물리 기반 순간단위도 및 딥러닝 기반의 하이브리드 홍수 예측 기법 = Hybrid flood forecasting technique based on physically-based instantaneous unit hydrograph and deep learning

다국어 초록 (Multilingual Abstract)

Various rainfall-runoff models have been developed and used to predict floods in watersheds. Conceptual rainfall-runoff models have been widely used in practice due to their high reliability and applicability. However, these models simplify the rainfall-runoff process, making it difficult to incorporate the physical processes into runoff predictions. Additionally, the models have various parameter uncertainties, requiring calibration using a sufficient amount of observational data. On the other hand, physically-based rainfall-runoff models physically consider the flow within the watershed, providing relatively accurate results. However, their high computational cost and numerical instability limit their practical application.
In this study, we developed a flood prediction model that integrates a physically-based dynamic wave model, an instantaneous unit hydrograph (IUH) model, and a deep learning model to achieve both accuracy and efficiency. We derived and interpolated the IUH based on the dynamic wave simulation and the power-law relationship between peak characteristics of IUH and rainfall excess intensity. In addition, we estimated rainfall losses using the Green-Ampt model and the NRCS-CN model. To estimate the parameters of each rainfall loss model, we incorporated real-time GLDAS-Noah land surface modeling data and rainfall time series data into the LSTM model, a deep learning model. Finally, we predicted the flood hydrograph of the watershed through convolutional integration.
We applied our flood prediction model to both ideal and real watersheds. The LSTM model for rainfall loss estimation predicted the effective rainfall with high accuracy, achieving a Nash-Sutcliffe efficiency and correlation coefficient of over 0.9 and a normalized mean absolute error and normalized root mean square error below 0.15. In the flood prediction results, we obtained high accuracy with Nash-Sutcliffe efficiency between 0.55 and 0.9 and coefficients of determination between 0.67 and 0.95.
Our physically-based IUH can be derived using only the topography and Manning's roughness coefficient of the watershed, without the need for parameter calibration using observed data. This makes it advantageous for application to ungauged watersheds or watersheds with limited observational data. Additionally, the derived IUHs account for nonlinear rainfall-runoff relationship, as it is used as a function of rainfall excess intensity for a single watershed. In addition, we efficiently interpolated the IUH for arbitrary rainfall excess intensity using a power-law-based technique. Furthermore, the derivation of the flood hydrograph through convolutional integration enables instantaneous and efficient flood prediction.
By incorporating deep learning models and real-time watershed data for rainfall loss estimation, our flood prediction technique can reflect the moisture conditions of the watershed during flood events and consider various influencing factors related to rainfall loss. This approach reduces uncertainties in parameter estimation for rainfall losses and minimizes the need for subjective judgments.
The flood prediction model in this study is expected to provide several advantages for flood damage prevention and the operation of water control structures. Except for the initial construction processes of optimizing LSTM and deriving IUHs, flood prediction can be completed rapidly within minutes, making it highly efficient. Moreover, by considering real-time moisture conditions in the watershed and physically reflecting the rainfall-runoff process, the model ensures the accuracy of flood prediction.

국문 초록 (Abstract)

유역에서의 홍수를 예측하기 위한 다양한 강우-유출 모형들이 개발되어 사용되어왔다. 개념적 강우-유출 모형들은 신뢰성과 적용성이 높아 실무에서 널리 활용되어왔으나, 강우-유출 과정을 단순화하여 고려하므로 유출예측에 강수의 흐름을 물리적으로 고려하기 힘들다는 한계가 있다. 또한 모형의 매개변수에 여러 불확실성이 존재하므로 충분한 양의 관측 자료를 사용한 보정 작업이 필요하다. 물리적 강우-유출 모형들은 유역 내 흐름을 고려하므로 유출예측 결과가 비교적 물리적으로 정확하다는 장점이 있지만, 높은 계산 비용 및 수치적 불안정성으로 인하여 실무에의 적용이 힘들다는 한계가 있다.
본 연구에서는 물리기반의 동역학파 모형과 순간단위도 모형, 그리고 딥러닝 모형을 결합함으로써 정확도와 효율성을 모두 확보할 수 있는 홍수예측 기법을 개발하였다. 동역학파 시뮬레이션 및 순간단위도 첨두 특성과 유효강우강도 간의 멱함수관계를 이용하여 물리기반의 순간단위도를 유도 및 보간하였다. 또한, Green-Ampt 모형과 NRCS-CN 모형을 적용하여 강우 손실을 산정하였으며, 각 모형의 매개변수를 추정하기 위하여 실시간으로 제공되는 GLDAS-Noah 지표면 모델링 자료 및 강우 시계열 자료를 딥러닝 모형인 LSTM 모형을 통해 고려하였다. 최종적으로, 유효강우주상도와 순간단위도를 활용한 회선적분을 통해 순간적으로 유역의 홍수수문곡선을 예측하였다.
본 연구의 홍수예측기법을 가상유역 및 실제유역에 적용해보았다. 강우손실 산정을 위한 LSTM 모형은 NSE (Nash-Sutcliffe efficiency)와 CR (correlation coefficient) 0.9 이상, NMAE (Normalized Mean absolute error)와 NRMSE (Normalized root mean square error) 0.15 이하의 높은 정확도로 유효우량을 예측하였으며, 최종적인 홍수 예측 결과에서는 NSE 0.55이상 0.9이하, R^2 (Coefficient of determination) 0.67이상 0.95이하의 높은 정확도가 확인되었다.
본 연구의 물리기반 순간단위도는 관측수문자료를 이용한 매개변수 보정작업 없이도 유역의 지형과 조도계수 만을 사용하여 유도될 수 있으므로 미계측 유역이나 관측 자료가 부족한 유역에 대한 적용이 유리하다. 또한, 유도되는 순간단위도는 하나의 유역에서도 유효강우강도의 함수로 사용되므로 홍수 예측에 비선형적 강우-유출 관계를 고려할 수 있었으며, 멱함수 기반의 순간단위도 보간 방법을 통하여 임의의 유효 강우강도에 대한 순간단위도를 효율적으로 보간할 수 있었다. 그리고 최종적인 홍수수문곡선 유도는 순간단위도의 회선적분을 통하여 이루어지므로 순간적, 효율적인 홍수 예측이 가능하였다.
강우 손실의 산정에 딥러닝 모형 및 실시간 유역 데이터를 활용함으로써 홍수 사상 발생 시의 유역의 습윤 조건을 반영할 수 있었으며, 강우 손실과 관련된 여러 영향인자들을 고려할 수 있었다. 또한 이를 통하여 강우 손실 매개변수 산정의 불확실성 및 주관적 판단의 필요성을 줄일 수 있었다.
본 연구에서 개발된 홍수 예측 모형은 홍수 피해 방지 및 수공구조물의 운영 등에 여러 가지 이점을 제공할 것으로 기대된다. 모형의 초기 구축과정인 LSTM의 최적화 및 순간단위도 유도를 위한 동역학파 시뮬레이션을 제외한다면, 홍수 예측은 수 분 내에 빠르게 완료되므로 효율적이다. 또한, 유역의 실시간 습윤 조건을 반영하면서도 강우-유출 과정을 물리적으로 반영하므로 홍수 예측의 정확도를 확보할 수 있다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 동향 1
• 제 2 절 연구의 필요성 및 목적 8
• 제 3 절 연구의 방법 및 범위 12
• 제 2 장 이론적 배경 15
• 제 1 절 강우-유출 15
• 1. 강우-유출 모형 15
• 2. 동역학파 모형 20
• 3. 순간단위도 모형 26
• 4. 비선형적 강우-유출 관계 29
• 제 2 절 강우 손실 32
• 1. 강우 손실과 유효강우 32
• 2. Green-Ampt 모형 34
• 3. NRCS-CN 모형 35
• 제 3 절 딥러닝 37
• 1. 딥러닝 개요 37
• 2. 장단기 메모리 40
• 제 3 장 연구 방법 43
• 제 1 절 물리기반 순간단위도 44
• 1. S-수문곡선 모의 46
• 2. 순간단위도 유도 48
• 3. 순간단위도 보간 50
• 제 2 절 강우 손실 56
• 1. 딥러닝 데이터 구축 58
• 2. 입·출력 변수 간 상관성 분석 64
• 3. LSTM 최적화 및 테스트 66
• 4. 강우 손실 산정 70
• 제 3 절 홍수 예측 73
• 1. 회선적분 73
• 2. 하도추적 75
• 제 4 장 적용 및 검증 77
• 제 1 절 가상 유역 78
• 1. 대상 유역 78
• 2. 물리기반 순간단위도 80
• 3. 홍수 예측 84
• 제 2 절 실제 유역 89
• 1. 대상 유역 89
• 2. 데이터 수집 91
• 3. 물리기반 순간단위도 94
• 4. 강우 손실 102
• 5. 홍수 예측 107
• 제 5 장 결과분석 및 고찰 112
• 제 1 절 수문곡선 하강부에서의 오차 원인 분석 112
• 제 2 절 수문곡선 진동 원인 분석 114
• 제 3 절 미계측 유역에 대한 적용 118
• 제 4 절 순간단위도 보간 방법의 활용가능성 및 한계 119
• 제 5 절 조도계수의 변동성 및 유효강우강도와의 멱함수 관계 124
• 제 6 절 유역 별 LSTM 중요 입력변수 분석 126
• 제 7 절 홍수사상 별 강우 손실 매개변수의 변동 128
• 제 8 절 학습데이터 수량 및 품질의 중요성 133
• 제 9 절 홍수 예측 오차 원인 및 방법론 한계 분석 137
• 제 10 절 고리형 수위-유량 관계 139
• 제 6 장 요약 및 결론 141
• 참고 문헌 144
• 부록 157
• Abstract 161
• 감사의 글 163