[논문]LSTM과 SGI를 이용한 미래 가뭄 발생 가능성 분석

임재덕; 양정석

doi:10.3741/jkwra.2020.53.2.131

LSTM과 SGI를 이용한 미래 가뭄 발생 가능성 분석
Possibility analysisof future droughts using long short term memory and standardized groundwater level index 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.53 no.2, 2020년, pp.131 - 140

임재덕 (국민대학교 창의공과대학 건설시스템공학부) , 양정석 (국민대학교 창의공과대학 건설시스템공학부)

초록
AI-Helper

본 연구는 심층학습 기법인 Long Short Term Memory (LSTM)를 이용하여 지하수위를 예측 후 표준지하수위지수(Standardized Groundwater level Index, SGI)를 산정함으로써 미래 가뭄 발생 가능성의 분석을 목적으로 하고 있다. LSTM 모형을 이용하여 금호강 유역의 지하수위를 미래 3년에 대해 예측을 하였으며, 예측시 최근 3년을 제외한 관측 자료로 학습 후 RMSE를 통해 검증하였다. 예측 자료와 관측 자료를 이용하여 시간적 SGI를 산정하였다. 산정된 SGI는 연구 지역 내 보간을 하였고, 보간된 SGI는 소유역별 평균값으로 공간적 SGI를 산정하였다. 산정된 시공간적 SGI를 이용하여 시공간적 가뭄 발생 가능성에 대해 분석하였다. 시공간별로 가뭄 발생 가능성에서 차이가 발생하는 것을 확인하였다. 향후 심층학습 모형의 개선 및 검증 방법의 다양화를 통해 신뢰성이 더욱 높은 예측 결과를 도출할 수 있고, 연구 적용 지역의 확대를 통해 전국적인 가뭄 대응 정책에 활용이 될 수 있으며, 더 나아가 미래 수자원 관리 차원에서 중요한 정보를 제공할 수 있을 것이다.

Abstract ▼ AI-Helper

The purpose of this study is to analyze the possibility of future droughts by calculating the Standardized Groundwater level Index(SGI) after predicting groundwater level using Long Short Term Memory (LSTM) model. The groundwater level of the Kumho River basin was predicted for the next three years by using the LSTM model, and it was validated through RMSE after learning with observation data except the last three years. The temporal SGI was calculated by using the prediction data and the observation data. The calculated SGI was interpolated within the study area, and the spatial SGI was calculated as the average value for each catchment using the interpolated SGI. The possibility of spatio-temporal drought was analyzed using calculated spatio-temporal SGI. It is confirmed that there is a spatio-temporal difference in the possibility of drought. Through the improvement of deep learning model and diversification of validation method, it is expected to obtain more reliable prediction results and the expansion of study area can be used to respond to drought nationwide, and furthermore it can provide important information for future water resource management.

주제어

표/그림 (13)

그림 Fig. 1. Procedure of this study
그림 Fig. 2. Study area
그림 Fig. 3. Catchments in study area
표 Table 1. Groundwater level observation station
그림 Fig. 4. Schematic diagram of LSTM
그림 Fig. 5. Observation and prediction data of GWL
표 Table 2. Trainning RMSE and validation RMSE (EL.m)
그림 Fig. 6. GWL and SGI
그림 Fig. 7. Calculated SGI
그림 Fig. 8. Monthly average of SGI
표 Table 3. Top 3 months with a high possibility of drought
표 Table 4. Top 3 catchments with a high possibility of drought in the top 3 months
표 Table 5. Top 3 catchments with a high possibility of drought

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 LSTM 모형을 이용하여 GWL의 예측과 SGI를 이용하여 미래 가뭄 발생 가능성 분석을 목적으로 하고 있다. 낙동강 권역 중 금호강 유역의 GWL을 LSTM 모형을 이용하여 미래 GWL을 예측 후 SGI를 산정하여 가뭄 발생 가능성에 대해 분석을 하였다.
본 연구에서는 미래 GWL을 예측 후 SGI를 이용한 가뭄 발생 가능성 분석을 위하여 LSTM 모형을 이용하여 GWL 자료에 대해 학습, 검증, 예측의 단계를 거쳐 미래 GWL을 예측하였다. 예측자료와 관측 자료에 SGI를 적용하여 연구지역 내 보간을 하였으며, 산정된 SGI는 소유역별로 평균을 구하여 소유역별 SGI를 산정하여 시공간적으로 가뭄 발생 가능성에 대해 분석하였다.
즉, 가까이 있는 관측값에 더 큰 가중치를 부여하여 보간하는 방법으로 거리가 가까울수록 높은 가중치가 적용된다. 본 연구에서는 지하수위 관측소의 제한으로 인해 IDW를 이용한 공간 보간을 통해 금호강 전체를 대상으로 분석을 하였다.
매년 가뭄에 대한 피해가 계속되고, 미래 또한 가뭄이 극심해짐에 따라 미래 지하수위 예측이 가능하다면 더욱 효과적인 가뭄 관련 연구 진행과 대책 수립이 가능할 것으로 판단하였다. 이에 특정 지역의 수자원에 대한 예측과 예측 결과를 이용한 가뭄 발생 가능성을 분석하고자 본 연구에서는 인공신경망 심층학습을 이용하여 미래 지하수위를 예측 후 표준지하수위지수를 산정함으로써 미래 지하수위의 예측과 미래 가뭄 발생 가능성을 확인하였다.
GWL 예측과 예측 결과에 따른 SGI 산정을 위해 소유역에 대해 연구를 진행하였지만, GWL뿐만 아니라 다른 수자원도 자료가 충분할 경우 예측이 가능하고, 연구 지역의 확대를 통해 시공간적인 가뭄 분석이 가능할 것으로 판단하였다. 이후 연구에서는 강수량 등 수문 자료의 예측과 SPI 등의 가뭄 관련 지수를 추가하여 가뭄 발생 가능성에 대해 분석하고자 한다. 또한, 대권역 등 연구 적용 지역의 확대와 인공신경망 모형을 개발 및 발전시켜 검증 방법의 다양화와 신뢰성 등을 향상한다면 전국적으로 적용할 수 있어 향후 가뭄 발생 가능성을 포함하는 가뭄 취약 지도 작성 등 가뭄 분석 및 대응에 근거가 될 수 있고, 더 나아가 다른 수자원 관리 방안에도 적용이 가능할 것으로 기대된다.

가설 설정

Shepard (1968)가 제안한 역거리 가중치법(Inverse Distance Weighting, IDW) 기법은 인근 관측지점의 자료를 거리에 반비례로 가중하여 보간하는 방법으로 가장많이 사용되는 공간 보간기법 중 하나이다. IDW 기법의 기본 가정은 미관측 위치의 값은 관측값과 가까울수록 영향이 증가하고 멀어질수록 영향이 감소한다는 것이다. 즉, 가까이 있는 관측값에 더 큰 가중치를 부여하여 보간하는 방법으로 거리가 가까울수록 높은 가중치가 적용된다.

제안 방법

Table 3는 위의 기간에 대해 가뭄 발생 가능성이 높은 달의 1, 2, 3 순위와 각각의 SGI를 나타낸 표이다. 가뭄 발생 가능성이 높은 달에 대해서는 각각 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 구하였다. Table 4는 가뭄 발생 가능성이 높은 달에 대한 각각의 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 나타내고 있다.
1(10 cm)미만인 모형을 선정하여 예측을 진행하였기 때문에 충분히 신뢰할 수 있다고 판단을 하였다. 관측 자료와 예측 자료로 관측소별 SGI를 산정하였으며, 연구지역 내 보간을 하였으며, 보간된 SGI는 148개의 소유역에 대하여 평균값을 구하여 소유역별 SGI를 산정하였다. 최종 산정된 SGI는 월평균, 소유역별 연평균을 각각 1, 2, 3순위로 구하였으며, 연도별 월평균의 1, 2, 3순위의 경우 다시 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 구하였다.
관측 자료의 마지막 기간과 예측 기간인 2017년부터 2020년까지의 기간에 대해 각 연도의 가뭄 발생 가능성이 높은 달을 1, 2, 3순위로 구하였다. 관측 자료에 해당하는 2017년에는 5월, 12월, 7월의 순으로 각각 –0.
관측소별 산정된 SGI는 연구지역 내에서 보간하였고, 보 간된 SGI는 다시 소유역을 기준으로 평균값을 구하여 소유역별 SGI를 산정하였다. 전체 소유역에 대하여 SGI의 월평균값을 구하였고, Fig.
본 연구는 LSTM 모형을 이용하여 GWL의 예측과 SGI를 이용하여 미래 가뭄 발생 가능성 분석을 목적으로 하고 있다. 낙동강 권역 중 금호강 유역의 GWL을 LSTM 모형을 이용하여 미래 GWL을 예측 후 SGI를 산정하여 가뭄 발생 가능성에 대해 분석을 하였다. 미래 GWL을 예측 전 LSTM 모형에 대한 검증을 수행하였으며, 검증 결과가 비교적 우수한 모형으로 각 관측소의 미래 GWL를 예측하였다.
낙동강 유역의 금호강 유역의 미래 GWL 예측을 위해 국가지하수관측망 관측소 7개소의 GWL 관측 자료를 수집하였으며, LSTM 모형을 구성 후 미래 GWL의 예측을 진행하였다. 미래 GWL을 예측하기 두가지 검증을 거쳐 모형을 선정하였다.
첫 번째 단계는 연구 지역 선정 및 자료 수집 단계이다. 두 번째 단계는 예측 단계로 Long Short Term Memory (LSTM) 모형을 구성하고 수집된 자료를 이용하여 미래 3년(2018년~2020년)에 대해 예측을 진행하였다. 미래 예측 전 모형 검증을 위해 수집 자료 중 최근 3년(2015년~ 2017년)의 기간은 학습 기간에서 제외하고 학습시킨 후 최근 3년을 예측하여 관측 자료와 비교 및 검증을 하였다.
또한, 소유역별 SGI는 2017년부터 2020년까지 각각에 대해서 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위를 구하였다. 관측 자료에 해당하는 2017년에는 19번, 13번, 12번의 순으로 각각 –2.
산정된 SGI는 연구지역에 보간을 하였고, 보간된 SGI는 물환경정보시스템(Water Environment Information System)에서 구축한 소유역(Catchment)별로 평균을 구하였다. 마지막 단계는 가뭄 발생 가능성을 판단하는 단계로 산정된 SGI를 시공간적으로 분석하여 가뭄 발생 가능성을 판단하였다.
검증은 학습 결과에 대한 검증인 Trainning RMSE와 예측 자료와 기존 관측 자료와의 정확도를 판단하기 위해 비교한 Validation RMSE를 통해 진행하였다. 먼저, 2017년까지 수집 자료 중 각 관측소의 관측 시작일부터 2014년까지의 자료를 이용해 학습을 진행하였고 학습 결과에 대해 검증을 진행하였다(Trainning RMSE). 학습 결과에 대한 모형의 검증 후 2015년~2017년에 대해 예측을 하였으며, 예측 자료와 최근 3년 자료를 이용하여 검증하였다(Validation RMSE).
낙동강 권역 중 금호강 유역의 GWL을 LSTM 모형을 이용하여 미래 GWL을 예측 후 SGI를 산정하여 가뭄 발생 가능성에 대해 분석을 하였다. 미래 GWL을 예측 전 LSTM 모형에 대한 검증을 수행하였으며, 검증 결과가 비교적 우수한 모형으로 각 관측소의 미래 GWL를 예측하였다. 미래 GWL 예측 결과에 대해서는 정확도를 판단하기에는 어려움이 있지만, 각 RMSE가 0.
낙동강 유역의 금호강 유역의 미래 GWL 예측을 위해 국가지하수관측망 관측소 7개소의 GWL 관측 자료를 수집하였으며, LSTM 모형을 구성 후 미래 GWL의 예측을 진행하였다. 미래 GWL을 예측하기 두가지 검증을 거쳐 모형을 선정하였다. 검증은 학습 결과에 대한 검증인 Trainning RMSE와 예측 자료와 기존 관측 자료와의 정확도를 판단하기 위해 비교한 Validation RMSE를 통해 진행하였다.
두 번째 단계는 예측 단계로 Long Short Term Memory (LSTM) 모형을 구성하고 수집된 자료를 이용하여 미래 3년(2018년~2020년)에 대해 예측을 진행하였다. 미래 예측 전 모형 검증을 위해 수집 자료 중 최근 3년(2015년~ 2017년)의 기간은 학습 기간에서 제외하고 학습시킨 후 최근 3년을 예측하여 관측 자료와 비교 및 검증을 하였다. 비교적 검증이 잘된 모형에 대해 미래 3년의 GWL을 예측하였다.
본 연구를 통해 Deep Learning LSTM 모형을 학습 및 검증을 거쳐 미래 GWL을 예측 후 SGI를 산정함으로써 미래 가뭄 발생 가능성에 대해 분석하였다. GWL 예측과 예측 결과에 따른 SGI 산정을 위해 소유역에 대해 연구를 진행하였지만, GWL뿐만 아니라 다른 수자원도 자료가 충분할 경우 예측이 가능하고, 연구 지역의 확대를 통해 시공간적인 가뭄 분석이 가능할 것으로 판단하였다.
미래 예측 전 모형 검증을 위해 수집 자료 중 최근 3년(2015년~ 2017년)의 기간은 학습 기간에서 제외하고 학습시킨 후 최근 3년을 예측하여 관측 자료와 비교 및 검증을 하였다. 비교적 검증이 잘된 모형에 대해 미래 3년의 GWL을 예측하였다. 세 번째 단계는 SGI 산정 단계로 예측 자료와 관측 자료를 이용하여 SGI를 산정하였다.
SGI는 관측 자료와 예측 자료를 이용하여 관측소별로 산정되었다. 산정된 SGI는 IDW를 이용하여 시간적 SGI를 산정하였고, 소유역별 평균값을 이용해 공간적으로 SGI를 구하였다.
각 관측소별 산정된 SGI는 GWL의 상승, 하강의 거동을 반영하는 것을 확인하였으며, SGI 값이 양수일 경우는 가뭄 발생 가능성이 매우 낮음을 나타내며 음수의 경우 낮을수록 GWL의 하강을 나타내어 가뭄 발생 가능성이 높음을 나타낼 것으로 분석하였다. 산정된 SGI는 연구지역 내에서 보간을 하였고, 보간된 SGI는 다시 소유역별로 평균값을 구하여 공간에 대한 SGI를 산정하였다. 예측 기간에 대한 SGI 는 대구 대봉, 대구 비산, 영천 금노, 영천 화북 관측소가 예년 대비 GWL이 낮은 것으로 확인하였다.
세 번째 단계는 SGI 산정 단계로 예측 자료와 관측 자료를 이용하여 SGI를 산정하였다. 산정된 SGI는 연구지역에 보간을 하였고, 보간된 SGI는 물환경정보시스템(Water Environment Information System)에서 구축한 소유역(Catchment)별로 평균을 구하였다. 마지막 단계는 가뭄 발생 가능성을 판단하는 단계로 산정된 SGI를 시공간적으로 분석하여 가뭄 발생 가능성을 판단하였다.
비교적 검증이 잘된 모형에 대해 미래 3년의 GWL을 예측하였다. 세 번째 단계는 SGI 산정 단계로 예측 자료와 관측 자료를 이용하여 SGI를 산정하였다. 산정된 SGI는 연구지역에 보간을 하였고, 보간된 SGI는 물환경정보시스템(Water Environment Information System)에서 구축한 소유역(Catchment)별로 평균을 구하였다.
본 연구에서는 미래 GWL을 예측 후 SGI를 이용한 가뭄 발생 가능성 분석을 위하여 LSTM 모형을 이용하여 GWL 자료에 대해 학습, 검증, 예측의 단계를 거쳐 미래 GWL을 예측하였다. 예측자료와 관측 자료에 SGI를 적용하여 연구지역 내 보간을 하였으며, 산정된 SGI는 소유역별로 평균을 구하여 소유역별 SGI를 산정하여 시공간적으로 가뭄 발생 가능성에 대해 분석하였다.
관측 자료와 예측 자료로 관측소별 SGI를 산정하였으며, 연구지역 내 보간을 하였으며, 보간된 SGI는 148개의 소유역에 대하여 평균값을 구하여 소유역별 SGI를 산정하였다. 최종 산정된 SGI는 월평균, 소유역별 연평균을 각각 1, 2, 3순위로 구하였으며, 연도별 월평균의 1, 2, 3순위의 경우 다시 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 구하였다.
평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 학습 및 예측에 대해 검증을 하였다. 학습 검증이 비교적 우수한 모형으로 학습을 제외한 기간에 대해 예측을 하였고, 기존 관측 자료와 비교하여 검증을 하였다. 학습 및 예측에 대한 검증 결과가 우수한 모형을 선정하여 최종적으로 미래 3년에 대해 예측을 진행하였다.
학습 검증이 비교적 우수한 모형으로 학습을 제외한 기간에 대해 예측을 하였고, 기존 관측 자료와 비교하여 검증을 하였다. 학습 및 예측에 대한 검증 결과가 우수한 모형을 선정하여 최종적으로 미래 3년에 대해 예측을 진행하였다.

대상 데이터

LSTM과 SGI의 적용성을 확인하기 위해 연구 지역은 시범적으로 낙동강 권역 중 금호강 유역을 선정하였다. 유역 내 GWL의 예측과 SGI의 산정을 위하여 국가지하수관측망 관측소 7개소를 선정 후 관측 자료를 수집하였다.
유역 내 GWL의 예측과 SGI의 산정을 위하여 국가지하수관측망 관측소 7개소를 선정 후 관측 자료를 수집하였다. 연구지역 내 각 관측소는 관측 기간이 상이하지만, 학습을 위해 최대 1996년 04월부터 2017년 12월까지 월평균 자료를 수집하였다. Fig.
2는 연구 지역과 연구 지역의 GWL 관측소의 위치를 나타내고, Table 1은 선정된 관측소 목록이다. 연구지역은 총 148개의 소유역으로 나뉘며 Fig. 3은 연구지역 내 소유역을 나타내고 있다.
LSTM과 SGI의 적용성을 확인하기 위해 연구 지역은 시범적으로 낙동강 권역 중 금호강 유역을 선정하였다. 유역 내 GWL의 예측과 SGI의 산정을 위하여 국가지하수관측망 관측소 7개소를 선정 후 관측 자료를 수집하였다. 연구지역 내 각 관측소는 관측 기간이 상이하지만, 학습을 위해 최대 1996년 04월부터 2017년 12월까지 월평균 자료를 수집하였다.

데이터처리

미래 GWL을 예측하기 두가지 검증을 거쳐 모형을 선정하였다. 검증은 학습 결과에 대한 검증인 Trainning RMSE와 예측 자료와 기존 관측 자료와의 정확도를 판단하기 위해 비교한 Validation RMSE를 통해 진행하였다. 먼저, 2017년까지 수집 자료 중 각 관측소의 관측 시작일부터 2014년까지의 자료를 이용해 학습을 진행하였고 학습 결과에 대해 검증을 진행하였다(Trainning RMSE).
(2014)은 홍수 피해 완화를 위해 홍수 수준을 예측하는 정확한 모델을 제시하기 위해 인공신경망 모형을 비교 분석하였다. 도심 홍수 방지를 위해 인공신경망 LSTM, GRU, MLP, WNN을 비교 분석함으로써 예측 성능을 평가하였다(Zhang et al., 2018). Deep Learning 모형 중 Deep Belif Network 모형을 이용하여 강수를 예측한 연구가 진행되었다 (Ha et al.
구성된 모형으로 각 관측소의 수집된 자료를 학습시키는 데, 이때 예측에 대한 검증을 위해 수집 자료 중 최근 3년의 자료는 제외한 후 학습을 진행하였다. 평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 학습 및 예측에 대해 검증을 하였다. 학습 검증이 비교적 우수한 모형으로 학습을 제외한 기간에 대해 예측을 하였고, 기존 관측 자료와 비교하여 검증을 하였다.
먼저, 2017년까지 수집 자료 중 각 관측소의 관측 시작일부터 2014년까지의 자료를 이용해 학습을 진행하였고 학습 결과에 대해 검증을 진행하였다(Trainning RMSE). 학습 결과에 대한 모형의 검증 후 2015년~2017년에 대해 예측을 하였으며, 예측 자료와 최근 3년 자료를 이용하여 검증하였다(Validation RMSE). 각 RMSE가 0.

이론/모형

LSTM을 이용한 진행 순서는 모형의 구성, 학습, 검증, 예측 4단계로 이루어진다. 먼저, 구글의 오픈 라이브러리인 Tensorflow를 이용하여 LSTM 모형을 구성하였다. 구성된 모형으로 각 관측소의 수집된 자료를 학습시키는 데, 이때 예측에 대한 검증을 위해 수집 자료 중 최근 3년의 자료는 제외한 후 학습을 진행하였다.

성능/효과

본 연구를 통해 Deep Learning LSTM 모형을 학습 및 검증을 거쳐 미래 GWL을 예측 후 SGI를 산정함으로써 미래 가뭄 발생 가능성에 대해 분석하였다. GWL 예측과 예측 결과에 따른 SGI 산정을 위해 소유역에 대해 연구를 진행하였지만, GWL뿐만 아니라 다른 수자원도 자료가 충분할 경우 예측이 가능하고, 연구 지역의 확대를 통해 시공간적인 가뭄 분석이 가능할 것으로 판단하였다. 이후 연구에서는 강수량 등 수문 자료의 예측과 SPI 등의 가뭄 관련 지수를 추가하여 가뭄 발생 가능성에 대해 분석하고자 한다.
SGI 산정 결과는 7개 관측소 중 4개의 관측소가 예년 대비 감소하는 것으로 나타났으며, 가뭄 발생 가능성의 분석 결과로는 월평균의 경우 2017년에는 5월, 12월, 7월, 2018년에는 5월, 7월, 9월, 2019년에는 9월, 11월, 8월, 2020년에는, 8월, 3월, 7월의 순으로 나타났고, 소유역별 연평균의 경우 2017년에는 경산 남산 관측소 인근의 지역이, 2018년에는 영천 금노 관측소 인근의 지역이, 2019년과 2020년에는 영천 화북 관측소 인근의 지역이 가뭄 발생 가능성이 높을 것이라고 나타났다. 가뭄 발생 시기 및 소유역별로 매년 차이가 발생하는 것으로 확인하였다.
SGI 산정 결과는 7개 관측소 중 4개의 관측소가 예년 대비 감소하는 것으로 나타났으며, 가뭄 발생 가능성의 분석 결과로는 월평균의 경우 2017년에는 5월, 12월, 7월, 2018년에는 5월, 7월, 9월, 2019년에는 9월, 11월, 8월, 2020년에는, 8월, 3월, 7월의 순으로 나타났고, 소유역별 연평균의 경우 2017년에는 경산 남산 관측소 인근의 지역이, 2018년에는 영천 금노 관측소 인근의 지역이, 2019년과 2020년에는 영천 화북 관측소 인근의 지역이 가뭄 발생 가능성이 높을 것이라고 나타났다. 가뭄 발생 시기 및 소유역별로 매년 차이가 발생하는 것으로 확인하였다. 이 결과는 LSTM 모형을 이용한 학습에 따른 미래 예측이므로 학습 과정에 따라 예측의 결과가 다르게 나올 수 있기 때문이며 이런 미래 예측의 불확실성으로 인해 조금씩 차이가 발생하는 것으로 판단하였다.
그래프의 수평선은 SGI 값에서 0을 의미한다. 각 관측소별 산정된 SGI는 GWL의 상승, 하강의 거동을 반영하는 것을 확인하였으며, SGI 값이 양수일 경우는 가뭄 발생 가능성이 매우 낮음을 나타내며 음수의 경우 낮을수록 GWL의 하강을 나타내어 가뭄 발생 가능성이 높음을 나타낼 것으로 분석하였다. 산정된 SGI는 연구지역 내에서 보간을 하였고, 보간된 SGI는 다시 소유역별로 평균값을 구하여 공간에 대한 SGI를 산정하였다.
미래 GWL을 예측 전 LSTM 모형에 대한 검증을 수행하였으며, 검증 결과가 비교적 우수한 모형으로 각 관측소의 미래 GWL를 예측하였다. 미래 GWL 예측 결과에 대해서는 정확도를 판단하기에는 어려움이 있지만, 각 RMSE가 0.1(10 cm)미만인 모형을 선정하여 예측을 진행하였기 때문에 충분히 신뢰할 수 있다고 판단을 하였다. 관측 자료와 예측 자료로 관측소별 SGI를 산정하였으며, 연구지역 내 보간을 하였으며, 보간된 SGI는 148개의 소유역에 대하여 평균값을 구하여 소유역별 SGI를 산정하였다.
067로 가장 크게 나타났다. 미래 예측의 경우 실제 GWL과의 정확도를 판단할 수 없으나 검증이 우수한 모형을 선정 후 예측을 진행하였기 때문에 예측 결과를 신뢰하기에 충분하다고 판단하였다. Table 2는 관측소별 선정된 모형의 Trainning RMSE, Validation RMSE를 나타내고, Fig.
산정된 SGI는 연구지역 내에서 보간을 하였고, 보간된 SGI는 다시 소유역별로 평균값을 구하여 공간에 대한 SGI를 산정하였다. 예측 기간에 대한 SGI 는 대구 대봉, 대구 비산, 영천 금노, 영천 화북 관측소가 예년 대비 GWL이 낮은 것으로 확인하였다. 마지막 예측 기간인 2020년에는 8월이 –1.
1의 변동량이 10 cm이기 때문에 지하수위 측면에서 유의하다고 판단하였다. 학습 및 검증의 경우 대체적으로 우수한 결과가 나온 것으로 보이며 학습 및 검증 결과 선정된 각 관측소별 모형의 Trainning RMSE의 경우 대구 비산 관측소가 0.026으로 가장낮았으며 경산 남산 관측소가 0.072로 가장 크게 나타났다. Validation RMSE의 경우 영천 화북 관측소가 0.

후속연구

국내뿐만 아니라 전 세계적으로 가뭄으로 인한 피해가 계속되고 있으며, 미래는 수자원 고갈에 따른 극심한 가뭄이 예상됨에 따라 가뭄 발생 가능성에 관한 연구가 필요하다. 또한, 기존 관측 자료만을 이용한 가뭄 분석 연구에서 더 나아가 미래 예측을 통한 가뭄 연구는 더욱 효과적인 가뭄 대응이 가능할 것으로 기대된다.
이후 연구에서는 강수량 등 수문 자료의 예측과 SPI 등의 가뭄 관련 지수를 추가하여 가뭄 발생 가능성에 대해 분석하고자 한다. 또한, 대권역 등 연구 적용 지역의 확대와 인공신경망 모형을 개발 및 발전시켜 검증 방법의 다양화와 신뢰성 등을 향상한다면 전국적으로 적용할 수 있어 향후 가뭄 발생 가능성을 포함하는 가뭄 취약 지도 작성 등 가뭄 분석 및 대응에 근거가 될 수 있고, 더 나아가 다른 수자원 관리 방안에도 적용이 가능할 것으로 기대된다.
매년 가뭄에 대한 피해가 계속되고, 미래 또한 가뭄이 극심해짐에 따라 미래 지하수위 예측이 가능하다면 더욱 효과적인 가뭄 관련 연구 진행과 대책 수립이 가능할 것으로 판단하였다. 이에 특정 지역의 수자원에 대한 예측과 예측 결과를 이용한 가뭄 발생 가능성을 분석하고자 본 연구에서는 인공신경망 심층학습을 이용하여 미래 지하수위를 예측 후 표준지하수위지수를 산정함으로써 미래 지하수위의 예측과 미래 가뭄 발생 가능성을 확인하였다.
, 2017). 표준강수지수는 강수 인자만을 이용하기 때문에 증발산량 등 다른 인자를 고려하지 못하는 한계성으로 다른 가뭄 지수 관련 연구 또한 이루어 지고 있다. Kim et al.

질의응답

핵심어	질문	논문에서 추출한 답변
	연도에 따른 국내 가뭄의 상황은 어떠한가?	국가가뭄정보분석센터(National Drought InformationAnalysis Center, NDIAC)에 따르면 국내의 경우 최근 2014년 서울, 경기, 충청 지방에 평년 대비 강수량이 50~61% 수준으로 줄어들었으며, 2015년에는 2014년보다 더욱 극심한 가뭄이 전국적으로 발생하여 보령댐, 횡성댐, 용담댐 등 역대 최저 저수율을 기록하는 등 연중 극심한 가뭄이 지속적으로 발생하였다. 국외의 경우 2012년 미국, 브라질, 크로아티아, 중국 등 전 세계적으로 가뭄 피해가 발생하였고, 특히 미국의 경우 2014년 약 7조 3,300억원의 피해액이 발생한 극심한 가뭄이 발생하였다.
	순환신경망이란 무엇인가?	인공신경망 중 순환신경망(Recurrent Neural Network, RNN)은 출력값을 해당 뉴런에 다시 입력하는 모형으로 정보의 지속성이 반영되어 시계열 자료 또는 문장 등 연속된 데이터 학습에 적합한 모형이다. RNN의 한 종류인 LSTM은 RNN의 장기 의존성 문제(The Problem of Long Term Dependencies) (Hochreiter, 1991; Bengio et al.
	순환신경망 장기 의존성 문제를 해결한 모델이 있나요?	인공신경망 중 순환신경망(Recurrent Neural Network, RNN)은 출력값을 해당 뉴런에 다시 입력하는 모형으로 정보의 지속성이 반영되어 시계열 자료 또는 문장 등 연속된 데이터 학습에 적합한 모형이다. RNN의 한 종류인 LSTM은 RNN의 장기 의존성 문제(The Problem of Long Term Dependencies) (Hochreiter, 1991; Bengio et al., 1994)를 개선하여 기억기능을 보완한 모형(Hochreiter and Schmidhuber, 1997)이며 Fig. 4는 모형의 구성도이다. LSTM을 이용한 진행 순서는 모형의 구성, 학습, 검증, 예측 4단계로 이루어진다.

참고문헌 (20)

Bengio, Y., Simard, P., and Frasconi, P. (1994). "Learning longterm dependencies with gradient descent is difficult." IEEE Transactions on Neural Networks, IEEE Neural Networks Council, Vol. 5, No. 2, pp. 157-166.

상세보기
Bloomfield, J.P., and Marchant, B.P. (2013). "Analysis of groundwater drought building on the standardised precipitation index approach." Hydrology and Earth System Sciences, European Geophysical Society, Vol. 17, No. 12, pp. 4769-4788.

상세보기
Chang, F.J., Chen, P.A., Lu, Y.R., Huang, E., and Chang, K.Y. (2014). "Real-time multi-step-ahead water level forecasting by recurrent neural networks for urban flood control." Journal of Hydrology, Crossref, Vol. 517, pp. 836-846.

상세보기
Ha, J.H., Lee, Y.H., and Kim, Y.H. (2016). "Forecasting the precipitation of the next day using deep learning." Journal of Korean Institute of Intelligent Systems, Korean Institute of Intelligent Systems, Vol. 26, No. 2, pp. 93-98.

원문보기 상세보기
Hochreiter, S. (1991). Untersuchungen zu dynamischen neuronalen Netzen. Master's thesis, Technical University of Munich, Germany, pp. 1-65.
Hochreiter, S., and Schmidhuber, J. (1997). "Long short-term memory." Neural Computation, Massachusetts Institute of Technology Press, M.A., U.S., Vol. 9, No. 8, pp. 1735-1780.

상세보기
Intergovernmental Panel on Climate Change (IPCC) (2015). Climate change 2014 synthesis report. IPCC, Switzerland.
Jang, S.K., Lee, J.K., Kwon, H.H., Oh, J.H., and Jo, J.W. (2017). "Development and application of meteorological and hydrological drought indices for the drought monitoring and forecasting." Journal of Korean Society of Hazard Mitigation, Korean Society of Hazard Mitigation, Vol. 17, No. 6, pp. 37-51.

상세보기
Jung, S.H., Lee, D.E., and Lee, K.S. (2018). "Prediction of river water level using deep-learning open library." Journal of Korean Society of Hazard Mitigation, Korean Society of Hazard Mitigation, Vol. 18, No. 1, pp. 1-11.

상세보기
Kim, B.S., Kwon, H.H., and Kim, H.S. (2011). "Impact assessment of climate change on drought risk." Journal of Wetlands Research, Korean Wetlands Society, Vol. 13, No. 1, pp. 1-11.
Kim, J.H., Lee, S.H., and Kim, B.S. (2018). "An assessment of past and future droughts in North Korea using standardized precipitation evapotranspiration index." Crisisonomy, Crisis and Emergency Management : Theory and Praxis, Vol. 14, No. 2, pp. 139-151.
Kumar, R., Musuuza, J.L., Van Loon, A.F., Teuling, A.J., Barthel, R., Broek, J.T., Mai, J., Samaniego, L., and Attinger, S. (2016). "Multiscale evaluation of the standardized precipitation index as a groundwater drought indicator." Hydrology and Earth System Sciences, European Geophysical Society, Vol. 20, No. 3, pp. 1117-1132.

상세보기
Lee, J.J., Kang, S.U., Jeong, J.H., and Chun, G.I. (2018). "Development of groundwater level monitoring and forecasting technique for drought analysis (I) - groundwater drought monitoring using standardized groundwater level index (SGI)." Journal of Korea Water Resources Association, Korea Water Resources Association, Vol. 51, No. 11, pp. 1011-1020.

원문보기 상세보기
Lee, J.J., Kang, S.U., Kim, T.H., and Chun, G.I. (2018). "Development of groundwater level monitoring and forecasting technique for drought analysis (II) - groundwater drought forecasting using SPI, SGI and ANN." Journal of Korea Water Resources Association, Korea Water Resources Association, Vol. 51, No. 11, pp. 1021-1029.

원문보기 상세보기
National Drought Information-Analysis Center (NDIAC) (2019). Republic of Korea, accessed 24 December 2019, .
Song, S.H. (2018). "Assessment of drought effects on groundwater system in rural area using standardized groundwater level index (SGI)." Journal of Soil and Groundwater Environment, Korean Society of Soil and Groundwater Environment, Vol. 23, No. 3, pp. 1-9.

원문보기 상세보기
Tran, Q.K., and Song, S.K. (2016). "Water level forecasting based on deep learning: a use-case of trinity River-Texas-The United States." Journal of Korean Institute of Information Scientists and Engineers, Korean Institute of Information Scientists and Engineers, Vol. 44, No. 6, pp. 607-612.
Water Environment Information System (WEIS) (2019). Republic of Korea, accessed 24 December 2019, .
Yeh, H.F., Chang, C.F., Lee, J.W., and Lee, C.H. (2016). "Using standardized groundwater index and standardized precipitation index to assess drought characteristics of the Kaoping River Basin, Taiwan." Water Resources, Springer, Vol. 46, No. 5, pp. 670-678.
Zhang, D., Lindholm, G., and Ratnaweera, H. (2018). "Use long short-term memory to enhance internet of things for combined sewer overflow monitoring." Journal of Hydrology, Elsevier, Vol. 556, pp. 409-418.

상세보기

저자의 다른 논문 :

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