1. 서 론
2. 대상유역 및 자료구축
2.1 대상유역
2.2 기초자료
2.3 격자형 강수자료
3. 모 형
3.1 ConvAE
3.2 SWAT
3.3 SWAT-CUP
4. 모형의 적용
4.1 원시 위성 GPPs의 편의보정
4.2 SWAT 모형을 이용한 유출모의
5. 분석 결과
5.1 GPPs 비교·분석
5.2 GPPs를 이용한 SWAT 모형의 유출모의 비교·분석
6. 결 론
1. 서 론
강수는 수문 순환에서 핵심적인 요소이며, 정확한 강수량 정보에 의한 유출량 분석은 수문해석, 이상 기후로 인한 자연재해의 예방과 지속가능한 수자원의 개발 및 관리 분야에서 매우 중요하다(Lee et al ., 2018). 강수는 일반적으로 지상관측소 및 레이더, 위성 등에 의해 측정된다(Li et al ., 2013). 지점 강수자료의 경우, 밀도 높은 관측소를 통해 시·공간적 강수량의 정보를 획득하게 되지만, 메콩강과 같이 여러 국가가 하천을 공유하는 개발도상국의 경우, 국가별로 관측소의 밀도, 계측의 오차 등으로 인해 수집되는 강수자료가 질적으로 상이하고 자료의 연속성이 없어 양적으로도 부족하여 활용이 제약적이다. 특히 낮은 관측소 밀도는 지점 강수자료의 시·공간적 내삽(spatiotemporal interpolation)에 영향을 줄 수 있다(Wang et al ., 2016).
이러한 지상관측소의 지점 강수자료의 공간적 분포에 따른 불확실성을 제거하기 위해 다양한 지점 또는 위성 격자형 강수자료(Grid-based precipitation products, GPPs)가 개발 및 배포되었고, 많은 연구에서 이에 대한 활용성 평가가 수행된 바 있다(Fu et al ., 2011; Kim et al ., 2013, 2014, 2020; Cho et al ., 2019).
특히 메콩강 유역에 대한 연구로 Chen et al . (2018)은 재분석된 GPPs (CFSR, ERA-Interim, MERRA2)와 위성 GPPs (PERSIANN-CDR, TRMM)를 이용하여 메콩강 유역의 우기(6-10월), 건기(11-5월)에 대한 계절적 분석을 수행하였으며, Dinh et al . (2020)은 GSMaP 및 TRMM 등 위성 GPPs를 이용하여 메콩강 수문해석을 수행한 바 있다. Dhungana et al . (2022)는 메콩강 하류의 NRB (Nam Ngum River Basin)과 VMD (Vietnamese Mekong Delta) 지역에 대해 8개의 GPPs (APHRODITE, CPC, CHIRPS, SA-OBS, TRMM, CMORPH, CRU, GPCC)의 적용성을 평가하였으며, Irannezhad et al . (2022)는 메콩강 유역에 대해 6개의 지점 GPPs (APHRODOTE, CPC, CRU, GPCC, PRECL, UDEL)를 이용하여 장기간의 과거 강수 패턴을 종합적으로 분석하고, GPCC와 APHRODITE가 해당 지역에 대해 가장 우수한 성능을 나타내는 것으로 분석한 바 있다. 이상의 연구에서 위성 GPPs는 공간적으로 연속된 강수 정보를 전 지구적 규모에서 제공할 수 있는 장점이 있지만, 구름 등에 의한 악기상 조건에서 지점 GPPs에 비해 과소 또는 과대추정되는 경향이 있다고 지적한 바 있다.
Try et al . (2020)는 메콩강 본류의 주요 수위국 지점에서 RRI (Rainfall-Runoff-Inundation) 모형을 이용하여 2개의 지점 GPPs (APHRODITE, GPCC)와 3개의 위성 GPPs (TRMM, PERSIANN, GSMaP)를 이용하여 강우-유출 분석을 수행하고, 지점 GPPs에 비해 위성 GPPs에 의한 유출량이 과소추정됨에 따라 원시 위성 GPPs의 시·공간적 편의보정(bias correction)에 대한 필요성을 언급한 바 있다. Le et al . (2020)은 합성곱신경망 모형인 ConvAE를 이용하여 지점 GPP인 APHRODITE를 관측값으로 하여 원시 위성 GPP인 PERSIANN의 시·공간적 편의보정을 수행하고, 편의보정된 위성 GPP의 경우, 원시 위성 GPP에 비해 시·공간적으로 오차가 획기적으로 개선되었음을 확인한 바 있다.
본 연구에서는 미계측 대유역 수문해석에서의 GPPs의 활용성을 검토하기 위해, 2개 지점 GPPs와 3개의 위성 GPPs를 적용하였다. 위성 GPPs의 경우, Le et al . (2020)이 제안한 ConvAE를 이용하여 편의보정을 수행하고, 이를 원시 위성 GPPs와 시·공간적 비교분석을 실시하였다. 또한, 지점 GPPs 및 편의보정 전·후의 GPPs를 이용하여 메콩강 본류 주요 4개 지점(Luang Prabang, Pakse, Stung Treng, Kratie)에 대해 SWAT 모형기반의 강우-유출 해석을 수행하였으며, 이에 따른 각 관측소별 유출모의 정확도를 분석하였다.
2. 대상유역 및 자료구축
2.1 대상유역
메콩강은 Fig. 1(a)와 같이 중국 칭하이 성(Qinghai)에서 발원해 미얀마, 태국, 라오스, 캄보디아를 지나 메콩강 최하류인 베트남의 메콩 델타까지 총 6개국을 관통하는 동남아시아의 주요 국가공유하천이다. 메콩강의 유역의 면적은 795,000 km2으로 남한의 약 8배이며, 하천 길이는 4,350 km, 연평균유량은 15,000 m3/s으로 세계에서 12번째로 긴 강이며, 10번째로 유출량이 많은 강이다. 메콩강은 다양한 위도에 걸쳐 있어 상류 유역의 온대 기후부터 하류 유역의 열대 몬순 기후까지 다양한 기후가 존재하여 계절에 따른 유량의 변화가 심하고, 유역에 따른 기후의 차이와 지형적 특성으로 인해 강수량 분포는 공간적으로 매우 불균등하다. 본 연구에서는 Fig. 1(b)와 같이 Luang Prabang 관측소 지점을 기준으로 메콩강 유역을 상·하류로 분류하고, 하천 수위에 대한 장기간 정보수집이 가능한 메콩강 본류 주요 4개의 지점(Luang Prabang, Pakse, Stung Treng, Kratie)에 대해 유출모의를 수행하였다.
2.2 기초자료
강우-유출 모의를 위한 SWAT 모형의 입력자료로 지형, 토지이용, 토양, 기상(강수량, 최고·최저 기온, 일사량, 풍속, 상대습도) 등이 요구된다. 본 연구에서는 HydroSHED 지형정보, MODIS Land Cover 토지이용정보, 토양도는 FAO에서 제공하는 범용 자료를 이용하였으며, 이상의 자료는 Fig. 2와 같다. 단, 기초자료의 공간해상도는 MODIS Land Cover의 공간해상도 30 arc-min (약 1 km)를 기준으로 하여 입력자료를 재구축하였다. 또한, 전술한 바와 같이 메콩강 유역의 국가별 강우자료의 품질수준이 상이하여 본 연구에서는 강우-유출 모의의 검·보정을 위해 아시아 지역을 대상으로 국가별 강우 관측소 시계열 자료를 이용하여 재분석된 일단위 격자형 강수자료인 APHRODITE (Asian Precipitation Highly Resolved Observational Data Integration Towards Evaluation of Water Resources)를 사용하였다. 강수자료 이외의 기상자료는 Lee et al . (2018)이 메콩강 유역 주요도시 기상관측소에서 수집한 자료를 사용하였다.
2.3 격자형 강수자료
본 연구에서는 APHRODITE를 기준 강우관측값으로 선정하고 지점 GPP인 GPCC, 위성 GPPs인 TRMM, GSMaP, PERSIANN 총 5개의 GPPs를 이용하여 Fig. 1(b)의 메콩강 본류 4개의 주요 지점에 대한 유역별 GPPs의 비교·분석 및 GPPs에 따른 유출모의 분석을 수행하였다. 본 연구에서 사용한 격자형 강수자료의 현황은 Table 1과 같다.
APHRODITE (Asian Precipitation-Highly-Resolved Observational Data Integration Towards Evaluation)는 아시아에 대한 고해상도 격자형 데이터를 생성하고 수자원 분석을 위해 일 강수량 자료를 수집을 목적으로 하여 아시아 국가 5,000~12,000개의 관측소에서 수집된 자료를 기반으로 생성한 GPP이다. APHRODITE는 1998년부터 2015까지 0.25°, 0.5° 공간해상도별 일단위 강수자료를 제공하며, 본 연구에서는 0.25°, 일단위 해상도를 갖는 APHRODITE V1901 버전을 사용하였다.
GPCC (Global Precipitation Climatology Contre)는 전 지구적 홍수 및 가뭄의 감소, 장기 강수 분석과 기후변화가 미치는 영향을 평가하는 것을 목적으로 하여 전 세계 67,200개의 관측소에서 수집된 자료를 기반으로 생성한 GPP이다. GPCC는 1982년부터 2016년까지 일단위 시간해상도와 0.25°, 0.5°, 1°, 2.5° 공간해상도를 제공하며 본 연구에서는 1°, 일단위인 해상도를 사용한 GPCC V.2018버전을 사용하였다.
TRMM (Tropical Rainfall Measuring Mission)은 열대 및 아열대 지역을 대상으로 대기 순환을 조사하는 것을 목적으로 하여 다중 위성과 지점 강수자료를 조합하여 생성한 GPP이다. TRMM은 1998년부터 현재까지 3시간 단위, 0.25° 공간해상도로 강수자료를 제공하며 본 연구에서는 0.25°, 3시간 해상도를 갖는 TRMM 3B42 버전을 일단위 자료로 변환하여 사용하였다.
GSMaP (Global Satellite Mapping of Precipitaion)은 전 지구 지역을 대상으로 고해상도 강수자료 생성을 통해 기상과 관련된 방재, 기후 모니터링 등을 목적으로 GPM (Global Precipitation Measurement) 위성의 마이크로파 정보를 사용하여 생성된 GPP이다. GSMaP은 2000년부터 현재까지 한 시간 단위, 0.1° 공간해상도로 강수자료를 제공하며 본 연구에서는 0.1°, 일단위 해상도를 갖는 GSMaP_Gauge_RNL 버전을 사용하였다.
PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)은 전 지구를 대상으로 고해상도 강수자료 생성과 홍수 및 가뭄 예측, 수자원 관리 등의 목적으로 정지 지구궤도, 저궤도 위성의 적외선 및 마이크로파 정보를 사용하여 생성한 GPP이다. PERSIANN은 1983년부터 현재까지 3시간 단위, 0.04°, 0.25° 공간해상도로 강수자료를 제공하며 본 연구에서는 0.25°, 일단위 해상도를 갖는 PERSIANN-CDR 버전을 사용했다.
Table 1.
GPPs used in this study
3. 모 형
3.1 ConvAE
ConvAE (Convolutional Autoencoder)는 합성곱신경망(convolution neural network, CNN)과 오토인코더(autoencoder, AE)가 합성된 알고리즘으로 Fig. 3과 같은 구조를 가진다. 합성곱 신경망은 입력 자료에 대한 이미지의 특징을 추출하는 합성곱층(convolution layer)과 합성곱층의 출력 데이터를 받아 크기를 줄이거나 데이터의 특성을 강조하는 풀링층(pooling layer)로 구성되어 있으며 학습 수행 시 공간·구조적 정보를 기억할 수 있다(Jung et al ., 2021). 오토인코더는 비지도학습(unsupervised learning)에 속하는 인공신경망 모형으로 입력 데이터의 특성을 추출하여 효과적으로 압축하는 인코딩(encoding) 과정과 압축된 데이터의 특징을 수집하고 원 상태의 크기로 재구축하는 디코딩(decoding)과정으로 구성된다.
3.2 SWAT
미국 농무성 농업 연구소(United States Department of Agriculture - Agriculture Research Service, USDA-ARS)에서 개발한 SWAT 모형은 SWRRB, CREAMS, CLEAMS, EPIC 등 다양한 모형들의 물리적 이론에 근거한 모형으로 유역에서의 장기 강우-유출, 다양한 종류의 토양 및 토지이용 등에 따른 물, 토사 및 농업화학물질의 거동을 분석할 수 있는 준 분포형 모형으로 알려져 있다(Kim and Kim, 2016). SWAT 모형은 https://swat.tamu.edu/에서 다운받을수 있으며 ArcGIS와 연계하여 동일한 수문특성을 지닌 HRU (Hydrologic Response Unit)를 통해 유역을 소유역으로 분할하고 일단위의 수문해석을 수행할 수 있다.
SWAT 모형의 기본 물수지 방정식은 Eq. (1)과 같다.
여기서, 는 최종의 토양수분량(mm), 는 일의 초기 토양수분량(mm), 는 시간(day), 는 일의 강수량(mm), 는 일의 지표유출량(mm), 는 일의 증발산량(mm), 는 일의 토양면으로부터 투수층으로의 투수되는 총량(mm), 는 일의 회귀수량(mm)이다.
3.3 SWAT-CUP
스위스 연방 연구소인 Eawag에서 개발된 SWAT-CUP은 사용자에 의해 수동적으로 결정되는 SWAT 모형의 매개변수 추정을 자동화하고, SWAT 모형의 검·보정, 불확실성 및 민감도 분석을 위한 보조 프로그램이다. SWAT-CUP은 https://www.2w2e.com/에서 다운받을 수 있으며 기본적으로 SUFI-2, GLUE, ParaSol, MCMC, PSO의 5가지의 매개변수 추정 알고리즘을 선택·사용하여 SWAT 모형의 최적 매개변수를 산정할 수 있다.
4. 모형의 적용
4.1 원시 위성 GPPs의 편의보정
전술한 ConvAE를 이용하여 지점 GPP인 APHRODITE (0.25°)을 관측값으로 하여 원시 위성 GPPs인 TRMM (0.25°), GSMaP (0.1°), PERSIANN (0.25°)을 시·공간적으로 편의보정하였다. Fig. 1(a)의 메콩강 전유역에 대한 TRMM과 PERSIANN은 APHRODITE와 같은 104(행) × 64(열), GSMaP는 260 × 160의 격자로 구성하였으며, ConvAE의 모형 학습을 위해 TRMM과 PERSIANN의 풀링층은 2 × 2, GSMaP의 풀링층은 5 × 5로 설정하였다. 또한, 합성곱층은 모든 원시 위성 GPPs에 대해 3 × 3으로 동일하게 적용하였다. 또한 ConvAE 학습을 위한 손실함수(loss function)는 평균제곱오차인 MSE (mean squared error), 최적화기법(optimization function)으로는 Adam (adaptive moment estimation)를 사용하였으며, 하이퍼파라미터인 학습률(learning rate)과 배치크기(batch size)는 Le et al . (2020)가 제시한 0.001과 32로 설정하였다. ConvAE 모형의 학습기간(training period)은 2000~2010년, 검증기간(validation period)는 2011~2013년으로 하여 원시 위성 GPPs와 편의보정된 위성 GPPs의 시·공간적 정량적 비교·분석을 수행하였다. 이상의 ConvAE를 이용한 원시 GPPs의 시공간적 편의보정 과정은 Fig. 4와 같다.
4.2 SWAT 모형을 이용한 유출모의
SWAT 모형을 이용한 강우-유출 모의를 위해 2001년부터 2013년까지의 13개년에 대해 모형의 안정화 기간(warm-up period) 3년(2001~2003), 매개변수 보정기간(parameter calibration period) 8년(2004~2011), 모형 검증기간(validation period) 2년(2012~2013)으로 설정하였다. SWAT 모형의 매개변수는 Lee (2019)이 제시한 11개의 주요 매개변수를 선정하고, 기저유출과 관련된 3개의 매개변수를 추가하였으며 SWAT-CUP의 자동보정을 통해 APHRODITE 강우자료를 기준으로 Fig. 1(b)의 메콩유역의 상류와 하류에 대해 최적 매개변수를 Table 2와 같이 산정하였다. 여기서 메콩강 상류의 경우, Luang Prabang 지점을 대상으로 최적 매개변수를 산정하였으며, 메콩강 하류의 경우, Pakse, Stung Treng, Kratie 3개 지점을 동시에 고려하여 최적 매개변수를 산정하였다. 즉, 메콩강 상·하류에 해당되는 HRU는 공간적으로 동일한(spatially-uniform) 매개변수를 사용하게 되며 이후, 모든 GPPs를 최적화된 SWAT 모형에 적용하여 강우-유출 모의를 수행하였다.
또한, 모든 GPPs에 대한 SWAT 모형의 강우-유출 모의 성능을 평가하기 위해 Eqs. (2)~(4)의 NSE (Nash-Sutcliff Efficiency), PBIAS (Percent Bias), RSR (Ratio of RMSE to the standard deviation of the observation)을 사용하였으며, 각 평가지수의 성능기준은 Table 3과 같다.
Table 2.
Calibrated optimal parameters from the SWAT-CUP
Table 3.
Model performance rating for rainfall-runoff simulation using SWAT (Moriasi et al ., 2007)
여기서, N은 자료 개수, 는 관측 유량, 는 모의 유량, 는 관측 유량의 평균값이다.
NSE는 -∞~1까지 범위를 가지며, 1에 가까울수록 좋은 성능을 나타내며, 0 이하로 산정된 값은 적합한 자료로 사용할 수 없다.
PBIAS는 평균편차의 비율로 양수는 과소 추정을 음수는 과대 추정을 나타내며 0에 가까울수록 좋은 성능을 나타낸다.
RSR은 평균제곱근오차와 관측값 표준편차 비율로 0에 가까울수록 좋은 성능을 나타낸다.
5. 분석 결과
5.1 GPPs 비교·분석
Fig. 5은 본 연구에서 강수량 관측값으로 사용한 APHRODITE와 4개의 GPPs 및 ConvAE 모형을 통해 편의보정된 원시 위성 GPPs의 2012년과 2013년 연간강우량 공간분포도(spatial distribution rainfall field)를 나타내고 있다.
Fig. 5와 같이 연강수량 공간분포도의 비교·분석 결과, APHRODITE에서는 메콩강 중류부 동쪽에 위치한 라오스의 Muang Khammouan과 베트남의 Phuong Vinh Ninh 인근지역에서 높은 강우량이 확인되었고, 또 다른 지점 GPP (GPCC)와 편의보정전 원시 위성 GPPs (TRMM, PERSIANN, GSMaP)은 메콩강 상류부에서의 낮은 강우량은 비교적 비슷한 공간분포를 나타내고 있지만, GPCC, TRMM과 PERSIANN의 경우, APHRODITE에 비해 강우량이 전반적으로 과다 산정되었다. 특히, GPCC의 경우 메콩 유역의 동쪽에서, PERSIANN의 경우, 메콩강 최하류부에서 강우량이 매우 크게 나타났지만, GSMaP의 경우 유역전반에 걸쳐 매우 APHRODITE에 비해 강우량이 매우 과소산정되었다. 반면, ConvAE에 의해 학습한 이후 편의보정된 위성 GPPs의 경우, 편의보정 전보다 APHRODITE와 유사한 공간강우분포를 보이고 있다.
Table 4는 강우-유출모의를 위한 Fig. 1(b)의 4개의 주요 지점별 유역의 2012년과 2013년에 대한 APHRODITE와 4개의 GPPs 연평균강수량 및 상대오차(relatvie error, %)에 대한 비교·분석결과이며, 지점 GPP인 GPCC의 경우, APHRODITE에 비해 평균적으로 35% 과대추정, 원시 위성 GPP인 TRMM은 26% 과대추정, GSMaP은 8% 과소추정, PERSIANN은 8% 과소추정되었다. 반면에 ConvAE를 이용하여 시공간적으로 편의보정된 위성 GPPs의 경우, TRMM은 6% 과소추정, GSMaP은 2% 과소추정, PERSIANN은 2% 과소추정으로 양적 오차율이 상당히 개선되었음을 확인할 수 있다. 특히, Pakse 및 Stung Treng 지점에서의 편의보정된 GSMaP 및 PERSIANN은 오차율이 1% 이하로 매우 우수한 결과를 나타내었다.
Fig. 6은 강우-유출모의를 위한 Table 4의 4개의 주요 지점별 유역의 2012년과 2013년에 대한 APHRODITE와 4개의 GPPs 일평균강수량에 대한 산포도 및 평균제곱근오차(root mean squre error, RMSE)를 나타내고 있다. Fig. 6에서 x축은 APHRODITE의 면적평균일강수량이며, y축은 나머지 GPPs의 일평균강수량이다.
GPCC의 경우, 낮은 공간해상도의 차이로 인하여 연평균강수량과 유사한 결과를 보였으며, APHRODITE에 비해 모든 유역에 대해서 과대산정된 것으로 나타났다. 원시 위성 GPPs의 경우, 모든 유역에 대해APHRODITE에 비해 과대산정되었으며, 3개의 GPPs 중 GSMaP (평균 RMSE: 1.3 mm/day)이 TRMM (평균 RMSE: 2.3 mm/day)과 PERSIANN (평균 RMSE: 2.8 mm/day) 보다 우수한 성능을 나타낸 것으로 분석되었다. 특히, TRMM과 PERSIANN의 경우, 10 mm/day 이상의 높은 강우강도에서 그 차이가 매우 크게 나타났다.
ConvAE로 편의보정된 위성 GPPs의 경우, TRMM은 평균 RMSE: 1.5 mm/day, GSMaP은 평균 RMSE: 1.2 mm/day, PERSIANN은 평균 RMSE: 1.9 mm/day으로 원시 위성 GPPs 보다 우수한 성능을 나타냈다. 다만, Luang Prabang 유역의 경우, 전반적으로 유사하고 과대산정된 강수량이 편의보정되었음에도 불구하고, 위성 GPPs에서는 과소산정된 강수량이 여전히 존재하는 것으로 분석되었다.
결과적으로 Fig. 4와 같이 딥러닝 기반 ConvAE 기법은 격자의 인근 강수량 공간적 특징(feature)을 학습에 반영하는 합성곱신경망의 특성상 관측 강수량(APHRODITE)과 유사한 공간 정보를 획득함에 따라 Table 4 및 Fig. 6과 같이 원시 위성 GPPs가 적절하게 편의보정되었다.
Table 4.
Comparison of annual precipitation between APHRODITE and GPPs
5.2 GPPs를 이용한 SWAT 모형의 유출모의 비교·분석
5.1절에서 기술한 APHRODITE 및 보정전·후 GPPs를 SWAT 모형에 적용하여 4개 지점에 대한 유출모의를 분석하였다. Table 5는 Eqs. (2)~(4)를 이용한 강우-유출 모의 비교·분석 결과이며, Fig. 7는 유출수문곡선 분석결과이다. 2001년부터 2003년까지는 모형의 안정화기간이며, Fig. 7에서 2004년부터 2011년까지는 본 연구에서 관측값으로 활용한 APHRODITE를 이용한 매개변수 보정기간에 대한 수문곡선을 나타내고 있다. 또한, GPPs별 유출모의성능을 분석하기 위한 모형평가지수 Eqs. (2)~(4)는 검증기간에 해당되는 2012년부터 2013년 2개년에 대해서만 적용하여 결과를 분석하였다.
APHRODITE를 이용한 추정된 Table 2의 SWAT 최적매개변수를 이용하였을 경우, 검증기간에 대해 모든 지점에 대해 평균 NSE, RSR, PBIAS 모두 Table 3의 기준에 따라 매우 우수한 성능을 나타내는 것으로 나타낸 것으로 분석되었다.
지점 GPP인 GPCC의 경우, 모의 수문곡선의 시계열 분포는 관측유량과 유사하였으나 Fig. 7(b)와 같이 모든 지점에 대해 모의유량이 관측유량에 비해 매우 과대산정되었으며, Table 5와 같이 모형평가지수 역시 모의성능이 매우 낮아 적절한 보정없이 해당 유역에 대해 GPCC의 직접 활용에는 제약이 있는 것으로 분석되었다.
원시 위성 GPPs인 TRMM, GSMaP, PERSIANN의 경우, GSMaP에서는 Luang Prabang 지점을 제외한 나머지 지점에서 NSE가 0.79, 0.76, 0.79으로 우수한 성능(평균 NSE: 0.72)을 보였으나 TRMM과 PERSIANN에서는 Stung Treng 지점을 제외한 나머지 관측소에서는 유출 모의성능이 매우 낮게 분석되었다. 특히, PERSIANN의 경우, 평균 NSE: -0.27, PBIAS: -0.59, RSR: 1.05로 다른 원시 위성 GPPs에 비해 가장 성능이 좋지 않는 것으로 나타났다.
이에 ConvAE를 통해 보정된 위성 GPPs의 경우, 모든 지점에 대해 모두 유출 모의성능이 향상되었으며, Fig. 7(e)와 같이 가장 정확도가 낮게 분석된 PERSIANN의 경우도 검증기간동안 과대추정된 유출수문곡선이 격자형 강우의 시·공간적 보정을 통해 Table 5와 같이 평균 NSE: 0.7, PBIAS: 0.02, RSR: 0.53으로 정확도가 매우 향상된 것을 확인할 수 있다.
Table 6는 유출모의 검증기간(2012~2013)에 대한 각 관측소별 GPPs에 따른 유황분석 결과이며, GPPs에 따른 유황곡선의 특성을 정량적으로 평가하기 위하여 유황 기준유량(: 홍수량, : 풍수량, : 평수량, : 저수량, : 갈수량)을 산정하여 비교·분석하였다.
GPCC의 경우, Kratie 관측소를 제외한 모든 관측소에서 유황 기준유량이 약 2배 이상의 과대 산정을 나타냈으며, 강우-유출 모의결과와 마찬가지로 낮은 성능을 보여 적절한 보정없이 해당 유역에 대한 직접적인 활용에는 제약이 있는 것으로 분석되었다. 원시 위성 GPPs: TRMM, GSMaP, PERSIANN의 경우, TRMM과 PERSIANN은 GPCC와 역시 유황 기준유량에 대해 과대산정되었지만, GSMaP의 경우, 보정 전임에도 불구하고 APHRODITE와 유사한 유황결과를 나타냈다. ConvAE를 통해 보정된 위성 GPPs의 경우, 모든 관측소에 대해 모두 유황 기준유량에 대한 결과가 향상되었으며, 특히 2013년의 Luang Prabang 지점에서의 유황결과의 경우, 개선효과가 가장 뚜렷한 것으로 분석되었다.
Table 5.
Comparison of model performance for GPPs based rainfall-runoff simulation
Table 6.
Comparison of GPPs flow duration
6. 결 론
본 연구는 지점 GPPs인 APHRODITE, GPCC와 위성 GPPs인 TRMM, GSMaP, PERSIANN을 이용하여 미계측 대유역의 GPPs 활용성을 검토하였으며 위성 GPPs의 경우 합성곱신경망 모형인 ConvAE 모형을 이용하여 편의보정을 수행하였다. 또한, 지점 GPPs와 보정 전·후의 위성 GPPs를 메콩강 본류 주요 4개 지점(Luang Prabang, Pakse, Stung Treng, Kratie)에 대해 SWAT 모형을 이용하여 각 관측소별 강우-유출 모의 성능 평가 및 유황분석을 수행하였다.
SWAT의 입력자료인 수치표고자료는 HydroSHED, 토지이용도는 MODIS Land cover, 토양도는 FAO의 자료를 사용하였으며, 강수 자료의 경우 메콩강 특성상 6개국이 공유하는 국가공유하천으로 국가별 수집 자료의 상이함과 연속된 자료 및 정확한 관측 자료를 획득하기 어려워 1998년부터 2015년까지 아시아 지역에 대한 5,000~12,000개의 강우 관측소를 기반으로 재생산된 APHRODITE를 관측값으로 산정하여 다른 GPPs의 메콩강 본류 4개의 주요 지점(Luang Prabang, Pakse, Stung Treng, Kratie)에 대한 강우-유출 분석을 수행하였다.
또한, 2001년부터 2003년까지의 안정화기간 3년, 2004년부터 2011년까지 매개변수 보정기간 8년, 2012년부터 2013년까지 검증기간 2년을 모의기간으로 선정하였으며, SWAT 모형의 자동 매개변수 보정 프로그램인 SWAT-CUP을 사용하여 14개의 최적 매개변수를 도출하였다.
GPPs의 시·공간적 비교·분석 결과, 지점 GPP인 GPCC의 경우, 낮은 강수의 공간분포도는 APHRODITE와 유사하였지만, 낮은 공간해상도로 인해 강우량이 과대 산정되었으며, 원시 위성 GPPs의 경우, 강수의 공간분포도가 APHRODITE와 매우 상이하였으며, 지점별 일강수량 분포의 경우도 전반적으로 과대산정된 것으로 분석되었다. 하지만 ConvAE를 통해 편의보정된 위성 GPPs는 보정전보다 시·공간적으로 APHRODITE와 근사하게 나타났으며, 평균제곱근오차 역시 상당히 감소한 것으로 분석되었다.
강우-유출 모의 결과, APHRODITE는 Laung Prbang, Pakse, Stung Treng, Kratie 4개의 지점에서 NSE 0.77~0.87, GPCC의 경우, NSE -2.09~0.35으로 강우-유출 모의를 위한 보정이 필요하며, 원시 위성 강수자료의 경우, 보정 전 TRMM, PERSIANN은 NSE의 평균이 -0.22, -0.27로 모의성능이 매우 낮아 GPCC와 마찬가지로 직접적인 사용이 불가하며, GSMaP의 경우 NSE의 평균이 0.73으로 지점 강수자료가 부족할 경우, 대체자료로 사용이 적합하다고 판단된다. ConvAE을 이용한 시·공간적으로 편의보정된 위성 GPPs의 경우, Laung Pranbang 지점을 제외한 3개의 지점(Pakse, Stung Treng, Kratie)에서 NSE가 최소 0.76, 평균 0.7 이상으로 보정전 보다 유출 모의성능이 개선된 것으로 분석되었다.
또한, 유황분석의 결과, GPCC는 Kratie 관측소를 제외한 모든 관측소에서 약 2배의 과대산정을 나타내었다. GSMaP의 경우, 보정 전임에도 불구하고 기준값으로 사용한 APHRODITE 기반 유황분석 결과와 유사한 반면, 원시 위성 강수자료인 TRMM과 PERSIANN은 모든 관측소에서 약 2배의 과대산정을 나타내어 해당 유역에 대한 직접적인 입력자료로써의 활용은 제약이 있음을 확인하였다. 그러나 본 연구에서 제시한 ConvAE에 의해 보정 된 모든 위성 GPPs 기반 유황분석 결과는 보정전 GPPs를 사용하였을 때 보다 정확도가 매우 향상되었다.
이에 본 연구에서 제시한 딥러닝 기반 ConvAE을 이용한 격자형 강수자료의 보정기법은 현재 연속적으로 생산되는 다양한 위성자료의 정량적 보정을 통해 메콩강 같이 지점 강수자료가 부족하거나 품질이 낮은 미계측 대유역의 다양한 수문해석에 유용하게 활용될 수 있을 것으로 기대된다.
또한, 본 연구에서는 ConvAE을 이용하여 단일 위성 강수자료의 편의보정을 수행하였지만, 다양한 기계학습기법 및 다중 위성자료의 앙상블 기법을 이용할 경우, 미계측 대유역에 대한 보다 정확한 수문기상자료 생성을 위한 방법론 제시가 가능할 것으로 판단된다.
