For the purposes of enhancing usability of Numerical Weather Prediction (NWP), the quantitative precipitation prediction scheme by machine learning has been proposed. In this study, heavy rainfall was corrected for by utilizing rainfall predictors from LENS and Radar from 2017 to 2018, as well as machine learning tools LightGBM and XGBoost. The results were analyzed using Mean Absolute Error (MAE), Normalized Peak Error (NPE), and Peak Timing Error (PTE) for rainfall corrected through machine learning. Machine learning results (i.e. using LightGBM and XGBoost) showed improvements in the overall correction of rainfall and maximum rainfall compared to LENS. For example, the MAE of case 5 was found to be 24.252 using LENS, 11.564 using LightGBM, and 11.693 using XGBoost, showing excellent error improvement in machine learning results. This rainfall correction technique can provide hydrologically meaningful rainfall information such as predictions of flooding. Future research on the interpretation of various hydrologic processes using machine learning is necessary.

This research aims at comparing the accuracy of flood discharge estimation. For this, we focused on the Oedo watershed of Jeju Island and compared flood discharge by analyzing the values as follows: (1) the concentration of the lumped model (HEC-HMS) and distributed model (Vflo), and (2) the in-situ data using Fixed Surface Image Velocimetry (FSIV). The flood discharge estimation from the HEC-HMS model is slightly larger than the Vflo model results. This result shows that the estimations of the HEC-HMS are larger than the flood discharge data by 4.43 to 36.24% and that of the Vflo are larger by 8.49 to 11%. In terms of the error analysis at the peak discharge occurrence time of each mapping, HEC-HMS is one hour later than the measured data, but Vflo is almost the same as the measured data.

최근 기후변화로 인하여 발생하는 기상재해 및 위험기상 현상의 대비를 위하여 조밀한 시공간적 해상도를 갖는 레이더 강우가 활용되고 있지만 널리 사용되는 Marshall-Palmer의 Z-R 관계식으로 추정된 레이더 강우는 과소추정의 문제점이 있다. 본 연구는 이러한 문제점을 해결하기 위하여 분위회귀 분석기법을 통한 레이더 강우자료 편의보정 기법과 Copula 함수를 연계한 강우자료 확충기법을 개발하였다. 본 연구에서 개발된 모형을 통하여 편의가 보정된 시계열 레이더 강우자료 효율을 통계적으로 분석한 결과 우수한 모형성능을 확인하였으며 Copula 기법을 이용하여 지상강 우 및 레이더 강우자료를 확충한 결과 기존의 강우특성을 현실적으로 재현하는 것을 확인하였다. Copula 기법을 통한 강우자료 확충기법은 레이 더 강우의 오차분포를 평가하는데 유용하게 활용될 것으로 판단된다.

레이더 강우의 편의 추정은 근본적으로 레이더 강우의 평균과 참값으로 가정되는 우량계 강우의 평균과의 차이를 결정하는 문제이다. 두 관측치의 차이를 정확히 결정하기 위해서는 두 관측치의 차이에 대한 분산이 매우 작아야 하며, 따라서 비교되는 관측치의 수가 충분히 확보되어야 한다. 즉, 이 문제는 두 관측치의 차이에 대한 분산의 규모를 주어진 조건에 맞추기 위해 필요한 우량계의 수를 결정하는 것이 된다. 본 연구에는 특히 일부 지역에만 우량계의 설치가 가능