$\require{mediawiki-texvc}$

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.

RADAR 강우예측자료와 ANFIS를 이용한 충주댐 유입량 예측
Inflow Estimation into Chungju Reservoir Using RADAR Forecasted Precipitation Data and ANFIS 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.46 no.8, 2013년, pp.857 - 871  

최창원 (아주대학교 건설교통공학과) ,  이재응 (아주대학교 건설시스템공학과)

초록
AI-Helper 아이콘AI-Helper

최근 국지성 집중호우, 돌발홍수와 같은 급격한 기상변화로 인한 피해가 증가함에 따라, 레이더와 위성영상 등 원격탐측 방법을 사용한 강우 예측 및 관측에 대한 관심이 높아지고 있다. 본 연구에서는 자료지향형 모형의 하나인 뉴로-퍼지기법(ANFIS : Adaptive Neuro Fuzzy Inference System)을 사용하여 유역 유출량을 산정하였고, 레이더 단기 강우예측 모형인 MAPLE(McGill Algorithm for Precipitation Nowcasting by Lagrangian Extrapolation; Germann et al., 2002, 2004) 강우예측자료를 입력변수의 하나로 사용하였다. 뉴로-퍼지기법 및 레이더 강우예측자료를 사용한 홍수량 산정의 적용성 평가를 위해 충주댐 상류유역의 2010년 및 2011년 홍수기에 발생한 6개의 강우사상을 사용하여 모형 생성 시 사용한 강우자료의 종류에 따른 결과를 비교하고, 입력변수 조합에 따른 15개 모형을 구성하여, 모형 구성과정의 군집화 방법을 변화시키며 이에 따른 결과를 비교 분석하였다. 연구 결과, 기 발생한 홍수사상 중 가장 큰 홍수사상을 사용하여 모형을 생성할 경우 홍수량 산정의 정확도가 높아지는 것으로 나타났고, 모형의 생성이 가능한 범위 안에서 비교적 clustering 반경이 클수록 홍수량 산정의 정확도가 높아지는 것으로 나타났다. 충주댐 유역의 홍수량 예측에서는 t+6~t+16시간의 예측에서 MAPLE 강수예측자료를 사용한 모형의 홍수량 산정 결과의 정확도가 상대적으로 높은 것으로 나타났다.

Abstract AI-Helper 아이콘AI-Helper

The interest in rainfall observation and forecasting using remote sensing method like RADAR (Radio Detection and Ranging) and satellite image is increased according to increased damage by rapid weather change like regional torrential rain and flash flood. In this study, the basin runoff was calculat...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 자료지향형모형인 ANFIS 모형을 구성하기 위해서는 학습과 보정 및 검증을 위해 3개 set의 자료(training data, checking data, testing data)가 필요하다. 본 연구에서는 모형의 구성에 필요한 3개 set의 자료 구성이 홍수량 예측 결과에 미치는 영향을 분석하기 위해 입력 자료를 다양하게 변화시켜 홍수량 산정 결과를 비교했다. 모형의 구성에 필요한 3개 set의 자료 구성에 따른 모형의 결과 분석을 위해서는 비교하고자 하는 자료를 제외한 나머지 2개의 자료를 고정한 상태에서 비교 대상 자료만을 변화시켜가며 비교하는 것이 가장 좋은 방법이지만, 본 연구에서 사용한 강수량 예측자료인 MAPLE 자료 사용을 위해 2010년 및 2011년 홍수기 자료만을 사용하여 아래에 제시한 3개 CASE와 몇 가지 추가 CASE에 대해서만 검토하였으며 그 중 3개의 CASE의 결과를 제시하였다.
  • ANFIS 모형과 같은 자료지향형 모형의 초기 연구에서는 주로 물리적 모형과의 상호 비교가 주로 수행되었으나, 최근에는 모형 생성과정의 설정에 따른 모형의 예측 성능 향상에 관한 연구가 수행되고 있다. 본 연구에서는 모형의 정확도 향상을 위한 연구로, 모형의 구성과정에서 모형의 군집화 방법에 따른 예측정확도를 비교하였다.
  • ANFIS를 사용한 댐 유입량 예측 연구에서는 모형의 학습을 위한 입력자료로 댐 유입량에 직접적인 영향을 미칠 것으로 생각되는 관측기상자료 및 관측수문자료를 사용하는 것이 일반적이다. 본 연구에서는 최근 위성 및 레이더 관측 기술의 발달에 힘입어 활발히 연구가 진행되고 정확도가 향상되고 있는 기상예보 자료를 모형의 추가적인 입력자료로 사용하여 댐 유입량 예측 연구를 수행하였다.
  • 또, 2006년과 같은 중부지방 집중호우 발생 시에는 홍수기 제한수위로부터 약 6 m 가량 수위를 낮추어 운영하는 등 홍수 대응에 어려움을 겪고 있다. 본 연구에서는 충주댐 홍수 대응능력 향상을 위한 비구조적인 대안의 하나로, 충주댐 홍수유입량의 정확도를 향상을 통해 충주댐 운영의 효율성과 안전성을 높이고자 하였다.

가설 설정

  • CASE 1은 모형의 학습, 보정, 검증과정에 사용한 홍수 사상의 첨두홍수량의 크기가 학습자료가 가장 크고, 검증 자료가 학습자료 다음으로 크며, 보정자료의 첨두홍수량 이 가장 작은 자료로 구성되었다. 모형의 학습에 사용된 첨두홍수량 값보다는 작지만 보정에 사용된 홍수사상보다 첨두홍수량이 큰 홍수사상이 발생하는 상황을 가정하였다. CASE 2는 모형의 생성에 사용한 자료의 첨두홍수량의 크기순서가 CASE 1과 동일하게 학습자료, 검증자료, 보정자료의 순서로 구성되었다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
MAPLE 강우예측 모형에서 사용하는 변분 에코 추적 기법의 우수성은 무엇인가? MAPLE은 캐나다 McGill 대학의 기상 레이더 그룹에서 개발한 단시간 강우예측 모형으로 현재와 과거 시간의 레이더 영상 차이를 통하여 강수에코의 이동벡터를 산출하는 변분 에코 추적 기법을 이용하고 있으며 라그랑지 연속성(Lagrangian persistence)에 기반을 두고 수 시간 이내의 강수 에코 위치에 대한 예측정보를 제공한다. 변분에 코 추적기법(Variational Echo Tracking, VET)은 레이더 강수의 에코뿐만 아니라 위성 영상 등 시간에 따라 이동하는 모든 영상에 적용할 수 있으며, 강수 에코 위치에 대한 예측정보를 제공하는 라그랑지 연속성은 현재까지 강우패턴의 단기예측을 위한 최적의 방법으로 알려져 있으며 0~6시간 범위에 대한 수치모델의 기술은 다른 방법을 적용한 실황예보보다 우수한 결과를 보이는 것으로 나타났다. Lagrangian 외삽법은 다른 시간에서의 강우 패턴들 사이의 교차상관과 같은 기법을 이용하여 강우패턴의 움 직임을 결정하고 예보시간에서의 강수 에코 위치를 산출하기 위해 결정된 강우패턴의 움직임을 따라 이류시키는 형태이다.
퍼지이론은 무엇을 기초로 하고 있는가? 퍼지이론은 “yes”나 “no”와 같이 이분법으로만 나눌 수 없는 인간의 모호한 사고 작용을 수학적인 함수를 통해 명확히 표현하기 위한 이론으로, Zadeh (1965)에 의해 제안된 퍼지집합 이론을 기초로 하고 있다. 일반적인 집합에서는 특정 요소의 집합에 대한 소속 정도는 포함되거나 포함되지 않는 경우가 명확히 구분되어 존재하지만, 퍼지집합에서는 애매모호함을 인정하기 때문에 상당부분 포함되거나 조금 포함되는 것과 같은 다양한 경우의 수가 존재한다.
ANFIS 모형에서 입력자료와 출력자료의 구성이 모형의 정확도에 큰 영향을 미치게 되는 이유는 무엇인가? 본 연구에서는 Jang (1993)에 의해 제안된 퍼지이론에 신경회로망 이론을 도입한 적응형 퍼지 신경회로망 추론 기법인 ANFIS를 사용해 관측기상자료(강우자료)와 관측 수문자료(유량자료) 및 예측기상자료(강우자료)와 예측 수문자료(유량자료) 사이의 상관관계 분석을 통해 유출량을 예측하였다. ANFIS 모형은 물리적인 유역의 특성자료를 고려하지 않고 입력자료(관측 강우자료, 관측 유입량 자료, 예측 강우자료)와 출력자료(유입량자료)의 상관성 분석을 통해서만 구축되는 모형이기 때문에 입력자료와 출력자료의 구성이 모형의 정확도에 큰 영향을 미치게 된다. ANFIS 모형에서는 모형 학습을 위한 입출력자료를 어떻게 구성하는가에 따라서 모형의 예측 정확도는 상당한 차이를 나타낸다.
질의응답 정보가 도움이 되었나요?

참고문헌 (45)

  1. Abrahart, R.J., See, Linda M, Solomatine, and Dimitri, P. (2008). Practical Hydroinformatics: Computational Intelligence and Technological Developments in Water Applications. Springer. 

  2. Bae, D.H., Jeong, D.M., and Kim, G. (2007) "Monthly dam inflow forecasting using weather forecasting information and neuro-fuzzy technique." Hydrological Sciences Journal, Vol. 52, No. 22, pp. 99-113. 

  3. Bezdek, J.C. (1981) Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York. 

  4. Byun, D.H. (2009). Dam InflowForecasts Using Short-Term Numerical Weather Forecast Data. MS. thesis, Sejong University, Korea. 

  5. Chiu, S. (1994) "Fuzzy Model Identification Based Cluster Estimation." Journal of Intelligent & Fuzzy Systems, Vol. 2, No. 3, 1994. 

  6. Daniel, W.K., and Arlen, D.F. (1998) "Evolution of Clark's Unit Graph Method to Spatially Distributed Runoff." Journal of Hydrologic Engineering. Vol. 3, No. 1, pp. 9-19 

  7. Dastorani, M.T., Afkhami, H., Sharifidarani, H., and Dastorani, M. (2010). "Application of ANN and ANFIS Models on Dryland Precipitation Prediction (Case Study: Yazd in Central Iran)" Journal of Applied Sciences, Asian Network for Scientific Information, Vol. 10, No. 20, pp. 2387-2394. 

  8. Davies, T., Cullen, M.J.P., Malcolm, A.J., Mawson, M.H., Staniforth, A., White, A.A., and Wood, N. (2005) "A new dynamical core for the Met Office's global and regional modeling of the atmosphere." Q. J. R. Meteorol. Soc., Vol. 131, pp. 1759-1782. 

  9. Fread, D.L. (1985) National Weather Service Operational Dynamic Wave Model, Hydrologic Research Laboratory, NWS. 

  10. Germann, U., and Zawadzki, I. (2002) "Scale-dependence of the predictability of precipitation from continental RADAR images. Part I: Description of the methodology." Monthly Weather Review, Vol. 130, Issue 12, pp. 2859-2873. 

  11. Germann, U., and Zawadzki, I. (2004) "Scale-dependence of the predictability of precipitation from continental RADAR images. Part II: Probability forecasts." Journal of Applied Meteorology, Vol. 43, Issue 1, pp. 74-89. 

  12. Jang, D.E. (2009). Present Condition and Plan for Very Short-Term Precipitation Forecasting at KMA. 10th RADAR Workshop, National Institute of Meteorological Research, Korea. 

  13. Jang, J.S.R. (1993). "ANFIS: Adaptive Network-Based Fuzzy Inference System." IEEE Trans. on Sstem, Man and Cybernetics, Vol. 23, No. 3, pp. 665-685. 

  14. Jung, S.H. (2006). Improvement of Radar Rainfall Intensity and Real-Time Estimation of Areal Rainfall. MS. thesis, Kyongpook National University, Korea. 

  15. Kim, B.K., Jang, D.W., Yang, D.M., and Yoo, C.S. (2009). "Accuracy Consideration of MAPLE Data Vary Short-Term Forecasting Model." Water for Future, Korea Water Resources Association, Korea, Vol. 42, No. 12, pp. 52-64. 

  16. Kim, J.H. (2007). The Development and Application of Algorithm for Real-Time Z-R Relationship by Precipitation Type. Ph.D. dissertation, Pukyong National University, Korea. 

  17. Kim, J.H. (2009a). Comparative Analysis of Radar Image Rainfall and Point Rainfall. MS. thesis, University of Suwon, Korea. 

  18. Kim, J.H. (2011b). Optimal Operation of Daechung Dam Using Adaptive Neuro-Fuzzy Inference System. MS. thesis, Kyung Hee University, Korea. 

  19. Kim, K.J. (2009b). Improvement of the accuracy of radar rainfall measurement for hydrological application and the optimization of ground rain gage network. Ph.D. dissertation, Korea University, Korea. 

  20. Kim, K.P. (2011a). Applicability of the Distributed Rainfall-RunoffModel in Nam-River Basin. MS. thesis, GyeongSang National University, Korea. 

  21. Ko, K.Y. (2010). Study on Runoff Prediction using Artificial Neural Network. MS. thesis, Kyungbuk University, Korea. 

  22. Korea Meteorological Administration (2005). Construction and Test-Operation of Korea Weather Research & Forecasting Model. 

  23. Lee, H.C. (2008). "Test Operation Implementation of Very Short-Term Forecasting Model." News Letter, National Institute of Meteorological Research, Korea, No. 49, p. 6. 

  24. Lee, M.H. (2010a). A Study of a Distributed Flood Runoff Model for Its Application. Ph.D. dissertation, Ajou University, Korea. 

  25. Lee, W.G. (2010b). Estimation of Resonable Radar Grid Size Using SWAT Model. MS. thesis, Yonsei University, Korea. 

  26. Metcalf & Eddy Inc. Palo Alto (1971). Storm water management model. Vol. I-IV, U.S.EPA report. 

  27. Meteorological Research Institute (2004). Development of Regional Climate Change Scenario for the National Climate Change Report. Korea Meteorological Association, Korea. 

  28. Michael, L.T., and John, B.S. (1974) The Illinois Urban Drainage Area Simulator, ILLUDAS, Bulletin 58. 

  29. National Institute of Meteorological Research (2000). Development of the numerical medium-long range forecast system. 

  30. National Institute of Meteorological Research (2006). Study on improving the skill of precipitation forecast in a short-range. 

  31. Park, K.N. (2009). A Study on the Rainfall Estimation Using Radar Satellite Image in Ungaged Watershed. MS. thesis, University of Suwon, Korea. 

  32. Shin, G.W., Kim, J.H., Yang, J.R., and Hong, S.T. (2011). "Development of Water Demand Forecasting Simulator and Performance Evaluation." Journal of Korean Society ofWater and Wastewater, Korean Society of Water and Wastewater, Korea, Vol. 25, No. 4, pp. 581-589. 

  33. Srinivasan, R., and Arnold, J.G. (1994) "Integration of a Basin-Scale Water Quality Model with GIS." Journal of the American Water Resources Association, Vol. 30, Issue 3, pp. 453-462. 

  34. Sun, J., and Crook, N.A. (1997) "Dynamical and microphysical retrieval from Doppler RADAR observation using a clou model and its adjoint. Part I: Model development and simulated data experiments." J. Atmos. Sci., Vol. 54, pp. 1642-1661. 

  35. Sun, J., and Crook, N.A. (2001). "Real-time low-level wind and temperature analysis using single WSR- 88D data."Weather Forecasting, Vol. 15, pp. 117-132. 

  36. The Math Works, Inc. (2006). Fuzzy Logic Toolbox User's Guide. pp. 2-107-2-110. 

  37. U.S. Army Corps of Engineers. (1968). Hydrologic Engineering Methods for Water Resource Development, Hydrologic Engineering Center, Davis, California. 

  38. U.S. Army Corps of Engineers. (1974). Urban stormwater runoff-STORM. Computer Program 723-58 L2520, Hydrologic Engineering Center, Davis, California. 

  39. U.S. Army Corps of Engineers. (1998). HEC-RAS River Analysis System User's Manual. Hydrologic Engineering Center, Davis, California. 

  40. U.S. Army Corps of Engineers. (1999). HEC-HMS User's Manal. 

  41. Vieux. (2001). Vflo. Vieux & Assoiates, Inc. 

  42. Watkins, L.H. (1962). The design of urban sewer systems. Road Reasearch Lab., Technical Paper 55, p. 96. 

  43. Won, Y.S. (2007). Development of Long Term Rainfall-Runoff Model of Combined Surface and Ground Water. Ph.D. dissertation, Ajou University, Korea, p. 7. 

  44. Yun, J.S. (2009). The Correction ofMean-Field Bias and Estimation of its Application to Rainfall-Runoff Analysis. MS. thesis, Korea University, Korea. 

  45. Zadeh, R. (1965). "Fuzzy Set Theory." Information and Control, Vol. 8, pp. 338-353. Elsevier 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
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