1. 서 론

수공구조물은 통상 특정 빈도에 대한 설계홍수량을 기준으로 설계된다. 이러한 설계홍수량을 산정하기 위해서는 관측된 홍수량 자료를 이용하여 빈도해석을 하는 것이 이론적으로 가장 적합한 방법이라고 할 수 있다(Jeong and Yoon, 2007). 그러나 관측 유량 자료의 부족 및 자료의 신뢰성 문제 등으로 유량 자료를 활용하여 직접적으로 통계 분석을 하기에는 많은 제약이 있다. 따라서 우리나라에서는 상대적으로 자료 확보가 용이한 강수 자료를 빈도해석하여 확률강수량을 산정한 후 강우-유출 모형을 통해 설계홍수량을 얻어내는 방법이 주로 사용된다(MLTM, 2012; ME, 2019).

이러한 이유로 설계 빈도에 대한 정확한 확률강수량을 얻어내는 것은 궁극적으로 고려하게 될 설계홍수량 산정 측면에서 매우 중요하다. 일반적으로 강수에 대한 빈도해석 기법은 지점빈도해석(at-site frequency analysis)와 지역빈도해석(regional frequency analysis)으로 구분된다. 지점빈도해석에서는 주어진 지점의 자료만을 이용하여 확률강수량을 산정한다. 반면 지역빈도해석에서는 대상 지점을 포함하여 수문학적으로 동질하다고 판단되는 주변 지점의 자료를 모두 포함하여 확률강수량을 산정한다(Heo and Kim, 2019). 즉, 지역빈도해석은 대상 지점 자료에 대한 시간적 한계를 공간적으로 보완하는 방법이라고 할 수 있다(Schaefer, 1990; Nandakumar, 1995)

일반적으로 주요 수공구조물에 대한 설계빈도는 100년 이상의 긴 재현기간을 가지므로, 정확한 확률강수량을 산정하기 위해서는 대상 지점에 대한 충분한 기간의 관측자료가 요구된다. 고려되는 지점이 신뢰할 만한 확률수문량을 산정하기에 충분한 기간의 자료를 확보하고 있는 경우 지점빈도해석 결과는 대상 지점의 관측자료 특성을 가장 잘 반영하게 된다. 그러나 대부분의 지점은 충분한 관측자료를 보유하고 있지 않다는 한계점이 있다.

이러한 한계점을 극복하기 위해 최근에는 지역빈도해석에 대한 연구들이 다양하게 이루어지고 있다. 즉, 지역빈도해석을 통해 미계측 지점 및 관측자료의 보유기간이 짧은 지점에 대한 보다 정확하고 신뢰할 수 있는 확률수문량을 산정할 수 있다(Heo and Kim, 2019). 다수의 적용 사례들(Lettenmaier et al., 1987; Hosking and Wallis, 1997; Alila, 1999; De Michele and Rosso, 2001; Heo et al., 2007; Nam et al., 2015; Yin et al., 2016; Liang et al., 2017; Wang et al., 2017)로부터 이에 대한 유효성이 확인된 바 있으며, 특히 국내와 같이 자료수가 부족한 경우 보다 효율적이고 안정적인 확률수문량을 산정할 수 있다고 알려져 있다(Lee and Heo, 2001; Lee, 2004; Heo et al., 2007). 지역빈도해석에서는 수문학적 동질성을 판단하여 군집화를 통해 지역을 구분하는데, 미계측 유역의 경우 사용되는 기법에 따라 구분되는 지역이 달라질 여지가 있다(Heo and Kim, 2019). 아울러 대부분의 국가들은 지역빈도해석을 수행할 수 있을 정도의 해상도 높은 장기간의 점강수 기록을 보유하고 있지 않다(Lumbroso et al., 2011). 특히 북한과 같은 지역의 경우, 신뢰도 높은 장기간의 자료 확보에 어려움이 있기 때문에 지역빈도해석 방법의 고려가 어렵다고 볼 수 있다.

서술한 한계점들을 보완하기 위한 방법 중 하나로, 최근 인공위성 기반 재분석 자료에 대한 활용 가능성이 대두되고 있다(Gado et al., 2017; Courty et al., 2019). 이러한 자료들을 활용하면 지점 자료를 고려한 지점빈도해석 시 공간해상도에 대한 공백 및 지역빈도해석이 가질 수 있는 불확실성을 해소할 수 있다. 이에 본 연구에서는 1983년부터 2020년까지 총 38개년의 기간에 대한 재분석 강수 자료를 이용하여 북한을 포함한 한반도 격자형 확률강수량을 산정하였다. 확률분포로는 Gumbel 분포를 활용하였으며, 매개변수 산정을 위해 확률가중모멘트법을 적용하였다. 지속기간은 3 h부터 144 h까지, 재현기간은 2년부터 500년까지 각각 14개의 지속기간과 재현기간이 고려되었다. 추가로, 동일한 기간에 대한 관측 기록이 존재하는 국내 지상우량계 자료를 활용하여 확률강수량을 산정하고, 본 연구에서 고려한 방법을 통해 산정된 결과와 비교·검토한 뒤 남북한의 결과에서 나타나는 차이 또한 살펴보았다.

2. 연구 방법

2.1 재분석 강수 자료 및 분석 대상 지역

인공위성 기반 전지구 재분석 강수 자료는 위성의 종류나 자료를 생산하는 알고리즘에 따라 다양한 형태로 제공된다. 이들 자료는 각기 다른 지역 및 공간해상도, 기간 및 시간해상도를 가진다. 공간해상도의 경우 최소 0.04°부터 2.5°까지, 시간해상도의 경우 1시간 단위부터 최대 1달 단위까지 존재한다. 공간해상도의 경우, 우리나라의 규모를 고려한다면 최대한 조밀한 해상도가 요구된다. 시간해상도의 경우, 당연히 최소 해상도인 1시간 단위를 고려하는 것이 필요해 보이지만 2000년 이전의 재분석 자료를 확보하기 어렵다는 한계가 있다. 따라서 분석 목적에 따라 이러한 점들을 복합적으로 고려하여 적정 재분석 강수 자료를 결정할 필요가 있다.

본 연구에서는 확률강수량 산정이라는 목적에 맞게 충분한 기간을 대상으로 하며, 조밀한 공간해상도를 가지고 있는 PERSIANN-CCS-CDR (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks - Cloud Classification System - Climate Data Record) 자료를 분석 대상으로 선정하였다. PERSIANN-CCS-CDR은 60°S~60°N의 위도 및 180°W~180°E의 경도에 해당하는 지역을 0.25° 공간해상도로 구분하고, 1983년 1월 1일부터 3시간 단위로 강수 정보를 제공하고 있다. 여기서 CCS와 CDR은 각각 Cloud Classification System와 Climate Data Record의 약자로, 구름 특성 고려 및 지상 우량계와의 편의(bias) 보정을 통해 기존 정지 위성 적외선 밝기 온도 이미지를 활용한 PERSIANN 자료의 강수 추정 알고리즘을 개선한 것을 의미한다. 특히, PERSIANN-CCS-CDR 자료는 다른 자료들에 비해 극한 호우에 대한 정확도가 상대적으로 우수한 것으로 알려져 있다(Sadeghi et al., 2021).

본 연구에서는 33.20°N~43.00°N의 위도 및, 124.36°E~130.92°E의 경도에 해당하는 한반도 전체 지역을 분석 대상 지역으로 선정하였다. Fig. 1은 2014년 8월 18일 03:00에 해당하는 PERSIANN-CCS-CDR 관측 자료 사례를 나타낸다. Fig. 1(a)의 박스 부분이 한반도 영역에 해당하며, Fig. 1(b)는 이를 상세히 나타낸 결과이다. 여기서, PERSIANN-CCS-CDR 관측자료는 3 h의 시간 해상도를 가지므로, Fig. 1에 보여지는 강수 자료들은 00:00부터 03:00까지의 누적 강수량(mm)을 의미한다.

Fig. 1.

Example of PERSIANN-CCS-CDR data (2014. 8. 18. 03:00)

2.2 종관기상관측소(Automated Synoptic Observing System, ASOS)

재분석 강수 자료에 대한 일련의 보정 및 비교 목적을 위해 지상강수량계 자료를 고려하였다. 분석을 위한 강수 자료 확보를 위해 신뢰도 높은 장기간의 자료를 보유하고 있는 기상청 관할의 종관기상관측소(Automated Synoptic Observing System, ASOS)를 이용하였다. 전체 지점들 중 동일한 기간인 38개년(1983-2020년)에 대한 자료가 존재하는 지점을 고려하여 최종적으로 총 60개의 지점을 선정하였다. Fig. 2는 본 연구에서 고려한 총 60개의 지점들의 위치를 나타낸 것이다.

Fig. 2.

Location of the considered ASOS stations in this study

2.3 확률분포형 및 매개변수 추정

강수 빈도해석에서 사용되는 확률분포는 매우 중요하다. 전세계적으로 연최대시계열(annual maximum series, AMS) 분석에 GEV (generalized extreme value) 분포가 널리 적용되어 왔다(e.g. Fowler and Kilsby, 2003; Overeem et al., 2008; Papalexiou and Koutsoyiannis, 2013). 이 중 형상 매개변수가 0인 분포를 GEV-I 또는 Gumbel 분포로 정의한다. 국내의 경우, 확률강수량도 개선 및 보완 연구(MLTM, 2011)에서도 기상청 산하 관측소의 적정 확률분포형을 모두 Gumbel 분포로 제시한 바 있으며, 이후 홍수량 산정 표준지침(ME, 2019)에서서는 강수 빈도해석 시 Gumbel 분포를 고려하는 것을 공식화하였다. 이에 본 연구에서는 Gumbel 분포를 사용하여 강수 빈도해석을 수행하고, 결과들을 비교·분석하였다.

Gumbel 분포의 확률밀도함수(probability density function)와 누적분포함수(cumulative distribution function)는 Eqs. (1) and (2)와 같다.

여기서, x는 특정 지속기간에 대한 확률강수량(mm)이며, μ는 위치 매개변수(location parameter), σ는 규모 매개변수(scale parameter)를 의미한다. μ와 σ는 x와 동일한 단위를 갖는다.

한편, 세계기상기구(World Meteorological Organization, WMO)에서는 매개변수 추정을 위한 방법들 중 확률가중모멘트법(Probability Weighted Moment, PWM)이 수문빈도해석을 위한 매개변수 추정에 적합하며, 특히 우리나라와 같이 기록이 길지 않은 자료계열의 해석에 안정성이 있다고 보고한 바 있다(Cunnane, 1989). 아울러 국내에서도 PWM를 권장하고 있다(MLTM, 2012; ME, 2019). PWM은 모멘트법에서와 마찬가지로 모집단(population)과 표본자료(sample)의 확률가중모멘트가 같다고 가정하여 매개변수를 추정하는 방법이다. 모멘트법이나 최우도법에서는 자료의 크기를 고려하지 않지만, PWM에서는 자료를 오름차순(ascending order)로 재배열하고 크기가 큰 자료에 최대가중치를 주고 가장 작은 자료에 최소가중치를 주어 매개변수를 추정한다. PWM을 이용한 매개변수 추정은 단순 모멘트법에 의한 추정보다 편의가 작고, 표본 수가 적은 경우에 최우도법보다 정확도가 높다. 특히, 표본의 크기가 작거나 왜곡된 자료일 경우에도 비교적 안정적인 결과를 얻을 수 있어서 최근 가장 많이 사용되고 있는 방법 중 하나이다(Lee, 2006; Yoon, 2007).

확률가중모멘트의 일반식은 다음 Eq. (3)과 같다(Greenwood et al., 1979).

여기서, p, r, s는 양의 정수이고, X는 확률변량이며, E[·]는 기대치(expectation), F(X)는 누가확률 혹은 비초과확률, 1‒F(x)는 초과확률을 의미한다. 만약 해당 식에서 r과 s가 0이면, Mp,0,0=EXp이며 이는 모멘트법의 원점에 대한 p차 모멘트가 된다. 대부분의 수문자료에서 p는 1이고, 비초과확률을 사용하는 경우 s가 0이며 r은 양의 정수인 형태가 고려된다. 따라서 모집단의 PWM은 다음 Eq. (4)와 같다.

여기서, B_r은 PWM이며, r은 모멘트 차수를 의미한다.

r값에 따른 0차 및 1차 모멘트는 Eqs. (5) and (6)과 같다.

여기서, M_1,0,0, M_1,1,0은 표본의 0차 및 1차 PWM을 의미하며, n은 표본자료의 개수, X_i는 오름차순으로 정렬된 i번째 자료를 뜻한다.

확률가중모멘트에 의한 매개변수는 μ와 σ를 활용하여 Eqs. (7) and (8)의 관계식으로부터 산정할 수 있다(Greenwood et al., 1979; Hosking and Wallis, 1986).

여기서, b₀와 b₁은 확률가중모멘트를 의미하며, L₁과 L₂는 1차 및 2차 L-모멘트, ε는 Euler's 수로 0.5772157이다. 이와 같은 과정으로 확률가중모멘트법을 통해 얻어진 Gumbel 분포의 매개변수들은 확률강수량 산정 시 직접 활용된다.

3. 연구 결과

3.1 PERSIANN-CCS-CDR을 이용한 확률강수량 산정

빈도해석을 위해서는 연최대시계열(anual maximum series, AMS)을 결정해야 하며, 이후 고정시간을 임의시간에 대한 규모로 변환하기 위한 임의시간 환산계수를 고려할 필요가 있다. 본 연구에서는 임의시간 환산계수에 대한 적용에 앞서 자료의 시간 해상도를 고려한 보정을 수행하였다. 즉, 지상우량계는 관측을 위한 시간 해상도가 1시간인 반면, PERSIANN-CCS-CDR 자료는 3시간이다. 실제 강수는 연속적이므로 관측시간이 짧을수록 AMS는 크게 나타날 가능성이 크다. 즉, 조밀한 시간 단위의 강수량을 고려하는 경우 상대적으로 실제 호우사상 내 첨두 강수강도의 위치 및 규모 등의 특성을 적극 반영하게 된다. 따라서 시간 해상도가 AMS에 미치는 영향을 고려하여 3시간 시간 해상도를 가지는 PERSIANN-CCS-CDR의 AMS (AMS-3H)를 1시간 시간 해상도에 대한 AMS (AMS-1H) 규모로 변환할 필요가 있다.

이에 본 연구에서는 1시간 및 3시간 간격에 대한 강수량 확보가 가능한 ASOS 자료를 이용하여 지속기간별로 AMS-1H와 AMS-3H 자료에 대한 선형회귀식을 작성하였다. 이를 식으로 표현한 것은 Eq. (9)와 같다.

여기서, X_i와 Y_i는 각각 특정 지속기간(i)에 대한 AMS-3H와 AMS-1H를 의미하며, αi와 βi는 각 지속기간별 회귀계수이다. 회귀식 작성을 위한 3시간 ASOS 자료를 확보하기 위해 PERSIANN-CCS-CDR의 시간 간격에 기반한 새로운 시계열을 생성하였다. Table 1은 지속기간별로 작성된 회귀식의 매개변수와 상관계수를 표시한 것이다. 여기서 지속기간이 3 h일 때는 기울기(αi)가 약 1.04 정도로 나타나지만, 이후 지속기간이 증가함에 따라 그 값이 줄어들어 지속기간 36 h 이상에서는 1.003 이하로 나타나는 것을 확인할 수 있다. 상관계수 또한 지속기간 18 h 이상에서는 거의 1에 가까운 값을 갖는다.

Table 1의 회귀식을 통해 변환된 자료는 1시간 시간해상도를 가지는 고정시간 시우량(clock-hour rainfall)에 대한 AMS라고 할 수 있다. 즉, 고정된 시간 단위에 대한 값이므로(예를 들어, 1시간 자료의 경우 00시 00분부터 01시 00분까지 누적된 강수량을 01시 강수량으로 제공), 실제 임의의 시간에서 발생하는 값을 표현하기 위해서는 임의시간환산계수(conversion factor, CF)의 개념을 고려할 필요가 있다. 국내에서는 다양한 문헌들에서 이와 관련된 연구를 수행하고, 적정 임의시간환산계수를 제안한 바 있다. 본 연구에서는 홍수량 산정 표준지침(ME, 2019)에서 제시한 관계식을 활용하였으며 이는 다음 Eq. (10)과 같다.

여기서 CF는 임의시간환산계수, D는 강수의 지속기간(h)이다.

이상의 과정을 거쳐 구축된 AMS를 이용하여 지속기간별로 Gumbel 분포의 매개변수를 산정하였다. Figs. 3 and 4는 한반도를 대상으로 산정된 지속기간별 위치 매개변수와 척도 매개변수 분포 특성을 나타낸다. 먼저, 위치 매개변수인 μ의 결과를 살펴보면, 전반적으로 남북한의 차이가 두드러진다. 이러한 차이는 지속기간이 길어질수록 더욱 심해지는 것 또한 시각적으로 확인할 수 있다.

산정된 매개변수를 토대로 총 12개의 지속기간에 대한 확률강수량을 산정하였다. 이 중 24 h에 대한 결과를 정리하면 Fig. 5와 같다. 국내의 경우 대체로 고도가 높은 지역에서의 확률강수량이 크게 나타나는 경향을 볼 수 있다. 더하여, 인접 지역이 반드시 가장 유사하게 나타나는 것은 아니라는 점 또한 확인된다. 이를 통해 지점빈도해석 결과의 단순내삽 또는 지역빈도해석 시 인접 지역에 대한 군집화에 주의가 필요하다는 점을 알 수 있다.

Fig. 3.

Distribution of location parameters (μ) in Gumbel distribution

Fig. 4.

Distribution of scale parameters (σ) in Gumbel distribution

Fig. 5.

Precipitation quantile (mm) for each return period (duration: 24 h)

3.2 ASOS 결과와의 비교를 통한 검증

동일한 방식을 활용하여 60개 지점에 대한 Gumbel 분포의 매개변수를 추정하고, 이를 토대로 확률강수량을 산정하였다. 먼저 앞서 산정했던 PERSIANN-CCS-CDR의 남한 전체에 대한 Gumbel 분포 매개변수와 ASOS 60개 지점에 대한 매개변수를 분포로 비교하였다. Fig. 6은 두 자료에 대한 지속기간별 Gumbel 분포의 매개변수를 violin plot으로 나타낸 것이다. Violin plot은 연속형 자료의 분포를 설명하기 위해 커널 밀도 곡선(kernel density curve)과 박스플롯을 함께 표현하는 그래프이다. 양쪽에 위치한 곡선은 각 자료의 분포를 의미하며, 가운데 박스는 박스플롯과 동일하게 해석할 수 있다. Fig. 6(a)의 위치 매개변수를 살펴보면, 지속기간이 3 h인 경우 PERSIANN-CCS-CDR의 매개변수가 ASOS에 비해 상대적으로 약 57% 가량 크게 나타나지만, 지속기간이 18 h 이상인 경우 그 차이는 3% 이내로 줄어든다. Fig. 6(b)의 규모 매개변수 또한 유사한 경향을 보인다. 이러한 차이에 대한 가장 큰 원인 중 하나는 지점 자료가 주는 공간 대표성의 한계이다. 즉, 공간적으로 불균일하게 위치하고 있는 60개의 단순 지점 자료는 모든 지역에 대한 특성을 온전히 대변하기 어렵다. 강수의 시공간적 변동성을 고려한다면 이러한 오차는 지속기간이 짧을수록 클 가능성이 높으며, Fig. 6의 결과에서도 이러한 부분이 확인된다. 만일 더욱 많은 지점 자료를 고려하거나, 통계적 공간보간 기법 등을 활용함으로써 전체 영역에 대한 자료들을 내삽하여 해당 결과들을 비교한다면 이와 같은 오차는 더 줄어들 수 있다고 판단된다.

앞서 산정된 매개변수를 이용하여, 지속기간별로 확률강수량을 산정하였다. Fig. 7은 여러 지속기간 중 24 h에 대한 PERSIANN-CCS-CDR과 ASOS의 결과를 비교한 것이다. 재현기간이 2년인 경우 ASOS를 기준으로 한 평균 간의 차이, 즉 PBIAS (percent bias)는 1.3%이다. 재현기간이 증가할수록 그 차이는 다소 커지며 재현기간이 500년인 경우에 PBIAS는 11.6% 정도인 것으로 확인된다. ASOS 지점 자료의 공간 대표성에 대한 한계를 고려한다면 상당히 양호한 결과라고 판단된다.

Fig. 8은 ASOS를 기준으로한 PERSIANN-CCS-CDR 확률강수량의 PBIAS를 재현기간 및 지속기간별 heatmap으로 나타낸 것이다. 지속기간이 길어질수록, 재현기간이 짧을수록 PBIAS가 줄어드는 경향이 확인된다. 지속기간이 3 h일 때는 약 70%에서 144% 정도로 ASOS와의 차이가 큰 반면, 지속기간이 18 h 이상인 경우 그 차이는 약 20% 내로 줄어들게 된다. 지점 자료들의 공간 대표성에 대한 한계로 직접적인 비교에는 다소 무리가 있지만, 이러한 결과를 통해 위성 기반 재분석 자료를 이용한 확률강수량 산정에 대한 가능성을 어느 정도 확인할 수 있다.

Fig. 6.

Comparison results in parameters’ distributions for various durations between PERSIANN-CCS-CDR and ASOS in South Korea

Fig. 7.

Comparison results in precipitation quantile for various return periods between PERSIANN-CCS-CDR and ASOS in South Korea (duration: 24 h)

Fig. 8.

PBIAS in precipitation quantile of PERSIANN-CCS-CDR to ASOS for various durations and return periods

3.3 남북한 산정 결과 비교

남한과 북한 간의 산정 결과 차이를 파악하기 위해 전체적인 분포를 violin plot을 통해 살펴보았다. 그 결과는 Fig. 9와 같다. 위치 매개변수의 경우, 지속기간이 증가함에 따라 남북한의 분포 특성이 크게 달라짐을 확인할 수 있다. 남한을 기준으로 하였을 때, 평균적으로 지속기간 3 h에서 약 -16.2% 정도 북한이 작게 산정되며 지속기간이 길어지면서 그 차이는 벌어진다. 지속기간 144 h의 경우 -31.1% 정도 작은 것으로 확인된다. 반면 규모 매개변수의 경우, 상대적으로 그 차이가 작게 나타난다. 지속기간에 따라 차이가 존재하지만, 남한에 비해 북한이 대략 -15%에서 -20% 정도 작은 규모를 갖는다. 즉, 남한과 북한을 대상으로 한 매개변수들의 분포 특성은 분산보다는 편의(bias)에서 그 차이가 크다고 정리할 수 있다. 이러한 차이는 AMS를 결정하는 데 큰 영향을 미치는 장마, 태풍 등의 영향이 남한에서 더 크게 나타나기 때문인 것으로 판단된다.

Fig. 10은 앞서 Fig. 5를 통해 확인한 24 h 지속기간에 대한 남북한의 확률강수량을 재현기간별로 비교하여 나타낸 것이다. 재현기간 2년인 경우 남한의 평균은 149.5 mm, 북한은 110.6 mm로 북한이 약 -26.0% 정도 작으며 지속기간이 증가함에 따라 그 차이는 조금 줄어든다. 재현기간 500년에서는 남한이 496.0 mm, 북한이 397.4 mm로, 북한이 약 -19.9% 정도 작은 것으로 확인된다. 다만, 남한의 확률강수량을 기준으로 하였을 때 북한 결과의 표준편차는 최소 -5.0%에서 최대 12.5% 차이를 나타내어 재현기간에 관계없이 거의 유사한 특성을 가지는 것으로 파악되었다.

Fig. 11은 전체 지속기간 및 재현기간에 대한 남한 기준 북한의 확률강수량 PBIAS를 나타낸 것이다. 지속기간이 3 h인 경우 PBIAS는 -16.2%, 즉 북한의 확률강수량이 남한의 약 84% 정도로 재현기간에 따른 차이는 거의 없는 것으로 확인된다. 지속기간이 길어지면서 재현기간에 따른 차이가 나타난다. 재현기간의 증가에 따라 PBIAS는 줄어드는 경향을 보인다. 이러한 차이는 지속기간이 길어질수록 더욱 큰 것으로 확인된다. 지속기간이 144 h인 경우 재현기간 2년에서 북한은 남한의 약 70% 정도이지만, 재현기간 500년인 경우 약 75% 정도에 달하는 것을 확인할 수 있다.

Fig. 9.

Comparison results in parameters’ distributions for various durations between North and South Korea

Fig. 10.

Comparison results in precipitation quantile for various return periods between North and South Korea (duration: 24 h)

Fig. 11.

PBIAS in average precipitation quantile of North Korea to South Korea from PERSIANN-CCS-CDR for various durations and return periods

4. 결 론

본 연구에서는 위성 원격탐사 자료를 기반으로 만들어진 재분석 강수 자료인 PERSIANN-CCS-CDR을 이용하여 한반도에 대한 격자형 확률강수량을 산정하였다. 동일한 기간에 대한 자료가 구축되어 있는 지상우량계 지점 정보를 활용하여 산정 결과의 적절성을 평가하고, 남한과 북한 간의 차이를 정량화하여 비교·분석하였다. 본 연구의 결과를 요약한 것은 다음과 같다.

1) PERSIANN-CCS-CDR의 시간해상도(3 h)에 대한 영향을 보정하기 위해 ASOS 자료의 1시간 단위 연최대시계열과 3시간 단위 연최대시계열을 비교하였다. 그 결과, 지속기간 3 h인 경우 상관계수는 0.95 정도로 나타났으며, 지속기간이 증가함에 따라 시간 해상도의 영향이 줄어들어 지속기간 18 h부터는 상관계수가 0.99 이상인 것을 확인할 수 있었다.

2) PERSIANN-CCS-CDR 자료와 지상우량계인 ASOS를 활용하여 Gumbel 분포의 매개변수들을 산정한 결과, 지속기간이 3 h일 때 위치매개변수의 경우 PERSIANN-CCS-CDR이 약 57% 정도 크게 나타나지만 지속기간이 18 h 이상인 경우 그 차이가 3% 이내로 줄어드는 것을 확인할 수 있었다. 규모 매개변수에서도 유사한 경향이 확인되었다. 이를 토대로 얻어진 확률강수량은 지속기간이 3 h인 경우에는 PERSIANN-CCS-CDR이 70~144% 정도 크게 나타났다. 이때 재현기간 증가에 따라 그 차이가 큰 것으로 확인되었다. 아울러 지속기간이 증가함에 따라 그 차이가 줄어들며 지속기간이 18 h 이상인 경우 그 차이는 20% 이내인 것을 확인할 수 있었다.

3) 남북한 지역을 구분하여 PERSIANN-CCS-CDR 자료로부터 산정된 각 매개변수의 분포 특성을 비교한 결과, 척도 매개변수보다는 위치 매개변수에서의 차이가 상대적으로 크게 나타났다. 최종적으로 얻어진 확률강수량은 지속기간이 3 h인 경우 재현기간에 따른 차이는 없으며 북한의 확률강수량이 남한의 약 84% 수준으로 확인되었다. 아울러 그 이상의 지속기간에서는 재현기간 증가에 따라 남북한의 차이가 벌어지며 지속기간 144 h에서는 북한의 확률강수량이 남한의 70%에서 75% 정도의 규모인 것을 확인할 수 있었다.

이상의 결과를 통해, 상대적으로 긴 지속기간에 대한 확률강수량 산정에 있어 위성 기반 재분석 강수 자료인 PERSIANN-CCS-CDR의 활용 가능성을 어느 정도 확인할 수 있었다. 본 연구를 통해 얻은 결과는 신뢰할 만한 장기간의 지상 관측 자료 확보가 어려운 미계측 지역에 대한 수공구조물 설계 시 의미 있는 기초자료로 활용될 것으로 기대된다. 특히 관측 밀도 및 신뢰도가 다소 부족한 북한 지역에 대한 활용도가 높을 것으로 판단된다. 다만, 일 단위 이하의 짧은 지속기간에 대한 확률강수량 산정 결과들은 지상 관측 자료 기반의 값들과 다소 차이를 보였으므로 향후 더욱 많은 지점 자료를 고려하거나, 통계적 공간보간 기법 등을 활용하여 전체 영역에 대한 자료를 내삽·비교하는 등의 추가적인 연구가 필요할 것으로 판단된다.