최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국습지학회지 = Journal of wetlands research, v.12 no.3, 2010년, pp.79 - 97
The purpose of this research is to apply the neural networks models for the hydrologic disaggregation of the yearly pan evaporation(PE) data in Republic of Korea. The neural networks models consist of multilayer perceptron neural networks model(MLP-NNM) and support vector machine neural networks mod...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
일반적으로 증발과정은 무슨 방법으로 관측되어지는가? | , 2008). 증발과정은 일반적으로 질량전이(Mass transfer)와 물 수지 방법과 같은 간접적인 방법에 의하여 관측되어지며, 증발량 관측을 위한 직접적인 방법중 하나는 증발접시 증발량이다(Eslamian et al., 2008). | |
신경망 모형은 무엇으로 구성되어 있는가? | 본 연구의 목적은 연 증발접시 증발량의 수문학적 분해를 위하여 신경망모형을 적용하는데 있다. 신경망 모형은 각각 다층 퍼셉트론 신경망모형(MLP-NNM)과 지지벡터기구 신경망모형(SVM-NNM)으로 구성되어 있다. 그리고 신경망모형의 수행평가를 위하여 훈련 및 테스트과정으로 구성되었다. | |
본 논문에서 우리나라 주요 기상관측소에서 관측된 연 증발접시 증발량자료를, 제시된 MLP-NNM 및 SVM-NNM을 이용하여 월 증발접시 증발량자료로 분리하는데 있어서 각 신경망모형의 잠재성을 검토하여 얻은 결과는 무엇인가? | 1. MLP-NNM 및 SVM-NNM의 훈련과정의 수행결과 산정된 각 6종류의 매개변수 군을 이용하여 테스트과정을 수행하였다. 그 결과 선택된 6개의 기상관측소에서 실측자료를 이용한 경우 목포관측소를 제외하고는 MLPNNM의 테스트과정의 수행결과가 SVMNNM의 테스트과정의 수행결과보다 양호한 것으로 분석되었다. 또한 선택된 6개의 기상 관측소에서 모의자료 및 혼합자료를 이용한 경우 MLP-NNM의 테스트과정의 수행결과가 SVM-NNM의 테스트과정의 수행결과보다 양호한 것으로 분석되었다. 2. MLP-NNM의 경우 서울관측소를 제외하고는 모의자료 및 혼합자료의 훈련과정을 통하여 선정된 매개변수를 이용한 테스트과정의 수행 결과가 실측자료의 훈련과정을 통하여 선정된 매개변수를 이용한 테스트과정의 수행결과보다 양호한 것으로 분석되었다. 3. SVM-NNM의 경우 제주 및 목포관측소에서 모의자료 및 혼합자료의 훈련과정을 통하여 선정된 매개변수를 이용한 테스트과정의 수행 결과가 실측자료의 훈련과정을 통하여 선정된 매개변수를 이용한 테스트과정의 수행결과보다 양호한 것으로 분석되었으며, 나머지 4개 관측소는 유사한 결과를 나타내는 것으로 분석되었다. 4. 서울, 강릉, 인천, 부산, 제주 및 목포관측소에서 실측된 월 증발접시 증발량자료와 MLP-NNM과 SVM-NNM을 이용해서 실측 자료, 모의자료 및 혼합자료의 훈련과정을 통하여 선정된 매개변수를 이용하여 테스트과정 수행결과 산정된 월 증발접시 증발량자료에 대하여 동질성검증을 위하여 평균과 분산에 대한 일원분산분석 및 Mann-Whitney U 검증을 실시하였다. 그 결과 MLP-NNM을 이용 하여 산정된 월 증발접시 증발량자료는 실측된 월 증발접시 증발량자료와 동질성검증을 통하여 동질의 모집단을 가지는 자료군으로 채택되어 질 수 있는 것으로 판단되나, SVM-NNM의 경우는 관측소별로 차이가 있는 것으로 판단된다. 따라서 보편적으로 MLP-NNM의 수행결과가 SVM-NNM의 수행결과보다 양호하다고 판단된다. |
국토해양부(2007) 수자원 관리 종합정보 시스템 홈페이지 http://www.wamis.go.kr
김성원, 김정헌, 박기범, 김형수(2010) "비선형 증발접시 증발량 산정을 위한 시간적 분해모형" 대한토목학회 논문집, 대한토목학회, 제 30권, 제4B호, pp. 399-412.
김성원, 김형수(2008) "증발접시 증발량과 알팔파 기준증발산량의 모형화를 위한 통합운영방법" 대한토목학회 논문집, 대한토목학회, 제 28권, 제 2B호, pp. 199-213.
Bruton, J.M., McClendon, R.W., and Hoogenboom, G.(2000) Estimating daily pan evaporation with artificial neural networks. Transaction of the ASAE, ASAE, Vol. 43, No. 2, pp. 491-496.
Burian, S.J., Durrans, S.R., Nix, S.J., and Pitt, R.E.(2001) Training artificial neural networks to perform rainfall disaggregation. Journal of Hydrologic Engineering, ASCE, Vol. 6, No. 1, pp. 43-51.
Burian, S.J., Durrans, S.R., Tomic, S., Pimmel, R.L., and Wai, C.N.(2000) Rainfall disaggregation using artificial neural networks. Journal of Hydrologic Engineering, ASCE, Vol. 5, No. 3, pp. 299-307.
Choi, J., Socolofsky, S.A., and Olivera, F.(2008) Hourly disaggregation of daily rainfall in Texas using measured hourly precipitation at other locations. Journal of Hydrologic Engineering, ASCE, Vol. 13, No. 6, pp. 476-487.
Deswal, S., and Pal, M.(2008) Artificial neural network based modeling of evaporation losses in reservoirs. Proceedings of World Academy of Science, Engineering and Technology, Vol. 29, pp. 279-283.
Dibike, Y.B., Velickov, S., Solomatine, D., and Abbott, M.B.(2001) Model induction with support vector machines: introductions and applications. Journal of Computing in Civil Engineering, ASCE, Vol. 15, pp. 208-216.
Eslamian, S.S., Gohari, S.A., Biabanaki, M., and Malekian, R.(2008) Estimation of monthly pan evaporation using artificial neural networks and support vector machines. Journal of Applied Sciences, Vol. 8, No. 19, pp. 3497-3502.
Gundekar, H.G., Khodke, U.M., and Sarkar, S.(2008) Evaluation of pan coefficient for reference crop evapotranspiration for semi-arid region. Irrigation Science, Vol. 26, pp. 169-175.
Gutierrez-Magness, A.L., and McCuen, R.H.(2004) Accuracy evaluation of rainfall disaggregation methods. Journal of Hydrologic Engineering, ASCE, Vol. 9, No. 2, pp. 71-78.
Haykin, S. (2009). Neural networks and learning machines, $3^{rd}$ Edition, Pearson Education Inc., NJ, USA.
Jensen, M.E., Burman, R.D., and Allen, R.G.(1990) Evapotranspiration and irrigation water requirements, ASCE Manual and Report on Engineering Practice No. 70, ASCE, NY, pp. 332.
Khadam, I.M., and Kaluarachchi, J.J.(2004) Use of soft information to describe the relative uncertainty of calibration data in hydrologic models. Water Resources Research, Vol. 40, No. 11, W11505.
Keskin, M.E., and Terzi, O.(2006) Artificial neural networks models of daily pan evaporation. Journal of Hydrologic Engineering, ASCE, Vol. 11, No. 1, pp. 65-70.
Kim, S.(2004) Neural Networks Model and Embedded Stochastic Processes for Hydrological Analysis in South Korea. KSCE Journal of Civil Engineers, KSCE, Vol.8, No.1, pp. 141-148.
Kim, S., and Kim, H.S.(2008) Neural networks and genetic algorithm approach for nonlinear evaporation and evapotranspiration modeling. Journal of Hydrology, Vol. 351, pp. 299-317.
Kim, S., Kim, J.H., and Park, K.B.(2009) Statistical learning theory for the disaggregation of the climatic data. Proceedings of 33rd IAHR Congress 2009, IAHR/AIRH, Vancouver, British Columbia, Canada, PP. 1154-1162.
Kisi, O.(2006) Daily pan evaporation modeling using a neuro-fuzzy computing technique. Journal of Hydrology, Vol. 329, pp. 636-646.
McCuen, R.H.(1993) Microcomputer applications in statistical hydrology, Prentice Hall, NJ, USA.
Molina Martinez, J.M., Martinez Alvarez, V., Gonzalez-Real, M.M., and Baille, A.(2005) A simulation model for predicting hourly pan evaporation for meteorological data. Journal of Hydrology, Vol. 318, pp. 250-261.
Principe, J.C., Euliano, N.R., and Lefebvre, W.C.(2000) Neural and adaptive systems: fundamentals through simulation, John Wiley & Sons, New York, USA.
Rahimi Khoob, A.(2009) Estimating daily pan evaporation using artificial neural network in a semi-arid environment. Theoretical and Applied Climatology, Doi:10.1007/s00704-008-0096-3.
Salas, J.D., Delleur, J.R., Yevjevich, V., and Lane, W.L.(1980) Applied modeling of hydrologic timese ries, Water Resources Publication, Littleton, CO, USA.
Salas, J.D., Smith, R.A., Tabios III, G.Q., and Heo, J.H.(2001) Statistical computing techniques in water resources and environmental engineering, Unpublished book in CE622, Colorado State University, Fort Collins, CO, USA.
Sudheer, K.P., Gosain, A.K., Rangan, D.M., and Saheb, S.M.(2002) Modeling evaporation using an artificial neural network algorithm. Hydrological Processes, Vol. 16, pp. 3189-3202.
Tan, K.S., Chiew, F.H.S., and Grayson, R.B.(2007) A steepness index unit volume flood hydrograph approach for sub-daily flow disaggregation. Hydrological Processes, Vol. 21, pp. 2807-2816.
Tripathi, S., Srinivas, V.V., and Nanjundish, R.S.(2006) Downscaling of precipitation for climate change scenarios: A support vector machine approach. Journal of Hydrology, Vol. 330, pp. 621-640.
Vapnik, V.N.(1992) Principles of risk minimization for learning theory. Advances in Neural Information Processing Systems Vol. 4, pp. 831-838.
Vapnik, V.N.(1995) The nature of statistical learning theory, Springer Verlag, New York, NY, USA.
Wasserman, P.D.(1993) Advanced methods in neural computing, Van Nostrand Reinhold, New York, NY, USA.
Zhang, J., Murch, R.R., Ross, M.A., Ganguly, A.R., and Nachabe, M.(2008) Evaluation of statistical rainfall disaggregation methods using rain-gauge information for west-central florida. Journal of Hydrologic Engineering, ASCE, Vol. 13, No. 12, pp. 1158-1169.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.