본 연구에서는 홍수시 다목적댐의 효율적 운영을 위하여 상류로부터 유입되는 홍수유입량을 실시간으로 예측하기 위해 역전파 신경망 모형을 사용하여 댐유입량 예측모형(Neural Dam Inflow Forecasting Model; NDIFM)을 개발하였다. NDIFM은 다목적댐에 의한 하류의 홍수조절 비중이 큰 낙동강의 남강댐 유역에 적용하였으며, 입력자료로는 댐유역 평균강우량, 실측 댐유입량, 예측 댐유입량 통을 사용하여 실시간 댐유입량 예측의 가능성을 검토하였다. 실측치와 예측치를 비교ㆍ검토한 결과 제시한 세 가지 모형 중 NDIFM-I이 가장 우수한 결과를 나타내었으며, NDIFM-II 및 NDIFM-III 또한 다양한 예측가능성을 보여주었다. 따라서, 강우-유출의 비선형시스템 모의를 위하여 물리적 매개변수가 복잡한 개념적 모형보다는 양질의 수문관측 자료만 축적된다면 블랙박스 모형인 신경망 모형이 실시간 홍수예측에 효율적으로 활용될 수 있을 것이다.
본 연구에서는 홍수시 다목적댐의 효율적 운영을 위하여 상류로부터 유입되는 홍수유입량을 실시간으로 예측하기 위해 역전파 신경망 모형을 사용하여 댐유입량 예측모형(Neural Dam Inflow Forecasting Model; NDIFM)을 개발하였다. NDIFM은 다목적댐에 의한 하류의 홍수조절 비중이 큰 낙동강의 남강댐 유역에 적용하였으며, 입력자료로는 댐유역 평균강우량, 실측 댐유입량, 예측 댐유입량 통을 사용하여 실시간 댐유입량 예측의 가능성을 검토하였다. 실측치와 예측치를 비교ㆍ검토한 결과 제시한 세 가지 모형 중 NDIFM-I이 가장 우수한 결과를 나타내었으며, NDIFM-II 및 NDIFM-III 또한 다양한 예측가능성을 보여주었다. 따라서, 강우-유출의 비선형시스템 모의를 위하여 물리적 매개변수가 복잡한 개념적 모형보다는 양질의 수문관측 자료만 축적된다면 블랙박스 모형인 신경망 모형이 실시간 홍수예측에 효율적으로 활용될 수 있을 것이다.
In this study, real-time forecasting model(Neural Dam Inflow Forecasting Model; NDIFM) based on neural network to predict the dam inflow which is occurred by flood runoff is developed and applied to check its availability for the operation of multi-purpose reservoir Developed model Is applied to pre...
In this study, real-time forecasting model(Neural Dam Inflow Forecasting Model; NDIFM) based on neural network to predict the dam inflow which is occurred by flood runoff is developed and applied to check its availability for the operation of multi-purpose reservoir Developed model Is applied to predict the flood Inflow on dam Nam-Gang in Nak-dong river basin where the rate of flood control dependent on reservoir operation is high. The input data for this model are average rainfall data composed of mean areal rainfall of upstream basin from dam location, observed inflow data, and predicted inflow data. As a result of the simulation for flood inflow forecasting, it is found that NDIFM-I is the best predictive model for real-time operation. In addition, the results of forecasting used on NDIFM-II and NDIFM-III are not bad and these models showed wide range of applicability for real-time forecasting. Consequently, if the quality of observed hydrological data is improved, it is expected that the neural network model which is black-box model can be utilized for real-time flood forecasting rather than conceptual models of which physical parameter is complex.
In this study, real-time forecasting model(Neural Dam Inflow Forecasting Model; NDIFM) based on neural network to predict the dam inflow which is occurred by flood runoff is developed and applied to check its availability for the operation of multi-purpose reservoir Developed model Is applied to predict the flood Inflow on dam Nam-Gang in Nak-dong river basin where the rate of flood control dependent on reservoir operation is high. The input data for this model are average rainfall data composed of mean areal rainfall of upstream basin from dam location, observed inflow data, and predicted inflow data. As a result of the simulation for flood inflow forecasting, it is found that NDIFM-I is the best predictive model for real-time operation. In addition, the results of forecasting used on NDIFM-II and NDIFM-III are not bad and these models showed wide range of applicability for real-time forecasting. Consequently, if the quality of observed hydrological data is improved, it is expected that the neural network model which is black-box model can be utilized for real-time flood forecasting rather than conceptual models of which physical parameter is complex.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
현재 우리나라에서는 다목적 저수지의 실용적 유입량 예측기법으로 저류함 수법에 의한 추적법을 사용하고 있으나 홍수 유입량의 실시간 예측에 많은 문제점을 가지고 있다. 따라서, 본 연구에서는 역전파 신경망 모형을 사용하여 홍수시 불확실한 비선형 시스템의 특성을 갖는 다목적 저수지의 유입량 예측을 시도하였다. 댐 유입량 예측을 위한 모형은 실시간으로 전송되는 입력자료에 따라 3가지로 구성하였으며, 선행 강우량과 선행 유입량에 의한 NDIFM- I, 선행강우량만에 의한 NDIFM-n, 모형을 통해 전시간 예측된 선행예측유 입량과 선행 강우량에 의한 NDIFMTII를 각각 구축하였다.
가설 설정
대수게 내의 홍.: 유입 은 수원으로부터 자연상태의 유이지류와 유츌성, 그리고 하도 흐름의 수리학적득성에 의하여 유입된다. 국내에서는 이러한 다목적댐의 실용적 유입량 예측기법으로 저류함 수법에 의한 유역 및 하도 추적법을 사용하고 있으며, 이는 과거 실제 자료가 부족할 때에는 유용한 모형이었으나, 현재 수많은 수문관측 자료의 축적으로 다양한 모형의 검토가 요구되고 있다.
제안 방법
각 모형의 성능을 판단하기 위하여 표 3의 입력 변수 의 선행시간을 각 모형별로 적용하였다. 표 2에서 제시한 상대첨두치 오차(RPE), 상대총량 오차(RVE), 절대평균 편차(AMB), 제곱근 평균자승오차(RMSE), 그리고 상관계수(CC)를 이용하여 각 모형의 검증 결과를 분석하여 표4에 비교하였다.
따라서, 홍수시 다목 적댐에 의한 수량 조절이 홍수방제의 큰 비중을 차지하고 있는 낙동강 유역의 댐 유입량 예측을 위해 남강댐 유역을 선정하였고, 입력자료의 종류에 따라 역전파 신경망 모형을 구축하였다. 남강댐 유역은 평균 홍수도달 시간이 약 12시간(건설교통부, 2001)으로, 이의 50%에 해당하는 1~6시간을 구축된 신경망 모형의 예측시간 (lead time)으로 설정하였으며, 남강댐 유역의 단시간 홍수 유입량 예측뿐만 아니라 장시간 예측에 대한 가능 성도 검토하고자 한다.
댐 유입량 예측 모형은 실시간으로 전송되어 입력되는 자료의 종류에 따라 그림 4와 같이 3가지로 구분하였으며 각 모형의 입력값으로 NDIFM-1 (Neural Dam Inflow Forecasting Model I)은 선행 강우량과 선행 유입 량 자료를, NDIFM-ZI는 선행 강우량 자료만을, 그리고 NDIFM-Ⅲ은 선행강우량과 모형을 통해 전시간 예측된 선행예측 유입량 자료를 사용하여 모형을 구축하였다. 각 모형의 출력값은 현재부터 6시간 후의 유입량까지 예측할 수 있도록 모형을 구성하였고, 각각의 모형을 수식화 하면 식(3)~식 (5)와 같이 나타낼 수 있다.
따라서, 본 연구에서는 역전파 신경망 모형을 사용하여 홍수시 불확실한 비선형 시스템의 특성을 갖는 다목적 저수지의 유입량 예측을 시도하였다. 댐 유입량 예측을 위한 모형은 실시간으로 전송되는 입력자료에 따라 3가지로 구성하였으며, 선행 강우량과 선행 유입량에 의한 NDIFM- I, 선행강우량만에 의한 NDIFM-n, 모형을 통해 전시간 예측된 선행예측유 입량과 선행 강우량에 의한 NDIFMTII를 각각 구축하였다. 각각의 모형에 의한 적용 결과를 요약하면 다음과 같다.
본 연구에서는 확정론적 홍수 추적 모형들이 가진 홍 수예측 능력의 정확성을 향상시키기 위하여 복잡한 물리적 매개 변수에 의존하는 기존 모형들과는 달리 비선 형적인 자연현상을 모형의 자동학습에 의하여 모의가 가능한 신경망 모형을 사용하였다. 따라서, 홍수시 다목 적댐에 의한 수량 조절이 홍수방제의 큰 비중을 차지하고 있는 낙동강 유역의 댐 유입량 예측을 위해 남강댐 유역을 선정하였고, 입력자료의 종류에 따라 역전파 신경망 모형을 구축하였다. 남강댐 유역은 평균 홍수도달 시간이 약 12시간(건설교통부, 2001)으로, 이의 50%에 해당하는 1~6시간을 구축된 신경망 모형의 예측시간 (lead time)으로 설정하였으며, 남강댐 유역의 단시간 홍수 유입량 예측뿐만 아니라 장시간 예측에 대한 가능 성도 검토하고자 한다.
선정한 홍수 사상에 대한 첨두강우량 및 첨두유입량 등의 홍수 유출 특성을 분석하여 표 1에 정리하였다. 또한, 홍수분석에 사용한 각 사상의 강우량 자료는 낙동강 홍수통제소의 수문자료 DB로부터 수집하여 남강댐 상류 25개소의 T/M 우량 관측소 지점강우량 을 500m 격자망을 기반으로 하는 크리깅(kHging) 기법을 적용하여 유역평균 강우량으로 변환하였다.
본 연구에서는 이상에서 제시한 각 모형의 학습을 위해 역전파 알고리즘 학습방법 중 모멘트법을 사용하였으며, 학습반복수(epoch)는 학습 초기에 모형의 오차값이 거의 수렴하였으므로 2,000번을 동일하게 적용하였다.
본 연구의 각 NDIFM 모형 입력 변수들은 모형의 입력자료로 선정한 선행 강우시간, 댐 유입량 선행시간, 은닉절점 개수에 대한 민감도 분석을 통하여 결정하였다. 은닉절점의 개수는 5, 10, 15, 20개 등에 대하여 분석한 결과표 2의 검정기준이 절점 개수에 따라 큰 변화 양상을 보이지 않았으므로, 모형의 학습시간을 고려하여 은닉절점의 개수를 15개 로 고정하였다.
본 연구의 각 NDIFM 모형 입력 변수들은 모형의 입력자료로 선정한 선행 강우시간, 댐 유입량 선행시간, 은닉절점 개수에 대한 민감도 분석을 통하여 결정하였다. 은닉절점의 개수는 5, 10, 15, 20개 등에 대하여 분석한 결과표 2의 검정기준이 절점 개수에 따라 큰 변화 양상을 보이지 않았으므로, 모형의 학습시간을 고려하여 은닉절점의 개수를 15개 로 고정하였다. 그 후 NDIFM 모형별로 5, 10, 15, 20, 30, 40시간의 선행 강우시간과 3, 5, 7, 15시간의 댐 유입량 선행시간에 대하여 민감도 분석을 수행하여 선정한 신경망 모형 입력 변수의 선행시간은 표 3과 같으며, 표 3에서 선정한 입력변수들은 비매개 변수법의 특성상 물리적인 의미를 내포하지는 않는다.
대상 데이터
본 연구에서는 앞에서 제시한 모형을 댐 유입량의 예측에 적용하기 위하여 그림 5와 같이 우리나라 제2의 하천인 낙동강의 남강댐 유역을 선정하였다. 남강댐은 총 저수용량이 3억9백만톤, 홍수조절용량이 2억7천만 톤에 달하는 콘크리트 표면차수벽형 석괴식댐으로 남강댐 유역은 낙동강의 제1지류에 속해 있으며, 낙동강 합류지점으로부터 약 80 km 상류지점에 위치한다.
신경망 모형의 학습 및 검증을 위한 홍수자료로는 표 1과 같이 과거의 8개 사상을 선정하여 5개 사상은 역전파 모형의 학습에, 3개의 사상은 구축된 모형의 검증에 사용하였다. 선정한 홍수 사상에 대한 첨두강우량 및 첨두유입량 등의 홍수 유출 특성을 분석하여 표 1에 정리하였다.
데이터처리
각 모형의 성능을 판단하기 위하여 표 3의 입력 변수 의 선행시간을 각 모형별로 적용하였다. 표 2에서 제시한 상대첨두치 오차(RPE), 상대총량 오차(RVE), 절대평균 편차(AMB), 제곱근 평균자승오차(RMSE), 그리고 상관계수(CC)를 이용하여 각 모형의 검증 결과를 분석하여 표4에 비교하였다.
이론/모형
본 연구에서는 확정론적 홍수 추적 모형들이 가진 홍 수예측 능력의 정확성을 향상시키기 위하여 복잡한 물리적 매개 변수에 의존하는 기존 모형들과는 달리 비선 형적인 자연현상을 모형의 자동학습에 의하여 모의가 가능한 신경망 모형을 사용하였다. 따라서, 홍수시 다목 적댐에 의한 수량 조절이 홍수방제의 큰 비중을 차지하고 있는 낙동강 유역의 댐 유입량 예측을 위해 남강댐 유역을 선정하였고, 입력자료의 종류에 따라 역전파 신경망 모형을 구축하였다.
성능/효과
(1) 신경망 모형의 매개 변수는 물리적 의미를 내포하지는 않으나, NDIFM 모형에 입력되는 강우량 또는 댐 유입량의 선행시간이 표 3에서와 같이 10또는 15시간 정도의 지체시간을 갖는다는 것은 댐유역 유출로 인한 현재 시점의 홍수 유입량이 약 10~15시간 전의 강우량이나 댐 유입량 값까지 상관성을 갖는다고 할 수 있다.
(2) 모형의 성능은 입력 변수가 강우량만으로 구성된 NDIFM-II와 모형의 전시간 예측값을 이용한 NDIFM-m 보다는 NDIFM- I 이 우수한 결과를 나타내었다. NDIFM-II와 NDIFM-HI는 NDIFM- I 에 비해 예측값의 정확도는 비교적 낮으나 충분한 예측 가능성을 나타내고 있다.
(3) 각각의 모형에서 단시간인 1, 2시간 예측 결과 뿐만 아니라, 본 연구에서 제시한 모형의 최대 예측시간인 6시간 예측 결과 또한 모든 모형의 상관계수가 0.84 이상이므로 6시간 이상의 장시간 예측에 대한 가능성을 보여주고 있다. 단, 현재로서는 장시간에 대한 예측정 확도보다는 가능성 자체에 의미를 둘 수 있으며, 예측 정확도는 지속적인 연구에 의하여 향상시킬 수 있을 것이다.
각 모형별 검증 결과 NDIFM- I 이 NDlFM-n 또는 NDIFM-HI에 비해 우수한 성능을 나타내었다. NDIFM- I 에서는 2시간 예측치까지 첨두 오차와 총량 오차가 5% 이내, 상관계수가 0.98 이상이었으며, 6시간까지의 예측치도 첨두 오차와 총량 오차가 20% 이내, 상관계수가 0.92로 만족할 만한 성과를 나타내고 있다. 또한, NDIFM-II 와 NDIFMTII도 NDIFM- I 에 비해 그 예측성능은 떨어 지지만 충분한 예측 가능성을 보여주고 있다.
각 모형별 검증 결과 NDIFM- I 이 NDlFM-n 또는 NDIFM-HI에 비해 우수한 성능을 나타내었다. NDIFM- I 에서는 2시간 예측치까지 첨두 오차와 총량 오차가 5% 이내, 상관계수가 0.
본 연구를 통하여 다목적댐 홍수 유입량의 예측 정확성을 향상시킬 수 있었으며, 본 연구에서 제시한 신경망 모형은 수문자료의 품질과 관측 자료의 유출 패턴이 모형의 성능에 미치는 영향이 지배적이다. 따라서, 지속적인 수문 자료의 품질 향상과 다양한 강우-유출 패턴의 축적으로 더욱 정확한 유입량의 예측이 가능할 것이며, 수문자료의 범위를 T/M에만 국한한 것이 아니라, 차후 강우레이더를 비롯한 고해상도의 RS(Remote Sensing) 자료를 이용한 강우예측연구와 병행하여야 할 것이다.
적용된 검증 자료 중 검증 사상 2에 대한 실측 홍수 유 입량 곡선과 예측수문곡선을 그림 6~그림 8에 비교하 였다 NDIFM- I 과 NDIFMTⅢ의 홍수 유입 량 예측수문 곡선은 실제 수문곡선의 추세는 잘 따르고 있지만 첨두치를 과대평가하는 경향이 나타나며, 강우량 자료만을 예측에 사용한 NDIFM-Ⅱ는 예측치의 대부분이 실제의 유입량 수문곡 선보다 아래에 있으므로 실제보다 과 소 평가하는 경향이 나타남을 알 수 있다.
후속연구
84 이상이므로 6시간 이상의 장시간 예측에 대한 가능성을 보여주고 있다. 단, 현재로서는 장시간에 대한 예측정 확도보다는 가능성 자체에 의미를 둘 수 있으며, 예측 정확도는 지속적인 연구에 의하여 향상시킬 수 있을 것이다.
본 연구를 통하여 다목적댐 홍수 유입량의 예측 정확성을 향상시킬 수 있었으며, 본 연구에서 제시한 신경망 모형은 수문자료의 품질과 관측 자료의 유출 패턴이 모형의 성능에 미치는 영향이 지배적이다. 따라서, 지속적인 수문 자료의 품질 향상과 다양한 강우-유출 패턴의 축적으로 더욱 정확한 유입량의 예측이 가능할 것이며, 수문자료의 범위를 T/M에만 국한한 것이 아니라, 차후 강우레이더를 비롯한 고해상도의 RS(Remote Sensing) 자료를 이용한 강우예측연구와 병행하여야 할 것이다.
참고문헌 (16)
건설교통부 (2001), 지능형 신경망 모형을 적용한 낙동강 홍수예보시스템 개선
신현석, 박무종 (1999a). '신경망을 이용한 우리나라의 시공간적 가뭄의 해석,' 한국수자원학회 논문집, 한국수자원학회, 제32권, 제1호, pp. 15-29
신현석, 박무종 (1999b). '신경망 기법을 이용한 연평균 강우량의 공간 해석,' 한국수자원학회 논문집, 한국수자원학회, 제32권, 제1호, pp. 3-13
신현석 (1998). '인공 신경망의 수자원 및 환경 분야에의 응용,' 한국수자원학회지, 한국수자원학회, 제31권, 제1호, pp. 97-103
안상진, 전계원 (2001b). 'RBF를 이용한 홍수유출량 예측,' 대한토목학회 논문집, 대한토목학회, 제21권, 제6-B호, pp. 599-607
Cameron M. Zealand, Donald H. Burn and Slobodan P. Simonovic (1999). 'Short term streamflow forecasting using artificial neural networks,' Journal of Hydrology, Vol. 214, pp. 32-48
Hyun-Suk Shin and Jose D. Salas (2000). 'Regional drought analysis based on neural networks,' Journal of Hydrologic Engineering, Vol. 5, No. 2, pp. 145-155
Jason Smith and Robert N. Eil (1995). 'Neural-network models of rainfall-runoff process,' Journal of Water Resources Planning and Management, Vol. 121, No. 6, pp. 499-508
Marina Campolo, Paolo Andreussi, and Alfredo Soldati (1999). 'River flood forecasting with a neural network model,' Water Resources Research, Vol. 35, No. 4, pp. 1191-1197
N. Sajikumar and B. S. Thandaveswara (1999). 'A non-linear rainfall-runoff model using an artificial neural network,' Journal of Hydrology, Vol. 216, pp. 32-55
P.J. Werbos (1974). Beyond regression: New tools for prediction and analysis in the behavioral sciences, Ph.D. Thesis, Harvard University, Cambridge, MA
Rumelhart, D.E., Hinton, G.E., and Williams, R.J. (1986). 'Learning internal representations by error back propagation,' Parallel distributed processing, Edited by Rumelhart, D.E., McCelland, J.L. and PDP Research Group, Chapter 8, Cambridge, MA, MIT Press
※ AI-Helper는 부적절한 답변을 할 수 있습니다.