최근 기후변화 및 유역개발로 인하여 메콩강 유역의 수문환경이 급격히 변화하고 있으며, 메콩강을 공유하는 국가의 수재해 예방 및 지속가능한 수자원개발을 위해서는 메콩강 주요지점에서의 유량 정보의 분석 및 예측이 요구된다. 본 연구에서는 물리적 기반의 수문모형인 SWAT과 데이터기반 딥러닝 알고리즘인 LSTM을 이용하여 메콩강 하류 Kratie 지점의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장 단점을 비교 분석한다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며 warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie 지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다. 두 모형의 모의성능 비교 검토를 위하여 모의기간에 대해 NSE (Nash-Sutcliffe Efficiency)을 산정한 결과, SWAT은 0.9, LSTM은 보다 높은 0.99의 정확도를 나타내는 것으로 분석되었다. 메콩강과 같은 대유역의 특정 지점에 대한 수문시계열 자료의 모의를 위해서는 다양한 입력자료를 요구하는 물리적 수문모형 대신 선행 시계열자료의 변동성을 기억 학습하여 이를 예측에 반영하는 LSTM 기법 등 데이터기반의 심층신경망 모형의 적용이 가능할 것으로 판단된다.
최근 기후변화 및 유역개발로 인하여 메콩강 유역의 수문환경이 급격히 변화하고 있으며, 메콩강을 공유하는 국가의 수재해 예방 및 지속가능한 수자원개발을 위해서는 메콩강 주요지점에서의 유량 정보의 분석 및 예측이 요구된다. 본 연구에서는 물리적 기반의 수문모형인 SWAT과 데이터기반 딥러닝 알고리즘인 LSTM을 이용하여 메콩강 하류 Kratie 지점의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장 단점을 비교 분석한다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며 warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝 오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie 지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다. 두 모형의 모의성능 비교 검토를 위하여 모의기간에 대해 NSE (Nash-Sutcliffe Efficiency)을 산정한 결과, SWAT은 0.9, LSTM은 보다 높은 0.99의 정확도를 나타내는 것으로 분석되었다. 메콩강과 같은 대유역의 특정 지점에 대한 수문시계열 자료의 모의를 위해서는 다양한 입력자료를 요구하는 물리적 수문모형 대신 선행 시계열자료의 변동성을 기억 학습하여 이를 예측에 반영하는 LSTM 기법 등 데이터기반의 심층신경망 모형의 적용이 가능할 것으로 판단된다.
In recent, the hydrological regime of the Mekong river is changing drastically due to climate change and haphazard watershed development including dam construction. Information of hydrologic feature like streamflow of the Mekong river are required for water disaster prevention and sustainable water ...
In recent, the hydrological regime of the Mekong river is changing drastically due to climate change and haphazard watershed development including dam construction. Information of hydrologic feature like streamflow of the Mekong river are required for water disaster prevention and sustainable water resources development in the river sharing countries. In this study, runoff simulations at the Kratie station of the lower Mekong river are performed using SWAT (Soil and Water Assessment Tool), a physics-based hydrologic model, and LSTM (Long Short-Term Memory), a data-driven deep learning algorithm. The SWAT model was set up based on globally-available database (topography: HydroSHED, landuse: GLCF-MODIS, soil: FAO-Soil map, rainfall: APHRODITE, etc) and then simulated daily discharge from 2003 to 2007. The LSTM was built using deep learning open-source library TensorFlow and the deep-layer neural networks of the LSTM were trained based merely on daily water level data of 10 upper stations of the Kratie during two periods: 2000~2002 and 2008~2014. Then, LSTM simulated daily discharge for 2003~2007 as in SWAT model. The simulation results show that Nash-Sutcliffe Efficiency (NSE) of each model were calculated at 0.9(SWAT) and 0.99(LSTM), respectively. In order to simply simulate hydrological time series of ungauged large watersheds, data-driven model like the LSTM method is more applicable than the physics-based hydrological model having complexity due to various database pressure because it is able to memorize the preceding time series sequences and reflect them to prediction.
In recent, the hydrological regime of the Mekong river is changing drastically due to climate change and haphazard watershed development including dam construction. Information of hydrologic feature like streamflow of the Mekong river are required for water disaster prevention and sustainable water resources development in the river sharing countries. In this study, runoff simulations at the Kratie station of the lower Mekong river are performed using SWAT (Soil and Water Assessment Tool), a physics-based hydrologic model, and LSTM (Long Short-Term Memory), a data-driven deep learning algorithm. The SWAT model was set up based on globally-available database (topography: HydroSHED, landuse: GLCF-MODIS, soil: FAO-Soil map, rainfall: APHRODITE, etc) and then simulated daily discharge from 2003 to 2007. The LSTM was built using deep learning open-source library TensorFlow and the deep-layer neural networks of the LSTM were trained based merely on daily water level data of 10 upper stations of the Kratie during two periods: 2000~2002 and 2008~2014. Then, LSTM simulated daily discharge for 2003~2007 as in SWAT model. The simulation results show that Nash-Sutcliffe Efficiency (NSE) of each model were calculated at 0.9(SWAT) and 0.99(LSTM), respectively. In order to simply simulate hydrological time series of ungauged large watersheds, data-driven model like the LSTM method is more applicable than the physics-based hydrological model having complexity due to various database pressure because it is able to memorize the preceding time series sequences and reflect them to prediction.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 캄보디아 톤레삽 호수 및 베트남 메콩델타 지역의 수리·수문 변동성 평가 등 메콩강 하류 유역의 수자원 관련 분석 시 기초자료(또는 입력자료)로 활용되는 메콩강 본류 주요 지점중 하나인 Kratie 수위국의 일유량 예측을 위한 유출해석 시스템을 구축하고 그 정확도를 검증하는 것을 목적으로 하고 있다.
가설 설정
세 번째, 출력게이트(output gate, ot)는 Eq. (6)과 같이 시그 모이드 함수를 이용해서 셀 상태의 어느 부분을 출력하고자 하는지 결정하고, 마지막으로 Eq.
제안 방법
LSTM 모형의 매개변수의 경우, 민감도 분석을 통해 학습률(learning)은 0.01로 고정하였으며, 은닉층(hidden layer)은 22개, 신경망의 충분한 학습을 위하여 반복횟수(epoch)는 5000번으로 결정하였다. 마지막으로 메콩강 홍수파의 시간적 연속성을 고려하기 위해 시퀀스 길이(sequence length)를 3일, 5일, 7일로 변화시키며 모의결과의 변동성을 분석하였다.
)에 대한 유출모의를 수행하고, 그 결과를 비교·분석하였다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며, warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝 오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점 기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다.
2010년 후반부터 딥러닝과 관련된 다양한 오픈소스 소프트웨어 라이브러리가 개발·공개면서 수리·수문분야 이외에도 원격탐사, 지형학, 지질학 등 다양한 분야에서 딥러닝 알고리즘이 활용되고 있다. Table 2는 대표적인 딥러닝 오픈소스 소프트웨어 라이브러리를 정리한 것이며, 본 연구에서는 Google에서 개발한 TensorFlow를 이용하여 메콩강 유출모의 심층신경망(deep neural network)을 구축하였다. TesnsorFlow는 대규모 기계학습을 위한 강력한 오픈소스 소프트웨어 라이브러리로서 동적 다차원 배열(tensor)의 데이터 흐름을 노드(node)와 엣지(edge)로 구분하여 표현한다.
이상의 자료들은 각기 다른 공간해상도(spatial resolution)를 가지고 있으며, 본 연구에서는 MODIS LandCover 자료의 최고 해상도에 해당하는 30 arc-second (약 1 km)를 기준으로 SWAT 모형의 입력자료를 리샘플링하였다. 강우의 경우, 아시아 지역의 지점강우자료를 이용하여 보정 후 격자기반의 강우장(rainfall field) 형태로 제공하는 APHRODITE (Asian Precipitation Highly Resolved Observational Data Integration Towards Evaluation of Water Resources)의 2000년부터 2007년까지의 일강우를 수집하여 30개 HRU에 대한 면적강수량으로 환산한 후 적용하였다. 또한 기타 기상자료인 상대습도, 풍속, 기온, 일사량의 자료는 메콩강 공유국가별 주요도시의 월평균 자료를 사용하였다.
TensorFlow의 LSTM 모형의 학습 및 예측을 위해 가능한 장기간의 수위자료가 요구됨에 따라 본 연구에서는 비교적 자료의 양적, 질적 신뢰성이 확보되고, 모든 관측소가 해당기간의 자료를 확보하고 있는 2000년부터 2014년 8월까지의 일수위 자료를 획득하였다. 또한, Kratie 지점보다 상류에 위치한 Table 4의 9개 관측소 이외의 Mukdahan (태국) 관측소의 수위자료도 획득하여 총 10개 관측소의 일수위자료를 이용하여 LSTM 모형을 학습시키고, SWAT 모형과 동일하게 2003~2007년에 대해 Kratie 지점의 수위를 예측한 후, 수위유량관계곡선식을 이용하여 유량으로 환산하였다. 유량 자료를 사용하지 않은 이유는 MRC에서는 Table 4의 몇몇 지점에 대해서는 유출량 정보를 직접 제공하지 않으며, 수위-유량 관계곡선식 역시 많은 불확실성을 내포하고 있고 이는 신경망 학습 시 왜곡을 발생시킬 수 있기 때문에 본 연구에서는 LSTM 모형을 이용하여 Kratie 수위를 모의 후 이를 유량으로 환산하여 모의결과를 분석하였다.
또한, SWAT-CUP (Calibration and Uncertainty Program)의 SUFI-2 (Sequential Uncertainty Fitting-version 2) 알고리즘을 이용하여 4개(Nong Khai, Mukdahan, Khong Chaim, Kratie) 관측소의 관측유량을 이용하여, 모형의 매개변수를 보정하였다. 매개변수의 경우, Shrestha et al.
01로 고정하였으며, 은닉층(hidden layer)은 22개, 신경망의 충분한 학습을 위하여 반복횟수(epoch)는 5000번으로 결정하였다. 마지막으로 메콩강 홍수파의 시간적 연속성을 고려하기 위해 시퀀스 길이(sequence length)를 3일, 5일, 7일로 변화시키며 모의결과의 변동성을 분석하였다. 예를 들어 시퀀스 길이가 3일일 경우, Kratie 지점기준 상류 10개 관측소의 현재 t일의 수위를 Ht, 1일 전의 수위를 Ht-1, 2일 전의 수위 Ht-2라 하면 10개 관측소의 연속된 3일 데이터 구조가 심층신경망 모형에 계속적으로 학습되고, 다음 날의 Kratie 수위인 #가 예측결과로 도출되게 된다.
또한, SWAT-CUP (Calibration and Uncertainty Program)의 SUFI-2 (Sequential Uncertainty Fitting-version 2) 알고리즘을 이용하여 4개(Nong Khai, Mukdahan, Khong Chaim, Kratie) 관측소의 관측유량을 이용하여, 모형의 매개변수를 보정하였다. 매개변수의 경우, Shrestha et al. (2013)에 의해 메콩강 유역 중 라오스의 Nam Ou 유역에 적용된 바 있는 11개의 매개변수를 선택하였으며, 최소 및 최대범위를 지정하여 2000번의 반복수행을 통해 최적 매개변수를 도출하였다.
SWAT 모형을 이용한 메콩강 본류 Kratie 지점에서의 강우유출 모의를 위해서는 기초자료(수문기상, 지형, 토지이용, 토양 등)의 수집 및 가공이 필요하다. 본 연구에서는 Fig. 2(b)와 같이 기초자료 획득이 어려운 메콩캉 상류지역을 제외하고 Luang Prabang 지점으로부터 Kratie 지점까지의 유역에 대해서 기초자료를 획득하여 모형을 구축하였으며, 메콩강 상류의 유입량을 고려하기 위해 Luang Prabang 지점의 수위-유량관계곡선식을 모형의 상류 경계조건으로 적용하였다(Lee et al., 2018).
본 연구에서는 물리적 강우-유출 모형인 SWAT과 심층신경망 모형인 LSTM 모형을 이용하여 메콩강 본류 Kratie 지점 상류 대유역(646,000 km2)에 대한 유출모의를 수행하고, 그 결과를 비교·분석하였다.
또한, Kratie 지점보다 상류에 위치한 Table 4의 9개 관측소 이외의 Mukdahan (태국) 관측소의 수위자료도 획득하여 총 10개 관측소의 일수위자료를 이용하여 LSTM 모형을 학습시키고, SWAT 모형과 동일하게 2003~2007년에 대해 Kratie 지점의 수위를 예측한 후, 수위유량관계곡선식을 이용하여 유량으로 환산하였다. 유량 자료를 사용하지 않은 이유는 MRC에서는 Table 4의 몇몇 지점에 대해서는 유출량 정보를 직접 제공하지 않으며, 수위-유량 관계곡선식 역시 많은 불확실성을 내포하고 있고 이는 신경망 학습 시 왜곡을 발생시킬 수 있기 때문에 본 연구에서는 LSTM 모형을 이용하여 Kratie 수위를 모의 후 이를 유량으로 환산하여 모의결과를 분석하였다.
유출해석을 위해 MRC의 기본 수문해석모형으로 사용되고 있는 SWAT과 Google에서 제공하는 딥러닝 오픈소스 라이브러리 TensorFlow의 LSTM을 이용하여 2003년부터 2007년까지의 메콩강 Kratie 수위국 지점에서의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장·단점을 비교·분석한다.
수치표고모형(DEM) 자료는 USGS에서 제공하는 HydroSHED (Hydrological data and maps based on SHuttle Elevation Derivatives at multiple Scales), 토지이용도는 GLCF (Global Land Cover Facility)에서 제공하는 MODIS LandCover, 토양도는 FAO (Food and Agriculture Organization of the United Nations)에서 제공하는 자료를 이용하였다. 이상의 자료들은 각기 다른 공간해상도(spatial resolution)를 가지고 있으며, 본 연구에서는 MODIS LandCover 자료의 최고 해상도에 해당하는 30 arc-second (약 1 km)를 기준으로 SWAT 모형의 입력자료를 리샘플링하였다. 강우의 경우, 아시아 지역의 지점강우자료를 이용하여 보정 후 격자기반의 강우장(rainfall field) 형태로 제공하는 APHRODITE (Asian Precipitation Highly Resolved Observational Data Integration Towards Evaluation of Water Resources)의 2000년부터 2007년까지의 일강우를 수집하여 30개 HRU에 대한 면적강수량으로 환산한 후 적용하였다.
대상 데이터
TensorFlow의 LSTM 모형의 학습 및 예측을 위해 가능한 장기간의 수위자료가 요구됨에 따라 본 연구에서는 비교적 자료의 양적, 질적 신뢰성이 확보되고, 모든 관측소가 해당기간의 자료를 확보하고 있는 2000년부터 2014년 8월까지의 일수위 자료를 획득하였다. 또한, Kratie 지점보다 상류에 위치한 Table 4의 9개 관측소 이외의 Mukdahan (태국) 관측소의 수위자료도 획득하여 총 10개 관측소의 일수위자료를 이용하여 LSTM 모형을 학습시키고, SWAT 모형과 동일하게 2003~2007년에 대해 Kratie 지점의 수위를 예측한 후, 수위유량관계곡선식을 이용하여 유량으로 환산하였다.
강우의 경우, 아시아 지역의 지점강우자료를 이용하여 보정 후 격자기반의 강우장(rainfall field) 형태로 제공하는 APHRODITE (Asian Precipitation Highly Resolved Observational Data Integration Towards Evaluation of Water Resources)의 2000년부터 2007년까지의 일강우를 수집하여 30개 HRU에 대한 면적강수량으로 환산한 후 적용하였다. 또한 기타 기상자료인 상대습도, 풍속, 기온, 일사량의 자료는 메콩강 공유국가별 주요도시의 월평균 자료를 사용하였다. Fig.
수치표고모형(DEM) 자료는 USGS에서 제공하는 HydroSHED (Hydrological data and maps based on SHuttle Elevation Derivatives at multiple Scales), 토지이용도는 GLCF (Global Land Cover Facility)에서 제공하는 MODIS LandCover, 토양도는 FAO (Food and Agriculture Organization of the United Nations)에서 제공하는 자료를 이용하였다. 이상의 자료들은 각기 다른 공간해상도(spatial resolution)를 가지고 있으며, 본 연구에서는 MODIS LandCover 자료의 최고 해상도에 해당하는 30 arc-second (약 1 km)를 기준으로 SWAT 모형의 입력자료를 리샘플링하였다.
데이터처리
7(a)와 같다. 모의결과의 정확도를 정량화 하기 위해 RMSE (Root mean square error)와 NSE (NashSutcliffe Efficiency), R2(Coefficient of determination)를 산정하였으며, 개별 수식은 Eqs. (8)~(10)과 같다.
이론/모형
4는 2000년부터 2104년까지 Table 4의 수위관측소별일수위 시계열 자료를 나타내며, 점선 구간은 LSTM 모형의 9년 8개월의 학습기간(2000~2002년, 2008~2014년 8월), 실선 구간은 학습된 LSTM 모형의 예측기간(2003~2007년, 5개년)을 나타낸다. 본 연구의 목적은 메콩강 본류의 장기 유출량의 거동을 분석하는 것이기 때문에 학습구간을 홍수기와 갈수기로 구분하지 않고, 전 기간에 대한 연속적인 수위자료를 LSTM 모형에 적용하였다.
유출량은 각각의 HRU에 대해 독립적으로 계산되며, 하도추적과정을 통해 유역 최종 출구지점에서의 유출량을 산정할 수 있다. 하도추적(river routing)은 Muskingum 또는 변동저류계수방법(variable storage coefficient method)에 의하여 계산된다.
성능/효과
LSTM 모형의 모의결과는 Table 6과 같이 시퀀스 길이의 조정에도 불구하고, 모든 결과에 대한 NSE 및 R2가 0.99 이상으로 매우 우수하게 산정되었으며, RMSE는 시퀀스 길이가 길어짐에 따라 약 10 m3/s씩 미세하게 감소, 평균적으로 약 330 m3/s의 오차가 발생하는 것으로 나타났다. Fig.
7은 관측유량대비 오차(모의유량-관측유량)의 비인 상대오차율(%)을 나타내고 있으며, +는 과대모의, -는 과소모의를 의미한다. SWAT 모형은 모의기간에 대해 평균적으로-11.2%의 상대오차율을 나타냈으며, 최대 294%, 최소 -76%의 범위로 매우 불규칙하게 분포된 반면, LSTM 모형은 평균적으로 -0.5%, 최대 10%, 최소 12%의 상대오차율을 나타내는 것으로 분석되었다.
SWAT 모형의 정확도를 검토한 결과 RMSE는 3941.71 m3/s, NSE는 0.9, R2는0.91로 산정되어 Table 1의 타 연구결과와 비교하여도 비교적 우수하게 모의되었으며, Fig. 5(a)에서 나타난 바와 같이 모의기간 전반에 걸쳐 유출량 변동성이 비슷하게 모의된 것으로 나타났다. 다만, 홍수기 시 년도별 첨두값의 경우, 2003년과 2007년은 비교적 정확하게 모의된 반면, 2004~2006년은 첨두 발생일시와 첨두량이 불일치하는 것으로 분석되었다.
94로 불규칙하게 나타난 것으로 분석되었다. Table 1에서 메콩강 본류의 유출모의에 관한 연구는 굵은 글씨체로 표기된 바와 같이 HYMOD, VMod, GBHM 등 각기 다른 모형으로 적용된 바 있으며, 상기 SWAT 모형을 이용한 메콩강 지류 유출해석 결과와 달리 메콩강 본류 유출모의에 대한 모형의 정확도는 비교적 안정적으로 산정된 것으로 나타났으나 물리적(physics-based) 분포형 모형인 VMod와 GBHM 모형과 달리 유역을 몇 개의 저수지로 개념화한 비교적 간단한 개념적(conceptual) 수문모형인 HYMOD 모형 역시 우수한 결과를 제공하는 것으로 나타났다.
다만, 이러한 물리적 모형은 그 복잡성으로 인해 모형구조, 격자스케일, 매개변수 등에서 불확실성 문제가 발생할 수도 있으며, 자료구축 및 모의시간 등에서도 제약을 받기도 한다. 따라서 특정 지점에서의 시계열 분석이 목적일 경우, 종속변수에 영향을 미칠 수 있는 가용한 모든 독립변수를 데이터화하여 특정 시점의 시계열 예측에 있어 선행 정보를 기억하고, 이를 예측에 반영하는 LSTM 모형은 수문자료 시계열 예측에 있어 강우-유출 모형을 대체할 수 있으리라 판단된다.
99로 매우 우수하게 산정되었으며, RMSE는 평균적으로 약 330 m3/s의 오차가 발생하는 것으로 나타났다. 또한 SWAT 모형은 저유량과 고유량 부분에서 정확도가 불규칙한 반면, LSTM 모형은 유량의 고저에 상관없이 매우 안정적으로 유출 모의결과를 제공하는 것으로 분석되었다.
여기서, t-stat값은 각 매개변수 값을 매개 변수별 표준편차로 나눈값으로 매개변수별 상대적인 민감도를 의미하며, 절댓값이 클수록 목적함수 값에 대한 민감도가 높음을 의미한다. 매개변수 추정결과, 기저유량감소계수인 ALPHA_BF의 t-stat값범위가 29.5로 11개의 매개변수 중 다른 매개변수에 비해 가장 민감하게 반응하는 것으로 나타났다.
본 연구에서 구축한 SWAT 모형의 정확도를 정량적으로 평가한 결과는 RMSE: 3941.71 m3/s, NSE: 0.9, R2: 0.91로 유출량의 시간적 변동성을 기수행된 타 연구결과에 비해 우수한 것으로 분석되었으나, 일부 기간에 대해서는 모의결과가 과대산정되거나 과소산정되었다. 이에 반해 LSTM 모형은 NSE 및 R2가0.
91로 유출량의 시간적 변동성을 기수행된 타 연구결과에 비해 우수한 것으로 분석되었으나, 일부 기간에 대해서는 모의결과가 과대산정되거나 과소산정되었다. 이에 반해 LSTM 모형은 NSE 및 R2가0.99로 매우 우수하게 산정되었으며, RMSE는 평균적으로 약 330 m3/s의 오차가 발생하는 것으로 나타났다. 또한 SWAT 모형은 저유량과 고유량 부분에서 정확도가 불규칙한 반면, LSTM 모형은 유량의 고저에 상관없이 매우 안정적으로 유출 모의결과를 제공하는 것으로 분석되었다.
특히, 본 연구에서 이용한 TensorFlow는 GPU 환경에서도 딥러닝을 구현할 수 있도록 라이브러리를 제공하므로 학습 및 모의에 걸리는 연산시간을 감축함으로써 향후 빅데이터 기반의 수문시계열 예측모형으로 확장이 가능하다. 특히, 메콩강과 같은 대유역에서 홍수예경보 시스템 구축 시 예측 강우정보의 획득이 불가능하거나 저해상도의 예측강우정보를 이용할 수 밖에 없는 경우, 이러한 심층신경망 모형은 홍수 예측을 위한 중요한 도구로서 활용이 가능할 것이다.
후속연구
특히, 본 연구에서 이용한 TensorFlow는 GPU 환경에서도 딥러닝을 구현할 수 있도록 라이브러리를 제공하므로 학습 및 모의에 걸리는 연산시간을 감축함으로써 향후 빅데이터 기반의 수문시계열 예측모형으로 확장이 가능하다. 특히, 메콩강과 같은 대유역에서 홍수예경보 시스템 구축 시 예측 강우정보의 획득이 불가능하거나 저해상도의 예측강우정보를 이용할 수 밖에 없는 경우, 이러한 심층신경망 모형은 홍수 예측을 위한 중요한 도구로서 활용이 가능할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
메콩강은 어떠한 강인가?
메콩강은 동남아시아 6개국을 관통하는 국가공유 하천이며 하천길이는 약 4,350 km, 유역면적은 795,000 km2으로 세계에서 12번째로 길고, 10번째로 수량이 많은 강이다. 메콩강은 중국 칭하이 성에서 발원하여 중국 운남성과 미얀마, 태국, 라오스, 캄보디아, 베트남을 거쳐 남중국해로 흐르고 주변국에 대한 사회·경제적 영향력이 막대한 동남아시아의 주요 국가공유하천이다.
TesnsorFlow는 동적 다차원 배열(tensor)의 데이터 흐름을 노드(node)와 엣지(edge)로 구분하여 표현하는데, 노드와 엣지는 어떠한 것인가?
TesnsorFlow는 대규모 기계학습을 위한 강력한 오픈소스 소프트웨어 라이브러리로서 동적 다차원 배열(tensor)의 데이터 흐름을 노드(node)와 엣지(edge)로 구분하여 표현한다. 노드는 수학적 연산, 데이터의 입·출력, 데이터의 읽기·저장 등의 작업을 수행하며, 엣지는 노드간의 데이터의 입출력 관계를 나타낸다. 즉, TensorFlow를 이용한 신경망 모형에서 노드는 신경망의 각 레이어(layer)에서 입·출력 활성화 함수(activation function) 설정 및 입·출력 정보 생성 등을 결정하며, 엣지는 레이어별 뉴런(neuron)을 연결하는 가중치(weight) 정보를 포함하게 된다.
MRC에서는 메콩강 유역의 소유역 (sub-basin) 또는 지류(tributary)의 수문해석을 위한 기본모형으로 무엇을 활용하는가?
유역개발 및 기후변화 등과 관련하여 메콩강 유역의 유출해석을 위한 많은 연구들이 수행되었으며, 이에 관한 최신 연구는 Table 1과 같다. MRC에서는 메콩강 유역의 소유역 (sub-basin) 또는 지류(tributary)의 수문해석을 위한 기본모형으로 SWAT (Soil and Water Assessment Tool)을 활용하고 있으며, 실제로 Table 1과 같이 강우-유출 해석과 관련된 많은 연구들이 SWAT 모형을 이용하여 수행되었으며, 국가별 대상유역에 따라 정확도 평가지수인 NSE (Nash-Sutcliffe Efficiency)가 -7.98~0.
참고문헌 (25)
Baran, E., and Myschowoda, C. (2009). "Dams and fisheries in the Mekong basin." Aquatic Ecosystem Health & Management, Vol. 12, No. 3, pp. 227-234.
Environmental Protection Agency (2017). An overview of rainfall- runoff model types. EPA Report, EPA/600/R-14/152, p. 30.
Hitogoto, M., Sakuraba, M., and Sei, Y. (2016) "Development of the real-time river stage prediction method using deep learning." Annual Journal of Hydraulic Engineering (B1), JSCE, Vol. 72, No. 4, pp. 187-192.
Hochreiter, S., and Schmidhuber, J. (1997). "Long short-term memory." Neural Computation, Vol. 9, No. 8, pp. 1735-1780.
Jung, S. H., Lee, D. E., and Lee, K. S. (2018), "Prediction of river water level using deep-learning open library." Journal of the Korean Society of Hazard Mitigation, Vol. 18, No. 1, pp. 1-11.
Kim, S., and Tachikawa, Y. (2018), "Real-time river-stage prediction with artificial neural network based on only upstream observation data." Annual Journal of Hydraulic Engineering, JSCE, Vol. 62, pp. 1375-1380.
Kokkonen, T. S., and Jakeman, A. J. (2001), "A comparison of metric and conceptual approaches in rainfall-runoff modeling and its implications." Water Resources Research, Vol. 37, No. 9, pp. 2345-2352.
Kummu, M., Tes, S., Yin, S., Adamson, P., Jozsa, J., Koponen, J., Richey, J., and Sarkkula, J. (2014), "Water balance analysis for the Tonle Sap lake-floodplain system." Hydrological Processes, Vol. 28, pp. 1722-1733.
Lauri, H., Rasanen, T. A., and Kummu, M. (2014). "Using reanalysis and remotely sensed temperature and precipitation data for hydrological modeling in monsoon climate: Mekong river case study." Journal of Hydrometeorology, Vol. 15, No. 4, pp. 1532-1545.
Lee, D. E., Yu, W. S., and Lee G. H. (2018), "Large scale rainfall-runoff analysis using SWAT model: Case study: Mekong river basin", Journal of the Korean Society of Agricultural Engineers, Vol. 60, No. 1, pp. 47-57.
Lee, G. H. (2008). Assessment of prediction uncertainty due to various sources involved in rainfall-runoff modeling. Doctoral Thesis, Kyoto University, Japan.
Minns, A. W., and Hall, M. J. (1996), "Artificial neural networks as rainfall-runoff models." Hydrological Sciences Journal, Vol. 41, No. 3, pp. 399-417.
MRC (2009), The flow of the Mekong. MRC management information booklet series, No. 2, p. 16.
Olah, C. (2015). "Understanding lstm networks." GITHUB blog, http://colah.github.io/posts/2015-08-Understanding-LSTMs/.
Raghavan, S. V., Vu, M. T., and Liong, S. Y. (2012). "Assessment of future stream flow over the Sesan catchment of the lower Mekong basin in Vietnam." Hydrological Processes, Vol. 26, No. 24, pp. 3661-3668.
Reungsang, P., Kanwar, R. S., and Srisuk, K. (2010). "Application of SWAT model in simulating stream flow for the Chi river Subbasin II in Northeast Thailand." Trends Research in Science and Technology, Vol. 2, No. 1, pp. 23-28.
Shreenivas, L., and Shrikant, C. (2010) "Comparison of data driven modelling techniques for river flow forecasting." Hydrological Sciences Journal, Vol. 55, No. 7, pp. 1163-1174.
Shrestha, B., Babel, M. S., Maskey, S., Griensven, A. V., Uhlenbrook, S., Green, A., and Akkharath, I. (2013). "Impact of climate change on sediment yield in the Mekong river basin: a case study of the Nam Ou basin, Lao PDR." Hydrology and Earth System Sciences, Vol. 17, No. 1, pp. 1-20.
Sok, K., and Oeurng, C. (2016). "Application of HEC-HMS model to assess streamflow and water resources availability in Stung Sangker Catchment of Mekong' Tonle Sap lake basin in Cambodia." Preprints, 2016, 28 December.
Sun, W. C., Ishidaira, H., and Bastola, S. (2010). "Towards improving river discharge estimation in ungauged basins: calibration of rainfall-runoff models based on satellite observations of river flow width at basin outlet." Hydrology and Earth System Sciences, Vol. 14, No. 10, pp. 2011-2022.
Tran, Q. K., and Song, S. K. (2017). "Water level forecasting based on deep learning: a use case of rinity river-Texas-The United States." Journal of KIISE, Vol. 44, No. 6, pp. 607-612.
Vilaysane, B., Takara, K., Luo, P., Akkharath, I., and Duan, W. (2015). "Hydrological stream flow modelling for calibration and uncertainty analysis using SWAT model in the Xedone river basin, Lao PDR." Procedia Environmental Sciences, Vol. 28, pp. 380-390.
Vu, M. T., Raghavan, S. V., and Liong, S. Y. (2012). "SWAT use of gridded observations for simulating runoff - A Vietnam river basin study." Hydrology and Earth System Sciences, Vol. 16, No. 8, pp. 2801-2811.
Wang, W., Lu, H., Yang, D., Sothea, K., Jiao, Y., Gao, B., Peng, X., and Pang, Z. (2016). "Modelling hydrologic processes in the Mekong river basin using a distributed model driven by satellite precipitation and rain gauge observations." PloS one, Vol. 11, No. 3, e0152229.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.