ASOS, AWS, 티센망 데이터를 이용한 딥신경망의 저수율 예측 성과에 관한 비교 연구
A Comparative Study on Reservoir Level Prediction Performance Using a Deep Neural Network with ASOS, AWS, and Thiessen Network Data
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 기후 변화와 지속 가능한 수자원 관리의 중요성이 증가하는 가운데, 다양한 강우 측정 방법이 저수지 수위 예측 성능에 미치는 영향을 분석하기 위한 연구를 제시한다. 이를위해 우리는 기상정보개방포털에서 제공하는 종관기상관측장비인 ASOS의 관측 강우, 자동기상관측장비인 AWS의 관측 강우, 그리고 면적강우비에 따라 재산정된 티센망 기반의 강우 데이터를활용하여 신경망 기반 저수율 예측 모델에 대한 학습을 각각 수행하고, 학습된 모델의 예측 성능을 비교 및 분석하였다. 전라북도 소재 34개의 저수지에 대한 실험을 통해 각 강우량 측정방식이저수율 예측 정확도 향상에 얼마나 기여하는지 조사하였다. 연구 결과, 티센망 기반의 강우 면적비를 활용한 저수지 강우 데이터가 가장 높은 예측 정확도를 제공한다는 것을 밝혀냈다. 이는 티센망이 주변 관측소들 사이의 정확한 거리를 고려함으로써 각 관측소가 대표하는 지역의 경계를정의함으로써 각 지역의 실제 강우 상황을 더 정확하게 반영하기 때문이다. 이러한 발견은 정확한 지역 강우 데이터 학습이 저수율 예측에 있어 결정적인 요인 중 하나임을 시사한다. 더불어, 이 연구는 정밀한 강우 측정 및 데이터 분석의 중요성을 강조하며, 농업, 도시 계획, 홍수 관리와같은 다양한 분야에서 예측 모델의 잠재적 응용 가능성을 제시한다.
Abstract
In this paper, we present a study aimed at analyzing how different rainfall measurement methods affect the performance of reservoir water level predictions. This work is particularly timely given the increasing emphasis on climate change and the sustainable management of water resources. To this end, we have employed rainfall data from ASOS, AWS, and Thiessen Network-based measures provided by the KMA Weather Data Service to train our neural network models for reservoir yield predictions. Our analysis, which encompasses 34 reservoirs in Jeollabuk-do Province, examines how each method contributes to enhancing prediction accuracy. The results reveal that models using rainfall data based on the Thiessen Network's area rainfall ratio yield the highest accuracy. This can be attributed to the method’s accounting for precise distances between observation stations, offering a more accurate reflection of the actual rainfall across different regions. These findings underscore the importance of precise regional rainfall data in predicting reservoir yields. Additionally, the paper underscores the significance of meticulous rainfall measurement and data analysis, and discusses the prediction model's potential applications in agriculture, urban planning, and flood management.
참고문헌 (15)
- Saikia, Pallabi, "Artificial Neural Networks in the domain of reservoir characterization : A review from shallow to deep models", Computers & Geosciences, 135, pp.104357~ (2020)[DOI]
- Lim, Heesung, "Prediction of pollution loads in agricultural reservoirs using LSTM algorithm : case study of reservoirs in Nonsan City", Korean Journal of Agricultural Science, 49(2), pp.193~202 (2022)[DOI]
- Seo, Youngmin, "Reservoir water level forecasting using machine learning models", Journal of the Korean Society of Agricultural Engineers, 59(3), pp.97~110 (2017)[DOI]
- Jung, Sungho, "Prediction of river water level using deep-learning open library", Journal of the Korean Society of Hazard Mitigation, 18(1), pp.1~11 (2018)[DOI]
- Jung, Jaeho, "A Study on the Use of Geospatial Information-Based Simulation for Preemptive Response to Water Disasters in Agricultural Land", Smart Media Journal, 11(7), pp.52~60 (2022)[DOI]
- Han, Heechan, "Application of sequence to sequence learning based LSTM model(LSTM-s2s)for forecasting dam inflow", Journal of Korea Water Resources Association, 54(3), pp.157~166 (2021)[DOI]
- Joh. Sunguk, "Prediction of Water Storage Rate for Agricultural Reservoirs Using Univariate and Multivariate LSTM Models", Korean Journal of Remote Sensing, 39(5), pp.1125~1134 (2023)[DOI]
- Seong, Yeongjeong, "Flow rate prediction at Paldang Bridge using deep learning models", Journal of Korea Water Resources Association, 55(8), pp.565~575 (2022)[DOI]
- Zhang, Di, "Modeling and simulating of reservoir operation using the artificial neural network, support vector regression, deep learning algorithm", Journal of Hydrology, 565, pp.720~736 (2018)[DOI]
- Das, Monidipa, "A probabilistic nonlinear model for forecasting daily water level in reservoir", Water Resources Management, 30, pp.3107~3122 (2016)[DOI]
- Dong, Yukun, "Reservoir production prediction model based on a stacked LSTM network and transfer learning", ACS omega, 6(50), pp.34700~34711 (2021)[DOI]
- Hyun, Jung Hoon, "Effects of the Difference between ASOS and AWS Data on Runoff Characteristics", Journal of The Korean Society of Hazard Mitigation, 19(7), pp.443~449 (2019)[DOI]
- Song, Sung-Ho, "Regional drought assessment considering climate change and relationship with agricultural water in Jeju Island", Journal of Environmental Science International, 22(5), pp.625~638 (2013)[DOI]
- "RAWRIS"[URL]
- "KMA Weather Data Service"[URL]