SWMM(Storm Water Management Model)은 모형 내 다양한 매개변수를 이용하여 지표 투수율 및 하수관거 영향 등 도시 유역의 유출 특성을 비교적 정확하게 모의하지만, 모형의 입력자료 부족과 매개변수의 불확실성으로 인한 신뢰성 문제가 대두되고 있다. 이러한 문제점을 해소하기 위해 본 연구에서는 SWMM 모형에 Bayesian 기법을 연계한 최적화 기법을 개발하고, 이를 활용하여 매개변수의 불확실성을 정량적으로 해석하고자 한다. 이를 위해 먼저 유출 특성에 민감한 매개변수를 민감도 분석을 통해 선정하고, SCE-UA(Shuffled Complex Evolution-University of Arizona), MCMC(Markov Chain Monte Carlo), DDS(Dynamically Dimensioned Search) 등 매개변수 최적화 기법을 적용하여 매개변수의 초기값을 설정한다. 매개변수의 다양한 물리적 범위를 고려하기 위한 방법으로 절단 정규분호(truncated Gaussian distribution)을 사전분포(prior)로 선정하여 매개변수의 사후분포(posterior)를 추정하게 된다. 최종적으로 각 매개변수간 사후분포를 이용하여 모의된 유출량의 불확실성을 정량적으로 분석하였다.

일반적으로 국지성 집중호우로 인한 산지하천의 돌발홍수 및 도심지의 침수 피해 등을 방지하기 위한 설계에는 포아송 클러스터 강우생성 모형(Poisson Cluster Rainfall Generation Model)과 같은 강수모의발생기법이 이용된다. 그러나 강수량의 1, 2차 모멘트 이상의 통계적 특성을 효과적으로 재현되지 못하고 극치강수량이 관측값에 비해 현저하게 과소 추정되는 등의 문제점이 있으며, 평균적인 강수량과 극치강수량의 통계적 분포특성을 동시에 구현하는 데 어려움이 있다. 이에 본 연구에서는 포아송 클러스터 강우생성 모형 중 공간상의 한 점에 대한 연속시간 강수모형으로 일 단위 이하 강수의 통계적 특성을 재현하는데 유용하다고 알려진 Modified Bartlet-Lewis Rectangular Pulse(MBLRP) 모형에 Bayesian MCMC(Markov Chain Monte Carlo)기법을 연계한 Bayesian MBLRP 모형을 제안하고자 한다. Bayesian MBLRP 모형은 각 매개변수간 결합확률분포를 계산하여 매개변수의 사후분포를 추정하며 이들 사후분포로부터 Monte Carlo 모의를 통해 다양한 시간 규모에서 극치값을 효과적으로 복원할 수 있었다. 사후분포로부터 추정된 강우시나리오는 강우-유출모의 시 유출되는 홍수량 및 홍수위에 대한 불확실성 범위를 정량적으로 제공하는 등 다양한 수문학적 문제에 적용이 가능할 것으로 판단된다.

본 연구에서는 계층적 Bayesian 기법을 이용한 새로운 지역빈도해석 모형을 개발하는데 목적이 있으며 이를 통해서 신뢰성 있는 매개변수를 추정과 동시에 지역빈도해석 절차의 불확실성 평가를 용이하게 접근할 수 있도록 하였다. 본 연구에서 제안되는 계층적 Bayesian 기반 지역빈도해석 모형(HBRFA)의 적합성을 평가하기 위해서 모의실험을 수행하였다. 즉, 10개의 모의 관측소를 대상으로 Monte-Carlo 모의를 통한 평가를 수행하였으며 전체적으로 HBRFA 모형이 기존 L-모멘트 방법에 비해 편의를 줄여주는 것으로 평가되었다. 특히 재현기간이 증가될수록 편의가 두드러지게 감소되는 것을 확인할 수 있었다. 전라북도의 6개 강우지점을 대상으로 HBRFA 모형과 기존 L-모멘트 기반 지역빈도해석 결과를 비교하였다. 계층적 Bayesian 모형의 특징을 평가하고자 매개변수의 Shrinkage 과정을 정량적으로 도출하여 제시하였으며 추정된 지역확률강수량이 기존 L-모멘트 기법과 유사한 결과를 갖는 것을 확인할 수 있었다. 더불어 빈도별 확률강수량의 불확실성을 정량적으로 제시할 수 장점을 확인할 수 있었다.

본 연구에서는 국내외에서 범용되고 있는 단일강우사상 모형인 미육군공병단의 HEC-1 모형을 이용하여 대청댐 유역의 실측 강우-유출 사상을 중심으로 강우-유출 모의를 수행하였으며, 매개변수 검정에는 실제 대청댐의 시간당 유입량을 기준으로 검정을 실시하였다. HEC-1 모형에는 매개변수를 자동으로 최적화시키는 프로그램이 내장되어 있으나 본 연구의 대상유역과 같이 다수의 소유역이 있는 경우, 매개변수 추정시 매개변수 중 일부는 수렴되지 못하고 발산하는 문제가 있었으며, 첨두유량의 추정능력 역시 저하되는 문제를 보였다. 따라서 이러한 HEC-1 모형의 매개변수의 불확실성을 고려하기 위한 방안으로 Bayesian 모형을 HEC-1모형에 연동시켜 활용하였으며, 기존 HEC-1 강우-유출 모형에 적용할 수 있는 매개변수 최적화 및 불확실성 정량화를 위해 HEC-1 강우-유출 모형 매개변수는 SCS 1개, Clark 단위도 2개를 Bayesian MCMC 기법을 적용하여 매개변수간 조건부확률로 모의발생을 한 후, Bayesian 모형으로부터 각 매개변수의 사후분포(posterior distribution)를 추정하여 사후분포의 추정이 매개변수의 불확실성 정량화를 수행하였다. 본 연구를 통해 제안된 BHEC-1 모형을 대상으로 대청댐 유역에 실측 강우-유출 사상에 대해서 모형의 적합성을 평가한 결과, 7개 유역의 21개의 매개변수가 해의 발산 없이 안정된 매개변수 추정이 가능하였다. 한편, Bayesian 모형을 근간으로 하기 때문에 최종결과로서 매개변수들의 사후분포(posterior)의 추정이 가능하여 향후 홍수빈도곡선 유도, 댐 위험도분석과 기후변화 문제와 같은 다양한 수문학적 문제의 연구에 적용 가능할 것으로 전망된다.

본 연구에서는 국내외에서 대표적으로 이용되는 HEC-1 단일강우사상 모형과 연동할 수 있는 Bayesian Markov Chain Monte Carlo(MCMC) 기반의 Bayesian HEC-1(BHEC-1) 통합 모델을 개발하였다. 본 연구를 통해 제안된 BHEC-1 모형을 대상으로 대청댐 유역에 실측 강우-유출 사상에 대해서 모형의 적합성을 평가하였으며, 7개 유역의 21개의 매개변수를 동시에 추정한 결과 해의 발산 없이 안정된 매개변수 추정이 가능하였다. 또한 Bayesian 모형을 근간으로 하기 때문에 최종결과로서 매개변수들의 사후분포(posterior)의 추정이 가능하여 강우-유출 모형 매개변수의 불확실성을 정량화 할 수 있었으며 이를 통해 모형과 입력 자료가 가지는 불확실성을 효과적으로 파악할 수 있었다.