본 연구에서는 우량계로 측정한 강우량이 실제 지표면에 떨어지는 강우 값에 근접하도록 보정함으로써, 유출해석 및 기타 수문분석에 적용할 경우 신뢰도 높은 결과를 얻는데 목적이 있다. 지상우량계로 관측한 강우량에 대한 바람의 영향을 분석하기 위하여, 표준기상관측소인 추풍령기상대에 설치된 바람막이의 유(有) 무(無)에 따른 우량계와 기준우량계의 자료를 획득하였다. 획득한 강우를 단순선형회귀 모형과 신경망 모형을 이용하여 지상강우를 보정하였으며, $Vflo^{TM}$모형을 이용한 유출모의를 통하여 자료의 신뢰도를 검증하였다. 단순선형회귀 모형을 사용한 보정 강우량은 실제 관측된 강우량보다 5%~18%가 큰 강우량을 나타냈으며, 강우획득에 있어 바람의 영향은 1.6~3.3m/s의 풍속구간에서 가장 큰 것을 확인하였다. 또한 회귀모형에서는 풍속구간 5.5m/s이상일 경우 자료의 개수가 전체자료의 0.7%로 매우 작고, 이상치가 획득됨으로써 회귀모형 적용의 어려움이 있었다. 반면에 신경망 기법을 이용한 지상강우의 보정은 전체적으로 관측 값보다 10~20% 가량 강우가 적게 추정되었다. 통계분석결과, 전체적으로 편차가 크고 평균 강우획득량이 클수록 신경망 모형의 적용성이 높게 나타났으며, 획득한 강우량의 극치값이 크게 나타날수록 선형회귀 모형의 적용성이 높게 나타나는 것을 확인하였다. 본 연구결과로 신뢰성 높은 강우보정을 위해서는 지역별 강우 특성에 따른 적합한 보정방법을 선택해야 할 것으로 판단되며, 앞으로의 수문해석에 있어 본 논문에서 제시하는 강우 보정방법을 적용함으로써 신뢰도 높은 수문해석 결과를 기대할 수 있을 것으로 사료된다.
본 연구에서는 우량계로 측정한 강우량이 실제 지표면에 떨어지는 강우 값에 근접하도록 보정함으로써, 유출해석 및 기타 수문분석에 적용할 경우 신뢰도 높은 결과를 얻는데 목적이 있다. 지상우량계로 관측한 강우량에 대한 바람의 영향을 분석하기 위하여, 표준기상관측소인 추풍령기상대에 설치된 바람막이의 유(有) 무(無)에 따른 우량계와 기준우량계의 자료를 획득하였다. 획득한 강우를 단순선형회귀 모형과 신경망 모형을 이용하여 지상강우를 보정하였으며, $Vflo^{TM}$모형을 이용한 유출모의를 통하여 자료의 신뢰도를 검증하였다. 단순선형회귀 모형을 사용한 보정 강우량은 실제 관측된 강우량보다 5%~18%가 큰 강우량을 나타냈으며, 강우획득에 있어 바람의 영향은 1.6~3.3m/s의 풍속구간에서 가장 큰 것을 확인하였다. 또한 회귀모형에서는 풍속구간 5.5m/s이상일 경우 자료의 개수가 전체자료의 0.7%로 매우 작고, 이상치가 획득됨으로써 회귀모형 적용의 어려움이 있었다. 반면에 신경망 기법을 이용한 지상강우의 보정은 전체적으로 관측 값보다 10~20% 가량 강우가 적게 추정되었다. 통계분석결과, 전체적으로 편차가 크고 평균 강우획득량이 클수록 신경망 모형의 적용성이 높게 나타났으며, 획득한 강우량의 극치값이 크게 나타날수록 선형회귀 모형의 적용성이 높게 나타나는 것을 확인하였다. 본 연구결과로 신뢰성 높은 강우보정을 위해서는 지역별 강우 특성에 따른 적합한 보정방법을 선택해야 할 것으로 판단되며, 앞으로의 수문해석에 있어 본 논문에서 제시하는 강우 보정방법을 적용함으로써 신뢰도 높은 수문해석 결과를 기대할 수 있을 것으로 사료된다.
The purpose of this paper is to obtain reliable rainfall data for runoff simulation and other hydrological analysis by the calibration of gauge rainfall. The calibrated gauge rainfall could be close to the actual value with rainfall on the ground. In order to analyze the wind effect of ground rain g...
The purpose of this paper is to obtain reliable rainfall data for runoff simulation and other hydrological analysis by the calibration of gauge rainfall. The calibrated gauge rainfall could be close to the actual value with rainfall on the ground. In order to analyze the wind effect of ground rain gauge, we selected the rain gauge sites with and without a windshield and standard rain gauge data from Chupungryeong weather station installed by standard of WMO. Simple linear regression model and artificial neural networks were used for the calibration of rainfalls, and we verified the reliability of the calibrated rainfalls through the runoff analysis using $Vflo^{TM}$. Rainfall calibrated by linear regression is higher amount of rainfall in 5%~18% than actual rainfall, and the wind remarkably affects the rainfall amount in the range of wind speed of 1.6~3.3m/s. It is hard to apply the linear regression model over 5.5m/s wind speed, because there is an insufficient wind speed data over 5.5m/s and there are also some outliers. On the other hand, rainfall calibrated by neural networks is estimated lower rainfall amount in 10~20% than actual rainfall. The results of the statistical evaluations are that neural networks model is more suitable for relatively big standard deviation and average rainfall. However, the linear regression model shows more suitable for extreme values. For getting more reliable rainfall data, we may need to select the suitable model for rainfall calibration. We expect the reliable hydrologic analysis could be performed by applying the calibration method suggested in this research.
The purpose of this paper is to obtain reliable rainfall data for runoff simulation and other hydrological analysis by the calibration of gauge rainfall. The calibrated gauge rainfall could be close to the actual value with rainfall on the ground. In order to analyze the wind effect of ground rain gauge, we selected the rain gauge sites with and without a windshield and standard rain gauge data from Chupungryeong weather station installed by standard of WMO. Simple linear regression model and artificial neural networks were used for the calibration of rainfalls, and we verified the reliability of the calibrated rainfalls through the runoff analysis using $Vflo^{TM}$. Rainfall calibrated by linear regression is higher amount of rainfall in 5%~18% than actual rainfall, and the wind remarkably affects the rainfall amount in the range of wind speed of 1.6~3.3m/s. It is hard to apply the linear regression model over 5.5m/s wind speed, because there is an insufficient wind speed data over 5.5m/s and there are also some outliers. On the other hand, rainfall calibrated by neural networks is estimated lower rainfall amount in 10~20% than actual rainfall. The results of the statistical evaluations are that neural networks model is more suitable for relatively big standard deviation and average rainfall. However, the linear regression model shows more suitable for extreme values. For getting more reliable rainfall data, we may need to select the suitable model for rainfall calibration. We expect the reliable hydrologic analysis could be performed by applying the calibration method suggested in this research.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구를 위하여 추풍령 표준기상관측소에서 2010년부터 2012년까지 총 3년에 걸친 자료를 획득하였으며, 강우획득에 미치는 바람의 영향을 확인하기 위하여 바람막이가 설치된 우량계와 설치되지 않은 우량계 및 강우 값의 기준이 되는 기준우량계(Pit gauge)의 값을 이용하였다. 본 연구에서 사용된 강우사상은 비교적 강우량이 많고 바람세기의 분포가 다양하게 나타나는 태풍의 사례에 대해 분석을 시행하였다.
본 연구에서는 바람이 지상 강우획득에 미치는 영향을 파악하기 위하여 표준기상관측소인 추풍령기상대의 자료를 이용하여 선형회귀 및 신경망 모형을 구축하고, 이를 통한 감천유역의 AWS 7개 지점에 대한 자료를 보정하고 유출량을 분석·비교하였다.
이에 본 연구에서는 지상관측 강우를 실제 강우에 근접하게 보정함으로써 신뢰도 높은 지상강우자료를 획득하는 데에 목적이 있다. 강우획득에서의 바람 효과를 분석하고, 바람의 영향에 대한 값을 보정하기 위하여 표준기상관측소인 추풍령기상대의 기준우량계(Pit gauge)와 바람막이 유·무에 따른 전도형(tipping-bucket gauge)우량계의 강우 자료를 이용하였다.
제안 방법
신경망 모형을 구축하기 위해 추풍령기상대에서 획득한 2010년-2012년의 자료에 대해 무강우 자료를 제외하고서 신경망 모형을 구축하였다. 2010년부터 2011년까지의 자료를 입력 자료로 이용하여 신경망 모형의 입력층과 은닉층, 은닉층과 출력층 사이의 최적 매개변수를 추정하였다. 2012년 자료를 이용하여 학습을 통해 추정된 연결강도와 구축 모형의 적용성을 검토하였다.
2011년의 집중호우와 2012년의 제16호 태풍인 산바에 대해 선형회귀식과 신경망 모형을 적용하였으며, 적용 결과는 Fig. 6과 같다. 신경망 학습을 시킨 추풍령 지점에 대해서는 회귀식에 의한 보정강우량이 신경망을 이용한 보정강우량보다 작게 산정되었다.
2010년부터 2011년까지의 자료를 입력 자료로 이용하여 신경망 모형의 입력층과 은닉층, 은닉층과 출력층 사이의 최적 매개변수를 추정하였다. 2012년 자료를 이용하여 학습을 통해 추정된 연결강도와 구축 모형의 적용성을 검토하였다. 연결강도는 각 층의 상태를 매개변수로 저장시킨 값으로서 각 소자간의 입력과 출력의 상관관계를 나타내며 연결되어 있는 처리소자간의 영향력정도를 나타낸다.
입력 자료와 출력 자료간의 차원을 Eq. 2를 이용하여 표준화를 하였다.
Fig. 5와 같이 감천유역에 위치한 기상청 산하의 AWS 7개 지점에 대하여 선형회귀모형과 신경망 모형을 통해 새롭게 보정된 강우로 Fig. 7과 같이 유출량을 모의하고 실제 유출량과 비교·검토하였다.
대부분의 강우관측 지점에서 사용하는 바람막이가 있는 우량계와 WMO가 제시하는 기준으로 설치된 기준우량계(pit gauge) 자료에 대한 선형적 관계를 통하여 보퍼트 풍속계급에 따라 선형회귀 식을 생성하고 관측 강우를 보정하였으며, 지상우량계의 강우획득에 영향을 미치는 풍속의 복잡한 비선형 과정을 고려할 수 있는 신경망 모형을 이용하여 관측지점별로 강우보정 모형을 구성하고 적용성을 평가하였다. 각각의 방법을 통해 보정된 강우를 이용하여 유출모의를 하고 관측유량과의 비교를 통해 모형의 적합성을 확인하였다. 본 연구를 통해 도출된 결론은 다음과 같다.
을 이용하여 유출모의를 수행하였다. 강우획득 시 미치는 풍속의 영향을 알아보기 위하여 강우기간 동안 풍속이 다양하게 나타나는 집중호우와 태풍사상에 대해 분석을 실시하였다. 집중호우의 경우 선산지점에서 관측강우로 모의한 유출량은 실제 유출량의 peak와 800CMS 정도의 차이를 보였으며, 선형회귀를 통한 보정은 약 200CMS, 신경망을 이용한 보정은 1000CMS 이상의 차이를 보였으며, Fig.
강우획득에서의 바람 효과를 분석하고, 바람의 영향에 대한 값을 보정하기 위하여 표준기상관측소인 추풍령기상대의 기준우량계(Pit gauge)와 바람막이 유·무에 따른 전도형(tipping-bucket gauge)우량계의 강우 자료를 이용하였다. 관측 값으로부터 신뢰성 있는 지상강우 자료로 재생산하기 위하여 단순선형회귀분석과 신경망 기법을 사용하였으며, 보정 전(前)과 후(後)의 강우량을 이용하여 유출모의를 함으로써 자료의 신뢰도를 검증하고자 한다.
단순선형회귀모형과 신경망기법에 따라 보정되는 강우량이 달라지는 것을 확인하였으며, 보정된 강우에 따른 유출특성과 실제 관측된 유량과의 관계를 분석하기 위해 VfloTM을 이용하여 유출모의를 수행하였다. 강우획득 시 미치는 풍속의 영향을 알아보기 위하여 강우기간 동안 풍속이 다양하게 나타나는 집중호우와 태풍사상에 대해 분석을 실시하였다.
본 연구에서는 바람이 지상 강우획득에 미치는 영향을 파악하기 위하여 표준기상관측소인 추풍령기상대의 자료를 이용하여 선형회귀 및 신경망 모형을 구축하고, 이를 통한 감천유역의 AWS 7개 지점에 대한 자료를 보정하고 유출량을 분석·비교하였다. 대부분의 강우관측 지점에서 사용하는 바람막이가 있는 우량계와 WMO가 제시하는 기준으로 설치된 기준우량계(pit gauge) 자료에 대한 선형적 관계를 통하여 보퍼트 풍속계급에 따라 선형회귀 식을 생성하고 관측 강우를 보정하였으며, 지상우량계의 강우획득에 영향을 미치는 풍속의 복잡한 비선형 과정을 고려할 수 있는 신경망 모형을 이용하여 관측지점별로 강우보정 모형을 구성하고 적용성을 평가하였다. 각각의 방법을 통해 보정된 강우를 이용하여 유출모의를 하고 관측유량과의 비교를 통해 모형의 적합성을 확인하였다.
더 나아가 강우강도에 따른 측정 불확도를 산출하여 품질관리를 위한 강우량 측정 보정 인자를 제시할 수 있는 기반을 구축하고, 우량계에 대한 표준화된 검·교정시스템을 개발하였으며, 이를 이용하여 전도형 우량계의 측정불확도를 분석하였다(Shin과 Hong, 2006).
본 연구를 위하여 추풍령 표준기상관측소에서 2010년부터 2012년까지 총 3년에 걸친 자료를 획득하였으며, 강우획득에 미치는 바람의 영향을 확인하기 위하여 바람막이가 설치된 우량계와 설치되지 않은 우량계 및 강우 값의 기준이 되는 기준우량계(Pit gauge)의 값을 이용하였다. 본 연구에서 사용된 강우사상은 비교적 강우량이 많고 바람세기의 분포가 다양하게 나타나는 태풍의 사례에 대해 분석을 시행하였다.
1의 외부에는 무게식 강수량계인 Pluvio1이 비교 관측을 위해 설치되어 있다. 본 연구에서는 (2)번 우량계(바람막이가 설치되어 있는 위덴사 제품의 우량계)와 (3)번 우량계(위덴사 제품의 (2)과 동일 우량계)의 강우값을 이용하여 바람의 효과를 확인하고, (9)번 pit gauge(기준우량계)의 값을 이용하여 강우 보정을 위한 모형의 입력 자료로 사용하였다. 우량계에 설치된 바람막이의 종류에 따라 바람억제 효과가 다르게 나타날 것이라 생각할 수 있지만, 2009년에 실시된 기상청이 발주한 용역인 ‘기상관측장비 비교관측 및 비교평가 연구’에서 각 바람막이에 대한 효과의 차이는 무시할만큼 작다는 연구결과를 참고하여 본 연구에서는 바람막이 종류에 따른 비교 및 분석을 수행하지 않았다.
본 연구에서는 일반적으로 제시되는 범위 값들을 적용하여 신경망을 학습한 다음 결과의 비교를 통해 최적 값으로 학습률(α)은 0.05, 모멘텀 계수(β)는 0.1, 최대학습 횟수는 8,000번으로 선택하여 강우량을 추정하였다.
5인 낮은 정밀도를 가진다. 비록 #가 60%의 설명력을 보이고, r이 0.79로 높은 상관성을 보이지만 풍속이 5.5m/s 이상에서 강우관측 양상이 다양하게 나타나고 강우획득 개수가 적으므로 본 연구에서는 풍속이 5.5m/s 이상인 구간에서 수집된 강우자료에 대해서는 회귀 모형을 적용하지 않았다.
본 연구에서는 입력 값이 3개이므로 중간층의 개수는 7개, 결과층은 각 1개로 구성하였다. 신경망 모형을 구축하기 위해 추풍령기상대에서 획득한 2010년-2012년의 자료에 대해 무강우 자료를 제외하고서 신경망 모형을 구축하였다. 2010년부터 2011년까지의 자료를 입력 자료로 이용하여 신경망 모형의 입력층과 은닉층, 은닉층과 출력층 사이의 최적 매개변수를 추정하였다.
우량계에 설치된 바람막이의 종류에 따라 바람억제 효과가 다르게 나타날 것이라 생각할 수 있지만, 2009년에 실시된 기상청이 발주한 용역인 ‘기상관측장비 비교관측 및 비교평가 연구’에서 각 바람막이에 대한 효과의 차이는 무시할만큼 작다는 연구결과를 참고하여 본 연구에서는 바람막이 종류에 따른 비교 및 분석을 수행하지 않았다.
추풍령기상대에서 얻은 데이터를 이용하여 회귀분석을 수행하기 전에 생성되는 회귀식의 적합성을 높이기 위하여 풍속을 보퍼트 풍력계급에 따라 나누었다. 보퍼트 풍력등급은 1805년 영국의 보퍼트(Francis Beaufort) 제독이 고안해 낸 것으로 항해에 영향을 미치는 정도에 따라 바람을 등급별로 구분한 것이다.
7m/s 이상)의 경우가 풍력등급 12의 가장 높은 계급으로 모두 13개의 풍력등급이 있다. 하지만 본 연구에서는 풍속이 5.5m/s를 초과하는 순간 강우획득의 양이 급격히 줄어들기 때문에 총 5개의 계급 구간으로 나누어 분석하였다.
대상 데이터
강우획득에서의 바람 효과를 분석하고, 바람의 영향에 대한 값을 보정하기 위하여 표준기상관측소인 추풍령기상대의 기준우량계(Pit gauge)와 바람막이 유·무에 따른 전도형(tipping-bucket gauge)우량계의 강우 자료를 이용하였다.
본 연구에서는 바람이라는 기상자료가 요구되기 때문에 기상청에서 운영하고 있는 7대의 AWS 관측지점의 자료를 이용하였으며, 유역에서의 AWS 위치는 Fig. 5에서 확인할 수 있다. 본 연구의 입력 자료로 사용한 풍속 및 강수량은 기상청에서 제공하는 자료를 이용하였으며, 유출 결과 분석을 위한 수문자료는 선산 및 김천 수위관측소 지점의 관측 자료로써 유량조사사업단에서 제공하는 2010년부터 2012년까지의 자료를 이용하였다.
본 연구의 대상유역은 감천 유역으로 이 유역은 한반도 중부에 위치하고 있으며, 유역면적은 1,055.33㎢, 유로연장 74.27㎢인 하천으로서 김천시와 구미시를 거쳐 남쪽에서 낙동강 본류로 합류한다. 유역 내 국가하천 1개소(감천)와 17개의 지방하천이 흐르며, 7개의 표준 유역을 가지고 있다.
5에서 확인할 수 있다. 본 연구의 입력 자료로 사용한 풍속 및 강수량은 기상청에서 제공하는 자료를 이용하였으며, 유출 결과 분석을 위한 수문자료는 선산 및 김천 수위관측소 지점의 관측 자료로써 유량조사사업단에서 제공하는 2010년부터 2012년까지의 자료를 이용하였다.
본 연구에서는 지상관측 강우를 재산정하기 위한 최적의 예측 모형을 구축하기 위해 기상청 산하 7개 AWS에서 관측된 풍속과 강수량을 이용하였다. 표준 기상관측소인 추풍령기상대의 자료는 2008년 관측소의 개소 이후 데이터가 안정적으로 획득하게 된 2010년부터 2012년까지의 총 3년 동안의 자료를 이용하였다. 기준우량계와 바람막이 있는 우량계, 풍속계의 자료를 통하여 선형회귀 및 신경망 모형의 적용을 통한 강우 보정을 실시하였으며, 두 가지의 방법으로 보정된 강우와 실제 관측된 강우에 대한 통계오차분석을 실시하였다.
데이터처리
표준 기상관측소인 추풍령기상대의 자료는 2008년 관측소의 개소 이후 데이터가 안정적으로 획득하게 된 2010년부터 2012년까지의 총 3년 동안의 자료를 이용하였다. 기준우량계와 바람막이 있는 우량계, 풍속계의 자료를 통하여 선형회귀 및 신경망 모형의 적용을 통한 강우 보정을 실시하였으며, 두 가지의 방법으로 보정된 강우와 실제 관측된 강우에 대한 통계오차분석을 실시하였다. 단순선형회귀모형을 이용하였을 때엔 강우가 5-18% 증가하였으며, 신경망 기법으로 강우를 재생성한 경우엔 10-20% 가량 감소하는 것을 확인하였다.
선형회귀모형과 신경망 모형의 적용성을 평가하기 위하여 Pearson 상관계수(r), 수정결정계수(#), 평균절대오차(Mean Absolute Error ; MAE), 평균제곱근오차(Root Mean Square Error ; RMSE)를 사용하여 보정된 강우량의 정확도를 평가하였다. r과 #는 0과 1사이의 범위를 가지며 1에 가까울수록 모형의 적용성이 우수하다.
선형회귀모형과 신경망 모형의 적용성을 평가하기 위하여 Pearson 상관계수(r), 수정결정계수(#), 평균절대오차(MAE), 평균제곱근오차(RMSE)를 사용하여 보정된 강우량의 정확도를 평가하였다. 관측 강우량과 보정 강우량에 대한 r은 0.
풍속의 영향을 고려한 강우량과 고려하지 않은 강우량을 비교·분석하여 풍속의 크기에 따른 강우를 유출분석에 이용한 사례가 있으며(Sim, 2013), 우리나라 표준기상관측소에 설치된 우량계들의 비교·관측 및 비교·평가가 이루어졌다(KMA, 2009).
이론/모형
본 연구에서는 지상관측 강우를 재산정하기 위한 최적의 예측 모형을 구축하기 위해 기상청 산하 7개 AWS에서 관측된 풍속과 강수량을 이용하였다. 표준 기상관측소인 추풍령기상대의 자료는 2008년 관측소의 개소 이후 데이터가 안정적으로 획득하게 된 2010년부터 2012년까지의 총 3년 동안의 자료를 이용하였다.
또한 수문모형의 입력 자료로는 강우를 비롯하여 지표, 고도, 하도, 저수지, 천수격자의 수리특성이 있다. 완경사의 하도와 하천 외 저류는 Jones 방정식 및 Modified Plus 방정식을 이용하고 지표격자로부터 발생하는 유출은 하도추적과 연결된다. 이때, 하도추적은 실제단면, 사다리꼴단면, 수위-유량곡선 등을 이용하여 수행된다.
지상 강우량의 예측을 위해 사용된 지표들은 단위가 상이하므로 이를 평가할 수 있도록 표준화 과정을 수행해야 한다. 표준화 방법에는 다양한 방법이 있으나, 본 연구에서는 Re-scaling 방법을 적용하였다. 입력 자료와 출력 자료간의 차원을 Eq.
성능/효과
9% 범위로 강우량의 총 변동을 설명하였다. 10분 누적강우량이 큰 집중호우의 경우 낮은 설명력을 보인 신경망 모형보다 선형회귀 모형이 적합하다 판단된다. 강우량의 편차 크기와 획득한 강우량의 범위에 따라 모형의 적합성이 다른 것을 확인하였다.
r과 #는 0과 1사이의 범위를 가지며 1에 가까울수록 모형의 적용성이 우수하다. MAE는 실측값과 추정값의 잔차의 절대값을 산술평균한 값으로 0에 가까울수록 적용성이 높으며, RMSE는 값이 작을수록 모형의 오차가 작은 것으로 판단할 수 있다. 보정된 강우량에 대하여 풍속과 강수량으로 구성된 선형회귀모형과 신경망 모형의 통계오차분석을 Table.
각 지점에 대한 최대풍속과 평균풍속은 집중호우에 비해 태풍에서 큰 값을 보였으며, 풍속의 편차도 크게 나타난다. 풍속과 평균풍속, 풍속의 편차 및 평균 강우량이 큰 값을 나타낼수록 신경망 모형의 적용성이 높게 나타났으며, 강우량의 최대값과 최소값의 차이가 클수록 선형회귀 모형의 적용성이 높게 나타났다.
관측 값과 보정 값에 대한 상관계수(r)는 0.870∼0.961, 0.983-0.991으로 산정되었으며, 수정결정계수(m)의 경우 98.8%∼99.7%, 99.8%-99.9% 범위로 강우량의 총 변동을 설명하는 것을 확인할 수 있다.
관측강우량과 모형을 사용하여 보정된 강우량에 대한 적합성은 모든 지점에 대해 두 모형 모두 수정결정계수(#)가 98% 이상으로 강우량의 총 변동에 대한 높은 설명력을 보여주었으며, 상관계수(r)또한 0.87인 성주를 제외한 다른 지점에서는 0.9 이상으로 높은 상관성을 나타내었다. RMSE가 최대 0.
14를 보이며, 보정값에 대한 정밀도 또한 높게 나왔다. 단순선형회귀 모형을 이용하여 강우를 보정했을 경우에는 강우가 5-18% 증가하는 경향을 보였으며, 신경망 기법으로 강우를 재생성했을 때엔 관측 강우량보다 10 - 20% 정도 작은 강우가 생성되었다. 바람막이를 설치함으로써 13% 이상의 강우를 획득한 Yang 등(1998)의 연구결과와 Duchon과 Essenberg(2001)가 언급한 pit gauge와 지상의 다른 우량계와의 강우량 차이는 5% 내외라는 연구와 비슷한 결과를 얻었다.
기준우량계와 바람막이 있는 우량계, 풍속계의 자료를 통하여 선형회귀 및 신경망 모형의 적용을 통한 강우 보정을 실시하였으며, 두 가지의 방법으로 보정된 강우와 실제 관측된 강우에 대한 통계오차분석을 실시하였다. 단순선형회귀모형을 이용하였을 때엔 강우가 5-18% 증가하였으며, 신경망 기법으로 강우를 재생성한 경우엔 10-20% 가량 감소하는 것을 확인하였다.
본 연구의 결과를 통해 바람의 영향을 고려한 지상강우의 보정에 있어 회귀모형은 강우 발생의 변동폭이 큰 강우량의 추정에 적합하며, 신경망 모형은 변동폭이 작은 강우량의 추정에 적용성이 우수한 것을 확인할 수 있었다. 본 연구 결과를 바탕으로 앞으로의 수문해석에 있어 지역별 강우특성에 따라 기준우량계(pit guage)를 이용한 적합한 강우 보정방법을 사용함으로써 신뢰도 높은 수문해석이 이루어질 것으로 기대한다.
극치의 값들이 존재할 경우 선형회귀모형이 적합할 것이며, 신경망 기법을 적용하기 위해선 강우 관측에 영향을 미치는 다른 인자들에 대한 추가적인 고려가 필요할 것으로 판단된다. 본 연구의 결과를 통해 회귀모형은 강우발생의 변동이 큰 강우량을 추정하고 신경망 모형은 변동폭이 작은 강우량을 추정하는 데 적용성이 높은 것을 확인할 수 있다. 본 연구결과를 통해 지역별 강우 특성에 따라 적합한 모형을 선택하여야 신뢰성 높은 강우의 보정이 가능할 것으로 판단된다.
뿐만 아니라 태풍사례에서 각 지점에 대한 최대풍속과 평균풍속이 집중호우에 비해 큰 값을 보였으며, 풍속의 편차도 크게 나타났다. 풍속과 평균풍속, 풍속의 편차 및 평균 강우량이 7개 지점에 대해 집중호우때 보다 비교적 큰 값을 나타낼수록 신경망 모형의 적용성이 높게 나타났으며, 강우량의 최대값과 최소값의 차이가 클수록 강우보정에 대한 선형회귀 모형의 적용성이 높게 나타났다.
뿐만 아니라 태풍사례에서 각 지점에 대한 최대풍속과 평균풍속이 집중호우에 비해 큰 값을 보였으며, 풍속의 편차도 크게 나타났다. 풍속과 평균풍속, 풍속의 편차 및 평균 강우량이 7개 지점에 대해 집중호우때 보다 비교적 큰 값을 나타낼수록 신경망 모형의 적용성이 높게 나타났으며, 강우량의 최대값과 최소값의 차이가 클수록 강우보정에 대한 선형회귀 모형의 적용성이 높게 나타났다. 이는 신경망 모형과 달리 선형회귀모형은 모형 결정에 있어 극치값에 민감하기 때문이라 말할 수 있다.
각 지점에 대한 최대풍속과 평균풍속은 집중호우에 비해 태풍에서 큰 값을 보였으며, 풍속의 편차도 크게 나타난다. 풍속과 평균풍속, 풍속의 편차 및 평균 강우량이 큰 값을 나타낼수록 신경망 모형의 적용성이 높게 나타났으며, 강우량의 최대값과 최소값의 차이가 클수록 선형회귀 모형의 적용성이 높게 나타났다.
후속연구
강우량의 편차 크기와 획득한 강우량의 범위에 따라 모형의 적합성이 다른 것을 확인하였다. 극치의 값들이 존재할 경우 선형회귀 모형이 적합할 것이며, 신경망 기법을 적용하기 위해선 Duchon과 Essenberg(2001), Nespor와 Sevruk(1999)이 제시한 Drop size distribution 및 강우강도와 같은 다른 영향 인자들을 더 고려해 주어야 할 것으로 판단된다.
강우량의 편차 크기와 획득한 강우량의 범위에 따라 모형의 적합성이 다른 것을 확인하였다. 극치의 값들이 존재할 경우 선형회귀모형이 적합할 것이며, 신경망 기법을 적용하기 위해선 강우 관측에 영향을 미치는 다른 인자들에 대한 추가적인 고려가 필요할 것으로 판단된다. 본 연구의 결과를 통해 회귀모형은 강우발생의 변동이 큰 강우량을 추정하고 신경망 모형은 변동폭이 작은 강우량을 추정하는 데 적용성이 높은 것을 확인할 수 있다.
본 연구의 결과를 통해 바람의 영향을 고려한 지상강우의 보정에 있어 회귀모형은 강우 발생의 변동폭이 큰 강우량의 추정에 적합하며, 신경망 모형은 변동폭이 작은 강우량의 추정에 적용성이 우수한 것을 확인할 수 있었다. 본 연구 결과를 바탕으로 앞으로의 수문해석에 있어 지역별 강우특성에 따라 기준우량계(pit guage)를 이용한 적합한 강우 보정방법을 사용함으로써 신뢰도 높은 수문해석이 이루어질 것으로 기대한다.
본 연구의 결과를 통해 회귀모형은 강우발생의 변동이 큰 강우량을 추정하고 신경망 모형은 변동폭이 작은 강우량을 추정하는 데 적용성이 높은 것을 확인할 수 있다. 본 연구결과를 통해 지역별 강우 특성에 따라 적합한 모형을 선택하여야 신뢰성 높은 강우의 보정이 가능할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
강우의 일반적인 관측방법은 무엇인가?
수문해석에서 입력 자료가 되는 강우량은 지상 강우량을 참값으로 가정하여 이용하기 때문에 분석과 함께 신뢰성을 평가하는 것 또한 수자원 관리에 있어 중요한 부분이다. 일반적으로 강우는 지점에 설치된 지상우량계를 통해 관측되어 왔다. 하지만 강우는 다른 기상인자에 비해 시·공간적 변동성이 크고, 간헐적이라는 독특한 특징을 가지고 있기 때문에 특성을 정량화하고 예측하는 것이 어렵다고 알려져 있다 (Kim과 Yoo, 2007).
세계기상기구(WMO) 관측소 설치 환경 권장 기준은 무엇인가?
추풍령표준기상대는 2008년 11월 27일에 우리나라 최초로 세계기상기구(WMO) 관측소 설치 환경 권장 기준에 맞춘 표준기상관측소로 개소하였다. 관측소설치 권장기준은 기상자료가 넓은 지역의 대기 상태를 대표할 수 있으며, 건물 높이는 최소 10배, 숲 높이의 최소 20배 이상 떨어져 있고, 관측소 최소면적이 10,000m 2 이상인 곳으로 제시되어 있다.
강우가 특성을 정량화하고 예측하는 것이 어렵다고 알려져 있는 이유는 무엇인가?
일반적으로 강우는 지점에 설치된 지상우량계를 통해 관측되어 왔다. 하지만 강우는 다른 기상인자에 비해 시·공간적 변동성이 크고, 간헐적이라는 독특한 특징을 가지고 있기 때문에 특성을 정량화하고 예측하는 것이 어렵다고 알려져 있다 (Kim과 Yoo, 2007). 이런 지상우량계의 한계를 극복하고 최근 빈도가 잦아지고 있는 돌발 홍수와 같은 예상치 못한 호우 발생 가능성에 대비하고자 공간적으로 연속적이며 실시간 강우 관측이 가능한 강우레이더의 사용이 증가하고 있다.
참고문헌 (24)
Duchon, CE and Essenberg, GR (2001). Comparative rainfall observations from pit and aboveground rain gauges with and without wind shields, Water Resource Research, 37(12), pp. 3253-3263.
Habib, E, Krajewski, WF, and Nespor, V (1999). Numerical simulation studies of rain gage data correction due to wind effect, J. of Geophysical research, 104(D16), pp. 19723-19733.
Hwang, MH, Kang, SW, Lee, BS, and Park, BJ (2006). Evaluation of raingauge network in Chungju dam basin, Proceedings of 2006 Conference of the Korean Society of Civil Engineers, Korean Society of Civil Engineers, pp. 1380-1383. [Korean literature]
Jung, KB (2003). Relationship between winter precipitation and lower-troposheric wind in Yeongdong region, Master's Thesis, Gangneung National University. [Korean literature]
Kim, BS, Kim, KJ, and Yoo, CS (2007). Evaluation of ground-truth results of radar rainfall depending on rain-gauge data, J. of Korean Society Hazard Mitigation, 7 (4), pp. 19-29. [Korean literature]
Kim, HS, Song, YI, Kim, IJ, and Lim, YS (2007). Linking environmental assessment and sustainable development indicators, RE-08, Korea Environment Institute. [Korean literature]
Kim, YD, Kang, YS, Kim, YG, Jung, WS, and Jo, MY (1999). A fundamental study on correlation of raining and wind, Proceedings of the Conference of Wind Engineering Institute of Korea, Vol.-(2), pp. 62-67. [Korean literature]
Korea Meteorological Administration(KMA) (2002). Research report about variability of rainfall data due to wind. [Korean literature]
Korea Meteorological Administration(KMA) (2009). A study on comparing observation and comparing evaluation weather observation. [Korean literature]
Lee, BS, Ko, IH, Hwang, MH, and Lee, SJ (2005). Analysis of the meterological characteristics of rainfall in basin due to wind, Proceedings of 2005 Conference of the Korean Society of Civil Engineers, Korean Society of Civil Engineers, pp. 1380-1383. [Korean literature]
Lee, BY (2004). A study on the development of raingauge with 0.01㎜ resolution, J. of the Korean Environmental Sciences Society, 13 (7) pp. 637-643. [Korean literature]
Lee, BY, Kim, HC, and Park, BY (2005). Comparing observation using weight-type tipping-bucket rain gauge, Proceedings of the Spring Conference of the Korean Meteorological Society, Korean Meteorological Society, pp. 450-451. [Korean literature]
Lima, JLMP, Torfs, PJJF, and Singh, VP (2002). A mathematical model for evaluating the effect of wind on downward-spraying rainfall simulator, Catena, 46(4), pp. 221-241.
Nespor, V and Sevruk, B (1999). Estimation of wind-Induced error of rainfall gauge measurements using a numerical simulation, J. of Atmospheric and Oceanic Technology, 16(4), pp. 450-464.
Nystuen, JA, Black, PG, and Wilkerson, JC (1996). A comparison of automatic rain gauges, J. of Atmospheric and Oceanic Technology, 13(1), pp. 62-73.
Shin, GW and Hong, ST (2006). Analysis for the measurement uncertainty of the tipping-bucket type rain gauge using the standard calibration facility, Proceedings of the Conference of Institute of Control, Robotics and System, 2006(6), pp. 569-574. [Korean literature]
Shin, GW and Hong, ST (2006). Development of standard calibration system for the rain gauges by weighing method, J. of Institute of Control, Robotics and System, 12(8), pp. 818-823. [Korean literature]
Shin, GW, Hong, ST, and Lee, DG (2005). The Error analysis of the rain-gauges typed of tipping bucket according to rainfall intensity, Proceedings of the Conference of The Korean Institute of Electrical Engineers, pp. 2507-2509. [Korean literature]
Sim, GB (2013). Rainfall and runoff analysis by considering the wind effects, Master's Thesis, Sunmoon University. [Korean literature]
Woo, DM (2002). The characteristics of the rainfall intensity by the tipping-bucket rain gauge, Korea Meteorological Administration, J. of the Korean Meteorological Society, 38(5), pp. 479-491. [Korean literature]
Yang, D, Goodison, BE, and Metcalfe, JR (1998). Accuracy of NWS 8" standard nonrecording precipitation gauge: results and application of WMO intercomparison, J. of Atmospheric and Oceanic Technology, 15(1), pp. 54-68.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.