Water for future (물과 미래)

Korea Water Resources Association (한국수자원학회)
권호 표지

딥러닝을 활용한 한강 주요 수위표지점의 수위 예측 방안 연구

  • 유재은 ((재)국제도시물정보과학연구원) ;
  • 정세진 ((재)국제도시물정보과학연구원) ;
  • 정승권 ((재)국제도시물정보과학연구원)
  • Published : 2023.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

Keywords

References

  1. 표종철, 박상훈, 조경화, 백상수 (2020). 수 환경 분야에서의 딥러닝 모델 적용사례. 상하수도학회지. Vol. 34, No. 6, p481-493.
  2. Madhawa Herath, Tharaka Jayathilaka, Yukinobu Hoshino, Upaka Rathnayake (2023). Deep Machine Learning-Based Water Level Prediction Model for Colombo Flood Detention Area. Applied sciences.
  3. Wei Xu, Yanan jiang, Xiaoli Zhang, Yi Li, Run Zhang, Guangtao Fu (2020). Using long short-term memory networks for river flow prediction. Hydrology Research. Vol. 51, Issue 6.
  4. 박석환 (2019). 딥러닝을 이용한 도심지 수위예측-도림천 유역 대상. 서울시립대학교 과학기술대학원 토목공학과. 학위논문.
  5. 유형주, 이승호, 최서혜, 박문형 (2019). 시계열 자료의 예측을 위한 자료 기반 신경망 모델에 관한 연구: 한강대교 수위예측 적용. 한국방재안전학회 논문집. Vol.12 No.2. p 73-82.
  6. 육지문, 이정환, 황성환, 문영일 (2019). 강우자료 학습에 따른 딥러닝 기반 LSTM모형의 수위예측. 대한토목학회 학술대회. Vol.2019 No.10. p.264-265
  7. Karen Simonyan, Andrew Zisserman (2015). Very Deep Convolutional Networks For Large-Scale Image Recognition. ICLR 2015 poster.
  8. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (2016). Deep Residual Learning for Image Recognition. CVPR 2016.
  9. Sepp Hochreiter, J urgen Schmidhuber(1997). LONG SHORT-TERM MEMORY. Neural Computation 9(8). p.1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  10. Junyoung Chung, Caglar Gulcehre, KyungHyun Cho, Yoshua Bengio (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. NIPS 2014.