기계학습을 이용한 효과적인 가뭄예측 성능평가

• 영문명: Performance Evaluation of Effective Drought Prediction Using Machine Learning
• 발행기관: 한국방재학회
• 저자명: 김교식(Kim, Kyosik) 김병현(Kim, Byunghyun) 한건연(Han, Kun-Yeun)
• 간행물 정보: 『2. 한국방재학회 논문집』 21권2호, 195~204쪽, 전체 10쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2021.04.30

국문 초록

많은 연구자들이 가뭄예측을 높이는 연구를 지속적으로 이루어지고 있으나, 가뭄의 빈도와 패턴이 불규칙한 시계열을 가지고 있어 예측을 하기에는 한계가 있다. 가뭄은 복잡한 시계열을 가지고 있기에 하나의 모형으로만 예측하기도 어렵고, 다수의 모형으로 예측을 수행하여도 높은 예측이 나올 수 있다고 단정하기도 어렵다. 따라서, 강우, 기온, 일조량, 풍량 등과 같은 설명변수를 입력자료로 사용하여 예측을 높이는데 많은 연구들이 이루어지고 있다. 본 연구의 목적은 기상에서 일어나는 물리적인 현상을 기후자료를 이용하여 복잡하고 어려운 시계열 가뭄지수를 하나로 나타내는 표준강수증발산지수(SPEI)를 이용하여 가뭄예측 방법을 마련하고자 한다. 표준강수증발산지수는 강수량과 증발산량 자료를 이용하여 누적강수량에서 누적증발량을 제외하여 산정하는 방법이며, 증발산량은 월열지수법을 사용하였다. 기상청은 6개월 누적강수량 기준인 SPI6을 이용하여 기상가뭄을 평가하여, 본 연구에서도 월자료 및 일자료 SPEI6을 기준하여 기계학습에 적용하여 수행하였으며, 그 결과 ANN 월자료 R2는 안동 0.488, 문경 0.533, 구미 0.594, SVR 0.452, 0.496, 0.564, RF 0.355, 0.467, 0.524이며, 일자료는 ANN 0.923, 0.919, 0.915, SVR 0.925, 0.923, 0.896, RF 0.915, 0.915, 0.797로, 모든 지점에서 일자료 SPEI를 기계학습에 적용시 높은 예측을 수행하였음을 확인하였다.

영문 초록

There has been much research recently to improve the prediction of drought, but the frequency and pattern of drought displays an irregular time series that limits its predictability, making it difficult to predict with only a single model, and high-level predictions cannot be made even when many models are applied. Therefore, many studies have been conducted to improve predictions by using explanatory variables such as precipitation, temperature, sunshine duration, and air volume as input data. The purpose of this study is to devise a method for predicting drought using the Standard Precipitation Evaporation Index (SPEI), which represents a complex and difficult time series drought index using climate data for weather phenomena. The Standard Precipitation Evaporation Index is a method of calculating the cumulative precipitation by excluding the cumulative evaporation amount from the cumulative precipitation using precipitation and evapotranspiration data, and the evaporation amount is calculated using the monthly heat index method. The Meteorological Agency evaluated meteorological drought using SPI6, which is a 6-month cumulative precipitation standard, and applied it to machine learning based on monthly data and daily data SPEI6 in this study. As a result, ANN monthly data R2 was 0.488 in Andong and 0.533 in Mungyeong, Gumi 0.594, SVR 0.452, 0.496, 0.564, RF 0.355, 0.467, 0.524, and the daily data are ANN 0.923, 0.919, 0.915, SVR 0.925, 0.923, 0.896, RF 0.915, 0.915, 0.797, and the daily data SPEI at all points. It was confirmed that high prediction was obtained when machine learning was applied to these methods.

목차

1. 서론

2. 연구방법

3. 대상유역 및 모형적용

4. 결론

키워드

가뭄 기계학습 인공 신경망 서포트 벡터 회귀 랜덤 포레스트 Drought Machine learning ANN (Artificial Neural Network) SVR (Support Vector Regression) RF (Random Forest)