Takagi-Sugeno 추론기법과 신경망을 연계한 뉴로-퍼지 홍수예측 모형의 구축 및 적용 (II) : 실제 유역에 대한 적용 및 검증 Establishment and Application of Neuro-Fuzzy Flood Forecasting Model by Linking Takagi-Sugeno Inference with Neural Network (II) : Application and Verification원문보기
본 연구에서는 앞선 연구를 통해 선정된 최적 입력 자료 조합을 이용하여 한강수계의 왕숙천과 금강유역의 갑천에 대한 Takagi-Sugeno 퍼지기법과 신경망을 연계한 뉴로-퍼지 홍수예측 모형을 구축하였다. 구축된 뉴로-퍼지 홍수예측 모형을 한강수계의 왕숙천과 금강유역의 갑천에 적용하여 30분, 60분, 90분, 120분, 150분, 180분의 선행시간에 대해 각각 홍수예측을 수행하였다. 선행시간별 예측수위를 관측수위와 비교한 결과 안정되고 정확도 높은 홍수예측을 하는 것을 확인할 수 있었다. 추가적으로 정량적 평가를 위해 평균제곱근 오차(Root Mean Square Error)와 같은 통계지표를 산정하여 모형의 적용성을 검증하였다. 검증 결과 모든 통계지표에서 큰 오차 없이 성공적으로 홍수예측이 모의됨을 확인할 수 있었다. 본 연구결과는 향후 중소하천에서 충분한 선행시간을 확보한 정확도 높은 홍수정보시스템의 구축에 활용할 수 있을 것으로 판단된다.
본 연구에서는 앞선 연구를 통해 선정된 최적 입력 자료 조합을 이용하여 한강수계의 왕숙천과 금강유역의 갑천에 대한 Takagi-Sugeno 퍼지기법과 신경망을 연계한 뉴로-퍼지 홍수예측 모형을 구축하였다. 구축된 뉴로-퍼지 홍수예측 모형을 한강수계의 왕숙천과 금강유역의 갑천에 적용하여 30분, 60분, 90분, 120분, 150분, 180분의 선행시간에 대해 각각 홍수예측을 수행하였다. 선행시간별 예측수위를 관측수위와 비교한 결과 안정되고 정확도 높은 홍수예측을 하는 것을 확인할 수 있었다. 추가적으로 정량적 평가를 위해 평균제곱근 오차(Root Mean Square Error)와 같은 통계지표를 산정하여 모형의 적용성을 검증하였다. 검증 결과 모든 통계지표에서 큰 오차 없이 성공적으로 홍수예측이 모의됨을 확인할 수 있었다. 본 연구결과는 향후 중소하천에서 충분한 선행시간을 확보한 정확도 높은 홍수정보시스템의 구축에 활용할 수 있을 것으로 판단된다.
Based on optimal input data combination selected in the earlier study, Neuro-Fuzzy flood forecasting model linked Takagi-Sugeno fuzzy inference theory with neural network in Wangsukcheon and Gabcheon is established. The established model was applied to Wangsukcheon and Gabcheon and water levels for ...
Based on optimal input data combination selected in the earlier study, Neuro-Fuzzy flood forecasting model linked Takagi-Sugeno fuzzy inference theory with neural network in Wangsukcheon and Gabcheon is established. The established model was applied to Wangsukcheon and Gabcheon and water levels for lead time of 0.5 hr, 1 hr, 1.5 hr, 2.0 hr, 2.5 hr, 3.0 hr are forecasted. For the verification of the model, the comparisons between forecasting floods and observation data are presented. The forecasted results have shown good agreements with observed data. Additionally to evaluate quantitatively for applicability of the model, various statistical errors such as Root Mean Square Error are calculated. As a result of the flood forecasting can be simulated successfully without large errors in all statistical error. This study can greatly contribute to the construction of a high accuracy flood information system that secure lead time in medium and small streams.
Based on optimal input data combination selected in the earlier study, Neuro-Fuzzy flood forecasting model linked Takagi-Sugeno fuzzy inference theory with neural network in Wangsukcheon and Gabcheon is established. The established model was applied to Wangsukcheon and Gabcheon and water levels for lead time of 0.5 hr, 1 hr, 1.5 hr, 2.0 hr, 2.5 hr, 3.0 hr are forecasted. For the verification of the model, the comparisons between forecasting floods and observation data are presented. The forecasted results have shown good agreements with observed data. Additionally to evaluate quantitatively for applicability of the model, various statistical errors such as Root Mean Square Error are calculated. As a result of the flood forecasting can be simulated successfully without large errors in all statistical error. This study can greatly contribute to the construction of a high accuracy flood information system that secure lead time in medium and small streams.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 선행 연구에서 선정된 최적 입력 자료조합을 바탕으로 실제 유역에 대한 뉴로-퍼지 모형 홍수예측 모형을 구축하고 왕숙천과 갑천에 적용하여 적용성을 검증하였다. 연구 결과는 다음과 같이 요약할 수 있다.
이러한 이유로 본 연구에서는 간단한 입력자료만을 이용한 홍수예측 모형을 구축하고자 하였고 선행 연구를 통해 홍수예측 모형 구축을 위한 최적 입력 자료 조합을 선정하였다. 본 연구에서는 앞선 연구를 통해 선정된 최적 입력 자료 조합을 바탕으로 한강수계의 왕숙천과 금강수계의 갑천 유역에 대한 홍수예측 모형을 구축하고 적용성을 검토하고자 하였다.
이러한 이유로 본 연구에서는 간단한 입력자료만을 이용한 홍수예측 모형을 구축하고자 하였고 선행 연구를 통해 홍수예측 모형 구축을 위한 최적 입력 자료 조합을 선정하였다. 본 연구에서는 앞선 연구를 통해 선정된 최적 입력 자료 조합을 바탕으로 한강수계의 왕숙천과 금강수계의 갑천 유역에 대한 홍수예측 모형을 구축하고 적용성을 검토하고자 하였다.
제안 방법
(1) 최적 입력 자료 조합을 근거로 왕숙천, 갑천 유역에 대해 다양한 홍수 사상을 이용하여 뉴로-퍼지 적용을 위한 training과 checking 사상을 선정하였다. 또한 각 대상유역에 선정된 training과 checking 사상에 대해서 subtractive clustering기법을 통하여 홍수예측 선행시간별 소속 함수의 개수와 매개변수의 산정을 통한 뉴로-퍼지 홍수예측 모형을 구축하였다.
(2) 구축된 뉴로-퍼지 홍수예측 모형을 왕숙천, 갑천에 적용하여 주요 지점별 선행시간 30, 60, 90, 120, 150, 180분의 홍수를 예측하고 실측치와 비교하여 그 적용성을 검증하였다. 검증 결과 뉴로-퍼지를 이용한 홍수 예측 모형은 홍수예측에 있어 매우 정확도가 높음을 확인할 수 있었고 이를 통해 정확도 높은 3시간의 예측 선행시간을 확보할 수 있었다.
(3) 본 연구에서는 기존의 연구와 달리 홍수예측 선행 시간을 3시간까지 검토하여 뉴로-퍼지 홍수예측 모형의 적용성을 검증하였고 또한 최적 입력자료 조합의 선정과 홍수예측에 대해 서로 다른 유역에 적용함으로써 입력자료 조합의 공간 전이성을 검토하였다.
뉴로-퍼지를 이용하여 홍수예측을 위한 지점으로 왕숙천 하류 지점인 퇴계원 지점을 선정하였고 모형을 구축하기 위한 입력 자료로는 16개의 호우사상을 선정하여 각 호우사상의 대상 유역에 대한 강우관측소의 강우자료와 퇴계원 수위관측소의 수위를 사용하였다. 강우자료는 대상 유역의 강우관측소로부터 얻어진 각각의 강우량으로 부터 유역의 평균 강우량을 산정하여 사용하였다. 이것은 왕숙천 유역은 총 유역면적 270.
갑천 유역에 대한 뉴로-퍼지를 이용하여 홍수예측을 위한 지점으로 갑천 하류 지점인 회덕 지점을 선정하였고 모형을 구축하기 위한 입력 자료로는 무강우 시간이 6시간 이상인 것을 단일 호우사상으로 2001년에서 2005년 사이의 11개 호우사상을 선정하여 선정된 기간의 호우사상의 대상 유역에 대한 강우관측소의 강우자료와 회덕 수위 관측소의 수위를 사용하였다. 강우자료는 왕숙천 유역에 대한 적용에서와 같은 방법으로 대상 유역의 강우관측소로부터 얻어진 각각의 강우량으로부터 유역의 평균 강우량을 산정하여 사용하였다. 유역의 평균 강우량은 각 강우관측소에서 측정된 값을 티센(thiessen)법을 이용하여 면적가중치를 주어 유역전체의 평균값으로 사용하였다.
이 때 훈련과 확인 과정에 사용하는 호우사상에 따라 소속 함수의 매개변수 값이 달라지게 되며 뉴로-퍼지 모형의 결과 또한 차이가 나게 된다. 따라서 본 연구에서는 선정된 16개의 호우사상을 이용해 training과 checking을 위한 다양한 조합을 구성하여 각 조합에 따른 결과를 비교하여 training과 checking을 위한 호우사상 1개씩을 선정하는 방법을 이용하였다. 그러나 본 대상 유역에서 모의를 위해 선정된 호우사상이 16개이므로 training과 checking을 위한 호우사상의 조합은 총 240개(16 × 15)이므로 모든 조합에 대해 검토하는 것은 상당한 시간이 소요될 수 있다.
(1) 최적 입력 자료 조합을 근거로 왕숙천, 갑천 유역에 대해 다양한 홍수 사상을 이용하여 뉴로-퍼지 적용을 위한 training과 checking 사상을 선정하였다. 또한 각 대상유역에 선정된 training과 checking 사상에 대해서 subtractive clustering기법을 통하여 홍수예측 선행시간별 소속 함수의 개수와 매개변수의 산정을 통한 뉴로-퍼지 홍수예측 모형을 구축하였다.
2와 같이 각 입력 변수당 2개의 소속 함수와 2개의 규칙을 이용한 뉴로-퍼지 모형을 구축하였다. 또한 입력 자료(수위와 강우의 조합)와 출력 자료(수위)의 비선형성을 고려하여 소속 함수의 형태로는 가우스 함수를 사용하였으며 홍수예측의 선행시간은 30, 60, 90, 120, 150, 180분의 6가지 경우로 하여 각 선행시간별 소속 함수의 매개변수를 결정하였다.
모의 시간의 단축 및 최적의 입력 공간 분할을 위해서 subtractive clustering 기법을 추가적으로 적용하여 Fig. 2와 같이 각 입력 변수당 2개의 소속 함수와 2개의 규칙을 이용한 뉴로-퍼지 모형을 구축하였다. 또한 입력 자료(수위와 강우의 조합)와 출력 자료(수위)의 비선형성을 고려하여 소속 함수의 형태로는 가우스 함수를 사용하였으며 홍수예측의 선행시간은 30, 60, 90, 120, 150, 180분의 6가지 경우로 하여 각 선행시간별 소속 함수의 매개변수를 결정하였다.
이러한 과정을 통해 호우사상 1을 training 자료로 호우사상 11을 checking 자료로 선정하였다. 이때 입력 자료의 조합을 선정하기 위해 앞선 연구와 같은 방법으로 최적 입력자료 조합에 대한 검토를 실시하였다. 그 결과 R(t), R(t-1), H(t), H(t-1), H(t-2)를 사용한 R01_H01의 자료 조합이 최적 입력자료 조합으로 타당함을 확인하였다.
대상 데이터
갑천 유역에 대한 training 호우 사상과 checking 호우사상을 선정하기 위하여 이전 유역에 대한 적용에서와 같은 방법으로 이미 선정된 11개의 호우사상을 이용해 training과 checking을 위한 다양한 조합을 구성하여 각 조합에 따른 결과를 비교하여 training과 checking을 위한 호우 사상 1개씩을 선정하였다. 이러한 과정을 통해 호우 사상 1을 training 자료로 호우 사상 11을 checking 자료로 선정하였다.
갑천 유역에 대한 뉴로-퍼지를 이용하여 홍수예측을 위한 지점으로 갑천 하류 지점인 회덕 지점을 선정하였고 모형을 구축하기 위한 입력 자료로는 무강우 시간이 6시간 이상인 것을 단일 호우사상으로 2001년에서 2005년 사이의 11개 호우사상을 선정하여 선정된 기간의 호우사상의 대상 유역에 대한 강우관측소의 강우자료와 회덕 수위 관측소의 수위를 사용하였다. 강우자료는 왕숙천 유역에 대한 적용에서와 같은 방법으로 대상 유역의 강우관측소로부터 얻어진 각각의 강우량으로부터 유역의 평균 강우량을 산정하여 사용하였다.
뉴로-퍼지를 이용하여 홍수예측을 위한 지점으로 왕숙천 하류 지점인 퇴계원 지점을 선정하였고 모형을 구축하기 위한 입력 자료로는 16개의 호우사상을 선정하여 각 호우사상의 대상 유역에 대한 강우관측소의 강우자료와 퇴계원 수위관측소의 수위를 사용하였다. 강우자료는 대상 유역의 강우관측소로부터 얻어진 각각의 강우량으로 부터 유역의 평균 강우량을 산정하여 사용하였다.
따라서 본 연구에서는 다음과 같은 기준으로 훈련과 확인 호우사상을 선정하여 검토하였다. 우선, 호우사상 중 자료의 개수가 많으면서 강우량과 수위의 변화 폭이 큰 것을 training과 checking 호우사상으로 선정하였고 모의결과 훈련 오차와 확인 오차가 0.02 이하가 되는 것을 최종 호우사상으로 선정하였다.
이러한 과정을 통해 호우사상 1을 training 자료로 호우사상 11을 checking 자료로 선정하였다. 이때 입력 자료의 조합을 선정하기 위해 앞선 연구와 같은 방법으로 최적 입력자료 조합에 대한 검토를 실시하였다.
이러한 과정을 통해 호우사상 1을 training 자료로 호우사상 11을 checking 자료로 선정하였다. 이때 입력 자료의 조합을 선정하기 위해 앞선 연구와 같은 방법으로 최적 입력자료 조합에 대한 검토를 실시하였다.
이론/모형
79 km2로 소규모 유역에 속하므로 각 관측소의 강우량을 각각 서로 다른 입력변수로 고려할 만큼 지체시간이 길지 않다고 판단되었고, 따라서 강우자료는 유역 전체를 대표하는 하나의 강우량 값을 산정하여 사용하였다. 유역의 평균 강우량은 각 강우 관측소에서 측정된 값을 티센법을 이용하여 면적가중치를 주어 유역전체의 평균값으로 사용하였다.
강우자료는 왕숙천 유역에 대한 적용에서와 같은 방법으로 대상 유역의 강우관측소로부터 얻어진 각각의 강우량으로부터 유역의 평균 강우량을 산정하여 사용하였다. 유역의 평균 강우량은 각 강우관측소에서 측정된 값을 티센(thiessen)법을 이용하여 면적가중치를 주어 유역전체의 평균값으로 사용하였다.
이때 입력 자료의 조합은 선행연구의 검토 결과 최적입력 자료 조합으로 선정된 R01_H012로 구성하였고, 모의 시간의 단축 및 최적의 입력 공간 분할을 위해서 subtractive clustering 기법을 적용하여 왕숙천 유역의 적용에서와 마찬가지로 각 입력 변수당 2개의 소속 함수와 2개의 규칙을 이용한 뉴로-퍼지 모형을 구축하였다.
성능/효과
9이상의 높은 상관계수를 보였다. 180분 선행시간의 경우에는 2003년 8월 6일 시작된 호우사상과 2003년 8월 19일에 시작된 호우사상의 상관계수가 각 0.712와 0.756으로 다소 낮은 상관계수를 나타냈으나 그외 다른 사상들에 대한 관측 수위와 예측수위의 상관계수 값은 0.8 이상의 높은 상관계수를 보였고 일부 홍수사상의 경우에는 0.90 이상의 높은 상관계수를 나타냈다. 상관계수 평균을 보면 30분 선행시간의 경우 상관계수 평균이 0.
155 m로 나타났다. 180분 선행시간의 경우에도 0.188 m로 다소 크게 나타났으나 선행시간을 감안한다면 예측의 정확도는 우수한 것으로 판단된다.
403%이였고 120분 선행시간까지는 5% 이하의 상대첨두오차를 나타내었다. 180분 선행시간의 경우에도 상대첨두오차의 평균이 8.826%로 비교적 정확한 예측을 하고 있음을 확인할 수 있었다. 이러한 통계지표를 분석해볼 때 뉴로-퍼지를 이용한 예측 수위가 관측 수위와 180분 선행시간까지도 비교적 잘 일치하고 있음을 확인할 수 있다.
9 이상의 높은 효율계수 값을 보이고 있음을 알 수 있다. 180분 선행시간의 효율계수의 경우 일부 사상에서 0.9 이상의 높은 값을 나타내고 있었고 2003년 8월 6일에서 8월 8일 사이에 발생한 호우사상의 경우 0.358로 다소 낮은 효율계수를 보이고 있으나 대체적으로 만족할만한 효율계수 값을 보이고 있는 것으로 판단된다. 효율계수의 평균도 각 선행시간별로 만족할만한 수준인 것으로 판단된다.
그러나 그 차이는 크지 않은 것을 알 수 있다. 180분 선행시간의 효율계수의 경우 일부 사상에서 0.9이상의 높은 값을 나타내고 있었고 대체적으로 만족할만한 효율계수 값을 보이고 있는 것으로 판단된다. 효율계수의 평균도 최소 0.
7에서 보는 바와 같이 뉴로-퍼지를 이용한 예측 수위와 관측 수위가 30분 선행시간에서는 육안으로 판단했을 때 거의 일치하고 있음을 알 수 있다. 60분 선행 시간 이후부터는 첫 번째와 두 번째 상승부에서의 첨두 수위에 있어서는 예측 수위가 관측 수위에 비해 다소 과대 추정되고 있었고 세 번째 상승부의 첨두 수위에서는 예측 수위가 관측 수위에 비해 약간 과소 추정되고 있음을 확인할 수 있었다. 그러나 전체적인 수위 변화 양상에 있어서는 180분 선행시간까지도 관측 수위와 예측 수위가 대체적으로 일치하고 있다고 판단된다.
026 m로 뉴로-퍼지 모형이 매우 정확한 예측을 하고 있음을 알 수 있다. 90분 선행시간까지는 하나의 사상을 제외한 모든 사상에서 평균절대 편차가 0.05 m 이하로 오차가 상당히 작게 나타나고 있음을 알 수 있었고 180분 선행시간의 경우에도 모든 사상에서 0.10 m 이하의 평균절대편차를 나타내고 있었다. 전 사상에 대한 평균절대편차의 평균을 보면 30분 선행시간의 경우에는 0.
044 m로 뉴로-퍼지 모형이 매우 정확한 예측을 하고 있음을 알 수 있다. 90분 선행시간까지도 모든 사상에서 평균절대편차가 0.10m이하로 오차가 작게 나타나고 있음을 알 수 있었고 180분 선행시간의 경우에는 평균절대편차가 최소 0.020 m에서 최대 0.160 m로 다소 크게 나타나고 있으나 대체적으로 우수한 수준인 것으로 판단된다. 전 사상에 대한 평균절대편차의 평균을 보면 30분 선행시간의 경우에는 0.
8이상의 높은 효율계수 값을 나타내고 있었다. 90분 선행시간의 경우에도 2개의 홍수 사상을 제외한 나머지 사상에 대해서 0.9 내외의 높은 효율계수 값을 보이고 있음을 알 수 있다. 이전 결과와 마찬가지로 선행시간이 길어질수록 효율계수 값은 감소함을 알 수 있었으나 2003년 7월 24일 시작된 호우 사상의 경우 180분 선행시간의 효율 계수가 120분 선행시간의 효율계수보다 높은 값을 나타내기도 하였다.
Fig. 3에서 보는 바와 같이 뉴로-퍼지를 이용한 예측 수위와 관측 수위가 60분 선행 시간까지는 전체적인 수위 변화 양상이나 첨두 수위 측면에서 거의 일치하고 있음을 알 수 있고 나머지 선행시간에 대한 뉴로-퍼지를 이용한 예측 수위도 수위 상승부에서 관측 수위에 비해 약간의 시간이 지연되기는 하나 대체적으로 관측 수위와 일치하고 있음을 확인할 수 있다. 또한 관측 수위와 예측 수위의 첨두값에 있어서도 선행시간이 긴 경우에도 비교적 잘 일치하고 있음을 확인할 수 있다.
Nash-Sutcliffe 효율계수의 경우 60분 선행시간까지는 2005년 6월 30일에서 2005년 7월 2일 사이에 발생한 호우 사상을 제외한 모든 검증사상에 대해 0.9 이상의 높은 값을 나타내고 있음을 확인할 수 있었고 90분 선행시간의 경우에도 4개의 홍수 사상을 제외한 나머지 사상에 대해서 0.9 이상의 높은 효율계수 값을 보이고 있음을 알 수 있다. 180분 선행시간의 효율계수의 경우 일부 사상에서 0.
093의 값을 보였다. RAD의 평균값을 보면 30분 선행시간의 경우에는 0.018, 60분 선행시간의 경우에는 0.031, 90분 선행시간의 경우에는 0.041 값을 보였고 180분 선행시간의 경우에는 0.063 정도로 나타났다.
(2) 구축된 뉴로-퍼지 홍수예측 모형을 왕숙천, 갑천에 적용하여 주요 지점별 선행시간 30, 60, 90, 120, 150, 180분의 홍수를 예측하고 실측치와 비교하여 그 적용성을 검증하였다. 검증 결과 뉴로-퍼지를 이용한 홍수 예측 모형은 홍수예측에 있어 매우 정확도가 높음을 확인할 수 있었고 이를 통해 정확도 높은 3시간의 예측 선행시간을 확보할 수 있었다.
이때 입력 자료의 조합을 선정하기 위해 앞선 연구와 같은 방법으로 최적 입력자료 조합에 대한 검토를 실시하였다. 그 결과 R(t), R(t-1), H(t), H(t-1), H(t-2)를 사용한 R01_H01의 자료 조합이 최적 입력자료 조합으로 타당함을 확인하였다. 따라서 뉴로-퍼지 모형 구축을 위한 입력자료의 조합은 R01_H012로 구성하였다.
첨두 수위의 경우에는 30분 선행시간일 때 예측 값과 실측 값이 가장 잘 일치하고 있으며 선행시간이 길어짐에 따라 첫 번째 상승부의 첨두 수위는 비교적 잘 예측하고 있으나 두번째 상승부의 첨두 수위는 예측 수위가 관측 수위에 비해 약간 작게 나타나고 있음을 확인할 수 있었다. 그러나 전체적인 양상을 고려하면 뉴로-퍼지를 이용한 홍수예측 결과가 상당히 우수함을 확인할 수 있었다.
3에서 보는 바와 같이 뉴로-퍼지를 이용한 예측 수위와 관측 수위가 60분 선행 시간까지는 전체적인 수위 변화 양상이나 첨두 수위 측면에서 거의 일치하고 있음을 알 수 있고 나머지 선행시간에 대한 뉴로-퍼지를 이용한 예측 수위도 수위 상승부에서 관측 수위에 비해 약간의 시간이 지연되기는 하나 대체적으로 관측 수위와 일치하고 있음을 확인할 수 있다. 또한 관측 수위와 예측 수위의 첨두값에 있어서도 선행시간이 긴 경우에도 비교적 잘 일치하고 있음을 확인할 수 있다.
85이상의 높은 상관계수 값을 보였다. 상관계수 평균을 보면 30분 선행시간의 경우 상관계수 평균이 0.988로 관측 수위와 예측수위 간에 높은 상관성을 나타내었고 150분 선행시간에서도 0.90로 높은 상관계수를 나타냈다. 또한 180분 선행시간의 경우에도 상관계수 평균이 0.
90 이상의 높은 상관계수를 나타냈다. 상관계수 평균을 보면 30분 선행시간의 경우 상관계수 평균이 0.995로 관측 수위와 예측 수위 간에 높은 상관성을 나타내었고 150분 선행시간까지도 0.923 이상의 높은 상관계수를 보였다. 180분 선행시간의 경우에도 상관계수 평균이 0.
894 상당히 높게 나타나고 있음을 확인할 수 있었다. 상관계수의 해석에 대한 기준에 따라 관측 수위와 예측 수위의 상관관계를 분석해 보면 180분 선행시간에서도 관측 수위와 예측 수위 간에 상관성이 매우 높은 것을 알 수 있다.
10이하의 값을 나타내고 있음을 확인할 수 있었다. 선행시간이 길어질수록 RAD 값도 증가하는 것을 확인할 수 있었으며 180분 선행시간에서는 최대 0.093의 값을 보였다. RAD의 평균값을 보면 30분 선행시간의 경우에는 0.
RAD의 경우 일부 호우사상에 대해 음의 값을 나타내는데 그 이유는 RAD의 경우 평균절대편차를 관측 값의 평균으로 나눠 산정하는데 이때 관측 값인 수위의 평균값이 음의 값을 가지기 때문이다. 음의 값을 가지더라도 절대 값이 작을수록 모형의 정확도가 우수하다고 볼 수 있으므로 30분 선행시간의 경우 일부 사상을 제외하고는 0.10 이하의 값을 나타내었고 90분 선행시간의 경우에도 대부분의 사상에서 0.50 이하의 값을 나타내고 있음을 확인할 수 있었다. 이와 같은 각 선행시간별 통계지표를 통하여 뉴로-퍼지를 이용한 홍수예측 결과를 종합적으로 분석해 볼 때 중랑천 유역에 대한 결과와 마찬가지로 30분 선행시간의 뉴로-퍼지를 이용한 홍수예측 결과는 매우 우수한 정확도를 보이고 있는 것으로 판단되며 선행시간이 길어질수록 예측의 정확도가 다소 감소하기는 하나 180분 선행시간까지도 비교적 정확한 예측을 하고 있는 것으로 판단된다.
첨두 수위의 경우에는 30분 선행시간일 때 예측 값과 실측값이 가장 잘 일치하고는 있으나 선행시간이 길어지는 것에 반해 예측 수위와 관측 수위의 첨두 값이 크게 차이 나지 않는 것으로 모의되었다. 이러한 결과를 통해 뉴로-퍼지를 이용한 홍수 예측 결과가 상당히 우수함을 확인할 수 있었다.
826%로 비교적 정확한 예측을 하고 있음을 확인할 수 있었다. 이러한 통계지표를 분석해볼 때 뉴로-퍼지를 이용한 예측 수위가 관측 수위와 180분 선행시간까지도 비교적 잘 일치하고 있음을 확인할 수 있다.
이와 같은 각 선행시간별 통계지표를 통하여 뉴로-퍼지를 이용한 갑천 유역에 대한 홍수예측 결과를 종합적으로 분석해 볼 때 각 선행시간에 대한 뉴로-퍼지를 이용한 홍수예측 결과는 모든 검증사상에 대해 매우 우수한 정확도를 보이고 있는 것으로 판단된다.
50 이하의 값을 나타내고 있음을 확인할 수 있었다. 이와 같은 각 선행시간별 통계지표를 통하여 뉴로-퍼지를 이용한 홍수예측 결과를 종합적으로 분석해 볼 때 중랑천 유역에 대한 결과와 마찬가지로 30분 선행시간의 뉴로-퍼지를 이용한 홍수예측 결과는 매우 우수한 정확도를 보이고 있는 것으로 판단되며 선행시간이 길어질수록 예측의 정확도가 다소 감소하기는 하나 180분 선행시간까지도 비교적 정확한 예측을 하고 있는 것으로 판단된다.
10 m 이하의 평균절대편차를 나타내고 있었다. 전 사상에 대한 평균절대편차의 평균을 보면 30분 선행시간의 경우에는 0.009 m로 아주 작은 값을 나타내었고 선행시간이 길어질수록 평균절대편차의 평균값이 증가하고는 있으나 180분 선행시간의 경우에도 0.05 m 이하의 평균값을 나타내고 있음을 확인할 수 있다.
160 m로 다소 크게 나타나고 있으나 대체적으로 우수한 수준인 것으로 판단된다. 전 사상에 대한 평균절대편차의 평균을 보면 30분 선행시간의 경우에는 0.024 m로 아주 작은 값을 나타내었고 선행시간이 길어질수록 평균절대편차의 평균값이 증가하고 있으며 120분 선행시간의 경우에는 0.056 m의 평균값을 나타내었고 180분 선행시간의 경우에는 0.079 m로 평균값을 나타내고 있음을 확인할 수 있다.
나머지 선행 시간에 대한 예측 수위도 두 번째 수위 상승부에서 예측 수위가 다소 과소하게 예측하고는 있으나 대체적으로 관측 수위와 잘 일치하고 있음을 확인할 수 있다. 첨두 수위의 경우에는 30분 선행시간일 때 예측 값과 실측 값이 가장 잘 일치하고 있으며 선행시간이 길어짐에 따라 첫 번째 상승부의 첨두 수위는 비교적 잘 예측하고 있으나 두번째 상승부의 첨두 수위는 예측 수위가 관측 수위에 비해 약간 작게 나타나고 있음을 확인할 수 있었다. 그러나 전체적인 양상을 고려하면 뉴로-퍼지를 이용한 홍수예측 결과가 상당히 우수함을 확인할 수 있었다.
215 m로 다소 크게 나타나고 있으나 선행시간의 길이를 감안한다면 만족할만한 결과로 판단된다. 평균제곱근오차의 전 사상에 대한 평균은 30분 선행시간의 경우에는 0.018 m, 90분 선행시간의 경우에는 0.063 m, 180분 선행시간의 경우에도 만족할만한 수준인 0.101 m로 작게 나타남을 확인할 수 있었다.
104 m로 호우 사상 간에 값의 차이가 조금 있기는 하나 대체적으로 모든 호우 사상에 대해 상당히 작게 나타나고 있음을 알 수 있다. 평균제곱근오차의 전 사상에 대한 평균은 30분 선행시간의 경우에는 0.062 m로 왕숙천 유역에 대한 모의결과에 비해 조금 크게 나타났고 90분 선행시간의 경우에는 0.133 m, 120분 선행시간의 경우에는 0.155 m로 나타났다. 180분 선행시간의 경우에도 0.
호우사상 10의 예측 결과를 도시한 Fig. 4의 경우에도 선행시간 60분까지는 수위상승부에서 다소 시간 지연이 있기는 하나 예측 수위와 관측 수위가 거의 일치하고 있음을 육안으로 확인할 수 있고 나머지 선행시간에 대한 예측 수위도 두 번째 수위 상승부에서 예측 수위가 약간의 진동 현상을 보이고 있지만 대체적으로 관측 수위와 잘 일치하고 있음을 확인할 수 있다. 첨두 수위의 경우에는 30분 선행시간일 때 예측 값과 실측값이 가장 잘 일치하고는 있으나 선행시간이 길어지는 것에 반해 예측 수위와 관측 수위의 첨두 값이 크게 차이 나지 않는 것으로 모의되었다.
홍수 예측에 있어서 중요한 통계지표 중의 하나인 상대 첨두오차에 대한 결과를 보면 30분 선행시간의 경우 작게는 약 0.329%에서 크게는 5.841% 정도로 뉴로-퍼지를 이용한 예측 수위의 첨두 값이 관측 수위의 첨두 값과 잘 일치하는 것을 확인할 수 있었다. 다른 선행시간의 경우에도 120분 선행시간까지는 일부 사상을 제외하고는 대체로 5%이하의 상대첨두오차를 나타내고 있었고 180분 선행시간의 경우에는 호우 사상에 따라 최소 0.
후속연구
(4) 본 연구에서 개발한 뉴로-퍼지 홍수예측 모형을 수치예보자료와 같은 예측 강우량을 이용한다면 향후보다 긴 선행시간을 확보할 수 있을 것으로 판단되며 예측된 홍수를 경계조건으로 하여 1차원 하천해석과 연계하면 향후 하천에서의 구간 홍수 예보에 활용할 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
홍수예측의 일반적인 목적은 무엇인가?
홍수예측의 일반적인 목적은 홍수재해로 인한 인명 및 재산의 손실을 제거하거나 감소시키는 데 있다. 따라서 이러한 목적을 달성하기 위해서는 홍수예측의 결과가 실제로 홍수로 인한 피해를 줄일 수 있도록 신뢰성 있는 홍수 예보 및 경보에 정확하게 전달되어야 하며 또한 충분한 선행시간의 확보가 필요하다.
HRCDHM 모형은 격자 기반이 아닌 유역기반의 분포형 모형으로서 무엇으로 구성되는가?
, 2000) 최근에는 강우 자료를 분포형 모형에 적용하는 연구가 활발하게 수행 중이며(Carpenter et al., 2001)새로 개발되는 HRCDHM(Hydrologic Research Center Distributed Hydrologic Model) 모형은 격자 기반이 아닌 유역기반의 분포형 모형으로서 NEXRAD 강우를 이용한 유역 평균강우 산정, SAC-SMA에 의한 소유역유출모의, 지형학적 단위수문곡선을 이용한 지표면 유출 모의, 그리고 하도 추적으로 구성된다. 미국 국립기상청 (National Weather Service, NWS)의 경우 하천예측 모형인 SAC-SMA(Sacramento Soil Moisture Accounting) 모형을 적용하였으며, 결과적으로 지표면 유줄, 중간 유출 및 기저 유출 순으로 강우 자료에 민감함을 밝혔다(Edward, 2007).
왕숙천 유역 전체에 대한 평균 표고 및 평균 경사는 각각 얼마인가?
유역 전체에 대한 평균 표고는 약 189.2 m이며, 평균 경사는 10.11% 정도이다. 왕숙천 유역은 경기도 포천군 내촌면의 수원산(705.
참고문헌 (12)
건설교통부(2005) 주요지천 홍수예보 프로그램 개선.
김성원(2005) 신경망 모형에 의한 홍수위 예측의 신뢰성 분석: I. 모형의 개발 및 적용. 대한토목학회논문집, 대한토목학회, 제25권, 제6-B호, pp. 473-482.
성지연, 허준행(2009) 통계적 모형을 이용한 지천 홍수 예측. 한국수자원학회 학술발표회논문집, 한국수자원학회, pp. 1524-1527.
현석, 박용운, 홍일표(2007) 미계측 해안 도시유역의 홍수예경보 시스템 구축 방법 검토-부산시 온천천 유역 대상-. 한국수자원학회논문집, 한국수자원학회, 제40권, 제6호, pp. 447-458.
Bedient, P.B., Hoblit, B.C., Gladwell, D.C., and Vieux, B.E. (2000). NEXRAD Radar for flood prediction in Houston. Journal of Hydrologic Engineering, Vol. 5, No. 3, pp. 269-277.
Carpenter, T.M., Georgakakos, K.P., and Sperfslage, J.A. (2001). On the parametric and Nexrad-Radar sensitivities of a distributed hydrologic model suitable for operational use. Journal of Hydrology, Vol. 253, pp. 169-193.
Edward, J.C. (2007). The national weather service forecast-responsibility on the nation's rivers. The Journal of Dam Safety, Fall, 2007.
Estrela, T., and Quintas, L. (1994). Use of a GIS in the modeling of flows on floodplains. River flood hydraulics, J.W.R White and J. Watts, Editors, Wiley, pp. 177-189.
Mimikou, M., and Baltas, E. (1996). Rainfall-Runoff model for flood forecasting utilizing weather radar. Proc. Workshop on Intergrating Radar Estimates of Rainfall in Real Time Flood Forecasting, Special Issue, Vol. 16, pp. 87-96.
Syme, W.J., and Paudyal, G.N. (1994). Flood Management Model, 2nd International Conference in River Flood Hydraulics York, UK.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.