[논문]인공신경망 Downscaling모형에 있어서 최적신경망구조 선택기법

강부식; 류승엽; 문수진

인공신경망 Downscaling모형에 있어서 최적신경망구조 선택기법
Optimal Network Selection Method for Artificial Neural Network Downscaling Method 원문보기

강부식 (단국대학교 토목환경공학과) , 류승엽 (단국대학교 토목환경공학과) , 문수진 (단국대학교 토목환경공학과)

CGCM3.1 SRES B1 시나리오의 2D 변수들을 입력값으로 인공신경망 모형을 이용한 스케일 상세화기법으로 강부식(2009)은 소양강댐 유역의 월 누적강수 경향분석을 실시하였다. 원시 GCM 시나리오를 스케일 상세화 시키기 위한 기법의 하나로 인공신경망 모형을 사용할 수 있는데, 이 경우 GCM에서 모의되는 강수플럭스, 해면기압, 지표면 근처에서의 일 평균온도, 지표면 근처에서의 일평균온도, 지표면으로부터 발생하는 잠열플럭스 등과 같은 22개의 변수를 잠재적인 예측인자로 사용하여 신경망을 구성하게 된다. 입력변수세트의 구성은 인공신경망의 계산 효율을 좌우하는 중요한 요소라 할 수 있다. 본 연구에서는 변수의 물리적 특성을 고려하여 순차적인 변수선택을 통한 신경망 입력변수 세트를 구성하고 입력세트 간의 학습성과 비교를 통하여, 최적 입력변수 선정 및 신경망의 학습효과를 높일 수 있는 방법에 대해 연구하였다. 물리적 상관성이 높다고 판단되는 GCM_Prec, huss, ps를 입력변수로 하여 순차적인 케이스를 학습해본 결과 huss와 ps를 입력변수로 하는 케이스에 대해서 적은 오차와 높은 상관성을 보였다, 또한, 신경망의 학습 효과를 높이기 위해 홍수기와 비홍수기로 구분하여 학습한 결과 홍수기와 비홍수기로 구분하여 신경망을 구성하였을 경우가 향상된 모의값을 나타내었다. 기후변화모의자료는 CCCma(Canadian Center for Climate Modeling and Analysis)에서 제공되는 CGCM3.1/T63 20C3M 시나리오를 사용하였으며, 관측값으로는 AWS에서 제공된 일 누적강수를 사용하였다. 인공신경망의 학습기간은 1997년부터 2000년이며, 검증기간은 2001년부터 2004년으로 구성하였다.

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

문제 정의

본 연구에서는 물리적 상관성이 높다고 판단되는 CGCM3.1/T63 20C3M의 2D변수들을 이용하여 신경망의 학습효과를 높일 수 있는 방법에 대해 연구하였다. GCM_Prec, huss, ps만을 입력변수로 구성하여 순차적인 신경망의 학습 및 검증을 해본 결과, huss와 ps만을 입력변수로 하여 신경망을 구성한 Case 4의 경우가 MERR = 0.
다양한 대기변수들의 비선형 조합으로 생성되는 신경망의 경우 물리적인 상관성이 낮은 대기변수들의 입력변수에 포함될 경우 학습효과가 저하되는 경향이 있다. 이에, 본연구에서는 물리적 특성을 고려하여 순차적인 변수선택을 통한 신경망 입력변수 세트를 구성하고 입력세트 간의 학습성과 비교를 통하여, 최적 입력변수 선정 및 신경망의 학습효과를 높일 수 있는 방법에 대해 연구하였다.

제안 방법

CGCM3.1/T63 20C3M의 2D변수들 중 물리적 특성이 상관성이 크다고 판단되는 변수들을 이용하여 목표값과의 학습을 통해 인공신경망의 각 층사이의 가중치가 결정된 신경망 구조를 CGCM3.1/T63 SRES B1(프로젝트 시나리오)를 이용하여 2001년부터 2004년 12월 31년까지의 월누적강수량을 보정 후, 관측데이터를 이용하여 검증하였다. 검증하기 위한 방법으로는 평균오차(MERR)와 상관계수(CORR)를 이용하였으며, MERR은 0값에 가까울수록 오차가 적고, CORR은 1값에 가까울수록 관측값에 일치함을 나타낸다.
1/T63 20C3M 일자료를 사용하였으며, 1997년 1월 1일부터 2000 12월 31일까지를 학습기간으로 구성하였다. 모의된 신경망의 검증을 위해서 CGCM3.1/T63 SRES B1 시나리오를 사용하였다.
물리적인 상관성이 크다고 판단되는 변수들을 이용하여 학습케이스별 신경망을 1997년부터 2000년까지의 AWS 관측값을 목표값으로 설정하고 역전파 알고리즘을 이용하여 학습을 실시하였다. Case 1에서 1998년도의 경우 관측값과 모의값과의 연간 강우량의 차이가 289.
강부식(2009)은 다양한 대기 변수들의 조합으로 인공신경망의 구조를 결정하였는데, 다양한 대기변수들이 신경망을 구성하는데 얼마나 영향을 미치는지 파악하기 위한 과정으로 물리적인 상관성이 크다고 판단되는 변수만을 선정하여 본 연구를 진행하였다. 순차적인 변수들의 조합으로 신경망을 구성하기 위해서 물리적 상관성이 크다고 판단되는 GCM_Prec(가강수량), huss(증발산), ps(대기압)을 입력변수로 선정하여 Case별로 입력세트를 구분하였다. 이에 더해, 계절성 강우특성이 강한 한반도에서의 강우예측을 위한, 신경망 구성의 학습효과 향상을 위해서 홍수기와 비홍수기로 나눈 학습케이스를 추가하였다.
인공신경망과 같은 비선형모형은 비선 형관계들을 표현할 때 전형적인 선형방법들보다 뛰어나다(Cannon, 2007). 신경망의 계층구조에 따라 입력층과 출력층만 존재하는 단층신경망과 입력층, 하나이상의 중간층(은닉층), 출력층이 존재 하는 다층신경망으로 구분되는데, 일반적으로 많이 쓰이는 다층신경망의 구조를 사용하였으며, 다층신경망의 구조는 그림1과 같다. 본 연구에 쓰인 역전파알고리즘은 미분 가능한 활성화함수를 사용하여 경사하강법을 통하여 오차함수의 최소값을 찾아 가중치의 크기를 결정하는 방법이며(Rojas, 1996) 인공신경망의 학습방법중 하나로 일반적으로 많이 사용되어오고 있다.
순차적인 변수들의 조합으로 신경망을 구성하기 위해서 물리적 상관성이 크다고 판단되는 GCM_Prec(가강수량), huss(증발산), ps(대기압)을 입력변수로 선정하여 Case별로 입력세트를 구분하였다. 이에 더해, 계절성 강우특성이 강한 한반도에서의 강우예측을 위한, 신경망 구성의 학습효과 향상을 위해서 홍수기와 비홍수기로 나눈 학습케이스를 추가하였다.

대상 데이터

본 연구의 대상유역으로는 낙동강를 선정하였으며, 낙동강 소유역(2001-2012)을 상류로 구분하였다. 낙동강 상류 유역에서의 신경망 구성에 사용된 예측 변수는 한국기상청에서 제공하는 AWS의 일평균강우량과 CCCma에서 제공하는 CGCM3.1/T63 20C3M 일자료를 사용하였으며, 1997년 1월 1일부터 2000 12월 31일까지를 학습기간으로 구성하였다. 모의된 신경망의 검증을 위해서 CGCM3.
본 연구의 대상유역으로는 낙동강를 선정하였으며, 낙동강 소유역(2001-2012)을 상류로 구분하였다. 낙동강 상류 유역에서의 신경망 구성에 사용된 예측 변수는 한국기상청에서 제공하는 AWS의 일평균강우량과 CCCma에서 제공하는 CGCM3.

성능/효과

639로 가장 높은 검증결과를 보여주었다. Case 4에 대해 홍수기와 비홍수기로 구분하여 신경망을 구성(Case 5)해본 결과, 신경망을 모의하는데 있어서 홍수기와 비홍수기를 구분하여 학습시킬 경우, MERR = 0.43, CORR = 0.658 로 향상된 결과를 얻을수 있었다. 본 연구를 통하여 물리적 상관성이 큰 입력변수만으로 신경망을 구성하여 강우예측을 하여도 충분히 신뢰성 있는 예측값을 얻을 수 있음을 알 수 있었고, 홍수기와 비홍수기로 구분하여 신경망을 구성하는 것이 향상된 강우모의값을 얻을 수 있음을 알 수 있었다.
1/T63 20C3M의 2D변수들을 이용하여 신경망의 학습효과를 높일 수 있는 방법에 대해 연구하였다. GCM_Prec, huss, ps만을 입력변수로 구성하여 순차적인 신경망의 학습 및 검증을 해본 결과, huss와 ps만을 입력변수로 하여 신경망을 구성한 Case 4의 경우가 MERR = 0.45, CORR = 0.639로 가장 높은 검증결과를 보여주었다. Case 4에 대해 홍수기와 비홍수기로 구분하여 신경망을 구성(Case 5)해본 결과, 신경망을 모의하는데 있어서 홍수기와 비홍수기를 구분하여 학습시킬 경우, MERR = 0.
이론적으로 가장 물리적인 상관성이 크다고 판단되는 변수이지만, 한반도의 지역적 특성과는 상관성이 떨어진다는 것을 알 수 있다. huss가 입력변수로 선정된 경우 신경망의 구성에 있어서 높은 상관성을 보여주었는데, huss가 한반도의 계절성 강우특성과 높은 상관성을 가지고 있다고 판단된다. 신경망의 학습이 잘 이루어졌다고 판단되는 Case 4의 변수들을 이용해서 홍수기와 비홍수기로 구분하여 신경망을 구성한 Case 5의 결과, 관측값과 모의값의 연간 강우량 차이가 1998년에 9.
1/T63 SRES B1(프로젝트 시나리오)를 이용하여 2001년부터 2004년 12월 31년까지의 월누적강수량을 보정 후, 관측데이터를 이용하여 검증하였다. 검증하기 위한 방법으로는 평균오차(MERR)와 상관계수(CORR)를 이용하였으며, MERR은 0값에 가까울수록 오차가 적고, CORR은 1값에 가까울수록 관측값에 일치함을 나타낸다. 스케일상세화를 통해 얻은 결과값과 대상유역에서 관측된 월 누적강우를 검정한 결과가 그림3과 표2에 나타나있다.
658 로 향상된 결과를 얻을수 있었다. 본 연구를 통하여 물리적 상관성이 큰 입력변수만으로 신경망을 구성하여 강우예측을 하여도 충분히 신뢰성 있는 예측값을 얻을 수 있음을 알 수 있었고, 홍수기와 비홍수기로 구분하여 신경망을 구성하는 것이 향상된 강우모의값을 얻을 수 있음을 알 수 있었다.
5가지의 학습 케이스 중 GCM_Prec가 입력변수중 하나로 선정되어 신경망이 학습된 경우, 신경망의 학습이 저하되는 양상을 보이고 있다. 이론적으로 가장 물리적인 상관성이 크다고 판단되는 변수이지만, 한반도의 지역적 특성과는 상관성이 떨어진다는 것을 알 수 있다. huss가 입력변수로 선정된 경우 신경망의 구성에 있어서 높은 상관성을 보여주었는데, huss가 한반도의 계절성 강우특성과 높은 상관성을 가지고 있다고 판단된다.

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

인공신경망 Downscaling모형에 있어서 최적신경망구조 선택기법
Optimal Network Selection Method for Artificial Neural Network Downscaling Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공신경망 Downscaling모형에 있어서 최적신경망구조 선택기법 Optimal Network Selection Method for Artificial Neural Network Downscaling Method 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공신경망 Downscaling모형에 있어서 최적신경망구조 선택기법
Optimal Network Selection Method for Artificial Neural Network Downscaling Method 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper