KR20190065015A - 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 - Google Patents

하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 Download PDF

Info

Publication number
KR20190065015A
KR20190065015A KR1020170164424A KR20170164424A KR20190065015A KR 20190065015 A KR20190065015 A KR 20190065015A KR 1020170164424 A KR1020170164424 A KR 1020170164424A KR 20170164424 A KR20170164424 A KR 20170164424A KR 20190065015 A KR20190065015 A KR 20190065015A
Authority
KR
South Korea
Prior art keywords
water level
flood
point
measured
predicted
Prior art date
Application number
KR1020170164424A
Other languages
English (en)
Other versions
KR102009574B1 (ko
Inventor
이도훈
최윤호
이희교
최태원
강태민
노요환
황현숙
서영원
Original Assignee
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020170164424A priority Critical patent/KR102009574B1/ko
Publication of KR20190065015A publication Critical patent/KR20190065015A/ko
Application granted granted Critical
Publication of KR102009574B1 publication Critical patent/KR102009574B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Atmospheric Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Environmental Sciences (AREA)
  • Strategic Management (AREA)
  • Ecology (AREA)
  • General Business, Economics & Management (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템이 개시된다. 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 방법은, 하천에 대한 수위예측이 요청되면, 상기 하천에 대해 설정된 예측지점과 연관되는 복수의 측정지점을 식별하는 단계와, 상기 각 측정지점에서 선정된 주기로 측정되는 강수량을 데이터베이스로부터 리드하는 단계와, 상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하는 단계, 및 상기 예측한 수위를, 고객 단말에 제공하는 단계를 포함한다.

Description

하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템{SUPPORT METHOD FOR RESPONDING TO STREAM DISASTER, AND SUPPORT SYSTEM FOR RESPONDING TO STREAM DISASTER}
본 발명은 강수량을 이용한 하천의 수위 예측을 통한 홍수 재난 대응 지원 기술에 관한 것으로, 예측개시시점으로부터 일정시간 전에 측정된 강수량을 분석하여 예측개시시점으로부터 일정시간 후의 하천의 수위를 예측하고, 해당 하천에서 홍수나 범람과 같은 재해의 발생 위험을 알람 함으로써, 관리자의 신속한 대응을 지원하기 위한 하천에서의 홍수범람 대응 관리 방법 및 홍수범람 대응 관리 시스템에 관한 것이다.
장마와 같이 단시간에 많은 비가 내리게 되면, 내린 비가 모이는 지점에서는 홍수나 범람과 같은 재해가 발생하기 쉬우며, 특히 지형적인 특성으로 인해 홍수나 범람이 발생되는 지역이 거의 정해져 있어, 피해가 매년 반복되는 경우가 있다.
이로 인한 피해를 방지하기 위해, 기상정보를 활용해 홍수나 범람과 같은 재해발생의 위험을 판단하기 위한 기준을 마련하기 위한 다양한 연구가 이루어지고 있다.
하지만, 기존의 연구는 광범위한 기상정보 중에서 재해발생과 밀접하게 관련된 데이터를 선별적으로 활용하지 못하고 있어, 기상 정보에 따른 재해발생의 경향을 정확히 예측하는데 한계를 가질 수 있다.
또한, 재해발생에 영향을 주는 요인이 다양하기 때문에, 임의의 지역에 대해 재해발생을 판단할 수 있었더라도 그 기준을 반복적으로 적용하기 어렵고, 또한 그 기준을 다른 지역에 적용하는 것도 어려울 수 있다. 다시 말해, 종래에는 특정 지역을 위한 정확한 재해발생 판단 모델이 부재한 실정이다.
이에 따라, 강수량과 하천 수위의 측정치를 근거로 하천의 수위변화에 따른 홍수나 범람의 발생 여부를 정확하게 예상해 대비할 수 있도록 지원하기 위한 기술이 요구되고 있다.
본 발명의 실시예는 하천의 수위를 예측하려는 예측지점으로부터 이격된 복수의 지점에서 일정 주기로 측정된 강수량과 각 측정시점의 수위(실시간 수위변화량)을 분석하여, 수위예측의 요청시점(예측개시시점)으로부터 일정시간 후의 수위를 예측하고, 예측한 수위에 기초해 홍수범람과 같은 재난의 발생 위험도를 판단하여 단말에 알람 함으로써, 관리자의 신속한 대응을 지원하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 머신러닝 기법의 하나인 선형회귀(Linear Regression) 기법을 이용한 수위 예측 모델을 통해, 예측지점에서 이격된 복수 지점에서 일정시간 전(예, '10분 전')에 측정된 강수량을 활용하여 상기 예측지점에서의 하천의 예상수위를 정확하게 예측해 단말에 안내하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 머신러닝 기법의 하나인 신경망(Neural Network) 기법을 이용한 홍수범람 예측 모델을 통해, 예측지점에서 이격된 복수 지점에서 일정시간 전(예, '10분 전', '20분 전')에 측정된 강수량을 활용하여 상기 예측지점에서의 하천의 홍수범람의 발생 위험도를 정확히 예상해 단말에 미리 알람하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 방법은, 하천에 대한 수위예측이 요청되면, 상기 하천에 대해 설정된 예측지점과 연관되는 복수의 측정지점을 식별하는 단계와, 상기 각 측정지점에서 선정된 주기로 측정되는 강수량을 데이터베이스로부터 리드하는 단계와, 상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하는 단계, 및 상기 예측한 수위를, 고객 단말에 제공하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템은, 하천에 대한 수위예측이 요청되면, 상기 하천에 대해 설정된 예측지점과 연관되는 복수의 측정지점을 식별하는 식별부와, 상기 각 측정지점에서 선정된 주기로 측정되는 강수량을 데이터베이스로부터 리드하는 리드부와, 상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하는 예측부, 및 상기 예측한 수위를, 고객 단말에 제공하는 제공부를 포함한다.
본 발명의 일실시예에 따르면, 하천의 수위를 예측하려는 예측지점으로부터 이격된 복수의 지점에서 일정 주기로 측정된 강수량과 각 측정시점의 수위(실시간 수위변화량)을 분석하여, 수위예측의 요청시점(예측개시시점)으로부터 일정시간 후의 수위를 예측하고, 예측한 수위에 기초해 홍수범람과 같은 재난의 발생 위험도를 판단하여 단말에 알람 함으로써, 관리자의 신속한 대응을 지원할 수 있다.
또한, 본 발명의 일실시예에 따르면, 머신러닝 기법의 하나인 선형회귀 기법을 이용한 수위 예측 모델을 통해, 예측지점에서 이격된 복수 지점에서 일정시간 전(예, '10분 전')에 측정된 강수량을 활용하여 상기 예측지점에서의 하천의 예상수위를 정확하게 예측해 단말에 안내할 수 있다.
또한, 본 발명의 일실시예에 따르면, 머신러닝 기법의 하나인 신경망 기법을 이용한 홍수범람 예측 모델을 통해, 예측지점에서 이격된 복수 지점에서 일정시간 전(예, '10분 전', '20분 전')에 측정된 강수량을 활용하여 상기 예측지점에서의 하천의 홍수범람의 발생 위험도를 정확히 예상해 단말에 미리 알람할 수 있다.
또한, 본 발명의 일실시예에 따르면, 예측지점과 복수 지점과의 이격 거리, 또는 복수 지점에서 측정된 강수량으로 인해 예측지점의 수위가 변화되는데 걸리는 시간(예, '10분')을 고려하여, 복수 지점에서 측정된 강수량 중에서, 하천의 수위 예측과 홍수범람의 발생 위험도 예측 시 분석에 활용할 강수량을 선택 함으로써, 하천의 수위와 홍수범람의 발생 위험도를 보다 정밀하게 예측할 수 있다.
또한, 본 발명의 일실시예에 따르면, 예측지점과 복수 지점과의 이격 거리, 또는 복수 지점에서 측정된 강수량이 예측지점의 수위 변화에 반영되는데 걸리는 시간(예, '10분')을 고려하여, 하천의 수위와 홍수범람의 발생 위험도를 확인하기 위한 시점(예측개시시점으로부터 경과시점)을 선택 함으로써, 하천의 수위와 홍수범람의 발생 위험도를 보다 정확하게 예상해 적시에 알람할 수 있다.
또한, 본 발명의 일실시예에 따르면, 과거 측정된 강수량을 기반으로 한 수위예측 시뮬레이션을 통해, 실제 측정수위와 가장 유사하게 수위가 예측될 때 선택한 강수량의 측정시점을 찾아, 해당 하천에서 수위예측 시 분석에 선택할 강수량을 결정할 수 있도록 하여, 수위와 홍수범람의 발생 위험도를 보다 정확하게 예측할 수 있다.
또한, 본 발명의 일실시예에 따르면, 하천의 수위와 홍수범람의 발생 위험도를 예측 시, 하천의 상류지점에 위치한 복수 지점에서 실제로 측정한 강수량을 기반으로 분석하여 예측의 정확성을 높이고, 측정된 강수량 중에서, 홍수범람의 재난 발생을 가장 정확하게 판단할 수 있는 시점의 강수량을 선별적으로 분석해 수위와 재해의 발생 위험을 정확히 예상할 수 있다.
또한, 본 발명의 일실시예에 따르면, 복수 측정지점에서 일정시간 간격으로 측정한 강수량과 그 시점의 하천의 수위를 측정한 수위데이터를 이용하여, 학습 모델링을 통해 해당 하천의 수위 예측 모델을 생성하고, 수위 예측 모델을 통해 예측되는 n분('10분') 뒤 하천의 수위를 근거로 하천의 홍수 재난 발생에 관한 위험도를 판단해 경고 알림 함으로써, 홍수범람으로 인한 인적, 물적 피해를 줄일 수 있다.
또한, 본 발명의 일실시예에 따르면, 다른 지역의 하천의 경우에도 지역 상황에 맞게 예측지점과 복수의 측정지점 및 분석에 사용할 강수량의 측정시점 등을 수정하여, 수위 및 홍수나 범람과 같은 재난을 예상할 수 있고, 홍수나 범람 뿐만 아니라, 유효한 입력 데이터를 추출이 가능한 경우 눈사태 또는 태풍과 같은 다양한 재난의 예측에도 적용될 수 있다.
도 1은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템과, 데이터 서버 및 학습 시스템 간의 전체적인 연결 관계를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템의 내부 구성을 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 설정된 예측지점에서 수위예측을 위해 강수량을 측정하는 복수의 측정지점을 나타낸 도면이다.
도 4는 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 강수량을 이용해 하천의 수위를 예측하는 과정을 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 강수량을 이용해 하천에서 홍수범람이 발생할 위험도를 판단하는 과정을 나타낸 도면이다.
도 6은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 하천의 수위예측 시뮬레이션 기능을 제공하는 인터페이스의 일례이다.
도 7은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 과거의 수위데이터 조회 기능을 제공하는 인터페이스의 일례이다.
도 8은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 방법의 순서를 도시한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일실시예에 따른 응용프로그램 업데이트 장치 및 방법에 대해 상세히 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템과, 데이터 서버 및 학습 시스템 간의 전체적인 연결 관계를 도시한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템(100)은, 데이터 서버(110) 및 학습 시스템(120)과 연동하여, 하천의 수위예측이 요청되면, 복수의 측정지점에서 예측개시시점(요청된 시점)으로부터 일정시간 전에 측정된 강수량을 분석하여, 예측개시시점으로부터 일정시간이 경과한 시점의 하천의 수위를 예측하고, 해당 하천에서 홍수범람과 같은 재난 발생의 위험도를 판단해 단말에 제공, 알람할 수 있다.
데이터 서버(110)는 하천의 수위를 예측하려는 예측지점에서 이격된 하천 상류의 복수의 지점 각각에서 n분 간격으로 측정되는 강수량을, 상기 강수량의 매 측정시점에 상기 예측지점에서 측정된 수위와 연관시켜 저장할 수 있다.
일례로, 데이터 서버(110)는 수위측정 센서로 예측지점 C('세병교')에서의 수위와, 강수량측정 센서로 측정지점 A('신천교') 및 측정지점 B('부산대')에서의 강수량을 예컨대 10분 간격으로 측정해 저장할 수 있다.
학습 시스템(120)은, 데이터 서버(110)에 저장된 강수량 및 수위의 측정결과를, 선형회귀 기법에 따라 학습 모델링하여, 강수량에 따른 수위 예측 모델을 생성할 수 있다.
일례로, 학습 시스템(120)은, 측정지점 A 및 B에서 측정된 강수량과 예측지점 C의 측정수위로 구성되는 다수의 데이터를 데이터 서버(110)로부터 로딩하여, 머신러닝 기법의 하나인 선형회귀 기법에 따라 분석 함으로써, 측정지점 A 및 B에서 n분 전(예, '10분 전')에 측정된 강수량 및 예측지점 C에서의 측정수위를 입력 시, 예측지점 C에서 n분 후, 2n분 후, 3n분 후(예, '10분 후', '20분 후', '30분 후')에 예상되는 수위를 출력하는 제1 수위 예측 모델 또는 수위변화량을 출력하는 제2 수위 예측 모델을 생성할 수 있다.
또한, 학습 시스템(120)은, 데이터 서버(110)에 저장된 강수량 및 수위의 측정결과를, 선형회귀 기법에 따라 학습 모델링하여, 강수량에 따른 수위 예측 모델을 생성할 수 있다.
홍수범람 대응 관리 시스템(100)은 수위 예측 모델을 통해 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 하천의 수위를 예측할 수 있다.
예를 들어, 홍수범람 대응 관리 시스템(100)은, 측정지점 A 및 B에서 수위예측의 요청시점(예측개시시점)에 측정된 제1 강수량과, 예측개시시점으로부터 10분 전에 측정된 제2 강수량, 및 예측지점 C에서 측정된 수위를 데이터 서버(110)로부터 로딩하여, 상기 제1 수위 예측 모델에 입력하면, 상기 제1 수위 예측 모델로부터 출력되는, 상기 예측개시시점으로부터 10분 후, 20분 후, 30분 후의 예측수위를 고객 단말에 안내할 수 있다.
홍수범람 대응 관리 시스템(100)은, 예측한 수위에 기초하여 하천에서 홍수범람이 발생할 가능성에 대한 위험도를 판단해 고객 단말에 알람할 수 있다.
일례로, 홍수범람 대응 관리 시스템(100)은, 홍수범람 예측 모델을 통해 상기 일정시간이 경과한 시점에 하천에서 홍수범람이 발생할 위험도를 판단할 수 있다.
이를 위해, 학습 시스템(120)은, 데이터 서버(110)에 저장된 강수량 및 수위의 측정결과를, 신경망 기법에 따라 학습 모델링하여, 강수량에 따른 홍수범람 예측 모델을 생성할 수 있다. 여기서, 신경망 기법의 일례로, 백프로퍼게이션(Backpropagation, 역전파)을 예시할 수 있다.
구체적으로, 학습 시스템(120)은, 측정지점 A 및 B에서 측정된 강수량과 예측지점 C의 측정수위로 구성되는 다수의 데이터를 데이터 서버(110)로부터 로딩하여, 머신러닝 기법의 하나인 인공망 기법에 따라 분석 함으로써, 측정지점 A에서 n분 전(예, '10분 전'), 2n분 전에 측정된 강수량과, 측정지점 B에서 n분 전에 측정된 강수량 및 예측지점 C에서의 측정수위를 입력 시, 예측지점 C에서 n분 후, 2n분 후, 3n분 후에 예상되는 홍수범람의 발생 위험도('위험', '경고', '안전')를 출력하는 홍수범람 예측 모델을 생성할 수 있다.
예를 들어, 홍수범람 대응 관리 시스템(100)은, 측정지점 A 및 B에서 수위예측의 요청시점(예측개시시점)에 측정된 제1 강수량과, 예측개시시점으로부터 10분 전에 측정된 제2 강수량, 측정지점 A에서 제2 강수량 직전 주기에 측정된 제3 강수량, 및 예측지점 C에서 측정된 수위를 데이터 서버(110)로부터 로딩하여, 상기 홍수범람 예측 모델에 입력하면, 상기 홍수범람 예측 모델로부터 출력되는, 상기 예측개시시점으로부터 10분 후, 20분 후, 30분 후의 홍수범람 발생 위험도를 고객 단말에 안내할 수 있다.
이와 같이, 홍수범람 대응 관리 시스템(100)은, 하천의 측정지점 A, B 및 예측지점 C에 특화되어 수위를 예측하고 홍수범람의 발생을 예측하는 학습 모델을 마련하고, 이를 통해 수위를 정확히 예측해 재난 발생의 위험도를 판단하여, 관리자의 신속한 대응을 지원하고 홍수범람으로 인한 인적, 물적 피해를 줄일 수 있다.
도 2는 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템의 내부 구성을 도시한 블록도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템(200)은, 식별부(210), 리드부(220), 예측부(230) 및 제공부(240)를 포함하여 구성할 수 있다. 또한, 실시예에 따라, 홍수범람 대응 관리 시스템(200)은, 측정부(미도시), 데이터베이스(250), 생성부(260) 및 판단부(270)를 각각 추가하여 구성할 수 있다.
식별부(210)는 하천에 대한 수위예측이 요청되면, 하천에 대해 설정된 예측지점과 연관되는 복수의 측정지점을 식별한다. 여기서, 예측지점은 하천의 수위를 예측하려는 지점이고, 측정지점은 강수량을 측정하는 지점을 지칭할 수 있다.
식별부(210)는 강수량으로 인해 하천의 수위가 변화되는 것을 이용하여 예측지점에서의 일정시간 후의 수위를 예측하기 위해, 하천을 기준으로 상기 예측지점으로부터 상류 지역에 위치하는 이격된 복수의 지점을, 강수량을 측정하는 측정지점으로 식별할 수 있다.
예를 들어, 도 3을 참조하면, 식별부(210)는 하천의 C 지점('세병교')(302)에서 10분 후의 수위예측이 요청되면, C 지점 보다 상류 지역에 위치한 지점 중에서 C 지점으로부터 일정 거리(예, 1km) 이상 이격된 A 지점('신천교')(303)과 B 지점('부산대')(304)을, 복수의 측정지점으로 식별할 수 있다. 이때, 식별부(210)는 일정 거리(예, 1km) 이상 서로 이격되며 한 지점이 다른 지점 보다 상류에 위치하도록 복수의 측정지점을 식별할 수 있다.
실시예에 따라, 식별부(210)는 하천에 대한 수위예측이 요청될 경우 제공부(240)를 통해, 선택 가능한 측정지점을 마킹한 지도를 포함하여 인터페이스를 고객 단말에 제공하고, 상기 인터페이스에서의 선택에 따라 복수의 측정지점을 식별할 수 있다.
예를 들어, 도 6을 참조하면, 제공부(240)는 하천에 대한 수위예측 요청에 따라 GUI 프로그램의 실행화면(600) 상의 지도(610)에서 예측지점 C가 설정되면, 예측지점 C와 관련하여 선택 가능한 측정지점을 지도(610)에 마킹하여 표시할 수 있으며, 식별부(210)는 지도(610)에 마킹된 측정지점 중에서 고객 단말에 의해 선택되는 복수의 측정지점 A, C를 식별할 수 있다.
이를 통해, 홍수범람 대응 관리 시스템(200)은 고객 단말이 하천 수위에 영향을 미칠 것으로 추측한 측정지점에서의 강수량을 이용한 수위 예측 결과를 제공할 수 있다. 또한, 홍수범람 대응 관리 시스템(200)은 측정지점을 변경하면서 수위 예측 결과를 비교하여, 수위가 가장 정확하게 예측되는 측정지점을, 이후의 수위예측 시 디폴트로 설정해 활용하도록 할 수도 있다.
리드부(220)는 각 측정지점에서 선정된 주기(예, 'n분')로 측정되는 강수량을 데이터베이스(250)로부터 리드한다.
실시예에 따라, 홍수범람 대응 관리 시스템(200)은 측정부(미도시) 및 데이터베이스(250)를 더 포함하여 구성할 수 있다.
측정부(미도시)는 강수량측정 센서를 통해 각 측정지점에서 선정된 주기(예, '10분 간격')로 측정한 강수량과, 수위측정 센서를 통해 강수량의 매 측정시점에 예측지점에서 측정한 측정수위와 연관시켜 데이터베이스(250)에 저장할 수 있다.
예를 들어, 도 3을 참조하면, 측정부(미도시)는 측정지점 A('신천교')와 측정지점 B('부산대')에서의 강수량 및 예측지점 C('세병교')에서의 수위를 예컨대 10분 간격으로 측정한 측정결과를 데이터베이스(250)에 저장할 수 있다.
리드부(220)는 수위예측의 요청시점(예측개시시점)을 기준으로 n분(상기 n은 자연수) 간격으로 측정된 강수량을 데이터베이스(250)로부터 리드할 수 있다. 이 경우, 리드부(220)는 데이터베이스(250) 내의 n분 간격으로 측정된 강수량을 모두 리드하여 선형회귀 분석에 활용할 수 있다.
또한, 리드부(220)는 하천의 수위와 홍수범람의 발생 위험도를 보다 정확하게 예측할 수 있도록, 복수 지점에서 n분 간격으로 측정된 강수량 중에서, 예측지점과 복수 지점과의 이격 거리, 또는 복수 지점에서 측정된 강수량으로 인해 예측지점의 수위가 변화되는데 걸리는 시간을 고려하여, 분석에 활용할 강수량을 선택할 수도 있다.
일례로, 리드부(220)는 복수 지점에서 n분 간격으로 측정된 강수량 중에서, 상기 요청시점으로부터 n분 전에 측정된 강수량을 선택해 분석에 활용할 수 있다.
즉, 리드부(220)는 상기 요청시점에 측정되는 제1 강수량과, 상기 요청시점으로부터 상기 주기 전(n분 전)에 측정된 제2 강수량을 포함한 강수량데이터를, 상기 강수량데이터와 동시점에 측정되는 상기 측정수위와 함께 리드할 수 있다.
예를 들어, 리드부(220)는 '오전 6시 20분'에 수위예측이 요청될 경우, '10분' 간격으로 측정된 강수량 중에서 '오전 6시 10분, 20분'에 측정된 강수량과 측정수위를 데이터베이스(250)로부터 리드할 수 있다.
또한, 리드부(220)는 상기 요청시점에 측정되는 제1 강수량과, 상기 요청시점으로부터 상기 주기 전(n분 전)에 측정된 제2 강수량 및 상기 제2 강수량으로부터 상기 주기 전에 측정된 제3 강수량을 포함한 강수량데이터를, 상기 강수량데이터와 동시점에 측정되는 상기 측정수위와 함께 리드할 수도 있다.
예를 들어, 리드부(220)는 '오전 6시 20분'에 수위예측이 요청될 경우, '10분' 간격으로 측정된 강수량 중에서 '오전 6시, 6시 10분 및 20분'에 측정된 강수량과 측정수위를 데이터베이스(250)로부터 리드할 수 있다.
실시예에 따라, 후술하는 예측부(230)는 과거 측정된 강수량을 기반으로 한 수위예측 시뮬레이션을 통해, 실제 측정수위와 가장 유사하게 수위가 예측될 때 선택한 강수량의 측정시점(예, '10분 전')을 찾을 수 있다. 이후 해당 하천에서 수위예측이 요청될 경우, 리드부(220)는 상기 요청시점으로부터 상기 측정시점('10분 전')에 해당하는 강수량을 리드하여, 수위 예측과 홍수범람의 발생 위험도 판단 시 활용되도록 할 수도 있다.
예측부(230)는 상기 강수량과, 예측지점에서 측정되는 측정수위를 이용하여, 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측한다.
여기서, 상기 일정시간은 수위예측의 요청시점을 기준으로 디폴트로 설정된 시간(예, '30분')일 수도 있고, 고객 단말에 의해 설정되는 시간(예, '1시간')일 수도 있다.
또한, 예측부(230)는 예측지점과 복수 지점과의 이격 거리, 또는 복수 지점에서 측정된 강수량이 예측지점의 수위 변화에 반영되는데 걸리는 시간을 고려하여, 강수량으로 인한 수위변화가 가장 잘 나타날 것으로 판단되는 시간을, 상기 일정시간으로 설정할 수도 있다.
일례로, 리드부(220)에 의해, 상기 요청시점을 기준으로 n분(상기 n은 자연수) 간격으로 측정된 강수량이 데이터베이스(250)로부터 리드되는 경우, 예측부(230)는 상기 요청시점으로부터 n분 전에 측정된 강수량을 이용하여, 상기 요청시점으로부터 n분, 2n분 및 3n분 중 적어도 하나의 시간이 경과한 시점의 수위를 예측할 수 있다.
예를 들어, 예측부(230)는 각 측정지점에서 10분 간격으로 측정된 강수량 중에서 상기 요청시점으로부터 10분 전에 측정된 강수량을 선택해 분석할 경우, 상기 강수량으로 인해 예측지점에서 수위변화가 가장 잘 나타날 것으로 판단되는 10분 후, 20분 후 또는 30분 후의 수위를 단계적으로 예측할 수 있으며, 이를 통해 수위 변화의 추이도 함께 파악 가능하게 할 수 있다.
실시예에 따라, 예측부(230)는 과거 측정된 강수량을 기반으로 한 수위예측 시뮬레이션을 통해, 해당 하천에서 실제 측정수위와 가장 유사하게 수위가 예측되는 경과시점(예, '10분 후')을 찾을 수 있다. 이후, 해당 하천에 대한 수위예측이 요청될 경우, 예측부(230)는 상기 요청시점으로부터 상기 경과시점(예, '10분 후')에 해당하는 수위를 예측할 수도 있다.
이를 통해, 홍수범람 대응 관리 시스템(200)은 수위를 예측하려는 예측지점과 복수의 측정지점과의 이격 거리를 고려해 강수량으로 인한 수위변화가 가장 잘 나타나는 최적의 시점의 수위를 예측 함으로써, 예측한 수위를 통해 홍수범람의 발생 위험도를 더 정확하게 예상하여 적시에 알람할 수 있다.
실시예에 따라, 식별부(210)에 의해, 복수의 측정지점 중 적어도 하나가, 예측지점으로부터의 이격 거리가 m배(상기 m은 2 이상의 자연수) 큰 제1 측정지점으로 변경되어 식별되는 경우, 예측부(230)는 n분 간격으로 측정된 강수량 중에서, 상기 요청시점으로부터, 상기 m배 늘어난 mn분 전에 측정된 강수량을 이용하여, 상기 시점(n분 후)의 수위를 예측할 수 있다.
즉, 예측부(230)는 변경된 제1 측정지점과 예측지점 사이의 이격 거리가, 변경 이전의 측정지점과 예측지점 사이의 이격 거리보다 큰 경우, 변경된 제1 측정지점에서 n분 간격으로 측정된 강수량 중, 상기 이격 거리의 증가율 만큼 증가시킨 mn분 전에 측정된 강수량을 이용해 분석 함으로써, 복수의 측정지점과 예측지점 사이의 거리가 멀어지더라도 정확하게 수위를 예측할 수 있다.
예를 들어, 예측부(230)는 강수량을 측정하는 측정지점이, 예측지점으로부터 이격 거리가 3배인 제1 측정지점으로 변경된 경우, 늘어난 거리 만큼 시간 간격을 늘려, 예측개시시점으로부터 30분 전에 측정된 강수량을 이용하여, 예측지점에서 10분 후에 예상되는 수위를 예측할 수 있다.
일례로, 리드부(220)는 상기 각 측정지점에서, 상기 요청시점에 측정되는 제1 강수량 및 상기 요청시점으로부터 상기 주기 전(n분 전)에 측정된 제2 강수량을 포함한 강수량데이터를, 데이터베이스(250)로부터 리드하고, 예측부(230)는 상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 선형회귀(Linear Regression) 기법에 따라 분석하여, 상기 시점에서의 수위 또는 수위변화량을 예측할 수 있다.
예를 들어, 예측부(230)는 각 측정지점에서 10분 간격으로 측정된 강수량과 예측지점에서의 측정수위가 데이터베이스(250)에 저장된 경우, 각 측정지점에서 예측개시시점('오전 6시 20분')에 측정된 제1 강수량과, 예측개시시점으로부터 10분 전('오전 6시 10분')에 측정된 제2 강수량 및 그 시점의 측정수위를 머신러닝 기법의 하나인 선형회귀 기법에 따라 분석하여, 예측개시시점으로부터 10분 후('오전 6시 30분')의 수위(또는 수위변화량)를 예측할 수 있다.
실시예에 따라, 홍수범람 대응 관리 시스템(200)은 생성부(260)를 더 포함할 수 있다.
생성부(260)는 상기 강수량과, 상기 예측지점에서 측정되는 측정수위를, 선형회귀 기법에 따라 학습 모델링하여 수위 예측 모델을 생성한다.
일례로, 생성부(260)는 데이터베이스(250) 내의 측정지점 A 및 B에서 n분 간격으로 측정된 강수량과 예측지점 C의 측정수위로 구성되는 다수의 측정결과를, 선형회귀 기법에 따라 분석하여 수위 예측 모델을 생성할 수 있으며, 데이터베이스(250)에 저장된 측정결과 중에서, 예측지점 C에서의 수위변화량이 기준치(예컨대 '0.2' m) 이상으로서 급격한 상승이나 하강을 나타낼 때 측정된 강수량을 제외 함으로써, 학습의 정확성을 높일 수 있다.
여기서, 상기 제1 및 제2 수위 예측 모델은, 측정지점 A 및 B에서 수위예측 요청시점(현재시간)과 n분 전(예, '10분 전')에 측정된 강수량 및 예측지점 C에서의 측정수위가 입력되면, 예측지점 C에서 n분 후, 2n분 후, 3n분 후(예, '10분 후', '20분 후', '30분 후')에 예상되는 수위 또는 수위변화량을 출력할 수 있다.
예측부(230)는 상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 상기 수위 예측 모델에 입력하고, 상기 수위 예측 모델로부터 출력되는 출력값을, 상기 시점에서의 수위 또는 수위 변화량으로 예측할 수 있다.
생성부(260)는 수위 및 강수량의 측정결과를 선형회귀 기법에 의해 분석하여 현재시간의 수위와 강수량데이터를 입력으로 하여 30분 뒤의 수위를 예측하는 수위 예측 모델
Figure pat00001
를 생성할 수 있다. 이때, 생성부(260)는 수위 및 강수량의 측정결과 중 수위가 예컨대 0.2m 이상 급작스럽게 상승하거나 하강하는 등의 비정상적인 측정결과를 학습의 정확성을 위해 삭제할 수 있다.
구체적으로, 생성부(260)는 일반적인 선형회귀 모델을, 주어진 데이터 집합
Figure pat00002
에 대해 종속변수 yi와 p개의 설명변수 xi 사이의 관계를 아래와 같이 모델링할 수 있다.
Figure pat00003
생성부(260)는 xi 대신 입력 벡터
Figure pat00004
를 이용하고 수위 또는 수위의 증가량 등을 yi 로 대체하여 계산할 수 있으며, 입력 벡터
Figure pat00005
는 아래와 같이 수위정보를 함께 고려할 수 있다.
Figure pat00006
이때, Lc는 목표지점의 수위이고,
Figure pat00007
는 t 시간 이전의 지역 i의 강수량을 의미할 수 있다. 생성부(260)는 통계적 분석으로 예측의 정확성을 비교하여 가장 효율성이 높은 수위 예측 모델을 생성할 수 있다.
생성부(260)는 강수량과 수위의 선형성을 고려해 데이터(측정결과)를 학습하여 수위 예측 모델을 생성할 수 있다. 생성부(260)는 일반적으로 선형회귀에서 많이 사용되는 최소제곱법을 사용한 Loss Function과, Gradient Descent 방식에 따라 입력 데이터에 대한 가중치를 조절하며 Loss Function 값을 최소화시켜 데이터를 학습을 진행할 수 있다. 즉, 생성부(260)는 Loss Function을 최소화시키는 가중치를 추출하여 수위 예측 모델을 작성할 수 있다.
또한, 생성부(260)는 수위와 강수량 이외에도, 물의 유속, 증발량, 방출량, 풍향과 풍속 등의 환경적 변수를 고려하여 수위 예측 모델의 정확성을 보다 높일 수 있다.
제공부(240)는 상기 예측한 수위를, 고객 단말(관리자 단말)에 제공한다.
예를 들어, 도 6을 참조하면, 예측부(230)는 수위예측이 요청되는 현재시간('오전 6시 20분')과, 현재시간으로부터 10분 전에 각 측정지점 A, B에서 측정된 강수량 및 예측지점 C에서 측정된 수위를 선형회귀 기법에 따라 분석하여 현재시간으로부터 10분 후('오전 6시 30분')의 수위를 예측할 수 있으며, 제공부(240)는 예측한 수위와, 위 예측 시 사용된 각 측정지점의 강수량을 그래프 형태로 시각화 하여 고객 단말에 제공할 수 있다. 이때, 제공부(240)는 현재시간으로부터 20분 후, 30분 후의 수위를 더 예측해 그래프로 표시하여, 강수량에 따라 예상되는 예측수위의 추이를 관리자가 인지할 수 있게 할 수 있다.
실시예에 따라, 홍수범람 대응 관리 시스템(200)은 판단부(270)를 더 포함할 수 있다.
판단부(270)는 예측한 수위에 따라, 일정시간이 경과한 시점에 하천에서 홍수범람의 발생 가능성에 대한 위험도를 판단한다.
제공부(240)는 예측한 수위를 안내 시, 상기 위험도를 단계 별로 고객 단말에 알람할 수 있다.
일례로, 판단부(270)는 상기 위험도를 판단하기 위해 마련한 선정된 기준에서 상기 예측수위가 속하는 등급에 따라, 상기 위험도를, 위험, 경고 및 안전 중 적어도 하나로 판단하고, 제공부(240)는 상기 예측수위가 위험 수위에 해당하는 경우, 홍수범람의 발생 가능성 높음을 알리는 알람 메시지를 상기 고객 단말에 전송하거나, 또는 상기 예측수위가 경고 수위에 해당하는 경우, 홍수범람의 발생 가능성 있음을 알리는 알람 메시지를 고객 단말에 전송할 수 있다.
다른 일례로, 리드부(220)는 각 측정지점에서, 상기 요청시점에 측정되는 제1 강수량과, 상기 요청시점으로부터 상기 주기 전에 측정된 제2 강수량, 및 상기 제2 강수량의 측정시점으로부터 상기 주기 전에 측정된 제3 강수량을 포함한 강수량데이터를, 데이터베이스(250)로부터 리드하고, 판단부(270)는 상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 신경망(Neural Network) 기법에 따라 분석하여, 상기 위험도를 판단할 수 있다. 여기서, 신경망은 백프로퍼게이션(Backpropagation)을 예시할 수 있다.
예를 들어, 판단부(270)는 각 측정지점에서 10분 간격으로 측정된 강수량과 예측지점에서의 측정수위가 데이터베이스(250)에 저장된 경우, 각 측정지점에서 예측개시시점('오전 6시 20분')에 측정된 제1 강수량과, 예측개시시점으로부터 10분 전('오전 6시 10분')에 측정된 제2 강수량, 및 상기 제2 강수량의 측정시점으로부터 10분 전(즉, '오전 6시')에 측정된 제3 강수량, 및 그 시점의 측정수위를 머신러닝 기법의 하나인 인공망 기법에 따라 분석하여, 예측개시시점으로부터 10분 후('오전 6시 30분')에 하천에서 홍수 또는 범람이 발생할 위험도('경고')를 예측할 수 있다.
실시예에 따라, 생성부(260)는 상기 강수량과, 상기 예측지점에서 측정되는 측정수위를, 인공망 기법에 따라 학습 모델링하여 홍수범람 예측 모델을 생성할 수 있다.
일례로, 생성부(260)는 데이터베이스(250) 내의 측정지점 A 및 B에서 n분 간격으로 측정된 강수량과 예측지점 C의 측정수위로 구성되는 다수의 측정결과를, 신경망 기법에 따라 분석하여 홍수범람 예측 모델을 생성할 수 있으며, 데이터베이스(250)에 저장된 측정결과 중에서, 예측지점 C에서의 수위변화량이 기준치(예컨대 '0.2' m) 이상으로서 급격한 상승이나 하강을 나타낼 때 측정된 강수량을 제외 함으로써, 학습의 정확성을 높일 수 있다.
여기서, 상기 제1 및 제2 홍수범람 예측 모델은, 측정지점 A 및 B에서 수위예측 요청시점(현재시간)과 n분 전(예, '10분 전')에 측정된 강수량, 측정지점 A에서 2n분 전(예, '20분 전')에 측정된 강수량 및 예측지점 C에서의 측정수위가 입력되면, 예측지점 C에서 n분 후, 2n분 후, 3n분 후(예, '10분 후', '20분 후', '30분 후')에 홍수범람이 발생할 위험도를 출력할 수 있다.
판단부(270)는 상기 강수량데이터(제1, 제2 및 제3 강수량) 및 상기 강수량데이터와 동시점에 측정되는 측정수위를, 홍수범람 예측 모델에 입력하고, 홍수범람 예측 모델로부터 출력되는 출력값을, 상기 일정시간이 경과한 시점에서의 재난발생 위험도로 판단할 수 있다.
이때, 판단부(270)는 수위 예측 모델에 입력되는 강수량데이터(제1 및 제2 강수량) 보다 하나 더 많은 제3 강수량을 홍수범람 예측 모델에 입력하여, 신경망 기법에 따라 분석해 위험도를 판단할 수 있다. 여기서, 제3 강수량은 상기 제2 강수량의 측정시점으로부터 n분('10분 전')에 측정된 강수량일 수 있다.
생성부(260)는 신경망을 활용하여 일정시간 이후의 측정결과를 학습해 홍수범람 예측 모델을 생성할 수 있다.
생성부(260)는 홍수범람 예측 모델 E를 수식 (1)과 같이 생성할 수 있다.
Figure pat00008
(1)
이 때, 입력값은 목표 지점의 수위(X1)와, 예측지점(목표)의 상류 5개 지역의 강수량(X2~ X5)이고, 출력값은 위험과 경고와 같은 위험도(Z1, Z2)을 의미할 수 있다.
생성부(260)는 입력값과 출력값을 바탕으로 신경망을 구축하여 학습모델로 활용할 수 있다. 수식 (2)와 같은 시그모이드 함수를 학습모델의 활성함수로 사용할 수 있다.
Figure pat00009
(2)
생성부(260)는 신경망의 하나인 역전파(Backpropagation)에 따라 수식 (3)과 같은 비용함수를 사용하여 측정결과를 학습할 수 있다.
Figure pat00010
(3)
생성부(260)는 입력값의 적합성 판별을 위해, 선형회귀의 적합한 정도를 판단하는 R-squared 방법을 사용할 수 있다.
생성부(260)는 보유한 데이터에서 R-squared 방법을 사용하여 30분 뒤에 수위에 영향을 미치는 실험 배경 장소의 수위와 상류지역 강수량을 입력 데이터(입력값)를 선정할 수 있으며, 예를 들어, 측정지점 A('신천교')의 실시간 강수량과 10분 전 강수량, 측정지점 A('부산대')의 실시간 강수량과 10분 전 강수량과 20분 전 강수량 및 수위의 예측지점 C('세병교')의 실시간 수위와 같은 6개의 입력값을 선정할 수 있다.
또한, 생성부(260)는 30분 후 수위가 위험 수위일 것을 판단하는 신경망과, 30분 후 수위가 경고 수위일 것을 판단하는 신경망을 포함해 2개의 출력값을 선정할 수 있다.
이때, 생성부(260)는 선형회귀 기법에 따라 예측한 상기 시점의 수위를 초기값으로 사용하여, 상기 홍수범람 예측 모델에 대한 레이어(히든 레이어)를 마련하고, 상기 레이어에, 상기 강수량 및 상기 예측지점에서 측정되는 측정수위를, 신경망 기법에 따라 학습시켜, 상기 홍수범람 예측 모델을 생성 함으로써, 홍수범람의 발생 위험을 판단하는 정확성을 높일 수 있다.
즉, 생성부(260)는 선형회귀 기법에 따른 분석 결과를 바탕으로 초기의 히든 레이어를 구성하고, 이를 역전파를 통해 학습하여 홍수범람 예측 모델을 생성할 수 있다.
구체적으로, 생성부(260)는 신경망(Neural Network) 기법을 활용하여 3가지 방식으로 홍수범람 예측 모델을 생성할 수 있다. 이때, 생성부(260)는 신경망 기법에 따라 홍수범람 예측 모델을 생성 시 activation function을 sigmoid curve로 통일하고, 학습을 위해 사용한 cost function(log 함수), hidden layer(2개), epoch 값(10,000번)을 통일할 수 있다.
우선, 생성부(260)는 초기의 히든 레이어(hidden layer)를 랜덤 값으로 생성 후 이를 학습하는 방식으로 홍수범람 예측 모델을 생성할 수 있다(방식 1).
또한, 생성부(260)는 초기의 히든 레이어를 선형회귀(Linear Regression) 기법에 따른 결과를 바탕으로 구성하고 이를 학습하지 않는 방식으로 홍수범람 예측 모델을 생성할 수도 있다(방식 2).
또한, 생성부(260)는 초기의 히든 레이어를 선형회귀 기법에 따른 결과를 바탕으로 구성하고 이를 학습하는 방식으로 홍수범람 예측 모델을 생성할 수도 있다(방식 3).
여기서, 방식 1의 경우 위험 혹은 경고 수위의 에러값이 높을 수 있으나, 이러한 에러값은 방식 2에서 감소할 수 있다. 또한, 방식 1과 방식 3을 비교해 보면 초기 레이어 구성이 학습 결과에 영향을 미치는 것을 알 수 있으며 이러한 현상은 학습에서 존재하는 학습이 끝난 지점(local cost minimum)이 달라서 발생한 것으로 초기 레이어에 따라 학습 결과가 다르게 나타나는 것을 확인할 수 있다.
또한, 학습을 진행하지 않는 방식 2와 학습을 진행하는 방식 3을 비교할 때, 학습에서의 과적합(overfitting) 현상으로 인해 학습을 진행한 모델의 정확성이 떨어지는 경우도 있지만 대체로 학습을 진행한 모델이 정확성이 더 높은 것을 알 수 있다.
결론적으로, 선형회귀 기법에 따른 분석 결과를 바탕으로 초기의 히든 레이어를 구성한 후 이를 역전파를 통해 학습하여 생성한 홍수범람 예측 모델의 정확성이 가장 높은 것을 알 수 있다.
실시예에 따라, 제공부(240)는 고객 단말(관리자 단말)로부터 수위예측 시뮬레이션 요청이 수신될 경우, 상기 예측지점과 연관된 측정지점에 대한 강수량을 입력하는 인터페이스를, 상기 측정지점의 위치를 마킹한 지도와 함께 제공할 수 있다.
예측부(230)는 상기 인터페이스를 통해 지정된 각 측정지점에 대한 강수량을 이용하여, 상기 시뮬레이션의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하고, 제공부(240)는 상기 예측한 수위를 상기 고객 단말에 제공 시, 상기 예측한 수위가 위험 수위 또는 경고 수위에 해당하는 경우, 위험도를 함께 알람할 수 있다.
예를 들어, 도 6을 참조하면, 제공부(240)는 고객 단말에서 실행되는 GUI 프로그램의 실행화면(600)에서 관리자에 의해 수위예측 시뮬레이션 메뉴가 선택되면 수위를 예측하려는 예측지점 C에 관해 선택 가능한 강수량 측정지점들의 위치를 마킹한 지도(610)를 표시할 수 있다.
제공부(240)는 지도(610)에서 관리자에 의해 두 개의 측정지점 A('세병교')와 측정지점 B('부산대')가 선택되면, 각 측정지점에서의 강수량을 입력 가능한 인터페이스(610)를 도 6에 도시한 것처럼 지도(610)와 연관시켜 표시할 수 있다.
제공부(240)는 관리자에 의해 입력된 검색시간('2017년 09월 11일 오전 6시 30분')이 도래할 경우, 인터페이스(610)에서 입력된 강수량(부산대: '24', 세병교: '0')에 따라 예측되는 수위(651)를, 실행화면(600)의 우측에 그래프(650) 형태로 표시할 수 있다.
이때, 제공부(240)는 인터페이스(610)에 입력된 각 측정지점의 강수량을 그래프(630, 640)로 함께 표시하여, 관리자가 직관적으로 강수량에 따른 수위(652)의 예측 결과를 확인할 수 있도록 지원할 수 있다.
예를 들어, 제공부(240)는 수위를 예측하려는 검색시간이 ('2017년 09월 11일 오전 6시 30분')으로 입력되면, 시뮬레이션이 요청된 현재시간('오전 6시 20분')으로부터 10분 뒤의 수위(651)가 어느 정도 되는지를, 각 측정지점에서의 강수량과 함께 그래프(630, 640, 650)로 표시할 수 있다.
또한, 제공부(240)는 인터페이스(610)에서 입력된 강수량이 변경되면, 변경된 강수량을 통해 예측되는 수위(652)를, 먼저 입력한 강수량(부산대: '24', 세병교: '0')으로 시뮬레이션한 수위(651)와 함께 비교가 되도록 누적해서 그래프로 시각화 할 수 있다.
또한, 제공부(240)는 예측한 수위(651)가 속하는 등급에 따라 판단되는 위험도를 실행화면(600)의 우측 상단에 함께 표시하여, 홍수범람의 발생을 경고 알람할 수 있다. 예를 들어, 판단부(270)는 예측한 수위(652)가 위험수위 등급에 해당하는 4.19m 이상이면 위험도를 '위험'으로 판단하고, 경고수위 등급에 해당하는 2.27m 이상 4.19m 미만이면 위험도를 '경고'로 판단하고, 정상수위 등급에 해당하는 2.27m 미만이면 위험도를 '정상'으로 판단할 수 있다.
제공부(240)는 예측한 수위(651)에 따라 위험도가 '경고'로 판단될 경우, 현재시간('오전 6시 20분')을 기준으로 표시된 위험도('정상')(660)를, '경고'로 전환할 수 있다.
이와 같이, 홍수범람 대응 관리 시스템(200)은 관리자로 설정된 고객 단말에서 실행되는 GUI 프로그램을 통해, 하천 주변의 강수량에 따른 하천의 수위와 홍수범람의 발생 위험도를 예측해 볼 수 있도록 시뮬레이션 기능을 제공하여 반복적인 시뮬레이션을 통해 하천 부근의 특정 측정지점에서 수집한 강수량을 이용한 해당 하천의 예측수위 및 위험도 분석의 정확성을 더욱 향상시킬 수 있다.
다른 실시예로, 상기 수위예측의 요청에 포함되는 예측시점이, 상기 요청시점 이전의 과거시점이면, 리드부(220)는 상기 예측시점에 측정된 상기 예측지점의 실제수위를, 데이터베이스(250)로부터 더 리드하고, 제공부(240)는 상기 예측한 수위를, 상기 실제수위와 비교한 그래프를, 고객 단말에 시각화 할 수 있다.
예를 들어, 도 7을 참조하면, 제공부(240)는 고객 단말에서 실행되는 GUI 프로그램의 실행화면(700)에서 관리자에 의해 입력된 수위를 예측하려는 검색시간이 과거의 특정시점('2017년 09월 11일 오전 6시 30분')(710)이면, 데이터베이스(250)로부터 리드된 각 측정지점 A, B에서의 강수량에 기초하여 예측한 수위(721)를 특정시점('2017년 09월 11일 오전 6시 30분')의 예측지점의 실제수위(722)와 비교한 그래프(720)를 표시할 수 있으며, 예측한 수위(721)에 따른 위험도(경고)(730)를 실행화면(700)의 우측 상단에 표시할 수 있다.
즉, 홍수범람 대응 관리 시스템(200)은 관리자로 설정된 고객 단말에게 GUI 프로그램을 통해 과거의 특정시점(검색시간)의 데이터 조회 기능을 제공하여, 예측수위와 실제수위와의 비교를 통해 관리자로 하여금 본 발명의 홍수범람 대응 관리 시스템(200)을 통한 예측수위에 대한 정확성을 직관적으로 가늠해 볼 수 있도록 할 수 있다.
따라서, 본 발명의 일실시예에 따르면, 하천의 수위를 예측하려는 예측지점으로부터 이격된 복수의 지점에서 일정 주기로 측정된 강수량과 각 측정시점의 수위(실시간 수위변화량)을 분석하여, 수위예측의 요청시점(예측개시시점)으로부터 일정시간 후의 수위를 예측하고, 예측한 수위에 기초해 홍수범람과 같은 재난의 발생 위험도를 판단하여 단말에 알람 함으로써, 관리자의 신속한 대응을 지원할 수 있다.
도 3은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 설정된 예측지점에서 수위예측을 위해 강수량을 측정하는 복수의 측정지점을 나타낸 도면이다.
도 3에 도시한 지도(300)를 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템은, 수위 예측이 요청되면, 예측지점으로부터 일정 거리(예, 1km) 이상 이격되는 복수의 강수량 측정지점을 식별하고, 각 측정지점에서 선정된 주기로 측정되는 강수량과, 예측지점에서의 실시간 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측할 수 있다.
이때 홍수범람 대응 관리 시스템은 각 측정지점 중 한 지점이 다른 지점 보다 상류에 위치하도록 식별할 수 있다.
구체적으로, 하천에서의 홍수범람 대응 관리 시스템은, 하천의 C 지점('세병교')(302)에서 10분 후의 수위예측이 요청되면, 예측지점 C 보다 하천의 상류에 위치하는 강수량 측정지점 중, 예측지점 C로부터 10.91km 이격된 A 지점('신천교')(303)과, 예측지점 C로부터 4.77km 이격된 B 지점('부산대')(304)을, 예측지점 C에 대한 강수량 측정지점으로 식별하고, 각 측정지점 A, B에서 10분 주기로 측정된 강수량과, 하천 하류의 예측지점 C에서 측정된 측정수위를 이용해, 수위예측이 요청된 현재시간으로부터 10분 뒤의 수위를 예측하고, 홍수범람의 위험도를 판단할 수 있다.
도 4는 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 강수량을 이용해 하천의 수위를 예측하는 과정을 나타낸 도면이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템은, 측정지점 A 및 B에서 n분('10분') 간격으로 측정된 강수량과 예측지점 C의 실시간 측정수위로 구성되는 측정결과를, 선형회귀 기법(410)에 따라 분석하여, 수위예측이 요청된 현재시간으로부터 일정시점이 경과한 예컨대 10분 뒤의 수위 또는 수위 변화량을 출력하는 수위 예측 모델을 생성할 수 있다.
이후, 하천에서의 홍수범람 대응 관리 시스템은, 선형회귀 기법(410)에 따라 생성한 수위 예측 모델로, 측정지점 A 및 B에서 현재시간으로부터 10분 전에 측정된 강수량과, 현재시간의 강수량 및 예측지점 C에서의 실시간 측정수위를 포함하는 5개의 데이터(420)를 입력하여, 예측지점 C에서 현재시간으로부터 10분 뒤의 수위변화량과 수위, 20분 뒤의 수위 및 30분 뒤의 수위 중 적어도 하나의 출력 데이터(430)를 획득할 수 있다.
도 5는 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 강수량을 이용해 하천에서 홍수범람이 발생할 위험도를 판단하는 과정을 나타낸 도면이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템은, 측정지점 A 및 B에서 n분('10분') 간격으로 측정된 강수량과 예측지점 C에서의 실시간 측정수위로 구성되는 측정결과를, 신경망 기법(510)에 따라 분석하여, 수위예측이 요청된 현재시간으로부터 일정시점이 경과한 예컨대 30분 뒤에 하천에서 홍수범람이 발생할 가능성에 대한 위험도를 출력하는 홍수범람 예측 모델을 생성할 수 있다.
이후, 하천에서의 홍수범람 대응 관리 시스템은, 신경망 기법(510)에 따라 생성한 홍수범람 예측 모델로, 측정지점 A에서 현재시간으로부터 20분 전에 측정된 강수량(521)과, 측정지점 A 및 B에서 현재시간으로부터 10분 전에 측정된 강수량과, 현재시간의 강수량 및 예측지점 C에서의 실시간 측정수위를 포함하는 6개의 데이터(520)를 입력하여, 상기 예측지점 C에서 현재시간으로부터 30분 뒤의 홍수범람 발생 위험도(530)('위험, 경고, 정상')를, 수위를 예측하는 과정을 거치지 않고도, 강수량의 입력 만으로 바로 획득할 수 있다.
또한, 하천에서의 홍수범람 대응 관리 시스템은, 상기 위험도를 출력 시 예측지점 C의 수위가 속하게 되는 등급(위험수위 또는 경고수위 등)을 함께 안내할 수도 있다.
도 6은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 하천의 수위예측 시뮬레이션 기능을 제공하는 인터페이스의 일례이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템은, 고객 단말에서 실행되는 GUI 프로그램의 실행화면(600)에서 관리자에 의해 수위예측 시뮬레이션 메뉴가 선택되면 수위를 예측하려는 예측지점 C에 관해 선택 가능한 강수량 측정지점들의 위치를 마킹한 지도(610)를 표시할 수 있다.
홍수범람 대응 관리 시스템은, 지도(610)에서 관리자에 의해 두 개의 측정지점 A('세병교')와 측정지점 B('부산대')가 선택되면, 각 측정지점에서의 강수량을 입력 가능한 인터페이스(610)를 지도(610)와 연관시켜 표시하고, 인터페이스(610)에서 입력된 강수량(부산대: '24', 세병교: '0')에 따라 관리자에 의해 입력된 검색시간('2017년 09월 11일 오전 6시 30분')이 도래할 경우 예측되는 수위(651)를, 실행화면(600)의 우측에 그래프(650) 형태로 표시할 수 있다.
홍수범람 대응 관리 시스템은, 수위를 예측하려는 검색시간이 ('2017년 09월 11일 오전 6시 30분')으로 입력되면, 시뮬레이션이 요청된 현재시간('오전 6시 20분')으로부터 10분 뒤의 수위(651)가 어느 정도 되는지를, 각 측정지점에서의 강수량과 함께 그래프(630, 640, 650)로 표시할 수 있다.
이때, 홍수범람 대응 관리 시스템은, 인터페이스(610)에서 입력된 강수량이 변경되면, 변경된 강수량을 통해 예측되는 수위(652)를, 먼저 입력한 강수량(부산대: '24', 세병교: '0')으로 시뮬레이션한 수위(651)와 함께 비교가 되도록 누적해서 그래프로 시각화 할 수 있다.
또한, 홍수범람 대응 관리 시스템은, 예측한 수위(651)에 따라 위험도가 '경고'로 판단될 경우, 현재시간('오전 6시 20분')을 기준으로 표시된 위험도('정상')(660)를 '경고'로 전환하여, 홍수범람의 발생 시 관리자가 신속하게 대처할 수 있도록 고객 단말에 알람할 수 있다.
이와 같이, 홍수범람 대응 관리 시스템은 관리자로 설정된 고객 단말에서 실행되는 GUI 프로그램을 통해, 하천 주변의 강수량에 따른 하천의 수위와 홍수범람의 발생 위험도를 예측해 볼 수 있도록 시뮬레이션 기능을 제공하여 반복적인 시뮬레이션을 통해 하천 부근의 특정 측정지점에서 수집한 강수량을 이용한 해당 하천의 예측수위 및 위험도 분석의 정확성을 더욱 향상시킬 수 있다.
도 7은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템에서, 과거의 수위데이터 조회 기능을 제공하는 인터페이스의 일례이다.
도 7을 참조하면, 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 시스템은, 고객 단말에서 실행되는 GUI 프로그램의 실행화면(700)에서 검색시간(710)으로서 과거의 특정시점('2017년 09월 11일 오전 6시 30분')이 입력되면, 수위예측을 요청한 요청시점을, 검색시간(710)으로부터 일정시간 전, 예컨대 '10분' 전인 '오전 6시20분'으로 설정할 수 있다.
즉, 하천에서의 홍수범람 대응 관리 시스템은 현재시간을 '오전 6시20분'로 설정한 상태에서, 현재시간으로부터 10분 뒤에 예측되는 수위를 검색할 수 있다.
하천에서의 홍수범람 대응 관리 시스템은 상기 요청시점('오전 6시20분')으로부터 일정시간('10분') 전에 각 측정지점 A, B에서 측정된 강수량과, 상기 요청시점('오전 6시20분')에 측정된 강수량, 및 예측지점 C의 실시간 측정수위를 데이터베이스로부터 리드한 후 선형회귀 기법에 따른 수위 예측 모델을 통해 10분 뒤의 검색시간(710)이 도래했을 때의 수위(721)를 예측할 수 있다.
홍수범람 대응 관리 시스템은, 예측된 수위(721)를, 데이터베이스(250)로부터 리드한 검색시간(710)에서의 실제수위(722)와 비교하여 그래프(720) 형태로 표시하고, 예측한 수위(721)에 따른 위험도(경고)(730)를 실행화면(700)의 우측 상단에 표시할 수 있다.
이와 같이, 홍수범람 대응 관리 시스템은 관리자로 설정된 고객 단말에게 GUI 프로그램을 통해 과거의 특정시점(검색시간)의 데이터 조회 기능을 제공하여, 예측수위(721)와 실제수위(722)와의 비교를 통해 관리자로 하여금 본 발명의 홍수범람 대응 관리 시스템을 통한 예측수위에 대한 정확성을 직관적으로 가늠할 수 있도록 지원할 수 있다.
이하, 도 8에서는 본 발명의 실시예들에 따른 홍수범람 대응 관리 시스템(200)의 작업 흐름을 상세히 설명한다.
도 8은 본 발명의 일실시예에 따른 하천에서의 홍수범람 대응 관리 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 홍수범람 대응 관리 방법은, 상술한 홍수범람 대응 관리 시스템(200)에 의해 수행될 수 있다.
도 8을 참조하면, 단계(810)에서, 홍수범람 대응 관리 시스템(200)은, 하천에 대한 수위예측이 요청되는지 확인한다.
단계(810)에서 수위예측이 요청될 경우, 단계(820)에서, 홍수범람 대응 관리 시스템(200)은, 하천에 대해 설정된 예측지점과 연관되는 복수의 측정지점을 식별한다.
식별부(210)는 강수량으로 인해 하천의 수위가 변화되는 것을 이용하여 예측지점에서의 일정시간 후의 수위를 예측하기 위해, 하천을 기준으로 상기 예측지점으로부터 상류 지역에 위치하는 이격된 복수의 지점을, 강수량을 측정하는 측정지점으로 식별할 수 있다.
단계(830)에서, 홍수범람 대응 관리 시스템(200)은, 각 측정지점에서 선정된 주기(예, 'n분')로 측정되는 강수량을 데이터베이스로부터 리드한다.
일례로, 홍수범람 대응 관리 시스템(200)은 복수 지점에서 n분 간격으로 측정된 강수량 중에서, 상기 수위예측의 요청시점으로부터 n분 전에 측정된 강수량을 선택해 분석에 활용할 수 있다.
예를 들어, 홍수범람 대응 관리 시스템(200)은 '오전 6시 20분'에 수위예측이 요청될 경우, '10분' 간격으로 측정된 강수량 중에서, 요청시점('오전 6시 20분')으로부터 10분 전인 '오전 6시 10분'에 측정된 강수량과, 요청시점('오전 6시 20분')에 측정된 강수량 및 그 때의 측정수위를 데이터베이스로부터 리드할 수 있다.
즉, 홍수범람 대응 관리 시스템(200)은 예측지점과 복수 지점과의 이격 거리, 또는 복수 지점에서 측정된 강수량으로 인해 예측지점의 수위가 변화되는데 걸리는 시간을 고려하여, 복수 지점에서 n분 간격으로 측정된 강수량 중에서, 일정시간 전에 측정된 강수량을 선택해 분석에 활용하도록 함으로써, 하천의 수위와 홍수범람의 발생 위험도를 보다 정확하게 예측할 수 있도록 할 수 있다.
단계(840)에서, 홍수범람 대응 관리 시스템(200)은, 상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측한다.
일례로, 홍수범람 대응 관리 시스템(200)은 상기 요청시점을 기준으로 n분(상기 n은 자연수) 간격으로 측정된 강수량이 데이터베이스로부터 리드되는 경우, 상기 요청시점으로부터 n분 전에 측정된 강수량을 이용하여, 상기 요청시점으로부터 n분, 2n분 및 3n분 중 적어도 하나의 시간이 경과한 시점의 수위를 예측할 수 있다.
예를 들어, 홍수범람 대응 관리 시스템(200)은 각 측정지점에서 10분 간격으로 측정된 강수량 중에서 상기 요청시점으로부터 10분 전에 측정된 강수량을 선택해 분석할 경우, 상기 강수량으로 인해 예측지점에서 수위변화가 가장 잘 나타날 것으로 판단되는 10분 후, 20분 후 또는 30분 후의 수위를 단계적으로 예측할 수 있으며, 이를 통해 수위 변화의 추이도 함께 파악 가능하게 할 수 있다.
여기서, 상기 일정시간은 수위예측의 요청시점을 기준으로 디폴트로 설정된 시간(예, '30분')일 수도 있고, 고객 단말에 의해 설정되는 시간(예, '1시간')일 수도 있다.
단계(850)에서, 홍수범람 대응 관리 시스템(200)은, 예측한 수위에 따라, 하천에서 홍수범람의 발생 가능성에 대한 위험도를 단계 별로 고객 단말에 알람한다.
예를 들어, 홍수범람 대응 관리 시스템(200)은, 각 측정지점에서 10분 간격으로 측정된 강수량과 예측지점에서의 측정수위가 저장되는 데이터베이스로부터, 각 측정지점에서 예측개시시점('오전 6시 20분')에 측정된 제1 강수량과, 예측개시시점으로부터 10분 전('오전 6시 10분')에 측정된 제2 강수량, 및 상기 제2 강수량의 측정시점으로부터 10분 전(즉, '오전 6시')에 측정된 제3 강수량, 및 그 시점의 측정수위를 머신러닝 기법의 하나인 인공망 기법에 따라 분석하여, 예측개시시점으로부터 10분 후('오전 6시 30분')에 하천에서 홍수 또는 범람이 발생할 위험도('경고')를 예측할 수 있다.
이때, 홍수범람 대응 관리 시스템(200)은, 선형회귀 기법에 따라 예측한 수위를 홍수범람 예측 모델의 초기값으로 사용하고 이후 신경망 기법에 따라 강수량과 측정수위를 학습시킴으로써, 홍수범람 예측 모델을 통한 홍수범람의 발생 위험도 판단의 정확성을 더욱 향상시킬 수 있다.
이와 같이, 본 발명의 일실시예에 따르면, 하천의 수위를 예측하려는 예측지점으로부터 이격된 복수의 지점에서 일정 주기로 측정된 강수량과 각 측정시점의 수위(실시간 수위변화량)을 분석하여, 수위예측의 요청시점(예측개시시점)으로부터 일정시간 후의 수위를 예측하고, 예측한 수위에 기초해 홍수범람과 같은 재난의 발생 위험도를 판단하여 단말에 알람 함으로써, 관리자의 신속한 대응을 지원할 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
200: 홍수범람 대응 관리 시스템
210: 식별부 220: 리드부
230: 예측부 240: 제공부
250: 데이터베이스 260: 생성부
270: 판단부

Claims (11)

  1. 하천 내 설정되는 예측지점에서의 수위예측이 요청되면,
    상기 예측지점 보다 상기 하천의 상류이며, 상기 예측지점과 정해진 거리로 이격되는 복수의 측정지점을 식별하는 단계;
    상기 복수의 측정지점 각각에서 선정된 주기로 측정되는 강수량을 데이터베이스로부터 리드하는 단계; 및
    상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하는 단계를 포함하는 하천에서의 홍수범람 대응 관리 방법.
  2. 제1항에 있어서,
    상기 복수의 측정지점 각각에서, 상기 요청시점에 측정되는 제1 강수량 및 상기 요청시점으로부터 상기 주기 전에 측정된 제2 강수량을 포함한 강수량데이터를, 상기 데이터베이스로부터 리드하는 단계
    를 더 포함하고,
    상기 예측하는 단계는,
    상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 선형회귀(Linear Regression) 기법에 따라 분석하여, 상기 시점에서의 수위 또는 수위변화량을 예측하는 단계
    를 포함하는 하천에서의 홍수범람 대응 관리 방법.
  3. 제1항에 있어서,
    상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 선형회귀 기법에 따라 학습 모델링하여 수위 예측 모델을 생성하는 단계
    를 더 포함하고,
    상기 예측하는 단계는,
    상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 상기 수위 예측 모델에 입력하고, 상기 수위 예측 모델로부터 출력되는 출력값을, 상기 시점에서의 수위 또는 수위 변화량으로 예측하는 단계
    를 포함하는 하천에서의 홍수범람 대응 관리 방법.
  4. 제1항에 있어서,
    상기 예측하는 단계는,
    상기 요청시점으로부터 n분(상기 n은 자연수) 전에 측정된 강수량을 이용하여, 상기 요청시점으로부터 n분, 2n분 및 3n분 중 적어도 하나의 시간이 경과한 시점의 수위를 예측하는 단계
    를 포함하는 하천에서의 홍수범람 대응 관리 방법.
  5. 제4항에 있어서,
    상기 복수의 측정지점 중 적어도 하나가, 상기 예측지점으로부터의 이격 거리가 m배(상기 m은 2 이상의 자연수) 큰 제1 측정지점으로 변경되어 식별되는 경우,
    상기 예측하는 단계는,
    상기 n분 간격으로 측정된 강수량 중에서, 상기 요청시점으로부터, 상기 m배 늘어난 mn분 전에 측정된 강수량을 이용하여, 상기 시점의 수위를 예측하는 단계
    를 더 포함하는 하천에서의 홍수범람 대응 관리 방법.
  6. 제1항에 있어서,
    상기 예측한 수위에 따라, 상기 시점의 도래 시 상기 하천에서 홍수범람이 발생할 가능성에 대한 위험도를 판단하는 단계; 및
    상기 예측한 수위를 안내 시, 상기 위험도를 단계 별로 고객 단말에 알람하는 단계
    를 더 포함하는 하천에서의 홍수범람 대응 관리 방법.
  7. 제1항에 있어서,
    상기 각 측정지점에서, 상기 요청시점에 측정되는 제1 강수량과, 상기 요청시점으로부터 상기 주기 전에 측정된 제2 강수량, 및 상기 제2 강수량의 측정시점으로부터 상기 주기 전에 측정된 제3 강수량을 포함한 강수량데이터를, 상기 데이터베이스로부터 리드하는 단계; 및
    상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 신경망(Neural Network) 기법에 따라 분석하여, 위험도를 판단하는 단계
    를 더 포함하는 하천에서의 홍수범람 대응 관리 방법.
  8. 제1항에 있어서,
    상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 신경망 기법에 따라 학습 모델링하여 홍수범람 예측 모델을 생성하는 단계; 및
    상기 강수량데이터 및 상기 강수량데이터와 동시점에 측정되는 상기 측정수위를, 상기 홍수범람 예측 모델에 입력하고, 상기 홍수범람 예측 모델로부터 출력되는 출력값을 이용하여, 위험도를 판단하는 단계
    를 더 포함하는 하천에서의 홍수범람 대응 관리 방법.
  9. 제8항에 있어서,
    상기 홍수범람 예측 모델을 생성하는 단계는,
    선형회귀 기법에 따라 예측한 상기 시점의 수위를 초기값으로 사용하여, 상기 홍수범람 예측 모델에 대한 레이어를 마련하는 단계; 및
    상기 레이어에, 상기 강수량 및 상기 예측지점에서 측정되는 측정수위를, 신경망 기법에 따라 학습시켜, 상기 홍수범람 예측 모델을 생성하는 단계
    를 포함하는 하천에서의 홍수범람 대응 관리 방법.
  10. 제1항에 있어서,
    상기 예측한 수위를, 고객 단말에 제공하는 단계;
    상기 고객 단말로부터 수위예측 시뮬레이션 요청이 수신될 경우,
    상기 예측지점과 연관된 측정지점에 대한 강수량을 입력하는 인터페이스를, 상기 측정지점의 위치를 마킹한 지도와 함께 제공하는 단계;
    상기 인터페이스를 통해 입력된 각 측정지점에 대한 강수량을 이용하여, 상기 시뮬레이션의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하는 단계; 및
    상기 예측한 수위를 상기 고객 단말에 제공 시, 상기 예측한 수위가 위험 수위 또는 경고 수위에 해당하는 경우, 위험도를 함께 알람하는 단계
    를 더 포함하는 하천에서의 홍수범람 대응 관리 방법.
  11. 하천 내 설정되는 예측지점에서의 수위예측이 요청되면,
    상기 예측지점 보다 상기 하천의 상류이며, 상기 예측지점과 정해진 거리로 이격되는 복수의 측정지점을 식별하는 식별부;
    상기 복수의 측정지점 각각에서 선정된 주기로 측정되는 강수량을 데이터베이스로부터 리드하는 리드부; 및
    상기 강수량과, 상기 예측지점에서 측정되는 측정수위를 이용하여, 상기 수위예측의 요청시점으로부터 일정시간이 경과한 시점의 수위를 예측하는 예측부
    를 포함하는 하천에서의 홍수범람 대응 관리 시스템.
KR1020170164424A 2017-12-01 2017-12-01 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 KR102009574B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170164424A KR102009574B1 (ko) 2017-12-01 2017-12-01 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170164424A KR102009574B1 (ko) 2017-12-01 2017-12-01 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템

Publications (2)

Publication Number Publication Date
KR20190065015A true KR20190065015A (ko) 2019-06-11
KR102009574B1 KR102009574B1 (ko) 2019-08-09

Family

ID=66847081

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170164424A KR102009574B1 (ko) 2017-12-01 2017-12-01 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템

Country Status (1)

Country Link
KR (1) KR102009574B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428586A (zh) * 2019-07-08 2019-11-08 大连理工大学 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法
CN111369102A (zh) * 2020-02-04 2020-07-03 中国水利水电科学研究院 内涝风险点的提取方法及装置
KR20210019313A (ko) * 2019-08-12 2021-02-22 한국수자원공사 통합 알고리즘에 기반한 수재해 플랫폼 구축 방법
KR20210085782A (ko) * 2019-12-31 2021-07-08 (주)헤르메시스 홍수 정보 제공 장치, 및 방법
KR20220096645A (ko) * 2020-12-31 2022-07-07 위디비 주식회사 딥러닝 기반의 물관리 의사결정 지원정보 제공 방법 및 시스템
KR102457909B1 (ko) * 2022-03-28 2022-10-25 주식회사 무한정보기술 재난재해 조기경보 통합관리 모니터링 시스템
KR102619596B1 (ko) * 2023-09-27 2023-12-29 (주) 다츠 침수 시 사전 대응에 필요한 시간을 확보할 수 있는 침수 위험 경고 시스템 및 이를 이용한 침수 위험 경고 방법
WO2024025210A1 (ko) * 2022-07-27 2024-02-01 배재대학교 산학협력단 홍수 수위 예측 모델 관리 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102308526B1 (ko) * 2021-05-03 2021-10-06 한국토코넷(주) 홍수 예측 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007023608A (ja) * 2005-07-15 2007-02-01 Yamatake Corp 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
KR20090016866A (ko) * 2007-08-13 2009-02-18 인하대학교 산학협력단 지아이에스를 이용한 홍수재해 예측시스템
JP2010237732A (ja) * 2009-03-30 2010-10-21 Kimigafuchigakuen Sojo Univ 降雨による河川氾濫予測情報を導出する端末及びプログラム
KR20110072225A (ko) * 2009-12-22 2011-06-29 한국지질자원연구원 유비쿼터스 홍수 예ㆍ경보 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007023608A (ja) * 2005-07-15 2007-02-01 Yamatake Corp 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
KR20090016866A (ko) * 2007-08-13 2009-02-18 인하대학교 산학협력단 지아이에스를 이용한 홍수재해 예측시스템
JP2010237732A (ja) * 2009-03-30 2010-10-21 Kimigafuchigakuen Sojo Univ 降雨による河川氾濫予測情報を導出する端末及びプログラム
KR20110072225A (ko) * 2009-12-22 2011-06-29 한국지질자원연구원 유비쿼터스 홍수 예ㆍ경보 시스템 및 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428586A (zh) * 2019-07-08 2019-11-08 大连理工大学 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法
CN110428586B (zh) * 2019-07-08 2021-01-05 大连理工大学 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法
KR20210019313A (ko) * 2019-08-12 2021-02-22 한국수자원공사 통합 알고리즘에 기반한 수재해 플랫폼 구축 방법
KR20210085782A (ko) * 2019-12-31 2021-07-08 (주)헤르메시스 홍수 정보 제공 장치, 및 방법
CN111369102A (zh) * 2020-02-04 2020-07-03 中国水利水电科学研究院 内涝风险点的提取方法及装置
CN111369102B (zh) * 2020-02-04 2021-01-19 中国水利水电科学研究院 内涝风险点的提取方法及装置
KR20220096645A (ko) * 2020-12-31 2022-07-07 위디비 주식회사 딥러닝 기반의 물관리 의사결정 지원정보 제공 방법 및 시스템
KR102457909B1 (ko) * 2022-03-28 2022-10-25 주식회사 무한정보기술 재난재해 조기경보 통합관리 모니터링 시스템
WO2024025210A1 (ko) * 2022-07-27 2024-02-01 배재대학교 산학협력단 홍수 수위 예측 모델 관리 시스템
KR102619596B1 (ko) * 2023-09-27 2023-12-29 (주) 다츠 침수 시 사전 대응에 필요한 시간을 확보할 수 있는 침수 위험 경고 시스템 및 이를 이용한 침수 위험 경고 방법

Also Published As

Publication number Publication date
KR102009574B1 (ko) 2019-08-09

Similar Documents

Publication Publication Date Title
KR102009574B1 (ko) 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템
US11238356B2 (en) Method of predicting streamflow data
Dong et al. Probabilistic modeling of cascading failure risk in interdependent channel and road networks in urban flooding
US11281203B2 (en) Method for detecting anomalies in a water distribution system
Lu et al. Vulnerability analysis of transportation network under scenarios of sea level rise
US20220057367A1 (en) Method for evaluating pipe condition
KR101761707B1 (ko) 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법
Ermagun et al. Using temporal detrending to observe the spatial correlation of traffic
JP2007063849A (ja) 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム
KR101191944B1 (ko) 이안류 경보 발생방법
CN109936470A (zh) 一种异常检测方法
CN116415481A (zh) 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质
Adnan et al. 5 hours flood prediction modeling using improved NNARX structure: case study Kuala Lumpur
JP6038011B2 (ja) ダム下流河川流量予測システム
Jones et al. Predicting link travel times from floating car data
Rizvi et al. Real-time incident detection and capacity estimation using loop detector data
JP4799300B2 (ja) 監視システム
Orozco et al. Smart disaster prediction application using flood risk analytics towards sustainable climate action
CN114338348A (zh) 一种智能告警方法、装置、设备及可读存储介质
Ruslan et al. 7 hours flood prediction modelling using NNARX structure: Case study Terengganu
JP2014006605A (ja) 警戒システム
WO2015039693A1 (en) Method and system for data quality assessment
JP5864753B2 (ja) 物理量推定システム及び物理量推定方法
JP2021033915A (ja) コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム
KR102517917B1 (ko) 딥러닝 기반의 물관리 의사결정 지원정보 제공 방법 및 시스템

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant