Acknowledgement
본 연구는 기상청 자연재해대응 영향예보 생산기술 개발(KMI-2018-03010)의 지원으로 수행되었습니다.
Proceedings of the Korea Water Resources Association Conference (한국수자원학회:학술대회논문집)
- 2022.05a
- /
- Pages.63-63
- /
- 2022
A Study on the Hydrological Quantitative Precipitation Forecast(HQPF) based on Machine Learning for Rainfall Impact Forecasting
호우 영향예보를 위한 머신러닝 기반의 수문학적 정량강우예측(HQPF) 연구
- Choo, Kyung-Su ;
- Shin, Yoon-Hu ;
- Kim, Sung-Min ;
- Jee, Yongkeun ;
- Lee, Young-Mi ;
- Kang, Dong-Ho ;
- Kim, Byung-Sik
- 추경수 (강원대학교 도시환경재난관리전공) ;
- 신윤후 ((주)에코브레인 정보화사업팀) ;
- 김성민 ((주)에코브레인 환경사업팀) ;
- 지용근 ((주)에코브레인 정보화사업팀) ;
- 이영미 ((주)에코브레인) ;
- 강동호 (강원대학교 도시환경재난관리전공) ;
- 김병식 (강원대학교 도시환경재난관리전공)
- Published : 2022.05.19
Abstract
기상 예보자료는 발생 가능한 재난의 예방 및 대비 차원에서 매우 중요한 자료로 활용되고 있다. 우리나라 기상청에서는 동네예보를 통해 5km 공간해상도의 1시간 간격 초단기예보와, 6시간 간격 정량강우예보(Quantitative Precipitation Forecast, QPF)의 단기예보 정보를 제공하고 있다. 그러나 이와 같은 예보자료는 강우량의 시·공간변화가 큰 집중호우와 같은 기상자료를 활용한 수문학적인 해석에는 한계가 있다. 예보자료를 수문학에 활용하기 위한 시·공간적 해상도 개선뿐만 아니라 방대한 기상 및 기후 자료의 예측성능을 개선하기 위한 다양한 연구가 진행되고 있다. 본 연구에서는 기상청이 제공하는 지역 앙상블 예측 시스템(Local ENsemble prediction System, LENS)와 종관기상관측시스템(ASOS) 및 방재기상관측시스템(AWS) 관측 데이터 및 동네예보에 기계학습 방법을 적용하여 수문학적 정량적 강수량 예측(Hydrological Quantitative Precipitation Forecast, HQPF) 정보를 생산하였다. 전처리 과정을 통해 모든 데이터의 시간해상도와 공간해상도를 동일한 해상도로 변환하였으며, 예측 변수의 인자 분석을 통해 기계학습의 예측 변수를 도출하였다. 기계학습 방법으로는 처리속도와 확장성을 고려하여 XGBoost(eXtreme Gradient Boosting) 방식을 적용하였으며, 집중호우에서의 예측정확도를 높이기 위해 확률매칭(PM) 방식을 적용하였다. 생산된 HQPF의 성능을 평가하기 위해 2020년에 발생한 14건의 호우 사상을 대상으로 태풍형과 비태풍형으로 구분하여 검증을 수행하였다.