Journal of Korea Water Resources Association (한국수자원학회논문집)

Korea Water Resources Association (한국수자원학회)
권호 표지

Estimation of the WGR Multi-dimensional Precipitation Model Parameters using the Genetic Algorithm

유전자 알고리즘을 이용한 WGR 다차원 강우모형의 매개변수 추정

  • Published : 2001.10.01
Download PDF
⟨ Previous Next ⟩

Abstract

The WGR model was developed to represent meso-scale precipitation. As a conceptual model, this model shows a good link between atmospheric dynamics and statistical description of meso-scale precipitation(Waymire et al., 1984). However, as it has maximum 18 parameters along with its non-linear structure, its parameter estimation has been remained a difficult problem. There have been several cases of its parameter estimation for different fields using non-linear programming techniques(NLP), which were also difficult tasks to hamper its wide applications. In this study, we estimated the WGR model parameters of the Han river basin using the genetic algorithm(GA) and compared them to the NLP results(Yoo and Kwon, 2000). As a result of the study, we can find that the sum of square error from the GA provide more consistent parameters to the seasonal variation of rainfall. Also, we can find that the higher rainfall amount during summer season is closely related with the arrival rate of rain bands, not the rain cell intensity.

WGR 강우모형은 중규모 정도의 강우를 표현하기 위해 개발된 개념적인 모형으로 대기의 동역학적 특성과 강우의 통계학적 특성이 비교적 잘 반영된 모형이다(Waymire 등, 1984). 그러나 이 모형은 최대 18개의 매개변수르 가지며 모형의 구조가 강한 비선형성을 가지고 있어 매개변수 추정이 매우 어려운 문제로 남아 있다. 지금까지 각각 다른 지역의 강우에 대해 비선형 최적화 기법(non-linear programming; NLP)을 이용하여 매개변수를 추정한 예가 있으나 그 과정 자체가 매우 복잡하여 이 모형을 다른 목적으로 이용하는데 문제로 지적되고 있다. 본 연구에서는 유전자 알고리즘(genetic algorithm; GA)을 이용한 WGR 모형의 매개변수 추정법을 제시하였으며, 이를 한강유역에 적용하여 NLP에 의한 결과 (Yoo와 Kwon, 2000)와 비교하였다. 적용 결과 GA는 NLP에 비해 상대적으로 작은 SSE(sum of square error)를 나타내었고 계절의 변화에 보다 일관적인 반응을 보임을 알 수 있었다. 또한 추정된 매개변수 분석결과, 여름철의 높은 강우량은 강우 세포의 강도보다는 강우전선의 도달율과 밀접한 관계가 있는 것으로 나타났다.

Keywords

References

  1. 김성태, 채수권, 김건흥 (1999). 유전 알고리즘을 이용한 QUAL2E 모형의 반응계수 추정, 대한토목학회 논문집, 제19권 제 II-4호, PP.507-514
  2. 박봉진, 차형선, 김주환 (1997). 유전자 알고리즘을 이용한 저류함수모형의 매개변수 추정에 관한 연구, 한국수자원학회 논문집, 제30권 제4호, pp.347-355
  3. 박영수, 김종우, 김태균, 김중훈 (1999). 유전자 알고리즘을 이용한 관망시스템의 최적비용 설계, 한국수자원학회 논문집, 제32권 제1호, pp.71-81
  4. 성기원 (1998). 유전자 알고리즘을 이용한 능형회귀모형의 검정: 빈도별 홍수량의 지역분석을 대상으로, 한국수자원학회 논문집, 제31권 제1호, pp.59-69
  5. Cieniawski, S.E., Eheart, J.W. and Ranjithan, S. (1935). Using Genetic Algorithms to Solve a Multiobiective Groundwater Monitoring Problem, Water Resources Research, 31(2), pp. 399-400 https://doi.org/10.1029/94WR02039
  6. Goldberg, D.E. and Kwo, C.H. (1987). Genetic Algorithms in Pipeline Optimization, J. Comp. in Civ. Engrg., ASCE, 1(2), pp. 128-141
  7. Holland, J.H. (1975). Adaptation in Natural and Artificial System, MIT Press, Cambridge, Mass
  8. Islam, S., Bras, R.L. and Rodriguez-Iturbe, I. (1983). Multi-dimensional Modeling of Cumilativc Rainfall: Parameter Estimation and Medel Adequacy through a Continuum of Scales, Water Resour. Res., Vol. 24, pp. 992-995
  9. Koepsell, R.W. and Valdes, J.B. (1991). Multidimensional Rainfall Parameter Estimation from Sparse Network, J. Hydraulic Eng., ASCE, Vol. 117, pp. 832-850
  10. Mckinney, D.C. and Lin, M. (1994). Genetic Algorithm Solution of Groundwater Management lVkx:lels, Water Resources Research, 30(6), pp. 1897-1906 https://doi.org/10.1029/94WR00554
  11. Mulligan, A.E. and Brown, L.C. (1998). Genetic Algorithms for Calibrating Waier Quality Model, Joumal of Environmental Engineering, 124(3), pp. 202-211 https://doi.org/10.1061/(ASCE)0733-9372(1998)124:3(202)
  12. North, G.R. and Nakamoto, S. (1989). Formalism for Comparing Rain Estimation Design, J. Atmos. Ocean. Tech., Vol. 6, pp, 985-992 https://doi.org/10.1175/1520-0426(1989)006<0985:FFCRED>2.0.CO;2
  13. Ritzel, B.J., Eheart, J.W. and Raniithan, S. (1994). Using Genetic Algorithms to Solve a Multiple Objective Groundwater Pollution Problem, Water Resources Research, 30(5), pp. 1539-1603 https://doi.org/10.1029/93WR03511
  14. Shie, Y.L., Weng, T.C. and Jaya, S.R. (995). Peakflow Forecast with Genetic Algorithm and SWMM, Journal of Hydraulic Engineering, ASCE, 121(8), pp. 613-617 https://doi.org/10.1061/(ASCE)0733-9429(1995)121:8(613)
  15. Valdes, J.B, Nakamoto, S., Shen, S. S. P. and North, G.R (1990). Estimation of Multi-dimensicnal Precipitation Parameters by Areal Estimates of Oceanic Rainfall, J. Geophys, Res.(Atmos.), Vol. 95(D3), pp. 2101-2111
  16. Waymire, E., Gupta, V.K. and Rodriguez- Iturbe, I. (1984). A Spectral Theory of Rainfall Intensity at the Meso ${\beta}$ Scale, Water Resour. Res, 20(10), pp. 1453-1465
  17. Wang, Q.J. (1991). The Genetic Algorithm and its Application to Calibrating Conceptual Rainfallrunoff Models, Water Resources Research, 27(9), pp. 2467 - 2482 https://doi.org/10.1029/91WR01305
  18. Wardlaw, R. and Sharif, M. (1999). Evaluation of Genetic Algorithms for Optimal Reservoir System Operation, Journal of Water Resources Planning and Management, ASCE, 125(1), pp. 25-33 https://doi.org/10.1061/(ASCE)0733-9496(1999)125:1(25)
  19. Yoo, C. Valdes, JB. and North, C.R. (1996). Stochastic Modeling of Multi-dimensional Precipitation Fields Considering Spectral Structure, Water Resour. Res., Vol. 32(7), pp. 2175-2187 https://doi.org/10.1029/96WR01047
  20. Yoo, C. and Kwon, S. (2000). Characterization of Rainrate Fields Using a Multi-dimensional Precipitation Model, Water Engineering Research, Vol 1, No.2, pp. 147-158