수문기상자료의 빈도해석은 풍수해에 따른 대응 및 시설물의 설계기준에 있어 중요한 요소 중 하나이다. 일반적으로 수문기상자료에 대한 빈도해석의 경우 관측자료는 통계적으로 정상성을 가진다고 가정하고, 확률분포의 매개변수를 고려하는 매개변수적 방법을 적용하고 있다. 이러한, 매개변수적 빈도해석을 위해서는 신뢰성 있는 충분한 자료의 수집이 필요하지만, 강수량과 다르게 적설량의 경우 계절적 특성과 함께 최근에는 기후변화로 인한 적설량 관측일수 및 평균 최심신적설량이 감소하기 때문에 부족한 자료에 대한 문제점을 보완할 필요가 있다. 이에 본 연구에서는 매개변수 빈도해석 방법과 부족한 자료의 문제점을 보완할 수 있는 표본 재추출 기법인 Bootstrap방법과 SIR(Sampling Importance Resampling)알고리즘을 적용하여 적설량의 빈도해석을 실시하였다. 58개 기상관측소에 대해 재추출된 일 최대 최심신적설량 자료를 이용한 비매개변수적 빈도해석을 통해 확률적설량을 산정하고 이를 비교 분석하였다. 빈도별 확률적설량의 증감률을 검토한 결과 매개변수적 빈도해석과 비매개변수적 빈도해석에서 증감률을 나타내는 지점들이 대부분 일치하는 것으로 나타났다. 확률적설량은 관측 자료와 Bootstrap방법에서 -19.2%~3.9%, Bootstrap방법과 SIR알고리즘에서 -7.7%~137.8% 정도의 차이를 보였다. 표본 재추출 기법은 관측표본이 적은 적설량의 빈도해석 및 불확실성 범위의 제시가 가능함을 확인할 수 있었고, 이는 여름철 태풍과 같이 계절적 특성을 지닌 다른 자연재난의 해석에도 적용될 수 있을 것으로 판단된다.
수문기상자료의 빈도해석은 풍수해에 따른 대응 및 시설물의 설계기준에 있어 중요한 요소 중 하나이다. 일반적으로 수문기상자료에 대한 빈도해석의 경우 관측자료는 통계적으로 정상성을 가진다고 가정하고, 확률분포의 매개변수를 고려하는 매개변수적 방법을 적용하고 있다. 이러한, 매개변수적 빈도해석을 위해서는 신뢰성 있는 충분한 자료의 수집이 필요하지만, 강수량과 다르게 적설량의 경우 계절적 특성과 함께 최근에는 기후변화로 인한 적설량 관측일수 및 평균 최심신적설량이 감소하기 때문에 부족한 자료에 대한 문제점을 보완할 필요가 있다. 이에 본 연구에서는 매개변수 빈도해석 방법과 부족한 자료의 문제점을 보완할 수 있는 표본 재추출 기법인 Bootstrap방법과 SIR(Sampling Importance Resampling)알고리즘을 적용하여 적설량의 빈도해석을 실시하였다. 58개 기상관측소에 대해 재추출된 일 최대 최심신적설량 자료를 이용한 비매개변수적 빈도해석을 통해 확률적설량을 산정하고 이를 비교 분석하였다. 빈도별 확률적설량의 증감률을 검토한 결과 매개변수적 빈도해석과 비매개변수적 빈도해석에서 증감률을 나타내는 지점들이 대부분 일치하는 것으로 나타났다. 확률적설량은 관측 자료와 Bootstrap방법에서 -19.2%~3.9%, Bootstrap방법과 SIR알고리즘에서 -7.7%~137.8% 정도의 차이를 보였다. 표본 재추출 기법은 관측표본이 적은 적설량의 빈도해석 및 불확실성 범위의 제시가 가능함을 확인할 수 있었고, 이는 여름철 태풍과 같이 계절적 특성을 지닌 다른 자연재난의 해석에도 적용될 수 있을 것으로 판단된다.
The frequency analysis of hydrometeorological data is one of the most important factors in response to natural disaster damage, and design standards for a disaster prevention facilities. In case of frequency analysis of hydrometeorological data, it assumes that observation data have statistical stat...
The frequency analysis of hydrometeorological data is one of the most important factors in response to natural disaster damage, and design standards for a disaster prevention facilities. In case of frequency analysis of hydrometeorological data, it assumes that observation data have statistical stationarity, and a parametric method considering the parameter of probability distribution is applied. For a parametric method, it is necessary to sufficiently collect reliable data; however, snowfall observations are needed to compensate for insufficient data in Korea, because of reducing the number of days for snowfall observations and mean maximum daily snowfall depth due to climate change. In this study, we conducted the frequency analysis for snowfall using the Bootstrap method and SIR algorithm which are the resampling methods that can overcome the problems of insufficient data. For the 58 meteorological stations distributed evenly in Korea, the probability of snowfall depth was estimated by non-parametric frequency analysis using the maximum daily snowfall depth data. The results of frequency based snowfall depth show that most stations representing the rate of change were found to be consistent in both parametric and non-parametric frequency analysis. According to the results, observed data and Bootstrap method showed a difference of -19.2% to 3.9%, and the Bootstrap method and SIR(Sampling Importance Resampling) algorithm showed a difference of -7.7 to 137.8%. This study shows that the resampling methods can do the frequency analysis of the snowfall depth that has insufficient observed samples, which can be applied to interpretation of other natural disasters such as summer typhoons with seasonal characteristics.
The frequency analysis of hydrometeorological data is one of the most important factors in response to natural disaster damage, and design standards for a disaster prevention facilities. In case of frequency analysis of hydrometeorological data, it assumes that observation data have statistical stationarity, and a parametric method considering the parameter of probability distribution is applied. For a parametric method, it is necessary to sufficiently collect reliable data; however, snowfall observations are needed to compensate for insufficient data in Korea, because of reducing the number of days for snowfall observations and mean maximum daily snowfall depth due to climate change. In this study, we conducted the frequency analysis for snowfall using the Bootstrap method and SIR algorithm which are the resampling methods that can overcome the problems of insufficient data. For the 58 meteorological stations distributed evenly in Korea, the probability of snowfall depth was estimated by non-parametric frequency analysis using the maximum daily snowfall depth data. The results of frequency based snowfall depth show that most stations representing the rate of change were found to be consistent in both parametric and non-parametric frequency analysis. According to the results, observed data and Bootstrap method showed a difference of -19.2% to 3.9%, and the Bootstrap method and SIR(Sampling Importance Resampling) algorithm showed a difference of -7.7 to 137.8%. This study shows that the resampling methods can do the frequency analysis of the snowfall depth that has insufficient observed samples, which can be applied to interpretation of other natural disasters such as summer typhoons with seasonal characteristics.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
3333px;">*2,…,x*n) 에 의한 추측통계량의 조건부확률분포가 적절한 조건하에서 유사할 것이라는 점이다. 따라서 관찰된 자료에 근거한 Bootstrap분포로서 표본분포를 추정하는 것이다. 실제계산에서는 Taylor 전개에 의한 선형 근사방법이 있으나, Monte Carlo 근사방법이 일반적으로 받아들여지고 있다(Jhun, 1990).
매개변수적 빈도해석을 위해서는 신뢰성 있는 충분한 자료의 수집이 필요하지만, 적설량의 경우 계절적 특성과 함께 최근에는 기후변화로 인한 적설량 관측일수 및 평균 최심신적설량 또한 감소하기에 부족한 자료에 대한 문제점을 보완할 필요가 있다. 또한, 기후변화에 따른 이상치에 해당하는 최심신적설량이 관측되고 있기에 이러한 경향성을 반영하고자 하였다.
본 연구에서는 Bootstrap방법과 SIR알고리즘을 이용하여 확률적설량을 산정하는 방안을 제시하고자 한다. Bootstrap방법과 함께 SIR알고리즘을 적용할 경우에 우도함수를 사용하게 되는데 이러한 우도함수를 사용할 경우, 최근에 발생하고 있는 이상치를 반영할 수 있어 적설량 변화양상을 고려하면서 빈도해석에 필요한 충분한 자료를 생성할 수 있다는 장점이 있다.
최근 기상이변에 따른 임계치를 넘어서는 최심신적설량이 발생하고 있기 때문에 우도함수를 극한사상으로 고려하여 적설량 발생 특성을 반영하고자 하였다. 우도함수 선정시 연 최대 최심신적설량 중 상위 10% 값을 이용했으나, 극한사상의 범위에 따라 결과가 달라지기 때문에 추후 적정범위 선정에 관한 연구가 보완된다면 산정된 확률적설량의 불확실성을 감소시킬 수 있을 것으로 판단된다.
제안 방법
관측 최심신적설량에 대한 매개변수적 빈도해석과 Bootstrap방법과 SIR알고리즘으로 재추출된 자료를 이용하여 58개 기상관측소를 대상으로 20년, 50년, 100년, 300년 빈도의 확률강우량을 Fig. 7과 같이 도시화 하였다. Bootstrap방법으로 재추출한 표본의 빈도해석 결과는 관측자료에 비하여 평균 –7.
관측개시일 부터 2013년까지의 최심신적설량 자료를 이용하였는데 관측소별 자료 보유기간은 Table 1과 같다. 그리고 전체 관측지점 중 지역적 위치를 고려하여 서울, 강릉, 대전, 부산, 광주, 제주를 대표지점으로 선정하고 시계열 및 통계수치를 제시하였다.
매개변수적 빈도해석에서는 관측개시일 부터 2013년까지 관측된 최심신적설량 자료의 연 최대 최심신적설량을 이용하였으며, 대표지점의 기초통계 특성은 Table 2와 같다. 수문자료 해석에 일반적으로 사용되는 확률분포형으로 Gamma 분포형, GEV(General Extreme Value)분포형, Gumbel분포형, Log-Normal 분포형, Log-Pearson type III 분포형, Weibull 분포형, Wakeby 분포형 등의 확률분포형을 적용하여 적정분포형을 산정한다.
매개변수적 빈도해석을 위해서는 신뢰성 있는 충분한 자료의 수집이 필요하지만, 강수량과 다르게 적설량의 경우 계절적 특성과 함께 최근에는 기후변화로 인한 적설량 관측일수 및 평균 최심신적설량 또한 감소하기에 관측년 수에 비해 부족한 자료를 보완할 필요가 있다. 이에 본 연구에서는 매개변수 빈도해석 방법과 부족한 자료의 문제점을 보완할 수 있는 표본 재추출 기법인 Bootstrap 기법과 SIR 알고리즘을 적용하여 적설량의 빈도해석을 실시하였다. 특히 SIR 알고리즘을 통한 빈도해석은 우도함수를 고려했기 때문에 재추출된 표본에서 이상치에 해당하는 극치사상을 고려할 수 있다.
이에 본 연구에서는 표본 재추출 기법인 Bootstrap방법과 SIR알고리즘을 적용하여 관측자료가 부족한 최심신적설량의 빈도해석에 유의한 자료를 생성하고 관측자료의 빈도해석 결과와 비교하였다. 우도함수를 고려하여 재추출된 표본으로 빈도해석이 이루어진 SIR알고리즘이 관측 최심신적설량의 특성 및 분포형을 유지하면서 표본 재추출된 Bootstrap 방법보다 확률적설량 값이 크게 산정되었다.
대상 데이터
SIR알고리즘을 이용한 표본 재추출에서 우도함수의 선정은 연 최대치 최심신적설량 중 상위 10% 이상의 최심신적설량을 이용하였으며, Bootstrap방법과 같이 1,000개 자료를 재추출하여 300회 모의하였다. 앞서 산정된 관측자료 및 Bootstrap방법과 SIR알고리즘을 통해 재추출된 표본의 의 기초통계특성인 Table 6과 비교하면 통계수치가 상대적으로 크게 산정되는 것을 알 수 있다.
1과 같이 선정하였다. 관측개시일 부터 2013년까지의 최심신적설량 자료를 이용하였는데 관측소별 자료 보유기간은 Table 1과 같다. 그리고 전체 관측지점 중 지역적 위치를 고려하여 서울, 강릉, 대전, 부산, 광주, 제주를 대표지점으로 선정하고 시계열 및 통계수치를 제시하였다.
기상청 산하 관측지점 중 최심신적설량 관측자료를 보유하고 있으며 매개변수적 및 비매개변수적 확률적설량을 산정하고 평가가 가능한 58개 지점을 Fig. 1과 같이 선정하였다. 관측개시일 부터 2013년까지의 최심신적설량 자료를 이용하였는데 관측소별 자료 보유기간은 Table 1과 같다.
데이터처리
Bootstrap방법과 SIR알고리즘을 이용하여 재추출된 표본의 빈도해석을 통해 산정된 확률적설량을 비교하였다. Fig.
Bootstrap방법과 SIR알고리즘을 이용하여 재추출된 표본의 빈도해석을 통해 산정된 확률적설량을 비교하였다. Fig. 6은 두 방법에 대한 결과치의 증가 및 감소율을 나타낸 것으로 Bootstrap을 기준으로 우도함수를 고려한 SIR알고리즘의 증감률을 비교하였다. 관측자료 및 Bootstrap방법에 의한 확률강우량인 Table 3과 Table 5를 보면 Bootstrap방법은 관측자료의 분포형이 반영되었기에 차이가 크지 않음을 알 수 있다.
SIR알고리즘으로 재추출된 표본자료의 빈도해석을 위한 분포형 선정 및 적합도 검정은 Bootstrap방법을 이용한 빈도해석과 같은 검정방법으로 분포형을 선정하고 확률적설량을 산정하였다. 재추출된 표본자료의 빈도해석을 위한 분포형은 확률가중모멘트법(PWM)을 이용하였으며, 적합도검정은 PPCC 분포형, 산정지점에 대한 검정을 x2-검정, Kolmogorov-Smirnov 검정과 Cramer von Mises 검정을 채택하였다.
모집단의 특성을 반영하는 매개변수를 추정한 후, 적합도 검정을 통하여 추정된 매개변수와 확률분포형의 적합성을 판단하게 되는데, 확률분포형의 매개 변수를 추정하는 방법 중 일반적으로 빈도해석시 널리 사용되는 모멘트법(Method of Moments; MOM),최우도법(Method of Maximum Likelihood; ML), 확률가중모멘트법(Method of Probability Weighted Moments; PWM)이 있다. 임의의 확률분포에 대한 적합도의 검정은 그 확률분포의 상대도수함수와 누가 도수함수의 이론값과 표본값을 비교하여 그 정도를 판별하게 되며, 이에 대한 검정 방법으로 x2-검정, Cramer Von Mises x2-검정, Kolmogorov-Smirnov 검정, Probability Plot Correlation Coefficient(PPCC)검정 등이 있으며, 전 구간에 대한 적합도를 나타내는 x2-검정과 각각의 소구간별 적합도 분석을 위한 Kolmogorov-Smirnov 검정, Cramer Von Mises 검정 및 최근에 제안된 PPCC 검정을 함께 적용하는 것이 적정 확률분포형을 선정하는데 있어서 신뢰도를 높일 수 있다. 매개변수는 모멘트법, 최우도법, 확률가중모멘트법을 사용하여 추정하였으며, 확률분포형 선정은 기존에 연구된 내용을 종합적으로 고려하여 확률가중모멘트법(PWM)을 이용하였다.
SIR알고리즘으로 재추출된 표본자료의 빈도해석을 위한 분포형 선정 및 적합도 검정은 Bootstrap방법을 이용한 빈도해석과 같은 검정방법으로 분포형을 선정하고 확률적설량을 산정하였다. 재추출된 표본자료의 빈도해석을 위한 분포형은 확률가중모멘트법(PWM)을 이용하였으며, 적합도검정은 PPCC 분포형, 산정지점에 대한 검정을 x2-검정, Kolmogorov-Smirnov 검정과 Cramer von Mises 검정을 채택하였다. 적정분포형으로는 Gumbel 분포형을 선정하여 빈도별 확률적설량을 Table 7 및 Fig.
매개변수는 모멘트법, 최우도법, 확률가중모멘트법을 사용하여 추정하였으며, 확률분포형 선정은 기존에 연구된 내용을 종합적으로 고려하여 확률가중모멘트법(PWM)을 이용하였다. 적합도검정은 기각력이 가장 뛰어난 PPCC 분포형을 선정하였으며, 산정지점에 대한 검정을 1순위로, 2순위로는 x2-검정, 3순위 및 4순위로 Kolmogorov-Smirnov 검정과 Cramervon Mises 검정을 채택하였다. 적설량 자료에 대한 적정분포형으로는 분포형 검정결과 가장 적합하다고 판정되는 Gumbel분포형을 선정하였으며, 관측자료에 대한 빈도별 확률적설량을 Table 3과 같이 산정하였다.
매개변수는 모멘트법, 최우도법, 확률가중모멘트법을 사용하여 추정하였으며, 확률분포형 선정은 기존에 연구된 내용을 종합적으로 고려하여 확률가중모멘트법(PWM)을 이용하였다. 적합도검정은 기각력이 가장 뛰어난 PPCC 분포형을 선정하였으며, 산정지점에 대한 검정을 1순위로, 2순위로는 x2-검정, 3순위 및 4순위로 Kolmogorov-Smirnov 검정과 Cramervon Mises 검정을 채택하였다. 적설량 자료에 대한 적정분포형으로는 분포형 검정결과 가장 적합하다고 판정되는 Gumbel분포형을 선정하였으며, 관측자료에 대한 빈도별 확률적설량을 Table 3과 같이 산정하였다.
이론/모형
Bootstrap방법으로 재추출된 표본자료의 빈도해석을 위한 분포형을 선정하고자 매개변수는 모멘트법(MOM),최우도법(ML), 확률가중모멘트법(PWM)을 사용하여 추정하였으며, 확률분포형 선정은 기존에 연구된 내용을 종합적으로 고려하여 확률가중모멘트법(PWM)을 이용하였다. 적합도검정은 기각력이 가장 뛰어난 PPCC 분포형을 선정하였으며, 산정지점에 대한 검정을 1순위로, 2순위로는 x2-검정, 3순위 및 4순위로 Kolmogorov-Smirnov 검정과 Cramer von Mises 검정을 채택하였다.
임의의 확률분포에 대한 적합도의 검정은 그 확률분포의 상대도수함수와 누가 도수함수의 이론값과 표본값을 비교하여 그 정도를 판별하게 되며, 이에 대한 검정 방법으로 x2-검정, Cramer Von Mises x2-검정, Kolmogorov-Smirnov 검정, Probability Plot Correlation Coefficient(PPCC)검정 등이 있으며, 전 구간에 대한 적합도를 나타내는 x2-검정과 각각의 소구간별 적합도 분석을 위한 Kolmogorov-Smirnov 검정, Cramer Von Mises 검정 및 최근에 제안된 PPCC 검정을 함께 적용하는 것이 적정 확률분포형을 선정하는데 있어서 신뢰도를 높일 수 있다. 매개변수는 모멘트법, 최우도법, 확률가중모멘트법을 사용하여 추정하였으며, 확률분포형 선정은 기존에 연구된 내용을 종합적으로 고려하여 확률가중모멘트법(PWM)을 이용하였다. 적합도검정은 기각력이 가장 뛰어난 PPCC 분포형을 선정하였으며, 산정지점에 대한 검정을 1순위로, 2순위로는 x2-검정, 3순위 및 4순위로 Kolmogorov-Smirnov 검정과 Cramervon Mises 검정을 채택하였다.
본 연구에서는 기상관측지점별 연 최대 최심신적설량 자료를 이용하여 Bootstrap 방법을 적용하였다. 자료의 재추출은 1,000개 하였으며, 재추출된 자료에 대한 모의 결과 300번 이상의 모의에서 수렴하기에 모의 횟수는 300회로 하였다.
수문자료 해석에 일반적으로 사용되는 확률분포형으로 Gamma 분포형, GEV(General Extreme Value)분포형, Gumbel 분포형, log-Gumbel 분포형, lognormal 분포형, log-Pearson type Ⅲ 분포형, Weibull 분포형, Wakeby 등의 확률분포형을 적용하여 적정분포형을 산정한다.
수문자료 해석에 일반적으로 사용되는 확률분포형으로 Gamma 분포형, GEV(General Extreme Value)분포형, Gumbel분포형, Log-Normal 분포형, Log-Pearson type III 분포형, Weibull 분포형, Wakeby 분포형 등의 확률분포형을 적용하여 적정분포형을 산정한다.
, 2010). 이러한 문제를 보완하기 위한 방법으로 비매개변수적 표본 재추출 방법인 Bootstrap방법과 SIR알고리즘을 이용하였고, 재추출된 충분한 수의 자료를 이용하여 빈도별 확률적설량을 산정하였다.
적합도검정은 기각력이 가장 뛰어난 PPCC 분포형을 선정하였으며, 산정지점에 대한 검정을 1순위로, 2순위로는 x2-검정, 3순위 및 4순위로 Kolmogorov-Smirnov 검정과 Cramervon Mises 검정을 채택하였다. 적설량 자료에 대한 적정분포형으로는 분포형 검정결과 가장 적합하다고 판정되는 Gumbel분포형을 선정하였으며, 관측자료에 대한 빈도별 확률적설량을 Table 3과 같이 산정하였다.
성능/효과
4와 마찬가지로 재현기간이 증가하면서 재추출된 표본자료의 최소 및 최댓값의 편차가 커져 불확실성 범위도 넓어지는 것을 확인할 수 있다. SIR알고리즘을 이용하여 산정된 빈도별 확률적설량에서도 강릉지점이 가장 크게 나타났다
서울, 강릉의 경우 8%~19%정도 증가하였으나, 제주의 경우 약 35%, 광주는 약 52%, 대전, 부산의 경우 약 97~155%정도 증가하였다. 강릉과 광주를 제외한 나머지 지점은 빈도가 커질수록 확률적설량이 증가율이 감소하는 경향을 나타냈다.
그러나 SIR 알고리즘의 경우 우도함수 선정에 극치사상이 반영되었기에 Bootstrap 방법을 이용하여 확률적설량을 산정했을 때보다 확률적설량이 크게 증가하는 것을 확인할 수 있다.
반면 SIR알고리즘의 경우 추풍령, 제천이 –7.7~-5.7% 작게 나타낸 반면 남해, 영덕, 진주, 완도, 목포, 대전, 부산 68.6~137.8% 크게 나타났으며 이외 지점들도 0.3~55.6%사이로 Bootstrap방법에 비하여 확률적설량의 증가폭이 큰 것으로 나타났다.
이에 본 연구에서는 표본 재추출 기법인 Bootstrap방법과 SIR알고리즘을 적용하여 관측자료가 부족한 최심신적설량의 빈도해석에 유의한 자료를 생성하고 관측자료의 빈도해석 결과와 비교하였다. 우도함수를 고려하여 재추출된 표본으로 빈도해석이 이루어진 SIR알고리즘이 관측 최심신적설량의 특성 및 분포형을 유지하면서 표본 재추출된 Bootstrap 방법보다 확률적설량 값이 크게 산정되었다. 이는 Bootstrap방법으로 재추출된 자료들은 관측자료의 분포를 잘 반영하고 있지만 SIR 알고리즘은 빈도해석시 우도함수 선정에 극한사상이 반영되기 때문에 상대적으로 확률적설량이 큰 것으로 나타났다.
4와 같이 도시화 하였다. 재현기간이 커짐에 따라 불확실성도 커지는 것을 확인할 수 있으며, 빈도별 확률적설량은 강릉지점이 가장 크게 나타났다.
후속연구
본 연구를 통해 관측자료의 표본 재추출 및 변화양상에 따른 우도함수 예측은 관측표본이 적은 적설량의 빈도해석 및 불확실성 범위의 제시가 가능함을 확인할 수 있었고, 이는 여름철 태풍과 같이 계절적 특성을 지닌 다른 자연재난의 해석에도 적용될 수 있을 것으로 판단된다.
최근 기상이변에 따른 임계치를 넘어서는 최심신적설량이 발생하고 있기 때문에 우도함수를 극한사상으로 고려하여 적설량 발생 특성을 반영하고자 하였다. 우도함수 선정시 연 최대 최심신적설량 중 상위 10% 값을 이용했으나, 극한사상의 범위에 따라 결과가 달라지기 때문에 추후 적정범위 선정에 관한 연구가 보완된다면 산정된 확률적설량의 불확실성을 감소시킬 수 있을 것으로 판단된다.
Bootstrap방법과 함께 SIR알고리즘을 적용할 경우에 우도함수를 사용하게 되는데 이러한 우도함수를 사용할 경우, 최근에 발생하고 있는 이상치를 반영할 수 있어 적설량 변화양상을 고려하면서 빈도해석에 필요한 충분한 자료를 생성할 수 있다는 장점이 있다. 이러한 표본 재추출 기법은 관측표본이 적은 적설량의 빈도해석 및 불확실성 범위의 제시가 가능함을 확인할 수 있으며, 풍수해 대응을 위한 계절적 특성을 지닌 다른 자연재난의 해석에도 적용될 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
시설물의 설계기준에 있어 중요한 요소 중 하나는 무엇인가?
수문기상자료의 빈도해석은 풍수해에 따른 대응 및 시설물의 설계기준에 있어 중요한 요소 중 하나이다. 일반적으로 수문기상자료에 대한 빈도해석의 경우 관측자료는 통계적으로 정상성을 가진다고 가정하고, 확률분포의 매개변수를 고려하는 매개변수적 방법을 적용하고 있다.
겨울철 강수량의 변화가 생기는 이유는?
과거 우리나라의 연 강수량은 계절적으로 하절기인 7∼8월에, 공간적으로 태백산맥 주변지역에 집중호우의 강도 증가가 뚜렷하게 나타났다. 반면, 겨울철 강수량의 변화는 뚜렷하지 않으나 온난화에 의해서 강설에서 강우로 나타나는 비율이 점차 높아지고 있는 것으로 나타났다(KMA, http://www.kma.
빈도별 확률적설량의 증감률을 검토한 결과는 어떠한가?
빈도별 확률적설량의 증감률을 검토한 결과 매개변수적 빈도해석과 비매개변수적 빈도해석에서 증감률을 나타내는 지점들이 대부분 일치하는 것으로 나타났다. 확률적설량은 관측 자료와 Bootstrap방법에서 -19.2%~3.9%, Bootstrap방법과 SIR알고리즘에서 -7.7%~137.8% 정도의 차이를 보였다. 표본 재추출 기법은 관측표본이 적은 적설량의 빈도해석 및 불확실성 범위의 제시가 가능함을 확인할 수 있었고, 이는 여름철 태풍과 같이 계절적 특성을 지닌 다른 자연재난의 해석에도 적용될 수 있을 것으로 판단된다.
참고문헌 (14)
Beersma, J.J. and Buishand, T.A. (2007) Drought in the Netherlands - Regional frequency analysis versus time series simulation, J. of Hydrology, 347(3-4), pp.332-346. [DOI https://doi.org/10.1016/j.jhydrol.2007.09.042]
Jhun, MS (1990) A Computer Intensive Method for Modern Statistical Data Analysis I ; Bootstrap Method and Its Applications, The Korean J. of applied statistics, 3(1), pp.121-141.
Jhun, MS (1996) Practical application of bootstrap method-Focusing on analysis of contingency table based on cluster sampling method, Communications of the Korean Statistical Society, 3(1), pp.179-188.
Kang, SH and Park, TS (1996) Analysis and Applications of Monte Carlo Bayesian, Communications of the Korean Statistical Society, 3(1), pp.169-177.
Kim, KD and Heo, JH (2004). Review on the Application of Regional Frequency Analysis According to the Sample Size of Hydrologic Data, Proceedings of the Korea Water Resources Association Conference in 2004, pp.27.
Kim, YS, Kim, SJ, Kang, NR, Kim, TG and Kim, HS (2014) Estimation of Frequency Based Snowfall Depth Considering Climate Change Using Neural Network, J. of the Korean Society of Hazard Mitigation, 14(1), pp.93-107. [DOI http://dx.doi.org/ 10.9798/KOSHAM.2014.14.1.93]
Lee, KH, Lee, JK, Kim, SJ and Kim, HS (2011) Uncertainty Analysis of Flood Damage Estimation Using Bootstrap Method and SIR Algorithm, J. of wetlands research, 13(1), pp.53-66.
Lee, MW, Lee, CS, Kim, HS and Shim, MP (2005) Rainfall Frequency Determination by Bootstrap Method and SIR Algorithm and Risk Analysis, J. of the Korean Society of Civil Engineers, 25(5B), pp.365-373.
Li, K.-H. (2007) Pool size selection for the sampling/ importance resampling algorithm, Statistica Sinica, 17(3), pp.895-907.
Moon, KH, Kyoung, MS, Kim, DK, Kwak, JW and Kim, HS (2008) Flood Frequency Analysis using SIR Algorithm, J. of wetlands research, 10(3), pp.125-132.
Moon, KH, Kyoung, MS and Kim, HS (2010), Rainfall Frequency Analysis Using SIR Algorithm and Bootstrap Methods, J. of the Korean Society of Civil Engineers, 30(4B), pp.367-377.
Rubin D.B. (1987) A Noniterative sampling/importance resampling alternative to the data augementation algorithm for creating a few imputation are modest: The SIR algorithm, J. of the american statistical addiciation, 82, pp.543-546
Zhao, B., Tung, Y.K., Yeh, K.C. and Yang, J.C. (1997) Storm resampling for uncertainty analysis of a multiple-storm unit hydrograph, J. of Hydrology, 194(1-4), pp.366-384.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.