Research Article

Journal of Korea Water Resources Association. August 2020. 583-595
https://doi.org/10.3741/JKWRA.2020.53.8.583


ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구방법

  •   2.1 연구 대상유역

  •   2.2 기후변화 시나리오

  •   2.3 GCMs 모델 선정 및 편이보정

  •   2.4 LID 요소기술 선정

  •   2.5 SWMM을 이용한 유출분석

  •   2.6 모형 구축 및 매개변수 설정

  •   2.7 LID 요소기술 적용을 위한 가중치 산정

  •   2.8 모형의 검‧보정

  • 3. 결과 및 고찰

  •   3.1 강수량에 따른 유출량 분석

  •   3.2 기후변화 시나리오에 따른 모의 결과

  • 4. 결 론

1. 서 론

최근 기후변화로 인한 극한 수문 사상의 규모와 빈도는 전 지구적으로 변화되고 있다(Jang et al., 2011). 기후변화로 인한 수문현상의 규모와 빈도의 변화는 최근에 더욱 빈번하게 발생하고 있으며, 우리나라뿐만 아니라 전 세계적으로 우려 되고 있는 자연현상이다(Lee et al., 2016). 특히 우리나라는 2000년 대비 2019년 도시화율이 79.6%에서 81.4%로 증가되었으며, 이로 인하여 도시내 발생된 집중호우에 인한 피해가 증가되고 있다. 도시의 수재해 증가 원인으로는 하천 주변 지역의 도시화 및 산업화에 따라 불투수층이 증가하고 도시 하천으로 변화되며, 이로 인한 물순환이 변화되었기 때문이다 (Yoon, 2019).

또한 강우에 의한 유출량이 증가되면서 과거에 발생되었던 강우 사상을 초과하는 극한 강우로 인한 도시 홍수(Flooding) 및 침수(Inundation)에 따른 피해가 증가하고 있다. 이러한 문제를 해결하기 위하여 도시개발 과정에서 초래될 수 있는 물 순환 왜곡현상을 예방하기 위한 녹지 공간 구축방안을 제시하고 있다. 그러나 국내 개발 상황 및 토지이용 등으로 많은 어려움을 겪고 있는 실정이다. 이에 따라 지속 가능한 도시개발과 녹색 공간 확보를 위한 물 공급, 배수 및 하수정비에서 물 순환(Water cycle)과 물민감도시(Water Sensitive Urban)로의 물 관리 패러다임이 변화되고 있다(Brown et al., 2007). 우수유출수 발생원 관리, 기존 인프라시설의 그린 인프라화, 우수의 자원화 등 저영향개발(Low Impact Development, LID)이 이뤄지고 있다(MOLIT, 2016). 특히, 기후 변화에 따른 규모와 빈도 변화로 도심유역에서는 유출에 의한 침수 피해가 빈번하게 발생하고 있으며, 최근 미래 기후변화 시나리오를 적용한 미래 강수 및 기온이 크게 변화될 것으로 전망되고 있다(Park et al., 2013).

과거 수문자료를 바탕으로 각각 현재와 미래에 적합한 LID 기법을 찾아내는 연구가 대다수 이루어지고 있으나, 미래 기후변화 시나리오는 예측자료로써, 불확실성이 매우 크다. 특히, 우리나라는 지형학적 특성이 기후에 미치는 영향이 매우 크므로 지역별 기후 모형에 대한 적용이 요구되기 때문에 LID 기법을 기후변화 시나리오에 적용하는 데에는 한계가 있다. 이러한 기후변화의 불확실성을 정량화하기 위한 여러 가지 방법 중에서 가장 일반적인 방법은 기후변화 시나리오와 GCMs 모델간의 앙상블(ensemble) 조합을 통하여 불확실성을 제거하는 것이다.

우리나라의 상세 기후를 모형화하기 위하여 통계적 및 역학적 상세화가 요구되는데, Cho et al. (2018)은 ADSS (APCC Data Service System)에서 제공하는 한반도 기후변화 시나리오 자료와 연동이 되는 AIMS (APCC Integrated Modeling Solution, http://aims.apcc21.org/)를 이용하여 한반도 60개 지점에 대한 상세화 자료를 생산하였다. 또한 LID 연구의 경우, 다양한 기법의 조합 등이 고려되어야 하므로 모델링 등에서 많은 시간과 노력이 요구되었는데, 기후를 이용한 평가 방법은 미래 기후에 대한 LID 기법에 대한 효용성 등을 확인하기 어렵다는 단점이 있었다. 그러나 최근 SWMM (Storm Water Management Model)에 LID 기법이 추가되어 모형을 이용한 LID 기법의 선정 및 적용이 간편하고 용이해 졌다(Lewis, 2010).

또한 전 세계적으로 자연재해 피해를 예측하고 감소시키려는 많은 연구가 이루어지고 있으며, 이에 대한 피해를 보다 정확히 파악하고 예측하기 위하여 자연재해에 대한 시뮬레이션을 통한 정확한 평가가 동반되어야 한다(Han et al., 2015). 따라서 적절한 수자원관리를 위해서는 과거 기후변화 양상을 파악하고, 미래 기후변화 시나리오를 반영함으로써 적절하게 기후변화에 대응하여 수자원관리를 수행하는 것이 필요하다.

따라서, 본 연구에서는 LID 기법의 적용이 용이한 유역을 선정하여 LID 요소기술의 적용 전·후에 따른 유출량 변화를 수문모형(SWMM)을 이용하여 분석하였다. 또한 정밀한 해상도를 갖는 대표농도경로인 RCP (Representative Concentration Pathway) 4.5와 8.5 시나리오를 이용하여 미래 기후 변화에 따른 유출 분석 및 전지구기후모형(Global Climate Models, GCMs)별로 LID 요소기술을 적용했을 때 Historical 수준의 유출량으로 저감되는 최적 모델을 선정하여 물순환 효율성을 파악하였다.

2. 연구방법

2.1 연구 대상유역

본 연구의 대상지역인 청계천 유역 효자배수분구는 총 유역면적이 약 5.3 km2이며, 유역 총 면적의 24.1%는 민간시설, 5.9%의 공공·교육시설, 8.4%의 교통·기반 시설, 그리고 61.6%의 공원·녹지 시설로 구성되어 있다(Fig. 1). 유역의 상류부는 14.8%의 매우 급한 경사를 이루고 있는 산지이며, 중류부 부터 도시화가 진행되어 하류부는 완전히 도시화된 전형적인 도시 배수분구로 짧은 홍수도달시간을 갖고 있는 유역이다(Kim, 2011). 또한 대부분의 주택 등 도시 시설이 저지대에 몰려 있으며, 특히 저지대는 거의 대부분의 지역이 여름철 집중호우로 인한 홍수에 취약한 구조로 되어 있다. 따라서 집중호우 발생시 강우에 의한 유출량이 저지대로 몰려 침수되는 현상이 잦으며, 해마다 상습적 침수피해가 발생되고 있다. 그 원인으로는 광화문 네거리 간선암거 통수단면 축소 및 각종 손실과 경복궁역 주요 간선 처리용량 부족 등이 있다(Seoul, 2013).

따라서 본 연구에서는 대표농도경로를 뜻하는 RCP 시나리오에 따라 강수량의 증가로 인하여 도심에서 발생되는 유출량이 LID 요소기술의 도입에 따라 저감되는 효과를 분석하는데 적합하다고 판단되어 청계천 유역의 효자배수분구를 대상유역으로 선정하였다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F1.jpg
Fig. 1.

Study area : Hyoja drainage subbasin in Cheonggyecheon basin, Seoul

2.2 기후변화 시나리오

기후변화 시나리오란 인간의 인위적인 활동에 의하여 기인한 온실가스, 에어로졸, 토지이용 상태 등의 변화에 의하여 기후변화 예측모델을 이용하여 계산한 기온, 강수, 습도, 바람 등 미래기후에 대한 예측정보를 말한다(Lee, 2019). 대표농도경로를 뜻하는 RCP 시나리오는 인간 활동이 대기에 미치는 주요 원인으로 온실가스 농도에 따라 Table 1과 같이 2.6(인간 활동에 의한 영향을 지구 스스로가 회복 가능한 경우), 4.5(온실가스 저감 정책이 상당히 실현되는 경우), 6.0(온실가스 저감 정책이 어느 정도 실현되는 경우), 8.5(현재 추세(저감없이) 온실가스가 배출되는 경우)로 구분된다(http://www.climate.go.kr). 기후변화 연구에서는 주로 현재 추세(저감없이)의 온실가스가 배출되는 RCP8.5 시나리오를 이용하고 있으며(Ishida et al., 2014; Lagos-Tuniga and Vargas, 2014; Choi et al., 2015; Lee et al., 2016), 본 연구에서도 LID 요소기술 적용에 따른 유출량 변화를 분석하기 위하여 RCP8.5 시나리오를 이용하였다.

Table 1.

Types of RCP scenarios (IPCC, 2013)

Type Forcing compared to 1750
(Wm-2)
Climate policy associated
with scenario
CO2 Equivalent Projected global average temperature
increase from 1986-2005 (℃)
RCP2.6 2.6 Mitigation 475 1.0
RCP4.5 4.5 Stabilization 630 1.8
RCP6.0 6.0 Stabilization 800 2.2
RCP8.5 8.5 None 1313 3.7

2.3 GCMs 모델 선정 및 편이보정

일반적인 기후변화 연구는 관측 자료를 바탕으로 한 통계적 추이 분석과 더불어 미래기간에 대한 GCMs 모델의 산출물을 활용하여 미래 기후정보를 생산하는 과정을 시작으로 수행된다. GCMs 모델은 시·공간적 특성 변화나 모델 간 성능차이에 따라 다양한 결과가 도출되는 등 많은 불확실성 요소를 갖고 있기 때문에 분석 목적에 따른 적절한 상세화 기법의 선정이 필요하다(Yeom et al., 2019).

본 연구에서는 Seo and Kim (2018)의 연구에서 강수량의 시·공간적 기후 특성의 재현성을 평가하여 우수한 것으로 선정된 27개의 GCMs 모델을 선정하였다. 그리고 27개의 GCMs 모델 중 RCP 8.5 시나리오에서 한강유역에 수문학적 변화에 적용성이 검증되고 가장 적합한 것으로 나타난 5개의 GCMs 모델을 최종적으로 선정하였다(Table 2). 또한 편이보정을 위하여 SDQDM (Spatial Disaggregation with Quantile Delta Mapping) 방법을 이용하였다. SDQDM 방법은 주위 GCM 격자들의 값을 역거리가중법(Inverse Distance Weighted, IDW)을 이용하여 내삽을 한 후, 자료의 Quantile별로 원시 GCM에서 전망된 미래기간에 대한 변화율을 유지시키며 편이보정을 하는 통계적 방법이다. 따라서 SDQDM의 방법은 평균뿐만 아니라 극값에 해당되는 범위 대해서도 원시 GCM에서 갖고 있는 장기추세의 왜곡을 최소화하여 고려할 수 있는 장점이 있다(Cho et al., 2018).

Table 2.

List of climate models used in this study (Seo and Kim, 2018)

No GCMs Resolution (Degrees) Institution
1 GFDL-ESM2M 2.500 × 2.023 Geophysical Fluid Dynamics Laboratory
2 NorESM1-M 2.500 × 1.895 Norwegian Climate Centre
3 INM-CM4 2.000 × 1.500 Institute for Numerical Mathematics
4 CMCC-CM 0.75 × 0.748 Centro Euro-Mediterraneo per I Cambiamenti Climatici
5 MRI-CGCM3 1.125 × 1.122 Meteorological Research Institute

2.4 LID 요소기술 선정

LID 요소기술은 자연 상태와 유사한 수리‧수문특성을 발휘할 수 있도록 저류, 침투, 여과 등의 기능을 통해 도심 물순환 체계를 관리하는 시설 및 설계방법을 말한다. 대표적인 LID 요소기술에는 옥상녹화, 투수성포장재, 식물재배화분, 나무여과상자, 건식우물, 모래여과장치, 빗물통, 빗물정원 등이 있다. LID 기술요소들이 실제 적용될 시에는 단일 기능이 아닌 복합적인 기능을 수행하게 된다. 예를 들어, 빗물정원의 경우 여과, 체류, 침투 세 가지 기능이 동시에 이루어지게 되며 이러한 복합적인 기능을 통해 효율적인 도심 물순환 관리가 가능하다(Yoon, 2019). 그리고 개별 LID 요소기술별 강우-유출량 저감효과는 식생체류지 25 ~ 50%, 옥상녹화 45 ~ 60%, 투수성포장 45 ~ 75%, 식생수로 10 ~ 20%, 침투시설 50 ~ 90% (CWPCSN, 2008)로 보고되고 있다.

투수성 포장은 도시 내 포장도로의 면적은 건물이 차지하는 면적의 약 2배가 될 정도 많은 비중을 차지하고 있다(Curtis and Bruce, 2012). 직접 포장체를 통해 빗물을 하부 지층으로 침투시키는 기능을 가지며, 투수성 포장체 하부는 여과층, 침투수의 일시 저류 기능을 하는 자갈층과 섬유여과층 및 적정 침투율을 갖는 토양층으로 구성되어 있다. 또한 LID 요소기술에서도 투수성포장은 다양한 도시의 광범위한 지역에서 시공 되고 있다. 그리고 도시에서 보도 및 주차장의 시공 재료로 높은 적용성을 나타내며, 우수를 토양에 저류 및 침투시켜 우수한 유출저감효과를 기대할 수 있다(Ferguson, 2005). 그러나 투수성포장은 미세먼지 발생 및 폐색이 발생할 수 있으므로 유지 및 관리가 필요하다.

옥상녹화는 도심에서 건물의 옥상에 옥상녹화를 조성하여 정원 내 매개층인 토양층과 자갈층을 이용하여 유출 저감, 식물에 의한 증발산을 통하여 유출 저감, 도심의 열섬현상 예방 및 휴게공간을 제공하여 도시민의 쾌적한 도심환경을 제공할 수 있다. 또한 중소규모의 강우에 대하여 효과적인 유출수 관리가 가능하다. 지붕에서 여과된 강우량을 대상으로 특별히 설계된 배수매트 위에 형성된 토양층으로 구성되어있으며, 식생체류장치의 변형된 물순환 개선 시설이다.

침투도랑은 자갈 등으로 채워진 도랑 형태의 처리시설로 우수유출수가 도랑을 통해 흐르는 동안 공극에 의한 흡착‧침전, 침투에 의해 오염물질을 처리하는 시설이다. 미립 토사 및 그와 관련된 오염물질을 제거하는데 효과적이며, 배수능이 낮은 토양이 있는 지점에 적용하면 유용하다. 그리고 침투도랑에서 확보한 유량이 아래의 토양층으로 침투할 수 있도록 공간과 시간을 확보하는 물순환 개선 시설이다.

따라서 본 연구에서는 도시유역에 적합하다고 판단되는 투수성포장, 옥상녹화 및 침투도랑의 LID 요소기술을 적용하여 미래 기후변화 시나리오에 따른 유출량 저감율에 대하여 분석하였다.

2.5 SWMM을 이용한 유출분석

SWMM은 1971년 미국 EPA의 지원 아래 Metcalf and Eddy사가 Florida대학교 및 Water Resources Engineers사와의 공동연구로 개발하였다. SWMM은 도시지역의 수문학적 순환에서 유량과 수질 프로세스를 모의하기 위해 설계하였고, 유출 모의는 RUNOFF BLOCK, EXTRAN BLOCK, TRANSPORT BLOCK으로 구성되며, RUNOFF BLOCK을 통하여 배수구역 유출에 대한 수문곡선 및 오염도 곡선이 추적된다(Lee, 2006). 그리고 SWMM은 도시유역에 적용할 수 있으며, 단일 및 연속 강우사상에 대한 모의가 가능하고, 배수구역의 결합과 분리가 가능한 특징이 있다(Cho, 2012; Park et al., 2013). 다음 Fig. 2는 SWMM의 구성을 간략히 도시한 것이다.

본 연구에서는 지표유출에 대한 모의 및 분석이 가능한 분포형 강우유출모형으로서 많은 선행 연구를 통하여 범용성이 확인된 SWMM을 이용하여 유역 모델링을 수행하였다. 대상 유역에서 강우에 따른 지표유출을 모의하기 위하여 RUNOFF Block을 이용하였다(Fig. 2).

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F2.jpg
Fig. 2.

EXECUTIVE block

SWMM-LID모형은 SWMM모형에 LID 빗물관리시설의 수문영향분석 기능이 추가되었으며, 미국환경보호국(EPA)에서 기존 SWMM모형에 식생체류지, 습지, 침투트렌치, 침투정, 식생도랑, 투수성포장, 옥상녹화 등의 LID시설 모의가 가능하도록 개발된 모형이다. 침투·저류시설 및 LID계획요소의 정량적인 수문영향 평가가 가능하다. Fig. 3은 SWMM-LID 모형에서 제공하는 요소기술에 대한 모식도를 나타낸 것이다.

SWMM-LID Control에서 모의 가능한 LID 기법은 저류장치(Bio-retention of Cells), 공극성 포장(Porous Pavement), 침투트렌치(Infiltration Trenches), 옥상녹화(Green Roof), 식생도랑(Vegetative Swales) 등이 있으며 입력 layer는 Surface layer, Pavement layer, Soil layer, Storage layer, Underdrain layer로 구성되어 있다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F3.jpg
Fig. 3.

Concept diagram of SWMM-LID

2.6 모형 구축 및 매개변수 설정

SWMM의 입력자료인 우수관망도는 서울시 우수관망 도시지리정보시스템(Urban Information System, UIS) 자료를 이용하였으며, 소유역 분할은 유역의 경사 및 건물 등을 고려하였다. 구분된 소유역은 총 293개이며, 개별 소유역에 대한 토지이용도, 정밀토양도를 검토하여 소유역별 유출곡선지수를 산정하여 입력 자료를 구축하였다.

SWMM 구축에 있어 입력 매개변수는 물리적 매개변수(physical parameters)와 수문학적 매개변수(hydrological parameters)로 구분할 수 있다. 물리적 매개변수는 소유역의 면적, 유역의 평균경사, 불투수지역의 면적 등 소유역 관련 매개변수와 하도 및 관망의 길이, 관경, 또는 하도의 폭, 하도의 경사 등 배수체계 관련 매개변수 등이다. 수문학적 매개변수들로는 투수 및 불투수유역의 Manning 조도계수와 하도 및 관망의 Manning 조도계수, 지표면 저류(depression), 침투관련 매개변수들, 그리고 유역폭(characteristic width) 등이 있다.

본 연구에서는 유역의 수문학적 토양군, 토지피복유형, 토지피복처리상태, 수문학적 조건, 불투수 면적, 선행함수조건 등 물리적・수문학적 매개변수에 대한 고려가 가능하다고 알려진 유출곡선지수(CN)과 조도계수(Roughness coefficient)를 이용하여 유출량을 산정하였다.

매개변수의 적용은 먼저 전체유역 중 전원지역을 제외한 나머지 지역에 대하여 소배수구역별로 토양의 종류 및 지표의 이용 상태를 고려하여 산정된 유출곡선지수(CN)값을 10 ~ 90%까지 감소시켰다. 그리고 흐름이 있는 경계면의 거친 정도를 나타내는 조도계수(Roughness coefficient)는 투수 지역 0.030, 불투수 지역은 0.017을 적용하였다. Table 3에 매개변수를 정리하였다.

Table 3.

Input parameters for SWMM model

Division

Parameters

Pervious area Impervious area
CN CN < 100 100
Roughness 0.030 0.017

2.7 LID 요소기술 적용을 위한 가중치 산정

GCMs 모델별 LID 요소기술을 가중치에 따라 다르게 적용하였으며, LID 요소기술에 적용한 가중치의 조합을 다음 Table 4와 같이 다양하게 하여 시나리오별 유출량을 산정하였다. 가중치 적용은 각 소유역별 면적에 Table 4에 산정된 가중치만큼 LID 요소기술에 곱하여 각 GCMs 모델에 적용하였다. 그리고 GCMs 모델별 산정된 유출량을 비교하여 Historical과 유출량이 비슷한 GCMs 모델을 선정하였다.

Table 4.

Weighted values of LID facilities for SWMM model

Index Porous pavement Green roof Infiltration ditch
Weighted value 1/3 1/3 1/3
2/3 1/3 0
2/3 0 1/3
0 2/3 1/3
0 1/3 2/3
1/3 0 2/3
1 0 0
0 1 0
0 0 1

GCMs 모델별 LID 요소기술의 적용에 따른 가중치 분석과 같이 다수의 지표를 활용하여 조합할 때에는 각 지표의 중요도를 포함하고 있는 신뢰성 있는 가중치 산정 방법이 필요하다. 그 중 주성분분석(Principal Component Analysis, PCA)은 비교적 객관적이고 정량적인 방법으로 자주 활용되고 있다(Han et al., 2015).

본 연구에서는 Zongxue et al. (1998)이 사용한 동일한 가중치를 부여하는 방법과 더불어 PCA를 이용한 가중치 부여 방법으로 GCMs 모델별 LID 요소기술 적용에 따른 가중치를 계산하였다. PCA는 상관관계가 높은 변수들의 선형결합을 이용하여 복합지수를 구성하는 다변량 분석으로써 원자료 또는 표준화된 자료에 적용되고 있다. 즉, 각 지표들이 비슷한 평균과 표준편차를 갖도록 변환하여 분포의 상이함에서 오는 왜곡을 최소화할 수 있다. 따라서 각 주성분 점수에 주성분별 기여율인 분산 설명량을 곱한 뒤 모두 더하는 PCA방법으로 기후변화 모델별 LID 요소기술 적용에 따른 가중치를 산정하였다.

2.8 모형의 검‧보정

모형의 검‧보정을 위하여 Table 5와 같이 17년부터 19년에 관측된 강우 및 유출량 자료를 적용하였다. 그리고 Fig. 4는 관측값과 모의값의 결과를 도시한 것이다.

Table 5.

Precipitation event

Division Date Total Precipitation (mm) Precipitation duration (hr)
(a) 2017.08.15. 00:00 ~ 2017.08.16. 08:00 94.0 22
(b) 2018.08.28. 10:00 ~ 2018.08.29. 05:10 96.5 12
(c) 2019.09.10. 00:00 ~ 2019.09.11. 06:00 63.0 27
http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F4.jpg
Fig. 4.

Runoff analysis for calibration and verification of SWMM model

모형의 적합성 평가를 위하여 실측치와 모의치 사이의 선형관계를 정량적으로 나타내는 지표로써 0 ~ 1의 범위에서 선형관계가 나타날수록 1에 가까운 수치를 나타내는 coefficient of determination (R2), 유출량, 유사량, 영양물질의 보정 등 수문‧수질 모델링 분야에서 널리 이용되는 통계적 지표인 편차의 제곱근의 비율(Nash-Sutcliffe Efficiency; NSE) 등이 있다. 본 연구에서는 모형의 검 ․ 보정을 위하여 다음 Eq. (1)과 Eq. (2)를 적용하였다.

\begin{array}{l}R^2=\left(\frac{{\displaystyle\sum_{t=1}^N}\left(q_t^{obs}-q_{mean}^{obs}\right)\left(q_t^{sim}-q_{mean}^{sim}\right)}{\sqrt{{\displaystyle\sum_{t=1}^N}\left(q_t^{obs}-q_{mean}^{obs}\right)^2}\;\sqrt{{\displaystyle\sum_{t=1}^N}\left(q_t^{sim}-q_{mean}^{sim}\right)^2}}\right)^2\\\\Optimal\;Value\;:\;1,\;Range\;:\;0\;\sim\;1\end{array} (1)
\begin{array}{l}NSE=1-\frac{{\displaystyle\sum_{t=1}^N}\left(q_t^{obs}-q_t^{sim}\right)^2}{{\displaystyle\sum_{t=1}^N}\left(q_t^{obs}-q_{mean}^{obs}\right)^2}\\\\Optimal\;Value\;:\;1,\;Range\;:\;-\infty\;\sim\;1\end{array} (2)

여기서, qtobs는 관측유량 시계열, qtsim는 계산유량 시계열, qmeanobs은 관측유량 평균값, qmeansim은 계산유량 평균값, N은 시계열 값의 개수이다.

또한 구축된 SWMM의 평가를 위하여 Moriasi et al. (2015)이 제안한 R2와 NSE의 평가 기준을 적용하였다(Table 6).

Table 6.

Statistical verification standards for hydrological model (Moriasi et al., 2015)

Performance Rating Very Good Good Satisfactory Unsatisfactory
R2 R2 > 0.85 0.75 < R2 ≤ 0.85 0.70 < R2 ≤ 0.75 R2 ≤ 0.70
NSE NSE > 0.80 0.70 < NSE ≤ 0.80 0.50 < NSE ≤ 0.70 NSE ≤ 0.50

Table 7은 R2와 NSE의 결과를 정리한 것으로, R2의 경우 (a)는 “매우 좋음”, (b)와 (c)는 “좋음”으로 분석되었고, NSE의 경우 (a), (b), (c) 모두 “매우 좋음”으로 분석되었다.

Table 7.

Conformity assessment result by precipitation event

Division Date R2 NSE
(a) 2017.08.15. 00:00 ~ 2017.08.16. 08:00 0.92 0.90
(b) 2018.08.28. 10:00 ~ 2018.08.29. 05:10 0.82 0.81
(c) 2019.09.10. 00:00 ~ 2019.09.11. 06:00 0.84 0.81

3. 결과 및 고찰

도심유역에서 발생되는 강우에 의한 유출량 저감을 위하여 강우 기간에 따라 Historical (1980 ~ 2005)과 Future (2046 ~ 2075)로 구분하였으며, Historical 대비 Future 강우의 증가에 따른 유출량의 변화를 분석하였다. 그리고 SWMM 모형에 LID 요소기술을 적용하여 Historical을 현재시점으로 가정하고, 강우에 의해 발생된 유출량과 LID 요소기술이 적용된 Future 강우에서 발생된 유출량을 비교하였다. 먼저 구축한 자료를 이용하여 1) Historical 및 Future 강수량에 의한 유출량 및 2) Future 강수량 적용시 GCMs 모델별 LID 요소기술 적용에 따른 유출 특성에 대하여 모의 및 분석하였다. 이를 바탕으로 현재시점에 가장 근접한 유출량을 도출하여 최적 GCMs 모델과 이에 적합한 LID 요소기술의 적용성을 파악하였다.

3.1 강수량에 따른 유출량 분석

기후변화에 따른 미래 유출량 변화를 알아보고, LID 요소기술을 적용하여 현재와 같은 수준의 유출량을 모의하기 위하여 Fig. 5와 같이 RCP4.5에 의한 강수량을 Historical 및 미래 기후변화 시나리오인 RCP8.5에 의한 강수량을 Future로 정의하였으며, 각 GCMs 모델별 연 강수량 변화에 대하여 비교하였다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F5.jpg
Fig. 5.

Averaged annual precipitation simulated by each climate change model (RCP8.5)

기간 및 시나리오별 연 강수량 변화는 Historical의 GFDL-ESM2M 모델의 경우 연 강수의 평균값은 988.22 mm (최소 589.14 mm, 최대 1,699.82 mm, 표준편차 228.29 mm)로 분석되었다. NorESM1-M 모델의 경우 연 강수의 평균값은 1,032.04 mm (최소 660.30 mm, 최대 1,732.59 mm, 표준편차 310.08 mm)이었으며, INM-CM4 모델의 경우 연 강수의 평균값은 993.44 mm (최소 594.87 mm, 최대 1,741.02 mm, 표준편차 229.71 mm)로 분석되었다. CMCC-CM 모델의 경우 연 강수의 평균값은 1,018.55 mm (최소 564.70 mm, 최대 1,816.21 mm, 표준편차 308.31 mm)로 분석되었다. MRI-CGCM 모델의 경우에 연 강수의 평균값은 1,033.67 mm (최소 653.22 mm, 최대 1,350.66 mm, 표준편차 157.88 mm)로 분석되었다.

RCP8.5 시나리오의 GCMs 모델 중 GFDL-ESM2M 모델의 경우 연 강수의 평균값은 1,092.78 mm (최소 711.38 mm, 최대 1,621.49 mm, 표준편차 253.09 mm)로 분석되었다. NorESM1-M 모델의 경우 연 강수의 평균값은 1,240.69 mm (최소 616.09 mm, 최대 2,137.01 mm, 표준편차 335.96 mm)로 분석되었다. INM-CM4 모델의 경우 연 강수의 평균값은 1,028.74 mm (최소 544.34 mm, 최대1,721.89 mm, 표준편차 301.03 mm)로 분석되었다. CMCC-CM 모델의 경우 연 강수의 평균값은 1,123.41 mm (최소 546.82 mm, 최대 1,636.96 mm, 표준편차 309.77 mm)로 분석되었다. MRI-CGCM3 모델의 경우 연 강수의 평균값은 1,051.70 mm (최소 702.11 mm, 최대 1,681.57 mm, 표준편차 245.19 mm)로 분석되었다. Table 8은 위 내용을 정리한 것이다.

Table 8.

Statistics analysis of simulation result for each model (unit : mm)

GCMs

Scenario

GFDL-ESM2M NorESM1-M INM-CM4 CMCC-CM MRI-CGCM3
Historical mean 988.22 1,032.04 993.44 1,018.55 1,033.67
min 589.14 660.30 594.87 564.70 653.22
max 1,699.82 1,732.59 1,741.02 1,816.21 1,350.66
stdev 228.29 310.08 229.71 308.31 157.88
Future mean 1,092.78 1,240.69 1,028.74 1,123.41 1,051.70
min 711.38 616.09 544.34 546.82 702.11
max 1,621.49 2,137.01 1,721.89 1,636.96 1,681.57
stdev 253.09 335.96 301.03 309.77 245.19

Fig. 6은 GCMs 모델별 Historical 대비 Future 시나리오의 평균 강수량에 대하여 정리한 것이다. GFDL-ESM2M 모델의 경우 평균 강수량이 9.58% 증가하였으며, NorESM1-M 모델은 평균 강수량이 16.84%로 가장 크게 증가하였다. INM-CM4 모델은 3.45%, CMCC-CM 모델은 약 9.34% 증가하였으며, 그리고 MRI-CGCM3 모델은 1.73%로 평균 강수량의 증가율이 가장 낮은 것으로 분석되었다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F6.jpg
Fig. 6.

Comparison of averaged precipitation between historical and future scenarios for each model

Fig. 7은 월 평균 강수량을 나타낸 것으로 우리나라의 주요 강수 시기인 여름철이 동아시아 몬순(East Monsoon)시스템의 일부로 연 총 강수량의 약 30%를 차지하며, 기후변화에 따라 현재 5 ~ 10% 정도 증가할 것으로 예측되고 있어 여름철 강수량에 대한 중요성은 지속적으로 대두될 것이다(Bae et al., 2012). 또한 Fig. 7을 통하여 우리나라 강수량 특성상 계절적 변동성이 큰 여름철(7 ~ 8월)에 가장 많은 강수량이 집중되어 있는 것을 확인할 수 있다. 따라서 계절적 특성을 고려하여 여름철 홍수 및 집중호우에 대한 적응 대책 마련을 위한 연구가 필요하다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F7.jpg
Fig. 7.

Monthly averaged precipitation simulated by RCP8.5 which models

SWMM 모형을 이용한 대상유역에서의 유출량 분석 결과 각 GCMs 모델별 강수량 변화에 따른 유출은 Historical 대비 Future 시나리오에서 모두 증가하는 것으로 분석되었다. NorESM1-M 모델에서 51.48 백만 m3 (40.2%)으로 가장 많이 증가하였고, CMCC-CM 모델은 35.27 백만 m3 (28.1%), GFDL-ESM2M 모델은 34.00 백만 m3 (27.8%), INM-CM4 모델은 24.74 백만 m3 (20.1%), 그리고 MRI-CGCM3 모델은 21.78 백만 m3 (17.0%) 순서로 유출량이 증가하는 것으로 분석되었다. 그리고 각 모델별 유출량 변화에 대하여 Fig. 8과 Table 9에 정리하였다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-08/N0200530802/images/kwra_53_08_02_F8.jpg
Fig. 8.

Comparison of runoff between historical and future scenarios for each model

Table 9.

Simulated total runoff with historical and future precipitation by GCMs (unit : 106 m3)

GCMs

Scenario

GFDL-ESM2M NorESM1-M INM-CM4 CMCC-CM MRI-CGCM3
Historical 122.17 128.16 123.13 125.33 127.97
Future 156.17 179.64 147.87 160.60 149.75

3.2 기후변화 시나리오에 따른 모의 결과

앞 절에서 분석된 유출량 결과를 바탕으로 Future 강수량을 이용하여 대상유역에 LID 요소기술의 적용에 따른 유출 특성에 대하여 모의하였다. 그 결과 LID 요소기술 적용율에 따른 총 일강수량 대비 유출량 변화는 다음 Table 10과 같다.

Table 10.

Runoff analysis by climate change scenario and LID application for each model (unit : 106 m3)

GCMs

Scenario

GFDL-ESM2M NorESM1-M INM-CM4 CMCC-CM MRI-CGCM3 Rank
Future 156.17 179.64 147.87 160.60 149.75 -
P0.3_G0.3_I0.3 136.52 160.73 129.37 141.08 129.77 6
P0.6_G0.3_I0.0 135.78 160.08 128.72 140.33 129.01 5
P0.6_G0.0_I0.3 126.18 150.81 119.67 130.79 119.25 3
P0.0_G0.6_I0.3 146.81 170.60 139.03 151.31 140.23 8
P0.0_G0.3_I0.6 136.60 160.79 129.50 141.16 129.88 7
P0.3_G0.0_I0.6 126.32 150.92 119.84 130.93 119.41 4
P1.0_G0.0_I0.0 125.34 150.11 118.98 129.99 118.44 1
P0.0_G1.0_I0.0 156.42 179.88 148.09 160.86 150.01 9
P0.0_G0.0_I1.0 126.01 150.63 119.66 130.62 119.15 2

* P = Porous pavement, G = Green roof, I = Infiltration ditch

** 0.0 = 0 of the total area, 0.3= 1/3 of the total area, 0.6= 2/3 of the total area

LID 요소기술의 적용 결과 GCMs 모델별 Future 유출량 대비 우수한 유출 저감 효과를 나타내는 첫번째는 대상유역 전체에 투수성포장을 적용(시나리오 7)하는 것과 두번째는 침투도랑을 적용(시나리오 9)하는 것으로 분석되었다. 그러나 도심 유역에서 LID 요소기술을 적용할 수 있는 면적에 100% 투수성포장 또는 침투도랑만을 적용시키는 것은 향후 유지관리 측면에서도 무리한 계획으로 판단된다. 그리고 3번째와 6번째 시나리오의 경우 투수성포장과 침투도랑을 유역 면적에서 각 2/3와 1/3, 1/3과 2/3를 적용시키는 것인데, 이것 또한 앞에서 기술한 바와 같이 도심 전체에 투수성 LID요소기술만 적용시킨다는 것은 현실적으로 무리가 있는 시나리오라고 판단된다.

따라서, 옥상녹화가 도심유역 면적의 1/3만큼 적용되어 있는 첫 번째 또는 두 번째 시나리오의 LID 요소기술 적용율이 가장 적정하다고 판단된다. 그 이유는 옥상녹화의 적용으로 강우에 의한 유출량 발생시 건물의 옥상에서 도심 지표까지의 유출량에 대한 지체시간을 확보할 수 있기 때문이다. 또한 구도심 지역에 LID 기법을 적용할 경우 경제적 비용, 유지관리 및 도심 경관 등을 고려했을 때 가장 적정할 것이라고 판단되기 때문이다.

한편 유역 전체에 옥상녹화만을 적용시켰을 경우(시나리오 8) GCMs 모델별로 0.13% ~ 0.17% 정도 유출량이 증가되는 현상이 나타났는데, 이것은 전체 유역 면적 152,512 m2에서 옥상녹화를 적용시킬 수 있는 면적이 143,844 m2로 전체 시나리오 중 LID 요소기술을 적용할 수 있는 총 면적이 가장 작은 것이기 때문으로 판단된다.

다음은 LID 요소기술을 적용하여 Historical 유출량에 해당하는 RCP8.5 시나리오에 가장 적합한 GCMs 모델을 찾기 위해 모의 결과를 분석하였다. Table 11은 GCMs 모델로 계산된 Historical 유출량과 LID 요소기술 적용율에 따라 모의된 Future 유출량과의 차이에 대한 비율을 나타낸 것이다.

Table 11.

Differences from historical surface-runoff between with LID facilities and without LID facilities (unit : %)

GCMs

Scenario

GFDL-ESM2M NorESM1-M INM-CM4 CMCC-CM MRI-CGCM3 Rank
Historical Runoff (106 m3) 122.17 128.16 123.13 125.33 127.97 -
P0.3_G0.3_I0.3 10.51 20.26 4.83 11.16 1.39 6
P0.6_G0.3_I0.0 10.03 19.94 4.35 10.69 0.81 5
P0.6_G0.0_I0.3 3.18 15.02 -2.89 4.18 -7.31 3
P0.0_G0.6_I0.3 16.78 24.88 11.44 17.17 8.75 8
P0.0_G0.3_I0.6 10.56 20.29 4.92 11.21 1.47 7
P0.3_G0.0_I0.6 3.28 15.08 -2.74 4.28 -7.16 4
P1.0_G0.0_I0.0 2.58 14.62 -3.48 3.59 -8.04 1
P0.0_G1.0_I0.0 21.90 28.75 16.86 22.09 14.69 9
P0.0_G0.0_I1.0 3.05 14.92 -2.90 4.06 -7.39 2

* P = Porous pavement, G = Green roof, I = Infiltration ditch

** 0.0 = 0 of the total area, 0.3= 1/3 of the total area, 0.6= 2/3 of the total area

LID 요소기술을 적용한 Future 시나리오에서의 각 모델별 유출량 차이는 GFDL-ESM2M 모델에서는 2.58% ~ 21.9%, NorESM1-M 모델에서는 14.62% ~ 28.75%, INM-CM4 모델에서는 -2.74% ~ 16.86%, CMCC-CM 모델에서는 3.59% ~ 17.17%, 그리고 MRI-CGCM3 모델의 경우에는 -8.04% ~ 14.69%의 유출량 차이가 발생되는 것으로 분석되었다.

특히 MRI-CGCM3 모델의 경우 LID 요소기술 도입에 따라 유출량이 Historical 보다 7.31% ~ 8.04% 더 감소하였으며, NorESM1-M 모델이 Historical 대비 시나리오별로 유출량 저감에 있어 가장 큰 차이를 나타내는 것으로 분석되었다. 따라서 우리나라의 한강유역에서는 선행 연구를 통하여 입증된 강수량의 시·공간적 재현성이 우수하며, RCP8.5 시나리오에서 한강유역을 잘 모의 하는 것으로 분석된 MRI-CGCM3 모델이 가장 적합한 것으로 판단된다.

또한 본 연구는 RCP8.5의 강수량에서 GCMs 모델별로 LID 요소기술을 적용했을 때, Historical 수준의 유출량으로 저감시키는 GCMs 모델을 찾는 것이 목표였기 때문에 Historical의 유출량 대비 7.31% ~ 8.04% 더 감소되는 결과를 나타낸 MRI-CGCM3 모델이 가장 적합한 것으로 판단된다. 그러나 본 연구에서는 많은 LID 요소기술 중 가장 많이 이용되는 3가지만 적용한 것으로 향후 LID 요소기술의 적용에 있어 다양한 종류의 LID 요소기술의 연계 적용 및 경제성, 그리고 유지관리 측면 등에 대한 추가적인 연구가 필요하다.

4. 결 론

본 연구에서는 도심 침수가 빈번하게 발생되는 청계천 효자배수분구 유역을 선정하고, 대표농도경로인 RCP 시나리오를 이용하여 미래 기후 변화에 따른 유출량을 분석하였다. 그리고 수문모형을 이용하여 GCMs 모델로부터 산정된 Historical과 Future 강수량을 이용하여 LID 요소기술 적용 여부에 따른 시나리오별 유출량 및 저감효과를 분석하였다. 그 결과는 다음과 같다.

1) 기후변화 시나리오인 RCP4.5를 Historical로, RCP8.5를 Future로 정의하였다. 그리고 한강 유역에 적합하다고 선정된 GFDL-ESM2M, NorESM1-M, INM-CM4, CMCC-CM, MRI-CGCM3의 5개 GCMs 모델을 이용하여 Historical과 Future에 대한 강수량을 산정하였다.

2) Historical 대비 Future의 연 평균 강수량은 GFDL-ESM2M은 104.56 mm, NorESM1-M은 208.65 mm, INM-CM4은 35.30 mm, CMCC-CM은 104.86 mm, 그리고 MRI-CGCM3은 18.03 mm 증가하였다. 연 평균 강수량 변화율은 GCMs 모델별로 GFDL-ESM2M은 9.58%, NorESM1-M은 16.84%, INM-CM4은 3.45%, CMCC-CM은 9.34%, MRI-CGCM3은 1.73% 로 분석되었다.

3) 지표유출에 대한 모의 및 분석이 가능한 SWMM을 이용하여 모델링을 수행하였다. Future 강수량과 투수성포장, 침투도랑 및 옥상녹화 3가지의 LID 요소기술을 적용하였다. LID 요소기술별로 적용된 가중치는 0, 1/3, 2/3 및 한 개의 LID 요소기술만 적용하여 가중치의 총 합은 1이 되도록 하였고, 이에 따른 유출량에 대하여 분석하였다. 그 결과 Historical 대비 Future 유출량은 GFDL-ESM2M은 2.58% ~ 21.90%, NorESM1-M은 14.62% ~ 28.75%, INM-CM4은 4.35% ~ 16.86%, CMCC-CM은 3.59% ~ 22.09%, MRI-CGCM3은 0.81% ~ 14.69% 증가하였다.

4) 그러나 투수성포장과 침투도랑의 적용 가중치가 각각 1.0 일 때 INM-CM4 모델과 MRI-CGCM3의 모델에서 Historical 유출량 대비 3.48%와 2.90%, 8.04%와 7.39%로 감소하여 효과가 가장 좋은 것으로 분석되었다. 또한 위의 두 가지 LID 요소기술을 조합한 경우에도 INM-CM4 모델은 2.89%와 2.74%, MRI-CGCM3 모델은 7.31%와 7.16%로 유출량이 저감되는 것으로 분석되었다.

5) LID 요소기술의 적용 결과, 옥상녹화가 도심유역 면적의 1/3정도 적용되는 것이 유출량에 대한 지체시간을 확보하는데 가장 효과적인 것으로 나타났다. 또한 구도심 지역에 LID 기법을 적용할 경우 경제적 비용, 유지관리, 도심경관의 순서로 우선순위를 고려하는 것이 바람직하다.

References

1

Bae, C.Y., Park, C., Kil, S.H., Choi, I.K., and Lee, D.K. (2012). "Analysis of urban runoff with LID application : Focused on green roofs and permeable pavement." Journal of Korea Planning Association, Vol. 47, No. 5, pp. 39-47.

2

Brown, R.R., Keath, N., and Wong, T. (2007). "Transitioning to water sensitive cities: Historical current and future transition states." In International Conference on Urban Drainage 2007, Iwa Publishing, pp. CD-Rom.

3

Center for Watershed Protection Technical Memorandum : The Runoff Reduction Method (CWPCSN) (2008). Appendix B - Derivation of runoff reduction rates for select BMPs. Center for Watershed Protection & Stormwater Network, pp. B1-B11.

4

Choi, Y.J., Sim, K.B., Kim, S.D., and Kim, E.S. (2015). "Trend analysis of 1-day probable maximum precipitation." Journal of Korea Society of Hazard Mitigation, Vol. 15, No. 1, pp. 369-375.

10.9798/KOSHAM.2015.15.1.369
5

Cho, E. (2012). The analysis of LID adaptation efficiency on urban basin based on SWMM-LID model. Master Thesis, Pusan National University.

6

Cho, J.P., Jung, I.G., Cho, W.I., and Hwang, S.W. (2018). "User-centered climate change scenarios technique development and application of Korean Peninsula." Journal of Climate Change Research, Vol. 9, No. 1, pp. 13-29.

10.15531/ksccr.2018.9.1.13
7

Curtis, H., and Bruce, W. (2012). "Low impact development technical guidance manual for puget sound." Washington Stats University Extension, Puget Sound Partnership Leading Puget Sound Recovery, U.S.

8

Ferguson, B. (2005). "Porous pavement." CRC Press, F.L., U.S.

10.1201/9781420038439
9

Han, S.R., Kang, N.R., and Lee, C.S. (2015). "Disaster risk evaluation for urban areas under composite hazard factors." Journal of the Korean Society of Hazard Mitigation, Vol. 15, pp. 33-43.

10.9798/KOSHAM.2015.15.3.33
10

Ishida, K., Kavvas, M.L., Jang, S., Chen, Z.Q., Ohara, N., and Anderson, M.L. (2014). "Physically based estimation of maximum precipitation over three watersheds in Northern California: Atmospheric boundary condition shifting." Journal of Hydrologic Engineering, Vol. 20, No. 4, pp. 04015014-1-7.

10.1061/(ASCE)HE.1943-5584.0001026
11

Intergovernmental Panel on Climate Change (IPCC) (2013). Climate change 2013. Cambridge University Press, Cambridge, U.K. and N.Y., U.S.

12

Jang, S.W., Seo, L., Kim, T.W., and Ahn, J.H. (2011). "Non-stationary rainfall frequency analysis based on residual analysis." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 39, No. 1, pp. 165-174.

13

Kim, H.S. (2011). A study on the decision of design magnitude for flood control of urban basin based on flooding characteristic values : A case study on the Hyoja drainage basin, located in Cheonggyecheon basin in Seoul. Master Thesis, Yonsei University, Seoul, Korea.

14

Korea Meteorological Administration (KMA) (2017). accessed 10 March 2020, <http://www.climate.go.kr>.

15

Lagos-Tuniga, M.A., and Vargas, M.X. (2014). "PMP and PMF estimations in sparsely-gauged Andean basins and climate change projections." Hydrological Sciences Journal, Vol. 59, No. 11, pp. 2027-2042.

10.1080/02626667.2013.877588
16

Lee, D.E. (2019). Analysis of runoff and flood inundation in the lower Mekong River basin due to climate change. Ph. D. dissertation, Kyungpook National University.

17

Lee, E.J. (2006). Runoff characteristics and nonpoin source pollution loads in an urban watershed using SWMM model. Master Thesis, Inje University.

18

Lee, O.J., Park, M.W., Lee, J.H., and Kim, S.D. (2016). "Future PMPs projection according to precipitation variation under RCP 8.5 climate change scenario." Journal of Korea Water Resources Association, Vol. 49, No. 2, pp. 107-119.

10.3741/JKWRA.2016.49.2.107
19

Lewis, A.R. (2010). "Storm water management model." User's Manual Version 5.0., EAP, pp. 1-285.

20

Ministry of Land, Infrastructure and Transport (MOLIT) (2016). To develop the verification methods of element technology and standardization plan for efficient application of LID.

21

Moriasi, D.N., Gitau, M.W., Pai, N., and Daggupati, P. (2015). "Hydrologic and water quality models: Performance measures and evaluation criteria." Transactions of the ASABE, Vol. 58, No. 6, pp. 1763-1785.

10.13031/trans.58.10715
22

Park, J.Y., Lim, H.M., Lee, H.I., Oh, H.J., and Kim, W.J. (2013). "Water balance and pollutant load analyses according to LID techniques for a town development." Journal of Korean Society of Environmental Engineers, Vol. 35, No. 11, pp. 795-802.

10.4491/KSEE.2013.35.11.795
23

Seo, S.B., and Kim, Y.O. (2018). "Impact of spatial aggregation level of climate indicators on a national-level selection for representative climate change scenarios." Sustainability, Vol. 10, No. 7, p. 2409.

10.3390/su10072409
24

Seoul Metropolitan Government (2013). Establishment of Urban Management Plan for Environmental Dimensions at the center of Cheonggyecheon.

25

Yeom, W.S., Park, D.H., Kown, M.S., and Ahn, J.H. (2019). "Prospects of future extreme precipitation in South-North Korea shared river basin according to RCP climate change scenarios." Journal of Korea Water Resources Association, Vol. 52, No. 9, pp. 647-655.

26

Yoon, E.H. (2019). Development of smart monitoring system and optical quality management method of hydrologic data focused on LID testbed. Ph. D. dissertation, Pusan National University.

27

Zongxue, X., Jinno, K., Kawanura, A., Takesaki, S., and Ito, K. (1998). "Performance risk analysis for Fukuoka watersupply system." Water Resources Management, Vol. 12, pp. 13-30.

10.1023/A:1007951806144
페이지 상단으로 이동하기