지하수 부존 지역 예측도 작성부(300)는 지공간 상관관계 통합분석부(200,200')에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성하도록 구성되어 있다.
지하수 부존 지역 예측도 검증부(400)는 지하수 부존 지역 예측도 작성부(300)에서 작성된 지하수 부존 지역의 예측도 및 통합 예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증하도록 구성되어 있다.
결과 비교부(500)는 지하수 부존 지역 예측도 작성부(300)의 결과와 및 지하수 부존 지역 예측도 검증부(400)의 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교하도록 구성되어 있다.
이하, 상기한 바와 같이 구성된 본 발명의 실시예에 의한, 공간정보를 이용한 지하수 부존가능지역 예측시스템에 의해 구현된, 지하수 부존 지역 예측 방법을 설명하기로 한다.
도 6은 본 발명의 실시예에 의한 지하수 부존 지역 예측 방법을 나타내는 플로우챠트로서, 여기서 S는 스텝(step)을 의미한다.
먼저, 분석지역 선택부(50)에 의해 지하수 부존 가능지역 예측을 위한 분석지역이 선택된다(S1). 여기서 분석지역 선택은 유저가 분석지역 선택부(50)를 조작하여 이루어지게 된다.
이어서, 상기 스텝(S1)에 의해 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보가 지하수 정보 데이터베이스(100)로부터 판독되어 지공간 상관관계 통합 분석부(200,200')로 제공된다(S2).
이후, 지공간 상관관계 통합 분석부(200,200')는 상기 스텝(S2)에서 제공된 지질정보를 기초로 지공간의 상관관계를 통합 분석한다(S3).
스텝(S4)에서는 지하수 부존 지역 예측도 작성부(300)가 상기 스텝(S3)에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성한다.
스텝(S5)에서는 지하수 부존 지역 예측도 검증부(400)가 상기 스텝(S4)에서 작성된 지하수 부존 지역의 예측도 및 통합예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증한다.
스텝(S6)에서는 결과 비교부(500)가 상기 스텝(S4)에서 작성된 결과와 상기 스텝(S5)에서 검증된 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교한다.
본 발명의 실시예에 의한, 공간정보를 이용한 지하수 부존 지역 예측시스템 및 이를 이용한 지하수 부존 지역 예측방법에 의하면, 지하수정보 데이터베이스에서 제공되는 지질정보를 기초로 우도비, WOE , EBF, 로지스틱 회귀, 인공 신경망, DT, SVM 중 어느 하나의 모델을 이용하여 지공간의 상관관계를 통합 분석하거나, 또는 1차 분석된 결과를 재차 반복 분석하도록 함으로써 지하수 부존 가능지역의 예측분석에 대한 정확도를 높일 수 있다는 뛰어난 효과가 있다.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
50: 분석지역 선택부
100: 지하수 정보 데이터베이스
110: 지하수자료 데이터베이스
120: 지형정보 데이터베이스
130: 지질자료 데이터베이스
140: 토양자료 데이터베이스
150: 토지이용도 데이터베이스
200, 200': 지공간 상관관계 통합 분석부
210: 우도비 분석부
220: WOE 분석부
230: EBF 분석부
240: 로지스틱회귀 분석부
250: 인공신경망 분석부
260: DT 분석부
270: SVM 분석부
300: 지하수 부존지역 예측도 작성부
400: 지하수 부존지역 예측도 검증부
500: 결과 비교부

Claims (11)

  1. 지하수 부존 가능지역 예측을 위한 분석지역을 선택하도록 구성된 분석지역 선택부;
    상기 분석지역 선택부에 의해 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보를 제공하도록 구성된 지하수 정보 데이터베이스;
    상기 지하수 정보 데이터베이스에서 제공되는 지질정보를 기초로 지공간의 상관관계를 통합 분석하도록 구성된 지공간 상관관계 통합 분석부;
    상기 지공간 상관관계 통합분석부에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성하도록 구성된 지하수 부존 지역 예측도 작성부;
    상기 지하수 부존 지역 예측도 작성부에서 작성된 지하수 부존 지역의 예측도 및 통합예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증하도록 구성된 지하수 부존 지역 예측도 검증부;
    상기 지하수 부존 지역 예측도 작성부의 결과와 및 지하수 부존 지역 예측도 검증부의 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교하도록 구성된 결과 비교부;
    상기 지공간 상관관계 통합분석부는,
    CHAID(chi-squared automatic interaction detector) 및 QUEST(quick, unbiased, and efficient statistical tree) 알고리즘으로 이루어지며, 지하수 생산 데이터와 이와 관련된 요인들 간의 상관관계를 분석하여 지하수 부존 확률을 예측하도록 구성된 DT(Decision Tree) 분석부;
    상기 지공간 상관관계 통합분석부는,
    다항식 커넬을 사용하여 지하수 부존과 관련된 요인들 간의 상관관계를 분석하여서 지하수 부존 확률을 예측하는 SVM(Support Vector Machine) 분석부; 및,
    상기 지공간 상관관계 통합분석부는,
    우도비분석부, WOE 분석부, EBF 분석부, 로지스틱 회귀 분석부, 인공신경망 분석부, DT 분석부 및 SVM 분석부 중 어느 하나 이상을 각각 포함하는 제 1 차 내지 제 n 차 예측 분석부로 이루어지며,
    상기 제 n차 예측 분석부는 제 (n-1)차 예측분석부와 동일한 구성을 가지며, 상기 제 (n-1)차 예측분석부에서 제공되는 결과값을 제 n 차 분석부의 독립변수로 하고, 제 (n-1)차 예측부에서 입력된 종속변수를 다시 종속변수로 입력하여 각각 다시 분석하는 구성을(n은 2 이상의 자연수)포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  2. 제 1 항에 있어서,
    상기 지하수 정보 데이터베이스는,
    상기 선택된 분석지역의 지하수 관정 분포도를 이용하여 지하수 수량 및 위치정보를 제공하도록 구성된 지하수자료 데이터베이스;
    상기 선택된 분석지역의 지형자료를 이용하여 지형 종류와 같은 지형 정보를 제공하도록 구성된 지형정보 데이터베이스;
    상기 선택된 분석지역의 지질도에서 추출되는 지질 및 단층자료와 같은 지질자료를 제공하도록 구성된 지질자료 데이터베이스;상기 선택된 분석지역의 토양도에서 추출되는 토양자료를 제공하도록 구성된 토양자료 데이터베이스; 및
    상기 선택된 분석지역의 토지이용도에서 추출되는 토지이용도 자료를 제공하도록 구성된 토지이용도 데이터베이스를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  3. 제 1 항에 있어서,
    상기 지공간 상관관계 통합분석부는,
    상기 지하수 정보 데이터베이스에서 제공되는 지하수의 수량 정보 및 위치정보를 종속변수로 하고, 지형 정보, 지질자료, 토양자료, 토지이용도 자료를 독립변수로 이용하여 지하수의 부존과 관련된 요인들 간의 상관관계를 분석하여 지하수 발생 확률을 예측하도록 구성된 우도비분석부를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  4. 제 1 항에 있어서,
    상기 지공간 상관관계 통합분석부는,
    지하수 부존과 이와 관련된 요인들 간의 등급별 가중치를 분석하도록 구성된 WOE(weight of evidence)분석부를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  5. 제 1 항에 있어서,
    상기 지공간 상관관계 통합분석부는,
    지하수 위치와 이와 관련된 요인들 간의 상관관계를 확인하고 정량화하여 지하수 부존지역 확률을 예측하도록 구성된 EBF(Evidential Belief Function) 분석부를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  6. 제 1 항에 있어서,
    상기 지공간 상관관계 통합분석부는,
    입력자료인 독립변수와 사건자료인 종속변수의 로지스틱회귀 상관계수를 분석하도록 구성된 로지스틱 회귀 분석부를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  7. 제 1 항에 있어서,
    상기 지공간 상관관계 통합분석부는,
    지하수 부존지역과 미부존지역을 역전파 알고리즘을 통해 요인별 가중치를 분석하도록 구성된 인공신경망 분석부를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측시스템.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 제 1 항 내지 제 7 항 중 어느 한항에 기재된, 공간정보를 이용한 지하수 부존가능지역 예측시스템을 이용한 지하수 부존가능지역 예측방법으로서:
    분석지역 선택부에 의해 지하수 부존 가능지역 예측을 위한 분석지역이 선택되는 단계;
    지하수 정보 데이터베이스로부터 지공간 상관관계 통합 분석부로 상기 분석지역 선택단계에서 선택된 분석지역의 지하수 자료, 지형 정보, 지질자료, 토양자료, 토지이용도와 같은 지질정보가 제공되는 단계;
    상기 지공간 상관관계 통합 분석부에 의해 상기 제공된 지질정보를 기초로 지공간의 상관관계를 통합 분석하는 단계;
    지하수 부존 지역 예측도 작성부에 의해 상기 분석 단계에서 분석된 정보를 기초로 지하수 부존 지역의 예측도 및 통합 예측도를 작성하는 단계;
    지하수 부존 지역 예측도 검증부에 의해 상기 작성 단계에서 작성된 지하수 부존 지역의 예측도 및 통합예측도를 이용하여 지하수 부존지역의 정량적인 정확도를 검증하는 단계 ; 및
    결과 비교부에 의해 상기 작성 단계에서의 결과와 상기 검증 단계에서의 결과를 비교하여 모델별 지하수 부존 가능지역 예측도의 정확도를 비교하는 단계를 포함하는, 공간정보를 이용한 지하수 부존가능지역 예측방법.
KR1020150137800A 2015-09-30 2015-09-30 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 KR101703972B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150137800A KR101703972B1 (ko) 2015-09-30 2015-09-30 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150137800A KR101703972B1 (ko) 2015-09-30 2015-09-30 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법

Publications (1)

Publication Number Publication Date
KR101703972B1 true KR101703972B1 (ko) 2017-02-22

Family

ID=58314619

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150137800A KR101703972B1 (ko) 2015-09-30 2015-09-30 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법

Country Status (1)

Country Link
KR (1) KR101703972B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229175A (zh) * 2017-12-28 2018-06-29 中国科学院信息工程研究所 一种多维异构取证信息的关联分析系统及方法
CN108428007A (zh) * 2018-02-07 2018-08-21 广东省生态环境技术研究所 一种土地利用变化驱动力的识别方法、系统和装置
CN110728402A (zh) * 2019-10-10 2020-01-24 辽宁工程技术大学 一种基于地质标本分析的区域矿产资源预测系统
US11010950B1 (en) * 2020-01-06 2021-05-18 Quantela Inc. Computer-based method and system for determining groundwater potential zones

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100988609B1 (ko) * 2010-03-03 2010-10-19 한국지질자원연구원 지공간 상관관계 통합기법을 이용한 광상 부존 예측시스템 및 이를 이용한 광상 부존 예측방법
KR20120004113A (ko) * 2010-07-06 2012-01-12 한국지질자원연구원 지리정보시스템 및 확률 통계기법에 근거한 지하수산출가능성 예측모델 개발
KR101280389B1 (ko) * 2011-12-28 2013-07-01 한국지질자원연구원 지반재해 발생 예측 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100988609B1 (ko) * 2010-03-03 2010-10-19 한국지질자원연구원 지공간 상관관계 통합기법을 이용한 광상 부존 예측시스템 및 이를 이용한 광상 부존 예측방법
KR20120004113A (ko) * 2010-07-06 2012-01-12 한국지질자원연구원 지리정보시스템 및 확률 통계기법에 근거한 지하수산출가능성 예측모델 개발
KR101280389B1 (ko) * 2011-12-28 2013-07-01 한국지질자원연구원 지반재해 발생 예측 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Application of decision tree model for the ground subsidence hazard mapping near abandoned underground coal mines, Journal of Environmental Management vol.127 (2013)* *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229175A (zh) * 2017-12-28 2018-06-29 中国科学院信息工程研究所 一种多维异构取证信息的关联分析系统及方法
CN108229175B (zh) * 2017-12-28 2020-04-10 中国科学院信息工程研究所 一种多维异构取证信息的关联分析系统及方法
CN108428007A (zh) * 2018-02-07 2018-08-21 广东省生态环境技术研究所 一种土地利用变化驱动力的识别方法、系统和装置
CN110728402A (zh) * 2019-10-10 2020-01-24 辽宁工程技术大学 一种基于地质标本分析的区域矿产资源预测系统
CN110728402B (zh) * 2019-10-10 2023-11-03 辽宁工程技术大学 一种基于地质标本分析的区域矿产资源预测系统
US11010950B1 (en) * 2020-01-06 2021-05-18 Quantela Inc. Computer-based method and system for determining groundwater potential zones

Similar Documents

Publication Publication Date Title
Winkler et al. Pipe failure modelling for water distribution networks using boosted decision trees
Tang et al. Flood susceptibility assessment based on a novel random Naïve Bayes method: A comparison between different factor discretization methods
Ragulina et al. Generalized extreme value shape parameter and its nature for extreme precipitation using long time series and the Bayesian approach
Najafi et al. Statistical downscaling of precipitation using machine learning with optimal predictor selection
Yang et al. An integrative hierarchical stepwise sampling strategy for spatial sampling and its application in digital soil mapping
Samui et al. Application of support vector machine and relevance vector machine to determine evaporative losses in reservoirs
Tayyebi et al. Assessing uncertainty dimensions in land-use change models: using swap and multiplicative error models for injecting attribute and positional errors in spatial data
Pu et al. Evaluating the nonlinear correlation between vertical curve features and crash frequency on highways using random forests
CN111898315B (zh) 基于分形—机器学习混合模型的滑坡易发性评估方法
Chebbi et al. Optimal extension of rain gauge monitoring network for rainfall intensity and erosivity index interpolation
KR101703972B1 (ko) 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법
García-Soidán et al. Bootstrap approaches for spatial data
Davoudi Moghaddam et al. Assessment of the contribution of geo-environmental factors to flood inundation in a semi-arid region of SW Iran: Comparison of different advanced modeling approaches
CN112506990A (zh) 一种基于时空信息的水文数据异常检测方法
KR100988609B1 (ko) 지공간 상관관계 통합기법을 이용한 광상 부존 예측시스템 및 이를 이용한 광상 부존 예측방법
KR20140068436A (ko) 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법
Wang et al. Dominant transition probability: Combining CA-Markov model to simulate land use change
Oppel et al. Machine learning based identification of dominant controls on runoff dynamics
Cheng et al. A graph clustering approach to localization for adaptive covariance tuning in data assimilation based on state-observation mapping
CN116738192A (zh) 一种基于数字孪生的安全数据评估方法及系统
Voutchkova et al. Parameter sensitivity of automated baseflow separation for snowmelt‐dominated watersheds and new filtering procedure for determining end of snowmelt period
Ahani et al. A feature weighting and selection method for improving the homogeneity of regions in regionalization of watersheds
Aitken et al. Multi‐Level Monte Carlo Models for Flood Inundation Uncertainty Quantification
Komasi et al. Multi-objective optimization of groundwater monitoring network using a probability Pareto genetic algorithm and entropy method (case study: Silakhor plain)
Raje Changepoint detection in hydrologic series of the Mahanadi River basin using a Fuzzy Bayesian approach

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20191226

Year of fee payment: 4