• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.167-167
• /
• 2018

토양수분은 토양에 포함된 평균 수분량을 나타내며 수문 순환 관점에서 매우 중요한 수문변량 중 하나이다. 본 연구에서는 대표적인 기계학습 방법인 Support Vector Machine (SVM)을 이용한 토양 함수 예측 기법을 개발하고자 하며, 예측인자로서 원격 탐측 기반의 토양함수자료, 강수량, 온도 등을 활용하고자 한다. SVM은 Kernel 함수를 이용하여 복잡한 비선형 관계를 선형 가정을 통해서 해석하는 기계학습 방법으로서 전역모델(global model)로서 다양한 수문기상분야에 적용이 이루어지고 있다. SVM의 장점은 일정 부분의 오차를 허용함으로서 모형의 일반화 측면에서 기존 인공신경망(artificial neural network, ANN)에 비해 우수한 성능을 나타내며, 특히 예측모형으로서 적용성이 매우 크다. 본 연구에서는 과거 토양 함수 자료와 강수, 온도, 위성 관측 기반 정보 등을 이용하여 모형을 적합시키고 이를 미계측 유역으로 확장하는데 연구의 목적이 있으며, 본 연구를 통해 제안된 모형은 용담댐 시험유역을 대상으로 적용되며 기존 ANN 모형 및 다중회귀분석 결과와 비교를 통해 모형의 적합성을 평가하고자한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.365-365
• /
• 2020

최근 기후변화로 인한 강우, 온도, 유량과 같은 수문학적 요소의 불확실성 증가와 더불어 산업화, 도시화로 인한 물 수요가 커짐에 따라 물부족 발생 위험이 증가하고 있다. 이에 따라, 안정적인 물 공급을 위한 하천유량과 취수량의 균형을 목적으로 하는 취수량의 예측 및 모의에 대한 중요성이 강조되고 있다. 본 연구에서는 과거 하천 취수량 자료로부터 미래 취수량을 예측하기 위해 딥러링 기법 중 하나인 순환신경망(LSTM) 모형과 시계열분해법을 결합하여 취수량 예측 모형을 개발하였다. 시계열분해법을 통해 자료의 경향성과 계절적 변동성 등 다양한 스케일의 시계열을 분해하여 전처리를 수행하였으며 불확실성을 의미하는 잔차(residual)에 LSTM을 적용하여 예측하였다. 결과적으로 LSTM 취수량 예측 모형은 높은 정확도를 보였으며, 월단위 전망 시 관측값에 대하여 신뢰성이 있는 결과를 나타내었다. 본 연구에서 개발한 모형에 따른 결과는 수자원 관리를 위해 활용이 가능할 것으로 기대된다.

• 대한토목학회논문집
• /
• 제26권2B호
• /
• pp.131-137
• /
• 2006

본 연구에서는 기존 매개변수적 수문시계열 예측모형을 보완하고자 Singular Spectrum Analysis(SSA)와 Linear Recurrent Formula를 결합한 모형을 제안하였다. SSA는 주로 시계열에 내재해 있는 구성성분을 추출하기 위한 목적으로 많이 이용되고 있다. 이러한 관점에서 본 연구에서는 엘니뇨 및 라니냐 등의 기상현상과 수문사상의 상관성 분석에 주로 적용되고 있는 SSA와 시계열 예측을 위해서 Linear Recurrence Formula를 결합한 예측 모형을 월단위의 수위와 유입량 시계열 자료를 대상으로 적용성 및 타당성을 검토해 보았다. 모형을 통해 수문시계열을 모의한 결과 전체적인 통계적인 특성 및 시각적인 검토에서 실측자료와 매우 유사한 모의가 가능하였으며 실측 자료를 바탕으로 Blind Forecasting을 실시한 결과 2가지 예에서 모두 1년 정도의 예측구간에서 합리적인 결과를 제시하여 주었다. 따라서 단기예측을 수문모형으로서 적용이 가능할 것으로 사료된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2007년도 학술발표회 논문집
• /
• pp.1512-1516
• /
• 2007

자신의 현재와 과거의 시계열데이터만을 가지고 시계열 모형을 구축하는 단변량 ARIMA모형 분석법과는 달리, 관심의 대상이 되는 출력시계열과 이와 관련있는 입력시계열의 동태적 특성을 나타내는 전이함수모형(Transfer function model)을 사용하여 소양강댐, 충주댐, 화천댐에 대한 월별 수문자료를 이용하여 유입량을 예측해 보고자 한다. 본 연구의 주요 목적은 다변량 추계학적 시스템의 해석을 위한 모형의 추정과 등정을 위한 과정을 개발하는데 있다. 일반적 추계학적 시스템 모형이 표현되며 그것으로부터 수문학적 시스템의 모형을 매우 적절하게 유도하기 위한 다중 입력-단일 출력 TF, TFN모형을 유도하는데 있다. 이 모형은 수문학적 시스템을 위한 경우에 있어 상관된 입력을 설명할 수 있도록 개발된다. 일반적으로 모형을 만드는 전략이 유도되며 실제유역시스템에 적용하여 검토된다. 한강수계 주요 다목적댐인 소양강댐, 충주댐, 화천댐의 수문자료를 가지고 추계학적 모형(TF, TFN)에 의한 결과와 실제유입량을 비교하여 검토하고자 한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2017년도 학술발표회
• /
• pp.31-31
• /
• 2017

북한강은 한강의 제 1 지류로 지리적 이점과 풍부한 유량으로 많은 댐들이 건설 되었다. 북한강 본류에는 6개의 크고 작은 댐이 있는데 이들 중 4개가 홍수조절 능력이 없는 발전용댐이다. 이 댐들은 발전효율 향상과 범람으로 인한 저수지 붕괴에 대비하기 위하여 수위를 일정하게 유지하는 방식으로 운영되고 있다. 그러나 최근에 발생하는 집중호우와 게릴라성 폭우는 이러한 목표를 달성하기 힘들게 하고 있다. 지금까지 댐 운영을 위한 유입량 예측에 관련된 연구는 많이 있었지만 대부분 예측 단위가 1시간 이상이었다. 본 연구의 대상이 된 북한강 발전용댐은 저수용량이 작아 적은 양의 유입에도 수위가 급변하는 특징이 있기 때문에 1시간 단위로 유입량을 예측하는 모형은 실제 운영에 적용하기 어렵다. 본 연구에서는 댐의 운영자가 수문 개도 의사결정에 참고할 수 있는 유입량 자료를 생성하기 위하여 10분 단위 유입량을 예측하였다. 또한 댐들이 직렬로 배치된 유역의 특징을 고려하여 상류에 댐이 있는 경우에는 상류 댐의 방류량을 고려하였다. 본 연구는 뉴로 퍼지 기법을 사용하였으며 2004~2016년까지 발생한 호우 사상을 이용하여 모형을 구성하고 검증하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2004년도 학술발표회
• /
• pp.742-747
• /
• 2004

최근 들어 지구온난화에 따른 이상기후 및 집중호우 빈발 그리고 급격한 도시화와 산업화는 예측하기 어려운 수문현상의 변화를 유발시키고 있다. 이에 따른 유출양상의 변화는 수문분석에 의한 기존의 설계기준에도 변화를 요구하고 있다. 즉, 설계빈도의 무조건적인 상향조정에 따른 확정론적인 방법에 의존하기보다는 수문량의 변화를 통계학적으로 반영한 수 있도록 불확실성 분석이 필요하게 되었다. 따라서 설계홍수량에 따른 범람면적별 홍수피해액을 산정할 때 설계홍수량에 대한 불확실성 분석을 수행함으로써 안전율을 고려 할 범람과 홍수피해액을 추정할 수 있는 것이다. 본 연구에서는 Bayesian에 의해 불확실성을 고려한 빈도별 설계홍수량을 산정하였으며, HEC-GeoRAS와 HEC-RAS 및 ArcView GIS 3.2a를 이용해 홍수범람면적을 수치지형도에 도시하고, 범람면적별 홍수피해액을 산정하였다. 또한, 불확실성을 고려하지 않은 경우에 대해서는 L-모멘트법을 이용해 설계홍수량을 구하고 홍수범람면적파 홍수피해액을 산정하였다. 불확실성의 고려 여부에 따른 설계홍수량과 예상 홍수피해액을 비교${\cdot}$분석한 결과 불확실성을 고려한 경우가 불확실성을 고려하지 않은 경우에 비해 설계홍수량은 $7\~33\%$, 예상 홍수피해액은 $1\~4\%$정도 차이를 보였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2019년도 학술발표회
• /
• pp.317-317
• /
• 2019

기상청에서는 시스템 이용자의 편의와 자료의 활용 증진을 위해 분리되어 있던 수문기상과 가뭄정보를 하나로 통합하여 '수문기상 가뭄정보 시스템(https://hydro.kma.go.kr)을 2017년 8월 1일부터 운영하고 있다. 본 시스템은 일반국민과 물관리 유관기관(회원)을 대상으로 관측, 수문기상 감시 예측, 기상 가뭄분석 전망으로 나눠 정보를 생산하여 서비스가 제공하고 있다. 수문기상 서비스는 관측 강수량(기상청, 유관기관), 기상청 위성 토양수분량 및 증발산량 자료와 레이더 관측 자료(Radar AWS Rainrate, RAR)를 GIS 기반 유역단위별(4대강권, 대권역, 중권역, 표준유역단위)로 관측 정보를 제공하며, UM(3km), 멀티모델앙상블, 레이더(MAPLE), 유역강수지수자료들로 예측 서비스를 제공하고 있다. 또한, 메타정보를 통해 유역별, 관측소별 상세조회가 가능하여 원하는 유역 또는 관측소를 선택 시 GIS지도에 위치가 표시되며 선택 지점의 정보를 손쉽게 확인할 수 있다. 가뭄 정보는 기상 가뭄 예보 정보와 가뭄 감시 정보를 제공하고 있다. 기상 가뭄 예보 정보는 매주 금요일에 발표되고 있는 기상 가뭄 예보 1개월 전망과 매월 10일경 관계부처(행정안전부, 기상청, 환경부, 농림축산식품부) 합동으로 발표하고 있는 가뭄 예 경보 3개월 전망자료를 제공하고 있으며, GIS 기반 행정구역 및 유역별로 나눠 여러 가지 가뭄지수(표준강수지수, 표준강수증발산지수, 강수평년비, 유효가뭄지수)를 활용하여 기상 가뭄 감시 정보를 제공하고 있다. 또한, 가뭄 감시 현황 정보는 다양한 형태(시계열, 가뭄지수 조회 및 다운로드, 분포도 비교)로도 확인할 수 있으며, 강수량분석 통계(누적 강수량, 강수량 순위, 무강수일수) 정보를 제공한다. 그 밖에 관측 자료(강수량 분포도, 토양수분량, 증발산량 등), 월별 언론모니터링 자료 등을 제공하고 있다. 향후 수문기상과 가뭄 재해에 선제적으로 대응하여 안정적인 물관리를 지원하고 자료의 신뢰도를 지속적으로 제고하여 우리나라에 맞는 수문기상 가뭄정보 시스템으로 거듭나도록 노력해 나갈 것이다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2010년도 학술발표회
• /
• pp.1846-1851
• /
• 2010

댐붕괴 모델링에 관한 연구가 활성화된 시기는 미국 Baldwin Hills 댐(1964)과 Lower Van Norman(San Fernando) 댐(1971) 붕괴 사고 이후이며 1970년대 발생한 Buffalo Creek 댐(서부 버지니아, 1972), Teton 댐(아이다호, 1976), Laurel Run 댐/Sandy Run 댐(펜실바니아, 1977), Kelly Barnes 댐(조지아, 1977) 붕괴 사고로 인해 미국 댐 안전 관리 프로그램의 포괄적 재검토의 필요성이 제기되었다. 국내에서도 연천댐 붕괴(1996년)와 장현저수지와 동막저수지의 붕괴(2002년)로 하류에 위치한 가옥 및 농경지 침수로 인해 재산피해가 발생한 바 있으며, 2005년 비상대처계획 수립을 의무화하는 제도가 도입되었다. 오늘날 댐 붕괴와 붕괴로 인한 유출 수문곡선을 분석하는데 이용 가능한 수많은 도구들이 존재하고 있다. 가장 잘 알려져 있으며 가장 널리 이용되는 모형은 NWS Dam-Break Flood Forecasting Model(DAMBRK; Fread, 1977)이며 국내 댐 저수지 비상대처계획 수립을 위해 많이 이용되고 있다. DAMBRK 모형의 입력자료는 붕괴지속시간, 결괴부측면경사, 최종결괴부바닥표고, 댐붕괴시작수위 등이 요구되며, 이 중 결괴형성과정에 관련된 매개변수의 선정을 위해서는 댐붕괴 사례연구 자료가 활용되고 있다. 모형으로부터 도출된 붕괴유출수문곡선에 대한 적정성 평가는 과거 경험, 공학적 판단, 첨두유량 예측식에 의해 수행되고 있으며 가장 객관적인 기준이라 판단되는 첨두유출량 예측식은 사례연구 자료의 부족으로 인해 높은 불확실성을 안고 있다. 본 연구는 최근까지 개발된 댐결괴 첨두유출량 예측식을 기반으로 국내 건설된 댐의 대다수를 차지하는 필댐에 대해 댐높이, 댐형식별로 예측식의 적정성을 평가하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.135-135
• /
• 2018

한강의 잠수교는 평상시에는 사람과 차의 통행이 가능하나 예측수위가 5.5m일 경우, 보행자통제, 6.2m일 경우, 차량통제를 실시한다. 잠수교는 국토교통부의 홍수예보 지점은 아니지만 그 특수성으로 인해 정확한 홍수위 예측을 통해 선행시간을 확보할 필요가 있다. 일반적으로 하천 홍수위 예측을 위해서는 강우-유출 모형과 하도추적을 위한 수리모형을 결합한 모델링이 요구되나 잠수교는 하류부 조위로 인한 배수 및 상류부 팔당댐 방류량의 영향을 받아 물리적 수리 수문모형의 구축이 상당히 제약적이다. 이에 본 연구에서는 딥러닝 오픈 라이브러리인 Tensorflow 기반의 LSTM 심층신경망(Deep Neural Network) 모형을 구축하여 잠수교의 수위예측을 수행한다. LSTM 모형의 학습과 검증을 위해 2011년부터 2017년까지의 10분단위의 잠수교 수위자료, 팔당댐의 방류량과 월곶관측소의 조위자료를 수집한 후, 2011년부터 2016년까지의 자료는 신경망 학습, 2017년 자료를 이용하여 학습된 모형을 검증하였다. 민감도 분석을 통해 LSTM 모형의 최적 매개변수를 추정하고, 이를 기반으로 선행시간(lead time) 1시간, 3시간, 6시간, 9시간, 12시간, 24시간에 대한 잠수교 수위를 예측하였다. LSTM을 이용한 1~6시간 선행시간에 대한 수위예측의 경우, 모형평가 지수 NSE(Nash-Sutcliffe Efficiency)가 1시간(0.99), 3시간(0.97), 6시간(0.93)과 같이 정확도가 매우 우수한 것으로 분석되었으며, 9시간, 12시간, 24시간의 경우, 각각 0.85, 0.82, 0.74로 선행시간이 길어질수록 심층신경망의 예측능력이 저하되는 것으로 나타났다. 하천수위 또는 유량과 같은 수문시계열 분석이 목적일 경우, 종속변수에 영향을 미칠 수 있는 가용한 모든 독립변수를 데이터화하여 선행 정보를 장기적으로 기억하고, 이를 예측에 반영하는 LSTM 심층신경망 모형은 수리 수문모형 구축이 제약적인 경우, 홍수예보를 위한 활용이 가능할 것으로 판단된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.358-358
• /
• 2023

본 연구에서는 그동안 수자원분야 강우유출 해석분야에 활용되었던 대표적인 머신러닝&딥러닝(ML&DL) 모델을 활용하여 모델의 하이퍼파라미터 튜닝뿐만 아니라 모델의 특성을 고려한 기상 및 수문데이터의 조합과 전처리(lag-time, 이동평균 등)를 통하여 데이터 특성과 ML&DL모델의 조합시나리오에 따른 일 유입량 예측성능을 비교 검토하는 연구를 수행하였다. 이를 위해 소양강댐 유역을 대상으로 1974년에서 2021년까지 축적된 기상 및 수문데이터를 활용하여 1) 강우, 2) 유입량, 3) 기상자료를 주요 영향변수(독립변수)로 고려하고, 이에 a) 지체시간(lag-time), b) 이동평균, c) 유입량의 성분분리조건을 적용하여 총 36가지 시나리오 조합을 ML&DL의 입력자료로 활용하였다. ML&DL 모델은 1) Linear Regression(LR), 2) Lasso, 3) Ridge, 4) SVR(Support Vector Regression), 5) Random Forest(RF), 6) LGBM(Light Gradient Boosting Model), 7) XGBoost의 7가지 ML방법과 8) LSTM(Long Short-Term Memory models), 9) TCN(Temporal Convolutional Network), 10) LSTM-TCN의 3가지 DL 방법, 총 10가지 ML&DL모델을 비교 검토하여 일유입량 예측을 위한 가장 적합한 데이터 조합 특성과 ML&DL모델을 성능평가와 함께 제시하였다. 학습된 모형의 유입량 예측 결과를 비교·분석한 결과, 소양강댐 유역에서는 딥러닝 중에서는 TCN모형이 가장 우수한 성능을 보였고(TCN>TCN-LSTM>LSTM), 트리기반 머신러닝중에서는 Random Forest와 LGBM이 우수한 성능을 보였으며(RF, LGBM>XGB), SVR도 LGBM수준의 우수한 성능을 나타내었다. LR, Lasso, Ridge 세가지 Regression모형은 상대적으로 낮은 성능을 보였다. 또한 소양강댐 댐유입량 예측에 대하여 강우, 유입량, 기상계열을 36가지로 조합한 결과, 입력자료에 lag-time이 적용된 강우계열의 조합 분석에서 세가지 Regression모델을 제외한 모든 모형에서 NSE(Nash-Sutcliffe Efficiency) 0.8이상(최대 0.867)의 성능을 보였으며, lag-time이 적용된 강우와 유입량계열을 조합했을 경우 NSE 0.85이상(최대 0.901)의 더 우수한 성능을 보였다.