KSCE Journal of Civil and Environmental Engineering Research (대한토목학회논문집)

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

DOI QR Code

Analysis of Impact of Hydrologic Data on Neuro-Fuzzy Technique Result

수문자료가 Neuro-Fuzzy 기법 결과에 미치는 영향 분석

  • 지정원 (아주대학교 대학원 건설교통공학과) ;
  • 최창원 (아주대학교 대학원 건설교통공학과) ;
  • 이재응 (아주대학교 공과대학 환경건설교통공학부)
  • Received : 2013.01.23
  • Accepted : 2013.04.10
  • Published : 2013.07.30
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, the frequency of severe storms increases in Korea. Severe storms occurring in a short time cause huge losses of both life and property. A considerable research has been performed for the flood control system development based on an accurate stream discharge prediction. A physical model is mainly used for flood forecasting and warning. Physical rainfall-runoff models used for the conventional flood forecasting process require extensive information and data, and include uncertainties which can possibly accumulate errors during modelling processes. ANFIS, a data driven model combining neural network and fuzzy technique, can decrease the amount of physical data required for the construction of a conventional physical models and easily construct and evaluate a flood forecasting model by utilizing only rainfall and water level data. A data driven model, however, has a disadvantage that it does not provide the mathematical and physical correlations between input and output data of the model. The characteristics of a data driven model according to functional options and input data such as the change of clustering radius and training data length used in the ANFIS model were analyzed in this study. In addition, the applicability of ANFIS was evaluated through comparison with the results of HEC-HMS which is widely used for rainfall-runoff model in Korea. The neuro-fuzzy technique was applied to a Cheongmicheon Basin in the South Han River using the observed precipitation and stream level data from 2007 to 2011.

최근 우리나라에는 집중호우의 발생 빈도가 잦아지고 있다. 집중호우는 단시간에 발생하여 인명과 재산에 직접적인 피해를 주는 특징이 있다. 이러한 이유로 치수에 대한 관심은 점점 높아지고 있으며 정확한 유량 예측을 바탕으로 홍수에 대비할 수 있는 시스템 개발에 대한 연구가 활발하게 이루어지고 있다. 지금까지 홍수 예보에는 주로 물리적 모형이 사용되어 왔다. 물리적 모형은 매개변수 결정을 위해 많은 자료를 필요로 하고 또 매개변수의 결정 과정에서 많은 불확실성을 포함하고 있기 때문에 계산과정을 거치는 동안 다양한 오차가 반복하여 누적되는 단점이 있다. ANFIS는 인공신경회로망과 퍼지기법을 사용한 자료 지향형 모형으로 기존의 물리적 모형에서 사용한 방대한 양의 물리적 자료를 배제하고 유역의 강우자료와 유량자료만을 사용하여 모형을 구축하고 수위를 예측할 수 있다는 장점이 있다. 그러나 자료 지향형 모형은 입력 자료와 결과 사이의 논리적 상관성을 찾을 수 없다는 단점이 있다. 본 연구에서는 ANFIS 모형에 사용되는 함수의 옵션과 입력자료의 특성의 제한적인 변화에 따른 결과자료 분석을 통해 자료 지향형 모형의 특성을 분석하였다. 또한 일반적으로 많이 사용하는 물리적 모형 중 하나인 HEC-HMS의 유출량 산정 결과와의 비교를 통해 ANFIS의 적용성을 평가하였다. 본 연구는 남한강 상류에 위치한 청미천 유역의 2007년부터 2011년까지의 관측 강우자료와 유량자료를 사용하여 수행하였다.

Keywords

References

  1. Chau, K. W., Wu, C. L. and Li, Y. S. (2005). "Comparison of several flood forecasting models in Yangtze River." Journal of Hydrologic Engineering, ASCE, Vol. 10, Issue 6, pp. 485-491. https://doi.org/10.1061/(ASCE)1084-0699(2005)10:6(485)
  2. Chen, S. H., Lin, Y. H., Chang, L. C. and Chang, F. J. (2006). "The strategy of building a flood forecast model by neuro-fuzzy network." Hydrological Processes, Wiley Interscience, Vol. 20, No. 7, pp. 1525-1540. https://doi.org/10.1002/hyp.5942
  3. Chung, G., Jeon, M., Kim, H. and Kim, T. (2011). "Adaptation capability or reservoirs considering climate change in the Han River Basin." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 31, No. 5, pp. 439-437.
  4. Dastorani, M. T., Moghadamnia, A., Piri, J. and Ramirez, M. R. (2010). "Application of ANN and ANFIS models for reconstructing missing flow data." A Enviromental Monitoring and Assessment, Springer Netherlands, Vol. 166, Issue 1-4, pp. 421-434.
  5. Jang, J. S. R. (1993). "ANFIS: Adaptive-Network-Based Fuzzy Inference System." IEEE Transactions on Systems Man and Cybernetics, IEEE Systems Man and Cybernetics Society, Vol. 23, No. 3, pp. 665-686.
  6. Kim, H., Chung, G., Lee, D. and Lee, E. (2011). "The application of adaptive network-based fuzzy inference system (ANFIS) for modeling the hourly runoff in the Gapcheon watershed." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 31, No. 5, pp. 405-414.
  7. Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasaatri, K. S. (2005). "Short-term flood forecasting with a neurofuzzy model." Water Resources Research, AGU, Vol. 41, Issue 4, pp. 1-16.
  8. Shin, K., Yang, J., Kim, J. and Hong, S. (2011). "Development of water demand forecasting simulator and performance evaluation." Journal of the Korean Society of Water and Wastewater, KSWW, Vol. 25, No. 4, pp. 581-589.
  9. Shu, C. and Ouarda, T. B. M. J. (2008). "Regional flood frequency analysis at ungauged sites using the adaptive neuro-fuzzy inference system." Journal of Hydrology, Vol. 349, Issue 1-2, pp. 31-43. https://doi.org/10.1016/j.jhydrol.2007.10.050
  10. Valizadeh, N., El-Shafie, A., Mukhlisin, M. and El-Shafie, H. (2011). "Daily water level forecasting using adaptive neuro-fuzzy interface system with different scenarios : Klang Gate, Malaysia." International Journal of the Physical Sciences, Vol. 6 No. 32, pp. 7379-7389.
  11. Vernieuwe, H., Georgieva, O., Baets, O. G., Pauwels, V. R. N., Verhoest, N. E. C. and Troch, F. P. D. (2005). "Comparison of data-driven Takagi-Sugeno models of rainfall-discharge dynamics." Journal of Hydrology, Vol. 302, Issues 1-4, pp. 173-186. https://doi.org/10.1016/j.jhydrol.2004.07.001
  12. Yi, J. and Choi, C. (2008). "Flood forecasting and warning using neuro-fuzzy inference technique." Journal of Korea Water Resources Association, Vol. 41, No. 3, pp. 341-351. https://doi.org/10.3741/JKWRA.2008.41.3.341
  13. Zadeh, L. A., (1965). "Fuzzy sets." Information and Control, Vol. 8, pp. 338-353. https://doi.org/10.1016/S0019-9958(65)90241-X