Assessment and Validation of New Global Grid-based CHIRPS Satellite Rainfall Products Over Korea

Min-Gi  Jeon; Won-Ho  Nam; Young-Sik  Mun; Han-Joong  Kim

doi:10.5389/KSAE.2020.62.2.039

Preview

Journal of Korean Society of Agricultural Engineers. 2020. 39–52
https://doi.org/10.5389/KSAE.2020.62.2.039

Assessment and Validation of New Global Grid-based CHIRPS Satellite Rainfall Products Over Korea

전지구 격자형 CHIRPS 위성 강우자료의 한반도 적용성 분석

Min-Gi Jeon^a

Won-Ho Nam^b^†

Young-Sik Mun^c

Han-Joong Kim^d

전 민기^a

남 원호^b^†

문 영식^c

김 한중^d

^aPh.D. Student, Department of Convergence of Information and Communication Engineering, Hankyong National University, Anseong, Republic of Korea

^bAssistant Professor, Department of Bioresources and Rural Systems Engineering, Institute of Agricultural Environmental Science, National Agricultural Water Research Center, Hankyong National University, Anseong, Republic of Korea

^cGraduate Student, Department of Bioresources and Rural Systems Engineering, Hankyong National University, Anseong, Republic of Korea

^dProfessor, Department of Bioresources and Rural Systems Engineering, Institute of Agricultural Environmental Science, Hankyong National University, Anseong, Republic of Korea

^a대한민국 안성 한경대학교 정보통신공학과 박사과정 학생

^b대한민국 안성 한경대학교 농업환경과학원 생물자원농촌시스템공학과 조교수

^c대한민국 안성 한경대학교 생물자원농촌시스템공학과 대학원생

^d대한민국 안성 한경대학교 농업환경과학원 생물자원 및 농촌시스템공학부 교수

^† Corresponding author Tel.: +82-31-670-5137, Fax: +82-31-670-5139 E-mail: wonho.nam@hknu.ac.kr

ABSTRACT

A high quality, long-term, high-resolution precipitation dataset is an essential in climate analyses and global water cycles. Rainfall data from station observations are inadequate over many parts of the world, especially North Korea, due to non-existent observation networks, or limited reporting of gauge observations. As a result, satellite-based rainfall estimates have been used as an alternative as a supplement to station observations. The Climate Hazards Group Infrared Precipitation (CHIRP) and CHIRP combined with station observations (CHIRPS) are recently produced satellite-based rainfall products with relatively high spatial and temporal resolutions and global coverage. CHIRPS is a global precipitation product and is made available at daily to seasonal time scales with a spatial resolution of 0.05° and a 1981 to near real-time period of record. In this study, we analyze the applicability of CHIRPS data on the Korean Peninsula by supplementing the lack of precipitation data of North Korea. We compared the daily precipitation estimates from CHIRPS with 81 rain gauges across Korea using several statistical metrics in the long-term period of 1981-2017. To summarize the results, the CHIRPS product for the Korean Peninsula was shown an acceptable performance when it is used for hydrological applications based on monthly rainfall amounts. Overall, this study concludes that CHIRPS can be a valuable complement to gauge precipitation data for estimating precipitation and climate, hydrological application, for example, drought monitoring in this region.

Keywords

Satellite rainfall

remote sensing

precipitation

CHIRPS

validation

North Korea

MAIN

Ⅰ. 서론

강수량은 기후 역학에서 주요한 인자이며, 강수의 변화는 물 순환과 안정적인 물 공급에 영향을 미친다 (Miao et al., 2010; Sun et al., 2017; Faiz et al., 2017; 2018a; 2018b). 강수량 데이터는 토양 침식, 산사태, 홍수, 가뭄 등 재해 위험 분석에 활용되며, 정확한 시공간 강수량 데이터가 요구된다. 하지만 강수량 데이터는 복잡한 지형, 인구 밀집 지형, 관측 시기가 일정하지 않은 지형과 같은 조건에서 희박한 데이터를 갖고 있어, 강수의 공간 분포와 강도에 대한 정밀한 정보를 제공하지 못하는 실정이다 (Verdin et al., 2015).

광대한 공간범위로 인해 강수량 관측 자료가 희박한 지역은 위성영상을 통한 강수량 추정이 널리 사용되고 있으며, 위성 관측 적외선 휘도 온도 (Infrared brightness temperatures), 마이크로파 방사 (Microwave radiation), 장파 복사 및 강수량 간의 상관 관계를 활용한 격자단위의 강수량 값을 추정하고 있다 (Arkin and Ardanuy, 1989; Adler et al., 1994; Sorooshian et al., 2000; Kidd et al., 2003; Jang et al., 2017). 그러나 이러한 추정은 격자 면적의 강수량 평균을 제공하고, 복잡한 지형에서는 습한 정도를 낮게 산정하여 강수량을 과소평가하는 경향이 있다 (AghaKouchak et al., 2011; Shukla et al., 2014). 따라서, 보다 정확한 강수 추정치를 산출하기 위하여 위성영상 기반 강수량 추정치가 갖는 고유 편향 (Bias)을 해결하기 위해 우량계 관측치, 레이더 데이터, 위성영상 기반 강수량 추정치 및 수치 모델 결과 등의 복수의 데이터를 혼합하는 연구 등이 진행되었다 (Husak et al., 2007; Vila et al., 2009; Baik et al., 2018).

Xie et al. (1997)은 Climate Prediction Center Merged Analysis of Precipitation (CMAP)을 사용하여 여러 위성 기반 추정치를 비 계측 분석 및 수치 모델 결과 혼합하여 강수량을 추정하였으며, Global Precipitation Climatology Center (GPCC)는 우량계 분석과 여러 위성 기반 추정치를 혼합하여 강수량 추정 데이터를 제공하고 있다 (Huffman et al., 2001; Xie et al., 2003). Gorenburg et al. (2001)은 서로 다른 공간 범위의 강수량 데이터를 융합하기 위해 베이지안 기법 (Bayesian method)을 이용하여 직접 측정에 대한 강수량 추정치를 조정하였다. 하지만 이러한 연구들을 통해 산정된 강수량 데이터는 해상도가 낮거나 관측기간이 짧은 단점이 있고, 지상관측 데이터와 혼합하여 만들어진 강수량 데이터의 경우 오차가 발생하는 문제점이 있다 (Adler et al., 2003; Joyce et al., 2004; Yang et al., 2017).

미국 캘리포니아주 산타바바라대학의 기후 위험 그룹 (Climate Hazard Group at University of California, Santa Barbara, CHG)은 0.05°의 높은 해상도, 준 세계적 범위 (50°S-50°N, 180°W- 180°E)를 가진 Climate Hazard Group InfRared Precipitation (CHIRPS) 데이터를 개발하였으며 (Funk et al., 2015a), 일별, 월별, 연별 단위의 강수량 데이터를 제공하고 있다. CHIRPS 데이터는 주로 아프리카와 남서 아시아에서 강수량 추정에 널리 채택되어왔다 (Katsanos et al., 2016; Dinku et al., 2018). CHIRPS 강우 추정치는 1981년부터 2010년까지 동부 아프리카에서의 GPCC 강수량 추정치 데이터와 유사하다 (Funk et al., 2013). Toté 등 (2015)은 모잠비크의 홍수 및 가뭄 모니터링 응용 프로그램에 대한 CHIRPS의 기술이 다른 강우 데이터보다 정확하다고 판단하였다.

인공위성 강우자료를 사용 및 활용하기 위해서는 인공위성자료의 비교 및 검증이 선행적으로 실시하여 활용가능성을 판별하는 것이 필수적이다 (Cho et al., 2019). 기상관측소 갯수가 적은 북한지역의 경우 강수량 자료의 특성상 관측소가 없는 지역의 강수량을 산정하는 것이 불가능하며, 수집가능한 북한 내 기상 재해 및 피해 정보는 제한적이고, 대부분 북한 내부에서 작성되었거나 외국의 정보에 의존하는 실정이다 (Jang et al., 2017; Nam et al., 2017; Lee et al., 2019). 한반도의 경우 지상 강우관측소의 설치 밀도 및 간격, 설치 위치의 지형적 조건 등으로 인한 공간적 강우량을 추정하기에는 한계가 있으며 (Baik et al., 2018; Mun et al., 2020), 기상관측소 지점별 데이터로부터 공간보간한 (Spatial interpolation) 자료의 정확성이 낮다 (Lee et al., 2018; Nam et al., 2018b; Mun et al., 2019). 따라서, 본 연구에서는 한반도 지역의 지상 관측데이터와 전지구 격자형 CHIRPS 위성 강우자료인 CHIRPS 데이터 비교를 통해 한반도의 적용성을 분석하고자 한다.

Ⅱ. 재료 및 방법

1. 연구대상지역

우리나라의 경우 기상청에서 종관기상관측장비 (Automated Synoptic Observing System, ASOS)와 무인자동기상관측장비 (Automatic Weather System, AWS)를 이용해 지상 기상관측을 실시하고 있으며, 전국적으로 ASOS 80개, AWS는 468개가 운영되고 있다 (Cho et al., 2013). 북한의 경우 북한이 세계기상기구 (World Meteorogical Organization, WMO)의 기상통신망 (Global Telecommunication System, GTS)을 통해 보낸 27개 관측지점의 데이터를 기상청에서 제공하고 있다. 본 연구에서는 CHIRPS 위성영상의 강수량 데이터와 기상관측소 강수량 데이터를 비교하기 위하여 우리나라 ASOS 중 CHIRPS 데이터가 관측되기 시작한 1981년부터 강수량 데이터가 있는 도서지역을 제외한 56개 지점을 선정하였으며, 북한의 경우 우리나라와 동일한 선정 조건으로 27개 기상 관측소 전 지역을 선정하였고, 선정된 관측지점은 Fig. 1과 같다.

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4818.png

Fig. 1

Location of selected meteorological stations in South Korea and North Korea

2. Climate Hazard Group InfRared Precipitation (CHIRPS)

1999년 미국 국제 개발기구 (United States Agency for International Development, USAID), 미국 항공 우주국 (National Aeronautics and Space Administration, NASA), 그리고 국립 해양 대기 관리국 (National Oceanic and Atmospheric Administration, NOAA)의 지원을 받은 미국 지질 조사국 (United States Geological Survey, USGS)과 캘리포니아주 산타 바바라 대학 (University of California Santa Barbara, UCSB) 과학자들은 데이터가 희박한 지역의 강우량 그리드를 생성하는 기술을 개발해왔다. 주로 아프리카에 초점을 맞춘 이 작업은 USAID 기근 조기 경보 시스템 네트워크 (Famine Early Warning Systems Network, FEWS NET)의 가뭄 모니터링을 지원하였으며, 강수량 데이터를 이용하여 기후 위험 예측 (Climate Hazards Precipitation Climatology, CHPClim) 데이터를 제공하였다. 1980년부터 2009년까지 월 평균 강수량 데이터인 CHPClim의 비율을 사용해 월별 위성 기반 강수량 예측에서 편향을 제거하기 위해 사용되었다. 이 편향 제거 방법은 지형과 관련된 강수 영향을 효과적으로 나타내는 방법으로 채택되었다 (Funk et al., 2015b). FEWS NET 가뭄 모니터링 활동을 지원하기 위해, 위성 강우 추정치와 관측소 관측치를 혼합하여 1981년부터 현재까지 CHIRPS 데이터를 생산하고 있다 (Funk and Verdin, 2010; Funk et al., 2014). 본 연구에서는 1981년부터 2017년까지 월별, 연별 CHIRPS 데이터를 수집하여 사용하였다.

3. 통계분석을 통한 상관성 검증

지상관측소 강수량 데이터는 일반적으로 데이터의 불연속성으로 인해 위성 강수량 데이터와 일치하지 않는다 (Duan et al., 2016). 이러한 한계를 극복하기 위하여 공간보간기법이 적용되었으며, 일반적으로 IDW (Inverse Distance Weighted)와 Kriging 기법이 사용되었다 (Nam et al., 2015; 2018a). 하지만 이러한 보간 방법은 지역에 따라 결과값이 다르게 나타나고 보간 중 불확실성과 오차가 생성된다 (Jang et al., 2015). 본 연구에서는 지점 관측소의 강수량 데이터와 CHIRPS 데이터를 비교할 때 공간보간을 사용하지 않고 지점 관측소의 강수량 데이터와 지점 관측소와 가장 인접한 격자의 CHIRPS 데이터를 사용하여 두 데이터를 비교하였다. 우리나라와 북한을 구분하고, 일별 강수량 데이터를 월별로 누적값으로 합산하여 지역별 월 강수량 자료를 비교, 분석하였다.

지점 관측 데이터와 CHIRPS 데이터 간의 일치를 측정하는 방법으로 상관계수를 선정하였다. 상관계수로는 평균제곱근편차 (Root Mean Square Error, RMSE), 평균절대오차 (Mean Absolute Error, MAE), 평균오차 (Mean Error)와 같은 통계지표들을 사용하였다 (Table 1). RMSE, MAE는 0에 가까울수록 지점 관측 데이터와 CHIRPS 데이터가 유사하다는 의미이며, ME는 CHIRPS 데이터가 지상관측소 강수량 데이터와 비교하여 경향을 판단할 수 있다. ME값이 양(+)의 값을 가지는 경우 CHIRPS 값이 과다추정된 것이며, ME값이 음(-)의 값을 가지는 경우 CHIRPS 값이 과소추정된 것으로 해석할 수 있다. 이때, 은 분석기간 동안 사용된 데이터의 수이며, 는 CHIRPS 데이터, 는 기상관측소 강수량 데이터를 의미한다.

Table 1

Statistical metrics used in this study

Statistic metrics	Formula	Values range	Perfect value	Unit
RMSE			0	mm
MAE			0	mm
ME			0	mm

4. Pearson Correlation Coefficient

두 변수 와 간의 상관관계를 나타내는 수량적 지수로서 Pearson 상관계수 (Pearson Correlation Coefficient, PCC)를 사용하였으며, 식 (1)과 같이 정의된다. Pearson 상관계수는 절대값 1에 가까울수록 강한 상관관계를 나타내는데, 0.8 이상에서는 아주 강함, 0.6 이상 0.8 미만에서는 강함, 0.4 이상 0.6 미만에서는 보통, 0.2 이상 0.4 미만에서는 약함, 0.2 미만에서는 아주 약함을 나타낸다 (Lee et al., 2017). 이때 은 자료의 수이고, 와 는 전체기간 동안의 평균값이다.

(1)

r = \frac{\sum_{i = 1}^{n} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sqrt{\sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2}} \sqrt{\sum_{i = 1}^{n} {(y_{i} - \bar{y})}^{2}}}

Ⅲ. 적용 및 고찰

1. CHIRPS 데이터 적용성 분석

가. 통계분석을 통한 월별 CHIRPS 데이터 적용성 분석

일별 강수량 데이터를 월별로 누적시키고, 누적시킨 월별 데이터를 우리나라와 북한 두 지역으로 구분하여, 평균 RMSE, MAE, ME 값을 산정하였다. 결과 값들을 각각 Fig 2, 3, 4에 상자도표로 나타내었으며, Table 2에 정리하였다. 우리나라의 경우 1월과 12월이 평균 RMSE 값이 각각 1.693, 1.628 mm로 유사하다고 판단되며, 우리나라의 강우가 집중되는 6월부터 9월 사이의 기간을 제외한 2월, 3월, 4월, 5월, 10월, 11월의 RMSE는 1.948, 2.272, 3.127, 3.926, 2.848, 2.533 mm로 두 데이터가 유사한 결과를 나타내었다. 6월부터 9월의 RMSE 값의 경우 6.391, 9.899, 10.881, 6.957 mm로 다른 기간에 비해 두 데이터의 유사함이 낮았다. MAE의 경우 6월 1.167 mm, 7월 1.778 mm, 8월 1.954 mm, 9월 1.270 mm으로 1 보다 크게 나타났으며, 다른 기간의 MAE 값들은 최대값이 0.571 mm로 두 데이터가 유사함을 보였다. ME 값의 경우 3월과 10월, 11월이 음의 값이 산정되어 해당 기간의 경우 CHIPRS 데이터 값이 실제보다 과소추정 되었으며, 우리나라 강수량이 집중되는 시기 (6월~9월)의 경우 1.167 mm, 1.778 mm, 1.954 mm, 1.270 mm로 CHIRPS 데이터 값이 실제 강수량보다 과대추정 되는 것을 확인할 수 있다.

Table 2

Summary of monthly RMSE, MAE, ME in monthly averaged rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

Country	South Korea			North Korea
Method	RMSE (mm)	MAE (mm)	ME (mm)	RMSE (mm)	MAE (mm)	ME (mm)
Jan	1.693	0.300	0.021	1.362	0.232	0.033
Feb	1.948	0.363	0.003	1.773	0.306	0.019
Mar	2.272	0.408	-0.035	2.342	0.405	0.080
Apr	3.127	0.571	0.035	3.401	0.608	0.019
May	3.926	0.705	0.146	5.097	0.904	0.197
Jun	6.391	1.167	0.227	6.892	1.250	0.114
Jul	9.899	1.778	0.189	14.475	2.580	1.027
Aug	10.881	1.954	0.176	14.089	2.517	0.723
Sep	6.957	1.270	0.033	9.144	1.647	0.714
Oct	2.848	0.509	-0.105	4.067	0.718	-0.149
Nov	2.533	0.459	-0.006	3.607	0.638	-0.033
Dec	1.628	0.287	0.010	1.642	0.279	0.027

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4894.png

Fig. 2

Monthly RMSE in monthly averaged rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC49DD.png

Fig. 3

Monthly MAE in monthly averaged rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4B26.png

Fig. 4

Monthly ME in monthly averaged rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

북한의 경우 6월~9월의 경우 RMSE값이 각각 6.892, 14.475, 14.089, 9.144 mm로 높게 나타났으며, 다른 기간의 경우 결과값이 CHIRPS 데이터와 실제 강수량이 유사함을 보여주었다. MAE의 경우, 6월 1.250 mm, 7월 2.580 mm, 8월 2.517 mm, 9월 1.647 mm로 다른 기간의 경우 1을 넘지 않는 것에 비교하여 높게 나타났다. ME 값은 10월과 11월을 제외하면 모두 양의 값을 가지며, 이는 10월 11월을 제외하면 모두 CHIRPS 데이터가 실제 강수량보다 과대추정 되었다고 판단된다. 7월과 8월, 9월은 각각 1.027, 0.723, 0.714 mm로 다른 기간에 비해 과대평가 되었다.

우리나라와 북한의 경우 강수량이 집중되는 6월부터 9월을 제외하면 CHIRPS 데이터와 관측소 강수량 데이터의 높은 유사성을 가지고 있으며, 6월부터 9월의 경우 다른 기간보다 유사성이 낮은 것으로 판단된다.

나. 통계분석을 통한 연별 CHIRPS 데이터 적용성 분석

연별 데이터 적용성 분석을 위해 우리나라 56개 지점, 북한 27개 지점의 기상관측소 일별 강수량 데이터와 CHIRPS 일별 강수량 데이터를 연별 누적 강수량 데이터로 변환하여 비교하였으며 Fig. 5와 Table 3에 결과를 나타내었다.

Table 3

Summary of annual statistics for RMSE, MAE, ME in rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

Year	South Korea			North Korea
Year	RMSE (mm)	MAE (mm)	ME (mm)	RMSE (mm)	MAE (mm)	ME (mm)
1981	6.045	0.316	0.106	10.551	0.552	-0.352
1982	4.721	0.247	0.186	8.211	0.430	0.211
1983	6.263	0.328	0.120	10.080	0.528	0.019
1984	5.310	0.278	0.070	10.242	0.535	0.202
1985	6.638	0.347	-0.142	9.507	0.498	0.388
1986	5.254	0.275	0.158	9.508	0.498	0.213
1987	7.165	0.375	0.169	8.614	0.451	0.206
1988	6.103	0.319	0.190	5.774	0.302	0.060
1989	6.357	0.333	-0.082	10.322	0.540	0.171
1990	7.008	0.367	-0.093	9.144	0.479	0.025
1991	7.221	0.378	-0.091	7.856	0.411	0.204
1992	4.624	0.242	0.107	11.000	0.575	0.048
1993	5.459	0.286	0.055	7.948	0.416	0.047
1994	6.972	0.365	0.146	9.774	0.512	-0.192
1995	10.14	0.531	0.267	15.082	0.789	0.385
1996	6.177	0.323	0.189	10.861	0.568	0.381
1997	7.343	0.384	-0.191	15.065	0.789	0.789
1998	8.756	0.458	-0.159	20.500	1.073	0.997
1999	7.296	0.382	-0.168	24.801	1.298	1.296
2000	5.479	0.286	0.045	11.821	0.618	0.578
2001	6.364	0.333	0.014	6.911	0.362	0.122
2002	7.112	0.372	-0.229	7.838	0.410	0.215
2003	9.264	0.485	-0.227	8.183	0.428	0.277
2004	5.303	0.277	0.012	8.396	0.439	0.116
2005	6.324	0.331	0.095	12.417	0.650	0.512
2006	6.152	0.322	-0.009	12.181	0.638	0.524
2007	7.522	0.394	0.011	11.145	0.583	0.299
2008	8.220	0.430	0.387	7.907	0.413	0.247
2009	6.946	0.364	0.227	7.694	0.403	0.276
2010	9.327	0.488	0.330	8.088	0.423	0.036
2011	8.555	0.448	-0.168	7.637	0.400	-0.046
2012	7.102	0.371	0.171	8.094	0.423	0.066
2013	6.239	0.327	0.023	12.934	0.677	0.438
2014	5.882	0.308	0.098	9.858	0.516	0.377
2015	6.411	0.336	0.247	20.675	1.082	-0.945
2016	6.279	0.328	0.022	10.784	0.564	0.167
2017	8.487	0.444	0.267	8.823	0.462	0.256

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4B36.png

Fig. 5

Annual statistics of RMSE, MAE, ME in rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

RMSE 분석 결과 우리나라의 경우 최대값이 1995년에 10.140 mm로 유사성이 높은 것으로 판단된다. 북한의 경우 1999년 24.801 mm로 가장 높았으며, 1998년 20.500 mm, 2015년 20.675 mm로 우리나라보다 상대적으로 높게 나타난 시기가 존재하였다. MAE의 경우 우리나라 0.531 mm, 북한 1.298 mm로 최대값을 나타냈으며, 경향이 RMSE와 유사함으로써, 우리나라 및 북한 모두 유사성이 높은 결과를 도출하였다. ME 값의 경우 우리나라는 두 데이터의 차이가 크지 않았으며, 북한의 경우 전체적으로 두 데이터가 유사하지만 1998년, 1999년, 2015년에 각각 0.997 mm, 1.296 mm, -0.945 mm로 차이가 발생하는 기간이 존재하였다.

다. 통계분석을 통한 내륙지역, 해안지역 CHIRPS 데이터 적용성 분석

지역 특성에 따른 기상관측소 강수량 데이터와 CHIRPS 데이터의 유사성을 분석하기 위해 Moon et al. (2013)에서 제시한 내륙지역과 해안지역으로 분류하였다. 분류한 지역별로 연별 누적 강수량 데이터를 이용하여 RMSE, MAE, ME 값을 산정하였으며, Table 4는 우리나라와 북한의 내륙지역과 해안

Table 4

Classification of inland and coastal area in South Korea and North Korea (Moon et al., 2013)

Country	Area	Code	Station Name	Code	Station Name
South Korea	Inland	100	Daegwallyeong	221	Jecheon
		101	Chuncheon	226	Boeun
		108	Seoul	232	Cheonan
		114	Wonju	236	Buyeo
		119	Suwon	238	Geumsan
		127	Chungju	244	Imsil
		129	Seosan	245	Jeongeup
		130	Uljin	247	Namwon
		131	Cheingju	260	Jangheung
		133	Daejeon	261	Haenam
		135	Chupungnyeong	272	Yeongju
		143	Daegu	273	Mungyeong
		146	Jeonju	278	Uiseong
		156	Gwangju	279	Gumi
		192	Jinju	281	Yeongcheon
		202	Yangpyeong	284	Geochang
		203	Icheon	285	Hapcheon
		211	Inje	288	Miryang
		212	Hongcheon	289	Sancheong
	Coastal	90	Sokcho	168	Yeosu
		105	Gangneung	170	Wando
		112	Incheon	201	Ganghwa
		138	Pohang	235	Boryeong
		140	Gunsan	243	Buan
		152	Ulsan	262	Goheung
		159	Busan	277	Yeongdeok
		162	Tongyeong	294	Geoje
		165	Mokpo	295	Namhae
North Korea	Inland	5	Samjiyon	41	Hamheung
		14	Chunggang	50	Anju
		16	Hyesan	52	Yangdok
		20	Kanggye	58	Pyongyang
		22	Pungsan	65	Sariwon
		28	Supung	67	Singye
		31	Changjin	70	Kaesong
		37	Kusong	75	Pyonggang
		39	Huichon
	Coastal	3	Senbong	55	Wonsan
		8	Chongjin	60	Nampo
		25	Kimchaek	61	Changjon
		35	Sinuiju	68	Ryongyon
		46	Sinpo	69	Haeju

지역을 구분한 결과이다. Fig. 6은 RMSE, MAE, ME 값을 지역별로 산정한 후, 산정된 값들을 지역별로 묶어 상자도표로 나타낸 것이고, Table 5는 우리나라와 북한의 내륙지역과 해안지역의 RMSE, MAE, ME 값들의 최대값 (Maximum), 최소값 (Minimum), 평균값 (Average)을 나타내었다. RMSE 결과, 우리나라 내륙지역에서는 추풍령이 4.143 mm로 가장 유사성이 높았으며, 대관령이 15.155 mm로 가장 낮은 결과를 보였다. 해안지역의 경우 군산이 4.267 mm로 유사성이 높았으며, 남해가 11.409 mm로 가장 낮은 유사성을 보였다. 북한 내륙지역의 경우 함흥 (5.770 mm)과 평강 (14.107 mm), 해안지역의 경우 청진 (7.933 mm)과 원산 (19.070 mm) 지역의 유사성 결과를 나타냈으며, 상관성 결과의 최대, 최소 지역인 8개 지역의 월별 ASOS 강수량 데이터와 CHIRPS 데이터를 비교하여 Fig. 7에 도시하였다.

Table 5

Statistical analysis of RMSE, MAE, ME for annual rainfall between inland and coastal area for South Korea and North Korea

Country	Statistical method	Area	Maximum	Minimum	Average
South Korea	RMSE (mm)	Inland	9.647	4.610	6.845
	RMSE (mm)	Coastal	12.911	3.962	6.825
	MAE (mm)	Inland	0.505	0.241	0.358
	MAE (mm)	Coastal	0.676	0.207	0.357
	ME (mm)	Inland	0.436	-0.230	0.080
	ME (mm)	Coastal	0.446	-0.445	0.032
North Korea	RMSE (mm)	Inland	24.103	5.367	10.339
	RMSE (mm)	Coastal	26.198	5.546	11.448
	MAE (mm)	Inland	1.262	0.281	0.541
	MAE (mm)	Coastal	1.371	0.290	0.599
	ME (mm)	Inland	1.258	-0.877	0.224
	ME (mm)	Coastal	1.371	-1.081	0.250

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4B77.png

Fig. 6

Statistical analysis of RMSE, MAE, ME between inland and coastal area for South Korea and North Korea

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4B66.png

Fig. 7

Scatter plots of monthly rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for 8 locations

우리나라의 경우 RMSE 평균 값은 내륙지역과 해안지역이 각각 0.684 mm, 0.685 mm, MAE 평균 값은 내륙지역이 0.358 mm, 해안지역이 0.357 mm로 내륙지역과 해안지역의 결과는 유사하였다. 최대값과 최소값의 경우, 내륙지역은 RMSE 최대값이 9.647 mm, 최소값이 4.610 mm인 반면, 해안지역은 최대값 12.911 mm, 최소값 3.962 mm로 내륙지역보다 해안지역의 편차가 큰 결과를 보였다. ME 값의 경우 평균값이 내륙지역과 해안지역이 각각 0.08 mm, 0.032 mm로 유사하였으며, 최대값, 최소값의 경우 내륙지역은 0.436 mm, -0.230 mm, 해안지역은 0.446 mm, -0.445 mm로 RMSE와 MAE와 같이 해안지역이 내륙지역보다 편차가 크게 나타났다.

북한의 경우 RMSE 평균값이 내륙지역은 10.339 mm 해안지역은 11.448 mm, MAE 평균값의 경우 내륙지역은 0.541 mm, 해안지역은 0.599 mm로 내륙지역과 해안지역의 결과가 유사하게 도출되었다. 내륙지역에서 RMSE 최대값, 최소값은 24.103 mm, 5.367 mm, 해안지역에서 24.103 mm, 5.367 mm로 나타났다. MAE 평균값의 경우 내륙과 해안지역은 각각 0.541 mm, 0.599 mm로 나타났으며, 최대값과 최소값의 경우 내륙지역은 1.262 mm, 0.281 mm, 해안지역은 1.371 mm, 0.290 mm로 나타났다. 북한의 RMSE, MAE 결과, 우리나라와 마찬가지로 해안지역이 내륙지역보다 편차가 크게 산정되었다. ME 평균값의 경우, 내륙지역은 0.224 mm, 해안지역은 0.250 mm로 유사한 결과를 나타내었다. 우리나라와 북한 모두 RMSE와 MAE 편차가 해안지역에서 큰 차이가 발생하여, 해안지역보다 내륙지역의 상관성이 높다고 판단된다.

2. Pearson 상관계수를 통한 CHIRPS 데이터 적용성 판단

Pearson 상관계수를 산정하기 위하여 기상관측소 강수량 데이터와 CHIRPS 데이터의 일별 강수량 데이터를 월별로 누적시킨 후 1981년부터 2017년의 월별 누적 강수량 데이터를 사용하였다. Table 6은 우리나라 56개, 북한 27개 관측지점별 Pearson 상관계수 결과를 나타낸 표이고, Pearson 상관계수가 가장 높은 9개 지역을 선정하여 월별 강수량을 산점도로 Fig. 8에 도시하였다.

Table 6

Summary of Pearson correlation coefficient in monthly averaged rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for South Korea and North Korea

Location	PCC	Location	PCC	Location	PCC
SOKCHO	0.902	ICHEON	0.966	SENBONG	0.775
DAEGWALLYEONG	0.902	INJE	0.953	SAMJIYON	0.760
CHUNCHEON	0.973	HONGCHEON	0.960	CHONGJIN	0.729
GANGNEUNG	0.901	JECHEON	0.946	CHUNGGANG	0.867
SEOUL	0.967	BOEUN	0.955	HYESAN	0.815
INCHEON	0.974	CHEONAN	0.929	KANGGYE	0.897
WONJU	0.966	BORYEONG	0.912	PUNGSAN	0.816
SUWON	0.959	BUYEO	0.945	KIMCHAEK	0.727
CHUNGJU	0.949	GEUMSAN	0.964	SUPUNG	0.903
SEOSAN	0.925	BUAN	0.937	CHANGJIN	0.839
ULJIN	0.891	IMSIL	0.944	SINUIJU	0.893
CHEINGJU	0.953	JEONGEUP	0.938	KUSONG	0.905
DAEJEON	0.966	NAMWON	0.943	HUICHON	0.839
CHUPUNGNYEONG	0.959	JANGHEUNG	0.947	HAMHEUNG	0.848
POHANG	0.896	HAENAM	0.946	SINPO	0.811
GUNSAN	0.940	GOHEUNG	0.939	ANJU	0.898
DAEGU	0.960	YEONGJU	0.943	YANGDOK	0.866
JEONJU	0.959	MUNGYEONG	0.960	WONSAN	0.808
ULSAN	0.936	YEONGDEOK	0.893	PYONGYANG	0.889
GWANGJU	0.958	UISEONG	0.944	NAMPO	0.850
BUSAN	0.947	GUMI	0.947	CHANGJON	0.762
TONGYEONG	0.943	YEONGCHEON	0.954	SARIWON	0.876
MOKPO	0.942	GEOCHANG	0.952	SINGYE	0.850
YEOSU	0.947	HAPCHEON	0.955	RYONGYON	0.857
WANDO	0.928	MIRYANG	0.942	HAEJU	0.899
JINJU	0.964	SANCHEONG	0.942	KAESONG	0.924
GANGHWA	0.924	GEOJE	0.937	PYONGGANG	0.896
YANGPYEONG	0.964	NAMHAE	0.953

https://cdn.apub.kr/journalsite/sites/jksae/2020-062-02/N0740620204/images/PIC4B97.png

Fig. 8

Scatter plots of monthly rainfall data differences between CHIRPS estimates and rainfall gauge observations (ASOS) for 9 locations

우리나라의 경우 인천 지역이 Pearson 상관계수가 0.974로 기상관측소 강수량 데이터와 CHIRPS 데이터가 매우 유사함을 보였다. 가장 낮은 지역은 울진 (0.891)이지만 56개 지역 모두 상관계수가 0.8 보다 큰 결과를 나타내었다. 북한의 경우 개성의 Pearson 상관계수가 (0.924)이 가장 높았으며, 김책 (0.727)이 가장 낮았다. 북한은 선봉, 삼지연, 청진, 김책, 장전 지역이 각각 0.775, 0.760, 0.729, 0.727, 0.762로 강한 상관관계를 나타냈으며, 나머지 지역은 0.8 보다 높은 결과를 나타내었다. 북한의 경우 우리나라와 비교하여 낮은 상관계수 결과가 산정되었지만, 일부 지역을 제외하고 전 지역에서 상관계수 0.8 이상의 값이 도출되어 전지역의 CHIRPS 데이터 활용이 가능할 것으로 판단된다.

Ⅳ. 결 론

본 연구에서는 전지구 격자형 CHIRPS 위성 강우자료인 CHIRPS 데이터의 한반도 적용성을 분석하기 위하여 우리나라와 북한 두 지역을 구분하여 우리나라 56개 기상관측소 강수량 데이터와 북한 27개 기상관측소 강수량 데이터를 수집하였으며, 각각의 기상관측소 해당 지점의 CHIRPS 데이터와 통계분석 및 상관 분석을 하였다. 분석 방법으로는 일별 강수량 데이터를 월별로 누적시킨 후 해당시기의 월 평균 강수량 값을 이용하여 평균제곱근편차 (Root Mean Square Error, RMSE), 평균절대오차 (Mean Absolute Error, MAE), 평균오차 (Mean Error)값을 산정하였고, 우리나라 56개 기상관측소 지역과 북한 27개 기상관측소 지역의 강수량 데이터와 해당 지역의 CHIPRS 데이터를 비교하여 Pearson 상관계수를 산정하였다.

RMSE, MAE, ME 월별 분석결과 우리나라와 북한 모두 기상관측소 강수량 데이터와 CHIRPS 강수량 데이터 간의 높은 유사성이 나타났으며, CHIRPS 데이터 값이 실제 강수량보다 과대추정 되는 것을 확인할 수 있었다. 또한, 우리나라의 경우 강우가 집중되는 시기인 6월에서 9월 사이에 RMSE와 MAE 값이 증가하여 관측소 강수량 데이터와 CHIRPS 데이터간의 유사성이 상대적으로 감소하는 것을 확인하였다. 북한의 경우 우리나라와 비슷한 유형인 6월에서 9월 사이에 두 데이터 간 유사성이 감소하였으며, RMSE와 MAE 값이 우리나라와 비교하여 상대적으로 큰 증가폭을 보였다. 또한 우리나라와 북한 모두 전반적으로 CHIRPS 데이터가 과대추정 되었으며 7월, 8월, 9월에서 가장 크게 과대추정 되었다. 6월에서 9월 기간의 과대 추정 및 유사성의 감소는 우리나라 장마시기와 태풍의 영향을 받은 것으로 사료된다. 장마시기와 태풍으로 운량이 증가하여 구름의 온도를 통해 강수량을 산정하는 CHIRPS의 알고리즘 특성으로 인해 과대추정된 것으로 판단된다. 이러한 결과의 해석을 명확하게 하기 위해 향후 일별 데이터를 활용하여, 태풍 시기와 집중호우 시기를 비교하는 후속연구가 필요할 것으로 사료되며, 본 연구에서 사용한 월별 데이터의 한계를 극복하고 정밀성을 높일 수 있다고 판단된다. 또한 한반도 기후 특성을 반영하여 CHIRPS 강수량 데이터를 한반도에 적용 시 활용할 수 있는 보정 계수를 산정하는 연구 또는 Geographical Differential Analysis (GDA) 방법이나 Geographical Ratio Analysis (GRA) 방법을 활용하여 한반도 기상관측지점의 강수량 데이터를 통해 CHIRPS 강수량 데이터를 보정하는 연구가 필요할 것으로 판단된다. 이를 통해 강우가 집중되는 6월에서 9월 사이의 시기를 집중적으로 분석하는 후속연구를 통해 보다 정확한 CHIRPS 강수량 데이터 구득 방법 연구가 진행될 것이라 기대한다.

연별 RMSE, MAE, ME 결과를 분석한 결과 아주 높은 유사성이 나타났으며, 전반적으로 북한지역 보다 우리나라 지역에서의 기상관측소 강수량 데이터와 CHIRPS 강수량 데이터 사이의 유사성이 높았다. ME 값 분석 결과, 우리나라의 경우 크게 변동하는 부분 없이 편향되지 않게 CHIRPS 데이터가 산정되었음을 알 수 있으며, 북한의 경우 강수량 데이터들의 유사성이 감소하는 해당 기간을 제외하면 우리나라와 마찬가지로 크게 편향없이 산정이 된 것으로 판단된다.

지역별 분석결과, 우리나라와 북한 모두 내륙지역이 해안지역보다 유사성이 높게 나타났다. Pearson 상관계수 결과에 따르면, 우리나라와 북한 모두 기상관측소 강수량 데이터와 CHIRPS 데이터 간의 상관관계가 강한 상관성이 있는 것으로 나타났다. 북한의 경우 상대적으로 우리나라보다 상관계수가 낮게 산정되었다. 지역별 분석에서는 우리나라와 북한 모두 내륙지역이 해안지역보다 유사성이 높게 나타났다. 이는 해안지역의 경우 해안성 기후의 영향을 받아 안개 및 수증기가 발생하여 이로 인해 강수량이 과대평가가 이루어지는 것으로 판단된다.

과거 북한은 기상관측자료를 평양과 같은 일부 지역을 제외하고 전화 통화 혹은 진공관의 무선송수신기를 이용하여 기상수문국에 전송하는 형태인 재래식 방법으로 운영되었으며, 2014년에 자동 기상관측장비가 전국에 배치되었다 (Lee et al., 2017). 이러한 장비의 재래식 측정과 기록, 그리고 변경된 관측장비로 인해 상관성이 낮아진 것으로 판단된다. CHIRPS 데이터를 한반도에 적용함에 있어 6월부터 9월 사이의 데이터의 유사성이 감소하지만 감소치가 크지 않으며, 내륙지역이 해안지역보다 유사성이 크게 산정되었다. 본 연구의 결과, 한반도 지역에 CHIRPS 데이터의 높은 적용성 결과를 도출하였으며, 향후 보완 연구를 통해 미계측 지역, 유역 및 지자체 단위의 상세화된 지역의 경우 CHIRPS 강수량 데이터를 활용할 수 있을 것으로 판단된다.

감사의 글

본 연구는 행정안전부 극한재난대응기반기술개발사업의 연구비 지원 (2019-MOIS31-010)에 의해 수행되었습니다.

REFERENCES

R. F. Adler, G. J. Huffman and P. R. Keehn, Remote Sensing ReviewsGlobal tropical rain estimates from microwave-adjusted geosynchoronous IR data., 11(1-4); 125-152 (1994)10.1080/02757259409532262

R. F. Adler, G. J. Huffman, A. Chang, R. Ferraro, P. P. Xie, J. Janowiak, B. Rudolf, U. Schneider, S. Curtis, D. Bolvin, A. Gruber, J. Sussskind, P. Arkin and E. Nelkin, Journal of Hydrometeorology, The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979-present)., 4(6); 1147-1167, doi:10.1175/1525-7541(2003)004<1147:TVGPCP>2.0.CO;2. (2003)

A. AghaKouchak, A. Behrangi, S. Sorooshian, K. Hsu and E. Amitai, Journal of Geophysical Research, Evaluation of satellite-retrieved extreme precipitation rates across the central United States., 116(D02115) (2011)10.1029/2010JD014741

P. Arkin and P. Ardanuy, Journal of Climate, Estimating climatic-scale precipitation from space: A review., 2(11); 1229-1238 (1989)10.1002/wrcr.2030725855820

J. Baik, J. Park, K. Kim and M. Choi, Journal of Korea Water Resources Association, Assessment and merging technique for GPM satellite precipitation product using ground based measurement., 51(2); 131-140, (in Korean). (2018)10.3741/JKWRA.2018.51.2.131

H. Cho, S. Hawng, Y. Cho and M. Choi, Journal of Korea Water Resources Association, Analysis of spatial precipitation field using downscaling on the Korean peninsula., 46(11); 1129-1140, (in Korean). (2013)10.3741/jkwra.2013.46.11.1129

J. Cho, C. G. Kim, S. Hwang, J. Shin and J. Park, Journal of Climate Change Research, Hydrologic evaluation of grid-based global climate data for use in ungauged watershed., 10(1); 23-34 (2019)10.15531/ksccr.2019.10.1.23

T. Dinku, C. Funk, P. Peterson, R. Maidment, T. Tadesse, H. Gadain and P. Ceccato, Quarterly Journal of the Royal Meteorological Society, Validation of the CHIRPS satellite rainfall estimates over eastern Africa., 144(Suppl.1); 292-312 (2018)10.1002/qj.324425855820

Z. Duan, J. Liu, Y. Tuo, G. Chiogna and M. Disse, Science of the Total EnvironmentEvaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales., 573; 1536-1553 (2016)10.1016/j.scitotenv.2016.08.21327616713

M. A. Faiz, D. Liu, Q. Fu, M. U. Qamar, M. I. Khan, F. Baig, T. Li and S. Cui, Stochastic Environmental Research and Risk AssessmentStream flow variability and drought severity in the Songhua River Basin, Northeast China., 32(5); 1225-1242 (2017)10.1007/s00477-017-1463-3

M. A. Faiz, D. Liu, F. Qiang, D. Wrzesiński, F. Baig, G. Nabi and M. I. Khan, Climate ResearchExtreme precipitation and drought monitoring in northeastern China using general circulation models and pan evaporation-based drought indices., 74(3); 231-250 (2018a)10.3354/cr01503

M. A. Faiz, D. Liu, Q. Fu, S. Qiaohong, M. Li, F. Baig, T. Li and S. Cui, Atmospheric ResearchHow accurate are the performances of gridded precipitation data products over Northeast China?, 211; 12-20 (2018b)10.1016/j.atmosres.2018.05.006

C. Funk, J. Verdin, M. Gebremichael and F. Hossain, Satellite Rainfall Applications for Surface Hydrology. Springer, DordrechtReal-time decision support systems: The famine early warning system network.; 295-320 (2010)10.1007/978-90-481-2915-7_17

C. Funk, G. J. Husak, J. Michaelsen, S. Shukla, A. Hoell, B. Lyon, M. P. Hoerling, B. Liebmeann, T. Zhang, J. Verdin, G. Galu, G. Eilerts and J. Rowland, Bulletin of the American Meteorological SocietyAttribution of 2012 and 2003-12 rainfall deficits in eastern Kenya and southern Somalia., 94(9); S45-S48 (2013)10.1175/BAMS-D-13-00085.1

C. C. Funk, P. J. Peterson, M. F. Landsfeld, D. H. Pedreros, J. P. Verdin, J. D. Rowland, B. E. Romero, G. J. Husak, J. C. Michaelsen and A. P. Verdin, U.S. Geological Survey Data SeriesA quasi-global precipitation time series for drought monitoring., 832 (2014)10.3133/ds832

C. Funk, P. Peterson, M. Landsfeld, D. Pedreros, J. Verdin, S. Shukla, G. Husak, J. Rowland, L. Harrison, A. Hoell and J. Michaelsen, Scientific DataThe climate hazards infrared precipitation with stations-a new environmental record for monitoring extremes., 2; 150066 (2015a)10.1038/sdata.2015.6626646728PMC4672685

C. Funk, A. Verdin, J. Michaelsen, P. Peterson, D. Pedreros and G. Husak, Earth System Science DataA global satellite-assisted precipitation climatology., 7; 275-287 (2015b)10.5194/essd-7-275-2015

I. P. Gorenburg, D. McLaughlin and D. Entekhabi, Advances in Water ResourcesScale-recursive assimilation of precipitation data., 24(9-10); 941-953 (2001)10.1016/s0309-1708(01)00033-1

G. J. Huffman, R. F. Adler, M. M. Morrissey, D. T. Bolvin, S. Curtis, R. Joyce, B. McGavock and J. Susskind, Journal of Hydrometeorology, Global precipitation at one-degree daily resolution from multi satellite observations., 2(1); 36-50, doi:10.1175/1525-7541(2001)002<0036:GPAODD>2.0.CO;2. (2001)

J. G. Husak, J. Michaelsen and C. Funk, International Journal of Climatology, Use of the gamma distribution to represent monthly rainfall in Africa for drought monitoring applications., 27(7); 935-944 (2007)10.1002/joc.144125855820

H. Jang, N. Kang, H. Noh, D. R. Lee, C. Choi and H. S. Kim, Journal of Wetlands Research, Applicability of spatial interpolation methods for the estimation of rainfall field., 17(4); 370-379, (in Korean). (2015)10.17663/jwr.2015.17.4.370

S. Jang, J. Rhee, S. Yoon, T. Lee and K. Park, Journal of the Korean Society of Agricultural Engineers, Evaluation of GPM IMERG applicability uisng SPI based satellite precipitation., 59(3); 29-39, (in Korean). (2017)10.5389/ksae.2017.59.3.029

R. Joyce, J. Janowiak, P. Arkin and P. Xie, Journal of Hydrometeorology, CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution., 5(3); 487-503, doi:10.1175/1525-7541(2004)005<0487:CAMTPG> 2.0.CO;2. (2004)

D. Katsanos, A. Retalis and S. Michaelides, Atmospheric Research, Validation of a high-resolution precipitation database (CHIRPS) over Cyprus for a 30-year period., 169; 459-464 (2016)10.1016/j.atmosres.2015.05.015

C. Kidd, D. R. Kniveton, M. C. Todd and T. J. Bellerby, Journal of Hydrometeorology, Satellite rainfall estimation using combined passive microwave and infrared algorithms., 4; 1088-1104, doi:10.1175/1525-7541(2003) 004<1088:SREUCP>2.0.CO;2. (2003)

H. J. Lee, W. H. Nam, D. H. Yoon, E. M. Hong, D. E. Kim, D. M. Svoboda, T. Tadesse and B. D. Wardlow, Journal of the Korean Society of Agricultural Engineers, Satellite-based Evaporative Stress Index (ESI) as an indicator of agricultural drought in North Korea., 61(3); 1-14, (in Korean). (2019)10.5389/KSAE.2019.61.3.001

S. H. Lee, W. S. Ahn, W. S. Lee, J. H. Choi and S. Y. Kim, Journal of the Korean Society for Radiotherapeutic Technology, Assessment of the usefulness of the machine performance check system that is an evaluation tools for the determination of daily beam output., 29(2); 65-73, (in Korean). (2017)

T. Lee, S. Kim, Y. Jung and Y. Shin, Journal of the Korean Society of Agriculture Engineers, Assessment of agricultural drought using satellite-based TRMM/GPM precipitation images: At the province of Chungcheongbuk- do., 60(4); 73-82 (2018)10.5389/KSAE.2018.60.4.073

C. Miao, J. Ni and A. G. L. Borthwick, Progress in Physical GeographyRecent changes of water discharge and sediment load in the Yellow River basin, China., 34(4); 541-561 (2010)10.1177/030913331036943422973420PMC3437532

J. W. Moon, C. G. Jung and D. R. Lee, Journal of Korea Water Resources Association, Parameter regionalization of Hargreaves equation based on climatological., 46(9); 935-948, (in Korean). (2013)10.3741/jkwra.2013.46.9.933

Y. S. Mun, W. H. Nam, M. G. Jeon, T. Kim, E. M. Hong, M. J. Hayes and T. Tadesse, Journal of the Korean Society of Agricultural Engineers, Application of meteorological drought index using Climate Hazards Group InfraRed Precipitation with Station (CHIRPS) based on global satellite-assisted precipitation products in Korea., 61(2); 1-11, (in Korean). (2019)

Y. S. Mun, W. H. Nam, T. Kim, E. M. Hong and C. Sur, Journal of the Korean Society of Agricultural Engineers, Evaluation and comparison of meteorological drought index using multi-satellite based precipitation products in East Asia., 62(1); 85-95, (in Korean). (2020)10.5389/KSAE.2020.62.1.085

W. H. Nam, M. J. Hayes, M. D. Svoboda, T. Tadesse and D. A. Wilhite, Agricultural Water ManagementDrought hazard assessment in the context of climate change for South Korea., 160; 106-117 (2051)10.1016/j.agwat.2015.06.029

W. H. Nam, E. M. Hong, J. Y. Choi, T. Kim, M. J. Hayes and M. D. Svoboda, Journal of the Korean Society of Agriculture Engineers, Assessment of the extreme 2014-2015 drought events in North Korea using weekly Standardized Precipitation Evapotranspiration Index (SPEI)., 59(4); 65-74, (in Korean). (2017)10.5389/KSAE.2017.59.4.065

W. H. Nam, T. Tadesse, B. D. Wardlow, M. J. Hayes, M. D. Svoboda, E. M. Hong, Y. A. Pachepsky and M. W. Jang, International Journal of Remote Sensing, Developing the vegetation drought response index for South Korea (VegDRI-SKorea) to assess the vegetation condition during drought events., 39(5); 1548-1574 (2018a)10.1080/01431161.2017.1407047

W. H. Nam, G. A. Baigorria, E. M. Hong, T. Kim, Y. S. Choi and S. Feng, AtmosphereThe fingerprint of climate change and urbanization in South Korea., 9; 273 (2018b)10.3390/atmos9070273

S. Shukla, A. McNally, G. J. Husak and C. Funk, Hydrology and Earth System SciencesA seasonal agricultural drought forecast system for food-insecure regions of East Africa., 18(10); 3907-3921 (2014)10.5194/hess-18-3907-2014

S. Sorooshian, K. Hsu, X. Gao, H. V. Gupta, B. Imam and D. Braithwaite, Bulletin of the American Meteorological Society, Evaluation of PERSIANN system satellite-based estimates of tropical rainfall., 81(9); 2035-2046, doi:10.1175/1520-0477(2000)081<2035:EOPSSE>2.3.CO;2. (2000)

S. Sun, H. Chen, W. Ju, G. Wang, G. Sun, J. Huang, H. Ma, C. Gao and W. Hua, Climate DynamicsOn the coupling between precipitation and potential evapotranspiration: Contributions to decadal drought anomalies in the Southwest China., 48(11-12); 3779-3797 (2017)10.1007/s00382-016-3302-5

C. Toté, D. Patricio, H. Boogaard, R. V. D. Wijngaart, E. Tarnavsky and C. Funk, Remote SensingEvaluation of satellite rainfall estimates for drought and flood monitoring in Mozambique., 7(2); 1758-1776 (2015)10.3390/rs70201758

A. Verdin, B. Rajagopalan, W. Kleiber and C. Funk, Water Resources ResearchA Bayesian kriging approach for blending satellite and ground precipitation observations., 51; 908-921 (2015)10.1002/2014wr01596325855820

D. A. Vila, L. G. G. de Goncalves, D. L. Toll and J. R. Rozante, Journal of Hydrometeorology, Statistical evaluation of combined daily gauge observations and rainfall satellite estimates over continental South America., 10(2); 533-543 (2009)10.1175/2008jhm1048.1

P. Xie and P. Arkin, Bulletin of the American Meteorological SocietyA 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs., 78(11); 2539-2558, doi: 10.1175/1520-0477(1997)078<2539:GPAYMA>2.0.CO;2. (1997)

P. Xie, J. E. Janowiak, P. A. Arkin, R. Adler, A. Gruber, R. Ferraro, G. J. Huffman and S. Curtis, Journal of Climate , GPCP pentad precipitation analyses: An experimental dataset based on gauge observations and satellite estimates., 16(13); 2197-2214 (2003)10.1175/2769.1

F. Yang, H. Lu, K. Yang, J. He, W. Wang, J. S. Wright, C. Li, M. Han and Y. Li, Hydrology and Earth System SciencesEvaluation of multiple forcing data sets for precipitation and shortwave radiation over major land areas of China., 21(11); 5805-5821 (2017)10.5194/hess-21-5805-2017

Journal of Korean Society of Agricultural Engineers ISSN:1738-3692(Print) 2093-7709(Online) 한국농공학회논문집

Preview

Assessment and Validation of New Global Grid-based CHIRPS Satellite Rainfall Products Over Korea

ABSTRACT

MAIN

Fig. 1

Table 1

(1)

Table 2

Fig. 2

Fig. 3

Fig. 4

Table 3

Fig. 5

Table 4

Table 5

Fig. 6

Fig. 7

Table 6

Fig. 8

감사의 글

REFERENCES