통계적 기법을 이용한 격자기반 기후변화 시나리오 상세화 자료를 생산하기 위해서는 최종적으로 생산될 결과물과 동일한 공간해상도를 갖는 격자기반 관측 자료가 필요하다. 통계적 보정을 위해 필요한 관측장으로는 60개 ASOS 지점의 관측 자료와 고도, 경사, 향, 해안으로부터의 거리 등의 정보를 바탕으로 IDW-IGISRM 기법을 적용하여 생산된 3.0 km 해상도의 격자형 관측 자료를 사용하였다 (Jeong and Eum, 2015). 우선 Improved GIS-based Regression Model (IGISRM)은 PRISM (Parameter-elevation Relationships on Independent Slopes Model) 기법의 영향반경 선정 알고리즘을 개선한 방법으로 남한 지역을 대상으로 3.0 km 해상도의 일단위 격자 기후자료를 생산하는데 활용되었다 (Eum et al., 2018). IGISRM 기법으로 생산된 자료는 사용된 회귀식 방법의 특성에 의해 한반도에서 발생하는 기후의 임계값을 초과하는 극값이 발생하였다. 본 연구에 사용된 IDW-IGISRM 자료는 IGISRM 기법에 의해 임계값을 초과하는 극값이 발생되는 격자에 대하여 주변 격자 정보를 IDW (Inverse distance weighting) 보간법으로 산출한 후 대체하는 통계적 후처리 절차를 거쳐 생산된 자료이다.

미래 기후변화 전망 자료는 Table 1에서와 같이 AR5에 활용된 CMIP5 자료 중 60개 ASOS 자료를 SQM 기법으로 생산된 국가 기후변화 표준 시나리오 자료와 동일한 29개 GCM 자료를 사용하였다 (Cho et al., 2016; 2018a). 사용된 미래 기후변화 시나리오 자료는 과거 기간 (1976∼2005) 및 미래 기간 (2006∼2100)을 포함하는 3개 변수 (강수량, 최고기온, 최저기온)에 대하여 Representative Concentration Pathway (RCP) 시나리오의 핵심인 RCP4.5 및 RCP8.5 시나리오 자료를 사용하였다.

앞서 선정된 3.0 km 해상도의 개별 격자에 대한 기후변화 시나리오 자료의 편의보정은 국가 기후변화 표준 시나리오로 자료 생산에 활용된 통계적 상세화 기법 중에서 Simple Quantile Mapping (SQM) 기법을 사용하였다. SQM 기법은 R 기반 qmap 패키지 중에서 이론적 누적분포함수 (cumulative distribution function, CDF) 대신에 경험적 누적분포의 비교를 기반으로 하는 fitQmapQUANT 함수를 이용하여 개발되었다 (Gudmundsson, 2016). 이는 CMIP5 자료를 비모수적인 분위사상법 (Empirical Quantile Mapping)을 기반으로 편의를 보정하기 위해 개발된 rSQM 패키지에 포함되어 있다 (Cho et al., 2018b). SQM 편의보정은 관측소에 대하여 월별로 독립적으로 적용되며 GCM 원시 자료의 기후 특성과 일단위 자료의 누적분포 (distribution)를 동시에 보정할 수 있는 기법이다.

편의 보정된 상세화 자료는 29개 GCM, 2종의 RCP 시나리오, 3개의 기후변수, 그리고 한반도상의 13,505개의 격자에 의하여 생성되는 모든 조합에 대하여 SQM 기법을 독립적으로 적용함으로써 생산하게 된다. 이를 위해서 3.0 km 해상도의 관측 자료로부터 격자별 30년 일단위 시계열 자료를 추출하고, GCM 자료의 경우도 관측 자료의 격자가 포함되어 있는 GCM 격자로부터 과거 기간 및 미래 기간에 대한 일단위 시계열 자료를 추출한다. 이후 SQM 기법을 이용한 편의보정은 월단위로 30년 기간씩 구분하여 아래의 절차를 적용하여 수행하게 된다. SQM 기법의 한반도 적용 가능성을 비교하기 위해 CMIP5 과거 기간의 마지막 연도인 2005년을 기준으로 과거 30년 (1976∼2005)을 고려하였고, 미래 기간에 대해서는 가까운 미래 (2011∼2040), 중간 미래 (2041∼2070), 먼 미래 (2071∼2100)의 30년 기간을 사용하였다 (Cho et al., 2016).

• Step 1: 특정 월의 동일한 과거 30년 (1976∼2005) 기간에 대해 특정 격자의 일단위 관측 자료와 이에 대응하는 일단위 GCM 자료를 크기순으로 정렬한 후 관측 자료와 GCM 자료의 비교를 통해 분위 (Quantile)별 편의 (bias)를 비율을 이용하여 산정한다. 강수량의 경우에는 GCM 자료의 무강우 일수가 관측 자료의 무강우 일수와 동일하게 되는 강수의 임계값을 결정하여 임계값 이하의 값은 무강우로 처리한다.
• Step 2: 동일 격자점을 대상으로 선정된 미래 기간에 대해 GCM으로부터 추출된 특정 월의 일단위 전망자료를 크기순으로 정렬한다. Step 1에서 과거기간 자료를 이용하여 산정한 분위별 비율을 미래 기간의 동일한 분위에 대하여 적용하여 편의를 보정한다. 편의보정 이후 원자료의 순서대로 복원한다.
• Step 3: Step 1∼2의 과정을 월 (12개) 및 미래 기간 (3개)에 대해 반복하여 적용한다.

SQM 기법은 분위별 관측 자료와 GCM 자료 사이의 편의 (bias)를 산정하는데 있어서 분포식을 우선 산정한 후 동일한 분위에서의 분포식을 통해 계산된 차이를 이용하는 모수적 (parametric) 기법과는 달리 분포식을 사용하지 않는 비모수적 (non-parametric) 방법이다. 비모수적 방법을 사용하는 이유는 자료에 적합한 분포식이 선정되지 않는 경우 극값 구간에서 선정된 분포식에 의해 차이가 과도하게 산정될 수 있기 때문이다 (Cho et al., 2016).

또한 SDQDM (Spatial Disaggregation and Quantile Delta Mapping) 기법을 이용한 국가 기후변화 표준 시나리오 자료의 경우에는 각 관측소에 해당되는 GCM의 모의 값을 산정할 때 해당 관측소 주위의 GCM 격자값을 기반으로 IDW 보간 방법을 이용하였다 (Eum and Cannon, 2017). 반면에 본 연구에서 사용된 SQM 기법의 경우에는 각 관측소에 해당되는 GCM 값을 보간 없이 직접 사용하였다. IDW 보간 방법을 이용하는 경우 200∼300 km 공간 해상도를 갖는 GCM의 특성상 남한지역의 60개 ASOS 관측 지점에 사용되는 GCM 격자가 동일할 수밖에 없다. 이러한 경우에는 실제 관측 자료의 공간 상관성 보다 GCM으로부터 산정된 상세화 자료의 공간 상관성이 과도하게 높게 나타날 수 있다.

SQM 기법을 이용한 국가 기후변화 표준 시나리오 자료의 경우에는 60개 ASOS 관측 지점에 대한 상세화 자료를 생산하기 때문에 병렬화가 고려되지 않았다. 하지만 3.0 km 해상도의 격자 기반 관측 자료를 사용하는 경우 한반도에 13,505개의 격자가 존재하게 된다. 따라서 본 연구에서는 격자형 자료를 기반으로 병렬 연산이 가능하도록 R 기반의 SQM-Grid 코드를 개발하여 상세화 자료를 생산하였다.

본 연구에서는 WMO (World Meteorological Organization)가 극한기후지수와 관련된 가이드라인에서 제시한 ETCCDI (Expert Team on Climate Change Detection and Indices)를 이용하였다 (Klein Tank et al., 2009; Zhang et al., 2011). 실제 계산은 ETCCDI의 27개 극한기후지수 (Climate Extreme Index)와 평균기온의 변화를 포함한 28개 항목에 대해 수행하였으며, 상세화와 동일하게 병렬 분산 기법을 적용하여 계산하였다. 극한기후지수의 분석 결과는 격자점 및 GCM별 편의 보정된 일단위 시계열 자료를 이용하여 연도별 극한기후지수를 계산하여 30년 평균값을 구한 후 최종적으로 29개 GCM의 평균을 사용하였다. 본 연구에서는 27개 기후지수 중에서 PRIDE 기반 남한상세 자료에서 재현성이 낮은 것으로 알려진 강우일수와 관련하여 연강수량 (Annual total precipitation in wet days, PRCPTOT) 및 연강수량을 강우일수로 나눈 단순강우강도지수 (Simple Precipitation Intensity Index, SDII)와 미래 기간에서의 강수 및 기온의 극한값의 변화를 살펴보기 위해 5일 최대강수량 (Annual maximum 5-day precipitation, Rx5day) 및 연최고기온 (Annual maximum value of maximum termperature, TXx)에 대해서만 결과를 제시하였다. 사용된 극한기후지수에 대한 설명은 Table 2에서와 같다.

PRIDE 기반의 상세화 기법이 갖는 단점을 극복하기 위해 적용된 SQM 기법의 강우일수 관련 과거 재현성은 단순강우강도지수 (SDII)를 중심으로 살펴보았다. SDII는 연강수량 (PRCPTOT)을 연간 강우일수로 나누어 계산되는 값으로 좋은 과거 재현성 결과를 보여주기 위해서는 연강수량 총량과 강우 일수의 재현성이 담보되어야 한다.

과거 재현성 평가는 미래 기간에 대한 기후변화 전망 분석과 동일하게 GCM 선정에 따라 발생할 수 있는 불확실성을 고려하기 위해 29개 GCM을 이용하여 계산한 MME 기반의 전망 값을 사용하였다. Fig. 1은 연강수량 (PRCPTOT)의 과거 기간에 대한 재현성 평가 결과를 보여 준다. IDW-IGISRM 3.0 km 격자형 관측 자료를 이용하여 계산된 30년 평균 연강수량의 공간적 분포 (a)는 동일한 과거 기간에 대해 29개의 개별 GCM으로부터 계산된 30년 평균 연강수량 값의 다중모형 평균 (b)과 비교하여 유사한 공간적인 분포를 보였다. 관측 및 GCM 기반 결과 사이의 편차는 그림 (c)에서와 같이 대부분의 지역에서 0.5% 미만의 값을 보였으나 강원도 동해안 부근에서 상대적으로 높은 편차를 보였으나 가장 큰 값은 1.91%로써 좋은 재현성 결과를 보여주었다.

Fig. 1. 
Spatial patterns of annual total precipitation (PRCPTOT) estimated using. (a) 3.0 km IDW-IGISRM observation, (b) multi-model ensemble (MME) derived from 29 GCMs, and (c) percent difference between observation and MME

SDII의 과거 기간에 대한 재현성 평가 결과는 Fig. 2에 제시되어 있다. PRCPTOT와 마찬가지로 단순강우강도지수의 경우에도 IDW-IGISRM의 격자형 관측자료를 이용하여 계산된 30년 평균값의 공간적 분포와 29개의 개별 GCM의 30년 평균값을 다시 평균한 MME 값의 공간적인 분포는 서로 유사한 결과를 나타냈다. 편차의 공간적 분포 또한 PRCPTOT의 편차가 크게 나타난 강원도 동해안 부분에서 높게 나타나 PRCPTOT와 유사한 결과를 보이고 있으며 편차의 범위는 -1.66%∼2.66%의 범위를 보여 과거 재현성 평가에서 우수한 결과를 보였다.

Fig. 2. 
Spatial patterns of simple precipitation intensity index (SDII) estimated using. (a) 3.0 km IDW-IGISRM observation, (b) multi-model ensemble (MME) derived from 29 GCMs, and (c) percent difference between observation and MME

PRCPTOT 및 SDII의 과거 재현성 평가 결과를 종합해 볼 때, 강우일수 또한 과거재현성이 우수할 것으로 예측되며 이는 본 연구에서 제공하는 자료가 일단위 기후값을 보정하는 PRIDE 기법과 비교하여 일단위 강수의 빈도 및 누적 분포가 중요하게 고려되어야 하는 취약성 평가에 있어서 보다 신뢰할 수 있는 결과를 제공할 수 있을 것으로 판단된다.

MME 기반의 강수량 전망은 다수의 모형들이 과거 기간 대비 강수량의 증가를 전망하고 있지만 일부 모형들의 경우 감소하는 것으로 전망하고 있어 모형 선정에 따른 불확실성 범위가 넓은 결과를 보였다. 다중모형 평균을 이용한 미래 전망의 경우 RCP4.5 및 RCP8.5 시나리오 모두 먼 미래로 갈수록 연강수량이 증가하는 경향이 나타났다 (Fig. 3). 강수량은 가까운 미래 (2011∼2040)에서 중간 미래 (2041∼2070) 및 먼 미래 (2071∼2100)로 갈수록 증가폭이 크게 나타났으며, RCP4.5 시나리오 보다 RCP8.5 시나리오에서 증가폭이 클 것으로 전망되었다.

Fig. 3. 
Spatial distribution of percent changes in annual total precipitation (PRCPTOT) according to different future periods and RCP scenarios in comparison to the historical period (1976~2005).

강우와 관련된 극한기후지수 중 홍수 취약성과 밀접한 5일 최대강수량 (Rx5day)의 미래 기간 및 RCP 시나리오에 따른 변화율 분석 결과는 Fig. 4와 같다. Rx5day는 동일한 RCP 시나리오에서는 가까운 미래에서 중간 미래 및 먼 미래로 갈수록 증가폭이 크게 나타났다. 동일한 미래 기간에 대해서는 가까운 미래의 경우 최대 증가율이 RCP4.5 시나리오에서 높게 나타났지만 중간 및 먼 미래 기간의 경우에는 RCP8.5 시나리오에서 증가율이 더 높은 결과를 보였다. 증가율이 가장 높게 나타난 먼 미래 기간 RCP8.5 시나리오의 경우 Rx5day의 증가율은 지역별로 12%∼46%의 범위 내에서 변화하는 특성을 보였다. 모든 경우에 대해서 지리산 지역과 강원도 동해안 지역에서 증가율이 상대적으로 높게 나타났다.

Fig. 4. 
Spatial distribution of percent changes in 5-day maximum precipitation (Rx5day) according to different future periods and RCP scenarios in comparison to the historical period (1976~2005).

남한지역 평균 최고기온 및 최저기온의 경우 선정된 GCM 모두 과거 기간과 비교하여 미래 기간 및 RCP 시나리오에 대하여 증가하는 일관된 전망 결과를 보여 강수와 비교하여 모형 선정에 따른 불확실성 범위가 좁게 나타났다. 최고기온의 경우도 강수량과 마찬가지로 가까운 미래에서 먼 미래로 갈수록 증가폭이 크게 나타났으며, RCP4.5 시나리오 보다 RCP8.5 시나리오에서 증가폭이 크게 나타났다.

극한기후지수 중 연최고기온 (TXx)의 미래 기간 및 RCP 시나리오에 따른 변동량의 공간적 분포 특성은 Fig. 5에 제시되어 있다. 연최고기온의 경우에는 동일한 RCP 시나리오에서 가까운 미래에서 먼 미래로 갈수록 증가폭이 크게 나타났으며, 동일한 미래 기간 내에서는 RCP8.5 시나리오에서 RCP4.5 시나리오와 비교하여 온도의 증가가 높게 나타났다. 온도의 증가량이 가장 높게 나타난 먼 미래 기간에 대한 RCP8.5 시나리오의 경우 증가량이 지역별로 3℃∼7℃의 범위 내에서 변화하였다. 공간적으로는 강원도 지역이 모든 경우에 있어서 증가량이 보편적으로 높게 나타나는 특성을 보였다.

Fig. 5. 
Spatial distribution of percent changes in annual maximum value of maximum temperature (TXx) according to different future periods and RCP scenarios in comparison to the historical period (1976~2005).