• 한국물환경학회지
• /
• 제27권6호
• /
• pp.914-925
• /
• 2011

The variation of streamflow is regarded as one of the most influential factors on the fluctuation of water quality in the stream. The characteristics of the variation should be taken into account in the plans for the management of Total Maximum Daily Loads (TMDLs). This study analysed and characterized spatial distribution and temporal variation of streamflow at each unit watershed in Guem-river basin. For the analysis of the distribution of streamflow, the type and the extent of the distribution were investigated for the unit watershed. For the analysis of the variation, short and long term changes of streamflow were examined. The result showed that most of the distributions were not log-normalized and the extent of variation tends to be greater at the unit watershed placed on the tributaries in the basin. A kind of margin could be granted to the unit watershed involving high variations so as to establish the water quality goal and load allotment more reasonably and effectively in view of whole waterbody.

• 한국방재안전학회논문집
• /
• 제14권4호
• /
• pp.17-27
• /
• 2021

유량예측은 효과적인 홍수관리 및 수자원 계획을 위한 매우 중요한 재난방지 접근법이다. 현재 기후변화로 인한 집중호우가 나날이 증가하고 있어 막대한 기반시설 손실과 재산, 인명 피해가 발생하고 있다. 본 연구는 미국 테네시주 Hickman County의 Vernon에 있는 Piney Resort의 최근 홍수사례분석을 통해 최대 강우 시나리오에서 유량예측에 대한 강우의 기여도를 측정했다. Piney River 유역내 USGS 두개의 관측소(03602500, 03599500)에서 20년(2000-2019) 동안의 일별 하천 유량, 수위 및 강우 데이터를 수집했고, Long Short Term Memory(LSTM)을 사용하였다. 또한, Tensorflow, Keras Machine learning frameworks, Python을 이용하여 14일로 구별된 유량 값을 예측하였다. 또한, 모델이 2021년 8월 21일의 범람 이벤트를 예측할 수 있었는지를 결정하는 데 사용되었다. 전체 데이터(수위, 유량 및 강우량)가 포함된 LSTM 모델은 일부 강우 모델을 제외하고 지속성 모델보다 우수한 성능을 보였으며, 강우자료만 이용하여 유량예측을 하는 것은 충분하지 않음을 나타냈다. 결과는 LSTM 모델은 0.68 및 13.84m³/s의 최적 NSE 및 RMSE 값을 나타냈고, 가장 낮은 예측 오차로 예측 최대유량은 94m³/s로 나타났다. 향후 강우 패턴에 대한 다양한 분석이 이루어진다면 효율적인 홍수 경보 시스템 및 정책을 설계하는 관련 연구에 도움을 줄 것으로 판단된다.

• 한국수자원학회논문집
• /
• 제34권3호
• /
• pp.275-285
• /
• 2001

우리 나라 갈수기의 하천유출은 대부분 지하수에서 공급되는 유출이므로 홍수기 강우량에 의해 침투한 유역의 수분상태에 지배된다. 따라서, 홍수기의 지하수 함양량 추정을 통한 유역 상태 정보를 이용한다면 갈수기 월유출 예측을 만족스럽게 수행할 수 있는 수문학적 환경을 가지고 있다. 본 연구의 목적은 지하수 함양량에 의한 월유출량의 영향을 평가하고, 이를 다중회귀모형의 독립변수로 이용하여 장기 월유출량 예측을 시도하는 것이다. 해당 월의 유출량, 강수량, 선행 유출량과 강수량 및 지하수 함양량의 상관분석을 이용하여 다중회귀모형의 최적독립변수들을 평가하였다. 지하수 함양량을 독립변수로 포함한 모형에서 향상된 예측결과를 얻었다. 또한, 사전에 파악된 강수량과 지하수함량의 관계를 이용하여 지하수 유출 이월효과를 고려하면서 강수량만으로 유출 예측모형을 개발할 수 있음을 제시하였다.

• 한국수자원학회논문집
• /
• 제39권3호
• /
• pp.227-240
• /
• 2006

지표수의 수문순환 및 성분의 변동 영향 요소로는 강우, 증발, 토양수분 등의 자연적인 요소와 도시화 및 유역내 저류시설물 등의 인위적인 요소가 있다. 특히, 장기 유출 변동에 영향을 끼치는 인위적인 요소 중 저류시설을 대표적으로 들 수 있는데, 이들 영향은 단기적으로는 유출 감쇄특성의 변화, 장기적으로는 저류량 증가에 따른 건기 계절유량의 증가, 년 유황 또는 유출 특성의 변화 등의 영향을 예측할 수 있다. 우리나라와 같은 인공 저류시설이 산재한 지역에서는 자연유량 산정용 수문 순환모형을 고려하기가 곤란하며, 이들 저류시설물의 장기유출에의 메커니즘을 규명하고, 물리적 및 추계적 분석기술을 개발하며, 실 유역에의 적용을 통하여 저류시설물이 장기 유출 분석의 신뢰도에 어느 정도 영향을 주고 있는 지를 분석하는데 본 연구의 목적이 있다. 본 연구에서는 다양한 장기유출 모형 중 저류시설물 요소를 다양하게 모의할 수 있는 연속형 반분포형 모형인 SWAT모형을 이용하여 태화강 유역을 대상으로 유역내 저류시설물의 하류 장기유출에의 영향 분석을 다양한 시나리오를 통해 정량적인 영향 분석을 수행하였다.

• 한국수자원학회논문집
• /
• 제39권3호
• /
• pp.275-288
• /
• 2006

본 연구에서는 GDAPS(T213) 중기 기상 수치예보 자료를 활용한 ESP (Ensemble Streamflow Prediction) 기법을 개발하여 미래에 발생할 수 있는 댐 유입량의 중장기적 확률예측을 위해 초과 확률구간별 댐 유입량을 예측하고 RPSS 검증기법으로 예측결과의 정확도를 분석하였다. 개발된 ESP시스템을 적용한 결과 일단위 개념의 확률예보는 높은 불확실성을 내포할 수 있고, 중장기 확률예보에 초점을 맞추어 1, 3, 7일 등의 예측시간 해상도에 대한 ESP정확도의 민감도를 분석한 결과 예측시간 해상도 간격이 증가할수록 예측결과의 불확실성이 감소하면서 그 정확도가 전반적으로 증가함을 살펴볼 수 있었다. 이러한 결과를 바탕으로 GDAPS 자료를 활용한 1주 단위의 한달(28일)예보를 수행한 ESP 결과는 각 초과 확률구간 분포의 적절한 증가 및 감소로 인하여 그 시간적 변동성이 안정적으로 예측되고 예측결과의 불확실성을 감소시킬 수 있어 그 활용가치가 높은 것으로 나타났다. 이러한 관점에서 본 연구의 ESP 시스템은 중장기적 측면에서 GDAPS 자료의 활용가치를 높일 수 있고, 기존 ESP 결과보다 향상된 정확도로 댐 유입량을 예측할 수 있으므로 실시간 댐 유입량 예측에 적용한다면 수자원 관리 차원에서 유용한 수단이 될 수 있을 것이다.

• Environmental Engineering Research
• /
• 제18권1호
• /
• pp.9-20
• /
• 2013

In this paper, the rainfall elasticity of streamflow was estimated to quantify the effects of climate change on 5 river basins. Rainfall elasticity denotes the sensitivity of annual streamflow for the variations of potential annual rainfall. This is a simple, useful method that evaluates how the balance of a water cycle on river basins changes due to long-term climate change and offers information to manage water resources and environment systems. The elasticity method was first used by Schaake in 1990 and is commonly used in the United States and Australia. A semi-distributed hydrological model (SLURP, semi-distributed land use-based runoff processes) was used to simulate the variations of area streamflow, and potential evapotranspiration. A nonparametric method was then used to estimate the rainfall elasticity on five river basins of Korea. In addition, the A2 (SRES IPCC AR4, Special Report on Emission Scenarios IPCC Fourth Assessment Report) climate change scenario and stochastic downscaling technique were used to create a high-resolution weather change scenario in river basins, and the effects of climate change on the rainfall elasticity of each basin were then analyzed.

• 한국수자원학회논문집
• /
• 제41권6호
• /
• pp.643-651
• /
• 2008

본 연구는 소규모 수리시설물이 장기유출에 끼치는 영향에 대해 시 공간적으로 상세히 분석하고, 분석된 결과를 토대로 장기유출 모의모형에 소규모 수리시설물의 영향을 반영할 수 있도록 구성함으로서 유역의 장기유출 모의결과의 신뢰도를 증진시키는 것이 목적이다. 따라서 본 연구에서는 대상유역의 소규모 수리시설물 현황을 파악하고 각 수리시설물별로 하천유량에 끼치는 영향을 분석한 후, 수리시설물의 영향을 고려할 수 있도록 강우-유출 모형을 구축하였다. 수리시설물에 의한 영향평가를 실시한 결과, 공간적으로는 저수지가 많이 분포한 소유역에서, 시기적으로는 강우가 풍부했던 2003년을 제외한 2/4분기에서 모형상 에러인 음의 유량 발생빈도가 크게 나타났다. 따라서 본 연구에서는 수리시설물의 영향평가를 토대로 유출량과 수리시설물의 상관식을 유도하였으며 이를 이용하여 강우-유출 모의를 재구성하였다. 그 결과 모의유량은 상대적으로 수리시설물을 고려하지 않은 경우보다 오차가 크게 감소하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2021년도 학술발표회
• /
• pp.131-131
• /
• 2021

Deep learning models, especially those based on long short-term memory (LSTM), have presented their superiority in addressing time series data issues recently. This study aims to comprehensively evaluate the performance of deep learning models that belong to the supervised learning category in streamflow prediction. Therefore, six deep learning models-standard LSTM, standard gated recurrent unit (GRU), stacked LSTM, bidirectional LSTM (BiLSTM), feed-forward neural network (FFNN), and convolutional neural network (CNN) models-were of interest in this study. The Red River system, one of the largest river basins in Vietnam, was adopted as a case study. In addition, deep learning models were designed to forecast flowrate for one- and two-day ahead at Son Tay hydrological station on the Red River using a series of observed flowrate data at seven hydrological stations on three major river branches of the Red River system-Thao River, Da River, and Lo River-as the input data for training, validation, and testing. The comparison results have indicated that the four LSTM-based models exhibit significantly better performance and maintain stability than the FFNN and CNN models. Moreover, LSTM-based models may reach impressive predictions even in the presence of upstream reservoirs and dams. In the case of the stacked LSTM and BiLSTM models, the complexity of these models is not accompanied by performance improvement because their respective performance is not higher than the two standard models (LSTM and GRU). As a result, we realized that in the context of hydrological forecasting problems, simple architectural models such as LSTM and GRU (with one hidden layer) are sufficient to produce highly reliable forecasts while minimizing computation time because of the sequential data nature.

• 한국농공학회지
• /
• 제43권2호
• /
• pp.69-77
• /
• 2001

An artificial neural network model was developed to analyze and forecast daily steamflow flow a small watershed. Error Back propagation neural networks (EBPN) of daily rainfall and runoff data were found to have a high performance in simulating stremflow. The model adopts a gradient descent method where the momentum and adaptive learning rate concepts were employed to minimize local minima value problems and speed up the convergence of EBP method. The number of hidden nodes was optimized using Bayesian information criterion. The resulting optimal EBPN model for forecasting daily streamflow consists of three rainfall and four runoff data (Model34), and the best number of the hidden nodes were found to be 13. The proposed model simulates the daily streamflow satisfactorily by comparison compared to the observed data at the HS#3 watershed of the Baran watershed project, which is 391.8 ha and has relatively steep topography and complex land use.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.149-149
• /
• 2022

Accurate quantitative evaluation of baseflow contribution to streamflow is imperative to address seasonal drought vulnerability, flood occurrence and groundwater management concerns for efficient and sustainable water resources management in watersheds. Several baseflow separation algorithms using recursive filters, graphical method and tracer or chemical balance have been developed but resulting baseflow outputs always show wide variations, thereby making it hard to determine best separation technique. Therefore, the current global shift towards implementation of artificial intelligence (AI) in water resources is employed to compare the performance of deep learning models with conventional hydrograph separation techniques to quantify baseflow contribution to streamflow of Piney River watershed, Tennessee from 2001-2021. Streamflow values are obtained from the USGS station 03602500 and modeled to generate values of Baseflow Index (BI) using Web-based Hydrograph Analysis (WHAT) model. Annual and seasonal baseflow outputs from the traditional separation techniques are compared with results of Long Short Term Memory (LSTM) and simple Gated Recurrent Unit (GRU) models. The GRU model gave optimal BFI values during the four seasons with average NSE = 0.98, KGE = 0.97, r = 0.89 and future baseflow volumes are predicted. AI offers easier and more accurate approach to groundwater management and surface runoff modeling to create effective water policy frameworks for disaster management.