The increased turbidity in rivers during flood events has various effects on water environmental management, including drinking water supply systems. Thus, prediction of turbid water is essential for water environmental management. Recently, various advanced machine learning algorithms have been increasingly used in water environmental management. Ensemble machine learning algorithms such as random forest (RF) and gradient boosting decision tree (GBDT) are some of the most popular machine learning algorithms used for water environmental management, along with deep learning algorithms such as recurrent neural networks. In this study GBDT, an ensemble machine learning algorithm, and gated recurrent unit (GRU), a recurrent neural networks algorithm, are used for model development to predict turbidity in a river. The observation frequencies of input data used for the model were 2, 4, 8, 24, 48, 120 and 168 h. The root-mean-square error-observations standard deviation ratio (RSR) of GRU and GBDT ranges between 0.182~0.766 and 0.400~0.683, respectively. Both models show similar prediction accuracy with RSR of 0.682 for GRU and 0.683 for GBDT. The GRU shows better prediction accuracy when the observation frequency is relatively short (i.e., 2, 4, and 8 h) where GBDT shows better prediction accuracy when the observation frequency is relatively long (i.e. 48, 120, 160 h). The results suggest that the characteristics of input data should be considered to develop an appropriate model to predict turbidity.

『깊은 강 』은 엔도의 평생을 사로잡고 있던 문학적 테마인 일본인의 심성에 적합한 모성적 신을 탐구한 역작이다. 마음의 상처와 죄의식을 치유받기 위해 인도여행을 떠난 다섯 명의 등장인물은 힌두적 환경과 갠지스 강을 통하여 개별적인 종교 체험을 하고 구원을 얻는다. 인간의 고통을 무화시키는 갠지스 강은 기독교의 부활과 불교의 전생까지도 함께 포용해 흐르는 신적 실재로 나타난다. 어머니로서의 강은 영혼을 정화하며 초월을 지향하는 힘을 소유하고 있었다. 엔도는 기독교에 뿌리를 두고 있으나 서양의 하나님을 체화하지 못하고 종교다원주의 관점에서 예수를 이해하려고 했다. 그 결과 예수는 가쿠레 기리시탄의 고통을 위무하고 사랑으로 감싸 안는 상징이 되었다. 예수는 인간의 모범을 보여준 성자였고 죽임을 당함으로써 인간의 종교성을 고양시키는 신화를 탄생시켰다. 예수의 부활은 이러한 관점에서 은유적 성육신에 해당하고 문화적 역사적 맥락에 따라 성육신은 반복적으로 이어질 수 있다는 희망을 남긴다. 예수를 본받은 오쓰의 성육신은 일본인의 심성에 적합한 모성적 신의 원형으로 떠오를 수 있다.

The present thesis examines Endo Shusaku’s most representative work of his later years, Deep River, in light of the aspects of evil and its progression towards redemption.The aspects of evil in this work are primarily manifested by the female character, Mitsuko. Her seduction of Otsu at college which leads to the loss of Otsu’s virginal purity depicts the evil that Sade conceptualized as the physical degeneration of godly purity and order. The interior of and the goddesses engraved in the Bhagabati Mandir Temple that Mitsuko wanders into during her trip to India are presented as internalized evil and its extreme opposite, reproduction. Mitsuko’s depiction in her hotel room as being apart from the other travelers is an illusion to Francois Mauriac’s Thérèse Desqueyroux, in which Thérèse chooses not to save Jesus when she is confined in Argelouse.Ultimately, Mitsuko’s evilness is brought to redemption through transmigration. At one point, Misuko makes a comment to Isobe, who has come to India in search for his wife’s transmigrated daughter. She notes that Isobe’s wife has transmigrated in his heart which reveals Endo’s supposition that the inner world of someone who has affected another is revived within that other person’s world rather than in the physical world. At the end of the story, Otsu’s sacrificial death under a false charge is predictable, being a projection of Jesus’s crucifixion. With the redemption of evil in Mitsuko, Endo emphasizes redemption through the absorption of concepts and love into an individual person’s inner world rather than through the practice of institutionalized religions or doctrines.

본 연구는 물리적 수리·수문모형의 적용이 제한적인 감조하천에서의 수위예측을 목적으로 하고 있으며, 이를 위해 한강 잠수교를 대상으로 딥러닝 오픈소스 소프트웨어 라이브러리인 TensorFlow를 활용하여 LSTM 모형을 구성하고 2011년부터 2017년까지의 10분 단위의 잠수교 수위, 팔당 댐 방류량과 한강하구 강화대교지점의 예측조위 자료를 이용하여 모형학습(2011~2016) 및 수위예측(2017)을 수행하였다. 모형 매개변수는 민감도 분석을 통해 은닉층의 개수는 6개, 학습속도는 0.01, 학습횟수는 3000번로 결정하였으며, 모형 학습 시 학습정보의 시간적 양을 결정하는 중요한 매개변수인 시퀀스길이는 1시간, 3시간, 6시간으로 변화시키며 모의하였다. 최종적으로 선행시간에 따른 모의 예측능력을 평가하기 위해 LSTM 모형의 예측 선행시간을 6개(1 ~ 24시간)로 구분하여 실측수위와 예측수위와의 비교·분석을 수행한 결과, LSTM 모형의 최적의 성능을 내 는 결과는 시퀀스길이를 1시간으로 하였을 때로 분석되었으며, 특히 선행시간 1시간에 대한 예측정확도는 RMSE는 0.065 m, NSE는 0.99로 실 측수위에 매우 근접한 예측 결과를 나타내었다. 또한 시퀀스길이에 상관없이 선행시간이 길어질수록 모형의 예측 정확도는 2017년 전기간에 걸쳐 평균적으로 RMSE 0.08 m에서 0.28 m로 오차가 증가하였으며, NSE는 0.99에서 0.74로 감소하였다.