2020年8月，经过一段时间的干旱和强降雨，位于韩国蟾津河附近的一座大坝在放水时发生溢流，造成的损失超过1000亿韩元(7600万美元)。洪水的原因是大坝的水位比正常水平高出6米。通过预测性大坝管理可以避免这一事件吗?

由JonghunKam教授和EunmiLee博士领导的研究小组来自浦项科技大学(POSTECH)环境科学与工程系的候选人最近采用深度学习技术来审查大坝的运行模式并评估其有效性。他们的研究结果发表在《水文学杂志》上。

韩国在夏季面临降水高峰，依赖水坝和相关基础设施进行水管理。然而，不断升级的全球气候危机导致不可预见的台风和干旱的出现，使大坝运营变得更加复杂。为此，一项新的研究应运而生，旨在通过利用经过大量大数据训练的人工智能(AI)模型的潜力来超越传统的物理模型。

该团队专注于构建人工智能模型，不仅旨在预测Seomjin江流域内水坝的运行模式，特别是Seomjin江大坝、Juam水坝和Juam控制水坝，而且还了解水坝的决策过程。经过训练的人工智能模型。

他们的目标是制定一个情景，概述预测大坝水位的方法。该团队采用门控循环单元(GRU)模型(一种深度学习算法)，使用蟾津江沿岸水坝2002年至2021年的数据对其进行训练。降水、流入和流出数据作为输入，而每小时的水坝水位作为输出。该分析显示出极高的准确性，效率指数超过0.9。

随后，团队设计了可解释的场景，对每个输入变量的输入进行-40%、-20%、+20%和40%的操作，以检查经过训练的GRU模型如何响应这些输入变化。虽然降水量的变化对大坝水位的影响可以忽略不计，但入水量的变化却对大坝的水位产生了显着的影响。值得注意的是，相同的出水量变化会在不同的水坝产生不同的水位，这证实了GRU模型有效地了解了每个水坝独特的运行细微差别。

JonghunKam教授表示：“我们的研究不仅限于预测大坝运营模式，还使用人工智能模型将其有效性安全化。我们引入了一种方法，旨在间接了解基于人工智能的黑匣子模型确定大坝水位的决策过程。”

他进一步表示：“我们的愿望是，这种见解将有助于更深入地了解大坝运营并提高未来的效率。”