[논문]머신러닝 기반의 강우추정 방법 개발

한희찬; 김창주; 김동현

doi:10.17663/jwr.2023.25.3.167

머신러닝 기반의 강우추정 방법 개발
Development of Machine Learning Based Precipitation Imputation Method 원문보기

한국습지학회지 = Journal of wetlands research, v.25 no.3, 2023년, pp.167 - 175

한희찬 (조선대학교 토목공학과) , 김창주 (조선대학교 토목공학과) , 김동현 (인하대학교 수자원시스템연구소)

초록
AI-Helper

강우 데이터는 습지관리, 수문모의, 수자원 관리와 같은 다양한 분야에서 활용되는 필수 입력자료 중 하나이다. 강우 데이터를 활용하여 효율적인 수자원관리를 위해서는 기본적으로 데이터의 결측률을 최소화 시킴으로써 최대한 많은 데이터를 확보하는 것이 필수적이다. 또한 미계측 지역에 대한 강우 데이터를 확보한다면 보다 효율적인 수문모의가 가능하다. 그러나 결측 강우 데이터는 주로 통계학적 기법에 의해 추정되어 왔다. 본 연구의 목적은 데이터 간의 상관관계를 기반으로 새로운 데이터를 예측할 수 있는 머신러닝 알고리즘을 활용하여 결측 강우 데이터를 복원할 수 있는 새로운 방법을 제안하고자 한다. 또한, 기존의 통계적 방법들과 비교하여 머신러닝 기법의 결측 강우 데이터 복원을 위한 활용가치를 평가하고자 한다. 평가를 위해 대표적인 머신러닝 알고리즘인 Artificial Neural Network (ANN)과 Random Forest (RF)을 적용하였다. 강우의 발생 유무를 분류하는 성능은 RF 알고리즘이 ANN 알고리즘보다 강우 발생유무의 분류 정확도가 높은 것으로 나타났다. 분류 모형의 평가 지표인 F1-score나 Accuracy값이 RF는 0.80, 0.77인 반면에, ANN은 0.76, 0.71로 계산되었다. 또한 강우량을 추정하는 성능 역시 RF가 ANN 알고리즘보다 보다 높은 정확도를 보였다. RF과 ANN 알고리즘의 RMSE은 2.8mm/day과 2.9mm/day이고, R²값은 0.73, 0.68으로 계산되었다.

Abstract ▼ AI-Helper

Precipitation data is one of the essential input datasets used in various fields such as wetland management, hydrological simulation, and water resource management. In order to efficiently manage water resources using precipitation data, it is essential to secure as much data as possible by minimizing the missing rate of data. In addition, more efficient hydrological simulation is possible if precipitation data for ungauged areas are secured. However, missing precipitation data have been estimated mainly by statistical equations. The purpose of this study is to propose a new method to restore missing precipitation data using machine learning algorithms that can predict new data based on correlations between data. Moreover, compared to existing statistical methods, the applicability of machine learning techniques for restoring missing precipitation data is evaluated. Representative machine learning algorithms, Artificial Neural Network (ANN) and Random Forest (RF), were applied. For the performance of classifying the occurrence of precipitation, the RF algorithm has higher accuracy in classifying the occurrence of precipitation than the ANN algorithm. The F1-score and Accuracy values, which are evaluation indicators of the classification model, were calculated as 0.80 and 0.77, while the ANN was calculated as 0.76 and 0.71. In addition, the performance of estimating precipitation also showed higher accuracy in RF than in ANN algorithm. The RMSE of the RF and ANN algorithms was 2.8 mm/day and 2.9 mm/day, and the values were calculated as 0.68 and 0.73.

주제어

표/그림 (10)

그림 Fig. 1. Conceptual diagram of ANN algorithm
그림 Fig. 2. Conceptual diagram of RF algorithm
그림 Fig 3. Flowchart of this study
표 Table 1. Confusion matrix for evaluation of classification results
그림 Fig. 4. Study area of this study. Red dot is target station and green dots are sub stations
그림 Fig. 5. Scatter plots illustrating the correlation coefficient of (a)annual and (b)monthly precipitation between the Gwangju station and five stations
그림 Fig. 6. Classification results of two algorithms (a) RF and (b) ANN
표 Table 2. Parameters of ANN and RF algorithms
표 Table 3. Confusion matrix of ANN and RF algorithms.
그림 Fig 7. Scatter plots of references and estimated precipitation from (a)RF, (b)ANN, (c)IDW, and (d)AVG. (Upper): precipitation ranged from 0 to 60mm, (Bottom): precipitation ranged from 0 to 10mm.

참고문헌 (27)

Bellido-Jimenez, J. A., Gualda, J. E., & Garcia-Marin, A.？P. (2021). Assessing machine learning models for gap？filling daily rainfall series in a semiarid region of Spain.？Atmos. Vol. 12, pp. 1158. https://doi.org/10.3390/atmos12091158

상세보기
Breiman, L. (2001). Random forests. Mach. Learn. Vol. 45,？pp. 5-32.
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin,？J., Shukla, S., ... and Michaelsen, J. (2015). The climate？hazards infrared precipitation with stations-a new？environmental record for monitoring extremes. Sci. Data, Vol. 2, pp. 1-21. https://doi.org/10.1038/sdata.2015.66

상세보기
Huffman, G. J., Bolvin, D. T., Nelkin, E. J., Wolff, D. B.,？Adler, R. F., Gu, G., ... and Stocker, E. F. (2007). The？TRMM multisatellite precipitation analysis (TMPA):？Quasi-global, multiyear, combined-sensor precipitation？estimates at fine scales. J. Hydrometeorol., Vol. 8, pp.？38-55. https://doi.org/10.1175/JHM560.1

상세보기
Hwang, S, Kang, N, & Yoon, J. (2022). Error Generation？Characteristics of the Areal Rainfall Estimation？Interpolation Method Using Rainfall Radar Data. J.？Korean Soc. Hazard Mitigation, Vol. 22, pp. 273-283.？https://doi.org/10.9798/KOSHAM.2022.22.6.273

상세보기
Jang, S., Yoon, S., Lee, S., Lee, T., & Park, K. (2018). Evaluation？of drought monitoring using satellite precipitation for？un-gaged basins. J. Korean Soc. Agric. Eng. Vol. 60,？pp. 55-63.
Joyce, R. J., Janowiak, J. E., Arkin, P. A., and Xie, P. (2004)？CMORPH: A method that produces global precipitation？estimates from passive microwave and infrared data at？high spatial and temporal resolution. J. Hydrometeorol.,？Vol. 5, pp. 487-503. https://doi.org/10.1175/1525-7541(2004)005%3C0487:CAMTPG%3E2.0.CO;2
Kang, N. R., Noh, H. S., Lee, J. S., Lim, S. H., & Kim,？H. S. (2013). Runoff simulation of an urban drainage？system using radar rainfall data. J. Wetlands Res. Vol.？15, pp. 413-422.
Kim, J., Han, H., Johnson, L. E., Lim, S., & Cifelli, R. (2019).？Hybrid machine learning framework for hydrological？assessment.？J. Hydrol. 577, 123913. https://doi.org/10.1016/j.jhydrol.2019.123913

상세보기
Kim, B. S., Hong, J. B., Kim, H. S., & Yoon, S. Y. (2007).？Combining radar and rain gauge rainfall estimates for？flood forecasting using conditional merging method. In？World Environmental and Water Resources Congress？2007: Restoring Our Natural Habitat (pp. 1-16).
Kim, S. J., Shin, S. C., & Suh, A. S. (1999). Satellite rainfall？monitoring: recent progress and its potential applicability.？Korean Journal of Agricultural and Forest Meteorology,？Vol. 1, pp. 142-150.
Kim, J., & Han, H. (2021). Evaluation of the CMORPH？high-resolution precipitation product for hydrological？applications over South Korea. Atmos. Res. 258, 105650.？https://doi.org/10.1016/j.atmosres.2021.105650

상세보기
Kim, K. T, & Kim, J. H. (2013). Introduction of rainfall？observation data and utilization cases using artificial？satellites. Water and the Future: J. Korean Soc. Water？Res. Vol. 46, pp. 66-75.
Kwon, T., Yoon, S., Shin, H., & Yoon, S. (2022). The selection？of radar merging by watershed for quantitative？precipitation estimation: At the Han river basin. Korean？Data Inf. Sci. Soc. Vol. 33, pp. 1021-1030.？https://doi.org/10.7465/jkdi.2022.33.6.1021

상세보기
Larson, L. W., & Peck, E. L. (1974). Accuracy of precipitation？measurements for hydrologic modeling. Water Resour.？Res. Vol. 10, pp. 857-863. https://doi.org/10.1029/WR010i004p00857

상세보기
New, M., Todd, M., Hulme, M., & Jones, P. (2001).？Precipitation measurements and trends in the twentieth？century. Int. J. Climatol.: J. R. Meteorolog. Soc. Vol.？21, pp. 1889-1922. https://doi.org/10.1002/joc.680

상세보기
Mosaffa, H., Sadeghi, M., Mallakpour, I., Jahromi, M. N.,？& Pourghasemi, H. R. (2022). Application of machine？learning algorithms in hydrology. In Comput. earth and？Environ. Sci. pp. 585-591. https://doi.org/10.1016/B978-0-323-89861-4.00027-0
Oh, S., Kim, W., Kang, M., Yoon, H., Yang, J., & Choi,？M. (2022). An analysis of land displacements in terms？of hydrologic aspect: satellite-based precipitation and？groundwater levels. J. Korea Water Res. Assoc. Vol. 55,？pp. 1031-1039. 10.3741/JKWRA.2022.55.12.1031

원문보기 상세보기
Park, K., Niu, S., & Kim, Y. (2013). Reduction efficiency？of the stormwater wetland from animal feeding-lot. J.？Wetlands Res. Vol. 15, pp. 79-90.
Polishchuk, B., Berko, A., Chyrun, L., Bublyk, M., &？Schuchmann, V. (2021). The rain prediction in Australia？based Big Data analysis and machine learning technology.？In 2021 IEEE 16th International Conference on Computer？Sciences and Information Technologies (CSIT), Vol. 1,？pp. 97-100.
Rosenblatt, F. (1958). The perceptron: a probabilistic model？for information storage and organization in the brain.？Psychological review, Vol. 65, pp. 386.

상세보기
Sadat-Noori, M., Glamore, W., & Khojasteh, D. (2020).？Groundwater level prediction using genetic programming:？the importance of precipitation data and weather station？location on model accuracy. Environ. Earth Sci. Vol. 79,？pp. 1-10. https://doi.org/10.1007/s12665-019-8776-0

상세보기
Sahoo, A., & Ghose, D. K. (2022). Imputation of missing？precipitation data using KNN, SOM, RF, and FNN. Soft？Computing, Vol. 26, pp. 5919-5936. https://doi.org/10.1007/s00500-022-07029-4

상세보기
Shen, C., Chen, X., & Laloy, E. (2021). Broadening the use？of machine learning in hydrology. Frontiers in Water,？3, 681023. https://doi.org/10.3389/frwa.2021.681023

상세보기
Sorooshian, S., Hsu, K. L., Gao, X., Gupta, H. V., Imam, B., and Braithwaite, D. (2000) Evaluation of PERSIANN？system satellite-based estimates of tropical rainfall. Bull.？Am. Meteorol. Soc., Vol. 81, pp. 2035-2046.？https://doi.org/10.1175/1520-0477(2000)081%3C2035:EOPSSE%3E2.3.CO;2

상세보기
Teegavarapu, R. S., & Pathak, C. (2008). Infilling of rain？gage records using radar (NEXRAD) data: Influence of？spatial and temporal variability of rainfall processes. In？World Environmental and Water Resources Congress？2008: Ahupua'A pp. 1-9. https://doi.org/10.1061/40976(316)406
Tyralis, H., Papacharalmpous, G., and Langousis, A. (2019).？A brief review of random forests for water scientists and？practitioners and their recent history in water resources.？Water, Vol. 11, pp. 910. https://doi.org/10.3390/w11050910

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