[논문]LSTM 모형과 로지스틱 회귀를 통한 도시 침수 범위의 예측

김현일; 한건연; 이재영

doi:10.12652/ksce.2020.40.3.0273

[국내논문] LSTM 모형과 로지스틱 회귀를 통한 도시 침수 범위의 예측
Prediction of Urban Flood Extent by LSTM Model and Logistic Regression 원문보기

대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.40 no.3, 2020년, pp.273 - 283

김현일 (경북대학교 건설환경에너지공학부) , 한건연 (경북대학교 토목공학과) , 이재영 (한국건설기술연구원)

초록
AI-Helper

기후변화의 영향으로 국지성 및 집중호우에 대한 발생 가능성이 높아지는 시점에서 과거에 침수피해를 입은 도시 유역에 대하여 실제 호우에 대한 침수 양상을 예측하는 것은 중요하다. 이에 수치해석 기반 프로그램과 함께 기계학습을 이용한 홍수 분석에 대한 연구가 증가하고 있다. 본 연구에서 적용한 LSTM 신경망은 일련의 자료를 분석하는데 유용하지만, 딥 러닝을 수행하기 위하여 충분한 양의 자료를 필요로 한다. 그러나 단일 도시유역에 홍수를 일으킬 강우가 매년 일어나지 않기에 많은 홍수 자료를 수집하기에는 어려움이 있다. 이에 본 연구에서는 대상 유역에서 관측되는 강우 외에 전국 단위의 실제 호우를 예측 모형에 반영하였다. LSTM (Long Short-Term Memory) 신경망은 강우에 대한 총 월류량을 예측하기 위하여 사용되었으며, 목표값으로 SWMM (Storm Water Management Model)의 유출 모의 결과를 사용하였다. 침수 범위 예측을 위해서는 로지스틱 회귀를 사용하였으며, 로지스틱 회귀 모형의 독립 변수는 총 월류량이며 종속 변수는 격자 별 침수 발생 유무이다. 침수 범위 자료는 SWMM의 유출 결과를 바탕으로 수행된 2차원 침수해석 모의 결과를 통해 수집하였다. LSTM의 매개변수 조건에 따라 총 월류량 예측 결과를 비교하였다. 매개변수 설정에 따른 4가지의 LSTM 모형을 사용하였는데, 검증과 테스트 단계에 대한 평균 RMSE (Root Mean Square Error)는 1.4279 ㎥/s, 1.0079 ㎥/s으로 산정되었다. 최소 RMSE는 검증과 테스트에 대하여 각각 1.1656 ㎥/s, 0.8797㎥/s 으로 산정되었으며, SWMM모의 결과를 적절히 재현할 수 있음을 확인하였다. LSTM 신경망의 결과와 로지스틱 회귀를 연계하여 침수 범위 예측을 수행하였으며, 침수심 0.5m 이상을 고려하였을 때에 최대 침수면적 적합도가 97.33 %으로 나타났다. 본 연구에서 제시된 방법론은 딥 러닝에 기반하여 도시 홍수 대응능력을 향상 시키는데 도움이 될 것으로 판단된다.

Abstract ▼ AI-Helper

Because of climate change, the occurrence of localized and heavy rainfall is increasing. It is important to predict floods in urban areas that have suffered inundation in the past. For flood prediction, not only numerical analysis models but also machine learning-based models can be applied. The LSTM (Long Short-Term Memory) neural network used in this study is appropriate for sequence data, but it demands a lot of data. However, rainfall that causes flooding does not appear every year in a single urban basin, meaning it is difficult to collect enough data for deep learning. Therefore, in addition to the rainfall observed in the study area, the observed rainfall in another urban basin was applied in the predictive model. The LSTM neural network was used for predicting the total overflow, and the result of the SWMM (Storm Water Management Model) was applied as target data. The prediction of the inundation map was performed by using logistic regression; the independent variable was the total overflow and the dependent variable was the presence or absence of flooding in each grid. The dependent variable of logistic regression was collected through the simulation results of a two-dimensional flood model. The input data of the two-dimensional flood model were the overflow at each manhole calculated by the SWMM. According to the LSTM neural network parameters, the prediction results of total overflow were compared. Four predictive models were used in this study depending on the parameter of the LSTM. The average RMSE (Root Mean Square Error) for verification and testing was 1.4279 ㎥/s, 1.0079 ㎥/s for the four LSTM models. The minimum RMSE of the verification and testing was calculated as 1.1655 ㎥/s and 0.8797 ㎥/s. It was confirmed that the total overflow can be predicted similarly to the SWMM simulation results. The prediction of inundation extent was performed by linking the logistic regression with the results of the LSTM neural network, and the maximum area fitness was 97.33 % when more than 0.5 m depth was considered. The methodology presented in this study would be helpful in improving urban flood response based on deep learning methodology.

주제어

표/그림 (12)

그림 Fig. 1. Flowchart for Study
표 Table 1. Observed Rainfall Data
그림 Fig. 2. Structure of RNN
그림 Fig. 3. Structure of RNN and LSTM
그림 Fig. 4. Comparison of Floodmark and Simulation Result (Samseong Area)
그림 Fig. 5. Sequence of Rainfall Data (Input for LSTM)
그림 Fig. 6. Sequence of Total Overflow Data (Target for LSTM)
표 Table 2. LSTM Model and Parameter
그림 Fig. 7. Comparison of LSTM Results
표 Table 3. Result of LSTM Prediction
그림 Fig. 8. Application of Logistic Regression for Total Overflow-Inundation Data
그림 Fig. 9. Comparison of Inundation Extent

AI 본문요약
AI-Helper

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

문제 정의

2011년 7월 27일 강우에 대한 총 월류량 SWMM 모의 결과와 가장 근접하게 예측한 LSTM1의 결과를 로지스틱회귀에 입력하여 침수범위를 예측하고자 하였다. 침수심 0.
LSTM의 과적합을 피하기 위하여 드롭아웃(Dropout)기능을 사용하였으며, 드롭아웃은 딥 러닝의 학습 시에 과적합 문제를 해결하기 위해 노드 중 일부를 제거하는 학습기법이다. 드롭아웃의 비율, 노드의 수, LSTM 층의 개수에 따라 예측 결과를 비교하고자 하였다. Table 2와 같이 매개변수에 따라 4개의 LSTM 모형을 구축하였다.
본 연구에서 로지스틱 회귀는 독립변수인 1차원 도시유출해석 결과에 따른 종속변수인 침수 유무를 예측하기 위하여 사용되었다.
본 연구에서는 복잡한 배수체계를 가진 도시유역에 대하여, 총 월류량을 나타내는 유출 곡선과 침수 범위를 예측할 수 있는 기법을 제시하고자 하였다. 이를 위하여 LSTM 모형과 로지스틱회귀 모형을 이용하였으며, 강우 사상은 서울시를 포함한 전국단위의 강우사상을 적용하였다.
, 2015). 본 연구에서는 전국단위로 조사된 70개의 강우 사상에 대하여 SWMM 모의와 2차원 홍수해석을 실시하였다. 1-2차원 해석 결과는 RNN과 로지스틱회귀의 입력 자료로서 사용되었다.

가설 설정

로지스틱 회귀는 오즈비 또는 각 분류항목에 대한 확률의 자연로그 값은 입력되는 독립변수에 선형적 관계를 가지고 있음을 가정한다. 회귀의 매개변수는 최우도법 등을 통해 산정이 되며, 오즈비의 로그 값인 로짓(logit)함수는 0과 1사이에 구속 된 변수를 연속 된 무한의 변수로 변환시켜 준다.

제안 방법

이를 통해 매개변수 변화에 따른 LSTM의 예측력을 파악할 수 있었으며, 도시 유역에 대한 유출 예측뿐만 아니라 추후 수문분야에 대한 LSTM의 적용 시 참고자료가 될 수 있을 것으로 보인다.(3) 대상 지역에 대한 2차원 격자의 총 월류량에 따른 침수 발생 양상을 파악한 후, 이를 격자 별로 로지스틱회귀에 학습하였다. LSTM에 의해 예측된 총 월류량을 기반으로 침수심 0.
다양한 관측 강우사상은 LSTM 모형의 입력 자료로서 사용하고 1차원 도시유출해석 결과는 목표값으로 사용되었다. 2차원 침수 해석 결과는 로지스틱 회귀 모형의 종속 변수로서 적용되어 LSTM으로부터 예측 된 총 월류량이 입력 될 시에 침수 범위를 예측할 수 있도록 하였다. 제시된 방법론을 통해 LSTM 모형 기반 총 월류량 곡선을 도시유역에서 적용할 수 있음을 나타내고, 예측 되는 침수 범위를 통해 도시 홍수 대응체계의 기초자료를 제공할 수 있을 것으로 보인다.
(3) 대상 지역에 대한 2차원 격자의 총 월류량에 따른 침수 발생 양상을 파악한 후, 이를 격자 별로 로지스틱회귀에 학습하였다. LSTM에 의해 예측된 총 월류량을 기반으로 침수심 0.0~0.2 m, 0.2~0.5 m, 0.5 m 이상의 침수심에 대한 범람 범위를 예측하였다. 예측의 검증을 위해 침수면적적합도를 산정하였는데, 0.
SWMM 기반 1차원 도시유출해석 결과의 적절성을 판단하기 위하여, 맨홀 지점 별 월류량을 이용한 2차원 침수해석을 실시하고 이를 내수침수위험지구, 침수흔적도와 비교하고자 하였다. SWMM모형 결과의 적절성 검증을 위한 2차원 모형은 FLO-2D를 이용하였다.
1 version)을 통하여 산출하였으며, 외수의 영향은 서울특별시 풍수해저감종합계획(Seoul Metropolitan City, 2015)을 참조하여 적용하였다. SWMM 모형의 실행블록 중 Runoff와 Extran을 활용하였으며, Runoff 블록은 강우사상 기반의 초기연산이 수행되는 블록으로써 배수유역 내의 유출현상, 맨홀에 대한 유입수문곡선을 계산한다. Extran블록의 경우 Runoff 블록의 출력자료를 활용하여 배수관망 시스템의 유량과 수심을 구하기 위해 사용되며, 계산 시간별 배수관망 내의 유량 및 수위를 통해 관내의 역류현상, 월류량 해석이 가능하다(Park et al.
침수를 유발한 과거 관측 강우를 다수 수집함으로써 연구 대상 지역 내에 부족한 침수 사상을 보완하였다. Table 1에 본 연구에서 적용한 강우 관측소의 이름, 관측소코드, 관측날짜, 강우량을 제시하였으며, LSTM 모형에 적용하기 위한 학습, 검증, 테스트 자료에 따라 구분하였다. LSTM 모형의 훈련 자료는 총 40개의 강우 사상으로 구성되어 있으며, 검증 자료는 20개의 강우 사상으로 구성되어 있다.
여기서 Grid_simulated는 홍수 해석모의를 통해 침수가 발생한 격자를 나타내며,Grid_predicted는 예측된 침수 격자를 나타낸다. 모의 및 예측된 총 침수 격자의 수에서 공통적으로 침수가 발생되는 격자의 수 비율을 산정함으로써 침수면적적합도를 산정하였다. 침수심 0.
본 연구에서는 2011년 7월 27일에 대한 총 월류량에 대한 예측뿐만 아니라, 침수심 0, 0.2, 0.5 m 이상에 대한 침수범위를 각각 예측하였다. 예측을 위한 침수심 기준은 서울안전누리(Seoul Metropolitan Government, 2020)에서 제공되는 침수예상도의 범례를 참조하였다.
훈련을 위한 자료는 20개 관측강우 사상이므로 총 14,400개의 자료를 포함하고 있다. 본 연구에서는 제시된 예측 모형의 검증을 위해 테스트 자료 중 2011년 7월 27일에 강남(400) AWS에서 관측된 강우 사상에 대한 총 월류량과 침수 범위를 예측하고 이를 수치해석 기반 홍수 모의 결과와 비교하였다.
(2018)은 강우-유출 시뮬레이션을 위해 LSTM (Long Short-Term Memory) 신경망을 사용하였으며, 86개의 강우-유출 패턴 자료를 이용하였다. 이에 대한 결과를 일반적은 ANN (Artificial Neural Network)모델과 비교하여 LSTM 신경망의 우수성을 검증하였다.
이에 본 연구에서는 도시 침수를 야기한 다양한 관측강우 사상을 조사하였으며, 관측 강우 자료 기반 1차원 도시유출해석과 2차원 침수해석을 실시하여 홍수 데이터베이스를 구축하였다. 이는 단일 도시 유역에서 침수를 일으키는 실제 강우자료에 대한 부족함을 보완해주고, 다양한 자료 패턴을 필요로 하는 딥 러닝 기법의 적용가능성을 확보 할 수 있을 것으로 보인다.
2009~2017년도에 걸친 실제 호우를 조사하였으며, 총 70여개의 강우 자료를 수집하였다. 총 강우량(mm)은 최소 7.5 mm에서 최대 284.4 mm까지 나타났으며, 다양한 강수 패턴을 LSTM 모형에 학습하고자 하였다. 침수를 유발한 과거 관측 강우를 다수 수집함으로써 연구 대상 지역 내에 부족한 침수 사상을 보완하였다.
LSTM 모형을 구축할 때에 전국 주요 관측 강우 사상은 입력 자료, SWMM의 총 월류량 결과를 목표값 자료로서 사용하였다. 총 월류량 결과는 조사 된 전국단위 강우자료를 이용하여, 삼성 배수분구에 대한 1차원 도시유출 해석을 실시하여 수집하였다. 총 70개의 강우-총 월류량 세트 중 40개 사상은 훈련, 20개 사상은 검증, 10개 사상은 테스트 자료로서 사용되었다.
주어진 총 월류량에 대하여 특정 격자에 침수가 발생하면 1, 발생하지 않는다면 0으로 지정하였다. 침수가 발생하는 주요 침수 격자에 대해서 로지스틱회귀를 적용하였으며, MATLAB 기반 행렬연산을 통해 빠르게 침수범위를 산정할 수 있도록 하였다. 본 연구에서는 총 236651개의 격자에 대해 분석을 실시하였는데, 69개의 강우 사상에 대하여 30번의 침수가 발생한 66708번째 격자에 대한 회귀 결과는 Fig.
4 mm까지 나타났으며, 다양한 강수 패턴을 LSTM 모형에 학습하고자 하였다. 침수를 유발한 과거 관측 강우를 다수 수집함으로써 연구 대상 지역 내에 부족한 침수 사상을 보완하였다. Table 1에 본 연구에서 적용한 강우 관측소의 이름, 관측소코드, 관측날짜, 강우량을 제시하였으며, LSTM 모형에 적용하기 위한 학습, 검증, 테스트 자료에 따라 구분하였다.
2011년 7월 27일 강우에 대한 총 월류량 SWMM 모의 결과와 가장 근접하게 예측한 LSTM1의 결과를 로지스틱회귀에 입력하여 침수범위를 예측하고자 하였다. 침수심 0.0, 0.2, 0.5 m 이상에 대한 침수범위를 SWMM 결과를 이용한 2차원 해석결과의 침수범위와 비교하였다. 1-2차원 모의와 LSTM 모형과 로지스틱회귀의 연계를 통한 예측결과는 Fig.
(2016)은 주성분 분석과 로지스틱 회귀를 이용하여 홍수 위험 맵핑을 시도하였다. 흐름누적 값을 포함한 다양한 인자에 대한 다기준 분석을 실시하였으며, 홍수 사상에 대한 분류에 대한 검증을 수행하여 적합한 결과를 산정하였다.

대상 데이터

Hu et al.(2018)은 강우-유출 시뮬레이션을 위해 LSTM (Long Short-Term Memory) 신경망을 사용하였으며, 86개의 강우-유출 패턴 자료를 이용하였다. 이에 대한 결과를 일반적은 ANN (Artificial Neural Network)모델과 비교하여 LSTM 신경망의 우수성을 검증하였다.
본 연구에서는 전국단위로 조사된 70개의 강우 사상에 대하여 SWMM 모의와 2차원 홍수해석을 실시하였다. 1-2차원 해석 결과는 RNN과 로지스틱회귀의 입력 자료로서 사용되었다.
1차원 도시유출해석 결과는 70개의 관측 강우사상에 대한 SWMM 모의를 통하여 수집하였으며, 종속변수인 대상지역에 대한 침수 유무에 대한 자료는 1-2차원 연계해석 결과, 침수흔적도, 풍수해저감종합계획 보고서를 통해 수집을 하였다. p는 침수가 발생할 확률을 나타내며, 예측된 p값은 0부터 1사이의 값을 나타내게 된다.
서울시를 포함한 전국단위(인천, 천안, 충주, 부산, 울산, 창원) 도시에 대하여 침수피해를 야기한 지속시간 6시간 강우를 ASOS (Automated Synoptic Observing System)와 AWS (Automatic Weather System)의 관측 자료를 기상청(Korea Meteorological Administration, KMA, 2020) 웹사이트를 통하여 조사하였다. 2009~2017년도에 걸친 실제 호우를 조사하였으며, 총 70여개의 강우 자료를 수집하였다. 총 강우량(mm)은 최소 7.
LSTM 모형을 구축할 때에 전국 주요 관측 강우 사상은 입력 자료, SWMM의 총 월류량 결과를 목표값 자료로서 사용하였다. 총 월류량 결과는 조사 된 전국단위 강우자료를 이용하여, 삼성 배수분구에 대한 1차원 도시유출 해석을 실시하여 수집하였다.
Table 1에 본 연구에서 적용한 강우 관측소의 이름, 관측소코드, 관측날짜, 강우량을 제시하였으며, LSTM 모형에 적용하기 위한 학습, 검증, 테스트 자료에 따라 구분하였다. LSTM 모형의 훈련 자료는 총 40개의 강우 사상으로 구성되어 있으며, 검증 자료는 20개의 강우 사상으로 구성되어 있다. 테스트 자료의 경우 총 10개의 강우 사상이 사용되었다.
4에 배수분구 경계와 배수 관망과 맨홀이 나타나 있다. 나타난 배수관망과 맨홀 정보는 SWMM의 배수 관망 입력 자료로 사용되었다. 도시 지표에 내린 우수는 관망을 통해 최종적으로 탄천으로 우수가 배수되는 연결 구조로 구성되어있다.
침수가 발생하는 주요 침수 격자에 대해서 로지스틱회귀를 적용하였으며, MATLAB 기반 행렬연산을 통해 빠르게 침수범위를 산정할 수 있도록 하였다. 본 연구에서는 총 236651개의 격자에 대해 분석을 실시하였는데, 69개의 강우 사상에 대하여 30번의 침수가 발생한 66708번째 격자에 대한 회귀 결과는 Fig. 8과 같다. 대상지역에 대한 침수 범위를 예측하기 위해 모든 격자에 대해 동일한 방법으로 로지스틱회귀 곡선을 작성하였으며, 총 월류량이 각각 곡선에 입력되고 그 확률이 50 % (0.
서울시를 포함한 전국단위(인천, 천안, 충주, 부산, 울산, 창원) 도시에 대하여 침수피해를 야기한 지속시간 6시간 강우를 ASOS (Automated Synoptic Observing System)와 AWS (Automatic Weather System)의 관측 자료를 기상청(Korea Meteorological Administration, KMA, 2020) 웹사이트를 통하여 조사하였다. 2009~2017년도에 걸친 실제 호우를 조사하였으며, 총 70여개의 강우 자료를 수집하였다.
연구 대상지역으로서 삼성1, 삼성2 배수분구를 포함하는 서울시 삼성동 일대로 선정하였으며, Fig. 4에 배수분구 경계와 배수 관망과 맨홀이 나타나 있다. 나타난 배수관망과 맨홀 정보는 SWMM의 배수 관망 입력 자료로 사용되었다.
도시 지표에 내린 우수는 관망을 통해 최종적으로 탄천으로 우수가 배수되는 연결 구조로 구성되어있다. 연구 대상지역은 2001년, 2010년 9월 21일 그리고 2011년 7월 27일에 집중호우에 따른 극심한 침수피해가 발생한 사례가 있다. 상대적으로 저지대 이며, 복잡한 배수체계 그리고 관내 흐름 한도를 초과하는 우수유입을 통하여 내수침수가 발생된 것으로 보인다(Seoul Metropolitan City, 2015).
침수의 발생 유무 자료는 삼성 배수분구에 대한 2차원 홍수해석 모의 결과를 통하여 수집하였다. 이에 대한 정보는 예측 검증의 대상이 되는 2011년 7월 27일 강남 AWS 관측 강우사상을 제외한 69개의 실측 강우 사상의 2차원 모의 결과를 이용하였다. 총 월류량은 SWMM 모의를 통해 산정된 값을 사용하였다.
총 월류량 결과는 조사 된 전국단위 강우자료를 이용하여, 삼성 배수분구에 대한 1차원 도시유출 해석을 실시하여 수집하였다. 총 70개의 강우-총 월류량 세트 중 40개 사상은 훈련, 20개 사상은 검증, 10개 사상은 테스트 자료로서 사용되었다. 관측 강우 사상들과 SWMM의 총 월류량 모의 결과들은 Figs.
침수 범위 예측을 위하여 로지스틱회귀를 이용하였으며, 독립변수는 총 월류량, 종속변수는 격자 별 침수의 발생 유무로 선정하였다. 침수의 발생 유무 자료는 삼성 배수분구에 대한 2차원 홍수해석 모의 결과를 통하여 수집하였다. 이에 대한 정보는 예측 검증의 대상이 되는 2011년 7월 27일 강남 AWS 관측 강우사상을 제외한 69개의 실측 강우 사상의 2차원 모의 결과를 이용하였다.
LSTM 모형의 훈련 자료는 총 40개의 강우 사상으로 구성되어 있으며, 검증 자료는 20개의 강우 사상으로 구성되어 있다. 테스트 자료의 경우 총 10개의 강우 사상이 사용되었다. 각 강우사상은 10분 단위 자료이며, 지속시간 2766시간 이므로 360개의 자료를 가지고 있다.
각 강우사상은 10분 단위 자료이며, 지속시간 2766시간 이므로 360개의 자료를 가지고 있다. 훈련을 위한 자료는 20개 관측강우 사상이므로 총 14,400개의 자료를 포함하고 있다. 본 연구에서는 제시된 예측 모형의 검증을 위해 테스트 자료 중 2011년 7월 27일에 강남(400) AWS에서 관측된 강우 사상에 대한 총 월류량과 침수 범위를 예측하고 이를 수치해석 기반 홍수 모의 결과와 비교하였다.

데이터처리

적용된 LSTM 모형은 서울시 관측 강우에 대하여 학습하였기에 Table 3에서 상대적으로 검증 단계의 오차가 크게 나타나는 것으로 보인다.(2) LSTM을 이용한 총 월류량 예측 결과는 SWMM을 통한 1차원 모의결과와 비교하였다. LSTM의 주요 매개변수에 따라 예측 결과를 비교하였는데, 드랍아웃 비율을 0.
Table 3에는 LSTM 모형의 훈련, 검증, 테스트 결과를 나타내었으며, 2011년 7월 27일 강우 사상에 대한 총 월류량 예측 결과를 SWMM 모의 결과와 비교하였다.
8과 같다. 대상지역에 대한 침수 범위를 예측하기 위해 모든 격자에 대해 동일한 방법으로 로지스틱회귀 곡선을 작성하였으며, 총 월류량이 각각 곡선에 입력되고 그 확률이 50 % (0.5)을 넘었을 때에 침수가 발생하는 것으로 판단하였다.
7에 나타내었다. 비교를 위한 오차 분석법은 평균제곱근편차(Root Mean Sqaure Error, RMSE)와 Nash-Sutcliffe 효율계수(Nash-Sutcliffe Efficiency Coefficient, NSEC)를 사용하였다. 전반적으로 LSTM2 모형의 학습, 검증, 테스트 결과의 평균제곱근편차가 낮고 높은 효율계수를 나타내고 있다.
Pradhan(2009)은 과거 몬순 강우에 의한 홍수피해를 입은 연구대상 지역에 대한 정량적인 홍수 위험등급의 추정치를 제시하기 위하여 로지스틱 회귀를 사용하였다. 이를 위한 독립변수로서 경사도, 곡률, 강우, 배수 및 고도인자를 모두 고려하여 회귀분석을 실시하였다. Ozdemir(2011)은 다양한 GIS 기반 자료를 이용하여 지하수 존재에 대한 가능성을 나타내는 지도를 생성하였다.
예측을 위한 침수심 기준은 서울안전누리(Seoul Metropolitan Government, 2020)에서 제공되는 침수예상도의 범례를 참조하였다. 침수 범위 예측을 위하여 로지스틱회귀를 이용하였으며, 독립변수는 총 월류량, 종속변수는 격자 별 침수의 발생 유무로 선정하였다. 침수의 발생 유무 자료는 삼성 배수분구에 대한 2차원 홍수해석 모의 결과를 통하여 수집하였다.
주어진 70개의 관측 강우 사상만으로도 LSTM은 충분한 학습을 수행하였으며, LSTM 매개변수에 따른 예측 결과를 비교할 수 있었다. 홍수 예측은 강남 AWS에서 2011년 7월 27일에 관측된 강우 사상에 대하여 실시되었으며, 1-2차원 홍수해석 결과와 비교하였다. 1차원, 2차원 결과에 대하여 모두 적합한 예측 결과를 나타냈다.

이론/모형

연구 대상지역에서 다양한 강우 사상에 따른 월류량 해석을 위하여 Eqs. (1) and (2)에 나타난 Saint-Venant의 연속방적식과 운동량 방정식을 활용하였다. Q는 유출량(m³), W는 소유역의 폭(m), n은 Manning의 조도계수, d는 수심(m), d_p는 지면저류 손실수심(m), S는 소유역 경사를 의미하며, A는 소유역의 지표흐름 단면적(m²), V는 지표흐름 속도(m/sec)를 나타낸다.
, 2015). 2차원 수리학적 침수해석의 결과를 이용하여 각 강우조건에 따른 최대 침수 지도를 생성하였으며, 결과는 로지스틱 회귀의 종속 변수로서 사용된다. 홍수파 해석을 위한 2차원 격자의 크기는 5  정방형으로 하였으며, Eqs.
SWMM 기반 1차원 도시유출해석 결과의 적절성을 판단하기 위하여, 맨홀 지점 별 월류량을 이용한 2차원 침수해석을 실시하고 이를 내수침수위험지구, 침수흔적도와 비교하고자 하였다. SWMM모형 결과의 적절성 검증을 위한 2차원 모형은 FLO-2D를 이용하였다. Fig.
이는 단일 도시 유역에서 침수를 일으키는 실제 강우자료에 대한 부족함을 보완해주고, 다양한 자료 패턴을 필요로 하는 딥 러닝 기법의 적용가능성을 확보 할 수 있을 것으로 보인다. 다양한 관측 강우사상은 LSTM 모형의 입력 자료로서 사용하고 1차원 도시유출해석 결과는 목표값으로 사용되었다. 2차원 침수 해석 결과는 로지스틱 회귀 모형의 종속 변수로서 적용되어 LSTM으로부터 예측 된 총 월류량이 입력 될 시에 침수 범위를 예측할 수 있도록 하였다.
도시 홍수는 재산 및 인명피해로 이어질 수 있기 때문에 침수의 양상을 사전에 파악하고, 예측할 수 있는 시스템을 구축하는 것은 매우 중요하다 할 수 있다. 도시 홍수해석을 위해 수치해석 기반 모형이 사용되었으며, 이는 정교한 모의 결과를 제공하였다. 다만 수치해석 기반 모형의 경우, 매개변수의 조정, 자료의 수집, 입출력 자료에 대한 전·후처리에 시간이 다소 소요될 수 있는 단점이 있다.
앞서 조사한 관측 강우에 따른 유출량을 EPA-SWMM (EPA’s Storm Water Management Model, 5.1 version)을 통하여 산출하였으며, 외수의 영향은 서울특별시 풍수해저감종합계획(Seoul Metropolitan City, 2015)을 참조하여 적용하였다.
5 m 이상에 대한 침수범위를 각각 예측하였다. 예측을 위한 침수심 기준은 서울안전누리(Seoul Metropolitan Government, 2020)에서 제공되는 침수예상도의 범례를 참조하였다. 침수 범위 예측을 위하여 로지스틱회귀를 이용하였으며, 독립변수는 총 월류량, 종속변수는 격자 별 침수의 발생 유무로 선정하였다.
본 연구에서는 복잡한 배수체계를 가진 도시유역에 대하여, 총 월류량을 나타내는 유출 곡선과 침수 범위를 예측할 수 있는 기법을 제시하고자 하였다. 이를 위하여 LSTM 모형과 로지스틱회귀 모형을 이용하였으며, 강우 사상은 서울시를 포함한 전국단위의 강우사상을 적용하였다. 주어진 70개의 관측 강우 사상만으로도 LSTM은 충분한 학습을 수행하였으며, LSTM 매개변수에 따른 예측 결과를 비교할 수 있었다.
침수 범위에 대한 분석을 위한 2차원 홍수 해석은 유한차분기법을 기반으로 하는 수리해석 프로그램을 이용하였다. 적용한 FLO-2D 모형은 FEMA (Federal Emergency Management Agency, 미국 연방재난관리청)가 승인한 하천흐름과 홍수해석을 위한 수리모형으로 유한차분법을 이용한다(Risi et al., 2015). 2차원 수리학적 침수해석의 결과를 이용하여 각 강우조건에 따른 최대 침수 지도를 생성하였으며, 결과는 로지스틱 회귀의 종속 변수로서 사용된다.
이에 대한 정보는 예측 검증의 대상이 되는 2011년 7월 27일 강남 AWS 관측 강우사상을 제외한 69개의 실측 강우 사상의 2차원 모의 결과를 이용하였다. 총 월류량은 SWMM 모의를 통해 산정된 값을 사용하였다. 주어진 총 월류량에 대하여 특정 격자에 침수가 발생하면 1, 발생하지 않는다면 0으로 지정하였다.
침수 범위에 대한 분석을 위한 2차원 홍수 해석은 유한차분기법을 기반으로 하는 수리해석 프로그램을 이용하였다. 적용한 FLO-2D 모형은 FEMA (Federal Emergency Management Agency, 미국 연방재난관리청)가 승인한 하천흐름과 홍수해석을 위한 수리모형으로 유한차분법을 이용한다(Risi et al.

성능/효과

주요 연구 결과를 정리하면 다음과 같다.(1) 서울시를 포함한 전국 단위의 관측 강우를 사용함으로써, 단일 도시 배수분구에서 부족한 홍수 양상을 적용할 수 있었다. 비록 인접 지구 또는 다른 지역의 관측 강우를 차용하여 사용하는 것이지만, 기계학습 기반 홍수예측 모형을 위한 충분한 입력 자료를 구축하는데 유용한 것으로 판단된다.
(2) LSTM을 이용한 총 월류량 예측 결과는 SWMM을 통한 1차원 모의결과와 비교하였다. LSTM의 주요 매개변수에 따라 예측 결과를 비교하였는데, 드랍아웃 비율을 0.3, 노드의 수를 32개, LSTM 층의 수는 3개를 사용했을 때에 SWMM의 2011년 7월 27일(강남 AWS) 강우 사상에 대한 모의 결과와 근접하게 나타났다. 이를 통해 매개변수 변화에 따른 LSTM의 예측력을 파악할 수 있었으며, 도시 유역에 대한 유출 예측뿐만 아니라 추후 수문분야에 대한 LSTM의 적용 시 참고자료가 될 수 있을 것으로 보인다.
전반적으로 LSTM2 모형의 학습, 검증, 테스트 결과의 평균제곱근편차가 낮고 높은 효율계수를 나타내고 있다. 그러나, 본 연구의 예측 대상인 2011년 7월 27일 사상에 대해서는 LSTM1 모형에서 가장 SWMM 모의 결과와 근접한 예측결과를 나타내었다. 반면 LSTM3 모형에서 SWMM 모의 결과와 가장 큰 차이를 나타내었으며, 학습 결과 또한 다른 모형보다 좋지않은 결과를 산출하였다.
82 %로 나타났다. 또한 삼성역에서 선릉역 까지의 전체 침수심에서 침수흔적도 내에 발생한 침수격자 개수의 비율은 67 %으로 나타났다. 침수흔적도가 0.
그러나, 본 연구의 예측 대상인 2011년 7월 27일 사상에 대해서는 LSTM1 모형에서 가장 SWMM 모의 결과와 근접한 예측결과를 나타내었다. 반면 LSTM3 모형에서 SWMM 모의 결과와 가장 큰 차이를 나타내었으며, 학습 결과 또한 다른 모형보다 좋지않은 결과를 산출하였다.
5 m 이상의 침수심에 대한 범람 범위를 예측하였다. 예측의 검증을 위해 침수면적적합도를 산정하였는데, 0.5 m이상의 침수 범위에 대해서 97.33 %의 침수면적적합도가 산정되었다. 수치해석 기반 홍수 모형의 경우 1차원 해석 시 14분, 2차원 침수해석 시 50분이 소요되었다.
Ozdemir(2011)은 다양한 GIS 기반 자료를 이용하여 지하수 존재에 대한 가능성을 나타내는 지도를 생성하였다. 이를 통해 4단계의 지하수 존재의 가능성 등급을 분류 할 수 있었으며, 지하수 원천에 대한 예측 정확도 90 %이상을 달성할 수 있었다. Nandi et al.
비교를 위한 오차 분석법은 평균제곱근편차(Root Mean Sqaure Error, RMSE)와 Nash-Sutcliffe 효율계수(Nash-Sutcliffe Efficiency Coefficient, NSEC)를 사용하였다. 전반적으로 LSTM2 모형의 학습, 검증, 테스트 결과의 평균제곱근편차가 낮고 높은 효율계수를 나타내고 있다. 그러나, 본 연구의 예측 대상인 2011년 7월 27일 사상에 대해서는 LSTM1 모형에서 가장 SWMM 모의 결과와 근접한 예측결과를 나타내었다.
수치해석 기반 홍수 모형의 경우 1차원 해석 시 14분, 2차원 침수해석 시 50분이 소요되었다. 제시된 방법론은 2차원 침수 범위 예측까지 3초 이내로 산정되어, 실시간으로 수재해 대응을 위한 유용한 방법론으로 판단된다. 본 연구는 침수심에 대한 범람 범위에 대한 제시뿐만 아니라 홍수위험도에 대한 실시간 산정을 위해 적용될 수 있을 것으로 보인다.
이를 위하여 LSTM 모형과 로지스틱회귀 모형을 이용하였으며, 강우 사상은 서울시를 포함한 전국단위의 강우사상을 적용하였다. 주어진 70개의 관측 강우 사상만으로도 LSTM은 충분한 학습을 수행하였으며, LSTM 매개변수에 따른 예측 결과를 비교할 수 있었다. 홍수 예측은 강남 AWS에서 2011년 7월 27일에 관측된 강우 사상에 대하여 실시되었으며, 1-2차원 홍수해석 결과와 비교하였다.
4와 같이 2010년 침수흔적도와 2010년 9월 21일의 관측 강우 기반 2차원 홍수해석 결과를 비교하였을 때에, 선릉역 및 테헤란로 일대의 침수양상이 대부분 유사하게 나타났다. 침수흔적도 내에 발생한 격자 중, 침수가 발생한 격자의 비율은 75.82 %로 나타났다. 또한 삼성역에서 선릉역 까지의 전체 침수심에서 침수흔적도 내에 발생한 침수격자 개수의 비율은 67 %으로 나타났다.

후속연구

제시된 방법론은 2차원 침수 범위 예측까지 3초 이내로 산정되어, 실시간으로 수재해 대응을 위한 유용한 방법론으로 판단된다. 본 연구는 침수심에 대한 범람 범위에 대한 제시뿐만 아니라 홍수위험도에 대한 실시간 산정을 위해 적용될 수 있을 것으로 보인다.
이에 본 연구에서는 도시 침수를 야기한 다양한 관측강우 사상을 조사하였으며, 관측 강우 자료 기반 1차원 도시유출해석과 2차원 침수해석을 실시하여 홍수 데이터베이스를 구축하였다. 이는 단일 도시 유역에서 침수를 일으키는 실제 강우자료에 대한 부족함을 보완해주고, 다양한 자료 패턴을 필요로 하는 딥 러닝 기법의 적용가능성을 확보 할 수 있을 것으로 보인다. 다양한 관측 강우사상은 LSTM 모형의 입력 자료로서 사용하고 1차원 도시유출해석 결과는 목표값으로 사용되었다.
3, 노드의 수를 32개, LSTM 층의 수는 3개를 사용했을 때에 SWMM의 2011년 7월 27일(강남 AWS) 강우 사상에 대한 모의 결과와 근접하게 나타났다. 이를 통해 매개변수 변화에 따른 LSTM의 예측력을 파악할 수 있었으며, 도시 유역에 대한 유출 예측뿐만 아니라 추후 수문분야에 대한 LSTM의 적용 시 참고자료가 될 수 있을 것으로 보인다.(3) 대상 지역에 대한 2차원 격자의 총 월류량에 따른 침수 발생 양상을 파악한 후, 이를 격자 별로 로지스틱회귀에 학습하였다.
2차원 침수 해석 결과는 로지스틱 회귀 모형의 종속 변수로서 적용되어 LSTM으로부터 예측 된 총 월류량이 입력 될 시에 침수 범위를 예측할 수 있도록 하였다. 제시된 방법론을 통해 LSTM 모형 기반 총 월류량 곡선을 도시유역에서 적용할 수 있음을 나타내고, 예측 되는 침수 범위를 통해 도시 홍수 대응체계의 기초자료를 제공할 수 있을 것으로 보인다. 본 연구에 대한 흐름도는 Fig.

질의응답

핵심어	질문	논문에서 추출한 답변
	일반적인 RNN의 단점은?	LSTM은 입력 자료에 대한 정보 상태를 보존 여부에 따라 학습이 가능한 기법이다. 일반적인 RNN은 전 시간에 대한 은닉층의 학습결과에 대해서만 업데이트하는 단점이 있다. Fig.
	딥 러닝의 일반적인 신경망 대비 장점은?	기계학습의 범주에 포함되는 딥 러닝은 일반적인 신경망 보다 깊은 학습이 가능하며, 비선형을 가진 자료에 대해서도 적절한 분석결과를 제시할 수 있다. Shen(2018)에 따르면, 수자원 및 수문분야에 대한 딥 러닝 기법의 적용은 점차증가하고 있으며 대부분 과학 분야에서와 마찬가지로 수자원 분야에서도 우수한 예측 및 분석결과를 도출해낼 것으로 보인다.
	로지스틱 회귀의 기능은?	로지스틱 회귀는 비율, 비례적 또는 범주형 자료에 대한 회귀 추정을 실시하는 간단한 기계학습의 일종이다. 더욱 발전된 분류와 회귀 기법에 비하면 매우 간단한 이론에 바탕을 두고 있지만, 범주형 자료에 대하여 확률적인 분석이 가능하다. 즉, 종속변수에 직접적인 영향을 가진 독립변수를 이용하여 어떤 특정 사건의 발생 여부를 예측할 수 있다.

참고문헌 (17)

Cultural Heritage Administration (2020). Flood history, Available at: http://royaltombs.cha.go.kr (Accessed: January 2, 2020).
Gardner, K. K. and Vogel, R. M. (2005). "Predicting ground water nitrate concentration from land use." Ground Water, Vol. 43, No. 3, pp. 343-352.

상세보기
Hu, C., Wu, Q., Li, H., Jian, S., Li, N. and Lou, Z. (2018). "Deep learning with a long short-term memory networks approach for rainfall-runoff simulation." Water, Vol. 10, No. 11, 1543.

상세보기
Korea Meteorological Administration (KMA) (2020). Meteorological database, Observation Data, Available at: https://data.kma.go.kr (Accessed: December 1, 2019).
Le, X. H., Ho, H. V., Lee, G. H. and Jung, S. H. (2019). "Application of long short-term memory (LSTM) neural network for flood forecasting." Water, Vol. 11, No. 7, 1387, DOI: 10.3390/w11071387.

상세보기
Moore, M. R. (2011). Development of a high-resolution 1D/2D coupled flood simulation of Charles City, Iowa, Master's Thesis, University of Iowa, United States of America (USA).
Mosavi, A., Ozturk, P. and Chaw K. K. (2018). "Flood prediction using machine learning models: Literature review." Water, Vol. 10, No. 11, 1536, DOI: 10.3390/w10111536.

상세보기
Nandi, A., Mandal, A., Wilson, M. and Smith, D. (2016). "Flood hazard mapping in Jamaica using principal component analysis and logistic regression." Environment Earth Science, Vol. 75, No. 465, DOI: 10.1007/s12665-016-5323-0.

상세보기
Ozdemir, A. (2011). "Using a binary logistic regression method and GIS for evaluating and mapping the groundwater spring potential in the Sultan Mountains (Aksehir, Turkey)." Journal of Hydrology, Vol. 405, No. 1-2, pp. 123-136.

상세보기
Park, J. H., Kim, S. H. and Bae, D. H. (2019). "Evaluating appropriateness of the design methodology for urban sewer system." Journal of Korea Water Resource Association, KWRA, Vol. 52, No. 6, pp. 411-420.
Pradhan, B. (2009). "Flood susceptible mapping and risk area delineation using logistic regression, GIS and remote sensing." Journal of Spatial Hydrology, Vol. 9, No. 2, pp. 1-18.
Rai, P. K., Chahar, B. R. and Dhanya, C. T. (2017). "GIS-based SWMM model for simulating the catchment response to flood evetns." Hydrology Research, Vol. 48, No. 2, pp. 384-394.

상세보기
Risi, R. D., Jalayer, F. and Paola, F. D. (2015). "Meso-scale hazard zoning of potentially flood prone areas." Journal of Hydrology, Vol. 527, pp. 316-325.

상세보기
Seoul Metropolitan City (2015). Comprehensive plan for storm and flood damage reduction, Korea, Vol. 1, Chapter 3, pp. 374-375.
Seoul Metropolitan Government (2020). Flood criterion data, Available at: http://safecity.seoul.go.kr (Accessed: January 5, 2020)
Shen, C. (2018). "A transdisciplinary review of deep learning research and its relevance for water resources scientists." Water Resources Research, Vol. 54, No. 11, pp. 8558-8593, DOI: 10.1029/2018WR022643.

상세보기
Son, A. L., Kim, B. H. and Han, K. Y. (2015). "A study on prediction of inundation area considering road network in urban area." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 35, No. 2, pp. 307-318.

원문보기 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