Development of Rainfall Forecasts Merging Method for Flood Forecasting Lead Time

석환 황; 정수 윤; 나래 강; 석현 김

doi:10.9798/KOSHAM.2025.25.1.39

J. Korean Soc. Hazard Mitig. > Volume 25(1); 2025 > Article

돌발홍수예보 선행예측시간 확보를 위한 예측강수 병합기법 개발

Article

방재시스템

J Korean Soc Hazard Mitig 2025; 25(1): 39-48.

Published online: February 27, 2025

DOI: https://doi.org/10.9798/KOSHAM.2025.25.1.39

돌발홍수예보 선행예측시간 확보를 위한 예측강수 병합기법 개발

황석환^*, 윤정수^**, 강나래^***, 김석현^****

* 정회원, 한국건설기술연구원 수자원하천연구본부 연구위원(E-mail: sukany@kict.re.kr)

** 정회원, 한국건설기술연구원 수자원하천연구본부 수석연구원
(Tel: +82-31-995-0851, Fax: +82-31-910-0251, E-mail: jungsooyoon@kict.re.kr)

*** 정회원, 한국건설기술연구원 수자원하천연구본부 수석연구원(E-mail: naraekang@kict.re.kr)

**** 정회원, 한국건설기술연구원 수자원하천연구본부 박사후연구원(E-mail: seokhyeonkim@kict.re.kr)

Development of Rainfall Forecasts Merging Method for Flood Forecasting Lead Time

Seok-Hwan Hwang^*, Jungsoo Yoon^**, Narae Kang^***, Seokhyeon Kim^****

* Member, Research Fellow, Department of Hydro Science and Engineering Research, Korea Institute of Civil Engineering and Building Technology

** Member, Senior Researcher, Department of Hydro Science and Engineering Research, Korea Institute of Civil Engineering and Building Technology

*** Member, Senior Researcher, Department of Hydro Science and Engineering Research, Korea Institute of Civil Engineering and Building Technology

**** Member, Postdoctoral Researcher, Department of Hydro Science and Engineering Research, Korea Institute of Civil Engineering and Building Technology

^** 교신저자, 정회원, 한국건설기술연구원 수자원하천연구본부 수석연구원
(Tel: +82-31-995-0851, Fax: +82-31-910-0251, E-mail: jungsooyoon@kict.re.kr)

** Corresponding Author, Member, Senior Researcher, Department of Hydro Science and Engineering Research, Korea Institute of Civil Engineering and Building Technology

Received December 10, 2024 Revised December 10, 2024 Accepted December 20, 2024

This is an open access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

Radar rainfall has been used as input data for short-term rainfall forecasting because it provides rainfall data with high spatial and temporal resolution. In 2019, the Korea Institute of Civil Engineering and Building Technology (KICT) developed a flash flood forecasting system using short-term rainfall forecasting that can provide real-time flash flood information with a one-hour lead time. The lead time of the system was set to one hour because the system operator considered it to be the minimum evacuation time. However, the accuracy of rainfall forecasting decreased significantly after one hour. In this study, a rainfall forecast merging method was developed to increase the lead time from one hours to three hours. Short-term rainfall forecasts produced by the Han River Flood Control Office (HRFCO) and numerical weather prediction (NWP) produced by the Korea Meteorological Administration (KMA) were used in the merging method. As a result, the accuracy of rainfall forecasting was improved to up to a three-hour lead time using the merging method.

Keywords: Lead Time Forecasting, Short-Term Rainfall Forecasting, Numerical Weather Prediction, Merging Method

요지

레이더는 시공간적으로 높은 해상도 자료를 제공하고 있어 레이더로부터 제공되는 레이더 강우는 초단기 예측강수 알고리즘의 입력자료로 활용되고 있다. 한국건설기술연구원은 이러한 시공간해상도가 높은 초단기 예측강수 자료를 활용하여 1시간 전 돌발홍수 예측 정보를 실시간으로 제공할 수 있는 돌발홍수예측 시스템을 2019년에 개발하였다. 본 시스템에서 예측 선행 시간을 1시간으로 설정한 것은 운영자가 최소 대피 시간을 고려하기 위한 것도 있지만 예측자료의 정확도가 1시간 이후 현격히 감소하기 때문이다. 본 연구에서는 돌발홍수예측 시스템의 예측 선행 시간을 1시간에서 3시간으로 확장하기 위한 예측강수 병합 기법을 개발하였다. 이를 위해 홍수통제소에서 제공하고 있는 초단기 예측강수와 기상청에서 제공하고 있는 수치예보모형의 예측강수 자료가 병합 기법에 활용되었다. 그 결과 예측강수의 정확도가 병합기법을 활용하여 선행예측시간 3시간까지 향상되었다.

핵심용어: 선행예측시간, 초단기 예측강수, 수치예보모형, 병합기법

1. 서 론

레이더는 시공간적으로 높은 해상도 자료를 제공하고 있어 초단기 예측강수 알고리즘의 입력자료로 활용되어 왔었다(Seo and Smith, 1992; Bellon and Zawadzki, 1994; Li et al., 1995; Boudevillain et al., 2006). 최근 레이더 강우의 정확도가 지상 강우계와 정량적으로 비교하여 90% 이상의 수준으로 나타나고 있어, 초단기 예측강수의 정확도는 더욱 높아질 것으로 기대되고 있다(Yoon et al., 2016; Yoon et al., 2021). 이에 한강홍수통제소는 정확도 높은 레이더 강우를 활용하여 6시간까지의 초단기 예측강수 자료(공간해상도 500 m × 500 m, 시간해상도 10분)를 10분 간격으로 생산하고 있다. 그리고 한국건설기술연구원은 이러한 시공간해상도가 높은 초단기 예측강수 자료를 활용하여 1시간 전 돌발홍수 예측 정보를 실시간으로 제공할 수 있는 돌발홍수 예측시스템을 2019년에 개발하였다(Hwang et al., 2020).

돌발홍수에 안전하게 대응하기 위해서는 선행예측시간이 필요하고 선행예측시간을 확보하기 위해서는 예측강수 자료의 활용이 매우 중요하다(Werner and Cranston, 2009; Liechti et al., 2013; Spyrou et al., 2020). 관측강수 만을 이용한 홍수예보는 강수가 저류되어 특정지역에 도달하기까지의 시간, 즉 지체시간을 이용하여 홍수예보 선행예측시간을 확보하게 된다. 여기서 저류는 강수가 지면에 떨어져 하도의 일정지점에 이르기까지의 과정이고 도달은 이렇게 하도의 특정지점에 저류된 강수(홍수에 기여하는 강수)가 하도를 따라 유하하여 유역의 출구와 같은 홍수예보 지점에 도달하기까지의 과정을 의미한다.

유역면적이 큰 대유역에서는 지체시간이 수 시간에 이를 정도로 크기 때문에 관측자료 만을 이용한 경우에도 비교적 충분한 선행예측시간이 확보될 수 있다. 그러나 유역의 상류 지점이나 표준유역 또는 도시 배수분구 정도의 소규모 유역에서는 전체 지체시간이 수 십 여분에 불과하기 때문에 충분한 선행예측시간을 확보하기 어렵다. 따라서 이러한 지역에서는 예측강수를 활용하는 것이 선행예측시간 확보를 위해 필연적이다(Lardet and Obled, 1994; Komma et al., 2007; Ehret et al., 2008).

예측강수는 불확실성을 내포하고 있기 때문에 예측강수로부터 모의된 유출은 관측 유출량과 비교하여 시공간적으로 오차가 발생하게 된다. 이러한 오차가 작을 경우에는 예측강수의 활용으로 선행예측시간이 확장된 정확한 홍수예보가 가능하나, 오차가 큰 경우에는 예측강수의 활용으로 홍수예보의 신뢰도가 크게 저하될 수 있다. 이에 예측강수의 불확실성이 큰 경우 관측강수량 기반으로 홍수량을 산정하여 홍수예보(홍수특보)를 실시하게 된다. 이 경우 홍수예보 수위에 해당하는 시점에 임박해서 홍수예보가 발령될 수밖에 없는 문제점이 존재한다. 그러나 정확한 예측강수가 가용한 경우 관측강수만을 사용한 경우에 비해 홍수특보 발령을 위한 보다 긴 선행예측시간을 확보할 수 있게 된다. 선행예측시간의 확보가 어려운 소규모 유역에서의 홍수예보나 돌발홍수예보를 위해서는 예측강수의 활용이 필요하고 이를 위해서는 예측강수의 정확도 확보가 관건이라 할 수 있다.

2019년에 개발된 돌발홍수 예측시스템은 초단기 예측강수의 정확도가 예측 초기(예측 10분~1시간)에 높다는 점을 고려하여 1시간 전 돌발홍수 예측 정보를 제공하고 있다. 하지만 각 서버들 간의 자료 전송 시간 및 알고리즘의 수행 시간 등의 이유로 현재 시간과 돌발홍수 예측 정보의 모니터 표출 시간의 차이는 실제로 1시간 보다 짧은 문제가 발생한다. 예를 들어 현재 시간이 12시 00분이라고 한다면, 실제 시스템에는 11시 40분의 돌발홍수 예측정보 자료가 쌓이고 모니터에는 12시 40분의 1시간 전 돌발홍수 예측 정보가 표출되어, 현재 시간과 1시간 전 돌발홍수 예측정보의 시간 차이는 1시간 보다 짧은 40분이 된다. 이에 1시간 이상 예측강수의 정확도를 높여 선행예측시간이 확장된 돌발홍수 예측정보가 돌발홍수예측 시스템에 필요하였다. 이를 위해 본 연구에서는 예측 초기(예측 10분~1시간)의 정확도가 높은 초단기 예측강수와 일정 시간(약 예측 2시간) 이후부터 정확도가 높은 수치예보모형(Numerial Weather Prediction)의 예측강수를 병합하는 기법을 개발하였다.

2. 예측강수 병합을 위한 입력자료 검토

강수예측 자료인 초단기 예측강수(이하 FCST)와 수치예보모델(이하 LDAPS, RDAPS, VDAPS)의 공간해상도는 Fig. 1과 같다. FCST는 1050 × 1050 (격자해상도 0.5 m × 0.5 km) 개의 격자로 구성되어 있으며, VDAPS는 804 × 1000 (격자해상도 1.5 km × 1.5 km) 개의 격자로 구성되어 있으나 홍수통제소에 수신된 VDPAS는 한반도 영역으로 줄여 234 × 282 (격자해상도 5.0 km × 5.0 km) 개의 격자로 구성되어 있다. LDAPS는 602 × 781 (격자해상도 1.5 km × 1.5 km) 개의 격자로 구성되어 있으며, RDAPS는 491 × 419 (격자해상도 12 km × 12 km) 개의 격자로 구성되어 있다. 공간해상도 측면에서 FCST와 VDAPS, LDAPS는 중소유역 홍수예보에 활용 가능한 규모라 할 수 있으며, RDAPS는 지상 강수량계 밀도 수준과 비슷한 공간 규모로 대유역 홍수예보에 활용 가능한 수준이다.

Fig. 1

Spatial Resolution of Short-Term Rainfall Forecasting (FCST) and Numerical Weather Prediction (NWP) (Hwang et al., 2020)

FCST 및 VDAPS, LDAPS, RDAPS의 예측강수 자료의 시간해상도 및 생산 시간간격은 Fig. 2와 같다. 예측강수 자료의 시간해상도는 한 시점 자료 내에서 예측강수와 다음 예측강수 간의 시간 간격을 의미하고, 생산 시간간격은 이전 시점의 예측강수 자료 생산으로부터 다음 시점 예측강수 자료 생산까지의 시간 간격을 나타낸다. Fig. 2로부터 레이더 관측자료 기반의 FCST와 수치예측모델 자료(VDAPS, LDAPS, RDAPS) 간에는 시간해상도 및 생산 시간간격에 큰 차이가 있음을 확인할 수 있다.

Fig. 2

Temporal Resolution and Time Interval Production of Short-Term Rainfall Forecasting (FCST) and Numerical Weather Prediction (NWP)

FCST는 10분 누적의 예측강수 자료를 6시간까지 10분 간격으로 생산한다. VDAPS는 10분 누적의 예측강수 자료를 12시간까지 1시간 간격으로 생산하고, 0시 자료는 이전 10분(23시 50분)부터 0시까지의 강수량을 의미하게 된다. LDAPS는 1시간 누적의 강수예측자료를 36시간까지 6시간 간격으로 생산하고, 0시 자료는 이전 1시간(23시)부터 0시까지의 강수량을 의미하게 된다. RDAPS는 3시간 누적의 강수예측자료를 86시간까지 6시간 간격으로 생산하고, 0시 자료는 이전 3시간(21시)부터 0시까지의 강수량을 의미한다.

RDAPS는 시간해상도가 크고, 강수량의 누적 시간(3시간)이 길며, 예측 강수량이 과소 추정되는 점 등을 고려하면 단기예보에 활용하는 데는 적합하지 않다. LDAPS도 강수량 누적 시간(1시간) 측면에서는 단기예보에 활용이 가능할 것으로 판단되나, 자료의 생산 간격(6시간)과 예측모형의 수행 시간으로 인한 지체 시간까지 고려하면 단기예보에의 활용은 어려울 것으로 판단된다. 반면 VDAPS는 10분 간격의 12시간까지 예측자료를 1시간마다 생산하며, 예측모형의 수행 시간이 LDAPS에 비해 짧기 때문에 레이더 기반 예측강수 자료인 FCST와의 병합 활용이 가능하다. 결과적으로 시공간스케일 측면에서 홍수예보에 활용 가능하다고 판단되는 수치예보모델은 VDAPS로 볼 수 있다.

3. 예측강수 병합 기법의 개발

3.1 예측강수 병합 기법 개요

FCST는 예측 초기(예측 10분~1시간)에 정확도가 높은 반면 수치예측모형의 예측강수는 일정 시간(약 예측 2시간) 이후부터 정확도가 높다. 이러한 두 자료의 특성을 고려할 때 두 자료를 병합할 최선의 방법은 예측시간에 따라 가중치를 부여하는 것이다(Eq. (1)). 따라서 본 연구에서는 예측강수 병합 기법 개발을 위해 가중치 기반의 병합방법을 선정하였고 그 절차는 Fig. 3과 같다. 먼저 FCST와 수치예측모형 예측강수 자료가 실시간으로 수신되어 알고리즘으로 입력된다. 이때 FCST는 10분 단위로 자료가 생성되고 있는데 반해 수치예측모형은 모형에 따라 1시간 또는 3시간 간격으로 생성된다. 입력된 두 예측강수 자료는 서로의 시간대를 맞춰야 하며, 5가지 가중치 부여 방법 중(Table 1) 하나의 가중치 방법을 선택적으로 적용하여 최종적으로 두 자료를 병합한 예측강수 자료가 생산된다. 5가지 가중치 부여 방법은 홍수실무(유역단위 홍수예보)에서 활용 가능한 빠르고 안정적 합성자료 생산을 고려하여 선택된 방법이다(Yang et al., 2009; Wang et al., 2015; Daunizeau, 2017; Elfwing et al., 2018; Sharma et al., 2021).

Fig. 3

Schema of Rainfall Forecasts Merging Method

Table 1

Weighting Functions of Rainfall Forecasts Merging Method

	Weighting functions	Examples
SCN (sin - cos)	wNWP = sin²t wRDR = cos²t
HTN (hyper tan)	wNWP = α+β−α2 (1 + tanh (γ×δ×t)) wRDR = 1 - wNWP
SIG (sigmoid)	wNWP=11−e−αt wRDR = 1 - wNWP
SMP (simple)	if t < Th, wNWP = 0 wRDR = 1 else, wNWP = 1 wRDR = 0
EQU (equal)	wNWP = 0.5 wRDR = 0.5

(1)

fM(t)=wRDR(t)×fR(t)+wNWP(t)×fN(t)

여기서, f_M(t), f_R(t)와 f_N(t)는 시간 t에 따른 병합 예측강수, 초단기 예측강수, 수치예측모형 예측강수를, wRDR (t)와 wNWP (t)는 초단기 예측강수의 가중치와 수치예측모형 예측강수의 가중치를 나타낸다.

3.2 예측강수 병합 기법 알고리즘

예측강수 병합 기법 알고리즘은 초단기 예측강수와 수치예측모형 예측강수 자료 병합을 목적으로 하여 알고리즘 명을 ”FCST_MERGE”라 하였다. 본 예측강수 병합 기법 알고리즘의 소스프로그램은 깃허브(https://github.com/coreahydro/FCST_MERGE)에 공개되어 있다. 알고리즘의 입출력 자료 및 디렉토리 구조는 Fig. 4와 같다. 먼저 예측강수 병합 기법 알고리즘의 입력자료는 FCST와 VDPAS를 그림의 예시로 이용하였다. FCST는 한국 표준시인 KST (Korea Stand Time)를 적용하고 있으나 VDPAS 자료는 협정 세계시인 UTC (Universal Time Coordinated)를 사용하고 있다. 프로그램의 출력 명에서 MGRF (MerGe RainFall)는 두 예측강수 자료를 합성한다는 의미를, FCVD는 FCST (강우레이더 초단기)와 VDAPS를 합성했다는 의미를, {$INTPOL}은 자료 보간 방법으로 IDW (거리가중), SMT (평활화), NST (최근린) 중 선택적으로 넣을 수 있으며, {$MGF}는 가중치 부여 방법으로 SCN, HTN, SIG, SMP, EQU 중 선택적으로 넣을 수 있다. 또한 출력 자료 형태는 netcdf와 bin.gz 둘 중 선택적으로 출력하도록 하였다. 본 프로그램의 디렉토리 구조는 실행 프로그램이 위치해 있는 ”/BIN”, 입력 및 출력과 관련된 정보가 위치해 있는 ”/RES”, 수행 스크립트가 위치해 있는 ”/SH”, 소스프로그램이 위치해 있는 ”/SRC”로 구성되어 있다.

Fig. 4

Directory and Input-Output Data of Rainfall Forecasts Merging Algorithm

예측강수 병합 기법 알고리즘의 소스프로그램은 ”/SRC”에 저장되어 있다. 본 소스프로그램의 구조는 Fig. 5와 같다. 먼저 ”read_par.f90”은 스크립트로부터 입력 받은 파라미터 파일(“FCST_MERGE.par”)을 읽어 본 프로그램에 구동되는 데 필요한 각종 파라미터들(입출력 자료 정보, 출력자료 형태, 가중치 상수 등)을 입력한다. 다음으로 ”trans_date.f90”은 스크립트로부터 입력받은 KST 시간변수를 입력받아 KST 시간과 일치하는 UTC 시간을 계산한다. 물론 두 시간대를 맞추는 시간 계산이 스크립트에서 수행될 수도 있으며, 이런 경우 ”trans_date.f90”은 필요없다. ”weight_function.f90”은 가중방법(SCN, HTN, SIG, SMP, EQU 중 택 1)을 스크립트로부터 입력받아 차후 FCST 자료와 수치예측모형(VDAPS, LDAPS. RDAPS) 병합에 적용될 가중치를 계산한다. ”read_bin_data.c”는 입력된 KST 시간에 해당하는 FCST 파일(bin 포맷)을 읽는 소스프로그램이다. ”read_nc_data.f90”은 netcdf 포맷의 수치예측모형 파일을 읽는 소스프로그램이다. netcdf 포맷의 경우 netcdf 파일 체크를 위한 ”check.f90”이 적용되었으며, 투영좌표체계를 FCST와 일치시키기 위해 LCC (Lambert Conformal Conic Projection) 변환 프로그램인 ”lamcproj.f”이 적용되었다. ”interpol_merge.f90”은 내삽방법(IDW, SMT, NST 중 택 1)을 스크립트로부터 입력받아 수치예측모형 자료를 FCST의 격자 해상도와 일치하게 내삽하고 앞서 계산된 가중치로부터 FCST 자료와 수치예측모형 자료를 병합한 MGRF 자료를 생산한다. 마지막으로 ”write_bin_data.c”와 ”write_nc_data.f90”은 MGRF 자료를 bin 포맷 또는 netcdf 포맷으로 자료를 생산하는 소스프로그램이다. 본 소스프로그램을 컴파일 하게 되면 실행프로그램이 ”/BIN” 디렉토리 내에 생성된다.

Fig. 5

Rainfall Forecasts Merging Algorithm Structure of Source Code

“/RES” 디렉토리 내에 있는 ”FCST_MERGE.par”은 예측강수 병합 기법 알고리즘의 입력 및 출력변수 정보가 저장되어 있는 파라미터 파일이다(Fig. 6). 본 파일은 Fig. 6과 같이 입력자료, 출력자료, 지도 및 공간영역, 합성함수 정보로 나뉘어 진다. 먼저 입력자료 정보에는 FCST 자료의 열(NROW)과 행(NCOL)의 개수, FCST의 총 시간자료 수(NT_FCST), 적용될 수치예측모형의 총 시간자료 수(NT_NWPS), FCST 및 수치예측모형 자료의 입력 디렉토리가 포함되어 있다. 다음으로 출력자료 정보에는 출력자료 형태(binary, netcdf), 출력자료 디렉토리 정보가 포함되어 있다. 출력자료 형태는 원하는 형태에 따라 BI (binary) 또는 NC (netcdf)를 넣어주면 된다. 다음은 지도 및 공간영역 정보로 내삽 방법 중 역거리법(IDW) 적용시 사용될 상관거리(CL)와 투영좌표체계에서 필요한 정보들(지구반경, 표준위도, 지도 기준점의 위경도, 기준점 X⋅Y 좌표, 격자간 거리)이 포함되어 있다. 마지막으로 합성함수 정보에는 자료 병합 시 수치예측모형 자료의 가중치가 1이 되는 예측시점(TP)과 가중함수의 상수값 정보가 포함되어 있다.

Fig. 6

Information of ”FCST_MERGE.par”

“/SH” 디렉토리 내에 위치한 스크립트(“FCST_MERG.sh”)는 프로그램 실행에 필요한 각종 입력 변수를 생성하고 ”/BIN”에 위치해 있는 실행프로그램을 구동한다(Fig. 7). 쉘스크립트에서는 본 프로그램의 주요 경로, 라이브러리 경로, 실행파일 경로, 입출력 변수 파일 정보, 병합 하고자 하는 KST 시간, 병합 대상이 되는 입력 자료 FCST 와 수치예측모형 자료(VDAPS, LDAPS, RDAPS, RDAPS 중 택 1) 명칭, 내삽방법(IDW, SMT, NST 중 택 1), 가중방법(SCN, HTN, SIG, SMP, EQU 중 택 1)을 입력하여 프로그램을 실행하게 된다.

Fig. 7

Information of Script to Execute Algorithm

4. 예측강수 병합 기법 적용 결과

예측강수 정확도를 평가하기 위해 2018년 홍수유발 가능한 수준의 호우사상(Table 2)을 선별한 후 해당 호우사상에 대하여 지상 우량계로 보정된 강우레이더 합성자료와 비교하였다. AWS와 같은 지상 우량계를 기준으로 비교하는 경우 낮은 관측망 밀도와 내삽으로 인한 공간 추정 오차가 발생할 수 있어 본 연구에서는 지상 우량계 대신 지상 우량계로 보정된 강우레이더 합성장을 정확도 검증 자료로 활용하였다.

Table 2

Applied Events and Basin

Date		Basin
Year	Month/Day	Basin
2018	08/26, 08/28, 09/04, 10/06	Nakdongsangju, Bocheongcheon, Daecheong-Dam, Soyang-River, Hongcheon-River, Yongdam-Dam, Seomjin-River-Dam, Downstream of Seomjin-River-Dam, Osucheon, Sunchang, Downstream of Yeongsan-River, Imha-Dam, Osibcheon

본 연구에서는 정량적 정확도 검증을 위해 상관계수(Correlation Coefficient)와 평균제곱근오차(Root Mean Square Error)를, 정성적 검증을 위해 성공임계지수(Critical Success Index)와 탐지확률(Probability Of Detection)를 이용하였다. 각 통계 검증값들의 식은 다음 Table 3과 같다. Table 3에서 P_i는 예측값(Prediction)을, O_i는 관측값(Observation)을, N은 자료 개수를, H는 맞힘(Hits)을, M은 놓침(Misses)을, F는 거짓 알림(False alarms)을 각각 의미한다.

Table 3

Statistical Measures

Correlation Coefficient (CC)	CC=∑i=1n(Oi−O¯)(Pi−P¯)∑i=1n(Oi−O¯)2∑i=1n(Pi−P¯)2
Root Mean Square Error (RMSE)	RMSE=1N∑i=1n(Pi−Oi)2
Critical Success Index (CSI)	CSI=HH+M+F×100
Probability Of Detection (POD)	POD=HH+M×100

Fig. 8은 예측 시간에 따른 예측강수의 정량적 정확도 결과를 나타낸 것이다. 예측 시간에 따라 병합 예측강수의 상관계수(CC)의 평균값(aveMerge)은 1시간까지 0.65, 3시간까지 0.45 수준으로 나타났다. 상관계수의 최대값(maxMerge)은 1시간 0.83, 3시간 0.67 로 나타났다. 그리고 예측시간 약 2시간까지는 FCST가, 2시간부터 4시간까지는 VDAPS가, 4시간 이후는 LDAPS가 상대적으로 상관계수가 높게 나타났다. 평균제곱근오차(RMSE)에서도 약 2시간까지는 FCST가, 2시간부터 4시간까지는 VDAPS가, 4시간 이후는 LDAPS가 작게 나타났다.

Fig. 8

Quantitative Accuracy of Rainfall Forecasts

Fig. 9는 예측 시간에 따른 예측강수의 정성적 정확도로 성공임계지수(CSI)와 탐지확률(POD)를 나타낸다. 평가 기준의 차이로 정량적 정확도 분석과 정확도의 차이는 있으나 정성적 정확도도 약 2시간 예측까지는 FCST가, 2시간 이후는 VDAPS나 LDAPS의 정확도가 높게 나타났다. 따라서 정량적, 정성적 예측 정확도 분석결과를 종합하면 약 2시간 예측까지는 FCST를 활용하고 이후는 VDAPS나 LDAPS를 활용하는 것이 효과적일 것이라 예상할 수 있다.

Fig. 9

Qualitative Accuracy of Rainfall Forecasts

Fig. 10은 5가지 가중치 부여 방법에 따른 병합 예측강수 자료의 정확도를 나타낸다. 여기서 RDR은 강우레이더 초단기 예측(FCST), NWP는 VDAPS 자료를 의미하고 HTN, SCN, SIG, SMP, EQU는 Table 1에 제시된 5개 병합함수를 이용한 가중치 부여 방법에 해당한다. Fig. 10에서 막대그래프는 상관계수 및 정규화표준오차를 13개 중권역 호우사상에 대해 평균한 결과 나타내고 노란색 범위는 최대-최소 범위를 나타낸다. 전반적으로 5가지의 가중치 부여 방법을 통해 산정된 병합 예측강수의 정확도가 FCST와 VDAPS에 비해 향상되는 것으로 나타났다. 5가지의 가중치 부여 방법 중에서는 SCN의 정확도가 상관계수 0.66, 정규화표준오차 37.8%로 가장 높게 나타났다. 특히 SCN은 상관계수의 변동 범위(최저 약 0.45에서 최고 약 0.85)가 다른 모형에 비해 현저히 좁게 나타나 가장 안정적으로 정확도 높은 예측치를 산출 가능한 방법으로 판단된다.

Fig. 10

Accuracy of Rainfall Forecasts with Respect to Weighting Method

5. 결 론

본 연구에서는 초단기 예측강수와 수치예보모형의 예측강수의 특성을 고려하여 예측시간에 따라 가중치를 부여하는 병합 기법을 개발하였다. 예측강수 병합 기법 알고리즘은 초단기 예측강수와 수치예측모형 예측강수 자료 병합을 목적으로 하여 알고리즘 명을 ”FCST_MERGE”라 하였고 그 결과와 향후 연구 방향은 다음과 같다.

첫 번째, 병합 예측강수의 상관계수의 평균값은 1시간까지 0.65, 3시간까지 0.45 수준으로 나타났으며, 최대 정확도는 1시간 0.83, 3시간 0.67 로 나타났다. 초단기 예측강수의 3시간 정확도가 0.30 이하의 수준이라는 점에서 병합 예측강수의 정확도는 0.15 이상 향상되었다. 병합 예측강수의 정성적 정확도(POD)는 1시간까지 81%, 3시간까지 67% 수준으로 나타나 정성적 정확도 면에서도 정확도가 향상되었다.

두 번째, 가중치 부여 방법에 따른 병합 예측강수의 정확도를 분석한 결과 SCN 가중치 부여 방법이 평균 상관계수 0.66, 정규화표준오차 37.8%로 정확도가 가장 높게 나타났다. 특히 SCN은 상관계수의 변동 범위(최저 약 0.45에서 최고 약 0.85)가 다른 모형에 비해 현저히 좁게 나타나 가장 안정적으로 정확도 높은 예측치를 산출 가능한 방법으로 나타났다.

세 번째, 병합 예측강수는 돌발홍수예측 시스템에 활용될 예정으로 3시간까지의 정확도 향상으로 선행예측시간이 기존 1시간에서 3시간까지 확장 가능함을 확인하였다. 또한 예측강수 병합 기법 알고리즘의 소스프로그램은 깃허브(https://github.com/coreahydro/FCST_MERGE)에 공개하였다.

마지막 향후 연구 방향으로, 본 연구에서는 초단기 예측강수와 수치예보모형의 예측강수를 시간에 따른 가중치로 병합하여 시간 초기에는 초단기 예측강수를, 후기에는 수치예보모형의 예측강수를 더 크게 가중하게 된다. 그래서 두 자료의 가중치가 같아지는(wRDR = wNWP) 시점이 결정되어야 한다. 이에 보다 많은 강우사례를 분석하여 가중치가 동일해지는 시점을 결정할 필요가 있다. 또한 병합 예측강수의 홍수예보 적용을 위해 유출 정확도에 대한 검토가 필요하다.

감사의 글

이 논문은 행정안전부 지역맞춤형 재난안전 문제해결 기술개발 지원사업의 지원을 받아 수행된 연구임(과제번호: 20025869; 과제명: 화산섬 제주의 실시간 홍수 감지 및 안전지원 기술 개발).

References

1. Bellon, A, and Zawadzki, I (1994) Forecasting of hourly accumulations of precipitation by optimal extrapolation of radar maps. Journal of Hydrology, Vol. 157, No. 1-4, pp. 211-233.

2. Boudevillain, B, Andrieu, H, and Chaumerliac, N (2006) Evaluation of RadVil, a radar-based very short-term rainfall forecasting model. Journal of Hydrometeorology, Vol. 7, No. 1, pp. 178-189.

3. Daunizeau, J (2017) Semi-analytical approximations to statistical moments of sigmoid and softmax mappings of normal variables. arXiv preprint arXiv, 1703) pp. 00091.

4. Ehret, U, Götzinger, J, Bárdossy, A, and Pegram, G. G (2008) Radar-based flood forecasting in small catchments, exemplified by the Goldersbach catchment, Germany. International Journal of River Basin Management, Vol. 6, No. 4, pp. 323-329.

5. Elfwing, S, Uchibe, E, and Doya, K (2018) Sigmoid-weighted linear units for neural network function approximation in reinforcement learning. Neural Networks, Vol. 107, pp. 3-11.

6. Hwang, S. H, Yoon, J, Kang, N, and Lee, D. R (2020) Development of flood forecasting system on city⋅mountains⋅small river area in Korea and assessment of forecast accuracy. Journal of Korea Water Resources Association, Vol. 53, No. 3, pp. 225-236.

7. Komma, J, Reszler, C, Blöschl, G, and Haiden, T (2007) Ensemble prediction of floods–catchment non-linearity and forecast probabilities. Natural Hazards and Earth System Sciences, Vol. 7, No. 4, pp. 431-444.

8. Lardet, P, and Obled, C (1994) Real-time flood forecasting using a stochastic rainfall generator. Journal of Hydrology, Vol. 162, No. 3-4, pp. 391-408.

9. Li, L, Schmid, W, and Joss, J (1995) Nowcasting of motion and growth of precipitation with radar over a complex orography. Journal of Applied Meteorology and Climatology, Vol. 34, No. 6, pp. 1286-1300.

10. Liechti, K, Panziera, L, Germann, U, and Zappa, M (2013) The potential of radar-based ensemble forecasts for flash-flood early warning in the southern Swiss Alps. Hydrology and Earth System Sciences, Vol. 17, No. 10, pp. 3853-3869.

11. Seo, D. J, and Smith, J. A (1992) Radar-based short-term rainfall prediction. Journal of Hydrology, Vol. 131, No. 1-4, pp. 341-367.

12. Sharma, N, Singh, M. K, Low, S. Y, and Kumar, A (2021) Weighted sigmoid-Based frequency-selective noise filtering for speech denoising. Circuits, Systems, and Signal Process, Vol. 40, No. 1, pp. 276-295.

13. Spyrou, C, Varlas, G, Pappa, A, Mentzafou, A, Katsafados, P, Papadopoulos, A, and Kalogiros, J (2020) Implementation of a nowcasting hydrometeorological system for studying flash flood events:The case of Mandra, Greece. Remote Sensing, Vol. 12, No. 17, pp. 2784.

14. Wang, G, Wong, W. K, Hong, Y, Liu, L, Dong, J, and Xue, M (2015) Improvement of forecast skill for severe weather by merging radar-Based extrapolation and storm-scale NWP corrected forecast. Atmospheric Research, Vol. 154, pp. 14-24.

15. Werner, M, and Cranston, M (2009) Understanding the value of radar rainfall nowcasts in flood forecasting and warning in flashy catchments. Meteorological Applications, Vol. 16, No. 1, pp. 41-55.

16. Yang, D, Shen, S, and Shao, L (2009) A study on blending radar and numerical weather prediction model products in very short-range forecast and nowcasting. In MIPPR 2009:Remote Sensing and GIS Data Processing and Other Applications, 7498) pp. 595-602 SPIE.

17. Yoon, J, Hwang, S. H, Kang, N, Lee, D. R, and Lee, K. H (2021) Development of real-time program correcting error in radar polarimetric variables. Journal of Korea Water Resources Association, Vol. 54, No. 12, pp. 1329-1338.

18. Yoon, J, Suk, M. K, Nam, K. Y, and Park, J. S (2016) Application of an empirical method to improve radar rainfall estimation using cross governmental dual-pol. radars. Journal of Korea Water Resources Association, Vol. 49, No. 7, pp. 625-634.