• Proceedings of the Korea Water Resources Association Conference
• /
• 2010.05a
• /
• pp.1094-1098
• /
• 2010

미계측 유역에서의 홍수량을 추정할 수 있는 방법은 다양하게 제시되고 있으나, 이에 대한 평가나 조사는 사실상 전무하여 수자원 설계실무에 이용할 수 있는 절차나 방법은 극히 제한되어있다. 현재 주로 이용하고 있는 홍수량 추정절차는 강우를 근거로 한 확률강우량법, SCS방법, 단위도법이 국내의 표준방법으로 이용되고 있다. 또한 수치지도 및 위성영상분석 등과 같은 GIS 자료의 구축이 가능해짐에 따라서, 국내에서는 토양의 종류와 피복 형태 그리고 선행강우조건까지 종합적으로 고려하여 해석하는 유출곡선번호(SCS Runoff Curve Number; CN) 방법이 많이 사용되고 있다. 유출량 해석 시 이용되는 CN은 토지이용도 및 토양도와 같은 지형학적 인자에 지배받게 된다. 그러나 현재 우리나라에서 제공하는 토지이용도 및 토양도는 그 종류가 다양하고, 분류방식이 상이하여 활용 자료에 따라 CN이 달라지므로 유출율의 차이가 발생하게 된다. 국내에서 제공되는 다양한 자료를 이용하여 최적의 CN값을 산정하기 위한 연구가 선행된 바있다. 허기술(1987) 등은 우리나라의 정밀토양도에 의한 토양군 분류에 관한 연구를 진행하였으며 조홍제(1997, 2001)는 LANDSAT 위성영상을 이용하여 유역의 토지피복상태를 분류하고 식생지수를 고려하여 CN을 추정하였고, 김경탁(1998, 2003, 2004)은 개략토양도와 정밀토양도를 이용하여 유출모의 실행한 결과를 비교하여 신뢰도가 높다고 판단되는 정밀토양도를 사용한 CN 추정기법의 사용을 제안한 바 있다. 본 연구에서는 GIS를 이용하여 국내에서 활용 가능한 토양도 및 토지이용도의 종류에 따라 총 9개 Case로 안동댐 유역의 CN을 산정하였다.

• Journal of Korea Water Resources Association
• /
• v.56 no.8
• /
• pp.471-484
• /
• 2023

Deep learning models based on generative adversarial neural networks are specialized in generating new information based on learned information. The deep generative models (DGMR) model developed by Google DeepMind is an generative adversarial neural network model that generates predictive radar images by learning complex patterns and relationships in large-scale radar image data. In this study, the DGMR model was trained using radar rainfall observation data from the Ministry of Environment, and rainfall prediction was performed using an generative adversarial neural network for a heavy rainfall case in August 2021, and the accuracy was compared with existing prediction techniques. The DGMR generally resembled the observed rainfall in terms of rainfall distribution in the first 60 minutes, but tended to predict a continuous development of rainfall in cases where strong rainfall occurred over the entire area. Statistical evaluation also showed that the DGMR method is an effective rainfall prediction method compared to other methods, with a critical success index of 0.57 to 0.79 and a mean absolute error of 0.57 to 1.36 mm in 1 hour advance prediction. However, the lack of diversity in the generated results sometimes reduces the prediction accuracy, so it is necessary to improve the diversity and to supplement it with rainfall data predicted by a physics-based numerical forecast model to improve the accuracy of the forecast for more than 2 hours in advance.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.2276-2280
• /
• 2008

가뭄은 강우의 시기별 지역별 불균형으로 인해 발생하며 한 계절에서 1년, 길게는 수년 동안 지속되는 시간 특성을 가지면서 그 시작과 끝을 명확하게 정의하기가 힘들고 지속적으로 누적된 효과가 천천히 나타난다. 이러한 가뭄의 관리를 위해서는 시간적인 가뭄의 발생과 공간적인 가뭄의 분포를 파악하는 것이 중요하며, 가뭄의 진행상황이나 심도를 정의할 수 있는 객관적인 기준을 통해 수행할 수 있을 것이다. 토양수분가뭄지수(Soil Moisture Drought Index)는 식생에 영향을 주는 가뭄을 판단하기 위한 지표로서 강수량, 기온, 풍속, 습도, 토양물리 특성자료를 바탕으로 산정된다. 본 연구에서 사용한 토양수분가뭄지수는 가뭄 상태를 유효수분백분율의 50%이하일 때로 정의하고, 지속기간(duration), 크기(magnitude), 강도 (severity)의 세 가지 기준을 이용하여 가뭄을 분석하였다. 이 지수는 일별 모의가 가능하고 자연 상태의 가뭄표시, 선행적인 가뭄제시, 단기적인 가뭄평가 이라는 장점을 가진다. 따라서 본 연구에서는 웹 기반 GIS를 이용하여 실시간으로 표준유역 단위별 토양수분가뭄지수를 산정하고 이를 통해 가뭄을 평가할 수 있는 방안을 제시하고자 한다.

• Journal of Korea Water Resources Association
• /
• v.54 no.12
• /
• pp.1205-1214
• /
• 2021

Precipitation is one of a major causes of landslides by rising of pore water pressure, which leads to fluctuations of soil strength and stress. For this reason, precipitation is the most frequently used to determine the landslide thresholds. However, using only precipitation has limitations in predicting and estimating slope stability quantitatively for reducing false alarm events. On the other hand, Soil Moisture (SM) has been used for calculating slope stability in many studies since it is directly related to pore water pressure than precipitation. Therefore, this study attempted to evaluate the appropriateness of applying soil moisture in determining the landslide threshold. First, the reactivity of soil saturation level to precipitation was identified through time-series analysis. The precipitation threshold was calculated using daily precipitation (P_daily) and the Antecedent Precipitation Index (API), and the hydrological threshold was calculated using daily precipitation and soil saturation level. Using a contingency table, these two thresholds were assessed qualitatively. In results, compared to P_daily only threshold, Goesan showed an improvement of 75% (P_daily + API) and 42% (P_daily + SM) and Changsu showed an improvement of 33% (P_daily + API) and 44% (P_daily + SM), respectively. Both API and SM effectively enhanced the Critical Success Index (CSI) and reduced the False Alarm Rate (FAR). In the future, studies such as calculating rainfall intensity required to cause/trigger landslides through soil saturation level or estimating rainfall resistance according to the soil saturation level are expected to contribute to improving landslide prediction accuracy.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.214-214
• /
• 2023

네트워크로 구성된 시스템은 물질, 에너지, 신호 등의 입력(input)이 주어졌을 때, 경로 추적, 즉 라우팅(routing)을 통해 출력(output)으로 연결되고, 이를 반응함수로 나타낼 수 있다. 같은 입력값이라도 네트워크에 따른 연결 구조와 라우팅 과정에서 소요되는 시간차에 따라 출력값이 달라질 수 있다. 좋은 예로 강우에 따른 유출반응함수를 나타내는 자연 하천망을 들 수 있다. 이론적으로 순간의 입력이 주어졌을 때 (입력의 지속시간이 0), 출력은 순간반응함수로 표현된다. 자연 하천망에 대한 선행연구에서는 강우강도에 따라 순간반응함수가 변화한다는 비선형성이 알려졌다. 하지만, 비선형성을 가져오는 물리적 과정에 대해서는 많은 연구가 필요하다. 이 연구는 격자 형태로 주어진 임의의 네트워크에서 각 격자에 대해 순간반응함수를 구하는 분포형 모형을 제시한다. 입력자료와 라우팅 방법에 따른 연결 구조 및 순간반응함수의 변화를 격자 별로 확인하고, 이를 통해 시스템의 비선형성을 고려할 수 있는지 고찰하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.119-119
• /
• 2023

본 연구에서는 Terra MODIS(MODerate resolution Imaging Spectroradiometer) 위성영상과 토양수분 부족지수(Soil Water Deficit Index, SWDI)를 이용하여 2012년부터 2022년까지 한반도 전국의 1km 공간 증발산량을 산정하였다. 공간 증발산량을 산정하기 위한 과정은 크게 두 가지로 구분된다. 첫 번째로 MODIS의 LST(Land Surface Temperature), NDVI(Normalized Difference Vegetation Index), 선행강우 및 무강우 누적일수를 이용해 1 km 공간 토양수분을 산정하였다. 농촌진흥청 토양수분관측망 자료 중 토지피복, 토양 속성을 고려하여 선정된 70개소 토양수분 실측데이터와 비교한 결과 지점별 평균 R² 0.63~0.90으로 유의미한 상관성을 나타내었다. 산정된 공간 토양수분은 생장저해수분점과 초기위조점의 관계를 이용한 SWDI로 변환하였다. 두 번째로 순 복사량, 기온 및 NDVI의 적은 수문인자를 통해 증발산량 산정이 가능한 MS-PT(Modified Satellite-based Priestley-Taylor) 모형을 기반으로 계절별 식생과 토양수분 상태를 고려하여 1 km 공간 증발산량을 산정하였다. MS-PT 모형에서 가정한 대기 증발 변수 Diurnal temperature (DT)와 지표 수분의 상관성 문제를 해결하기 위해 DT를 SWDI로 적용하였다. 모형 결과의 검증을 위해 국내 플럭스 타워 (설마천, 청미천, 덕유산) 증발산량 관측자료와의 결정계수(Coefficient of determination, R²), RMSE(Root Mean Square Error) 및 IOA(Index of Agreement)를 산정하였다. 본 연구의 결과로 생산되는 국내 증발산량의 시, 공간적 변동성은 증발산량을 통한 수문학적 가뭄지수 및 급성 가뭄을 파악하는데 활용될 수 있을 것으로 판단된다.

• Journal of Korea Water Resources Association
• /
• v.53 no.12
• /
• pp.1159-1172
• /
• 2020

This study applied deep convolution neural network based on U-Net and SegNet using long period weather radar data to very short-term rainfall prediction. And the results were compared and evaluated with the translation model. For training and validation of deep neural network, Mt. Gwanak and Mt. Gwangdeoksan radar data were collected from 2010 to 2016 and converted to a gray-scale image file in an HDF5 format with a 1km spatial resolution. The deep neural network model was trained to predict precipitation after 10 minutes by using the four consecutive radar image data, and the recursive method of repeating forecasts was applied to carry out lead time 60 minutes with the pretrained deep neural network model. To evaluate the performance of deep neural network prediction model, 24 rain cases in 2017 were forecast for rainfall up to 60 minutes in advance. As a result of evaluating the predicted performance by calculating the mean absolute error (MAE) and critical success index (CSI) at the threshold of 0.1, 1, and 5 mm/hr, the deep neural network model showed better performance in the case of rainfall threshold of 0.1, 1 mm/hr in terms of MAE, and showed better performance than the translation model for lead time 50 minutes in terms of CSI. In particular, although the deep neural network prediction model performed generally better than the translation model for weak rainfall of 5 mm/hr or less, the deep neural network prediction model had limitations in predicting distinct precipitation characteristics of high intensity as a result of the evaluation of threshold of 5 mm/hr. The longer lead time, the spatial smoothness increase with lead time thereby reducing the accuracy of rainfall prediction The translation model turned out to be superior in predicting the exceedance of higher intensity thresholds (> 5 mm/hr) because it preserves distinct precipitation characteristics, but the rainfall position tends to shift incorrectly. This study are expected to be helpful for the improvement of radar rainfall prediction model using deep neural networks in the future. In addition, the massive weather radar data established in this study will be provided through open repositories for future use in subsequent studies.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2005.05b
• /
• pp.599-604
• /
• 2005

최근 일부 댐유역에서 게릴라성 집중호우와 태풍 등과 같은 특이 호우에 대하여 강우-유출분석을 실시한 결과 유출율이 $100\%$를 상회하는 경우가 발생함에 따라 효율적이고 안전한 치수 및 방재업무를 실시하는데 많은 어려움을 겪고 있다. 본 연구에서 일부 댐유역의 유출율이 $100\%$를 상회하는 원인으로 강우 관측자료의 신뢰성이 결여되어 나타나는 것으로 보았으며, 만일, 강우관측소에서 계측된 강우자료의 신뢰성이 결여 되어 있다면, 이로 인한 유역 강우의 추정오차는 제거될 수 없을 것이다. 일반적으로 강우관측소에서 발생하는 계측오차는 관측소의 고도, 지형적인 장애(산악영향, 지장물 등) 및 기상학적인 장애(기단의 이동방향, 호우의 발생원인, 돌풍 등) 등 외부적인 요인으로 인해 발생할 수 있다. 따라서, 본 연구에서는 강우관측소에서 발생하는 계측오차의 다른 여러 외부적 요인들 중 가장 큰 요인으로 돌풍과 같은 풍속에 의해 발생하는 것으로 판단하였고, 연구대상 유역인 임하댐 유역의 유출율과 치대 풍속간의 상관분석을 실시하였으며 분석결과 유출율은 최대 풍속에 커다란 영향을 받는 것으로 나타났다. 결국, 유출율이 $100\%$를 상회하는 호우에서 강우관측소의 강우는 강우시 돌풍과 같은 외부적인 요인으로 인해 적게 관측된 것으로 추정되며 저평가된 강우자료로부터 산정된 면적평균강우의 추정오차로 인해 유출율이 $100\%$를 상회하는 것으로 나타났다. 따라서 본 연구에서는 유출율과 풍속간의 관계로부터 강우보정계수 추정식을 산정하였으며, 추정된 보정계수를 이용하여 관측된 강우자료를 보정한 후 강우-유출분석을 실시한 결과 댐유입수문곡선을 보정전에 비해 보다 근사하게 모의하였다. 위해서는 대상유역에 적합한 선행 강우일수의 결정이 중요하리라 판단된다.인 분석을 수행하고, 배수갑문 개방에 의한 수질개선효과를 최대화하기 위한 환경관리 방안 제시에 중점을 두어 수행하였다.ncy), 환경성(environmental feasibility) 등을 정성적으로(qualitatively) 파악하여 실현가능한 대안을 선정하였다. 이렇게 선정된 대안들은 중유역별로 검토하여 효과가 있을 것으로 판단되는 대안들을 제시하는 예비타당성(Prefeasibility) 계획을 수립하였다. 이렇게 제시된 계획은 향후 과학적인 분석(세부평가방법)을 통해 대안을 평가하고 구체적인 타당성(feasibility) 계획을 수립하는데 토대가 될 것이다.{0.11R(mm)}(r^2=0.69)$로 나타났다. 이는 토양의 투수특성에 따라 강우량 증가에 비례하여 점증하는 침투수와 구분되는 현상이었다. 경사와 토양이 같은 조건에서 나지의 경우 역시 $Ro_{B10}(mm)=20.3e^{0.08R(mm)(r^2=0.84)$로 지수적으로 증가하는 경향을 나타내었다. 유거수량은 토성별로 양토를 1.0으로 기준할 때 사양토가 0.86으로 가장 작았고, 식양토 1.09, 식토 1.15로 평가되어 침투수에 비해 토성별 차이가 크게 나타났다. 이는 토성이 세립질일 수록 유거수의 저항이 작기 때문으로 생각된다. 경사에 따라서는 경사도가 증가할수록 증가하였으며 $10\% 경사일 때를 기준으로 $Ro(mm)=Ro_{10}{\times}0.797{\times}e^{-0.021s(\%)}$로 나타났다.천성 승모판 폐쇄 부전등을 초래하는 심각한 선천성 심질환이다. 그러나 진단 즉시 직접 좌관상동맥-대동맥 이식술로 수술적 교정을 해줌으로

• Korean Journal of Environment and Ecology
• /
• v.29 no.6
• /
• pp.917-922
• /
• 2015

This study was carried out to investigate solutes concentration change with respect to discharge change in coniferous forest experiment watershed in Gyeonggi-do, Korea. From 2005 to 2008. Precipitation, discharge, solutes has been analyzed from 23 precipitation events. The results showed that low API induced low discharge. $NH_4{^+}$, $K^+$, and $Ca^{2+}$ were indicated by clockwise and $Cl^-$ and $NO_3{^-}$ were represented by counterclockwise hysteresis loop. ${SO_4}^{2-}$, $Na^+$, $Mg^{2+}$ showed no hysteresis loop pattern. $Cl^-$, $Na^+$, $NH_4{^+}$ was relatively constant due to groundwater during precipitation, $NO_3{^-}$ was increased due to soil water compared to early precipitation. $Cl^-$, ${SO_4}^{2-}$, $Na^+$, $Mg^{2+}$, $Ca^{2+}$ was diluted with respect to increased discharge and $NO_3{^-}$ was diluted in early precipitation and then increased in the end. $NO_3{^-}$ and $Ca^{2+}$ eluviated in early precipitation. This characteristics was presumed by the effect of API, discharge and ground water.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.135-135
• /
• 2018

한강의 잠수교는 평상시에는 사람과 차의 통행이 가능하나 예측수위가 5.5m일 경우, 보행자통제, 6.2m일 경우, 차량통제를 실시한다. 잠수교는 국토교통부의 홍수예보 지점은 아니지만 그 특수성으로 인해 정확한 홍수위 예측을 통해 선행시간을 확보할 필요가 있다. 일반적으로 하천 홍수위 예측을 위해서는 강우-유출 모형과 하도추적을 위한 수리모형을 결합한 모델링이 요구되나 잠수교는 하류부 조위로 인한 배수 및 상류부 팔당댐 방류량의 영향을 받아 물리적 수리 수문모형의 구축이 상당히 제약적이다. 이에 본 연구에서는 딥러닝 오픈 라이브러리인 Tensorflow 기반의 LSTM 심층신경망(Deep Neural Network) 모형을 구축하여 잠수교의 수위예측을 수행한다. LSTM 모형의 학습과 검증을 위해 2011년부터 2017년까지의 10분단위의 잠수교 수위자료, 팔당댐의 방류량과 월곶관측소의 조위자료를 수집한 후, 2011년부터 2016년까지의 자료는 신경망 학습, 2017년 자료를 이용하여 학습된 모형을 검증하였다. 민감도 분석을 통해 LSTM 모형의 최적 매개변수를 추정하고, 이를 기반으로 선행시간(lead time) 1시간, 3시간, 6시간, 9시간, 12시간, 24시간에 대한 잠수교 수위를 예측하였다. LSTM을 이용한 1~6시간 선행시간에 대한 수위예측의 경우, 모형평가 지수 NSE(Nash-Sutcliffe Efficiency)가 1시간(0.99), 3시간(0.97), 6시간(0.93)과 같이 정확도가 매우 우수한 것으로 분석되었으며, 9시간, 12시간, 24시간의 경우, 각각 0.85, 0.82, 0.74로 선행시간이 길어질수록 심층신경망의 예측능력이 저하되는 것으로 나타났다. 하천수위 또는 유량과 같은 수문시계열 분석이 목적일 경우, 종속변수에 영향을 미칠 수 있는 가용한 모든 독립변수를 데이터화하여 선행 정보를 장기적으로 기억하고, 이를 예측에 반영하는 LSTM 심층신경망 모형은 수리 수문모형 구축이 제약적인 경우, 홍수예보를 위한 활용이 가능할 것으로 판단된다.