Research Article

Journal of Korea Water Resources Association. 30 November 2019. 931-940
https://doi.org/10.3741/JKWRA.2019.52.11.931

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구방법

  •   2.1 대상유역

  •   2.2 SWAT모형을 이용한 강우유출 해석

  •   2.3 GLUE를 이용한 불확실성 해석

  • 3. 연구결과 및 토의

  •   3.1 우도에 따른 매개변수의 분포

  •   3.2 SWAT 매개변수의 사후분포

  •   3.3 SWAT 모형의 불확실성 정량화

  •   3.4 소결론

  • 4. 결 론

1. 서 론

기후변화, 도시화 등 수문순환의 한 요소에 미치는 영향은 다른 요소에게로 전파되어 수자원관리를 더욱 어렵게 하고 있다. 한국의 수자원은 대부분 지표수에 의존하기 때문에 강우패턴의 변화는 한국 수자원관리에서 심각하게 고민해야 할 부분이다. 한국의 대부분 지표수관리는 댐과 보와 같은 수자원 인프라에 의해 운영되고 있다. 이러한 수자원관리에서 중요한 것은 언제 어떻게 사용될지에 대한 계획이 필요하다. 그러나 현실적으로 강우사상과 유출량과의 관계는 수문순환을 단순화한 다양한 수문모형의 결과에 근거하여 수자원관리 계획을 수립한다. 수문모형의 예측결과에 따라서 수자원 정책 및 계획이 달라질 수 있기 때문에 신뢰성이 있는 수문모형을 필요로 한다. 더욱이 기후변화와 도시화 때문에 달라지는 입력자료의 변동성은 수문모형의 더욱 높은 정확성을 요구한다.

수문모형은 유역기반으로 한 유역시스템의 관점으로 봤을 때 크게 결정론적(deterministic) 모형과 추계학적(stochastic) 모형으로 구분된다(Chow et al., 1988). 결정론적 모형은 자연현상을 물리적 개념을 기본으로 하여 수학적 개념의 유역시스템으로 수문현상을 모의하는 반면 추계학적 모형은 자연현상을 통계적 개념의 유역시스템으로 표현하여 수문현상을 모의한다. 이러한 구분은 수문현상을 모의하는데 접근 방식의 차이이고 어떤 모형이 더 우수하다고 말하기는 어렵다. 유역시스템의 관점으로 접근하는 수문모형은 일반적으로 입력자료와 매개변수의 조합으로 수문요소를 모의한다. 매개변수는 자연현상을 단순화하는 과정에서 생성된 인자로서 단순화된 수문모형으로 모의된 결과를 관측값에 가깝게 조정하는데 사용될 수 있다. 그러나 역으로 수문모형의 결과에 불확실성을 초래할 수 있다.

강우유출모형의 불확실성은 수자원관리의 장기계획이나 정책을 수립하는데 신뢰성 확보에 크게 기여 할 수 있다. 다양한 강우유출모형들 가운데 Soil and Water Assessment Tool (SWAT)은 Hydrologic Response Unit (HRU) 기반으로 강우유출을 모의하는 준분포모형으로 세계 많은 유역에 적용되어 왔다(Arnold et al., 1998; Neitsch et al., 2005). 다른 모형들과 마찬가지로 SWAT 모형은 강우와 유출의 관계를 조합하는 다양한 매개변수들이 내재되어 있다. 이러한 매개변수들은 모형 검정과정에서 관측치와 모의치와의 관계가 어떠한 목적함수를 만족하는 임계치에 도달했을 때 그 값들이 정해질 수 있다. 이와 관련하여 많은 선행연구가 검정과정에서의 목적함수의 역할에 대하여 언급하고 있으며, 결정계수(R2), 동의지수(Index of agreement), Nash-Sutcliffe efficiency (NSE), Percent bias (PBIAS), root mean square error (RMSE) 등 다양한 목적함수가 사용되어 왔다(Vrugt et al., 2003; Moriasi et al., 2007). 이러한 목적함수들은 불확실성의 범위를 다르게 결정할 수 있기 때문에 대상조건에 따라 신중히 목적함수를 선정할 필요가 있다(Zhang et al., 2011; Jung et al., 2014).

수문모형의 불확실성은 SUFI2 (Sequential Uncertainty FItting algorithm ver.2) (Yang et al., 2008) ParaSol (Parameter Solution)(Hapuarachchi et al., 2001) 등 다양한 방법으로 해석되어 왔다(Ter Braak, 2006; Vrugt and Robinson, 2007). 그 가운데 Beven and Binley (1992)에 의해 제안된 Generalized Likelihood Uncertainty Estimation (GLUE)은 과정이 간단하고 정형(formal) 우도나 비정형(informal) 우도를 사용할 수 있는 유연성 때문에 수문모형의 불확실성해석에서 많이 사용되어 왔다(Beven and Binley, 1992; Abbaspour et al., 2004; Jung and Merwade, 2012; Laloy and Vrugt, 2012). 그러나 SWAT모형은 우도함수와 목적함수의 임계치에 대한 선택은 불확실성 해석에서 주관적인 요소로 여겨지고 있다. 그러나 정형 우도의 적용이 어려운 조건에 비정형 우도를 적용할 수 있는 것은 GLUE의 장점이라 할 수 있다. 따라서 본 연구에서는 다양한 우도에 의하여 불확설을 평가할 수 있는 GLUE를 선택하여 정형 비정형 우도에 따른 SWAT 매개변수의 불확실성을 정량화하고자 한다. 이를 위해 갑천 유역에 대하여 정형 Lognomal 우도와 비정형 NSE 우도를 적용하여 SWAT모형의 매개변수에 대하여 불확실성 해석을 수행하였다.

2. 연구방법

2.1 대상유역

갑천 유역은 금강수계에 위치하고 대전광역시를 포함하고 있다. 갑천 유역은 대전광역시의 인구유입을 통하여 도시화가 진행되어 지난 20년동안 급속도로 개발되었고 2016년 현재 약 150만 명의 인구가 거주하고 있다. 특히, 갑천 유역은 농지와 산림이 과거 80% 이상 이였으나 2007년 이후 급속한 도시화에 따라 도시지역이 농지보다 더 높은 비율을 가지게 되었다(Kwon et al., 2016). 또한, 갑천 유역 주변에 위치하고 있는 세종특별자치시의 폭발적 인구증가 때문에 도시화가 급격히 진행 중이다. 미호천은 세종특별자치를 경유하여 금강본류에 합류하기 때문에 수문, 수질, 생태, 환경 및 수리학적 영향을 줄 수 있다. 금강본류의 갑천 합류지점이 금강본류의 미호천 합류지점보다 상류에 위치하기 때문에 금강본류에 대한 갑천 유역의 수문 및 수리학적 역할은 더욱 중요하다고 판단되어 본 유역을 연구대상지역으로 선정하였다. 대상유역은 불확실성 해석에서 갑천 유역을 최대한 포함할 수 있으며 모형에 대한 불확실성 해석을 수행하기 위해 필요한 유량자료가 이용가능한 갑천(불문교) 유량관측소를 배수구(outlet)로 선정하였다. 선택된 대상유역은 갑천 유역의 총 면적(649 km2)에서 약 99%에 해당되는 (644 km2)면적을 갖는다(Fig. 1(a)).

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F1.jpg
Fig. 1.

Study site

2.2 SWAT모형을 이용한 강우유출 해석

SWAT는 유출, 수질 및 유사를 모의할 수 있는 준분포형 강우유출 모형이다(Table 1). SWAT은 비영리로 배포되고 있기 때문에 다양한 강우유출 모형가운데 가장 많이 적용되는 모형가운데 하나이다. SWAT을 이용한 강우유출 모의는 강우, 바람, 습도, 태양 복사 및 온도와 같은 기상자료와 함께 토지이용과 토양유형을 공간적으로 표현할 수 있는 지도가 필요하다. 또한, SWAT모형의 검보정을 위해서 관측 유출자료가 필요하다. 본 연구대상지역 주변에 6개의 기상관측소가 존재하지만 30년 이상 자료를 보유하여 자료의 신뢰가 있다고 판단되는 기상청 소속의 대전 관측소와 금산 관측소의 기상자료를 이용하였다. SWAT은 이러한 기상자료의 공간적 영향을 고려하기 위해서 관측소 위치에 따른 Thissen망에 의하여 가중치를 주어 모의를 수행한다. 또한, SWAT은 잠재증발산량을 계산을 위해 세 가지 방법을 사용하는데 본 연구에서는 온도, 바람, 습도 및 태양복사량을 필요로 하는 Penman-Monteith 방법을 사용하였다. 수치표고모델은 국토교통부 국가공간정보포털(Korea National Spatial Infrastructure Portal, 2019)이 제공하는 30 m 공간해상도 자료를 이용하였으며 토지피복도는 환경공간정보서비스(Environmental Geographic Information Service, 2014)가 제공하는 2007년 자료를 사용하였다(Figs. 1(b) and 1(c)). 또한 검보정을 위하여 갑천(불문교)관측소의 8일 시간해상도를 가지는 유량자료를 사용하였다. 본 연구에서는 2011년에서 2016년까지를 대상기간으로 선정하여 강우유출모의 불확실성해석을 수행하였다. 또한, SWAT모형을 구성하는 매개변수가운데 12개의 매개변수를 선택하여 불확실성을 해석하였다(Table 2).

Table 1. Input and output of SWAT

Input Output
Temporal data precipitation daily/monthly/yearly runoff, soil erosion and water quality HRU
temperature
wind speed
solar radiation Subwatershed
relative humidity
Spatial data landuse Reach segment
soil
topography

Table 2. The selected SWAT parameters

No Parameters Definition Min Max
1 ALPHA_BF Base flow recession constant 0 1
2 CH_K2 Effective hydraulic conductivity in the main channel alluvium -0.01 500
3 CH_N2 Manning's N value for the main channel -0.01 0.3
4 CN2 SCS curve number for moisture condition -0.2 2
5 GW_DELAY Delay time for aquifer recharge (days) -0.2 0.2
6 SFTMP Snowfall temperature -20 20
7 SMFMX Melt factor for snow 0 20
8 SMTMP Snow melt base temperature -20 20
9 SOL_ALB Moist soil albedo 0 0.25
10 SOL_AWC Available water capacity of the soil layer -0.2 0.2
11 SOL_Z Depth from soil surface to bottom of layer -0.2 0.2
12 SURLAG Surface runoff lag coefficient 0 1

2.3 GLUE를 이용한 불확실성 해석

GLUE 방법은 Baysian 이론을 바탕으로 Monte Carlo 시뮬레이션을 이용하여 불확실성을 해석한다(Eq. (1)). 불확실성해석에서 SWAT은 수문학적 매개변수의 집합(θ)으로 구성되며 본 연구에서는 12개의 매개변수를 사용하였다. Baysian 이론은 우도함수(L(Y|θ))와 매개변수의 사전분포(p(θ|Y))에 의하여 수문모형 매개변수의 사후분포(p(θ|Y))를 유도할 수 있게 한다(Jin et al., 2010).

$$p(\theta/Y)=\frac{L(Y/\theta)\;p(\theta)}{\int\;L(Y/\theta)\;p(\theta)\;d\theta}\propto L(Y/\theta)\;p(\theta)$$ (1)

입력자료 및 모형 내 매개변수의 오차범위에서 조건부로 난수를 생성하여 이를 입력 자료나 매개변수를 사용한다. 난수생성과정에서는 자료나 매개변수의 사전분포를 파악할 수 있으면 그 분포에서 난수를 생성하여 모형에 적용하나 사전분포에 대한 정보를 이용할 수 없다면 일반적으로 균등분포에서 난수를 생성시켜 모형에 적용한다. 이러한 점을 고려하여 본 연구에서는 12개의 매개변수에 대하여 모두 균등분포로부터 난수를 생성하였다. 또한, 이렇게 난수로 생성된 12개의 매개변수는 하나의 세트로 생성하여 1,500개의 세트를 SWAT에 적용하였다. 특정 우도함수에 대한 임계치(threshold)를 만족하는 매개변수 세트를 행위모델(behavioral model)이라고 하는데 이는 사용자의 주관적인 판단에 의하여 우도함수와 임계치를 결정할 수 있다. 앞서 언급한 것과 같이 GLUE는 단순하고 유연한 개념적 구조로 인해 수문모형에 불확실성해석에 다양하게 적용되어 왔지만 매개변수 보정 ​​및 불확실성 정량화를 위한 정형 및 비정형 우도함수의 주관적 선택과 관련하여 여러 연구에서 논의되었다(Freer et al., 1996; Beven and Freer, 2001; Montanari, 2005). 이러한 GLUE의 비정형 우도와 관련된 주관성은 무시할 수 없다. 그러나 GLUE는 정형우도를 사용할 수 없는 자료 부족 조건에서 잠재적으로 유용한 방법이며 여전히 가장 많이 사용되는 불확실성해석 방법 가운데 하나이다(Bae et al., 2018; Thrysøe et al., 2019). 따라서 본 연구에서는 정형우도함수인 Lognormal 함수(Eq. (2))와 비정형우도를 NSE (Eq. (3))을 이용하여 불확실성 평가를 하였다. 행위모델을 결정하기 위한 임계치는 NSE에 대하여 0.5이상의 모형을 선택하였고, Lognormal은 상위 30%를 선택하였다. 여기서, SWAT결과를 평가하는데 있어 NSE가 0.5이상일 경우 만족하는 지표라고 할 수 있고, Lognormal과 같이 임계치에 대한 기준이 없을때는 상위 값을 일부분을 선택하여 행위모델을 결정할 수 있다(Beven and Binley, 1992; Beven, 2009).

$$L_f=\;Lognormal=\;-\;\frac N2\mathrm{In}\;(2\pi)-\frac N2\mathrm{In}\;\sigma^2-\frac12\sigma^{-2}\times\sum_{j=1}^N\varepsilon_{\mathit j}{(\theta)}^2$$ (2)

$$L_i=\;NSE=\;1-\frac{{\displaystyle\sum_{j=1}^N}(M_j{(\theta)-Y_j)}^2}{{\displaystyle\sum_{j=1}^N}{(Y_j-\overline Y)}^2}$$ (3)

여기서 Lf는 정형우도 Li는 비정형우도를 나타내며 N은 관측자료의 개수를 나타낸다. ε(θ)는 모의값(M(θ))와 관측치(Y)의 차이를 나타난다. 또한, σ2은 오차의 분산을 나타내며 YY의 평균을 나타낸다.

3. 연구결과 및 토의

3.1 우도에 따른 매개변수의 분포

Lognormal 함수에 의해 계산된 정형우도와 NSE에 의한 비정형우도의 분포는 각각의 임계치인 정형우도는 상위30%로 비정형우도는 NSE의 값이 0.5이상인 값을 행위모델로 간주하여 도식화하였다(Figs. 2 and 3). 다른 우도함수를 사용했음에도 불구하고 매우 비슷하게 분포되었다. 공통적으로 SWAT매개변수 가운데 기저유출(ALPHA_BF), 수리전도도(CH_K2), Mnning’s N (CH_N2)과 관련된 3개의 매개변수는 우도의 왜곡정도가 큰 것으로 나타났다. 행위모델에서 ALPHA_BF 값이 클수록 CH_K2와 CH_N2는 작을수록 우도가 좌우 한쪽으로 집중되는 경향을 보였다.

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F2.jpg
Fig. 2.

Dotty plot of behavioral parameters based on formal likelihood

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F3.jpg
Fig. 3.

Dotty plot of behavioral parameters based on informal likelihood

선택된 매개변수의 행위모델이 한쪽으로 치우쳐 집중된다는 것은 SWAT결과에 민감한 매개변수라는 것을 의미한다. 반면 CN2를 포함한 나머지 9개의 매개변수는 주어진 매개변수의 범위에서 우도가 골고루 분포되어 있는 것을 알 수 있다. 이러한 현상은 매개변수가 균등분포에서 랜덤하게 생성되었고 SWAT결과에 큰 영향을 주지 않기 때문이라고 판단된다.

3.2 SWAT 매개변수의 사후분포

우도의 점분포(dotty plot)와 마찬가지로 정형우도와 비정형우도에 의한 SWAT매개변수의 사후분포를 히스토그램으로 나타내었다(Figs. 4 and 5). 매개변수의 사후분포는 우도와 사전분포의 곱으로 이루어지는데 (Eq. (1)) 사전분포가 균등분포이기 때문에 사후분포는 우도의 모양과 같다고 할 수 있다. 따라서 확률분포함수(Probability Density Function)가 아닌 히스토그램으로 나타내어 쉽게 이해시키고자 하였다. 만약 GLUE를 통하여 SWAT매개변수의 범위를 한 번 더 업데이트를 할 경우 일반적으로 각 매개변수의 값에 따르는 누적확률분포함수(Cumulative Density Function)을 이용한다.

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F4.jpg
Fig. 4.

Posterior distribution of SWAT parameters based on formal likelihood

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F5.jpg
Fig. 5.

Posterior distribution of SWAT parameters based on informal likelihood

점분포와 마찬가지로 정형우도와 비정형우도의 사후분포는 공통적으로 ALPHA_BF는 값이 클수록 확률이 집중되어 있고, CH_K2와 CH_N2는 값이 작을수록 확률이 큰 것으로 나타났다. 반면 민감하지 않는 나머지 9개의 매개변수는 사후분포역시 사전분포와 비슷한 균등분포 모양으로 나타났다. 본 연구에서는 정형우도와 비정형우도에 의한 사후분포가 매우 비슷하게 산정되었다. 그러나 임계치를 다르게 설정하였을 경우에는 정형우도와 비정형우도의 사후분포는 다르게 나타날 수 있다.

3.3 SWAT 모형의 불확실성 정량화

본 연구에서는 SWAT의 불확실성을 평가하기 위해 정형우도와 비정형우도를 사용하였다. 다른 우도를 사용하였음에도 불구하고 SWAT에 의한 유출의 불확실성 범위는 두 우도 사이에서 매우 비슷한 경향을 보였다(Figs. 6 and 7). 우도에 따른 SWAT의 불확실성 범위는 Lognormal에 대하여 Fig. 6에서 오렌지색으로 나타나며, NSE에 대하여 Fig. 7에서 파란색으로 나타내었다. 여기서 불확실성 범위는 누적분포인 2.5%와 97.5%의 차이인 95PPU (Percent Prediction Uncertainty)를 의미한다. 또한, 공통적으로 불확실성 범위는 관측값을 일부 벗어나는 경향을 보였다. 특히, 유출이 매우 심한 2011년 첨두유출 부분에서 불확실성 범위 밖에 모의 결과가 나왔다. 이러한 결과는 우도가 임계치를 넘는 행위모델로 생성되었지만 관측치와 모의치간의 격차가 있음을 보여준다. 실질적으로 정형우도인 Lognormal의 최대값은 약 –966으로 산정되었다. 관측치와 모의치간의 완벽하게 동일할 때의 값인 0을 고려한다면 다소 낮은 값으로 판단된다(Pampel, 2000). 비정형우도인 NSE의 경우도 최대값이 0.744로 산정되어 완벽한 값인 1과 고려할 때 다소 낮다고 할 수 있다. 이러한 점을 개선하기 위해서는 더 많은 매개변수 세트를 적용하여 다양한 경우를 나타내거나 임계치를 조정하여 불확실성 범위인 95PPU를 확장시키거나 축소시킬 수 있다. 그러나 임계치를 조정하여 95PPU가 많이 변할 수 있다는 것은 행위모델의 불확실성이 많다는 것을 의미하며 모형이 관측치에 대하여 구현을 잘 못한다는 것을 의미한다.

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F6.jpg
Fig. 6.

SWAT 95% prediction uncertainty (95PPU) based on formal likelihood

http://static.apub.kr/journalsite/sites/kwra/2019-052-11/N0200521105/images/kwra_52_11_05_F7.jpg
Fig. 7.

SWAT 95% prediction uncertainty (95PPU) based on informal likelihood

3.4 소결론

본 연구는 정형우도와 비정형우도를 이용하여 매개변수의 분포와 강우유출에 대한 불확실성 해석을 수행하였다. 본 연구는 연간 관측치를 이용함에 따라 SWAT모형의 모의치 오차에 대한 통계학적 구조가 성립되기 때문에 Lognormal 정형우도를 사용할 수 있었으며 NSE를 이용하여 비정형우도를 사용하여 SWAT모형 매개변수의 불확실성을 정량화하였다. 그러나 이러한 우도의 선택으로 불확실성의 범위가 다르게 산정된 것은 주관적인 요소가 작용했다는 것을 알 수 있다. NSE를 이용한 SWAT의 적합성은 다양한 문헌에 의해 소개되었는데 특히, Moriasi et al. (2007)은 NSE를 포함한 다양한 적합지표에 대한 임계치를 구분하여 SWAT 모형의 신뢰성에 대하여 언급하였으며 SWAT모형의 적합도를 만족하는 수준으로 0.5이상의 NSE값을 제안하였다. 반면, Lognormal 우도에 기반한 SWAT모형의 신뢰성에 대하여 Lognormal 임계치의 선행연구는 없었다. Lognormal 우도의 범위는 0 ~ -∞이기 때문에 임계치를 선택하는 것은 매우 어려운 일이다. 이러한 점을 고려하여 비정형우도의 경우, Beven (2009)이 제안한 방법과 같은 우도의 높은 값 기준으로 약 30% 상위 값을 선택하여 Lognormal 우도에 대한 SWAT의 불확실성을 해석을 하였다. 본 연구에서 임계치에 의하여 선택된 행위모델에 의한 매개변수의 분포는 정형우도와 비정형우도에 대하여 매우 비슷한 결과를 보였다. 그러나 우도와 임계치에 대한 주관적 선택에 따른 다른 결과가 산정될 수 있다는 논쟁이 있다 (Zhang et al., 2011; Jung et al., 2014).

본 연구에서는 매개변수별 점분포 및 사후분포가 다르게 나타났다. 사전분포가 균등분포이기 때문에 사후분포가 균등하지 않고 왜곡되어 있다면 그 매개변수는 왜곡된 부분에서 SWAT 모의결과에 대하여 민감하다 할 수 있다. 또한, 매개변수의 사후분포를 이용하여 매개변수의 사전분포의 범위를 재조정하고 다시 반복하여 불확실성해석을 한다면 보다 견고한(Robustic) SWAT의 불확실성 범위를 특정할 수 있을 것이다. 또한 불확실성해석을 통하여 유역에 따라 어느 임계치를 만족하는 SWAT모형 매개변수의 범위를 분류한다면 SWAT모형을 이용한 다양한 모의에 이용자들이 보다 쉽게 접근하여 효율적인 유역관리 계획과 정책 수립에 기여할 것으로 기대한다.

4. 결 론

본 연구에서는 갑천 유역에 대한 SWAT 매개변수의 강우 유출 모의 결과에 영향을 확인하였고, 관측값에 대하여 SWAT의 모의된 유출값에 대한 불확실성을 정량화(95PPU)를 수행하였다. 특히, GLUE를 이용한 불확실성해석에서 있어서 우도함수의 영향이 불확실성범위를 다르게 나타낼 수 있기 때문에 정형우도와 비정형우도를 이용하여 SWAT모형의 매개변수의 불확실성을 각각 산정하고 비교분석을 수행하였다. 정형/비정형 우도는 공통적으로 SWAT모형을 구성하는 다양한 매개변수들 가운데 선택된 12개의 SWAT 매개변수 가운데 기저유출 alpha factor를 나타내는 ALPHA_BF와 유효 수리전도를 나타내는 CH_K2가 민감한 인자로 평가되었다. 매개변수의 사전분포는 모두 Uniform 분포이었지만, 상위 30%의 정형우도와 NSE를 이용하여 0.5이상의 비정형우도로 각각 생성된 행위모델은 공통적으로 사후분포에서 ALPHA_BF, CH_K2, CH_N2에 대한 우측 혹은 좌측으로 왜곡된 분포를 보였다. 또한, 다른 우도함수를 사용했음에도 불구하고 정형/비정형 우도에서 공통적으로 일관된 SWAT 매개변수의 불확실성 범위를 산정하였다. 그러나 이러한 결과는 추후 다양한 우도와 임계치를 적용하여 불확실성 범위에 대한 일관성을 확보하는 것이 중요하다 판단된다.

Acknowledgements

본 결과물은 환경부의 재원으로 한국환경산업기술원의 물관리연구사업의 지원을 받아 연구되었습니다(2019002640015).

References

1
Abbaspour, K. C., Johnson, C. A., and Van Genuchten, M. T., (2004). "Estimating uncertain flow and transport parameters using a sequential uncertainty fitting procedure." Vadose Zone Journal, Vol. 3, No. 4, pp. 1340-1352.
10.2136/vzj2004.1340
2
Arnold, J. G., Srinivasan, R., Muttiah, R. S., and Williams, J. R. (1998). "Large area hydrologic modeling and assessment - part I: model development." Journal of the American Water Resources Association, JAWRA, Vol. 34, No. 1, pp. 73-89.
10.1111/j.1752-1688.1998.tb05961.x
3
Bae, D. H., Trinh, H. L., and Nguyen, H. M. (2018). "Uncertainty estimation of the SURR model parameters and input data for the Imjin River basin using the GLUE method." Journal of Hydro-Environment Research, Vol. 20, pp. 52-62.
10.1016/j.jher.2018.05.001
4
Beven, K. (2009). Environmental modelling: an uncertain future?. Routledge, New York USA.
5
Beven, K. J., and Binley, A. M., (1992). "The future of distributed models: model calibration and uncertainty prediction." Hydrological Process, Vol. 6, No. 3, pp. 279-298
10.1002/hyp.3360060305
6
Beven, K., and Freer, J. (2001). "Equifinality, data assimilation, and uncertainty estimation in mechanistic modelling of complex environmental systems using the GLUE methodology." Journal of Hydrology, Vol. 249, No. 1-4, pp. 11-29.
10.1016/S0022-1694(01)00421-8
7
Chow, V. T., Maidment, D. R., and Mays, L. W. (1988). Applied hydrology. McGraw-Hill, New York.
8
Environmental Geographic Information Service (2014). Ministry of Environment, accessed 30 September 2019, <https://egis.me.go.kr>.
9
Freer, J., Beven, K. J., and Ambroise, B. (1996). "Bayesian estimation of uncertainty in runoff prediction and the value of data: an application of the GLUE approach." Water Resources Research, Vol. 32, No. 7, pp. 2161-2173.
10.1029/95WR03723
10
Hapuarachchi, H. A. P., Zhijia, L., and Shouhui, W. (2001). "Application of SCE-UA method for Calibrating the Xinanjiang watershed model." Journal of Lake Sciences, Vol. 12, No. 4, pp. 304-314.
10.18307/20010404
11
Jin, X., Xu, C. Y., Zhang, Q., and Singh, V. P. (2010). "Parameter and modeling uncertainty simulated by GLUE and a formal Bayesian method for a conceptual hydrological model." Journal of Hydrology, Vol. 383, No. 3-4, pp. 147-155.
10.1016/j.jhydrol.2009.12.028
12
Jung, Y., and Merwade, V. (2012). "Uncertainty quantification in flood inundation mapping using generalized likelihood uncertainty estimate and sensitivity analysis." Journal of Hydrologic Engineering, Vol. 17, No. 4, pp. 507-520.
10.1061/(ASCE)HE.1943-5584.0000476
13
Jung, Y., Merwade, V., Kim, S., Kang, N., Kim, Y., Lee, K., Kim, G., and Kim, H. S. (2014). "Sensitivity of subjective decisions in the GLUE methodology for quantifying the uncertainty in the flood inundation map for seymour reach in Indiana, USA." Water, Vol. 6, No. 7, pp. 2104-2126.
10.3390/w6072104
14
Korea National Spatial Infrastructure Portal (2019). Ministry of Land, Infrastructure and Transport, accessed 30 September 2019, <http://www.nsdi.go.kr>.
15
Kown, P., Ryu, J., Lee, D. J., Han, J., Sung, Y., Lim, K. J., and Kim, K. (2016). "Comparative analysis of land use change model at Gapcheon watershed." Journal of Korean Society on Water Environment, Vol. 32, No. 6, pp. 552-561.
10.15681/KSWE.2016.32.6.552
16
Laloy, E., and Vrugt, J. A. (2012). "High-dimensional posterior exploration of hydrologic models using multiple-try DREAM (ZS) and high-performance computing." Water Resources Research, Vol. 48, No. 1.
10.1029/2011WR010608
17
Montanari. A. (2005). "Large sample behaviors of the generalized likelihood uncertainty estimation (GLUE) in assessing the uncertainty of rainfall-runoff simulations." Water Resources Research, Vol. 41, No. 8, p. W08406.
10.1029/2004WR003826
18
Moriasi, D., Arnold, J., et Liew, M., and Van, W. (2007). "Model evaluation guidelines for systematic quantification of accuracy in watershed simulations." American Society of Agricultural and Biological Engineers, Vol. 50, No. 3, pp. 885-900.
10.13031/2013.23153
19
Neitsch, S. L., Arnold, J., Kiniry, J., Williams, and J., King, K. (2005). Soil and water assessment tool. Theoretical documentation, version 2005. Texas A&M University, Temple, USA, pp. 1-618.
20
Pampel, F. C. (2000). Logistic regression: a primer. Quantitative applications in the social sciences. Thousand oaks. Sage Publications, California USA.
10.4135/9781412984805
21
Ter Braak, C. J. (2006). "A Markov chain Monte Carlo version of the genetic algorithm differential evolution: Easy Bayesian computing for real parameter spaces." Statistics and Computing, Vol. 16, No. 3, pp. 239-249.
10.1007/s11222-006-8769-1
22
Thrysøe, C., Arnbjerg-Nielsen, K., and Borup, M. (2019). "Identifying fit-for-purpose lumped surrogate models for large urban drainage systems using GLUE." Journal of Hydrology, Vol. 568, pp. 517-533.
10.1016/j.jhydrol.2018.11.005
23
Vrugt, J. A., and Robinson, B. A. (2007). "Treatment of uncertainty using ensemble methods: comparison of sequential data assimilation and Bayesian model averaging." Water Resources Research, Vol. 43, No. 1.
10.1029/2005WR004838
24
Vrugt, J. A., Gupta, H. V., Bouten, W., and Sorooshian, S. (2003). "A shuffled complex evolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic model parameters." Water Resources Research, Vol. 39, No. 8.
10.1029/2002WR001642
25
Yang, J., Reichert, P., Abbaspour, K. C., Xia, J., and Yang, H. (2008). "Comparing uncertainty analysis techniques for a SWAT application to the Chaohe basin in China." Journal of Hydrology, Vol. 358, No. 1-2, pp. 1-23.
10.1016/j.jhydrol.2008.05.012
26
Zhang, Y., Liu, H. H., and Houseworth, J. (2011). "Modified generalized likelihood uncertainty estimation (GLUE) methodology for considering the subjectivity of likelihood measure selection." Journal of Hydrologic Engineering, Vol. 16, No. 6, pp. 558-561.
10.1061/(ASCE)HE.1943-5584.0000341
페이지 상단으로 이동하기