초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

효율적인 장기 수자원 운영을 위하여 미래의 강수량을 예측하는 것은 중요하다. 특히 월 또는 계절단위의 강수량의 정량적인 예측이 필요하다. 우리나라에서는 기상청에서 향후 3개월의 강수량과 온도에 대하여 정성적으로 예측을 하고 있다. 정성적인 예측은 적음과 많음만을 나타내어 정보를 활용하기에 많은 제약이 있다. 기상수치모형을 통한 예측의 경우 월간과 같은 시간스케일에서 정량적인 예측이 가능하나 예측 정확도가 떨어지는 문제로 인하여, 일반적으로 정성적인 예측을 하고 있다. 이런 문제점을 극복하고자 본 연구에서는 기상수치모형을 이용하지 않고 시계열 모형을 이용하여 월강수량을 예측하고자 한다. 기존의 통계학에서 사용되는 시계열 모형과 자기학습모형 등을 이용하여 정량적인 월 강수량을 예측하는 다양한 모형을 구성하고, 각 모형의 적용성을 평가하고자 한다.

효율적인 장기 수자원 운영을 위하여 미래의 강수량을 예측하는 것은 중요하다. 특히 월 또는 계절단위의 강수량의 정량적인 예측이 필요하다. 우리나라에서는 기상청에서 향후 3개월의 강수량과 온도에 대하여 정성적으로 예측을 하고 있다. 정성적인 예측은 적음과 많음만을 나타내어 정보를 활용하기에 많은 제약이 있다. 기상수치모형을 통한 예측의 경우 월간과 같은 시간스케일에서 정량적인 예측이 가능하나 예측 정확도가 떨어지는 문제로 인하여, 일반적으로 정성적인 예측을 하고 있다. 이런 문제점을 극복하고자 본 연구에서는 기상수치모형을 이용하지 않고 시계열 모형을 이용하여 월강수량을 예측하고자 한다. 기존의 통계학에서 사용되는 시계열 모형과 자기학습모형 등을 이용하여 정량적인 월 강수량을 예측하는 다양한 모형을 구성하고, 각 모형의 적용성을 평가하고자 한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 정성적인 예보의 한계점을 극복하고 자 본 연구는 정량적인 월강수량 예측기법에 대하여 연구하였다. 본 연구는 장기간의 강수 예측을 위하여 적응형 뉴로-퍼지 시스템(Adaptive Nuero-Fuzzy Inference System, ANFIS)을 이용한 월강수량 예측 방법을 제안하였다. ANFIS 모형은 인공신경망과 퍼지모형의 특징을 가지는 모형으로 자료간의 관계가 선형이 아닌 비선형관계를 가질 경우 매우 정확한 예측모형을 구축할 수 있는 특징이 있다.
• 입력자료로 사용되는 관측 월기후자료들은 서로간의 특성이 매우 상이하며, 또한 관측값들의 크기에 따른 민감도가 달라 자료 그대로를 사용하기에는 무리가 있다. 본 연구에서는 관측값들의 크기를 일정한 수준의 크기로 맞추어 주기 위하여 표준화 방법을 적용하여 입력자료들을 전처리 하였다. 식 (6)은 표준화 방법을 나타낸 식이다.
• 장기기상전망은 정량적인 강수량을 나타내지 않고 정성적인 강수량을 예측 하고 있다. 정성적인 예보의 한계점을 극복하고 자 본 연구는 정량적인 월강수량 예측기법에 대하여 연구하였다. 본 연구는 장기간의 강수 예측을 위하여 적응형 뉴로-퍼지 시스템(Adaptive Nuero-Fuzzy Inference System, ANFIS)을 이용한 월강수량 예측 방법을 제안하였다.

제안 방법

• ANFIS 모형의 입력자료로는 월 관측 기상 자료를 사용하였다. 1변수 입력자료 집합과 2변수 입력자료 집합을 이용하여 모형을 학습하였고, 그 결과를 분석하였다.
• 대전 지점의 관측 월 기후자료를 이용하여 다음 월강수량을 예측하는 ANFIS 모형을 구축하였다. 1변수 입력자료 집합과 2변수 입력자료 집합을 입력변수로 사용하여 총 435개의 월강수량 예측 모형을 구축하였다. 각 모형의 정확도를 비교해본 결과 2변수 입력변수 집합을 사용하였을 때 1변수를 사용한 것보다 RMSE를 기준으로 낮은 값을 보이는 입력자료 집합을 찾아 낼 수 있었다.
• 본 연구에서는 한 변수에 세 개의 rulse을 적용하였으며, 적용된 membership 함수는 gaussian 2변수 함수를 적용하였다. 4번 layer에서 적용되는 defuzzification 방법으로는 linear 방법이 적용되 었다.

대상 데이터

• 본 연구의 대상 지점으로는 금강유역의 대전지점으로 선정하였다. ANFIS 모형의 입력자료로는 월 관측 기상 자료를 사용하였다. 1변수 입력자료 집합과 2변수 입력자료 집합을 이용하여 모형을 학습하였고, 그 결과를 분석하였다.
• 월강수량 예측이 관측된 기상자료들과 비선형 관계에 있다고 생각되어 ANFIS 모형을 이용하여 월강수량을 예측하였다. 본 연구의 대상 지점으로는 금강유역의 대전지점으로 선정하였다. ANFIS 모형의 입력자료로는 월 관측 기상 자료를 사용하였다.
• 사용된 관측 자료는 총 41년치 자료를 사용하였으며, 모형을 학습시키는 데 1969∼2005년까지 자료를 사용하였고 2006∼2009년까지 자료를 사용하여 모형의 성능을 검증하였다.
• 월강수량 예측 모형의 입력변수로 기상청에서 제공하는 대전 지점 관측 월기후자료를 사용하였다. 관측 월기후자료를 사용한 목적은 관측 기후변수들에 비하여 사용자가 구하기 쉽고 비교적 연관성이 크다고 생각되어 적용하였다.
• 입력자료로 사용된 관측 월기후자료는 총 29개이다. 목표값을 다음 월 월강수량으로 하였다.
• 2변수 입력자료 집합을 입력하여 ANFIS 모형을 학습시켰다. 총 406개의 모형을 구축하였다. RMSE를 기준으로 하였을 때 몇몇 모형의 경우 1변수 입력자료 집합을 사용한 것 보다 작은 값을 보였고 몇몇 모형의 경우는 큰 값을 보였다.

이론/모형

• 1변수 입력자료 집합을 입력하여 ANFIS 모형을 학습시켰다. 총 29개의 모형을 구축하였으며, 표 2는 29개의 모형의 예측 정확도를 RMSE로 나타낸 것이다.
• 2변수 입력자료 집합을 입력하여 ANFIS 모형을 학습시켰다. 총 406개의 모형을 구축하였다.
• ANFIS 모형은 결과를 도출하는 큰 틀은 fuzzy-system이나, fuzzy-system의 매개변수들을 도출해 내는 방법은 neural network와 같이 역전파(backpropagation) 방법을 적용한다. 이런 구조적인 특성은 입력변수들을 모형에 학습시키기 전 자료특성에 맞는 전처리를 거쳐야 한다.
• 대전 지점의 관측 월 기후자료를 이용하여 다음 월강수량을 예측하는 ANFIS 모형을 구축하였다. 1변수 입력자료 집합과 2변수 입력자료 집합을 입력변수로 사용하여 총 435개의 월강수량 예측 모형을 구축하였다.
• ANFIS 모형은 인공신경망과 퍼지모형의 특징을 가지는 모형으로 자료간의 관계가 선형이 아닌 비선형관계를 가질 경우 매우 정확한 예측모형을 구축할 수 있는 특징이 있다. 월강수량 예측이 관측된 기상자료들과 비선형 관계에 있다고 생각되어 ANFIS 모형을 이용하여 월강수량을 예측하였다. 본 연구의 대상 지점으로는 금강유역의 대전지점으로 선정하였다.

성능/효과

• 1변수 입력자료 집합과 2변수 입력자료 집합을 입력변수로 사용하여 총 435개의 월강수량 예측 모형을 구축하였다. 각 모형의 정확도를 비교해본 결과 2변수 입력변수 집합을 사용하였을 때 1변수를 사용한 것보다 RMSE를 기준으로 낮은 값을 보이는 입력자료 집합을 찾아 낼 수 있었다. 예측 결과 갈수기에는 일정수준의 정확도를 보이나 7∼10월의 결과가 잘 안 맞는 것으로 나타났다.
• 각 모형의 정확도를 비교해본 결과 2변수 입력변수 집합을 사용하였을 때 1변수를 사용한 것보다 RMSE를 기준으로 낮은 값을 보이는 입력자료 집합을 찾아 낼 수 있었다. 예측 결과 갈수기에는 일정수준의 정확도를 보이나 7∼10월의 결과가 잘 안 맞는 것으로 나타났다. 향후 7∼10월에 강수량에 영향을 주는 인자를 찾아 학습할 경우 보다 정확한 예측이 가능할 것으로 생각된다.
• 그림 2는 RMSE 값이 가장 작은 16번 변수를 이용하여 학습한 결과를 나타낸 것이다. 예측 결과를 보면 7월, 8월 9월 자료가 잘 안맞는 것으로 나타났다. 이러한 이유는 장마기간의 강수량 발생 요인으로 적용된 전월 기후자료와 연관성이 적은 사건의 발생하여 ANFIS 모형이 전 월 관측자료에서 그 영향을 파악하지 못하였기 때문에 일어나는 것으로 생각된다.

후속연구

• 예측 결과 갈수기에는 일정수준의 정확도를 보이나 7∼10월의 결과가 잘 안 맞는 것으로 나타났다. 향후 7∼10월에 강수량에 영향을 주는 인자를 찾아 학습할 경우 보다 정확한 예측이 가능할 것으로 생각된다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기