• Journal of Korea Water Resources Association
• /
• v.56 no.9
• /
• pp.563-574
• /
• 2023

Recently, climate change has affected functional responses of river basins to meteorological variables, emphasizing the importance of rainfall-runoff simulation research. Simultaneously, the growing interest in machine learning has led to its increased application in hydrological studies. However, it is not yet clear whether machine learning models are more advantageous than the conventional conceptual models. In this study, we compared the performance of the conventional GR6J model with the machine learning-based Random Forest model across 38 basins in Korea using both gauged and ungauged basin prediction methods. For gauged basin predictions, each model was calibrated or trained using observed daily runoff data, and their performance was evaluted over a separate validation period. Subsequently, ungauged basin simulations were evaluated using proximity-based parameter regionalization with Leave-One-Out Cross-Validation (LOOCV). In gauged basins, the Random Forest consistently outperformed the GR6J, exhibiting superiority across basins regardless of whether they had strong or weak rainfall-runoff correlations. This suggest that the inherent data-driven training structures of machine learning models, in contrast to the conceptual models, offer distinct advantages in data-rich scenarios. However, the advantages of the machine-learning algorithm were not replicated in ungauged basin predictions, resulting in a lower performance than that of the GR6J. In conclusion, this study suggests that while the Random Forest model showed enhanced performance in trained locations, the existing GR6J model may be a better choice for prediction in ungagued basins.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.207-207
• /
• 2019

최근 우리나라는 지역 특성 및 기후변화의 영향으로 인해 수문학적 요소의 변동성이 커지고 수자원의 지속적인 관리에 있어 유출량은 중요한 문제로 여겨지고 있다. 특히 일부 소하천 또는 접경지역과 같은 미계측유역은 수문학적 요소에 대한 자료가 부족하고 수문모형의 초기치 설정과 과거 유출량 자료를 통하여 최적화한 매개변수를 결정해야하므로 장기유출분석이 어렵다. 본 연구의 적용유역으로 미계측유역인 임진강상류 유역에 대한 유출량 추정을 위해 계측 유역의 자료를 활용하여 모형의 매개변수 등을 추정하는 지역화 기법인 다중선형회귀분석과 공간근접분석을 활용하여 유출량을 산정 및 검증하였다. 또한, 확률론적 예측이 가능한 앙상블 기법 적용을 통한 유출량 예측을 하였고, 이를 예측 정확성 평가지표를 통해 효율성 검토를 수행하여 미계측유역의 유출량에 대해 확률론적 예측을 수행하였다. 대표적 지역화 기법의 적용성을 검토한 결과, 계측유역을 통해 다중선형회귀분석과 공간근접분석을 abcd 모형에 적용하였다. 모의유출량을 산정하고 실측 유출량과 비교 분석 결과 모의정확성이 높게 분석되었다. 이와 같은 검증 결과를 토대로 미계측유역의 유출량을 추정하였다. 또한, 지역화 기법을 앙상블 기법에 적용하여 확률론적 유출량 예측의 효율성을 검토하였다. 적용유역과 같은 지류를 포함하고 있는 임진강하류 유역을 대상으로 수행하였다. 검증기간(2013년~2017년) 동안의 월 예측 유출량 앙상블 생성을 위해 과거 강우량와 증발량(1988년~2012년) 자료를 사용하였으며, 지역화 기법을 적용한 abcd 모형을 이용하였다. 예측 유출량의 정확성 평가를 실시하였으며, 정확성이 비교적 높게 분석되었다. 이와 같은 결과를 토대로 미계측유역의 확률론적 유출량을 예측하였다. 따라서, 대표적 지역화 기법을 앙상블 기법에 적용하여 확률론적 유출량을 예측할 경우 보다 정확한 유출량 예측이 가능하다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.364-364
• /
• 2017

미계측 유역에서의 홍수위 예측을 위해서는 실제 지형에 가까운 하천 지형 자료의 취득이 필수적이다. 대부분의 경우 하천 지형 자료는 하천정비기본계획을 위한 횡단 측량 자료를 활용하고 있으나, 지방 하천 및 농촌의 소하천은 하천 단면 측량 자료가 존재하지 않는 경우가 많아 홍수위 모의에 어려움이 있다. 기존의 하천 단면을 추정하는 연구는 기 측정된 자료를 기반으로 미계측 된 구간 사이를 세밀하게 보간하는 기법을 제시하거나 최신의 장비 등을 활용하여 고도로 정밀한 측량 기법 등을 제시해왔다. 그러나 이러한 방법들은 유역의 전 구간에 대한 하천 단면을 추정하기에는 한계가 있으며, 소하천에 고도로 정밀한 측량 기법을 적용하기에는 시간과 비용의 과다한 소모가 우려된다. 이에 따라, 비교적 간단한 방법으로 유역의 전 구간에 대해 하천의 폭으로 하천 단면의 높이와 넓이를 추정하는 미측정 하천 단면 추정 기법이 개발된 바 있으나, 실제 미계측 유역에의 적용을 통한 검증은 수행되지 않았다. 본 연구에서는 미계측 유역에서의 홍수위 예측을 위하여 개발된 하천 단면 추정 기법을 적용하여, 홍수위를 모의하고 실측 수위와의 비교를 통해 단면 추정기법의 적용성을 평가하고자 한다. 이를 위해 하천정비계획을 참고하여 단면 자료가 존재하는 하천의 본류에 대하여 하천의 폭과 넓이, 높이 사이의 회귀식을 생성한 후, 지류의 미계측 유역에 적용하여 하천 단면을 추정하였다. 추정된 단면으로 부정류 흐름의 실측 홍수 사상으로 홍수위를 모의하였으며, 실측 수위와의 비교를 통해 단면 추정 기법의 적용성을 평가하였다. 본 연구를 통해 미측정 하천 단면 추정 기법의 평가 및 검증을 수행하였으며, 이를 적용하여 지방 하천 혹은 소하천 등에 대한 침수 대책 마련에 기여할 수 있을 것으로 기대된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.132-132
• /
• 2020

유황곡선은 하천유량의 변동성을 함축적으로 나타내고 연간유량 분석방법(calendar-year method)과 전 자료기간유량분석방법(total-period method)을 이용하여 작성하고 분석할 수 있다. 본 연구는 유황곡선 상에서 유역특성인자들을 포함시켜 작성하는 방법을 제시하였고 지형 및 기상학적 인자를 통해 지역화 시킨 유황곡선을 통해 미계측 유역의 유황곡선을 추정할 수 있는 곡선을 개발하고자 한다. 이를 위해 유역의 특성인자자료를 수집하여 독립변수로 설정하였고 다중회귀분석을 실시하여 변수들을 지역화 시켰다. 지역화 시킨 변수들을 유황곡선에 반영하여 대상지역에서 하나의 유황곡선으로 나타내었다. 도출한 유황곡선을 자료가 있는 지역을 미계측유역이라 가정하고 검증하였다. 검증결과 실제자료와 유사하게 나타나는 것을 확인할 수 있었고 이를 통해 미계측 유역의 유출량 자료가 부족한 유역에 대한 예측과 과거 많은 부분이 결측된 유역에 대한 유출량 예측도 가능할 것이라 판단된다. 또한 강우시나리오를 통해 지형인자가 고려된 유황곡선을 이용한 다양한 자료분석을 실시할 수 있을 것이라 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.384-384
• /
• 2019

기후변화 및 집중호우 등으로 최근 농경지 침수 피해는 증가하고 있다. 농경지 침수 피해에 대한 대책 수립을 위해서는 수리 수문 모델링을 통한 침수 피해 예측이 선행되어야 한다. 농경지 침수 모의를 위해서는 유역 특성 자료, 농경지 특성 자료 및 하천 특성 자료 등을 구축해야 한다. 하지만 농경지 면적, 배수 구획, 표고 등과 농촌유역 소하천 단면 특성 자료는 측량 자료가 존재하지 않는 경우가 대부분이며, 미계측 농경지의 침수 모의를 위해서는 농경지 및 하천 특성 자료를 생성할 필요가 있다. 본 연구에서는 미계측 농경지를 대상으로 자료 생성 및 침수 모의 기법을 개발하고 적용성을 분석하고자 한다. 측량 자료가 존재하는 청미천 유역 단평지구를 대상지구로 선정하였으며, 항공사진, KRF (Korea reach file) 자료, DEM (Digital elevation model), 항공사진 등을 이용하여 하천 및 농경지 특성 자료를 생성하였다. 측량 자료와 생성 자료를 이용하여 하천수위 및 농경지 수위를 각각 산정하고, 배수지연 등 농경지의 수문 특성을 반영하여 침수 모의를 수행하였다. 본 연구의 결과는 향후 미계측 농경지의 침수 모의를 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.94-94
• /
• 2023

유역에서의 홍수를 예측하기 위한 다양한 강우-유출 모형들이 개발되어 사용되고 있다. 개념적 강우-유출 모형들은 신뢰성과 적용성이 높아 실무에서 널리 활용되어왔으나, 강우-유출 과정을 단순화하여 고려하므로 유출예측의 정확도에 한계가 있다. 또한 모형의 매개변수에 여러 불확실성이 존재하므로 충분한 양의 관측자료를 사용한 보정 작업이 필요하다. 물리적 강우-유출 모형들은 유출예측 결과가 비교적 물리적으로 정확하다는 장점이 있지만, 높은 계산 비용 및 수치적 불안정성으로 인하여 실무에의 적용이 힘들다. 본 연구에서는 홍수 예측의 정확도와 효율성을 모두 확보할 수 있는 하이브리드 기법을 개발하였다. 본 연구에서 개발한 기법은 물리적 모형인 동역학파 모형과 개념적 모형인 순간단위도 모형, 그리고 딥러닝 모형을 결합하여 사용하는 기법이다. 유역의 조도계수 및 지형을 활용한 동역학파 시뮬레이션을 수행하였으며, 동역학파 시뮬레이션 결과 및 멱함수로 나타내어지는 비선형적 강우-유출 관계를 이용하여 유역의 순간단위도를 유도였다. 또한, 딥러닝 모형인 LSTM 모형을 활용하여 강우손실 매개변수를 추정하였으며, 이를 이용하여 강우손실을 계산한 후 유효강우주상도를 산정하였다. 그리고 유역 출구에서의 홍수수문곡선은 유효강우주상도와 순간단위도를 활용한 회선적분을 통해 예측되었다. 본 연구에서 개발한 기법을 시험유역 및 자연유역에서의 홍수 예측에 적용해보았으며, 예측 결과는 NSE=0.55-0.90, R²=0.67-0.95의 높은 정확도를 보였다. 본 연구에서 유도하는 순간단위도는 한 유역에서 유일하지 않으며, 유효 강우강도의 함수이므로 홍수 예측에 비선형적 강우-유출 관계를 고려할 수 있으며, 수많은 유효 강우강도에 대한 순간단위도들은 멱함수를 이용하여 순간적으로 유도될 수 있다. 또한, 유역의 강우 특성이나 지표면의 토양수분, 식생과 같은 특성을 딥러닝 모형을 통해 고려함으로써 강우 손실 산정의 불확실성을 줄일 수 있다. 또한, 순간단위도 유도를 위한 기초작업인 동역학파 시뮬레이션은 유역의 지형과 조도계수만을 필요로 하므로 미계측 유역에의 적용이 유리하다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.645-645
• /
• 2015

기존 홍수예보에 사용되는 일반적인 절차는 관측되는 강우를 이용하여 유역의 유출량을 계산하고 댐 저수량과 현 상황에서 발생할 수 있는 하천의 수위와 유량을 판단한 뒤 홍수예보 및 경보를 발령한다. 이러한 방법은 모형의 구동에 걸리는 시간으로 인한 의사결정 시간의 단축, 모형의 성능에 의존하는 홍수예측 결과 등의 단점이 존재하며, 관련 전문가가 상주하며 홍수 유무를 판단하고 상황을 전파해야하는 인적 재원이 필요하다. 본 연구에서는 분포형 강우-유출모형 기반의 강우강도-지속시간-홍수량(IDQ) 곡선을 활용하여 미계측 유역 홍수예보에 활용하는 기법을 평가하였다. 계측된 유역의 자료를 이용하여 분포형 모형의 검보정을 실시하고 하천의 예경보 홍수량에 준하는 한계강우량을 산정하였다. 이때. 다양한 지속시간의 강우를 적용하였으며 토양함수상태에 따른 IDQ 곡선을 산정하여 발생 가능한 여러 시나리오에 대비할 수 있는 홍수예보 기법을 제시하였다. 주요 홍수예경보지점에 적절한 IDQ 곡선을 보유하게 된다면 비전문가도 신속한 홍수예경보 의사결정이 가능하여 각 지자체와 유관기관에서 손쉽게 활용할 수 있으리라 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 1998.05a
• /
• pp.62-67
• /
• 1998

낙동강 수계 다목적댐 하류 지역에 대한 홍수조절 의사결정 능력을 향상시키고자 강우- 유출 모형으로 선정된 저류함수법으로 낙동강 수계 다목적댐 하류부의 유역유출 체계를 먼저 구 성하였다. 저류함수법에 의한 낙동강 수계 유역유출 체계도는 유역의 물리적 특성을 감안하여 소 유역은 41개, 하동망은 28개로 구성하였다. 또한 수문학적 하도추적 기법이 갖는 결점을 보완하기 위하여 낙동강 본류 및 상류에 댐이 있는 금호강, 황강, 남강, 밀양강 등 1 지류 이상의 홍수추적 을 수리학적 모형으로 보완하여 유역유출 체계를 이원화하여 두시스템을 상호·연계할 수 있도록 하였다. 상기 두 시스템을 '93년 8월 홍수(8, 7~8, 15)에 시험 적용하였다. 모형수행 경과 홍수기 댐운영시 저류함수모형에 의한 강우 유출 모형과 수리학적 하도추적 모형을 통합한 시스템을 동시에 적용하여 상호 보완 과정을 통해 운영한다면 다목적댐의 홍수조절 의사결정능력을 향상시킬 수 있다고 판단된다. 본 연구에서는 사용자가 해석적 방법으로 유역에서 수문자료를 이용하여 매개변수를 대화식으로 산정할 수 있는 GUI 시스템을 EXCEL97 환경에서 개발하여 신뢰성 있는 Rating curve가 확보 상·하류에 위치한 12개 수위관측소에서 89개 홍수사상을 대상으로 유역의 매개변수를 산정하였다. 또한, 미계측 유역의 저류함수 관련 매개변수 확장을 위하여 12개 소유역 에 대한 매개변수의 평균값과 유역면적, 하도연장 및 경사, 유역의 사면경사 등의 지형인자들을 조합하여 지역화분석을 수행하여 미계측 유역의 매개변수 산정식으로 제안하였다. 본 회귀식으로 산정된 소유역별 매개변수를 '93년 8월 홍수(8, 7~8, 15)에 적용한 결과, 낙동강 수계 본류상 주요 수위관측소별 홍수량예측이 이근천공식 보다 양호한 결과를 주어 본 연구에서 제시한 유역의 매 개변수 회귀식은 미계측 유역의 매개변수 산정시 충분한 활용성을 입증하였다. 저류함수법에 의 한 낙동강 수계 다목적댐 하류부의 유역유출 체계도는 수리학적 하도추적 모형과의 연계와 유역 의 물리적 특성을 감안하여 현재의 홍수통제소에서 운영하는 홍수예경보 시스템의 유출체계도와 우리공사 물관리 상황실의 저수관리 모형의 유출체계도를 기준으로 재구성하여 다목적댐 하류부의 소유역은 41개, 하도망은 28개로 결정하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.167-167
• /
• 2018

토양수분은 토양에 포함된 평균 수분량을 나타내며 수문 순환 관점에서 매우 중요한 수문변량 중 하나이다. 본 연구에서는 대표적인 기계학습 방법인 Support Vector Machine (SVM)을 이용한 토양 함수 예측 기법을 개발하고자 하며, 예측인자로서 원격 탐측 기반의 토양함수자료, 강수량, 온도 등을 활용하고자 한다. SVM은 Kernel 함수를 이용하여 복잡한 비선형 관계를 선형 가정을 통해서 해석하는 기계학습 방법으로서 전역모델(global model)로서 다양한 수문기상분야에 적용이 이루어지고 있다. SVM의 장점은 일정 부분의 오차를 허용함으로서 모형의 일반화 측면에서 기존 인공신경망(artificial neural network, ANN)에 비해 우수한 성능을 나타내며, 특히 예측모형으로서 적용성이 매우 크다. 본 연구에서는 과거 토양 함수 자료와 강수, 온도, 위성 관측 기반 정보 등을 이용하여 모형을 적합시키고 이를 미계측 유역으로 확장하는데 연구의 목적이 있으며, 본 연구를 통해 제안된 모형은 용담댐 시험유역을 대상으로 적용되며 기존 ANN 모형 및 다중회귀분석 결과와 비교를 통해 모형의 적합성을 평가하고자한다.

• Journal of Korea Water Resources Association
• /
• v.54 no.spc1
• /
• pp.1183-1193
• /
• 2021

Low flow affects various fields such as river water supply management and planning, and irrigation water. A sufficient period of flow data is required to calculate the Flow Duration Curve. However, in order to calculate the Flow Duration Curve, it is essential to secure flow data for more than 30 years. However, in the case of rivers below the national river unit, there is no long-term flow data or there are observed data missing for a certain period in the middle, so there is a limit to calculating the Flow Duration Curve for each river. In the past, statistical-based methods such as Multiple Regression Analysis and ARIMA models were used to predict sulfur in the unmeasured watershed, but recently, the demand for machine learning and deep learning models is increasing. Therefore, in this study, we present the DNN technique, which is a machine learning technique that fits the latest paradigm. The DNN technique is a method that compensates for the shortcomings of the ANN technique, such as difficult to find optimal parameter values in the learning process and slow learning time. Therefore, in this study, the Flow Duration Curve applicable to the unmeasured watershed is calculated using the DNN model. First, the factors affecting the Flow Duration Curve were collected and statistically significant variables were selected through multicollinearity analysis between the factors, and input data were built into the machine learning model. The effectiveness of machine learning techniques was reviewed through statistical verification.