준분포형 및 집중형 GR4J 수문모형을 활용한 순차자료동화 기반 유량 예측 특성 비교: 남강댐 유역 사례 = Comparative assessment of sequential data assimilation-based streamflow predictions using semi-distributed and lumped GR4J hydrologic models: a case study of Namgang Dam basin

국문 초록 (Abstract)

자연재해를 사전에 대비하고 효율적인 수자원 관리를 하기 위해서는 수문모형의 구조적 특성이 예측 성능에 미치는 영향을 파악하고 불확실성을 최소화하여 수문예측의 정확도를 향상시키는 것이 중요하다. 본 연구에서는 모형의 구조가 상이한 준분포형과 집중형 GR4J 모형을 순차 자료동화 기법과 연계 적용하여 하천 유량 모의성능에 미치는 영향을 분석하였다. 이를 위해 남강댐 유역에 대해 앙상블 칼만 필터(Ensemble Kalman Filter, EnKF)와 파티클 필터(Particle Filter, PF) 기법을 적용하였다. 모의결과, 두 수문모형의 Kling-Gupta efficiency (KGE) 지표는 파티클 필터 적용시 0.749(집중형), 0.831(준분포형)로, 집중형 모형 보다 준분포형 모형에서 0.082(11.0%) 향상되었다. 또한, 자료동화와 관련된 하이퍼-매개변수 중 기상강제력(강수, 잠재증발산) 불확실성이 모의성능에 미치는 영향을 분석하였다. 집중형 모형은 수문자료동화 기법에 따라, 준분포형 모형은 각 하위유역에 따라 최적 성능을 얻기 위한 불확실성 조건이 상이하였다. 한편, 자료동화 성능에 보정 및 검정기간의 비율이 미치는 영향을 평가한 결과, 앙상블 칼만 필터는 보정기간이 짧아질수록 자료동화 성능은 감소하였으나, 파티클 필터는 상대적으로 영향을 적게 받았다. 또한, 자료동화의 최적성능을 얻기 위해서는 모형 구조에 따른 적절한 하이퍼-매개변수와 보정기간 선정이 중요함을 확인하였다.

다국어 초록 (Multilingual Abstract)

To mitigate natural disasters and efficiently manage water resources, it is essential to enhance hydrologic prediction while reducing model structural uncertainties. This study analyzed the impact of lumped and semi-distributed GR4J model structures on simulation performance and evaluated uncertainties with and without data assimilation techniques. The Ensemble Kalman Filter (EnKF) and Particle Filter (PF) methods were applied to the Namgang Dam basin. Simulation results showed that the Kling-Gupta efficiency (KGE) index was 0.749 for the lumped model and 0.831 for the semi-distributed model, indicating improved performance in semi-distributed modeling by 11.0%. Additionally, the impact of uncertainties in meteorological forcings (precipitation and potential evapotranspiration) on data assimilation performance was analyzed. Optimal uncertainty conditions varied by data assimilation method for the lumped model and by sub-basin for the semi-distributed model. Moreover, reducing the calibration period length during data assimilation led to decreased simulation performance. Overall, the semi-distributed model showed improved flood simulation performance when combined with data assimilation compared to the lumped model. Selecting appropriate hyper-parameters and calibration periods according to the model structure was crucial for achieving optimal performance.