High-resolution ensemble streamflow predictions using WRF-Hydro and LDAPS: a case study of the Geumho River catchment

Yaewon Lee; Bomi Kim; Seong Jin Noh

doi:10.3741/JKWRA.2025.58.3.263

Preview

Research Article

Journal of Korea Water Resources Association. 31 March 2025. 263-275
https://doi.org/10.3741/JKWRA.2025.58.3.263

High-resolution ensemble streamflow predictions using WRF-Hydro and LDAPS: a case study of the Geumho River catchment

WRF-Hydro와 LDAPS를 활용한 고해상도 앙상블 유량 예측: 금호강 유역 사례

Yaewon Lee^a

Bomi Kim^b

Seong Jin Noh^c^*

이 예원^a

김 보미^b

노 성진^c^*

^aMaster Student, Department of Civil Engineering, Kumoh National Institute of Technology, Gumi, Korea

^bPh.D. Student, Department of Civil Engineering, Kumoh National Institute of Technology, Gumi, Korea

^cAssociate Professor, Department of Civil Engineering, Kumoh National Institute of Technology, Gumi, Korea

^a금오공과대학교 토목공학과 석사과정

^b금오공과대학교 토목공학과 박사과정

^c금오공과대학교 토목공학과 부교수

^{*Corresponding Author}

License (open-access, https://creativecommons.org/licenses/by/4.0):

©It is identical to the Creative Commons Attribution Non-commercial License (https://creativecommons.org/licenses/by/4.0)

ABSTRACT

Climate change is expected to intensify the frequency of extreme rainfall events with greater spatial coverage, exacerbating socioeconomic damages. Therefore, accurate short-range (up to 48 hours) streamflow predictions are increasingly essential. This study aims to evaluate ensemble short-term streamflow predictions using Weather Research and Forecasting Hydrological modeling system (WRF-Hydro), a physics-based distributed hydrological model, combined with the Local Data Assimilation and Prediction System (LDAPS) numerical weather prediction system. To achieve this, a 100-meter resolution WRF-Hydro model was configured for the Geumho River catchment, a tributary of the Nakdong River. Hydrological simulations were conducted for the August 2020 heavy rainfall event (Event 2020) and Typhoon Hinnamnor in 2022 (Event 2022) using LDAPS forecast data and Automatic Weather System (AWS) & Automated Synoptic Observing System (ASOS) ground observation data. A streamflow ensemble was generated by incorporating past deterministic hydrological simulations conducted at 6-hour intervals over a 48-hour lead time, and improvements of prediction accuracy were evaluated. The analysis showed that the performance of the ensemble predictions based on LDAPS and WRF-Hydro yielded NSE values of 0.93 and 0.84 for Event 2020 and Event 2022, respectively, indicating robust performance. The ensemble approach reduced the interquartile range of NSE values by 71.1% and 82.3% for the two events, respectively, compared to the individual ensemble which exhibited sudden performance degradation depending on the prediction’s initialization time. The application of a physics-based ensemble method proposed in this study is expected to reduce the impact of meteorological forecast uncertainty on hydrological processes, enhance the accuracy of short-term streamflow predictions, and extend lead times, thereby contributing to improved water resource management.

Keywords

LDAPS

Numerical weather prediction model

WRF-Hydro

Hydrologic modeling

Ensemble predictions

기후변화로 인해 극한 강우와 홍수 발생의 빈도와 규모가 증가하면서 신뢰성 높은 단기 유량 예측 기술의 확보가 중요해지고 있다. 본 연구에서는 물리기반 공간분포형 수문모형인 Weather Research and Forecasting Hydrological modeling system (WRF-Hydro)와 기상수치예보모형 Local Data Assimilation and Prediction System (LDAPS)를 연계한 단기 유량 예측을 수행하고, 앙상블(ensemble)을 생성하여 확률론적 접근이 예측 신뢰도 향상에 미치는 영향을 분석한다. 이를 위해 낙동강 지류인 금호강 유역을 대상으로 100 m 공간해상도 WRF-Hydro 모형을 구축하고, 2020년 8월 집중호우(Event 2020)와 2022년 태풍 힌남노 사상(Event 2020)에 대해 LDAPS 예측자료와 Automatic Weather System (AWS) & Automated Synoptic Observing System (ASOS)지상 관측자료를 기상자료로 적용하여 수문 해석을 수행하였다. 또한, 6시간 간격 48시간 선행 결정론적 수문 모의의 과거 시간대 예측을 동시에 활용하여 앙상블을 구성하고 예측 안정성의 개선 여부를 평가하였다. 분석 결과, LDAPS와 WRF-Hydro 기반 앙상블 예측의 성능은 Event 2020과 Event 2022에 대해 NSE가 각각 0.93, 0.84로 비교적 양호하였다. 결정론적 단일 모의는 6시간 간격의 유량 예측 성능이 급감하는 경우가 있었으나, 앙상블 기법 적용시 NSE의 1/4-3/4 분위 범위가 두 사상에 대해 각각 71.1%, 82.3% 감소하여 예측 성능의 변동성이 완화되었다. 본 연구에서 제안한 기상수치예보와 분포형 수문 모형을 연계한 물리 기반 앙상블 기법 적용으로 기상 예측 불확실성이 수문과정에 미치는 영향을 완화하고 단기 유량 예측의 정확도와 선행시간을 추가 확보하여 수자원 관리의 안정성 향상에 기여할 수 있을 것으로 기대된다.

키워드

LDAPS

수치예보모형

WRF-Hydro

수문모형

앙상블 예측

MAIN

1. 서 론
2. 연구방법
2.1 연구 지역
2.2 지형자료 및 토지자료
2.3 기상입력자료
2.4 분포형 수문모형 WRF-Hydro
2.5 모의 설정 및 앙상블 구성
2.6 유량 모의 성능 평가 지표
3. 결과 및 분석
3.1 기상자료별 강우 및 모의유량 분석
3.2 결정론적 모의와 앙상블 비교
4. 결 론

1. 서 론

기후변화로 인해 극한 강우의 발생 빈도가 증가하면서 홍수로 인한 피해가 세계적으로 증가하고 있다. 국내에서도 기후변화로 인한 극한 홍수의 위험성이 증가하는 것으로 나타나고 있다(Kim et al., 2023). 특히, 2020년 7~8월에는 54일간의 집중호우 기간 동안 중부지방에서 평년 대비 2.3배의 강수량이 발생하여 57명의 인명피해와 약 1조원의 재산피해가 발생하였고, 2022년 9월에는 태풍 힌남노로 인해 500년 빈도를 초과하는 극한강우가 발생하여 11명의 인명피해와 약 2,400억원의 재산피해가 발생하였다(MOIS, 2021; 2023). 이러한 대규모 홍수 피해를 저감하기 위해서는 댐이나 보 등 수자원 시설의 관리가 홍수 대응에 있어 핵심적인 역할을 하므로, 예측의 정확도와 안정성 향상이 중요하다.

수문예측 정확도 향상을 위해서는 신뢰도 높은 기상예측정보가 필수적인데, 최근 컴퓨터 성능의 향상과 수치예보기술의 발달로 고해상도 수치예보모형이 개발되어 활용되고 있다. 수치예보모형을 활용한 단기 유량예측 연구를 살펴보면, Abaza et al. (2014)은 분포형 수문모형 Hydrotel과 캐나다 전지구 기상앙상블예측시스템(M-GEPS)을 결합하여 예측을, Dutta et al. (2012)은 호주 기상청의 Local Analysis and Prediction System (LAPS)와 Australian Community Climate and Earth-System Simulator-Regional (ACCESS-R) 수치예보모형자료를 이용한 단기 유량 예측을 수행하였다. He et al. (2022)는 National Oceanic and Atmospheric Administration (NOAA)에서 제공하는 Global Ensemble Forecasting System Reforecast (GEFS/R)수치예보모형의 5개 앙상블을 Long Short-Term Memory (LSTM) 모형과 연계하여 단기 유량 예측을 수행하였다. 한국의 현행 기상 예보는 선행 예측기간에 따라 초단기(Korea Local Analysis and Prediction System, KLAPS; 12시간), 단기(Local Data Assimilation and Prediction System, LDAPS, 48시간; Regional Data Assimilation and Prediction System, RDAPS, 87시간), 중기(Global Data Assimilation and Prediction System, GDAPS; 288시간)로 구분하여 운영 중이다. 그 중 단기 수치예보모형인 LDAPS는 한반도 지역을 대상으로 1시간 단위 48시간 예측정보를 제공하며, 1.5 km 의 고해상도 격자체계를 바탕으로 한반도의 복잡한 지형특성을 상세하게 반영할 수 있는 특징이 있어 단기 유량 예측 활용성이 높다. LDAPS 예측 자료에 통계적 상세화 기법을 적용하여 도시 지역의 고해상도 기온 예보 시스템을 개발한 연구(Yi et al., 2018)와 AWS 지점의 토지피복과 지형 특성에 따른 LDAPS의 지상 풍속과 기온 예측 성능을 평가한 연구(Kim et al., 2020) 등이 이루어졌으나 LDAPS 강수 예측에 대한 평가 및 수문 예측 활용에 관한 연구는 미진한 편이다.

한편, 유역의 물리적 특성과 수문과정을 상세히 고려할 수 있는 물리기반 분포형 수문모형의 활용이 증가하고 있다. 특히, 물리기반 분포형 수문모형인 WRF-Hydro는 대기와 수문 과정을 통합적으로 모의할 수 있는 모형으로, 기존 WRF 모형의 지표면 모의 과정을 확장하여 지표유출, 하도추적, 지하수 흐름 등 상세한 수문과정을 포함한다(Gochis et al., 2020). 미국에서는 WRF-Hydro를 기반으로 한 National Water Model (NWM)을 구축하여 현업 수문예보에 활용하고 있으며, 그 예측 성능이 입증되었다(Lahmers et al., 2019). WRF-Hydro를 이용한 다양한 연구가 진행되고 있는데, 금호강 유역을 대상으로 Kim et al. (2024a)는 WRF-Hydro의 공간해상도(100 m, 250 m, 500 m)에 따른 유량 예측 성능과 PEST 기반 매개변수 최적화를 평가하였으며, Kim et al. (2024b)는 중기수치예보 자료인 GDAPS를 100 m 해상도의 WRF-Hydro에 적용하여 유량 예측을 수행하였다. Lee et al. (2022)은 WRF-Hydro를 이용하여 한국의 가뭄 특성을 평가하였으며, Kim et al. (2021)은 달라스-포트워스 도시 지역을 대상으로 WRF-Hydro모형과 Collaborative Adaptive Sensing of the Atmosphere (CASA) 레이더 강우자료를 이용하여 고해상도 도시홍수 예측을 수행하였다.

그러나 수치예보 모형과 수문모형을 연계한 예측 시스템에서는 여러 불확실성의 근원들이 존재한다. 특히 수문모형을 통해 산출된 유량은 입력자료의 불확실성과 모형 구조 및 매개변수의 한계로 인해 예측 오차가 발생할 수 있다(Shen et al., 2018). 이러한 예측 시스템의 불확실성의 한계를 극복하기 위해 앙상블 기법의 활용이 증가하고 있다. Cloke and Pappenberger (2009)는 확률적 앙상블 예측 시스템(Ensemble Prediction Systems, EPS)를 통해 중기 홍수예측의 정확성을 향상시킬 수 있음을 보였으며, Harrigan et al. (2018)은 앙상블 수문예측이 예측의 안정성이 개선됨을 확인했다. 특히 Jie et al. (2014)은 시간차 앙상블 기법을 통해 강수예측의 정확도를 향상시켰으며, Kim et al. (2017)은 시간차 앙상블 기법과 자기회귀 프로세스를 결합하여 첨두유량의 예측 정확도와 발생시간 예측 정확도를 향상시켰다. 또한, Sahai et al. (2021)은 다중 모형과 다중 물리과정 앙상블을 통해 예측 불확실성이 감소될 수 있음을 보고하였다.

본 연구에서는 물리기반 분포형 수문모형인 WRF-Hydro 모형을 활용하여 수치예보모형인 LDAPS를 기상 입력자료로 단기 유량예측을 수행하고 예측성능을 평가한다. 또한 6시간 간격 LDAPS의 48시간 예측 자료로 WRF-Hydro 기반의 유량 앙상블을 생성하고, 결정론적 단일 모의 대비 앙상블 기법이 유량 예측의 변동성과 불확실성 저감에 미치는 영향을 분석한다. 이를 위해 금호강 유역을 대상으로 100 m 급 고해상도 모형을 구축하고, 2020년 8월 집중호우와 2022년 태풍 힌남노 사상에 대해 LDAPS 48시간 예측자료와 AWS&ASOS 관측자료를 기상입력자료로 활용하여 유량을 모의한다. 논문의 구성은 다음과 같다. 2장에서는 연구 대상유역, WRF- Hydro모형과 기상입력자료 및 앙상블 구성에 대해 소개한다. 3장에서는 기상자료별 유량 모의결과를 비교하고 앙상블 기법 적용결과를 분석한다. 마지막으로 4장에서 본 연구의 결론과 향후 연구방향에 대해 논의한다.

2. 연구방법

2.1 연구 지역

연구지역은 낙동강 지류의 금호강 유역으로 하천길이 114.6 km, 유역면적 2,087.9 km²로 낙동강 전체 유역의 약 9.2% 를 차지한다(Fig. 1). 낙동강 중류에 위치한 금호강은 포항시 북구 죽장면 가시리에서 발원하여 남류하다 영천시와 경산시 일대를 지난다. 유역의 연평균 기온은 13°C, 연강수량은 1,007 mm 이다(Cha et al., 2017). 유역내 수문 관측 자료 중 지점의 위치와 데이터 가용성을 검토하여 유역 출구인 강창교와 중류 부근인 안심교 지점을 주요 하천 유량 비교 지점으로 선정하였다. 지점별 하천 수위-유량 자료는 2020년과 2022년 두 기간에 대해 1시간 단위 자료를 낙동강홍수통제소(https://www.nakdongriver.go.kr/main.do) 웹페이지를 통해 수집하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F1.jpg

Fig. 1.

Guemho River catchment

2.2 지형자료 및 토지자료

WRF-Hydro 모형의 주요 지형 입력자료로 토지이용도, 토양도, 수치표고모형(Digital Elevation Model, DEM)등의 지리정보가 필요하며(Fig. 2), WRF Preprocessing System (WPS)을 통해 모형 입력자료로 변환된다. DEM 자료는 고해상도 지형 라우팅을 위한 기본 입력자료로 활용되며 NASA Shuttle Radar Topography Mission (SRTM)에서 제공하는 30 m 공간해상도의 DEM 자료를 100 m 해상도로 리샘플링하여 구축하였다(Fig. 2(a)). 토지이용도는 WRF-Hydro에서 지표면 특성을 나타내는 중요한 입력자료로, 환경부에서 제공하는 중분류 토지피복도를 사용하여 구축하였다(Fig. 2(b)). Fig. 2(b)를 보면, 낙엽활엽수림(Deciduous Broadleaf Forest)이 약 28.9% 로 가장 높은 분포도를 보였고, 상록수 침엽수림(Evergreen Needle leaf) 약 24.8%, 도시 및 건설토지(Urban and Built-Up Land) 약 9.9% 순으로 분포한다(Kim et al., 2024b). 토양자료는 농촌진흥청의 1:25,000 축척 정밀토양도를 활용하였으며, 표층(0~10 cm)과 심층(10~40 cm)으로 구분하여 구축하였다. Fig. 2(c)는 금호강 유역의 표층과 심층 정밀토양도이다. 금호강 유역 토양의 표층부는 실트질양토(Silt Loam)가 약 46.8% 로 최대 면적을 차지하며, 양토(Loam) 약 28.8%, 사양토(Sandy Loam) 약 15.8% 의 순이다. 금호강 유역 심층부의 경우 점토질(Clay Loam)가 약 57.6% 로 가장 높은 비중을 차지했고, 사양토(Sandy Loam) 약 16.5%, 미사질식양토(Silty Clay Loam) 약 10.9%의 순이다(Kim et al., 2024b).

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F2.jpg

Fig. 2.

DEM, soil and land use distribution maps (100 m resolution)

2.3 기상입력자료

WRF-Hydro 모의에 필요한 기상요소는 8가지이며(Table 1) 기상수치예보자료를 WRF-Hydro 형식으로 변환하는 과정이 필요하다. NCAR에서 Earth System Modeling Framework (ESMP) Regridding 스크립트 등 변환 방법을 제공하고 있지만 GDAPS 등 일부 모형에 국한된다(Kim et al., 2024b). 따라서 본 연구에 사용한 한국 기상청의 기상수치예보와 지상관측 정보를 WRF-Hydro 형식으로 변환하는 Python 스크립트를 개발하여 기상 입력자료를 구축하였다.

2.3.1 LDAPS

국지예보모형 LDAPS는 한반도 주변을 모의 공간범위로 1시간 단위 기상 예측 정보를 총 48시간까지 생산한다. 예측은 6시간 간격으로 1일 4회(00:00, 06:00, 12:00, 18:00 UTC) 갱신되며, 전지구예보모형인 GDAPS의 3시간 간격 모의 결과를 경계 조건으로 활용한다. 영국에서 개발된 통합모형(UM)을 기반으로 1.5 km 의 수평공간해상도를 가지며, 수직으로 약 40 km 까지 70층으로 구성되어 있다. 국지예보모형은 3차원 변분자료 동화(Variational Assimilation) 기법을 이용하여 각각의 자체 분석-예측(Analysis-Prediction) 순환 체계로 운영하고 있다. LDAPS 수치모의 결과는 등압면, 단일면, 모델면의 3가지 유형으로 기상자료개방포털(https://data.kma.go.kr/cmmn/main.do)을 통해 제공되며, 데이터 형식은 GRIB2이다. LDAPS 자료 중 Table 1의 WRF-Hydro 기상강제력 필요 요소를 추출하고 netCDF 형식으로 변환하여 1시간 간격의 입력자료를 구축하였다. 예를 들어, 강수 정보는 LDAPS 예측 자료에서 Large-Scale Precipitation Rate (LSPR) 변수를 추출하여 WRF-Hydro 입력자료로 적용하였다.

Table 1.

Mapping of LDAPS variables to WRF-Hydro forcing elements

WRF-Hydro Variables	Description	LDAPS Variables	Unit
SWDOWN	Incoming shortwave radiation	TDSW	W/m²
LWDOWN	Incoming longwave radiation	DLWS	W/m²
Q2D	Specific humidity	SPFH	kg/kg
T2D	Air temperature	TMPR	K
PSFC	Surface pressure	PRES	Pa
U2D	Near surface wind in the u-component	UGRD	m/s
V2D	Near surface wind in the v-component	VGRD	m/s
RAINRATE	Precipitation rate	LSPR	mm/s or /kg/m²/s

2.3.2 AWS&ASOS

본 연구에서는 WRF-Hydro의 유량모의 성능평가 및 LDAPS 기상 예측 정확도를 평가하기 위해 기상청에서 제공하는 지상관측자료인 방재기상관측장비(Automatic Weather Stations, AWS)와 종관기상관장비(Automated Synoptic Observing Systems, ASOS)자료를 활용했다. 금호강 유역 안 지점은 AWS가 9곳(죽장, 신녕, 경산, 하양, 화북, 대구 북구, 대구 서구, 팔공산, 신암), ASOS가 2곳(대구, 영천)으로 총 11곳의 관측자료를 사용하였다. AWS와 ASOS에서는8개의 기상요소(기온, 강수, 풍속, 풍향, 기압, 습도, 일조, 일사)를 WRF-Hydro 기상입력자료로 변환하여 1시간 간격의 입력자료를 구축하였다.

2.4 분포형 수문모형 WRF-Hydro

본 연구에서는 고해상도 유량 예측을 위해 분포형 수문 모형인 WRF-Hydro 5.2버전을 사용하였다. WRF-Hydro는 미국 국립 수문 모형 National Water Model (NWM)의 중요한 구성 요소로 미국 국립대기연구센터 National Center for Atmospheric Research (NCAR)에서 만든 기상 및 수문 통합 프레임워크(framework)이다. WRF-Hydro는 WRF 기상모형과 직접 연계하여 구동하는 결합형과 외부 기상자료를 입력 받아 구동하는 독립형을 지원한다(Gochis et al., 2020). 또한 WRF-Hydro는 모듈식 구조의 수문모의 프레임워크로, WRF- Hydro Driver/Coupler를 통해 선택된 물리 모듈이 연계된다. 각 모듈은 필요에 따라 서로 다른 공간해상도의 격자체계에서 모의할 수 있어 고해상도 수문모의가 가능하다는 특징을 가진다(Gochis et al., 2020). 본 연구에서는 국내 수치예보모형을 기상강제력(Forcing data)으로 사용하기 위해 독립형 버전으로 WRF-Hydro를 구성하였으며, 물리 모듈 중 지표유출, 지하수 흐름, 하천 추적 모듈을 적용하였다(Fig. 3).

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F3.jpg

Fig. 3.

Flowchart of the WRF-Hydro and LDAPS based streamflow simulation

본 연구에서 적용된 세 가지 주요 모듈의 물리과정을 간단히 살펴보면(Fig. 4), 첫 번째 지표모형(Land Surface Model)은 유출해석에서 강점이 있는 Noah-Multiparameterization (Noah-MP) Land Surface Model 모형을 사용하여 증발산, 토양수분, 에너지 플럭스 등의 연직 수문과정을 모의하고, 두 번째 지표추적모형은 지표류와 지표하 흐름을 모의한다. 지표수 흐름은 연속 방정식인 Eq. (1)과 Manning 방정식인 Eq. (2)를 기반으로 계산된다.

(1)

\frac{\partial h}{\partial t} + \frac{\partial q_{x}}{\partial x} + \frac{\partial q_{y}}{\partial y} = i_{e}

(2)

q_{x} = \frac{\sqrt{S_{f x}}}{n_{O V}} h^{β}

여기서, h는 수심, $q_{x}$ 와 $q_{y}$ 는 $x$ , $y$ 방향의 단위 유량, $i_{e}$ 는 침투 초과 유출량, n은 manning’s 조도계수, $S_{f x}$ 은 마찰경사, $β (= \frac{5}{3})$ 는 단위 환산 계수를 나타낸다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F4.jpg

Fig. 4.

Conceptual diagram of WRF-Hydro physics components and relative outputs (Zafer, 2021; Gochis et al., 2020)

마지막으로 하천추적(Channel Routing)은 확산파(Diffusive Wave)방정식의 격자 기반 추적 알고리즘을 적용하였다. 확산파 기법에서의 하천추적의 연속방정식은 Eq. (3)과 운동량방정식은 Eq. (4)와 같다.

(3)

\frac{\partial A}{\partial t} + \frac{\partial Q}{\partial x} = q_{l a t}

(4)

\frac{\partial Q}{\partial t} + \frac{\partial (\frac{β Q^{2}}{A})}{\partial x} + g A \frac{\partial Z}{\partial x} = - g A S_{f}

여기서, t는 시간, x는 하천 흐름 방향, A는 흐름 단면적, Q는 유량, $q_{l a t}$ 은 하천 격자로의 측방 유입, 𝛽는 운동량 보정 계수, Z는 수위, g는 중력가속도, $S_{f}$ 는 마찰경사를 나타낸다.

2.5 모의 설정 및 앙상블 구성

본 연구에서는 2020년 8월초 집중호우 기간과 2022년 태풍 힌남노 기간의 두가지 홍수사상을 대상으로 기상자료별 강우 및 모의 유량을 비교 분석하였다. 각 사상의 모의 기간은 강우사상의 전후 유출 특성 분석에 충분하도록 설정하였으며, 2020년 기간의 경우 UTC기준 8월 3일 00시부터 14일 00시까지 약 11일 간, 2022년 기간의 경우 9월 01일 00시부터 12일 00시까지 약 11일 간이다(Table 2). WRF-Hydro 모의 계산을 위해 지표면 모형(Land Surface Model)과 하천추적 공간해상도는 100 m로 설정하였고, 하천 추적과 지표면 추적 시간 간격은 6 sec로 설정하였다. Linux 환경에서 총 48개의 CPU로 병렬 연산을 수행하였으며, LDAPS 기반 48시간 선행 단일 예측 모의는 약 2 min의 연산시간이 소요되었다.

Table 2.

Flood events and simulation periods

Flood Event	Simulation Period (UTC)
Event 2020	August 03 00:00~August 14 00:00
Event 2022	September 01 00:00~September 12 00:00

앙상블은 LDAPS의 48시간 예측자료의 WRF-Hydro 모의 유량을 이용하여 구성하였다. LDAPS는 1일 4회(00:00, 06:00, 12:00, 18:00 UTC) 48시간 예측자료를 생성하므로, 특정 시점에 대해 최대 8개의 서로 다른 예측 시작 시각의 예측 값이 존재한다. Fig. 5는 6시간 간격으로 생성되는 LDAPS 예측자료를 기상강제력으로 적용한 WRF-Hydro의 단일 모의를 활용하여 시간차 앙상블(Time-Lagged Ensemble)을 구성하는 방식을 가시화한 것으로, 시계열 (a)와 다이어그램(b)로 표현하였다. 예를 들어, 8월 8일 00시의 경우 8월 6일 00시부터 8월 7일 18시까지 6시간 간격으로 시작된 8개의 LDAPS 예측자료를 WRF-Hydro의 기상입력자료로 활용하여 각각 유량을 모의하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F5.jpg

Fig. 5.

Time-lagged ensemble concept for the WRF-Hydro and LDAPS simulation: (a) Conceptual diagram of time-lagged ensemble members at a specific time point, (b) Structure of LDAPS forecast data and overlapping period for ensemble generation

이러한 앙상블 구성으로 Fig. 6는 2020년 8월 8일 00시를 대상으로 8개의 앙상블 멤버에 대한 LDAPS 강우와 LDAPS 강우에 따른 WRF-Hydro 토양수분의 공간분포를 도시한 사례이다. Fig. 6(a)를 보면 앙상블 멤버별로 강우의 공간적 패턴과 강도가 상이하게 나타나는 것을 확인할 수 있다. 이러한 영향으로 Fig. 6(b)의 토양수분 분포는 강우의 분포에 따라 분포가 달라지는 것을 볼 수 있다. 이와 같이 같은 시점의 공간분포이지만 예측 시작시점에 따라 변동성이 크다는 것을 알 수 있다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F6.jpg

Fig. 6.

Spatial distribution of (a) LDAPS rainfall forecasts and (b) WRF-Hydro simulated soil moisture at 8 Aug. 2020 00:00 UTC (eight ensemble members)

2.6 유량 모의 성능 평가 지표

2.6.1 NSE

Nash-Sutcliffe Efficiency (NSE)는 관측과 모의의 일치도를 평가하는 무차원 지표로, -∞ 에서 1 사이의 값을 가지며, 식은 다음과 같다.

(5)

N S E = 1 - \frac{\sum_{t = 1}^{N} {(Q_{t}^{obs} - Q_{t}^{sim})}^{2}}{\sum_{t = 1}^{N} {(Q_{t}^{obs} - Q_{mean}^{sim})}^{2}}

여기서, $Q_{t}^{o b s}$ 는 t시점의 관측, $Q_{t}^{s i m}$ 는 t시점의 모의, $Q_{m e a n}^{s i m}$ 는 관측의 평균이다. NSE 지표는 1에 가까울수록 모의 성능이 우수함을 의미한다.

2.6.2 KGE

Kling-Gupta Efficiency (KGE)는 관측과 모의의 상관관계, 변동성, 평균 편향 등을 종합적으로 평가하며, 식은 다음과 같다.

(6)

K G E = 1 - \sqrt{(γ - 1)^{2} + (α - 1)^{2} + (β - 1)^{2}}

여기서, 𝛾은 모의, 관측간 상관계수이며, 𝛼는 모의와 관측의 변동성 비를 나타낸다. 𝛽는 모의와 관측의 평균비를 의미한다. KGE는 무차원 지표로 -∞ 에서 1 사이의 값을 가지며, 1에 가까울수록 모의와 관측의 일치도가 높은 것을 의미한다.

2.6.3 RMSE

Root Mean Square Error (RMSE)는 모의 정확도 평가에 널리 사용되는 지표로, NSE와 KGE와 같은 무차원 지표와 달리 유량단위를 가지므로, 오차 크기를 직관적으로 이해할 수 있다는 장점이 있으며, 식은 다음과 같다.

(7)

R M S E = \sqrt{\frac{1}{N} \sum_{t = 1}^{N} {(Q_{t}^{obs} - Q_{t}^{s i m})}^{2}}

여기서, $Q_{t}^{obs}$ 는 t시점의 관측 값, $Q_{t}^{s i m}$ 는 t시점의 모의 값이다. RMSE가 0에 가까울수록 모형의 예측성능이 우수함을 의미한다.

3. 결과 및 분석

3.1 기상자료별 강우 및 모의유량 분석

본 절에서는 2020년과 2022년의 두 홍수사상에 대해 LDAPS 예측 자료(선행시간 48 hours)와 AWS&ASOS 지상 관측자료의 강수 및 WRF-Hydro 수문 모의 결과를 비교하였다. LDAPS의 강우 공간분포로부터 면적평균 강우 시계열을 먼저 산정하고, 각 예측 시작 시각별로 중첩되는 구간의 강우량 앙상블을 평균하여 최종 LDAPS 앙상블의 강우량을 산정하였다. AWS&ASOS 관측자료의 경우, 연구 유역 내외의 11개 관측소(AWS 9개소, ASOS 2개소) 지점 강우량에 대해서 역거리 가중법(Inverse Distance Weighted, IDW)으로 공간 보간된 자료로 면적평균 강우량을 추정하였다.

Fig. 7에서 2020년과 2022년 두 홍수사상에 대해 산정된 시간별 강우시계열과 누적강우량을 비교하였다. 누적강우량의 경우 LDAPS 예측 자료가 AWS&ASOS 관측자료에 비해 2020년 8월 강우(Event 2020)는 약 23.3%, 2022년 9월 강우(Event 2022)는 약 17.9% 과소 추정되었다. Event 2020의 경우(Fig. 7(a)), AWS&ASOS 지상관측 기준 최대 시간당 강우량은 8월 7일 04시에 18.2 mm/hr를 기록했으며, LDAPS는 8월 8일 16시 6.0 mm/hr로 상대적으로 강우강도가 낮게 추정되었다. Event 2020의 누적 강우량 그래프 Fig. 7(b)를 보면 AWS&ASOS가 253.8 mm, LDAPS는 194.7 mm 로 분석되었다. Event 2022의 경우(Fig. 7(c)) AWS&ASOS 기준 시간당 최대 강우량은 9월 5일 21시에 11.6 mm/hr를 기록했으며, LDAPS는 9월 5일 20시에 9.2 mm/hr였다. 누적 강수량(Fig. 7(d))은 AWS&ASOS가 95.3 mm, LDAPS는 78.2 mm로 분석되었다. 집중호우 사상인 Event 2020의 경우 강우강도의 시간 변동성이 큰 것에 반해 태풍 힌남노 사상인 Event 2022의 경우 강우가 특정 시점에 집중되어 발생하였으며, LDAPS는 지상관측에 비해 강우강도가 높은 시간대의 예측이 일부 과소 추정된 것이 확인되었다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F7.jpg

Fig. 7.

Comparison of hourly and cumulative rainfall: (a, b) 2020 flood event and (c, d) 2022 flood event

각 기상자료를 입력자료로 모의한 WRF-Hydro 유량 모의 결과를 안심교와 강창교 두 지점에서 유량 관측 자료와 비교 분석하였다(Fig. 8). 여기서 LDAPS기반 유량모의결과는 2.5절의 앙상블 구성방식으로 생성된 앙상블의 평균값이다. Event 2020의 경우(Figs. 8(a) and 8(b)), 안심교(a)와 강창교(b) 모두에서 AWS&ASOS와 LDAPS 모의가 관측 수문곡선의 전반적인 형태와 유량 증가 시작점, 감소 시작점을 관측 값과 유사하게 재현하였다. Event 2020(Figs. 8(c) and 8(d))에서는 안심교(c)의 경우 AWS&ASOS와 LDAPS 모의가 관측 값보다 전반적으로 낮게 모의되었으나, 마찬가지로 유량의 상승 시점과 하강 시점은 관측과 유사한 패턴을 보였다. 강창교(d)에서는 첨두 발생 이후 하강부의 기울기가 관측 값과 차이를 보였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F8.jpg

Fig. 8.

Comparison of streamflow simulation results for 2020 and 2022 events

첨두유량분석 결과(Table 3), 2020년 안심교에서 관측 첨두유량 1,699 m³/s 대비 AWS&ASOS 모의는 1,466 m³/s (13.7% 과소), LDAPS 모의는 1,123 m³/s (33.9% 과소)를 예측하였다. 첨두유량 발생시각은 AWS&ASOS 모의가 관측 대비 4시간 지연되었고, LDAPS 모의는 2시간 지연되었다. 강창교의 경우 관측 첨두유량 2,320 m³/s대비 AWS&ASOS 모의는 2,185 m³/s (5.8% 과소), LDAPS 모의는 1,948 m³/s (16.0% 과소)를 예측하였다. 첨두발생시각은 AWS&ASOS가 1시간 지연, LDAPS는 6시간 선행하였다. 2022년 안심교의 경우 관측 첨두유량 1,540 m³/s대비 AWS&ASOS 모의가 1,262 m³/s (18.1% 과소), LDAPS 모의가 1,007 m³/s (34.6% 과소)를 예측하였다. AWS&ASOS는 관측과 동일한 시각에, LDAPS는 3시간 지연된 시각에 첨두유량이 발생하였다. 강창교에서는 관측값 1,317 m³/s 대비 AWS&ASOS가 1,541 m³/s로 17.0% 과대 예측을, LDAPS는 1,112 m³/s로 15.6% 과소 예측하였다.

Table 3.

Comparison of peak flow magnitude and timing by meteorological forcing data

Event	Gauging Station	Forcing Data	Peak Flow (m³/s)	Peak Time (UTC)
Event 2020	Ansim	Observation	1,699	August 08, 11:00
		AWS&ASOS	1,466	August 08, 15:00(+4 hr)
		LDAPS Ens	1,123	August 08, 13:00(+2 hr)
	Kangchang	Observation	2,320	August 08, 13:00
		AWS&ASOS	2,185	August 08, 14:00(+1 hr)
		LDAPS Ens	1,948	August 08, 07:00(-6 hr)
Event 2022	Ansim	Observation	1,540	September 06, 03:00
		AWS&ASOS	1,262	September 06, 03:00(-)
		LDAPS Ens	1,007	September 06, 06:00(+3 hr)
	Kangchang	Observation	1,317	September 06, 06:00
		AWS&ASOS	1,541	September 06, 12:00(+6 hr)
		LDAPS Ens	1,112	September 06, 11:00(+5 hr)

평가지표로 분석한 결과(Table 4), Event 2020의 경우 AWS&ASOS기반 유량 모의는 두 지점에서 NSE 0.94 이상, KGE 0.91이상, RMSE 93.5~107.1 m³/s로 나타났다. LDAPS는 NSE 0.86이상, KGE 0.80이상, RMSE 141.1~148.1 m³/s의 정확도를 보였다. Event 2022에서는 두 지점에서 AWS& ASOS는 NSE 0.83~0.95, KGE 0.5~0.80, RMSE 49.3~96.7 m³/s로 나타났다. LDAPS기반 유량 모의는 두 지점에서 NSE 0.81~0.84, KGE 0.61~0.66, RMSE 94.6~100.0 m³/s의 범위의 성능 지표를 보였다. 2022년 강우사상에서는 평가지표 값의 범위가 넓게 나타났는데 이는 해당기간의 강우가 특정 시점에 집중되어 발생하는 특성으로 인한 모의의 불확실성 증가 때문인 것으로 판단된다. 또한 LDAPS 기반 유량 모의결과가 전반적으로 과소 추정되었는데, 이는 강우분석에서도 나타났던 LDAPS의 강우 과소 예측이 유량 모의 결과에 지배적인 영향을 미친 것으로 판단된다.

Table 4.

Comparison of the performance metrics by meteorological forcing data

Event	Gauging Station	Forcing Data	NSE	KGE	RMSE
Event 2020	Ansim	AWS&ASOS	0.94	0.91	93.5
	Ansim	LDAPS Ens	0.86	0.80	141.9
	Kangchang	AWS&ASOS	0.96	0.94	107.1
	Kangchang	LDAPS Ens	0.93	0.88	148.1
Event 2022	Ansim	AWS&ASOS	0.95	0.80	49.3
	Ansim	LDAPS Ens	0.81	0.66	100.0
	Kangchang	AWS&ASOS	0.83	0.50	96.7
	Kangchang	LDAPS Ens	0.84	0.61	94.6

3.2 결정론적 모의와 앙상블 비교

LDAPS 예측자료 기반의 결정론적 단일 유량 모의와 앙상블 결과를 비교 분석하였다. 결정론적 단일예측 결과는 6시간 간격으로 시작되는 48시간 예측자료를 각각 WRF-Hydro의 입력자료로 활용하여 유량을 모의한 결과이다. 앙상블유량평균 결과는 이러한 결정론적 단일예측 결과가 시간별로 중첩되는 구간의 모의 유량을 평균한 결과이다. 즉, 특정 시각의 유량은 최대 8개의 서로 다른 예측 시작 시각의 모의 결과를 평균한 값이다.

Fig. 9를 보면, Event 2020에서는 첨두유량 발생 시기에 앙상블 멤버(단일예측 결과)간 예측 범위가 크게 나타났다(Figs. 9(a) and 9(b)). Event 2022에서도 유사한 패턴이 관찰되었으나, 예측 범위의 폭은 상대적으로 작게 형성되었다(Figs. 9(c) and 9(d)).

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F9.jpg

Fig. 9.

Comparison of simulated streamflow: single prediction (green line), ensemble mean (blue line), ensemble spread (shaded area), and observations (black line)

결정론적 단일 모의와 앙상블 평균에 대해 평가지표로 평가한 결과를 Box plot으로 도시하고 분석하였다(Fig. 10). 6시간 간격으로 구축된 LDAPS기상강제력 기반 WRF-Hydro 48시간 모의 유량에 대해 결정론적 단일 모의의 평가지표를 산정하고, 동일한 시간 윈도우(48시간)에 대한 8개 중첩 시간차 앙상블의 평균 유량에 대한 성능을 비교하였다. Event 2020의 경우 8월 7일 00시부터 8월 9일 00시까지, Event 2022은 9월 5일 00시부터 9월 7일 00시까지의 기간에 대해 NSE, KGE, RMSE지표를 분석하였다. NSE의 경우 극단적인 음의 값을 제외하고 변동성을 명확히 보기 위해 -1에서 1사이로 필터링하여 표시하였다. 최하류 지점인 강창교의 예측 시간대별 NSE 지표의 25 ~75%(1/4~3/4분위) 범위를 비교하면(Fig. 10), Event 2020의 단일 예측에서는 0.55~0.93에서 앙상블 예측에서는 0.78~0.89로 71.1% 감소하였고, Event 2022의 단일예측에서 NSE지표의 1/4~3/4 분위 범위가 0.01부터 0.64에서 앙상블 예측에서는 0.71부터 0.82로 82.3% 감소하였다. KGE의 경우, Event 2020의 단일 예측에서는 1/4~3/4 분위 범위가 0.40~0.83에서 앙상블 예측에서는 0.78~0.84로 81.4% 감소하였고, Event 2022의 단일 예측에서는 0.14부터 0.68에서 앙상블 예측에서는0.50부터 0.75로 53.7% 감소하였다. RMSE지표는 Event 2020의 단일 예측에서 25~75% 범위가 192 m³/s부터 586 m³/s에서 앙상블 예측에서는 241 m³/s부터 279 m³/s로 90.4% 감소하였고, Event 2022의 단일 예측 범위가 139 m³/s부터 292 m³/s에서 앙상블 예측에서는 134 m³/s부터 181 m³/s으로 69.93% 감소하였다. 특히 NSE와 KGE 모두에서 박스 하단값(25% 또는 1/4분위)이 단일 예측보다 앙상블 예측에서 더 높게 형성되었는데, NSE의 경우 Event 2020과 2022에서 각각 0.55에서 0.78, 0.01에서 0.71로, KGE는 0.4에서 0.78, 0.14에서 0.5로 상승하였다. 이는 결정론적 단일예측 대비 앙상블 예측 성능이 안정적으로 확보될 수 있음을 보여준다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-03/N0200580306/images/kwra_58_03_06_F10.jpg

Fig. 10.

Box plots of NSE, KGE and RMSE values for single and ensemble predictions

유역의 중류 부근인 안심지점 또한 위와 같은 경향을 나타내는데, NSE는 25~75%(1/4~3/4분위) 범위가 Event 2020, Event 2022에서 단일 예측은 각각 0.51~0.93, 0.09~0.7의 범위였으나, 앙상블에서는 0.52~0.69, 0.4~0.71범위로 각각 59.5%, 63.9% 감소하여 예측의 변동성 감소된 것을 확인할 수 있었다. KGE의 경우도, 25~75%(1~3분위) 범위가 단일 예측은 0.40~0.85, 0.25~0.61에서 앙상블은 0.54~0.66, 0.56~ 0.57로 73.3%, 97.2% 감소하였다. RMSE 지표 또한 단일 예측 133~370 m³/s, 76~319 m³/s에서 앙상블은 197~308 m³/s, 69 ~226 m³/s로 53.0%, 34.6% 감소하였다. 이러한 분석 결과는 앙상블 예측이 단일 예측의 불확실성을 효과적으로 감소시키고, 보다 안정적인 예측 성능을 제공할 수 있음을 보여준다. 특히 홍수 발생 시기와 같이 유량 변동이 큰 기간에서도 앙상블 평균은 상대적으로 안정적인 예측 성능을 유지하였다. 다만, 본 연구의 분석대상 홍수사상인 Event 2020과 Event2022 발생 원인이 집중 호우와 태풍으로 각각 상이한 것이 단일 모의 및 앙상블 예측 성능에 잠재적 영향을 주었을 것으로 판단되며, 향후 추가적인 정확도 향상을 위해서는 수문기상 특성 및 예측선행시간별로 앙상블 예측의 편이에 미치는 영향에 대한 후속 연구가 필요할 것으로 판단된다.

4. 결 론

본 연구에서는 금호강 유역을 대상으로 고해상도 분포형 수문모형 WRF-Hydro와 LDAPS기상예측을 연계하여 고해상도 단기 유량예측을 수행하고, 앙상블 기법의 적용성을 평가하였다. 이를 위해 100 m 공간해상도의 WRF-Hydro 모형을 구축하고, 2020년 8월 집중호우와 2022년 태풍 힌남노 사상에 대해 LDAPS 48시간 선행 예측자료와 AWS&ASOS 관측자료를 이용하여 유량을 모의하고 분석하였다. 주요 결과는 다음과 같다.

(1) LDAPS와 AWS&ASOS의 강우량을 비교한 결과, LDAPS는 Event 2020과 2022 홍수 사상에서 각각 23.3% 와 17.9% 관측자료 대비 과소 예측하는 경향을 보였다.

(2) 지상 기상 관측자료(AWS&ASOS)를 활용한 WRF-Hydro 유량 모의는 최하류 지점(강창교) Event 2020과 2022의 NSE 지표가 각각 0.96, 0.83으로 비교적 우수한 모의 성능을 확인할 수 있었으며, LDAPS 앙상블을 활용한 경우에도 NSE 0.93, 0.84로 비교적 양호한 성능을 나타냈다.

(3) LDAPS 기반의 결정론적 단일 예측에 비해 과거 시간대 예측을 중첩하여 활용한 앙상블 적용시 예측 성능이 향상되고 예측 시간대별 변동성이 완화되었다. 6시간 간격으로 수행된 결정론적 예측은 유량 예측 성능이 급감하는 경우가 있었으나, 앙상블에서는 유역 하류 지점(강창교)에 대해 NSE 지표 1/4~3/4분위 범위가 결정론적 예측에 비해 Event 2020과 Event 2022에서 각각 71.1%, 82.3% 감소하여 예측의 안정성이 향상됨을 확인하였다. KGE와 RMSE지표에서도 1/4~3/4분위 범위가 단일 예측 대비 앙상블에서 각각 81.40%, 90.36% 감소되어 기상 예측의 불확실성에 의해 성능이 저하되는 예측 시간대에 대한 보완이 가능할 것으로 분석되었다.

본 연구를 통해 WRF-Hydro와 LDAPS를 연계한 고해상도 앙상블 유량 예측 시스템의 적용성을 일부 확인하였다. 특히 앙상블 기법은 예측의 불확실성을 저감하고 안정성을 향상시키는데 효과적인 것으로 나타났다. 다만, 이는 단일 유역을 대상으로 제한된 수의 강우사상을 평가한 결과이므로, 향후 연구에서는 다양한 유역과 강우사상에 대한 앙상블 적용성 평가가 필요할 것으로 판단된다. 또한, 앙상블 기법에 의해 유량 예측 성능의 불확실성 완화는 가능하나 기상예측의 편이(Bias)에 대한 영향을 제거하기는 한계가 있으므로, 후처리 기법(Post-Processing; Muhammad et al., 2018, Lee and Ahn, 2021)을 공간분포 수문 모의와 연계하는 후속 연구를 통해 유량 예측 성능을 추가적으로 개선할 수 있을 것으로 예상된다. 나아가 선행시간에 따른 예측의 편이 특성 분석과 이를 고려한 최적의 앙상블 구성 방안에 대한 연구도 수행될 수 있을 것으로 판단된다.

Acknowledgements

이 연구는 국립금오공과대학교 대학 연구과제비로 지원되었음(과제번호202103770002). 세심한 검토를 통해 고견을 주신 심사위원분들과 편집위원님께 감사드립니다. 본 연구에서 개발된 LDAPS와 지상기상자료의 WRF-Hydro 형식 변환 Python 스크립트는 저자에게 이메일로 요청하면 공유드립니다.

Conflicts of Interest

The authors declare no conflict of interest.

References

Abaza, M., Anctil, F., Fortin, V., and Turcotte, R. (2014). "Sequential streamflow assimilation for short-term hydrological ensemble forecasting." Journal of Hydrology, Vol. 519, pp. 2692-2706.

10.1016/j.jhydrol.2014.08.038

Cha, W., Lee, O., Kim, S., and Park, Y. (2017). "Analysis of indicators of hydrological alteration on the Geumho River basin under AR5 RCP scenarios." Journal of the Korean Society of Hazard Mitigation, Vol. 17, No. 4, pp. 317-326.

10.9798/KOSHAM.2017.17.4.317

Cloke, H.L., and Pappenberger, F. (2009). "Ensemble flood forecasting: A review." Journal of Hydrology, Vol. 375, No. 3, pp. 613-626.

10.1016/j.jhydrol.2009.06.005

Dutta, D., Welsh, W.D., Vaze, J., Kim, S.S.H., and Nicholls, D. (2012). "A comparative evaluation of short-term streamflow forecasting using time series analysis and rainfall-runoff models in eWater source." Water Resources Management, Vol. 26, No. 15, pp. 4397-4415.

10.1007/s11269-012-0151-9

Gochis, D.J., Barlage, M., Cabell, R., Casali, M., Dugger, A., FitzGerald, K., McAllister, M., McCreight, J., RafieeiNasab, A., and Read, L., et al. (2020). The WRF-Hydro® modeling system technical description (Version 5.1.1). NCAR Technical Note, National Center for Atmospheric Research, Boulder, CO, U.S.

Harrigan, S., Prudhomme, C., Parry, S., Smith, K., and Tanguy, M. (2018). "Benchmarking ensemble streamflow prediction skill in the UK." Hydrology and Earth System Sciences, Vol. 22, No. 3, pp. 2023-2039.

10.5194/hess-22-2023-2018

He, S., Guo, S., Zhang, J., Liu, Z., Cui, Z., Zhang, Y., and Zheng, Y. (2022). "Multi-objective operation of cascade reservoirs based on short-term ensemble streamflow prediction." Journal of Hydrology, Vol. 610, 127936.

10.1016/j.jhydrol.2022.127936

Jie, W., Wu, T., Wang, J., Li, W., and Liu, X. (2014). "Improvement of 6-15 day precipitation forecasts using a time-lagged ensemble method." Advances in Atmospheric Sciences, Vol. 31, No. 2, pp. 293-304.

10.1007/s00376-013-3037-8

Kim, B., Lee, G., Lee, Y., Kim, S., and Noh, S.J. (2024a). "Assessment of the impact of spatial variability on streamflow predictions using high-resolution modeling and parameter estimation: Case study of Geumho River catchment, South Korea." Water, Vol. 16, No. 4, 591.

10.3390/w16040591

Kim, D.-J., Kang, G., Kim, D.-Y., and Kim, J.-J. (2020). "Characteristics of LDAPS-Predicted surface wind speed and temperature at automated weather stations with different surrounding land cover and topography in Korea." Atmosphere, Vol. 11, No. 11, 1224.

10.3390/atmos11111224

Kim, K.-J., Kim, Y.-O., and Kang, T.-H. (2017). "Application of time-lagged ensemble approach with auto-regressive processors to reduce uncertainties in peak discharge and timing." Journal of Hydrology: Regional Studies, Vol. 9, pp. 140-148.

10.1016/j.ejrh.2016.12.081

Kim, S., Kim, B., Lee, G., Lee, Y., and Noh, S.J. (2024b). "High- resolution medium-range streamflow prediction using distributed hydrological model WRF-Hydro and numerical weather forecast GDAPS." Journal of Korea Water Resources Association, Vol. 57, No. 5, pp. 333-346.

Kim, S., Kwon, J.-H., Om, J.-S., Lee, T., Kim, G., Kim, H., and Heo, J.-H. (2023). "Increasing extreme flood risk under future climate change scenarios in South Korea." Weather and Climate Extremes, Vol. 39, 100552.

10.1016/j.wace.2023.100552

Kim, S., Shen, H., Noh, S., Seo, D.-J., Welles, E., Pelgrim, E., Weerts, A., Lyons, E., and Philips, B. (2021). "High-resolution modeling and prediction of urban floods using WRF-Hydro and data assimilation." Journal of Hydrology, Vol. 598, 126236.

10.1016/j.jhydrol.2021.126236

Lahmers, T.M., Gupta, H., Castro, C.L., Gochis, D.J., Yates, D., Dugger, A., Goodrich, D., and Hazenberg, P. (2019). "Enhancing the structure of the WRF-Hydro hydrologic model for semiarid environments." Journal of Hydrometeorology, Vol. 20, No. 4, pp. 675-698.

10.1175/JHM-D-18-0064.1

Lee, D.-G., and Ahn, K.-H. (2021). "A stacking ensemble model for hydrological post-processing to improve streamflow forecasts at medium-range timescales over South Korea." Journal of Hydrology, Vol. 600, 126681.

10.1016/j.jhydrol.2021.126681

Lee, J., Kim, Y., and Wang, D. (2022). "Assessing the characteristics of recent drought events in South Korea using WRF-Hydro." Journal of Hydrology, Vol. 607, 127459.

10.1016/j.jhydrol.2022.127459

Ministry of the Interior and Safety (MOIS) (2021). 2020 Yearbook of disasters. pp. 108-112.

Ministry of the Interior and Safety (MOIS) (2023). 2022 Yearbook of disasters. pp. 113-122.

Muhammad, A., Stadnyk, T.A., Unduche, F., and Coulibaly, P. (2018). "Multi-model approaches for improving seasonal ensemble streamflow prediction scheme with various statistical post- processing techniques in the Canadian prairie region." Water, Vol. 10, No. 11, 1604.

10.3390/w10111604

Sahai, A.K., Kaur, M., Joseph, S., Dey, A., Phani, R., Mandal, R., and Chattopadhyay, R. (2021). "Multi-model multi-physics ensemble: A futuristic way to extended range prediction system." Frontiers in Climate, Vol. 3, Article 655919.

10.3389/fclim.2021.655919

Shen, M., Chen, J., Zhuan, M., Chen, H., Xu, C.-Y., and Xiong, L. (2018). "Estimating uncertainty and its temporal variation related to global climate models in quantifying climate change impacts on hydrology." Journal of Hydrology, Vol. 556, pp. 10-24.

10.1016/j.jhydrol.2017.11.004

Yi, C., Shin, Y., and Roh, J.-W. (2018). "Development of an urban high-resolution air temperature forecast system for local weather information services based on statistical downscaling." Atmosphere, Vol. 9, No. 5, 164.

10.3390/atmos9050164

Zafer, D. (2021). Hurricane Florence numerical modeling. U.S. Geological survey, accessed 26 November 2024, <https://www.usgs.gov/media/images/hurricane-florence-numerical-modeling-0>.

Journal of Korea Water Resources Association ISSN:2799-8746(Print) 2799-8754(Online) 한국수자원학회 논문집

Preview

High-resolution ensemble streamflow predictions using WRF-Hydro and LDAPS: a case study of the Geumho River catchment

ABSTRACT

MAIN

Fig. 1.

Guemho River catchment

Fig. 2.

DEM, soil and land use distribution maps (100 m resolution)

Table 1.

Mapping of LDAPS variables to WRF-Hydro forcing elements

Fig. 3.

Flowchart of the WRF-Hydro and LDAPS based streamflow simulation

(1)

(2)

Fig. 4.

Conceptual diagram of WRF-Hydro physics components and relative outputs (Zafer, 2021; Gochis et al., 2020)

(3)

(4)

Table 2.

Flood events and simulation periods

Fig. 5.

Time-lagged ensemble concept for the WRF-Hydro and LDAPS simulation: (a) Conceptual diagram of time-lagged ensemble members at a specific time point, (b) Structure of LDAPS forecast data and overlapping period for ensemble generation

Fig. 6.

Spatial distribution of (a) LDAPS rainfall forecasts and (b) WRF-Hydro simulated soil moisture at 8 Aug. 2020 00:00 UTC (eight ensemble members)

(5)

(6)

(7)

Fig. 7.

Comparison of hourly and cumulative rainfall: (a, b) 2020 flood event and (c, d) 2022 flood event

Fig. 8.

Comparison of streamflow simulation results for 2020 and 2022 events

Table 3.

Comparison of peak flow magnitude and timing by meteorological forcing data

Table 4.

Comparison of the performance metrics by meteorological forcing data

Fig. 9.

Comparison of simulated streamflow: single prediction (green line), ensemble mean (blue line), ensemble spread (shaded area), and observations (black line)

Fig. 10.

Box plots of NSE, KGE and RMSE values for single and ensemble predictions

Acknowledgements

Conflicts of Interest

References