Research Article

Journal of Korea Water Resources Association. 31 May 2024. 333-346
https://doi.org/10.3741/JKWRA.2024.57.5.333

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구방법 및 자료

  •   2.1 WRF-Hydro 분포형 수문모형

  •   2.2 대상유역

  •   2.3 기상 입력자료

  •   2.4 지형자료 및 토지자료

  •   2.5 모의 성능 평가 지표

  • 3. 결과분석

  • 4. 결 론

1. 서 론

기후변화로 인해 극한 홍수나 가뭄 등 자연 재해가 증가함에 따라 재해를 사전에 대비하고 수량과 수질 및 수생태를 동시에 고려한 수자원 관리를 위한 일주일 이상의 중기 수문 예측에 대한 필요성이 증가하고 있다(Kim, 2024). 정확도 높은 수문 예측을 위해서는 수리, 수문 과정을 세밀하게 모사하는 고해상도 물리기반 모형이 필수적이며, 특히 기상 예측 정보의 정확성은 수문 예보에 있어 핵심적인 요소 중 하나이다. 한국에서 생산되는 현행 기상 예보 자료는 예측기간에 따라 다음과 같이 분류된다. 초단기는 12시간을 예측하는 KLAPS (Korea Local Analysis and Prediction System), 단기는 각각 48시간, 87시간을 예측하는 LDAPS (Local Data Assimilation and Prediction System)와 RDAPS (Regional Data Assimilation and Prediction System), 중기는 288시간을 예측하는 GDAPS (Global Data Assimilation Prediction and System) 등이 있다. 초단기 예측은 홍수 등 치수 측면에서 중요하지만, 수질 및 수생태 영향을 평가하고 대비하기 위해서는 단기 및 중기 수문 예측 기술의 확보가 중요하다. 그동안 중기 기상수치예보 및 재분석 자료를 이용하여 유량 예측을 수행한 다양한 연구들이 진행되었다. Kim and Bae (2006), Lee et al. (2006)은 공간해상도가 약 55 km인 GDPAS T213 수치 예보 모형을 사용하여 댐 유역에 대해 유량 예측 연구를, Lee and Ahn (2021)은 전지구 중기간 앙상블 재예측 자료를 사용하여 중기 유량 예측을 수행하였다.

최근 미국 해양대기청(National Oceanic and Atmospheric Administration, NOAA)의 미국립기상청(National Weather Service, NWS)은 수문 예보와 관련된 불확실성을 개선하고, 홍수에 대한 예측 시간을 더 길게 제공하기 위해 운영 중인 국가 물 모형 NWM (National Water Model)을 개발하고 현업 수자원 예보에 활용하고 있다(Lahmers et al., 2019). NWM의 핵심 모형은 WRF-Hydro (Weather Research and Forecasting Hydrological modeling system)이며, 미국 전체 대륙(Continental United States, CONUS)에 대하여 하천 유량, 토양수분 등 주요 수문 요소 예측하고 있으며, 다양한 연구를 통해 적용성이 검증되고 있다(Wang et al., 2020; Naabil et al., 2023). WRF-Hydro는 동아프리카 지역의 대기-지상 물수지 정량화 연구(Kerandi et al., 2018), 뉴칼레도니아 지역 WRF-Hydro와 DDS (Dynamically Dimensioned Search) 보정 알고리즘 연계 연구(Cerbelaud et al., 2022) 등 다양한 국외 연구들에서 WRF-Hydro는 활용되어 왔다. 또한, 이탈리아 남부의 크라티 강 유역에 대해 독립형(stand-alone)과 결합형(coupled) 방식 WRF-Hydro의 물 순환 모의 비교(Senatore et al., 2015), 중부 유럽 지역에서 지역 대기 및 육지 물 순환에 대한 물순환 연구(Rummler et al., 2019) 등의 사례가 있다.

한편, 국내 연구 사례로는 WRF-Hydro를 사용한 한국 가뭄 특성 평가 연구(Lee et al., 2022)를 비롯하여, WRF-Hydro 및 자료동화를 이용한 도시 홍수 예측 연구(Kim et al., 2021), LSTM (Long Short-Term Memory)을 기반으로 WRF-Hydro 모형의 하천유량 예측 개선 연구(Cho and Kim, 2022) 등이 수행된 바 있다. WRF-Hydro를 활용하여 유량을 예측하기 위한 입력자료로 레이더 QPE (Quantitative Precipitation Estimation), NLDAS (North American Land Data Assimilation System), LDAPS (Local Data Assimilation and Prediction System) 등 원격탐사 및 지상관측 기반 추정 기상자료를 적용한 연구(Kim et al., 2021; Cho and Kim, 2022; Lee et al., 2022)들은 있지만 한국 현업 수치예보모형과 분포형 수문모형을 연계한 중기 유량 예측 기술에 대한 연구는 미흡한 상황이다.

본 연구의 목적은 중기 유량예측을 위해 수치예보모형 GDAPS의 분포형 수문 모형 WRF-Hydro 적용성을 평가하는 것이다. 이를 위해 낙동강 지류 금호강 유역에 대해 100 m급 고해상도로 WRF-Hydro를 구축하고, 다양한 기상자료를 적용하여 유량 예측 모의 결과를 하천 관측 유량과 비교해 기상자료가 하천 유량 모의에 미치는 영향을 분석한다. 다양한 기상자료로는 기상지상관측자료 Automatic Weather Stations (AWS) & Automated Synoptic Observing Systems(ASOS), 국내 수치예보모형 GDAPS, 국외 재분석자료 GLDAS를 활용한다.

본 논문의 구성은 다음과 같다. 2장에서 연구에 적용된 분포형 수문모형 WRF-Hydro 및 연구 유역, 모형 구축에 사용된 입력자료, 기상입력자료에 따른 강우의 특성, 유량 성능 평가 방법에 대해 기술한다. 3장에서WRF-Hydro 모의 유량 예측 결과를 분석한다. 4장에서는 결론 및 향후 연구 방향에 대해 논한다.

2. 연구방법 및 자료

2.1 WRF-Hydro 분포형 수문모형

본 연구에서는 미국 NCAR (National Center for Atmospheric Research)에서 개발한 WRF-Hydro version 5.2 수문모형과 Noah-MP (Noah with Multi-Parameterization options) LSM (Land Surface Model) 모형을 사용하였다(Fig. 1). WRF-Hydro는 강수, 토양수분, 지하수, 하천유량 등 물순환 요소의 상호작용을 다중 스케일, 다중 물리기법에 의해 모의할 수 있는 수문과정 중심 모의 체계(process-based modeling framework)이다. WRF-Hydro 내에서는 다양한 LSM 모형을 선택할 수 있으며, 본 연구에서는 지표면 열순환 및 유출 해석에 적절한 것으로 알려진 Noah-MP LSM을 적용하였다(Niu et al., 2011). 또한 WRF-Hydro 모형은 독립형이나 완전결합형으로 사용이 가능하며, 본 연구에서는 별도의 기상 자료를 입력하여 모의하는 독립형을 채택하였다. 하천 추적 옵션으로 Muskingum, Muskingum-Cunge, 확산파(diffusive wave) 추적이 가능하며, 본 연구에서는 격자 기반 확산파 하도추적 방법을 적용하였으며, 지배방정식은 다음과 같다.

(1)
At+Qs=ql
(2)
Qt+γQ2As+gAHs=-gASf

여기서 s: 흐름방향길이(m), H: 수위(m), A: 유수 단면적(m2), ql: 단위폭당 측방 유입(m3/s/m), Q: 하천 유량(m3/s), 𝛾: 운동량 보정 계수(Cm), g: 중력가속도(m/s2), Sf: 마찰경사이다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F1.jpg
Fig. 1.

WRF-Hydro structure (Gochis et al., 2020)

2.2 대상유역

본 연구의 대상유역인 금호강 유역은 낙동강 중류권에 분포하며 금호강의 길이는 114.6 km, 유역면적은 2,087.9 km2로 낙동강 전체 유역면적의 약 9.2% 정도를 차지한다(Fig. 2). 금호강 유역의 토지이용은 산림지가 66.4%, 농경지는 28.8%로 이루어져 있으며, 연평균기온은 13℃, 연강수량은 1,007 mm이다(Cha et al., 2017). 금호강 유역의 유량 모의 검증 지점은 유량 관측 지점인 단포교, 강창교, 안심교 3곳을 선정하였으며, 지점별 하천 수위-유량 자료는 1시간 단위 자료를 모의 기간을 포함하는 범위에 대해 낙동강 홍수통제소에서 제공하는 자료를 수집, 적용하였다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F2.jpg
Fig. 2.

Geumho River basin

2.3 기상 입력자료

다중 기상자료가 분포형 수문 모형 유량 예측에 미치는 영향을 분석하기 위해서는 필수 기상 요소 8가지(장파복사에너지, 단파복사에너지, 비습도, 온도, 강수, 기압, 풍향 및 풍속)를 포함하는 WRF-Hydro 기상 입력자료 구축이 필요하다(Table 1). 본 연구에서는 분석대상 기상자료로 지상 기상 관측자료 AWS&ASOS와 중기기상예측모형 GDAPS, 재분석자료 GLDAS를 선정하였다. 기상 자료에 따라 WRF-Hydro 기상 입력자료에 해당하는 변수의 단위, 특성이 다르므로 WRF-Hydro 형식으로 변환해주는 도구가 필요하다. NCAR에서는 WRF-Hydro 기상 입력자료 형식으로 변환하는 ESMF (Earth System Modeling Framework) Regridding 스크립트를 제공하고 있으나 GLDAS 등 일부 모형에 국한된다. 이에 한국 기상청에서 생산되는 기상예측모형의 결과를 WRF-Hydro 형식으로 변환하는 스크립트 코드를 개발하여 WRF-Hydro 기상 입력자료를 구축하였다.

Table 1.

WRF-Hydro forcing elements

Variables Description Unit
SWDOWN Incoming shortwave radiation W/m2
LWDOWN Incoming longwave radiation W/m2
Q2D Specific humidity kg/kg
T2D Air temperature K
PSFC Surface pressure Pa
U2D Near surface wind in the u-component m/s
V2D Near surface wind in the v-component m/s
RAINRATE Precipitation rate mm/s or kg/m2/s

Fig. 3은 각 기상자료들을 WRF-Hydro기상 입력자료 형식으로 변환한 결과 중 2020년 8월 8일 00시의 RAINRATE 변수를 의미한다. 3가지 기상 자료 모두 변환된 자료는 739×619 격자이며, 공간해상도는 AWS & ASOS와 GLDAS는 100 m, GDAPS는 10 km 이다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F3.jpg
Fig. 3.

Visualization of forcing data converted to WRF-Hydro input data format as of 00:00, August 8, 2020

2.3.1 AWS&ASOS

지상 관측 자료로 사용한 기상청의 지상기상관측장비는 위험기상 예측을 위해 무인으로 운영하는 방재기상관측장비(AWS)와 기상관측소에서 운영하는 종관기상관측장비(ASOS)로 구분된다. AWS에서는 강수량, 기온, 풍속, 풍향, 기압, 습도 등의 관측요소를 사용하였으며 ASOS에서는 AWS 관측요소에 일조, 일사 관측요소를 추가 사용하여 WRF-Hydro 필수 기상요소로 전처리 후 WRF-Hydro 형식으로 변환하였다. 기상 자료 변환에는 금호강 유역 내에 있는 AWS 관측지점 9곳(죽장, 신녕, 경산, 하양, 화북, 대구 북구, 대구 서구, 팔공산, 신암)과 ASOS 관측지점 2곳(대구, 영천)을 포함하여 총 11개 관측지점 자료를 사용하였다(Fig. 2).

2.3.2 GDAPS

GDAPS는 한국 기상청에서 UM (Unified Model)을 기반으로 개발한 전지구 중기 기상 수치예보모형이며 현재 현업 기상예보에 활용되고 있다. UTC (Universal Time Coordinated)를 기준시로 하며 단일면 및 토양면에서 일 4회 6시간 단위로 예측 정보가 제공되며 기준 시간부터 총 288시간(12일)을 3시간 단위로 예측한다. 본 연구에서는 g128형식의 10 km 해상도 단일면 GDAPS 자료를 활용하여 3시간 간격 총 288시간의 입력자료를 구축하였다. 변환은 단일면 변수 총 107개 중 TPRATE (강수), TMPR (기온), UGRD (위도 방향 바람 성분), VGRD (경도 방향 바람 성분), DLWS (하향 LW RAD 플럭스), PRES (기압), RHWT (습도), TDSW (총 하향 Sfc. SW 플럭스)의 8개 변수를 가공하여 WRF-Hydro 기상 입력자료를 구축하였다.

2.3.3 GLDAS

GLDAS는 NASA (National Aeronautics and Space Administration) GSFC (Goddard Space Flight Center)와 NOAA (National Oceanic and Atmospheric Administration) NCEP (National Centers for Environmental Prediction)에서 공동으로 개발한 전지구 재분석자료이다. 재분석자료란 지점, 모형 자료, 인공위성 자료 등을 통합하여 재산정되는 자료를 의미하며(Baik and Choi, 2015), GLDAS는 Noah지표모형(Land Surface Model, LSM)을 기반으로 한 재분석자료로서 다양한 시공간해상도의 수문 및 기상 데이터를 제공하고 있다(Rodell et al., 2004). 본 연구에서는 0.25°의 공간 해상도, 3시간 간격의 시간 해상도의 자료를 사용하여 100 m 공간해상도로 변환하여 기상 입력자료를 구축하였다.

2.3.4 기상자료 구축 및 분석

기상자료별 강우 분석과 WRF-Hydro 모의 결과 비교를 위해 2020 ~ 2022년 중 3개의 강우사상을 Table 2와 같이 선정한다. 금호강 유역에서 기상자료(AWS&ASOS, GDAPS, GLDAS)의 기간별 면적평균 시간당 강우량 그래프와 누적 강우량 그래프는 Fig. 4와 같다. 빨간색 실선은 AWS&ASOS의 강우를, 초록색 실선은 GDAPS의 강우를, 파란색 실선은 GLDAS의 강우를 의미한다. 2020년 8월 강우사상(Event2020)에 대한 AWS&ASOS 지상관측 강우는 2020년 8월 7일~9일 사이에 집중적으로 발생하였으며, 이는 GDAPS와 GLDAS도 같은 양상을 보인다. 다만, AWS&ASOS와 GLDAS의 누적 강우 총량은 238 mm, 237 mm로 유사한 결과를 보이지만 GDAPS의 경우 누적 강우 165 mm로, AWS&ASOS 지상관측의 69%에 해당하는 과소 예측된 결과를 보였다. 반면, 2021년과 2022년에 대해 선정된 강우 사상(Event2021, 2022)에 대해서 GDAPS와 GLDAS 모두 Event2021은 과소, Event2022는 과대 추정하였다. GDAPS의 경우, 2021년 8월 강우사상(Event2021)에 대해 누적 강우 84 mm로 AWS&ASOS 누적 강우 233 mm의 36%에 해당하는 과소 예측, 2022년 9월 강우사상(Event2022)에 대해 누적 강우 232 mm로 AWS&ASOS 누적 강우 99 mm보다 2배 이상의 과대 예측이었다. GLDAS는 2021년 8월 강우사상(Event2021), 2022년 9월 강우사상(Event2022)의 누적 강우가 각각 186 mm, 152 mm로 AWS&ASOS에 비해 50 mm정도 각각 과소 및 과대 산정하였다. 강우의 특성을 분석하기 위해 모의 기상자료를 이동평균(Moving Average, MA)하고, 관측자료인 AWS&ASOS와의 상관계수를 분석하였다. 각 강우이벤트의 자료에 대해 이동평균 Window를 3시간부터 24시간까지 달리하여 자료를 분석하였으며, 이동평균한 시계열 결과는 Fig. 5, 이동평균 후 상관계수를 산정한 결과는 Table 3에 표기하였다. 강우이벤트에 따라 차이는 있지만, GDAPS 강우가 GLDAS 강우 대비 관측된 강우와 밀접한 상관관계를 보였으며, 특히 2020년 8월 강우사상에서 이동평균 윈도우가 18 시간 이상일 경우 상관성이 0.9 이상으로 높게 나타났다. 상관관계가 낮았던 강우사상은 2022년 9월로, GDAPS가 GLDAS 강우보다도 상관성이 낮게 나타났다.

Table 2.

Selected rainfall events

Event Period (UTC) Accumulated rainfall (mm)
AWS&ASOS GDAPS GLDAS
Event2020 Aug 4 12:00~Aug 16 11:00, 2020 238 165 237
Event2021 Aug 23 00:00~Sep 4 23:00, 2021 233 84 186
Event2022 Sep 1 00:00~Sep 12 23:00, 2022 99 232 152

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F4.jpg
Fig. 4.

Rainfall and cumulative rainfall comparison timeseries graph by type of forcing data

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F5.jpg
Fig. 5.

Different window moving averaged time series of rainrate by forcing data

Table 3.

Correlation between AWS&ASOS and simulated rainrate data of GDAPS and GLDAS with different moving average windows

Event Window for moving average (hr) Correlation with AWS&ASOS
GDAPS GLDAS
Event2020 3 0.65 0.26
9 0.83 0.45
18 0.92 0.63
24 0.94 0.69
Event2021 3 0.24 0.12
9 0.44 0.24
18 0.68 0.42
24 0.76 0.48
Event2022 3 0 0.16
9 0.04 0.21
18 0.31 0.40
24 0.50 0.56

2.4 지형자료 및 토지자료

WRF-Hydro 지형입력자료 구축에는 토지 이용, 토양 유형, 지표면 고도 등의 정보가 필요하다.

Kim et al. (2024)은 WRF-Hydro와 매개변수 추정 도구인 PEST (Model-Independent Parameter Estimation and Uncertainty Analysis; Doherty, 2010)를 이용하여 공간해상도가 하천 유량 예측에 미치는 영향을 분석하였다. Kim et al. (2024)에서 모형 공간해상도를 100 m, 250 m, 500 m로 달리 하여 모의를 수행한 결과, 매개변수 보정을 하지 않는 경우에는 100 m 공간해상도, 매개변수 보정을 하는 경우에는 250 m 공간해상도의 하천 유량 예측 정확도가 높았다. 따라서 본 연구에서는 AWS&ASOS, GDAPS, GLDAS 기상자료를 WRF-Hydro 입력자료로 하여 중기 유량 예측 결과를 분석하기 위해 별도의 보정을 하지 않으므로 100 m 공간해상도로 모형 입력자료를 구축한다. DEM (Digital Elevation Model) 지표면 고도 자료는 NASA SRTM (Shuttle Radar Topography Mission) 30 m 자료를 100 m 공간해상도로 재구성(resampling)하여 구축하였다(Fig. 6). 100 m 공간해상도 금호강 유역 지형 자료는 약 45만개의 격자(가로 739 격자, 세로 619 격자)로 구성되며, 유역내 고도의 최소값은 10 m, 최대값은 1,173 m 이다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F6.jpg
Fig. 6.

DEM

토지 이용도는 환경부 중분류 토지피복도 자료를 기반으로 WPS (WRF Preprocessing System) 공간입력자료 형식인 이진(binary) 파일로 변환하여 구축하였다(Fig. 7). 금호강 유역의 토지 이용은 낙엽 활엽수림(Deciduous Broadleaf Forest)이 약 28.9%로 가장 많았고, 상록수 침엽수림(Evergreen Needleleaf)이 약 24.8%, 대구 및 근교 도시를 중심으로 도시 및 건설 토지(Urban and Built-Up Land)가 약 9.9%를 차지한다. 토양 정보는 농촌진흥원 1:25,000 축척 정밀토양도를 기반으로 WPS공간입력자료 형식인 이진(binary) 파일로 변환하고, 표층(10 cm)과 심층(40 cm)으로 구분하여 구축하였다(Fig. 8). 금호강 유역의 토양 분포는 표층은 실트질 양토(Silt Loam)가 46.3%, 심층은 점토질(Clay Loam)이 57.8%로 가장 많았다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F7.jpg
Fig. 7.

Land cover map

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F8.jpg
Fig. 8.

Soil type distribution

2.5 모의 성능 평가 지표

2.5.1 RMSE

평균 제곱근 오차 RMSE (Root-Mean-Square Error)는 모형의 예측 정확도를 평가하기 위해 사용되는 통계적 지표로, 모형 예측과 관측 간 잔차의 제곱합을 산술평균한 값의 제곱근으로 정의된다.

(3)
SE=1Ni=1N(XiX^i)2

여기서 N은 총 관측치의 수이며, Xi는 관측, X^i는 예측이다. RMSE가 낮을수록 모형 예측이 관측 과 가까워지고 모형 적합도가 높아짐을 의미한다.

2.5.2 KGE

Kling-Gupta Efficiency (KGE)는 시계열 예측의 정확도를 평가하기 위한 통계적 지표 중 하나이다. KGE는 모형의 예측과 관측 간의 유사성을 측정하며, 더 높은 KGE 값은 더 정확한 모형의 예측을 나타낸다.

(4)
KGE=1-(r-1)2+(a-1)2+(b-1)23

여기서 r은 관측과 모형 예측 간의 상관 계수이며, a는 관측의 변동성과 모형 예측의 변동성 간의 비율인데 여기서 변동성은 표준 편차로 측정된다. b는 관측의 평균과 모형 예측의 평균 간의 비율이다. KGE의 값은 일반적으로 -∞에서 1까지 범위에 있으며, 1에 가까울수록 모형 예측이 관측과 더 유사하다는 것을 나타낸다. KGE가 1이면 모형이 완벽하게 관측을 재현한 것이다. 일반적으로 KGE값이 0.6이상이면 모형 예측이 적합하다고 간주된다.

2.5.3 NSE

Nash-Sutcliffe Efficiency (NSE)는 하천 유량과 같은 수문학적 변수 예측의 성능 평가에 광범위하게 활용되는 무차원 지표이다.

(5)
NSE=1t=1N(OtMt)2t=1N(OtO¯)2

여기서 Ot는 시점 t에서 관측, Mt는 시점 t에서 예측, O¯는 관측의 평균, N은 총 관측의 수를 의미한다. NSE범위는 -∞에서 1로, 1은 관측과 모의가 완벽하게 일치함을, 1보다 작은 값은 모형에서 포착하지 못한 관측의 가변성 정도를, 음수값은 관측의 평균이 모의보다 더 나은 예측 변수임을 나타낸다.

3. 결과분석

AWS&ASOS, GDAPS, GLDAS 세 가지 종류의 기상자료를 적용한 WRF-Hydro 모의 유량을 분석하였다. WRF-Hydro 모의 계산 조건은 다음과 같다. Intel사의 Xeon Gold 6248R (24 cores, 3.0GHz) 중앙처리장치(Central Processing Unit, CPU)가 적용된 클러스터에서 총 48개의 CPU로 병렬 계산을 통해 수문 모의를 수행하였으며, 12일간의 모의에 대해 평균적으로 약 20분 정도의 연산시간이 소요되었다. 강창교, 안심교, 단포교 세 지점의 기상자료별 모의 유량을 시단위 관측유량과 비교한 그래프는 Fig. 9과 같다. AWS&ASOS, GDAPS, GLDAS는 각각 빨간색, 초록색, 파란색 실선으로, 관측 하천 유량(Observation)은 검은색 점으로 표시하였다. Fig. 9을 통해 AWS&ASOS를 기상입력자료로 적용한 모의 유량은 GDAPS와 GLDAS에 비해 하천관측 유량과 가장 유사한 것을 시각적으로 확인할 수 있다. 이를 평가지표로 분석하면, AWS&ASOS지상관측 기상자료 적용시 유역 말단 강창교(Kangchang) 지점 시간당 모의 유량의 KGE, NSE값은 각각 0.663~0.801, 0.780~0.899범위로 다른 두 기상입력자료 적용 모의보다 정확도가 상대적으로 높았다(Table 4). 반면, GDAPS의 경우, 강창교(Kangchang) 지점에서 2020년 8월 강우사상(Event2020)에 대해서는 KGE, NSE값이 각각 0.870, 0.801로 우수하였으나, 2021년 8월 강우사상(Event2021)과 2022년 9월 강우사상(Event2020)에 대해서는 KGE 값이 각각 -0.131, 0.005로 유량 예측의 정확도가 저하되었다. GLDAS의 경우, 강창교(Kangchang) 지점에서 2020년 8월 강우사상(Event2020)에 대해서는 KGE, NSE값이 각각 0.453, 0.633, 2021년 8월 강우사상(Event2021)과 2022년 9월 강우사상(Event2022)에 대해서는 KGE 값이 각각 0.025, -0.178로 GDAPS와 마찬가지로 유량 예측 정확도 저하가 관찰되었다. 지점관측자료인 AWS&ASOS기반 유량 해석의 정확도가 다른 두 기상예측정보 기반보다 높은 것은 예상가능한 점이지만, 누적 강우 기준 정확도가 GDAPS에 비해 상대적으로 높았던 GLDAS 유량 예측 결과의 정확도가 GDAPS보다 전반적으로 낮은 것은 GLDAS가 약 25 km의 저해상도 격자 기반 재분석자료인 것과 GDAPS에서 추정된 강수량이 적음에도 관측 강우와의 상관성이 GLDAS보다 높게 나타난 것이 유량 예측에 영향을 미친 것으로 추정된다. 관측 강우와의 상관성이 높다는 것은 강수발생 타이밍이 비슷하다는 것을 의미한다. 강수발생 타이밍은 Table 3의 지점관측자료와의 이동평균 상관계수 분석을 통해 알 수 있다. 강우이벤트에 따라 차이는 있지만, GDAPS가 GLDAS 보다 높게 나타났으며, 2020년 8월 강우사상에서는 이동평균 윈도우가 18시간 이상일 경우 GDAPS의 관측과의 상관성이 1에 가깝게 나타났다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F9.jpg
Fig. 9.

Streamflow predictions by multiple weather forcings at Kangchang, Ansim, and Danpo stations

Table 4.

The performance evaluation using RMSE, KGE, and NSE for streamflow

Event Gauging Station Forcing Data Metrics
RMSE KGE NSE
Event2020 Kangchang AWS & ASOS 183 0.663 0.881
GDAPS 237 0.870 0.801
GLDAS 321 0.453 0.633
Ansim AWS & ASOS 168 0.701 0.789
GDAPS 289 0.695 0.380
GLDAS 273 0.357 0.445
Danpo AWS & ASOS 51 0.509 0.669
GDAPS 89 -0.133 -0.010
GLDAS 82 0.250 0.133
Event2021 Kangchang AWS & ASOS 142 0.716 0.780
GDAPS 346 -0.131 -0.298
GLDAS 322 0.025 -0.124
Ansim AWS & ASOS 120 0.665 0.780
GDAPS 307 -0.229 -0.439
GLDAS 283 -0.072 -0.219
Danpo AWS & ASOS 62 0.481 0.126
GDAPS 89 -0.323 -0.808
GLDAS 89 -0.346 -0.806
Event2022 Kangchang AWS & ASOS 72 0.801 0.899
GDAPS 341 0.005 -1.229
GLDAS 435 -0.178 -2.619
Ansim AWS & ASOS 148 0.435 0.543
GDAPS 341 0.064 -1.428
GLDAS 389 -0.112 -2.167
Danpo AWS & ASOS 44 0.086 -0.808
GDAPS 125 -3.788 -13.122
GLDAS 95 -1.415 -7.290

한편, GDAPS는 2020년 8월 강우사상(Event2020)에 대해 하류 강창교(Fig. 9(a))지점은 관측과 모의 유량과 유사도가 높았으나, 유역 중류의 안심교 지점(Fig. 9(b))에서는 관측유량에 비해 과대 산정되었고, 상류 단포교 지점(Fig. 9(c))의 경우 관측유량에 비해 과소 산정된 양상이 나타났다. Figs. 9(b) and 9(c) 안심교와 단포교 지점에서의 하천유량 첨두 발생 시간 2020년 8월 8일 06~08시에 영향을 줄 수 있는 시기인 2020년 8월 8일 00~06시 대해 GDAPS의 강우 공간 분포를 분석하였다(Fig. 10). 분석한 결과, Fig. 10(b)에서 보는 바와 같이, 유역 상류에 위치한 단포교는 42 mm/hr의 강우 격자로부터 지배적인 영향을 받은 것으로 보이며 단포교 위치 부근 강우 격자의 값은 17 mm/hr로, 유역내 최대 강우 68 mm/hr에 비해 비교적 적은 강우강도로 확인되었다. 이와 달리 중류에 위치한 안심교와 하류에 위치한 강창교는 60 mm/hr이상인 강우 격자 두개에 대한 영향을 직접적으로 받는다. 이는 상류인 단포교의 유량은 과소 예측이, 중류와 하류인 안심교와 강창교의 유량은 과대 예측으로 이어진 것으로 추정된다. 따라서 각 격자의 강우강도 뿐만 아니라 관측지점 상하류의 위치에 해당하는 격자 또한 유량 예측에 있어 영향을 주는 것으로 판단된다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F10.jpg
Fig. 10.

The spatial distribution of GDAPS rainfall in the Geumho River basin

Fig. 9의 첨두 유량과 첨두 시간에 대해 지점과 기상자료별로 분류하여 그래프(Fig. 11)와 표(Table 5)로 나타내었다. Fig. 11(a)에서 글자 K는 강창교, A는 안심교, D는 단포교를 의미하며, 기상자료는 AWS&ASOS, GDAPS., GLDAS를 각각 빨간색, 초록색, 파란색으로 분류하여 도시하였다. 또한 관측과 모의 결과간의 첨두 유량 차이 10%, 20%, 30% 를 각각 회색 선, 점선, 파선으로 표시하였다. AWS&ASOS를 입력자료로 모의된 첨두 유량이 관측 첨두 유량과의 차이가 가장 적은 것을 확인할 수 있으며, GDAPS는 하천 관측의 약 3배정도의 차이를 보이는 안심교의 한 지점을 제외하고는 GLDAS에 비해 첨두 유량의 차이가 적거나 비슷한 양상을 보였다. 단포교가 금호강 상류에 위치해 있어 중류인 안심교와 하류인 강창교에 비해 하천 유량이 약 15%~21% 수준으로 적었으며, 첨두 유량의 오차는 AWS&ASOS, GLDAS, GDAPS 순으로 증가하였다. 반면, Fig. 11(b)의 관측과 모의 첨두 발생 시간 차이는 AWS&ASOS, GDAPS, GLDAS가 각각 평균 3.7시간, 8.4시간, 70.1시간으로 확인되었다. 즉, 첨두 유량 오차는 GDAPS가 GLDAS보다 크거나 비슷했지만 첨두 발생시간 측면에서는 GDAPS의 오차가 GLDAS보다 적었다. 즉, GDAPS를 입력자료로 한 중기 유량 예측에서 첨두 유량의 불확실성은 크지만, 첨두 발생시간에 대해서는 상대적으로 오차가 적은 것으로 분석된다.

https://static.apub.kr/journalsite/sites/kwra/2024-057-05/N020057503/images/kwra_57_05_03_F11.jpg
Fig. 11.

A comparison of peak flow and peak timing errors

Table 5.

Peak flow and peak time for each graph for Fig. 9

Event Gauging station ID Peak flow (m3/s) Peak time
Event2020 Kangchang Observation 2,320 August 8, 14:00
AWS&ASOS 2,470 August 8, 11:00(-3 hr)
GDAPS 2,915 August 8, 15:00(+1 hr)
GLDAS 1,667 August 8, 06:00(-8 hr)
Ansim Observation 1,699 August 8, 11:00
AWS&ASOS 1,661 August 8, 12:00(+1 hr)
GDAPS 5,120 August 8, 08:00(-3 hr)
GLDAS 1,019 August 8, 08:00(-3 hr)
Danpo Observation 361 August 8, 06:00
AWS&ASOS 481 August 8, 09:00(+3 hr)
GDAPS 61 August 8, 06:00(-)
GLDAS 192 August 6, 05:00(-49 hr)
Event2021 Kangchang Observation 1,547 August 24, 14:00
AWS&ASOS 2,036 August 24, 16:00(+2 hr)
GDAPS 917 August 24, 05:00(-9 hr)
GLDAS 856 August 31, 14:00(+168 hr)
Ansim Observation 1,693 August 24, 11:00
AWS&ASOS 1,926 August 24, 12:00(+1 hr)
GDAPS 1,031 August 24, 00:00(-11 hr)
GLDAS 815 August 31, 09:00(+166 hr)
Danpo Observation 376 August 24, 13:00
AWS&ASOS 580 August 24, 11:00(-2 hr)
GDAPS 129 August 24, 04:00(-9 hr)
GLDAS 219 August 31, 08:00(+163 hr)
Event2022 Kangchang Observation 1,317 September 6, 06:00
AWS&ASOS 1,125 September 6, 11:00(-7 hr)
GDAPS 2,427 September 6, 19:00(+13 hr)
GLDAS 2,872 September 5, 11:00(-31 hr)
Ansim Observation 1,540 September 6, 02:00
AWS&ASOS 931 September 6, 08:00(+6 hr)
GDAPS 2,434 September 6, 15:00(+13 hr)
GLDAS 2,605 September 5, 07:00(-19 hr)
Danpo Observation 324 September 6, 05:00
AWS&ASOS 299 September 6, 13:00(+8 hr)
GDAPS 953 September 6, 22:00(+17 hr)
GLDAS 744 September 5, 05:00 (-24 hr)

4. 결 론

본 연구에서는 분포형 수문모형인 WRF-Hydro와 중기 기상수치예보모형 GDAPS을 활용한 고해상도 중기 유량예측 기술의 적용성을 분석하였다. 이를 위해 금호강 유역에 대해 100 m해상도로WRF-Hydro모형을 구축하고 지상관측자료 AWS&ASOS, 수치예보모형 GDAPS, 재분석자료 GLDAS 등 기상자료들을 입력자료로 하여 유량 예측 모의 결과를 비교하고, 기상자료가 분포형 수문 모의에 미치는 영향을 평가하였다. 본 연구의 결론을 정리하면 다음과 같다.

중기 기상수치예보 모형인 GDAPS와 지상관측자료인 AWS&ASOS의 누적 강우 분석 결과, GDAPS는 AWS& ASOS 지상관측 누적 강우의 약 70%(2020년), 36%(2021년), 234%(2022년)에 해당하는 과소 또는 과대 예측되는 것으로 나타났다.

기상자료별 유량 분석 결과, AWS&ASOS에 대한 KGE, NSE는 대부분 0.6이상의 값을 보이며, GDAPS의 경우 2020년 강창교 지점에서 KGE값이 0.870으로 가장 높았으며, 2022년 단포교 지점에서 NSE값이 -13.122로 가장 낮았다. GDAPS와 GLDAS 모두 상류 지점으로 갈수록 모의 정확도가 저하되는 것이 확인되었으며, 향후 기상자료 특성을 고려한 매개변수 보정 등 후속 연구가 필요할 것으로 분석되었다.

관측과 모의 첨두 유량 발생시간 차이는 AWS&ASOS, GDAPS, GLDAS에서 각각 평균 3.7시간, 8.4시간, 70.1시간으로, 첨두 발생시간 측면에서는 GDAPS의 오차가 GLDAS보다 적었다. 세 가지 강우 사상 중 누적 강우가 가장 많았던 2020년 8월 강우사상(Event2020)에 대해서는 첨두시간이 평균 1.33시간 차이로 오차가 가장 적었으며, 2021년 8월 강우사상(Event2021), 2022년 9월 강우사상(Event2022)에서는 첨두시간은 평균 12시간의 차이를 보였다.

GDAPS 중기 기상수치예보 정보는 선행 시간이 길어질수록 정확도가 떨어진다는 점과 보간(interpolation)을 거치지 않고 분포형 수문모형에 적용 시 지역에 따라 유량 예측 결과의 편차가 크다는 한계점을 가진다. 하지만, 선행시간 10일 이상의 기상수치예보를 활용한 첨두 홍수 발생시간의 예측 정확도는 GDAPS가 GLDAS보다 우수하였으며, 향후 수자원 관리에 효과적으로 활용될 수 있을 것으로 판단된다. 또한, 후속 연구주제로, WRF-Hydro 해석결과를 중첩하는 Stacking 앙상블 기법(Lee and Ahn, 2021), WRF-hydro의 최적 매개변수를 추정하는 자동매개변수보정기법 PEST, DDS (Dynamic Dimensioned Search; Zhang et al., 2020), SLS (Stepwise Line Search; Kim et al., 2021) 등을 적용한다면, 고해상도WRF-Hydro모형을 활용한 중기 유량 예측 정확도의 추가적인 향상이 가능할 것으로 예상된다.

Acknowledgements

본 연구는 정부(과학기술정보통신부)의 재원으로 한국연구재단(No. 2022R1A4A5028840, RS-2023-00246532)과 정부(환경부)의 재원으로 한국환경산업기술원(No. RS-2023-00218973)의 지원을 받아 수행되었습니다. 원고의 수준이 향상되도록 고견을 주신 익명의 심사위원과 편집위원께 감사드립니다.

Conflicts of Interest

The authors declare no conflict of interest.

References

1

Baik, J., and Choi, M. (2015). "Evaluation of remotely sensed actual evapotranspiration products from COMS and MODIS at two different flux tower sites in Korea." International Journal of Remote Sensing, Vol. 36, No. 1, pp. 375-402.

10.1080/01431161.2014.998349
2

Cerbelaud, A., Lefèvre, J., Genthon, P., and Menkes, C. (2022). "Assessment of the WRF-Hydro uncoupled hydro-meteorological model on flashy watersheds of the Grande Terre tropical island of New Caledonia (South-West Pacific)." Journal of Hydrology: Regional Studies, Vol. 40, 101003.

10.1016/j.ejrh.2022.101003
3

Cha, W., Lee, O., Kim, S., and Park, Y. (2017). "Analysis of indicators of hydrological alteration on the Geumho River Basin under AR5 RCP scenarios." Journal of the Korean Society of Hazard Mitigation, Vol. 17, No. 4, pp. 317-326.

10.9798/KOSHAM.2017.17.4.317
4

Cho, K., and Kim, Y. (2022). "Improving streamflow prediction in the WRF-Hydro model with LSTM networks." Journal of Hydrology, Vol. 605, 127297.

10.1016/j.jhydrol.2021.127297
5

Doherty, J. (2010). PEST, Model-independent parameter estimation - User manual, (5th ed., with slight additions), Watermark Numerical Computing, Brisbane, Australia.

6

Gochis, D.J., Barlage, M., Cabell, R., Casali, M., Dugger, A., FitzGerald, K., McAllister, M., McCreight, J., RafieeiNasab, A., Read, L., Sampson, K., Yates, D., and Zhang, Y. (2020). The WRF-Hydro® modeling system technical description, (Version 5.1.1), NCAR Technical Note, National Center for Atmospheric Research, Boulder, CO, U.S.

7

Kerandi, N., Arnault, J., Laux, P., Wagner, S., Kitheka, J., and Kunstmann, H. (2018). "Joint atmospheric-terrestrial water balances for East Africa: A WRF-Hydro case study for the upper Tana River basin." Theoretical and Applied Climatology, Vol. 131, No. 3, pp. 1337-1355.

10.1007/s00704-017-2050-8
8

Kim, B., Lee, G., Lee, Y., Kim, S., and Noh, S.J. (2024). "Assessment of the impact of spatial variability on streamflow predictions using high-resolution modeling and parameter estimation: Case study of Geumho River Catchment, South Korea." Water, Vol. 16, No. 4, 591.

10.3390/w16040591
9

Kim, J.H., and Bae, D.H. (2006). "Probabilistic Medium-and Long-Term Reservoir Inflow Forecasts (II) Use of GDAPS for Ensemble Reservoir Inflow Forecasts." Journal of Korea Water Resources Association, Vol. 39, No. 3, pp. 275-288.

10.3741/JKWRA.2006.39.3.275
10

Kim, S. (2024). High-resolution streamflow prediction using distributed hydrological model WRF-Hydro and mid-range numerical forecast GDAPS. Master Thesis, Kumoh National Institute of Technology.

11

Kim, S., Shen, H., Noh, S. J., Seo, D.-J., Welles, E., Pelgrim, E., Weerts, A., Lyons, E., and Philips, B. (2021). "High-resolution modeling and prediction of urban floods using WRF-Hydro and data assimilation." Journal of Hydrology, Vol. 598, 126236.

10.1016/j.jhydrol.2021.126236
12

Lahmers, T.M., Gupta, H., Castro, C.L., Gochis, D.J., Yates, D., Dugger, A., Goodrich, D., and Hazenberg, P. (2019). "Enhancing the structure of the WRF-Hydro hydrologic model for semiarid environments." Journal of Hydrometeorology, American Meteorological Society, Vol. 20, No. 4, pp. 691-714.

10.1175/JHM-D-18-0064.1
13

Lee, D.G., and Ahn, K.H. (2021). "A stacking ensemble model for hydrological post-processing to improve streamflow forecasts at medium-range timescales over South Korea." Journal of Hydrology, Vol. 600, 126681.

10.1016/j.jhydrol.2021.126681
14

Lee, J., Kim, Y., and Wang, D. (2022). "Assessing the characteristics of recent drought events in South Korea using WRF-Hydro." Journal of Hydrology, Vol. 607, 127459.

10.1016/j.jhydrol.2022.127459
15

Lee, J.K., Kim, Y.O., and Jeong, D.I. (2006). "Use of climate information for improving extended streamflow prediction in Korea." Journal of Korea Water Resources Association, Vol. 39, No. 9, pp. 755-766.

10.3741/JKWRA.2006.39.9.755
16

Naabil, E., Kouadio, K., Lamptey, B., Annor, T., and Achugbu, I.C. (2023). "Tono basin climate modeling, the potential advantage of fully coupled WRF/WRF-Hydro modeling System." Modeling Earth Systems and Environment, Vol. 9, No. 2, pp. 1669-1679.

10.1007/s40808-022-01574-5
17

Niu, G.Y., Yang, Z.L., Mitchell, K.E., Chen, F., Ek, M.B., Barlage, M., Kumar, A., Manning, K., Niyogi, D., Rosero, E., Tewari, M., and Xia, Y. (2011). "The community Noah land surface model with multiparameterization options (Noah‐MP): 1. model description and evaluation with local‐scale measurements." Journal of Geophysical Research: Atmospheres, Vol. 116, No. 12, D12109.

10.1029/2010JD015139
18

Rodell, M., Houser, P.R., Jambor, U., Gottschalck, J., Mitchell, K., Meng, C., Arsenault, K., Cosgrove, B., Radakovich, J., Bosilovich, M., Entin, J.K., Walker, J.P., Lohmann, D., and Toll, D. (2004). "The global land data assimilation system." Bulletin of the American Meteorological Society, Vol. 85, No. 3, pp. 381-394.

10.1175/BAMS-85-3-381
19

Rummler, T., Arnault, J., Gochis, D., Kunstmann, H. (2019). "Role of lateral terrestrial water flow on the regional water cycle in a complex terrain region: Investigation with a fully coupled model system." Journal of Geophysical Research: Atmospheres, Vol. 124, No. 2, pp. 507-529.

10.1029/2018JD029004
20

Senatore, A., Mendicino, G., Gochis, D.J., Yu, W., Yates, D.N., and Kunstmann, H. (2015). "Fully coupled atmosphere-hydrology simulations for the central Mediterranean: Impact of enhanced hydrological parameterization for short and long time scales." Journal of Advances in Modeling Earth Systems, Vol. 7, No. 4, pp. 1693-1715.

10.1002/2015MS000510
21

Wang, W., Liu, J., Li, C., Liu, Y., Yu, F. and Yu, E. (2020). "An evaluation study of the fully coupled WRF/WRF-Hydro Modeling System for simulation of storm events with different rainfall evenness in space and time." Water, Vol. 12, No. 4, 1209.

10.3390/w12041209
22

Zhang, J., Lin, P., Gao, S. and Fang, Z. (2020). "Understanding the re-infiltration process to simulating streamflow in North Central Texas using the WRF-hydro modeling system." Journal of Hydrology, Vol. 587, 124902.

10.1016/j.jhydrol.2020.124902
페이지 상단으로 이동하기