• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.85-85
• /
• 2021

CDOM(Colored or Chromophoric Dissolved Organic Matter)은 바다, 호수 및 강에서 담수, 오수, 퇴적물 등으로부터 공급된 유기물질의 일종으로 가시광선에서 빛을 흡수하는 성질을 가지며, 2016년부터 환경부에서 선정한 하천, 호수 등 방류수의 수질오염 표준인 TOC(Total Organic Carbon)를 간접 추정할 수 있는 매개변수가 될 수 있다. 따라서, 본 연구에서는 백제보 상류 23 km 구간을 대상으로 2개년(2016~2017) 중 7일의 초분광영상 자료를 활용하여 내륙지역의 CDOM에 대한 적정 반사도 밴드값(R_rs)과 CDOM을 추정하는 알고리즘을 개발하고자 한다. CDOM은 흡수계수(α_CDOM)를 통해 간접 추정되며, 흡수계수의 기준 파장값(λ)은 연구별로 350 nm, 375 nm, 400 nm, 412 nm 및 440 nm 등 다르게 나타난다. 초분광영상은 AsaFENIX 초분광 센서에서 관측된 380~970 nm까지 4 nm 간격, 127개 대역의 분광해상도와 2 m의 공간해상도를 가진 영상을 활용하였으며, 자료의 연속성을 위해 smoothing 기법을 활용하여 가공하였다. 추정 알고리즘은 Random forest를 활용하였으며, 70%의 trainning과 30%의 test로 구분하여 적용하였다. 산출된 CDOM은 결정계수(R²), Nash-Sutcliffe efficiency(NSE)를 이용하여 실측 CDOM과 비교하였다. 흡수계수별 CDOM의 산정 결과 α_CDOM(350 nm)의 trainning, test에서 각각 R²가 0.71, 0.74, NSE가 0.25, 0.49로 가장 높았으며, 적정 반사도 밴드값은 R_rs(466), R_rs(493), R_rs(548), R_rs(641)를 사용하였을 때 trainning, test에서 각각 R²가 0.93, 0.90, NSE가 0.85, 0.69로 가장 높게 나타났다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.450-450
• /
• 2021

기후변화 보고서에 따르면 집중 호우의 강도 및 빈도 증가가 향후 몇 년동안 지속될 것이라 제시하였다. 이러한 집중호우가 빈번히 발생하게 된다면 강우 침식성이 증가하여 표토 침식에 더 취약하게 발생된다. Universal Soil Loss Equation (USLE) 입력 매개 변수 중 하나인 강우침식능인자는 토양 유실을 예측할때 강우 강도의 미치는 영향을 제시하는 인자이다. 선행 연구에서 USLE 방법을 사용하여 강우침식능인자를 산정하였지만, 60분 단위 강우자료를 이용하였기 때문에 정확한 30분 최대 강우강도 산정을 고려하지 못하는 한계점이 있다. 본 연구의 목적은 강우침식능인자를 이전의 진행된 방법보다 더 빠르고 정확하게 예측하는 머신러닝 모델을 개발하며, 총 월별 강우량, 최대 일 강우량 및 최대 시간별 강우량 데이터만 있어도 산정이 가능하도록 하였다. 이를 위해 본 연구에서는 강우침식능인자의 산정 값의 정확도를 높이기 위해 1분 간격 강우 데이터를 사용하며, 최근 강우 패턴을 반영하기 위해서 2013-2019년 자료로 이용했다. 우선, 월별 특성을 파악하기 위해 USLE 계산 방법을 사용하여 월별 강우침식능인자를 산정하였고, 국내 50개 지점을 대상으로 계산된 월별 강우침식능인자를 실측 값으로 정하여, 머신러닝 모델을 통하여 강우침식능인자 예측하도록 학습시켜 분석하였다. 이 연구에 사용된 머신러닝 모델들은 Decision Tree, Random Forest, K-Nearest Neighbors, Gradient Boosting, eXtreme Gradient Boost 및 Deep Neural Network을 이용하였다. 또한, 교차 검증을 통해서 모델 중 Deep Neural Network이 강우침식능인자 예측 정확도가 가장 높게 산정하였다. Deep Neural Network은 Nash-Sutcliffe Efficiency (NSE) 와 Coefficient of determination (R²)의 결과값이 0.87로서 모델의 예측성을 입증하였으며, 검증 모델을 테스트 하기 위해 국내 6개 지점을 무작위로 선별하여 강우침식능인자를 분석하였다. 본 연구 결과에서 나온 Deep Neural Network을 이용하면, 훨씬 적은 노력과 시간으로 원하는 지점에서 월별 강우침식능인자를 예측할 수 있으며, 한국 강우 패턴을 효율적으로 분석 할 수 있을 것이라 판단된다. 이를 통해 향후 토양 침식 위험을 지표화하는 것뿐만 아니라 토양 보전 계획을 수립할 수 있으며, 위험 지역을 우선적으로 선별하고 제시하는데 유용하게 사용 될 것이라 사료된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.285-285
• /
• 2022

기후변화가 현실화되면서 수자원평가 (Water Resources Assessment)에 대한 관심과 중요성이 높아지고 있다. 본 연구에서는 '주민공감 문제기획리빙랩' 대상지인 순천은 동천을 중심으로 홍수량을 정량적으로 분석하였다. 순천시의 가장 시급한 사안 중 하나인 범람 및 침수 문제로, 최근 3년(2018~2020)간의 집중호우로 인한 내수배제로 주택 및 도로침수, 산사태 등의 피해를 겪었다. 시기마다 고질적으로 반복되는 동천 인근 지역의 침수문제를 사전에 예방하고 피해의 빈도나 규모를 줄이기 위하여 분석을 수행하였다. 이에 본 연구에서는 환경부의 지원을 받아 한강홍수통제소와 한국건설기술연구원이 공동으로 개발한 동적수자원평가모형(DWAT, Dynamic Water Resources Assessment Tool)을 이용하여 정량적으로 홍수량 산정을 하고자 한다. 본 모형은 전 세계가 무료로 이용할 수 있는 수자원평가도구로 사용자의 편의를 위해 GIS전처리 기능을 포함하고 있어, 자동으로 유역 매개변수 및 면적 평균강우량을 Thiessen method를 사용하여 산정할 수 있다. 또한, 물의 순환과정을 투수 및 불투수지역으로 구분되며, 투수지역은 1개의 토양층과 1개의 불압대수층으로 구성되고, 유출기여역과 함양역으로 유역을 분할하여 적용할 수 있으며, 대수층을 통하여 지하수의 흐름을 산정할 수 있다. 기상청에서 제공하는 기상자료를 분석하여 과거 관측 강우사상 3개를 선정하여 검·보정을 수행하였으며, 그 결과 모형 효율계수(Nash-Sutcliffe efficiency) 및 결정계수(Coefficient of Determination)가 0.78~0.94, 0.82~0.94로 우수한 모의 결과를 산정할 수 있었다. 빈도별 확률강우량을 Huff 4분위법을 사용하여 확률홍수량을 산정하였다. 미래 홍수량 증감량 산정을 위하여 RCP(Representative Concentration Pathways) 기후변화 시나리오를 사용하였다. 관측값과 모의값의 누적확률분포 이용하여 모의값의 확률분포를 관측값의 확률분포에 사상시키는 방법인 분위사상법(Quantile Mapping)을 사용하여 시나리오자료를 보정하였다. 본 연구에서 산정한 홍수량을 바탕으로 침수피해를 막기 위한 구조적 및 비구조적 방안을 위한 기초자료로 사용될 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.124-124
• /
• 2022

가뭄시 유역 수문량은 하천수/지하수 취·배수, 하·폐수방류량, 용수재이용 등 복잡한 물이용체계에 따른 영향이 크지만 기존 가뭄시 수문량 평가는 이러한 복잡한 물이용체계를 고려하지 않아 정도 높은 예측에 어려움이 있다. 따라서 가뭄시 유력 내 상세물이용체계 및 수문환경특성 인자들의 상호작용 규명을 통한 정도 높은 수문량 평가 기술의 개발이 시급하다. 대하천 주변 광역상수도 공급지역은 가뭄 발생시에도 안정적으로 물이용이 가능하나, 중소하천을 수원으로 하는 하천의 상류지역은 가뭄시 물공급 안정성이 취약하다. 따라서 중소하천을 대상으로 가뭄시 물 공급시설의 효율적 운영, 물부족 위험도 평가, 가용수자원의 최적이용 등 종합적인 대책 마련을 위해서는 신뢰성 높은 수문량(하천유출량 및 수자원가용량) 예측이 필요하다. 가뭄에 따른 중소하천유역의 수문학적 유출거동을 평가하기 위한 해석 모형으로는 국내의 복잡한 유역 수문환경특성을 평가하기 위해 개발된CAT (Catchment hydrologic cycle Assessment Tool)(김현준 등, 2012)을 이용하였다. CAT은 기후변화나 토지이용변화에 따른 유역의 수문환경특성 변동성을 정량적으로 평가하기 위해 개발된 모형이다. CAT은 인위적인 물이용체계 즉, 광역급수, 용수재이용, 지하수 취수, 하천수 취·배수 등을 분석하기 위한 툴을 제공하므로 가뭄시 상세물이용체계에 따른 시·공간적 수문환경특성 분석 및 수문량 평가를 위한 최적의 모형으로 선정하였다. 본 연구에서는 중소하천유역의 수문량 예측기술 실용화 기반을 마련하기 위하여 낙동강, 금강, 영산/섬진강 중권역을 대상으로 정밀 시공간 수문량을 평가하였다. 각 권역별 보정지점을 기준으로 관측유량 자료와 모의자료의 1:1비교를 통해 수문량 예측정확도를 산정하였으며, 모형효율(Nash Sutcliffe Efficiency, NSE) 및 결정계수(Coefficient of Determination, R²)의 권역별 평균은 NSE 72%, R2 79%로 나타났으며, 대부분의 지점에서 70% 이상을 나타내어 환경부 및 지자체의 가뭄시 물관리 정책을 지원하기 위한 실용화 기반을 마련하였다.

• Journal of The Korean Society of Agricultural Engineers
• /
• v.66 no.1
• /
• pp.1-13
• /
• 2024

This study assessed the efficacy of improving the accuracy of reservoir water level prediction models by employing automated machine learning models and efficient cross-validation methods for time-series data. Considering the inherent complexity and non-linearity of time-series data related to reservoir water levels, we proposed an optimized approach for model selection and training. The performance of twelve models was evaluated for the Obong Reservoir in Gangneung, Gangwon Province, using the TPOT (Tree-based Pipeline Optimization Tool) and four cross-validation methods, which led to the determination of the optimal pipeline model. The pipeline model consisting of Extra Tree, Stacking Ridge Regression, and Simple Ridge Regression showed outstanding predictive performance for both training and test data, with an R² (Coefficient of determination) and NSE (Nash-Sutcliffe Efficiency) exceeding 0.93. On the other hand, for predictions of water levels 12 hours later, the pipeline model selected through time-series split cross-validation accurately captured the change pattern of time-series water level data during the test period, with an NSE exceeding 0.99. The methodology proposed in this study is expected to greatly contribute to the efficient generation of reservoir water level predictions in regions with high rainfall variability.

• Journal of Korea Water Resources Association
• /
• v.54 no.10
• /
• pp.795-805
• /
• 2021

In this study, after developing an LSTM-based deep learning model for estimating daily runoff in the Soyang River Dam basin, the accuracy of the model for various combinations of model structure and input data was investigated. A model was built based on the database consisting of average daily precipitation, average daily temperature, average daily wind speed (input up to here), and daily average flow rate (output) during the first 12 years (1997.1.1-2008.12.31). The Nash-Sutcliffe Model Efficiency Coefficient (NSE) and RMSE were examined for validation using the flow discharge data of the later 12 years (2009.1.1-2020.12.31). The combination that showed the highest accuracy was the case in which all possible input data (12 years of daily precipitation, weather temperature, wind speed) were used on the LSTM model structure with 64 hidden units. The NSE and RMSE of the verification period were 0.862 and 76.8 m³/s, respectively. When the number of hidden units of LSTM exceeds 500, the performance degradation of the model due to overfitting begins to appear, and when the number of hidden units exceeds 1000, the overfitting problem becomes prominent. A model with very high performance (NSE=0.8~0.84) could be obtained when only 12 years of daily precipitation was used for model training. A model with reasonably high performance (NSE=0.63-0.85) when only one year of input data was used for model training. In particular, an accurate model (NSE=0.85) could be obtained if the one year of training data contains a wide magnitude of flow events such as extreme flow and droughts as well as normal events. If the training data includes both the normal and extreme flow rates, input data that is longer than 5 years did not significantly improve the model performance.

• Journal of the Korean Association of Geographic Information Studies
• /
• v.22 no.4
• /
• pp.39-58
• /
• 2019

This study performed the dam watershed storm runoff modeling using GPM(Global Precipitation Measurement) satellite rain and KIMSTORM2(KIneMatic wave STOrm Runoff Model 2) distributed model. For YongdamDam watershed(930㎢), three heavy rain events of 25th August 2014, 11th September 2017, and 26th June 2018 were selected and tested for 4 cases of spatial rainfalls such as (a) Kriging interpolated data using ground observed data at 7 stations, (b) original GPM data, (c) GPM corrected by CM(Conditional Merging), and GPM corrected by GDA(Geographical Differential Analysis). For the 4 kinds of data(Kriging, GPM, CM-GPM, and GDA-GPM), the KIMSTORM2 was calibrated respectively using the observed flood discharges at 3 water level gauge stations(Cheoncheon, Donghyang, and Yongdam) with parameters of initial soil moisture contents, stream Manning's roughness coefficient, and effective hydraulic conductivity. The total average Nash-Sutcliffe efficiency(NSE) for the 3 events and 3 stations was 0.94, 0.90, 0.94, and 0.94, determination coefficient(R²) was 0.96, 0.92, 0.97 and 0.96, the volume conservation index(VCI) was 1.03, 1.01, 1.03 and 1.02 for Kriging, GPM, CM-GPM, and GDA-GPM applications respectively. The CM-GPM and GDA-GPM showed better results than the original GPM application for peak runoff and runoff volume simulations, and they improved NSE, R², and VCI results.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.38 no.5
• /
• pp.671-683
• /
• 2018

The flood damage caused by heavy rains in urban watershed is increasing, and, as evidenced by many previous studies, urban flooding usually exceeds the water capacity of drainage networks. The flood on the area which considerably urbanized and densely populated cause serious social and economic damage. To solve this problem, deterministic and probabilistic studies have been conducted for the prediction flooding in urban areas. However, it is insufficient to obtain lead times and to derive the prediction results for the flood volume in a short period of time. In this study, IDNN, TDNN and NARX were compared for real-time flood prediction based on urban runoff analysis to present the optimal real-time urban flood prediction technique. As a result of the flood prediction with rainfall event of 2010 and 2011 in Gangnam area, the Nash efficiency coefficient of the input delay artificial neural network, the time delay neural network and nonlinear autoregressive network with exogenous inputs are 0.86, 0.92, 0.99 and 0.53, 0.41, 0.98 respectively. Comparing with the result of the error analysis on the predicted result, it is revealed that the use of nonlinear autoregressive network with exogenous inputs must be appropriate for the establishment of urban flood response system in the future.

• Journal of the Korean Association of Geographic Information Studies
• /
• v.17 no.1
• /
• pp.129-143
• /
• 2014

The purpose of this study is to evaluate the availability of dual-polarization radar rain for flood routing in Chungju Dam watershed($6,625.8km^2$) using KIMSTORM (Grid-based KIneMatic wave STOrm Runoff Model). The Sobaek dual-polarization radar data for 1 heavy rain and 3 typhoon(Khanun, Bolaven, and Sanba) events in 2012 were obtained from Han River Flood Control Office. The spatio-temporal patterns between the two data were similar showing the ratio of radar rain to ground rain with 0.97. The KIMSTORM was set to $500{\times}500m$ resolution and a total of 45,738 cells(198 rows${\times}$231 columns) for the watershed. For radar rain and 41 ground rains, the model was independently calibrated using discharge data at 3 streamflow gauging stations(YW1, YC, and CJD) with coefficient of determination($R^2$), Nash and Sutcliffe Model Efficiency(ME), and Volume Conservation Index(VCI). The $R^2$, ME, and VCI 0.80, 0.62 and 1.08 for radar rain and 0.83, 0.68 and 1.10 for ground rain respectively.

• Journal of Environmental Health Sciences
• /
• v.46 no.5
• /
• pp.576-587
• /
• 2020

Objectives: This study calculated local residents exposures to VOCs (Volatile Organic Compounds) released into the atmosphere using the CalTOX model and carried out uncertainty analysis and sensitivity analysis. The model validity was analyzed by comparing the predicted and the actual atmospheric concentrations. Methods: Uncertainty was parsed by conducting a Monte Carlo simulation. Sensitivity was dissected with the regression (coefficients) method. The model validity was analyzed by applying r² (coefficient of determination), RMSE (root mean square error), and the Nash-Sutcliffe EI (efficiency index) formula. Results: Among the concentrations in the atmosphere in this study, benzene was the highest and the lifetime average daily dose of benzene and the average daily dose of xylene were high. In terms of the sensitivity analysis outcome, the source term to air, exposure time, indoors resting (ETri), exposure time, outdoors at home (ETao), yearly average wind speed (v_w), contaminated area in ㎡ (Area), active breathing rate (BRa), resting breathing rate (BRr), exposure time, and active indoors (ETai) were elicited as input variables having great influence upon this model. In consequence of inspecting the validity of the model, r² appeared to be a value close to 1 and RMSE appeared to be a value close to 0, but EI indicated unacceptable model efficiency. To supplement this value, the regression formula was derived for benzene with y=0.002+15.48x, ethylbenzene with y ≡ 0.001+57.240x, styrene with y=0.000+42.249x, toluene with y=0.004+91.588x, and xylene with y=0.000+0.007x. Conclusions: In consequence of inspecting the validity of the model, r² appeared to be a value close to 1 and RMSE appeared to be a value close to 0, but EI indicated unacceptable model efficiency. This will be able to be used as base data for securing the accuracy and reliability of the model.