In this study, the prediction technology of Hydrological Quantitative Precipitation Forecast (HQPF) was improved by optimizing the weather predictors used as input data for machine learning. Results comparison was conducted using bias and Root Mean Square Error (RMSE), which are predictive accuracy verification indicators, based on the heavy rain case on August 21, 2021. By comparing the rainfall simulated using the improved HQPF and the observed accumulated rainfall, it was revealed that all HQPFs (conventional HQPF and improved HQPF 1 and HQPF 2) showed a decrease in rainfall as the lead time increased for the entire grid region. Hence, the difference from the observed rainfall increased. In the accumulated rainfall evaluation due to the reduction of input factors, compared to the existing HQPF, improved HQPF 1 and 2 predicted a larger accumulated rainfall. Furthermore, HQPF 2 used the lowest number of input factors and simulated more accumulated rainfall than that projected by conventional HQPF and HQPF 1. By improving the performance of conventional machine learning despite using lesser variables, the preprocessing period and model execution time can be reduced, thereby contributing to model optimization. As an additional advanced method of HQPF 1 and 2 mentioned above, a simulated analysis of the Local ENsemble prediction System (LENS) ensemble member and low pressure, one of the observed meteorological factors, was analyzed. Based on the results of this study, if we select for the positively performing ensemble members based on the heavy rain characteristics of Korea or apply additional weights differently for each ensemble member, the prediction accuracy is expected to increase.

In this study, instead of economic estimation of forecast value, we evaluated the value score(VS) of the user satisfaction using the concept of satisfaction/dissatisfaction. We compared the collective Value Scores (cVS) based on outputs of probabilistic forecasts of precipitation seasonally in Seoul and Busan during the period of 2004 to 2013 and ÿnally found the optimum threshold that can improve cVS of both cities. When using 30% threshold, the users can expect a higher cVS compared with those using other thresholds. When using the seasonal optimum threshold in Seoul, the cVS is additionally higher by 9%. These results show the level of satisfaction of the forecast that can be improved when the meteorological communities inform the users the correct threshold of the rainfall probabilistic forecast.

매년 우리나라는 돌발홍수나 게릴라성 폭우 등으로 인한 피해가 반복되고 있으며 최근에는 산지 및 하천 주변 등 자연재해에 취약한 지역뿐 아니라 비교적 방재대책이 잘 갖춰져 있다고 볼 수 있는 도심지역까지 확대되고, 그 피해도 증가하고 있다. 기존의 재난상황관리는 기상 특보에 따른 상황대기와 피해상황 발생에 따른 긴급 대응 및 복구 체계로, 선제적 재난대응을 통한 피해저감에는 한계가 있었다. 이를 극복하고자 소방방재청에서는 “재해상황분석판단시스템”을 구축하여 과학적이고 선제적인 재난대응을 도모하고 있다.재해상황분석판단시스템에서는 피해 발생이전에 재난대응을 위해서 기존의 실황자료 외에 초단기 강우예측자료(MAPLE), 동내예보 등을 활용하며, 상황관리에 사용할 수 있는 정확도를 확보하기 위해 예측강우를 다양한 형태로 보정하여 활용하고 있다.기존 기법과 재난관련 경험을 융합한 강우보정을 통해 정확도를 검증한 결과, 최대 3시간전 예측된 강우량의 정확도가 오차 ±20% 이내에서 70% 수준으로 분석되어 재난상황관리에 활용 가능성이 높음을 확인하였다.

본 연구는 AWS 관측강우정보를 이용하여 실시간 유량예측을 수행할 경우 적용가능한 예측선행시간 및 정확도를 평가하고자 하는데 그 목적이 있다. 이를 위해 남한강 상류유역을 대상유역으로 선정하였으며 2006∼2009 홍수기간에 대해 SURF 모형을 구축하였다. 관측유량 자료동화 수행 유무에 따른 모의유량은 관측유량을 잘 모의하며 유효성지수를 이용하여 자료동화 효과를 분석한 결과에서 충주댐 32.08%, 달천 51.53%, 횡성 39.70%, 여주 18.23%가 개선된 것으로 나타났다. 첨두유량 발생시간 이전 가상의 현재시점까지의 AWS 관측강우정보를 이용하여 유량예측 적용성을 평가한 결과 허용오차 20% 범위 내에서 첨두유량은 충주 11시간, 달천 2시간, 횡성 3시간, 여주 5시간, 유출용적은 충주 13시간, 달천 2시간, 횡성 4시간, 여주 9시간 이내에서 예측이 가능한 것으로 나타났다. 따라서 유역의 지체효과로 인해 관측강우만을 이용하여 적정 예측시간에 대해서 실시간 첨두유량 예측이 가능할 것으로 판단된다.

본 연구에서는 상층기상자료, 자동 기상 관측망 자료 및 신경망기법을 사용하여 단시간 강우 예측 모형을 개발하였다. 호우를 동반한 이송 기상 시스템의 이동 경로가 라디오존데로부터 획득할 수 있는 상층기상 자료 즉 상층 풍향자료와 동일한 방향으로 이동한다는 가정 하에 원거리에서 발생하는 기상현상의 발달과정을 판단 할 수 있는 알고리즘을 개발하고, 이러한 원거리 입력 자료와 예측하고자 하는 값 사이의 비선형 상관관계를 연결하는 기법으로 인공 신경망 기법을 도