유역의 신뢰성 있는 수자원계획을 수립하기 위해서는 장기간의 강수자료가 필수적으로 요구된다. 그러나 시간강수시계열의 경우 결측치가 상대 적으로 많으며, 연속적인 시계열을 확보하는데 어려움이 있다. 이러한 점에서 본 연구에서는 대표적인 시간강수모의기법인 Neyman-Scott Rectangular Pulse Model (NSRPM) 기반의 강수모의기법을 활용하여, 모의기반의 장기강수자료를 생산할 수 있는 기법을 개발하고자 한다. 이 와 더불어, 신뢰성 있는 면적강수량을 추정하기 위한 방안으로 유역 내 여러 지점의 강수량을 동시에 모의할 수 있는 다지점 시간강수모의기법을 개발하였다. 개발된 모형은 서울 우이천 유역 강수지점에 적용하여 모형의 적합성을 평가하였다. 모형 적용결과 다양한 지속시간에 대해서 강수량 의 효과적인 모의(평균, 분산, 1차 자기상관계수)가 가능하였으며, 지점간의 공간성도 효과적으로 복원 가능하였다.

본 연구에서는 유역의 공간상관성을 고려한 다지점 일단위 강수량을 동시에 모의할 수 있는 일강수량 모의기법을 개발하였다. 기존 Hidden Markov Chain Model(HMM)은 단일지점 강수모의에 적용되어 왔으나 관측지점간의 유역상관성을 충분히 고려하지 못하는 문제점을 가지고 있다. 따라서 본 연구에서는 Chow-Liu Tree(CLT) 모형을 적용하여 다변량(multivariate) 형태로써 유역내에 위치한 강우관측소간의 상호종속성을 고려하기 위하여 기존의 동질성 HMM 강우모의기법과 CLT 알고리즘을 결합한 동질성 CLT-HMM 모형을 개발하였다. 본 연구에서 개발된 동질성 CLT-HMM 모형을 사용하여 장기간의 수문자료를 보유하고 있는 기상청 산하의 한강유역 강수네트워크에 대해서 적합성을 검토하였다. 동질성 CLT-HMM 모형을 적용하여 모의 된 결과를 보면 일강수량의 계절적 특성뿐만 아니라 일강수량 모의 시 강수시계열의 통계적인 특성들까지 우수하게 모의하였다. 추가적으로 상관행렬(correlation matrix)을 이용하여 기상관측소간의 공간상관 재현성을 검토한 결과 관측지점들 사이의 공간상관성도 비교적 우수하게 재현하는 것을 확인할 수 있었다.

For the prediction of multi-site rainfall with radar data and ground meteorological data, a rainfall prediction model was proposed, which uses the neural network theory, a kind of artifical intelligence technique. The input layer of the prediction model was constructed with current ground meteorological data, their variation, moving vectors of rainfall field and digital terrain of the measuring site, and the output layer was constructed with the predicted rainfall up to 3 hours. In the application of the prediction model to the Pyungchang river basin, the learning results of neural network prediction model showed more improved results than the parameter estimation results of an existing physically based model. And the proposed model comparisonally well predicted the time distribution of rainfall.