$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

상층기상자료와 신경망기법을 이용한 면적강우 예측
Forecast of Areal Average Rainfall Using Radiosonde Data and Neural Networks 원문보기

韓國水資源學會論文集 = Journal of Korea Water Resources Association, v.39 no.8 = no.169, 2006년, pp.717 - 726  

김광섭 (경북대학교 토목공학과)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 상층기상자료, 자동 기상 관측망 자료 및 신경망기법을 사용하여 단시간 강우 예측 모형을 개발하였다. 호우를 동반한 이송 기상 시스템의 이동 경로가 라디오존데로부터 획득할 수 있는 상층기상 자료 즉 상층 풍향자료와 동일한 방향으로 이동한다는 가정 하에 원거리에서 발생하는 기상현상의 발달과정을 판단 할 수 있는 알고리즘을 개발하고, 이러한 원거리 입력 자료와 예측하고자 하는 값 사이의 비선형 상관관계를 연결하는 기법으로 인공 신경망 기법을 도입하였다. 개발된 모형을 2002년 태풍 루사로 인하여 큰 피해를 입은 감천지역에 적용하였다. 포항과 오산의 라디오존데에서 획득한 700mb에서의 풍향자료와 5년의 자료기간을 가지는 350개의 자동 기상 관측망 자료를 입력 자료로 사용하였으며 결과는 상층 풍향자료를 사용한 경우에 상관계수가 0.41에서 0.73으로 개선되었으며 숙련도도 35%향상되었다. 모형의 개선도를 나타내는 통계치의 개선을 통해 상층기상자료를 활용한 강우예측 모형이 단지 지상 강우계 자료만 사용한 예측보다 개선된 결과를 보여줌을 알 수 있다.

Abstract AI-Helper 아이콘AI-Helper

In this study, we developed a rainfall forecasting model using data from radiosonde and rain gauge network and neural networks. The primary hypothesis is that if we can consider the moving direction of the rain generating weather system in forecasting rainfall, we can get more accurate results. We a...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 2002년 8월 30일부터 9월 1일 동안에 감천 유역을 지나간 태풍 루사로 인한 피해는 6000여명의 이재민과 26명의 인명피해를 포함하여 4000여억원의 재산피해를 발생시켰다. 개발된 모형이 감천 유역에 대하여 2002년 호우시기의 강수량을 잘 예측할 수 있는지에 대하여 모의 하였다.
  • 습도를 측정하는 기상관측 기계인 라디오존데로부터 획득할 수 있는 정보는 원거리 기상 상태를 판단할 수 있도록 하였고 대상 유역으로 접근하고 있는 기상시스템의 특성을 홍수 예측에 이용할 수 있게 하였다(예를 들면 접근하고 있는 기상시스템의 종류[모양, 온도, 생성된 시간으로부터 사멸되기까지 소요되는 시간 등에 따라 판단], 위치, 진행 방향 등의 정보를 이용하여 대상 유역에 영향을 줄 수 있는 기상상태를 판단).본 연구에서는 다중센서 자료를 이용하여 원거리에서 발생하는 기상현상의 발달 과정을 판단할 수 있는 알고리즘을 개발하고자 한다. 또한 이러한 원거리 입력자료 와 예측하고자 하는 값 사이의 비선형 상관관계를 연결 시켜주는 기법의 도입이 필요할 것이다.
  • 그러므로 해결하고자 하는 문제에 대한 신경망 기법의 적용에 있어 충분한 물리적 이해에 기초하여야 성공적인 예측치를 얻을 수 있을 것이다. 본 연구에서는 대상 유역에 대한 기상시스템의 접근 방향에 따라 다른 모듈을 구성하고 이에 대한 신경망을 구성하고자 한다.
  • 본 연구에서는 신경망 기법과 상층 기상자료를 사용하여 단시간 강우 예측 모형을 개발하였다. 호우를 동반한 이송 기상 시스템의 이동경로가 라디오존데로부터 획득할 수 있는 상층기상 자료 즉 상층 풍향 자료와 동일한 방향으로 이동한다는 가정 하에 포항에서 획득한 700mb에서의 풍향자료를 사용하여 모형을 구성하였다.
  • 본 연구의 목적은 라디오존 데로부터 관측되는 상층 기상정 보로부터 광역기상상태를 판단하고 기상상태 에 반응하는 광역의 자동 기상 관측망 입력 강우자료와 대 상유역의 예측 강우량간의 비선형 상관관계를 잘 고려할 수 있는 신경망 기법을 이용하여 보다 긴 예경보 시 간과 정확도를 가진 강우예측 모델을 개발하는 데에 있다. 개발된 강우 예측모형은 2002년 태풍 루사로 인하여 큰 피해를 입은 감천지역에 적용하였다.
  • 보다 긴 예경보 시간의 획득을 위해서는 원거리의 입력정보를 필요로 한다. 원격측정 기술의 발전은 홍수예경 보 시간의 연장 및 정확도 개선 등의 문제를 해결할 수 있는 가능성을 제시하였다. 위성영상 및 고층 대기의 기압 .

가설 설정

  • 본 연구에서는 신경망 기법과 상층 기상자료를 사용하여 단시간 강우 예측 모형을 개발하였다. 호우를 동반한 이송 기상 시스템의 이동경로가 라디오존데로부터 획득할 수 있는 상층기상 자료 즉 상층 풍향 자료와 동일한 방향으로 이동한다는 가정 하에 포항에서 획득한 700mb에서의 풍향자료를 사용하여 모형을 구성하였다. 장기간의 풍향 자료를 이용하여 여름철 풍향 자료에 따른 대상 유역 면적 평균 강우량과 자동기상관측망의 강우자료와의 상관관계를 분석하여 반응 모듈을 구분하고 각 모듈에 대하여 신경망과 이에 따른 입력자료 구성하였다.
본문요약 정보가 도움이 되었나요?

참고문헌 (15)

  1. 권원태, 최영은, 오재호, 민승기 (2003). '우리나라 기후 변화의 과거와 미래', 한국수자원학회 학술발표 논문집, 한국수자원학회, Vol. 1, pp. 463-466 

  2. 김광섭, 이을래 (2004). '신경망기법과 보조자료를 사용한 원격측정 토양수분자료의 Downscaling기법 개발', 한국수자원학회논문집, 한국수자원학회, Vol. 37, No.1, pp. 21-29 

  3. 김성원, 이순탁, 조정식 (2001). '중소하천유역에서 Hybrid Neural Networks에 의한 수문학적 예측, 한국수자원학회논문집, 한국수자원학회, Vol. 34, No. 4, pp. 303-316 

  4. 전경수, 김병익 (2001). '돌발홍수 예경보 시스템' 한국 수자원학회지, 한국수자원학회, Vol. 34, No.2. pp. 48-56 

  5. Chang, F., Chen, Y. (2001). 'A counterpropagation fuzzy-neural network modeling approach to real time streamflow prediction' Journal of Hydrology, Elsevier, Vol. 245, pp. 153-164 

  6. Fletcher, D.S., Goss, E. (1993). 'Forecasting with neural networks: an application using bankruptcy data' Information Management, Elsevier, Vol. 24, pp 159-167 

  7. Hall, T., Brooks, H.E., Doswell C.A.III. (1999). 'Precipitation forecasting using neural network' Weather and Forecasting, AMS, Vol. 14, pp. 338-345 

  8. Hassibi, B., Sayed, A.H., Kailath, T. (1994). 'H optimality criteria for LMS and backprogation' Advances in Neural Information Processing Systems, Morgan- Kaufmann, Vol. 6, pp. 351-359 

  9. Imrie, C.E., Durucan, S., Korre, A. (2000). 'River flow prediction using artificial neural networks : generation beyond the calibration range' Journal of Hydrology, Elsevier, Vol. 233, pp. 138-153 

  10. Kim, G.S. and Barros, A.P. (2001). 'Quantitative flood forecasting using multisensor data and neural networks' Journal of Hydrology, Elsevier, Vol. 246, pp. 45-62 

  11. Kuligowski, R.J. and Barros, A.P. (1998). 'Experiments in short-term precipitation forecasting using artificial neural networks' Monthly Weather Review, AMS, Vol. 126, pp. 470-482 

  12. Maier, H.R., Dandy, G.C. (1996). 'The use of artificial neural networks for the prediction of water quality parameters' Water Resources Research, AGU, Vol. 32, No.4, pp. 1013-1022 

  13. Marzban, C., Gregory, J.S. (1996). 'A neural network fat tornado prediction based on Doppler radar derived attributes' Journal of Applied Meteorology, AMS, Vol 35, pp. 617-626 

  14. McCulloch, W.S., Pitts, W. (1943). 'A logical calculus of the ideas immanent in nervous activity' Bulletin of Mathematical Biophysics, SMB, Vol. 5, pp. 115-133 

  15. Shanseldin, A Y. (1997). 'Application of a neural network technique to rainfall-runoff modeling' Journal of Hydrology, Elsevier, Vol. 199, pp. 272-294 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로