Research Article

Journal of Korea Water Resources Association. 31 July 2022. 515-529
https://doi.org/10.3741/JKWRA.2022.55.7.515

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 확률론적 댐 유입량 예측

  •   2.1 LSTM 기반 발전용댐 유입량 예측모형

  •   2.2 미래 강우량 생성을 위한 일기생성모델 검증

  •   2.3 시나리오 기반 확률론적 강우량 및 발전용댐 유입량 산정

  • 3. 발전용댐별 용수공급능력 범위 산정

  •   3.1 발전용댐별 확률론적 자기유입량 산정

  •   3.2 발전용댐별 확률론적 자기유입량 적용 범위 산정

  •   3.3 발전용댐 용수공급능력 범위 산정

  • 4. 적용 및 결과

  •   4.1 적용대상 발전용댐 현황

  •   4.2 발전용댐별 확률론적 유입량 산정 결과

  •   4.3 발전용댐별 용수공급능력 범위 산정 결과

  • 5. 결 론

1. 서 론

댐은 저류공간을 활용하여 홍수기 하천 유량을 저감하거나, 갈수기 저류 용수를 방류하여 용수공급을 수행하는 대표적인 수공 구조물이다. 최근 전 세계적으로 집중호우 및 가뭄 장기화 등 이상기후 발생으로 인해 이러한 댐 구조물의 효율적인 활용 요구가 증대되고 있다. 댐의 효율적인 활용을 위해서는 먼저 정확한 댐 운영 효과를 파악할 필요가 있다. 국내에서는 대표적으로 과거 건설교통부(Ministry of Construction and Traffic, MOCT)와 K-water에 의해 다목적댐의 용수공급능력 산정을 통한 댐의 이수능력 평가가 수행되었다. MOCT and K-water (1997)에서는 정해진 기간의 과거 댐 유입량을 바탕으로, 댐 운영 방안(Operation rule)에 따라 방류를 수행하였을 때의 용수공급능력을 평가하는 일정량 공급방식(firm-supply)을 통해 다목적댐의 용수공급능력을 평가한 바 있다. 이후, MOCT and K-water (2010, 2011), MOLIT and K-water (2016) 등에서는 시간이 지남에 따라 변화된 댐 유입량 및 수위-저수량 관계식 등을 이용하여 다목적댐의 용수공급능력을 정기적으로 재평가하고 있다. 이처럼 시간이 지남에 따라 댐의 용수공급능력을 재평가하는 이유는 댐의 용수공급능력이 기본적으로 유입량 등 유황 조건에 크게 영향을 받기 때문이며, 실제로 동일한 저수지 운영모의 기법을 통해 댐 용수공급능력을 산정하더라도 분석 대상 기간에 따라 동일한 댐의 용수공급능력이 두 배 이상의 차이를 보일 수 있다. 즉, 과거 장기간의 유황 조건을 바탕으로 댐의 용수공급능력을 산정하더라도 미래 유황 조건에 따라 실제 댐의 용수공급능력은 전혀 다르게 산정될 수 있으며, 이는 실제 가뭄 발생시 댐의 이수 효과가 기대에 미치지 못할 경우 대규모 용수공급 실패로 이어질 수 있다.

본 연구에서는 국내 발전용댐을 대상으로, 미래 기후(Representative concentration pathways, RCP) 및 사회경제(Shared socioeconomic pathways, SSP) 변화를 반영한 다양한 시나리오별 확률론적 댐 유입량을 산정하고, 이를 이용하여 댐의 용수공급능력 범위를 정량화하기 위한 기법을 제시하였다. 특히, 확률론적 댐 유입량 자료를 모의하기 위해, 다양한 기후변화모형 GCM (General circulation model) 선정 및 일기생성모형을 검증하였으며, 최근 수자원 예측연구 분야에서 높은 활용도를 보이고 있는 머신러닝 기법인 인공신경망을 활용하였다.

머신러닝은 전 세계적으로 다양한 분야에 적용되고 있으며, 머신러닝 기법의 하나인 인공신경망(Artificial neural network, ANN) 모형은 과거 데이터의 학습을 통해 입력 조건에 따른 출력값을 반환하는 경험적 데이터 기반 모형으로써, 물리적 프로세스를 고려하지 않기 때문에 물리기반 모형에 비해 사용자 정의 매개변수가 적고, 모형 적용이 용이한 장점 등으로 인해 최근 다양한 연구분야에서 폭넓게 활용되고 있다. 인공신경망 학습구조 중 하나인 LSTM (Long-short term memory) 신경망은 시계열 분석에 특화된 순환신경망(Recurrent neural network, RNN) 유형에 해당하는 모형이며, Hochreiter and Schmidhuber (1997)에 의해 물리적 기반 모델의 상태변수와 유사한 메모리 셀을 새롭게 포함시킴으로써 기존 RNN 대비 장기간의 시계열 분석에서 최근 데이터에 해당하는 경향을 상대적으로 더 잘 반영하도록 개선된 구조를 갖는다. 이처럼 시계열 분석에 특화된 RNN 모형은 수자원 분야에서는 유입량, 수위 등의 시계열 자료 예측에 활발히 사용되고 있으며, 최근에는 시계열 예측에 활용도가 높은 LSTM의 연구사례가 점차 증가하는 추세이다. Yeo et al. (2010), Chen et al. (2012)의 연구에서는 ANN 모형을 활용하여 하천수위를 예측하고 예측성능을 분석하였으며, Tran and Song (2017), Zhang et al. (2018) 등의 연구에서는 LSTM 모형을 활용하여 장기적인 하천수위를 예측하고 예측성능을 분석한 바 있다. 또한, LSTM 모형을 Deep Belief Networks와 결합하거나(Luo et al., 2020), Wavelet Transform 기법과 연계하는(Tran et al., 2021) 등 LSTM 기반 댐 유입량 예측 모형의 성능이 더욱 개선되고 있다.

본 연구에서는 먼저 과거 강우량 및 댐 유입량 관측 자료를 이용하여 강우 조건에 따라 댐별 유입량을 예측하는 LSTM 모형을 학습시키고, 다양한 기후 및 사회경제 변화 시나리오를 반영한 일기생성모형(AWE-GEN)을 통해 생성된 미래 확률론적 강우량을 입력시킴으로써 발전용댐별 확률론적 유입량을 산정하였다. 이때, 산정된 확률론적 댐 유입량은 다수의 앙상블로 구성된 미래 강우량에 따라 넓은 범위의 유입량 분포를 보이므로, 본 연구에서는 과거 관측자료를 바탕으로 댐별 유입량의 통계적 신뢰 구간을 고려함으로써, 현실적인 확률론적 댐 유입량 및 용수공급능력의 범위를 산정하고자 하였다.

본 논문은 구체적으로 다음과 같이 구성되었다. 2장에서는 발전용댐의 확률론적 유입량을 산정하기 위한 LSTM 모형의 학습방법(2.1절) 및 미래 강우량 예측을 위한 일기생성모형의 검증(2.2절), 그리고 미래 강우량의 기후변화 영향을 반영하기 위한 적용 대상 기후변화 시나리오 및 GCM (2.3절)을 각각 서술하였다. 3장에서는 발전용댐의 용수공급능력을 산정하기 위한 발전용댐별 자기유입량 분리 방법(3.1절) 및 자기유입량 분포의 통계적인 신뢰 구간을 고려한 확률론적 자기유입량의 적용 범위(3.2절), 그리고 저수지 운영모의 방법(3.3절)을 각각 서술하였다. 4장에서는 본 연구의 적용대상 지역인 한강수계의 구조 및 강우관측소 현황을 소개하고 본 연구방법을 통해 도출된 시나리오별, 발전용댐별 확률론적 유입량 및 용수공급능력 범위 산정 결과를 분석하였으며, 마지막으로 5장을 통해 연구결과를 요약하고 향후 관련 연구의 활용 방향을 제시하였다.

2. 확률론적 댐 유입량 예측

2.1 LSTM 기반 발전용댐 유입량 예측모형

본 연구에서는 LSTM 모형을 활용하여 시나리오 기반 미래 강우량 조건을 바탕으로 발전용댐의 확률론적 유입량을 산정하였으며, 그 전체적인 과정은 Table 1과 같이 총 4단계의 절차로 나타낼 수 있다. 먼저 과거 댐 유역의 강우량 자료와 발전용댐 유입량 관측 자료를 기반으로 강우량에 따른 댐 유입량을 추정하는 LSTM 모형의 Hindcasting 및 Forecasting 모형을 결정하고 학습시킨다. 다음으로 확률론적 유입량 산정 모형의 입력자료가 되는 미래 강우량 조건을 생성하기 위해 각 발전용댐별 유입량과 높은 상관관계를 갖는 강우관측소를 선정한 후, 기후변화 및 사회경제 시나리오에 따른 미래 강우량을 생성한다. 마지막으로, 생성된 미래 강우량 조건을 각 유입량 예측 LSTM 모형에 입력함으로써 발전용댐별 확률론적 유입량을 산정한다.

Table 1.

Stepwise process for probabilistic dam inflow estimation

Step Description
1) Determination of LSTM model and its training LSTM model training for dam inflow estimation based on
historical rainfall and dam inflow data
2) Selection of rainfall stations Determining rainfall stations for dam inflow estimation based on
data CCF (cross correlation function) and correlation analysis
3) Scenario-based rainfall prediction Rainfall prediction using weather model (AWE-GEN) based on
RCP and SSP scenarios
4) Probabilistic dam inflow estimation Input scenario-based rainfall prediction results (from Step 3)
into LSTM model (from Step 1) for dam inflow prediction

강우량 조건을 바탕으로 유입량을 예측하는 LSTM 모형은 관측 자료를 기반으로 데이터를 학습하여 과거의 유입량을 재현하는 Hindcasting 모형과 예측자료를 기반으로 미래 유입량을 예측하는 Forecasting 모형으로 구분된다. 본 연구에서는 Table 2와 같이 유입량, 방류량, 강우량 등의 관측자료(Iobs,t,Oobs,t,Pobs,t)를 바탕으로 유입량을 예측(Isim,t+1)하는 다양한 조합의 함수를 검토하여 적정 Hindcasting 함수를 결정하였으며, 이 함수는 마찬가지로 유입량, 방류량, 강우량 등의 예측자료(Isim,t,Osim,t,Psim,t)를 바탕으로 다시 유입량을 예측하는 Forecasting 모형의 함수에 대응한다.

Table 2.

Examples of the hindcasting and forecasting functions in LSTM model

Model Function
Hindcasting Isim,t+1=WLSTM1Iobs,t,Oobs,t
Isim,t+1=WLSTM2Iobs,t,Oobs,t,Pobs,t
Isim,t+1=WLSTM3Pobs,t
Forecasting Isim,t+1=WLSTM4Isim,t,Osim,t
Isim,t+1=WLSTM5Isim,t,Osim,t,Psim,t
Isim,t+1=WLSTM6Psim,t

2.2 미래 강우량 생성을 위한 일기생성모델 검증

LSTM 모형의 성능은 충분한 학습 데이터를 제공할수록 더 개선되는 특징이 있으나, 입·출력 학습 데이터의 상관성이 떨어지는 데이터가 과다할 경우 모형의 성능이 오히려 저하될 수 있다. 강우량 자료를 활용한 댐 유입량 예측모형의 경우, 학습 강우량 데이터로 활용된 강우관측소의 개소 수 및 지점 위치 등에 따라 학습 결과가 달라질 수 있어 본 연구에서는 한강수계 내 강우관측소 180개소를 대상으로 아래와 같은 방법으로 각 발전용댐별 LSTM 모형 학습을 위한 유역별 강우관측소 지점을 선별하고, 미래 강우량 생성을 위한 일기생성모델을 검증하였다.

2.2.1 CCF (cross correlation function) analysis

LSTM 모형의 학습 성능을 고려하여, 관측소별 강우량과 댐 유입량 상관도가 0.5 미만인 강우 관측소를 제외하였으며, 또한 강우관측소간 강우량 상관도가 높을 경우, 유사한 강우량 입력 데이터셋이 다수 포함되어 LSTM 모형이 지배되는 문제가 발생할 수 있으므로, 강우량 상관도가 0.96를 초과하는 강우관측소를 제외하였다. 이와같이 유입량 및 강우관측소 또는 강우관측소간 CCF 분석 과정은 Fig. 1과 같이 나타낼 수 있으며, 이때 하류에 위치한 댐일수록 유역 상류에 위치한 강우관측소를 모두 고려해야 하므로 이러한 CCF 분석 과정은 필수적인 것으로 이해할 수 있다.

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F1.jpg
Fig. 1.

CCF analysis between dam inflow and rainfall of individual station

2.2.2 LSTM performance analysis

본 연구에서는 미래 강우량 생성을 위해 Ivanov et al. (2007)이 제시한 추계학적 일기생성모형 중 하나인 AWE-GEN (Advanced weather generator)을 활용하였으며, 수집된 관측 시계열을 이용하여 모형을 통해 생성된 강우량을 검증하였다. AWE-GEN에 관측 데이터를 적용함으로써 특정 고정(stationary) 기후에 대한 여러 날씨 변수의 시간별 시계열 앙상블을 생성할 수 있으며, 먼저 2001~2020년 기간에 대하여 100개의 시계열 앙상블을 생성하고, 이를 관측 시계열과 비교하여 AWE-GEN을 검증하였다. 이때, 일기생성모형 검증에 사용된 검증항목은 TotPr (월평균 강우량), maxDa (월별 일 최대 강우량), maxHr (월별 시 최대 강우량), nonPr (월별 비강우일) 등을 적용하였다.

또한, 위와 같이 생성된 시계열 앙상블을 바탕으로 댐 유입량 예측을 위한 LSTM 모형을 학습한 후, 관측 댐 유입량과 비교함으로써 일기생성모형 및 LSTM 모형을 검증하였다. 본 연구에서는 LSTM 모형의 성능을 평가하기 위해 상관계수(R), 평균 절대오차(MAE), Nash-Sutcliffe efficiency (NSE), Volume 오차(VE) 및 Peak 오차(PE) 등의 평가지표를 활용하였으며, 각각의 평가지표는 Table 3과 같이 산정할 수 있다. Table 3에서 각각 Nt는 전체 기간의 수, Iobs,t는 시간 t에서 댐 관측유입량, Isim,t는 시간 t에서 댐 예측유입량을 의미하며, IobsIsim은 각각 IobsIsim의 평균, IobsmaxIsimmax은 각각 관측 및 예측된 댐 첨두유입량을 의미한다.

Table 3.

Statistical indicators for evaluation of LSTM model performance

Indicator Calculation
Pearson correlation coefficient R=t=1NtIobs,t-IobsIsim,t-Isimt=1NtIobs,t-Iobs2t=1NtIsim,t-Isim2
Nash-Sutcliffe efficiency NSE=1-t=1NtIsim,t-Iobs,t2t=1NtIobs,t-Iobs2
Mean absolute error MAE=t=1NtIsim,t-Iobs,tNt
Peak error PE=Iobsmax-IsimmaxIobsmax×100
Volume error VE=t=1NtIobs,t-t=1NtIsim,tt=1NtIobs,t×100

2.3 시나리오 기반 확률론적 강우량 및 발전용댐 유입량 산정

앞서 검증된 AWE-GEN 일기생성모형을 통한 미래 강우 앙상블을 생성하기 위해, 먼저 미래 기후조건을 입력하기 위한 GCMs을 선정하였다. 최근 IPCC AR6(Intergovernmental panel on climate change, sixth assessment report)에서는 새로운 온실가스 경로인 SSP를 제안하였으며, SSP는 온실가스 감축 수준 및 기후변화 적응대책 수행 여부 등을 고려한 새로운 온실가스 경로이다. 본 연구에서는 미래 강우 앙상블을 생성하기 위한 기후조건으로 SSP1-RCP2.6, SSP2-RCP4.5, SSP5-RCP8.5 등 총 3개의 시나리오를 고려하였다. SSP1-2.6은 재생에너지 기술 발달로 화석연료 사용이 최소화되고, 지속가능한 친환경적 경제성장을 가정한 시나리오를 의미한다. SSP2-4.5는 기후변화 완화 및 사회경제 발전 정도를 중간 단계로 가정한 시나리오이며, SSP5-8.5는 산업기술의 빠른 발전에 중심을 두어 화석연료 사용이 높고 도시 위주의 무분별한 개발 확대를 가정한 시나리오이다. 현재 전세계적으로 40여개의 모델링 센터에서 100개 이상의 GCM을 바탕으로 CMIP (Coupled model intercomparison project)에 참여하고 있으며, 본 연구에서는 CMIP6 기반의 GCM 중에서 Table 4에 제시한 바와 같이 18개의 GCM을 선정하여 일 강우량 및 월 기온을 산정하였으며, AWE-GEN 모형을 통해 미래 강우량을 생성한 후, 최종적으로 LSTM 모형에 입력하여 발전용댐별 확률론적 유입량을 산정하였다.

Table 4.

Applied GCMs for climate change scenarios simulation

Institute Model name Resolution Institute Model name Resolution
BCC BCC-CSM2-MR 320 × 160 MIROC MIROC6 256 × 128
CCCMA CanESM5 128 × 64 MOHC HadGEM3-GC31-LL 192 × 144
CMCC CMCC-CM2-SR5 288 × 192 MPI-M MPI-ESM1-2-HR 384 × 192
CNRM-CERFACS CNRM-CM6-1 256 × 128 MRI MRI-ESM2-0 320 × 160
CSIRO ACCESS-ESM1-5 192 × 145 NCAR CESM2 288 × 192
CSIRO-ARCCSS ACCESS-CM2 192 × 144 NCC NorESM2-LM 144 × 96
INM INM-CM-5 180 × 120 NOAA-GFDL GFDL-ESM4 360 × 180
IPSL IPSL-CM6A-LR 144 × 143 CAMS CAMS-CSM1-0 360 × 200
CAS FGOALS-g3 180 × 80 NUIST NESM3 192 × 96

3. 발전용댐별 용수공급능력 범위 산정

3.1 발전용댐별 확률론적 자기유입량 산정

앞서 소개된 확률론적 유입량 산정 방법은 최상류댐이 아닐 경우 해당 댐 유역에 의한 자기유입량뿐만 아니라 상류댐 방류에 의한 유량을 포함한 댐 유입량을 산정한다. 이를 바탕으로 각 댐의 용수공급능력을 산정할 경우, 상류댐의 용수공급능력이 중·하류 발전용댐에 중복 산정되어 정확한 댐별 용수공급능력을 산정할 수 없으므로, 각 발전용댐의 확률론적 자기유입량을 산정할 필요가 있다. 발전용댐별 자기유입량은 기본적으로 해당 댐의 관측유입량에서 상류댐의 관측방류량을 제외하는 방법을 통해 산정할 수 있으나, 본 연구에서는 앙상블에 의해 다양한 확률론적 유입량이 산정되며, 각 앙상블에서의 상류댐 방류량은 알 수 없으므로 댐별 자기유입량을 분리해낼 수 있는 새로운 방법이 필요하다. 따라서, 본 연구에서는 장기간 발전용댐의 관측자료를 바탕으로, Eq. (1)과 같이 발전용댐의 자기유입량 및 관측유입량의 평균적인 비율을 산정한 후, 앞서 도출된 확률론적 유입량에 해당 비율을 Eq. (2)와 같이 적용함으로써 확률론적 자기유입량을 추정하였다. 이때, 자기유입량과 관측유입량의 비율은 Fig. 2에 나타난 것과 같이 풍수기 및 갈수기 등 기간에 따라 상이하게 나타나므로, 본 연구에서는 순단위 자기유입량-관측유입량 비율을 산정하여 적용하였다.

(1)
RIp=1Ni=1NIobs,ip-Oobs,ipIobs,ipp1,2,3,36
(2)
Iselfpprob=RIp×Ipprobp1,2,3,36

여기서, RIp:p번째 순에서의 평균 자기유입량 및 관측유입량 비율, N : 댐 유입량 및 방류량 자료 확보기간의 수, Iobs,ip : i년도 p번째 순에서의 관측유입량(m3/s), Oobs,ip : i년도 p번째 순에서의 상류댐 총 관측방류량(m3/s), Iselfpprob : p번째 순에서의 확률론적 자기유입량(m3/s), Ipprob : p번째 순에서의 확률론적 유입량(m3/s).

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F2.jpg
Fig. 2.

Ratio calculation between self-basin inflow and observed inflow

3.2 발전용댐별 확률론적 자기유입량 적용 범위 산정

한편, 앙상블 기법에 의해 생성된 다양한 확률론적 유입량은 동일한 시나리오(즉, SSP1-RCP2.6, SSP2-RCP4.5, SSP5-RCP8.5) 내에서도 다소 넓은 분포범위로 나타나며, 이들 확률론적 유입량의 범위를 모두 고려하여 용수공급능력을 산정할 경우 지나치게 넓은 범위의 용수공급능력이 산정되어 신뢰 구간(Confidence interval)을 벗어날 우려가 있다. 본 연구에서는 앞서 산정된 확률론적 자기유입량 앙상블 중 과소/과대 자료를 제외하기 위해, 과거 발전용댐별 연간 자기유입량의 분포 범위를 통계적으로 분석함으로써 댐별 확률론적 자기유입량 분포의 유효 범위를 산정하였다. 연간 댐 유입량은 평균 유입량을 기준으로 연간 유입량이 크게 발생한 풍수년 또는 연간 유입량이 적게 발생한 갈수년으로 구분할 수 있으며, Fig. 3(a)에 제시된 바와 같이 평균 유입량과의 편차가 클수록 발생확률이 낮은 것을 알 수 있다. 따라서 본 연구에서는 발전용댐별 과거 연간 자기유입량의 평균 및 표준편차를 이용하여 관측 이래 대부분의 연간 자기유입량을 포함할 수 있는 신뢰 구간을 선정한 후, Fig. 3(b)에 나타난 것과 같이 모형으로부터 추정된 확률론적 자기유입량 앙상블에 동일한 신뢰 구간을 적용함으로써 최대, 평균, 최소 연간 자기유입량 수준을 결정하였다. 이때, 확률론적 자기유입량은 Fig. 3(c)와 같이 순단위 자기유입량 시계열로 나타낼 수 있으며, 앞서 결정된 최대, 평균, 최소 수준에 해당하는 앙상블을 각각 선정하여 발전용댐의 용수공급능력 범위를 산정하였다.

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F3.jpg
Fig. 3.

Statistical analysis of dam inflow and determination of probabilistic inflow range

3.3 발전용댐 용수공급능력 범위 산정

본 연구에서는 저수지 운영 모형인 HEC-ResSim (USACE, 2021)을 활용한 저수지 운영모의를 통해 발전용댐의 용수공급능력을 산정하였다. 저수지 운영모의 기법은 운영수위, 최소방류량 등 저수지 운영방안 및 유입량 조건을 바탕으로 장기간의 저수지 모의를 수행하는 방법으로, 모의 결과를 통한 이수안전도 및 용수공급능력 산정 등 다양한 댐 운영효과 평가에 활용할 수 있다. 특히 국내 다목적댐의 용수공급능력 평가 또한 저수지 운영모의 방법을 통해 이루어지며, Eq. (3)과 같이 95%의 이수안전도를 적용하고 있다. 이때, 댐의 저류용량 및 저류/방류 효과가 큰 저류형 발전용댐의 경우 다목적댐과 동일한 방법으로 댐의 용수공급능력을 산정할 수 있다. 반면, 저류/방류 효과보다 운영수위 유지에 주목한 비저류형 발전용댐의 경우 Eq. (4)와 같이 저류형 발전용댐과는 달리 방류량 기반의 이수안전도가 아닌 수위 기반의 이수안전도를 바탕으로 댐의 용수공급능력을 산정할 수 있다.

참고로, Choi et al. (2021)은 북한강 수계에 위치한 다섯 개의 발전용댐을 대상으로 1) 유입량 대비 저류용량의 규모, 2) 저류/방류 활동의 빈도, 3) 댐 운영의 용수공급 기여도 등을 분석하여 각 발전용댐의 유형을 평가한 바 있다. 해당 연구결과, 화천댐은 저류형댐으로 분류되었고, 춘천댐, 의암댐, 청평댐, 팔당댐은 모두 비저류형댐으로 분류되었다. 한편, 저류형 및 비저류형 발전용댐의 용수공급능력을 산정하는 방법은 본 연구와 함께 수행된 “발전용댐 이수능력 평가 연구 (I): 북한강수계 개별댐 및 댐군 용수공급능력 분석” 논문에 상세히 기술되었다.

(3)
RqY=1-NqYTY×100
(4)
RwY=1-NwYTY×100

여기서, RqY : 연간 방류-이수안전도(%), NqY : 댐 방류량이 상시방류량을 만족하지 못한 기간이 포함된 연도의 개수, RwY : 연간 수위-이수안전도(%), NwY : 댐 수위가 하한운영수위보다 낮은 기간이 포함된 연도의 개수, TY : 총 저수지 운영모의 연도의 개수

즉, 앞서 설명한 모의기법을 이용하여 생성된 향후 20년 기간의 발전용댐 확률론적 자기유입량 자료를 이용하여 저수지 운영모의를 수행한 후, 저류형 발전용댐의 경우 19년 이상의 기간에서 방류를 유지할 수 있는 상시방류량을 이용으로 용수공급능력을 산정하였으며, 비저류형 발전용댐의 경우 19년 이상의 기간에서 하한운영수위를 유지할 수 있는 상시취수량을 이용하여 용수공급능력을 산정하였다. 저수지 운영모의는 세 개의 적용 시나리오(즉, SSP1-RCP2.6, SSP2-RCP4.5, SSP5-RCP8.5) 별로 결정된 최소, 평균, 최대 자기유입량 앙상블을 이용하여 수행하였으며, 따라서 각각의 시나리오별로 세 개의 발전용댐 용수공급능력 값을 추정하였다.

4. 적용 및 결과

4.1 적용대상 발전용댐 현황

본 연구에서는 한강수계에 위치한 여섯 개의 발전용댐(화천댐, 춘천댐, 의암댐, 청평댐, 괴산댐, 팔당댐)을 대상으로 제안된 연구방법을 적용하여 발전용댐별 용수공급능력의 범위를 산정하였다. Fig. 4(a)는 대상지역 내 발전용댐과 관계된 수계 구조를 나타낸 그림이며, Fig. 4(b)는 대상지역 내 발전용댐 유입량 예측을 위한 강우관측소 현황을 나타낸 그림이다.

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F4.jpg
Fig. 4.

Case study area (Han river basin, South Korea)

4.2 발전용댐별 확률론적 유입량 산정 결과

4.2.1 시나리오별 확률론적 유입량 생성 결과

LSTM 모형을 이용하여 2021~2040년(20년) 기간에 대한 발전용댐별 확률론적 댐 유입량 자료를 생성하였다. 각각 세 가지 SSP-RCP 시나리오별로 총 100개의 앙상블을 생성하였으며, 과거 2001~2020년(20년) 기간의 관측값과 비교하였다(Fig. 5). Fig. 6과 같이 생성된 시나리오별 댐 유입량 자료를 분석한 결과, 고탄소 시나리오에 해당할수록 전반적인 댐 유입량이 증가하는 경향을 보였으며, 따라서 본 연구에서는 SSP1-RCP2.6, SSP2-RCP4.5, SSP5-RCP8.5 시나리오를 각각 저유입량, 평균유입량, 고유입량 시나리오에 해당하는 것으로 분류하였다.

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F5.jpg
Fig. 5.

Probabilistic dam inflow ensembles obtained from three applied scenarios

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F6.jpg
Fig. 6.

Comparison of probabilistic dam inflow obtained from three applied scenarios

4.2.2 시나리오별 확률론적 자기유입량 산정 및 적용범위 결정

앞서 산정된 발전용댐별 확률론적 유입량 중 중·하류 발전용댐(춘천댐, 의암댐, 청평댐, 팔당댐)에서는 정확한 해당 댐의 용수공급능력 산정을 위해 자기유입량을 추정해야 한다. Fig. 7은 과거 1987~2020년(34년) 기간의 중·하류 발전용댐의 순단위 평균 자기유입량 대비 관측유입량의 비율을 Eq. (1)을 통해 산정한 결과이다. 최상류 댐인 화천댐과 괴산댐의 경우 확률론적 자기유입량은 모형에서 추정된 유입량 자료를 그대로 사용하는 반면, 춘천댐, 의암댐, 청평댐, 팔담댐의 확률론적 자기유입량은 모형으로부터 추정된 유입량 자료에 각각 Fig. 7에 나타난 순별 비율값을 적용하여 변환하여야 한다.

다음으로, 발전용댐별 확률론적 자기유입량 100개의 앙상블 중 유입량의 신뢰 구간을 고려한 적용범위를 산정하기 위해, 동일기간(1987~2020) 발전용댐별 연간 자기유입량의 통계적 분포 범위를 분석하였다. Fig. 8은 과거 34개년도의 발전용댐별 연간 자기유입량 분포를 히스토그램으로 나타낸 그림이며, 각 댐의 연간 자기유입량의 통계적 유효 범위는 아래와 같이 결정하였으며 해당 결과는 Table 5에 정리하였다.

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F7.jpg
Fig. 7.

Self-basin inflow and observed inflow ratio of downstream located dams

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F8.jpg
Fig. 8.

Statistical range analysis of self-basin annual inflow

Table 5.

Acceptable range of self-basin annual inflow (Unit: million m3/yr)

Hydropower dam Lower boundary Average Upper boundary
Level Inflow Level Inflow Level Inflow
Hwacheon Q-σ 731.8 Q 1,420.2 Q+2σ 2,796.8
Chuncheon Q-σ 365.7 684.8 Q+σ 1,004.0
Uiam Q-σ 15.4 268.5 Q+2σ 774.7
Cheongpyeong Q-σ 973.7 1,564.8 Q+σ 2,155.9
Paldang Q-σ 1,824.8 3,799.3 Q+2σ 7,748.4
Goesan Q-σ 266.8 446.6 Q+σ 626.4

1) 화천댐의 연간 자기유입량의 평균값(Q)은 1,420.2 백만 m3, 표준편차(σ)는 688.3 백만 m3로 나타났으며, 연간 자기유입량의 통계적 유효 범위는 Q-σ~Q+2σ로 결정하였다.

2) 춘천댐의 연간 자기유입량의 평균값(Q)은 684.8 백만 m3, 표준편차(σ)는 319.1 백만 m3로 나타났으며, 연간 자기유입량의 통계적 유효 범위는 Q-σ~Q+σ로 결정하였다.

3) 의암댐의 연간 자기유입량의 평균값(Q)은 268.5 백만 m3, 표준편차(σ)는 253.1 백만 m3로 나타났으며, 연간 자기유입량의 통계적 유효 범위는 Q-σ~Q+2σ로 결정하였다.

4) 청평댐의 연간 자기유입량의 평균값(Q)은 1,564.8 백만 m3, 표준편차(σ)는 591.1 백만 m3로 나타났으며, 연간 자기유입량의 통계적 유효 범위는 Q-σ~Q+σ로 결정하였다.

5) 팔당댐의 연간 자기유입량의 평균값(Q)은 3,799.3 백만 m3, 표준편차(σ)는 1,974.5 백만 m3로 나타났으며, 연간 자기유입량의 통계적 유효 범위는 Q-σ~Q+2σ로 결정하였다.

6) 괴산댐의 연간 자기유입량의 평균값(Q)은 446.6 백만 m3, 표준편차(σ)는 179.8 백만 m3로 나타났으며, 연간 자기유입량의 통계적 유효 범위는 Q-σ~Q+σ로 결정하였다.

각 시나리오별로 생성된 100개의 확률론적 자기유입량 앙상블 중에서, Table 5에 나타난 발전용댐별 통계적 유효 범위에 해당하는 세 개의 앙상블(즉, 최소, 평균, 최대 앙상블)을 선정하였다. 이렇게 선정된 시나리오별, 발전용댐별 적용 대상 앙상블의 순별 자기유입량 분포는 Fig. 9과 같이 나타낼 수 있으며, 연간 자기유입량 수준은 Table 6를 통해 정리하였다.

/media/sites/kwra/2022-055-07/N0200550704/images/kwra_55_07_04_F9.jpg
Fig. 9.

Maximum, average, and minimum self-basin inflow ensembles selected among 100 probabilistic inflow ensembles for the application dams

Table 6.

Probabilistic self-basin annual inflows obtained from three applied scenarios (Unit: million m3/yr)

Dam Annual self-basin inflow in SSP 1–RCP 2.6 scenario (Low inflow)
Probabilistic minimum Probabilistic average Probabilistic maximum
Hwacheon 1,207.6 1,489.1 2,065.6
Chuncheon 503.2 695.0 856.7
Uiam 227.1 277.4 351.5
Cheongpyeong 1,644.8 2,087.7 2,582.1
Paldang 3,359.6 4,173.5 5,859.2
Goesan 514.6 627.3 727.4
Dam Annual self-basin inflow in SSP 2–RCP 4.5 scenario (Average inflow)
Probabilistic minimum Probabilistic average Probabilistic maximum
Hwacheon 1,435.1 1,752.8 2,345.2
Chuncheon 593.1 844.3 1,053.7
Uiam 276.0 316.1 398.0
Cheongpyeong 1,775.8 2,335.5 2,833.5
Paldang 3,704.0 4,680.1 6,400.6
Goesan 584.6 692.5 811.4
Dam Annual self-basin inflow in SSP 5–RCP 8.5 scenario (High inflow)
Probabilistic minimum Probabilistic average Probabilistic maximum
Hwacheon 1,625.5 2,000.0 2,779.1
Chuncheon 618.4 841.9 1,085.1
Uiam 289.6 330.8 405.2
Cheongpyeong 1,864.0 2,317.1 2,889.8
Paldang 3,739.0 4,666.9 6,224.7
Goesan 636.0 743.2 847.4

4.3 발전용댐별 용수공급능력 범위 산정 결과

앞서 선정된 확률론적 자기유입량 앙상블을 바탕으로 저수지 운영모의를 통해 발전용댐별 용수공급능력 범위를 산정한 결과는 각각 다음과 같으며, Table 7과 같이 정리할 수 있다.

1) 화천댐의 2001~2020년 과거 유입량 자료를 이용하여 산정된 용수공급능력은 연간 약 734.8 백만 m3으로 추정되었다. 한편, 저유입량, 평균유입량, 고유입량 시나리오별 평균 용수공급능력은 각각 816.8, 999.7, 892.5 백만 m3으로 산정되었다. 즉, 확률론적 유입량을 이용한 용수공급능력이 과거 2001~2020년 실측 유입량을 이용하여 추정된 용수공급능력 대비 전반적으로 더 높은 것으로 이해할 수 있다. 한편, 하한 및 상한 자기유입량 앙상블 자료를 이용하여 계산된 용수공급능력 범위는 저유입량, 평균유입량, 고유입량 시나리오별로 각각 [621.3~1,434.9], [671.7~1,390.7], [687.5~1,734.5] 백만 m3에 해당하는 것으로 산정되었다.

2) 춘천댐의 2001~2020년 과거 유입량 자료를 이용하여 산정된 용수공급능력은 연간 약 107.2 백만 m3으로 추정되었다. 한편, 저유입량, 평균유입량, 고유입량 시나리오별 평균 용수공급능력은 각각 214.4, 261.7, 236.5 백만 m3으로 산정되어으며, 확률론적 유입량을 이용하여 추정된 용수공급능력이 2001~2020년 실측 유입량을 이용하여 추정된 용수공급능력 보다 2배 이상 높게 나타났다. 하한 및 상한 자기유입량 앙상블을 적용하여 추정된 용수공급능력 범위는 저유입량, 평균유입량, 고유입량 시나리오별로 각각 [113.5~312.2], [100.9~299.6], [82.0~372.1] 백만 m3에 해당하는 것으로 산정되었다. 이처럼 과거 2001~2020년 유입량을 이용하여 추정된 용수공급능력(107.2 백만 m3)은 저유입량 시나리오의 하한값(113.5 백만 m3)에 근접하게 나타났으며, 이는 2001~2020년 기간의 유입량이 적었음을 의미한다.

3) 의암댐의 2001~2020년 자기유입량에 따른 용수공급능력은 연간 약 18.9 백만 m3으로 산정되었다. 금회 저유입량, 평균유입량, 고유입량 시나리오별 평균 용수공급능력은 각각 78.8, 75.7, 78.8 백만 m3으로 산정되었으며, 마찬가지로 확률론적 용수공급능력이 2001~2020년 유입량 조건 대비 더 높게 나타났다. 하한 및 상한 자기유입량 앙상블에 따른 용수공급능력 범위는 저유입량, 평균유입량, 고유입량 시나리오별로 각각 [34.7~126.1], [31.5~116.7], [63.1~132.5] 백만 m3에 해당하는 것으로 산정되었다. 이처럼 2001~2020년 유입량 조건에서 산정된 용수공급능력은 저유입량 시나리오의 하한 용수공급능력 보다 오히려 더 낮게 나타났다. 이는 지난 `14~`17 가뭄 시, 의암댐에서 발생하였던 연간 100.0 백만 m3 미만의 낮은 자기유입량 수준이 기후변화 및 사회경제 시나리오를 고려한 금회 확률론적 유입량의 하한 범위보다 훨씬 낮은 수준이었음을 의미한다.

4) 청평댐의 2001~2020년 자기유입량에 따른 용수공급능력은 연간 약 160.8 백만 m3으로 산정되었으며, 금회 저유입량, 평균유입량, 고유입량 시나리오별 평균 용수공급능력은 각각 305.9, 283.8, 328.0 백만 m3으로 산정되어 마찬가지로 확률론적 용수공급능력이 2001~2020년 유입량 조건 대비 더 높게 나타났다. 하한 및 상한 자기유입량 앙상블에 따른 용수공급능력 범위는 저유입량, 평균유입량, 고유입량 시나리오별로 각각 [138.8~514.0], [141.9~507.7], [208.1~611.8] 백만 m3에 해당하는 것으로 산정되었다.

5) 팔당댐의 2001~2020년 자기유입량 자료를 이용한 용수공급능력은 연간 약 1,402.0 백만 m3으로 산정되었으며, 금회 저유입량, 평균유입량, 고유입량 시나리오별 평균 용수공급능력은 각각 1,619.6, 1,600.6, 1,644.8 백만 m3으로 산정되어 마찬가지로 확률론적 용수공급능력이 2001~2020년 유입량 조건 대비 더 높게 나타났다. 하한 및 상한 자기유입량 앙상블에 따른 용수공급능력 범위는 저유입량, 평균유입량, 고유입량 시나리오별로 각각 [1,506.0~1,799.3], [1,487.1~1,824.5], [1,502.9~1,805.6] 백만 m3에 해당하는 것으로 산정되었다.

6) 괴산댐의 2001~2020년 자기유입량 자료를 이용한 용수공급능력은 연간 약 53.6 백만 m3으로 산정되었으며, 금회 저유입량, 평균유입량, 고유입량 시나리오별 평균 용수공급능력은 각각 88.3, 85.1, 100.9 백만 m3으로 산정되어 마찬가지로 확률론적 용수공급능력이 2001~2020년 유입량 조건 대비 더 높게 나타났다. 하한 및 상한 자기유입량 앙상블에 따른 용수공급능력 범위는 저유입량, 평균유입량, 고유입량 시나리오별로 각각 [34.7~141.9], [53.6~132.5], [78.8~138.8] 백만 m3에 해당하는 것으로 산정되었다.

Table 7.

Range of hydropower dam water supply yield obtained from three applied scenarios (Unit: million m3)

Dam Water supply yield based on 2001~2020 historical inflow
Hwacheon 734.8
Chuncheon 107.2
Uiam 18.9
Cheongpyeong 160.8
Paldang 1,402.0
Goesan 53.6
Dam Water supply yield based on SSP 1–RCP 2.6 scenario (Low inflow)
Probabilistic minimum Probabilistic average Probabilistic maximum
Hwacheon 621.3 816.8 1,434.9
Chuncheon 113.5 214.4 312.2
Uiam 34.7 78.8 126.1
Cheongpyeong 138.8 305.9 514.0
Paldang 1,506.0 1,619.6 1,799.3
Goesan 34.7 88.3 141.9
Dam Water supply yield based on SSP 2–RCP 4.5 scenario (Average inflow)
Probabilistic minimum Probabilistic average Probabilistic maximum
Hwacheon 671.7 999.7 1,390.7
Chuncheon 100.9 261.7 299.6
Uiam 31.5 75.7 116.7
Cheongpyeong 141.9 283.8 507.7
Paldang 1,487.1 1,600.6 1,824.5
Goesan 53.6 85.1 132.5
Hydropower
dam
Water supply yield based on
SSP 5–RCP 8.5 scenario (High inflow)
Probabilistic minimum Probabilistic average Probabilistic maximum
Hwacheon 687.5 892.5 1,734.5
Chuncheon 82.0 236.5 372.1
Uiam 63.1 78.8 132.5
Cheongpyeong 208.1 328.0 611.8
Paldang 1,502.9 1,644.8 1,805.6
Goesan 78.8 100.9 138.8

5. 결 론

본 연구에서는 댐의 용수공급능력이 댐 유입량 변화에 크게 영향을 받는 사실에 착안하여 댐 용수공급능력의 범위를 산정하는 방안을 제안하였다. 이를 위해 다양한 기후 및 사회경제 변화 시나리오를 생성하고 이를 반영한 확률론적 댐 유입량 자료를 생성하였다. 확률론적 댐 유입량은 과거 강우량 및 댐 유입량 관측 자료를 이용하여 학습된 LSTM 인공신경망 모형을 통해 예측되었으며, 이때 댐 유입량 산정의 입력자료인 미래 강우량은 최근의 기후변화 영향을 고려하기 위해 SSP1-RCP2.6(저유입량), SSP2-RCP4.5(평균유입량), SSP5-RCP8.5(고유입량) 등 다양한 기후변화 및 사회경제 시나리오를 반영한 일기생성모형(AWE-GEN)을 바탕으로 생성하고, 검증하였다. LSTM 모형을 통해 산정된 시나리오별 100개의 댐 유입량 앙상블은 다소 넓은 범위의 연간 유입량 분포를 보이므로, 본 연구에서는 댐별 자기유입량의 통계적 신뢰 구간을 고려하여 확률론적 최소, 평균, 최대 자기유입량에 해당하는 앙상블을 선정하였으며, 최종적으로 저수지 운영모의를 통해 발전용댐의 확률론적 용수공급능력 범위를 산정하였다. 본 연구에서 국내 한강수계에 위치한 여섯 곳의 발전용댐(화천댐, 춘천댐, 의암댐, 청평댐, 팔당댐, 괴산댐)을 대상으로 제안된 연구방법을 적용한 결과는 다음과 같이 요약할 수 있다.

1) 세 가지 SSP-RCP 시나리오별로 향후 2021~2040년(20년) 강우량 예측을 통해 각각 100개의 발전용댐별 유입량 앙상블을 생성한 결과, 확률론적 댐 유입량은 관측 유입량의 전반적인 규모 및 경향을 잘 반영하는 것으로 분석하였으며, 고탄소 시나리오에 해당할수록 댐 유입량은 점차 증가하는 경향을 나타냈다.

2) 정확한 발전용댐별 용수공급능력 산정을 위해 과거 34년(1987~2020년)의 연간 관측유입량 대비 자기유입량 비율을 기준으로 확률론적 유입량에서 확률론적 자기유입량을 분리하였으며, 자기유입량 분포의 통계적 신뢰 구간을 분석하여 확률론적 최소, 평균, 최대 연간 자기유입량을 선정한 결과, 여섯 개 발전용댐별로(화천댐, 춘천댐, 의암댐, 청평댐, 팔당댐, 괴산댐) 각각 [1,207.6~2,779.1], [503.2~1,085.1], [227.1~405.2], [1,644.8~2,889.8], [3,359.6~ 6,400.6], [514.6~847.4] 백만 m3/yr의 범위를 갖는 것으로 나타났다.

3) 선정된 확률론적 최소, 평균, 최대 자기유입량 자료를 이용하여 각 발전용댐 저수지 운영모의를 통해 용수공급능력을 산정한 결과, 발전용댐별로(화천댐, 춘천댐, 의암댐, 청평댐, 팔당댐, 괴산댐) 각각 [621.3~1,734.5], [82.0~372.1], [31.5~132.5], [138.8~611.8], [1,487.1~1,824.5], [34.7~141.9] 백만 m3의 범위를 갖는 것으로 나타났다. 산정된 확률론적 용수공급능력은 과거 20년(2001~2020) 기간의 실측 유입량을 이용하여 산정된 용수공급능력 대비 높은 범위를 갖는 것으로 나타났으며, 이는 과거 20년의 유입량이 극심한 장기 가뭄(`14~`17)사례를 포함하는 등 전반적으로 낮았던 것으로 평가할 수 있으며, 이는 발전용댐의 용수공급능력을 과소 추정하는 요인으로 작용하였다.

본 연구에서 발전용댐의 용수공급능력 범위를 산정하기 위해 활용된 확률론적 댐 유입량 자료는 기후 및 사회경제 변화 시나리오를 토대로 추정되었으며, 자기유입량을 산정하기 위해 자기유입량-관측유입량 비율을 적용하는 등 일부 가정사항을 토대로 수행되었다. 그러나, 기후변화 GCM 및 일기생성모형을 통해 미래 강우량을 추정하는 과정에서 다양한 검증을 수행하였으므로, 본 연구를 통해 산정된 발전용댐의 확률론적 용수공급능력은 충분한 신뢰도를 갖춘 것으로 판단된다. 향후 기후변화 시나리오 및 댐 유입량 예측모형이 개선된다면 용수공급능력 산정의 정확도는 더욱 개선될 것으로 기대하며, 금회 제시된 연구방법은 향후 다목적댐, 용수공급전용댐 등에도 적용이 가능할 것으로 판단된다.

Acknowledgements

본 연구는 1) 한국수력원자력㈜ 「발전용댐 이·치수 능력검토 및 수문학적 안정성 평가 용역」의 지원과 2) 환경부 「기후변화특성화대학원사업」의 지원으로 수행되었습니다. 이에 감사드립니다.

Conflicts of Interest

The authors declare no conflict of interest.

References

1
Chen, W.B., Liu, W.C., and Hsu, M.H. (2012). "Comparison of ANN approach with 2D and 3D hydrodynamic models for simulating estuary water stage." Advances in Engineering Software, Vol. 45, No. 1, pp. 69-79. 10.1016/j.advengsoft.2011.09.018
2
Choi, J., Jeong, G., Kang, D., Ahn, J., and Kim, T. (2021). "Classification of hydropower dam in North-han River based on water storage characteristics." Journal of Korea Water Resources Association, Vol. 54, No. 8, pp. 567-576. 10.3741/JKWRA.2021.54.8.567
3
Hochreiter, S., and Schmidhuber, J. (1997). "Long short-term memory." Neural Computation, Vol. 9, No. 8, pp. 1735-1780. 10.1162/neco.1997.9.8.17359377276
4
Ivanov, V.Y., Bras, R.L., and Curtis, D.C. (2007). "A weather generator for hydrological, ecological, and agricultural applications." Water Resources Research, Vol. 43, No. 10, W10406. 10.1029/2006WR005364
5
Luo, B., Fang, Y., Wang, H., and Zang, D. (2020). "Reservoir inflow prediction using a hybrid model based on deep learning." IOP Conference Series: Materials Science and Engineering, IOP Publishing, Shanghai, China, Vol. 715, No. 1, 012044. 10.1088/1757-899X/715/1/012044
6
Ministry of Construction and Traffic (MOCT) and K-water (1997). Reevaluation of existing dams (Han river basin).
7
Ministry of Construction and Traffic (MOCT) and K-water (2010). Reevaluation of existing dams and optimum allocation of the capacity.
8
Ministry of Construction and Traffic (MOCT) and K-water (2011). The national river basin investigation 2011.
9
Ministry of Land, Infrastructure and Transport (MOLIT) and K-water (2016). Efficient utilization of existing water resources.
10
Tran, Q.K., and Song, S.K., (2017). "Water level forecasting based on deep learning: A use case of Trinity River-Texas-The United States." Journal of Korean Institute of Information Scientists and Engineers, Vol. 44, No. 6, pp. 607-612. 10.5626/JOK.2017.44.6.607
11
Tran, T.D., Tran, V.N., and Kim, J. (2021). "Improving the accuracy of dam inflow predictions using a long short-term memory network coupled with wavelet transform and predictor selection." Mathematics, Vol. 9, No. 5, 551. 10.3390/math9050551
12
US. Army Corps of Engineers (USACE) (2021). HEC-ResSim: Reservoir system simulation user's manual version 3.3. US Army Corps of Engineers Institute for Water Resources Hydrologic Engineering Center (HEC). CPD-82, Davis, CA, U.S.
13
Yeo, W.K, Seo, Y.M, Lee, S.Y, and Jee, H.K (2010) "Study on water stage prediction using hybrid model of artificial neural network and genetic algorithm." Journal of Korea Water Resources Association, Vol. 43, No. 8, pp. 721-731. 10.3741/JKWRA.2010.43.8.721
14
Zhang, Z., Zhu, Y., Zhang, X., Ye, M., and Yang, J. (2018). "Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural area." Journal of Hydrology, Vol. 561, pp. 918-929. 10.1016/j.jhydrol.2018.04.065
페이지 상단으로 이동하기