Research Article

The Journal of Engineering Geology. 31 December 2022. 697-724
https://doi.org/10.9720/kseg.2022.4.697

ABSTRACT


MAIN

  • 서 론

  • 연구지역 및 이용 자료

  • 방법론

  •   지하수위 예측 모델

  •   최종 예측 모델개발 방법

  • 결과 및 논의

  •   Test Case 1에 대한 성능 검증 결과

  •   Test Case 2에 대한 성능 검증 결과

  •   최종 예측 모델을 통한 중제주 수역 성능 검증 결과

  • 결 론

서 론

지하수는 중요한 담수 공급원 중 하나이며, 지표수에 비해 기상변화로 인한 영향을 적게 받는다(Custodio, 2000; Giordano, 2009; Famiglietti, 2014). 이러한 이유로 기후변화에 의한 가뭄의 발생 빈도가 높아짐에 따라 보다 안전한 수자원 확보의 가치가 중요해지면서 지하수의 역할에 대한 중요성이 점점 증가하고 있다(Giordano, 2009; Siebert et al., 2010; Taylor et al., 2013). 그러나 지하수는 대수층 시스템이 한번 악화될 경우, 이의 양적 및 질적 복구에는 일반적으로 오랜 시간이 걸린다. 따라서 대수층 시스템의 건전성에 대한 지속적인 모니터링과 효율적인 관리가 반드시 필요하다.

연구지역인 제주도는 연평균 강수량이 1,963 mm로 육지의 연평균 강수량인 1,316 mm에 비하여 상당히 많은 다우지역임에도 불구하고 투수성이 높은 제주도의 지질특성(단열, 클링커층, 용암터널 등)에 의하여 지역의 하천이 대부분 건천으로 발달하고 하천을 통한 유출이 상대적으로 짧은 기간에 발생하여 지표수를 수자원으로 활용하기 어렵다(Yang, 2007; Jung and Yang, 2009; Kim, 2021). 이에 따라, 제주도는 이용되는 총 담수량의 81% 이상을 지하수에 의존하고 있는 실정이다(Kim et al., 2003; Jeju Province, 2018). 최근 상주인구가 지속해서 유입되고 관광객이 증가함에 따라 제주도의 지하수자원의 양적 저하량은 해마다 증가하고 있으므로(Jeong et al., 2022), 제주지역의 지속 가능한 지하수자원 활용을 위한 체계적인 지하수량 관리 방안 마련이 필요하다.

지하수량의 건전성을 지속적으로 관리하기 위해서는 지하수위를 정확하게 예측하고 이를 실제 관측자료와 실시간으로 비교함으로써 대수층 시스템의 이상을 감지할 수 있어야 한다. 이뿐만 아니라, 미래 지하수위 예측 정보는 미래 지하수량 관리를 위한 적정 지하수 이용량을 산정하는 데 활용할 수 있어야 한다. 최근에는 다양한 외부 요인을 고려하여 지하수위 예측의 정확도를 높이기 위하여 자료 기반 수학적 모델(data-driven model)을 이용한 연구들이 점점 증가하는 추세이다(Maier and Dandy, 1996; Coulibaly et al., 2001; Altunkaynak, 2007; Chang et al., 2014; Young et al., 2015; Liu et al., 2018; Wunsch et al., 2018). 지하수위 예측에 이용되는 자료 기반 모델로 인공신경망(artificial neural network), 비선형 자기회귀외인 모델(non-linear auto-regressive exogenous model), 회귀 신경망(recurrent neural network) 등이 이용되고 있다(Coulibaly et al., 2001; Chang et al., 2014; Kenda et al., 2018; Wunsch et al., 2018; Zhang et al., 2018; Jeong and Park, 2019).

그러나 대부분의 기존 연구들에서는 강수량과 같은 기상학적 요인들만을 고려하여 지하수위를 예측하였다. 반면, 지하수위는 지하수 이용에 의해서도 많은 영향을 받기 때문에 실제 지하수위를 표현하기 위해서는 자연적 요인인 기상자료뿐만 아니라 인위적 요인인 지하수 이용량까지 입력자료로 활용하여 관계 모델을 개발하는 것이 반드시 필요하다. 지하수 이용량과 기상자료를 모두 입력인자로 활용하여 지하수위 예측 모델을 개발할 경우, 이를 기반으로 신고되지 않은 초과 지하수 이용에 대한 지속적인 감시를 수행할 수 있다. 또한, 미래 기상 시나리오 대비 적정 지하수 이용량을 산정하는 데 개발된 모델을 활용할 수 있다(Lee et al., 2021).

본 연구에서는 제주도 중제주수역의 총 12개의 지하수 관측정에서의 미래 지하수위를 예측하기 위한 모델을 개발하였다. 예측 모델개발을 위해 강수량 및 지하수 이용량 자료를 활용하였으며, 예측 모델의 성능을 향상시키기 위한 다양한 방안을 고안 및 비교 검증하여 최종 예측 모델을 제시하였다. 개발된 모델은 중제주 수역의 지하수량 변화를 실시간으로 감시하고 미래 적정 지하수 이용량을 제시하기 위한 정보로 활용될 수 있을 것이다.

연구지역 및 이용 자료

본 연구에는 일 단위 강수량, 지하수위 변동 및 이용량 시계열 자료가 이용되었으며, 개발되는 모델의 성능 검증을 위해서는 가능한 많은 자료가 필요하다. 획득된 자료 중에서 중제주 수역 내 지하수 이용량 자료를 가장 많이 확보하여, 2001년부터 2022년까지 중제주 수역에 걸쳐 분포하는 관측공으로부터 획득한 자료를 이용하였다. 강수량 자료는 총 3개의 관측소(제주, 오등, 및 삼각봉)에서 획득하였고, 이용량 자료는 총 413개 지점, 그리고 지하수위는 총 12개 지점(JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 금산수원지)에서 획득하였다. 이들 관측 지점의 분포는 Fig. 1에 나타나 있다. 지하수위 관측 지점은 초록색, 강수량 관측지점은 파란색, 그리고 지하수 이용량 관측 지점은 붉은색 점으로 표시되었다. 획득된 강수량, 지하수 이용량 및 지하수위 시계열 자료는 모두 일 단위로 확보되었으며, 본 연구에서는 일 단위 강수량 및 지하수 이용량과 과거 지하수위 자료를 기반으로 미래의 일 단위 지하수위를 특정 기간으로 예측할 수 있는 모델을 개발하였다.

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F1.jpg
Fig. 1.

Locations of monitoring stations for groundwater level (green dots), precipitation (blue dots), and groundwater usage (red dots) in the study area (Jeju Island).

방법론

지하수위 예측 모델

누적 장단기메모리(stacked long short-term memory)

본 연구는 지하수위 예측을 위해 누적 장단기메모리(stacked-LSTM)를 이용하였다. Stacked LSTM을 설명하기 앞서, LSTM은 회귀신경망(recurrent neural network)의 일종으로 은닉층의 정보가 예측을 위한 입력정보로 활용됨에 따라 시계열 자료의 과거 변동 패턴을 예측에 활용하는데 효과적인 것으로 알려져 있다(Hochreiter and Schmidhuber, 1997; Zhang et al., 2018). 이러한 장점 때문에 기상자료 시계열 자료를 기반으로 지하수위의 장기적 변동 패턴을 학습하는 데 많이 이용되고 있다(Jeong and Park, 2019; Afzaal et al., 2020; Müller et al., 2021). Fig. 2a는 LSTM의 일반적인 예측 네트워크에서 보는 바와 같이 과거의 은닉 정보 및 입력자료가 현재의 예측에 지속적으로 영향을 주는 네트워크를 가지고 있다. 지속적인 과거 정보 입력을 기반한 LSTM 네트워크 학습 시 예측 가중치의 소실(vanishing) 및 폭주(exploding) 문제를 해결하기 위하여 불필요한 입력의 기억을 지우기 위한 입력(input), 망각(forget), 및 출력(output) 게이트(gate)가 존재하며 이들을 합쳐 LSTM cell이라 칭한다. 본 연구에서는 보다 비선형 지하수위 예측모델을 개발하고자 하였으며, 이를 위해 LSTM cell을 여러 층으로 쌓는 학습 네트워크인 stacked-LSTM을 최종적으로 이용하였다(Fig. 2b).

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F2.jpg
Fig. 2.

General network structure of (a) LSTM and (b) stacked LSTM applied in this study.

N 순차의 총 L개 종류의 입력변수(X=[x1,,xt,,xN], xt=[xt1,,xtl,,xtL]T)와 N 순차의 지하수위가 주어졌을 때(Y=[y1,,yt,,yN]), stacked-LSTM을 이용한 t시간부터 총 p기간 동안의 지하수위(yt:t+p)는 다음과 같이 예측된다.

(1)
yt:t+p=ϕx(wht+b)
(2)
hti=otiϕh(ait)
(3)
ati=ftiat-1i+itiϕa(j=0TWht-jht-ji-1+Wahht-1i)
(4)
oti=ϕo(j=0TWoht-jht-ji-1+Wohht-1i)
(5)
fti=ϕf(j=0TWfht-jht-ji-1+Wfhht-1i)
(6)
iti=ϕi(j=0TWiht-jht-ji-1+Wihht-1i),i=2,,D
(7)
ht1=ot1ϕh(at1)
(8)
at1=ft1at-11+it1ϕa(j=0TWxt-jxt-j+Wahht-11)
(9)
ot1=ϕo(j=0TWoxt-jxt-j+Wohht-11)
(10)
ft1=ϕf(j=0TWfxt-jxt-j+Wfhht-11)
(11)
iti=ϕi(j=0TWixt-jxt-j+Wihht-1i),i=2,,D

위 식에서 atiiti, oti, 및 ftit시간에 대한 i번째 LSTM cell, cell 연산을 위한 입력, 출력, 및 망각 게이트를 의미하며, 입력, 출력, 및 망각 게이트의 차원은 은닉 뉴런을 의미하는 h와 동일하다. 그리고 T는 입력으로 이용되는 변수의 순차 길이를 의미한다. 기호 는 원소곱을 의미하고, ϕ는 활성 함수를 의미하며 이에는 hyperbolic tangent 함수, sigmoid 함수, rectified linear unit 등이 이용될 수 있다.

개발된 예측 모델 성능 검증 지표

본 연구에서 개발하고자 하는 지하수위 시계열 예측 모델은 회귀모델임에 따라 해당 모델 예측 결과에 대한 성능평가는 예측 지하수위와 실제 지하수위 간 상관계수(correlation coefficient, ρ) 및 root mean square error(RMSE)를 이용하였으며, 두 식은 아래와 같이 계산된다.

(12)
ρ=i=1N(xi-x)(xi*-x*)i=1N(xi-x)2(xi*-x*)2
(13)
RMSE=i=1N(xi-xi*)2N

위 식에서 xii번째 실제 지하수위를 의미하며 x는 검증용 지하수위 자료의 평균을 의미하고, xi*i번째 예측 지하수위, x*는 검증용 지하수위에 대한 예측값의 평균을 의미한다.

최종 예측 모델개발 방법

본 연구에서는 stacked LSTM 모델을 기반으로 과거 시점에서 관측된 강수량 및 지하수 이용량을 기반으로 미래 한 달간의 지하수위를 예측하고자 하였다. 따라서 예측모델의 입력자료로 강수량, 지하수 이용량 및 지하수위 자료가 활용되었다. 이때, 특정 기간의 과거 강수량 자료를 입력자료로 활용하는 데 있어, 활용되는 과거 강수량 자료의 기간에 따라 예측 모델의 성능이 달라질 수 있다. 이뿐만 아니라 연구지역 내에서 확보된 지하수 이용량을 관측한 관정의 개수가 상당히 많고, 이를 모두 이용하였을 때, 모델의 예측성능이 충분하지 않음에 따라, 지하수위 예측에 활용할 지하수 이용량 관정에 대한 선별작업이 필요하였다. 따라서 본 연구에서는 관정별 최적의 지하수위 예측 모델개발을 위해 이용되는 입력자료로 변화에 의한 모델 네트워크 변화에 따른 성능 검증이 실시되었으며, 이를 통해 12개의 관측정에 최종으로 적용될 최적의 모델 네트워크를 선정하였다.

최종 모델개발을 위해 적용된 연구 과정은 Fig. 3과 같다. 그림에서 보는 바와 같이 최종 모델개발을 위해 먼저, 확보된 자료에 대한 다양한 전처리를 수행하였다. 전처리를 위해 이상치와 결측치는 분석에서 제외하였으며, 이들을 제외하고 공통으로 확보 가능한 시계열 기간에 대하여 지하수위, 강수량, 및 지하수 이용량 자료를 확보하여 학습용 및 검증용 자료로 구축하였다. 그리고 예측 모델에 대한 하이퍼파라미터(stacked-LSTM cell 개수, 활성함수 등)를 베이지안 최적화(Bayesian optimization, Snoek et al., 2012)를 통해 결정하여 미래 지하수위 예측을 위한 예비 모델을 구축하였다. 이때, 예비 모델은 30일 후를 예측하는 모델로 구축되어 성능이 평가되었다. 예비 모델 구축에는 여러 가지 테스트 케이스가 고려되었으며, 이들의 성능을 비교 검증하여 가장 우수한 예측성능을 보이는 모델을 최종 지하수위 예측 네트워크로 결정하였다. 성능 검증을 위해 비교된 모델 네트워크의 종류는 다음과 같다.

1) Test Case 1: 입력으로 이용되는 자료 종류의 개수에 따른 모델 성능 비교

• (Model 1-1) 입력자료로 과거 강수량, 주변 50개 관정으로부터 획득한 과거 지하수 이용량, 및 과거 지하수위를 사용하는 모델

• (Model 1-2) 입력자료로 과거 강수량, 민감도분석을 통해 선별된 관정의 과거 지하수 이용량, 및 과거 지하수위를 사용하는 모델

• (Model 1-3) 입력자료로 과거 강수량 및 민감도분석을 통해 선별된 관정의 과거 지하수 이용량을 사용하는 모델

2) Test Case 2: 입력으로 이용되는 과거 순차 자료의 길이에 따른 모델 성능 비교

• (Model 2-1) 과거 120일의 순차 자료를 입력자료로 사용하는 모델

• (Model 2-2) 과거 60일의 순차 자료를 입력자료로 사용하는 모델

• (Model 2-3) 과거 30일의 순차 자료를 입력자료로 사용하는 모델

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F3.jpg
Fig. 3.

A work-flow for deciding the model network showing the best groundwater level prediction performance.

다양한 성능 비교 검증을 통해 구축된 최종 모델의 네트워크를 기반으로 미래 30일 동안의 지하수위를 예측할 수 있는 모델을 최종적으로 개발하였으며, 해당 모델이 각 관정의 미래 지하수위를 예측하는 데 최종 이용되었다. 다만, 관정별 이용하는 과거 순차 자료의 길이는 모두 다른 길이를 기준으로 검증을 수행 및 최종 모델이 도출되었다. 본 연구에서는 JI오등1 관정에 대하여 해당 프로세스를 적용한 결과를 구체적으로 기술하였으며, 나머지 관정에 대하여 최종 개발된 예측 모델의 성능은 부록으로 제시하였다(Appendix A).

본 연구에서 이용된 민감도분석 기법으로 섭동 민감도분석(perturbation sensitivity analysis) 기법이 이용되었으며(Castillo et al., 2006; Prabhakaran et al., 2019), 이는 예측 모델 구축 후, 입력으로 이용되는 자료에 임의값을 입력한 후, 출력 결과의 변화량을 평가하는 기법이다. 출력의 변화량이 클수록 해당되는 입력 인자의 민감도가 높음을 의미한다. 본 연구에서는 입력값으로 이용되는 50개 위치의 지하수 이용량 관측값을 하나씩 변화시키면서 지하수위 예측 결과의 성능 저하량을 측정함으로써 각 이용 관정이 지하수위 관측지점에 미치는 영향력을 평가하였다.

결과 및 논의

본 연구에서 개발된 모델을 이용하여 예측된 지하수위 예시는 Fig. 4와 같다. 그림에서 파란색 막대그래프는 강수량, 검은색 점은 실측 지하수위, 붉은색 실선은 예측 모델을 이용한 예측 지하수위를 의미한다. 검증용 자료에 대한 결과이며, 각 예측 시점을 기준으로 30일 기간의 미래 지하수위를 예측함에 따라 각 시점마다 여러 개의 예측 지하수위 결과들이 중첩되어 나타나 있다. 본 연구에서는 정량적 예측 성능지표를 계산하기 위하여, 예측 마지막 날짜인 30일 후의 예측 결과를 이용하였다.

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F4.jpg
Fig. 4.

Example groundwater level prediction results.

Test Case 1에 대한 성능 검증 결과

Case 1에서는 지하수위 예측을 위해 이용되는 과거 자료의 순차 길이는 모든 테스트 모델에 대하여 고정 후 입력 데이터의 종류를 변화시키며 성능 검증을 수행하였다. Fig. 5Fig. 6은 구축된 3가지 모델의 지하수위 예측 결과 및 예측값과 실측값 간의 산점도를 보여준다. Fig. 5에서 검은색 점은 실제 지하수위를 의미하며, 파란색 및 붉은색 실선은 각각 학습용 및 검증용 자료에 대한 예측 지하수위를 의미하고, 파란색 막대그래프는 가장 근거리에 위치한 강수 관측소에서 측정된 강수량 자료를 의미한다. Fig. 6은 실측 지하수위(x-축)와 예측 지하수위(y-축) 간의 산점도로 붉은색 점선인 1:1 선에 산점도가 가까이 분포할수록 두 값이 유사함을 나타낸다. 그림에서 보는 바와 같이 검증용 자료에 대하여 Model 1-2인 모든 자료를 모두 입력자료로 활용하면서 선별된 관측정에서의 지하수 이용량 자료만을 입력으로 활용한 모델이 가장 실제 지하수위를 유사하게 예측하는 것을 확인할 수 있다. 산점도 그림에서도 Model 1-2를 활용하는 경우가 1:1 대응 라인 근처에 값들이 도시되는 것을 확인할 수 있다. 한편, Fig. 5c와 같이 과거 지하수위를 이용하지 않을 때 지하수위 상승 및 하강 시점을 예측하는 데 어려움이 존재하는 것으로 보이며, 지하수 이용량을 선별없이 활용하는 경우, 입력인자의 차원이 증가함에 따라 예측 모델의 성능이 이에 대한 부정적 영향을 받는 것으로 확인되었다.

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F5.jpg
Fig. 5.

The groundwater level prediction results of (a) Model 1-1, (b) Model 1-2, and (c) Model 1-3 applied to test Case 1.

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F6.jpg
Fig. 6.

Scatter plots between the actual (x-axis) and predicted (y-axis) groundwater levels acquired from (a) Model 1-1, (b) Model 1-2, and (c) Model 1-3 for test Case 1.

정량적 성능 비교 결과 또한 모든 종류의 입력자료를 활용하는 모델이 가장 우수한 성능을 보여주고 있다(Table 1). Model 1-2의 예측 지하수위와 실제 지하수위 간의 RMSE는 0.9939 m로 타 모델(Model 1-1: 1.5702 m; Model 1-3: 1.9349 m) 보다 현저히 낮으며, 두 자료 간 상관계수 또한 Model 1-2가 0.9549로 Model 1-1 및 Model 1-3이 0.8009 및 0.8569를 보이는 것에 비해 높게 나타난다. 이를 통해, 예측 모델의 입력변수로 다양한 종류의 자료를 활용하되 민감도가 높은(즉, 관련성이 높은) 자료를 입력자료로 활용하는 것이 예측 모델의 성능 향상에 도움이 됨을 확인할 수 있다.

Table 1.

Quantitative performances of the three types of model for predicting groundwater level in test Case 1

RMSE (m) ρ
Model 1-1 1.5702 0.8009
Model 1-2 0.9939 0.9549
Model 1-3 1.9349 0.8569

Test Case 2에 대한 성능 검증 결과

제주지역은 해발 약 2,000의 높은 한라산이 중심에 위치하는 지형학적 조건으로 인하여 일반적으로 중산간 지역에 강수가 집중 및 함양된 후, 해안지역 방향으로 지하수 유동이 발생한다(Won et al., 2006; Kim and Yang, 2019). 특히, 제주지역과 같이 높은 투수성을 가진 지역에서도 불포화대가 두꺼운 지역에서는 지하수의 지연시간(delay time)이 한 달을 초과하기도 한다(Park et al., 2021). 이로 인해 중산간 아래에 위치하는 중제주 수역 내 지하수위의 변동과 강수 시점 간의 지연시간이 발생할 수 있고, 특히 제주 중산간 지역의 지하수위는 상당히 깊은 심도에 위치함에 따라 강수 발생 후 침투수가 지하수면으로 함양될 때까지 더욱 긴 지연시간이 발생할 수 있다(Kim et al., 2014; Shin et al., 2014, 2020). 따라서 제주지역의 지하수위를 예측하기 위해서는 과거의 강수량 순차 자료가 충분히 반영되는 것이 예측성능 향상에 유리할 수 있고, 본 연구에서는 이러한 제주지역의 지형학적 특징을 모델에 반영하기 위하여 stack-LSTM 모델의 입력자료로 활용되는 순차 자료의 길이를 조절하여 성능을 비교 검증하였다.

Case 1에서 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 것이 예측성능 향상에 도움이 된다는 결과를 확인함에 따라 Case 2에서는 Case 1에서 활용한 입력자료를 활용하되, 입력으로 이용되는 과거 순차 자료의 길이에 따라 모델 네트워크를 달리하여 Case 2의 모델을 구축 및 성능 비교를 실시하였다. Case 1에 해당하는 3가지 모델은 공통적으로 영향력이 큰 10개의 지하수 이용량 관정에서 지하수 이용량 자료를 입력자료로 이용하며, 강수량 정보 또한 동일한 자료가 모델에 적용되었다. Figs. 7, 8Table 2는 3가지 모델 예측 결과 및 예측값과 실측값 간의 산점도와 이의 정량적 성능을 보여준다. 두 그림과 표에서 보는 바와 같이 입력으로 이용되는 자료의 길이가 증가할수록 실측 및 예측 지하수위 간 차이가 감소하여 RMSE가 낮아지고 ρ 값이 증가하는 것을 확인할 수 있다. 이는 제주지역의 강수량과 지하수위 변동 간 지연시간이 상당히 길게 존재함을 의미하며, 이는 중산간 지역의 지하수위 심도가 깊은 심도에 위치하기 때문으로 판단된다. 따라서 본 연구에서는 JI오등1 관정에 대하여 과거 120일의 강수량, 지하수 이용량 및 지하수위를 입력자료로 하는 모델 네트워크를 최종 예측 모델로 결정하였다.

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F7.jpg
Fig. 7.

The groundwater level results predicted using previous data sequences covering (a) 120, (b) 60, and (c) 30 days.

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_F8.jpg
Fig. 8.

Scatter plots between the actual (x-axis) and predicted (y-axis) groundwater level acquired from models applying (a) 120, (b) 60, and (c) 30 days of previous data as the input variables.

Table 2.

Quantitative performances of the three types of model for predicting groundwater level in test Case 2

RMSE (m) ρ
Model 2-1 0.9939 0.9549
Model 2-2 1.1376 0.8914
Model 2-3 1.5310 0.8446

최종 예측 모델을 통한 중제주 수역 성능 검증 결과

본 연구에서 제시된 연구 과정을 기반으로 총 12개 지하수위 관정에 대하여 최종적으로 개발된 지하수위 예측 모델의 성능은 Table 3에 정리되었다. 표에서 보는 바와 같이 JW연동을 제외한 대부분 관정에서 실제 지하수위와 예측된 지하수위 간 0.5 m 이하의 작은 RMSE 값을 확인하였으며, ρ의 경우, 대부분 관정의 결과가 실제 지하수위와 대략 0.8 이상의 높은 상관성을 보임에 따라 개발된 예측 모델의 성능이 상당히 우수함을 확인할 수 있다. 이러한 결과는 관정별 개발된 모델이 미래 지하수위를 예측하는 데 적합함을 의미한다.

Table 3.

Quantitative performances of the developed models for each groundwater level monitoring station

Station name RMSE (m) ρ
JI-Odeung1 0.4683 0.9847
JI-Odeung2 0.0997 0.9987
JI-Odeung4 0.4331 0.9802
JI-Odeung5 0.0642 0.9615
JD-Yongdam1 0.4859 0.9276
JM-Donam2 0.4995 0.9965
JM-Ido2 0.7767 0.9951
JP-Ora 0.8144 0.9697
JW-Gonghang 0.7187 0.9609
JW-Yeondong 1.2979 0.9838
JW-Ildo 0.1952 0.8712
Geumsansuwonji 0.2498 0.7790

결 론

본 연구에서는 stacked-LSTM을 이용하여 제주 중제주 수역 내 위치하는 총 12개 지하수위 관정에 대하여 미래 30일 동안의 지하수위를 예측할 수 있는 모델을 개발하였다. JI오등1, JI오등2, JI오등4, JI오등5, JD용담1, JM도남2, JM이도2, JP오라, JW공항, JW연동, JW일도, 및 금산수원지에 대하여 개별적인 예측 모델이 개발되었으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량, 및 지하수위 자료가 예측 모델개발에 활용되었다. 강수량 자료는 총 3개의 관측소에서 확보되었으며, 지하수 이용량은 총 259개의 관측소에서 확보된 자료가 모델개발에 이용되었다. 입력자료의 종류 및 과거 활용자료의 순차 길이에 따라 다양한 모델을 구축하고 성능을 비교함으로써 예측 모델개발에 있어 고려해야 할 사항에 대한 검토를 수행하고, 최종 예측 모델을 제시함으로써 딥러닝 기반의 지하수위 예측 모델 구축을 위한 적합한 연구 과정을 제시하였다.

예측 모델개발 결과, 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 모델의 예측성능이 가장 뛰어난 것으로 확인되었으며, 제주도의 강수와 지하수위 변동 간의 패턴을 고려하였을 때, 입력으로 활용되는 과거 자료의 순차가 길수록 예측의 성능이 향상됨을 확인하였다. 이뿐만 아니라, 지하수 이용량 자료의 경우, 모든 이용량 자료를 활용하는 것보다 예측하고자 하는 지점의 지하수위에 민감한 영향을 주는 관정을 선별하여 입력으로 이용하는 것이 예측 모델의 성능 개선에 긍정적 영향을 주는 것을 확인하였다.

본 연구에서 개발된 지하수위 예측 모델은 현재의 강수량 및 지하수 이용량을 기반으로 미래의 지하수위를 예측할 수 있다. 이처럼 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다. 다만 본 연구에서는 민감도분석을 통해 각 지하수위 관측정마다 연관성이 높은 지하수 이용 위치를 선별하였으나, 해당 결과에 대한 실제 현장 검증은 이루어지지 않았다. 이는 중제주 수역의 3차원 지하 매질 분포도가 확보될 경우, 검증이 이루어질 것으로 판단되며, 이에 관한 추가 연구가 지속해서 수행될 필요가 있다. 이러한 과정을 통해 개발된 예측 모델의 성능과 정확도를 검증함으로써 더욱 신뢰 높은 예측 결과를 제공할 수 있을 것으로 보인다. 이뿐만 아니라, 본 연구에서는 30일 미래를 예측하는 모델을 개발하였으나 보다 장기 미래를 예측할 수 있는 모델이 개발될 필요가 있어 보인다. 이러한 개발된 모델은 다양한 강수 시나리오 및 지하수 이용 시나리오에 대한 지하수량 평가를 가능하게 하여 기상학적 가뭄 및 인위적 가뭄에 대한 대수층 수량 건전성 평가 및 가뭄 대비에 또한 활용될 수 있을 것으로 판단된다.

Appendix A

아래 제시된 그림들은 각 관정에 대하여 예측 모델을 이용하여 강수량(파란색 막대그래프)을 기반으로 예측된 지하수위(붉은색 실선)와 실제 지하수위(검은색 점), 실측 및 예측 지하수위 간 산점도를 보여준다. 또한, 관정별 예측 모델개발 시 이용된 지하수 이용량 관정에 대한 민감도분석 결과 또한 표로 제시되었으며, 관정별 제시된 표에서 회색 배경으로 표시된 관정이 최종 예측 모델개발 시 이용된 지하수 이용량 관정을 의미한다.

JI-Odeung1

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA1.jpg
Fig. A1.

(a) Predicted groundwater level for the JI-Odeung1 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A1.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JI-Odeung1 monitoring location

# RMSE (m) # RMSE (m) # RMSE (m)
1 D199510009 4.352946 18 Y199310150 0.724223 35 Y199310399 1.518611
2 D199610002 2.463652 19 Y199310151 2.020521 36 Y199310418 1.806046
3 D200010001 0.398878 20 Y199310168 1.949016 37 Y199310430 8.809617
4 W200510005 10.81176 21 Y199310215 1.123597 38 Y199310439 3.130277
5 W200510008 4.162637 22 Y199310223 1.26115 39 Y199310463 2.26602
6 Y199310002 0.570109 23 Y199310226 0.587106 40 Y199310472 0.466834
7 Y199310025 0.691975 24 Y199310232 1.760204 41 Y199310545 6.282147
8 Y199310046 0.703229 25 Y199310240 2.443868 42 Y199510008 3.187048
9 Y199310047 0.91681 26 Y199310243 0.927439 43 Y199510013 3.031674
10 Y199310091 0.802041 27 Y199310270 0.57866 44 Y199510026 1.580275
11 Y199310102 3.267222 28 Y199310279 1.138472 45 Y199510030 1.127261
12 Y199310107 2.877706 29 Y199310280 4.568108 46 Y199510038 4.843843
13 Y199310110 2.274996 30 Y199310284 1.976606 47 Y199510048 0.394248
14 Y199310114 1.166933 31 Y199310290 1.20934 48 Y199510069 0.423799
15 Y199310115 0.7152 32 Y199310291 0.419188 49 Y199810012 1.410905
16 Y199310124 0.437326 33 Y199310316 0.771025 50 Y200210006 1.230385
17 Y199310135 1.658218 34 Y199310389 1.019028

JI-Odeung2

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA2.jpg
Fig. A2.

(a) Predicted groundwater level for the JI-Odeung2 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater level.

Table A2.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JI-Odeung2 monitoring location

# RMSE (m) # RMSE (m)
1 D199510009 0.319699 26 Y199310243 0.221495
2 D199610002 1.190933 27 Y199310270 0.221206
3 D200010001 0.529164 28 Y199310279 0.858885
4 W200510005 6.717302 29 Y199310280 1.114772
5 W200510008 1.128202 30 Y199310284 0.653301
6 Y199310002 0.18997 31 Y199310290 0.355581
7 Y199310025 0.670898 32 Y199310291 0.288871
8 Y199310046 0.325502 33 Y199310316 0.472847
9 Y199310047 0.321904 34 Y199310389 0.764042
10 Y199310091 2.391846 35 Y199310399 0.410156
11 Y199310102 0.441518 36 Y199310418 0.244541
12 Y199310107 0.54685 37 Y199310430 0.870855
13 Y199310110 2.395711 38 Y199310439 0.589291
14 Y199310114 0.767946 39 Y199310463 1.240342
15 Y199310115 0.232584 40 Y199310472 1.256068
16 Y199310124 0.733644 41 Y199310545 0.648963
17 Y199310135 1.161555 42 Y199510008 0.513393
18 Y199310150 0.18986 43 Y199510013 3.006319
19 Y199310151 0.259126 44 Y199510026 0.374869
20 Y199310168 1.343254 45 Y199510030 0.682505
21 Y199310215 0.854572 46 Y199510038 0.617912
22 Y199310223 0.338262 47 Y199510048 0.339765
23 Y199310226 0.4412 48 Y199510069 0.278036
24 Y199310232 0.6203 49 Y199810012 2.739528
25 Y199310240 1.195648 50 Y200210006 0.206491

JI-Odeung4

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA3.jpg
Fig. A3.

(a) Predicted groundwater level for the JI-Odeng4 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A3.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JI-Odeung4 monitoring location

# RMSE (m) # RMSE (m)
1 D199510009 1.708915 26 Y199310270 0.687835
2 D199610002 1.005202 27 Y199310279 2.450377
3 D200010001 1.293847 28 Y199310280 0.931611
4 W200510005 9.722555 29 Y199310284 1.556983
5 W200510008 2.618218 30 Y199310290 2.445626
6 Y199310002 0.560366 31 Y199310291 0.580962
7 Y199310025 1.441212 32 Y199310303 1.1579
8 Y199310046 0.752867 33 Y199310316 1.652132
9 Y199310047 0.815191 34 Y199310389 0.796388
10 Y199310091 3.8181 35 Y199310399 0.610677
11 Y199310102 4.801514 36 Y199310418 2.157301
12 Y199310110 2.181056 37 Y199310430 0.632244
13 Y199310114 0.883939 38 Y199310439 1.512835
14 Y199310115 0.834089 39 Y199310463 0.512457
15 Y199310124 0.507343 40 Y199310472 2.91667
16 Y199310135 0.970467 41 Y199310545 1.509443
17 Y199310150 0.629975 42 Y199510008 2.613484
18 Y199310151 0.512673 43 Y199510013 12.29309
19 Y199310168 3.534066 44 Y199510026 1.436323
20 Y199310215 0.354753 45 Y199510030 0.468617
21 Y199310223 3.466061 46 Y199510038 1.354227
22 Y199310226 0.834272 47 Y199510048 0.517965
23 Y199310232 0.643365 48 Y199510069 0.560018
24 Y199310240 1.942199 49 Y199810012 3.917723
25 Y199310243 4.549215 50 Y200210006 1.440305

JI-Odeung5

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA4.jpg
Fig. A4.

(a) Predicted groundwater level for the JI-Odeng5 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A4.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JI-Odeung5 monitoring location

# RMSE (m) # RMSE (m)
1 D199510009 0.404595 26 Y199310240 0.095521
2 D199610002 0.138858 27 Y199310243 0.184863
3 D199610017 0.099101 28 Y199310270 0.037271
4 D199610018 0.07126 29 Y199310279 0.127778
5 D200010001 0.11748 30 Y199310280 0.095739
6 W200510005 0.877236 31 Y199310284 0.106857
7 W200510008 0.42298 32 Y199310290 0.114079
8 Y199310002 0.074026 33 Y199310291 0.043653
9 Y199310025 0.256406 34 Y199310303 0.346124
10 Y199310046 0.600281 35 Y199310316 0.065078
11 Y199310047 0.069256 36 Y199310389 0.084651
12 Y199310091 0.815573 37 Y199310399 0.182667
13 Y199310102 0.142892 38 Y199310430 0.489784
14 Y199310110 0.068505 39 Y199310439 0.756509
15 Y199310114 0.564488 40 Y199310463 0.211414
16 Y199310115 0.05956 41 Y199310472 0.54613
17 Y199310124 0.155915 42 Y199310545 0.40892
18 Y199310135 0.431 43 Y199510008 0.08259
19 Y199310150 0.04857 44 Y199510013 0.784626
20 Y199310151 0.429121 45 Y199510026 0.217022
21 Y199310168 0.32816 46 Y199510030 0.410915
22 Y199310215 0.064986 47 Y199510038 0.142869
23 Y199310223 0.086303 48 Y199510048 0.126902
24 Y199310226 0.086393 49 Y199510069 0.039525
25 Y199310232 0.062635 50 Y200210006 0.082654

JD-Yongdam1

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA5.jpg
Fig. A5.

(a) Predicted groundwater level for the JD-Yongdam1 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A5.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JD-Yongdam1 monitoring location

# RMSE (m) # RMSE (m)
1 W200710031 3.686946 26 Y199310280 0.912814
2 Y199310002 2.779782 27 Y199310284 0.264281
3 Y199310017 1.606114 28 Y199310290 1.940138
4 Y199310025 2.26681 29 Y199310291 0.442692
5 Y199310046 1.045215 30 Y199310292 2.486087
6 Y199310047 0.591425 31 Y199310303 1.008974
7 Y199310066 2.996907 32 Y199310316 0.627276
8 Y199310102 2.379967 33 Y199310326 0.392403
9 Y199310107 0.139933 34 Y199310331 0.797813
10 Y199310110 2.942532 35 Y199310332 4.079323
11 Y199310114 0.561844 36 Y199310333 3.825299
12 Y199310115 2.398038 37 Y199310335 1.820591
13 Y199310124 2.60493 38 Y199310399 0.270524
14 Y199310135 2.410962 39 Y199310418 0.190408
15 Y199310142 0.496068 40 Y199310430 1.421064
16 Y199310155 3.347479 41 Y199310435 2.435996
17 Y199310168 0.199479 42 Y199310454 2.001889
18 Y199310211 0.676959 43 Y199310494 3.610049
19 Y199310212 0.484166 44 Y199310515 2.325803
20 Y199310215 1.623119 45 Y199310545 0.329132
21 Y199310218 0.241466 46 Y199510026 0.91971
22 Y199310240 0.242584 47 Y199510038 0.439639
23 Y199310246 0.294735 48 Y199510069 0.548679
24 Y199310270 0.72428 49 Y199810012 1.261726
25 Y199310279 0.491488 50 Y200210006 1.915633

JM-Donam2

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA6.jpg
Fig. A6.

(a) Predicted groundwater level at the JM-Donam2 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A6.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JM-Donam2 monitoring location

# RMSE (m) # RMSE (m)
1 Y199510044 0.783237 26 Y199310307 1.153366
2 Y199510030 12.26717 27 Y199310295 3.434344
3 Y199510013 0.605228 28 Y199310255 2.096495
4 Y199510008 2.474453 29 Y199310245 12.38353
5 Y199310598 0.973588 30 Y199310243 7.388569
6 Y199310597 1.8306 31 Y199310216 1.574798
7 Y199310579 3.297563 32 Y199310214 0.822444
8 Y199310565 0.922794 33 Y199310200 0.901978
9 Y199310564 1.766359 34 Y199310184 1.875777
10 Y199310546 17.1777 35 Y199310167 1.259257
11 Y199310534 0.662123 36 Y199310157 1.054962
12 Y199310481 2.150971 37 Y199310151 2.365465
13 Y199310472 1.548709 38 Y199310150 1.029864
14 Y199310463 1.691915 39 Y199310139 0.601423
15 Y199310444 1.327015 40 Y199310091 0.862532
16 Y199310439 3.545377 41 Y199310051 1.198073
17 Y199310413 0.749598 42 Y199310044 0.747022
18 Y199310400 4.671444 43 Y199310039 4.335001
19 Y199310389 1.170088 44 Y199310011 4.279491
20 Y199310361 3.760369 45 Y199310006 0.93563
21 Y199310358 2.124922 46 D199710033 0.798457
22 Y199310346 2.511337 47 D199610018 3.703643
23 Y199310344 5.759094 48 D199610017 2.422996
24 Y199310330 14.40384 49 D199610002 4.443845
25 Y199310324 0.52981 50 D199510009 17.89621

JM-Ido2

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA7.jpg
Fig. A7.

(a) Predicted groundwater level for the JM-Ido2 groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A7.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JM-Ido2 monitoring location

# RMSE (m) # RMSE (m)
1 D199510009 17.27676 26 Y199310322 0.736369
2 D199610002 3.519164 27 Y199310324 2.848093
3 D199610017 1.101992 28 Y199310330 9.082243
4 D199610018 0.780079 29 Y199310344 1.593618
5 D199710033 1.436807 30 Y199310346 0.843301
6 Y199310011 0.978659 31 Y199310357 0.980619
7 Y199310039 8.389684 32 Y199310358 1.681294
8 Y199310042 4.155597 33 Y199310361 0.691391
9 Y199310044 1.057311 34 Y199310373 8.343942
10 Y199310051 2.886531 35 Y199310389 7.463865
11 Y199310091 2.430497 36 Y199310413 2.525734
12 Y199310101 2.193043 37 Y199310424 5.528478
13 Y199310111 0.573494 38 Y199310439 9.026385
14 Y199310117 1.808459 39 Y199310444 0.769731
15 Y199310139 0.453201 40 Y199310463 2.036104
16 Y199310150 11.67577 41 Y199310495 0.653691
17 Y199310151 18.17888 42 Y199310523 4.510159
18 Y199310157 1.074706 43 Y199310546 1.137417
19 Y199310200 1.866222 44 Y199310564 7.914466
20 Y199310214 0.737008 45 Y199310565 0.593683
21 Y199310227 0.448866 46 Y199310597 4.222231
22 Y199310245 2.195458 47 Y199310598 6.162275
23 Y199310259 12.35512 48 Y199310599 1.26032
24 Y199310306 2.766404 49 Y199510008 3.181924
25 Y199310307 6.975928 50 Y199510044 1.052599

JP-Ora

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA8.jpg
Fig. A8.

(a) Predicted groundwater level for the JP-Ora groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A8.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JP-Ora monitoring location

# RMSE (m) # RMSE (m)
1 D199510009 0.829131 26 Y199310243 0.351834
2 D199610002 2.810752 27 Y199310270 0.749186
3 D200010001 0.461908 28 Y199310279 0.508504
4 W200510005 11.09643 29 Y199310280 1.796342
5 W200510008 0.563565 30 Y199310284 0.360547
6 Y199310002 0.909406 31 Y199310290 4.233083
7 Y199310025 0.349774 32 Y199310291 2.426281
8 Y199310046 0.860796 33 Y199310303 1.69937
9 Y199310047 1.010393 34 Y199310316 1.084193
10 Y199310102 6.287592 35 Y199310389 3.933054
11 Y199310107 6.799848 36 Y199310399 1.228788
12 Y199310110 0.990349 37 Y199310418 1.782913
13 Y199310114 5.804889 38 Y199310430 1.559719
14 Y199310115 1.669656 39 Y199310439 2.075172
15 Y199310124 3.130784 40 Y199310472 2.148965
16 Y199310135 2.193395 41 Y199310545 2.159403
17 Y199310150 1.01347 42 Y199510008 1.483625
18 Y199310151 1.694389 43 Y199510013 2.198842
19 Y199310168 2.309042 44 Y199510026 0.522329
20 Y199310215 1.576904 45 Y199510030 1.41837
21 Y199310218 1.140661 46 Y199510038 1.869193
22 Y199310223 0.439949 47 Y199510048 1.156531
23 Y199310226 1.721149 48 Y199510069 0.301906
24 Y199310232 1.696163 49 Y199810012 1.11266
25 Y199310240 3.756366 50 Y200210006 0.317307

JW-Gonghang

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA9.jpg
Fig. A9.

(a) Predicted groundwater level for the JW-Gonghang groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A9.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JW-Gonghang monitoring location

# RMSE (m) # RMSE (m)
1 Y199310002 8.507857 26 Y199310290 1.100854
2 Y199310005 4.563282 27 Y199310291 0.748755
3 Y199310006 0.609743 28 Y199310292 1.597489
4 Y199310017 3.56453 29 Y199310316 4.528359
5 Y199310025 6.789691 30 Y199310326 4.612183
6 Y199310046 1.788706 31 Y199310331 3.332452
7 Y199310047 0.400777 32 Y199310332 2.228568
8 Y199310102 0.76633 33 Y199310333 5.293098
9 Y199310107 0.669885 34 Y199310335 4.148792
10 Y199310110 0.974088 35 Y199310399 0.190293
11 Y199310114 7.412167 36 Y199310400 0.174029
12 Y199310115 1.726028 37 Y199310418 4.209455
13 Y199310124 0.663328 38 Y199310421 2.657194
14 Y199310135 4.750248 39 Y199310430 4.048952
15 Y199310142 0.515427 40 Y199310454 2.850472
16 Y199310155 0.393631 41 Y199310472 4.615752
17 Y199310167 3.683867 42 Y199310481 2.16496
18 Y199310176 0.579021 43 Y199310494 3.538783
19 Y199310211 0.98576 44 Y199310515 0.359557
20 Y199310212 1.080495 45 Y199310562 2.802101
21 Y199310215 2.959096 46 Y199310579 0.491678
22 Y199310216 0.966147 47 Y199510026 0.317057
23 Y199310218 1.050217 48 Y199510069 0.653097
24 Y199310240 0.754749 49 Y199810012 3.884224
25 Y199310246 2.515049 50 Y200210006 0.536558

JW-Yeondong

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA10.jpg
Fig. A10.

(a) Predicted groundwater level for the JW-Yeondong groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A10.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JW-Yeongdong monitoring location

# RMSE (m) # RMSE (m)
1 D200010001 12.3641 26 Y199310279 1.589207
2 Y199310002 6.145562 27 Y199310280 1.054252
3 Y199310017 1.965157 28 Y199310284 3.265309
4 Y199310025 3.013467 29 Y199310290 2.087106
5 Y199310046 1.106753 30 Y199310291 0.625995
6 Y199310047 2.262878 31 Y199310292 1.631291
7 Y199310066 10.24736 32 Y199310303 1.723789
8 Y199310102 2.549521 33 Y199310316 1.777866
9 Y199310107 0.753052 34 Y199310326 1.679718
10 Y199310110 4.782128 35 Y199310333 1.941778
11 Y199310114 0.642621 36 Y199310335 5.184075
12 Y199310115 2.542676 37 Y199310399 4.413518
13 Y199310124 0.7723 38 Y199310418 2.864254
14 Y199310135 0.515936 39 Y199310430 2.918885
15 Y199310142 0.36483 40 Y199310454 2.569425
16 Y199310155 2.583619 41 Y199310472 3.258853
17 Y199310168 5.006701 42 Y199310494 1.118869
18 Y199310211 0.395276 43 Y199310515 1.850971
19 Y199310212 0.625831 44 Y199310545 0.810299
20 Y199310215 0.689616 45 Y199510026 2.150887
21 Y199310218 0.742082 46 Y199510038 0.68702
22 Y199310240 0.803405 47 Y199510048 0.456309
23 Y199310243 1.695659 48 Y199510069 1.436313
24 Y199310246 1.253889 49 Y199810012 0.342463
25 Y199310270 1.195412 50 Y200210006 0.74891

JW-Ildo

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA11.jpg
Fig. A11.

(a) Predicted groundwater level for the JW-Ildo groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A11.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the JW-Ildo monitoring location

# RMSE (m) # RMSE (m)
1 D199710033 1.687699 26 Y199310317 0.93336
2 D199910001 0.664639 27 Y199310322 0.554066
3 Y199310011 0.279348 28 Y199310324 1.248282
4 Y199310039 0.942166 29 Y199310344 1.201023
5 Y199310042 0.267883 30 Y199310349 0.298902
6 Y199310044 0.115086 31 Y199310357 0.47059
7 Y199310051 0.266886 32 Y199310361 0.448421
8 Y199310071 0.646166 33 Y199310373 0.304631
9 Y199310084 1.236433 34 Y199310383 1.897936
10 Y199310101 0.947476 35 Y199310424 0.182123
11 Y199310111 1.070103 36 Y199310432 0.356374
12 Y199310117 0.175653 37 Y199310444 0.985858
13 Y199310138 0.51258 38 Y199310473 0.835092
14 Y199310139 0.429634 39 Y199310495 0.140588
15 Y199310163 3.813826 40 Y199310508 0.565489
16 Y199310183 0.592303 41 Y199310523 0.170677
17 Y199310194 0.166763 42 Y199310564 0.461935
18 Y199310200 0.137131 43 Y199310565 0.155123
19 Y199310214 0.880945 44 Y199310568 1.492493
20 Y199310237 0.760288 45 Y199310569 2.615159
21 Y199310245 0.557482 46 Y199310597 0.128348
22 Y199310259 1.263905 47 Y199310599 0.371831
23 Y199310260 1.918578 48 Y199510003 0.267478
24 Y199310276 0.947464 49 Y199510025 0.351764
25 Y199310306 0.174333 50 Y199510033 0.949212

Geumsansuwonji

https://cdn.apub.kr/journalsite/sites/kseg/2022-032-04/N0520320420/images/kseg_2022_324_697_FA12.jpg
Fig. A12.

(a) Predicted groundwater level for the Geumsansuwonji groundwater monitoring location and (b) scatter plot between the actual and predicted groundwater levels.

Table A12.

Results of sensitivity analysis of groundwater usage data for predicting the groundwater level at the Geumsansuwonji monitoring location

# RMSE (m) # RMSE (m)
1 D199710033 1.910463 26 Y199310322 0.859781
2 D199910001 1.384482 27 Y199310324 1.140026
3 Y199310011 0.473579 28 Y199310344 1.072492
4 Y199310039 1.770006 29 Y199310349 1.795136
5 Y199310042 0.219581 30 Y199310357 0.184444
6 Y199310044 0.185214 31 Y199310361 0.924976
7 Y199310051 0.149674 32 Y199310373 0.105315
8 Y199310071 0.238327 33 Y199310383 1.987669
9 Y199310084 2.071062 34 Y199310424 0.960075
10 Y199310101 1.349558 35 Y199310432 0.105292
11 Y199310111 1.099339 36 Y199310444 1.8138
12 Y199310117 0.662971 37 Y199310473 0.269551
13 Y199310138 0.779997 38 Y199310495 0.148249
14 Y199310139 0.476601 39 Y199310508 1.220886
15 Y199310163 2.254982 40 Y199310523 0.39242
16 Y199310183 0.199549 41 Y199310564 0.445566
17 Y199310194 0.531693 42 Y199310565 0.486028
18 Y199310214 2.256606 43 Y199310568 1.661904
19 Y199310237 0.381336 44 Y199310569 2.155739
20 Y199310245 1.256401 45 Y199310597 0.18889
21 Y199310259 0.2842 46 Y199310599 1.29075
22 Y199310260 0.906723 47 Y199510003 0.605881
23 Y199310276 0.924502 48 Y199510025 0.789851
24 Y199310306 0.390766 49 Y199510033 0.1308
25 Y199310317 0.945948 50 Y199510044 0.110073

Acknowledgements

이 성과는 2022년도 스마트 그린도시 조성사업의 용천수 활용을 통한 물자원 순환체계 용역사업의 지원을 받아 수행된 연구임.

References

1
Afzaal, H., Farooque, A.A., Abbas, F., Acharya, B., Esau, T., 2020, Groundwater estimation from major physical hydrology components using artificial neural networks and deep learning, Water, 12, 5. 10.3390/w12010005
2
Altunkaynak, A., 2007, Forecasting surface water level fluctuations of Lake Van by artificial neural networks, Water Resources Management, 21(2), 399-408. 10.1007/s11269-006-9022-6
3
Castillo, E., Conejo, A.J., Castillo, C., Minguez, R., Ortigosa, D., 2006, Perturbation approach to sensitivity analysis in mathematical programming, Journal of Optimization Theory and Applications, 128, 49-74. 10.1007/s10957-005-7557-y
4
Chang, F.J., Chen, P.A., Lu, Y.R., Huang, E., Chang, K.Y., 2014, Real-time multi-step-ahead water level forecasting by recurrent neural networks for urban flood control, Journal of Hydrology, 517, 836-846. 10.1016/j.jhydrol.2014.06.013
5
Coulibaly, P., Anctil, F., Aravena, R., Bobée, B., 2001, Artificial neural network modeling of water table depth fluctuations, Water Resources Research, 37(4), 885-896. 10.1029/2000WR900368
6
Custodio, E., 2000, The complex concept of overexploited aquifer, Papeles de la Fundación Marcelino Botín, 1-45.
7
Famiglietti, J., 2014, The global groundwater crisis, Nature Climate Change, 4, 945-948. 10.1038/nclimate2425
8
Giordano, M., 2009, Global groundwater? Issues and solutions, Annual Review of Environment and Resources, 34, 153-178. 10.1146/annurev.environ.030308.100251
9
Hochreiter, S., Schmidhuber, J., 1997, Long short-term memory, Neural Computation, 9, 1735-1780. 10.1162/neco.1997.9.8.17359377276
10
Jeju Province, 2018, Water resources management plan in Jeju Province 2018-2022.
11
Jeong, J., Park, E., 2019, Comparative applications of data-driven models representing water table fluctuations, Journal of Hydrology, 572, 261-273. 10.1016/j.jhydrol.2019.02.051
12
Jeong, J., Park, J., Koh, E.H., Park, W.B., Jeong, J., 2022, A study on the hydraulic factors of groundwater level fluctuation by region in Jeju island, The Journal of Engineering Geology, 32(2), 257-270 (in Korean with English abstract).
13
Jung, W.Y., Yang, S.K., 2009, Simulation on runoff of rivers in Jeju Island using SWAT model, Journal of the Environmental Science, 18, 1045-1055 (in Korean with English abstract). 10.5322/JES.2009.18.9.1045
14
Kenda, K., Čerin, M., Bogataj, M., Senožetnik, M., Klemen, K., Pergar, P., Mladenić, D., 2018, Groundwater modeling with machine learning techniques: Ljubljana polje aquifer, Multidisciplinary Digital Publishing Institute Proceedings, 2(11), 697. 10.3390/proceedings2110697
15
Kim, G., Lee, K.K., Park, K.S., Hwang, D.W., Yang, H.S., 2003, Large submarine groundwater discharge (SGD) from a volcanic island, Geophysical Research Letters, 30. 10.1029/2003GL018378
16
Kim, J., 2021, Current status of Jeju special self-governing province’s water infrastructure and direction for improvement, Journal of Korean Society of Water and Wastewater, 35, 497-505 (in Korean with English abstract). 10.11001/jksww.2021.35.6.497
17
Kim, M.C., Yang, S.K., 2019, Analysis of groundwater flow characterstics and hydraulic conductivity in Jeju Island using groundwater model, Journal of Environmental Science International, 28(12), 1157-1169 (in Korean with English abstract). 10.5322/JESI.2019.28.12.1157
18
Kim, N., Na, H., Chung, I.M., Kim, Y., 2014, Empirical formula of delay time for groundwater recharge in the representative watersheds, Jeju Island, Journal of Korea Water Resources Association, 47(9), 743-752 (in Korean with English abstract). 10.3741/JKWRA.2014.47.9.743
19
Lee, S., Jeong, J., Kim, M., Park, W., Kim, Y., Park, J., Park, H., Park, G., Jeong, J., 2021, Data-driven analysis for developing the effective groundwater management system in Daejeong-Hangyeong watershed in Jeju island, Economic and Environmental Geology, 54(3), 373-387 (in Korean with English abstract). 10.9719/EEG.2021.54.3.373
20
Liu, D., Li, G., Fu, Q., Li, M., Liu, C., Faiz, M.A., Cui, S., 2018, Application of particle swarm optimization and extreme learning machine forecasting models for regional groundwater depth using nonlinear prediction models as preprocessor, Journal of Hydrologic Engineering, 23(12), 04018052. 10.1061/(ASCE)HE.1943-5584.0001711
21
Maier, H.R., Dandy, G.C., 1996, The use of artificial neural networks for the prediction of water quality parameters, Water Resources Research, 32(4), 1013-1022. 10.1029/96WR03529
22
Müller, J., Park, J., Sahu, R., Varadharajan, C., Arora, B., Faybishenko, B., Agarwal, D., 2021, Surrogate optimization of deep neural networks for groundwater predictions, Journal of Global Optimization, 81, 203-231. 10.1007/s10898-020-00912-0
23
Park, E., Jeong, J., Choung, S., Han, W., Kim, K.Y., S, H., 2021, A method for integrating delayed recharge flux through unsaturated zones into analytical and numerical groundwater flow modeling, Water Resources Research, 57. 10.1029/2020WR027655
24
Prabhakaran, V., Hutchinson, B., Mitchell, M., 2019, Perturbation sensitivity analysis to detect unintended model biases, Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, Hong Kong, China, 5740-5745. 10.18653/v1/D19-1578
25
Shin, K.H., Koo, M.H., Chung, I.M., Kim, N.W., Kim, G.P., 2014, analyzing spatio-temporal variation of groundwater recharge in Jeju Island by using a convolution method, Journal of Environmental Science International, 23(4), 625-635 (in Korean with English abstract). 10.5322/JESI.2014.4.625
26
Shin, M.J., Moon, S.H., Koh, G.W., Moon, D.C., 2020, Estimation of delay time between precipitation and groundwater level in the middle mountain area of Pyoseon watershed in Jeju Island using moving average method and cross correlation coefficient, Journal of Korea Water Resources Association, 53(7), 553-543 (in Korean with English abstract).
27
Siebert, S., Burke, J., Faures, J.M., Frenken, K., Hoogeveen, J., Doell, P., Portmann, F.T., 2010, Groundwater use for irrigation - a global inventory, Hydrology and Earth System Science, 14, 1863-1880. 10.5194/hess-14-1863-2010
28
Snoek, J., Larochelle, H., Adams, R.P., 2012, Practical Bayesian optimization of machine learning algorithms, Proceedings of the 25th International Conference on Neural Information Processing Systems, Lake Tahoe, Nevada, 2, 2951-2959.
29
Taylor, R.G, Scanlon, B., Doell, P., Rodell, M., Beek, R., Wada, Y., Longuevergne, L., Leblanc, M., Famiglietti, J., Edmunds, M., Konikow, L., Green, T., Chen, J., Taniguchi, M., Bierkens, M.F.P., Macdonald, A., Fan, Y., Maxwell, R., Yechieli, Y., Treidel, H., 2013, Ground water and climate change, Nature Climate Change, 3, 322-329. 10.1038/nclimate1744
30
Won, J.H., Lee, J.Y., Kim, J.W., Koh, G.W., 2006, Groundwater occurrence on Jeju Island, Korea, Hydrogeology Journal, 14, 532-547. 10.1007/s10040-005-0447-4
31
Wunsch, A., Liesch, T., Broda, S., 2018, Forecasting groundwater levels using nonlinear autoregressive networks with exogenous input (NARX), Journal of Hydrology, 567, 743-758. 10.1016/j.jhydrol.2018.01.045
32
Yang, S.K, 2007, River management and improvement measured of Jeju island, River & Culture, Korea River Association, 3, 105-115.
33
Young, C.C., Liu, W.C., Hsieh, W.L., 2015, Predicting the water level fluctuation in an alpine lake using physically based, artificial neural network, and time series forecasting models, Mathematical Problems in Engineering, 2015, 708204. 10.1155/2015/708204
34
Zhang, J., Zhu, Y., Zhang, X., Ye, M., Yang, J., 2018, Developing a long short-term memory (LSTM) based model for predicting water table depth in agricultural areas, Journal of Hydrology, 561, 918-929. 10.1016/j.jhydrol.2018.04.065
페이지 상단으로 이동하기