[논문]수계 상류 관측 수위자료를 이용한 하류 홍수위 예측기법

김상문; 최병웅; 이남주

doi:10.17820/eri.2020.7.4.345

수계 상류 관측 수위자료를 이용한 하류 홍수위 예측기법
Forecasting Technique of Downstream Water Level using the Observed Water Level of Upper Stream 원문보기

Ecology and resilient infrastructure, v.7 no.4, 2020년, pp.345 - 352

김상문 , 최병웅 (국립생태원 생태자연도연구팀) , 이남주 (경성대학교 토목공학과)

초록
AI-Helper

최근 하천범람에 따른 피해를 최소화하기 위해서는 대피를 위한 선행시간을 확보하는 것이 매우 중요하다. 본 연구에서는 현재 하천에서 측정되고 있는 수위 관측 자료를 이용하여 이상호우 발생시 하류의 수위를 예측하였다. 수위 예측을 위해 다중회귀모형 및 인공신경망 모형을 섬강시험유역에 적용하였다. 다중회귀모형 및 인공신경망 모형의 학습에는 섬강시험유역의 2002년부터 2010년까지의 수위 관측 자료를 이용하였으며, 학습된 모형을 이용하여 발생 가능한 수위를 예측하였다. 모의 결과 인공신경망 수위예측모형의 결정계수는 0.991 - 0.999로 나타났으며, 다중회귀수위예측 모형의 결정계수는 0.945 - 0.990로 나타나 인공신경망을 이용한 수위예측모형이 다중회귀모형보다 좀 더 나은 예측 결과를 나타내는 것을 확인할 수 있었다. 본 연구결과는 향후 하천에서 선행시간을 확보한 홍수 예보 구축에 활용할 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Securing the lead time for evacuation is crucial to minimize flood damage. In this study, downstream water levels for heavy rainfall were predicted using measured water level observation data. Multiple regression analysis and artificial neural networks were applied to the Seom River experimental watershed to predict the water level. Water level observation data for the Seom River experimental watershed from 2002 to 2010 were used to perform the multiple regression analysis and to train the artificial neural networks. The water level was predicted using the trained model. The simulation results for the coefficients of determination of the artificial neural network level prediction ranged from 0.991 to 0.999, while those of the multiple regression analysis ranged from 0.945 to 0.990. The water level prediction model developed using an artificial neural network was better than the multiple-regression analysis model. This technique for forecasting downstream water levels is expected to contribute toward flooding warning systems that secure the lead time for streams.

주제어

표/그림 (7)

그림 Fig. 1. Study area.
그림 Fig. 2. Structure of artificial neural network.
그림 Fig. 3. Results of the water depth by multiple regression analysis.
그림 Fig. 4. Validations of the multiple regression analysis.
그림 Fig. 5. Applications of the multiple regression analysis.
그림 Fig. 6. Validations of the artificial neural network.
그림 Fig. 7. Applications of the artificial neural network.

AI 본문요약
AI-Helper

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

문제 정의

홍수의 경우 다양한 지형적인 요인, 지리적인 요인, 기상상황 등이 복합적으로 작용하여 발생한다. 따라서 다양한 요건을 고려한 측정자료를 적용해야 하지만, 본연구는 모형의 구축과정이 상대적으로 단순한 수위예측모형을 구축하고 파악하기 위한 기초 연구 단계로 추후 다양한 지점의 자료에 적용 및 검증하기 위한 연구를 수행하고자 한다.
본 연구에서는 일반적인 홍수 예측을 위한 자료 중 하천에서 고수위와 저수위를 포함한 관측된 상류 수위를 활용하여 이상 홍수 발생시 하류 홍수위를 예측하여 홍수 예보에 활용하도록 하였다. 수위 예측 모형을 위해 모형의 구축과정이 단순하고 적용성이 우수한 인공신경망과 다중회귀분석을 활용하였으며, 이를 섬강 유역에 적용하여 두 모형 간의 성능을 비교･분석하고 수위 예측의 정확성을 검증하였다.

제안 방법

본 연구는 이상 호수 발생시 정확한 홍수 예보를 위해 수계 상류 수위를 활용하여 하류 홍수위를 예측하는 방법론을 제시하기 위해 다중회귀분석과 인공신경망 모형을 적용하여 다음과 같은 결과를 얻었다.
본 연구에 사용된, 오차 역전파 알고리즘은 크게 두 단계로 이루어지는데 첫 단계는 신경망의 패턴에 따라각 처리소자의 입력값을 전달함수를 이용해서 출력값을 산출하는 feedforword이고, 두 번째 단계는 목표값과 계산값과의 차이를 역으로 진행시키면서 오차가 최소가 되도록 각 층 사이의 연결강도를 조절하는 feedback이다. 이 과정은 신경망의 오차 가 허용범위에 들 때까지 반복적으로 실행된다.
수심자료로 총 193, 657개를 적용하였다. 본 자료 중상류 2개지점의 자료를 통해 하류 매일교의 수위를 예측하는데 다중회귀분석과 인공신경망 모형을 적용하였다.
3은 다중회귀분석을 통해 2002년부터 2009년까지의 10분 수심관측자료를 예측한 결과이다. 상류의 두 관측소 자료를 통해 하류에 위치한 매일교의 수위를 예측하였으며, 이 결과를 실측자료와 비교하였다. Fig.

대상 데이터

수위관측소를 기준으로 살펴보면, 매일교와 농거리교 관측소의 경우 부자식과 압력식의 관측기기를 사용하며, 소군교 관측소는 압력식과 기포식의 관측기기를 사용하여 측정하고 있다. 관측간격은 10분으로 최소측정은 1 mm 및 1 cm로 전송방법은 T/M, PCS실시간, 로거의 방법을 채택하여 관측자료를 수집하고 있다. 홍수의 경우 다양한 지형적인 요인, 지리적인 요인, 기상상황 등이 복합적으로 작용하여 발생한다.
1은 본 연구에서 적용한 연구대상지역을 나타내고 있다. 남한강 제1지류인 섬강 최상류에 위치해 있는 지방 하천인 계천을 대상구간으로 하였다. 유역 면적은 164.
본 연구에서 적용된 관측자료는 2002년 3월 19일부터 2009년 12월 31일까지 측정된 자료로 상류에 위치해 있는 농거리 및 소군교, 하류에 위치해 있는 매일교의 수심자료로 총 193, 657개를 적용하였다. 본 자료 중상류 2개지점의 자료를 통해 하류 매일교의 수위를 예측하는데 다중회귀분석과 인공신경망 모형을 적용하였다.

데이터처리

3. Results of the water depth by multiple regression analysis.
예보에 활용하도록 하였다. 수위 예측 모형을 위해 모형의 구축과정이 단순하고 적용성이 우수한 인공신경망과 다중회귀분석을 활용하였으며, 이를 섬강 유역에 적용하여 두 모형 간의 성능을 비교･분석하고 수위 예측의 정확성을 검증하였다.

이론/모형

본 연구에 적용하기 위하여 은닉층은 2개를 적용하였으며, 학습 알고리즘은 Levenberg-Marquardt 방법을 적용하였다. 그리고 데이터 세트 학습은 moving window 방법을 적용하였다.
2020). 본 연구에 적용하기 위하여 은닉층은 2개를 적용하였으며, 학습 알고리즘은 Levenberg-Marquardt 방법을 적용하였다. 그리고 데이터 세트 학습은 moving window 방법을 적용하였다.

성능/효과

1)다중회귀분석을 통해 하류 수위를 예측한 결과 전체적인 관측자료와 비슷한 형상을 보이고 있으나, 절대적인 값에 대해서는 예측의 정확도가 높지 않은 것으로 나타났다. 또한, 전제 수심자료를 활용한 다중 회귀분석 결과 2010년 세가지 사상에 적용하였을 경우 결정계수는 각각 0.
2)전체 수심자료를 활용한 인경신경망 분석 결과 2010년 세가지 사상에 적용하였을 때 결정계수는 각각 0.996, 0.999, 0.995로 나타났으며, 고수위 수심 자료에 적용하였을 경우는 각각 0.991, 0.992, 0.998로 나타났다. 인공신경망은 학습자료를 달리하여도 예측의 정확도가 어느 정도 확보되는 것으로 나타났다.
3)계천 유역에 적용하여 두 모형의 정확도를 비교한 결과, 저수위 및 고수위 모두 인공신경망 모형의 예측 정확도가 매우 높은 것으로 나타났다. 이는 다중 회귀분석 모형은 구간별 자료의 수가 부족한 경우 예측의 정확도가 높지 않은 것으로 판단된다.
6은 인공신경망을 활용하여 전체 수심 자료를 학습자료로 사용하고 2010년 세가지 사상에 적용한 결과이다. 결정계수는 0.996, 0.999, 0.995로 나타났으며, 다중회귀분석의 결과와 비교하였을 때 예측의 정확도가 매우 향상되었음을 확인할 수 있다. 다중회귀분석의결과와 비교하였을 때, 저수위 뿐만 아니라 고수위 모두 실측자료와 비교하였을 때 예측의 정확도가 높은 것으로 나타났다.
995로 나타났으며, 다중회귀분석의 결과와 비교하였을 때 예측의 정확도가 매우 향상되었음을 확인할 수 있다. 다중회귀분석의결과와 비교하였을 때, 저수위 뿐만 아니라 고수위 모두 실측자료와 비교하였을 때 예측의 정확도가 높은 것으로 나타났다. 인공신경망의 경우 다양한 범위의 자료로 구성된 자료로 학습을 시키고, 학습 자료의 범위 내를 예측하는 내삽의 경우 예측의 정확도가 매우 높기 때문인 것으로 판단된다.
전반적으로 고수위 및 저수위 부분에서는 과소평가하는 것으로 나타났으며, 부분적으로는 과대평가하는 구간도 발생하게 되었다. 또한, 대부분의 자료를 살펴보면 저수위 구간의 자료가 많이 분포하고 고수위의 자료가 상대적으로 많지 않아서 저수위의 예측이 정확할 것으로 예상되었지만, 다중회귀분석의 경우 선형적인 예측의 정확도는 높을지 몰라도 비선형예측의 정확도는 낮은 것으로 나타났다. 이는 단순히 실측된 수심 자료만을 변수로 사용하여 선형적인 예측을 수행하였기 때문에 앞서 한계점으로 설명한 다양한 지리적 및 지형적인 요인이 고려되지 않았기 때문인 것으로 판단된다.
것으로 나타났다. 또한, 전제 수심자료를 활용한 다중 회귀분석 결과 2010년 세가지 사상에 적용하였을 경우 결정계수는 각각 0.945, 0.934, 0.990으로 나타났으며, 고수위 수심 자료를 활용하였을 경우는 각각 0.949, 0.968, 0.990으로 나타나 정확도가 크게 향상되지 않은 결과가 나타났다. 이는 어느 정도의 자료 수가 확보되어 선형의 형태로 예측이 가능한 구간은 예측의 정확도가 높지만, 자료의 수가 부족하고 자료 간의 결과값이 차이가 발생하는 구간은 예측의 정확도가 높지 않은 것으로 판단된다.
998로 나타났다. 앞선 Fig. 6의 결과와 비교하였을 때 예측의 정확도가 다소 떨어지기는 하였지만, 본 연구에서 구축하여 적용한 인공신경망 모형이 학습자료를 달리 하여도 예측의 정확도가 어느 정도 확보되는 것으로 나타났다. 그러나 Fig.
5656으로 나타났다. 전반적으로 고수위 및 저수위 부분에서는 과소평가하는 것으로 나타났으며, 부분적으로는 과대평가하는 구간도 발생하게 되었다. 또한, 대부분의 자료를 살펴보면 저수위 구간의 자료가 많이 분포하고 고수위의 자료가 상대적으로 많지 않아서 저수위의 예측이 정확할 것으로 예상되었지만, 다중회귀분석의 경우 선형적인 예측의 정확도는 높을지 몰라도 비선형예측의 정확도는 낮은 것으로 나타났다.

후속연구

그러나 고수위와 저수위에 대한 자료 확보 및 적용 가능성이 확보가 된다면, 인공신경망 모형을 이용한 방법은 복잡한 회귀식을 대체할 수 있는 간단한 방법론이 될 수 있다. 따라서 많은 실측 자료의 확보 및 동일한 경향성을 가지는 적절한 자료가 존재한다면 보다 손쉽게 홍수 예보 예측을 할 수 있을 것으로 기대된다.

참고문헌 (18)

Choi, S.-U. and Cheong, S. 2006. Prediction of local scour around bridge piers using artificial neural networks. Journal of the American Water Resources Association 42(2): 487-494.

상세보기
Choi, S.Y. and Han, K.Y. 2012. Comparison of different multiple linear regression models for real-time flood stage forecasting. Journal of Korea Water Resources Association 32(1B): 9-20.
Choi, S.Y., Han, K.Y., and Choi, H.G. 2011. Comparison and analysis of data-derived stage prediction models. Journal of Wetlands Research 13(3): 547-565.

원문보기 상세보기
Daliakopoulos, I.N., Coulibaly, P., and Tsanis, I.K. 2005. Groundwater level forecasting using artificial neural networks. Journal of hydrology 309(1-4): 229-240.

상세보기
Govindaraju, R.S. 2000. Artificial neural networks in hydrology II: hydrologic applications. Journal of Hydrologic Engineering 5(2): 124-137.

상세보기
Huynh, N.P. and Nguyen, D.A.K. 2003. Flood forecasting for the upper reach of the Red River Basin, North Vietnam, http://www.wrc.org.za
Jun, H.D. and Lee, J.H. 2013. A methodology for flood forecasting and warning based on the characteristic of observed water levels between upstream and downstream. Journal of Korean Society of Hazard Mitigation 12(6): 367-374.
Jun, K.W. and Lee, H.J. 2011. A study on water level forecasting by heavy rainfall using neural network. Korea Water Resources Association annual meeting, p. 291.
Jung, S.H. and Choi, S.-U. 2015. Prediction of composite suitability index for physical habitat simulations using the ANFIS method. Applied Soft Computing 34: 502-512.

상세보기
Jung, S.H., Lee, D.E., and Lee, K.S. 2018. Prediction of river water level using deep-learning open library. Journal of Korean Society of Hazard Mitigation 18(1): 1-11.

상세보기
Kim, S.W. 2005. Reliability analysis of flood stage forecasting using neural networks model - I. Model development and application. Journal of the Korean Society of Civil Engineers B 25(6B): 473-482.
Kumar, M., Raghuwanshi, N.S., Singh, R., Wallender, W.W., and Pruitt, W.O. 2002. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage Engineering 128(4): 224-233.

상세보기
Liong, S.Y., Lim, W.H., and Paudyal, G.N. 2000. River stage forecasting in bangladesh: neural network approach. Journal of Computing in Civil Engineering 14(1): 1-8.

상세보기
Ministry of the Interior and Safety. 2018. Methodology development for the estimation and prediction of direct and indirect damages/losses from flood and wind disasters.
Mohammed, M.A., Abd Ghani, M.K., Arunkumar, N.A., Hamed, R.I., Mostafa, S.A., Abdullah, M.K., and Burhanuddin, M.A. 2020. Decision support system for nasopharyngeal carcinoma discrimination from endoscopic images using artificial neural network. The Journal of Supercomputing 76(2): 1086-1104.

상세보기
Thirumalaiah, K. 1998. River stage forecasting using artificial neural networks. Journal of Hydrologic Engineering 3(1): 26-32.

상세보기
Willis, M.J., Montague, G.A., Di Massimo, C., Tham, M.T., and Morris, A.J. 1992. Artificial neural networks in process estimation and control. Automatica 28(6): 1181-1187.

상세보기
Yeo, W.K., Seo, Y.M., Lee, S.Y., and Jee, H.K. 2010. Study on water stage prediction using hybrid model of artificial neural network and genetic algorithm. Journal of Korea Water Resources Association 43(8): 721-731.

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증