$\require{mediawiki-texvc}$

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.

[국내논문] 자료기반 실시간 홍수예측 모형의 비교·검토
Comparison of Data-based Real-Time Flood Forecasting Model 원문보기

대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.33 no.5, 2013년, pp.1809 - 1827  

최현구 (경북대학교 방재연구소) ,  한건연 (경북대학교 건축.토목공학부) ,  노홍식 (경북대학교 건축.토목공학부) ,  박세진 (경북대학교 건축.토목공학부)

초록
AI-Helper 아이콘AI-Helper

기후변화로 인해 발생하는 이상홍수에 대비하기 위해서는 다양한 대책을 강구할 필요가 있다. 그 중 비구조적 대책으로 홍수예경보시스템을 구축하여 홍수에 대비할 수 있도록 하는 것이 중요하다. 본 연구의 목적은 실시간 홍수예측 시스템을 구축하기 위해 뉴로-퍼지 모형과 다중선형회귀 모형을 비교하여 우수한 실시간 홍수예측 모형을 개발하는데 있다. 이를 위해 같은 입력자료를 사용하여 뉴로-퍼지 모형과 다중선형회귀 모형을 구축하고 낙동강 유역의 다양한 홍수사상에 대해 적용하였다. 모의결과 뉴로-퍼지 모형이 다중선형회귀 모형보다 좀 더 나은 예측 결과를 나타내는 것을 확인할 수 있었다. 본 연구는 향후 낙동강 유역의 충분한 선행시간을 확보한 정확도 높은 홍수정보시스템의 구축에 활용할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently we need to take various measures to prepare for extreme flood that occur due to climate change. It is important that establish flood forecasting system to prepare flood over non-structure measures. The objective of this study is to develop superior real-time flood forecasting model by compa...

주제어

#홍수예경보시스템   #실시간 홍수예측   #뉴로-퍼지 모형   #다중선형회귀 모형  

질의응답

핵심어 질문 논문에서 추출한 답변
신경망 이론과 퍼지 이론의 장점들을 바탕으로 제시된 뉴로-퍼지 모형의 특징은 무엇인가? 반면 신경망 이론은 학습 능력을 가지고 있어서 시스템의 구성에 유연성이 크며, 데이터 기반의 처리에 우수하다. 이러한 장점들을 바탕으로 제시된 모형이 뉴로-퍼지 모형으로 신경망의 구조와 학습능력을 이용하여 제어환경으로 부터 얻은 입출력 정보로부터 소속 함수와 규칙을 제어 대상에 맞게 자동으로 조정함으로써 수행된다.
퍼지 이론의 장점은 무엇인가? 신경망 이론과 퍼지 이론은 모두 특정 분야에 대해서 인간처럼 일을 할수 있는 시스템을 구축하는 것에 관심이 있으나, 두 이론이 강점을 갖는 분야는 조금 다르다. 퍼지 이론은 논리적인 기반 하에서 애매한 정보를 처리, 추론하는데 적합하고 자연 언어적인 표현을 통해고차원적인 처리에 유용하다. 반면 신경망 이론은 학습 능력을 가지고 있어서 시스템의 구성에 유연성이 크며, 데이터 기반의 처리에 우수하다.
신경망 이론의 장점은 무엇인가? 퍼지 이론은 논리적인 기반 하에서 애매한 정보를 처리, 추론하는데 적합하고 자연 언어적인 표현을 통해고차원적인 처리에 유용하다. 반면 신경망 이론은 학습 능력을 가지고 있어서 시스템의 구성에 유연성이 크며, 데이터 기반의 처리에 우수하다. 이러한 장점들을 바탕으로 제시된 모형이 뉴로-퍼지 모형으로 신경망의 구조와 학습능력을 이용하여 제어환경으로 부터 얻은 입출력 정보로부터 소속 함수와 규칙을 제어 대상에 맞게 자동으로 조정함으로써 수행된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (26)

  1. Brown, M. and Harris, C. (1994). Neuro-fuzzy adaptive modeling and control, Prentice Hall International (UK) Ltd. Hertfordshire, UK, p. 508. 

  2. 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. 

    상세보기 crossref

  3. Chaoulakou, A., Assimacopoulos, D. and Lekkas, T. (1999). "Forecasting daily maximum ozon concentration in the Athens basin." Environmental Monitoring and Assessment, Vol 56, pp. 97-112. 

    상세보기 crossref

  4. Choi, S.-Y. (2011). Real-time flood forecasting and inundation analysis in medium and small streams. Doctor Dissertation, Kyungpook National University (in Korean). 

  5. Gautam, D. K. and Holz, K. P. (2001). "Rainfall-runoff modeling using adaptive neuro-fuzzy systems." Journal of Hydroinformatics, pp. 3-10. 

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

    상세보기 crossref

  7. Jain, A., Sudheer, K. P. and Srinivasulu, S. (2004). "Identification of physical processes inherent in artificial neural network rainfallrunoff models." Hydrologic Process, Vol. 118, pp. 571-581. 

  8. Jang, J.-S. (1992). "Self-learning fuzzy controllers based on temporal backpropagation." IEEE Trans Neural Netw, Vol. 3, No. 5, pp. 714-723. 

    상세보기 crossref

  9. Jeong, D.-K. and Lee, B.-H. (2009). "Development of urban flood water level forecasting model using regression method." Journal of Korea Water Resources Association, Vol. 43, No. 2, pp. 221-231 (in Korean). 

    원문보기 상세보기 crossref

  10. Kim, K.-T., Kim, J.-H. and Choi, Y.-S. (2006). "Study of flood warning and forecasting in small to medium scale watershed." Korea Water Resources Association Conf., pp. 1126-1130 (in Korean). 

  11. Ko, Y.-J. (2001). The application of fuzzy neural network on the hourly river flow forecating. Master Dissertation, Chonnam National University. pp. 1-6, pp. 14-17 (in Korean). 

  12. Kurtulus, B. and Razack, M. (2009). "Modeling daily discharge responses of a large karstic aquifer using soft computing methods artificial neural network and neuro fuzzy." Journal of Hydrology, Vol. 375, pp. 146-162. 

  13. Lohani, A. K., Kumar, R. and Singh, R. D. (2012). "Hydrological time series modeling: A Comparison Between Adaptive Neuro- Fuzzy, Neural Network And Autoregressive Techniques." Journal of Hydrology, Vol. 442-443, pp. 23-35. 

    상세보기 crossref

  14. Luk, K. C., Ball, J. E. and Sharma, A. (2001). "An application of artificial neural networks for rainfall forecasting." Math Computer Model, Vol. 33, pp. 683-693. 

    상세보기 crossref

  15. Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasastri, K. S. (2005). "Short-term flood forecasting with a neurofuzzy model." Water Resources Research, Vol. 41, No. 4, W04004. 

    상세보기

  16. Ramirez, M. C. P., Velho, H. F. C. and Ferreira, N. J. (2005). "Artificial neural network technique for rainfall forecasting applied to the sao paulo region." Journal of Hydrology, Vol. 301, pp. 146-162. 

    상세보기 crossref

  17. Schilling, K. E. and Wolter, C. F (2005). "Estimation of streamflow, baseflow and nitrate-nitrogen loads in Iwoa using multiple regression models." Journal of American Water Resources Association, Vol. 41, No. 6, pp. 1333-1346. 

    상세보기 crossref

  18. Shin, S.-I. (2002). Study on forecasting flood discharge using neural network and neuro-fuzzy, Master Dissertation, Kyungil University (in Korean). 

  19. Smith, J. and Eli, R. N. (1995). "Neural network models of the rainfall-runoff process." Journal of Water Resources Planning and Management, ASCE, Vol. 121, pp. 499-508. 

    상세보기 crossref

  20. Sung, J.-Y. and Heo, J.-H. (2009). "Tributary flood forecasting using statistical analysis method." Korea Water Resources Association Conf., pp. 1524-1527 (in Korean). 

  21. Talei, A., Chua, L. H. C. and Wong, S. W. (2010). "Evaluation of rainfall and discharge inputs used by adaptive network-based fuzzy inference systems (ANFIS) in rainfall-runoff modeling." Journal of Hydrology, Vol. 391, Issues 3-4, pp. 248-262. 

    상세보기 crossref

  22. Tangborn, W. V. and Rasmussen, L. A. (1976). "Hydrology of north cascades region, washington-part 2: A Proposed Hydrometeorological Streamflow Prediction Method." Water Resources Research, Vol. 12, pp. 203-216. 

    상세보기 crossref

  23. Wu, C. L., Chau, K. W. and Li, Y. S. (2008). "River stage prediction based on a distributed support vector regression." Journal of Hydrology, Vol. 358, pp. 96-111. 

    상세보기 crossref

  24. Yarar, M., Onucyildiz, M. and Copty, N. K. (2009). "Modelling level change in lakes using neuro fuzzy and artificial neural networks." Journal of Hydrology, Vol. 365, pp. 329-334. 

    상세보기 crossref

  25. Yoon, Y.-N. and Wone, S.-Y. (1991). "A multiple regression model for the estimation of monthly runoff from ungaged watersheds." Journal of Korean Association of Hydrological Sciences, Vol. 24, No. 3, pp.71-82 (in Korean). 

  26. Yurekli, K., Kurung, A. and Ozturk, F. (2005). "Testing residuals of an ARIMA model on the cekerek stream watershed in turkey." Turkish Journal of Engineering and Environmental Sciences, Vol. 29, pp. 61-74. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

유발과제정보 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