Research Article

Journal of Korea Water Resources Association. 30 September 2024. 571-583
https://doi.org/10.3741/JKWRA.2024.57.9.571

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 재료 및 방법

  •   2.1 데이터 및 연구지역

  •   2.2 계절 기상 전망 데이터

  • 3. 연구 방법

  •   3.1 계절 기상 전망의 편의 보정

  •   3.2 수문학적 모형(Tank model) 및 성능 평가

  •   3.3 예측 skill 평가

  • 4. 연구 결과 및 고찰

  •   4.1 편의 보정 효과

  •   4.2 연도별 특성에 따른 평가

  •   4.3 계절에 따른 평가

  •   4.4 SFFs 및 ESP 전망 사례 비교·검토

  • 5. 결 론

1. 서 론

기후변화에 따른 극한 기후 현상은 전 세계적으로 수자원의 효율적 관리를 저해할 뿐 아니라 경제, 환경, 에너지 등 사회 전반에 걸쳐 광범위한 피해를 발생시키고 있다(Blöschl and Montanari, 2010). 특히, 댐 운영과 같은 기존 수자원의 운영 및 관리는 기후변화에 의해 크게 도전받고 있다(Ciampittiello et al., 2024). 국내에서는 2010년대 중반, 관측 이래 유래를 찾을 수 없는 극한 장기가뭄으로 큰 피해가 발생하였고, 2020년 이후에는 엘리뇨의 영향 등으로 홍수로 인한 피해가 지속되고 있다. 점차 증가되는 홍수 및 가뭄의 규모와 빈도는 기존 수자원을 운영하는데 불확실성을 가중시켜 국민들의 불안감이 높아지고 있으며, 수자원의 더 정교한 운영 및 관리를 요구받는 운영자들의 부담 또한 늘어나고 있다(Ehsani et al., 2017).

댐은 국내외적으로 가뭄 및 홍수 등 물 재해를 예방 및 경감하는데 중요한 역할을 해 왔다(Goldsmith and Hildyard, 1984). 특히, 우리나라 수자원 관리의 핵심에는 국가의 경제적 발전과 물관련 재해 저감을 위해 계획, 건설되어 운영 중인 20개 다목적댐이 있다. 댐은 우리나라 전체 물이용량의 약 50% 이상을 공급하고 있으며, 그 중 대부분을 저수용량이 큰 다목적댐이 담당하고 있다(Joint Ministries, 2023). 이러한 다목적댐은 관련법에 따라 월간, 분기, 연간 등 시기별 운영 계획을 수립하고 이를 참고하여 운영된다.

다목적댐의 운영계획 수립 시, 기술적으로 가장 중요한 부분은 미래에 댐 유입량이 얼마나 될 것인지를 예측 또는 가정하는 일이다. 미래에 대한 더 정확한 예측을 바탕으로 한 계획은 더 나은 운영 방향을 설정하는 데 도움이 된다는 것은 자명한 일이다. 그러나 이러한 예측을 댐 운영 계획에 반영하는 것은, 운영자 입장에서 그 예측이 빗나갔을 때 마주해야 할 리스크가 매우 크기 때문에, 국내외 실무에서는 보수적으로 댐 유입량을 과거 발생한 최악의 조건(또는 이에 준하는 빈도 유입 상황)을 재현하거나, 현재 수문상황에서 과거 기상 상황을 앙상블로 재구성하는 Ensemble Streamflow Prediction (ESP, Day, 1985) 기법을 많이 활용하고 있다. 그러나 이러한 기법들은 본질적으로 과거 기상 상황을 재현하는 방법이기 때문에, 엄밀히 말하면 실제 미래를 예측하는 것은 아니다. 기후변화에 따라 점차 심화되는 홍수, 가뭄 등 물 재해를 예방, 경감하기 위해서는 더 신뢰도 있는 미래 예측 정보를 기반으로 댐을 과학적, 선제적으로 운영하려는 노력이 필수적이다.

최근 전 지구적 기후 예측 모델(General Circulation Models, GCMs) 등 소프트웨어와 이를 계산하기 위한 컴퓨팅 하드웨어 기술의 비약적인 발전은 수자원 관리에서 새로운 방향을 제시하고 있다(Bauer et al., 2015; Alley et al., 2019). 특히 강수, 기온, 증발산과 같은 기후 인자에 대한 7개월까지의 예측 정보를 여러 개의 앙상블로 제공하는 계절 기상 전망(Seasonal Meteorological Forecasts) 기술은 2000년대 이후, 많은 연구자들 사이에서 관심을 받고 있다(Coelho and Costa, 2010; Bauer et al., 2015; Arnal et al., 2018). 이에 따라 계절 기상전망 정보를 유량으로 변환하고 이에 대한 신뢰성을 비교, 평가하여 실제 수자원 관리에 적용 가능성을 검증하려는 노력이 전 세계적으로 활발히 진행되고 있다.

국외 다양한 지역과 계절에 대해 진행된 기존 연구들은 계절 기상 전망을 기반으로 하여 생성된 계절 유량 전망(Seasonal Flow Forecasts, 이하 SFFs)의 예측 성능이 이 기술을 적용하는 지역 및 계절 등에 따라 매우 다르게 나타난다는 것을 확인하였다(Greuell et al., 2018; Risko and Martinez, 2014). SFFs는 ESP 등 기존 유량 전망 기술과 비교하여, 향후 1에서 2개월 정도의 단기간에 대해 더 정확도가 높지만, 리드타임이 증가하면 정확도가 감소하는 경향을 나타냈다(Yossef et al., 2013; Arnal et al., 2018; Greuell et al., 2018). 또한, 계절 기상 전망 자료의 편의(bias) 보정은 SFFs의 성능을 크게 개선하는데 기여하는 것으로 알려져 있다(Yuan and Wood, 2012; Lucatero et al., 2018; Tian et al., 2018).

국내에서는 이전 연구를 통해 다목적댐 유역에 대해 European Centre for Medium-Range Weather Forecasts (ECMWF)에서 제공하는 계절 강수, 기온 및 증발산량 전망의 성능을 분석한 바 있다(Lee and Kang, 2023). 국외 연구 사례에서와 마찬가지로, 계절 기상 전망의 정확성은 향후 1개월까지는 높지만, 리드타임이 증가하면 크게 감소하며, 편의 보정된 강수 전망의 경우 과거 기상자료의 앙상블(climatology)보다 더 낫거나 유사한 수준의 정확성 보였다. 또한, 건조한 조건에서 계절 강수 전망의 정확도가 더 높아진다는 것을 확인한 바 있다.

이러한 연구 성과들을 기반으로, 본 연구에서는 SFFs를 활용한 국내 다목적댐 유입량 전망의 가능성과 한계를 검토한다. 구체적으로, ECMWF에서 제공하는 계절 강수, 기온 및 증발산량 전망을 수문학적 모형을 통해 댐의 유입량으로 변환하였으며, 그 결과를 ESP와 비교하였다. 또한 SFFs의 성능에 미치는 계절적, 연간 건조·습윤 특성의 영향을 분석함으로써, SFFs를 실제 수자원 관리 및 댐 운영에 최적으로 활용할 수 있는 방안을 모색하고자 한다.

2. 재료 및 방법

2.1 데이터 및 연구지역

본 연구에서는 한국수자원공사(K-water)에서 제공하는 댐별 일 단위 강수 및 유입량 자료를 활용하였다. 기온 자료는 기상청의 종관기상관측소와 자동관측소의 자료를 활용하였으며, 잠재 증발산량은 기온, 풍속, 일조시간 등을 비롯한 기상관측 자료를 활용하여 표준화된 방식(FAO-56)인 Penman- Monteith 기법으로 산정하였다(Allen et al., 1998). 일 기온 및 증발산량 자료는 티센(Thiessen) 방법을 이용하여 대상 댐 유역의 면적 평균값으로 변환하였다. SFFs의 계절적 예측 성능을 평가하기 위하여, 가장 중요한 기상인자인 강수량을 중심으로 Dry (12~2월), Dry-to-Wet (3~5월), Wet (6~9월), 그리고 Wet-to-Dry (10~11월)의 총 4계절(season)로 구분하였다(본 연구는 국내 12개 다목적댐 유역을 대상으로 하고 있어, Wet season에 대해서는 ‘댐과 보 등의 연계운영 규정’에 명시된 홍수기 기간(6.21일~9.20일)을 고려하여 6월부터 9월까지 4개월간으로 정의하였다.)

본 연구의 공간적 범위는 하천, 댐 등으로부터 외부 유입이 없고, 건설 후 10년 이상이 경과하여 관측 수문자료가 충분히 확보된 전국 12개 다목적댐(소양강, 충주, 횡성, 안동, 임하, 합천, 남강, 밀양, 용담, 섬진강, 부안, 장흥)을 대상으로 한다. Fig. 1(a)는 12개 대상 댐의 위치와 댐별 연평균(2011~2020) 유출고(mm)를 나타낸다. 이를 통해 대체로 강수량이 많은 남쪽 지방의 댐들에서 유출이 많고, 내륙으로 갈수록 적어지는 것을 확인할 수 있다. Fig. 1(b)는 전체 12개 댐 유역의 월평균 강수량, 잠재 증발산량 및 유출고를 나타내며, Fig. 1(c)는 월평균 기온의 분포를 나타낸다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-09/N020057901/images/kwra_57_09_01_F1.jpg
Fig. 1.

(a) Location of studied dams and their annual runoff (mm) averaged from 2011 to 2020. (b) Mean monthly precipitation (black solid line, mm), potential ET (black dashed line, mm) and runoff (blue solid line, mm) averaged over 12 dam catchments from 2011 to 2020. (c) Same as Fig. 1(b), but for temperature(℃)

2.2 계절 기상 전망 데이터

현재 다양한 국가 및 기관에서 계절 기상 전망자료를 생산·제공하고 있다. 특히 Copernicus Climate Data Store (https:// cds.climate.copernicus.eu)에서는 ECMWF, 영국 기상청(UK MetOffice) 등 총 8개 기관에서 제공하는 계절 기상 전망을 공유하고 있다. Lee et al.(2023)의 연구에 따르면, 여러 계절 기상 전망 정보들 중에서 ECMWF가 국내 강수량 전망에 있어서 가장 신뢰도 높은 정보를 제공하고 있다. 따라서 본 연구에서는 ECMWF (System 5)에서 제공하는 강수, 기온 및 잠재 증발산량 예측 정보를 입력 데이터로 활용하여 수문학적 전망을 수행하였다. ECMWF의 계절 기상 전망 자료는 공간적으로 1°×1°의 해상도를 가지고 있으며, 매월 초 향후 1에서 7개월간의 일 단위 예측 정보 앙상블을 제공한다(1993년에서 2016년까지는 25개, 2017년부터 51개 앙상블 제공). 본 연구에서는 1993년부터 2020년까지 28년간 한반도 지역의 전망 데이터를 수집하였으며, 이로부터 유역별 면적평균 강수, 기온 및 증발산 전망 시계열 데이터를 추출하였다. 연구 대상기간은 2011년부터 2020년까지이며 그 외 기간의 자료(1993~2010)는 전망 데이터의 편의 보정을 위한 월간 보정계수를 산정하는 데 활용하였다.

3. 연구 방법

본 연구에서는 ECMWF에서 제공하는 계절 기상 전망 정보를 활용하여 SFFs를 산정하고, 그 결과를 ESP와 계절적, 연도별 특성에 따라 비교한다. 우선, 각 댐 유역별로 2011년부터 2020년까지 10년간 ECMWF에서 제공하는 계절 강수량, 기온 및 증발산량에 대한 앙상블 전망 정보를 다운받아 선형 편의보정 기법을 적용하여 데이터를 보정하였으며, 계절 기상 전망정보를 수문학적 모형(Tank)의 입력 자료로 구성하여 댐별 유입량으로 변환하였다. ESP의 앙상블은 과거 1966년부터 2010년까지 45개년간의 기상 정보를 동일한 수문학적 모형(Tank)의 입력 자료로 활용하여 생성하였다. 마지막으로, 확률적 예측에 대한 성능 평가 기법을 활용하여 SFFs의 예측 skill을 ESP와 비교·분석하였다.

3.1 계절 기상 전망의 편의 보정

계절 기상 전망의 각 인자(강수량, 기온, 잠재증발산량)에 대해서는 편의 보정을 수행하였다. 편의 보정의 방법에는 Quantile mapping, event-based weather generator 등 다양한 기법들이 개발·적용되고 있으나(Tabari et al., 2021), 본 연구에서는 간편하지만 다른 복잡한 기법과 유사하거나 더 뛰어난 성능을 나타낸다는 것이 확인된 바 있는 선형 편의 보정 기법(Linear scaling) 기법을 적용하였다(Crochemore et al., 2016; Shrestha et al., 2017; Azman et al., 2022).

구체적으로, 선형 편의 보정은 기후모형에서 생성된 결과를 지상 관측 데이터에 맞춰 일관성 있게 조절하는 과정(Maraun, 2016)이다. 따라서 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(bm)를 산정하였다. Shrestha et al. (2016)에 따르면, 기온의 경우 편의 보정 계수를 더하고, 강수나 기타 기상인자에 대해서는 곱하는 것이 더 우수한 개선효과를 기대할 수 있다. 따라서 각 기상인자별로 아래 Eqs. (1a), (1b), (1c)에 따라 2011년부터 2020년까지 유역별 면적평균 계절전망 데이터를 편의 보정한 시계열(*forecasted)을 생성하였다.

(1a)
Pforecasted*=Pforecasted×bm=Pforecasted×[μm(Pobserved)μm(Pforecasted)]
(1b)
PETforecasted*=PETforecasted×bm=PETforecasted×[μm(PETobserved)μm(PETforecasted)]
(1c)
Tforecasted*=Tforecasted+bm=Tforecasted+[μm(Tobserved)-μm(Tforecasted)]

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

3.2 수문학적 모형(Tank model) 및 성능 평가

Tank 모형은 1961년 일본 Sugawara에 의해 개발된 이후, 국내뿐 아니라 아시아지역을 중심으로 많이 활용되고 있는 개념적 수문학적 모형이다(Ou et al. 2017; Goodarzi et al., 2020). 본 연구에서는 계절 기상 전망 정보를 댐 유입량으로 변환하기 위해 국내 수자원의 중장기 예측에서도 많이 활용되고 있는 Tank 모형을 이용하였으며, 일반 Tank 모형보다 우수한 성능이 입증된 바 있는 토양 수분 구조와 융설 모듈이 탑재된 수정 모형을 활용하였다(Kang et al., 2004).

수정 Tank 모형의 21개 매개변수들은 University of Arizona에서 개발한 Shuffled Complex Evolution global optimization algorithm (SCE-UA)을 활용하여 추정하였으며(Duan et al., 1992; 1994), 이때 다음과 같이 Sugawara가 제안한 목적함수를 활용하였다.

(2)
Objectivefunction=t=1N|qtobs-qtsim|qtobs

여기서, t와 N은 시간(일), 총 time-step의 수를 나타내며, qtobsqtsim은 t 시간에서의 관측 및 모의된 유입량을 각각 의미한다.

모형의 성능 평가를 위해 Nash-Sutcliffe model Efficiency coefficient (NSE)와 Percentage Bias (PBIAS) 그리고 Ratio of Volume (ROV)를 활용하였으며, 각각의 평가지표들은 아래 식과 같이 계산하였다.

(3)
NSE=1-t=1N(qtobs-qtsim)2t=1N(qtobs-qmeansim)2
(4)
PBIAS=t=1N(qtobs-qtsim)t=1Nqtobs×100
(5)
ROV=t=1Nqtsimt=1Nqtobs

여기서, qmeanobs은 전체 모의 기간 동안에 관측된 평균 유입량을 의미한다. NSE의 범위는 -∞에서 1까지이며, 0에서 1사이 값을 가질 경우 일반적으로 좋은 성능을 보이는 것으로 간주된다. PBIAS는 관측값으로 부터의 평균적인 거리를 의미하며, 최적인 경우 0의 값을 가진다. PBIAS 값이 양일 경우 해당 수문학적 모형이 댐 유입량을 과대 추정하고, 음의 경우 과소 추정한다는 것을 의미한다. ROV는 관측된 유입량과 모의된 유입량의 비를 나타내며, ROV가 1 이상일 경우 과대 추정, 1 이하일 경우 과소 추정함을 나타낸다.

언급한 각각의 평가지표에 대한 Tank 모형의 보정(Calibration, 2001~2010) 및 검정(Validation, 2011~2020) 결과는 Fig. 2와 같다. 여기서, y축은 보정기간에 대해 NSE를 기준으로 가장 높은 성능을 나타내는 댐부터 낮은 댐의 순서로 정렬하였다. 세 가지 지표에 있어 전반적으로 Tank모형의 성능이 높았지만 남강댐, 부안댐 및 임하댐 등의 경우, NSE, PBIAS 및 ROV 모두에서 다른 댐들에 비해 다소 모형의 성능이 다소 낮게 나타났다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-09/N020057901/images/kwra_57_09_01_F2.jpg
Fig. 2.

The performance of modified Tank model ((a) NSE, (b) PBIAS, (c) ROV) for 12 catchments (y-axis) over the model calibration (2001~2010, blue) and validation (2011~2020, light blue) period

3.3 예측 skill 평가

본 연구에서 활용하는 SFFs와 ESP는 여러 개의 앙상블로 구성된 확률적(probabilistic) 예측이다. 실무적으로 많이 활용되는 평균 오차(Mean Error) 또는 평균 제곱 오차(Mean Absolute Error) 등은 앙상블의 평균이나 중간값 등을 관측값과 비교하기 때문에 개별 앙상블의 예측 경향성을 반영하지 못하는 한계가 있다. 따라서 본 연구에서는 확률적 예측의 데이터에 대해 개별 앙상블을 고려하여 성능(skill)을 평가하고자 한다. 확률적 예측의 skill 평가를 위해 Brier Score (Brier, 1950), Ranked Probability Score (Epstein, 1969) 등 많은 기법들이 개발·활용되고 있으나, 본 연구에서는 다른 기법들에 비해 민감하고 명확한 해석 가능하다고 알려진 Continuous Ranked Probability Score (CRPS)와 Continuous Ranked Probability Skill Score (CRPSS)를 활용하였다(Brown, 1974; Matheson and Winkler, 1976). CRPS는 앙상블 형태의 유입량 전망의 예측능력을 정량적으로 평가할 수 있는 기법(Leutbecher and Haiden, 2020)이며, CRPSS는 예측의 skill을 참조 전망기법(Benchmark)와 비교하여 나타내는 상대적인 방법으로, 전 세계적으로 많이 활용되고 있다. 본 연구에서는 SFFs의 skill을 참조 전망기법인 ESP와 비교하였으며, CRPS와 CRPSS는 각각 아래와 같이 계산된다.

(6)
CRPS=[F(x)-H(xy)]2dx
(7)
CRPSS=1-CRPSSFFsCRPSESP

여기서, F(x)는 유입량 예측 앙상블의 누적분포를 나타내며, x와 y는 각각 예측 및 관측 값을 의미한다. H는 Heaviside (또는 Indicator) function으로 xy일 때 1, x<y일 때 0의 값을 가진다. 전망이 완벽할 경우에 CRPS는 0이 되고 값이 커질수록 정확도는 낮다는 것을 의미한다. CRPSSFFsCRPSESP는 각각 SFFs와 참조 전망기법, 즉 ESP를 통해 계산된 CRPS를 의미한다. CRPSS 값의 범위는 -∞에서 1까지이며, CRPSS가 양의 값을 가지면 SFFs가 ESP보다 정확도가 높고, 음의 값을 가지면 ESP보다 정확도가 낮다는 것을 의미한다.

각 댐 유역에 대한 전반적인 skill을 확률적으로 나타내기 위해 기존 연구(Lee and Kang, 2023)에서 제안된 바 있는 ‘Overall Skill’을 활용하였다. Overall skill은 일정 기간 내에서 SFFs가 ESP보다 높은 skill을 가질 확률을 의미하며, Eq. (8)과 같이 계산된다.

(8)
Overallskill=t=1N[H(CRPSS(t)]N×100(%)

여기서, H는 CRPSS(t)0일 때 1, CRPSS(t)<0일 때 0의 값을 가진다. Overall skill이 50% 이상이면 SFFs가 해당 기간에 대해 ESP보다 높은 skill을 나타내며, 그 이하의 경우는 ESP의 skill이 더 높다는 것을 의미한다. 그러나 Overall skill의 미세한 차이에 따라 판단할 경우에 발생할 수 있는 오류를 피하기 위해, 본 연구에서는 45%에서 55%는 동일한 수준의 skill로 간주하며, 55% 이상일 경우 SFFs가 ESP에 비해 높은 skill을 가지며, 45% 미안일 경우 ESP의 skill이 SFFs보다 높다는 것을 의미한다.

4. 연구 결과 및 고찰

4.1 편의 보정 효과

Fig. 3은 전체 12개 댐에 대해 계절 기상 전망, 즉 강수량, 기온 및 잠재증발산량의 편의 보정 전과 후의 데이터를 각각 활용하여 산정한 SFFs의 예측 성능(CRPS)을 1, 2, 4, 6개월의 리드타임에 대해 나타낸다. CRPS는 앙상블 전체를 고려하여 산정한 정량적 예측능력 평가 지표로서, CRPS가 클수록 예측 신뢰도가 낮다는 것을 의미한다(Eq. (6)). 여기서, 각 포인트들은 해당 리드타임에 대해 12개 다목적 댐의 유입량에 대해 평가한 각각의 CRPS이며, x축은 기상 인자의 보정을 하지 않았을 경우(before bias correction), y축은 보정한 기상 인자를 활용하였을 경우(after bias correction)의 CRPS 각각 나타낸다. 붉은색 선은 보정 전과 후의 CRPS에 대한 추세선으로, 우측 삼각형 방향으로 기울어지면 편의보정의 효과가 있고, 그렇지 않으면 효과가 없다는 것을 각각 의미한다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-09/N020057901/images/kwra_57_09_01_F3.jpg
Fig. 3.

Continuous Ranked Probability Score (CRPS) of inflow forecasts using non-bias corrected weather forecasts (x-axis) and bias-corrected weather forecasts (y-axis) for lead times of (a) 1 month, (b) 2 months, (c) 4 months, and (d) 6 months (from left to right). Black points in each sub-figure represent the CRPS of each dam and month, while red lines indicate the trend lines

Fig. 3은 편의 보정된 계절 기상 전망 자료를 Tank 모형의 입력 자료로 사용할 경우, 댐 유입량 예측의 성능이 개선된다는 것을 보여준다. 특히, 리드타임이 증가할수록 추세선의 기울기가 우측으로 더 기울어지는 경향을 보이며, 이는 편의 보정의 효과가 리드타임이 증가할수록 더 커진다는 것을 의미한다. 즉, 본 연구 결과는 계절 기상 전망 자료에 대한 편의 보정이 댐 유입량 예측의 성능에 긍정적인 영향을 미친다는 것을 나타내며, 이는 다른 국가들에 대한 연구 사례들에서도 공통적으로 증명된 바 있다(e.g., Crochemore et al., 2016 for France; Lucatero et al., 2018 for Denmark; Tian et al., 2018 for China). 따라서 본 연구의 4.2절부터는 편의 보정된 계절 기상 전망을 활용하여 생성한 SFFs를 중심으로 skill과 연도별 및 계절적 특성 등을 기술한다.

4.2 연도별 특성에 따른 평가

Fig. 4는 SFFs의 Overall skill (%, Eq. (8))을 전체 기간 평균(a), 건조한 해(2014, 2017)의 평균(b) 및 습윤한 해(2011, 2020)의 평균(c)에 대해 각각 나타낸다. 여기서, 건조한 해와 습윤한 해는 전체 기간(2011~2020) 중에서 연간 댐 유역 강수량(12개 댐 평균)을 기준으로, 가장 적었던 두 해와 많았던 두 해를 각각 선정하였다. 각 셀 안의 수치는 모의 기간에 대한 리드타임별 Overall skill이며, 초록색(분홍색) 셀은 SFFs가 ESP보다 높은(낮은) skill을 가진다는 것을 의미하고, 노란색은 두 전망의 skill이 유사함을 의미한다. 공간적 분포에 따른 skill의 변화를 검토하기 위해 북쪽에서 남쪽 지역에 위치한 댐의 순서로 정렬하였으며(x축), 마지막 열은 전체 유역의 평균값(Mean)을 나타낸다.

Fig. 4(a)는 SFFs가 1에서 3개월의 전망에서 ESP보다 우수한 전망을 제공할 확률이 전반적으로 높으며, 그보다 긴 리드타임에 대해서도 ESP와 유사한 수준의 전망 정보를 제공한다는 것을 보여준다. 이러한 결과는 단기 전망에서 SFFs가 우수한 skill을 나타낸다는 기존 연구 결과들과 일치한다(Yossef et al., 2013; Arnal et al., 2018; Greuell et al., 2018). 댐별로 살펴보면, 부안댐(ba)과 임하댐(ih)에서는 SFFs의 skill이 다른 댐에 비해 다소 낮게 나타났는데, 이는 두 댐의 낮은 수문학적 모델링 퍼포먼스(Fig. 2)와도 관련이 있을 것으로 추정된다.

또한, 건조 또는 습한 해에 대해 SFFs와 ESP의 성능이 상반되게 나타나는 것을 확인할 수 있다. 구체적으로, 건조한 해의 경우(Fig. 4(b)) 모든 리드타임에 대해 SFFs의 성능이 ESP를 압도하며, 리드타임이 길어질수록 오히려 더 skill이 증가하였다. 댐별로는 남부지역에 위치한 댐들(합천댐, 밀양댐, 남강댐 등)에서 이러한 경향이 뚜렷이 나타났다. 반면에, 습했던 해에서는(Fig. 4(c)) 대부분의 리드타임에 대해, ESP가 더 높은 skill을 보였는데, 중부지역에 위치한 용담댐(yd), 부안댐(ba) 및 섬진강댐(sj) 등에서 더욱 명확히 나타났다. 따라서 본 연구 결과는 SFFs가 리드타임 2~3개월의 단기간 예측이나 건조한 해를 예측하는데 더 나은 성능을 나타내며, EPS는 습한 해를 예측하는데 조금 더 적합할 수 있음을 시사한다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-09/N020057901/images/kwra_57_09_01_F4.jpg
Fig. 4.

Overall skill of SFFs benchmarked against ESP for each dam, averaged over (a) entire years (2011~2020), (b) dry years (2015, 2017) and (c) wet years (2011, 2020) at various lead times (y-axis). Dams are ordered from North to South along the x-axis. Green colour indicates that SFFs outperform ESP, pink indicates that ESP outperforms SFFs, and yellow represents similar performance between the two forecasts.

4.3 계절에 따른 평가

Fig. 5는 SFFs의 전망의 Overall skill (%)을 계절별로 나타낸 것으로(2011~2020년 평균), 위에서부터 Dry (12~2월), Dry-to-Wet (3~5월), Wet (6~9월), Wet-to-Dry season (10~11월)을 각각 의미한다. Fig. 4와 같이 초록색 셀은 SFFs가 ESP 보다 높은 skill을, 분홍색은 그 반대의 경우를 의미하며, 두 전망의 skill이 유사할 때는 노란색을 나타낸다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-09/N020057901/images/kwra_57_09_01_F5.jpg
Fig. 5.

Overall skill of SFFs benchmarked against ESP for each dam, averaged over for different seasons: from top to bottom, dry season (December to February), dry-to-wet season (March to May), wet season (June to September) and wet-to-dry season (October to November). The overall skill is averaged over a 10-year period (2011~2020) at various lead times (y-axis). Green colour indicates that SFFs outperform ESP, pink indicates that ESP outperforms SFFs, and yellow indicates similar performance between the two forecasts

평균적으로, Dry season에서는 1개월 전망에서 SFFs의 skill이 ESP보다 높았으나 그 외는 서로 비슷한 skill을 유지했다. 댐별로 살펴보면, 부안댐(ba), 임하댐(ih) 및 섬진강댐(sj)은 dry season에 SFFs의 skill이 다른 댐에 비해서 매우 낮게 나타나는 특성을 보였다. 여름철을 포함하는 dry-to-wet, wet season은 SFFs가 3개월까지의 전망에서 더 높은 skill을 보였으며, Wet-to-dry season은 대부분의 리드타임에 대해서 SFFs가 ESP보다 높은 skill을 나타냈다.

SFFs의 skill은 지역적, 계절적으로 다르게 나타난다는 것은 기존 연구들을 통해 확인된 바 있다. 예를 들어, Risko and Martinez (2014)는 미국 플로리다 지역에서는 SFFs가 9월에서 11월과 4월부터 6월 사이에서 높은 skill을 가진다는 것을 확인한 바 있다. 또한, Tian et al. (2018)은 중국 양쯔강 상류 한강(汉江)에 위치한 단장커우 저수지(丹江口水庫)에 대해 SFFs의 계절적 영향을 평가하였으며, 편의 보정한 강수량을 사용한 유입량 전망이 1월에서 4월까지 가장 낮은 skill을 나타내는 것을 발견하였다. 이는 12월에서 2월까지를 포함하는 Dry season에서 가장 SFFs의 skill이 낮은 것으로 확인된 본 연구 결과와 부분적으로 일치하며, 중국과의 지역적 근접성에 따라 SFFs의 계절적 특성도 다소 유사하게 나타났을 가능성이 있는 것으로 판단된다.

4.4 SFFs 및 ESP 전망 사례 비교·검토

기후 재난을 사전에 대비하고 수자원을 효율적으로 관리하기 위해서는 평상시의 예측보다 극한 상황에 대한 예측능력이 더욱 중요할 수 있다. 우리나라의 경우, 강우가 집중되고 불확실성이 높아 예측이 어려운 여름철의 유입량을 전망하는 것이 단기적으로는 홍수 예방, 중장기적으로는 가뭄 경감을 위해 매우 중요한 일이다. 따라서 본 절에서는 가장 건조했던 2014년과 습했던 2020년의 7월부터 2개월 및 4월간의 댐 유입량 전망 사례를 통해 SFFs와 ESP의 예측 능력을 살펴본다. 여기서, Fig. 6의 댐별 그래프에서 좌측 두 개의 box plot (하늘색)은 SFFs의 건조(2014년) 및 습한 해(2020년)에서의 예측 앙상블의 범위를, 우측 두 개는 ESP에 의한 결과(주황색)를 각각 나타내며, 이를 댐별 실제 관측 유입량(다이아몬드)과 비교한다.

Fig. 6(a)을 통해 건조한 해(좌측 첫 번째 boxplot)에서 SFFs가 탁월한 예측 능력을 보이는 것을 확인할 수 있다. 대부분의 댐에서 관측 유입량이 boxplot의 박스(즉, 25에서 75 퍼센타일(percentile)에 해당하는 범위(interquartile range)) 내에 위치하는 것을 확인할 수 있다. 동일한 기간에서의 ESP 예측(좌측 세 번째 boxplot)과 비교했을 때, SFFs의 건조한 해의 우수한 예측 능력은 더 확실히 드러난다. 반면에 습한 해의 경우에는 ESP가 관측값에 더 가까운 예측을 제공하는 것을 확인하였다. 여기서 주목할 점은, 대부분의 댐에서 ESP 예측의 중간값(붉은색 선)과 예측 범위 측면(box의 크기 및 위치)에서 건조한 해와 습한 해의 차이가 크지 않다는 점이다. 물론, 습한 해에 유입량을 조금 더 높게 예측하지만, 이는 수문학적 모형(Tank)의 초기 조건(initial condition), 즉 이전 강우 상황이 반영된 결과일 가능성이 클 것으로 판단된다. 이는 ESP가 실제 기상 예측을 기반으로 하는 것이 아닌, 과거의 기상 상황을 재현하는 방법이기 때문에 연도별로 그 예측력에서 차이가 크지 않다는 한계를 명확하게 보여준다.

습했던 2020년의 경우(좌측에서 두 번째 boxplot), SFFs는 유입량을 과소 추정한다는 것을 확인하였다. 이는 이전 연구에서 확인한, 유출에 가장 큰 영향을 미치는 기후 인자인 강수량의 여름철 과소 추정이 원인인 것으로 판단된다(Lee and Kang, 2023). 그럼에도 불구하고, SFFs의 예측이 대부분의 댐에서 건조한 해에 비해 습한 해에 크게 증가하였다는 것을 확인하였는데, 이러한 특징은 소양강댐이나 횡성댐, 장흥댐 등에서 명확히 나타난다. 실제로, 건조 및 습한 해에서의 ESP와 SFFs의 중간값의 변화 또는 앙상블의 interquartile range (즉, box의 크기 및 위치)를 통해 확인된다. 즉, 단순히 수문학적 모형의 초기조건에 따라 댐 유입량 예측이 반응하는 것이 아닌, GCMs 기반의 기후 모델이 2014년과 2020년에의 건조·습윤한 기후 상황을 일부 예측한 결과로 판단될 수 있다. 이는, 비록 SFFs가 습윤한 해의 경우 정량적으로 댐의 유입량을 예측하는 데 한계가 있지만, 건조 및 습윤의 경향성을 나타내는 측면에서는 매년 유사한 유입량 예측을 제공하는 태생적 한계를 가진 ESP보다 더 활용성이 높을 수 있음을 의미한다.

앞서 언급한, SFFs와 ESP의 예측력 및 그 범위에 대한 특성은 4개월의 리드타임에서도 유사하게 나타났다(Fig. 6(b)). 따라서 본 연구를 통해 SFFs가 건조한 상황에 대해서는 정량적으로 우수한 예측력을 보이며, 반대로 습한 상황에 대해서는 정량적으로는 과소평가하는 경향이 있지만, 그 습한 상황에 대한 경향성에 대해서는 참고할 수 있을 만한 정보를 제공할 수 있다는 것을 알 수 있다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-09/N020057901/images/kwra_57_09_01_F6.jpg
Fig. 6.

Boxplot of the dam inflow forecast ensemble using SFFs (blue) and ESP (orange) for the driest year (2014) and wettest year (2020) from July with a 2-month lead time (a) and 4-month lead time (b). Diamond shapes represent observed inflow

5. 결 론

본 연구에서는 ECMWF에서 제공하는 계절 기상 전망 정보를 활용하여 2011년부터 2020년까지 국내 12개 다목적 댐의 유입량을 Tank 모형을 활용하여 예측하였으며, 이러한 계절 유량 전망(SFFs)의 성능(skill)을 ESP 및 관측 유입량과 비교하였다. 본 연구에서는 계절 기상 전망의 편의 보정이 SFFs의 예측 성능을 개선하는 데 효과가 있다는 것을 확인하였으며, 따라서 편의 보정된 SFFs를 기반으로 skill을 비교·평가하였다.

GCMs을 통해 예측된 정보를 기반으로 하는 SFFs는 전반적으로 2~3개월의 단기간에 대한 예측 능력이 과거 기상 현상을 재현하는 ESP보다 뛰어났으며, 리드타임이 증가할수록 ESP의 skill이 더 높았다. 댐별로는 남부지방에 위치한 댐들에서 SFFs의 skill이 높은 경향을 보였고, 중부지방에 위치한 댐들에서 전반적으로 다소 낮게 나타났다. SFFs의 skill은 건조한 해(2014, 2017)에는 ESP보다 크게 높았지만, 습했던 해(2011, 2020)에는 ESP가 SFFs의 skill을 압도하는 것으로 나타났다. 계절적으로는 dry season (12~2월)에서의 skill이 가장 낮았고, wet-to-dry season (10~11월)에 가장 높게 나타났다. 실제 발생했던 건조(2014) 및 습윤한 해(2020)의 7월부터 2, 4개월간의 예측 범위에 대한 분석 결과는, SFFs가 건조한 해의 유입량을 예측하는데 정량적으로 매우 높은 정확성을 보이는 반면, 습한 해에 대해서는 유입량을 과소 추정하는 한계를 나타냈다. 그러나 건조, 습윤 상황에 무관하게 유사한 예측 범위를 보이는 ESP와는 달리, SFFs는 건조와 습윤의 미래 경향성을 일부 반영할 수 있다는 가능성을을 확인하였다.

본 연구를 통해 SFFs의 국내 다목적댐 유역에서의 중장기 수문 예측을 위한 SFFs의 잠재력과 특성을 전반적으로 살펴보았지만, 본 연구가 가지는 한계점과 이를 개선하기 위한 방안을 다음과 같이 제안하고자 한다. 첫째, SFFs의 skill 변화는 수문학적 모델의 input으로 활용되는 계절 기상 전망의 특성과 직접적으로 연결되기 때문에, 그 상관성 또는 계절 기상 전망으로부터 유량전망으로 전이되는 과정에 대한 면밀한 연구가 필요하다. 둘째, 일부 연구에서 계절 기상 전망의 편의 보정은 일반적으로 전망의 skill을 향상시키는데 기여하지만, 편의 보정을 할 경우 극한 수문상황에 대한 예측력이 감소할 수 있다는 부정적 영향에 대해서도 보고된 바 있다(Crochemore et al., 2016). 따라서 기상 예측의 편의 보정이 유량 예측 skill에 미치는 영향에 대해서도 향후 구체적인 연구가 요구된다.

본 연구를 통해 확인된 결과들을 바탕으로 SFFs를 국내 실무 댐 운영관리에 활용하기 위한 몇 가지 방안을 제시 해 보고자 한다. 첫째, SFFs를 중장기적 전망에 활용하기보다는 향후 약 2개월 또는 3개월까지의 비교적 단기적 전망에 활용하는 것이 바람직할 것으로 판단된다. 4개월 이상에 대한 예측이 요구되는 경우, ESP와 결합하여 활용하는 방안도 검토해 볼 필요가 있을 것이다. 계절적으로는 예측 skill이 다소 낮은 dry season에는 SFFs 보다는 ESP를 활용하는 편이 나을 수 있다. SFFs는 건조한 상태에 대한 정량적 예측 능력이 높아서, 현재 댐 운영계획 수립 시 활용되고 있는 20년 갈수빈도의 유입량 정보와 중장기적으로 병행 활용하여 그 성능을 지속적으로 검증할 필요가 있다.

해외에서는 SFFs가 댐 운영, 수력발전 등 수자원 관리 전반에서 많은 관심을 받고 있는 것과 달리, 국내에서는 아직 활발한 연구가 이뤄지지 못하고 있는 실정이다. 따라서 본 연구는 SFFs의 국내 다목적댐 유입량 예측에 활용될 가능성과 한계를 검토한 첫 번째 연구로서 그 의의가 있다. 비록, 현재 기준으로 SFFs의 기술이 완벽하거나 ESP에 비해 압도적인 예측 능력을 나타내고 있다고 단언할 수는 없다. 그러나 중장기 기상 예측과 관련된 소프트웨어 및 하드웨어 기술의 발전에 따라 SFFs의 예측 신뢰도도 점차 높아질 것으로 기대됨에 따라, 댐의 운영 등 수자원 관리에서 SFFs를 활용하고 그 성능을 평가하려는 중장기적인 노력이 계속되어야 할 것이다.

Acknowledgements

본 연구는 한국수자원공사(K-water)의 지원을 받아 수행된 연구입니다.

Conflicts of Interest

The authors declare no conflict of interest.

References

1

Allen, R.G., Pereira, L.S., Raes, D., and Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements. United Nations Food and Agriculture Organization, Irrigation and drainage paper 56, Rome, Italy.

2

Alley, R.B., Emanuel, K.A., and Zhang, F. (2019). "Advances in weather prediction." Science, Vol. 363, pp. 342-344.

10.1126/science.aav7274
3

Arnal, L., Cloke, H.L., Stephens, E., Wetterhall, F., Prudhomme, C., Neumann, J., Krzeminski, B., and Pappenberger, F. (2018). "Skilful seasonal forecasts of streamflow over Europe?" Hydrology and Earth System Sciences, Vol. 22, pp. 2057-2072.

10.5194/hess-22-2057-2018
4

Azman, A.H., Tukimat, N.N.A., and Malek, M.A. (2022). "Analysis of linear scaling method in downscaling precipitation and temperature." Water Resources Management, Vol. 36, pp. 171-179.

10.1007/s11269-021-03020-0
5

Bauer, P., Thorpe, A., and Brunet, G. (2015). "The quiet revolution of numerical weather prediction." Nature, Vol. 525, pp. 47-55.

10.1038/nature14956
6

Blöschl, G., and Montanari, A. (2010). "Climate change impacts - throwing the dice?" Hydrological Processes, Vol. 24, pp. 374-381.

10.1002/hyp.7574
7

Brier, G.W. (1950). "Verification of forecasts expressed in terms of probability." Monthly Weather Review, Vol. 78, pp. 1-3.

10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
8

Brown, T.A. (1974). Admissible scoring systems for continuous distributions. Manuscript P-5235, The Rand Corporation, Santa Monica, CA, U.S., p. 22.

9

Ciampittiello, M., Marchetto, M., Boggero, A. (2024). "Water resources management under climate change: A review." Sustainability, Vol. 16, pp. 1-14.

10.3390/su16093590
10

Coelho, C.A., and Costa, S.M. (2010). "Challenges for integrating seasonal climate forecasts in user applications." Current Opinion in Environmental Sustainability, Vol. 2, pp. 317-325.

10.1016/j.cosust.2010.09.002
11

Crochemore, L., Ramos, M.-H., and Pappenberger, F. (2016). "Bias correcting precipitation forecasts to improve the skill of seasonal streamflow forecasts." Hydrology and Earth System Sciences, Vol. 20, pp. 3601-3618.

10.5194/hess-20-3601-2016
12

Day, G.N. (1985). "Extended streamflow forecasting using NWSRFS." Journal of Water Resources Planning and Management, Vol. 111, pp. 157-170.

10.1061/(ASCE)0733-9496(1985)111:2(157)
13

Duan, Q., Sorooshian, S., and Gupta, V.K. (1992). "Effective and efficient global optimization for conceptual rainfall-runoff models." Water Resources Research, Vol. 28, pp. 1015-1031.

10.1029/91WR02985
14

Duan, Q., Sorooshian, S., and Gupta, V.K. (1994) "Optimal use of the SCE-UA global optimization method for calibrating watershed models." Journal of Hydrology, Vol. 158, pp. 265-284.

10.1016/0022-1694(94)90057-4
15

Ehsani, N., Vörösmarty, C.J., Fekete, B.M., and Stakhiv, E.Z. (2017). "Reservoir operations under climate change: Storage capacity options to mitigate risk." Journal of Hydrology, Vol. 555, pp. 435-446.

10.1016/j.jhydrol.2017.09.008
16

Epstein, E.S. (1969). "A Scoring system for probability forecasts of ranked categories." Journal of Applied Meteorology, Vol. 8, pp. 985-987.

10.1175/1520-0450(1969)008<0985:ASSFPF>2.0.CO;2
17

Goldsmith, E., and Hildyard, N. (1984). The social and environmental effects of large dams. Random House, New York, NY, U.S..

18

Goodarzi, M., Jabbarian Amiri, B., Azarneyvand, H., Khazaee, M., and Mahdianzadeh, N. (2020). "Assessing the performance of a hydrological Tank model at various spatial scales." Journal of Water Management Modeling. Vol. 29, pp. 1-8.

10.14796/JWMM.C472
19

Greuell, W., Franssen, W.H.P., Biemans, H., and Hutjes, R.W.A. (2018). "Seasonal streamflow forecasts for Europe - Part I: Hindcast verification with pseudo- and real observations." Hydrology and Earth System Sciences, Vol. 22, pp. 3453-3472.

10.5194/hess-22-3453-2018
20

Joint Ministries (2023). 1st National water management master plan (2021-2030), pp. 1-17.

21

Kang, S.U., Lee, D.R., and Lee, S.H. (2004). "A study on calibration of Tank model with soil moisture structure." Journal of Korea Water Resources Association, Vol. 37, pp. 133-144.

10.3741/JKWRA.2004.37.2.133
22

Lee, Y., Peñuela, A., Pianosi, F., and Rico‐Ramirez, M.A. (2023). "Catchment‐scale skill assessment of seasonal precipitation forecasts across South Korea." International Journal of Climatology, Vol. 43, pp. 5092-5111.

10.1002/joc.8134
23

Lee, Y.S., and Kang, S.U. (2023). "Assessment of ECMWF's seasonal weather forecasting skill and Its applicability across South Korean catchments." Journal of Korea Water Resources Association, Vol. 56, pp. 529-541.

24

Leutbecher, M., and Haiden, T. (2020). "Understanding changes of the continuous ranked probability score using a homogeneous Gaussian approximation." Quarterly Journal of the Royal Meteorological Society, Vol. 147, pp. 425-442.

10.1002/qj.3926
25

Lucatero, D., Madsen, H., Refsgaard, J.C., Kidmose, J., and Jensen, K.H. (2018). "Seasonal streamflow forecasts in the Ahlergaarde catchment, Denmark: the effect of preprocessing and post-processing on skill and statistical consistency." Hydrology and Earth System Sciences, Vol. 22, pp. 3601-3617.

10.5194/hess-22-3601-2018
26

Maraun, D. (2016). "Bias correcting climate change simulations - a critical review." Current Climate Change Reports, Vol. 2, pp. 211-220.

10.1007/s40641-016-0050-x
27

Matheson, J.E., and Winkler, R.L. (1976). "Scoring rules for continuous probability distributions." Management Science, Vol. 22, pp. 1087-1096.

10.1287/mnsc.22.10.1087
28

Ou, X., Gharabaghi, B., McBean, E., and Doherty, C.(2017). "Investigation of the Tank model for urban storm water management." Journal of Water Management Modeling. Vol. 25, pp. 1-5.

10.14796/JWMM.C421
29

Risko, S.L., and Martinez, C.J. (2014). "Forecasts of seasonal streamflow in West-Central Florida using multiple climate predictors." Journal of Hydrology, Vol. 519, pp. 1130-1140.

10.1016/j.jhydrol.2014.08.043
30

Shrestha, M., Acharya, S.C., and Shrestha, P.K. (2017). "Bias correction of climate models for hydrological modelling - are simple methods still useful?" Meteorological Applications, Vol. 24, No. 3, pp. 531-539.

10.1002/met.1655
31

Shrestha, S., Shrestha, M., and Babel, M. S. (2016). "Modelling the potential impacts of climate change on hydrology and water resources in the Indrawati River Basin, Nepal." Environmental Earth Sciences, Vol. 75, pp. 1-13.

10.1007/s12665-015-5150-8
32

Tabari, H., Paz, S.M., Buekenhout, D., and Willems, P. (2021). "Comparison of statistical downscaling methods for climate change impact analysis on precipitation-driven drought." Hydrology and Earth System Sciences, Vol. 25, pp. 3493-3517.

10.5194/hess-25-3493-2021
33

Tian, F., Li, Y., Zhao, T., Hu, H., Pappenberger, F., Jiang, Y., and Lu, H.(2018). "Evaluation of the ECMWF system 4 climate forecasts for streamflow forecasting in the upper Hanjiang River basin." Hydrology Research, Vol. 49, pp. 1864-1879.

10.2166/nh.2018.176
34

Yossef, N.C., Winsemius, H., Weerts, A., van Beek, R., and Bierkens, M.F.P. (2013). "Skill of a global seasonal streamflow forecasting system, relative roles of initial conditions and meteorological forcing." Water Resources Research, Vol. 49, pp. 4687-4699.

10.1002/wrcr.20350
35

Yuan, X., and Wood, E.F. (2012). "Downscaling precipitation or bias-correcting streamflow? Some implications for coupled general circulation model (CGCM)-based ensemble seasonal hydrologic forecast." Water Resources Research, Vol. 48. pp. 1-7.

10.1029/2012WR012256
페이지 상단으로 이동하기