자료 지향형 수위예측 모형의 비교 분석
Comparison and analysis of data-derived stage prediction models
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
수위예측을 위해 개념적, 물리적 모형들을 포함한 다양한 유형의 기법들이 사용되고 있다. 그럼에도 불구하고 이러한 기법들 중 수위예측을 위해 단일의 우수한 모형을 선정하는 것은 매우 어려운 일이다. 최근에는 수문학적 과정의 복잡성으로 인해 기존 물리적 기반의 강우-유출 모형이 가지고 있는 단점들을 극복하고자 자료지향형 수위예측 모형이 널리 도입되고 있다. 본 연구의 목적은 이러한 자료 지향형 모형 중 뉴로-퍼지와 회귀분석 모형의 수위예측에 대한 성능을 비교하는 것이다. 제안된 두 모형을 한강수계의 왕숙천에 대해 적용하였다. 제안된 두 모형의 성능을 평가하기 위해 평균제곱근오차, Nash-Suttcliffe 효율계수, 평균절대오차, 수정 결정계수와 같이 4개의 통계지표들을 사용하였다. 모의결과 뉴로-퍼지 수위예측 모형이 다중선형회귀 수위예측 모형보다 좀 더 나은 예측 결과를 나타내는 것을 확인할 수 있었다. 본 연구결과는 향후 중소하천에서 충분한 선행시간을 확보한 정확도 높은 홍수정보시스템의 구축에 활용할 수 있을 것으로 판단된다.
Abstract
Different types of schemes have been used in stage prediction involving conceptual and physical models. Nevertheless, none of these schemes can be considered as a single superior model. To overcome disadvantages of existing physics based rainfall-runoff models for stage predicting because of the complexity of the hydrological process, recently the data-derived models has been widely adopted for predicting flood stage. The objective of this study is to evaluate model performance for stage prediction of the Neuro-Fuzzy and regression analysis stage prediction models in these data-derived methods. The proposed models are applied to the Wangsukcheon in Han river watershed. To evaluate the performance of the proposed models, fours statistical indices were used, namely; Root mean square error(RMSE), Nash Sutcliffe efficiency coefficient(NSEC), mean absolute error(MAE), adjusted coefficient of determination(R^(*2)). The results show that the Neuro-Fuzzy stage prediction model can carry out the river flood stage prediction more accurately than the regression analysis stage prediction model. This study can greatly contribute to the construction of a high accuracy flood information system that secure lead time in medium and small streams.
참고문헌 (30)
- 고영준, "시유출량 예측을 위한 퍼지 신경회로망의 적용", 석사, pp.2001
- 건설교통부, "주요지천 홍수예보 프로그램 개선", ~ (2005)
- 성지연, "통계적 모형을 이용한 지 천 홍수예측", 한국수자원학회 학술발표회논문 집, pp.1524~1527 (2009)
- 신성일, "신경회로망과 뉴로-퍼지를 이용한 홍수량예측에 관한 연구", 석사, pp.2002
- 윤강훈, "레이더 예측 강우를 이용 한 다중회귀 유출 모형의 개발", 대한토목학회 학술발표회 논문집, pp.2187~2198 (2003)
- 윤강훈, "한강인도교 수위와 영향인 자간의 다중회귀분석에 의한 홍수위 예측모형", 한국수자원학회지, 27(3), pp.55~69 (1994)
- 윤용남, "미계측 중소유역의 월유출 량 산정을 위한 다중회귀모형 연구", 한국수자 원학회지, 24(3), pp.71~82 (1991)
- 이범희, "회귀분석에 의한 도시홍수 예보시스템의 개발", 대한토목학회 논문집B, 30(4), pp.347~359 (2010), 대한토목학회
- 정동국, "회귀기법을 이용한 도시홍수위 예측모형의 개발", 한국수자원학회 논문집, 43(2), pp.221~231 (2010), 한국수자원학회
- 진영훈, "천의 유출량 예측을 위한 인공 신경망 이론의 적용", 석사, pp.2000
- 정대명, "월 댐유입량 예측을 위한 뉴로-퍼 지시스템의 적용", 석사, pp.2003
- Aquil, M, "A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behavior of runoff", Journal of Hydrology, 337(1), pp.22~34 (2007)
- Brown, M, "Neuro-fuzzy adaptive modeling and control" (1994), Prentice Hall
- Chaoulakou, A, "Forecasting daily maximum ozon concentration in the Athens basin", Environmental Monitoring and Assessment, 56, pp.97~112 (1999)
- Chang, F.J, "A counterpropagation fuzzy-neural network modeling approach to real time streamflow prediction", Journal of Hydrology, 245, pp.153~164 (2001)
- Firat, M, "Comparative analysis of fuzzy inference systems for water consumption time series prediction", Journal of Hydrology, 374, pp.235~241 (2009)
- Gautam, D.K, "Rainfallrunoff modeling using adaptive neuro-fuzzy systems", Journal of Hydroinformatics, pp.3~10 (2001)
- Govindaraju, R.S, "Artificial neural networks in hydrology Ⅱ:hydrologic applications", Journal of Hydrologic Engineering, 5(2), pp.124~137 (2000)
- Huynh N. P, "Flood forecasting for the upper reach of the Red River Basin" (2003), North Vietnam
- Jang, J.-S, "Self-learning fuzzy controllers based on temporal backpropagation", IEEE Trans Neural Netw, 3(5), pp.714~723 (1992)
- Kokkonen, T.S, "A comparison of metric and conceptual approaches in rainfall-runoff modeling and its implications", Water Resources Research, 37(9), pp.2345~2353 (2001)
- Kurtulus, B, "Modeling daily discharge responses of a large karstic aquifer using soft computing methods Artificial neural network and neuro fuzzy", Journal of Hydrology, 375, pp.146~162 (2009)
- McKerchar, A.I, "Applications of seasonal parametric linear stochastic models to monthly flow data", Water Resources Research, 10, pp.246~255 (1974)
- Nayak, P.C., "Short-Term Flood Forecasting with a Neurofuzzy Model", Water Resources Research, 41(4), pp.W04004~ (2005)
- Phien, H.N, "Daily forecasting with regression analysis", Water SA, 16(3), pp.179~184 (1990)
- Schilling, K.E, "Estimation of streamflow, baseflow and nitrate-nitrogen loads in Iwoa using multiple regression models", Journal of American Water Resources (2005)
- Shu, C, "Regional flood frequency analysis at ungauged sites using the adaptive neuro fuzzy inference system", Journal of Hydrology, 349, pp.31~43 (2008)
- Tangborn, W.V, "Hydrology of North Cascades region, Washington-part 2: a proposed hydrometeorological streamflow prediction method", Water Resources Research, 12, pp.203~216 (1976)
- VanderKwaak, J.E, "Hydrologic-response simulations for the R-5 catchment with a comprehensive physics-based model", Water Resources Research, 37(4), pp.999~ (2001)
- Yurekli, K., "Testing residuals of an ARIMA model on the Cekerek stream watershed in Turkey", Turkish Journal of Engineering and Environmental Sciences, 29, pp.61~74 (2005)