• 한국습지학회지
• /
• 제18권2호
• /
• pp.121-131
• /
• 2016

타당한 설계홍수량의 결정은 하천관리에서 홍수에 의한 재해를 조절하는데 가장 중요한 사항이다. Clark 모형에서 집중시간과 저류상수는 첨두홍수량의 크기와 수문곡선의 형상에 영향을 미친다. 모형의 매개변수는 관측자료에 의해 보정되어야 하지만 관측자료의 부족으로 인하여 경험공식에 의하여 결정되고 있다. 본 연구는 안성천의 공도수위관측소 지점에서 실측수문자료에 의한 집중시간과 저류상수를 제시코자 하였다. 이를 위하여 관측치와 계산치의 평균제곱근오차 및 잔차를 산정하는 5개 기준을 제시하였다. 공도관측소지점에서 3개의 강우-유출사상으로부터 집중시간과 저류상수를 구하고 5개 기준에 의거 실측 수문곡선과 관측 수문곡선을 근거로 한 평균제곱근오차와 잔차를 산정하였다. 이를 통하여 관측수문자료와 Clark모형에 의한 결과를 근거로 집중시간과 저류상수를 결정하는 기준을 제시코자 하였다. 또한 도달시간-누가면적곡선식의 지수 값은 유역의 형상이 반영되는 값으로 결정하여야 함을 보여 주었다.

• 한국수자원학회논문집
• /
• 제51권9호
• /
• pp.803-812
• /
• 2018

본 연구는 다목적함수를 고려한 입자군집최적화(Particle Swarm Optimization, PSO) 알고리즘을 Python으로 개발하고, Soil and Water Assessment Tool (SWAT) 모형에 적용하여 자동보정 알고리즘의 적용 가능성을 평가하였다. SWAT 모형의 유출 해석은 안성천의 공도 수위 관측소 상류유역($364.8km^2$)을 대상으로 하였으며, 공도 지점의 2000년부터 2015년까지의 일 유량 자료를 이용하였다. PSO 자동보정은 결정계수(coefficient of determination, $R^2$), 평균제곱근오차(RMSE), NSE 모형효율계수(Nash-Sutcliffe Efficiency, $NSE_Q$), 특히 중간유출과 기저유출의 보정을 위해 $NSE_{INQ}$ (Inverse Q)를 활용하여 SWAT을 보정하였다. PSO을 통한 SWAT 모형의 자동보정과 수동보정의 유출해석 결과, 각각 $R^2$는 0.64, 0.55, RMSE는 0.59, 0.58, $NSE_Q$는 0.78, 0.75, $NSE_{INQ}$는 0.45, 0.09의 상관성 분석결과를 보였다. PSO 자동보정 알고리즘은 수동보정에 비하여 높은 향상을 보였는데 특히 유출의 감수곡선을 개선시켰으며 적절한 매개변수 추가(RCHRG_DP)와 매개변수 범위의 설정으로 수동보정의 한계를 보완하였다.

• 대한토목학회논문집
• /
• 제30권2B호
• /
• pp.159-167
• /
• 2010

본 논문의 목적은 지상 우량계의 강우자료와 레이더 강우자료를 신경망(Artificial Neural Network, ANN)의 학습을 통하여 지상 우량계가 가지는 지점 강우의 정확성과 강우레이더가 가지는 강우의 공간정보의 장점을 최대화하여 강우자료를 보정하는 것이다. 따라서 본 논문에서는 2가지 신경망 모형(Model I, Model II)을 사용하였다. Model II의 입력층은 지체시간을 고려한 4개의 레이더 강우로 구성하였고 Model I의 입력층은 4개의 레이더 강우와 지상우량계 강우로 구성하여 안성천 유역의 레이더 강우를 보정하였다. 3가지 강우사상 중에서 총 2개의 사상을 신경망 모형 I, II에 입력하여 최적 매개변수인 연결강도를 추정한 후에 나머지 사상을 사용하여 검증을 실행하였다. 신경망에 의해 보정된 레이더 강우 자료(ANN 강우)와 보정을 하지 않은 레이더 강우를 준분포형 모형인 Modclark 모형에 입력하여 유출을 모의하고, 실제 유출 수문곡선과 비교 분석 하였다. 분석 결과, 보정을 하지 않은 레이더 강우에 의한 유출량은 전체적으로 실제 수문곡선보다 과소 추정되었다. 반면에 ANN 강우의 유출량은 관측유출량과 비교하였을 때 첨두시간과 첨두유량을 가장 근접하게 모의하는 결과를 나타내었다.