| 초록 |
□ 연구개요 ■ 인공지능 기반의 Deep Learning 기술은 학습하기 위해 방대한 양의 데이터를 요구함. 수문현상에 영향을 미치는 데이터의 양은 (급속도로 증가하고 있지만) 여전히 부족하거나 구축하기에 천문학적 비용이 소요됨 ■ 빅데이터와 상반된 개념으로 스몰데이터만을 이용하여 기존 물리기반 모형의 결과와 유사한 정도의 정확도를 확보할 수 있는 “메타모델링” 또는 “대체모델링” 학문분야가 대두되고 있음 ■ 지구 내부의 자연적 변화(내적 변동성)가 야기한 불확실성의 수문현상에 대한 전파관련 연구는 아직까지 미미한 실정임. 국내 기상관측지점들에 대하여 강우 내적변동성 지수를 결정하고 정량화하여 수문현상에 적용할 수 있는 연구가 필요함 □ 연구 목표대비 연구결과 ■ 머신러닝-메타모형을 개발하여 실시간 유출량(홍수량)을 예측할 수 있는 새로운 개념의 Modelling Framework를 개발하여, 관련 내용을 국제 저명 SCI 학술지인 Water Resoureces Research 논문집에 게제(연구 책임자가 교신저자로 참여하였음)하여 강조하였으며 연구개발의 우수성을 입증함 ■ 본 연구를 통하여 머신러닝-메타모형을 개발하면 기존 물리기반 모형을 효율적으로 대체할 수 있음을 증명하였으며, 계산속도가 매우 빠른 메타모형을 활용하면 반복적인 run이 필요한 Inference 문제에 효율적으로 대처가 가능함을 강조 ■ 메타모형(PCE)의 Polynomial degree 및 Experimental design 최적화 방안을 제시하고, 메타모형 이용한 민감도 분석 및 매개변수 Bayesian Inference 분석 수행 ■ 또한, 추계학적 일기생성기를 이용하여 생성된 앙상블 시계열에 대해 내적변동성을 정량화하고, 머신러닝-메타모형을 활용하여 유출에 대한 내적변동성 영향을 정량화하였음. 이는 기후변화와 기후변동성을 고려한 홍수유출 모의를 수행해야 함을 의미함 ■ 본 연구에서 개발된 머신러닝-메타모형 또한 자료기반의 모형이며, 따라서 모든 자료기반 모형들에서 발생하는 문제점인 극한사상(Outliers)을 적절하게 예측(외삽)하지 못하는 현상이 발생할 수 있음. 추가적으로 외삽현상을 해석 및 예측할 수 있는 자료기반 모형을 개발하는 것이 중요함 □ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성) ■ 지구과학 분야에서 내적변동성은 최근까지 상세하게 예측되지 못하였으나, 기상 및 기후변화에 있어 그 중요성은 크게 부각되고 있음. 특히 강우량의 내적변동성에 의한 변화는 무시할 수 없으므로, 본 연구와 같이 강우량과 유출에 대한 내적 변동인자 정량화가 필요함 ■ 국내에서 강우 및 유출에 대한 내적변동성 크기를 정량화하고 내적변동지수를 산정하는 것은 기후변화에 대비 국토 대응능력 향상을 위한 하천설계기준과 같은 법 개정에 정량적이고 과학적 근거가 됨 ■ 내적변동성의 정량화는 수학적·확률적 기반의 앙상블 기반으로 신뢰성을 향상시켜야 함. 많은 앙상블 모의를 위해서 기존 물리기반의 결정론적 모의에서 효율적인 메타모델링 기반의 머신러닝 기법을 도입할 필요가 있음 ■ 본 연구에서 제시된 확률기반 앙상블 결과는 내적변동성에 기인한 불확실성을 정량화할 수 있는 신뢰성이 높은 결과이며, 공공 목적의 정보를 제공하여 국가정책의 방향을 결정하는 데 이바지 함 (출처 : 연구결과 요약문 2p) |
