[논문]홍수범람도 불확실성 해석을 위한 인공위성사진의 활용

정영훈; 류광현; 이충성; 이승오

doi:10.12652/ksce.2013.33.2.549

홍수범람도 불확실성 해석을 위한 인공위성사진의 활용
The Use of Satellite Image for Uncertainty Analysis in Flood Inundation Mapping 원문보기

대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.33 no.2, 2013년, pp.549 - 557

정영훈 (인하대학교 수자원시스템연구소) , 류광현 (농림수산식품부 새만금개발과) , 이충성 (한국수자원공사 기술지원센터) , 이승오 (홍익대학교 토목공학과)

초록
AI-Helper

정밀한 홍수 범람도는 홍수의 공간적 특성에 대한 정보를 의사 결정자나 설계자들에게 전달할 수 있다. 수리모형을 이용하여 홍수 범람도를 구축하는 과정에서 확실하게 정의되거나 측정되지 않은 조도계수와 수위유량관계식으로부터 얻은 유량은 불확실성을 일으키는 핵심 요인들이다. 또한, 홍수 범람도에 대한 불확실성 해석을 위해서는 관측 자료가 필요한데, 홍수 범람의 관측 자료는 인공위성영상을 이용하여 확보할 수가 있다. 따라서 본 연구의 목적은 수리모형과 인공위성자료를 이용하여 조도계수와 유량이 홍수범람도 제작에서 일으키는 불확실성을 정량적으로 산정하는 것이다. 미국 Illinois주 Metropolis시 주위의 Ohio 강에 대하여 HEC-RAS과 지형분석을 이용하여 홍수 범람를 모의하고 ISODATA(Iterative Self-Organizing Data Analysis)분류 방법으로 Landsat 5TM 위성 영상으로부터 수체를 추출하였다. 추출된 수체는 GLUE(Generalized Likelihood Uncertainty Estimation)에서 우도측정(F-통계량)을 계산하는데 관측 자료로 이용되었다. GLUE는 누적확률 5 %와 95 %에 각각 해당하는 74.59 $km^2$와 151.95 $km^2$의 홍수범람면적을 산정했다. 홍수 범람도 구축과정에서 발생하는 불확실성을 정량적으로 산정하는 것은 효율적인 홍수방어 계획을 실현화하는데 중요한 역할을 할 거라 사료된다.

Abstract ▼ AI-Helper

An flood inundation map is able to convey spatial distribution of inundation to a decision maker for flood risk management. A roughness coefficient with unclear values and a discharge obtained from the stage-discharge rating equation are key sources of uncertainty in flood inundation mapping by using a hydraulic model. Also, the uncertainty analysis needs an observation for the flood inundation, and satellite images is useful to obtain spatial distribution of flood. Accordingly, the objective of this study is to quantify uncertainty arising roughness and discharge in flood inundation mapping by using a hydraulic model and a satellite image. To perform this, flood inundations were simulated by HEC-RAS and terrain analysis, and ISODATA (Iterative Self-Organizing Data Analysis) was used to classify waterbody from Landsat 5TM imagery. The classified waterbody was used as an observation to calculate F-statistic (likelihood measure) in GLUE (Generalized Likelihood Uncertainty Estimation). The results from GLUE show that flood inundation areas are 74.59 $km^2$ for lower 5 % uncertainty bound and 151.95 $km^2$ for upper 95% uncertainty bound, respectively. The quantification of uncertainty in flood inundation mapping will play a significant role in realizing the efficient flood risk management.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이러한 요구를 충족하기 위해서는 모형의 개선, 풍부한 관측 자료, 관측 자료 질의 개선 등이 필요하다. 본 연구는 부족한 홍수범람의 관측자료 한계를 극복하고자 인공위성영상을 이용하여 관측 자료를 생성하였다. 본 연구를 통하여 인공위성영상자료로부터 획득한 홍수범람의 공간적 관측 자료는 GLUE를 통하여 조도계수와 유량이 발생시키는 불확실성을 산정하는데 중요한 역할을 하였다.
본 연구는 부족한 홍수범람의 관측자료 한계를 극복하고자 인공위성영상을 이용하여 관측 자료를 생성하였다. 본 연구를 통하여 인공위성영상자료로부터 획득한 홍수범람의 공간적 관측 자료는 GLUE를 통하여 조도계수와 유량이 발생시키는 불확실성을 산정하는데 중요한 역할을 하였다. 현재보다 개선된 미래의 인공위성영상들의 이용가능성은 다양한 학술적 산업적 연구 주제를 실현화하는데 큰 기여를 할 것이라 기대한다.
그 이유는 위성영상에서 수체를 분류하는 과정에서 발생하는 불확실성과 같이 홍수위 모의와 지형분석을 통한 홍수범람도 구축과정에서도 불확실성이 존재하기 때문이다. 본 연구에서 홍수범람도를 구축하는 두 가지 방법은 공통적으로 DEM의 해상도와 수직오차에 의하여 불확실성이 발생할 수 있기 때문에 DEM이 불확실성의 주 요인이라 판단된다.
본 연구에서는 인공위성자료가 홍수범람의 불확실성을 해석하는데 활용될 수 있는지를 평가하고, 미국 Illinois주 Metropolis 주위의 Ohio강에 대해 조도계수와 유량이 홍수범람면적에 미치는 불확실성을 GLUE를 이용해 정량적으로 산정하였다. 본 연구를 통해 얻어진 결론은 다음과 같다.
본 연구의 목적은 위성영상자료로부터 추출된 수체가 불확실성 해석에서 관측 자료로서 그 역할을 수행할 수 있는지를 평가하고, 분류된 수체를 이용한 홍수범람도 구축과정에서 모형변수들의 오 차로부터 홍수범람면적에 전달되는 불확실성을 정량적으로 산정하는 것이다. 이 목적을 수행하기 위하여 미국 Illinois주 Metropolis 근처의 Ohio강을 포함하는 Landsat 5 TM 위성영상으로부터 수체를 분류하기 위해 ISODATA를 이용하였다.

가설 설정

또한 분류된 수체를 검정하기 위하여 분류된 수체의 수위 관측소위치에 해당하는 표고를 알아내는 것이 필요하다. 이는 분류된 수체와 수위관측소가 위치해 있는 횡단면과의 중첩점의 위치를 GIS(Geographic Information System)을 이용하여 찾아냈으며, DEM을 이용하여 얻어진 중첩점들의 평균 표고는 그 횡단면의 수위로 가정하였다.

제안 방법

ISODATA를 이용하여 분류된 20개의 클러스터 가운데 위성영상에서 가시적으로 쉽게 수체를 구분할 수 있는 호수나 강에 해당하는 클러스터를 조합하여 해당 홍수의 분포도를 획득하였다.
각 변수별 해당 확률밀도함수에 따라 생성된 난수는 조도계수와 유량을 변화시키며, 이 변화된 조도계수와 유량은 HEC-RAS에 적용되어 총 10,000번의 Monte Carlo 모의가 수행되었다.
홍수범람도 구축과정에서 발생하는 조도계수와 유량의 오차가 전달하는 불확실성을 산정하기 위한 관측 자료를 수집은 ISODATA 를 이용하여 Landsat 5 TM 위성영상으로부터 수체를 분류함으로 수행되었다. 구름의 영향에 의하여 수체 일부가 다른 클래스로 분류되었지만 주관적 판단에 의하여 보정하였다(예. 주하도의 수체를 표현하는 폐쇄 다각형의 클래스안에 위치한 구름을 표현하는 클래스). Figure 6은 ISODATA를 이용하여 Landsat 5 TM으로부터 분류한 수체의 공간적 분포를 보여준다.
GLUE의 개념은 Bayes 방정식 식 (1)에 기초하며, 사전확률분포와 우도측정을 이용하여 변수들의 사후확률밀도(poesterior PDF)를 결정할 수 있다. 본 연구에서 Monte Carlo 모의는 HEC-RAS의 홍수위모의와 지형분석을 통한 홍수범람면적 모의를 포함하며, 각 Monte Carlo 모의의 결과(홍수범람면적)는 Landsat 5으로부터 분류된 수체와 비교하여 우도측정을 계산하게 된다. 우도측정은 여러 가지 우도함수에 의하여 계산될 수 있는데, 본 연구에서 관측 자료로 사용된 수체는 공간적 분포의 특성을 가지고 있으므로 공간적 적합도를 측정할 수 있는 F-통계량 식 (2)을 우도함수로 사용하였다.
Figure 5의 (b)와 (c)는 1·2차 집단화과정을 보여준다. 본 연구에서는 ISODATA를 이용하여 Landsat 영상으로부터 수체를 분류하기 위해 ISODATA 변수를 다음과 같이 설정하였다. 분류항목은 20개로 설정하여 클러스팅 분류를 하였고, 표준편차는 1.
본 연구에서는 ISODATA를 이용하여 Landsat 영상으로부터 수체를 분류하기 위해 ISODATA 변수를 다음과 같이 설정하였다. 분류항목은 20개로 설정하여 클러스팅 분류를 하였고, 표준편차는 1.0, 최대반수는 20회, 수렴을 위한 임계값(threshold)은 95%로 설정하였다. ISODATA를 이용하여 분류된 20개의 클러스터 가운데 위성영상에서 가시적으로 쉽게 수체를 구분할 수 있는 호수나 강에 해당하는 클러스터를 조합하여 해당 홍수의 분포도를 획득하였다.
5m를 상회하는 오차의 범위를 가질 것으로 사료된다. 이러한 점을 감안했을 때 본 연구에서 관측 수위와 영상으로부터 얻은 수위의 차이는 상대적으로 작다고 판단하여 불확실성 산정을 위한 관측 자료로 활용하였다. 영상으로 부터 보다 정확한 수위를 얻기 위하여 수위오차를 증가시킬 수 있는 요소들(DEM의 수평 및 수직 오차, Landsat 5 TM의 해상도, ISODATA 분류, 수위-유량관계식의 오차 등)을 고려해야만 한다.
이를 바탕으로 대표값과 최대·최소값과의 평균차이인 ±25%를 조도계수의 오차범위(조도계수 변화 율)로 정의하였다.
홍수범람도 구축과정에서 발생하는 조도계수와 유량의 오차가 전달하는 불확실성을 산정하기 위한 관측 자료를 수집은 ISODATA 를 이용하여 Landsat 5 TM 위성영상으로부터 수체를 분류함으로 수행되었다. 구름의 영향에 의하여 수체 일부가 다른 클래스로 분류되었지만 주관적 판단에 의하여 보정하였다(예.

대상 데이터

본 연구를 위해 사용된 자료는 수치표고모델(Digital Elevation Model: DEM), 토지이용도, 수위 및 유량자료, 인공위성영상 등이 있다. 구체적으로, HEC-RAS 모의를 위한 기본 자료로 지형자료, 조도계수, 수위 및 유량 자료가 필요하다.
Ohio강은 미동부에 위치해 있으며 총 길이는 약 1,579km이다. 본 연구를 위해 선택된 하도구간은 Illinois 주 Metropolis시 근처의 Ohio강이다. 선택된 Ohio 하도의 길이는 약 31km이고, HEC-RAS 모의를 위해 구축된 횡단면의 개수는 총 11개이며 횡단면의 평균 길이는 약 7.
이에 따라, 유랑의 오차는 t-분포의 95%수준에서 임의로 선택 되어 HEC-RAS의 기본 자료로 이용되었다(Table 2). 본 연구에서 HEC-RAS모의를 위해 사용된 모든 자료는 미국지질조사국 (United States Geological Survey: USGS)으로부터 얻었다. Table 2에서 RN(Random Number)은 각 변수의 주어진 범위에서 발생하는 난수를 의미하며, 이 난수는 조도계수에 대하여 조도계수의 변화율을 의미하고 유량에 대하여 수위-유량관계곡선식의 t-검정을 통한 t-분포의 백분율 점(Percentage Point)을 나타낸다.
선택된 위성영상자료는 Landsat 5 TM 이며 USGS는 전 세계에 걸쳐 수집된 영상을 제공하고 있다. 본 연구에서 사용된 2011년 5월 3일 Landsat 영상은 Metropolis 근처의 Ohio강에 대하여 구름의 영향이 상대적으로 적고 홍수사상에 대한 정보를 얻을 수 있다는 점에서 선택되었다 (Figure 4). 영상으로부터 수체는 무감독분류(unsupervised classification) 방법들 중 ISODATA를 이용하여 분류되었고 대상하도의 홍수를 반영하는 수체는 GLUE에서 우도측정을 계산하기 위한 관측 자료로 사용되었다.
수위 유량 자료는 HEC-RAS 모의에서 에너지 공식과 Manning 공식에 이용되는 가장 기본적인 자료로 미국 Metropolis 지점의 유량관측소에서 제공한 14개의 첨두 자료와 2011년 5월 3일 관측된 34,547m³/s의 유량 자료가 사용되었다. 본 연구에서 사용된 유량 자료는 홍수가 첨두에 도달하기 3일전에 발생한 약 20년 빈도의 홍수량이다(Figure 2). 첨두 자료는 수위-유량관계식 (Figure 3)을 구축하는데 사용되었으며, 관측 유량은 HEC-RAS 의 초기 유량으로 사용되었다.
각각의 밴드는 지상표면의 반사휘도 강도가 다르기 때문에 특정 개체를 분류하기 위해 그 개체에 적합한 밴드들의 조합을 이용한다. 본 연구에서는 수체를 분류하기 때문에 수체에 잘 반응하는 밴드 1, 4, 7을 조합한 영상을 이용하였다. 또한 분류된 수체를 검정하기 위하여 분류된 수체의 수위 관측소위치에 해당하는 표고를 알아내는 것이 필요하다.
이 목적을 수행하기 위하여 미국 Illinois주 Metropolis 근처의 Ohio강을 포함하는 Landsat 5 TM 위성영상으로부터 수체를 분류하기 위해 ISODATA를 이용하였다. 분류된 수체는 유량조건과 조도계수의 오차가 발생시키는 불확실성을 산정하기 위해 필요한 우도 측정 계산하는데 관측 자료로써 사용되었다. 또한, 홍수위 산정을 위하여 1차원 수리모형인 HEC-RAS를 이용하였다.
본 연구에서 관측 홍수범람도를 구축하기 위해 위성영상자료 로부터 수체를 분류하는 것이 필요하다. 선택된 위성영상자료는 Landsat 5 TM 이며 USGS는 전 세계에 걸쳐 수집된 영상을 제공하고 있다. 본 연구에서 사용된 2011년 5월 3일 Landsat 영상은 Metropolis 근처의 Ohio강에 대하여 구름의 영향이 상대적으로 적고 홍수사상에 대한 정보를 얻을 수 있다는 점에서 선택되었다 (Figure 4).
HEC-RAS의 횡단면 자료에 속해있는 모든 초기 조도계수값 (Moore가 정리한 대표값)에 적용되어 새로운 조도계수로 갱신된다 (Table 2). 수위 유량 자료는 HEC-RAS 모의에서 에너지 공식과 Manning 공식에 이용되는 가장 기본적인 자료로 미국 Metropolis 지점의 유량관측소에서 제공한 14개의 첨두 자료와 2011년 5월 3일 관측된 34,547m³/s의 유량 자료가 사용되었다. 본 연구에서 사용된 유량 자료는 홍수가 첨두에 도달하기 3일전에 발생한 약 20년 빈도의 홍수량이다(Figure 2).
유량의 오차범위는 구축된 수위유량관계식을 t-test로 검정하여 ±95%의 신뢰구간으로 결정하였다. 이에 따라, 유랑의 오차는 t-분포의 95%수준에서 임의로 선택 되어 HEC-RAS의 기본 자료로 이용되었다(Table 2). 본 연구에서 HEC-RAS모의를 위해 사용된 모든 자료는 미국지질조사국 (United States Geological Survey: USGS)으로부터 얻었다.
구체적으로, HEC-RAS 모의를 위한 기본 자료로 지형자료, 조도계수, 수위 및 유량 자료가 필요하다. 지형자료는 10m의 공간적 해상도를 가지는 NED(National Elevation Dataset) DEM을 이용 하였다. 조도계수는 HEC-RAS이 기본으로 하는 Manning 공식에서 사용되는데, 조도계수를 각 횡단면에 할당하기 위하여 30m 해상도의 2001 NLCD(national landcover data) 토지이용도를 이용하였다.

데이터처리

유량의 오차범위는 구축된 수위유량관계식을 t-test로 검정하여 ±95%의 신뢰구간으로 결정하였다.

이론/모형

분류된 수체는 유량조건과 조도계수의 오차가 발생시키는 불확실성을 산정하기 위해 필요한 우도 측정 계산하는데 관측 자료로써 사용되었다. 또한, 홍수위 산정을 위하여 1차원 수리모형인 HEC-RAS를 이용하였다.
본 연구에서 계산된 F-통계량은 GLUE 수행과정에서 우도측정으로 사용되었으며, 각 변수에 대한 우도측정분포는 확률분포형태로 Figure 7에서 볼 수 있다. 조도계수의 경우 주어진 범위에서 비교적 균등한 분포를 이루고 있으며, 유량에 대한 우도측정은 띠의 형태로 유량이 약 35,000m³/s에 도달할 때까지 증가했다가 그 이상 증가할 때 우도측정은 다시 줄어든다.
본 연구에서 사용된 2011년 5월 3일 Landsat 영상은 Metropolis 근처의 Ohio강에 대하여 구름의 영향이 상대적으로 적고 홍수사상에 대한 정보를 얻을 수 있다는 점에서 선택되었다 (Figure 4). 영상으로부터 수체는 무감독분류(unsupervised classification) 방법들 중 ISODATA를 이용하여 분류되었고 대상하도의 홍수를 반영하는 수체는 GLUE에서 우도측정을 계산하기 위한 관측 자료로 사용되었다.
본 연구에서 Monte Carlo 모의는 HEC-RAS의 홍수위모의와 지형분석을 통한 홍수범람면적 모의를 포함하며, 각 Monte Carlo 모의의 결과(홍수범람면적)는 Landsat 5으로부터 분류된 수체와 비교하여 우도측정을 계산하게 된다. 우도측정은 여러 가지 우도함수에 의하여 계산될 수 있는데, 본 연구에서 관측 자료로 사용된 수체는 공간적 분포의 특성을 가지고 있으므로 공간적 적합도를 측정할 수 있는 F-통계량 식 (2)을 우도함수로 사용하였다.
본 연구의 목적은 위성영상자료로부터 추출된 수체가 불확실성 해석에서 관측 자료로서 그 역할을 수행할 수 있는지를 평가하고, 분류된 수체를 이용한 홍수범람도 구축과정에서 모형변수들의 오 차로부터 홍수범람면적에 전달되는 불확실성을 정량적으로 산정하는 것이다. 이 목적을 수행하기 위하여 미국 Illinois주 Metropolis 근처의 Ohio강을 포함하는 Landsat 5 TM 위성영상으로부터 수체를 분류하기 위해 ISODATA를 이용하였다. 분류된 수체는 유량조건과 조도계수의 오차가 발생시키는 불확실성을 산정하기 위해 필요한 우도 측정 계산하는데 관측 자료로써 사용되었다.
지형자료는 10m의 공간적 해상도를 가지는 NED(National Elevation Dataset) DEM을 이용 하였다. 조도계수는 HEC-RAS이 기본으로 하는 Manning 공식에서 사용되는데, 조도계수를 각 횡단면에 할당하기 위하여 30m 해상도의 2001 NLCD(national landcover data) 토지이용도를 이용하였다. Moore(2010)는 Chow(1959)와 Calenda 외(2005)의 문헌을 통하여 2001 NLCD 토지이용별 조도계수를 최소·최대·대표값으로 정리하였다(Table 1).
본 연구에서 사용된 유량 자료는 홍수가 첨두에 도달하기 3일전에 발생한 약 20년 빈도의 홍수량이다(Figure 2). 첨두 자료는 수위-유량관계식 (Figure 3)을 구축하는데 사용되었으며, 관측 유량은 HEC-RAS 의 초기 유량으로 사용되었다. 유량의 오차범위는 구축된 수위유량관계식을 t-test로 검정하여 ±95%의 신뢰구간으로 결정하였다.

성능/효과

(1) ISODATA를 이용하여 Landsat 5 TM 영상으로부터 얻어진 수체의 수위는 관측 자료와 비교했을 때 약 1.5m의 수직오차를 가진다. 이 결과를 토대로 인공위성영상은 홍수범람모형에서 관측 자료로 활용 가능하다 판단된다.
(2) F-통계량을 이용하여 계산 우도측정은 조도계수의 경우 주어진 범위안에서 비교적 균등하게 분포한 반면, 유량의 경우 약 35,000m³/s 유량의 주위에서 높은 우도측정값이 분포하고 있다. 이는 본 연구를 위해 선택된 대상하도의 홍수범람면적에 유량의 오차가 조도계수의 오차보다 더 많은 불확실성을 전달하고 있음을 보여준다.
(3) GLUE를 위한 Monte Carlo 모의에서 51.62km²에서 180.00 km²까지의 홍수범람면적이 산정되었고, GLUE를 이용하여 조도계수와 흐름조건의 오차가 발생시킨 90%의 불확실성은 77.36km²로 관측 범람면적의 약 85%를 차지한다. 홍수위험관리에서 이렇게 큰 불확실성은 변수의 정확성을 개선시켜야할 근거가 된다.
/s 유량의 주위에서 높은 우도측정값이 분포하고 있다. 이는 본 연구를 위해 선택된 대상하도의 홍수범람면적에 유량의 오차가 조도계수의 오차보다 더 많은 불확실성을 전달하고 있음을 보여준다. 유량의 우도측정 분포는 임계치에 따라 사후확률밀도함수의 유량의 오차범위를 변화시킬 수 있을 것이라 판단된다.
조도계수와 유량의 오차에 의해 발생된 불확실성은 GLUE를 이용하여 정량화되었고, 그 결과 누적확률 5%에 해당하는 홍수범람면적은 74.59km²이고 95 %에 해당하는 면적은 151.95km²로90% 불확실성은 77.36km²다. 조도계수와 유량의 오차가 홍수범람면적에 전달된 불확실성은 관측 면적의 85%에 해당된다.

후속연구

하지만, 과거의 자료와 비교할 때 기후변화로 인하여 그 강도가 더욱 커진 홍수가 세계 곳곳에서 빈번히 발생하면서 홍수예측 과정에서 유발되는 불확실성과 함께 정확한 홍수예측을 어렵게 한다. 기후변화와 홍수예측과정에서 발생하는 불확실성 요소들을 통합하여 홍수예측에 미치는 영향을 평가하기 전 기후변화를 고려하지 않았을 때 홍수예측에서 발생하는 불확실성 요소들이 홍수예측에 미치는 영향을 평가하는 것이 선행되어야 한다. 이는 기후변화가 홍수예측과정에서 발생하는 불확실성에 영향을 주기 때문에 결국 홍수예측의 결과물인 홍수위와 홍수 범람면적에 그 기후변화의 영향이 전달된다.
본 연구에서 관측 홍수범람도를 구축하기 위해 위성영상자료 로부터 수체를 분류하는 것이 필요하다. 선택된 위성영상자료는 Landsat 5 TM 이며 USGS는 전 세계에 걸쳐 수집된 영상을 제공하고 있다.
5m의 수직오차를 가진다. 이 결과를 토대로 인공위성영상은 홍수범람모형에서 관측 자료로 활용 가능하다 판단된다. 하지만, 보다 정확한 수체 분류를 위하여 DEM의 수평수직의 정확성, 위성영상의 해상도, 그리고 다양한 수체분류 방법 등을 개선할 필요가 있다.
Figure 9는 누적확률 5와 95%에 대한 홍수범람의 공간적분포를 보여준다. 이는 불확실성의 영향을 받은 홍수범람의 공간적 분포를 제공함으로 홍수위험관리에서 유용한 정보로 이용될 수 있을 것이라 사료된다.
이러한 점을 감안하더라도 지속적인 위성영상의 발전은 시·공간적 홍수자료를 구축하는데 크게 기여할 것으로 기대된다.
이 결과를 토대로 인공위성영상은 홍수범람모형에서 관측 자료로 활용 가능하다 판단된다. 하지만, 보다 정확한 수체 분류를 위하여 DEM의 수평수직의 정확성, 위성영상의 해상도, 그리고 다양한 수체분류 방법 등을 개선할 필요가 있다.
본 연구를 통하여 인공위성영상자료로부터 획득한 홍수범람의 공간적 관측 자료는 GLUE를 통하여 조도계수와 유량이 발생시키는 불확실성을 산정하는데 중요한 역할을 하였다. 현재보다 개선된 미래의 인공위성영상들의 이용가능성은 다양한 학술적 산업적 연구 주제를 실현화하는데 큰 기여를 할 것이라 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	정밀한 홍수 범람도는 어떤 정보를 전달하는가?	정밀한 홍수 범람도는 홍수의 공간적 특성에 대한 정보를 의사 결정자나 설계자들에게 전달할 수 있다. 수리모형을 이용하여 홍수 범람도를 구축하는 과정에서 확실하게 정의되거나 측정되지 않은 조도계수와 수위유량관계식으로부터 얻은 유량은 불확실성을 일으키는 핵심 요인들이다.
	유량은 어떤 요인인가?	정밀한 홍수 범람도는 홍수의 공간적 특성에 대한 정보를 의사 결정자나 설계자들에게 전달할 수 있다. 수리모형을 이용하여 홍수 범람도를 구축하는 과정에서 확실하게 정의되거나 측정되지 않은 조도계수와 수위유량관계식으로부터 얻은 유량은 불확실성을 일으키는 핵심 요인들이다. 또한, 홍수 범람도에 대한 불확실성 해석을 위해서는 관측 자료가 필요한데, 홍수 범람의 관측 자료는 인공위성영상을 이용하여 확보할 수가 있다.
	홍수예측의 중요성과 함께 관련한 현황은?	따라서, 홍수예측의 중요성은 여러 연구들을 통하여 더욱 부각되어 왔다(Collins, 2009; Hurkmans 외, 2009; Xu 외, 2009). 하지만, 과거의 자료와 비교할 때 기후변화로 인하여 그 강도가 더욱 커진 홍수가 세계 곳곳에서 빈번히 발생하면서 홍수예측 과정에서 유발되는 불확실성과 함께 정확한 홍수예측을 어렵게 한다. 기후변화와 홍수예측과정에서 발생하는 불확실성 요소들을 통합하여 홍수예측에 미치는 영향을 평가하기 전 기후변화를 고려하지 않았을 때 홍수예측에서 발생하는 불확실성 요소들이 홍수예측에 미치는 영향을 평가하는 것이 선행되어야 한다.

참고문헌 (20)

Beven, K. J., and Binley, A. M. (1992) "The future of distributed models: model calibration and uncertainty prediction." Hydrol. Process., Vol. 6, pp. 279-298.

상세보기
Bales, J. D., and R. (2009) "Sources of uncertainty in flood inundation maps." Flood Risk Manage, Vol. 2, No. 2, pp. 139-147.

상세보기
Calenda, G.C., Mancini, C.P., and Volpi, E. (2005) "Distribution of Extreme Peak Floods of the Tiber River from the XV Century." Advances in Water Resources, Vol. 28, No. 6, pp. 615-625.

상세보기
Collins, M. J. (2009). "Evidence for changing flood risk in new England since the late 20th century." J. Am. Water Resour. Assoc., Vol. 45, No. 2, pp. 279-290.

상세보기
Chow, V.T. (1959) Open-channel hydraulics. McGraw- Hill Book Co., New York, NY.
ERDAS (1999) ERDAS Field Guide Fifth Edition. ERDAS Inc.
Gianinetto, M., Villa, P., and Lechi, G. (2006) "Postflood damage evaluation using Landsat TM and ETM+ data integrated with DEM." IEEE Trans. Geosci. Remote Sens., Vol. 44, No. 1, pp. 236-243.

상세보기
Hurkmans, R. T. W. L., Terink, W., Uijlenhoet, R., Moors, E. J., Troch, P. A., and Verburg, P. H. (2009) "Effects of land use changes on streamflow generation in the Rhine basin." Water Resour. Res., Vol. 45, No. 6, W06405.
Xu, Y., Xu, C., Gao, X., and Luo, Y. (2009) "Projected changes in temperature and precipitation extremes over the Yangtze River Basin of China in the 21st century." Quat. Int., Vol. 208, No. 1-2, pp. 44-52.

상세보기
Takeuchi, S., Konishi, T., Suga, Y., and Kishi, S. (1999) "Comparative study for flood detection using JERS-1 SAR and Landsat TM data" Proceedings of IGARSS'99, Hamburg, Germany, 28 June-2 July 1999 (Piscataway, NJ: IEEE), pp. 873-875.
Wang, Y., Colby, J. D., and Mulcahy, K. A. (2002) "An efficient method for mapping flood extent in a coastal flood plain using Landsat TM and DEM data" International Journal of Remote Sensing, Vol. 23, No. 18, pp. 3681-3696.

상세보기
Merwade, V., Olivera, F., Arabi, M., and Edleman, S. (2008) "Uncertainty in flood inundation mapping―Current issues and future directions." J. Hydrol. Eng., Vol. 13, No. 7, pp. 608-620.

상세보기
Moore, M.R. (2011) Development of a high-resolution 1D/2D coupled flood simulation of Charles City. Iowa, Master's thesis, University of Iowa, Iowa City, Iowa, USA.
Pappenberger F., Beven K.J., Hunter N., Gouweleeuw B., Bates P., de Roo A., and Thielen, J. ( 2005) "Cascading model uncertainty from medium range weather forecasts (10 days) through a rainfall-runoff model to flood inundation predictions within the European Flood Forecasting System (EFFS)." Hydrol. Earth Syst. Sci. Vol. 9, pp. 381-393.

상세보기
Pappenberger, F., Beven, K.J., Frodsham, K., Romanovicz, R., and Matgen, P. (2006) "Grasping the unavoidable subjectivity in calibration of flood inundation models: a vulnerability weighted approach." J. Hydrol. Vol. 333, pp. 275-287.
Romanowicz, R. and Beven, K.J. (1998) "Dynamic real-time prediction of flood inundation probabilities." Hydrol. Sci. J. Vol. 43, pp. 181-196.

상세보기
Sanyal, J. and Lu, X.X. (2004) "Application of remote sensing in flood management with special reference to Monsoon Asia: a review." Natural Hazards, Vol. 33, pp. 283-301.

상세보기
Song, C., Woodcock, C.E., Seto, K.C., Pax-Lenney, M., and Macomber, S.A. (2001) "Classification and change detection using Landsat TM data: When and how to correct atmospheric effects." Remote Sensing of Environment, Vol. 75, pp. 230-244.

상세보기
Toyra, J, and Pietroniro, A. (2005) "Towards operational monitoring of a northern wetland using geomatics-based techniques." Remote Sensing of Environment, Vol. 97, pp. 174-191.

상세보기
USGS Landsat Missions http://landsat.usgs.gov/about_landsat5.php

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증