DOI QR코드

DOI QR Code

신경망을 이용한 낙동강 유역 홍수기 댐유입량 예측

Dam Inflow Forecasting for Short Term Flood Based on Neural Networks in Nakdong River Basin

  • 윤강훈 (한국건설기술연구원 수자원연구부) ;
  • 서봉철 (한국건설기술연구원 수자원연구부) ;
  • 신현석 (부산대학교 토목공학과)
  • 발행 : 2004.01.01

초록

본 연구에서는 홍수시 다목적댐의 효율적 운영을 위하여 상류로부터 유입되는 홍수유입량을 실시간으로 예측하기 위해 역전파 신경망 모형을 사용하여 댐유입량 예측모형(Neural Dam Inflow Forecasting Model; NDIFM)을 개발하였다. NDIFM은 다목적댐에 의한 하류의 홍수조절 비중이 큰 낙동강의 남강댐 유역에 적용하였으며, 입력자료로는 댐유역 평균강우량, 실측 댐유입량, 예측 댐유입량 통을 사용하여 실시간 댐유입량 예측의 가능성을 검토하였다. 실측치와 예측치를 비교ㆍ검토한 결과 제시한 세 가지 모형 중 NDIFM-I이 가장 우수한 결과를 나타내었으며, NDIFM-II 및 NDIFM-III 또한 다양한 예측가능성을 보여주었다. 따라서, 강우-유출의 비선형시스템 모의를 위하여 물리적 매개변수가 복잡한 개념적 모형보다는 양질의 수문관측 자료만 축적된다면 블랙박스 모형인 신경망 모형이 실시간 홍수예측에 효율적으로 활용될 수 있을 것이다.

In this study, real-time forecasting model(Neural Dam Inflow Forecasting Model; NDIFM) based on neural network to predict the dam inflow which is occurred by flood runoff is developed and applied to check its availability for the operation of multi-purpose reservoir Developed model Is applied to predict the flood Inflow on dam Nam-Gang in Nak-dong river basin where the rate of flood control dependent on reservoir operation is high. The input data for this model are average rainfall data composed of mean areal rainfall of upstream basin from dam location, observed inflow data, and predicted inflow data. As a result of the simulation for flood inflow forecasting, it is found that NDIFM-I is the best predictive model for real-time operation. In addition, the results of forecasting used on NDIFM-II and NDIFM-III are not bad and these models showed wide range of applicability for real-time forecasting. Consequently, if the quality of observed hydrological data is improved, it is expected that the neural network model which is black-box model can be utilized for real-time flood forecasting rather than conceptual models of which physical parameter is complex.

키워드

참고문헌

  1. 건설교통부 (2001), 지능형 신경망 모형을 적용한 낙동강 홍수예보시스템 개선
  2. 신현석, 박무종 (1999a). '신경망을 이용한 우리나라의 시공간적 가뭄의 해석,' 한국수자원학회 논문집, 한국수자원학회, 제32권, 제1호, pp. 15-29
  3. 신현석, 박무종 (1999b). '신경망 기법을 이용한 연평균 강우량의 공간 해석,' 한국수자원학회 논문집, 한국수자원학회, 제32권, 제1호, pp. 3-13
  4. 신현석 (1998). '인공 신경망의 수자원 및 환경 분야에의 응용,' 한국수자원학회지, 한국수자원학회, 제31권, 제1호, pp. 97-103
  5. 신현석, 최시중, 김중훈 (1998). '신경망을 이용한 도시유역 유출 및 비점원 오염물 배출 모형화 연구,' 대한토목학회 논문집, 대한토목학회, 제18권, 제II-5호, pp. 437-438
  6. 심순보, 김만식, 심규철 (1998). '신경망 이론에 의한 다목적 저수지의 홍수유입량 예측,' 한국수자원학회 논문집, 한국수자원학회, 제31권, 제1호, pp. 45-57
  7. 안경수, 김주환 (1998). '신경회로망을 이용한 유출수문곡선 모의에 관한 연구,' 한국수자원학회 논문집, 한국수자원학회, 제31권, 제1호, pp. 13-25
  8. 안상진, 연인성, 한양수, 이재경 (2001a). '신경망 모형을 적용한 금강 공주지점의 수질예측,' 한국수자원학회 논문집, 한국수자원학회, 제34권, 제6호, pp. 701-711
  9. 안상진, 전계원 (2001b). 'RBF를 이용한 홍수유출량 예측,' 대한토목학회 논문집, 대한토목학회, 제21권, 제6-B호, pp. 599-607
  10. Cameron M. Zealand, Donald H. Burn and Slobodan P. Simonovic (1999). 'Short term streamflow forecasting using artificial neural networks,' Journal of Hydrology, Vol. 214, pp. 32-48 https://doi.org/10.1016/S0022-1694(98)00242-X
  11. Hyun-Suk Shin and Jose D. Salas (2000). 'Regional drought analysis based on neural networks,' Journal of Hydrologic Engineering, Vol. 5, No. 2, pp. 145-155 https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(145)
  12. Jason Smith and Robert N. Eil (1995). 'Neural-network models of rainfall-runoff process,' Journal of Water Resources Planning and Management, Vol. 121, No. 6, pp. 499-508 https://doi.org/10.1061/(ASCE)0733-9496(1995)121:6(499)
  13. Marina Campolo, Paolo Andreussi, and Alfredo Soldati (1999). 'River flood forecasting with a neural network model,' Water Resources Research, Vol. 35, No. 4, pp. 1191-1197 https://doi.org/10.1029/1998WR900086
  14. N. Sajikumar and B. S. Thandaveswara (1999). 'A non-linear rainfall-runoff model using an artificial neural network,' Journal of Hydrology, Vol. 216, pp. 32-55 https://doi.org/10.1016/S0022-1694(98)00273-X
  15. P.J. Werbos (1974). Beyond regression: New tools for prediction and analysis in the behavioral sciences, Ph.D. Thesis, Harvard University, Cambridge, MA
  16. Rumelhart, D.E., Hinton, G.E., and Williams, R.J. (1986). 'Learning internal representations by error back propagation,' Parallel distributed processing, Edited by Rumelhart, D.E., McCelland, J.L. and PDP Research Group, Chapter 8, Cambridge, MA, MIT Press