본 연구에서는 기존의 인공신경망이론 연구에서 야기된 현상들을 해결하기 위하여 탁월한 패턴분류 성능을 지닌 자기조직화(Self Organizing Map: SOM) 이론을 도입하여 자료의 전처리 과정으로 이용하였다. 이러한 과정은 다양한 강우-유출현상을 다수의 패턴으로 구분할 ...

본 연구에서는 기존의 인공신경망이론 연구에서 야기된 현상들을 해결하기 위하여 탁월한 패턴분류 성능을 지닌 자기조직화(Self Organizing Map: SOM) 이론을 도입하여 자료의 전처리 과정으로 이용하였다. 이러한 과정은 다양한 강우-유출현상을 다수의 패턴으로 구분할 수 있었으며, 그 결과 기존의 인공신경망 모형이 하나의 모형을 구성하여 유출량의 전 범위에 해당하는 자료를 예측하는 데 반하여 자기조직화 이론의 적용은 패턴별 예측모형을 통해 분류된 자료들의 예측을 수행한 후 각 예측값들을 이용하여 전 범위의 유출량 값을 재구축 할 수 있었다.
또한, 본 연구에서의 SOM을 전처리 과정으로 이용한 인공신경망 모형과 기존의 인공신경망 모형을 구축하여 상호․비교한 결과 예측값이 과소 및 과대평가되는 현상을 개선시킬 수 있었으며, 선행유출량 값을 모형의 입력자료로 이용하여 발생하는 Persistence 현상을 제거할 수 있었다.
이에 따른 SOM을 전처리 과정으로 이용한 인공신경망 모형의 예측력 또한 기존의 인공신경망 모형의 결과에 비해 우수함을 알 수 있었으며, 따라서 본 연구에서 사용한 SOM을 전처리과정으로 이용한 인공신경망 모형을 강우-유출예측 모형 개발 방법으로 제시하였다.

To solve problems in previous researches on artificial neural network, the present study introduced Self Organizing Map (SOM) with outstanding performance in pattern classification and used it in preprocessing. The process can classify various rainfal ...

To solve problems in previous researches on artificial neural network, the present study introduced Self Organizing Map (SOM) with outstanding performance in pattern classification and used it in preprocessing. The process can classify various rainfall？]runoff phenomena into different patterns. As a result, while previous artificial neural network models forecast the whole range of runoff with a single model, the model based on SOM theory forecasts data classified through forecast models by pattern and rebuilds runoff values of the whole range using the forecast data of each pattern. In addition, according to the result of comparing the artificial neural network model using SOM for preprocessing in this study with a conventional artificial neural network model, the SOM？]based model solved the problem of underestimated and overestimated forecasts, and removed the persistence phenomenon resulting from the use of previous runoff data as input of the model. Consequently, the artificial neural network model using SOM for preprocessing was superior to existing artificial neural network models in predictability. Thus the present study proposed the artificial neural network model using SOM for preprocessing as a method of developing rainfall？]runoff forecast models.

강한 비선형성의 경향을 보이고 있는 강우-유출간의 관계를 모형화하기 위한 연구는 다양한 방법론으로 적용되어 활발히 연구되고 있다. 그 중에서 인공신경망을 이용하여 강우-유출간의 관계를 모형화하기 위한 대부분의 연구들은 역전파 학습 알고리즘(Back Propagatio ...

강한 비선형성의 경향을 보이고 있는 강우-유출간의 관계를 모형화하기 위한 연구는 다양한 방법론으로 적용되어 활발히 연구되고 있다. 그 중에서 인공신경망을 이용하여 강우-유출간의 관계를 모형화하기 위한 대부분의 연구들은 역전파 학습 알고리즘(Back Propagation Algorithm: BPA), Levenberg Marquardt(LV), Radial Basis Function(RBF)을 이용하고 있으며, 이들은 강한 비선형성을 나타내는 입․출력간의 관계를 나타내는데 탁월한 성능을 보이고 있는 것으로 알려져 있다. 또한 자료들의 급격한 변화에 대한 뛰어난 적응성을 보여주고 있다. 이러한 인공신경망의 장점들은 그 적용성의 확대와 함께 다른 모형들과의 비교에서 우수한 예측력을 보여주는 것으로 평가받고 있다.
그러나 BPA, LV, RBF을 이용한 연구들은 강우-유출해석에 있어 다양한 강우사상을 반영하는데 미진할 뿐만 아니라, 예측의 대상인 유출량의 경우 저․갈수기의 자료에 대해서는 과대평가의 경향이 나타나며, 홍수기의 자료에 대해서는 과소평가되는 경향이 있다. 또한 인공신경망 모형의 구축에 있어 예측 대상자료인 유출량의 선행값을 이용할 경우 그 예측값이 선행 유출량의 지속성을 갖는 Persistence 현상이 유발된다.
이에 본 연구에서는 기존의 인공신경망이론 연구에서 야기된 현상들을 해결하기 위하여 탁월한 패턴분류 성능을 지닌 자기조직화(Self Organizing Map: SOM) 이론을 도입하여 자료의 전처리 과정으로 이용하였다. 이러한 과정은 다양한 강우-유출현상을 다수의 패턴으로 구분할 수 있었으며, 그 결과 기존의 인공신경망 모형이 하나의 모형을 구성하여 유출량의 전 범위에 해당하는 자료를 예측하는 데 반하여 자기조직화 이론의 적용은 패턴별 예측모형을 통해 분류된 자료들의 예측을 수행한 후 각 예측값들을 이용하여 전 범위의 유출량 값을 재구축 할 수 있었다.
SOM 적용의 첫 단계로 패턴분류를 위한 최적의 Map 크기(종방향 크기 × 횡방향 크기)를 결정하여 하며, 본 연구에서는 자료의 수에 따라 결정되는 단위구조의 총 수(M)를 Garcia의 경험식을 이용하여 산정하였으며 M의 값에 따른 종방향 및 횡방향 크기를 결정하는 다수의 경우를 상호․비교하여 7개의 패턴분할을 나타내는 20×12의 Map 크기를 선택하였다. 이때 다양한 패턴구분을 위해서는 Map의 종방향 크기가 횡방향 크기보다 크게 결정되어야 하는 것으로 나타났다.
또한, 본 연구에서의 SOM을 전처리 과정으로 이용한 인공신경망 모형과 기존의 인공신경망 모형을 구축하여 상호․비교한 결과 예측값이 과소 및 과대평가되는 현상을 개선시킬 수 있었으며, 선행유출량 값을 모형의 입력자료로 이용하여 발생하는 Persistence 현상을 제거할 수 있었다.
이에 따른 SOM을 전처리 과정으로 이용한 인공신경망 모형의 예측력 또한 기존의 인공신경망 모형의 결과에 비해 우수함을 알 수 있었으며, 따라서 본 연구에서 사용한 SOM을 전처리과정으로 이용한 인공신경망 모형을 강우-유출예측 모형 개발 방법으로 제시하였다.

본 연구에서는 영산강 유역을 대표하는 나주지점의 유출량을 예측하기 위하여 대상지점에 영향을 미치는 광주, 능주, 동곡지점의 강우자료를 이용하여 강우-유출관계를 모형화하고자 하였으며, 예측모형의 구성을 위해 자기조직화 이론을 인공신경망 모형의 전처리 과정으 ...

본 연구에서는 영산강 유역을 대표하는 나주지점의 유출량을 예측하기 위하여 대상지점에 영향을 미치는 광주, 능주, 동곡지점의 강우자료를 이용하여 강우-유출관계를 모형화하고자 하였으며, 예측모형의 구성을 위해 자기조직화 이론을 인공신경망 모형의 전처리 과정으로 적용하였다. 또한 본 연구에서 제안한 모형과 기존의 인공신경망 모형을 이용하여 홍수 예․경보발령을 위해 필요한 선행예보 최소시간인 3시간 후의 유출량을 예측하여 그 결과를 비교하였다. 본 연구를 통해 얻어진 결론은 다음과 같다.

첫째, SOM을 전처리 과정으로 적용한 결과 강우-유출관계에 따라 다양한 패턴으로 구분할 수 있었으며, 구분된 패턴들은 강우현상과 유출 양상이 복합적으로 잘 반영되어 있었다.

둘째, SOM의 패턴분류를 위한 최적의 Map 크기(종방향 크기 × 횡방향 크기)를 Garcia의 경험식을 이용하여 Map을 구성하는 단위구조의 총 수(M)를 결정하였으며, M을 구성할 수 있는 다수의 Map 크기를 상호․비교한 결과 7개의 패턴으로 구분되는 20×12의 Map이 최적의 Map 크기로 결정되었으며, 횡방향 크기보다 종방향 크기를 크게 하였을 때 다양한 패턴으로 구분되었다.

셋째, 기존의 인공신경망 모형과 SOM을 전처리 과정으로 이용한 인공신경망 모형을 상호․비교한 결과 훈련의 RMSE는 0.076과 0.0624로, R2은 0.8942와 0.9797로 각각 나타났으며, 검증의 RMSE는 0.09217에서 0.0778로 개선되었고, R2은 0.8957에서 0.9971로 향상되어 과소 및 과대평가되는 현상을 개선할 수 있었다.

넷째, 관측값대 예측값의 산포도 결과에 의하면 수문곡선의 상승부(산포도의 우상향)의 과소평가가 하강부(산포도의 우하향)의 과대평가로 반시계방향으로 전이되는 Persistence현상이 명확하게 나타나고 있으나, SOM을 전처리 과정으로 이용한 인공신경망의 경우는 45도 상에 집중 분포되어 있으며 전이현상이 나타나지 않아 Persistence 현상이 제거되었다.