ANFIS 기반의 GloSea5 강수전망 후처리기법 개발 및 평가 :Development and evaluation of postprocessing GloSea5 precipitation forecasts based on ANFIS

문건호

추천

검색

자료유형: 학위논문

저자정보: 문건호 (세종대학교, 세종대학교 대학원)

지도교수: 배덕효

발행연도: 2019

저작권: 세종대학교 논문은 저작권에 의해 보호받습니다.

이용수4

이 논문의 연구 히스토리 (2)

2019

ANFIS 기반의 GloSea5 강수전망 후처리기법 개발 및 평가

문건호 2019.01 학위논문

2018

ANFIS를 활용한 GloSea5 앙상블 기상전망기법 개선

문건호 , 김선호 , 배덕효 한국수자원학회논문집 2018.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

한정된 수자원을 효율적으로 활용하고 홍수나 가뭄 등의 수재해로 인한 피해를 예방하기 위해서는 보다 정확한 수문전망이 요구된다. 수문전망은 기상-수문연계해석을 통해 이루어지며, 수문모델의 입력자료로 수치예보모델의 기상전망자료가 활용된다. 수치예보모델을 통한 기상전망은 모델의 물리조건, 초기 및 경계조건의 영향으로 예측의 불확실성이 큰 한계를 갖는다. 이러한 불확실성을 정량화하고 분석하기 위해 앙상블 예보시스템이 널리 활용 되고 있다. 앙상블 평균이 예보에 활용되나, 앙상블 평균 기반의 기상전망정보 역시 정확도가 낮아 수문전망에 직접적으로 활용하기에는 한계가 있다. 이에 따라 기상전망자료를 활용하기 위해서는 통계적 후처리기법이 요구된다. 이에 본 연구에서는 장기 기상전망자료의 수자원 활용을 위한 통계적 후처리기법을 개발하여 월 강수전망의 정확도를 개선시키고자 한다. 대상유역은 국내 주요 다목적댐인 충주댐 유역을 선정하였으며, 대상 기상전망자료는 기상청 계절예측시스템의 월 강수전망자료를 활용하였다. 가장 대표적인 후처리기법인 분위사상법 기반의 방법과 본 연구에서 개발한 ANFIS (Adaptive Neuro Fuzzy Inference System) 기반의 앙상블 기상 전망 개선 기법 AEWF (ANFIS based Ensemble Weather Forecast)을 충주댐 유역에 대해 적용하고 비교 평가하였다. 분위사상법 기반의 기법으로 QM (Quantile Mapping)과 QDM (Quantile Delta Mapping)을 활용하였으며, 자료의 확률분포형으로 Gumbel, Gamma 분포를 활용하였다. AEWF는 각 앙상블 멤버에 가중치를 부여하는 단계와 편의보정을 위한 단계로 구성된다. 각 기법의 구축에는 1996∼2009년 동안의 과거재현자료(HCST) 및 기상관측자료가 활용되며, 2015∼2016년 동안의 미래전망자료(FCST)를 활용하여 기법을 평가하였다. 평가결과 QM, QDM, AEWF 모두 GloSea5를 개선시키는 것으로 나타났다. 다만 QM, QDM은 과거 관측 및 재현자료의 영향을 받아 평년값에서 벗어나는 예측값의 경우 개선효과가 적은 것으로 나타났다. Gamma 분포의 결과가 Gumbel 분포 보다 개선효과가 우수하였으며, 이는 Gamma 분포가 관측자료와 HCST 자료를 더 적절하게 반영하기 때문으로 판단된다. AEWF는 모든 계절에 대해 개선효과가 우수하였으며, 세 기법 중 예측정확도가 가장 뛰어났다. AEWF의 경우 평년값에서 벗어나는 사상에 대해서도 개선효과가 뛰어났으며, 이는 AEWF의 경우 앙상블 멤버의 예측성능을 고려한 해석이 가능하기 때문으로 판단된다. 따라서 AEWF는 GloSea5 1개월 강수전망의 후처리기법으로 개선효과가 우수하여, 월 전망자료의 수문분야 적용 시 활용성이 높을 것으로 판단된다.

A more accurate hydrological forecast is needed to efficiently utilize of limited water resources and prevent damage from water disasters such as floods and droughts. Hydrological forecasting is done through linkage between meteo and hydrologic analysis and weather forecasting data of numerical forecasting model is used as input data of hydrological model. Weather forecasting through NWP (Numerical Weather Prediction) model has limitation to predict uncertainty due to initial and boundary condition of model. EPS (Ensemble Prediction System) is widely used to quantify and analyze these uncertainties. Although the ensemble average is used for forecasting, the ensemble average is not accurate enough to be used directly for hydrological forecasting. Therefore, statistical post-processing techniques are required to utilize weather forecast data. In this study, statistical post-processing methods are developed for using of hydrological forecasting data to improve the accuracy of monthly precipitation forecasts. The watershed of the Chungju multi-purpose dam in South Korea is selected as a study area. The target weather forecast information is based on the monthly precipitation FCST (forecast) data of GS5 (Global Seasonal forecasting system version 5) of the KMA (Korea Meterological Administration). The QM-based technique, which is the most representative post-processing technique, and the AEWF (ANFIS-based enhancement of Ensemble Weather Forecast) are developed in this study. QM (Quantile Mapping) and QDM (Quantile Delta Mapping) are used as QM-based techniques and Gumbel and Gamma distribution is used as a probability distribution of data. AEWF consists of OWM (Optimal Weighting Method) that assigns weights to each ensemble member and MOS (Model Output Statistics) for bias correction. HCST (hindcast) data and meteorological observed data from 1996 to 2009 are used to construct each technique, and then the technique is evaluated using FCST data for 2015-2016. The results showed that QM, QDM, and AEWF improved the ability of forecast by GS5. However, QM and QDM show little improvement in forecast values deviating from normal values, which is attributed to the past observations and HCST data. The result showed that AEWF has significant improvement during all seasons, and the prediction accuracy is the best among the three methods. The AEWF was also effective in improving the data deviating from normal values, because it is possible to interpret it considering the predictive performance of the ensemble members. Moreover, AEWF showed a considerable improvement for monthly precipiation forecast by GS5 which can be applied for monthly forecast of hydrological fields.

#통계적 후처리기법 #GloSea5 #ANFIS #Quantile Mapping

목 차
제 1 장 서 론 1
1.1 연구배경 및 목적 1
1.2 연구동향 2
1.3 연구수행절차 3
제 2 장 GloSea5 강수전망 통계적 후처리기법 5
2.1 GloSea5 강수전망체계 5
2.2 QM 기반의 후처리기법 9
2.3 ANFIS 기반의 후처리기법 16
제 3 장 GloSea5 통계적 후처리기법 적용 및 평가 29
3.1 대상유역 및 자료수집 29
3.2 평가 방법 30
3.3 QM 기반 후처리기법 적용 31
3.4 ANFIS 기반 통계적 후처리기법 적용 47
3.5 통계적 후처리기법 비교평가 56
제 4 장 결론 64
참 고 문 헌 66
Abstract 72

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)