기상기후 데이터와 인공신경망을 이용한 한강 잠수교 홍수위 예측모형 개발 = Development of Flood Level Prediction Model for Hangang Jamsoo Bridge Using Weather Climate Data and Artificial Neural Network

국문 초록 (Abstract)

기후변화로 인해 집중호우의 발생 빈도 및 강도가 증가하였고 이로 인한 홍수 피해가 매년 증가하고 있다. 또한 지역별 강수량, 유출량 및 증발산량을 변화시켜 예외적이던 홍수 및 가뭄 등의 발생빈도와 강도가 증가하고 도시화로 인한 불투수면적의 증가로 유출률이 변화하여 자연재난으로 인한 피해 범위 와 규모도 증가하고 있다. 이러한 변화는 정확한 유출량 산정 방법을 포함한 섬세한 홍수 분석 기술의 필요성을 의미한다. 그러나 다양한 유출량 산정 방법 들의 정확한 적용에 있어 설계자나 전문가들 사이에 주관적 견해가 개입되기 쉽다. 수자원 관리를 위해 주로 사용되는 물리 모형은 입력자료의 구축이 어렵고 매개변수 산정공식의 선정 등 사용자의 높은 이해도가 필요하기 때문에 유출량 산정에 있어 과대 혹은 과소 산정으로 이어질 수 있는 문제가 있다.
이는 사용자에 따라서 신뢰할 수 없는 결과가 도출될 수 있고 하천 수공구 조물의 설계와 치수안전성에 영향을 미치는 결과를 초래할 수 있다. 이러한 문제점을 보완하기 위하여 최근 수문자료의 길이가 늘어나면서 수자원분야에 서 인공지능(Artificial Inteligence, AI)의 활용도가 높아지고 있다. 한강 잠 수교는 한강 홍수에 대한 지표역할을 하는 중요한 다리로, 한강 잠수교 홍 수위 예측 모델 개발에 LSTM(Long Short-Term Memory), Bi-LSTM(Bidirectional-LSTM) 모델을 이용하였으며 10분단위의 강우, 팔당댐 방류량, 한강 잠수교 수위를 수집하였다. 강우는 기상청에서 AWS(용산, 중구,성동, 광진, 서초, 송파, 강동, 구리) 기상관측자료를 수집하였으며 한강홍수통 제소에서 한강 잠수교 수위를 수집하였다. 예측에 있어 호우에 따른 팔당댐 방 류를 고려하기 위해 팔당댐 방류량 자료를 수집하였다. 또한, 관측 수위를 잘 반영할 수 있는 인공지능 모델을 제안하기 위해 강동, 구리, 팔당댐에 2 시간, 성동, 광진, 서초, 송파 관측소에 1시간을 지체시간으로 적용하여 모델에 학습시켰다. 이후 각 모델의 홍수위 예측 결과를 비교 및 분석하 여 홍수위 예측모델을 개발하였다.

다국어 초록 (Multilingual Abstract)

Climate change has increased the frequency and intensity of intense rainfall, and the resulting flood damage is increasing every year. In addition, changes in regional precipitation, runoff, and evapotranspiration have increased the frequency and intensity of exceptional floods and droughts, and the increase in impervious area due to urbanization has altered runoff rates, increasing the scope and magnitude of damage from natural disasters. These changes point to the need for sophisticated flood analysis techniques, including accurate runoff estimation methods. However, the accurate application of various runoff estimation methods is prone to subjectivity among designers and experts.
Physical models, which are often used for water resource management, have problems that can lead to over- or underestimation of runoff because the input data is difficult to build and requires a high level of user understanding, including the selection of parameterization formulas. This can lead to unreliable results depending on the user and affect the design and dimensional safety of river hydraulic structures. To compensate for these problems, the use of artificial intelligence (AI) in water resources is increasing as the length of hydrological data has recently increased. The Ministry of Environment (2020) announced that the number of flood warning points will be expanded from 75 to 223 points with the introduction of AI flood forecasting, and data-based models such as machine learning are being actively utilized. Therefore, this study used a machine learning model to predict the water level of the Han River Jamsoo bridge, and collected and selected rainfall events in July and August, when heavy rainfall is concentrated, from 2011 to 2023. LSTM (Long Short Term-Memory) and Bi-LSTM (Bidirectional-LSTM) were used as prediction models. The 10-minute rainfall and Paldang Dam discharge were used as
training data, and both models were preprocessed with the same data. The models were then used to predict the water level of the Han River Jamsoo bridge six hours later, and the results were compared with observations. As a result of the analysis, it was determined that Bi-LSTM is more suitable for predicting the flood level of the Han River Jamsoo bridge, and it is expected to be highly useful for points other than the Han River Jamsoo bridge, providing a basis for real-time flood forecasting and safety operations.

목차 (Table of Contents)

• 목 차
• 국문요약 ⅰ
• 목 차 ⅲ
• List of Figures ⅴ
• List of Tables ⅶ
• I. 서 론 1
• 1.1 연구배경 및 목적 1
• 1.2 연구동향 3
• 1.2.1 국내 연구동향 3
• 1.2.2 국외 연구동향 5
• 1.3 연구내용 및 범위 8
• II. 이론적 배경 9
• 2.1 홍수유출모의 9
• 2.2 인공지능(Artificial Intelligence, AI) 10
• 2.2.1 기계학습(Machine Learning) 11
• 2.2.2 LSTM(Long Short-Term Memory) 13
• 2.2.3 Bi-LSTM(Bidirectional-Long Short-Term Memory) 16
• III. 연구방법 18
• 3.1 대상 유역 및 관측소 현황 18
• 3.2 입력자료 구축 20
• Ⅳ. 적용 및 분석 27
• 4.1 모델 평가지표 27
• 4.2 한강 잠수교 홍수위예측모델 학습(Training) 및 검증(Validation) 결과 29
• 4.3 한강 잠수교 홍수위예측모델 학습(Training) 및 검증(Validation) 결과 43
• Ⅴ. 결론 44
• 참고문헌 47