인공신경망 모형을 이용한 하천 수위예측에 관한 연구
Study on Water Level Prediction Based on Artificial Neural Network Model
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 하도추적, 구체적으로는 상류단의 복수의 수위관측을 이용하여 하류단의 수위를 예측하기 위하여 인공신경망 모델을 구성하였다. 대상하도는 금강유역의 용담댐과 대청댐 사이의 본류이며, 상류단 입력자료로서 본류에 있는 수통, 호탄 관측소 관측수위와 지류인 송천 관측소 관측수위를 고려하였다. 출력 값으로는 하류단의 옥천 관측소 수위를 3시간 및 6시간의 선행시간으로 예측하도록 인공신경망 모형을 구성하였다. 인공신경망 모형의 구성은 단일 히든레이어를 중심으로 이루어졌으며, Epoch number, Mini-batch size, Learning rate의 3가지 학습변수의 예측정확도에 대한 민감도를 분석하였다. 인공신경망의 학습(Training), 시험(testing), 검증(validation)을 위해 2000년부터2012년까지 13년간의 시수위자료를 이용하여 학습을 진행하였으며, 2013년부터 2014년의 2년간의수위자료를 이용한 시험을 통해 최적의 모형을 선정하였다. 또한 선정된 최적의 모형을 이용하여2015년부터 2016년까지의 수위예측을 수행하였다.
Abstract
In this study, artificial neural network model was constructed in order to predict the water level. The target stream is the main stream between Yongdam Dam and Daecheong Dam in the Geum river Basin, and as input data at the upstream, the observation water level at the Sutong and the Hotan observatory and the water level at the Songcheon observatory, which is a tributary, are considered as input data. As an output value, an artificial neural network model was constructed to predict the water level of the Okcheon station at the downstream with 3 hours and 6 hours lead time. The artificial neural network model was constructed around a single hidden layer, and the sensitivity to the prediction accuracy of three learning variables was analyzed: Epoch number, Batch size, and Learning rate. For training, testing, and validation of artificial neural networks, learning was conducted using observed water level data for 13 years from 2000 to 2012, and water level data for two years from 2013 to 2014. The optimal model was selected through the used test. In addition, water level prediction from 2015 to 2016 was performed using the selected optimal model.
참고문헌 (15)
- Ahn, Kyoung Soo, "A Study on the Simulation of Runff Hydrograph by Using Artificial Neural Network", Journal of Korean Water Resources Association, 31(1), pp.13~25 (1998)
- Ahn, Sang Jin, "Water Quality Forecasting at Gongju Station in Geum River Using Neural Network Model", Journal of Korean Water Resources Association, 34(6), pp.701~711 (2001)
- ASCE Task Committee, "Artificial Neural Networks in Hydrology I : Preliminary Concepts", Journal of Hydrologic Engineering, 5(2), pp.115~123 (2000)
- ASCE Task Committee, "Artificial Neural Networks in Hydrology II : Hydrologic Applications", Journal of Hydrologic Engineering, 5(2), pp.124~137 (2000)
- 지홍기, "신경망 이론과 수리학적 홍수추적에 의한 홍수예측에 관한 연구", 한국수자원학회 논문집, 47(2), pp.207~221 (2014), 한국수자원학회
- 강부식, "중규모수치예보자료의 정량적 강수추정량 개선을 위한 인공신경망기법", 한국수자원학회 논문집, 44(2), pp.97~107 (2011), 한국수자원학회
- 김광섭, "상층기상자료와 신경망기법을 이용한 면적강우 예측", 한국수자원학회 논문집, 39(8), pp.717~726 (2006), 한국수자원학회
- 김미은, "신경망 모형을 이용한 단기조류예측모형 구축에 관한 연구", 한국수자원학회 논문집, 46(7), pp.697~706 (2013), 한국수자원학회
- Kim, Sung Won, "Artificial Neural Network Ensemble Modeling with Conjunctive Data Clustering for Water Quality Prediction in Rivers", Journal of Hydro-environmental Research, 9, pp.325~339 (2015)
- Kim, Sung Won, "The Flood Water Stage Prediction Based on Neural Networks Method in Stream Gauge Station", Journal of Korean Water Resources Association, 33(2), pp.247~262 (2000)
- Non-liniear Signal Processing Using Neural Networks: Prediction and System Modeling, "Lapedes, A", Los Alamos National Laboratory, ~, pp.LA-UR-87-2662 (1987)
- McCulloch, W., "A Logical Calculus of the Ideas Immanent in Nervous Activity", Bulletin of Mathematical Biophysics, 5, pp.115~133 (1943)
- 오창열, "유출량 및 수질자료를 이용한 인공신경망 예측모형 개발에 관한 연구", 한국수자원학회 논문집, 41(10), pp.1035~1044 (2008), 한국수자원학회
- Rumelhart, D., "Learning Representations by Nack-propagating Error", Nature, 323(9), pp.533~536 (1986)
- Silva, I., "Artificial Neural Networks : A Practical Course" (2017), Springer