2.1 관측 자료

본 연구는 전술한 바와 같이 극한강우량 산정을 위한 적정 기후모델을 선정하기 위한 목적으로 분석을 진행하였다. 분석을 위하여 기상청에서 제공하는 종관관측시스템(Automated Synoptic Observing System, ASOS)의 자료 중 30년 이상의 강우 관측 자료를 보유한 60개 지점을 대상 지점으로 선정하였다(Fig. 1, Table 1). 각 지점의 관측 강우자료는 1961∼2017년의 자료가 존재하고 있으나, 기후모델에서 생산된 현재모의기간의 자료(GCMs: 1976∼2005년/RCMs: 1979∼2005년)와 시간적 범위를 동일 조건으로 맞추기 위하여 1976/1979∼2005년의 관측 자료를 분석에 이용하였다.

Fig. 1

The Location of Used ASOS Stations

Table 1

Information of the Used ASOS Stations

2.2 기후변화 시나리오 자료

본 연구에서는 Table 2와 같이 총 19개의 기후모델 자료(GCMs 13개, RCMs 6개)를 이용하여 분석을 진행하였다. 13개의 GCMs 자료는 CCAW 연구단에서 26개의 GCMs 자료를 평가하여 선정된 기후변화 시나리오 자료로 APEC 기후센터(APEC Climate Center, APCC)의 APEC Climate Center Data Service System (ADSS)를 통해 제공하고 있다. 또한, CORDEX-EA 홈페이지(cordex-ea.climate.go.kr)에서는 5개의 RCMs 자료를 제공하고 있으며, RCP한반도(12.5 km) 자료는 기후정보포털(www.climate.go.kr)을 통하여 제공하고 있다. Table 2에 본 연구에서 이용한 기후모델 자료의 상세정보를 정리하였다.

Table 2

Selected Climate Models (13 GCMs, 6 RCMs)

3.1 적합도 검정

적합도 검정(Goodness of fit test, GOF test)은 각 관측지점의 강우 자료에 대하여 확률분포형별 유의수준(5%)에 대한 적합도를 검토하는 것으로 빈도해석의 중요한 절차 중 하나이다. 기후모델에서의 강수(precipitation) 자료는 대부분 일(daily) 단위로 생산되기 때문에, 본 연구에서는 우리나라 기상청 60개 지점을 대상으로 1961년부터 2017년까지의 일자료를 이용하여 AM 자료를 추출하였고, 이를 χ²-검정(CS), Kolmogorov-Smirnov검정(K-S), Cramer von Mises검정(CVM), PPCC검정(PPCC), modified Anderson-darling검정(MAD) 등을 적용하여 적정 확률분포형을 선정하였다. 우리나라의 극치 수문 자료의 빈도해석에서는 GEV (Generalized Extreme Value), Gumbel, GLO (Generalized Logistic) 분포형이 자주 이용되며, 이들 분포형에 대한 적합도 검정 결과는 Table 3과 같다.

Table 3

Results of GOF Test for 60 ASOS Stations

GEV 분포형의 경우, K-S검정, CVM검정, MAD검정 등에서 60개 지점 모두 적합도 검정을 통과하였고, Gumbel 분포 및 GLO분포와 비교하여 통과율이 가장 높게 나타났다. 그러나, Gumbel 분포형은 CVM검정에서는 60개 지점 모두 통과하였으나 다른 분포형과 비교하여 통과율이 가장 작게 나타나는 것을 확인했다(Table 4).

Table 4

Results of GOF Test (GEV, GUM, GLO)

따라서, 기후변화 시나리오 기반의 미래 확률강우량 산정 시 GEV 분포가 가장 적합할 것으로 판단되며, 극치 수문자료의 편의보정에도 관측 자료의 적합도 검정 결과가 우수한 GEV 분포 적용하는 것이 적절한 것으로 판단된다.

3.2 편의보정(Bias Correction)

미래 수문 현상을 전망하기 위하여 기초자료로 사용되는 GCMs 및 RCMs의 강수 자료는 실제 관측값과 비교하여 편의(Bias)를 보정 하는 것은 기후변화 연구에 있어서 필수적인 과정 중 하나이며, 편의를 보정 하기 위한 다양한 방법들이 존재한다. 본 연구에서는 기후모델 자료는 Bias Correction / Spatial isaggregation (BCSD)와 기후시나리오 내 장기추세를 반영하기 위한 Quantile Delta Mapping (QDM) 방법을 결합한 Spatial Disaggregation with Qunatile Delta Mapping (SDQDM) 기법으로 공간적 상세화를 수행한 자료를 활용하였다(Eum and Cannon, 2017). CASE 1은 일자료를 기반으로 편의보정을 수행하고 AM 자료를 추출하여 수문 통계분석에 적용한 방법이다. ADSS에서는 CORDEX-EA 자료 중 SNUWRF(17), YSU-RSM(18)은 일부 변수에 대한 문제로 일자료를 기반으로한 다운스케일링에서 부적합하다고 판단하여 두 모델의 자료를 제외한 자료를 제공한다. 따라서, SNUWRF(17), YSU-RSM (18) 모델은 CASE 1의 분석에서 제외되었다. 그러나 강우의 AM 자료가 존재하는 경우 강우 빈도해석이 가능하기 때문에, CASE 2에서는 19개 모델로부터 각 지점별 강수(PRCP) 일자료를 생산한 후, 연최대값(AM)을 기반으로 편의보정을 수행한 자료를 이용하여 분석을 진행하였다. 편의보정된 일자료로부터 AM 자료를 추출하였고, 수문통계량 산정에 이용하였다.

3.3 기후모델 모의 성능 평가

기후 모델의 모의 성능을 평가하기 위하여 지점별 관측자료와 19개 모델의 자료로부터 연최대 강우자료를 추출하였다. 자료의 기본 통계특성을 나타내는 평균(mean), 분산(variance, var.), 왜곡도(skewness, skew.), 첨예도(kurtosis, kurt.) 등의 수문통계량을 산정하였고, 정량적인 비교를 위하여 절대오차(AE, Eq. (1)), 절대상대오차(ARE, Eq. (2)) 등을 사용하였다.

여기서 X_{sim, i}과 X_{obs, i}는 각 지점의 GCM 자료와 관측값을 의미한다.

또한, 평균제곱근오차(RMSE, Eq. (3))와 평균상대제곱근오차(RRMSE, Eq. (4))를 사용하여 19개 모델의 전망 자료와 관측값의 차이를 비교하여 모델의 적합도를 평가하였다. RMSE 및 RRMSE 값이 작을수록 기후모델 자료와 관측값 사이의 오차가 작은 것으로 평가할 수 있다.

여기서 n은 지점 수를 나타낸다.

4.1 기본 통계량 비교(CASE 1)

기상청 60개 지점에서의 기후모델 자료와 관측값으로 수문통계량을 산정하고, AE 및 ARE 등을 사용하여 정량적인 차이를 비교하고자 box-plot으로 나타내었다(Figs. 3∼4). 기후모델에 따라 지점별 AE 및 ARE 값은 다르게 산정되기 때문에 기후모델별 평균값을 이용하여 기후모델을 평가하였다. 각 지점에서 모델과 관측값의 AE를 산정한 결과는 Fig. 3과 같다. GFDL-ESM2G(6), HadGEM2-ES(8), NorESM1-M(13) 모델은 평균의 AE가 6.545, 5.258, 6.485 등으로(하위 3개) 나타나며 다른 모델과 비교하여 상대적으로 작게 나타났다. HadGEM3-RA(14), RegCM(15), HadGEM3-RA(17) 모델은 AE 값이 12.667, 14.627, 12.978 등으로(상위 3개) 17개의 기후모델 중 가장 크게 나타났다(Fig. 3(a)). 분산의 경우 CMCC-CMS(4), INM-CM4(9), NorESM1-M(13) 모델은 AE가 작은 하위 3개의 모델로 나타났고, CNRM-CM5(5), HadGEM3-RA(14), RegCM(15) 모델은 AE가 큰 상위 3개의 모델로 나타났다. 왜곡도와 첨예도의 결과는 유사하게 나타났으며, CMCC-CMS(4), HadGEM2-ES(8), NorESM1-M(13) 모델은 AE가 가장 작게 나타났고, CMCC-CM(3), GFDL-ESM2G(6), IPSL-CM5A-LR(10 모델은 AE가 가장 크게 나타났다(Figs. 3(c) and 3(d)). 앞에서 언급한 AE 및 ARE 값이 작게 나타난 하위 모델은 기후모델과 관측값 간 차이가 작게 나타나는 모델로 극한 수문 자료의 통계적 특성을 적절히 모의하는 것으로 판단된다.

Fig. 3

Absolute Error (AE) of 17 Climate Models for 60 KMA Sites (CASE 1)

Fig. 4

Absolute Relative Error (ARE) of 17 Climate Models for 60 KMA Sites (CASE 1)

기후모델의 결과와 관측값을 이용하여 ARE를 산정한 결과는 Fig. 4와 같다. CMCC-CMS(4), HadGEM2-ES(8), NorESM1-M(13) 모델은 평균의 ARE 값이 5.321, 3.746, 4.617 등으로 다른 모델보다 상대적으로 작게 나타났고, HadGEM3-RA(14), RegCM(15), HadGEM3-RA(19)모델은 ARE 값이 9.511, 10.509, 9.538 등으로 다른 모델들과 비교하여 크게 나타남을 확인했다(Fig. 4(a)). 분산의 경우 CMCC-CMS(4), HadGEM2-ES(8), INM-CM4(9), NorESM1-M(13), SNU-RCM(16) 모델의 ARE가 작게 나타났으나, INM-CM4(9), SNU-RCM(16) 모델은 평균에 대한 ARE 값이 다소 크게 산정되며 CMCC-CMS(4), HadGEM2-ES(8), NorESM1-M(13) 모델과 비교하여 모의 성능이 떨어지는 것으로 나타났다. 또한, CNRM-CM5(5), HadGEM3-RA(14), RegCM(15), HadGEM3-RA(19) 모델은 분산의 ARE가 다른 모델과 비교하여 현저히 크게 나타났다(Fig. 4(b)). 왜곡도와 첨예도는 CMCC-CMS(4), NorESM1-M(13), SNU-RCM(16) 모델의 ARE 값이 작게 나타났고, CMCC-CM(3), GFDL-ESM2G(6), IPSL-CM5A-LR(10), RegCM(15) 모델의 ARE 값은 다른 모델의 결과보다 크게 나타났다(Figs. 4(c) and 4(d)).

앞서 비교한 CASE 1에 해당하는 17개 기후모델로부터 우리나라 60개 지점별 수문통계량을 산정하였고, 산정된 AE, ARE 값은 기후모델별로 산술평균하여 Table 5에 나타내었다. CASE 1의 기후모델 중 CMCC-CMS(4), HadGEM2-ES(8), NorESM1-M(13) 모델의 결과가 다른 모델들과 비교하여 AE, ARE 값이 작게 산정되었으며, 이는 관측 AM 자료에 대한 모의 성능이 좋은 모델로 판단할 수 있다(Table 5의 노란색 음영). 또한, SNU-RCM(16) 모델은 전술한 세 모델과 비교할 만하며, CASE 1에 해당하는 RCM 모델 중에서는 가장 좋은 성능을 나타냈다.

Table 5

Comparison of Hydrological Statistics Using Climate Models and Observed Data (Case 1)

4.2 기본 통계량 비교(CASE 2)

CASE 2는 기상청 60개 지점에서의 기후모델 자료로부터 AM 자료를 추출한 후 관측값의 AM 자료를 이용하여 편의보정 하였다. AM 자료로 보정된 자료를 이용한 것 외에는 CASE 1의 분석과정과 동일하게 수행하였고, 수문통계량의 AE 및 ARE 등의 정량적인 차이는 Figs. 5∼6에 비교하였다. 평균을 비교해보면 MRI-CGCM3(12), SNU-WRF(17), HadGEM3-RA(19) 모델의 AE가 0.590, 0.628, 0.598 등으로 다른 모형들과 비교하여 작게 나타났고, CanESM2(1), IPSLCM5A-LR(10), NorESM1-M(13) 모델의 AE가 1.171, 1.086, 1.136 등으로 상대적으로 크게 나타났다(Fig. 5(a)). 분산의 경우 INM-CM4(9), MRI-CGCM3(12), HadGEM3-RA(19) 모델의 AE가 작게 나타났고, CanESM2(1), CMCC-CMS(4), IPSL-CM5A-LR(10) 모델의 AE가 크게 나타났다(Fig. 3(b)). 왜곡도와 첨예도는 대체로 CNRM-CM5(5), HadGEM2-ES(8), INM-CM4(9), SNU-WRF(17) 모델의 결과가 작게 나타났고, CanESM2(1), CMCC-CMS(4), IPSL-CM5A-LR(10), HadGEM3-RA(14) 모델의 결과가 크게 나타났다(Figs. 5(c) and 5(d)).

Fig. 5

Absolute Error(AE) of 19 Climate Models for 60 KMA Sites (CASE 2)

Fig. 6

Absolute Relative Error (ARE) of 19 Climate Models for 60 KMA Sites (CASE 2)

ARE 값을 비교한 결과를 살펴보면, AE의 결과와 동일하게 MRI-CGCM3(12), SNU-WRF(17), HadGEM3-RA(19) 모델이 평균의 ARE 결과가 작게 나타났고, CanESM2(1), IPSLCM5A-LR(10), NorESM1-M(13) 모델의 ARE 값이 상대적으로 크게 나타남을 확인했다(Fig. 6(a)). 분산의 경우 HadGEM2-ES(8), MRI-CGCM3(12), HadGEM3-RA(19) 모델의 ARE가 작게 나타났고, CanESM2(1), IPSL-CM5A-LR(10), NorESM1-M(13) 모델에서 ARE가 크게 나타났다(Fig. 6(b)). 왜곡도와 첨예도는 HadGEM2-ES(8), MRI-CGCM3(12), SNU-RCM(16) 모델의 ARE 값이 다른 모델들과 비교하여 작게 나타났고, CanESM2(1), CMCC-CMS(4), HadGEM2-AO(7), IPSL-CM5ALR(10), NorESM1-M(13), HadGEM3-RA(14) 모델의 ARE는 상대적으로 크게 나타났다(Figs. 6(c) and 6(d)).

Table 5와 같은 방법으로 CASE 2에 해당하는 19개 기후모델로부터 산정된 AE, ARE 값을 정리하여 Table 6에 나타내었다. 19개 기후모델 중 CanESM2(1), CMCC-CMS(4), HadGEM2-AO(7), IPSL-CM5A-LR(10), NorESM1-M(13), HadGEM3-RA(14) 모델은 다른 기후모델과 비교하여 관측값과의 차이가 크게 나타났으며, 관측 자료의 특성을 모의하는 것에 한계가 있는 것으로 생각된다. 반면, HadGEM2-ES(8), MRI-CGCM3(12), SNU-RCM(16), SNU-WRF(17), HadGEM3-RA(19) 모델의 결과는 AE, ARE 값이 상대적으로 작게 나타나며 관측 AM 자료의 통계적 특성을 적절히 모의하는 것으로 판단된다(Table 6의 노란색 음영).

Table 6

Comparison of Hydrological Statistics Using Climate Models and Observed Data (Case 2)

4.3 기후모델의 적용성 평가

CASE 1과 CASE 2의 결과를 종합하여 AE, ARE의 값(Tables 5∼6)을 크기순으로 순위를 매기면 Fig. 7과 같이 나타낼 수 있다. Fig. 7에서 1∼2행은 AE, ARE를 나타내고, 1∼2열은 CASE 1과 CASE 2를 나타낸다. Fig. 7에 나타난 바와 같이 CASE 1보다 CASE 2의 순위가 전반적으로 더 낮게 나타났으며, 평균과 분산을 비교하였을 때 CASE 2에서 가장 성능이 떨어지는 모델이 CASE 1의 모델보다 좋은 결과를 나타냈다. 또한, CASE 1에서 CMCC-CMS(4), HadGEM2-ES(8), NorESM1-M(13) 모델의 결과가 관측값의 AM 자료와 비교하여 AE, ARE 값이 작게 나타났고, CASE 2의 경우에는 HadGEM2-ES(8), MRI-CGCM3(12), SNUWRF(17), HadGEM3-RA(19) 모델의 결과가 AE, ARE 값이 작게 나타났다.

Fig. 7

Rank of AE and ARE for Climate Models

기후모델은 물리적 법칙을 이용하여 만들어지고 현재 기후와 과거 기후변화를 재현하는 능력을 바탕으로 모델의 신뢰성을 평가한다. 따라서, RMSE와 RRMSE 값의 결과를 순위별로 정량화하여 Fig. 8과 같이 나타내었고, 이를 통해 기후모델의 모의 성능을 평가하였다. 앞선 AE, ARE의 결과와 유사하게 CASE 2의 결과가 CASE 1의 결과보다 RMSE와 RRMSE 값이 전반적으로 작게 산정되었다. 이는 일자료를 이용하여 편의보정을 수행한 CASE 1 방법은 관측된 AM 자료의 통계적인 특성을 표현하는데 있어서 한계가 있음을 의미한다. 따라서 기후변화 시나리오 기반의 극한강우량 산정 시 AM 자료를 이용한 편의보정 방법(CASE 2)은 일자료를 기반의 편의보정 방법(CASE 1)보다 적합할 것으로 판단된다. 또한, Table 7은 CASE 2의 결과를 정리하여 나타낸 것으로 19개 기후모델에서 산정된 수문통계량에 대한 RMSE 및 RRMSE 값이다. Table 7의 결과를 토대로 정리하면, 기후변화 시나리오 기반의 극한강우량 산정에는 GCMs 자료를 이용할 경우 HadGEM2-ES(8), MRI-CGCM3(12) 모델이 RCMs 자료의 경우는 SNU-WRF(17), YSU-RSM(18), HadGEM3-RA(19) 모델의 자료가 관측 AM 자료와의 차이가 작게 나타나며 기후모델에 대한 신뢰성이 좋을 것으로 생각된다. 특히, MRI-CGCM3(12), HadGEM3-RA(19) 모델의 결과는 관측값과의 차이가 가장 작게 나타나며 극한강우 사상의 통계적 특성을 적절하게 모의하는 것으로 판단된다(Table 7의 노란색 음영). Table 7에서 평균에 대한 RMSE 값을 비교하면 두 모델의 결과는 큰 차이가 나타나지 않았으나, 분산의 결과를 비교하면 HadGEM3-RA(19)의 결과가 가장 작게 나타났다. 이는 HadGEM3-RA(19) 기후모델이 갖는 불확실성의 범위가 MRI-CGCM3(12) 모델과 비교하여 상대적으로 작은 것으로 간주할 수 있다. 기후모델의 선정에 따라 미래 극한강우량 산정의 결과는 크게 달라질 수 있으므로, 현재 관측된 극한 강우 사상의 특성을 가장 잘 모의하는 HadGEM3-RA(19), MRI-CGCM3(12) 모델의 결과를 사용하는 것이 기후변화 시나리오 기반의 극한강우량 산정 시 보다 합리적일 것으로 판단된다.

Fig. 8

Results of RMSE and RRMSE for Climate Models

Table 7

Result of RMSE and RRMSE for Hydrological Statistics

기후모델에서 각 지점별로 산정된 ARE 값을 공간적으로 나타내면 Fig. 9와 같다. Fig. 9에서 1열은 관측 자료의 통계적 특성을 비교적 잘 모의하는 것으로 나타나는 HadGEM3-RA(19) 모델의 결과이며, 2열은 관측값과 큰 차이를 보이며 적합하지 않다고 판단되는 CanESM2(1) 모델의 결과를 나타낸다. 각 지점별 ARE 값은 Table 8에 나타낸 바와 같이 4개로 구분하였고, ARE 값이 작게 산정되어 적합하다고 생각되는 Class 1은 초록색으로 표시하였다. Fig. 9(a)는 앞서 언급한 두 모델로부터 산정된 평균에 대한 ARE 값을 지점별로 나타낸 것으로 CanESM2(1) 모델은 HadGEM3-RA(19) 모델의 결과와 비교하여 ARE 값이 큰 Class 4(빨간색)에 해당하는 지점이 상대적으로 많이 분포하는 것으로 나타났다. 또한, 분산에 대한 ARE 결과도 유사한 수준으로 나타나며 CanESM2(1) 모델의 결과는 대체로 지점별 ARE 값이 크게 나타남을 확인할 수 있다(Fig. 9(b)). 따라서, 관측 자료의 통계적 특성을 전반적으로 잘 반영하는 HadGEM3-RA(19) 모델의 결과를 극한강우량 산정에 이용하는 것이 적절할 것으로 판단된다.

Fig. 9

The result of ARE (mean, var.) for 60 Sites

Table 8

Classification of ARE (mean, var.) Results