본 논문에서는 지상강우의 결측치를 추정하는 방법들 중 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수가중치법(CCWM), 인공신경망(ANN)기법, 레이더 자료를 이용한 결측치 추정 방법을 비교하여 각각의 적용성을 검토하였다. 임진강 유역을 대상지역으로 하여 각 방법을 적용한 결과, 강우의 결측치 추정에 있어서 기존의 방법 중 상관계수 가중치법(CCWM)과 인공신경망(ANN)기법에 의한 RMSE가 0.46~1.79의 범위를 보였고, 레이더자료를 이용하여 강우의 결측치를 추정한 경우 RMSE가 0.05~2.26의 범위를 보였다. 레이더 강우자료가 지점 강우자료와 달리 강우의 공간상관성을 반영하고 있음을 볼 때, 지점강우 자료를 이용한 결측치 추정 기법보다 레이더자료를 이용한 결측치의 추정기법이 그 적용성에서 우수하다고 판단되어진다.
본 논문에서는 지상강우의 결측치를 추정하는 방법들 중 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수가중치법(CCWM), 인공신경망(ANN)기법, 레이더 자료를 이용한 결측치 추정 방법을 비교하여 각각의 적용성을 검토하였다. 임진강 유역을 대상지역으로 하여 각 방법을 적용한 결과, 강우의 결측치 추정에 있어서 기존의 방법 중 상관계수 가중치법(CCWM)과 인공신경망(ANN)기법에 의한 RMSE가 0.46~1.79의 범위를 보였고, 레이더자료를 이용하여 강우의 결측치를 추정한 경우 RMSE가 0.05~2.26의 범위를 보였다. 레이더 강우자료가 지점 강우자료와 달리 강우의 공간상관성을 반영하고 있음을 볼 때, 지점강우 자료를 이용한 결측치 추정 기법보다 레이더자료를 이용한 결측치의 추정기법이 그 적용성에서 우수하다고 판단되어진다.
This paper reviewed application of data-driven method, distance-weighted method(IDWM, IEWM, CCWM, ANN), and radar data method estimated of missing raifall data. To evaluate these methods, statistics was compared using radar and station rainfall data from Imjin-river basin. The range of RMSE values c...
This paper reviewed application of data-driven method, distance-weighted method(IDWM, IEWM, CCWM, ANN), and radar data method estimated of missing raifall data. To evaluate these methods, statistics was compared using radar and station rainfall data from Imjin-river basin. The range of RMSE values calculated for CCWM, ANN was 1.4 to 1.79mm, and the range of RMSE values estimated data used for radar rainfall data was 0.05 to 2.26mm. Spatial characteristics is considered to Radar rainfall data rather than station rainfall data. Result suggest that estimated data used for radar data can impove estimation of missing raifall data.
This paper reviewed application of data-driven method, distance-weighted method(IDWM, IEWM, CCWM, ANN), and radar data method estimated of missing raifall data. To evaluate these methods, statistics was compared using radar and station rainfall data from Imjin-river basin. The range of RMSE values calculated for CCWM, ANN was 1.4 to 1.79mm, and the range of RMSE values estimated data used for radar rainfall data was 0.05 to 2.26mm. Spatial characteristics is considered to Radar rainfall data rather than station rainfall data. Result suggest that estimated data used for radar data can impove estimation of missing raifall data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 강우의 결측치를 추정하는 방법들 중 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수가중치법(CCWM), 인공신경망(ANN)기법, 레이더 자료를 이용한 결측치 추정 방법을 비교하여 각각의 적용성을 검토하였다.
Navone과 Ceccatto(1994)는 인도 전역의 여름철 몬순 강우 예측을 위하여 인공신경망 기법을 사용하였다. 본 연구에서는 기존까지 지점강우의 결측치를 추정하는 방법인 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수가중 치법(CCWM), 인공신경망(ANN)기법의 결과와 더불어 최근 그 이용성이 커지고 있는 레이더 강우를 이용한 방법을 비교하여 강우의 결측치를 추정함에 있어서 최선의 방안을 제시하고자 한다.
제안 방법
본 논문에서는 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수 가중치법(CCWM), 인공신경망기법(ANN)을 이용하여 미계측 지점의 결측치를 산출할 수 있는 체계를 구축하였고, 본 연구자가 개발한 F2MAP 모형을 이용하여 보정 레이더 자료를 생성하고 그 자료를 결측치 추정 방법에 이용하였다. 또한, 성능을 평가하기 위한 방법으로 교차검정(Cross-Validation)을 적용하였다.
강우 관측소 및 경ㆍ위도는 Table 2와 같다. 자료기간은 2006년 7월 14일 00:00부터 7월 15일 00:00 시까지 30분 자료를 이용하였다.
대상 데이터
본 논문의 대상지역은 임진강 유역 Fig. 3으로써 총 유역 면적 약 8,117.5㎢로 이 중 약 63% 인 5,108.7㎢가 북한 지역에 속해 있으며, 지상강우관측소는 TM관측소 15개를 선정하였다. 강우 관측소 및 경ㆍ위도는 Table 2와 같다.
데이터처리
본 논문에서는 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수 가중치법(CCWM), 인공신경망기법(ANN)을 이용하여 미계측 지점의 결측치를 산출할 수 있는 체계를 구축하였고, 본 연구자가 개발한 F2MAP 모형을 이용하여 보정 레이더 자료를 생성하고 그 자료를 결측치 추정 방법에 이용하였다. 또한, 성능을 평가하기 위한 방법으로 교차검정(Cross-Validation)을 적용하였다. 모의한 결과의 제곱평균제곱근오차(RMSE)를 Table.
성능/효과
(1) 결측치 추정방법 중 상관계수 가중치법(CCWM)(RMSE:0.57∼1.79), 인공신경망(ANN)(RMSE:0.46∼1.09), 보정레이더(RMSE:0.05∼2.26)기법이 어느 정도 신뢰성이 있는 값을 보여주었다.
반면에 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), RADAR 격자값 및 평균값은 RMSE의 값이 1.37∼5.60의 범위를 보이며 상당히 큰 오차를 보였다.
(2) 일반적으로 레이더의 강우자료가 지점강우 자료에 비해 정량적인 부분에 있어서 정확성이 떨어지기는 하지만, 이를 위한 해결책으로 기존에 설치되어 있는 지상강우 관측망과 강우레이더 관측망을 조합한 보정레이더를 사용하고 있다. 본 연구에서도 레이더 자료를 바로 적용하는 것 보다 보정레이더를 사용할 경우 결측치를 추정함에 있어서 더 타당한 RMSE값을 얻을 수 있었다.
후속연구
(3) 레이더를 이용한 지속적이고 장기적인 강우 자료의 구축으로 이러한 문제를 해결하게 된다면, 신뢰성 있는 결측치의 추정과 더불어 이를 이용한 강우-유출모형의 적용에 있어서도 타당한 결과를 유추할 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
강우량 자료의 이용이 매우 중요한 이유는 무엇인가?
강우량 자료는 수문 분석에서 있어 가장 기본이 되는 자료이기 때문에 그 이용에 있어서 매우 중요한 부분이다. 그러나 현실적으로는 완벽한 강우자료를 구축하기에는 많은 어려움이 있으며 이에 따라 수공 관련 전문가들은 강우자료의 결측치 추정에 대한 문제를 겪게 된다.
지점강우의 결측치에 대한 추정에는 어떤 기법이 사용되고 있는가?
기존에 지점강우의 결측치에 대한 추정에는 일반적으로 전통적인 방법인 산술평균법, 역거리 가중치법, 역지수 가중치법, 상관계수 가중치법이 사용되었고, 최근에는 크리깅 기법이나 인공신경망(ANN)기법이 사용되고 있다. 국내의 연구 성과를 살펴보면, 김응석 등(1999)이 평창강 유역의 11개 지점 시자료를 바탕으로 1개의 호우사상을 산술평균법, 연정상 강우량법, 역거리 가중치법, 거리고도비율법, 선형계획법, 수정 연정상 강우량법, 크리깅 기법을 이용 및 분석하여 적용성을 평가하였고, 황세운 등(2006)은 충주댐과 춘천댐 유역의 일자료를 대상으로 역거리 가중치법, 크리깅과 코크리깅(Co-Kriging)기법의 적용성을 평가하였다.
참고문헌 (16)
김병식, 홍준범, 김형수, 최규현, 조건부 합성방법을 이용한 레이더 강우와 지상 강우자료의 조합, 한국수자원학회논문집, 제27권, 제3B호, pp. 255-265, 2007.
김응석, 김형수, 김중훈, 점 강우량 결측시 보정 방법에 관한 비교 연구, 한국수자원학회 학술발표대회논문집, 한국수자원학회, pp. 374-381, 1999.
안상진, 김진극, 레이더 반사강도와 강우강도의 Z-R 관계식 산정, 한국수자원학회논문집, 제36권, 제1호, pp. 13-21, 2003.
Ramesh S.V. Teegavarapu and V. Chandramouli, Improved weighting method- deterministic and stochastic data-driven models for estimation of missing precipitation records, Journal of Hydrology., 312, pp. 191-206, 2005.
Ramesh Teegavarapu, Mohammad Tufail, Lindell Ormsbee., Optimal function forms for spatial interpolation of precipitation data, Enviromental Informatics Archives, Vol.4, pp. 343-353, 2006.
Shepard, D., A two-dimensional interpolation function for irregularly spaced data, Proceedings of the Twenty-Third National Conference of the Association for Computing Machinery, pp. 517-524, 1968.
Sullivan, D.O., Unwin, David J., Geographical Information Analysis, Wiley, New York, 2003.
Vasiliev, I.R., Visualization of spatial dependence: an elementary view of spatial autocorrelation, In: Practical Handbook of Spatial Statistics, CRC Press, Boca Raton, 1996.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.