검색 상세

SOM을 이용한 湖沼水 저수량과 TOC변동에 관한 패턴 분류 및 분석

Patterns Classification and Analysis of Storage and TOC Variation Using SOM in the Juam Lake

  • 정우철 (Jung, Woo-Cheol, 동신대학교 대학원)

초록/요약

수자원의 효율적인 관리는 물론 홍수에 의한 침수나 각종 수질오염 사고에 의한 재난재해를 보다 적극적으로 대응하고, 호소수 수질관리 및 환경정책 입안의 기초자료로 활용을 위해서는 각종 유량과 수질자료에 대한 특성 분석이 요구되어지며, 비선형 경향이 강한 호소수 저수량과 총유기탄소(Total Organic Carbon: 이하 TOC) 에 관한 관계를 모형화하기 위해서는 이들 상호관의 특성을 반영할 수 있는 모형개발이 절대적으로 요구된다. 이에 따른 방법론으로는 ANN모형 자체적으로 경쟁(competitive) 또는 자기조직화(self-organization)에 의하여 가중치들을 산정하여 패턴을 분류하는데 탁월한 성능을 지닌 자기조직화 (Self-Organizing Map: 이하 SOM) 이론을 적용하였다. 또한 강우량 자료와의 조합을 통해 호소수 저수량과 TOC 변동에 따른 패턴을 분리 하였다. 패턴 분류를 하기위한 입력 자료는 주암댐강우관측소의 강우량자료와 주암댐지점 저수량 그리고 기존의 BOD 및 COD 수질농도 측정값에 비하여 적은 오차요인과 빠른 시간에 결과 값을 얻을 수 있으며 유출량과 난분해성 물질에 대한 해석이 가능하고 재현성이 탁월한 TOC자료를 사용하였다. 또한, 저수량/ TOC/ 강우량변동과 이에 기여하는 시차를 산정하기 위해 지체시간을 적용하였다. SOM을 적용하기 위해 먼저 Map의 크기는 Garcia가 제시한 M=5√N을 이용하여 22*19로 정하였고, 그에 따른 패턴은 5가지로 구분할 수 있었다. 이러한 비선형적인 다변량 자료를 분석하기 위해서 Map상의 데이터 주소를 추출하여 Raw데이터자료를 재구축 했다. 이를 통해 Raw데이터자료를 패턴별로 분류 할 수 있었다. 이러한 패턴별 분류를 통해 저수량에 따른 TOC자료를 2차원의 지도상에 시각적으로 가시화하여 비선형적인 경향이 강한자료의 분포적 양상을 이해하는데 큰 도움이 되며, 향후 이를 통해 예측을 위한 모형화 과정에도 크게 도움을 줄 것으로 기대된다. 또한, 강우자료 또는 저수량자료만을 이용한 단일변량의 패턴분류를 위해 SOM의 적용이 가능할 것으로 판단되며, 이는 각 변량의 본질적인 특성을 파악할 수 있을 것으로 기대된다.

more

초록/요약

An analysis of properties of various sorts of data of flux and water quality is required to manage water resources efficiently, deal with calamities and disasters caused by inundation from flood and various water pollution and utilize the analysis as a background knowledge in policy-making of water-purity control for lakes and ponds and other environment plans. In addition, to model the relationship between the storage and the TOC(Total Organic Carbon) of lakes and ponds which tend to be nonlinear, it is imperative to develop a model which can reflect characteristics between each of them. As the corresponding methodology, we applied the theory of SOM(Self-Organizing Map) which is excellent to classify patterns calculating weighted values according to self-competitiveness of the ANN model or self-organization. In addition, we classified patterns by changing storage of lakes and ponds and TOC through combination with rainfall data. In terms of input data for pattern classification, we used the rainfall data of the rainfall observatory of Juam dam, the storage of Juam dam area and TOC data - which has less error than existing measured values of water quality of BOD and COD, makes results in a short time, analyzes the volume of water flowing from the dam and substances of low resolvability and has a great reproductivity. In addition, to calculate storage/TOC/rainfall variation and time differences which may influence them, we applied the delayed time. To apply SOM, at first, the size of Map was decided to be 22*19 using M=5√N that Garcia suggested and we could classify 5 types of patterns. To analyze such nonlinear multi-variate data, we got data addresses on the Map and reconstructed the Raw data materials. By that, we could classify the Raw data materials by patterns. We visualized the TOC data by storage from such classifications by patterns onto two-dimensional maps. This visualization is expected to be helpful in understanding distributive aspects of data which tend to be nonlinear and in modeling for estimation later. In addition, application of SOM is expected to be possible to classify patterns of single-variate data only using rainfall data or storage data. And this is also expected to allow us to understand fundamental properties of each variable.

more

목차

1. 서론 = 1
1.1 연구배경 및 목적 = 1
1.2 연구 동향 = 6
1.3 연구의 내용 및 방법 = 9
2. 이론적 배경 = 11
2.1 신경망의 구조 = 11
2.2 학습 알고리즘 = 19
3. 대상지점 및 SOM 입력자료 구축 = 28
3.1 대상지점 = 28
3.2 SOM 입력자료 구축 = 30
3.2.1 저수량 자료의 특성 = 31
3.2.2 TOC 자료의 특성 = 35
3.2.3 강우량 자료의 특성 = 38
3.3 소결 = 41
4. 적용방법 및 결과 = 43
4.1 SOM 모형의 적용 = 43
4.2 Cluster 분석 = 47
5. 결론 = 58
참고문헌 = 60
Abstract = 62

more
반출 Meta View 목록