• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.415-415
• /
• 2018

갈수관리를 효과적으로 수행하기 위해서는 하천유량을 예측할 수 있는 방안을 마련하는 것이 중요하다. 하천유량 예측을 위해서는 강수량에 대한 예측 값을 활용하는 방안이 가장 적합하다고 할 수 있으나 강수량 예측에 대한 불확실성은 하천유량 예측의 정확도 확보에 있어 한계로 작용하고 있다. 강수량 예측에 대한 불확실성 극복을 위해서는 다양한 강수 시나리오를 설정하여 활용하는 방안을 검토할 수 있으며, 유량 예측을 하고자 하는 유역에 대해 과거 발생했던 강수량이 반복된다는 가정 하에 유량 예측을 제한적으로 수행하고 있는 상황이다. 이와 함께 강수 시나리오의 다양성 확보 차원에서 하천유량을 예측하고자 하는 유역에 대해 가뭄빈도 강수량을 사전에 산정한 후 유량 예측 과정에 활용하는 방안도 고려해볼 수 있는 방안이다. 이에 본 연구에서는 2016년 수립된 수자원장기종합계획(국토교통부, 2016)에서 제시된 중 권역별 일 강수량 자료를 이용하여 중권역별로 월 강수량을 산정한 후 월별 가뭄빈도분석을 수행하였다. 1966~2015년까지의 기간에 대한 월 강수량 자료를 이용하여 월별로 가뭄빈도분석을 수행하였으며, 빈도분석 방법으로는 확률가중모멘트법을 이용하여 적정 분포형 결정 및 갈수빈도별 강수량을 산정하여 제시하였다. 이때 빈도 강수량의 재현기간은 총 7가지 빈도(2년, 5년, 10년, 20년, 50년, 80년, 100년)를 고려하였다. 산정된 빈도 강수량을 이용하여 월 유출모형에 적용함으로써 월 유출 전망 자료 생산이 가능하며, 금강수계의 용담댐유역에 시범 적용하여 그 결과를 검토하였다. 검토 결과, 중권역별로 산정된 월별 가뭄빈도 강수량을 활용한 하천유량 예측 방법은 갈수예보에 있어 유용한 정보를 제공할 수 있을 것으로 판단된다.

• Journal of Satellite, Information and Communications
• /
• v.12 no.3
• /
• pp.22-34
• /
• 2017

The K-DRUM(K-water hydrologic & hydraulic Distributed RUnoff Model), a distributed rainfall-runoff model of K-water, calculates predicted runoff and water surface level of a dam using precipitation data. In order to obtain long-term hydrometeorological information, K-DRUM requires long-term weather forecast. In this study, we built a system providing long-term hydrometeorological information using predicted rainfall ensemble of GloSea5(Global Seasonal Forecast System version 5), which is the seasonal meteorological forecasting system of KMA introduced in 2014. This system produces K-DRUM input data by automatic pre-processing and bias-correcting GloSea5 data, then derives long-term inflow predictions via K-DRUM. Web-based UI was developed for users to monitor the hydrometeorological information such as rainfall, runoff, and water surface level of dams. Through this UI, users can also test various dam management scenarios by adjusting discharge amount for decision-making.

• Journal of Korea Water Resources Association
• /
• v.49 no.1
• /
• pp.41-49
• /
• 2016

This study proposed a new drought index considering the accumulative pattern of daily rainfall, i.e., Rainfall Accumulation Drought Index (RADI). The RADI can be easily calculated at daily scale by comparing the long-term averaged cumulative rainfall to the observed cumulative rainfall for a specific duration. This study evaluated the availability of the RADI in the field of monitoring short-term and long-term droughts by investigating the spatial and temporal variability and the recurrence cycle of drought in South Korea. To present the short-term and long-term droughts, the various SPIs with different durations should be used in practice. However, the RADI can present and monitor both short-term and long-term droughts as a single index. By investigating the national average of the RADI, specific drought patterns of 20-year cycle were identified in this study. This study also proposed a five-level drought classification considering occurrence probability that would be a suitable alternative as a drought criterion for drought forecast/response.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.23 no.6
• /
• pp.545-550
• /
• 2013

In pattern recognition field, data classification is an essential process for extracting meaningful information from data. Adaptive boosting algorithm, known as AdaBoost algorithm, is a kind of improved boosting algorithm for applying to real data analysis. It consists of weak classifiers, such as random guessing or random forest, which performance is slightly more than 50% and weights for combining the classifiers. And a strong classifier is created with the weak classifiers and the weights. In this paper, a research is performed using AdaBoost algorithm for detecting chaff echo which has similar characteristics to precipitation echo and interrupts weather forecasting. The entire process for implementing chaff echo classifier starts spatial and temporal clustering based on similarity with weather radar data. With them, learning data set is prepared that separated chaff echo and non-chaff echo, and the AdaBoost classifier is generated as a result. For verifying the classifier, actual chaff echo appearance case is applied, and it is confirmed that the classifier can distinguish chaff echo efficiently.