Appraisal of spatial characteristics and applicability of the predicted ensemble rainfall data

Sang Hyup Lee; Yeon Jeong Seong; Kyungtak Kim; Younghun Jung

doi:10.3741/JKWRA.2020.53.11.1025

Preview

Research Article

Journal of Korea Water Resources Association. 30 November 2020. 1025-1037
https://doi.org/10.3741/JKWRA.2020.53.11.1025

Appraisal of spatial characteristics and applicability of the predicted ensemble rainfall data

강우앙상블 예측자료의 공간적 특성 및 적용성 평가

Sang Hyup Lee^a

Yeon Jeong Seong^b

Kyungtak Kim^c

Younghun Jung^d^†

이 상협^a

성 연정^b

김 경탁^c

정 영훈^d^†

^aPh.D Student, Department of Advanced Science and Technology Convergence, Kyungpook National University

^bPh.D Student, Department of Advanced Science and Technology Convergence, Kyungpook National University

^cResearch Fellow, Korea Institute of Civil Engineering and Building Technology

^dProfessor, Department of Advanced Science and Technology Convergence, Kyungpook National University

^a경북대학교 미래과학기술융합학과 박사과정

^b경북대학교 미래과학기술융합학과 박사과정

^c한국건설기술연구원 연구위원

^d경북대학교 미래과학기술융합학과 조교수

^*y.jung@knu.ac.kr

ABSTRACT

This study attempted to evaluate the spatial characteristics and applicability of the predicted ensemble rainfall data used for heavy rain alarms. Limited area ENsemble prediction System (LENS) has 13 rainfall ensemble members, so it is possible to use a probabilistic method in issuing heavy rain warnings. However, the accessibility of LENS data is very low, so studies on the applicability of rainfall prediction data are insufficient. In this study, the evaluation index was calculated by comparing one point value and the area average value with the observed value according to the heavy rain warning system used for each administrative district. In addition, the accuracy of each ensemble member according to the LENS issuance time was evaluated. LENS showed the uncertainty of over or under prediction by member. Area-based prediction showed higher predictability than point-based prediction. In addition, the LENS data that predicts the upcoming 72-hour rainfall showed good predictive performance for rainfall events that may have an impact on a water disaster. In the future, the predicted rainfall data from LENS are expected to be used as basic data to prepare for floods in administrative districts or watersheds.

Keywords

LENS

Rainfall

Ensemble

Heavy rain

Prediction

본 연구는 호우경보에 사용되는 Limited area ENsemble prediction System (LENS) 강우예측자료에 대한 공간적 특성 및 적용성을 평가하였다. LENS는 13개의 강우앙상블 멤버를 가지고 있어 호우경보를 발령하는데 있어 확률적인 방법을 활용할 수 있다. 그러나 LENS의 자료의 접근성은 매우 낮아 강우예측자료의 적용성에 대한 연구가 미흡한 실정이다. 본 연구에서는 행정구역별로 활용되는 호우경보 시스템에 따라 하나의 지점값과 면적평균값을 관측값과 비교하여 평가지수를 산정하였다. 또한, LENS의 발령시간에 따르는 각 앙상블 멤버들의 정확성을 평가하였다. LENS는 멤버별로 과대 혹은 과소 예측의 불확실성을 보여줬다. 면적단위의 예측이 지점단위의 예측보다 더 높은 예측성을 보여주었다. 또한, 다가오는 72시간의 강우를 예측하는 LENS 자료는 수재해의 영향성이 있을 수 있는 강우 사상에 대하여 예측성능이 좋은 것으로 평가되었다. 추후 국지강우앙상블시스템(LENS) 자료는 행정구역 또는 유역면적 단위의 홍수 대비에 기초자료로 활용될 수 있을 것으로 기대된다.

키워드

LENS

강우

앙상블

호우

예측

MAIN

1. 서 론
2. 연구방법
2.1 Limited area ENsemble prediction System (LENS)
2.2 대상지역
2.3 강우사상
2.4 지점-면적 강우량 산정
2.5 검증방법
3. 결 과
3.1 상주시
3.2 대구시
3.3 거제시
4. 결론 및 고찰

1. 서 론

전 세계적으로 기후변화에 의한 이상기후의 영향으로 집중호우의 발생빈도와 강우강도가 증가하고 있는 추세이다. 이로 인해 발생하는 수재해는 수자원 인프라의 부족 및 관리 미흡 등 많은 요인들이 있지만 강우의 유무와 크기는 가장 원초적인 요인들 중 하나가 될 수 있다. 이러한 원초적인 요인들에 대해 정확한 예측을 할 수 있다면 수재해로 인한 피해를 예방하고 빠르게 대처할 수 있다(Lee et al., 2011). 그러나 강우예측에는 규모 및 시간적 측면에서 많은 불확실성을 내포하고 있기 때문에 이러한 불확실성을 이해하고 줄여 나가는 것이 필요하다. 특히 일정 크기의 해상도에 대해 대푯값을 가지는 격자기반 강우예측자료가 일정범위에 대해 강우분포의 공간적 특성을 잘 반영하고 있다면 강우예측의 활용적 측면에서 신뢰성을 더욱 높일 수 있을 것이다.

정확한 강우예측을 위해 대부분의 연구소와 현업 예보기관에서 다양한 컴퓨터 수치예보(Numerical Weather Predicction, NWP) 모델들을 이용하여 전지구적 기상현상을 연구하고 있다. 특히, Met Office (영국), Japan Meteorological Agency (JMA, 일본), Meteo France (프랑스) 등을 포함한 10개 국가에서 전지구모델을 운영하고 있으며 지역별 각 국가의 영역에 해당되는 모델을 운영하고 있다. 국내의 경우 한국기상청(KMA; Korea Meteorologiccal Administration)에서 전지구예보모델(GDAPS), 국지예보모델(LDAPS) 등 20여종이 넘는 수치예보모델을 현업 운영하고 있다. 2000년대에 이르러 컴퓨터의 성능이 발전함에 따라 기존 수치모델의 예측정보와 예보 불확실성에 대한 정보를 동시에 제공하는 앙상블 예측 시스템(Ensemble prediction system)이 개발되고 지속적으로 발전하고 있다. 앙상블 예측 시스템은 Ensemble Prediction System for Global (EPSG), Limited area ENsemble System (LENS), Meso-Scale Model (MSM), European Centre for Medium-Range Weather Forecasts (ECMWF) 등 국가별로 다양한 앙상블 시스템이 사용되고 있다. 한국기상청은 날씨를 확률적으로 예측해 강수에 대한 조기경보를 위한 지침을 제공하기 위해 2015년부터 국지 앙상블 예측시스템(LENS)을 가동하고 있다(KMA, 2016).

전 세계적으로 앙상블 예측시스템의 강우예측에 대한 정확성을 검증하고 확보하기 위한 연구가 수행되고 있다. Yu et al. (2017)은 일본 기상청에서 제공하고 있는 중규모모델(MSM)의 수치예보자료를 이용하여 강우 및 홍수 예측 정확도, 공간예측 변위 에 따른 불확실성을 평가하여 국내의 강우 및 홍수예측 적용성이 있다고 판단하였다. Kim et al. (2015)는 한반도 영역에 기상청 현업을 위한 고해상도 국지 앙상블 시스템 등의 예측능력을 검토하여 해상도 크기에 따른 강수크기별 적용성을 평가하였다. Choi and Yi (2019)는 LENS 앙상블 기상 예측 자료를 활용한 지역별 홍수위험 매트릭스의 적용성을 평가하여 3일전 홍수위험을 전망 할 수 있을 것으로 판단하였다.

LENS의 강우예측자료는 호우경보를 발령하는데 있어 기초자료로 사용되며 호우경보는 행정구역별로 발령한다. 이러한 LENS 강우예측자료의 중요성에도 불구하고 아직 공공데이터 개방화가 되지 않아 자료에 대한 접근성이 낮은 이유로 LENS 자료에 대한 분석과 예측결과를 검증하는 연구는 아직 미흡한 편이다. 따라서 본 연구는 LENS 강우예측자료의 공간적 특성과 적용성을 평가하고자 수행되었다. 본 연구의 목적은 1) LENS 자료에서 강우 예측값을 추출할 때 하나의 지점(One cell value)에 기반한 예측값과 특정 지역에 대한 공간평균 예측값(Average of area cell value)을 관측값과 비교하여 평가지수를 산정하고, 2) 해당 강우사상에 대하여 LENS 자료의 발령시간에 따르는 각 앙상블 멤버들의 정확성을 평가하는 것이다. 이를 위해 3 km의 해상도로 제공되는 LENS 자료를 이용하였으며, LENS 앙상블 멤버 13개(m00, m01, …, m12)에 대하여 적용하였다.

2. 연구방법

2.1 Limited area ENsemble prediction System (LENS)

국지앙상블모델(LENS; Limited area ENsemble prediction System)은 한국기상청(KMA)에서 극한기후에 대한 확률론적 예측을 만들어 조기경보를 위한 지침을 제공하기 위해 2015년 10월부터 운영 중인 시스템이다. 본 연구에 사용된 LENS는 2016 ~ 2017년 자료로서 수평해상도가 3 km이며 연직 70층수에 KMA Global Ensemble prediction system (EPSG)를 기반으로 매 12시간마다 1시간 단위로 72시간까지의 예측을 하도록 설계되었고 2018년 LENS 자료부터 해상도가 2.2 km로 개선되었다(Fig. 1)(Choi and Yi, 2019). 한반도를 중심으로 1개의 모수(Control member, m00) 와 12개의 섭동멤버(Perturbation members, m01 ~ m12) 로 총 13개의 멤버로 구성되어 있다. LENS는 기후예측요소의 앙상블값과 확률값을 동시에 제공하며(KMA, 2016) (Table 1) 본 연구에서는 LENS자료의 앙상블 예측값 중 강수앙상블값을 추출하여 행정구역 경계 기준으로 기상관측소 지점 강수 관측값과 행정구역 면적평균 강수값을 산정하여 공간적 특성에 따른 LENS의 적용성 평가를 수행하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2020-053-11/N0200531109/images/kwra_53_11_09_F1.jpg

Fig. 1

LENS domain

Table 1

Products from the LENS (KMA, 2016)

Value	Attribute
Mean and Spread	MSLP and 1.5 m temperature
Probability	Precipitation, snow, wind gust, visibility for several thresholds, matching precipitation amounts
Ensemble meteogram	Temperature, total cloud amount, precipitation, wind speed at 10 m, and surface air temperature for 25 major cities
3hour accumulated rainfall forecast chart	Control, median, 75%, 90%, max

2.2 대상지역

LENS 자료의 행정구역별 공간특성을 분석하기 위한 대상 행정구역으로 낙동강을 수계로하는 경상북도 상주시, 경상북도 대구광역시, 경상남도 거제시로 3개의 지역을 선택하였다(Fig. 2). 첫 번째 행정구역 상주시는 경상북도 서북쪽의 내륙에 위치한 도시로서 총면적이 1,254.78 km²으로 남한면적(99,720 km²)의 1.3%를 차지한다. 1개의 읍, 17개의 면, 6개의 동으로 구성되어 있으며 2019년 기준 약 10만 명의 인구가 거주하고 있다. 연간 강우량은 낙동강 유역 내륙지방의 1,000 mm 보다 다소 높은 1,050 mm (2018년 기준) 내외이다(Sangju City, 2019). 두 번째 행정구역 대구광역시는 한반도의 동남부 내륙에 위치하고 있으며 총면적이 883.61 km²이고 7구, 1개의 군, 6개의 읍, 3개의 면, 130개의 동으로 구성되어 있다. 인구는 2018년 12월 31일 기준으로 1,021,266세대 2,461,769명이 거주하고 있으며 연강수량은 1,223.2 mm (2001 ~ 2010년 기준)이다(Daegu Metropolitan City, 2020). 세 번째 행정구역 거제시는 경남의 남해안 중심부에 위치하고 있으며 총면적이 402.64 km²이고 9개의 면과 9개의 동으로 구성되어 있다. 인구는 2019년 9월기준으로 101,530세대 248,469명이 거주하고 있으며 연평균 강수량은 2,007.3 mm 정도이다(Geojae City, 2019). 행정구역 면적 평균 값과 비교 분석을 진행하기 위해 기상청에서 관리하는 종관기상관측장비(ASOS, Automated Synoptic Observing System)를 이용하는 기상관측소를 선정하였다(Table 2).

https://cdn.apub.kr/journalsite/sites/kwra/2020-053-11/N0200531109/images/kwra_53_11_09_F2.jpg

Fig. 2

Study area

Table 2.

Administrative area weather station

Name	Number	Latitude	Longitude	Sea level
Sangju	137	36.4084	128.1574	96.1
Daegu	143	35.8282	128.6522	53.4
Geojae	294	34.8882	128.6045	45.4

2.3 강우사상

본 연구에서 이용된 강우사상은 호우기인 2017년 5월 ~ 9월 범위에서 지역별 강우사상을 선택하였다. 강우사상은 단기예보를 목적으로하는 LENS가 이와 예보활용도가 비슷한 기상청 동네예보의 3시간 간격의 현업 적용시 활용적합도를 고려해 3시간누적 강우량을 사용하였다. 또한 강우사상 선택의 기준점은 최근 집중호우 및 돌발강우의 발생빈도가 높아짐에 따라 분석기간내의 단기간에 걸쳐 높은 강우강도를 기록한 날로 선정하였다. 이에 따라 상주시는 7월 3일 10시(UTC)의 81 mm/3 hr 강우사상(Event 1, E1), 대구시는 8월 13일 19시(UTC)의 31.5 mm/3 hr 강우사상(Event 2-1, E2-1)과 8월 14일 01시(UTC)의 20.5 mm/3 hr 강우사상(Event 2-2, E2-2), 거제시는 7월 3일 20시(UTC)의 114.5 mm/3 hr의 강우사상(Event 3-1, E3-1)과 7월 4일 19시(UTC) 42 mm/3 hr(Event 3-2, E3-2)강우사상을 선정하였다(Fig. 3).

https://cdn.apub.kr/journalsite/sites/kwra/2020-053-11/N0200531109/images/kwra_53_11_09_F3.jpg

Fig. 3

Rainfall event (Observation)

2.4 지점-면적 강우량 산정

본 연구에서 지점 강우량 산정은 기상청에서 제공하는 종관기상관측소 시간당강우량 자료를 수집해 3시간 누적하여 산정하였다. 행정구역 면적 강우량 산정을 위해 관측된 지점 강우량 자료를 이용하여 면적평균 강우량으로 만드는 산술평균법, 티센가중법, 등우선법 등이 있지만 본 연구에서는 산악효과를 고려하지 못하지만 우량계 지배면적에 의해 객관적으로 산정할 수 있어 실무에서 가장 많이 사용되는 티센가중법을 사용하였다(Lee, 2016, Kim et al., 2019). 티센가중법은 연구대상지역을 중심으로 관측소 위치를 이용하여 티센망을 만들어 각 관측소가 해당하는 면적 비를 가중치로 산정하여 해당 면적의 평균강우량을 산정하는 방법이다(Lee et al., 2003). 티센가중치는 전체 면적 대비 강우관측소에 해당하는 티센망 면적비를 구하여 산정하였으며 결과는 Table 3와 같다.

Table 3.

Thiessen weight of administrative region

Administrative district	Rainfall observatory	Thiessen Area (km²)	Thiessen Weight
Sangju	Sangju	670.16	0.535
	Chupungryeong	235.08	0.188
	Boeun	183.45	0.146
	Mungyeong	163.89	0.131
Daegu	Daegu	832.45	0.945
	Hapcheon	48.27	0.055
	Yeongcheon	0.12	0.00014
Geojae	Geojae	365.17	0.911
	Tongyeong	35.55	0.089
	Changwon	0.26	0.0006

2.5 검증방법

본 연구에서는 LENS의 공간적 특성에 따른 강우예측 정확도를 평가하기 위해 R², NSE, PBIAS 총 3가지 검증방법을 사용하였다.

결정계수 R²은 피어슨 상관 계수 r (Pearson correlation coefficient 또는 Pearson’s r)의 제곱으로 계산되며 이는 시뮬레이션 값으로부터 관측값 전체 분산의 비율을 나타낸다. R²은 0.0에서 1.0까지의 값을 가지며 R² = 1에 가까울수록 예측력이 좋은 것으로 평가된다(Krause et al., 2005). R²의 식은 Eq. (1)과 같으며 N은 자료의 개수, O_t와 P_t는 시간t에서의 실제강우량과 LENS강우량, $O$ 와 $P$ 는 실제강우량의 평균값과 LENS강우량의 평균값을 나타낸다.

(1)

R^{2} = {\{\frac{\sum_{i = 1}^{N} (O_{t} - O) (P_{t} - P)}{{[\sum_{i = 1}^{N} {(O_{t} - O)}^{2}]}^{0.5} {[\sum_{i = 1}^{N} {(P_{t} - P)}^{2}]}^{0.5}}\}}^{2}

Nash-Sutcliffe 효율계수(Nash-Sutcliffe Efficiency, NSE)는 데이터의 분산을 비교하여 잔차 분산의 상대적 크기를 결정하는 정규화된 통계이다(Nash and Sutcliffe, 1970). 시뮬레이션값과 관측값이 1:1라인에 얼마나 잘 맞는지를 나타낸다. NSE는 -∞ ~ 1.0의 범위를 가지며 1에 가까울수록 실측치의 경향을 잘 표현하는 것으로 판단할 수 있다. NSE의 식은 Eq. (2)와 같으며 N은 자료의 개수, O_t와P_t는 시간 t에서의 실제강우량과 LENS강우량, $O$ 는 실제강우량의 평균값을 나타낸다.

(2)

N S E = 1 - \frac{\sum_{i = 1}^{N} {(O_{t} - P_{t})}^{2}}{\sum_{i = 1}^{N} {(O_{t} - O)}^{2}}

PBIAS (Percent Bias)는 시뮬레이션 데이터의 평균 경향을 Percent로 나타내는 평가지수이다(Gupta et al., 1999). PBIAS는 시뮬레이션 데이터가 관측값에 대하여 과소평가와 과대평가를 구분하는데 적합한 지수이다. PBIAS = 0이 이상적인 최적값을 나타내며 PBIAS < 0은 과대평가, PBIAS > 0은 과소평가를 나타낸다. PBIAS의 식은 Eq.(3)과 같으며 여기서, N은 자료의 개수, $Y_{t}^{o b s}$ 와 $Y_{t}^{~}$ 은 시간 t에서의 실제강우량과 LENS강우량을 나타낸다.

(3)

P B I A S = [\frac{\sum_{i = 1}^{N} (Y_{t}^{o b s} - Y_{t}^{s i m}) * 100}{\sum_{i = 1}^{N} (Y_{t}^{o b s})}]

3. 결 과

본 연구는 상주시, 대구시, 거제시에 대하여 LENS 앙상블 멤버 13개(m00, m01, …, m12)에 대하여 예측기간에 대해 지역별 강우관측소 지점값(One cell value)과 행정구역 면적평균값(Average value of area)을 산출하여 지점강우관측자료와 면적평균강우관측자료에 대해비교분석을 하였다. 각 연구대상지역별 해당되는 강우이벤트 예측을 포함하는 6개의 LENS 자료(a ~ f)를 예측시작시간부터 종료시간까지의 LENS 예측값으로 도식화 하였다(Figs. 4 ~ 6). 이에 대한 검증은 관측값과 LENS 예측자료를 비교한 R², NSE, PBIAS의 3개의 평가지수를 이용하여 13개 앙상블 멤버들을 모두 평가하였다(Tables 4 ~ 6).

3.1 상주시

상주시의 7월 1일 00시(UTC) 그래프는 E1 발생 58 UTC 전 예측자료로 총 예측기간 중 50 시간동안 3 mm/3 hr 이하의 작은 강우를 포함한 실 강우 분포를 지니고 있다(Fig. 4). 이러한 작은 강우에 대하여 LENS 자료는 강우발생 유무에 대해서 높은 예측정확성을 나타내지만 강우의 크기를 다소 과대추정하는 경향을 보인다(Fig. 4(a)). 지점값은 실관측 양상에 맞는 예측값을 보이며 면적값은 모든 시간에서 E1 값과 비슷한 양상을 보였다. 67 ~ 70 UTC에서 지점, 면적값 모두 m00은 100이상의 강우값을 예측하면서 관측값에 비해 과대예측을 하였다. 7월 1일 12시(UTC) 그래프는 E1 발생 46 UTC 전 예측자료로 전체 예측 시간에 대해 PBIAS가 음의값을 나타내며 과대예측을 하는 경향을 보이지만 시간적인 첨두치에 대한 예측에서는 R²과 NSE가 면적값이 더 높은 정확성을 보여준다(Fig. 4(b)). 7월 2일 00시(UTC) 그래프는 E1 시간의 예측보다 7월 2일 23시(UTC) 의 강우 예측에 치중되어 있는 것을 보였다(Fig. 4(c)). 7월 2일 12시(UTC) 그래프는 지점값과 면적값 모두 E1 발생시간 10 UTC 후로 예측을 생성해냈다(Fig. 4(d)). 7월 3일 00시(UTC) 그래프는 E1 발생 10 UTC 전으로 지점값 면적값 모두 실강우값에 대해 정확하게 예측하는 모습을 보였다(Fig. 4(e)). 7월 3일 12시(UTC) 는 E1 발생 후의 20 mm/3 hr 강우값에 대해 예측 경향을 보이는데 반해 지점값은 과대추정되는 경향을 보였다(Fig. 4(f)). R²으로 평가한 결과 그래프 분석에서 보았듯이 7월 3일 00시(UTC) 지점값이 아주 높은 값을 보였다. 또한, NSE 로 평가 한 결과 m01, m03, m04 가 R²과 비슷하게 0.5 와 0.8의 높은 정확성을 보여준다. PBIAS 평가는 상관성이 높던 7월 3일 00시(UTC) 에서 11% 이상을 보이며 실강우가 없는 지점에 대해 과대예측을 하는 경향을 확인할 수 있다(Table 4).

https://cdn.apub.kr/journalsite/sites/kwra/2020-053-11/N0200531109/images/kwra_53_11_09_F4.jpg

Fig. 4

LENS-Observation time-value graph (Sangju)

Table 4.

LENS Rainfall prediction goodness of fit result (Sangju)

Sangju	R²
	2017/07/01 00h		2017/07/01 12h		2017/07/02 00h		2017/07/02 12h		2017/07/03 00h		2017/07/03 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	0.000	0.054	0.019	0.069	0.003	0.018	0.005	0.000	0.005	0.385	0.048	0.000
M01	0.002	0.027	0.009	0.013	0.006	0.000	0.008	0.002	0.539	0.421	0.410	0.044
M02	0.019	0.000	0.018	0.023	0.002	0.008	0.013	0.029	0.280	0.189	0.004	0.000
M03	0.002	0.005	0.017	0.041	0.010	0.039	0.002	0.006	0.875	0.002	0.000	0.002
M04	0.000	0.010	0.006	0.029	0.011	0.006	0.004	0.000	0.546	0.329	0.001	0.383
M05	0.000	0.018	0.002	0.011	0.001	0.034	0.008	0.003	0.004	0.626	0.007	0.008
M06	0.018	0.004	0.012	0.028	0.020	0.006	0.007	0.004	0.000	0.603	0.012	0.859
M07	0.028	0.015	0.005	0.001	0.009	0.002	0.000	0.012	0.002	0.032	0.015	0.336
M08	0.007	0.049	0.012	0.034	0.000	0.016	0.006	0.020	0.336	0.030	0.008	0.389
M09	0.001	0.059	0.038	0.015	0.008	0.006	0.328	0.007	0.123	0.006	0.009	0.014
M10	0.007	0.001	0.019	0.020	0.034	0.070	0.043	0.006	0.006	0.709	0.001	0.086
M11	0.036	0.041	0.031	0.058	0.023	0.011	0.009	0.020	0.002	0.296	0.000	0.001
M12	0.007	0.000	0.007	0.049	0.001	0.005	0.018	0.007	0.000	0.047	0.015	0.011
Sangju	NSE
	2017/07/01 00h		2017/07/01 12h		2017/07/02 00h		2017/07/02 12h		2017/07/03 00h		2017/07/03 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	-5.31	-0.34	-0.37	-3.34	-0.20	-0.60	-0.19	-0.32	-0.09	0.36	-0.15	-0.24
M01	-0.35	-3.04	-0.89	-0.89	-0.44	-0.65	-1.01	-0.34	0.52	0.38	-13.18	-5.10
M02	-0.12	-0.30	-0.28	-0.78	-0.20	-0.46	-0.13	-0.19	0.10	0.05	-25.60	-0.16
M03	-0.16	-1.47	-1.67	-1.45	-0.38	-1.59	-0.18	-1.91	0.76	-2.55	-5.70	-1.98
M04	-0.67	-0.22	-0.83	-1.14	-1.01	-0.35	-0.18	-0.26	0.54	0.18	-9.66	0.35
M05	-0.18	-1.28	-1.55	-1.80	-0.57	-3.33	-0.18	-0.49	-0.34	0.63	-78.31	-0.75
M06	-0.25	-0.29	-0.75	-0.31	-1.33	-0.31	-0.15	-0.51	-0.09	0.30	-31.89	0.70
M07	-0.41	-0.56	-0.82	-0.46	-1.58	-0.47	-0.54	-1.83	-0.10	-0.13	-7.65	0.23
M08	-0.12	-0.71	-0.23	-0.40	-0.43	-0.74	-0.17	-0.77	0.10	-0.28	-1.74	0.34
M09	-0.23	-2.10	-0.37	-0.31	-0.12	-1.22	0.13	-3.83	-0.65	-0.18	-0.08	-0.27
M10	-1.04	-5.17	-0.40	-0.93	-1.22	-0.91	-0.10	-4.25	-10.40	0.37	-2.19	-0.01
M11	-0.21	-0.39	-0.27	-0.90	-0.47	-0.25	-0.15	-0.31	-0.12	-0.11	-4.81	-0.60
M12	-0.17	-0.39	-0.70	-1.09	-0.20	-2.53	-0.38	-0.67	-0.09	-0.10	-20.84	-0.77
Sangju	PBIAS
	2017/07/01 00h		2017/07/01 12h		2017/07/02 00h		2017/07/02 12h		2017/07/03 00h		2017/07/03 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	-3.3%	-2.3%	1.7%	-1.6%	1.7%	3.7%	1.1%	1.2%	1.0%	2.6%	3.6%	1.6%
M01	2.4%	-1.6%	3.3%	4.8%	5.1%	1.9%	3.1%	1.6%	11.7%	87.1%	-0.3%	-0.5%
M02	1.9%	2.8%	1.2%	3.2%	1.8%	1.9%	1.2%	1.6%	-3.5%	1.4%	-0.2%	1.3%
M03	1.2%	-10.8%	5.9%	-5.4%	1.7%	3.3%	1.1%	104.0%	2.8%	-1.0%	-0.6%	-1.9%
M04	5.3%	2.5%	3.3%	-3.7%	2.1%	1.3%	1.0%	1.3%	3.5%	1.5%	-0.3%	2.1%
M05	1.3%	-1.2%	-20.3%	-2.4%	2.0%	-1.8%	1.0%	2.0%	1.9%	18.3%	-0.1%	-2.2%
M06	1.3%	1.4%	3.6%	3.8%	5.3%	1.6%	1.1%	1.9%	1.2%	1.3%	-0.2%	2.0%
M07	2.0%	4.5%	-42.8%	3.9%	5.6%	2.1%	2.7%	-7.0%	1.0%	1.1%	-0.5%	1.5%
M08	1.3%	20.5%	1.3%	1.4%	1.6%	2.7%	1.1%	1.8%	-8.4%	-161.5%	-1.7%	1.7%
M09	1.9%	-1.6%	2.4%	5.1%	1.5%	5.0%	1.3%	-1.2%	-1.2%	1.6%	1.0%	1.5%
M10	13.7%	-1.1%	1.6%	6.1%	841%	2.4%	1.2%	-4.4%	-0.7%	1.4%	-2.7%	1.3%
M11	1.2%	1.4%	1.2%	3.6%	1.8%	2.0%	1.1%	1.0%	1.1%	1.0%	-0.5%	3.2%
M12	1.3%	2.3%	5.4%	7.4%	1.4%	27.3%	1.5%	87.0%	1.1%	1.1%	-0.2%	-21.7%

3.2 대구시

8월 11일 00시(UTC) LENS 그래프는 E2-1 발생 67 UTC 전으로 지점, 면적 그래프 둘다 70 UTC 뒤에 강우가 올 것으로 예측하고 있다(Fig. 5(a)). 8월 11일 12시(UTC) 그래프는 E2-1 발생 55 UTC 전으로 E2-1에 대한 예측보다 더 낮은 값인 E2-2에 대한 예측을 하는 것을 보였다(Fig. 5(b)). 8월 12일 00시(UTC) 그래프는 m03, m04, m05가 E2-1에 대한 예측을 시작하는 것을 보였다(Fig. 5(c)). 또한, 지점값은 m03, m04, m05 가 E2-1 값의 크기에 2분의1정도에 해당하는 예측을 보였다. 반면 면적값은 m04는 E2-1값과 비슷하며 m03, m05가 E2-1 값의 크기에 3분의 1 정도의 예측을 보였다. 8월 12일 12시(UTC) 그래프는 E2-1 발생 31 UTC 전으로 8월 12일 00시(UTC) 그래프와 비슷한 양상을 보이며 면적값의 m03, m06 이 E2-1값의 크기에 3분의 2정도의 예측을 하는 것을 보였다(Fig. 5(d)). 8월 13일 00시(UTC) 그래프는 E2-1 발생 19 UTC 전으로 지점값은 m04가 과대 추정을 하였고 면적값은 m04, m05가 과대추정을 하며 E2-1, E2-2와 비슷한 양상을 보였다(Fig. 5(e)). 8월 13일 12시(UTC) 는 E2-1 시작 7 UTC 전의 예측자료로서 지점값은 E2-2에 대해 예측 정확성을 보여주고 면적값은 E2-1, E2-2에 대한 예측 정확성이 높은 것을 보여준다(Fig. 5(f)). R² 로 평가한 결과 8월 11일 00시(UTC) LENS 자료에서 지점값 m02, m05 면적값 m05, m06이 0.5~0.75의 높은 정확성을 보였다. E2-1 발생시간과 가장 가까운 예측자료인 8월 13일 12시(UTC) LENS 자료에서 R²은 앙상블멤버 7개에 대해서 높은 상관성을 보였다. NSE 로 평가 한 결과 R²과 비슷하고 E2-1 발생시간과 가장 가까운 LENS 예측자료가 높은 값을 나타내는 것을 보였다. PBIAS로 평가한 결과 대체적으로 양의 값을 보였다. 이는 전체 시뮬레이션의 경향이 과소추정됨을 의미하며 특히 Peak Time에서의 예측이 과소추정되는 것을 확인할 수 있다. 반면 8월 13일 12시(UTC)부터 강우 기록이 없는 지점에 대한 예측으로 과대 추정치를 보이며 PBIAS가 음의 값을 나타냈고 대체적으로 정확성이 높게 평가되었다(Table 5).

https://cdn.apub.kr/journalsite/sites/kwra/2020-053-11/N0200531109/images/kwra_53_11_09_F5.jpg

Fig. 5

LENS-Observation time-value graph (Daegu)

Table 5.

LENS Rainfall prediction goodness of fit result (Daegu)

Daegu	R²
	2017/08/11 00h		2017/08/11 12h		2017/08/12 00h		2017/08/12 12h		2017/08/13 00h		2017/08/13 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	0.069	0.160	0.002	0.000	0.085	0.224	0.240	0.195	0.011	0.072	0.021	0.111
M01	0.006	0.008	0.038	0.043	0.016	0.099	0.006	0.000	0.002	0.017	0.001	0.055
M02	0.543	0.185	0.009	0.016	0.007	0.010	0.005	0.003	0.018	0.001	0.093	0.169
M03	0.005	0.003	0.005	0.182	0.023	0.131	0.144	0.217	0.014	0.050	0.456	0.494
M04	0.083	0.085	0.001	0.002	0.132	0.201	0.014	0.000	0.120	0.176	0.254	0.216
M05	0.662	0.749	0.272	0.276	0.187	0.298	0.001	0.003	0.569	0.408	0.024	0.012
M06	0.007	0.020	0.007	0.011	0.016	0.013	0.202	0.079	0.004	0.001	0.008	0.005
M07	0.111	0.510	0.376	0.222	0.004	0.029	0.001	0.000	0.534	0.358	0.153	0.333
M08	0.007	0.009	0.003	0.038	0.015	0.009	0.002	0.012	0.053	0.061	0.028	0.039
M09	0.079	0.009	0.023	0.059	0.000	0.055	0.019	0.016	0.001	0.001	0.009	0.028
M10	0.274	0.398	0.007	0.009	0.000	0.000	0.003	0.001	0.004	0.020	0.020	0.245
M11	0.006	0.008	0.011	0.000	0.175	0.329	0.257	0.302	0.004	0.018	0.003	0.034
M12	0.226	0.157	0.010	0.011	0.185	0.230	0.008	0.002	0.017	0.007	0.500	0.480
Daegu	NSE
	2017/08/11 00h		2017/08/11 12h		2017/08/12 00h		2017/08/12 12h		2017/08/13 00h		2017/08/13 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	-0.05	0.00	-0.26	-0.15	-0.09	0.10	-0.04	0.13	-0.56	-0.06	-0.17	-0.04
M01	-0.14	-0.12	-0.05	-0.09	-0.11	-0.02	-0.68	-0.50	-0.66	-0.48	-1.44	-0.39
M02	0.33	0.11	-0.16	-0.16	-1.01	-1.51	-0.26	-0.15	-0.26	-1.94	-0.14	-0.43
M03	-15.71	-0.33	-0.16	0.02	-0.14	0.05	0.08	0.15	-0.18	-0.10	0.42	0.38
M04	0.02	0.02	-0.33	-0.57	0.07	0.14	-0.37	-0.19	-1.71	-1.25	0.20	0.07
M05	0.11	0.23	0.21	0.14	0.11	0.22	-0.17	-0.35	0.49	-0.46	-0.80	-1.33
M06	-0.10	-0.10	-0.16	-0.17	-0.22	-0.23	-0.04	-0.02	-0.58	-0.63	-0.27	-0.72
M07	-0.08	0.05	0.00	0.09	-0.20	-0.15	-0.31	-0.58	0.47	0.04	-0.03	0.11
M08	-0.10	-0.10	-0.16	-0.13	-0.20	-0.20	-0.16	-0.19	-0.09	-0.07	-0.12	-0.10
M09	-0.06	-0.06	-0.07	-0.03	-0.17	-0.10	-1.71	-2.48	-0.18	-0.20	-0.20	-0.08
M10	0.20	0.23	-0.16	-0.17	-0.17	-0.17	-0.91	-0.79	-0.19	-0.14	-0.36	-0.09
M11	-0.23	-0.11	-0.32	-0.21	-0.15	-0.13	0.14	0.26	-0.42	-0.82	-0.84	-0.75
M12	0.12	0.07	-0.57	-0.67	0.06	0.12	-4.27	-4.10	-0.52	-0.40	0.08	0.21
Daegu	PBIAS
	2017/08/11 00h		2017/08/11 12h		2017/08/12 00h		2017/08/12 12h		2017/08/13 00h		2017/08/13 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	1.1%	1.2%	1.6%	1.5%	1.1%	1.4%	1.2%	1.9%	2.9%	2.9%	2.7%	24.4%
M01	1.2%	1.1%	1.7%	2.4%	1.2%	1.4%	3.0%	4.8%	9.6%	48.3%	-11.7%	-5.7%
M02	1.6%	1.4%	1.0%	1.0%	-3.1%	-1.4%	1.6%	1.2%	5.5%	-1.4%	18.6%	-2.4%
M03	-0.5%	1.7%	1.0%	1.2%	2.0%	1.6%	2.2%	174.8%	1.2%	1.4%	22.6%	-7.3%
M04	1.2%	1.3%	2.0%	4.7%	2.5%	2.0%	1.4%	1.7%	-3.0%	-3.2%	2.5%	6.2%
M05	1.2%	1.2%	1.8%	1.5%	1.6%	1.8%	2.1%	6.1%	174.6%	-2.2%	7.0%	-4.0%
M06	1.0%	1.1%	1.0%	1.1%	1.1%	1.2%	1.2%	1.5%	2.8%	6.6%	1.7%	7.1%
M07	1.0%	1.1%	1.1%	1.3%	1.1%	1.1%	1.6%	2.7%	-14.3%	-3.5%	33.8%	-3.1%
M08	1.0%	1.0%	1.0%	1.0%	1.0%	1.0%	1.3%	1.4%	1.4%	1.6%	1.3%	1.7%
M09	1.0%	1.2%	1.5%	1.4%	1.2%	1.2%	6.5%	24.0%	1.3%	1.5%	1.5%	1.5%
M10	1.6%	1.5%	1.0%	1.0%	1.2%	1.2%	-18.6%	-4.2%	1.5%	1.4%	5.5%	-4.0%
M11	1.3%	1.0%	1.6%	1.7%	1.0%	1.0%	1.5%	2.5%	2.2%	5.0%	5.8%	-71.5%
M12	1.3%	1.3%	2.4%	2.6%	1.4%	1.5%	-1.1%	-1.0%	1.4%	1.9%	1.2%	1.4%

3.3 거제시

7월 1일 00시(UTC) LENS 그래프는 E3-1 발생 68 UTC 전의 예측 자료로서 지점값, 면적값 동일하게 m06, m07이 E3-1 발생 시간에 맞춰 예측하는 분포도를 보이고 나머지 앙상블멤버는 미미한 변동을 보였다(Fig. 6(a)). 7월 1일 12시(UTC) 그래프는 이벤트 발생 56시간 전으로 모든 앙상블멤버가 E3-1 발생시간을 시작으로 예측을 하였다(Fig. 6(b)). 7월 2일 00시(UTC) 그래프는 E3-1 발생 44시간 전으로 1일 12 UTC가 E3-1 발생시간을 시작으로 예측하였다. 반면 m02, m12는 시간적인 예측정확도를 높게 보여주었다(Fig. 6(c)). 7월 2일 12시(UTC) 그래프는 다른 LENS 예측 자료에 비해 높은 시간적 예측을 보여준다(Fig. 6(d)). 지점값은 E3-1에 비해 2분의1정도를 예측하였으며 다소 낮게 추정되는 경향을 보이지만 면적 값은 E3-1의 크기에 대해 높은 정확성을 보였다. 또한 E3-2 에서도 높은 예측 정확성을 보였다. 7월 3일 00시(UTC) 그래프는 E3-1 발생 20 UTC 전으로서 E3-1에 대해 7시간 앞서 예측하였다(Fig. 6(e)). E3-2에 대해선 m10만 높은 정확성을 보였다. 7월 3일 12시(UTC) 는 E3-1에 대해 8시간 전에 예측을 시작한 자료로서 E3-1 최대값을 기점으로 LENS자료 예측을 시작하였고 E3-2에 대해선 면적값은 높은 정확성을 보였다(Fig. 6(f)). R²은 m00이 면적값에서 E3-1 발생 3일전에서 0.6, 0.8의 높은 정확성을 보였으며 m01, m02, m04, m10은 지점값에서 E3-1 발생 2일전 0.5, 0.6의 높은 정확성을 보였다. 또한 m06, m07, m09는 E3-1 발생 3일전과 당일 예측에서 높은 정확성을 보였다. NSE는 m00이 3일전, m02, m03, m10은 2일전 높은 값을 보였다. PBIAS는 대체적으로 1% 사이의 범위로 높은 적합성을 보였다(Table 6).

https://cdn.apub.kr/journalsite/sites/kwra/2020-053-11/N0200531109/images/kwra_53_11_09_F6.jpg

Fig. 6

LENS-Observation time-value graph (Geojae)

Table 6.

LENS Rainfall prediction goodness of fit result (Geojae)

Geojae	R²
	2017/07/01 00h		2017/07/01 12h		2017/07/02 00h		2017/07/02 12h		2017/07/03 00h		2017/07/03 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	0.033	0.676	0.307	0.838	0.012	0.044	0.009	0.062	0.011	0.064	0.008	0.134
M01	0.038	0.008	0.157	0.008	0.652	0.292	0.005	0.224	0.025	0.021	0.027	0.029
M02	0.005	0.018	0.009	0.009	0.118	0.039	0.552	0.359	0.008	0.007	0.043	0.141
M03	0.000	0.002	0.022	0.124	0.008	0.142	0.286	0.580	0.009	0.403	0.001	0.230
M04	0.030	0.019	0.000	0.024	0.567	0.015	0.000	0.001	0.123	0.005	0.019	0.056
M05	0.003	0.005	0.001	0.786	0.000	0.000	0.002	0.001	0.307	0.036	0.019	0.002
M06	0.260	0.641	0.002	0.130	0.020	0.144	0.008	0.014	0.010	0.005	0.139	0.436
M07	0.407	0.397	0.110	0.063	0.002	0.000	0.033	0.002	0.010	0.009	0.440	0.114
M08	0.000	0.005	0.010	0.014	0.078	0.132	0.020	0.045	0.009	0.000	0.001	0.201
M09	0.783	0.402	0.008	0.004	0.009	0.003	0.216	0.277	0.016	0.015	0.468	0.552
M10	0.005	0.027	0.089	0.101	0.009	0.004	0.578	0.781	0.029	0.012	0.002	0.000
M11	0.002	0.000	0.004	0.004	0.005	0.016	0.373	0.612	0.011	0.024	0.019	0.244
M12	0.140	0.150	0.009	0.006	0.265	0.486	0.247	0.230	0.010	0.020	0.077	0.004
Geojae	NSE
	2017/07/01 00h		2017/07/01 12h		2017/07/02 00h		2017/07/02 12h		2017/07/03 00h		2017/07/03 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	-0.09	-0.05	0.21	0.72	-0.11	-0.07	-0.10	-0.06	-0.15	0.01	-0.37	-0.54
M01	-0.10	-0.09	0.13	-0.16	-0.01	-0.13	-0.45	0.10	-0.14	-0.14	-0.79	-0.10
M02	-0.13	-0.07	-0.21	-0.20	0.01	-0.09	0.36	0.15	-0.39	-0.17	-0.07	0.04
M03	-0.10	-0.10	-0.12	0.10	-0.74	-0.04	0.27	0.57	-0.14	-0.01	-3.66	0.17
M04	-0.23	-0.13	-0.74	-0.24	-0.03	-0.11	-0.21	-0.12	0.08	-0.20	-0.66	-0.45
M05	-0.08	-0.18	-0.15	0.49	-0.12	-0.13	-0.20	-0.15	-0.46	-1.14	-1.14	-0.28
M06	0.23	0.60	-1.15	-0.20	-0.28	0.06	-0.82	-0.26	-0.45	-0.30	-0.07	0.27
M07	-0.21	0.07	0.08	0.02	-0.15	-0.12	-0.16	-0.30	-0.90	-0.20	0.21	0.04
M08	-0.09	-0.10	-0.38	-0.16	0.01	-0.42	-0.31	-0.03	-0.24	-0.13	-0.37	-0.03
M09	0.04	-0.01	-0.36	-1.94	-0.21	-0.10	0.20	0.08	-0.16	-0.14	0.43	0.22
M10	-0.13	-0.08	-0.01	-0.02	-0.21	-0.14	0.32	0.76	-0.30	-0.30	-0.11	-0.13
M11	-0.09	-0.09	-0.13	-0.10	-0.14	-0.10	-0.11	-0.12	-0.29	-0.15	-0.58	0.21
M12	0.00	0.06	-0.28	-0.14	0.15	0.45	0.20	0.22	-0.31	-0.61	-0.04	-0.11
Geojae	PBIAS
	2017/07/01 00h		2017/07/01 12h		2017/07/02 00h		2017/07/02 12h		2017/07/03 00h		2017/07/03 12h
	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area	Point	Area
M00	1.0%	1.0%	1.7%	3.2%	2.4%	2.1%	1.1%	1.1%	1.8%	2.2%	4.9%	-2.4%
M01	1.0%	1.0%	2.1%	1.8%	1.1%	1.0%	1.6%	1.4%	1.0%	1.0%	-6.1%	3.5%
M02	1.2%	1.1%	1.6%	1.8%	1.3%	2.2%	1.7%	1.4%	1.5%	1.1%	2.0%	6.0%
M03	1.0%	1.0%	2.9%	2.9%	2.3%	1.1%	3.3%	3.7%	1.1%	1.1%	-2.0%	1.5%
M04	2.7%	1.5%	13.0%	3.5%	1.1%	1.4%	1.6%	1.2%	1.9%	2.5%	-5.9%	-6.1%
M05	1.1%	1.3%	1.4%	1.7%	1.2%	1.2%	1.7%	1.6%	-0.7%	-1.5%	-47.3%	5.0%
M06	2.1%	2.1%	-3.6%	-4.1%	2.8%	1.4%	2.3%	1.5%	1.8%	1.9%	3.9%	1.5%
M07	-2.1%	-1.6%	1.7%	1.6%	1.2%	1.1%	11.2%	6.2%	3.0%	1.4%	1.4%	1.4%
M08	1.0%	1.0%	2.2%	1.4%	1.6%	-14.2%	3.9%	1.5%	1.3%	1.3%	2.7%	5.8%
M09	1.1%	1.1%	2.1%	-2.7%	2.2%	1.2%	3.2%	-3.1%	1.4%	1.4%	2.8%	1.4%
M10	1.2%	1.0%	1.2%	1.2%	1.2%	1.0%	1.4%	10.2%	5.9%	4.4%	1.2%	1.2%
M11	1.0%	1.0%	1.4%	1.2%	1.4%	1.4%	1.0%	1.0%	1.4%	1.2%	6.6%	2.7%
M12	1.1%	1.2%	2.3%	1.3%	4.8%	26.4%	2.4%	3.7%	2.6%	4.6%	2.7%	1.6%

4. 결론 및 고찰

본 연구에서는 기상청 국지 앙상블 시스템(LENS)의 자료와 실강우값에 대해 대상지역 기상관측소 지점값 과 행정구역 면적값을 추출하여 공간적 특성 및 적용성 평가를 수행하였다. 공간적 특성을 평가하기 위하여 내륙지방인 상주시, 대도시로 대구광역시, 해안지역인 거제시로 3개의 행정구역을 선택하여 행정구역내에 속해있는 강우관측소 지점에 해당하는 LENS 값을 추출하고 행정구역 면적에 대한 LENS의 평균값을 추출하여 비교하였다. 그리고 LENS 자료의 적용성을 평가하기 위하여 도식화된 그래프로 정성적인 평가를 진행하고 정량화된 평가를 위해 R², NSE, PBIAS의 3개의 평가지수를 이용하여 평가하였다. E1, E2, E3에서 LENS자료의 시간적인 정확성은 R²과 NSE가 0.1 미만을 보였던 이전 예측자료들에 비해 예측 선행시간이 짧을 수록 0.5 이상의 값을 나타내며 높은 정확도를 보였다. 공간적 특성에 따른 총 멤버 13개(m00 ~ m12)의 분포도를 보면 지점값의 경우 10개 이하의 멤버가 Event에 대한 예측양상을 보이고 면적값의 경우 10개 이상의 멤버가 Event에 대한 예측양상을 나타내며 면적단위의 예측이 더 높은 예측 정확성을 보였다. R², NSE, PBIAS의 평가지수를 이용한 Event에 대한 적용성은 E1 2017년 7월 3일 00 UTC에서 m01, m03, m04가 지점값이 높은 값을 보였고 m00, m05, m06, m10에서 면적값이 높은 값을 나타내었다(Table 5). 이는 Event당시 전체 기간에 대해 평가지수를 산출하였기 때문에 높은 것으로 판단된다. 또한 Event 이외의 시간에 해당하는 0 mm/3 hr ~ 1 mm/3 hr의 적은 양의 강우에 대해 과대예측을 하였기 때문에 불확실성을 보여준것으로 판단된다. 선행 72시간의 강우를 예측하는 LENS 자료는 수재해에 영향을 가질 수 있는 강우사상에 대하여 높은 예측 정확성을 보였지만 예측 시작시간으로부터 30시간 뒤의 강우사상에 대한 높은 불확실성을 나타내었다. 또한 수재해가 발생하기 어려운 1 mm/3 hr이하의 강우사상에 대하여 강우발생 유무에 대한 예측은 높은 정확성을 보였지만 다소 과대 예측을 하는 경향을 보여주었다. 그리고 내륙지역인 상주와 대도시 및 내륙지역인 대구 에 비해 많은 양의 강우를 동반하는 해안지역 거제에서 높은 강우예측 정확성을 나타냄을 확인할 수 있었다. 따라서 강우앙상블 예측자료의 내포되어 있는 불확실성은 공간적 특성평가에도 큰 영향을 미치는 것으로 판단된다. 따라서 추후 강우 앙상블 자료의 산정 과정에서 생기는 불확실성의 내포로 인한 시간적인 강우예측의 불확실성과(Kang et al., 2017) 과소추정 및 과대추정 부분에 대한 오차요인과 오차분포에 따른 강우앙상블 자료의 시공간적 개선방법은 더 많은 사례에 대한 추후 검증 및 보정이 필요할 것으로 판단된다(Kim et al., 2014). 강우앙상블 자료를 이용한 수문모형 활용성 및 공간특성에 따른 불확실성 분석으로 개선된 강우앙상블 자료는(Kim et al., 2008) 추후 국지강우앙상블시스템(LENS) 자료를 이용한 행정구역 또는 유역면적 단위의 홍수 대비에 기초자료로 활용될 수 있을 것으로 기대된다.

Acknowledgements

본 결과물은 환경부의 재원으로 한국환경산업기술원의 물관리연구사업의 지원을 받아 연구되었습니다(139266).

References

Choi, Y., and Yi, J. (2019). "Research on flood risk forecast method using weather ensemble prediction system in urban region." Journal of Korea Water Resources Association, Vol. 52, No. 10, pp.753-761.

Daegu Metropolitan City (2020). accessed 13 October 2020, <http://www.daegu.go.kr>.

Geoje City (2019). Korea, accessed 13 October 2020, <http://www.geojae.go.kr>.

Gupta, H.V., Sorooshian, S., and Yapo, P.O. (1999). "Status of automatic calibration for hydrologic models: Comparison with multilevel expert calibration" Journal of Hydrologic Engineering, Vol. 4, No. 2, pp. 135-143. 10.1061/(ASCE)1084-0699(1999)4:2(135)

Kang, N., Joo, H., Lee, M., and Kim, H. (2017). "Generation of radar rainfall ensemble using probabilistic approach." Journal of Korea Water Resources Association, Vol. 50, No. 3, pp. 155-167. 10.3741/JKWRA.2017.50.3.155

Kim, B., Bae, Y., Park, J., and Kim, K. (2008). "Flood runoff simulation using radar rainfall and distributed hydrologic model in Un-gauged basin ; Imjin River Basin." Journal of the Korean Association of Geographic Information Studies, Vol. 11, No. 3, pp. 52-67.

Kim, K., Lee, G., Kang, D., Kwon, B., and Han, K. (2014). "Adjustment of radar precipitation estimation based on the local gauge correction method." Journal of the Korean Earth Science Society, Vol. 35, No. 2, pp. 115-130. 10.5467/JKESS.2014.35.2.115

Kim, S., Kim, H., Kay, J., and Lee, S. (2015). "Development and evaluation of the high resolution limited area ensemble prediction system in the Korea Meteorological Administration." Atmosphere, Vol. 25, No. 1, pp. 67-83. 10.14191/Atmos.2015.25.1.067

Kim, S., Kim K., Hwang S., Park J., Lee, J., and Kang. M. (2019) "Influence of rainfall observation network on daily dam inflow using artifical neural networks." Journal of the Korean Society of Agricultural Engineers, Vol. 61, No. 2, pp. 63-74.

Korea Meteorological Administration Republic of Korea (KMA) (2016). Joint WMO technical progress report on the global data processing and forecasting system and numerical weather prediction research activities for 2016.

Krause, P., Boyle, D.P., and Base, F. (2005). "Comparison of different efficiency criteria for hydrological model assessment." Advances in Geosciences, Vol. 5, pp. 89-97. 10.5194/adgeo-5-89-2005

Lee, B.-J., Bae, D.-H., and Jeong, C.-S. (2003). "Runoff curve number estimation for cover and treatment classification of satellite image (II): Application and verification." Journal of Korea Water Resources Association, Vol. 36, No. 6, pp. 999-1012. 10.3741/JKWRA.2003.36.6.999

Lee, G., Park, K., Yu, W., Jung, K., and Jang, C. (2011). "A study on flood damage estimation using DEM-based flood inundation model and MD-FDA." Journal of The Korean Society of Hazard Mitigation, Vol. 43, No. 11, pp. 995-1009. 10.9798/KOSHAM.2011.11.5.327

Lee, J.S. (2016) Hydrology. Goomiseoguan, pp. 118-120.

Nash, J.E., and Sutcliffe, J.V. (1970). "River flow forecasting through conceptual models: Part 1. A discussion of principles." Journal of Hydrology, Vol. 10, No. 3 pp. 282-290. 10.1016/0022-1694(70)90255-6

Sangju City (2019). Korea, accessed 13 October 2020, <http://www.sangju.go.kr>.

Yu, W., Choi, M., Jeong, A., Moon, H., and Jung, K. (2017). "Ensemble rainfall estimation and flood forecast by considering spatial prediction uncertainty of numerical weather prediction." Journal of the Korean Society of Hazard Mitigation, Vol. 17, No. 5, pp. 43-55. 10.9798/KOSHAM.2017.17.5.43

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

Preview

Appraisal of spatial characteristics and applicability of the predicted ensemble rainfall data

ABSTRACT

MAIN

Fig. 1

LENS domain

Table 1

Products from the LENS (KMA, 2016)

Fig. 2

Study area

Table 2.

Administrative area weather station

Fig. 3

Rainfall event (Observation)

Table 3.

Thiessen weight of administrative region

(1)

(2)

(3)

Fig. 4

LENS-Observation time-value graph (Sangju)

Table 4.

LENS Rainfall prediction goodness of fit result (Sangju)

Fig. 5

LENS-Observation time-value graph (Daegu)

Table 5.

LENS Rainfall prediction goodness of fit result (Daegu)

Fig. 6

LENS-Observation time-value graph (Geojae)

Table 6.

LENS Rainfall prediction goodness of fit result (Geojae)

Acknowledgements

References