1. 서 론

2000년대에 들어서면서 수자원 관리의 패러다임은 수자원 자체를 확충하는 이른바 ‘Hard path’에서 이를 효율적으로 관리하는 기술 중심의 ‘Soft path’로 변화하고 있다(Gleick, 2002; 2003). 역설적으로, 이러한 변화는 기후변화에 따른 기상 이변의 강도와 빈도는 증가하는 데 반해(Cook et al., 2018), 이를 관리할 수 있는 인프라의 실질적 확충이 어려워졌다는 것을 반증한다. 따라서 신뢰도 높은 기상예측을 기반으로 수자원을 운영 및 관리, 대응(또는 대피)하는 과학적 물관리의 중요성은 날로 증대되고 있으며, 이를 위해 새로운 기술을 국내 여건에 대해 평가하고 도입, 발전시켜 나가는 것이 무엇보다 중요한 일이라 할 수 있다.

세계 기상 및 기후 시스템에 의해 생성되고 있는 중장기 또는 계절 기상 전망(Seasonal Meteorological Forecasts) 기술은 2000년대 이후, 큰 주목을 받고 있다(Bauer et al., 2015). 계절 기상 전망은 강수, 기온, 증발산과 같은 기후 인자에 대한 최장 7개월까지의 예측을 제공한다(Arnal et al., 2018; Coelho and Costa, 2010). 이러한 중장기적 관점의 기상 전망 정보는 수개월 후를 내다봐야 하는 수자원의 관리 측면에서 특히 매우 유용하게 활용될 수 있을 것으로 기대된다. 또한, 계절 기상 전망은 각 기관별로 매월 약 20~50개 정도의 앙상블 전망 시나리오를 제공하고 있기 때문에, 수자원 관리 의사결정에 있어서 불확실성을 고려하는 데도 도움이 될 수 있다(Boucher et al., 2012).

이에따라, 전 세계적으로 계절 기상 전망의 신뢰성을 평가하고 실제 예측 또는 물 관리에 적용하기 위한 다양한 연구 노력이 활발히 진행되고 있다. 최근에는 가뭄, 홍수를 비롯한 물 재해에 대한 예측 뿐 아니라 수력발전 및 에너지, 농업 수확량 전망 등 그 적용 및 연구 분야가 확대되고 있는 추세에 있다. 특히, 강수 및 기온 등 주요 기상인자들을 중심으로 계절 기상 전망이 과거 관측기록에 기반한 climatology에 비해 어느 정도의 정확도를 가지는지에 대해 유럽과 아프리카 지역을 중심으로 많은 연구 성과가 제시된 바 있다. 지금까지 연구 성과에 따르면, 계절 기상 전망은 향후 1달을 예측하는 데는 좋은 성능을 보였으나 리드타임이 증가할수록 정확도가 급격히 감소하며(Ogutu et al., 2016; Roy et al., 2020; Tchinda et al., 2022), 계절이나 지역에 따라서도 그 특성이 다르게 나타난다(Weisheimer and Palmer, 2014; Roy et al., 2020). 또한 계절 강수예측보다는 기온 예측이 더 정확도가 높지만(Greuell et al., 2019), 상대적으로 증발산에 대해서는 연구는 많이 이뤄지지 못했다. 아울러, 계절 기상 전망이 가지는 시스템적인 편의(bias) 특성과 이에 대한 편의 보정(bias correction) 효과에 관한 연구는, 대부분은 편의 보정이 전망의 정확도를 개선하는 데 효과가 있는 것으로 보고되고 있다(Charles et al., 2013; Crochemore et al., 2016).

국내에서는 El Niño-Southern Oscillation (ENSO) signal과 국내 기상현상을 연계하는 원격상관에 기반한 통계적 계절전망 기법이 많이 연구되어 왔다(Jin et al., 2005; Son et al., 2015; Lee and Julien, 2016; Kim and Kug, 2018; Kim et al., 2020; Noh and Ahn, 2022). 반면에 General Circulation Models (GCMs)에 기반한 계절 기상 전망 분야는 기상청, APEC Climate Center (APCC) 등 기관에서 활용 중인 GCMs의 퍼포먼스를 평가하는 방향으로 주로 연구되어 왔다(Lee et al., 2016; Hyun et al., 2020; Kim et al., 2021).

실제 수자원 관리에 있어서는 유역단위에서의 계절전망이 가지는 계절적, 지역적 특성 및 그 한계를 명확히 평가하는 것은 매우 중요한 일이다. 따라서, 본 연구에서는 국내 다목적댐 12개소 유역에 대해 유럽 중장기 기상전망 센터(European Centre for Medium Range Weather Forecasts, ECMWF)에서 제공한 2011년부터 2020년까지 계절 강수, 기온 및 증발산량 전망 결과를 climatology와 비교·평가하였다. 아울러, 본 연구를 통해 개발된 Python Jupyter Notebook 기반의 Open-Source 플랫폼을 공유함으로써 계절 기상 전망이 국내에 활발히 연구 및 활용되도록 지원하고자 하는 데 그 목적이 있다.

2. 재료 및 방법

2.1 데이터 및 연구지역

본 연구에서는 강수, 기온에 대해 각각 전국 약 1,318개의 강수 관측소(기상청, 환경부, K-water: 수문조사연보)와 510개 Automatic Weather System (AWS, 기상청 기상자료 개방포털)의 자료를 활용하였으며, 증발산량은 기상관측 자료를 활용하여 Penman-Monteith 기법에 기반 한 UN Food and Agriculture Organization에서 제공하는 표준화된 방식(FAO-56)으로 산정하였다. 각각의 데이터는 Thiessen 방법을 이용하여 대상 유역의 면적 평균 데이터로 변환하였다. 계절 기상 전망의 계절적 정확성을 평가하기 위하여, 가장 중요한 기상인자인 강수량을 중심으로 Dry (12~2월), Dry-to-Wet (3~5월), Wet (6~9월), 그리고 Wet-to-Dry (10~11월) season으로 구분하였다. 본 연구는 국내 12개 다목적댐 유역을 대상으로 하고 있기 때문에, Wet season에 대해서는 ‘댐과 보 등의 연계운영 규정’에 명시된 홍수기 기간(6.21~9.20일)을 고려하여 6월부터 9월까지 4개월간으로 정의하였다.

공간적으로는 하천, 댐 등으로부터 외부 유입이 없고, 건설 후 10년 이상이 경과하여 관측 수문자료가 충분히 누적된 전국 12개 다목적댐 유역(소양강, 충주, 횡성, 안동, 임하, 합천, 남강, 밀양, 용담, 섬진강, 부안, 장흥)에 대해 적용하였다. Fig. 1은 12개 대상 댐 유역의 위치와 우리나라 연 평균 강수량(Fig. 1(a)), 그리고 각 유역별 연 강수량 분포(Fig. 1(b))를 나타낸다.

Fig. 1.

(a) Location and spatial distribution of annual mean precipitation (1967-2020) across South Korea. (b) Variability of annual precipitation in each catchment (2001-2020)

2.2 계절 기상 전망

Copernicus Climate Data Store는 1°× 1° 해상도의 계절 기상 전망을 1993년부터 매월 제공하고 있다. 현재는 유럽 중장기 기상전망 센터(ECMWF), 영국 기상청(UK Met Office), 프랑스 기상청(Meteo France), 독일 기상 서비스(DWD) 등 총 8개 예측센터가 계절 기상 전망을 생성 및 서비스한다. 각각의 예측센터는 별개의 기후모델을 적용하고 있으며, 센터별로 리드타임과 앙상블 멤버의 수가 다소 상이하다. 본 연구에서는 전 세계적으로 가장 많이 연구되고 있으며, 계절 기상 전망 분야에서 선구적인 역할을 하고 있는 유럽 중장기 기후예측 센터(ECMWF, system5)에서 제공하는 자료를 활용하였다. 연구를 위해 1993년부터 2020년까지 28년간 한반도 지역의 데이터(NetCDF)를 내려 받았으며, 유역별 면적평균 강수, 기온 및 증발산 전망 Time-series 데이터를 추출하였다.

3. 연구 방법

본 연구는, ECMWF에서 제공하는 계절 강수, 기온 및 증발산량 예측의 정확성 수준을 검토하기 위해 수행된 것이다. 이를위해, 2011년부터 2020년까지 10년간 ECMWF에서 제공하는 계절 강수, 기온 및 증발산량에 대한 앙상블 전망 정보를 다운받아, 대상유역인 12개 다목적댐 유역에 대한 정확성(skill)을 과거 관측 데이터(climatology)와 비교·검토하였다. 여기서, climatology는 2011년부터 2020년까지 계절 전망의 정확성을 평가하기 위한 Reference로 활용되며, 매월 45개의 일정한 앙상블(1966년부터 2020년까지)을 가진다. 데이터의 편의 보정을 위해, 1993년부터 2010년까지의 계절기상전망 자료를 월별 관측 자료와 비교하였다(2.3.1절). 각 기상 인자들이 가지는 정확성을 평가하기 위해 Continuous Ranked Probability Skill Score (CRPSS) 기법을 채택하였다(2.3.2절).

3.1 편의 보정

기후 모델은 대부분 시스템적인 편의(bias)를 갖고 있어서, 기후 모델의 성능 향상을 위해 편의 보정 기법이 광범위하게 적용되고 있다(Maraun, 2016). 아울러 ECMWF에서 제공하고 있는 1°×1° 해상도는 유역단위 적용성 평가에 적용하기에는 해상도가 낮기 때문에, 다운스케일링 기법의 적용은 필수적이다. 통계적 다운스케일링 기법은 간단하고, 효과적이기 때문에 일반적으로 선호되는 방법이다(Fan et al., 2021). 편의 보정, Quantile perturbation, event-based weather generator 등 다양한 통계적 다운스케일링 기법들 중에서(Tabari et al., 2021), 편의 보정 방법은 기후 모델의 출력을 관측 데이터와 일치하도록 조정하여 성능을 향상시키는 데 널리 사용되고 있다(Keller et al., 2022; Maraun, 2016).

본 연구에서는 간편하지만 다양한 기존 연구들을 통해 그 성능이 입증된 바 있는(Azman et al., 2022; Shrestha et al., 2017) 선형 편의 보정 기법(Linear scaling) 기법을 적용하였다. 특히, 다양한 편의 보정 기법들을 적용하여 비교·평가한 기존 연구에서는 선형 편의 보정 기법이 다른 복잡한 기법과 유사하거나 더 뛰어난 성능을 나타낸다는 것을 증명된 바 있다(Crochemore et al., 2016).

구체적으로, 선형 편의 보정은 기후모형에서 생성된 결과를 지상 관측 데이터에 맞춰 일관성 있게 조절하는 과정(Maraun, 2016)이며, 본 연구에서 적용한 과정은 Fig. 2와 같이 표현될 수 있다. 우선, 각 유역의 보정 전 계절 기상 전망 시계열은 그 유역이 위치한 계절 전망 그리드의 시계열과 같다. 다만, 유역이 여러 개의 그리드에 걸쳐있는 경우, 그 면적비를 이용하여 각 유역별 면적 평균 계절 전망 시계열을 생성하였다. 계절 기상 전망 데이터가 가용한 1993년부터 2010년까지의 월별 앙상블 평균(forecasted)과 동기간 실제 관측된 월 평균 자료(observed)를 토대로 계절 전망과 관측치의 편의 보정계수(b_m)를 산정하였다. 기존 연구에 따르면, 기온의 경우 편의 보정 계수를 더하고, 강수나 기타 기상인자에 대해서는 곱하는 것이 더 우수한 개선효과를 기대할 수 있다(Shrestha et al., 2016). 따라서, 각 기상인자별로 아래 Eqs. (1a)~(1c)에 따라 2011년부터 2020년까지 유역별 면적평균 계절전망 데이터를 편의 보정한 시계열(*forecasted)을 생성하였다.

여기서, *forecasted는 편의 보정 후 일 계절 기상 전망 시계열 데이터, forecasted는 편의 보정 전 일 데이터를 각각 의미한다. b_m은 1993년부터 2010년까지 자료를 활용하여 생성한 m월에 대한 편의 보정 계수를 나타내며, μm은 월 평균 데이터, 그리고 observed는 일 단위 관측 데이터를 나타낸다.

Fig. 2.

Linear scaling process applied in this study

3.2 정확성(Skill) 평가

ECMWF에서는 계절전망은 2016년 까지는 25개와 2017년 부터는 51개의 전망 앙상블을 제공한다. 본 연구에서는 앙상블 형태의 데이터에 대한 정확성 평가를 위해 Brier Score (Brier, 1950), Ranked Probability Score (Epstein, 1969) 등 다른 기법들에 비해 민감하고 명확히 해석 가능하다는 장점이 있는 CRPS (Brown, 1974; Matheson and Winkler, 1976)를 활용하였다. CRPS는 앙상블 형태의 기상 전망의 skill을 정량적으로 평가하는 지표로서 전 세계적으로 많이 활용되고 있는 기법(Leutbecher and Haiden, 2020)이며, 특히 계절 기상 전망의 예측력을 평가하는데 많이 활용되고 있다(예, Arnal et al., 2018; Bett et al., 2020; Kolachian and Saghafian, 2019; Monhart et al., 2018; Peng et al., 2014; Ratri et al., 2021; Zarei et al., 2021). CRPS는 Eq. (2)와 같이 계산된다.

여기서, F(x)는 계절 기상 전망 앙상블의 누적분포를 나타내며, x와 y는 각각 예측 및 관측 값을 의미한다. H는 Indicator function으로 x≥y일 때 1, x<y일 때 0의 값을 가진다. 계절 기상 전망이 완벽할 경우에 CRPS는 0이 되고 값이 커질수록 정확도는 낮아진다.

CRPS는 앙상블 예측의 skill을 절대적으로 표현하지만, 그 값을 통해 정확성을 직관적으로 이해하기 어렵다는 단점이 있다. 따라서 CRPSS가 많이 활용되는데, 이는 예측 정확도를 참조 전망기법(Reference forecasting Method)과 비교하여 나타내는 방법이다. 본 연구에서는 과거 관측 자료로부터 생성된 기상 자료를 의미하는 climatology가 참조 전망기법으로 활용되었다. CRPSS는 간단히 아래 Eq. (3)으로 표현된다.

여기서 CRPS^Sys와 CRPS^Ref는 각각 계절 기상 전망과 참조 전망기법을 의미한다. CRPSS 값의 범위는 -∞에서 1까지이며, CRPSS가 양의 값을 가지면 계절 기상 전망이 참조 전망기법보다 정확도가 높고, 음의 값을 가질수록 참조 전망기법보다 정확도가 낮다는 것을 의미한다.

CRPSS는 최대 1에서 -∞로 변화하기 때문에 단순 평균을 하여 전반적 경향성을 표현할 경우, 음의 값이 산출될 가능성이 크고, 또한 평균 CRPSS는 특정 유역 또는 연도에서 비정상적으로 높거나 낮은 Skill Score 값에 의해 큰 영향을 받을 수 있다. 따라서 본 연구에서는 평균 CRPSS를 사용하는 대신 전체 유역 및 기간에 대해 계절전망이 climatology보다 더 정확할 확률을 나타내는 ‘Overall Skill’을 도입하였으며, 이는 Eq. (4)와 같이 계산된다.

여기서 N_c와 N_y는 각각 대상 유역과 연구 기간(년)의 수를 의미하며, H는 CRPSS(c,y)가 0보다 클 경우에 1, 작을 경우에 0을 각각 나타낸다. 만약 Overall skill이 50%를 초과한다면 계절 기상 전망이 해당 유역과 기간에 대해 climatology보다 높은 skill을 나타낼 확률이 높다는 것을 의미한다.

4. 연구 결과 및 고찰

4.1 편의 보정 전·후 계절 기상 전망과 climatology 비교(1개월 전망)

Table 1은 전망 데이터와 관측 데이터 간의 Error를 계절에 따라 평균 제곱근 오차(RMSE)로 나타낸다. 여기서, 강수량과 증발산량은 1개월에 대해 누적된 값이며, 기온은 평균값을 나타낸다. Fig. 3은 향후 1개월간 강수, 증발산 그리고 기온에 대한 계절 기상 전망(Fig. 3(a) 편의 보정 전, Fig. 3(b) 편의 보정 후)과 과거(1966-2010) 관측 데이터를 활용하여 생성한 climatology (Fig. 3(c))를 실제 관측 데이터와 비교한 것이다. 각각의 앙상블이 고려되지 않은 앙상블 평균에 대한 값을 관측 값과 비교한 것이므로, 1개월 전망의 전체적 경향을 각 시나리오에 따라 나타낸다.

강수 전망(Fig. 3의 첫 번째 행)은 대체로 세 가지 시나리오 모두에서 선형 관계가 나타나지만, 강수의 변동성이 큰 Wet season에는 과소 추정하는 경향이 있다. 이는 강수를 전망함에 있어, 평균적으로 계절전망 또는 climatology가 극한 홍수상황에 대해서는 전망하는 데 어려움이 있다는 것을 의미한다. 또한, Table 1에서 나타난 것과 같이 1개월 강수 전망에 대해서는 전체적으로 계절 기상 전망이 climatology보다 더 적은 Error를 나타내며, 편의 보정 전보다는 후에 전망의 정확성이 향상되는 경향을 나타낸다.

증발산량(Fig. 3의 두 번째 행) 역시 관측값과 대략 선형관계를 나타내지만, 편의 보정 전에는 과소 추정하는 경향이 전반적으로 나타난다. 여기서, 관측 증발산량은 기상관측 자료를 기반으로 Penman-Monteith 기법(FAO-56)으로 산정한 잠재증발산량(PET)이며, 계절 전망 증발산량은 실제 증발산량(AET)을 의미한다(참고로 ECMWF는 현재 잠재증발산량이 아닌 실제 증발산량만 제공하고 있다). 잠재 증발산은 실제 증발산보다 크기 때문에 전반적으로 과소 추정되는 것으로 나타난다. 편의 보정은 이러한 증발산량 전망 데이터를 바로잡는 데 효과적이다.

기온(Fig. 3의 세 번째 행) 전망은 다른 두 가지 기상인자에 비해 안정적이며, 계절적 특이성도 크지 않아서 RMSE 값도 매우 적다. 편의 보정 후가 전보다 RMSE가 줄어들었으나, 그 차이가 크지 않다. 또한, Climatology와 비교해서도 편의 보정 후의 계절 기온전망이 조금 더 나은 결과를 제공하지만, 그 차이가 크지 않다는 특성을 나타낸다.

4.2 편의 보정에 따른 계절 기상 전망의 정확도 변화

Table 2는 리드타임별 전체 12개 유역에 대해 평균된 CRPS 값을 편의 보정 전과 후에 대해 나타낸다. 즉, 각 기상인자들이 가지고 있는 기본적인 예측 정확성의 수준과 편의 보정에 따른 효과를 리드타임 변화에 따라 표현한다. 먼저, 기온의 CRPS가 가장 낮다는 것은 예측 신뢰도가 높다는 것을 의미하며, 강수, 증발산 및 기온 모두에서 편의 보정 이후 CRPS가 낮아졌음을(즉, 정확성이 개선되었음을) 확인할 수 있다. 특히, 증발산에 대해서는 편의 보정 전후의 차이가 매우 크며, 편의 보정에 따른 정확성의 개선이 다른 인자들보다 크게 나타난다.

Fig. 4는 CRPS의 계절에 따른 변화(Wet season과 Dry season)와 가장 건조하거나 습했던 해의 CRPS 변화 특성에 대해 나타내고 있다. 여기서 파란색과 붉은색 선은 각각 Wet season과 Dry sesaon을 나타내며, 리드타임(x축)에 따른 변화 양상을 나타낸다. CRPS는 계절 기상 전망의 앙상블 멤버들을 모두 고려하여 정확성을 측정하는 방법으로, CRPS 값이 더 낮을수록(즉, Grid 셀이 밝은 색일수록) 전망의 정확도가 높다는 것을 의미한다(섹션 2.3.1 참조).

계절 강수전망(Fig. 4(a))은 Wet season (6~9월)에 CRPS가 크고(정확성이 낮고), 반대로 Dry season (12~2월)에 작은(정확성이 높은) 계절적인 특성을 보인다. 또한 강수량이 많았던 2011년과 2020년에 비해, 강수량 부족이 심했던 2015년과 2017년에는 CRPS가 낮게 나타난다. 또한, 리드타임이 증가함에 따라 CRPS가 증가하는 경향이 뚜렷하게 나타나며, 이는 계절 강수전망의 예측력이 리드타임이 증가함에 따라 급격히 감소함을 의미한다.

강수 전망의 편의 보정은 전망의 정확성을 향상시키는 데 기여하며, 리드타임이 증가할수록 그 효과가 점차 커지는 경향을 보인다. 특히, 강수량이 많았던 2011년과 2020년의 경우 Wet season의 편의 보정 효과가 매우 크게 나타났다. 반면에, 건조했던 2015년과 2017년의 경우, Wet season에 대한 편의 보정 효과가 미미하거나, 오히려 예측 정확성 다소 감소되는 것을 확인하였다. 이는 계절 강수전망이 가진 시스템적인 편의(bias)에 따른 것으로 판단된다. 실제 편의 보정계수 산정 시, Wet season은 계절 강수전망이 강수량을 과소평가하는 것을 확인하였으며, Wet season의 편의 보정은 강수량을 증가시키는 효과가 있다. 이에 따라, Wet season의 강수량이 적었던 2015년과 2017년에 대해서는 효과가 미미하거나 부정적이었으며, 강수량이 많았던 2011년, 2020년에 대해서는 효과가 크게 나타난 것으로 판단된다.

계절 증발산량 전망(Fig. 4(b))은 계절 강수전망에 비해 전반적으로 낮은 CRPS를 나타낸다. 그러나, 리드타임의 증가에 따른 정확도 감소는 강수에서와 마찬가지로 증발산에서도 관측되며, 편의 보정에 따른 CRPS 개선효과는 계절 강수전망에서도 보다 더욱 뚜렷이 나타난다. 이러한 편의 보정 효과는 건조 또는 습한 해에서도 비슷한 경향을 나타낸다.

계절 기온 전망(Fig. 4(c))은 기본적으로 강수(Fig. 4(a)), 증발산(Fig. 4(b)) 전망에 비해 매우 낮은 CRPS, 즉 높은 정확도를 가진다. 이는 Fig. 3에서 나타난 바와 같이 기온전망의 신뢰도가 높기 때문이기도 하지만, 강수 및 증발산은 총량이 중요하기 때문에 리드타임 별로 누적하여 CRPS를 산정한 반면(예를 들어, 리드타임 2개월에 대한 CRPS는 1개월과 2개월의 강수량을 합산하여 계산), 기온은 매월 평균에 대해 CRPS를 계산하였기 때문이다. 따라서, 강수와 증발산에서 나타나는 리드타임에 따른 CRPS 증가추세는 크게 나타나지 않는다. 또한, 편의 보정은 Wet, Dry season에 대해 CRPS를 감소(예측 skill을 증가)시키는 데 기여하고 있으며, 계절 증발산량 전망과 마찬가지로 건조 및 습윤한 해에 따른 차이는 크게 나타나지 않는다.

본 연구에서 나타난 결과는 기본적으로 선행되었던 연구들과 많은 공통점을 가진다. 우선, 계절 강수전망의 정확성은 지역, 계절에 따라 변하며, 겨울철에 정확성이 높다(Arnal et al., 2018; Bett et al., 2020). 또한 계절 강수전망의 정확도는 리드타임 증가에 따라 감소하는 특성을 가지며(Bett et al., 2020; Gubler et al., 2020; Tchinda et al., 2022), 편의 보정은 전망 정확도를 개선하는데 도움이 될 수 있다(Charles et al., 2013; Crochemore et al., 2016; Ferreira et al., 2022). 또한, 편의 보정의 효과는 계절 및 리드타임의 변화와도 관련되어 있음을 확인하였다. 아울러, Wet season에 계절 강수전망의 CRPS가 증발산, 기온보다 더 크게 나타나는 것은(즉, 예측력이 낮은 것), 우리나라의 지역적 기후 특성, 즉 Wet season에 집중되는 강수와 높은 연간 강수량의 변동성 때문으로 추정된다.

Fig. 3.

Comparison of (a) before and (b) after bias correction of seasonal meteorological forecasts (ECMWF), and (c) climatology (ensemble mean, ,in order from precipitation to evaporation and temperature, y-axis) with observed data(x-axis) for 12 catchments for the 1 month ahead. The red, green, blue, and orange points represent the Dry (December to February)

Fig. 4.

Averaged CRPS (y-axis) over 12 catchments of seasonal (a) precipitation, (b) evapotranspiration and (c) temperature forecasts (ECMWF) during the dry (red line) and wet (blue line) season at different lead time (x-axis). Top to bottom rows show the average over entire years, dry years (2015, 2017) and wet years (2011, 2020)

4.3 계절 기상 전망의 계절적, 연도별 특성 비교

4.2절에서는 CRPS에 기반하여 각 기상 인자별 계절 전망이 가지는 절대적 skill에 대해 살펴보았다. CRPS는 앙상블을 가지는 기상전망의 예측력을 절대적 기준으로 평가하는데 유용한 도구로 평가되지만, 전망 기술에 대한 비교 대상이 없으므로 실제 어느 정도 정확한지는 직관적으로 판단하기 어려운 단점도 있다. CRPS 또는 CRPSS의 평균을 활용하는 기존 연구들과는 다르게, 본 절에서는 12개 유역 전반에 걸친 계절 기상 전망의 경향성을 Overall skill (3.2절 참조)을 활용하여 확률적으로 나타내고 있다(Fig. 5). 여기서, Overall skill이란 계절 기상 전망이 climatology보다 정확할 확률을 나타낸 것으로, 50% 이상(이하)일 경우 해당 유역 및 기간에 대해 climatology보다 정확성이 높을 확률이 높다(낮다)는 것을 의미이다(3.2절 참조).

계절 강수 전망(Fig. 5(a))은 편의 보정 전에는 1, 2개월 전망에서 climatology 보다 다소 높은 전망을 제시할 가능성이 높다. 이는 기존 연구들과 비슷한 결과를 나타낸다. Fig. 4에서 제시된 CRPS의 변화와 마찬가지로 overall skill도 리드타임 증가에 따라 전반적으로 낮아지는 경향을 보인다. 계절적으로는 Dry season에 climatology보다 정확성이 크게 낮았으며, 편의 보정 후에는 대부분의 리드타임에 대해 계절전망이 climatology보다 정확한 전망을 제공할 확률이 높게 나타낸다. 또한, 수자원 관리를 위한 강우-유출 해석에서 편의 보정된 계절 강수전망을 활용할 경우가 과거 기록에 의존하는 Ensemble Streamflow Prediction (ESP)를 활용하는 것보다 확률적으로는 더 유용할 수 있음을 시사한다. 이에 대해서는 앞으로 추가적인 연구 노력이 필요하다고 판단된다.

기존 연구들은 편의 보정이 계절 강수 전망의 정확성을 향상시키는데 크게 기여하며, 특정 지역과 계절에 계절 강수 전망이 Climatology 보다 우수할 수 있다는 것을 시사한다(Arnal et al., 2018; Crochemore et al., 2016; Roy et al., 2020; Tchinda et al., 2022). 본 연구에서는 Dry season의 예측력은 편의 보정을 통해 크게 개선되었지만, 편의 보정 후에도 climatology보다는 다소 낮게 나타났으며, 이는 연도별 편차가 크지 않은 Dry season의 경우에는 계절 기상 전망이 climatology를 능가하기 어렵다는 것을 간접적으로 나타낸다. 강수량이 많았던 2011년과 2020년에는 climatology에 비해 예측능력이 매우 낮았으나, 건조했던 2015년과 2017년은 대체로 예측력이 높았다.

특히, 연간 강수량의 약 70%가 집중되는 Wet season의 강수는 다음해 봄철까지 용수의 안정적 공급을 위해서 매우 중요한 기간이므로 이를 전망하는 것은 다른 계절보다 더 큰 의미를 가진다. 그러한 측면에서, 본 연구에서 제시한 건조했던 해(2015, 2017)의 Wet season 강수량 전망 결과는 주목할 만한 결과를 나타낸다. 이 시기에 계절 강수전망은 climatology를 크게 앞서며, 모든 리드타임에 대해서 예측능력이 뛰어나다는 것을 나타낸다. 즉, 계절 강수전망이 홍수 이벤트보다는 중장기적으로 발생 가능한 가뭄 상황을 잘 예측할 수 가능성이 있다는 것을 시사한다.

앞서 언급한 것처럼, 증발산의 climatology는 과거 기상정보를 기반으로 가장 정확한 기법으로 알려진 Penman-Montheith 방법(FAO-56)을 활용하여 계산한 잠재 증발산이지만, 격자단위로 계산된 계절 전망은 실제 증발산을 나타내기 때문에 편의 보정 전 계절 증발산량 전망은 climatology를 크게 밑돈다(Fig. 5(b)). 또한, 리드타임이 증가함에 따라 ET의 예측력은 강수나 기온 전망에 비해 더 급격하게 낮아졌다. 편의 보정 후에 약간 개선되기는 하지만 climatology와 비교해서 전반적으로 낮은 수준을 유지한다. 이는 실무에서 증발산량을 고려할 때, 계절 전망을 그대로 고려하는 것에는 한계가 있음을 나타낸다. 더 정확한 계절 증발산량 전망을 위해서는 신뢰도가 높다고 알려진 계절 기온전망 정보를 통해 Blaney-Criddle, Hargreaves 기법 등을 활용하여 간접 계산하는 방법에 대해서도 검토가 필요할 것이다.

Fig. 4(c)에 나타난 것처럼 또한 기존 문헌에서 제시된 바와 같이(Greuell et al., 2019; Gubler et al., 2020), 계절 기온 전망 자체는 강수나 증발산량 전망에 비해 높은 예측력을 가지지만, 과거 계측정보를 기반으로 하는 climatology와 비교할 경우 비슷한 수준을 나타낸다(Fig. 5(c)). 일반적으로 계절 기온전망은 Dry season보다는 Wet season에서 더 나은 결과를 나타내며, 습하거나 건조한 해의 영향은 없었다. 편의 보정 후에는 전반적으로 climatology와 비슷하거나 조금 더 나은 예측력을 나타내는 것이 확인되었으므로, 향후 강우-유출 해석 등을 위해서는 편의 보정된 기온 전망을 활용하는 방안에 대해서도 검증할 필요가 있을 것으로 판단된다.

Fig. 5.

Overall skill of seasonal (a) precipitation, (b) ET, (c) temperature forecasts provided by ECMWF averaged over 12 catchment for 10 years (2011～2020), before (upper row) and after (lower row) bias correction

5. 결 론

국내외 적으로 심화되는 기후변화에 따라 물관리에 있어 리스크와 불확실성이 가중되고 있다. 이는 물을 향유하는 국민의 안전 뿐 아니라 삶의 질과 크게 관련된 것으로, 중·장기적 예측에 기반 한 효율적이고 과학적인 물관리의 필요성 또한 나날이 증가하고 있다. 따라서, 본 연구에서는 ECMWF에서 제공하는 향후 7개월간의 계절 강수, 증발산 및 기온 전망 기술이 현재 수자원 분석에 많이 활용되는 과거 기상정보, 즉 climatology와 비교하여 어느 정도의 정확성을 가지는지 국내 12개 다목적댐 유역에 대해 총 10년간(2011-2020) 평가하였다.

향후 1개월간의 전망 데이터(앙상블 평균)와 관측 데이터 비교를 통해 우리는 계절 기상 전망의 활용가능성을 확인하였다. 계절 강수와 기온 전망의 경우, climatology와 유사한 결과를 나타냈고 편의 보정 후에는 더 나은 정확도를 보였으며, 계절적 변동성을 잘 반영하는 것을 확인하였다. 다만, 증발산의 경우에는 잠재 증발산량과 실제 증발산량의 차이에 따른 과소추정이 확인되었다. 따라서, 계절 기온 전망을 활용하여 Hargreaves, Blaney-Criddle 방법 등을 통해 잠재 증발산량으로 변환·산정한다면 증발산 전망 정확도를 향상시킬 수 있을 것인지에 관한 추가적인 연구가 요구된다.

본 연구를 통해, 개별 앙상블 멤버들을 고려한 계절 기상 전망의 정확도 평가에서, 지금까지 연구된 국가 또는 대규모 유역 단위에서 검증된 결과들이 상대적으로 소규모인 국내 유역에서도 비슷한 특성을 보인다는 것을 확인하였다. 즉, 계절전망의 정확성은 현재 1개월까지는 climatology와 유사하지만, 리드타임이 증가하면 크게 감소하며, 편의 보정 시에는 강수의 경우 climatology보다 더 낫거나 유사한 수준의 정확성을 가진 전망을 상대적으로 장기간에 대해 기대할 수 있다.

아울러, 강수량 부족이 심했던 연도(2015, 2017년)의 경우, 계절 강수전망의 Wet season 정확도가 climatology에 비해 높게 나타난다는 것을 확인하였다. 우리나라 물 관리는 강수량이 편중되는 Wet season에 따라 좌우되는 구조를 가지고 있는 것을 감안하면, 가뭄 대비에 있어 계절 기상 전망의 활용 가능성을 확인할 수 있었다. 최근 연구에서 Portele et al. (2021)은 계절전망을 활용한 의사결정을 통해, 가뭄 시 수력발전 손실을 최대 약 70%까지 줄일 수 있다는 연구결과를 제시한 바 있으며, 이는 가뭄 상황에서 계절전망의 실제 물관리 분야에 활용 가능성을 시사하는 또 다른 사례로 볼 수 있다.

본 연구를 통해 ECMWF에서 제공하는 계절 기상 전망 정보가 어느 정도 예측력을 가지는지에 대해 검토하였다. 그러나 본 연구에서 다루지 못한 몇 가지 한계점에 대해서는 추가적인 연구가 필요할 것으로 판단된다. 첫 번째로, 다양한 편의 보정 기법에 대해 적용해 볼 필요가 있다. 특히 최근에는 Quantile Mapping 기법 등 다양한 방법들이 활용되고 있으므로, 다른 편의 보정 기법 적용 시 개선효과를 비교하는 것도 의미가 있을 것이다. 또한, 앙상블 정보의 평가 기법으로 본 연구에서는 CRPS를 활용하였으나, Brier Score, ROC 분석 등 다양한 기법들을 활용하여 평가한다면 더 객관적인 결론을 도출하는데 기여할 수 있다. 아울러, 지속적인 계절 전망 신뢰도에 대한 평가를 통해 각 기상인자별로 거시적인 변화 추세에 대해서도 연구할 필요가 있을 것으로 판단된다.

ECMWF 등 계절 기상 전망을 제공하는 예측 센터들은 본 연구에서 다룬 강수, 기온, 증발산 외에도 최저·최고기온, 강설, 풍속, 태양복사 등 다양한 기상 변수에 대한 예측을 제공하기 때문에, 연구 분야를 확대할 수 있다. 본 연구는 수문학적 관점에서, 계절 기상 전망 자체가 가지는 정확성을 평가하여 그 기초 정보를 제공하는데 의의가 있다. 그러나 실제 물 관리나 중장기 유량예측 등에 활용하기 위해서는, 실제 계절 기상 전망이 수문전망으로 전이되는 과정에 대해 강우-유출 모형을 활용한 추가적인 연구가 필요하다. 또한, 이러한 계절 기상 전망을 활용하여 실제 저수지 운영 등 물 관리에 적용할 경우, 특히 가뭄관리 측면에서 어떤 가치를 지니는지에 대해서도 ESP (Ensemble Streamflow Prediction) 기법 등 기존 수문전망 기법과 비교하는 것이 필요하다.

계절 기상 전망 기술은 컴퓨팅 기술의 도약과 더불어 지속 발전해 왔으며, 앞으로도 더욱 발전해 나갈 것으로 전망된다. 아울러, GCMs에 기반한 계절 기상 전망 앙상블을 제공하는 기관과 그 모델도 다양해지고 있다. 따라서, 변화하는 기상 전망기술에 맞춰 이를 지속적으로 평가하고, 적용해 나가려는 노력이 지속되어야 한다. 본 연구를 수행하기 위해 개발한 Python Jupyter Notebook 기반의 Open-source 계절전망 관리 프로그램(SEAFORM, https://github.com/uobwatergroup/seaform.git)을 활용하여, 국내에서도 계절 기상 전망에 대한 연구가 더 활발히 이뤄질 수 있기를 희망한다.