상태-공간 기반 입력 재구성을 활용한 기계학습 댐 유입량 단기 예측 모형 개발: 낙동강 유역 합천댐과 남강댐을 중심으로

• Published in: 대한토목학회논문집(국문), 45(4) pp. 469 - 481
• Main Authors: 이동민, 오랑치맥 솜야, 권현한
• Format: Journal Article
• Language: Korean
• Published: 대한토목학회 01.08.2025
• Subjects: 토목공학
• ISSN: 1015-6348; 2799-9629
• DOI: 10.12652/Ksce.2025.45.4.0469

본 연구는 기존 물리 기반 강우-유출 모형의 한계를 극복하고, 수문 시계열의 비선형성과 비정상성을 반영하기 위해 상태–공간 기반의 입력 자료를 재구성하여 기계학습 기반 댐 유입량 예측 모형을 개발하였다. 연구 대상은 낙동강 유역 내 합천댐과 남강댐이며, 주요 입력 변수는 유역 평균 강우량, 상류 수위, 댐 유입량이다. 지체 시간과 임베딩 차원은 AMI 및 FNN 기법을 통해 산정하였으며, LSTM과 SVM 모형을 각각 적용하여 1~6시간 선행 시간별 예측 성능을 비교하였다. 합천댐의 경우, SVM은 6시간 예측 시 상관계수 (CC) 0.887, RMSE 88.9 m3/s를 기록하며, LSTM (CC = 0.655, RMSE = 234.51 m3/s)보다 안정적인 성능을 보였다. 남강댐은 6시간 예측에서 SVM (CC = 0.887), LSTM (CC = 0.858)으로, 두 모형 간 성능 차이는 상대적으로 작았으나, SVM은 첨두 유입량에서 과소추정 경향이 뚜렷했다. 결과적으로, SVM은 평균 유입 예측에서 강점을, LSTM은 극한 유입량 반응에서 우수성을 보였다. 본 연구는 상태-공간 기반 입력 자료 최적화와 기계학습 기법의 결합을 통해 실용적인 단기 댐 유입량 예측 체계를 제시하였으며, 향후 기상예보 및 공간 자료의 통합을 통해 예측 정확도 향상이 기대된다. This study develops a machine learning-based inflow forecasting model by reconstructing input time series using a state-space embedding method that captures nonlinear and nonstationary behaviors. The target sites are the Hapcheon Dam and Namgang Dam in the Nakdong River Basin, with areal rainfall, upstream water level, and inflow data used as model inputs. The delay time and embedding dimension were determined using the Average Mutual Information (AMI) and False Nearest Neighbor (FNN) methods. Long Short-Term Memory (LSTM) and Support Vector Machine (SVM) models were applied to predict inflows with lead times ranging from 1 to 6 hours. For the Hapcheon Dam, the SVM model achieved a 6-hour lead time prediction with a correlation coefficient(CC) of 0.887 and an RMSE of 88.9 m3/s, significantly outperforming LSTM (CC = 0.655, RMSE = 234.51 m3/s). For the Namgang Dam, the 6-hour prediction showed a smaller performance difference between SVM (CC = 0.887) and LSTM (CC = 0.858), but SVM tended to underestimate peak inflows. These results show that SVM performs well under normal to moderate inflow conditions, while LSTM is more effective at capturing extreme peaks. This study presents a practical inflow forecasting framework by combining optimized input reconstruction with machine learning, and future improvements are anticipated through integrating weather forecasts and spatial data. KCI Citation Count: 0