[논문]딥러닝을 활용한 산지습지 수위 예측 모형 개발

김동현; 김정욱; 곽재원; 아이미; 김종성; 김형수

doi:10.17663/jwr.2020.22.2.106

딥러닝을 활용한 산지습지 수위 예측 모형 개발
Development of Water Level Prediction Models Using Deep Neural Network in Mountain Wetlands 원문보기

한국습지학회지 = Journal of wetlands research, v.22 no.2, 2020년, pp.106 - 112

김동현 (인하대학교 토목공학과) , 김정욱 (국립환경과학원 물환경연구부 물환경평가연구과) , 곽재원 (낙동강홍수통제소) , 아이미 (인하대학교 토목공학과) , 김종성 (인하대학교 토목공학과) , 김형수 (인하대학교 사회인프라공학과)

초록
AI-Helper

습지는 수문, 환경, 생태학적으로 중요한 기능 및 역할을 하며, 특히 습지 내의 수위는 습지의 기능과 환경 등 다양한 분석을 위해 필수적인 자료이다. 그러나 습지는 수위자료를 측정하지 않는 미계측 지역이 많기 때문에, 수위 예측에 대한 연구는 매우 미흡한 실정이다. 따라서 본 연구에서는 습지의 수위를 예측하기 위해 다중회귀분석, 주성분회귀분석, 인공신경망, DNN을 활용하여 수위 예측모형을 개발하였다. 대상지역으로 경상남도 양산시에 위치한 금정산 산지습지를 선정하였고, 2017년 4월부터 2018년 7월까지의 수위 측정자료를 종속변수로 사용하였다. 수문자료와 기상자료를 독립변수로 사용하였다. 예측력 평가결과 최종 모형으로 선정된 DNN을 활용한 수위 예측모형의 예측력 평가결과 RMSE는 6.359, NRMSE는 18.91%로 비교적 산지습지의 수위를 잘 예측하는 것으로 나타났다. 본 연구결과를 활용한다면 기존의 미비하였던 미계측 지점의 수위를 활용한 습지유지 및 관리 기법 개발에 기초자료로 사용할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Wetlands play an important function and role in hydrological, environmental, and ecological, aspects of the watershed. Water level in wetlands is essential for various analysis such as for the determination of wetland function and its effects on the environment. Since several wetlands are ungauged, research on wetland water level prediction are uncommon. Therefore, this study developed a water level prediction model using multiple regression analysis, principal component regression analysis, artificial neural network, and DNN to predict wetland water level. Geumjeong-Mountain Wetland located in Yangsan-city, Gyeongsangnam-do province was selected as the target area, and the water level measurement data from April 2017 to July 2018 was used as the dependent variable. On the other hand, hydrological and meteorological data were used as independent variables in the study. As a result of evaluating the predictive power, the water level prediction model using DNN was selected as the final model as it showed an RMSE value of 6.359 and an NRMSE value of 18.91%. This research study is believed to be useful especially as a basic data for the development of wetland maintenance and management techniques using the water level of the existing unmeasured points.

주제어

표/그림 (9)

그림 Fig. 1. The Structure of Artificial Neural Network
그림 Fig. 2. The Structure of Deep Neural Network
그림 Fig. 3. Study Area(Janggun wetland, Oh et al, 2018)
표 Table 1. Dependent Variable and Independent Variable
표 Table 2. KMO and Bartlett's Test Result of Independent Variables
그림 Fig. 4. Visualization of Artificial Neural Network
표 Table 3. Setting of Hyper-parameter
표 Table 4. Result of Water Level Prediction Functions
그림 Fig. 5. Result of Water Level Prediction Functions

AI 본문요약
AI-Helper

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

문제 정의

그러나 습지의 수위 예측연구의 경우 사례를 찾아보기 쉽지 않을 만큼 매우 미비하였고, 다양한 통계모형을 적용하여 지역에 맞는 통계모형을 평가 및 비교하여 예측하였던 하천에서의 수위 예측 연구과는 달리 인공신경망만을 활용하여 다양한 통계모형들과 적용 가능성을 비교 및 평가하지 못하는 한계가 있었다. 따라서, 본 연구에서는 기존의 인공신경망 이외에 다중회귀분석(multiple regression analysis), 주성분회귀분석(principal component analysis), DNN(deep neural network)과 같은 다양한 통계모형을 활용하여 습지에 적합한 수위 예측모형을 개발하고자 한다. 개발된 모형을 통해 예측된 수위를 활용하여 습지의 침수범위 및 침수심을 분석할 수 있고, 이를 통해 습지에 서식하고 있는 생물의 서식환경 변화와 기능변화를 예측할 수 있다.
본 연구에서는 금정산 산지습지의 수위를 예측하기 위하여, 다중회귀모형, 주성분 회귀모형, 인공신경망 모형, DNN 모형을 개발하였다. 종속변수로는 금정산 산지습지의 수위자료를 활용하였으며, 독립변수로는 기상자료를 활용하였다.

제안 방법

습지의 기능 중 가장 중요한 역할을 하는 수위 자료는 활용 가능성이 매우 높지만, 지형적 특성으로 인해 관측에 대한 한계가 있었다. 따라서 본 연구에서는 습지의 수위를 예측할 수 있도록 다양한 통계적 기법을 활용하여 수위 예측모형을 개발하였다. 본 연구에서 개발한 모형은 습지 환경에 영향을 줄 수 있는 주변 지역의 수위 및 기상자료와 같은 다양한 변수들을 활용하여 새로운 수위 예측 모형을 개발하였다.
우포늪과 가장 가까운 기상관측소의 기상자료를 독립변수로 구축하였다. 모형의 과적합을 방지하기 위해 자료를 학습구간(training)과 예측구간(test)으로 구분하였고, 학습구간의 데이터를 활용하여 다중회귀분석, 주성분회귀분석, 인공신경망, DNN과 같은 다양한 통계모형을 활용하여 우포늪의 수위 예측모형을 개발하였다. 개발된 예측모형을 Test 구간의 데이터에 입력하여 예측 수위를 산정하였고, 상관계수(Correlation Coefficient), RMSE(Root Mean Square Eror)를 평가지표를 활용하여 모형별 예측 성능을 평가하였다.
따라서 본 연구에서는 습지의 수위를 예측할 수 있도록 다양한 통계적 기법을 활용하여 수위 예측모형을 개발하였다. 본 연구에서 개발한 모형은 습지 환경에 영향을 줄 수 있는 주변 지역의 수위 및 기상자료와 같은 다양한 변수들을 활용하여 새로운 수위 예측 모형을 개발하였다.
4와 같이 도식화 할 수 있으며, 이를 통하여 각 노드들의 가중치를 파악할 수 있다. 본 연구에서는 매개변수 중 히든노드의 수를 1씩 증가시키며 매개변수를 보정하여 최적의 인공신경망 모형을 개발하였다.

대상 데이터

금정산 산지습지의 수위를 예측하기 위한 예측모형을 개발하기 위하여 종속변수로 2017년 4월 20일부터 2018년 7월 31일까지의 금정산 산지습지의 수위(water level) 관측자료를 사용하였다. 금정산 산지습지의 효율적인 이용 및 관리를 위하여 2017년 4월부터 금정산 산지습지 내에 수위측정장비를 설치하여 운영하였으며, 1시간 단위로 수위를 측정하였다.
본 연구의 대상유역은 경상남도 금정산에 위치한 장군습지이다. 장군습지는 금정산 장군봉 부근에 위치하고 있으며, 해발고도는 약 590m이다.
종속변수로는 금정산 산지습지의 수위자료를 활용하였으며, 독립변수로는 기상자료를 활용하였다. 예측력을 평가하기 위하여 데이터의 학습 구간은 2017년 4월 20일부터 2018년 2월 28일까지로 설정하였으며, 평가 구간은 2018년 3월 1일부터 2018년 7월 31일까지로 설정하였다. 예측력 평가 방법으로는 RMSE와 NRMSE를 활용하였다.
이를 위해 본 연구에서는 경상남도 양산시에 위치한 금정산 산지습지를 대상지역으로 선정하였고, 금정산 산지습지 의 수위자료를 종속변수로 구축하였다. 우포늪과 가장 가까운 기상관측소의 기상자료를 독립변수로 구축하였다.

데이터처리

모형의 과적합을 방지하기 위해 자료를 학습구간(training)과 예측구간(test)으로 구분하였고, 학습구간의 데이터를 활용하여 다중회귀분석, 주성분회귀분석, 인공신경망, DNN과 같은 다양한 통계모형을 활용하여 우포늪의 수위 예측모형을 개발하였다. 개발된 예측모형을 Test 구간의 데이터에 입력하여 예측 수위를 산정하였고, 상관계수(Correlation Coefficient), RMSE(Root Mean Square Eror)를 평가지표를 활용하여 모형별 예측 성능을 평가하였다.
예측력 평가 방법으로는 평균제곱근오차(Root Mean Square Error, RMSE)와 RMSE를 표준화한 NRMSE(Normalized Root Mean Squared Error)를 사용하였다. 두 가지 방법 모두 0에 가까울수록 예측이 실제값과 유사하다는 것을 의미한다.

이론/모형

수집된 자료들의 통계 단위 및 범위가 상이하기 때문에 인공신경망 모형을 구축하기 위하여 종속변수 및 독립변수에 대한 표준화가 선행되어야 한다. 따라서 본 연구에서는 Re-scaling방법을 활용하여 본 연구에서는 1개의 종속변수 및 15개의 독립변수에 대하여 표준화 하였다. 인공신경망 모형은 블랙박스(Black-Boxes) 모형이기 때문에 다중회귀모형 및 주성분 회귀모형과는 다르게 식이 도출되지 않는다.
이러한 문제점을 해결하기 위하여 분산팽창요인(Variance Inflation Factor, VIF)을 통해 이를 검토하였고, 통상적으로 VIF가 10 이상인 경우 다중공선성의 문제가 발생한다고 정의하였다. 따라서 본 연구에서는 다중공선성 문제를 해결하기 위하여 변수선택법 중 단계적 선택법(Stepwise)을 활용하였다. 다음 Eq.
독립변수로는 일 평균 강우량(mm), 일 평균기온(℃), 일 최저기온(℃), 일 최고기온(℃), 일 최대 순간 풍속(m/s), 일 최대 풍속(m/s), 일 평균 풍속(m/s), 일 평균 이슬점 온도(℃), 일 평균 최소 상대습도(%), 일 평균 상대습도(%), 일 평균 증기압(hPa), 일 평균 현지기압(hPa), 일 평균 최고 해면기압(hPa), 일 평균 최저 해면기압(hPa), 일 평균해면기압(hPa)을 구축하였다. 본 연구에서는 급정산 산지습지의 수위를 예측하는데 영향을 주는 독립변수를 활용하였으며(Oh et al, 2018), 표준화 방법으로는 Re-scaling방법을 활용 하였다.
예측력을 평가하기 위하여 데이터의 학습 구간은 2017년 4월 20일부터 2018년 2월 28일까지로 설정하였으며, 평가 구간은 2018년 3월 1일부터 2018년 7월 31일까지로 설정하였다. 예측력 평가 방법으로는 RMSE와 NRMSE를 활용하였다. 다음 Table 4와 Fig.
주성분 분석을 수행하기 위하여 신뢰도 검정을 통해 모형의 적용 가능성을 판단하였다. 주성분 분석을 수행함에 있어 회전방법은 Varimax 방법을 사용하여 주성분 점수를 도출하였다. 성분의 개수 선정 방법은 누적 기여율이 90%이상일 때로 결정하였다.

성능/효과

따라서, 본 연구에서는 기존의 인공신경망 이외에 다중회귀분석(multiple regression analysis), 주성분회귀분석(principal component analysis), DNN(deep neural network)과 같은 다양한 통계모형을 활용하여 습지에 적합한 수위 예측모형을 개발하고자 한다. 개발된 모형을 통해 예측된 수위를 활용하여 습지의 침수범위 및 침수심을 분석할 수 있고, 이를 통해 습지에 서식하고 있는 생물의 서식환경 변화와 기능변화를 예측할 수 있다. 하지만 습지수위 예측에 관한 연구는 미흡하여 미계측 습지 유역에 대한 관리가 어렵다.
딥러닝의 핵심은 수많은 데이터 속에서 패턴을 발견하여 예측하는 것이다. 기존의 머신러닝 알고리즘들은 데이터의 양이 많아질수록 성능에 한계가 있으나, 딥러닝은 데이터의 양이 많아질수록 성능이 선형적으로 증가하는 장점이 있다. DNN의 구조는 인공신경망과 비슷하지만, Hidden layer에서 2개 이상의 개수를 지니는 차이점이 있다.
다중회귀모형의 예측력 평가 결과 RMSE는 15.576, NRMSE는 46.31%로 나타났으며, 주성분 회귀모형의 예측력 평가 결과 RMSE는 12.761, NRMSE는 37.93%로 나타났다. 인공신경망 모형의 예측력 평가 결과 RMSE는 8.
91%로 나타났다. 예측력 평가 결과 DNN 모형을 활용한 예측력이 가장 우수하게 도출되었다.
93%로 나타났다. 인공신경망 모형의 예측력 평가 결과 RMSE는 8.848, NRMSE는 26.31%로 나타으며, DNN 모형의 예측력 평가 결과 RMSE는 6.359, NRMSE는 18.91%로 나타났다. 예측력 평가 결과 DNN 모형을 활용한 예측력이 가장 우수하게 도출되었다.
최종 모형으로 선정된 DNN을 활용한 수위 예측모형의 예측력 평가결과 RMSE는 6.359, NRMSE는 18.91%로 비교적 산지습지의 수위를 잘 예측하는 것으로 나타났다. 특히 선행연구에서 사용하였던 인공신경망에 비해 예측 성능이 우수하다는 장점이 있는 것으로 나타났다.
91%로 비교적 산지습지의 수위를 잘 예측하는 것으로 나타났다. 특히 선행연구에서 사용하였던 인공신경망에 비해 예측 성능이 우수하다는 장점이 있는 것으로 나타났다. 본 연구성과를 활용한다면 기존의 미비하였던 수위를 이용한 습지 관리에 기초자료로 사용할 수 있을 것으로 판단된다.

후속연구

수위 예측에 관한 기존 연구들을 살펴보면, 주로 통계적 모형을 사용하였고, 강우, 온도 등 기상학적 자료를 독립변수로 사용하였다. 그러나 습지의 수위 예측연구의 경우 사례를 찾아보기 쉽지 않을 만큼 매우 미비하였고, 다양한 통계모형을 적용하여 지역에 맞는 통계모형을 평가 및 비교하여 예측하였던 하천에서의 수위 예측 연구과는 달리 인공신경망만을 활용하여 다양한 통계모형들과 적용 가능성을 비교 및 평가하지 못하는 한계가 있었다. 따라서, 본 연구에서는 기존의 인공신경망 이외에 다중회귀분석(multiple regression analysis), 주성분회귀분석(principal component analysis), DNN(deep neural network)과 같은 다양한 통계모형을 활용하여 습지에 적합한 수위 예측모형을 개발하고자 한다.
, 2019). 단계적으로 습지의 수위 관측소를 늘려가야 하지만, 모든 습지 유역에 수위 관측소를 설치하기에는 예산 및 장비의 한계가 발생하기 때문에 기존에 구축된 자료를 활용하여 습지의 수위를 예측하는 연구가 필요하다고 판단된다.
하지만 습지수위 예측에 관한 연구는 미흡하여 미계측 습지 유역에 대한 관리가 어렵다. 따라서 본 연구에서 개발 된 수위 예측 모형은 수위의 관측이 어려운 미계측 유역에 대하여 수위 예측을 위한 대체 방법이 될 수 있을 것이라 기대한다.
특히 선행연구에서 사용하였던 인공신경망에 비해 예측 성능이 우수하다는 장점이 있는 것으로 나타났다. 본 연구성과를 활용한다면 기존의 미비하였던 수위를 이용한 습지 관리에 기초자료로 사용할 수 있을 것으로 판단된다.

참고문헌 (14)

Bittmann, E. Grundlagen und Methoden des biologischen Wasserbaus. In Der Biologische Wasserbau an den Bundesstrassen; Bundesanstalt f. Gewaesserkunde: Koblenz, Germany, 1965; pp. 1-56.
Byeon, S.J.; Lee, S.H.; Choi, G.W.; Jung, J.G. Use of Gauged Water Level and Precipitation Data to Predict Short Term Water Level Changes. Korean Rev. Crisis Emerg. Manag. 2014, 10, 247-264.
Castillo, J.M.M.; Cspedes, J.M.S.; Cuchango, H.E.E. Water Level Prediction Using Artificial Neural Network Model. Int. J. Appl. Eng. Res. 2018, 13, 14378-14381.
Chau, K.W. Particle swarm optimization training algorithm for ANNs in stage prediction of shing mun river. J. Hydrol. 2006, 329, 363-367.

상세보기
Jun, H.D.; Lee, J.H. A Methodology for Flood Forecasting and Warning Based on the Characteristic of Observed Water Levels Between Upstream and Downstream. J. Korean Soc. Hazard Mitig. 2013, 13, 367-374.[Korea Literature]

원문보기 상세보기
Keddy, P.A. Wetland Ecology: Principles and Conservation; Cambridge University: Cambridge, UK, 2000.
Kim, J.W. Prediction and Evaluation of Hydro-Ecology, Functions, and Sustainability of a Wetland under Climate Change. Ph.D. Thesis, Inha University, Incheon, Korea, 2019.
Kim, J.W.; Lee, B.E.; Kim, J.G.; Oh, S.H.; Jung, J.W.; Lee, M.J.; Kim, H.S. Functional Assessment of Gangcheon Replacement Wetland Using Modified HGM. J. Wetl. Res. 2017, 19, 318-326.[Korea Literature] DOI https://doi.org/10.17663/JWR.2017.19.3.318
Kumar, A.P.S.; Sudheer, K.P.; Jain, S.K.; Agarwal, P.K. Rainfall runoff modeling using artificial neural networks: Comparison of network types. Hydrol. Process. 2005, 19, 1277-1291.

상세보기
Kwak, J.W.; Kim, G.H.; Kim, J.W.; Singh, V.P.; Kim, H.S. Assessment of hydrological regimes for vegetation on riparian wetlands in Han River Basin, Korea. Terr. Atmos. Ocean. Sci. 2017, 28, 1055-1067.[Korea Literature] doi: 10.3319/TAO.2017.03.25.01

상세보기
Rezaeianzadeh, M.; Kalin, L.; Anderson, C. Wetland Water-Level Prediction Using ANN in Conjunction with Base-Flow Recession Analysis. J. Hydrol. Eng. 2015, 22, 1-11.
Rezaeianzadeh, M.; Kalin, L.; Hantush, M. An Integrated Approach for Modeling Wetland Water Level: Application to a Headwater Wetland in Coastal Alabama, USA. Water 2018, 10, 1-17.

상세보기
Tiwari, M.K.; Chatterjee, C. Development of an accurate and reliable hourly flood forecasting model using wavelet-bootstrap-ANN (WBANN) hybrid approach. J. Hydrol. 2010, 394, 458-470.

상세보기
Yu, P.S.; Chen, S.T.; Chang, I.F. Support vector regression for real-time flood stage forecasting. J. Hydrol. 2006, 328, 704-716.

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