수문데이터 결측을 고려한 LSTM 모형 기반 수위 예측 : - 중랑천을 중심으로 - = Water level prediction based on LSTM model considering missing data : A Case Study of Jungnangcheon Stream

국문 초록 (Abstract)

최근 갑작스러운 집중호우로 인해 도시지역의 돌발홍수가 빈번하게 발생하고 있으며 이로 인해 침수피해가 증가하고 있다. 이러한 지속적이고 반복적인 홍수피해를 최소화하기 위하여 구조적 대책뿐만 아니라 비구조적 대책에 대한 연구가 진행되고 있으며 하천 유량 및 수위 예측에 관한 연구는 활발히 진행되고 있다.
하천의 수위변화 및 강우유출 현상을 예측하기 위해서는 일반적으로 물리기반 수문모형을 이용한다. 도시지역 하천의 경우 일반적으로 SWMM모형을 많이 이용하며 이러한 모형은 수문학적 특성을 매개변수화(parameterization)하여 강우-유출 해설을 실시한다. 하지만 이렇게 매개변수화 된 모형은 사용자의 숙련도 및 모형구축 방법에 따라 첨예하게 다른 결과를 보일 수 있는 문제가 있으며 물리기반 수문모형을 이용한 예측을 할 경우 강우사상 및 대상 유역 면적의 크기에 따라 짧게는 수십분에서 많게는 수십시간이 소요되기 때문에 도시지역 홍수 예경보를 할 경우 많은 제약이 발생한다.
최근 빅데이터 및 인공지능 모델을 활용한 다양한 홍수예경보 및 관련 연구들이 많이 진행되고 있으며 좋은 성과를 내고 있다. 오랜 시간동안 축적된 대용량 자료와 하이퍼 컴퓨터의 발달로 과거에 하지 못했던 기계학습을 통한 하천수위 예측 및 침수예측들을 하고 있다.
본 연구에서는 딥러닝 기반의 순환신경망 모형 중 하나인 LSTM(long short-term memory) 모형을 이용해 수문자료의 결측 처리방법에 따른 결과 비교를 진행하였으며 이를 위하여 약 총 6년 기간(2013년 7월 ~ 2019년 8월)의 10분 단위 중랑천 유역 강우 3지점과 수위 3지점의 자료를 활용하여 중랑천 월계1교 지점의 수위를 예측하였다. 입력자료의 특성을 분석하기 위해서 교차상관 (Cross Correlation)을 이용하여 변수간의 관계를 분석하였다. 입력자료의 결측이 많아 이상치 판정 및 결측자료에 대한 보정을 진행하고 이렇게 생산된 데이터를 원시데이터 CASE1로 정하였고 서울시 수방대책기간인 5월15일 ~ 10월15일까지의 기간 데이터를 CASE2로 IETD(Interevent Time Definition)를 이용하여 선택한 강우를 CASE3로 하여 모의를 진행하였다. 예측성능 개선을 위하여 Data Scaler, Grid Search방법을 이용한 하이퍼 매개변수 최적화 등의 방법을 이용하여 매개변수 최적화 후 각 CASE별 중랑천 월계1교 수위를 예측하고 그 정확도를 분석하였다.

다국어 초록 (Multilingual Abstract)

Recently, sudden torrential rains have caused frequent sudden floods in urban areas, which has increased inundation damage. In order to minimize such continuous and repetitive flood damage, research on non-structural measures as well as structural measures is underway, and research on river flow and water level prediction is being actively conducted.
A physical infrastructure sluice gate model is generally used to predict changes in river water levels and rainfall runoff phenomena. In the case of urban rivers, SWMM models are generally used a lot, and these models parameterize hydrological characteristics and provide explanations of rainfall runoff. However, the model parameterized in this way has a problem that it may show sharply different results depending on the skill level of the user and the model construction method. Depending on the size of the target basin area, it may take several tens of minutes for a short time and several tens of hours for many, so there are many restrictions when forecasting floods in urban areas.
Recently, a lot of various flood forecast warnings and related research utilizing big data and artificial intelligence models have been advanced and have produced good results. We are conducting river water level prediction and inundation prediction by machine learning, which was not possible in the past due to the large amount of data accumulated for a long time and the development of hyper computation.
In this research, we used the LSTM (long short-term memory) model, which is one of the deep learning-based recurrent neural network models, to compare the results by the missing measurement method of hydrological materials. The water level of the Jungnangcheon Wolgye1 Bridge Branch was predicted using the materials of the Jungnangcheon Stream 3 Rainfall Station and the 3 Water Level Station in 10-minute units (2013-07 ~ 2019-08).
In order to analyze the characteristics of the input data, the relationship between variables was analyzed using Cross Correlation.
There are many missing data of input materials, and abnormal value judgment and correction of missing data materials are performed, and the data produced in this way is set as raw data CASE1. The period data (05-15 ~ 10-15) was set to CASE2 and the rainfall selected by using IETD (Interevent Time Definition) was set to CASE3, and the simulation was advanced.
In order to improve the prediction performance, after parameter optimization using methods such as data scaler and hyperparameter optimization using the Grid Search method, the water level of Jungnangcheon Wolgye1 Bridge school for each CASE was predicted and its accuracy was analyzed.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구배경 및 필요성 1
• 제2절 연구동향 4
• 제3절 연구의 방법 및 범위 6
• 제2장 이론적 배경 8
• 제1절 최소무강우기간(IETD) 8
• 제2절 Data Scaling 9
• 제3절 Long short-term Memory(LSTM) 10
• 제4절 Hyper-parameters 12
• 제5절 LSTM 성능평가 15
• 제3장 LSTM 데이터셋 구축 17
• 제1절 대상유역 선정 17
• 제2절 데이터 수집 20
• 제3절 데이터셋 구축 29
• 제4장 LSTM 적용 및 분석 32
• 제1절 주요 입력변수 분석 32
• 제2절 LSTM hyper-parameters 최적화 35
• 제3절 LSTM 결과 42
• 제5장 결론 44
• 참고문헌 47
• Abstract 49
• 감사의 글 51