Prediction of Water Storage Rate for Agricultural Reservoirs Using Univariate and Multivariate LSTM Models

단변량 및 다변량 LSTM을 이용한 농업용 저수지의 저수율 예측

Abstract

Out of the total 17,000 reservoirs in Korea, 13,600 small agricultural reservoirs do not have hydrological measurement facilities, making it difficult to predict water storage volume and appropriate operation. This paper examined univariate and multivariate long short-term memory (LSTM) modeling to predict the storage rate of agricultural reservoirs using remote sensing and artificial intelligence. The univariate LSTM model used only water storage rate as an explanatory variable, and the multivariate LSTM model added n-day accumulative precipitation and date of year (DOY) as explanatory variables. They were trained using eight years data (2013 to 2020) for Idong Reservoir, and the predictions of the daily water storage in 2021 were validated for accuracy assessment. The univariate showed the root-mean square error (RMSE) of 1.04%, 2.52%, and 4.18% for the one, three, and five-day predictions. The multivariate model showed the RMSE 0.98%, 1.95%, and 2.76% for the one, three, and five-day predictions. In addition to the time-series storage rate, DOY and daily and 5-day cumulative precipitation variables were more significant than others for the daily model, which means that the temporal range of the impacts of precipitation on the everyday water storage rate was approximately five days.

우리나라의 17,000여개의 저수지 중 13,600개소의 소규모 농업용 저수지에는 수문 계측 시설이 설치되지 않아서, 저수율 예측과 합리적인 저수지 운영이 쉽지 않다. 본 연구는 인공지능 기술을 이용하여 농업용 저수지의 저수율을 예측하는 것을 목적으로 하며, 단변량 long short-term memory (LSTM)에서 저수율 그 자체를 사용하는 것뿐만 아니라, 다변량 LSTM에서 강수 등의 기상변수와 시기 등의 계절변수를 추가하여 예측에 활용하였다. 이동저수지의 2013년부터 2020년까지 8년간 데이터로 모델을 학습시키고, 모델의 예측 결과를 2021년의 일일 저수율 데이터로 검증하였다. 단변량 LSTM은 1일 후 저수율을 root-mean square error (RMSE) 1.04%, 3일 후 2.52% 이내, 5일 후 4.18%의 오차로 예측하였으며, 다변량 LSTM은 1일 후 저수율을 RMSE 0.98%, 3일 후 1.95%, 5일 후 2.76%의 오차로 예측하여 더 좋은 성능을 보였다. 1일 후 저수율을 예측하는 다변량 모델의 경우, 시계열 저수율 이외에도 date of year (DOY)와 1일 및 5일 누적 강수량이 중요한 변수인 것으로 나타났는데, 이를 통해 볼 때 당일 저수율에 영향을 미치는 강수의 시간적 범위는 5일 정도인 것으로 사료된다.

1. 서론

우리나라에는 전국적으로 17,000여개의 저수지가 있다. 그 중 대형 저수지 3,400여곳은 한국농어촌공사가 관리하면서 저수지 유량을 모니터링하고 조정하고 있으며(Korea Rural Community Corporation, 2023), 장기 수문자료를 활용한 물수지 분석 연구 사례(Kim et al., 2012)에서 보듯이, 합리적인 저수지 운영 기반이 준비된 것으로 보인다. 그러나 13,600여곳의 소형 저수지 대부분은 체계적인 계측이 부재하고 저수량과 용수량 산출이 제대로 이루어지지 않고 있다(Won, 2021). 계측과 데이터가 부족한 소형 저수지는 합리적으로 운영되지 못할 수 있으며, 가뭄 시기의 농업용수 부족 및 장마 시기의 홍수 발생 등의 피해를 야기할 수도 있다. 그러므로, 저수지가 원활한 용수공급을 할 수 있도록 관리하기 위해서는 저수지로의 유입량, 용수 필요량, 그리고, 저수량, 또는, 저수율에 대한 정확한 예측이 필요하다(Kim et al., 2012).

유역 수문 및 데이터 모형 등을 통한 저수량 분석과 예측은 계측 체계가 없는 수많은 농업용 저수지에 대하여 좋은 방안이 될 수 있다. Ahn et al. (2004)은 농업용 저수지의 순별 저수율을 예측하기 위하여, 단변량 ARIMA 모형과 저수량, 강수량, 최고온도를 설명변수로 하는 자기회귀오차 모형(autoregressive error model)의 유용성을 제시하였다. Jang et al. (2012)은 강우-유출 모형을 이동저수지에 적용하여 2001년~2007년 기간의 수위를 상관 계수 0.73–0.98 수준의 좋은 정확도로 모의할 수 있었다. Seo et al. (2017)은 Artificial Neural Network (ANN) 등의 기계학습 모델을 저수지 수위예측에 적용하여 저수량, 증발량 등의 시계열 자료에 대한 필요성을 강조하였다. Lee et al. (2018)은 다수의 농업용 저수지에 대한 저수율과 기상 인자를 이용한 다중선형회귀분석으로 월 저수율을 예측하였다. Choi et al. (2021)은 미계측 소형 저수지의 유입량을 평가하기 위하여 탱크(Tank) 모형을 사용하였으며, 농경지 비율 등을 추가 적용함으로써 좋은 결과를 나타냈다. 농업용 저수지의 관리 관행을 저수지 모의 조작 모형에 적용하여 저수율 추정의 정확도가 더욱 높아진 연구도 있었다(Kang et al., 2019). 이러한 연구 사례에서 보듯이 저수율은 수문학적 모형만으로 해석되기 보다는 인간의 활동인 농지 사용, 저수지 관리 행위 등이 포함될 때 더욱 현실적이 됨을 알 수 있다.

또한 원격탐사가 직접 계측이 어려운 소형 저수지 연구의 주요한 방법으로 제시되어서, Lee et al. (2020)은 Sentinel-2 위성영상의 수면적을 산출하고 저수지의 수위-수표면적-내용적 관계를 통하여 저수율을 상관계수 0.9 이상 정확도로 추정할 수 있었다.더욱이 Choi et al. (2022)은 Sentinel-1 합성개구레이더 영상에 Automated Machine Learning (AutoML) 등의 머신러닝 기법을 적용함으로써 농업용 저수지의 수표면적을 0.9 이상 정확도로 산출하였다. 이렇게, 원격탐사와 인공지능 기술은 저수지를 위한 중요한 연구 방법론으로 자리매김을 하고 있다.

본 연구는 기상자료와 인공지능 기술을 이용하여 농업용 저수지의 시기에 따른 변동을 예측하는 기법을 개발하는 것을 목적으로 한다. 저수량 예측은 시계열 인공지능 모델인 long short term memory (LSTM) (Hochreiter 1997; Olah, 2023)로 1일에서 5일까지 단기 예측을 하되, 단변량 모델로 일간 저수율을 단순 예측할 뿐만 아니라, 기상요인 등을 설명변수로 추가한 다변량 모델도 구성하여 저수율 변동을 가능한 정확히 예측하고, 변동에 영향을 끼치는 요인을 확인하고자 한다.

2. 연구자료 및 방법

본 연구는 계측 데이터가 확보되어 있는 경기도의 이동저수지를 대상으로 한다(Fig. 1). 이동저수지의 저수율 데이터, 저수지 영역의 국지예보모델(Local Data Assimilation and Prediction System, LDAPS)의 실황장 기상 데이터(Korea Meteorological Administration, 2023a), 그리고 계절적 변동성과 농업활동과 관련된 시간 데이터 등으로 시계열 인공지능 모델을 학습시켜서 일단위의 저수율을 예측한다.

Fig. 1. The map (a) and image (b) of Idong Reservoir located between the longitude of 127.185E to 127.215E and the latitude of 37.105N to 37.145N in Gyeonggi-do, Korea. The water area is 3,426 ha, and the water volume is 20,906 m3 when it is fully charged. The catchment area is 9,300 ha, but the irrigation area is unknown.

2.1. 연구 대상 저수지

연구 대상 저수지는 경기도 용인시 처인구 이동읍에 있는 이동저수지로서 동경 127.185°–127.215° 범위, 북위 37.105°–37.145° 범위에 위치한다(Fig. 1). 이 저수지는 1972년에 준공된 농업용 저수지로 유역면적 9,300 ha, 만수면적 3,426 ha, 유효저수량 20,906 m³에 이르는 중형 저수지이다(Korea Rural Community Corporation, 2023). 이 저수지는 농어촌공사에서 관리하고 있으며, 그에 따라 체계적인 계측을 통한 저수량 데이터가 장기간 누적되어 있어서 저수율 예측 연구에 필요한 데이터가 확보될 수 있다.

2.2. 저수율 예측 시계열 인공지능 모델링

2.2.1. 인공지능 학습용 데이터셋 구성

인공지능모델링의타깃변수는일일저수율이며, 2013년부터 2021년까지의 관측자료(Korea Rural Community Corporation, 2023)를 수집하였다. 이를 예측하기 위한 입력 변수로서 저수지 수량에 영향을 미치는 기상변수는 기상청 국지예보모델(LDAPS) (Korea Meteorological Administration, 2023a)에서 강수량, 강설량, 눈 녹은 양, 표면온도, 기온, 기압, 습도, 최대풍속, 장파복사, 단파복사 10가지 항목을 추출하여 일집계 하였다.

농업용 저수지는 강수와 강물의 유입으로 저수율이 높아지고, 가뭄과 농업용수의 소비로 저수율이 낮아진다. 이렇게 기상요인과 농업활동이 저수율을 변동시키는 요인으로 가정하고, LDAPS 기상요인 강수량 등 10가지를 다변량 LSTM 모델의 설명변수로 정하였다. 강수량은 특히 중요한 요소이며(Yang et al., 2021), 강수량의 누적 기간에 따라 저수량 예측의 정확도가 달라질 수 있기 때문에(Ahn et al., 2007) 1일, 5일, 10일, 20일, 30일 누적 강수량을 함께 사용하였다. 또한, 저수율은 농업용수 사용량에 의해 감소할 수 있고, 특히 벼농사의 농업 활동 시기와 관련되므로(Kang et al., 2014), date of year (DOY)를 설명변수로 추가하였다(Table 1).

Table1. Data used to predict daily water storage rate at Idong Reservoir

^a) Rural Agricultural Water Resource Information System (Korea Rural Community Corporation, 2023)

^b) Korea Meteorological Administration (KMA, 2023a)

2.2.2. 단변량 시계열 인공지능 모델링

저수량을 예측하기 LSTM은 셀을 연속된 형태로 배치하여 시계열 모델을 구성하는데, 각 셀은 입력, 출력, 망각 게이트가 포함되어 있어서 입력 정보를 적합도에 따라 반영하여 셀의 상태를 결정하고, 그 상태 정보를 다음 셀로 전파하는 방식으로 시계열 모델링을 한다(Fig. 2). 단변량 LSTM 구현에는 Keras 라이브러리를 사용하였으며(Keras, 2023), 내일의 저수율을 예측하기 위하여 과거 며칠까지의 데이터를 사용할 것인지에 대한 반복 실험을 통해 n_steps = 10으로 설정하였다. 사용할 셀 개수 n_units = 30, 학습을 위한 묶음 데이터 개수 n_batch = 8, 전체 데이터에 대한 학습 횟수 n_epochs = 100 등의 파라미터를 최적화하여 설정하였다(Table 2). 이렇게 구성된 모델은 2013년부터 2020년까지 8년간의 저수율 데이터로 학습시켜서 2021년의 저수율을 예측함으로써 모델 결과를 평가하였다.

Table 2. Hyperparameter setting for a univariate LSTM to predict water storage rate

Fig. 2. Structure of LSTM model for water storage rate. (a) Inner structure of single LSTM cell. (b) Sequence of LSTM cells to predict time series.

2.2.3. 다변량 시계열 인공지능 모델링

저수율 예측을 위한 다변량 LSTM 모델에서 최적 입력변수 조합을 도출하기 위해 우선 Table 1의 모든 입력 변수를 이용한 초기 모델을 구동하여 변수 중요도를 도출하였다(Deotte, 2021). 그리고 변수 중요도가 현저히 낮은 변수들을 제외하고 N개의 핵심 변수들로 모델을 구성하여 다시 최적화를 수행하여 Table 3과 같이 하이퍼파라미터(hyperparameter)를 설정하고 2013년부터 2020년까지 8년간의 저수율 데이터로 학습하고, 2021년의 저수율을 예측하였다.

Table 3. Hyperparameter setting for a multivariate LSTM to predict water storage rate

3. 결과 및 토의

3.1. 저수율 데이터 분석

2013년부터 2021년의 9년간 이동저수지의 저수율은 평균 73.1%, 표준편차 19.2%였고, 저수율의 변동 특성을 보기 위해 오늘과 내일의 저수율 차이를 평균일간절대편차(mean of absolute daily difference, MADD)로 나타냈다(Table 4). 같은 방식으로 오늘과 2일후, 3일후, 4일 후, 5일후 저수율 차이도 계산하였다. 9년 데이터를 통해 볼 때, 단기간의 저수율 변동은 크지 않지만(MADD_5 = 2.45%) 연중 표준편차는 19.2%에 달하기 때문에 상당한 시계열 변동성이 있음을 알 수 있다.

Table 4. Yearly statistics of water storage rate from 2013 to 2021, Idong Reservoir

^a) standard deviation, ^b) mean of daily difference of waterstorage rate change for 1 day, ^c) 2 days, ^d) 3 days, ^e) 4 days, and ^f) 5 days,respectively.

3.2. 단변량 LSTM의 저수율 예측

2013년부터 2020년의 저수율 변동 데이터로 학습된 단변량 LSTM 모델로 2021년의 저수율을 예측하였다. 오늘까지의 저수율 데이터를 기반으로 내일의 저수율을 예측하는 1일 예측의 결과는 상관계수 0.998, mean absolute error (MAE) 0.697의 오차로 예측할 수 있음을 알 수 있었다(Fig. 3). 또한, 내일의 예측 결과까지 사용하여 모레의 저수율을 예측하면 상관계수 0.996, MAE 1.41을 보였고, 3일 후 예측은 상관계수 0.993, MAE 2.12, 5일 후 예측은 상관계수 0.987, MAE 3.687을 나타냈다(Table 5).

Table 5. Performance statistics of 1 to 5 daily prediction by univariate LSTM model

^a) mean bias error, ^b) mean absolute error, ^c) root mean square error, ^d) correlation coefficient.

Fig. 3. Result of univariate LSTM to predict daily water storage rate of Idong Reservoir in 2021 by training with 9 years data (2013 to 2020). (a) Time-series of 1 to 5 daily prediction. (b) Scatterplot of 1 to 5 daily prediction.

3.3. 다변량 LSTM의 저수율 예측

단변량 LSTM 모델은 저수율 값 그 자체만 사용할 뿐이고 저수율 변동 원인과 관련된 변수를 사용하지 않는다. 다변량 LSTM에서는 변수 중요도를 확인하여 중요도가 베이스라인(baseline)보다 높은 변수 N개를 추출하였다. 익일 예측의 경우 저수율에 부가하여, 1일 누적 강수량, 5일 누적 강수량, DOY를 입력 변수로 하여 모델을 구성하였고(Table 6), 2013년부터 2020년까지 8년 간의 데이터로 학습시켜서, 2021년도의 저수율을 예측하였다(Fig. 4). 1일 예측은 상관계수 0.998, MAE 0.544의 오차로 예측할 수 있었고, 3일 예측은 상관계수 0.992, MAE 1.321, 5일 예측은 상관계수 0.985, MAE 1.991를 나타냈다(Table 7). 다변량 LSTM은 복수의 유효한 설명변수가 투입되었기 때문에 향상된 정확도를 나타냈는데, 모델링 결과 변수의 중요도는 저수율 그 자체가 88.2%로 가장 높았고, DOY, 5일 누적강수량, 1일 누적 강수량은 모두 4% 내외로 비슷하게 나타났다. 이를 통해 해당일의 저수율에 영향을 미치는 강수량의 시간 범위는 약 5일이라는 것을 알 수 있었다. 또한 DOY가 중요한 변수 중의 하나라는 것은 농업활동의 시기, 즉 사람의 활동에 의해 농업용 저수지가 언제 얼마나 사용되는지가 저수율에 영향을 미친다는 사실이 데이터 상으로도 나타난 것이다(Table 6).

Fig. 4. Result of multivariate LSTM to predict daily water storage rate of Idong Reservoir in 2021 by training with 9 years data (2013 to 2020). (a) Time-series of 1 to 5 daily prediction. (b) Scatterplot of 1 to 5 daily prediction.

Table 6. Feature importance for the multivariate LSTM model to predict daily water storage rate

Table 7. Performance statistics of 1 to 5 daily prediction by multivariate LSTM model

^a) mean bias error, ^b) mean absolute error, ^c) root mean square error, ^d) correlation coefficient.

4. 결론

농업용 저수지의 저수율을 예측하기 위한 시계열 인공지능 모델인 LSTM으로 단변량과 다변량 모델링을 이동저수지를 대상으로 수행하였다. 단변량 LSTM은 1일 예측 0.7% 정도, 5일 예측 3.7% 정도의 오차를 보였다. 농업용 저수지에서는 기상요소와 농업활동시기의 영향을 받으므로, 이를 활용한 다변량 LSTM은 1일 예측 0.5% 정도, 5일 예측 2.0% 정도로 단변량 LSTM보다 개선된 정확도를 나타냈다. 변수 중요도 분석을 통해 해당일 저수율에 영향을 미치는 강수량은 시간적 범위가 5일 정도임을 알 수 있었고, 사람의 농업활동에 의해 농업용 저수지가 언제 얼마나 사용되는지가 중요함을 확인하였다.

추후의 연구를 통하여 저수지의 용수공급량 데이터 를 확보하여 본 모델링 결과와 비교할 수 있게 된다면, 용수공급의 영향을 계량화하고, 저수율 예측도 더욱 정확히 할 수 있을 것으로 사료된다. 또한, 위성영상으로 산출한 수표면적 변동 연구(Lee et al., 2020; Choi et al., 2022), 위성영상의 주성분 분석 결과와 댐 저수위와 상관성 연구(Yoon et al., 2018) 등 원격탐사 결과를 시계열 예측 모형의 인자로 추가하여 더욱 정확하고 장기간 저수율 예측을 가능하게 하는 연구의 수행이 필요하다.

한편, 기상청은 단기 3일, 중기 10일의 예보를 하고 있는데(Korea Meteorological Administration, 2023b), 저수율 예측기간을 길게 하기 위해서는 중기 예보의 활용을 날씨 예보의 정확도와 함께 고려하는 향후 연구가 필요할 것으로 보인다. 언제 저수지의 수문을 열고 얼마나 농업용수를 공급할 것인가를 결정하는 저수지 운영 계획을 수립함에 있어서 단기 및 중기 저수율 관리는 가장 중요한 사항중의 하나이다. 본 연구의 저수율 예측 인공지능 모델링 기술은 이러한 농업용 저수지 운영에 유용하게 활용될 수 있을 것으로 기대된다.