[논문]독립적 자체경보가 가능한 인공지능기반 하천홍수위예측 모형개발

김수영; 김형준; 윤광석

doi:10.3741/jkwra.2021.54.12.1285

초록
AI-Helper

최근 전 세계적으로 기후변화의 영향으로 강우량이 집중되고 강우강도가 커지면서 홍수피해의 규모를 증가시키고 있다. 기존에는 관측되지 않았던 규모의 강우가 내리는가 하면 기록적으로 장기간동안 장마가 지속되기도 한다. 특히, 이러한 피해들은 아세안 국가들에 집중되고 있으며, 최근 해수면 상승, 태풍 및 집중호우로 인해 침수가 빈번히 빌생하는 등 아세안 국가 국민들 중 최소 2,000만 명이 영향을 받고 있다. 우리나라도 각종 ODA사업을 통해 국내의 홍수예경보시스템을 아세안 국가에 지원하고 있지만 통신시설이 불안정하여 중앙제어방식만으로는 한계가 있다. 따라서 본 연구에서는 한 개의 관측소에서 수위, 강우의 관측과, 홍수예측, 경보까지 한번에 가능한 관측소를 개발하기 위한 인공지능기반의 홍수예측모형을 개발하였다. 설마천의 전적비교 관측소의 2009년부터 2020년 까지 10분단위 강우와 수위관측자료를 활용하여 선행예보시간 0.5, 1, 2, 3, 6시간에 대해서 학습, 검증, 시험을 수행하였으며 인공지능알고리즘으로는 LSTM을 적용하였다. 연구결과 모든 선행예보시간에 대해 모형적합도 및 오차에서 우수한 결과를 나타냈다. 설마천과 같이 유역규모가 작고 유역경사가 커서 도달시간이 짧은 경우에는 선행예보시간 1시간은 매우 우수한 예측 결과를 나타낼 것으로 판단되며 유역의 규모나 경사에 따라 더 긴 선행예보시간도 가능할 것으로 예상된다.

Abstract ▼ AI-Helper

In recent years, as rainfall is concentrated and rainfall intensity increases worldwide due to climate change, the scale of flood damage is increasing. Rainfall of a previously unobserved magnitude falls, and the rainy season lasts for a long time on record. In particular, these damages are concentr...

In recent years, as rainfall is concentrated and rainfall intensity increases worldwide due to climate change, the scale of flood damage is increasing. Rainfall of a previously unobserved magnitude falls, and the rainy season lasts for a long time on record. In particular, these damages are concentrated in ASEAN countries, and at least 20 million people among ASEAN countries are affected by frequent flooding due to recent sea level rise, typhoons and torrential rain. Korea supports the domestic flood warning system to ASEAN countries through various ODA projects, but the communication network is unstable, so there is a limit to the central control method alone. Therefore, in this study, an artificial intelligence-based flood prediction model was developed to develop an observation station that can observe water level and rainfall, and even predict and warn floods at once at one observation station. Training, validation and testing were carried out for 0.5, 1, 2, 3, and 6 hours of lead time using the rainfall and water level observation data in 10-minute units from 2009 to 2020 at Junjukbi-bridge station of Seolma stream. LSTM was applied to artificial intelligence algorithm. As a result of the study, it showed excellent results in model fit and error for all lead time. In the case of a short arrival time due to a small watershed and a large watershed slope such as Seolma stream, a lead time of 1 hour will show very good prediction results. In addition, it is expected that a longer lead time is possible depending on the size and slope of the watershed.

주제어

표/그림 (18)

그림 Fig. 1. Conceptual diagram of Independent flood level forecasting and warning system
그림 Fig. 2. Schematic of RNN and LSTM (Olah, 2015)
그림 Fig. 3. Location and boundary of Seolma stream basin and observation post
표 Table 1. Fit Indicators and equations for validating prediction accuracy
그림 Fig. 4. Input data classification (training, validation, test)
표 Table 2. Period of flood and simulation conditions for original and preprocessed data
표 Table 3. Data information for training, validation and test
표 Table 4. Structure of input dataset
그림 Fig. 5. Autocorrelation function of input data
표 Table 5. Training parameters
그림 Fig. 6. Loss value calculation result of Training and Validation for each training step
그림 Fig. 7. Convergence verification using moving average
그림 Fig. 8. Results of water level prediction at Junjukbi-bridge
표 Table 6. Analysis of prediction results for each lead times
표 Table 7. Grading Criteria of Model fit Indicators (Moriasi et al., 2015)
그림 Fig. 9. Goodness-of-fit analysis of prediction model
그림 Fig. 10. Comparison with freeboard and various errors of prediction model
표 Table 8. freeboard according to planned flood (KWRA, 2019)

참고문헌 (14)

Fang, Z., Wang, Y., Peng, L., and Hong, H. (2021). "Predicting flood susceptibility using LSTM neural networks." Journal of Hydrology, Vol. 594, 125734.
Jabbar, H., and Khan, R.Z. (2015). "Methods to avoid over-fitting and under-fitting in supervised machine learning (comparative study)." Computer Science, Communication and Instrumentation Devices, pp. 163-172.
Kim, D.P., Lee, N.H, and Lee, D.R. (2011), "Analysis of heavy rain damage in the test basin of Seolma-stream in July 2011." Water for Future, KWRA, Vol. No. 10.
Kim, H.I, Han, K.Y., and Lee, J.Y. (2020). "Prediction of urban flood extent by LSTM model and logistic regression." Journal of the Korean Society of Civil Engineering, Vol. 40, No. 3, pp. 273-283.
Korea Institute of Civil and building Technology (KICT) (2015). Hydrological survey for flood forecasting of the mountainous river basin.
Korea Water Resources Association (KWRA) (2019). River design criteria commentary.
Krause, P., Boyle, D.P., and Base, F. (2005). "Comparison of different efficiency criteria for hydrological model assessment." Advances in Geosciences, Vol. 5, pp. 89-97.

상세보기
Le, X.H., Ho, H.V., Lee, G., and Jung, S. (2019). "Application of long short-term memory (LSTM) neural network for flood forecasting." Water, Vol. 11, No. 7, 1387.
Moriasi, D.N., Gitau, M.W., Pai, N., and Daggupati, P. (2015). "Hydrologic and water quality models: Performance measures and evaluation criteria." Transactions of the ASABE, Vol. 58, No. 6, pp. 1763-1785.

상세보기
Olah, C. (2015). Understanding lstm networks, accessed 23 November 2021,
Park, S.H., and Kim, H.J. (2020). "Design of artificial intelligence water level prediction system for prediction of river flood." Journal of the Korea Institute of Information and Communication Engineering, Vol. 24, No. 2, pp. 198-203.

원문보기 상세보기
Tran, Q.K., and Song, S.K. (2017). "Water level forecasting based on deep learning: A use case of Trinity River-Texas-The United States." Journal of KIISE, Vol. 44, No. 6, pp. 607-612.

원문보기 상세보기
Yoo, H.J., Lee, S.O., Choi, S.H., and Park, M.H. (2019). "A study on the data driven neural network model for the prediction of time series data: Application of water surface elevation forecasting in Hangang River bridge." Journal of Korean Society of Disaster & Security, Vol. 12, No. 2, pp. 73-82.

원문보기 상세보기
Yoo, H.J., Lee, S.O., Choi, S.H., and Park, M.H. (2020). "Development of a data-driven model for forecasting outflow to establish a reasonable river water management system." Journal of Korean Society of Disaster and Security. Vol. 13, No. 4, pp. 75-92.

원문보기 상세보기

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

독립적 자체경보가 가능한 인공지능기반 하천홍수위예측 모형개발
Development of artificial intelligence-based river flood level prediction model capable of independent self-warning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (18)

표/그림 (18)

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

독립적 자체경보가 가능한 인공지능기반 하천홍수위예측 모형개발 Development of artificial intelligence-based river flood level prediction model capable of independent self-warning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (18) 모든 표/그림 보기

표/그림 (18) 슬라이드로 보기

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

윤광석 (28)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

독립적 자체경보가 가능한 인공지능기반 하천홍수위예측 모형개발
Development of artificial intelligence-based river flood level prediction model capable of independent self-warning 원문보기

초록
AI-Helper

표/그림 (18)

표/그림 (18)