Application of Self-Organizing Map for the Analysis of Rainfall-Runoff Characteristics

水 工 學

第26卷 第1B 號·2006年 1月 pp. 61 ~ 67

강우-유출특성 분석을 위한 자기조직화방법의 적용

Application of Self-Organizing Map for the Analysis of Rainfall-Runoff Characteristics

김용구*·진영훈**·박성천***

Kim, Yong Gu ^· Jin, Young Hoon ^· Park, Sung Chun

···

Abstract

Various methods have been applied for the research to model the relationship between rainfall-runoff, which shows a strong nonlinearity. In particular, most researches to model the relationship between rainfall-runoff using artificial neural networks have used back propagation algorithm (BPA), Levenberg Marquardt (LV) and radial basis function (RBF). and They have been proved to be superior in representing the relationship between input and output showing strong nonlinearity and to be highly adaptable to rapid or significant changes in data. The theory of artificial neural networks is utilized not only for prediction but also for classifying the patterns of data and analyzing the characteristics of the patterns. Thus, the present study applied self?organizing map (SOM) based on Kohonen's network theory in order to classify the patterns of rainfall-runoff process and analyze the patterns. The results from the method proposed in the present study revealed that the method could classify the pat- terns of rainfall in consideration of irregular changes of temporal and spatial distribution of rainfall. In addition, according to the results from the analysis the patterns between rainfall-runoff, seven patterns of rainfall-runoff relationship with strong non- linearity were identified by SOM.

Keywords : Rainfall-Runoff, artificial neural networks, Kohonen network, self organizing map(SOM), pattern classification

···

요 지

강한 비선형성의 경향을 보이고 있는 강우 - 유출간의 관계를 모형화하기 위한 연구는 다양한 방법론으로 적용되어 활발히 연구되고 있다 . 그 중에서 인공신경망을 이용하여 강우 - 유출간의 관계를 모형화하기 위한 대부분의 연구들은 역전파 학습 알 고리즘 (back propagation algorithm: BPA), Levenberg Marquardt(LV), radial basis function(RBF) ^{을 이용하였으며} , ^이들은

강한 비선형성을 나타내는 입·출력간의 관계를 나타내는데 탁월한 성능을 보이고 있는 것으로 알려져 있고 , 자료들의 급격 한 변화나 현저한 변화에 대한 뛰어난 적응성을 보여주고 있다 . 이러한 인공신경망 이론은 예측뿐만이 아니라 대상자료들의 양상을 분류하여 그 특성을 분석하는 데에도 이용되고 있다 . 따라서 본 연구에서는 강우 - 유출과정의 양상에 따른 분류와 그

에 따른 분석을 위해 Kohonen ^{네트워크 이론에 의한 자기조직화 방법} (self-organizing map; SOM) ^{을 적용하였다} . ^{본 연구}

에서 제시한 방법을 이용한 결과 , 강우의 시·공간적 분포의 불규칙한 변동성을 고려한 강우양상을 분류 할 수 있었으며 , 강 우 - 유출간의 특성을 분석한 결과 강한 비선현성을 가지고 있는 강우 - 유출관계가 SOM 에 의해 7 개의 패턴으로 구분되었다 .

핵심용어 : 강우-유출, 인공신경망, Kohonen 네트워크, 자기조직화 방법, 패턴 분류

···

1. 서 론

유역에 발생된 강우는 증발산, 침투, 침루, 지표면 유출 등의 하천유역 시스템을 통하여 하천유출로 나타난다. 이처럼 강우에 의한 유역의 응답으로 발생하는 하천유출의 예측은 시·공간적 으로 변동이 심한 수문기상학적 요소들과 산정하기가 난해한 유 역의 특성인자들로 인해 많은 어려움이 수반된다. 또한, 강우와 유출간의 관계를 나타내는 수문과정은 그 양상이 매우 복잡하고 다양하게 진행되므로 물리적으로 모형화 한다는 것은 거의 불가

능하다. 일반적으로 강우-유출(rainfall-runoff) 관계의 모형화는 실제 현상에 대한 많은 가정을 포함하는 물리적 혹은 수학적인 수식화 과정을 거치게 되며, 이로 인한 실제 현상들의 단순화를 수반하게 된다. 이는 모형에 의한 예측결과와 실제 현상에서 측 정된 값들과의 오차로 귀결된다.

특히 수문과정의 비선형 거동은 단위유량도와 같은 전통적 인 선형모형을 사용해 오는 동안 계속 제기되어 오던 문제 이며, 비선형 모형은 선형모형과는 달리 수학적인 일반해가 없어 수문학적인 거동의 설명 및 해석에 어려움이 있다. 수 *

(E-mail: [email protected]

**

(E-mail: [email protected])

***

(E-mail: [email protected])

문과정의 모형화는 수문자료에 포함된 많은 불확실성과 물 리적 현상의 비정규성에 따른 애매함 때문에 결과에 대한 신뢰성에도 많은 문제가 따른다 . 즉 불확실한 강우입력 자료

, 불확실한 선행조건 , 비합리적인 시스템의 초기상태 , 강우 -

유출과정의 불확실한 모형구조 , 그리고 비정규성 및 비선형 성에 기인한 불확실한 매개변수 산정 등의 문제로 인해 수 문순환과정의 수학적 모형화는 아직도 완벽하게 규명되지 못 하고 있는 실정이다 .

강한 비선형성의 경향을 보이고 있는 강우 - 유출간의 관계 를 모형화하기 위한 연구는 다양한 방법론을 적용하여 활발 히 진행되고 있다 . 그 중에서 인공신경망 (artificial neural

network) 을 이용하여 강우 - 유출간의 관계를 모형화하기 위한

대부분의 연구들은 역전파학습알고리즘 (back propagation algorithm; BPA), Levenberg Marquardt(LV), radial basis

function(RBF) 을 이용하였으며 , 이들은 강한 비선형성을 나

타내는 입·출력간의 관계를 나타내는데 탁월한 성능을 보 이고 있는 것으로 알려져 있고 , 또한 자료들의 급격한 변화 나 현저한 변화에 대한 뛰어난 적응성을 보여주고 있다 . 이 러한 인공신경망의 장점들은 그 적용성의 확대와 함께 다른 모형들과의 비교에서 우수함을 보여주고 있다 .

적용 예를 살펴보면 김주환 (1993) 은 일유출량 및 시유출량

의 예측에 있어 국내의 평창강 유역에 대한 신경망의 적용 에 대한 연구 결과를 발표하였고 , 심순보 등 (1998) 은 다목적 댐의 홍수유입량을 예측하였다 . 이관수 등 (2000) 은 인공신경 망의 이론의 BP 알고리즘을 적용한 영산강의 유출량을 예측 하였고 , Coulibaly 등 (2000) 은 신경망의 BP 학습알고리즘을 이용 , ^{저수지 일 유입량을 예측하는데 적용하여} ARMAX

등의 타 방법과 비교하였으며 , Luk 등 (2000) 은 강우예측을 위해 인공신경망을 적용하였다 . 또한 안상진 등 (2001) 은

RBF 를 이용하여 홍수유출량을 예측하였고 , 윤강훈 등 (2004)

은 댐 운영을 연계한 신경망 모형을 이용하여 한강유역에 적용하였으며 이들은 우수한 예측력을 보여주었다 .

이러한 인공신경망 이론은 앞서 말한 예측에서 뿐만이 아 니라 대상자료들의 양상을 분류하여 그 특성을 분석하는 데 에도 이용되고 있다 (Hsu ^등 , 2002; Garcia ^등 , 2004). ^따라

서 본 연구에서는 강우 - 유출과정의 양상에 따른 분류와 그에

따른 분석을 위해 Kohonen 네트워크 이론에 의한 자기조직

화 방법 (self-organizing map; SOM) 을 적용하였다 . SOM 의 적용 예를 살펴보면 Hsu 등 (2002) 은 Self-Organizing Liner Output map(SOLO) 을 이용하여 강우 - 유출패턴을 구분하였고 , Garcia 등 (2004) 은 입력패턴의 분류를 위해 K-means 알고 리즘을 이용하여 하수처리모니터링에 적용하였다 .

Kohonen(1982) 에 의해서 제안된 인공신경망 모형은 자기

조직화의 특성을 이용하여 스스로 학습이 가능하며 구조상 상당히 빠른 수행능력을 가지고 있다 . 그러므로 입력패턴의 집단화나 분류를 위한 학습단계에 소요되는 시간이 짧다는 장점을 가지고 있다 . 따라서 본 연구에서는 지금까지 적용된 인공신경망 모형의 구축에 앞서 강우 양상과 그에 따른 유

출량 사이의 관계를 보다 명확히 파악하기 위하여 Kohonen

네트워크 이론에 기초한 자기조직화 방법을 적용하여 강우 -

유출과정에 대한 분류를 수행하며 , 각 분류별 강우 - 유출 특 성을 분석하고자 한다 .

2. SOM(Self-Organizing Map)의 기본이론 2.1 개요

SOM 은 다차원의 자료를 2 차원으로 사상 (mapping) 시켜주

는 신경회로망의 한가지로써 , 클러스터링을 위한 방법으로 많이 사용된다 . 특히 SOM 은 복잡한 다차원 자료의 클러스 터링에 그 적용성이 뛰어난 방법으로 알려져 있으며 , 자료의 가시화가 쉽고 , 클러스터링 결과의 구조를 미리 지정해줄 수 있는 장점을 가지고 있다 . 또한 입력 자료의 수가 많아도

빠른 시간내에 양질의 결과를 얻을 수 있다 . Helsinki 대학의

Kohonen(1982) 은 사용자의 개입없이 스스로 입력 자료를 조

직화할 수 있는 시스템을 소개하였으며 , 이 시스템은 사용자 의 도움없이 외부의 공간에 위치하는 입력자료를 시스템이 정의한 내부의 공간으로 사상시킨다 . Kohonen 은 이 시스템 을 Self-Organizing Feature Map 또는 (adaptive vector

quantizer; AVQ) 라고 명명하였다 . 그 이후로 다양한 종류의

SOM 이 나타나게 되었고 , 많은 발전이 있었다 .

SOM 은 비교사 학습방법 (unsupervised learning algorithm) 의 일종으로 스스로 n ^{차원의 입력 자료들을 클러스터링하여} 2

차원으로 사상시켜주며 그림 1 에 SOM 의 일반적인 구조를 나타내었다 . 그림에 도시되어 있는 SOM 구조는 n 차원의 입 력자료를 표현하는 n 개의 입력 노드들과 k 개의 분류영역을 표현하기 위한 k 개의 출력노드로 구성되어 있다 . 모든 입력 노드들은 모든 출력노드들과 연결되어 있고 각각의 연결강

도 (weight) 를 가진다 . 일반적으로 입력노드는 입력자료를 네

트워크로 전달하는 기능을 하며 , 출력노드는 전달된 입력벡 터와 입·출력 노드들을 연결하는 연결강도벡터를 이용하여

두 벡터간의 거리 (distance) 를 계산하는 기능을 수행한다 . 그

림 2 는 입력노드 i 와 출력노드 j 를 연결하는 연결강도 w

들 의 행렬을 보여준다 .

이러한 과정에서 각 노드들은 학습할 수 있는 특권을 부

그림 1. SOM의 일반적인 구조

그림 2. 연결강도 행렬

여받으려고 서로 경쟁 (competitive) 하며 거리가 가장 가까운 노드가 승리하게 되며 , 이 승자 노드만이 출력신호를 보낼 수 있는 유일한 노드가 된다 . 또한 이 노드와 이와 인접한 이웃 노드들만이 제시된 입력벡터에 대하여 학습이 허용된 다 . 이것은 학습에 있어서 전혀 새로운 접근방식이며 이러한 모형이 제안되기 이전에는 네트워크에 있는 모든 노드들이 반복학습과정인 훈련을 통해 연결강도를 조정하는 방법을 이 용해 왔다 . 코호넨 네트워크의 학습 철학은 승자만이 출력을 할 수 있는 “ 승자독점 (winner take all)” 개념이며 승자와 그 의 이웃들만이 그들의 연결강도를 조정할 수 있다 . 이를 위 해 먼저 노드의 연결강도 벡터가 임의의 값을 가지면서 적 합하게 초기화되어야 하며 각 노드는 다음 세 가지 단계의 중요한 처리 과정인 경쟁과정 , 근접반경의 조정과정 , 적용학 습 과정이 진행되는 동안 연결강도를 조정하게 된다 .

2.2 ^경쟁과정 (Competitive Process)

경쟁과정에서 각 노드들은 학습할 수 있는 특권을 갖기 위해 서로 경쟁하며 연결강도 벡터와 입력벡터의 거리가 가 장 가까운 노드가 승자로 판정된다 . m ^{개의 입력을 가진 입}

력패턴과 노드 j의 연결강도 벡터를 다음과 같이 정의한다 . (1) (2)

여기서 l은 전체 노드 수이다 .

출력 노드 중의 승자 노드 ( i ( X )) 은 다음의 조건에 의해 결 정된다 .

(3)

위의 식은 입력벡터 ( X ) 와 연결강도벡터 ( W ) 간의 거리가 최 소 일 때의 노드의 위치를 결정하여 i라는 변수를 나타내는 수학적 표현이다 .

결국 , 승자 노드의 선택은 입력벡터의 패턴과 가장 유사한

연결강도 벡터를 선정하는 것이며 , 유사도 (similarity

matching) ^{측정을 위해 유클리드 거리} (Euclidean distance) ^를

이용한다 .

2.3 근접반경의 조정과정 (Cooperative Process)

코호넨의 시스템은 생물학적 모델에서 보여지는 바와 유사하 게 이웃한 노드와의 연계과정 (cooperative process) 을 통한 측면 제어 (lateral inhibition) 를 사용한다 . 즉 경쟁과정에서 승자가 된 노드와 함께 그에 인접한 노드들에게도 제시된 입력벡터에 대한 학습이 허용되며 인접노드를 결정하는 반경은 학습이 진행됨에 따라 서서히 줄어들어 점점 적은 개수의 노드들이 학습을 하게 된다 . 최종적으로는 단지 승자 노드만이 그것의 연결강도를 조정 하게 된다 .

이러한 과정을 위해 출력층의 노드는 1 차원으로 배열하는 방 법과 2 차원으로 배열하는 방법이 있으며 , 특히 2 차원 배열에는 그림 3 에서와 같이 사각형배열 (rectangular array) 과 육각형배열

(hexagonal array) 의 2 가지 형태가 있다 . 이러한 출력층 노드의 배열 형태는 SOM 의 성능에도 영향을 미치게 된다 .

기하학적 반경을 조정하는 과정에 있어 적절히 사용할 수

있는 것이 그림 4 와 같은 대칭성과 수렴특성을 지닌 가우시 안 함수 (Gaussian function) 이다 . 기하학적 이웃 반경을 정의 하는 h

는 이웃한 노드와의 거리를 나타내는 d

와 함께 다 음과 같이 나타낼 수 있다 .

(4)

여기서 , d

는 활성화된 노드 j에 의해 정의되는 거리 벡터 γ

와 승자노드 i에 의해 정의되는 γ

에 의해 다음과 같이 정 의된다 .

(5)

그리고 , 일반적으로 지수적 감쇠를 위한 는 다음과 같이 선택할 수 있다 .

(6)

식 (6) 에서 σ

는 SOM 알고리즘의 초기화에서 갖는 σ 의

값이며 , τ

은 시간상수 이다 .

2.4 ^{적응학습 과정} (Adaptive Process)

이상과 같은 단계의 처리가 끝나면 마지막으로는 시냅스의 적 응과정과 같은 실제 연결강도의 조정이 이루어진다 . ^{조정되기 이}

X = [ x

, , , x

… x

]

W

= [ w

, w

, , … w

]

, ^j = 1 2 ^{, , , … l}

i X ( ) = arg min

X W –

, j = 1 2 , , …l

h

( ) n d

2 σ

t()

---

⎝ – ⎠

⎜ ⎟

⎛ ⎞

exp ,

= t = 0 1 2 , , , , …

d

= r

– γ

σ t() = σ

exp _⎝ ^⎛ – τ --- ^t

_⎠ ^⎞ , t = 0 1 2 , , , , …

그림 3. 이웃반경의 크기 조정

그림 4. 가우시안 함수

그림 5. 연결강도 갱신과정

전의 연결강도 벡터를 W

(n), 조정된 후의 새로운 연결강도 벡 터를 W

(n+1)와 같이 이산 시간 t에 대하여 정의할 때 조정을 위한 규칙은 그림 5에 나타내었으며, 다음 식으로 표현된다.

(7)

여기서 , α 는 시간 t가 증가함에 따라 서서히 감소하는 학습 율을 나타내는 매개변수로서 초기값 α

와 지수적 감쇠를 만 족시킬 수 있도록 다음과 같은 식으로 나타낼 수 있다 .

(8) 3. 대상지점 및 입력자료

본 연구의 대상지점인 영산강 유역은 그림 6 과 같이 우리 나라 서남부에 위치하며 , 총 유역면적은 3,455 km

이고 , 본 류의 유로연장은 129.5 km 이며 , 본 연구에서는 강우의 시·

공간적 분포의 비선형적 변동성을 고려한 강우패턴을 분류 하고 강우 - 유출간의 특성을 분석하기 위해 영산강 본류의 대 표지점인 나주수위관측소와 그에 영향을 미치는 상류의 광 주 , 동곡 , 능주강우관측소을 선정하였다 . 수위 및 강우자료는 영산강홍수통제소의 자료를 이용하였고 , 나주지점의 수위자 료를 유출량자료로 환산하기 위해 『영산강 유량측정 보고 서』 ( 영산강홍수통제소 , 2004) 의 나주지점의 수위 - 유량관계 곡선을 이용하였다 .

모형의 입력자료 구축을 위해 광주, 동곡, 능주우량관측소의 강우량이 나주지점 유출량에 기여하는 시차를 산정하기 위해 무 강우를 제외한 각 강우관측소의 강우자료와 그에 대한 지체시간 을 적용한 나주지점의 유출량자료 사이의 상관분석을 실시한 결 과 그림 7과 같이 광주, 동곡, 능주우량관측소 모두 7시간 후가 가장 높은 상관성을 갖는 값으로 분석되었다. 이는 동곡우량관측 소는 광주, 능주우량관측소와는 달리 지배면적 대부분이 농경지 와 산지가 산재되어있고, 유출로 기여 할 수 있는 큰 지류가 없 는 지형적인 영향으로 판단된다.

그러므로 입력벡터 는 나주지점의 유출량과 각 우량관측소 의 지체시간을 고려한 강우량에 1 시간 30 분의 시차를 고려하

면 식 (9) 와 같은 12 차원 구조의 SOM 훈련 데이터의 구조

가 된다 . SOM 훈련 데이터 구성 시 1 시간 30 분의 시차를

고려한 이유는 강우 - 유출과정의 양상에 따른 구분을 도모하 는 동시에 가능한 한 적은 수의 자료를 적용하기 위해 각 지점으로부터 1 시간 30 분 동안의 자료를 SOM 의 입력자료 로 이용하였다 .

(9) 4. 모형의 적용

SOM 의 적용을 위해 그림 8 의 SOM 적용 흐름도와 같이

광주 , 동곡 , 능주우량관측소의 우량과 나주유출량의 30 분 자 료로부터 2004 년 6 월 1 일부터 2004 년 7 월 31 일까지의

2928 쌍의 자료를 선택하였으며 각 우량관측소와 나주유출량 간의 상관분석으로부터 산정된 시차를 적용하여 2901 × 12

행렬의 SOM 입력자료를 구축하였다 .

선택된 자료의 정규화 과정을 거친 후 SOM 훈련을 위해

Map 크기를 결정한다 . Map 크기 결정은 Garcia 등 (2003)

에 의해 연구 보고된 식을 이용하였다 ( 식 (10)).

(10)

여기서 M 은 Map 을 구성하는 단위구조 (unit) 의 총 수 N 은 훈련 자료의 수이다 .

본 연구에서의 훈련자료는 2901 쌍 이며 , Map 크기는 식

(10) 에 의해 산정된 269 의 근사치로부터 그림 9 와 같이 20

× 13 으로 결정하였다 .

훈련방법으로는 일괄 훈련방법 (batch training algorithm)

을 이용하였고 , Clustering 결과 U-matrix 에 의해 구분된 결과를 그림 10 에 나타내었으며 , k-means algorithm 결과 최적의 분할구역으로 구분된 결과는 그림 11 과 같다 . 또한 분할구역의 대표적인 강우 - ^{유출간의 관계는 그림} 12 ^{와 같}

다 .

W

( n 1 + ) W =

( ) n + α ( ) h n ⋅

( ) X W n ⋅ [ –

( ) n ]

α t() = α

exp ^{⎝ ⎛ –} τ ^{--- t}

^{⎠ ⎞} , n 0 1 2 … = , , , ,

x t ( ) = ( Q

, Q

, Q

, P

, P

, P

, P

, P

, P

, P

)

M 5 N =

그림 6. 대상지점 유역도

그림 7. 시차결정을 위한 상관분석 결과

5. 분석 및 결과

SOM 에 의해 구분된 강우 - 유출관계를 규명하기 위해 2004

년 6 월 1 일 0 시 ~2004 년 7 월 31 일 23 시 30 분까지의 나주지 점의 수문곡선에 분할된 구역의 입력자료를 선택하여 그림

13 과 같이 도시하였다 . 또한 명확한 결과의 도시를 위하여

강우발생 전후로 한 기간 (a), (b), (c) 를 선별하여 그림

14~ 그림 16 에 도시하였다 .

그 결과 Cluster-1 은 무강우기간에 해당하며 유출량의 변

화가 미미한 수문곡선의 기저유출부분을 나타내고 있으며 ,

Cluster-2 는 강우가 종료된 후 또는 1~2 mm 이내의 약한

그림 8. SOM 적용 흐름도

그림 9. 20 × 13 의 Map 구조

그림 10. U-matrix 에 방법에 의한 결과

그림 11. k-means algorithm 결과

그림 12. 분할구역의 대표적인 강우 - 유출관계

강우가 발생한 경우이며 그 때의 유출량은 점진적으로 증가 또는 감소하는 수문곡선의 변곡점 아래의 상승부와 감수부

로 구분되었다. Cluster-3은 강우량은 감소하는 경향을 보이 는 반면 유출량은 급격히 증가하는 수문곡선의 상승부를 나 그림 13. SOM에 의해 구분된 강우-유출관계 분석

그림 14. 강우-유출관계 분석 (a)

그림 15. 강우-유출관계 분석 (b)

그림 16. 강우-유출관계 분석 (c)

타내었으며, Cluster-4는 강우가 시작됨에 따라 유출량은 점 진적으로 증가되는 수문곡선의 상승기점의 상승부로 분할되 었다. Cluster-5는 강우량은 증가되나 유출량의 변화는 미미 한 증가를 보이는 양상으로 구분되었으며, Cluster-6은 강우 는 종료되고 유출량은 증가 또는 감소되는 변곡점 위의 수 문곡선 상승부와 감수부로 구분되었다. 마지막으로 Cluster- 7은 광주, 능주, 동곡강우관측소 모두 강한 강우강도의 강우 가 발생하고 유출량은 급격히 증가하는 수문곡선의 첨두부 로 분할되었다. 한편, Cluster-2와 Cluster-6은 강우 패턴은 유사한 경향을 보이는 반면 유출량의 규모는 Cluster-6이 더 큼을 확인 할 수 있었다. 이상의 결과와 같이 강한 비선형 성을 가지고 있는 강우-유출관계가 SOM으로 강우-유출 패 턴분류가 가능함을 확인 할 수 있었고, Cluster-2와 Cluster- 6은 수문곡선의 상승부와 감수부의 변곡점을 구분지어 주는 것으로 판단되며, 수문곡선의 상승부의 형상은 강우의 특성 에 의해 좌우되는 것을 확인 할 수 있었다.

6. 결 론

본 연구에서는 강우의 시·공간적 분포의 비선형적 변동 성을 고려하기 위해 인공신경망의 기법의 일종인 코호넨 네 트워크를 이용하여 강우-유출간의 특성을 분석한 결과 다음 과 같은 결론을 얻었다.

1. 강한 비선형성을 가지고 있는 강우-유출관계가 SOM으로 패턴분류가 가능함을 확인 할 수 있었다.

2. SOM으로 구분된 분할구역(Cluster-1~Cluster-7)과 유출과 의 관계를 비교 검토한 결과 Cluster-1은 수문곡선의 기저 유출부분으로 구분되었고, Cluster-2는 수문곡선의 변곡점 아래의 상승부와 감수부를 나타내었으며, Cluster-3은 강우 량은 감소하는 경향을 보이는 반면 유출량은 급격히 증가 하는 수문곡선의 상승부로 분류되었다. 또한 Cluster-4는 수문곡선의 상승기점의 상승부로 구분되었으며, Cluster-5 는 강우량은 증가되나 유출량의 변화는 미미한 증가 양상 의 상승부로 분류되었다. Cluster-6은 변곡점 위의 수문곡 선 상승부와 감수부로, Cluster-7은 수문곡선의 첨두부로 분할되었다.

3. SOM의 적용에 의한 강우-유출 관계의 분류는 Cluster-2 와 Cluster-6의 비교에서 보여지듯이 유출량의 크기에 따 라 구분되어질 뿐만 아니라 Cluster-3과 Cluster-5의 경우 에서처럼 강우의 증감에 따른 양상에 의해서도 구분되는 것을 확인할 수 있었다. 따라서 본 연구에서 적용하는 SOM 방법은 강우와 유출 패턴을 동시에 복합적으로 고 려하여 그 양상을 구분하는 것으로 판단된다.

4. 이상의 결과를 토대로 홍수기로부터 갈수기까지의 치수와 이수측면에서 보다 넓은 범위의 유출량 예측에 기여할 수

있을 것으로 기대된다. 또한 강우량 및 유출량의 범위에 무관한 범용적인 모형의 개발을 위한 새로운 접근방법을 제시할 수 있을 것으로 판단된다.

마지막으로 본 연구는 강우-유출관계를 파악하기 위한 새 로운 접근 방법을 제시하여 그 적용성을 검토하였다. 이와 더불어 다양한 유역으로부터의 강우 및 유출량 자료를 이용 한 일반화된 예측모형의 구축이 필요할 것으로 판단되며, 이 를 위한 심화 연구가 진행되어야 할 것으로 판단된다.

감사의 글

본 연구는 학술진흥재단의 신진연구인력 연구 장려금 지원 사업의 지원(과제번호 D00071)을 받아 수행하였습니다. 이 에 감사드립니다.

참고문헌

김주환 (1993) 신경회로망을 이용한 하천 유출량의 수문학적 예측

에 관한 연구, 박사학위논문 , 인하대학교 .

건설교통부 영산강홍수통제소 (2004) 영산강 유량측정 보고서.

심순보 , 김만식 , 심규철 (1998) 신경망 이론에 의한 다목적 저수

지의 홍수유입량 예측 , ^{한국수자원학회논문집} , ^{한국수자원학회} , 제 31 권 , 1 호 , pp. 45-57.

안상진 , 전계원 (2001) RBF 를 이용한 홍수유출량 예측 , ^대한토목

학회논문집 , 대한토목학회 , 제 21 권 , 제 6B 호 , pp. 599-607.

이관수 , ^박성천 , ^이한민 , ^진영훈 (2000) ^{인공신경망의 이론의} B.P.

알고리즘을 적용한 영산강의 유출량 예측에 관한 연구 , ^대한

토목학회논문집 , 대한토목학회 , 제 20 권 , 제 5B 호 , pp. 679-

윤강훈 688. , ^서봉철 (2004) ^{댐방류량을 이용한 한강 유역 신경망 유출}

예측모형에 관한 연구 , ^{대한토목학회논문집} , 대한토목학회 , 제

24 권 , 제 1B 호 , pp. 47-53.

Coulibaly, P., Anctil, F. and Bobee, B. (2000) Daily reservoir inflow forecasting using artificial neural networks with stopped train- ing approach, Journal of Hydrology , Vol. 230, pp. 224-257.

Garcia, H.L. and Gonzalez, I.M. (2004) Self-organizing map and clustering for wastewater treatment monitoring, Engineering Applications of Artificial Intelligence, Vol. 17, pp. 215-225.

Hsu, K.L., Gupta, H.V., Gao, X., Soroochian, S. and Imam, B.

(2002) Self-organizing linear output map (SOLO): An artifi- cial neural network suitable for hydrologic modeling and anal- ysis, Water Resources Research , Vol. 38, No. 12, pp. 38-1-38- Luk, K.C., Ball, J.E. and Sharma, A. (2000) A Study of optimal 17.

model lag and spatial inputs to artificial neural network for rainfall forecasting, Journal of Hydrology , Vol. 227, pp. 56-65.

Kohonen, T. (1982) Self-organized formation of topologically cor- rect feature maps, Biological Cybernetics , Vol. 43, pp. 59-69.

( ^접수일 :2005.9.23/ ^심사일 :2005.10.31/ ^완료일 2005.11.17)