❏ 테스트 시스템 사양은 다음과 같습니다.

• Ubuntu 18.04
• Python 3.7.9
• Tensorflow-gpu 2.4.1
• CUDA 11.1
• cuDnn 8.0.4

❏ 데이터 수집

본 튜토리얼은 한강의 가평 자동측정망을 대상으로 5가지의 항목 예측을 시행합니다.

예측에 필요한 데이터 파일(.xlsx)을 준비합니다.

예측 대상지점인 “가평”과 상류 2개의 지점인 “의암호”, “서상“ 의 자동측정망과 ”대성리“, ”청평댐3“, ”남이섬“, ”가평천3“, ”춘성교“, ”의암“, ”춘천“, ”춘천댐1“, ”춘천댐3” 의 수질측정망, “조종천3”, “청평”, “가평천3”, “춘성교”, “화천”의 총량측정망의 2013년 ~ 2020년 까지의 (총 136개의)엑셀 파일을 준비합니다.

[data]->[han] 폴더에 측정망별로 엑셀파일이 존재합니다.

필요 Library를 설치 합니다.

$ pip install –r requirement.txt

1. [input] 폴더안의 input.json을 변경 합니다.
   input.json 의 형식은 다음과 같습니다.

    "file": {
        "watershed": "han"
    },
    "gain": {
        "train": false,
        "max_epochs": 2000,
        "batch_size": 32,
        "input_width": 120,
        "label_width": 120,
        "shift_width": 120,
        "fill_width": 3,
        "miss_rate": 0.2
    },
    "rnn": {
        "train": false,
        "max_epochs": 15,
        "target_column": "do",
        "batch_size": 128,
        "input_width": 240,
        "label_width": 120,
        "predict_day": 5
    }
}

• watershed :
  강 유역을 선택하는 항목으로 “han”, “nak”, “geum”, “yeong”을 입력할 수 있습니다. han을 입력할 경우 [input] 폴더 안에 han.json 파일이 존재해야 합니다. (han.json은 한강의 예측에 사용될 데이터(엑셀파일)가 명시된 파일입니다.)
• gain :
  data imputation의 train 여부와 epoch등의 파라메터를 정의 합니다.
• rnn :
  AI 예측 모델의 train 여부와 epoch, 예측항목 등의 파라메터를 정의 합니다.

2. AI 모델 예측 실행
   input.json을 변경 후 다음의 명령어로 AI 모델을 실행합니다.

$ python main.py

이후 input.json의 "target_column"을 “toc”, ”tn”, ”tp“, ”chl-a“로 변경하며 각각의 항목을 테스트 합니다.
(또한 강 유역별로 변경하며 테스트 가능합니다. ”nak“, ”geum“, ”yeong”)

예측 일자 5일 후를 기준으로 4대강의 5가지 항목을 테스트한 결과입니다.

측정지표 NSE 수치 범위