딥러닝을 활용한 온천천 부곡교 지점 DO 인자 예측

• 영문명: Prediction of the DO Factor at Bugok Bridge, Oncheoncheon, Using Deep Learning
• 발행기관: 한국방재학회
• 저자명: 임희성 안현욱 이재남 신형진 최낙원 주진걸
• 간행물 정보: 『2. 한국방재학회 논문집』23권6호, 325~333쪽, 전체 9쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2023.12.31

국문 초록

모니터링을 활용한 하천 관리는 경제적이며 합리적으로 알려져 있으며, 전 세계적으로 디지털 정보량은 해가 더해갈수록 늘어나고 있다. 이러한 데이터를 활용하는 AI 연구는 최근 수자원 및 수문분야에서 널리 활용되고 있으며, 우수한 예측결과를 도출하고 있다. 본 연구는 자동 수질 측정망으로 수집된 온천천 유역의 부곡교 지점의 DO 인자와 기상자료를 활용하여 연구를 진행하였다. 학습 알고리즘으로는 딥러닝의 한 종류인 시계열 학습 능력에 우수한 결과를 보이는 LSTM 알고리즘을 활용하였다. 빅 데이터의 활용 가능성을 확인하기 위해 시간별 및 일별 예측을 수행하여 비교 분석하였으며, 실제 데이터와 예측 데이터를 비교 분석하여 정확도 분석을 실시하였다. 데이터의 활용에는 자동 측정망으로 수집된 자료에서 누락된 데이터는 선형 보간하여 활용하였다. DO 인자 예측 결과로는 일별 데이터의 활용보다 시간별 데이터를 활용한 예측 성능이 높은 것으로 확인되었다.

영문 초록

The use of monitoring in river management is known to be both economical and rational, and the amount of digital information globally is increasing over time. AI research utilizing such data has been widely employed recently in the field of water resources and hydrology, yielding excellent predictive results. In this study, we utilized DO (Dissolved Oxygen) factor and meteorological data collected from the Bugok Bridge site in the Oncheoncheon watershed through an automatic water quality measurement network. We employed the LSTM (Long Short Term Memory) algorithm, a type of deep learning known for its excellent time series learning capabilities, as the learning algorithm. To confirm the potential of the use of big data, we conducted a comparative analysis by performing hourly and daily predictions, and an accuracy analysis by comparing actual and predicted data. For data utilization, missing data from the data collected by the automatic measurement network were linearly interpolated. It was confirmed that the predictive performance for the DO factor was higher using hourly than daily data.

목차

1. 서론

2. 딥러닝(Deep learning)

3. 대상유역 선정 및 자료 구축

4. 연구자료 분석 및 결과 비교

5. 결론

감사의 글

References

키워드

하천수질 LSTM 기계학습 딥러닝 빅 데이터 River Water Quality LSTM Machine Learning Deep Learning Big Data