머신러닝을 이용한 연안지역의 복합홍수위 산정에 관한 연구 = Estimation of Compound Flood Water Level of the Coastal Area using the Machine Learning

국문 초록 (Abstract)

기후변화는 전 세계적으로 홍수의 발생 횟수와 피해 규모를 급격하게 증가시키고 있다. 특히, 강우와 조석의 상호작용에 의해서 발생하는 연안지역의 복합홍수는 기후 변화에 의한 해수면 상승과 강우량 변화의 영향으로 위험성이 더욱 커지고 있다. 그 러나 국내에서는 복합홍수와 관련된 연구가 진행되지 않았고, 여전히 조석을 홍수의 주요 발생 원인이 아닌 부가적인 요소로 고려하고 있다. 이에 본 연구에서는 조석의 영향을 받는 태화강 유역의 감조하천에 복합홍수의 개념을 적용하여 분석을 수행하 였다. 우선 국내에서 발생한 강우와 조석을 8가지 분위수에 의해 극한 강우와 극한 조석 및 일반 강우와 일반 조석을 구분하고, 이들 간의 조합을 통해 복합홍수의 발 생 형태를 결정하였다. 강우와 조석의 조합에 의해 식별된 복합홍수 사상들을 과거 태화강 유역의 침수피해 이력과 비교하여 발생기준을 결정한 결과, 강우는 22.42mm/hr(강우의 99%분위수), 조석은 0.77m(조석의 99%분위수) 이상일 때 극한강 우와 극한조석의 조합에 의한 복합홍수가 발생한다는 것을 확인할 수 있었다. 두 번 째로는 복합홍수 발생 빈도해석을 위해 코플라 함수 기반의 이변량 빈도해석을 수행 한 결과, 태화강의 설계기준인 200년 빈도보다 낮은 132년의 빈도로 산정되었다. 복 합홍수 발생 시의 기상 및 해양 인자의 분포를 분석하였는데 태풍 발생 시의 분포와 유사하였으며, 이를 통해 태풍이 국내 복합홍수 발생의 주요 원인인 것을 확인하였 다. 마지막으로 Wavelet 변환을 통해 관측 조위 자료로부터 천문조 요소를 분리하여 강우-유출 요소를 모의하였고, 조위와 강우-유출 요소에 의한 홍수위를 합산한 결과 가 복합홍수위와 유사하게 도출되었다. 복합홍수위 산정을 위해 머신러닝 기반의 장 단기 기억(Long Short Term Memory, LSTM) 모형을 개발하였다. 본 연구에서 개발한 모형으로 복합홍수위를 모의한 결과와 관측 복합홍수위를 비교한 결과, NRMSE(Normalized Root Mean Square Error)는 5.27%, R-square는 0.95, PDIFF(Peak Difference)는 0.04m로 산정되었다. 태화강의 계획빈도인 200년 빈도 홍수위(5.79m)의 적절성을 확인하고자 동일한 빈도의 복합홍수위를 산정하여 비교한 결과, 본 연구에 서 도출한 200년 빈도의 복합홍수위는 6.15m로 하천기본계획의 계획홍수위에 비해 약 0.36m가 더 크게 산정되었다. 따라서 하천기본계획에서 고시한 200년 빈도 홍수 위를 기준으로 설치된 각종 하천 시설물들은 복합홍수위에 취약하다는 것을 확인할 수 있었다. 이는 기존에 강우와 홍수량만을 토대로 설계기준을 설정하기 보다는 복 합홍수에 의한 설계기준을 고려한 대책이 수립되어야 함을 보여주고 있다.

핵심용어 : 복합홍수, 감조하천, 강우와 조석, 이변량 빈도해석, 머신러닝, LSTM

다국어 초록 (Multilingual Abstract)

More frequent and more intense flood events have both been observed around the world due to the climate change and the flood damage is rapidly increasing. In particular, the risk of coastal compound flood caused by the interaction of rainfall and tidal wave has risen due to the effect of sea level rise and the change in rainfall pattern caused by climate change. However, there were no studies for the compound floods in Korea, and tidal wave is still considered as an additional factor rather than the main cause of the flood. Therefore, this study applied the concept of compound flood to the tidal river in the Taehwa river basin. First, the study categorized rainfall and tide waves into eight quantiles to classify the extreme or normal rainfall and the extreme or normal tide, then determined the types of the compound floods by the combination of classified rainfall and tide. The compound flood events identified by the combination of rainfall and tidal waves were compared with the past flood damage of the Taehwa river basin to determine the occurrence criteria of the compound flood, and it was found that the compound flood caused by extreme rainfall and tidal waves occurred when the rainfall was over 22.42 mm/hr (99th percentile of rainfall) and the tidal wave was over 0.77m (99th percentile of tidal wave). Second, the study conducted a bivariate frequency analysis based on the copula function to analyze the frequency of the compound flood. The frequency of the compound flood was calculated to be 132 years, which is lower than the design criteria of 200 years for the Taehwa river. The distribution of meteorological and oceanographic factors during the compound flood events was similar to that during typhoons, confirming that the typhoon is the main cause of the compound flood in the Taehwa river basin. Finally, the study separated the astronomical tide component from the observed tide data by Wavelet tranformation and simulated the rainfall-runoff component. The flood level obtained from the sum of the two components was similar to the compound flood level. A machine learning based Long Short Term Memory (LSTM) model was developed to estimate the compound flood level. We compared the estimated compound flood level with the observed flood level and obtained NRMSE(Normalized Root Mean Square Error) for of 5.27%, R-squared of 0.95, and PDIFF(Peak Difference) of 0.04m. To verify the adequacy for flood level(5.79m) of the 200-year frequency of the Taehwa river, this study estimated and compared the compound flood level of the same frequency. The estimated compound flood level of 200-year frequency from the developed model was 6.15m, which is about 0.36m higher than the design flood level. Therefore, we have known that flood prevention measure designed based on the flood level of 200-year frequency are vulnerable to the compound flood level. It shows that rather than establishing design standards based on rainfall and flood discharge, the measures should be established by the design standard considering the compound flood.

Keywords : Compound flood, Tidal river, Rainfall and tidal wave, Bivariate frequency analysis, Machine learning, LSTM

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 동향 7
• 1.2.1 복합홍수 및 연안홍수 국내 연구 동향 7
• 1.2.2 복합홍수 및 연안홍수 국외 연구 동향 11
• 1.3 연구 내용 및 범위 14
• 제 2 장 복합홍수위 산정을 위한 방법론 17
• 2.1 복합자연재난 및 복합홍수의 정의 17
• 2.1.1 복합자연재난의 정의 17
• 2.1.2 연안지역의 복합홍수 정의 22
• 2.2 연안지역의 복합홍수 발생과정 25
• 2.3 이변량 빈도분석 28
• 2.3.1 확률분포함수 28
• 2.3.2 코플라함수 50
• 2.3.3 코플라함수를 이용한 이변량 빈도 분석 56
• 2.4 이산형 웨이블릿 변환 59
• 2.4.1 조석의 정의 및 구성성분 59
• 2.4.2 이산형 웨이블릿 변환 62
• 2.4.3 자기상관분석 및 파워스펙트럼 분석 67
• 2.5 홍수위 산정 모형 71
• 2.5.1 물리기반의 홍수위 산정 모형 71
• 2.5.2 통계기반의 홍수위 산정 모형 72
• 2.5.3 순환신경망 및 장단기 기억 모형 73
• 제 3 장 복합홍수 발생기준 및 발생 빈도 분석 79
• 3.1 대상지역 선정 및 자료 수집 79
• 3.1.1 태화강 유역 79
• 3.1.2 대상 기상관측소 및 조위 관측소 선정 82
• 3.2 복합홍수 발생기준 산정 86
• 3.3 코플라 함수기반의 복합홍수 발생 빈도 분석 95
• 3.3.1 복합홍수 구성 요소에 대한 확률분포형 선정 95
• 3.3.2 복합홍수 구성 요소에 대한 코플라 함수 선정 109
• 3.3.3 복합홍수 발생 기준에 대한 이변량 발생 빈도 분석 112
• 3.4 복합홍수 발생원인 식별 113
• 제 4 장 머신러닝기반의 복합홍수위 산정 119
• 4.1 복합홍수위의 구성성분 119
• 4.1.1 이산형 웨이블릿 변환을 이용한 조석 성분 추출 119
• 4.1.2 강우-유출 성분 모의 166
• 4.2 머신러닝기반의 복합홍수위 산정 모형 개발 182
• 4.2.1 머신러닝기반의 복합홍수위 산정 모형 구조 182
• 4.2.2 머신러닝기반의 복합홍수위 산정 모형의 입력자료 선정 183
• 4.2.3 머신러닝기반의 복합홍수위 산정 모형의 매개변수 선정 185
• 4.3 태화강 계획홍수위와 복합홍수위의 비교·분석 189
• 4.3.1 태화강 유역의 계획홍수위 190
• 4.3.2 계획빈도의 복합홍수위 산정 및 비교·분석 190
• 제 5 장 요악 및 결론 193
• 참고문헌 198