• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.411-411
• /
• 2015

유량예측의 가장 주된 목적은 가뭄과 홍수와 같은 수해방지를 위해 통합수자원관리를 수행하는데 있다. 이런 유량예측을 위해 다양한 기법들로 예측이 수행되고 있으며, 예측기간과 필요 정확도에 따라 초단기, 단기, 중 장기 예측 등으로 구분할 수 있다. 유량예측에 사용되는 기법들은 기후변화 시나리오와 같이 예측된 강우자료를 이용하여 유출량을 예측하는 방법이 있으며, 통계적인 방법으로 과거자료들을 활용하여 미래의 유량을 예측하는 방법이 있다. 본 연구에서는 ESP 기법을 이용하여 금호강 유역의 월 단위(30일) 유량을 예측하고자 한다. 앙상블 유량예측기법(ESP; Ensemble Streamflow Prediction)이란 현재의 유역상태를 초기조건으로 사용하고 과거의 온도나 강수 등의 시계열 앙상블을 강우-유출모형에 입력하여 유출량을 앙상블로 예측하는 기법이다. ESP는 결국 현재의 유역상태와 유역에서의 과거 강우 관측기록, 미래 강우예측에 대한 정보를 조합하여 그에 따른 유출 앙상블을 생산해내게 된다. 월 유량을 예측하기 위해서 금호강 유역의 1988년에서 2014년까지 27년간 대구, 영천, 포항 관측소의 기상자료를 수집하였으며, 금호강 표준유역에 해당하는 19개 유역으로 분할하여 모의에 이용하였다. 금호강 유역에 티센망을 적용하여 각 표준유역별로 강우량을 조합하여 2013년까지 모의에 적용하였으며, 이는 과거자료로 사용하였다. 유량예측에 사용되는 강우자료를 생성하기 위해서 26년간 일강우를 이용하였다. 예를 들어 2014년 12월을 예측한다면 11월까지 관측된 유역초기 조건을 가지는 수문모형의 12월 기상입력자료로써 현재 유역에서 발생 가능성이 있는 동일 유역의 과거 1988년부터 2013년까지의 12월 기상자료들을 사용하는 방법이다. 1988년부터 2013년까지 26개 12월 기상자료를 사용하므로 유량예측결과 또한 26개가 주워진다. 계산된 26개의 유량앙상블이 적용된 유역에서 12월에 발생 가능한 유출량의 모음이 된다. 시나리오결과를 수자원관리에 활용하기 위해서 초과확률로 분석하였으며, 이런 분석의 결과는 향후 가뭄과 홍수 같은 수해방지를 위해 수공구조물의 운영에도 활용할 수 있을 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.335-335
• /
• 2017

최근 집중호우, 홍수를 비롯한 이상 기후현상들이 과거 발생 시기와 그 규모를 크게 벗어나는 일들이 빈번하게 일어나고 있다. 이러한 기후변화의 영향으로 특정지역에서 극한강우로 인한 도시침수 피해가 급격하게 늘어나고 있으며 그 횟수 또한 증가하였다. 가장 최근에는 2016년 10월 5일 울산시에서 태풍 차바로 인해 시간당 130mm의 최고치에 달하는 강우를 기록하며 4,000건에 달하는 피해를 발생시켰다. 이는 극치사상의 발생빈도와 강도가 증가하고 있음을 나타내며 한반도의 기후변화에 대한 취약성이 높다는 것을 의미한다. 따라서 본 연구에서는 이와 같은 강우사상의 변동을 예측하기 위해서 울산 중구 침수구역에 레이더 예측강우를 사용하여 침수분석을 진행하였다. AWS강우를 사용한 2차원 침수분석과 레이더 예측강우를 사용한 2차원 침수분석과의 결과비교를 통해 레이더 예측강우의 적정성을 판단해보고자 한다. 그 결과, 태풍 차바에 의한 주요침수 발생지점과 침수량이 유사하게 발생하였다. 결과적으로, 정량적 정확도가 확인된 레이더 예측강우를 사용한다면, 실시간 도시홍수예보를 통한 인명 및 침수피해 저감에 큰 도움이 될 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.341-341
• /
• 2020

서울시는 '10년, '11년, '18년의 기록적인 호우로 인해 막대한 재산피해를 기록하였다. 이로 인해 서울시는 수재해 최소화 대책의 필요성을 인지하여 방재시설물 확충 등의 구조적 대책과 함께 침수지역 예측, 호우 영향 예보와 관련된 비구조적 대책 수립을 위해 노력하고 있다. 그 일환으로 '18년에 『서울시 강한 비구름 유입경로 및 침수위험도 예측 용역』을 수행하였으며 이를 통해 레이더 기반의 비구름 이동경로 추정 기술, 침수시나리오 기반의 침수위험지역 추정기술 등을 적용한 서울시 도시침수 예측시스템을 개발하였다. 그러나 침수피해에 선제적으로 대응하기 위해서는 실시간으로 예측강우정보를 생산하고 이를 통해 침수위험지역을 추정하는 기술이 필요하다. 이에 본 연구를 통해 예측강우정보 생산 기술 적용, 예측강우정보를 이용한 실시간 침수위험지역 추정 기술 개발을 수행하여 서울시 도시침수 예측시스템을 고도화하였다. 예측강우정보의 경우 현재 기상청에서 광역 단위 호우특보 및 읍면동 단위 동네예보를 통해 제공되고 있지만, 풍수해 업무에 적용하기에는 제한적이며, 실시간 침수위험지역 추정의 경우 침수해석모델의 모의시간, 라이센스 등의 문제로 인해 한계를 보이고 있는 실정이다. 따라서 본 연구에서는 레이더 실황강우정보를 활용한 이류모델 기반의 예측강우정보 생산 기술을 적용하여 풍수해 업무 적용이 용이하도록 하였으며, 예측강우정보를 이용한 최적 침수시나리오 추정 기술 개발을 통해 실시간 침수위험지역 추정이 가능하도록 하였다. 서울시 도시침수 예측시스템은 25개 자치구를 대상으로 강우량, 호우이동경로, 침수 정보를 제공하고 있다. 강우정보는 기상청 및 SK-TechX 기반의 10분 및 1시간 단위 AWS 관측정보, 이류모델 기반 10분 단위 레이더 예측정보, 국지예보모델 기반 1시간 단위 LDAPS 예측정보를 제공하며. 호우이동경로는 레이더 실황강우정보와 LDAPS 바람장을 이용하여 서울시 및 수도권 지역의 10분 단위 1시간 예측경로를 제공한다. 침수정보는 실시간으로 레이더 예측강우정보를 이용하여 최적의 침수시나리오를 추정하여 격자 단위 상세 침수정보와 시군구 단위 침수위험지도를 제공한다. 본 시스템을 통해 실시간 침수위험지역 확인이 가능해짐에 따라 서울시의 효율적인 풍수해 업무 지원이 가능할 것으로 판단된다.

• Journal of Korea Water Resources Association
• /
• v.53 no.12
• /
• pp.1159-1172
• /
• 2020

This study applied deep convolution neural network based on U-Net and SegNet using long period weather radar data to very short-term rainfall prediction. And the results were compared and evaluated with the translation model. For training and validation of deep neural network, Mt. Gwanak and Mt. Gwangdeoksan radar data were collected from 2010 to 2016 and converted to a gray-scale image file in an HDF5 format with a 1km spatial resolution. The deep neural network model was trained to predict precipitation after 10 minutes by using the four consecutive radar image data, and the recursive method of repeating forecasts was applied to carry out lead time 60 minutes with the pretrained deep neural network model. To evaluate the performance of deep neural network prediction model, 24 rain cases in 2017 were forecast for rainfall up to 60 minutes in advance. As a result of evaluating the predicted performance by calculating the mean absolute error (MAE) and critical success index (CSI) at the threshold of 0.1, 1, and 5 mm/hr, the deep neural network model showed better performance in the case of rainfall threshold of 0.1, 1 mm/hr in terms of MAE, and showed better performance than the translation model for lead time 50 minutes in terms of CSI. In particular, although the deep neural network prediction model performed generally better than the translation model for weak rainfall of 5 mm/hr or less, the deep neural network prediction model had limitations in predicting distinct precipitation characteristics of high intensity as a result of the evaluation of threshold of 5 mm/hr. The longer lead time, the spatial smoothness increase with lead time thereby reducing the accuracy of rainfall prediction The translation model turned out to be superior in predicting the exceedance of higher intensity thresholds (> 5 mm/hr) because it preserves distinct precipitation characteristics, but the rainfall position tends to shift incorrectly. This study are expected to be helpful for the improvement of radar rainfall prediction model using deep neural networks in the future. In addition, the massive weather radar data established in this study will be provided through open repositories for future use in subsequent studies.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.163-163
• /
• 2018

미래 수문 분석을 위한 기후변화 연구는 전 세계적으로 많이 수행되어 왔다. 하지만 불확실성 요소로 인해 연구 결과를 활용하는데 있어 여전히 한계가 있다. 따라서 장기적 측면의 기후변화에 대한 연구와 함께 단기간의 엘리뇨, 라니냐와 같은 자연적 기후시스템의 변동에 대한 연구도 현재 진행되고 있다. 본 연구에서는 IRI 연구소에서 매월 전지구 관측자료로 4-7개월 예측을 수행한 GCM 모형 자료를 활용하여 강우 발생을 예측하였다. 한국의 금강유역을 대상유역으로 하였으며, 계절에 따른 강우 변동성을 고려하기 위해 비동질성 은닉 마코프 모형(Nonhomogeneous Hidden Markov Model, NHMM)을 이용하여 일 강우를 모의하였다. 본 연구 결과는 강우 모의를 통한 자연 재난에 대한 예측의 정확도를 향상시키는 새로운 방법론을 제시하는데 활용될 수 있을 것으로 기대된다.

• 한국방재학회:학술대회논문집
• /
• 2011.02a
• /
• pp.171-171
• /
• 2011

급격한 기상이변과 자연현상의 변화에 의해 자연재해가 발생하며, 이러한 변화로 인해 전 세계적으로 환경뿐만 아니라 방재의 중요성 또한 대두되고 있으나, 강우 강도의 예측 분야에서는 여유추정시간의 차이로 인해 방재현상에 대한 구체적인 협력을 하지 못했던 것이 사실이다. 현재 가장 많이 사용하고 있는 레이더 강우자료와 지상 우량계의 강우자료는 여유추정시간이 3시간에서 4시간 사이의 단기 예측만을 가능하게 한다. 본 연구에서는 이의 개선을 위하여 청미천 유역을 대상으로 GIS를 이용하여 CN value를 추출하고, 지역 강우 모형인 Weather Research Forecast(WRF) - Advanced Research WRF(ARW)를 통하여 모의한 강우자료에 대하여 과거 같은 기간의 강우자료와 비교 검증한 후 지역 강우 모형을 통하여 모의한 자료를 HEC-HMS의 Input자료로 활용하여 지역 유출량을 산정한다. 또한 유역의 지표면 유출 모의를 통하여 강우-유출현상과 수리-수문학적 과정을 상호 연결하고, 강우에 의한 유역 지표면에서의 유출을 도출하며, 최적화된 매개변수들의 조합을 개선하여 대상유역의 현상을 보다 유사하게 나타낼 것이다. 이와 함께 WRF-ARW 모형을 통하여 여유추정시간의 증가를 모색하며 그로인한 홍수예측 및 경계체계를 확립하기 위해 연구를 진행한다. 이 지역강우 모형의 대한민국 지형의 적용성 즉, 대한민국 지형에 가장 잘 어울리는 최적화된 매개변수들의 조합을 알아내고 그의 적용현실성을 찾아내려 한다. 더 나아가 강우에 대한 예측을 통해 홍수 경보 체계를 위한 자료로 활용할 수 있는 방안 또한 모색할 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.98-98
• /
• 2021

동역학파 기반 순간단위도 (Dynamic wave-based Instantaneous Unit Hydrograph)를 이용하여 유역에서의 강우에 의한 유출을 예측하는 기법을 개발하였으며, 국내 실제 자연 유역에 적용하여 기법의 타당성과 적용성을 검증하였다. 본 연구에서 제시한 '동역학파 기반 순간단위도 방법'은 물리기반 수치모형인 동역학파 강우유출모형과 개념적 순간단위도 방법을 결합하여 사용함으로써 물리적으로 정확하면서도 빠르고 안정적으로 강우-유출을 예측하는 것을 목적으로 한다. 유역의 순간단위도는 유역의 지형, 조도계수와 동역학파 강우유출모형인 tRIBS-OFM을 이용하여 계산된 S-수문곡선을 수치적으로 미분함으로써 유도되며, 유도된 순간단위도는 강우강도에 따라 변화하므로 회선적분을 통한 유출수문곡선 예측 시 강우-유출 관계의 비선형성을 고려할 수 있다. 본 연구에서 유도된 순간단위도의 첨두 값과 첨두 발생시간은 강우강도 값과 각각 양과 음의 상관관계를 가졌으며 강우강도 값과 멱 함수 (power function)의 관계를 가졌다. 이는 Paik and Kumar (2004) 등 기존 연구들에서 밝힌 순간단위도의 특성과 일치하였으며, 본 연구에서는 더 나아가 멱함수의 지수를 산정한 후 임의의 강우강도 값에 대응하는 순간단위도를 멱함수 관계를 이용하여 보간할 수 있는 방법을 제시하였다. 실제 유역에 대한 적용은 강원도 인제군에 위치한 내린천 유역을 대상으로 수행하였다. 유역을 여러 개의 소유역으로 분할하여 강우의 공간적 분포를 고려하였으며, 각 소유역에서의 유출량을 동역학파 기반 순간단위도를 이용해 계산한 뒤 물리기반의 하도추적모형을 이용하여 전체 유역에서의 유출수문곡선을 예측했다. 예측된 유출수문곡선을 관측 유출 자료와 비교해본 결과 NSE (Nash-Sutcliffe model efficiency coefficient)가 0.6 이상으로 측정되어 적절히 유출을 예측한 것으로 판단되었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2011.05a
• /
• pp.291-291
• /
• 2011

우리나라는 기상학적 지리학적 영향으로 여름철에 강우가 집중하여 내리며 최근에는 짧은 시간에 많은 양의 강우가 내리는 집중호우의 발생빈도가 증가하고 있다. 이러한 집중호우는 하천의 수위를 증가시켜 하천범람 및 제방붕괴의 위험을 가져와 많은 재산과 인명피해를 가져올 수 있다. 하천 수위의 예측은 기존에 물리적, 개념적 모형을 통해 강우-유출을 해석하는 과정에서 주로 다루어 졌다. 그러나 자연현상인 강우와 유출관계를 규명하는 과정은 지역의 다양한 특성, 강우의 시 공간적 분포 등 복잡하고 다양한 인자를 고려해야 한다는 문제와 부딪쳐 많은 어려움을 겪어왔다. 따라서 본 연구에서는 복잡한 비선형 과정들의 모형화가 가능한 인공 신경망 모형을 이용하여 수위예측 모형을 구성하고 100mm이상의 강우가 연속해서 내린 호우사상을 훈련시켜 집중호우 발생시 수위예측에 활용하고자 하였다. 이를 위해 구성된 인공신경망 모형을 금강유역 보청천에 적용한 결과 중소하천유역인 보청천 유역의 홍수위 예측에 적용이 가능함을 확인하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.202-202
• /
• 2020

산지 및 도시에서 발생하는 돌발홍수가 대상인 예경보는 홍수 도달시간이 짧고, 수위가 급격하게 상승하는 특성 때문에 1시간 선행시간 확보를 목표로 한다(MOLIT, 2016). 그러나 현재 돌발홍수 예경보 process에 소요되는 시간은 그 이상으로 확인되고 있다. 또한, 돌발홍수 예경보시스템으로부터 출력된 예측 결과를 사람이 직접 확인해야 한다는 단점도 있다. 본 연구에서는 돌발홍수 예경보 선행시간 1시간 확보를 목표로 backward-forward tracking 기법 기반 예측강우 편의보정기법을 제안하고자 한다. 이 기법은 현재 시점보다 이전에 보정계수를 결정함으로써 돌발홍수 예경보 소요시간을 크게 줄여 돌발홍수 대피시간을 확보할 수 있게 한다. 또한, 보정계수의 결정과 적용이 연속적으로 이루어짐에 따라 10분 간격으로 생성되는 MAPLE의 지속적인 편의보정이 가능하다. 예측강우에 대한 보정계수는 현재보다 10분 이전에 결정한다. 즉, 10분 이전 시점에 생성된 10분, 70분 선행 예측강우에 backward tracking을 적용하여 현재 시점의 호우 위치인 target window를 찾는다. 그리고 target window에서 보정계수를 결정한다. 결정된 보정계수는 돌발홍수발령 대상지역인 correction window의 현재 생성된 60분 선행 예측강우에 적용한다. 이 과정에서 과거 시점 10분 선행 예측강우와 현재 시점에 생성된 60분 선행 예측강우와의 forward tracking이 수행된다. Storm tracking 기법으로는 두 예측강우의 호우패턴에 대한 유사성을 정량화한 패턴상관계수를 이용하였다. 대상 호우사상으로는 2016년에 발생한 주요 호우사상을 선정하였다. 본 연구에서 제안하는 기법을 적용하고, 편의보정 결과를 기존 편의보정기법 적용 결과와 비교하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.1013-1017
• /
• 2008

이 연구는 기상수치예보 모델 중 지역수치예보모델인 RDAPS 모델을 이용하여 강우자료를 예측한 값과 실제 강우관측지점에서의 강우량을 비교해 보고 RDAPS 예측량의 정확도를 높이기 위한 연구이다. RDAPS 모델의 자료는 00UTC와 12UTC에 3시간 누적 자료를 48시간에 대해서 생성하고, 30km 격자망에 대한 정보를 담고 있기 때문에 1시간 간격으로 측정된 지점 강우량과의 비교를 위해서는 관측지점과 근거리 정보를 찾고 1시간 간격의 관측 자료를 3시간 누적강우량으로 바꾸는 전처리 과정이 필요하다. 실제 강우예측이 어려움을 겪는 것처럼 RDAPS의 예측 강우량과 관측 강우량은 큰 차이를 보이는 것으로 나타났다. 예측 강우량의 정확도를 높이고자 인공신경망을 적용하였다. 인공신경망이란 뇌기능의 특성 몇가지를 컴퓨터 시뮬레이션으로 표현하는 것을 목표로 하는 수학 모델이다. 강우수치예측 자료 외에도 RDAPS 모델에서 얻을 수 있는 풍향, 풍속, 상대습도, 기압, 온도 등의 다른 수치자료들을 이용하여 인공신경망을 이용하여 자료들의 패턴을 시뮬레이션 하여 정확도가 높은 예측값을 얻을 수 있었다.