• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2017년도 학술발표회
• /
• pp.354-354
• /
• 2017

홍수예경보는 발생되는 홍수의 규모와 시간을 가능한 정확하고 빠르게 예측하여 홍수에 대한 위험성을 사전에 알리고자 하는데 목적이 있다. 따라서 하천범람에 따른 피해를 최소화하기 위한 홍수예경보는 일정시간의 선행시간을 확보하는 것이 매우 중요하다. 본 연구에서는 현재 하천에서 측정되고 있는 수위 관측 자료를 이용하여 하류의 수위를 예측하였다. 수위 예측을 위해 다중회귀모형 및 신경망 모형을 한강의 제1지류인 횡성댐 상류 섬강 시험유역에 적용하였다. 다중회귀모형 및 신경망 모형의 학습에는 섬강 시험유역의 2002년부터 2010년까지의 수위 관측 자료를 이용하였으며, 학습된 모형을 이용하여 30분 이내에 발생 가능한 수위를 예측하였다. 모의 결과 신경망 수위예측모형의 결정계수는 0.967으로 나타났으며, 다중회귀수위예측 모형의 결정계수는 0.815로 나타나 신경망을 이용한 수위예측모형이 다중회귀모형보다 좀 더 나은 예측 결과를 나타내는 것을 확인할 수 있었다. 본 연구결과는 향후 중소하천에서 선행시간을 확보한 홍수 예경보 구축에 활용할 수 있을 것으로 판단된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2019년도 학술발표회
• /
• pp.377-377
• /
• 2019

본 연구에서는 LSTM 모형을 이용하여 갈수예보를 위한 월 단위 전망모형개발의 대상지점으로 이수 및 치수의 측면에서 아주 중요한 한강대교 지점을 선정하였으며 유량예보를 위하여 한강수계 19개 기상관측소의 월평균강수량, 월평균기온 및 3개 댐(소양,횡성,충주)의 월방류량을 사용하여 한강대교의 월 유량을 예측하였다. 1996년부터 2016년까지의 자료는 모형의 학습, 2017년 자료는 모형의 검증에 활용하였으며 가장 최근 건설된 횡성댐 방류량의 경우 1996년~2000년의 자료가 없으므로 2001년~2005년의 자료를 반복하여 학습에 활용하였다. 모형의 예측결과는 신경망 학습 시 한강대교 월유량자료를 포함한 결과와 미포함 결과를 도출하였으며, 모의결과의 재현성 분석을 위하여 월별 예측값과 실측값의 비율을 산정하였으며 1월부터 12월까지 12개 값을 평균하여 평균예측률을 산정하고 이를 홍수기(6월~10월) 및 비홍수기(1월~5월, 11월~12월)를 구분하였다. 딥러닝 학습 시 월유량을 포함한 경우의 예측결과가 학습 시 월유량을 포함하지 않았을 경우보다 상대적으로 좋은 정확도를 보이는 것으로 분석되었다. 다만, 신경망을 실제 갈수예보에 활용하기 위해서는 예측 기상정보인 월강우량, 월평균기온, 댐방류량만을 활용하여야 하는데 학습 시월유량 미포함 결과는 예측률이 매우 낮았으며, 신경망의 학습횟수가 늘어날 경우 학습자료 과적합(over-fitting)되어 정확도가 보다 저하되는 것으로 나타났다. 그래서 기존의 현재시간 t까지의 입력자료로 학습 후 익월(t+1)의 월유량을 예측하는 (t $\rightarrow$ t+1) 방법에서 현재시점 (t-n ~ t)까지의 입력자료를 이용하여 당월(t)의 월유량을 산정하는 (t$\rightarrow$t) 방법으로 재학습 후 모형검증을 수행한 결과 전술한 익월(t+1) 유량을 예측한 결과보다 재현성이 훨씬 향상된 것으로 분석되며평균예측률이 0.99로 홍수기 및 비홍수기에서도 뛰어난 정확성을 보이고 있다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2008년도 학술발표회 논문집
• /
• pp.264-268
• /
• 2008

미래 발생 가능한 수문 및 기상현상의 예측과정은 지식의 부족과 자연현상의 다양성으로 인해 불확실성을 포함하게 된다. 하지만 많은 예측들은 아직까지 확정적으로 제공되고 있으며, 결과적으로 예측결과의 불확실성 정도를 제공하지 못하고 있다. 앙상블 유량예측(ESP, Ensemble Streamflow Prediction)은 이러한 불확실성을 고려하여 수자원시스템의 의사결정에 있어 중요한 요소 중 하나인 유량예측을 수행할 수 있는 방법이다. 하지만 ESP의 결과는 기상자료, 유역 초기조건, 수문모형의 매개변수, 단순화된 수문모형에 의해 비교적 큰 불확실성을 포함하게 되며, 따라서 실제적인 현업에서의 사용을 위해서는 불확실성 정도를 줄이기 위한 사전 및 사후처리 과정이 요구된다. 본 연구에서는 국내에서 활용 가능한 기후 예보자료를 사용하여 앙상블 유량예측에 적용할 수 있는 사전처리 방안들을 검토하고, 국내에서 사후처리를 위해 적용되었던 최적선형 보정기법에 더해 다양한 기법들을 강우유출모형인 TANK모형의 모의결과 보정에 적용하였다. 사전 및 사후처리를 적용한 결과 기상자료와 유량예측과정에 존재하는 불확실성을 저감시키는 것이 가능하였다. 특히 사전 및 사후 처리가 동시에 적용되었을 경우 그 향상 정도가 단순히 각각의 방법에 의한 향상 정도를 합한 것보다 높게 나타날 수 있음이 확인되었다. 사전 및 사후처리를 동시에 적용한 경우 이수기에는 RPS(Ranked Probability Score) 평가방법 내에서 54%를, 홍수기에는 8%를 향상시키는 것이 가능하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.185-185
• /
• 2021

기후변화로 인한 돌발 강우 등 이상 기후 현상이 증가함에 따라 정확한 강우예측의 중요성은 더 증가하는 추세이다. 전통적인 강우예측의 경우 기상수치모델 또는 외삽법을 이용한 레이더 기반 강우예측 기법을 이용하며, 최근 머신러닝 기술의 발달에 따라 이를 활용한 레이더 자료기반 강우예측기법이 개발되고 있다. 기존 머신러닝을 이용한 강우예측 모델의 경우 주로 시계열 이미지 예측에 적합한 2차원 순환 신경망 기반 기법(Convolutional Long Short-Term Memory, ConvLSTM) 또는 합성곱 신경망 기반 기법(Convolutional Neural Network(CNN) Encoder-Decoder) 등을 이용한다. 본 연구에서는 생성적 적대 신경망 기반 기법(Generative Adversarial Network, GAN)을 이용해 미래 강우예측을 수행하도록 하였다. GAN 방법론은 이미지를 생성하는 생성자와 이를 실제 이미지와 구분하는 구별자가 경쟁하며 학습되어 현재 이미지 생성 분야에서 높은 성능을 보여주고 있다. 본 연구에서 개발한 GAN 기반 모델은 기상청에서 제공된 2016년~2019년까지의 레이더 이미지 자료를 이용하여 초단기, 단기 강우예측을 수행하도록 학습시키고, 2020년 레이더 이미지 자료를 이용해 단기강우예측을 모의하였다. 또한, 기존 머신러닝 기법을 기반으로 한 모델들의 강우예측결과와 GAN 기반 모델의 강우예측결과를 비교분석한 결과, 본 연구를 통해 개발한 강우예측모델이 단기강우예측에 뛰어난 성능을 보이는 것을 확인할 수 있었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1998년도 가을 학술발표논문집 Vol.25 No.2 (3)
• /
• pp.21-23
• /
• 1998

본 논문에서 ILP (Instruction Level Parallelism)의 성능향상을 위하여 데이터 값들을 미리 예측하여 병렬로 이슈(issue)하고 수행하는 기존의 데이터 값 예측기(data value predictor)를 비교 분석하여 각 예측기의 예측율을 측정하고, 2-단계 데이터 값 예측기(Two-Level Data Value Predictor)와 혼합형 데이터 값 예측기(Hydrid Data Value Predictor)에서 발생되는 aiasing 을 측정하기 위해 수정된 데이터 값 예측기를 사용하여 측정한 결과 aliasing은 50% 감소하였지만 예측율에는 영향을 미치지 못함과 데이터 값 예측기의 예측율을 측정한 결과 혼합형 데이터 값 예측기의 예측율이 2-단계 데이터 값 예측기와 스트라이드 데이터 값 예측기(Stride Data Value Predictor)에서 평균 5.7%, 최근 값 예측기(Last Data Value Predictor)보다는 평균 38%의 예측 정확도가 높음을 입증하였다.

• 융합신호처리학회 학술대회논문집
• /
• 한국신호처리시스템학회 2000년도 하계종합학술대회논문집
• /
• pp.153-156
• /
• 2000

본문에서는 예측형 회귀신경망과 HMM의 하이브리드 네트워크인 회귀신경망 예측 HMM을 구성하였다. 회귀신경망 예측 HMM은 예측형 회귀신경망을 HMM의 각 상태마다 예측기로 정의하여 일정치인 평균벡터 대신에 과거의 특징벡터의 영향을 받아 동적으로 변화하는 신경망에 의한 예측치를 이용하므로 학습패턴 설정자체가 시변성을 반영하는 동적 네트워크의 특성을 가진다. 따라서 음성과 같은 시계열 패턴의 인식에 유리하다. 회귀신경망 예측 HMM은 예측형 회귀신경망의 구조에 따라 Elman망 예측 HMM과 Jordan망 예측 HMM으로 구분하였다. 실험에서는 회귀신경망 예측 HMM의 상태수를 4, 5, 6으로 증가시켜 각 상태 수별로 예측차수 및 중간층 유니트 수의 변화에 따른 인식성능을 조사하였다. 실험결과 평가용. 데이터에 대하여 Elman망예측 HMM은 상태수가 6이고, 예측차수가 3차, 중간층 유니트의 수가 15차원일 때, Jordan망 예측 HMM의 경우 상태수가 5이고, 예측차수가 3차, 중간층 유니트의 수가 10차원일 때 각각 99.5%로 우수한 결과를 얻었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.413-413
• /
• 2022

본 연구에서는 통계적 방법으로 도출된 장기 기상예측정보를 이용하여 유역에서의 유출량 전망 가능성을 검토하였다. 먼저 한강권역의 월 강수량과 기온에 대해 글로벌 기후지수와의 원격상관성을 기반으로 다중회귀모형 기반의 통계적 예측모형을 구성하여 미래기간(1~12개월)에 대한 월 단위 기상예측정보를 도출하였다. 월 단위로 도출된 강수량과 기온은 통계적 상세화 기법을 통해 한강권역 주요 ASOS 관측소 지점별로 일 단위 강수량과 기온자료로 변환하였으며, 상세화된 일 자료를 유역모형인 SWAT의 입력자료로 활용하여 경안천 유역의 미래기간에 대한 유출량을 도출하였다. 유출량 예측성을 평가하기 위하여 과거기간(2003~2021년)을 대상으로 관측유출량과 예측기상정보로부터 산출된 예측유출량을 비교하였다. 각 월별로 예측된 유출량의 중앙값과 관측값의 적합도를 분석한 결과, PBIAS는 -5.2~-2.7%, RSR은 0.79~0.91, NSE는 0.34~0.38, r은 0.59~0.62로 강수량 및 기온의 예측성에 비해 낮게 나타났다. 전 기간에 대해 월별로 분석한 예측결과에 대한 3분위 확률은 5월, 6월, 7월, 9월, 11월은 평균 42.8%로 예측성이 충분한 것으로 나타났으나, 나머지 월에서의 평균 예측성은 17.3%로 매우 낮게 나타났다. 상세화된 기상정보를 이용하여 유역모델링을 통해 산정한 유출량에 대한 전망 결과는 기상예측결과에 비해 상대적으로 예측성이 낮은 것으로 분석되었다. 이는 관측값 자체에서 나타날 수 있는 불확실성에 기인할 수도 있으며, 유출량에 지배적인 영향을 주는 강수량의 예측성에 대한 문제가 유역 모델링 과정에서 증폭되어 나타나는 문제일 수도 있다. 또한 지점별 일 자료로 상세화되는 과정에서의 불확실성, 우리나라 여름철 유출량 변동성 등 여러 가지 요인이 복합적으로 영향을 주어 나타나는 것으로 생각된다. 향후 다양한 대상유역에 대한 검토와 기상예측모형의 보완, 상세화 과정에서의 불확실성 해소 등을 통해 예측성을 개선할 계획이다.

• 대한토목학회논문집
• /
• 제31권1B호
• /
• pp.21-27
• /
• 2011

유출예측량을 모의할 때 과거와 현재의 수문자료를 이용한다는 측면에서 미래 예측결과의 불확실성을 완전히 제거할 수는 없겠지만, 다양한 기법별 분석에 의하여 불확실성을 감소시킬 수 있다. 본 연구에서는 유출예측의 정확성 향상을 위해 다양한 유출예측 기법을 적용 및 평가하였으며 확률론적 예측을 가능하게 하는 예측기법인 ESP와 관측 시계열 자료를 이용한 통계기법으로 공주지점의 유출예측을 수행하였다. 각 기법에 따른 유출예측 결과의 신뢰성 평가는 MAE(Mean Absolute Error), RMSE(Root Mean Squared Error), RRMSE(Relative Root Mean Squared Error), Mean Absolute Percentage Error (MAPE), TIC(Theil Inequality Coefficient)를 이용하였다. ESP 확률을 이용하여 예측한 유출결과와 통계적 시계열 분석에 의해 예측된 유출결과를 MAE, RMSE, RRMSE, MAPE, TIC를 이용하여 비교 분석하였으며 유출예측의 개선효과를 확인해본 결과, ESP 확률을 이용한 예측이 MAE(10.6), RMSE(15.14), RRMSE(0.244), MAPE(22.74%), TIC(0.13)으로 평가되었으며 MAE(23.2), RMSE(37.13), RRMSE(0.596), MAPE(26.69%), TIC(0.30)으로 평가된 ARMA와 MAE(26.4), RMSE(34.44), RRMSE(0.563), MAPE(47.38%), TIC(0.25)으로 평가된 Winters 에 비해 신뢰성이 높게 나타났다.

• 융합신호처리학회논문지
• /
• 제5권1호
• /
• pp.53-59
• /
• 2004

부하예측의 경우 가장 중요한 문제는 특수일의 부하를 예측하는 것이고, 따라서 본 본문은 과거 특수일 부하 데이터를 이용하여 신경회로망 모델에 의해서 특수일 피크부하를 예측하는 방법을 제시한다. 특수일 부하는 예측되었고, 예측 오차율은 광복절을 제외하고는 l∼2% 정도의 비교적 우수한 예측결과를 도출하였다. 따라서 사용한 예측 모델은 특수일의 부하에 만족스러운 정밀한 예측이 가능하고. 신경회로망은 특수일 부하 예측의 결과를 검증하기 위해 4차 직교다항식모형과 특수일 부하의 예측에효과적인 패턴 변환비를 이용한 신경회로망 모형을 구성했다. 한편, 시간별 특수일의 부하예측에도 신경회로망을 적용한 특수일 부항예측의 경우와 같은 양호한 예측결과를 보였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.497-497
• /
• 2018

복잡한 기상조건 하에서 강우의 예측은 수문 기상 분야에서 필수적인 과정이라 할 수 있다. 특히 월 단위의 강우 예측은 장기적인 수자원 관리 및 계획 수립 시 매우 중요한 기준이 되기 때문에 보다 정확하고 신뢰도 있는 예측을 필요로 하고 있다. 이를 위해 전 지구적 기후 변동의 양상을 수치화 하여 나타낼 수 있는 기상인자의 활용이 활발해지고 있으며 다양한 모형을 기반으로 한 강우 예측이 수행되고 있다. 최근에는 인공지능 기법을 활용한 인공신경망 모형의 적용이 활발해짐에 따라 높은 예측력을 바탕으로 강우 예측에 대한 연구가 이루어지고 있지만 초기 가중치의 무작위성 또는 과적합으로 인한 문제도 함께 나타나고 있다. 본 연구에서는 인공신경망 모형의 활용성을 높이고 신뢰성을 확보하기 위한 강우 예측을 수행하고자 하였다. 이를 위해 다양한 기상인자를 활용하여 인공신경망 모형을 위한 정보를 구축하고 인공신경망 모형을 통해 생성되는 결과로부터 단일 예측이 아닌 앙상블 예측을 활용함으로써 강우 앙상블을 생성하고 조합하였다. 그 결과 인공신경망 모형을 통한 단일 예측보다 앙상블을 통한 예측으로 안정적이고 정확한 예측 결과를 산정할 수 있었으며 기존에 인공신경망 모형을 통한 예측의 문제점을 보완할 수 있었다.