In this article, we use an open source software library: TensorFlow, developed for the purposes of conducting very complex machine learning and deep neural network applications. However, the system is general enough to be applicable in a wide variety of other domains as well. The proposed model based on a deep neural network model, LSTM (Long Short-Term Memory) to predict the river water level at Okcheon Station of the Guem River without utilization of rainfall - forecast information. For LSTM modeling, the input data is hourly water level data for 15 years from 2002 to 2016 at 4 stations includes 3 upstream stations (Sutong, Hotan, and Songcheon) and the forecasting-target station (Okcheon). The data are subdivided into three purposes: a training data set, a testing data set and a validation data set. The model was formulated to predict Okcheon Station water level for many cases from 3 hours to 12 hours of lead time. Although the model does not require many input data such as climate, geography, land-use for rainfall-runoff simulation, the prediction is very stable and reliable up to 9 hours of lead time with the Nash - Sutcliffe efficiency (NSE) is higher than 0.90 and the root mean square error (RMSE) is lower than 12cm. The result indicated that the method is able to produce the river water level time series and be applicable to the practical flood forecasting instead of hydrologic modeling approaches.
Traditional stochastic simulation of hydroclimatological variables often underestimates the variability and correlation structure of larger timescale due to the difficulty in preserving long-term memory. However, the Long Short-Term Memory (LSTM) model illustrates a remarkable long-term memory from the recursive hidden and cell states. The current study, therefore, employed the LSTM model in stochastic generation of hydrologic and climate variables to examine how much the LSTM model can preserve the long-term memory and overcome the drawbacks of conventional time series models such as autoregressive (AR). A trigonometric function and the Rössler system as well as real case studies for hydrological and climatological variables were tested. Results presented that the LSTM model reproduced the variability and correlation structure of the larger timescale as well as the key statistics of the original time domain better than the AR and other traditional models. The hidden and cell states of the LSTM containing the long-memory and oscillation structure following the observations allows better performance compared to the other tested conventional models. This good representation of the long-term variability can be important in water manager since future water resources planning and management is highly related with this long-term variability.
최근 기후변화 및 유역개발로 인하여 메콩강 유역의 수문환경이 급격히 변화하고 있으며, 메콩강을 공유하는 국가의 수재해 예방 및 지속가능한 수자원개발을 위해서는 메콩강 주요지점에서의 유량 정보의 분석 및 예측이 요구된다. 본 연구에서는 물리적 기반의 수문모형인 SWAT과 데이터기반 딥러닝 알고리즘인 LSTM을 이용하여 메콩강 하류 Kratie 지점의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장 단점을 비교 분석한다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며 warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝 오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie 지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다. 두 모형의 모의성능 비교 검토를 위하여 모의기간에 대해 NSE (Nash-Sutcliffe Efficiency)을 산정한 결과, SWAT은 0.9, LSTM은 보다 높은 0.99의 정확도를 나타내는 것으로 분석되었다. 메콩강과 같은 대유역의 특정 지점에 대한 수문시계열 자료의 모의를 위해서는 다양한 입력자료를 요구하는 물리적 수문모형 대신 선행 시계열자료의 변동성을 기억 학습하여 이를 예측에 반영하는 LSTM 기법 등 데이터기반의 심층신경망 모형의 적용이 가능할 것으로 판단된다.
지구온난화로 인한 기후변화에 관한 연구에 따르면, 최근 지구온난화의 징후가 매우 뚜렷하며, 강우의 강도는 증가할 것으로 예측되고 있다. 매해 발생하는 극한수문사상으로 인한 피해가 꾸준히 증가하고 있는 추세이며, 증가하고 있는 집중호우의 발생 빈도는 강우자료의 추세에 분명히 영향을 미치고 있다. 현재 수자원 계획이나 설계에 수행되고 있는 확률강우량 산정법은 강우자료가 정상성을 지니고 있다고 가정하여 빈도분석을 실시하고 있다. 이러한 정상성 확률강우량 산정방법은 최근의 관측강우의 증가 추세를 반영하지 못하여 기후변화에 따른 이상강우에 매우 취약할 수 있다. 본 연구에서는 강우시계열에서 나타나는 경향성의 시간적 변동 분석을 위해 현재 경향성이 나타나지 않는 강우관측소 51개 지점에 대하여, 강우 관측자료가 가지는 통계적 특성을 유지하면서 추계학적 시계열 모의발생기법을 이용하여 강우자료를 발생시킨 후 경향성 검정을 실시하였다. 그 결과 대상지점 51개 중 13개 지점에서 향후 10년 이내에 경향성이 나타나는 것을 확인할 수 있었다. 이는 강우의 변동 추이가 현재와 같이 계속 진행된다면, 비록 현재에는 정상 시계열로 판단되는 강우 시계열일지라도 향후 비정상성을 갖게 됨을 반증한다. 따라서 목표연도의 확률강우량을 산정할 경우 강우의 증가 경향성을 충분히 반영할 수 있는 비정상성 확률강우량 산정 방법이 적용되어야 할 것이다.
Kim, Min-Young;Kim, Min-Kyeong;Lee, Sang-Bong;Jeon, Jong-Gil
Environmental Engineering Research
/
제15권2호
/
pp.123-126
/
2010
Modeling non-point pollution across multiple scales has become an important environmental issue. As a more representative and practical approach in quantifying and qualifying surface water, a modular neural network (MNN) was implemented in this study. Two different site-scales ($1.5\;{\times}\;10^5$ and $1.62\;{\times}\;10^6\;m^2$) with the same plants, soils, and paddy field management practices, were selected. Hydrologic data (rainfall, irrigation and surface discharge) and water quality data (time-series nutrient loadings) were continuously monitored and then used for the verification of MNN performance. Correlation coefficients (R) for the results predicted from the networks versus measured values were within the range of 0.41 to 0.95. The small block could be extrapolated to the large field for the rainfall-surface drainage process. Nutrient prediction produced less favorable results due to the complex phenomena of nutrients in the drainage water. However, the feasibility of using MNN to generate improved prediction accuracy was demonstrated if more hydrologic and environmental data are provided. The study findings confirmed the estimation accuracy of the upscaling from a small-segment block to large-scale paddy field, thereby contributing to the establishment of water quality management for sustainable agriculture.
본 연구에서 하천 홍수위 예측을 위해 미계측 유역내에 위한 저수지에서의 하천 방류를 추정하는 수문학적 저수지 추적 기법을 저수위 관측데이터와 여수로 게이트 개방 데이터를 토대로 저수지 방류량을 추정하는 알고리즘을 수립하고, 이를 반영한 유전자 알고리즘 기반의 프로토타입을 개발하여 유역매개변수를 실시간으로 자동보정할 수 있도록 하였다. 대상 유역과 저수지에서 기왕의 호우발생시의 관측 데이터를 적용하여 프로토타입에 적용성을 검토한 결과, 유의성이 있는 것으로 나타났다.
The design flow of the urban strom drainage systems has been assessed largely on a basis of empirical relations between rainfall and runoff, and the rational formula has been widely used for the cities in our country. In order to estimate it more accurately, the urban runoff simulation model based on the RRl method has been developed and applied to the sample basin in this study. The rainfall hyetograph of the design stromfor the design flow has been obtained by the determination of the total rainfall and the temporal distributions of that rainfall. The total rainfall has been assessed from the empirical formula of rainfall intensity and the temporal distribution of that rainfall determined on the basis of Huff's method from the historical rainfall data of the basin. The virtual inflow hydrograph to each inlet of the basin has been constructed by computing the series of discharges in each time increment, using design strom hyetograph and time-area diagram. The actual runoff hydrograph at the basin outlet has been computed from the virtual inflow hydrographs by developing a relations between discharge and storage for the watershed. The discharge data for verification of the simulated runoff hydrograph are not available in the sample basin and so the sensitivity analysis of the simulation model has not been possible. The peak discharge for the design of drainage systems has been estimated from the computed runoff hydrograph at the basin outlet and compared to thatl obtained form the rational formula.
소양강댐 유역의 관측유입량과 융설 모의의 포함 유무에 따른 모의 결과를 비교함으로써 적설 및 융설 모형의 필요성을 분석하였다. 사용한 융설 모형은 Sugawara 등의 개념적 융설 모형이고, 강우-유출 모형은 NWS-PC를 사용하였다. 모형의 매개변수는 다단계 자동보정법에 의해 추정하였고, 각 단계별로 SCE-UA 알고리즘에 의해 최적화되었다. 매개변수 추정시와 검증 모의에서 RMSE, PBIAS, NSE, PME 통계량은 융설을 포함한 모의가 그렇지 않은 모의보다 좋은 결과를 나타내었다. 소양강댐의 관측유입량은 약 두 달 이상의 자기상관성을 나타내었고, 융설을 포함하지 않은 경우에 모의된 유량시계열은 20일 정도의 자기상관성을 나타내었다. 융설을 포함한 경우의 모의유량 시계열은 관측 유량시계열과 유사하게 약 두 달 이상의 자기상관성을 나타내었다. 이와 같은 결과로 소양강댐 유역의 강우-유출 모의시 적설 및 융설 모형을 포함하여야 모형의 정확성을 향상시킬 수 있다.
최근 하수처리, 홍수조절, 광산침출수, 농업유출수 등의 처리에 습지를 이용하려는 시도가 증가하고 있다. 하지만 장기모니터링의 어려움으로 인해 습지에 대한 장기간의 자료들이 부족하여 습지의 올바른 이용이 어려운 실정이다. 이에 본 연구에서는 장기간의 자료 생성을 목적으로 한 수문분석의 일환으로 장기유출 수문모형인 SWAT(Soil and Water Assessment Tool)모형을 이용하여 토평천 유역의 우포, 목포, 사지포, 쪽지벌에 대한 저류량을 모의하였다. 이를 바탕으로 토평천 유역에 천변저류지를 조성하는 가상 시나리오를 작성하여 조성된 천변저류지의 저류량 거동을 분석하였다. 천변저류지의 조성에 따른 우포늪의 저류량 변화를 분석한 결과 천변저류지 조성에 따라 우포늪도 일정 정도의 영향을 받을 수 있음이 파악되었다.
지구상 해양, 대기 및 대륙 상호간의 연속적인 물의 거동을 나타내는 물의 순환의 주요 과정 중 하나인 유량 자료는 경년부터 수십년간의 다양한 기상학적 변동성을 내포하며 해당 지역의 수문기상학적 특성을 반영한다. 이러한 기상학적 변동성 중에서 비교적 긴 시간 주기를 나타내는 저주파 진동은 전지구적 기후변화의 장기적 영향을 나타내며 해수면 상승, 홍수 또는 가뭄과 같은 극한 수문사상을 나타내는 매우 주요한 지표로 활용되고 있지만 관측된 수문 시계열의 짧은 자료길이로 인하여 통계적 분석의 신뢰성에 한계를 보여왔다. 따라서 과거 수문 시계열의 확장으로 인하여 부재의 영역으로 남아있던 자료 기간의 한계가 보완되면 보다 정확하고 신뢰도 있는 분석이 가능할 것이다. 나무나이테를 활용한 고기후 복원 등의 연구가 증가하고 있지만 공학 분야에서 이를 실제로 활용한 연구는 아직 미비하다. 따라서 본 연구에서는 과거 기후의 정보를 바탕으로 복원된 수문 시계열을 활용하여 수문 시계열에 내재된 장기 기후 변동성을 통계적으로 분석하기 위한 문헌들을 조사하고, 장기적인 시간 흐름에 내재된 잠재적인 경향 및 변동성을 통계적 분석을 파악하고자 한다. 이를 위해 주어진 수문 시계열에 내재된 저주파 신호을 추출하기 위한 경험적 모드분해법을 활용하여 수문 자료에 내재된 장기 변동성을 추출하였으며, 산업화 이전부터 연장된 수문 시계열의 공학적 활용성을 분석하고자 한다.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.