홍수 예방을 위한 머신러닝 기반 하천 수위 예측 모델 연구
A Study on Machine Learning -based River Water Level Prediction Model for Flood Prevention
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 하천 수위 예측을 위한 다양한 데이터 기반 모델링 기법을 비교⋅분석하여, 재난 대응에 활용 가능한 정밀 예측 시스템 구축을 목적으로한다. 먼저 이미지 기반 수위 단계 분류를 위해 CNN 모델을 적용한 결과, 초기 정확도는 높았으나 클래스 불균형과 지역적 편향으로 인해 과적합및 일반화 성능의 한계가 나타났다. Dropout과 데이터 증강 기법을 도입하였으나 근본적인 개선에는 한계가 있었다. 이후 시계열 예측 실험에서는선형 회귀, 다항 회귀, LSTM 모델을 기반으로 Shift 방식과 Sliding window 방식을 비교하였다. 모든 모델에서 Sliding window 방식이 더 우수한성능(R², NSE, PBIAS)을 보였으며, 특히 장기 예측 구간에서 그 차이가 뚜렷했다. 다변량 LSTM 모델은 유량 등 보조 변수를 활용하여 단변량보다높은 예측 정확도와 안정성을 보였고, 3시간 예측에서도 R² 값이 0.96 이상으로 나타났다. 결과적으로, Sliding window 방식과 다변량 모델의결합이 수위 예측 성능 향상에 효과적임을 확인하였으며, 향후에는 Transformer 등 비선형 모델과 멀티모달 데이터 통합을 통해 예측 정밀도를높일 수 있을 것으로 기대된다.
Abstract
This study compares various data-driven modeling approaches for river water level prediction to support the development of accurateforecasting systems for disaster response. Initially, a CNN-based model was applied for image-based classification of water level stages. Although the model achieved high accuracy, limitations in generalization were observed due to class imbalance and location-specificbias. Techniques such as dropout and data augmentation were introduced, but they offered limited improvement. Subsequent time seriesprediction experiments employed linear regression, polynomial regression, and LSTM models, comparing Shift and Sliding Window inputmethods. Across all models, the Sliding Window method consistently outperformed the Shift method in terms of R², NSE, and PBIAS,with especially notable differences in long-term forecasts. The multivariate LSTM model, which incorporated additional variables suchas flow rate, demonstrated superior accuracy and stability compared to its univariate counterpart, achieving R² values exceeding 0.96for 3-hour forecasts. Overall, the combination of the Sliding Window approach and multivariate modeling was shown to be highly effectivefor improving prediction performance. Future work will explore advanced nonlinear models such as Transformers, as well as multimodaldata integration including rainfall and CCTV imagery to enhance the accuracy and applicability of river level forecasting systems.