• 한국지리정보학회지
• /
• 제21권3호
• /
• pp.76-92
• /
• 2018

본 연구는 상습적으로 도시침수 피해를 입은 지역을 대상으로 도시 홍수 예 경보를 위한 강우 시나리오별 사전 침수면적 데이터베이스를 구축하고 강우강도에 따른 침수예상도를 작성하여 기상청 최대강우량 예보와 함께 홍수위험지역을 사전에 예보할 수 있는 방법을 제안하고자 한다. 데이터베이스 구축을 위하여 1D-2D 모형 구축을 실시하고 실제호우사상에 대한 검증을 완료한 다음 시나리오별 해석을 실시하였다. 2010년 9월 21일에 대상유역에 내린 강우사상에 대한 2D 해석결과를 NDMS 자료와 비교 분석 하였다. NDMS 신고지점은 총 118지점에서 신고가 되었으며, 2D 침수해석 결과 82개 지점이 계산결과에 포함되었다. NDMS 신고 지점과 2D 침수해석 결과에 대하여 적합도를 계산한 결과 69.5%의 적합도로 분석되었다. 사전 침수 데이터베이스를 이용하여 침수예상도를 작성하였으며, 70mm의 침수예상도의 경우 NDMS 신고 지점과 70.3%의 적합도를 가졌으며, 80mm의 침수예상도의 경우 72.0%의 적합도를 가지는 것으로 분석되었다. 구축된 사전 침수면적 데이터베이스를 이용하여 기상예보와 함께 침수예상도 정보를 함께 제시할 수 있으며 침수 예 경보 시 선행시간을 확보할 수 있다.

• 한국수자원학회논문집
• /
• 제53권3호
• /
• pp.225-236
• /
• 2020

유역 상류의 소규모 산지 유역 또는 도시 배수분구 정도의 도시 유역은 지체시간이 수 십 여분에 불과하기 때문에 우량계만으로는 대응에 필요한 충분한 예측 선행시간을 확보하기 어렵다. 도시 및 소규모 산지 유역에서와 같이 지체시간이 짧은 유역에서 발생하는 돌발홍수는 더 이상 우량계만으로 예보가 불가능하다. 도달시간이 짧은 도시 및 산지에서는 지체시간 외에 강수 예측을 통한 홍수예보 선행시간을 확보하는 것이 매우 중요하다. 한강홍수통제소에서는 강우레이더 강우강도를 초단기 예측 모델인 Mcgill Algorithm for Precipitation-nowcast by Lagrangian Extrapolation(MAPLE) 알고리즘의 입력 자료로 활용하여 초단기 예측 강수 자료를 생산하고 있다. 한국건설기술연구원의 돌발홍수연구센터는 한강홍수통제소에서 생산하고 있는 초단기 예측 강수 자료를 입력 자료로 하여 돌발홍수 예측 시스템을 구축하였고 2019년부터 동네규모의 1시간 전 돌발홍수정보를 제공하고 있다. 본 연구에서는 돌발홍수연구센터에서 구축한 돌발홍수 예측 시스템을 설명하고 2019년도에 발생한 수재해 사례를 분석하여 전국 도시·산지·소하천 돌발홍수 예측 시스템의 예측 정확도를 검증하였다. 돌발홍수 예측 시스템의 정확도 검증에는 총 31개의 수재해 사례를 적용하였고 예측 정확도는 Probability of Detection (POD) 기준으로 90.3%로 매우 높게 나타났다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2004년도 학술발표회
• /
• pp.111-123
• /
• 2004

Recently, though damage caused by intensive rainfall and typhoon happens frequently, we could not forecast or predict a disaster, due to the difficulty of obtaining exact information about it. For efficient disaster management, the most urgent need is the preparation of a flood forecast-warning system. Therefore, we need to provide a program that has the ability of inundation analysis and flood forecast-warning using a geographic information system, and using domestic technology rather than that from foreign countries. In this research, we constructed a FDMS(Flood Disaster Management System) that is able to analyze real-time inundation data, and usins the GIS(Ceographic Information System) with prompt analyzing of hydrologic-topographical parameters and runoff-computation. Moreover, by expressing inundation analysis in three-dimensions, we were able to get to the inundation area with ease. Finally, we expect that the application of this method in the (food forecast-warning system will have great role in reducing casualties and damage.

• 한국수자원학회논문집
• /
• 제50권8호
• /
• pp.537-549
• /
• 2017

본 연구에서는 기상청에서 제공하는 국지예보모델(LDAPS)과 일본 기상청의 중규모모델(Meso-Scale Model, MSM)을 이용하여 태풍 및 정체전선 등 3개의 강우사상과 남강댐 유역 내 산청 유역에 대해 강우 및 홍수 예측 정확도를 평가하고 비교 검토하였다. 강우예측 정확도 평가 결과, LDAPS와 MSM 모두 태풍 사상과 같은 광역적인 예측에 대해서는 예측 정확도가 높은 것으로 나타났으나, 정체전선과 같이 국지적으로 발생하는 강우사상의 경우 예측 오차가 많이 발생하는 것으로 나타났다. 홍수예측 정확도 평가 결과, 선행시간이 증가함에 따라 점점 예측 정확도가 향상되는 것을 확인할 수 있었으며, LDAPS와 MSM 모두 기상 및 수자원간의 연계를 통하여 강우 및 홍수 예측 분야에서의 활용 가능성을 확인할 수 있었다.

• 한국수자원학회논문집
• /
• 제45권11호
• /
• pp.1107-1119
• /
• 2012

본 연구의 목적은 도시하천으로 복원된 청계천유역의 실시간 홍수예보를 위한 flow nomograph를 개발하고, 실측자료를 통해 flow nomograph의 적용성을 검토하는데 있다. 본 연구의 적용대상 지역인 청계천 유역은 높은 불투수율, 짧은 도달시간 및 복잡한 수문학적 특성을 갖고 있어 기존 강우-유출 모형에 의한 홍수예측 방법의 선행시간 확보 측면에서 실효성을 거두지 못하고 있는 실정이다. 이에 본 연구에서는 홍수예보 선행시간을 확보하기 위해 강우정보만으로도 홍수예보가 가능한 flow nomograph를 개발하였다. Flow nomograph는 강우강도, 강우지속시간 등의 강우변수와 유량, 수위간의 상관관계를 구한 것이다. 본 연구에서는 Flow nomograph 개발과정에서 예보 기준 설정을 위해 홍수예보 지점을 선정하여 지점별 기준 홍수위를 산정하였으며, 다양한 홍수사상을 반영하기 위해 가상 강우시나리오를 설정하여 강우조건별 강우강도와 강우지속시간을 산정하였다. 또한 수위-유량관계 곡선식을 이용하여 기준 홍수위에 따라 홍수량 범위를 결정하고, SWMM모형을 이용하여 강우조건에 따른 지점별 홍수량을 산정하여 예보지점별로 기준홍수 위에 따른 홍수량을 산정하였다. 산정된 강우 시나리오에 따른 강우정보와 기준 홍수위에 따른 홍수량을 이용하여 flow nomograph를 개발하였으며, 이를 실제 홍수사상에 적용하여 평가하였다. 평가 결과 청계천 유역에 대해 flow nomograph의 적용성이 높은 것으로 나타났다. 향후 청계천과 같은 도시하천유역의 홍수예측 방법으로 활용도가 높을 것으로 판단된다.

• 대한토목학회논문집
• /
• 제26권6B호
• /
• pp.597-603
• /
• 2006

본 연구의 목적은 인공위성 자료와 지상의 관측자료간의 비선형 특성을 가장 잘 반영할 수 있는 신경망 모형을 이용하여 단시간 강우량 정보를 사전에 예측하여, 하천제방의 붕괴로 인한 상습 침수지역에서의 홍수범람 양상을 실시간으로 예측함으로써 홍수재해로부터의 피해를 최소화시키는데 있다. 강우예측 신경망 모형은 현재의 대기상태를 나타내는 인공위성 자료와 실시간으로 전송되는 자동기상관측소 자료를 입력자료로 하여 현재부터 3시간 및 6시간 선행시간까지의 면적평균강우량을 예측할 수 있도록 구성하였다. 신경망 모형의 구조는 입력층과 출력층 사이에 하나의 은닉층이 존재하는 다층 신경망으로 구성하였으며, 학습단계에서는 오류 역전파 알고리듬 학습방법 중 모멘텀법을 사용하였다. 예측된 면적평균강우량으로부터 홍수량을 산정하고, 이를 이용하여 하천의 제방붕괴로 인한 제내지에서의 범람양상을 예측할 수 있도록 1차원 흐름모형과 연계한 동역학적 홍수범람 모형을 개발하였다. 개발된 홍수범람 모형은 본류와 지류의 여러 지점에서 제방이 붕괴될 경우, 하도의 홍수위 및 제내지에서의 침수위와 침수면적이 일괄적으로 모의될 수 있도록 구성하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2007년도 학술발표회 논문집
• /
• pp.1427-1431
• /
• 2007

In this study, the new methodology which combines Kohonen self-organizing map(KSOM) neural networks model and the conventional neural networks models such as feedforward neural networks model and generalized neural networks model is introduced to forecast flood stage in Nakdong river, Republic of Korea. It is possible to train without output data in KSOM neural networks model. KSOM neural networks model is used to classify the input data before it combines with the conventional neural networks model. Four types of models such as SOM-FFNNM-BP, SOM-GRNNM-GA, FFNNM-BP, and GRNNM-GA are used to train and test performances respectively. From the statistical analysis for training and testing performances, SOM-GRNNM-GA shows the best results compared with the other models such as SOM-FFNNM-BP, FFNNM-BP, and GRNNM-GA and FFNNM-BP shows vice-versa. From this study, we can suggest the new methodology to forecast flood stage and construct flood warning system in river basin.

• 한국방재학회:학술대회논문집
• /
• 한국방재학회 2008년도 정기총회 및 학술발표대회
• /
• pp.669-673
• /
• 2008

In this study, the new methodology which combines Kohonen self-organizing map(KSOM) neural networks model and the conventional neural networks models such as feedforward neural networks model and generalized neural networks model is introduced to forecast flood stage in Nakdong river, Republic of Korea. It is possible to train without output data in KSOM neural networks model. KSOM neural networks model is used to classify the input data before it combines with the conventional neural networks model. Four types of models such as SOM-FFNNM-BP, SOM-GRNNM-GA, FFNNM-BP, and GRNNM-GA are used to train and test performances respectively. From the statistical analysis for training and testing performances, SOM-GRNNM-GA shows the best results compared with the other models such as SOM-FFNNM-BP, FFNNM-BP, and GRNNM-GA and FFNNM-BP shows vice-versa. From this study, we can suggest the new methodology to forecast flood stage and construct flood warning system in river basin.

• 정보처리학회논문지A
• /
• 제17A권4호
• /
• pp.197-202
• /
• 2010

관측소의 기록저장 장치는 수위계와 우량계로부터 5분 간격으로 측정된 데이터를 저장한다. 그리고 관측소의 RTU(Remote Terminal Unit)는 VHF와 위성통신을 이용하여 10분 간격으로 홍수통제소의 TM(Telemetering)으로 측정된 데이터를 전송한다. 이때 전송되는 데이터는 레코더에 저장된 전체 데이터가 아니라 10분 간격으로 측정된 데이터이다. 홍수 통제소에서는 수신된 데이터를 홍수예보를 위해 분석한다. 또한 중요한 점은 관측소의 유지보수이다. 본 논문에서는 홍수예보를 위한 효과적인 유지보수 시스템을 제안한다. 그것은 PDA의 CDMA와 Blutooth 기술을 사용하였다. 제안된 시스템은 휴대용이며 관측소에 저장된 데이터를 RTU없이 쉽게 홍수통제소로 전송할 수 있다. 또한 홍수통제소로 부터 전송 받아서 다른 지역의 관측소 데이터를 원격으로 볼 수 있다. 따라서 제안하는 시스템은 인력과 시간의 낭비를 줄여서 관측소의 유지 보수 업무를 효율적으로 할 수 있다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제15권5호
• /
• pp.1690-1707
• /
• 2021

Precipitation prediction during flood season has been a key task of climate prediction for a long time. This type of prediction is linked with the national economy and people's livelihood, and is also one of the difficult problems in climatology. At present, there are some precipitation forecast models for the flood season, but there are also some deviations from these models, which makes it difficult to forecast accurately. In this paper, based on the measured precipitation data from the flood season from 1993 to 2019 and the precipitation return data of CWRF, ANN cycle modeling and a weighted integration method is used to correct the CWRF used in today's operational systems. The MAE and TCC of the precipitation forecast in the flood season are used to check the prediction performance of the proposed algorithm model. The results demonstrate a good correction effect for the proposed algorithm. In particular, the MAE error of the new algorithm is reduced by about 50%, while the time correlation TCC is improved by about 40%. Therefore, both the generalization of the correction results and the prediction performance are improved.