DBPIA-NURIMEDIA - PDF Free Download

Journal of Climate Change Research 2018, Vol. 9, No. 1, pp. 13 29 DOI: https://doi.org/10.15531/ksccr.2018.9.1.13 특별호 사용자중심의기후변화시나리오상세화기법개발및한반도적용 조재필 * 정임국 * 조원일 * 황세운 ** * APEC 기후센터, 응용사업본부, ** 경상대학교, 애그로시스템공학부 User-Centered Climate Change Scenarios Technique Development and Application of Korean Peninsula Cho, Jaepil *, Jung, Imgook *, Cho, Wonil * and Hwang, Syewoon ** * Dept. of Cliamte Application, APEC Climate Center, Busan, Korea **Dept. of Agricultural Engineering(Institute of Agriculture and Life Science), Gyeonsang National University, Chinju ABSTRACT This study presented evaluation procedure for selecting appropriate GCMs and downscaling method by focusing on the climate extreme indices suitable for climate change adaptation. The procedure includes six stages of processes as follows: 1) exclusion of unsuitable GCM through raw GCM analysis before bias correction; 2) calculation of the climate extreme indices and selection of downscaling method by evaluating reproducibility for the past and distortion rate for the future period; 3) selection of downscaling method based on evaluation of reproducibility of spatial correlation among weather stations; and 4) MME calculation using weight factors and evaluation of uncertainty range depending on number of GCMs. The presented procedure was applied to 60 weather stations where there are observed data for the past 30 year period on Korea Peninsula. First, 22 GCMs were selected through the evaluation of the spatio-temporal reproducibility of 29 GCMs. Between Simple Quantile Mapping (SQM) and Spatial Disaggregation Quantile Delta Mapping (SDQDM) methods, SQM was selected based on the reproducibility of 27 climate extreme indices for the past and reproducibility evaluation of spatial correlation in precipitation and temperature. Total precipitation (prcptot) and annual 1-day maximum precipitation (rx1day), which is respectively related to water supply and floods, were selected and MME-based future projections were estimated for near-future (2010-2039), the mid-future (2040-2069), and the far-future (2070-2099) based on the weight factors by GCM. The prcptot and rx1day increased as time goes farther from the near-future to the far-future and RCP 8.5 showed a higher rate of increase in both indices compared to RCP 4.5 scenario. It was also found that use of 20 GCM out of 22 explains 80% of the overall variation in all combinations of RCP scenarios and future periods. The result of this study is an example of an application in Korea Peninsula and APCC Integrated Modeling Solution (AIMS) can be utilized in various areas and fields if users want to apply the proposed procedure directly to a target area. Key words: Downscaling, Climate Change Scenario, AIMS, SDQDM, SQM 1. 서론 기후변화연구는일반적으로미래기간에대한기후의비정상성 (non-stationarity) 과기상현상의물리적개연성을동시에고려하는전지구기후모델 (Global Climate Model, GCM) 의산출물을활용하여미래기상정보를생산하는과정을시작으로수행된다 (Hwang, et al., 2011; Milly, et al., 2008). 특히응용분야에대한기후변화영향평가를위해필요한미래기후정보구축은일반적으로크게 1) 시나리오및기후모델선정과 2) 편의보정및시 공간해상도조정을포함한 Corresponding author: swhwang78@gmail.com Received February 28, 2018 / Revised March 12, 2018 / Accepted March 20, 2018

14 조재필 정임국 조원일 황세운 기상정보후처리과정으로구성된다. 기후변화연구에적용되는미래온실가스배출시나리오와역학적기후모델의불확실성에더하여분야별적용을위한후처리작업들은응용모델의적용이전에순차적으로이루어지기때문에최종결과의도출과정에서발생될수있는불확실성으로서고려되어야한다 (Wilby and Dessai, 2010). 시나리오및기후모델선정과관련해서는국내의경우기상청에서제공하는 고해상도국가표준기후변화시나리오 의적용관련연구가활발하게이루어지고있다 (Kim, et al., 2013; Park, et al., 2012). 하지만단일모형의적용은기후변화영향평가결과의실효성제고를위해요구되는불확실성을고려하는데한계가있다. 더불어이를위해선행되어야할다양한기후모델에대한성능과적용성평가관련연구는미흡한실정이다. 사용되는 GCM의성능에따라서모의결과에차이를보이므로다양한 GCM에대한평가를통해모델을활용하는것은도출된미래전망결과의불확실성을고려하는데있어서기본적인방법이다. 따라서국내에서도보다다양한 GCM을활용하여기후모델의불확실성을평가하고자하는노력이이루어지고있다 (Sohn, et al., 2014; Park, et al., 2014; Bae, et al., 2011; Yun, et al., 2011; Shon, et al., 2010). 현재까지개선되어온기후모델의정확도는모의결과를응용연구에직접적으로활용하기에부족하므로기후모델산출물에대한편의보정 (bias correction) 과정이기후모델의후처리과정으로서필수적이다 (Hagemann et al. 2011). 하지만일반적으로사용되고있는편의보정기법은기상변수별로독립적으로적용되기때문에기상변수간상호상관성 ( 예 : 강수량, 기온, 일사량간의상관관계 ) 은고려되지않는경우가많으며, 이는다양한기상변수를입력자료로요구하는응용모델에있어또다른불확실성의요소가될수있다. 즉편의보정및시 공간해상도조정을포함한상세화과정에적용된기법의특성에따른예측결과의차이는기후변화영향평가의주요불확실성요소로서고려되어야한다. 공간상세화의경우그궁극적목적이대상기상요소의공간분포를재현하는것이므로공간분포의특성에대한재현성은상세화기법의적용성평가에포함되어야할중요요소이다. 이에반해관련연구는미흡한수준이며현재국내연구에서는사용자의분야별필요성과적용의용이성을기반으로선정된상세화기법을단순히적용하는것이일반적인경우이다. 적용기법의선정근거는연구결과의과학적신뢰도를제고하고그한계를고찰하는데있어중요한정보이다. 그러므로영향평가의궁극적목적에따른최적기법을 신중하게선정하여적용함으로써불확실성을최소화하는노력이필요하다. 이는기후모델의원시산출물에대한사전평가를통한합리적인모델선정을포함하고, 이후수행되는편의보정및공간상세화기법에대한과거기간관측자료대비모의결과의재현성평가를통해가능하다. 이와같은평가결과는적용분야의목적에따라적절하게선정되어야하는기후요소, 대상지역, 평가방법, 평가지표등에따라서결과가달라질수있다. 즉, 전망결과에대한신뢰도를정량화하고불확실성을고려할수있는다중기후모델기반영향평가방법을제시할필요가있음을의미한다. 따라서본연구에서는다양한기후모델정보의활용에있어서사용자의목적에적합한기후모델의선정및상세화기법의선정을통해종합적인기후변화영향평가결과를제시하기위한절차를개발하고적용성을평가하고자하였다. 2. 연구재료 2.1 기후변화시나리오자료 응용분야사용자가국가의기후변화적응정책을수립하기위해서는기후변화시나리오자료를필요로한다. 일반적으로기후변화시나리오자료는 IPCC 5차보고서에활용되었던 Coupled Model Intercomparison Project Phase 5 (CMIP5) 자료를사용하며, ESGF 포털 (https://esgf-node.llnl. gov/search/ cmip5/) 을통해제공되고있는 CMIP5 원자료는전지구대상자료로서용량이크기때문에특정지역에대한전망자료만을필요로하는일반사용자들이대용량자료를개별적으로반복하여수집하는것은비효율적이다. 본연구에서는 Table 1과같이 29개전지구기후모형 (Global Climate Models, GCM) 으로부터생산된과거기간 (Historical) 및 RCP 4.5와 RCP 8.5 2개시나리오자료중에서한반도영역에대하여 APEC 기후센터에서추출하여제공하고있는자료를사용하였다. 2.2 관측자료기후변화시나리오자료의편의보정을포함한통계적상세화를위해서는지역의기후특성을반영하는일단위관측자료가필요하다. 본연구에서는수집한 CMIP5 자료 (Fig. 1) 에서와같이과거기간의마지막연도로정한 2005 년을기준으로과거 30년기간 (1976 2005) 에대한자료가존재하는기상청의 60개종관기상관측소자료를기상자료개방포털 (https://data. kma.go.kr/) 로부터다운로드받아사용하였다. Journal of Climate Change Research 2018, Vol. 9, No. 1

Table 1. 29 Global Climate Models (GCMs) provided through the APCC Data Service System (ADSS) No GCMs Resolution (Degree) Institution Variables of Historical & RCP4.5 & RCP8.5 PR TX TN WD SR RH 1 BCC-CSM1-1 2.813 2.791 Beijing Climate Center, China Meteorological Administration 2 BCC-CSM1-1-m 1.125 1.122 3 CanESM2 2.813 2.791 Canadian Centre for Climate Modelling and Analysis 4 CCSM4 1.250 0.942 5 CESM1-BGC 1.250 0.942 National Center for Atmospheric Research 6 CESM1-CAM5 1.250 0.942 7 CMCC-CM 0.750 0.748 Centro Euro-Mediterraneo per I Cambiamenti Climatici 8 CMCC-CMS 1.875 1.865 9 CNRM-CM5 1.406 1.401 Centre National de Recherches Meteorologiques 10 CSIRO-Mk3-6-0 1.875 1.875 11 FGOALS-g2 2.8125 3 Commonwealth Scientific and Industrial Research Organisation in collaboration with the Queensland Climate Change Centre of Excellence LASG, Institute of Atmospheric Physics, Chinese Academy of Sciences; and CESS, Tsinghua University 12 FGOALS-s2 2.813 1.659 LASG, Institute of Atmospheric Physics, Chinese Academy of Sciences 13 GFDL-CM3 2.5 2 14 GFDL-ESM2G 2.500 2.023 Geophysical Fluid Dynamics Laboratory 15 GFDL-ESM2M 2.500 2.023 16 HadGEM2-AO 1.875 1.250 17 HadGEM2-CC 1.875 1.250 Met Office Hadley Centre 18 HadGEM2-ES 1.875 1.250 19 INM-CM4 2.000 1.500 Institute for Numerical Mathematics 20 IPSL-CM5A-LR 3.750 1.895 21 IPSL-CM5A-MR 2.500 1.268 Institut Pierre-Simon Laplace 22 IPSL-CM5B-LR 3.750 1.895 23 MIROC-ESM-CHEM 2.813 2.791 Japan Agency for Marine-Earth Science and Technology, Atmosphere and Ocean Research 24 MIROC-ESM 2.813 2.791 Institute 25 MIROC5 1.406 1.401 and National Institute for Environmental Studies 26 MPI-ESM-LR 1.875 1.865 Max Planck Institute for Meteorology (MPI-M) 27 MPI-ESM-MR 1.875 1.865 28 MRI-CGCM3 1.125 1.122 Meteorological Research Institute 29 NorESM1-M 2.500 1.895 Norwegian Climate Centre 사용자중심의기후변화시나리오상세화기법개발및한반도적용 15

16 조재필 정임국 조원일 황세운 Fig. 1. Weather stations used for downscaling. 일반적인분석시스템의적용을위해관측자료의완결 성검증을수행하였으며이는관측자료에많은결측기간을포함하고있는개발도상국에대한분석시스템의적용시선행되어야할필수과정이다. 더불어관측자료의평가는이후의상세화과정을진행하기전에강수및기온의월평균패턴을그래프로살펴보는동시에월별로얼마나많은결측이포함되어있는지를사용자에게제시함으로써문제가있는지점자료에대한적용여부를결정하도록하기위해필요하다. 2.3 기후변화시나리오상세화기법 공간해상도를높이는공간적상세화기법중에서역학적상세화기법과비교적간단한통계적상세화기법으로분류되며, 통계적상세화기법으로는기상패턴 (weather pattern) 방법, 회귀적 (regression) 방법, 기상발생기 (weather generator) 방법등다양한방법들이사용되고있다. 또한편의보정중심의방법들로는편의보정과통계적내삽기법을연계한 BCSD (Bias-Correction and Spatial Disaggregation) 방법과내삽된고해상도정보를동일한해상도의관측치를이용하여편의를보정하는 SDBC (Spatial Downscaling and Bias-Correction) 방법등이있으며 GCM들의상세화방법으로서널리사용되고있다. 다양한방법을전제로하는사용자중심의상세화기법의평가및목적에적합한기법의선정을위해서현재 AIMS (APCC Integrated Modeling Solution, http://aims.apcc21.org/) 에서에서제공하고있는편의보정중심의 Simple Quantile Mapping (SQM) (Cho et al., 2018) 및 SDBC 방법에속하는 Spatial Disaggregation with Quantile Delta Mapping (SDQDM) (Eum and Cannon, 2016) 기법을이용하였다. 본연구에서사용된 CMIP5 자료는일단위 (daily) 자료를사용하였기때문에월단위자료를일단위자료로변환하는시간적상세화절차가필요없다. 사용된 SQM 및 SDQDM 방법들은저해상도원시 GCM 값과관측값사이에존재하는시스템오차를제거하는편의보정 (bias correction) 과정에서지점단위의관측값을사용함으로서공간적인상세화를동시에수행하는특성을갖고있다. ADSS 에서제공하는한반도기후변화시나리오자료와연동이되는 AIMS 를이용하여한반도 60개지점에대한상세화자료를생산하였다. 최종적으로생산되는상세화자료의해상도는통계적상세화방법의특성상두방법모두상세화의입력으로사용되는관측자료의공간해상도를따른다. 현재 AIMS 에탑재되어있는 R기반상세화패키지인 rsqm (https://cran.r-project.org/web/packages/rsqm/index.html) 및 rsdqdm 은격자형자료를고려하지않고있으며기상관측지점의관측자료를기반으로개발되었다. SQM 방법은관측지점및기상변수별로독립적으로상세화를수행하게된다. 공간적으로는특정관측지점에해당되는 GCM격자의값을바로사용하며시간적으로는월별로관측자료와원시 GCM의값을경험적분위사상법 (Empirical Quantile Mapping) 을이용하여일단위 GCM 자료에포함되어있는 GCM 별시스템오차 (bias, 편의 ) 를보정하는방법이다. 반면 SDQDM 방법은편의보정을수행하기전에주위 GCM 격자들의값을이용하여역거리가중법 (Inverse Distance Weighted, IDW) 을이용하여내삽을한후, 자료의 Quantile별로원시 GCM에서전망된미래기간에대한변화율을유지시키며편의보정을하는통계적방법이다. 따라서 SQM은계산이빠르다는장점이있는반면에 SDQDM 의경우에는평균뿐만아니라극값에해당되는범위대해서도원시 GCM에서갖고있는장기추세를왜곡을최소화하여고려할수있는점이장점이라할수있다. 2.4 극한기후지수사용자의목적에적합한상세화기법의선정은서로다른기법을이용하여생산된상세기후자료를동일한기간의관측자료와의비교를기반으로하는과거재현성평가및미래기간에대한시그널 (Signal) 의왜곡도평가를통해가능하다. 과거기간에대한재현성및미래시그널왜곡도평가를위해서 Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자중심의기후변화시나리오상세화기법개발및한반도적용 17 는기후자료의특성을여러관점에서살펴볼필요가있다. 본연구에서는 Table 2에서와같이기후변화연구에보편적으로사용되고있는 Expert Team on Climate Change Detection and Indices (ETCCDI) 극한기후지수 (Climate Extremes Indices) (http://etccdi.pacificclimate.org/list_27_indices.shtml) 를사용하였다. 27 개기후지수는강수량과관련있는 11 개 지수에기온과관련있는 16 개지수로구성되어있다. Table 2. Lists of ETCCDI Climate Extreme Indices ID Variable Description Unit SU Annual count of days when TMAX > 25 C ID Annual count of days when TMAX < 0 C days TXn Annual minimum value of TMAX C TXx TMAX Annual maximum value of TMAX C TX10p Percentage of days when TMAX < 10th percentile % TX90p Percentage of days when TMAX > 90th percentile % WSDI Annual count of days with at least 6 consecutive days when TMAX > 90th percentile days FD Annual count of days when TMIN < 0 C days TR Annual count of days when TMIN > 20 C days TNn Annual minimum value of TMIN C TNx TMIN Annual maximum value of TMIN C TN10p Percentage of days when TMIN < 10th percentile % TN90p Percentage of days when TMIN > 90th percentile % CSDI Annual count of days with at least 6 consecutive days when TMIN < 10th percentile days DTR Annual mean difference between daily maximum temperature TMAX and TMAX & TMIN TMIN C Annual (1st Jan to 31st Dec in Northern Hemisphere (NH), 1st July to 30th GSL TAVG June in Southern Hemisphere (SH)) count between first span of at least 6 days with daily mean temperature TG > 5 C and first span after July 1st days (Jan 1st in SH) of 6 days with TG < 5 C. CDD Maximum number of consecutive days with daily PRCP < 1mm days CWD Maximum number of consecutive days with daily PRCP 1mm days PRCPTOT Annual total PRCP in wet days (daily PRCP 1mm) mm Rx1day Annual maximum 1-day precipitation mm Rx5day Annual maximum 5-day precipitation (PRCP) mm PRCP R95pTOT Annual total PRCP when daily PRCP > 95 percentile mm R99pTOT Annual total PRCP when daily PRCP > 99 percentile mm SDII Annual precipitation divided by the number of wet days mm/day R10mm Annual count of days when PRCP 10mm days R20mm Annual count of days when PRCP 20mm days Rnnmm Annual count of days when PRCP nnmm, nn is a user defined threshold (Default threshold is 1) das days

18 조재필 정임국 조원일 황세운 (a) Provider-centered climate service (b) User-centered climate service Fig. 2. Comparison of the provider-centered and user-centered climate services. 3. 연구방법 Fig. 2는공급자중심의기후서비스와사용자중심의기후서비스의개념을보여준다. 공급자중심의기후서비스는 Fig. 2의 (a) 에서와같이공급자입장에서결정된기후자료및상세화방법을사용자입장에서선택의여지없이사용하는경우로서기후자료중심의기후서비스를의미한다. 이경우사용자의기후정보의활용은사용자의목적을고려한기후자료의주요특성에대한분석및평가없이수행되게된다. 반면사용자중심의기후서비스는 Fig. 2의 (b) 에서와같이사용자의구체적인목적으로부터시작되며다수의기후자료 (GCM) 및상세화 (Downscaling) 방법이존재하는것을전재로한다. 즉, 기후정보활용목적을가장먼저고려하여기후정보중에서고려되어야할주요특성이무엇인지를결정한후선정된기후특성을가장반영할수있는상세화방법과기후자료 (GCM) 를선정하여활용하는접 근방법이다. 이는공급자입장에서의일방향자료제공이아니라적용대상지역의특성및기작 (process) 를가장잘이해하고있는사용자의지식공유를기반으로하는쌍방향접근방식이다. 사용자중심의기후변화상세화자료활용을위한절차는 Fig. 3에서와같이 4단계로제시하였다. 1단계는 GCM 의계통오차보정전의결과를이용하여원시 GCM의시 공간적기후특성의재현성을평가하여재현성이낮은 GCM을이후분석과정에서제거하는단계이다. 사용자중심의상세화기법은 2 3 단계의평가를거쳐선정된다. 2단계에서는사용자가선정한주요극한기후지수 (Climate Extreme Indices) 의과거기간에대한재현성이평가및미래기간에대한원시 GCM의미래전망시그널이상세화과정을통해얼마나왜곡되는지를평가한다. 3단계에서는관측지점간의공간상관성에대한재현성평가가수행된다. 최종적으로사용자의목적에적합한 GCM 및상세화 Fig. 3. Procedures for user-centered application of climate change scenario in impact assessment modeling. Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자중심의기후변화시나리오상세화기법개발및한반도적용 19 기법이선정되면 4 단계에서는 GCM 별가중치결정을통 해다중모형앙상블 (Multi-Model Ensemble, MME) 기반의 미래전망과 GCM 개수별불확실성범위를제시하게된 다. 3.1 원시 GCM 평가를통한 Worst GCM 제거 기후모델의원시산출물에대한상세화이전단계에서의 사전평가는기후변화영향연구결과의실효성을제고하기위한필수과정이다 (Hwang, 2014; Hwang, et al., 2011; Palutikof, et al., 1997). 원시 GCM평가는통계적상세화과정전의원시 GCM이갖는시 공간적인패턴이실제관측자료에의한패턴과비교하여얼마나잘재현되는지를평가하고기후의시 공간적인특성을현저하게반영하지못하는 GCM들을이후과정에서제외하는것을목적으로한다. 시간적인재현성은강수량의경우원시 GCM의값과실제관측값으로부터순별 30년평균을계산한후 Pearson 상관계수 (Pearson Correlation Coefficient) 를관측소별로계산한후전체평균을계산하였다. 추가적으로관측소별로계산된상관계수는 36개샘플개수 ( 순의개수 ) 및 5% 유의수준에서결정되는상관계수의임계값과의비교를통하여전체 60개관측소중에서몇개의관측소에서임계값보다높은상관계수를보이는지를의미하는통과율을계산하였다. 공간적재현성은순별 30년평균을계산한후 60개관측소에의한상관계수를계산한후전체평균을계산하였다. 계산된상관계수는 60개샘플수및 5% 유의수준에서제시되는상관계수의임계값과의비교를통해전체 36개순에서몇개의순이임계값보다높은값을보이는지를의미하는통과율을계산하였다. 최종적으로강수에대한순위는 GCM 별계산된시간적통과율과공간적통과율의평균을기준으로순위를계산하였다. 평균기온에대해서도강수량과동일한방법을이용하여 GCM의순위를결정하였다. 최종적으로강수량과기온을기준으로관측자료와비교하여시 공간적으로유사한패턴을보이는 GCM을순서대로제공함으로써사용자가지역의특색을반영하지못하는 GCM들을제외하고사용할수있도록하였다. (1) 3.2 극한기후지수기반상세화기법선정 3.2.1 극한기후지수의과거재현성평가극한기후지수의과거재현성평가는상세화된기후변화시나리오자료가동일한과거기간의관측자료와비교하여얼마나유사한지를평가하는것을목적으로한다. 재현성평가는과거기간에대하여연별로계산되는값들로부터중앙값과분포를 Boxplot 을도시한후비교하였다. 즉사용자가선정한기후지수에대해관측자료로부터모든관측소에대해계산된중앙값과다중 GCM으로부터모든관측소에대해계산된중앙값의비교를통해기후특성에대한재현성을평가하였다. 3.2.2 극한기후지수의미래시그널왜곡도평가과거기간에대한재현성평가는관측자료를기준으로하는반면극한기후지수의미래시그널왜곡도평가는기후변화시나리오자체정보만을가지고평가하는방법이다. 여기서시그널 (Signal) 은특정극한기후지수의미래기간과과거기간의차이로정의하였으며, 편의보정전의원시 GCM에서보여주는시그널과상세화된 GCM의시그널이얼마나많은차이를보이는지를평가하는방법이다. 차이가적을수록원시GCM이보여주는미래전망을왜곡없이유지하는것을의미하며전체불확실성전파 (propagation) 과정에기여하는바가적다고판단할수있다. 시그널의왜곡도평가는시그널의차이를이용하여 RCP 시나리오별, 미래기간별각상세화방법의 GCM에따른분포를 Boxplot 을통해시각화하여평가하였다. 3.3 공간상관성평가기반상세화기법공간상관성평가는관측지점사이의거리에따른유사성을나타내는 Variogram을이용하였다. Variogram은관측지점사이의거리와식 (2) 에의해계산된 gamma 값을사용하여자료를정리하고시각화한그래프로써, 관측지점사이의거리가증가함에따라서증가하는 gamma 값은기후변수의유사성이감소함을의미한다. 즉동일한과거기간과관측지점에대해상세화방법별상세화자료와관측자료를이용하여도출된 variogram 결과를비교함으로써공간상관성을얼마나잘재현하는지를평가할수있다. 공간상관성의재현성평가는대상지역의공간규모와적용분야에따라서중요도가달라질수있

20 조재필 정임국 조원일 황세운 다. 예를들어유역모델링등수문분석에있어서관측지점사이의상관성이중요할수있으며대규모유역의경우가작은규모의유역보다는중요할수있다. (2) 3.4 GCM별가중치및불확실성범위제공앞서제시된절차를통해사용자의목적에적합한 GCM 및상세화기법을선정할수있다. 선정된 GCM과상세화기법을이용하여생산된자료를이용하여 Fig. 4에서와같이순단위 30년평균및변동성관련오차 (Error) 및사용자가선정한기후지수재현성평가결과를기반으로가중치를부여하고다중모형기반전망을계산할수있다. 우선 Fig. 4의 1번에서와같이과거기간에대한강수량의순별평균을상세화된 GCM을이용하여계산한후관측자료기반의순별평균과비교하고 RMSE 오차를계산하여 GCM들이평균을얼마나잘재현하는지를비교할수있다. 다른하나는 Fig. 4의 2번에서와같이순별로 30년의개별강수량에의해계산되는변동성을 Coefficient of Variation (CV) 값으로나타내고상세화된 GCM에의한순별 CV 값들과관측에서보여준순별 CV 값들사이에서발생하는 RMSE 오차를계산하여 GCM들별로변동성을얼마나잘재현하는지를비교할수있다. 앞서언급된평균에대한오차와변동성에대한오차는가중치결정과 정에항상고려된다. 마지막으로사용자가선정한극한기후지수에대하여관측자료및 GCM별상세화자료로부터계산된분포의유사도를 p-value로계산하였다. 최종적으로평균및 CV에대한 RMSE와사용자가선정한 Climate Extreme Index에대한유사도를 0 1사이의값으로표준화한다. RMSE 는오차로서값이클수록다름을의미하고유사도의 P-value 또한 1에서 P-value 를빼서계산함으로써값이클수록서로다름을의미한다. 평균, 변동성, 사용자지정극한기후지수의유사도를종합적으로고려하기위해각인자의재현성평가결과를표준화한값들과원점까지의거리를계산하여정리된하나의값을제곱의역수로정리하여가중치를계산하였고, 계산된가중치를이용하여다중모형기반의평균미래전망을계산하였다. 4. 연구결과및고찰 4.1 원시 GCM 평가를통한 Worst GCM 제거 한반도의 60개기상관측지점에대하여순별 30년평균의강수및기온에대한시 공간적재현성결과는 Fig. 5 와같다. 강수량의경우시간적재현성의경우 8개 GCM 을제외하고모든 GCM에서 60개관측소에서순단위시간상관계수가임계치보다항상큰값을보여공간적재현성과비교하여높은통과율을보였다. 이는 GCM의모의값이공간적인기후분포를재현하는데어려움이있음을의미한다. 시간및공간적인통과율의평균을기준으로 GCM 순위를결정한경우 HadGEM-ES 가가장좋은시공 Fig. 4. Components and conceptual diagram for determining weight factor for estimating multi-model ensemble (MME). Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자중심의기후변화시나리오상세화기법개발및한반도적용 21 (a) Correlation Coefficient for Precipitation (b) Correlation Coefficient for Temperature Fig. 5. Correlation Coefficient (CC) for precipitation and temperature. 간적인재현성결과를보인반면에 CanESM2 가시공간적으로가장낮은재현성결과를보였다. 반면기온의경우에는모든 GCM들이 60개관측소에서순단위시간상관계수가임계치보다항상큰값을보여시간적인기온의연간패턴을잘모의하는것으로나타났다. 공간적재현성의경우는모든 GCM에서강수량과비교하여높은경향을보여평균통과율을기준으로한 GCM의순위는기온의경우공간적재현성이가장중요한것으로나타났다. 그림에서통과율이같은경우에는상관계수의평균이높은 GCM 을우선적으로선정하였다. 기온의경우 MRI-CGCM3 및 bcc-csm1-1-m이각각가장좋은공간재현성과나쁜재현성을보이는 GCM으로선정되었다. 최종적인 GCM의선정은강수및기온변수에대한시 공간적인상관계수의평균을이용하여계산하였다. Fig. 6은원시 GCM의강수및기온에대한 GCM의순위를보여준다. 본연구에서는하위 7개 GCM (23 29 Rank) 을제외한 Fig. 6. Result of raw GCM evaluation with 60 weather stations on Korea peninsula.

22 조재필 정임국 조원일 황세운 (a) (b) Fig. 7. Reproducibility result of (a) annual total precipitation (prcptot) and (b) annual maximum 1-day precipitation (rx1day) on Korea peninsula according to different downscaling methods. 22개 GCM을최종적으로사용하였다. 4.2 극한기후지수기반상세화기법선정 4.2.1 극한기후지수의과거재현성평가원시 GCM의평가를통해선정된 22개 GCM에대하여 SQM 및 SDQDM 기법을기반으로 60개의기상관측지점에대하여상세화된자료를이용하여 27개극한기후지수별재현성을평가하였다. Fig. 7은연총강수량 (prcptot) 및연 1일최대강수량 (rx1day) 의재현성을평가한결과로써 SQM이 SDQDM과비교하여관측자료와비교하여중앙값을잘재현하는결과를보여주었다. 각그래프의좌측칼럼은실제관측자료로부터추출된중앙값과연별계산된값들의범위를보여주고우측칼럼은 SQM 및 SDQDM 방법을적용한결과를비교하고있다. 변동성의 범위를살펴보면그래프에서상세화된자료에의한변동성이두방법모두관측에의한변동성보다크게나타났다. 이는관측자료의경우 30개의분포를보여주는반면상세화방법에의한자료들의경우 570개 (19개 GCM 30년 ) 의연강수량의분포를보여주기때문에특정 GCM 이크게또는작게모의하는경우관측자료와비교하여변동성의범위를크게보여줄수있다. 연총강수량 (prcptot) 에대한 GCM별중앙값에대한재현성비교는 Fig. 8에제시되어있다. 관측자료의경우 1310.2 mm를보인반면선택된 22개 GCM들의경우 HadGEM2-CC가가장작게모의하였고 IPSL-CM5B-LR 이가장크게모의하는경향을보였다. 하지만 22개 GCM으로부터계산된다중모형앙상블 (Multi-Model Ensemble, MME) 의값은 1304.6 mm로서 0.4% 오차를보이며관측값 Fig. 8. Total precipitation index s median about each GCMs, Observed and MME. Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자중심의기후변화시나리오상세화기법개발및한반도적용 23 Table 3. Median values of ETCCDI climate extreme indices according to downscaling methods Indices OBS SQM SDQDM Prcptot 1310.17 1304.57(-0.43%) 966.64(-26.22%) Cdd 29.23 31.28(7.04%) 30.38(3.96%) Cwd 5.91 7(18.48%) 7.45(26.09%) R95ptot 402.22 326.5(-18.82%) 205.88(-48.81%) R99ptot 115.09 71.01(-38.3%) 42.57(-63.01%) Rx1day 135.92 132.32(-2.65%) 81.07(-40.35%) Rx5day 222.23 232.42(4.59%) 148.87(-33.01%) Sdii 16.45 16.38(-0.43%) 11.65(-29.18%) Rnnmm 81.6 80.3(-1.59%) 83.23(2%) R10mm 33.95 33.34(-1.79%) 28.67(-15.54%) R20mm 19.54 19.34(-1.02%) 14.36(-26.52%) Su 107.52 109.29(1.65%) 87.86(-18.28%) Id 8.68 10.03(15.66%) 11.82(36.22%) Txn -3.99-3.98(0.13%) -4.51(-13.11%) Txx 34.73 34.54(-0.56%) 32.38(-6.78%) Tx10p 10.33 21.18(105.02%) 21.01(103.4%) Tx90p 9.66 1.09(-88.75%) 0.91(-90.59%) Wsdi 1.54 NA(median is 0) NA(median is 0) Fd 100.13 99.63(-0.5%) 104.5(4.36%) Tr 50.38 51.07(1.36%) 36.79(-26.98%) Tnn -13.44-13.58(-1.1%) -13.67(-1.75%) Tnx 25.33 25.1(-0.9%) 24(-5.26%) Tn10p 9.93 21.57(117.14%) 22.47(126.28%) Tn90p 10.78 1.48(-86.29%) 1.18(-89.04%) Csdi 0.63 13.23(1989.47%) 18.12(2761.84%) Dtr 10.3 10.35(0.52%) 10.15(-1.44%) Gsl 271.12 272.64(0.56%) 265.21(-2.18%) 과비슷한값을보였다. 따라서 GCM 선정에따라불확실성이높은강수량의경우에는단일모형을기반으로기후변화적응정책을수립하는것은적절하지못하며다중모형기반의전망을기반으로적응정책을수립하는것이바람직하다. 27개기후지수에대한중앙값의재현성평가결과는 Table 3에제시되어있다. 전체 27 기후지수중에서 cdd (Maximum length of dry spell) 및 tx10p (percentage of days when TMAX < 10th percentile) 의경우 SDQDM이좋은재현성결과를보여주고있고 wsdi (Warm spell duration index) 의경우는두방법모두 NA 결과를보였다. 반면나머지 24개기후지수에대해서는 SQM이중앙값의재현성에있어서좋은결과를보였다. 이는하나의상세화방법이모든기후특성을재현하는데있어서완벽하지않다는전제하에서사용자의목적에가장관계가깊다고판단되는극한기후지수의특성을 보다잘재현하는상세화방법을선택할수있는정보제공을목적으로한다. 제시된 27개지수들중에는 rx1day 및 rx5day 등과같이지수들사이의상관성이큰지수들이존재한다. 따라서특정분야에적합한상세화기법의선정에있어서는지수들사이의상관성이높은지수들이동시에선택되지않도록주의할필요가있다. 4.2.2 극한기후지수의미래시그널왜곡도평가시그널의왜곡도는상세화방법에따른시그널의차이에대한분포를 Boxplot을통해 RCP 시나리오별 (RCP4.5 및 RCP8.5), 미래기간별 (S1_2025s: 2010 2039, S2_2055s: 2040 2069, S3_2085s: 2070 2099) 로시각화하여평가하였다. Fig. 9는연총강수량및연1일최대강수량에대해 SQM 및 SDQDM 방법에의한시그널왜곡도를보여준다. SQM 및 SDQDM 방법모두원시 GCM이보여주는시그널을기준으

24 조재필 정임국 조원일 황세운 (a) (b) Fig. 9. Signal difference of (a) annual total precipitation (prcptot) and (b) annual maximum 1-day precipitation (rx1day) on Korea peninsula according to different downscaling methods. Table 4. Median values of signal difference in climate extreme indices before and after the downscaling for the future period (RCP 4.5 and S1: 2010 2039) Indices Raw GCM Signal SQM Signal SDQDM Signal Prcptot 33.3 112.93(239.16%) 46.04(38.28%) Cdd -0.17 0.4(338.91%) 0.53(420.33%) Cwd 0.13 0.42(217.74%) 0.21(58.25%) R95ptot 30.63 83.17(171.5%) 44.44(45.06%) R99ptot 18.6 55.34(197.61%) 28.75(54.59%) Rx1day 4.29 15.67(265.34%) 8.2(91.21%) Rx5day 9.52 35.6(273.96%) 16.61(74.43%) Sdii 0.31 1.33(327.25%) 0.59(90.31%) Rnnmm -0.55 0.13(123.39%) -0.07(88.08%) R10mm 0.34 1.03(206.5%) 0.61(80.23%) R20mm 0.3 0.91(202.88%) 0.63(111.7%) Su 15.84 20.53(29.67%) 17.43(10.06%) Id -3.72-3.38(9.3%) -2.96(20.55%) Txn 0.9 1.08(19.94%) 0.89(-1.11%) Txx 0.89 1.27(42.66%) 0.87(-2.54%) Tx10p -8.74-8.67(0.75%) -8.87(-1.52%) Tx90p 3.12 3.12(0.06%) 2.98(-4.47%) Wsdi 0.97 0.99(1.95%) 1.35(39.35%) Fd -8.31-11.52(-38.69%) -14.63(76.11%) Tr 12.34 14.57(18%) 11.17(-9.52%) Tnn 1.05 1.39(32.23%) 1(-4.17%) Tnx 0.77 1.15(50.12%) 0.79(2.54%) Tn10p -9.79-9.76(0.32%) -10.54(-7.63%) Tn90p 3.22 3.23(0.24%) 3.22(0.02%) Csdi -11.96-11.84(1.03%) -15.25(-27.49%) Dtr -0.01 0.08(1332.14%) -0.03(-389.9%) Gsl 12.52 12.92(3.19%) 17.33(38.45%) Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자 중심의 기후변화 시나리오 상세화 기법 개발 및 한반도 적용 로 미래 기간에 대한 연총강수량 및 연1일최대강수량의 변화 25 이 27개 극한기후지수 중에서 9개 지수에서 우수한 결과를 를 작게 모의하는 경향을 보이고 있다. 상세화 방법 사이의 비 보였고 SDQDM이 나머지 18개 지수에 대해 우수한 시그 교는 극값을 포함한 모든 구간에서 시그널 왜곡의 최소화를 널 왜곡도 결과를 보여 주었다. 목적으로 개발된 SDQDM이 SQM 방법과 비교하여 우수한 4.3 공간 상관성 평가 기반 상세화 기법 선정 결과를 보여주었다. Table 4는 RCP 4.5 시나리오의 근 미래 (S1: 2010 2039) 기간에 대한 극한기후지수 별 왜곡도 결과를 보여준다. SQM Fig. 10은 기상 변수 별 한반도 60개 기상관측소간의 공간 상관성에 대한 재현성 결과를 보여 준다. 강수량의 경우 관측 (a) Precipitation Variogram (b) Maximum temperature Variogram (c) Minimum temperature Variogram Fig. 10. Reproducibility results of spatial correlation among 60 weather stations on Korea Peninsula according to downscaling methods.

26 조재필 정임국 조원일 황세운 자료와비교하여관측소간의거리가멀어짐에따라관측소간의유사성이줄어드는 (Gamma 값이증가하는 ) 경향을보이고있으며, SQM 이 SDQDM과비교하여관측자료의패턴과유사한결과를보여주고있다. 최고기온및최저기온에서도강수량과비슷하게 SQM이 SDQDM보다관측의특성을잘재현하는결과를보였다. 이는 SDQDM 의경우관측소간의거리가멀어짐에따라서관측소간의유사성이관측자료와비교하여높게나타나는것을의미한다. 이는 SDQDM 기법의경우편의보정이전에 GCM으로부터개별관측소별값을추출하는과정에서주위 GCM 격자들의값을이용하여역거리가중법 (IDW) 기반의내삽과정을거치게된다. 이과정에서 100km 300km 범위의 GCM 격자크기와한반도의공간적크기를고려할때, 한반도주변의격자값들이대부분의관측소에대하여동일하게사용될수있다. 따라서 SDQDM 기법의경우우리나라대부분의지역에서관측자료및 SQM 기법과비교하여공간적으로높은상관성을보이는것으로판단된다. 일반적으로기온의경우공간적으로변화가심한강수량과비교하여관측소간의거리가증가함에따라서유사성이높게유지될수있다. 이로인하여내삽과정에서영향을적게받는기온의경우가강수량과비교하여관측및 SQM에비슷한결과를보였다. 따라서 SDQDM과같이내삽절차가포함된상세화기법을사용하는경우에는내삽방법에따른공간상관성의과대 과소추정및이로인해 2차적으로발생할수있는강수의천이확률등에미치는영향을고려하여사용되어야한다. 공간적기후특성의재현성은유역모델링과같이수문분석에있어서중요할수있다. 국내의농업용저수지상류유역과같이소유역의저수지유입량을모의하는경우에는일반적으로가장가까운관측소의자료만을사용하는경우가많다. 하지만낙동강전체유역의유출량을분석하는경우에는낙동강유역및인구관측소의자료가동시에사용되기때문에관측지점사이의일단위강우상관성이중요할수있다. 또한필지규모의농업분야작물생육관련모델링의경우에는한반도전체에대해고려하더라도지점사이의연계성고려없이지점별로독립적으로적용이되기때문에공간적인재현성평가가중요하지않다. 4.4 GCM별가중치및불확실성범위제공앞서선택된 22개 GCM 및 SQM 상세화기법에더하여 27개극한기후지수중에서사용자목적에적합한기후지수를중심으로다중모형앙상블 (Multi-Model Ensemble, MME) 계산을위한 GCM별가중치를결정하였다. Fig. 11은이수측면에서중요하다고판단되는연총강수량 (prcptot) 과홍수관점에서중요하다고판단되는연1일최대강수량 (rx1day) 을중심으로강수량의순단위평균및변동계수의오차와선택된극한기후지수의분포적합성을고려하여계산된 GCM별가중치를보여준다. CESM1-BGC가가장높은가중치를보인반면 HadGEM2-CC의경우가장낮은가중치를보였다. GCM별가중치를고려하여과거기간대비미래기간의 RCP 시나리오별총강수량및일최대강수량에대한 60개관 Fig. 11. Weight factor for each GCM for calculating multi-model ensemble. Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자중심의기후변화시나리오상세화기법개발및한반도적용 27 (a) (b) Fig. 12. Weighted average of changes in (a) prcptot and (b) rx1day based on the downscaled data using 22 GCMs and SQM method. 측지점평균변화량은 Fig. 12에제시되어있다. 근미래, 중간미래, 먼미래기간에대하여강수량및일최대강수량은모두증가하는추세를보였고 RCP4.5 시나리오보다는 RCP8.5 시나리오에서증가폭이크게나타났다. 앞서최종적으로사용자에의해선정된 SQM 상세화기법및 22개 GCM을기반으로생산된상세화자료를적응대책수립을위한응용모델링활용하는경우, 모형의특성에따라서적용의난이도가다를수있다. 예를들면구동시간이오래걸리는모형의경우 22개 GCM의개수가제한요소로작용될수있다. 이경우사용자는 22개보다적은수의 GCM 을사용하기를원하는데이경우 GCM의선정개수로부터발생하는불확실성이고려되어야한다. Fig. 13은전체 22개 GCM 중에서 Fig. 11에서선정된가중치의순서대로 GCM의개수를한개씩증가시켜가는경우사용되는 GCM의개수에따른불확실성의설명력평가결과를보여주고있다. 즉 22개 GCM 에의해서발생되는최댓값과최솟값의차를전체불확실성범위로가정하여 GCM 개수의증가에따른불획실성범위가차지하는비율을보여준다. 즉 RCP4.5 및 RCP8.5 시나리오에대하여모든기간 ( 근미래 : S1, 중간미래 : S2, 먼미래 : S3) 에대하여 22개 GCM 중에서 20개 GCM만을고려할때전체변동성의 80% 이상을설명함을의미한다. 5. 결론및고찰 본연구는지역특성을반영한상세기후변화시나리오자료를필요로하는사용자의활용목적에맞게다중 GCM 및 상세화기법중에서적합한 GCM 및상세화기법을선정하여기후변화적응대책을수립하는데활용할수있는가이드라인들제시하고자하였다. 절차는 1) 편의보정이전의원시 GCM의평가를통한적합하지못한 GCM 제거, 2) 극한기후지수를기반으로하는과거재현성평가및미래시그널왜곡도평가를통한상세화기법선정, 3) 공간상관성의재현성평가를기반으로한상세화기법선정, 4) GCM 별가중치를이용한 MME 계산및불확실성범위평가등을포함한다. 과거 30년 (1976 2005) 기간에대한기상관측자료가있는 60개지점에대해 29개 GCM을이용하여 Simple Quantile Mapping (SQM) 및 Spatial Disaggregation Quantile Delta Mapping (SDQDM) 기법으로상세화를수행하였다. 편의보정이전의 GCM에대하여강수및기온의시 공간적순단위재현성평가를통해 22개 GCM을선정하였다. 22개 GCM에대해서는 27개극한기후지수를관측지점별로계산한후과거관측자료와의비교를통한재현성평가를수행하였고 24개극한기후지수에서 SQM이 SDQDM 기법보다우수한결과를보였다. 극한기후지수에대한미래시그널왜곡도평가에서는 SDQDM 이 SQM 기법과비교하여우수한결과를보였다. Variogram을이용한강수및기온의공간재현성평가에서는강수량, 최고기온, 최저기온모두 SQM이 SDQDM 기법과비교하여우수한공간재현성결과를보여주었다. 따라서 SQM 기법을최종적으로선정하였다. 선정된 22개 GCM과 SQM 기법을이용하여생산된상세화자료를이용하여수자원의관점에서선정된연총강수량 (prcptot) 및연1일최대강수량

28 조재필 정임국 조원일 황세운 Fig. 13. Evaluation result of uncertainty explanation power due to increase of GCM number by SQM downscaling method (Overall). (rx1day) 를사용자선정기후지수로활용하여 22개 GCM 별가중치를선정하였다. 순단위평균오차, 변동계수오차, 선정된극한기후지수분포적합성을고려할때 CESM1-BGC가가장높은결과를보였고 HadGEM2-CC가가장낮은결과를보였다. 선정된 GCM별가중치를이용하여가까운미래 (2010 2033), 중간미래 (2040 2069), 먼미래 (2070 2099) 에대해극한기후지수의변화량을산정하였다. 강수량및 1일최대강수량모두가까운미래로부터먼미래로갈수록증가폭이크게나타났고 RCP 4.5 보다는 RCP 8.5 시나리오에서높은증가율을보였다. RCP8.5 시나리오의먼미래의경우강수량및 rx1day는각각 24.5% 및 30.7% 의증가율을보였다. GCM의개수를증가시켜갈때 22개 GCM 중 20개 GCM을사용하는경우모든시나리오및기간에서전체변동성의 80% 를설명하는것으로나타났다. 본연구결과는한반도에대한적용예시이며, 본연구를통해제시된사용자중심의기후변화시나리오상세화절차는 APCC Integrated Modeling Solution (AIMS) 을통해서사용자가원하는대상지역에적용할수있다. 상세화는 rsqm (https://cran.r-project.org/web/packages/rsqm/index.html) 및 rsdqdm (https://github.com/apcc21/rsdqdm) R기반패키지를사용하고, 사용자중심의평가와분석은 ranalysis4cc (https://github.com/apcc21/ranalysis4cc) 를통해수행된다. 플랫폼기반의 AIMS는기후정보서비스에대한국내수요자들을포함하여인프라가부족한개발도상국의수요자들을대상으로서비스하기위해개발되었으며현재미국을포함하여 31개국에대한자료를제공하고있으며요청시확장이가능하다. 또한본연구에사용된상세화자료는한국과학기술정보연구원에서과학데이터공유를위해서비스하고있는 EPOPS를통해공유하였고 (https://doi.org/10.8888/epops 201711301YK), 한반도의기후변화시나리오상세화자료를활용하고자하는모든연구자가활용할수있다. 다만제시된결과그래프들은 2017년도국내상세화교육을위한예시로서선정된 GCM 및상세화기법을기반으로생산된결과다. 그러므로본연구의 SQM 및 SDQDM기법을적용하여생산된상세화자료를다른연구에적용할경우각연구목적에대한적합성검토가추가적으로선행되어야할것이다. 또한향후다양한통계적상세화기법들이 AIMS 에추가되는경우사용자는본연구를통해제시된표준화된평가체계를기반으로상세화결과의특성을비교분석할수있으며, 이를통해기후변화시나리오적용목적에적합한기후자료 Journal of Climate Change Research 2018, Vol. 9, No. 1

사용자중심의기후변화시나리오상세화기법개발및한반도적용 29 및상세화기법을선택하여사용함으로써도출된미래전망의신뢰도를높일수있을것으로기대된다. 사사 본연구는 APEC 기후센터지원에의해수행되었습니다. REFERENCES Bae DH, Jung IW, Lettenmaier DP. 2011. Hydrologic uncertainties in climate change from IPCC AR4 GCM simulations of the Chungju Basin, Korea. J Hydrol. 401:90 105. Hagemann S, Chen C, Haerter JO, Heinke J, Gerten D, Piani C. 2011. Impact of a statistical bias correction on the projected hydrological changes obtained from three GCMs and two hydrology models. J Hydrometeorol. 12:556 578. Hwang, S. 2014. Assessing the Performance of CMIP5 GCMs for Various Climatic Elements and Indicators over the Southeast US. J. Korea Water Resour. Assoc. 47(11):1039-1050. Hwang S, Graham W, Hernández JL, Martinez C, Jones JW, Adams A. 2011. Quantitative spatiotemporal evaluation of dynamically downscaled MM5 precipitation predictions over the Tampa Bay region, Florida. J Hydrometeorol. 12:1447 1464. Kim CR, Kim YO, Seo SB, Choi SW. 2013. Water balance projection using climate change scenarios in the Korean Peninsula. J Korea Water Resour Assoc. 46:807 819. Milly PC, Betancourt J, Falkenmark M, Hirsch RM, Kundzewicz ZW, Lettenmaier DP, Stouffer RJ. 2008. Stationarity is dead: Whither water management? Science. 319:573 574. Park J, Kang MS, Song I. 2012. Bias correction of RCP-based future extreme precipitation using a quantile mapping method; for 20-weather stations of South Korea. J Korean Soc Agric Eng. 54:133 142. Park J, Kwon JH, Kim T, Heo JH. 2014. Future Inflow Simulation Considering the Uncertainties of TFN Model and GCMs on Chungju Dam Basin. J Korea Water Resour Assoc. 47:135 143. Shon TS, Lee SD, Kim SD, Shin HS. 2010. An Analysis of the effect of climate change on flow in Nakdong river basin using watershed-based model. J Korea Water Resour Assoc. 43:865 881. Sohn KH, Bae DH, Ahn JH. 2014. Projection and analysis of drought according to future climate and hydrological information in Korea. J Korea Water Resour Assoc. 47:71 82. Wilby RL, Dessai S. 2010. Robust adaptation to climate change. Weather. 65:180 185. Yun DK, Chung SO, Kim SJ. 2011. Climate change impacts on paddy water requirement. J Korean Soc Agric Eng. 53:39 47.