Journal of Climate Change Research 2015, Vol. 6, No. 4, pp. 331344 DOI: http://dx.doi.org/10.15531/ksccr.2015.6.4.331 Application of a Statistical Interpolation Method to Correct Extreme Values in High-Resolution Gridded Climate Variables Jeong, Yeo min and Eum, Hyung-Il Climate Analysis Team, APEC Climate Center, Busan, Republic of Korea ABSTRACT A long-term gridded historical data at 3 km spatial resolution has been generated for practical regional applications such as hydrologic modelling. However, overly high or low values have been found at some grid points where complex topography or sparse observational network exist. In this study, the Inverse Distance Weighting (IDW) method was applied to properly smooth the overly predicted values of Improved GIS-based Regression Model (IGISRM), called the IDW-IGISRM grid data, at the same resolution for daily precipitation, maximum temperature and minimum temperature from 2001 to 2010 over South Korea. We tested various effective distances in the IDW method to detect an optimal distance that provides the highest performance. IDW-IGISRM was compared with IGISRM to evaluate the effectiveness of IDW-IGISRM with regard to spatial patterns, and quantitative performance metrics over 243 AWS observational points and four selected stations showing the largest biases. Regarding the spatial pattern, IDW-IGISRM reduced irrational overly predicted values, i. e. producing smoother spatial maps that IGISRM for all variables. In addition, all quantitative performance metrics were improved by IDW-IGISRM; correlation coefficient (CC), Index Of Agreement (IOA) increase up to 11.2% and 2.0%, respectively. Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) were also reduced up to 5.4% and 15.2% respectively. At the selected four stations, this study demonstrated that the improvement was more considerable. These results indicate that IDW-IGISRM can improve the predictive performance of IGISRM, consequently providing more reliable high-resolution gridded data for assessment, adaptation, and vulnerability studies of climate change impacts. Key words : Improved GIS-based Regression Model, High-Resolution Gridded Climate Data, Inverse Distance Weighting Method. 1. 서론 Coupled Model Intercompariosn Project Phase 5(CMIP5) 에서는전세계다양한기후모형개발그룹이참여하여기후변화에기인한영향평가를위해장기간의기후정보를제공하고있다 (Maloney et al., 2014). 최근기후변화영향평가는주로수자원, 농업, 경제등지역단위의다양한분야에영향을미치고있으며, 지역단위기후요소의시공간적분포특성을이 해하고자고해상도의기후정보에대한필요성이점차증가하고있다 (Wood et al., 2004; Eum et al., 2014). 우리나라는복잡한해안선과더불어국토의 65% 이상이산악지형으로이루어져있으며, 계절풍의영향으로시공간적인기후변동성이크게나타난다. 하지만기후변화와기상예측을위한관측자료는대부분 300 m 이하고도에제한적으로설치되어있고, 불균등하게분포하여국지적인기후특성을정량적으로분석하기에는어려움이있다 (Hong et al., 2007; Ahn et al., 2014; Corresponding author : hieum01@apcc21.org Received November 2, 2015 / Revised November 20, 2015(1st) December 2, 2015(2nd) / Accepted December 14, 2015
332 정여민 음형일 Eum and Kim, 2015a). 고해상도의기후정보를위한연구로전지구모형 (Global Climate Model, GCM) 의예측결과를역학적 통계적으로상세화하여예측성능을개선한연구가진행되는추세이고 (Leung et al., 2006; Qian et al., 2010; Wilby et al., 1998), 그중통계적상세화기법으로격자형태의관측자료를활용한고해상도기후변화예측정보를생산하는연구가수행되고있다 (Maurer et al., 2010). 이를위해기존의관측망을활용한고해상도격자정보를추정하는 Parameter-elevation Regression on Independent Slope Model(PRISM) 을활용한연구가해외와국내에서활발하게진행중이다. Daly et al.(1994) 이제안한 PRISM 은산악의경사방향, 거리, 고도, 해양도등의인자를고려한효율적인보간법을제공하고있다. 이러한방법으로미국의월별기온과강수의고해상도기후자료를생산하였고 (Daly et al., 2001; Kittel et al., 1997), 국내에서는한반도의지리정보를 PRISM의계수와영향반경, 해양도및지향면에적용하여 K(Korean)-PRISM 을개발하였다 (Hong et al., 2007). Hong et al.(2007) 과 Sin et al.(2008) 은월평균기간규모로 5 km 5 km 해상도의기온및강수량의공간분포를제시하는연구를수행하였다. 또한 Kim et al.(2012; 2013) 은 1 km 해상도의격자형일기상자료를생산하였으며 (Modified Korean-PRISM, MK-PRISM), 지역기후모델 (Regional Climate Model, RCM) 의계통오차를보정하는데활용하였다 (Kim et al., 2012). Eum and Kim(2015a; 2015b) 은 40년이상의장기관측값이존재하는 60개종관기상관측점 (Automated Synoptic Obsering System, ASOS) 의자료만을사용하여장기고해상도기후격자자료를생산하였고, 기존에단일한영향반경을설정한 PRISM 과차별화하여관측점의밀도를고려한영향반경을결정할수있는기법을적용하였다. 지리정보시스템 (Geographic Information System, GIS) 기반의회귀모형은수치표고모델을사용함에따라복잡한지형에서관측점의개수가충분치않을경우, 회귀모형의기울기가과도하게산정되어심각한계통적오차가발생하는데, 이는영향반경내균등한관측점으로인해개선될수있다. 그러나공간분포가불균등하고해상도가낮은 ASOS 관측점만을사용한경우, 생성한고해상도기후자료의극값이과대혹은과소하게산정되어계통적오차가발생하게된다 (Hong et al., 2007; Sin et al., 2008). GIS 기반의회귀모형과더불어자주사용되는통계적보간법은이러한계통적오차를개선시키기위한후처리방법으로적용가능성이있다고알려져있다 (Hwang and Ham, 2013; Ahn et al., 2014). 실제로 Eum and Kim(2015a; 2015b) 에의해생성된격자정보에서지형이복잡하고, 관측수가적은격자주변에서관측값과비교 했을때추정값이과도하게산정되어심각한오차가발생한 지점이발생했다. 따라서, 본연구에서는 Eum and Kim(2015b) 에의해개선 된 GIS 기반의회귀모형을통해생성된 3 km 3 km 기후 격자정보를대상으로대표적인공간보간법인역거리가중 방법을적용하였다. 이를통해격자별극값에대한계통오차 를줄임으로써고해상도기후격자자료의활용성을높이기 위한연구를진행하고자하였다. 연구에사용된 GIS 기반의 회귀모형은 IGISRM(Improved GIS-based Regression Model) 로모형입력자료로사용된 ASOS 가아닌자동기상관측자료 (Automated Weather Station, AWS) 를이용하여기후자료를검 증하였으며, 후처리기법으로통계적보간법을적용하여기후 정보의예측성능개선을확인하고활용가능성을검증하였다. 2.1 자료 2. 자료및연구방법 2.1.1 고해상도격자자료 (IGISRM) 본연구에서사용된 IGISRM 은적도기준 90 m 의해상도를 가진미국 NASA 의 Shuttle Radar Topographic Mission(SRTM) 수치표고모형 (Digital Elevation Model, DEM) 자료를사용하여 IGISRM 의격자별고도, 경사향, 해양도의입력자료를산정하 였다. 1973 년부터관측되어장기관측자료로사용가능한종관 기상관측자료인 ASOS 자료중결측값이적은 60 개지점의일 강수량과일최고 최저기온을 IGISRM 의입력자료로사용하 였고, 위치를 Fig. 1 에나타내었다. Eum and Kim(2015b) 은계 산효용성과추정정확도를고려한격자해상도의민감도분석을 실시하여 3 km 3 km 공간해상도를설정하였고, 1973 년부터 2010 년까지의일강수및일최고, 최저기온자료를생성하였다. 기존 PRISM 모형은모든격자에단일한영향반경을설정하는 반면 IGISRM 모형은각격자점별관측점의밀도를고려하여 영향반경을결정하는 Daymet 모형 (Thornton et al., 1984) 과 GIS 정보를활용하여영향반경내관측점의가중값을결정하는 PRISM 방식 (Dalyet al., 1994) 으로구성하였다. 격자별영향반 경 (Rp) 은식 (1) 과식 (2) 의반복적인계산을통해결정된다. (1) (2) Journal of Climate Change Research 2015, Vol. 6, No. 4
고해상도격자기후자료내이상기후변수수정을위한통계적보간법적용 333 며, 와 은회귀식의경사와절편을나타내는데, 관측점의 가중값, 관측값 (y i ), 고도 (z i ), 가중평균관측값 ( ) 및고도 ( ) 를통해산정된다. 2.1.2 관측자료 Fig. 1. Topography and locations of 60 ASOS (red cross) and 243 AWS (black dot) used for calibration and validation, respectively. 여기서 D p 는관측점의밀도, w i 는관측점 i 의가중값, 는 영향반경, R p 이내의거리에대한평균가중치, α 는무차원형 상매개변수로 Thornton et al.(1984) 에서제시한 6.25 로설정 하였다. 그리고 N 은영향반경내기대관측점갯수로사용자 에의해설정되는데, 본연구에서는영향반경내최소 5 개가 포함되도록설정하였다. 식 (1) 과 (2) 를통해산정된격자별 영향반경을사용하여영향반경내관측점을사용하여식 (3) 과같이거리, 고도, 경사향, 해양도등과같은지형학적유사 성에기인하여가중값을설정한후, 식 (4) 의회귀식을통해 각격자점의기후자료를생성하게된다. 이러한식 (1)(4) 와 같은 IGISRM 의일련의과정이모든격자점에대해수행되어 격자자료를생성하게된다. (3) 식 (3) 의 w i 는관측점 i 의가중값으로 w r, w z, w f, w c 는각각 거리, 고도, 경사향, 해양도에대한가중치를의미한다. F r 와 F z 는수평및수직거리의상대적중요성을나타내는데, Daly et al.(2002) 의제안에따라각각 0.8, 0.2 로설정하였다. 또한 와 는각각격자점에서의기후추정값과고도를나타내 (4) 기상청에서제공하는지표관측자료는종관기상관측자료인 ASOS 와자동기상관측자료인 AWS 로분류된다. 앞서설명한 것과같이 IGISRM 모형의입력자료로장기기상관측자료를 보유한 60 개의 ASOS 를사용하였으며, 검증자료로 AWS 의 일강수량, 일최고 일최저기온을사용하였다. AWS 관측점은 주로 2000 년이후에설치되어관측기간이 ASOS 에비해상대 적으로짧기때문에 IGISRM 을통한장기격자자료생성에 사용되지않고, 검증자료로만사용하였다. 국내 AWS 관측점 은 600 개가넘어약 12 km 의공간해상도를가지고있으나, 대부분관측시점이 2000 년이후일뿐만아니라, 관측시점이 서로상이한것이많았다. 또한자료중결측값이한달이상 인지점도발견되었다. 따라서본연구에서는 AWS 자료중 결측값이적고 2001 년부터 2010 년까지의분석기간중연속적 인자료수집이가능한 243 개지점을검증에사용하였고, Fig. 1 AWS 관측지점의위치를제시하였다. 2.2 연구방법 2.2.1 통계적보간법 통계적회귀모형결과로산출된 IGISRM 의고해상도격자 자료의활용도를높이기위하여극한값을보간하고자공간분 포의통계적보간법을채택하였다. 본연구에서사용한통계 적보간법은일반적으로영향반경내의모든자료값에동일 한가중치를부여하는지역평균법의한계를개선한역거리가 중법 (Inverse Distance Weighting, IDW) 으로거리에따른주변 값들의가중값을산정하여가중평균을통해추정하고자하는 지점의값을보간하는방법이다 (Kim et al., 2010). IDW 보간 법은대표적인공간분포보간법으로관측점간의거리에반비 례하여가중치를할당하고, 거리가멀어짐에따라지수적으로 감소한다. 식 (5) 에서제시한바와같이, 거리에따라산정된 주변격자에대한가중치를사용하여가중평균함으로써보 간하는방법이다., (5) http://www.ekscc.re.kr
334 정여민 음형일 보간할격자값 (Z p ) 은주변격자값 (Z i ) 에가중치 (W) 를적용하고, 이는두격자사이의거리 (d i ) 의제곱에반비례하여계산된다. IGISRM 의일단위격자기후자료중임계값을초과하는극값의주변격자에 IDW 보간법을적용하여산출된값으로극값을대체하고, 적용결과를 IDW-IGISRM 로나타내었다. 이러한 IDW-IGISRM 을통해 Eum and Kim(2015b) 에의해생성된격자정보중과도하게추정된격자점을대상으로대상격자주변값을사용하여통계오차를감소시키려하였다. IDW-IGISRM 의적용방식은 2.2.2에상세히설명하였다. 2.2.2 관측자료를적용한알고리즘고해상도격자기후자료인 IGISRM 의극값에통계적보간법을적용하기위해 ASOS 관측자료를기반으로선정한임계값을초과하는격자값을선택하고, 주변격자값에역거리가중방법을적용한다. 기후요소별임계값은 1973년부터 2010년까지관측된 ASOS의일강수량, 일최고기온과일최저기온으로산정하였다. IDW 보간법을적용할주변격자값이기상관측자료를토대로선정한임계값을초과하는경우, 보간법적용격자점에서제외하여반복적으로임계값을생성하는것을제한하였다. 예를들어 Fig. 2 (a) 의 P 1 P 9 개의격자점중임계값을초과한격자값이 P 5 일때일반적인방법으로 P 5 를제외한주변 8개의값에 IDW를적용하여산출된새로운격자값이 P 5 로대체된다. 그러나 (b) 와같이 P 5 의주변격자값중임계값을초과하는값이 P 6 과 P 7 두개가동시에존재할경우, 해당격자값을제외한 8개격자중 6개격자값으로 IDW를통해 P 5 의값을산정한다. 또한수정된값은다음임계값의계산에사용되므로극값의분포밀도가높은지역에서의활용성도고려하였다. 일강수량의임계값은 870 mm/day로 1973년부터 2010년까지기상청 ASOS 관측값의최대값으로선정하였고, 일최고기온과일최저기온도동일한기간동안 ASOS 관측값의월별최대최소값을임계값으로설정하였으며, Table 1에제시하였다. 2.2.3 영향반경본연구에서공간분포보간법을적용할기후요소는일강수량과일최고 최저기온이다. 모든기후요소에동일한영향반 (a) (b) Fig. 2. Illustration of the IDW interpolation method at each grid point. 경을적용하기위해상대적으로공간적변동성이큰강수량 을대상으로영향반경에따른민감도분석을실시하였다. Fig. 3 은검증기간중 243 개의 AWS 전체검증지점의연강수량평 균을나타내고있으며, 2001 년부터 2010 년까지평균연강수 량은 1,375.5 mm 로나타났다. 이중 2003 년의평균연강수량 이 1,901.1 mm 로검증기간중가장높게나타나, 2003 년에대 해 IDW 보간법의영향반경민감도실험을실시하였다. 3 km 수평해상도를고려하여 3 의배수로영향반경을증가 시켜, 3 km 에서 30 km 까지총 10 개영향반경에대해전체관 측지점의편의 (BIAS) 와평균오차제곱근 (Root Mean Square Error, RMSE) 값의변화를살펴보았다. Fig. 4 에서영향반경이 증가하면서 RMSE 가증가하는반면, BIAS 는 IGISRM 에비해 Table 1. Monthly threshold values for maximum and minimum temperatures employed in IDW-IGISRM Jan. Feb. Mar. Apr. May Jun. Jul. Aug. Sep. Oct. Nov. Dec. Tmax() 11.9 12.7 17.4 23.7 27.9 29.4 32.8 33.0 30.3 25.6 20.7 15.1 Tmin() 14.1 13.9 9.3 3.0 3.7 8.4 13.8 13.7 6.2 0.6 7.5 12.3 Journal of Climate Change Research 2015, Vol. 6, No. 4
고해상도격자기후자료내이상기후변수수정을위한통계적보간법적용 335 Fig. 3. Annual mean precipitation (mm) averaged over 243 AWS from 2001 to 2010. Fig. 4. Sensitivity experiments to various effective radius distances with regard to BIAS (left y-axis) and RMSE (right y-axis). 상당히감소되는것을확인할수있다. 또한 IGISRM 에서는양의 BIAS 가나타나고, IDW에서는영향반경이증가할수록음의값을갖는것을확인할수있다. 일반적으로 IGISRM 은과대모의하는경향이있어극값에대해좋은예측성능을보이며, 이러한큰값에민감하게반응하는 RMSE 의값은상대적으로양호하게나타난다. 하지만지형이복잡하고강수가높은사상을보이는경우, 비이상적으로높은값을추정함으로써큰양의 BIAS 가나타나는것으로사료된다. 이러한경우, IDW 를적용함으로써이러한비이상적인값이감소되어 BIAS가크게개선되나, RMSE는다소증가하는것으로나타났다. 전제적으로 BIAS와 RMSE 를동시에고려했을때 3 km의영향반경을적용한경우가장좋은성능을나타냈다. 따라서 IDW 에가장적합한거리는 3 km로확인되어, 본연구에서모든 기상변수즉, 일강수와일최고 최저기온에대해 IDW 보간법을적용하였다. 본연구에서는강수자료를활용하여최적영향반경을 3 km로설정하였지만, 강수에비해공간변동성이상대적으로적은기온의경우다른최적영향반경이산정될수있다. 그러나본연구에서는강수자료에의해설정된영향반경을강수와기온자료에적용하여 IDW를수행하였다. 2.3 검증방법 2.3.1 공간분포고해상도격자자료인 IGISRM 는 3 km 3 km의공간해상도를가지며, 일강수량, 일최고기온과일최저기온의변수를포함하고있다. IGISRM 과더불어 IDW 보간법을일단위로적 http://www.ekscc.re.kr
336 정여민 음형일 용한결과를 IDW-IGISRM 로정의하고, 검증기간인 2001 년부 터 2010 년까지각격자별연평균값 ( 강수및최고 최저기온 ) 을산정하고, 이에대한공간분포를제시하여고해상도의격 자자료로각기상요소에대한지역적인 IDW 보간법의효과 를살펴보고자한다. 이와더불어 AWS 관측자료와비교를위해 IGISRM 과 IDW-IGISRM 의격자자료중검증에사용된 243 개의 AWS 와 최근접격자값을추출하여검증기간동안강수량과최고기온, 최저기온에대한연평균값을산정하였다. 그리고관측값과 IGISRM 및 IDW-IGISRM 공간분포를비교 분석하여 IDW 보간법에의한공간적인효과를살펴보고자한다. 2.3.2 통계검증 통계분석을위해 243 개 AWS 전지점의기상요소값과 IGISRM 와 IDW-IGISRM 의최근접격자값의각기상요소에 대해다음의 5 개정량적평가지표을사용하여예측성능을검 증하였다. 우선 1 에가까울수록높은상관성을나타내는상 관계수 (Correlation Coefficient, CC) 와일치도 (Index Of Agree- ment, IOA) 로관측값과의유사성을확인하였다. 그리고평균오 차제곱근 (RMSE) 과절대평균오차 (Mean Absolute Error, MAE) 로오차범위를분석하여정량적인검증값을제시하였다. 검증 에사용된평가지표는아래식 (6)(10) 에제시하였으며, N 은 관측수, P i 와 O i 는각각시간 i 의추정값과관측값을나타낸다. (7) (9) (10) 2.3.3 지점분석 IGISRM 은산악지대와같이복잡한지형과영향반경내관 측점개수와같은요소에의해극값예측력이크게좌우된다. (6) (8) 검증기간내모든 AWS 관측지점중각기상변수에대해관측값과 IGISRM 의차이가가장크게나타나는 4개 AWS 지점을선정하고, 이에대해면밀한분석을실시하였다. 즉, IDW 보간법을적용하기전과후를비교하여 IDW-IGISRM 의효용성을고찰하였다. 이를위해, 선택지점의관측값과 IGISRM 과 IDW-IGISRM 의추정값을시계열로제시하고, 앞서소개한정량적평가지표를산정하여 IDW-IGISRM 의효용성을평가하였다. 3. 결과 3.1 공간분포기상요소에따른 3 km 3 km의고해상도 IGISRM 과 IDW 보간법을적용한 IDW-IGISRM 의격자분포를검증기간인 2001 년부터 2010년까지평균하여 Fig. 5에제시하였다. 각기상요소의공간분포에서고해상도격자자료의상세한고도가반영된특징을살펴볼수있다. 즉, IGISRM 의강수추정치에나타나는연평균강수량의극값이고도차이가큰지역을중심으로나타나고 (Fig. 5 (a)), IDW-IGISRM 의분포에서상쇄되는것을확인할수있다 (Fig. 5 (b)). Fig. 5 (c) 와 (d) 에제시된 Tmax 에대한 IGISRM 과 IDW-IGISRM 의공간분포차이는전반적으로다른기상요소에비해상대적으로작게나타났으나, 고도와반비례하는기온의특징이잘나타남을확인할수있다. 충청남도해안의산악과경상북도태백산맥의부근으로분포의차이가확인된다. 또한 Tmin 의 IGISRM 과 IDW-IGISRM 의공간분포차이가나타나는지역은 Tmin의공간분포와유사하였으나, IDW 보간법적용후상쇄효과가더두드러지게나타났다. 이는 Tmax의극값은 El Niño Southern Oscillation (ENSO), Pacific Decadal Oscillation(PDO) 와같은큰규모의순환장에의한영향으로발생하는경우가많으나 (Christensen et al., 2013), Tmin의극값은고도, 지표상태와같은지형학적요소에의한영향을많이받는것으로사료된다 (Eum et al., 2014). 즉, Fig. 5 (c)(f) 에서나타난바와같이 Tmin이 Tmax에비해국내지형학적요소에의한공간변동성이훨씬크기때문에 IDW로인한극값의상쇄효과가더두드러지게나타나는것으로판단된다. Fig. 6는 AWS 관측자료와비교를위해 IGISRM 과 IDW- IGISRM 의격자자료중검증에사용한 243개의 AWS와최근접격자값을추출하여관측지점과비교한공간분포지도를나타낸다. 이는 243개 AWS 관측지점에의한공간분포이므로 3 km 격자자료를사용한 Fig. 5에비해공간분포의세밀함이감소되었다는점에주의하여야한다. 연평균강수량의경우, Journal of Climate Change Research 2015, Vol. 6, No. 4
고해상도격자기후자료내이상기후변수수정을위한통계적보간법적용 337 Fig. 5. Spatial patterns of IGISRM and IDW-IGISRM for precipitation (Prcp), maximum temperature (Tmax), and minimum temperature (Tmin). 관측값 (Fig. 6 (a)) 과 IGISRM 격자추정값 (Fig. 6 (b)) 은전라도와강원도지역의최대값의분포에서많은차이가있었으나, IDW 보간법을적용한 IDW-IGISRM(Fig. 6 (c)) 는 IGISRM 의과대추정된극값이적절히상쇄되어나타났다. 연평균최고기온의분포는 IGISRM 과 IDW-IGISRM 의격자추정값보다관측값에서공간적변동성이크게나타났으며, IDW 보간법의적용효과는상대적으로작게확인되었다 (Fig. 6 (d) (f)). 최저기온의연평균분포는관측값과 IGISRM 격자추정값의차이가강원도내륙과경상북도남부의태백산맥부근, 전라도의노령산맥서쪽부근으로크게나타났으며, IDW에의한상쇄효과로인해관측값에대한공간분포가다소개선됨을확인하였다. 이와더불어 AWS 관측값에대한 IGISRM 과 IDW-IGISRM 의추정격자값을비교하기위해검증기간동안각기후변수의연평균값에서 243개전체지점의평균과 243지점중최대, 최소값을 Table 2에나타내었고관측과의차이를괄호에표시하였다. 연평균강수량의경우, IGISRM 은평균, 최대, 최소값에서양의차이가나타났고, IDW-IGISRM 은최소값을제외하고음의차이가나타났다. 이는 IDW 보간법으로 IGISRM 으로부터과도하게추정된극값을감소시켜나타난결과로사료된다. 또한연평균강수량에대한차이의절대값을살펴보면 IGISRM 은 950.4 mm/year 인반면, IDW-IGISRM 은 177.2 mm/year 로 773.2 mm가감소되는것으로나타났다. 일최고기온의경우, IGISRM 과 IDW-IGISRM 의추정값이상대적으로 http://www.ekscc.re.kr
338 정여민 음형일 Fig. 6. Spatial patterns of climate variables based on 243 AWS stations for the validation period from 2001 to 2010. Table 2. Annual mean, maximum, and minimum values during the validation period for the climate variables and corresponding differences (numbers in parenthesis) between the observation and models. OBS IGISRM IDW-IGISRM Prcp(mm) Tmax() Tmin() Prcp(mm) Tmax() Tmin() Prcp(mm) Tmax() Tmin() Avg. 1,358.9 18.0 6.9 1,382.3 (+23.4) 18.0 (0.0) 7.0 (+0.1) 1,351.0 (7.9) 18.0 (0.1) 7.1 (+0.2) Max 2,035.4 20.6 12.0 2,985.8 (+950.4) 20.3 (0.2) 11.3 (0.8) 1,858.2 (177.2) 20.3 (0.3) 11.3 (0.8) Min 1,025.2 11.5 2.0 1,051.1 (+25.9) 13.7 (+2.2) 5.0 (7.0) 1,049.1 (+23.9) 13.4 (+1.9) 0.9 (2.8) Journal of Climate Change Research 2015, Vol. 6, No. 4
고해상도격자기후자료내이상기후변수수정을위한통계적보간법적용 339 근소한차이를보였다. 일최저기온에대해서최소값에대한 IGISRM 과 IDW-IGISRM 의추정값의차이가 7.0 에서 2.8로감소하는것을확인하였다. 이는앞서언급한바와같이기후변수별지형학적영향에따라 IDW 보간법의효과가다르게나타나기때문인것으로사료된다. 3.2 통계검증 243개 AWS의관측값과 IGISRM 및 IDW-IGISRM 의최근접격자값을추출하여평가지표를산정하고, 각기법별예측성능을정량적으로검증하고자하였다. Fig. 7에서검증기간동안각기상변수의연평균에대해 IGISRM 와 IDW-IGISRM 의평가지표를 AWS 관측지점별로산정한후, 이를평균한값을제시하였다. 각평가지표별로상이한단위를고려하기위해강수량의 MAE와 RMSE는정규화하여제시하였다. 모든기상변수에대하여 IDW 보간법적용하여일치도 (CC, IOA) 가증가하고, 오차 (MAE, RMSE) 가감소하는등예측성능이향상됨을확인하였다. 좀더정량적인비교를위해 Table 3과같이각평가지표를도표화하여제시하였다. 여기서, IDW 보간법적용후개선된차이를백분율로괄호안에제시하였다. 연평균강수량 (Prcp) 의경우, IDW 보간적용효과는 CC에서 6.4 % 증가하는것으로나타났고, IOA에서 0.7% 증가하는것으로확인되었다. MAE와 RMSE 의경우, 각각 4.8% 와 10.8% 로오차를개선시키는것으로나타났다. 연평균최고기온 (Tmax) 에대한 IDW 보간법적용후 CC와 IOA는각각 4.0% 와 1.3% 로증가하였고, MAE와 RMSE는 3.3%, 4.0% 감소하는것을확인하였다. 앞에서의결과와마찬가지로모든기상변수중 Tmin의예측성능개선이가장적게나타났다. 연평균최저기온 (Tmin) 의경우 IGISRM 의 CC와 IOA는각각 11.2% 와 2.0% 증가하였고, MAE와 RMSE 는각각 5.4%, 15.2% 감소하여예측성능이상대적으로크게개선됨을확인하였다. 월단위의결과는일치도와오차의검증을위한평가지표로 CC와 RMSE 를사용하였고, Fig. 8에제시하였다. 강수의 RMSE 는기온과상이한단위를고려하기위해정규화하여제시하였다. 모든기후변수의 IDW 보간적용효과는월별로다르게나타났다. Fig. 8(a) 에제시된상관관계를살펴보면 IDW 보간법적용후 9월과 10월의강수 (Prcp) 의경우상관관계가다소감소하였으나차이가매우미미하였고, 대부분기간중일치도가향상되었음을확인하였다. 특히여름철인 68 월의개선효과가가장크게나타났다. 기온의경우모든기간에서 IDW 보간적용효과를확인할수있었으며, 특히최고기온 (Tmax) Fig. 7. Inter-comparison of performance measures for Prcp, Tmax and Tmin. MAE and RMSE is normalized for visualizing the graph. Table 3. Evaluation of performance measures for annual mean precipitation, maximum and minimum temperature Variables IGISRM IDW-IGISRM CC IOA MAE RMSE CC IOA MAE RMSE Prcp 0.722 0.848 185.900 272.930 0.768 (6.4%) 0.854 (0.7%) 176.961 (4.8%) 243.560 (10.8%) Tmax 0.713 0.855 0.718 1.093 0.741 (4.0%) 0.866 (1.3%) 0.694 (3.3%) 1.028 (4.0%) Tmin 0.607 0.826 1.310 1.945 0.675 (11.2%) 0.842 (2.0%) 1.239 (5.4%) 1.649 (15.2%) http://www.ekscc.re.kr
340 정여민 음형일 (a) CC (b) RMSE Fig. 8. Inter-comparison of performance measures (CC and RSME) between IDW-IGISRM and IGISRM for monthly climate variables (Prcp, Tmax, and Tmin). RMSE for Prcp is normalized for better visualizing the bar chart. 은 59 월, 최저기온 (Tmin) 은 102 월의개선정도가다른월에비해크게나타났다. Fig. 8(b) 에제시된 RMSE를살펴보면대부분의월에서 IGISRM 에비해 IDW-IGISRMd 의 RMSE 가감소하였다. 특히, 집중호우가발생하는 7월과 8월의 RMSE 가상대적으로크게개선됨을확인하였다. 일최고기온에서는모든월에서 RMSE가감소하나그효과가미미하였다. 그러나일최저기온에서는일교차가커지는 14월과 1012 월에개선효과가크게나타남을확인하였다. 3.3 지점분석검증기간중각기상변수별 IGISRM 의오차가크게나타나는상위 4개지점을선택하여 IDW-IGISRM 의효과를비교하고자하였다. 각기상변수별 IGISRM 오차의상위 4개지점은다소중복되어나타났으며, 분석에사용된지점은 419( 서울시중구 ), 500( 인천시강화군 ), 730( 전남장성군 ), 817( 경북영양 군 ), 829( 경북경주시 ), 836( 경북청송군 ), 951( 전북정읍시 ) 이다. Fig. 9는선택된 4개지점에대한기상변수별관측값과 IGISRM, 그리고 IDW-IGISRM 의연평균자료에대한시계열을제시하였으며, 각지점별평가지표를산정한후이에대한평균값을 Table 4에제시하였다. 연평균강수량의경우, IGISRM 의과대추정값이 IDW-IGISRM 를통해 CC가 22.9% 개선되는것으로확인되었다. MAE와 RMSE 는각각 58.12% 와 53.0 % 오차를개선시키는것으로나타났다. 연평균최고기온의경우, IGISRM 의추정값을 IDW-IGISRM 에서감쇄시키는것으로확인되었으나, Fig. 9 (b) 의 stn 730의경우와같이 IGISRM 가관측값에비해과소추정하는경우에는오히려오차가증가하는것으로나타났다. 그러나전반적으로 Table 4를보면 CC가 4.1%, MAE와 RMSE는각각 29.1%, 29.3% 개선되는것을확인하였다. 앞선연구결과, 최저기온의격자추정값의관측값과의차이가최고기온에비해크게나타났으며 (Table Journal of Climate Change Research 2015, Vol. 6, No. 4
고해상도격자기후자료내이상기후변수수정을위한통계적보간법적용 341 (a) Total Prcp (b) Avg Tmax (c) Avg Tmin Fig. 9. Time series of annual climate variables for (a) total precipitation, (b) maximum temperature, and (c) minimum temperature at selected AWS stations. http://www.ekscc.re.kr
342 정여민 음형일 Table 4. Evaluation of performance measures for annual mean precipitation, maximum and minimum temperature at selected AWS stations IGISRM IDW-IGISRM CC MAE RMSE CC MAE RMSE Prcp 0.48 821.29 936.79 Tmax 0.49 1.89 2.22 Tmin 0.44 9.25 9.86 0.59 (22.9%) 0.51 (4.1%) 0.48 (9.1%) 343.94 (58.12%) 1.34 (29.1%) 5.40 (41.6%) 440.25 (53.0%) 1.57 (29.3%) 5.72 (42.0%) 2), 이는 Fig. 9(c) 에서도확인할수있다. 검증지점에따라과소추정된 IGISRM 의최저기온값이 IDW보간적용결과, 관측값의수준으로개선된사례 (stn 500, stn 836) 와개선효과가미비한사례 (stn 951, stn 829) 가동시에확인되었다. 이를개선하기위해서는다양한지형조건을가진관측점의추가가필수적이며, 본연구를바탕으로추가관측점의우선순위등을설정하는계기가될수있을것으로기대된다. 4. 요약및결론 본연구에서는국내 60개 ASOS 관측값을사용한 GIS 기반회귀모형인 IGISRM 의고해상도격자기후자료를과도하게추정된극값을보정하기위한 IDW 보간법을적용하여 IDW-IGISRM 격자자료를생산하였다. IDW 보간법의영향반경을설정하기위해 3 km에서 30 km까지다양한값에대한민감도분석을실시하였고, 3 km를최적의영향반경으로설정하였다. IDW-IGISRM 을통해보정된격자자료는검증기간 (20012010 년 ) 동안공간분포, 4가지평가지표, 그리고 IGISRM 의오차가가장큰 4개지점에대한평가지표등 3가지관점에대해 AWS 관측자료와비교하여개선된모형의효용성을검증하고자하였다. 첫번째로공간분포에대해연평균강수량의극값은고도차이가큰지역을중심으로나타났고, 연평균최고최저기온은고도에반비례하는분포를보였다. 각기상변수에서 IGISRM 의극값추정값이 IDW-IGISRM 의격자분포에서감소되는것을확인하였다. 이와더불어 IGISRM 와 IDW-IGISRM 의격자자료중 243개의 AWS와최근접격자값을산출하여 AWS 관측자료와비교하였다. 그결과, 지형학적특성의영향을많이받는강수량과최저기온의경우, IGISRM 의과대모의에대한개선효과가나타났으나, 주로광역규모기후패턴의영향을받는최고기온에대해서는 IDW 보간법의적용효과가상대적으 로적게나타남을확인하였다. IDW 보간법적용결과, 관측자료와의극소값, 극대값, 평균값의오차범위가개선되는결과를보였다. 최고기온과최저기온의 IDW 적용격자는평균적으로각각 202개 (0.015%) 와 185개 (0.014%) 로확인되었다. 이연구에서는 IGISRM 과 IDW-IGISRM 에대해 4가지평가지표를산정하여각모형별예측성능을검증하였다. IDW 보간법적용결과, IGISRM 보다일강수량, 일최고 최저기온의 CC 값이 4.011.2% 증가하였고, IOA도 0.72.0% 개선되었다. 또한 MAE와 RMSE는각각 3.35.4%, 4.015.2% 감소함을확인하였다. IGISRM 과 IDW-IGISRM 두모형모두관측과일치도와오차범위가기존연구결과 (Kim et al., 2012) 를참조하였을때신뢰할만한수준으로판단되었고, IDW 보간법의효과도확인되었다. 그리고월평균검증을통해강수량은여름철에그리고일최저기온은일교차가커지는 14 월, 1012 월에 IDW 보간적용효과가상대적으로크게나타남을확인하였다. 이연구에서는검증기간중각기상변수별 IGISRM 의오차가크게나타나는상위 4개지점에대해정량적평가지표를통한모형검증을실시하였다. 그결과, 일강수량, 최고최저기온의 CC, MAE, RMSE가각각 4.122.9%, 29.158.1%, 29.353.0% 개선되었다. 이를통해, GISRM 의오차가크게나타나는지점에대해 IDW-IGISRM 의효용성이더크게나타남을확인하였다. 또한 IDW-IGISRM 을통한개선효과는공간적변동성이크며, 지형학적특성의영향을많이받는강수량에서가장크게나타났으며, 광역규모기후패턴의영향을받는일최고기온에서가장적게나타남을확인하였다. 이연구에서는 IDW-IGISRM 을통해정확도를크게개선하였고, 공간분포예측성능향상을도모하였다. 이러한고해상도격자자료는지역기후모델의검증을위한입력자료로매우유용하게사용될것이다. 더나아가전지구모형의통계적상세화를위한기초자료로활용되어국내기후변화영향평가 Journal of Climate Change Research 2015, Vol. 6, No. 4
고해상도격자기후자료내이상기후변수수정을위한통계적보간법적용 343 및적응, 취약성연구에유용하게활용될수있을것으로기대된다. 사사 본연구는 APCC의지원및국토교통부물관리사업의연구비지원 (14AWMP-B082564-01) 을통해수행되었습니다. REFERENCES Christensen J, Kumar KJ, Aldrian E, An SI, Cavalcanti IFA, De Castro M, Dong W, Goswami P, Hall A, Kanyanga JK, Kitoh A, Kossin J, Lau M-C, Renwick J, Stephenson DB, Xie SP, Zhou T. 2013. Climate phenomena and their relevance for future regional climate change. Climate Change 2013: The physical science basis. Contribution of working group I to the fifth assessment report of the Intergovernmental Panel on Climate Change. Stocker, Cambridge University Press, 1217-1308, doi:10.1017/cbo- 9781107415324.028. Daly C, Neilson RP, Phillips DL. 1994. Astatistical-topographic model for mapping climatological precipitation over mountainous terrain. Journal of Applied Meteorology and Climatology 33:140-158. Daly C, Gibson WP, Taylor GH, Johnson GL, Pasteris P. 2002. A knowledge-based approach 12 to the statistical mapping of climate. Climate Research 22:99-113. Daly C, Neilson RP, Phillips DL. 2007. A statistical-topographic model for mapping climatological precipitation over mountainous terrain. Journal of Applied Meteorology 33: 140-158. Eum HI, Gachon P, Lapris R. 2014. Developing a likely climate scenario from multiple regional climate model simulations with an optimal weighting factor. Climate Dynamics 43:11-35. Eum HI, Kim JP. 2015a. Generation of high-resolution gridded climate variables using modified PRISM over South Korea. Proceedings of the Spring Meeting of Korea Water Resource Association 10-13. (in Korean with English abstract) Eum HI, Kim JP. 2015b. Long-term high-resolution gridded climate data derived from an improved GIS-based regre- ssion technique: Case study for South Korea. Journal of Hydrology: Regional Studies, submitted. Hong KO, Suh MS, Rha DK, Chang DH, Kim CS, Kim MK. 2007. Estimation of high resolution gridded temperature using GIS and PRISM. Atmosphere 17(3):255-268. (in Korean with English abstract) Hwang SH, Ham DH. 2013. Evaluation of spatial downscaling methods for enhancement of spatial precipitation estimation. Journal of Korean Society of Hazard Mitigation 13(4):149-163. (in Korean with English abstract) Kim D, Ryu D, Choi Y, Lee W. 2010. Application of kriging and inverse distance weighting method for the estimation of geo-layer of Songdo area in Incheon. Journal of Korean Geotechnical Society 26(1):5-19. Kim JP, Lee WS, Cho HG, Kim GS. 2014. Estimation of high resolution daily precipitation using a modified PRISM model. Journal of the Korean Society of Civil Engineers 34(4):1139-1150. (in Korean with English abstract) Kim JW, Kim MK, Kim S, Kim YH, Han MS, Lee WS. 2012. High resolution climate change scenario based PRIDE model in South Korea. Proceedings of the Spring Meeting of Korean Meteorological Society 127-128. Kim MK, Lee DH. Kim JW. 2013. Production and validation of daily grid data with 1km resolution in South Korea. Journal of Climate Research 8(1):13-25. (in Korean with English abstract) Kim MK, Han MS, Jang DH, Baek SG, Lee WS, Kim YH, Kim S. 2012. Production technique of observation grid data of 1km resolution. Journal of Climate Research 7(1): 55-68. (in Korean with English abstract) Kittel T, Royle J, Daly C, Rosenbloom N, Gibson W, Fisher H, Schimel D, Berliner L. 1997. A gridded historical (1895-1993) bioclimate dataset for the conterminous United States. Proceedings of the 10th Conference on Applied Climatology(American Meteorological Society) 219-222. Leung LR, Kuo YH, Tribbia J. 2006. Research needs and directions of regional climate modeling using WRF and CCSM. Bulletin of the American Meteorological Society 87:1747-1751. Maloney ED, Camargo SJ, Chang E, Colle BC, Fu R, Geil KL, Hu Q, Jiang X, Johnson N, Karnauskas KB, Kinter J, Kirtman B, Kumar S, Langenbrunner B, Lombardo K, http://www.ekscc.re.kr
344 정여민 음형일 Long LN, Mariotti A, Meyerson JE, Mo KC, Neelin JD, Pan Z, Seager R, Serra Y, Seth A, Sheffield J, Stroeve J, Thibeault J, Xie SP, Wang C, Wyman B, Zhao M. 2014. North American Climate in CMIP5 experiments: Part III: Assessment of twenty-first century projections. Journal of Climate 27:2230-2270. Maurer EP, Hidalgo HG, Das T. 2010. The utility of daily large-scale climate data in the assessment of climate change impacts on daily streamflow in California. Hydrology and Earth System Sciences 14:1125-1138. Qian JH, Lareef Z. 2010. The effect of grid spacing and domain size on the quality of ensemble regional climate downscaling over South Asia during the Northeasterly Monsoon. Monthly Weather Review 138:2780-2802. Shin SC, Kim MK, Suh MS, Rha DK, Jang DH, Kim CS, Lee WS, Kim YS. 2008. Estimation of high resolution gridded precipitation using GIS and PRISM. Atmosphere 18(1):71-81. (in Korean with English abstract) Thornton P, Running SW, White MA. 1997. Generating surfaces of daily meteorological variables over large regions of complex terrain. Journal of Hydrology 190:214-251. Wilby LR, Wigley TML, Conway D, Jones PD, Hewitson BC, Main J, Wilks DS. 1998. Statistical downscaling of general circulation model output: A comparison of methods. Water Resources Research 34(11): 2995-3008. Wood AW, Leung LR, Sridhar V, Lettenmaier DP. 2004. Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs. Climatic Change 62:189-216. Journal of Climate Change Research 2015, Vol. 6, No. 4