Water for Future
기후변화 적응전략 수립을 위한 상세화모형의 적용
1. 상세화기법의 필요성
지구온난화로 인해 전 지구적 에너지 흐름의 변 화가 발생하고 이로 인해 전 지구적 물순환이 가 속화되어 지역적으로 더욱 극심한 홍수 또는 가뭄 과 같은 자연재해를 야기한다(IPCC, 2014). 특히, 이러한 기후변화로 인한 물순환의 변화로 인해 지 역단위의 수문 및 생태시스템에 더욱 심각한 영향 을 발생시킨다. Coupled Model Intercomparison Project Phase 5(CMIP5)는 세계 28개 기관 의 61개 기후모형으로부터 Representative Concentration Pathway(RCP) 2.6, RCP4.5, RCP6.0, RCP8.5와 같이 4가지 대표경로에 대 한 기후변화 시나리오를 제공하고 있다(Meehl et al., 2007). CMIP5 기후변화 시나리오는 전지구 적 영향평가를 위한 중요한 기후정보를 제공하고 는 있지만 불행하게도 지역단위 기후변화 영향평 가를 위한 공간해상도와 CMIP5 기후모형에서 제 공되는 공간해상도의 불일치가 발생한다. 이를 해
소하기 위해 전지구규모의 기후정보를 지역단위 기후변화 영향평가와 더불어 기후변화 적응전략 수립을 위한 공간해상도의 기후정보로 재생산하 기 위한 상세화모형이 요구된다. 상세화방법에는 크게 물리적 프로세스를 기반으로 한 역학적 상세 화와 전지구모형 자료와 관측자료 사이의 통계특 성에 대한 상호 상관관계를 활용하는 통계적 상세 화로 구분한다. 역학적 상세화기법은 높은 수준의 전문성 및 상당한 계산시간과 저장공간 등이 요구 됨에도 불구하고 아직까지 상당한 편이를 보이고 있다. 이에 반해, 통계적 상세화기법은 상대적으 로 짧은 계산시간과 간단한 프로세스로 적용하기 쉬운 장점을 가지고 있다. APEC 기후센터에서는 국토부에서 실시하는 “AR5 RCP 기반 MME 기후 및 고해상도 중장기 수문 시나리오 생산 및 평가 기술 개발” 연구를 통해 국내 실정에 적합한 상세 화된 기후 및 수문 시나리오 생산 기술 개발 및 체 계화를 통해 기후변화 연구의 신뢰성 향상에 기여 하고자 하였다. 본 연구에서는 그림 1에서 제시한 국내 상세화된 기후 및 수문 시나리오 생산 및 제 공 시스템에서 사용된 통계적 상세화기법에 대해 언급하고자 한다.
음 형 일 ●●●
APEC 기후센터 선임연구원 hieum01@apcc21.org
Water for Future
2. Model Output Statistics(MOS) 기법
지역규모의 공간해상도를 가진 기후자료를 제 공하기 위한 통계적 상세화기법에는 그림 2에 서 제시한 바와 같이 Perfect Prog(PP)와 Model Output Statistics(MOS)기법이 있다. PP기법은
가용한 기후모형 자료 중 가장 신뢰도 있는 재분 석자료와 관측자료를 활용하는 방식으로 재분석자 료 중 관측자료와 가장 높은 상관관계를 가진 기 후변수를 선정하고 이를 바탕으로 상세화를 위한 함수를 형성하는 방식이다. PP기법은 다양한 기후 모형에서 제공하는 변수를 사용하여 기 수립된 동 그림 1. 국내 상세화된 기후 및 수문 시나리오 생산 및 제공 시스템(정일원 등, 2015)
(a) PP
Water for Future
일한 함수를 통해 상세화를 실시하게 된다. 그러 나 각 기후모형은 다양한 구조를 가지고 있고 이 를 통해 모형별로 매우 상이한 기후정보를 제 공하게 된다. 따라서 PP를 사용하게 될 때 각 기후모형 별 특성을 고려하지 못하게 되므로 좋지 못한 예측정보를 생성하게 된다. 그러나 MOS기법은 관측자료와 기후모형 정보의 상 관관계를 기후모형별로 형성하고 상세화를 실 시한다. 즉 그림 2(b)에서 보여준 바와 같이 기후모형 정보가 상세화모형 수립과 예측에 모두 사용되게 된다. 따라서 각 기후모형의 특 성을 상세화모형에서 고려할 수 있기 때문에 예측정보의 정확도가 향상된다. 따라서 최근 에는 MOS기법이 많이 사용된다.
MOS기법 중 Bias Correction/Spatial Disaggregation(BCSD)나 Bias Correction/
Constructed Analog(BCCA)와 같은 상세화 모형이 전 세계적으로 많이 사용된다. NASA 에서는 전 지구를 대상으로 BCSD를 사용하 여 25km의 공간해상도를 가진 상세화된 일강
수 및 최고·최저기온 자료를 배포하고 있다(그림 3 참조). 또한 Downscaled CMIP3 and CMIP5 그림 2. PP기법과 MOS기법 모식도
(Source: http://www.met.tamu.edu/class/metr452/models/2001/output.html#Statistical Weather Forecasting (b) MOS
그림 3. NASA Earth Exchange Global Daily Downscaled Projections (NEX-GDDP) 홈페이지(https://cds.nccs.
nasa.gov/nex-gddp/)
Water for Future
Climate and Hydrology Projections(DCHP, http://gdo-dcp.ucllnl.org/downscaled_cmip_
projections/dcpInterface.html)에서는 BCSD와 BCCA를 통해 미 전역에 대한 상세화된 자료뿐만 아니라 분포형 수문모형인 Variable Infiltration Capacity(VIC)모형을 통해 수문 시나리오를 제공 하고 있다.
3. 상세화모형
본 연구에서는 앞 절에서 언급한 NEX-GDDP 와 DCHP에서 사용된 BCSD에 대해 면밀히 소개 하고자 한다. BCSD는 다양한 GCM에서 생산되는 기후정보를 분포형 수문모형의 입력 자료에 부합 하는 해상도로 가진 지역 기후자료를 생성하기 위 해 개발되었다(Wood et al., 2004). 기존 BCSD 적용방식은 관측 자료를 GCM 격자로 분포시킨 후 일 자료를 월 자료로 변경해서 이를 바탕으로 관측 자료와 GCM 자료에 대한 경험적 누가밀도 함수를 구성한다. 그리고 각 격자마다 식 (1)에서 제시한 것과 같이 Qunatile Mapping(QM)을 통 해 편이보정을 실시한다. 그리고 편이보정된 결과 값을 다시 관측점으로 분포시키는 방식을 취한다.
(1)
여기서 각각 시간 t 에
서 편이보정이 이루어진 전과 후의 값을 나타내고 는 전지구모형을 통해 생성된 과거기간의 누 적밀도함수를 나타내며 는 관측 자료의 누 적밀도함수의 역함수를 나타낸다. 식(1)에서 p는 projection을 h는 과거기간을, m은 전지구모형을, o는 관측을 나타낸다. 기존방식에서는 편이보정된 상세화된 월 자료를 생성하기 때문에 수문모형의 일반적인 시간해상도인 일 자료를 얻기 위해 시간 적 분해(temporal disaggregation)가 필요하다.
이러한 과정으로 인해 GCM에서 제공하는 일 자료 의 특성이 배제되는 단점을 가지고 있다. 따라서 시간분해방식을 BCSD 과정에서 배제하고 편이보 정 시 계절성을 고려한 일 자료의 상세화를 위해 Abatzoglou and Brown(2012)은 daily BCSD를 제시하였다. Daily BCSD는 거리가중법을 통해 공 간적 분해(spatial disaggregation)를 실시한 후 편이보정하는 과정을 거치게 된다. 또한 해당지역 의 계절성을 반영하기 위해 해당 일의 앞뒤 15일 내 일 자료로부터 누가밀도함수를 구성하고 편이 보정을 실시한다. 예를 들어, 상세화를 위한 해당 일이 1월1일인 경우 12월 15일에서 1월 16일의 관 측 자료와 GCM자료를 통해 누가밀도함수를 형 성하고 식 (1)을 통해 편이보정을 실시한다. 본 연 구에서는 이러한 daily BCSD를 적용하였으며 이 를 통상 BCSD로 칭하였다. BCSD 내 편이보정 기법인 QM에서는 관측자료 범위 외의 기후정보 에 대해서는 극치분포 또는 회귀식 등 다양한 방 식을 통해 극값을 추산한다. 이러한 과정에서 기 온과 같이 장기추세가 강한 기후자료의 경우 미래 극한사상에 대해 잦은 외삽이 적용되어 분산증폭 (variance inflation)현상이 발생하여 그림 4와 같 이 GCM에서 모의된 장기추세가 왜곡되는 현상이 발생한다.
이러한 장기추세 왜곡을 최소화하기 위한 방법 으로 Quantile Delta Mapping(QDM)이 개발되 었다(Cannon et al., 2015). QDM은 모든 분위수 의 상대변화를 직접적으로 고려할 수 있기 때문에 평균뿐만 아니라 극값에 대한 장기추세를 고려할 수 있다는 장점이 있다. 그림 5는 QM과 QDM을 통해 얻어진 기온과 관련한 지수에 대한 absolute change bias를 나타낸다. Absolute change bias 는 기후모형을 통해 얻은 과거의 기준값이 되는 reference period와 미래 기간의 지수의 상대변화 와 QM과 QDM을 통해 산정한 상대변화의 차이를 의미한다. 즉, absolute change bias가 0에 가까 우면 GCM에서 추정한 장기추세를 유지하면서 편
Water for Future
이보정이 이루어졌다는 것을 의미한다. 그림 5에 서 보듯이 QM에서는 장기추세에 상당한 편이를
보이고 있으나 QDM은 장기추세를 매우 잘 유지 하고 있음을 알 수 있다.
그림 4. QM에 의한 장기추세 왜곡현상의 예(Eum and Cannon, 2016)
그림 5. QM과 QDM에 의한 미래 기간별 absolute change bias(Eum and Cannon, 2016) (a) GCM-projected
(a) QM
(b) QM
(b) QDM
4. 결 론
전지구모형을 통해 생성되는 기후변화 시나리 오를 지역단위 적용을 위한 공간해상도로 생성하 기 위한 상세화모형은 기후변화 영향평가 및 적응 전략 수립을 위한 매우 중요한 요소이다. 그러함
에도 불구하고 상세화모형이 기후변화 영향평가에 미치는 영향에 대한 면밀한 검토가 많이 이루어지 지 않은 것이 사실이다. 기후모형별 특성을 고려 한 MOS기법 중 국·내외에서 주로 사용되고 있 는 BCSD와 이에 대한 장·단점을 소개하였다. 또 한 전지구모형을 통해 유도된 극값에 대한 장기추
Water for Future
세를 고려할 수 있는 QDM기법을 소개하였고 이 에 대한 적용성을 검토하였다. QM을 적용할 경 우, 기후모형에서 유도된 장기추세를 상당히 왜곡 할 수 있음이 확인되었으며 QDM의 경우 장기추 세를 매우 잘 유지하고 있음을 확인하였다. 이는 어떤 상세화모형을 사용함에 따라 기후변화 영향 평가 및 적응전략 수립 시 상당한 영향이 미칠 수 있음을 제시하고 있다. 따라서 기후변화 적응전략 수립 시 전지구모형의 기후변화 시나리오뿐만 아
니라 상세화모형에 의한 불확실성을 고려하는 것 이 타당하다.
사사
본 연구는 국토교통부 물관리사업의 연구비지원 (14AWMP-B082564-01)에 의해 수행되었습니다
참고문헌
정일원, 신선희, 음형일, 김옥연, 이은정 (2015) 수자원의 기후변화전망 활용을 위한 기후 모델의 성능평가 및 상세화 연구동향 분석. CCAW 기술보고서
Abatzoglou, J.T., and Brown, T.J. (2012). “A comparison of statistical downscaling methods suited for wildfire applications.” International Journal of Climatology, Vol. 32, No. 5, 772-780.
Cannon, A.J., Sobie, S.R., and Murdock, T.Q. (2015). “Bias Correction of GCM Precipitation by Quantile Mapping: How Well Do Methods Preserve Changes in Quantiles and Extremes?” Journal of Climate, Vol. 28, 6938-6959.
Eum, H.-I., and Cannon, A.J. (2016) “Intercomparison of projected changes in climate extremes for South Korea: application of trend preserving statistical downscaling methods to the CMIP5 ensemble.” International Journal of Climatology, DOI: 10.1002/joc.4924.
IPCC (2014) Climate Change 2014: Mitigation of Climate Change. Contribution of WorkingGroup III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Chenage. Cambridge University Press, Cambridge, United Kingdom and New York.
Meehl, G.A., Covey, C., Delworth, T.L., Latif, M., McAvaney, B., Mitchell, J.F.B., Stouffer, R.J., and Taylor, K.E. (2007) “The WCRP CMIP3 multimodel dataset:
A new era in climate change research.” Bulletin of the American Meteorological Society, Vol. 88, 1383-1394.
Wood, A.W., Leung, L.R., Sridhar, V., and Lettenmaier, D.P. (2004) “Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs.” Climatic Change, Vol. 62, 189-216.
