• 한국수자원학회논문집
• /
• 제54권6호
• /
• pp.419-431
• /
• 2021

최근 서울시의 강수특성이 변하고 있으며, 폭우의 발생빈도와 강도가 점차 증가 추세임이 확인되고 있다. 또한, 대부분의 지역이 도시화가 이루어져 불투수 비율이 높고 인구와 재산이 밀집되어 있어 폭우 발생 시 직접유출에 의한 홍수피해가 가중되고 있는 실정이다. 서울시는 이러한 홍수피해에 적극적으로 대응하기 위하여 침수취약지역 해소사업을 추친 중이며, 구조물적·비구조물적 다양한 대응책을 제시하고 있다. 본 연구에서는 서울시의 미래 기후변화영향을 고려한 수공구조물의 방재성능 목표 설정을 위하여 29개의 GCM의 강수량자료를 활용하여 자료 기간을 단기(2006-2040, P1), 중기(2041-2070, P2), 및 장기(2071-2100, P3)로 구분하여 RCP4.5와 RCP8.5 시나리오에 대한 시공간적 상세화를 실시하였다. 공간상세화는 기상청에서 관리하는 서울관측소의 강우량을 기준으로 GCM의 일자료를 Quantile Mapping을 통하여 처리하였으며, 시간 상세화는 K-Nearest Neighbor Resampling 방법과 유전자알고리즘 방법을 이용한 비매개변수 시간상세화 기법을 통하여 일자료를 시간자료로 상세화하였다. 시간상세화를 통해 각 GCM 시나리오별로 100개의 상세화 시나리오가 산출되어 총 2,900개의 상세화 시나리오를 바탕으로 IDF 곡선을 산출하고 이를 평균하여 미래 극치 강우량의 변화를 산출하였다. 산정결과, 재현기간 100년 지속시간 1시간의 확률강우량은 RCP4.5 시나리오에서 8~16%의 증가 특성을 보이고 있음을 확인하였으며 RCP8.5 시나리오의 경우 7~26%의 증가가 이루어짐을 확인하였다. 본 연구결과는 서울시의 미래 기후변화를 대비한 설계강우량 산정 및 수준목표별 수방정책을 수립하는데 활용이 가능할 것으로 판단된다.

• 한국수자원학회논문집
• /
• 제51권3호
• /
• pp.263-272
• /
• 2018

수공구조물 설계시 실측 유량의 자료 부족으로 홍수량의 빈도해석 결과보다는 강우자료를 수집하여 강우-유출 관계에 따라 산정된 설계강우량을 이용하여 특정 빈도에 해당하는 설계 홍수량을 사용하는 것이 일반적이다. 과거에는 첨두유량 산정을 위하여 합리식과 같은 경험식을 이용하였으나 지속기간이 장기화됨에 따라 실제 사상과는 다른 유출양상이 나타나게 되므로 확률강우량 시간분포의 정확성이 중요하게 되었다. 현재 실무에서는 설계강우량의 시간분포 방법으로 Huff의 4분위 방법 중 3분위를 사용하고 있으며 분위별 곡선에 대한 회귀식은 지속기간 전반에 걸쳐 정확도가 높은 이유로 6차식을 적용하고 있다. 그러나 통계 모델링에서는 간결함의 원리에 따라 회귀식이 간결할 필요가 있으며, 통계적 유의수준에 기초하여 회귀계수를 결정할 필요가 있다. 따라서 본 연구에서는 기상청 관할 69개 강우관측지점을 대상으로 설계강우량의 시간분포 방법으로 사용되고 있는 Huff 4분위 방법의 시간분포 회귀식에 대한 유의성 검정을 실시하였다. 기상청 관할 69개 강우관측지점의 Huff 4분위 방법의 시간분포 회귀식의 유의성 검정결과 대부분의 지점에서 4차식까지 회귀계수가 유의한 것으로 나타나 통계학적으로 Huff의 4분위 방법의 시간분포 회귀식은 4차까지만 고려하여도 무방한 것으로 분석되었다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1107-1118
• /
• 2021

지구온난화로 인해 발생한 기후변화는 한반도의 홍수, 가뭄 등의 발생빈도를 증가시켰으며, 이로 인해 인적, 물적 피해가 증가한 것으로 나타났다. 수재해 대비 및 대응을 위해서는 국가 차원의 수자원 관리 계획 수립이 필요하며, 유역 단위 수자원 관리를 위해서는 장기간 관측된 유량 자료를 이용하여 도출된 유량지속곡선이 필요하다. 전통적으로 수자원 분야에서 유량지속곡선을 도출하기 위하여 물리적 기반의 강우-유출 모형이 많이 사용되고 있으며, 최근에는 데이터 기반의 딥러닝 기법을 이용한 유출량 예측 기법에 관한 연구가 진행된 바 있다. 물리적 기반의 모형은 수문학적으로 신뢰도 높은 결과를 도출할 수 있으나, 사용자의 높은 이해도가 요구되며, 모형 구동 시간이 오래 걸릴 수 있는 단점이 있다. 데이터 기반의 딥러닝 기법의 경우 입력 자료가 간단하며, 모형 구동 시간이 비교적 짧으나 입력 및 출력자료 간의 관계가 블랙박스로 처리되어 수리·수문학적 특성을 반영할 수 없는 단점이 있다. 본 연구에서는 물리적 기반 모형으로 국내외에서 적용성이 검증된 Soil Water Assessment Tool (SWAT)의 매개변수 보정(Calibration)을 통해 장기간의 결측치 없는 데이터를 산출하고, 이를 데이터 기반 딥러닝 기법인 Long Short-term Memory (LSTM)의 훈련(Training) 데이터로 활용하였다. 시계열 데이터 분석 결과 검·보정 전체 기간('07-'18) 동안 Nash-Sutcliffe Efficiency (NSE)와 적합도 비교를 위한 결정계수는 각각 0.04, 0.03 높게 도출되어 모형에서 도출된 SWAT의 결과가 LSTM보다 전반적으로 우수한 것으로 나타났다. 또한, 모형에서 도출된 연도별 시계열 자료를 내림차순하여 산정된 유량지속곡선과 관측유량 기반의 유량지속곡선과 비교한 결과 NSE는 SWAT과 LSTM 각각 0.95, 0.91로 나타났으며, 결정계수는 0.96, 0.92로 두 모형 모두 우수한 성능을 보였다. LSTM 모형의 경우 저유량 부분 모의의 정확도 개선이 필요하나, 방대한 입력 자료로 인해 모형 구축 및 구동 시간이 오래 걸리는 대유역과 입력 자료가 부족한 미계측 유역의 유량지속곡선 산정 등에 활용성이 높을 것으로 판단된다.