MODFLOW와 딥러닝 모델의 통합을 통한 지하수 수준 예측

• 지하수 수준 예측을 위한 딥러닝 기법 사용. • MODFLOW에 Transformer와 PatchTST를 결합하여 예측 정확도 향상. • 하이브리드 모델이 MODFLOW 단독보다 더 나은 예측 정확도를 향상시킴. • PatchTST는 시간적 수문학적 특성을 포착하여 Transformer보다 우수한 성능을 보임. 지하수 고갈은 21세기 인류의 가장 중요한 지속 가능성 문제 중 하나임에 틀림없다. 따라서 지하수 수준 예측의 정확성을 개선하고 효과적인 지하수 관리를 지원하기 위한 현대 도구 개발이 필수적이다. 본 연구는 MODFLOW와 데이터 기반의 딥러닝 모델의 장점을 결합한 새로운 하이브리드 접근법을 제시한다. MODFLOW 모델은 연구 지역의 관측정 데이터를 활용하여 정상 상태에서 보정되어 결정 계수(R²) 0.999를 달성하였다. 이어서 한 해의 비정상 데이터에 대해 R² 0.912로 보정되었다. 보정된 모델을 기반으로 생성된 데이터를 사용하여 딥러닝 모델을 학습하였다. Transformer와 PatchTST 모델은 수압을 예측하기 위해 Aquifer 유형, 웰 좌표, 펌핑 속도, 재충전 및 감소를 입력으로 사용하였다. 결과적으로 두 하이브리드 모델은 MODFLOW 단독보다 예측에서 우수한 성능을 보였다. 평균 제곱 오차(MSE) 값은 MODFLOW에서 0.21, Transformer에서 0.0039, PatchTST에서 0.000514이었다. 이러한 개선은 딥러닝 모델이 과거 데이터로부터 시간적 패턴과 반복적 행동을 학습할 수 있는 능력에 기인한 반면, 수치 모델은 미래 패턴을 학습하지 않고 물리적 방정식에 의존하기 때문이다. 또한 딥러닝 모델을 비교할 때 PatchTST는 더 낮은 MSE 0.00027을 기록하여 더 나은 성능을 보였고, Transformer는 테스트 단계에서 MSE 0.0408을 보였다. PatchTST의 향상된 성능은 패치 기반 학습 메커니즘 덕분으로, 수문학적 데이터의 시간적 패턴을 더 효율적으로 인식할 수 있게 한다.