Gridding of Automatic Mountain Meteorology Observation Station (AMOS) Temperature Data Using Optimal Kriging with Lapse Rate Correction

기온감률 보정과 최적크리깅을 이용한 산악기상관측망 기온자료의 우리나라 500미터 격자화

Abstract

To provide detailed and appropriate meteorological information in mountainous areas, the Korea Forest Service has established an Automatic Mountain Meteorology Observation Station (AMOS) network in major mountainous regions since 2012, and 464 stations are currently operated. In this study, we proposed an optimal kriging technique with lapse rate correction to produce gridded temperature data suitable for Korean forests using AMOS point observations. First, the outliers of the AMOS temperature data were removed through statistical processing. Then, an optimized theoretical variogram, which best approximates the empirical variogram, was derived to perform the optimal kriging with lapse rate correction. A 500-meter resolution Kriging map for temperature was created to reflect the elevation variations in Korean mountainous terrain. A blind evaluation of the method using a spatially unbiased validation sample showed a correlation coefficient of 0.899 to 0.953 and an error of 0.933 to 1.230℃, indicating a slight accuracy improvement compared to regular kriging without lapse rate correction. However, the critical advantage of the proposed method is that it can appropriately represent the complex terrain of Korean forests, such as local variations in mountainous areas and coastal forests in Gangwon province and topographical differences in Jirisan and Naejangsan and their surrounding forests.

산악지역의 기상정보를 상세하고 적절히 제공하기 위해 산림청에서는 2012년부터 전국 주요 산악지역을 대상으로 산악기상관측망(Automatic Mountain Meteorology Observation Station, AMOS)을 구축하여, 2022년 현재 464개의 관측소가 운영되고 있다. 본 연구에서는 AMOS 지점 관측을 이용하여 우리나라 산림에 적합한 기온 격자자료를 산출하기 위해서, 기온감률 보정을 적용한 최적의 크리깅(kriging) 기법을 제안하고 그 가용성을 평가하였다. 우선 통계적 처리를 통해 AMOS 기온자료의 이상치를 제거하였고, 이 자료를 이용하여 경험 베리오그램(variogram)에 가장 근사하는 이론 베리오그램을 도출하여 최적화 크리깅을 수행하였다. 이 때 기온감률 보정(lapse rate correction)을 적용하여 산악지형의 고도 변이가 반영되는 500 m 해상도의 기온격자지도를 생성하였다. 공간적으로 치우치지 않은 검증샘플을 이용한 암맹평가를 통해 본 기법의 가용성을 평가한 결과, 0.899-0.953의 상관계수 및 0.933-1.230℃의 오차를 나타내 기온감률 보정을 적용하지 않은 정규크리깅에 비해 정확도가 다소 향상되었다. 또한 기온감률 크리깅은 우리나라 산림의 복잡지형을 잘 표현하여, 강원도 산간지역과 해안산림지역의 국지적인 변이 및 지리산·내장산과 그 주변 산림의 지형적 차이와 같은 미세한 지역특성을 살릴 수 있다는 것이 가장 큰 장점이라고 할 수 있다.

1. 서론

우리나라의 63% 이상은 산악지역으로 산악기상정보는 농업, 토양, 수자원 관리, 산림자원경영에 큰 영향을 미친다(Choi et al., 2010). 그 중에서도 기온은 기상 및 기후 분야의 대표적인 인자이며, 최근 기후변화로 나타나는 가뭄, 열파 등 극한 기상현상을 이해하기 위한 중요한 지표이다(Prihodko and Goward, 1997; Shin et al., 2014). 산림 분야에서는 산불 및 병해충과 같은 산림재해 예측의 입력 자료로 활용되어 그 중요성이 커지고 있다(Lee et al., 2006). 뿐만 아니라 산림 관리, 생태학적 연구, 지속가능한 자원 활용 및 보전 등 다양한 분야에서 고품질의 관측 데이터를 확보하는 것이 필수적이다. 그러나 산악지역에서는 규칙적인 기상정보 확보가 쉽지 않은데, 지형적 특성으로 인하여 기상관측소의 위치가 불규칙하며, 고도 및 지형 변화에 따른 변동성이 크기 때문이다. 또한 관측기기의 고장 및 수리 지연 등 관리상의 이유로 자료가 누락되거나, 표준화의 부족으로 시공간적으로 연속성 있는 자료가 확보되지 않을 수도 있다(Choi et al., 2010).

이렇듯 어려운 조건에도 불구하고 일관성 있는 산악기상자료의 구축은 여러 활용 분야를 위해 반드시 필요하며, 특히 공간 연속성을 확보하기 위해서는 포인트 자료의 격자화가 관건이다. 기상관측점이 증가와 함께, 공간적으로 비균질하게 분포하는 자료를 규칙적인 격자자료로 만드는 통계적 내삽 연구도 발전해 왔다(Robert et al., 2013; Park and Jang, 2015). 관측자료의 거리에 따른 관계를 토대로 하는 역거리가중법(inverse distance weight, IDW), 크리깅(kriging), 스플라인(spline), 인접가중법(natural neighbor, NN), 불규칙 삼각망(triangulated irregular network, TIN) 등이 주로 활용되었다(Kim et al., 2010; Kim et al., 2015). 또한, 내삽 추정 불확실성을 최소화하고자 부가정보를 고려한 공동 크리깅(co-kriging) (Mayers, 1982) 그리고 고도, 사면방향, 해양도 등을 고려한 통계기법인 precipitation-elevation regressions on independent (PRISM) (Daly et al., 1994) 등이 수행되었다(Hevesi et al., 1992; Park and Jang, 2008; Park and Kim, 2009; Park and Jang, 2015). 최근에는 기계학습법이나 딥러닝을 이용한 연구도 시도되고 있다(Robert et al., 2013; Choe and Yom, 2020).

그러나 아직 우리나라에서 산악기상 관측자료를 기반으로 한 격자화 실험 및 검증은 거의 보고된 바가 없다. 기상청의 자동기상관측장비(automatic weather system, AWS)는 전국 약 570개 지점에 설치되었으나, 대부분은 거주지 주변의 300 m 이하의 고도에 분포하기 때문에(Park and Jang, 2008), 고도의 영향을 많이 받는 산악지역의 기상정보를 재현하기 힘들다(Choi et al., 2010). 이를 보완하기 위해 산림청에서는 2012년부터 전국 주요 산악지역을 대상으로 산악기상관측망(Automatic Mountain Meteorology Observation Station, AMOS)을 구축해왔고 2022년 현재 464개의 관측소가 운영되고 있다. 이에, 본 연구는 우리나라 산림에 유효한 기온 격자자료를 산출하기 위하여, AMOS 지점 자료에 대한 최적의 내삽기법을 제안하고 그 가용성을 평가하는 것을 목적으로 한다. AMOS 관측소에서 수집된 매 정시 기온자료에 대해 품질관리(quality control, QC)를 수행하였고, 산악지형에서 고도에 따른 기온의 변동을 고려하기 위하여 기온감률 보정을 적용한 최적크리깅(optimized kriging with lapse rate, OKLR)을 통해 우리나라 산림에 대한 500 m 해상도의 격자지도를 생성하였다. 또한 임의추출(random sampling) 방식의 암맹평가를 실시하여 제안한 방법과 일반 최적크리깅을 정량적 및 정성적으로 비교함으로써 본 기법의 가용성을 평가하였다.

2. 자료 및 연구지역

2.1. 산악기상관측소 기온자료

AMOS는 산불, 산사태, 산림 병해충 등 산림재해 감시 및 기후변화가 산림에 미치는 생태적 영향을 파악하기 위하여 전국 주요 산악지역 464개소에서 운영 중이며, 기온, 습도, 풍향, 풍속, 강수량, 대기압, 지면온도 등 7개의 기상요소를 실시간으로 관측하여 산악기상정보시스템(https://mtweather.nifos.go.kr)을 통해 제공되고 있다. 본 연구에서는 오픈 API를 이용하여 2014년 1월 1일부터 2021년 12월 31일까지 1시간 단위의 2 m 기온(°C)을 수집하였고, 지점정보가 제공되지 않는 일부 관측소와 제주도를 제외하고 388개 지점의 데이터를 사용하였다(Table 1).

Table 1. AMOS information

2.2. 수치표고모델

고도에 따른 기온감률을 고려하여 격자화 할 때 사용한 수치표고모델(digital elevation model, DEM) 자료는 90 m 공간해상도의 Shuttle Radar Topography Mission(SRTM) DEM v4.1이다(https://srtm.csi.cgiar.org/)이며, 이 데이터는 레이더 시스템을 이용하여 지구 표면의 고도를 측정하는데 사용되는 3차원 지형 데이터 세트로 미국의 National Geospatial-Intelligence Agency와 National Aeronautics and Space Administration의 협업으로 생산되었다(Park et al., 2017).

2.3. 연구지역

수집된 AMOS 데이터 중에서 4계절 별로 관측 누락이 가장 적은 달은 2020년 2월, 3월, 7월, 10월이었고, 이를 각각 겨울, 봄, 여름, 가을의 사례 시기로 설정하였다. 연구지역은 제주도를 제외한 우리나라 산림 영역으로, 내삽 격자는 500 m 해상도의 Moderate Resolution Imaging Spectroradiometer(MODIS) land covertype yearly L3 global 500 m SIN grid (MCD12Q1)에서 International Geosphere-Biosphere Program (IGBP) 분류 기준으로(Friedl et al., 2010) (Table 2) 1~5번 클래스에 해당하는 화소들로 구성하였다. 또한 격자별 고도에 따른 기온감률 보정을 위하여 90 m 해상도의 STRM DEM을 내삽 격자와 동일하게 500 m 해상도로 재격자화해서 사용하였다(Fig. 1).

Table 2. Land cover classes of IGBP

Fig. 1. Study area: (a) observation points and (b) interpolation target grid for forest areas in South Korea.

3. 연구방법

3.1. 개요

기온감률 보정과 최적크리깅을 이용한 산악기상관측망 기온자료의 우리나라 500미터 격자화는 Fig. 2와 같은 단계를 거쳐 수행되었다. 먼저, 자료 전처리 단계에서는 매 정시 AMOS 기온자료의 QC를 수행하고, STRM DEM을 이용하여 해수면고도 기준으로 모든 데이터에 대하여 기온감률을 적용하였다. 이 과정을 거친 기온자료는 가중최소제곱법(weight least square, WLS)을 기준으로 베리오그램을 최적화하여 크리깅을 수행하였고, 평균편의오차(mean bias error, MBE), 평균절대오차(mean absolute error, MAE), 평균제곱근오차(root mean square error, RMSE), 상관계수(correlation coefficient, CC)의 통계량을 구하여 암맹평가를 실시했다.

Fig. 2. Flow chart of this study.

3.2. 산악기상관측망 기온자료의 이상치 탐지

이상치(outlier)란 데이터 집합에서 적은 비율로 나타나며 주요 데이터와 비교했을 때 매우 예외적인 특성을 가진 데이터를 의미한다(Ahn and Lee, 2021). AWS에서는 기기고장, 교정편차, 편향오차 등의 자체오류 및 통신장애 등에 의하여 간헐적으로 발생할 수 있으며(Wade, 1987), 이상치는 자료 신뢰도를 저하시키기 때문에 품질관리를 위해 제거되는 것이 바람직하다. 현재 산악기상관측망 자료는 물리한계검사, 단계검사, 내적 일치성검사, 지속성검사, 기후범위검사, 중앙값 필터검사 등 6단계의 QC 프로세스에 의해 관리되고 있지만(Jang et al., 2022), 본 연구에서는 자체 개발한 deviation from daily mean (DDM)과 deviation from time seriesinterpolation(DTSI)의 두 가지 방법을 적용하여 여전히 남아있는 이상치를 검출 및 제거하고자 하였다. 일반적으로 QC는 실시간 품질관리(real-time quality control, RTQC), 비실시간 품질관리(non-real-time quality control, NRTQC), 사람이 개입하는 수동품질관리(human quality control, HQC) 등으로 나눌 수 있는데(Vejen et al., 2002), AMOS 자료는 RTQC가 안정적으로 운영되고 있지만, RTQC는 현재 시점까지의 데이터만 가지고 QC를 하기 때문에, 현재 이전과 이후 데이터 모두를 사용하여 시계열 트렌드에서 크게 벗어나는 이상치를 검출하지는 못한다. 본 연구에서는 NRTQC 접근법으로 DDM과 DTSI를 적용하여 RTQC 이후의 잔여 이상치까지 제거하였다. DDM은 자신(T_h)을 제외한 해당일 23개 시간대의 평균을 μ라고할때, |T_h – μ|>18°C인 경우를 이상치 후보로 간주한다. 이 후보들에 대해, 자신의 ±12시간 큐빅스플라인(cubic spline) 값을 CS(T_h), 1시간 후의 관측값을 T_h+1, 1시간 전의 관측값을 T_h–1라고 할 때, DTSI는 |T_h – CS(T_h)|>10°C이고, |T_h – T_h+1|>10°C이면서 |T_h – T_h–1|>10°C인 경우를 이상치로 검출한다. 총 580,928건의 데이터 중 30개 지점에 73건이 이상치로 간주되어 제거되었으며, Fig. 3은 그 예시이다.

Fig. 3. Examples of outlier detection using cubic spline interpolation: (a) February 6, 2020 (station 8916), (b) March 26, 2020 (station 2058), (c) July 28, 2020 (station 3023), and (d) October 28, 2020 (station 7906).

3.3. 기온감률 보정과 최적크리깅

3.3.1. 최적크리깅

크리깅은 관측되지 않은 특정 지점의 값의 추정을 위하여 주변 값들을 공분산 행렬을 활용하는 공간내삽법으로서, 정규크리깅(ordinary kriging, OK)은 데이터의 분포에 특별한 편향이 없다는 가정 하에 사용한다(Mitas and Mitasova, 1999). 크리깅의 선결조건인 베리오그램은 분리거리에 따른 자료 값의 비유사성을 나타내는데, 어떤 관측점의 값 z(x_i)로부터 분리거리 h만큼 떨어진 관측점의 값을 z(x_j)라고 할 때 경험 베리오그램(empirical variogram) γ(h)는 식(1)과 같이 계산된다.

\(\begin{aligned}\gamma(h)=\frac{1}{2 n} \sum_{i=1}^{n}\left[z\left(x_{i}\right)-z\left(x_{j}\right)\right]^{2}\end{aligned}\)       (1)

경험 베리오그램을 하나의 식으로 나타내기 위해서는 상관거리(range), 문턱값(sill), 너깃(nugget) 등의 파라미터를 가진 구형(spherical), 지수형(exponential), 가우스형(gaussian) 등의 베리오그램 모델을 결정해야 하며, 이에 따라 크리깅의 정확도가 달라지기 때문에 경험 베리오그램에 가장 근사하는 이론 베리오그램(theoretical variogram)으로 최적화하는 것이 중요하다. Cressie (1985)는 분리거리 h에 해당하는 관측 쌍(pair)의 수(N_h)를 가중치로 하는 WLS를 제안하였는데, 식(2)와 같이 경험 베리오그램(E_h)과 이론 베리오그램(T_h) 차이(\(\begin{aligned}\left(\frac{E_{h}}{T_{h}}-1\right)\end{aligned}\)) 제곱에 가중치 N_h를 곱한 것을 목적함수로 하여, 이를 최소화하는 이론 베리오그램을 도출함으로써 크리깅 정확도를 최대화시켰다(Fig. 4).

\(\begin{aligned}\text {Minimize}\sum N_{h}\left(\frac{E_{h}}{T_{h}}-1\right)^{2}\end{aligned}\)       (2)

Fig. 4. Concept of the weighted least squares for variogram optimization.

이렇게 하여 최적화된 베리오그램 모델로부터 모든 관측치 쌍의 공분산 행렬을 도출하고, 식(3)을 통해 정규크리깅을 위한 가중치 행렬을 구하였다.

\(\begin{aligned}\left[\begin{array}{ccccc}\sigma_{11}^{2} & \sigma_{12}^{2} & \ldots & \sigma_{1 n}^{2} & -1 \\ \sigma_{21}^{2} & \sigma_{22}^{2} & \cdots & \sigma_{2 n}^{2} & -1 \\ \cdots & \cdots & \cdots & \cdots & \cdots \\ \sigma_{n 1}^{2} & \sigma_{n 2}^{2} & \cdots & \sigma_{n n}^{2} & - \\ 1 & 1 & \cdots & 1 & 0\end{array}\right]\left[\begin{array}{c}\lambda_{1} \\ \lambda_{2} \\ \cdots \\ \lambda_{n} \\ \omega\end{array}\right]=\left[\begin{array}{c}\sigma_{01}^{2} \\ \sigma_{02}^{2} \\ \cdots \\ \sigma_{0 n}^{2} \\ 1\end{array}\right]\end{aligned}\)       (3)

λ₁에서 λ_n이 구하고자 하는 각 관측지점의 크리깅 가중치인데, 이를 구하기 위해서 공분산 행렬을 이용하며, 공분산 값은 이론 베리오그램의 sill에서 두 지점의 베리오그램 값을 뺀 것과 같다. 좌변의 관측지점 상호간의 공분산 행렬은 데이터 개수를 n이라고 할 때, n+1 행과 n+1 열에 라그랑지 파라미터(Lagrange parameter)를 채워 넣어 가중치 합이 1이 되도록 하였다. 우변은 내삽지점과 각 관측지점 간의 공분산 행렬이다. 이러한 공분산 행렬의 연산을 통해 도출된 가중치 행렬로부터 식(4)와 같이 가중평균을 구하여 크리깅 내삽값을 구한다.

\(\begin{aligned}z_{0}=\sum_{i=1}^{n} \lambda_{\mathrm{i}} z_{i}\end{aligned}\)       (4)

여기에서 z₀는 크리깅 내삽값, λ_i는 주변 관측지점의 가중치, z_i는 관측값을 나타낸다.

3.2.2. 기온감률 보정

기온감률은 대류권에서 고도가 증가함에 따라 기온이 어떻게 변화하는지를 나타낸 것으로, 기상관측소에서 다양한 고도의 온도를 추정할 때 사용할 수 있다(Minder et al., 2010). 실제 건조대기의 기온감률은 –9.5°C/km의 불변상수이지만, 수증기로 포화된 대기의 경우 지표 부근에서 –4°C/km, 대류권 중간에서 –7°C/km로 정도로 나타난다. 이와 같이 기온감률은 포화수증기압 등의 조건에 따라 달라질 수 있으며, 일반적으로 대류권에서의 표준 기온감률은 –6.5°C/km로 가정한다(Harlow et al., 2004). 본 연구는 모든 관측소의 지표면고도에 표준 기온감률을 적용하여 해당 지점의 평균해수면(mean sea level)에서의 기온을 구한 다음, 베리오그램 최적화 기반의 정규크리깅을 수행하였다. 이때 전체 지점의 20%를 임의추출하여 검증을 위한 샘플로 숨겨둔 채 나머지 80%의 지점 데이터로 크리깅을 수행하고, 그 결과에 대해 표준 기온감률을 적용하여 원래 지표면고도 기준으로 보정하여 우리나라 산림영역에 대하여 500 m 해상도의 매 정시 기온격자지도를 생성하였다. 검증을 위한 관측소 임의추출 시에는 공간적 분포의 치우침을 방지하기 위하여 모든 후보 지점에 대하여 너무 가깝거나 먼 경우를 제외함으로써 적절한 간격으로 검증 포인트가 추출되도록 하였다. 이러한 검증 샘플에 대하여, 기온감률 보정을 적용한 크리깅 결과와 적용하지 않은 크리깅 결과의 정확도 통계량을 비교 분석하였다.

4. 결과 및 고찰

2020년 2월, 3월, 7월, 10월의 AMOS 기온자료 580,928건 중에서 이상치 73건(약 0.012%)을 제거하고 580,855건의 자료를 사용하여 기온감률 보정과 최적크리깅을 수행하였다. AMOS 기온 자료에 결측이 없다면 총 2,928장(122일 × 24시간)의 격자지도를 생성할 수 있지만, 일부 결측으로 인해 2,919장(2020년 2월 696장, 3월 743장, 7월 738장, 10월 742장)의 지도를 생성하고 이에 대한 암맹평가를 실시한 결과, 검증통계량은 Tables 3–6과 같다. 검증샘플의 수는 2020년 2월(겨울)의 35,023건, 3월(봄)은 37,459건, 7월(여름)은 36,915건, 10월(가을)은 35,832건이다. 모든 계절에서 대부분의 검증통계량이 기온감률보정을실시한경우더나은결과를보였다.특히MAE의 경우 2월에 1.302°C에서 1.167°, 3월에 1.363°C에서 1.199°C, 7월에 1.003°C에서 0.933°C, 10월에 1.327°C에서 1.230°C로 각각 감소하였으며, CC 또한 2월에 0.950에서 0.953, 3월에 0.938에서 0.944, 7월에 0.898에서 0.899, 10월에 0.905에서 0.907로 모든 계절에서 소폭 상승하였다.

Table 3. Comparison of ordinary kriging validation statistics for February 2022

Table 4. Comparison of ordinary kriging validation statistics for March 2022

Table 5. Comparison of ordinary kriging validation statistics for July 2022

Table 6. Comparison of ordinary kriging validation statistics for October 2022

또한 계절별 오차 특성을 히스토그램으로 나타냈다(Figs. 5–8). 가로축은 크리깅 추정치에서 관측치를 뺀 오차(°C)이며, 세로축은 해당 오차 값의 빈도를 나타낸다. 모든 계절에서 기온감률 최적크리깅을 적용하였을 때 오차가 0에 더 가까운 분포를 나타내는 것으로 보아 기온감률 보정 효과를 확인할 수 있다. 또한 전반적으로 양의 오차(overestimation)가 감소했는데, 이는 고도의 반영으로 인해 추정치 온도가 과도하게 높게 산출되는 것이 방지됐기 때문인 것으로 보인다. 하지만 일부 양의 오차가 커진 지점들도 존재했는데, 이는 습도 등 대기조건에 따른 기온감률이 아닌 표준 기온감률을 적용했기 때문인 것으로 사료된다. 실제 관측되는 기온감률은 다양한 시공간 규모에서 변이가 존재하고, 특히 습도 등의 조건에 영향을 받기 때문에 이를 고려한다면 기온감률 보정 효과가 더욱 향상될 수 있을 것이다.

Fig. 5. Kriging errors (°C) with and without lapse rate correction (February 2022).

Fig. 6. Kriging errors (°C) with and without lapse rate correction (March 2022).

Fig. 7. Kriging errors (°C) with and without lapse rate correction (July 2022).

Fig. 8. Kriging errors (°C) with and without lapse rate correction (October 2022).

Fig. 9는 생성한 시간별 기온 격자지도 2,919장 중 계절별로 1장씩을 예시로 나타낸 것인데, 왼쪽은 관측소의 기온, 가운데는 기온감률을 적용하지 않은 크리깅 지도, 오른쪽은 기온감률을 적용한 크리깅 지도이다. 기온감률을 적용하지 않은 크리깅 지도는 지표면고도 차이에 의한 기온 변화가 반영되지 않은 채 물리적 거리에만 의존하기 때문에 스무딩(smoothing)되는 형태로 나타났다. 관측소 지점을 나타내는 원형 심볼은 시각적으로 명확하게 인식할 수 있도록 격자점보다 크게 설정하였는데, 격자지도와 대응시켜 보았을 때 기온감률 보정을 적용한 경우에 국지적인 기온 변화가 세밀하게 표현되어 관측소의 기온과 더욱 가깝게 나타났다. 기온감률 크리깅의 가장 큰 장점은 우리나라의 복잡지형을 잘 표현했다는 것이다. 강원도 산간지역과 해안산림지역은 물리적 거리가 가깝지만 고도차에 의해 기온차가 매우 큰데, 기온감률 크리깅에서는 이러한 국지적인 변이가 매우 잘 나타나고 있다(Fig. 9의 실선 원). 또한 남부지방의 지리산과 내장산은 주변의 산림에 비해 기온이 매우 낮은데, 이러한 지형적 차이가 기온감률 크리깅에서 매우 잘 표현되고 있다(Fig. 9의 점선 원).

Fig. 9. Examples of the kriging temperature map with and without lapse rate correction. Solid line: Gangwon and their surrounding forests. Dotted line: Jirisan and Naejangsan and their surrounding forests.

5. 요약 및 결론

본 연구에서는 AMOS 포인트 관측을 이용하여 우리나라 산림에 적합한 기온 격자자료를 산출하기 위해서, 기온감률 보정을 적용한 최적의 크리깅 기법을 제안하고 그 가용성을 평가하였다. AMOS 기온자료의 QC 시스템에서 감지되지 않은 이상치를 DDM과 DTSI를 적용하여 제거하였고, 이 자료를 이용하여 경험 베리오그램에 가장 근사하는 이론 베리오그램을 도출하여 최적화 크리깅을 수행하였으며, 이때 기온감률 보정을 적용하여 산악지형의 고도 변이가 반영되는 500 m 해상도의 기온격자지도를 생성하였다. 공간적으로 치우치지 않은 검증샘플을 이용한 암맹평가를 통해 본 기법의 가용성을 평가한 결과, CC=0.899–0.953 및 MAE=0.933–1.230°C의 통계량을 나타내 기온감률 보정을 적용하지 않은 정규크리깅에 비해 정확도가 다소 향상되었다. 이보다 중요한 것은 기온감률 크리깅이 우리나라 산림의 복잡지형을 잘 표현하여, 강원도 산간지역과 해안산림지역의 국지적인 변이 및 지리산·내장산과 그 주변 산림의 지형적 차이와 같은 미세한 지역 특성을 잘 표현할 수 있다는 점이다. 향후 습도 등의 대기조건이나 경사 등의 지형조건을 반영하여 기온감률을 적용하고 보다 고해상도의 DEM을 활용한다면 우리나라의 복잡한 산악지형에 특화된 기상자료의 생산이 가능할 것이다. 보다 안정적인 격자자료 생산을 위해 산악기상망의 추가 설치를 통한 관측 밀도의 향상도 기대된다.