딥러닝을 활용한 산지습지 수위 예측 모형 개발
Development of Water Level Prediction Models Using Deep Neural Network in Mountain Wetlands
0
조회
0
다운로드
13
인용
0
참고문헌
키워드
초록
습지는 수문, 환경, 생태학적으로 중요한 기능 및 역할을 하며, 특히 습지 내의 수위는 습지의 기능과 환경 등 다양한 분석을위해 필수적인 자료이다. 그러나 습지는 수위자료를 측정하지 않는 미계측 지역이 많기 때문에, 수위 예측에 대한 연구는 매우미흡한 실정이다. 따라서 본 연구에서는 습지의 수위를 예측하기 위해 다중회귀분석, 주성분회귀분석, 인공신경망, DNN을 활용하여 수위 예측모형을 개발하였다. 대상지역으로 경상남도 양산시에 위치한 금정산 산지습지를 선정하였고, 2017년 4월부터2018년 7월까지의 수위 측정자료를 종속변수로 사용하였다. 수문자료와 기상자료를 독립변수로 사용하였다. 예측력 평가결과최종 모형으로 선정된 DNN을 활용한 수위 예측모형의 예측력 평가결과 RMSE는 6.359, NRMSE는 18.91%로 비교적 산지습지의 수위를 잘 예측하는 것으로 나타났다. 본 연구결과를 활용한다면 기존의 미비하였던 미계측 지점의 수위를 활용한 습지유지 및 관리 기법 개발에 기초자료로 사용할 수 있을 것으로 판단된다.
Abstract
Wetlands play an important function and role in hydrological, environmental, and ecological, aspects of the watershed. Water level in wetlands is essential for various analysis such as for the determination of wetland function and its effects on the environment. Since several wetlands are ungauged, research on wetland water level prediction are uncommon. Therefore, this study developed a water level prediction model using multiple regression analysis, principal component regression analysis, artificial neural network, and DNN to predict wetland water level. Geumjeong-Mountain Wetland located in Yangsan-city, Gyeongsangnam-do province was selected as the target area, and the water level measurement data from April 2017 to July 2018 was used as the dependent variable. On the other hand, hydrological and meteorological data were used as independent variables in the study. As a result of evaluating the predictive power, the water level prediction model using DNN was selected as the final model as it showed an RMSE value of 6.359 and an NRMSE value of 18.91%. This research study is believed to be useful especially as a basic data for the development of wetland maintenance and management techniques using the water level of the existing unmeasured points.
참고문헌 (14)
- Bittmann, E, "Der Biologische Wasserbau an den Bundesstrassen", pp.1~56 (1965), Bundesanstalt f. Gewaesserkunde
- 변성준, "하천수위의 단기 예측을 위한 수위 및 강우량 계측정보의 활용", Crisisonomy, 10(2), pp.247~264 (2014), (사)위기관리이론과실천
- Castillo, J.M.M, "Water Level Prediction Using Artificial Neural Network Model", Int. J. Appl. Eng. Res, 13, pp.14378~14381 (2018)
- Chau, K.W., "Particle swarm optimization training algorithm for ANNs in stage prediction of shing mun river", J. Hydrol, 329, pp.363~367 (2006)
- 전환돈, "상하류 수위 특성을 기반으로 한 홍수예경보 기법", 한국방재학회논문집, 13(6), pp.367~374 (2013), 한국방재학회
- Keddy, P.A., "Wetland Ecology: Principles and Conservation", pp.2000
- Kim, J.W., "Prediction and Evaluation of Hydro-Ecology, Functions, and Sustainability of a Wetland under Climate Change", Ph.D., pp.2019
- 김정욱, "수정 수문지형학적 방법을 적용한 강천 대체습지의 기능평가", 한국습지학회지, 19(3), pp.318~326 (2017), 한국습지학회
- Kumar, A.P.S, "Rainfall runoff modeling using artificial neural networks: Comparison of network types", Hydrol. Process, 19, pp.1277~1291 (2005)
- Jaewon Kwak, "Assessment of hydrological regimes for vegetation on riparian wetlands in Han River Basin, Korea", Terrestrial, Atmospheric and Oceanic Sciences, 28(6), pp.1055~1067 (2017), Chinese Geoscience Union[DOI]
- Rezaeianzadeh, M, "Wetland Water-Level Prediction Using ANN in Conjunction with Base-Flow Recession Analysis", J. Hydrol. Eng, 22, pp.1~11 (2015)
- Rezaeianzadeh, M, "An Integrated Approach for Modeling Wetland Water Level:Application to a Headwater Wetland in Coastal Alabama, USA", Water, 10, pp.1~17 (2018)
- Tiwari, M.K, "Development of an accurate and reliable hourly flood forecasting model using wavelet-bootstrap-ANN (WBANN) hybrid approach", J. Hydrol, 394, pp.458~470 (2010)
- Yu, P.S, "Support vector regression for real-time flood stage forecasting", J. Hydrol, 328, pp.704~716 (2006)