Original Article

Ecology and Resilient Infrastructure. December 2020. 327-335
https://doi.org/10.17820/eri.2020.7.4.327

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구 방법

  •   2.1 대상지역 및 기본자료

  •   2.2 지형학적 인자의 선정

  •   2.3 ROC 분석

  • 3. 결과 및 고찰

  • 4. 결 론

1. 서 론

최근 기후변화와 도시화의 영향으로 침수피해가 빈번히 발생하고 있다. 침수피해를 방지하기 위해서는 홍수가 발생하기 쉬운 지역을 정비하여 피해가 발생하지 않도록 하는 것이 가장 이상적인 방재대책이지만 한정된 예산으로 피해방지 효과를 최대로 얻기 위해서는 우선순위 산정이 중요하다. 그리고 예산이 비교적 많이 드는 구조물적 대책과 함께 방재대책으로 중요시 되고 있는 비구조물적 대책으로 홍수정보를 대상지역 주민들에게 제공하고, 교육을 통해 주민들의 대처능력을 향상시키며, 홍수취약지역에 대한 정보공개를 실시함으로써 불필요한 개발을 억제할 필요가 있다. 이에 정부에서는 자연재해대책법 제21조를 통해 중앙행정기관 및 지방자치단체의 장이 하천 범람 등 자연재해를 경감하고 신속한 주민 대피 등의 조치를 하기 위하여 재해지도를 작성하고 활용하여야 함을 의무화하고 있다.

국내・외 연구자들은 홍수위험을 사전에 방지하여 피해를 저감시키고자 물리기반의 수치모형을 이용한 홍수예상도 작성 연구 (Cho et al. 2010, Oh et al. 2016, Ji and Cho 2017)를 비롯해 최근 인공지능과 딥러닝을 활용한 자료기반 홍수예측연구 (Chung et al. 2012, Chang et al. 2014, Kim et al. 2019) 등 활발히 연구를 진행하고 있다. 그러나 수치모형과 자료기반모형의 경우 매개변수 산정과정이 복잡하거나 학습에 필요한 많은 양의 양질의 자료를 확보하기 어려운 한계가 있는 것으로 판단된다. 이러한 단점을 보완하고자 지형학적 인자만을 이용한 홍수위험지역 선별에 대한 연구 또한 진행되고 있다.

국내에서는 Kim et al. (2016)이 지형도, 토양도, 토지이용도를 이용하여 유출생성지도와 유출누적지도를 작성함으로써 유역의 잠재적인 홍수예상도를 작성하였다. Lee et al. (2018)은 Advanced Spaceborne Thermal Emission and Reflection radiometer (ASTER) 및 Shuttle Radar Topography Mission (SRTM) 등 범용 자료를 이용한 지형 분석을 통해 지형학적 인자를 산정함으로써 홍수위험 정보를 비교・분석 하였다. Lee et al. (2019)은 지표면의 유출 생성, 이동, 누적이 발생하기 쉬운 지형, 토양, 토지이용 등의 특성을 세부 지표로 선정하여, 유출 현상이 발생하기 쉬운 지역을 탐지하는 기법을 제시하였다. Jung et al. (2020)은 홍수와 관련된 지형적 요인으로 고도, 경사, 유출곡선지수 (curve number, CN), 하천까지 거리를 변수로 100년빈도 홍수위험지도와 다중 로지스틱 회귀를 수행하여 대상 지역의 홍수위험도를 확률적으로 제시하였다. 한편, 국외의 경우, Arrighi et al. (2015)Arrighi et al. (2017)은 3차원 수치모형을 이용한 실험을 통해 침수지역에서 차량과 보행자에 미치는 영향을 정량화 하기 위한 이동성 매개변수를 제시하였고, Lagadec et al. (2016)은 유역 특성에 맞춘 체계적인 관리를 위해 지형 요소에 따라 지표 유출에 취약한 지역을 탐지하는 기법을 제시하였다. 이와 더불어 지형적 요인과 강우 자료를 입력층으로 Logistic Regression, Naive Bayes, AdaBoost, Random forest 등 기계학습 기법에 적용하여 홍수위험도를 예측하는 연구가 진행되고 있다 (Wang et al. 2015, Rizeei et al. 2019, Li et al. 2019).

본 연구에서는 기존의 수치모형 기반 홍수위험지역 선정기법과 병행하여 방재대책 적용의 우선순위를 결정할 수 있는 홍수취약지역 선정기법을 제안하고자 한다. 이 기법은 지표면에 도달한 강우가 지형적 원인으로 인해 토양으로 침투되지 못하고 유출수가 생성된 후 지표면을 따라 이동하고, 집수되기 쉬운 지역에 누적되는 과정을 포함하는 유출메커니즘을 기반으로 한다. 강우-유출 현상은 상대적인 표고, 경사 등 지형학적인 원인과 토양 종류, 토심 등 토양적 원인, 토지이용에 따른 원인 등에 따라 복합적으로 발생한다. 본 연구의 대상지역은 서울특별시로 대부분이 포장 면적인 도시지역이며, 개발과 복원 등 사업이 활발하기 때문에 토양과 토지이용에 따른 원인은 배제하고 상대적으로 변동이 크지 않은 지형학적인 원인만 고려하였다. 그리고 선정된 홍수취약지역과 과거 침수흔적을 비교하여, 개발된 기법의 적용성을 검증하였다.

2. 연구 방법

2.1 대상지역 및 기본자료

본 연구의 대상지역은 서울특별시로 25개 자치구로 구성되어 있으며 전체면적은 605 km2, 인구는 1,000만명 이상이 거주하고 있다. 서울시는 한강과 중랑천 등 국가하천과 탄천과 도림천 등 지방하천 범람에 의한 외수침수뿐만 아니라 도시지역 우수관망의 용량을 초과하는 강우로 인한 도시침수가 빈번히 발생하고 있다 (Lee et al. 2019). 또한, 서울시는 홍수에 취약한 저지대에 주택 및 상가가 많이 형성되어 있어, 홍수 발생으로 인한 인명과 재산피해 발생 가능성이 상당히 높다. 서울시에서는 취약 지역에 발생하는 침수피해를 저감시키기 위해 배수펌프장, 저류지 설치 등의 대책을 마련하고 있지만 신규 조성 시가지가 아닌 이상 부지확보 등의 측면에서 한계가 있다. 따라서 취약지역에 거주하는 주민들에게 해당 지역이 홍수에 취약하다는 정보를 제공하거나 방재시설물을 우선 설치하기 위한 홍수취약 우선순위를 선정할 필요가 있으며, 본 연구에서는 그 방법론을 제시하고자 한다.

본 연구에서는 지형 분석을 위해 국토지리정보원에서 제공하는 1/5,000 수치지형도를 이용하여 30 m × 30 m 크기의 DEM을 생성하였고, raster 연산을 통해 지형학적 인자들에 대한 분석을 실시하였다. 도시지역에서는 건물과 도로의 영향에 따라 지표면 흐름 특성이 달라질 수 있어 지형 분석 시 고려해야하지만 건물에 의해 경사도 계산 등에서 이상치가 발생할 수 있기 때문에 제외하였다. 그리고 내수침수가 주로 발생하는 특성을 반영하기 위해 Seoul Metropolitan City (2016)의 맨홀 위치에 대한 자료를 이용하였다. 한편, 선정된 취약지역의 실제 침수피해 발생 여부를 확인하기 위해 국가재난관리정보시스템 (National Disaster Management System, NDMS)에 기록된 침수피해 조사 지점 (point) 자료와 침수흔적도 (polygon) 자료를 수집하였다. 침수피해 자료의 조사기간은 1987년부터 2011년의 자료로 지형 분석의 raster 격자 내 침수흔적이 겹치게 되면 침수격자로 판별하였다 (Fig. 1).

/media/sites/kseie/2020-007-04/N0190070412/images/kseie_07_04_12_F1.jpg
Fig. 1

Map showing the study area and inundation trace map in the Seoul metropolitan city, Korea. The hollow polygon indicate study sites and filled polygon indicate inundation trace data from 1987 to 2011.

2.2 지형학적 인자의 선정

서울시와 같은 도시지역에서는 지표 유출에 따른 홍수보다 맨홀 월류로 인한 내수침수가 주로 발생하지만, 대부분 자연유하식으로 매설된 우수관망은 지표면의 집수구조와 동일하다고 판단하여 지표면의 지형 정보를 바탕으로 Table 1과 같이 8개의 지형학적 인자를 선정하고 지형 분석 결과를 Fig. 2에 나타냈다.

/media/sites/kseie/2020-007-04/N0190070412/images/kseie_07_04_12_F2.jpg
Fig. 2

Results of topographic factors: DEM created using a digital topographic map (a), slope (b), profile curvature (c), plan curvature (d), Topographic Wetness Index (TWI) (e), Stream Power Index (SPI) (f), distance from river (g), distance from manhole (h) in Seoul metropolitan city, Korea.

Table 1.

Composition of data for analysis

Factors Data type Source Description
Inundation trace map Point &
Polygon
NDMS (National Disaster
Management System)
-
Elevation Raster NGII (National Geographic
Information Institute)
The higher the elevation, the more
vulnerable
Slope Raster NGII The gentler the slope, the more
vulnerable
Profile curvature Raster NGII The higher the value, the more
vulnerable
Plan curvature Raster NGII The lower the value, the more
vulnerable
TWI (Topographic Wetness Index) Raster NGII The higher the value, the more
vulnerable
SPI (Stream Power Index) Raster NGII The higher the value, the more
vulnerable
Distance from river Raster NGII The closer the distance from river,
the more vulnerable
Distance from manhole Raster Comprehensive plans for the
reduction of damage from
storm and flood
The closer the distance from
manhole, the more vulnerable

2.2.1 표고

수치지형도의 등고선과 표고점을 이용한 선형보간 등의 지형분석을 통해 DEM자료를 생성할 수 있으며, 이 자료를 이용하여 대상지역 모든 격자에 대한 표고를 구할 수 있다. 표고는 홍수에 영향을 미치는 가장 중요한 요소 중 하나로 표고가 낮은 지역일수록 홍수가 발생하기 쉬운 지역으로 판단할 수 있듯이 일반적으로 표고와 홍수취약도는 반비례한다.

2.2.2 경사도

경사도는 DEM자료를 1차 미분함으로써 구할 수 있으며, 표고와 마찬가지로 지표 유출을 유발하는 중요한 요소다. 완경사의 경우 유출수가 더 이상 유하하지 못하고 누적되어 홍수를 유발할 수 있으며, 급경사의 경우 강우로 인한 유출수가 표층아래로 침투하지 못하고 지표면을 따라 이동하기 쉽다. 본 연구에서는 급경사로 인한 유출수의 생성과 이동보다 침수심 상승으로 피해를 유발시키는 완경사로 인한 유출수의 누적에 중점을 두고 분석하였다.

2.2.3 수직 사면 곡률

수직 사면 곡률은 DEM자료를 2차 미분함으로써 구할 수 있으며, 양의 값을 가질 때 경사면 아래방향으로 오목한 지형을 나타내고, 0은 경사가 일정한 지형, 음의 값을 가지면 볼록한 지형이다. 따라서, 수직 사면 곡률이 클수록 유출수가 누적되기 쉬워 홍수에 취약한 지역으로 볼 수 있다.

2.2.4 수평 사면 곡률

수평 사면 곡률은 양의 값을 가지면 산등성이와 같이 볼록한 지형, 음의 값을 가지면 계곡부와 같이 오목한 지형을 나타낸다. 수평 사면 곡률이 작을수록 지형은 계곡을 형성하고 유출수가 누적되어 홍수에 취약한 지역으로 볼 수 있다.

2.2.5 지표 습윤 계수

Beven and Kirkby (1979)의 연구에서 제시된 지표 습윤 계수 (Topographic Wetness Index, TWI)는 대상지역의 포화정도를 정량화하여 잠재적인 습윤도를 나타내는 것으로 Eq. 1과 같은 수식에 의해 계산된다. Beven and Kirkby (1979)는 지표 습윤 계수가 높은 값을 가지는 지역이 홍수에 취약한 지역을 나타낸다고 하였다.

(Eq. 1)
TWI=ln(a/tanθ)

여기서 a는 격자 단위 폭당 유출기여면적 (m), θ는 지표면의 경사 (°)

2.2.6 유수력 계수

Moore et al. (1991)이 고안한 유수력 계수 (Stream Power Index, SPI)는 지표 유출에 따른 퇴적물의 이동과 침식 정도를 나타내며, 값이 클수록 흐름이 집중되어 홍수가 발생할 가능성이 높음을 의미한다. 유수력 계수는 Eq. 2에 의해 계산된다.

(Eq. 2)
SPI=a×tanθ

2.2.7 하천과의 거리

하천과의 거리는 대상 격자로부터 가장 가까운 하천 경계까지의 거리로써 하천과의 거리가 가까울수록 외수범람 및 내수배제불량에 따른 홍수가 발생하기 쉬운 지역을 의미한다.

2.2.8 맨홀과의 거리

맨홀과의 거리는 대상 격자로부터 가장 가까운 맨홀까지의 거리로써 이 거리가 가까울수록 맨홀 월류에 의한 내수침수가 발생하기 쉬운 지역을 의미한다.

2.3 ROC 분석

본 연구에서 제안하는 홍수취약지역 선정 기법은 대상지역의 지형 분석만을 통해 잠재적 홍수 발생 가능성이 높은 지역을 탐지하는 기법으로 선정된 지역이 실제로 강우, 배수 시스템 등 다양한 원인에 의해 홍수가 발생하지 않을 수 있다. 즉, 동일한 표고를 가진 저지대를 홍수취약지역으로 선정했지만, 어느 지역에서는 홍수가 발생하는 반면 다른 지역에서는 홍수가 발생하지 않을 수 있다. 본 연구에서는 이러한 오류를 검토하고 정량적으로 분석하여 홍수 발생에 영향을 주는 주된 지형학적 인자를 선정하기 위해 2 × 2 혼동행렬 (Confusion Matrix)과 ROC (Receiver Operation Characteristic) 분석을 실시하였다. 이 방법은 암환자를 판별하는 시약의 성능검사 등 의학에서 주로 사용되다가 최근 머신러닝과 이미지 인식에서 인공지능의 성능을 평가하기 위해 많이 적용되는 기법이다 (Bae and Kwon 2020, Lee et al. 2020). 수치모형을 이용한 홍수예상도와 실제 침수흔적과의 비교는 일반적으로 전체 면적에 대해 중첩되는 면적의 비를 계산한 적합도 분석을 이용하지만, 본 연구에서는 지형학적 인자에 대한 기준 값을 제시하여 홍수취약지역을 선정하기 앞서 홍수에 영향을 주는 주요한 지형학적 인자를 선별하고자 ROC 분석을 선택하였다.

먼저, 2 × 2 혼동행렬은 Table 2와 같이 홍수취약지역으로 선정되면 positives, 선정되지 않은 지역은 negatives로 구분되며, 홍수취약지역과 실제 침수흔적자료가 일치하면 True, 일치하지 않으면 False로 나타낼 수 있다. 즉, 홍수취약지역으로 선정한 지역에서 실제로 침수가 발생했다면 True positives (TP), 홍수취약지역으로 선정하지 않은 지역에서 침수가 발생하지 않았다면 True negatives (TN)로 표현된다. 반대로 홍수취약지역으로 선정한 지역에서 실제로 침수가 발생하지 않았다면 탐지에 실패했지만 안전상 문제가 없으므로 긍정오류를 나타내는 False positives (FP), 홍수취약지역으로 선정하지 않은 지역에서 침수가 발생한 경우는 탐지에 실패했을 뿐만 아니라 오경보를 통해 심각한 피해가 발생할 수 있으므로 부정오류를 나타내는 False negatives (FN)로 나타낼 수 있다.

Table 2.

Concept of 2 × 2 confusion matrix

Inundation trace
Inundated area Non-inundated area
Flood vulnerable area Vulnerable area True positives (TP) False positives (FP)
Non-vulnerable area False negatives (FN) True negatives (TN)

ROC 분석은 DeLong et al. (1988)이 처음 제안한 기법으로, 2 × 2 혼동행렬의 4가지 성분들을 이용한 곡선을 통해 검사 방법의 유용성과 검사법의 기준치를 결정하고자 할 때 사용된다. 이 곡선은 Table 2에서 실제 침수가 발생하지 않은 지역 (FP+TN) 중 홍수취약지역으로 선정하지 않은 지역 (TN)의 비율인 특이도 (Specificity)와 실제로 침수가 발생한 지역 (TP+FN)에서 홍수취약지역으로 선정된 지역 (TP)의 비율인 민감도 (Sensitivity)를 각각 x축 (1-특이도)과 y축에 구성함으로써 도시할 수 있다. 특이도와 민감도를 식으로 나타내면 Eqs. 3 and Eq. 4와 같이 나타낼 수 있으며, 값의 범위는 0에서 1까지 분포한다.

(Eq. 3)
Specificity=TNFP+TN
(Eq. 4)
Sensitivity=TPTP+FN

ROC 분석을 통해 모델의 성능을 결정하는 방법으로 곡선 아래 면적인 AUC (Area Under the Curve)를 계산하여 1에 가까운 값을 나타내면 우수한 탐지 성능을 가졌고, 반대로 0에 가까운 값을 나타내면 탐지 성능이 나쁘다고 판단할 수 있다. Ying et al. (2011)Simundic (2012)는 AUC를 Table 3과 같이 분류하여 성능을 평가할 수 있다고 하였으며, 만약 ROC 분석을 통해 그려진 곡선이 경사가 1인 대각선 아래에 분포한다면 검사방법으로 적절하지 않음을 의미한다.

산정된 지형학적 인자와 침수흔적자료의 ROC 분석을 위해 각각의 지형학적 인자 자료를 10등분하였고, 각 최소값에서 단계가 증가될 때마다 누계하여 특이도와 민감도를 계산함으로써 곡선을 도시하였다.

Table 3.

Criteria for evaluating model performance by range of AUC (Area Under the Curve)

AUC Accuracy
0.9 - 1.0 Excellent
0.8 - 0.9 Very good
0.7 - 0.8 Good
0.6 - 0.7 Sufficient
0.5 - 0.6 Bad
< 0.5 Test not useful

3. 결과 및 고찰

서울시에 대한 30 m × 30 m 크기의 DEM의 격자는 모두 648,174개로 나타났으며, 침수흔적자료가 존재하는 격자는 93,112개로 서울시 전체면적의 약 14.4%에 해당하는 지역이 1987년부터 2011년까지 최소 1번 이상 침수가 발생한 것으로 나타났다. 침수흔적자료와 8개의 지형학적 인자에 대한 ROC 분석 결과는 Fig. 3Table 4와 같이 나타났다. 지형학적 인자가 침수지역을 얼마나 잘 설명하는지 나타내는 지표인 AUC는 맨홀과의 거리가 0.766으로 가장 높게 나타났으며, 유수력 계수가 0.383으로 가장 낮게 나타났다. 그리고 표고, 경사도, 지표 습윤 계수, 맨홀과의 거리 등 4개의 지표는 모두 기준선보다 높게 나타나며, AUC가 0.7이상으로 Table 3에 따라 서울시의 침수지역을 설명하는 지형학적 인자로 적절한 것으로 판단된다.

수직 및 수평 사면 곡률은 AUC가 약 0.5로 나타나 검증지표로는 적절하지 않지만, Fig. 3에서 x축의 0.5를 전후하여 기준선보다 높게 나타나는 경향을 보인다. 본 연구에서 분석한 8개의 지형학적 인자에 대한 ROC 분석은 최소값과 최대값의 범위를 사용하였지만 수직 및 수평 사면 곡률의 경우 기준 값을 설정하여 특정 범위의 곡률을 사용한다면 침수지역을 설명하는 지표로 사용할 수 있을 것으로 판단된다.

/media/sites/kseie/2020-007-04/N0190070412/images/kseie_07_04_12_F3.jpg
Fig. 3

Results of sensitivity analysis for topographic factors: higher in the order of distance from manhole, elevation, slope, TWI, plan curvature, profile curvature, distance from river, SPI.

유수력 계수와 하천과의 거리는 곡선이 기준선보다 아래에 분포하였으며, AUC가 0.5이하로 나타나 지표로서의 성능이 떨어지는 것으로 볼 수 있다. 지표면의 경사가 급한 경우 유수력 계수가 커져서 홍수 발생의 가능성이 높다고 판단할 수 있으나, 서울시의 경우 홍수 발생 특성이 자연 유역에서 발생하는 급류의 형태가 아닌 맨홀 월류로 인한 내수침수의 형태로 발생하는 것이 일반적이기 때문에 침수흔적 자료와 일치하지 않은 것으로 판단된다. 또한, 맨홀과의 거리의 AUC가 하천과의 거리의 AUC보다 높게 나타난 것으로도 내수침수 위주의 서울시 홍수 발생 특성을 설명하기에 하천과의 거리가 적합하지 않음을 의미한다. 이를 종합적으로 판단했을 때 지역에 따라 홍수취약지역을 선정할 때 지형학적 인자 선정은 달라질 수 있음을 확인하였다.

Table 4.

Results of sensitivity analysis using ROC (Receiver Operation Characteristic) and AUC

Topographic factors AUC Topographic factors AUC
Elevation 0.741 TWI (Topographic Wetness Index) 0.713
Slope 0.736 SPI (Stream Power Index) 0.383
Profile curvature 0.507 Distance from river 0.418
Plan curvature 0.516 Distance from manhole 0.766

4. 결 론

본 연구에서는 기존의 수치모형을 이용한 홍수위험도의 불확실한 매개변수의 추정과 주관성 등의 단점을 보완하여, 빠르고 간편하게 홍수가 발생하기 쉬운 지역에 대한 정보를 제공하기 위한 유출메커니즘 기반의 홍수취약지역 선정 기법을 제시하고자 하였다. 이를 위해 지표 유출에 영향을 줄 수 있는 지형학적 인자를 선정하고 실제 침수흔적자료와의 ROC 분석을 통해 침수지역을 잘 설명하는 지표를 선정하였다. 본 연구를 통하여 얻은 결론은 다음과 같다.

첫째, 강우가 지표면에 도달한 후 토양으로 침투되지 못한 유출수가 생성, 이동, 누적되는 일련의 과정을 나타내는 유출메커니즘 기반의 지형분석을 통해 대상지역의 잠재적인 홍수취약도를 나타내는 지형학적 인자를 산정하였다. 분석에 사용된 요소는 표고, 경사도, 수직 및 수평 사면 곡률, 지표 습윤 계수, 유수력 계수, 하천 및 맨홀과의 거리 등 8개의 지형학적 인자로 국토지리정보원에서 제공하는 수치지형도를 이용하여 작성하였다.

둘째, 산정된 지형학적 인자의 적용성을 검증하기 위해 실제 침수흔적 자료와의 ROC 분석을 실시하였다. 분석결과 표고, 경사도, 지표 습윤 계수, 맨홀과의 거리 등 4개 지표의 AUC는 0.713 - 0.766으로 침수지역을 잘 설명하는 것으로 나타났으며, 수직 및 수평 사면 곡률, 유수력 계수, 하천과의 거리 등 4개 지표의 AUC는 0.383 - 0.516으로 검증 지표로서 적절하지 않은 것으로 나타났다.

셋째, 서울시의 경우 유수력 계수와 하천과의 거리의 AUC가 낮게 나타나는 결과를 바탕으로 지역별 홍수 특성에 따라 홍수취약지역 선정 시 지형학적 인자의 우선순위가 달라질 수 있음을 확인하였다. 그리고 수직 및 수평 사면 곡률의 경우 최솟값과 최대값의 범위가 아닌 기준 값을 통해 특정 범위를 지정한다면 개선된 결과를 얻을 수 있을 것으로 판단된다.

본 연구의 결과를 통해 유출메커니즘 기반의 지형학적 분석을 이용한 홍수취약지역 선정 시 분석 요소를 합리적으로 간소화 시킬 수 있을 것으로 판단되며, 추후 연구를 통해 여러 지형학적 인자를 복합적으로 고려한 홍수취약지역 선정 기법을 제시할 수 있을 것이다. 본 연구에서 제안하는 홍수취약지역 선정 기법은 빠르고 간편하게 분석이 가능하지만, 지형적인 원인만 고려하므로 강우, 배수 시스템 등의 영향으로 실제 홍수가 발생하지 않을 수 있다. 이를 보완하기 위해서 지형학적 인자와 다른 분석 요소에 대한 머신러닝 기법을 도입한다면 홍수 사상 예측으로도 활용할 수 있을 것으로 판단된다.

Acknowledgements

본 연구는 환경부/한국환경산업기술원의 지원으로 수행되었음 (과제번호 127568).

References

1
Arrighi, C., Alcèrreca-Huerta, J.C., Oumeraci, H., and Castelli, F. 2015. Drag and lift contribution to the incipient motion of partly submerged flooded vehicles. Journal of Fluids and Structures 57: 170-184. 10.1016/j.jfluidstructs.2015.06.010
2
Arrighi, C., Oumeraci, H., and Castelli, F. 2017. Hydrodynamics of pedestrians’ instability in floodwaters. Hydrology and Earth System Sciences 21: 515-531. 10.5194/hess-21-515-2017
3
Bae, H.B. and Kwon, O.S. 2020. Untact face recognition system based on super-resolution in low-resolution images. Journal of Korea Multimedia Society 23: 412-420. (in Korean)
4
Beven, K.J. and Kirkby, M.J. 1979. A physically based variable contributing area model of basin hydrology. Hydrological Sciences Journal 24: 43-69. 10.1080/02626667909491834
5
Chang, L.C., Shen, H.Y., and Chang, F.J. 2014. Regional flood inundation nowcast using hybrid SOM and dynamic neural networks. Journal of Hydrology 519: 476-489. 10.1016/j.jhydrol.2014.07.036
6
Cho, W.H., Han, K.Y., and Ahn, K.H. 2010. Flood risk mapping with FLUMEN model application. Journal of Korea Society of Civil Engineering 30: 169-177. (in Korean)
7
Chung, C.H., Chiang, Y.M., and Chang, F.J. 2012. A spatial neural fuzzy network for estimating pan evaporation at ungauged sites. Hydrology and Earth System Sciences 255: 255-266. 10.5194/hess-16-255-2012
8
DeLong, E.R., DeLong, D.M., and Clarke-Pearson, D.L. 1988. Comparing the areas under two or more correlated receiver operating characteristic. Biometrics 44: 837-845. 10.2307/25315953203132
9
Ji, M.H. and Cho, H.J. 2017. Analysis of changes of flood inundation depth and area according to channel migration and river improvement using HEC-GeoRAS. Journal of Korea Water Resources Association 50: 315-324. (in Korean) 10.3741/JKWRA.2017.50.5.315
10
Jung, M.K., Kim, J.G., Uranchimeg, S., and Kwon, H.H. 2020. The probabilistic estimation of inundation region using a multiple logistic regression. Journal of Korea Water Resources Association 53: 121-129. (in Korean)
11
Kim, H.I., Keum, H.J., and Han, K.Y. 2019. Real-time urban inundation prediction combining hydraulic and probabilistic methods. Water 11: 293-311. 10.3390/w11020293
12
Kim, T.H., Han, K.Y., and Park, J.H. 2016. New flood hazard mapping using runoff mechanism on Gamcheon watershed. Journal of Korea Society of Civil Engineering 36: 1011-1021. (in Korean) 10.12652/Ksce.2016.36.6.1011
13
Lagadec, L.R., Patrice, P., Braud, I., Charzelle, B., Moulin, L., Dehotin, J., and Breil, P. 2016. Description and evaluation of a surface runoff susceptibility mapping method. Journal of Hydrology 541: 405-509. 10.1016/j.jhydrol.2016.05.049
14
Lee, J.Y., Han, K.Y., and Kim, H.I. 2019. Mapping technique for flood vulnerable area using surface runoff mechanism. Journal of the Korean Association of Geographic Information Studies 22: 181-196. (in Korean)
15
Lee, K.S., Lee, D.E., Jung, S.H., and Lee, G.H. 2018. Analysis of large-scale flood inundation area suing optimal topographic factors. Journal of Korea Water Resources Association 51: 481-490. (in Korean)
16
Lee, S.M., Park, K.D., and Kim, I.K. 2020. Comparison of machine learning algorithms for Chl-a prediction in the middle of Nakdong river (focusing on water quality and quantity factors). Journal of Korean Society of Water and Wastewater 34: 277-288. (in Korean) 10.11001/jksww.2020.34.4.277
17
Li, X., Yan, D., Wang, K., Weng, B. Qin, T., and Liu, S. 2019. Flood risk assessment of global watersheds based on multiple machine learning models. Water 2019: 1654-1672. 10.3390/w11081654
18
Moore, I.D., Grason, R.B., and Ladson, A.R. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological Processes 5: 3-30. 10.1002/hyp.3360050103
19
Oh, M.K., Lee, D.R., Kwon, H.H., and Kim, D.K. 2016. Development of flood inundation area GIS database for Samsung-1 drainage sector, Seoul, Korea. Journal of Korea Water Resources Association 49: 981-993. (in Korean) 10.3741/JKWRA.2016.49.12.981
20
Rizeei, H.M., Pradhan, B., and Saharkhiz, M.A. 2019. An integrated fluvial and flash pluvial model using 2D high-resolution sub-grid and particle swarm optimization-based random forest approaches in GIS. Complex and Intelligent Systems 5: 283-302. 10.1007/s40747-018-0078-8
21
Seoul Metropolitan City. 2016. Comprehensive plans for the reduction of damage from storm and flood. (in Korean)
22
Simundic, A.M. 2012. Diagnostic accuracy-part1, Basic concepts: sensitivity and specificity, ROC analysis, STARD statement. Point of Care: The Journal of Near-Patient Testing & Technology 11: 6-8. 10.1097/POC.0b013e318246a5d6
23
Wang, Z. Lai, C., Chen, X., Yang, B., Zhao, S., and Bai, X. 2015. Flood hazard risk assessment model based on random forest. Journal of Hydrology 527: 1130-1141. 10.1016/j.jhydrol.2015.06.008
24
Ying, G.S., Maguire, M., Quinn, G., Kulp, M.T., Cyert, L., and Vision in Preschoolers Study Group. 2011. ROC analysis of the accuracy of Noncycloplegic Retinoscopy, Retinomax Autorefractor, and SureSight Vision Screener for preschool vision screening. Investigative Ophthalmology and Visual Science 52: 9658-9664. 10.1167/iovs.11-855922125281PMC3341123
페이지 상단으로 이동하기