중요한 것은 MC 드롭아웃과 TTA 간의 차이가 LSTM 예측이 입력값 변화에 대해서는 안정적으로 보일 수 있지만, 모델 불확실성을 고려하면 구조적으로 불안정할 수 있음을 보여준다는 점입니다. 따라서 TTA는 예측 불안정성의 하한값을 제공하는 반면, MC 드롭아웃은 특히 영양소 변수에서 모델의 더 깊은 인식론적 불확실성을 포착합니다.

이러한 결과는 세 가지 과제를 강조합니다. 첫째, 총 최대 일일 부하량 평가, 조류 발생 완화 및 유역 복원에 중요한 영양 변수와 퇴적물은 예측 불확실성이 가장 커서 운영상의 유용성을 크게 저해합니다. 둘째, LSTM은 전반적인 TTA 불확실성을 낮추는 것으로 나타났지만, Q가 지배적인 영역에서의 불안정성은 보다 발전된 전략의 필요성을 시사합니다. 셋째, 영양 및 풍화 변수에 대한 모니터링 데이터가 부족하여 불확실성이 악화되며, 특히 UD 영역에서 이러한 현상이 두드러지므로 관측 네트워크 확장이 필요합니다. 이러한 결과는 예측 불확실성을 명확하게 정량화하고 관리 워크플로에 통합해야 하며, 아키텍처 선택, 데이터 큐레이션 및 불확실성 인식 훈련 36 , 37 , 38 , 39 이 수질 관리에서 AI를 신뢰할 수 있게 적용하기 위한 필수적인 단계임을 시사합니다.