• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.294-294
• /
• 2017

본 연구에서는 입력 매개변수의 변화에 따른 하천의 수리특성의 변화를 분석하기 위하여 2차원 수리해석 모형의 입력변수들에 대하여 초기 입력값의 15%~ +15% 범위로 변화시켜 해석하였다. 하도내 구조물 주변의 2차원 부정류 해석으로 각각의 매개변수의 입력값에 따라 나타나는 해석결과 최댓값들의 영향을 검토하여 하도내 2차원 분석결과에서 각각의 매개변수의 민감도를 파악하였다. 2차원 수리해석 입력자료의 민감도 분석을 위하여 수온, 밀도, 난류교환계수, 조도계수, MP(Marsh Porosity)에 대한 초기치를 기준으로 $0%{\sim}{\pm}15%$ 변화된 값을 각각 입력하여 하도내 합류부와 구조물 주변에 나타나는 2차원 수리특성 변화를 분석하고 하도구간의 종단 및 횡단에 대해서 각각 매개변수들의 결과 값에 따라 변화되는 특성을 분석하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.431-431
• /
• 2015

일반적으로 유량을 계산하는 수문모형은 강우에서부터 유출에 이르는 수문현상을 해석하는 방법에 따라 하나 이상의 매개변수가 이용된다. 이러한 수문모형의 보정은 계산된 유량과 관측 유량을 비교하고, 계산된 유량이 관측유량을 잘 재현할 수 있도록 모형의 매개변수를 반복적으로 수정하는 과정을 통해서 이루어진다. 수문모형의 매개변수는 수문학적으로 의미가 있는 값을 가지며, 매개변수를 수정하기 위해서는 대상 매개변수가 모형내에서 수문학적으로 어떠한 의미를 가지에 대한 이해가 필요하다. 또한 하나의 매개변수는 다른 매개변수와 함께 복합적으로 유량계산에 작용하므로, 다수의 매개변수를 함께 추정하여 최적 계산결과를 도출하는 과정은 일반적으로 전문성과 함께 많은 시간이 소요된다. 본 연구에서는 범용 매개변수 추정모형인 PEST와 GRM 모형을 연계하여 GRM 모형의 매개 변수를 자동으로 추정할 수 있는 모듈을 개발하였다. 개발된 모듈에서는 GRM 모형의 보정을 위한 PEST 모형의 입력파일을 자동으로 생성하고, PEST 혹은 병렬 PEST를 실행할 수 있다. 사용자는 GRM 모형의 추정대상 매개변수 선택, 관측자료 설정, 자동으로 생성된 PEST 입력파일을 확인 및 수정하며, 병렬 PEST를 실행할 경우에는 slave PEST 개수 등을 설정한다. 본 연구에서 개발된 모듈은 OpenGIS인 MapWindow GIS의 Plug-in으로 개발된 GRM(MW-GRM)에서 메뉴로 제공되며, GUI를 통해서 편리하게 활용될 수 있다. 본 연구에서는 물리적 분포형 모형인 GRM의 보정시 다수의 매개변수를 편리하게 추정할 수 있는 방안을 마련하였다. 본 연구의 결과는 강우-유출 해석 분야에서 GRM 모형이 좀 더 쉽게 활용되는 데 기여할 수 있을 것이다.

• Journal of Korean Society for Geospatial Information Science
• /
• v.8 no.2 s.16
• /
• pp.11-22
• /
• 2000

It needs to extract the accurate topological characteristics and hydrological parameters of watershed in order to manage water resource efficiently. But, these data are processed yet by manual wok and simple operation in hydrologic fields. In this paper, we presented algorithm that could extract topological characteristics and hydrological parameters over watershed using GSIS and it gives the saving of data processing tin and the confidency of data. We presented coupling method between GSIS and hydrologic model by using extracted parameters into the input parameter of HEC-HMS hydrologic model. The extraction procedure of topological characteristics and hydrological parameters is as below. First, watershed and stream are extracted by DEM and curve unmber is extracted throughout the overlay of landuse map and soil map. Also, we extracted surface parameters like the length of the longest flow path and the slope of the longest flow path by Grid computation into watershed and stream. And we gave the method that could extract hydrologic parameters like Muskingum K and sub-basin lag tin by executing computation into surface parameters and average Sn curve number being extracted.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2018.11a
• /
• pp.66-68
• /
• 2018

본 논문에서는 비디오로부터 추출된 프레임에서 3D 인체 모델의 복원하고 이를 부드럽게 재생될 수 있도록 보정하는 기법을 제안한다. 매개변수 기반의 모델을 사용하여 자세 및 체형을 복원하도록 접근하고 있다. 매개변수 기반의 인체 모델은 다양한 인체 데이터의 학습을 통해 만들어지며 입력 영상으로부터 최적의 자세와 체형 매개변수 값을 찾아 복원하게 된다. 자세 복원은 CNN 을 사용하여 영상으로부터 인체의 관절 위치를 추정하고 3D 모델로부터 2D 로 투영을 통해 관절 간의 거리가 최소화되는 매개변수 값을 찾아 복원한다. 형상 복원은 2D 영상으로부터 취득된 사람의 윤곽 데이터와 3D 모델의 윤곽 데이터 간의 매칭을 통해 복원된다. 이러한 단일 입력 영상에서 비디오와 같은 다중 입력 영상으로 확장하여 칼만 필터를 적용하여 오류 프레임을 검출하고 이전, 이후 프레임의 매개변수와의 보간을 통해 보다 자연스럽고 정확한 모델을 생성한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 1993.07a
• /
• pp.327-334
• /
• 1993

일유출량을 모의하는 수문모형이 많이 개발되었지만 그 이용에 있어서는 입력자료와 매개변수가 다양하고 매개변수의 산정에 경험을 필요로 하는 경우가 많기 때문에 수문실무자들이 사용하기에는 다소 어려운 점이 있다. 본 연구에는 최소의 입력자료(강우량, 증발량)와 매개변수로 일자연유량을 모의할 수 있는 집중형 확정론적 모형을 개발하였는데, 관측된 수문곡선으로부터 입력매개변수를 도출할 수 있으며 그 종류가 작기때문에 실무에서 쉽게 이용할 수 있도록 하였다. 개발된 모형의 기본 개념은 강우-유출에 질량불변의 법칙을 적용하고, 선형저수지와 유사한 다중 감수 과정에 따른 수문곡선에 근거한다. 제안된 수문곡선은 차단을 제외한 강우량에 기인한 유량의 시간분포를 나타내며 기저유출과 장래에 손실될 증발산량을 포함한다. 제안된 수문곡선은 2개의 상승부와 3개의 감수부로 구성되며 수문곡선의 우측부는 개방되어 있다. 수문곡선의 상승부에는 감수계수의 개념을 역으로 적용하였으며, 계산을 단순화 하기 위하여 각 상승부 및 감수부의 구간은 정수값만을 갖는다고 가정하였다. 개발된 모형을 한강유역의 인도교지점(1918-1974), 영산강유역의 나주지점(1906-1990)의 일유출량을 모의하기 위하여 적용하였다. 모형의 적용결과 모의 기간중에 매개변수의 조정없이 전 기간에 걸쳐서 양호한 장기간의 일유출량 모의 결과를 얻을 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2006.05a
• /
• pp.824-828
• /
• 2006

SWAT-MODFLOW 모형은 물리적 기반의 준 분포형 모형인 SWAT모형의 지하수 모듈을 분포형 모형인 MODFLOW로 대체하여 하천과 대수층간의 수위차이에 따른 물교환량으로 지하수 유출량을 결정하는 완전 연동형 지표수-지하수 통합모형이다. 이 모형을 구동하기 위해서는 유역자료, 기상자료, 하천특성자료, 토지 이용자료, 토양자료, 작물자료, 지하수자료 등 다양한 입력 자료를 필요로 한다. 이러한 입력 자료의 변동양상에 따라 모형의 결과가 크게 다르게 나타나므로 모형의 입력 매개변수 변화에 따른 모형의 반응을 분석하여야 한다. 본 연구에서는 지하수유출해석을 담당하는 MODFLOW 모형의 수리지질학적 매개변수 변화에 따른 모형의 반응을 검토하였다. SWAT-MODFLOW 모형을 경안천 유역에 적용하여 투수계수, 저류계수, 하상수리전도도 등의 주요 수리지질학적 매개변수가 지하수 유출현상에 미치는 증감과 변화율 등을 정량적으로 분석하였다. 유역출구점에서의 연평균 지하수유출량의 변화, 하천과 대수층의 상호작용에 따른 지하수 유출량 시계열의 변화 등을 분석하여 그 결과를 제시하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2012.05a
• /
• pp.868-872
• /
• 2012

유역의 유입 및 유출은 강수에 의해 발생하며 여러 가지 기후 조건과 토지 상태의 영향을 받는다. SWAT(Soil and Water Assessment Tool) 모형은 이러한 여러 가지 복잡한 기후 조건과 토지 상태를 반영하며, 장기간 입력 자료에 따른 유출량을 산출할 수 있다. 본 연구에서는 시험유역을 안동댐 유역으로 선정하였으며, SWAT 모형을 이용하여 10년(2000년 ~ 2010년) 동안의 유출량을 산정하였고 이를 안동댐의 실측 유입량과 비교 분석하였다. ArcSWAT을 이용하여 분석하였고 입력 자료는 SWAT의 분석단위인 HRU(Hydrologic Response Unit)를 산정하기 위한 정밀 토양도 및 토지피복도와 기상입력 자료인 강우 및 최고기온, 최저기온, 습도, 풍속, 일사량 등을 사용하였다. 강우관측소는 안동댐 유역의 고선, 남회룡, 도천, 미질, 석동, 석포, 석현, 의촌, 재산, 황지를 선정하였고, 일사량관측소는 안동, 대관령, 포항을 선정하였으며, 기온, 습도, 풍속관측소는 안동, 봉화, 태백, 영주를 선정하였다. 또한 기상입력자료 중 결측값은 역거리 자승법을 이용하여 보완하였다. SWAT 모형은 유출량 계산 시 여러 가지 다양한 매개변수가 사용되며, 이러한 매개변수들의 검 보정을 통하여 실제 유역의 특성과 하천 흐름특성을 반영할 수 있다. 본 연구의 시험유역인 안동댐유역은 산림과 초지가 많은 지역이기 때문에 식물에 의해 차단되는 강우에 관한 매개변수와 지하로 침투되는 강우량에 관한 매개변수 등을 보정하여 실제 유역특성을 반영하였다. 본 연구에서는 이러한 과정을 통해 안동댐 유역의 10년 동안의 일 유출량을 산정한 결과, 홍수기의 첨두유량 및 첨두시간에는 실측자료와 약간의 차이가 있었지만 전체적으로 실측자료와 매우 유사한 유출량을 산정하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.319-319
• /
• 2020

최근 데이터 과학의 획기적인 발전 덕분에 딥러닝 (Deep Learning) 알고리즘이 개발되어 다양한 분야에 널리 적용되고 있다. 본 연구에서는 인공신경망 중 하나인 LSTM(Long-Short Term Memory) 네트워크를 사용하여 댐 유입량을 예측하였다. 구체적인 내용으로, (1) LSTM에 필요한 입력 데이터를 효율적으로 사전 처리하는 방법, (2) LSTM의 하이퍼 매개변수를 결정하는 방법 및 (3) 다양한 손실 함수(Loss function)를 선택하고 그 영향을 평가하는 방법 등을 다루었다. 제안된 LSTM 모델은 강우량(R), 댐유입량(Q) 기온(T), 기저유량(BF) 등을 포함한 다양한 입력 변수들의 함수로 가정하였으며, CCF(Cross Correlations), ACF(Autocorrelations) 및 PACF(Partial Autocorrelations) 등의 기법을 사용하여 입력 변수를 결정하였다. 다양한 sequence length를 갖는 (즉 t, t-1, … t-n의 시간 지연을 갖는) 입력 변수를 적용하여 데이터 학습에 최적의 시퀀스 길이를 결정하였다. LSTM 네트워크 모델을 적용하여 2014년부터 2020년까지 한강 유역 9개의 댐 유입량을 추정하였다. 본 연구로부터 댐 유입량을 예측하는 것은 홍수 및 가뭄 통제를 위한 필수 요건들 중 하나이며 수자원 계획 및 관리에 도움이 될 것이다.

• Journal of the Korean GEO-environmental Society
• /
• v.4 no.3
• /
• pp.69-77
• /
• 2003

This study was carried out to evaluate the WASP5 model parameters and to analyze the sensitivity of parameters in Daechung Reservoir. The values predicted by the model and tendency were very similar to the observed data at Daejeon intake, so it is possible to predict water quality of the Daejeon intake region in the future. Results from the sensitivity analysis showed that Chlorophyll-a was sensitive to variations in saturated growth rate of phytoplankton, endogenous respiration rate of phytoplankton, extinction coefficient and temperature. T-N was sensitive to mineralization rate of dissolved organic nitrogen and temperature. T-P was affected by T-P load, temperature, extinction coefficient, mineralization rate of dissolved organic phosphorus and saturated growth rate of phytoplankton. BOD was influenced by deoxygenation rate and temperature, and DO was influenced by temperature. Adequate input data was applied and assessed through the model sensitivity analysis. So it is possible to distinguish the input data which need careful attention when it has application to model.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.292-292
• /
• 2021

최근 데이터 과학의 획기적인 발전으로 딥러닝(Deep Learning) 알고리즘이 개발되어 다양한 분야에 널리 적용되고 있다. 본 연구에서는 인공신경망 중 하나인 LSTM(Long-Short Term Memory) 네트워크를 기반으로 정확한 댐유입량 예측을 수행하는 SWLSTM 모델을 제안하였다. SWLSM은 모델의 정확도를 개선하기 위해 세 가지 주요 아이디어를 채택하였다. (1) 통계적 속성 (PACF) 및 교차 상관 함수(CCF)를 사용하여 적절한 입력 변수와 시퀀스 길이를 결정하였다. (2) 선택된 입력 예측 변수 시계열을 웨이블릿 변환(WT)을 사용하여 하위 시계열로 분해한다. (3) k-folds cross validation 및 random search 기법을 사용하여 LSTM의 하이퍼 매개변수들을 효율적으로 최적화하고 검증한다. 제안된 SWLSTM의 효과는 한강 유역 5개 댐의 시단위/일단위/월단위 유입량을 예측하고 과거 자료와 비교함으로써 검증하였다. 모델의 정확도는 다양한 평가 메트릭(R2, NSE, MAE, PE)이 사용하였으며, SWLSTM은 모든 경우에서 LSTM 모델을 능가하였다. (평가 지표는 약 30 ~ 80 % 더 나은 성능을 보여줌). 본 연구의 결과로부터, 올바른 입력 변수와 시퀀스 길이의 선택이 모델 학습의 효율성을 높이고 노이즈를 줄이는 데 효과적임을 확인하였다. WT는 홍수 첨두와 같은 극단적인 값을 예측하는 데 도움이 된다. k-folds cross validation 및 random search 기법을 사용하면 모델의 하이퍼 매개변수를 효율적으로 설정할 수 있다. 본 연구로부터 댐 유입량을 정확하게 예측한다면 정책 입안자와 운영자가 저수지 운영, 계획 및 관리에 도움이 될 것이다.