KSCE Journal of Civil and Environmental Engineering Research (대한토목학회논문집)

Korean Society of Civil Engeneers (대한토목학회)
권호 표지
DOI QR코드

DOI QR Code

Detecting Nonlinearity of Hydrologic Time Series by BDS Statistic and DVS Algorithm

BDS 통계와 DVS 알고리즘을 이용한 수문시계열의 비선형성 분석

  • 최강수 (인하대학교 사회기반시스템공학부) ;
  • 경민수 (인하대학교 사회기반시스템공학부) ;
  • 김수전 (인하대학교 사회기반시스템공학부) ;
  • 김형수 (인하대학교 사회기반시스템공학부)
  • Received : 2008.12.19
  • Accepted : 2009.01.22
  • Published : 2009.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

Classical linear models have been generally used to analyze and forecast hydrologic time series. However, there is growing evidence of nonlinear structure in natural phenomena and hydrologic time series associated with their patterns and fluctuations. Therefore, the classical linear techniques for time series analysis and forecasting may not be appropriate for nonlinear processes. In recent, the BDS (Brock-Dechert-Scheinkman) statistic instead of conventional techniques has been used for detecting nonlinearity of time series. The BDS statistic was derived from the statistical properties of the correlation integral which is used to analyze chaotic system and has been effectively used for distinguishing nonlinear structure in dynamic system from random structures. DVS (Deterministic Versus Stochastic) algorithm has been used for detecting chaos and stochastic systems and for forecasting of chaotic system. This study showed the DVS algorithm can be also used for detecting nonlinearity of the time series. In this study, the stochastic and hydrologic time series are analyzed to detect their nonlinearity. The linear and nonlinear stochastic time series generated from ARMA and TAR (Threshold Auto Regressive) models, a daily streamflow at St. Johns river near Cocoa, Florida, USA and Great Salt Lake Volume (GSL) data, Utah, USA are analyzed, daily inflow series of Soyang dam and the results are compared. The results showed the BDS statistic is a powerful tool for distinguishing between linearity and nonlinearity of the time series and DVS plot can be also effectively used for distinguishing the nonlinearity of the time series.

수문시계열 분석과 예측을 위하여 통상적으로 기존의 선형적인 모형들을 이용하여 왔다. 그러나 최근 자연현상이나 수문시계열의 패턴 그리고 변동성에 비선형구조가 존재하고 있다는 것이 입증되고 있다. 따라서 기존의 선형적인 방법들에 의한 시계열분석이나 예측은 비선형 시스템에 대해서 적절하지 않을 것이다. 최근, 시계열의 비선형성 구조를 판단하기 위해 카오스 이론을 토대로 한 상관적분으로부터 BDS(Brock-Dechert-Scheinkman) 통계 기법이 유도되었다. BDS 통계는 시스템의 비선형구조와 무작위성 구조를 구별하는데 매우 효과적으로 이용되어 오고 있다. 또한 DVS(Deterministic Versus Stochastic) 알고리즘은 카오스와 추계학적 시스템을 구별하고 예측하는데 주로 이용되어 왔다. 그러나 본 연구에서는 DVS 알고리즘에 의해 시계열의 비선형성을 판별할 수 있음을 보이고자 한다. 따라서 본 연구에서는 추계학적 시계열과 수문학적 시계열들의 비선형성을 검사하고자 한다. ARMA 모형과 TAR(Threshold autoregressive) 모형으로부터로 발생시킨 추계학적 시계열, 미국 유타주 GSL 체적자료, 미국 플로리다 주 St. Johns 강 Cocoa 지점의 유출량 자료, 소양강 댐 일 유입량 자료 등의 수문시계열에 대해 비선형성 분석을 수행하고 그 결과를 비교하였다. 분석결과 BDS 통계가 선형 및 비선형 시계열을 구분하는데 매우 강력한 도구임을 보였고, DVS 알고리즘 또한 시계열의 비선형성을 구별하는데 효과적으로 이용될 수 있음을 보였다.

Keywords

References

  1. 권현한, 문영일(2005) 상태-공간 모형과 Nearest Neighbor 방법을 통한 수문시계열 예측에 관한 연구. 대한토목학회논문집, 대한토목학회, 제25권, 제4B호, pp. 275-283.
  2. 김응석, 김형수, 김재형, 김중훈(1999) 낮은 정밀도에 의한 일강우자료의 카오스적 예측 가능성. 대한토목학회논문집, 대한토목학회, 제19권, 제II-4호, pp. 435-443.
  3. 김형수, 윤용남(1996a) 카오스의 위상학적 견지: (I) 일유량 자료계열 해석에 응용. 대한토목학회논문집, 대한토목학회, 제16권, 제II-5호, pp. 445-452.
  4. 김형수, 윤용남(1996b) 카오스의 위상학적 견지: (II) 독립성과 잡음저감. 대한토목학회논문집, 대한토목학회, 제16권, 제II-5호, pp. 453-459.
  5. 김형수, 최시중, 김중훈(1998) DVS 알고리즘을 이용한 일 유량자료의 예측. 대한토목학회논문집, 대한토목학회, 제18권, 제II-6호, pp. 563-570.
  6. 김형수, 강두선, 김종우, 김중훈(1998) BDS 통계: 수문자료에의 응용. 한국수자원학회논문집, 한국수자원학회, 제31권, 제6호, pp. 769-777.
  7. 김형수, 안재현, 윤용남, 박무종(1999) 엘니뇨/남방진동지수의 비선형성 검출. 대한토목학회논문집, 대한토목학회, 제19권, 제II-2호, pp. 149-157.
  8. 박대규, 조원철(2003) 카오스 특성을 갖는 일유출량 자료의 비선형성 예측. 대한토목학회논문집, 대한토목학회, 제23권, 제6B호, pp. 479-487.
  9. 이재수(1994) 물수지 방정식의 카오스적 분석. 한국수자원학회지, 한국수자원학회, 제27권, 제3호, pp. 45-45.
  10. Box, G.E.P. and Jenkins, G.M. (1976) Time series analysis: Forecasting and control. Revised edition, Holden-Day, San Francisco.
  11. Brock, W.A., Heish, D.A., and Lebaron, B. (1991) Nonlinear dynamics, chaos, and instability: Statiscal theory and economic evidence. The MIT Press, Massachusetts(USA).
  12. Brock, W.A., Dechert W.D., Scheinkman, J.A., and Lebaron, B. (1996) A test for independence based on the correlation dimension. Econometric Reviews, Vol 15, No. 3, pp. 197-235. https://doi.org/10.1080/07474939608800353
  13. Casdagli, M. (1992) Chaos and deterministic versus stochastic non-linear modeling, Journal of the Royal Statistical Society. Vol. 54, No. 2, pp. 303-324.
  14. Casdagli, M. and Weigend, A. (1994) Exploring the Continuum Between Deterministic and Stochastic Modelling, in: Time series prediction: forecasting the future and understanding the past. edited by: Weigend, A. and Gershenfeld, SFI Studies in the Sciences of Complexity, Proc. Vol. XV, Addison-Wesley, pp. 993.
  15. Graf, K.E. and Elbert, T. (1990) Dimensional analysis of the waking EEG, in chaos in Brain Function. edited by E.Basar, Spinger-Verlag, New York, N.Y, pp. 135-152.
  16. Grassberger, P. and Procaccia, I. (1983) Measuring the strageness of strange attractors. Physica D: Nonlinear Phenomena, Vol. 9, No. 11, pp. 189-208. https://doi.org/10.1016/0167-2789(83)90298-1
  17. Holzfuss, J. and Mayer-Kress, G. (1986) An approach to error-estimation in the application of dimension algorithms, in Dimensions and Entropies in Chaotic Systems, edited by G. Mayer-Kress, Springer-Verlag, New York, pp. 114-147.
  18. Jeong, G.D. and Rao, A.R. (1996) Chaos characteristics of tree ring series, Journal of Hydrology., ASCE, Vol. 182, Issue. 1-4, pp. 239-257. https://doi.org/10.1016/0022-1694(95)02942-7
  19. Kim, H.S. (1997) Applicability of chaotic system in hydrologic time series, Ph.D. dissertation, Colorado State Univ., Fort Collins, Colorado.
  20. Kim, H.S., Eykholt, R., and Salas, J.D. (1998) Delay time window and plateau onset of the correlation dimension for small data sets, Physical Review E., Vol. 58, No. 5, pp. 5676-5682. https://doi.org/10.1103/PhysRevE.58.5676
  21. Kim, H.S., Kang, D.S., and Kim, J.H. (2003) The BDS statistic and residual test. Stoch. Environ. Res. Risk Assess., Vol. 17, No. 1-2, pp. 104-115. https://doi.org/10.1007/s00477-002-0118-0
  22. Kim, H.S., Yoon, Y.N., Kim, J.H., and Kim, J.H. (2001) Searching for strange attractor in wastewater flow. Stochastic Environmental Research and Risk Assessment, Vol. 15, No. 5, pp. 399-413. https://doi.org/10.1007/s004770100078
  23. Kim, H.S., Sivakumar, B., and Lee, E.T. (2008) Measuring nonlinear dependence in hydrologic time series. Stochastic Environmental Research and Risk Assessment, in Press
  24. Packard, N.H., Curtchfield, J.P., Farmer, J.D., and Shaw, R.S. (1980) Geometry from a Time Series. Physical Review Letters, Vol. 45, Issue 9, pp. 712-716. https://doi.org/10.1103/PhysRevLett.45.712
  25. Porporato, A. and Ridolfi, L. (1997) Nonlinear analysis of river flow time sequences. Water Resources. Research., Vol. 33, Issue. 6, pp. 234-247.
  26. Rodriguez-Iturbe, I., Entekhabi, D., and Brass, R.L. (1991) Nonlinear dynamics of soil moisture at climate scales, 1. Stochastic analysis. Water resources Research, Vol. 27, No. 8, pp. 1899-1906. https://doi.org/10.1029/91WR01035
  27. Rodriguez-Iturbe, I., Power, B.F.D., Sharifi, M.B., and Georgakakos, K.P. (1989) Chaos in rainfall. Water resources Research, Vol. 25, No. 7, pp. 1667-1675. https://doi.org/10.1029/WR025i007p01667
  28. Salas, J.D., Delleur, J.W., Yevjevich, V., and Lane, W.L. (1980) Applied modelling of hydrologic time series, Water Resources Publications, Littleton, Colorado.
  29. Sangoyomi, T. (1993) Climate variability and dynamics of Great Salt Lake hydrology, PhD dissertation, Utah State Univ., Logan.
  30. Sangoyomi, T., Lall. and Abarbanel, H.D.I. (l996) Nonlinear dynamics of the Great Salt Lake: dimension estimation, Water Resources Research. Vo1. 32, No. 1. pp. 149-159. https://doi.org/10.1029/95WR02872
  31. Takens, F. (1981) Detecting strange attractors in turbulence, In Dynamical systems and turbulence, D.A. Rand and L.S. Young, eds., Lecture Notes in Mathematics, Vol. 898, pp. 336-381.
  32. Tsonis, A.A. and Elsner, J.B. (1988) The weather attractor over very short time scales. Nature, Vol. 333, pp. 545-547. https://doi.org/10.1038/333545a0
  33. Wilcox, B.P., Seyfried, M.S., and Matison, T.H. (1991) Searching for Chaotic Dynamics in Snow melt Runoff. Water resources Research. Vol. 27, No. 6, pp. 1005-1010. https://doi.org/10.1029/91WR00225