Stochastic simulation of future snow depth time series under climate change

Hyojeong Choi; Soohyun Kim; Dongkyun Kim; Jeongha Park

doi:10.3741/JKWRA.2025.58.S-1.1153

Preview

Research Article

Journal of Korea Water Resources Association. 30 November 2025. 1153-1163
https://doi.org/10.3741/JKWRA.2025.58.S-1.1153

Stochastic simulation of future snow depth time series under climate change

기후변화에 따른 미래 적설심 시계열의 확률적 모의

Hyojeong Choi^a

Soohyun Kim^b^c

Dongkyun Kim^d

Jeongha Park^e^*

최 효정^a

김 수현^b^c

김 동균^d

박 정하^e^*

^aResearch Associate (Post-master’s), Department of Civil Engineering, Hongik University, Seoul, Korea

^bPostdoctoral Researcher, Department of Civil Engineering, Hongik University, Seoul, Korea

^cPostdoctoral Researcher, Department of Civil and Environmental Engineering and Water Resources Research Center, University of Hawaii at Manoa, Honolulu, HI, USA

^dProfessor, Department of Civil and Environmental Engineering, Hongik University, Seoul, Korea

^eResearch Professor, Department of Civil Engineering, Hongik University, Seoul, Korea

^a홍익대학교 토목공학과 석사후연구원

^b홍익대학교 토목공학과 박사후연구원

^c하와이 대학교 마노아 캠퍼스 토목환경공학과 및 수자원연구센터 박사후연구원

^d홍익대학교 건설환경공학과 교수

^e홍익대학교 토목공학과 연구교수

^{*Corresponding Author}

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

This study quantifies future changes in snow depth under climate change by coupling a Change-Factor-based stochastic weather generator with a snow-depth estimation model to synthesize continuous hourly snow-depth time series and evaluate their characteristics. The analysis covers four synoptic stations in the Yeongdong region of Gangwon (Sokcho, Daegwallyeong, Gangneung, and Donghae). For the current climate and three future periods (2021-2040, 2041-2070, 2071-2100) under SSP1-2.6 and SSP5-8.5, 200-year hourly synthetic series were generated for each station-period-scenario combination. Results show that mean snow depth and the number of snow days decrease overall, while the frequency of no-snow years increases. Changes are largest in late-century SSP5-8.5, with stronger sensitivity at low-elevation/coastal stations. Extreme-value analysis indicates that the 100-year return level of snow depth decreases by 44-58% across the four stations in 2071-2100(SSP5-8.5). Converting these return levels with a depth-unit-weight table yields design snow loads that decline by 65-72%. At Gangneung (station 105), however, a near-term increase in extremes is observed; combined with stepwise unit-weight classes, this produces a nonlinear response in design load. Limitations include a tendency to underestimate wet-day frequency, empirical statistical scaling, spatial substitution of solar radiation, and reliance on a single GCM chain. Nevertheless, the framework enables a consistent assessment of mean conditions, extremes, and persistence indicators from a single product, providing a basis for rational adjustment of design standards and for operational planning in snow removal, disaster management, and water-resources operations.

Keywords

Snow depth estimation algorithm

Stochastic weather generator

Climate change

Snow statistics

Design snow load

본 연구는 기후변화 하에서의 미래 적설 특성을 정량화하기 위해, 변화계수(Change Factor) 기반의 추계 기상생성기와 적설 추정 모형을 결합하여 연속 적설심 시계열을 합성하고 그 특성을 평가하였다. 대상은 강원 영동의 4개 종관기상관측소(속초·대관령·강릉·동해)이며, 현재와 SSP1-2.6, SSP5-8.5의 세 미래 기간(2021-2040, 2041-2070, 2071-2100)에 대해 각 조합별 시단위 200년의 합성 시계열을 생성하였다. 결과에 따르면 평균 적설심과 신적설일수는 전반적으로 감소하고, 무적설 연도의 출현 빈도는 증가하였다. 특히 고배출 시나리오의 후기(2071-2100)에서 변화가 가장 크게 나타났으며, 저고도·해안 지점의 민감도가 컸다. 극값 해석에서 100년 재현수준 적설심 은 2071-2100(SSP5-8.5) 기준으로 4개 지점에서 44-58% 감소하였고, 이를 단위하중-깊이 대응표로 환산한 설계 적설하중은 65-72% 감소하였다. 다만 강릉(105)에서는 근미래에 적설의 극한이 일시적 증가가 관찰되었으며, 깊이에 따른 단계형 단위하중의 영향으로 하중 변화는 비선형적으로 나타났다. 방법적 한계로는 강수 발생빈도의 과소추정 경향과 경험식 기반의 통계 환산, 일사 자료의 공간 대체, 단일 GCM 체계 사용 등이 존재한다. 그럼에도 본 연구는 하나의 산출물에서 평균·극값·지속성 지표를 일관된 틀로 평가할 수 있음을 보였으며, 향후 제설·방재 및 수자원 운영을 위한 합리적 설계 기준 조정과 운영전략 수립에 기초 자료로 활용될 수 있다.

키워드

적설심 추정 모형

추계 기상생성 모형

기후변화

적설 특성 통계

설계 적설 하중

MAIN

1. 서 론
2. 연구 대상지 및 기상 자료
3. 방법론
3.1 추계 기상생성 모형
3.2 적설 추정 모형
4. 결 과
4.1 합성 기상 시계열의 미래 통계 재현성
4.2 미래 적설심 특성 변화
5. 결 론

1. 서 론

적설은 중요한 기반시설에 구조적(Geis et al., 2012)·기능적(WMO, 2021) 장애를 유발하며, 그 파급효과는 국가 및 글로벌 경제 전반으로 확산된다. 예컨대 2021년 텍사스의 기록적 한파는 전 세계 반도체 공급난을 심화시켜 제조업 둔화를 가중했고(BBC News, 2021), 2008년 중국 대설은 약 220만 채의 주택에 전부·부분 붕괴를 일으켜 129명의 사망자와 약 170만 명의 이재민을 발생시켰다(Zhou et al., 2011). 두 사건의 직·간접 피해액은 각각 약 3천억 달러(ASCE, 2022)와 약 200억 달러(Zhou et al., 2011)로 산정되었다. 또한, 적설과 융설은 수자원의 변동성을 크게 증폭시키고(Barnett et al., 2005), 다양한 유형의 홍수를 유발함으로써(Yan et al., 2018, 2020; Li et al., 2019; Cho and Jacobs, 2020) 수백만 명의 일상에 직접적인 영향을 미친다. 일부 연구는 극한 적설 현상이 지구 온난화와 연결되어 있을 가능성을 제기하며(Liu et al., 2012; Cohen et al., 2014), 이에 따라 향후 피해 규모가 더욱 확대될 수 있음을 경고한다.

이러한 위험에 대비하기 위해서는 적설의 시간에 따른 변화를 정확히 파악하고 미래를 예측할 수 있는 역량이 선행되어야 한다. 이를 위해서는 강설과 관련된 기상요소의 관측과 해석이 필수적이다. 대표적인 지표로는 적설심(snow depth), 적설수당량(Snow Water Equivalent, SWE), 적설하중(snow load)이며, 이 가운데 SWE와 적설하중은 관측 비용과 시간이 커서(Ntokas et al., 2021) 상대적으로 관측 자료가 부족하다. 이에 따라 현장에서는 상대적으로 관측이 용이한 적설심과 추정된 눈 밀도를 활용하여 SWE와 적설하중을 산정하는 방법이 널리 사용되었다(Jonas et al., 2009; Sturm et al., 2010). 그러나 적설심 또한 강수·기온·풍속과 같은 다른 기상자료에 비해 관측 주기가 길거나 결측이 빈번하여, 관측 자료만으로는 장기적인 분석과 예측에 한계가 존재한다. 이러한 제약을 보완하기 위해 다양한 적설심 모의 기법이 제안되어 왔으며, 일반적으로 기존 적설심, 신적설심, 그리고 융설에 따라 감소된 적설심을 결합해 시계열을 재구성한다.

모형을 활용한 접근은 크게 두 갈래로 분류된다. 물리 기반 모형은 열 확산, 상변화, 적설층 변성(metamorphism)등 복잡한 물리과정을 방정식으로 모사하여 적설심을 계산한다(Le Roux et al., 2020). 과학적 정합성이 높으나, 다수의 가정을 필요로 하고 (Perona et al., 2007; Tuzet et al., 2017), 다양한 기상 입력(강수, 장·단파복사, 기온, 풍속, 습도 등)을 요구한다는 한계가 있다. 반면 통계·확률적 접근은 적설심과 기상요소 간 경험적 관계를 활용하여(Lee et al., 2019) 비교적 적은 자료와 낮은 계산 비용으로 모의가 가능하다. 예를 들어, Markov Chain 전이확률을 이용한 대설 경보 모형(Lee et al., 2020), wavelet 변환과 ARIMA와 neuro-fuzzy 모형을 결합한 예측(Adib et al., 2021), 신경망 기반 일최심신적설 예측(Lee et al., 2019) 등이 보고되어 있다. 그러나 기존 연구는 대체로 단기 예측(Woody et al., 2020)이나 신적설심 모의(Kim et al., 2014; Park et al., 2014)에 국한되어 있으며, 신적설뿐 아니라 기존 적설과 감소 과정을 동시에 고려하는 연속 시계열 모의 연구는 드문 실정이다.

이러한 공백을 보완하기 위해 Park and Kim (2023)은 기온, 강수량, 상대습도만을 활용하여 적설 발생·축적·감소 과정을 모의하는 확률적 모형을 제안하였다. 이 모형은 (1) 강수상(비·눈 등) 판별 기준, (2) 기온을 입력으로 한 Snow Ratio (수 상당량비) 추정 함수, (3) 융설량 추정식 중 온도지수법(degree-day method; Hock, 2003)을 응용하여 적설심 감소량을 산정하는 방법까지, 세 가지 핵심 단계로 구성된다. 단순한 입력자료임에도 불구하고 모형 검증 시 Nash-Sutcliffe 효율계수(NSE)가 0.42~0.77을 보여 양호한 재현성을 나타냈다. 해당 연구에서는 이 적설 추정 모형에 확률적 기상생성기 결과를 입력하여 장기 합성 적설심 시계열을 생성하고, 건축구조 기준의 설계 적설하중과의 차이를 평가하였다. 위 연구 외에도 연속 적설심을 확률적으로 직접 생성하는 대안적 접근(CoSMoS-SD; Abdelmoaty et al., 2024)도 제안되어, 관측 분포·무적설일 확률·자기상관 구조를 보존하는 일 단위 합성 시계열의 타당성이 확인되었다. 한편, 이 결과들은 현재 기상 특성만을 고려한 것이며, 기후변화에 따른 미래 적설 특성 변화는 아직 다루지 않았다.

최근 기후변화는 단순한 적설량 감소를 넘어 짧은 기간의 강설 집중과 연간 변동성 확대라는 양상으로 나타난다. 전 지구적 연구에서는 위성·재분석 자료와 CMIP6 모형 시뮬레이션을 결합하여 눈가뭄(snow drought) 빈도가 과거 대비 3-4배 증가하고, 그중 65% 이상이 기온 상승에 기인한 따뜻한 눈가뭄(warm snow drought)으로 전환될 것으로 제시하였다(Wang et al., 2025). 또한 고위도와 고산 지역에서는 눈이 비로 전환되는 경향이 강화되며, 기온이 1°C 상승할 때 극한 강우가 평균 약 15% 증가하는 것으로 보고되었다(Ombadi et al., 2023). 이러한 결과는 평균 적설의 감소뿐 아니라 극한과 지속성의 변화, 눈가뭄의 빈도 증가, 강수상의 전환 등 복합적 변화가 진행되고 있음을 시사한다. 따라서 미래 기후 시나리오를 고려한 적설심 추정은 댐 운영, 농업용수 계획, 제설 및 방재 체계 등 수자원 관리와 재해 대응 전략 수립의 필수적 전제 조건이다.

국내에서도 기후변화와 결합한 적설 추정 연구가 다양한 방법으로 수행되어 왔다. Kim and Ryu (2013)는 16개 전지구기후모형 결과를 편의 보정해 수문모형(HSPF)과 연계함으로써 평창 지역의 동계올림픽 시기 적설량을 전망하는 체계를 제시했고, 기후전망부터 편의 보정, 시간 분해, 수문 모델링, 적설 평가로 이어지는 절차를 통해 이벤트 단위의 수요 진단에 초점을 맞췄다. Park et al. (2014)은 전국 74개 관측소의 기온과 강수 자료로 인공신경망을 학습하고, 편의 보정된 RCP 4.5와 8.5 자료를 적용해 신적설일수와 일 최대 신적설심의 빈도를 산정했으며, 관측소 자료를 통합해 학습할 때 예측 성능이 향상된다고 보고했다. Kim et al. (2014)은 대표 지점 자료로 신경망 모형을 구축해 기간별·빈도별 확률적설량을 산정했고, 자료 수와 극값 포함 여부에 따라 성능 민감도가 높다는 실무적 함의를 제시했다. Park et al. (2016)은 강수와 기온의 상호작용 항을 포함한 다중회귀모형으로 10년, 30년, 50년, 100년 빈도의 최심신적설을 추정하여 상호작용 고려 시 예측력이 개선되지만 전국적 변화 폭은 크지 않다고 평가했다. Lee and Kang (2019)은 확률통계 모형과 공간 정보를 결합해 교통시설과 건축물의 폭설 리스크를 산정하고, 장래에 고위험 지역이 남부와 내륙으로 확장될 수 있음을 제시했다. Ahn et al. (2015)은 지역기후모형 기반의 편의 보정 자료로 전국의 연평균 및 연최대 적설량 변화를 산정하고, 시설별 설계 기준과 결합해 행정구역 단위의 취약 지역을 도출했으며, 일부 기간과 지역에서 연평균 적설은 감소하나 연최대 적설은 기준 기간을 초과하는 폭설이 발생해 취약 지역이 확대될 수 있음을 밝혔다. 이들 연구는 방법과 목적이 서로 달라 중요한 축적을 이루었으나, 공통적으로 특정 지표에 국한된 결과가 많았고 적설과 융설을 연속적으로 연결한 일 단위 적설심 시계열 자체를 생성해 다양한 분석을 한 번에 수행하기에는 제약이 있었다. 또한 기후 자료를 주로 편의 보정 후 통계 모형이나 리스크 모형에 주입하는 구조여서, 시간 상관과 변수 간 상관을 일관되게 보존한 합성 기상과 적설의 연계 시뮬레이션과는 거리가 있었다.

이에 본 연구는 기후변화 하의 미래 적설심을 확률적으로 모의하고, 하나의 산출물에서 평균 변화, 극값 특성, 지속성 지표를 동시에 평가하는 것을 목표로 한다. 이를 위해 Park and Kim (2023)에서 구축된 적설 추정 모형을 이용하고, 기후모형에서 도출한 변화계수(Change Factor)로 관측 통계를 조정하여 미래 목표 통계를 설정한다. 그 목표 통계에 맞추어 추계 기상생성 모형을 보정해 시 단위 장기 합성 기상 시계열을 생성하고, 이를 적설 추정 모형의 입력으로 사용해 연속 적설심 시계열을 산출한다. 이러한 접근은 단일 지표에 머물렀던 기존 연구의 제약을 보완하고, 방재와 수자원 운영에 직접 활용 가능한 통합 평가 틀을 제공한다.

논문의 구성은 다음과 같다. 2장에서는 연구 대상지와 기상자료를 설명하고, 3장에서는 모형 적용 및 기후변화 시나리오 반영 절차를 기술한다. 4장에서는 모의 결과와 미래 적설심 전망을 제시하며, 5장에서 결론을 제시한다.

2. 연구 대상지 및 기상 자료

본 연구는 Park and Kim (2023)에서 구축·검증한 적설 추정 모형을 기후변화 분석에 적용하기 위해, 해당 논문과 동일하게 강원 영동의 속초(90), 대관령(100), 강릉(105), 동해(106) 네 개의 종관기상관측소를 대상으로 한다(Fig. 1). 이 지역은 한랭하고 건조한 대륙 공기가 동해를 지나며 상대적으로 따뜻한 해수로부터 열과 수분을 공급받아 하층이 불안정해지고, 북동기류가 복잡한 산악 지형과 만나면서 강설이 자주 발생하는 기상 환경을 갖는다. Table 1에 요약된 바와 같이 네 지점은 공통적으로 일최심적설 100 cm를 초과한 기록을 보유한다. 한편 대관령은 해발 약 770 m의 산악 지대로 쾨펜 Dfb (온난여름형 습윤 한대)에 속하며, 속초·강릉·동해는 저고도 해안권의 Dfa (고온여름형 습윤 한대)이다. Dfb는 여름이 비교적 선선해 적설 시즌이 길고 눈의 지속성이 큰 반면, Dfa는 여름의 열적 조건이 높고 겨울철 비와 눈의 전환이 빠른 경향이 있어 동일 권역 내에서도 적설 특성의 대비가 나타날 수 있다. 추계 기상생성 모형의 보정을 위해서 기온, 강수, 상대습도, 일사량의 기상 관측요소가 사용되었으며, 일사 관측이 없는 속초와 동해는 강릉 관측소의 일사 자료를 동일 시간대 기준으로 대체하여 적용하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-11S-1/N020058S-102/images/kwra_58_S-1_02_F1.jpg

Fig. 1.

Map of the four ASOS stations used in this study

Table 1.

Information for the four ASOS stations used in this study

Station number	Station name	Observation start	Observation end	Maximum daily snow depth (cm)	Altitude (m)	Köppen Climate Classification (Beck et al., 2018)
90	Sokcho	Jan 1968	Present	123.8	17.53	Dfa
100	Daegwallyeong	Jul 1971	Present	188.8	772.43	Dfb
105	Gangneung	Oct 1911	Dec 2007 (Restart at 2020)	138.1	27.12	Dfa
106	Donghae	May 1992	Present	102.9	40.46	Dfa

본 연구의 기후 모형 자료는 기상청에서 제공하는 남한상세 기후변화 앙상블 시나리오를 사용하였다. 이 데이터세트는 CMIP6(Coupled Model Intercomparison Project Phase 6) 체계의 UKESM1 지구시스템 모형을 기반으로 하며(Sellar et al., 2019), 약 135 km 해상도의 전지구 결과를 CORDEX East Asia II에 참여한 다섯 지역기후모형(HadGEM3-RA, RegCM4, SNURCM, GRIMs, WRF)의 앙상블 평균으로 25 km로 동적 상세화한 뒤(Kim et al., 2022), 지상관측과 PRIDE 모형을 이용한 통계적 상세화로 1 km 격자까지 상세화한 자료이다(Kim et al., 2016). 시나리오는 SSP (Shared Socioeconomic Pathways) 기준으로 구분되는데, SSP는 IPCC 6차 평가에서 사용되는 체계로서 미래 사회경제 경로와 2100년 복사강제력 수준(기존 RCP 개념)을 함께 고려해 완화와 적응의 난이도에 따라 다섯 가지 시나리오로 구분한다. 본 연구에서는 그 중 SSP1-2.6(지속가능 발전과 강한 온실가스 감축을 전제로 한 저강제력)과 SSP5-8.5(화석연료 집약적 성장 경로의 고강제력) 두 시나리오를 채택하였다. 본 연구에서는 2000년부터 2100년까지의 자료를 사용하였으며, 각 관측소를 포함하는 격자 셀의 자료를 활용하였다. 변화계수 산정 단계에서 강수와 기온 변수가 사용되었고, 세부 절차는 3.1절에서 다루었다.

3. 방법론

이 장에서는 Fig. 2의 절차를 따라 연구 흐름을 간략히 개괄한 뒤, 기상 시계열 합성(3.1절)과 적설 추정 모형(3.2절) 순으로 기술하였다. 먼저 기상청 남한상세 기후변화 시나리오 격자자료에서 월별 Change Factor (CF; 변화 계수)를 산정하여 관측 기반 통계를 미래 목표 통계로 변환하였다. 다음으로 stochastic weather generator인 AWE-GEN (Advanced WEather GENerator; Fatichi et al., 2011)의 매개변수를 이 목표 통계에 맞게 보정하고, 시단위 합성 기상 시계열(강수, 기온, 상대습도 등)을 200년 길이로 생성하였다. 마지막으로 생성된 기상 시계열을 Park and Kim (2023)의 적설 추정 모형에 입력해 연속 적설심 시계열을 산출하였다. 4장에서는 이 산출물을 이용해 기본 통계, 극값 특성, 지속성을 계산하고, 미래 기간에 이 적설 특성치 변화 추세를 분석하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-11S-1/N020058S-102/images/kwra_58_S-1_02_F2.jpg

Fig. 2.

Flowchart of the simulation framework for synthetic future snow depth time series

3.1 추계 기상생성 모형

추계 기상생성기(stochastic weather generator, SWG)는 관측의 평균, 분산, 계절성뿐 아니라 시간적 지속성과 변수 간 상관을 보존하도록 설계된 모형이다. 월별 통계와 간결한 조건부·시계열 구조를 이용해 관측과 통계적으로 일관된 장기 합성 기상 시계열을 생성하며, 장기 자료가 필요할 때 유용하다. 본 연구에서는 비강수 변수 모의에 AWE-GEN (Fatichi et al., 2011)을 사용하였다. AWE-GEN은 물리 과정과 확률 모형을 결합한 구조로, 기온, 상대습도, 단파복사, 풍속, 기압 등에서 표준 통계뿐 아니라 극값과 연간 변동성도 잘 재현하는 것으로 검증되었다. 강수는 AWE-GEN의 내장 모듈 대신 Shufflex-2 모형(Kim and Onof, 2020)을 채택하였다. 이를 선택한 이유는 (1) 극값과 단시간 집중호우 재현 성능이 좋고, (2) 강우 셀 지속시간-강도의 역관계를 반영해 짧고 강한 이벤트를 모사할 수 있으며, (3) 월강우 변동의 자기상관을 모형화해 여러 시간척도에서 현실적인 강수 시계열을 제공하기 때문이다.

모의 절차는 다음과 같다. 먼저 Shufflex-2로 시단위 강수 시계열을 생성하고, 이를 조건 변수로 하여 AWE-GEN을 통해 기온과 상대습도를 모의한다. 이렇게 하면 강수의 관측 통계 특성을 유지하면서, 강수에서 비강수 변수로 이어지는 단방향 의존구조도 보존된다. 각 지점에 대해 시단위 200년 길이의 합성 기상 시계열을 생성하였고, 이 가운데 강수·기온·상대습도를 적설 추정 모형의 입력으로 사용하였다.

그 다음으로 미래 조건을 SWG에 반영하기 위해 기후모형 정보를 접목하였다. 본 연구는 기후모형에서 직접 산출된 시계열을 그대로 사용하지 않고, 관측 통계를 최소한으로 변형해 미래 조건을 반영하는 CF 접근을 채택하였다. 이는 기후모형 산출물이 절대값에서 체계적 편향(bias)을 갖기 쉬워 지역 규모 적설 추정에 왜곡을 유발할 수 있기 때문이다. CF는 제어기간과 미래기간의 통계량을 비교해 정의되며, 기온은 가산형( $△ T$ ), 강수는 비례형( $r_{P}$ )으로 산정한다. 본 연구에서는 관측소별, 월별, 시나리오별(SSP1-2.6, SSP5-8.5), 미래 기간별(2021-2040, 2041-2070, 2071-2100)로 CF를 계산하였다. 기상청 기후 모형 자료에서 제어기간은 2000-2019년이며, 각 관측소를 포함하는 1 km 격자의 월별 통계로부터 Eqs. (1) and (2)와 같이 CF를 산정하였다:

(1)

∆ T = μ^{F U T} - μ^{C T L}

(2)

r_{P} = \frac{μ^{F U T}}{μ^{C T L}}

여기서, $△ T$ 와 $r_{P}$ 는 가산형 및 비례형 CF, $μ^{F U T}$ 와 $μ^{C T L}$ 는 미래 기간 및 제어 기간의 강수 평균.

이 방법은 기후모형의 격자 평균에 내재된 편향을 직접 전이하지 않고, 변화 신호만 관측 통계에 반영함으로써 편향 전이를 줄이는 장점이 있다. 산정된 CF 중 2월에 대한 CF를 Table 2에 나타냈다. 이 다음으로 이 CF를 이용하여 미래 목표 통계를 산정하고, 그 통계를 재현하도록 SWG를 새로 보정하여 시단위 미래 합성 기상 시계열을 생성하는 절차를 설명한다.

Table 2.

February Change Factors by station, scenario, and future period (ΔT [°C], rₚ [–]; control period: 2000–2019)

Station	$△ T$						$r_{P}$
	SSP1			SSP5			SSP1			SSP5
	2021-2040	2041-2070	2071-2100	2021-2040	2041-2070	2071-2100	2021-2040	2041-2070	2071-2100	2021-2040	2041-2070	2071-2100
90	1.18	1.54	2.45	2.31	3.43	5.76	0.64	0.67	0.60	0.70	0.59	1.30
100	1.43	1.77	2.72	2.59	3.71	6.22	0.63	0.82	0.71	0.81	0.78	1.56
105	1.28	1.65	2.60	2.45	3.58	6.03	0.71	0.83	0.74	0.88	0.81	1.64
106	1.15	1.53	2.42	2.28	3.40	5.78	0.69	0.84	0.72	0.86	0.88	1.59

다만 미래 강수 통계를 추정하는 데에는 다음과 같은 제약이 있다. 본 연구에서 산정한 CF는 기후모형의 일 단위 격자 통계에 기반하므로, CF만으로는 시단위 보정에 필요한 강수 통계(평균, 분산, 우기비율, 자기상관)를 직접 얻을 수 없다. 특히 강수 모듈(Shufflex-2)은 시단위 통계를 요구하므로, 일 단위를 시단위로 변환하는 추가 절차가 필요하다. 이에 따라 본 연구는 시간척도에 무관한 평균의 성질을 이용해 강수는 평균만 CF로 조정하고, 나머지 통계는 관측 기반 경험식으로 환산하는 단순·보수적 절차를 채택하였다. 이 접근은 Vorobevskii et al. (2023)과 동일하며, 평균에만 CF를 적용하고 분산과 우기비율은 평균과의 경험적 관계로 유도하며, 자기상관은 변하지 않는 것으로 가정한다. 요약 절차는 다음과 같다. 1) 월별 $r_{P}$ 를 관측 시단위 강수 평균에 곱해 미래 강수 평균을 산정한다. 2) 관측 자료에서 구축한 월별 평균-표준편차, 평균-우기비율 선형 관계를 적용하여 해당 월의 시단위 분산과 우기비율을 산출한다. 3) 자기상관은 관측값을 유지한다. 이렇게 도출한 미래 목표 통계로 Shufflex-2를 재보정하였다.

기온은 월별 $△ T$ 를 관측 월평균에 더하는 방식으로 계절 주기를 평행 이동시키고, AWE-GEN의 매개변수를 갱신하여 일변동과 시계열 상관을 보존한다. 이후 재보정된 Shufflex-2로 생성한 강수 시계열을 조건 변수로 AWE-GEN을 구동해 비강수 변수를 합성한다. 정리하면, 관측소·월·시나리오·기간별 CF를 산정하고, 강수는 평균만 CF로 조정한 뒤 회귀식으로 분산과 우기비율을 환산하며, 자기상관은 고정한다. 기온은 ΔT를 관측 월평균에 가산한다. 이렇게 얻은 미래 목표 통계에 맞춰 SWG를 재보정하고 200년 길이의 미래 기상 시계열을 합성한다.

3.2 적설 추정 모형

본 연구는 Park and Kim (2023)이 보정·검증한 적설 추정 모형을 추가 보정 없이 동일 구성으로 사용한다. 모형은 세 단계로 구성된다. 첫째, 기온과 상대습도로 강수형태(비, 눈, 진눈깨비)를 판별한다. 둘째, 눈으로 판정된 시각에 대해 Snow Ratio (SR; 수 상당량비)를 기온 T (°C)의 시그모이드 함수로 추정한다(Eq. (3)).

(3)

S R (T) = \frac{a}{\{1 + \exp \frac{(T - b)}{c})\}} + ϵ

여기서, $a$ , $b$ , $c$ 는 SR 추정 함수의 매개변수.

셋째, 온도지수법으로 융설량 M을 계산하고( $M = C_{M} \times (T - T_{b})$ ), 이를 상층 눈층의 SR 값( $S R_{x}$ ) 과 결합해 감소 적설깊이 𝛿로 환산하여 적설심을 갱신한다. 선행연구에서는 적설심( $H S$ )이 높을수록 감소량이 커지는 경향을 반영하기 위해 두께 보정항을 도입하여 Eq. (4)와 같은 추정식이 사용되었다.

(4)

δ (T, H S) = M \times S R_{x} \times e^{A \times H S} = C_{M} (T - T_{b}) \times S R_{x} \times e^{A \times H S}

여기서, $C_{M}$ , $T_{b}$ , $A$ 는 적설 깊이 감소 추정식의 매개변수.

시각 i에서 적설심( $H S_{i}$ )은 Eq. (5)와 같이 갱신된다.

(5)

H S_{i} = \max \{H S_{i - 1} + P_{i} \times S R (T_{i}) - δ_{i}, 0\}

여기서, $P$ 및 $T$ 는 강수 및 기온. 각 변수의 아래 첨자는 시각을 의미함.

SR 추정 함수의 매개변수( $a$ , $b$ , $c$ )는 강수강도 구간별로 다르게 적용되며(1~5 mm 미만/3 h, 5 mm 이상/3 h), 융설 관련 계수는 $C_{M}$ , $T_{b}$ , $A$ 로 구성된다. 본 연구는 속초, 대관령, 강릉, 동해의 지점별 매개변수 ( $a$ , $b$ , $c$ , $C_{M}$ , $T_{b}$ , $A$ )를 선행연구 값으로 그대로 사용하며, Table 3에 요약되었다. 또한 Table 3에 제시한 NSE는 ‘강수형태 판별, SR 추정, 감소 적설깊이 산정’을 모두 포함하여 전체 적설 추정 모형의 성능 평가시 성능지표이며, 본 연구에서는 해당 성능을 전제로 모형을 사용하였다.

Table 3.

Parameters and performance metrics of snow depth estimation model (Park and Kim, 2023)

Station number	SR parameters ( $P$ <5 mm/3h)			SR parameters ( $P$ ≥5 mm/3h)			𝛿 parameters			Performance metrics
Station number	$a$	$b$	$c$	$a$	$b$	$c$	$C_{M}$	$T_{b}$	$A$	NSE (Calibration)	NSE (Validation)
90	12.2	0.88	0.45	12.5	0.44	0.45	0.0013	-4.22	0.0429	0.8671	0.7432
100	16.2	0.93	2.08	15	-0.6	3.21	0.0026	-5	0.0158	0.7487	0.7528
105	15.1	0.64	0.49	12.4	0.69	0.29	0.0086	-3.26	0.005	0.8644	0.4322
106	17.3	0.31	0.73	12.7	-0.1	0.72	0.0024	-4.97	0.0389	0.875	0.5996

4. 결 과

4.1 합성 기상 시계열의 미래 통계 재현성

본 절에서는 CF를 적용해 재보정한 기상 생성기가 설정한 미래 목표 통계를 얼마나 충실히 재현하는지 검토하였다. 대표 사례로 속초(90), 2071-2100, SSP5-8.5를 선택하고, 겨울철을 대표하는 1, 2, 12월의 통계를 평가하였다. 비교 지표는 시단위 시계열에서 집계한 월평균 기온( $μ_{T}$ ), 월평균 강수( $μ_{P}$ ), 강수 표준편차( $μ_{P}$ ), 우기 비율( $π_{W}$ ), 강수 1차 자기상관( $ρ_{1}$ )이다. 결과는 Table 4에 제시하였다(목표값(Target)-합성값(Synthetic)-오차(Error)). 오차는 절대오차와 상대오차를 병기하였다.

Table 4.

Reproduction of future monthly target statistics by the stochastic weather generator for winter months (Jan, Feb, Dec) at Sokcho (90) under SSP5-8.5(2071–2100). Error rows report absolute error; values in parentheses denote relative error (%) with respect to the target

Month	Statistics	$μ_{T}$ (°C)	$μ_{P}$ (mm)	$σ_{P}$ (mm)	$π_{W}$ (-)	$ρ_{1}$ (-)
JAN	Target	5.58	0.0518	0.2376	0.1884	0.875
	Synthetic	6.48	0.0483	0.2408	0.0692	0.893
	Error	0.8948(16.0)	-0.0035(-6.7)	0.0032(1.3)	-0.1192(-63.3)	0.0182(2.1)
FEB	Target	7.27	0.0950	0.3575	0.3114	0.899
	Synthetic	7.45	0.086	0.3758	0.0886	0.871
	Error (%)	0.1837(2.5)	-0.00901(-9.5)	0.0183(5.1)	-0.2228(-71.5)	-0.0275(-3.1)
DEC	Target	7.83	0.0664	0.3108	0.1945	0.896
	Synthetic	8.37	0.0584	0.3407	0.054	0.882
	Error	0.5425(6.9)	-0.00802(-12.1)	0.0299(9.6)	-0.1405(-72.2)	-0.0133(-1.5)

대표 사례에서 $μ_{T}$ 와 $μ_{P}$ 는 목표 통계에 근접하였고, $σ_{P}$ 도 목표치와 큰 차이가 없었다. $ρ_{1}$ 은 설계상 관측 값을 유지하였다. 다만 $π_{W}$ 는 전반적으로 과소추정되는 경향이 확인되었다. 이는 Shufflex-2 계열 강수 생성에서 알려진 민감도(셀 구조와 월별 발생 과정의 가중 설정)에 기인할 수 있으며, 모형 보정 시 목적함수에서 우기 비율에 대한 더 큰 가중치를 부여하여 편향을 완화할 여지가 있다. 본 논문에서는 이 한계를 결과 해석에 반영하여, 강수 발생 비율에 민감한 지표(예: 강설 발생 빈도) 해석 시 보수적으로 논의한다. 다른 관측소 및 기간·시나리오의 결과도 본 사례와 유사한 경향을 나타냈다. 한편 현재 기후에 적합된 생성기(CF 미적용)는 Park and Kim (2023)에서 이미 검증되었으므로 본문에서는 재검증을 생략하였다.

4.2 미래 적설심 특성 변화

본 절에서는 산출한 합성 기상 시계열을 적설 추정 모형에 입력해 얻은 연속 적설심 시계열을 사용하여, 기준기간과 비교한 미래 변화를 평가하였다. 각 관측소-기간-시나리오 조합마다 시단위 200년 길이의 적설심 시계열을 생성하였고, 이를 바탕으로 다음 분석을 수행하였다: (1) 현재 및 미래 적설 시계열의 시각적 비교, (2) 적설 시계열의 기본 통계(평균, 표준편차) 및 발생 지표(신적설일수, 무적설 연도) 변화 분석, (3) 연최대 적설심의 빈도해석 및 이에 기반한 설계 적설하중 추정.

먼저 대표 사례로 속초(90)를 선택하여 Fig. 3에 현재 기후(기준 통계)와 미래 기후(SSP5-8.5, 2041-2070)의 합성 적설 시계열을 제시하였다. 합성 절차는 CF로 미래 통계를 반영해 재보정한 SWG로 기상 시계열을 생성하고, 이를 Park and Kim (2023)의 적설 추정 모형에 입력하는 순서이다. 좌측 패널은 기준 통계(현재 기후)와 미래 통계(SSP5-8.5, 2041-2070) 조건에서의 전체 200년 시계열을, 우측 패널은 좌측의 분홍색 음영 구간(모의연도 191-200)을 10년 확대하여 계절적 변화와 장기 변동을 함께 나타냈다. 장기적으로는 연최대 적설심의 규모가 전반적으로 감소하며, 확대 패널에서는 적설 지속기간의 단축이 뚜렷하게 나타난다. 일부 연도에서는 적설이 거의 발생하지 않아 무적설 연도로 분류될 가능성도 확인되었다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-11S-1/N020058S-102/images/kwra_58_S-1_02_F3.jpg

Fig. 3.

Synthetic 200 years snow depth time series at Sokcho (90) under (a) current climate and (b) future climate (SSP5-8.5, 2041-2070) conditions. (c) and (d) show magnified views of the last 10 years (years 191–200) for the current and future conditions, respectively

다음으로는 적설 시계열의 기본 통계 및 발생 지표 변화를 분석하였다. 겨울철에 0이 빈번하게 나타나는 자료의 특성을 고려하여, 적설심 1 cm 이상인 레코드만을 대상으로 산정하였다. 발생 지표로는 신적설일수(일최심신적설 1 cm 이상인 날의 연평균 빈도)와 무적설 연도(합성 200년 시계열에서 연최대 적설심이 1 cm 이하인 해의 출현 횟수)를 사용하였다. Figs. 4(a)~4(h)는 각각 기본 통계와 발생 지표의 절대값 및 현재 대비 변화량(Δ)을 제시한다.

먼저 평균과 표준편차의 변화를 보면, 네 지점 모두에서 평균 적설심은 더 먼 미래로 갈수록 일관되게 감소한다. 감소 폭은 특히 SSP5-8.5의 2071-2100에서 가장 크게 나타나며 대관령(100)에서 약 11 cm로 가장 크게 감소하였다. 이는 기온 상승에 따른 강수상의 눈-비 전환 증가와 적설 지속기간 단축의 복합 효과로 해석된다. 표준편차는 전반적으로 감소하지만, 일부 지점·기간에서는 소폭의 유지 또는 증가가 관찰된다. 이러한 양상은 평균 규모가 줄어들더라도 0과 유효 적설이 교대하는 간헐성의 상대적 기여가 커져 변동성이 부분적으로 남을 수 있음을 시사한다.

발생 지표 측면에서 신적설일수는 모든 지점에서 뚜렷하게 감소한다. 감소 폭은 후기일수록, 그리고 배출 가정이 높을수록 커지는 경향을 보인다. 이는 강설 임계온도를 초과하는 시간이 늘어나고, 시즌 내 적설 지속성이 약화되기 때문으로 판단된다. 반면 무적설 연도의 출현은 눈에 띄게 증가한다. 특히 고배출 시나리오의 후기(SSP5-8.5, 2071-2100)에서 증가세가 두드러져, 일부 조합에서는 운영상 “눈이 거의 없는 해”의 빈도가 무시하기 어려운 수준에 이른다. 동해 관측소에서는 2071-2100(SSP5) 조건에서 200년의 모의 연도 중 약 60년이 무적설 연도로 전체 연도의 약 30%가 무적설 연도로 나타났다. 정리하면, 평균 적설과 눈 오는 날이 줄고 무적설 연도가 늘면서, 겨울철에 가용할 수 있는 눈의 양을 예측하기가 더 어려워진다.

지표 정의에 따른 해석의 유의점도 있다. 1 cm 임계값을 적용했기 때문에 본 절의 결과는 운영상 의미 있는 ‘유효 적설’의 변화를 강조한다. 0을 포함하여 통계를 계산할 경우 절대값의 크기는 달라질 수 있으나, 시나리오 간 상대적 변화 방향(감소·증가)은 본 결과와 정합적이다. 아울러 4.1절에서 확인한 우기 비율( $π_{W}$ ) 과소추정 경향으로 인해 절대 수준 지표(Fig. 4(e))는 편향의 영향을 받을 수 있으므로, 해석은 변화량(Δ) 패널(Fig. 4(f))에 중점을 두어 지점·기간·시나리오 간 상대 비교를 수행하였다. 한편, 무적설 연도의 증가는 연최대 적설심 표본분포에 직접 작용하여 0(또는 근사 0)의 출현 빈도를 높이고 T년 재현수준을 낮추는 방향의 효과를 유발할 수 있다. 이러한 구조적 변화를 고려하여 연최대 적설심의 빈도해석을 수행하고, 그 결과를 바탕으로 미래 설계 적설하중의 변화를 논의하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-11S-1/N020058S-102/images/kwra_58_S-1_02_F4.jpg

Fig. 4.

Basic statistics (mean, SD) and occurrence indicators of simulated snow depth by station and period–scenario. Panels (a, c, e, g) show absolute values; panels (b, d, f, h) show changes (Δ) from the current climate. Snow days are the annual number of days with daily fresh snowfall ≥ 1 cm; no-snow years are years whose annual maximum snow depth ≤ 1 cm. Panels (g) and (h) count no-snow years out of 200 synthetic years per station–period–scenario; units are cm (mean, SD), days (snow days), and years (no-snow years), with Δ-panels inheriting the same units

Fig. 5는 각 지점(90, 100, 105, 106)에서 200년 합성 시계열의 연최대 적설심으로 산정한 재현수준 곡선을 현재와 미래(2021-2040, 2041-2070, 2071-2100; SSP1/SSP5)별로 비교한 것이다. Fig. 5의 재현수준은 연최대 적설심의 경험 분위수(비모수 plotting positions)로 산정하였으며, 도식은 가독성을 위해 Gumbel reduced variate 축을 사용하였다. 곡선은 전반적으로 미래로 갈수록 하향 이동하며, 그 폭은 후기일수록(특히 SSP5-8.5의 2071-2100) 크다. 관측소별로 보면, 저고도 해안 지역에 속하는 속초(90)와 동해(106)는 중·후기로 갈수록 곡선의 하향이 두드러져 장주기 재현수준 감소가 크고, 고지대에 위치한 대관령(100)은 감소하되 상대적으로 완만하다. 강릉(105)은 근미래(2021-2040)에 한시적으로 소폭 상향되지만 이후에는 다른 지점과 동일하게 하향으로 전환된다. 관측치의 plotting position (원형 표식)은 현재 곡선과 대체로 잘 부합하며, 100년 수준에서의 KBC2016 기준(삼각형; AIK, 2016)은 대체로 현재 또는 근미래 곡선 부근에 위치한다. 이러한 형태적 특징은 무적설 연도 비중 증가와 강설 지속성 약화가 연최대 분포의 우측 꼬리를 약화시키는 메커니즘과 일관된다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-11S-1/N020058S-102/images/kwra_58_S-1_02_F5.jpg

Fig. 5.

Return-level curves of annual-maximum snow depth (HS, cm) from 200-year synthetic series for the current climate and future periods (2021–2040, 2041–2070, 2071–2100) under SSP1 and SSP5. Panels correspond to stations 90, 100, 105, and 106 (top-left to bottom-right). Lines show scenario–period combinations; circles are empirical plotting positions from observations; the red triangle marks the KBC 2016 reference value. Return levels are based on nonparametric empirical quantiles of annual maxima (no parametric fit) and are plotted on a Gumbel reduced-variate axis

정량적으로, Table 5에서 100년 재현수준 적설심( $H S_{100}$ )은 현재 대비 SSP5-8.5의 2071-2100 기간에 속초(90)는 139.0 cm에서 77.9 cm로 감소하여 44% 줄었고, 대관령(100)은 260.2 cm에서 142.4 cm로 감소하여 45% 줄었다. 강릉(105)은 146.5 cm에서 82.0 cm로 감소하여 44% 줄었으며, 106은 101.2 cm에서 42.5 cm로 감소하여 58% 줄었다. 한편 강릉(105)은 근미래(SSP1, 2021-2040)에는 146.5 cm에서 160.3 cm로 일시적으로 증가하였다가 이후 중·후기로 갈수록 감소세로 전환된다. 전반적으로 저고도·해안 지점(특히 동해(106))의 감소율이 가장 크고, 이는 무적설 연도 증가율과 유사한 추세를 나타내었다.

Table 5.

100-year return levels (T = 100) of annual-maximum snow depth (HS100, cm) by station (stid), summarizing the frequency-analysis results in Fig. 5. Columns list the KBC2016 reference, the current climate, and future periods (2021–2040, 2041–2070, 2071–2100) under SSP1 and SSP5. Estimates are nonparametric empirical quantiles of annual maxima from 200-year synthetic series

HS100 (cm)			SSP1			SSP5
stid	KBC2016	current	2021-2040	2041-2070	2071-2100	2021-2040	2041-2070	2071-2100
90	127.2	139	107.5	95.4	89.1	110.7	96.1	77.9
100	215.2	260.2	234.3	201.9	197.8	233.1	207.4	142.4
105	123.9	146.5	160.3	134.2	86.3	160.5	129.7	82.0
106	120	101.2	78.1	103.9	64.6	73.7	56.7	42.5

이 $H S_{100}$ 을 단위하중-깊이 대응표(Table 6)에 따라 환산한 설계 적설하중(Table 7)은, 현재 대비 SSP5-8.5의 2071-2100 기간에 속초(90)는 2.63 kN/m²에서 0.78 kN/m²로 감소하여 70.3% 줄었고, 100은 7.81 kN/m²에서 2.74 kN/m²로 감소하여 64.9% 줄었다. 강릉(105)은 2.88 kN/m²에서 0.82 kN/m²로 감소하여 71.5% 줄었으며, 동해(106)는 1.53 kN/m²에서 0.43 kN/m²로 감소하여 71.9% 줄었다. 강릉(105)의 근미래 증가는 $H S_{100}$ 이 150 cm 임계구간을 넘으면서 Table 6의 단위하중 단계가 1.5 kN/m³에서 2.0 kN/m³로 올라간 효과가 겹친 결과로, 깊이-하중 변환의 비선형성을 보여준다.

Table 6.

Mean unit weight of snow as a function of snow depth (cm). Values at intermediate depths are obtained by linear interpolation. This table is used to derive the design snow load by multiplying the unit weight by the 100-year snow depth

Snow depth (cm)	Mean unit weight (kN/m³)
50≤	1
100	1.5
150	2
200≥	3

Table 7.

Design snow load (kN/m²) obtained by multiplying the 100-year snow depth by the mean unit weight from Table 6(with linear interpolation). Results are shown for each station and for KBC2016, the current climate, and future period–scenario combinations (SSP1/ SSP5)

Design snow load (kN/m²)			SSP1			SSP5
stid	KBC2016	current	2021-2040	2041-2070	2071-2100	2021-2040	2041-2070	2071-2100
90	2.25	2.63	1.69	0.95	0.89	1.78	0.96	0.78
100	6.46	7.81	7.03	6.06	5.85	6.99	6.22	2.74
105	2.15	2.88	3.54	2.47	0.86	3.55	2.33	0.82
106	2.04	1.53	0.78	1.60	0.65	0.74	0.57	0.43

건축구조기준(KBC2016)의 설계 적설하중은 Shin et al. (2016)이 제시한 전국 적설하중지도를 근거로 마련되었다. 이 지도는 최근 기상자료와 극값 통계분석을 활용해 100년 재현기간 적설깊이와 적설하중을 산정함으로써, 기존 기준보다 한국의 기후 조건을 더 충실히 반영하도록 한 것이다. 건축구조기준의 설계 적설하중과의 상대 비교에서, 현재 기후의 설계하중은 KBC2016 대비 속초(90)는 17% 증가, 100은 21% 증가, 105는 34% 증가, 106은 25% 감소로 나타난다. 그러나 미래(특히 SSP5-8.5, 2071-2100)에는 대부분 지점에서 KBC2016의 값을 뚜렷이 하회하여, 현행 기준을 장래까지 고정 적용할 경우 보수성이 크게 확대될 수 있음을 시사한다.

결론적으로, 재현수준 곡선의 체계적 하향과 단위하중 단계효과가 결합하여 중·장기 설계 적설하중은 크게 감소한다. 근미래의 국지적·단기적 증가는 존재하지만, 고배출 시나리오의 후기로 갈수록 모든 지점이 감소로 수렴한다. 따라서 시설의 서비스 수명과 지점 특성을 반영해, 근미래에 일시적 증가가 가능한 지점(예: 강릉(105))에는 상향 리스크를 반영하되, 장기적으로 감소가 확실한 지점에는 실제 요구하중보다 큰 값이 적용되는 과대 설계를 피하도록 설계 기준을 합리 범위에서 단계적으로 재조정할 필요가 있다.

5. 결 론

본 연구는 관측 통계에 기후변화 변화계수를 적용해 추계 기상생성기를 재보정하고, 이를 적설 추정 모형과 연계하여 시단위 200년 길이의 합성 적설심 시계열을 구축하였다. 강원 영동 4개 지점(속초 90, 대관령 100, 강릉 105, 동해 106)을 대상으로 현재와 미래(2021-2040, 2041-2070, 2071-2100)의 SSP1-2.6, SSP5-8.5 조건을 비교한 주요 결론은 다음과 같다.

(1) 규모와 발생: 평균·표준편차는 전반적으로 감소하며, 신적설일수는 줄고 무적설 연도가 증가한다. 변화 폭은 고배출 시나리오의 후기에서 가장 크며, 저고도·해안 지점의 민감도가 크다.

(2) 극값 특성: 100년 재현수준 적설심( $H S_{100}$ ) 은 2071-2100 (SSP5-8.5)에 4개 지점에서 44-58% 감소한다(예: 동해 58% 감소). 근미래에 강릉(105)에서 일시적 증가가 나타나나 중·후기로 갈수록 감소로 전환된다.

(3) 설계 적설하중: $H S_{100}$ 을 깊이-단위하중 표로 환산한 결과, 2071-2100(SSP5-8.5)에는 모든 지점에서 65-72% 감소한다. 단, 깊이에 따른 단계형 단위하중 때문에 동일한 깊이 변화라도 하중 변화는 비선형적일 수 있다.

(4) 설계·운영 시사점: 단기에는 일부 지점의 일시적 증가 가능성에 대비해 안전여유를 확보하되, 장기적으로는 대부분 지점에서 하중이 크게 낮아지므로 불필요한 과대 설계를 피하도록 기준을 합리 범위에서 조정할 필요해 보인다.

(5) 한계와 과제: 강수 발생빈도 과소추정 경향과, 강수 분산·우기비율을 경험식으로 환산한 단순화, 일사 자료의 공간 대체, 단일 GCM 체계 사용은 결과의 불확실성 요인이다. 향후에는 (i) 우기비율 보정 가중의 확대, (ii) SR·융설 매개변수의 지점·계절 동적화, (iii) 다중 모형 앙상블 및 비정상 극값 해석을 통해 강건성을 보완할 예정이다.

Acknowledgements

이 논문은 행정안전부 기후변화대응 AI기반 풍수해 위험도 예측기술개발사업의 지원을 받아 수행된 연구임(2022-MOIS61-003).

Conflicts of Interest

The authors declare no conflict of interest.

References

Abdelmoaty, H.M., Papalexiou, S.M., Nerantzaki, S., Mascaro, G., Gaur, A., Lu, H., Clark, M.P., and Markonis, Y. (2024). “Snow depth time series generation: Effective simulation at multiple time scales.” Journal of Hydrology X, Vol. 23, 100177.

10.1016/j.hydroa.2024.100177

Adib, A., Zaerpour, A., and Lotfirad, M. (2021). “On the reliability of a novel MODWT-based hybrid ARIMA-artificial intelligence approach to forecast daily snow depth (Case study: The western part of the Rocky Mountains in the USA).” Cold Regions Science and Technology, Vol. 189, 103342.

10.1016/j.coldregions.2021.103342

Ahn, S.R., Lee, J.W., and Kim, S.J. (2015). “Projection of future snowfall and assessment of heavy snowfall vulnerable area using RCP climate change scenarios.” KSCE Journal of Civil and Environmental Engineering Research, Vol. 35, No. 3, pp. 545-556.

10.12652/Ksce.2015.35.3.0545

American Society of Civil Engineers - Texas Section (ASCE) (2022). Reliability and resilience in the balance - ASCE Texas Section. Austin, TX, U.S., p. 3.

Architectural Institute of Korea (AIK) (2016). Korean building code (KBC)-structural. The Ministry of Land, Transport and Maritime Affairs.

Barnett, T.P., Adam, J.C., and Lettenmaier, D.P. (2005). “Potential impacts of a warming climate on water availability in snow-dominated regions.” Nature, Vol. 438, No. 7066, pp. 303-309.

10.1038/nature04141

BBC News (2021). Texas freeze shuts chip factories amid shortages, accessed 11 November 2025, <https://www.bbc.com/news/technology-56114503>.

Beck, H.E., Zimmermann, N.E., McVicar, T.R., Vergopolan, N., Berg, A., and Wood, E.F. (2018). “Present and future Köppen-Geiger climate classification maps at 1-km resolution.” Scientific Data, Vol. 5, No. 1, pp. 1-12.

10.1038/sdata.2018.21430375988PMC6207062

Cho, E., and Jacobs, J.M. (2020). “Extreme value snow water equivalent and snowmelt for infrastructure design over the contiguous United States.” Water Resources Research, Vol. 56, No. 10, e2020WR028126.

10.1029/2020WR028126

Cohen, J., Screen, J.A., Furtado, J.C., Barlow, M., Whittleston, D., Coumou, D., Francis, J., Dethloff, K., Entekhabi, D., and Overland, J. (2014). “Recent Arctic amplification and extreme mid-latitude weather.” Nature Geoscience, Vol. 7, No. 9, pp. 627-637.

10.1038/ngeo2234

Fatichi, S., Ivanov, V.Y., and Caporali, E. (2011). “Simulation of future climate scenarios with a weather generator.” Advances in Water Resources, Vol. 34, No. 4, pp. 448-467.

10.1016/j.advwatres.2010.12.013

Geis, J., Strobel, K., and Liel, A. (2012). “Snow-induced building failures.” Journal of Performance of Constructed Facilities, Vol. 26, No. 4, pp. 377-388.

10.1061/(ASCE)CF.1943-5509.0000222

Hock, R. (2003). “Temperature index melt modelling in mountain areas.” Journal of Hydrology, Vol. 282, No. 1-4, pp. 104-115.

10.1016/S0022-1694(03)00257-9

Jonas, T., Marty, C., and Magnusson, J. (2009). “Estimating the snow water equivalent from snow depth measurements in the Swiss Alps.” Journal of Hydrology, Vol. 378, No. 1-2, pp. 161-167.

10.1016/j.jhydrol.2009.09.021

Kim, D., and Onof, C. (2020). “A stochastic rainfall model that can reproduce important rainfall properties across the timescales from several minutes to a decade.” Journal of Hydrology, Vol. 589, 125150.

10.1016/j.jhydrol.2020.125150

Kim, J.J., and Ryu, J.H. (2013). “GCMs-driven snow depth and hydrological simulation for 2018 Pyeongchang Winter Olympics.” Journal of Korea Water Resources Association, Vol. 46, No. 3, pp. 229-243.

10.3741/JKWRA.2013.46.3.229

Kim, J.U., Kim, T.J., Kim, D.H., Byun, Y.H., Chang, E.C., Cha, D.H., Ahn, J.B., and Min, S.K. (2022). “Performance evaluation and future projection of east Asian climate using SSP scenario-based CORDEX-east Asia phase 2 multi-RCM simulations.” Journal of Climate Change Research, Vol. 13, No. 3, pp. 339-354.

10.15531/KSCCR.2022.13.3.339

Kim, M., Kim, S., Kim, J., Heo, J., Park, J., Kwon, W., and Suh, M. (2016). “Statistical downscaling for daily precipitation in Korea using combined PRISM, RCM, and quantile mapping: Part 1, methodology and evaluation in historical simulation.” Asia-Pacific Journal of Atmospheric Sciences, Vol. 52, No. 2, pp. 79-89.

10.1007/s13143-016-0010-3

Kim, Y., Kim, S., Kang, N., Kim, T., and Kim, H. (2014). “Estimation of frequency based snowfall depth considering climate change using neural network.” Journal of the Korean Society of Hazard Mitigation, Vol. 14, No. 1, pp. 93-108.

10.9798/KOSHAM.2014.14.1.93

Le Roux, E., Evin, G., Eckert, N., Blanchet, J., and Morin, S. (2020). “Non-stationary extreme value analysis of ground snow loads in the French Alps: a comparison with building standards.” Natural Hazards and Earth System Sciences, Vol. 20, No. 11, pp. 2961-2977.

10.5194/nhess-20-2961-2020

Lee, G., Kim, D., Kwon, H., and Choi, E. (2019). “Estimation of maximum daily fresh snow accumulation using an artificial neural network model.” Advances in Meteorology, Vol. 2019, No. 1, 2709351.

10.1155/2019/2709351

Lee, S., and Kang, J.E. (2019). “Risk assessment of heavy snowfall considering climate change: Focusing on damage to roads and buildings.” Journal of the Korean Society of Hazard Mitigation, Vol. 19, No. 2, pp. 57-68.

10.9798/KOSHAM.2019.19.2.57

Lee, S., Jeong, Y., Lee, J., Chung, G., and Choi, W. (2020). “Development of a heavy snowfall alarm model using a Markov chain for disaster prevention to greenhouses.” Biosystems Engineering, Vol. 200, pp. 353-365.

10.1016/j.biosystemseng.2020.10.019

Li, D., Lettenmaier, D.P., Margulis, S.A., and Andreadis, K. (2019). "The role of rain‐on‐snow in flooding over the conterminous United States.” Water Resources Research, Vol. 55, No. 11, pp. 8492-8513.

10.1029/2019WR024950

Liu, J., Curry, J.A., Wang, H., Song, M., and Horton, R.M. (2012). “Impact of declining Arctic sea ice on winter snowfall.” Proceedings of the National Academy of Sciences, Vol. 109, No. 11, pp. 4074-4079.

10.1073/pnas.111491010922371563PMC3306672

Ntokas, K.F., Odry, J., Boucher, M., and Garnaud, C. (2021). “Investigating ANN architectures and training to estimate snow water equivalent from snow depth.” Hydrology and Earth System Sciences, Vol. 25, No. 6, pp. 3017-3040.

10.5194/hess-25-3017-2021

Ombadi, M., Risser, M.D., Rhoades, A.M., and Varadharajan, C. (2023). “A warming-induced reduction in snow fraction amplifies rainfall extremes.” Nature, Vol. 619, No. 7969, pp. 305-310.

10.1038/s41586-023-06092-7

Park, H., Jeong, S., and Chung, G. (2014). “Frequency analysis of future fresh snow days and maximum fresh snow depth using artificial neural network under climate change scenarios.” Journal of the Korean Society of Hazard Mitigation, Vol. 14, No. 6, pp. 365-377.

10.9798/KOSHAM.2014.14.6.365

Park, H.S., Jeong, S.M., and Chung, G.H. (2016) "Frequency analysis of future maximum fresh snow depth using multiple regression model with interaction.” Journal of the Korean Society of Hazard Mitigation, Vol. 16, No. 2, pp. 369-376.

10.9798/KOSHAM.2016.16.2.369

Park, J., and Kim, D. (2023). “A stochastic approach to simulate realistic continuous snow depth time series.” Journal of Hydrology, Vol. 617, 128980.

10.1016/j.jhydrol.2022.128980

Perona, P., Porporato, A., and Ridolfi, L. (2007). “A stochastic process for the interannual snow storage and melting dynamics.” Journal of Geophysical Research: Atmospheres, Vol. 112, No. D8, D08107.

10.1029/2006JD007798

Sellar, A.A., Jones, C.G., Mulcahy, J.P., Tang, Y., Yool, A., Wiltshire, A., O'connor, F.M., Stringer, M., Hill, R., and Palmieri, J. (2019). “UKESM1: Description and evaluation of the UK Earth System Model.” Journal of Advances in Modeling Earth Systems, Vol. 11, No. 12, pp. 4513-4558.

10.1029/2019MS001739

Shin, D., Kim, H.J., Kim, B.J., and Ha, Y.C. (2016). “Snow load map for return period reflecting recent meteorological data in Korea.” Journal of the Architectural Institute of Korea Structure & Construction, Vol. 32, No. 9, pp. 11-18.

10.5659/JAIK_SC.2016.32.9.11

Sturm, M., Taras, B., Liston, G.E., Derksen, C., Jonas, T., and Lea, J. (2010). “Estimating snow water equivalent using snow depth data and climate classes.” Journal of Hydrometeorology, Vol. 11, No. 6, pp. 1380-1394.

10.1175/2010JHM1202.1

Tuzet, F., Dumont, M., Lafaysse, M., Picard, G., Arnaud, L., Voisin, D., Lejeune, Y., Charrois, L., Nabat, P., and Morin, S. (2017). “A multilayer physically based snowpack model simulating direct and indirect radiative impacts of light-absorbing impurities in snow.” The Cryosphere, Vol. 11, No. 6, pp. 2633-2653.

10.5194/tc-11-2633-2017

Vorobevskii, I., Park, J., Kim, D., Barfus, K., and Kronenberg, R. (2023). “Simulating sub-hourly rainfall data for current and future periods using two statistical disaggregation models - Case studies from Germany and South Korea.” Hydrology and Earth System Sciences, Vol. 28, No. 2, pp. 391-416.

10.5194/hess-2023-108

Wang, C., Li, Z., Guyennon, N., Chen, Y., Li, Y., Liang, Q., and Di, Y. (2025). “Patterns of snow drought under climate change: From dry to warm dominance.” Geophysical Research Letters, Vol. 52, No. 8, e2025GL114641.

10.1029/2025GL114641

Woody, J., Lu, Q., and Livsey, J. (2020). “Statistical methods for forecasting daily snow depths and assessing trends in inter- annual snow depth dynamics.” Environmental and Ecological Statistics, Vol. 27, No. 3, pp. 609-628.

10.1007/s10651-020-00461-5

World Meteorological Organization (WMO) (2021). Extreme weather hits USA, Europe, accessed 11 November 2025, <https://wmo.int/media/news/extreme-weather-hits-usa-europe>.

Yan, H., Sun, N., Wigmosta, M., Leung, L.R., Hou, Z., Coleman, A., and Skaggs, R. (2020). “Evaluating next‐generation intensity-duration-frequency curves for design flood estimates in the snow‐dominated western United States.” Hydrological Processes, Vol. 34, No. 5, pp. 1255-1268.

10.1002/hyp.13673

Yan, H., Sun, N., Wigmosta, M., Skaggs, R., Hou, Z., and Leung, R. (2018). “Next‐generation intensity-duration-frequency curves for hydrologic design in snow-dominated environments.” Water Resources Research, Vol. 54, No. 2, pp. 1093-1108.

10.1002/2017WR021290

Zhou, B., Gu, L., Ding, Y., Shao, L., Wu, Z., Yang, X., Li, C., Li, Z., Wang, X., and Cao, Y. (2011). “The great 2008 Chinese ice storm: Its socioeconomic-ecological impact and sustainability lessons learned.” Bulletin of the American Meteorological Society, Vol. 92, No. 1, pp. 47-60.

10.1175/2010BAMS2857.1

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

Preview

Stochastic simulation of future snow depth time series under climate change

ABSTRACT

MAIN

Fig. 1.

Map of the four ASOS stations used in this study

Table 1.

Information for the four ASOS stations used in this study

Fig. 2.

Flowchart of the simulation framework for synthetic future snow depth time series

(1)

(2)

Table 2.

February Change Factors by station, scenario, and future period (ΔT [°C], rₚ [–]; control period: 2000–2019)

(3)

(4)

(5)

Table 3.

Parameters and performance metrics of snow depth estimation model (Park and Kim, 2023)

Table 4.

Reproduction of future monthly target statistics by the stochastic weather generator for winter months (Jan, Feb, Dec) at Sokcho (90) under SSP5-8.5(2071–2100). Error rows report absolute error; values in parentheses denote relative error (%) with respect to the target

Fig. 3.

Synthetic 200 years snow depth time series at Sokcho (90) under (a) current climate and (b) future climate (SSP5-8.5, 2041-2070) conditions. (c) and (d) show magnified views of the last 10 years (years 191–200) for the current and future conditions, respectively

Fig. 4.

Fig. 5.

Table 5.

Table 6.

Mean unit weight of snow as a function of snow depth (cm). Values at intermediate depths are obtained by linear interpolation. This table is used to derive the design snow load by multiplying the unit weight by the 100-year snow depth

Table 7.

Design snow load (kN/m²) obtained by multiplying the 100-year snow depth by the mean unit weight from Table 6(with linear interpolation). Results are shown for each station and for KBC2016, the current climate, and future period–scenario combinations (SSP1/ SSP5)

Acknowledgements

Conflicts of Interest

References