Comparative Evaluation of Reproducibility for Spatio-temporal Rainfall Distribution Downscaled Using Different Statistical Methods

통계적 공간상세화 기법의 시공간적 강우분포 재현성 비교평가

Abstract

Various techniques for bias correction and statistical downscaling have been developed to overcome the limitations related to the spatial and temporal resolution and error of climate change scenario data required in various applied research fields including agriculture and water resources. In this study, the characteristics of three different statistical dowscaling methods (i.e., SQM, SDQDM, and BCSA) provided by AIMS were summarized, and climate change scenarios produced by applying each method were comparatively evaluated. In order to compare the average rainfall characteristics of the past period, an index representing the average rainfall characteristics was used, and the reproducibility of extreme weather conditions was evaluated through the abnormal climate-related index. The reproducibility comparison of spatial distribution and variability was compared through variogram and pattern identification of spatial distribution using the average value of the index of the past period. For temporal reproducibility comparison, the raw data and each detailing technique were compared using the transition probability. The results of the study are presented by quantitatively evaluating the strengths and weaknesses of each method. Through comparison of statistical techniques, we expect that the strengths and weaknesses of each detailing technique can be represented, and the most appropriate statistical detailing technique can be advised for the relevant research.

Ⅰ. 서론

최근 심각한 홍수와 가뭄 등 이상기후로 판단되는 기상현상이 전 세계적으로 빈번히 발생함에 따라 기후변화영향과 예측에 대한 관심이 커지고 있다. 기후변화와 관련된 장기적이며 기후변화를 고려한 과학적인 장기적 예측 정보는 기후 변화에 관한 정부 간 협의체 (Intergovernmental panel of climate change, IPCC)의 결합 기후모델 비교사업 (Coupled model intercomparison project, CMIP)에서 제공하는 전지구기후모델 (Global Climate Model, GCM) 산출물을 가공하여 생산한다. GCM은 온실가스 배출시나리오에 기반하여 기후변화를 물리적으로 해석한 전 지구 규모의 기후변화 전망 결과이다. IPCC 5차 평가보고서에서는 이산화탄소의 대표농도경로 (Representative Concentration Pathways, RCP)에 따른 기후의 변화를 제시하였으며, 1986-2005년을 기준으로 21세기 후반(2081-2100년) 지구의 표면 온도가 RCP4.5에서 1.1 °C-2.6 °C, RCP8.5에서 2.6 °C-4.8 °C 상승할 가능성이 높다고 전망하고 있다 (IPCC, 2014).

GCM 산출물은 농업 및 수자원 분야 등 다양한 응용 분야에서도 미래 기후변화 대응 연구에서 널리 활용되고 있다(Cho et al., 2013; Kim et al., 2013; Kim et al., 2019; Hwang and Graham, 2014; Hwang et al., 2014). 한편 GCM 산출물의 공간적 해상도는 100 km 이상이며 크게는 250 km에 달하고 있으며 원자료의 계통적 오차 (systematic biases)의 한계로 연구에 직접 활용하기에 제약이 있다 (Hwang et al., 2018). 이에 따라 농업과 수자원을 포함한 다양한 응용연구 분야에서 필요한 기후변화 시나리오 자료의 시공간 해상도 및 오차와 관련한 한계점을 극복하기 위하여 편의보정과 통계적 상세화를 위한 다양한 기법을 개발하는 연구가 수행되었다 (Chung et al., 2015; Park et al., 2017).

우리나라의 경우 산지가 많고 좁은 국토에 비해 다양한 지형으로 이루어져 있고 이로 인해 지역별로 강수량의 차이가 크게 나타나는 등의 지역적 편차가 크게 나타난다. 남한지역에 대해 CMIP5의 원시 GCM의 시⋅공간적 재현성 평가 결과 공간적 해상도 측면에서 GCM 산출물의 우리나라 적용성에 한계가 있다는 연구결과가 발표된 바 있다 (Jung et al., 2018). 과학적이고 합리적인 기후변화 영향예측을 위해서는 통계적 공간상세화 기법의 고려가 선행되어야 하며 이러한 특성분석의 일환으로 GCM과 상세화 기법 선정에 따른 기후변화 시나리오 불확실성 평가에 대한 연구 (Kim et al., 2018)와 격자형 공간상세화 자료를 활용한 GCM의 재현성 평가에 대한 연구(Hwang et al., 2018)가 진행되었다.

APCC (APEC Cliamte Center)는 AIMS (APCC Integrated Modeling Solution)를 개발하여 다양한 상세화 기법을 적용한 효과적인 정보 생산 및 비교⋅평가하고 있다. AIMS는 세가지의 통계적 상세화 기법을 적용한 기후변화 시나리오를 제공하고 있다 (Cho et al., 2018). 편의보정을 포함한 이들 공간상세화 기법은 자료분포 보정을 기반으로 한 SQM (Simple Quantile Mapping) (Cho et al., 2016)과 SDBC (Spatial Downscaling and Bias-Correction) 방법을 개선한 SDQDM (Spatial Disaggregation with Quantile Delta Mapping) (Cannon et al., 2015; Eum and Cannon, 2016) 그리고 강우사상의 공간 상관성을 고려하여 강우분포를 생성하는 BCSA (Bias-Correction and Stochastic Analog) (Hwang and Graham 2013) 기법의 적용결과를 제공하고 있다. 또한 AIMS는 생성된 상세화 결과를 활용하여 과거 재현성과 미래 불확실성 등의 정보를 평가할 수 있는 결과도 함께 제공한다. Hwang et al. (2021)은 BCSA기법을 활용한 통계적 공간상세화 결과를 활용하여 남한 ASOS (Automated Synoptic Observing System) 지점에 대한 일단위 강우의 시간 및 공간변동성에 대한 재현 성능을 검증하고자 하였다.

한편 기후변화 시나리오를 다양한 연구분야에서 활용하기 위해 많은 연구가 진행되고 다양한 공간상세화 기법들이 개발되고 있음에도 불구하고 서로 다른 상세화 기법으로 생산된 미래기상자료가 어떠한 차이를 보이는지 비교하는 연구는 부족한 실정이다. 통계적 공간상세화 기법은 동역학적 상세화 (dynamical downscaling)에 비해 대체로 간소한 접근법이나 각각의 장단점이 뚜렷하여 적용 상황에 따라 적합한 방법을 선택하는 것이 중요하다.

본 연구에서는 AIMS에서 제공하는 통계적 공간상세화 기법의 특성을 정리하고 SQM, SDQDM, BCSA 상세화 기법을 적용하여 생산된 기후변화 시나리오를 활용하여 이상기후 지수 산정을 통해 시⋅공간적 강우특성에 대한 재현성을 비교⋅평가하였다. 이를 통해 통계적 공간상세화 기법들의 강점과 약점을 고찰하고 연구자가 관련 연구에 가장 적절한 통계적 상세화 기법을 판단하고 선택할 수 있는 기반 자료를 제공하고자 하였다. 다음 Ⅱ장에서는 연구에서 사용한 기상관측자료와 기후변화 시나리오 자료에 대한 설명과 통계적 상세화 기법 및 강우 인자 기반 평가 지표에 대해 기술하고 Ⅲ장에서 상세화 기법별 재현성에 대한 평가 및 미래 시나리오의 특성 유지에 대한 평가결과를 제시하고 Ⅳ장에서 결론을 정리한다.

Ⅱ. 재료 및 방법

1. 기상관측자료

본 연구에서는 CMIP5 (The 5^th phase of the coupled model intercomparison project, CMIP5)에서 제공하는 GCM 중 과거 기간에 대해 일단위 강우량 자료를 제공하는 29개의 모델의 산출물을 공간상세화에 활용하였다. CMIP6의 자료가 최근 배포되고 있으나 GCM 다양성이 CMIP5에 미치지 못하며, 본 연구의 목적이 상세화 기법의 적용 결과를 통해 연구자의 연구에 적절한 통계적 상세화 기법의 제안을 위해 여러 가지 비교 척도를 제시하여 상세화 기법을 비교하고자 함이므로 기존의 다양한 관련 연구에서 검증이 충분히 이루어진 다수의 CMIP5 GCM을 활용하였다. CMIP5 GCM 산출물 자료의 과거 기간 (Historical period)은 1976년부터 2005년으로 설정하였다. 해당기간 자료의 편의보정을 위해 남한지역의 종관기상관측지점 (ASOS) 중 GCM의 과거기간 자료 확보가 가능한 60개의 관측지점을 선정하여 일단위 강우량 자료를 수집하였다. Fig. 1은 수집한 ASOS의 관측지점 위치와 지점정보를 보여준다.

Fig. 1 Location of meteorological stations and grid configurations of GCMs

2. 기후변화 시나리오 자료

공간상세화 기법 적용을 위한 GCM 산출물은 모델에서 제공하는 자료 중 일 강수량을 제공하는 CMIP5 GCM 29종 모델을 선정하였다. CMIP5 모델은 온실가스 배출에 따른 지구복사강제력에 따라서 구분되는 4가지의 대표농도경로(Representative Concentration Pathway, RCP) 시나리오를 제공하는데, 이중 RCP4.5와 RCP8.5 시나리오를 선정하여 일 단위의 강수량 자료를 수집하였다. Table 1는 본 연구에서 활용한 CMIP5 GCM의 이름과의 해상도, 그리고 및 개발연구기관 등 정보를 정리한 표이다.

Table 1 Model names, resolution and institution about CMIP5

3. 통계적 공간상세화 기법

본 연구에서는 국내 적용성이 검토된 바 있으며 APCC AIMS에서 적용한 통계적 상세화 기법인 SQM, SDQDM, BCSA 기법 적용결과를 비교⋅평가하였다. 통계적 상세화 기법에 공통적으로 적용되는 Empirical Quantile Mapping은 관측자료와 모델의 동일 Quantile에 대한 자료값 차이를 오차(bias)로 정의하고 이를 적용하여 편의보정 하는 방법이다. 관측자료와 모델 산출물 시나리오에 대한 편의보정 수행 예시는 다음 Fig. 2와 같다.

Fig. 2 Schematic representation of Empirical Quantile Method

SQM, SDQDM, BCSA 상세화 기법의 방법론은 Fig. 3에 도식화 하여 설명하고 있다. SQM 기법은 기후변화 자료의 공간적으로 GCM 해당격자와 격자내 관측지점에 대해 적용하되 시간적으로는 관측 일자료의 Empirical Quantile을 각 지점에 대해 독립적인 비교를 통해 편의보정을 하는 방법이다. 관측 및 모의자료의 Quantile 비교를 통해 기후변화 사나리오의 편의를 보정하는 방법으로 식 (1)과 같으며 Quantile을 이용하는 이 개념은 SDQDM과 BCSA에서도 동일하게 적용된다.

Fig. 3 Diagram of schematic representation of SQM, SDQDM, and BCSA process

x^o = F^-1_o[F_m(x^m)]       (1)

여기서 x^o는 관측자료이고 x^m은 모델 산출물을 의미한다. F_m(x^m)은 x^m의 변환 함수인 CDF (Cumulative Distribution Function)이며 F^-1_o는 x^o의 CDF의 역함수를 의미한다. SQM 기법은 간단한 알고리즘으로 수행할 수 있는 방법이지만, 지점간 독립적인 보정과정에서 상세화된 정보의 일단위 공간변동성과 미래 극값에 대한 장기추세를 고려하는데 한계가 있다고 평가된다. 한편 SDQDM 기법은 기후변화 시나리오의 장기적 추세를 유지하면서 통계적 상세화를 수행할 수 있도록 고안된 방법으로 원시 GCM의 공간보간을 한 자료를 QDM (Quantile Delta Mapping) 하는 방법이다. QDM은 장기 추세의 왜곡을 최소화하기 위한 방법으로 모든 분위수의 상대변화를 직접 고려하여 이를 통해 극값에 대한 장기추세를 고려할 수 있는 방법이다 (Eum et al., 2017; Kim et al., 2019).

BCSA기법은 관측자료로부터 공간적인 패턴을 추출하고 확률적인 재현을 할 수 있도록 제안된 방법으로 공간변동성의 우수한 재현이 특징이라고 할 수 있는 기법이다. 우선 NST(Normal Score Transform)를 통해 정규화 된 관측자료를 기반으로 공간분산을 산출하고 정규분포에서 무작위 생산된 시공간자료에 공간적 상관성 정보를 적용시킨 후 관측자료의 경험적 CDF를 mapping하여 시간적 분포를 재현하고 공간상관성을 유지할 수 있도록 고안된 방법이다. 하지만 추계적인 시나리오를 무작위 생산하고 관측지점의 수에 따라 대단위 행렬계산을 포함하는 특징으로 인해 상세화에 비교적 많은 시간이 소요된다.

4. 강우인자 평가지표

본 연구에서는 과거기간의 재현성 평가 및 미래기간 시나리오 특성 유지력 평가를 통한 상세화 자료 비교는 대표 강우 인자를 산출하여 비교하였다. 과거기간의 평균적인 강우 특성 비교를 위해 평균적 강우특성을 나타내는 지수를 활용하였고, 이상기후 관련 지수를 통해 극한기후상황에 대한 재현성 평가를 하고자 하였다. 공간분포 및 변동성에 대한 재현성 비교는 과거기간의 지수의 평균값을 활용한 공간적인 분포의 추세파악 및 통계적 방법을 활용하여 거리에 따라 자료의 공간적인 상관관계를 분석할 수 있는 베리오그램 (Variogram)을 통해 비교하고자 하였다. 시간적 재현성 비교는 일단위 강우의 시간적 변동성을 정량적으로 진단하는 천이확률을 활용하여 원시자료와 각 상세화 기법을 비교하고자 하였다. 미래기간 시나리오의 특성 유지력 평가는 과거기간 대비 미래기간의 변화량을 각 상세화자료와 원시자료의 차이를 통해 어느 정도 유지 되는지 판단하고자 하였다.

기후변화 시나리오를 상세화한 기후변화 시나리오 자료 평가를 위해 적용한 극한기후지수 (Climate Extreme Indices)는 International expert team과 그 전신인 WMO (World Meteorological Organization) CCI (Commission for Climatology)/WCRP (World Climate Research Programme) CLIVAR (Climate Variability and Predictability)프로젝트의 ETCCDMI (Team on Climate Change Detection Monitoring and Indices)은 각각의 개인, 국가 및 지역이 기후 극단값을 동일한 방법으로 분석할 수 있도록 일련의 지수를 개발한 ETCCDI (Expert Team on Climate Change Detection and Indices) (Karl et al., 1999; Peterson et al., 2001; Peterson, 2005 )를 기준으로 강우 특성과 관련된 지수를 선정하여 관측자료와 GCM 산출물 원자료, 그리고 3개 상세화 자료의 재현성을 평가하였다. 1 mm이상 강우일의 연간 총 강수량을 나타내는 PRCPTOT, 강우일의 평균 강수량을 나타내는 SDII, 1 mm 이하 강우인 날인 가뭄일의 연간 최대 연속일수인 CDD, 1 mm 이상 강우인 강우일의 연간 최대 연속일수인 CWD의 경우 평균적인 강우의 특성을 볼 수 있는 지수로 상세화 기법에 따른 과거 재현성에서의 평균적인 강우의 특성을 파악하고자 적용하였다. 극한강우사상 특성과 관련된 과거 재현성 평가는 관련 극한기후지수인 연간 최대 하루 강우량 (Rx1day), 연간 최대 5일 강우량 (Rx5day), 연간 일 강우량의 95 퍼센타일 (R95pTOT), 99 퍼센타일(R99pTOT), 연간 10 mm 이상 강우일 수 (R10mm), 연간 20 mm 이상 강우 일수 (R20mm)를 선정하여 특성을 평가하였다. 다음의 Table 2은 과거 재현성 평가를 위해 사용된 극한기후지수와 정의를 나타내고 있다.

Table 2 Lists of the climate extreme indices

강우의 특성은 평균적인 특성 이외에 강우사상의 연속성 및 시간적 패턴과 더불어 공간적 패턴을 보여주는 방법을 활용하여 강우의 특성을 평가해야 한다. 본 연구에서는 강우의 시간적 분포 재현성을 위해 천이확률 (transition probability)을 활용하여 이를 평가하고자 하였다. 또한 기후변화 시나리오 상세화 결과는 통계적 상세화 기법에 따라 다양한 시⋅공간적인 특성을 보여준다. 이러한 기후변화 시나리오 상세화 다양한 평가 방법 중 시간적 상관성을 결과를 평가하기 위해 관측지점 간의 피어슨의 상관계수 (Pearson’s correlation coefficients)를 사용하고 공간적 상관성 결과를 위해 베리오그램을 활용하여 비교 평가하였다. 피어슨의 상관계수를 두 집단의 시간적인 상관성에 대한 평가하는 방법으로, 시간적 상관성을 분석하기 위한 대표적인 방법들 중 하나로서 산정식은 다음 식 (2)와 같다. 베리오그램은 통계적 방법을 활용하여 거리에 따라자료의 공간적인 상관관계를 분석하는 방법으로 산정식은 다음의 식 (3)과 같다 (Park et al., 2010; Hwang and Graham, 2013).

\(\begin{aligned}r_{X Y}=\frac{\sum_{i}^{n}\left(X_{i}-\bar{X}\right)\left(Y_{i}-\bar{Y}\right)}{\sqrt{\sum_{i}^{n}\left(X_{i}-\bar{X}\right)^{2}} \sqrt{\left(\sum_{i}^{n}\left(Y_{i}-\bar{Y}\right)^{2}\right.}}\end{aligned}\)       (2)

\(\begin{aligned}2 \gamma(h)=\frac{1}{N(h)} \sum_{\alpha=1}^{N(h)}\left[x\left(u_{\alpha}\right)-x\left(u_{\alpha}+h\right)\right]^{2}\end{aligned}\)       (3)

Ⅲ. 결과 및 고찰

우선적으로 다양한 지수를 활용하여 세 가지의 상세화 기법의 전지점에 대한 적용결과의 평균적인 과거기간 재현성을 비교 평가하였다. 상세화에 활용한 관측자료는 기후변화 시나리오의 과거기간인 1976년부터 2005년까지의 기간이 존재하는 남한지역의 ASOS 중 60개 지점자료를 수집하여 활용하였으며, 29개의 GCM을 대상으로 생산한 모든 결과에 대한 과거 재현성을 평가하고자 하였다. 과거기간의 평균적인 강우 특성을 비교하기 위해 PRCPTOT, SDII, CDD, CWD를 활용하여 재현성을 평가하고자 하였고, Rx1day, Rx5day, R95pTOT, R99pTOT, R10mm, R20mm을 활용하여 이상기후와 관련된 변수를 통해 극한기후의 상황에 대한 재현성을 평가하였다. Table 3은 ASOS 60개 지점의 평균과 원시 GCM과 세 가지의 통계적 상세화 결과를 활용하여 관측자료를 기준으로 과거 재현성 평가를 정리한 결과이다. CDD의 경우 관측 평균이 원시 GCM에서는 26.12일 이었으나 SQM 31.82일, SDQDM 31.18일, BCSA 32.97일로 관측의 31.02일과 유사하게 나타남을 통해 원시 GCM에 비해서 모든 상세화 결과들의 재현성이 많이 상승한 결과를 보이지만 CWD, RCPTOT, Rx1day, Rx5day, R95pTOT, R99pTOT, SDII, R10mm, R20mm 산정결과로 확인할 수 있는 바와 같이 SQM과 BCSA 상세화를 통해 생산한 결과의 과거 재현성이 원시 GCM 대비 크게 향상된 것을 확인할 수 있다. SDQDM 상세화의 결과는 과거 자료의 패턴을 통해 미래의 극한값에 대한 보정에 중점을 둔 상세화 기법인 점에 반해 SQM은 과거자료의 Quantile을 그대로 활용하고 있고, BCSA는 관측 공간패턴을 고려하는 방법론의 차이가 반영된 결과로 사료된다.

Table 3 Representative climate index to evaluate downscaled GCM outputs

1. 강우 공간분포 및 변동성에 대한 재현성 비교

평균적인 강우 공간분포에 대한 재현성 비교를 위해서 관측자료와 원시 GCM을 포함한 세 가지의 상세화 기법을 적용하여 PRCPTOT와 CWD 산출결과에 대한 공간분포를 비교하였다. Fig. 4와 Fig. 5는 1976년부터 2005년까지의 기간을 대상으로 과거기간 공간분포를 비교한 결과이다. 관측자료의 결과를 제외한 GCM을 활용한 결과는 29개의 GCM을 앙상블하여 산출한 결과로 평균적인 모델의 공간 패턴을 파악할 수 있다. Fig. 4는 연평균 강우의 공간분포를 나타내고 있으며, 관측자료의 경우 경북지역 일부 낮은 연평균 강우량과 제주도의 높은 강우량 분포를 보이고 있다. 이러한 남한의 평균적 강우분포는 원시 GCM은 과소모의되어 재현성이 낮은 특성을 보였다. SQM과 BCSA 상세화 결과에서는 남한지역 관측 강우분포를 잘 재현되고 있으며, SDQDM은 공간분포 재현성 관점에서 낮은 성능을 보이는 것으로 나타났다. Fig. 5는 CWD의 공간분포를 나타낸 결과이다. 원시 GCM은 과거 기간의 남한지역 CWD를 과대모의하여 강우발생일수가 많은 산출물 특성을 반영하고 있는 반면, 통계적 상세화를 통한 결과는 SDQDM, SQM, BCSA의 순으로 그 결과가 관측 공간분포 재현성을 크게 향상시키는 결과를 보이고 있다. BCSA 상세화 기법은 가장 높은 재현성을 보였으며, 이는 BCSA 기법의 특징인 관측자료의 공간상관성을 유지하면서 마지막 단계에서 관측자료의 분포 (CDF)를 재현함으로서 관측지점별 자료의 통계적 분포특성을 교란하지 않는 장점을 보여주는 결과라 판단된다.

Fig. 4 Distribution of PRCPTOT calculated using (a) observation, (b) raw GCM, (c) SQM, (d) SDQDM, and (e) BCSA

Fig. 5 Distribution of CWD calculated using (a) observation, (b) raw GCM, (c) SQM, (d) SDQDM, and (e) BCSA

일 단위의 강우자료의 공간적 연속성 및 변동성을 파악하기 위해 베리오그램을 통해 거리를 기준으로 자료의 편차를 산출하고자 하였다. Fig. 6은 관측자료와 세 가지의 상세화 기법의 베리오그램 결과를 나타낸다. 베리오그램의 거리가 멀어질수록 Gamma가 커지는 것은 관측자료간의 거리가 멀어질수록 서로 간의 상관관계가 약해지는 현상을 보여주며 거리 상간에 따른 상관관계 또는 공간적 변동성을 평가하는 지표로 활용할 수 있다. 베리오그램의 결과 SQM과 BCSA 상세화 기법이 관측자료의 공간상관성을 매우 유사하게 재현하는 반면 SDQDM은 비교적 낮은 재현성을 보였다.

Fig. 6 Variograms of observed and downscaled GCMs

2. 시간적 강우패턴 재현성 비교

Fig. 7은 강우 사상의 시간적 패턴 재현성 평가를 위해 원시 GCM과 각 상세화 기법에 대해 산출한 결과의 천이확률을 산정하여 나타낸다. 가로축은 관측을 세로축은 원시 GCM 과각 상세화 기법을 적용한 결과를 나타낸다. 천이확률에 대한 평가는 관측의 천이확률의 분포 결과와 유사하게 나타남을 기준으로 평가하며 원시 GCM의 경우 dry to wet의 천이확률이 0.11∼0.18의 범위로 분포하였으며, 관측은 0.125∼0.175의 범위로 분포하였다. 원시 GCM의 천이확률의 분포가 격자의 크기로 인해 광범위하게 분포하는 결과를 보였으나 SQM과 SDQDM, BCSA의 통계적 상세화가 진행된 자료의 경우 상세화 자료의 결과는 GCM의 오차를 크게 개선하는 것을 확인할 수 있다. GCM의 wet to wet 천이확률의 경우 0.17∼0.63으로 넓은 분포를 보이고, 관측의 경우 0.22이하로 낮은 범위를 나타냈다. 전반적으로 통계적 공간상세화를 통해 재현성을 향상시킬 수 있었으며, SDQDM과 BCSA 상세화 기법 적용결과 0.28이하로 관측지점별 천이확률 분포에 대한 재현성이 높게 나타났으며 SQM의 경우도 0.31정도로 준수한 성능을 보임을 알 수 있다.

Fig. 7 Scatter plots comparing ‘dry to wet’ (upper) and ‘wet to wet’ (lower) transition probability of observation data vs. GCM scenarios for all stations

Fig. 8은 연속 무강우일 수, 연속강우일 수, 그리고 총 강우량의 CDF를 관측자료와 원시 GCM, 그리고 SQM, SDQDM, BCSA에 대해 비교한 결과이다. 강우 사상별 특성을 비교한 결과는 연속 무강우일 수의 경우 원시 GCM의 과대모의 된 자료 (녹색)를 상세화 이후에는 관측 자료 (황색)과 매우 유사하게 재현됨을 알 수 있다. 연속강우일 수의 경우 원시 GCM의 과소 모의 된 자료를 상세화 이후에는 관측과 유사하게 재현되었으며, 총 강우량의 경우 과대모의 된 원시 GCM의 자료를 상세화 이후 관측과 유의하게 재현되었다.

Fig. 8 Comparison of cumulative distribution function (CDF) of consecutive dry days (left), consecutive wet days (center), and event total precipitation (right) for the observed, raw GCM outputs, and downscaled GCMs using SQM, SDQDM, BCSA

3. 극한강우사상 특성 재현성 비교

Fig. 9과 Fig. 10은 극한 강우의 공간 패턴을 확인을 위해서 Rx5day와 R20mm을 산정하여 공간분포 재현성을 비교한 결과이다. 원시 GCM에서는 관측자료의 극한강우사상의 공간적인 특성 분포에 대한 재현성이 낮고 전역에 대해 과소산정된 결과를 보였고 상세화를 통해 관측자료의 공간 패턴 재현성이 향상된 결과를 확인할 수 있었다. 단 SDQDM 결과는 원시 GCM의 문제를 해소하지 못하는 한계를 보여주었으나, SQM과 BCSA은 극한 강우사상의 재현에 있어 높은 성능을 보이는 것으로 나타났다.

Fig. 9 Distribution of Rx5day calculated using (a) observation, (b) raw GCM, (c) SQM, (d) SDQDM, and (e) BCSA

Fig. 10 Distribution of R20mm calculated using (a) observation, (b) raw GCM, (c) SQM, (d) SDQDM, and (e) BCSA

4. 극한강우사상 미래 시나리오 특성 유지력 평가

미래기간을 대상으로 상세화를 함에 있어서 중요한 것은 원시 GCM의 미래 시그널을 상세화 후에도 유지가 되는 것이라 할 수 있다. 상세화 기법 별 원시 GCM의 미래 시나리오 특성 유지력을 평가하기 위해 RCP 시나리오 기간의 자료를 가까운 미래 (S1: 2010-2039), 중간미래 (S2: 3040-2069), 먼미래 (S3: 2070-2099)로 정의하였고, 해당 기간에 따른 결과를 극한기후지수별로 산출하였다. 미래 시나리오 특성 유지력을 판단하기 위해서는 같은 미래기간의 원시 GCM과 상세화 자료의 차이를 통해 원시 GCM의 시나리오 자료의 특성을 유지하는지 판단하고자 하였다. 판단의 기준은 원시 GCM의 미래 기간의 연도별 지수와 과거기간의 연도별 지수의 차이를 각 미래기간별로 산출하고, 상세화 이후의 자료도 동일하게 산출하여 그 차이를 시그널로 정의한다음 상세화 자료별 시그널을 통해 비교하였다.

Fig. 11은 미래기간의 시그널의 왜곡의 범위를 표현한 결과이다. 0을 중심으로 분포되어있다면, 원자료의 미래 시나리오를 잘 유지하고 있음을 나타낸다. 시나리오의 장기추세를 유지하며 편의보정을 수행할 수 있는 특징을 가지는 통계적 상세화기법인 SDQDM이 GCM 원자료의 미래기간의 시나리오 변화 특성을 잘 유지하고 있음을 알 수 있으며, SQM에 비해 BCSA가 원자료의 미래기간의 시나리오 경향을 잘 유지한다고 판단할 수 있다. PRCPTOT, Rx1day, R95pTOT에서 SDQDM의 경우 RCP 4.5의 3가지 미래 시나리오에서 모두 원시 GCM의 미래 특성을 잘 유지한다는 것을 알 수 있다. 또한RCP 8.5의 3가지 미래 시나리오에서도 마찬가지로 SDQDM의 미래 특성이 잘 유지 된다는 것을 알 수 있다. 지수별로 차이가 존재하기 때문에 연구자의 연구방향에 따른 적절한 상세화 기법을 선정하는데 참고자료로 사용할 수 있을 것으로 사료된다.

Fig. 11 Box-plot of future scenarios signal differences (S1: left, S2: Middle, D3: Right, RCP4.5: upper, RCP8.5: lower in each graph) for CDD, CWD, PRCPTOT, Rx1day, R95pTOT, and R10mm. Each red line indicates the average of the historical period of the raw GCM

Ⅳ. 결론

본 연구에서는 관측을 통한 지역의 특성이 반영된 기후변화 시나리오가 상세화 기법에 따라 어떤 특성을 가지는지 비교⋅평가하였다. 이를 통해 사용자의 연구주제에 맞는 기후 변화 시나리오의 통계적 상세화 기법을 선택하는데 도움이 되고자 하였다. CMIP5 29종의 GCM을 활용하였으며, 과거기간은 1976∼2005년이고 미래기간은 가까운 미래 2011∼2040, 중간미래 2041∼2070, 먼 미래 2071∼2100으로 나누어 미래 전망에 대한 분석을 수행하였다. 사용한 통계적 상세화 기법으로 APCC AIMS에서 제공하는 SQM, SDQDM, BCSA을 적용하였으며, ASOS 60개 지점에 대해 통계적 상세화를 진행하고 관측자료 대비 재현 성능을 비교하였다. 통계적 상세화 기법에 따라 상세화에 소요되는 시간은 SQM이 가장 짧았으며, 추계적 방법을 적용한 BCSA 산출방식이 가장 많은 시간이 소요되었다. 강우 공간분포 및 변동성에 대한 재현성을 비교한 결과 PRCPTOT 변수에서는 SQM과 BCSA가 모두 우수하게 재현하고 있음을 확인할 수 있었고, CWD에서는 BCSA가 가장 우수하게 재현하고 있음을 알 수 있었다. 일 단위 강우자료의 공간적 연속성 및 변동성 파악은 베리오그램을 통해 확인한 결과 SQM과 BCSA 상세화 기법이 공간상관성을 매우 우수하게 재현하고 있음을 알 수 있었다. 천이확률을 통한 시간적 강우패턴 재현성을 비교한 결과로는 SDQDM과 BCSA 상세화 기법 적용 결과가 가장 우수하였고 SQM 기법도 매우 준수한 성능을 보여주고 있음을 확인할 수 있었다. 연속 무강우일 수, 연속강우일 수, 그리고 총 강우량의 CDF를 통해 시간적 강우패턴의 재현성을 비교한 결과 세가지의 통계적 상세화 기법들 모두 과대모의 된 원시 GCM의 자료를 관측자료와 유사하게 재현하고 있음을 확인할 수 있었다. 극한강우 사상 특성 재현성에서는 SDQDM 기법은 원시 GCM의 문제를 해소하지 못하는 한계를 보여주었으나, SQM, BCSA 기법은 극한강우사상의 재현에 있어서 높은 성능을 보이는 것으로 나타났다. 극한강우사상 미래 시나리오 특성 유지력 평가에서는 변수마다 차이는 존재하지만 SQM과 BCSA 기법에 비해 SDQDM 기법이 극한강우사상의 미래 시나리오 특성 유지가 잘 된다는 것을 알 수 있었으나 다른 상세화 기법과의 차이는 크지 않았다. SQM 기법은 다른 통계적 상세화에 비해 상대적으로 작은 비용으로 상세화를 수행할 수 있으며, SDQDM 기법은 일부 과거 재현 성능에 있어 한계를 보였다. BCSA는 과거재현성 및 공간재현성과 미래 시그널 재현성에 관한 다양한 비교방법에서 우수한 성능을 나타냈으나 산출시간이 많이 소요된다는 단점이 있다. 통계적 상세화 기법은 다양하며 각각의 특성과 장단점이 존재 한다. 기후모델 자료의 가공에 있어 그 비용과 성능을 고려하고 연구목적에 맞는 시나리오 생산을 위해 적합한 통계적 상세화 기법을 선정하여 적용하는 것은 예측 결과의 질적 향상에 많은 영향을 준다. 본 연구는 기후변화 영향평가 연구에서 통계적 상세화 기법 선정의 의의를 설명하고 세가지 유용한 상세화 기법의 비교 평가 결과를 제시함으로서 관련 연구의 방법론을 개선을 통한 연구결과 신뢰도 향상에 기여할 것으로 기대한다.

감사의 글

본 연구는 APCC의 지원으로 수행되었음.