• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2020년도 학술발표회
• /
• pp.246-246
• /
• 2020

최근 우리나라에서 농업용수의 다원적 기능에 대한 공감대가 형성되고 작물생육에 필요한 관개용수로만 인식되던 농업용수의 개념이 농촌생활환경개선을 포함하는 다양한 지역용수로의 포괄적 개념으로 전환되고 있다. 농업용수는 식량생산 이외의 효용을 위한 다원적 기능을 가지며 농촌지역의 각종 생산활동과 생활조건의 유지개선을 위한 농업용수의 다원적 기능에 관한 관심이 증가하는 추세이다. 농업용수에서 발생하는 회귀수는 유역의 용수공급계획, 하천 유황의 예측, 관개용수 사용량 결정, 하천 건전화 방지, 수생생태계 보호 및 생물 다양성 확보 등 농업용수의 효율적 사용 및 환경생태유지를 위해 매우 중요한 역할을 하고 있다. 농업용수 회귀수량은 농업용수 중 하천으로 회귀하는 수량을 의미한다. 본류의 생태 유량 확보에 농업용수 회귀 수량이 기여하고 있으며 본류 하천의 환경 보전 기능을 하고 있다. 또한, 수생태계 보호 및 생물 다양성 확보 등 환경 생태 유지에 매우 중요한 역할을 하고 있다. 하지만 농업용수 회귀수량이 하천 수생태에 미치는 영향 분석 연구는 미흡한 실정이다. 따라서 본 연구의 목적은 대사 저수지 유역을 대상으로 농업용수 회귀 수량이 하류 하천 수생태에 미치는 영향을 정량적으로 평가하고자 한다. 본 연구에서는 회귀 수량은 관개용수량, 배수량, 침투량, 담수심 등 물수지 항목을 논물수지 모형에 적용하여 산정하였으며, 하류 하천의 생태유량 산정을 위해 대사저수지 하류에 위치한 생물측정망 자료를 통해 대표 어종을 선정하였다. PHABSIM 모형을 이용해 모의 대상 지역 특성 자료 및 인근 소하천 생물측정망 자료를 바탕으로 HSI 기반 대표 어종 서식처 환경에서 최적 생태유량을 산정하였다. 이를 통해 추정된 농업용수 회귀 수량에 따른 필요 유량이 어류 서식환경에 미치는 영향을 평가하였다. 본 연구 결과 대사저수지 하류 하천에서 농업용수 회귀수량이 차지하고 있는 기여도 큰 것으로 분석되었으며, 최적 생태유량과 비교한 결과 농업용수 회귀수량이 수생태(어류)에 미치는 영향이 큰 것으로 나타났다. 따라서 농업용수 회귀수량은 하류 하천의 하천유지수량뿐만 아니라 하천 환경생태유지에도 매우 중요한 역할을 하고 있음을 알 수 있다.

• 한국방재안전학회논문집
• /
• 제13권4호
• /
• pp.75-92
• /
• 2020

일반적으로 물수지 분석 시 공급에 해당되는 회귀수량의 경우 용수별 회귀율을 일률적으로 정하여 산정하는 방법을 채택하고 있어 정확한 가용유량을 산정하지 못하는 한계를 갖고 있다. 이에 본 연구에서는 회귀수 중 하·폐수에 초점을 두었고 인공신경망 등의 기계학습 모형을 적용하여 하수종말처리장의 방류량 예측 모형을 개발하였다. 시계열 자료예측 시 사용되는 주요 기계학습 모형인 LSTM (Long Short-Term Memory), GRU (Gated Recurrent Units), SVR (Support Vector Regression)모형을 적용하였으며 관측 값과 예측 값을 비교하는 오차지표를 통하여 방류량 예측의 최적의 모형을 선정하였다. 모형 적용 결과, GRU 모형의 평균제곱근 오차(Root Mean Square Error, RMSE)는 LSTM 모형과 SVR 모형보다 작으며 Nash-Sutcliffe 계수(NSE)는 LSTM 모형과 SVR 모형보다 큰 것을 확인하였고, 이를 근거로 하수종말처리장의 방류량 예측에 최적모형은 GRU 모형이라고 판단하였다. 다만, 극값에서는 예측 값이 과소 및 과대 산정되는 경향을 보여 추후 예측 정확도 향상을 위해서는 극한사상에 대한 추가자료 구축 및 입력 자료의 최소시간단위를 축소하는 것이 필요할 것으로 판단되었다. 또한, 예측하고자 하는 대상지의 용수이용량을 검토하고 계절적 영향을 반영할 수 있는 추가인자를 고려하게 되면 기후변동성에 대비하여 정확한 방류량 예측이 가능하며 예측 결과를 토대로 종합적인 하천수 사용관리 및 물이용 계획 수립을 위한 기초자료로 활용될 수 있을 것으로 기대된다.

• 상하수도학회지
• /
• 제35권1호
• /
• pp.83-91
• /
• 2021

The increased turbidity in rivers during flood events has various effects on water environmental management, including drinking water supply systems. Thus, prediction of turbid water is essential for water environmental management. Recently, various advanced machine learning algorithms have been increasingly used in water environmental management. Ensemble machine learning algorithms such as random forest (RF) and gradient boosting decision tree (GBDT) are some of the most popular machine learning algorithms used for water environmental management, along with deep learning algorithms such as recurrent neural networks. In this study GBDT, an ensemble machine learning algorithm, and gated recurrent unit (GRU), a recurrent neural networks algorithm, are used for model development to predict turbidity in a river. The observation frequencies of input data used for the model were 2, 4, 8, 24, 48, 120 and 168 h. The root-mean-square error-observations standard deviation ratio (RSR) of GRU and GBDT ranges between 0.182~0.766 and 0.400~0.683, respectively. Both models show similar prediction accuracy with RSR of 0.682 for GRU and 0.683 for GBDT. The GRU shows better prediction accuracy when the observation frequency is relatively short (i.e., 2, 4, and 8 h) where GBDT shows better prediction accuracy when the observation frequency is relatively long (i.e. 48, 120, 160 h). The results suggest that the characteristics of input data should be considered to develop an appropriate model to predict turbidity.