Journal of The Korean Society of Agricultural Engineers (한국농공학회논문집)

The Korean Society of Agricultural Engineers (한국농공학회)
권호 표지
DOI QR코드

DOI QR Code

Assessing Future Water Demand for Irrigating Paddy Rice under Shared Socioeconomic Pathways (SSPs) Scenario Using the APEX-Paddy Model

APEX-paddy 모델을 활용한 SSPs 시나리오에 따른 논 필요수량 변동 평가

  • Choi, Soon-Kun (Climate Change Assessment Division, National Institute of Agricultural Sciences) ;
  • Cho, Jaepil (Convergence Center for Watershed Management, Integrated Watershed Management Institute) ;
  • Jeong, Jaehak (Texas A&M AgriLife Research) ;
  • Kim, Min-Kyeong (Climate Change Assessment Division, National Institute of Agricultural Sciences) ;
  • Yeob, So-Jin (Climate Change Assessment Division, National Institute of Agricultural Sciences) ;
  • Jo, Sera (Climate Change Assessment Division, National Institute of Agricultural Sciences) ;
  • Owusu Danquah, Eric (Council for Scientific and Industrial Research (CSIR) - Crops Research Institute) ;
  • Bang, Jeong Hwan (Climate Change Assessment Division, National Institute of Agricultural Sciences)
  • Received : 2021.09.10
  • Accepted : 2021.10.18
  • Published : 2021.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

Global warming due to climate change is expected to significantly affect the hydrological cycle of agriculture. Therefore, in order to predict the magnitude of climate impact on agricultural water resources in the future, it is necessary to estimate the water demand for irrigation as the climate change. This study aimed at evaluating the future changes in water demand for irrigation under two Shared Socioeconomic Pathways (SSPs) (SSP2-4.5 and SSP5-8.5) scenarios for paddy rice in Gimje, South Korea. The APEX-Paddy model developed for the simulation of paddy environment was used. The model was calibrated and validated using the H2O flux observation data by the eddy covariance system installed at the field. Sixteen General Circulation Models (GCMs) collected from the Climate Model Intercomparison Project phase 6 (CMIP6) and downscaled using Simple Quantile Mapping (SQM) were used. The future climate data obtained were subjected to APEX-Paddy model simulation to evaluate the future water demand for irrigation at the paddy field. Changes in water demand for irrigation were evaluated for Near-future-NF (2011-2040), Mid-future-MF (2041-2070), and Far-future-FF (2071-2100) by comparing with historical data (1981-2010). The result revealed that, water demand for irrigation would increase by 2.3%, 4.8%, and 7.5% for NF, MF and FF respectively under SSP2-4.5 as compared to the historical demand. Under SSP5-8.5, the water demand for irrigation will worsen by 1.6%, 5.7%, 9.7%, for NF, MF and FF respectively. The increasing water demand for irrigating paddy field into the future is due to increasing evapotranspiration resulting from rising daily mean temperatures and solar radiation under the changing climate.

Keywords

Ⅰ. 서론

기후변화로 인한 지구온난화는 기온과 강수량 특성을 변화시켜 농업생산성과 수문 순환에 상당한 영향을 줄 것으로 예상된다 (Kim et al., 2004; Chung, 2010; Lee et al., 2012; Jang et al., 2015). 또한 기후변화로 인한 극한기후 (extreme climate)의 빈도와 강도는 향후 수년 동안 더욱 심화될 수 있다(Easterling et al., 2000). 2003년 유럽에서 발생한 가뭄은 36%의 기록적인 작물 수확량 손실을 초래하였고 (Ciais et al., 2005), 기후변화로 인한 작물의 피해는 점점 더 증가하고 있다(Gornall et al., 2010).

농업에서 사용하고 있는 물 소비량은 전 세계 물 소비 산업의 약 70%를 차지한다 (Ayars et al., 2006). 우리나라의 농업부문 물 소비량은 전체의 41%이며, 이중 대부분이 논벼 재배에 활용된다 (Hur et al., 2019; ME, 2020). 따라서 논벼 재배는 안정적인 쌀 생산을 위하여 농업용수의 안정성과 지속 가능성이 매우 중요하다 (Choi, 2019). 그러나 미래에는 기후변화로 인해 논벼의 증발산량, 필요수량, 그리고 유효우량의 변동성이 증가하여 안정적인 농업용수 공급 및 관리에 어려움을 야기할 것으로 예상된다 (Yoo et al., 2015). 따라서 향후 농업수자원에 대한 기후 영향의 규모와 방향을 예측하기 위해서는 기후변화에 따른 필요수량을 추정하는 연구가 필요하다(Gornall et al., 2010).

농업용수는 작물 성장에 필수적이므로 미래의 다양한 강수패턴은 농업에 상당한 영향을 미칠 수 있다 (Wada et al., 2013; Li et al., 2020), 그리고 기후변화에 따른 증발산량의 변화도 농업 수자원과 생산성에 상당한 영향을 줄 수 있다 (Elliott et al., 2014; Marshall et al., 2015). 선행연구에서는 기후변화로 인한 기온 상승과 재배 기간 연장으로 인해 증가한 증발 수요량(evaporative demand)은 작물 필요수량 (irrigation requirement)을 5∼10% 또는 그 이상 증가시킬 수 있다고 보고하였다(Döll, 2002; Fischer et al., 2007). Rosenberg et al. (1990)는 기온이 1℃ 올라갈 때 일 증발산량이 6.7%가 증가한다고 보고한 반면, Mera et al. (2006)와 Tao and Zhang (2011)은 기온 상승으로 작물이 유효적산온도를 빠르게 채워 생육기간이 줄어들기 때문에 C3 식물 (암반응에서 최초의 탄소고정 산물이 3탄당인 식물)과 C4 식물 (암반응에서 최초의 탄소고정 산물이 4탄당인 식물로서 C3 식물보다 이산화탄소 이용 효율이 높은 식물) 모두 생육기간의 기온이 올라감에 따라 총 증발산량이 감소한다고 보고하였다. 국내의 경우, Hong et al. (2009)은 논벼의 10년 빈도 증발산량 변화를 예측한 결과, 증발산량이 현재보다 증가할 것으로 예측하였으며, Yun et al. (2011)과 Yoo et al. (2012)는 논벼 증발산량과 유효우량을 고려하여 논 필요수량을 평가한 결과, 기후변화에 따라 논 필요수량이 증가하는 것으로 평가하였다. Choi et al. (2017)은 IPCC 5차 보고서에서 채택한 RCPs (Representative Concentration Pathway) 시나리오에 따른 우리나라 논 증발산량의 변동을 평가한 결과, 이산화탄소 농도와 기온의 상승으로 증산량은 15.6∼21.7%가 감소하고, 증발량은 0.0∼24.2%가 증가할 것으로 예상하였다. 또한, Kamruzzaman et al. (2020)은 RCPs 시나리오에 따른 논의 물수지 변동을 평가한 결과, RCP8.5 시나리오에서 논 필요수량이 최대 3.2% 증가할 것으로 예측하였으나 기준년대에 비해 유의한 차이를 보이지 않았다고 평가하였다.

한편 기후변화 시나리오에 따라 강우, 일사량, 온도 등의 변화가 상이할 것으로 판단되며 위치, 재배작물, 물관리 방법 등 지역 특성에 따라 필요수량 예측 결과에 차이가 있을 것으로 판단된다. 최근 IPCC 6차 보고서에 SSPs (Shared Socioeconomic Pathways, 공통사회경제경로) 시나리오가 채택되었으나 논벼 재배지를 대상으로 다중 GCM (General Circulation Model) 자료를 활용하여 논 필요수량 변화를 평가한 연구는 수행되지 않았다. 따라서 본 연구는 김제 지역을 대상으로 APEX-Paddy(Agricultural Policy and Environmental eXtender-Paddy) 모델을 활용하여 SSPs 시나리오에 따른 논 필요수량의 변화를 다중 GCM 앙상블 (multi GCM ensemble)을 통해 예측하고자 하였다.

Ⅱ. 재료 및 방법

1. 연구대상 지역 및 재배환경

본 연구의 대상 지역은 김제시 서정동 (35°44′56.13″N, 126°51′50.21″E)에 위치한 경지정리된 논으로 H2O flux를 2012년부터 측정하고 있다 (Fig. 1). 또한, 물수지와 관련하여 시험포장의 2014년 관측자료를 이용하여 APEX-Paddy 모델에 대한 검정이 수행된 바 있다 (Choi et al., 2017). 연구 대상 지역의 토양은 전북통으로서 표토 토성은 실트질식양토 (silty clay loam)이며 토양배수가 약간 불량하다 (Yoo, 2000). 연구대상 지역의 논 물관리 일정은 Table 1과 같다.

NGHHCI_2021_v63n6_1_f0001.png 이미지

Fig. 1 Map of study site Gimje, Jeollabuk-do, South Korea

Table 1 Rice paddy water management schedule at the study site

NGHHCI_2021_v63n6_1_t0001.png 이미지

2. 논 증발산량 관측자료 수집

증발산량의 경우 Flux 관측시스템을 이용하여 H2O Flux를 측정하였고 본 연구에 사용한 자료의 기간은 2015∼2017년이다. Flux 관측시스템은 미기상학적 방법인 에디공분산법 (eddy covariance system)을 이용하여 벼논 생태계의 지표와 대기 간에 교환되는 기체 (CO2, H2O)와 에너지 (현열, 잠열) 등의 물리량 흐름을 정량화한다 (Min et al., 2013). 이중 대기 중의 기체이동은 CO2/H2O 가스분석기 (LI-7500, LI-COR Biosciences inc. USA)로 초당 10회 (10 Hz)씩 측정하였고 30분 평균에 대한 편차를 공분산하여 30분 평균 물리량 플럭스를 계산하고 일 단위로 정리하였다. 기체 플럭스 계산식은 다음과 같다(Min et al., 2013).

\(\begin{aligned}F=\rho \overline{w^{\prime} x^{\prime}}\end{aligned}\)       (1)

여기서, ρ는 공기의 밀도 (kg/m3), \(\begin{aligned}\overline{w^{\prime} x^{\prime}}\end{aligned}\)에서 bar (\(\begin{aligned}\overline a\end{aligned}\))는 시간평균을, w는 연직풍속 (m/s)을, x는 혼합비 (g m-3/kg m-3)를 prime (a′)은 평균으로부터의 변동을 의미한다.

3. APEX-Paddy 모델의 특성

본 연구에서는 논 필요수량 평가 모델로서 APEX-Paddy 모델 (Choi et al., 2017)을 사용하였다. APEX-Paddy 모델은 기존의 APEX (Williams and Izaurralde, 2010) 모델에 담수조건의 알고리즘을 추가한 모델로서 농촌진흥청과 APEX 모델의 개발 주체인 Texas A&M이 공동연구를 통해 개발하였다 (Choi et al., 2020). 기존 APEX 모델은 SCS-CN (Curve Number)법에 의한 강우-유출을 모의하나 APEX-Paddy 모델은 논에서의 담수 재배 조건을 설정할 수 있으며 물수지 알고리즘에 따라 유출량을 결정한다 (Fig. 2).

NGHHCI_2021_v63n6_1_f0002.png 이미지

Fig. 2 Algorithm of the APEX-Paddy model (Choi et al., 2017)

논에서의 물수지 식은 다음과 같다 (Fig. 3).

NGHHCI_2021_v63n6_1_f0003.png 이미지

Fig. 3 Paddy water budget in APEX-Paddy model (Choi et al., 2017)

PDt = PDt - 1 + RFt       (2)

PD't = PDt + IRt - ETt - Pt, if PDt ≤ TD

IRt = TD - PDt       (3)

PD't = PDt - Ot - ETt - Pt, if PDt > H

Ot = PDt - H       (4)

여기서, t는 모의시간 단위 (day), PD는 논의 담수심 (mm), PD ′은 유출, 증발산, 침투 발생 이후의 논 담수심 (mm), RF는 강수량 (mm), IR은 관개량 (mm), TD는 관개시 목표 담수심 (mm), ET는 증발산량 (mm), P는 침투량 (mm), IT는 관개를 시작하는 담수심 (mm), O는 유출량 (mm)이다.

APEX 모델에서는 증발산량 산정 시 Penman-Monteith(Monteith, 1964) 식을 사용할 경우 CO2와 VPD의 영향을 고려하여 증발량 및 증산량을 산정할 수 있으며 그 식은 다음과 같다 (Williams et al., 2015).

\(\begin{aligned}\lambda E_{o}=\frac{\Delta R_{n}+86.66 \rho_{a} V P D u_{10} / 350}{\Delta+\gamma}\end{aligned}\)       (5)

여기서, Eo는 잠재증발량 (mm/d), Δ는 포화수증기압 곡선의 기울기 (kPa/℃), Rn은 순복사량 (MJ/m2/d), ρa는 공기밀도(kg/m3), VPD는 증기압차 (kPa), u10은 지상 10 m 지점에서의 평균풍속 (m/s), λ는 기화잠열 (MJ/kg), γ는 습도계 상수 (kPa/℃)이다.

식물에 의한 증산량 (Ep, mm/d)은 다음과 같이 산정된다.

\(\begin{aligned}E_{p}=\frac{\Delta R n+86.66 \rho_{a} V P D / r_{a}}{\lambda\left[\Delta+\gamma\left(1+\frac{r_{c}}{r_{a}}\right)\right]}\end{aligned}\)       (6)

여기서, ra는 열과 증기이동에 대한 공기동역학적 저항 (s/m), rc는 증기이동에 대한 캐노피 저항 (s/m)이다.

캐노피 저항은 증기압차 (VPD)와 대기 중 이산화탄소 농도 (CO2)의 함수로서 다음과 같다 (Stockle et al., 1992).

\(\begin{aligned}r_{c}=\frac{p_{1}}{\sum L A I g_{1} e^{0.00155\left(330-C O_{2}\right)}}\end{aligned}\)       (7)

p1은 1.0∼2.0 사이의 값을 갖는 매개변수이며, LAI는 작물의 엽면적지수, g1은 잎의 기공유통성 (m/s)으로서 증기압차의 함수이며 작물에 따라 다른 값을 가진다.

APEX-Paddy 모델은 논에서 증발산량 산정의 정확도를 높이기 위하여 담수 조건의 경우 작물에 의한 차단과 논의 담수 및 배수 조건을 고려할 수 있는 Sakaguchi et al. (2014)의 방법을 사용한다. 논 담수 조건에서의 수면증발량은 다음 식으로 산정된다.

\(\begin{aligned}V_{\text {evap }}=\eta\left(1-\frac{L A I}{L A I_{\text {evap }}}\right) E_{o} \quad \text{if } L A I>L A I_{\text {evap, }} \quad V_{\text {evap }}=0\end{aligned}\)       (8)

ET = Vevap + Ep       (9)

여기서, Vevap는 일 증발량 (mm), ET는 일 증발산량 (mm), LAI는 엽면적지수, LAIevap는 수면에서의 증발이 일어나지 않을 때의 엽면적지수이다. η는 수면증발계수로서 SWAT(Soil and Water Assessment Tool) 모델의 저수지 모듈에 적용된 수면증발계수 (Neitsch et al., 2011) 0.6이 기본 값으로 설정되어있다. LAIevap는 Miyazaki et al. (2005)의 연구 결과에 따라 4.0으로 설정되어 있다.

4. APEX-Paddy 모델의 보⋅검정

논 필요수량 평가를 위해 필요수량의 주요 요인인 증발산량에 대해 APEX-Paddy 모델을 보⋅검정하였다. APEX 모델은 증발산 모델로서 Penman-Monteith (Monteith, 1964) 식을 선택할 경우 매개변수로 P1, P12, P17을 사용하며 APEX-Paddy 모델에서는 수면증발계수 (η)가 매개변수로 추가되었다 (식 (8)). P1은 작물 캐노피 잠재 증발산, P12는 토양증발, P17은 토양 증발 차단에 관한 매개변수이다. 따라서 논 증발산량에 관하여 모델 보정을 위해 P1, P12, P17와 η를 보정하였다.

모델의 보정에는 연구대상 지역의 논 H2O Flux 자료를 사용하였다. 모델의 보정에는 2015∼2016년도, 모델의 검정에는 2017년도 자료를 사용하였다. 모델의 보정은 R2(coefficient of determination)를 목적함수로 하였고 증발산 민감 변수를 APEX 모형이 추천하는 범위 내에서 수동으로 보정하였다. R2, PBIAS (Percent BIAS), NSE (Nash-Sutcliffe Efficiency)를 이용하여 적용성을 평가하였다.

R2, PBIAS와 NSE 산정식은 다음 식 (10)∼(12)와 같다. R2는 실측값과 모의값의 선형관계를 평가하는 지표로서 0∼1 범위의 값을 가지며, 실측값과 모의값이 선형관계일수록 1에 가까운 값을 나타낸다.

\(\begin{aligned}R^{2}=\left(\frac{\sum_{i=1}^{n}\left(O_{i}-\bar{O}\right)\left(P_{i}-\bar{P}\right)}{\sqrt{\sum_{i=1}^{n}\left(O_{i}-\bar{O}\right)^{2}} \sqrt{\sum_{i=1}^{n}\left(P_{i}-\bar{P}\right)^{2}}}\right)^{2}\end{aligned}\)       (10)

여기서, Oi와 Pi는 각각 관측시간 i에 대한 관측값과 모의값이며 \(\begin{aligned}\overline O\end{aligned}\)는 관측값의 산술평균값이다. 그리고 n은 전체 관측수이다 (Moriasi et al., 2007).

NSE는 모의결과가 실측값과 얼마나 유사한가를 평가하는 지표로서 -∞∼1 범위의 값을 가지며 1에 가까울수록 모의값이 실측값을 잘 반영하는 것으로 평가할 수 있다. 만약 0 이하의 값을 나타낸다면 모의결과를 이용하는 것보다 실측값의 평균을 이용하는 것이 더 좋음을 의미한다 (Moriasi et al., 2007, Song et al., 2015).

\(\begin{aligned}N S E=1-\frac{\sum_{i=1}^{n}\left(O_{i}-P_{i}\right)^{2}}{\sum_{i=1}^{n}\left(O_{i}-\bar{O}\right)^{2}}\end{aligned}\)       (11)

PBIAS는 모의값과 실측값 총합의 대소를 비교하는 지표이다. PBIAS의 최적값은 0.0으로서 PBIAS의 절댓값이 낮을수록 모의값이 실측값을 잘 반영하는 것으로 판단할 수 있다. 양의 값은 모형이 과소 추정을, 음의 값은 모형이 과대 추정하는 것을 의미한다. PBIAS는 다음과 같이 산정된다.

\(\begin{aligned}P B I A S=\frac{\sum_{i=1}^{n}\left(O_{i}-P_{i}\right)}{\sum_{i=1}^{n} O_{i}} \times 100 \%\end{aligned}\)       (12)

5. SSP 시나리오 적용 및 평가

본 연구에서는 미래 기후변화에 따른 논 필요수량을 평가하기 위해 SSPs 시나리오로서 SSP2-4.5, SSP5-8.5 시나리오를 사용하였다. SSPs 시나리오는 최근에 배포된 기후변화 시나리오로 과거 시나리오보다는 과학기술의 발달과 함께 사회경제 시스템, 기술 발달, 인구변화, 온실가스 배출량과 농도, 에어로졸의 역할 등이 보다 정교하게 반영된 시나리오이다 (O’Neill et al., 2014; Van Vuuren et al., 2014). SSP2-4.5는 기후변화 완화 및 사회경제 발전 정도를 중간 단계로 가정하고 있으며, SSP 5-8.5는 산업 기술의 빠른 발전에 중심을 두어 화석연료 사용이 높고 도시 위주의 무분별한 개발이 확대될 것으로 가정한다 (Kim et al., 2021). SSPs 시나리오별 미래 CO2 농도 변화는 Fig. 4와 같다 (The University of Melbourne, 2021). 2014년 399.6 ppm을 시작으로 미래 2100년 북반구의 CO2 농도는 SSP2-4.5 시나리오의 경우 603.6 ppm, SSP5-8.5 1142.2 ppm이 될 것으로 예측된다.

Fig. 4 Projected changes in CO2 concentration for the Shared Socioeconomic Pathways (SSPs) scenarios used for the study

미래 기후자료로서 전지구 기후모델인 해양⋅대기 접합 대순환모델 (General Circulation Models, GCMs) 자료는 CMIP6(Coupled Model Intercomparison Project phase 6)를 통해 제공된다. 단일 GCM을 사용하여 평가할 경우 미래 예측 불확실성이 높아지므로 (Cho et al., 2020) 본 연구에서는 CMIP6의 16개 GCMs (Table 2) 자료를 사용하였다.

Table 2 List of 16 GCMs used in the study

NGHHCI_2021_v63n6_1_t0002.png 이미지

GCM의 상세화 (downscaling) 및 편의보정 (bias correction)을 위한 과거 자료는 1981년부터 일사량 자료를 제공하는 전주 종관 기상관측소 (ASOS, Automated Synoptic Observing System) 관측자료를 사용하였다. 상세화 및 편의보정은 GCM 원시 자료와 일 단위 자료의 누적분포를 동시에 보정할 수 있는 Simple Quantile Mapping (SQM) 기법을 적용하였다 (Cho et al., 2018). SQM 적용을 위한 프로그램으로서 농촌진흥청의 UNIDFORM (UNIversal Downscaling platFORM)을 사용하였다.

본 연구에서는 SSPs 시나리오의 과거 재현기간 (1850∼2014)을 고려하여 1981∼2010년을 기준년대 (historical period)로 설정하였고 이 기준 대비 근미래 (near future, 2011∼2040), 중간미래 (mid future, 2041∼2070), 먼미래 (far future, 2071∼2100) 30년 평년값을 비교하여 증발산량 및 논 필요수량의 변동을 평가하였다. 또한 변동의 통계적 유의성 평가에는 Duncan’s multiple range test (DMRT)를 사용하여 5% 유의수준에서 검정하였다.

Ⅲ. 결과 및 고찰

1. APEX-Paddy 모델 보⋅검정 결과

다른 증발산 매개변수를 기본값으로 고정한 상태에서 매개변수별 민감도를 분석한 결과 Fig. 5와 같이 P17, η에 증발산량 결과가 민감한 반응을 보이는 것으로 나타났다. P1의 경우 매개변수 범위 1.0∼2.0 구간에서 20.8 mm, P12의 경우 1.0∼2.5 구간에서 10.0 mm의 증발산량 변화를 보였다. P17의 경우 0.0∼0.5 구간에서 127.9 mm의 증발산량 변화를 보였으며 0에 가까워질수록 비선형으로 증가하는 경향을 보였다. η의 경우 0.5∼1.1 구간에서 103.1 mm의 증발산량 변화를 보였으며 η값 증가에 따라 선형으로 증가하는 경향을 보였다.

NGHHCI_2021_v63n6_1_f0005.png 이미지

Fig. 5 Sensitivity of paddy evapotranspiration by APEX-Paddy model parameters

매개변수의 보정 결과는 Table 3, Fig. 6과 같다. 매개변수 보정 결과 보정기간에 대하여 R2는 0.55에서 0.79로, NSE는 0.23에서 0.72로, PBIAS는 35.3%에서 3.9%로 향상되었으며 검정기간에 대하여 R2는 0.52에서 0.69로, NSE는 0.24에서 0.58로, PBIAS는 33.0%에서 5.3%로 개선되었다. 특히 P1, P12, P17의 보정에 따라 비영농기의 토양증발량 추정이 개선되었으며 수면증발계수의 보정으로 담수 조건이며 작물 캐노피가 작은 시기 (5.1.∼6.30.)의 증발산량 추정값이 크게 개선되었다.

Table 3 Parameter calibration result for evapotranspiration used in the study

NGHHCI_2021_v63n6_1_t0003.png 이미지

NGHHCI_2021_v63n6_1_f0006.png 이미지

Fig. 6 APEX-paddy model calibration and validation result for paddy evapotranspiration. (A) comparing observed and simulation data by condition of rice paddy field, (B) calibration result (2015∼2016), (C) validation result (2017)

2. SSPs 시나리오에 따른 미래 논 필요수량 변동 평가 결과

SSPs 시나리오에 따른 증발량 (evaporation)의 변화는 기준년대 (1981∼2010)에 비해 미래로 갈수록 점점 증가하는 경향을 보였다 (Fig. 7). 기준년대 335.7 mm를 기준으로 SSP2-4.5 시나리오에서 근미래 (2011∼2040), 중간미래 (2041∼2070), 먼미래 (2071∼2100)의 증발량은 각각 376.5, 412.2, 438.4 mm이며, SSP5-8.5 시나리오에서 근미래, 중간미래, 먼미래의 증발량은 각각 380.7, 428.9, 463.7 mm이다. SSP2-4.5 시나리오에서는 기준년대에 비해 먼미래의 증발량이 30.6% 증가한 반면에, SSP5-8.5 시나리오에서는 기준년대에 비해 먼미래의 증발량이 38.1% 증가하여 SSP2-4.5보다 증발량 변동이 큰 것으로 나타났다.

NGHHCI_2021_v63n6_1_f0007.png 이미지

Fig. 7 Future Changes in evaporation (A, B), transpiration (C, D), evapotranspiration (E, F), irrigation demand (G, H) under SSP2-4.5 and SSP5-8.5 scenarios. Using observed climate data (Obs.): 1981-2010; historical GCM data (Hist.): 1981-2010; near future GCM data (N.future): 2011-2040; mid future GCM data (M.future): 2041-2070; far future GCM data (F.future): 2071-2100

SSPs 시나리오에 따른 증산량 (transpiration)의 변화는 증발량과 반대로 감소하는 경향을 보였다 (Fig. 7). 기준년대 299.7 mm를 기준으로 SSP2-4.5 시나리오에서 근미래, 중간미래, 먼 미래의 증산량은 각각 277.0, 263.4, 257.3 mm이며, SSP5-8.5 시나리오에서, 근미래, 중간미래, 먼미래의 증산량은 각각 275.5, 257.1, 242.4 mm로 나타났다. SSP2-4.5 시나리오에서는 기준년대 대비 먼미래의 증산량이 14.1% 감소하는 것으로 나타났으며, SSP5-8.5 시나리오에서는 기준년대 대비 먼미래의 증산량이 19.1% 감소하는 것으로 나타났다.

증발량의 증가와 증산량의 감소를 고려하여 산정된 증발산량 (evapotranspiration)의 변화는 증가하는 경향을 보였다 (Fig. 7, Table 4). 기준년대 635.4 mm를 기준으로 SSP2-4.5 시나리오에서 근미래, 중간미래, 먼미래의 증산량은 각각 653.6, 675.5, 695.6 mm로 2.9, 6.3, 9.5%가 증가하는 것으로 나타났으며, SSP5-8.5 시나리오에서, 근미래, 중간미래, 먼미래의 증산량은 각각 656.2, 686.0, 706.1 mm로 3.3, 8.0, 11.1%가 증가하는 것으로 나타났다.

Table 4 Statistical significance test result for climate factor and APEX-Paddy model result (evapotranspiration and irrigation demand) using Duncan's Multiple Range Test (DMRT)

NGHHCI_2021_v63n6_1_t0004.png 이미지

* Obs.: observed climate data (1981-2010); Hist.: historical GCM data (1981-2010); N.future: near future GCM data (2011-2040); M.future: near future GCM data (2041-2070); F.future: far future GCM data (2071-2100)

SSPs 시나리오에 따른 필요수량 (irrigation demand)의 변화는 기준년대에 비해 증가하는 경향을 보였다 (Fig. 7, Table 4). 기준년대 568.8 mm를 기준으로 SSP2-4.5 시나리오에서 근미래, 중간미래, 먼미래의 필요수량은 각각 582.0, 595.9, 611.3 mm로 2.3, 4.8, 7.5%가 증가하는 것으로 평가되었으며, SSP5-8.5 시나리오에서는 각각 568.8, 578.1, 601.0, 623.7 mm로 1.6, 5.7, 9.7%가 증가하는 것으로 나타났다. 따라서 SSP5-8.5 시나리오에서 SSP2-4.5보다 필요수량의 변화가 더 클 것으로 예측되었다.

미래기간 증발산량 변화의 통계적 유의성 검정 결과 SSP 2-4.5, SSP5-8.5 시나리오 모두 근미래, 중간미래, 먼미래의 결과가 기준년대와 유의한 차이가 있는 것으로 나타났다. 미래기간 필요수량 변화의 통계적 유의성 검정 결과 SSP2-4.5 시나리오의 경우 중간미래부터 기준년대와 유의한 차이가 나타났으며 SSP5-8.5 시나리오의 경우 모든 기간에 대해 기준년대와 유의한 차이가 있는 것으로 나타났다.

본 연구에서 미래 증발산량 및 필요수량 변동 평가의 결과는 RCPs 시나리오를 적용한 결과와 차이를 보였다. Choi (2019)는 APEX-Paddy 모델에 RCPs 시나리오를 적용한 결과 증발산량 및 필요수량의 변동이 유의하지 않는 것으로 평가한 바 있다. 평가 결과 차이의 원인을 살펴보면 CO2 농도, 기온, 일사량이 원인으로 판단된다. CO2 농도의 경우 SSP2-4.5, SSP5-8.5 시나리오는 기준년대 (1981∼2010) 대비 먼미래 (2071∼2100) 각각 62.4, 160.2%가 증가할 것으로 예측하고 있으나 RCP 4.5, RCP8.5 시나리오의 경우 기준년대 (1976∼2005) 대비 먼미래(2071∼2100) 각각 46.6, 122.3%가 증가하는 것으로 예측하고 있다 (Choi, 2019). 기온 증가율의 경우 SSP2-4.5, SSP 5-8.5 시나리오는 기준년대에 비해 먼미래 27.5, 45.7%가 증가할 것으로 예측하고 있으나 (Table 4) RCP4.5, RCP8.5 시나리오의 경우 기준년대에 비해 먼미래 23.4, 42.3%가 증가할 것으로 예측하고 있다 (Choi et al., 2020). 또한, RCPs 시나리오의 경우에는 기준년도 대비 일사량 변화에 유의한 차이가 나타나지 않았으나 (Choi, 2019) 본 연구에서는 일사량이 유의하게 증가하는 것으로 나타났다 (Table 4). CO2 농도의 증가는 잎의 기공유통성 (stomatal conductance)을 낮추어 캐노피 저항 증가(식 (7))에 의한 증산량 감소를 (Stockle et al., 1992), 기온 증가는 작물 재배기간 단축에 의한 증산량 감소의 원인이 된다(Choi et al., 2018). 그러나 기온 증가는 잠재증발량을 증가시키고 일사량의 증가는 증산량 감소분을 상쇄한다 (식 (6)). 따라서 SSPs 시나리오의 경우 논 증발산량과 필요수량이 증가하는 경향을 나타낸 것으로 판단된다.

한편, GCM의 일평균 기온 (daily mean temperature) 추정의 불확실성은 기준년대 (1981∼2010)에 비해 미래로 갈수록 점점 커지는 것으로 나타났다 (Fig. 8). 예를 들어 SSP5-8.5 시나리오에서, MPI-ESM1-2-HR과 MPI-ESM1-2-LR은 일평균 기온의 증가폭이 상대적으로 크지 않을 것으로 예측하고 있으며, 반면에 ACCESS-CM2와 CanESM5의 일평균 기온이 큰 폭으로 증가할 것으로 예측하였다. 이에 따라 증발산량 (evapotranspiration) 추정의 불확실성도 증가하는 경향을 보였다 (Fig. 9). SSP5-8.5 시나리오에서, MPI-ESM1-2-HR과 MPI-ESM1-2-LR의 증발산량의 변화의 폭은 크지 않다고 예측하고 있으며, 반면에 ACCESS-CM2와 CanESM5의 증발산량이 큰 폭으로 증가할 것이라고 예측했다. 논 필요수량 추정의 불확실성 또한 기준년대에 비해 미래로 갈수록 커지는 경향을 보였다 (Fig. 10). 결론적으로 미래기후 추정의 불확실성이 존재하며 어떠한 GCM을 사용하는지에 따라 논 필요수량의 예측 결과는 차이를 보일 수 있다 (Choi et al., 2018). 따라서 GCM 간의 불확실성을 줄이기 위해 다중 GCM 앙상블을 이용한 접근법 필요하다고 판단된다.

NGHHCI_2021_v63n6_1_f0008.png 이미지

Fig. 8 The result of estimating the daily mean temperature in the paddy field according to the SSP2-4.5 and SSP5-8.5 scenarios of GCM considering uncertainty. Using historical GCM data (Historical); near future GCM data (N.future); mid future GCM data (M.future); far future GCM data (F.future)

NGHHCI_2021_v63n6_1_f0009.png 이미지

Fig. 9 The result of estimating the evapotranspiration in the paddy field according to the SSP2-4.5 and SSP5-8.5 scenarios of GCM considering uncertainty. Using historical GCM data (Historical); near future GCM data (N.future); mid future GCM data (M.future); far future GCM data (F.future)

NGHHCI_2021_v63n6_1_f0010.png 이미지

Fig. 10 The result of estimating the irrigation demand in the paddy field according to the SSP2-4.5 and SSP5-8.5 scenarios of GCM considering uncertainty. Using historical GCM data (Historical); near future GCM data (N.future); mid future GCM data (M.future); far future GCM data (F.future)

Ⅳ. 요약 및 결론

본 연구에서는 김제 논벼 재배지를 대상으로 IPCC 6차 보고서에 채택된 SSP 시나리오에 따른 미래 필요수량의 변화를 평가하고자 하였다.

필요수량 평가 모델로서 논 재배환경을 고려하여 작성된 APEX-Paddy 모델을 사용하였다. 모델의 보⋅검정을 위하여 김제 논벼 재배지에 설치된 Flux 관측시스템의 H2O flux 관측자료를 이용하였다. 토양증발계수, 수면증발계수 등을 보정함으로써 모델의 정확도를 보정기간에 대하여 R2는 0.79, NSE 0.72, PBIAS는 3.9%로 개선하였으며 검정기간에 대하여 R2는 0.69, NSE는 0.58, PBIAS는 5.3%로 개선하였다.

SSPs 시나리오의 경우 SSP2-4.5, SSP5-8.5 시나리오를 대상으로 CMIP6로부터 각각 16개 GCMs를 수집하였으며 SQM을 이용하여 상세화하였다. 상세화된 미래 기후 정보를 각각 APEX-Paddy 모델에 적용하여 미래 필요수량 값을 도출하고 결과를 앙상블하였다.

필요수량 변동 평가는 SSPs 시나리오의 과거 재현기간(1850∼2014)을 고려하여 1981∼2010년을 기준년대로 설정하였고 이 기준 대비 근미래, 중간미래, 먼미래 각각 30년의 평년값 변화를 비교하였으며 DMRT를 이용하여 통계적 유의성을 평가하였다.

필요수량 변동 평가 결과 기준년대 568.8 mm에 대하여 SSP 2-4.5 시나리오의 경우 근미래, 중간미래, 먼미래 각각 2.3, 4.8, 7.5%로, SSP5-8.5 시나리오의 경우 1.6, 5.7, 9.7%가 증가하는 것으로 나타났으며 중간미래부터 기준년대와 유의한 차이를 보였다. 이는 증발산량 증가 요인인 기온과 일사량이 SSP2-4.5 시나리오의 경우 각각 10.9∼27.5, 0.8∼5.6%로, SSP5-8.5 시나리오의 경우 11.6∼45.7, 0.8∼4.6%로 미래로 갈수록 상승하는 경향을 보였고 이에 따라 증발산량이 SSP 2-4.5 시나리오의 경우 2.9∼9.5%, SSP5-8.5 시나리오의 경우 3.3∼11.1%로 미래로 갈수록 증가하는 경향을 보였기 때문인 것으로 판단된다. 본 연구의 결과는 기후변화를 고려한 국가수자원 계획 수립 및 수리구조물 운영을 위한 기초자료로 활용될 수 있을 것으로 기대한다.

감사의 글

본 연구는 농촌진흥청 국립농업과학원 농업과학기술 연구개발사업 (과제번호: PJ014937022021)의 지원으로 수행되었습니다.

References

  1. Ayars, J. E., E. W. Christen, R. W. Soppe, and W. S. Meyer, 2006. The resource potential of in-situ shallow ground water use in irrigated agriculture: a review. Irrigation Science 24(3): 147-160. doi:10.1007/s00271-005-0003-y.
  2. Boucher, O., S. Denvil, G. Levavasseur, A. Cozic, A. Caubel, M. A. Foujols, Y. Meurdesoif, P. Cadule, M. Devilliers, E. Dupont, and T. Lurton, 2019. IPSL IPSLCM6A-LR model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.1532.
  3. Cho, J. P., J. U. Kim, S. K. Choi, S. W. Hwang, and H. C. Jung, 2020. Variability analysis of climate extreme index using downscaled multi-models and grid-based CMIP5 climate change scenario data. Journal of Climate Change Research 11(2): 123-132 (in Korean). doi:10.15531/KSCCR.2020.11.2.123.
  4. Cho, J., W. Cho, and I. Jung, 2018. rSQM: Statistical downscaling toolkit for climate change scenario using nonparametric quantile mapping. Available online: cran. r-project.org/web/packages/rSQM/index.html (accessed on 25 August 2021).
  5. Choi, S. K., 2019. APEX-Paddy model development and climate change impact assessment for paddy rice. Ph.D. Thesis, Seoul National University, South Korea. (in Korean)
  6. Choi, S. K., J. Jeong, J. Cho, S. O. Hur, D. Choi, and M. K. Kim, 2018. Assessing the climate change impacts on paddy rice evapotranspiration considering uncertainty. Journal of Climate Change Research 9: 143-156 (in Korean). doi:10.15531/KSCCR.2018.9.2.143.
  7. Choi, S. K., J. Jeong, S. J. Yeob, M. Kim, J. H. Kim, and M. K. Kim, 2020. Evaluating changes and uncertainty of nitrogen load from rice paddy according to the climate change scenario multi-model ensemble. Journal of The Korean Society of Agricultural Engineers, 62(5): 47-62 (in Korean). doi:10.5389/KSAE.2020.62.5.047.
  8. Choi, S. K., M. K. Kim, J. Jeong, D. Choi, and S. O. Hur, 2017. Estimation of crop yield and evapotranspiration in paddy rice with climate change using APEX-paddy model. Journal of The Korean Society of Agricultural Engineers ,59(4): 27-42 (in Korean). doi:10.5389/KSAE.2017.59.4.027.
  9. Chung, S. O., 2010. Simulating evapotranspiration and yield response of rice to climate change using FAO-AquaCrop. Journal of the Korean Society of Agricultural Engineers, 52(3): 57-64 (in Korean). doi:10.5389/KSAE.2010.52.3.057.
  10. Ciais, P., M. Reichstein, N. Viovy, A. Granier, J. Ogee, V. Allard, M. Aubinet, N. Buchmann, C. Bernhofer, A. Carrara, F. Chevallier, N. De Noblet, A. D. Friend, P. Friedlingstein, T. Grunwald, B. Heinesch, P. Keronen, A. Knohl, G. Krinner, D. Loustau, G. Manca, G. Matteucci, F. Miglietta, J. M. Ourcival, D. Papale, K. Pilegaard, S. Rambal, G. Seufert, J. F. Soussana, M. J. Sanz, E. D. Schulze, T. Vesala, and R. Valentini, 2005. Europe-wide reduction in primary productivity caused by the heat and drought in 2003. Nature 437: 529-533. doi:10.1038/nature03972.
  11. Dix, M., D. Bi, P. Dobrohotoff, R. Fiedler, I. Harman, R. Law, C. Mackallah, S. Marsland, S. O'Farrell, H. Rashid, J. Srbinovsky, A. Sullivan, C. Trenham, P. Vohralik, I. Watterson, G. Williams, M. Woodhouse, R. Bodman, F. B. Dias, C. Domingues, N. Hannah, A. Heerdegen, A. Savita, S. Wal es, C. Al l en, K. Druken, B. Evans, C. Richards, S. M. Ridzwan, D. Roberts, J. Smillie, K. Snow, M. Ward, and R. Yang, 2019. CSIRO-ARCCSS ACCESS-CM2 model output prepared for CMIP6 ScenarioMIP SSP245 & SSP585. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.4321.
  12. Doll, P., 2002. Impact of climate change and variability on irrigation requirements: a global perspective. Climatic Change 54(3): 269-293. doi:10.1023/A:1016124032231.
  13. Easterling, D. R., G. A. Meehl, C. Parmesan, S. A. Changnon, T. R. Karl, and L. O. Mearns, 2000. Climate extremes: observations, modeling, and impacts. Science 289(5487): 2068-2074. doi:10.1126/science.289.5487.2068.
  14. Elliott, J., D. Deryng, C. Muller, K. Frieler, M. Konzmann, D. Gerten, M. Glotter, M. Florke, Y. Wada, N. Best, S. Eisner, B. M. Fekete, C. Folberth, I. Foster, S. N. Gosling, I. Haddeland, N. Khabarov, F. Ludwig, Y. Masaki, S. Olin, C. Rosenzweig, A. C. Ruane, Y. Satoh, E. Schmid, T. Stacke, Q. Tang, and D. Wisser, 2014. Constraints and potentials of future irrigation water availability on agricultural production under climate change. Proceedings of the National Academy of Sciences 111(9): 3239-3244. doi:10.1073/pnas.1222474110.
  15. Fischer, G., F. N. Tubiello, H. Van Velthuizen, and D. A. Wiberg, 2007. Climate change impacts on irrigation water requirements: Effects of mitigation, 1990-2080. Technological Forecasting and Social Change 74(7): 1083-1107. doi:10.1016/j.techfore.2006.05.021.
  16. Good, P., A. Sellar, Y. Tang, S. Rumbold, R. Ellis, D. Kelley, T. Kuhlbrodt, and J. Walton, 2019. MOHC UKESM1.0-LL model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.1567.
  17. Gornall, J., R. Betts, E. Burke, R. Clark, J. Camp, K. Willett, and A. Wiltshire, 2010. Implications of climate change for agricultural productivity in the early twenty-first century. Philosophical Transactions of the Royal Society B: Biological Sciences 365(1554): 2973-2989. doi:10.1098/rstb.2010.0158.
  18. Hong, E. M., J. Y. Choi, S. H. Lee, S. H. Yoo, and M. S. Kang, 2009. Estimation of paddy rice evapotranspiration considering climate change using LARS-WG. Journal of the Korean Society of Agricultural Engineers 51(3): 25-35 (in Korean). doi:10.5389/KSAE.2009.51.3.025.
  19. Hur, S. O., S. Choi, S. Yeop, S. C. Hong, and D. Choi, 2019. Relationship assessment on amount of irrigation water & productivity of rice by production function. Korean Journal of Environmental Agriculture 38(3): 133-138 (in Korean). doi:10.5338/KJEA.2019.38.3.23.
  20. Jang, S. S., S. R. Ahn, H. K. Joh, and S. J. Kim, 2015. Assessment of climate change impact on Imha-dam watershed hydrologic cycle under RCP scenarios. Journal of the Korean Association of Geographic Information Studies 18(1): 156-169 (in Korean). doi:10.11108/kagis.2015.18.1.156.
  21. John, J. G., C. Blanton, C. McHugh, A. Radhakrishnan, K. Rand, H. Vahlenkamp, C. Wilson, N. T. Zadeh, J. P. Dunne, R. Dussin, L. W. Horowitz, J. P. Krasting, P. Lin, S. Malyshev, V. Naik, J. Ploshay, E. Shevliakova, L. Silvers, C. Stock, M. Winton, and Y. Zeng, 2018. NOAA-GFDL GFDL-ESM4 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.1414.
  22. Kamruzzaman, M., S. Hwang, S. K. Choi, J. Cho, I. Song, H. Jeong, J. H. Song, T. Jang, and S. H. Yoo, 2020. Prediction of the effects of management practices on discharge and mineral nitrogen yield from paddy fields under future climate using APEX-paddy model. Agricultural Water Management 241: 106345. doi:10.1016/j.agwat.2020.106345.
  23. Kim, M. H., S. K. Choi, J. P. Cho, M. K. Kim, J. U. Eo, J. H. Bang, and J. M. Seong, 2021. Report on the climate change impact and vulnerability assessment on Agricultural environment and ecology. Phase I (2016-2020). National Institute of Agricultural Sciences, Wanju, Korea. (in Korean)
  24. Kim, U. T., D. R. Lee, and C. S. Yoo, 2004. Effects of climate change on the streamflow for the Daechung dam watershed. Journal of Korea Water Resources Association 37(4): 305-314 (in Korean). doi:10.3741/JKWRA.2004.37.4.305.
  25. Lee, T. S., J. Y. Choi, S. H. Yoo, S. H. Lee, and Y. G. Oh, 2012. Analyzing consumptive use of water and yields of paddy rice by climate change. Journal of the Korean Society of Agricultural Engineers 54(1): 47-54 (in Korean). doi:10.5389/KSAE.2012.54.1.047.
  26. Li, J., L. Fei, S. Li, C. Xue, Z. Shi, and R. Hinkelmann, 2020. Development of "water-suitable" agriculture based on a statistical analysis of factors affecting irrigation water demand. Science of The Total Environment 744: 140986. doi:10.1016/j.scitotenv.2020.140986.
  27. Marshall, E., M. Aillery, S. Malcolm, and R. Williams, 2015. Agricultural production under climate change: the potential impacts of shifting regional water balances in the United States. American Journal of Agricultural Economics 97(2): 568-588. doi:10.1093/ajae/aau122.
  28. Mera, R. J., D. Niyogi, G. S. Buol, G. G. Wilkerson, and F. H. Semazzi, 2006. Potential individual versus simultaneous climate change effects on soybean (C3) and maize (C4) crops: An agrotechnology model based study. Global and Planetary Change 54(1-2): 163-182. doi:10.1016/j.gloplacha.2005.11.003.
  29. Min, S. H., K. M. Shim, Y. S. Kim, M. P. Jung, S. C. Kim, and K. H. So, 2013. Seasonal variation of carbon dioxide and energy fluxes during the rice cropping season at rice-barley double cropping paddy field of Gimje. Korean Journal of Agricultural and Forest Meteorology 15(4): 273-281 (in Korean). doi:10.5532/KJAFM.2013.15.4.273.
  30. Ministry of Environment (ME), 2020. Water and Future. Ministry of Environment. (in Korean)
  31. Miyazaki, N., K. Kamewada, and S. Iwasaki, 2005. Quality changes of agricultural water passing through paddy fields. Bulletin of the Tochigi Prefectural Agricultural Experiment Station 55: 45-55.
  32. Moriasi, D. N., J. G. Arnold, M. W. Van Liew, R. L. Bingner, R. D. Harmel, and T. L. Veith, 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE 50(3): 885-900. doi:10.13031/2013.23153.
  33. Neitsch, S. L., J. G. Arnold, J. R. Kiniry, and J. R. Williams, 2011. Soil and water assessment tool theoretical documentation version 2009. Texas Water Resources Institute.
  34. O'Neill, B. C., E. Kriegler, K. Riahi, K. L. Ebi, S. Hallegatte, T. R. Carter, R. Mathur, and D. P. Van Vuuren, 2014. A new scenario framework for climate change research: the concept of shared socioeconomic pathways. Climatic Change 122(3): 387-400. doi:10.1007/s10584-013-0905-2.
  35. Rosenberg, N. J., B. A. Kimball, P. Martin, and C. F. Cooper, 1990. From climate and CO2 enrichment to evapotranspiration. Climate Change and US Water Resources 151-175.
  36. Sakaguchi, A., S. Eguchi, T. Kato, M. Kasuya, K. Ono, A. Miyata, and N. Tase, 2014. Development and evaluation of a paddy module for improving hydrological simulation in SWAT. Agricultural Water Management 137: 116-122. doi:10.1016/j.agwat.2014.01.009.
  37. Schupfner, M., K. H. Wieners, F. Wachsmann, C. Steger, M. Bittner, J. Jungclaus, and E. Roeckner, 2019. DKRZ MPI-ESM1.2-HR model output prepared for CMIP6 ScenarioMIP SSP245 & SSP585. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.4398.
  38. Seferian, R., 2019. CNRM-CERFACS CNRM-ESM2-1 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.1395.
  39. Seland, O., M. Bentsen, D. J. L. Olivie, T. Toniazzo, A. Gjermundsen, L. S. Graff, J. B. Debernard, A. K. Gupta, Y. He, A. Kirkevag, J. Schwinger, J. Tjiputra, K. S. Aas, I. Bethke, Y. Fan, J. Griesfeller, A. Grini, C. Guo, M. IIicak, I. H. H. Karset, O. A. Landgren, J. Liakka, K. O. Moseid, A. Nummelin, C. Spensberger, H. Tang, Z. Zhang, C. Heinze, T. Iversen, and M. Schulz, 2019. NCC NorESM2-LM model output prepration for CMIP6 ScenerioMIP SSP245 & SSP585. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.8253.
  40. Shiogama, H., M. Abe, and H. Tatebe, 2019. MIROC MIROC6 model output prepared for CMIP6 scenarioMIP SSP245 & 585. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.5746.
  41. Song, J. H., I. Song, J. T. Kim, and M. S. Kang, 2015. Simulation of agricultural water supply considering yearly variation of irrigation efficiency. Journal of Korea Water Resources Association 48(6): 425-438 (in Korean). doi:10.3741/JKWRA.2015.48.6.425.
  42. Stockle, C. O., J. R. Williams, N. J. Rosenberg, and C. A. Jones, 1992. A method for estimating the direct and climatic effects of rising atmospheric carbon dioxide on growth and yield of crops: Part I-Modification of the EPIC model for climate change analysis. Agricultural Systems 38(3): 225-238. doi:10.1016/0308-521X(92)90067-X.
  43. Swart, N. C., J. N. S. Cole, V. V. Kharin, M. Lazare, J. F. Scinocca, N. P. Gillett, J. Anstey, V. Arora, J. R. Christian, Y. Jiao, W. G. Lee, F. Majaess, O. A. Saenko, C. Seiler, C. Seinen, A. Shao, L. Solheim, K. von Salzen, D. Yang, B. Winter, and M. Sigmond, 2019. CCCma CanESM5 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.1317.
  44. Tachiiri, K., M. Abe, T. Hajima, O. Arakawa, T. Suzuki, Y. Komuro, K. Ogochi, M. Watanabe, A. Yamamoto, H. Tatebe, M. A. Noguchi, R. Ohgaito, A. Ito, D. Yamazaki, A. Ito, K. Takata, S. Watanabe, and M. Kawamiya, 2019. MIROC MIROC-ES2L model output prepared for CMIP6 ScenarioMIP ssp585. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.5770.
  45. Tao, F., and Z. Zhang, 2011. Impacts of climate change as a function of global mean temperature: maize productivity and water use in China. Climatic Change 105(3-4): 409-432. doi:10.1007/s10584-010-9883-9.
  46. The University of Melbourne, 2021. Greenhouse Gas Factsheets. Available online: https://greenhousegases.science.unimelb.edu.au (accessed on 25 August 2021).
  47. Van Vuuren, D. P., E. Kriegler, B. C. O'Neill, K. L. Ebi, K. Riahi, T. R. Carter, J. Edmonds, S. Hallegatte, T. Kram, R. Mathur, and H. Winkler, 2014. A new scenario framework for climate change research: scenario matrix architecture. Climatic Change 122(3): 373-386. doi:10.1007/s10584-013-0906-1.
  48. Voldoire, A., 2019. CNRM-CERFACS CNRM-CM6-1 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.1384.
  49. Volodin, E., E. Mortikov, A. Gritsun, V. Lykossov, V. Galin, N. Diansky, A. Gusev, S. Kostrykin, N. Iakovlev, A. Shestakova, and S. Emelina, 2019a. INM INM-CM4-8 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.12321.
  50. Volodin, E., E. Mortikov, A. Gritsun, V. Lykossov, V. Galin, N. Diansky, A. Gusev, S. Kostrykin, N. Iakovlev, A. Shestakova, and S. Emelina, 2019b. INM INM-CM5-0 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.12322.
  51. Wada, Y., D. Wisser, S. Eisner, M. Florke, D. Gerten, I. Haddeland, N. Hanasaki, Y. Masaki, F. T. Portmann, T. Stacke, Z. Tessler, and J. Schewe, 2013. Multimodel projections and uncertainties of irrigation water demand under climate change. Geophysical Research Letters 40(17): 4626-4632. doi:10.1002/grl.50686.
  52. Wieners, K. H., M. Giorgetta, J. Jungclaus, C. Reick, M. Esch, M. Bittner, V. Gayler, H. Haak, P. de Vrese, T. Raddatz, T. Mauritsen, J. S. von Storch, J. Behrens, V. Brovkin, M. Claussen, T. Crueger, I. Fast, S. Fiedler, S. Hagemann, C. Hohenegger, T. Jahns, S. Kloster, S. Kinne, G. Lasslop, L. Kornblueh, J. Marotzke, D. Matei, K. Meraner, U. Mikolajewicz, K. Modali, W. Muller, J. Nabel, D. Notz, K. Peters-von Gehlen, R. Pincus, H. Pohlmann, J. Pongratz, S. Rast, H. Schmidt, R. Schnur, U. Schulzweida, K. Six, B. Stevens, A. Voigt, and E. Roeckner, 2019. MPI-M MPIESM1.2-LR model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.793.
  53. Williams, J. R., and R. C. Izaurralde, 2010. The APEX model. In Watershed models, 1st ed., CRC Press, Florida, USA, pp. 461-506.
  54. Williams, J. R., R. C. Izaurralde, C. Williams, and E. M. Steglich, 2015. Agricultural policy/environmental extender model theoretical documentation version 0806. Texas A&M Blackland Research Center Temple.
  55. Yoo, S. H., 2000. Soil Encyclopedia, Seoul National University Press, Seoul, South Korea. (in Korean)
  56. Yoo, S. H., J. Y. Choi, S. H. Lee, Y. G. Oh, and N. Y. Park, 2012. The impacts of climate change on paddy water demand and unit duty of water using high-resolution climate scenarios. Journal of the Korean Society of Agricultural Engineers 54(2): 15-26 (in Korean). doi:10.5389/KSAE.2012.54.2.015.
  57. Yoo, S. H., T. Kim, S. H. Lee, and J. Y. Choi, 2015. Trend analysis of projected climate data based on CMIP5 GCMs for climate change impact assessment on agricultural water resources. Journal of the Korean Society of Agricultural Engineers 57(5): 69-80 (in Korean). doi:10.5389/KSAE.2015.57.5.069.
  58. Yukimoto, S., T. Koshiro, H. Kawai, N. Oshima, K. Yoshida, S. Urakawa, H. Tsujino, M. Deushi, T. Tanaka, M. Hosaka, H. Yoshimura, E. Shindo, R. Mizuta, M. Ishii, A. Obata, and Y. Adachi, 2019. MRI MRI-ESM2.0 model output prepared for CMIP6 ScenarioMIP. Earth System Grid Federation. doi:10.22033/ESGF/CMIP6.638.
  59. Yun, D. K., S. O. Chung, and S. J. Kim, 2011. Climate change impacts on paddy water requirement. Journal of the Korean Society of Agricultural Engineers 53(4): 39-47 (in Korean). doi:10.5389/KSAE.2011.53.4.037.
  60. Ziehn, T., M. A. Chamberl ain, R. M. Law, A. Lenton, R. W. Bodman, M. Dix, L. Stevens, Y. P. Wang, and J. Srbinovsky, 2020. The Australian Earth System Model : ACCESS-EMS1-5. Journal of Southern Hemisphere Earth Systems Science 70(1) : 193-214. doi : 10.1071/ES19035.