임계치 모형과 인공신경망 모형의 저수지 수위 자료 이상치 제거 성능 평가 :

김마가

추천

검색

자료유형: 학위논문

저자정보: 김마가 (서울대학교, 서울대학교 대학원)

발행연도: 2019

저작권: 서울대학교 논문은 저작권에 의해 보호받습니다.

이용수11

이 논문의 연구 히스토리 (2)

2021

활성화 함수에 따른 유출량 산정 인공신경망 모형의 성능 비교

김마가 , 최진용 , 방재홍 외 2명 한국농공학회논문집 2021.01 학술저널

2019

임계치 모형과 인공신경망 모형의 저수지 수위 자료 이상치 제거 성능 평가

김마가 생태조경.지역시스템공학부 2019.01 학위논문

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

초록· 키워드

오류제보하기

수문 자료는 수자원을 이용하고 관리하기 위한 분석의 기초 자료로 활용되고 있으며, 그 중에서도 저수지 수위 자료는 저수용량을 산정하는 기준으로 사용되고 있다. 한국에서는 농업용 저수지에 대해 1,600여 개의 수위계측기를 설치하고 있어 방대한 양의 저수지 수위 자료가 축적되고 있으나 물리적·환경적인 이유로 여러 종류의 이상치가 발생하고 있다. 이러한 저수지 수위 자료를 효과적으로 활용하기 위해서는 수위 자료의 품질 관리가 필수적이다. 따라서 본 연구에서는 저수지 수위 자료의 이상치를 탐지하기 위하여 임계치 모형과 인공신경망 모형을 제안하였으며 각 모형의 적용 결과에 따른 이상치 탐지 결과를 분석하고자 하였다.
본 연구의 대상 저수지는 개운, 추평, 청천, 성주 저수지이며 한국농어촌공사에서 측정한 수위 자료를 대상으로 10분 단위 원시 수위 자료와 1시간 단위 평균 수위 자료에 이상치 탐지 모형을 적용하였다. 검증을 위해 한국농어촌공사 농업기반시설관리시스템 (Rural Infrastructure Management System, RIMS)에서 제공하는 일 단위 수위 자료를 기준 자료로 활용하였으며, 이때 기준 자료는 관리자에 의해 수동으로 보정된 자료이다.
이상치 탐지 모형의 적용 결과 임계치 모형은 수위가 급변하는 구간에서 정상 수위 자료의 소실 문제가 발생하였으며, 인공신경망 모형은 학습 자료에서의 이상치의 비율에 따라 품질 개선 효과가 달리 나타났다. 전반적으로 임계치 모형의 성능이 인공신경망 모형의 성능보다 더 뛰어났으며, 인공신경망 모형의 경우 학습 자료에서 이상치의 비율이 모형의 이상치 탐지 성능에 영향을 미치는 중요한 요인으로 사료된다. 본 연구에서 제안한 모형은 저수지 수위 자료의 1차적인 품질관리를 위한 이상치 탐지 모형으로 활용될 수 있을 것으로 기대된다.

Hydrological data have been utilized as primary data for analysis to use and manage water resources. Especially, reservoir water level data among the hydrological data have been utilized to estimate reservoir water capacity. In Korea, about 1,600 water level measuring instruments for agricultural reservoir have been installed and the amount of water level data have been accumulated. However, various kinds of outliers have occurred because of physical and environmental causes. Quality control of reservoir water level data is very important to utilize the water level data effectively. Therefore, in this study, the threshold model and artificial neural network (ANN) models were proposed to detect the outliers from the reservoir water level data, and the results of each model were evaluated.
Subject reservoirs of this study were the Gaeun · Chupyeong · Cheongcheon · Seongju reservoir, and the outlier detection models were applied to 10-minute raw water level data and 1-hour average water level data which were obtained from the Korean Rural Community Corporation (KRC). Daily water level data which were offered from KRC Rural Infrastructure Management System (RIMS) were used as reference data to verify the model. The reference data were the calibrated data with the manual method by reservoir managers.
In the result of the threshold model, there were disappearance problems of the normal water level data in the section with rapid changed in the water level. Some of the ANN models showed no improvement in data quality according to the ratio of outliers in the training data. In the overall, a performance of outlier detection of the threshold model was better than the ANN models, and the rate of outliers in the training data seems the critical factor which affects the performance of the outlier detection in ANN models. The outlier detection models proposed in this study expected to be utilized for primary quality control of the reservoir water level data.

#저수지 수위 자료 #이상치 탐지 #임계치 모형 #인공신경망 모형

국 문 초 록 ⅰ
목 차 ⅲ
List of Tables ⅴ
List of Figures ⅶ
제 1 장 서 론 1
1.1 연구 배경 및 필요성 1
1.2 연구 목적 4
제 2 장 연구사 5
2.1 수문 자료의 품질관리 및 보정 5
2.2 인공신경망 이론 8
2.3 인공신경망 모형을 이용한 수문해석 12
제 3 장 재료 및 방법 16
3.1 연구 대상 저수지 및 수위 자료 18
3.1.1 연구 대상 저수지 18
3.1.2 연구 대상 수위 자료 22
3.2 이상치 탐지 모형의 적용 25
3.2.1 임계치 모형 25
3.2.2 인공신경망 모형 28
3.3 모형 검증 37
제 4 장 결과 및 고찰 39
4.1 저수지 수위 자료 특성 39
4.1 임계치 모형 적용 46
4.1.1 임계치 모형의 상하한 설정 46
4.1.2 임계치 모형 적용 결과 49
4.2 인공신경망 모형 적용 55
4.2.1 인공신경망 모형 하이퍼 파리미터 결정 55
4.2.2 인공신경망 모형 학습 자료 생성 결과 57
4.2.3 인공신경망 모형 적용 결과 60
4.3 임계치 모형과 인공신경망 모형 성능 비교 67
제 5 장 요약 및 결론 76
참 고 문 헌 80
Abstract 87

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)