자동화 머신런닝 기법을 이용한 농업용 저수지의 시단위 수위 예측 모델 개발 및 적용성 평가 = Development and Applicability Assessment of an Hourly Water Level Prediction Model for Agricultural Reservoirs Using Automated Machine Learning

국문 초록 (Abstract)

목적:본 연구는 농업용 저수지의 시단위 저수위 예측을 위해 자동화 머신러닝(AutoML) 기법인 TPOT을 이용하여 예측 모델을 개발하고, 적용성 평가를 목적으로 한다.
방법:연구는 백록저수지와 백련저수지를 대상으로 수행되었으며, 기상청에서 제공하는 강우 예보 자료와 실측된 강우량, 저수위 데이터를 기반으로 저수위 예측 모델을 구축하였다. 유전 알고리즘을 활용하여 최적의 머신러닝 파이프라인을 자동으로 생성하는 TPOT을 이용하여 모델을 만들었으며, 벤치마크 모델로 Random Forest 모델도 함께 구축하였다. 모델 성능은 NSE(Nash-Sutcliffe Efficiency), R²(coefficient of determination), RMSE(root-mean-square error)를 통해 평가하였다. 예측 시간은 1시간, 3시간, 6시간, 12시간으로 설정하였으며, 각 예측 시간대의 정확도를 평가하였다.
결과 및 토의:TPOT과 RF 모델 모두 선행 시간이 짧을수록 높은 정확도를 보였으며, 1시간 예측에서는 NSE 값이 0.99 이상으로 매우 높은 정확성을 나타냈다. 그러나 선행 시간이 증가할수록 예측값과 실측값 사이에 시간적 지연이 발생하였으며, 특히 12시간 예측에서는 성능 저하가 두드러졌다. 이는 예측 시간이 증가함에 따라 예보 강수량의 정확도도 함께 낮아지기 때문으로 판단되었다. 그럼에도 불구하고 TPOT 모델은 12시간 TPOT 예측 모델 평균 NSE는 0.911로, 단기간(1시간, 3시간)과 장기간 예측(6시간, 12시간) 모두에서 안정적이고 높은 예측 정확도를 유지하였다.
결론:본 연구를 통해 TPOT 기반의 자동화된 머신러닝 기법이 농업용 저수지의 시단위 저수위 예측에 효과적으로 적용될 수 있음을 확인하였다. 향후 연구에서는 긴 예측 시간대에서의 예측 정확도 향상을 위한 방법을 모색하는 것이 필요하다.

다국어 초록 (Multilingual Abstract)

Objectives:This study aims to develop and evaluate hourly water level prediction models for agricultural reservoirs using an automated machine learning (AutoML) approach, specifically, employing TPOT.
Methods:The study focuses on the Baekrok and Baekryeon reservoirs using rainfall forecast data from the Korea Meteorological Administration, along with observed rainfall and reservoir water level data. TPOT, which utilizes genetic algorithms to automate the generation of optimal machine learning pipelines, was used to build models. Additionally, Random Forest (RF) was implemented as a benchmark to evaluate TPOT’s applicability. Predictions were generated with lead times of 1, 3, 6, and 12 hours, and model accuracy was evaluated using the Nash-Sutcliffe Efficiency (NSE), coefficient of determination (R2), and root-mean-square error (RMSE).
Results and Discussion:The predictions from both TPOT and RF showed high accuracy for shorter lead times, with NSE values exceeding 0.99 for the 1-hour predictions. However, predictive accuracy decreased as lead time increased, likely due to greater uncertainty in rainfall forecast data, particularly for the 12-hour predictions. Despite this trend, TPOT-derived models maintained more stable and accurate performance compared to RF models across all lead times.
Conclusion:This study demonstrates the applicability of TPOT-based AutoML techniques in predicting hourly water levels in agricultural reservoirs. Future work should explore strategies to mitigate the decline in accuracy for longer lead times.

참고문헌 (Reference)

1 A. H. Zaji, "Robustness Lake water level prediction using the search heuristic-based artificial intelligence methods" 25 : 316-324, 2019

2 L. Breiman, "Random forests" 45 : 5-32, 2001

3 S. J. Rigatti, "Random Forest" 47 (47): 31-39, 2017

4 M. Gauch, "Rainfall-runoff prediction at multiple timescales with a single Long-Short-Term Memory network" 25 : 2045-2062, 2021

5 한정호 ; 이동준 ; 강부식 ; 정세웅 ; 장원석 ; 임경재 ; 김종건, "Potential impacts of future extreme storm events on streamflow and sediment in Soyang-dam watershed" 33 (33): 160-169, 2017

6 F. Kratzert, "NeuralHydrology-Interpreting LSTMs in Hydrology, Explainable AI: Interpreting, Explaining and Visualizing Deep Learning" Springer 347-362, 2019

7 "Ministry of Agriculture, Food and Rural Affairs (MAFRA)Press page"

8 S. Gegenleithner, "Long Short-Term Memory networks for real-time flood forecast correction: a case study for an underperforming hydrologic model" 2024

9 I. Kontur, "Lead time VS. accuracy in hydrology forecasts" 26 (26): 283-293, 1982

10 M. Ehteram, "Hybridization of artificial intelligence models with nature inspired optimization algorithms for lake water level prediction and uncertainty analysis" 60 (60): 2193-2208, 2021

11 S. Zhu, "Forecasting of water level in multiple temperate lakes using machine learning models" 585 : 124819-, 2020

12 P. Mena, "Expanded analysis of machine learning models for nuclear transient identification using TPOT" 390 : 111694-, 2022

13 R. S. Olson, "Evaluation of a tree-based pipeline optimization tool for automating data science" 485-492, 2016

14 기보민 ; 최정현, "Effects of global warming on the estuarine wetland biogeochemistry" 33 (33): 553-563, 2011

15 C. Liang, "Dongting lake water level forecast and its relationship with the three gorges dam based on a long short-term memory network" 10 (10): 1389-, 2018

16 주동혁 ; 이상현 ; 최규훈 ; 유승환 ; 나라 ; 김하영 ; 오창조 ; 윤광식, "Development of methodology for measuring water level in agricultural water reservoir through deep learning analysis of CCTV images" 65 : 15-26, 2023

17 양미혜 ; 남원호 ; 김한중 ; 김태곤 ; 신안국 ; 강문성, "Anomaly detection in reservoir water level data using the LSTM model based on deep learning" 21 : 71-81, 2021

18 주동혁 ; 나라 ; 김하영 ; 최규훈 ; 권재환 ; 유승환, "Analysis of the optimal window size of Hampel filter for calibration of real-time water level in agricultural reservoirs" 64 (64): 9-24, 2022

19 김지혜 ; 곽지혜 ; 황순호 ; 전상민 ; 이성학 ; 이재남 ; 강문성, "Analysis of flood control capacity of agricultural reservoir based on SSP climate change scenario" 63 (63): 49-62, 2021

20 Z. M. Yaseen, "An enhanced extreme learning machine model for river flow forecasting: state-of-the-art, practical applications in water resource engineering area and future research direction" 569 : 387-408, 2019

21 최소연 ; 윤유정 ; 강종구 ; 박강현 ; 김근아 ; 이슬찬 ; 최민하 ; 정하규 ; 이양원, "An artificial intelligence approach to waterbody detection of the agricultural reservoirs in South Korea using sentinel-1 SAR images" 38 : 925-938, 2022

22 A. J. Schleiss, "Advances in spillway hydraulics : from theory to practice" 15 (15): 2161-, 2023

23 배주현 ; 임경재 ; 박운지 ; 이서로 ; 박태선 ; 박상빈 ; 김종건, "A study on time series cross-validation techniques for enhancing the accuracy of reservoir water level prediction using automated machine learning TPOT" 66 (66): 1-13, 2024

24 권순호 ; 하창용 ; 이승엽, "A study on the application of the agricultural reservoir water level recognition model using CCTV image data" 56 : 245-259, 2023

25 배창용 ; 장암, "A study on the ICT-based benefit improvement of the Chung-ju multipurpose dam for climate change" 40 (40): 303-313, 2018