Development of Naïve-Bayes classification and multiple linear regression model to predict agricultural reservoir storage rate based on weather forecast data
14
0
0
전체 글
(2) 840. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 1. 서 론. GS5 데이터를 이용해 수문학적 가뭄 및 강우-유출 모형으로 댐 저수지 모의 운영 전망 자료를 생산하여 향후 3개월 내 예상. 최근 전 지구적으로 발생하고 있는 기후변화는 극치기상. 되는 가뭄 및 용수 부족상황을 제공함으로써 가뭄에 선제적으. 의 발생빈도를 증가시켜 집중호우와 극한가뭄을 주기적으로. 로 대응하고 피해를 최소화하려는 연구가 진행되었다(Son et. 발생해 인명 및 재산피해를 급증시키고 있다. 특히, 기후의존. al., 2015; Song et al., 2017; Li et al., 2016).. 적인 산업 성격을 띠는 농업은 기후변화에 크게 민감하기 때. 따라서 본 연구는 형태학적 특성이 같은 저수지를 군집화. 문에, 농업의 역할인 안정적인 먹거리 수급과 농업생산기반. 하여 전국의 저수지를 분류하고, 군집의 특성을 반영한 월별,. 의 유지를 위해서는 기후변화로 인한 극치기상에서도 안정적. 군집별 회귀식을 개발하여 저수율 데이터를 생산하고 기상예. 인 농업용수를 공급할 수 있어야 한다.. 보자료(GS5)를 적용하여 회귀식의 미래저수율전망 활용가. 농업용수의 안정적인 공급을 위해서는 저수량을 이루는. 능성을 평가하고자 하였다.. 인자를 분석하여 저수량의 변동을 예측해야하며, 최근 연구 를 살펴보면 각기 다른 기상, 지형적인 인자들을 변수로 두고 통계학적 분석을 통해 저수량을 예측하는 다중선형회귀분석 을 주로 이용한다. Kim and Lee (2008)는 낙동강 유역의 지리. 2. 재료 및 방법. 학적 인자를 이용하여 회귀분석을 통해 저수량 분석을 실시하. 본 연구에서는 한국농어촌공사 저수지 3,067개의 제원 자. 여 미계측 유역에서의 저수량을 예측한 바 있고, Ahn et al.. 료를 수집하여 나이브 베이즈 분류기법을 통한 저수지의 형태. (2007)은 안성천 유역에서 기상인자들을 이용해 저수지 저수. 학적인 군집분석을 수행하였다. 또한 분류된 군집별 월별 저. 량과의 회귀분석을 실시하고 저수량을 예측하였다. Kang. 수율 예측 회귀식 산정을 위해 저수율 관측 자료와 전국 63개. (2013)은 안동댐 저수량에 가장 큰 요인이 되는 유입량을 예측. 기상관측자료를 수집하였으며, 저수율과 기상인자를 독립. 하기 위해 남방진동지수, 해수면 온도, 500 hPa 지위 고도자료. 변수로 하는 저수율 예측 다중선형 회귀식을 산정하였다. 산. 등의 예측인자로 다중선형 회귀분석을 진행하여 저수지의 유. 정된 회귀식의 정확도를 검증하기 위해 관측자료와의 상관성. 역특성을 판단한 바 있다. 또한, 가뭄지수를 통해 저수지 가뭄. 분석을 실시하였다. 본 연구의 연구 흐름도는 Fig. 1과 같다.. 에 영향을 주는 인자를 계산하여 저수량을 예측하는 연구도 수행된 바 있다(Yoo et al., 2012). 그러나 이와 같은 선행연구. 2.1 농업용저수지 저수율 자료 및 기상 관측자료 수집. 들은 대댐 위주 및 유역단위에서의 분석을 통한 저수율 예측. 농업생산기반정비통계연보(KRC, 2017)에 따르면 전. 연구가 주를 이루었고, 전국적인 분석을 위한 연구는 지역적. 국 농업용저수지는 총 17,313개로 농어촌공사 관할 저수지. 특성과 저수지의 형태학적인 복잡성 때문에 활발히 수행되지. 3,403개소 및 시군관리 저수지 13,910개로 구성되어 있으며,. 못했다. 이러한 단점이 개선된 저수율 예측을 위해서는 우선. 국내 농업용수 사용량 중 약 60%를 공급하는 핵심 농업기반. 저수지의 형태학적 혹은 지역적 특성이 반영된 체계적인 군집. 시설이다(Kim et al., 2017). 그러나 시군관리저수지의 경우. 분석이 요구된다.. 에는 제도적 지원 및 인력의 부족으로 수문계측기 설치 및 관. 전국단위의 저수지의 효율적인 운영과 관리를 위한 군집. 리를 수행하지 못해 저수율을 산정하는데 필수적인 수문 계측. 분석 방법으로 Lee et al. (2003)은 국내 저수지의 수질에 영향. 자료를 확보하기가 어렵다(Shin and Lee, 2012). 따라서 수문. 을 미치는 인자들을 이용해 군집분석을 실시하여 수질 관리. 계측기가 설치된 농어촌공사 관할 저수지를 대상으로 저수율. 방안과 부영양화 기준을 제시하였고, Lee et al. (2015)은 저수. 자료를 수집하여 저수율 분석을 실시하고자 하였다. 농업기. 지 파괴원인에 도출된 인자들을 이용하여 주성분 분석과 군집. 반시설관리시스템 RIMS (Rural Infrastructure Management. 분석을 이용하여 농업용저수지의 체계적인 안전관리를 위한. System)에서는 농업용저수지의 저수율 자료를 2002년부터. 저수지 유형화를 시도한 바 있다. Korea Rural Corporation. 10분자료 및 일자료로 제공하고 있다. 저수율 예측 회귀식의. (2017)에서는 농어촌용수구역을 군집분석을 통해 유형화하. 산정을 위해 충분한 저수율 데이터가 필요하므로 한국농어촌. 고 기후변화 영향 실태조사 및 취약성 평가를 실시한 바 있다.. 공사에서 관리중인 저수지 3,403개소 중 2002년부터 데이터. 한편, 국내에서 빈번하게 발생하는 단기가뭄(1~3개월)에. 를 가지고 있는 3,067개 저수지의 저수율 관측자료를 수집하. 대응하기 위해 기상청에서는 기상예보자료 Glosea5 (GS5)를. 였고, 수집된 일자료를 월별로 정리해 분석에 활용하였다. 수. 생산하여 기상 가뭄의 예측자료 등으로 현업에 활용중이다.. 집된 자료 중 이상값과 결측자료가 존재할 경우 데이터를 내.
(3) J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 841. Fig. 1. The production of reservoir storage rate forecasting data. 나이브 베이즈 분류, SVM (Support Vector Machine) 등의. 삽 혹은 배제하였다. 기상자료는 기상청 종관자동기상관측장비(ASOS)가 설. 다양한 방법으로 개발되었다. 그 중, 나이브 베이즈 분류. 치된 기상관측소 중 결측자료가 없고, 30년 이상의 과거 기상. (Naïve-Bayes Classifier, NBC)는 주어진 클래스 내에서 각. 자료를 보유하고 있는 63개 관측소 자료를 이용하였다. 저수. 각의 속성들이 서로 독립이라는 가정을 기본으로 조건부 확. 율 회귀분석을 실시하기 위한 인자는 5가지의 기상인자(강수,. 률을 이용하여 분류하는 기계학습 알고리즘 중에 하나이다. 최고기온, 평균기온, 최저기온, 평균풍속) 자료를 활용하였다.. (Park, 2012). 베이즈 기반 추론은 불충분한 정보를 가진 환경. 기존의 저수지 가뭄지수(Reservoir Drought Index, RDI). 에서 항목들을 분류하고 추론하는 대표적인 기법으로 조건부. 는 현재에 대한 평년(1976~2005) 대비 가뭄 상태를 표현하도. 확률을 통한 의사결정에 많은 장점이 있으며 간단한 계산과정. 록 제안되었으나, 본 연구에서는 기상청 3개월 예보자료를 활. 에도 불구하고 분류 정확도가 높아 많은 양의 자료를 분류 하. 용해 저수율을 예측하고자 기존의 RDI를 개선 한 RDI-3을 이. 는데 널리 이용되고 있다(Kim and Kwon, 2005; Kim and Lee,. 용하였다(Eq. (1)).. 2011; Han and Cha, 2017). 나이브 베이즈 분류를 위해 분류의 기준이 되는 각 클래스. . (1). . 에서 설명변수들의 사전 확률분포와, 분류하고자 하는 인스 턴스들의 설명변수와 클래스 사이의 조건부 확률분포를 바탕 으로 사후 확률을 계산하여 구한다(Hong et al., 2008). 분류될. 여기서, 는 해당 월을 기준으로 3개월 이전 저수 율의 평균값을, 는 과거 30년 평년저수율에서 해당 월을 기준으로 3개월 이전 저수율의 평균값을 의미한다. RDI-3의 결과값에 따라 -0.25~-0.5는 보통 가뭄, -0.5~-1.0 심 한 가뭄, -1 이하는 극한 가뭄의 단계를 나타낸다.. 2.2 나이브 베이즈 분류 어떤 항목을 미리 정의된 범주들로 구분 짓는 분류 (Classification) 기법은 의사결정트리, 로지스틱 회귀분석,. 개체들은 j개의 설명변수를 나타내는 인스턴스 로 표현되며 분류 결과에 해당하는 클래스는 로, 각 구간의 확률 값은 로 표현된다. 다음 식을 통해 최대 확률을 갖는 그룹 를 찾아내어 분류하게 된다(Eq. (2)). arg ∈ . . (2). 한편, 나이브 베이즈 분류는 속성에 포함된 특정 범주에 대 해 각각 일어날 확률을 기반으로 클래스에 해당하는 결과를.
(4) 842. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 분류하는 방법이므로 연속적인 값을 가지는 속성을 그대로. 된 전 지구 결합모델 HadGEM3에 기초하여 각 모델들을 결합. 적용하기 위해서는 설명변수 에 대한 가우시안 밀도함수의. 하여 구성된 계절예측시스템이며, 현재부터 3개월 동안의 강. 가정이 필요하다. 때문에 해당 속성에 대한 독립적인 확률 값. 수량, 최고 ․ 최저기온, 평균기온, 평균풍속에 대한 예보자료를. 을 계산하여 다음의 식에 적용할 수 있다(Eq. (3)).. 제공한다.. 2.5 모형의 평가 방법. . ∙ . (3). 회귀모형으로 모의된 저수율의 적합성과 실측저수율 간의 상관성을 평가하기 위해 많이 이용되는 평가지표인 결정계수. 여기서, 는 각 설명변수에 대한 연속적인 값들의 평균을 의. (Determination Coefficient, R2), 평균제곱근오차(Root Mean. 미하며 는 표준편차를 의미한다(Park and Yoon, 2017; Yim. Square Error, RMSE)를 이용하였고 모형의 효율성을 검증하. and Hwang, 2014). 가우시안 밀도함수를 고려한 나이브 베이. 기 위해 Nash-Sutcliffe 효율성지수(Nash-Sutcliffe efficiency. 즈 분류기법은 범주형 데이터에서도 빠른 계산과정과 부족한. coefficient, NSE)를 사용하였다(Kim and Kim, 2013; Kim. 데이터에서도 높은 정확도를 보여주기 때문에 많은 저수지를. and Kim, 2017). 2015~2016 가뭄기간에 대해 농업용저수지 가뭄지수인. 분류하여 분석하기에 적합하다.. RDI를 산정하고, 가뭄지수의 객관적 평가를 위해 확률론적 평가방법인 ROC (Receiver Operating Characteristics) 모형. 2.3 다중선형 회귀분석 다중회귀분석이란 객관적으로 나타난 자료를 바탕으로 두. 을 설정하여 회귀식의 가뭄 재현능력을 평가하였다. ROC 분. 개 이상의 독립변수(independent variable)를 이용해 종속변. 석은 주로 기상분야에서 확률예보의 정성적 검증에 활용되는. 수(dependent variable)와의 상호관계를 분석하여 종속변수. 기법으로(Mason, 1982) Table 1과 같이 모형을 설정하여 평. 를 예측하거나 제어하기 위한 통계적 방법이다. 일반적으로. 가하게 된다.. 대부분의 자연적 현상을 설명할 때 종속변수 는 두 개 이상. 2015~2016년 동안 관측자료 기반의 RDI-3를 “관측 결과. 의 독립변수에 의해 좌우되는 경우가 있으며, 설명력 있는 적. (Observed Value)로 설정하고 같은 기간동안 회귀방정식을. 절한 독립변수 여러 개 선택해 종속변수를 나타낼 경우 회귀. 통해 모의된 RDI-3 결과를 예측 결과(Prediction Value)로 분. 식의 정확도가 향상된다(Yun et al., 2009). 설명하는데 개의. 류하여 “가뭄 발생(O)” 과 “가뭄 미발생(X)”의 각각 2가지로. 독립변수인 ⋯ 를 도입할 때 다중회귀모형은 다음. 분류 하였다. 실제 가뭄(관측자료기반 RDI-3)이 발생한다고. 과 같이 정의된다(Eq. (4)). ⋯ . 기록된 경우에 회귀식 기반 RDI-3 에서도 가뭄이 발생했다고 나타나면 “성공(Hit, H)”, 발생하지 않았다고 나타나면 “잘못. (4). 여기서, ⋯ 는 회귀계수 또는 매개변수를 의미하고, 는 서로 독립이고 동일한 분포 N(0, )을 따르는 오차항이. 다. … 는 번째 독립변수 의 회귀계수(기울기) 를 의미하는데, 의 값이 한 단위 증가할 때의 값의 평균 변화량을 나타낸다. 그리고 는 독립변수 의 번째 관측 치를 의미한다(Choi et al., 2012).. (Missing, M)”으로 설정하고, 실제 가뭄이 발생하지 않을 경 우 예측결과에서 가뭄이 발생한다면 “실패(False, F)” 그렇지 않다면 “음의 성공(Negative hit, N)”으로 나타내었다. 이중 H와 N을 참의 값으로 판단하고, M과 N은 거짓의 값으로 결정 하였다. 4가지의 구분을 통해서 적중률과 비적중률을 각각 계산하 게 되고 ROC 좌표계 내에서 하나의 점으로 표현함으로써 ROC 곡선을 구성할 수 있다. ROC 값의 범위는 0에서 1사이 의 값을 가지며, 곡선 아래의 면적(Area Under Curve, AUC). 2.4 GS5 예보자료 기상청에서는 잦아진 이상기후로 인해 피해경감과 고품질. Table 1. ROC analysis. 장기예보자료를 효율적인 정책수립을 지원하기 위해 영국 기. RDI-3 produced regression model. 상청과의 공동 구축 및 운영을 통한 GloSea5 (Global Seasonal Forecasting System, GS5) 모델을 도입하였다(KMA, 2012). GS5 모델은 대기모델, 해양모델, 해빙모델, 지표모델로 구성. Observed RDI-3. Drought. Non-drought. Drought. Hit (H). False (F). Non-drought. Missing (M). Negative hit (N).
(5) 843. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 이 산정 된다. AUC 값은 완벽한 예보일 경우 1.0, 예보의 기술. 완화 및 홍수조절, 환경유지유량, 레크리에이션 용도까지 다. 이 없을 경우에는 0.5의 값을 가지게 된다(Bae et al., 2013).. 양한 목적으로 활용되기 때문에(Park, 2015), 실질적으로 농 업용저수지의 분석을 위해서는 정확한 제원 데이터를 가지고 있는 저수지에서 분석을 실시하여야 한다. 따라서 선행연구. 3. 결과 및 고찰. 에서 선정한 65개의 클래스데이터 중 설정변수의 항목을 가. 3.1 용수구역 대표 저수지 자료를 활용한 나이브 베이즈 분류. 61개 저수지를 클래스데이터로 선정하였다.. 지고 있지 않은 4개 저수지(송강, 공정, 백천, 백용)를 제외한 전국 저수지 분류를 위해 한국농어촌공사에서 관리하는. 나이브 베이즈 분류는 미리 설계된 설명변수를 입력해서. 저수지 3,067개에 대한 제원 및 저수율 자료를 구축하였으며,. 클래스를 분류해야한다. 이를 위해 전국 농업용수 511개 구역. 이 중 불완전 데이터를 제외한 1,559개소에 나이브 베이즈 분. 에 대해 9가지 항목(용수구역 면적, 논면적, 밭면적, 수리답. 류기법을 적용하였다.. 면적, 관개 전 면적, 수리답율, 관개전율, 용수구역 내 저수지. Table 2는 나이브 베이즈 분류 기법을 적용하여 61개의 대. 수, 용수구역 내 농업생산기반 총 시설 수)을 기준으로 군집분. 표 저수지 군집으로 분류한 결과를 나타낸 것으로 19번 군집. 석 및 데이터마이닝의 의사결정나무기법을 활용해 군집으로. 에 분류된 저수지는 667개(42.8%)로 61개의 군집 중 가장 많. 분류한 후 각 군집에 대해 용수구역 조사 대상지구 65개소를. 은 저수지가 분류되었고, 22번 군집으로 분류된 저수지는 78. 선정한(KRC, 2017) 선행연구사례를 바탕으로 클래스를 설. 개(5.0%), 30번 군집은 56개(3.6%)로 나타났다. 또한 군집수. 정하였다.. 가 10개 이하인 군집은 31개로 나타났으며, 14, 24, 42번 군집. 나이브 베이즈 분류를 위한 속성변수는 총저수량에서 수. 은 저수지가 0개로 분류되었다.. 면증발 등의 저수지내 손실수량을 공제하고 남은 유효저수. 우리나라 대부분의 농업용 저수지는 관개 규모가 100 ha. 량, 농업생산기반시설로부터 혜택을 받는 면적인 수혜면적,. 이하의 소규모 저수지임에 따라(Yoo and Park, 2007) 소규모. 강수로 인해 지표유출을 받는 면적인 유효면적, 지리적인 특. 저수지 군집인 19번 군집의 경우, 19번 군집의 클래스데이터. 성을 고려한 위도와 경도, 저수지의 가뭄 발생 빈도를 나타내. 인 수부저수지는 모든 기준저수지 중에 유효저수량(317 ×. 는 한발빈도(수리안전답) 총 6가지로 설정하였다.. 103m3), 수혜면적(98 ha) 및 유역면적(218 ha)이 가장 작은 저. 한편, 농업용저수지는 용수 공급만 하는 것이 아니라 가뭄. 수지로 19번 군집으로 분류된 저수지들은 수부저수지의 유. Table 2. Results of Naïve-Bayes classification analysis. Cluster. Count (%). Cluster. Count (%). Cluster. Count (%). Cluster. Count (%). 1. 7 (0.5). 17. 41 (2.6). 33. 4 (0.3). 49. 9 (0.6). 2. 4 (0.3). 18. 30 (1.9). 34. 7 (0.5). 50. 16 (1.0). 3. 10 (0.6). 19. 667 (42.8). 35. 9 (0.6). 51. 16 (1.0). 4. 6 (0.4). 20. 15 (1.0). 36. 6 (0.4). 52. 10 (0.6). 5. 17 (1.1). 21. 9 (0.6). 37. 16 (1.0). 53. 38 (2.4). 6. 5 (0.3). 22. 78 (5.0). 38. 6 (0.4). 54. 11 (0.7). 7. 23 (1.5). 23. 7 (0.5). 39. 49 (3.1). 55. 6 (0.4). 8. 8 (0.5). 24. 0 (0.0). 40. 10 (0.6). 56. 8 (0.5). 9. 5 (0.3). 25. 17 (1.1). 41. 4 (0.3). 57. 5 (0.3). 10. 21 (1.4). 26. 12 (0.8). 42. 0 (0.0). 58. 28 (1.8). 11. 9 (0.6). 27. 15 (1.0). 43. 30 (1.9). 59. 11 (0.7). 12. 3 (0.2). 28. 11 (0.7). 44. 2 (0.1). 60. 18 (1.2). 13. 4 (0.3). 29. 18 (1.2). 45. 9 (0.6). 61. 45 (2.9). 14. 0 (0.0). 30. 56 (3.6). 46. 11 (0.7). 15. 13 (0.8). 31. 21 (1.4). 47. 2 (0.1). Total. 1,559 (100). 16. 11 (0.7). 32. 7 (0.5). 48. 23 (1.5).
(6) 844. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 효저수량, 수혜면적, 유역면적보다 작은 형태학적 특성을 가 3. 서단 저수지의 위도분포가 125.983~129.573 (°)임을 미루어. 3. 봤을 때 그 편차가 크며 위․경도에 분류에 대한 뚜렷한 특징을. 이하의 저수지가 911개, 전체의 58%로 군집에 분류되는 수. 나타내지 않는 것으로 분석되었다. 또한 한발빈도의 경우 저. 자체도 많아졌다. 반면, 유효저수량이 가장 큰 26번의 클래스. 수지 설계 시 대부분 10년으로 설정함에 따라 군집별 특성을. 진 저수지들이 모두 분류되었으며, 유효저수량 500 × 10 m. 3. 3. 데이터인 금광저수지의 유효저수량은 12,047 × 10 m 로 이 이. 나타내는 인자로 판단하기 어려운 것으로 분석되었다.. 상의 유효저수량을 가진 저수지들은 26번으로 분류되었다.. 한편, 유효저수량(EV)과 수혜면적(IA), 유역면적(WA)에. Fig. 2는 분류된 저수지들의 지역적 분포를 파악하기 위해. 는 각 군집별로 구별되는 차이가 존재하며, 비슷한 유효저수. 나타낸 것으로, 전남, 경남 지역에 19번 군집에 소속된 저수지. 량 값을 갖더라도 수혜면적이나 혹은 유역면적으로 저수지의. 가 많은 것으로 나타났다. 경기, 충남 지역에는 22번 군집에. 분류가 달라질 수 있는 것으로 나타났다. 이는 나이브 베이즈. 소속된 저수지가 많이 분포해 있었고(Fig. 2(a)), 30번 군집의. 분류가 모두 독립적으로 작용하고 전체 인스턴스의 평균과. 소속 저수지는 충청도 내륙에 많이 분포해 있는 것을 확인할. 분산을 사용하기 때문에 그 분포에 영향을 많이 받으며, 분포. 수 있었다(Fig. 2(a)).. 값에 따라 영향이 큰 몇 개의 인자가 전체 확률 값에 주요한. 나이브 베이즈 분류를 통한 저수지 군집분석 결과 저수지. 영향을 끼친 것으로 판단된다.. 분류는 지역별로 뚜렷한 경향을 나타내지 않았다. 따라서 저. 예를 들어, 31번 군집과 51번 군집의 경우 클래스데이터와. 수지의 유효저수량, 유역면적 등과 같은 형태학적인 분류를. 분류된 저수지들의 유효저수량이 600~684 × 103m3로 편차. 위해 군집수를 축소하여 재분석을 실시하였다. 이를 위해 61. 가 심하지 않았지만 유역면적에서 큰 차이를 보여 다른 군집. 개의 군집 중 10개 이하의 개체수를 가진 군집(Fig. 2(b))에 대. 으로 분류되었고, 22번 군집 및 25번 군집에서는 유효저수량. 해 저수지의 제원이 유사한 군집의 클래스데이터로 재분류. 이 약 1,034~1,260 × 103m3으로 유효저수량의 차이가 크게. 하여 군집수를 30개로 축소하였다.. 나타나지 않지만 수혜면적과 유역면적의 차이로 인해 군집이. Table 3은 30개의 군집에 대한 클래스데이터의 제원 및 분. 분류 된 것을 확인할 수 있다. 종합해 보면, 군집분석 결과 위도. 류된 저수지의 제원(유효저수량, 수혜면적, 유역면적, 위도,. 와 경도 및 한발빈도는 군집 분류에 크게 영향을 미치지 않은. 경도, 한발빈도)을 정리한 것으로, 위도와 경도의 경우 실측값. 것으로 분석되며, 유효저수량이 500 × 103m3 이하의 저수지. 과 군집평균값에 대한 평균차이가 심하며, 우리나라 최북단~. 의 수혜면적 및 유역면적의 크기에 따라 상세히 군집분류가. 최남단 저수지의 위도분포가 34.306~38.426 (°), 최동단~최. 된 것으로 나타났다.. (a) 30 clusters in which more than 10 reservoirs are classified. (b) The rest of the clusters in which less than 10 reservoirs are classified. Fig. 2. Reservoir distribution classified with Naïve-Bayes Classifier (NBC).
(7) 845. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. Table 3. Reservoir specification for each cluster. Cluster. Count. EV (103m3) CD. NBC. IA (ha) CD. WA (ha). NBC. LAT (°). CD. NBC. CD. NBC. LONG (°) CLD. NBC. FD (year) CD. NBC. 5. 40. 3,274. 3,156. 380. 609. 2,070. 2,038. 37.943. 36.012. 127.72. 127.66. 10. 8.2. 7. 23. 393. 400. 99. 81. 170. 187. 38.426. 36.114. 128.39. 127.39. 10. 7. 10. 28. 429. 376. 102. 92. 570. 569. 34.981. 35.875. 127.71. 127.16. 10. 7.7. 15. 25. 744. 746. 103. 115. 510. 483. 37.653. 36.094. 127.95. 127.43. 10. 8.1. 16. 29. 1,604. 1,847. 210. 319. 2,341. 2,293. 36.555. 35.541. 128.52. 128.09. 10. 9. 17. 41. 419. 433. 38. 51. 157. 153. 36.356. 36.524. 127.15. 126.91. 10. 10. 18. 30. 606. 587. 143. 126. 420. 399. 37.110. 35.530. 127.19. 127.50. 10. 9.4. 19. 667. 317. 114. 98. 32. 218. 121. 36.104. 34.966. 126.89. 127.47. 10. 10. 20. 24. 1,789. 1,584. 276. 247. 750. 788. 35.495. 35.992. 127.62. 127.00. 10. 10. 22. 78. 1,180. 1,260. 203. 196. 650. 631. 37.082. 36.842. 129.32. 128.35. 10. 10. 25. 27. 1,034. 1,179. 510. 363. 1,172. 1,219. 35.688. 36.180. 129.15. 127.60. 10. 10. 26. 15. 12,047. 20,010. 1,245. 2,297. 4,830. 9,062. 36.064. 36.016. 126.88. 127.41. 10. 9.3. 27. 24. 3,551. 3,414. 281. 412. 1,006. 984. 35.689. 36.368. 129.23. 127.99. 10. 9.4. 28. 11. 570. 431. 77. 88. 1,460. 1,370. 34.820. 35.837. 127.87. 127.77. 10. 8.5. 29. 18. 1,906. 1,840. 164. 200. 460. 387. 35.517. 35.818. 126.90. 128.06. 10. 8.8. 30. 56. 574. 586. 110. 99. 254. 247. 37.619. 36.611. 128.99. 128.33. 10. 9.1. 31. 21. 621. 620. 78. 106. 545. 572. 36.536. 35.659. 128.02. 127.30. 10. 8.3. 37. 16. 464. 458. 149. 128. 530. 492. 36.87. 35.407. 127.72. 127.45. 10. 9. 39. 49. 369. 277. 97. 70. 368. 399. 34.814. 36.266. 128.62. 128.18. 10. 7.9. 43. 30. 334. 234. 76. 59. 740. 821. 34.579. 35.683. 126.85. 127.65. 10. 10. 46. 11. 629. 653. 166. 163. 450. 451. 36.441. 35.980. 126.63. 127.64. 10. 9.1. 48. 39. 1,922. 1,957. 376. 352. 1,537. 1,444. 37.173. 36.675. 128.21. 127.47. 10. 8.8. 50. 24. 864. 927. 215. 196. 1,000. 1,055. 35.298. 35.731. 127.42. 127.97. 7. 9.3. 51. 16. 621. 684. 196. 156. 1,640. 1,710. 36.273. 35.499. 126.63. 127.40. 10. 7.6. 53. 38. 398. 452. 118. 93. 360. 355. 35.472. 36.486. 126.71. 127.59. 10. 8.6. 54. 25. 537. 544. 131. 115. 770. 813. 35.847. 35.933. 127.07. 128.47. 10. 10. 58. 28. 837. 878. 88. 102. 180. 212. 37.247. 36.275. 128.20. 128.16. 10. 9.2. 59. 50. 2,549. 2,448. 465. 431. 1,390. 1,553. 36.628. 36.769. 127.32. 127.28. 10. 6.5. 60. 31. 822. 888. 192. 208. 537. 520. 34.701. 36.241. 126.63. 127.27. 10. 8.9. 61. 45. 848. 918. 198. 148. 355. 364. 36.351. 35.572. 127.77. 127.39. 10. 9.1. EV: effective storage volume, IA: irrigated area, WA: watershed area, FD: frequency of drought, CD: class data, and NBC: Naïve-Bayes classifier. 3.2 군집별 월 저수율 예측 회귀식 산정결과. 수율 관측자료는 RIMS에서 제공받은 2002~2016년의 일 농. 본 연구에서는 기상관측자료의 5가지 요소와 농업용저수. 업용저수지 저수율 관측자료는 월별로 평균하여 가공하였다.. 지 저수율을 독립변수로 활용하여 다중선형 회귀모형을 구축. 회귀식의 변수는 GS5에서 제공하고 있는 기상요소 5가지. 하였다. 농업용수와 관련한 데이터들은 인위적 요소가 포함되. (강수량, 최고기온, 최저기온, 평균기온, 평균풍속)와 동일한. 므로 일별로 평가하는 것보다 월별로 평가하는 것이 일반적으. 기상관측자료를 이용하였다. 최고 및 최저기온은 Thorton and. 로 실측치를 잘 반영하게 된다(Song et al., 2013). 월 단위 기상. Running (1999)에 의해 증발산 산정을 위한 일평균 복사열의. 관측자료는 기상청 2002~2017년의 전국 63개 지상기상관측. 인자로 반영된 바 있으며, Rim (2017)의 연구에서도 증발량. 지점에서 얻은 일 기상관측자료를 강수는 누적, 그 외의 기상자. 추정 시 기온자료를 활용한 바 있다. 일조시간과 상관관계가. 료는 평균하여 월 기상관측자료로 가공하였고, 월 단위 전국 저. 있는 평균기온을 고려한 선행연구(Lee et al., 1995)를 반영하.
(8) 846. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 여 각 인자를 독립변수로 채택하였다. 강수량의 경우 저수율. 는 예측 시점 전월 저수율(%)이다. 다중선형 회귀분. 에 직접적인 영향을 미치게 됨에 따라(Ahn et al., 2007) 3개월. 석을 통해 각 군집별로 연도별 월별 데이터를 산정하고 각 독. 로 구분해 각각의 변수로 구분하였다. 또한 저수율의 연속적인. 립변수별 회귀계수 의 값을 산정하고 회귀. 특성을 반영하기 위해 전월 저수율을 독립변수로 채택하였다.. 식의 결정계수 R2를 산정하였다.. 회귀식의 기본적인 형태는 다음과 같다(Eq. (5)).. Fig. 3은 다중선형 회귀분석을 통해 월별 선형회귀계수를 산정하여 군집별 평균을 기준으로 최고, 최저의 분포를 도시. ∙ ∙ (5) ∙ ∙ ∙ ∙ ∙ ∙ . 여기서, 는 예측시점의 예측저수율(%), 은 해당 월의 강수(mm), 는 해당 월을 기준으로 한 달 전 월 누적강수(mm), 는 두 달 전 월 누적강수(mm), 는 월평균최고기온(°C), 은 월평균 최저기온(°C), . 는 월평균 평균기온(°C), 는 월평균 평균풍속(m/s),. 한 것으로, 전체 월별 회귀계수(R2)는 0.58~0.95로 분석되었 다. 1월이 0.95로 상관성이 가장 높고 상관성이 높은 군집과 낮은 군집의 편차도 작은 반면, 8월이 0.58로 상관성이 가장 낮고 편차 또한 가장 큰 것으로 분석되었다. 농업용수의 사용시기인 관개기(4~6월)에서 서서히 낮아 지며 장마와 무더위가 잦은 7~9월의 R2가 평균적으로 낮고 비관개기(10~3월)에는 R2값이 높아지는 경향을 나타내었 다. 이는 농업용수 수요가 가장 큰 이앙기(5~6월)에 군집별 용 수 공급 패턴이 달라 정확도가 낮으면서 생기는 불확실성으로. Fig. 3. R2 of monthly regression analysis Table 4. The statistical indicator results by cluster (R2, NSE, RMSE). Count. R2. NSE. RMSE (%). Cluster. Count. R2. NSE. RMSE (%). 5. 40. 0.85. 0.84. 8.42. 30. 56. 0.83. 0.72. 7.63. Cluster 7. 23. 0.81. 0.78. 8.37. 31. 21. 0.77. 0.75. 8.23. 10. 28. 0.79. 0.75. 8.64. 37. 16. 0.75. 0.72. 10.19. 15. 25. 0.82. 0.80. 7.97. 39. 49. 0.71. 0.59. 9.80. 16. 29. 0.81. 0.78. 7.84. 43. 30. 0.66. 0.58. 9.97. 17. 41. 0.80. 0.80. 0.80. 46. 11. 0.84. 0.82. 8.16. 18. 30. 0.77. 0.77. 0.77. 48. 39. 0.81. 0.79. 8.54. 19. 667. 0.63. 0.63. 0.63. 50. 24. 0.79. 0.77. 9.47. 20. 24. 0.84. 0.82. 7.61. 51. 16. 0.71. 0.69. 9.55. 22. 78. 0.82. 0.78. 8.20. 53. 38. 0.77. 0.75. 9.09. 25. 27. 0.71. 0.58. 10.69. 54. 25. 0.74. 0.67. 8.90. 26. 15. 0.87. 0.84. 6.72. 58. 28. 0.84. 0.81. 7.43. 27. 24. 0.88. 0.86. 6.66. 59. 50. 0.85. 0.84. 8.42. 28. 11. 0.67. 0.57. 9.34. 60. 31. 0.81. 0.80. 8.85. 29. 18. 0.84. 0.75. 6.74. 61. 45. 0.84. 0.82. 8.01.
(9) 847. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 판단되며, 특히 여름철(7~9월)에는 우리나라에 영향을 끼치. 0.87, 0.88, NSE가 0.84, 0.86으로 모의치가 실측치를 가장 잘. 는 몬순기후 특성상 여름철에 커지는 강수 변동성 및 강수 패. 나타내는 것으로 나타났다. 19번 군집의 경우 R2가 가장 낮게. 턴의 변화, 방류량 인자, 지속적인 관개수요와 저수지의 효율. 분석 되었는데 그 이유는 분류된 저수지들의 유효저수량이. 적인 수자원 확보를 위한 인위적인 인자들이 개입될 여지가. 평균 114 × 103m3으로 소규모 저수지로 이앙기 때 저수율이. 많아 기상관측 인자만으로는 설명력이 부족하기 때문으로 생. 급격히 떨어지는 관측치의 감소율을 회귀식이 따라가지 못하. 각된다(Yi and Choi, 2007; Kim et al., 2017; Ahn et al., 2007;. 는 것으로 생각된다.. Kim et al., 2017). Table 4는 2002~2014년을 대상으로 군집별 회귀식 적용 분석결과 R 는 0.66~0.88로 분석되었으며, NSE와 RMSE는. 3.3 회귀식과 GS5 데이터를 이용한 저수율 전망자료 생산. 각각 0.57~0.86, 6.66~10.69 (%)의 범위를 나타내었다. 규모. 3.3.1 저수율 자료 생산. 결과 및 월별 저수율을 정리한 것으로 관측저수율과의 상관성 2. 2. 가 큰 저수지가 포함된 군집인 26번과 27번 군집은 R 가 각각. 농업용저수지 가뭄지수인 RDI 적용에 앞서 동일한 기간의. Table 5. Estimation result of observation and forecast data (R2, NSE, RMSE). Year. 2015. 2016. Total. Month. R2. Reservoir storage rate (%) O. M. 1. 88.9. 2 3. NSE. RMSE (%). O-M. P. O-P. M. P. M. P. M. P. 88.9. 0. -. -. 0.91. -. 0.91. -. 4.93. -. 89.9. 90.1. -0.2. -. -. 0.90. -. 0.90. -. 4.78. -. 91.4. 90.7. 0.7. 92.3. -0.9. 0.90. 0.90. 0.90. 0.89. 4.41. 4.50. 4. 93.7. 93.4. 0.3. 92.0. 1.7. 0.85. 0.83. 0.85. 0.80. 4.47. 5.05. 5. 88.0. 88.9. -0.9. 90.2. -2.2. 0.74. 0.67. 0.73. 0.63. 6.17. 7.25. 6. 60.5. 62.7. -2.2. 70.7. -10.2. 0.49. 0.41. 0.47. -0.03. 11.20. 15.73. 7. 69.2. 67.4. 1.8. 79.8. -10.6. 0.69. 0.50. 0.65. 0.14. 10.66. 16.71. 8. 66.6. 68.2. -1.6. 70.4. -3.8. 0.56. 0.41. 0.55. 0.36. 12.09. 14.49. 9. 62.0. 62.9. -0.9. 65.1. -3.1. 0.77. 0.63. 0.73. 0.59. 11.33. 13.97. 10. 63.0. 62.8. 0.2. 61.7. 1.3. 0.89. 0.83. 0.88. 0.83. 8.06. 9.69. 11. 67.8. 67.2. 0.6. 65.4. 2.4. 0.91. 0.89. 0.91. 0.88. 6.99. 7.91. 12. 75.3. 73.7. 1.6. 73.0. 2.3. 0.84. 0.83. 0.83. 0.82. 8.86. 9.23. Avg.*. 73.8. 76.4. -0.1. 76.1. -2.3. 0.79. 0.69. 0.78. 0.59. 7.83. 10.45. 1. 77.9. 77.7. 0.2. 77.9. 0.0. 0.92. 0.92. 0.92. 0.92. 5.95. 6.05. 2. 81.2. 80.8. 0.4. 81.0. 0.2. 0.92. 0.91. 0.92. 0.91. 5.84. 6.00. 3. 86.4. 85.6. 0.8. 84.8. 1.6. 0.85. 0.84. 0.85. 0.83. 6.98. 7.27. 4. 90.2. 89.7. 0.5. 88.4. 1.8. 0.90. 0.89. 0.90. 0.87. 4.65. 5.25. 5. 89.2. 89.9. -0.7. 88.6. 0.6. 0.73. 0.72. 0.71. 0.70. 6.35. 6.53. 6. 68.6. 66.9. 1.7. 73.4. -4.8. 0.47. 0.38. 0.46. 0.25. 10.64. 12.62. 7. 84.1. 75.8. 8.3. 84.9. -0.8. 0.45. 0.34. 0.04. 0.31. 12.82. 10.91. 8. 65.2. 71.2. -6.0. 86.1. -20.9. 0.48. 0.26. 0.32. -1.46. 13.19. 25.27. 9. 64.9. 65.5. -0.6. 64.3. 0.6. 0.64. 0.26. 0.61. 0.24. 13.79. 19.23. 10. 80.0. 77.1. 2.9. 65.4. 14.6. 0.62. 0.44. 0.57. -0.16. 13.53. 22.28. 11. 82.7. 82.7. 0.0. 80.4. 2.3. 0.87. 0.85. 0.87. 0.83. 7.45. 8.52. 12. 84.3. 84.4. -0.1. 85.1. -0.8. 0.94. 0.93. 0.94. 0.93. 4.82. 5.19. Avg.. 79.6. 78.9. 0.6. 80.0. -0.5. 0.73. 0.65. 0.68. 0.43. 8.83. 11.26. Avg.. 77.9. 77.7. 0.3. 78.2. -1.3. 0.76. 0.67. 0.73. 0.50. 8.33. 10.89. *2015.03 ~ 2015.12 average, O: observed data, M: Multi-regression simulated data, and P: GS5 prediction data.
(10) 848. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 실제 농업용저수지 저수율 관측자료(OBS)와 회귀식에 관측. GS5의 예측성능에 기인한 결과로 생각된다. 2년 평균 R2는. 자료를 적용하여 산정된 회귀저수율(MLR) 및 회귀식에 예. 0.67, NSE는 0.50, RMSE는 10.89%로 분석되었으며 특히. 보자료를 적용하여 산정된 전망저수율(PRD)의 비교를 실시. 6~8월의 NSE값이 음수를 띄거나 매우 작은 값을 가져 저수율. 하였다. 분석기간은 2015년 1월부터 2016년 12월까지로 설. 패턴예측이 떨어지는 것을 확인할 수 있다.. 정하였는데, GS5 3개월 예보자료의 경우 2015년 1월에 생성. 일반적으로 농업용저수지의 저수량은 겨울철에 만수위. 된 자료는 2015년 3월의 예보자료임에 따라, 저수율 예보자. 가까이 유지하다가 농업용수 수요가 가장 큰 이앙기를 거치면. 료는 2015.03~2016.12 기간 대해서만 도출이 가능했다.. 서 급감하고 추수기 이후 다시 회복하는 패턴을 나타낸다(Kim. Table 5는 실제 저수율 관측자료와 예측된 저수율에 대한. et al., 2017). 또한 저수지의 특성 상 해당년도의 낮은 저수율. 상관성 분석을 실시한 결과로, 우선 MLR의 월평균 결과를 살. 이 다음 해 까지 이월 되는 현상이 나타나게 되는데, 회귀식 산. 펴보면, 저수지의 담수시기인 11~2월까지의 예측저수율은 실. 정 시 저수율을 고려함에 따라 회귀식의 모의 결과는 농업용. 측치와 유사하게 산정되었고 그 차이 또한 1% 미만으로 낮다.. 저수지의 운영 패턴을 잘 반영한 것으로 판단된다. 다만, 정확. 하지만 이앙기가 시작되는 5월부터 관개기가 끝나는 9월까지. 도가 향상된 저수율 전망 자료 생산을 위해서는 GS5 데이터. 예측저수율은 실측치보다 과대하게 산정되는 경향을 보였다.. 의 정확도 향상을 위한 추가 연구가 필요할 것으로 생각된다.. 2. 2년 평균 R 는 0.76, NSE는 0.73, RMSE는 8.33%로 회귀식을 이용한 저수율 모의가 실측치의 경향을 잘 반영한 것으로 나타 2. 났지만 12~2월의 R 가 0.84~0.92로 높은 값을 가지는 것에 비 2. 3.3.2 RDI를 이용한 농업 가뭄 전망 정보 생산. 회귀식과 GS5 3개월 예보자료의 가뭄 감지 가능성을 평가. 해 6~8월에서의 R 가 0.45~0.69로 매우 낮은 것으로 나타났다.. 하기 위해 산정된 전국 저수율 결과를 바탕으로 관측자료 기반. PRD의 경우 이앙기 시작과 더불어 전망저수율이 실측치. 의 RDI-3와 회귀식 기반의 RDI-3, 전망자료를 이용한 RDI-3. 보다 과대하게 산정되었는데, 이는 GS5 강수량 예보자료가. 을 7단계로 세분화하여 월별로 도시화 하였다(Fig. 4). 붉어질. 5~8월에 과다하게 산정되는(So et al., 2017) 패턴과 일치하. 수록 3개월 평균 저수율이 평년저수율보다 적어 극심한 농업. 며, 그 정도가 더 큰 이유는 회귀식의 정확도의 문제보다는. 가뭄을 겪는다고 판단한다.. Fig. 4. National RDI-3 distribution of OBS, MLR, PRD OBS: Observed RDI-3, MLR: Multi-regression simulated RDI-3, PRD: GS5 prediction RDI-3.
(11) 849. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. OBS를 살펴보면, 2015년 7월 경기북부부터 전국적으로. (Extremely dry)은 0.80으로 나타났다. 특히 보통가뭄과 심한. 확산된 가뭄이 2016년 5월까지 전이되어 장기가뭄을 겪은 것. 가뭄의 적중률은 6~9월을 제외하고 0.9 이상의 높은 정확도. 으로 나타났는데, 이와 동일하게 MLR도 동일한 지역에 가뭄. 로 가뭄을 감지하였으며, 분석기간 동안 모든 가뭄 심도에 대. 을 감지하였다. 반면, PRD의 경우 같은 기간에 가뭄을 감지하. 해 ROC는 0.78 이상의 적중률을 보였다.. 기 시작하였으나, 2015년 6~9월까지 가뭄의 심도에서 차이. PRD에 대한 ROC분석 결과 평균적으로 0.73~0.83의 적중. 를 나타내었다. 이는 앞서 언급한 바와 같이 GS5 강수량 예보. 률을 보이며 보통가뭄과 심한가뭄이 각각 0.83, 0.81의 정확. 자료가 5~8월에 과다하게 산정된 결과를 반영했기 때문으로. 률을 보이는데 반해 극심한가뭄은 0.73으로 MLR의 적중률. 생각된다.. 보다 낮은 것으로 나타났다. 7월은 분석기간 중 가장 적중률이. Table 6은 RDI 심도에 따른 MLR과 PRD의 ROC 분석 결. 낮은 달로 이 시기는 이앙기의 용수공급 패턴뿐만 아니라 1년. 과를 나타낸 것이다. MLR에서는 2015~2016년 보통가뭄. 중 강수량에 가장 큰 영향을 받으므로 이 시기의 회귀식 정확. (Moderately dry) 및 심한가뭄(Severely dry)에 대한 평균적. 도 향상을 위해서는 증발산량 혹은 관개효율 등의 인자를 고. 인 적중률이 각각 0.89, 0.87로 분석되었으며, 극심한가뭄. 려한 회귀분석을 추가로 수행해야 할 것이다.. Table 6. ROC analysis of RDI-3 drought severity. Moderate dry. Month. 2015. 2016. Total. Obs-Reg. Severely dry. Obs-Pred. Obs-Reg. Extreme dry. Obs-Pred. Obs-Reg. Obs-Pred. Jan. 0.91. -. 0.95. -. 0.93. -. Feb. 0.94. -. 0.95. -. 0.92. -. Mar. 0.95. 0.95. 0.96. 0.94. 0.95. 0.88. Apr. 0.92. 0.91. 0.95. 0.92. 0.89. 0.84. May. 0.91. 0.88. 0.90. 0.87. 0.77. 0.77. Jun. 0.88. 0.82. 0.92. 0.81. 0.86. 0.79. Jul. 0.76. 0.63. 0.77. 0.64. 0.75. 0.62. Aug. 0.79. 0.59. 0.69. 0.58. 0.71. 0.58. Sep. 0.87. 0.69. 0.82. 0.63. 0.66. 0.56. Oct. 0.91. 0.89. 0.88. 0.82. 0.72. 0.61. Nov. 0.93. 0.92. 0.94. 0.92. 0.83. 0.80. Dec. 0.94. 0.94. 0.95. 0.94. 0.93. 0.90. Avg.. 0.89. 0.82. 0.89. 0.81. 0.83. 0.73. Jan. 0.95. 0.94. 0.94. 0.94. 0.92. 0.91. Feb. 0.94. 0.94. 0.96. 0.94. 0.89. 0.86. Mar. 0.95. 0.94. 0.96. 0.95. 0.89. 0.84. Apr. 0.94. 0.94. 0.95. 0.94. 0.84. 0.83. May. 0.95. 0.95. 0.72. 0.88. 0.71. 0.71. Jun. 0.93. 0.91. 0.87. 0.84. 0.83. 0.67. Jul. 0.88. 0.63. 0.84. 0.69. 0.70. 0.60. Aug. 0.75. 0.59. 0.70. 0.56. 0.63. 0.53. Sep. 0.75. 0.69. 0.73. 0.57. 0.63. 0.54. Oct. 0.84. 0.75. 0.75. 0.67. 0.63. 0.56. Nov. 0.88. 0.90. 0.88. 0.89. 0.79. 0.79. Dec. 0.93. 0.95. 0.93. 0.93. 0.85. 0.85. Avg.. 0.89. 0.82. 0.85. 0.79. 0.78. 0.69. Avg.. 0.89. 0.83. 0.87. 0.81. 0.80. 0.73.
(12) 850. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. 여 저수율을 산정한 결과 R2는 0.67, NSE는 0.50, RSME. 4. 요약 및 결론. 는 10.89%로 회귀저수율의 상관성 보다 낮은 결과를 나타. 본 연구는 전국 전체의 저수지 저수율 예측정보를 통한 농. 내었다. 이는 GS5의 강수량이 여름철에 과다하게 추정되. 업가뭄 전망정보 생산을 위해 전국 저수지를 30개의 군집으. 는 경향이 있어, 저수율 또한 과다하게 산정되었기 때문인. 로 설정하고 전국 저수지의 저수율 계측자료와 기상인자의. 것으로 생각된다.. 상관성 분석을 위해 각 군집별로 월별 다중선형 회귀식을 산. 4) 산정된 회귀식 및 GS5를 이용한 회귀저수율과 전망저수. 정하였다. 회귀식을 바탕으로 한 예측된 회귀저수율을 생산. 율에 대해 가뭄 감지 가능성을 평가하기 위해 평년저수율. 하였고 기상청에서 생산중인 기상예보자료를 적용하여 저. 데이터를 이용하여 RDI-3 전망자료를 생산하였고 ROC. 수율 전망저수율을 생산하였고, 실측저수율, 회귀저수율, 전. 분석을 통해 가뭄의 적중률을 파악하였다. 가뭄의 적중률. 망저수율을 이용하여 농업적 가뭄지수인 RDI 산정하였고,. 은 회귀저수율이 보통가뭄(Moderately dry)에서 0.89로. ROC 분석을 통해 회귀식의 미래저수율전망 활용가능성을. 가장 높았고 비관개기(10~3월)에서 매우 높은 적중률을. 평가하였다. 본 연구의 결과를 요약하면 다음과 같다.. 가지는 반면 여름철(7~9월)에서의 적중률은 급격히 감소 하였다. 전망저수율 역시 보통가뭄, 심한가뭄(Severely. 1) 전국 1,559개를 대상으로 나이브 베이즈 분류 방법을 적용. dry), 극심한가뭄(Extremely dry)순으로 높았고 특히 극. 하였으며, 61개의 클래스 데이터를 기준으로 6개의 설정변. 심한가뭄에 대한 적중률은 0.53로 예측력은 상당히 떨어. 수를 지정하여 저수지를 분류하였다. 분류 결과를 토대로. 지는 것으로 나타났다.. 10개 이하의 저수지가 분류된 31개의 군집에 대해 재분류 를 실시하여, 최종 30개의 군집으로 전국 저수지를 분류하. 본 연구에서는 전국적인 농업 가뭄 전망정보 생산을 위해. 였다. 군집분석 결과 위도와 경도 및 한발빈도는 군집 분류. 전국의 저수지를 형태학적으로 군집화 하였으며, 기상전망. 에 크게 영향을 미치지 않은 것으로 나타났으며, 유효저수. 자료(GS5)의 활용을 위해 기상자료와 전월 저수율 자료를 이. 3. 3. 량이 500 × 10 m 이하의 저수지의 수혜면적 및 유역면적. 용한 저수율 예측 회귀식을 군집별로 산정하였다. 이는 기상. 의 크기에 따라 상세히 군집분류가 된 것으로 분석되었다.. 예보자료를 활용한 보다 상세한 농업가뭄 전망정보의 생산이. 2) 전국 기상관측자료 63개 지점에서의 5개의 기상관측자. 가능할 것으로 생각되며. 가뭄과 같은 자연재해를 사전에 예. 료(강수량, 최고기온, 최저기온, 평균기온, 풍속)와 농업. 측하여 안정적인 농업용수 공급을 위한 의사결정 자료로 활용. 용저수지 저수율을 독립변수로 하여 다중선형 회귀식을. 할 수 있을 것으로 판단된다.. 2. 개발하였다. 군집별 회귀식의 회귀분석(R ) 결과 1월이. 다만, 소규모 저수지에 대한 적합도를 상승시키기 위해 변. 0.95로 상관성이 가장 높고 상관성이 높은 군집과 낮은. 동성이 큰 저수지와 작은 저수지의 유형을 달리 판단하여 분. 군집의 편차도 작은 반면, 8월이 0.61로 상관성이 가장 낮. 석하는 것과 저수지의 물 사용량이 증가하는 여름철(7~9월). 고 편차가 가장 큰 것으로 분석되었는데, 이는 우리나라에. 에서의 회귀저수율이 실측저수율보다 과대하게 산정되는 경. 영향을 끼치는 몬순기후 특성상 여름철에 큰 강수변동성. 향에 대한 추가적인 연구를 수행한다면 더 효율적인 저수율. 과 농업용수 공급에 대해 인위적인 요소가 개입될 여지가. 분석을 통한 농업가뭄 예측이 가능할 것으로 생각된다.. 많아 기상관측 인자만으로는 설명력이 부족하기 때문으 로 생각된다. 3) 2015~2016년을 대상으로 회귀식 기반의 회귀저수율과 관측자료와의 상관성 분석을 실시한 결과 R2는 0.76, NSE 는 0.73, RSME는 8.33%로 회귀저수율이 관측자료의 경 향을 잘 나타내는 것으로 분석되었다. 다만 이앙기 때의. 감사의 글 본 연구는 국토교통부 물관리연구사업의 연구비지원(18 AWMP-B079625-05)에 의해 수행되었습니다.. 모형 효율이 낮은 원인은 기상인자들만의 저수율 예측에 서 관개시에 손실되는 관개효율, 농민들의 필요 이상의 초 과 담수심 확보 성향으로 인한 저수율 감소 현상 등 인위적. References. 인 요인으로 인해 관측치의 감소율을 따라가지 못하는 것 으로 판단된다. 산정된 회귀식에 기상예보자료를 적용하. Ahn, S. R., Park, M. J., Park, G. A., and Kim S. J. (2007). “The effect of meteorological factors on the temporal variation of.
(13) J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. agricultural reservoir storage.” Journal of the Korean Society of Agricultural Engineers, Vol. 49, No. 4, pp. 3-12. Bae, D. H., Ahn, J. B., Kim, H. K., Kim, H. A., Son, K. H., Cho, S. R., and Jung, U. S. (2013). “Development & evaluation of real-time ensemble drought prediction system.” Korean Meteorological Society-Atmosphere, Vol. 23, No. 1, pp. 113-121. Choi, S. Y., Han, K. Y., and Kim, B. Y. (2012). “Comparison of different multiple linear regression models for real-time flood stage forecasting.” Journal of the Korean Society of Civil Engineers B, Vol. 32, No. 1B, pp. 9-20. Han, E. H., and Cha, H. T. (2017). “Iterative Naïve-Bayes classifier design method for effective emotion classification.” The Institute of Electronics and Information Engineers, Vol. 54, No. 12, pp. 119-126. Hong, J. H., and Cho, S. B. (2008). “Rank-based multiclass gene selection for cancer classification with Naïve-Bayes classifiers based on gene expression profiles.” Korea Information Science Society, Vol. 35, No. 7 ․ 8, pp. 372-377. Kang, J. W. (2013). “Forecasting of seasonal inflow to reservoir using multiple linear regression.” Journal of Environmental Science International, Vol. 22, No. 8, pp. 953-963. Kim, D. R., and Kim, S. J. (2017). “A study on parameter estimation for SWAT calibration considering streamflow of long-term drought periods.” Journal of the Korean Society of Agricultural Engineers, Vol. 59, No. 2, pp. 19-27. Kim, J. K., and Lee, J. S. (2011). “Virtual machine provisioning scheduling with conditional probability inference for trnasport information service in cloud environment.” Journal of the Korea Society for Simulation, Vol. 20, No. 4, pp. 139-147. Kim, K. P., and Kwon, Y. S. (2005). “Performance comparison of Naïve-Bayesian learning and centroid-based classification for e-mail classification.” IE Interfaces, Vol. 18, No. 1, pp. 10-21. Kim, S. M., and Kim, S. M. (2013). “Evaluation of applicability and hydrologic parameter calibration for HSPF model using expert system for HSPF.” Journal of the Korean Society of Agricultural Engineers, Vol. 55, No. 4, pp. 13-20. Kim, S. R., Jang, M. W., Kim, S. J., and Bae, S. J. (2017). “Spatial and temporal analysis of drought using the storage data of agricultural reservoirs in Chungnam province in 2015.” Journal of the Korean Society of Agricultural Engineers, Vol. 59, No. 2, pp. 29-36. Kim, S. U., and Lee, K. S. (2008). “Regional low flow frequency analysis using bayesian multiple regression.”Journal of Korea Water Resources Association, Vol. 41, No. 3, pp. 325-340. Korea Meteorological Administration (KMA) (2012). Construction of the abnormal climate probability forecast system using the joint seasonal forecast system between KMA and Met Office. Korea Rural Community Corporation (KRC). Rural Infrastructure Management System (RIMS). http://rims.ekr.or.kr. Korean Rural Community and Agriculture Corporation (KRC) (2017). Statistical yearbook of land and water development for agriculture. Ministry for food, Agriculture, Forestry and Fisheries, Republic of South Korea (in Korean).. 851. Lee, C. B., Jung, N. S., Park, S. K., and Jeon, S. O. (2015). “A study on the typology of agricultural reservoir for effective safety inspection systems.” Journal of the Korean Society of Agricultural Engineers, Vol. 57, No. 5, pp. 89-99. Lee, J. T., Yun, S. H., and Park. M. E. (1995). “Relationships between seasonal duration of sunshine and air temperature in Korea.” Korean Journal of Environmental Agriculture, Vol. 14, No. 2, pp. 155-162. Lee, K. S., Yoon, K. S., Kim, H. J., and Kim, H. I. (2003). “A program of water quality management for agricultural reservoirs by trophic state.” Korean Journal of Environmental Agriculture, Vol. 22, No. 2, pp. 166-171. Li, C., Scaife, A. A., Lu, R., Arribas, A., Brookshaw, A., Comer, R. E., Li, J., MacLachlan, C., and Wu, P. (2016). “Skillful seasonal prediction of Yangtze river valley summer rainfall.” Environmental Research Letters, No.11, 094002 Park, D. I., and Yoon, S. H. (2017). “Clustering and classification to characterize daily electricity demand.” Journal of the Korean Data & Information Science Society, Vol. 28, No. 2, pp. 395-406. Park, J. C. (2015). “Development of a BROOK90-R hydrological model for water balance estimation of a irrigation reservoir.” Journal of the Korean Geomorphological Association, Vol. 22, No. 2, pp. 101-105. Park, U. Y. (2012). “Comparison of Naïve-Bayesian classifier and self organizing maps model for selecting the retaining wall methods.” Journal of the Architectural Institute of Korea Structure & Construction, Vol. 28, No. 12, pp. 111-118. Rim, C. S. (2017). “Estimation of small pan evaporation using temperature data,” Journal of Korea Water Resources Association, Vol. 50, No. 1, pp. 37-53. Shin, E. C., and Lee, J. K. (2012). “Safety management improving way of small agricultural reservoir.” Journal of Korean Geosynthetics Society, Vol. 12, No. 3, pp. 53-58. So, J. M., Oh, T. S., and Bae, D. H. (2017). “Estimation and assessment of long-term drought outlook information using the long-term forecasting data.” Journal of Korea Water Resources Association, Vol. 50, No. 10, pp. 691-701. Son, K. H., Bae, D. H., and Cheong, H. S. (2015). “Construction & evaluation of GloSea5-Based hydrological drought outlook system.” Korean Meteorological Society-Atmosphere, Vol. 25, No. 2, pp. 271-281. Song, J. H., Cho, Y. H., Kim, I. S., and Yi, J. H. (2017). “Development of decision support system for water resources management using GloSea5 long-term rainfall forecasts and K-DRUM rainfall-runoff model.” Journal of Satellite, Information and Communications, Vol. 12, No. 3, pp. 22-34. Song, J. H., Kang, M. S., Song, I., Hwang, S. H., Park, J., and Ahn, J. H. (2013). “Surface drainage simulation model for irrigation districts composed of paddy and protected cultivation.” Journal of the Korean Society of Agricultural Engineers, Vol. 55, No. 3, pp. 63-73. Thornton, P. E., and Running, S. W. (1999). “An improved algorithm for estimating incident daily solar radiation from measurement.
(14) 852. J. U. Kim et al. / Journal of Korea Water Resources Association 51(10) 839-852. of temperature.” Humidity, and Precipitation, Agricultural and Forest Meteorology, Vol. 93, pp. 211-218. Yi, J. E., and Choi, S. G. (2007). “Optimal multi-reservoir system operation using fuzzy DP (II) - Application for multipurpose dam.” Journal of the Korean Society of Civil Engineers, Vol. 27, No. 1B, pp. 71-77. Yim, J. Y., and Hwang, B. Y. (2014). “Predicting movie success based on machine learning using twitter.” KIPS Tr. Software and Data Engineering, Vol. 3, No. 7, pp. 263-270. Yoo, C. S., and Park, H. K. (2007). “Analysis of morphological. characteristics of farm dams in Korea.” Journal of Korean Geographical Society, Vol. 42, No. 6, pp. 940-954. Yoo, S. H., Choi, J. Y., Nam, W. H., Kim, T. G., and Go. G. D. (2012). “Developing model of drought climate scenarios for agricultural drought mitigation.” Journal of the Korean Society of Agricultural Engineers, Vol. 54, No. 2, pp. 67-75. Yun, H. S., Um, M. J., Cho, W. C., and Heo, J. H. (2009). “Orographic precipitation analysis with regional frequency analysis and multiple linear regression.” Journal of Korea Water Resources Association, Vol. 42, No. 6, pp. 465-480..
(15)
수치
+5
관련 문서
Recommendations on trajectory selection in flight planning based on weather uncertainty, Proceedings of the 2017 WMO Aeronautical Meteorology Scientific
Fluorescence Amplication and Development of VOCs Sensor Based on Anisotropic Porous Silicon Derivatives..
High school Japanese I textbooks were analyzed based on the classification of culture types based on Finocchiaro & Bonomo, Chastain's theory and
AUTOMATIC WEATHER
We also propose the new method for recovering root forms using machine learning techniques like Naïve Bayes models in order to solve the latter problem..
A Study on the Power Metering Data Missing Correction Model Based on Deep Learning..
By analyzing the parameters according to the regression formula according to the simulation of the LOADEST model, the trends according to flow rate, season, and time
Secondly, based on Logistics Regression Analysis which tested the discrimination of size of the sales, there are showed variables related to the power
