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 영산강 유역을 대표하는 나주지점의 유출량을 예측하기 위하여 대상지점에 영향을 미치는 광주와 능주 및 동곡지점의 세 지점에 대한 평균 강우자료를 이용하여 강우-유출관계를 모형화하고자 하였다. 연구방법으로는 예측모형의 구성을 위해 자기조직화 이론을 인공신경망 모형의 전처리 과정으로 적용하였다.
제안 방법
- SOM의 적용을 위해 광주, 동곡, 능주우량관측소의 평균 우량과 나주유출량의 30분 자료로부터 2006년 6월 1일부터 2007년 10월 31일까지의 홍수사상 2,833쌍의 자료를 선택하여 각 우량관측소와 나주유출량간의 상관분석으로부터 산정된 시차를 적용하여 2,833×6 행렬의 SOM 입력자료를 구축하였다.
- 또한 본 연구에서 제안한 모형과 기존의 인공신경망 모형을 이용하여 홍수 예·경보발령을 위해 필요한 선행예보 최소시간인 3시간 후의 유출량을 예측하여 그 결과를 비교하였다.
- 또한 강우-유출관계를 규명하기 위한 대부분의 연구들이 홍수기의 강우 및 유출 자료를 이용하기 때문에 개발된 예측모형이 홍수사상에 한정되는 한계를 보여주고 있다. 이에 본 연구에서는 기존의 인공신경망 연구에서 야기된 현상들을 해결하기 위하여 탁월한 패턴분류 성능을 지닌 자기조직화 이론을 도입하여 자료의 전처리 과정으로 이용하였다. 자기조직화 이론을 강우-유출 예측모형의 전처리 과정으로 도입한 본 연구의 방법을 홍수예 경보시스템 개선을 위한 방법론으로 제시하기 위해 영산강 유역을 대표하는 나주지 점을 대상지점으로 선정하여 대상지점에 영향을 미치는 광주, 능주, 동곡지점의 평균강우량을 이용하여 유출량 예측을 위한 강우-유출관계를 모형화 하였다.
- 이와 같은 과정으로 본 연구에서 제안한 모형과 기존의 인공신경망 모형을 이용하여 홍수 예·경보발령을 위해 필요한 선행예보 최소시간인 3시간 후의 유출량을 예측하여 그 결과를 비교하였 다.
- 이에 본 연구에서는 기존의 인공신경망 연구에서 야기된 현상들을 해결하기 위하여 탁월한 패턴분류 성능을 지닌 자기조직화 이론을 도입하여 자료의 전처리 과정으로 이용하였다. 자기조직화 이론을 강우-유출 예측모형의 전처리 과정으로 도입한 본 연구의 방법을 홍수예 경보시스템 개선을 위한 방법론으로 제시하기 위해 영산강 유역을 대표하는 나주지 점을 대상지점으로 선정하여 대상지점에 영향을 미치는 광주, 능주, 동곡지점의 평균강우량을 이용하여 유출량 예측을 위한 강우-유출관계를 모형화 하였다.
대상 데이터
- 수위 및 강우자료는 영산강홍수통제소의 30분 자료를 이용하였고, 나주지점의 수위자료를 유출량자료로 환산하기 위해 『영산강 유량측정 보고서』(영산강홍수통제소, 2006, 2007)의 나주지점의 수위-유량관계곡선을 이용하였다. 본 연구를 위한 전체 자료는 각 우량관측소의 우량과 나주유출량의 30분 자료로부터 2006년 6월 1일부터 2007년 10월 31일까지의 자료의 홍수사상을 선별하여 이용하였다.
- 본 연구의 대상지점인 영산강 유역은 우리나라 서남부에 위치하며, 총 유역면적은 3,455km2이고, 본류의 유로연장은 129.5km이며, 유출량 예측을 위하여 영산강 본류의 대표지점인 나주수위관 측소와 그에 영향을 미치는 상류의 광주, 동곡, 능주강우관측소을 선정하였다. 수위 및 강우자료는 영산강홍수통제소의 30분 자료를 이용하였고, 나주지점의 수위자료를 유출량자료로 환산하기 위해 『영산강 유량측정 보고서』(영산강홍수통제소, 2006, 2007)의 나주지점의 수위-유량관계곡선을 이용하였다.
- 5km이며, 유출량 예측을 위하여 영산강 본류의 대표지점인 나주수위관 측소와 그에 영향을 미치는 상류의 광주, 동곡, 능주강우관측소을 선정하였다. 수위 및 강우자료는 영산강홍수통제소의 30분 자료를 이용하였고, 나주지점의 수위자료를 유출량자료로 환산하기 위해 『영산강 유량측정 보고서』(영산강홍수통제소, 2006, 2007)의 나주지점의 수위-유량관계곡선을 이용하였다. 본 연구를 위한 전체 자료는 각 우량관측소의 우량과 나주유출량의 30분 자료로부터 2006년 6월 1일부터 2007년 10월 31일까지의 자료의 홍수사상을 선별하여 이용하였다.
데이터처리
- 강우-유출관계의 패턴분류를 수행하지 않은 기존의 인공신경망 예측모형과 본 연구에서 적용한 SOM에 의해 패턴분류를 수행한 후 예측모형에 적용한 결과를 상호 비교하여 Fig. 5에 나타내었다.
이론/모형
- 본 연구에서는 영산강 유역을 대표하는 나주지점의 유출량을 예측하기 위하여 대상지점에 영향을 미치는 광주와 능주 및 동곡지점의 세 지점에 대한 평균 강우자료를 이용하여 강우-유출관계를 모형화하고자 하였다. 연구방법으로는 예측모형의 구성을 위해 자기조직화 이론을 인공신경망 모형의 전처리 과정으로 적용하였다. 또한 본 연구에서 제안한 모형과 기존의 인공신경망 모형을 이용하여 홍수 예·경보발령을 위해 필요한 선행예보 최소시간인 3시간 후의 유출량을 예측하여 그 결과를 비교하였다.
성능/효과
- (1)SOM을 전처리 과정으로 적용한 결과 강우-유출관계에 따라 다양한 패턴으로 구분할 수 있었으며, 구분된 패턴들은 강우현상과 유출 양상이 복합적으로 잘 반영되어 있었다.
- (2) 기존의 인공신경망 모형과 SOM을 전처리 과정으로 이용한 인공신경망 모형을 상호 비교한 결과 훈련의 RMSE는 0.076과 0.0624로, R2은 0.8942와 0.9797로 각각 나타났으며, 검증의 RMSE는 0.09217에서 0.0778로 개선되었고, R2은 0.8957에서 0.9971로 향상되어 과소 및 과대평가되는 현상을 개선할 수 있었다.
- (3) 관측값과 예측값의 산포도 결과에 의하면 수문곡선의 상승부(이상선의 우측)의 과소평가가 하강부(이상선의 좌측)의 과대평가로 반시계방향으로 전이되는 Persistence 현상이 명확하게 나타나고 있으나, SOM을 전처리 과정으로 이용한 인공신경망의 경우는 이상선 상에 집중 분포되어 있으며 전이현상이 나타나지 않아 Persistence 현상이 제거되었다.
- SOM 모형의 입력자료 구축을 위해 광주, 동곡, 능주우량관측소의 강우량이 나주지점 유출량에 기여하는 시차를 산정하기 위해 무강우를 제외한 각 강우관측소의 강우자료와 그에 대한 지체시 간을 적용한 나주지점의 유출량자료 사이의 상관분석을 실시한 결과 Fig. 2와 같이 광주강우관측소는 15시간, 동곡, 능주우량관측소 모두 16시간 후가 가장 높은 상관성을 갖는 값으로 분석되었다. 그러므로 입력벡터 x(t)는 나주지점의 유출량과 각 우량관측소의 지체시간을 고려한 평균강우량에 1시간 30분의 시차를 고려하면 식 1과 같은 6차원 구조의 SOM 훈련 데이터의 구조가 된다.
- 그러나 Fig. 7에서와 같이 SOM을 전처리 과정으로 이용한 인공신경망의 경우는 관측값과 예측 값의 도시가 이상선 상에 집중 분포되어 있으며 전이현상이 나타나지 않아 이전단계의 예측값에 지속성을 갖는 Persistence 현상이 제거되었음을 확인할 수 있었다. 또한 결정계수의 비교에서도 기존의 방법을 적용한 0.
- 7에서와 같이 SOM을 전처리 과정으로 이용한 인공신경망의 경우는 관측값과 예측 값의 도시가 이상선 상에 집중 분포되어 있으며 전이현상이 나타나지 않아 이전단계의 예측값에 지속성을 갖는 Persistence 현상이 제거되었음을 확인할 수 있었다. 또한 결정계수의 비교에서도 기존의 방법을 적용한 0.9812보다 더 정도 높은 0.9979로 우수한 예측력을 보여주었다.
후속연구
- (4) 향후 심화 연구를 위하여 강우자료 또는 유출량자료만을 이용한 단일변량의 패턴분류를 위해 SOM의 적용이 가능할 것으로 판단되며, 이는 각 변량의 본질적인 특성을 파악할 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.