1. 서  론

최근 기후변화와 이상기상 현상으로 인해 국지적인 집중호우의 발생이 증가하고 있다. 특히 도시지역에서는 이러한 집중호우가 원인이 되어 돌발홍수 피해가 증가하고 있다. 돌발홍수를 사전에 예측하여 피해를 저감하기 위해서는 기상예측정보와 수문·수리모형을 연계하는 것이 필요하며, 이러한 돌발홍수 예측정보의 정확도는 예측강우의 정확도에 지배적인 영향을 받는다. 일반적으로 예측강우는 기상수치예보모델과 레이더 예측모델을 통해서 산정되어 제공된다. 이 중 레이더 자료를 이용하여 산정된 정량적 예측강우는 도달시간이 짧은 도시홍수 특성을 고려하면 그 유용성이 크다고 알려져 있다. 기본적으로 레이더 자료기반의 강우예측은 기상레이더에서 관측되는 강우장을 동 시간대에 동일한 기상특성을 갖는 자료로 판단하고, 외삽기반의 단일 예측기법을 활용한다(Reyniers, 2008). 그러나 동일한 호우에서도 공간별 강우규모 및 특성이 상이한 경우 기존 외삽기반의 단일 예측기법을 활용하면 각 공간 특성별 호우의 이동특성을 반영할 수 없다는 한계가 있다. 이러한 한계를 극복하기 위해서 다중규모 예측기법이 연구되고 있다. 다중규모예측은 예측기간 강우의 크기와 강도변화를 고려하는 것이 가능하므로 강우예측의 정확도를 개선한다(Horne et al., 2006; Takada et al., 2013).

국외에서는 중규모 대류복합체인 스콜 선(squall line) 등에 대류성 셀을 탐지하고 해당 셀의 이동특성이 호우의 전반적인 움직임과 다르게 나타나는 것을 관측하였다(Bellon and Zawadzki, 1994; Germann and Zawadzki, 2002). 작은 규모의 대류성 셀(2~20 km)은 짧은 수명을 갖고 있으며, 층상운과 같이 큰 규모(20~200km) 호우보다 예측성이 부족한 것으로 나타났다. 작은 규모 셀의 짧은 예측성은 호우 내부에서 발생하는 강우의 성장 소멸과정과 이류속도의 차이와 직접적인 관련이 있다(Horne et al., 2006). 반면에 전체적인 호우는 호우의 이동이 단시간동안 일정하게 지속되기 때문에 예측성이 높다. 따라서, 큰 규모의 호우로부터 예측이 어려운 작은 규모의 호우를 분리하여 예측을 수행하는 연구가 수행된 바 있다(Wolfson et al., 1999; Seed, 2003; Horne et al., 2006; Takada et al., 2013).

국내의 경우 레이더를 활용한 강우예측은 국외의 연구사례에 비해 미흡한 실정이다. 기상현업에서 제공하고 있는 레이더 예측자료는 MAPLE (Mcgill Algorithm for Precipitation- Nowcast by Lagrangian Extrapolation)과 KONOS (KOrea NOwcasting System)가 있다. MAPLE은 레이더 반사도, 2차원 격자형 합성장을 이용한 변분에코 추적기법이며, KONOS는 한국형 강수실황 예측시스템 개발을 목적으로 MAPLE과 VSRF (Very Short Range Forecasting)를 기반으로 하며, 지형효과 알고리즘이 적용된 기법이다. 수문학적 연구 측면에서는 Kim and Kim (2008)이 2차원 CAPPI 자료를 TREC (Tracking Radar Echos by Correlation)에 적용하여 강우장을 예측하는 연구를 수행한 바 있다. TREC 기법은 연속된 레이더 반사도 자료를 이용하여 두 윈도우 사이의 상관계수의 최대치를 찾아냄으로써 강우의 이동방향과 이동속도를 파악하는 것으로 강우의 수평 이동벡터장성분만을 산정하여 대류성 강우의 이동특성을 포함하여 예측하는데 한계가 있다. Yoon and Bae (2010)는 홍수예보 측면에서 이류모델을 활용하여 레이더 강우예측정보를 생산하였다. 이류모델은 외삽기반의 모델로써 강우강도 변화의 지배방정식을 사용하여 연속적인 시계열 레이더자료를 통해 이류벡터를 산정하고, 이를 적용하여 격자자료를 외삽하여 강우강도 분포를 이류벡터에 따라 이동시키면서 예측강우를 산정하는 기법이다. 이들 모두 국지성 호우의 단시간 강우예측의 한계를 제시한 바 있다.

본 연구에서는 공간규모분할 기법을 적용하여 레이더 예측강우를 산정하고, 도시홍수예보를 위한 관점에서 기상청 현업 레이더 예측강우와 함께 수문학적 활용성을 평가하고자 하였다.

2. 강우의 공간규모분할 및 개별 예측 기법

2.1 예측강우 산정 단계

본 연구에서 제시하는 강우의 공간규모분할 및 개별 예측기법의 절차는 다음 Fig. 1과 같다. 첫 단계에서는 기상레이더나 격자분포된 강우 자료를 강우의 공간규모를 고려하여 대류성 강우와 층운형 강우로 분할하며, 다음 단계에서는 분할된 각각의 강우들의 이동특성을 반영하여 예측을 수행하게 된다. 마지막으로 개별 예측된 강우를 선행시간별로 병합하는 과정을 통해 최종적으로 예측강우가 산정된다.

Fig.1

Layout of spatial-scale decomposition method

2.2 평균필터링을 이용한 강우규모분할

본 연구에서는 강우의 공간규모를 고려하여 강우를 대류성 호우과 층운형 호우로 분할하기 위해 평균필터링을 적용하였다. 평균필터링은 일반적으로 영상처리 과정에서 노이즈를 감소시키기 위해 인근 화소들과의 강도 변화량을 줄이는 단순하고 직관적인 방법이다. 평균필터링을 통해 강우를 분리하는 방법은 다음과 같다. 우선 Fig. 2(a)의 격자 강우장을 입력으로 하여 Fig. 2(b)와 같이 사용자가 정의한 필터(K (k, l))를 이용하여 이동해가면서 Eq. (1)에 따라 격자별 평균값(O (i, j))을 산정한다. 여기서, m과 n은 각각 격자의 행, 열의 크기이며, I는 격자별 강우강도 값이다. k와 l은 필터의 행, 열의 크기를 나타낸다. 산정된 평균값을 기준으로 해당 격자의 값에서 기준 값 이상을 대류성 강우로 기준 값 이하를 층운형 강우로 분리한다. 강우 공간분할 시 필터 사이즈는 조정이 가능하며, 본 연구에서는 반복실험 결과와 Takada et al. (2013)의 격자 크기별 파워스펙트럼 분석결과를 고려하여 서울/수도권지역의 대류성 강우와 층운형 강우의 분리를 위한 최적 필터 사이즈로 16 km를 결정하였다. Fig. 3은 16 km 크기의 필터를 이용하여 분리된 강우장의 일례를 나타낸 것이다. 그림에서 보는 것과 같이 국지적으로 강한 강우강도를 갖는 영역과 전반적으로 넓게 퍼지는 형태의 영역으로 강우가 분리된다.

Fig.2

Example of separated rainfield by averaging filtering

Fig.3

Example of separated rainfield by averaging filtering

         (1)

2.3 층운형 강우 예측

분리된 층운형 강우는 단순외삽기반의 이류모델을 이용하여 산정된 벡터필드를 통해 예측하게 된다. 이류모델은 강우예보의 선행시간 확보를 위해 Shiiba et al. (1984)에 의해 일본에서 개발된 모델로써 Nakakita et al. (1996)과 Sugimoto et al. (2001)에 의해 개선되어 활용되는 모델이다. 이류모델은 연속적인 시계열 레이더 격자자료를 외삽하여 강우강도 분포를 이류벡터에 따라 이동시키면서 강우의 발달쇠약․회전 등을 고려하여 강우를 예측하는 모형이다. 이류모델에서는 수평면상에 발달된 직교좌표계를 x, y로 하여, 지점(x, y)의 시간 t일 때의 강우강도를 z(x, y, t)로 한다. x, y축에 수직인 z축을 취했 을 때, 는 시간을 고정시키면 1개의 곡면으로 나타낼 수 있으며, 이 곡면을 강우강도면이라고 한다. 강우예측이란 이 강우강도면의 변화 예측이라 할 수 있으며, 이류모델에서는 다음 Eq. (2)와 같은 형태를 갖는 강우강도변화의 지배방정식을 사용한다. 여기서 u, v는 강우의 이동에 영향을 미치는 이류벡터이며, w는 발달쇠약항을 의미한다. 이류모델의 상세한 방법은 Yoon and Bae (2010)에 기술되어 있다.

                        (2)

2.4 대류성 강우 예측

분리된 대류성 강우는 스톰 추적 실황예측모델(Storm Tracker Nowcasting Model (STNM))을 이용하여 예측된다. STNM은 Lincoln Laboratory, Massachusetts Institute of Technology (MIT LL)에서 개발된 적응형 상관기반의 추적모형으로, Federal Aviation Administration Integrated Terminal Weather System에서의 활용을 위해 개발되었다. STNM은 자료를 시간분해능에 따라 분리하고, 공간적으로 분포된 호우이동벡터 생산은 연속된 레이더 이미지들간의 교차상관으로 수행한다. 이류(advection)는 원 레이더 이미지에 이동벡터를 적용함으로써 얻을 수 있다. STNM은 타원형 필터를 사용한 전통적인 교차상관분석보다 향상되었다(Chornoboy et al., 1994; Horne et al., 2006).

STNM은 이동벡터 생산에 Local-area correlation (LAC)을 사용하여 이미지 시퀀스에서 표면의 운동(이동)에 대한 측정값을 제공한다. 일반적으로 두 개의 시간 프레임 사이에서 적용되는 분석을 포함하나, LAC는 다수의 시간프레임에 걸쳐서도 실현이 가능하다. Fig. 4는 연속된 시간프레임에서 상관관계를 분석하는 대상이 되는 공간적인 범위와 상관계수 산정 결과를 보여주며, 본 연구에서는 상관성을 산정하기 위한 범위를 15 km로 정하였다. Windowed time 1의 사각형 이미지 마스크는 상관관계 박스 혹은 부분적 하위이미지(local subimage)로 정의된 하나의 이미지에서 임의의 픽셀을 중심으로 정해져있다. 두 번째 이미지(Time 2)의 빨간 박스는 하위이미지(subimage)의 값과 적절히 대응되는 것을 찾기 위한 영역이 된다. 실제로, 대응되는 값을 찾는 탐색과정은 영 변위(혹은 이전의 기대값에 치우쳐서 편향된)를 중심과 탐색한계(excursion limit)에 의한 경계 내에서 수행된다. 적합도를 추정하기 위한 많은 방법이 있지만, 일반적인 방법들은 이미지 교차상관의 평가를 기반으로 한다(Horne et al., 2006). Fig. 4의 하단 그림은 원 레이더 이미지에서 각 격자별로 생성된 상관계수를 3차원과 2차원으로 표시한 것이다.

Fig.4

Motion analysis by local-area image correlation (modified from Chornoboy et al., 1994)

본 연구에서 최종 예측강우장은 이류모델과 스톰 추적 실황예측모델을 통해 산정된 두 개의 예측강우장을 단순 합산하여 재병합되어 생산된다.

3. 적용 및 평가

3.1 자료 및 대상지역

본 연구에서 공간규모분할 기법의 입력자료로 Radar-AWS Rainrate (RAR) 시스템의 최대강우강도(Column maximum, CMAX)를 사용하였다. 이는 개발된 기법의 예측 성능 평가를 위해서 KONOS에서 사용하는 초기장과 동일한 기준을 적용하기 위함이다. 입력자료의 시간해상도는 10분, 공간해상도는 1 km이다.

본 연구에서 제시한 기법의 평가는 현재 기상청에서 제공하고 있는 레이더 기반 초단기 예측강우인 MAPLE과 KONOS를 이용하여 수행하였다. MAPLE은 캐나다 맥길대학교에서 개발한 강수예측알고리즘을 적용하여 연속된 레이더 강우장의 차이를 통하여 강수에코의 이동벡터를 산출하는 변분에코 추적기법을 이용하고 있으며, 라그랑지 연속성(Lagrangian persistence)에 기반을 두고 수 시간 이내의 강수 에코 위치에 대한 예측정보를 제공한다. MAPLE의 초기장은 레이더 합성 반사도 정보를 사용한다. 한국형 강수실황 예측시스템인 KONOS는 RAR의 CMX 자료를 사용하며, MAPLE과 VSRF를 기반으로 하고, 각각의 장점을 취합하여 단점을 보완할 수 있도록 하였다. 이를 위해 KONOS는 MAPLE과 같이 변분법을 이용하여 이동벡터를 산출하며, 지표 고도 변화를 고려하여 지형효과를 반영한다.

MAPLE과 KONOS를 통해서 산출되는 예측강우 정보는 1 km 해상도로 남한 전체를 포함한 영역(1024×1024) 이며, 예측 선행시간은 10분 간격으로 1~6시간이다. 본 연구의 예측강우 산정 및 정확도 평가 대상영역은 Fig. 5(a)와 같이 서울을 포함한 수도권 영역이다.

Fig.5

Study area and location of rain water depth observation

수문학적 평가 대상지역은 Fig. 5(b)의 논현, 역삼, 서초3, 4, 5 배수분구를 포함하는 강남지역이다. 예측강우의 도시유출모의 정확도 평가는 서울시에서 운영하고 있는 하수관 관측수심자료(22-0006 지점)를 이용하였다.

3.2 예측강우 산정 결과

본 연구에서 적용한 호우사상은 2013년 8월 6일(Event 1), 8월 23일(Event 2), 2016년 7월 5일(Event 3)이다. 2013년 8월 6일 호우는 대기불안정으로 인해 발생한 강한 소나기로 인해 호우발생 기간동안 대상유역인 강남유역에 총 34.07 mm 유역평균강우가 발생하였으며, 최대 31.92 mm/hr 강우강도가 발생하였다. 2013년 8월 23일 호우는 기압골에 동반된 비구름대로 인해 강한 강우가 발생한 사상으로 총 45.34 mm 유역평균강우가 발생하였으며, 최대 31 mm/hr 강우강도가 발생하였다. 2016년 7월 5일 호우는 장마전선의 영향으로 수도권 지역에 강한 강우가 발생하였으며, 총 104.06 mm 유역평균강우와 35.15 mm/hr 강우강도가 발생하였다. 각 호우 사례별 강우정보는 기상청 AWS (Automatic Weather Station)자료를 이용하여 티센망을 작성한 후 유역평균강우로 변환하였다. 변환된 AWS의 유역평균강우량은 도시유출 모의 시 예측강우 결과와의 비교를 위해 사용되었다.

예측강우의 공간적인 분포 정보는 일례로 2013년 8월 6일 12시 20분을 기준으로 생산된 예측강우와 사용된 실황강우를 표시하였다. Fig. 6은 평균필터링으로 분할된 시간적으로 연속되는 대류성 강우장(Figs. 6(a)~(b))을 스톰 추적 실황예측모델의 입력으로 활용하여 선행 40분까지 예측을 수행한 결과(Figs. 6(c)~(f))이며, Fig. 7은 층운형 강우장을 이류모델을 통해 예측을 수행한 결과이다. Fig. 8은 예측된 강우정보(MAPLE, KONOS, SCDM)와 레이더 관측강우정보(QPE)를 표시한 것이다. 예측강우는 10분 간격으로 산정된 선행 10분부터 1시간까지 도시하였다.

Fig.6

Separated convective rainfield and forecasted rainfield using Storm Tracker Nowcasting Model in Metropolitan area for lead time for 10~40 min (predicted at 12:20 6 Aug. 2013)

Fig.7

Separated straitform rainfield and forecasted rainfield using translation model in Metropolitan area for lead time for 10~40 min (predicted at 12:20 6 Aug. 2013)

Fig.8

Forecasted radar rainfall distributions in Metropolitan area for lead time for 10~60 min (predicted at 12:20 6 Aug. 2013)

Fig. 9와 Table 1은 세 호우사례를 합산하여 예측시간에 따른 각 예측기법의 검정통계량을 제시한 것이다. 검정통계량으로는 강수예보를 강수 유/무로 판단했을 경우 실제 관측이 적중한 경우와 그렇지 못한 경우에 대한 적중 예보 비율인 정확도(Accuracy, ACC), 예보와 관측간의 차이의 일치성을 측정하는 상관계수(Correlation coefficient, C-CORR), 예보와 관측의 차이를 제곱근하여 평균을 취한 것으로 치우침, 해상도, 불확실성에 따라 좌우되는 평균제곱근오차(Root mean square error, RMSE)를 이용하였다(Choi et al., 2005).

Fig.9

Comparison of the accuracy for each QPF: (a) accuracy; (b) root mean square error; (c) correlation coefficient

Table 1. Evaluation of QPF accuracy

검정통계량 분석 결과, 정확도 항목에서 각 예측기법 모두 선행예측 90분까지는 유사한 정확도를 보였다. 다만, MAPLE과 KONOS가 예측시간이 길어질수록 정확도가 45%까지 저하되는 반면 본 연구에서 제시한 기법(SCDM)이 선행예측 100분 이후에도 55%이상의 정확도를 유지하는 것으로 나타났다. RMSE 항목에서는 KONOS가 예측기간동안 전반적으로 타 기법에 비해 높은 값으로 나타났다. C-CORR 항목에서는 세 기법 모두 예측시간이 길어질수록 관측강우와의 상관성이 급격히 감소되는 것으로 나타났으며, KONOS의 경우 선행 30분에서 130분에서 타 예측기법에 비해 높은 값을 보였다. SCDM의 경우 초기 30분 예측과 140분 이후의 예측에서 타 기법에 비해 높은 상관성을 보였다.

강우 예측 기법별로 검정통계량의 차이가 있음을 확인하였으며, 대체적으로 예측 선행시간이 길어질수록 예측성능이 저하되는 것을 확인할 수 있다. KONOS의 RMSE가 다소 높은 점은 KONOS의 지형성 강우 고려로 인한 수도권 산지지역의 영향을 반영하여 예측강우의 강도가 커진 측면의 영향으로 사료되며, 특히 본 기법에서 제시한 SCDM의 경우 기상청에서 현업운영된 예측기법과 비교한다면 고려항목이 적고 기법이 단순하지만 예측성능면에서 유사하거나 높은 정확도를 나타내었다.

3.3 예측강우를 이용한 도시유출 모의 결과

본 절에서는 도시홍수예보 측면에서 각 예측강우의 활용성을 평가하였다. 대상은 집중호우로 인한 도시침수 피해 위험이 높은 지역인 강남유역(논현, 역삼, 서초3, 4, 5 배수분구)을 선정하였다. Fig. 5(b)는 5개 배수분구의 형상과 기상청 AWS 관측지점, 1 km 격자 망 및 하수관로 수심관측소 위치를 나타낸다. 대상지역 면적은 7.4 km²이다. 도시유출모의는 Storm water management model (SWMM)을 이용하였으며, 강남유역의 SWMM 모형 구축 및 매개변수는 Choi et al. (2015)에서 추정된 결과를 이용하였다.

Figs. 10~12는 대상 호우 사상별 예측강우를 이용한 도시유출모의 결과를 나타낸 것이다. 상단의 그래프는 SWMM 모형의 입력자료로 사용된 지상관측강우(AWS), RAR의 CMAX 레이더 강우(QPE), MAPLE 예측강우, KONOS 예측강우, 그리고 SCDM의 예측강우를 도시한 것이다. 하단의 그래프는 각 관측 및 예측강우를 이용한 SWMM의 수심모의 결과와 검증지점인 하수관로 수심관측자료(22-0006)를 도시한 것이다. 여기서 SWMM 모형의 강우 입력자료로 활용하기 위해 격자형 강우정보인 레이더 관측강우와 예측강우는 유역평균강우로 변환하였다. 유출모의를 위해 예측강우 생산 시점을 현재시간(Current Time, CT)로 정하고, 과거 2시간의 레이더 관측강우와 선행 10~180분 예측강우를 조합하여 모의를 수행하였다. 참고로 AWS와 QPE를 이용한 모의는 예측강우의 수문해석 성능 분석을 위해 제시한 것으로, CT를 기준으로 오른쪽에 위치하지만 관측된 자료이므로 예측성을 가지고 있지는 않다.

Fig.10

Flood simulation using gauge rainfall, QPE, various QPF and for 6 Aug. 2013: (a) 12:40; (b) 12:50; (c) 13:00

Fig.11

Flood simulation using gauge rainfall, QPE, various QPF and for 23 Aug. 2013: (a) 4:10; (b) 4:20; (c) 4:30

Fig.12

Flood simulation using gauge rainfall, QPE, various QPF and for 5 Jul. 2016: (a) 9:20; (b) 9:30; (c) 9:40

Table 2는 관측수심자료에 대한 각 강우자료별 모의수심 자료의 통계 검정결과를 나타낸 것이다. 통계분석은 CT를 기준으로 선행 180분간의 자료만을 이용하여 평가하였다. 통계치는 상관계수, 평균제곱근오차 및 첨두수심상대오차(Relative Error of Peak Depth, REPD)를 활용하였다.

Table 2. Evaluation of flood simulation accuracy

Fig. 10은 2013년 8월 6일 12시 40분, 12시 50분, 13시에 생산된 예측강우와 유출모의 결과이다. 그림과 Table 2에서 나타나듯 지상관측강우(AWS)를 이용한 유출모의 결과는 관측수심과의 C-CORR이 0.75~0.76로 높은 값을 보였다. 특히 연속된 모의에서 REPD가 1.37%로 도시홍수 및 침수 대응 측면에서 중요한 유출모의의 첨두양상을 지상관측강우가 정확하게 모의하였으나, 첨두수심 발생 시점이 20분 정도 빠르게 모의되었다. 레이더 관측강우(QPE) 모의 결과의 C-CORR은 0.92~0.97로 가장 높은 상관성을 보여 전체적인 수심 변화 양상을 잘 모의하고 있는 것으로 판단되었다. 다만, REPD가 -22.91~-35.05%로 첨두수심 모의에 대한 정량적 오차가 크게 나타났다. 이는 레이더로 추정된 강수의 과소 추정 경향을 보여 주는 것으로, 이러한 부정확성이 레이더 관측강우를 초기장으로 사용하는 예측강우의 정량적 정확도 저하에도 영향을 미치는 것을 볼 수 있다. 세 가지 예측강우를 이용한 수심모의결과는 다음과 같다. 각 예측강우 중 상관계수는 SCDM이 0.81~0.92로 가장 높았다. 이는 SCDM의 경우 층운형 강우장의 예측 시 단순외삽법을 사용하기 때문에 초기장의 영향이 예측에 크게 기여하기 때문으로 지상관측강우와 상관성이 높은 레이더 관측강우의 영향이 반영되었다. 따라서 SCDM의 REPD는 -17.75~-36.76%로 관측강우 결과에 비해 좋지 않지만, 전체적인 관측수심과 모의수심 양상이 유사하였다. 12시 40분과 12시 50분 모의에서 MAPLE의 상관계수와 RMSE가 KONOS보다 양호한 결과를 보였다. KONOS는 12시 40분 모의에서 REPD가 -3.24%를 보여 가장 관측수심과 유사하였으나, 첨두발생시점이 20분 정도 늦게 나타났다. 이와 같이 유출모의의 시간적인 차이는 QPF가 실제 호우의 이동방향과 공간적인 강우의 변동경향을 부정확하게 예측하면서 영향을 준 것으로 사료된다.

Fig. 11은 2013년 8월 23일 4시 10분, 4시 20분, 4시 30분에 생산된 예측강우의 유출모의 결과이다. 본 호우사례에서는 레이더 관측강우의 모의 결과가 C-CORR과 RMSE에서 지상관측강우의 모의 결과보다 양호하였으나, REPD는 지상관측강우가 보다 좋은 값을 보였다. 예측강우 중 SCDM의 결과가 C-CORR과 RMSE가 다른 예측기법보다 양호한 결과를 보였으며, 4시 10분의 모의를 제외하고 첨두수심과의 상대오차가 작아졌다. MAPLE의 경우 전반적인 예측시간 동안 강우가 과소추정되었으며, 강우의 시간변동 역시 잘 모의하지 못하였다. 그 결과, 모의 수심결과와 관측모의 결과의 오차가 크게 나타났으며, 수심변화 양상을 잘 모의 하지 못하였다. KONOS의 경우 관측강우와 달리 두 번의 첨두가 발생하여 수심이 과대 모의되었다.

Fig. 12는 2016년 7월 5일 9시 20분, 9시 30분, 9시 40분에 생산된 예측강우를 이용한 수심모의 결과이다. 지상관측강우에 비해 레이더 관측강우, 예측강우 모두 과소추정되어 유출모의 결과 역시 과소 추정되었다. 다만 첨두강우가 발생하는 시점인 10시 10분에 예측생산시점이 근접할수록 예측강우의 정확도가 개선되고 있다.

세 호우 사례에 대한 수심모의 분석결과, 초기장으로 활용되는 레이더 관측강우의 정량적 정확도의 한계와 예측기법의 특성이 도시지역 유출모의 정확도에 영향을 미치는 것을 확인하였다. 모든 예측시점에서 유사한 정확도를 확보하고 있지는 못하지만 일부 예측시점에서는 관측수심과 유사한 결과를 보이고 있어 도시홍수예보 측면에서 레이더 기반 예측강우의 활용가능성을 보여주고 있다고 판단된다. 특히, 초기장의 정량적 정확도가 보정기법을 통해 개선된다면 초기장에 의존하는 경향이 큰 SCDM 기법의 정확도 역시 개선될 수 있을 것으로 사료된다.

4. 결  론

본 연구에서는 도시홍수예보 활용 관점에서 레이더 예측강우의 정확도를 향상시키기 위해 강우를 층운형과 대류성 강우로 분리하여 각각의 이동속도를 고려하여 개별 예측을 수행한 후 재합성하는 기법을 제시하였다. 제시된 기법은 세 호우사례를 대상으로 기상청에서 현업제공하고 있는 레이더 기반 예측강우인 MAPLE과 KONOS과 비교하였다. 정확도 항목에서 각 예측기법 모두 선행예측 90분까지는 유사한 정확도를 보였으며, SCDM의 경우 선행예측 100분 이후부터 55%이상의 정확도를 유지하였다. RMSE는 KONOS가 높은 값을 보였으며, 상관계수는 SCDM의 경우 초기 30분 예측과 140분 이후의 예측에서 타 기법에 비해 높은 상관성을 보였다.

강남유역을 대상으로 각 예측강우의 수심모의 정확도를 평가한 결과, KONOS의 경우 첨두수심을 MAPLE과 SCDM 보다 정확하게 모의하였으나, 호우의 이동특성과 시간적 패턴 구현의 정확도가 높지 않아 발생시점이 20~30분정도 차이가 났다. SCDM의 경우 정량적인 오차는 크게 나타났지만, 전체적으로 관측수심과 유사한 모의 양상을 보였다.

본 연구에서 제시한 예측기법은 기법의 단순함에 비해 양호한 예측 정확도를 보이고 있다. 특히, 초기장에 매우 의존하는 이류모델의 영향으로 정량적 정확도의 한계가 존재한다. 따라서, 도시홍수예보 측면의 활용성을 극대화하기 위해 보정기법을 통한 초기장의 정량적 정확도를 개선하여 초기장에 대한 의존성이 높은 SCDM 기법의 정확도를 개선하고, 타 예측기법과의 앙상블 조합을 통해 최적 예측 강우정보를 생산하고자 한다. 또한, 예측 선행시간이 길어질수록 예측력이 약해지는 점을 개선하기 위해 중장기 예측정확도가 높은 기상수치예보모델결과와 결합하여 예측지속력을 확보할 계획이다.