Assessing the impacts of dam and weir operation on streamflow predictions using LSTM across South Korea = 댐/보 자료 유무에 따른 LSTM의 유량 예측 정확도 평가

다국어 초록 (Multilingual Abstract)

Recently, weather data have been applied to one of deep learning techniques known as “long short-term memory (LSTM)” to predict streamflow in rainfall-runoff relationships. However, this approach may not be suitable for regions with artificial water management structures such as dams and weirs. Therefore, this study aims to evaluate the prediction accuracy of LSTM for streamflow depending on the availability of dam/weir operational data across South Korea. Four LSTM models were designed for 25 streamflow stations. LSTMs #1 and #2 used weather data, and weather data combined with dam/weir operational data, respectively, maintaining consistent LSTM model conditions across all stations. Meanwhile, LSTMs #3 and #4 applied weather data, and a combination of weather and dam/weir operational data, respectively, while implementing unique LSTM models for individual stations. The Nash-Sutcliffe efficiency (NSE) and the root mean squared error (RMSE) were adopted to assess the LSTM’s performance. The results indicated that the mean values of NSE and RMSE were 0.277 and 292.6 (LSTM #1), 0.482 and 214.3 (LSTM #2), 0.410 and 260.7 (LSTM #3), and 0.592 and 181.1 (LSTM #4), respectively. Overall, the model performance was improved by the addition of dam/weir operational data, with an increase in NSE values of 0.182 – 0.206 and a decrease in RMSE values of 78.2 – 79.6. Interestingly, the extent of performance improvement varied according to the operational characteristics of each dam/weir. Particularly, the performance tended to increase when dams/weirs with high frequency and substantial amounts of water discharge were considered. Our findings confirm that the accuracy of streamflow predictions using LSTM is markedly improved with the inclusion of dam/weir operational data. Therefore, a comprehensive understanding of the operational characteristics of dams/weirs is crucial when utilizing their data to make reliable streamflow predictions with LSTMs.

국문 초록 (Abstract)

최근 기상 데이터가 "Long Short-Term Memory (LSTM)"라는 딥러닝 기법에 적용되어 강우-유출 관계에서의 유량을 예측하는데 사용되었다. 그러나, 이런 방식은 댐이나 보와 같은 인공적인 수자원 관리 구조물이 있는 지역에는 적합하지 않을 수 있다. 따라서, 본 연구는 LSTM의 유량 예측 정확도를 대한민국 전역의 댐/보 운영 데이터의 유무에 따라 평가하는 것을 목표로 한다. 25개의 유량 관측소에 대해 4가지 LSTM 모델을 설계하였다. LSTM #1과 #2는 각각 기상 데이터와 기상 및 댐/보 운영 데이터를 사용하며, 모든 관측소에 대해 동일한 LSTM 모델을 적용하였다. LSTM #3과 #4는 각각 기상 데이터와 기상 및 댐/보 운영 데이터를 사용하며, 각 관측소별로 다른 LSTM 모델을 적용하였다. LSTM의 성능을 평가하기 위해 Nash-Sutcliffe Efficiency(NSE)와 Root Mean Squared(RMSE)를 사용하였다. 결과적으로, NSE와 RMSE의 평균 값은 각각 0.277과 292.6 (LSTM #1), 0.482과 214.3 (LSTM #2), 0.410과 260.7 (LSTM #3), 그리고 0.592와 181.1 (LSTM #4)로 나타났다. 전반적으로, 댐/보 운영 데이터의 추가는 모델 성능을 개선하였으며, NSE 값은 0.182 - 0.206 증가하였고, RMSE 값은 78.2 - 79.6 감소하였다. 성능 개선의 정도는 댐/보의 운영 특성에 따라 상이했는데, 빈번하게 대량의 물을 방출하는 댐/보가 포함될 때 모델의 성능이 향상되는 경향을 보였다. 본 연구 결과는, 댐/보 운영 데이터를 포함시킨 결과 LSTM을 이용한 유량 예측의 전반적인 성능이 향상되었다는 것을 보여주었다. 또한, LSTM을 통한 유량 예측에서 댐/보 운영 데이터를 활용하려면, 신뢰성 있는 예측을 위해 댐/보의 운영 특성에 대한 깊은 이해가 필요하다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1. Background of study 1
• 1.1. Literature review 2
• 1.2. Research objective 3
• 1.3. Organization of study 4
• 2. Materials and Methods 5
• 2.1. Study area 5
• 2.2. Data acquisition 7
• 2.3. Study design 9
• 2.4. Data preprocessing 11
• 2.5. Matching input with target variables 13
• 2.6. Long Short-term Memory 14
• 2.7. Hyperparameter optimization 17
• 2.8. Objective function 19
• 3. Results and discussions 21
• 3.1. Performance comparisons of four LSTM models 21
• 3.2. Analysis of streamflow stations with reduced and improved LSTM performance 28
• 4. Implications and limitations 39
• 4.1. Process based models and deep learning models 39
• 4.2. Dependence on training period data and natural disaster prediction performance of LSTM models 40
• 4.3. Reason for using NSE 41
• 4.4. Future research 42
• 5. Conclusion 43
• References 44
• APPENDIX 56
• 국문요약 80