선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 도시 유역의 대표적인 홍수유출 모형인 SWMM의 자동 보정에 목적을 두고 있다. 미 환경보존국(Environmental Protection Agency; EPA)의 지원 아래 개발된 SWMM은 도시유역 내에서 강우사상으로 인해 발생하는 지표면 및 지표하 흐름, 배수관망에 대한 유출량추적, 저류지 모의, 과적(surcharge)흐름, 배수(backwater), 압력류, 오염물질에 대한 처리 등을 모의할 수 있다(Huber and Dickinson, 1988).
- 본 연구에서는 집합체 혼합진화 알고리즘을 이용하여 SWMM의 홍수유출에 관한 자동 보정을 수행하였다. SWMM의 자동 보정은 도시유역인 서울의 구로1 빗물펌프장 배수유역을 대상으로 하였고, 모형 보정 및 검증에 사용된 유역 유출량은 빗물펌프장의 운영 실적을 이용하여 추정하였다.
- 본 연구에서는 하나의 배수유역에 대하여 제한된 홍수 사상에 대한 해석만을 수행하여 결과를 도출하였다. 이로 인해 대상유역에 대한 대표 매개변수의 추정을 통한 검증과 개발된 모형의 임의 유역에 대한 범용성은 검토되지 못하였다.
- 연구에서는 관측 및 계산된 첨두유량의 오차와 수문곡선의 오차를 최소화하는 두 가지의 목적함수를 Eq. (2)와 같이 가중치를 동일하게 적용하여 결합하였고, 최적해를 찾아가는 과정에서 도출된 결과를 비교하여 파레토 최적해를 결정하였다.
- 최근에는 우리나라에서도 도시유역의 홍수유출 해석에 있어 SWMM을 사용하도록 권장하고 있다(한국수자원학회, 2009; 토지주택연구원, 2010). 이러한 SWMM은 많은 물리적인 매개변수에 기반하고 있어 비교적 신뢰적인 결과를 제공한다. 동시에 불명확한 매개변수도 다수 존재하므로 사용자의 매개변수 추정이 요구된다.
- 단일 목적함수별 자동 보정 결과는 Table 5와 같다. 자동 보정의 효과를 확인하기 위해 자동 보정 전의 결과도 함께 제시하였다. 자동 보정 전의 결과는 Table 7에 제시된 매개변수의 초기값에 의해 도출된 결과이다.
가설 설정
- 연구에서 선정한 추정 대상 매개변수는 총 11개이고, 후술되는 Table 7에 제시되어 있다. Table 7에 제시된 매개변수 가운데 불투수지역의 면적비, 유역폭, 불투수 유역 중 지면 저류가 없는 지역의 면적비는 임의로 범위를 가정하였고, 나머지 매개변수들은 여러 문헌을 이용하여 적정 범위를 도출하였다. 이 가운데 불투수지역의 면적비와 유역폭은 지형정보시스템에 의해 유역마다 추정된 고유의 값이 있으므로(Table 4), 해당 유역의 값들을 특정한 비율로 변화시켜 최적해를 찾도록 하였다.
제안 방법
- 이를 이용하여 관측된 수위별 저류량을 산정하였고, 실제 펌프 운영 기록을 고려하여 Eq. (1)로부터 구로1 빗물펌프장의 홍수 시 유입 수문곡선을 추정하였다.
- 연구에서는 관측 및 계산된 첨두유량의 오차와 수문곡선의 오차를 최소화하는 두 가지의 목적함수를 Eq. (2)와 같이 가중치를 동일하게 적용하여 결합하였고, 최적해를 찾아가는 과정에서 도출된 결과를 비교하여 파레토 최적해를 결정하였다.
- 연구에서는 Fig. 4(a)에 제시된 양단면 평균법을 이용하여 저 (低)수위의 수표면적을 계산하였고, 수위에 따른 수표면적을 선형으로 가정하여 수위별 저류용량을 추정하였다(Fig. 4(b)).
- 2.2절에서 제시한 5가지의 단일 목적함수를 이용하여 구로1 빗물펌프장 유역에 대한 홍수유출 모형의 자동 보정을 수행하였다. 자동 보정에는 2009년 7월 14일에 내린 강우사상이 적용되었는데, 해당 강우의 누가 강우 깊이는 112.
- 즉, 집합체 혼합진화 알고리즘을 주 프로그램으로 설정하여 집합체 혼합진화에 의해 난수 발생된 표본 요소(매개 변수의 조합)와 진화과정에서 생성된 새로운 요소에 대하여 SWMM을 수행할 수 있도록 연계하였다. 그리고 각각의 매개변수의 조합에 의해 생성된 수문곡선과 관측 수문곡선을 비교한 후, 목적함수의 값을 계산하여 집합체 혼합진화 알고리즘으로 전달해주는 모듈을 구성하였다.
- 또한, 홍수유출 해석에는 첨두유량의 정확성이 요구되므로 이를 반영할 수 있는 다목적함수(multiple objective function)를 구성하여 홍수유출 모의의 정확도를 향상시켰다. 그리고 서울시 구로1 빗물펌프장 유역에 내린 2009년 7～8월의 세 개 강우사상에 대하여 개발된 자동 보정 모듈로 매개변수를 추정하였고 모형을 검증하였다.
- 다목적함수를 이용하고 집합체 혼합진화 알고리즘에 의해 보정된 모형을 2009년 7월 12일과 8월 11일의 강우에 대하여 각각 검증하였다. 2009년 7월 12일의 강우와 8월 11일의 강우에 의한 관측 유량은 모형 보정에 사용된 강우사상과 동일하게 구로1 빗물펌프장의 운영 실적을 통해 추정된 자료이다.
- 선정된 목적함수는 관측 및 계산된 첨두유량의 오차와 체적비가 가장 우수한 것으로 분석된 #이다. 또한, 수문곡선의 적합만으로는 첨두유량의 정확도를 높이기 어렵기 때문에 선정된 단일 목적함수와 첨두 유량의 오차를 최소화하는 목적함수를 결합한 다목적함수를 구성하여 파레토 최적해를 산정하였다. 그 결과, 6개의 파레토 최적해가 도출되었고, 파레토 최적해 간의 편차는 작았다.
- 연구에서는 선행 연구들에서 활용한 5개의 단일 목적함수를 적용하여 가장 적절한 목적함수를 선정하였다. 또한, 홍수유출 해석에는 첨두유량의 정확성이 요구되므로 이를 반영할 수 있는 다목적함수(multiple objective function)를 구성하여 홍수유출 모의의 정확도를 향상시켰다. 그리고 서울시 구로1 빗물펌프장 유역에 내린 2009년 7～8월의 세 개 강우사상에 대하여 개발된 자동 보정 모듈로 매개변수를 추정하였고 모형을 검증하였다.
- 연구에서는 다목적함수의 구성에 사용된 두 목적함수의 단순 합이 최소가 되는 파레토 최적해를 최종적인 모형 보정의 결과로 선택하였다. 다목적함수에 의한 보정 결과는 단일 목적함수에 의한 보정 결과에 비해 첨두유량의 오차와 평균편차의 비율에서 각각 99.
- 위의 상충 문제를 해결하기 위한 방법에는 목적함수 간의 중요도를 고려하여 가중치를 적용하는 가중치 방법(weighted sum method), 일부의 목적함수를 제약식으로 변환하는 방법, 목적함수들의 우선순위와 목표를 설정하여 해를 구하는 목표 계획법(goal programming), 파레토 최적해(Pareto optimal solution) 산정 방법 등이 있다. 연구에서는 다목적함수의 파레토 최적해를 결정하여 모형을 자동 보정하였다.
- , 2000; 채준영, 2004; 조재현과 이종호, 2006)에서는 하나의 목적함수만을 이용하여 결과를 도출하였다. 연구에서는 선행 연구들에서 활용한 5개의 단일 목적함수를 적용하여 가장 적절한 목적함수를 선정하였다. 또한, 홍수유출 해석에는 첨두유량의 정확성이 요구되므로 이를 반영할 수 있는 다목적함수(multiple objective function)를 구성하여 홍수유출 모의의 정확도를 향상시켰다.
- 따라서 점 1, 2, 3이 파레토 최적해가 되는 것이다. 연구에서는 이러한 방법을 이용하여 파레토 최적해를 결정하였다.
- 구로1 빗물펌프장에서는 이러한 홍수 시 운영을 위해 유수지의 수위를 관측하고 있고, 펌프시설의 운영 실적을 관리하고 있다. 연구에서는 이를 이용하여 구로1 빗물펌프장의 홍수 시 실제 유입량을 추정하였다. 즉, 연구에서 추정한 유입량은 자연 방류가 전혀 없는 기간인 배수문을 닫고 펌프시설을 운영한 기간에 대한 유입량이다.
- 연구에서는 주로 수문학적 매개변수를 모형의 자동 보정에 의한 추정 대상 매개변수로 선정하였다. 연구에서 선정한 추정 대상 매개변수는 총 11개이고, 후술되는 Table 7에 제시되어 있다.
- Table 1에 제시된 목적함수들은 계산된 수문곡선이 관측 수문곡선에 적합(fit)되도록 설정된 목적함수로서 이는 유출체적의 오차를 줄이도록 하는 요소가 지배적이다. 연구에서는 첨두유량에 대하여 보다 정교한 결과를 도출하기 위해 Table 1의 목적함수 중 가장 좋은 결과를 도출한 목적함수를 선정하였고, 해당 목적함수에 첨두유량의 오차를 최소화하는 목적함수를 추가한다목적함수를 구성하였다.
- Table 7에 제시된 매개변수 가운데 불투수지역의 면적비, 유역폭, 불투수 유역 중 지면 저류가 없는 지역의 면적비는 임의로 범위를 가정하였고, 나머지 매개변수들은 여러 문헌을 이용하여 적정 범위를 도출하였다. 이 가운데 불투수지역의 면적비와 유역폭은 지형정보시스템에 의해 유역마다 추정된 고유의 값이 있으므로(Table 4), 해당 유역의 값들을 특정한 비율로 변화시켜 최적해를 찾도록 하였다. 이는 추정대상 매개변수가 지나치게 많아지는 것을 제어하기 위함이다.
- 최적화 문제는 목적함수에 따라 그 결과가 상이하게 나타날 수 있다. 이를 감안하여 선행 연구들에서 매개변수 자동 추정에 활용한 목적함수들을 선별하여 적용하였고, 결과를 비교하였다. 연구에서 사용한 목적함수는 Sefe and Boughton (1982), 강신욱 등 (2004), 이종태 등 (2004)에서 사용한 다섯 가지이다(Table 1).
- 1과 같이 연계하였다. 즉, 집합체 혼합진화 알고리즘을 주 프로그램으로 설정하여 집합체 혼합진화에 의해 난수 발생된 표본 요소(매개 변수의 조합)와 진화과정에서 생성된 새로운 요소에 대하여 SWMM을 수행할 수 있도록 연계하였다. 그리고 각각의 매개변수의 조합에 의해 생성된 수문곡선과 관측 수문곡선을 비교한 후, 목적함수의 값을 계산하여 집합체 혼합진화 알고리즘으로 전달해주는 모듈을 구성하였다.
- 집합체 혼합진화 알고리즘을 이용하여 SWMM을 자동 보정하기 위해 우선 두 모형을 Fig. 1과 같이 연계하였다. 즉, 집합체 혼합진화 알고리즘을 주 프로그램으로 설정하여 집합체 혼합진화에 의해 난수 발생된 표본 요소(매개 변수의 조합)와 진화과정에서 생성된 새로운 요소에 대하여 SWMM을 수행할 수 있도록 연계하였다.
- 최적화 문제는 사용된 목적함수에 따라 그 결과가 상이한 바, 연구에서는 계산된 수문곡선이 관측 수문곡선에 적합되도록 하는 5개의 단일 목적함수에 대하여 SWMM을 자동 보정한 후 가장 적절한 목적함수를 선정하였다. 선정된 목적함수는 관측 및 계산된 첨두유량의 오차와 체적비가 가장 우수한 것으로 분석된 #이다.
- 상대적으로 가장 좋은 결과를 나타낸 Type-4를 목적함수로 사용하더라도 SWMM의 자동 보정에는 큰 문제는 없다. 하지만 2.2절에서 언급한 바와 같이 연구에서는 보다 정확도 높은 결과를 도출하기 위해 Type-4와 첨두 유량의 오차 최소화를 고려한 다목적함수에 대하여 확장하여 검토하였다.
- 이에 따라 연구에서는 서울기상청의 1분 단위 관측 강우자료를 이용하였고, 대상유역의 규모를 고려하여 10분 단위 강우자료로 변환하여 사용하였다. 홍수유출 모의의 시간 간격은 강우 시간 간격과 동일하게 10분이고, 하도추적의 시간간격은 20초로 하였다. 유역의 침투 모의에는 Green-Ampt 식이 사용되었다.
대상 데이터
- 다목적함수를 이용하고 집합체 혼합진화 알고리즘에 의해 보정된 모형을 2009년 7월 12일과 8월 11일의 강우에 대하여 각각 검증하였다. 2009년 7월 12일의 강우와 8월 11일의 강우에 의한 관측 유량은 모형 보정에 사용된 강우사상과 동일하게 구로1 빗물펌프장의 운영 실적을 통해 추정된 자료이다.
- 본 연구에서는 집합체 혼합진화 알고리즘을 이용하여 SWMM의 홍수유출에 관한 자동 보정을 수행하였다. SWMM의 자동 보정은 도시유역인 서울의 구로1 빗물펌프장 배수유역을 대상으로 하였고, 모형 보정 및 검증에 사용된 유역 유출량은 빗물펌프장의 운영 실적을 이용하여 추정하였다. 그리고 SWMM의 자동 보정에 활용된 매개변수는 유역폭, Manning 계수, 지면 저류량, GreenAmpt 침투식에 포함된 매개변수 등 11개이다.
- 이를 감안하여 선행 연구들에서 매개변수 자동 추정에 활용한 목적함수들을 선별하여 적용하였고, 결과를 비교하였다. 연구에서 사용한 목적함수는 Sefe and Boughton (1982), 강신욱 등 (2004), 이종태 등 (2004)에서 사용한 다섯 가지이다(Table 1).
- 하지만 본 연구에서 수행된 다목적함수에 의해 결정된 파레토 최적해들 간의 편차는 미미하므로 도출된 6개의 파레토 최적해 중 어느 점을 선정하더라도 결과에는 큰 영향이 없다. 연구에서는 6개의 파레토 최적해 가운데 두 목적함수의 단순 합이 최소가 되는 ④번 점을 최종해로 선정하였다.
- 연구에서는 각각의 강우자료를 이용하여 사전 모의하였고, 상대적으로 서울기상청의 강우자료가 구로기상관측소의 강우자료보다 대상유역의 강우-유출 현상을 보다 잘 구현하는 것으로 나타났다. 이에 따라 연구에서는 서울기상청의 1분 단위 관측 강우자료를 이용하였고, 대상유역의 규모를 고려하여 10분 단위 강우자료로 변환하여 사용하였다. 홍수유출 모의의 시간 간격은 강우 시간 간격과 동일하게 10분이고, 하도추적의 시간간격은 20초로 하였다.
- 5는 두 목적함수에 의해 결정된 파레토 최적해를 도시한 그림이다. 최적해를 도출하기 위해 생성된 점은 총 1,507개이고, 그 중 6개의 파레토 최적해를 찾을 수 있었다. 결정된 파레토 최적해의 편차는 두 가지 목적함수 모두에서 크지 않은 것으로 분석되었다.
- 효과적인 홍수유출 해석을 위해 Fig. 3에 제시된 구로1빗물펌프장 배수유역에 대하여 소유역과 관거를 각각 147개로 분할하였다. 그리고 대상유역의 인근에는 구로기상 관측소와 서울기상청이 위치하고 있다.
데이터처리
- 목적함수의 구성 조건에 따라 계산된 결과의 적절성을 검토하기 위해서는 평가 지표가 필요하다. 이를 위해 연구에서는 NSE (Nash-Sutcliffe Efficiency), 평균편차의 비율(percent bias; PBIAS), 오차비율 추정량(proportional error of estimate; PEE), 체적비(ratio of volume; ROV), 평균제곱오차의 제곱근(root mean square error; RMSE), 첨두유량의 차이를 검토하였다(Table 2).
이론/모형
- 집합체 혼합진화 알고리즘은 최적해를 탐색하기 위해 s개의 선정된 점을 이용하여 하나의 모집단을 구성하고, 모집단을 p개의 집합체(complex)로 분할한다. 각 집합체는 downhill simplex 알고리즘을 사용하여 독립적으로 진화된다. 진화를 거친 집합체는 다시 혼합되고, 새로운 집합체들이 생성되며, 진화와 혼합의 과정은 수렴조건이 만족될 때까지 반복된다(강신욱, 2011).
- 본 연구에서는 SWMM의 자동 보정에 집합체 혼합진화 알고리즘을 사용하였다. 자연 진화의 과정을 최적화 탐색과정에 도입한 집합체 혼합진화 알고리즘은 Duan et al.
- 본 연구에서는 다수의 선행 연구(Duan et al., 1992; Boyle et al., 2000; Madsen, 2000; Cooper et al., 2006; 강민구 등, 2002; 강신욱 등, 2004)에서 수문 모형의 자동 보정에 활용되었고, 상대적으로 우수한 결과를 제공하는 것으로 알려진 집합체 혼합진화 알고리즘을 이용하여 SWMM을 자동 보정하였다. 최적화 알고리즘은 목적함수(objective function)에 따라 상이한 결과를 도출할 수 있지만 대부분의 연구(Javaheri, 1998; Boyle et al.
- SWMM5에서 유역추적의 경우 비선형저류방정식과 단위도 방법을 사용할 수 있고, 하도추적은 운동파(kinematic wave)모형과 동역학파(dynamic wave) 모형을 사용할 수 있다. 연구에서는 유역의 물리적 특성에 근거한 비선형저류방정식을 유역추적 방법으로 이용하였고, 하도추적 방법은 홍수 시 도시유역의 관거 내 흐름 특성을 고려하고 2.3절에서 후술되는 대상유역 내 관거의 일부 구간에서 발생하는 역경사를 고려하기 위해 동역학파 모형을 사용하였다.
- 홍수유출 모의의 시간 간격은 강우 시간 간격과 동일하게 10분이고, 하도추적의 시간간격은 20초로 하였다. 유역의 침투 모의에는 Green-Ampt 식이 사용되었다.
성능/효과
- 또한, 수문곡선의 적합만으로는 첨두유량의 정확도를 높이기 어렵기 때문에 선정된 단일 목적함수와 첨두 유량의 오차를 최소화하는 목적함수를 결합한 다목적함수를 구성하여 파레토 최적해를 산정하였다. 그 결과, 6개의 파레토 최적해가 도출되었고, 파레토 최적해 간의 편차는 작았다. 이는 두 목적함수 간의 상충 관계가 미소한 것에 기인한 것으로 판단되었다.
- Table 5에 분석된 결과 가운데 가장 적절한 목적함수를 선정하기 위해 각 지표별로 가장 양호한 결과를 나타낸 목적함수에 음영을 표시하였다. 그 결과, Type-4의 경우 6가지의 지표 가운데 평균편차의 비율, 체적비, 첨두유량의 오차가 가장 양호한 것으로 나타났다. 평균편차의 비율과 체적비는 모두 유출체적과 관련된 지표이므로 Type-4에서 첨두유량과 유출체적이 가장 관측값에 근사한 것으로 판단할 수 있다.
- 7은 2009년 7월 12일과 8월 11의 강우사상에 대하여 검증한 유량 수문곡선과 관측된 유량자료를 함께 도시한 그림이다. 그 결과, 두 강우사상 모두에 대하여 대체로실제 강우-유출 현상을 잘 모의하는 것으로 분석되었다. 그리고 상대적으로 7월 12일의 강우사상에 대한 검증 결과가 8월 11일의 강우사상에 대한 검증 결과보다 우수한 것을 확인할 수 있다.
- 9% 개선된 것으로 평가되었고, 오차비율 추정량과 체적비도 일부 개선되었다. 그리고 다목적함수에 의해 최종 보정된 모형을 2개의 호우 사상에 대하여 검증한 결과, 유의한 결과를 얻을 수 있었다. 즉, SWMM의 자동 보정이 적절히 수행된 것으로 검토되었다.
- 그 결과, 두 강우사상 모두에 대하여 대체로실제 강우-유출 현상을 잘 모의하는 것으로 분석되었다. 그리고 상대적으로 7월 12일의 강우사상에 대한 검증 결과가 8월 11일의 강우사상에 대한 검증 결과보다 우수한 것을 확인할 수 있다. 특히, 7월 12일의 강우사상에 대한 검증 결과는 평균편차의 비율, 체적비, 평균제곱오차의 제곱근에서 보정에 사용된 7월 14일의 강우사상에 대한 결과보다도 우수한 것으로 나타났다(Table 9).
- 모든 단일 목적함수에 의한 자동 보정 후의 결과는 보정 전의 결과보다 NSE, 평균제곱오차의 제곱근(RMSE), 첨두유량의 오차에서 공통적으로 크게 개선되는 것으로 나타났다. 그리고 적용된 목적함수에 따라 평균편차의 비율(PBIAS)과 체적비(ROV)에서도 개선 효과를 확인할 수 있다. 또한, 단일 목적함수의 적용에 따른 자동 보정의 결과를 모형평가 지표의 최적값(Table 2)과 비교하면, 모든 목적함수에서 신뢰할만한 수준의 결과를 보인 것으로 판단된다.
- 연구에서는 다목적함수의 구성에 사용된 두 목적함수의 단순 합이 최소가 되는 파레토 최적해를 최종적인 모형 보정의 결과로 선택하였다. 다목적함수에 의한 보정 결과는 단일 목적함수에 의한 보정 결과에 비해 첨두유량의 오차와 평균편차의 비율에서 각각 99.1%와 34.9% 개선된 것으로 평가되었고, 오차비율 추정량과 체적비도 일부 개선되었다. 그리고 다목적함수에 의해 최종 보정된 모형을 2개의 호우 사상에 대하여 검증한 결과, 유의한 결과를 얻을 수 있었다.
- 자동 보정 전의 결과는 Table 7에 제시된 매개변수의 초기값에 의해 도출된 결과이다. 모든 단일 목적함수에 의한 자동 보정 후의 결과는 보정 전의 결과보다 NSE, 평균제곱오차의 제곱근(RMSE), 첨두유량의 오차에서 공통적으로 크게 개선되는 것으로 나타났다. 그리고 적용된 목적함수에 따라 평균편차의 비율(PBIAS)과 체적비(ROV)에서도 개선 효과를 확인할 수 있다.
- 그리고 대상유역의 인근에는 구로기상 관측소와 서울기상청이 위치하고 있다. 연구에서는 각각의 강우자료를 이용하여 사전 모의하였고, 상대적으로 서울기상청의 강우자료가 구로기상관측소의 강우자료보다 대상유역의 강우-유출 현상을 보다 잘 구현하는 것으로 나타났다. 이에 따라 연구에서는 서울기상청의 1분 단위 관측 강우자료를 이용하였고, 대상유역의 규모를 고려하여 10분 단위 강우자료로 변환하여 사용하였다.
- 그리고 다목적함수에 의해 최종 보정된 모형을 2개의 호우 사상에 대하여 검증한 결과, 유의한 결과를 얻을 수 있었다. 즉, SWMM의 자동 보정이 적절히 수행된 것으로 검토되었다. 따라서 연구에서 개발된 SWMM의 자동 보정 프로그램은 도시유역의 정확도 높은 홍수유출 해석에 활용될 수 있을 것으로 판단된다.
- 9% 개선된 것을 확인할 수 있고, 오차비율 추정량과 체적비도 개선되었다. 즉, 홍수유출 해석에서 가장 중요한 지표인 첨두유량과 유출체적이 동시에 개선된 것을 확인할 수 있다. 반면에 NSE와 평균제곱오차의 제곱근은 미소하게 개악되었다.
- Table 8은 최종 선정된 다목적함수의 최종해에 의한 결과가 단일 목적함수 중 가장 좋은 결과를 도출한 Type-4에 비해 개선된 효과를 나타낸 표이다. 첨두유량의 오차와 평균편차의 비율이 각각 99.1%와 34.9% 개선된 것을 확인할 수 있고, 오차비율 추정량과 체적비도 개선되었다. 즉, 홍수유출 해석에서 가장 중요한 지표인 첨두유량과 유출체적이 동시에 개선된 것을 확인할 수 있다.
- 그리고 상대적으로 7월 12일의 강우사상에 대한 검증 결과가 8월 11일의 강우사상에 대한 검증 결과보다 우수한 것을 확인할 수 있다. 특히, 7월 12일의 강우사상에 대한 검증 결과는 평균편차의 비율, 체적비, 평균제곱오차의 제곱근에서 보정에 사용된 7월 14일의 강우사상에 대한 결과보다도 우수한 것으로 나타났다(Table 9).
후속연구
- 즉, SWMM의 자동 보정이 적절히 수행된 것으로 검토되었다. 따라서 연구에서 개발된 SWMM의 자동 보정 프로그램은 도시유역의 정확도 높은 홍수유출 해석에 활용될 수 있을 것으로 판단된다.
- 이로 인해 대상유역에 대한 대표 매개변수의 추정을 통한 검증과 개발된 모형의 임의 유역에 대한 범용성은 검토되지 못하였다. 이와 관련하여 본 연구에서는 문제되지 않았지만 첨두유량 발생시간을 제어할 수 있는 제약 방법과 추정 대상 매개변수의 선정에 따른 모형의 정확도 평가 등은 모형의 완성도를 위해 향후 필요한 연구내용이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.