최근접 이웃 탐색 기법을 활용한 일 단위 기후변화 시나리오 자료의 시간 단위 상세화 기법: 낙동강 유역 사례 연구
Hourly Downscaling of Daily Climate Projection Data for the Nakdong River Basin using the Nearest Neighbor Search Method
Article information
Abstract
기후변화의 영향을 평가하기 위한 수문, 수질 예측모델이 고도화됨에 따라 시공간적 고해상도의 기상 전망 데이터가 요구되고 있다. 그러나 기후변화 시나리오에 따른 기상 전망 데이터는 연구자가 필요로 하는 해상도를 충족하지는 않는다. 본 연구에서는 일 단위(daily time-steps) 기상 전망 데이터로부터 시간 단위(hourly time-steps) 기상 전망 데이터로 시간적 상세화를 수행하기 위하여 최근접 이웃 탐색 방법론을 기반으로 한 시간 상세화 기법을 제시한다. 제시한 시간 상세화 방법론의 타당성을 검증하기 위해서 낙동강 유역에 위치한 기상관측소의 관측자료가 활용되었으며, 관측값과 시간 상세화 결괏값 간의 NRMSE (Normalized Root Mean Square Error)를 산정하였다. 산정 결과, 기온 및 강수량은 약 2-4%, 풍속과 상대습도, 일사량은 약 7-16% 내외 수준으로 모의하였다. 또한 대상 관측소의 일 단위의 SSP5-8.5 기후변화 시나리오 미래 기상 전망 데이터로부터 본 연구에서 제시한 방법론을 적용하여 시간 단위 미래 기상 전망 데이터를 도출하였다. 도출한 시간 상세화 결과에 따르면, SSP5-8.5 기후변화 시나리오에 따라 대구 및 부산 관측소의 미래 연중 최고기온이 각각 기준기간 36.2 °C, 33 °C 대비 최대 7.0 °C, 5.6 °C까지 상승하고, 연 강수시간은 각각 기준기간 486.2 hr, 570.2 hr 대비 최대 103.3 hr (21.25%), 157.2 hr (27.57%) 감소하며, 연 강수강도는 각각 기준기간 2.12 mm/hr, 2.66 mm/hr 대비 최대 0.71 mm/hr (33.5%), 0.83 mm/hr (31.2%) 증가하는 것으로 전망되었다. 본 연구에서 제시한 시간 상세화 기법은 기후변화에 따른 영향 평가를 위한 시간 단위의 세밀한 강우유출 및 수질인자의 거동을 효과적으로 모의하기 위한 기상 입력자료의 구축에 기여할 수 있을 것으로 기대된다.
Trans Abstract
Hydrological and water quality models have been continuously improved for assessing the impacts of climate change. Accordingly, meteorological data with high spatial and temporal resolutions are required. Current climate change scenario-based projections provide meteorological data on monthly and daily scales, which are too coarse for regional climate change assessments. In this study, we propose a temporal downscaling method based on the nearest neighbor search methodology for temporal downscaling from daily time-step meteorological data to hourly time-step data. To verify the temporal downscaling method, historical meteorological data from weather stations located in the Nakdong River basin were used, and the normalized root mean square error (NRMSE) between observational and simulated data was calculated. Consequently, the simulation errors were approximately 2–4% for temperature and precipitation, and approximately 7–16% for wind speed, relative humidity, and solar radiation. Next, using the temporal downscaling method, hourly future climate projection data were derived from the daily SSP5-8.5 climate scenario projections retrieved from weather stations in the target area. According to the downscaled hourly climate projection results, under the SSP5-8.5 climate change scenario, the future annual maximum temperature is projected to increase by up to 7.0 °C and 5.6 °C at Daegu and Busan weather stations, compared to the reference period maximum temperatures of 36.2 °C and 33 °C, respectively. The annual precipitation duration is projected to decrease by up to 103.3 h (21.25%) and 157.2 h (27.57%), compared to the reference period durations of 486.2 h and 570.2 h, respectively. Annual precipitation intensity is projected to increase by up to 0.71 mm/h (33.5%) and 0.83 mm/h (31.2%), compared to the reference period precipitation intensities of 2.12 mm/h and 2.66 mm/h, respectively. The temporal downscaling method presented in this study is expected to contribute to the preparation of meteorological input data to effectively simulate detailed hourly rainfall runoff and the behavior of water quality factors, thereby improving the assessment of climate change impacts.
1. 서 론
기후변화 시나리오 기반의 기상 전망 데이터는 수문, 수질 등 다양한 분야에서의 미래 영향 연구에 널리 사용된다. 전 세계 각국의 기상 수문 관서에서 기후변화 시나리오 기반의 기상 전망 데이터를 생산하고 있으며 모델별로 다양한 시간적, 공간적 해상도의 데이터 세트들을 제공하고 있다. 그러나 이렇게 다양한 기후변화 시나리오 데이터 세트들은 연구자가 원하는 특정 지역에서의 영향 연구에 사용되는 모형에 필요한 시간적, 공간적 해상도를 충족하지는 않는다. 따라서 일반적으로 제공되는 저해상도의 기후변화 시나리오 기상 전망 데이터에 상세화 기법을 적용함으로써 대상 모형에 필요한 시간적, 공간적 해상도의 기상 전망 데이터를 도출하는 절차가 필요하다.
모델의 고도화에 따라 정교한 수문 및 수질 모의를 위해서는 시간(hourly) 간격의 시간 해상도를 갖는 기상 전망 데이터가 필요한 추세이다. 수문 및 수질 측면에서, 일 강수량으로 유출량 모의 시 강우 기간이 짧고 강한 강우의 경우 그 특성들이 평균화되기 때문에 시간 강수량을 통한 모의 대비 유출량을 과소평가하는 경향이 있다(Eagleson, 1978). 또한 Qiu et al. (2021)은 Soil and Water Assessment Tool (SWAT) 모델을 통하여 시간 해상도별 수생태계 평가 결과를 비교한 결과, 시간 해상도가 수생태계 평가 결과에 큰 영향을 미칠 수 있으므로 이에 1시간 이하의 시간 해상도를 채택하는 것을 권장하였다.
기상 자료의 시간 상세화를 위한 연구는 비교적 공간적 상세화를 위한 연구에 비해 주목을 받지 못하였다. 특히 일 단위 기상 자료의 시간 단위로의 상세화에 관한 연구는 더더욱 한정적이며 대다수의 연구가 강수량에 국한되어있다. 일 단위 기상 시계열 자료의 시간 단위 상세화를 위한 문헌을 살펴보면, Lee and Jeong (2014)은 유전 알고리즘 및 K-Nearest Neighbor Resampling (KNNR) 기반의 비모수 통계적 시간 상세화 기법을 개발하여 Representative Concentration Pathways (RCP) 8.5 및 4.5 기후변화 시나리오의 일 강수량을 시간 강수량으로 시간 상세화하였다. Kim et al. (2016)은 Conditional Copular 모형 기반의 시간 단위 극치강우량 상세화 기법을 통하여 RCP 8.5 기후변화 시나리오 극치 시간 강우량을 생성하였다. Lee and Kim (2018)은 Neyman-Scott Rectangular Pulse Model (NSRPM) 기반의 추계학적 점 강우모형을 통하여 일 강우량을 시간 상세화하였다. Kristvik et al. (2018)은 공간적 기후 상세화 모델인 Statistical DownScaling Model-Decision Centric (SDSM-DC) (Wilby et al., 2014)로부터 도출되는 일 단위 강수량 예측자료에 General Extreme Value (GEV) 분포 기반 시간 상세화 기법(Nguyen et al., 2002; Nguyen et al., 2007)을 적용하여 시간 단위 강수량 예측자료를 생산하였다. Michel et al. (2021)은 개선된 Delta-change method를 통하여 CMIP5 기반의 스위스 기후변화 시나리오인 CH2018 (2018)에서 제시하는 기온, 강수량, 상대습도, 풍속, 일사량, 강설량 총 6개의 기상인자에 대한 일 단위 전망자료를 시간 단위 해상도로 상세화하였다. Wang et al. (2024)은 Residual U-Net 구조 기반의 시간 상세화 기법을 통하여 0.25° × 0.25° 격자 구조를 갖춘 3시간 단위의 2 m 고도 기온, 850 hPa 지위고도, 850 hPa 상대습도 총 3개 기상인자에 대한 ERA5 재분석 자료를 1시간 단위 해상도로 상세화하였다.
기존의 일 단위 시간 해상도로부터 시간 단위 해상도 자료를 도출하는 시간 상세화에 대한 문헌은 대체로 강수량 기상인자만을 고려하였다. 강우유출 모델링을 위한 기상 입력자료로는 강수량 인자만으로도 충분하나, 수질 모델링을 위한 기상 입력자료의 경우 기온, 일사량 등 보다 다양한 기상인자를 요구한다. 따라서 본 연구에서는 최근접 이웃 탐색(Nearest neighbor search) 기반의 기온, 강수량, 일사량, 풍속, 상대습도 총 5개의 기상 시계열 자료에 대한 시간 상세화 기법을 제안하였으며, 제안한 시간 상세화 기법을 통하여 미래 기후변화 시나리오 일(daily) 단위 기상 전망 시계열 자료로부터 시간(hourly) 단위 기상 전망 시계열 자료를 도출하였다.
2. 기상 전망 데이터 시간 상세화 방법론
2.1 최근접 이웃 탐색(Nearest neighbor search)의 개념
최근접 이웃 탐색 기법은 하나의 점 또는 한 그룹의 점으로부터 다른 그룹의 점 중 여러 조건이 가장 근접한 점을 찾기 위한 비모수 최적화 방법이다. 비선형 시계열 분석 방법으로, 상태-공간 모형에서 예측하고자 하는 현재의 상태를 과거 관측자료 중에서 유사한 형태의 자료 군을 찾는 기법이다(Kim et al., 2016). 과거에 발생한 시계열 패턴이 미래에도 반복될 것이라는 가정하에 카오스 시계열의 예측 등에 주로 적용되고 있는 이론이다(Kyong, 2010). 최근접 이웃 탐색의 기본 가정은 과거에 발생한 시계열의 한 부분이 유사한 특성을 가지고 미래에 다시 발생한다는 것이다. 따라서 예측을 위한 국부적인 정보만을 이용하며 전체적인 함수를 추정하지 않는다. 또한 여타의 선형 시계열 모형처럼 정상성(stationary)의 가정을 요구하지 않으며 이용 가능한 과거 자료 주변의 벡터의 거동을 분석한다(Kim, 2011).
2.2 최근접 이웃 탐색을 통한 데이터 기반의 시간 상세화
최근접 이웃 탐색을 통한 데이터 기반의 시간 상세화 기법의 기본 개념은 미래 기상 전망 데이터와 가장 유사한 과거 기상 관측자료의 관측일을 찾는 것이다. 여기서 유사하다는 것은 두 기상 자료의 각각의 동일 기상인자 간 차이가 가장 작은 것을 의미한다. 여러 기상인자를 고려해야 하는 다차원 좌표에서 두 점 간의 유사 정도는 유클리드 거리(Euclidean distance) 개념을 통하여 수치화할 수 있다. 본 연구에서는 각각의 기상인자별 관측 단위의 차이를 고려하기 위하여 각 변수의 분산을 고려하는 표준화 유클리드 거리(standardized euclidean distance)를 채택한다.
최근접 이웃 탐색 기반 시간 상세화 기법을 적용하기 위해서는 상세화를 적용하기 위한 일(daily) 단위 미래 예측 또는 전망자료와 학습을 위한 일(daily) 단위의 과거 관측 데이터 세트, 동일한 과거 관측 일자에 대한 시간(hourly) 단위 관측 데이터 세트가 필요하다. 시간 단위로 시간 상세화를 수행하고자 하는 대상 미래 일 단위 전망 기상 시계열을 P, 과거 일 단위 관측 기상 시계열을 Q라 할 때, 총l 종류의 기상인자를 갖는 미래 전망 일자 i에서의 Pi =[pi,k]k∈{1,l}에 대한 과거 관측 일자 j에서의 Qj =[qj,k]k∈{1,l}간의 표준화 유클리드 거리 는 Eq. (1)과 같이 산정한다.
여기서 σ는 미래와 과거 기상인자 간 표준편차이다. i번째 미래일자의 일 단위 기상 전망자료로부터 표준화 유클리드 거리 D의 최솟값을 만족시키는 과거 일자 Ti는 Eq. (2)와 같이 표현할 수 있다.
최근접 이웃 탐색 기법에 의하여 탐색된 과거 관측일자 Ti로부터, Ti 일자의 시간 단위 과거 관측자료 ST =[sT,1,sT,2,…,sT,24]=[sT,h]h∈{1,24}를 i번째 미래일자의 시간 단위 전망자료Ri =[ri,1,ri,2,…,ri,24]=[ri,h]h∈ {1,24}로 적용함으로써 시간 상세화를 완료한다(Eq. (3)).
여기서 sT, h는 과거 일자 T에서의 h시의 기상인자, ri,h는 미래일자 i에서의 h시의 기상인자이다. 상기 언급한 절차대로 모든 미래일자에 대하여 각각 최소 표준화 유클리드 거리를 만족하는 과거 일자를 탐색하여 해당 과거 일자일 때의 시간 자료를 호출함으로써 전체 전망 기간에 대한 시간 상세화를 완료한다.
2.3 기후변화에 따른 기후 특성 변화 보정
지구온난화로 인한 기후변화는 폭염이나 홍수 등의 극한 기후 현상의 빈도 및 강도의 증가를 야기하였다(IPCC, 2021). 또한 이러한 기후변화로 인하여 전 세계적으로 최고기온을 경신하는 추세이다(NCDC, 2018). 그러나 최근접 이웃 탐색 방법은 미래 기상 전망 데이터와 가장 유사한 관측기록이 있는 과거 기상 조건을 탐색하는 방법론으로, 기후변화에 따른 전반적인 기온 상승 등 변화하는 기후 특성을 반영하지 못할 우려가 있다. 따라서 변화하는 기후 특성에 대한 보정이 필요하다. 본 연구에서는 각각의 기상인자별 일 단위 과거 관측치 대비 일 단위 미래 예측치 비율을 반영하여 기후 특성 변화에 대한 보정을 수행하였다. 미래 일 단위 기상 예측값, 과거 일 단위 기상 관측값을 각각 P, Q라 하고 시간 상세화를 완료한 미래 시간 단위 기상 예측값을 Ri =[ri,h]h∈{1,24}이라 할 때, 기후 특성 변화 보정을 수행한 미래 시간 단위 기상 예측값 Ri’=[r’i,h]h∈{1,24}은 Eq. (4)와 같다. 기온 인자의 경우 최고기온, 최저기온, 평균기온 중 평균기온의 절대온도를 고려하고, 기온이 아닌 다른 기상인자의 과거 일 단위 관측값이 0인 경우 P/Q=1로 적용한다.
3. 사용 데이터
3.1 최근접 이웃 탐색 기반 시간 상세화 기법의 검증
본 연구에서는 한반도 낙동강 유역에 위치한 기상청 종관기상관측소(Automated Surface Observing System, ASOS)의 기상 자료를 대상으로 시간 상세화 기법을 적용하였다(Fig. 1). 종관기상관측소의 경우 일평균기온, 일최고기온, 일최저기온, 일강수량, 일평균 상대습도, 일평균 풍속, 일 합계 일사량 등 총 7개 기상인자의 관측기록 보유년수가 10년 이상인 기상관측소를 선정하였다. 선정된 12개소의 기상관측소에 대한 위도, 경도 및 자료 수집기간은 Table 1과 같다.
Study Area and Location of Station
Weather Stations Information Used in Study
3.2 기후변화 시나리오 기후 전망 데이터
본 연구에서는 the 6th phase of the Coupled Model Intercomparison Project (CMIP6)로부터 제시된 Shared Socioeconomic Pathways (SSP) 시나리오를 사용하였으며, 사회경제적 완화와 적응에 대한 노력과 관련한 SSP 시나리오와 2100년을 기준으로 한 복사강제력과 관련한 RCP 시나리오 개념을 결합한 시나리오 중 가장 온난화 수준이 높은 SSP5-8.5를 사용하였다.
기상청에서는 우리나라의 복잡한 지형 조건을 고려하여 거리, 고도, 해양도, 지향면 등을 적용한 통계모델 PRIDE를 활용하여 수평해상도 1 km의 고해상도 시나리오를 생산하였다(NIMS, 2022). PRIDE 기법에는 CORDEX-동아시아 그룹에 참여한 수평해상도 25 km의 5개 동아시아 지역 기후 전망자료(HadGEM3-RA, CCLM, WRF, RegCM, GRIMs)가 입력자료로 사용되었다(Kim et al., 2022).
기상청으로부터 최신 공개된 우리나라의 SSP 기후변화 시나리오 기상 전망 데이터의 공간적 해상도는 약 1 km (0.01° × 0.01°), 시간적 해상도는 일(daily) 단위이다. 공간적 범위는 위도 33 °N~39 °N, 경도 124.5 °E~132 °E의 대한민국 영토, 전망 기간은 2021년 1월 1일부터 2100년 12월 31일까지 총 80개년을 전망하였다. 기상인자는 평균기온, 최고기온, 최저기온, 강수량, 평균풍속, 평균 상대습도, 합계 일사량 총 7개 인자의 전망정보를 제공한다.
3.3 사용 데이터 및 기간
본 연구에서는 SSP 5-8.5 기후변화 시나리오 기반 일 단위(daily time-step) 미래 기상 전망 데이터를 시간 단위(hourly time-step)로 시간 상세화하기 위해 과거 관측 기상 자료를 학습하여 최근접 이웃 탐색 기반 시간 상세화를 수행한다. 시간 상세화를 위하여 활용한 데이터는 Table 2에 요약하였다. 입력 일 단위 기상인자는 기상청 기후변화 시나리오 기상 전망 데이터에서 제공하는 모든 인자(평균기온, 최고기온, 최저기온, 강수량, 평균풍속, 평균 상대습도, 합계 일사량)를 고려하였으며, 해당 입력 기상인자로부터 시간 단위의 기온, 강수량, 풍속, 상대습도, 일사량 총 5개 기상인자를 출력한다. 기상청에서 제공하는 SSP 기후변화 시나리오 기상 전망 데이터는 2000년부터 2019년 동안 종관기상관측소(ASOS) 97개소, 자동기상관측소(AWS) 508개소에서 관측한 일 단위 기상 관측자료로부터 통계적 방법론으로 산정한 자료이다(Kim et al., 2022). 이에 시간 단위의 Reference 데이터가 없기 때문에 시간 단위의 기후변화 시나리오 기상 전망 데이터를 얻기 위해서는 일 단위 자료의 시간적 상세화를 수행할 필요가 있다.
Data Period and Climate Variable Used in Study
4. 적용 결과
4.1 최근접 이웃 탐색 기반 시간 상세화 기법의 검증
최근접 이웃 탐색 기반 시간 상세화 기법을 통하여 1973년부터 2020년까지를 학습 기간으로 설정하고, 2021년부터 2023년까지 검증 기간으로 설정하여 관측된 기상인자를 시간 단위로 상세화하였다. 검증 방법은 관측값과 모의값 간의 차이를 정량적으로 평가하는 Root Mean Square Error (RMSE)와 이를 표준화한 Normalized Rood Mean Square Error (NRMSE)를 이용하였다. NRMSE는 기상 자료 상세화 기법의 정확도를 평가하기 위하여 사용된 사례가 있으며(Noor et al., 2020; George and Pavizham, 2023) RMSE와 NRMSE는 각각 Eqs. (5), (6)으로 표현된다. RMSE 및 NRMSE는 0에 가까울수록 오차의 정도가 작음을 의미하며, NRMSE < 10%일 때 기상 예측모형의 정확도가 매우 우수하고(excellent), 10% ≤ NRMSE < 20%일 때 양호(good), 20% ≤ NRMSE < 30%일 때 보통(fair), NRMSE ≥ 30%일 때 저조(poor)한 것으로 평가된다(Jamieson et al., 1991).
여기서 yi는 i번째 관측 시각의 실제 관측값을,
Verification of 2021-2023 Weather Data Using the Method based on Nearest Neighbor Search
4.2 기후변화 시나리오 시간 상세화
본 연구에서 제시한 최근접 이웃 탐색 기반 시간 상세화 기법을 통하여 일 단위의 SSP5-8.5 기후변화 시나리오 기상 전망 데이터(기온, 강수량, 풍속, 상대습도, 일사량)를 시간 단위로 시간 상세화하였다. 미래 전망 기간은 총 80년(2021~ 2100년)이며 미래 3개 구간(2035s: 2021~2050, 2065s: 2051~ 2080, 2090s: 2081~2100)으로 구분하였다. 기후변화 시나리오 기상 전망 데이터의 시간 상세화 결과물로부터 일 단위 해상도와 시간 단위 해상도의 기상 자료로부터 산출할 수 있는 미래 모의 구간별 주요 기술통계량을 연도별로 산정하였다. 채택한 주요 기술통계량의 종류 및 약자는 Table 4에 설명하였다. 평균 및 합계에 대한 통계량의 경우 해당 기상인자의 전반적인 평균 특성을 파악할 수 있고, 최대 또는 최소에 대한 통계량의 경우 해당 기상인자의 강도에 대한 특성을 파악할 수 있다.
Abbreviation and description of main descriptive statistics used in the study
대상 관측소 12개소에 대하여 기준기간(Reference period: 1973~2020년) 구간과 미래 3개 구간에서 산정한 기술통계량을 비교하였다. Fig. 2에 전체 관측소의 Reference period 및 미래 구간에서 산정한 기상인자의 주요 통계량에 대하여 역거리 가중법(Inverse distance weight)으로 간단히 공간 보간한 후 도시하였다. Table 4에서 제시한 기술통계량 중 일 단위 시계열보다 시간 단위의 시계열 자료로부터 기후 특성을 포착할 수 있는 통계량을 선정하였다.Figs. 2(a), 2(c)를 살펴보면, SSP5-8.5 시나리오에 따라 미래의 연중 최고기온(Maximum temperature)과 강수강도(Precipitation intensity)가 시간이 지남에 따라 뚜렷하게 상승하는 것을 확인할 수 있다. 1시간 최대 강수량(Maximum hourly precipitation), 최대 풍속(Maximum wind speed), 1시간 최대 일사량(Maximum hourly solar radiation)의 경우 미래 시간이 지남에 따라 증가하나, 최소 상대습도(Minimum relative humidity)의 경우 미래 시간이 지남에 따라 큰 변동이 없는 것을 확인할 수 있다.
Mean Annual Descriptive Statistics for the Reference Period and Future Periods
기후변화에 따른 기상인자의 기술통계량 변화를 상세히 살펴보기 위하여, 대구(Daegu), 부산(Busan) 관측소를 채택하여 Table 5에 기상인자에 대한 미래 구간과 기준기간 내 연도별로 산정한 기술통계량의 구간 내 평균 및 각 미래 구간의 기준기간 대비 변화량을 나타내었다. 먼저 기온 인자의 경우 대구와 부산 관측소 모두 연평균기온(Mean Temp.), 연중 최고기온(Max. Temp.), 연중 최소기온(Min. Temp.) 모든 통계량이 모든 미래 구간에서 상승하고 그 상승량이 점차 커진다. 대구 관측소의 기준기간 대비 미래 연평균기온은 2.0-6.5 °C, 연중 최고기온은 2.8-7.0 °C, 연중 최소기온은 1.3-6.1 °C 상승하는 것으로 전망된다. 부산 관측소의 기준기간 대비 미래 연평균기온은 1.5-5.7 °C, 연중 최고기온은 1.4-5.6 °C, 연중 최소기온은 2.2-6.9 °C 상승하는 것으로 전망된다. 또한 기온 인자는 다른 기상인자보다 시간이 지남에 따라 가장 눈에 띄게 변화하는 것을 확인할 수 있다. 강수량 인자의 경우 연 강수시간(Precp. time)과 강수강도(Precp. intensity)로부터 유의미한 통계량 변화를 확인할 수 있다. 연 강수시간의 경우 대구 관측소에서는 기준기간 486.2 hr 대비 미래 기간에서 86.0-103.3 hr (17.7-21.2%) 감소하는 것으로 전망되었다. 부산 관측소에서는 기준기간 570.2 hr 대비 미래 기간에서 122.1-157.2 hr (21.4-27.6%) 감소하는 것으로 전망되었다. 강수강도의 경우 대구 관측소에서는 기준기간 2.12 mm/hr 대비 미래 기간에서 0.26-0.71 mm/hr (12.3-33.5%) 증가하는 것으로 전망되었다. 부산 관측소에서는 기준기간 2.66 mm/hr 대비 미래 기간에서 0.32-0.83 mm/hr (12.0-31.2%) 증가하는 것으로 전망되었다. 연강수량(Annual Precp.)의 변화가 크지 않는 것을 미루어 보았을 때, 미래에는 총 강수량은 큰 변동이 없으나 가뭄 기간은 길어지고 홍수 강도는 더욱 강해질 것으로 전망된다. 풍속의 경우 1시간 최대 풍속(Max. W.s.)과 평균 풍속(Mean W.s.) 모두 기후변화로 인해 유의미한 변화가 있지는 않을 것으로 전망된다. 상대습도의 경우 평균 상대습도(Mean R.h.)는 유의미한 변화가 있지 않으나 1시간 최소 상대습도(Min R.h.)는 기준기간 대비 감소하는 것으로 전망되었다. 1시간 최소 상대습도의 경우 대구 관측소에서는 기준기간 12.5% 대비 미래 전체 구간에서 3.3-3.7% 내외로 감소하는 것으로 전망되었고, 부산 관측소에서는 기준기간 13.9% 대비 미래 전체 구간에서 2.0-3.1% 내외로 감소하는 것으로 전망되었다. 이에 미래에는 상대습도가 낮은 계절일 때 과거보다 건조할 것으로 전망된다. 일사량 인자의 경우 1시간 최대 일사량(Max. hr S.r.)과 연 합계 일사량(Annual S.r.) 모두 상승할 것으로 전망되었다. 1시간 최대 일사량의 경우 대구 관측소에서는 기준기간 3.57 MJ/m2 대비 미래 전체 구간에서 0.39-0.47 MJ/m2 (10.9-13.2%) 증가하였으며, 부산 관측소에서는 기준기간 3.64 MJ/m2 대비 미래 전체 구간에서 0.5-0.61 MJ/m2 (13.7-16.8%) 증가하였다. 연 합계 일사량의 경우 대구 관측소에서는 기준기간 4,913 MJ/m2 대비 미래 전체 구간에서 347-381 MJ/m2 (7-7.8%) 증가하였으며, 부산 관측소에서는 기준기간 4,972 MJ/m2 대비 미래 전체 구간에서 317-373 MJ/m2 (6.4-7.5%) 증가하였다. 이에 미래 기후변화로 인하여 일사량의 총량과 강도가 모두 증가할 것으로 전망된다.
Descriptive Statistics of Climate Change Scenario Temporal Downscaling Output
5. 결론
본 연구에서는 기후변화 시나리오 등 일 단위(daily time- steps)의 시간적 해상도로 제공되는 기상 전망 데이터를 시간 단위(hourly time-steps)로 시간 상세화하기 위하여 최근접 이웃 탐색 기반 시간 상세화 기법을 제시하였다. 제시한 최근접 이웃 탐색 기반 시간 상세화 기법의 적용성을 낙동강 유역에 위치한 종관기상관측소의 기상 데이터를 이용하여 검증하였고, 기상청에서 제공하는 일 단위의 SSP 기후변화 시나리오 미래 기상 전망 데이터를 활용하여 시간 단위로 시간적 상세화를 수행하였다. 주요 결과는 다음과 같다.
1) 낙동강 유역에 위치한 종관기상관측소 12개소의 1973년부터 2023년까지의 기상 관측자료를 통하여 본 연구에서 제시한 최근접 이웃 탐색 기반 시간 상세화 기법을 검증하였다. 실제 시간 단위의 관측값에 대한 시간 상세화 결과로부터 NRMSE를 산정하였다. 전체 관측소에 대한 기상인자별 NRMSE는 각각 기온 3.32-4.76%, 강수량 2.23-4.10%, 풍속 7.68-15.82%, 상대습도 11.01-13.06%, 일사량 9.96-11.57%로 산정되었다.
2) 본 연구에서 제시한 최근접 이웃 탐색 기반 시간 상세화 방법을 통하여 대상 종관기상관측소의 일 단위 SSP5-8.5 기후변화 시나리오 미래 기상 전망 데이터의 시간 상세화를 수행하였고, 시간 상세화 결과물의 기술통계량을 산정하여 기준기간(1973~2023년) 대비 기후의 변화를 전망하였다. 시간 단위의 시계열 자료로부터 기후 특성을 포착할 수 있는 통계량을 선정하여 그 변화를 살펴보았을 때, 연중 최고기온과 강수강도 모두 미래의 시간이 지남에 따라 점차 상승하는 것을 확인할 수 있다. 또한 1시간 최대 강수량, 최대 풍속, 1시간 최대 일사량의 경우 미래 시간이 지남에 따라 증가하나, 최소 상대습도(Minimum relative humidity)의 경우 미래 시간이 지남에 따라 큰 변동이 없는 것을 확인할 수 있다.
3) 기후변화에 따른 기상인자의 기술통계량 변화를 상세히 살펴보기 위하여 대구(Daegu), 부산(Busan) 관측소를 채택하여 각 기상인자에 대한 미래 구간과 기준기간 내 연도별로 산정한 기술통계량의 기준기간 대비 각 미래 구간별 변화량을 산정하였다. 기온의 경우 평균, 최대, 최소 모두 상승하며, 강수량의 경우 연 강수시간의 감소에 따른 연 강우강도 증가 및 무강우기간, 즉 건조 기간의 증가를 전망하였다. 풍속의 경우 유의미한 변화를 포착하지 못하였으며, 상대습도의 경우 연중 1시간 최소 상대습도가 감소할 것으로 전망되어 건기일 때 기준기간 대비 건조할 것으로 예상된다. 일사량의 경우 연 합계 일사량과 1시간 최대 일사량 모두 상승할 것으로 전망되었으며, 이에 일사량의 총량과 강도가 모두 증가할 것으로 전망된다.
본 연구에서 제시한 최근접 이웃 탐색 기반의 시간 상세화 기법은 고도화되고 있는 수문·수질 모델이 요구하는 시간 단위의 기상 입력자료를 제공함으로써, 기후변화에 따른 영향 평가를 위한 시간 단위의 세밀한 강우유출 및 수질인자의 거동을 효과적으로 모의하기 위한 기상 입력자료의 구축에 기여할 수 있을 것으로 기대된다.
감사의 글
본 연구는 과학기술정보통신부 한국건설기술연구원 연구운영비지원(주요사업)사업으로 수행되었습니다(과제번호 20240166-001, 디지털뉴딜 기반 통합물관리 기술 융합 플랫폼(IWRM-K) 개발(3/3)).