1. 서 론
침수(Flooding)란 태풍⋅호우⋅해일 등의 자연재해 발생으로 인한 하천범람, 내수 배제 불능 등의 원인으로 도시(시가지), 농경지 등이 물에 잠기는 현상으로 정의되며, 이 중 도시에서 침수가 발생하는 것을 도시침수(Urban Flooding)라 한다(Ministry of the Interior and Safety, 2024). 도시침수는 인적⋅물적 자원이 집중된 도시에서 발생되는 재해로 다른 지역에 비해 재산 및 인명 피해가 크게 발생하는 특징이 있다(Bae, 2019).
우리나라의 2023년 강수 현황의 경우 연간 강수량이 1,746.0 mm로 세계 평균인 973 mm의 약 1.8배에 해당하며, 이 중 여름철(6~8월) 강수량이 1,018.5 mm로 약 58%를 차지한다. 이러한 우리나라 강수 특성과 더불어 1912년부터 2020년까지 강수량의 장기적인 변화 추세를 살펴보면 과거 30 (1912~1940)년에 비해 최근 30 (1991~2020)년의 연 강수량이 약 135 mm 증가하였으며, 강수일수의 경우 21.2일 감소하였다(Kim and Kim, 2021). 이와 더불어 최근 기후 경향이 반영된 고탄소 시나리오(SSP5-8.5)의 미래 5일 최대 강수량은 현재 강수량보다 19.5% 증가한 약 251 mm로 전망하고 있다(Kim et al., 2020). 이처럼 우리나라 강수 특성과 기후변화로 인한 연 강수량 증가 및 강수일수 감소로 도시의 내수배제 시스템의 배수 능력을 초과하는 강수가 발생할 가능성을 높이며, 이에 따라 도시침수 발생 가능성 또한 증가될 것으로 전망된다.
도시침수 피해 증가의 다른 주요 원인으로 도시화율의 상승에 따른 불투수 지역의 증가가 있다. Statistics Korea (2024)에서 보고한 도시화율에 따르면 2021년 전국 도시화율은 90.7%로 2000년에 비해 3.1%p 증가하였으며, 수도권의 경우 97.1%가 이미 도시화된 것으로 나타났다. 이는 권역 내 토지피복 상태의 대부분이 아스팔트 및 콘크리트 등의 불투수면으로 이루어져 있음을 의한다. 이로 인해 빗물이 지하로 침투하지 못하여 유출량이 증가하며, 배수 시스템에 도달하는 시간 또한 감소하여 특정 시점의 최대 유량이 급증하는 현상이 발생될 수 있다. 이러한 원인들로 인해 도시화는 기후변화로 인한 강수량 증가와 더불어 도시침수 발생 및 피해강도가 증가될 수 있음을 시사한다.
증가하고 있는 도시침수 피해에 대한 예방 및 저감을 위해서 환경부에서는 홍수예보체계를 구축하고, 홍수주의보 및 경보를 발령하고 있다. 이와 더불어 합리적인 홍수방어대책 수립을 목적으로 다양한 기초정보를 생산하고 있으며, 특히 홍수위험지도 제작을 통해 극한의 홍수 상황을 대비하고 인명 및 재산 피해를 최소화하려 하고 있다. 이 외에도 2024년 03월 15일 ｢도시하천유역 침수피해방지 대책법｣ 법령 시행을 통해 대규모 홍수에 적절하게 대응함으로써 도시하천 유역의 침수피해를 방지하고자 노력하고 있다. 그러나 도시침수의 경우 강우 강도, 유역 조건 등에 따라 피해 정도가 달라질 수 있어 효과저인 도시침수 예보를 위해서는 정확한 도시침수 모의를 통한 침수 예상 지역을 식별할 수 있어야 한다.
국내도시침수 모의 연구에서는 SWMM모형을 이용한 연구가 주를 이루고 있으며, SWMM모형을 이용하여 2D 침수확산 모형과의 연동을 통한 매개변수 추정 및 모형의 적용성 평가, 침수지도 작성, 침수재현을 통한 영향분석 및 침수 예측에 관한 연구가 이루어졌다(Lee et al., 2022). 이와 같은 수문 분석에 있어 입력자료 중 강우 자료는 모의 결과에 가장 많은 영향을 주는 인자로 높은 정확도의 강우 자료가 요구되나(Kim and Moon, 2015), 실제로는 강우 예측에 있어 강도 및 시간적 측면에서 많은 불확실성을 내포하고 있는 실정이다(Lee et al., 2020). 이에 따라 예측 강우 자료가 가지고 있는 불확실성이 도시침수 예측에 있어 어떠한 영향을 미치는지에 대한 연구가 필요하다.
따라서 본 연구에서는 기상청에서 생성되고 있는 관측 강우 자료를 기준으로 2가지의 예측 강우 자료의 강우 예측성 평가를 통한 과대 및 과소 추정 등과 같은 불확실성 분석과 각 자료에 대한 맨홀 월류량 및 월류량에 따른 내수 침수모의를 통해 예측 강우 자료의 불확실성이 도시침수 예측에 있어 어떠한 영향을 미치는지에 대한 연구를 수행하고자 한다.
2. 대상유역 및 입력자료 구축
2.1 대상유역
본 연구에서는 소유역 규모의 강우 예측성 및 침수모의 평가를 진행하고자 상습 침수지역으로 선정되어 있는 도림천 유역을 연구 대상 유역으로 선정하였다. 대상 유역의 경우 유로 연장과 유역면적은 각각 14.2 km와 42.5 km²이며, 관악구, 동작구, 구로구, 영등포구 등 4개의 구에 걸쳐 도림천 소권역을 형성하고 있다.
한강홍수통제소에서 도림천 유역을 문래, 대림, 도림, 봉천천, 서울대, 구로, 신림 등 총 7개의 소유역으로 분할하여 2023년 시범사업을 수행하였다. 본 연구 또한 대상 유역인 도림천 유역에 대해 7개의 소유역으로 분할하여 연구를 진행하였다.
2.2 입력자료 구축
본 연구는 대상지역인 도림천 유역의 맨홀 월류량과 맨홀 월류량에 따른 내수 침수모의를 수행하고자 지형자료 및 수문자료를 구축하였다.
2.2.1 지형자료 구축
지형자료의 경우 DEM (Digital Elevation Mode) 및 토지피복도와 더불어 EPA-SWMM5 모형을 이용한 맨홀 월류량 산정을 위해 대상유역을 맨홀에 의한 소유역 분할 지형자료를 구축하였다.
DEM은 국토지리정보원(National Geographic Infor mation Institute)에서 제공하는 1:5,000 수치지도를 이용하여 5 m 격자 해상도로 구축하였으며, 토지피복도는 환경공간정보서비스(Environmental Geograph ic Information Service, EGIS)에서 제공하는 중분류 토지피복도를 이용하였다. 이때 토지피복에서 불투수 지역의 경우 중분류 범례 중 분류코드 100번대(주거, 공업, 상업, 문화⋅체육⋅휴양, 교통, 공공시설 지역)와 같은 시가화 및 건조지역을 불투수 지역으로 간주하였다.
소유역 분할 지형자료의 경우 도시 배수 시스템의 합류점은 항상 SWMM 소유역의 유출구로 간주 된다는 가정을 통해 각 합류점에 따른 Thiessen법을 이용하여 합류점의 공간적 분포를 기반으로 배수 면적을 결정하는 접근법인 배수 시스템 기반 접근법을 활용하였다. 본 연구에서의 합류점은 도림천 유역에 위치한 맨홀을 의미하며, 유역에 위치한 3,655개의 맨홀에 대해 Thiessen법을 이용하여 3,655개의 영역으로 분할하여 구축하였다(Ji and Qiuwen, 2015).
2.2.2 수문자료 자료
수문자료의 경우 서울시의 200년 빈도 강우량(114.3 mm/hr)과 배수 시스템 설계용량(95 mm/hr)을 넘는 141.5 mm의 1시간 최대 강우량 및 381.5 mm의 누적 강수량의 발생으로 대규모 침수를 발생시킨 2022년 수도권 집중호우 사상(2022.08.08.~08.09)에 대해 기상청에서 제공하는 관측 강우 자료인 AWS (Automatic Weather Stations)와 예측 강우 자료인 LDAPS (Loacl Data Assimilation and Prediction System) 및 MAPLE (McGill Algorithm for Precipitation Nowcasting and Lagrangian Extrapolation)을 사용하였다.
AWS자료는 지점 관측 자료로써 LDAPS와 MAPLE 예측 강우 자료가 면적 평균 강우량으로 제공되는 것을 고려하여 Thiessen법을 통한 공간분포화를 진행하였다. AWS 자료의 공간 분포화의 경우 도림천 유역 인근 9개의 지점(양천, 영등포, 한강, 기상청, 현충원, 금천, 관악, 남현, 관악(레))중 영향을 미치지 않는 남현 관측소를 제외한 8개의 관측소를 이용하여 7개의 소유역에 대한 면적 평균 강우량을 산정하였다.
LDAPS와 MAPLE 자료의 경우 선정된 강우 사상의 강우 지속 기간에 대해 수문 모형에 적용 가능한 형태로 구축하고자 하였다. MAPLE은 6시간 예측 자료를 10분마다 제공하나, LDAPS는 3시간 간격으로 3시간 예측(03, 09, 15, 21UTC)과 48시간 예측(00, 06, 12, 18UTC)을 교차로 제공하는 것을 서로 고려하여, 예측 강우 자료의 예측 선행 시간은 LDAPS의 자료 갱신 시간인 3시간으로 선정하여 LDAPS와 MAPLE 자료를 사용하였다. 또한 각 격자별 면적 평균 강우량으로 자료가 제공되는 점을 고려하여 각 유역에 포함되는 격자에 따른 각 소유역의 면적 평균 강우량을 산정하였다.
3. 방법론
3.1 강우 예측성 평가
본 연구에서는 관측 강우 자료를 기준으로 예측 강우 자료의 정성적 및 정량적 평가를 1시간 강우량(mm/hr)에 대해 수행하고자 한다. 정성적 평가는 강수 유무 판별을 통해 정확도를 평가하는 방법으로, 관측값과 수치 예측값을 각각 이진변수로 나타낸 Confusion Matrix를 활용하여 다양한 예보 평가 지수의 결과를 통해 예보 성능을 평가하는 기법인(Choi and Kim, 2020) 양분 예보 기법(Method for Dichotomous Forecast)을 이용하고자 한다. 본 연구에서 활용한 정성적 평가 방법의 종류로는 임계성공지수(Critical Succes Index, CSI), 탐지확률(Probability of Detection, POD) 및 오보율(False Alarm Ratio, FAR)을 이용하고자 한다(Eqs. (1)~(3)).
여기서, TP는 사건이 발생할 것으로 예측했을 때 실제로 발생한 경우, FN은 사건이 발생하지 않을 것으로 예측했을 때 실제로 발생한 경우, FP는 사건이 발생할 것으로 예측했을 때 실제로 발생하지 않은 경우, TN은 사건이 발생하지 않을 것으로 예측했을 때 실제로 발생하지 않은 경우를 의미한다.
정량적 평가 방법의 경우 Nash-Sutcliffe Efficiency (NSE), PBIAS (Percent BIAS) 및 정규화된 평균 제곱근 오차(Normalized Root Mean Square Error, Nor.RMSE)를 이용하고자 한다(Eqs. (4)~(6)).
여기서, Oi는 관측 강우량, Pi 는 예측 강우량, N은 데이터의 총 개수, O ¯
Table 1
General Performance Ratings for Recommended Statistics (Moriasi et al., 2007)
3.2 맨홀 월류량 산정
본 연구에서는 도림천 유역에서 각 강우 자료에 대한 맨홀 월류량 산정을 위해 EPA-SWMM5 모형을 이용하였다. SWMM 모형은 도시유역내에서 강우사상으로 발생하는 유출량 및 오염물질에 대한 지표면, 지표하 흐름, 배수관망 등에서의 유출량 추적, 저류량 산정, 오염물질 처리 및 비용계산 등을 1차원 모의 가능한 종합적인 모형이다.
1971년 미국 EPA의 지원 아래 Metcalf & Eddy 사가 Florida 대학 및 W.R.E (Water Resources Engineers)와의 공동 연구로 개발되었으며, 1981년에 SWMM모형 내에 있는 Transport 블록을 확장 및 보완하기 위해 EXTRAN (Extended Transport) 블록을 포함하였다. SWMM의 실행 블록 구성은 Fig. 1과 같다(Rossman and Huner, 2016; Rossman and Huber, 2017).
본 연구에서는 소유역의 강우-유출 해석 진행 및 배수시스템에서의 흐름과 월류량 산정을 위하여 소유역에서 Eq. (7)의 연속방정식을 사용하는 RUNOFF 블록과 연속방정식(Eq. (9)) 및 개수로에서의 1차원 점변 부정류 방정식 St. Venant식(Eq. (10))의 기본방정식을 사용하는 EXTRAN 블록이 사용되었다.
Eq. (7)에서, V는 물의 체적(=A×d), d는 수심(m), t는 시간(sec), As 는 수표면 면적(m²), i는 초과 강우량(m/sec), Q는 유출량(CMS)을 나타내며, 유출량 Q는 Manning 공식(Eq. (8))을 사용한다.
Eq. (8)에서W는 유역 폭(m), n은 Manning의 조도계수, dp 는 지면저류 깊이(m), S는 소유역 경사(m/m)를 나타낸다.
3.3 침수모의
침수모의의 경우 EPA-SWMM5 모형은 1차원 배수모의 결과인 맨홀 월류량 결과를 제공하나, 월류량에 따른 2차원 모의는 불가능한 것을 고려하여 2차원 침수모의를 위해 한국수자원공사에서 개발한 2차원 범람해석모형인 K-Flood를 이용하고자 한다.
3.3.1 K-Flood 기본이론
K-Flood 모형은 2차원 홍수범람모의를 위하여 개발된 유한체적법 기반의 수치해석모형이다. 해당 모형은 하천범람, 파쇄 모의, 도시홍수해석, 댐 붕괴 모의 등을 수행할 수 있다. 본 모형은 Quadtree 기반의 적응적 격자 세분화(Adaptive Mesh Refinement)와 분할격자(Cut Cell)를 조합하여 정확하고 효율적인 자동격자 생성기능을 지원함에 따라 다른 유체역학 모델링 소프트웨어와 비교하여 모델링이 더 가볍고 효율적인 접근 방식을 제공한다. 또한 K-Flood 모형은 격자생성의 경우 계산영역과 최소격자 크기 정도를 지정시 효율적인 계산격자를 자동으로 생성하여 범람 계산을 할 수 있도록 설계되었다(An and Yu, 2011; An et al., 2018).
여기서, h는 수심, ζ (=h+zb)는 수위, zb(=-hs는 하상고, u와 v는 x와 y방향으로 수심 평균된 유속, t는 시간, g는 중력가속도, ρ는 물의 밀도, Tbx와 Tby는 하상마찰력응력을 의미한다. 하상마찰응력은 하상의 거칠기가 흐름에 미치는 영향을 표현하는 것으로, Eqs. (14) ~ (15)와 같은 경험식으로 추정될 수 있다.
여기서, Cf는 Chezy의 공식(Cf =g/C2, C는 Chezy계수) 또는 Manning 계수(n)을 이용한 Cf = gn2/h1/3을 이용하여 산정한다.
3.3.2 K-Flood 조건 및 최소침수심 기준
침수모의를 위해 6 × 7의 계산(Domain) 영역에 대해 쿼드트리 셀의 단계를 4단계로 하였으며, 맨홀 월류량을 고려하는 셀의 단계는 보다 상세한 모의를 위해 7단계로 두었다. 경계조건으로는 도림천의 최하류단에 위치한 구로도림교 수위를 참고하여 수위 경계조건을 적용하였으며, 해당 수위 경계조건의 위치로 유출된다는 경계조건을 추가 적용하여 침수모의를 진행하였다.
침수모의 결과의 경우 침수로 인한 피해가 침수심의 정도에 따라 달라진다. 본 연구에서는 침수피해로 인정하는 최소 침수심을 선정하여 결과를 분석하였다. 최소 침수심의 경우 국립재난안전연구원(Lee, 2022)에 따르면 보행에 영향을 미치는 침수심, 교통에 영향을 미치는 침수심, 시설에 영향을 미치는 침수심으로 구분하였으며 각각의 침수심은 10 cm, 20 cm, 50 cm로 정의하였다. Lee et al. (2024)은 아동 피난 기준 및 자동차 운행 가능여부를 검토하여 침수심의 기준을 제시하였으며, 이에 대한 침수심으로는 초등학교 1~2학년 어린이의 무릎 높이 기준인 30 cm와 자동차 차량 내부로 빗물 유입 가능성이 있는 10 cm 및 엔진 정지 가능성이 있는 50 cm 등으로 제시하였다. 이 외에도 Seo and Jo (2020)에서는 차도에서 보도로 월류되는 경우를 기준으로 보⋅차도 경계석(경계블록)의 높이인 10 cm로 규정하였으며, 행정안전부(Ministry of the Interior and Safety, 2024)에서는 도심 및 농어촌의 주거⋅상업⋅산업단지에서 상당한 불편을 야기하는 경우를 기준으로 한 30 cm 이상을 침수의 정의로 제시하였다. 본 연구에서는 인명피해 발생 가능성에 기준을 두고자 Lee et al. (2024)에서 제시한 아동 피난 기준과 행정안전부에서 제시한 침수 정의에 따른 침수심인 30 cm를 최소 침수심으로 선정하였다. 더불어 기준에 따른 침수심 범위로는 행정안전부(Ministry of the Interior and Safety, 2024)에서 제시한 침수심 범위를 이용하고자 하며, 본 연구에서 사용한 침수심 범위 및 범위별 도면 표시 기호는 Table 2에 도시하였다.
Table 2
Drawing Symbols for each Flooding Depth Range
K-Flood를 통해 도출된 AWS, LDAPS 및 MAPLE 자료의 침수모의 결과를 GIS 프로그램을 이용하여 시각화 하였으며, AWS 자료의 결과를 정답치로 가정하여 각 예측 자료에 대한 침수모의 결과를 침수발생 면적 및 일치율 등으로 비교⋅분석을 진행하였다.
4. 결 과
4.1 강우 예측성 평가 결과
LDAPS와 MAPLE 자료의 면적 평균 강우량을 AWS 관측 강우 자료의 Thiessen 면적 평균 강우량과 비교하여 도림천 유역 전체와 더불어 각 7개의 소유역에 대해 예측성을 정성적, 정량적으로 평가하였다.
4.1.1 LDAPS 예측성 평가
LDAPS의 정성적 평가 결과, CSI는 0.421~0.588로 무강우 맞힘(TN)을 제외한 나머지 중 강우 발생 건수에 대해 평균적으로 절반 정도를 예측한 것으로 나타났으며, POD 또한 0.444~0.625로 강우 발생으로 관측된 부분에서 평균 53.5% 정도를 예측한 것으로 나타났다. FAR은 0.091~0.167로 비교적 오보(FP)가 적게 발생한 것으로 나타났다. 해당 결과의 경우 절반 정도로 강우 발생에 대해 예측했음에도 오보율이 평균 12.9%로 낮게 나타났다.
정량적 평가 결과, NSE는 –0.503~-0.385로 상당한 오차를 보였으며, PBIAS는 84.708~90.719으로 과도한 과소 추정이 되었음으로 나타났다. 또한 Nor.RMSE는 1.544~1.770으로 모두 1.0을 넘는 값이 산정되었으며, 이에 따라 예측 오차가 관측값의 평균적인 변동성보다 크며, 관측 데이터의 변화에 대해 예측하지 못하였음을 나타낸다. 해당 결과를 통해 LDAPS는 점진적이고 균일한 운 동에 의해 형성되는 비대류성(Non-Convective) 강우에 대한 예측 자료만을 제 공하는것에 기인하여 본 연구에서 선정된 강우 사상인 수도권 집중호우 사상과 같은 대류성(Convective) 강우에 대해 강우량의 과소 추정 및 강우 발생 예측에 대한 불확실성이 존재는 것으로 나타났다.
LDAPS 예측성 평가의 정성적, 정량적 평가지표별 결과는 Table 3과 같이 나타났으며, 도림천 유역에 대한 시간별 관측 강우량 및 예측 강우량의 경우 Fig. 2로 도시하였다.
Table 3
Results of LDAPS Oredictability Assessmen
4.1.2 MAPLE 예측성 평가
MAPLE의 정성적 평가 결과, CSI는 0.842~0.947로 무강우 맞힘(TN)을 제외한 나머지 중 강우 발생 건수의 대부분을 예측한 것으로 나타났으며, 강우 발생만을 고려하는 POD의 경우 MAPLE 예측 강우 자료가 해당 사상에 대해 모든 시간에서 강우가 발생함으로 예측되어 1.0으로 고정된 값이 나타났다. FAR의 경우 0.053~0.158로 보다 낮은 값이 산정되었으며, 이는 MAPLE이 무강우를 예측하지 않아 무강우로 관측된 건수에 의해 산정된 것으로 나타났다. 해당 결과의 경우 도림천 유역을 고려한 경우와 7개의 소유역을 고려한 경우가 비슷하게 산정되었으며, 이는 정성적 평가를 위해 고려된 사건 수(Event)가 08월 08일 09:00를 포함한 19개로 적은 사건 수에 기인한 결과이다.
정량적 평가 결과, 도림천 유역을 고려한 경우 NSE는 0.668로 평가 범위가 우수에 해당하는 것으로 나타났으며, PBIAS는 –4.176로 AWS 강우량에 대해 104%로 과대 추정되었음을 나타내었다. 또한 Nor.RMSE가 0.747로 1보다 작은값이 산정되었으며 이는 예측 오차가 관측값의 평균적인 변동성보다 작으며, 관측 데이터의 변화를 보다 잘 예측하고 있음을 나타낸다. 7개의 소유역으로 분할한 결과로는 NSE, PBIAS, Nor.RMSE가 각각 –5.328~0.742, -123.57~27.608, 0.747~3.276으로 나타났다(Fig. 3, Table 4). 해당 결과는 문래 소유역과 서울대 소유역에서 각각 223.6%의 과대추정, 72.4%의 과소추정으로 큰 차이를 보이는 것으로 나타났으며, 이에 따라 MAPLE은 강우량의 과대 추정 및 공간적 오차의 불확실성이 존재하는 것으로 나타났다.
Table 4
Results of MAPLE Oredictability Assessmen
4.2 침수모의 결과
침수모의 결과는 AWS 결과를 기준으로 LDAPS와 MAPLE 결과를 비교하여 하천을 제외한 7개의 소유역(봉천천, 도림, 대림, 구로, 문래, 신림, 서울대)에 대해 침수심 범위를 비교하고, 극단값 또는 이상치에 의한 왜곡을 방지하고자 침수심의 중앙값(Median)을 분석하였다. 더불어 도림천 유역 전체에 대한 침수면적 및 침수범위의 일치 정도를 비교⋅분석하였으며, 각 자료별 결과를 Table 2의 기준에 따라 시각화 하였다.
4.2.1 AWS 관측 강우 자료 침수모의 결과
AWS 자료 기반 침수모의 결과, 7개의 소유역에 대한 침수심의 경우 봉천천 소유역은 침수심 범위가 0.02 m에서 0.74 m 범위로 나타났으며, 중앙값으로는 0.02 m로 나타났다. 나머지 6개의 소유역(대림, 도림, 구로, 문래, 신림, 서울대)의 침수심 범위는 각각 0.01 m~1.34 m, 0.03 m~1.65 m, 0.05 m~2.01 m, 0.01 m~3.18 m, 0.02 m~0.99 m, 0.07 m~4.21 m로 나타났으며, 중앙값의 경우는 각각 0.11 m, 0.06 m, 0.35 m, 0.37 m, 0.1 m, 0.1 m로 나타났다(Table 5). 특히 구로, 문래, 서울대 소유역의 최대 침수심이 2.01 m, 3.18 m, 4.21 m로 비교적 큰 침수심으로 나타났는데, 이는 하천 배제 과정에서 하천 수위에 해당하는 격자가 배제되지 않아 하천 수위가 포함된 것으로 확인되었다.
Table 5
Flood Depth Results Based on AWS Data for the 7 Subcatchment
| Flood Depth (m) | ||
|---|---|---|
| Range (Min~Max) | Median | |
| Bongcheon | 0.02~0.74 | 0.02 |
| Daerim | 0.01~1.34 | 0.11 |
| Dorim | 0.03~1.65 | 0.06 |
| Guro | 0.05~2.01 | 0.35 |
| Mullae | 0.01~3.18 | 0.37 |
| Sillim | 0.02~0.99 | 0.1 |
| SNU | 0.07~4.21 | 0.1 |
최소 침수심 30 cm에 대한 침수면적 및 침수 범위 일치 정도의 분석 결과는 도림천 유역 전체 면적 42.5 km² 중 약 5.2%인 2.192 km²가 침수된 것으로 나타났다. Table 2에 제시된 침수심 범위별 침수면적을 보면, 침수심 30 cm에서 50 cm 미만 구간(①)이 0.779 km²로 전체 침수면적의 35.5%를 차지하였으며, 이는 상대적으로 얕은 침수 지역이 유역 내에서 다수를 차지하고 있음을 의미한다. 침수심 50 cm에서 100 cm 미만(②), 100 cm에서 150 cm 미만(③), 150 cm에서 200 cm 미만(④), 200 cm에서 300 cm 미만(⑤), 300 cm 이상(⑥) 범위의 침수면적은 각각 0.753 km² (34.4%), 0.415 km² (18.9%), 0.075 km² (3.4%), 0.108 km² (4.9%), 0.062 km² (2.9%)로 분석되었다. 이러한 분포는 얕은 침수가 넓은 면적에 걸쳐 발생하고 있는 반면, 깊은 침수는 국지적인 특정 지역에 집중되는 경향이 있음을 보여준다. 이에 대한 결과를 Fig. 4로 도시하였다.
4.2.2 LDAPS 예측 강우 자료 침수모의 결과
LDAPS 침수 모의 결과, 7개의 소유역에 대한 침수심 범위 및 중앙값은 Table 6과 같이 나타났다. 이때 서울대 소유역에서 최대 침수심이 3.88 m로 매우 큰 수위를 보이고 있으나 이는 AWS 결과와 동일한 이유인 하천 배제 과정에서 하천 수위가 포함된 결과인 것으로 나타났다.
Table 6
Flood Depth Results Based on LDAPS Forecasting Data for the 7 Subcatchment
| Water Depth (m) | ||
|---|---|---|
| Range (Min~Max) | Median | |
| Bongcheon | 0.02~0.58 | 0.05 |
| Daerim | 0.01~0.44 | 0.01 |
| Dorim | - | - |
| Guro | 0.01~0.44 | 0.01 |
| Mullae | - | - |
| Sillim | 0.01~0.81 | 0.01 |
| SNU | 0.05~3.88 | 0.11 |
침수면적에 대한 분석 결과 침수면적은 도림천 유역 전체 면적 42.5 km² 중 약 0.4%에 해당하는 0.185 km²으로 침수되었으며, 침수심 범위인 ①부터 ⑥까지의 침수면적은 각각 0.029 km² (15.7%), 0.063 km² (34.1%), 0.045 km² (24.3%), 0.016 km² (8.6%), 0.019 km² (10.3%), 0.013 km² (7.0%)로 나타났다(Fig. 5). 침수범위 일치 정도에 대한 결과는 AWS 결과에 대해 0.115 km²이 일치하였으며, 이는 약 5.2%가 일치하는 것으로 나타났다.
4.2.3 MAPLE 예측 강우 자료 침수모의 결과
MAPLE 침수 모의 결과, 침수심 범위 및 중앙값은 맨홀 월류량의 과대 모의로 인해 서울대 소유역을 제외한 대부분의 소유역에서 침수심의 중앙값이 +0.01~+0.08 범위로 증가한 것으로 나타났다(Table 7). 해당 결과는 강우량의 과대 추정으로 인한 서울대 소유역을 제외한 나머지 6개의 소유역에서의 맨홀 월류량의 과대 모의에 기인한 결과이다.
Table 7
Flood Depth Results Based on MAPLE Forecasting Data for the 7 Subcatchment
| Water Depth (m) | ||
|---|---|---|
| Range (Min~Max) | Median | |
| Bongcheon | 0.03~0.95 | 0.03 |
| Daerim | 0.03~1.54 | 0.17 |
| Dorim | 0.03~1.46 | 0.09 |
| Guro | 0.04~1.68 | 0.435 |
| Mullae | 0.03~3.38 | 0.42 |
| Sillim | 0.03~1.63 | 0.11 |
| SNU | 0.06~5.3 | 0.1 |
침수면적에 대한 분석 결과, 도림천 유역 전체 면적 중 6.5%에 해당하는 3.051 km²이 침수된 것으로 나타났으며, 침수심 범위별 침수면적으로는 ①~⑥까지 각각 1.118 km² (36.6%), 0.832 km² (27.3%), 0.612 km² (20.1%), 0.309 km² (10.1%), 0.098 km² (3.2%), 0.082 km² (2.7%)로 나타났다(Fig. 6). 이에 따른 침수범위 일치 정도에 대한 결과는 AWS 결과에 비해 총 침수 면적이 약 139.2%인 0.856 km²의 침수가 추가로 발생하여 과대 추정되었으며, 두 자료 간 침수 범위의 일치 면적은 2.014 km²로, 이는 AWS 침수 면적의 약 91.9%가 일치한 것으로 나타났다.
5. 결론 및 고찰
본 연구는 기상자료의 불확실성이 도시 침수에 미치는 영향을 분석하기 위해, 국내 기상청에서 제공하는 지점 관측 강우 자료인 AWS를 기준으로, 수치예보모델의 예측 강우 자료인 LDAPS와 레이더 기반 초단기 예측 강우 자료인 MAPLE의 강우 예측성, 맨홀 월류량 및 침수 모의를 도림천 유역을 대상으로 비교⋅분석하여 다음과 같은 결론을 도출하였다.
LDAPS 예측 강우 자료는 비대류성 강우에 대한 예측 자료만을 제공하는것에 기인하여 본 연구에서 선정된 강우 사상인 국지성 호우 등과 같은 대류성 강우에 대해서는 과도한 과소 추정등으로 인해 예측 정확도가 다소 낮은 것으로 나타났다.
MAPLE 예측 강우 자료는 도림천 유역 전체를 고려하였을 때 보다 높은 예측성을 보였으다. 이와 더불어 7개의 소유역을 고려하였을 때 대림, 구로 소유역에서 높은 예측성을 보였으나 문래, 서울대 소유역에서는 다소 낮은 예측성을 보였다. 이를 통해 MAPLE은 강우의 생성과 소멸 등에 대한 예측을 하지 못하는것에 기인하여 공간적 불확실성이 존재하는 것으로 나타났으나, 이는 추가적인 연구를 통한 분석이 필요할 것으로 판단된다.
침수면적, 침수범위 및 침수심의 경우 강우량 차이가 결과 차이가 가장 크게 나타났으나, MAPLE의 경우 신림 소유역에서 강우량이 과소 추정되었음에도 침수심 중앙값이 미세하게 상승하는 것으로 나타났다. 이는 배수시스템의 설계용량등과 같은 기능이 침수모의 결과에 영향을 미치는 것을 의미한다.
침수모의 결과, 강우량의 차이로 인해 발생되는 맨홀 월류량의 차이로 침수면적 및 범위 등이 큰 차이를 보이는 것으로 나타났다. 이에 따라 도시침수 예⋅경보등을 위한 침수모의에 있어 강우 자료에 대한 정확도가 매우 중요함을 의미한다.
본 연구를 통해 강우량의 과대 추정은 실제 관측 자료와 비교한 경우 충분히 높은 정확도로 모의되는 것으로 나타났으며, 실무에 있어 극한의 상황을 가정한 피해 예방 및 저감에 유의미한 결과를 보일것으로 판단된다. 그러나 실무적으로 활용되는 예측 기상 자료와 비교 가능한 관측 자료는 존재하지 않는다는 한계로 이를 해결하기 위한 보정기법등에 대한 추가적인 연구가 이루어져야 할 것으로 판단된다. 이와 더불어 본 연구는 2가지의 예측 강우 자료와 특정 지역의 단일 강우 사례를 중심으로 분석된 결과로, 여러 예측 자료 및 다양한 지역, 강우 사례를 포함한 후속 연구가 필요할 것으로 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
