그러나 독립적인 고빈도 관측 자료를 사용하여 평가했을 때, LSTM은 가장 일관된 성능을 보인 반면, DeepONet은 일반화 능력이 떨어져 TP 농도를 상당히 과대평가하는 것으로 나타났습니다(편향률[PBIAS] = -12.7%; 그림 1D ~1F). 이러한 결과는 더 광범위한 신뢰성 문제를 제기합니다. 즉, 국가 데이터 세트로 훈련 및 검증된 모델은 모든 관측 환경에서 안정적으로 일반화되지 않을 수 있다는 것입니다. 영양물질 규제 및 유해 조류 번식 위험 평가와 같은 운영상의 의사결정을 지원하는 대규모 모델을 구축하려면, 대륙 규모의 정확도와 지역 규모의 신뢰성을 조화시키기 위해 유역 과정에 대한 지식, 고빈도 모니터링, 그리고 앙상블 전략을 통합해야 할 가능성이 높습니다.
다양한 모델 유형 중에서 LSTM이 전반적으로 가장 우수한 성능을 보였고, 그 다음으로 DeepONet이 뒤를 이었으며, Informer는 일반적으로 성능이 저조했습니다. 이러한 패턴은 수문학적 과정의 고유한 특성과 모델 아키텍처를 모두 반영합니다. LSTM은 순환 메모리를 활용하여 유량-수질 관계에서 계절 주기와 이력 현상을 포착하는데, 이는 많은 변수에 지배적인 영향을 미칩니다. 25 DeepONet은 광범위한 함수 관계를 학습하는 데 효과적이지만, 대륙 규모의 훈련 데이터 세트에 과적합되는 경향이 있어 지역 규모에서의 일반화 능력이 제한됩니다.