딥러닝을 이용한 도심지 수위예측 : 도림천 유역 대상 = Prediction of water level in urban area using deep learning : a case study of Dorim basin

국문 초록 (Abstract)

최근 발생하는 급격한 집중호우로 인해 도시지역의 돌발홍수가 빈번하게 발생하고 침수피해가 증가하고 있다. 이러한 지속적이고 반복적인 홍수피해를 최소화하기 위하여 구조적인 대책뿐만 아니라 비구조적인 대책 또한 매우 중요하며 그 중 하천 유량 및 수위 예측에 관한 연구가 활발히 진행되고 있다.
하천의 수위변화 및 강우유출 현상은 매우 비선형적(non-linear)이어서 단위도(unit hydrograph) 등과 같은 선형모형(linear model)을 이용하여 모의하거나 예측하는 것은 한계가 있다. 이에 다양한 개념적(conceptual), 물리적(physics-based) 수문모형이 개발되었으며, 이러한 모형은 다양한 수문학적 특성들을 매개변수화(parameterization)하여 강우-유출 해석을 실시한다. 그러나 실제로 수리·수문모형을 이용한 도시하천의 홍수위 모의에 관한 모든 물리적 과정을 반영하는 것은 한계가 있으며, 예보를 위한 예측강우의 시공간적 불확실성으로 인해 예측결과에 불확실성을 초래할 수 있고 방대한 컴퓨팅 자원과 수치계산시간 등의 제약으로 후속조치를 위한 선행시간 확보가 필수인 홍수예보에서 그 활용에 제한적일 수 있다.
반면에 인공신경망(artificial neural network, ANN) 모형 등과 같은 입·출력자료의 인과(상관)관계를 기반으로 학습·예측하는 black-box 모형의 경우, 유역 및 하도에서 발생하는 물리적인 수리·수문학적 특성을 반영할 수는 없지만, 양질의 대용량 자료가 획득될 경우 특정 수문시계열 예측에서 우수한 결과를 도출하는 것으로 알려져 있으며 이미 다양한 수자원 분야에서 활용되고 있다. 본 연구에서는 심층신경망(deep neural network, DNN) 구조를 갖는 딥러닝 기반의 순환신경망(recurrent neural network, RNN) 모형을 구축하여 도림천 최하류 도림교의 수위예측을 수행하였다. 신경망 모형의 학습과 검증을 위해 약 총 6년 기간(2013년 7월 ~ 2019년 4월)의 10분 단위 도림천유역 4지점의 수위자료를 활용하여 도림천 하류 지점의 수위를 예측한다. 2013년 7월부터 2017년 7월까지의 자료는 LSTM 모형의 학습(training), 2017년 8월부터 2019년 4월까지의 자료는 신경망 모형의 테스트(testing)에 활용하고, 민감도 분석(sensitivity analysis)을 통해 모형의 최적 매개변수(optimal hyper-parameters)를 추정하여 순차열 학습기간 10분, 1시간, 3시간 그리고 수위 지점 학습 개수 차이(3 Cases)에 대한 도림교 수위를 예측하고 그 정확도를 분석한다.

다국어 초록 (Multilingual Abstract)

Recently, the frequency of typhoons and heavy rainfall has been increasing, causing flood in urban areas, resulting in property damage along with casualties. In order to reduce continuous and repetitive flood damage, non - structural measures, as well as structural measures, are very important. So studies on runoff and water level prediction have been actively carried out.
The water level change and rainfall-runoff are nonlinear, therefore there is a limit to simulate or predict using a linear model such as a unit hydrograph. A variety of conceptual and physical-based hydrological models have been developed, and these models are used to parameterize various hydrological characteristics and perform rainfall-runoff analysis. However, in practice, it is limited to reflect all the physical processes of simulating the water level of urban rivers using hydrologic model. The spatial and temporal uncertainty of forecast rainfall for forecasting can cause uncertainty in prediction results and due to the constraints of massive computing resources and computation time, it may be limited in its use in flood forecasting, where it is essential to ensure ahead time for follow-up. On the other hand, in the case of the black-box model that learns and predicts based on the relationship between input and output data such as artificial neural network model, it can not reflect the hydrological characteristics occurring in the watershed and the river, It is known that when massive hydrological data are obtained, excellent results are obtained and they are already utilized in various water resources fields. In this study, a deep neural network model was constructed to predict the water level of the doom bridge. For the learning and verification of the neural network model, the water level at the downstream site of Dorimcheon was predicted using the 10 – minute water level data of four Dorimcheon basin for 6 years. Data from July 2013 to July 2017 are used for training of LSTM model and data from August 2017 to April 2019 are used for testing of neural network model. The optimal parameters of the model are estimated through the sensitivity analysis. Water level of Dorim bridge are predicted according to sequence length, 10 minutes, 1 hour, 3 hours, and difference of training spots(3 Cases) and their accuracy is analyzed.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구배경 및 필요성 1
• 제2절 연구동향 3
• 제3절 연구의 방법 및 범위 4
• 제2장 인공신경망 이론적 배경 6
• 제1절 딥러닝 6
• 제2절 순환신경망 13
• 제3절 LSTM 17
• 제3장 대상유역 선정 및 모형구축 20
• 제1절 대상유역의 선정 20
• 제2절 대상유역의 유역특성 23
• 제3절 대상유역 LSTM 모형구축 28
• 제4장 LSTM모형의 적용 및 분석 36
• 제1절 LSTM모형의 매개변수에 따른 수위예측 결과 비교·분석 48
• 제2절 수위지점 학습개수에 따른 LSTM모형의 수위예측 결과 비교·분석 52
• 제3절 LSTM 매개변수에 따른 모형의 모의시간 비교·분석 54
• 제5장 결론 56
• 참고문헌 59
• Abstract 61
• 감사의글 63