Data Assimilation in Hydrological Model Using Random Forests = 랜덤 포레스트를 이용한 수문 모델의 자료 동화

국문 초록 (Abstract)

하천 유역의 하천유량을 예측은 효율적인 수자원 관리의 핵심 요소이다. 기존의 수문 모델은 과거 관측 자료를 기반으로 구축하여, 시간 경과에 따라 예측 오차가 누적된다는 한계가 발생한다. 이러 한 오차를 최소화하기 위해 Ensemble Kalman Filter(EnKF)를 이용한 수문 모델의 자료 동화 기법이 폭넓게 연구되어 왔다. 최근에는 다양한 분야에서 Machine Learning(ML)를 적용되고 있으나, 수문 분야에서는 ML 기반 Artificial Intelligence(AI)의 블랙박스 특성으로 인해 이를 직접적인 하천 유 량 예측 모델로 활용하는 데는 여전히 우려가 있다. 이에 본 연구에서는 AI를 직접 하천유량을 예측 하는 모델로 사용하는 것이 아니라, 자료 동화에 접목하는 AI Filter(AIF)를 제안하였다. 제안된 AIF는 하천유량과 상태변수(토양수분, 대수층의 수위) 간의 관계를 ML 기법으로 학습하여, 관측된 하천유량을 기반으로 상태변수를 실시간 갱신한다. 본 연구는 낙동강 유역 내 4개 댐(안동댐, 합천 댐, 밀양댐, 남강댐) 유역을 대상으로 진행되었으며, 수문 모델로는 Simple Hydrologic Partitioning Model (SHPM)이 활용되었다. SHPM의 매개변수는 Markov Chain Monte Carlo (MCMC) 접 근법 중 하나인 Metropolis-Hastings (MH) 알고리즘으로 추정하였으며, AIF의 자료 동화를 실시한 하천유량의 예측 결과를 자료 동화를 실시하지 않은 Open Loop (OL)의 하천유량의 예측 결과와 전통 적인 자료 동화 기법인 Ensemble Kalma Filter (EnKF)의 자료 동화를 실시한 하천유량의 예측 결과 의 비교를 통해 분석하였다. 자료 동화 전후의 성능은 수문 모델의 대표적인 성능지표인 R2, NSE, KGE 등을 이용하여 살펴보았다. 분석 결과, AIF를 활용한 자료동화는 R2와 NSE 측면에서 OL 대비 예 측 성능이 향상되었으며, EnKF와 비교했을 때에도 향상된 성능을 보였다. KGE 측면에서는 일부 댐에 서는 OL과 비슷한 수치를 보여주었지만, 일부 댐에서는 OL 및 EnKF를 상회하는 성능을 보여주었다. 이러한 결과는 AIF가 수문 모델의 정확도 향사에 기여했으며, 머신러닝 기반 자료 동화 기법이 수문 모델링 분야에서 전통적인 EnKF 기법을 대체할 수 있는 잠재력을 지녔음을 시사하였다.

목차 (Table of Contents)

• Ⅰ. Introduction 1
• Ⅱ. Materials and Methods 6
• 2.1. Data and research areas 6
• 2.2. Simple Hydrologic Partitioning Model 8
• 2.3. Metropolis-Hastings Algorithms 11
• 2.4. Artificial Intelligence Filter 14
• 2.5. Random Forest 21
• 2.6. Ensemble Kalman Filter 25
• 2.7. Model Performance Evaluation 29
• Ⅲ. Results 32
• 3.1. Parameter Estimation 32
• 3.2. Data Assimilation 38
• Ⅳ. Discussion 49
• Ⅴ. Conclusion 61