Journal of Korea Water Resources Association (한국수자원학회논문집)

Korea Water Resources Association (한국수자원학회)
권호 표지
DOI QR코드

DOI QR Code

Real-Time Forecasting of Flood Runoff Based on Neural Networks in Nakdong River Basin & Application to Flood Warning System

신경망을 이용한 낙동강 유역 하도유출 예측 및 홍수예경보 이용

  • 윤강훈 (한국건설기술연구원 수자원연구부) ;
  • 서봉철 (한국건설기술연구원 수자원연구부) ;
  • 신현석 (부산대학교 토목공학과)
  • Published : 2004.02.01
Download PDF
⟨ Previous Next ⟩

Abstract

The purpose of this study is to develop a real-time forecasting model in order to predict the flood runoff which has the nature of non-linearity and to verify applicability of neural network model for flood warning system. Developed model based on neural network, NRDFM(Neural River Discharge-Stage Forecasting Model) is applied to predict the flood discharge on Waekwann and Jindong stations in Nakdong river basin. As a result of flood forecasting on these two stations, it can be concluded that NRDFM-II is the best predictive model for real-time operation. In addition, the results of forecasting used on NRDFM-I and NRDFM-II model are not bad and these models showed sufficient probability for real-time flood forecasting. Consequently, it is expected that NRDFM in this study can be utilized as suitable model for real-time flood warning system and this model can perform flood control and management efficiently.

본 연구는 비선형성이 강한 강우-유출의 특성을 고려하여 홍수시 하도의 유출을 예측하고 하천유역의 홍수예경보에 이용하기 위하여 신경망 시스템의 모형화 가능성을 검증하였다. 신경망을 이용한 실시간 하도홍수 예측모형(Neural River Discharge-Stage Forecasting Mudel; NRDFM)은 낙동강 유역의 왜관 및 진동 지점의 홍수량 예측에 적용하였다. NRDFM에 의한 하도홍수량의 왜관 및 진동 지점 예측결과를 실측치와 비교$\cdot$검토한 결과 제시한 세 가지 모형 중 NRDFM-II의 예측성능이 가장 우수하였으며, NRDFM-I 및 NRDFM-II도 충분한 예측가능성을 보여주었다. 따라서, 본 연구에서 제시한 모형은 실시간 홍수예경보로의 적용이 가능하며, 이를 통하여 효율적으로 홍수를 통제 및 관리할 수 있을 것이다.

Keywords

References

  1. 건설교통부 (2001). 지능형 신경망 모형을 적용한 낙동강 홍수예보시스템 개선
  2. 건설교통부 낙동강홍수통제소 (2000). 낙동강홍수예경보
  3. 김주환 (1993). 신경회로망을 이용한 하천유출량의 수문학적 예측에 관한 연구, 박사학위논문, 인하대학교
  4. 심순보, 김만식, 심규철 (1998). '신경망 이론에 의한 다목적 저수지의 홍수유입량 예측', 한국수자원학회논문집, 한국수자원학회, 제31권, 제1호, pp. 45-57
  5. 안경수, 김주환 (1998). '신경회로망을 이용한 유출수문곡선 모의에 관한 연구', 한국수자원학회논문집, 한국수자원학회, 제31권, 제1호, pp. 13-25
  6. 안상진, 전계원 (2001). 'RBF를 이용한 홍수유출량 예측', 대한토목학회 논문집, 대한토목학회, 제21권, 제6-B호, pp. 599-607
  7. 이관수, 박성천, 이한민, 진영훈 (2000). '인공신경망 이론의 B.P 알고리즘을 적용한 영산강의 유출량 예측에 관한 연구', 대한토목학회 논문집, 대한토목학회, 제20권, 제5-B호, pp. 679-688
  8. Asaad Y. Shamseldin (1997). 'Application of a neural network technique to rainfall-runoff modelling', Journal of Hydrology, Vol. 199, pp. 272-294 https://doi.org/10.1016/S0022-1694(96)03330-6
  9. Box, G. E. P., and G. M. Jenkins (1976). Time Series Analysis: Forecasting and Control, Holden-Day, San Francisco
  10. Burnash, R. J., R. L. Ferral, and R. A. McGuire (1973). A generalized stream flow simulation system in Conceptual Modeling for Digital Computers, U.S. National Weather Service, Sacramento, Calif.
  11. 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
  12. Crawford, N. H., and R. K. Linsley (1966). Digital simulation in hydrology: Stanford watershed model IV, Tech. Rep. 39, Dep. of Civ. Eng., Stanford, Calif.
  13. 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)
  14. 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)
  15. Kimura, Toshimitsu (1961). 저류함수법에 의한 홍수유출추적법(Flood Runoff Routing by Storage Function Method), 일본건설성 토목연구소
  16. 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
  17. P.J. Werbos (1974). Beyond regression: New tools for prediction and analysis in the behavioral sciences, Ph.D. Thesis, Harvard University, Cambridge, MA.
  18. 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
  19. WMO (1975). Intercomparison of conceptual models used in operational hydrological forecasting, Operational Hydrology Report, No. 7, W.M.O, Geneva

Cited by

  1. Study on Streamflow Prediction Using Artificial Intelligent Technique vol.13, pp.7, 2004, https://doi.org/10.5322/JES.2004.13.7.611