[논문]DNN 및 LSTM 기반 딥러닝 모형을 활용한 태화강 유역의 수위 예측

이명진; 김종성; 유영훈; 김형수; 김삼은; 김수전

doi:10.3741/jkwra.2021.54.s-1.1061

DNN 및 LSTM 기반 딥러닝 모형을 활용한 태화강 유역의 수위 예측
Water level prediction in Taehwa River basin using deep learning model based on DNN and LSTM 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.54 no.12 suppl., 2021년, pp.1061 - 1069

이명진 (인하대학교 수자원시스템 연구소) , 김종성 (인하대학교 수자원시스템 연구소) , 유영훈 (인하대학교 스마트시티공학과) , 김형수 (인하대학교 사회인프라공학과) , 김삼은 (인하대학교 토목공학과) , 김수전 (인하대학교 사회인프라공학과)

초록
AI-Helper

최근 이상 기후로 인해 극한 호우 및 국지성 호우의 규모 및 빈도가 증가하여 하천 주변의 홍수 피해가 증가하고 있다. 이에 따라 하천 또는 유역 내 수문학적 시스템의 비선형성이 증가하고 있으며, 기존의 물리적 기반의 수문 모형을 활용하여 홍수위를 예측하기에는 선행시간이 부족한 한계점이 존재한다. 본 연구에서는 Deep Neural Network (DNN) 및 Long Short-Term Memory (LSTM)기반의 딥러닝 기법을 적용하여 울산시(태화교) 지점의 수위를 0, 1, 2, 3, 6, 12시간에 대해 선행 예측을 수행하였고 예측 정확도를 비교 분석하였다. 그 결과 sliding window 개념을 적용한 DNN 모형이 선행시간 12시간까지 상관계수 0.97, RMSE 0.82 m로 가장 높은 정확도를 보이고 있음을 확인하였다. 향후 DNN 모형을 활용하여 딥러닝 기반의 수위 예측을 수행한다면 기존의 물리적 모형을 통한 홍수위 예측보다 향상된 예측 정확도와 충분한 선행시간을 확보할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Recently, the magnitude and frequency of extreme heavy rains and localized heavy rains have increased due to abnormal climate, which caused increased flood damage in river basin. As a result, the nonlinearity of the hydrological system of rivers or basins is increasing, and there is a limitation in that the lead time is insufficient to predict the water level using the existing physical-based hydrological model. This study predicted the water level at Ulsan (Taehwagyo) with a lead time of 0, 1, 2, 3, 6, 12 hours by applying deep learning techniques based on Deep Neural Network (DNN) and Long Short-Term Memory (LSTM) and evaluated the prediction accuracy. As a result, DNN model using the sliding window concept showed the highest accuracy with a correlation coefficient of 0.97 and RMSE of 0.82 m. If deep learning-based water level prediction using a DNN model is performed in the future, high prediction accuracy and sufficient lead time can be secured than water level prediction using existing physical-based hydrological models.

주제어

표/그림 (11)

그림 Fig. 1. Deep neural network
그림 Fig. 2. Structure of LSTM (Olah, 2015)
그림 Fig. 3. Taehwa River basin and stations
그림 Fig. 4. Time series of water level and tide
그림 Fig. 5. Scatter plot using DNN model
표 Table 1. Parameters for DNN and LSTM Model
그림 Fig. 6. Scatter plot using LSTM model
그림 Fig. 7. Time series of DNN model
그림 Fig. 8. Time series of LSTM model
표 Table 2. Comparisons of DNN and LSTM model
표 Table 3. Performance of DNN and LSTM models

참고문헌 (22)

Adnan, R.M., Yuan, X., Kisi, O., and Yuan, Y. (2017). "Streamflow forecasting using artificial neural network and support vector machine models." American Scientific Research Journal for Engineering, Technology, and Sciences (ASRJETS), Vol. 29, No. 1, pp. 286-294.
Bae, Y., Kim, J., Wang, W., Yoo, Y., Jung, J., and Kim, H.S. (2019). "Monthly inflow forecasting of Soyang River Dam using VARMA and machine learning models." Journal of Climate Research, Vol. 14, No. 3, pp. 183-198.

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, Vol. 517, pp. 836-846.

상세보기
Coulibaly, P., and Anctil, F. (1999). "Real-time short-term natural water inflows forecasting using recurrent neural networks." International Joint Conference on IEEE, Washington DC, U.S., pp. 3802-3805.
Dawson, C.W., and Wilby, R. (1998). "An artificial neural network approach to rainfall-runoff modelling". Hydrological Sciences Journal, Vol. 43, No. 1, pp. 47-66.

상세보기
Hinton, G.E., Osindero, S., and Teh, Y.W. (2006). "A fast learning algorithm for deep belief nets." Neural Computation, Vol. 18, No. 7, pp. 1527-1554.

상세보기
Hochreiter, S., and Schmidhuber, J. (1997). "Long short-term memory." Neural Computation, Vol. 9, No. 8, pp. 1735-1780.

상세보기
Huang, X., Li, Y., Tian, Z., Ye, Q., Ke, Q., Fan, D., Mao, G., Chen, A. Liu, J. (2021). "Evaluation of short-term streamflow prediction methods in Urban river basins." Physics and Chemistry of the Earth, Parts A/B/C, Vol. 123.
Jung, J., Mo, H., Lee, J., Yoo, Y., and Kim, H.S. (2021). "Flood stage forecasting at the Gurye-Gyo station in Sumjin River using LSTM-based deep learning models." Journal of the Korean Society of Hazard Mitigation, Vol. 21, No. 3, pp. 193-201.
Jung, S., Cho, H., Kim, J., and Lee, G. (2018). "Prediction of water level in a tidal river using a deep-learning based LSTM model." Journal of Korea Water Resources Association, Vol. 51, No. 12, pp. 1207-1216.
Kim, B.J. (2007). Comparative study of storage function and SSARR models for the flood hydrograph forecasting of a Miho Stream. Ph. D. dissertation, Inha University,
Kim, D., Kim, J., Kwak, J., Necesito, I.V., Kim, J., and Kim, H.S. (2020a). "Development of water level prediction models using deep neural network in mountain wetlands." Journal of Wetlands Research, Vol. 22, No. 2, pp. 106-112.

원문보기 상세보기
Kim, H.I., Lee, J.Y., Han, K.Y. and Cho, J.W. (2020b). "Applying observed rainfall and deep neural network for urban flood analysis." Journal of the Korean Society of Hazard Mitigation, Vol. 20, No. 1, pp. 339-350.

상세보기
Kim, Y.J., Kim, T.W., Yoon, J.S., and Kim, I.H. (2019a). "Study on prediction of similar typhoons through neural network optimization." Journal of Ocean Engineering and Technology, Vol. 33, No. 5, pp. 427-434.

원문보기 상세보기
Kim, Y.J., Kim, T.W., Yoon, J.S., and Kim, M.K. (2019b). "Study of the construction of a coastal disaster prevention system using deep learning." Journal of Ocean Engineering and Technology, Vol. 33, No. 6, pp. 590-596.

원문보기 상세보기
Koc, C.K. (1995). "Analysis of sliding window techniques for exponentiation." Computers & Mathematics with Applications, Vol. 30, No. 10, pp. 17-24.

상세보기
Lee, G.H., Ryu, Y.U., and Park, J.S. (2020). "Investigation and analysis of causes of flood damage in the Yeongsan River and Seomjin River basins in August 2020." Water for Future, Vol. 53, No. 11, pp. 21-48.
Lee, M., You, Y., Kim, S., Kim, K., and Kim, H. (2018). "Decomposition of water level time series of a tidal river into tide, wave and rainfall-runoff components." Water, Vol. 10, No. 11, pp. 1568.

상세보기
Olah, C. (2015). Understanding lstm networks, Accessed on August, 2011, .
Pan, M., Zhou, H., Cao, J., Liu, Y., Hao, J., Li, S., and Chen, C.H. (2020). "Water level prediction model based on GRU and CNN." Ieee Access, Vol. 8, pp. 60090-60100.

상세보기
Seo, Y., Choi, E., and Yeo, W. (2017). "Reservoir water level forecasting using machine learning models." Journal of the Korean Society of Agricultural Engineers, Vol. 59, No. 3, pp. 97-110.

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." Korean Society of Disaster & Security, Vol. 12, No. 2, pp. 73-82.

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