KR20140103589A

KR20140103589A - Ｍａｐｌｅ 기상예보자료를 이용한 홍수예측 방법 및 그 장치

Info

Publication number: KR20140103589A
Application number: KR1020130017152A
Authority: KR
Inventors: 이재응; 최창원
Original assignee: 아주대학교산학협력단
Priority date: 2013-02-18
Filing date: 2013-02-18
Publication date: 2014-08-27

Abstract

본 발명은 MAPLE 기상예보자료를 이용한 홍수예측 방법 및 그 장치에 관한 것이다. 본 발명에 따르면, 기상 레이더로부터 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출하는 단계와, 유역 내의 강우관측소로부터 시간별 유역 평균 관측강우량 데이터를 추출하는 단계와, 유역 내의 수위관측소로부터 시간별 수위 관측 데이터에 대응하는 시간별 유출량 데이터를 추출하는 단계와, 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 조합하여 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 학습시켜 홍수 예측 모형을 각각 구성하는 단계와, 상기 홍수 예측의 선행시간 별로 상기 홍수 예측 모형을 통해 홍수 예측을 수행한 다음, 상기 선행시간 별로 가장 정확한 홍수 예측을 수행한 홍수 예측 모형을 각각 선정하는 단계, 및 상기 선행시간 별로 각각 선정된 홍수 예측 모형을 조합하여 최종 홍수 예측 모형을 생성하는 단계를 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 방법을 제공한다.
본 발명에 따르면, 초단기 강우예측 자료인 MAPLE 기상예보 자료 및 각종 관측자료를 이용하여 홍수 예측의 정확도를 높일 수 있으며, 자료지향형 모형인 ANFIS 기반의 홍수 예측 모형을 사용함에 따라 획득이 용이한 계측 자료 및 기상예보 자료만을 사용하여 홍수 예측 모형의 생성 및 갱신이 용이한 이점이 있다.

Description

ＭＡＰＬＥ 기상예보자료를 이용한 홍수예측 방법 및 그 장치{Flood estimation method using MAPLE forecasted precipitation data and apparatus thereof}

본 발명은 MAPLE 기상예보자료를 이용한 홍수예측 방법 및 그 장치에 관한 것으로서, 보다 상세하게는 초단기 강우예측 자료인 MAPLE(McGill Algorithm for precipitation Nowcasting by Lagrangian) 기상예보 자료를 사용하여 홍수 예측의 정확도를 높일 수 있는 MAPLE 기상예보자료를 이용한 홍수예측 방법 및 그 장치에 관한 것이다.

지구온난화와 기후변화의 영향으로 전 지구적으로 이상홍수, 이상가뭄, 한파와 같은 이상기상 현상이 빈번하게 발생하고 있다. 국내에서는 2010년 추석 광화문 침수사태와 2011년 우면산 산사태와 같은 국지성 집중호우로 인한 인적 물적 피해가 속출하고 있다. 전통적으로 시기나 양적인 측면에서 대부분 장마기간에 국한되었던 강우집중현상이 과거와 달리 특정기간에 상관없이 발생하고 단기성, 국지성을 지닌 호우의 발생빈도가 높아지는 등 국내 강우의 특성이 변하고 있다. 이러한 변화에 대응하기 위해서 강우예측과 유출량예측의 정확도를 높이기 위한 시도가 다양하게 이루어지고 있다.

강우예측의 정확성을 높이기 위해 기상청에서는 단기예보를 목적으로 전지구 통합모델과 지역통합모델을 연계한 동네예보를 수행하고 있으며, 초단기 예보를 위한 목적으로 VSRF(Very-Short-Range-Forecast of precipitation), SCAN(System for Convection Analysis and Nowcasting), VDRAS(Variational Doppler Radar Analysis System), MAPLE(McGill Algorithm for precipitation Nowcasting by Lagrangian) 등의 예보를 수행하고 있다.

홍수량 예측에서는 일반적으로 사용하고 있는 물리적 기반의 모형에 레이더 강우와 같은 격자형 강우자료를 사용하여 정확성을 높이거나, 기존의 집중형 모형을 분포형 모형으로 대체하기 위한 연구 등이 이루어지고 있다. 또한, 모형 구축이 간편하고 예측 정확도가 우수하다는 장점으로 인해 신경회로망이나 퍼지추론기법 등을 사용한 연구도 지속적으로 이루어지고 있다.

기존의 홍수 예측 시스템은 주로 수리, 수문학적인 기본 이론들을 수치적으로 모형화한 물리적 모형(개념모형)을 통해 홍수예측 시점까지 관측된 자료를 사용하여 해당 시점 이후 발생할 홍수량을 계산하여 예보하는 방식을 취하고 있다. 최근에는 발달된 기상 예측기술을 사용한 홍수예측 연구가 진행되고 있으나, 주로 수치예보모형을 통해 예측된 기상 예보값을 미래의 강우량으로 사용하여 물리적 강우-유출 모형을 사용하여 홍수량을 산정하는 방식을 취한다. 이러한 물리적 모형을 통해 홍수 예측을 수행하는 경우 방대한 양의 물리적 매개변수가 사용되어야 하는 문제점이 있다.

본 발명의 배경이 되는 기술은 국내공개특허 제2010-0131902호(2010.12.16 공개)에 개시되어 있다.

본 발명은, MAPLE 기상예보 자료 및 각종 관측자료를 이용하여 홍수 예측의 정확도를 높일 수 있는 MAPLE 기상예보자료를 이용한 홍수예측 방법 및 그 장치를 제공하는데 목적이 있다.

본 발명은, 기상 레이더로부터 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출하는 단계와, 상기 유역 내의 강우관측소로부터 시간별 유역 평균 관측강우량 데이터를 추출하는 단계와, 상기 유역 내의 수위관측소로부터 시간별 수위 관측 데이터에 대응하는 시간별 유출량 데이터를 추출하는 단계와, 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 조합하여 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 학습시켜 홍수 예측 모형을 각각 구성하는 단계와, 상기 홍수 예측의 선행시간 별로 상기 홍수 예측 모형을 통해 홍수 예측을 수행한 다음, 상기 선행시간 별로 가장 정확한 홍수 예측을 수행한 홍수 예측 모형을 각각 선정하는 단계, 및 상기 선행시간 별로 각각 선정된 홍수 예측 모형을 조합하여 최종 홍수 예측 모형을 생성하는 단계를 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 방법을 제공한다.

또한, 상기 MAPLE 기상예보자료를 이용한 홍수예측 방법은, 강우 발생 시 현재 입력되는 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 상기 최종 홍수 예측 모형에 입력하여 홍수 예측을 수행하는 단계를 더 포함할 수 있다.

여기서, 상기 MAPLE 기상예보자료를 이용한 홍수예측 방법은, 상기 강우 발생 시 새롭게 획득된 홍수 예측의 결과가 상기 과거 홍수 이벤트보다 큰 홍수라고 판단되면, 상기 새롭게 획득한 홍수 예측의 결과를 상기 홍수 예측 모형의 학습 자료로 업데이트한 다음, 상기 학습에 의한 홍수 예측 모형의 구성 과정, 상기 선행시간 별 홍수 예측 모형의 선정 과정 및 상기 최종 홍수 예측 모형의 생성 과정을 재수행하여 상기 최종 홍수 예측 모형을 갱신하는 단계를 더 포함할 수 있다.

또한, 상기 시간별 유역 평균강우량 데이터는, 상기 유역 내의 복수의 강우관측소로부터 획득된 시간별 관측강우량 데이터에 상기 강우관측소별 가중치를 적용하여 획득할 수 있다.

또한, 상기 시간별 유출량 데이터는, 상기 유역 내의 해당 수위관측소 지점에 대해 미리 고지된 수위 대 유량 관계 곡선 식에 상기 수위관측소 지점의 시간별 수위관측 값을 대입하여 획득할 수 있다.

여기서, 상기 홍수 예측 모형은, 뉴로-퍼지(neuro-fuzzy) 기법을 이용한 ANFIS(Adaptive Nuero-Fuzzy Inference System) 기반의 홍수 예측 모형일 수 있다.

그리고, 본 발명은 기상 레이더로부터 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출하는 레이더자료 추출부와, 상기 유역 내의 강우관측소로부터 시간별 유역 평균 관측강우량 데이터를 추출하는 강우자료 변환부와, 상기 유역 내의 수위관측소로부터 시간별 수위 관측 데이터에 대응하는 시간별 유출량 데이터를 추출하는 수위자료 변환부와, 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 조합하여 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 학습시켜 홍수 예측 모형을 각각 구성하는 홍수예측모형 구성부와, 상기 홍수 예측의 선행시간 별로 상기 홍수 예측 모형을 통해 홍수 예측을 수행한 다음, 상기 선행시간 별로 가장 정확한 홍수 예측을 수행한 홍수 예측 모형을 각각 선정하는 홍수예측모형 선정부, 및 상기 선행시간 별로 각각 선정된 홍수 예측 모형을 조합하여 최종 홍수 예측 모형을 생성하는 홍수예측모형 생성부를 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 장치를 제공한다.

또한, 상기 MAPLE 기상예보자료를 이용한 홍수예측 장치는, 강우 발생 시 현재 입력되는 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 상기 최종 홍수 예측 모형에 입력하여 홍수 예측을 수행하는 홍수 예측부를 더 포함할 수 있다.

여기서, 상기 MAPLE 기상예보자료를 이용한 홍수예측 방법은, 상기 강우 발생 시 새롭게 획득된 홍수 예측의 결과가 상기 과거 홍수 이벤트보다 큰 홍수라고 판단되면, 상기 새롭게 획득한 홍수 예측의 결과를 상기 홍수 예측 모형의 학습 자료로 업데이트한 다음, 상기 학습에 의한 홍수 예측 모형의 구성 과정, 상기 선행시간 별 홍수 예측 모형의 선정 과정 및 상기 최종 홍수 예측 모형의 생성 과정을 재수행하여, 상기 최종 홍수 예측 모형을 갱신하는 홍수예측모형 갱신부를 더 포함할 수 있다.

본 발명에 따른 MAPLE 기상예보자료를 이용한 홍수예측 방법 및 그 장치에 따르면, 초단기 강우예측 자료인 MAPLE 기상예보 자료 및 각종 관측자료를 이용하여 홍수 예측의 정확도를 높일 수 있는 이점이 있다.

또한, 본 발명은 자료지향형 모형의 하나인 ANFIS 기반의 홍수 예측 모형을 사용함에 따라 복잡하고 애매모호한 방대한 양의 수리 및 수문학적 특성매개변수의 사용을 배제할 수 있으며, 획득이 용이한 계측 자료 및 기상예보 자료만을 사용하여 홍수 예측 모형의 생성 및 갱신이 용이한 이점이 있다.

도 1은 본 발명의 실시예에 따른 MAPLE 기상예보자료를 이용한 홍수예측 장치의 구성도이다.
도 2는 도 1을 이용한 MAPLE 기상예보자료를 이용한 홍수예측 방법의 흐름도이다.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

본 발명은 MAPLE(McGill Algorithm for Precipitation Nowcasting by Lagrangian) 기상예보자료를 이용한 홍수예측 방법 및 그 장치에 관한 것으로서, 초단기 강우예측 자료인 MAPLE 기상예보 자료와 강우 및 수위 관측자료를 이용하여 홍수 예측의 정확도를 향상시키고 예측 효율을 높인다. 또한, 본 발명은 ANFIS 기반의 홍수 예측 모형을 사용함에 따라 홍수 예측 모형의 생성 및 갱신이 용이하다.

도 1은 본 발명의 실시예에 따른 MAPLE 기상예보자료를 이용한 홍수예측 장치의 구성도이고, 도 2는 도 1을 이용한 MAPLE 기상예보자료를 이용한 홍수예측 방법의 흐름도이다.

도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 MAPLE 기상예보자료를 이용한 홍수예측 장치(100)는 레이더자료 추출부(110), 강우자료 변환부(120), 수위자료 변환부(130), 홍수예측모형 구성부(140), 홍수예측모형 선정부(150), 홍수예측모형 생성부(160), 홍수 예측부(170), 홍수예측모형 갱신부(180)를 포함한다.

우선, 상기 레이더자료 추출부(110)는 기상 레이더로부터 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출한다(S210). MAPLE 강우예측 데이터는 현재 기상청에서 제공하고 있는 자료로서 기상 레이더를 이용한 초단기 강우예측 자료에 해당된다.

MAPLE 강우예측 데이터의 구성 예는 다음과 같다. MAPLE 강우예측 데이터는 1km×1km의 격자 단위의 해상도를 갖는 예측 강우량 데이터로서 한반도와 그 주변을 포함한 1,024×1,024 개의 격자에 해당하는 범위를 갖는다. MAPLE 강우예측 데이터는 현재를 기점으로 6시간 예보를 수행하며, 현재시간 관측값과 그 이후에 해당하는 매 10분 간격으로 37개의 예측 값을 제공한다. 이에 따라 각각의 파일은 시간 흐름에 따라 37개의 레이어(Layer)를 가지게 된다.

이러한 내용을 바탕으로 S210 단계에서 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출하는 예는 다음과 같다.

먼저, 홍수예측을 수행하고자 하는 대상 유역의 수치지도(ASCII raster format)를 입력받으며, MAPLE 강우예측 자료에서 상기 입력받은 수치지도에 해당하는 범위를 좌표변환을 통해 행렬좌표 값으로 변환한다. 이는 ASC converter를 통해 수행한다.

그리고, input data를 지정한다. 즉, 매 10분 간격으로 생성되는 MAPLE 자료 중에서 예측 강우자료를 추출할 기간에 해당되는 MAPLE 자료 이름을 input.txt 파일을 통해 입력받는다.

다음, MAPLE 예측 강우자료를 추출한다. 이를 위해, 전체 MAPLE 강우예측 자료 중에서 앞서 input data로 지정된 MAPLE 자료를 선별한 다음, 1시간 후, 2시간 후 및 현재 시간에 해당되는 MAPLE 예측 강우자료를 추출한다. 또한, 추출된 자료 중에서도 상기 ASC converter를 통해 입력받은 행렬좌표에 해당하는 유역을 지정하여 해당 유역에 대한 시간별 MAPLE 강우예측 데이터를 획득한다. 즉, 해당 유역의 유역 평균 예측 강우량을 계산하고, 매 시간별 1시간 후 및 2시간 후의 유역 평균 강우량을 반환한다.

본 실시예에서는 홍수 예측을 위하여 상기 MAPLE 예측 강우자료 이외에도 실제 관측된 관측강우 자료 및 관측수위 자료를 활용한다.

이와 관련하여, 강우자료 변환부(120)는 대상 유역 내의 강우관측소로부터 시간별 유역 평균 관측강우량 데이터를 추출한다(S220). 시간별 유역 관측강우량 데이터를 추출하는 과정은 다음과 같다.

우선, 강우자료 변환부(120)는 유역자료, 관측소, 강우자료를 포함하는 입력자료를 구성한다. 즉, 홍수 예측을 수행하고자 하는 대상 유역의 수치지도(shape file format), 대상 유역 내에 위치한 강우관측소들의 좌표, 그리고 각 강우관측소의 시간당 관측강우량을 입력 자료로 구성한다.

이후, Thiessen 가중평균법을 사용하여 대상 유역 내의 각 강우관측소로부터 획득된 시간별 관측강우량 데이터에 상기 강우관측소별 Thiessen 가중치를 반영하여 매 시간별 유역 평균 관측강우량 데이터를 반환한다.

수위자료 변환부(130) 또한 상기 대상 유역 내의 수위관측소로부터 시간별 수위 관측 데이터에 대응하는 시간별 유출량 데이터를 추출한다(S230).

시간별 유출량 데이터를 추출하는 방법은 다음과 같다. 우선 수위자료 변환부(130)는 유역자료, 관측소, 수위자료, 추가자료를 포함하는 입력자료를 구성한다. 즉, 홍수 예측을 수행하고자 하는 대상 유역의 수치지도(shape file format), 대상 유역 내에 위치한 수위관측소의 좌표, 수위관측소의 매 시간별 관측 수위자료, 매년 고시되는 해당 관측소 지점의 수위-유량 관계곡선 식을 입력 자료로 구성한다.

이후, 홍수량을 사용한 홍수 예보 시(홍수 예보 지점이 댐이나 저수지와 같은 수공구조물이 위치한 지점일 경우)에는 홍수예보 지점의 수위자료를 수위-유량 관계식에 대입하여 매 시간별 해당지점의 유출량 데이터를 반환한다. 즉, 대상 유역 내의 해당 수위관측소 지점에 대해 미리 고지된 수위 대 유량 관계 곡선 식에 상기 수위관측소 지점의 시간별 수위관측 값을 대입하여 시간별 유출량 데이터를 획득한다.

이외에도, 홍수위를 사용한 홍수예보 시(홍수예보 지점이 교량이나 제방이 위치한 지점일 경우)에는 매 시간당 측정된 홍수예보 지점의 수위자료를 최종 데이터로 반환할 수도 있다. 본 실시예의 경우 홍수량을 사용한 홍수 예보의 경우를 예시하고 있으나 본 발명이 반드시 이에 한정되는 것은 아니다.

이상과 같이 레이더자료 추출부(110), 강우자료 변환부(120), 수위자료 변환부(130)를 통해 매 시간별로 생성된 MAPLE 강우예측 데이터, 유역 평균 관측강우량 데이터 및 유출량 데이터는 시간 동기화되어 별도의 DB에 저장된 다음 이하의 홍수예측 모듈에서 사용된다. 본 실시예에서 홍수예측 모듈이란 홍수예측모형 구성부(140), 홍수예측모형 선정부(150), 홍수예측모형 생성부(160), 홍수예측모형 갱신부(180), 홍수 예측부(190)를 포괄하는 구성에 해당된다.

우선, 홍수예측모형 구성부(140)는 앞서 S210~S230 단계에서 획득된 매 시간별 MAPLE 강우예측 데이터, 시간별 유역 평균 관측강우량 데이터 및 시간별 유출량 데이터를 임의 조합하여 복수의 입력 데이터 모델을 획득한 다음, 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 각각 학습시켜 홍수 예측 모형을 각각 구성한다(S240).

예를 들어, 홍수예측모형 구성부(140)는 시간별 MAPLE 강우예측 데이터, 시간별 유역 평균 관측강우량 데이터 및 시간별 유출량 데이터를 조합하여 15개의 조합으로 구성할 수 있다. 이때, 자료의 조합 구성 시에는 자료의 발생 시간만을 고려하거나, 자료의 발생 시간 및 자료의 종류를 모두 고려할 수 있다.

표 1은 S240 단계를 위해 시간별 MAPLE 강우예측 데이터, 유역 평균 관측강우량 데이터 및 유출량 데이터가 임의 조합된 15개의 입력 데이터 모델을 나타낸다.

Model	Antecedent Data			Consequent Data
Model	MAPLE	Obs. Weather Data	Obs. Discharge Data	Forecasted Discharge Data
A		Rt, Rt-1	Qt	FQt+1 FQt+24
B		Rt, Rt-1	Qt, Qt-1	FQt+1 FQt+24
C		Rt, Rt-1, Rt-2	Qt, Qt-1	FQt+1 FQt+24
D		Rt, Rt-1, Rt-2	Qt, Qt-1, Qt-2	FQt+1 FQt+24
E		Rt, Rt-1, Rt-2, Rt-3	Qt, Qt-1, Qt-2	FQt+1 FQt+24
M1A	M1t	Rt, Rt-1	Qt	FQt+1 FQt+24
M1B	M1t	Rt, Rt-1	Qt, Qt-1	FQt+1 FQt+24
M1C	M1t	Rt, Rt-1, Rt-2	Qt, Qt-1	FQt+1 FQt+24
M1D	M1t	Rt, Rt-1, Rt-2	Qt, Qt-1, Qt-2	FQt+1 FQt+24
M1E	M1t	Rt, Rt-1, Rt-2, Rt-3	Qt, Qt-1, Qt-2	FQt+1 FQt+24
M2A	M1t, M2t	Rt, Rt-1	Qt	FQt+1 FQt+24
M2B	M1t, M2t	Rt, Rt-1	Qt, Qt-1	FQt+1 FQt+24
M2C	M1t, M2t	Rt, Rt-1, Rt-2	Qt, Qt-1	FQt+1 FQt+24
M2D	M1t, M2t	Rt, Rt-1, Rt-2	Qt, Qt-1, Qt-2	FQt+1 FQt+24
M2E	M1t, M2t	Rt, Rt-1, Rt-2, Rt-3	Qt, Qt-1, Qt-2	FQt+1 FQt+24

표 1에서 15개의 모델명은 A,B,C 등으로 구성되며 MAPLE 자료의 조합 여부에 따라 모델명에 M의 코드가 부여되어 있다. 조합되는 3가지 자료들 중에서 'MAPLE' 항목은 기상 레이더에 의한 MAPLE 강우예측 데이터(데이터 명은 M으로 시작), 'Obs. Weather Data'는 관측강우량 데이터(데이터 명은 R로 시작), 'Obs. Discharge Data'는 유출량 데이터(데이터 명은 Q로 시작)를 의미한다. 그리고, t는 시간 개념을 의미한다.

다음은 홍수 예측 모형의 생성을 위한 홍수 이벤트를 선정해야 한다. 홍수 이벤트는 DB에 기 저장된 자료로부터 세 세트 이상의 홍수 이벤트를 선정하거나 기존에 발생한 홍수 사상 중 가장 큰 홍수 이벤트를 선정할 수 있다.

홍수 이벤트의 선정 이후, 홍수예측모형 구성부(140)는 앞서 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 학습시켜 홍수 예측 모형을 각각 구성한다. 여기서, 학습 과정에는 기 저장된 과거 홍수 이벤트 중에서 가장 극심한 홍수 자료를 사용할 수 있다. 또한, 본 실시예에서 학습(training) 과정이란 학습뿐만 아니라, 보정(checking), 검정(testing) 과정을 포괄하는 의미이다. 이렇게 극심한 홍수 이벤트 자료를 모형의 학습에 사용하는 경우 추후 홍수 예측의 정확도를 높일 수 있으며 실제로 큰 홍수 발생 시에 예측 오류를 줄일 수 있는 이점이 있다.

본 실시예에서 상기 학습에 의해 획득되는 홍수 예측 모형이란 뉴로-퍼지(neuro-fuzzy) 기법을 이용한 ANFIS(Adaptive Nuero-Fuzzy Inference System) 기반의 홍수 예측 모형을 의미한다. 뉴로-퍼지 추론 기법을 이용한 ANFIS 기반의 모형 구성에 대해서는 기 공지되어 있으며 이에 관하여 간단히 설명하면 다음과 같다.

뉴로-퍼지 기법은 기존의 홍수 예보 시스템의 문제점과 불확실성을 최대한 감소시키고 유출량 예측 성능을 높일 수 있는 것으로서, 신경 회로망과 퍼지 이론을 결합한 추론 기법에 해당된다. ANFIS는 자료지향형 모형의 하나로서 모형에 사용된 자료들의 상관관계를 통해 모형을 생성하게 되므로 이후 홍수 예보 지점 상류의 특성이 변하거나 기후 및 강우 특성이 변할 경우 모형의 갱신이 용이하다. 또한 ANFIS 모형은 복잡하고 애매모호한 방대한 양의 수리, 수문학적 특성매개변수의 사용을 배제할 수 있어 연산 및 예측 효율을 높일 수 있다.

이상과 같은 S240 단계에 따르면 15개의 입력 데이터 모델을 앞서와 같이 선정된 과거 홍수 이벤트를 통해 각각 학습시켜서, 입력 데이터 모델별로 홍수 예측 모형을 구성할 수 있다.

그런 다음, 각각의 홍수 예측 모형에 대하여 모형의 운영 시점을 기준으로 홍수 예측 선행시간을 1시간 ~ 24시간까지 24개로 구분하여 홍수량(홍수위)에 대해 홍수 예측을 수행한다. 이후에는, 각각의 선행시간 별로 가장 정확한 홍수예측을 수행한 홍수 예측 모형을 선정한다.

즉, 홍수예측모형 선정부(150)는 상기 홍수 예측의 선행시간(1시간 ~ 24시간) 별로 각각의 홍수 예측 모형을 통해 홍수 예측을 수행한 다음, 상기 선행시간 별로 가장 정확한 홍수 예측을 수행한 홍수 예측 모형을 각각 선정한다(S250).

이는 선행시간 별로 가장 정확한 홍수 예측을 발현한 해당 입력 데이터 모델에 의한 홍수 예측 모형을 각각 선행시간 별로 추출 및 조합하는 과정에 해당된다. 즉, 선행시간 별로 가장 정확한 홍수예측을 수행한 해당 입력 데이터 모델을 각각 선정하고 그에 따른 홍수 예측 모델을 각각 선행시간 별로 조합하여 추후 홍수 예측에 사용한다면, 선행시간 별로 최적의 홍수 예측 결과를 획득할 수 있을 것이다.

표 1의 Forecasted Discharge Data 항목은 각각의 입력 데이터 모델별로 1시간 ~ 24 시간까지의 총 24개의 홍수량 예측 데이터를 의미한다. 여기서, 선행시간 별 홍수 예측 모형의 선정을 위해, 본 실시예에서는 Matlab 프로그램의 fuzzy logic toolbox를 사용하여 15개의 모델에 대해 각각 선행시간 별로 홍수 예측을 수행한다. 홍수 예측의 정확도(상관도, 적합성)는 기 공지된 방식인 결정계수(R²)와 평균제곱근오차(Root Mean Square Error, RMSE)의 지표를 사용하여 평가한다.

이러한 평가 과정은 12개의 선행시간 별로 수행하여, 각각의 선행시간 별로 가장 정확도가 높은 홍수 예측을 수행한 해당 입력 데이터 모델의 홍수 예측 모형을 추출하고, 이를 선행시간 별로 조합하여 최종적인 홍수 예측 모형을 구축할 수 있다. 예를 들어, 1시간 ~ 3시간은 제5 입력 데이터 모델에 따른 홍수 예측 모델의 정확도가 가장 우수하고 4시간 ~ 7시간은 제6 입력 데이터 모델에 따른 홍수 예측 모델의 정확도가 가장 우수하고 8시간 ~ 12시간은 제4 입력 데이터 모델에 따른 홍수 예측 모델의 정확도가 가장 우수한 경우 각각의 선행시간대 별로 최적의 해당 홍수 예측 모델을 조합하여 구성하면 된다.

이와 같이, 홍수예측모형 생성부(160)는 상기 선행시간 별로 각각 선정된 홍수 예측 모형을 조합하여 최종 홍수 예측 모형을 생성한다(S260). 즉, 홍수 예측 선행시간 별로 선정된 모형들을 조합하여 1시간 ~ 24시간 후의 홍수 예측 모형을 생성한다.

이렇게 생성된 최종 홍수 예측 모형에 현재 강우 발생 자료를 입력하면 현재 시점을 기준으로 1시간 ~24시간 후의 홍수 예측을 수행할 수 있다. 이를 위해, 홍수 예측부(170)는 강우 발생 시 현재 입력되는 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 상기 최종 홍수 예측 모형에 입력하여 홍수 예측을 수행한다(S270). 즉, 강우 발생 시에는 최종 생성된 홍수 예측 모형을 사용하여 홍수 예측을 효과적으로 수행한다.

여기서, 만약 강우 발생 시 새롭게 획득된 홍수 예측의 결과가 상기 과거 홍수 이벤트보다 큰 홍수라고 판단되면, 홍수예측모형 갱신부(180)는 상기 새롭게 획득한 홍수 예측의 결과를 상기 홍수 예측 모형의 학습 자료로 업데이트한 다음, 상기 학습에 의한 홍수 예측 모형의 구성 과정(S240), 상기 선행시간 별 홍수 예측 모형의 선정 과정(S250) 및 상기 최종 홍수 예측 모형의 생성 과정(S260)을 재수행하여 상기 최종 홍수 예측 모형을 갱신한다(S280).

즉, 새롭게 발생한 홍수 모델을 학습, 보정, 검정의 자료로 업데이트하고, 업데이트된 자료를 사용하여 홍수 예측 모형 생성 과정을 반복하여 홍수 예측 모형을 재구축한다. 이후에는 재구축된 홍수 예측 모형을 사용하여 보다 정확도 있게 홍수 예측을 수행할 수 있게 된다.

이상과 같이 본 발명에 따른 MAPLE 기상예보자료를 이용한 홍수예측 방법 및 그 장치에 따르면, 초단기 강우예측 자료인 MAPLE 기상예보 자료 및 각종 관측자료를 이용하여 홍수 예측의 정확도를 높일 수 있는 이점이 있다. 또한, 본 발명은 자료지향형 모형의 하나인 ANFIS 기반의 홍수 예측 모형을 사용함에 따라 복잡하고 애매모호한 방대한 양의 수리 및 수문학적 특성매개변수의 사용을 배제할 수 있으며, 획득이 용이한 계측 자료 및 기상예보 자료만을 사용하여 홍수 예측 모형의 생성 및 갱신이 용이한 이점이 있다. 더욱이, 본 발명은 초단기 예보에서 가장 높은 정확도를 보이는 것으로 알려진 MAPLE 강우예측 자료를 사용함에 따라 홍수 예측의 선행 시간을 확장하고 홍수 예측의 정확도를 향상시킬 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

100: MAPLE 기상예보자료를 이용한 홍수예측 장치
110: 레이더자료 추출부 120: 강우자료 변환부
130: 수위자료 변환부 140: 홍수예측모형 구성부
150: 홍수예측모형 선정부 160: 홍수예측모형 생성부
170: 홍수 예측부 180: 홍수예측모형 갱신부

Claims

기상 레이더로부터 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출하는 단계;
상기 유역 내의 강우관측소로부터 시간별 유역 평균 관측강우량 데이터를 추출하는 단계;
상기 유역 내의 수위관측소로부터 시간별 수위 관측 데이터에 대응하는 시간별 유출량 데이터를 추출하는 단계;
상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 조합하여 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 학습시켜 홍수 예측 모형을 각각 구성하는 단계;
상기 홍수 예측의 선행시간 별로 상기 홍수 예측 모형을 통해 홍수 예측을 수행한 다음, 상기 선행시간 별로 가장 정확한 홍수 예측을 수행한 홍수 예측 모형을 각각 선정하는 단계; 및
상기 선행시간 별로 각각 선정된 홍수 예측 모형을 조합하여 최종 홍수 예측 모형을 생성하는 단계를 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 방법.
청구항 1에 있어서,
강우 발생 시 현재 추출되는 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 상기 최종 홍수 예측 모형에 입력하여 홍수 예측을 수행하는 단계를 더 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 방법.
청구항 2에 있어서,
상기 강우 발생 시 새롭게 획득된 홍수 예측의 결과가 상기 과거 홍수 이벤트보다 큰 홍수라고 판단되면,
상기 새롭게 획득한 홍수 예측의 결과를 상기 홍수 예측 모형의 학습 자료로 업데이트한 다음, 상기 학습에 의한 홍수 예측 모형의 구성 과정, 상기 선행시간 별 홍수 예측 모형의 선정 과정 및 상기 최종 홍수 예측 모형의 생성 과정을 재수행하여 상기 최종 홍수 예측 모형을 갱신하는 단계를 더 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 방법.
청구항 1에 있어서,
상기 시간별 유역 평균강우량 데이터는,
상기 유역 내의 복수의 강우관측소로부터 획득된 시간별 관측강우량 데이터에 상기 강우관측소별 가중치를 적용하여 획득하는 MAPLE 기상예보자료를 이용한 홍수예측 방법.
청구항 1에 있어서,
상기 시간별 유출량 데이터는,
상기 유역 내의 해당 수위관측소 지점에 대해 미리 고지된 수위 대 유량 관계 곡선 식에 상기 수위관측소 지점의 시간별 수위관측 값을 대입하여 획득하는 MAPLE 기상예보자료를 이용한 홍수예측 방법.
청구항 1에 있어서,
상기 홍수 예측 모형은,
뉴로-퍼지(neuro-fuzzy) 기법을 이용한 ANFIS(Adaptive Nuero-Fuzzy Inference System) 기반의 홍수 예측 모형인 MAPLE 기상예보자료를 이용한 홍수예측 방법.
기상 레이더로부터 홍수예측대상 유역에 대한 시간별 MAPLE 강우예측 데이터를 추출하는 레이더자료 추출부;
상기 유역 내의 강우관측소로부터 시간별 유역 평균 관측강우량 데이터를 추출하는 강우자료 변환부;
상기 유역 내의 수위관측소로부터 시간별 수위 관측 데이터에 대응하는 시간별 유출량 데이터를 추출하는 수위자료 변환부;
상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 조합하여 획득된 복수의 입력 데이터 모델을 기 저장된 과거 홍수 이벤트를 통해 학습시켜 홍수 예측 모형을 각각 구성하는 홍수예측모형 구성부;
상기 홍수 예측의 선행시간 별로 상기 홍수 예측 모형을 통해 홍수 예측을 수행한 다음, 상기 선행시간 별로 가장 정확한 홍수 예측을 수행한 홍수 예측 모형을 각각 선정하는 홍수예측모형 선정부; 및
상기 선행시간 별로 각각 선정된 홍수 예측 모형을 조합하여 최종 홍수 예측 모형을 생성하는 홍수예측모형 생성부를 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 장치.
청구항 7에 있어서,
강우 발생 시 현재 추출되는 상기 MAPLE 강우예측 데이터, 상기 유역 평균 관측강우량 데이터 및 상기 유출량 데이터를 상기 최종 홍수 예측 모형에 입력하여 홍수 예측을 수행하는 홍수 예측부를 더 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 장치.
청구항 8에 있어서,
상기 강우 발생 시 새롭게 획득된 홍수 예측의 결과가 상기 과거 홍수 이벤트보다 큰 홍수라고 판단되면,
상기 새롭게 획득한 홍수 예측의 결과를 상기 홍수 예측 모형의 학습 자료로 업데이트한 다음, 상기 학습에 의한 홍수 예측 모형의 구성 과정, 상기 선행시간 별 홍수 예측 모형의 선정 과정 및 상기 최종 홍수 예측 모형의 생성 과정을 재수행하여, 상기 최종 홍수 예측 모형을 갱신하는 홍수예측모형 갱신부를 더 포함하는 MAPLE 기상예보자료를 이용한 홍수예측 장치.
청구항 7에 있어서,
상기 시간별 유역 평균강우량 데이터는,
상기 유역 내의 복수의 강우관측소로부터 획득된 시간별 관측강우량 데이터에 상기 강우관측소별 가중치를 적용하여 획득하는 MAPLE 기상예보자료를 이용한 홍수예측 장치.
청구항 7에 있어서,
상기 시간별 유출량 데이터는,
상기 유역 내의 해당 수위관측소 지점에 대해 미리 고지된 수위 대 유량 관계 곡선 식에 상기 수위관측소 지점의 시간별 수위관측 값을 대입하여 획득하는 MAPLE 기상예보자료를 이용한 홍수예측 장치.
청구항 7에 있어서,
상기 홍수 예측 모형은,
뉴로-퍼지(neuro-fuzzy) 기법을 이용한 ANFIS(Adaptive Nuero-Fuzzy Inference System) 기반의 홍수 예측 모형인 MAPLE 기상예보자료를 이용한 홍수예측 장치.