최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.40 no.3, 2020년, pp.303 - 314
이재영 (한국건설기술연구원 국토보전연구본부) , 김현일 (경북대학교 건설환경에너지공학부) , 한건연 (경북대학교 토목공학과)
The hydrological characteristics of watersheds and hydraulic systems of urban and river floods are highly nonlinear and contain uncertain variables. Therefore, the predicted time series of rainfall-runoff data in flood analysis is not suitable for existing neural networks. To overcome the challenge ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
Huff의 4분위법이란? | 산정된 확률강우량에 대한 시간 분포는 누가곡선을 이용하는 형태로 일반적으로 여러 호우의 누가곡선을 평균하거나 지속기간 의 제한 또는 강우 크기의 제한을 평균하는 방법인 Huff의 4분위법 을 적용하였다. Huff의 4분위법은 실제 호우사상을 근거로 유도되 며 호우의 첨두발생 위치와 상승부 및 감수부의 모양을 선택적으로 구성할 수 있다는 장점이 있다(Keum, 2018). | |
신뢰할 만한 유량자료를 만들 수 없는 경우는? | 국가하천에 대한 수위관측과 경보발령 시스템은 홍수통제소 등의 노력으로 이미 선진화되어 상류에서의 관측수위를 통해 하류 의 수위를 빠른 시간 내에 계산하여 홍수 예보가 가능하다. 이와 같이 사용되는 홍수예측모형 구축을 위해서는 일정기간 이상 관측 자료가 누적된 수위관측소의 유량 환산자료가 경계조건으로 필요 하지만, 수위-유량 관계곡선의 신뢰도가 저하된 경우나 신규 수위관 측소의 경우 충분한 자료가 쌓이지 않아 신뢰할 만한 유량자료를 생산하지 못하는 경우가 있다. 또한, 중·소규모의 지방하천의 경우 홍수 예·경보 시스템이 잘 구축되어 있지 않고, 최근 침수피해의 대부분은 이러한 중·소하천에서 주로 발생하고 있어 대책마련이 시급하다. | |
수자원분야 시계열 자료에서 기계학습을 통한 예측에서 예측 시점 이전의 자료특성을 반영하기 어려운 이유는? | 수자원분야에서 이용되는 강우에 따른 유역의 수문학적 시스템, 도시지역 및 하천에 대한 수리학적 시스템은 비선형성이 강하고 많은 변수들을 포함하고 있다. 이러한 특성을 가진 시계열 자료에서 기계학습을 통한 예측은 예측시점 이전의 자료 특성을 반영하지 못하는 등 기본적인 신경망으로는 부족한 상황이 발생하기도 한다. |
Chang F. J., Chen, P. A., Lu, Y. R., Huang, E. and Chang, K. Y. (2014). "Real-time multi-step-ahead water level forecasting by recurrent neural networks for urban flood control." Journal of Hydrology, Vol. 517, pp. 836-846.
Gupta, H. V., Sorooshian, S. and Yapo, P. O. (1999). "Status of automatic calibration for hydrologic models: Comparison with multilevel expert calibration." Journal of Hydrology, Vol. 4, No. 2, pp. 135-143.
Keum, H. J. (2018). Development of flood disaster prediction and management system combining machine learning technique with big data, Ph.D. Dissertation, Kyungpook National University (in Korean).
Kim, B. J. (2016). Urban inundation analysis using deterministic approach and data-driven model, Master's Thesis, Kyungpook National University (in Korean).
Kim, H. I., Keum, H. J. and Han, K. Y. (2018). "Application and comparison of dynamic artificial neural networks for urban inundation analysis." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 38, No. 5, pp. 671-683 (in Korean).
Ministry of Land, Infrastructure and Transport (MOLIT) (2016). River design standard (in Korean).
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D. and Veith, T. L. (2007). "Model evaluation guidelines for systematic quantification of accuracy in watershed simulations." American Society of Agricultural and Biological Engineering, Vol. 50, No. 3, pp. 885-900.
Nash, J. E. and Sutcliffe, J. V. (1970). "River flow forecasting through conceptual models, Part I - A discussion of principles." Journal of Hydrology, Vol. 10, No. 3, pp. 282-290.
Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasastri, K. S. (2005). "Short-term flood forecastig with a neuro-fuzzy model." Water Resources Research, Vol. 41, No. 4, W04004.
Shen, H. Y. and Chang, L. C. (2013). "Online multistep-ahead inundation depth forecasts by recurrent NARX networks." Hydrology and Earth System Sciences, Vol. 17, pp. 935-945.
Toth, E. (2009). "Classification of hydro-meteorological conditions and multiple artificial neural networks for stream forecasting." Hydrology and Earth System, Vol. 13, pp. 1555-1566.
Ulsan Metropolitan City (2017). Analysis of flood damage in bancheon hyundai apartment in Ulju-gun (in Korean).
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.