인공위성 기반 TRMM/GPM 강우 이미지를 이용한 농업 가뭄 평가:
충청북도 지역을 중심으로
Assessment of Agricultural Drought Using Satellite-based TRMM/GPM Precipitation Images:
At the Province of Chungcheongbuk-do
이태화*⋅김상우*⋅정영훈**⋅신용철*,✝
Lee, Taehwa⋅Kim, Sangwoo⋅Jung, Younghun⋅Shin, Yongchul
Abstract
In this study, we assessed meteorological and agricultural drought based on the SPI(Standardized Precipitation Index), SMP(Soil Moisture Percentile), and SMDI(Soil Moisture Deficit Index) indices using satellite-based TRMM(Tropical Rainfall Measuring Mission)/GPM(Global Precipitation Measurement) images at the province of Chungcheongbuk-do. The long-term(2000-2015) TRMM/GPM precipitation data were used to estimate the SPI values. Then, we estimated the spatially-/temporally-distributed soil moisture values based on the near-surface soil moisture data assimilation scheme using the TRMM/GPM and MODIS(MODerate resolution Imaging Spectroradiometer) images. Overall, the SPI value was significantly affected by the precipitation at the study region, while both the precipitation and land surface condition have influences on the SMP and SMDI values. But the SMP index showed the relatively extreme wet/dry conditions compared to SPI and SMDI, because SMP only calculates the percentage of current wetness condition without considering the impacts of past wetness condition. Considering that different drought indices have their own advantages and disadvantages, the SMDI index could be useful for evaluating agricultural drought and establishing efficient water management plans.
Keywords: TRMM/GPM; MODIS; soil moisture; SPI; SMP; SMDI
Ⅰ. 서 론
가뭄은 장기간동안 강우가 적게 발생하거나 무강우 기간이 지속되는 현상을 의미하며, 다양한 분야에 피해를 발생시키 는 자연재해로서 기상학적, 농업적, 수문학적 및 사회⋅경제 적 가뭄으로 구분한다. 기상학적 가뭄은 기상현상의 영향으 로 강수량의 감소, 증발산량의 증감 여부를 평가하여 결정된 다. 농업가뭄은 농작물의 종류나 성장에 필요한 토양수분의 부족한 정도에 따라 결정되며 수문학적 가뭄은 하천유량, 저 수지, 지하수 등 가용수자원의 양으로 정의된다. 사회⋅경제 적 가뭄은 기상학적, 농업적 및 수문학적 가뭄이 사회 전반의 환경 및 경제에 미치는 영향을 나타낸다. 가뭄은 다른 자연재 해와는 다르게 발생하기까지 수개월 이상의 시간이 소요되며
오랜 기간에 걸쳐 발생하기도 한다. 또한 가뭄은 시작과 종료 시점이 명확하지 않기 때문에 가뭄을 미연에 방지하고 피해 를 파악하는 것은 현실적으로 매우 어려운 실정이다.
가뭄의 정도를 나타내기 위하여 다양한 가뭄지수들이 개 발되었다. 일반적으로 기상학적 가뭄을 나타내는 표준강수지 수(Standardized precipitation Index-SPI, McKee et al. 1993)는 강수량만으로 가뭄의 정도를 평가할 수 있으며, 파머가뭄지 수(Palmer Drought Severity Index-PDSI, Palmer, 1968)와 함께 우리나라에서 가뭄을 나타내는 지수로 많이 사용되고 있다.
기상학적 가뭄지수의 경우 기상자료를 이용하여 가뭄을 평가 하기 때문에 지표특성에 영향을 받는 농업적 가뭄을 평가하 는데 적절하지 않다. 따라서 농업가뭄의 평가기준인 토양수분 의 부족한 정도에 따른 농업적 가뭄을 평가하기 위하여 토양수 분가뭄평가지수(Soil Moisture Deficit Index-SMDI, Narasimhan and Srinivasan 2005)와 토양수분지수(Soil Moisture Index-SMI, Hunt, et al., 2009) 등이 개발되었다.
최근 다양한 수문모형을 이용하여 기상학적, 수문학적, 및 농업적 가뭄 평가에 관한 연구가 활발하게 진행되고 있다.
Hwang et al. (2006)은 SWAT 모형을 이용하여 소양강댐 유역 을 대상으로 SMI와 PDSI를 산정 및 수리학적 가뭄지수와 농
* School of Agricultural Civil & Bio-Industrial Engineering, Kyungpook National University
** Department of Construction & Disaster Prevention Engineering, Kyungpook National University
† Corresponding author
Tel.: +82-53-950-5734 Fax: +82-53-950-6752 E-mail: [email protected]
Received: May 28, 2018 Revised: June 15, 2018 Accepted: June 18, 2018
업적 가뭄지수를 비교 분석하였으며, Kim et al. (2010)은 해남 KoFlux 타워에서 관측된 토양수분 값을 이용하여 기상학적 가뭄지수인 PDSI 및 SPI와 직접 관측된 토양수분을 이용한 SMI를 비교분석하였다. Park et al. (2002) 등은 위성영상의 토양수분 정보와 공간적 요인을 고려한 가뭄 민감도 분석을 진행하였다. 또한 Lee and Shin (2016) 등은 SMDI와 작물의 수분스트레스를 이용하여 밭작물에 공급되는 관개용수량을 산정하였다.
농업가뭄을 평가하기 위해서는 정확한 토양수분의 관측이 필요하다. 토양수분 관측은 Time Domain Reflectrometry (TDR) 장비를 이용하여 현장에서 관측 할 수 있으나, 현장에 서 실측할 경우 토양수분의 공간적인 변화 특성을 나타내지 못하는 단점이 있다. 최근 SMAP(Soil Moisture Active and Passive, Entekhabi et al., 2010), SMOS(Soil Moisture Ocean Salinity, Kerr et al., 2001) 등과 같은 원격탐사된 토양수분자 료가 활발히 사용되고 있다. 원격탐사된 토양수분의 경우 넓은 지역의 토양수분 관측이 가능한 장점이 있지만, 재방문시기와 같은 시간해상도 문제와 낮은 공간해상도로 인하여 상대적으 로 소규모로 경작이 이루어지는 우리나라의 경우 저해상도의 인공위성을 통한 토양수분 관측 및 활용에 제약이 발생한다.
이러한 단점을 해결하기 위하여 Shin et al. (2016a, 2016b)은 원격탐사자료(MODerate-resolution Imaging Spectroradiometer- MODIS, 500m × 500m)와 토양수분자료동화기법 기반 장기 간(1973∼2015년) 청미천유역의 토양수분 및 농업 가뭄지수 인 SMDI를 산정하여 가뭄을 평가하였다. 그러나 기존의 농업 가뭄지수의 경우 기상청 관측지점 기반 기상자료(point-scale)를 이용하여 산정되었기 때문에, 지점과 지점(수 km∼수십 km) 사이 강우의 공간분포 차이를 나타내지 못하는 단점이 있다. 특히 토양수분의 경우 강우의 공간적인 분포뿐만 아니라 지 표특성(경사도, 토지이용, 토양특성 등)의 영향도 함께 받기 때문에 기상학적 가뭄과 비교하여 더욱 큰 불확실성이 발생 하게 된다. 이러한 강우의 공간 분포를 고려하기 위하여 인공 위성 기반의 TRMM(Tropical Rainfall Measuring Mission, Simpson et al., 1996)/GPM(Global Precipitation Measurement, Hou et al., 2013) 강우 이미지 자료가 제시되어 다양한 분야에 서 활용되고 있다. 현재까지 TRMM/GPM 강우 이미지 자료와 기상학적 가뭄지수 PDSI/SPI를 연계한 다양한 가뭄평가가 국 내⋅외에서 수행되었으나, 국내에서 TRMM/GPM 기반의 농 업 가뭄평가는 여전히 미비한 실정이다.
따라서 본 연구에서는 인공위성 기반의 TRMM/GPM 강우 및 MODIS 지표특성 이미지 자료를 토양수분자료동화기법과 연계하여 최근 심각한 가뭄피해가 발생하고 있는 충청북도 지역을 대상으로 농업가뭄을 평가하였다. 연구목적은 1)
TRMM/GPM 및 MODIS 이미지 자료와 토양수분자료동화기법 연계를 통해 산정된 시⋅공간적으로 연속적인 일별 토양수분 기반 농업가뭄지수 토양수분 백분위 및 SMDI 산정, 2) TRMM/GPM 기반 SPI를 이용한 기상학적 가뭄 산정, 및 3) 토 양수분 백분위 해석 및 SMDI와 SPI를 이용한 충청북도 지역의 기상학적⋅농업 가뭄 특성을 분석하였다. 본 연구는 농업가뭄 대응을 위해 유용하게 활용될 수 있을 것으로 판단된다.
Ⅱ. 재료 및 연구방법
본 연구에서는 인공위성 기반 TRMM/GPM 및 MODIS 이 미지 자료와 토양수분자료동화기법(Shin et al., 2016a)을 연계 하여 시⋅공간적으로 연속적인 일별 토양수분 및 농업 가뭄 을 산정하였다. MODIS 기반의 토양수분 이미지자료의 경우 넓은 유역의 토양수분 관측이 가능하지만, 기상상태에 따라 관측이 불가능한 지역이 발생한다. 따라서 본 연구에서는 TRMM/GPM 강우 자료와 토양수분자료동화기법을 이용하여 MODIS 기반의 토양수분 이미지자료로부터 토양의 수리학적 매개변수를 추출하고, 추출된 수리학적 매개변수를 Soil- Water-Atmosphere-Plant Model(SWAP, Kroes et al., 1999; van Dam et al., 1997)모형의 입력자료로 사용하여 일별 토양수분 을 산정하였다. 산정된 일별 토양수분자료를 이용하여 농업 가뭄을 평가할 수 있는 토양수분 백분위(Soil Moisture Percentile, SMP)와 SMDI를 산정하여 농업가뭄을 평가하였 다. 또한 TRMM/GPM 강우 이미지와 SPI 가뭄지수를 연계하 여 기상학적 가뭄을 산정하였으며, 농업가뭄지수인 토양수분 백분위 및 SMDI를 비교하여 가뭄지수에 따른 가뭄특성을 분 석하였다. Fig. 1은 가뭄지수의 산정 과정을 나타낸다.
Fig. 1 Flow chart of the meteorological and agricultural drought assessments using the TRMM/GPM and MODIS images
1. 토양수분자료동화기법
Shin et al.(2016a)이 제시한 토양수분자료동화기법 (near-surface soil moisture data assimilation scheme)은 유전자 알고리즘과 연계하여 실측된 토양수분으로부터 토양의 수리 학적 매개변수(={, , , , })를 추출한다. 1 차원 기반의 SWAP 모형과 연계된 토양수분자료동화기법은 TRMM/GPM 강우 및 기상청에서 제공하는 기상자료(일사 량, 최고 및 최저 온도, 풍속)를 SWAP 모형의 입력자료로 사용하여 MODIS 기반 토양수분이미지로부터 공간적으로 분포되어 있는 격자크기 해상도의 토양의 수리학적 매개변 수를 추출하고, 추출된 매개변수를 이용하여 일별 토양수분 을 산정한다.
유전자 알고리즘(Genetic Algorithm-GA, Holland, 1975;
Goldberg, 1989)은 자연선택설 이론에 근거하여 모의값을 실 측값에 근사하도록 매개변수를 조정하는 최적화 기법이다.
유전자 알고리즘은 해를 찾는데 필요한 매개변수들을 2진수 로 변환하여 세대(generation)를 구성하는 개체군(population) 에서 가장 적합도가 높은 객체(indivisual)를 선택(selection), 교차(crossover) 및 변이(mutation)의 과정을 거쳐 더욱 적합도 가 높은 해를 찾아낸다. 유전자 알고리즘은 목적함수(1)와 Fitness 함수(2)를 이용하여 실측값과 모의된 토양수분의 값의 차이가 최소화 되는 해를 찾기 위하여 주어진 세대 (generation)를 반복한다. 본 연구에서 객체는 토양의 수리학 적 매개변수(={, , , , })로 구성되며 실측 값은 MODIS/TDR 기반 토양수분자료를 사용하였다.
min
∼ (1)
(2)
2. MODIS 기반의 토양수분 산정
인공위성 기반 토양수분을 산정하기 위하여 MODIS 이미 지(500m × 500m) 자료 기반 토양증발량(soil evaporation)을 산정하였으며, 산정된 토양증발량에 Scott et al.(2003)이 제시 한 회귀식(공식 3-5)을 적용하여 1km × 1km 해상도의 MODIS 기반 토양수분으로 변환하였다.
(3)
(4)
exp (5)
여기서 Rn : 지표 순복사량(net radiation [W m-2]), G0 : 토양 의 열 이동(soil heat flux [W m-2]), H : 대기로의 열 이동 (sensible heat flux [W m-2]), λE : 잠열이동(latent heat flux [W m-2]), Λ : 토양의 증발량(soil evaporation) 비율, : 토양수 분(soil moisture [cm3 cm-3]), : 포화 상태의 토양수분 (saturated soil moisture [cm3 cm-3]), 및 a,b : 곡선적함계수 (curve-fitting parameters)이다.
2014년에 관측된 청미천유역에 해당하는 MODIS 격자 기 반 토양수분을 청미천에서 실측된 TDR 기반 토양수분 평균 값에 일치하도록 보정을 하였다. Table 1은 본 연구에서 사용 된 원격탐사자료의 제원을 나타낸다.
Image characteristic Value
MODIS
Satellite AQUA/TERRA
Coordinate system Latitude, Longitude
Year 2014
Resolution
Bands 1-7 (500 m × 500 m) Land surface temperature
(1000 m × 1000 m) Emissitivities (1000 m × 1000 m)
TRMM
Satellite TRMM
Year 2000∼2014
Coordinate system Latitude, Longitude Resolution 3B42 Daily Product (25 km × 25 km)
GPM
Satellite GPM
Year 2015
Coordinate system Latitude, Longitude Resolution Daily Product(final run)
(10 km × 10 km) Table 1 Information of remotely sensed data
3. Soil-Water-Atmosphere-Plant(SWAP) 모형 SWAP 모형은 Richard 공식(6)을 이용하여 토양수의 흐름 을 모의한다. SWAP 모형은 토양의 수리학적 매개변수(, ,
, , )와 기상자료를 이용하여 토양층의 일별 토 양수분을 계산한다.
(6)
(7)
여기서, 는 수리전도도(cm d-1), 는 토양의 압력수두 (-cm), 는 토양의 깊이, 는 미분된 수분함량(cm-1),
는 뿌리에 의해 흡수되는 실제 토양수분(cm3 cm-3 d-1), 은 잠재증발산(cm d-1), 은 뿌리깊이(-cm), 는 깊이(h)와 시간(t)에서 토양의 압력수두에 따른 감소계수, 는 토양의 압력수두(-cm), 는 시간이다.
토양의 수리학적 함수들은 van Genuchten (1980)과 Mualem(1976)에 의해 제시된 해석공식에 의해 해석된다.
(8)
(9)
여기서, 는 상대적 포화도(-), 는 잔존 토양수분(cm3 cm-3), 는 포화된 토양수분(cm3 cm-3), 는 포화 상태 의 수리전도도(cm d-1)이다.
SWAP 모형은 다양한 지표와 지하의 조건을 고려하여 토 양수분을 모의하며, 관개배수모듈 및 작물성장(WOrld FOod STudies-WOFOST)모듈을 포함하고 있어서 다양한 시나리오 를 모의 할 수 있다(van Dam et al., 1997; van Dam, 2000).
SWAP 모형은 일별 기상자료를 이용하여 Penman-Monteith 공식에 따라 증발량과 증산량을 각각 계산하여 일별 증발산 량을 산정할 수 있다.
SWAP 모형에서 토양특성은 단일토양특성(homogeneous soil texture)으로 가정하였으며, 토양층(soil layers)은 총 33개 층으로 구성하였다. 총 토양깊이는 지표면으로부터 200cm 로 하였으며, 각 토양층의 구성은 지표면으로부터 1cm × 10(토 양층의 갯수), 5cm × 10, 10cm × 12 및 20cm × 1로 구성하였 다. 본 연구에서는 지표 토층(0-30cm) 깊이의 토양수분만 사 용하기 때문에 지하수위는 자연배수로 고려하였다.
4. 가뭄평가지수
기상학적 및 농업적 가뭄지수를 평가하기 위하여 SPI, 토 양수분 백분위 해석기법(SMP) 및 SMDI를 산정하였다. 기 상학적 가뭄평가를 위하여 선정된 SPI는 다양한 시간축척 (1, 3, 6, 9, 12, 24, 48 개월)을 고려하여 산정할 수 있다. 여기
서 SPI-3는 3개월 동안 합산한 강수량이 평년치와 비교했 을 때 얼마나 차이가 나타나는지를 나타낸다. 짧은 시간축 척(SPI-1∼SPI-3)은 토양수분 및 소하천 등의 유량 감소를 나 타내며, 그 보다 긴 시간축척(SPI-3∼SPI-12)의 경우 하천이 나 저수지의 감소를 나타내는 척도이다(Horion et al., 2012).
SPI는 -2에서 +2의 범위로 나타내며 극한 상황의 건조 및 습 윤 상태를 의미한다. 본 연구에서는 농업가뭄을 평가하는 토 양수분의 감소를 비교하기 위하여 SPI-3을 산정하였다. 백분 위 해석기법은 해당기간에서의 토양수분의 등수를 평가하여 가뭄의 정도를 판단하는 방법으로, 정상상태인 50%보다 낮 은 값을 가질수록 가뭄이 심한 것을 나타낸다. SMDI는 농업 가뭄 평가를 위하여 단기 습윤⋅건조조건을 반영할 수 있도록 개발된 농업가뭄지수이다(Narasimhan and Srinivasan, 2005).
SMDI는 토양수분을 이용하여 주별(weekly) 가뭄을 평가하 며 작물의 성장 단계에 따라 가뭄지수를 산정할 수 있는 장점 이 있으며, 다양한 토양수분모형에 적용하여 가뭄지수를 산 정할 수 있다. 우리나라에서 일반적으로 농업가뭄을 평가하 는데 사용되는 SMI는 위조점(wilting point)과 포장용수량 (feild capacity)을 이용하여 가뭄지수를 산정하는 것과 비교 하여 다양한 토층과 깊이에 따라 SMDI를 산정할 수 있다.
SMDI는 -4에서 +4의 범위로 나타내며 극한 상황의 건조 및 습윤 상태를 의미한다.
5. 연구 대상 지역
본 연구에서는 토양수분자료동화기법 기반으로 산정된 토 양수분을 검증하기 위하여 청미천 유역에서 관측된 TDR 실 측자료(MOLIT, 2012; 2014)를 이용하였다. 기상자료는 2012 년 및 2014년 3월 1일부터 10월 31일까지 측정된 이천관측소 (203)의 종관기상관측(Automated Synoptic Observing System- ASOS)자료를 이용하였다. 실측자료와 모의된 토양수분의 적 용성을 검증하기 위하여 식 (10) 및 (11)의 Pearson 상관계수 (R)과 Root Mean Square Error(RMSE)를 이용하여 실측 및 모 의값의 적합도/불확실성을 평가하였다.
(10)
(11)
여기서, 는 t시간에서의 모의된 토양수분(cm3 cm-3),
는 t시간에서의 관측된 토양수분(cm3 cm-3), 는 모의 된 토양수분의 평균(cm3 cm-3), 는 관측된 토양수분의 평 균(cm3 cm-3), 및 는 전체 기간이다.
장기간의 토양수분자료를 산정하기 위하여 기상청의 100 여개의 종관기상관측소 중 16년 이상 관측되고 있는 76개 관 측소의 종관기상관측자료를 이용하여 SWAP 모형의 기상입 력자료(일조량, 최고 및 최저 온도, 습도 및 풍속)로 사용하였 다. 토양수분에 가장 큰 영향을 미치는 강수량 자료의 경우 공간적인 분포를 고려하기 위하여 TRMM(2000-2014)/GPM (2015-현재)위성자료를 이용하여 토양수분을 산정하였다.
TRMM/GPM(1km × 1km)과 MODIS(500m × 500m)의 해상도 일치를 위하여 MODIS의 해상도를 1km × 1km 해상도로 변환 하였다. Fig. 2는 기상자료를 이용한 종관관측소의 위치와 토 양수분자료동화기법의 검증실험을 실시한 청미천 유역을 나 타낸다. 청미천 유역에서는 총 18개의 지점에서 TDR기반 토 양수분을 측정하였으며, 본 연구에서는 18개 지점 토양수분 자료의 평균값을 사용하였다.
Fig. 2 The ASOS and TDR soil moisture measuring locations at the Chungmicheon-watershed
Ⅲ. 결과 및 고찰
1. 토양수분자료동화기법 검증
Fig. 3은 청미천유역의 2012년 측정된 TDR 기반 토양수분 실측자료에 토양수분자료동화기법을 적용하여 추출된 토양 특성 기반 토양수분 모의값과 TDR 실측값의 비교를 나타낸 다. 9월 8일부터 9월 22일과 10월 9일부터 10월 22일의 토양 수분 실측값과 모의값이 다소 차이를 보였으며, 특히 9월에는 강우가 발생하였으나 실측 토양수분은 반대로 낮아지는 경향 을 보였다. 이는 이천기상관측소와 청미천유역의 기상상태의
공간적 불일치 혹은 실측 오차로 인한 것으로 판단되었다. 비 록 실측값과 모의값이 실측 오차로 인하여 다소 차이를 보였 으나, 전체적으로 일별 토양수분 모의값(R: 0.580, RMSE:
0.030)이 TDR기반의 토양수분 실측값을 잘 반영한 것으로 나 타났다.
Fig. 3 Comparison of the measured(TDR) and simulated soil moisture dynamics at the Chungmicheon-watershed in 2012
Fig. 4는 청미천유역의 2014년 측정된 TDR 기반 토양수분 실측자료에 토양수분자료동화기법을 적용하여 추출된 토양 특성 기반 모의값과 TDR 실측값의 비교를 나타낸다. 5월 20 일부터 6월 13일 기간 동안 Fig. 3에 나타난 것과 유사하게 강우와 TDR 실측값의 불일치가 발생하였으나, 청미천유역의 2014년 토양수분 역시 전체적으로 모의값(R: 0.565, RMSE:
0.020)이 실측값과 일치하는 경향을 보였다. 이렇듯 2012 및 2014년 청미천 유역을 대상으로 토양수분자료동화기법의 적 용성을 검증하였다.
Fig. 4 Comparison of the measured(TDR) and simulated soil moisture dynamics at the Chungmicheon-watershed in 2014
Fig. 5는 2014년 TRMM/GPM 자료를 이용하여 MODIS 기 반의 토양수분자료에서 청미천 유역에 해당하는 격자(1km × 1km) 기반의 토양수분자료에 토양수분자료동화기법을 적용 하여 추출된 토양특성 기반 토양수분 모의값 및 MODIS/TDR 토양수분 실측값의 비교를 나타낸다. MODIS기반의 토양수 분자료와 모의된 토양수분의 불확실성(R : 0.243, RMSE :
0.056)이 다소 높은 것으로 나타났으나, 모의값을 TDR 기반 실측값과 검증한 결과 MODIS와 비교하여 모의값(R: 0.563, RMSE: 0.021)이 TDR 실측값을 상대적으로 잘 반영하는 것으 로 나타났다. MODIS 토양수분의 경우 넓은 공간분포(1km × 1km)를 나타내기 때문에 지점(point-scale) 기반의 TDR과 직 접적인 비교는 불가능하지만, 1km × 1km 해상도를 나타낼 수 있는 실측값의 부재로 인하여 상대적인 차이만 확인하였 다. MODIS와 TDR 값은 공간해상도의 불일치로 인하여 불확 실성이 상대적으로 높게 나타났으나, 물리적 특성에 기반하 는 SWAP 모형 기반 토양수분자료동화기법을 적용하여 MODIS 토양수분으로부터 상대적으로 신뢰성이 높은 토양수 분을 재생산 하였다. 이렇듯 MODIS 및 TDR 토양수분 실측값 을 이용하여 토양수분자료동화기법의 적용성을 검증하였다.
Fig. 5 Comparison of the MODIS/TDR-based and simulated soil moisture dynamics at the Chungmicheon-watershed in 2014
2. 우리나라 일별 토양수분 산정
Fig. 6은 기상청의 종관기상관측소(ASOS)에서 2000년부터 2015년까지 측정된 우리나라의 연평균 강수량을 나타낸다.
16년 동안 ASOS관측소에서 측정된 강수량의 평균은 1333.2mm로 나타났으며, 이중 강수량이 가장 많은 2003 (1836.9mm)년과 강수량이 가장 적은 2015년(984.7mm)에 산 정된 토양수분이미지를 비교 분석하였다(Fig. 7). 적은 양의 강수량이 발생한 2015년의 경우 강수량이 많은 2003년에 비해 월평균 토양수분이 상대적으로 낮게 나타났다. 우리나 라는 계절적으로 연 강수량의 50∼60%가 여름철(7∼9월)에 집중적으로 발생한다. 충청북도 지역의 토양수분 역시 여름 철(7∼9월)에 대체적으로 높게 나타났으며, 주로 평야지역에 비해 산림지역에서 토양수분이 높게 나타났다. 이는 산림이 우세한 지역의 경우 지표면이 나무, 낙엽 등에 피복되어 있기 때문에 토양의 수분 손실을 최소화하는 반면에, 잔디, 밭, 나 지 등 평야지역의 경우 산림지역과 비교하여 증발산에 의한 수분손실이 활발하게 발생하기 때문에 평야지역의 토양수분 이 상대적으로 낮은 것으로 판단되었다.
Fig. 6 Yearly precipitation amounts at the ASOS weather station from 2000 to 2015
Fig. 7 Monthly soil moisture images in South Korea; (a) 2003 and (b) 2015
3. 우리나라의 가뭄평가
Fig. 8은 충청북도의 TRMM(2003)/GPM(2015) 강우자료를 이용하여 산정된 SPI-3지수를 나타낸다. 충청북도에는 시군 별 총 14개 기상청 관측지점이 운영되고 있으나, 실제 모형 입력자료에 필요한 강우, 일사량, 최고 및 최저 온도, 습도 및 풍속 등의 기상자료 관측은 2개 지점에서만 관측되고 있다.
비록 본문에서 기상청 관측지점 2개지점의 월평균 및 SPI-3을 TRMM/GPM 자료와 비교하지 않았으나, 티센망(Thiessen) 기 법을 이용할 경우 충청북도 지역을 크게 2개로 구분하여 기상 학적 및 농업 가뭄을 평가 할 수 있다. 그러나 Fig. 8에서 인공 위성 기반의 TRMM/GPM 강우자료를 이용한 월평균 및 SPI-3의 경우 지역적으로 강우분포의 차이가 발생하였으며, 이러한 경향은 강우량이 적은 가뭄기간에 더욱 크게 발생하 는 것으로 나타났다. 산정된 SPI의 경우 입력자료로 사용한
TRMM/GPM 강수량 자료와 유사한 공간분포를 보였으며, 강 수량이 많은 2003년의 경우 1월과 12월을 제외한 나머지 계절 에서 기상학적 가뭄지수인 SPI가 보통에서 높음 정도로 나타 났다. 하지만 2015년의 경우 1월부터 시작된 가뭄이 4월에 잠시 완화되었으나, 6월부터는 극심한 가뭄이 발생하는 것으 로 나타났다.
Fig. 9는 2003 및 2015년에 산정된 토양수분 기반의 월별 백분위 해석기법(SMP) 및 SMDI 공간분포를 나타낸다. 전체 적으로 백분위 해석기법 및 SMDI 지수 역시 TRMM/GPM의
공간분포와 유사한 특성을 보였다. 백분위 해석기법 분석결 과 강수량이 많은 2003년의 경우 가뭄이 주로 발생하는 봄, 가을에 토양수분이 정상상태보다 다소 낮게 나타났지만 전체 적으로 토양수분이 높은 것으로 나타났다. 하지만 가뭄이 극 심했던 2015년의 경우 전체적으로 토양수분 함량이 낮은 것 으로 나타났다. 실제로 5월 중순부터 10월 말까지 가뭄이 지 속됨에 따라 전국적으로 225건의 산불이 발생하였으며, 이전 10년 동안의 평균발생건수에 비해 7.5배 증가한 것으로 나타 났다(KMA, 2015). 또한 인천⋅경기⋅강원⋅충북⋅경북 등 Fig. 8 (a-b) Monthly TRMM/GPM-based precipitation amounts in 2003 and 2015 and (c-d) monthly standardized
precipitation index in 2003 and 2015
Fig. 9 (a-b) Monthly soil moisture percentiles in 2003 and 2015 and (c-d) monthly soil moisture deficit index in 2003 and 2015
일부지역에서는 농업용수의 부족으로 장마(6월말)가 발생하 기 전까지 가뭄으로 많은 피해가 발생하였으며, 본 연구 결과 에서도 충청북도 지역의 가뭄이 매우 심각한 것으로 나타났 다(KMA, 2015). 이렇듯 백분위 해석기법과 과거 가뭄발생사 례와 비교해볼 때 실제 가뭄사례와 유사하게 나타났다. Fig.
9(c,d)는 2003년과 2015년 농업가뭄지수 SMDI의 공간분포를 나타낸다. SMDI와 백분위 해석기법을 비교한 결과 일부지역 에서 차이가 발생하는 것으로 나타났다. 특히 백분위 해석기 법에서 산정한 2003년의 10월의 가뭄의 정도와 SMDI를 비교 해본 결과 백분위 해석 기법의 가뭄정도가 더욱 심한 것으로 나타났다. 또한 2015년에 발생한 가뭄을 비교해볼 때 2015년 연초부터 10월 까지 시간에 따라 변화하는 가뭄의 정도를 명 확하게 확인할 수 있다. 그러나 2003년 10월의 토양수분, SPI, 백분위 해석기법 및 SMDI 지수를 비교한 결과 백분위 해석기 법으로 산정된 가뭄이 다른 지수들과 비교하여 상대적으로 가뭄 정도가 매우 심각하게게 나타났으며, 특히 백분위 해석 기법과 비교하여 SMDI 지수가 토양수분(Fig. 7a)의 공간분포 를 더욱 잘 반영하는 것으로 판단되었다. 이는 SPI 및 SMDI 지수 산정공식의 경우 과거의 가뭄의 정도가 현재에도 영향 을 미치지만 백분위 해석기법은 최고 및 최저 토양수분 구간 내에서의 순위(%)를 산술적으로 계산한다. 따라서 백분위 산 정시 2003년 9월 이전의 발생한 강우의 영향이 배제되어 10월 의 백분위 지수가 매우 극심한 가뭄으로 산정된 것으로 판단 되었다. 따라서 백분위 해석기법을 이용한 가뭄평가보다 SMDI를 이용한 가뭄판단이 지역에 따른 농업가뭄의 차이와 시간에 따른 가뭄의 변화를 좀 더 명확하게 나타낼 수 있는 것으로 판단된다. 전체적으로 기상학적 및 농업적 가뭄의 공 간적인 분포는 유사하게 나타났다. 강우의 발생 유무가 기상 학적/농업 가뭄지수에 직접적인 영향을 미치는 것으로 나타 났으나, 백분위 해석기법 및 SMDI 지수에서 나타난 것처럼 지역적으로도 지표특성에 따라 농업 가뭄에 차이가 발생하는 것으로 나타났다.
Ⅳ. 결 론
본 연구에서는 원격탐사자료(TRMM/GPM 및 MODIS)를 이용하여 우리나라의 기상학적 및 농업적 가뭄을 평가하였다. 장기간의 TRMM/GPM 강우자료(1km × 1km)를 이용하여 기 상학적 가뭄지수 SPI를 산정하였다. MODIS(500m × 500m) 이미지는 TRMM/GPM 해상도와 일치하도록 1km × 1km 해 상도로 변환하였다. 토양수분자료동화기법은 원격탐사자료 로부터 토양의 수리학적 매개변수를 추출하며, 추출된 매개 변수는 수문모형(SWAP)의 토양 매개변수 입력자료로 사용
하여 시⋅공간적으로 연속적인 일별 토양수분을 산정하였다.
산정된 일별 토양수분과 백분위 해석기법 및 SMDI 지수를 연계하여 장기간의 격자별(1km × 1km) 농업 가뭄을 평가 하 였다. 본 연구에서는 2000∼2015년 중에서 강수량이 가장 많은 2003(1836.9mm)년과 강수량이 가장 적은 2015년(984.7mm) 을 선정하여 토양수분 및 농업가뭄을 평가하였다. 토양수분자료 동화 기법의 검증을 위하여 청미천유역의 2012년 및 2014년 TDR 기반 토양수분 실측자료를 사용하여 검증하였다. 2012 년과 2014년 모두 상관성(R)이 0.5이상 불확실성(RMSE)이 0.030이하로 나타났으며, 모의된 토양수분이 TDR 기반의 실 측토양수분을 잘 반영하는 것으로 나타났다. 토양수분자료동 화기법의 검증을 수행한 이후, MODIS 토양수분 이미지 자료 에 적용하여 우리나라의 격자기반 토양의 수리학적 매개변 수를 추출 및 추출된 매개변수와 장기간의 기상자료를 이용 하여 일별 토양수분을 산정하였다. 강우가 집중되는 여름철 (7∼9월)에 토양수분량이 크게 증가하는 것으로 나타났으며, 강우가 많이 발생한 2003년이 적게 발생한 2015년의 토양보 다 토양수분이 높게 나타났다. 또한 산림지역에서의 토양수 분이 평야지역보다 상대적으로 높게 나타났다. 이는 산림이 우세한 지역의 경우 나무 및 낙엽 등의 지표면피복으로 인하 여 토양의 수분손실이 최소화되는 반면에 잔디, 밭, 나지 등의 평야지역에서는 상대적으로 수분손실이 많이 발생하기 때문 에 전체적으로 산림유역이 평야지역보다 토양수분이 높은 것 으로 판단되었다. 강우자료를 입력자료로 사용하는 SPI의 경 우 TRMM/GPM 위성 강수량과 공간적으로 유사한 분포를 보 였다. 토양수분 기반 백분위 해석기법 및 SMDI 지수 역시 전체적인 가뭄분포는 강수량과 유사하게 나타났으나, 지역적 으로는 지표특성에 따라 농업 가뭄에 차이가 발생하는 것으 로 나타났다. SPI 및 SMDI 지수의 경우 과거의 가뭄의 상태가 현재에도 영향을 미치지만, 백분위 해석기법의 경우 최고 및 최저 토양수분 구간내에서의 순위(%)를 산술적으로 계산하 기 때문에 과거의 가뭄의 상태가 현재에 영향을 미치지 못하 는 것으로 판단되었다. 따라서 농업가뭄평가를 위해서는 SMDI가 지표특성에 따른 가뭄의 정도를 더욱 잘 반영하는 것으로 판단되었다. 전체적으로 인공위성 기반 TRMM/GPM 강우자료를 이용하여 SPI 및 SMDI 가뭄지수를 산정 및 우리 나라의 기상학적 및 농업가뭄을 평가하였다. 그러나 우리나 라의 경우 평야지역에서 논 작물이 주로 재배되기 때문에 담 수형태의 논 재배지역의 경우 인공위성 기반의 이미지 자료 를 적용하지 못하는 단점이 있을 것으로 판단된다.
본 연구에서는 원격탐사된 TRMM/GPM 강수자료, 토양수 분자료동화기법 및 다양한 가뭄지수를 이용하여 우리나라의 기상학적 및 농업적 가뭄을 평가하였다. 전체적으로 기상학
적 및 농업적 가뭄은 강수량의 유무에 큰 영향을 받지만 국지 적으로는 지표특성이 농업가뭄에 영향을 미치기 때문에 농업 가뭄 평가시 토양수분을 고려한 가뭄평가가 필요한 것으로 판단되었다. 본 연구결과는 농업가뭄 평가를 위한 기초자료 로 활용 될 수 있을 것으로 판단된다.
감사의 글
본 연구는 2018년도 정부(교육부)의 재원으로 한국연구재 단의 지원을 받아 연구되었음 (NRF-2016R1D1A3B03932106).
REFERENCES
1. Entekhabi D., E. G. Njoku, P. E. O’Neill, K. H. Kellogg, W. T. Crow, W. N. Edelstein, J. K. Entin, S. D. Goodman, T. J. Jackson, J. Johnson, J. Kimball, J. R. Piepmeier, R.
D. Koster, N. Martin, K. C. McDonald, M. Moghaddam, S. Moran, R. Reichle, J. C. Shi, M. W. Spencer, S. W.
Thurman, L. Tsang, and J. Van Zyl, 2010. The Soil moisture active passive (SMAP) mission. Proceedings of the IEEE 98(5): 704-716. doi:10.1109/JPROC.2010.2043918.
2. Goldberg, D. E., 1989. Genetic algorithms in search and optimization and machine learning, Addison-Wesley Publishing, New York.
3. Holland, J. H., 1975. Adaptation in natural and artificial system. University of Michigan press, Ann Arbor, MI.
4. Horion, S., H. Carrao, A. Singleton, P. Barbosa, and J. Vogt, 2012. JRC experience on the development of drought information systems: Europe, Africa, and Latin America.
Publications Office of the European Union, Rep. JRC68769, 70 pp. [Available online at http://publications.jrc.ec.europa.
eu/repository/handle/111111111/23582] doi:10.2788/15761.
5. Hou, A. Y., R. K. Kakar, S. Neeck, A. A. Azarbarzin, C.
D. Kummerow, M. Kojima, R. Oki, K. Nakamura, and T.
Iguchi, 2013. The Global Precipitation Measurement (GPM) mission. Bulletin of the American Meteorological Society 95(5): 701-722. doi:10.1175/BAMS-D-13-00164.1, in press.
6. Hunt, E. D., K. G. Hubbard, D. A. Wilhite, T. J. Arkebauer, and A. L. Dutcher, 2009. The Development and evaluation of a soil moisture index. International Journal of Climatology 29(5): 747-759. doi:10.1002/joc.1749.
7. Hwang, T. H., B. S. Choi, H. S. Kim, and B. H. Seoh, 2006.
The Estimation of soil moisture index by SWAT model and drought monitoring. Journal of the Korean Society of Civil
Engineers B 26(4B): 345-354 (in Korean).
8. Kerr Y. H., P. Waldteufel, J. P. Wigneron, J. A. M. J.
Martinuzzi, J. Font, and M. Berger, 2001. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity (SMOS) mission. IEEE transactions on Geoscience and remote sensing 39(8): 1729-1735. doi:10.1109/36.942551.
9. Kim S. Y., H. B. Jo, S. O. Lee, and M. Choi, 2010. The Study of application of drought index using measured soil moisture at KoFlux Tower. Journal of the Korean Society of Civil Engineers B 30(6B): 541-549.
10. Kroes, J. G., J. C. van Dam, J. Huygen, and R. W.
Vervoort, 1999. User’s guide of SWAP version 2.0;
Simulation of water, solute transport, and plant growth in the soil-atmosphere-plant environment. Rep. 81, DLO Winand Staring Centre, Wageningen, The Netherlands.
11. Lee, T., and Y. Shin, 2016. Estimation of irrigation water amounts for farm products based on various soil physical properties and crops. Journal of Korean Society on Water Environment 58(6): 1-8, doi:10.5389/KSAE. 2016.58.6.001.
12. McKee, T. B., N. J. Doesken, and J. Kleist, 1993. The Relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, American Meteorological Society, Anaheim, CA, Boston, MA, 17-22, January, 179-184. doi:10.1.1.462.4342.
13. Korea Meteorological Administration (KMA), 2015.
Abnormal climate change report 2015, Korea Meteorological Administration [Korean Literature].
14. Ministry of Land, Infrastructure and Transport (MOLIT), 2012. Hydrologic investigation report II-2. Soil moisture investigation in 2012, Ministry of Land, Infrastructure and Transport [Korean Literature].
15. Ministry of Land, Infrastructure and Transport (MOLIT), 2014. Hydrologic investigation report II-2. Soil moisture investigation in 2014, Ministry of Land, Infrastructure and Transport [Korean Literature].
16. Mualem, Y., 1976. A Now model for predicting the hydraulic conductivity of unsaturated poous media. Water Resources Research 12(3): 513-522.
17. Narasimhan, B., and R. Srinivasan, 2005. Development and Evaluationof Soil Moisture Deficit Index (SMDI) and Evapotranspiration Deficit Index (ETDI) for Agricultural Drought Monitoring. Agricultural and Forest Meteorology 133(1-4): 69-88. doi:10.1016/j.agrformet.2005.07.012.
18. Palmer W. C., 1968. Keeping track of crop moisture conditions nationwide: the new crop moisture index.
Weather-wise 21(4): 156-161.
19. Park, E. J., C. S. Hwang, and J. C. Seong, 2002. The Analysis of drought susceptibility using soil moisture information and spatial factors involved in satellite imagery. Spatial Information Research 10(3): 481-492 (in Korean).
20. Scott, C. A., W. G. M. Bastiaanssen, and M. D. Ahmad, 2003. Mapping root zone soil moisture using remotely sensed optical imagery. Journal of Irrigation and Drainage Engineering 129(5): 362-335. doi:10.1061/(ASCE)0733- 9437(2003)129:5(326).
21. Shin, Y., K. S. Choi, Y. Jung, J. E. Yang, and K. J. Lim, 2016a. Soil moisture estimation and drought assessment at the spatiotemporal scales using remotely sensed data: (I) Soil moisture. Journal of Korean Society on Water Environment 32(1): 60-69. doi:10.15681/KSWE.2016.32.1.60.
22. Shin, Y., K. S. Choi, Y. Jung, J. E. Yang, and K. J. Lim, 2016b. Soil moisture estimation and drought assessment at the spatiotemporal scales using remotely sensed data: (II) Drought. Journal of Korean Society on Water Environment
32(1): 70-79. doi:10.15681/KSWE.2016.32.1.70.
23. Simpson, J., C. Kummerow, W. K. Tao, and R. F. Adler, 1996. On the tropical rainfall measuring mission (TRMM).
Meteorology and Atmospheric physics 60(1): 19-36. doi:
10.1007/BF01029783.
24. van Dam, J. C., J. Huygen, J. G. Wesseling, R. A. Feddes, P. Kabat, P. E. V. van Walsum, P. Groenendijk, and C. A.
van Diepen, 1997. Theory of SWAP version 2.0. Simulation of water flow, solute transport and plant growth in the Soil-Water-Atmosphere-Plant environment. Wageningen University and Alterra. Technical Document 45.
25. van Dam, J. C., 2000. Field-scale water flow and solute transport. SWAP model concepts, parameter estimation and case studies. Ph.D. dissertation, Wageningen Univ., Wageningen, The Netherlands.van Genuchten, M. T., 1980. A closed-form equation foe predicting the hydraulic conductivity of unsaturated soils. Soil Science Society of America Journal 44(5): 892-898. doi:10.2136/sssaj1980.
03615995004400050002x.
