[논문]수문모형과 기계학습을 연계한 실시간 하천홍수 예측

이재영; 김현일; 한건연

doi:10.12652/ksce.2020.40.3.0303

수문모형과 기계학습을 연계한 실시간 하천홍수 예측
Linkage of Hydrological Model and Machine Learning for Real-time Prediction of River Flood 원문보기

대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.40 no.3, 2020년, pp.303 - 314

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

초록
AI-Helper

수자원분야에서 이용되는 강우에 따른 유역의 수문학적 시스템, 도시지역 및 하천에 대한 수리학적 시스템은 비선형성이 강하고 많은 변수들을 포함하고 있다. 이러한 특성을 가진 시계열 자료에서 기계학습을 통한 예측은 예측시점 이전의 자료 특성을 반영하지 못하는 등 기본적인 신경망으로는 부족한 상황이 발생하기도 한다. 본 연구에서 적용할 강우-유출량과 같이 비선형성이 강하고 시간종속성이 높은 복잡한 시계열 자료를 예측하기 위해 신경망의 학습능력을 극대화한 순환형 동적 신경망(Recurrent Dynamic Neural Network)의 한 종류인 동시에, 시간 지연 신경망(Time-Delay Neural Network)의 특성을 가진 비선형 자기회귀(NARX, Nonlinear Autoregressive Exogenous Model) 인공신경망을 사용하였다. 이를 태화강 지방하천 구간에 적용하여 NARX 인공신경망의 시간 지연 매개변수를 10분에서 120분까지 조정하며 모의한 결과에 대해 여러 통계지표를 이용해 정량적으로 평가하였다. 그 결과 지연시간이 증가할수록 효율계수(NSE)가 0.530에서 0.988으로 증가하고, 평균제곱근편차(RMSE)가 379.9 ㎥/s에서 16.1 ㎥/s로 감소하는 등 정교한 예측이 가능함을 확인하였다.

Abstract ▼ AI-Helper

The hydrological characteristics of watersheds and hydraulic systems of urban and river floods are highly nonlinear and contain uncertain variables. Therefore, the predicted time series of rainfall-runoff data in flood analysis is not suitable for existing neural networks. To overcome the challenge of prediction, a NARX (Nonlinear Autoregressive Exogenous Model), which is a kind of recurrent dynamic neural network that maximizes the learning ability of a neural network, was applied to forecast a flood in real-time. At the same time, NARX has the characteristics of a time-delay neural network. In this study, a hydrological model was constructed for the Taehwa river basin, and the NARX time-delay parameter was adjusted 10 to 120 minutes. As a result, we found that precise prediction is possible as the time-delay parameter was increased by confirming that the NSE increased from 0.530 to 0.988 and the RMSE decreased from 379.9 ㎥/s to 16.1 ㎥/s. The machine learning technique with NARX will contribute to the accurate prediction of flow rate with an unexpected extreme flood condition.

주제어

표/그림 (22)

그림 Fig. 1. Location of Gaging Stations and Dam
그림 Fig. 2. Rainfall Distribution During Typhoon Chaba
표 Table 1. Configuratione of Rainfall Scenario
그림 Fig. 3. Structure of Nonlinear Autoregressive Exogenous Network
그림 Fig. 4. Location and Spillway Arrangement of Daeam Dam
표 Table 2. Model Performance Evaluation Criteria Using PBIAS and RSR
그림 Fig. 5. Location for Verification
그림 Fig. 6. Inundation Area of Observed and Simulated
표 Table 3. Verification Results
그림 Fig. 7. Scenario Rainfall with 3-Hour Duration by Design Period (Deokhyun-ri)
그림 Fig. 8. Scenario Rainfall with 3-Hour Duration by Design Period (Samdong)
그림 Fig. 9. Watershed Discharge for Design Period
그림 Fig. 10. Dam Discharge for Design Period (Main Spillway)
그림 Fig. 11. Dam Discharge for Design Period (Emergency Spillway)
그림 Fig. 12. Results of Watershed Discharge Forecast (Scenario)
그림 Fig. 13. Results of Dam Discharge (Main Spillway) Forecast (Scenario)
그림 Fig. 14. Results of Dam Discharge (Emergency Spillway) Forecast (Scenario)
그림 Fig. 15. Results of Rainfall-Discharge Forecast (Typhoon Chaba)
표 Table 4. Statistical Indicators by Time-Delay for Watershed Discharge (Scenario)
표 Table 5. Statistical Indicators by Time-Delay for Dam Discharge (Main Spillway) (Scenario)
표 Table 6. Statistical Indicators by Time-Delay for Dam Discharge (Emergency Spillway) (Scenario)
표 Table 7. Statistical Indicators for Rainfall-Discharge (Typhoon Chaba)

AI 본문요약
AI-Helper

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

문제 정의

대상지역의 상류에 위치한 구수교 수위관측소의 경우 2016년 1월에 관측을 개시한 신규 관측소로 유량자료를 제공하지 못하여 홍수 예·경보 시스템 구축이 어렵다. 따라서 수문모형과 기계학습의 연계를 통해 자료기반 해석을 실시 함으로써 신뢰성 있는 실시간 강우량-유출량 예측이 가능하도록 하였다.
본 연구에서는 시나리오 강우를 기초로 한 강우량-유출량 데이터 베이스를 구축하였고, 이를 통해 학습된 기계학습 모형으로 실제 유출량을 예측하기 위한 알고리듬을 구성하였다. 태화강 하천기본 계획의 설계빈도인 100년 빈도의 강우를 상회하는 계획빈도에 대해서도 고려하기 위해 200년, 300년, 500년, 700년, 1,000년 빈도에 해당하는 강우를 산정하였다.
본 연구에서는 실시간 하천홍수위험 예측을 위해 수문모형을 이용해 DB를 구성하고 기계학습 모형인 NARX 인공신경망을 통한 실시간 강우량-유출량 예측 기법을 제시하였다. 기계학습을 위한 DB 구성은 실측자료를 이용할 수 있다면 간편하고 정확한 예측이 가능하지만 유량자료가 생산되지 않는 신규 수위관측소의 경우 수문모형의 연계를 통해 구성이 가능하며 정확도가 비교적 높음을 확인하였다.
본 연구에서는 이를 보완하기 위해 2016년 10월 태풍 차바로 인해 수해를 입은 태화강 지방하천 구간에 대한 수문모형을 구축하 고 가상의 시나리오 강우를 통해 기계학습을 위한 강우량-유출량에 대한 데이터베이스를 구성하였다. 대상지역의 상류에 위치한 구수교 수위관측소의 경우 2016년 1월에 관측을 개시한 신규 관측소로 유량자료를 제공하지 못하여 홍수 예·경보 시스템 구축이 어렵다.
4)는 2016 년 1월 1일에 관측을 시작하여 유량환산을 위한 Rating Curve가 존재하지 않는다. 이 관측소는 태풍 차바와 같은 침수피해를 방지하기 위한 홍수예측모형을 구축하기 위해서는 상류단 경계조건으로 활용해야하는 중요한 지점이기 때문에 본 연구에서는 구수교 수위 관측소에 대한 수문분석을 실시하여 유출량 자료를 생성하였다.

제안 방법

(1) 기계학습을 이용한 실시간 하천홍수위험 예측을 위한 데이터베이스는 100개의 확률강우량 시나리오를 이용해 산정된 강우량유출량을 바탕으로 구축하였다. 시간 지연 매개변수를 조정하며 학습된 NARX 인공신경망의 예측결과를 시나리오 강우에 대한 예측을 실시한 결과 NSE는 0.
강우에 대한 지속기간은 태풍 차바와 같이 단시간에 집중되는 호우에도 예측이 가능하도록 하기 위해 3시간부터 6시간, 12시간, 18시간, 24시간의 지속기간에 대해 시나리오 강우를 생성하였다.
본 연구에서는 구수교 수위관측소가 유량자료를 생산하지 않으며 태풍 차바 당시 제내지를 통해 많은 양의 물이 흘러들어가 하류에 위치한 사연교 수위관측소의 유량도 비교할 수 없는 등 강우량-유출량 검증에 어려움이 있었다. 따라서 HEC-HMS를 통해 산정된 유출량을 이용해 2차원 침수해석을 실시하여 태풍 차바 내습 당시의 침수범위 및 침수심 검증을 하였다. 태풍 차바 당시의 침수상황 재현을 위해 1/1,000 수치지형도 및 HEC-RAS 등을 이용하였고 검증에 사용된 실제 침수범위 및 침수심은 ｢울주군 반천현대아파트 일원 수해영향분석 보고서｣(Ulsan Metropolitan City, 2017)을 이용하였다.
또한, NARX 인공신경망의 중요 매개변수 중 하나인 지연시간에 대한 비교·검토를 위해 10분, 20분, 30분, 60분, 120분으로 5개의 지연시간에 대해 강우량-유출량 예측을 실시하였다.
본 연구에서는 2016년 10월 5일 태풍 차바로 인한 침수피해가 발생한 태화강 지방하천에 대한 확률강우량 산정 및 수문학적 분석을 통해 기계학습의 데이터베이스를 구축하고 시나리오와 실제 강우에 대한 검증을 실시하였다. 실시간 하천홍수위험 예측을 위한 기계학습 모형은 강우관측소, 수위·유량관측소, 댐 등으로 이루어진 유역 시스템에 적용하여 유출량의 예측이 가능하다.
또한, 대암댐의 저수지 운영에 따른 방류량을 산정하기 위해 HEC-5 모형을 사용하였다. 본 연구에서는 Fig. 4와 같이 위치한 대암댐 방류량을 산정하기 위해 저수지로 유입되는 유량을 HECHMS로 산정한 후 유입량을 HEC-5모형에 입력함으로써 방류량을 계산하였다. 대암댐은 정부표고 EL.
시나리오 강우에 대한 비교·분석결과 수치모형의 결과와 기계학습 모형의 결과가 유사하게 나타나는 것을 확인하였으므로 실제 강우 사상에도 정확한 예측이 가능한지 확인하기 위해 태풍 차바 당시의 강우에 적용하였다.
이상의 시나리오를 종합하여 Table 1과 같이 재현기간(5개), 지속기간(5개), 강우의 시간분포(4개)를 조합하여 100개의 시나리오 강우를 구성하여 확률강우량을 생성하였다.
시나리오 강우에 대한 비교·분석결과 수치모형의 결과와 기계학습 모형의 결과가 유사하게 나타나는 것을 확인하였으므로 실제 강우 사상에도 정확한 예측이 가능한지 확인하기 위해 태풍 차바 당시의 강우에 적용하였다. 적용시간은 태풍 차바가 대상지역에 피해를 준 2016년 10월 5일 0시부터 20시까지며, Fig. 2와 같은 두 강우관측소의 강우량을 입력자료로 이용한 모의결과와 예측결과를 비교하여 Fig. 15, Table 7과 같이 나타내었다.
본 연구에서는 시나리오 강우를 기초로 한 강우량-유출량 데이터 베이스를 구축하였고, 이를 통해 학습된 기계학습 모형으로 실제 유출량을 예측하기 위한 알고리듬을 구성하였다. 태화강 하천기본 계획의 설계빈도인 100년 빈도의 강우를 상회하는 계획빈도에 대해서도 고려하기 위해 200년, 300년, 500년, 700년, 1,000년 빈도에 해당하는 강우를 산정하였다. 확률강우량 산정 절차 및 일반적인 기준은 하천설계기준(MOLIT, 2016)을 참고하여 분석하 였으며, 매개변수 추정은 확률가중모멘트법, 강우강도식은 Gumbel 분포를 채택하였다.

대상 데이터

따라서 본 연구에서는 대암댐 저수지 추적을 위한 초기수위를 상시만수위인 EL. 48.5 m로 설정하여 모의를 진행하였다.
55.0 m, 길이 318 m의 중심코어 형석괴댐(E.C.R.D)형식으로 축조되었으며, 저수용량은 9.5×106 m3 , 여수로는 둔기천으로 유입된 후 태화강으로 합류하는 주여수로와 터널식 여수로로 태화강으로 유입되는 비상여수로로 이루어져 있다.
NARX 인공신경망을 이용한 기계학습모형의 데이터베이스 구축을 위해 입력자료로 2개의 강우관측소(덕현리, 삼동초교)에 대한 티센 가중평균법을 통한 강우량을 이용하였으며, 출력자료는 3개의 유출량 산정지점(구수교, 대암댐 주 여수로, 비상 여수로)의 수문분석 결과를 이용하였다.
대상지역인 태화강 유역은 2016년 10월 5일 태풍 차바가 관통하며 시간당 105 mm의 많은 양의 강우를 동반하였고, 이로 인해 인명피해와 주택, 농경지, 차량 등의 재산피해가 발생하였다. 태화 강 국가하천 구간 및 울산광역시 중구, 남구 등에서 발생한 침수피해 는 주로 내수침수가 원인이었으며, 지방하천 구간은 주로 외수범람에 의한 침수가 원인이었다.
대상지역인 태화강 지방하천 구간은 울산광역시 울주군 언양읍과 범서읍에 걸쳐 서쪽에서 동쪽으로 유하하여 울산광역시 남구에 위치한 삼호교에서 태화강 국가하천 구간으로 연결된다. 태화강 지방하천 구간의 상류에 위치한 구수교 수위관측소(Fig.
홍수예측 분야에서 기계학습의 적용을 위해서는 많은 양의 실측치가 누적된 강우량-유출량 자료가 필요하지만 대상지역과 같이 신규 수위관측소의 경우 수문분석을 통한 유출량 산정이 필요하다. 따라서 본 연구에서 생성한 100개의 가상의 시나리오 강우를 HECHMS 모형을 통해 산정하였으며, 확률강우량 산정을 위해 대상지역인 태화강 지방하천 구간의 환경부 강우관측소인 덕현리, 삼동초교의 강우자료를 수집하였다. 자료의 수집기간은 덕현리 강우관측소는 1982년부터 2017년까지, 삼동초교 강우관측소는 1978년부터 2017년까지를 이용하였다.
따라서 본 연구에서 생성한 100개의 가상의 시나리오 강우를 HECHMS 모형을 통해 산정하였으며, 확률강우량 산정을 위해 대상지역인 태화강 지방하천 구간의 환경부 강우관측소인 덕현리, 삼동초교의 강우자료를 수집하였다. 자료의 수집기간은 덕현리 강우관측소는 1982년부터 2017년까지, 삼동초교 강우관측소는 1978년부터 2017년까지를 이용하였다. Figs.
따라서 HEC-HMS를 통해 산정된 유출량을 이용해 2차원 침수해석을 실시하여 태풍 차바 내습 당시의 침수범위 및 침수심 검증을 하였다. 태풍 차바 당시의 침수상황 재현을 위해 1/1,000 수치지형도 및 HEC-RAS 등을 이용하였고 검증에 사용된 실제 침수범위 및 침수심은 ｢울주군 반천현대아파트 일원 수해영향분석 보고서｣(Ulsan Metropolitan City, 2017)을 이용하였다. Fig.

데이터처리

학습된 인공신경망 모형에 대해 정확성과 효율성을 정량적으로 평가하기 위해 평균제곱근편차(RMSE), 효율계수(NSE; Nash and Sutcliffe, 1970), 첨두상대오차(PRE), PBIAS (Gupta et al., 1999), RSR의 통계지표가 Eqs. (2)~(6)와 같이 사용되었다.

이론/모형

수치모형의 계산결과와 기계학습 모형의 예측결과에 대한 통계 분석을 위해 Moriasi et al.(2007)의 통계기법을 적용한 성능평가 기준을 적용하였다. Moriasi 등은 유역에서의 흐름 및 유사 시뮬레이션 결과에 대한 정확성을 정량적으로 평가하기 위해서 SWAT, HSPF, APEX 모형 등을 적용하여 분석한 바 있는데 이에 대한 관련 기준은 Table 2와 같이 제시하였다.
또한, 대암댐의 저수지 운영에 따른 방류량을 산정하기 위해 HEC-5 모형을 사용하였다. 본 연구에서는 Fig.
산정된 확률강우량에 대한 시간 분포는 누가곡선을 이용하는 형태로 일반적으로 여러 호우의 누가곡선을 평균하거나 지속기간의 제한 또는 강우 크기의 제한을 평균하는 방법인 Huff의 4분위법 을 적용하였다. Huff의 4분위법은 실제 호우사상을 근거로 유도되며 호우의 첨두발생 위치와 상승부 및 감수부의 모양을 선택적으로 구성할 수 있다는 장점이 있다(Keum, 2018).
태화강 하천기본 계획의 설계빈도인 100년 빈도의 강우를 상회하는 계획빈도에 대해서도 고려하기 위해 200년, 300년, 500년, 700년, 1,000년 빈도에 해당하는 강우를 산정하였다. 확률강우량 산정 절차 및 일반적인 기준은 하천설계기준(MOLIT, 2016)을 참고하여 분석하 였으며, 매개변수 추정은 확률가중모멘트법, 강우강도식은 Gumbel 분포를 채택하였다.

성능/효과

(2) 또한, 시간 지연 매개변수가 증가할수록 예측 정확도가 향상되는 것을 확인한 후 120분의 지연 조건으로 학습된 NARX 인공신경망을 통해 실제 강우사상인 태풍 차바 당시의 유출량에 대한 모의결과와 예측결과를 비교한 결과 NSE는 0.967에서 0.997으로, RMSE는 62.6 m³/s에서 15.8 m³/s로 나타나는 등 정확한 예측이 가능한 것으로 나타났다.
(3) 강우량-유출량 예측에서 NARX 인공신경망의 중요 매개변수인 지연시간에 따른 예측결과를 여러 통계지표를 통해 시나리오 강우 및 실제 강우에 대해 선행시간 정보를 12개까지 충분히 제공한 경우 예측결과가 가장 정확한 것으로 나타났다. 이는 시간 지연 신경망과 순환형 동적 신경망의 특성을 모두 가진 NARX 인공신경망의 장점에 기반한 것으로 나타났다.
8 m³/s로 나타나는 등 실제 유출량에 거의 유사하게 예측이 가능하였다. 강우의 시간분포 측면에서 실제 강우가 Huff의 4분위법(1~4분 위)에 적합하게 내리는 것이 아니기 때문에 학습한 모형이 부정확할 수 있음에도 불구하고 시간 지연 매개변수의 조정을 통해 정교한 예측이 가능함을 확인하였다.
본 연구에서는 실시간 하천홍수위험 예측을 위해 수문모형을 이용해 DB를 구성하고 기계학습 모형인 NARX 인공신경망을 통한 실시간 강우량-유출량 예측 기법을 제시하였다. 기계학습을 위한 DB 구성은 실측자료를 이용할 수 있다면 간편하고 정확한 예측이 가능하지만 유량자료가 생산되지 않는 신규 수위관측소의 경우 수문모형의 연계를 통해 구성이 가능하며 정확도가 비교적 높음을 확인하였다. 또한, NARX 인공신경망 적용 시 시간 지연 매개변수에 대한 조정을 통해 모형의 정확도를 제고시킬 수 있음을 확인하였다.
2와 같다. 덕현리, 삼동초교 강우관측소의 10분 최대 강우량은 각각 12 mm, 24 mm, 1시간 최대 강우량은 53 mm, 105 mm, 24시간 누적강우량은 각각 149 mm, 282 mm로 나타났다.
즉, 한정된 자료의 입력층에서 출력층에 도달하는데 더욱 많은 지연선을 고려하게 되므로 더욱 정교한 예측이 가능한 것이다. 따라서 본 연구에서 고려한 시간 지연 매개변수 중 가장 큰 120분 지연 조건에 대한 예측결과가 가장 정교하게 나타난 것이다.
기계학습을 위한 DB 구성은 실측자료를 이용할 수 있다면 간편하고 정확한 예측이 가능하지만 유량자료가 생산되지 않는 신규 수위관측소의 경우 수문모형의 연계를 통해 구성이 가능하며 정확도가 비교적 높음을 확인하였다. 또한, NARX 인공신경망 적용 시 시간 지연 매개변수에 대한 조정을 통해 모형의 정확도를 제고시킬 수 있음을 확인하였다.
본 연구에서 적용된 비선형 자기회귀 신경망을 포함한 인공신경망 모형이 가지는 일반적인 특징을 살펴보면, 각 뉴런은 다른 뉴런들과 완전히 독립된 기능을 가진다. 즉, 각 뉴런의 출력은 자신과 연결된 연결강도를 통하여 직접 전달되는 정보에만 의존하며 다른 정보들과 무관하다.
(1) 기계학습을 이용한 실시간 하천홍수위험 예측을 위한 데이터베이스는 100개의 확률강우량 시나리오를 이용해 산정된 강우량유출량을 바탕으로 구축하였다. 시간 지연 매개변수를 조정하며 학습된 NARX 인공신경망의 예측결과를 시나리오 강우에 대한 예측을 실시한 결과 NSE는 0.530에서 0.988으로, RMSE 는 최대 379.9 m³/s에서 16.1 m³/s로 개선되는 등 지연시간이 증가할수록 정확한 예측이 가능한 것으로 나타났다.
시나리오 강우에 대한 지연시간이 120분일 때 가장 정확한 예측이 가능했으므로 실제 강우에도 마찬가지로 시간 지연 매개변수를 120분으로 예측한 결과 NSE는 최대 0.997, RMSE는 15.8 m³/s로 나타나는 등 실제 유출량에 거의 유사하게 예측이 가능하였다. 강우의 시간분포 측면에서 실제 강우가 Huff의 4분위법(1~4분 위)에 적합하게 내리는 것이 아니기 때문에 학습한 모형이 부정확할 수 있음에도 불구하고 시간 지연 매개변수의 조정을 통해 정교한 예측이 가능함을 확인하였다.
여기서 시나리오 강우의 예측결과로 제시한 1,000년 빈도의 경우보다 태풍 차바의 정확도가 높게 나타났는데 이는 태풍 차바가 학습된 시나리오 강우의 범위 내에 있기 때문이다. 즉, 1,000년 빈도의 경우 500년 이하의 빈도로 구성된 Training자료와 700년 빈도로 구성된 Validation을 거친 인공신경망으로 1,000년 빈도의 결과를 외삽하는 과정에서 정확도가 비교적 낮게 나타났지만 일반적인 수치모의에서 나타나는 수준의 오차보다 높은 것으로 판단된다.

후속연구

(4) 본 연구와 같이 중·소규모의 하천에 대한 홍수정보 제공체계 구축 시 기계학습 모형의 도입을 통해 실시간으로 예측된 유출량을 신뢰할만한 자료로 활용하여 단계적 방재대책을 수립할 수 있을 것이다.
(4) 본 연구와 같이 중·소규모의 하천에 대한 홍수정보 제공체계 구축 시 기계학습 모형의 도입을 통해 실시간으로 예측된 유출량을 신뢰할만한 자료로 활용하여 단계적 방재대책을 수립할 수 있을 것이다. 또한, 추후 연구를 통해 예측된 유출량을 수리모형과 연계하여 실시간 수리학적 홍수예측모형에도 적용이 가능할 것으로 판단된다.
기본적인 인공신경망의 경우 예측 시점 이전의 입력자료를 예측 결과에 반영하지 못하여 선행강우 등 유역 특성을 고려하기 위해 누적 강우량을 적용하기도 하였다(Keum, 2018). 이에 반해 NARX 인공신경망은 사용자가 지정한 지연시간만큼 과거의 자료가 예측 결과에 영향을 미칠 수 있으므로 자료구축이 용이함과 동시에 정확성도 개선시킬 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Huff의 4분위법이란?	산정된 확률강우량에 대한 시간 분포는 누가곡선을 이용하는 형태로 일반적으로 여러 호우의 누가곡선을 평균하거나 지속기간 의 제한 또는 강우 크기의 제한을 평균하는 방법인 Huff의 4분위법 을 적용하였다. Huff의 4분위법은 실제 호우사상을 근거로 유도되 며 호우의 첨두발생 위치와 상승부 및 감수부의 모양을 선택적으로 구성할 수 있다는 장점이 있다(Keum, 2018).
	신뢰할 만한 유량자료를 만들 수 없는 경우는?	국가하천에 대한 수위관측과 경보발령 시스템은 홍수통제소 등의 노력으로 이미 선진화되어 상류에서의 관측수위를 통해 하류 의 수위를 빠른 시간 내에 계산하여 홍수 예보가 가능하다. 이와 같이 사용되는 홍수예측모형 구축을 위해서는 일정기간 이상 관측 자료가 누적된 수위관측소의 유량 환산자료가 경계조건으로 필요 하지만, 수위-유량 관계곡선의 신뢰도가 저하된 경우나 신규 수위관 측소의 경우 충분한 자료가 쌓이지 않아 신뢰할 만한 유량자료를 생산하지 못하는 경우가 있다. 또한, 중·소규모의 지방하천의 경우 홍수 예·경보 시스템이 잘 구축되어 있지 않고, 최근 침수피해의 대부분은 이러한 중·소하천에서 주로 발생하고 있어 대책마련이 시급하다.
	수자원분야 시계열 자료에서 기계학습을 통한 예측에서 예측 시점 이전의 자료특성을 반영하기 어려운 이유는?	수자원분야에서 이용되는 강우에 따른 유역의 수문학적 시스템, 도시지역 및 하천에 대한 수리학적 시스템은 비선형성이 강하고 많은 변수들을 포함하고 있다. 이러한 특성을 가진 시계열 자료에서 기계학습을 통한 예측은 예측시점 이전의 자료 특성을 반영하지 못하는 등 기본적인 신경망으로는 부족한 상황이 발생하기도 한다.

참고문헌 (13)

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, Vol. 517, pp. 836-846.

상세보기
Gupta, H. V., Sorooshian, S. and Yapo, P. O. (1999). "Status of automatic calibration for hydrologic models: Comparison with multilevel expert calibration." Journal of Hydrology, Vol. 4, No. 2, pp. 135-143.
Keum, H. J. (2018). Development of flood disaster prediction and management system combining machine learning technique with big data, Ph.D. Dissertation, Kyungpook National University (in Korean).
Kim, B. J. (2016). Urban inundation analysis using deterministic approach and data-driven model, Master's Thesis, Kyungpook National University (in Korean).
Kim, H. I., Keum, H. J. and Han, K. Y. (2018). "Application and comparison of dynamic artificial neural networks for urban inundation analysis." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 38, No. 5, pp. 671-683 (in Korean).
Ministry of Land, Infrastructure and Transport (MOLIT) (2016). River design standard (in Korean).
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D. and Veith, T. L. (2007). "Model evaluation guidelines for systematic quantification of accuracy in watershed simulations." American Society of Agricultural and Biological Engineering, Vol. 50, No. 3, pp. 885-900.
Nash, J. E. and Sutcliffe, J. V. (1970). "River flow forecasting through conceptual models, Part I - A discussion of principles." Journal of Hydrology, Vol. 10, No. 3, pp. 282-290.

상세보기
Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasastri, K. S. (2005). "Short-term flood forecastig with a neuro-fuzzy model." Water Resources Research, Vol. 41, No. 4, W04004.
Oh, J. W. Park, J. H. and Kim, Y. K. (2008). "Missing hydrological data estimation using neural network and real time data reconciliation." Journal of Korea Water Resources Association, KWRA, Vol. 41, No. 10, pp. 1059-1065 (in Korean).

원문보기 상세보기
Shen, H. Y. and Chang, L. C. (2013). "Online multistep-ahead inundation depth forecasts by recurrent NARX networks." Hydrology and Earth System Sciences, Vol. 17, pp. 935-945.

상세보기
Toth, E. (2009). "Classification of hydro-meteorological conditions and multiple artificial neural networks for stream forecasting." Hydrology and Earth System, Vol. 13, pp. 1555-1566.

상세보기
Ulsan Metropolitan City (2017). Analysis of flood damage in bancheon hyundai apartment in Ulju-gun (in Korean).

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