1. 서 론
2. 방법론
2.1 연구대상 유역
2.2 전지구모형 및 미래 기후변화 시나리오
2.3 SWAT 모형 및 R-SWAT
2.4 수문모형 보정자료의 길이 및 수문조건 설정
2.5 불확실성 분석
3. 결 과
3.1 수문모형 보정자료 조건 설정
3.2 수문모형 보정자료에 따른 보정 및 검증성능
3.3 미래 기후자료 구축
3.4 미래 유출량 추정
3.5 미래 유출량 추정 불확실성 정량화
4. 결 론
1. 서 론
기후변화로 인한 온도 상승과 강수 패턴의 변화는 전 세계적으로 수문학적 순환에 큰 영향을 미치고 있으며, 이에 따라 미래 유출량 추정의 중요성이 더욱 강조되고 있다(IPCC, 2021; Milly et al., 2008). 극한 기상 현상의 빈도와 강도가 증가하면서 홍수와 가뭄과 같은 수자원 관련 재해의 위험도 높아지고 있으며, 이에 따른 신뢰할 수 있는 유출량 예측은 수자원 관리와 계획 수립에 필수적이다(Hirabayashi et al., 2013; Van Loon et al., 2016; Mahabadi and Delavar, 2024).
수문모형은 유역의 물 순환 과정을 모의하여 강우-유출 관계를 재현하고 기후변화 시나리오에 따른 유출량을 추정하는 데 널리 사용되고 있다(Kim et al., 2022; Song et al., 2022). 그러나 수문모형을 이용한 유출량 모의는 매개변수 보정 과정에 크게 의존하며, 보정에 사용되는 자료의 특성은 모형의 성능과 불확실성에 직접적인 영향을 미친다(Moriasi et al., 2007; Xu et al., 2007; Renard et al., 2010).
보정자료의 길이가 길수록 모형의 안정성이 높아질 수 있지만(Sorooshian et al., 1983; Kim et al., 2011; Motavita et al., 2019), 너무 긴 기간의 자료는 기후 및 토지 이용 변화로 인한 비정상성(non-stationarity)을 포함할 수 있어 모형의 정확도를 저하시킬 수 있다(Merz et al., 2011). 반대로, 짧은 기간의 보정자료는 극한 수문조건을 충분히 반영하지 못해 미래 예측의 불확실성을 증가시킬 수 있다. 또한, 보정자료의 수문조건 다양성은 모형의 검증 및 예측 성능에 영향을 미친다(Yilmaz et al., 2008). 이에 따라 극한 기후 상황에서의 모형 성능을 향상시키기 위해서는 다양한 수문조건을 포함한 보정이 필요하다.
불확실성 분석을 위해 분산분석을 활용하는 것은 다양한 불확실성 요인들의 상대적 기여도를 정량화하는 데 효과적이다(Yuan et al., 2023; Mo et al., 2024). 분산분석은 각 요인 및 요인 간 상호작용의 영향을 평가할 수 있어, 복잡한 시스템에서의 불확실성 원인을 파악하는 데 유용하다. 최근에는 수문학 분야에서 기후모형, 기후변화 시나리오, 수문모형 매개변수 등의 불확실성을 평가하기 위해 분산분석이 활용되고 있으며(Chen et al., 2022; Wang et al., 2022), 이는 수문모형의 예측 신뢰성 향상에 기여하고 있다.
미래 유출량 추정에는 기후변화 시나리오와 General Circulation Model (GCM)의 불확실성이 내재되어 있다. 최근 CMIP6 등의 최신 기후모형과 기후변화 시나리오인 SSPs 시나리오를 활용한 연구가 활발히 진행되고 있으며(Song et al., 2021), 지역적 규모에서의 기후 영향 평가가 중요해지고 있다(Knutti and Sedláček, 2013). 그러나 수문모형 보정자료의 특성과 결합하여 미래 유출량 추정의 전체적인 불확실성을 정량화한 연구는 여전히 부족하다.
이에 따라 본 연구에서는 안동댐 상류 유역을 대상으로 수문모형 보정자료의 양과 수문조건이 미래 유출량 추정의 불확실성에 미치는 영향을 분석하고자 한다. 안동댐 유역은 한국의 주요 수자원 지역으로서, 다양한 수문학적 연구에 활용되어 왔다(Lee et al., 2021). 이를 위해 SWAT (Soil and Water Assessment Tool) 모형을 활용하여 다양한 보정자료 조건에서의 모형 보정 및 검증을 수행하고, CMIP6의 20개 GCM 들과 SSPs 시나리오를 적용하여 미래 기후 자료를 구축하였다. 이후 분산분석을 이용하여 수문모형 보정자료의 특성이 미래 유출량 추정의 불확실성에 기여하는 정도를 정량화하였다.
본 연구는 수문모형 보정자료의 특성을 고려한 미래 유출량 추정의 불확실성 분석을 통해 기후변화에 대응한 수자원 관리 및 계획 수립에 필요한 기초 자료를 제공하고, 수문모형 보정 시 보정자료의 양과 수문조건 설정에 대한 중요성을 제시하고자 한다.
2. 방법론
2.1 연구대상 유역
본 연구의 연구대상 유역은 수문모형 보정자료에 따른 미래 유출량 추정의 불확실성 분석을 위해 보정자료의 양(길이)과 보정자료의 상태(수문조건)을 함께 고려할 수 있는 유역으로 선정하고자 하였다. 다양한 보정자료의 영향을 고려하기 위해 비교적 관측 자료가 풍부한 댐 상류 유역을 고려하였으며, 이 중 안동댐 상류 유역을 선정하였다. 안동댐 상류 유역은 Fig. 1과 같이 위도 36.5°~37.5°, 경도 128.5°~129.5°로 우리나라 남동쪽에 위치하고 있다. 안동댐 유역은 낙동강 유역에 포함되어 있으며, 북쪽으로는 한강유역, 서쪽으로는 내성천, 동쪽으로는 태백산맥과 접해 있다. 안동댐 유역의 유역면적은 1,584 km2이며, 연 평균 기온은 12.2°C, 연 평균 강수량은 1,045.7 mm이며 도심지 비율 0.7%, 초지비율 78.8%로 자연 유역으로 정의된다. 또한, 댐 상류유역이기 때문에 댐 방류량과 같은 인공 구조물의 영향을 받지않아, 수문모형을 이용한 수문분석 시, 자연 현상만을 고려해도 분석이 가능한 이점이 있다. 본 연구를 위해 우리나라 한국 기상청에서 관리하는 안동댐 유역 인근 3개의 기상관측소 자료와 안동댐 유입량 자료를 이용해 연구를 수행하였으며, 수문모형에 필요한 지형자료는 환경지리정보원(Environmental Geographic Information Service, EGIS), 한국토양정보 시스템(Korean Soil Information System, KSIS)의 자료를 이용해 구축하였다.
2.2 전지구모형 및 미래 기후변화 시나리오
GCM (General Circulation Model)은 대기, 해양, 지표면에서의 물리적 순환을 반영하여 온실가스 농도에 따른 미래 기후 예측 연구에 사용된다. 본 연구에서는 CMIP6 GCM 들 중 동아시아 및 우리나라(Chae et al., 2024)를 대상으로 하는 연구에서 주로 쓰인 20개의 GCM 들을 이용해 연구를 수행하였다. 본 연구에서 사용된 GCM의 정보는 Table 1과 같으며, 기후변화 시나리오는 SSP2-4.5, SSP3-7.0, SSP5-8.5를 이용하여 연구를 수행하였다.
Table 1.
Information about the GCMs used in this study
GCM 기후 자료는 일반적으로 관측 자료 대비 공간 해상도 차이를 가져 상세 분석을 위해서는 다운스케일링 및 편의보정 과정이 필수적이다. GCM에 따른 기후자료는 기상청 관리 기상관측소 위치에 따라 역거리가중법(Inverse Distance Weighting, IDW)을 이용해 공간 보정하였으며, 분위사상법(Quantile Mapping Method)을 이용해 편의보정을 수행하였다. 분위사상법은 모의값의 누적분포 함수를 관측값의 누적분포 함수에 맞추어 보정하는 기법으로 크게 매개변수적 방법과 비모수적 방법으로 나뉜다(Gudmundsson et al., 2012). 매개변수적 방법은 특정 확률분포를 가정한 변환 함수를 사용하는 반면, 비모수적 방법은 특정 분포를 가정하지 않고 경험적 누적 분포 함수를 직접 이용한다. 본 연구에서는 비모수적 분위사상법 중 평활 스플라인(smoothing spline) 방법을 적용하였다. 분위사상법은 편의보정에 보편적으로 이용되고 있으며(Song et al., 2020; Chae et al., 2022), Eq. (1)과 같다.
여기서, 는 편의보정 된 값, 는 모의 값, 는 모의 값의 누적 분포 함수, 는 관측 값의 누적 분포 역함수이다.
2.3 SWAT 모형 및 R-SWAT
본 연구에서는 수문모형 중 비교적 입력자료가 간편하며, 해당 유역의 장기 강우-유출 분석이 가능한 SWAT으로 선정하였다. SWAT은 물리적 기반 준 분포형 모형이며, 대규모 유역에서 장기간에 걸친 토지이용, 토양에 따른 유출량 모의가 가능하다(Arnold et al., 1998). SWAT의 수문순환은 Eq. (2)와 같이 수행된다.
여기서 는 초기 토양 수분 함량(mm), 는 일최종 토양 수분(mm), 는 강수량(mm), 는 지표 유출량（mm), 는 증발산량(mm), 는 침투 수량(mm), 는 지하수 유출량(mm), 는 시간(일)이다.
SWAT 매개변수 보정은 R-SWAT을 이용해 수행되었다. R-SWAT은 R Language 기반으로 개발되었으며, 매개변수 보정 및 불확실성 분석에 널리 사용되는 SUFI-2(Sequential Uncertainty Fitting version 2) 알고리즘이 통합되어 있다(Nguyen et al., 2022). 본 연구에서는 SUFI-2 알고리즘을 이용해 매개변수 최적화를 수행하였으며, 매개변수 최적화에 이용된 SWAT 모형 매개변수는 Table 2와 같다.
Table 2.
Calibrated SWAT parameters and initial ranges
2.4 수문모형 보정자료의 길이 및 수문조건 설정
보정자료의 양(길이)에 따른 미래 유출량 추정 불확실성 분석을 위해 보정자료 길이를 1년부터 10년까지 1년 단위로 변화시켜 설정하였다. 최소 길이인 1년은 매우 짧은 보정자료가 수문모형 보정에 미치는 영향을 고려하기 위해 포함되었으며, 최대 길이인 10년은 수문모형 보정에서 비교적 안정적 성능을 기대하기 위해 긴 기간 자료사용하는 점을 고려해 설정하였다. 10년을 초과하는 더 긴 기간은 전체 유입량 자료 기간(1990년~2023년) 내에서 독립적 검증 기간 확보에 제약을 줄 수 있어 본 연구에서는 보정자료 길이를 1년부터 10년까지로 설정하였다.
수문모형 보정자료의 양뿐만 아니라 수문조건도 함께 고려하였으며, SDI (Streamflow Drought Index)를 활용하여 수문조건을 분류하였다. SDI는 일반적으로 해당지역의 유출량에 따라 가뭄의 상태 및 심각성을 정량화하는데 이용되는 수문학적 가뭄지수이다(Nalbantis and Tsakiris, 2009). SDI는 Eq. (3)과 같이 산정되며, 본 연구에서는 SDI의 가뭄 분류에 따라 0.5이상을 습윤, -0.5이하를 건조, 그 사이를 평년으로 구분하여 보정자료 기간의 수문조건을 설정하였다.
여기서, 는 번째 연도에서 기간 동안 누적된 유출량 값이며, 와 는 각각 누적된 유출량의 평균과 표준편차이다.
2.5 불확실성 분석
미래 유출량 추정의 과정은 SSPs 시나리오에 따른 GCM의 미래 기후자료와 수문모형을 이용해 모의된다. 이 과정에서 미래 기후는 SSPs 시나리오, GCM에 따라 다르게 구성되며, 수문모형은 보정자료에따라 서로 다르게 보정된 매개변수의 영향을 받아 유출량을 모의한다. 본 연구에서는 이러한 미래 유출량 모의의 불확실성 원인들의 기여도를 산정해 불확실성 분석을 수행하였다. 이를 위해 분산분석(ANalysis Of VAriance, ANOVA)을 이용하였다. 분산분석은 각 불확실성 요인 간 상호작용에 의한 결합 효과도 평가할 수 있으며, 이에 따라 불확실성 분석 연구에 활용되고 있다(Chen et al., 2022; Wang et al., 2022). 미래 유출량 추정 불확실성 요인을 SSP, GCM, 수문모형 보정자료 길이(Period Length, PL), 보정자료 수문조건(Hydrological Conditions, HC)로 구분하였다. 분산분석은 총 제곱합(Total Sum of Squares, SST)을 각 요인 및 상호작용에 귀속되는 제곱합(Sum of Squares, SS)으로 분해하며, Eq. (4)와 같이 산정한다.
여기서, 는 전체 모의된 미래 유출량 추정값의 총 변동성을 나타내는 총 제곱합이며, , , , 은 GCM, SSP, HC, PL에 따른 제곱합으로, 각 요인들이 미래 유출량 변동성에 기여하는 정도를 나타낸다. 등은 요인 간 상호작용 효과에 의한 제곱합으로 요인들의 조합으로 인해 발생하는 추가적인 변동성이다. 본 연구에서는 미래 유출량 추정 불확실성 분석의 명확성을 위해 주요 3차 상호작용에 초점을 맞추어 분석하였으며, 해석이 복잡하고 상대적으로 기여도가 작을 것으로 예상되는 4차 상호작용은 잔차 항에 포함한 것으로 간주하였다. 각 불확실성 요인 및 상호작용의 상대적 기여도는 해당 요인의 제곱합을 총제곱합으로 나눈 비율로 계산하였다.
3. 결 과
3.1 수문모형 보정자료 조건 설정
미래 유출량 추정의 불확실성 요인 중, 수문모형 보정자료에 의한 영향을 분석하기 위해, 안동댐의 1990년부터 2023년의 유입량 자료를 수집하였다. 보정자료 조건은 크게 자료의 양(길이)과 상태(수문조건)으로 나누었다. 수문모형 보정에 이용되는 자료의 길이는 다양한 자료의 양을 고려하기 위해 1년부터 10년으로 설정하고, 수문조건은 SDI를 이용하여 정의하였다(Fig. 2). SDI에 의해 정의된 수문조건은 실제 낙동강 유역의 1994년~1995년, 2009년, 2014년~2015년, 2016년~2017년, 2022년의 실제 가뭄 사례를 모의 할 수 있었다. 이에 따라 SDI를 이용해 정의된 수문조건이 실제 연구대상유역의 수문 상태를 반영한 연구를 수행하기에 적합한 것으로 확인되었다. 다양한 보정자료 길이 및 수문조건을 고려한 SWAT 매개변수 보정을 수행하였으며, 보정기간과 검증기간은 서로 중첩되지 않는 독립성을 유지하여 연구를 수행하였다.
3.2 수문모형 보정자료에 따른 보정 및 검증성능
SWAT 매개변수 보정 전, 후의 KGE (Kling-Gupta Efficiency) 성능은 Fig. 3(a)과 같다. KGE는 기존 수문모형 모의 성능에 이용되는 NSE (Nash-Sutcliffe Efficiency)의 문제점을 인식한 후, 개선한 지표이며, 관측 유량과 모의 유량간 평균 편향성, 변동 편향성, 교차 상관관계를 고려할 수 있는 장점이 있다(Gupta et al., 2009). 1년~10년의 보정자료 길이에 따른 SWAT 매개변수 보정 전, 후 KGE 값은 보정 후 증가하는 것으로 나타났다. KGE는 보정 전 평균 0.63에서 보정 후 0.75로 증가하였다. 일반적으로 KGE 값은 0.5 이상일 시, 좋은 성능이라 말할 수 있다.
서로 다른 보정자료 길이에 따른 검증기간 연도는 SWAT 매개변수 보정에 이용되는 보정 자료의 연도와 중복되지 않게 설정하여 독립성을 유지하였으며, 보정자료의 길이에 따른 검증성능은 Fig. 3(b)와 같다. 검증 성능 KGE 값은 보정자료 2년길이에서 평균 0.56으로 가장 높게 분석되었으며, 지속기간 1년에서 0.48로 가장 낮게 분석되었다. 10년의 중간인 5년을 기준으로 1년~5년의 검증기간 KGE 값은 0.538, 6년~10년의 검증기간 KGE 값은 0.531으로 짧은 길이의 보정자료를 사용하였을 시, 검증성능이 높게 분석되었다. 중앙값의 경우, 보정자료 길이 4년일 시, 중앙값은 0.56로 가장 높게 분석되었으며, 1년일시 KGE 중앙값은 0.47로 가장 낮게 분석되었다. 보정자료 길이에 따른 KGE 값은 1년~5년의 중앙값 평균은 0.533, 11년~10년의 중앙값 평균은 0.539로, 보정자료 길이가 길 수록 KGE 값이 높게 나타났다. 이는 보정자료 길이가 짧을 경우 검증 성능이 좋을 수 있으나, 각 보정 기간에 따른 편차가 큰 것으로 사료되어 사분위 수 범위(InterQuartile Range, IQR)을 이용한 분석을 수행하였다. 분석 결과 보정자료 길이 1년~5년의 IQR 평균은 0.212, 6년~10년의 IQR 평균은 0.169로 보정자료 길이가 길 수록 전체 검증 성능의 편차가 줄어들 수 있음을 확인하였다. 보정자료 길이가 검증성능에 미치는 영향을 분석한 결과 기존의 보정자료 길이가 길수록 수문모형 보정성능에 유리하다라는 기존 인식(Motavita et al., 2019)과 다르게 분석되었다. 이는 검증 성능이 자료의 길이 자체보다는 해당 기간에 포함된 수문학적 변동성을 모형이 얼마나 효과적으로 학습했는지에 더 크게 좌우될 수 있음을 시사한다. 짧은 보정 기간은 특정 수문 조건에 편중될 수 있어, 우연히 검증 기간과 유사한 특성을 가질 경우 높은 성능을 보일 수 있지만, 다른 조건에서는 성능이 급격히 저하될 수 있다.
보정자료의 상태(수문조건)에 따라 검증성능에 미치는 영향 분석을 수행하였다. 보정자료 기간의 SDI에 따른 KGE값을 검증기간의 수문조건(건조, 평년, 습윤)에 따라 분류한 결과는 Fig. 4와 같다. 검증기간의 수문조건에 따라 분류하였으며, 히트맵상 x축은 보정자료 기간의 수문조건, y축은 보정 자료 길이를 의미한다. 히트맵상 붉은색은 KGE 값이 높은 것을 의미하며, 푸른색은 KGE 값이 낮은것을 의미한다. 전체적으로 건조, 평년의 검증기간 수문조건에서 보정자료 기간 SDI가 낮을수록(건조할수록) 검증성능 KGE 값이 높은 것으로 분석되었다. 건조한 검증기간의 KGE값은 건조한 매개변수를 사용했을 시, 0.46으로 가장 높았으며, 습한 매개변수는 0.41로 가장 낮았다. 평년의 검증기간에서 검증성능은 건조한 매개변수에서 0.55로 가장 높았으며, 습한 매개변수는 0.53으로 가장 낮았다. 습한 검증기간의 경우 보정자료 기간의 SDI가 높을수록(습윤할수록) 검증성능 KGE 값이 높은것으로 분석되었다. 습한 검증기간동안 검증성능은 습한 매개변수의 KGE값은 0.66으로 가장 높았으며, 건조한 매개변수는 0.56으로 가장 낮았다. 즉, 수문모형 매개변수 보정에 이용되는 보정자료 기간이 건조한 수문모형 매개변수는, 건조 또는 평년 수문조건의 검증성능이 높으며, 습윤한 매개변수는 습윤한 검증성능이 높은 것으로 분석되었다. 분석결과 수문모형의 검증성능은 보정자료 양보다 수문조건에 의해 더 큰 영향을 받는 것으로 분석되었다.
3.3 미래 기후자료 구축
본 연구에서는 SWAT 입력자료로 이용되는 20개의 CMIP6 GCM의 일 단위 강수, 최고온도, 최저온도에 대한 편의보정을 수행하였다. 안동댐 인근 3개 기상관측소의 과거기간(1985년~2014년) 일 단위 관측 자료를 기준으로 편의보정을 수행하였다. 편의보정의 성능을 평가하기 위해, 과거기간(1985년~2014년)에 대해 편의보정 전(raw) 및 후(bias corrected) GCM 자료와 관측자료 간의 성능 평가 지표(RMSE, 상관계수, KGE)를 산정하였으며, 그 결과 범위는 Table 3과 같다. 평가 결과, 모든 지표에서 편의보정 후 GCM 자료가 관측자료와의 일치성이 크게 향상되어 과거 기후의 통계적 특성을 더 잘 재현하는 것으로 나타났다. 편의보정을 통해 GCMs 자료가 과거 관측치의 통계적 특성을 더 잘 모의하게 됨에 따라, 미래 기후 시나리오 기반 미래유출량 추정 분석에 관한 적합성이 향상되었다고 판단하였다.
Table 3.
GCM data performance of daily precipitation and temperature for raw and bias corrected data
미래 유출량 추정에 이용되는 GCM에 따른 미래 일 단위 강수량, 최고온도, 최저온도와 과거기간 관측 기후자료는 Fig. 5와 같다. 미래 기후자료는 근 미래(2041년~2070년), 먼 미래(2071년~2100년), SSPs 시나리오에 따라 분류하여 분석하였다. 분석 결과 일 단위 강수량, 최고기온, 최저기온 모두 전반적으로 과거 대비 증가하는 것으로 분석되었다. 또한 이러한 과거기간 대비 미래기간의 강수량 변화량은 SSP5-8.5에서 가장 크게 분석되었다. 강수량은 7, 8월은 제외한 모든 월에 전반적으로 증가하였으며, 특히 4월~5월에 큰 폭으로 증가하였다. 온도의 경우 모든 계절에서 증가하였으며, 특히 가을(9월~11월)에 가장 큰 폭으로 증가하였다.
3.4 미래 유출량 추정
미래 기후자료에 따른 SWAT 모형을 이용한 계절별 과거대비 미래 유출량 변화율은 Table 4와 같다. 전반적으로 미래 유출량은 과거 대비 증가하는 것으로 분석되었으며, 이러한 증가는 근 미래보다 먼 미래에서 더 큰 폭으로 증가하였다. 미래 유출량은 미래 강수량과 같이 SSP2-4.5에서 SSP5-8.5로 SSPs 시나리오가 증가함에 따라 일괄적으로 증가하지는 않았다. 이는 기후변화 시나리오의 증가에 따른 온도증가 폭이 존재하며, 이에 따른 잠재증발산량 증가의 영향으로 사료된다. 미래 유출량 증가는 여름철(6월~8월)을 제외한 모든 계절에서 과거 대비 증가하였다.
Table 4.
Seasonal change ratios in future runoff compared to historical observed runoff (Unit: %)
수자원 관리에서 중요한 극한 유출량 분석을 수행하였다. 수문모형 보정 자료 수문조건에 의한 미래 극한 유출량 추정 차이 분석은 유량지속곡선(flow duration curve)를 이용하여 수행하였으며, Table 5와 같다. 갈수기의 극한 유출량을 고려하기 위해 하위 25% 값인 △Q75 유출량 값을 이용하였으며, 보정자료의 수문조건에 따른 차이를 분석하기 위해 습윤한 보정조건의 미래 유출량과 건조한 보정조건의 미래 유출량의 차이를 산정하였다. 수문모형 보정자료로 인해 달라지는 미래 극한 유출량 차이는 SSP5-8.5에서, 근 미래보다 먼 미래에서 더 큰 편차로 분석되었다. 보정자료 수문조건에 의한 극한 유출량 차이 및 변화율은 SSP2-4.5에서 근 미래 7.24 m3/s (10.28%), 먼 미래 7.00 m3/s (10.42%), SSP3-7.0에서 근 미래 7.04 m3/s (9.58%), 먼 미래 7.71 m3/s (9.56%), SSP5-8.5에서 근 미래 7.43 m3/s (9.32%), 먼 미래 7.88 m3/s (9.94%)로 분석되었다.
Table 5.
Difference in future extreme runoffs based on SSPs
| SSPs | Near future | Far future | ||
| △Q75 (m3/s) | Ratio (%) | △Q75 (m3/s) | Ratio (%) | |
| SSP2-4.5 | 7.24 | 10.28 | 7.00 | 10.42 |
| SSP3-7.0 | 7.04 | 9.58 | 7.71 | 9.56 |
| SSP5-8.5 | 7.43 | 9.32 | 7.88 | 9.94 |
3.5 미래 유출량 추정 불확실성 정량화
분산분석을 이용한 미래 유출량 추정의 불확실성 요인에 따른 불확실성 기여율은 Fig. 6과 같다. 전체적인 불확실성 기여율은 Fig. 6(a)와 같이 GCM 들에 의한 기여율이 70% 이상으로 가장 크게 분석되었으며, 다음으로는 SSPs 에 의한 기여율이 8% 이상으로 기여하였다. 이러한 결과는 미래 수문 전망의 불확실성 분석에 관한 다수의 선행 연구 결과와 일치하는 것으로 분석되었다(Gaur et al., 2021; Shi et al., 2022). 근 미래에서 먼 미래에 따른 기여율 변화는 GCM에서 77.5%에서 68.8%로 감소하였으며, SSP에 의한 기여율은 8.6%에서 18.7%로 증가하였다. Fig. 6(b)와 같이 수문모형 보정자료의 길이, 수문조건에 따른 기여율은 개별적으로 분석하였다. 전체적인 수문모형에 의한 미래 유출량 추정 불확실성 기여도는 먼 미래보다 근 미래에서 더 큰것으로 분석되었다. 이는 먼 미래에서 GCM, SSP에 의한 기후변동성이 커지며, 이에 따른 불확실성 증가로 사료된다. 수문모형에 의한 미래 유출량 추정 불확실성은 봄철(근 미래-10.47%, 먼 미래-8.28%)로 가장 컸으며, 근 미래의 경우 6월에 최대 13.95%, 먼 미래의 경우 4월에 10.64%로 가장 크게 기여하였다. 이는 수문모형 보정자료에 의한 미래 유출량 추정 불확실성이 1년 중 특히 유출량이 적은 계절에 크게 기여하는 것으로 나타났다.
4. 결 론
본 연구에서는 SSP, GCM, 수문 모형 보정자료에 따른 미래 유출량 추정 불확실성 분석을 수행하였다. 안동댐 상류 유역을 대상으로 20개의 CMIP6 GCM 들과 3개의 SSPs 시나리오들을 활용한 미래 기후자료를 구축하였으며, 댐 유입량을 이용해 보정자료 길이, 수문조건에 따라 서로 다른 매개변수 최적화를 수행하였다. 수문모형 매개변수 보정 및 검증 결과, 보정 자료의 수문 조건이 검증 성능에 미치는 영향이 보정 자료의 양(길이)보다 더 크다는 것이 정량적으로 확인되었다. 건조한 수문 조건에서 보정된 매개변수는 건조하거나 평년인 검증 기간에서, 습윤한 수문 조건에서 보정된 매개변수는 습윤한 검증 기간에서 상대적으로 높은 성능을 보였다. 이는 특정 조건에 맞춰진 매개변수가 유사한 조건에서 더 잘 작동한다는 당연한 결과일 수 있으나, 본 연구를 통해 그 효과의 중요성을 안동댐 유역 사례에서 다시금 확인하였다는 데 의미가 있다. 즉, 단일 보정 기간을 선택할 때 해당 기간이 미래에 예측하고자 하는 다양한 수문 상황을 얼마나 잘 반영하는지 평가하고, 가능하면 다양한 조건이 포함된 기간을 사용하거나, 특정 조건(가뭄 또는 홍수)에 편중된 자료로 보정된 모형의 예측 결과를 해석할 때 발생 가능한 편향을 확인하는 것이 필요하다.
미래 유출량 추정의 불확실성 분석 결과, GCM에 의한 불확실성이 전체의 70% 이상을 차지하여 가장 크게 기여하였으며, SSPs 시나리오에 따른 불확실성은 근미래에서 먼 미래로 갈수록 증가하는 경향을 보였다. 수문모형의 보정자료에 의한 불확실성 기여는 상대적으로 적지만, 유출량이 적은 봄철에 특히 두드러지게 나타난다. 이는 미래 수자원 관리 계획을 수립할 때 계절별 특성을 고려해야 하며, 특히 유출량이 적은 계절에서는 수문모형에 따른 불확실성을 면밀히 고려할 필요가 있음을 시사한다.
본 연구는 수문모형 보정자료의 특성이 미래 유출량 추정의 불확실성에 미치는 영향을 정량화함으로써, 기후변화에 따른 수자원 관리 및 적응 전략 수립에 유용한 정보를 제공할 것으로 기대된다. 더 나아가, 본 연구에서 확인된 미래 유출량 추정 시 보정자료 길이와 수문조건의 중요성, 유출량이 적은 시기에 수문모형에 의한 불확실성 기여는 안동댐 유역 뿐만이 아닌 다른 유역에 적용 후 검증이 필요하다. 향후 본 연구에서 적용된 분석 방법을 국내 또는 다른 기후 조건의 유역에 적용하는 후속 연구를 통해 결과의 일반화 가능성 평가가 필요하다.
