[논문]딥러닝 모형을 이용한 팔당대교 지점에서의 유량 예측

성연정; 박기두; 정영훈

doi:10.3741/jkwra.2022.55.8.565

[국내논문] 딥러닝 모형을 이용한 팔당대교 지점에서의 유량 예측
Flow rate prediction at Paldang Bridge using deep learning models 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.55 no.8, 2022년, pp.565 - 575

성연정 (경북대학교 미래과학기술융합학과) , 박기두 (경북대학교 재난대응전략연구소) , 정영훈 (경북대학교 미래과학기술융합학과)

초록
AI-Helper

최근의 수자원공학 분야는 4차산업혁명과 더불어 비약적으로 발전된 딥러닝 기술을 활용한 시계열 수위 및 유량의 예측에 대한 관심이 높아지고 있다. 또한 시계열 자료의 예측이 가능한 LSTM 모형과 GRU 모형을 활용하여 수위 및 유량 예측을 수행하고 있지만 시간 변동성이 매우 큰 하천에서의 유량 예측 정확도는 수위 예측 정확도에 비해 낮게 예측되는 경향이 있다. 본 연구에서는 유량변동이 크고 하구에서의 조석의 영향이 거의 없는 한강의 팔당대교 관측소를 선택하였다. 또한, LSTM 모형과 GRU 모형의 입력 및 예측 자료로 활용될 유량변동이 큰 시계열 자료를 선택하였고 총 자료의 길이는 비교적 짧은 2년 7개월의 수위 자료 및 유량 자료를 수집하였다. 시간변동성이 큰 시계열 수위를 2개의 모형에서 학습할 경우, 2개의 모형 모두에서 예측되는 수위 결과는 관측 수위와 비교하여 적정한 정확도가 확보되었으나 변동성이 큰 유량 자료를 2개의 모형에서 직접 학습시킬 경우, 예측되는 유량 자료의 정확도는 악화되었다. 따라서, 본 연구에서는 급변하는 유량을 정확히 예측하기 위하여 2개 모형으로 예측된 수위 자료를 수위-유량관계곡선의 입력자료로 활용하여 유량의 예측 정확도를 크게 향상시킬 수 있었다. 마지막으로 본 연구성과는 수문자료의 별도 가공없이 관측 길이가 상대적으로 충분히 길지 않고 유출량이 급변하는 도시하천에서의 홍수예경보 자료로 충분히 활용할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Recently, in the field of water resource engineering, interest in predicting time series water levels and flow rates using deep learning technology that has rapidly developed along with the Fourth Industrial Revolution is increasing. In addition, although water-level and flow-rate prediction have been performed using the Long Short-Term Memory (LSTM) model and Gated Recurrent Unit (GRU) model that can predict time-series data, the accuracy of flow-rate prediction in rivers with rapid temporal fluctuations was predicted to be very low compared to that of water-level prediction. In this study, the Paldang Bridge Station of the Han River, which has a large flow-rate fluctuation and little influence from tidal waves in the estuary, was selected. In addition, time-series data with large flow fluctuations were selected to collect water-level and flow-rate data for 2 years and 7 months, which are relatively short in data length, to be used as training and prediction data for the LSTM and GRU models. When learning time-series water levels with very high time fluctuation in two models, the predicted water-level results in both models secured appropriate accuracy compared to observation water levels, but when training rapidly temporal fluctuation flow rates directly in two models, the predicted flow rates deteriorated significantly. Therefore, in this study, in order to accurately predict the rapidly changing flow rate, the water-level data predicted by the two models could be used as input data for the rating curve to significantly improve the prediction accuracy of the flow rates. Finally, the results of this study are expected to be sufficiently used as the data of flood warning system in urban rivers where the observation length of hydrological data is not relatively long and the flow-rate changes rapidly.

주제어

표/그림 (13)

그림 Fig. 1. Long Short-Term Memory (LSTM)
그림 Fig. 2. Gated Recurrent Unit (GRU)
표 Table 1. Performance ratings for adopted statistics (Park et al., 2020)
그림 Fig. 3. Map of the Han River basin at Paldang bridge
표 Table 2. Statistical characteristics of water levels and flow rate at the Paldang Bridge Station (period: 2018-2020)
표 Table 3. Configuration of models
표 Table 4. Comparison of the performance of the models on the water levels
표 Table 5. Comparison of the performance of the models on the flow rates
그림 Fig. 4. Trainings and predictions of LSTM
그림 Fig. 5. Trainings and predictions of GRU
그림 Fig. 6. Flow rate simulations using LSTM and rating curve
표 Table 6. Comparison of the performance of the models and rating curves on the flow rates
그림 Fig. 7. Flow rate simulations using GRU and rating curve

참고문헌 (17)

Adamowski, J., and Chan, H.F. (2011). "A wavelet neural network conjunction model for groundwater level forecasting." Journal of Hydrology, Vol. 407, pp. 28-40.

상세보기
Chen, P.-A., Chang, L.-C., and Chang, L.-C. (2013). "Reinforced recurrent neural networks for multi-step-ahead flood forecasts." Journal of Hydrology, Vol. 497, pp. 71-79.

상세보기
Cho, K., Van Merrienboer, B., Bahdanau, D., and Bengio, Y. (2014). "On the properties of neural machine translation: Encoder-decoder approaches." Proceedings of the SSST-8, Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation, Doha, Qatar, pp. 103-111.
Guo, F., Yang, J., Li, H., Li, G., and Zhang, Z. (2021). "A convLSTM conjunction model for groundwater level forecasting in a karst aquifer considering connectivity characteristics." Water, Vol. 13, No. 19, 2759.
Hipni, A., El-Shafie, A., Najah, A., Karim, O.A., Hussain, A., and Mukhlisin, M. (2013). "Daily forecasting of dam water levels: Comparing a support vector machine (SVM) model with adaptiveneuro fuzzy inference system (ANFIS)." Water Resources Management, Vol. 27, pp. 3803-3823.

상세보기
Hochreiter, S., and Schmidhuber, J. (1997). "Long short-term memory." Neural Computation, Vol. 9, pp. 1735-1780.

상세보기
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, pp. 1207-1216.
Kisi, O., Shiri, J., and Nikoofar, B. (2012). "Forecasting daily lake levels using artificial intelligence approaches." Computers & Geosciences, Vol. 41, pp. 169-180.

상세보기
Kumar, D.N., Raju, K.S., and Sathish, T. (2004). "River flow forecasting using recurrent neural networks." Water Resources Management, Vol. 18, pp. 143-161.

상세보기
Ministry of Environment (ME) (2018). Korean hydrological survey yearbook.
Mok, J.-Y., Choi, J.-H., and Moon, Y.-I. (2020). "Prediction of multipurpose dam inflow using deep learning." Journal of Korea Water Resources Association, Vol. 53, pp. 97-105.

원문보기 상세보기
Park, K., Jung, Y., Kim, K., and Park, S.K. (2020). "Determination of deep learning model and optimum length of training data in the river with large fluctuations in flow rates." Water, Vol. 12, No. 12, 3537.
Park, K., Jung, Y., Seong, Y., and Lee, S. (2022). "Development of deep learning models to improve the accuracy of water levels time series prediction through multivariate hydrological data." Water, Vol. 14, No. 3, 469.
Sung, J.Y., Lee J., Chung, I.-M., and Heo, J.-H. (2017). "Hourly water level forecasting at tributary affected by main river condition." Water, Vol. 9, No. 9, 644.
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, pp. 607-612.
Zhang, D., Lin, J., Peng, Q., Wang, D., Yang, T., Sorooshian, S., Liu, X., and Zhuang, J. (2018). "Modeling and simulating of reservoir operation using the artificial neural network, support vector regression, deep learning algorithm." Journal of Hydrology, Vol. 565, pp. 720-736.

상세보기
Zhang, D., Peng, Q., Lin, J., Wang, D., Liu, X., and Zhuang, J. (2019). "Simulating reservoir operation using a recurrent neural network algorithm." Water, Vol. 11, No.4, 865.

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