딥러닝 오픈 라이브러리를 이용한 하천수위 예측

Prediction of River Water Level Using Deep-Learning Open Library

본 연구에서는 딥러닝 알고리즘을 이용한 관측자료 기반의 하천수위 예측을 목적으로 하고 있으며, 금강유역 내 대청댐 상류부에 위치한 옥천 관측소 지점의 수위 예측을 위하여 구글의 딥러닝 오픈소스 라이브러리인 텐서플로우를 활용하여 다중선형회귀모형과 LSTM 인공신경망 모형을 구축하였다. 모형의 학습과 예측을 위하여 입력자료(금강 본류의 수통과 호탄관측소, 금강 지류 초강의 송천 관측소 수위)와 출력자료(옥천 수위관측소 수위)의 2002년부터 2016년까지의 15년간의 시수위자료를 획득한 후, 2002년부터 2013년까지의 12년간 수위자료를 이용하여 개별 모형의 학습을 진행하고 2014년부터 2016년까지 3개년에 대한 수위예측을 수행하였다. 본 연구는 하천 수위에 영향을 미치는 수많은 물리적 매개변수를 배제하고 오직 상류의 관측 수위만을 사용하였으며 학습된 모형의 수위예측 결과를 비교·분석한 결과, 다중회귀분석모형의 경우 최적가중치 추정을 위한 반복시행횟수 증가에 따라 가중치 변동성이 매우 크게 발생하여 수위예측의 오차 변동성이 매우 크고, 고수위에서 과소 추정된 반면, 선행시간의 수위 정보를 학습에 반영하여 수위 예측을 수행하는 LSTM 모형은 매우 안정적이고, 우수하게 수위 예측결과를 제공해주는 것으로 분석되었다.

This research aims to predict the water level using deep-learning algorithm. To achieve this goal, we applied the TensorFlow, a deep-learning open source library to predict the water level of Okcheon station in the Guem-river. For model training and prediction, two hourly water level data sets of the 3 water level stations (Sutong, Hotan, Songcheon) are prepared: from 2002 to 2013 (training); from 2014 to 2016 (prediction). Even if many of physical data are necessary to understand water cycle system, in particular, model rainfall-runoff process, we used only upstream observed water level information to predict downstream water level using multi-linear regression and Long Short-Term Memory(LSTM) models based on the TensorFlow. The results showed that the weights(or regression coefficients) of multi-linear regression model were very fluctuated due to training trials, then, the predicted high water level were too much underestimated than the observations. On the other hand, the LSTM model predicted the downstream water level very stably regardless of water level height for the study period because sequence length of the LSTM memorize antecedent water level information for model training and updating.