초록 close

본 연구에서는 Monte-Carlo 모형, AR(1)모형, PAR(1) 모형과 같은 추계학적 모형의 잔차값을 무작위적 복원추출하여 연 및 월 하천 유출량자료를 모의발생하였다. Bootstrap 이라고 불리우는 이 복원추출방법은 자료의 모집단의 가정이 필요없다는 장점이 있으며 자료로부터 직접 통계적 분포형을 추정하는 방법으로써 자료의 순위변동법을 이용한다. 본 연구에서는 이 방법을 용담지점에 적용하였으며 Bootstrap 방법으로 모의발생된 하천 유출량자료의 거동을 검토하기 하기 위해 관측 유출량과 모의 발생된 유출량의 통계치를 산정하여 비교하였다. 그 결과 기존의 방법과 Bootstrap 방법 모두 평균, 표준편차, 자기상관성은 잘 재현하였으나 왜곡도 계수의 경우 Bootstrap 방법이 더 뛰어남을 확인할 수 있었다.


In this study, a method of random resampling of residuals from stochastic models such as the Monte-Carlo model, the lag-one autoregressive model(AR(1)) and the periodic lag-one autoregressive model(PAR(1)), has been adopted to generate a large number of long traces of annual and monthly steamflows. Main advantage of this resampling scheme called the Bootstrap method is that it does not rely on the assumption of population distribution. The Bootstrap is a method for estimating the statistical distribution by resampling the data. When the data are a random sample from a distribution, the Bootstrap method can be implemented (among other ways) by sampling the data randomly with replacement. This procedure has been applied to the Yongdam site to check the performance of Bootstrap method for the streamflow generation. and then the statistics between the historical and generated streamflows have been computed and compared. It has been shown that both the conventional and Bootstrap methods for the generation reproduce fairly well the mean, standard deviation, and serial correlation, but the Bootstrap technique reproduces the skewness better than the conventional ones. Thus, it has been noted that the Bootstrap method might be more appropriate for the preservation of skewness.