• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.100-100
• /
• 2023

단기 강우 예측에는 주로 물리과정 기반 수치예보모델(NWPs, Numerical Prediction Models) 과 레이더 기반 확률론적 방법이 사용되어 왔으며, 최근에는 머신러닝을 이용한 레이더 기반 강우예측 모델이 단기 강우 예측에 뛰어난 성능을 보이는 것을 확인하여 관련 연구가 활발히 진행되고 있다. 하지만 머신러닝 기반 모델은 예측 선행시간 증가 시 성능이 크게 저하되며, 또한 대기의 물리적 과정을 고려하지 않는 Black-box 모델이라는 한계점이 존재한다. 본 연구에서는 이러한 한계를 극복하기 위해 머신러닝 기반 blending 기법을 통해 물리과정 기반 수치예보모델인 Weather Research and Forecasting (WRF)와 최신 머신러닝 기법 (cGAN, conditional Generative Adversarial Network) 기반 모델을 결합한 Hybrid 강우예측모델을 개발하고자 하였다. cGAN 기반 모델 개발을 위해 1시간 단위 1km 공간해상도의 레이더 반사도, WRF 모델로부터 산출된 기상 자료(온도, 풍속 등), 유역관련 정보(DEM, 토지피복 등)를 입력 자료로 사용하여 모델을 학습하였으며, 모델을 통해 물리 정보 및 머신러닝 기반 강우 예측을 생성하였다. 이렇게 생성된cGAN 기반 모델 결과와 WRF 예측 결과를 결합하는 머신러닝 기반 blending 기법을 통해Hybrid 강우예측 결과를 최종적으로 도출하였다. 본 연구에서는 Hybrid 강우예측 모델의 성능을 평가하기 위해 수도권 및 안동댐 유역에서 발생한 호우 사례를 기반으로 최대 선행시간 6시간까지 모델 예측 결과를 분석하였다. 이를 통해 물리과정 기반 모델과 머신러닝 기반 모델을 결합하는 Hybrid 기법을 적용하여 높은 정확도와 신뢰도를 가지는 고해상도 강수 예측 자료를 생성할 수 있음을 확인하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.99-99
• /
• 2018

기상이변으로 인해 국지성 호우의 발생 증가와 그로 인한 수재해 피해가 증가하고 있다. 따라서 수재해를 사전에 예측하고 저감하기 위해 비구조물적 대책인 실시간 홍수예보시스템 개발 및 운영에 관한 연구들이 수행되고 있다. 일반적으로 홍수예보시스템은 대피선행시간 확보를 위해서 초단시간 혹은 단기 수치예보모델을 수문해석모형이나 예보기법의 입력으로 활용하고 있다. 초단시간 예측은 기상레이더를 기반으로 외삽, 이류, 셀 추적 등의 기법을 활용하여 0~3시간 이내의 강수예측을 수행한다. 그러나 역학이나 물리적 과정이 동반되지 못하여 0~ 2시간 이내에서의 예측성은 높은 반면, 예측시간이 길어질수록 예측력이 낮아진다. 단기수치예보모델은 종관관측에 의존하면서 역학이나 물리과정을 동반하므로 0~6시간 혹은 12시간 이상의 예측을 수행하지만, 수치모델의 고유특성인 스핀업 등의 예측 불확실성이 내재되어 있어 예측 초기시간에서의 예측력이 낮은 한계가 있다. 따라서 강수예측의 정확도 향상을 위해 레이더와 수치예보모델의 병합기법이 필요하다. 본 연구에서는 통계분석을 통해 경험적으로 산출된 시간적 가중치를 이용한 기존 병합기법의 한계를 극복하면서 호우에 따른 가변성을 반영하는 실시간 병합기법을 개발하고, 수문학적인 활용성을 평가하고자 하였다. 사용된 예측강우 자료는 레이더 기반인 MAPLE, KONOS, 공간규모분할 예측강우와 수치예보모델 기반인 UM와 ASAPS의 예측강우이며, 제시한 가중치 산정기법은 직전 예측강우의 오차가 현 시점의 예측강우의 오차와 유사하다는 가정하에 오차항을 포함한 과거 1시간 예측강우들간의 가중치 조합이 과거 지상관측강우와의 평균제곱근오차가 최소가 되도록 화음 탐색법을 이용하여 찾는 것이다. 가중치 조합은 예측강우의 생산 시간 간격을 고려하여 매 10분마다 산정하며, 미래 3시간 예측까지 산정된 가중치를 적용한다. 수도권 영역을 대상으로 병합된 예측강우와 레이더 관측강우를 비교한 결과, 정량적 정확도가 향상됨을 확인할 수 있었다. 또한, 예측강우의 수문학적 활용성은 도시유출해석모의를 통해 평가하였다. 그 결과, 병합된 예측강우로 모의된 수심이 관측수심과 유사하여 수문학적 활용성 확인할 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.112-112
• /
• 2023

발전용댐의 댐 유입량 예측 및 운영을 위해서 (주)한국수력원자력에서는 수자원통합 운영시스템(Water resources Integrated System, WIOS)을 운영 중에 있다. 해당 시스템에서는 댐 유입량을 예측하기 위해서 기상청 수치예보모델 중 하나인 국지예보모델(Local Data Assimilation and Prediction System, LDAPS)의 예측강우를 수문모형의 입력자료로 활용하고 있으며, 레이더 기반의 초단시간 강우예측 기법을 자체 개발 중에 있다. 기상청 국지예보모델은 강우의 on/off에 대한 정확도는 90%를 상회할 만큼 높으나 정량적인 강우량의 정확도는 매우 낮고, 레이더 기반의 초단시간 예측 강우는 선행 1~2시간 예측에서는 정량적 정확도는 높으나, 그 이후 예측성능이 급격히 떨어지는 경향을 보인다. 따라서 댐 유입량의 정량적 예측 정확도를 확보하기 위해 초단시간 모델과 국지예보모델의 강우예측 결과를 병합(blending)하는 기법을 적용하여 초기 6시간 동안의 예측 성능을 향상시켜야 한다. 본 연구에서는 선행시간 0~6시간에 대해서 병합하는 기법들을 적용하고 평가하고자 한다. 기본적으로 병합은 초단시간 예측강우와 수치예보자료 간 가중치를 통해 수행된다. 일반적으로 초기 1시간 선행시간에서 레이더 기반 예측강우는 완벽한 예측자료(외삽 관측자료의 가중치는 1.0)로 가정하며, tanh 함수를 이용하여 선행시간의 증가에 따라 가중치를 감소시키면서, 6시간 선행시간에서는 수치예보 예측강우가 완벽한 예측자료라고 가정한다. 본 연구에서는 일반적인 병합 방법 외에 병합된 예측강우에 과거 관측강우와 예측강우의 평균편이를 적용하여 보정하는 방법, 사례별 변동성이 큰 병합된 예측강우 특성을 고려하여 병합 가중치를 신뢰도에 따라 가변시키는 방법을 적용하여 평가한다. 이를 통해 댐 유입량 예측에 최적이 되는 병합기법을 선정하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.104-104
• /
• 2022

임진강 수계는 북측 지역이 다수를 차지하는 유역 특성으로 예고 없는 상류 급방류, 강우 등으로 인해 댐 운영에 근본적 어려움이 있으며, 이에 따라 홍수조절지 및 댐 하류 계측 가능 지역의 취득 자료를 고려한 하천 수위 변화에 대한 사전 예측을 필요로 하고 있다. 홍수기 하천 도달시간 및 수위예측 기법으로는 물리 기반 및 데이터 기반 모델들이 다양하게 연구되어 왔으며, 일부 연구성과들은 현업에 활용하고 있다. 물리기반 모델은 하천 지형 변화에 대한 자료 취득 및 분석에 많은 시간을 요하는 단점은 있으나, 설명 가능한 모델을 구현할 수 있을 것으로 사료 된다. 반면, 데이터 기반 인공지능 모델은 짧은 시간 및 비용으로 모델을 개발할 수 있으나, 복잡한 알고리즘구현 시 설명이 불가하여 일관성을 의심 받을 수 있다. 본 논문에서는 홍수 도달시간과 하류 수위 상승에 대하여 설명 가능한 인공지능 알고리즘 및 시뮬레이션 프로그램을 개발하고자 하였다. 홍수 도달시간 예측은 기존 조견표 방식에서 고려하지 않았던 홍수파의 영향을 추가 변수화 하고, 데이터의 전후처리를 통하여 도달시간을 예측하였다. 실시간 하류 수위 예측은 댐 방류량, 주변 강우, 조위 등을 고려하여 도달시간 후 수위를 예측할 수 있도록 구현하였으며, 자료 동화 기술을 일부 적용하였다. 미래 방류조건에 대한 시뮬레이션을 위해서는 미래 방류량, 예상 강우 입력 시 하천 지점별 수위 상승을 예측할 수 있도록 알고리즘 및 프로그램을 개발하였다. 이를 구현하기 위하여 다양한 인공지능 알고리즘을 이용한 학습, 유전자 알고리즘을 이용한 가중치 학습 제한 조건내 최적화, 수위파와 조위파의 중첩의 정리 등을 이용하여 예측 정확도 및 신뢰성을 제고 하였다. 인공지능 분석결과의 현업활용성 제고를 위하여 시뮬레이터 프로그램을 개발하여 현업에 적용하였다.

• Proceedings of the KIEE Conference
• /
• 2015.07a
• /
• pp.1353-1354
• /
• 2015

본 연구에서는 관측자료 기반의 안개 예보를 수행하기 위해 특징선택을 이용한 SVR 회귀분석 기반 시정 예측 가이던스를 개발하였다. 예측에 필요인자를 사전에 선택하는 유전알고리즘 기반의 최적화 방법을 적용하여, 관측된 여러 기상인자의 입력인자 중 실제 시정을 예측하기 위한 입력인자를 선택하여 준다. 지점별 안개발생에 필요한 입력인자 및 예측 모델을 구성하여 통합적인 예측 모델이 아닌 각 지점에 최적화된 정보를 제공할 수 있도록 예측을 수행한다. 자료의 수집 특성상 3시간 간격으로 3시간 예보를 위한 시정을 예측하고, 예측 모델의 검증을 위해 현업의 수치모델 기반의 시정예측 정보와의 비교를 통해 실제 안개 시점에 대해 비교 분석하였고 그 결과를 통해 긍정적인 효과를 보였다. 예측모델을 적용하여 지도에 예측시정 정보를 제공하는 표출 시스템을 통해 실시간 가이던스를 제공하고자 연구를 수행하였다.

• Annual Conference on Human and Language Technology
• /
• 1999.10e
• /
• pp.191-195
• /
• 1999

자연스럽고 명료한 한국어 Text-to-Speech 변환 시스템을 위해서 음소의 지속 시간을 제어하는 일은 매우 중요하다. 음소의 지속 시간은 여러 가지 문맥 정보에 의해서 변화하므로 제어 규칙에 의존하기 보다 방대한 데이터베이스를 이용하여 통계적인 기법으로 음소의 지속 시간에 변화를 주는 요인을 찾아내려고 하는 것이 지금의 추세이다. 본 연구에서도 트리기반 모델링 방법중의 하나인 CART(classification and regression tree) 방법을 사용하여 회귀 트리를 생성하고, 생성된 트리에 기반하여 음소의 지속 시간 예측 모델과, 자연스러운 끊어 읽기를 위한 휴지 기간 예측 모델을 제안하고 있다. 실험에 사용한 음성코퍼스는 550개의 문장으로 구성되어 있으며, 이 중 428개 문장으로 회귀 트리를 학습시켰고, 나머지 122개의 문장으로 실험하였다. 모델의 평가를 위해서 실제값과 예측값과의 상관관계를 구하였더니 음소의 지속 시간을 예측하는 회귀 트리에서는 상관계수가 0.84로 계산되었고, 끊어 읽는 경계에서의 휴지 기간을 예측하는 회귀 트리에서는 상관계수가 0.63으로 나타났다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.283-287
• /
• 2004

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시접에 해당하는 초기 구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한국전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간, 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고, 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.

• Proceedings of the KIEE Conference
• /
• 2001.07a
• /
• pp.323-326
• /
• 2001

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점에 해당하는 초기 구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한국전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2012.05a
• /
• pp.985-985
• /
• 2012

최근 지구온난화 및 기후변화로 인해 단시간에 높은 강우강도를 가지고 발생하는 집중호우 홍수 등의 위험기상으로 인한 인명 및 재산피해가 빈번하게 발생하고 있어 초단기 및 단기 강수 예측에 대한 중요성이 부각되고 있다. 단기 강수예측모델은 다양한 관측자료의 사용과 자료동화기법의 개발로 예측능력이 크게 향상되었지만 수치모델의 고유특성인 스핀업(spin-up) 문제로 1~6시간까지 강수예측성능에 한계를 보인다. 반면 초단기 강수예측모델은 레이더기반으로 외삽법을 이용하여 1~3시간까지 높은 정확도의 강수예측을 하지만 강수에코의 생성 소멸의 물리과정을 포함하지 않아 3시간 이후의 정확도가 낮다. 이러한 단기 및 초단기 강수예측모델의 장점을 반영하여 최적 강수예측 자료 생산을 위한 연구를 수행하였다. 이를 위해 초단기 및 단기 강수예측모델의 예측성능을 평가하였으며 모델의 예측성능 기반의 최적 강수자료 병합기법을 개발하였다. 향후 최적 강수예측 자료 생산체계가 구축되면 수문관련 유관기관에서 하천관리에 사용하는 유량예측모델에 시 공간적 고해상도의 강수예측정보를 제공하여 수문분야의 유량예측 정확도 행상에 기여할 것으로 기대된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.122-122
• /
• 2021

전 세계적인 기후변화로 인해 태풍과 집중호우의 빈도와 규모가 증가하고 있으며 그로 인해 수재해 대응과 수자원 관리에 많은 어려움이 따른다. 댐 운영은 이러한 수자원 관리의 중요한 요소이며 정확한 댐 유입량의 예측은 효율적인 댐 운영과 관리의 필수적인 부분이다. 최근에는 여러 분야에서 활용되고 있는 딥러닝 모델을 활용하여 댐 유입량 예측에 관한 다수의 연구들이 수행되고 있다. 특히, 수문 시계열의 장기적인 특성과 비선형적인 관계를 고려하기 위해 연속형 모의를 기반으로 하는 딥러닝 모델의 적용 및 평가와 관련 연구의 필요성이 대두되고 있다. 본 연구에서는 연속형 모의를 기반으로 하는 딥러닝 모델을 활용하여 댐 유입량 예측을 수행하고자 하며 이의 적용성을 평가하고자 한다. 적용 대상 지역으로는 안동댐 상류 유역을 선정하였으며 2006년부터 2020년까지의 시 단위 강우 및 댐 유입량 자료를 활용하였다. 선행시간(1~6시간)별 예측 유입량과 관측 유입량의 비교를 통한 정량적 평가를 수행하였다. 또한 입력 자료에 대한 과거 기간, 모델 구성, 손실함수 등에 대한 조건별 평가를 통해 예측 정확도의 변화에 대한 분석을 수행하였다. 본 연구결과를 통해, 딥러닝 기반의 댐 유입량 예측 정확도에 대한 향상과 실시간 예측을 위한 딥러닝 모델의 활용성 증대에 기여할 것으로 기대된다. 향후, 강우 예보 자료를 연계한 딥러닝 기반의 실시간 댐 유입량 예측 기법을 제안하고 이의 활용성을 평가하고자 한다.