선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 인공신경망 모형 중 다층퍼셉트론 오류 역전파 알고리즘을 활용하여 온천천 유역에 대한 도달시간을 분석하였다. 오류 역전파알고리즘의 첫 번째 작업은 훈련 과정을 선정하는 것으로 산정된 변수들을 입력하여 신경망에 정확히 인지시키는 작업으로 이를 통하여 인공신경망의 출력층에 대한 결과인 도달시간과 관련된 각 변수별 가중치를 계산하였다.
- (2006)은 도시유역의 특성을 나타내는 인자 중 유출과 관련된 수문특성인자인 유출총량, 첨두유량, 도달 시간의 관계를 분석한 연구를 수행하였다. 이와 같은 선행 연구에 근거하여 본 연구에서는 도심하천의 단일 유역에 대하여 실제 관측된 강우량과 유출량 자료만을 이용하여 도달시간을 산정하고, 각 각의 강우사상에서의 강우-유출량으로부터 선행 연구와 같은 수문학적 인자를 추출하여 인공신경망 모형에 대입하여 산정된 도달시간과 인자들의 신뢰성을 평가하고자 한다.
제안 방법
- 1) 2006년부터 2015년까지 총 10개년 동안의 실측 자료를 이용하여 도달시간에 영향을 미치는 인자중의 하나인 강수량 및 유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 구분하였다. 강우사상에 대한 강우-유출 관계의 수문 곡선을 작성하였고, 총 254개의 강우사상을 선정하였다.
- 3) 그리고 산정된 변수를 이용하여 인공신경망 모형을 개발하여 도달시간에 대한 신뢰성을 평가하였다. 산정된 입력변수 중 2/3에 해당하는 168개는 인공신경망 모형의 훈련을 위해 활용하였고, 나머지 86개는 예측 및 검증에 활용하였다.
- 강우사상에 대한 강우-유출 관계의 수문 곡선을 작성하였고, 총 254개의 강우사상을 선정하였다. 각 각의 강우사상별로 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간 등 6개의 변수를 산정하였다.
- 강우량과 유출량 자료를 이용하여 온천천 유역의 수문곡선을 도시한 결과 Fig. 5와 같이 복합 수문곡선으로 나타나는 점을 감안하여 각 강우사상에 대한 도달시간을 계산하였다. 온천천 유역에서의 도달시간 산정은 각 강우사상별로 총 강우량의 체적에 대한 무게 중심을 나타내는 시간을 구하였고(a),그 다음 총 유출량 수문 곡선에 대하여 Matlab 모형을 이용하여 미분을 실시하여 미분값이 0 또는 0에 가까운 시간을 수문곡선에서의 변곡점으로 결정(b)하였다.
- , 2016). 그러므로 우선 각각의 강우사상에 대하여 총 강우량의 무게중심에 해당하는 시간을 유효우량이 끝나는 시점으로 결정하였다. 그리고 유출수문곡선에 대하여 변곡점을 결정하여 도달시간을 계산하였다.
- 수집된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였다. 그리고 각 사상별로 첨두 강우량 발생 시간과 첨두 유출량 발생 시간을 구하여 두 간격의 시간 차이를 지체시간으로 산정하였다.
- 그러므로 우선 각각의 강우사상에 대하여 총 강우량의 무게중심에 해당하는 시간을 유효우량이 끝나는 시점으로 결정하였다. 그리고 유출수문곡선에 대하여 변곡점을 결정하여 도달시간을 계산하였다. 다음Table 3은 각 연도별로 산정된 강우 사상 중 2009년의 지체시간 및 도달시간에 대하여 정리한 것이다.
- (2015)은 국내외에서 개발된 기존의 경험식의 대부분은 특정 지역에 적용했을 때 정확도가 떨어진다는 단점을 보완하기 위하여 지역적 성향을 고려한 도달시간을 개발하였다. 대상 유역에 대하여 유역특성인자와 도시 및 강우특성인자를 구분하여 분석하였으며,단계적 다중회귀분석을 통하여 도달시간 공식을 개발하여 기존 경험식들에 비하여 더 정확한 결과를 제시하였다.
- , 2004). 따라서 본 연구에서는 과거 10년 동안(2006~2015년) 실측된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였으며, 각 강우사상에 대하여 인공신경망 모형의 입력 변수로 사용하기 위한 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간을 구하였다. 이렇게 산정된 총 6개의 입력 변수를 Matlab 기반의 인공신경망 모형에 적용하여 대상유역에서 산정된 도달시간에 대한 신뢰성을 평가하였다.
- 온천천 유역의 실측 자료를 이용하여 산정된 변수들을 적용하여 트레이닝 하였다. 또한 인공신경망의 추론능력 향상을 위하여 시그모이드 함수를 적용하여 본 연구에서 산정된 도달 시간에 영향을 준 입력 데이터에 적용하여 입력 데이터 항목 값을 0.1에서 0.9 사이의 값을 갖도록 정규화 하였다. 가중치 계산을 위한 인공신경망 구조는 6 (Input Layer) × 11 (Hidden Layer) × 1 (Output Layer)로 설정하였다.
- 지체시간은 유효우량 중심에서 직접유출수문곡선의 첨두곡선까지의 시간으로 결정된다(Jeong et al, 2002). 수집된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였다. 그리고 각 사상별로 첨두 강우량 발생 시간과 첨두 유출량 발생 시간을 구하여 두 간격의 시간 차이를 지체시간으로 산정하였다.
- 총 254개의 변수 중2/3에 해당되는 168개는 인공신경망의 훈련을 위해 활용하였고, 그 나머지 86개는 예측 및 검증에 이용하였다. 여기서 입력변수로 산정한 첨두 강우량/총 강우량 및 첨두 유출량/총 유출량에 따른 변수는 강우 규모에 따른 상관성을 분석하기 위하여 입력 변수로 산정하였다.
- Table 5는 통계프로그램인 SPSS를 이용하여 인공신경망 모형의 입력 변수로 활용된 6가지 인자들을 이용하여 분석한 결과이다. 여기서 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간은 독립변수, 도달시간은 종속변수로 설정하여 분석을 실시하였다.
- 온천천 유역의 실측 자료를 이용하여 산정된 변수들을 적용하여 트레이닝 하였다. 또한 인공신경망의 추론능력 향상을 위하여 시그모이드 함수를 적용하여 본 연구에서 산정된 도달 시간에 영향을 준 입력 데이터에 적용하여 입력 데이터 항목 값을 0.
- 국내 하천 유역에서의 도달시간 산정 시 외국의 경험식에의존하는 경향이 매우 크기 때문에 홍수량 산정 결과 등에 대한 신뢰도가 매우 낮다고 할 수 있다. 이러한 문제점을 개선시키고자 특정 도심하천에 대하여 도달시간을 산정하였고, 인공신경망 모형을 이용하여 신뢰성을 평가하였다.
- 온천천 유역에 대하여 2006년부터 관측을 시작하여 2015년까지 총 10개년의 강우-유출량 자료로부터 12시간 이상 무강우를 기준으로 총 254개의 강우사상을 분리하였다. 이렇게 분리된 강우사상을 이용하여 인공신경망 모형의 변수로 활용할 인자들을 추출하여 분석에 활용하였다.
- 인공신경망 모의를 위한 변수를 산정하기 위하여 각 강우 사상별로 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두유출량/총 유출량, 지체시간 및 도달시간 등 총 6개 항목에 따른 254개씩의 입력 변수를 산정하였다. 총 254개의 변수 중2/3에 해당되는 168개는 인공신경망의 훈련을 위해 활용하였고, 그 나머지 86개는 예측 및 검증에 이용하였다.
대상 데이터
- 1) 2006년부터 2015년까지 총 10개년 동안의 실측 자료를 이용하여 도달시간에 영향을 미치는 인자중의 하나인 강수량 및 유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 구분하였다. 강우사상에 대한 강우-유출 관계의 수문 곡선을 작성하였고, 총 254개의 강우사상을 선정하였다. 각 각의 강우사상별로 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간 등 6개의 변수를 산정하였다.
- 수집된 수문자료로부터 강우사상 구분을 위하여 부산대학교에서 관측하고 있는 강수량 자료를 이용하였다. 그리고 세병교 지점에 설치된 유량 자료를 활용하였다. 수위 및 유량 관측 지점으로 선정된 세병교 지점은 온천천 유역 내 친수 공간을 대표하는 지점으로 인근 주거지역이 많으며 조위의 영향을 받지 않는 온천천 최하류에 위치한 교량으로 대상 지점으로선정하였다(Fig.
- 최근 온천천 유역에서 돌발홍수 및 강우 발생에 따라 범람에 의한 침수 피해가 빈번하게 발생하여 인명 및 재산 피해가 발생하였다. 따라서 부산시에서는 온천천 유역에 대하여 총 5개의 수문 관측소를 설치하여 둔치 위험수위, 홍수예보수위, 홍수주의보수위, 하천범람수위 등 4단계의 수위 기준을 마련하여 실시간 홍수예보를 시행하고 있으며, 이러한 정확한 홍수예보를 위해서는 홍수유출에 큰 영향을 미치는 인자인 도달시간에 대한 산정이 요구되므로 본 연구의 대상유역으로 선정하였다(Fig. 3). Table 1은 연구대상유역인 온천천 유역에 대한 유역특성을 GIS를 이용하여 분석한 결과를 정리한 것이다.
- 본 연구에서는 부산광역시 대표 도심하천인 온천천을 대상유역으로 선정하였다. 온천천은 수영강의 제1지류로 수영강 하구로부터 약 3.
- 본 연구에서는 부산대학교 「실시간 유역 모니터링 시스템」에 의하여 수집되고 있는 수문자료를 이용하였다. 「실시간 유역 모니터링 시스템」은 실시간 모니터링시스템이 구축되어 있어 각 지점별로 10분 단위의 강우, 수위 및 유량 데이터가 자동 및 원격으로 전송되어 수집되고 있다(Fig.
- 3) 그리고 산정된 변수를 이용하여 인공신경망 모형을 개발하여 도달시간에 대한 신뢰성을 평가하였다. 산정된 입력변수 중 2/3에 해당하는 168개는 인공신경망 모형의 훈련을 위해 활용하였고, 나머지 86개는 예측 및 검증에 활용하였다.
- 그리고 세병교 지점에 설치된 유량 자료를 활용하였다. 수위 및 유량 관측 지점으로 선정된 세병교 지점은 온천천 유역 내 친수 공간을 대표하는 지점으로 인근 주거지역이 많으며 조위의 영향을 받지 않는 온천천 최하류에 위치한 교량으로 대상 지점으로선정하였다(Fig. 3).
- 수집된 수문자료로부터 강우사상 구분을 위하여 부산대학교에서 관측하고 있는 강수량 자료를 이용하였다. 그리고 세병교 지점에 설치된 유량 자료를 활용하였다.
- 온천천 유역에 대하여 2006년부터 관측을 시작하여 2015년까지 총 10개년의 강우-유출량 자료로부터 12시간 이상 무강우를 기준으로 총 254개의 강우사상을 분리하였다. 이렇게 분리된 강우사상을 이용하여 인공신경망 모형의 변수로 활용할 인자들을 추출하여 분석에 활용하였다.
- 인공신경망 모의를 위한 변수를 산정하기 위하여 각 강우 사상별로 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두유출량/총 유출량, 지체시간 및 도달시간 등 총 6개 항목에 따른 254개씩의 입력 변수를 산정하였다. 총 254개의 변수 중2/3에 해당되는 168개는 인공신경망의 훈련을 위해 활용하였고, 그 나머지 86개는 예측 및 검증에 이용하였다. 여기서 입력변수로 산정한 첨두 강우량/총 강우량 및 첨두 유출량/총 유출량에 따른 변수는 강우 규모에 따른 상관성을 분석하기 위하여 입력 변수로 산정하였다.
데이터처리
- 신경망 모형의 학습에 적용되는 매개변수는 최대 학습회수, 학습율 증가비와 감소비, 모멘텀상수, 최대오차비율, 목적 오차가 있으며, 오차함수는 Matlab 내부적인 Sum-squared error로 설정하였다. 학습과정에서 설정된 오차 이내로 오차가 감소하는 경우 학습이 종료되며, 그렇지 않은 경우는 사용자가 매개변수의 설정을 변경하거나 입력 자료의 구성을 변경하여 재학습하게 하였다.
- 입력 변수들 간의 관련성을 알아보기 위하여 상관분석을 수행하였다. 상관분석은 변수 사이의 관련성 자료를 이용하여 연구하는 통계적 분석방법으로 상관정도는 -1에서 1사이의 값을 갖는다.
이론/모형
- 본 연구에서는 역전파 알고리즘을 사용하였다. 역전파는 신경망을 학습시키는데 가장 많이 사용되는 알고리즘으로,네트워크 에러 함수를 최소화하는 경사하강법(gradient descent)과 일반화된 델타(delta) 법칙에 의해 지배받는 학습을 갖는 망이다.
- 따라서 본 연구에서는 과거 10년 동안(2006~2015년) 실측된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였으며, 각 강우사상에 대하여 인공신경망 모형의 입력 변수로 사용하기 위한 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간을 구하였다. 이렇게 산정된 총 6개의 입력 변수를 Matlab 기반의 인공신경망 모형에 적용하여 대상유역에서 산정된 도달시간에 대한 신뢰성을 평가하였다. 아래 Fig.
성능/효과
- 2) 먼저 SPSS를 이용한 통계분석 결과 산정된 변수 중 하나인첨두 강우량/총 강우량은 유의수준 0.05보다 유의확률(.975)이 크므로 회귀계수가 통계적으로 유의치 않은 것으로 나타났다. 또한 회귀분석 결과 R2는 .
- 4) 그 결과 훈련에 활용된 변수의 상관계수는 0.807, 예측 및 검증에 활용된 입력 변수는 0.728로 높은 결과를 나타냈다. 따라서 본 연구를 통하여 개발된 도달시간에 대한 신뢰성이 높은 것으로 나타났다.
- 5) 마지막으로 본 연구는 기존 수문인자들의 추출에 대한 어려움으로 인한 각 도심하천에서의 개별적인 도달시간 산정에 대한 어려움을 해결하고자 강우-유출 인자만을 이용하여 도달시간을 산정하는 방법론에 대하여 제시하였으며, 인공신경망 모형을 이용하여 도심하천의 단일 유역에서 발생된 복합 수문사상에 대하여 산정된 도달시간의 신뢰성을 평가 했다는 점에서 의의가 있다고 할 수 있겠다.
- 그 결과 입력 변수 중의 하나인 첨두 강우량/총 강우량은 유의수준 0.05보다 유의확률(.975)이 크므로 회귀계수가 통계적으로 유의치 않다는 것을 나타냈다.
- 그리고 SPSS를 이용한 회귀분석 결과 R2값은 .415로 전체자료의 변동량 중 추정된 회귀모형에 의한 설명력이 41.5%로 나타났으며, 분산분석결과 F = 35.211, 유의확률이 .000으로나타나 귀무가설을 기각하여 추정된 회귀모형이 유의하다고 할 수 있다(Table 6). 또한 추정된 회귀모형은 도심하천에서의 단일유역, 복합 수문사상이라는 본 연구의 특수성에 따라 회귀모형이 유의하다고 판단하였다.
- 728로 높은 결과를 나타냈다. 따라서 본 연구를 통하여 개발된 도달시간에 대한 신뢰성이 높은 것으로 나타났다.
- 000으로나타나 귀무가설을 기각하여 추정된 회귀모형이 유의하다고 할 수 있다(Table 6). 또한 추정된 회귀모형은 도심하천에서의 단일유역, 복합 수문사상이라는 본 연구의 특수성에 따라 회귀모형이 유의하다고 판단하였다.
- 입력 변수들 간의 상관분석 결과‘총 강우량과 총 유출량’, 그리고 ‘첨두 강우량/총 강우량과 첨두 유출량/총 유출량’에서 각 각 0.843과 0.722로 높은 정적상관관계를 나타냈으며, ‘총 강우량과 첨두 강우량/총 강우량’, ‘총 강우량과 첨두 유출량/총 유출량’, ‘총 강우량과 도달 시간’, ‘첨두 강우량/총 강우량과 도달시간’, ‘첨두 유출량/총유출량과 도달시간’은 각 각 -0.382, -0.305, 0.401, -0.446,-0.521로 어느 정도 유의한 상관관계를 나타냈다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.