그림 4. 수질 변수에 따른 모델 예측 불확실성과 기준 성능, 변수 단순성 및 선형성과의 관계

전체 캡션 표시

피규어 뷰어

예측 불확실성 패턴은 수질 변수와 모델 아키텍처 모두에서 체계적으로 다양하게 나타납니다. 변수 전반에 걸쳐 온도와 용존산소(DO)는 일관되게 가장 안정적인 반면, 총인(TP)과 총부유고형물(TSS)은 DeepONet과 Informer 모두에서 가장 큰 불확실성을 보입니다(DeepONet: 0.195 및 0.126, Informer: 0.294 및 0.145). 그러나 LSTM에서는 그렇지 않습니다( 그림 4A ). LSTM은 풍화 변수에 비해 영양염류에 대한 불확실성이 낮은 반면, DeepONet과 Informer는 그 반대로 영양염류에서 가장 높은 불안정성을 보입니다. 또한, 모델 불확실성과 수문학적 특성 간의 관계는 아키텍처에 따라 다릅니다( 그림 4E ~4J). DeepONet은 불확실성과 기준 KGE( r = -0.56, p = 0.01; 그림 4C ) 및 단순성( r = -0.52, p = 0.02; 그림 4F ) 사이에 유의미한 음의 상관관계를 보여주는데, 이는 유출량 계절성에 기반한 단순한 변수가 더 정확하고 안정적임을 시사합니다. 반면, LSTM의 불확실성은 선형성(Q와의 선형 관계에 의해 설명되는 분산의 비율로 정량화됨)이 증가함에 따라 증가합니다( r = 0.74, p < 0.001; 그림 4 H).