韓國水資源學會論文集 第46卷 第3號 2013年 3月 pp. 229～243
기후모형(GCMs)에 기반한 2018년 평창 동계올림픽 적설량 및 수문모의
GCMs-Driven Snow Depth and Hydrological Simulation for 2018 Pyeongchang Winter Olympics
김 정 진* / 류 재 현**
Kim, Jung Jin / Ryu, Jae Hyeon
...
Abstract
Hydrological simulation Program-Fortran (HSPF) model was used to simulate streamflow and snow depth at Pyengchang watershed. The selected Global Climate Models (GCMs) provided by the Coupled Model Intercomparision Project Phase 3 (CMIP3) were utilized to evaluate streamflow and snow depth driven by future climate scenarios, including A1, A1B, and B1. Bias-correlation and temporal downscaling processes have been performed to minimize systematic errors between GCMs and HSPF. Based on simulated monthly streamflow and snow depth after calibration, the results indicate that HSPF performs well. The correlation coefficient between the observed and simulated monthly streamflow is 0.94. Snow depth simulations also show high correlation coefficient, which is 0.91. The results indicate that snow depth in 2018 at Pyongchang winter olympic venues will decrease by 17.62%, 9.38%, and 7.25% in January, February, and March respectively, based on streamflow realizations induced by all GCMs ensembles.
Keywords : GCMs, Climate Change, HSPF, Bias correlation, donwscaling, snow depth, 2018 Pyeongchang winter olympics ...
요 지
평창유역의 적설량을 모의하기 위하여 HSPF 모형을 적용하였다. 미래 적설량을 평가하기 위해 CIMIP3에서 제공하는 A1, A1B, B1의 온실가스 배출시나리오에 기반한 GCMs를 이용하였으며, HSPF 모형과 GCMs의 통계학적 오류를 최소화 하기 위해 편의보정(Bias-correction)과 시간적 분해모형(Temporal disaggregation)을 적용하였다. 모형의 검·보정 결과 모의된 유출량과 적설량의 경우 모형 효율이 높게 나타났으며, 특히 모형의 검정 후 상관계수를 분석한 결과 월별 유출량 의 상관계수는 0.94로 나타났다. 월별 적설량, 또한, 상관계수가 0.91로 나타나 보정된 HSPF 모형이 평창지역에 대한 유출량과 적설량을 잘 모의하고 있는 것으로 판단된다. GCMs를 이용한 2018년 평창올림픽 경기장의 적설량을 분석한 결과 1월에는 17.62%, 2월에는 9.38%, 3월에는 7.25%의 적설량이 감소되는 것으로 나타났다.
핵심용어 : GCMs, 기후변화, HSPF, 편의보정, 분해모형, 적설량, 2018년 평창 동계올림픽
...
* 미국 아이다호대학교 농생공학과 박사과정 (e-mail: [email protected])
Ph.D. Student, Department of Biological & Agricultural Eng., Univ of Idaho, ID 83702, USA
** 교신저자, 미국 아이다호대학교 농생공학과 조교수 (e-mail: [email protected], Tel: 1-208-332-4402)
Corresponding Author, Assistant Professor, Dept, of Biological & Agricultural Eng., Univ of Idaho, ID 83702, USA
J. KOREA WATER RESOURCES ASSOCIATION Vol. 46, No. 3:229-243, March 2013 http://dx.doi.org/10.3741/JKWRA.2013.46.3.229
pISSN 1226-6280 • eISSN 2287-6138
1. 서 론
성공적인 동계올림픽 개최를 위해서는 경기장 건설 등
의 기반시설뿐만 아니라 개최지역 현지의 기상조건도 많 은 영향을 받게 된다. 이는 2010년에 개최된 캐나다 밴쿠 버 동계올림픽을 통해서도 확인되었다. 밴쿠버 동계올림
Fig. 1. Workflow of Climate-driven Snow Depth and Streamflow Simulations using HSPF Model 픽의 경우 개최 직전까지 눈 부족으로 인해 실외 경기종목
들의 연습 제한과, 1월 중순 폭우로 인해 경기장 슬로프의 눈이 모두 쓸려 내려가 경기가 연기되는 일이 발생하기도 했다. 이러한 현상은 지구 온난화로 인한 전지구의 기상이 변 현상에 기이한 것으로 예상되며 기후예측을 통한 대책의 중요성을 단적으로 보여주고 있다. 이상기후에 따른 영향은 평창 올림픽도 예외일 수는 없다. Kim (2009) 보고서에 따 르면 대관령지역의 최근 10년간 기온이 0.6℃ 상승을 보이 고 있고 적설량도 10.8 cm 감소를 보여 지구온난화에 따른 변화가 일어나고 있다고 밝히고 있다. 따라서 기후예측을 통해 평창 동계올림픽 개최년도(2018)의 기후를 분석해 봄 으로써 향후 개최기간 중 발생할 수 있는 적설량 감소에 따 른 눈 부족 현상, 온도 상승 등과 같은 문제점들에 대비한 기술개발 및 대책을 준비하는 것이 중요하다고 판단된다.
장기 기후변화의 영향을 분석하기 위한 방법으로는 GCMs (Global Climate Models)를 이용하는 방법과 과거의 관측 자료 분석에 의한 경험적 통계방법들을 이용한 기상분석 방 법들이 많이 사용된다. 이중 GCMs를 이용한 기후변화 분 석방법은 수자원 선진국들을 중심으로 많이 적용되었으며, 현재도 많은 연구자들에 의해 GCMs와 수문모형과의 연계 운영을 통해 미래 기후전망 뿐만 아니라, 수리, 수문, 유출량, 가뭄해석 등의 기후변화와 관련한 전망 및 대책들에 대한 활 발한 연구가 진행되고 있다(Bae, et al., 2011; Arnell, 1999;
Vliet et al., 2012; Praskieviez and Chang, 2009; Mimikon, 2000; Campbell et al., 2011; Maurer et al., 2010; Shin and Kim, 2007). 하지만 현재 기상예측 연구를 위해 많이 사용되 고 있는 GCMs는 불확실성 때문에 모형적용에 따른 결과 값 들의 정확도에 초점을 두기 보다는 분석결과에 따른 경향성 에 주목하여 패턴분석을 살펴보는 것이 일반적이다.
따라서 본 연구는 평창 동계올림픽 기간 동안의 2018년의 적설량을 GCMs를 이용하여 전망해 봄으로써 향후 기후변화
의 영향과 대책을 분석하여 동계올림픽 준비를 위한 정보자 료로 활용될 것을 기대한다. 미래 강수량 및 온도자료는 IPCC에서 제공되는 기상 미래예측자료인 16개의 GCMs를 이용하였으며, 적설량 분석을 위해서는 수리·수문 모형인 HSPF 모형을 적용하여 2018년 적설량을 전망해 보았다. Fig.
1은 본 연구에서 적용한 기본개념을 나타내고 있는 것으로 기후전망, 편의 보정, 시간 분해모형, 수문모델링 및 검·보정, 미래 적설량 평가 순으로 구성되어 있다.
2. 연구방법 2.1 연구대상지역
연구대상지역은 평창 동계올림픽이 개최될 예정지인 평창 군, 정선군, 강릉시 세 지역 중에서 실외 경기가 개최될 예정 인 평창군을 선정하였다. 행정구역으로는 미탄면, 방림면, 대화면, 봉평면, 용평면, 진부면, 대관령면 등 1읍 7면으로 구성되어 있으며 총 면적은 1,463.7 km2로 강원도 총 면적 16,874,60 km2의 8.7%에 해당한다. 또한, 평창군은 전체 면적 의 62.5%가 표고 700m 이상을 차지하고 있으며, 기후 특성은 여름철의 서늘한 기온과 더불어 겨울철의 북도기류의 영향으 로 대설현상이 많아 지역적인 특성상 스키장운영 및 겨울스포 츠를 할 수 있는 유리한 곳에 위치하고 있다. Fig. 2는 연구대 상지역의 경기장 위치에 대한 정보를 나타내고 있다. 평창지 역에서의 실외 경기는 총 7 경기에 대해서 18종목이 개최될 예정인데, 각 종목에 대한 개최 지역과 경기종목은 알파인 스 케이트 경기 4종목이 진부면에 위치한 정동 알파인 경기장과 양평 알파인 경기장에서 개최될 예정이며 대화면에서는 크로 스컨트리, 스케이트, 스키점프, 바이애슬론, 볼습레이와 스켈 레톤 경기가 알페시안 경기장에서 개최될 계획이다. 마지막으 로 자유 스타일 스케이팅 5종목과 스노보우 5종목은 대관령 면에 위치한 보광휘닉스파크 경기장에서 개최될 예정이다.
Fig. 2. The Study Area 2.2 연구 분석 방법
2.2.1 HSPF (Hydrological simulation Program- Fortran) and GCMs (Global Climate models) 본 연구에서의 수문모형은 U.S EPA (Environmental Protection Agency)가 개발한 HSPF의 Windows 버전인 WinHSPF 3.0을 이용하였다. WinHSPF는 Window 환경 에서 쉽고 편리하게 작업할 수 있도록 사용자 인터페이스를 제공하기 때문에 모형개발이 편리하다. HSPF는 도시, 농촌, 산간지역에 적용하기 적합한 모형으로써 시계열 기상자료 (강수량, 기온, 일사량, 이슬점 온도, 바람, 구름)를 이용하여 하천 및 토양피복과 관련한 투수성 및 불투수성 지역의 유 출량, 적설량, 비점오염원 발생량 및 유사량 등을 모의할 수 있다(Bicknell et al., 2001). HSPF 모형은 홍수조절, 비점 오염원 예측 및 관리, 도시 및 농촌지역의 최적화 기법의 평 가, 수질 관리 및 계획 등에 많이 활용되고 있다. HSPF 모 형의 기본 구성은 3개의 적용 모듈(PERLAND, IMPLAND, RCHREC)과 5개의 유틸리티 모듈(COPY, PLTGEN, DISPLY, DURANL, GENER, MUTSIN)로 구성되어 있 으며, PERLAND와 IMPLAND 모듈은 각각 투수성 지역 과 불투수성 지역에 대한 유출량, 적설량, 유사량, 비점오 염 발생량 등을 모의할 수 있다. 본 연구에서는 유출량과 적설량을 모의하기 위해 PERLAND와 IMPLAND 모듈 에서 ATEMP, SNOW, PWATER, IWATER 등의 수문 해석에 필용한 구성성분을 이용하였다. ATEMP는 모의
지점의 유출량 측정지점과 모의 대상지점의 고도 차이를 기본으로 하여 기온에 대한 시계열 입력 자료를 보정 할 수 있고, SNOW는 에너지 균형 접근법 또는 기온지수 방 법을 이용하여 적설량을 모의할 수 있다. 본 연구에서는 경험적 기온 지수 값을 적용하여 두 가지의 기상자료인 강 수량과 기온자료만을 이용하여 적설량을 계산할 수 있는 기온지수방법을 이용하였으며, 기온지수를 이용한 적설량 적용방법과 기본 계산식은 Fig. 3 및 Eqs. (1) and (2)와 같 다. PWATER와 IWATER는 PRLAND와 IMPLAND에서 가장 중요한 구성성분으로써 모형에서 발생하는 모든 물 수지에 필요한 수문현상을 모의한다. RECHREC 모듈은 PERLAND과 IMPLAND에 의해 발생된 유출량 및 수질 구성요소들과 유역의 하천정보를 이용하여 유출량 및 수 질모의에 활용된다.
RNSHIT=(AIRTMP+1.1)*RAINF/144.0 (1) PAKTMP=-1.1-NEGHTS/(0.00695*PACKF) (2) 여기서, RNSHIT: 적설량(mm), AIRTMP는 온도(deg.C), RAINF는 강수량(mm), PAKTMP는 적설의 평균 온도 (deg. zC), NEGHTS는 마이너스 축열, PACKF는 적설량 (mm)을 나타낸다.
GCMs는 해양, 대기, 지표, 빙하에서의 물리적·역학적 과정을 기초로 하여 CO2배출 시나리오에 따라 기후변화 를 모의할 수 있어 많은 기상· 수문연구에 사용되는 도구이
Fig. 4. GCMs Structures (http://www.cmmap.org/learn/modeling/whatIs2.html) Fig. 3. Flow Chart of Snow Accumulation and Melting Processes in HSPF 다(Im et al., 2010). GCMs는 기후변화의 이해 및 예측을
할 수 있는 수학적 모형으로써 미래 온실가스 배출 추정 치를 이용하여 지역별 격자단위로 기후변화를 모의할 수 있다(Fig. 4). 하지만 GCMs는 GCM별 각각 다른 격자크 기, 역학공식, 매개변수를 사용하기 때문에 기후모의 결과 는 GCM에 따라 큰 차이가 발생하게 된다. 이에 Wilby (2005)와 Christensen and Lettenmaier (2007)은 선행 연 구를 통해 다양한 GCMs의 결과들을 이용하여 그에 따른 불확실성을 평가하는 것이 필요하다고 제시하였다. 본 연 구에 사용한 GCMs자료는 the World Climate Research Programme (WCRP)'s Coupled Model Intercomparision Project Phase 3 (CMIP3)의 모형 데이터의 결과자료로 IPCC AR4 (Fourth Assessment Reprot)에 적용된 A2, A1B, B1 세 개의 시나리오에 대한 결과를 제공하는 16개 의 GCMs를 선택하여 사용하였다(Table 1). 각 시나리오 를 살펴보면, A2는 인구의 지속적인 증가와 느린 경제성 장으로 2100년까지 CO2배출농도가 830 ppm가 배출 될 것 으로 예상하는 시나리오이며, A1B는 자원균형 발전의 시 나리오로써 2100년까지 대기 중의 CO2의 농도가 540 ppm
이 배출되는 시나리오이다. 그리고 B2는 저 인구 성장을 기초로 부가적인 기후변화에 영향을 주는 요소가 없는 것 으로 판단되어 경제, 사회, 환경 분야의 지속가능성에 대한 해결점을 강조하는 시나리오이며 2100년까지 CO2의 농도 가 550 ppm 배출될 것으로 예상하는 것을 전제로 한다.
2.2.2 실측기상자료를 이용한 GCMs의 편의보정 GCMs의 편의보정은 실측 기상자료와 GCMs의 결과 값 사이에 발생하는 오차를 통계적 분석을 통해 보정하 는 방법이다. 편의보정 방법은 누적분포 함수(Cumulative Distribution Function, CDF)를 이용하여 월별 실측기상자 료의 누적분포에 기반을 둔 월별 GCMs의 변수(온도, 강수 량)들을 보정하는 방법이다. Fig. 5는 월별 강수량에 관한 편의보정 방법을 설명하고 있다. 예를 들면, 선택한 해당년 도 해당월의 GCMs 강수량 180 mm에 대해 누적분포 함수 의 값을 구하면 0.8이라는 결과값을 가지게 된다. 그 다음, 누적분포 함수 값을 실측자료 값의 누적분포 함수 값에 대입 을 하면 220 mm의 강수량을 나타내게 되어 결국 이 값은 GCMs의 초기 강수량이 180 mm에서 220 mm으로 수정된
NO GCMs Country NO GCMs Country
1 BCCR-BCM2.0 (GCM01) Norway 9 IPSL-CM4 (GCM09) France
2 CGCM3.1 (T47) (GCM02) Canada 10 MIROC3.2 (GCM10) Japan
3 CNRM-CM3 (GCM03) France 11 ECHO-G (GCM11) Germany / Korea
4 CSIRO-Mk3.0 (GCM04) Australia 12 ECHAM5/MPI-OM (GCM12) Germany 5 GFDL-CM2.0 (GCM05)
USA
13 MRI-CGCM2.3.2 (GCM13)
Japan
6 GFDL-CM2.1 (GCM06) 14 PCM (GCM14)
7 GISS-ER (GCM07) 15 CCSM3 (GCM15)
8 INM-CM3.0 (GCM08) Russia 16 MO-HadCM3 (GCM16) UK
Table 1. Lists of the Selected GCMs at 0.5 Degree Spatial Resolutions Associated with three Scenarios (A1, A1B, and B1) During 1981～2040
Fig. 5. Bias-correction Procedure for Precipitation Data (mm) from GCMs
값이다. 이 편의보정 방법은 상대적으로 간편하여 수문 및 기 후영향에 관한 연구에 많이 사용되어졌다(Cayan et al., 2008;
Hayhoe et al., 2004; Li et al., 2010; Maurer and Hidalgo, 2008; Ryu et al., 2009). 본 연구에서는 1981～2010년 동안의 월별 온도와 강수량의 실측기상자료를 이용하여 1981～2010 년에 대한 과거 GCMs와 2011～2040년에 대한 미래 GCMs의 편의보정을 실시하였다. 과거 GCMs 편의보정을 위한 누적 분포의 역함수 값을 결정하기 위해 Eq. (3)이 사용되었으며, 미래 GCMs 편의보정의 경우 강수량에 대해서는 Eq. (4), 온 도의 경우는 Eq. (5)를 적용하였다.
(3)
×
(4)
(5)
여기서, 는 편의 보정된 GCM (G)의 결과값이며, FO는 실측기상자료(o)의 CDF 값을, FG-f는 미래기간(f) GCM 기후자료에 대한 CDF 값을, FG-c는 과거기간(c) GCM 기후자료에 관한 CDF 값을 나태내고 있다.
누적분포함수의 계산은 온도의 경우 4-매개변수 베타 분포(4-parameter Beta distribution)를 이용하였고, 강수 량의 경우 2-매개변수 감마분포(2-parameter Gamma distribution)을 이용하였다. 베타분포와 감마분포에 적용 방법과 매개변수 선정은 Li et al. (2010)의 연구를 참조하 였고 편의보정을 위한 베타분포의 계산은 Eq. (6)을, 감마 분포의 계산은 Eq. (7)을 이용하였다.
× ≤ ≤ (6)
×
×
×
≥ and
(7)
Fig. 6. Flowchart for Precipitation Disaggregation from Monthly to Daily Time Scale at the TS Based on Daily and Monthly Precipitation at SS (Acharya and Ryu, 2012)
여기서, B는 베타함수,는 감마함수, a는 분포 최소값, b 는 분포 최대값, 는 척도모사, q,p,k는 형상모수를 나타 내고 있다.
2.2.3 GCMs의 시간적 분해모형(Temporal Dis- aggregation) 적용
HSPF모형을 적용하기 위해서는 시간별 입력자료가 필요하지만 GCMs의 경우 월별 자료를 제공하기 때문에 HSPF 모형의 적용을 위해 시간적 분해모형의 적용이 필요 하다. 시간적 분해모형적용은 과거 GCMs와 미래 GCMs로 나누어 적용하였는데, 과거 GCMs는 실측자료와 같은 기 상패턴을 가지고 있기 때문에 강수량의 시간적 분해모형 적용을 위해 Eq. (8)을, 그리고 온도의 시간적 분해모형은 Eq. (9)를 적용하여 월별 자료를 일별 자료로 변환하였다.
일반적으로, 시간별 자료변환은 월별에서 일별로 이루어 지며 다음과 같은 방법으로 변환된다. 즉, 미래 GCMs의 경우 월별에서 일별 자료변경을 위해 기상패턴의 예측을 먼저 분석하는데, 이를 위해 강수량 데이터에 대해 Fig. 6 의 방법을 이용하여 시간적 분해모형을 본 연구에 적용하 였다. 예를 들면, 미래 목표연도의 1월 강수량 발생량에 대 해 12월, 1월, 2월(연속 3개월간)에 대한 전체 실측 강수량 의 자료를 이용하여 각 월별 RMSE (Root Mean Square Error)를 계산한다. 이 중 가장 낮은 RMSE에 해당하는 실 측자료의 해당연도와 해당월을 선택한 후 선택되어진 실 측자료를 이용하여 월별 데이터의 값에 대한 일별 데이터 값의 비율을 계산한다. 마지막으로 계산된 일별 비율을 이용하여 미래 목표연도의 월별 데이터 값의 일별 데이터
값으로 변환이 이루어진다. 시간별 자료 변경의 경우 일 별 데이터 값에서 선택된 실측데이터 값의 해당년도와 해 당 월에 대한 실측 시간별 데이터 값을 이용하여 강우자 료는 곱셈식인 Eq. (8)을, 온도자료는 덧셈식인 Eq. (9)를 각각 적용하였다. 미래의 GCMs의 기상패턴 적용을 위해 서는 실측 강수량과 유사한 미래 년도의 월별 강수량에 대해 실측자료 값과 가장 근접한 강우사상 및 기상패턴을 찾아 변환식에 적용하였다.
×
(8)
(9)
여기서, P는 강수량을 나타내고 있으며, T는 온도를 나타내 고, m-d는 모의된 일별 GCMs의 값이며, o-d는 일별 실측 값을 나타내고, m-m은 월별 GCMs의 값을, o-m은 월별 실 측값을 나타내며, n은 일별 자료의 개수를 나타내고 있다.
2.2.4 Peman-Monteith를 이용한 잠재증발산량 (Potential Evapotranspiration, PET)의 계산
기본적으로 HSPF 모형 내의 잠재증발산량의 계산은 WDMUnity에서 제공하는 Jensen-Haise 방법을 이용하 여 계산된다. 하지만, 본 연구에서는 기존방법이 아닌 최 근에 많이 사용되는 Penman-Monteith 방법(Monteith, 1965)을 이용하여 잠재증발산량을 계산하였다. Penman- Monteith 방법은 수증기를 지표로부터 탈출시키는 공기동 역학 부분과 증발에 필요한 에너지 부분으로 구성된 혼합 된 잠재증발산량을 계산하는 방법으로 식량농업기구(Food and Agriculture Organization of the United Nations, FAO) 에서 잠재증발산량 계산을 위한 표준방법으로 Penman- Monteith 방법을 추천하고 있다(FAO, 1988). Penman- Monteith 방법을 이용하여 잠재증발산량을 구하기 위해서 는 온도, 이슬점, 바람, 일사량의 기상자료가 필요하다. 이 를 위해 실측자료를 이용한 잠재증발산량 계산의 경우 대 관령 기상청에서 제공하는 1981～2010년의 시간별 기상 자료(온도, 이슬점, 바람, 일사량)를 이용하였다. GCMs를 이용한 잠재증발산량의 경우 시간적 분해모형으로 계산 된 시간별 GCMs의 온도자료와 실측자료의 이슬점, 바람, 일사량 자료를 이용하여 산출하였다. Penman-Monteith 방법을 이용한 잠재증발산량의 계산은 Eq. (10)과 같다.
∆ × ×
× ∆ × ×
×
(10)
(a) DEM (b) Land use Fig. 7. (a) Digital Elevation Model (DEM) and (b) Land Use 여기서, e0T(hr)는 시간당 평균온도에서의 포화 증기압
(Kpa), ea는 시간당 평균 실제 증기압(kPa), G은 지중열전 도량 밀도(MJ/m2·hr), Thr 시간당 평균온도(℃), PET는 잠재증발산량(mm/hr), Rn은 지표면 순복사량(MJ/m2·hr), u2는 시간당 평균 바람세기(m/s), ∆는 시간당 평균 온도 에서의 포화수증기압 곡선(kPa/℃), 는 습공기선도 상수 (kPa/℃)이다.
2.2.5 입력자료 및 모델 구축
본 연구에 사용된 HSPF 3.0의 입력파일인 uci 파일은 BASINS (Better Assessment Science Integrating Point Nonpoint Source) 4.0을 이용하여 생성하였다. BASINS 4.0 은 미국 환경부(U.S. EPA)에서 개발된 GIS 기반 통합 유역 관리 시스템으로 HSPF, SWAT, SWMM, AQUATOX, PLAND 모형들의 입력파일을 구축할 수 있는 기반을 제 공하고 있다. HSPF 구축을 위한 GIS 데이터는 국가수자원 관리종합정보시스템(WAMIS, http://www.wamis.go.kr/) 에서 제공하는 30 × 30 m 격자의 DEM (Digital Elevation Model)과 중분류 토지이용도, 국토해양부에서 제공하는 유역도와 하천도가 이용되었다(Fig. 7). 연구대상지역의 소유역 분할과 새로운 하천도 및 하천 출구지점 생성을 위해서는 Basins 4.0의 Automatic Delineation Tool를 이 용하여 DEM, 하천도, 유역도를 사용하여 작성하였으며, 토지이용도의 경우 WinHSPF에 적용하기 위해 Basins 4.0의 Reclassify Land Use Tool을 이용하여 토지이용도 를 재분류하였다(Table 2). 토지이용도 재분류 결과는 산 림지역이 전체 면적의 82.08%로 가장 많은 부분을 차지 하고 있으며, 농촌지역이 12.31%, 초지 지역이 2.24%, 도
시지역이 1.22%, 황무지 지역이 1.19%, 수역 및 습지지역 0.96% 순으로 나타났다.
HSPF 모형에 기상자료를 입력하기 위해 WDMUtility 프로그램을 사용하였으며 WDM(Watershed Data Mana- gement)형태의 파일저장이 필수적이며, 본 연구에서는 실 측 기상자료, 48개의 GCMs 자료 및 Penman-Monteith 방 법으로 계산된 잠재증발산량 등을 WDM 파일로 저장하 여 HSPF 모형의 입력자료 값으로 활용하였다.
2.2.6 HSPF 모델 보정 및 검증
HSPF 모형 보정은 PEST (Parameter Optimizer)프로 그램과 연계 적용하여 유출량 및 적설량을 보정하였다.
PEST 프로그램은 비선형 최적화 기술 중의 하나인 Guass- Marquardt-Levenberg (GML)기법을 이용하여 모형의 매 개변수를 최적화 시키는 자동보정 프로그램으로써 다양 한 모형에 적용되고 있다. PEST적용을 통한 모형의 보 정 방법은 실측값의 데이터를 추출하여 목적함수를 계산 하고 지정한 수문 매개변수들의 최소값과 최대값을 기반 으로 예측값을 자동보정 하여 최적화된 인자들을 찾아간 다. 본 연구에서의 모형의 보정은 1997～2010년을 대상 으로 평창 유출량 측정지점에서 제공하는 실측 하천유량 자료를 기준으로 실측기상자료를 이용한 모의유출량 결 과를 PEST 프로그램에 적용하여 먼저 자동보정을 실시 하였다. 다음은 48개의 GCMs의 기후 데이터의 출력값 을 편의보정 및 시간적 분해모형에 적용하여 수문모형의 입력값으로 변환하여 모형보정 과정을 통해 최적화 된 수문매개변수를 그대로 사용하였으며 유역의 상류지점 인 상안미 지점을 기준으로 장기수문유출모형의 검정을
Very good Good Fair Poor
Daily R > 0.89 0.89～0.84 0.84～0.77 < 0.77
Monthly R > 0.92 0.92～0.87 0.87～0.81 < 0.81
Table 3. General Calibration Target or Tolerances for HSPF Application (Donigian, 2002)
Original land use Area (km2) Modified land use Area (km2)
Residential 7.56
Urban or built-up Land 17.34 (1.22%)
Industrial 0.76
Commercial 1.46
Leisure 0.80
Transportation 6.00
Public building 0.76
Paddy 16.55
Agricultural Land 147.71
(12.31%)
Upland 153.33
Greenhouse 0.24
Orchard 0.16
Other crop 4.43
Deciduous forest 448.94
Forest 1,164,5
(82.08%) Coniferous forest 481.66
Mixed forest 233.90
Paster 2.39
Rangeland 31.79
(2,24%)
Golf course 2.06
Other grass 27.34
Mining area 0.29 Barren Land 16.83
(1.19%)
Other barren 16.54
Inland wetland 4.21 Wetland/Water 13.61
(0.96%)
Fresh water 9.40
Table 2. Land Use Classification for HSPF Application 실시하였다. 모형의 검정을 GCMs에서 제공하는 기후 데이터 값을 이용하여 실시한 이유는 다양한 기후모형에 서 발생되는 기후 데이터 값의 불확실성을 수문모형의 보정 과정동안 각 유역이 가지고 있는 수문학적 특성이 고려된 장기수문유출을 통해 입력값의 불확실성을 줄임 과 동시에 수문학적 현실성(Hydrological realization)을 높이기 위함이다. 모형의 검·보정의 정확도의 평가는 모 형의 검·보정 결과에 대한 모형의 효율을 나타내는 Nash-Sutcliffe coefficient (NS)와 Donigian (2002)이 제 안한 유출량 검·보정에 사용되는 상관계수(Correlation coefficient, R)를 적용하여 판단하였다(Table 3). 상관 관계 R과 NS는 Eqs. (11) and (12)에 의해 각각 계산되 었다.
(11)
(12)
여기서, Pi와 Qi는 각각 모형에 의한 모의유출량과 실측 유출량이며, 는 실측유출량 평균값이며, n은 유출량에 대한 총 개수이다.
적설량의 월별 전체 적설량의 보정을 위해 유출량의 검·보정 후 대관령 기상관측소에 제공하는 1997～2010년 의 실측 적설량 자료를 이용하여 모의 적설량의 보정이 이루어졌으며 모형 적설량 검증은 1993～2006년의 실측 적설량을 이용하여 분석하였다. 하천유출량과 적설량의 보정인자에 대한 범위는 EPA BASNS 기술노트에서 (EPA, 2000) 제시하는 범위를 사용하였으면 Table 4와 같다.
Parameter Definition Units Initial value Final
value
Range of values Typical Possible
Water budget
LZSN Lower zone nominal soil moisture storage m 0.15 0.38 0.08～0.2 0.05～0.38 INFILT Index rate infiltration capacity mm/hr 4.01 4.72 0.25～6.35 0.03～12.7 LSUR Length of overland flow m 45.7 59.83 60.9～152.4 30.5～213.4 AGWRC Base ground water recession none 0.98 0.94 0.92～0.99 0.85～0.999 UZSN Upper zone nominal soil moisture storage mm 31.24 50.8 2.54～25.4 1.27～50.8 NSUR Manning's n for overland flow none 0.2 0.2 0.15～0.35 0.05～0.5 INTFW Interflow inflow parameter none 0.75 2.27 1.0～3.0 1.0～10.0 IRC Interlfow recession parameter none 0.5 0.5 0.5～0.7 0.3～0.85
Snow
SNOWCF Snow gage catch correction factor none 1.2 1.0 1.1～1.5 1.0～2.0 COVIND Snowfall required to fully cover surface mm 25.4 25.4 25.4～76.2 2.54～254 TSNOW Temperature at which precip becomes snow deg.C 0 1.45 -0.56～0.55 -1.11～4.44 MWATER Liquid water storage capacity in snowpack mm/mm 0.03 0.01 0.01～0.05 0.005～0.2 MGMELT Ground heat daily melt rate mm/day 0.25 5.28 0.25～0.76 0.0～25.4 Table 4. Parameter Definition and Ranges for HSPF Calibration and Validation
Daily Monthly
R NS Performance R NS Performance
Calibration 0.85 0.75 Good 0.94 0.86 Very good
Validation 0.81 0.63 Fair 0.96 0.80 Very good
Table 5. Statistics of Model Calibration and Validation 3. 결과 및 고찰
3.1 GCMs 편의보정
Fig. 8은 총 48개의 온도와 강수량 자료의 GCMs에 대 한 실측 누적분포 함수를 이용한 과거 및 미래의 GCMs 의 편의 보정 결과와 월별 평균 분포도를 나타내고 있다.
강수량의 편의보정 결과 과거 GCMs의 경우 1～6월, 8월, 10～12월의 평균 분포도는 실측 강수량의 평균 분포와 유 사한 결과를 보이고 있는 것으로 나타났다. 하지만, 7월의 경우 과거 GCM의 평균 강수량이 실측 평균 강수량보다 높은 분포를 보이며 9월의 경우는 실측 평균 강수량보다 낮은 분포를 보이고 있다. 미래 GCMs의 편의보정 결과 2～6월, 11～12월의 평균 분포도가 실측 평균 강수량과 유사한 분포를 보이고 있지만, 8～10월은 실측 평균 강수 량 보다 높은 강수량을 보이고 1월과 7월의 경우는 낮은 평균 강수량를 보이고 있는 것으로 나타났다. 그리고 과 거 GCMs (Hindcast)와 미래 GCM (forecast)의 비교를 통한 월별 강수량 변화의 분포를 살펴보면 1～6월, 10월 의 경우는 강수량이 줄어들고, 8～11월, 12월의 강수량은 과거에 비해 늘어나는 것을 확인할 수 있다. 온도의 편의 보정 결과 과거와 미래의 GCMs 모두 1～2월과 11～12월
의 평균 온도 분포는 실측 평균온도와 유사한 분포를 나 타내지만, 전반적으로 실측 평균온도보다 높은 분포를 보 이고 있는 것으로 나타났다. 그리고 과거 GCMs과 미래 GCMs의 비교를 통한 월별 온도 변화의 분포를 살펴보면 과거에 비해 전체 평균온도가 올라간 것으로 나타났다.
3.2 HSPF 모형 평가를 위한 유출량 검·보정 모형의 정확도 분석을 위한 유출량 검·보정 결과는 Table 5와 Figs. 9～11과 같다. 일별 유출량에 대한 모형 보정결과 상관계수와 NS 계수가 각각 0.85, 0.75, 검정결 과 0.81, 0.73으로 모형의 보정은 좋은(good)으로 나타났 고, 검정의 경우는 보통(fair)으로 나타났다. 실측값과 모 의값을 비교해 오차의 정도를 평가하는 NS값의 범위는 0.0～1.0 사이에 있으며, 1.0에 가까울수록 모의값이 실측 값의 경향을 잘 반영한다고 볼 수 있다. 즉, 실측값과 모 의값이 일치하게 된다면, R과 NS값 모두 1이 되고 NS값 의 경우 0보다 작으면 모형의 예측결과가 나쁘거나 실측 자료가 일관성이 없음을 의미한다(Nash and Sutcliffe, 1970). 월별 유출량은 보정 결과 R과 NS 값이 각각 0.94, 0.86, 검증 결과 0.96, 0.80로 나타나 모형의 검·보정 정도 가 모두 매우 좋음(very good)으로 나타났다. 이는 검·보
(a) Calibration (b) Validation Fig. 10. Scatter Plots between Simulated and Observed Daily Streamflow
(a) Pyeongchang (b) Samanmi
Fig. 9. Hydrologic Calibration (a) and Validation (b) Results for the Study Area (a) Precipitation
(b) Temperature
Fig. 8. Bias-correction for Monthly Average Precipitation and Temperature from GCMs Hindcast and Forecast Ensembles
(a) (b)
Fig. 12. Hydrologic Calibration (a) and Validation (b) Results for Monthly Snow Depth
(a) Calibration (b) Validation
Fig. 13. Scatter Polt between Simulated and Observed Monthly Snow Depth
(a) Calibration (b) Validation
Fig. 11. Scatter Plots between Simulated and Observed Monthly Streamflow 정된 HSPF 모형이 평창지역의 월별 유출량뿐만 아니라
일별 유출량에서도 잘 분석되는 것으로 판단할 수 있다.
3.3 HSPF 모델 평가를 위한 적설량 검·보정 HSPF 모형의 정확도 분석을 위한 평창지역의 월별 적 설량 검·보정결과는 Figs. 12～13과 같다. 검·보정된 HSPF 의 적설량 모의결과 모의치가 실측치와 상대적으로 잘 일 치하는 것으로 나타났다. 또한 통계분석을 통한 모형효율 을 분석한 결과 실측치와 모의치의 상관계수가 0.91로 1 에 가까운 기울기를 보였고, 보정된 모형의 수문학적 매
개변수를 그대로 이용한 검증 결과 상관계수가 0.81로 보 정결과에 비해 낮은 결과를 보였지만 전반적으로 높은 상 관관계를 보여 HSPF 모형이 평창 지역의 월별 적설량을 잘 모의 하는 것으로 나타났다.
3.4 GCMs를 이용한 모형의 보정
편의보정 및 시간 분해모형을 통해 GCMs의 기후자료 값이 HSPF의 입력자료 값으로 이용된 후 모형의 적설량 보정결과는 Table 6과 같다. GCMs의 경우 정확한 결과 값의 도출보다는 경향 분석에 목적을 두고 있기 때문에 해
GCMs Scenario Mean
A1B A2 B1
BCCR-BCM2.0 0.78 0.09 0.73 0.53
CGCM3.1 (T47) 0.73 0.72 0.64 0.70
CNRM-CM3 0.73 0.73 0.54 0.67
CSIRO-Mk3.0 0.51 0.82 0.73 0.69
GFDL-CM2.0 0.93 0.37 0.87 0.72
GFDL-CM2.1 0.70 0.93 0.78 0.80
GISS-ER 0.76 0.92 0.83 0.84
INM-CM3.0 0.83 0.70 0.84 0.79
IPSL-CM4 0.81 0.95 0.87 0.88
MIROC3.2 0.76 0.94 0.79 0.83
ECHO-G 0.67 0.83 0.94 0.81
ECHAM5/MPI-OM 0.87 0.89 0.70 0.82
MRI-CGCM2.3.2 0.82 0.81 0.90 0.84
PCM 0.81 0.84 0.77 0.81
CCSM3 0.76 0.55 0.81 0.71
MO-HadCM3 - 0.74 0.69 0.72
Total mean 0.76 0.74 0.78 0.76
Table 6. Statistical Analysis (Correlation coefficient, R) Based on Calibration Results using GCMs Ensenbles (Values in shaded areas indicate R above 0.90)
당 년도의 각 월별 적설량을 비교하기 보다는 보정 기간 의 전체 평균 월별 적설량 값을 이용하여 모형의 모의값과 실측값의 상관관계를 도출하였다. 그 결과, A2시나리오를 가지고 있는 IPSL-CM4 모형이 0.95로 가장 높은 상관관 계를 나타내고 있고, A2 시나리오를 가진 BCCR-BCM2.0 모형이 0.09로 가장 낮은 상관관계를 나타내었다. 각 GCMs 의 평균 상관계수에서는 전체 GCMs의 평균이 0.76로 나 타났으며 IPSL-CM4모형이 0.88로 가장 높은 상관계수를 보였고, BCCR-BCM2.0 모형이 0.054로 가장 낮은 상관계 수를 나타내었다. 전체 GCMs의 시나리오에 따른 상관계 수 분석결과, B1 시나리오가 전체 평균 0.78로 가장 높은 상관계수를 나타냈고, A1B시나리오가 0.76, A2의 시나리 오가 0.74로 가장 낮은 상관계수를 각각 보여 세 시나리오 의 상관계수의 차이는 크게 다르지 않게 나타났다.
3.5 GCMs를 이용한 2018년 적설량 예측 과거 평균 월별 적설량자료를 바탕으로 2018년 평창지 역의 1～3월까지의 월별 적설량을 예측한 결과는 Table 7 과 Fig. 14와 같다. 적설량 예측에 사용된 GCMs는 분석 의 신뢰성을 높이기 위해 전체 GCMs를 적용하지 않고, GCMs 보정을 통해 상관관계가 0.81 이상인 22개의 GCMs 적설량 예측 결과만을 나타내었다. 2018년 1월 적설량 예 측결과 22개 전체 GCMs는 평균 46.0 cm의 적설량으로
과거 1월 적설량에 비해 -17.6%가 감소한 결과를 보였으 며, A1B시나리오를 가진 INM-CM3.0 모형에서는 103.9 cm의 적설량으로 40.9%로 가장 많은 적설량을 보여주고 있다. 또한, A2 시나리오를 나타내는 CSIRO-Mk3.0 모형 은 -93.35%까지 감소되어 3.71 cm의 적설량을 나타내어 가장 많은 적설량 감소를 보여주는 것으로 예측되었다.
2018년 2월 적설량 예측결과 평균 51.3 cm 적설량이 발생 하는 것으로 모의되어 과거 적설량에 비해 -9.4%의 적설 량이 감소되는 것으로 나타났으며, B2 시나리오를 가진 GISS-ER 모형이 96.9 cm의 적설량이 모의되어 과거 적 설량에 비해 가장 높은 73.5% 증가를 보였고, A1B1 시나리 오를 가진 ECHAM5/MPI-OM 모형이 3.5 cm의 적설량을 모의하여 -93.7%의 가장 높은 적설량 감소를 예측하였다.
3월의 적설량은 총 평균 51.8 cm의 적설량을 예측하여 과 거 3월 평균 -7.3% 감소된 적설량을 모의하였으며, B1 시 나리오를 가진 GISS-ER 모형이 107.7 cm 적설량을 모의 하여 가장 높은 92.7% 적설량 증가를 예측하였다. 또한, B1 시나리오를 가진 ECHO-G 모형이 12.6 cm의 적설량을 모 의하여 과거 3월 적설량보다 -100%까지 감소되어 가장 많 은 적설량 감소를 나타내었다. 총 22개의 GCMs는 GCM 의 종류에 따라 적설량의 증가 또는 감소패턴을 보여주고 있지만 월별 평균으로 살펴본 결과는 1～3월의 적설량의 경우 -7.3～-17.3 %범위 내에서 감소하는 것으로 나타나
GCMs Scenario January (%) February (%) March (%) Mean (%) CSIRO-Mk3.0 A2 3.7 (-93.4) 20.3 (-63.8) 36.8 (-34.1) 20.3 (-63.7) GFDL-CM2.0 A1B 55.7 (-0.3) 71.7 (28.3) 69.4 (24.3) 65.6 (17.4)
B1 14.3 (-74.5) 54.3 (-2.8) 29.6 (-47.1) 32.7 (-41.5) GFDL-CM2.1 A2 76.4 (36.7) 19.8 (-64.6) 10.9 (-80.5) 35.7 (-36.1) GISS-ER A2 21.2 (-62.0) 44.5 (-20.5) 89.4 (59.9) 51.7 (-7.5)
B1 33.4 (-40.3) 96.9 (73.5) 107.7 (92.7) 79.3 (42.0) INM-CM3.0 A1B 103.9 (86.0) 43.3 (-22.5) 16.4 (70.7) 54.5 (-2.4) B1 61.7 (10.4) 73.1 (30.9) 90.8 (62.6) 75.2 (34.6)
IPSL-CM4
A1B 78.2 (39.9) 82.5 (47.6) 106.4 (90.3) 89.0 (59.3) A2 95.7 (71.2) 94.7 (69.4) 96.3 (72.3) 95.5 (71.0) B1 90.1 (61.2) 79.4 (42.0) 69.6 (24.6) 79.7 (42.6) MIROC3.2 A2 87.0 (55.7) 88.4 (58.2) 91.6 (63.8) 89.0 (59.2)
ECHO-G A2 82.1 (47.0) 87.4 (56.4) 95.8 (71.5) 88.5 (58.3)
B1 10.3 (-81.5) 3.5 (-93.4) 12.6 (-100) 7.1 (-91.6) ECHAM5/MPI-OM A1B 5.2 (-90.7) 3.5 (-93.7) 12.6 (-77.5) 7.1 (-87.3) A2 14.9 (-73.4) 41.1 (-26.4) 7.3 (-86.9) 21.1 (-62.2)
MRI-CGCM2.3.2
A1B 40.4 (-27.8) 49.5 (-11.4) 56.0 (0.3) 48.6 (-13.0) A2 6.1 (-89.2) 14.5 (-74.0) 10.6 (-81.1) 10.4 (-81.4) B1 6.1 (-89.0) 18.9 (-66.2) 28.1 (-49.6) 17.7 (-68.3) PCM A1B 27.4 (-50.9) 34.9 (-37.5) 20.3 (-63.7) 27.5 (-50.7) A2 91.0 (62.9) 89.3 (59.8) 89.1 (59.5) 89.8 (60.7)
CCSM3 B1 8.0 (-85.7) 2.4 (-95.7) 5.6 (-90.0) 5.4 (-90.4)
Mean 46.0 (-17.6) 50.6 (-9.4) 51.8 (-7.3) 49.5 (-11.4) Table 7. Simulation Results of Monthly Snow Depth using GCMs Ensenbles in 2018 (unit: cm)
Fig. 14. Monthly Snow Depth in the Study Area using GCMs Ensembles in 2018
2018년의 1～3월에 대한 GCMs의 적설량 평균값에서 전체 적으로 -11.4%의 적설량이 감소되는 것으로 분석되었다.
4. 결 론
본 연구에서는 올림픽 개최예정 도시인 평창지역을 대 상으로 수문모의를 하였으며 유출량은 평창 유량 측점지 역을 대상으로, 적설량은 대관령 기상 측정지점을 기준으 로 1997～2010년에 대해 모형의 검·보정을 실시하였다.
편의보정과, 시간적 분해모형을 적용한 48개의 GCMs의 출력값을 수문모형의 입력값으로 활용하여 장기수문유출
및 적설량을 모의하였으며 그 결과 값은 다음과 같다.
1) 실측기상 자료를 이용한 유출량의 검정 결과 일별 상관계수 및 모형효율은 각각 0.85 0.75로 나타났으 며 월별 상관계수 값은 각각 0.94, 0.86으로 나타나, 모형의 보정 정도는 일별에서는 좋은(good), 월별에 서는 매우 좋음(very good)으로 나타났다.
2) GCMs에서 발생된 기상자료를 수문모형의 입력자 료로 활용하여 보정과정에서 결정된 수문매개변수 를 이용한 유출량 보정 결과 일별 상관계수 및 모형 효율은 각각 0.81, 0.63으로 나타났고, 월별 값은 각 각 0.96, 0.96으로 일별에서는 보통으로 나타났지만,
월별 모형 검증정도에서는 매우 좋은 것으로 나타 나 보정된 HSPF는 평창 지역의 수문현상을 잘 모 의 하는 것으로 나타났다.
3) 실측기상 자료를 이용한 HSPF의 월별 적설량 검·보 정의 상관계수는 각각 0.91, 0.81인 것으로 나타나 HSPF는 평창지역의 적설량을 전반적으로 잘 모의 하고 있는 것으로 나타났다.
4) 총 48개의 편의 보정 및 시간적 분해모형이 적용되어 진 GCMs를 이용한 HSPF의 평균 월별 적설량을 모의 보정결과 최고 상관계수는 A2 시나리오를 가진 IPSL- CM4모델에서 0.95로 나타났으며 최저 상관계수는 A1B 시라니오를 가진 MO-HadCM3 모형에서 0.00 인 것으로 나타났다. 각 시나리오별 평균 상관관계에 서 B1 시나리오가 0.78로 가장 높은 상관관계를 보였 고, A1B 시나리오가 0.76, A2 시나리오가 0.74 순으 로 모형의 상관성을 나타내었다. 전체 GCMs는 평균 0.76의 상관계수를 보이고 있는 것으로 나타나 전반 적으로 월별 적설량을 잘 모의 하는 것으로 나타났다.
5) 보정된 GCMs 중 상관관계가 0.81이상인 GCMs를 선택하여 2018년 평창지역의 적설량을 예측한 결과 1월 적설량은 평균 -17.5% (46.0 cm)의 감소된 결과 를 중심으로 A1B 시나리오를 가진 INM-CM3.0 모 형에서 최고 86.0%(103.9 cm)의 적설량의 증가를 모 의하였고, A2 시나리오를 가진 CSIRO-Mk3.0 모형 에서 최고 -93.4%(3.7 cm)의 적설량의 감소가 예측되 었다. 또한, 2월 달의 적설량 모의는 평균 -9.4% (50.6 cm)의 적설량 감소를 보였고 특히, B1 시나리오를 가진 GISS-ER 모형이 최고 73.5% (96.6 cm)의 적설 량 증가를, 그리고 A1B 시나리오를 가진 ECHAM5/
MPI-OM모형이 최고 -93.70% (3.5 cm)의 적설량 감 소를 모의하였다. 마지막으로 3월의 적설량의 경우 평균 -7.3% (51.8 cm)의 적설량의 감소를 모의하였 으며 B1 시나리오를 가진 GISS-ER 모형이 최고 92.7% (107.7 cm)의 적설량 증가를 예측하였고, B1 시나리오를 가진 CCSM3 모형이 최고 -90.0% (5.6 cm)의 적설량의 감소를 예측하였다. 2018년의 적설 량 예측은 각 시나리오별 GCMs의 적용특성에 따라 적설량의 증가와 감소의 특성을 모두 보이고 있는 것으로 나타났지만 전체 GCMs의 월별 적설량은 감 소된 결과를 보였다. 이는 만약, GCMs에서 모의된 시나리오 상황처럼 적설량이 현재 평균 적설량에 비 해 약 -90%의 적설량 감소를 가져오는 기상현상이 나타날 경우 올림픽기간 동안 눈 부족 등의 문제점
이 발생 할 수 있다. 이를 위한 대책으로는 Cloud Seeding 등과 같은 기상조절연구의 지속적인 투자와 전문성을 확보할 필요가 있고, 인공설 확보 등의 미 래 발생 가능한 상황에 대해 장비구입 등 적절한 대 비책이 필요하다. 하지만 GCMs의 경우 특정지역의 기상을 예측하는 것이 아니라 광범위한 지역의 기상을 예측하기 때문에 특정 지역의 기상 예측에서 발생될 수 있는 불확실성과 같은 단점 또한 지니고 있다. 이러 한 문제를 해결하고 보다 정확한 기상예측을 위해서 는 GCMs 모형을 활용하여 특정지역의 기후, 기상 특징을 모두 반영하는 지역기상예측 모형(Regional Climate Model)을 적용해 봄으로써 보다 정확한 기 상예측 모의를 통해 기상이변에 대한 조기경보시스 템 개발 등의 추가적인 연구가 필요할 것이다.
REFERENCES
Kim, K.-N. (2009). “Gangwon-do's Long-term Climate Change Estimation Study[I] (2009).”Research Institute for Gangwon, Research Report 09-42, p. 133 Bae, D.H., Jung, I.W., Lee, B.J., and Lee, M.H. (2011).
“Future Korean Water Resources Projection Consi- dering Uncertainty of GCMs and Hydrological Models.”
Journal of Korean Water Resources Association, Vol.
44, No. 5, pp. 389-406.
Acharya, A., and Ryu, J.H. (2012). “Streamflow disag- gregation using a relatively simple method for regulated and unregulated waterways.”Journal of Hydrologoic Engineering (under reviewing).
Arnell, N.W. (1999). “A simple water balance model for the simulation of streamflow over a large geographic domain.” Journal of Hydrologic Engineering, Vol.
217, No. 3-4, pp. 314-335.
Bicknell, B.R., Imhoff, J.C., Kittle, J.L., Jobes, T.H., and Donigian, A.S. (2001). Hydrological Simulation Pro- gram-Fortran HSPF Version 12 User’s Manual. US Environmental Protection Agency,National Exposure Research Laboratory, Athens, Georgia, USA.
Campbell, J.L., Driscoll, C.T., Pourmokhtarian, A., and Hayhoe, K. (2011). “Streamflow responses to past and projected future changes in climate at the Hubbard Brook Experimental Forest, New Hampshire, United States.”Water Resource Research, Vol. 47, pp. 2514-
2529.
Cayan, D.R., Maurer, E.P., Dettinger, M.D., Tyree, D., and Hayhoe, K. (2008). “Climate change scenarios for the California region.”Climate Change, Vol. 87, No. 1, pp. 21-42.
Christensen, N.S., and Lettenmaier, D.P. (2007). “A multi- model ensemable approach to asseement of climate change impacts on the hydrology and water resources of the Colorado River Basin.”Hydrology and Earth System Sciences, Vol. 11, No. 3, pp. 1417-1434.
Donigian, A.S. (2002). Watershed Model Calibration and Validation: The HSPF Experience, National TMDL Science and Policy Specialty Conference 2002.Water Environment Federation, Phoenix, Arizona.
EPA. (2000). EPA BASINS Technical Note 6: Estimating Hydrology and Hydraulic Parameters for HSPF. U.S.
Environmental Protection Agency, Office of Water, Washington, DC, USA.
FAO. (1998). Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56.
Natural Resources Management and Environment Department. chart 3.
Hayhoe, K., Cayan, D., Field, C.B., Frumhoff, P.C., Maurer, E.P., Miller, N.L., Moser, S.C., Schneider, S.H., Cahill, K.N., Cleland, E.E., Dale, L., Drapek, R., Hanemann, M., Salkstein, L.S., Lenihan, J., Lunch, C.K., Neilson, R.P., Scheridan, S.C., and Verville, J.H. (2004). “Emissions pathway, climate change, and impacts on California.”
Proc. Natl, Acad, Sci. U.S.A., Vol. 101, No. 12, pp. 422-427.
Im, E.S., Jung, I.W., Chang, H., and Bae, D.H. (2010).
“The temporal and spacial structures of recent and future trends in extreme indices over Korea from a regional climate projection.”International Journal of Climatology, Vol. 31, No. 1, pp. 72-86, 10.1002/joc.2063.
Li, H., Sheffied, J., and Wood, E.F. (2010). “Bias correc- tion of monthly precipitation and temperature fields from Intergovernmental Panel on Climate Change AR4 models using equidistant quantile matching.”
Journal of Geophysical Research, Vol. 115, pp. 148-227.
Maurer, E.P., and Hidalogo, H.G. (2008). “Utility of daily vs. monthly largescale climate data; An intercomparison of two statistical downscaling methods.”Hydrol. Earth Syst. Sci., Vol. 12, pp. 551-563.
Maurer, E.P., Hidalgo, H.G., Das, T., Dettinger, M.D., and Cayan, D.R. (2010). “The utility of daily large-scale climate data in the assessment of climate change impacts on daily streamflow in California.”Hydrology and Earth System Sciences, Vol. 14, pp. 1125-1138.
Mimikou, M.A., Baltas, E., Varanou, E., and Pantazis, K.
(2000). “Reginoal impacts of climate change on water resources quantity and quality indicator.”Journal of Hydrologcy, Vol. 234, pp. 95-109.
Monteith, J.L. (1965). “Evaporation and environment. pp.
205-234. In G.E. Fogg Symposium of the Society for Experimental Biology.”The State and Movement of Water in Living Organisms, Vol. 19, Academic Press, Inc., NY.
Nash, J.E., and Sutcliffe, J.V. (1970). “River flow foreca- sting through conceptual models.”Journal of Hydrology, Vol. 10, No. 3, pp. 282-290.
Praskievicz, S., and Chang, H. (2009). “A review of hydrological modeling of basin-scale climate change and urban developemnt impact.”Physical Geography, Vol. 33, No. 5, pp. 650-671.
Ryu, J.H., Palmer, R.N., Wiley, M.W., and Jeong, S.M.
(2009). “Mid-range Streamflow Forecasts based on Climate Modeling-Statistical Correlation and evalua- tion.” Journal of the American Water Resources Association, Vol. 45, No. 2, pp. 355-368.
Shin, H.-J., and Kim, S.J. (2007). “Assessment of Climate Change Impact on Snowmelt in the Two Mountainous Watershed Using CCCma CGCM2.”KSCE Journal of Civil Engineering, Vol. 11, No. 6, pp. 311-319.
Vliet, M.T.H., Yearsely, J.R., Franssen, W.H.P., Sudwiing, F., Haddeland, I., Lettenmaier, D.P., Lettenmaier, D.P., and Kabat, P. (2012). “Coupled daily streamflow and water temperature modeling in large river basins.”
Hydrology and Earth System Sciences, Vol. 9, pp.
8335-8374.
Wilby, R.L. (2005). “Uncertainty in water resource model parameters used for climate change impact assess- ment.” Hydrological Processes, Vol. 19, No. 16, pp.
3201-2119.
논문번호: 12-106 접수: 2012.09.13 수정일자: 2012.10.12/10.17/10.22 심사완료: 2012.10.22
