LSTM-MSV-S2S와 RR-Former를 이용한 강우-유출 예측 = Rainfall-Runoff Prediction using LSTM-MSV-S2S and RR-Former

국문 초록 (Abstract)

제 목 : LSTM-MSV-S2S와 RR-Former를 이용한 강우-유출 예측 미계측 유역의 홍수량을 예측하는 것은 수문학 분야에서 여전히 큰 난제 중 하나 이다. 기존의 개념적 모델 및 지역화 방법들은 수문학적 불확실성과 인근 유역으로의 제한된 전이 가능성(transferability)으로 인해 높은 예측 정확도 확보에 한계를 보여 왔다. 이를 극복하기 위해 최근에는 딥러닝 모델, 특히 LSTM(Long Short-Term Memory)과 같은 순환신경망과 Transformer와 같은 자기 어텐션(self Attention) 기반 아키텍처 모델의 발전은 강우-유출 모델링을 위한 유망한 대안으로 부상하고 있다. 본 연구에서는 LSTM 기반 LSTM-MSV-S2S 모델과 Transformer 기반 RR-Former 모델에 단기 홍수유출에 영향을 주는 8가지 정적 특성을 주입하는 방법을 적용하여 국내 91개 유역의 첨두 유량(Peak discharge) 및 수문곡선 예측 성능을 비교·분석 하였다. 데이터 유출을 방지하기 위해 엄격한 LOBO(Leave-One-Basin-Out) 교차검증 방법을 적용하였으며, 하이퍼파라미터 튜닝 과정에서는 아키텍처별 레이어 구성 및 유역의 정적 특성(Static attribute) 가중치 등의 파라미터를 체계적으로 탐색하였다. 이때 NSE(Nash–Sutcliffe efficiency), MAE(Mean Absolute Error), 첨두 유량 오차 (peak flow error)를 결합한 손실 함수(Hydbrid loss)를 사용하였다. 분석 결과, 정적 특성을 포함시킨 모델의 예측 성능이 전반적으로 향상되는 것으 로 나타났는데, 특히 강우-유출 관계만 학습했을 때 성능이 낮았던 유역들에서 뚜 렷한 개선 효과가 관찰되었다. RR-Former는 전반적인 NSE 및 KGE 지표에서 우수한 성능을 나타냈으며, LSTM-MSV-S2S는 정적 특성 결합 시 첨두 유량(Peak Flow)과 첨두 발생 시간 재현(Peak time Reproduction) 측면에서 뚜렷한 개선을 보였다. LSTM-MSV-S2S는 정적 특성 가중치 0.2에서 최적 예측 성능을 나타낸 반면, RR-Former는 상대적으로 낮은 가중치인 0.05 에서도 충분한 예측력을 발휘하여 어 텐션 메커니즘의 일반화 능력을 확인할 수 있었다. 임베딩 분석에서는 홍수량 산정에 주요한 영향을 미치는 지형 특성인 하천 연장(River Length)과 유역 면적(Area)의 기여도가 가장 높게 나타났으며, 모델이 물리적으로 중요한 특성을 우선적으로 학 습한다는 점을 확인하였다. 본 연구는 미계측 유역 예측 분야에서 LSTM 및 Transformer 기반 모델 아키텍처의 적용 가능성과 딥러닝 모델 내 정적 특성 정보 주입의 중요성과 실무 활용 가능성을 제시하였다.

다국어 초록 (Multilingual Abstract)

Prediction in Ungauged Basins (PUB) remains one of the greatest challenges in hydrology. Traditional regionalization methods and conceptual models often struggle to achieve satisfactory accuracy due to uncertainty and limited transferability. Recent advances in deep learning, particularly recurrent neural networks such as LSTM(Long Short-Term Memory) and self-attention–based architectures such as the Transformer, offer promising alternatives for rainfall–runoff modeling. This study compares an LSTM-MSV-S2S and the Transformer-based RR-Former in estimating peak discharge across 91 basins under strict LOBO-CV(Leave-One-Basin-Out Cross Validation. A hybrid loss function incorporating NSE(Nash–Sutcliffe Efficiency), KGE(Kling-Gupta Efficiency), MAE(Mean Absolute Error), and peak flow error was applied, with systematic exploration of static basin attribute weighting. Results indicate that both models improved when static attributes were included, with notable performance gains in low-performing basins. The RR-Former achieved higher overall NSE and KGE, while LSTM-MSV-S2S exhibited remarkable improvement in peak flow reproduction when static attributes were integrated. These findings highlight the complementary strengths of LSTM and Transformer architectures in PUB applications and underscore the importance of static attribute embedding for hydrologic deep learning.

목차 (Table of Contents)

• 요약
• 표목차
• 그림목차
• I. 서 론
• 1.1. 연구 배경 및 필요성
• 1.2. 연구 목적
• 1.3. 논문의 구성
• II. 관련 연구 및 이론적 배경
• 2.1. 연구 동향
• 2.2. 딥러닝 모델 아키텍쳐
• 2.3. 정적 특성(static attributes) 반영 기법
• 2.4. 교차 검증(Cross-Validation)
• 2.5. 미계측 유역 시뮬레이션을 위한 마스킹 기법
• III. 연구 방법
• 3.1. 연구 구성 및 범위
• 3.2. 데이터 구축 및 전처리
• 3.3. 모델 구축 및 구조
• 3.4. 모델 학습 및 평가
• IV. 연구 결과 및 고찰
• 4.1. 모델별 성능 비교
• 4.2. 정적 특성 민감도 분석
• 4.3. 임베딩 특성 비교
• V. 결론 및 향후 연구과제
• 5.1. 결론
• 5.2. 향후 연구과제
• 참고 문헌
• 영문초록(Abstract)