Early and accurate flood forecasting and warning for urban flood risk areas is an essential
factor to reduce flood damage. This paper presents the urban flood forecasting and warning process
to reduce damage in the main flood risk area of South Korea. This process is developed based on
the rainfall-runoff model and deep learning model. A model-driven method was devised to construct
the accurate physical model with combined inland-river and flood control facilities, such as
pump stations and underground storages. To calibrate the rainfall-runoff model, data of gauging
stations and pump stations of an urban stream in August 2020 were used, and the model result was
presented as an R2 value of 0.63~0.79. Accurate flood warning criteria of the urban stream were
analyzed according to the various rainfall scenarios from the model-driven method. As flood forecasting
and warning in the urban stream, deep learning models, vanilla ANN, Long Short-Term
Memory (LSTM), Stack-LSTM, and Bidirectional LSTM were constructed. Deep learning models
using 10-min hydrological time-series data from gauging stations were trained to warn of expected
flood risks based on the water level in the urban stream. A forecasting and warning method that
applied the bidirectional LSTM showed an R2 value of 0.9 for the water level forecast with 30 min
lead time, indicating the possibility of effective flood forecasting and warning. This case study aims
to contribute to the reduction of casualties and flood damage in urban streams and accurate flood
warnings in typical urban flood risk areas of South Korea. The developed urban flood forecasting
and warning process can be applied effectively as a non-structural measure to mitigate urban flood
damage and can be extended considering watershed characteristics.