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
- 시간당 총강우량은 시우량 자료로부터 산정된 면적평균강우량에 유역면적을 곱하여 계산하였으며 임의 유역에서 1시간동안 강하한 강우의 체적으로 유역면적의 크기와 유출량의 관계를 학습하고자 하였다. 신경망 모형은 입력과 출력만을 고려하여 복잡한 유출해석 과정을 단순화할 수 있다고 판단되어 물리적인 모형에서 고려되는 손실량 및 기타 매개변수 등은 고려하지 않았다.
제안 방법
- 미 계측지 점인 수질자동측정 망 지 점 에서 취득할 수 있는 것은 T/M 강우관측소의 강우 기록이므로 강우량의 크기에 따른 유출예측이 이루어져야 한다. 따라서 수질자동측정망 지점으로부터 상류에 위치한 판운 지점에서의 유량(t), 하류에 위치한 영월1 지점에서의 유량(t), 수질자동측정망 지점의 시간당 총 강우량(t)을 입력 자료로 하였으며 수질자동측정망 지점에서의 유출량(t+1)을 출력하도록 구성하였다. 유출예측 신경망 모형의 입출력 구성을 표 2에 나타내었다.
- 그러나 T/M 수위관측소와 수질자동측정망 지점이 원거리에 위치하여 수질자동측정망 지점에서 정확한 실시간 유량자료를 획득하기에 어려운 지점이 많다. 따라서 연구에서는 신경망 모형을 적용하여 미계측지점인 평창강 수질자동측정망 지점에서의 유출량을 예측하고 강우-유출 모형인 WMS 모형에 의한 계산 값과 비교.검토하고자 한다.
- 없다. 따라서 유출량 자료가 존재하는 판운 지점의 시간당 총강우량을 입력으로 유출량을 학습하고 또한 영월1 지점에서의 시간당 총강우량을 입력으로 유출량을 학습하도록 하였다. 또한 유출량의 시간적 변화량을 학습하기위해 예측시점 (t+1) 에서 한단 계이전(t)인 판운과 영월1 지점의 유량자료를 입력 항에 추가하였다.
- 따라서 유출량 자료가 존재하는 판운 지점의 시간당 총강우량을 입력으로 유출량을 학습하고 또한 영월1 지점에서의 시간당 총강우량을 입력으로 유출량을 학습하도록 하였다. 또한 유출량의 시간적 변화량을 학습하기위해 예측시점 (t+1) 에서 한단 계이전(t)인 판운과 영월1 지점의 유량자료를 입력 항에 추가하였다. 강우량의 총량과 유출량과의 관계를 해석하도록 학습된 유출예측 신경망 모형의 학습 결과를 그림 4에 나타내었다.
- 실시간 수위기록이 이루어지지 않는 수질자동측정망 지점에서의 유출량을 계산하기 위하여 상하류의 유출 특성과 시간당 총강우량의 크기를 고려하였다.
- 연구에서는 유역의 DEM 자료를 이용하여 지형학적 특성을 분석하였으며 유출량 산정이 요구되는 미계측지점과 수위관측소가 위치한 계측지점들을 중심으로 소유역을 분할하고 SCS 방법을 이용하여 유출 모의를 수행하였다. 수질자동 측정망 지점의 상류에 위치한 판운지점에서의 유출모의 결과를 그림 5에 나타내었다.
- 강우량의 총량과 유출량과의 관계를 해석하도록 학습된 유출예측 신경망 모형의 학습 결과를 그림 4에 나타내었다. 유출예측 신경망 모형의 검증 시 실측치가 존재하지 않으므로 모형의 검정은 학습 오차 0.01 을 기준으로 충분한 학습을 수행하였다.
- 평창강 유역의 DEM 및 Grid 자료를 이용하여 지형학적 인자를 추출하였으며 강우관측소의 경위도좌표를 UTM 좌표로 변환하여 수치 지형도상에서 티센망을 구성하였다. 연구에서 분석한 대상 유역의 특성 중 그림 2에 음영도, 수계망, 소유역별 지형학적 특성을 나타내었으며 그림 3에 강우관측소에 의해 구성된 Thiessen망과 표 1에 Thiessen 계수를 나타내었다.
대상 데이터
- 환산하였다. 강우자료는 14개 강우관측소의 강우 자료를 이용하였으며 자료의 기간은 1997년~2002년이다.
- 대상유역은 평창강 유역이며 유량 미계측 지점인 평창강 수질자동측정망 지점은 주천강과 평창강의 합류부로부터 하류에 위치한 충북 제천시 송학면 장곡리에 있다. 평창강 수질자동측정망 지점으로부터 약 11km 하류에 영월1 T/M 수위관측소가 위치하고 있어 유량측정 지점과 수질 자동측정 지점 사이로 지천들이 유입하고 있다.
- 평창강 유역내에는 운영중에 있는 T/M 강우관측소가 많아 조밀한 Thiessen망을 구성할 수 있어 보다 정확한 자료 획득이 용이하며 진부, 봉평, 청일, 수항, 대화, 방림, 청옥산, 평창, 운학, 안흥, 연덕, 수주, 신림, 제천의 14개 T/M 강우관측소로부터 시우량 자료를 취득하였다.
이론/모형
- 모형의 적용을 위해 평창강 유역내 5개의 수위관측소의 수위 자료를 이용하였으며 수위-유량 관계곡선식을 이용하여 유량으로 환산하였다. 강우자료는 14개 강우관측소의 강우 자료를 이용하였으며 자료의 기간은 1997년~2002년이다.
- 미계측 지점에서 SCS 방법에 따른 유출량을 산정하였으며 유출예측 신경망 모형에 의해 예측된 유출량과의 비교에 사용되었다. 미계측 지점인 수질자동측정망 지점에 SCS 방법을 적용하기 위해 WMS 모형을 이용하였다.
- 비교에 사용되었다. 미계측 지점인 수질자동측정망 지점에 SCS 방법을 적용하기 위해 WMS 모형을 이용하였다. 수질자동측정망 지점과 영월1 지점이 지배하는 유역면적으로부터 면적비유량(Discharge per Unit Drainage Area; DUDA)을 산정하여 확정론적 모형인 WMS 모형의 모의결과와 추계학적 형태로 구성된 신경망 모형의 예측결과와 비교하여 그림 7에 나타내었다.
성능/효과
- 785%보다 좋은 결과를 보였다. 단일호우사상의 상관계수는 각각 0.994, 0.973, RMSE는 각각 9.141cms, 38.397cms였으며 복합호우 사상의 상관계수는 0.960, RMSE는 247.114cms로 분석되었다.
- 수질자동 측정망 지점의 상류에 위치한 판운지점에서의 유출모의 결과를 그림 5에 나타내었다. 단일호우사상인 2002년 4월 29일 사상과 2002년 8월 31일 사상에 대한 모의결과, 첨두유량 퍼센트오차(PEP)가 각각 1.895%, 3.112%로 복합호우 사상인 2002년 8월 5일 사상의 19.380%보다 작게 산정되었으며 유출용적 퍼센트오차(VE) 또한 각각 3.964%, 3.387%로 복합호우사상의 유출용적퍼센트오차 13.785%보다 좋은 결과를 보였다. 단일호우사상의 상관계수는 각각 0.
- 미계측 지점인 수질자동측정망 지점에서 유량예측 신경망 모형에 의한 예측유량과 SCS 방법을 적용한 WMS 모형의 계산치 및 면적비유량을 비교한 결과 신경망 모형은 WMS 모형에 의해 모의된 유출량과 진행 성향 및 첨두유량은 유사하였으나 유출용적이 전반적으로 적게 예측되었다. 또한 신경망 모형은 면적비유량과 보다 유사한 결과를 보였으며 면적비유량을 산정할 때 이용한 영월1 지점의 유량을 학습하였기 때문으로 판단된다.
- 신경망 모형은 WMS 모형보다 비유량과 유사한 결과를 보였으며 이는 영월1 수위관측지점에서 측정된 유량을 학습하였기 때문으로 판단된다. 신경망 모형에 의해 예측된 유출량과 WMS 모형에 의해 모의된 유출량은 진행성향과 첨두유량이 유사하였으나 WMS 모형에 의해 산정된 유출용적이 전반적으로 크게 나타났다.
후속연구
- 이상의 연구로부터 미계측 지점에서의 유출량 예측에 대한 신경망 모형의 적용 가능성을 검토하였으며 보다 정확한 유출량 예측을 위해 입력자료의 선정 및 알고리즘의 연구가 요구된다. 수질예측을 위한 추계학적 모형과 미계측 지점에서의 유출예측 신경망 모형이 연계된다면 유량과 수질측정지점이 원거리에 위치한 유역에서 실시간적인 수질예측이 가능할 것으로 판단된다.
- 또한 신경망 모형은 면적비유량과 보다 유사한 결과를 보였으며 면적비유량을 산정할 때 이용한 영월1 지점의 유량을 학습하였기 때문으로 판단된다. 이상의 연구로부터 미계측 지점에서의 유출량 예측에 대한 신경망 모형의 적용 가능성을 검토하였으며 보다 정확한 유출량 예측을 위해 입력자료의 선정 및 알고리즘의 연구가 요구된다. 수질예측을 위한 추계학적 모형과 미계측 지점에서의 유출예측 신경망 모형이 연계된다면 유량과 수질측정지점이 원거리에 위치한 유역에서 실시간적인 수질예측이 가능할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.