Mobile QR Code QR CODE : Journal of the Korean Society of Civil Engineers

  1. 교신저자 ․ 하존이앤씨(주) 기업부설연구소 부소장/부장 (Corresponding Author ․ Hajon Engineers and Consultants Co., Ltd. ․ arz6oiof@naver.com)
  2. 한국건설기술연구원 수자원하천연구본부 연구위원 (Korea Institute of Civil Engineering and Building Technology ․ sukany@kict.re.kr)
  3. 하존이앤씨(주) 대표이사 (Hajon Engineers and Consultants Co., Ltd. ․ jhwater@hotmail.com)



홍수, 홍수지도, HEC-RAS, RAS Mapper, 인공지능
Flood, Flood map, HEC-RAS, RAS mapper, AI

1. 서 론

최근 홍수예측에 관한 연구에서 강우-유출 해석을 위한 물리모형(physically-based models)을 실시간으로 구동하는 전통적 방법 대신에 기계학습과 같은 인공지능 기법을 이용한 데이터모형(data-driven models)의 활용이 활발하다(e.g., Berkhahn et al., 2019; Ivanov et al., 2021; Guo et al., 2022). 홍수예측에 대표적인 수리・수문학적 모형인 HEC-RAS(Brunner, 1995), SWMM (Rossman, 2010), InfoWorks(Innovyze, 2012), MIKE SHE (DHI, 2003), Delft3D(Muñoz et al., 2022)는 지형자료의 공간해상도가 높아짐에 따라 모의에 소요되는 시간이 증가하고, 결과적으로 단기간 예보 측면에서 활용도가 낮아지고 있다(Ivanov et al., 2021; Löwe et al., 2021; Qi et al., 2021; Saha et al., 2021; Guo et al., 2022; Burrichter et al., 2023). 또한, 미계측유역과 같이 가용자료가 부족한 경우 물리모형 적용 결과의 불확실성이 커진다는 명확한 한계가 존재한다(Piadeh et al., 2022; Zhang et al., 2022).

대안으로 병렬 연산을 통한 고성능 연산처리나(Petaccia et al., 2013; Hu et al., 2022), 계산 작업 간소화(Bates and De Roo, 2000; Bates et al., 2010; Jamali et al., 2018) 등 물리모형 활용의 개선 방안이 제시되었다. 그 외에도 물리적 특성을 배제하고 간단히 격자내 물을 재분배하는 cellular automata 기반의 방법(Dottori and Todini, 2011; Ghimire et al., 2013; Guidolin et al., 2016; Jamali et al., 2019) 등이 시도되었지만, 이러한 방법들 모두 고해상도 자료가 끊임없이 생산되는 최근 상황을 고려할 때, 근본적인 해결책은 아니다(Guo et al., 2022).

반면, 데이터모형(He and Wang, 2007; Kia et al., 2012; Rezaeianzadeh et al., 2014; Chen et al., 2020; Islam et al., 2021; Kumar et al., 2022)은 지속해서 축적된 자료를 바탕으로 미리 학습된 정보를 활용한다는 점에서 모의에 소요되는 시간을 크게 단축할 수 있다(Kabir et al., 2023; Sun et al., 2023). 그러나 데이터모형의 사전학습을 위해서는 많은 양의 침수자료가 필요하지만(Kabir et al., 2020), 적용할 수 있는 실측자료가 부족한 것이 현실이다. 대안으로 매개변수가 검정된 물리모형의 모의 결과를 실측자료와 함께 학습자료로 활용하고 있다(Lee and Kim, 2021; Sun et al., 2023).

국내에서도 통계기반의 데이터모형(Jeong and Lee, 2010; Lee and Kim, 2021) 및 기계학습 기반의 데이터모형(e.g., Kang and Lee, 2015; Kim et al., 2020; Kim et al., 2021)을 활용한 홍수예측 연구가 활발히 진행되고 있다. 이와 관련된 국내 연구 동향에 관한 자세한 내용은 데이터모형을 이용한 홍수예측에 관한 고찰 논문에서 확인할 수 있다(Lee et al., 2022).

데이터모형의 성능을 확보하기 위해서는 충분한 수의 학습자료가 필요하며, 그 기준을 구체적으로 정량화하기는 어렵지만 홍수예측 관련 선행연구에서는 효과적인 학습을 위하여 수백∼수만개의 입력자료가 사용되는 것이 일반적이다(e.g., Gude et al., 2020; Löwe et al., 2021). 학습에 활용할 수 있는 실측자료가 충분하지 않은 상황에서, 물리모형을 반복적으로 모의함으로써 다수의 학습자료를 생성하고 데이터모형에 활용하는 것이 현실적인 대안이다. 특히, 미계측 유역으로의 적용성 확보를 위한 데이터모형의 시・공간적 일반화(generalization)까지 고려한다면(Guo et al., 2022), 학습대상의 개소수가 크게 증가하기 때문에 학습자료 생성에 많은 노력과 시간이 필요하다.

이러한 배경에서 본 연구에서는 홍수예측을 위한 학습자료로 홍수범람지도를 반복 생성할 수 있는 엑셀러레이터를 개발하였다. 이 엑셀러레이터는 홍수범람지도 작성 기준(ME, 2020; MOIS 2020)을 준용하여 침수예상도를 생성한다. 특히, 「소하천 하도계획 프로그램(SCDP, Stream Channel Design Program)」 (Kim and Jeong, 2019)의 주요 모듈을 재구성하여 미국 공병단에서 개발한 HEC-1(HEC-HMS), HEC-RAS, RAS Mapper 분석 엔진(이하 HEC 소프트웨어)과 연계되도록 하였다. 홍수범람지도 작성의 일련의 과정을 일괄로 진행할 수 있고, 모형 사이에 입・출력 자료의 형식을 변환하는 등의 전・후처리를 최소화였다. 또한, 사용자가 수동으로 개입하여야 하는 상황을 최소화하여 분석 과정의 일관성을 확보하고 분석의 정확도를 높였다. 개발된 엑셀러레이터를 국내 10여개소의 테스트베드에 적용하여 홍수범람지도를 작성한 결과를 환경부의 홍수위험지도 정보시스템에서 제공하는 홍수위험지도와 비교함으로써 실무적용성을 입증하였다.

이어지는 2장에서는 HEC 소프트웨어 기반 홍수범람지도 엑셀러레이터의 개발 배경, 구조 및 기능을 자세히 설명하고, 3장에서는 25,000여개의 강우시나리오에 대한 테스트베드 적용 사례를 검토한다. 끝으로 요약 및 결론을 4장에서 제시하는 것으로 남은 본고를 구성하고자 한다.

2. HEC 소프트웨어 기반 홍수범람지도 엑셀러레이터

2.1 홍수범람지도 작성 과정

일반적인 하천 홍수범람지도 작성은 ① 강우 분석을 통한 설계강우 산정, ② 설계강우에 대한 홍수량 산정, ③ 홍수량을 경계조건으로 설정하여 하천 홍수위 계산, ④ 하천 제방 및 제내지 지형을 고려한 하천범람 모의 및 결과를 바탕으로 침수예상도를 출력하는 순서로 진행된다(Fig. 1). 이때, 제방의 월류 또는 붕괴 시나리오에 따라서 유하형 범람, 저류형 범람, 확산형 범람으로 분류하고, 각각 서로 다른 모의 방법을 적용한다(ME, 2020). 하천과 제내지를 대상으로 2차원 부정류 조건으로 모의하는 것이 이상적이나, 계산시간을 단축하고 설계안전 측면에서 침수심과 침수면적이 크게 산정하려는 목적으로 부등류 조건에서 유하형 또는 확산형 범람을 가정하고 모의하는 것이 일반적이다(ME, 2020).

Fig. 1. Process Diagram for Generating a River Flooding Map
../../Resources/KSCE/Ksce.2024.44.2.0173/fig1.png

본 연구에서는 홍수예측을 위한 학습자료로 활용하기 위하여 다수의 홍수범람지도를 작성하는 것이 목적이므로 ①번 과정은 특정 재현기간에 대한 설계강우 대신에 다양한 강우시나리오를 적용하는 것으로 대체되었다(Fig. 1). 실무에서는 주로 HEC-1(또는 HEC-HMS)을 이용하여 홍수량을 산정하고(②번 과정), HEC-RAS를 이용하여 하천의 홍수위를 계산한다(③번 과정). 또한, RAS Mapper를 이용하여 하천범람을 모의하고 침수예상도를 공간정보 자료 형식(**.asc 또는 **.geotiff)으로 추출한다(④번 과정). 따라서 HEC-1, HEC-RAS, RAS Mapper의 분석 엔진을 활용하여 홍수범람지도 작성 과정을 자동화하여 수백에서 수십만건의 강우시나리오에 대한 침수예상도를 데이터베이스화하는 것이 핵심이다.

2.2 엑셀러레이터 기능 및 특징

엑셀러레이터는 사용자 편의를 위하여 독립형 실행프로그램으로 개발되었다. 주요 모듈 개발에는 Fortran(강우 분석), Python(각종 API 호출), C(홍수량 산정) 등 다양한 컴퓨터 언어의 장점을 고려하여 종합적으로 사용되었으며, GUI는 Matlab으로 개발되었다. 배포에 용이하도록 Matlab Application Compiler를 이용하여 실행파일로 컴파일하였다. 그 결과, 사용자는 Mathworks에서 무료로 배포하는 Matlab Compiler Runtime만 설치하면 Windows OS에서 자유롭게 엑셀러레이터를 사용할 수 있다.

엑셀러레이터는 대부분 연산에서 HEC 소프트웨어의 분석 엔진을 사용한다. HEC-1의 경우 컴파일된 응용프로그램이 함께 제공되므로 별도의 설치가 필요하지 않지만, HEC-RAS는 동적 링크 라이브러리(DLL)를 호출하여 사용하는 형식으로 HEC-RAS 프로그램이 미리 설치되어 있어야 한다. 또한, 분석 결과 대부분이 Excel 파일로 출력되기 때문에 MS Office 설치가 필요하다.

엑셀러레이터의 드롭다운 메뉴는 강우 분석, 홍수량 산정, 홍수위 산정, 하천범람 모의의 홍수범람지도 작성 순서에 맞게 구성하였다(Fig. 2). File 메뉴는 프로젝트 단위로 관련 입력・출력 자료를 관리하고, 다수의 사용자가 작업한 결과를 쉽게 취합할 수 있는 편의 기능을 포함하고 있다. Storm & Flood 메뉴에서는 Huff(1967)의 무차원 누가강우곡선 형식의 강우시나리오를 바탕으로 강우주상도를 작성하고, 시나리오별 홍수량을 산정할 수 있다. 홍수량 산정에 다수의 강우지속기간을 포함시키기 위하여 무차원 누가강우곡선의 회귀식이 필요하다. 이때, 각 정점 사이를 서로 다른 3차 다항식으로 회귀하는 cubic spline 방법을 도입하여 기존의 5∼7차 다항식을 적용할 때 발생하는 누가강우가 역전되는 문제나 강우지속기간이 왜곡되는 문제를 해결하였다. 또한, 설계홍수량 산정요령(MLTMA, 2012), 홍수량 산정 표준지침(ME, 2019) 기준에 따른 명확한 홍수량 산정 절차와 직관적인 GUI를 바탕으로 사용자가 편리하게 홍수량을 산정할 수 있는 것이 특징이다(Fig. 3).

Fig. 2. Main Page and Drop-down Menu of Flood Mapping Accelerator Based on HEC-softwares
../../Resources/KSCE/Ksce.2024.44.2.0173/fig2.png
Fig. 3. GUI for Flood Discharges Estimation
../../Resources/KSCE/Ksce.2024.44.2.0173/fig3.png

HWL & Mapping 메뉴는 시나리오별 홍수량 산정 결과를 HEC-RAS flow 파일(**.f\#\#)에 입력하여 HEC-RAS 부등류 모의를 위한 홍수량 조건을 일괄로 설정하는 기능, 사용자가 HEC-RAS를 직접 실행하지 않고 엑셀러레이터가 반복적으로 홍수위를 계산하는 기능을 포함하고 있다. 또한, 계산된 홍수위를 바탕으로 엑셀러레이터가 스스로 하천범람을 모의하고 침수예상도를 출력하도록 하는 RAS map 파일(**.rasmap)을 생성하는 기능도 포함되어 있다. 끝으로 Help 메뉴에서는 사용자 매뉴얼, 활용 예제, 프로그램 사용시 발생하는 오류 코드 관리 등 편의 기능을 제공한다.

개발된 엑셀러레이터는 수백에서 수십만건의 강우시나리오에 대한 하천 홍수범람을 모의하고 침수예상도를 작성하는 일련의 반복된 작업을 자동화함으로써 자료 구축에 소요되는 노력과 시간을 절감하였다. 특히, 홍수량 산정시 HEC-1 모형의 단점인 복잡한 입력파일 생성을 엑셀러레이터가 대신함으로써 반복적인 모의 등에서 불리한 HEC-HMS의 단점을 해결하여 실무적용성을 극대화하였다. 기존의 HEC-1, HEC-RAS 등 검증된 모형의 엔진을 사용함으로써 모의 결과의 신뢰성을 확보하였다.

3. 테스트베드를 통한 실무적용성 검토

3.1 테스트베드 및 활용 자료

엑셀러레이터의 적용성을 검증하기 위하여 국내 지방하천 수계(또는 권역) 26개소를 테스트베드로 선정하였다(Fig. 4). 테스트베드는 과거 하천범람 피해가 발생한 지역, 자연재해저감 종합계획의 하천재해 위험지구로 선정되는 등 하천범람 발생가능성이 높은 지역, 비교적 최근에 하천기본계획이 수립되어 측량자료 수집이 쉬운 지역, 환경부 홍수위험지도 정보시스템에서 하천범람지도가 제공되어 모의 결과의 타당성을 검토할 수 있는 지역을 중심으로 선정하였다. 26개소의 수계 또는 권역 단위 테스트베드 중에서 황구지천 상류권역은 본 연구에서 중점적으로 다룬 지역으로 다양한 규모의 지방하천 10개소가 위치하고 있다.

황구지천 상류권역에는 황구지천, 반정천, 원천리천, 수원천, 광교천, 여천, 영덕천, 가산천, 서호천, 영화천이 위치하며, 하천별 유역면적은 1.00 km²(가산천)부터 84.75 km²(황구지천)까지 다양하다. 하천별 연장은 1.27 km(광교천)∼13.04 km(황구지천) 범위이다. 위치는 행정구역상 경기도 수원시에 해당하며, 수원시 풍수해저감종합계획(Suwon City, 2014)에서 선정한 하천재해 위험지구 6개소 중에서 4개소가 황구지천 상류권역에 밀집된 하천재해 발생가능성이 높은 지역이다. 또한, 진위천권역 하천기본계획(MOLIT, 2014)에서는 황구지천 상류권역의 하천 대부분 구간이 제방고에 비하여 계획홍수위가 높은 것으로 검토되어 축제, 보축 등 하천정비계획이 다수 수립된 바 있다.

Fig. 4. Location Map of Test-bed and Spatial Distribution of Flood Estimation Points
../../Resources/KSCE/Ksce.2024.44.2.0173/fig4.png

홍수량 산정을 위하여 하천기본계획에서 선정한 홍수량 산정지점 중에서 계획홍수량이 변경되는 지점 45개소를 금회 홍수량 산정지점으로 선정하였다. 산정지점별 유역면적, 유로연장, 유로경사, SCS(1956) CN 등 유역 특성인자와 Clark(1945) 단위도 적용에 필요한 도달시간, 저류상수 등 모형 매개변수는 하천기본계획에서 산정한 값을 그대로 활용하였다. 홍수위 산정을 위한 하천단면 구축과 구조물 제원 입력은 하천기본계획에서 실시한 측량성과 자료를 사용하였다. 하천범람 모의를 위한 수치표고모형(DEMs)은 하천기본계획의 측량성과와 국토지리정보원에서 제공하는 1:5,000도 수치지도의 고도 정보를 종합하여 자연 이웃 보간(natural neighbor interpolation) 방법으로 생성하였다.

3.2 강우시나리오

재현성에 중점을 두고자 기상청의 강우 관측자료와 기후변화 시나리오를 바탕으로 호우의 시・공간적 분포를 고려한 무차원 누가강우분포 형식의 강우시나리오를 작성하였다(Fig. 5). 관측자료의 경우 기상청 종관기상관측소(ASOS)의 1968년부터 2022년까지 관측된 자료 중에서 3시간 총강우량이 60 mm 이상(3시간 호우주의보 발령기준)이거나, 1시간 총강우량이 20 mm 이상(3시간 호우주의보 발령기준을 1시간으로 환산한 수치)인 호우 사상만을 추출하였다. 2022년 서울 강남지역에 침수가 발생한 당시 ASOS 서울관측소(108번)와 AWS 강남관측소(400번)에서 관측된 강우량 값이 크게 차이 나는 것과 같이 강우의 지역적 편차를 보완하고자 d4PDF(Database for Policy Decision making for Future climate change) 기후변화 시나리오를 함께 활용하였다. d4PDF는 미래 기후변화에 대한 정책결정에 활용하기 위하여 일본 문부과학성이 개발한 데이터베이스로 다양한 앙상블 시나리오를 모의하여 제공한다. 본 연구에서는 과거의 기후 재현성을 검토하여 보완된 과거 모의실험 시나리오를 사용하였다. d4PDF는 1시간 간격으로 20 km 공간해상도를 갖는 바이너리 형식의 파일로 제공하고 있다(https://diasjp.net). 강우시나리오는 강우지속기간 6시간을 기준으로 단기간(6시간 미만)과 중・장기간(6시간 이상)으로 구분하여 각각 449개와 5,789개의 시나리오를 생성하였다(Table 1).

Fig. 5. Dimensionless Cumulative Rainfall Depth Curves Based on Rainfall Scenario: (a) Short-term, (b) Long-term
../../Resources/KSCE/Ksce.2024.44.2.0173/fig5.png
Table 1. Summary of Generated Rainfall Scenario

Rainfall duration

Short-term(less than 6hours)

Long-term(more than 6hours)

Data source

OBS

CCS

OBS

CCS

Number of scenario

34

415

42

5747

Note

Primarily used in stream or medium-sized rivers

Primarily used in regional -sized rivers or national rivers

테스트베드 하천의 유역면적이 1.00∼84.75 km² 규모이므로 대략적인 임계지속기간이 3∼12시간 범위로 예상되어 단기간과 중・장기간 시나리오 모두를 검토 대상으로 설정하였다. 이때, 최근 홍수피해를 발생시킨 강우가 수시간에 걸쳐 발생한 연속강우였다는 점에서 6시간 이상의 강우지속기간에 대한 검토가 필요한 점도 함께 고려하였다. 무차원 누가강우분포의 강우총량을 고려하기 위하여 전국적으로 30개년 이상의 시강우량을 보유한 기상청 종관기상관측소 68개소(MOIS, 2020)의 50년빈도, 80년빈도, 100년빈도의 확률강우량을 검토하여 60분, 120분, 180분, 360분, 720분 강우지속기간에 대한 확률강우량의 최솟값(60.5∼136.0 mm)과 최댓값(138.5∼403.4 mm)을 적용하였다. 그 결과, 단기간 강우지속기간의 경우 450개 시나리오(OBS 34, CCS 415, 기준 1) × 2개 강우총량(최소, 최대) × 3개 강우지속기간(60분, 120분, 180분)으로 2,700개 강우주상도를 생성하였다. 중・장기간 강우지속기간의 경우 450개 시나리오(OBS 42, CCS 5,747, 기준 1) × 2개 강우총량 × 2개 강우지속기간(360분, 720분)으로 23,160개 강우주상도를 생성하여 총 25,860개의 강우주상도를 생성하였다.

3.3 적용 결과

엑셀러레이터를 활용한 홍수량 산정에 앞서서 구축된 홍수량 산정 모형의 타당성을 우선 검토하였다. 이를 위하여 설계강우를 입력하여 설계홍수량을 산정하고, 이를 하천기본계획의 결과와 비교하였다. 그 결과 동일한 임계지속기간과 첨두홍수량이 산정되어 사용된 유역 특성인자 및 모형 매개변수 등의 타당성을 검증하였다. 검증된 모형에 대하여 25,860개(180분 이하: 각 900개, 360분 이상: 각 11,580개)의 강우주상도에 대하여 홍수량을 반복적으로 계산하였다. 주요 산정지점의 첨두홍수량을 상자수염 그림으로 나타낸 결과, 강우시나리오에 따라서 최대 9배까지 홍수량이 차이 나는 것을 확인하였다(Fig. 6). 사용된 학습자료의 종류가 다양할수록 즉, 강우량 또는 홍수량의 최솟값과 최댓값 차이가 클수록 데이터모형의 학습효과가 높다는 점에서 제시된 강우시나리오의 유효성을 다시 한번 확인할 수 있다.

한편, WC0 지점의 경우 강우지속기간 360분에서 중간값과 상위 25 %의 첨두홍수량이 가장 큰 것으로 볼 때(Fig. 6a), 해당 지점의 임계지속기간이 360분 전・후라는 사실을 확인할 수 있다. 하천기본계획에서 산정된 설계홍수량 795 m³/s은 25,860개 첨두홍수량의 중간값 정도에 해당한다. 마찬가지로 HG6, SH4 지점의 임계지속기간이 180분 전・후, YD4 지점의 임계지속기간이 60∼120분에 해당하며 각 지점별 설계홍수량은 첨두홍수량 분포의 중간에 위치하는 것을 확인할 수 있다(Fig. 6). 전국적으로 지점별 확률강우량의 차이가 최대 2배 정도(MOIS, 2022)인 점을 감안할 때, 다른 조건이 동일하더라도 강우의 시간분포에 따라서 첨두홍수량이 2배까지 차이가 날 수 있음을 의미한다. 이 결과는 최근 기후변화를 설계홍수량 산정에 반영하려는 노력의 하나로 확률강우량을 강제로 일정률 증가시키거나 설계빈도를 상향하는 방안 대신에 설계강우의 시간분포를 조정하는 방안을 제안한 연구(Jeong and Kim, 2022)를 뒷받침하는 결과이다. 또한, 강우예측시 호우사상의 첨두부에서 발생하는 오차를 보정하는 연구, 설계강우의 시간분포 산정 개선 등에 시사하는 바가 크다.

엑셀러레이터는 홍수량 산정 결과를 반영한 부등류 조건의 HEC-RAS flow 파일을 생성하고, 자동으로 25,860가지 경우의 수에 대한 홍수위 분석을 수행하였다. 이어서 25,860가지 홍수위에 대한 하천범람 모의를 반복하고, 각각의 침수예상도를 geotiff 형식으로 출력하였다(Fig. 7). 출력된 침수예상도는 환경부 홍수위험지도 정보시스템에서 제공하는 하천범람지도와 비교하여 전반적인 범람위치 및 범람양상 등이 유사한 것으로 확인되었다.

강우시나리오에 따라서 최대 9배까지 첨두홍수량의 차이가 발생하였던 결과를 홍수위 계산의 경계조건으로 설정한 결과, 황구지천 하류 단면(No.0+870)에서의 홍수위 범위는 EL. 20.5∼22.9 m로, 수심 기준으로 최댓값이 최솟값의 약 1.7배인 것으로 검토되었다. 침수심은 홍수위와 지반고의 차이로 계산되므로 강우시나리오별 침수심의 최솟값과 최댓값의 배율도 이와 유사한 수준인 것으로 검토되었다.

4. 요약 및 결론

본 연구에서는 홍수예측에 데이터모형 적용시 학습을 위한 입력자료를 물리모형 기반으로 생성할 수 있는 HEC 소프트웨어 기반 엑셀러레이터를 개발하였다. 개발된 엑셀러레이터는 HEC-1을 이용한 홍수량 산정, HEC-RAS를 이용한 홍수위 산정 그리고 RAS Mapper을 이용한 하천범람 모의와 침수예상도 출력의 전체 과정을 자동화하였다. 전국에 걸쳐서 위치한 26개소의 지방하천에 적용한 결과, 다수의 강우시나리오에 대하여 각각의 홍수범람지도를 성공적으로 작성됨으로써 실무적용성을 확인하였다. 개발된 엑셀러레이터는 인공지능 기반의 데이터모형의 학습자료를 생성하는 데 초점을 둔 것으로 데이터모형의 종류에 상관없이 범용적으로 활용될 수 있다. 강우-유출 관계에서 강우의 시・공간적 특성이 홍수에 미치는 영향에 관한 연구, 실시간 예측 및 시나리오 기반의 홍수관리 기술 등에 확대 적용될 수 있다.

현재는 적용 범위가 하천범람 모의로 국한되어 있으나, 향후 XP-SWMM(XP Solutions, 2013), FLO2D(O'Brien et al., 1993)와 같은 상용프로그램과의 연계 등을 통하여 내수침수 모의를 위한 도시침수지도 작성으로 영역을 확대할 예정이다. 현재 e문서 형태로 준비된 사용자 매뉴얼, 활용 예제 이외에 시연 동영상 등을 제작하고 배포함으로써 처음 사용자의 진입 장벽을 낮추는 데 중점을 둘 계획이다. 엑셀러레이터의 평가판 신청은 저자의 이메일(arz6oiof@naver.com)로 요청할 수 있다.

Fig. 6. Box-and-whisker Plot of Peak Discharges Depnding on Rainfall Scenario
../../Resources/KSCE/Ksce.2024.44.2.0173/fig6.png
Fig. 7. Comparison of Flood Maps Generated by (a) Proposed Flood Map Accelerator and Those Produced by (b) Ministry of Environment
../../Resources/KSCE/Ksce.2024.44.2.0173/fig7.png

Acknowledgements

This research was supported by a grant(RS-2022-ND634021) of ‘Development Risk Prediction Technology of Storm and Flood for Climate Change based on Artificial Intelligence’ funded by Ministry of Interior and Safety(MOIS, Korea).

References

1 
"Bates, P. D. and De Roo, A. P. J. (2000). “A simple raster-based model for flood inundation simulation.” Journal of Hydrology, Elsevier, Vol. 236, Nos. 1-2, pp. 54-77, https://doi.org/10.1016/S0022-1694(00)00278-X."DOI
2 
"Bates, P. D., Horritt, M. S. and Fewtrell, T. J. (2010). “A simple inertial formulation of the shallow water equations for efficient two-dimensional flood inundation modelling.” Journal of Hydrology, Elsevier, Vol. 387, Nos. 1-2, pp. 33-45, https://doi.org/10.1016/j.jhydrol.2010.03.027."DOI
3 
"Berkhahn, S., Fuchs, L. and Neuweiler, I. (2019). “An ensemble neural network model for real-time prediction of urban floods.” Journal of Hydrology, Elsevier, Vol. 575, pp. 743-754, https://doi.org/10.1016/j.jhydrol.2019.05.066."DOI
4 
"Brunner, G. W. (1995). HEC-RAS River Analysis System hydraulic reference manual, CPD-69, Hydrologic Engineering Center, Davis, CA. "URL
5 
"Burrichter, B., Hofmann, J., Koltermann da Silva, J., Niemann, A. and Quirmbach, M. (2023). “A spatiotemporal deep learning approach for urban pluvial flood forecasting with multi-source data.” Water, MDPI, Vol. 15, No. 9, 1760, https://doi.org/10.3390/w15091760."DOI
6 
"Chen, W., Li, Y., Xue, W., Shahabi, H., Li, S., Hong, H., Wang, X. Bian, H., Zhang, S. Pradhan, B. and Ahmad, B. B. (2020). “Modeling flood susceptibility using data-driven approaches of naïve bayes tree, alternating decision tree, and random forest methods.” Science of the Total Environment, Elsevier, Vol. 701, 134979, https://doi.org/10.1016/j.scitotenv.2019.134979."DOI
7 
"Clark, C. O. (1945). “Storage and the unit hydrograph.” Transactions of the American Society of Civil Engineers, ASCE, Vol. 110, No. 1, pp. 1419-1446, https://doi.org/10.1061/TACEAT.0005800."DOI
8 
"DHI Software (2003). MIKE SHE user guide and reference manual, DHI A/S. "URL
9 
"Dottori, F. and Todini, E. (2011). “Developments of a flood inundation model based on the cellular automata approach: testing different methods to improve model performance.” Physics and Chemistry of the Earth, Parts A/B/C, Elsevier, Vol. 36, Nos. 7-8, pp. 266-280, https://doi.org/10.1016/j.pce.2011.02.004."DOI
10 
"Innovyze (2012). InfoWorks ICM Help v3.0. "URL
11 
"Islam, A. R. M. T., Talukdar, S., Mahato, S., Kundu, S., Eibek, K. U., Pham, Q. B., Kuriqi, A. and Linh, N. T. T. (2021). “Flood susceptibility modelling using advanced ensemble machine learning models.” Geoscience Frontiers, Elsevier, Vol. 12, No. 3, 101075, https://doi.org/10.1016/j.gsf.2020.09.006."DOI
12 
"Ivanov, V. Y., Xu, D., Dwelle, M. C., Sargsyan, K., Wright, D. B., Katopodes, N., Kim, J., Tran, V. N., Warnock, A., Fatichi, S., Burlando, P., Caporali, E., Restrepo, P., Sanders, B. F., Chaney, M. M., Nunes, A. M. B., Nardi, F., Vivoni, E. R., Istanbulluoglu, E., Bisht, G. and Bras, R. L. (2021). “Breaking down the computational barriers to real‐time urban flood forecasting.” Geophysical Research Letters, AGU, Vol. 48, No. 20, e2021GL093585, https://doi.org/10.1029/2021GL093585."DOI
13 
"Ghimire, B., Chen, A. S., Guidolin, M., Keedwell, E. C., Djordjević, S. and Savić, D. A. (2013). “Formulation of a fast 2D urban pluvial flood model using a cellular automata approach.” Journal of Hydroinformatics, IWA, Vol. 15, No. 3, pp. 676-686, https://doi.org/10.2166/hydro.2012.245."DOI
14 
"Gude, V., Corns, S. and Long, S. (2020). “Flood prediction and uncertainty estimation using deep learning.” Water, MDPI, Vol. 12, No. 3, 884, https://doi.org/10.3390/w12030884."DOI
15 
"Guidolin, M., Chen, A. S., Ghimire, B., Keedwell, E. C., Djordjević, S. and Savić, D. A. (2016). “A weighted cellular automata 2D inundation model for rapid flood analysis.” Environmental Modelling & Software, Elsevier, Vol. 84, pp. 378-394, https://doi.org/10.1016/j.envsoft.2016.07.008."DOI
16 
"Guo, Z., Moosavi, V. and Leitão, J. P. (2022). “Data-driven rapid flood prediction mapping with catchment generalizability.” Journal of Hydrology, Elseiver, Vol. 609, 127726, https://doi.org/10.1016/j.jhydrol.2022.127726."DOI
17 
"He, Q. P. and Wang, J. (2007). “Fault detection using the k-nearest neighbor rule for semiconductor manufacturing processes.” IEEE Transactions on Semiconductor Manufacturing, IEEE, Vol. 20 No. 4, pp. 345-354, https://doi.org/10.1109/TSM.2007.907607."DOI
18 
"Hu, R. L., Pierce, D., Shafi, Y., Boral, A., Anisimov, V., Nevo, S. and Chen, Y. F. (2022). “Accelerating physics simulations with tensor processing units: An inundation modeling example.” The International Journal of High Performance Computing Applications, Sage Journals, Vol. 36, No. 4, pp. 510-523, https://doi.org/10.1177/10943420221102873."DOI
19 
"Huff, F. A. (1967). “Time distribution of rainfall in heavy storms.” Water Resources Research, AGU, Vol. 3, No. 4, pp. 1007-1019, https://doi.org/10.1029/WR003i004p01007."DOI
20 
"Jamali, B., Bach, P. M., Cunningham, L. and Deletic, A. (2019). “A Cellular Automata fast flood evaluation (CA-ffé) model.” Water Resources Research, AGU, Vol. 55, No. 6, pp. 4936-4953, https://doi.org/10.1029/2018WR023679."DOI
21 
"Jamali, B., Löwe, R., Bach, P. M., Urich, C., Arnbjerg-Nielsen, K. and Deletic, A. (2018). “A rapid urban flood inundation and damage assessment model.” Journal of Hydrology, Elsevier, Vol. 564, pp. 1085-1098, https://doi.org/10.1016/j.jhydrol.2018.07.064."DOI
22 
"Jeong, D. K. and Lee, B. H. (2010). “Development of urban flood water level forecasting model using regression method.” Journal of Korea Water Resources Association, KWRA, Vol. 43, No. 2, pp. 221-231, https://doi.org/10.3741/JKWRA.2010.43.2.221 (in Korean)."DOI
23 
"Jeong, J. and Kim, J. (2022). “Improved practical methods for considering climate change in design flood estimation.” Journal of the Korean Society of Hazard Mitigation, KOSHAM, Vol. 22, No. 6, pp. 301-309, https://doi.org/10.9798/KOSHAM.2022.22.6.301 (in Korean)."DOI
24 
"Kabir, S., Patidar, S., Xia, X., Liang, Q., Neal, J. and Pender, G. (2020). “A deep convolutional neural network model for rapid prediction of fluvial flood inundation.” Journal of Hydrology, Elsevier, Vol. 590, 125481, https://doi.org/10.1016/j.jhydrol. 2020.125481."DOI
25 
"Kabir, S., Wood, D. and Waller, S. (2023). “A deep learning model for generalized surface water flooding across multiple return periods.” Engineering Proceedings, MDPI, Vol. 39, No. 1, 94, https://doi.org/10.3390/engproc2023039094."DOI
26 
"Kang, J. E. and Lee, M. J. (2015). “Analysis of urban infrastructure risk areas to flooding using neural network in Seoul.” KSCE Journal of Civil and Environmental Engineering Research, KSCE, Vol. 35, No. 4, pp. 997-1006, https://doi.org/10.12652/Ksce.2015.35.4.0997 (in Korean)."DOI
27 
"Kia, M. B., Pirasteh, S., Pradhan, B., Mahmud, A. R., Sulaiman, W. N. A. and Moradi, A. (2012). “An artificial neural network model for flood simulation using GIS: Johor River Basin, Malaysia.” Environmental Earth Sciences, Springer, Vol. 67, pp. 251-264, https://doi.org/10.1007/s12665-011-1504-z."DOI
28 
"Kim, H. I., Han, K. Y. and Lee, J. Y. (2020). “Prediction of urban flood extent by LSTM model and logistic regression.” KSCE Journal of Civil and Environmental Engineering Research, KSCE, Vol. 40, No. 3, pp. 273-283, https://doi.org/10.12652/Ksce. 2020.40.3.0273 (in Korean)."DOI
29 
"Kim, H. I., Lee, Y. S. and Kim, B. (2021). “Real-time flood prediction applying random forest regression model in urban areas.” Journal of Korea Water Resources Association, KWRA, Vol. 54, No. spc1, pp. 1119-1130, https://doi.org/10.3741/JKWRA. 2021.54.S-1.1119 (in Korean)."DOI
30 
"Kim, J. and Jeong, J. (2019). “Development of stream channel design program for stream channel improvement.” Magazine of the Korean Society of Civil Engineers, KSCE, Vol. 67, No. 8, pp. 48-52 (in Korean). "URL
31 
"Kumar, M., Kumar, P., Kumar, A., Elbeltagi, A. and Kuriqi, A. (2022). “Modeling stage-discharge-sediment using support vector machine and artificial neural network coupled with wavelet transform.” Applied Water Science, Springer, Vol. 12, No. 5, 87, https://doi.org/10.1007/s13201-022-01621-7."DOI
32 
"Lee, S., Kim, B., Choi, H. and Noh, S. J. (2022). “A review on urban inundation modeling research in South Korea: 2001-2022.” Journal of Korea Water Resources Association, KWRA, Vol. 55, No. 10, pp. 707-721, https://doi.org/10.3741/JKWRA.2022.55.10.707 (in Korean)."DOI
33 
"Lee, J. and Kim, B. (2021). “Scenario-based real-time flood prediction with logistic regression.” Water, MDPI, Vol. 13, No. 9, 1191, https://doi.org/10.3390/w13091191."DOI
34 
"Löwe, R., Böhm, J., Jensen, D. G., Leandro, J. and Rasmussen, S. H. (2021). “U-FLOOD - Topographic deep learning for predicting urban pluvial flood water depth.” Journal of Hydrology, Elsevier, Vol. 603, 126898, https://doi.org/10.1016/j.jhydrol.2021.126898."DOI
35 
"Ministry of Environment(ME) (2019). Guidelines for estimating flood discharge (in Korean). "URL
36 
"Ministry of Environment(ME) (2020). Guidelines for developing a flood danger alert map (in Korean). "URL
37 
"Ministry of Land, Transport and Maritime Affairs(MLTMA) (2012). Design flood estimation guide (in Korean). "URL
38 
"Ministry of the Interior and Safety(MOIS) (2020). Guidelines for mapping of the disaster hazard maps (in Korean). "URL
39 
"Ministry of the Interior and Safety(MOIS) (2022). Establishment of disaster prevention performance targets by region (in Korean). "URL
40 
"Ministry of Land, Infrastructure and Transport(MOLIT) (2014). The national river master plan for Jinwi watershed (in Korean). "URL
41 
"Muñoz, D. F., Yin, D., Bakhtyar, R., Moftakhari, H., Xue, Z., Mandli, K. and Ferreira, C. (2022). “Inter-model comparison of Delft3D‐FM and 2D HEC-RAS for total water level prediction in coastal to inland transition zones.” Journal of the American Water Resources Association, AWRA, Vol. 58, No. 1, pp. 34-49, https://doi.org/10.1111/1752-1688.12952."DOI
42 
"O'Brien, J. S., Julien, P. Y. and Fullerton, W. T. (1993). “Two- dimensional water flood and mudflow simulation.” Journal of Hydraulic Engineering, ASCE, Vol. 119, No. 2, pp. 244-261, https://doi.org/10.1061/(ASCE)0733-9429(1993)119:2(244)."DOI
43 
"Petaccia, G., Natale, L., Savi, F., Velickovic, M., Zech, Y. and Soares-Frazão, S. (2013). “Flood wave propagation in steep mountain rivers.” Journal of Hydroinformatics, IWA, Vol. 15, No. 1, pp. 120-137, https://doi.org/10.2166/hydro.2012.122."DOI
44 
"Piadeh, F., Behzadian, K. and Alani, A. M. (2022). “A critical review of real-time modelling of flood forecasting in urban drainage systems.” Journal of Hydrology, Elsevier, Vol. 607, 127476, https://doi.org/10.1016/j.jhydrol.2022.127476."DOI
45 
"Qi, W., Ma, C., Xu, H., Chen, Z., Zhao, K. and Han, H. (2021). “A review on applications of urban flood models in flood mitigation strategies.” Natural Hazards, Springer, Vol. 108, pp. 31-62, https://doi.org/10.1007/s11069-021-04715-8."DOI
46 
"Rezaeianzadeh, M., Tabari, H., Arabi Yazdi, A., Isik, S. and Kalin, L. (2014). “Flood flow forecasting using ANN, ANFIS and regression models.” Neural Computing and Applications, Springer, Vol. 25, pp. 25-37, https://doi.org/10.1007/s00521-013-1443-6."DOI
47 
"Rossman, L. A. (2010). Storm water management model user's manual version 5.0, U.S. Environmental Protection Agency, Washington, DC. "URL
48 
"Saha, T. K., Pal, S., Talukdar, S., Debanshi, S., Khatun, R., Singha, P. and Mandal, I. (2021). “How far spatial resolution affects the ensemble machine learning based flood susceptibility prediction in data sparse region.” Journal of Environmental Management, Elsevier, Vol. 297, 113344, https://doi.org/10.1016/j.jenvman. 2021.113344."DOI
49 
"Soil Conservation Service(SCS). (1956). Hydrology. National Engineering Handbook, Supplement A, Section 4, Chapter 10, Soil Conservation Service, USDA., Washington. "URL
50 
"Sun, A. Y., Li, Z., Lee, W., Huang, Q., Scanlon, B. R. and Dawson, C. (2023). “Rapid flood inundation forecast using Fourier neural operator.” Proceedings of 2023 IEEE/DVF International Conference on Computer Vision Workshops, IEEE, Paris, France, pp. 3733-3739, https://doi.org/10.1109/ICCVW60793.2023.00401."DOI
51 
"Suwon City (2014). The comprehensive plans for flood hazard reduction, Suwon City (in Korean). "URL
52 
"XP Solutions (2013). XP-SWMM stormwater and wastewater management model: getting started manual, Newbury, UK. "URL
53 
"Zhang, Y., Ragettli, S., Molnar, P., Fink, O. and Peleg, N. (2022). “Generalization of an Encoder-Decoder LSTM model for flood prediction in ungauged catchments.” Journal of Hydrology, Elsevier, Vol. 614, 128577, https://doi.org/10.1016/j.jhydrol. 2022.128577."DOI