KSCE Journal of Civil and Environmental Engineering Research (대한토목학회논문집)

Korean Society of Civil Engeneers (대한토목학회)
권호 표지
DOI QR코드

DOI QR Code

Radar Rainfall Adjustment by Artificial Neural Network and Runoff Analysis

신경망에 의한 레이더강우 보정 및 유출해석

  • 김수전 (인하대학교 대학원 토목공학과) ;
  • 권영수 ((주)하존이앤씨) ;
  • 이건행 (인하대학교 대학원 토목공학과) ;
  • 김형수 (인하대학교 공과대학 토목공학과)
  • Received : 2009.07.23
  • Accepted : 2010.02.04
  • Published : 2010.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

The purpose of this study is to get the adjusted radar rainfalls by ANN(Artificial Neural Network) method. In the case of radar rainfall, it has an advantage of spatial distribution characteristics of rainfall while point rainfall has an advantage at the point. Therefore we adjusted the radar rainfall by ANN method considering the advantages of two rainfalls of radar and point. This study constructed two ANN models of Model I and Model II for radar rainfall adjustment. We collected the three rainfall events and adjusted the radar rainfall for Anseong-cheon basin. The two events were inputted into the Modeland Model to derive the optimum parameters and the rest event was used for validation. The adjusted radar rainfalls by ANN method and the raw radar rainfall were used as the input data of ModClark model which is a semi-distributed model to simulate the runoff. As the results of the simulation, the runoff by raw radar rainfall were overestimated but the peak time and peak runoff from the adjusted rainfall by ANN were well fitted to the observed hydrograph.

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.

Keywords

References

  1. 건설교통부(2006) 강우레이더에 의한 돌발홍수예보시스템 개발 보고서.
  2. 국토해양부, 한강홍수통제소(2008) 기상레이더 자료활용체계 구축 연구.
  3. 김병식, 홍준범, 김형수, 최규현(2007) 조건부 합성방법을 이용한 레이더 강우와 지상강우자료의 조합. 대한토목학회논문집, 대한토목학회, 제27권, 제3B호 pp. 255-265.
  4. 김병수, 김경준, 윤정수, 유철상(2007) HEC-HMS를 이용한 격자 강우의 유출 해석 비교 : 레이더, 강우계 및 레이더-강우계 합성 강우의 비교. 2007년도 학술발표회 논문집, 대한토목학회, pp. 1220-1223.
  5. 김주환(1993) 신경망을 이용한 하천유출량의 수문학적 예측에 관한 연구. 박사학위논문, 인하대학교.
  6. 배영혜, 김병식, 김형수, 서병하(2007) 칼만필터 기법에 의한 레이더 강우의 보정 및 VfloTM 모형을이용한 홍수 모의. 2007년도 학술발표회 논문집, 대한토목학회, pp. 2040-2045.
  7. 안상진, 윤석환(2005) ModClark 모형을 이용한 유출 해석. 한국수자원학회논문집, 한국수자원학회, 제38권, 제3호, pp. 245-256.
  8. 정성화, 김경익, 김광섭(2006) 레이더에 의한 개선된 강우강도와 면적 강우량의 실시간 추정. 2006년도 학술발표회 논문집, 한국수자원학회, pp. 643-646.
  9. 최규현, 김병식, 정재욱, 현명숙(2006) 강우레이더와 지상우량계 자료를 이용한 실시간 강우강도 추정. 2006년도 학술발표회논문집, 한국수자원학회, pp. 1211-1514.
  10. 한건연, 김광섭, 김경익, 최규현(2005) 기상레이더와 연계한 유역에서의 홍수량 산정. 2005년도 학술발표회 논문집, 한국수자원학회, pp. 900-903.
  11. Ahnert, P.R., Krajewski, W.F., and Johnson, E.R. (1986) Kalman filter estimation of radar-rainfall mean field bias. 23rd Radar Meteorology Conf. Amer. Meteor. Soc., pp. 33-37.
  12. Barbosa, S. (1994) Brief review of radar-raingauge adjustment techniques. Advances in radar hydrology, pp. 148-169.
  13. Bedient, P.B., Hoblit, B.C., Gladwell, D.C., and Vieux, B.E. (2000) NEXRAD radar for flood prediction in Houston. Journal of Hydrologic Engineering, ASCE, Vol. 5, No. 3, pp. 269-277. https://doi.org/10.1061/(ASCE)1084-0699(2000)5:3(269)
  14. Chiang, Y.M., Chang, F.J., Dao Jou, B.J., and Lin, P.F. (2006) Dynamic ANN for precipitiation estimation and forecasting from radar observation. Journal of Hydrology, Vol. 334, pp. 250-261.
  15. Collier, C.G. (1986) Accuracy of rainfall estimates by radar. J. Hydrol., Vol. 83, pp. 207-235. https://doi.org/10.1016/0022-1694(86)90152-6
  16. French, M.N., Krajewski, W.F., and Cuykendall, R.R. (1992) Rainfall forecasting in space and time using a neural network. J. Hydro., Vol. 137, pp. 1-31. https://doi.org/10.1016/0022-1694(92)90046-X
  17. Hoblit, B.C. and Curtis, D.C. (2005) Radar Estimates+gauge Data: A Perfect Union. Southwest Hydrology, pp. 22-24.
  18. Koistinen, J. and Puhakka, T. (1981) An improved spatial gaugeradar adjustment technique. proc. 20th Conference on Radar Meteorology, AMS, pp. 179-186.
  19. Liu, Hongping, V. Chandrasekar, and Gang Xu (2001) An adaptive neural network scheme for radar rainfall estimation from WSR-88D Observations. Journal of Applied Meteorology, Vol. 40, No. 11, pp. 2038-2050. https://doi.org/10.1175/1520-0450(2001)040<2038:AANNSF>2.0.CO;2
  20. Makkeasorn, A., Chang, N.B., and Zhou, X. (2008) Short-term streamflow forecasting with global climate change implications A comparative study between genetic programming and neural network models. Journal of Hydrology, Vol. 352, pp. 336-354. https://doi.org/10.1016/j.jhydrol.2008.01.023
  21. Kim, S.W. and KIM, H.S. (2008) Neural networks and genetic algorithm approach for nonlinear evaporation and evapotranspiration modeling. Journal of Hydrology, Vol, 351, pp. 299-317. https://doi.org/10.1016/j.jhydrol.2007.12.014
  22. Ogden, F.L. and Julien, P.Y. (1994) Runoff model sensitivity to radar rainfall resolution. Journal of Hydrology, Vol. 158, pp. 1-18. https://doi.org/10.1016/0022-1694(94)90043-4
  23. Rosenblatt, F. (1958) The perceptron : A probabilistic model for information storage and organization in the brain.. Pysychological Reviw, Vol. 65, pp. 386-408. https://doi.org/10.1037/h0042519
  24. 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.
  25. Smith, J.A., Baeck, M.L., Meierdiercks, K.L., Miller, A.J., Krajewski, and W.F. (2007) Radar rainfall estimation for flash flood forcasting in small urban watersheds. Advances in Water Resources 30, pp. 2087-2097. https://doi.org/10.1016/j.advwatres.2006.09.007
  26. Teschl, R., Randeu, W.L., and Teschl, F. (2007) Improving weather radar estimates of rainfall using feed-forward neural networks. Neural Networks 20, pp. 519-527. https://doi.org/10.1016/j.neunet.2007.04.005
  27. Winchell, M., Gupta, H.V., and Sorooshian, S. (1998) On the simulation of infiltration and saturation excess runoff using radarbased estimates: Effects of algorithm uncertainty and pixel aggregation. Water Resources Research, Vol. 34, No. 10, pp. 2655-2670. https://doi.org/10.1029/98WR02009
  28. Wilson, J.W. and Brandes, E.A. (1979) Radar measurement of rainfall a summary. Bulletin of the American Meteorological Society, Vol. 60, pp. 1048-1060. https://doi.org/10.1175/1520-0477(1979)060<1048:RMORS>2.0.CO;2
  29. Xiao, R. and Chandrasekar, V. (1997) Development of a Neural Network Based Algorithm for Rainfall Estimation from Radar Observations. IEEE TRANSACTIONS ON GEOSIENCE And Remote Sensing, Vol. 35, No. 1, pp. 160-171. https://doi.org/10.1109/36.551944