Probable annual maximum of daily snowfall using improved probability distribution

Heeseong Park; Gunhui Chung

doi:10.3741/JKWRA.2020.53.4.259

Preview

Research Article

Journal of Korea Water Resources Association. 30 April 2020. 259-271
https://doi.org/10.3741/JKWRA.2020.53.4.259

Probable annual maximum of daily snowfall using improved probability distribution

개선된 확률밀도함수 적용을 통한 빈도별 적설심 산정

Heeseong Park^a

Gunhui Chung^b^*

박 희성^a

정 건희^b^*

^aResearch Fellow, Department of Land, Water and Environment Research, Korea Institute of Civil engineering and building Technology (KICT)

^bAssociate Professor, Department of Civil Engineering, Hoseo University

^a한국건설기술연구원 국토보전연구본부 연구위원

^b호서대학교 건축토목환경공학부 토목공학전공 부교수

^{* Corresponding Author}

License (open-access):

©It is identical to the Creative Commons Attribution Non-commercial License (http://creativecommons.org/licenses.by-nc/3-0/)

ABSTRACT

In Korea, snow damage has happened in the region with little snowfalls in history. Also, accidental damage was caused by heavy snow leads and the public interest on heavy snow has been increased. Therefore, policy about the Natural Disaster Reduction Comprehensive Plan has been changed to include the mitigation measures of snow damage. However, since heavy snow damage was not frequent, studies on snowfall have not been conducted on different points. The characteristics of snow data commonly are not the same as the rainfall data. Some southern coastal areas in Korea are snowless during the year. Therefore, a joint probability distribution was suggested to analyze the snow data with many 0s in a previous research and fitness from the joint probability distribution was higher than the conventional methods. In this study, snow frequency analysis was implemented using the joint probability distribution and compared to the design codes. The results were compared to the design codes. The results of this study can be used as the basic data to develop a procedure for the snow frequency analysis in the future.

Keywords

Conditional probability

Design standard of snow loads

Frequency analysis

Joint probability distribution

Daily snowfall

우리나라도 최근 들어 과거 눈이 거의 내리지 않던 지역에 폭설이 내리거나 대설에 의한 인명피해가 발생하는 등의 대설 피해가 발생하며, 대설 및 설해 피해에 대한 관심이 증가하고 있다. 그러므로 자연재해저감 종합계획에 대설에 의한 설해 대비를 포함하는 등의 정책적인 변화가 생겼으나, 우리나라는 그동안 대설 피해가 많지 않았었기 때문에 대설이나 적설 자료의 특성에 대한 연구를 다양한 각도에서 수행한 적이 거의 없다. 우리나라의 적설자료는 강우자료와 특성이 다른 경우가 많다. 예를 들어, 우리나라 남해안 일부 지역은 연중 눈이 한 번도 내리지 않는 경우가 다수 있어, 연최대치계열 자료 중에 값이 없는 경우가 빈번히 존재한다. 이에 0이 다수 포함된 자료의 빈도해석을 위해 조건부결합확률분포를 이용하여 확률밀도함수를 선정하는 방법을 적용하였다. 그 결과 기본 방법에 비해 적합도가 더 높은 확률밀도함수를 구할 수 있었으며, 100년 빈도 이상의 긴 재현기간에서 기존 방법에 비해 대체로 적설심이 작아지는 경향을 보였다. 본 연구에서는 본 연구에서는 0이 다수 포함된 자료의 빈도해석을 위해 조건부결합확률분포를 제안한 선행연구를 적용하여 우리나라 전국의 적설 관측지점에 대한 빈도해석을 수행하고, 그 결과를 설계에 사용되는 값들과 비교하였다. 본 연구의 결과는 향후 수문학적 적용을 위한 적설자료의 관측 및 분석 방법에 대한 세부적인 기준 마련을 위한 기초자료로 활용될 수 있을 것이다.

키워드

빈도해석

신적설

적설설계기준

조건부결합확률

확률밀도함수

MAIN

1. 서 론
2. 조건부 확률을 이용한 확률밀도함수 보정
3. 적설 자료 수집
4. 적설빈도해석
4.1 최적 확률분포형 결정
4.2 설계기준과 비교
5. 결 론

1. 서 론

최근 기상재해에 대한 관심이 증가하며, 행정안전부에서는 2019년 3월 24일 기존에 “풍수해저감 종합계획”을 “자연재해저감 종합계획”으로 변경하고, 기존 자연재해에 더해 가뭄과 대설에 대한 대비도 포함 하였다. 이것은 자연재해와 폭설 및 대설에 대한 정부의 관심이 증가했음을 보여준다. 실제로 기후변화에 따른 온난화 경향에도 불구하고 특정 해의 겨울에는 불규칙하게 대설이 발생하여 큰 피해를 야기한다(Choi and Kim, 2010). 우리나라뿐만 아니라 동아시아 지역에 대설이 발생할 경우, 겨울철 극 소용돌이(circumpolar vortex)가 사행하여 시베리아 고기압이 장출하는 패턴이 자주 관찰되며, Choi and Kim (2010)은 이와 같은 시베리아 고기압의 한반도 방향의 장출이 한반도 대설발생에 영향을 미치는 가장 지배적인 종관기후패턴이라고 분석하였다. 이와 비슷한 이유로 한파는 2014년, 2015년, 2016년 연달아 보고되었으며, 특히, 2016년 1월 제주시에 32년 만에 폭설과 한파가 몰아닥쳐 제주공항이 폐쇄되는 일도 있었다. 즉, 한파가 동반되지 않았다면 짧은 시간 내에 강설이 녹았을 것이지만, 예기치 못한 한파가 동반되면서 막대한 피해가 발생했다는 것이다.

이에 폭설피해에 대한 관심이 높아지고 있으며, 최근에는 몇몇 연구자들이 국내 적설자료의 특성과 확률적설심 관련 연구를 수행한 바 있다(Lee et al. (2007), Yu et al. (2014), Yu et al. (2016)). 확률적설심 계산을 위한 빈도해석 절차는 관측자료의 수집, 무작위성 검토와 변동 및 경향성 분석, 가정된 확률분포형에 적합한 매개변수 추정, 적합도 검정 등의 순서로 수행된다. 그 중에서 양질의 수문자료 관측은 결과의 신뢰도를 높이기 위해 매우 중요한 절차이다. 그러나 우리나라의 적설관측지점들 중에는 연최대최심신적설자료가 없는 경우가 다수 존재한다. 이런 경우는 연중 눈이 내리지 않거나, 측정가능 값 이하의 적은 눈이 내려 적설심이 기록되지 않은 경우들이 대부분이다. 이로 인해 연최대치계열의 자료를 분석할 때, 결정된 확률분포형이 자료의 특성을 바르게 대표하지 못하는 경우가 나타난다. 이런 이유로 Maidment (1993)는 측정값이 0인 자료를 다수 포함하고 있는 시계열 자료의 통계적 특성치를 계산하기 위해서는 이 0인 값들을 신중히 다루어야 한다고 하였다. 이러한 문제점을 극복하기 위해 Park and Chung (2019)는 우리나라의 최심신적설자료 중 연최대치값이 없는 경우, 그것을 그대로 분석에 포함하지 않고, 연최대치값이 없는 경우와 있는 경우를 구분하는 조건부결합확률분포를 적용하여 빈도해석을 수행하는 방법론을 제시하고, 연최대치 값이 없는 경우를 많이 포함하고 있는 몇몇 지점에 적용하여 그 적용성을 보여주었다.

우리나라의 건축물 및 비닐하우스와 같은 시설물의 적설하중 설계기준은 건축구조기준(KSCS, 2018)에서 건축물의 적설하중 기준을 제시하고 있으며, 2019년 농림수산식품부에서 고시한(제2019-44호) ｢원예 ·특작시설 내재해 설계기준 및 내재해형 시설규격 등록 등에 관한 규정｣(MAFRA, 2019)에 내재해형 비닐하우스의 적설하중 설계기준을 제시하고 있다. 건축구조기준(KCSC, 2018)에서는 최심적설깊이 자료가 10년 이상 존재하는 38개 지점에 대해 극치확률통계해석을 통해 100년 빈도 적설심을 구하고 이를 지상기본적설하중으로 제시하고 있으며, ｢원예 ·특작시설 내재해 설계기준 및 내재해형 시설규격 등록 등에 관한 규정｣(MAFRA, 2019)에서는 내재해 설계기준으로 30년 빈도 적설심을 지역별로 제시하고 있으나, 두 설계기준 모두 연최대치 값이 없어 0 cm로 나타나는 자료의 처리에 대한 언급이 포함되어 있지 않다.

그러므로 본 연구에서는 Park and Chung (2019)에서 제시한 조건부결합확률분포를 적용하여 전국 적설관측지점의 확률적설심을 계산하고, 이를 건축구조기준(KCSC, 2018)과 내재해형 비닐하우스의 설계기준(MAFRA, 2019)과 비교하고, 이를 통해 적설자료의 확률분석 방법과 절차를 살펴보고자 한다. 이것은 우리나라의 최심신적설자료가 관측지점별로 0을 포함하고 있는 비율이 상이하여 관측지점의 적설자료 특징을 대표하는 분포형이 하나로 통일되기 어렵고, 지점별 적설자료의 관측기간이나 관리 상태 역시 매우 다르므로, 전국 적설관측지점에 대한 적설자료 분석을 통해 지점별 특성을 분석하는 것이 보다 현실적인 설계기준 마련에 도움이 될 것이기 때문이다.

2. 조건부 확률을 이용한 확률밀도함수 보정

Park and Chung (2019)에서는 연최대최신심적설 자료 중 0이 포함된 사건 A가 발생할 확률을 F₀라고 하고, 0을 제외한 자료의 누가확률밀도함수를 F_X(x)라 할 때, 0이 자료에 F₀의 확률로 포함되었을 때 0에서 ∞ 사이의 확률변수 x가 발생할 누가확률밀도함수 F_X|A(x)를 다음과 같이 나타내었다.

$$F_X(x)=\left\{\begin{array}{l}F_0+F_{X\vert A}(x)\bullet(1-F_0),\;\;0\leq x<\infty\\0\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;,\;\;\mathrm{otherwise}\end{array}\right.$$

(1)

또한 누가확률밀도함수 F_X(x)의 역함수인 분위함수(Quantile function)는 합성함수의 역함수를 이용해 계산할 수 있으며, 역함수를 구하면 다음과 같다.

$$F_X^{-1}(f)=\left\{\begin{array}{l}F_{X\vert A}^{-1}\;\left(\frac{f-F_0}{1-F_0}\right)\;,\;\;F_0\leq f<1\\0\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;,\;\;\mathrm{otherwise}\end{array}\right.$$

(2)

여기서 f는 누가확률을 의미한다.

3. 적설 자료 수집

2019년 우리나라에서 적설심을 측정하는 종관기상관측소는 102개로 파악되고 있으나, 최근에 신설된 관측소가 다수 존재하여 10년 미만의 자료를 보유하고 있는 경우가 상당수 있다. Fig. 1은 102개의 관측소의 자료 보유 기간을 표시한 히스토그램이다. Fig. 1(a)는 관측소별 관측기간을 모두 표시한 것이고, Fig. 1(b)는 연중 적설이 한 번도 관측되지 않아 연최대최심신적설값이 0 cm인 경우는 제외하고, 적설심이 관측된 해의 빈도만을 표시하였다. Fig. 1(a)에 나타난 바와 같이 가장 긴 자료를 갖고 있는 관측소의 자료 길이는 총 120년 가까이 되며, 약 50년 정도 자료 길이를 가진 관측소의 개수가 가장 많은 것을 알 수 있다. 그러나 실제로 값이 0인 최대치계열을 가지고 있는 경우를 제외하면, Fig. 1(b)와 같이 가장 긴 자료를 가진 관측소는 약 80년이며, 많은 관측소들이 40년 미만의 자료를 갖고 있는 것을 알 수 있다. 이렇게 자료 길이에 차이가 나는 것은 실제로 눈이 내리지 않아 연최대치계열이 0일 수도 있지만, 과거 기상관측을 시작하는 시기에 적설 관측을 하지 않았기 때문일 수도 있다. 이를 위해서는 보다 자세한 분석이 관측소별로 필요하다. 본 연구에서는 관측소의 관측기간과 관측지점 이력 등을 조사하여 실제 관측된 결과로 추정된 0만을 분석 대상에 포함하였다. Figs. 1(a) and 1(b)에 빨간색 선은 자료 보유기간이 25년인 지점을 나타낸 것이다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-04/N0200530403/images/kwra_53_04_03_F1.jpg

Fig. 1.

Cases of snow data periods in observatories

이 중 통계 분석 시 자료에 대한 통계적인 유의성 확보를 위해 필요한 최소자료인 30년 이상의 자료를 가진 관측소 63개를 선택하여 그 위치를 Fig. 2에 나타내었다. 선택된 관측소는 0을 포함하고 있을 경우 30년 이상의 자료가 존재하며, 0을 제외하고도 25년 이상의 관측자료가 존재하는 관측소들이다. 대상 관측소들의 기상 자료 관측 시작일, 현재 분석에 사용된 자료의 최종 관측일, 자료보유년수, 연최대최심신적설심이 0 cm인 경우의 횟수(년), 전체 자료 중 0 cm인 자료의 비율을 Table 1에 나타내었다. 자료에서와 같이, 포항, 울산, 부산, 통영, 여수, 완도, 성산, 진주, 영덕, 밀양, 거제, 남해 등 총 12개 지점은 자료 보유기간 중 10% 이상의 연최대최심신적설 자료가 0을 나타내는 지점이다. 특히, 부산(36.25%), 통영(35.42%), 거제(27.03%), 울산(22.97%), 남해(21.62%) 지점은 20% 이상의 연최대치계열 자료가 0을 나타내고 있다. 이 지점들은 Fig. 2에서 보이는 것과 같이 모두 동남해안 해안가에 위치해 난류의 영향으로 겨울철이 상대적으로 따뜻한 지점들이다.

Table 1에는 총 63개의 관측소별 관측자료의 시작년과 마지막 년도, 자료의 길이, 연최대최심신적설자료가 0 cm인 해의 수와 전체 자료수에 대한 비율 등을 나타내었다. Table 1을 살펴보면 부산 관측소는 1904년부터 관측을 시작하여 총 115개의 자료가 있어야 한다. 하지만, 관측 초기에는 적설심 자료가 존재하지 않고 1939년부터 적설심 자료가 존재하므로 부산관측소의 기록은 총 80개년만 유효한 것으로 판단되며 그 중 29개년의 최심신적설심은 0 cm이다. 이와 같이 관측지점별로 기상관측시작시점과 적설관측시작시점이 다른 관측소가 있다. 인천관측소의 경우도 기상관측을 1904년에 시작하였으나, 적설관측자료는 1949년부터 존재하여 총 70년의 자료가 있으며, 인천관측소의 경우에는 유효한 자료 중 0 cm의 연최대최심신적설은 없다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-04/N0200530403/images/kwra_53_04_03_F2.jpg

Fig. 2.

Locations of selected observatories (more than 30 years of data period)

Table 1. Selected weather stations and number of no snow (0 cm)

No	Name	Observation		Data Period (year)	No. of No Snow (0 cm) (year)	% of No Snow (0 cm) (%)	No	Name	Observation		Data Period (year)	No. of No Snow (0 cm) (year)	% of No Snow (0 cm) (%)
No	Name	Starting Year	End Year	Data Period (year)	No. of No Snow (0 cm) (year)	% of No Snow (0 cm) (%)	No	Name	Starting Year	End Year	Data Period (year)	No. of No Snow (0 cm) (year)	% of No Snow (0 cm) (%)
90	Sokcho	1968	2015	48	0	0.00	201	Ganghwa	1971	2008	38	0	0.00
95	Cheorwon	1988	2015	28	0	0.00	202	Yang pyeong	1972	2008	37	0	0.00
100	Daegwal lyeong	1971	2015	45	0	0.00	203	Icheon	1972	2011	40	0	0.00
101	Chun cheon	1966	2018	53	2	3.77	211	Inje	1972	2008	37	0	0.00
105	Gang neung	1937	2008	72	0	0.00	212	Hong cheon	1972	2008	37	0	0.00
108	Seoul	1937	2018	82	0	0.00	221	Jecheon	1972	2008	37	0	0.00
112	Incheon	1949	2018	70	0	0.00	226	Boeun	1972	2008	37	0	0.00
114	Wonju	1972	2015	44	0	0.00	232	Cheonan	1972	2015	44	0	0.00
115	Ulleungdo	1938	2018	81	0	0.00	235	Boryeong	1972	2015	44	0	0.00
119	Suwon	1965	2018	54	1	1.85	236	Buyeo	1972	2008	37	0	0.00
127	Chungju	1972	2011	40	0	0.00	238	Geumsan	1972	2008	37	0	0.00
129	Seosan	1968	2018	51	1	1.96	243	Buan	1971	2008	38	0	0.00
130	Uljin	1971	2015	45	1	2.22	244	Imsil	1972	2008	37	0	0.00
131	Cheongju	1967	2018	52	1	1.92	245	Jeongeup	1971	2011	41	0	0.00
133	Daejeon	1969	2018	50	0	0.00	247	Namwon	1971	2011	41	0	0.00
135	Chupung nyeong	1949	2011	63	1	1.59	256	Juam	1972	2011	40	0	0.00
136	Andong	1973	2018	46	2	4.35	260	Jangheung	1971	2008	38	0	0.00
138	Pohang	1949	2018	70	7	10.00	261	Haenam	1971	2008	38	0	0.00
140	Gunsan	1968	2015	48	0	0.00	262	Goheung	1972	2008	37	0	0.00
143	Daegu	1937	2018	82	3	3.66	272	Yeongju	1972	2008	37	0	0.00
146	Jeonju	1937	2018	82	0	0.00	273	Mun gyeong	1972	2008	37	0	0.00
152	Ulsan	1945	2018	74	17	22.97	277	Yeongdeok	1972	2008	37	7	18.92
156	Gwangju	1939	2018	80	0	0.00	278	Uiseong	1972	2008	37	0	0.00
159	Busan	1939	2018	80	29	36.25	279	Gumi	1973	2011	39	0	0.00
162	Tong yeong	1968	2015	48	17	35.42	281	Yeong cheon	1972	2008	37	1	2.70
165	Mokpo	1937	2018	82	0	0.00	284	Geochang	1972	2015	44	0	0.00
168	Yeosu	1942	2018	77	13	16.88	285	Hapcheon	1971	2008	38	1	2.63
170	Wando	1971	2015	45	2	4.44	288	Miryang	1973	2008	36	7	19.44
184	Jeju	1937	2018	82	2	2.44	289	Sancheong	1972	2008	37	0	0.00
188	Seongsan	1973	2015	43	0	0.00	294	Geoje	1972	2008	37	10	27.03
189	Seogwipo	1961	2015	55	1	1.82	295	Namhae	1972	2008	37	8	21.62
192	Jinju	1971	2015	45	3	6.67

앞서 설명한 바와 같이, 기상관측과 적설관측 시점의 불일치가 전국의 관측소에 걸쳐 나타나며, 최근의 적설관측자료가 존재하지 않는 관측소들도 있다. 기상청에서 매년 발행하는 ‘기상연보 2017(KMA, 2017)’의 일러두기에 의하면, 2008년 8월에 강릉(105), 2011년 1월에 문산(99), 영월(121), 충주(127), 이천(203), 남원(247), 구미(279), 4월에 동두천(98), 동해(106), 추풍령(135), 상주(137), 정읍(245), 주암(256), 2013년 10월 대구(143), 2015년 1월에 철원(95), 대관령(100), 원주(114), 울진(130), 군산(140), 통영(162), 완도(170), 고창(172), 순천(174), 진도(175), 성산(188), 서귀포(189), 진주(192), 천안(232), 보령(235),거창(284), 2015년 4월에 고산(185), 2015년 7월에 속초(90), 2016년 10월에 춘천(101), 2017년 11월에 서산(129) 지점의 관측요소가 변경되어 일기일수, 평균운량 등의 목측관측요소가 없어졌다고 기록되어 있다. 여기서 말하는 목측관측요소에는 적설도 포함된다. 그러므로, 목측관측을 중단한 해 이후에는 해당관측소의 적설자료가 없으며, 이는 관측을 하지 않은 것이므로 분석에 포함시키지 않았다. Table 1의 관측종료년은 이것을 반영한 것이다.

4. 적설빈도해석

4.1 최적 확률분포형 결정

본 연구에서는 연최대최심신적설의 확률분포형 결정을 위해 Table 2에 정리한 것과 같이, Generalized normal (GNO) 분포형, Generalized extreme-value (GEV) 분포형, Generalized logistic (GLO) 분포형, Generalized pareto (GPA) 분포형, Pearson Type III (PE3) 분포형, Weibull (WEI) 분포형, Wakeby (WAK) 분포형, Exponential (EXP) 분포형, Gamma (GAM) 분포형, Normal (NOR) 분포형, Gumbel (Extreme Value Type I, GUM) 분포형, Kappa (KAP) 분포형, Lognormal (LN3) 분포형 등 총 13개의 확률분포형을 고려하였으며, 적절한 확률분포형의 선택은 Hosking (1990)의 L-모멘트를 이용하여 구한 매개변수가 적용된 이론분포와 표본분포에 대해 K-S 검정(Kolmogorov-Smirnov Test)을 실시하여 귀무가설이 채택된 확률분포형을 선택하였다. 이 때 채택된 확률분포형이 다수인 경우에는 유의확률이 가장 큰 경우를 선택하였다.

Table 2. Probability distributions considered in this study

Distribution	pdf ( $f (x)$ ) and/or cdf ( $F (x)$ )	reference
Generalized normal (GNO)	$F (x) = Φ (y)$	$y = - \frac{1}{κ} \ln (1 - \frac{κ}{α} (x - ξ))$
Generalized extreme-value (GEV)	$F (x) = e^{- e^{- y}}$
Generalized logistic (GLO)	$F (x) = \frac{1}{1 + e^{- y}}$
Generalized pareto (GPA)	$F (x) = 1 - e^{- y}$
Pearson Type III (PE3)	$f (x) = \frac{{\|x - ξ\|}^{α - 1}}{β^{α} Γ (α)} e^{- \frac{\|x - ξ\|}{β}}$	$γ \neq 0, α = \frac{4}{γ^{2}}, β = \frac{1}{2} σ \|γ\|, ξ = μ - 2 \frac{σ}{γ}$
Weibull (WEI)	$F (x) = 1 - e^{- {(\frac{x - ζ}{β})}^{δ}}$	$x > ζ$
Wakeby (WAK)	$x (F) = ξ + \frac{α}{β} \{1 - {(1 - F)}^{β}\} - \frac{γ}{δ} \{1 - {(1 - F)}^{- δ}\}$
Exponential (EXP)	$F (x) = 1 - e^{- \frac{x - ξ}{α}}$	$x \geq ξ$
Gamma (GAM)	$f (x) = \frac{x^{α}}{β^{α} Γ (α)} e^{- \frac{x}{β}}$	$x \geq 0$ , $α > 0$ , $β > 0$
Normal (NOR)	$F (x) = Φ (\frac{x - μ}{σ})$	$σ > 0$
Gumbel (extreme value type I) (GUM)	$F (x) = e^{- e^{- \frac{x - ξ}{α}}}$
Kappa (KAP)	$F (x) = {[1 - h {\{1 - \frac{k}{α} (x - ξ)\}}^{\frac{1}{k}}]}^{^{\frac{1}{h}}}$
Three parameter Lognormal (LN3)	$F (x) = Φ (y)$	$y = \frac{\ln (x - ζ) - μ}{σ}, x > ζ$

$Φ (y)$ is the distribution function of the standard normal distribution.
$Γ (α)$ is the gamma function.

각 관측소별로 연최대최심신적설이 0 cm인 경우를 분석에 포함한 경우와, Park and Chung (2019)에서 제안한 조건부결합확률분포를 고려하여 0인 값의 확률을 별도로 고려한 경우의 최적분포형을 결정하여 Q-Q plot의 형태로 Fig. 3에 나타내었다. Fig. 3에서 파란색 점선은 0을 포함한 상태의 자료를 이용하여 결정한 것이며, 검정색 실선은 Park and Chung (2019)에서 제시한 방법으로 결정한 것이다. 여기서, 울산(152), 통영(162), 여수(168), 부산(159), 임실(244), 해남(261), 거제(294), 남해(295)와 같은 지점들은 파란색 점선이 검정색 실선보다 50년 이상의 빈도에서 자료를 과대 또는 과소 추정하는 것을 알 수 있다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-04/N0200530403/images/kwra_53_04_03_F3.jpg

Fig. 3.

Growth curves of optimal distribution at observatories (--- including 0 data, --- conditional distribution without 0 data)

Table 3에는 각 관측지점별로 기존의 방식과 새로운 방식을 적용하여 구한 최적확률분포형과 해당 지점이 0인 자료를 포함하고 있는 비율을 수록하였다. 기존 방식과 새로운 방식에서 선택되는 최적분포형이 달라지는 경우는 0을 포함한 비율이 비교적 높은 14개 지점으로 나타났다.

Table 3. Selected type of appropriate probability distribution for frequency analysis

No.	Name	Selected PDF		% of No Snow (0 cm) (%)	No.	Name	Selected PDF		% of No Snow (0 cm) (%)
No.	Name	when 0s are included	with conditiona l probability	% of No Snow (0 cm) (%)	No.	Name	when 0s are included	with conditional probability	% of No Snow (0 cm) (%)
90	Sokcho	gev	gev	0.00	201	Ganghwa	gpa	gpa	0.00
95	Cheorwon	gam	gam	0.00	202	Yangpyeong	exp	exp	0.00
100	Daegwallyeong	gam	gam	0.00	203	Icheon	exp	exp	0.00
101	Chuncheon	wak	gpa	3.77	211	Inje	gam	gam	0.00
105	Gangneung	wak	wak	0.00	212	Hong cheon	wak	wak	0.00
108	Seoul	gev	gev	0.00	221	Jecheon	gpa	gpa	0.00
112	Incheon	gam	gam	0.00	226	Boeun	exp	exp	0.00
114	Wonju	gev	gev	0.00	232	Cheonan	gpa	gpa	0.00
115	Ulleungdo	wak	wak	0.00	235	Boryeong	gam	gam	0.00
119	Suwon	glo	glo	1.85	236	Buyeo	gam	gam	0.00
127	Chungju	wei	wei	0.00	238	Geumsan	gam	gam	0.00
129	Seosan	gam	gam	1.96	243	Buan	gam	gam	0.00
130	Uljin	gev	gev	2.22	244	Imsil	exp	exp	0.00
131	Cheongju	glo	gam	1.92	245	Jeongeup	gam	gam	0.00
133	Daejeon	exp	exp	0.00	247	Namwon	glo	glo	0.00
135	Chupungnyeong	pe3	wak	1.59	256	Juam	wak	wak	0.00
136	Andong	gev	gev	4.35	260	Jangheung	gev	gev	0.00
138	Pohang	gam	pe3	10.00	261	Haenam	wak	wak	0.00
140	Gunsan	gev	gev	0.00	262	Goheung	pe3	pe3	0.00
143	Daegu	gev	wak	3.66	272	Yeongju	exp	exp	0.00
146	Jeonju	gam	gam	0.00	273	Mungyeong	gev	gev	0.00
152	Ulsan	gev	pe3	22.97	277	Yeongdeok	gev	gev	18.92
156	Gwangju	wak	wak	0.00	278	Uiseong	gam	gam	0.00
159	Busan	gev	gno	36.25	279	Gumi	gev	gev	0.00
162	Tongyeong	gev	exp	35.42	281	Yeongcheon	exp	exp	2.70
165	Mokpo	gev	gev	0.00	284	Geochang	gam	gam	0.00
168	Yeosu	gev	gam	16.88	285	Hapcheon	exp	exp	2.63
170	Wando	glo	glo	4.44	288	Miryang	gpa	gev	19.44
184	Jeju	wak	gev	2.44	289	Sancheong	gpa	gpa	0.00
188	Seongsan	gam	gam	0.00	294	Geoje	gev	gam	27.03
189	Seogwipo	gam	wak	1.82	295	Namhae	gev	exp	21.62
192	Jinju	exp	exp	6.67

각 관측소별로 선택된 분포형들을 살펴보면 Table 4와 같다. 총 63개의 관측소중 0을 포함한 경우에는 GEV분포가 선택된 관측소의 수가 가장 많고, GAM분포가 두 번째였으나, 0을 제외하고 조건부결합확률밀도함수를 적용한 경우에는 GAM분포의 수가 하나 더 많아지고, GEV분포가 선택된 관측소의 수가 다소 줄어들었다. 그러나 여전히 GAM분포와 GEV분포가 선택된 관측소의 수가 30개 이상으로 과반수의 관측소에 대해 GAM분포와 GEV분포가 적절한 분포형으로 선택되었다. 그와 더불어 EXP분포와 WAK분포 역시 많은 관측소의 최적분포형으로 선택되었다.

Table 4. Number of selected probability density functions

when 0s are included		with conditional probability
PDF	Selected No.	PDF	Selected No.
gno	0	gno	1
gev	18	gev	13
glo	4	glo	3
gpa	5	gpa	5
pe3	2	pe3	3
wei	1	wei	1
wak	8	wak	9
exp	9	exp	11
gam	16	gam	17
nor	0	nor	0
gum	0	gum	0
kap	0	kap	0
ln3	0	ln3	0
sum	63	sum	63

참고로 각 지점별로 적합도 검정시 계산된 유의확률의 하위 10개를 평균해 비교해보면 기존의 방법에서는 0.7310이 나온 반면에 Park and Chung (2019)의 방법으로 수정된 분포형의 경우 하위 10개의 유의확률평균은 0.9730으로 매우 높게 나타났다. 이것은 전체적으로 선택된 분포형의 적합도가 향상된 것이라고 할 수 있을 것이다.

4.2 설계기준과 비교

우리나라는 구조물 설계를 위해 다양한 하중기준을 고려한다. 그 중 폭설피해 예방을 위해서는 구조물의 지붕에 가해지는 적설하중을 고려하도록 하고 있다. 2018년에 발행된 건축구조기준(KCSC, 2018)에는 Fig. 4와 같이 100년의 재현주기를 기준으로 지상기본적설하중지도를 제시하고 있다. KCSC (2018)에 따르면 지상기본적설하중지도는 기상청 산하 주요 관측지점 55개를 대상으로 기상관측년도부터 2014년 8월까지의 최심적설깊이 자료를 수집하고, 그 가운데 최심적설깊이의 자료가 10년 이상이 되는 38개 지점의 최심적설깊이에 대해 극치확률통계해석을 수행한 후, 지역별로 100년 재현주기 최심적설깊이를 산정하고, 이에 근거하여 적설깊이에 따라 지상적설하중을 우리나라 지도에 등고선 형태로 나타낸 것이다. 설계용 지붕적설하중은 기본지상적설하중을 기준으로 기본지붕적설하중계수, 노출계수, 온도계수, 중요도계수 및 지붕의 형상계수와 기타재하분포상태 등을 고려하여 산정하도록 하고 있다. 최소 지상적설하중은 0.5 kN/m²이다. AIK (2016) 에는 계산된 적설심을 하중으로 변환하기 위한 적설의 평균단위중량이 Table 5와 같이 제시되어 있다. 적설하중을 계산하기 위한 식은 다음 Eq. (3)과 같다.

http://static.apub.kr/journalsite/sites/kwra/2020-053-04/N0200530403/images/kwra_53_04_03_F4.jpg

Fig. 4.

Ground snow load (KCSC, 2018) (Unit: kN/m²) (*● : stations with historical data, ○ : stations without historical data)

Table 5. Average specific weight, P (AIK, 2018)

Vertical Depth of Snow (m)	Average Specific Weight (P, N/m² per 1m of snow depth)
≤ 0.5	1.0
1.0	1.5
1.5	2.0
≥ 2.0	3.0

$$S_g=P\bullet Z_s$$

(3)

여기서, P는 눈의 평균단위중량, Z_s는 수직최심적설깊이(m), S_g는 지상적설하중 (kN/m²)

2019년 농림축산식품부(Ministry of Agriculture, food, and rural affairs, MAFRA)에서 고시한(제2019-44호)의 ｢원예 ·특작시설 내재해 설계기준 및 내재해형 시설규격 등록 등에 관한 규정｣(MAFRA, 2019)에는 비닐하우스의 지역별 설계기준 적설심(30년 빈도)이 Table 6과 같이 행정구역별로 제시되어 있다. 규정에는 30년 빈도 적설심으로 명시되어 있으나, 이를 산정하는데 사용된 지점 및 방법에 대한 언급은 찾을 수 없었다.

Table 6. Snow design code for greenhouses in administrative districts (MAFRA, 2019)

Snow depth (cm)	Administrative districts
Snow depth (cm)	Gangwondo	Gyeonggido (Seoul, Incheon)	Gyeongsangdo (Busan,Ulsan, Daegu)	Jeollado (Gwangju)	Chungcheongdo (Daejeon, Sejong)	Jeju Island
20	-	-	Geoje, Goseong, Gimhae, Namhae, Masan, Miryang, Sacheon, Yangsan, Ulsan, Uiryeong, Jinju, Jinhae, Changnyeong, Changwon, Tongyeong, Hadong, Haman, Ulju, Gyeongsan, Gyeongju, Daegu, Yeongcheon, Uiseong, Cheongdo, Pohang,	Goheung, Gwangyang, Boseong, Yeosu, Wando	-	Gosan, Seogwipo, Jeju
22	Cheorwon	Ganghwa, Pocheon, Dongducheon	Andong, Goryeong, Gunwi, Hapcheon, Cheongsong, Chilgok	Suncheon, Jangheung, Haenam, Gangjin, Jindo	-	Seongsan
24	-	Gapyeong, Goyang, Guli, Gunpo, Gwacheon, Gwangmyeong, Gwangju, Namyangju, Bucheon, Kimpo, Seongnam, Siheung, Suwon, Ansan, Anyang, Yangpyeong, Yangju, Uijeongbu, Uiwang, Osan, Yeoncheon, Yongin, Hanam, Hwaseong, Paju	Busan, Gumi, Seongju, Sancheong, Bonghwa, Yeongyang	Gurye	-	-
26	Wonju	Seoul, Anseong, Incheon, Ongjin, Yeoju, Pyeongtaek	Yecheon	Jeonju, Wanju	Geumsan, Danyang, Buyeo, Boryeong, Asan, Yesan, Hongseong, Cheongyang, Cheonan, Chungju, Jecheon	-
28	Hwacheon	Icheon	Gimcheon, Yeongju	Yeongam, Iksan, Gokseong	Nonsan, Gongju, Dangjin, Eumseong, Taean	-
30	Inje, Yeongwol, Yanggu, Hongcheon,	-	Geochang, Sangju, Hamyang	Hwasun, Namwon, Muju, Sinan	Seosan, Daejeon, Sejong, Yeongdong, Okcheon, Goesan, Jincheon	-
32	Chuncheon	-	Chupungryeong	Mokpo	Gyeryong, Boeun, Seocheon, Jeungpyeong	-
34	Hoengseong	-	Mungyeong, Yeongdeok	Gunsan, Naju, Jinan	Cheongju, Cheongwon	-
36		-	-	Gwangju, Muan, Sunchang, Hampyeong	-	-
38		-	Uljin	Jangsu	-	-
40 or more	Sokcho, Daegwallyeong, Gangneung, Donghae, Samcheok, Taebaek, Pyeongchang, Goseong, Jeongseon, Yangyang	-	Ulreung	Damyang, Gimje, Yeonggwang, Imsil, Jangseong, Buan, Jeongeup, Gochang	-	-

Table 7에는 본 연구에서 사용한 63개 적설관측 지점에 대해 2019년 농림축산식품부(Ministry of Agriculture, food, and rural affairs, MAFRA)에서 고시한(제2019-44호)의 ｢원예 ·특작시설 내재해 설계기준 및 내재해형 시설규격 등록 등에 관한 규정｣의 30년 빈도 설계적설심(MAFRA, 2019)과 건축설계기준의 100년 빈도 설계적설심(KCSC, 2018)을 본 연구에서 추정된 값들과 비교하였다. 30년 빈도의 적설심은 지역에 따라 본 연구에서 추정한 값(b)이 더 큰 지역도 있고, 더 작은 지역도 있어 특별한 경향성을 파악기는 어려웠다.

Table 7. Comparison of 30-year and 100-years snow depth in the design codes

No.	Name	30-year		100-year			No.	Name	30-year		100-year
No.	Name	(a) (cm)	(b) (cm)	(c) kN/m²	(d) (cm)	(b) (cm)	No.	Name	(a) (cm)	(b) (cm)	(c) kN/m²	(d) (cm)	(b) (cm)
90	Sokcho	40	71.4	2.5	167	99.5	201	Ganghwa	22	20.1	0.5	50	23.8
95	Cheorwon	22	16.0	0.5	50	18.9	202	Yangpyeong	24	22.4	0.5	50	28.9
100	Daegwallyeong	40	91.5	5.0	250	112.0	203	Icheon	26	25.3	0.5	50	33.1
101	Chuncheon	32	24.5	0.5	50	28.2	211	Inje	30	20.3	2.0	133	23.9
105	Gangneung	40	59.8	3.0	200	74.4	212	Hongcheon	30	20.8	1.0	67	24.9
108	Seoul	26	21.3	0.5	50	29.6	221	Jecheon	26	18.7	1.5	100	19.5
112	Incheon	26	19.3	0.5	50	23.8	226	Boeun	32	27.6	0.5	50	35.9
114	Wonju	26	20.7	0.5	50	25.3	232	Cheonan	26	20.7	0.5	50	24.0
115	Ulleungdo	40	95.6	1.0	67	133.8	235	Boryeong	26	18.1	0.5	50	21.3
119	Suwon	24	18.7	0.5	50	25.0	236	Buyeo	26	21.6	0.5	50	25.7
127	Chungju	26	20.1	0.5	50	23.7	238	Geumsan	26	21.2	0.5	50	25.7
129	Seosan	30	22.2	0.5	50	26.6	243	Buan	40	27.5	0.5	50	32.2
130	Uljin	38	33.2	1.0	67	44.0	244	Imsil	40	30.5	0.5	50	38.0
131	Cheongju	34	23.7	0.5	50	29.2	245	Jeongeup	40	34.8	0.65	65	41.6
133	Daejeon	30	25.4	0.5	50	33.5	247	Namwon	30	22.8	0.5	50	28.8
135	Chupungnyeong	32	25.5	0.5	50	31.5	256	Juam	22	20.3	0.5	50	32.1
136	Andong	22	19.0	0.5	50	27.1	260	Jangheung	22	18.6	0.5	50	26.9
138	Pohang	20	18.2	0.5	50	26.1	261	Haenam	22	13.0	0.5	50	22.3
140	Gunsan	34	22.7	0.5	50	26.8	262	Goheung	20	14.3	0.5	50	20.3
143	Daegu	20	21.1	0.5	50	35.1	272	Yeongju	28	27.3	1.0	67	35.8
146	Jeonju	26	20.0	0.5	50	24.0	273	Mungyeong	34	33.4	0.5	50	54.8
152	Ulsan	20	13.6	0.5	50	19.9	277	Yeongdeok	34	28.3	0.5	50	51.6
156	Gwangju	36	24.5	0.5	50	32.1	278	Uiseong	20	19.3	0.5	50	25.0
159	Busan	24	13.3	0.5	50	25.9	279	Gumi	24	21.3	0.5	50	33.4
162	Tongyeong	20	11.5	0.5	50	16.2	281	Yeongcheon	20	18.7	0.5	50	25.2
165	Mokpo	32	32.3	0.7	70	52.0	284	Geochang	30	22.2	0.5	50	27.5
168	Yeosu	20	11.1	0.5	50	15.5	285	Hapcheon	22	18.7	0.5	50	25.1
170	Wando	20	12.6	0.5	50	20.1	288	Miryang	20	11.8	0.5	50	14.7
184	Jeju	20	11.0	0.5	50	15.0	289	Sancheong	24	18.7	0.5	50	20.5
188	Seongsan	22	15.7	0.5	50	19.8	294	Geoje	20	13.5	0.5	50	19.3
189	Seogwipo	20	9.4	0.5	50	13.2	295	Namhae	20	16.8	0.5	50	23.1
192	Jinju	20	16.7	0.5	50	22.8

*(a) : MAFRA (2019), (b) : with conditional probability (Park and Chung, 2019), (c) : KCSC (2018), (d) : KCSC (2018)

건축설계기준에는 적설심이 아닌 적설하중 값으로 제시되어 있으므로, 이를 다시 적설심으로 변환하여 비교하여야 한다. 이를 위해 건축설계기준 및 해설(AIK, 2016)에 제시된 Table 5의 값을 적용하였고, 비교 결과는 Table 7에 제시하였다. 적설하중을 적설심으로 역변환할 때 Table 5에 제시된 기준을 적용하기 곤란한 경우가 일부 존재해 다소 어려움이 있었으나, 상하 적설하중을 비교하여 역변환하여 제시하였다. 이에 해당 자료는 참고 및 비교자료로만 활용하였다는 것을 명시한다.

사실 눈의 밀도를 정확히 계산하는 것은 어려운 일이어서 Judson and Doesken (2000)은 Central Rocky Mountain의 11개의 관측소를 대상으로 눈의 밀도를 측정하여 분석하고, 각 관측소별 눈의 특성을 비교하였으며 눈의 밀도와 온도, 지역 등과의 상관관계를 제시하였다. 그 결과 눈의 밀도는 10 ~ 257 kg/m³으로 조사되었으며, 대부분은 60 ~ 100 kg/m³이었다. 따라서 Table 5에 제시된 눈의 밀도는 Judson and Doesken (2000)이 제시한 밀도 중 작은 값에 해당한다는 것을 알 수 있다.

Table 7의 비교 결과를 살펴보면, 30년 빈도에서 과대나 과소 산정 등의 경향을 파악하기 어려웠던 것과는 달리, 100년 빈도의 건축설계기준은 본 연구에서 제시한 적설심보다 다소 큰 것으로 나타났다. 이는 건축물의 안전한 설계를 위해 바람직한 것이기는 하지만, 그 합리성에 대한 논의는 필요해 보인다.

본 연구의 결과로 새롭게 산정된 지점별 빈도별 최심신적설깊이는 Table 8에 수록하였다. 본 자료는 향후 지점별 확률적설깊이 산정을 위한 기초자료로 활용될 수 있을 것으로 판단되며, 각 경우에 대한 우리나라의 등적설심도를 Fig. 5로 제시하였다. Fig. 5에서 알 수 있는 것과 같이 재현기간이 짧은 경우에는 한반도 내 등적설심의 간격이 매우 크지만, 재현기간이 길어질수록 태백산맥이나 소백산맥 등 지형적인 영향이 뚜렷해지는 것을 볼 수 있다.

Table 8. Probable snow depth (cm) with conditional joint probability distribution

Station No.	10 yr. freq.	30 yr. freq.	50 yr. freq.	100 yr. freq.	500 yr. freq.	1000 yr. freq.	Station No.	10 yr. freq.	30 yr. freq.	50 yr. freq.	100 yr. freq.	500 yr. freq.	1000 yr. freq.
90	49.5	71.4	82.7	99.5	145.9	169.7	201	15.8	20.1	21.8	23.8	27.3	28.4
95	13.0	16.0	17.2	18.9	22.5	24.0	202	16.5	22.4	25.2	28.9	37.6	41.3
100	71.5	91.5	100.4	112.0	138.1	149.1	203	18.2	25.3	28.7	33.1	43.5	48.0
101	19.8	24.5	26.2	28.2	31.6	32.6	211	16.6	20.3	21.8	23.9	28.4	30.2
105	46.3	59.8	66.1	74.4	93.4	101.4	212	17.9	20.8	22.3	24.9	35.2	42.7
108	15.2	21.3	24.6	29.6	44.2	52.1	221	17.0	18.7	19.1	19.5	19.8	19.9
112	15.0	19.3	21.2	23.8	29.5	31.9	226	20.0	27.6	31.1	35.9	47.0	51.8
114	16.3	20.7	22.7	25.3	31.1	33.6	232	16.7	20.7	22.2	24.0	27.1	28.2
115	69.0	95.6	110.5	133.8	206.0	246.9	235	14.9	18.1	19.5	21.3	25.2	26.8
119	14.1	18.7	21.2	25.0	36.1	42.1	236	17.6	21.6	23.4	25.7	30.7	32.8
127	16.3	20.1	21.7	23.7	28.0	29.6	238	16.9	21.2	23.1	25.7	31.2	33.6
129	17.8	22.2	24.1	26.6	32.1	34.4	243	22.8	27.5	29.6	32.2	38.0	40.3
130	23.9	33.2	37.7	44.0	59.8	67.2	244	23.7	30.5	33.7	38.0	48.0	52.3
131	18.3	23.7	26.1	29.2	36.3	39.3	245	28.2	34.8	37.8	41.6	50.0	53.5
133	18.0	25.4	28.8	33.5	44.3	49.0	247	17.9	22.8	25.2	28.8	38.5	43.4
135	19.4	25.5	28.1	31.5	38.7	41.6	256	13.1	20.3	24.7	32.1	58.7	75.8
136	13.0	19.0	22.2	27.1	41.3	48.9	260	12.5	18.6	21.9	26.9	41.4	49.2
138	11.3	18.2	21.5	26.1	36.8	41.4	261	9.3	13.0	16.0	22.3	59.2	95.0
140	18.6	22.7	24.5	26.8	31.7	33.6	262	9.0	14.3	16.9	20.3	28.6	32.2
143	12.7	21.1	26.3	35.1	67.0	87.8	272	19.4	27.3	30.9	35.8	47.3	52.2
146	16.1	20.0	21.7	24.0	29.0	31.0	273	20.4	33.4	41.4	54.8	102.4	133.1
152	8.1	13.6	16.2	19.9	28.5	32.3	277	15.4	28.3	36.7	51.6	110.0	151.1
156	18.1	24.5	27.6	32.1	43.5	48.8	278	14.0	19.3	21.7	25.0	32.3	35.5
159	6.1	13.3	18.0	25.9	53.7	70.7	279	13.4	21.3	25.9	33.4	58.7	74.3
162	7.2	11.5	13.5	16.2	22.5	25.2	281	12.8	18.7	21.4	25.2	33.8	37.5
165	20.3	32.3	39.7	52.0	95.6	123.6	284	17.0	22.2	24.5	27.5	34.4	37.3
168	7.1	11.1	12.9	15.5	21.5	24.1	285	12.9	18.7	21.4	25.1	33.6	37.2
170	8.0	12.6	15.4	20.1	37.0	48.0	288	9.0	11.8	13.1	14.7	18.1	19.4
184	7.8	11.0	12.6	15.0	21.6	24.9	289	15.8	18.7	19.6	20.5	21.6	21.9
188	11.8	15.7	17.4	19.8	25.0	27.2	294	8.3	13.5	16.0	19.3	27.3	30.7
189	6.9	9.4	10.9	13.2	20.9	25.5	295	10.9	16.8	19.5	23.1	31.7	35.3
192	11.2	16.7	19.3	22.8	31.0	34.5

http://static.apub.kr/journalsite/sites/kwra/2020-053-04/N0200530403/images/kwra_53_04_03_F5.jpg

Fig. 5.

Probable snow depth (cm) with conditional joint probability distribution (10, 30, 50, 100, 500, and 1,000 years of frequency)

5. 결 론

본 연구에서는 우리나라의 최심신적설자료의 빈도분석을 위해 적설심 자료가 존재하는 관측소의 자료를 수집하고, 분석하여 Park and Chung (2019)가 제안한 조건부결합확률밀도함수를 적용한 방법으로 빈도해석을 수행해 그 결과를 제시하였다. Park and Chung (2019)가 제안한 조건부결합확률밀도함수를 적용한 방법은 우리나라의 남해안과 같이 연중 눈이 한 번도 내리지 않아 연최대최심신적설값이 0인 연도가 다수 존재하는 지점에 대해 빈도 분석을 할 때, 선택되는 분포형의 적합도를 높이기 위해 제안된 방법이다. 본 연구에서는 해당 방법론을 전국에 적용하여 기존의 방법들과 그 결과를 비교해 보았다. 본 연구를 위해 관측 지점별 적설자료를 실제 적설측정 여부 등을 고려하여 정리하고, 우리나라의 적설자료의 현황을 분석하여 제시하였다. 빈도분석을 위해 L-모멘트 기법을 이용해 각 분포형의 매개변수를 선정하였으며, K-S 검정을 통해 최적분포형을 선택하였다. 연구 결과 0을 포함하거나 포함하지 않음에 따라 선택되는 최적분포형이 달라지는 경우가 다수 있었으며, 전체적으로 Park and Chung (2019)가 제안한 방법의 확률분포형이 기존에 비해 향상된 적합도를 보여주었다. 특히, 0이 많이 포함된 지점은 0을 포함하였을 때 재현기간이 짧은 구간에 있는 0값들이 확률밀도함수 선택에 영향을 주어 재현기간이 긴 구간의 자료추정에 왜곡이 발생하는 것으로 보였으며, 조건부결합확률밀도함수를 적용하여 이러한 현상을 개선할 수 있었다. 이에 개선된 지점별 빈도별 확률적설심을 계산하여 각 지점별로 제시하고 이를 바탕으로 재현기간별 확률적설심도를 제시하였다. 그리고, 계산된 확률적설심을 비닐하우스와 건축설계기준값과 비교하여 현재 설계에 사용되고 있는 확률적설심이 본 연구에서 계산한 값과 다소 차이가 존재한다는 것을 보였다. 본 연구의 결과가 기존 설계기준과 비교하여 더욱 정확하다고 단정하기는 어렵지만, 자료의 특성을 좀 더 정확하게 분석하고, 분석 방법을 더욱 정교하게 하기 위한 노력의 첫 걸음으로 향후 우리나라의 적설자료 빈도해석 방법의 기준을 마련하는데 도움이 될 것이라고 판단한다.

Acknowledgements

이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No.2017R1A2B2008828).

References

Choi, G., and Kim, J. (2010). "Surface synoptic climatic patterns for heavy snowfall events in the Republic of Korea." Journal of Korean Geographical Society, Vol. 45, No. 3, pp. 319-341.

Hosking, J.R.M. (1990). "L-moments: analysis and estimation of distibutions using linear combinations of order statistics." Journal of the Royal Statistical Society: Series B, Vol. 52, pp. 105-124.

10.1111/j.2517-6161.1990.tb01775.x

Judson, A., and Doesken, N. (2000). "Density of freshly fallen snow in the central rocky mountains." Bulletin of the American Meteorological Society, Vol. 81, No. 7, pp. 1577-1588.

10.1175/1520-0477(2000)081<1577:DOFFSI>2.3.CO;2

Korea Construction Standards Center (KCSC) (2018). KDS 41 10 15: Korea building code for design loads. pp. 22-33.

Korea Meteorological Administration (KMA) (2017). Annual Climatological Report 2017. Publication No. 11-1360000-000016-10, pp. 2-6.

Lee, J.J., Jung, Y.H., and Lee, S.W. (2007). "A study on the evaluation of probable snowfall depth in Korea." Journal of the Korean Society of Hazard Mitigation, Vol. 7, No. 2, pp. 53-63.

Maidment, D.R. (1993). Handbook of Hydrology. McGraw-Hill. New York, N.Y., U.S.

Ministry of Agriculture, Food, and Rural Affairs (MAFRA) (2019). "Regulations on the design disaster-resistance criteria and registration of disaster-resistant facility standards for horticultural / special crop cultivation facilities." Ministry of Agriculture, Food and Rural Affairs Announcement, No. 2019-44.

Park, H., and Chung, G. (2019). "Frequency analysis for annual maximum of daily snow accumulations using conditional joint probability distribution." Journal of Korea Water Resources Association, Vol. 52, No. 9, pp. 627-635.

Yu, I.S., Kim, D.H., and Jeong, S.M. (2016). "Assessment of design snow depth for green house using frequency analysis." Journal of the Korean Society of Hazard Mitigation, Vol. 16, No. 1, pp. 247-254.

10.9798/KOSHAM.2016.16.1.247

Yu, I.S., Kim, H.Y., Chung, G.H. and Jeong, S.M. (2014). "Estimation of snowfall frequency and selection of appropriate probability distribution in Korea." Journal of the Korean Society of Hazard Mitigation, Vol. 14, No. 4, pp. 101-109.

10.9798/KOSHAM.2014.14.4.101

Journal of Korea Water Resources Association ISSN:2799-8746(Print) 2799-8754(Online) 한국수자원학회 논문집

Preview

Probable annual maximum of daily snowfall using improved probability distribution

ABSTRACT

MAIN

Fig. 1.

Fig. 2.

Fig. 3.

Fig. 4.

Fig. 5.

Acknowledgements

References