• 한국방재학회 논문집
• /
• 제11권2호
• /
• pp.157-161
• /
• 2011

자연유역에서의 유역 분할에 관한 많은 연구가 진행되어왔음에도 불구하고, 도시유역에서의 유역 분할에 관한 연구는 이루어져있지 않다. 도시유역간의 경계 구분에 있어서 두 개의 유역 사이에 어떤 자연적 경계 또는 행정적 경계가 존재하지 않아 그 구분이 모호한 경우, 각기 다른 유출구를 갖는 우수관망에 의한 도시유역간의 경계는 오직 우수관거시스템의 설계자에 의하여 결정된다. 본 연구에서 제안된 UWDM(Urban Watershed Division Model)은 각 유역의 유출구에서의 첨두유출량을 동시에 감소시키기 위한 유역경계를 결정하게 된다. 이때, UWDM은 복수의 관거 연결 방향을 갖는 맨홀간 연결 방향을 결정함으로써 우수관거 유출구에서의 첨두 유출량을 저감시키기 위한 우수관망을 결정한다. UWDM을 통한 우수관망의 변경은 관거 내 유출 수문곡선의 중첩효과를 변화시키기 때문에, 최적화된 우수관망에서의 수문곡선은 그 중첩효과가 감소된 만큼 유출구에서의 첨두 유출량을 감소시킬 수 있다. 따라서 UWDM은 유역 경계상에서의 맨홀간 관거의 연결 방향을 유전자알고리즘을 이용하여 결정함으로써 인접한 도시유역간의 경계를 최적화할 수 있다. 본 연구에서 제안된 모형은 서울의 50.3 ha의 각기 다른 유출구를 갖는 인접한 두 개의 도시유역에 적용되었으며, 이 모형의 유역 구분에 의하여 두 개의 우수관망 유출구에서의 첨두유출량은 약 22% 감소하는 결과를 나타냈다. 자연유역에서의 유역 분할에 관한 많은 연구가 진행되어왔음에도 불구하고, 도시유역에서의 유역 분할에 관한 연구는 이루어져있지 않다. 도시유역간의 경계 구분에 있어서 두 개의 유역 사이에 어떤 자연적 경계 또는 행정적 경계가 존재하지 않아 그 구분이 모호한 경우, 각기 다른 유출구를 갖는 우수관망에 의한 도시유역간의 경계는 오직 우수관거시스템의 설계자에 의하여 결정된다. 본 연구에서 제안된 UWDM(Urban Watershed Division Model)은 각 유역의 유출구에서의 첨두유출량을 동시에 감소시키기 위한 유역경계를 결정하게 된다. 이때, UWDM은 복수의 관거 연결 방향을 갖는 맨홀간 연결 방향을 결정함으로써 우수관거 유출구에서의 첨두 유출량을 저감시키기 위한 우수관망을 결정한다. UWDM을 통한 우수관망의 변경은 관거 내 유출 수문곡선의 중첩효과를 변화시키기 때문에, 최적화된 우수관망에서의 수문곡선은 그 중첩효과가 감소된 만큼 유출구에서의 첨두 유출량을 감소시킬 수 있다. 따라서 UWDM은 유역 경계상에서의 맨홀간 관거의 연결 방향을 유전자알고리즘을 이용하여 결정함으로써 인접한 도시유역간의 경계를 최적화할 수 있다. 본 연구에서 제안된 모형은 서울의 50.3 ha의 각기 다른 유출구를 갖는 인접한 두 개의 도시유역에 적용되었으며, 이 모형의 유역 구분에 의하여 두 개의 우수관망 유출구에서의 첨두유출량은 약 22% 감소하는 결과를 나타냈다.

• 한국토양비료학회지
• /
• 제38권2호
• /
• pp.59-65
• /
• 2005

1:25,000 수치정밀토양도와 (R)USLE를 이용하여 우리나라 전역의 토양침식 위험성을 평가하고 토양침식등급을 이용하여 등급에 따른 토양보전방법을 제시하고자 하였다. 우리나라에서 강우인자 값이 높은 지역은 경기의 김포, 강화, 전남 고흥, 여수, 장흥과 경남 고성, 사천, 진해, 통영 등으로 주로 전남, 경남의 남부 해안과 경기지역의 서부 해안에 밀집되어 있었으며 반면, 경북 영덕, 영천, 구미, 포항, 군위 등의 강우인자 값이 작았다. 토양침식성 인자는 경기, 충남, 전북, 전남의 서부해안지역이 컸으며 강원, 충북, 경북, 충남 내륙지역에서 작았다. 밭의 평균 경사도는 강원 평창이 30.1%로 가장 높았으며 태백산에서 지리산에 이르는 소백산맥 주변에 위치한 지역의 밭 평균 경사도가 높았다. 우리나라 밭토양의 연간 총유실량은 전남이 가장 많았고 경북, 경남의 순으로 나타났다. 밭토양의 단위면적당 연간 토양유실량은 경남이 가장 높았고 전남, 강원 순으로 높았다. 시군단위로 분석한 결과 강원 평창의 밭 단위면적당 토양유실량이 가장 많았으며 경남 남해, 고성, 강원 정선 등의 단위면적당 토양유실량이 많았다. 이는 경남과 전남의 경우 강우인자가 크며 경남과 강원지역의 밭이 경사도가 크기 때문이었다. 논은 토양침식 위험성이 대부분 "매우 적음" 또는 "적음" 등급에 해당하였으며 밭은 전체 밭 면적 중 23.5%가 "매우 심함" 등급이었다. "매우 심함" 등급에 해당하는 밭 중에서 경사가 15% 이상 (D-F slope)이 $133.6{\times}10^3ha$로 많았으나 7-15% (C slope) 경사임에도 "매우 심함" 등급에 해당하는 밭도 $34.5{\times}10^3ha$가 분포하였다. 또한 시군별 1:25,000 수치정밀토양도를 이용하여 토양상별 토양침식등급을 도시한 토양침식도를 작성하였다. 농경지로서 수용가능한 토양유실의 목표치를 $11Mg\;ha^{-1}\;yr^{-1}$ (1년에 약 1 mm)로 규정할 때 "보통", "약간 심함" 등급인 밭은 농경학적 토양보전농법, "심함" 등급인 밭은 토목적인 토양보전농법을 통해 목표치를 달성할 수 있을 것으로 판단되었다.

• 자원환경지질
• /
• 제56권2호
• /
• pp.139-153
• /
• 2023

이 연구는 경안천 유역의 상류로부터 하류까지 본류와 하위 소유역의 배출 지점에서 관측되는 경안천 내 질소함량의 시공간적 변화를 이해하고, 이러한 질소류의 기원을 확인하고자 수행되었다. 2021년 11월부터 2022년 11월까지, 분기별 현장 조사와 실내 수질분석, 질산염과 붕소의 환경동위원소 분석을 수행하였다. 경안천의 유량지속곡선을 도출하여, 건조 기간(2021년 12월 중순부터 2022년 6월 중순)과 습윤 기간(2022년 6월 중순부터 11월 초까지)을 설정하였다. 연구 지역에서의 총 질소(T-N) 농도는 월단위 시간적 변동을 기준으로 할 때, 건조 기간에 속하는 1~2월에 농도가 가장 높았다가 5~6월까지 지속적으로 낮아진다. 홍수기인 7~9월 이후 T-N의 농도가 낮아지는 소유역 단위 최상류 지점들(Group 1: MS-0, OS-0, GS-0)과, 반대로 높아지는 경안천 본류와 소유역 하류 지점들(Group 2: MS-1~8, OS-1, GS-1)이 분리된다. 공간적으로, 경안천 본류의 T-N 농도는 상류에서 하류로 갈수록 증가하는 경향성을 보이지만, 소유역인 오산천과 곤지암천이 각각 합류되는 지점에서는 이들의 유입에 의해 본류의 T-N 농도 값에 의해 본류의 농도가 높아지거나 낮아지는 영향을 받고 있다. 환경동위원소비를 통해 모든 시료의 질소가 분뇨(manure) 기원으로 규명되었고, 수리화학적 특성의 변화와 T-N 농도의 변화에서 경안천으로 분뇨 기원의 질소가 유입될 수 있는 기작으로, (1) 축산단지의 분뇨, 폐수의 강우에 의한 유입, (2) 환경기초시설 방류수를 통한 유입, (3) 농업 활동 과정에서 축적된 질소류의 지하수 기저유출을 통한 유입 등이 제시되었다. 궁극적으로 경안천 유역의 수질관리는, 공간적 관점에서 지류를 포함하는 소유역 단위의 오염원 관리가 필요하며, 오염총량 관리 측면에서는 하천 유량의 수문성분을 구분하고, 각각 성분의 유량과 수질을 모니터링 할 수 있는 시스템의 구축과 운용이 선결되어야 한다.

• 한국수자원학회논문집
• /
• 제57권7호
• /
• pp.437-449
• /
• 2024

딥러닝을 활용하여 유역 특성을 반영한 유량 예측 및 비교 연구가 주목받고 있다. 본 연구는 셀프 어텐션 메커니즘을 통해 대용량 데이터 훈련에 적합한 Transformer와 인코더-디코더(Encoder-Decoder) 구조를 가지는 LSTM-based multi-state-vector sequence-to-sequence (LSTM-MSV-S2S) 모형을 선정하여 유역정보(catchment attributes)를 고려할 수 있는 모형을 구축하였고 이를 토대로 국내 10개 다목적댐 유역의 유입량을 예측하였다. 본 연구에서 설계한 실험 구성은 단일유역-단일훈련(Single-basin Training, ST), 다수유역-단일훈련(Pretraining, PT), 사전학습-파인튜닝(Pretraining-Finetuning, PT-FT)의 세 가지 훈련 방법을 사용하였다. 모형의 입력 자료는 선정된 10가지 유역정보와 함께 기상 자료를 사용하였으며, 훈련 방법에 따른 유입량 예측 성능을 비교하였다. 그 결과, Transformer 모형은 PT와 PT-FT 방법에서 LSTM-MSV-S2S보다 우수한 성능을 보였으며, 특히 PT-FT 기법 적용 시 가장 높은 성능을 나타냈다. LSTM-MSV-S2S는 ST 방법에서는 Transformer보다 높은 성능을 보였으나, PT 및 PT-FT 방법에서는 낮은 성능을 보였다. 또한, 임베딩 레이어 활성화 값과 원본 유역정보를 군집화하여 모형의 유역 간 유사성 학습 여부를 분석하였다. Transformer는 활성화 벡터가 유사한 유역들에서 성능이 향상되었으며, 이는 사전에 학습된 다른 유역의 정보를 활용해 성능이 개선됨을 입증하였다. 본 연구는 다목적댐별 적합한 모형 및 훈련 방법을 비교하고, 국내 유역에 PT 및 PT-FT 방법을 적용한 딥러닝 모형 구축의 필요성을 제시하였다. 또한, PT 및 PT-FT 방법 적용 시 Transformer가 LSTM-MSV-S2S보다 성능이 더 우수하였다.