인공신경망 모형을 이용한 도달시간의 신뢰성 평가 -온천천 유역을 대상으로- Reliability evaluations of time of concentration using artificial neural network model -focusing on Oncheoncheon basin-원문보기
하천 관리에 있어 도달시간은 중요한 인자 중의 하나이다. 특히 사회적으로 다양한 하천 활용에 대한 요구가 높아짐에 따라 친수공간으로써 하천에서의 정확한 도달시간 산정은 홍수시 주민 대피 시간 확보 등을 위해서 매우 중요하다. 그러나 과거 도달시간 산정에 대한 연구는 자연 하천의 복합 유역에서의 단일 수문사상에 대하여 연구가 수행되어왔으며, 도심하천의 단일유역을 대상으로 복합 수문 사상에 대한 도달시간 산정방법의 개발은 미흡한 실정이다. 따라서 최근 집중호우에 의하여 빈번한 침수 피해가 발생된 부산광역시 대표 도심하천인 온천천 유역에 대하여 과거 10년(2006~2015년) 동안의 강우-유출량 자료를 이용하여 도달시간을 산정하였고, Matlab 기반의 인공신경망 기법을 이용하여 신뢰성을 검토하였다. 12시간 이상 무강우를 기준으로 총 254개의 강우 사상을 분리하였고, 이를 바탕으로 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간, 도달시간 등 총 6개의 변수를 산정하여 인공신경망 모형의 훈련 및 검증에 활용하였다. 그 결과 훈련에 과 예측 및 검증에 활용된 입력 변수의 상관관계는 각 각 0.807 및 0.728로 나타났으며, 연구결과를 바탕으로 도심하천의 도달시간 산정결과의 신뢰성 분석에 이를 활용할 수 있을 것으로 판단된다.
하천 관리에 있어 도달시간은 중요한 인자 중의 하나이다. 특히 사회적으로 다양한 하천 활용에 대한 요구가 높아짐에 따라 친수공간으로써 하천에서의 정확한 도달시간 산정은 홍수시 주민 대피 시간 확보 등을 위해서 매우 중요하다. 그러나 과거 도달시간 산정에 대한 연구는 자연 하천의 복합 유역에서의 단일 수문사상에 대하여 연구가 수행되어왔으며, 도심하천의 단일유역을 대상으로 복합 수문 사상에 대한 도달시간 산정방법의 개발은 미흡한 실정이다. 따라서 최근 집중호우에 의하여 빈번한 침수 피해가 발생된 부산광역시 대표 도심하천인 온천천 유역에 대하여 과거 10년(2006~2015년) 동안의 강우-유출량 자료를 이용하여 도달시간을 산정하였고, Matlab 기반의 인공신경망 기법을 이용하여 신뢰성을 검토하였다. 12시간 이상 무강우를 기준으로 총 254개의 강우 사상을 분리하였고, 이를 바탕으로 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간, 도달시간 등 총 6개의 변수를 산정하여 인공신경망 모형의 훈련 및 검증에 활용하였다. 그 결과 훈련에 과 예측 및 검증에 활용된 입력 변수의 상관관계는 각 각 0.807 및 0.728로 나타났으며, 연구결과를 바탕으로 도심하천의 도달시간 산정결과의 신뢰성 분석에 이를 활용할 수 있을 것으로 판단된다.
For the stream management, time of concentration is one of the important factors. In particular, as the requirement about various application of the stream increased, accuracy assessment of concentration time in the stream as waterfront area is extremely important for securing evacuation at the floo...
For the stream management, time of concentration is one of the important factors. In particular, as the requirement about various application of the stream increased, accuracy assessment of concentration time in the stream as waterfront area is extremely important for securing evacuation at the flood. the past studies for the assessment of concentration time, however, were only performed on the single hydrological event in the complex basin of natural streams. The development of a assessment methods for the concentration time on the complex hydrological event in a single watershed of urban streams is insufficient. Therefore, we estimated the concentration time using the rainfall- runoff data for the past 10 years (2006~2015) for the Oncheon stream, the representative stream of the Busan, where frequent flood were taken place by heavy rains, in addition, reviewed the reliability using artificial neural network method based on Matlab. We classified a total of 254 rainfalls events based on over unrained 12 hours. Based on the classification, we estimated 6 parameters (total precipitation, total runoff, peak precipitation/ total precipitation, lag time, time of concentration) to utilize for the training and validation of artificial neural network model. Consequently, correlation of the parameter, which was utilized for the training and the input parameter for the predict and verification were 0.807 and 0.728, respectively. Based on the results, we predict that it can be utilized to estimate concentration time and analyze reliability of urban stream.
For the stream management, time of concentration is one of the important factors. In particular, as the requirement about various application of the stream increased, accuracy assessment of concentration time in the stream as waterfront area is extremely important for securing evacuation at the flood. the past studies for the assessment of concentration time, however, were only performed on the single hydrological event in the complex basin of natural streams. The development of a assessment methods for the concentration time on the complex hydrological event in a single watershed of urban streams is insufficient. Therefore, we estimated the concentration time using the rainfall- runoff data for the past 10 years (2006~2015) for the Oncheon stream, the representative stream of the Busan, where frequent flood were taken place by heavy rains, in addition, reviewed the reliability using artificial neural network method based on Matlab. We classified a total of 254 rainfalls events based on over unrained 12 hours. Based on the classification, we estimated 6 parameters (total precipitation, total runoff, peak precipitation/ total precipitation, lag time, time of concentration) to utilize for the training and validation of artificial neural network model. Consequently, correlation of the parameter, which was utilized for the training and the input parameter for the predict and verification were 0.807 and 0.728, respectively. Based on the results, we predict that it can be utilized to estimate concentration time and analyze reliability of urban stream.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 인공신경망 모형 중 다층퍼셉트론 오류 역전파 알고리즘을 활용하여 온천천 유역에 대한 도달시간을 분석하였다. 오류 역전파알고리즘의 첫 번째 작업은 훈련 과정을 선정하는 것으로 산정된 변수들을 입력하여 신경망에 정확히 인지시키는 작업으로 이를 통하여 인공신경망의 출력층에 대한 결과인 도달시간과 관련된 각 변수별 가중치를 계산하였다.
(2006)은 도시유역의 특성을 나타내는 인자 중 유출과 관련된 수문특성인자인 유출총량, 첨두유량, 도달 시간의 관계를 분석한 연구를 수행하였다. 이와 같은 선행 연구에 근거하여 본 연구에서는 도심하천의 단일 유역에 대하여 실제 관측된 강우량과 유출량 자료만을 이용하여 도달시간을 산정하고, 각 각의 강우사상에서의 강우-유출량으로부터 선행 연구와 같은 수문학적 인자를 추출하여 인공신경망 모형에 대입하여 산정된 도달시간과 인자들의 신뢰성을 평가하고자 한다.
제안 방법
1) 2006년부터 2015년까지 총 10개년 동안의 실측 자료를 이용하여 도달시간에 영향을 미치는 인자중의 하나인 강수량 및 유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 구분하였다. 강우사상에 대한 강우-유출 관계의 수문 곡선을 작성하였고, 총 254개의 강우사상을 선정하였다.
3) 그리고 산정된 변수를 이용하여 인공신경망 모형을 개발하여 도달시간에 대한 신뢰성을 평가하였다. 산정된 입력변수 중 2/3에 해당하는 168개는 인공신경망 모형의 훈련을 위해 활용하였고, 나머지 86개는 예측 및 검증에 활용하였다.
강우사상에 대한 강우-유출 관계의 수문 곡선을 작성하였고, 총 254개의 강우사상을 선정하였다. 각 각의 강우사상별로 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간 등 6개의 변수를 산정하였다.
강우량과 유출량 자료를 이용하여 온천천 유역의 수문곡선을 도시한 결과 Fig. 5와 같이 복합 수문곡선으로 나타나는 점을 감안하여 각 강우사상에 대한 도달시간을 계산하였다. 온천천 유역에서의 도달시간 산정은 각 강우사상별로 총 강우량의 체적에 대한 무게 중심을 나타내는 시간을 구하였고(a),그 다음 총 유출량 수문 곡선에 대하여 Matlab 모형을 이용하여 미분을 실시하여 미분값이 0 또는 0에 가까운 시간을 수문곡선에서의 변곡점으로 결정(b)하였다.
, 2016). 그러므로 우선 각각의 강우사상에 대하여 총 강우량의 무게중심에 해당하는 시간을 유효우량이 끝나는 시점으로 결정하였다. 그리고 유출수문곡선에 대하여 변곡점을 결정하여 도달시간을 계산하였다.
수집된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였다. 그리고 각 사상별로 첨두 강우량 발생 시간과 첨두 유출량 발생 시간을 구하여 두 간격의 시간 차이를 지체시간으로 산정하였다.
그러므로 우선 각각의 강우사상에 대하여 총 강우량의 무게중심에 해당하는 시간을 유효우량이 끝나는 시점으로 결정하였다. 그리고 유출수문곡선에 대하여 변곡점을 결정하여 도달시간을 계산하였다. 다음Table 3은 각 연도별로 산정된 강우 사상 중 2009년의 지체시간 및 도달시간에 대하여 정리한 것이다.
(2015)은 국내외에서 개발된 기존의 경험식의 대부분은 특정 지역에 적용했을 때 정확도가 떨어진다는 단점을 보완하기 위하여 지역적 성향을 고려한 도달시간을 개발하였다. 대상 유역에 대하여 유역특성인자와 도시 및 강우특성인자를 구분하여 분석하였으며,단계적 다중회귀분석을 통하여 도달시간 공식을 개발하여 기존 경험식들에 비하여 더 정확한 결과를 제시하였다.
, 2004). 따라서 본 연구에서는 과거 10년 동안(2006~2015년) 실측된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였으며, 각 강우사상에 대하여 인공신경망 모형의 입력 변수로 사용하기 위한 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간을 구하였다. 이렇게 산정된 총 6개의 입력 변수를 Matlab 기반의 인공신경망 모형에 적용하여 대상유역에서 산정된 도달시간에 대한 신뢰성을 평가하였다.
온천천 유역의 실측 자료를 이용하여 산정된 변수들을 적용하여 트레이닝 하였다. 또한 인공신경망의 추론능력 향상을 위하여 시그모이드 함수를 적용하여 본 연구에서 산정된 도달 시간에 영향을 준 입력 데이터에 적용하여 입력 데이터 항목 값을 0.1에서 0.9 사이의 값을 갖도록 정규화 하였다. 가중치 계산을 위한 인공신경망 구조는 6 (Input Layer) × 11 (Hidden Layer) × 1 (Output Layer)로 설정하였다.
지체시간은 유효우량 중심에서 직접유출수문곡선의 첨두곡선까지의 시간으로 결정된다(Jeong et al, 2002). 수집된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였다. 그리고 각 사상별로 첨두 강우량 발생 시간과 첨두 유출량 발생 시간을 구하여 두 간격의 시간 차이를 지체시간으로 산정하였다.
총 254개의 변수 중2/3에 해당되는 168개는 인공신경망의 훈련을 위해 활용하였고, 그 나머지 86개는 예측 및 검증에 이용하였다. 여기서 입력변수로 산정한 첨두 강우량/총 강우량 및 첨두 유출량/총 유출량에 따른 변수는 강우 규모에 따른 상관성을 분석하기 위하여 입력 변수로 산정하였다.
Table 5는 통계프로그램인 SPSS를 이용하여 인공신경망 모형의 입력 변수로 활용된 6가지 인자들을 이용하여 분석한 결과이다. 여기서 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간은 독립변수, 도달시간은 종속변수로 설정하여 분석을 실시하였다.
온천천 유역의 실측 자료를 이용하여 산정된 변수들을 적용하여 트레이닝 하였다. 또한 인공신경망의 추론능력 향상을 위하여 시그모이드 함수를 적용하여 본 연구에서 산정된 도달 시간에 영향을 준 입력 데이터에 적용하여 입력 데이터 항목 값을 0.
국내 하천 유역에서의 도달시간 산정 시 외국의 경험식에의존하는 경향이 매우 크기 때문에 홍수량 산정 결과 등에 대한 신뢰도가 매우 낮다고 할 수 있다. 이러한 문제점을 개선시키고자 특정 도심하천에 대하여 도달시간을 산정하였고, 인공신경망 모형을 이용하여 신뢰성을 평가하였다.
온천천 유역에 대하여 2006년부터 관측을 시작하여 2015년까지 총 10개년의 강우-유출량 자료로부터 12시간 이상 무강우를 기준으로 총 254개의 강우사상을 분리하였다. 이렇게 분리된 강우사상을 이용하여 인공신경망 모형의 변수로 활용할 인자들을 추출하여 분석에 활용하였다.
인공신경망 모의를 위한 변수를 산정하기 위하여 각 강우 사상별로 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두유출량/총 유출량, 지체시간 및 도달시간 등 총 6개 항목에 따른 254개씩의 입력 변수를 산정하였다. 총 254개의 변수 중2/3에 해당되는 168개는 인공신경망의 훈련을 위해 활용하였고, 그 나머지 86개는 예측 및 검증에 이용하였다.
대상 데이터
1) 2006년부터 2015년까지 총 10개년 동안의 실측 자료를 이용하여 도달시간에 영향을 미치는 인자중의 하나인 강수량 및 유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 구분하였다. 강우사상에 대한 강우-유출 관계의 수문 곡선을 작성하였고, 총 254개의 강우사상을 선정하였다. 각 각의 강우사상별로 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간 등 6개의 변수를 산정하였다.
수집된 수문자료로부터 강우사상 구분을 위하여 부산대학교에서 관측하고 있는 강수량 자료를 이용하였다. 그리고 세병교 지점에 설치된 유량 자료를 활용하였다. 수위 및 유량 관측 지점으로 선정된 세병교 지점은 온천천 유역 내 친수 공간을 대표하는 지점으로 인근 주거지역이 많으며 조위의 영향을 받지 않는 온천천 최하류에 위치한 교량으로 대상 지점으로선정하였다(Fig.
최근 온천천 유역에서 돌발홍수 및 강우 발생에 따라 범람에 의한 침수 피해가 빈번하게 발생하여 인명 및 재산 피해가 발생하였다. 따라서 부산시에서는 온천천 유역에 대하여 총 5개의 수문 관측소를 설치하여 둔치 위험수위, 홍수예보수위, 홍수주의보수위, 하천범람수위 등 4단계의 수위 기준을 마련하여 실시간 홍수예보를 시행하고 있으며, 이러한 정확한 홍수예보를 위해서는 홍수유출에 큰 영향을 미치는 인자인 도달시간에 대한 산정이 요구되므로 본 연구의 대상유역으로 선정하였다(Fig. 3). Table 1은 연구대상유역인 온천천 유역에 대한 유역특성을 GIS를 이용하여 분석한 결과를 정리한 것이다.
본 연구에서는 부산광역시 대표 도심하천인 온천천을 대상유역으로 선정하였다. 온천천은 수영강의 제1지류로 수영강 하구로부터 약 3.
본 연구에서는 부산대학교 「실시간 유역 모니터링 시스템」에 의하여 수집되고 있는 수문자료를 이용하였다. 「실시간 유역 모니터링 시스템」은 실시간 모니터링시스템이 구축되어 있어 각 지점별로 10분 단위의 강우, 수위 및 유량 데이터가 자동 및 원격으로 전송되어 수집되고 있다(Fig.
3) 그리고 산정된 변수를 이용하여 인공신경망 모형을 개발하여 도달시간에 대한 신뢰성을 평가하였다. 산정된 입력변수 중 2/3에 해당하는 168개는 인공신경망 모형의 훈련을 위해 활용하였고, 나머지 86개는 예측 및 검증에 활용하였다.
그리고 세병교 지점에 설치된 유량 자료를 활용하였다. 수위 및 유량 관측 지점으로 선정된 세병교 지점은 온천천 유역 내 친수 공간을 대표하는 지점으로 인근 주거지역이 많으며 조위의 영향을 받지 않는 온천천 최하류에 위치한 교량으로 대상 지점으로선정하였다(Fig. 3).
수집된 수문자료로부터 강우사상 구분을 위하여 부산대학교에서 관측하고 있는 강수량 자료를 이용하였다. 그리고 세병교 지점에 설치된 유량 자료를 활용하였다.
온천천 유역에 대하여 2006년부터 관측을 시작하여 2015년까지 총 10개년의 강우-유출량 자료로부터 12시간 이상 무강우를 기준으로 총 254개의 강우사상을 분리하였다. 이렇게 분리된 강우사상을 이용하여 인공신경망 모형의 변수로 활용할 인자들을 추출하여 분석에 활용하였다.
인공신경망 모의를 위한 변수를 산정하기 위하여 각 강우 사상별로 총 강우량, 총 유출량, 첨두 강우량/총 강우량, 첨두유출량/총 유출량, 지체시간 및 도달시간 등 총 6개 항목에 따른 254개씩의 입력 변수를 산정하였다. 총 254개의 변수 중2/3에 해당되는 168개는 인공신경망의 훈련을 위해 활용하였고, 그 나머지 86개는 예측 및 검증에 이용하였다. 여기서 입력변수로 산정한 첨두 강우량/총 강우량 및 첨두 유출량/총 유출량에 따른 변수는 강우 규모에 따른 상관성을 분석하기 위하여 입력 변수로 산정하였다.
데이터처리
신경망 모형의 학습에 적용되는 매개변수는 최대 학습회수, 학습율 증가비와 감소비, 모멘텀상수, 최대오차비율, 목적 오차가 있으며, 오차함수는 Matlab 내부적인 Sum-squared error로 설정하였다. 학습과정에서 설정된 오차 이내로 오차가 감소하는 경우 학습이 종료되며, 그렇지 않은 경우는 사용자가 매개변수의 설정을 변경하거나 입력 자료의 구성을 변경하여 재학습하게 하였다.
입력 변수들 간의 관련성을 알아보기 위하여 상관분석을 수행하였다. 상관분석은 변수 사이의 관련성 자료를 이용하여 연구하는 통계적 분석방법으로 상관정도는 -1에서 1사이의 값을 갖는다.
이론/모형
본 연구에서는 역전파 알고리즘을 사용하였다. 역전파는 신경망을 학습시키는데 가장 많이 사용되는 알고리즘으로,네트워크 에러 함수를 최소화하는 경사하강법(gradient descent)과 일반화된 델타(delta) 법칙에 의해 지배받는 학습을 갖는 망이다.
따라서 본 연구에서는 과거 10년 동안(2006~2015년) 실측된 강우-유출량 자료를 이용하여 12시간 이상 무강우를 기준으로 강우사상을 분리하였으며, 각 강우사상에 대하여 인공신경망 모형의 입력 변수로 사용하기 위한 총 강우량, 총 유출량,첨두 강우량/총 강우량, 첨두 유출량/총 유출량, 지체시간 및 도달시간을 구하였다. 이렇게 산정된 총 6개의 입력 변수를 Matlab 기반의 인공신경망 모형에 적용하여 대상유역에서 산정된 도달시간에 대한 신뢰성을 평가하였다. 아래 Fig.
성능/효과
2) 먼저 SPSS를 이용한 통계분석 결과 산정된 변수 중 하나인첨두 강우량/총 강우량은 유의수준 0.05보다 유의확률(.975)이 크므로 회귀계수가 통계적으로 유의치 않은 것으로 나타났다. 또한 회귀분석 결과 R2는 .
4) 그 결과 훈련에 활용된 변수의 상관계수는 0.807, 예측 및 검증에 활용된 입력 변수는 0.728로 높은 결과를 나타냈다. 따라서 본 연구를 통하여 개발된 도달시간에 대한 신뢰성이 높은 것으로 나타났다.
5) 마지막으로 본 연구는 기존 수문인자들의 추출에 대한 어려움으로 인한 각 도심하천에서의 개별적인 도달시간 산정에 대한 어려움을 해결하고자 강우-유출 인자만을 이용하여 도달시간을 산정하는 방법론에 대하여 제시하였으며, 인공신경망 모형을 이용하여 도심하천의 단일 유역에서 발생된 복합 수문사상에 대하여 산정된 도달시간의 신뢰성을 평가 했다는 점에서 의의가 있다고 할 수 있겠다.
그 결과 입력 변수 중의 하나인 첨두 강우량/총 강우량은 유의수준 0.05보다 유의확률(.975)이 크므로 회귀계수가 통계적으로 유의치 않다는 것을 나타냈다.
그리고 SPSS를 이용한 회귀분석 결과 R2값은 .415로 전체자료의 변동량 중 추정된 회귀모형에 의한 설명력이 41.5%로 나타났으며, 분산분석결과 F = 35.211, 유의확률이 .000으로나타나 귀무가설을 기각하여 추정된 회귀모형이 유의하다고 할 수 있다(Table 6). 또한 추정된 회귀모형은 도심하천에서의 단일유역, 복합 수문사상이라는 본 연구의 특수성에 따라 회귀모형이 유의하다고 판단하였다.
728로 높은 결과를 나타냈다. 따라서 본 연구를 통하여 개발된 도달시간에 대한 신뢰성이 높은 것으로 나타났다.
000으로나타나 귀무가설을 기각하여 추정된 회귀모형이 유의하다고 할 수 있다(Table 6). 또한 추정된 회귀모형은 도심하천에서의 단일유역, 복합 수문사상이라는 본 연구의 특수성에 따라 회귀모형이 유의하다고 판단하였다.
입력 변수들 간의 상관분석 결과‘총 강우량과 총 유출량’, 그리고 ‘첨두 강우량/총 강우량과 첨두 유출량/총 유출량’에서 각 각 0.843과 0.722로 높은 정적상관관계를 나타냈으며, ‘총 강우량과 첨두 강우량/총 강우량’, ‘총 강우량과 첨두 유출량/총 유출량’, ‘총 강우량과 도달 시간’, ‘첨두 강우량/총 강우량과 도달시간’, ‘첨두 유출량/총유출량과 도달시간’은 각 각 -0.382, -0.305, 0.401, -0.446,-0.521로 어느 정도 유의한 상관관계를 나타냈다.
질의응답
핵심어
질문
논문에서 추출한 답변
부산광역시 도심지역 특성으로 인한 문제점은?
8%)로 집중호우에 취약한 지형적인 특성을 갖고 있으며, 하수도 노후화 및 단면부족, 그리고 아스팔트 및 콘크리트 포장 등 불투수층이 증가 하면서 하수단면 부족에 따른 도시침수가 빈번하게 발생되고 있다. 또한 위와 같은 부산광역시 도심지역 특성상 돌발홍수 및 집중호우로 인한 도심하천 내 도달시간(Time of concentration)의 감소로 많은피해가 발생됨에 따라 국가 하천뿐만 아니라 중 ․ 소규모의 도심하천에서도 홍수예보에 대한 필요성이 대두되고 있으며,이에 따라 유역특성에 따른 도심하천에 대한 도달시간의 산정이 필요하다.
복합 유역에 대하여 도달시간을 연구한 내용은 무엇인가?
또한 도달시간 관련하여 수행된 선행 연구들의 대부분이 복합 유역에 대하여경험식에 의한 공식 개발이 많이 이루어 졌다. Yoo et al. (2000)은 불투수층 사면에 대하여 강우강도를 주요 인자로 고려하여 강우강도가 없는 지역에서 도달시간을 산정할 수 있는 복합형도달시간 산정식을 개발하였고, Jenog et al. (2002)은 도달시간에 가장 큰 영향을 미치는 인자를 하도경사라 하고, 구간별 평균경사-평균유속 자료를 이용하여 관계곡선의 회귀식을 작성하였다. Yoon et al. (2005)은 Clark 모형의 매개변수의 도달시간과 저류상수를 산출하고 이들과 유역 특성인자인 유역면적, 유로연장, 유로경사, 유역경사, 표고차 및 유역형상계수 등의 유역 특성인자를 이용한 Clark 합성단위도의 매개변수의 회귀식을 유도하였다. Bae et al. (2015)은 국내외에서 개발된 기존의 경험식의 대부분은 특정 지역에 적용했을 때 정확도가 떨어진다는 단점을 보완하기 위하여 지역적 성향을 고려한 도달시간을 개발하였다. 대상 유역에 대하여 유역특성인자와 도시 및 강우특성인자를 구분하여 분석하였으며,단계적 다중회귀분석을 통하여 도달시간 공식을 개발하여 기존 경험식들에 비하여 더 정확한 결과를 제시하였다.
부산광역시의 지역적 특징은?
4% (소하천 15.1%)밖에되지 않으며, 부산시 경사도가 10% 이상 지역이 54.2% (30% 이상 급경사지 19.8%)로 집중호우에 취약한 지형적인 특성을 갖고 있으며, 하수도 노후화 및 단면부족, 그리고 아스팔트 및 콘크리트 포장 등 불투수층이 증가 하면서 하수단면 부족에 따른 도시침수가 빈번하게 발생되고 있다. 또한 위와 같은 부산광역시 도심지역 특성상 돌발홍수 및 집중호우로 인한 도심하천 내 도달시간(Time of concentration)의 감소로 많은피해가 발생됨에 따라 국가 하천뿐만 아니라 중 ․ 소규모의 도심하천에서도 홍수예보에 대한 필요성이 대두되고 있으며,이에 따라 유역특성에 따른 도심하천에 대한 도달시간의 산정이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.