earticle

영어

The performance of LSTMs in analyzing rainfall-runoff dynamics has demonstrated better performance over the physically-based hydrological models. However, data quality remains crucial to further improve the performance of LSTM. In this study, we applied the Integration of Event Identification & Exponential Smoothing (EI & ES) methods to reduce the fluctuations in inflow estimation, which are typically calculated by the Simple Water Balance method. The preprocessed inflow data was then used to train a LSTM, demonstrating a noticeable improvement with 12 different inflow preprocessing cases in performance metrics such as NSE, RMSE, and MSE for hourly dam inflow prediction. This research presents not only new deep learning methods but also data-centric research that is critical to improving the performance of deep learning as an example of rainfall-runoff analysis.

한국어

최근 LSTM(Long Short-Term Memory)모델에 대한 연구는 강수-유출 분석에서의 성능은 기존 물리 기반 강우-유출 모델에 비해 더 우수한 성과를 보여주고 있습니다.. 그러나 데이터 품질관리는 LSTM과 같은 Data-Driven모델에서는 모델의 성능 향상을 위해 여전히 중요한 요소입니다. 본 연구에서는 기존 단순 물수지 분석법(Simple Water Balance method)으로 추정된 시간단위 유입량의 변동성을 감소시키기 위해 이벤트 식별(Event Identification) 및 지수 평활화(Exponential Smoothing) 방법(EI&ES)을 적용하여 데이터 전처리를 하였습니다. 이후 (1) 기존방법, (2) 이동평균, (3) EI&ES방법으로 12가지 Cases에 대해서 LSTM모델을 NSE(Nash-Sutcliffe Efficiency), RMSE(Root Mean Square Error), MSE(Mean Squared Error)와 같은 성능 지표로 평가한 결과, EI&ES방법이 높은 성능을 보임을 알 수 있었습니다. 본 연구는 새로운 딥러닝 방법뿐만 아니라, 딥러닝 성능을 향상시키는 데 중요한 데이터 중심 연구를 강수-유출 분석의 사례로 제시하고 있습니다.