Journal of Korea Water Resources Association (한국수자원학회논문집)

Korea Water Resources Association (한국수자원학회)
권호 표지

A Study on the Simulation of Runoff Hydograph by Using Artificial Neural Network

신경회로망을 이용한 유출수문곡선 모의에 관한 연구

  • An, Gyeong-Su (Dept. of Civil Engineering, University of Incheon) ;
  • Kim, Ju-Hwan (Water Resources Research Center, Korea Water Resources Corporation)
  • 안경수 (인천대학교 토목공학과) ;
  • 김주환 (한국수자원공사 수자원연구소)
  • Published : 1998.02.01
Download PDF
⟨ Previous Next ⟩

Abstract

It is necessary to develop methodologies for the application of artificial neural network into hydrologic rainfall-runoff process, although there is so much applicability by using the functions of associative memory based on recognition for the relationships between causes and effects and the excellent fitting capacity for the nonlinear phenomenon. In this study, some problems are presented in the application procedures of artificial neural networks and the simulation of runoff hydrograph experiences are reviewed with nonlinear functional approximator by artificial neural network for rainfall-runoff relationships in a watershed. which is regarded as hydrdologic black box model. The neural network models are constructed by organizing input and output patterns with the deserved rainfall and runoff data in Pyoungchang river basin under the assumption that the rainfall data is the input pattern and runoff hydrograph is the output patterns. Analyzed with the results. it is possible to simulate the runoff hydrograph with processing element of artificial neural network with any hydrologic concepts and the weight among processing elements are well-adapted as model parameters with the assumed model structure during learning process. Based upon these results. it is expected that neural network theory can be utilized as an efficient approach to simulate runoff hydrograph and identify the relationship between rainfall and runoff as hydrosystems which is necessary to develop and manage water resources.

신경회로망은 어떤 사상에 대한 인과관계를 연상기억능력을 통하여 인식할 수 있는 기능을 가지고 있을 뿐 아니라 비선형현상에 대한 적응능력이 뛰어나 수문계의 강우-유출 현상에 대한 적용가능성은 많으나 이를 수문학적으로 검증하는데는 아직 검토단계라 할 수 있으며 적용에 따른 방법론에 대한 연구가 필요하다 할 수있다. 본 연구에서는 하천유역에서 호우의 발생에 따른 하천의 홍수유출수문곡선을 모의하기 위한 블랙박스모형으로서 신경회로망이론의 적용에 따른 문제를 수문학적으로 규명하고자 하였다. 이를 위한 방법으로서 홍수발생의 직접적인 원인인 강우패턴을 신경회로망의 입력패턴으로하고 이에 따른 출력패턴을 유출수문곡선이라는 가정하에 신경회로망모형을 구성하고 평창강유역에서 발생된 과거 홍수기록자료를 이용하여 그 결과를 제시하였다. 본 연구결과에 의하면 신경회로망의 학습이 수행되는 동안 어떠한 형태로든 수문학적 개념을 토대로 구성된 모형의 구조에 잘 적응되고 있음을 알수 있었다. 이 결과를 토대로 지금까지 복잡한 과정을 거쳐야하는 강우-유출 모형화 과정에서 발생되는 문제점들을 효율적으로 해결할 수 있는 접근방법으로서 활용될수 있을 것으로 기대된다.

Keywords

References

  1. 한국수문학회지 v.25 no.3 패턴인식 방법을 적용한 하천유출량의 비선형 예측 강관원;박찬영;김주환
  2. 박사학위논문, 인하대학교 신경회로망을 이용한 하천유출량의 수문학적 예측에 관한 연구 김주환
  3. 박사학위논문, 서울대학교 신경망이론과 Kalman Filter 강우예측모형의 비교연구 오남선
  4. 한국수문학회지 v.14 no.2 홍수예보 모형 윤태훈
  5. 박사학위논문, 전북대학교 실시간 기상자료와 신경망이론에 의한 다지점 강우예측 모형 연구 정재성
  6. 1st International Conference on Water Resources Eng. Water Resources Planning and Management Div. Neural networks for prediction of watershed runoff Anmala, J.;Nedunuri, K.V.;Govindaraju, R.S.;Koelliker J.K.
  7. Korean Journal of Hydrosciences v.4 Neural network and its application to rainfall-runoff forecasting Kang, K.W;Park, C.Y.;Kim, J.H.
  8. Journal of Hydrology v.137 Rainfall forecasting in space and time using a neural network French, M.N.;Andrieu, H.;Krajewski, W.F.
  9. MSc Thesis, International Institute for Infrastructural Hydraulic and Environmental Engineering, IHE Optimizing the Apure river basin reservoir system using a multimodel approach Lennis-Antonio, A.T.
  10. IWSA Specialized Conf. on Advanced Treatment and Integrated Water System Management into 21st Century v.1 Water demand prediction by memory based learning Minoru, M.;Takashi, T.;Kazuo, M.
  11. Report No. VG-1196-1, Cornell Aeronautic Lab., Inc The Perceptron : A theroy of statistical separability in cognitive system Rosenblatt, F.
  12. Parallel distributed processing Learning internal representations by error back propagation Rumelhart, D. E.(ed.);Hinton, G.E.;Willams, R.J.;McCelland, J.L.(ed.);PDP Research Group(ed.)
  13. Parallel distributed processing Learning internal representations by error back propagation. Rumelhart,D.E.;Hinton,G.E.;Williams,R.J.;Rumelhart,D.E.(ed.);McCelland,J.L.(ed.);PDP Research Group(ed.)