1. 서 론
2. 연구방법 및 범위
3. 대상유역 및 모형 이론
3.1 대상유역
3.2 설마천 증발산량관측소
3.3 모형 이론
4. 자료처리 및 보충
4.1 자료처리
4.2 자료보충
5. 공간증발산량 분석 및 평가
5.1 공간증발산량 분석
5.2 공간증발산량 평가
6. 결론 및 토의
1. 서 론
증발산량(Evapotranspiration)은 국가 물 관리, 수자원 계획 및 개발, 물 순환 과정의 규명, 가뭄 분석 등에 다목적으로 활용되는 기초자료가 된다(MOLT, 2018). 그러나 우리나라에서는 환경부 4대강 홍수통제소와 한국수자원공사 등의 관련기관에서 매우 한정된 지점에서 증발산량 자료를 생산하고 있다. 이들 증발산량관측소는 에디공분산(Eddy Covariance) 기반으로 운영되고 있으며 환경부 4대강 홍수통제소는 10개소, 한국수자원공사는 2개소를 운영하고 있다. 에디공분산 방법은 에너지 보존방정식에 근거하며, 수증기 농도와 연직풍속의 두 계열의 공분산(Covariance) 값으로 증발산량을 산정한다. 국가증발산량관측망에는 25개소의 증발산량관측소가 계획되어 있다. 이를 토대로 환경부 4대강 홍수통제소에서는 증발산량관측소를 신설 중에 있으나 현재에는 12개소의 증발산량관측소만 운영되고 있다. 이와 같은 측면을 감안하여 볼 때 우리나라 증발산량은 인공위성 기반의 자료와 연계·생산하여 공간 정보화하는 것이 합리적이며, 현 시점에서는 공간 정보화 체계 구축이 시급할 것으로 판단된다.
우리나라 공간증발산량 산정에 활용할 수 있는 위성으로는 Landsat (MSS, TM), NOAA (AVHRR, TOVS), AQUA (MODIS) 등이 있으나, Lee et al. (2015)은 MODIS 기반의 공간 증발산량은 지상관측 값보다 상대적으로 큰 값을 가짐을 규명한 바 있다. 이에 본 연구에서는 GLDAS (Global Land Data Assimilation System)와 GLEAM (Global Land Evaporation Amsterdam Model)의 공간증발산량의 적정성 평가에 목적을 두고 지상에서 관측된 자료와 비교 ․ 검증을 수행하였다. 위성기반의 증발산량 산정 연구 동향을 보면 Nishida et al. (2003b)은 MODIS 자료와 지상에서 관측된 기상자료를 이용하여 증발산량을 추정하는 알고리즘을 개발하였다. Cleugh et al. (2007)은 MODIS (Moderate-Resolution Imaging Spectro-Radiometer) 위성자료를 기반으로 호주의 상록수림과 열대 초원지역을 대상으로 Penman-Monteith 방법으로 증발산량을 산정하여 두 지역의 특성을 평가하였다. Mu et al. (2009)은 Cleugh et al. (2007)의 RS-PM 방법을 개선하여 공간 해상도 1 km2의 전 지구규모의 증발산량을 산정하였다. Jang et al. (2009)은 Mu et al. (2009)에 의해 제안된 Revised RS-PM 알고리즘에 대한 구동기반을 구축하고, 국내의 광릉 낙엽활엽수림과 해남 밭 경작지의 플럭스 연구지역에서 증발산량을 산정하였다. Lee et al. (2015)은 MODIS 자료를 Revised RS-PM 알고리즘으로 증발산량을 산정한 후 물수지 분석을 통해 MODIS 위성 기반의 증발산량을 평가하고 MODIS 위성 기반의 증발산량은 실제 증발산량을 대표하는 데는 한계가 있음을 보여주었다.
최근 MODIS 증발산량 뿐만 아니라 GLDAS, GLEAM의 증발산량도 전 지구적으로 공간 정보화되어 제공되고 있다. 그러나 이들의 자료를 활용함에 있어 우선적으로 적정성에 대한 평가가 선행되어야 할 것으로 판단된다. 이에 본 연구에서는 GLDAS, GLEAM 등의 자료로부터 증발산량을 추출하여 지상 실측자료와 비교·검증하여 그 적정성을 평가하였다.
2. 연구방법 및 범위
본 연구에서는 GLDAS와 GLEAM 증발산량의 적정성을 평가하기 위해 설마천 유역을 대상유역으로 선정하였다. 본 유역을 연구 대상유역으로 선정한 이유는 설마천 증발산량관측소가 2007년부터 현재까지 운영되고 있는 데에 있다. 본 연구의 방법과 내용적인 범위를 기술하면 다음과 같다. 첫째, 설마천 증발산량관측소에서 2개년(2017, 2018년) 간의 잠열플럭스를 수집하여 Koflux 프로그램으로 자료를 처리한 후 Eddy Covariance 기반의 증발산량을 생산하였다. 둘째, 자료처리 후 발생된 빈구간에 대한 자료보충을 위해 FAO-PM (Food and Agriculture Organization-Penman Monteith), 평균 일변동(Mean Diurnal Variation, MDV), 칼만 필터(Kalman Filter)의 3가지 방법으로 대체 증발산량을 산정하였다. 셋째, 3가지 방법으로 산정된 증발산량 계열과 에디공분산 계열로 통계량(Bias와 RMSE)을 산정하여 자료보충 방법을 평가하였다. 넷째, GLDAS의 공간증발산량은 3시간, 공간해상도 0.25°를 갖는 Noah (version 2.1)로 산정하였다. 다섯째, GLEAM의 공간증발산량은 Priestley and Taylor (1972) 방정식 기반의 GLEAM (version 3.1a)를 활용하여 산정하였다. 여섯째, GLDAS와 GLEAM의 공간증발산량의 적정성을 평가하기 위해 Bias, RMSE, r, IOA의 통계량을 산정하였다. Fig. 1은 본 연구의 내용적 범위와 절차를 나타낸다.
3. 대상유역 및 모형 이론
3.1 대상유역
설마천 유역은 임진강 하구에서 약 46 km 떨어진 임진강의 제 1 지류로서 동경 126° 52'44'' ~ 126° 58'40'', 북위 37° 55'00'' ~ 37°58'05''에 위치하며, 유역면적 18.56 km2, 유로연장 10.77 km이다. 설마천은 전형적인 급경사 산지 사행하천이며, 전형적인 급경사 산지 사행하천이다. 설마천 유역은 경기편마암 복합체로 구성되어 있고, 유역의 남부에는 호상의 엽리를 보이는 편마암이 우세하고, 북부로 가면서 안구상 편마암이 우세하게 발달되어 있다. 설마천 유역은 절리가 많이 발달되어 있으나, 절리나 단층이 틈이 좁고 연장성이 강하지는 않아서 초기강우 시 소량의 강우에는 하천의 수위에 큰 변화가 없고, 파쇄대를 채우고 난 이후에는 하천 수위가 급격히 증가하는 현상을 보인다. 설마천 유역의 90% 이상은 주로 20 ~ 40년 수령의 침엽수와 활엽수로 구성되었으며 침엽수는 조림수이다. 표토는 얕아서 수분 함양능력이 비교적 낮고 산지 사면에 산재한 다량의 돌과 자갈은 집중호우 시 토석류를 유발할 수 있는 특성을 지닌다(KICT, 2013). Fig. 2는 설마천 유역의 위치도를 나타낸다.
3.2 설마천 증발산량관측소
설마천 증발산량 플럭스 타워 높이는 20 m이며, 이 타워에 Eddy Covariance 및 미기상 관측시스템이 장착되어 있다(2007년 8월 관측 개시). 플럭스 타워 19 m 높이에는 3차원 초음파 풍향풍속기 CSAT3가 설치되어 있다. 고속반응 적외선 기체분석기(LI-7500)는 18.8 m에 설치되어 있고, 자동기상시스템(Automatic Weather System; AWS (모델 WXT510))과 순복사계도 약 19 m 높이에 장착되어 있다. 군락 하부의 기상변화를 조사할 목적으로 자동기상시스템이 플럭스 타워 2 m 높이에 설치되어 있다. 토양 관련 자료를 관측할 목적으로 타워 북동쪽 약 1 m 가량 떨어진 곳에 토양 열전대센서(0 ~ 0.05 m, 0.05 ~ 0.1 m, 0.1 ~ 0.2 m 깊이)와 토양수분 센서(0 ~ 0.2 m 깊이)가 설치되어 있다(MOLT, 2018). Fig. 3과 Table 1은 설마천 증발산량 관측시스템을 나타낸다.
Table 1.
Eddy covariance system (MOLT, 2018)
3.3 모형 이론
3.3.1 에디공분산(Eddy Covariance) 방법
에디공분산 방법은 보존 방정식에 근거를 두고 있으며, 그 표현은 Fig. 4 및 Eq. (1)과 같다. Eq. (1)은 I항 ~ IV항으로 구성되는데, I항은 저류항으로 관측 높이 아래에 저장된 수증기양, II항은 에디공분산항으로 연직 풍속과 수증기 농도의 공분산으로 계산되는 난류 수증기 플럭스를 의미한다. III ~ IV항은 각각 연직 이류항과 수평 이류항으로 연직 혹은 수평적으로 발생되는 수증기 농도 차가 연직 혹은 수평적으로 이류되는 수증기 양을 나타낸다.
여기서, NEEH2O는 증발산량(또는 수증기 플럭스, 즉 단위 시간당 단위 면적당 관측 높이 하부의 식생 군락이 대기와 교환한 순 수증기량), c는 수증기 농도, u와 w는 유선 속도와 연직 속도, h는 관측 높이를 나타낸다.
에디공분산 방법으로 관측된 잠열 플럭스로부터 일증발산량을 산정하기 위해서는 좌표변환(Planar Fit Rotation), 밀도보정(Webb Pearman Leuning, WPL) 계산, 이상치(Spike) 제거 등이 필요하다. 본 연구에서는 이와 같은 과정을 수행하기 위해 KoFlux 프로그램을 활용하였다. KoFlux 프로그램은 PFR은 다중회귀선형방정식(Eq. (2))으로부터 유출되는 계수(b0, b1, b2)를 사용하여 경사각(동서방향, 와 남북방향, β; Eqs. (3) and (4))을 구한다.
| $$\overline{w_m}=b_0+b_1\overline{u_m}+b_2\overline{v_m}$$ | (2) |
| $$\alpha=\sin^{-1}\left(\frac{-b_1}{\sqrt{b_1^2+b_2^2+1}}\right)\;\overline{w_m}=b_0+b_1\overline{u_m}+b_2\overline{v_m}$$ | (3) |
| $$\beta=\tan^{-1}\left(b_2\right)$$ | (4) |
KoFlux 프로그램은 복잡지형으로 인해 풍향에 따라 달라지는 경사도의 차이를 고려하기 위하여 Wilczak et al. (2001)이 제시한 PFR을 풍향에 따라 총 8개의 독립적인 평면(각 평면은 45도의 크기를 가짐)을 적용하여 좌표변환 계수를 계산한다(Yuan et al., 2007).
밀도보정은 측정된 수증기나 이산화탄소 농도의 편차에 영향을 주는 온도와 수증기 변동 효과를 보정하기 위해서 사용된다. 이러한 효과는 수증기나 이산화탄소의 농도를 밀도로 표시할 때 발생하며, 혼합비(mixing ratio)로 측정되었을 때는 그 특성상 나타나지 않는다. WPL 보정을 위한 식은 Eqs. (5) and (6)과 같다.
| $$\rho{\mathit'}_d=-\overline{\rho_{\mathit d}}\left(1+\overline{\chi_{\mathit v}}\right)\left(\frac{T\mathit'}{\overline{\mathit T}}-\frac{p\mathit'}{\overline p}\right)-\mu_v\rho{\mathit'}_v$$ | (5) |
| $$\overline{w\mathit'\rho{\mathit'}_{t,S}}\;=\overline{w\mathit'\rho{\mathit'}_t}-\overline{\omega_t}\;\overline{w\mathit'\rho{\mathit'}_d}$$ | (6) |
여기서, 는 질량 부피, 첨자 는 각각 건조공기, 수증기, 측정 기체를 뜻한다. 그리고 는 수증기 분자량에 대한 건조공기 분자량의 비, 는 건조 공기에 대한 수증기의 평균 몰분율, 는 건조 공기에 대한 측정 기체의 평균 질량비이며, 와 는 WPL 보정 후와 보정 전의 증발산량이다.
자료 처리에서 불확실성을 증가시키는 중요한 이유 중의 다른 하나는 여러 가지 원인으로 인해서 발생하는 튀는 자료(Spike)이다. 이러한 자료들을 제거하기 위해서 KoFlux 프로그램이 사용되고 있는데 본 프로그램은 Eq. (7)과 같이 연속된 3개의 관측 값의 차이를 이용하고 있다.
| $$d_i=\left(ET_i-ET_{i-1}\right)-\left(ET_{i+1}-ET_i\right)$$ | (7) |
계산된 d 지수가 절대값의 중앙값(Median)으로부터 벗어난 정도를 가지고 튀는 자료를 판단하게 된다.
3.3.2 자료보충 방법
에디공분산 방법으로 일, 월, 년의 증발산량을 정량화하기 위해서는 빈구간에 대한 자료보충은 반드시 필요한 사항이다. 측정된 자료에는 이상치가 포함되기 마련이며, 전력공급 등 운영상 여러 문제로 결측이 발생되기 때문이다. 이에 본 연구에서는 FAO-PM, MDV, Kalman-Filter를 자료보충 방법으로 이용하였다.
(1) FAO-PM(FAO-56 Penman-Monteith)
Allen et al. (1998)은 증발산량을 추정하는 데에 많이 쓰이는 Penman-Monteith 공식을 기준작물에 대한 몇몇의 변수를 가정하여 Eq. (8)와 같은 형태로 제시하였다.
| $$ET_o=\frac{0.408\triangle\left(R_n-G\right)+\gamma{\displaystyle\frac{900}{T+273}}u_2\left(e_s-e_a\right)}{\triangle+\gamma\left(1+0.34u_2\right)}$$ | (8) |
여기서, ETo는 기준 증발산량(mm/day), 는 포화증기압 함수의 경사(kPa/℃), Rn은 순 복사에너지(MJ/m2day), G는 토양열 플럭스(MJ/m2day), 는 Psychometric 상수 (kPa/℃), T는 평균온도(℃), u2는 2 m 높이에서 평균 풍속(m/sec), es는 포화수증기압(kPa) 그리고 ea는 실제 수증기압(kPa) 이다.
본 연구에서는 FAO-PM 방정식을 토대로 증발산량을 산정하기 위해서 플럭스 타워에서 관측된 미기상인자를 입력자료로 이용하였다. FAO-PM 식에 의해 산정된 증발산량은 수분 공급의 제한이 없다는 가정 하의 잠재증발산량(Latent Evapotranspiration, LE)으로 에디공분산 기반의 실제증발산량(Actual Evapotranspiration, AE)과는 구별된다. 이에 따라 본 연구에서는 자료보충(Gap-filling)의 신뢰도를 높이기 위해 Jensen이 1968년에 제시한 Eq. (9)을 이용하였다.
| $$ET=K_c\times ET_o$$ | (9) |
여기서, ET는 실제 작물 증발산량, ETo는 기준 작물 증발산량, Kc는 작물계수(Crop Coefficient)를 나타낸다. 본 연구에서는 에디공분산 기반 증발산량(ET)과 FAO-PM 기반 증발산량(ETo)의 비율로 월간 작물계수를 산정하였다(Table 2). 산정된 월간 작물계수는 30분간격 값의 평균치로서 일반적으로 작물계수가 Rice Paddy 0 ~ 1.20, Mixed Forest 0 ~ 1.0 범위의 값을 가지는 것으로 볼 때 산정된 작물계수는 적정한 것으로 판단된다. 연도별 작물계수의 특성을 보면 2018년의 작물계수가 작게 산정되었는데 이는 7월과 8월 중순까지의 극심한 가뭄영향이 반영된 것으로 판단된다.
Table 2.
Monthly crop coefficient (2017yr, 2018yr)
| Month | 2017yr | 2018yr | Month | 2017yr | 2018yr |
| 1 | 0.25 | 0.21 | 7 | 0.52 | 0.38 |
| 2 | 0.29 | 0.20 | 8 | 0.52 | 0.34 |
| 3 | 0.30 | 0.22 | 9 | 0.47 | 0.39 |
| 4 | 0.37 | 0.26 | 10 | 0.36 | 0.30 |
| 5 | 0.39 | 0.27 | 11 | 0.28 | 0.23 |
| 6 | 0.41 | 0.34 | 12 | 0.25 | 0.20 |
(2) 평균일변동(Mean Diurnal Variation, MDV) 방법
MDV (Mean diurnal Variation, 평균 일변동) 방법은 결측된 시점의 주변 값을 참고하여 결측된 시점의 값을 산정하는 방법으로 어떠한 시점은 그 전후 시점의 경향과 비슷하다는 가정을 전제로 한다(Falge et al. (2001)). 본 연구에서는 에디공분산 자료에 MDV 방법을 적용하여 대체증발산량을 산정하였다. MDV 방법에 있어서 중요한 것은 Window Size의 결정이다. Window Size는 이동평균에 활용되는 자료구간 수로서 본 연구에서는 Window Size를 6으로 하였다. 하지만 장마나 외부 요인에 의해 결측이 많이 발생한 달의 경우는 Window Size를 8 또는 10까지 확장하였다.
(3) Kalman Filter 방법
Kalman Filter 방법은 전시간의 값을 바탕으로 하여 다음 시간의 값을 예측하고 그 값을 다시 통계적 기법에 의해 보정하여 최적의 값을 추정하는 방법이다. Kalman Filter의 기본적인 식의 특성은 다음과 같다. Kalman Filter의 기본 식은 여러 가지 형태로 표현할 수 있지만 일반적으로는 시스템에 대한 방정식(Linear Discrete-Time Stochastic System Model)과 관측방정식(Linear Gaussian Measurement Equation)으로 표현할 수 있다.
| $$x_k=F_{k-1}x_{k-1}+G_{k-1}u_{k-1}+w_{k-1}$$ | (10) |
| $$z_k=H_kx_k+u_k$$ | (11) |
여기서, x는 상태 변수 벡터, z는 측정값 벡터이며, F, G, H는 각각 시스템 행렬, 입력 행렬 및 측정 행렬로서 해당 차원을 갖게 되는 Dimension Matrix의 특성을 갖는다. 또한, u는 제어 벡터로 불리며, w와 v는 평균이 0이고 상관성이 없으며 Gaussian 분포를 따르는 시스템과 관측값의 오차를 나타낸다. 본 연구에서는 결측 구간에 FAO-PM 방법과 MDV 방법을 통해서 계산된 대체 증발산값의 평균을 구하여 이를 입력자료로 활용하였다.
3.3.3 GLDAS 증발산량
지표면 모델인 GLDAS는 4가지 지표면 시물레이션 모델(Mosaic, Variable Infiltration Capacity (VIC), Noah, Community Land Model (CLM))을 기반으로 방대한 관측자료(인공위성 자료 및 지점 자료)을 통합한 자료동화 데이터시스템이라 할 수 있다(Fang et al., 2009). 또한 GLDAS는 공간해상도 2.5° ~ 1.0°, 시간해상도 3시간, 30일의 다양한 증발산량을 제공하며, 이 자료는 비교적 정확도가 높아 물 순환 해석, 물 손실량 산정 등에 활용되고 있다. GLDAS 자료의 기본 특성은 Table 3과 같다.
Table 3.
Basic characteristics of the GLDAS data (Fang et al., 2009)
3.3.4 GLEAM 증발산량
GLEAM (Global Land Evaporation Amsterdam Model)은 위성 데이터에서 지상 증발 및 뿌리 영역(Root Zone) 토양수분량을 추정하기 위한 일종의 알고리즘으로서, 전 지구 스케일의 일증발산량을 25 km × 25 km 공간해상도로 제공하고 있다(Miralles et al., 2011). GLEAM은 Priestley-Taylor 방정식을 토대로 지상 증발의 여러 구성 요소, 즉 증산(Transpiration), 나지 토양증발(Bare Soil Evaporation)과 수면증발(Open-Water Evaporation), 차단 손실(Interception Loss), 승화(Sublimation) 등을 고려하여 증발산을 계산한다(Miralles et al., 2011). GLEAM은 복사량, 강수량, 토양수분량 등과 같은 입력변수에 따라 다양한 데이터 셋을 제공하나 본 연구에서는 GLEAM의 데이터 셋 중 GLEAM_v3.1a 자료를 활용하였다. 증발산 산정에 이용되는 Priestley and Taylor (1972) 방정식은 Eq. (12)와 같다.
| $$\lambda E_p=\alpha\frac{\mathit\triangle}{\mathit\triangle+\psi}\left(R_n-G\right)$$ | (12) |
여기서 (MJ kg-1)는 기화잠열(latent heat of vaporization), (kPa K-1)는 포화증기압곡선의 기울기(Slope of Saturated Water Vapour-Temperature Curve), (kPa K-1)는 Psychometric Constant, 는 Priestley and Taylor coefficient, Rn (W/m2)은 순복사량, G (W/m2)는 지중열 플럭스이다. 실제 증발산량은 Eq. (13)으로 산정하며, 이 식은 Priestley and Taylor 방정식 기반의 잠재증발량(Ep), Root Zone 토양수분 및 식생과 관련 있는 성분(S), Gash 해석 모형과 관련 있는 차단 강수(Ei)의 3가지 요소로 구성된다(Fig. 5).
| $$E=E_p\times S+E_i$$ | (13) |
3.3.5 GLDAS 증발산량 추출
Fig. 6은 GLDAS 자료(시간해상도 3시간, 공간해상도 25 km)로 부터 공간증발산량을 추출하는 과정을 나타낸 것으로서 본 연구에서는 GLDAS Data Set, Data Extract, Mapping ET의 3단계로 진행하였다. 본 연구에서 생성한 지도는 GLDAS, GLEAM 각각 일증발산량 730개(2017년 365개, 2018년 365개), 월증발산량 24개(2017년 12개, 2018년 12개), 연증발산량 2개(2017년 1개, 2018년 1개)에 이른다.
3.3.6 공간증발산량 적정성 평가 방법
본 연구에서는 공간증발산량의 적정성을 평가하는 방법으로 Bias, RMSE, 피어슨 상관계수(Pearson’s Correlation Coefficient, r), Index of Agreement (IOA)의 통계량을 이용하였다.
IOA는 수문 모형 및 강우 분야에서 많이 사용되는 통계 지수로서 새로운 모델을 통해 산정된 값과 기존의 관측값 사이의 일치성 및 적합성을 판단하는 데에 주로 사용되는 통계량이다.
| $$Bias=\frac{{\displaystyle\sum_{i=1}^n}\left(y_i-o_i\right)}n$$ | (14) |
| $$RMSE=\sqrt{\frac1n\sum_{i=1}^n\left(y_i-o_i\right)^2}$$ | (15) |
| $$IOA=1-\frac{{\displaystyle\sum_{i=1}^n}\;\left|P_i-O_i\right|}{{\displaystyle\sum_{i=1}^n}\left(\left|P_i-\overline O\right|+\left|O_i-\overline O\right|\right)}$$ | (17) |
여기서, Pi는 2개 방식으로 산정된 증발산량을 의미하고, Oi는 Kalman-Filter 기반의 증발산량이다. n은 해당 시기의 전체 자료의 개수를 의미한다.
4. 자료처리 및 보충
4.1 자료처리
본 연구에서는 위성기반의 공간증발산량을 평가하는데 필요한 지상 증발산량을 산정하기 위해 설마천 증발산량관측소에서 관측된 30분 간격의 원시 잠열플럭스 자료를 수집하였다. 수집된 자료 기간은 2개년(2017년, 2018년)이며 자료처리는 Koflux 프로그램으로 수행하였다. Fig. 7은 원시 잠열플럭스(Raw Data)를 Koflux 프로그램으로 처리한 결과(L1 Data)로서 원시자료와 확연히 구분되는 특성을 보였다. 이는 Koflux 프로그램 구동 시 좌표변환(Planar Fit Rotation), 밀도보정(Webb Pearman Leuning, WPL)이 수행되고 이상치가 제거된 데에 원인이 있다.
Table 4는 Koflux 프로그램에서 이상치로 판단한 결과로서 2017년 9.90%, 2018년 10.84%의 이상 특성을 나타내고 있다. 이는 연간 30분 간격의 자료수(17,520)에 대한 이상 특성으로서 2017년 7월(18.1%). 2018년 5월(19.3%)에 가장 크게 분석되었다. 이에 본 연구에서는 FAO-PM, MDV, Kalman-Filter의 3가지 방법으로 대체 증발산량을 산정한 후 자료보충을 실시하였다.
Table 4.
Spike ratio after data processing
4.2 자료보충
본 연구에서는 빈구간의 자료를 보충하기 위해 FAO-PM, MDV, Kalman-Filter의 3가지 방법으로 대체 증발산량을 산정하였다. 3가지 방법에 대한 증발산량 산정 시간간격은 원시 잠열플럭스와 같은 30분을 적용하였으며, 이후 30분 간격의 증발산량을 각각 누가하여 일, 월, 년의 규모를 정량화하였다. Table 5는 3가지 방법으로 산정된 2017년, 2018년의 연증발산량 규모와 이를 토대로 자료보충을 수행한 결과를 나타내고 있다. Table 5에 나타나 있는 바와 같이 2017년 연증발산량은 Eddy Covariance 400.3 mm, FAO-PM 312.0 mm, MDV 420.4 mm, Kalman Filter 434.7 mm로 산정되었으며, 2018년 연증발산량은 Eddy Covariance 399.4 mm, FAO-PM 290.0 mm, MDV 421.5 mm, Kalman Filter 432.1 mm의 규모를 보였다. 2개년 모두 MDV와 Kalman Filter의 연증발산량은 비교적 유사한 규모를 보였지만 FAO-PM는 Eddy Covariance 보다도 더 적은 값으로 산정되었다. 이의 특성은 Figs. 8 and 9에서 확인할 수 있다. Figs. 8 and 9는 Eddy Covariance와 3가지 방법의 일증발산량의 시간적 특성과 일증발산량의 누가 규모를 나타내는 것으로 FAO-PM 방법으로 산정된 일증발산량은 상대적으로 작은 규모를 나타내고 있다.
Table 5.
Yearly evapotranspiration characteristics by computation methods
본 연구에서는 자료보충을 Eddy Covariance 자료의 빈 구간을 대상으로 3가지 방법별(동시간대 기준)로 수행하였다. Figs. 10 and 11은 3가지 방법별로 보충된 시계열 특성으로서 연증발산량은 2017년의 경우 FAO-PM 419.1 mm, MDV 451.6 mm, Kalman Filter 441.0 mm, 2018년의 경우 FAO-PM 414.0 mm, MDV 445.1 mm, Kalman Filter 432.1 mm로 산정되었다. 2개년 모두 연증발산량은 MDV 방법에서 최대 규모를 보였으며 FAO-PM 기반의 연증발산량은 최소 규모를 나타내었다.
본 연구에서는 위성기반 공간증발산량의 검증에 필요한 증발산량을 채택하기 위해 FAO-PM, MDV, Kalman-Filter 방법으로 보충된 3개 계열(30분 간격 자료)에 대한 통계적 검증을 실시하였다. 두 자료 간의 정량적 통계 분석을 위해 Bias (Eq. (14))와 RMSE (Eq. (15))를 사용하였으며, 이에 대한 결과는 Table 6과 같다. Table 6에서 알 수 있는 바와 같이 Bias는 MDV 방법, RMSE는 Kalman-Filter 방법이 2017년과 2018년 모두 가장 양호한 통계량을 보였다. 그러나 통계량의 정도를 보면 Bias는 MDV와 Kalman-Filter의 값이 그리 차이를 보이지 않으나 RMSE는 Kalman-Filter의 값이 상당히 작은 특성을 보였다. 이에 본 연구에서는 Kalman-Filter로 보충된 증발산량 계열을 위성기반 증발산량 검증자료로 활용하였다.
5. 공간증발산량 분석 및 평가
5.1 공간증발산량 분석
본 연구에서는 생성된 일증발산량 지도로부터 일증발산량을 추출하여 그 특성을 분석하였다. Table 7은 GLDAS와 GLEAM의 공간증발산량 일, 월, 연의 특성을 나타낸 것으로서 연증발산량 규모는 GLDAS (2017년 414.4 mm, 2018년 469.1 mm)가 Kalman Filter (2017년 441.0 mm, 2018년 432.1 mm)와 유사한 규모로 산정되었다. 그러나 GLEAM의 경우는 2017년 590.2 mm, 2018년 678.9 mm로 Kalman Filter에 비해 2017년 1.3배(149.2 mm), 2018년 1.6배(246.8 mm) 많게 산정되었다. Figs. 12 and 13은 GLDAS와 GLEAM의 일증발산량의 시간적 변동 특성을 나타낸 것으로서 GLEAM보다는 GLDAS가 Kalman Filter와 유사한 특성을 나타내고 있다. 그리고 Figs. 14 ~ 16은 GLDAS와 GLEAM 기반의 연, 월 증발산량을 나타낸다.
Table 7.
Characteristics of satellited-based evapotranspiration
5.2 공간증발산량 평가
Tables 8 and 9는 에디공분산 자료(Kalman-Filter로 보충)를 토대로 GLDAS, GLEAM 증발산량을 평가한 결과이다. Tables 8 and 9에서 알 수 있는 바와 같이 2017년, 2018년 모두 GLDAS 증발산량이 본 연구에서 정량화한 지상관측 자료와 유사한 특성을 나타내었다. 2017년의 경우 GLDAS 증발산량은 Bias –0.073, RMSE 0.510, r 0.897, IOA 0.923으로 산정되었다. 또한 2018년의 경우 GLDAS 증발산량은 Bias 0.101 RMSE 0.487, r 0.893, IOA 0.938의 특성을 보였다. GLDAS 증발산량을 여러 지점의 자료와 검증을 다향하게 수행하지 못하였지만 일증발산량, 월증발산량이 에디공분산 자료와 비교적 유사한 특성을 보이는 것으로 보아 GLDAS 증발산량은 적정성을 가지는 것으로 판단된다.
6. 결론 및 토의
본 연구에서는 GLDAS와 GLEAM 기반 증발산량의 적정성을 평가하기 위해 설마천 에디공분산 자료로 비교·검증을 수행하였다. 자료 검증기간은 2개년(2017년, 2018년)으로 설마천 증발산량관측소의 잠열플럭스를 수집하여 Koflux 프로그램으로 자료 처리한 후 Eddy Covariance 기반의 증발산량을 산정하였다. 에디공분산 자료의 보충(Gap-filling)을 위해 FAO-PM, MDV, Kalman Filter의 3가지 방법으로 대체증발산량을 산정하였다. 본 연구에서는 FAO-PM 등 3가지 방법 중 Kalman Filter가 에디공분산 자료와 양호한 통계량을 보여 Kalman Filter를 에디공분산 자료의 보충방법으로 채택하였다. 공간증발산량은 GLDAS의 경우 3시간, 공간해상도 0.25°를 갖는 Noah (version 2.1)로 산정하였으며, GLEAM의 경우 Priestley and Taylor (1972) 방정식 기반의 GLEAM (version 3.1a)를 활용하였다. 에디공분산 증발산량(검증자료)으로 GLDAS와 GLEAM 증발산량의 적정성을 평가한 결과, GLEAM보다는 GLDAS 증발산량이 에디공분산 증발산량에 우수한 통계량(Bias, RMSE, r, IOA)을 보였다. 본 연구를 통해 도출된 결론은 아래와 같다.
1) 보충방법별 대체증발산량의 규모를 분석한 결과, 2개년(2017년, 2018년) 모두에서 MDV(2017년 420.4 mm, 2018년 421.5 mm)와 Kalman Filter (2017년 434.7 mm, 2018년 432.1 mm)의 증발산량이 서로 유사하게 산정되었으나, FAO-PM (2017년 312.0 mm, 2018년 290.0 mm) 기반의 증발산량은 상당히 작은 규모를 보였다.
2) 본 연구에서는 Kalman-Filter의 증발산량 계열이 에디공분산 계열(자료보충 전)과 비교적 우수한 통계량(2017년 Bias 0.094 mm, RMSE 0.240 mm, 2018년 Bias 0.090 mm, RMSE 0.211 mm)을 보여 에디공분산 자료의 보충방법으로 Kalman-Filter를 채택하였다.
3) Kalman-Filter로 보충된 에디공분산 증발산량과 GLDAS, GLEAM 증발산량의 연 단위 규모를 분석한 결과, GLDAS 연증발산량(2017년 414.4 mm, 2018년 469.1 mm)이 에디공분산 기반의 연증발산량(2017년 441.0 mm, 2018년 469.1 mm)과 비교적 유사한 규모를 보였다.
4) GLDAS와 GLEAM 증발산량의 적정성을 평가한 결과, 2017년, 2018년 모두 GLDAS 증발산량이 검증자료와 우수한 통계량(2017년 Bias –0.073 mm, RMSE 0.510 mm, r 0.897, IOA 0.923; 2018년 Bias 0.101 mm, RMSE 0.487 mm, r 0.893, IOA 0.938)을 나타내었다. 이에 따라 본 연구에서는 설마천 유역의 증발산량 산정 방법으로 GLDAS 증발산량을 제안하였다.
본 연구에서는 설마천 유역에 위치한 1개의 증발산량관측소 자료만으로 GLDAS와 GLEAM의 공간증발산량을 비교 평가하였다. 이는 본 연구의 한계로 판단되며 향후 검증지점을 늘려 연구의 정확도를 높여야 할 것으로 판단된다. 또한 GLEAM 증발산량이 크게 산정된 원인은 Priestley and Taylor 방정식 기반의 잠재증발량과 실제증발산량으로 변환하는 과정 등에서 발생된 것으로 판단된다. 사실, 본 연구는 현재 제공되고 있는 GLDAS와 GLEAM 자료의 활용성에 염두에 두고 적정성 평가에 있는 목적을 두었다. 향후 검증지점을 농경지 등으로 다양화하고 GLEAM 등의 공간증발산량 생산 알고리즘 등에 대한 연구를 병행한다면 이에 대한 원인을 규명할 수 있을 것으로 판단된다.
