홍수빈도해석이나 홍수예측과 같은 홍수조절을 위한 필수적인 정보는 유출자료이다. 하지만, 소규모 유역의 경우 유출자료를 측정하지 않는 미계측 유역의 다지점 분석과 총량분석을 위한 정보가 너무 부족한 실정으로 이를 극복하기 위한 방안을 제시하였다. 이를 위해 본 연구에서는 집중형 모델인 저류함수법를 활용하여 충주댐유역을 세분화하여 적용하였다. 충주댐 유역은 22개의 소유역으로 분류하였으며 충주댐 수위관측소의 유출자료의 공간적 확장성을 검증하였다. 홍수사상은 1990년부터 2009년까지의 21개 홍수사상을 활용하여 한 곳(충주댐 유입량)의 자료를 중심으로 22개 소유역의 저류함수법의 수문지형학적 특성에 관여하는 매개변수(k, p, $T_l$)를 고정하고 홍수사상마다 달라지는($f_1$, $R_{sa}$)를 최적화 하며 22개 유역의 유출자료를 생산하였다. 교차검증 지점인 영춘과 판운 수위관측소의 평균 Nash-Sutcliffe Efficiency (NSE)는 충주댐의 유입량이 0.71을 나타낼 때 각각 0.67과 0.52를 나타내 유출자료의 확장성에 있어서 만족(NSE > 0.5)하는 범위에 들어 집중형 모형을 활용한 유출자료의 확장가능성을 보였다.
홍수빈도해석이나 홍수예측과 같은 홍수조절을 위한 필수적인 정보는 유출자료이다. 하지만, 소규모 유역의 경우 유출자료를 측정하지 않는 미계측 유역의 다지점 분석과 총량분석을 위한 정보가 너무 부족한 실정으로 이를 극복하기 위한 방안을 제시하였다. 이를 위해 본 연구에서는 집중형 모델인 저류함수법를 활용하여 충주댐유역을 세분화하여 적용하였다. 충주댐 유역은 22개의 소유역으로 분류하였으며 충주댐 수위관측소의 유출자료의 공간적 확장성을 검증하였다. 홍수사상은 1990년부터 2009년까지의 21개 홍수사상을 활용하여 한 곳(충주댐 유입량)의 자료를 중심으로 22개 소유역의 저류함수법의 수문지형학적 특성에 관여하는 매개변수(k, p, $T_l$)를 고정하고 홍수사상마다 달라지는($f_1$, $R_{sa}$)를 최적화 하며 22개 유역의 유출자료를 생산하였다. 교차검증 지점인 영춘과 판운 수위관측소의 평균 Nash-Sutcliffe Efficiency (NSE)는 충주댐의 유입량이 0.71을 나타낼 때 각각 0.67과 0.52를 나타내 유출자료의 확장성에 있어서 만족(NSE > 0.5)하는 범위에 들어 집중형 모형을 활용한 유출자료의 확장가능성을 보였다.
Runoff data availability is a substantial factor for precise flood control such as flood frequency or flood forecasting. However, runoff depths and/or peak discharges for small watersheds are rarely measured which are necessary components for hydrological analysis. To compensate for this discrepancy...
Runoff data availability is a substantial factor for precise flood control such as flood frequency or flood forecasting. However, runoff depths and/or peak discharges for small watersheds are rarely measured which are necessary components for hydrological analysis. To compensate for this discrepancy, a lumped concept such as a Storage Function Method (SFM) was applied for the partitioned Choongju Dam Watershed in Korea. This area was divided into 22 small watersheds for measuring the capability of spatial extension of runoff data. The chosen total number of flood events for searching parameters of SFM was 21 from 1991 to 2009. The parameters for 22 small watersheds consist of physical property based (storage coefficient: k, storage exponent: p, lag time: $T_l$) and flood event based parameters (primary runoff ratio: $f_1$, saturated rainfall: $R_{sa}$). Saturated rainfall and base flow from event based parameters were explored with respect to inflow at Choongju Dam while other parameters for each small watershed were fixed. When inflow of Choongju Dam was optimized, Youngchoon and Panwoon stations obtained average of Nash-Sutcliffe Efficiency (NSE) were 0.67 and 0.52, respectively, which are in the satisfaction condition (NSE > 0.5) for model evaluation. This result is showing the possibility of spatial data extension using a lumped concept model.
Runoff data availability is a substantial factor for precise flood control such as flood frequency or flood forecasting. However, runoff depths and/or peak discharges for small watersheds are rarely measured which are necessary components for hydrological analysis. To compensate for this discrepancy, a lumped concept such as a Storage Function Method (SFM) was applied for the partitioned Choongju Dam Watershed in Korea. This area was divided into 22 small watersheds for measuring the capability of spatial extension of runoff data. The chosen total number of flood events for searching parameters of SFM was 21 from 1991 to 2009. The parameters for 22 small watersheds consist of physical property based (storage coefficient: k, storage exponent: p, lag time: $T_l$) and flood event based parameters (primary runoff ratio: $f_1$, saturated rainfall: $R_{sa}$). Saturated rainfall and base flow from event based parameters were explored with respect to inflow at Choongju Dam while other parameters for each small watershed were fixed. When inflow of Choongju Dam was optimized, Youngchoon and Panwoon stations obtained average of Nash-Sutcliffe Efficiency (NSE) were 0.67 and 0.52, respectively, which are in the satisfaction condition (NSE > 0.5) for model evaluation. This result is showing the possibility of spatial data extension using a lumped concept model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이런 다양한 연구들의 기본개념들을 활용하여 미계측유역의 자료를 계측 유역의 정보를 중심으로 자료를 확장하는데 조금 더 나은 결과를 얻을 수 있었다. 본 연구에서는 한국 수자원공사에서 개발한 COSFIM모델 (Ministry of Land, Infrastructure and Transportation, 2004)을 기반으로 자료확장의 가능성을 모의 하였다.
여기에서 안정화란 각각의 소유역에 유역의 수문지형학적 특성에 맞게 매개변수를 지역화하여 미계측 소유역을 포함한 전체유역에 일정한 오차변화 범위를 적용하기 위한 것이다. 안정화된 매개변수를 활용하고 홍수 사상마다 달리 표현되는 f1, Rsa를 최적화하여 미계측 유역의 유출량을 도출해 내는 것이다. 홍수사상마다 달라지는 매개변수, 즉 최적화 되는 매개변수는 과거자료 모의(simulation)에 대해 전체적인 오차를 줄이기 위해 사용된다.
, 2005)이다. 이는 지역화를 통한 평균적인 매개변수로 미계측 유역의 홍수사상을 생산하므로 홍수사상마다 달라지는 매개변수들에 대한 고려가 부족하며 홍수사상에 대한 설계(Design Flood)를 목적으로 실시하였다. 또한 이러한 접근방법은 개발도상국이나 댐건설, 하천보강 및 개선작업들이 빈번이 일어나고 있는 지역에서는 관측자료의 부재와 관측자료의 질적인 문제로 인해 이들의 직접적인 적용에 문제가 있다고 할 수 있다(Piman and Babel, 2013).
특히 유출 미계측 중소규모 유역에 대한 자료의 미비로 인해 이 지역의 정확한 홍수량 산정에 어려움이 있다. 이를 극복하기 위해 본 연구에서는 계측된 자료를 기반으로 집중형 모형인 저류함수법을 이용하여 유출자료의 공간적인 자료확장의 대안을 제안하였다. 이를 위해 선정된 지역은 충주댐유역으로 1990년부터 2009년까지의 1시간 단위의 강우와 유출자료를 중심으로 21개의 홍수 사상을 선정하였으며 충주댐 유역을 22개의 소유역으로 분활하였다.
이는 장기간 안정적인 유출자료를 확보하고 있는 선진국들(Merz and Bloschl, 2004)과는 다른 양상이라 할 수 있다. 이를 보완하기 위해, 본 연구에서는 현재 보유한 유출자료를 중심으로 공간적인 자료 확장의 개념을 도입하여, 같은 유역내의 중소규모의 미계측 유역의 유출자료를 확보하고자 한다. 여기서, 공간적 자료확장이란 본 연구에서 새롭게 도입하는 개념으로서 기존연구, 즉 관측유출량을 맞추기 위해 매개변수를 조정하는 것과는 다르게 미계측유역의 매개변수들을 조정하기 위해 계측 유출을 활용하고, 조정된 매개변수를 적용하여 미계측유역의 유출자료를 확보하는 것이다.
가설 설정
를 최적화하여 교차검증을 위한 수위관측소(영춘, 판운)의 유출을 비교 분석하였다. 이때 f1과 Rsa를 전체 충주댐 유역에 균일하게 분포함을 가정하고 최적화를 실시하였다. 먼저 f1과 Rsa의 최적화 이후 충주댐에서의 NSE의 변화는 최대치는 0.
제안 방법
또한 간소화된 최적화로 인해 얻어낼 수 있는 시간적인 유익성들도 이 방법에는 포함된다고 할 수 있다. 21개의 홍수 사상에 대한 22개의 소유역의 매개변수들에 대한 각각의 최적값들을 구하고 이를 수문지형학적 특성, 즉 유역면적(A), 하천길이(L), 유역형상계수(FF), 유역 평균경사(WAS), 하천경사(RS)와의 관계를 추출하였다. 최적화된 매개변수 값은 초기에 주어진 매개변수의 값에 대해 큰 변화를 나타내고 있지 않지만, 매개변수의 수문지형학적인자와의 안정화를 통해 조금 더 이 지역여건에 맞는 매개변수로 고정할 수 있다.
Golden Search 방법은 지역중심의 최적화 방법으로 초기값을 어떻게 두느냐에 따라서 그의 값들의 방향이 많이 움직이는 데(Chapra and Canale, 2006), 본 연구에서는 매개변수들의 초기 값으로 이근천식(Ministry of Land, Infrastructure and Transportation, 2001)을 지역적 최적화를 위한 초기 값으로 활용하여 현재 관심을 가지고 있는 22개의 소유역들의 특성과 매개변수들과의 연관관계를 파악 하는 것이다. 따라서 초기에 나누어진 소규모 유역(22개의 소유역)의 매개변수를 경험식(이근천식)으로 정하고 이를 동일한 변환 비율을 적용하여 충주댐의 관측된 유입량과 저류함수에 의해 계산된 유입량의 차이를 최소화 하여 최적화하였다. 이는 충주댐의 관측 유입량만을 이용하는 조건 하에서 고정된 지역 매개변수 식을 이용하여 얻어진 소유역의 유출값들의 오차 범위들을 얻어 낼 수 있다.
충주댐 유역은 표준권역을 중심으로 수자원공사 관리체계의 효율을 위해 구분한 22개의 중소 유역을 대상유역으로 선정하였다. 따라서 충주댐 수위관측소에서 구한 관측유입량을 기준으로 하는 최적화 방법을 통해 다른 지역, 22개 소유역의 유출구에 미치는 오차 범위들을 분석하고자 2곳(판운, 영춘 수위관측소)의 관측지점의 값과의 교차검증을 통해서 자료 확장성을 보이도록 하였다. 수문자료는 1990년부터 2009년까지의 1시간단위 강우자료와 유출자료를 활용하여 홍수사상을 선정하였다.
매개변수의 안정화를 위해 수문지형학적 특성에 관여하는 매개변수 k, p, Tl을 먼저 지역화 하였다. 안정화를 위해 선정된 21개의 홍수 사상에 대한 22개의 소유역의 매개변수들의 최적값을 관측된 충주댐 유입량을 중심으로 Golden Search 방법을 이용하여 추출하였다.
36이다. 본 연구에서는 수자원공사가 보유한 수위관측지점인 6곳 (판운, 영춘, 영월 1, 영월2, 영월, 정선2, Ministry of Land, Infrastructure and Transportation, 2005a)의 유출자료 중, 본 연구에서 선정한 기간에 대한 자료를 균일하게 보유하고 있으며 수위관측소의 분포를 고려하여 두 곳(영춘, 판운)을 유출자료의 확장에 대한 교차검증 지점으로 선정하였다. 또한 교차검증 지역 이외의 지역(영월1, 영월2, 영월, 정선2)은 자료기간의 이산과 자료의 신뢰성 문제로 부분기간별 검증용으로 사용한다.
안정화하여 고정한 매개변수(k, p, Tl)를 배경으로 각 홍수 사상마다 유출의 관측치가 존재하는 충주댐 수위관측소의 유출값을 기준으로 f1과 Rsa를 최적화하여 교차검증을 위한 수위관측소(영춘, 판운)의 유출을 비교 분석하였다. 이때 f1과 Rsa를 전체 충주댐 유역에 균일하게 분포함을 가정하고 최적화를 실시하였다.
1의 개요도에서 k, p, Tl, f1, Rsa는 유역에 대한 매개변수이고, RA는 전체유역에 대한 유출량, CRa, b, c, or d는 유역 a, 또는 b, c, d에 대해 계산된 유출량, 붉은 선은 소유역 분할선을 나타내고 있다. 유출자료의 공간적인 확장을 Fig. 1을 중심으로 설명하면, 현재 보유하고 있는 유출량 (RA)를 활용하여 작게 나뉘어진 소유역들(watershed a, b, c, d)의 매개변수들을 최적화하여 얻어내고 이 매개변수들을 중심으로 각 소유역에 대한 유출량(CRa, CRb, CRc, CRd)을 산정하는 것이다. 이는 큰 유역에 존재하는 한 개의 유출을 작게 나뉘어진 소유역의 유출로 나누는 효과를 가지는 것이다.
여기서, 공간적 자료확장이란 본 연구에서 새롭게 도입하는 개념으로서 기존연구, 즉 관측유출량을 맞추기 위해 매개변수를 조정하는 것과는 다르게 미계측유역의 매개변수들을 조정하기 위해 계측 유출을 활용하고, 조정된 매개변수를 적용하여 미계측유역의 유출자료를 확보하는 것이다. 이를 위해 물리적 기반의 분포형 모형의 적용이 적합하나, 접근이 용이하고 손쉬운 운용이 가능한 집중형 모형을 세분화 된 소유역에 적용하여 발생한 홍수사상에 대한 각 소유역의 반응을 일관된 공간적 오차범위를 갖는 유출반응으로 유도하여 현재 보유하고 있는 과거 유출자료를 중심으로 미계측 소유역의 유출자료를 동일하게 확보하고자 한다.
이를 위해 선정된 지역은 충주댐유역으로 1990년부터 2009년까지의 1시간 단위의 강우와 유출자료를 중심으로 21개의 홍수 사상을 선정하였으며 충주댐 유역을 22개의 소유역으로 분활하였다. 자료의 공간적 확장성을 확보하기 위해 저류함수의 매개변수, 특히 수문지형학적인 영향을 받는 k, p, Tl을 고정하고 매 강우사상마다 달라지는 매개변수인 f1, Rsa를 최적화 하여 22개 유역에 충주댐 수위관측소의 유입량을 기준으로 유출자료를 생성하였다. 교차검증 지역인 영춘과 판운 수위관측소의 결과를 NSE값을 기준으로 보면 충주댐의 NSE 평균값이 0.
대상 데이터
따라서 충주댐 수위관측소에서 구한 관측유입량을 기준으로 하는 최적화 방법을 통해 다른 지역, 22개 소유역의 유출구에 미치는 오차 범위들을 분석하고자 2곳(판운, 영춘 수위관측소)의 관측지점의 값과의 교차검증을 통해서 자료 확장성을 보이도록 하였다. 수문자료는 1990년부터 2009년까지의 1시간단위 강우자료와 유출자료를 활용하여 홍수사상을 선정하였다. 홍수사상을 선정하는 기본 요건으로 한 해에 3개 정도를 선정하고자 하였으나 홍수의 크기, 예로 충주댐 첨두 유출이 4000CMS 이상인 자료와 자료의 질적인 면을 고려하여 21개의 홍수사상을 선정하였다.
연구대상지역으로는 남한강 수계에 위치한 충주댐 유역 (Fig. 2)을 선택하였으며 유역면적은 6,648 km2이며 총 하천길이는 385 km, 평균경사는 0.36이다. 본 연구에서는 수자원공사가 보유한 수위관측지점인 6곳 (판운, 영춘, 영월 1, 영월2, 영월, 정선2, Ministry of Land, Infrastructure and Transportation, 2005a)의 유출자료 중, 본 연구에서 선정한 기간에 대한 자료를 균일하게 보유하고 있으며 수위관측소의 분포를 고려하여 두 곳(영춘, 판운)을 유출자료의 확장에 대한 교차검증 지점으로 선정하였다.
이를 극복하기 위해 본 연구에서는 계측된 자료를 기반으로 집중형 모형인 저류함수법을 이용하여 유출자료의 공간적인 자료확장의 대안을 제안하였다. 이를 위해 선정된 지역은 충주댐유역으로 1990년부터 2009년까지의 1시간 단위의 강우와 유출자료를 중심으로 21개의 홍수 사상을 선정하였으며 충주댐 유역을 22개의 소유역으로 분활하였다. 자료의 공간적 확장성을 확보하기 위해 저류함수의 매개변수, 특히 수문지형학적인 영향을 받는 k, p, Tl을 고정하고 매 강우사상마다 달라지는 매개변수인 f1, Rsa를 최적화 하여 22개 유역에 충주댐 수위관측소의 유입량을 기준으로 유출자료를 생성하였다.
또한 교차검증 지역 이외의 지역(영월1, 영월2, 영월, 정선2)은 자료기간의 이산과 자료의 신뢰성 문제로 부분기간별 검증용으로 사용한다. 충주댐 유역은 표준권역을 중심으로 수자원공사 관리체계의 효율을 위해 구분한 22개의 중소 유역을 대상유역으로 선정하였다. 따라서 충주댐 수위관측소에서 구한 관측유입량을 기준으로 하는 최적화 방법을 통해 다른 지역, 22개 소유역의 유출구에 미치는 오차 범위들을 분석하고자 2곳(판운, 영춘 수위관측소)의 관측지점의 값과의 교차검증을 통해서 자료 확장성을 보이도록 하였다.
수문자료는 1990년부터 2009년까지의 1시간단위 강우자료와 유출자료를 활용하여 홍수사상을 선정하였다. 홍수사상을 선정하는 기본 요건으로 한 해에 3개 정도를 선정하고자 하였으나 홍수의 크기, 예로 충주댐 첨두 유출이 4000CMS 이상인 자료와 자료의 질적인 면을 고려하여 21개의 홍수사상을 선정하였다. Table 1은 22개의 충주댐 소유역에 대한 수문지형학적인 값들을 나타내고 있다.
데이터처리
또한, 매개변수 p에 대해서도 하천길이(L)의 값이 56% 이상의 영향을 미치는 것을 보였다. 하지만 이들을 다중공선성(multicollinearity)을 분석하면 유역면적과 하천길이의 상관관계가 높게 나타나므로 이를 형상계수로 변환하고 단계적 회귀분석(stepwise regression)을 통해 최적의 관계식을 찾아내었으며 이는 Eqs. (7)~(9)로 나타나 있다.
이론/모형
을 먼저 지역화 하였다. 안정화를 위해 선정된 21개의 홍수 사상에 대한 22개의 소유역의 매개변수들의 최적값을 관측된 충주댐 유입량을 중심으로 Golden Search 방법을 이용하여 추출하였다. Golden Search 방법은 지역중심의 최적화 방법으로 초기값을 어떻게 두느냐에 따라서 그의 값들의 방향이 많이 움직이는 데(Chapra and Canale, 2006), 본 연구에서는 매개변수들의 초기 값으로 이근천식(Ministry of Land, Infrastructure and Transportation, 2001)을 지역적 최적화를 위한 초기 값으로 활용하여 현재 관심을 가지고 있는 22개의 소유역들의 특성과 매개변수들과의 연관관계를 파악 하는 것이다.
값들의 변화가 전체 모의 유출값에 큰 영향을 미치는 것을 보였다. 이번 연구에서는 모델의 평가를 위해 크기가 없는 평가치로 Nash-Sutcliffe Efficiency (NSE, Nash and Sutcliffe, 1970)을 활용하였다. NSE는 관측값과 모의값을 상대비교하며 1:1선으로 표현하는 것이다.
성능/효과
자료의 공간적 확장성을 확보하기 위해 저류함수의 매개변수, 특히 수문지형학적인 영향을 받는 k, p, Tl을 고정하고 매 강우사상마다 달라지는 매개변수인 f1, Rsa를 최적화 하여 22개 유역에 충주댐 수위관측소의 유입량을 기준으로 유출자료를 생성하였다. 교차검증 지역인 영춘과 판운 수위관측소의 결과를 NSE값을 기준으로 보면 충주댐의 NSE 평균값이 0.71일 때 영춘 수위관측소는 0.67, 판운 수위관측소는 0.52를 나타내었다. 이는 모델평가기준의 만족하는 범위(NSE > 0.
안정화 된 매개변수들은 유출자료의 미계측유역의 유출자료를 재생산하는 매개변수로 사용한다. 본 연구에서의 한 가지 특이사항은 분포형 모델에서만 보일 수 있는 매개변수의 공간분포적 특성과 미계측유역의 유출량의 값을 집중형 모형을 활용하여 확보할 수 있다는 것이다. Fig.
수문지형학적 특성에 의한 안정화한 저류함수의 매개변수의 값을 이용하여 충주댐 수위관측소의 유출의 값을 재생산하여 비교 분석한 결과 강우사상 마다 변화를 보이는 f1, Rsa 값들의 변화가 전체 모의 유출값에 큰 영향을 미치는 것을 보였다. 이번 연구에서는 모델의 평가를 위해 크기가 없는 평가치로 Nash-Sutcliffe Efficiency (NSE, Nash and Sutcliffe, 1970)을 활용하였다.
지역식을 추출하는 과정에서는 각각의 수문지형적 특성들과 매개변수들의 비례중요도를 사용하여 분석한 결과를 모델 변수들의 모델식에 대한 영향력 평균분포도(LMG: Lindeman, Merenda, and Gold, 1980)로 나타내면 하천길이(L)가 k에 대해서 가장 큰 영향력(58% 이상)을 주고 있는 것으로 나타났다. 또한, 매개변수 p에 대해서도 하천길이(L)의 값이 56% 이상의 영향을 미치는 것을 보였다.
후속연구
1995년의 경우도 유량자료는 존재하나 강우발생이 빈번한 7월부터 8월 사이의 강우자료가 존재하지 않고 있다. 이처럼 홍수사상의 모의를 통해서도 관측치의 이상 유무를 확인할 수 있을 것으로 보이며 홍수사상의 공간자료 확장의 또 다른 목적으로 연구가 가능할 것이다.
하지만, 관측 자료의 확장성의 공간적 오차를 줄이기 위해, 본 연구에서는 충주댐 전 유역에 균질한 f1, Rsa값을 적용하였으나, f1, Rsa의 경우는 호우사상에 영향을 많이 받아 각각의 호우사상에 대한 변화 폭이 크고 소유역마다 다르게 나타날 것이므로 이를 전체유역에 일관되게 가질 수 있는 가에 대해 연구를 진행할 필요가 있다. 특히 Rsa의 값은 공간적인 확장성이나 변화를 보는 것이 정확성을 더욱 확보한 자료의 공간적인 확장 가능성을 보일 것이다.
5)에 드는 것으로 관측 자료를 중심으로 미계측유역의 유출자료를 확장하는 것의 가능성을 보였다고 할 수 있으며 분포형 모형 대신에 집중형 모형을 활용하여 자료의 공간적인 확장성을 보였다. 하지만, 관측 자료의 확장성의 공간적 오차를 줄이기 위해, 본 연구에서는 충주댐 전 유역에 균질한 f1, Rsa값을 적용하였으나, f1, Rsa의 경우는 호우사상에 영향을 많이 받아 각각의 호우사상에 대한 변화 폭이 크고 소유역마다 다르게 나타날 것이므로 이를 전체유역에 일관되게 가질 수 있는 가에 대해 연구를 진행할 필요가 있다. 특히 Rsa의 값은 공간적인 확장성이나 변화를 보는 것이 정확성을 더욱 확보한 자료의 공간적인 확장 가능성을 보일 것이다.
, 2012)은 하류단의 한 지점을 중심으로한 유역의 매개변수의 최적값은 추정하여 특정 사상에 대한 홍수유출모의를 관측유출에 가장 가깝게 만드는데 목적을 두고 있다. 하지만, 본 연구에서는 관측된 유출을 이용하여 나뉘어진 중소규모의 미계측유역의 최적화된 매개변수를 구하는데 사용하고 이를 미계측유역의 유출자료를 얻어내기 위한 확장작업의 기초 작업으로 활용한다. Fig.
질의응답
핵심어
질문
논문에서 추출한 답변
수문기상요소의 시공간적 변화와 유역 특성의 변동으로 인한 홍수피해에 대처하기 위한 조치사항은 어떻게 분류하는가?
수문기상요소의 시공간적 변화와 유역 특성의 변동으로 인한 홍수피해에 대처하기 위한 조치사항으로는 구조적인 대책과 비구조적 대책으로 나눌 수 있다. 구조적 대책은 하천제방이나 홍수조절 댐 등을 고려하는 것이며 비구조적 대책은 홍수예경보 등을 통한 방법이다.
구조적 대책이란?
수문기상요소의 시공간적 변화와 유역 특성의 변동으로 인한 홍수피해에 대처하기 위한 조치사항으로는 구조적인 대책과 비구조적 대책으로 나눌 수 있다. 구조적 대책은 하천제방이나 홍수조절 댐 등을 고려하는 것이며 비구조적 대책은 홍수예경보 등을 통한 방법이다. 이들을 위한 홍수량의 산정 방법으로는 강우-유출관계를 활용한 방법과 홍수빈도 해석방법이 가장 보편적이다(Yoon, 2011).
강우-유출관계를 활용한 방법과 홍수빈도 해석방법에서 필수적인 요소는 무엇인가?
이들을 위한 홍수량의 산정 방법으로는 강우-유출관계를 활용한 방법과 홍수빈도 해석방법이 가장 보편적이다(Yoon, 2011). 두 가지 방법에 있어서 하천유출의 측정치는 필수적인 요소이지만, 우리나라에서는 홍수 예보지역, 대하천 내 주요지점을 위주로 유출 측정이 이루어지고 있어 중소유역의 경우 유출 관측이 이루어 지지 않고 있는 실정이다. 이와 같이 홍수량이 측정되지 않은 유역을 미계측유역이라 분류하며 미계측 유역의 유출자료 확보를 위한 연구가 필수적이라 할 수 있다.
참고문헌 (27)
Bae, D.-H. (1997). "Development of stochastic real-time flood forecast system by storage function method." J. of Korea Water Reso. Asso., Vol. 30, No. 5, pp. 449-457.
Bae, D.-H., and Chung, I.-M. (2000). "Development of stochastic-dynamic channel routing model by storage function method." J. of Korea Water Reso. Asso., Vol. 33, No. 3, pp. 341-350.
Bloschl, G., and Sivapalan, M. (1995). "Scale issues in hydrological modelling-a review." Hydrol. Process. Vol. 9, pp. 251-290.
Boughton, W., and Chiew, F. (2007). "Estimating runoff in ungauged catchments from rainfall, PET and the AWBM model." Environ. Model. Soft., Vol. 22, pp. 476-487.
Chapra, S.C., and Canale, R.P. (2006). Numerical methods for engineers 5th edition, McGraw Hill Higher Education, NewYork.
Chung, G., Park, H.-S., Sung, J.Y., and Kim, H.-J. (2012). "Determination and evaluation of optimal parameters in storage function method using SCE-UA." J. of Korea Water Reso. Asso., Vol. 45, No. 11, pp. 1169-1186.
Kim, B.J., Kawk, J.W., Lee, J.H., and Kim, H.S. (2008) "Calibration and estimation of parameter for storage function model." J. of Korean Soceity of Civil Engineering, Vol. 28, No. 1b, pp. 21-32.
Kim, B.J., Song, J.H., Kim, H.S., and Hong, I.P. (2006). "Parameter calibration of Storage function model and flood forecasting (2) comparative study on the flood forecasting methods." J. of Korean Soceity of Civil Engineering, Vol. 26, No. 1b, pp. 39-50.
Kim, T., and Yoon, K. (2007). "Application of storage function method with SCS method." J. of Korea Water Reso. Asso., Vol. 40, No. 7, pp. 523-532.
Ministiry of Land, Infrasturture and Transport (2001). Seomjin River Flood Forecasting and Warning Report, Research Report, Seomjin River Flood Control Office.
Ministiry of Land, Infrasturture and Transport (2004). Improvement of flood forecasting and warning systeme for Keum River: Yongdam Dam and Mihochun, Research Report, Korea Institute of Construction Technology.
Ministiry of Land, Infrasturture and Transport (2005a). Installation of integrated flood control system with dam operation in Han River Watershed, Research Report, K-Water.
Ministiry of Land, Infrasturture and Transport (2005b). Improvement and evaluation of flood forecasting and warning model (1st Session), Research Report, Korea Institute of Construction Technology.
Ministiry of Land, Infrasturture and Transport (2006). Improvement and evaluation of flood forecasting and warning model (2nd Session), Research Report, Korea Institute of Construction Technology.
Moriasi, D.N., Arnold, J.G., Van Liew M.W., Bingner R.L., Hrmel, R.D., and Veith, T.L. (2007). "Model evaluation guidelines for systematic quantification of accuracy in watershed simulations." American Society of Agricultural and Biological Engineers, Vol. 50, No. 3, pp. 885-900.
Nash, J.E., and Sutcliffe J.V. (1970). "River flow forecasting through conceptual models part I-A discussion of principles." J. of Hydrology, Vol. 10, No. 3, pp. 282-290.
Parajka, J., Merz, R., and Bloschl, G. (2005). "A comparison of regionalization methods for catchment model parameters." Hydrol. Earth Syst. Sci., Vol. 9, pp. 157-171.
Park, B.-J, Cha, H.-S., and Kim, J.-H. (1997). "A study on parameter estimation of storate function model using the genetic algorithms." J. of Korea Water Reso. Asso., Vol. 30, No. 4, pp. 347-355.
Piman, T., and Babel, M.S. (2013). "Prediction of rainfallrunoff in an ungauged basin: Case study in the mountainous region of Northern Thailand." J. of Hydrolologic Engineering, Vol. 13, No. 2, pp. 285-296.
Shin, C.-K, Cho, H.-S., Jung, K.-S., and Kim, J.-H. (2004). "Grid based rainfall-runoff modeling using storage function method." J. of Korea Water Resources Association, Vol. 37, No. 11, pp. 969-978.
Song, J.H., Kim, H.S., Hong, I.P., and Kim, S.U. (2006). "Parameter calibration of storage function model and flood forecasting (1) Clibration methods and evaluation of simulated flood hydrograph." J. of Korean Soceity of Civil Engineering, Vol. 26, No. 1b, pp. 27-38.
Sugiyama, H., Kadoya, M., Nagai, A., and Lausey, K. (1997). "Evaluation of the storage function model parameter characteristics." J. of Hydrology, Vol. 191, pp. 332-348.
Wagener, T., and Wheater, H.S. (2006). "Parameter estimation and regionalization for continous rainfallrunoff models including uncertainty." J. of Hydrology, Vol. 320, pp. 132-154.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.