Preview
Research Article

Journal of Korea Water Resources Association. 31 December 2024. 977-988
https://doi.org/10.3741/JKWRA.2024.57.12.977

Estimating rainfall using soil moisture data: application and validation of the SM2RAIN in the Korean Peninsula

토양수분 자료를 활용한 강우량 추정: 한반도에서의 SM2RAIN 알고리즘의 적용과 검증
Doyoung Kima
,
Seungkeun Chob
,
Shinhyeon Choc
,
Minha Choidef*
김 도영a
,
조 성근b
,
조 신현c
,
최 민하def*
aPh.D. Student, Department of Global Smart City, Sungkyunkwan University, Suwon, Korea
bPh.D. Candidate, Department of Water Resources, Sungkyunkwan University, Suwon, Korea
cMaster Student, Department of Global Smart City, Sungkyunkwan University, Suwon, Korea
dProfessor, Department of Water Resources, Sungkyunkwan University, Suwon, Korea
eProfessor, School of Civil, Architecture Engineering and Landscape Architecture, Sungkyunkwan University, Suwon, Korea
fProfessor, Department of Global Smart City, Sungkyunkwan University, Suwon, Korea
a성균관대학교 글로벌스마트시티융합전공 박사과정
b성균관대학교 수자원전문대학원 수자원학과 박사수료
c성균관대학교 글로벌스마트시티융합전공 석사과정
d성균관대학교 수자원전문대학원 수자원학과 교수
e성균관대학교 건설환경공학부 교수
f성균관대학교 글로벌스마트시티융합전공 교수
*Corresponding Author

© 2024 Korea Water Resources Association. All rights reserved.

License (open-access, https://creativecommons.org/licenses/by/4.0):

©It is identical to the Creative Commons Attribution Non-commercial License (https://creativecommons.org/licenses/by/4.0)

ABSTRACT

The Korean Peninsula experiences significant seasonal variations in rainfall, making regional monitoring critical for effective water resource management. While current rainfall monitoring is densely conducted based on in-situ measurements, the acceleration of climate change necessitates rainfall data with finer spatial resolution. This study evaluates the performance of SM2RAIN in estimating rainfall across diverse soil and rainfall conditions in the Korean Peninsula and examines its applicability in monsoon climates using both in-situ and spatial soil moisture data. The results indicate that SM2RAIN, utilizing in-situ soil moisture data, demonstrated strong rainfall estimation performance in all regions except Bosung, with statistical indicators of Nash-Sutcliffe Efficiency (NSE) ranging from 0.52 to 0.94, correlation coefficient (R) from 0.73 to 0.97, and Root Mean Square Error (RMSE) from 6.09 to 29.44 mm/hr. Conversely, rainfall estimation using SMAP L4 soil moisture data exhibited limitations due to temporal and spatial resolution constraints, with NSE values between 0.33 and 0.67, R from 0.57 to 0.83, and RMSE from 10.09 to 20.25 mm/hr, showing discrepancies in accuracy compared to in-situ data. However, SMAP L4 data proved useful for medium- to long-term rainfall forecasting. This study confirms that optimizing the parameters to SM2RAIN enables accurate and reliable rainfall estimation.

Keywords
Soil moisture
Rainfall
SM2RAIN
Monsoon climate
SMAP L4

한반도는 강우량의 계절적 편차가 크게 나타나 효율적인 수자원 관리를 위해 지역별 강우 모니터링이 중요하다. 현재의 강우 모니터링은 지점 관측을 중심으로 조밀하게 수행되고 있으나, 기후변화의 가속화에 따라 보다 정밀한 공간 해상도의 강우 관측자료가 요구되고 있다. 본 연구에서는 한반도의 다양한 토양 및 강우 조건에서 SM2RAIN의 강우 추정 성능을 평가하고, 지점 및 공간 토양수분 자료를 활용하여 monsoon 기후에서의 적용 가능성을 분석하였다. 연구 결과, 지점 토양수분 자료를 활용한 SM2RAIN은 Nash-Sutcliffe Efficiency (NSE) 0.52~0.94, 상관계수(R) 0.73~ 0.97, Root Mean Square Error (RMSE) 6.09~29.44 mm/hr의 통계 지표를 보여 보성지역 이외에는 강우 모의 성능이 우수한 것으로 나타났다. 반면에, SMAP L4 토양수분 자료를 활용한 강우 추정은 시간 및 공간 해상도의 제약으로 NSE 0.33~0.67, R 0.57~0.83, RMSE 10.09~20.25 mm/hr의 통계 값을 나타내어 지점 자료 대비 정확도에서 차이가 있었으나, SMAP L4 자료는 중·장기 강우 예측에 유용하다는 것을 확인하였다. 본 연구를 통하여 SM2RAIN의 매개 변수를 최적화함으로써 정확하고 신뢰성 있는 강우 추정이 가능함을 확인하였다.

키워드
토양수분
강우
SM2RAIN
몬순 기후
SMAP L4

MAIN

  • 1. 서 론

  • 2. 연구지역 및 데이터

  •   2.1 연구지역

  •   2.2 데이터

  • 3. 방법론

  •   3.1 SM2RAIN algorithm

  •   3.2 통계 검증

  • 4. 연구 결과 및 토의

  •   4.1 지점 및 공간 토양수분 자료 검증

  •   4.2 시간에 따른 SM2RAIN의 강우 모의 능력 평가

  •   4.3 최적 시간에 기반한 SM2RAIN 알고리즘 강우량 모의 성능 검증

  • 5. 결론 및 요약

1. 서 론

기후변화로 인한 기상 이상 현상의 증가로 국지성 호우, 가뭄 등 재난·재해가 급증하고 있다(Furtak and Wolinska, 2023). 특히, 한반도의 경우 대부분의 강우량이 여름철에 집중되어 있어 토양수분 포화에 따른 산사태 및 홍수와 봄·가을철의 가뭄(Kim et al., 2023a; Kang et al., 2023)이 나타나는 특징이 있다. 토양수분과 강우는 수문순환의 핵심 인자로 기상 현상에 주요한 영향을 미침에 따라, 이 둘의 상호작용에 대한 정밀한 이해와 모니터링을 통한 효율적인 수자원 관리와 재난·재해 대응이 요구되고 있다. 최근의 선행연구에서는 기후변화로 인해 강우 모니터링에 어려움을 겪고 있으며(Neelin et al., 2022), monsoon 기후대인 우리나라는 다른 국가에 비해 지점 관측 모니터링이 조밀하게 수행되고 있으나, 기후변화 가속화에 따라 지역 단위 강우량의 편차가 크게 나타나고 있어 기존의 강우 관측망만으로는 정확한 모니터링 수행에 어려움이 있다(Park et al., 2011).

이에 따라, 다양한 공간 해상도의 강우량 자료가 요구되고 있지만, 지정학적 특성상 우리나라는 도서, 산간이 다수 분포하고 있어 지점 관측소만으로 공간 대표성을 갖는 자료를 산출하기는 어려움이 있다. 이러한 한계점을 극복하기 위해 강우 자료 고도화의 방법으로 지점 자료 기반의 보간법을 활용하거나 공간 대표성을 갖는 위성 기반 원격탐사 기법을 활용하여 광범위한 지역에 대해 모니터링을 수행하고 있지만(Jongjin et al., 2016), 정확한 강우량 모니터링이 가능한 위성인 Global Precipitation Measurments (GPM)은 실시간성의 한계로 모니터링 주기에 어려움이 있다(Kim et al., 2017; Huffman et al., 2015). 최근에는 지점 관측, 위성 자료, 그리고 모델링 자료를 기반으로 자료 개선을 수행한 강우와 토양수분의 모니터링에 관한 연구 또한 활발히 수행되고 있으나, 자료의 복잡성으로 인해 활용에 어려움이 있다(Cho and Choi, 2014; Baik et al., 2018; Kim et al., 2017; Lee et al., 2019).

실시간으로 강우의 계측이 이루어지지 않는 지역에서 비교적 간단하게 강우량을 추정하기 위해 Brocca et al. (2013)는 강우가 토양에 내려오는 점을 고려하여 시간에 따른 토양수분의 변화량을 기반으로 강우량을 추정하는 SM2RAIN 알고리즘을 제안하였다. SM2RAIN은 실시간으로 제공되는 토양수분 자료만 있으면 바로 강우량을 예측하여 비교적 정확한 강우의 예측이 가능하게 한다(Brocca et al., 2015). 이후 SM2 RAIN 알고리즘의 장점을 활용하여 지점 및 위성 토양수분 자료를 활용하여 검증과 강우를 예측하는 연구들이 수행되었고 SM2RAIN-Advanced Scatterometer (ASCAT)(Brocca et al., 2019), SM2RAIN-Climate Change Initiative (CCI)(Ciabatta et al., 2018), GPM+SM2RAIN (Massari et al., 2020), SM2 RAIN-Climate (Mosaffa et al., 2023)와 같은 글로벌 데이터를 생성해 다양한 강우 자료와 비교·검증을 수행했다.

SM2RAIN을 활용한 전 지구 강우 데이터 생성 이외에도, SM2RAIN 기반의 다양한 지형과 기후 조건에서 강우 추정에 관한 연구도 활발하게 수행되었다. Lai et al. (2022)는 고지대에서 식생의 변화에 따른 SM2RAIN 알고리즘의 성능을 비교하여 토양수분 식생 간섭의 영향이 적은 고산 초원이 산림보다 모의 능력이 우수하며, 각 지역에서의 SM2RAIN 알고리즘의 지역별 매개 변수 산정의 중요성을 밝혔다. SM2RAIN 알고리즘을 활용하여 재난·재해 모니터링에의 적용은 Koohi et al. (2021)가 이란의 다양한 기후 지역에서 SM2RAIN- ASCAT과 지상 관측 기반 표준 강우 지수의 상관계수를 산정한 가뭄 모니터링을 수행하였다. 이를 통해, 매우 건조한 지역에서 SM2RAIN 알고리즘 기반의 가뭄 탐지 성능을 검증하였고 이란 북부지역에서의 성능은 상대적으로 저하되는 것을 밝혀 적절한 매개 변수 산정을 통해 다양한 응용 분야에 활용될 수 있음을 검증하였다. 또한 Saeedi et al. (2022)는 SM2 RAIN 알고리즘을 바탕으로 Net Water Flux 모델을 결합하여 SM2RAIN-NWF 알고리즘을 제안하여 기존 알고리즘 대비 다양한 토지 피복 조건에서 우수한 강우량 추정 성능을 확인하여 다양한 조건에서의 SM2RAIN의 응용 가능성을 나타냈다. 그러나 우리나라와 같은 토양수분의 포화가 빈번하게 발생하는 monsoon 기후에서 SM2RAIN을 적용하여 강우 모니터링을 수행한 연구는 부족한 실정이다.

본 연구에서는 한반도에서 토양수분과 강우의 상관성을 분석하고, 지점 및 공간 토양수분 자료를 활용하여 monsoon 기후대에서 SM2RAIN의 적용 가능성을 분석하였다. 또한, 강우 자료의 다각화를 통해 기존 지점 강우 모니터링 자료와 더불어 공간 강우 데이터 구축에서의 SM2RAIN 성능을 평가하고자 하였다.

2. 연구지역 및 데이터

2.1 연구지역

연구지역은 철원, 오창, 대곡, 보성의 기상청 4개 관측소와 화성시 간척지역 인근인 어섬에서 직접 관측을 수행했다(Fig. 1). 연구 지역인 한반도의 토지 분포는 동쪽으로는 산지, 서쪽으로는 농지가 주로 분포하며 국토의 절반 이상이 산지로 구성되어 있으며, 기후대는 온대성으로 사계절이 뚜렷하게 나타나는 지역이다. 한반도의 연 강우량은 약 1,300 mm로, 지역에 따라 다르게 나타난다. 특히, 최근에는 기후변화로 강우량 자체는 증가하고 있으나 국지성 호우, 돌발가뭄 등 지역별 강우량 편향에 따른 재난·재해의 증가로, 다양한 지역의 토양수분과 강우 모니터링이 중요해지고 있다(Kim et al., 2023b; Kang et al., 2023). 지점별 강우의 발생 횟수는 전체 기간 122일 중 철원 49일, 오창 27일, 대곡 26일, 보성 29일, 어섬 19일로 나타났고 누적 강우량은 철원 763.5 mm, 오창 1,201.1 mm, 대곡 1,126.0 mm, 보성 1,042.0 mm, 어섬 739.5 mm이다.

2.2 데이터

본 연구에서 활용한 지점 자료는 기상청 Automated Agriculture Observing System (AAOS) 및 Automatic Weather System (AWS)로 측정된 10 cm 토양수분, 강우량 자료와 Fig. 1의 어섬 지역에서 Frequency Domain Reflectometry (FDR)로 직접 관측한 1 시간 단위의 10 cm 토양수분 자료를 사용했다(Table 1). 강우량의 경우 어섬 관측지점에서는 강우량 측정을 수행하고 있지 않아 5 km 부근의 기상청 전곡항 AWS 관측자료를 활용하였으며, 이외의 지역에서는 토양수분과 함께 지점 관측소에서 제공되는 AWS 관측자료를 사용하였다. 공간 토양수분 자료는 National Aeronautics and Space Administration (NASA) Soil Moisture Active Passive (SMAP) Level 4(L4) 자료인 SPL4SMGP의 토양수분 자료를 사용하였으며 Google Earth Engine을 통해 확보했다. SPL4SMGP는 SMAP 미션의 Level 1(L1) 표면(0~5 cm), 뿌리 층(0~100 cm) 토양수분 데이터를 기반으로 SMAP L-band의 밝기 온도 관측자료를 NASA Catchment Land Surface Model (CLSM)에 자료동화하여 생성된다. SMAP L4 토양수분 자료는 2015년부터 3일 이내의 관측자료가 현재까지 생성되고 있으며, 표면 및 뿌리 층 토양수분 값을 3시간의 시간해상도와 9 km의 공간 해상도를 통해 제공되고 있다(Reichle et al., 2017; 2021).

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571201/images/kwra_57_12_01_F1.jpg
Fig. 1.

International Geosphere-Biosphere Programme (IGBP) land cover classification of Korean Peninsula

Table 1.

Geographic and environmental characteristics of study sites

Site Latitude (°) Longitude (°) Soil Texture Land Cover Type Elevation (m) Cummulatve rainfall (mm)
Cheorwon 38.2014 127.2502 Sandy loam Rural 179.45 763.5
Ochang 36.6363 127.4428 Urban 40.35 1201.1
Daegok 35.2443 128.1561 Loamy sand Rural 16.78 1126.0
Bosung 34.7633 127.2123 Sandy loam 1.41 1042.0
Eoseom 37.2841 126.6522 Silt clay loam 17.14 739.5

3. 방법론

3.1 SM2RAIN algorithm

SM2RAIN은 토양을 강우에 대한 자연 저장소로 간주하고, 토양수분의 시간에 따른 변화량을 계산하여 물 수지 평형의 역함수 형태로 나타낸다(Brocca et al., 2013). 토양수분 값만으로 강우량을 예측할 수 있어 비교적 간단한 방법을 통해 강우자료를 획득할 수 있는 장점이 있다. 본 연구에서는 R을 통해 SM2RAIN을 수행하여 강우량을 예측하였으며 토양수분 자료의 시간해상도에 따른 강우량 모의 성능을 평가하고자 하였다. SM2RAIN은 다음과 같이 계산한다.

(1)
Zds(t)dt=p(t)-r(t)-e(t)-g(t)

Z는 토양층의 깊이에 대한 토양수분의 값; s(t)는 토양의 상대 포화도; t(t)는 시간; p(t)는 강우; r(t)는 표면 유출량; e(t)는 증발산량 ; g(t)는 배수율이다. 강우량의 방정식은 Eq. (2)와 같이 정리될 수 있다.

(2)
p(t)=Zds(t)dt+r(t)+e(t)+g(t)

여기서 강우가 발생했을 때 증발산량이 매우 낮기에 무시할 만한 수준으로 간주하고, 표면 유출량은 토양 포화가 발생하기 전에는 강우가 모두 토양에 흡수된다고 가정하여 값을 무시한다. 물 수지 평형에서 모든 요인을 고려했을 때, 실제 증발산량과 표면 유출량의 고려 여부는 큰 차이가 없는 것으로 나타나 토양 특성이 강우량 예측의 주요 요인임을 알 수 있다(Brocca et al., 2015). 마지막으로 배수율은 다음과 같이 계산된다.

(3)
g(t)=as(t)b
(4)
p(t)≅Zds(t)dt+as(t)b

Eq. (3)에서 a와 b는 배수율과 토양 포화도 사이의 비선형성을 나타내는 매개 변수로 a는 포화 수리 전도도, b는 토양의 공극 크기 분포 지수이다(Famiglietti and Wood, 1994). Eqs. (1), (2), (3)을 정리하면 Eq. (4)와 같이 나타나며, 강우는 상대적인 시간에 따른 토양수분의 값, ds(t)/dt, 그리고 세 개의 매개 변수(Z, a, b)로 예측될 수 있다.

3.2 통계 검증

본 연구에서는 지점 토양수분 자료와 SMAP L4 자료의 검증 및 SM2RAIN 알고리즘의 성능 평가를 위해 Nash-Sutcliffe Efficiency (NSE), Correlation Coefficient (R), Root Mean Square Error (RMSE), Percent Bias (PBIAS), Index of Agreement (IOA)의 5가지 통계 지표를 종합적으로 활용하여 전반적인 데이터 분포와 모델의 성능을 나타냈다. 각 통계 지수는 다음과 같이 계산한다.

Table 2에서 i는 시점, Oi와 Ei는 각각 시점 i에서의 관측값과 모델 예측값을, n은 전체 관측 데이터의 수, O¯ 는 관측값의 평균을 나타내며, x와 y는 두 변수의 값, n은 관측값의 수를 나타낸다. R은 상관계수를 의미하며, 두 변수 간의 선형 관계를 -1과 1 사이의 값으로 나타내는 통계적 지표이며, ±1에 가까울수록 선형 관계가 나타나고 0에 가까울수록 선형 관계가 없음을 나타낸다. NSE는 모델의 예측 성능을 정량적으로 평가하는데 사용되며, 얼마나 정확하게 실측값을 예측하는지 나타내고, 1에 가까울수록 모델 예측 성능이 좋음을 나타낸다. IOA는 예측값과 관측값 간의 일치를 측정하는 지표로 모델 예측의 정확성 평가에 사용하며, 1에 가까울수록 실제 관측값과 잘 일치함을 나타낸다. PBIAS는 모델의 예측값이 관측값에 비해 과대, 과소 산정되는 경향을 평가하는 지표로, 편향을 백분율로 나타낸 지표로, 0에 가까울수록 실제 관측값과 일치함을 나타낸다. RMSE는 모델 예측값과 실제 관측된 값의 차이를 나타내며, RMSE의 값이 0에 가까울수록 예측의 정확성이 높음을 나타낸다.

Table 2.

Statistical indicators and respective equations for rainfall comparison

Statistical indicator Equations
Correlation Coefficient (R) R=n(∑xy)-(∑x)(∑y)[n∑x2-(∑x)2][n∑y2-(∑y)2]
Nash-Sutcliffe Efficiency (NSE) NSE=1-∑i=1n(Oi-Ei)2∑i=1n(Oi-O¯)2
Index of Agreement (IOA) IOA=1-∑i=1n(Ei-Oi)2∑i=1n(|Ei-O¯|+|Oi-O¯)2
Percent Bias
(PBIAS) 		PBIAS=100×∑i=1n(Ei-Oi)∑i=1nOi
Root Mean Square Error (RMSE) RMSE=1n∑i=1n(Ei-Oi)2

4. 연구 결과 및 토의

4.1 지점 및 공간 토양수분 자료 검증

SM2RAIN 알고리즘 적용 가능성을 평가하기 위해 2023년 7월 1일부터 10월 31일까지의 1시간 단위 지점 토양수분 자료와 강우량 자료, 그리고 3시간 단위 SMAP L4 토양수분 자료의 시계열 그래프와 산점도 분석을 수행했다(Fig. 2). AAOS 지점별 토양수분 값과 표준편차는 철원 0.26~0.59 m3/ m3(±0.06 m3/m3), 오창 0.09~0.54 m3/m3(±0.09 m3/m3), 대곡 0.06~0.39 m3/m3(±0.07 m3/m3), 보성 0.42~0.49 m3/m3(±0.05 m3/m3), 어섬 0.30~0.46 m3/m3(±0.03 m3/m3)로 나타났다. 토양수분은 표토 토성의 투수계수가 높을수록 변동성이 크게 나타나기에 투수계수가 높은 loamy sand (대곡), sandy loam (철원, 오창, 보성), silt clay loam (어섬) 순으로 지점 토양수분의 표준편차가 높게 나타났다(Table 1)(Choi et al., 2022). 강우는 지역별로 시간당 강우와 누적 강우량이 각각 철원에서 약 25 mm/hr, 약 763 mm, 오창 약 25.5 mm/hr, 약 1,201 mm, 대곡 약 35 mm/hr, 약 1,126 mm, 보성 약 45 mm/hr, 1,042 mm, 어섬 약 30.5 mm, 약 739 mm로 나타났으며, 시간당 강우의 강도가 가장 높게 나타난 보성에서 평균 토양수분이 높게 나타났다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571201/images/kwra_57_12_01_F2.jpg
Fig. 2.

Temporal variation of soil moisture and rainfall based on in-situ measurement and SMAP L4 in five study site

SMAP L4 토양수분 자료의 값과 표준편차는 철원 0.23~ 0.41 m3/m3(±0.03 m3/m3), 오창 0.22~0.41 m3/m3(±0.03 m3/m3), 대곡 0.16~0.42 m3/m3(±0.06 m3/m3), 보성 0.28~0.42 m3/m3 (±0.03 m3/m3), 어섬 0.20~0.41 m3/m3(±0.04 m3/m3)로 나타났다. 전반적으로 지점 자료와 위성 자료의 토양수분과 표준편차 값의 차이가 발생하였으며, 이는 SMAP L4 토양수분 자료의 공간 해상도가 9 km 으로 지점 자료와의 공간 대표성 차이 때문으로 판단된다(Reichle et al., 2017). SMAP L4와 지점 토양수분의 비교 결과 대곡, 보성 에서는 두 자료가 유사한 패턴을 나타내는 것으로 보인다(R = 0.74). 그러나 철원에서는 9월부터 지속적인 강우의 발생에 대해 SMAP L1의 토양수분의 증감이 반영되지 못해 CLSM 기반으로 한 자료 생산 시 자료의 편향으로 인한 SMAP L4 토양수분 품질에 영향을 미쳐 상관계수가 낮게 나타났을 것으로 판단된다(Reichle et al., 2021). 상관계수가 두 번째로 낮은 오창 지점의 경우, 관측소가 도심지 내에 위치하여 Radio Frequency Inteference 영향으로 SMAP의 L1 L-band 밝기 온도에 간섭이 발생하여 토양수분 자료 생성에 영향을 준 것으로 판단된다(Soldo et al., 2018). 마지막으로 어섬 지점은 해안가 근처에 위치하여 SMAP의 픽셀값 내에 해양이 다수 포함되어 있음에 따라, SMAP 토양수분 자료의 품질 저하가 발생하여 다른 지점에 비해 상관계수가 높지 않았다(Du et al., 2023).

4.2 시간에 따른 SM2RAIN의 강우 모의 능력 평가

SM2RAIN은 토양수분의 시간에 따른 변화량을 통해 강우를 산정하기 때문에, 지역별 토양특성에 따라 매개 변수의 설정이 중요하다(Brocca et al., 2013). 본 연구에서는 지점 강우량과 SM2RAIN으로 추정된 강우 간 통계적 오차를 줄이는 방법으로 지점 토양수분에 대한 매개 변수 Z, a, b를 설정하였다(Table 3). 토양에 대한 매개 변수를 설정한 후 토양수분의 시간에 따른 변화량을 선정하기 위해 집계 시간에 따른 통계 분석도 나타내었다(Fig. 3). 지점 토양수분 자료는 1시간 단위로 제공되기 때문에 SMAP L4 토양수분에 비해 짧은 주기로 정확도가 높은 강우량을 산출할 수 있었으며, NSE와 R을 기준으로 최적의 집계 시간을 선정하였다. 그 결과 철원 48시간, 오창 24시간, 대곡 36시간, 보성 72시간, 어섬 60시간 기준의 토양수분 자료를 고려하였을 때 가장 우수한 성능을 보였다. SMAP L4의 경우 선행연구에서는 시간에 대한 interpolation을 수행하여 공간자료의 시간해상도를 한 시간 주기로 만들었지만, 변화량이 나타나지 않아 interpolation 시 강우 추정 성능이 저하되는 단점이 있었다(Brocca et al., 2019). 이에 본 연구에서는 원자료를 그대로 사용하여 정확한 토양수분의 변화량을 사용하고자 SMAP L4 자료를 사용하였다. SMAP L4 토양수분을 활용한 강우량 추정에서는 철원, 오창, 어섬 지역에서 7일의 토양수분 값을 집계하였을 때 가장 우수한 성능이 나타났고, 대곡과 보성에서는 6일의 토양수분 값을 고려하였을 때 강우 모의 성능이 좋았다.

Table 3.

SM2RAIN Calibration parameter used in this study with in-situ soil moisture

Calibration Parameter Cheorwon Bosung Daegok Ochang Eoseom
Z (mm) 100 100 100 100 100
a (mm/h) 20 204.3 53.4 2010.8 3.7
b (-) 7.0 12.3 3.1 14.9 10.0

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571201/images/kwra_57_12_01_F3.jpg
Fig. 3.

Optimal time aggregation for the comparison between AWS rainfall and SM2RAIN rainfall (a) In-situ and (b) SMAP L4 soil moisture data

결과적으로 지점 토양수분을 활용한 강우 추정에서는 토양의 특성과 지형적 특성(고도, 경사도 등)에 따라 최적의 집계 시간 간격이 달라진다는 것을 알 수 있었다. 이는 토양수분의 패턴이 지역별로 증감하는 정도가 달라 SM2RAIN의 활용 시 calibration parameter 산정의 중요성을 강조한다. 대표적으로 같은 토성을 나타내는 철원과 보성지역의 경우, 보성에서 토양수분 값의 변화가 작아서 짧은 집계 시간 단위에서는 강우 모의 성능이 상대적으로 저하되고 편차가 크게 나타났다. 반면에, 긴 집계 시간에서는 강우 모의 성능이 향상되어 보성지역의 토양 특성이 수분을 오래 유지하는 성질이 강함을 시사한다. SMAP L4 자료를 활용한 강우 추정에서는 대부분 지역에서 일주일 정도의 누적 데이터가 필요하며, 지점 자료 대비 시간해상도가 낮기에 단기 예측보다는 중·장기 예측에 적합함을 알 수 있었다(Koohi et al., 2021). 또한, 9 km로 낮은 공간 해상도의 자료를 활용하여 지점의 세밀한 특성을 반영하지 못한 결과로 판단된다(Colliander et al., 2017).

이를 통해, SM2RAIN을 활용한 강우 추정에서의 calibration parameter와 최적의 집계 시간 선정의 중요성을 알 수 있으며, 입력자료의 선정에 따라 강우 추정의 성능이 크게 차이가 나기 때문에 목적에 맞는 입력자료의 선정이 필요함을 알 수 있다.

4.3 최적 시간에 기반한 SM2RAIN 알고리즘 강우량 모의 성능 검증

산정된 SM2RAIN의 calibration parameter와 최적의 집계 시간을 기반으로 철원, 오창, 대곡, 보성, 어섬 지역 지점 자료와 SMAP L4 토양수분 자료를 활용하여 시계열 분석을 수행하였다(Figs. 4 and 5). 철원지역에서 AWS 강우량(Pobs)과 지점 토양수분을 기반으로 추정된 강우량(Psim)은 각각 최대 83.2 mm, 93 mm로 나타났으며 Psim과 Pobs 값 사이의 상관계수가 0.94로 모의 되었다. 오창 지역은 가장 큰 강우량(약 280 mm)이 발생한 지역으로, 주요 고강도 강우 발생에 따른 토양수분 자료의 증감이 뚜렷하게 나타나, 상대적으로 Psim과 Pobs가 전반적으로 잘 모의 되었다. 대곡지역에서는 특히 7월 중순에서 8월 말 사이의 주요 강우 발생 시기에 토양수분의 관측값이 중간의 건조 시기를 정확하게 포착하고 다시 증가하는 강우량을 반영함에 따라, Psim이 비교적 정확하게 추정함을 알 수 있다. 보성지역은 해안가 근처의 지점으로 지점 관측에서 경향성 자체는 잘 나타났지만, 상대적으로 평탄한 지역에 위치하여 잦은 토양수분의 포화로 인해 관측값의 정량적 모의에는 어려움이 있는 것으로 나타났다. 어섬 지역은 지점 기반의 토양수분 자료를 통해 강우가 상대적으로 정확하게 모의 되는 것으로 나타났으나, 부분적으로 실제 강우가 발생하지 않았는데 강우가 모의 된 경우가 있다. 이는 어섬 지역의 토성이 silt clay loam으로 배수등급이 낮아 다른 지역에 비해 건조되지 않아 강우 추정 오류가 발생한 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571201/images/kwra_57_12_01_F4.jpg
Fig. 4.

Temporal variation of SM2RAIN estimation with in-situ soil moisture with optimal aggregation time

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571201/images/kwra_57_12_01_F5.jpg
Fig. 5.

Temporal variation of SM2RAIN estimation with SMAP L4 soil moisture with optimal aggregation time

SMAP L4 토양수분 기반의 SM2RAIN을 활용한 강우 추정에서는 철원의 경우 가장 정확한 강우 추정 결과가 나타났다(R = 0.83, NSE = 0.67). 그러나, 고강도의 강우가 발생한 기간에서는 과소 평가되었는데, 이러한 이유는 상대적으로 SMAP L4 토양수분이 지점 자료대비 시간해상도의 한계에 따른 토양수분의 변동성을 잘 반영하지 못한 결과로 판단된다. 오창에서는 강우 예측의 패턴은 유사하나, 과대·과소 평가된 것으로 나타났다(PBIAS = -18.29 %). 이러한 이유는 도심지역에 위치하여 radio frequency interference의 영향으로 SMAP L1 자료 품질에 영향을 미쳐 CLSM을 통한 SMAP L4에서도 자료 개선이 수행되지 못하여 토양수분의 변동이 크지 않아 강우 추정의 불확실성을 증가시켰을 가능성이 높다(Entekhabi et al., 2010; Piepmeier et al., 2014). 대곡의 경우 SMAP 기반 강우 추정에서는 loamy sand의 특성으로 인해 토양수분의 dry down process를 정확하게 반영하지 못해 강우 추정에 어려움이 있는 것으로 나타났다. 마지막으로, 보성과 어섬지역에서는 SMAP L4 기반의 강우 추정이 RMSE를 감소시켜 상대적으로 높은 정밀도로 강우량을 추정하는 것으로 나타났지만, 정확도에서는 해양의 픽셀이 관측값 내에 포함되어 강우량 추정에 어려움이 있었다.

시계열 분석 결과 지점 자료를 기반으로 하는 SM2RAIN의 강우 추정은 한반도에서 우수한 성능을 나타냈다. 반면에, 공간자료 활용 시에는 bias correction 등의 추가적인 data handling을 통해 자료의 시·공간 해상도의 개선이 수행되어야 할 것으로 판단된다.

5. 결론 및 요약

강우는 지표 수문순환의 입력 자료로 토양수분, 식생과 상호작용하며 수문순환의 이해에 필수적이다. 우리나라에서는 지점 강우 관측이 조밀하게 구축되어 있지만 기후변화로 인해 지역적 편차가 크게 나타나고 산지가 분포해 있기에 정밀한 강우 관측에 어려움이 있어 강우 자료의 다각화가 필요하다. 그러나 현재 강우 모니터링은 지점 관측을 위주로 측정되고 있어 다양한 공간 규모 단위의 강우 모니터링은 부족한 실정이다.

본 연구에서는 monsoon 기후대에 있는 한반도에서 다양한 토양 및 강우 조건에 따른 SM2RAIN의 강우 추정 성능을 평가하고, 지점 및 공간자료의 토양수분을 활용하여 강우량을 추정하는 최적의 방법을 모색하였다. 그 결과, 한반도에서의 지점 토양수분 자료를 활용한 SM2RAIN 기반 강우 추정은 지역별 토양 특성과 최적의 집계 시간에 따라 우수한 성능을 보이는 것으로 나타났다. 특히, 토양의 투수성, 토성, 지형적 요인에 따른 매개 변수의 설정 및 집계 시간의 최적화가 강우 추정의 정확도를 크게 향상함을 확인하였다. 반면에 SMAP L4 토양수분과 같은 공간자료를 활용한 경우, 강우 추정에서는 공간 및 시간해상도의 제약으로 인해 정확도에서 일부 한계가 발견되었다. 이는 공간자료가 지점 관측에 비해 상대적으로 낮은 해상도를 갖고 있어 지점의 세밀한 특성을 충분히 반영하지 못한 결과로 판단된다. 특히, 도심지역과 해안 근처에서는 RFI의 영향이나 해양 픽셀 포함과 같은 환경적 요인이 토양수분의 품질을 저하해 강우 추정에서의 불확실성을 증가시키는 것으로 나타났다. 그럼에도 공간자료는 중·장기 강우 예측에 유용할 수 있으며, 추후 bias correction 및 interpolation과 같은 자료 개선을 통해 자료 성능이 향상될 수 있을 것으로 기대된다.

본 연구의 결과는 지점 및 공간 토양수분 자료를 활용한 SM2RAIN의 강우 추정에 있어서 입력 자료 선정과 매개 변수 설정 및 집계 시간의 최적화가 강우 모의 성능에 중요 영향을 미친다는 것을 나타냈다. 이는 향후 강우 추정 연구 및 응용에서 목적과 지역 특성에 맞는 자료와 매개 변수 선정의 중요성을 시사하며, 특히 지점 및 위성 자료의 특성을 고려한 최적화 과정을 통해 보다 정확하고 신뢰성 있는 강우 추정이 가능하다는 것을 강조한다.

Acknowledgements

본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었습니다(과제번호 RS-2022-00155763). 본 연구는 국토교통부의 스마트시티 혁신인재육성사업으로 지원되었습니다. 본 연구는 교육부 및 한국연구재단의 4단계 두뇌한국21 사업(4단계 BK21 사업)으로 지원된 연구입니다.

Conflicts of Interest

The authors declare no conflict of interest.

References

1

Baik, J., Park, J., Kim, K., and Choi, M. (2018). "Assessment and merging technique for GPM satellite precipitation product using ground based measurement." Journal of Korea Water Resources Association, Vol. 51, No. 2, pp. 131-40.

2

Brocca, L., Filippucci, P., Hahn, S., Ciabatta, L., Massari, C., Camici, S., Schüller, L., Bojkov, B., and Wagner, W. (2019). "SM2 RAIN-ASCAT (2007-2018): Global daily satellite rainfall data from ASCAT soil moisture observations." Earth System Science Data, Vol. 11, No. 4, pp. 1583-1601.

10.5194/essd-11-1583-2019
3

Brocca, L., Massari, C., Ciabatta, L., Moramarco, T., Penna, D., Zuecco, G., Pianezzola, L., Borga, M., Matgen, P., and Martínez-Fernández, J. (2015). "Rainfall estimation from in situ soil moisture observations at several sites in Europe: An evaluation of the SM2RAIN algorithm." Journal of Hydrology and Hydromechanics, Vol. 63, No. 3, pp. 201-209.

10.1515/johh-2015-0016
4

Brocca, L., Moramarco, T., Melone, F., and Wagner, W. (2013). "A new method for rainfall estimation through soil moisture observations." Geophysical Research Letters, Vol. 40, No. 5, pp. 853-858.

10.1002/grl.50173
5

Cho, E., and Choi, M. (2014). "Regional scale spatio-temporal variability of soil moisture and its relationship with meteorological factors over the Korean peninsula." Journal of Hydrology, Vol. 516, pp. 317-329.

10.1016/j.jhydrol.2013.12.053
6

Choi, S.-W., Park, J., Kang, M., Kim, J., Sohn, S., Cho, S., Chun, H., and Jung, K.-Y. (2022). "Development of correction formulas for KMA AAOS soil moisture observation data." Korean Journal of Agricultural and Forest Meteorology, Vol. 24, No. 1, pp. 13-34.

7

Ciabatta, L., Massari, C., Brocca, L., Gruber, A., Reimer, C., Hahn, S., Paulik, C., Dorigo, W., Kidd, R., and Wagner, W. (2018). "SM2RAIN-CCI: a new global long-term rainfall data set derived from ESA CCI soil moisture." Earth System Science Data, Vol. 10, No. 1, pp. 267-280.

10.5194/essd-10-267-2018
8

Colliander, A., Jackson, T., Bindlish, R., Chan, S., Das, N., Kim, S., Cosh, M., Dunbar, R., Dang, L., Pashaian, L. et al. (2017). "Validation of SMAP surface soil moisture products with core validation sites." Remote Sensing of Environment, Vol. 191, pp. 215-231.

10.1016/j.rse.2017.01.021
9

Du, J., Kimball, J.S., Chan, S.K., Chaubell, M.J., Bindlish, R., Dunbar, R.S., and Colliander, A. (2023). "Assessment of surface fractional water impacts on SMAP soil moisture retrieval." IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 16, pp. 4871-4881.

10.1109/JSTARS.2023.3278686
10

Entekhabi, D., Njoku, E.G., O'Neill, P.E., Kellogg, K.H., Crow, W.T., Edelstein, W.N., Entin, J.K., Goodman, S.D., Jackson, T.J., Johnson, J. et al. (2010). "The Soil Moisture Active Passive (SMAP) mission." Proceedings of the IEEE, Vol. 98, No. 5, pp. 704-716.

10.1109/JPROC.2010.2043918
11

Famiglietti, J.S., and Wood, E.F. (1994). "Multiscale modeling of spatially variable water and energy balance processes." Water Resources Research, Vol. 30, pp. 3061-3078.

10.1029/94WR01498
12

Furtak, K., and Wolinska, A. (2023). "The impact of extreme weather events as a consequence of climate change on the soil moisture and on the quality of the soil environment and agriculture - a rev-iew." Catena, Vol. 231, 107378.

10.1016/j.catena.2023.107378
13

Huffman, G.J., Bolvin, D.T., Braithwaite, D., Hsu, K., Joyce, R., Xie, P., and Yoo, S.H. (2015). "NASA global precipitation measurement (GPM) integrated multi-satellite retrievals for GPM (IMERG)." Algorithm theoretical basis document (ATBD) version, 4(26), NASA/GSFC, Greenbelt, MD, U.S., pp. 8-23.

14

Jongjin, B., Jongmin, P., Dongryeol, R., and Minha, C. (2016). "Geospatial blending to improve spatial mapping of precipitation with high spatial resolution by merging satellite-based and ground-based data." Hydrological Processes, Vol. 30, No. 16, pp. 2789-2803.

10.1002/hyp.10786
15

Kang, M., Hao, Y., and Choi, M. (2023). "The effects of flash drought on the terrestrial ecosystem in Korea." Journal of Hydrology, Vol. 624, 129874.

10.1016/j.jhydrol.2023.129874
16

Kim, H.R., Moon, M., Yun, J., and Ha, K.J. (2023a). "Trends and spatio-temporal variability of summer mean and extreme precipitation across South Korea for 1973-2022." Asia-Pacific Journal of Atmospheric Sciences, Vol. 59, No. 3, pp. 385-398.

10.1007/s13143-023-00323-737359475PMC10078061
17

Kim, K., Park, J., Baik, J., and Choi, M. (2017). "Evaluation of topographical and seasonal feature using GPM IMERG and TRMM 3B42 over Far-East Asia." Atmospheric Research, Vol. 187, pp. 95-105.

10.1016/j.atmosres.2016.12.007
18

Kim, S., Kwon, J.H., Om, J.S., Lee, T., Kim, G., Kim, H., and Heo, J.H. (2023b). "Increasing extreme flood risk under future climate change scenarios in South Korea." Weather and Climate Extremes, Vol. 39, 100552.

10.1016/j.wace.2023.100552
19

Koohi, S., Azizian, A., and Brocca, L. (2021). "Spatiotemporal drought monitoring using bottom-up precipitation dataset (SM2RAIN-ASCAT) over different regions of Iran." Science of the Total Environment, Vol. 779, 146535.

10.1016/j.scitotenv.2021.14653534030270
20

Lai, Y., Tian, J., Kang, W., Gao, C., Hong, W., and He, C. (2022). "Rainfall estimation from surface soil moisture using SM2RAIN in cold mountainous areas." Journal of Hydrology, Vol. 606, 127430.

10.1016/j.jhydrol.2022.127430
21

Lee, C.S., Sohn, E., Park, J.D., and Jang, J.D. (2019). "Estimation of soil moisture using deep learning based on satellite data: A case study of South Korea." GIScience & Remote Sensing, Vol. 56, No. 1, pp. 43-67.

10.1080/15481603.2018.1489943
22

Massari, C., Brocca, L., Pellarin, T., Abramowitz, G., Filippucci, P., Ciabatta, L., Maggioni, V., Kerr, Y., and Fernandez Prieto, D. (2020). "A daily 25 km short-latency rainfall product for data-scarce regions based on the integration of the Global Precipitation Measurement mission rainfall and multiple-satellite soil moisture products." Hydrology and Earth System Sciences, Vol. 24, No. 5, pp. 2687-2710.

10.5194/hess-24-2687-2020
23

Mosaffa, H., Filippucci, P., Massari, C., Ciabatta, L., and Brocca, L. (2023). "SM2RAIN-Climate, a monthly global long-term rainfall dataset for climatological studies." Scientific Data, Vol. 10, No. 1, 749.

10.1038/s41597-023-02654-637907558PMC10618238
24

Neelin, J.D., Martinez-Villalobos, C., Stechmann, S.N., Ahmed, F., Chen, G., Norris, J.M., Kuo, Y.H., and Lenderink, G. (2022). "Precipitation extremes and water vapor: relationships in current climate and implications for climate change." Current Climate Change Reports, Vol. 8, No. 1, pp. 17-33.

10.1007/s40641-021-00177-z
25

Park, J.S., Kang, H.S., Lee, Y.S., and Kim, M.K. (2011). "Changes in the extreme daily rainfall in South Korea." International Journal of Climatology, Vol. 31, No. 15,pp. 2290-2299.

10.1002/joc.2236
26

Piepmeier, J.R., Johnson, J.T., Mohammed, P.N., Bradley, D., Ruf, C., Aksoy, M., Garcia, R., Hudson, D., Miles, L., and Wong, M. (2014). "Radio-frequency interference mitigation for the soil moisture active passive microwave radiometer." IEEE Transactions on Geoscience and Remote Sensing, Vol. 52, No. 1, pp. 761-775.

10.1109/TGRS.2013.2281266
27

Reichle, R.H., De Lannoy, G.J.M., Liu, Q., Ardizzone, J.V., Colliander, A., Conaty, A., Crow, W., Jackson, T.J., Jones, L.A., Kimball, J.S. et al. (2017). "Assessment of the SMAP Level-4 surface and root-zone soil moisture product using in situ measurements." Journal of Hydrometeorology, Vol. 18, No. 10, pp. 2621-2645.

10.1175/JHM-D-17-0063.1
28

Reichle, R.H., Liu, Q., Ardizzone, J.V., Crow, W.T., De Lannoy, G.J.M., Dong, J., Kimball, J.S., and Koster, R.D. (2021). "The contributions of gauge-based precipitation and SMAP brightness temperature observations to the skill of the SMAP Level-4 soil moisture product." Journal of Hydrometeorology, Vol. 22, No. 2, pp. 405-424.

10.1175/JHM-D-20-0217.1
29

Saeedi, M., Sharafati, A., Brocca, L., and Tavakol, A. (2022). "Estimating rainfall depth from satellite-based soil moisture data: A new algorithm by integrating SM2RAIN and the analytical net water flux models." Journal of Hydrology, Vol. 610, 127868.

10.1016/j.jhydrol.2022.127868
30

Soldo, Y., le Vine, D.M., Bringer, A., de Matthaeis, P., Oliva, R., Johnson, J.T., and Piepmeier, J.R. (2018). "Location of radio- frequency interference sources using the SMAP L-band radiometer." IEEE Transactions on Geoscience and Remote Sensing, Vol. 56, No. 11, pp. 6854-6866.

10.1109/TGRS.2018.2844127
페이지 상단으로 이동하기