• Journal of Korea Water Resources Association
• /
• v.55 no.2
• /
• pp.111-120
• /
• 2022

The concept of soil moisture memory was used as a method for quantifying the function of soil to control water flow, which evaluates the average residence time of precipitation. In order to characterize the soil moisture memory, a new measurement index called stored precipitation fraction (F_p(f)) was used by tracking the increments in soil moisture by the precipitation event. In this study, the temporal and spatial distribution of soil moisture memory was evaluated along with the slope and soil characteristics of the surface (0~5 cm) soil by using satellite- and model-based precipitation and soil moisture in the Korean peninsula, from 2019 to 2020. The spatial deviation of the soil moisture memory was large as the stored precipitation fraction in the soil decreased preferentially along the mountain range at the beginning (after 3 hours), and the deviation decreased overall after 24 hours. The stored precipitation fraction in the soil clearly decreased as the slope increased, and the effect of drainage of water in the soil according to the composition ratio of the soil particle size was also shown. In addition, average soil moisture contributed to the increase and decrease of hydraulic conductivity, and the rate of rainfall transfer to the depths affected the stored precipitation fraction. It is expected that the results of this study will greatly contribute in clarifying the relationship between soil moisture memory and surface characteristics (slope, soil characteristics) and understanding spatio-temporal variation of soil moisture.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.409-409
• /
• 2017

유역단위에서 수문모델링을 수행함에 있어 토양수분은 물수지 관점에서 매우 중요한 인자로 고려된다. 더욱이, 최근 발생빈도가 커지고 있는 가뭄을 효과적으로 평가하고 예측하는 데에도 활용성이 매우 큰 것으로 인식되고 있다. 이러한 중요성에도 불구하고, 가용자료의 부족, 자료의 부정확성 등으로 인해 실제 유역모델링을 수행하는데 있어 활용도는 매우 적다. 이러한 점에서 본 연구에서는 동질성이 확보된 유역단위를 기준으로 다지점의 토양수분 자료를 추계학적으로 모의할 수 있는 기법을 개발하고자 한다. 토양함수자료는 지속성(persistence)이 매우 큰 특징을 가진다. 즉, 상태의 지속성이 크며 메모리가 오랫동안 유지된다는 점에서 추계학적 모의가 가능할 것으로 판단된다. 이러한 지속성을 이용함과 동시에 토양함수를 다양한 상태로 분리하고 이들 상태들간의 천이확률을 효과적으로 모의할 수 있다면 관측 토양함수 자료의 통계적 특성 재현이 가능하다. 본 연구에서는 용담댐 유역에 대해서 개발된 모형을 적용하고 활용성을 검토하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.37-37
• /
• 2022

유효우량 산정을 위하여 국내에서 주로 사용되는 모형은 NRCS-CN(Natural Resources Conservation Service - curve number) 모형으로, 유역의 유출 능력을 나타내는 유출곡선지수(runoff curve number, CN)와 같은 NRCS-CN 모형의 매개변수들은 관측 강우-유출자료 또는 토양도, 토지피복지도 등을 이용하여 유역마다 결정된 값이 사용되고 있다. 그러나 유역의 CN값은 유역의 토양 상태와 같은 환경적 조건에 따라 달라질 수 있으며, 이를 반영하기 위하여 선행토양함수조건(antecedent moisture condition, AMC)을 이용하여 CN값을 조정하는 방법이 사용되고 있으나, AMC 조건에 따른 CN 값의 갑작스런 변화는 유출량의 극단적인 변화를 가져올 수 있다. NRCS-CN 모형과 더불어 강우 손실량 산정에 많이 사용되는 모형으로 Green-Ampt 모형이 있다. Green-Ampt 모형은 유역에서 발생하는 침투현상의 물리적 과정을 고려하는 모형이라는 장점이 있으나, 모형에 활용되는 다양한 물리적인 매개변수들을 산정하기 위해서는 유역에 대한 많은 조사가 선행되어야 한다. 또한 이렇게 산정된 매개변수들은 유역 내 토양이나 식생 조건 등에 따른 여러 불확실성을 내포하고 있어 실무적용에 어려움이 있다. 따라서 본 연구에서는, 현재 사용되고 있는 강우손실 모형들의 매개변수를 추정하기 위한 방법을 제시하고자 하였다. 본 연구에서 제시하는 방법은 인공지능(AI) 기술 중 하나인 딥러닝(deep-learning) 기법을 기반으로 하고 있으며, 딥러닝 모형으로는 장단기 메모리(Long Short-Term Memory, LSTM) 모형이 활용되었다. 딥러닝 모형의 입력 데이터는 유역에서의 강우특성이나 토양수분, 증발산, 식생 특성들을 나타내는 인자이며, 모의 결과는 유역에서 발생한 총 유출량으로 강우손실 모형들의 매개변수 값들은 이들을 활용하여 도출될 수 있다. 산정된 매개변수 값들을 강우손실 모형에 적용하여 실제 유역들에서의 유효우량 산정에 활용해보았으며, 동역학파 기반의 강우-유출 모형을 사용하여 유출을 예측해보았다. 예측된 유출수문곡선을 관측 자료와 비교 시 NSE=0.5 이상으로 산정되어 유출이 적절히 예측되었음을 확인했다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.92-92
• /
• 2023

본 연구에서는 대한민국 도시 유역에 대하여 딥러닝 네트워크 기반의 분산형 수문 모형을 개발하였다. 개발된 모형은 완전연결계층(Fully Connected Layer)으로 연결된 여러 개의 장단기 메모리(LSTM-Long Short-Term Memory) 은닉 유닛(Hidden Unit)으로 구성되었다. 개발된 모형을 사용하여 연구 지역인 중랑천 유역을 분석하기 위해 1km² 해상도의 239개 모델 격자 셀에서 10분 단위 레이더-지상 합성 강수량과 10분 단위 기온의 시계열을 입력으로 사용하여 10분 단위 하도 유량을 모의하였다. 모형은 보정과(2013~2016년)과 검증 기간(2017~2019년)에 대한 NSE 계수는각각 0.99와 0.67로 높은 정확도를 보였다. 본 연구는 모형을 추가적으로 심층 분석하여 다음과 같은 결론을 도출하였다: (1) 모형을 기반으로 생성된 유출-강수 비율 지도는 토지 피복 데이터에서 얻은 연구 지역의 불투수율 지도와 유사하며, 이는 모형이 수문학에 대한 선험적 정보에 의존하지 않고 입력 및 출력 데이터만으로 강우-유출 분할과정을 성공적으로 학습하였음을 의미한다. (2) 모형은 연속 수문 모형의 필수 전제 조건인 토양 수분 의존 유출 프로세스를 성공적으로 재현하였다; (3) 각 LSTM 은닉 유닛은 강수 자극에 대한 시간적 민감도가 다르며, 응답이 빠른 LSTM 은닉 유닛은 유역 출구 근처에서 더 큰 출력 가중치 계수를 가졌는데, 이는 모형이 강수 입력에 대한 직접 유출과 지하수가 주도하는 기저 흐름과 같이 응답 시간의 차이가 뚜렷한 수문순환의 구성 요소를 별도로 고려하는 메커니즘을 가지고 있음을 의미한다.