1. 서 론
기후변화의 영향으로 인해 과거와 비해 자연재난이 빈번히 발생하고 있다. 전 세계 주요 재난 데이터인 Emergency Events Database에 따르면, 1900년부터 1999년까지 매년 평균 75개의 자연재난이 발생하였다면 2000년 이후에는 매년 평균 395.7개의 자연재난이 발생하고 있다. 이러한 증가는 홍수 재난에서도 확인할 수 있다. 1900년부터 1999년까지 매년 평균적으로 20회의 홍수재난이 발생하였고, 이로 인해서 약 2,254만 명의 사람들이 영향을 받았으며 경제적으로 약 77억 달러의 피해를 주었다. 하지만 2000년 이후로는 매년 162.7회 홍수가 발생하였고, 약 7,200만 명에게 영향을 주었으며 약 386억 달러의 피해를 발생시켰다. 이러한 증가추세로 인해 홍수는 주요 자연재난으로서 전 세계적으로 많은 연구가 진행되고 있다(Han et al., 2022).
홍수는 발생지역 및 특성에 따라서 4가지(하천홍수, 도시홍수, 돌발홍수, 연안홍수(혹은 해안홍수)로 분류할 수 있다(Kim et al., 2018). 연안홍수를 제외한 나머지 홍수들은 강우와 지형학적 요소 등의 영향으로 발생을 한다면, 연안홍수는 여기에 조위라는 영향 요소를 추가적으로 가지고 있다. 연안홍수가 발생하는 장소는 바다와 연결된 하천, 즉 감조하천을 대상으로 발생하게 된다. 감조하천은 하류부가 바다와 연결되어 있기 때문에 바다에서 하류로 이동하는 조위의 영향을 받으면서, 동시에 상류부에서 강우에 의해서 발생한 유출량에 영향을 받는다(Choi et al., 2019). 조위의 영향으로 인해서 감조하천의 저수위 부분에서는 항상 조위와 같은 주기성이 나타난다. 하지만 피해를 입히는 고수위의 경우에는 강우에 의해서 발생하기 때문에 연안홍수 연구들에서는 강우를 주요 요소로, 조위를 부가적인 요소로서 고려하였다. 하지만 복합재난의 개념이 연안홍수에 접목되면서 조위 또한 주요 요소로 고려되기 시작하였다(Ikeuchi et al., 2017).
복합재난은 사회⋅경제적 위험을 유발하는 2개 이상의 재난유발인자 혹은 재난들의 상호작용에 의해서 발생한 재난을 의미한다(Kim et al., 2024). 복합재난은 과거의 재난 연구들에서 재난들을 서로 독립적인 요소로 가정함으로서 발생하는 문제들을 해결하기 위한 개념으로 제시가 되었다(Field et al., 2012). 복합재난에서 가장 중요한 것은 재난을 구성하는 요소들 간의 상호작용이다. 각 재난유발인자 혹은 재난들은 상호작용을 통해서 새로운 재난을 발생시키거나, 기존 재난의 규모 및 영향력을 증대시킴으로서 동일한 조건에서 발생한 단일 재난보다 더 큰 피해를 발생시킨다. 이러한 복합재난의 개념이 홍수에 접목되면서 제시된 것이 복합홍수이다.
복합홍수는 크게 2가지로 정의가 된다. 첫 번째 정의는 서로 다른 종류의 홍수들의 상호작용에 의해서 발생하는 홍수이며(Thieken et al., 2022), 두 번째는 연안홍수와 접목되면서 강우와 조위의 상호작용으로 인해서 발생하는 홍수를 의미한다(Bevacqua et al., 2020). 두 번째 정의에 대해서 기존 연안홍수에서도 조위를 영향 요소로 고려하기 때문에 같은 것이라고 생각할 수 있지만, 복합홍수에서는 조위를 강우와 같이 홍수의 주요 원인으로 다루면서 강우와 조위의 상호작용 또한 고려하기 때문에 차이를 보인다. 국외에서는 이미 복합홍수의 개념을 많이 적용하고 있지만, 국내에서는 관련 연구가 진행되지 않았다. 또한 국내에서는 감조하천의 계획홍수위 산정 시에 홍수위가 조위 조건에 변화하는 것을 반영하기 위해서 각 조위별 홍수위를 확인하고 이에 대한 평균적인 홍수위를 적용한다(Choi et al., 2019). 따라서 국내 감조하천에서의 계획홍수위가 과연 조위의 영향 및 강우와 조위의 상호작용을 고려하고 있는지와 기존 방법론을 통해서 산정된 계획홍수위 기반의 하천 시설물들이 복합홍수에 대해서 제대로 작동할 지에 대해서는 의문이 있다.
국외에서는 2015년부터 복합홍수 개념을 적용하여 연안홍수를 분석하기 시작했다. Wahl et al. (2015)은 조위와 강우의 상호작용이 연안지역의 홍수 피해를 발생시키는데 중요한 역할을 한다는 의미로서 복합홍수를 최초로 정의하였다. 미국 해안을 중심으로 강우와 조위의 결합확률을 산정하고, 해수면 상승이 복합홍수 발생을 가속화시키는 것을 확인하였다. Ikeuchi et al. (2017)은 연안지역 중에서도 삼각주를 중심으로 복합홍수위를 산정할 수 있는 모형을 개발하여 전 지구를 대상으로 대입함으로서 전 세계 삼각주의 복합홍수 위험성을 분석하였다. Fang et al. (2021)은 중국의 주요 연안도시들을 대상으로 복합홍수사례들을 식별하고 이를 일반 홍수 피해사례와 비교하였다. 이를 통해서 복합홍수가 같은 양의 강우량임에도 불구하고 일반 홍수보다 더 큰 피해를 야기 시키는 것을 확인할 수 있었다. Naseri and Hummel (2022)은 베이지안 방법론 기반의 복합홍수 위험성 분석 프레임워크를 개발하여 현재의 위험도와 기후변화 시나리오 기반의 위험도를 산정하였다. 이를 통해 전 세계 대부분의 연안지역에서의 복합홍수 위험도가 증가하는 것을 확인하였다. Wijetunge and Neluwala (2023)은 태풍에 의해서 발생하는 복합홍수의 잠재력을 분석할 수 있는 수문모형을 개발하였다. 개발한 모형을 통해서 분석한 결과, 홍수량, 홍수위, 침수면적이 기존의 강우에 의해서 발생한 홍수보다 모두 크게 발생하는 것을 확인하였다. Jalili and Najafi (2023)은 캐나다 해안지역을 대상으로 강우, 유량, 조위, 수위로 구성된 8가지 시나리오를 만들어서 복합홍수의 위험성을 분석하였다. 대부분의 지역에서 강우와 조위에 의한 복합홍수 형태가 가장 큰 위험성을 가지는 것을 확인하였다.
이러한 해외 연구사례들을 통해서 복합홍수에 대한 2가지 시사점을 파악할 수 있다. 첫 번째는 조위와 강우의 상호작용으로 발생하는 복합홍수는 일반적인 강우에 의한 홍수보다는 더 큰 규모를 가진다는 것이며, 두 번째는 복합홍수의 발생확률이 기후변화에 의한 해수면 상승과 강우량의 변화에 의해서 더욱 커지고 있다는 점이다. 이러한 복합홍수에 대한 시사점들은 국내의 연안지역에 대해서도 해당하는 상황임에도 불구하고 국내 연안홍수 연구에서 복합홍수 개념을 적용한 연구를 찾아보기 힘들다. Yoo et al. (2006)은 연안도시지역의 침수예상지를 예측하고자 각 빈도별 강우량 및 해수면 수위에 따른 시나리오를 만들어서 Storm Water Management Model (SWMM)에 적용하였다. 분석 결과 도시침수는 강우량에 영향을 많이 받으며 해수면의 높이는 관망을 통해서 배출되는 과정을 방해하여 피해를 가중시키는 보조적인 역할을 하는 것을 확인하였다. Choo et al. (2016)은 국내 4개 수역(서해, 남해, 동해, 제주)의 연별변동추이와 연평균상승률을 분석하여, 이를 기수립된 감조하천의 설계외수위와 비교⋅분석함으로서 설계외수위의 문제점을 제시하였다. Jung et al. (2018)은 조위의 영향으로 하천수위의 낙폭인 큰 감조하천에 대해 머신러닝 기반의 Long Short- Term Memory (LSTM) 모형을 적용하여 수위를 예측하였다. 기존 물리적 수리⋅수문의 모형보다 좋은 결과를 보여주었다. Lee et al. (2021) 또한 감조하천을 대상으로 딥러닝기반의 Deep Neural Network (DNN)을 적용하여 수위 산정 모형을 개발하였다.
국내 연구사례들을 통해 국내에서는 여전히 조위를 보조적인 요소로 고려하고 있는 것을 확인할 수 있다(Lee and Choi, 2018; Kim et al., 2023; Kim, 2023). 따라서 국내에서도 조위 및 강우와 조위의 상호작용을 주요 요소로 고려하는 복합홍수의 개념을 적용하는 연구가 필요하다. 또한 복합홍수 개념을 적용하여 현재 수립되어 있는 감조하천에서의 계획홍수위의 적절성에 대한 평가도 필요한 시점이다. 이에 본 연구에서는 복합홍수의 개념을 국내 감조하천에 적용하고, 복합홍수위 산정 모형을 개발하여 감조하천의 계획홍수위의 적절성을 평가하였다. 본 연구에서는 국내의 대표적인 감조하천인 태화강유역을 대상으로 연구를 수행하였다. 태화강 유역은 하천의 하류부에 도심지가 위치하고 있기 때문에 복합홍수 위험에 노출되어 있다. 우선 복합홍수위 산정 모형을 개발하기 앞서서 복합홍수위의 구성 성분을 확인하였다. 이산형 웨이블릿(Discrete Wavelet Transformation, DWT) 분석을 통해서 복합홍수위를 분해하여 구성 성분들을 정의하고, 정의된 구성성분들이 이론적으로 제시된 구성성분과 맞는지를 확인하기 위해 관측자료 기반의 모의 결과와 비교하여 평가하였다. 다음으로는 머신러닝 기법 중에 하나인 LSTM 기반의 복합홍수위 모형을 개발하였다. LSTM의 모형의 입력 자료는 앞서 식별된 복합홍수위의 구성성분들을 모의한 값과 관측자료를 사용하였다. 태화강의 설계빈도인 200년 빈도에 대해서 이변량 빈도해석을 통해서 구한 강우량과 조위값을 결정하고, 이를 개발한 복합홍수위 모형에 입력하여 200년 빈도의 복합홍수위를 산정하여 현재 태화강유역의 설계홍수위와 비교하였다.
2. 방법론
2.1 이산형 웨이블릿 변환
자연에서 관측되는 신호 또는 시계열들은 일정 시간 간격에 따라 진폭 및 위상에 따른 시간의 함수로서 표현될 수 있다. 이러한 시계열에 대해서 프랑스의 수학자 Fourier (1822)는 시간의 함수가 다양한 주파수를 가지는 정현파(좌표평면 위에서 주기적인 모양을 가지는 곡선)의 합으로 분해하여 표현이 가능하다는 것을 증명하였다. 즉 하나의 시계열이 단일요소가 아니라 서로 다른 주기(혹은 주파수)를 가지는 주기함수들로서 표현이 가능하다는 것을 보여주었다. 이러한 사실을 기반으로 시계열을 주파수의 영역으로 변환한 후에 식별된 주기함수들의 특성을 파악하여 원 시계열의 특성을 분석하는 연구들이 많이 수행되어졌다. 이러한 분석에 많이 활용되는 것이 웨이블릿 분석이다(Jin and Park, 2006). 웨이블릿 분석은 기존에 삼각함수들을 이용하여 주파수로 변형된 시계열을 분석한 것과 달리 기저함수라는 가장 최소 형태의 주파수 함수를 이용한다. 기저함수를 이용함으로서 기존 방법론들에서는 시간에 따른 변화하는 주파수의 특성을 고려할 수 없는 문제점을 해결하였다(Yoo et al., 2019). 단, 웨이블릿 분석 또한 각 시계열에 대해서 적절한 기저함수를 선정하지 못하면 잘못된 분석 결과를 도출할 수 있다는 문제점을 가지고 있다. 그럼에도 불구하고 기저함수에 대해서 전이(Shift) 및 규모(Scale) 변수를 통해서 다양한 주기를 가진 요소를 재현할 수 있다.
웨이블릿 분석에는 연속형 웨이블릿 변환(Continuous Wavelet Transformation, CWT)과 이산형 웨이블릿 변환 (DWT)이 있다. CWT는 전이와 규모 변수를 변화시켜 주면서 기저함수의 확장, 축소 및 이동을 통해 시계열의 주기 특성을 고해상도의 시간-주파수 함수로 표현하는 것으로 무수히 많은 기저함수를 고려하기 때문에 계산과정이 과도해지며 이로 인해서 중복된 정보들이 발생하는 문제점을 가지고 있다(Lee et al., 2018). 이에 반해 DWT는 시계열 내에서 큰 규모 변수를 갖는 저주파수에 해당하는 부분이 해당 시계열에서 전반적으로 나타나는 특성을 이용하여 CWT보다 적은 수의 기저함수를 이용하여 분석을 수행한다. DWT는 Fig. 1의 과정을 통해서 주파수의 형태를 바뀐 시계열을 서로 다른 성분으로 분리한다(Yoo et al., 2019).
주파수(f)가 High & Low pass filter를 통과하면서 주파수가 반으로 감소한 f/2인 근사 성분(ca1) 및 세분화 성분(cd1)으로 분리가 되며, Nyquist 법칙에 의거하여 원 시계열에 대한 정보 유실 없이 근사 및 세분화 성분의 절반을 제거할 수 있다. 원 시계열과 비교하였을 때, filter를 통해 분해된 근사 및 세분화 성분은 시간 분해능이 2배 낮아지며, 원래 대역보다 2배 높아진 주파수가 된다. 분리된 근사 성분은 다시 filter에 적용하여 근사(ca2) 및 세분화(cd2) 성분으로 분해할 수 있으며, 이 과정을 반복하여 각 단계별로 최종적으로 세분화 성분 집단과 근사성분으로 분해될 수 있다(Yoo, 2020).
2.2 머신러닝기반의 복합홍수위 산정 모형
복합홍수위는 강우에 의해서 발생한 유출량과 바다에서 밀려오는 조위가 감조하천에서 만나면서 형성하게 된다. 강우-유출량과 조위가 만나서 하나의 수위가 되는 과정은 당시의 조건마다 다르기 때문에 이를 수식으로 표현하거나 재현하기에 어려움이 많다(Saharia et al., 2021). 많은 연구들에서 이러한 과정을 재현하기 위해서 여러 가지 방법들을 시도하였고, 그중에서도 가장 좋은 결과를 보여주는 것은 머신러닝기반의 방법론들이였다(Lee et al., 2021). 머신러닝기반의 모형은 모형이 입력된 자료들에 대해서 여러 알고리즘을 적용하여 패턴 및 상관관계 등을 찾고 분석하여 최적의 의사결정 혹은 정확한 예측을 수행하도록 스스로 훈련을 한다(Kim, Kim et al., 2022). 머신러닝기기반의 모형을 총 3가지 과정을 기반으로 학습을 진행한다. 첫 번째는 의사결정 과정으로 주어진 입력 자료에 여러 알고리즘을 적용하여 자료의 패턴에 대한 추정치를 생성한다. 두 번째는 생성된 추정치를 이용하여 모형의 능력을 평가하는 과정으로 다양한 통계지표들을 이용하여 오차함수를 정의하고 이를 이용하여 모형의 능력을 평가한다. 마지막은 모형의 최적화 과정이다. 최적화 과정은 모형이 더 좋은 결과를 도출할 수 있도록 훈련 자료를 변환시키거나 가중치 등을 부여하는 과정을 통해서 모형의 추정치와 실제 값 사이의 차이를 줄여주는 것이다(Kim, Han et al., 2022). 이러한 과정들을 통해서 모형이 좋은 결과를 도출할 수 있도록 계속 학습한다. 모형의 이러한 학습 과정은 머신러닝기반의 모형들이 기존의 물리 혹은 통계적 기반의 모형들에 비해서 복잡한 시계열에 대해 더 좋은 결과를 도출할 수 있도록 해준다(Choi et al., 2018; Jung et al., 2021; Han et al., 2023).
머신러닝 기반의 여러 가지 방법론들이 존재하지만 수위 혹은 유량 산정 등에서는 LSTM 모형을 많이 활용하고 있다. 수문학 분야에서 다루는 유량 혹은 수위자료에 경우에는 각 자료가 연속성을 가지고 있는 자료로서 장기간뿐만 아니라 단기간에 대해서 상관성을 가지고 있다(Han et al., 2021; Kim, Lee et al., 2022). LSTM 모형은 이러한 장⋅단기 상관성을 장기 기억에 대한 메모리(Cell state)와 단기 기억에 관한 메모리(Hidden state)를 통해서 모형에 반영함으로서 수위와 유량 산정에 있어서 좋은 결과를 보여준다. 앞서 언급한 Jung et al. (2018) 및 Lee et al. (2021)에서의 결과에서도 확인할 수 있다. 앞선 연구들의 경우에는 입력 자료로서 수위, 유량, 조위, 강우량 관측자료 등을 사용하였다면 본 연구에서는 2.1절 과정을 통해서 식별된 복합홍수의 구성 요소들을 입력자료로 활용하였다. 이를 통해서 복합홍수위에 대해 영향을 주는 것으로 증명된 물리적인 요소들을 고려하기 위해서이다. 모형을 통해서 산정된 복합홍수위의 적절성을 평가하기 위해서 3가지 통계지표를 선정하였다. 개발된 모형으로부터 산정된 홍수위의 전반적인 정확도 및 경향성을 평가하기 위해서 Normalized Root Mean Squared Error (NRMSE)와 R-square (R2)를 활용하였으며, 첨두유량에 대한 정확도를 평가하기 위해서 Peak Difference (PDIFF)를 활용하였다. 세 개의 통계지표를 목적함수로 설정하여 LSTM 기반의 홍수위 산정 모형을 학습시켰으며, 가장 좋은 결과를 도출하는 경우를 최종 모형으로 선택하였다.
3. 대상지역 및 데이터 수집
본 연구에서는 태화강 유역의 태화교 수위 지점을 목표로 복합홍수위 산정 모형을 개발하였다(Fig. 2). 태화강은 국내 대표적인 감조하천으로 태화강의 하류부가 동해와 연결되어 있으며, 태화강 하류부 지역에 하천을 중심으로 도시지역이 발달되어 있다. 행정안전부에서 매년 발간하고 있는 재해연보를 통해서 태화강 유역의 과거 자연재난 이력을 보게 되면, 태풍 및 강우에 의한 침수피해가 많이 발생한 것을 볼 수 있다. 피해액에서도 태풍과 강우에 의해서 많은 피해가 발생하였다. 이러한 통계를 통해서 태화강 유역에서 침수피해가 자주 발생하는 것을 파악할 수 있다. 특히 태풍은 복합홍수를 발생시키는 주요 요소로서(Kim et al., in press) 태풍에 의한 피해가 많다는 것은 복합홍수에 의한 피해가 자주 발생할 수도 있다는 것을 의미한다. 따라서 태화강 유역에 대해서 기수립된 설계홍수위가 같은 빈도의 홍수위와 비교하여 복합홍수 방어에 대한 유효한 설계 값인지에 대한 분석이 필요하다.
복합홍수위 산정 모형을 개발하기 위해서 강우량, 수위, 조위관측소 등 14개의 관측소에 대해서 2012년 1월 1일부터 2023년 12월 31일에 해당하는 기간에 대해서 각각 자료를 수집하였다(Fig. 2). 2012년부터 자료를 수집한 이유는 태화교 관측소의 수위자료 2012년을 기준으로 전후의 관측값들 간의 차이가 1 m 이상 발생하였기 때문이다. 총 12개의 Automatic Synoptic Observing System 및 Automatic Weather System 관측소들(선리, 덕현리, 삼동초교, 영지초교, 외동중학교, 울산, 태화교, 신답교, 시래동, 봉월초교, 운문, 삼호동)에 대해서 국가수자원종합정보시스템(Water Resources Management Information System (WAMIS), http://wamis.go.kr/)을 이용하여 시단위 강우량 자료를 수집하였다. 복합홍수위 산정 모형의 목표 지점인 태화교 지점의 시단위 수위 자료 또한 WAMIS를 활용하여 수집하였다. 조위자료에 경우에는 태화강과 가장 가까이 위치한 울산조위관측소(태화강 하구로부터 약 404 m)의 시단위 조위자료를 해양수산부에서 운영하는 바다누리 해양정보서비스를 활용하여 수집하였다. 이외에 복합홍수위의 성분들을 모의하기 위해서 필요한 지형학적 자료들(Digital Elevation Map (DEM), 토지피복도, 토양도 등)은 국토부의 국토 정보플랫폼 및 환경부의 환경공간정보서비스에서 수집하였다.
4. 적용 및 분석
4.1 이산형 웨이블릿 변환을 이용한 복합홍수위 성분 식별
LSTM 기반의 복합홍수위 산정 모형을 개발하기 위해서는 입력자료로 어떤 자료를 사용할 지에 대해 결정해야한다. 복합홍수위는 여러 물리적 요소들이 상호작용해서 형성되는 물리값으로서 이러한 관계를 고려하기 위해서는 복합홍수위 형성에 영향을 주는 요소를 입력자료로 사용해야한다. 이를 위해서는 복합홍수위가 어떤 요소들로 구성이 되어 있는지에 대해서 확인해야한다. 본 연구에서는 DWT를 이용하여 복합홍수위를 여러 단계로 걸쳐서 분리한 이후에, 각 성분의 특성에 맞게 Lee et al. (2018)이 이론적으로 제시한 3가지 성분(조위성분(파고 및 조위), 강우-유출성분, 잡음성분)으로 재조합하였다. 그리고 각 성분을 관측값 및 모형들로부터 재현한 값과 비교하여, 분리되어 재구축된 성분들이 해당 성분이 맞는지를 평가함으로 이론적으로 제시된 성분이 동일한 지를 평가하였다(Fig. 3).
먼저 Kim et al. (in press)이 제시한 복합홍수기준(강우: 22.42 mm/hr 이상, 조위: 0.71 m 이상)을 활용하여 복합홍수 사상들을 식별하였다. 그리고 식별된 복합홍수사상 기간 동안에 태화교 수위 관측소에서 관측된 수위를 복합홍수위로 정의하였다. 식별된 복합홍수위에 대해 DWT를 적용하기 전에 기저함수를 선택하는 과정이 필요하다. 총 8종류의 기저함수(Haar, DauBechies (DB), Bior, Coiflets, Symlets, Morelt, Ricker, FK)를 적용하였다. 각 기저함수별로 식별된 복합홍수위를 분리하고, 분리된 성분으로 원 시계열을 재구성했을 때 원시계열과 재구성된 시계열과의 평균 제곱근 오차(Root Mean Squared Error, RMSE)를 산정하여 각 기저함수를 평가하였다(Table 1). 평가결과, FK4가 8회로 가장 많이 최적의 기저함수로 선정되었고, 다음이 7회로 DB7이 많이 선정되었다.
Table 1
Mother Wavelet Test
FK4와 DB7이 근소한 차이를 보이기 때문에 두 기저함수만을 대상으로 다시 17개의 사상에 대해서 적용하였다. 그 결과, FK4을 적용했을 때(평균 RMSE: 3.13E-13)가 DB7을 적용했을 때(평균 RMSE: 1.29E-16)보다 높게 오차가 발생하였기 때문에 최종적으로 DB7을 기저함수로 선정하였다. DB7을 기저함수로 각 복합홍수위를 분리하고 나서 다시 조위성분, 강우-유출성분, 잡음성분으로 재구축하였다(Fig. 4).
다음으로는 분리된 조위와 강우-유출 성분에 대해서 조위관측자료 및 강우자료로부터 강우-유출 성분을 재현한 값과 비교⋅분석하였다. 강우량 자료를 HEC-HMS (Hydrologic Engineering Center-Hydrologic Modeling System)와 HEC- RAS (River Analysis System)에 적용하여 강우-유출 성분을 모의하였다. HEC 모형들은 국내에서 계획홍수위를 산정하기 위해 가장 많이 활용되고 있는 모형이다. 관측자료에서 구축된 각 구축된 성분들을 복합홍수위를 분리한 성분들과 비교해보면, 두 성분에서 모두 유사한 결과를 보여주었다(Fig. 5). 각 사상에 대해서 분리된 성분과 모의된 성분에 대한 평균적인 차이를 살펴보면, 조위 성분은 약 0.08 m 차이를 보였으며 강우-유출성분은 약 0.18 m의 차이를 보여주었다. 따라서 복합홍수위는 조위와 강우에 의해서 발생한 강우-유출 성분으로 구성되어 있는 것을 확인할 수 있다.
다음으로 분리된 결과를 기반으로 복합홍수위를 구성하는 각 성분들이 복합홍수위에서 얼마나 차지하고 있는 지를 확인하기 위해서 비율을 산정하였다(Table 2). 강우-유출성분이 64%로 반 이상을 차지하고 있으며, 조위성분이 35%, 잡음성분이 1%를 구성하고 있다. 이러한 구성은 첨두홍수위에 대해서는 강우-유출 성분이 84%로 급격하게 증가하게 되며, 조위성분은 16%로 감소하게 된다. 따라서 대상지역인 울산지역에서 피해를 발생시키는 복합홍수위를 구성하는데 있어서 조위성분보다는 강우-유출성분이 큰 역할을 하는 것으로 볼 수 있다.
4.2 LSTM기반의 복합홍수위 모형 개발
기존 연구들에서 감조하천의 수위를 산정하는데 있어서 좋은 결과를 보여준 RNN 및 LSTM을 복합홍수위 산정 모형 개발에 활용하였다(Fig. 6). 기존의 연구들에서는 조위, 강우 등의 관측자료만을 입력자료로 활용하였다면, 본 연구에서는 4.1절에서 확인된 성분 중에 하나인 강우-유출 성분을 모의하여 이를 입력자료로 활용하였다. 이는 4.1절의 결과를 통해서 복합홍수위에서 분리된 강우-유출 성분이 HEC 모형들을 통해서 모의된 결과와 유사한 결과를 보여주었기 때문에 이를 통해서 모형의 복합홍수위 산정 정확도를 올릴 수 있을 것으로 판단했기 때문이다. 앞서 선정된 17개 사상에 대해서 14개의 사상(Event 1~14)을 모형 학습자료로 활용하였으며, 3개의 사상(Event 15~17)에 대해서 검증을 실시하였다. 검증에 있어서는 2.2절에서 제시한 3가지 통계지표(NRMSE, R2, PDIFF)를 사용하였다. 또한 개발한 모형의 비교 값으로서 많이 활용하고 있는 HEC-HMS와 HEC-RAS로 산정한 수위값을 활용하였다.
3개의 사상에 대해서 검증한 결과를 보게 되면(Fig. 7과 Table 3), 우선 개발한 모형과 HEC 모형들에 의한 결과에 있어서 가장 큰 차이는 저수위에서 확인할 수 있다. 개발된 복합홍수위 모형에서는 감조하천의 수위에서 나타나는 저수위에서의 주기성이 잘 나타나는 반면에서 HEC 모형들에 의한 결과에서는 특정 수위 값을 유지하고 있는 것을 볼 수 있다. 그리고 첨두홍수위에서도 차이가 발생하였는데, 개발된 모형에서 산정된 첨두홍수위 값이 관측수위와 좀 더 유사한 결과를 보여 주었다. 이러한 결과를 통해 개발한 모형이 HEC 모형들보다 복합홍수위를 정확하게 산정하는 것으로 판단할 수 있다. 이외에 복합홍수위를 산정하는데 있어 모의를 위한 준비의 용이성 및 모의시간을 비교하였다. 먼저 모의를 위한 준비 용이성을 비교해보면, HEC 모형들에서는 개발한 모형보다 모형 구축을 위해 더 많은 자료를 필요로 한다. 개발한 모형에서는 관측자료만을 사용한 반면에 HEC 모형들은 유역을 구축하기 위한 지형도, 토지피복도 등 지형학적 자료와 수위 산정을 위한 하천단면 자료가 추가적으로 필요하다. 하지만 모형 구축 중매개변수를 산정하는 과정에서는 개발한 모형에서 HEC 모형들보다 많은 시간이 걸린다. 이는 머신러닝 모형에서는 기존의 물리기반의 모형들보다 많은 매개변수들을 포함하고 있기 때문이다. 두 번째로 모의시간을 비교해보면, 개발한 모형이 HEC 모형들보다 짧은 시간이 소요된다. 개발한 모형에서는 관측자료를 입력하게 되면 복합홍수위가 바로 산정되어진다. 하지만 HEC 모형들에서는 강우자료를 입력하여 HEC-HMS에서 강우-유출량을 산정해야하며, 산정된 유출량을 다시 HEC- RAS에 입력하여 홍수위를 산정하게 된다. 즉, 2단계를 걸쳐서 홍수위를 산정하게 된다. 이러한 비교를 통해, 본 연구에서 개발한 모형이 적은 종류의 입력자료를 가짐에도 불구하고 모형을 구축하는데 있어 많은 시간이 소요되지만, 모형이 구축된다면 적은 시간이 소요되면서 보다 정확한 결과를 도출하는 것으로 판단할 수 있다.
Table 3
Verification of the Developed Model Comparing with HEC Models
다음으로 검증을 마친 복합홍수위 산정 모형을 이용하여 태화강 유역의 계획빈도에 해당하는 200년 빈도의 복합홍수위를 산정하였다. 이를 위해서 태화강 유역의 유역종합취수계획을 참고하였다(Lee and Lee, 2008). 복합홍수위는 강우와 조위의 영향으로 발생하기 때문에 두 요소를 고려한 빈도 값을 적용하여야 한다. 이에 대해서 Kim et al. (in press)이 수행한 빈도해석 결과를 기반으로 200년 빈도 복합홍수를 구성하는 강우량 및 조위값을 산정하였다(강우량: 99.88 mm/hr, 조위: 0.74 m). 산정된 값들을 개발한 모형에 대입하여 200년 빈도에 해당하는 복합홍수위는 6.15 m로 산정되었다. 유역종합취수계획에서는 태화강의 200년 빈도의 홍수위는 5.79 m로 설정하고 있으므로 따라서 현재 태화강 유역에 존재하는 수공구조물들의 경우에는 복합홍수에 취약하다는 것으로 판단할 수 있다.
5. 결론
본 연구에서는 태화강 유역에 복합홍수위 개념을 토대로 복합홍수위 모형을 개발하고, 이를 통해서 산정된 계획빈도의 복합홍수위와 유역종합취수계획에서 수립한 계획홍수위를 비교하였다. 비교 결과, 200년 빈도의 복합홍수위는 6.15 m로 기수립된 계획홍수위인 5.79 m 보다 약 0.36 m 더 높은 것을 확인할 수 있었다. 이를 통해 태화강 유역의 수공구조물들이 복합홍수위에 취약하다는 것을 확인할 수 있었다. 그러나 본 연구에서 복합홍수위 모형을 개발하는데 있어서 3가지 한계점이 존재하였다.
첫째는 LSTM 기반의 모형을 개발하는 데 있어서 활용되고 있는 자료의 수가 적다는 것이다. 머신러닝 모형의 경우에는 모형을 학습시키는 자료가 많을수록 자료가 가지는 특성을 잘 반영하여 좋은 결과를 도출할 수 있다. 하지만 본 연구에서는 Kim et al. (in press)이 제시한 기준으로 식별된 복합홍수 사상이 17개에 불과하였다. 따라서 모형을 학습시키는 자료의 수가 다소 부족하였다. 이러한 문제를 해결하기 위해서는 태화교 수위관측소의 2012년 이전의 자료들을 활용하는 방법이 있는데, 이를 위해서는 2012년 이후 값들을 활용하여 과거 자료들을 보정하는 과정이 선행되어야 할 것이다.
둘째는 개발한 모형에서 산정된 첨두홍수위가 관측자료의 첨두홍수위보다 작게 산정된 것이다. 검증에 활용된 3개의 사상에 대해서 한 개의 사상을 제외하고 나머지 경우들에서 첨두홍수위가 작게 산정되었다. 이는 머신러닝기반의 유출모형들에서 자주 발생하는 문제로서 첨두홍수위는 각 사상에서 한번만 존재하다 보니 모형이 이를 학습하는 데에는 한계가 있다. 첨두홍수위가 과소 산정될 경우에는 실제 복합홍수에 의한 위험성을 과소 산정하게 되는 문제점으로 이어질 수 있다. 따라서 첨두홍수위가 과소추정되는 문제점을 해결하기 위한 방법이 필요하다.
마지막으로 본 연구에서는 블랙박스(Black-box) 모형의 특성을 가진 머신러닝을 기반으로 모형을 개발하였다. 블랙박스 모형들은 어떤 과정을 통해서 결과 값이 도출되는 지를 명확하게 설명하지 못한다는 문제점을 가지고 있다. 아무리 좋은 결과를 도출할지라도 물리적인 과정을 걸쳐서 산정되는 결과물에 대해서 어떤 물리적 과정을 통해서 해당 값이 도출되었는지에 대해서 설명을 하지 못한다면 이를 공식적인 보고서나 설계에 활용하기에는 어려움이 있다. 따라서 복합홍수위의 물리적 과정을 보여줄 수 있는 모형 개발이 추가적으로 필요할 것으로 판단된다.
이러한 한계점에도 불구하고 본 연구에서는 복합홍수위를 산정하여 태화강 유역이 복합홍수에 취약하다는 것을 보여주었다. 현재 감조하천에서의 설계홍수위는 조위를 간접적으로만 고려하고 있기 때문에 조위 및 강우와 조위의 상호작용을 고려하는 복합홍수위를 제대로 고려하지 못하고 있다. 기후변화로 인한 해수면 상승과 강우량의 변화는 감조하천에서 복합홍수의 위험성을 더욱 증대시키고 있다. 따라서 복합홍수에 의한 피해를 막기 위해서는 감조하천에서의 계획홍수위에 대해 복합홍수의 개념을 접목시키는 것이 필요하다. 이에 있어서 본 연구의 결과는 복합홍수 개념의 적용 필요성을 보여주는 근거로서 활용될 수 있을 것으로 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
