신경망 기법을 이용한 연평균 강우량의 공간 해석

Spatial Analysis for Mean Annual Precipitation Based On Neural Networks

  • 발행 : 1999.02.01

초록

본 연구에서는 공간 분포의 해석을 위하여 일반적으로 사용되어 오던 Thiessen 또는 Kriging 법들을 대체할 수 있는 새로운 모형인 SANN(Spatial-Analysis Neural-Network)을 소개한다. 이 모델은 신경망 기법을 이용한 비매개 변수법의 일종으로 미측정 기점의 평균값 뿐만 아니라 분산, 왜도 등의 고차 통계치를 제공하여 준다. 또한 어떤 기점에서의 공간변수의 값이 그 심각도에 따른 미리 지정된 여러 분류들 중 각각의 분류에 속할 확률값과 전체 공간을 각 분류에 따라 가장 최적하게 분류경제(class boundary)를 선정하여줄 수 있는 Bayesian 계급분류기(Classifier)를 제공하는 의사결정(decision-making) 역할도 수행할 수 있다. 본 연구에서는 제안된 SANN모형의 외삽기(interpolator)를 사용하여 관측 기점의 연평균 강우량을 대상 유역 전체의 공간적으로 분포시키고 또한 각 지점의 예측 오류를 산정하며, Bayesian 분류기를 사용하여 대상유역을 가장 적절하게 건조, 보통, 습윤 지역으로 분류하는 방법을 제시하여 본다. 본 연구에서는 39개 강우 계측 지점을 이용하여 우리나라의 연평균 강우의 공간 해석에 응용하여 본다. 결과적으로 연평균 강우량의 공간 분포, 표준편차, 그리고 확률도를 얻었다. 더불어 우리나라 전역을 건조, 보통, 습윤 지역으로 분류하여 보았다.

In this study, an alternative spatial analysis method against conventional methods such as Thiessen method, Inverse Distance method, and Kriging method, named Spatial-Analysis Neural-Network (SANN) is presented. It is based on neural network modeling and provides a nonparametric mean estimator and also estimators of high order statistics such as standard deviation and skewness. In addition, it provides a decision-making tool including an estimator of posterior probability that a spatial variable at a given point will belong to various classes representing the severity of the problem of interest and a Bayesian classifier to define the boundaries of subregions belonging to the classes. In this paper, the SANN is implemented to be used for analyzing a mean annual precipitation filed and classifying the field into dry, normal, and wet subregions. For an example, the whole area of South Korea with 39 precipitation sites is applied. Then, several useful results related with the spatial variability of mean annual precipitation on South Korea were obtained such as interpolated field, standard deviation field, and probability maps. In addition, the whole South Korea was classified with dry, normal, and wet regions.

키워드

참고문헌

  1. J. of Hydraulic Engineering v.116 no.5 Review of geostatistics in geohydrology : I. Basis concepts ASCE Task Committee on Geostatistical Techniques
  2. Random functions and hydrology Brass, R. L.;Rodriguez-Iturbe, I.
  3. Neural networks : A comprehensive foundation Haykin, S.
  4. Hydrological Sciences - Journal des Sciences Hydrologiques v.36 no.3 Rainfall network design through comparative Kriging methods Kassim, A. H. M.;Kottegoda N. K.
  5. 1995 First International Conference on Water Resources Engineering Predicting streamflows based on neural networks Markus, M.;Shin, H. S.;Salas J. D.
  6. Neural computation 1 Fast Learning in Networks of Locally-tuned Processing Units Moody, J. E.;Darken D. J.
  7. Wat. Sci. Tech. v.23 Time series analysis models of activated sludge plants Novotny, J. V. H.;Feng X.;Capodaglio A.
  8. Science v.247 Regularization algorithms for learning that are equivalent to multilayer networks Poggio, T.;Girosi F.
  9. Ground Water v.30 no.2 A neural network approach to the determination of aquifer parameters Rashid, A.;Aziz A.;Wong K. F.
  10. Water Resour. Res. v.30 no.2 Optimization of groundwater remediation using artificial neural networks with parallel solute transport modeling Rogers, L. L.;Dowla F. U.
  11. Advance in Neural Information Processing Systems 2 In algorithms for better representation and faster learning in radial basis function networks Saha, A.;Keeler J. D.;Touretzky, D. S.(ed.)(et al.)
  12. Water Resources Paper no.107 Spatial analysis neural network model and its applications to hydrological and environmental data Shin, H.-S.;Salas J. D.
  13. Water Resources Bulletin v.21 no.3 A comparative analysis of techniques for spatial interpolation of precipitation Tabios, G.Q.;Salas J.D.