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.

댐 위험도 해석시 수문학적 변량(강수, 유출 및 수위)들의 상호관계를 고려한 체계적인 분석과정이 요구된다. 그러나 기존 댐 위험도 해석 연구에서는 변량간의 체계적인 관계 평가를 수행하는데 있어서 한계점을 나타내고 있다. 이러한 점에서, 본 연구에서는 수리·수문학적 변량간의 관계를 효과적으로 평가하고자 Bayesian Network 기반의 댐 위험도 해석 기법을 개발하였다. 실제 댐에 대해서 제안된 모형을 적용한 결과 파괴인자간의 상호관계 규명 및 불확실성을 평가하는데 있어서 기존 연구보다 쉽게 가장 큰 파괴인자를 파악할 수 있는 장점이 있었다. 이와 더불어 다양한 시나리오에 따른 댐의 안정성을 파괴확률 및 예상피해의 함수인 위험도로 평가할 수 있도록 하였다. 즉, 기존 댐 위험도 기법으로 수행한 결과에서는 월류 확률이 도출 되지 않았지만, Copula 함수를 도입하여 댐 초기수위를 고려한 결과 댐 월류 확률이 발생하였 으며, 피해결과 역시 크게 증가하고 있는 것을 확인할 수 있었다. 이러한 결과를 기반으로 향후 댐의 보수보강 등의 우선순위 결정을 위한 도구로서 활용이 가능할 것으로 판단된다.

In this study, hydrological safety vulnerability assessment on dam facilities was estimated using dams' hydrological safety evaluation result and in-depth inspection assessment score and grade. Multi Criteria Decision Making was used for vulnerability ranking decision on dams', and assessment scores and weights of hydrological safety evaluation were applied as payoff matrix and weight coefficient. It can be available for calculating dam’s vulnerability ranking considered dams' hydrological safety.

본 연구에서는 ESP (Ensemble Streamflow Prediction)기법을 활용한 가뭄전망 체계를 구축하고 가뭄예보에 있어 활용성을 평가하였다. 과거 관측 수문기상 및 지형정보를 이용하여 우리나라 전역에 지면모델(Land Surface Model, LSM)을 구축하고 유출량(Historical Runoff, HR)을 생산하였다. 또한, 모의기간 동안 과거 30개 기상자료와 초기 토양수분량을 이용하여 선행시간별(1, 2, 3개월) 전망된 유출량(Predicted Runoff, PR)을 생산하였다. 평가결과 여름 및 가을철 보다 봄철 및 겨울철에 정확도가 높았으며, 1개월 전망 이후로는 정확도가 낮게 나타났다. 가뭄지수는 국내 가뭄해석에 있어 검증된 표준유출지수(Standardized Runoff Index, SRI)를 활용하였으며, PR_SRI을 산정 및 평가하였다. 1, 2개월 전망에서는 과거 HR이 고려되어 ESP HR에 비해 정확도가 크게 개선됨을 알 수 있었다. 선행시간별 상관계수는 평균 0.71, 0.48, 0.00, 평균제곱근오차는 0.46, 0.76, 1.01로 나타났으며, 건조기에 정확도가 높게 나타나 1, 2개월 전망까지는 ESP를 활용한 국내 가뭄예보의 활용성이 높다고 판단된다.

수문학적 해석에 필요한 기본 자료인 강우 자료의 취득 방법 중 지상관측소는 강우량을 직접 관측하기 때문에 실측 강우량 정보를 얻는 장점이 있으나, 현업에서 필요한 면적강우량을 얻기 위해서는 다수의 관측소를 설치해야 하는 단점이 있다. 한편, 강우레이더는 넓은 범위의 강우량을 실시간으로 취득할 수 있으며, 특히 공간적으로 한정되어 발생하는 국지성 돌발홍수의 원인이 되는 단기 집중 호우를 추적하기 용이한 장점이 있다. 따라서 본 연구에서는 기상청에서 편차 보정과 품질 관리가 이루어지고 있어 상당한 신뢰 수준을 확보하고 있고, 현장에서 쉽게 제공 받을 수 있는 강우레이더 영상인 CAPPI (Constant Altitude Plan Position Indicator) 합성영상으로부터 유역 평균 강우를 추출하는 방법으로서 기존의 연산 방법인 레스터 방식에서 벗어나 소유역에도 적용될 수 있는 벡터 방식의 영상 추출 기법 CIVCOM을 제시하고 추출된 자료의 타당성을 비교 검토하였다.

고해상도의 시공간 분해능을 갖는 레이더 추정강우는 특히 강우계가 설치되어 있지 않은 지역에서 수문학적 활용에 유용한 정보를 제공할 수 있으나, 레이더 관측자료는 기본적으로 많은 오차 요소를 포함하고 있다. 이러한 이유로 레이더 자료를 특정한 목적에 활용하기 위해서는 그 목적에 적합한 자료의 평가가 요구된다. 본 연구에서는 레이더 추정강우의 수문학적 활용을 위한 정성적, 정량적 정확도 평가 방법 및 절차를 제안하고자 한다. 제안한 방법의 적용을 위해 진도

본 연구에서는 관악산 레이더 자료로부터 소양강 유역에서 최적 추정된 레이더 강우로 준분포형 TOPMODEL의 적용성을 평가하고 Monte Carlo난수발생 기법과 연계한 앙상블 유량모의 기법을 구축하여 레이더 추정강우가 가질 수 있는 불확실성이 수문모형에 미치는 영향을 모형의 매개변수와 연계하여 분석하였다. 레이더 추정강우를 활용하여 소양강 유역의 유량계산을 2003년 7월의 사례기간 동안 수행한 결과 실시간 편차보정 기법으로 수정된 레이더 입력강우의

본 연구의 목적은 기상 레이더의 수문학적 활용성을 높이고자 최적의 레이더 강우를 추정하기 위해 관악산 레이더 자료를 대상으로 POD 분석기법을 활용하여 지형클러터 및 빔 차폐영역 등을 제거하고 Marshall-Palmer의 Z-R 관계식으로 레이더 강우를 추정한 결과 강우계 관측강우와 비교하여 시공간적으로 과소 모의하는 것으로 나타났다. 이러한 결과를 바탕으로 강우계 관측강우와의 실시간 보정기법을 소양강 유역을 대상으로 적용한 결과 평균 G/R 값은 로