Article information

Abstract

Trans Abstract

1. 서 론

최근 세계적으로 기후변화로 인해 과거의 일반적인 발생 현상을 벗어나는 극한사상의 이상 기상현상이 빈번하게 관측되어 자연재해의 빈도와 강도가 증가하고 있다. 이에 따라 기후 관련 재해로 매년 대규모의 인적 피해와 경제적 손실이 동시다발적으로 발생하고 있으며, 그 피해액과 규모도 대형화되고 복잡해지는 양상이다. 특히 극치 풍속에 대한 피해사례는 태풍에 의한 피해를 포함하여 크게 증가하고 있다(Yoon et al., 2007). 특히 극치 풍속에 의해서 발생하는 피해는 농업시설 및 농작물에 큰 피해를 주기 때문에 사회경제적으로 그 영향이 확대될 가능성이 높다. 따라서 극치 풍속에 의한 재해를 예방하기 위한 연구의 중요성은 지속적으로 높아지고 있으며 극치 풍속을 예측할 수 있는 기술의 필요성이 요구되고 있다. 극치 풍속은 풍속자료를 이용하여 빈도해석을 통해서 구하며 이러한 극치 풍속자료의 빈도해석은 초고층건축물, 풍속발전기, 장대교량등과 같은 다양한 구조물의 설계 기준으로 널리 사용되고 있다. 정확한 극치 풍속자료의 빈도해석은 구조물의 안전성을 높이고, 과대설계를 막아 건설비용을 절약할 수 있다. 하지만 극치 풍속자료는 다른 자연현상보다도 높은 변동성과 지역성을 가지고 있는 변수로 적절한 통계분석 기법을 이용하여 정확한 빈도해석결과를 얻는 것이 매우 중요하다. 특히 우리나라는 극치 풍속자료들이 태풍으로 인하여 발생하고 지형학적으로 산간지역이 많아 다른 나라와 비교하여 높은 공간 및 시간 변동성을 가지고 있다. 이에 국내외적으로 정확한 극치 풍속자료의 빈도해석을 위하여 다양한 연구가 진행되었다.

국내에서 극치 풍속자료의 빈도해석 연구동향을 살펴보면 Ha et al. (1998)은 1951~1995년 기간의 풍속 자료와 극한 분포를 이용하여 100년 빈도에 해당하는 기본풍속분포도를 작성하였고, Lee et al. (2010)은 우리나라의 주요 풍력발전 지역 15곳을 대상으로 풍력발전기의 구조적 안전을 위해 국가바람지도를 활용한 극치 풍속을 산정하였다. 이를 위해 2005~2007년까지 3년간의 시계열 풍속으로부터 일 최대풍속과 월 최대풍속을 생성하고 이를 활용하여 빈도해석을 수행하여 극치 풍속을 추정하였다. Kim et al. (2011)은 Gumbel (GUM) 분포를 이용하여 모멘트법과 최소자승법을 통해 서남해안 장대교량의 내풍설계에 적용할 수 있는 극치 풍속을 추정하였다. Shin et al. (2011)은 건축 설계시 필요한 풍하중 산정을 위한 극치풍속을 위해 서울, 부산, 그리고 제주 지역을 대산으로 1, 2, 3년간의 일 최대 풍속자료와 1970~2009년까지ㅡ이 40년간의 연 최대 풍속자료를 활용하여 극치통계분석을 수행하였다. Lee and Kim (2013)은 기상관측소로부터 거리가 먼 장대교량의 내풍설계시 현장의 기본 풍속을 추정하기 위해, 현장의 풍속 관측 탑을 통해 얻은 풍속자료를 이용하여 극치 통계분석을 수행하여 극치 풍속을 추정하였다. Ha (2018)은 건축물의 내풍 계시 반영되는 극한강도 풍하중을 산정하기 위해 우리나라 기상관측소의 연 최대 풍속자료를 활용하여 재현기간에 따른 기대풍속을 산정하고 한국형 강도설계용으로 기본풍속지도를 제시한바 있다. 국외에서는 연 최대풍속자료를 이용하여 지점빈도해석을 통해 기존 다양한 분야에서 극치분석에 많이 적용되고 있는 generalized extreme value (GEV) 분포와 generalized Pareto distribution (GPA) 분포의 적용성을 살펴본 바 있다 (Holmes and Moriarty, 1999; Palutikof et al., 1999; Cook and Harris, 2001; Harris, 2005). 또한 풍속자료의 극치통계분석에서 다양한 분포와 비교 분석하여 Gumbel 분포의 적용성이 그 우수성을 보였다 (Yip et al., 1995; Simiu et al., 2001; Hong et al., 2013). 이를 통해 Peterka and Shahid (1998)은 미국에서 자주 발생하는 허리케인에 의한 극한 풍속 설계를 위해서 Gumbel (GUM) 분포의 적용하여 극한풍속지도를 작성한 바 있다.

한편, 빈도해석에 의해 추정된 극한 풍속은 관측 자료 기간이 길어질수록 불확실성이 작아지고 신뢰도도 커진다. 따라서 빈도해석을 수행할시 자료의 관측기간이 짧은 경우 극치 풍속자료의 지점 내 충분한 수의 자료 확보가 선행되어야 하며, 지점 별 충분한 수의 자료 확보를 통해 극치분석이 이루어져야 보다 안정적인 추정결과를 얻을 수 있다. 하지만 국내 바람자료 및 기상자료에 대한 한계는 아직 많이 존재한다(Leem, 2010). 이러한 빈도해석 수행에 존재하는 단점들을 보완하기 위해 제안된 방법인 지역빈도해석은 지점의 자료가 부족한 경우 또는 미계측 지점에서 사용하는 방법으로 지점의 자료만을 사용하는 지점빈도해석과는 달리 동일한 모분포를 따르는 것으로 판단되는 지점들을 하나의 지역으로 구성하여 지역 내에 포함된 모든 지점의 자료를 빈도해석하여 대상 지점의 보다 신뢰할만한 극치 풍속을 산정할 수 있다는 장점이 있다. 국내 수자원분야에서는 많이 사용되고 있으며 그 적용성 또한 우수한 것으로 알려져 있다 (Lee and Heo, 2001; Heo et al., 2007; Lee et al., 2007; Nam et al., 2008; Heo, 2016; Seo et al., 2016). 우리나라처럼 자료의 수가 부족한 경우 지역빈도해석을 사용하면 효율적으로 안정적으로 풍속자료의 극치분석을 수행할 수 있다. 이러한 지역빈도해석 절차 중에서 동질지역을 구분하고 구분된 지역의 통계량 값을 통해 각 분포형 별로 적합도를 판단하는 것은 가장 중요하다.

본 연구에서는 지역빈도해석을 국내 풍속자료에 적용하기 위해 그 적용가능성을 살펴보았다. 이에 국내 84개 지점의 풍속자료를 구축한 후 12개의 지역으로 구분하였다. 그 후 통계량 값을 통해 구분한 지역에 대한 동질성을 검토하고 지역빈도해석의 적용가능성을 살펴보기 위해 L-moment ratio diagram에 도시하여 적용성을 검토해보고자 한다.

2. 기본 이론

2.2 지역빈도해석의 절차

지역빈도해석은 기존에 사용되어지고 있던 지점빈도해석과 확률변수에 대한 정의와 통계적 과정은 동일하다. 일반적으로 빈도해석 과정은 기초 자료 수집, 자료의 무작위성, 변동 및 경향성 분석, 확률분포 가정, 매개변수 추정, 적합도 검정 및 도시적 해석, 확률분포 산정, Quantile 추정의 순이다. 따라서 지역빈도해석의 과정 역시 유사하다. 하지만 지점빈도해석 절차와는 달리 지역빈도해석에서는 지역을 구분하여 지역별 동질한지를 판단하는 절차가 들어가 있으며 지역 빈도해석 전반적인 절차는 Fig. 1과 같다. 본 연구에서 사용한 통계량에 의한 지역별 동질성 구분 방법과 적정분포형 선정방법에 대해서 간단히 소개하면 다음과 같다.

Fig. 1

Procedures of this Study

2.2.1 지역구분

지역빈도해석에서 과정 중에서 동질지역 구분은 지점의 규모 인자(scale factor)를 제외하고 동일한 모분포를 따르는 지점들을 하나의 지역으로 형성하는 것으로 지역빈도해석을 수행을 위해 필수적인 절차라 할 수 있다. 지역빈도해석 수행을 위한 지역 구분 방법은 다양하나 비교적 객관적인 방법이라 할 수 있는 군집분석 방법이 활용된다. 군집분석은 자료의 유사성을 분석하여 여러 집단으로 분류하고, 집단자료의 유사성과 다른 집단에 속산 객체간의 차이를 규명하는 다변량 통계분석기법이다. 이는 자료를 군집으로 구분하여 분석하기 때문에 전체 자료에 대한 정보를 쉽게 얻을 수 있다(Chipman et al., 2003). 이러한 군집분석의 방법은 각 측정치 사이의 유사성의 척도로 무엇을 사용하느냐에 따라 여러 가지로 분류될 수 있다. 대개 유사성의 척도로 측정치 사이의 상관계수와의 거리가 있다. 이 중 많은 분석법에서 사용하는 것이 거리에 의한 것이고, 거리를 이용하는 방법에는 Mahalanobis Distance, Minkowski, Euclidean Distance 등이 있다. 그리고 이 유사성 척도에 기초해 집단내의 변량에 대한 집단간의 변량을 최대화시키는 방법에 따라 계층적(hierarchical) 방법과 비계층적(nonhierarchical) 방법으로 구분된다. 계층적 방법에는 단일연결(single linkage), 완전연결(complete linkage), 평균연결(average linkage), WARD 기법 등이 있으며, 비계층적 방법에는 K-means, adaptive K-means K-mediods, Fuzzy-c means 기법 등이 있다. 사용하는 자료의 유형과 분석의 목적에 따라서 어떠한 방법이 적합한지는 달라지게 된다. 본 연구에서는 방법의 상용성과 사용자의 용이성 측면에서 편리하고 대개 보편적으로 안정적인 군집 결과를 주는 것으로 알려진 WARD 방법을 활용하여 군집의 개수를 결정하여 지역을 구분하였다.

한편, 지역빈도해석의 기본 가정은 각 지역별로 지역 내 확률분포가 동일하다는 것이다. 따라서 지역별로 자료 계열이 통계적 특성이 동질성을 가지는지 평가하기 위하여 기준이 마련되어야 하며, 이러한 목적으로 이질성 척도를 산정한다. 동질지역에서 예견할 수 있는 이산도를 추정하기 위한 이질성 척도(heterogeneity measure, H )는 자료의 이산도(dispersion)를 모의 발생시킨 평균과 이산도의 차, 그리고 모의 발생시킨 표준편차의 비로 정의한다(Hosking, 1990).

지역빈도해석의 기본 가정과 같이 동질성을 가진 지역에서의 모든 지점은 같은 모집단 L-moment를 가진다. 하지만 표본의 L-moment는 표본의 변동성으로 인하여 다를 수 있다. 그러므로 동질성을 가진 지역에서 예측되는 이산도를 해당 지역의 표본 L-moment가 가지고 있는지 여부는 중요한 문제이며, 따라서 표본의 L-moment간의 이산도의 산정 및 소유역 모집단의 이산도 산정이 요구된다. 아울러 자료의 관측 기간이 짧은 표본의 L-moment에 대한 큰 변동성을 허용하기 위해서는 평균 산정시 지점별 자료기간의 비율로 가중한다. 동질지역에서 예견할 수 있는 이산도를 추정하기 위한 이절성 척도 H 는 관측된 이산도와 모의 발생시킨 후 그 평균과의 차를 계산하고 그 값에 대한 모의발생 시킨 표준편차의 비로 정의한다. 이산도는 소유역내 지점별 표본자료의 L-CV, t⁽ⁱ⁾의 가중분산으로서 Eq. (9)와 같다.

(9) V=∑i=1Nni(t(i)-tR)2∑i=1Nni

여기서, N 는 지역 내 지점수, n_i는 총 표본자료 개수, t⁽ⁱ⁾는 지점 표본자료의 L-CV, t^R 은 지점 표본자료의 평균 L-CV를 나타내며 L-moment를 이용하여 4개의 매개변수를 가지는 kappa 분포를 사용하여 500번의 모의발생을 실시한 후 모의 발생된 자료별로 위의 식을 이용하여 이산도를 나타내는 가중분산(V)를 구하고, 이의 평균값(μ_V)과 표준편차(σ_V)를 계산하여 Eq. (10)과 같은 이질성 척도(H )를 산정한다(Hosking and Wallis, 1997).

(10) H=V-μVσV

Hosking and Wallis (1997)는 사용된 L-moment ratio에 따라 이질성 척도(H )를 H₁ (L-CV), H₂ (L-skewness), 그리고 H₃ (L-kurtosis)의 세 가지 형태로 제시하였으며, H < 1이면 동질성 지역, 1 ≤ H < 2이면 대체로 동질한 지역, H ≥ 2이면 이질성 지역으로 분류한다고 제시하였다. 따라서 이질성 척도(H )값에 따라서 해당 지역을 좀 더 작은 몇 개의 지역 혹은 더 많은 지역으로 분할하여 분석한다.

2.2.2 Goodness of fit measure

적합성척도는 동질성을 가진 한 지역 내에 있는 지점들에 가장 적합한 분포를 선정하는 척도로서 적합도를 나타내는 Z -value를 사용한다. 동질 지역 내 각 지점별 자료계열의 L-moment 평균은 지역의 특성을 충분히 대표하므로 검정하고자 하는 확률분포형의 L-moment가 지역 평균값들과 일치하는가를 검사함으로써 적정 확률분포로 선정한다. 일반적으로 확률분포의 각 매개변수인 위치매개변수와 형상매개변수는 지역평균과 L-CV, L-kurtosis로부터 산정하므로, 적합성척도(Z )는 적용하고자하는 분포의 L-kurtosis(τ4DIST)와 지역평균(t4R)의 차이값과 각 확률 분포를 이용하여 모의 발생시켜 구한 분산(σ₄)의 비로 Eq. (11)과 같이 정의한다(Hosking, 1990).

(11) ZDIST=(t4R-τ4DIST)/σ4

기록기간이 짧거나(n_i ≤ 20) 모집단의 L-kurtosis가 큰 경우(τ₃ ≥ 0.4), t₃과는 달리 t₄는 편의(bias)될 수 있으며, 이러한 문제에 대해서 t₄의 편의를 수정하여 적용하게 된다. 편의 수정량은 관측된 자료와 동일한 기록년수, 기록지점을 가진 지역에 대하여 평균한 L-kurtosis의 편의량이며 σ₄를 산정하는 경우와 동일한 방법의 모의발생을 통하여 산정한다.t4R 의 편의를 계산하면 Eq. (12)와 같으며, 표준편차를 계산하면 Eq. (13)과 같다.

(12) B4=1Nsim∑m=1Nsim(t4[m]-t4R)

(13) σ4=[1Nsim{∑m=1Nsim(t4[m]-t4R)2-NsimB42}]1/2

여기서, N_sim은 모의발생 수며, t4[m] 은 m번째 모의발생에서 발생된 자료의 L-kurtosis이다. 따라서 적용한 분포에 대한 적합성 척도는 Eq. (14)와 같이 주어진다.

(14) ZDIST=τ4DIST-t4R+Bσ4

여기서, Z ^DIST 가 0에 가까울수록 적용한 적합도가 높다고 할 수 있다. 신뢰구간 90%를 고려한 적합성 인정기준은 |Z ^DIST|≤ 1.64로 주어진다(Hosking and Wallis, 1993). 다양한 확률 분포를 적용한 경우 예러 분포에 대하여 |Z ^DIST|≤ 1.64를 만족하는 경우 |Z ^DIST|값이 0에 가까운 분포를 가장 적합한 확률분포로 선정한다.

3. 적용 및 결과

3.1 적용

본 연구의 기초자료인 지점별 풍속자료와 지형자료는 기상청에서 제공하는 기상자료포털의 자료를 사용하였다. 기상청 유인관측소 지점의 경우 현재 94개의 유인관측소를 운영하고 있으나, 본 연구에서는 자료 보유년수가 10년 이상인 84개의 지점을 사용하였다. 84개 지점의 위치는 Fig. 2에 도시되어있고, 정보는 Table 1에 나타나있다. 연 최대 풍속자료로는 각 지점별 매년 일 최대 풍속자료의 최대값을 사용하였다. 이 최대 풍속 자료는 기상청 84개 지점의 유인관측소 지점의 일 최대 풍속 관측자료를 사용하였다.

Fig. 2

The Study Area and the Location of 84 Sites in South Korea

Table 1

Information of the 84 Sites in South Korea

각 지점의 연 최대 풍속자료에 대한 통계적인 특성을 살펴보기 위해 L-moment ratio diagram을 활용하였다. L-moment ratio diagram은 자료의 통계 분포를 가장 잘 표현하는 최적의 확률밀도함수의 수학적 모형을 판별해내는 방법으로 표본에 대한 L-skewness와 L-kurtosis의 평균지점을 도시하는 방법, 표본에 대한 L-moment ratio의 최적 선도를 도시하여 비교하는 방법이 있다(Hosking et al., 1985). Fig. 3은 각 지점별 연 최대 풍속자료의 통계적인 특성을 살펴보기 위해 도시한 L-moment ratio diagram이다. 여기서 삼각형은 GUM 분포, 빨간색 실선은 GEV 분포, 검은색 선은 Weibull (WEI) 분포, 초록색 선은 generalized logistic (GLO) 분포, 파란색 선은 generalized Pareto (GPA) 분포를 나타내고 각 점은 각 지점의 빈도해석 분야에서 적절하게 모의되지 않는 부분이 L-skewness에 비해 L-kurtosis가 상대적인 큰 자료인데 그림에서 볼 수 있듯이 우리나라 대부분의 풍속자료가 L-skewness에 비해 L-kurtosis가 상대적으로 큰 특징을 가지고 있는 것을 알 수 있다. L-skewness에 비해 L-kurtosis가 큰 지점들의 자세한 특성을 보았을 때 일반적으로 극치 확률분포형이 보이는 작은 값을 가지는 자료의 높은 빈도수가 보이지 않는 것을 확인할 수 있으며, 대부분의 최빈도를 보이는 값이 전체 풍속자료 범위에서 중간에 위치하거나, 여러곳으로 나누어져 있는 것을 확인 할 수 있다(Shin et al., 2018).

Fig. 3

L-moment Ratio Diagram for 84 Sites in South Korea

3.2 지역구분

지역빈도해석을 적용하기 위해서 지역구분과정은 그 어떤 과정보다도 중요하다고 볼 수 있다. 본 연구에 사용한 84개 지점을 하나의 동질한 지역으로 고려할 수 없으므로, 2.2.1절에서 언급한 군집분석기법을 사용하여 12개의 지역으로 구분하였다.

초기 지역구분은 각 지점의 위도, 경도, 고도, 연 최대풍속자료의 평균을 지역구분 인자로 설정하여 5~20개의 지역으로 구분하였다. 지역 구분 결과, 구분한 지역의 수가 많아질수록 지역을 군집이 잘 형성되지 않고 전국적으로 분포하는 동질 지점들이 발생하여 합리적인 지역구분이 이뤄지지 않아 적용성이 떨어지는 것으로 나타났다. 초기 지역구분시 도심 및 산간 내륙 지역과 해안가 위주로 군집을 형성하는 것으로 나타났다. 따라서 전국을 크게 내륙 도심지 및 산간(강원, 전라) 지역과 해안가(서해, 동해, 남해) 지역으로 나눠 총 12개 지역으로 구분하였다. 그 후, 한 지역의 지점이 거리상으로 떨어져 있는 경우는 다른 지역에 편입시키고 한 지역의 지점이 보유한 지점이 적은 경우 다른 지점에서 편입시키는 과정을 거쳤으며, 최종적으로 군집을 형성한 지역 내 지점들의 동질 여부를 지역별 이질성 척도 H 를 산정하여 전국을 12개 지역으로 구분하였다. 각 지역에 대한 지역구분 결과는 Fig. 4 및 Table 2와 같다. R1의 지역은 지점이 하나만 존재하는 지역으로 춘천 지점을 포함하고 있다. 춘천 지점은 인근의 R2과 R6번 지역에 포함하여 이질성 검사를 수행했지만 모두 이질(heterogenous)한 것으로 나타나 별도 지역으로 편성하였다. 춘천 지점은 인근 다른 지점과는 다르게 L-CV와 L-Skewness값이 매우 크고 관측자료의 특성이 다른 것을 확인 할 수 있다(Shin et al., 2018). Table 2는 지역에 따른 이질성 척도 H 의 결과를 나타낸 것으로 R4와 R10 지역을 제외한 모든 지역이 이질성 척도H가 1보다 작아 동질한 것으로 나타났으며 R4와 R10의 경우도 이질성 척도 H 가 2보다 작아 대체로 동질한 것으로 나타나 지역빈도해석 적용을 위한 지역구분이 적절한 것으로 나타났다.

Fig. 4

Homogeneous Regions Used in this Study

Table 2

Heterogeneity Measure for 12 Regions in South Korea

다음 Table 3은 구분된 지역의 표본크기, 지점의 수, 평균, L-CV, L-skewness, L-kurtosis를 나타낸 표로, 여기서 제시된 통계량은 지점의 자료의 수에 따른 가중평균값이다. Table 3에서 음영으로 표시된 지역은 해안가 지역으로 내륙 도심 및 산간 지역에 비해 평균과 L-CV가 큰 것을 확인할 수 있다. 이는 지역적 특성으로 인해서 상대적으로 양으로 왜곡된 자료로 극치사상이 발생할 확률이 높다고 볼 수 있다.

Table 3

Information of the 84 Sites in South Korea

3.3 결과 분석

Table 3에 제시한 지역별 L-skewness와 L-kurtosis를 L-moment ratio diagram에 도시한 결과 Figs. 5~16과 같이 나타났다. 각 그림의 검은색 점은 지역 내 지점, 검은 십자가 모양은 각 지역의 지역평균값을 나타낸다. 그리고 극치 분석과 풍속 자료 분석에 자주 사용하는 GLO, GEV, GPA, GUM, WEI 분포를 적용하여 매개변수를 추정한 다음, 지역별로 분포별 적합도 검정을 수행하였다. 먼저 적합성 척도 값을 구한 뒤 절대값이 1.64를 넘는 분포형은 기각시켰다(Hosking and Wallis, 1997). 그 결과는 Table 4에 제시하였다. Table 4에 나타난 것처럼 GLO 분포와 GEV 분포가 다른 분포에 비해 월등히 낮은 기각률을 보이고 있다. GLO 분포의 경우 2, 4, 5, 8, 12지역을 제외한 모든 지역에 대해 적합도 검정을 통과하고 있다. 반면 GEV 분포의 경우 4, 5, 6, 10, 11지역을 제외한 모든 지역에 대해 GLO 분포와 유사한 양상을 띄고 있다. GLO 분포가 가장 우수하게 통과한 지역인 3, 6, 9, 10번 지역은 대부분 해안가 및 수도권에 위치하고 있으며 GEV 분포가 가장 우수하게 통과한 1, 2번 지역은 대부분 강원도 내륙 산간 지역인 것을 확인할 수 있다. L-moment ratio diagram에 도시한 Figs. 5, 6, 7, 10, 13, 14를 살펴보면 대다수가 GLO분포와 GEV 분포 인근에 위치하거나 동질한 지역 자료에 대한 충분 통계량인 지역평균 L-moment가 인근에 위치하고 있는 것을 확인할 수 있다. 하지만 4, 5번 지역은 내륙 지역에 속한 전라도 지역으로 모두 기각시키고 있다. L-moment ratio diagram에 도시한 Figs. 8, 9를 살펴보면 4, 5번 지역은 대부분의 지점이 모두 L-skewness보다 L-kurtosis가 압도적으로 커서 GLO 분포보다 위쪽에 위치한 것을 알 수 있다.

Fig. 5

L-moment Ratio Diagram of Region 1

Fig. 6

L-moment Ratio Diagram of Region 2

Fig. 7

L-moment Ratio Diagram of Region 3

Fig. 8

L-moment Ratio Diagram of Region 4

Fig. 9

L-moment Ratio Diagram of Region 5

Fig. 10

L-moment Ratio Diagram of Region 6

Fig. 11

L-moment Ratio Diagram of Region 7

Fig. 12

L-moment Ratio Diagram of Region 8

Fig. 13

L-moment Ratio Diagram of Region 9

Fig. 14

L-moment Ratio Diagram of Region 10

Fig. 15

L-moment Ratio Diagram of Region 11

Fig. 16

L-moment Ratio Diagram of Region 12

Table 4

Information of the 84 Sites in South Korea

4. 결 론

본 연구에서는 지점의 자료만 사용하는 지점빈도해석의 한계점을 보완한 지역빈도해석의 국내 풍속자료 적용 가능성을 살펴보았다. 이를 위해 국내 기상청 84개 지점의 풍속 자료 및 지형 자료를 구축하고 군집분석을 통해 지역을 구분하였으며 지역빈도해석 적용을 위한 지역 구분 결과를 이질성 척도와 L-moment ratio diagram을 통해 도시적으로 평가하였다. 또한 적합도 검정을 통해 극치 분포의 적용성을 검토하였고 다음과 같은 결론을 도출하였다.

(1) 국내 기상청 84개 지점의 연 최대 풍속자료와 지형자료를 활용하여 군집분석 방법 중에서도 방법의 상용성과 사용자의 용이성 측면에서 편리하고 보편적으로 안정적인 군집결과를 주는 것으로 알려진 WARD 기법을 통해 지역구분한 결과 12개의 지역으로 구분되었다. 지역 내 포함한 지점의 동질성을 판단하는 이질성 척도 H 값을 통해서 12개의 지역이 각각 군집을 잘 형성한 것을 확인할 수 있었다.

(2) 지역 구분을 통해 지역별 통계 특성을 가지고 구분된 지역의 적용성을 살펴본 결과 전라권 내륙에 속하는 4, 5번 지역을 제외한 모든 지역(1, 2, 3, 6, 7, 8, 9, 10, 11, 12번)이 지역빈도해석을 수행할 수 있는 것으로 나타났다. 특히 해안가(서해, 동해, 남해)와 수도권에 위치한 3, 6, 9, 10번 지역은 GLO 분포, 강원도 내륙 산간 지역인 1, 2번 지역은 GEV 분포가 가장 적용성이 뛰어난 것으로 나타났다.

(3) 국내 기상청 풍속자료를 대상으로 지역을 구분하고 지역빈도해석을 적용성에 대해서 살펴본 결과 적용이 가능한 것으로 나타났다. 하지만 L-skewness보다 L-kurtosis가 월등히 큰 지점이 많은 지역에 대해서는 여전히 적용이 어려운 것으로 판단된다. 하지만 동질성을 가진 지역에 속해 빈도해석을 적절히 수행함으로 불확실성을 감소시킬 수 있을 것으로 판단된다. 따라서 극치 풍속을 산정할 시에도 지역빈도해석 방법을 고려하는 연구가 필요할 것으로 판단된다.

한편, 본 연구는 국내 풍속자료를 대상으로 지역빈도해석 적용을 위해 지역빈도해석 절차에서 가장 중요한 지역 구분을 수행하고 L-moment ratio diagram에 도시 및 극치분포의 적합도 검정을 통해 적용성을 검토하였다. 본 연구 결과를 토대로 최종적으로 추정량인 quantile을 산정하고 RMSE와 RRMSE를 통해 관측값과의 정량적인 비교 분석 및 오차 산정 그리고 기존에 적용되고 있는 지점 빈도해석과의 비교연구를 통해 지역빈도해석의 적용성을 정량적으로 검토해 볼 예정이다. 향후 더욱더 많은 풍속자료와 풍속에 영향을 많이 주기로 알려져 있는 지형할증계수 및 지표조도, 태풍인자 등을 산정 및 고려하여 이러한 지역구분 인자를 추가하여 세밀한 지역 구분을 수행되어야 할 것으로 판단되며, 다양한 지역구분 방법 비교 연구를 통한 더욱더 정확한 지역 구분이 이뤄질 필요가 있다. 또한 본 연구에 적용성 검토로 사용된 극치분포 이외에 바람자료에 적합하다고 알려진 혼합분포에 대한 연구를 본 연구 결과를 활용하여 함께 고려해볼 필요할 것 것으로 판단된다.

Article information Continued