Downscaling GPM Precipitation Using Finer-scale MODIS Based Optical Image in Korean Peninsula

MODIS 광학 영상 자료를 통한 한반도 GPM 강우 자료의 상세화 기법

Abstract

Precipitation is closely related to various hydrometeorological phenomena, such as runoff and evapotranspiration. In Korean Peninsula, observing rainfall intensity using weather radar and rain gauge network is dominating due to their accurate, intuitive and precise detecting power. However,since these methods are not suitable at ungauged regions, rainfall detection using satellite is required. Satellite-based rainfall data has coarse spatial resolution (10 km, 25 km), and has a limited range of usage due to its reliability of data. The aim of this study is to obtain finer scale precipitation. Especially, to make the applicability of satellite higher at ungauged regions, 10 km satellite-based rainfall data was downscaled to 1 km data using MODerate Resolution Imaging Spectroradiometer (MODIS) based cloud property. Downscaled precipitation was verified in urban region, which has complex topographical and environmental characteristics. Correlation coefficient was similar in summer (+0), decreased in spring (-0.08) and autumn (-0.01), and increased in winter (+0.04) season compared to Global Precipitation Measurement (GPM) based precipitation. Downscaling without calibration using in situ data could be useful in areas where rain gauge system is not sufficient or ground observations are rarely available.

강우는 유출, 증발산 등 여러 수문 현상들과 밀접한 연관이 있으며, 직관적인 측정이 가능하기 때문에 다양한 현상을 해석하고 분석하는데 빈번하게 활용되어 왔다. 한반도에서는 강우 관측소의 운영과 레이더를 활용한 측정이 주를 이루고 있으며, 정확하고 정밀한 측정이 가능한 연구수준을 보유하고 있다. 하지만 이는 인프라가 구축되지 않은 미계측 유역에서의 강우를 측정하기에는 적합하지 않으므로, 위성을 활용한 정확한 강우 분석에 대한 연구가 요구되고 있다. 위성 기반 강우자료는 10 km, 25 km 정도의 낮은 공간해상도를 갖고 있으며, 정확도에 있어서 지점 자료에 비해 신뢰도가 낮다는 인식이 있어 활용범위가 제한적이다. 본 연구에서는 이러한 공간 해상도의 한계를 극복하고 지점 자료와의 정확도를 높이고자, 10 km의 공간해상도를 갖는 전지구관측 위성(GPM) 기반 강우 자료를 1 km까지 상세화하였다. 특히, 미계측 유역 등 지점 자료가 부족한 곳에서의 위성 영상 활용도를 제고하기 위해, 상세화 과정에서 지점 자료를 사용하지 않고 MODIS 기반의 구름 인자를 활용하였다. 상세화 된 강우 자료는 빌딩 등 복잡한 환경적 특성을 지닌 서울 지역에서 지점 강우 자료와 검증함으로써, 위성 기반 고해상도 강우자료의 활용 가능성을 평가하였다. 상세화가 적용된 강우 자료의 상관성은 봄에는 0.08만큼 감소하였고, 여름에는 같은 값을 가지며, 가을에는 0.01만큼 감소하였고, 겨울에는 0,04만큼 증가하였다. 지점 자료를 사용하지 않고 위성기반 강우 자료를 상세화 하는 기술은 추후 인프라의 구축이 충분하지 않은 해외 지역이나 지점 관측에 한계가 있는 미계측 유역의 강우를 분석하는 데 유용하게 사용될 수 있을 것으로 판단된다.

1. 서론

강우는 전 지구적 수문 순환을 구성하는 한 인자로써 주요한 역할을 하며, 대기와 지면 간의 에너지 및 물질 순환에 깊이 관여하는 것으로 알려져 있다(Langella et al., 2010). 따라서 강우는 유출, 토양수분 등 여러 수문 현상들을 해석하기 위한 입력자료로써 널리 사용되고 있으며, 여러 수문기상학적 인자들 사이의 관계를 보다 면밀히 파악하기 위해 높은 정확성과 시·공간 해상도가 요구된다(Adler et al., 2003; Brocca et al., 2013).

강우를 측정하기 위한 방법 중 비교적 정확한 자료를 생산하는 것으로 평가받고 있는 우량계는 선행연구를 통해 기준 자료로서의 가치를 인정받았다(Xu et al., 2017). 우량계를 통해 생산된 자료는 높은 시간 해상도를 가지므로 연속적인 자료의 생산이 가능하나, 낮은 공간 해상도로 인해 활용에 제약이 존재한다(Collischonn et al., 2008; Tao et al., 2016). Sharifi et al. (2019)의 연구에서는 지점 강우 자료의 공간 해상도가 제한적이며 불분명하다고 밝혔으며, Guo et al. (2004)의 연구에서는 강우 자료의 공간 해상도가 수문 모형의 정확도에 영향을 미친다는 것을 보였다. 이를 극복하기 위해, Steinacker et al. (2006)의 연구에서는 내삽법(interpolation method)을 통해 미계측(ungauged) 유역의 강우량을 추정하였으나, 이 역시 여러 불확실성 및 결함을 내포하고 있다. 이러한 불확실성은 지점의 개수와 지점 간 거리에 따라 다른 경향성이 나타나며, 특히 고도가 높고 지형이 복잡한 지역일 수록 지점 자료의 활용성이 현저히 떨어진다 (Zhan et al., 2018).

한편, 기상 레이더는 신속한 관측 능력으로 높은 분해능의 강우 자료를 제공한다는 점에서 큰 장점을 지닌다(Bae et al., 2005). 넓은 지역에서의 수문기상인자 측정이 용이하며, 단 시간에 파악 가능하기 때문에 현재까지도 활발히 사용되고 있다. 기상 레이더는 식 Z = ARb 를 통해 강우 강도 R을 추정하며, Z는 레이더 반사도 인자, a, b는 변환 모수이다. 변환 모수는 강수의 성질과 분포에 따라 상이한 값을 가지기 때문에(Jung et al., 2005), 모든 강우 현상에 일정한 모수를 적용할 경우 오차를 내포하게 된다. 또한, 미계측 유역에서의 강우 강도를 추정할 수 없으므로 원격탐사 자료와의 융합에 관한 연구가 각광받는 추세이다(Wehbe et al., 2020).

지점 강우 자료와 레이더 강우 자료의 물리적인 한계를 극복하기 위해, 위성 강우 자료(Psat)가 다양한 목적으로 사용되고 있다. Brocca et al. (2015)의 연구에서는 물수지 분석방법을 기반으로 위성 토양수분을 활용하여 강우를 모의하였으며, 이를 지점 자료와 통합하여 사용 하였다. 통합된 강우 자료는 지점 자료보다 정확한 유출을 모의하였고, 이를 통해 지점 자료에 내재된 불확실성 완화의 필요성을 시사하였다. Crow et al. (2009)의 연구에서는 Kalman filter를 활용한 자료 동화 기법(C09 알고리즘)을 통해 강우를 보정하였다. Antecedent Precipitation Index (API) 모형과 위성 토양수분을 활용하여 Psat를 보정하였으며, 이를 통해 강우 자료의 정확도를 개선하였다.

Psat를 활용하여 수문 현상을 파악하기 위한 시도는 한반도에서도 꾸준히 이루어지고 있다. 한반도는 전국적으로 다수의 지점 강우계(우량계)를 보유하고 있으며, 이는 Psat의 검증, 평가는 물론 여러 수문 모형에 활용되고 있다. Baik et al. (2015)의 연구에서는 지역별 상세 관측자료(Automatic Weather System, AWS)를 통해 한반도에서의 Tropical Rainfall Measurement Mission (TRMM) Multisatellite Precipitation Analysis (TMPA)과 Communication, Ocean and Meteorological Satellite (COMS) 자료를 분석 하였다. 저강도 및 고강도 강우 기간에 대해서 Psat의 정확도가 큰 폭으로 낮아졌으며, 위도, 고도 등 연구지역의 지리적 특성에 따라 상이한 정확도를 보였다. Kim et al. (2017)의 연구에서는 한반도를 포함한 동아시아 지역에서의 Global Precipitation Measurement (GPM) 자료 (PGPM)와 TRMM 자료(PTRMM)를 평가하였다. 지리적, 기후적 차이에 따른 분석을 토대로 계절을 구분하여 연구를 진행하였으며, PGPM가 PTRMM에 비해 적합한 것으로 나타났다. PTRMM 자료의 경우 저강도 및 대류 강우에 대한 민감도가 비교적 낮은 것으로 나타났는데, 이로 인해 Psat를 활용하여 산출된 결과의 신뢰도가 해당 연구지역의 강우의 종류 및 강도에 따라 확연히 달라질 것으로 판단된다.

Psat의 정확도를 향상시키기 위한 연구는 최근까지도 활발하게 진행되고 있는데, 특히 상세화 기법을 이용한 시공간 해상도 향상 연구가 주목받고 있다. 상세화 기법은 활용되는 수문기상인자와 모형에 따라 결과가 극명하게 달라지기 때문에, 보다 정확한 결과 산출을 위해 다양한 인자 및 모형들이 시도되는 추세이다. Zhan et al. (2018)의 연구에서는 정규식생지수(Normalized Difference Vegetation Index, NDVI)와 수치표고모델 (Digital Elevation Model, DEM)을 활용하여 PGPM의 공간해상도를 상세화하였다. 상세화된 강우 자료는 기존 위성 자료 대비 향상된 정확도를 나타냈으며, 해당 결과를 바탕으로 NDVI와 DEM 자료가 P 자료와 갖는 상관성을 분석하였다. 이외에도 구름의 특성을 반영한 인자들, 지표면 온도(Land Surface Temperature, LST) 등 다양한 인자들이 상세화에 활용되고 있을 뿐 아니라 (Duan et al., 2013; Zhang et al., 2020), 선형·비선형 회귀 모형부터 기계 학습을 활용한 인공신경망(Artificial Neural Network, ANN) 및 서포트 벡터 머신(Support Vector machine, SVM) 등 여러 방법이 시도되고 있다(Immerzeel et al., 2009; Alexakis et al., 2016; Sharifi et al., 2019).

이에 착안하여, 본 연구에서는 한반도에서의 Psat 활용성 향상을 위해 상세화 기법을 적용하였다. 저해상도인 P_GPM의 상세화를 통해 고해상도 강우 자료(P_Downscaled) 를 생산하였으며, 이를 AWS 강우 자료(P_AWS)와 검증하여 신뢰성을 평가하였다. 정확도가 높은 지점 강우 자료를 활용할 경우 높은 정확도를 지니는 고해상도 강우 자료의 획득이 가능할 것으로 판단되나, 본 연구에서는 지점 자료를 활용하지 않고 강우 자료 상세화를 진행하였다. 이는 인프라가 구축되지 않은 해외 지역이나 지점 강우 자료 획득이 어려운 미계측 유역의 고해상도 강우 자료를 획득하고, 나아가 다양한 수문 현상을 해석 하는 데 사용하기 위함이다. 본 연구를 통해 수문 순환의 해석, 수재해 분석 등 다양한 분야에서 위성 강우 자료의 활용성을 제고할 수 있을 것으로 판단된다.

2. 연구자료

1) 전지구 강수 관측 위성(GPM)

GPM은 TRMM의 후속 위성으로, 보다 나은 수준의 강우 자료를 제공하여 강우 체계에 대한 지식을 개선하기 위한 목적으로 발사되었다(Skofronick-Jackson et al., 2017). TRMM 위성의 공간(시간)해상도가 0.25°×0.25° (3시간)인 것에 반해 GPM 위성은 0.1°×0.1°(30분)이므로, P_sat를 보다 국소적인 지역에 연속적인 활용이 가능 하다. GPM 위성의 Core Observatory (CO)에는 미항공우주국(NASA)의 GPM Microwave Imager (GMI) 복사계와 일본우주항공연구개발기구(JAXA)의 Dual-frequency Precipitation Radar (DPR)가 설치되어 있으며, GMI를 통해서는 강우 강도의 측정 및 교정(Calibration)을, DPR 을 통해서는 강우의 3차원 구조를 측정한다(Hou et al., 2014).

본 연구에서는 L3의 Integrated Multisatellite Retrievals for GPM (IMERG) 자료를 사용하였다. 해당 자료는 0.1°×0.1°의 공간 해상도를 지니며 30분 단위로 생산된다 (Huffman et al., 2015). IMERG자료는 모든 constellation 복사계로부터 측정된 강우 자료의 종합 및 상호 교정을 통해 생산된 자료로, 비교적 낮은 정확성과 높은 시간 해상도를 가진다.

2) 지역별 상세 관측 자료(AWS)

AWS는 지진, 태풍, 홍수, 가뭄 등각종 기상현상에 따른 자연재난을 막기 위해 실시되는 지상 관측을 일컫는다. 본 연구에서는 P_GPM의 검증을 위해 기상자료 개방포털에서 제공하는 서울 지역의 시 단위 강우 자료를 사용하였다. 검증에 활용되는 지점이 적을 경우 해당 지역의 지형지리학적인 영향과 환경적인 영향을 충분히 고려하지 못해 불확실성을 내포하게 된다. 서울 지역은 주파수 간섭(Radio frequency Interference), 극심한 도시화 등 다양한 방해요소로 인해 P_GPM 자료의 품질이 떨어지지만, 픽셀 내에 존재하는 AWS 지점이 비교적 많고 관측소 간 거리가 짧아 검증을 위한 기준 지역으로써 적합하다. 본 연구에서는 2019년 4월부터 2020년 3월까지의 자료를 사용하였으며, 무작위로 20개의 지점을 추출 하여 활용하였다. Fig. 1 및 Table 1은 본 연구에 사용된 지점의 위치를 나타낸다.

3) MODIS

MODerate Resolution Imaging Spectroradiometer (MODIS)는 1999년 12월에 발사된 Terra 위성과 2000년 5월에 발사된 Aqua 위성에 장착된 센서로 36가지의 각기 다른 band를 통해 전 지구의 표면을 관측하며, Band 1-2, Band 3-7, Band 8-36은 각각 250 m, 500 m, 그리고 1,000 m의 공간 해상도를 지니는 데이터를 생산한다. 각 band를 통해 측정된 자료들은 전처리를 거쳐 제공되며, 각 자료의 전처리 수준이 level을 통해 표현된다. Land Processes Distributed Active Archive Center (LPDAAC)에서는 level 2 이상의 자료가 제공된다. 본 연구에서는 MOD06_L2에서 생산되는 인자 중 구름 상층부 온도 (Cloud Top Temperature, CTT)를 사용하였다. 10 km의 공간해상도를 가지는 PGPM의 상세화를 위해 1 km의 공간해상도를 지니는 자료를 사용하였으며, PAWS와 마찬가지로 일 단위로 변환하였다.

Fig. 1. Location of the study area and validation sites.

Table 1. Location of the validation sites

3. 방법론

1) 상세화 기법(Downscaling)

상세화 기법은 임의의 시공간 해상도를 갖는 자료의 시간 해상도를 줄여 자료의 생성 빈도를 높이거나, 공간 해상도를 줄여 보다 작은 규모의 지역을 대표하는 값을 모의하는 기법이다. 다중 인자를 사용하거나, 인공지능을 활용하는 등 다양한 기법을 통해 원 자료의 공간해상도나 시간 해상도를 개선하기 위한 연구가 수행되고 있다. 본 연구에서는 미계측 유역에서도 활용할 수있는 상세화 기법을 사용하고자 하였으며, 이를 위해 비교적 짧은 기간에도 적용할 수 있도록, 또한 적은 인자를 사용할 수 있도록 하였다. 사용한 상세화 기법은 두가지 기본 가정을 전제하고 있다: 1) 특정 인자들 사이의 관계성이 대표하는 공간의 규모에 따라 일정하다. 즉, GPM과 MODIS CTT 자료의 경우에서는, 10 km 해상도의 GPM 강우와 10 km 구름 간의 상관성은 1 km 단위 강우와 1 km 단위CTT 간의 상관성과 일치한다는 가정을 전제하고 있다. 일반적으로 강우 강도는 CTT와 반비례 관계를 가지며(Ebert et al., 2007), 일부 연구에서는 각기 다른 형태의 함수로 CTT를 통해 강우를 모의하였다. Adler and Meisner (1987)의 연구에서는 구름 온도와 시간만을 고려하여 강우를 모의하는 관계식을 도출 하였고, Zeng et al. (1998)의 연구에서는 해당 관계식에가강수량(Precipitable Water)을 포함하여 보다 높은 정확도로 강우를 모의하였다. 2) 해당 상관성은 각 인자의잔차(residual)간의 관계에서도 성립한다. 잔차란 측정된 값에서 모의된 값을 차이를 일컬으며(Eq. (1)), 본 연구에서는 강우와 CTT 간의 상관성이 잔차간의 관계에서도 유효하다고 가정하였다. Fig. 2는 본 연구에서 사용된 상세화 기법의 순서를 나타낸다.

P_observed – P_modelled = P_residual       (1)

Fig. 2. Flow chart of downscaling mechanism.

임의의 시점 t에 대해 PGPM는 10 km의 공간 해상도를 가지며, CTT_MOD06은 1 km의 공간 해상도를 갖는다. 공간 해상도 일치를 위해, P_GPM 한 픽셀에 해당하는 100개의 자료 값을 평균하여 10 km 단위인 \(\overline{X}\)를 산정한다. 이후, CTT_MOD06 \(\overline{X}\)와 P_GPM  \(\overline{Y}\) 사이의 관계성을 파악한다. 선형 회귀모형을 통해 관계식을 산정하며(Eq. (2)), 픽셀에 따라 최적화된 매개변수 a₀와 a₁를 산정하여 지역에 따른 차이를 고려한다.

P_{GPM, 10 km} = a₀ + a₁CTT_{mod06, 10 km} (2)

회귀분석을 통해 강우와 CTT의 상관성을 분석하고 나면, 이중선형보간법을 통해 1차적으로 고해상도의 CTT와 강우를 모의한다(Step 2). Eq. (3)을 통해 산정된 CTT 잔차(CTT_{MOD06, residual})는 P잔차(P_{GPM, residual}) 모의에 사용된다(Eq. (4)).

CTT_{MOD06, 1 km} – CTT_{MOD06, interpolated} = CTT_{MOD06,residual} (3) P_{GPM, residual} = a₀ + a₁CTT_{mod06, residual}       (4)

Eq. (3)에서 획득된 CTT_{MOD06, residual}와 Eq. (2)에서 산정된 매개변수 a₀, a₁를 통해 P_{GPM, residual}이 산정된다. 산정된 P_{GPM, residual}과 Step 2에서 산출된 P_{GPM, interpolated}를 더하여 최종적으로 상세화된 고해상도 P_{GPM, 1 km}를 모의할 수 있다.

2) 통계적 검증도구

본 연구에서는 모의된 강우 자료의 검증을 위해 두 성격의 도구를 사용하였다. 두 자료의 경향, 값의 유사성 및 차이를 비교하기 위한 3가지 도구(R, RMSE, Bias) 를 사용하였으며, 강우 발생 여부 진단 정확성 평가를 위한 3가지 도구(POD, FAR, CSI)를 사용하였다. 자료 간의 절대적인 값의 차이를 비교하기 위해 평균 제곱근 편차(Root Mean Square Error; RMSE)를 사용하였으며, 선형 상관성을 비교하기 위한 지표로 상관계수(R)를 사용하였다. 또한, 기준 자료에 대한 모의 강우 자료의 경향을 판단하기 위한 지표로 편향(Bias)를 사용하였다. 각 도구는 다음과 같이 표현된다.

\(R M S E=\sqrt{\frac{\sum_{i=1}^{n}\left(P_{i}-O_{i}\right)^{2}}{n}}\)       (5)

\(R=\frac{\sum_{i=1}^{n}\left(P_{i}-\bar{P}\right)\left(O_{i}-\bar{O}\right)}{\sqrt{\sum_{i=1}^{n}\left(P_{i}-\bar{P}\right)^{2}} \sqrt{\sum_{i=1}^{n}\left(O_{i}-\bar{O}\right)^{2}}}\)       (6)

\(\text { Bias }=\frac{\sum_{i=1}^{n} P_{i}}{\sum_{i=1}^{n} O_{i}}-1\)       (7)

Pi 는 상세화를 통해 모의된 강우 자료로 1 km의 공간해상도를 지니며, Oi 는 지점에서 측정된 강우 자료이다. 검증을 위해 시간 해상도를 일 단위로 변환하여 비교 분석하였다.

Probability Of Detection (POD; Eq. (8)), False Alarm Rate (FAR; Eq. (9)), 그리고 Critical SuccessIndex (CSI; Eq. (10))는 모두 GPM이 실제 강우의 발생 여부를 얼마나 정확히 진단하는 지 평가하는 도구이며, 본 연구에서는1 mm/day를 기준 강우강도로 설정하여 검증하였다 (Sohn et al., 2013).

\(P O D=\frac{H I T S}{H I T S+M I S S E S}\)       (8)

\(F A R=\frac{\text { FALSES }}{H I T S+F A L S E S}\)       (9)

\(C S I=\frac{H I T S}{H I T S+F A L S E S+M I S S E S}\)       (10)

Eq.(8-10)을계산하기위한세진단인자(HITS,MISSES, FALSES) 선정 기준을 Table 2에 나타내었다.

Table 2. Criteria of hit indices

4. 결과 및 분석

1) 위성 강우 자료 검증

P_GPM의 검증을 위해 20개의 P_AWS를 사용하였으며, 2019년 4월부터 2020년 3월까지 12개월 간의 자료를 사용하였다. 계절에 따른 정확성 분석을 위해 기간을 4구간(봄철, 여름철, 가을철, 겨울철)으로 나누었으며, 통계학적 도구를 사용하여 각 구간 별 신뢰도를 검증하였다.

Table 3은 P_AWS에 대한 P_GPM의 통계적 수치를 구간 별로 나타낸다. 전 구간에 대해 Bias가 모두 양의 값을 띠는데, 이는 P_GPM이 P_AWS에 비해 과대 산정됨을 나타낸다. 그러나 전체 구간에 대해서는 상대적으로 과소 산정되는 경향을 보이며, 특히 여름철에 두드러지게 나타난다. 이러한 경향은 특히 고강도 강우 사건(일 강수량 25 mm 이상) 발생 시 빈번하게 나타나는데, 이는 열대기후로 인한 장마전선, 도시 열섬 현상 및 연구지역 내의 고도차이로 인해 발생한다(Zhong and Yang, 2015; Romatschke and Houze, 2011). 강우는 크게 세 유형(대류성 강우, 계층성 강우, 지형성 강우)으로 나눌 수 있으며, 그 중 봄철과 여름철에는 대류성 강우가 주를 이룬다. 대류성 강우는 대류에 의한 상승기류로 인해 발생하는데, 대류층이 지면과 가까이에 위치할수록 GPM 위성에 의한 탐지 정확도가 낮아져 대류층의 높이에 따라 GPM 위성의 강우 탐지 능력이 달라진다(Kim et al., 2017). 특히 서울 지역의 경우, 열섬 현상으로 인해 상승 기류 발달 빈도가 상승함에 따라 좁은 지역에 소나기 형태로 내리는 대류성강우의 발생 빈도 역시 상승하게 된다(Koo et al., 2009). 따라서 지점에서는 고강도 강우가 기록되나 저해상도에서는 낮은 강우로 인식되는 사건이 많아지게 되며 이로 인해 전체 구간의 RMSE에 비해 여름철 구간이 상대 적으로 높은 RMSE, 낮은 r², 그리고 낮은 Bias를 가지는 것을 확인할 수 있다. 봄철의 경우, 건조한 겨울철을 지나며 대기의 불안정성이 심화됨에 따라 대류성 강우 분포의 복잡성이 더욱 심화된다. 이로 인해 여름철에 비해 과대 산정되는 경향이 강해지며, 고강도 강우 사건이 적어 낮은 RMSE를 가진다. 발생한 215건의 강우 사건 (H+M) 대비 F (199) 사건 빈도가 높아 낮은 POD (0.46), CSI (0.24) 값과 높은 FAR (0.67) 값을 갖는다. 두 구간 (봄철, 여름철)에서 모두 P_AWS에 비해 PGPM의 저강도 강우 탐지 횟수가 월등히 높은 것을 확인할 수 있는데, 이로 인해 과소 산정 경향성과 과대 산정 편향성을 동시에 띠는 것으로 보인다. 한편, 강우 탐지 능력에 있어서는 높은 POD, 낮은 FAR, 그리고 높은 CSI를 가져 여름철 구간이 전체 구간을 비롯하여 타 구간에 비해 우수하다고 할 수 있다. 이는 타 구간에 비해 고강도 강우가 빈번히 발생하기 때문으로, P_GPM이 강우 강도를 과소산정 하는 경향이 있기는 하나 무강우로 판단하는 사건의 수가 상대적으로 적어져 Eq. (8-10)의 H가 증가하고 M 이 감소하는 효과를 띠기 때문이다.

Table 3. Statistics between PGPM and PAWS

위성 강우 자료를 통해 획득된 값은 특정 지역을 대표하는 값이며, 이는 지역 내의 모든 지점 값을 평균하여 산정할 수 있다. 즉 P_GPM은 평균 값이므로, 각 지점 값인 P_AWS와는 차이를 나타내게 된다. 이러한 차이는 연구 지역 내의 지형적인 변동성을 포함하여 샘플링 주파수 (sampling frequency), 감쇠 보정(attenuation correction), 감쇠도와 반사도 간의 관계성 등 여러 인자에 의해 영향으로 인해 나타나기 때문에(El Kenawy et al., 2015), PAWS 와 PGPM의 직접적인 비교는 불확실성을 내포하게 된다 (Amitai et al., 2005). 가을철은 여름철에 비해 r이 높아지고 RMSE가 낮아져 보다 정확한 결과를 나타낸다고 볼수 있다. 반면 Bias는 높은 것을 확인할 수 있는데, 이는 저강도 강우 탐지 횟수가 상대적으로 많아 나타나는 결과임을 알 수 있다.

다른 구간과는 달리, 12~2월은 저강도, 중강도 및 고강도 강우 사건에 대해 과대 산정되는 경우가 빈번하게 나타나는데, 이는 기온이 감소함에 따라 발생하는 얼음 입자에 의한 결과이다. GPM 위성은 수동 마이크로파 (Passive Microwave,PMW)알고리즘과적외선(Infrared,IR) 알고리즘을 통해 강우 강도를 추정하는데, 그 중 PMW 알고리즘은 마이크로파 방출량(microwave emission)과 산란도(Scattering)를 활용한다. PMW 알고리즘은 구름 내의 얼음 입자 농도가 높을수록 강우 강도를 높게 산정하는데, 지면에 존재하는 적설 및 해빙층에 의한 산란 도를 고강도 강우로 인식해 과대 평가하게 된다(Ebert et al., 2007). 겨울철은 타 구간에 비해 낮은 RMSE를 갖는데, 이는 고강도 강우 사건이 비교적 적기 때문임을 알수 있다. 전체 고강도 강우 사건(130건) 중 여름철에 발생한 사건이 88건, 가을철에 발생한 사건이 34건, 겨울철에 발생한 사건이 8건으로, 겨울철은 강수 총량이 적어 나타난 결과임을 알 수 있다. 한편 강우 탐지에 있어서는 전체 구간에 비해 비교적 우수한 정확도를 보이나, Bias에 있어서는 타 구간에 비해 월등히 높은 값을 가지는데, 이는 마찬가지로 얼음 입자에 의한 과대 산정 편향성으로 인해 나타나는 결과이다.

2) 지점 별 상세화 강우 자료 검증

레이더, 우량계 및 강우 측정 위성은 센서, 강우 유형, 그리고 지표면 특성을 포함한 환경적인 인자들에 의해 영향을 받기 때문에(Huffman et al., 2007), 이러한 영향을 적극적으로 고려하여 자료의 신뢰성을 판단하는 것이 타당하다. 특히 한반도의 경우 산악학적(orographical) 특징들이 지역의 지형적인 특성과 대기 흐름 간의 관계성에 지대한 영향을 미치기 때문에 시공간적 강우 변동성을 파악하는 것이 더욱 어렵다(Fang et al., 2013). 따라서, 본 절에서는 지점 별 검증을 통해 연구지역의 지형 및 환경에 따른 강우 자료 신뢰성을 평가하였다.

Table 4에는 각 지점 별 통계 결과를 나타내었고, 괄호 안에는 P_GPM과의 비교치를 나타내었다. 먼저 r²의 경우 증가 지점(4)이 감소 지점(11)에 비해 적으나, 증가 폭과 감소 폭이 크지 않아 PGPM과 비슷한 수준임을 알 수 있다. 116번과 419번을 제외하고는 지점마다 비슷한 수준이며, 지점의 고도에 따라서는 특별한 규칙성을 나타내지 않는다. 모든 지점에서 BIAS, POD, 그리고 FAR이증가했으며, CSI는 대부분 감소하였다. P_Downscaled는 P_GPM 에 비해 H와 M이 감소하는 반면 F가 비교적 높은 폭으로 증가했는데, 이로 인해 F의 영향을 받지 않는 POD 는 전 지점에서 개선된 반면 영향을 받는 FAR과 CSI는 나쁜 결과를 나타냈다. POD의 증가를 통해 P_GPM에 비해 강우를 탐지하는 경우가 증가했음을 알 수 있으나, FAR의 증가와 CSI의 감소를 통해 강우를 오탐지하는 경우 역시 증가했음을 알 수 있다. 전 지점에서 RMSE와 Bias 모두 증가한 것을 확인할 수 있다. 3.1절에서 언급한 바와 같이 구름 온도는 강우와 밀접한 관련이 있으나 일정 수준의 CTT에 도달했다고 하더라도 전부 고강도 강우 사건으로 이어지는 것은 아니다. 또한, 대기 흐름과 강우 수치가 갖는 공간적 상관성이 매우 함축적이고 복잡하기 때문에(Fang et al., 2013), 대기의 상태에 따라 강우 발생이 매우 변칙적이다. 이로 인해 PGPM에 비해 P_Downscaled이 강우를 오탐지하는 경우가 잦게 나타나며 과대 산정 폭 또한 큰 것을 알 수 있다. 그러나, P_AWS가 지형성 강우를 과소 산정하는 경향이 있다는 점에서 (Ebert et al., 2007) P_GPM이나 P_Downscaled의 과대 산정 경향을 절대적인 불확실성으로 보기는 어렵다.

Table 4. Statistical metrics of PDownscaled of each validation site

3) 계절 별 상세화 강우 자료 검증

지점에 따른 결과에 비해 계절에 따른 검증 결과는 비교적 다양하게 나타난다(Table 5). 전체 구간에 대해 r²는 비슷하게 나타나지만, 봄철에는 감소하고 겨울철에는 증가한다. 특히 봄철엔 POD, FAR이 감소하고 CSI 가 증가하는데, 이는 H가 감소하고 M이 증가하지만 F 가 큰 폭으로 감소해 나타나는 결과이다. 여름, 가을, 그리고 겨울철의 경우 마찬가지로 H, M가 감소하지만 F 가 증가해 POD, FAR의 증가와 CSI의 감소로 이어진다. 그러나, 그 증감폭이 크지 않아 PGPM과 비슷한 수준으로 강우를 탐지함을 알 수 있다. 도심지역의 경우 지표면 조건과 대기의 지역적 특성이 달라지며, 운량과 풍속이 열섬 현상과 대기의 안정성을 결정하는 지배적인 인자이다(Morris et al., 2001). 구름의 유무만으로도 일사량과 공기의 유통 상태가 달라지지만 CTT만을 고려해 대기 상태를 강우에 반영하기는 어려운 것으로 보인다 (Marchant et al., 2020). 이미 여러 연구에서도 구름 인자와 강우의 상관성이 지형 및 계절에 따라 달라지는 것을 확인하였으며(Cheng et al., 2016), 보다 정확한 강우 모의를 위해서는 구름의 특성을 반영한 인자들이나 구름, 강우와 연관성을 가지는 인자들이 고려되어야 할 것으로 보인다. 이러한 불확실성으로 인해 PDownscaled 역시 계절 별로 상이한 정확도를 보였으며, 과대 산정 경향 성이 짙어진 것으로 보인다. 특히 봄철의 정확성이 큰폭으로 감소하였는데, 이는 겨울철 건조한 시기 이후 강우와 구름의 상관성이 옅어진 것으로 보인다.

Table 5. Statistical metrics of PDownscaled of each season

한반도 전역과 서울에 대해 PGPM 및 PDownscaled를 표출한 결과를 Fig. 3(봄), Fig. 4(여름), Fig. 5(가을), Fig. 6(겨울)에 나타내었다. 고해상도 강우를 직접적으로 모델링 하는 것이 아니라 잔차에 대한 회귀식 도출을 통해 픽셀 내 변동성을 추정하는 방법을 사용한 만큼, 고해상도 강우 지도에 나타난 강우 분포 패턴이 원자료의 공간적 분포와 매우 유사하게 나타났으며 절대적인 값의차 또한 크지 않음을 알 수 있다.

Fig. 3. Spatial distribution of precipitation (Spring: Apr. 23).

Fig. 4. Spatial distribution of precipitation (Summer: Jul. 20).

Fig. 5. Spatial distribution of precipitation (Autumn: Sep. 21).

Fig. 6. Spatial distribution of precipitation (Winter: Dec. 1).

한편, 발생 위치에 따라 상이한 편향 또한 확인할 수 있는데, 내륙에서 발생한 강우가 해상에서 발생한 강우에 비해 적은 차이를 보이며, 해상 부근에서는 과대 산정 경향성이 짙어진다. 이는 GPM 위성이 내륙과 해상을 구분하여 IR 알고리즘과 PMW 알고리즘의 가중치를 다르게 부여하고 있기 때문에 나타난 결과로 보인다 (Ebert et al., 2007). IR 알고리즘에 대한 가중치를 높일수록 강우에 대한 CTT의 영향을 높이는 효과가 나타나며, CTT 자료의 불확실성이나 CTT와 강우의 상관성에 불확실성을 내포할 시 모의된 강우의 정확도가 떨어질 수있음을 의미한다.

서울 지역 강우 상세화 결과를 통해 10 km 픽셀 내 강우의 세부적인 공간적 변동성이 나타나는 것을 알 수 있다. PDownscaled의 픽셀 내 표준편차는 봄철 0.16-3.51 mm, 여름철 0.24-2.10 mm, 가을철 0.32-2.52 mm, 겨울철 0.28-1.15 mm로, 픽셀간 편차(약 3.2 mm)를 고려하였을 때 유의미한 변동성을 나타내는 것을 확인하였다. 일부 픽셀에서는 PGPM 대비 평균적으로 과대 산정(e.g. 우하단 픽셀) 또는 과소 산정(e.g. 좌하단 픽셀)되는 것을 볼수있는데, 과대 또는 과소 산정되는 경향은 전 기간에 걸쳐 동일한 픽셀에서 나타난다. 이는 Eq. (2)에서 산정된 매개변수 a0, a1를 픽셀별로 고정하여 사용하기 때문이며, 도심지역인 만큼 빌딩의 높이나 지형적인 다양성 등에 의해 구름과 강우의 상관성이 옅어지는 픽셀의 경우 이러한 경향이 강해지는 것으로 보인다. 추후 연구에서 더욱 정확한 회귀식 도출을 위해 추가적인 인자를 고려하거나, 상세화 이후 관측되는 편향에 대한 보정이 이루어진다면 더욱 신뢰도 높은 강우 상세화가 가능할 것으로 기대된다.

5. 결론

본 연구는 PGPM의 상세화를 통해 고해상도의 강우 자료를 생산하고자 하였다. CTT와 강우 강도 사이에 강한 상관성이 존재한다는 전제를 바탕으로CTTMOD06와 PGPM 간의 관계식을 도출하였다. 도출된 관계식은 PGPM, residual 모의에 사용되어 최종적으로 상세화된 강우를 획득하였다. 먼저, PDownscaled는 PGPM에 비해 RMSE와 Bias가 상대적으로 높아 과대 산정 경향성이 강해졌다. r²는 비슷한 수준이며, H, M, 그리고 F는 각각 증가, 감소, 그리고 증가하였다. 그러나 H와 M의 증감폭에 비해 F의 증가폭이 크기 때문에, POD와 FAR 모두 증가하는 결과가 나타났다. 이는 강우 발생 요건 중 구름 상층부 온도만을 고려해 나타난 결과로, FAR 개선을 위해서는 강우발생 여부를 판단할 수 있는 다른 인자를 추가적으로 고려해야 할 것이다. 상세화된 강우는 다양한 시공간 해상도의 수문기상인자를 요하는 수문 모형 등 여러 분야에 활용될 수 있을 것으로 보인다. 또한, 지점 자료를 사용하지 않고 고해상도 강우 자료를 생산하였다는 점에서 기상 레이더 및 우량계가 설치되어있지 않은 미계측 유역에서의 활용성이 극대화될 것으로 기대된다. 선행연구를 기반으로, 한반도의 지형적인 특성, 식생 관련 인자 및 강우의 유형과 분포를 인자 간 관계성 도출에 포함시킨다면 상세화 강우 자료의 신뢰도가 더욱 증가할 것으로 보인다.