• Korean Journal of Agricultural Science
• /
• v.47 no.3
• /
• pp.471-483
• /
• 2020

Flood prediction is an important issue to prevent damages by flood inundation caused by increasing high-intensity rainfall with climate change. In recent years, machine learning algorithms have been receiving attention in many scientific fields including hydrology, water resources, natural hazards, etc. The performance of a machine learning algorithm was investigated to predict the water elevation of a river in this study. The aim of this study was to develop a new method for securing a large enough lead time for flood defenses by predicting river water elevation using the a long- short-term memory (LSTM) technique. The water elevation data at the Oisong gauging station were selected to evaluate its applicability. The test data were the water elevation data measured by K-water from 15 February 2013 to 26 August 2018, approximately 5 years 6 months, at 1 hour intervals. To investigate the predictability of the data in terms of the data characteristics and the lead time of the prediction data, the data were divided into the same interval data (group-A) and time average data (group-B) set. Next, the predictability was evaluated by constructing a total of 36 cases. Based on the results, group-A had a more stable water elevation prediction skill compared to group-B with a lead time from 1 to 6 h. Thus, the LSTM technique using only measured water elevation data can be used for securing the appropriate lead time for flood defense in a river.

• Journal of Korea Water Resources Association
• /
• v.45 no.7
• /
• pp.729-741
• /
• 2012

Among the methods of precipitation data acquisition, a rain gauge station has a distinctive advantage of direct measurement of rainfall itself, but multiple stations should be installed in order to obtain areal precipitation data required for hydrological analysis. On the other hand, a rainfall radar may provide areal distribution of rainfall in real time though it is an indirect measurement of radar echoes on rain drops. Rainfall radars have been shown useful especially for forecasting short-term localized torrential storms that may cause catastrophic flash floods. CAPPI (Constant Altitude Plan Position Indicator), which is one of the several types of radar rainfall image data, has been provided on the Internet in real time by Korea Meteorological Administration (KMA). It is one of the most widely available rainfall data in Korea with fairly high level of confidence as it is produced with bias adjustment and quality control procedures by KMA. The objective of this study is to develop an improved way to extract quantitative rainfall data applicable to even very small watersheds from CAPPI using CIVCOM, which is a new image processing method based on a vector-based scheme proposed in this study rather than raster-based schemes proposed by other researchers. This study shows usefulness of CIVCOM through comparison of rainfall data produced by image processing methods including traditional raster-based schemes and a newly proposed vector-based one.

• 한국방재학회:학술대회논문집
• /
• 2011.02a
• /
• pp.176-176
• /
• 2011

전 세계적으로 국지성 집중호우의 발생이 증가하고 있다(건설교통부, 2007 ; 김광섭과 김종필, 2008). 특히, 국내의 경우 급속한 도시화에 의한 기상 변화의 영향으로 서울 및 중소도시 지역에 집중호우의 발생이 크게 증가하였고, 산악지역에 발생한 강도 높은 집중호우로 인하여 돌발홍수의 발생 또한 급증하고 있다. 이처럼 집중호우는 단시간에 큰 강우강도를 동반하여 돌발홍수를 유발할 뿐만 아니라 잦은 발생으로 인하여 막대한 재산 손실과 인명 피해를 초래하고 있다(유철상 등, 2007a). 현실적으로 이러한 이상호우에 의한 피해를 원천적으로 방지하는 것은 불가능하다. 그러나 어느 정도(accuracy) 이상의 강우예측이 전제된다면 피해의 규모를 크게 줄일 수 있는 것이 또한 사실이다(유철상 등, 2007b). 집중호우로 인한 피해의 주범은 수 시간이내에 발생하는 돌발홍수로서 이에 대한 피해를 최소화하기 위해서는 정확한 초단기예측 강우가 절실한 상황이다. 이에 본 연구에서는 초단기예측 강우의 보정을 목적으로 G/R 비를 예측하였다. 먼저, 강우의 임계치와 누적시간에 따른 G/R 비의 특성변화를 검토하여 G/R 비 산정방법을 개선하였다. 초단기예측 강우로 캐나다 McGill 대학교에서 개발된 MAPLE 예측강우를 사용하였으며, 이를 보정하기 위하여 칼만 필터를 이용하여 G/R 비를 실시간으로 예측하였다. 이러한 분석은 레이더 자료의 품질이 가장 양호할 것으로 판단되는 내륙지역을 대상으로 하였다. 결과적으로 강우의 임계치와 누적시간의 고려를 통해 안정화된 G/R 비의 산정이 가능하였으며, 이를 이용함으로서 예측 G/R 비의 정확성이 보다 향상되었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2011.05a
• /
• pp.401-401
• /
• 2011

본 연구는 Bayesian MCMC(Markov Chain Monte Carlo)를 이용한 비정상성 빈도해석 모형에 외부기상인자를 결합하여 계절단위의 강수량을 예측하는데 목적을 두고 있으며, 그 중에서도 홍수 위험도와 관련하여 유용하게 이용될 수 있는 여름강수량을 예측 대상으로 하였다. 비정상성 빈도해석 모형을 기반으로 외부 기상인자에 의한 변동성을 고려하기 위해서는 대상 수문량을 한정할 필요가 있으며 극대치강수량과 연관성이 높은 장마전선, 태풍 등의 기상인자는 공간적 변동성 및 복합적인 특성들로 인해 예측인자를 구성하는 기상인자로 사용하기에는 무리가 있다. 따라서 본 연구에서는 계절단위의 수문량으로 여름강수량을 대상으로 하였으며, 이에 영향을 미치는 외부 기상인자로서 SST(sea surface temperature)와 OLR(outgoing longwave radiation)을 도입하였으며, 낙동강유역 여름강수량과의 공간 상관성이 높은 지역의 이전 겨울 SST와 6월 OLR을 예측인자로 활용한 7~9월 여름강수량 예측모형을 구성하였다. 모형의 검증은 결과를 알고 있는 2010년 여름 강수량을 대상으로 수행하였으며, 모형의 적용은 현재시점에서 관측된 2010년 겨울 SST와, 과거 관측 자료를 토대로 가정된 2011년 6월 OLR을 이용하여 2011년 여름 강수량을 예측하였다. 결과적으로 모형 매개변수들의 사후분포로부터 불확실성 구간을 포함한 예측결과를 구할 수 있었다.

• Journal of Multimedia Information System
• /
• v.5 no.4
• /
• pp.235-244
• /
• 2018

Potential maximum soil moisture retention (S) is a dominant parameter in the Soil Conservation Service (SCS; now called the USDA Natural Resources Conservation Service (NRCS)) runoff Curve Number (CN) method commonly used in hydrologic modeling for event-based flood forecasting (SCS, 1985). Physically, S represents the depth [L] soil could store water through infiltration. The depth of soil moisture retention will vary depending on infiltration from previous rainfall events; an adjustment is usually made using a factor for Antecedent Moisture Conditions (AMCs). Application of the method for continuous simulation of multiple storms has typically involved updating the AMC and S. However, these studies have focused on a time step where S is allowed to vary at daily or longer time scales. While useful for hydrologic events that span multiple days, this temporal resolution is too coarse for short-term applications such as flash flood events. In this study, an approach for deriving a time-variable potential maximum soil moisture retention curve (S-curve) at hourly time-scales is presented. The methodology is applied to the Napa River basin, California. Rainfall events from 2011 to 2012 are used for estimating the event-based S. As a result, we derive an S-curve which is classified into three sections depending on the recovery rate of S for soil moisture conditions ranging from 1) dry, 2) transitional from dry to wet, and 3) wet. The first section is described as gradually increasing recovering S (0.97 mm/hr or 23.28 mm/day), the second section is described as steeply recovering S (2.11 mm/hr or 50.64 mm/day) and the third section is described as gradually decreasing recovery (0.34 mm/hr or 8.16 mm/day). Using the S-curve, we can estimate the hourly change of soil moisture content according to the time duration after rainfall cessation, which is then used to estimate direct runoff for a continuous simulation for flood forecasting.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.2-2
• /
• 2015

최근 국지성 집중호우 및 돌발홍수와 같은 급격한 기상변화로 인한 기상재해의 발생빈도가 증가함에 따라 기존 지상 기상관측소로부터 얻어지는 직접탐측 자료보다는 기상레이더와 위성영상 등 원격탐측 자료를 사용한 수문분야의 연구가 활발하게 진행되고 있다. 기상레이더는 넓은 지역에 걸쳐 실시간으로 강수현상 감시가 가능하며 지상우량계로는 파악이 불가능한 미계측 유역을 통과하는 국지적인 호우현상이나 강우장의 이동 및 변화의 파악도 빠른 시간에 가능한 장점이 있다. 본 연구는 기상레이더 공간적 분포와 지상관측소(AWS 및 ASOS) 자료를 연계한 통계적 레이더 강수량 추정(Quantitative Precipitation Estimation, QPE)과 레이더 강수장을 직접 추적하는 강수장 예측(Quantitative Precipitation Forecast, QPF)를 연계한 해석방안을 수립하였으며, 모형 적용과정은 다음과 같다. 첫째, 강우장의 공간적인 이동을 고려하기 위해 강우장으로 부터 이류(advection)패턴을 추출하여 각 강우세포가 가지는 이동방향 및 이동속도를 고려한 강우장 추적기법을 통하여 2시간의 선행시간을 가지는 강우장을 예측하고자 한다. 둘째, 과거 기상레이더 이미지와 지상관측소의 강수 특성을 파악한 후 앞서 예측된 레이더강우장의 형태와 가장 유사한 과거 레이더강우장과 동일 시간대에 지상관측소 강수시계열을 시나리오 형태로 구축한다. 본 연구를 통하여 개발된 기상레이더 영상 이미지 상관분석 기법을 활용한 초단기강우예측은 집중호우시 홍수 예 경보를 위한 수문모형의 입력자료로 활용이 가능하다. 즉, 수문모형과 연계한 고해상도 단기홍수 예측기술 적용이 가능할 것으로 판단되며, 향후 실시간 재해 예 경보에 활용성을 평가하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.119-119
• /
• 2019

최근 기후변화와 이상기후의 영향으로 국지성 호우 및 가뭄, 홍수, 태풍 등 재해 발생 규모가 커지고 그 빈도 또한 많아지고 있다. 이러한 자연재해 및 이상현상에 대한 피해를 예방하고 빠르게 대처하기 위해서는 정확한 강우량 추정 및 강우의 시간적 예측이 필요하다. 이러한 강우의 불확실성을 해결하기 위해서 기상청 등에서는 단일 수치예보가 가지는 결정론적인 예측의 한계를 보완한 초기조건, 물리과정, 경계조건 등이 다른 여러 개의 모델을 수행하여, 확률적으로 미래를 예측하는 앙상블 예측 시스템을 예보기술에 응용하고 있으며 기존 수치모델의 정보와 예보 불확실성에 대한 정보를 동시에 제공하고 있다. 그러나 다양한 자연조건에 대한 불완전한 물리적 이해와 연산 능력 등의 한계로 높은 불확실성이 내포되어 있으므로 불확실성을 최소화하기 위한 편의보정이 수행될 필요가 있다. 강우분석의 적용 이전에 해당 자료의 타당성과 신뢰도의 분석이 필요하다. 본 연구에서는 LENS(Local ENsemble prediction System) 예측값과 시강우 관측값을 단기예측모델에 맞추어 3시간 누적하여 비교하였다. 비교 기간은 호우가 집중되는 2016년 10월로 선정하였으며 대상지역은 울산중구로 선정하였다. LENS를 대상 지역의 관측소 지점값과 행정구역 면적값을 따로 추출한 후, 불확실성을 최소화하기 위해 활용되고 있는 CF 기법과 QM 기법을 이용하여 LENS 모델을 재가공하고 이에 따른 편의보정 기법에 따른 LENS 모델을 과거의 실제강우 관측값과의 비교분석을 이용해 적용성을 검토 및 평가하였다.

• Journal of the Korean earth science society
• /
• v.39 no.2
• /
• pp.131-138
• /
• 2018

The purpose of this study is to improve the quantitative precipitation estimation method based on satellite brightness temperature. The non-linear equation for rainfall estimation is improved by analysing precipitation cases around the Korean peninsula in summer. Radar reflectivity is adopted the CAPPI 1.5 and CMAX composite fields that provided by the Korea Meteorological Agency (KMA). In addition, the satellite data are used infrared, water vapor and visible channel measured from meteorological imager sensor mounted on the Chollian satellite. The improved algorithm is compared with the results of the A-E method and CRR analytic function. POD, FAR and CSI are 0.67, 0.76 and 0.21, respectively. The MAE and RMSE are 2.49 and 6.18 mm/h. As the quantitative error was reduced in comparison to A-E and qualitative accuracy increased in compare with CRR, the disadvantage of both algorithms are complemented. The method of estimating precipitation through a relational expression can be used for short-term forecasting because of allowing precipitation estimation in a short time without going through complicated algorithms.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.26 no.6B
• /
• pp.597-603
• /
• 2006

The purpose of this study is to improve the short term rainfall forecast skill using neural network model that can deal with the non-linear behavior between satellite data and ground observation, and minimize the flood damage. To overcome the geographical limitation of Korean peninsula and get the long forecast lead time of 3 to 6 hour, the developed rainfall forecast model took satellite imageries and wide range AWS data. The architecture of neural network model is a multi-layer neural network which consists of one input layer, one hidden layer, and one output layer. Neural network is trained using a momentum back propagation algorithm. Flood was estimated using rainfall forecasts. We developed a dynamic flood inundation model which is associated with 1-dimensional flood routing model. Therefore the model can forecast flood aspect in a protected lowland by levee failure of river. In the case of multiple levee breaks at main stream and tributaries, the developed flood inundation model can estimate flood level in a river and inundation level and area in a protected lowland simultaneously.

• Journal of Korea Water Resources Association
• /
• v.43 no.8
• /
• pp.721-731
• /
• 2010

The rainfall-runoff relationship is very difficult to predict because it is complicate factor affected by many temporal and spatial parameters of the basin. In recent, models which is based on artificial intelligent such as neural network, genetic algorithm fuzzy etc., are frequently used to predict discharge while stochastic or deterministic or empirical models are used in the past. However, the discharge data which are generally used for prediction as training and validation set are often estimated from rating curve which has potential error in its estimation that makes a problem in reliability. Therefore, in this study, water stage is predicted from antecedent rainfall and water stage data for short term using three models of neural network which trained by error back propagation algorithm and optimized by genetic algorithm and training error back propagation after it is optimized by genetic algorithm respectively. As the result, the model optimized by Genetic Algorithm gives the best forecasting ability which is not much decreased as the forecasting time increase. Moreover, the models using stage data only as the input data give better results than the models using precipitation data with stage data.