우리나라를 포함한 전 세계적으로 기후변화로 인한 국지성호우 및 집중호우가 돌발적으로 발생하는 일이 빈번하게 일어나고 있다. 이러한 국지성 호우 및 돌발 홍수는 비교적 짧은 시간 안에 많은 강우를 내리기 때문에 큰 규모의 피해를 발생시킨다. 대부분의 대하천의 경우 강우-유출 모형과 같은 수치모형을 활용하여 홍수예경보가 이뤄진다. 이러한 모형은 수문학적 특성을 매개변수 화하여 해당 지역에 국한된 모형을 구성하게 된다. 하지만 해당 시점에 따른 매개변수 최적화는 이뤄지기 어려우며 이로 인한 모의결과는 정확성이 떨어지기도 한다. 그러나 최근 다양한 센서들이 설치가 이루어지며 빅데이터들이 생성되고 전산데이터를 처리하는 컴퓨팅이 발달함에 따라 인공신경망을 이용한 홍수 예측 연구가 활발히 이뤄지고 있다.

국외에서는 Elsafi (2014)은 최소한의 정보를 이용하여 물리적 모델보다 빠른 예측이 가능한 ANN 모델을 다양하게 구성하여 다양한 수위 관측소 조합을 이용하여 최적의 예측 모델을 구축하여 높은 정확도를 보였으며 물리적 모델 대체 가능성을 제시하였다. Bustami et al. (2006)이 말레이시아 일 수위를 순방향 인공신경망을 통해 예측한 연구를 수행하였다. 또한 Tsakiri et al. (2018)은 ANN과 MLR을 이용하여 홍수위 예측하는 연구를 진행하였다. Thirumalaiah and Deo (1998)은 3가지의 인공신경망 알고리즘을 활용하여 홍수기의 홍수예측 연구를 하여 인공신경망의 활용가능성을 확인하였으며 Chen et al. (2012)는 ANN을 활용하여 태국의 하천 수위를 예측하고 2D와 3D 유체동역한 모델과 결과를 비교하여 ANN의 효과성을 입증하였다. 홍수위를 예측하는 연구이외에 Aichouri et al. (2015)는 강우-유출의 물리적 거동을 학습하고 유속을 예측하는 연구를 진행하여 ANN의 효율성을 입증하였다. 더불어 국내에서는 Jung et al. (2018) 딥러닝 기반의 LSTM 모형을 이용하여 감조하천 수위를 예측하였으며 Lee et al. (2018)은 메콩강 유역에 대하여 인공신경망과 물리적 모형의 정확도를 비교하여 데이터기반의 모형 적용 가능성을 입증하였다. Yu et al. (2021)은 물리적 모형보다 입력 자료가 적어 빠른 시간안에 학습과 예측이 가능한 인공신경망 모델의 장점을 이용하여 3시간에서 6시간의 선행시간으로 금강 유역의 하천 수위를 예측하도록 최적의 모형을 구축한 연구를 진행하였다.

국내를 비롯한 국외에서 인공신경망을 기반으로 한 다양한 하천 수위예측 모델이 제시 되었으나 대부분의 대상유역은 대하천으로 국한되어있다. 대부분 대하천의 수위는 하폭이 크므로 시간별 변동성이 적고 물리적 모델에 적용 가능하도록 관련 수문데이터가 다양하다. 하지만 대하천이 아닌 중소하천의 경우 비교적 자료가 부족하고 리드타임의 부족으로 인하여 정확한 홍수 예⋅경보가 어려운 실정이다. 또한 중⋅소하천은 하도 폭이 좁아 국지성 호우 및 돌발홍수 발생 시 하천 수위가 급격하게 상승하여 많은 피해를 야기한다. 따라서 본 연구에서는 물리적 모델을 적용하기 위한 데이터 구축 및 예측 결과 도출에 소요되는 시간을 줄일 수 있도록 최소한의 데이터만으로 정확하고 신속한 예측이 가능한 인공신경망 모델을 활용하여 중⋅소하천에 대한 홍수위예측을 하고자 한다. 본 연구에서는 환경부에서 제공하는 하천 수위 및 강우량 정보를 활용하여 최적의 입력 자료를 구성하고 인공신경망 모델을 적용하여 문경시 영강의 수위를 예측 하고자 한다.

본 연구에서는 문경시에 위치한 두개의 수위관측소의 수위 데이터와 강우관측소 데이터를 활용하여 김용리 관측소의 수위를 예측하였다. 입력자료 전 기간의 70%를 모형의 학습 자료로 사용하였으며 20%를 검증자료로 사용하고 10%의 입력 데이터에 대한 예측을 진행하고 정확도를 평가하였다. Table 4는 영강에 위치한 김용리 수위관측소의 수위를 예측하고 각 데이터 세트에 따른 예측값과 실측값의 평균제곱근오차(RSME)와 Nash-Sutcliffe 효율성계수(NSE)와 피어슨 상관 계수(CC) 분석 결과를 나타낸다. 그 결과 두 개의 강우관측소 자료와 수위 관측소의 데이터를 모두 활용한 데이터 Case 10이 가장 높은 정확도를 보여주는 것을 확인하였다.

Figs. 5와 6은 Case 1에서 10까지 각각 데이터 세트의 예측 결과 값을 나타낸다. Case 1과 Case 4의 NSE 값을 비교하였을 때 김용리 관측소에서 비교적 가까운 불정동 관측소보다 갈마교 수위 데이터로 예측한 값이 수위의 증감 패턴을 가장 좋은 정확도를 보이는 것으로 확인하였다. 또한 갈마교 수위 데이터에 강우 데이터를 추가한 Case 2, Case 3의 경우 정확도가 상승하지만 불정동 수위 데이터에 강우 관측 데이터를 추가한 Case 4, Case 5의 경우 RMSE가 높아진다. 이는 단순히 데이터양의 증가가 정확도를 높이는데 기여하는 것이 아닌 데이터의 조합에 따라 보다 정확한 예측이 가능하다는 것을 보여준다. Case 4, Case 5과 Case 6의 그래프를 Fig. 5에서 비교하였을 때 모두 동일한 그래프 양상을 가진 것을 확인 할 수 있는데, 정확도는 낮아지지만 CC값이 일정하게 유지되는 것으로 보아 인공신경망 모델에서 하천 수위 데이터의 가중치가 가장 큰 것을 유추해볼 수 있다. 농암리 강우관측소의 자료를 제외한 Case 9와 모두 포함한 Case 10 데이터 세트가 서로 비슷한 NSE와 CC 값을 보였으나 Case 9가 Case 10 데이터 세트에 비해 실제 관측 값보다 작게 예측하여 RMSE가 크게 나온 것으로 판단된다. 또한 관심 수위인 2.9 m를 넘어가면 예측 값의 정확도가 떨어지는 것을 확인 할 수 있었으며 이는 관심 수위를 넘어가는 수위 데이터의 양이 적은 점과 모델의 활성 함수인 Relu 함수의 양극단 값을 포함하여 계산하는 특징 때문에 오차가 커지는 것으로 판단된다. 다만 Case 10 데이터 세트의 경우 관심 수위를 넘어서는 관측 값과 예측 값의 편차가 다른 데이터 케이스에 비해 적은 것을 확인할 수 있으며 해당 지역 수위 하천 예측을 위해서는 Case 10의 데이터 조합이 가장 효과적인 예측을 할 수 있음을 알 수 있었다.

본 연구에서는 문경시에 위치한 지류하천에 대하여 강우데이터와 하천 수위 데이터로 이루어진 입력 자료를 ANN 모형으로 학습시키고 하천 하류인 김용리 관측소의 수위를 예측하였다. 입력 데이터는 각 관측소의 도달시간을 고려한 총 10개의 조합의 데이터 세트를 구성하였다. 이에 포함된 수위 데이터는 갈마교, 불정동 관측소와 김용리 관측소의 10분 수위 데이터를 활용하였으며 강우자료는 농암리와 김용리 강우 관측소 데이터를 활용하였다. 입력 자료의 경우 70%를 학습에 사용하였으며 20%와 10%를 각각 검정과 평가에 사용하였다. 각 데이터 조합의 결과는 평균제곱근오차, Nash-Sutcliffe 효율성 분석과 피어슨 상관성을 분석하고 비교하였다. 그 결과 갈마교와 불정동 수위 데이터만을 이용하여 수위를 예측한 경우 RMSE, NSE와 CC는 각각 0.21 m, 0.66, 0.85와 0.27 m, 0.06, 0.73이 도출되었으며 이 두 가지 수위관측소의 수위를 모두 활용한 결과는 RMSE 0.31 m, NSE 0.6 그리고 CC는 0.86로 두 데이터 조합의 결과와 비슷한 오차를 보였다. 각 수위 관측소와 강우데이터를 함께 입력 자료를 구성한 경우 갈마교와 강우량의 조합이 불정동과 강우량 데이터의 조합보다 나은 정확도를 보였으며 강우 데이터를 제외한 경우보다 높은 정확도를 보여 데이터의 양보다 입력 데이터의 조합이 정확도에 미치는 영향을 더 큰 것을 알 수 있었다. 또한 불정동 하천수위 데이터와 불정동, 각 강우 관측소 데이터의 조합을 입력 자료로 활용하였을 경우의 그래프와 정확도를 비교하였을 때 그래프의 양상이 동일함을 확인 하였으며 하천 수위 데이터가 전체적인 수위 예측 패턴에 큰 영향을 미치는 것과 강우가 세밀한 수위 예측에 보다 관여하는 것을 알 수 있었다. 또한 모든 데이터를 활용하였을 때의 정확도가 가장 높은 것과 관심 수위를 넘어서는 수위의 예측 정확도가 높은 점을 통하여 김용리 관측소와 불정동 관측소, 두 개의 강우 관측소를 모두 조합한 입력데이터가 가장 효과적인 데이터 조합이라는 것을 확인하였다. 모델의 경량화와 정확도를 고려하였을 때 강우 발생 시 빠른 속도로 수위가 상승하는 중소하천 예측에 선행시간 이 확보가능하고 적은 자료로도 높은 정확도를 보이는 인공신경 모델을 적용 가능하다고 사료된다.