Assessing Hydrologic Impacts of Climate Change in the Mankyung Watershed with Different GCM Spatial Downscaling Methods

Dong-Hyeon Kim; Taeil Jang; Syewoon Hwang; Jaepil Cho

doi:10.5389/KSAE.2019.61.6.081

Preview

Journal of Korean Society of Agricultural Engineers. 2019. 81–92
https://doi.org/10.5389/KSAE.2019.61.6.081

Assessing Hydrologic Impacts of Climate Change in the Mankyung Watershed with Different GCM Spatial Downscaling Methods:

- 만경강 유역을 중심으로 -

GCM 공간상세화 방법별 기후변화에 따른 수문영향 평가

Dong-Hyeon Kim^a

Taeil Jang^b^†

Syewoon Hwang^c

Jaepil Cho^d

김 동현^a

장 태일^b^†

황 세운^c

조 재필^d

^aPhD Student, Department of Rural Construction Engineering, Jeonbuk National University

^bAssociate Professor, Department of Rural Construction Engineering, Jeonbuk National University

^cAssociate Professor, Department of Agricultural Engineering, Institute of Agriculture and Life Science, Gyeongsang National University

^dDirector, Convergence Center for Watershed Management, Integrated Watershed Management Institute (IWMI)

^a전북 대학교 농촌 건설 공학과 학사

^b전북 대학교 농촌 건설 공학과 부교수

^c경상 대학교 농업 생명 과학원 농업 공학과 부교수

^d통합 유역 관리 연구소 (IWMI) 유역 관리 통합 센터 dDirector

^† Corresponding author Tel.: +82-63-270-2518, Fax: +82-63-270-2517 E-mail: tjang@jbnu.ac.kr

ABSTRACT

The objective of this study is to evaluate hydrologic impacts of climate change according to downscaling methods using the Soil and Water Assessment Tool (SWAT) model at watershed scale. We used the APCC Integrated Modeling Solution (AIMS) for assessing various General Circulation Models (GCMs) and downscaling methods. AIMS provides three downscaling methods: 1) BCSA (Bias-Correction & Stochastic Analogue), 2) Simple Quantile Mapping (SQM), 3) SDQDM (Spatial Disaggregation and Quantile Delta Mapping). To assess future hydrologic responses of climate change, we adopted three GCMs: CESM1-BGC for flood, MIROC-ESM for drought, and HadGEM2-AO for Korea Meteorological Administration (KMA) national standard scenario. Combined nine climate change scenarios were assessed by Expert Team on Climate Change Detection and Indices (ETCCDI). SWAT model was established at the Mankyung watershed and the applicability assessment was completed by performing calibration and validation from 2008 to 2017. Historical reproducibility results from BCSA, SQM, SDQDM of three GCMs show different patterns on annual precipitation, maximum temperature, and four selected ETCCDI. BCSA and SQM showed high historical reproducibility compared with the observed data, however SDQDM was underestimated, possibly due to the uncertainty of future climate data. Future hydrologic responses presented greater variability in SQM and relatively less variability in BCSA and SDQDM. This study implies that reasonable selection of GCMs and downscaling methods considering research objective is important and necessary to minimize uncertainty of climate change scenarios.

Keywords

SWAT

climate change

GCM

downscaling

hydrologic response

MAIN

Ⅰ. 서 론

기후변화에 대응하기 위한 많은 연구들이 국내외에서 진행되고 있으며, 우리나라에서도 기후변화에 대한 영향 평가, 적응 및 대응을 위한 연구들이 활발하게 진행되고 있다. 기후변화 연구는 전지구모형인 GCM (General circulation model) 산출물을 가공한 미래 장기 기후자료를 활용하고 있다. 기후변화 연구는 다양한 GCM, 상세화 기법, 편의 보정에 따른 불확실성을 내포하고 있기 때문에 미래 기후자료 사용에 대한 신뢰도를 높이기 위한 노력이 계속되고 있다. 국내 다수의 기후변화 연구에서는 다양한 GCM 모델의 비교 및 앙상블 모델 등 기후모델의 성능을 개선하고 연구 목적에 적합한 모델을 선정하기 위한 연구가 수행되고 있다 (Cho et al., 2015; Yoo et al., 2015; Hwang et al., 2018; Jung et al., 2018; Kim et al., 2018; Ali et al., 2019; Her et al., 2019). 하지만 일반적으로 GCM 산출물은 대상지역에서의 과거 관측값을 완벽하게 재현하기가 어렵기 때문에 편차를 최소화하고자 상세화 기법과 편의보정 기법을 사용하고 있다 (Cammarano et al., 2017). 따라서 GCM의 선정뿐만 아니라 상세화 및 편의보정 기법의 선정 또한 중요하다 (Hwang and Graham, 2013; Kum et al., 2015; Cho et al., 2018b).

일반적으로 CMIP (Coupled model intercomparison project)에서 사용되는 GCM 산출물들은 공간 해상도가 100 km이상으로 우리나라에 바로 적용하기는 어려우며 지역 규모의 격차를 최소화하기 위한 상세화 기법이 필수적이다 (Kim and Yun, 2016). 상세화 기법은 더 정밀한 스케일의 자료를 생성하는 과정으로 동적 상세화 기법 (Dynamic downscaling)과 통계적 상세화 기법 (Statics downscaling)이 있다. 동적 상세화 기법은 지역특성을 고려하기 지역 기후 모델인 RCM (Regioanal climate model)을 활용하여 더 높은 해상도의 규모로 축소하여 기후예측을 가능하게 하지만 시간이 오래 걸리는 단점이 있다. 기상청에서는 HadGEM3-RA RCM 모델의 자료를 제공하고 있으나 지속적으로 불확실성 개선 및 다양한 RCM 결과를 공유하여 적합한 미래 기후자료를 생성할 수 있도록 동아시아를 영역으로 CORDEX (Coordinated regional climate downscaling experiment)에 참여하고 있다 (Kim and Yun, 2016). 통계적 상세화 기법은 효율적이고 적용하기 쉽기 때문에 다수의 연구자들이 사용하고 있다. 관측값의 통계적 특성에 맞춰 GCM 산출물을 보정함과 동시에 기후특성을 보존할 수 있다 (Ali et al., 2019). 하지만 단점으로 과거 관측값의 통계적 특성이 미래에도 동일하게 적용될 것이라고 가정해야 하며, 관측자료에 근거하여 홍수 또는 가뭄 등의 기후특성 및 패턴을 요구하기 때문에 쉽게 이용할 수 있는 것은 아니다 (Walsh et al., 2018). 국내에서는 기상청에서 제공하는 HadGEM3-RA RCM이 주로 이용하고 있으나, 단일 GCM 모델 사용의 한계점 등으로 다양한 GCM을 활용하면서 상세화와 편의보정을 동시에 할 수 있는 QM (Quantile mapping) 등 통계학적 상세화 기법을 사용하고 있다 (Chung et al., 2015; Park et al., 2017). 하지만 우리나라의 경우 다른 나라보다 국토면적이 좁은 것에 비해서 지역별로 강수량의 편차가 크고, 여름철 집중호우와 태풍 등에 따라 강우의 빈도 및 강도가 다르게 나타난다. 따라서 상세화 또는 편의보정 기법의 선정시 심도 있는 고려가 필요하다. 특히 원시 GCM 스케일에서 우리나라의 기상관측소를 중심으로 상세화하는 과정에서 불확실성을 내포하며, 또한 강수량의 패턴 및 시공간적 통계를 완벽하게 재현하기가 어려운 실정이다. 따라서 신뢰성 높은 기후변화 연구를 위해 적절한 상세화 기법의 선정과 적용을 위한 평가 연구가 필요하다 (Cho et al., 2018b; Eum and Cannon, 2017; Hwang and Graham, 2013; Keem et al., 2009).

국내외에서 기후변화 시나리오의 가공과 보정에 대한 선행연구들을 다양하게 수행되었다. 국외의 경우, Ali et al. (2019)은 최근 파키스탄에서 발생하는 홍수와 가뭄 발생이 빈번하여 기후변화에 대한 효과적인 대응을 하고자 14개 GCM 모델의 산출물을 사용하여 미래 예측을 하고자 하였으며, 기후변화의 불확실성을 줄이기 위해 3가지 통계적 상세화 기법 (QM, Quantile mapping; DQM, Detrended quantile mapping; QDM, Quantile delta mapping)을 비교하였다. Hwang and Graham (2013)은 일 관측 강수량의 공간상관구조와 빈도분포를 모두 보존할 수 있는 BCSA (Bias-correction and stochastic analog method)을 개발하고 3가지 통계적 상세화 기법을 사용하여 수문반응의 차이를 평가하였다. Hwang et al. (2013)은 미국 플로리다를 대상으로 CMIP3의 CCSM, GFDL GCM 자료를 이용하여 지역기후모델인 RSM을 통해 공간 상세화를 진행하고 4가지의 편의보정 기법을 사용하여 기상자료의 일 변동성에 대해 연구하였다. 국내에서는 Eum and Cannon (2017)은 우리나라를 대상으로 CMIP5의 20개 GCM과 3가지의 통계적 상세화 기법을 극한기후지수인 ETCCDI (Expert team on climate change detection and indices)를 산정하여 비교⋅분석하였다. Kum et al. (2015)은 SRES의 A1B 기후변화 시나리오에 대한 4가지 편의보정 기법에 따라 각기 다른 기상자료가 수문 모델에서도 영향이 미치는 것을 확인하였다. Baek et al. (2011)은 기후변화 시나리오의 불확실성을 저감하기 위해 기상청 RCM 자료를 GIS를 통해 규모 상세화 기법 개발 및 검증 하였다. 국내 다수의 기후변화 선행연구에서는 최근 IPCC (Intergovernmental Panel on Climate Change) AR5 (Assessment report)의 RCP 시나리오를 대상으로 상세화 기법에 따른 변동성을 평가한 연구는 미흡한 실정이다. 특히 2022년에 IPCC에서 발간될 AR6를 대비한다면 신뢰성 높은 기후변화 연구를 위해 기후변화 시나리오 연구의 기반이 되는 다양한 상세화 및 편의보정 기법의 적용 및 평가에 대한 연구가 필요하다.

Cho et al. (2018a)은 다양한 응용분야의 사용자 요구를 반영하고 기후모델 산출물을 필요에 맞게 가공하는 방법에 따른 불확실성을 고려하기 위해 시⋅공간적 상세화 자료를 생성⋅재공하도록 개발된 기술적 플랫폼인 AIMS (APCC Integrated Modeling Solution)를 소개한 바 있다. 본 연구에서는 AIMS에서 제공하고 있는 3가지 상세화 기법에 따른 다양한 기후변화 시나리오의 변동성 및 극한기후지수를 통해 분석하고, 선행연구에서 구축된 SWAT 모형을 활용하여 홍수, 가뭄 특성을 가지는 GCM과 상세화 기법에 따른 미래 수문 영향을 평가하고자 한다.

Ⅱ. 재료 및 방법

1. 대상지역

본 연구의 대상지역은 선행연구 (Kim et al., 2018)에서 수행하였던 새만금 상류유역인 만경강 유역을 대상으로 하였다. 만경강 유역은 김제, 전주, 완주 등 하류에 농업지역이 밀집되어 있다. 대상 유역의 특성은 3,367 km², 평균표고 79.7 m, 평균경사 17.76% 이다. 토지이용은 농경지가 49.0%로 가장 높았으며, 산림 32.5%, 도심지 (도로포함) 11.9%, 수계 6.9%, 그리고 기타 4.7%로 구성된다. 대상유역의 기후는 몬순기후로서 겨울철에는 15.3℃, 여름철에는 38.3℃까지 변화한다. 연평균 강수량은 1,303 mm이며, 이 중 72.2%가 6월~10월에 집중되어 내린다 (2004-2017년 기준).

대상 유역에 대한 자료는 기상청 (Korea meteorological administration, KMA), 국가수자원종합정보시스템 (Water resources management information system, WAMIS), 물환경정보시스템 (water.nier.go.kr)에서 수집하였으며, 환경기초시설 및 댐 방류량은 환경부와 한국농어촌공사로부터 수집하였다. 대상유역의 특성 및 자료구축에 대한 자세한 내용은 Kim et al. (2018)에서 언급되어 있다. Fig. 1은 대상유역과 모니터링 지점을 나타내고 있다.

https://cdn.apub.kr/journalsite/sites/jksae/2019-061-06/N0740610609/images/PIC7BEF.png

Fig. 1

Location of study area and DEM, landuse, and soil texture for SWAT input data

2. SWAT 모형

미래 수문⋅수질을 평가하기 위해서 다양한 수문 모형이 사용되고 있으며, 그 중 SWAT 모형은 미국 농무성 농업연구소 (United States Department of Agriculture, USDA)에서 개발한 물리적 기반의 준분포형 장기 강우 - 유출 모형으로 많이 사용되고 있다. 유역의 토양, 토지이용, 토지관리 상태에 따라 장기간 동안의 발생하는 유출과 유사 및 농업화학물질 거동에 대한 영향을 예측하기 위해 개발되었다 (Arnold et al., 1998). SWAT 모형의 이론은 Arnold et al. (1996)와 Neitsch et al. (2001)에 자세히 언급되어 있다.

SWAT 모형의 입력자료는 Fig. 1과 같이 수치고도모형 (DEM), 토지피복도 (Landuse), 그리고 토양도 (Soil texture)를 구축하였으며, 해상도는 10 m × 10 m, 좌표체계는 Bessel_ 1841_TM으로 동일하게 설정하였다. 토지피복도는 환경부에서 제공하는 2013년 중분류 토지피복도를 이용하였으며, 농업, 수계, 산림, 주거, 도로 등 19개로 재분류하였다. 토양도는 국립농업과학원에서 제공하는 1:25,000 정밀토양도를 이용하였으며, 우리나라 토양통 정보를 SWAT 데이터베이스에 구축하여 적용하였다. SWAT 모형의 보정⋅검정을 위해 객관적 보정이 가능한 SWAT-CUP을 사용하였으며, 모의횟수는 1,000회로 하였고, Nash-sutcliffe efficiency (NSE, Nash and Sutcliffe, 1970)를 적합성 평가 기준으로 하여 매개변수를 최적화하였다. 모형의 적합성을 평가하기 위해 결정계수 (R², Coefficient of determination), 평균제곱근오차 (RMSE, Root mean square error), 그리고 NSE (Nash-sutcliffe efficiency)를 사용하였다. 모형의 모의기간은 총 10년 (2008~2017년)으로 장기간의 수문모델링을 진행하였고 합리적인 수준 (유출량 기준 R²: 0.75, RMSE: 3.12 mm/day, NSE: 0.56)에서 모형의 구축을 완료하였다. 모형의 적용성 평가 방법 및 결과에 대한 자세한 내용은 Kim et al. (2018)에서 언급되어 있다. 구축된 SWAT 모형을 통해 미래 기상 시나리오를 적용하고 상세화 기법에 따른 수문반응의 차이를 평가하고자 한다.

3. 기후변화 시나리오

AIMS는 GCM 원시 자료 및 3가지 상세화 기법에 따른 기후자료를 제공하고 있다 (Cho et al., 2018a; Cho et al., 2018b). 그리고 AIMS는 R 프로그램 기반으로 구축되었으며, WCRP (World climate research programme)에서 기후변화를 감시하기 위해 정의하는 ETCCDI (http://etccdi.pacificclimate.org/list_27_indices.shtml)를 이용하여 기후특성을 분석한 결과를 제공하여 사용자가 연구목적에 맞는 기후변화 시나리오 자료를 사용할 수 있는 플랫폼이다. ETCCDI에서는 강우량 (PRCP), 최대기온 (TMAX), 최저기온 (TMIN)에 관련된 총 27개 지수로 구성되어 있으며, 27개 지수들 중에는 상관성이 높은 지수들이 존재하기 때문에 모든 지수들을 평가할 필요는 없다 (Cho et al., 2018b). 따라서 본 연구에서는 상호상관성이 낮으며 극한사상인 홍수 (최대 강우량 및 사상)와 가뭄 (최대 기온 및 일수)의 특성을 평가할 수 있는 4개의 지수를 선정하였다 (Table 1).

Table 1

Selected lists of the ETCCDI climate extreme indices in this study

ID	Variable	Description	Unit
PCP	Climate element	Annual mean precipitation	mm
Tx	Climate element	Annual mean temperature max	℃
R20mm	PRCP	Annual count of days when PRCP ≥ 20 mm	days
R95ptot	PRCP	Annual total PRCP when daily PRCP > 99 percentile	mm
SU	TMAX	Annual count of days when TMAX > 25℃	days
TX90p	TMAX	Mean temperature of days when TMAX > 90th percentile	℃

본 연구에서는 AIMS의 기후변화 상세화 자료를 기반으로 과거기간에 대한 기후특성 재현성 분석하고 SWAT 모형을 이용하여 농촌유역의 기후변화에 따른 수문 영향을 중⋅장기 미래기간별 (S1:2041-2070, S2:2071-2100)로 평가하였다.

AIMS에서 제공하고 있는 상세화 기법은 3가지로 1) BCSA (Bias-Correction & Stochastic Analogue), 2) SQM (Simple Quantile Mapping), 3) SDQDM (Spatial Disaggregation and Quantile Delta Mapping)이다. BCSA는 관측된 일 단위 기상자료의 시간적 통계, 공간적 상관구조를 재현하기 위해 일단위 GCM의 공간을 편의보정하는 방법이다. 이 방법은 공간 변동성을 고려하여 관측된 일단위 격자 기상자료를 활용하여 시공간적으로 모두 재현할 수 있는 상세화 기법이다 (Hwang and Graham, 2013). SQM은 단순분위사상기법으로 비모수적분위사상기법 (Non-parametric quantile method)이라고도 불리며, 통계적 상세화 기법에 해당한다. 기후변화 시나리오와 관측자료를 누적확률분포함수곡선 (CDF)으로 작성하고 두 곡선을 동일하게 사상시키는 방법이다 (Cho et al., 2018b). SDQDM은 공간분해 및 분위사상기법으로 SQM과 동일하게 통계적 상세화 기법에 해당하며, 원시 GCM 값의 상대적 변화를 보존하기 위해 저해상도 GCM을 역거리 가중 방법에 의해 공간 세분화하고, 관측자료와 비교하여 분위사상법에 의해 보정된다 (Eum and Cannon, 2017).

GCM 선정은 연평균 강수량 및 최대기온 자료를 평가하여 강수량과 기온의 패턴이 반비례 (예를 들어, 연평균 강수량이 최대이며 연평균 최대기온은 최저)하고 그 차이가 큰 GCM을 선정하였다 (Kim et al., 2018). 미래기간 극한사상이 발현되는 경우를 다양하게 반영하기 위해 연평균 강수량이 크고 연평균 최대기온이 낮은 CESM1-BGC를 홍수를 분석하기 위한 GCM으로 선정하였고, 반대로 연평균 강수량이 적고 연평균 최대기온이 큰 MIROC-ESM을 가뭄을 분석하기 위한 GCM으로 선정하였다. 더불어 국가표준시나리오 중 하나인인 HadGEM2-AO 자료를 수집하여 총 3개의 GCM (RCP 8.5 기준)에 대한 3가지의 상세화 기법에 따라 총 9개의 RCP 8.5 시나리오를 분석하고 평가하였다. RCP 8.5 시나리오는 RCP 시나리오 중 온실가스 배출 추세가 지속적으로 증가하는 시나리오로써 본 연구에서는 미래의 극한 기후 상황에서의 기후변화 및 수문영향을 평가하기 위하여 채택하였다 (Table 2).

Table 2

Description of GCMs selected in this study

No	GCMs	Resolution (Degree)	Institution
1	CESM1-BGC	1.250×0.942	National Science Foundation, Department of Energy, National Center for Atmospheric Research
2	MIROC-ESM	2.813×2.791	Japan Agency for Marine-Earth Science and Technology, Atmosphere and Ocean Research Institute (The University of Tokyo), and National Institute for Environmental Studies
3	HadGEM2-AO	1.875×1.250	National Institute of Meteorological Research/Korea Meteorological Administration

GCM의 재현성 평가를 위해 자료기간에 대한 미래기상 시나리오별로 연단위 기후지수 및 기상요소를 산출하고 자료기간 평균과 표준편차의 지점 관측자료 대비 오차를 분석하였다. 또한 과거기간과 미래기간에 대한 평균과 표준편차의 차이를 산정하여 연평균 기후변화 정도를 평가하였으며 이는 기후요소 및 지수의 평균과 연변동성의 미래변화를 정량화한 지표라 할 수 있다.

Ⅲ. 결과 및 고찰

1. GCM 및 상세화 기법별 과거 재현성 평가

기후변화 시나리오 자료의 과거 재현성을 평가하기 위해 대상지역의 대표 기상관측소인 전주 기상관측소 지점을 선정하여 분석하였다. Fig. 2는 강수량과 최대기온에 대한 과거 관측자료 (1976-2005)와 3개 GCM의 3가지 상세화 기법에 따른 과거관측 (Historical) 자료의 보정결과를 Boxplot으로 비교한 그래프이다. 연평균 강수량에서 평균적 오차를 살펴보면, 관측자료와 비교하여 SQM의 오차가 -0.1%로 가장 낮았으며, BCSA가 -1.0%, SDQDM이 -29.3%로 나타났다. 표준편차의 오차를 분석해보면 관측자료와 비교하여 BCSA가 +1.5%로 관측값과 유사한 변동성을 보여주었으며, SQM이 +9.1%, SDQDM이 -17.3%로 나타났다. 연평균 최대기온에서 평균적 오차를 살펴보면, 관측자료와 비교하여 SQM은 -0.01%의 오차로 가장 낮았으며, BCSA가 +0.4%, SDQDM가 -2.7%로 나타났다. 표준편차의 오차에서도 관측자료와 비교하여 SQM이 +0.7%로 관측값과 유사한 변동성을 보여주었으며, SDQDM이 -2.7%, BCSA가 -6.4%로 나타났다.

https://cdn.apub.kr/journalsite/sites/jksae/2019-061-06/N0740610609/images/PIC7E32.png

Fig. 2

Historical reproducibility results on annual precipitation and maximum temperature of GCMs and downscaling methods in Jeonju weather station. Red line means annual average observed values

BCSA는 강수량에서 관측값의 연 변동성을 잘 모의하는 한편, 기온자료에서는 재현성이 상대적으로 낮은 것으로 나타났으며, 이는 BCSA가 강우량의 낮은 공간상관성을 재현하기 위해 특화된 기법이므로 상대적으로 공간상관성이 높은 기온에 대한 적용성이 비교적 떨어지는 결과를 보인 것으로 판단된다. 단순히 관측자료의 기후통계량 (e.g., 평균과 분산)을 재현하는 SQM의 경우 상대적으로 강수량과 기온 모두 재현성을 보인 한편, SDQDM의 경우 다소 과소모의되는 것으로 나타났으며 특히 강수량에서 연평균적으로 약 380 mm 낮은 것을 나타냈다. 이는 SDQDM은 GCM의 산출물을 보정하였을 경우, 온도의 불확실성보다 강수량의 불확실성이 더 높을 수 있음을 시사한다 (Eum and Cannon, 2017). 결과적으로 BCSA와 SQM의 경우 과거 관측자료와 비교했을 때, 연간 평균값을 잘 모의하고 있는 한편, SDQDM은 관측 평균값보다 낮은 것을 나타낸다. 이는 Cho et al. (2018b)의 연구에서도 SQM이 SDQDM 보다 재현성이 높은 것을 확인한 바 있다.

하지만 기후변화 시나리오 자료의 연평균 결과만으로는 기후특성을 세부적으로 파악할 수 없기 때문에 극한기후지수를 산출하여 정량적으로 분석하였다. Fig. 3은 과거기간의 강수량과 최대기온 자료를 활용하여 극한기후지수 (ETCCDI)를 산정하여 기후자료의 특성을 분석하고 과거 재현성을 비교하였다.

https://cdn.apub.kr/journalsite/sites/jksae/2019-061-06/N0740610609/images/PIC7EB0.png

Fig. 3

Historical reproducibility results on ETCCDI (R20mm, R95pTOT, SU, Tx90p) GCMs and downscaling methods in Jeonju weather station. Red line means annual average observed values

강수량 관련 극한기후지수의 평균적 오차 결과를 살펴보면, 과거기간과 비교하여 R20mm (20 mm 이상 강우일 수)에서는 BCSA와 SQM이 각각 +0.6%, +0.7%로 오차가 가장 낮았으며, SDQDM은 -41.6%의 큰 오차를 보여주었다. 표준편차는 BCSA가 +3.6%, SQM이 +11.9%, SDQDM이 -16.4%의 순으로 나타났다. R95ptot (95 퍼센타일 이상의 총 강우량)에서는 SQM이 -0.7%로 오차가 가장 낮았으며, BCSA가 +4.1%, SDQDM은 -31.8%로 나타났다. 표준편차의 오차를 살펴보면, 과거기간과 비교하여 BCSA가 +5.5%, SQM이 +7.0%, SDQDM이 -14.7%의 순으로 나타났다. 강수량의 극한기후지수를 분석한 결과, BCSA와 SQM의 경우 관측자료와 비교하여 과거 재현성이 높은 수준으로 모의되는 것으로 나타났으며, SDQDM의 경우 과거 재현성이 낮게 나타났으나 표준편차는 평균 -16.1%로 상세화 기법 중 가장 낮은 변동성을 보여주었다.

기온 관련 극한기후지수의 평균적 오차 결과를 살펴보면, 과거기간과 비교하여 SU (25℃ 이상 최대기온 일 수)에서는 SQM이 -0.2%로 오차가 가장 낮았으며, BCSA가 +1.1%, SDQDM이 -4.3%로 나타났다. 표준편차는 BCSA가 -9.7%, SDQDM은 -12.8%, SQM은 +15.0%의 순으로 나타났다. Tx90p (90 퍼센타일 이상의 평균 최대기온)에서는 SQM이 -5.3%로 오차가 가장 낮았으며, BCSA가 -6.5%, SDQDM이 -6.7%를 보여주었다. 표준편차 오차 결과를 살펴보면, 과거기간과 비교하여 BCSA가 -4.6%, SDQDM이 -6.7%, SQM은 +5.5%의 순으로 나타났다. 최대기온의 극한기후지수를 분석한 결과, 3가지의 상세화 기법이 모두 재현성이 높은 것으로 나타났다. 특히 강수량 부문에서 상대적으로 재현성이 낮게 나타났던 SDQDM 기법은 다른 상세화 기법과 큰 차이 없이 최대기온 부문에서 재현성이 높게 나타났다.

Table 3은 과거기간 동안의 연평균 기상인자와 표준편차를 정리한 결과이다. 과거 재현성 평가 결과를 살펴보면, 평균적 오차 결과에서는 BCSA와 SQM 기법이 관측값과 비교하여 오차가 낮은 것으로 나타났다. 표준편차 오차 결과에서도 관측값과 비교하여 오차가 낮았으며, 관측값의 연변동성과 유사하게 나타나 과거 재현성이 높은 값을 보여주었다. 특히 BCSA 기법은 극한기후지수에서도 평균적 오차 및 표준편차 오차가 적게 나타나 극한값에 대해서도 과거 재현성이 높게 나타났다. 그러나 SDQDM 기법의 경우 평균적 오차 및 표준편차의 오차가 상대적으로 크게 나타나 BCSA와 SQM 기법보다 과거 재현성이 낮은 것으로 분석되었다. 이는 BCSA와 SQM이 관측자료의 기본적인 통계량을 재현하는데 기초를 둔 반면, SDQDM은 GCM 모의결과의 통계량을 최대한 적용하여 관측값의 범위나 통계량과 다소 차이를 보이는 값을 산출하는 방법론에 기인한 결과로 판단된다.

Table 3

The results of average and standard deviation in the ETCCDI climate extreme indices using three downscaling methods and GCMs

ETCCDI		Observed value	CESM1-BGC			MIROC-ESM			HadGEM2-AO
ETCCDI		Observed value	BCSA	SQM	SDQDM	BCSA	SQM	SDQDM	BCSA	SQM	SDQDM
PCP	Mean	1,302.7	1,318.9	1,301.6	954.7	1,266.9	1,303.5	897.0	1,283.2	1,298.9	912.6
PCP	Stdev	289.8	291.4	321.3	270.1	320.4	357.5	255.4	270.5	269.6	193.2
Tx	Mean	18.8	18.9	18.8	18.3	18.8	18.8	18.3	18.8	18.8	18.2
Tx	Stdev	0.7	0.5	0.6	0.6	0.6	0.7	0.6	0.7	0.7	0.8
R20mm	Mean	20.2	20.4	20.2	12.1	20.8	20.4	11.5	19.7	20.3	11.8
R20mm	Stdev	4.9	5.2	5.2	4.0	5.3	6.3	4.5	4.8	5.0	3.8
R95ptot	Mean	824.0	882.8	810.6	611.9	841.9	824.6	524.8	849.4	820.3	550.2
R95ptot	Stdev	179.7	177.8	187.7	160.1	202.2	210.6	166.9	188.7	178.6	133.1
SU	Mean	130.2	132.2	130.0	124.7	130.4	129.8	125.3	132.4	129.9	123.6
SU	Stdev	10.6	10.1	10.8	10.3	8.7	14.1	6.5	9.8	11.5	10.8
Tx90p	Mean	32.4	30.4	31.3	29.3	30.6	30.6	31.3	30.0	30.3	30.2
Tx90p	Stdev	1.2	1.2	0.9	1.4	1.0	1.2	1.0	1.1	1.1	1.2

9가지 미래 기상자료의 극한기후지수를 산출하여 분석한 결과, 상세화 기법에 따라 변동성과 크기의 차이가 나타나는 것을 확인하였으며, 이는 미래 기상자료의 활용시 상세화 기법의 특성을 고려하여 선정하는 것이 필요하다는 것을 의미한다 (Cho et al., 2018b).

2. GCM 및 상세화 기법에 따른 미래 기상변화 비교

Fig. 4는 미래기간을 중기 (S1: 2041-2070) 및 장기 (S2: 2071-2100)로 구분하여 연평균강수량 및 최대기온을 Boxplot으로 나타낸 그래프이다. 연평균 강수량에서는 과거기간과 비교하여 평균적 차이가 SQM (S1: +19.1%, S2: +29.3%), BCSA (S1: +17.4%, S2: +24.5%), SDQDM (S1: -16.4%, S2: -8.8%) 순으로 나타났다. 표준편차의 차이는 SQM (S1: +35.3%, S2: +78.4%), BCSA (S1: +32.3%, S2: +55.8%), SDQDM (S1: -6.9%, S2: +29.4%) 순으로 나타났다. BCSA와 SQM의 경우 연평균강수량이 미래기간에 과거기간보다 높게 나타나며, 두 기법 모두 평균값에서는 유사한 경향성을 보여주었으나 SQM의 변동성이 상대적으로 크게 나타났다. SDQDM은 미래기간에 과거기간보다 연평균강수량이 낮은 것으로 나타났으며, 이는 앞서 과거 재현성 평가에서 나타난 과소 모의되는 경향이 반영되기 때문으로 판단된다.

https://cdn.apub.kr/journalsite/sites/jksae/2019-061-06/N0740610609/images/PIC7F9B.png

Fig. 4

Future annual precipitation and maximum temperature changes of GCMs and downscaling methods in Jeonju weather station from S1 (2041-2070) to S2 (2071-2100). Red line means annual average observed values

연평균 최대기온에서는 과거기간과 비교하여 평균적 차이가 SQM (S1: +20.3%, S2: +32.4%), BCSA (S1: +18.7%, S2: +30.7%), SDQDM (S1: +12.3%, S2: +22.3%) 순으로 나타났다. 표준편차의 차이는 SQM (S1: +45.4%, S2: +25.6%), BCSA (S1: +36.4%, S2: +16.9%), SDQDM (S1: +27.8%, S2: +23.4%) 순으로 나타났다. 총 9개 시나리오가 과거기간보다 높은 것으로 나타났다. 특히 SQM 기법의 변동성이 가장 큰 것으로 나타났으며, 앞서 미래 연간 강우량에서 나타난 변동성과 같은 일관성을 보여주었다. 따라서 상세화 기법에 따른 변동성의 차이는 SQM, BCSA, SDQDM 순으로 나타났다.

GCM별 미래 기상변화를 살펴보면, 연평균 강수량의 평균적 차이는 과거기간과 비교하여 CESM1-BGC는 S1에서 13.5%, S2에서 22.6% 증가, MIROC-ESM은 S1에서 -4.6%, S2에서 1.5% 변화를 나타냈으며, HadGEM-AO는 S1에서 11.2%, S2에서 20.8% 증가를 나타냈다. 연평균 최대기온의 평균적 차이에서는 CESM1-BGC는 S1에서 11.9%, S2에서 19.5% 증가, MIROC-ESM은 S1에서 25.1%, S2에서 40.4% 변화를 나타냈으며, HadGEM-AO는 S1에서 14.4%, S2에서 25.4% 증가를 나타냈다. GCM 특성을 비교해보면 CESM1-BGC는 강수량, MIROC-ESM은 최대기온에 큰 변동성이 나타나는 것을 확인하였다.

Fig. 5는 미래기간에 대한 4개 극한기후지수에 대한 분석값을 Boxplot으로 나타낸 그래프이다. 강수량의 극한기후지수 결과를 살펴보면, 과거기간과 비교하여 평균적 차이는 R20mm에서 SQM (S1: +10.5%, S2: +16.4%), BCSA (S1: +8.2%, S2: +14.3%), SDQDM (S1: -33.3%, S2: -25.4%) 순으로 나타났다. 표준편차의 차이는 SQM (S1: +9.9%, S2: +22.0%), BCSA (S1: -3.9%, S2: +14.6%), SDQDM (S1: -16.4%, S2: +1.4%) 순으로 나타났다. R95ptot에서는 평균적 차이가 SQM (S1: +13.5%, S2: +24.5%), BCSA (S1: +16.7%, S2: +25.9%), SDQDM (S1: -25.8%, S2: -18.6%) 순으로 나타났다. 표준편차의 차이는 SQM (S1: +22.3%, S2: +61.9%), BCSA (S1: +20.1%, S2: +44.3%), SDQDM (S1: -8.2%, S2: 25.1%) 순으로 나타났다.

https://cdn.apub.kr/journalsite/sites/jksae/2019-061-06/N0740610609/images/PIC8048.png

Fig. 5

Future climate results on ETCCDI (R20mm, R95pTOT, |SU, x90p) of GCMs and downscaling methods in Jeonju weather station from S1 (2041-2070) to S2 (2071-2100). Red line means annual average observed values

최대기온의 극한기후지수 결과를 살펴보면, 과거기간과 비교하여 평균적 차이는 SU에서 SQM (S1: +36.9%, S2: +54.4%), BCSA (S1: +33.8%, S2: +53.0%), SDQDM (S1: +22.0%, S2: +36.2%) 순으로 나타났다. 표준편차의 차이는 SQM (S1: +12.6%, S2: -4.2%), BCSA (S1: +11.5%, S2: -2.7%), SDQDM (S1: -0.5%, S2: -21.9%) 순으로 나타났다. Tx90p에서는 평균적 차이가 SQM (S1: +5.5%, S2: +10.0%), SDQDM (S1: +2.5%, S2: +7.6%), BCSA (S1: +1.5%, S2: +6.8%) 순으로 나타났다. 표준편차의 차이는 SQM (S1: +23.0%, S2: -0.2%), BCSA (S1: +4.2%, S2: +7.3%), SDQDM (S1: -27.4%, S2: -12.5%) 순으로 나타났다. 상세화 기법과 GCM에 따른 미래기간 동안의 연평균 기상인자와 표준편차를 종합적으로 정리하여 Table 4에 제시하였다.

Table 4

The results of average and standard deviation in the ETCCDI climate extreme indices using three downscaling methods and GCMs for two time periods (S1, S2)

ETCCDI		Observed value	CESM1-BGC			MIROC-ESM			HadGEM2-AO
ETCCDI		Observed value	BCSA	SQM	SDQDM	BCSA	SQM	SDQDM	BCSA	SQM	SDQDM
S1 (2041-2070)
PCP	Mean	1,195.8	1,548.6	1,477.3	1,047.2	1,196.6	1,294.7	930.4	1,466.4	1,501.2	1,023.2
PCP	Stdev	244.3	307.4	289.2	240.1	253.2	343.7	197.5	409.3	359.2	245.0
Tx	Mean	18.8	21.3	21.3	20.4	23.8	24.7	21.9	21.8	21.6	21.0
Tx	Stdev	0.7	0.7	0.7	0.7	1.1	1.2	0.8	1.1	1.1	1.1
R20mm	Mean	20.2	22.9	22.9	14.2	20.3	20.6	12.9	22.2	23.4	13.2
R20mm	Stdev	4.9	5.1	4.4	3.7	4.2	5.3	4.4	4.9	6.4	4.2
R95ptot	Mean	824.0	1,074.3	984.1	658.0	810.3	867.8	565.9	999.6	952.9	610.9
R95ptot	Stdev	179.7	197.6	194.7	181.5	175.4	219.5	131.2	274.6	245.0	182.2
SU	Mean	130.2	161.6	162.3	149.2	191.9	203.8	169.0	168.7	168.4	158.2
SU	Stdev	10.6	9.1	8.9	8.2	13.2	14.1	9.4	13.1	12.7	14.0
Tx90p	Mean	32.4	32.7	34.1	32.0	34.2	35.9	34.7	31.8	32.6	33.0
Tx90p	Stdev	1.2	0.5	1.0	0.8	1.0	1.7	1.2	1.0	1.5	1.6
S2 (2071-2100)
PCP	Mean	1,195.8	1,626.4	1,629.1	1,143.1	1,267.2	1,362.5	1,011.9	1,571.2	1,645.8	1,115.5
PCP	Stdev	244.3	465.3	513.1	381.3	349.2	416.3	304.0	327.7	378.3	262.9
Tx	Mean	18.8	22.7	22.9	21.7	26.9	28.0	24.1	24.0	23.6	23.0
Tx	Stdev	0.7	0.5	0.5	0.6	1.0	1.1	0.9	0.9	0.9	1.0
R20mm	Mean	20.2	24.1	23.6	15.7	20.4	20.9	14.6	24.6	26.0	14.8
R20mm	Stdev	4.9	6.5	6.2	5.3	5.5	5.7	5.4	4.8	6.1	4.2
R95ptot	Mean	824.0	1,134.3	1,104.3	721.6	885.5	943.0	611.5	1,092.7	1,029.2	679.8
R95ptot	Stdev	179.7	331.4	361.3	295.7	214.6	265.9	181.9	232.0	245.5	196.9
SU	Mean	130.2	175.5	177.3	166.0	233.1	240.4	189.7	188.9	185.2	176.0
SU	Stdev	10.6	7.1	5.6	6.0	13.1	14.1	9.3	10.6	10.7	9.5
Tx90p	Mean	32.4	35.3	35.5	34.2	35.6	37.9	35.9	33.0	33.6	34.5
Tx90p	Stdev	1.2	1.0	1.1	1.5	1.0	1.0	1.0	1.0	1.4	1.3

결과적으로 BCSA와 SQM이 유사한 경향을 나타냈으나 BCSA의 경우 R95ptot에서 가장 높은 값을 나타내어 극한 강수량의 빈도 및 크기가 크게 모의되는 것을 보여주었다. SQM은 상세화 기법 중 가장 높은 연변동성을 보여주었고, SDQDM 기법은 강수량에서는 일관적으로 과소 모의되고 표준편차는 가장 낮은 것으로 나타났다. 이러한 결과의 차이는 상세화 기법의 다른 방법론에 기인한다. SDQDM 기법은 GCM 격자단위 값을 역거리가중법을 이용하여 내삽한 후 Quantile별로 미래기간에 대한 기상인자의 변화율을 유지시키는 통계적 방법이다. 따라서 원시 GCM의 기상인자 평균값, 극값 그리고 장기추세에 대한 왜곡을 최소화하여 고려하기 때문에 과거 재현성 평가 및 미래기간에서도 다른 상세화 기법보다 상대적으로 더 높은 평균적 차이 및 연변동성을 나타낸 것으로 판단된다 (Eum and Cannon, 2017; Cho et al., 2018).

3. GCM 및 상세화 기법에 따른 미래 수문 비교

Fig. 6은 SWAT 모형을 이용하여 미래 기후변화 시나리오에 따른 연간 유출량, 고유량, 저유량, 잠재증발산량을 Boxplot으로 나타낸 그래프이다. 연간 유출량의 평균적 차이를 과거기간과 비교하면, 일반적으로 유출량과 강우량은 상관성을 가지기 때문에 (Kim et al., 2018) 강우량이 높게 나타났던 CESM1-BGC에서 유출량이 가장 크게 나타나며, S1에 14.3%, S2에 31.3%의 증가를 나타냈다. 강우량이 적고 기온이 높았던 MIROC-ESM에서는 유출량이 상대적으로 적게 나타나며, S1에 -7.2%, S2에 -3.3%의 감소를 나타냈다. HadGEM- AO는 S1에 20.7%, S2에 30.6%의 증가를 나타냈다. 잠재증발산량의 평균적 차이에서는 CESM1-BGC이 S1에 11.3%, S2에 14.3%의 증가를 나타냈으며, MIROC-ESM은 S1에 13.9%, S2에 19.7%의 증가를 나타냈다. HadGEM-AO는 S1에 10.9%, S2에 15.0%의 증가를 나타냈다. 결과적으로 GCM의 특성에 따라 CESM1-BGC는 상대적으로 유출량이 크게 나타나는 영향을 나타냈고, MIROC-ESM은 유출량이 적게 나타나며, 잠재증발산량은 크게 나타나는 영향을 나타냈다.

https://cdn.apub.kr/journalsite/sites/jksae/2019-061-06/N0740610609/images/PIC81A1.png

Fig. 6

Future annual runoff, 90 percentile high flow, 50 percentile flow, PET (Potential Evapotranspiration) changes of GCMs and downscaling methods using SWAT model from S1 (2041-2070) to S2 (2071-2100). Red line means annual average simulated values from 2008 to 2017

상세화 기법에 따른 차이를 비교해보면, 연평균 유출량의 평균적 차이에서는 과거기간과 비교하여 SQM (S1: +23.7%, S2: +37.1%), BCSA (S1: +21.4%, S2: +29.6%), SDQDM (S1: -17.3%, S2: -8.1%)의 순으로 나타났다. 표준편차의 차이는 SQM (S1: +22.7%, S2: +101.2%), BCSA (S1: 25.2%, S2: +71.3%), SDQDM (S1: -24.4%, S2: +19.8%)의 순으로 나타났다. 고유량에서는 평균적 차이가 SQM (S1: +40.4%, S2: +63.2%), BCSA (S1: +39.0%, S2: +52.7%), SDQDM (S1: -24.2%, S2: +24.9%)의 순으로 나타났다. 표준편차의 차이는 SQM (S1: +29.0%, S2: +99.0%), BCSA (S1: +34.1%, S2: +72.7%), SDQDM (S1: -15.9%, S2: +24.9%)의 순으로 나타났다. 저유량에서는 평균적 차이가 SQM (S1: +1.3%, S2: +2.4%), BCSA (S1: +0.2%, S2: +0.0%), SDQDM (S1: -6.8%, S2: -4.5%)의 순으로 나타났다. 표준편차의 차이는 SQM (S1: +28.8%, S2: +62.2%), BCSA (S1: +21.3%, S2: +49.8%), SDQDM (S1: -19.8%, S2: +27.5%)의 순으로 나타났다.

연평균 잠재증발산량에서는 평균적 차이가 SQM (S1: +15.5%, S2: +20.0%), BCSA (S1: +14.9%, S2: +19.9%), SDQDM (S1: +5.7%, S2: +9.1%)의 순으로 나타났다. 표준편차의 차이는 SQM (S1: +58.5%, S2: +100.2%), BCSA (S1: +45.7%, S2: +104.6%), SDQDM (S1: 57.2%, S2: +97.7%)의 순으로 나타났다.

Table 5는 미래기간 동안 수문인자돌의 연평균과 표준편차를 나타내고 있다. 수문 변화는 앞에서 분석된 강수량 및 기온의 변화와 유사한 경향성을 보여주었으며, 상세화 기법 중 변동성이 가장 큰 SQM 기법은 수문 결과에도 가장 크게 반응하였다. 특히 모든 GCM에서 SQM 기법이 상대적으로 유출량이 높은 것으로 나타나며, 표준편차 또한 높게 나타났다. 고유량 (High flow 90p)에서는 유출량의 표준편차 및 분포도가 높은 것으로 나타냈으나 저유량 (Low flow 50p)에서는 변동성이 크지 않은 것으로 나타났다. 이는 GCM의 선정만큼 상세화 기법의 선정 또한 중요하다는 것을 보여준다 (Hwang and Graham, 2014; Wang et al., 2017). 따라서 다양한 상세화 기법에 따라 평년, 극한기후지수 등의 차이가 있으며, 그 차이로 인해 수문 모델링 결과에도 반영되는 것을 확인하였다. 특히 변동성이 높은 SQM 기법의 경우 편차가 낮게 나타나는 다른 상세화 기법보다 미래 기상자료의 결과 범위가 커질 수 있음을 보여준다.

Table 5

The results of average and standard deviation in hydrological components using three downscaling methods and GCMs for two time periods (S1, S2)

Hydrological components		Observed value	CESM1-BGC			MIROC-ESM			HadGEM2-AO
Hydrological components		Observed value	BCSA	SQM	SDQDM	BCSA	SQM	SDQDM	BCSA	SQM	SDQDM
S1 (2041-2070)
Runoff¹	Mean	781.7	1,041.3	978.7	660.7	750.1	844.3	582.7	1,056.2	1,077.6	696.7
Runoff¹	Stdev	213.1	254.8	206.5	157.6	207.0	280.6	131.1	338.8	297.3	194.4
PET²	Mean	723.5	828.2	820.9	766.8	840.4	864.3	767.9	824.4	821.5	760.4
PET²	Stdev	23.5	26.5	30.6	31.5	36.1	40.5	38.6	40.1	40.6	40.7
High 10% flow³	Mean	338.3	520.9	466.6	261.7	331.5	399.4	208.9	558.7	558.7	298.6
High 10% flow³	Stdev	147.1	179.3	138.0	121.0	150.1	211.3	95.7	262.4	220.0	154.3
Low 50% flow⁴	Mean	178.5	187.7	188.4	167.8	165.8	167.9	161.3	183.0	186.1	170.3
Low 50% flow⁴	Stdev	13.9	18.6	18.3	10.8	12.9	15.6	11.0	19.3	20.0	11.7
S2 (2071-2100)
Runoff¹	Mean	781.7	1,144.0	1,174.2	760.7	792.3	836.5	638.2	1,102.2	1,204.1	756.2
Runoff¹	Stdev	213.1	435.7	466.5	329.2	275.7	322.6	197.6	383.6	497.0	239.1
PET²	Mean	723.5	848.5	849.1	783.2	901.1	903.4	794.5	853.2	852.6	790.3
PET²	Stdev	23.5	42.7	28.6	29.4	58.4	75.2	67.6	43.0	37.3	42.3
High 10% flow³	Mean	338.3	608.1	625.2	345.4	367.9	405.8	250.0	573.6	624.9	336.0
High 10% flow³	Stdev	147.1	310.8	336.7	246.5	196.6	235.0	137.8	254.3	306.2	166.7
Low 50% flow⁴	Mean	178.5	186.6	189.9	169.9	167.8	166.0	166.9	181.0	192.6	174.5
Low 50% flow⁴	Stdev	13.9	24.2	22.1	17.1	18.4	19.6	18.4	20.1	26.2	17.9
Runoff¹: Anuual mean runoff (mm) PET²: Anuual mean potential evapotraspiration (mm) High 10% flow³: Annual mean 90 percentile high flow (mm) Low 50% flow⁴: Annual mean 50 percentile low flow (mm)

Ⅳ. 요약 및 결론

본 연구에서는 다양한 GCM 및 상세화 기법에 따른 기후변화 시나리오의 차이를 분석하고 이를 SWAT 모형에 적용하여 미래 수문영향에 대한 반응을 평가하였다. 기후변화 시나리오는 평년값과 극한기후지수를 사용하여 기후특성에 대해 분석하였으며, 이에 따른 수문영향은 고유량, 저유량, 증발산량 등을 모의하여 분석하였다.

과거 재현성 평가에서 BCSA와 SQM은 상대적으로 높은 재현성을 나타냈으며, SDQDM 기법은 과거 재현성은 상대적으로 낮으나 연간 표준편차가 적게 산정되었다. BCSA와 SQM은 높은 과거재현성을 기반으로 미래 기후자료에 대한 상대적으로 높은 신뢰성을 가지는 것으로 판단된다. SDQDM은 과거 강수량 재현성 평가에서 일부 불확실성을 내포하고 있으며, 최소한의 변동성을 유지하여 타 기법에 비하여 과소 모의하는 특성을 보여주었다. 이는 BCSA와 SQM이 관측자료의 기본적인 통계량을 재현하도록 설계된 반면, SDQDM은 GCM의 모의결과의 통계량을 중시하여 적용하는 방법론 차이에 따른 결과로 판단된다.

미래기간에 대한 평가에서는 GCM에 따라 연간 강수량 및 최대 기온의 변동성을 보여주었다. SQM은 상대적으로 큰 변동성의 미래 기상 자료를 산출하였고, BCSA와 SDQDM은 SQM 보다 변동성이 적은 것으로 나타났다. SDQDM은 최소한의 변동성을 유지하며 타 기법에 비하여 과소 모의되었다. 미래 수문 영향에 대한 결과에서는 GCM과 상세화 기법에 따른 강수량 변화와 동일한 패턴을 나타냈다. 강수량이 높게 나타났던 CESM1-BGC 모델의 유출량이 가장 크게 나타나며, 강우량이 적고 기온이 높았던 MIROC-ESM 모델의 유출량이 상대적으로 적게 나타났다. 상세화 기법에 따른 결과에서는 상대적으로 변동성이 큰 SQM이 미래 기상의 변동성으로 인해 수문에도 영향을 미치고 있었으며, 유출량과 증발산량 모두 가장 높게 나타났다. SDQDM은 일관적으로 낮은 평균값과 표준편차를 보여주었다.

결과적으로 상세화 기법에 따라 기후특성의 재현성에 차이를 보이고 그에 따라 수문 모델링 결과도 다른 반응을 보여주었다. 이는 GCM의 선정뿐만 아니라 상세화 기법의 선정 또한 기후변화 평가에 중요한 영향을 미치는 점을 시사한다. 따라서 연구 목적에 맞는 GCM 및 상세화 방법의 특성을 고려한 미래기후변화 시나리오를 분석⋅평가하고 이를 통하여 기후변화 대응 및 적응을 위한 노력이 이루어진다면 미래 수자원 정책에서의 불확실성을 최소화할 수 있을 것이다.

감사의 글

본 논문은 농촌진흥청 연구사업(과제번호: PJ01279901, 과제명: 미래 기상 시나리오를 고려한 포장 및 유역 차원의 용수생산성 및 수질영향 평가기술 개발)의 지원에 의해 이루어진 것임.

REFERENCES

S. Ali, H. I. Eum, J. Cho, L. Dan, F. Khan, K. Dairaku, M. L. Shrestha, S. Hwang, W. Nasim, I. A. Khan and S. Fahad, Atmospheric ResearchAssessment of climate extream in future projections downscaled by multiple statistical downscaling methods over Pakistan., 222; 114-133 (2019)10.1016/j.atmosres.2019.02.009

J. G. Arnold, J. R. Williams, R. Srinivasan and K. W. King, SWAT manual, USDA., Agricultural Research Service and Blackland Research Center, Texas.. (1996)

J. G. Arnold, R. Srinivasan, R. S. Muttiah and J. R. Williams, Journal of American Water Resources Association, Large area hydrologic modeling and assessment part I: Model development., 34(1); 73-89 (1998)10.1111/j.1752-1688.1998.tb05961.x24843434PMC4020723

G. H. Baek, M. G. Lee and B. J. Kang, The Korean Association of Geographic Information StudiesDevelopment of spatial statistical downscaling method for KMA-RCM by using GIS., 14(3); 136-149 (2011)10.11108/kagis.2011.14.3.136

D. Cammarano, M. Rivington, K. B. Matthews, D. G. Miller and G. Bellocchi, European Journal of Agronomy, Implication of climate model biases and downscaling on crop model simulated climate change impacts., 88; 63-75 (2017)10.1016/j.eja.2016.05.012

J. Cho, I. Jung, W. Cho, E. J. Lee, D. Kang and J. Lee, Journal of Climate Change Research, Suggestion of user-centered climate service framework and development of user interface platform for climate change adaptation., 9(1); 1-12, (in Korean). (2018a)10.15531/ksccr.2018.9.1.01

J. Cho, I. Jung, W. Cho and S. Hwang, Journal of Climate Change Research, User- centered climate change scenarios technique development and application of Korean peninsula., 9(1); 13-29, (in Korean). (2018b)10.15531/ksccr.2018.9.1.13

J. Cho, S. Hwang, G. Gwang, K. Y. Kim and J. Kim, Journal of the Korean Society of Agricultural Engineers, Assessing the climate change impact on agricultural reservoirs using the SWAT model and CMIP5 GCMs., 57(5); 1-12, (in Korean). (2015)10.5389/ksae.2015.57.5.001

U. Chung, J. Cho and E. J. Lee, Journal of the Korean Agricultural and Forest Meteorology, Evaluation of agro- climatic index using multi-model ensemble downscaled climate prediction of CMIP5., 17(2); 108-125, (in Korean). (2015)10.5532/kjafm.2015.17.2.10831358718

H. I. Eum and A. J. Cannon, International Journal of ClimatologyIntercomparison of projected changes in climate extremes for South Korea: application of trend preserving statistical downscaling methods to the CMIP5 ensemble., 37; 3381-3397 (2017)10.1002/joc.492425855820

Y Her, S. H. Yoo, J. Cho, S. Hwang, J. Jeong and C. Seong, Scientific Reports, Uncertainty in hydrological analysis of climate change: multi-parameter vs. multi-GCM ensemble predictions., 9(1); 4974 (2019)10.1038/s41598-019-41334-730899064PMC6428897

S. Hwang, J. Cho and K. S. Yoon, Journal of Korea Water Resources Association, Assessing the skills of CMIP5 GCMs in reproducing spatial climatology of precipitation over the coastal area in East Asia., 51(8); 629-642, (in Korean). (2018)10.3741/JKWRA.2018.51.8.629

S. Hwang and W. D. Graham, Hydrology and Earth System Sciences, Development and comparative evaluation of a stochastic analog method to downscale daily GCM precipitation., 17; 4481-4502 (2013)10.5194/hess-17-4481-2013

S. Hwang and W. D. Graham, Journal of the American Water Resources Association, Assessment of alternative methods for statistically downscaling daily GCM precipitation outputs to simulate regional streamflow.; 1-23 (2014)10.1111/jawr.1215424843434PMC4020723

S. Hwang, Y. Her and S. Chang, Journal of the Korean Society of Agricultural Engineers, Uncertainty in regional climate change impact assessment using bias- correction technique for future climate scenarios., 55(4); 95-106, (in Korean). (2013)10.5389/ksae.2013.55.4.095

I. Jung, H. I. Eum, E. J. Lee, J. Park and J. Cho, Journal of the Korean Society of Agricultural Engineers, Development of representive GCMs selection technique for uncertainty in climate change scenarios., 60(5); 149-162, (in Korean). (2018)10.5389/KSAE.2018.60.5.149

M. Keem, I. Ko and S. Kim, Journal of Korean Society on Water Quality, An analysis of the effect of climate change on Nakdong river flow condition using CGCM’s future climate information., 25(6); 863-871 (2009)

D. H. Kim, S. Hwang, T. Jang and H. So, Journal of the Korean Society of Agricultural Engineers, Assessing climate change impacts on hydrology and water quality using SWAT model in the Mankyung watershed., 60(6); 81-94, (in Korean). (2018)

J. H. Kim and J. I. Yun, Korean Journal of Agricultural and Forest MeteorologyThe use and abuse of climate scenarios in agriculture., 18(3); 170-178, (in Korean). (2016)10.5532/kjafm.2016.18.3.17031358718

D. Kum, Y. Park, Y. H. Jung, M. H. Shin, J. Ryu, J. H. Park, J. E. Yang and K. J. Lim, Journal of Korean Society on Water Environment, Analysis of rainfall-runoff characteristics on bias correction method of climate change scenarios., 31(3); 241-252, (in Korean). (2015)10.15681/kswe.2015.31.3.241

S. L. Neitsch, J. G. Arnold, J. R. Kiniry and J. R. Williams, Theoretical Documentation., Soil and water assessment tool. (2001)

J. Park, J. Cho, E. J. Lee and I. Jung, Journal of the Korean Society of Rural Planning , Evaluation of reference evapotranspiration in South Korea according to CMIP5 GCMs and estimation methods., 23(4); 153-168, (in Korean). (2017)10.7851/Ksrp.2017.23.4.153

J.　E. Walsh, U. S. Bhatt, J.　S. Littell, M. Leonawicz, M. Lindgren, T. A. Kurkowski, P. A. Bieniek, R. Thoman, S. Gray and T. S. Rupp, Environmental Modeling and Software, Downscaling of climate model output for Alaskan stakeholders., 110; 38-51 (2018)10.1016/j.envsoft.2018.03.021

J. Wang, R. Nathan, A. Horne, M. C. Peel, Y. Wei and J. Langford, Environmental Modeling and SoftwareEvaluating four downscaling methods for assessment of climate change impact on ecological indicators. (2017)10.1016/j.envsoft.2017.06.016

S. H. Yoo, T. Kim, S. H. Lee and J. Y. Choi, Journal of the Korean Society of Agricultural Engineers, Trend analysis of projected climate data based on CMIP5 GCMs for climate change impact assessment on agricultural water resources., 57(5); 69-80, (in Korean). (2015)10.5389/ksae.2015.57.5.069

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