• 한국수자원학회논문집
• /
• 제49권1호
• /
• pp.11-18
• /
• 2016

확률강우량은 수공구조물 설계와 도시방재를 위한 기준 등으로 활용되고 있어, 확률강우량의 산정은 매우 중요하다. 특히 소방방재청에서는 확률강우량으로 우리나라 시 군 단위로 지역방재성능목표를 설정하고 이에 대한 방재성능평가 및 방재성능목표 달성을 위한 개발계획 수립 시 활용하고 있다. 본 연구에서는 현재 시 군 단위로 설정되어 있는 목표 강우량을 구(區) 단위로 산정하고자 기상청의 지상기상관측지점(SSS, Surface Synoptic Stations)과 방재기상관측지점(AWS, Automatic Weather Stations)의 강우자료를 활용하여 지점빈도해석 및 지수홍수법을 이용한 지역빈도해석을 통해 지속시간 1시간, 2시간, 3시간 목표강우량을 산정하였다. 이는 서울지역의 지자체별 방재성능 평가 및 방재관련 업무에 참고자료로 활용할 수 있을 것으로 판단되며, 향후 방재성능목표 설정에 크게 기여할 것으로 판단된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.351-351
• /
• 2023

강우 자료는 수문 모델링에서 중요한 입력 요소 중 하나이다. 강우의 공간적 가변성은 모델링 불확실성의 중요한 원인으로 알려져 있다. 강우 관측자료는 많은 경우 유역을 대표하는 평균 면적강수량 (Mean Areal Precipitation, MAP)을 계산하여 수문모형에 입력된다. 선행 연구에서는MAP 예측 결과의 신뢰도를 개선하기 위하여 다양한 보간 방법이 개발되었다. 하지만, 강우특성의 동질성를 고려한 대표 기상 관측소 선정이 MAP 예측과 유출량 모의 결과에 미치는 연구는 아직 미흡한 실정이다. 본 연구에서는 유역의 MAP 예측에 있어 강우특성의 동실성을 고려한 강우 관측소 선정이 수문 모델링 성능 개선에 미치는 영향을 평가하고자 한다. 본 연구에서는 종관 기상관측(ASOS) 74개 지점과 방재기상관측(AWS) 400여개 지점에서 2003~2022년 기간에 대한 일강수량 자료를 수집하였고 강우특성이 동질한 지역을 구분하였다. 또한, 강우특성 동질성의 고려 유무에 따른 MAP를 계산하였다. 이후, 5개의 매개변수로 이루어진 개념적 강우-유출 모형FPHM을 사용하여 우리나라 전역 41개 유역을 대상으로 MAP 계산 결과가 모형 성능에 미치는 민감도를 조사하였다. 분석 결과, 강우특성의 동질성을 고려한 강우 관측소의 선택은 MAP 보간 방법 이상으로 중요한 요소임을 확인할 수 있었다.

• 대한원격탐사학회지
• /
• 제36권6_3호
• /
• pp.1711-1720
• /
• 2020

최근 급속한 산업화와 도시화로 인해 인위적으로 발생하는 미세먼지(Particulate matter, PM)는 기상 조건에 따라 이동 및 분산되면서 피부와 호흡기 등 인체에 악영향을 미친다. 본 연구는 기상인자를 multiple linear regression(MLR), support vector machine(SVM), 그리고 random forest(RF) 모델의 입력자료로 하여 서울시 PM10 농도를 예측하고, 모델 간 성능을 비교 평가하는데 그 목적을 둔다. 먼저 서울시에 소재한 39개소 대기오염측정망(air quality monitoring sites, AQMS)에서 관측된 PM10 농도 자료를 8:2 비율로 구분하여 모델 훈련과 검증 데이터셋으로 사용되었다. 또한 기상관측소(automatic weather system, AWS)에서 관측되고 있는 자료 중 9개 기상인자(평균기온, 최고기온, 최저기온, 일 강수량, 평균풍속, 최대순간풍속, 최대순간풍속풍향, 황사발생유무, 상대습도)가 모델의 입력자료로 선정되었다. 각 AQMS에서 관측된 PM10 농도와 MLR, SVM, 그리고 RF 모델에 의해 예측된 PM10 농도 간 결정계수(R2)는 각각 0.260, 0.772, 그리고 0.793이었고, RF 모델이 PM10 농도 예측에 가장 높은 성능을 나타냈다. 특히 모델 검증에 사용되는 AQMS 중 관악구와 강남대로 AQMS는 상대적으로 AWS에 가까워 SVM과 RF 모델에서 높은 정확도를 나타냈다. 종로구 AQMS는 AWS에서 비교적 멀리 떨어져 있지만, 인접한 두 AQMS 데이터가 모델 학습에 사용되었기 때문에 두 모델에서 높은 정확도를 나타냈다. 반면 용산구 AQMS는 AQMS 및 AWS에서 비교적 멀리 떨어져 있기에 두 모델의 성능이 낮게 나타냈다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2009년도 학술발표회 초록집
• /
• pp.103-106
• /
• 2009

우리나라의 경우 자연 재해로 인한 피해를 감소시키기 위해 첨단 레이더 관측시스템을 설치 및 운영하고 있으며 활용도 또한 증가하고 있어 기상재해를 대비한 정확하고 용이한 레이더 강우량 추정은 필수적 요소라 하겠다. 강우량 추정은 대기 중의 강우 입자들로부터 반사된 전파의 세기 즉 레이더의 반사도 자료와 강우와의 관계를 이용하여 강우량을 산출하며 가장 보편적으로 Marshall and Palmer (1948)에 의해 연구된 Z-R 관계식을 이용하여 강우량을 추정하고 있다. 기존의 레이더 강우량 추정시 사용되는 보정 방법인 G/R (우량계/레이더) 비는 대상유역을 격자로 나눴을 경우 강우관측소가 위치한 격자와 주변 8개의 위치한 격자의 면적강우량을 산술평균하여 사용하고 레이더 자료와 강우관측소의 강우자료를 비교하여 보정한 후 강우량을 추정하고 있다. 그러나 G/R 비를 평균하여 보정할 경우 대상유역에 위치한 강우자료가 오측이거나 관측이 되지 않았을 경우 관측지점의 강우량 추정에 영향을 주게 되며 G/R 비를 산출할 시 강우관측소가 가지는 오차를 줄이기 위하여 강우관측소의 강우자료와 레이더 자료간의 보정이 필요하다고 사료된다. 따라서 본 연구에서는 레이더의 관측반경은 480km 까지 가능하지만 양질의 자료를 사용하기 위해 광덕산에 위치한 레이더의 반경 100km 내의 강우관측소를 이용하였으며 기상청에서 운영하고 있는 94개 지점의 AWS (automatic weather system)를 이용하여 대상유역에 위치한 강우관측소의 강우자료와 레이더 강우량에 통계분석을 하여 최적의 G/R 비를 산정한 후 레이더 강우량을 추정하였다. 또한 추정된 강우량을 관측된 강우량과 비교하여 적용성을 판단하였다.

• 대한설비공학회지:설비저널
• /
• 제32권8호
• /
• pp.20-25
• /
• 2003

부산.경남지역의 50개 지점에 설치된 AWS 기상관측망의 측정데이터를 이용하여, 기상대 및 기상관측소를 대표점으로 하는 11개의 기후존을 구분하고, 설정된 기후존별 대표도시의 기상특성을 파악할 수 있는 기후맵을 작성하는 방안을 소개하였다. 본 고에서 작성된 기후맵을 이용하면, 지역의 온도.습도.풍향.풍속.일사량.우량 등의 기상요소가 건축환경에 미치는 영향을 정량적으로 파악할 수 있으며, 향후 지역의 특성을 살린 에너지 절약적 환경친화건축 개발의 기상자료로 활용될 수 있을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제18권6호
• /
• pp.319-326
• /
• 2002

TRMM-PR/VIRS와 GMS 자료를 이용하여 강수량을 추정하였다. 강수량 추정의 검증에는 기상청의 AWS 관측자료를 이용하였다. 본 연구의 강수량 추정 절차는 다음과 같다: 1) TRMM-PR 자료와 AWS 자료를 이용하여 Z-R 관계식을 도출한다. 2) Z-R 관계식에 의한 추정치와 VIRS의 TBB 자료를 이용하여 강수량 추정식을 도출한다. 3) 새롭게 도출된 식의 VIRS의 TBB 대신 GMS의 TBB 자료를 대입하여 광역의 강수량을 추정한다. Z-R 관계식은 Z=303R$^{0.72}$로 나타났고 상관계수는 0.57이었다. 새롭게 제시된 강수량 추정식에 의한 결과의 상관계수는 0.67, RMSE는 17mm/hr로 나타났다. 강수량 추정식은 집중호우 때 과소추정하는 경향을 보였다.

• 한국방재학회 논문집
• /
• 제9권5호
• /
• pp.103-113
• /
• 2009

본 연구에서는 관측소의 지리적 위치 및 강수특성(월별, 계절별, 연평균)을 이용하여 강원도의 강수지역을 구분하였다. 강수지역 구분은 기상관측소 66개소(기상관서: 11개소, 자동기상시스템(AWS): 55개소)의 자료를 이용하였으며, 통계적 방법 중 군집 기법인 K-means 방법을 적용하였다. 지역구분 결과, 강수지역은 5개 지역(영동지방 1개 지역 및 영서지방 4개 지역)으로 구분하였다. 계절별 평균강수량은 봄에는 강원도 전체에 유사하게 발생하였으며, 여름에는 영서지방이 높게 나타났으며, 가을과 겨울에는 영동지방이 높게 발생하였다. 연평균 강수량 및 여름철 강수량의 공간분석 결과 강원도 중 일부 지역(미시령 및 대관령일원)은 산악형 강수 특성을 나타냈으나 전반적인 현상은 아닌 것으로 판단되었다. 그러나 보다 정확한 분석을 위해서는 관측소의 고도별 분포가 미흡한 것으로 나타난 관측소의 보완 및 AWS의 자료 확충이 필요할 것으로 판단된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2016년도 학술발표회
• /
• pp.20-20
• /
• 2016

본 연구는 레이더를 이용한 강우 추정 시 과소 추정하는 문제를 해결하기 위해 기상청에서 실시간으로 생산하고 있는 레이더 반사도를 AWS로 보정한 RAR (RADAR-AWS Rain rate) 자료의 수문 분석을 통한 적용성을 평가하는데 그 목적이 있다. 대상유역을 한탄강홍수조절댐 유역으로 선정하고 9개 소유역에 대한 시간 단위 지상 관측 자료와 RAR 자료의 유역평균 강우량을 산정 및 비교하였다. 분석 결과 미계측 유역이 80%가 넘는 1번 소유역에서 지상 관측 자료와 RAR 자료의 유역평균 강우량은 상관성이 낮게 분석되었다. 두 자료의 유역평균 강우량을 이용하여 2012년부터 2015년까지 홍수기간에 대한 저수지 모의 유입량과 관측 유입량을 비교한 결과 RAR 자료의 모의 유입량이 관측 유입량과 높은 상관성 및 정확도를 나타내었다. RAR 자료는 기존 레이더 강우의 과소 추정 문제를 보완할 수 있으며, 지상 관측이 어려운 지역에서 강우자료로 활용이 가능할 것으로 판단된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2005년도 학술발표회 논문집
• /
• pp.904-907
• /
• 2005

본 연구에서는 강우량의 실측치인 자동기상관측소(AWS) 자료와 현재의 대기상태인 인공위성(GMS-5호) 자료를 입력자료로 하여 현재부터 3시간 선행시간까지의 면적평균강우량을 예측할 수 있도록 강우예측 신경망 모형을 개발하였으며, 2002년 8월 집중호우시 남강댐 유역에 적용하였다. 신경망 모형의 학습을 위해서 $1998\~2001$년 $6\~9$월과 2002년 6, 7월의 강우사상과 적외선 자료가 사용되었고, 학습이 종료되면 예측기간(2002년 8월 $6\~16$일)동안의 강우예측이 수행되었다. 신경망 모형의 학습단계에서는 자료들간의 비선형 상관관계를 나타내는데 적합한 역전파 알고리즘 학습방법 중 모멘텀법을 사용하였으며, 신경망 모형의 출력값은 현재부터 3시간 후까지의 면적평균강우량을 예측할 수 있도록 구성하였다. 예측된 면적평균강우량은 실제 관측된 강우량의 패턴은 잘 따르고 있었지만 첨두치를 과소평가하는 경향이 나타났다. 본 연구에서 개발된 신경망 모형은 관측된 강우자료의 품질과 패턴이 모형의 정확성에 미치는 영향이 절대적인 기존의 신경망 모형과 차별화하여, 현재의 대기상태를 나타내는 인공위성 자료를 추가함으로써 보다 정확한 강우량 예측이 가능하도록 하였다.

• 산업기술연구
• /
• 제29권B호
• /
• pp.181-186
• /
• 2009

The wind data measured from automated weather stations (AWS) at complex terrains in Korea was used to predict the wind velocity at nearby sites that are several kilometers away. The ten-minute averaged wind data was measured at a height of 10 meters. A commercial CFD code, WindSIM, based on the weighted averaged Navier-Stokes equation was employed. The results were compared with the data measured using meteorological masts (MM) at a height of 40 meters. The predictions using the AWS data and WindSIM showed good agreements with the measured data.