하천의 저수위 구간 예측을 위한 머신러닝 모델에 관한 연구

A Study on Learning-Machine Models for Low-Flow Prediction in River Basins

하천의 유출량은 유황구간에 따라 갈수량, 저수량, 평수량, 풍수량으로 구분되며, 수자원 관리 목적에서 중요한 인자로 활용되고 있다. 이를 정량적으로 산정하기 위해 기존 연구에서는 유역모형을 기반으로 일유량을 모의하는 방법이 주로 사용되었다. 그러나 유역모형은 자료 구축 과정에서 많은 인력과 비용이 요구되며, 적용 과정이 복잡하다는 한계가 존재한다. 이에 본 연구에서는 수문⋅기상자료를 기반으로 머신러닝 알고리즘을 적용하여 수위관측소의 일유출량을 예측하는 모형을 구축하였다. 특히, 가뭄으로 인한 저수량 구간의 예측 정확도를 향상시키기 위해 유출량 자료의 누적분포와 분산을 나타내는 통계적 지표인 IQR (Inter Quartile Range)를 활용하였다. 또한 유황구간을 범주형 변수로 설정하여 홍수기 고유량 값으로 인한 영향을 최소화하였다. 금강권역의 월산교 수위관측소와 섬진강권역의 섬진강댐 지점을 대상으로 신경망, 랜덤포레스트, 의사결정나무를 활용하였으며, 비교를 위해 수학적 모형인 중회귀 모형을 적용하였다. 이후 성능을 평가하고자 k-겹 교차검증 방법을 사용하였으며, 상관계수, Kendall, Spearman 통계량, MAE, RMSE, RAE, RRSE 등의 지표를 이용하여 실측자료와 비교 및 분석하였다. 결과적으로, 머신러닝 기반 모형이 중회귀모형보다 높은 재현성이 나타났으며, 그중 랜덤포레스트 모형이 가장 우수한 예측 성능을 나타냈다. 이러한 결과를 통해 수문⋅기상자료 및 AI 모형을 통해 가뭄 대응을 위한 하천 갈수량 예측이 가능할 것으로 판단하였다. 본 연구의 결과는 향후 가뭄 대응을 위한 수자원 관리 측면에서 기초 연구자료로 활용될 수 있을 것이다.

River discharge can be categorized into low-, drought-, normal-, and high-flow conditions depending on the flow regime and is an essential parameter in water resource management. Traditionally, the quantitative estimation of daily streamflow has primarily relied on hydrological models; however, such models require extensive effort and cost for data preparation and involve complex implementation procedures. To address these limitations, this study developed a predictive framework using hydrometeorological variables to estimate the daily discharge at streamflow monitoring stations. To improve prediction accuracy, particularly in drought-related low-flow conditions, the interquartile range, representing the statistical variability and cumulative distribution characteristics of streamflow data, was applied. In addition, flow regimes were classified into categorical variables to minimize the influence of extreme high-flow values occurring during flood seasons. The proposed methodology was applied to the Weolsan Bridge station in the Geum River Basin and the Seomjingang Dam station in the Seomjingang River Basin. Artificial Neural Network, Random Forest, and Model Tree were employed, and a multiple regression model was applied for comparison. Model performance was evaluated using k-fold cross-validation and assessed based on correlation coefficients, Kendall’s tau, Spearman’s rho, MAE, RMSE, RAE, and RRSE metrics by comparing model predictions with observed values. The results indicated that the models demonstrated higher reproducibility than the regression-based approach. Among them, the Random Forest model achieved the best predictive performance. Overall, the findings suggest that machine-learning models utilizing hydrometeorological variables provide a viable approach for forecasting low-flow conditions and may serve as a useful tool for drought preparedness and water resource management. The results of this study can be used as foundational research data to establish drought response strategies for sustainable water resource management.