Application of Bias-Correction and Stochastic Analogue Method (BCSA) to Statistically Downscale Daily Precipitation over South Korea

남한지역 일단위 강우량 공간상세화를 위한 BCSA 기법 적용성 검토

Abstract

BCSA (Bias-Correction and Stochastic Analog) is a statistical downscaling technique designed to effectively correct the systematic errors of GCM (General Circulation Model) output and reproduce basic statistics and spatial variability of the observed precipitation filed. In this study, the applicability of BCSA was evaluated using the ASOS observation data over South Korea, which belongs to the monsoon climatic zone with large spatial variability of rainfall and different rainfall characteristics. The results presented the reproducibility of temporal and spatial variability of daily precipitation in various manners. As a result of comparing the spatial correlation with the observation data, it was found that the reproducibility of various climate indices including the average spatial correlation (variability) of rainfall events in South Korea was superior to the raw GCM output. In addition, the needs of future related studies to improve BCSA, such as supplementing algorithms to reduce calculation time, enhancing reproducibility of temporal rainfall patterns, and evaluating applicability to other meteorological factors, were pointed out. The results of this study can be used as the logical background for applying BCSA for reproducing spatial details of the rainfall characteristic over the Korean Peninsula.

Ⅰ. 서론

GCM (General Circulation Model)은 기상현상의 연속성을 고려하는 공간적 규모로 전지구 표면과 대기층에 대해 과학적인 기상모의자료를 생산한다. 전세계 다양한 GCM의 산출물은 국제 공동 프로젝트인 CMIP (Coupled Model Intercomparison Project)을 통해 자료의 구성, 기상요소, 자료기간 등에 있어 일관성 있는 형태를 갖추고 모델의 결과를 비교⋅분석할 수 있도록 제공된다. 한편 GCM의 원시자료 (raw data)는 농업과 수자원분야 등 응용분야에 필요한 기상자료나 기후변화 영향평가에 적용하기에 기후 재현성과 시공간 해상도에 있어 한계점을 가지고 있다. 이를 보완하기 위해 다양한 편이보정 기법과 통계적 상세화 기법들이 고안되어 적용되고 있다 (Hwang and Graham, 2013; Kim et al., 2018; Kim et al., 2019).

기후변화 산출물의 공간상세화는 낮은 해상도의 GCM 격자자료를 응용분야에 합리적으로 적용하기 위해 적합한 해상도의 기상요소별 자료를 확보하는 과정이다. 다양한 통계적 상세화 기법은 공간상세화의 목적과 기상요소에 따라 적절하게 선정되어야 하며 이에 따라 추가적으로 필요한 가정과 적용 결과는 기상요소의 시공간적 특성별 재현성에 있어 유의한 차이를 보이므로 면밀한 사전검토가 필요하다. 특히 공간 변동성이 큰 강우자료에 대한 공간상세화는 강우의 공간분포의 특성을 재현하는 것이 상세화 기법의 핵심적인 성능이라 할 수 있을 것이다.

국내의 수자원 관련 응용분야에서는 GCM 강우량 자료의 공간상세화를 위해 단순한 내삽 (spatial interpolation)이나 기상청 관측지점 또는 연구대상지역의 관측소 자료를 이용한 편이보정을 통해 GCM 자료를 추출⋅가공하거나 공간 해상도를 변환하는 연구가 주로 수행되어 왔다 (Cho et al., 2013; Song et al., 2019). 나아가 특정 지점 또는 지역의 대표 관측자료와 GCM의 해당격자에 대한 과거기간 원시자료의 CDF(Cumulative Distribution Function) 보정을 통해 기상자료 분포의 기본 통계량의 차이를 편이 (bias)로 정의하고 미래기간에 대해 적용하는 방법인 BCSD (Bias-Correction and Spatial Disaggregation), SQM (Simple Quantile Mapping), SDQDM(Spatial Disaggregation and Quantile Delta Mapping) 등이 널리 이용되고 있다 (Park et al., 2012; Park et al., 2017; Kim et al., 2018; Hong et al., 2018; Gwak et al., 2018; Kim et al., 2019). 이상의 방법들은 비교적 간편한 방법으로 GCM 산출물을 보정하고 평균적 강우량의 미래 변화 속성을 도출할 수 있다는 장점이 있다. 그러나 상기 방법들을 비롯하여 IDW (Inverse Distance Weight)나 크리깅 (kriging) 등의 단순 통계적 내삽 기법을 정보의 해상도 제고를 위해 적용하는 경우 공간변동성이 큰 기상요소 (e.g., 강우량)에 대한 일단위 공간분포와 공간 변동성에 대한 재현성이 낮은 한계를 간과해서는 안 된다(Hwang and Graham, 2014).

강우량에 대한 공간분포 재현에 있어 우기에 나타나는 국지적 특성을 고려하기 위해서는, 강우사상의 공간변동성을 고려하는 통계적 방법론 적용의 필요성이 지적되어 왔다(Hwang and Graham, 2013; Hwang and Graham, 2014). 지형과 종관규모 기상현상에 따라 공간상관성이 높게 나타나는 기온, 습도 등의 기상요소와는 달리 강우의 분포는 지역단위로 변동성이 크다. 강우의 공간분포와 변동성은 유역단위 수문순환에 있어 첨두유량이나 증발산에 영향을 미치는 중요한 인자이므로 유출량 전망 등 관련분석에 적용 시 유의가 필요하다 (Lee and Yoon, 2005; Kim et al., 2013; Kim et al., 2018). 더불어 이러한 특성은 기후변화에 따른 기상이변과 강우패턴 및 극한 강우사상의 빈도/강도의 변화로 관련 연구수요가 증가할 것으로 판단된다.

현재 다양한 기후변화 영향평가를 위한 미래기상정보 생산에 있어 다른 기상요소와는 차별성이 있는 강우 공간분포 변동성을 재현하기 위한 노력은 미흡한 실정이다. Hwang and Graham (2013)은 관측된 강우분포의 공간상관성을 재현함으로서 단순 보간법에 비해 합리적인 공간상세화 기법으로서 BCSA (Bias-Correction and Stochastic Analog) 기법을 제안한 바 있다. BCSA는 관측된 일 단위 기상자료의 시간적 통계, 공간적 상관구조를 동시에 재현하기 위해 일단위 GCM의 공간을 편이보정하고, 관측자료의 공분산행렬을 구현하는 무작위 분포에 기후모델 강우량 산출물 특성을 적용한 강우분포를 발생시키는 추계적 방법이다. Kim et al. (2019)은 만경강 유역에 대해 BCSA 기법을 비롯하여 SQM, SDQDM을 적용한 기후변화 시나리오를 적용한 유출전망을 분석하여 BCSA 기법의 적용성을 평가한 바 있다. 단, BCSA의 주요 장점으로 기술되는 남한지역 강우량 분포 재현성에 대한 평가는 수행되지 않아, 향후 다양한 분야에서 BCSA를 확대적용하기 위한 기초분석으로서 다각적 평가와 성능 검증이 필요한 시점이다.

본 연구에서는 BCSA 공간상세화 기법의 남한지역 ASOS 지점에 대한 일단위 강우의 공간변동성에 대한 재현 성능을 평가하고자 한다. 국내 주요 ASOS 지점의 일단위 강우의 공간변동성을 정량적으로 도출하고 이를 과거기간에 대한 CMIP5 GCM 원시자료에 BCSA 기법으로 적용한 상세화 자료의 특성을 비교하여 제시한다. 이를 위해 일단위 강우량 자료로 도출할 수 있는 기본 통계량을 비롯하여 다양한 극한강우지수 및 공간상관성 지표를 적용하여 BCSA 결과의 시공간적 재현성을 평가하였다.

Ⅱ. 재료 및 방법

1. 관측기상 및 기후변화시나리오 자료

본 연구에서 사용한 전구기후모델 (GCM) 자료로서 IPCC 제5차 평가보고서 (5^th Assessment Report, AR5)에서 사용된 CMIP5 모델 중 과거기간에 대한 일단위 강우량 자료를 제공하고 있는 29종의 모델 산출물을 적용하였다. 최근 CMIP6 GCM 자료가 일부 배포되고 있으나, 본 연구의 목표가 일반적인 격자형 기후모델 자료의 공간상세화 기법에 대한 평가이며, GCM의 모의 성능이 본 연구결과와 관계가 적으므로 다양한 분야에서 국내 적용성이 이미 검증된 다수의 CMIP5 모델 산출물을 적용하였다. GCM 자료는 과거기간 (historical period)인 1976년부터 2005년에 해당하는 자료를 수집하였으며 GCM 자료의 편이보정 및 공간상세화를 위한 남한지역의 관측자료는 종관기상관측 시스템 (Automated Synoptic Observing System, ASOS) 중 CMIP5 GCM자료 과거기간에 대해 자료가 존재하는 60개 관측지점을 선정하였다. Fig. 1과 Table 1은 ASOS 관측지점의 위치와 관측시작연도 및 자료기간을 보여주고 있다.

Fig. 1 Location of 60 ASOS meteorological stations

Table 1 Description of observation data used in the study

2. BCSA 방법론

추계적 공간분포 발생기법인 BCSA는 공분산 베리오그램을 기반으로 강우의 과거 공간 변동성을 재현하는 일단위 강우 공간분포를 추계적으로 생산하여 replicates library를 구축하고 편이보정된 일단위 GCM 산출물에 부합하는 replicate을 추출하여 관측자료 수준의 공간해상도 자료를 생산하는 방법이다.

GCM은 Quantile Mapping (QM)을 통해 편이보정을 시행하고, 그 결과값과 가장 유사한 replicate를 library로부터 추출하여 대체함으로써 관측 공간변동성이 재현된 상세화 결과를 생산한다. Fig. 2는 GCM자료와 지점 관측자료를 활용하여 BCSA 기법을 적용하는 과정을 보여주는 흐름도이며, 이어서 단계별 절차를 순차적으로 기술하였다.

Fig. 2 Schematic representation of BCSA process

1. BCSA의 첫 번째 단계로 Normal Score Transformation (NST) 방법 (Goovaerts, 1997; Deutsch and Journel, 1998)을 이용하여 관측데이터를 정규화 변환한다.

x^*_t,i = G^-1(F_obs,i(x_t,i))       (1)

여기서, x^*_t,i는 x_t,i의 NST 결과이며, x_t,i는 t개의 일수와 i개의 관측지점을 가지는 일단위 자료이다. G^-1(∙)는 표준 가우시안의 역함수이다. F_obs,i (x)는 i개 관측점의 일단위 관측자료의 경험적 누적분포함수 (CDF)이다.

2. 모든 관측 지점자료의 NST에 대한 지점 간 Pearson 상관계수 ρ는 다음의 방정식을 사용하여 월별로 산정한다.

\(\begin{aligned}\rho_{i, j}=\frac{1}{N} \frac{\left(x_{t, i}^{*}-\overline{x_{i}^{*}}\right)\left(x_{t, j}^{*}-\overline{x_{j}^{*}}\right)}{\sigma_{i}^{*} \sigma_{j}^{*}}\end{aligned}\)       (2)

여기서, N은 각 관측지점에 사용가능한 데이터의 수 (일)이며, \(\begin{aligned}\overline x_{i}^{*}\end{aligned}\) and σ^*_i는 각각 Normal Score의 i번째 관측 자료의 자료기간 평균과 표준편차를 의미한다. 계산된 모든 pairwise correlation은 다음 matrix 형식으로 정리한다.

\(\begin{aligned}\rho=\left[\begin{array}{ccc}\rho_{1,1} & \cdots & \rho_{1, n} \\ \vdots & \ddots & \vdots \\ \rho_{n, 1} & \cdots & \rho_{n, n}\end{array}\right]\end{aligned}\)       (3)

여기서, n은 관측지점의 수를 의미한다.

3. Symmetric positive-definite correlation matrix인 ρ를 Cholesky decomposition 방법 (Taussky and Todd, 2006)을 이용하여 다음 식으로 분해한다.

ρ = LL^*       (4)

여기서, L은 하삼각행렬이고, L^*은 L의 대칭행렬이다.

4. 일단위로 Gaussian 분포에서 무작위로 생성된 t(r_t) 계산된 factorization matrix인 L^*을 곱하여 r^φ_t을 계산한다.

r^φ_t = r_tL^*       (5)

이 과정에서 생성된 r^φ_t는 관측된 공간 상관관계를 따르지만, 정규화된 자료를 바탕으로 도출되므로 그 표준정규분포를 따른다.

5. 공간적 상관관계가 있는 Normal Score 변수 r^φ_t는 다음의 back-transform을 통하여 관측 자료의 경험적 CDF 분포 특성을 가지도록 재변환한다.

\(\begin{aligned}\hat{x}_{t, i}=F_{\text {obs }, i}^{-1}\left(F_{\text {norm }, i}\left(x_{t, i}^{\varphi}\right)\right)\end{aligned}\)       (6)

여기서, x^φ_t,i 는 r^φ_t의 요소로 i번째 관측지점의 일단위 자료벡터를 의미한다.F_norm,i(∙)은 i번째 관측지점에서 생성된 Normal Score의 경험적 CDF를 의미한다. \(\begin{aligned}\hat x_{t,i}\end{aligned}\)는 i번째 관측지점에 대해 예측된 t일의 강우량 값이며, 이 과정을 각 관측지점에 대해 반복한다.

BCSA는 공간 변동성을 고려하여 관측된 일단위 관측 기상자료의 시공간적 특성을 동시에 재현할 수 있는 상세화 기법이다. 단, 상세화된 고해상도 자료의 일단위 천이확률에 대한 합리적 고려가 부족하고 높은 해상도의 관측자료 적용시 계산시간이 다소 소요되며 기후요소 간 상관을 고려하지 못하는 단점 등은 보완해야 할 점으로 지적된 바 있다 (Hwang and Graham, 2013).

3. 강우인자 평가지수

상세화된 다양한 기후시나리오에 대한 정형화된 평가를 위해서는 다양하고 표준화된 평가체계가 필요하다. 본 연구에서는 BCSA 상세화를 통해서 생성된 자료를 이용하여 극한기후지수 (Climate Extreme Indices)를 포함한 ETCCDI (Expert Team on Climate Change Detection ad Indices)를 산출하여 관측자료와 원시 GCM 자료 대비 BCSA 상세화 자료의 재현성을 평가하였다. 평균적 강우특성과 관련된 인자인 PRCPTOT와 SDII, CDD, CWD를 이용하여 평균적 강우특성지수 재현성 평가를 실시하고 강우사상의 연속성 및 강우사상의 시간적 패턴을 보여주는 일단위 천이확률 (transition probability)을 산정하여 이들의 공간적 분포 재현성을 평가하였다. 더불어 극한 강우특성과 관련된 인자인 Rx5day, Rx1day, R99pTOT, R95pTOT, R10mm, R20mm를 이용하여 극한강우사상 특성 재현성 평가를 수행하였다. Table 2는 본 연구에서 사용된 강수와 관련된 지표와 그 정의를 정리한 표이다.

Table 2 Lists of the climate indices used in the study

상기의 일단위 자료에 대한 다양한 평가지수와 더불어 BCSA 상세화 기법의 중요한 의의인 공간상관성을 평가하기 위해 관측지점 간의 피어슨 상관계수 (Pearson’s correlation coefficients)와 베리오그램 (Variogram)을 산정⋅비교하였다. 베리오그램은 공간적으로 분포한 자료의 거리에 따른 상관관계를 통계적으로 분석하는 방법으로 일단위 강우량자료 공간 상관분석에 대한 적용성이 검증된 바 있으며 그 산정식은 다음과 같다 (Park et al., 2010; Hwang and Graham, 2013).

\(\begin{aligned}2 \gamma(h)=\frac{1}{N(h)} \sum_{\alpha=1}^{N(h)}\left[x\left(u_{\alpha}\right)-x\left(u_{\alpha}+h\right)\right]^{2}\end{aligned}\)       (7)

여기서, 2γ(h)는 거리와 방향성을 의미하는 h에 따른 베리오그램 산정값이며, x(u_α)와 x(u_α + h)는 h의 특성에 따라 이격한 두 강우량 자료이다. N(h)는 공간영역 내에 h의 특성에 따라 동일한 거리 또는 일정 범위 내 이격한 자료쌍의 개수이다.

Ⅲ. 결과 및 고찰

우선 BCSA를 적용하여 남한지역에 대해 공간상세화된 강우자료와 편이보정에 이용된 60개 ASOS 지점자료의 강우지수를 비교⋅평가하였다. 전 지점의 평균 강우지수를 산출하여 상세화 이후 GCM자료의 전반적인 재현성을 평가하고 공간변동성 등의 시공간적 분포 재현성을 남한지역에 대해 매핑하여 평가하였다. 아래의 Table 3은 60개의 ASOS 관측지점의 자료기간 (1976∼2005년) 강우지수 산정결과와 29개의 원시 GCM 자료를 비롯한 관측자료를 활용하여 상세화한 BCSA 결과를 비교한 결과이다. 원시 GCM 자료의 한반도 강우량과 관련된 ETCCDI의 평균과 표준편차의 경우 관측자료와 큰 차이를 확인할 수 있고, BCSA 상세화를 통해 관측 강우지수의 재현성이 크게 향상되었음을 알 수 있다. 공간해상도가 낮은 격자형 GCM 원시자료의 경우 작은 크기의 일강우량 (<2 mm) 기록이 많아 연속강우일수 (CWD)는 높게 나타나는 특징이 있다(Hwang et al., 2018). 단 10 mm, 20 mm 등 특정 규모이상의 강우일수는 GCM 원시자료가 각각 연평균 34일, 16일로 나타나 관측강우 대비 재현성이 높게 나타났으며 전반적으로 연강우량은 관측대비 평균 16% 낮게 모의된 것으로 나타났으며 극한 사상의 일강우량은 35∼51% 가량 낮게 나타났다. BCSA 결과는 관측 강우자료 분포의 평균, 표준편차 및 강우일수 등 기본통계량에 대한 편이를 보정한 결과를 강우 공간분포자료에 적용하므로 Table 3에 보인 바와 같이 GCM 원시자료에 비해 크게 향상된 결과를 보이고 있다.

Table 3 Representative climate index to evaluate 29 downscaled GCM outputs

1. 기본 강우특성 재현성 평가

Fig. 3은 관측자료와 원시 GCM 자료 그리고 BCSA방법을 적용하여 상세화한 결과를 대상으로 모든 GCM의 평균강우량과 강우강도를 나타내는 강우특성지수인 PRCOTOT, SDII의 공간적 분포를 비교한 결과이다. PRCOTOT는 대구지역을 포함한 경북지역이 가장 낮고 중부와 서부지역에 평균적인 강우량을 보이며 남부 해안지역을 따라 높은 강우량을 보이는 분포를 보였다. GCM 간의 편차는 있지만, 원시 GCM 산출문의 낮은 해상도 때문에 남한지역의 공간변동성이 크지 않으며 전체적으로 낮은 강우량 모의결과를 확인할 수 있다. BCSA 결과는 원시 GCM 자료의 오차가 보정되었으며 남한지역의 강우량 분포를 잘 재현하고 있는 것으로 나타났다. 이는 평균 강우강도에 대한 재현성에서도 유사한 결과를 보였다.

Fig. 3 Distribution of prctot (upper) and SDII (lower) calculated using observation (left), BCSA results (middle), and raw GCMs data (right)

Fig. 4는 강우사상의 일단위 시간적 패턴과 연속성을 나타내는 CDD, CWD 분석결과의 공간분포 매핑결과이다. BCSA 결과는 낮은 강우량을 보이는 경상도 지역을 중심으로 높은 연속무강우일수를 보이는 관측 공간 분포를 잘 재현하였으며, 매우 높게 산정된 원시 GCM의 강우일수 또한 관측 강우특성에 부합한 수준으로 보정된 것을 확인할 수 있다.

Fig. 4 Distribution of CDD (upper) and CWD (lower) calculated using observation (left), BCSA results (middle), and raw GCMs data (right)

2. 강우 공간상관성 재현성 평가

BCSA는 시기에 따른 강우의 공간변동성의 차이를 고려하기 위해 월별로 관측 공간상관성을 고려한 상세화가 수행된다. Fig. 5는 시기별 강우 공간변동성이 다르게 나타나는 몬순기후를 고려하여 1월과 7월의 ASOS 지점 간 강우량 공간상관행렬을 도식한 결과이다. 대상지역의 월별 강우량의 특성으로 겨울은 대체로 강우량이 적고, 우기인 여름에 지역별 강우량이 집중되며 국지적 강우 발생이 잦기 때문에, 우기의 공간 상관성이 낮게 나타난다. 60개 ASOS 지점의 관측자료와 지점단위로 상세화한 BCSA자료를 적용한 상관행렬을 비교한 결과, 우기의 낮은 공간상관성과 지점 간 상관성의 공간적 분포를 BCSA 결과가 잘 재현하는 것으로 나타났다. 우기인 7월의 경우 지역별로 국지적 강우특성이 강하고 낮은 공간상관관계를 잘 재현하는 것을 확인할 수 있다. 단, 강우량이 적어 강한 상관관계가 나타나는 1월의 경우는 관측 대비 다소 낮은 상관성을 재현하는 것으로 나타나 향후 보완에 대한 연구가 필요할 것으로 판단된다.

Fig. 5 Comparison of observed and BCSA downscaled correlation matrix​​​​​​​

더불어 일단위 강우자료의 공간적 연속성 또는 변동성을 평가하기 위하여 거리 대비 자료값 편차를 산출하는 베리오그램을 산정하였다. 격자형 GCM 원시자료와 이를 단순 내삽 (보간)한 자료의 베리오그램은 자료 거리에 따른 변동성에 유의한 차이를 보이지 않는다. Fig. 6은 관측자료와 GCM 원시자료 및 BCSA 결과를 적용한 베리오그램을 비교하여 두 자료의 관측자료 공간상관성에 대한 재현성을 평가하고 있다. 관측자료 베리오그램의 경우 거리가 멀어질수록 Gamma가 증가하며 그 증가률은 감소하는 경향을 확인할 수 있는데, 이는 관측 지점의 거리가 멀어질수록 상관성이 감소하는 현상이 구현되는 것이다. BCSA 상세화한 자료의 GCM에 따른 동일 거리구간의 Gamma 값의 분포와 평균값이 관측자료의 특성을 잘 따르는 것을 확인할 수 있다. 한편 GCM 원시자료의 경우 거리에 따른 상관성 변화가 크지 않고 전반적으로 강우의 공간변동성이 낮게 나타났다. 특히 공간변동성이 크게 나타나는 우기의 경우, GCM 원시자료 및 단순 내삽으로 상세화한 강우자료는 강우사상의 공간분포를 재현하는데 한계가 있음을 보이고 있다(Fig. 6 (b)). 건기에 해당하는 12∼3월의 강우자료를 비교한 결과, 비교적 낮은 Gamma 값을 보이고 증가율 또한 작게 나타나며, BCSA 상세화 자료의 높은 재현성을 확인하였다.

Fig. 6 Variogram of observed and BCSA precipitation for (a) entire data of period, (b) rainy season from Jun. to Sep. and (c) dry season from Dec. to Mar.​​​​​​​

3. 강우사상 시간적 패턴 재현성 평가

남한지역 강우사상의 시간적 패턴 재현성을 평가하기 위해 천이확률을 산출하여 ASOS 지점별 결과를 비교하였다 (Fig. 7). GCM 원시 자료를 ASOS 지점에 대해 추출한 자료의 경우 관측지점에 대해 동일한 GCM 격자자료가 적용되는 경우가 많아 Fig. 7 (a)와 (b)에서와 같은 산포도를 보인다. GCM 모델간의 차이는 dry to wet 천이확률의 경우 0.11∼0.18의 분포를 보였으며 이는 ASOS 관측지점 간 범위인 0.125∼0.175를 포함하는 범위이다. wet to wet의 경우 0.22 이하의 범위로 나타나는 관측결과에 비해 GCM 모델 간 범위가 0.17∼0.62로 매우 넓은 분포를 보였다. 이는 Fig. 4에서 높게 나타난 GCM 원시자료의 연속강우일수와 일관적인 결과로 작은 강우량 자료가 다수 포함된 GCM 산출물의 특성에 기인한 결과이다.

Fig. 7 Scatter plots (obs. vs. GCMs for all stations) Comparing wet to wet and dry to wet transition probability​​​​​​​

BCSA 적용결과, 관측 강우사상의 시간적 패턴 재현성에 있어 향상된 결과를 보였으며, 이는 지점별 관측자료를 이용한 편이보정 과정에서 재현된 것으로 판단된다. 특정 GCM이 지점별 천이확률의 차이를 재현하지 못하는 한계를 지점별 관측 강우일수 보정으로 개선된 결과이다.

Fig. 8은 관측자료와 GCM 원시자료의 평균 강우량과 강우강도, 강우일수, 일강우량 자료 표준편차를 지점별로 산정하여 BCSA 적용결과와 비교한 산포도이다. 해상도가 낮은 GCM 격자자료는 관측자료의 지점별 차이를 재현하고 있지 못하며 BCSA 결과는 상세화 이전의 GCM 원시자료의 한계를 보완하여 관측지점에 따른 패턴을 잘 재현하는 것으로 나타났다.

Fig. 8 Scatter plots for (a) mean preciptiation, (b) intensity, (c) number of rainy days, and (d) standard deviation of daily precipitation of ASOS obs. vs. RAW GCMs (upper) and BCSA results (lower)​​​​​​​

더불어 강우사상별 특성을 비교하기 위해 연속무강우일수, 연속강우일수, 그리고 사상단위 총강우량을 산정하고 CDF를 작성하여 BCSA의 성능을 비교하였다 (Fig. 9). 관측자료 대비 GCM 산출물에서 과소모의된 연속무강우일수와 총강우량, 그리고 과대모의된 연속강우일수의 자료 분포의 격차를 확인할 수 있다. 녹색 구간으로 표현된 GCM에 따른 분포와 GCM 평균을 의미하는 MME (Multi Model Ensemble)는 관측분포와 전체 구간에서 큰 차이를 보이며 BCSA 결과는 사상단위 강우량을 비롯하여 관측된 강우사상의 연속성을 잘 재현하는 것으로 분석되었다.

Fig. 9 Comparison of cumulative distribution function (CDF) of consecutive dry days (left), consecutive wet days (center), and event total precipitation (right) for the observed, raw GCM outputs, and downscaled GCMs using BCSA​​​​​​​

4. 극한강우사상 특성 재현성 평가

Fig. 10은 극한강우사상의 특성을 설명하는 지수로서 rx5d, p95ptot, r20mm 산정결과의 공간분포를 보이고 있으며 관측자료와 GCM 원시자료 그리고 BCSA 결과를 각각 비교하고 있다. 이들 지수는 상기 Fig. 9에서 높은 백분위수 (percentile)에 해당되는 일강우량과 5일연속강우량, 그리고 20 mm 이상 강우량의 연평균 발생일수를 지점별로 산정하여 매핑한 결과라 할 수 있다. 극한강우사상 관련 지수는 대체로 대구, 경북지역에 낮은 분포를 보이고 북부지역과 남부해안지역에 상대적으로 높은 분포를 보였다. GCM 원시자료는 남한 전역에 걸쳐 낮게 산정되었으며 BCSA는 관측자료의 지수 공간분포에 부합하는 범위로 보완된 결과를 제공하는 것을 알 수 있다. 다양한 지수에 대한 평가에 있어 세부적인 지점별 오차는 격자자료 형태의 GCM 원시자료가 가지는 강우발생 시기와 기간 등 특성에 따른 것으로 통계적 보정이나 상세화를 통해 수정할 수 없는 모델 성능이라 할 수 있다.

Fig. 10 Distribution of rx5d (1st raw), p95ptot (2nd raw), and r20mm (3rd raw) calculated using obs. (left), BCSA (middle), raw GCMs data (right)​​​​​​​

Ⅳ. 결론

본 연구에서는 기후변화 관련 연구 수행을 위해 선행되어야 하는 GCM 원시자료의 통계적 공간상세화 과정에 있어 강우량 자료의 공간변동성을 재현하도록 고안된 BCSA 방법의 남한지역에 대한 적용성을 검토하고자 하였다. 상세화를 위한 기후모델 격자 자료는 CMIP5 GCM 29개의 과거기간 (1976∼2005년)에 대한 모의결과를 적용하였으며 동일한 기간의 60개 ASOS 관측지점에 대해 원시자료를 추출하고 공간상세화를 수행하였다.

평균적 강우특성을 비롯한 시공간변동성 (상관성)을 설명하는 11개 강우지수와 베리오그램을 산정하여 GCM 원시자료의 한계와 BCSA 적용결과의 재현성을 비교⋅평가하였다. 우선 GCM 원시자료는 자료기간 평균강우량과 강우강도를 관측대비 과소모의하는 결과를 보였으며, 격자형 기후모델 산출물 특성상 작은 규모의 강우량 자료를 다수 포함하는 이유로 대상지점 전반에 걸쳐 높은 강우일수 및 연속강우일수와 상대적으로 낮은 무강우일수를 보이는 특성을 확인하였다. 해상도가 관측밀도에 비해 낮은 GCM 산출물은 일강우의 공간변동성에 있어 우기에 높게 나타나는 공간변동성을 재현하는데 한계를 보였다. 이는 단순한 내삽을 통한 편이보정이나 상세화를 통해 보완할 수 없는 단점으로 강우의 공간분포에 영향을 받는 유출특성 분석 시 평가결과에 영향을 미칠 수 있는 요인이다. 더불어 강우사상의 시간적 패턴을 설명하는 천이확률에 대한 재현성 평가 결과 GCM 원시자료는 지점 간 천이확률의 차이를 재현하지 못하고 GCM 모델 간의 불확실성이 상대적으로 크게 나타나는 것으로 분석되었다.

한편, BCSA 상세화 기법은 상기 GCM 원시자료의 한계점을 전반적으로 보완하여 관측자료 기반의 시공간적 강우특성에 대한 공간분포의 재현성을 크게 향상시키는 것으로 나타났다. 특히 국내에 널리 활용되고 있는 내삽 또는 Quantile Mapping 편이보정으로 보완하기 어려운 강우사상의 공간변동성 재현을 위한 적용성이 높은 것으로 평가되었다. 이는 중규모 이상 유역에 대한 수문해석에 있어 첨두유량이나 도달시간, 증발산량 분석에 중요한 요인이므로 향후 강우 관련 기후변화 예측평가에 대해서는 BCSA 기법을 적용하는 것이 보다 합리적이라 판단된다. 더불어 BCSA 기법은 편이보정을 위해 적용하는 관측자료의 밀도와 형식에 따라 무한히 많은 강우 공간분포 시나리오를 생성할 수 있어 시나리오의 불확실성 평가에 있어서도 그 활용성이 클 것으로 기대된다.