유효우량 산정을 위한 NRCS-CN 모형의 초기손실량 산정방법 개선

Abstract

본 연구는 NRCS-CN 방법이 산정하는 유출량의 정확성을 향상시키기 위하여 강우량과 최대잠재보유수량을 초기손실량 계산과정의 주요 기여인자로 고려하였으며, 우리나라 15개 유역에서 관측된 658개의 강우량과 유출량 자료를 이용하여 초기손실량의 수정모형을 제안하였다. 유효우량을 산정하는 방법으로는 NRCS-CN 방법(M1), NRCS-CN 방법에서 초기손실량계수를 감소시킨 방법(M2), 관측 강우-유출 관계를 바탕으로 본 연구에서 제안하는 방법(M3)을 적용하였다. 또한 USDA에서 제시하는 CN값(CNT), 관측자료로부터 계산된 CN값(CNC) 그리고 최소자승법으로 추정한 CN값(CNLSF)을 각각의 방법에 적용하였다. 적용 결과는 RRMSE, NSE 그리고 PBIAS 등을 이용하여 평가되었다. 그 결과 CNT를 M1, M2, M3에 적용한 경우 각 유역에서 평균적으로 [RMSE (23.60, 18.12, 16.04), NSE (0.54, 0.73, 0.79), PBIAS (36.54, 20.25, 12.00)]로 나타났다. 이와 비슷하게 CNC를 M1과 M2에 적용하고, CNLSF를 M3에 적용하였을 경우 각 유역에서 평균적으로 [RMSE (17.17, 15.88, 13.82), NSE (0.76, 0.80, 0.85), PBIAS (3.06, 4.47, 0.11)]로 나타났다. 따라서 본 연구에서 제안된 M3 방법을 사용하여 추정한 유효우량이 관측된 직접유출량과 통계학적으로 가장 가까운 값을 제공하는 것으로 나타났다.

In order to improve the runoff estimation accuracy of the Natural Resources Conservation Service (NRCS) curve number (CN) model, this study incorporated rainfall and maximum potential retention as contributors for initial abstraction. The modification was proposed based on 658 rank-order data of rainfall and subsequent runoff from 15 watersheds. The NRCS-CN model (M1), one of its inspired modified model (M2), and the proposed model (M3) were analyzed employing different CN approaches. Using tabulated, calculated and least squares fitted CNs (CNT, CNC, CNLSF, respectively), the models’ performances were evaluated based on Root Mean Square Error (RMSE), Nash-Sutcliffe Efficiency (NSE), and Percent Bias (PBIAS). Applications of model M1, M2, and M3, respectively exhibited watershed cumulative mean [RMSE (23.60, 18.12, 16.04), NSE (0.54, 0.73, 0.79), and PBIAS (36.54, 20.25, 12.00)]. Similarly, using CNC (for M1 and M2 model) and CNLSF (for M3 model), the performance of three models respectively were assessed based on watershed cumulative mean [RMSE (17.17, 15.88, 13.82), NSE (0.76, 0.80, 0.85), and PBIAS (3.06, 4.47, 0.11)]. The proposed model (M3) that linked all of the NRCS-CN variants showed more statistically significant agreement between the observed and estimated data.