최근 기후변화 및 유역개발로 인하여 메콩강 유역의 수문환경이 급격히 변화하고 있으며, 메콩강을 공유하는 국가의 수재해 예방 및 지속가능한 수자원개발을 위해서는 메콩강 주요지점에서의 유량 정보의 분석 및 예측이 요구된다. 본 연구에서는 물리적 기반의 수문모형인 SWAT과 데이터기반 딥러닝 알고리즘인 LSTM을 이용하여 메콩강 하류 Kratie 지점의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장 ․ 단점을 비교 ․ 분석한다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며 warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝 오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie 지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다. 두 모형의 모의성능 비교 ․ 검토를 위하여 모의기간에 대해 NSE (Nash-Sutcliffe Efficiency)을 산정한 결과, SWAT은 0.9, LSTM은 보다 높은 0.99의 정확도를 나타내는 것으로 분석되었다. 메콩강과 같은 대유역의 특정 지점에 대한 수문시계열 자료의 모의를 위해서는 다양한 입력자료를 요구하는 물리적 수문모형 대신 선행시계열자료의 변동성을 기억 ․ 학습하여 이를 예측에 반영하는 LSTM 기법 등 데이터기반의 심층신경망 모형의 적용이 가능할 것으로 판단된다.

We illustrate in the current study that fitting a univariate time series model to each extracted component might end up with the underestimation of the serial dependence that the observation data might contain. A alternative for parameter estimation is suggested to preserve the serial dependence of the observation variable using the relationship between the observation variable and the decomposed variable. The case study of the Upper Colorado River basin shows that some improvement is made through the suggested alternative.

본 연구는 기상청에서 실시간으로 생산하고 있는 레이더-AWS 강우강도(RAR) 자료의 유출모의 적용성을 평가하고자 하는데 그 목적이 있다. 춘천댐 상류유역(4859.73 )을 대상유역으로 선정하고 5개소유역에 대한시단위 AWS와 RAR 유역평균강우량을 산정하였다. 미계측 유역에서는 AWS와 RAR의 상관성이 낮고 계측유역에서는 높은 것으로 나타났다. 시단위 AWS와 RAR 유역평균 강우량은 강우분포형태에 따라차이가 크게 발생하는 것으로 나타났다. 두 자

여러 소하천으로 이루어지는 수계에서 복잡한 물수지 요소가 여러 지점에서 발생하는 하천 말단 특히 감조지역에 수자원 시설물을 설치하고자 할 때 유입량의 추정이 문제가 되며 물수지 요소의 변동에 따라 말단의 유출량이 영향을 받는다. 이러한 문제는 하천의 유입.유출요소의 정형화를 필요로하며 소유역의 일유출량 추정 모형을 필요로 한다. WWASS 모형은 일별 유입량과 펼요수량 추정 모형으로써 DIROM을 사용하고 있고 물수지 요소들을 하천의 조절점(contro