Journal of Wetlands Research (한국습지학회지)

Korean Wetlands Society (한국습지학회)
권호 표지
DOI QR코드

DOI QR Code

The Comparison of Estimation Methods for the Missing Rainfall Data with spatio-temporal Variability

시공간적 변동성을 고려한 강우의 결측치 추정 방법의 비교

  • 김병식 (강원대학교 방재전문대학원) ;
  • 노희성 (인하대학교 사회기반시스템공학부) ;
  • 김형수 (인하대학교 사회기반시스템공학부)
  • Received : 2011.03.28
  • Accepted : 2011.06.28
  • Published : 2011.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

This paper reviewed application of data-driven method, distance-weighted method(IDWM, IEWM, CCWM, ANN), and radar data method estimated of missing raifall data. To evaluate these methods, statistics was compared using radar and station rainfall data from Imjin-river basin. The range of RMSE values calculated for CCWM, ANN was 1.4 to 1.79mm, and the range of RMSE values estimated data used for radar rainfall data was 0.05 to 2.26mm. Spatial characteristics is considered to Radar rainfall data rather than station rainfall data. Result suggest that estimated data used for radar data can impove estimation of missing raifall data.

본 논문에서는 지상강우의 결측치를 추정하는 방법들 중 역거리 가중치법(IDWM), 역지수 가중치법(IEWM), 상관계수가중치법(CCWM), 인공신경망(ANN)기법, 레이더 자료를 이용한 결측치 추정 방법을 비교하여 각각의 적용성을 검토하였다. 임진강 유역을 대상지역으로 하여 각 방법을 적용한 결과, 강우의 결측치 추정에 있어서 기존의 방법 중 상관계수 가중치법(CCWM)과 인공신경망(ANN)기법에 의한 RMSE가 0.46~1.79의 범위를 보였고, 레이더자료를 이용하여 강우의 결측치를 추정한 경우 RMSE가 0.05~2.26의 범위를 보였다. 레이더 강우자료가 지점 강우자료와 달리 강우의 공간상관성을 반영하고 있음을 볼 때, 지점강우 자료를 이용한 결측치 추정 기법보다 레이더자료를 이용한 결측치의 추정기법이 그 적용성에서 우수하다고 판단되어진다.

Keywords

References

  1. 김병식, 홍준범, 김형수, 최규현, 조건부 합성방법을 이용한 레이더 강우와 지상 강우자료의 조합, 한국수자원학회논문집, 제27권, 제3B호, pp. 255-265, 2007.
  2. 김응석, 김형수, 김중훈, 점 강우량 결측시 보정 방법에 관한 비교 연구, 한국수자원학회 학술발표대회논문집, 한국수자원학회, pp. 374-381, 1999.
  3. 안상진, 김진극, 레이더 반사강도와 강우강도의 Z-R 관계식 산정, 한국수자원학회논문집, 제36권, 제1호, pp. 13-21, 2003.
  4. 안상진, 연인성, 김광일, 신경망을 이용한 강우예측, 한국수자원학회논문집, 제20권, 제5-B호, pp. 711-722, 2000.
  5. 윤강훈, 서봉철, 신현석, 크리깅 기법을 이용한 낙동강 유역 홍수강우의 공간해석 연구, 한국수자원학회논문집, 제37권, 제2호, pp. 233-240, 2004.
  6. 황세운, 박승우, 장민원, 조영경, Co-Kriging 기법을 이용한 일강우량 공간분포 모델링, 한국수자원학회논문집, 제39권, 제8호, pp. 669-676, 2006.
  7. 건설교통부, 전국 강우레이더 설치 및 홍수예보시스템 개선 기본계획 수립(3차년도), 2003.
  8. Ling Liu, Ozsu, M. Tamer, Encyclopedia of Database Systems, Springer, 2009.
  9. Griffith, D.A., Spatial Autocorrelation: A Primer. Association of American Geographers, Washington, DC, 1987.
  10. Hodgson, M.E., Searching methods for rapid grid interpolation, Professional Geographer 411, 51-61, 1989.
  11. Navone, H.D., Ceccatto, H.A., Predicting indian monsoon rainfall: a neural network approach, Climate Dynamics 10, 305-312, 1994. https://doi.org/10.1007/BF00228029
  12. Ramesh S.V. Teegavarapu and V. Chandramouli, Improved weighting method- deterministic and stochastic data-driven models for estimation of missing precipitation records, Journal of Hydrology., 312, pp. 191-206, 2005. https://doi.org/10.1016/j.jhydrol.2005.02.015
  13. Ramesh Teegavarapu, Mohammad Tufail, Lindell Ormsbee., Optimal function forms for spatial interpolation of precipitation data, Enviromental Informatics Archives, Vol.4, pp. 343-353, 2006.
  14. Shepard, D., A two-dimensional interpolation function for irregularly spaced data, Proceedings of the Twenty-Third National Conference of the Association for Computing Machinery, pp. 517-524, 1968.
  15. Sullivan, D.O., Unwin, David J., Geographical Information Analysis, Wiley, New York, 2003.
  16. Vasiliev, I.R., Visualization of spatial dependence: an elementary view of spatial autocorrelation, In: Practical Handbook of Spatial Statistics, CRC Press, Boca Raton, 1996.