유역-댐-하천을 연계한 저수지 운영을 위해서는 먼저 대상유역의 물순환 시스템을 높은 신뢰도로 학습하는 것이 중요하다. 이러한 물순환 시스템의 인공지능 학습 기술에서 보편적으로 활용되고 있는 LSTM(Long Short Term Memory)은 일단위 강우-유출 과정에 대해서는 충분히 모의 가능한 것으로 확인되고 있으나, 시간 단위로 해상도를 높이는 경우 기존LSTM의 메모리 층으로는 한계가 있는 것으로 알려져 있다. 이를 위한 해결 방안으로 Seq2Seq LSTM (Sequence-to-sequence LSTM) 등 조금 더 고도화된 기술이 시도되고 있으나, 본 연구에서는 이러한 언어모델에 특화된 기술을 도입하는 대신 물순환 시스템의 장단기 메모리 특성을 고려하여 기존 LSTM의 메모리 층을 개선하는 시도를 하였다. 사람의 Sensory Memory 단계를 모방하여, 입력자료에 대한 메모리를 순간적으로 증폭시키는 과정을 추가함으로써, 간접적으로 LSTM의 메모리 층을 높이는 효과를 가지고자 시도하였다. 해당 기술을 섬진강 수계에 적용한 결과, 시간단위 해상도로 유역-댐-하천을 연계한 물순환 시스템 모의 가능성이 확인되었다. 본 연구를 통해 강우, 온도, 습도 등 기상상황에 대한 입력자료와 댐 방류 의사결정에 따른 하천의 수위 변화를 예측할 수 있는 AIS학습기술을 제안하였으며, 향후 해당기술의 도입으로 AI기반 댐 방류 최적화 기술개발의 기반을 마련할 수 있을 것으로 기대된다.