• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2022년도 제66차 하계학술대회논문집 30권2호
• /
• pp.27-28
• /
• 2022

최근 우리나라에서도 인공지능 모델을 이용한 수온 예측 관련 연구가 활발히 진행되고 있으나 한반도 주변 해역의 수온 예측 연구에서는 주로 해수면 온도만을 예측하는데 중점을 두고 있다. 본 논문에서는 XBT(eXpendable Bathy-Thermograph) 데이터와 LightGBM(Light Gradient Boosting Model)을 이용하여 잠수함 작전 및 대잠전(Anti Submarine Warfare)에 있어서 군사적으로 중요한 동해의 수직 수온분포를 예측하였다. 동해 특정해역의 해수면부터 수심 200m까지 측정된 XBT 데이터를 이용하여 모델을 학습시키고 성능 평가지표(MAE, MSE, RMSE)와 수직 수온분포 그래프를 통해 예측 정확도를 평가하였다.

• 한국해안·해양공학회논문집
• /
• 제27권1호
• /
• pp.56-62
• /
• 2015

지구 온난화의 영향으로 해수면과 기온이 상승하고, 이의 직접적인 영향으로 수온이 증가하고 있다. 지구 온난화가 하천의 수질과 생태 환경에 미치는 영향을 추정하기 위해서는 수온에 대해 이해하고 수온의 변화를 예측할 필요가 있다. 이 연구에서는 수온의 변화를 예측하기 위하여 기온과 수온자료를 입력자료로 하여 수온의 예측을 실시하였다. 2012년에서 2014년까지 환경부의 수질환경관측소에서 관측한 새만금호내의 신시, 가력, 만경, 동진 4개 지점의 수온자료와 기상청에서 같은 기간에 관측한 부안의 자동관측 기온 자료를 활용하였다. 신경망이론을 이용하여 최고 및 최저 수온을 예측한 결과 4개 지점의 모든 결과에서 아주 높은 상관계수를 가지고 있다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2019년도 학술발표회
• /
• pp.265-265
• /
• 2019

기후변화로 의한 기온의 상승은 가뭄, 홍수와 같은 재해를 일으킬 뿐만 아니라 깊은 호수나 저수지와 같은 수자원에도 용존 산소, 물질, 영양소 및 식물플랑크톤의 수직적 분포 등과 같은 다양한 부분에 영향을 미친다. 본 연구의 목적은 SWAT, HEC-ResSim 및 CE-QUAL-W2(이하 W2)모델을 사용하여 미래의 기후 변화에 따른 소양호의 수온, 성층강도 및 열적 안정성의 변화를 장기 예측하고 그 영향을 평가하는데 있다. W2 모델의 보정은 2005 년부터 2015 년까지의 실측 과거 데이터를 이용하여 보정하였고 기후변화 시나리오는 IPCC의 AR5 RCP 4.5 시나리오를 사용하였다. 기후자료는 GCM 모델인 HadGEM2-AO 결과를 상세화하여 모의기간의 자료를 생성하였다. SWAT모델을 이용하여 모의기간인 2016 년부터 2070 년까지 일단위로 저수지 유입을 예측했으며 HEC-ResSim모델을 이용하여 소양강댐 저수지 운영 조건에 따라 저수지 방류량 및 수위 변화를 모의하였다. 수온 해석을 위해 W2를 적용하여 저수지의 장기간의 수온 변화를 예측하였다. 결과적으로 대기 온도는 $0.0279^{\circ}C/year$(p < 0.05) 상승할 것으로 예측되었으며, 동일기간 상층(수면으로부터 5m 깊이)과 하층 (바닥으로부터 5m 높이) 수온은 각각 $0.0191^{\circ}C$/년(p < 0.05) 및 $0.008^{\circ}C$/년(p < 0.05) 상승할 것으로 예측되었다. 모의된 수온을 계절별로 분석했을 때 상층수온은 여름철 가장 큰 폭으로 상승하였으며 하층의 경우 겨울철에 가장 큰 폭으로 상승하였다. 계절별 상-하층 수온의 차는 여름이 가장 컸으며, 겨울에 온도차가 가장 작았다. 또한 미래 온도의 상승에 따라, 소양호의 성층 강도가 강해지는 경향을 보였으며 상층 및 하층의 온도차 $5^{\circ}C$를 기준으로 성층이 형성되는 기간은 큰 변동이 없었으나 소멸되는 시점이 점점 늦어지는 추세를 보여 성층 형성 기간이 길어지는 것으로 나타났다. 저수지 표면의 수온 상승은 식물플랑크톤의 계절 성장률에 영향을 미쳤는데, 특정 조건에서 규조류는 최적 성장 범위를 벗어나는 고온 조건에서 성장속도가 감소하였으나 녹조류와 남조류의 출현 시기가 빨라지며 장기화될 것으로 예측되었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.150-150
• /
• 2023

기작기반의 역학적 모델과 자료기반의 딥러닝 모델은 수질예측에 다양하게 적용되고 있으나, 각각의 모델은 고유한 구조와 가정으로 인해 장·단점을 가지고 있다. 특히, 딥러닝 모델은 우수한 예측 성능에도 불구하고 훈련자료가 부족한 경우 오차와 과적합에 따른 분산(variance) 문제를 야기하며, 기작기반 모델과 달리 물리법칙이 결여된 예측 결과를 생산할 수 있다. 본 연구의 목적은 주요 상수원인 댐 저수지를 대상으로 수심별 수온과 탁도를 예측하기 위해 기작기반과 자료기반 모델의 장점을 융합한 PGDL(Process-Guided Deep Learninig) 모델을 개발하고, 물리적 법칙 만족도와 예측 성능을 평가하는데 있다. PGDL 모델 개발에 사용된 기작기반 및 자료기반 모델은 각각 CE-QUAL-W2와 순환 신경망 딥러닝 모델인 LSTM(Long Short-Term Memory) 모델이다. 각 모델은 2020년 1월부터 12월까지 소양강댐 댐 앞의 K-water 자동측정망 지점에서 실측한 수온과 탁도 자료를 이용하여 각각 보정하고 훈련하였다. 수온 및 탁도 예측을 위한 PGDL 모델의 주요 알고리즘은 LSTM 모델의 목적함수(또는 손실함수)에 실측값과 예측값의 오차항 이외에 역학적 모델의 에너지 및 질량 수지 항을 제약 조건에 추가하여 예측결과가 물리적 보존법칙을 만족하지 않는 경우 penalty를 부가하여 매개변수를 최적화시켰다. 또한, 자료 부족에 따른 LSTM 모델의 예측성능 저하 문제를 극복하기 위해 보정되지 않은 역학적 모델의 모의 결과를 모델의 훈련자료로 사용하는 pre-training 기법을 활용하여 실측자료 비율에 따른 모델의 예측성능을 평가하였다. 연구결과, PGDL 모델은 저수지 수온과 탁도 예측에 있어서 경계조건을 통한 에너지와 질량 변화와 저수지 내 수온 및 탁도 증감에 따른 공간적 에너지와 질량 변화의 일치도에 있어서 LSTM보다 우수하였다. 또한 역학적 모델 결과를 LSTM 모델의 훈련자료의 일부로 사용한 PGDL 모델은 적은 양의 실측자료를 사용하여도 CE-QUAL-W2와 LSTM 보다 우수한 예측 성능을 보였다. 연구결과는 다차원의 역학적 수리수질 모델과 자료기반 딥러닝 모델의 장점을 결합한 새로운 모델링 기술의 적용 가능성을 보여주며, 자료기반 모델의 훈련자료 부족에 따른 예측 성능 저하 문제를 극복하기 위해 역학적 모델이 유용하게 활용될 수 있음을 시사한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.88-88
• /
• 2021

최근 수자원과 수질관리 분야에 자료기반 머신러닝 모델과 딥러닝 모델의 활용이 급증하고 있다. 그러나 딥러닝 모델은 Blackbox 모델의 특성상 고전적인 질량, 운동량, 에너지 보존법칙을 고려하지 않고, 데이터에 내재된 패턴과 관계를 해석하기 때문에 물리적 법칙을 만족하지 않는 예측결과를 가져올 수 있다. 또한, 딥러닝 모델의 예측 성능은 학습데이터의 양과 변수 선정에 크게 영향을 받는 모델이기 때문에 양질의 데이터가 제공되지 않으면 모델의 bias와 variation이 클 수 있으며 정확도 높은 예측이 어렵다. 최근 이러한 자료기반 모델링 방법의 단점을 보완하기 위해 프로세스 기반 수치모델과 딥러닝 모델을 결합하여 두 모델링 방법의 장점을 활용하는 연구가 활발히 진행되고 있다(Read et al., 2019). Process-Guided Deep Learning (PGDL) 방법은 물리적 법칙을 반영하여 딥러닝 모델을 훈련시킴으로써 순수한 딥러닝 모델의 물리적 법칙 결여성 문제를 해결할 수 있는 대안으로 활용되고 있다. PGDL 모델은 딥러닝 모델에 물리적인 법칙을 해석할 수 있는 추가변수를 도입하며, 딥러닝 모델의 매개변수 최적화 과정에서 Cost 함수에 물리적 법칙을 위반하는 경우 Penalty를 추가하는 알고리즘을 도입하여 물리적 보존법칙을 만족하도록 모델을 훈련시킨다. 본 연구의 목적은 대청호의 수심별 수온을 예측하기 위해 역학적 모델과 딥러닝 모델을 융합한 PGDL 모델을 개발하고 적용성을 평가하는데 있다. 역학적 모델은 2차원 횡방향 평균 수리·수질 모델인 CE-QUAL-W2을 사용하였으며, 대청호를 대상으로 2017년부터 2018년까지 총 2년간 수온과 에너지 수지를 모의하였다. 기상(기온, 이슬점온도, 풍향, 풍속, 운량), 수문(저수위, 유입·유출 유량), 수온자료를 수집하여 CE-QUAL-W2 모델을 구축하고 보정하였으며, 모델은 저수위 변화, 수온의 수심별 시계열 변동 특성을 적절하게 재현하였다. 또한, 동일기간 대청호 수심별 수온 예측을 위한 순환 신경망 모델인 LSTM(Long Short-Term Memory)을 개발하였으며, 종속변수는 수온계 체인을 통해 수집한 수심별 고빈도 수온 자료를 사용하고 독립 변수는 기온, 풍속, 상대습도, 강수량, 단파복사에너지, 장파복사에너지를 사용하였다. LSTM 모델의 매개변수 최적화는 지도학습을 통해 예측값과 실측값의 RMSE가 최소화 되로록 훈련하였다. PGDL 모델은 동일 기간 LSTM 모델과 동일 입력 자료를 사용하여 구축하였으며, 역학적 모델에서 얻은 에너지 수지를 만족하지 않는 경우 Cost Function에 Penalty를 추가하여 물리적 보존법칙을 만족하도록 훈련하고 수심별 수온 예측결과를 비교·분석하였다.

• 한국컴퓨터정보학회논문지
• /
• 제27권11호
• /
• pp.47-55
• /
• 2022

최근 우리나라에서도 인공지능 모델을 이용한 수온예측 관련 연구가 활발히 진행되고 있으나 한반도 주변 해역의 수온을 예측한 대부분의 연구는 주로 해수면 온도 예측에 중점을 두고 진행되었다. 반면 본 연구는 XBT(eXpendable Bathythermograph, 소모성 연직수온측정기) 데이터와 기계 학습 모델(RandomForest, XGBoost, LightGBM)을 사용하여 잠수함 작전 및 대잠전(Anti-Submarine Warfare)에 있어서 군사적으로 중요한 동해의 수직 수온분포를 예측하였다. 동해 특정해역의 해수면부터 수심 200m까지 측정된 XBT 데이터를 이용하여 모델을 학습시키고 절대 평균 오차(MAE, Mean Absolute Error)와 수직 수온분포 그래프를 통해 예측정확도를 평가하였다.

• 환경영향평가
• /
• 제30권5호
• /
• pp.271-296
• /
• 2021

댐 저수지 수온성층은 수직혼합을 억제하여 저층의 빈산소층 형성과 퇴적물 영양염류 용출을 일으키는 원인이므로 미래 기후변화에 따른 저수지 성층구조의 변화는 수질 및 수생태 관리 측면에서 매우 중요하다. 본 연구의 목적은 대청댐 저수지를 대상으로 고빈도 자료기반의 통계적 저수지 유입 수온 예측 모델을 개발하고, RCP(Representative Concentration Pathways) 기후변화 시나리오를 고려한 미래 유입 수온변화와 대청호 성층구조의 변화를 예측하는 데 있다. 대청호 유입 수온 예측을 위해 개발한 Random Forest 회귀 예측모델(NSE 0.97, RMSE 1.86℃, MAPE 9.45%)은 실측 수온의 통계량과 변동성을 적절히 재현하였다. 지역 기후 모델(HadGEM3-RA)로 예측된 RCP 시나리오별 미래 기상자료를 Random Forest 모델에 입력하여 유입 수온을 예측하고 3차원 저수지 수리 모델을 이용하여 기후변화에 따른 대청호의 미래(2018~2037, 2038~2057, 2058~2077, 2078~2097) 수온성층 구조 변화를 예측하였다. 예측 결과, 미래 기후 시나리오별로 대기 온도와 저수지 유입 수온의 증가속도는 각각 0.14~0.48℃/10year와 0.21~0.43℃/10year의 범위로써 지속적으로 증가하였다. 계절별 분석 결과, RCP 2.6 시나리오의 봄과 겨울철을 제외한 모든 시나리오에서 유입 수온은 증가 경향이 통계적으로 유의하였으며, 탄소저감 노력이 약한 기후 시나리오로 갈수록 수온의 증가속도가 빨랐다. 저수지 표층 수온의 증가속도는 0.04~0.38℃/10year 범위였으며, 모든 시나리오에서 성층화 기간이 점진적으로 증가되었다. 특히 RCP 8.5 시나리오 적용 시 성층일수는 약 24일 증가하는 것으로 전망되었다. 연구 결과는 기후변화가 호소의 성층강도를 강화하고 성층형성 기간을 장기화한다는 선행연구 결과와 일치하며, 수온성층의 장기화는 저층 빈산소층 확대, 퇴적물-수체간 영양염류 용출량 증가, 수체 내 조류 우점종의 변화 등 수생태계 변화를 유발할 수 있음을 시사한다.

• 해양환경안전학회지
• /
• 제20권5호
• /
• pp.526-534
• /
• 2014

본 연구는 단일 입력 전이함수모형(Single-input transfer function model)을 적용하여 여수연안 2010년의 월평균 표면수온의 예측을 시도하였다. 전이함수모형을 수립하기 위한 입력시계열과 출력시계열은 각각 여수지방의 10년(2000-2009년)간의 월평균 기온자료와 표면수온자료를 이용하였다. 전이함수모형을 수립하기 위하여 입 출력 시계열을 사전백색화하고, 입 출력 시계열간의 각 시차에 대한 교차상관함수를 결정하였다. 교차상관함수는 음의 모든 시차에서 유의한 값을 갖지 않아 기온과 표면수온사이는 일방적 인과관계를 보였다. 또한 교차상관함수의 시차 0과 1에서 유의한 값을 보였다. 이러한 교차상관함수의 특징에 따라 입 출력시계열간 전이함수의 시차와 분모 및 분자의 차수(b, r, s)는 (0, 1, 0)으로 식별되었다. 구축된 전이함수모형에 따르면 기온과 표면수온 사이의 시차는 존재하지 않았다. 여기서 현재의 표면수온은 1개월 전의 표면수온과 선형관계가 있음을 보였으며, 잡음모형은 $ARIMA(1,0,1)(2,0,0)_{12}$로 식별되었다. 전이함수모형에 의한 월평균 표면수온의 예측치는 실측치에 비하여 전반적으로 $0.3-1.3^{\circ}C$ 높은 경향을 보였으며, 6.4 %의 평균절대백분율 오차를 포함하였다. 이러한 결과는 8.3 %의 평균절대백분율오차를 보인 ARIMA 모형에 비하여 향상된 예측성능을 보이는 것이며, 표면수온의 시계열적 예측을 시도할 경우, ARIMA 모형보다 전이함수모형의 적용을 통하여 그 예측성능의 개선 가능성을 기대할 수 있음을 시사하고 있다.

• 대한원격탐사학회지
• /
• 제38권3호
• /
• pp.299-309
• /
• 2022

최근 한반도 주역 해역의 수온이 꾸준히 증가하고 있다. 수온변화는 어업생태계에 영향을 미칠 뿐만 아니라 해양에서의 군사작전과도 밀접히 연관되어 있다. 본 연구는 딥러닝 기술을 기반으로 하는 다양한 예측모델을 통해 단기간 수온예측을 시도함으로써 어떠한 모델이 수온예측분야에 더욱 적합한지를 제시하는 것에 목적을 두었다. 예측을 위해 사용한 데이터는 국립수산과학원에서 해양 관측부이를 통해 관측한 2016년부터 2020년까지 동해 지역(고성, 양양, 강릉, 영덕)의 수온 데이터이다. 또한 예측을 위한 모델로는 시계열 데이터 예측에 우수한 성능을 보이는 Long Short-Term Memory (LSTM), Bidirectional LSTM 그리고 Gated Recurrent Unit (GRU) 기법을 사용하였다. 기존 연구가 LSTM만을 활용하였던데 반해 이번 연구에서는 LSTM 외에 다양한 기법을 적용함으로써 각 기법의 예측 정확도와 수행시간을 비교하였다. 연구결과, 1시간 예측을 기준으로 모든 관측지점에서 Bidirectional LSTM과 GRU 기법이 실제값과 예측값의 오차가 가장 적은 것으로 확인되었으며, 학습시간에 있어서는 GRU가 가장 빠른 것으로 확인되었다. 이를 통해, 예측 오차를 줄이면서 정확도를 향상하기 위한 수온예측에는 Bidirectional LSTM을 활용하고 대잠작전처럼 정확도 외에 실시간 예측이 필요한 분야에 있어서는 GRU 기법을 활용하는 방안이 더욱 적절할 것으로 판단된다.

• 한국컴퓨터정보학회논문지
• /
• 제28권11호
• /
• pp.13-20
• /
• 2023

본 논문에서는 LSTM-Autoencoder 기반 특징추출과 재구성 데이터를 이용한 수온 예측 방법을 제안한다. 냉수대 현상이 발생한 동해 낙산 지역의 해수면 수온과 수온에 영향을 미치는 풍향, 풍속 등 다변량 시계열 데이터를 이용하고, LSTM-Autoencoder 모델을 이용하여, 원본 데이터의 차원 축소를 통해 추출된 특징 데이터를 원본 데이터의 다변수 데이터로 결합한 데이터, 복원 데이터, 원본 데이터 총 3가지를 사용한다. 수온 예측을 위해 LSTM 모델에 3가지 데이터를 학습하고, 정확도를 평가한 결과 MAE 0.3652, RMSE 0.5604, MAPE 3.309%으로 LSTM-Autoencoder의 특징추출을 이용한 수온 예측 정확도가 가장 우수한 성능을 보이는 것을 확인하였다. 본 연구의 결과는 냉수대와 같이 해수면 수온 변화가 급변하는 구간의 예측 정확도를 높여, 자연재해의 피해를 예방할 수 있을 것으로 기대한다.