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
- 하지만 단기 강우예측에 대한 훌륭한 적용성에도 불구하고 아직까지 토사재해의 예측을 위하여 초단기 예측강우를 활용한 사례는 없었던 것이 사실이다. 따라서 본 연구에서는 토사재해 예경보를 위하여 초단기 예측강우가 적용될 수 있는지에 대하여 검토하고자 한다.
- 본 연구에서는 Kim et al. (2016)이 제시한 토사재해 예경보 강우기준을 이용하여 예측자료의 적용 가능성을 검토하였다. 대상지역에 7월 4일에 발생한 강우량에 대하여 6hr, 12hr, 24시간에 대한 누적강우를 산정하였으며 Nowcasting 개념의 AWS와 레이더를 이용하는 경우를 기준으로 Forecasting 개념의 선행예측을 수행하는 MAPLE 모형의 결과를 이용하는 경우(1hr, 2hr, 3hr)를 비교·평가하였다(Table 4 참고).
- 본 연구에서는 토사재해 발생에 가장 큰 영향을 미치는 강우량을 이용하여 토사재해 예경보를 수행할 경우 초단기예측강우를 활용할 수 있는지에 대한 검토를 하였다. 초단기 예측자료를 활용하기 위한 방법으로 신경망 모형을 적용하였으며 레이더와 AWS의 관계를 이용하여 신경망을 학습하였다.
- 본 연구에서는 토사재해 예경보를 위하여 초단기 예측강우의 적용성을 확인하고자 하였다. 이를 위하여 MAPLE 자료를 활용하였는데 레이더 강우의 합성장을 초기장으로 사용하는 MAPLE의 자료를 직접적으로 토사재해 예경보에 활용할 수는 없다.
- 본 연구에서는 토사재해 예경보에 있어 강우량 자료를 적극 활용하는 방법론을 제시하고자 한다. 이를 위하여 관측자료라고 할 수 있는 지상관측강우, 레이더강우와 함께 예측자료인 초단기 예측강우를 수집하였다.
제안 방법
- 5와 같다. 공간적으로 일치하는 지점 관측 AWS 지점에 격자 기반의 레이더 강우를 활용하여 신경망을 학습시킨 후 레이더 강우를 MAPLE 강우로 대체하여 목표지점(Test-bed)에 대한 예측을 수행하였다.
- 따라서 본 연구에서는 Kim (1993)의 연구를 바탕으로 4개의 노드로 구성된 중간층을 구성하였다. 그리고 AWSk 를 목표로 설정하여 1개의 노드로 구성된 출력층을 하는 총 8개의 노드를 갖는 다층 신경망 모형을 구축하였다. 예측을 위하여 Radark-2, Radark-1, Radark 대신에 초단기 예측 강우자료 MAPLEk-2, MAPLEk-1, MAPLEk 를 설정함으로써 대상지역(Test-bed)의 강우량을 예측하였다.
- 초단기 예측자료를 활용하기 위한 방법으로 신경망 모형을 적용하였으며 레이더와 AWS의 관계를 이용하여 신경망을 학습하였다. 그리고 MAPLE에 의하여 생성된 예측강우를 입력자료로 1hr, 2hr, 3hr 선행예측을 수행하였다. 또한 6hr, 12hr, 24hr의 누적강우에 대한 토사재해 예경보기준을 이용하여 MAPLE 예측강우의 적용성을 Test-bed 지점에 설치한 AWS 강우량과 비교 평가하였다.
- 여기에서 원시 레이더 강우와 지상관측강우와의 관계를 이용하여 신경망 모형을 학습하고 원시 초단기 예측강우를 입력자료로 적용하여 강수를 예측하였다. 그리고 시간단위 누가강우를 이용하는 토사재해 예경보 기준에 따른 예측강우의 적용성을 확인하는 방법론을 설정하였다.
- 대상지역에 7월 4일에 발생한 강우량에 대하여 6hr, 12hr, 24시간에 대한 누적강우를 산정하였으며 Nowcasting 개념의 AWS와 레이더를 이용하는 경우를 기준으로 Forecasting 개념의 선행예측을 수행하는 MAPLE 모형의 결과를 이용하는 경우(1hr, 2hr, 3hr)를 비교·평가하였다(Table 4 참고).
- 따라서 7월 4일의 10분 단위 강우량을 수집하였으며 강우는 7/4/00:00 – 7/4/12:00 사이에 집중된 것을 확인하였다(Fig. 2 참고).
- Kim(1993)은 신경망의 중간층 처리소자는 입력층의 개수가 D개일 때 2D 또는 2D+1개로 구성할 것을 제안한 바 있다. 따라서 본 연구에서는 Kim (1993)의 연구를 바탕으로 4개의 노드로 구성된 중간층을 구성하였다. 그리고 AWSk 를 목표로 설정하여 1개의 노드로 구성된 출력층을 하는 총 8개의 노드를 갖는 다층 신경망 모형을 구축하였다.
- 그리고 MAPLE에 의하여 생성된 예측강우를 입력자료로 1hr, 2hr, 3hr 선행예측을 수행하였다. 또한 6hr, 12hr, 24hr의 누적강우에 대한 토사재해 예경보기준을 이용하여 MAPLE 예측강우의 적용성을 Test-bed 지점에 설치한 AWS 강우량과 비교 평가하였다. 평가결과 MAPLE 예측강우를 이용할 경우 AWS를 이용할 경우 보다 선행(약 3시간 까지)하여 토사재해 예경보를 발령할 수 있음을 확인하였다.
- 6와 Table 3와 같다. 모형을 이용하여 예측을 수행하기 전에 레이더와 AWS와의 관계를 이용하여 학습한 신경망 모형의 검증을 위하여 Test-bed 지점에 대한 평가를 수행하였다. 검증 결과는 RMSE 3.
- 레이더 강우의 보정 방법은 G/R(Gauge to Radar)기법(Barbosa, 1994), KalmanFilter 보정기법(Ahnert et al, 1986), 신경망에 의한 보정기법(Liu and Chandrasekar, 2001) 등이 대표적으로 활용되고 있다. 본 연구에서는 미계측 지점의 강우를 추정하기 위하여 레이더 강우와 주변 지상강우를 통합적으로 활용할 수 있을 뿐만 아니라 확장성과 적용성이 우수한 신경망에 의한 보정기법을 활용하였다.
- 이를 위하여 관측자료라고 할 수 있는 지상관측강우, 레이더강우와 함께 예측자료인 초단기 예측강우를 수집하였다. 여기에서 원시 레이더 강우와 지상관측강우와의 관계를 이용하여 신경망 모형을 학습하고 원시 초단기 예측강우를 입력자료로 적용하여 강수를 예측하였다. 그리고 시간단위 누가강우를 이용하는 토사재해 예경보 기준에 따른 예측강우의 적용성을 확인하는 방법론을 설정하였다.
- 그리고 AWSk 를 목표로 설정하여 1개의 노드로 구성된 출력층을 하는 총 8개의 노드를 갖는 다층 신경망 모형을 구축하였다. 예측을 위하여 Radark-2, Radark-1, Radark 대신에 초단기 예측 강우자료 MAPLEk-2, MAPLEk-1, MAPLEk 를 설정함으로써 대상지역(Test-bed)의 강우량을 예측하였다.
- 레이더 및 초단기 예측자료의 활용을 위한 세부 모형의 구성 방법은 다음과 같다. 우선 신경망의 학습을 위하여 입력자료로 지체시간(10분 단위)을 고려한 3개의 레이더 강우 Radark-2, Radark-1, Radark를 구성하였다. Kim(1993)은 신경망의 중간층 처리소자는 입력층의 개수가 D개일 때 2D 또는 2D+1개로 구성할 것을 제안한 바 있다.
- 본 연구에서는 토사재해 발생에 가장 큰 영향을 미치는 강우량을 이용하여 토사재해 예경보를 수행할 경우 초단기예측강우를 활용할 수 있는지에 대한 검토를 하였다. 초단기 예측자료를 활용하기 위한 방법으로 신경망 모형을 적용하였으며 레이더와 AWS의 관계를 이용하여 신경망을 학습하였다. 그리고 MAPLE에 의하여 생성된 예측강우를 입력자료로 1hr, 2hr, 3hr 선행예측을 수행하였다.
대상 데이터
- S밴드를 이용하는 오성산 관측소는 전라북도 군산시 오성산(위도 : 36.0105°, 경도 : 126.7867°)에 위치하고 있으며 2007년 5월에 설치되었다.
- 5mm 였으며, 최대강우강도는 32mm/hr로 분석되었다. 그리고 대상지역 주변의 5개 AWS(금남, 연서, 공주, 정안, 연기)에 대한 강우량도 수집하였다(Fig. 1과 Table 2 참고).
- 기상청에서 운영 중인 기상레이더 중 대상지역과 가장 가까이에 위치(직선거리 약 71km)하고 있는 관측소는 오성산 레이더 관측소이다. S밴드를 이용하는 오성산 관측소는 전라북도 군산시 오성산(위도 : 36.
- 대상지역(Fig. 1)에 설치한 자동우량계로부터 2016년 주요 강우사상을 검토하였다. 이 중 2016년 일최고 강우량은 약 158.
- 시간해상도는 10분이며 공간해상도는 1kmx 1km 시공간 해상도가 우수하다. 따라서 7월 4일 00시-12시 까지 10분 간격의 레이더 강우를 오성산 관측소로부터 수집하다. Fig.
- 이들의 단일 격자 크기는 1㎞×1㎞이며, 예보영역 1,024㎞×1,024㎞의 격자체계를 갖추고 있다(National Institute of Meteorological Science, 2009). 따라서 MAPLE 자료도 7월 4일 00시-12시 까지 10분 간격의 예측자료를 수집하였다. 이중 7월 4일 03시와 06시를 기준으로 예측을 수행한 결과는 Fig.
- , 2007). 본 연구에서는 1km 공간해상도를 갖는 10분 단위CAPPI 자료를 이용하였다.
- 본 연구에서는 기상청에서 제공되는 초단기 예측강우 중 MAPLE 모형으로부터 생산되는 자료를 이용하였다. 이 자료는 10분 단위로 갱신되고 6시간 선행 예측과 10분 간격의 관측을 실시한다.
- 본 연구에서는 토사재해 연구를 위하여 금강유역 내에 금강과 미호천 합류부 근처에 위치한 세종특별자치시(구 주소: 충청남도 연기군 남면 진의리 산 64번지, TM coordinate system, 36.507642, 127.272202)을 대상지역(Test-bed)으로 설정하였다(Fig. 1 참고). 이 지점은 토사재해 모니터링을 위하여 자동우량관측장비를 설치/운영 중에 있어 지상에 발생한 강우량의 관측이 용이하다.
- 본 연구에서는 토사재해 예경보에 있어 강우량 자료를 적극 활용하는 방법론을 제시하고자 한다. 이를 위하여 관측자료라고 할 수 있는 지상관측강우, 레이더강우와 함께 예측자료인 초단기 예측강우를 수집하였다. 여기에서 원시 레이더 강우와 지상관측강우와의 관계를 이용하여 신경망 모형을 학습하고 원시 초단기 예측강우를 입력자료로 적용하여 강수를 예측하였다.
- 4와 같다. 최초 예측 시작 시점은 Nowcasting 자료라고 할 수 있으며 1시간 간격으로 3시간까지 선행 예측한 자료는 Forecasting 자료라고 할 수 있다.
데이터처리
- 48km 거리에 있는 금남관측소 등 연서, 공주, 정안 AWS 관측소들이 위치하고 있다(Table 2 참고). 따라서 주변관측소의 정보를 쉽게 활용하여 신경망 모형을 구성하고 그 결과를 비교 평가할 수 있다.
- 학습 및 예측결과는 RMSE (Root Mean Square Error), 상관계수(Correlation Coefficient, CC), 모형 효율성계수(Model Efficiency coefficient, ME, Nash and Sutcliffe, 1970)로 평가하였으며 각각 식 (3)-(5)와 같이 표현된다.
이론/모형
- Kim et al.(2016)에 의하여 제시된 토사재해 예경보기준(강우위험기준)을 이용하여 초단기 예측강우를 토사재해예경보에 활용할 수 있는지에 대한 검토를 수행하였다. Test-bed 지점의 AWS 결과와 비교한 결과 예측시간 또는 이보다 선행하여 토사재해 예경보가 가능함을 확인하였다.
- 이유는 레이더 강우의 경우 지상에 발생한 강우량을 직접 측정하는 방식이 아니기 때문에 간접적으로 대기에서 측정되는 강우를 지상 강우로 보정하는 과정이 필요하다. 따라서 MAPLE 자료 또한 레이더 자료와 마찬가지로 보정이 필요하며 본 연구에서는 이를 위하여 신경망 기법을 적용하였다. 여기에서 신경망을 이용할 경우 입력층으로 활용될 수 있는 자료는 관측(Nowcasting) 또는 예측(Forecasting)의 차이에 의하여 활용될 수 있는 자료에 차이가 난다.
- 오차함수 Et가 0에 접근할수록 더욱 적절한 신경망이 완성되는 것이며, 역전파 알고리즘에서는 이를 위하여 경사하강(gradient descent) 알고리즘을 이용한다. 경사하강 알고리즘은 오차함수의 최소화를 위하여 가장 널리 쓰이는 방법으로써 오차 함수의 경사(gradient)에 비례하여 변수를 조절해 나가게 된다.
성능/효과
- 24시간 누적강우를 이용할 경우에도 AWS 기준에서는 Watch 6:00 (>103.07mm), Warning 8:00(>144.36mm)를 기준으로 검토할 때, MAPLE 예측강우를 이용할 경우에도 AWS를 이용할 경우 보다 선행하여 토사재해예경보를 발령할 수 있는 것으로 나타났다.
- 6시간 누적강우를 기준으로 강우위험기준을 넘기 시작하는 시간을 살펴볼 때, AWS 기준(Test-bed 지점)에서는 Watch 6:00(>52.98mm), Warning 8:00(>82.91mm), Radar 기준에서는 Watch 6:00, Warning 7:00인 것으로 나타났다.
- (2016)에 의하여 제시된 토사재해 예경보기준(강우위험기준)을 이용하여 초단기 예측강우를 토사재해예경보에 활용할 수 있는지에 대한 검토를 수행하였다. Test-bed 지점의 AWS 결과와 비교한 결과 예측시간 또는 이보다 선행하여 토사재해 예경보가 가능함을 확인하였다. 하지만 예측강우 기반의 정확한 토사재해 예경보를 위해서는 MAPLE에 의한 초단기 예측강우의 정확성이 우선적으로 담보되어야 한다.
- 모형을 이용하여 예측을 수행하기 전에 레이더와 AWS와의 관계를 이용하여 학습한 신경망 모형의 검증을 위하여 Test-bed 지점에 대한 평가를 수행하였다. 검증 결과는 RMSE 3.15mm, CC 0.93, ME 0.81로 모형의 적용성이 우수한 것으로 판단되었다. 다음으로 모형의 예측 결과에 대한 검증을 위하여 신경망 모형에 MAPLE 자료를 입력자료로 강우예측을 수행한 결과 1시간 선행 예측의 경우 RMSE 3.
- 81로 모형의 적용성이 우수한 것으로 판단되었다. 다음으로 모형의 예측 결과에 대한 검증을 위하여 신경망 모형에 MAPLE 자료를 입력자료로 강우예측을 수행한 결과 1시간 선행 예측의 경우 RMSE 3.98mm, CC 0.87, ME 0.69, 3시간 예측의 경우 RMSE 6.04 mm, CC 0.69, ME 0.34로 나타나 선행예측 시간이 길어짐에 따라 예측력이 현저히 떨어지는 것을 확인 할 수 있었다. 여기에서 MAPLE 모형을 이용하여 강우를 예측하고자 할 경우 Mandapaka et al.
- 91mm), Radar 기준에서는 Watch 6:00, Warning 7:00인 것으로 나타났다. 예측의 경우 1시간 예측의 경우 Watch 5:00, Warning 6:00인 것으로 나타났으며 선행예측 2시간과 3시간의 강우자료를 이용할 경우보다 이른 시간에 강우위험기준을 넘는 강우를 예측할 수 있는 것으로 나타났다. 24시간 누적강우를 이용할 경우에도 AWS 기준에서는 Watch 6:00 (>103.
- 이러한 이유는 예측자료의 정확성에도 영향을 미칠 수 있을 것으로 판단된다. 예측자료가 갖는 한계, 즉 MAPLE 예측자료의 부정확성도 대상지역에 강우량을 정확히 예측하는데 큰 영향을 주었다. 이에 따라 선행예측시간이 길어질수록 예측력이 현저히 저하됨을 확인하였다.
- 예측자료가 갖는 한계, 즉 MAPLE 예측자료의 부정확성도 대상지역에 강우량을 정확히 예측하는데 큰 영향을 주었다. 이에 따라 선행예측시간이 길어질수록 예측력이 현저히 저하됨을 확인하였다.
- 또한 6hr, 12hr, 24hr의 누적강우에 대한 토사재해 예경보기준을 이용하여 MAPLE 예측강우의 적용성을 Test-bed 지점에 설치한 AWS 강우량과 비교 평가하였다. 평가결과 MAPLE 예측강우를 이용할 경우 AWS를 이용할 경우 보다 선행(약 3시간 까지)하여 토사재해 예경보를 발령할 수 있음을 확인하였다. 하지만 예측강우의 정확성이 선행예측 시간이 길어짐에 따라 현저히 줄어드는 한계가 있었다.
후속연구
- 34로 나타나 선행예측 시간이 길어짐에 따라 예측력이 현저히 떨어지는 것을 확인 할 수 있었다. 여기에서 MAPLE 모형을 이용하여 강우를 예측하고자 할 경우 Mandapaka et al. (2012)의 연구결과에서 제시된 바와 같이 3시간 선행 예측자료의 적용성이 있을 것으로 판단된다.
- 더불어 이러한 노력과 함께 적극적으로 예측강우를 활용하는 연구가 토사재해 분야에 필요하다. 향후 예측강우의 불확실성에 대한 한계를 인식하고 예측가능시간을 검토함과 동시에 불확실성 기반의 토사재해 예경보 발령 방법론에 대한 연구가 필요할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.