[논문]장기 기후 변동성을 고려한 인공신경망 앙상블 모형 적용: 한강 유역 댐 유입량 예측을 중심으로

김태림; 주경원; 조완희; 허준행

doi:10.17663/jwr.2019.21.s-1.61

장기 기후 변동성을 고려한 인공신경망 앙상블 모형 적용: 한강 유역 댐 유입량 예측을 중심으로
Application of Artificial Neural Network Ensemble Model Considering Long-term Climate Variability: Case Study of Dam Inflow Forecasting in Han-River Basin 원문보기

한국습지학회지 = Journal of wetlands research, v.21 no.spc, 2019년, pp.61 - 68

김태림 (연세대학교 건설환경공학과) , 주경원 (연세대학교 건설환경공학과) , 조완희 (K-Water 통합물관리처) , 허준행 (연세대학교 건설환경공학과)

초록
AI-Helper

최근 장기적인 기후 변동성을 고려하기 위하여 대기-해양 순환 패턴을 수치화한 기상인자가 수문 변수 예측에 널리 사용되고 있다. 또한 정확하고 안정적인 예측을 위해 인공신경망 기반의 예측 모형이 꾸준히 발전하고 있다. 기상인자를 활용하여 기후 변동성을 고려한 수문량 예측은 수자원 및 환경 보존의 장기적인 관리에 효율적으로 활용될 수 있으므로 수문 변수에 유의한 인자의 파악과 이를 활용한 예측 모형의 적용은 꾸준한 도전이 될 것이다. 본 연구에서는 우리나라 한강 유역 댐 유입량에 통계적으로 유의한 상관성이 있는 대표 기상인자를 선정하고, 이를 인공신경망 앙상블 모형에 적용하여 댐 유입량 예측을 수행하였다. 이를 위해 앙상블 경험적 모드분해법을 활용하여 댐 유입량과 기상인자간의 통계적 상관성을 확인하였으며, 기존 단일 인공신경망 모형의 한계를 보완한 인공신경망 앙상블 모형을 구축하였다. 예측 수행 결과, 5개 댐 상관계수 평균이 훈련 기간에서 0.88, 검증 기간에서 0.68의 예측력을 보이는 것을 확인하였으며, 본 연구에서의 절차를 토대로 우리나라의 다양한 수문 변수와 기후 변동성간의 관계를 활용한 다양한 적용 사례가 나오길 기대한다.

Abstract ▼ AI-Helper

Recently, climate indices represented by quantifying atmospheric-ocean circulation patterns have been widely used to predict hydrologic variables for considering long-term climate variability. Hydrologic forecasting models based on artificial neural networks have been developed to provide accurate and stable forecasting performance. Forecasts of hydrologic variables considering climate variability can be effectively used for long-term management of water resources and environmental preservation. Therefore, identifying significant indicators for hydrologic variables and applying forecasting models still remains as a challenge. In this study, we selected representative climate indices that have significant relationships with dam inflow time series in the Han-River basin, South Korea for applying the dam inflow forecasting model. For this purpose, the ensemble empirical mode decomposition(EEMD) method was used to identify a significance between dam inflow and climate indices and an artificial neural network(ANN) ensemble model was applied to overcome the limitation of a single ANN model. As a result, the forecasting performances showed that the mean correlation coefficient of the five dams in the training period is 0.88, and the test period is 0.68. It can be expected to come out various applications using the relationship between hydrologic variables and climate variability in South Korea.

주제어

표/그림 (8)

그림 Fig. 1. Structure of ANN ensemble model used in this study.
표 Table 1. Basic information of five dams used in this study.
표 Table 2. List of climate indices used in this study.
그림 Fig. 2. Geographic location of five dams in Han-River basin.
표 Table 3. Climate indices and the highest correlation coefficients with the IMFs in five dams.
그림 Fig. 3. Results of EEMD in five dams.
표 Table 4. Statistical measurement of model performance during training and test periods in five dams.
그림 Fig. 4. Results of inflow forecasting using ANN ensemble model during training and test periods.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 국내 수문 자료에 영향을 미치는 장기 기후 변동성을 고려한 예측을 수행하고자 한다. 이를 위해 EEMD를 활용하여 댐 유입량 자료의 내재된 주기를 추출한 후 다양한 기상인자와의 상관성 분석을 통해 한강 유역의 5개 댐 유입량 시계열과 유의한 상관성을 보이는 대표 기상인자를 선정하였다.
이에 따라, 통계적 및 인공지능 기법과 모형은 다양한 적용을 통해 발전하고 있다. 본 연구에서는 우리나라 한강 유역 댐 유입량에 영향을 미치는 대표 기상인자를 선정하고 이를 활용한 ANN 앙상블 모형을 구축하여 댐 유입량 예측을 수행하였다. 선정된 NINO12(-5), QBO(-1), AMO(-12)인자는 우리나라 댐 유입량에 통계적으로 유의한 상관성을 가지고 보였다.

제안 방법

1). n개의 입력 자료가 있다고 가정했을 때 초기 가중치의 불확실성을 고려하기 위하여 단일 ANN 모형을 30번 구축하여 앙상블을 생성하고, 은닉층의 최적 노드 수 선정의 불확실성을 고려하기 위하여 최소 노드 수(2) 부터 최대 노드 수(N) 까지 각각 단일 ANN 모형을 구축하고 앙상블을 생성하였다. 여기서 최대 노드 수(N)는 입력 자료의 개수로 설정하였다.
각 댐별로 3.2장에서 선정된 대표 기상인자(NINO12(-5), QBO(-1), AMO(-12)) 와 12개월, 24개월, 36개월 지연된 자체 유입량을 입력 변수로 ANN 앙상블 모형을 구축하고 댐유입량 예측을 수행하였다. 모형의 훈련 및 검증을 위해 관측 자료의 시작부터 2014년 12월까지를 훈련 기간으로 설정하고, 2015년 1월부터 2017년 12월까지(최근 3년)를 검증 기간으로 설정하였다.
본 연구에서는 국내 수문 자료에 영향을 미치는 장기 기후 변동성을 고려한 예측을 수행하고자 한다. 이를 위해 EEMD를 활용하여 댐 유입량 자료의 내재된 주기를 추출한 후 다양한 기상인자와의 상관성 분석을 통해 한강 유역의 5개 댐 유입량 시계열과 유의한 상관성을 보이는 대표 기상인자를 선정하였다. 최종적으로 선정된 기상인자를 입력 변수로 하는 ANN 앙상블 모델을 구축하고 예측 성능을 살펴보았다.
이를 위해 EEMD를 활용하여 댐 유입량 자료의 내재된 주기를 추출한 후 다양한 기상인자와의 상관성 분석을 통해 한강 유역의 5개 댐 유입량 시계열과 유의한 상관성을 보이는 대표 기상인자를 선정하였다. 최종적으로 선정된 기상인자를 입력 변수로 하는 ANN 앙상블 모델을 구축하고 예측 성능을 살펴보았다.
한강 유역 댐 유입량과 기상인자 간의 통계적 상관성을 분석하기 위한 절차로 댐 유입량 시계열을 EEMD를 통해 분해하였다. 각 댐별 IMF와 기상인자와 교차 상관성 분석을 통해 IMF별로 가장 높은 상관 계수를 갖는 기상인자를 선정하였고, 이 중에서 가장 많이 선정된 상위 3개 기상인자를 한강 유역을 대표하는 최적 기상인자로 선정하였다.

대상 데이터

한강 유역 댐 유입량과 기상인자 간의 통계적 상관성을 분석하기 위한 절차로 댐 유입량 시계열을 EEMD를 통해 분해하였다. 각 댐별 IMF와 기상인자와 교차 상관성 분석을 통해 IMF별로 가장 높은 상관 계수를 갖는 기상인자를 선정하였고, 이 중에서 가장 많이 선정된 상위 3개 기상인자를 한강 유역을 대표하는 최적 기상인자로 선정하였다.
2장에서 선정된 대표 기상인자(NINO12(-5), QBO(-1), AMO(-12)) 와 12개월, 24개월, 36개월 지연된 자체 유입량을 입력 변수로 ANN 앙상블 모형을 구축하고 댐유입량 예측을 수행하였다. 모형의 훈련 및 검증을 위해 관측 자료의 시작부터 2014년 12월까지를 훈련 기간으로 설정하고, 2015년 1월부터 2017년 12월까지(최근 3년)를 검증 기간으로 설정하였다.
본 연구에서는 우리나라 한강 유역에 영향을 미치는 기상인 자를 고려한 댐 유입량 예측을 수행하기 위해 미국 해양 대기 관리/지구 시스템 연구소(NOAA/ESRL)에서 제공하는 월 단위 기상인자와 한국수자원공사 관할 5개 댐의 월 평균 유입량 자료를 이용하였다. Fig.
최종적으로 5개월 지연된 NINO12인자, 1개월 지연된 QBO 인자, 12개월 지연된 AMO인자(NINO12(-5), QBO(-1), AMO(-12))가 한강 유역의 댐 유입량과 통계적 상관성을 가지는 대표 기상인자로 선정되었으며, 이는 우리나라 강우 자료와 기상인자와의 상관성을 발견한 Kim et al. (2018)의 선행 연구 결과와 비슷한 결과를 보인다.

데이터처리

그러나 높은 불확실성에도 불구하고 극심한 가뭄이 기록된 2015년을 제외하고는 앙상블의 중앙 값을 통한 예측에서 관측 유입량과 상당히 근사한 예측 결과를 보이는 것을 시각적으로 확인할 수 있다. 이러한 결과를 자세히 살펴보기 위해 r(correlation coefficient) 및 RMSE(root mean square error)를 통해 예측력을 확인하였다. r값의 경우, 식 (3)에서 k=0일 경우와 동일하게 계산되며, RMSE는 Eq.

이론/모형

이러한 노드들은 뉴런을 연결하는 시냅스의 역할과 같이 연결 강도를 매개변수로 하여 이어지고 비선형 형태의 함수를 통해 출력되는 학습 과정을 통해 예측을 수행한다(Moradi and Lee, 2018). 본 연구에서는 단일 ANN 모형의 두 가지 한계점을 보완하기 위하여 ANN 앙상블 모형을 구축하였다(Fig. 1).

성능/효과

분해가 진행됨에 따라 다양한 주기의 IMF가 추출되고, 최종적으로 장기 경향을 나타내는 residue가 남게된다. 따라서 EEMD를 통해 추출된 IMF는댐 유입량 시계열에 내재된 다양한 주기 및 장기 경향의 정보가 있으며 이를 통해 원자료 시계열보다 정확한 통계적 분석이 가능하다.
먼저 훈련 기간을 살펴보면, 전체 댐에서 ANN 앙상블 예측 결과가 실제 관측된 유입량의 흐름을 잘 반영하고 있는 것을 볼 수 있다. 따라서 한강 유역의 댐을 기준으로 선정된 대표 기상인자와 자체 유입량은 ANN 앙상블 모형 구축에 적절한 입력 자료로 사용될 수 있음을 확인하였다. 검증 기간에서의 예측력을 살펴 보면, 앙상블 밴드가 다소 넓어져 단일 인공신경망에 포함된 불확실성을 확인할 수 있다.
그 다음으로 5개 댐 중 3개 댐에서 QBO 인자와 AMO 인자가 각각 중기 및 장기 경향을 나타내는 IMF와 통계적 상관성이 있음을 보였으며, 시차는 대체 적으로 1개월과 12개월이 선정되었다. 이러한 결과를 통해 적도 지역의 30mb 고도에서의 위도 간 바람장으로 정의되는 QBO인자와 우리나라 유입량에 내재된 중기 경향과의 비교적 짧은 지연 시간을 통한 상관성 및 북대서양 해수면 온도 관련 기상인자인 AMO인자와 유입량간의 장기적인 상관성을 확인할 수 있다.
기후 변화의 영향과 함께 보고되고 있는 기후 변동성은 수문 변수에 장기적으로 영향을 미치고 있다. 인간 활동으로 인한 기후 변화의 영향뿐만 아니라 대규모 대기-해양 시스템에 내재되어 장기적 기후 변동성을 고려한 수문량 예측은 수자원 및 환경 보존의 효율적인 관리에 매우 중요해질 것으로 보인다. 이에 따라 장기 기후 변동성을 고려하여 예측에 적용하는 연구가 확대되고 있으며, 특히 세계 기후 시스템의 광범위한 기후 모드를 나타내는 미국 해양 대기관리/지구 시스템 연구소(NOAA/ESRL)에서 제공하는 기상인자를 활용한 연구가 활발하게 진행되고 있다(Schepen et al.
선정된 NINO12(-5), QBO(-1), AMO(-12)인자는 우리나라 댐 유입량에 통계적으로 유의한 상관성을 가지고 보였다. 해당 기상 인자를 입력 변수로 활용하여 ANN 앙상블 모형을 적용한 결과, 5개 댐 상관계수 평균이 훈련 기간에서 0.88, 검증 기간에서 0.68로 나타났으며 ANN 앙상블의 범위를 통해 기존 단일 ANN 모형이 가지고 있는 한계를 보완하고 보다 안정적인 예측 결과를 제공하는 것을 확인하였다. 추후 본 연구에서 제시한 절차를 기반으로 우리나라 장기 수문량 예측 분석 및 개선에 널리 활용하고 다양한 적용 사례가 나오길 기대한다.

후속연구

그러나 횡성, 광동, 달방댐의 경우 상대적으로 높은 RMSE를 보임에 따라 소양, 충주댐보다는 다소 낮은 예측 성능을 보이고 있다. 전반적으로 한강 유역의 댐 유입량 예측 결과는 대표 기상인자의 사용과 함께 비교적 정확한 예측력을 보이고 있으며, 향후 수문량에 영향을 미치는 다른 요인들과 함께 세부적인 개선을 수행한다면 실제 댐 유입량 예측에 활용될 수 있을 것이라 판단된다.
68로 나타났으며 ANN 앙상블의 범위를 통해 기존 단일 ANN 모형이 가지고 있는 한계를 보완하고 보다 안정적인 예측 결과를 제공하는 것을 확인하였다. 추후 본 연구에서 제시한 절차를 기반으로 우리나라 장기 수문량 예측 분석 및 개선에 널리 활용하고 다양한 적용 사례가 나오길 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	ANN 모형의 문제점은 무엇인가?	또다른 문제점은 은닉층의 최적 노드 수의 선정에 관한 불확실성이다. ANN 모형의 은닉층 최적 노드 수를 선정하는 방법은 일반적으로 가능한 모든 노드 수를 고려하여 예측을 수행한 후 가장 좋은 결과를 제공하는 경우를 최적 노드 수로 선정하는 trial-and-error 방법을 사용하기 때문에 많은 계산 시간이 소요된다. 이러한 한계를 극복하기 위하여 최근 앙상블 개념을 활용한 ANN 모형의 개발이 확대되고 있으며 다양한 적용이 시도되고 있다(Cannon and Whitfield, 2002; Anctil and Nicolas , 2004; Boucher et al.
	EEMD 는 무엇인가?	EEMD는 시계열 자료에 백색잡음을 추가하고 체거름 알고리즘(sifting algorithm) 을 통해 자료를 분해한 뒤 최종적으로 앙상블의 평균을 사용하여 각 분해된 요소를 추출하는 방법이 다. 여기서 체거름 알고리즘을 간략하게 나타내면 아래과 같다.
	ANN 앙상블 모형을 이용해 우리나라 한강 유역 댐 유입량 예측한 결과, 상관이 있는 인자는 무엇인가?	본 연구에서는 우리나라 한강 유역 댐 유입량에 영향을 미치는 대표 기상인자를 선정하고 이를 활용한 ANN 앙상블 모형을 구축하여 댐 유입량 예측을 수행하였다. 선정된 NINO12(-5), QBO(-1), AMO(-12)인자는 우리나라 댐 유입량에 통계적으로 유의한 상관성을 가지고 보였다. 해당 기상 인자를 입력 변수로 활용하여 ANN 앙상블 모형을 적용한 결과, 5개 댐 상관계수 평균이 훈련 기간에서 0.

참고문헌 (21)

Abbot, J, and Marohasy, J (2014). Input selection and optimisation for monthly rainfall forecasting in Queensland, Australia, using artificial neural networks, Atmospheric Research, 138, pp. 166-178.

상세보기
Anctil, F, and Nicolas, L (2004). Generalisation for neural networks through data sampling and training procedures, with applications to streamflow predictions, Hydrology and Earth System Sciences, 8(5), pp. 940-958.

상세보기
Boucher, MA, Perreault, L, and Anctil, F (2009). Tools for the assessment of hydrological ensemble forecasts obtained by neural networks, J. of Hydroinformatics, 11.3-4: 297-307.

상세보기
Cannon, AJ, and Whitfield, PH (2002). Downscaling recent streamflow conditions in British Columbia, Canada using ensemble neural network models, J. of Hydrology, 259, pp. 136-151.

상세보기
Huang, NE, Shen, Z, Long, SR, Wu, MC, Shih, HH, Zheng, Q, Yen, NC, Tung, CC, and Liu, HH (1998). The empirical mode decomposition method and the Hilbert spectrum for non-stationary time series analysis, Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 354, pp. 903-995.
Jung, TH, Kim, H, Kim, H, and Heo, JH (2019). Selection of climate indices for nonstationary frequency analysis and estimation of rainfall quantiles, J. of the Korean Society of Civil Engineers, 39(1), pp. 165-174. [Korean Literature]

원문보기 상세보기
Kim, H, Kim, T, Shin, H, and Heo, JH (2017). A study on a tendency of parameters for nonstationary distribution using ensemble empirical mode decomposition method, J. of Korea Water Resources Association, 50(4), pp. 253-261. [Korean Literature]

원문보기 상세보기
Kim, SE, and Seo, IW (2015). Artificial neural network ensemble modeling with conjunctive data clustering for water quality prediction in rivers, J. of Hydro-Environment Research, 9 (3), pp. 325-339
Kim, T, Shin, JY, Kim, S, and Heo, JH (2018). Identification of relationships between climate indices and long-term precipitation in South Korea using ensemble empirical mode decomposition, J. of Hydrology, 557, pp. 726-739.

상세보기
Kim, Y, and Cho, K (2016). Sea level rise around Korea: analysis of tide gauge station data with the ensemble empirical mode decomposition method, J. of Hydro-environment Research, 11, pp. 138-145.
Kolen, JF, and Pollack, JB (1991). Back propagation is sensitive to initial conditions, Advances in Neural Information Processing Systems, 3, pp. 860-867.
Lee, T, and Ouarda, TBMJ (2019). Multivariate nonstationary oscillation simulation of climate indices with empirical mode decomposition, Water Resources Research, 55. https://doi.org/10.1029/2018WR023892.
Li, J, Liu, X, and Chen, F (2015). Evaluation of nonstationarity in annual maximum flood series and the associations with large-scale climate patterns and human activities, Water Resources Management, 29(5), pp. 1653-1668.

상세보기
Mekanik, F, Imteaz, MA, Gato-Trinidad, S, and Elmahdi, A (2013). Multiple regression and artificial neural network for long-term rainfall forecasting using large scale climate modes, J. of Hydrology, 503, pp. 11-21.

상세보기
Santos-Garcia, G, Varela, G, Novoa, N, and Jimenez, MF (2004). Prediction of postoperative morbidity after lung resection using an artificial neural network ensemble, Artificial Intelligence in Medicine, 30, pp.61-69.

상세보기
Schepen, A, Wang, QJ, and Robertson, D (2012). Evidence for using lagged climate indices to forecast Australian seasonal rainfall, J. of Climate, 25, pp. 1230-1246.

상세보기
Tiwari, MK, and Adamowski, J (2013). Urban water demand forecasting and uncertainty assessment using ensemble wavelet-bootstrap-neural network models, Water Resources Research, 49, pp. 6486-6507.

상세보기
Wu, Z, and Huang, NE (2004). A study of the characteristics of white noise using the empirical mode decomposition method, Proceedings of the Royal Society of London. Series A, 460, pp. 1597-1611.

상세보기
Wu, Z, Huang, NE, Long, SR, and Peng, CK (2007). On the trend, detrending, and variability of nonlinear and nonstationary time series, PNAS, 104(38), pp. 14889-14894.
Wu, Z, and Huang, NE (2009). Ensemble empirical mode decomposition: a noise-assisted data analysis method, Advances in Adaptive Data Analysis, 1(1), pp. 1-41.

상세보기
Zaier, I, Shu, C, Ouarda, TBMJ, Seidou, O, and Chebana, F (2010). Estimation of ice thickness on lakes using artificial neural network ensembles, J. of Hydrology, 383, pp. 330-340.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증