2.1 사례 선정

한반도는 삼면이 바다에 접해 있을 뿐만 아니라 국토 면적의 70 % 이상 산지가 분포하고 있어서 강우를 비롯한 기후 특성의 지리적 차이가 매우 크다. 한반도 주변 해수면 상태에 따라 대기가 쉽게 영향을 받고, 중위도 편서풍대에 위치하고 있어서 저기압이 빈번히 통과하면서 국지적인 지형성 강우를 동반한다. 특히 강원특별자치도(이하 강원도)는 남북으로 길게 이어지는 태백산맥이 위치하고 있어서 평균 해발고도가 높을 뿐만 아니라 영서 지역과 영동 지역의 기후 특성이 뚜렷하게 나뉘고 지역마다 특성이 상이하다. 특히 2022년 여름 강릉 지역에서는 태풍 루사에 의해 일강수량 870.5 mm 이상의 호우를 기록하였다. 이는 1911년 강릉에서 기상을 관측한 이래 최다 일강수량으로 2024년 현재까지도 기록되고 있다. 태풍 루사로 인해 강릉에서만 사망자 46명 포함 68명의 인명피해가 있었고, 8천억 원의 재산피해가 발생했다. 또한 강원도 지역은 높은 산지에 의해 계곡이 좁고 깊어서 하천 하류 지역이 아니더라도 2005년과 2006년 여름에 강원도 산간 지역에서 대규모의 홍수가 발생하기도 하였다. 산간 지역에서의 호우는 홍수뿐만 아니라 산사태나 낙석 등의 복합 재난으로 이어지기도 한다.

따라서 방재 대비 및 대응을 위해서 강원도의 산악 지역의 기상 특성을 실시간으로 상세하게 파악할 필요가 있음에도 불구하고 방재기상 주무부처인 기상청에서 운용하고 있는 강원도 지역의 지상 기상 관측지점의 밀도는 0.44 %로 한반도의 지상 기상 관측지점의 밀도인 0.54 %에 비해 상대적으로 낮다(Fig. 1).

기상청은 2024년 현재 전국 98개소의 종관기상관측장비(Automatic Synoptic Observation System, ASOS)와 542개소의 방재기상관측장비(Automatic Weather Station, AWS)를 이용하여 관측업무를 수행하고 있다. ASOS 장비가 설치된 지점들 간의 평균적인 거리는 약 66 km이고 AWS 장비가 설치된 지점들 간의 거리는 약 13 km로, 평균적으로는 매우 조밀하다. 그러나 대부분은 거주지 주변의 300 m 이하의 고도에 분포하기 때문에^{(Park and Jang, 2008)}, 고도의 영향을 많이 받는 산악지역의 기상정보를 재현하기 힘들다^{(Choi et al., 2010)}. 관측지점들의 분포가 균질하지 않기 때문에 공간적으로 표본 오차를 가진다. 높은 산지 비율을 가지고 있는 강원도 지역은 특히 지상 관측지점의 비균질성이 높다.

Fig. 1. Density of Ground Weather Stations in Gangwon State Operated by the Korea Meteorological Administration

본 연구에서는 레이더 강우의 보정된 결과에 미치는 지상강우 자료의 영향을 분석하기 위해 기상청 지상강우 관측지점의 밀도가 다른 지역에 비해 상대적으로 낮고 공간분포가 비균질한 강원도를 사례 지역으로 선정하였다. 지상강우 관측지점의 공간분포가 지리적으로 균질하지 않기 때문에 자료가 부족한 지역에서는 레이더 강우 보정의 한계가 발생할 수 있다. 이를 통해서 보정에 이용되는 지상강우 자료의 공간적 비균질성이 개선되었을 때의 효과를 분석하고자 하였다.

우량계 지점이 레이더 강우 보정에 미치는 영향을 검증하기 위한 강우 사례로는 2023년에 발생한 3개의 호우 사례를 선정하였다(Table 1).

이 사례들은 기상청의 호우 경보 및 태풍 경보와 관련하여 피해가 크게 발생했던 강우 사례 중에서 선정한 것이다. 각각 강원도 영서 산간 지역에 많은 비가 내린 경우(사례 1), 강원도 지역 전체적으로 비가 내린 경우(사례 2), 영동 지역에 강우가 집중된 경우(사례 3)를 대표하고 있다. 따라서 지상강우 관측지점의 분포에 따른 레이더 강우 보정의 효과를 비교 분석하기에 적절하다. 사례 선정에는 방재 목적의 강우 모니터링에 있어서 레이더 강우 데이터가 매우 요구되는 짧은 주기의 강한 강우 현상에 초점을 맞추었다. 따라서 긴 기간보다는 강우가 시간적으로 집중되는 시점에 대한 보정 효과에 초점을 맞추기 위하여 지점강우 관측 시계열에서 첨두가 나타난 시점 전후의 3시간 동안을 분석 대상으로 하였다.

강우의 공간분포를 보면 강원도에서 발생한 집중호우와 비집중호우를 포함하고 있어서 지상강우 관측지점의 공간적 편중이 레이더 강우 보정에 따른 결과에 미치는 영향을 평가하기에 적합하다. 또한 강원도 지역 내에서도 영동과 영서 지역에서의 지리적 인자에 의한 강우 특성이 반영된 사례들이다. 집중호우 사례는 보정된 강우량의 품질을 극대화하여 검증할 기회를 제공하며, 비집중호우 사례는 정상적인 기후 조건 하에서의 보정 성능을 평가할 수 있는 기준이 된다. 이러한 양측의 사례 선정은 레이더 강우 품질의 영향 평가를 검증하는 데 중요한 역할을 하며, 다양한 기상 조건에서의 강우량 보정 성능을 종합적으로 분석할 수 있게 한다.

2.2 자료

본 연구에서는 레이더 강우를 위해 기상청에서 운영하는 현업용 기상레이더 10개 지점에서 측정된 반사도를 합성하여 제공되는 자료를 이용하였다. 합성 방법은 HSR(Hybrid Surface Rainfall) 기법이 이용되었다^{(Lyu et al., 2017)}. 지형차폐의 영향이 없는 지상에 가장 가까운 고도각 자료로 추정한 레이더 강우량으로, 지형에코와 비기상에코 등의 영향을 최소화하는 방법이다. 레이더 자료는 각 사례별 기간에 대해 1시간 누적 강우량을 산정할 수 있도록 수집하였다. HSR 레이더 합성 자료는 5분 간격으로 생산되며, 500 m의 공간 해상도를 가진다(Table 2).

합성된 반사도는 ^{Marshall과 Palmer(1948)}가 제안한 Z-R 관계식(Eq. (1))을 통해 지상 강우로 변환하였다.

여기서, Z는 레이더 반사도, R은 지상 강우를 의미한다.

보정 과정에서는 10분 간격의 레이더 강우량 자료가 필요하므로, Eq. (2)을 사용하여 10분 누적 강우량($Radar_{10}$)으로 변환하였다.

이때, $HSR_{10}$은 10분 시점에 획득한 1시간 누적 강우량, $HSR_{00}$은 00분 시점에 획득한 1시간 누적 강우량을 나타낸다. 두 자료의 차이를 이용하여 10분 누적 강우량을 생성하였다.

AWS 자료 또한 Eq. (3)을 사용하여 10분 누적 강우량($Station_{10}$)으로 변환하였다.

이때, $AWS_{i}$는 $i$분에 획득한 매분 AWS 지상강우 자료이다. 10분 간의 누적량을 이용하여 10분 누적 강우량을 생성하였다.

레이더 강우 보정을 위한 지점강우 자료는 기상청의 ASOS 및 AWS 자료와 산림청 산악기상관측망의 AWS 자료를 이용하였다. 기상청은 전국적으로 510개의 AWS를 운영하며, 이 시스템에는 전도형 우량계가 설치되어 0.5 mm 해상도의 누적 강우량 자료를 1분 간격으로 수집하고 있다. 강원도에는 92개의 기상청 AWS가 운영 중이다. 지상강우 관측지점의 비균질성을 보완하고 산지의 기상을 정확하게 모니터링하기 위해 산림청에서는 2012년부터 전국 주요 산악지역을 대상으로 산악기상관측망(Automatic Mountain Meteorology Observation Station, AMOS)을 구축해 왔고 2024년 현재 481개의 관측소가 운영되고 있다. 강원도 지역에는 92개 지점이 있다. 산림청 산악기상관측망 관측자료는 기상관측표준화법에 의거하여 ‘우수’ 등급으로 품질을 평가받았으며, 사전 분석과 현장 평가를 통해 입지가 선정되었다^{(Yoon et al., 2018)}. 지상강우 관측 지점이 부족한 지역에 대해서는 레이더나 위성을 이용하여 강우량을 추정할 수 있으나, 우량계로 측정한 지상강우는 다른 종류의 센서들을 통해 측정된 강우량을 보정하거나 검증할 때 참값으로 사용된다. 반대로 측기로서 우량계가 오작동하거나 오차를 가지는 경우가 있으므로^{(Wang et al., 2008)}, 다른 센서로 추정된 강우량 자료를 함께 이용하면 상호 보완이 가능하다.

이 연구에서는 강우 보정에 미치는 영향을 검증하기 위해 기상청에서 운영하는 AWS 이외의 한국수자원공사에서 제공하는 46개의 AWS와 강원도의 시군구에서 자체 운영하는 91개의 AWS를 사용하였다. 분석 기간은 Table 1의 기간을 사용하였다. 한국수자원공사와 강원도에서 운영되는 우량계는 모두 0.5 mm 해상도로 강우량을 측정한다. Fig. 2는 강우 보정에 사용되는 기상청 AWS와 산림청 AWS의 관측지점과 검증에 사용되는 한국수자원공사 AWS와 강원도 AWS의 관측지점 분포를 표시하였다.

Fig. 2. Spatial Distribution of Rain Gauge Positions used (a) to Adjust Radar Rain and (b) to Verify LGC Method*KMA - Korea Meteorological Administration, Automatic Weather System**KFS - Korea Forest Service, Automatic Weather System***KWA - K-Water, Automatic Weather System****KWD - Gangwon State, Automatic Weather System

2.3 국지 우량계 보정 방법

본 연구는 Fig. 3과 같이 국지 우량계 보정을 수행하였다. 이 과정에서 두 가지 접근 방식을 사용하였는데, 첫 번째는 기상청에서 제공하는 AWS만 적용한 경우이며, 두 번째는 기상청과 산림청에서 제공하는 AWS를 모두 포함하여 적용한 경우이다.

국지 우량계 보정을 수행하기 위해, 본 연구에서는 ^{Kim et al.(2015)}의 역거리 가중치 차수 최적화 알고리즘과 레이더 강우량 오차의 이상치 제거 알고리즘을 적용하였다. 레이더 강우 보정 방법은 레이더 측정 반경 내에 있는 우량계 지점들과 해당 우량계 지점을 중심으로 주변 레이더 픽셀 간의 거리를 활용하여 레이더 강우량의 실제 오차에 역거리 가중치를 부여하여 예측 오차를 산출하고 레이더 강우량을 보정하는 방식이다^{(Ware, 2005)}. 우선, Eq. (4)와 같이 각 우량계 지점에 대응하는 레이더 강우량 오차를 계산한다.

Fig. 3. Adjustment Procedure of Radar Rainrate Using Improved LGC Method

여기서, $i$는 우량계 지점을 의미하며, $r_{i}$는 $i$번째 우량계 지점에 해당하는 보정 전 레이더 강우량, $g_{i}$는 해당 우량계 지점에 대응하는 레이더 강우량의 실제 오차이다. 이 실제 오차는 레이더 강우량 보정을 위한 예측 오차 분포 산출에 사용된다. 레이더 강우량의 실제 오차 내에 존재하는 이상치는 주변의 레이더 강우량 예측 오차 분포에 대해 과소 또는 과대 추정의 원인이 되어 레이더 강우량의 예측 오차 분포를 산출하기 전에 실제 오차의 이상치 제거 알고리즘을 통해 전처리를 수행하였다(Fig. 4).

Fig. 4에서, $\overline{e}$는 레이더 강우량의 실제 오차의 평균이며, $\sigma_{e}$는 실제 오차의 표준편차이다. $e_{low}$와 $e_{high}$는 각각 이상치 제거를 위한 하한치와 상한치를 의미한다. $w_{i}$는 $i$번째 우량계 지점에 대응하는 역거리 가중치이다. 강우량의 오차가 상한치와 하한치를 벗어나면 해당 역거리 가중치는 0이 되어 레이더 강우량 예측 오차 산출에서 제외된다.

레이더 강우량 예측 오차는 Eq. (5)를 사용하여 레이더 도메인 격자에 보간된다. 이 보간 과정은 역거리 가중 방법을 사용한다^{(Simanton and Osborn, 1980)}. 역거리 가중치를 계산하는 방법은 Eq. (6)와 같다. 역거리 가중치 계산에 사용되는 변수 $\alpha$는 Eq. (7)과 같이 계산되며, $\alpha$는 보간을 위한 적합한 우량계 수를 판단하는 기준값이다. 강우가 발생한 지점의 수가 적으면 추정 오차의 변화가 작게 나타날 수 있으며, 이를 완화하기 위해 ^{Zhang et al.(2011)}은 오차 추정에 정규분포를 적용하여 거리가 가까울수록 지상 강우의 영향이 증가하도록 하였다.

Fig. 4. Procedure for Outlier Elimination of Radar Rainrate Error Values

여기서, $R_{e}$는 레이더 강우량의 예측 오차, $n$은 역거리 가중치 산출을 위한 유효반경($D$)내의 레이더 픽셀과 대응하는 우량계의 지점 총수를 의미한다. $b$는 역거리 가중치의 차수이며, $d_{i}$는 $i$번째 우량계 지점과 레이더 픽셀 사이의 거리이다. $\alpha$가 1보다 큰 경우는 보간을 하기에 적합한 우량계의 수가 갖춰졌다고 판단하고 $\alpha$를 적용하여 역거리 가중치를 계산하며, $\alpha$가 1보다 작으면 $\alpha$를 1로 적용한다. 역거리 가중치의 유효 반경은 베리오그램과 상관그램을 통해 결정된다. 베리오그램은 지구 통계학적 방법을 통해 일정한 거리에서 자료의 유사성을 나타내는 척도로, 공간적 자기상관 함수의 결과에 따라 해당 영역의 특성을 보여주며 본 연구에서는 50 km로 설정하였다.

^{Kim et al.(2014)}은 레이더 강우 보정 방법의 효과를 검증하기 위해 역거리 가중치의 차수를 관측 지점과 미관측 지점 간의 거리의 제곱으로 고정하였다. 역거리 가중 방법의 가중치는 차수의 크기에 따라 크게 달라지며, 차수가 증가할수록 가까운 관측값의 영향을 더 크게 받는 특징이 있다^{(Park and Kim, 2013)}. ^{Kim et al.(2015)}은 역거리 가중치 차수의 최적화를 위한 알고리즘을 적용하였다(Fig. 5).

Fig. 5에서 RMSE_Min은 레이더 강우 보정 방법의 최소 제곱근평균제곱오차(Root Mean Square Error, RMSE)를 나타낸다. Power는 역거리 가중치의 차수이며, RMSE_Min이 나타났을 때의 Power이 최적화된 역거리 가중치의 차수이다. ^{Zhang et al.(2011)}의 기준을 적용하여 역거리 가중치 차수의 범위 및 해상도는 0.5에서 3.0으로 차수가 가장 적합한 값에 수렴될 때까지 차수를 반복적으로 보정한다. 레이더 강우 보정 방법에 의해 산출된 레이더 강우량의 예측 오차는 최종적으로 Eq. (8)과 같이 보정 전의 레이더 강우량에 적용하여 보정된 레이더 강우량($r_{LGC}$)을 산출한다.

보정된 레이더 강우의 품질에 미치는 지상강우 데이터의 효과는 강원도 지역 면적 강우량을 기준으로 분석하였다. 지상 강우는 티센법^{(Thiessen, 1911)}을 사용하여 산정하였고, 레이더 강우량은 중앙격자점 산술평균을 적용하여 분석하였다. 티센법은 관측소 간 연결 직선의 수직 이등분선을 서로 연결하여 티센 다각형을 생성하고, 유역 내 티센 다각형별 면적비를 산정하여 우량계 지점별 강우량에 곱하여 합산하는 방식으로 평균 강우량을 산출하는 방법이다. 우량계 지점의 지배 면적을 티센 다각형으로 산정한 후, 가중 인자로 잡아 강우량을 곱하여 합산한 후 유역 면적으로 나누어 평균 강우량을 산정한다. 중앙격자점 산술평균법은 격자점의 분포가 비교적 균질하고, 공간 해상도가 3 km 미만일 경우 적용된다. 이 방법은 산정 과정이 단순하여 발생할 수 있는 오차의 가능성이 작다는 장점이 있다.

Fig. 5. Optimization Procedure of Distance Power for IDW

3.1 공간분포 분석

선정된 3개 사례를 대상으로 레이더 강우를 보정하기 전에는 강도 면에서 뚜렷한 차이를 나타냈다. Fig. 6은 사례별 3시간 누적 강우량(mm/3 hr)의 공간분포이다.

보정이 적용되기 전의 레이더 강우(Fig. 6(b))는 모든 사례에 대해서 지상강우에서 나타나는 강도(Fig. 6(a))에 비해 과소추정되는 지역이 나타나고 있다(Fig. 7(a)). 사례 1과 사례 2에서는 영서 지역에서 그 현상이 뚜렷하고, 사례 3에서는 태백산맥 이남과 영동 지역에서 과소추정되는 패턴이 나타난다. 이는 기상청에서 운영 중인 레이더 시스템이 지형적 요인이나 기상 조건에 따라 강우량을 정확히 측정하는 데 한계가 있음을 시사한다^{(Kim et al., 2013)}.

지상강우 자료를 이용하여 보정한 레이더 강우는 과소추정 공간패턴이 개선되는 것으로 나타난다. 기상청에서 제공하는 AWS 지상강우 자료만 이용하여 보정한 결과(Fig. 6(c), 7(b); LGC1)와 기상청과 산림청에서 제공하는 AWS를 모두 포함하여 적용한 결과(Fig. 6(d), 7(c); LGC2)에서 각각 누적 레이더 강우량 공간분포가 과소추정되었던 지역에서 강도가 개선되었다. 결과적으로 보정된 누적 레이더 강우량 분포는 누적 지상 강우 분포와 유사하게 나타난다. 강원도 영서지역에서 레이더 강우가 과소추정되었던 사례 2의 경우, 그 효과가 뚜렷하다. 사례 2와 사례 3에서는 공간적으로 강우 강도가 집중된 영역에서 레이더 강우량의 과소 추정이 뚜렷하게 개선되었다.

그리고 영서 내륙 산지뿐만 아니라 아니라 영동의 해안 지역까지도 산림청 지상강우 자료를 함께 이용했을 때 전반적으로 강도 면에서 기상청 자료만 이용했을 때보다 강해진 것을 볼 수 있다(Fig. 6(c), 6(d)). 레이더 강우 보정 시 지점별 탐색 반경이 충분히 경우에도 강우강도가 지역의 지상강우 자료가 추가로 이용된 LGC2는 기상청 지상강우 자료만 이용된 LGC1보다 더욱 향상된 결과를 보여주었다. 기상청과 산림청에서 제공하는 지상 강우의 결합이 강우량 보정 결과의 품질을 더욱 높였다. 집중호우가 발생한 영역에서는 레이더 강우량의 과소추정이 지상 강우 분포와 유사하게 보정되었으며, 이러한 개선은 LGC2의 적용으로 더욱 두드러지게 나타났다. 이는 레이더 강우량의 보정이 집중호우와 같은 극단적인 기상 현상에 대해서도 지상강우 자료가 충분히 제공되었을 때 효과적으로 이루어질 수 있음을 의미한다.

Fig. 6. Spatial Distribution of Total Rainfall Accumulation. (a) Rain Gauge and (b) before Applying LGC Method and (c) after Applying LGC1 and (d) LGC2 for Each Event

Fig. 7. Distribution of Errors with Rain Gauge For Each Event. (a) before Applying LGC Method, (b) after Applying LGC1, and (c) LGC2

3.2 통계 검증

Fig. 8은 사례 기간의 누적 지상 강우와 누적 레이더 강우량의 산포도를 나타내며, 이에 대한 정량적 통계 검증 결과는 Table 3에 제시하였다.

보정 전의 누적 레이더 강우량은 모든 사례에서 과소 추정되었으나, 보정된 누적 레이더 강우량은 이러한 과소추정을 소폭 개선하였다. 사례 1에서 LGC1의 RMSE는 보정 전 누적 레이더 강우량과 유사한 결과를 보였지만, LGC2의 RMSE는 26 % 개선되었다(Table 3). 이는 LGC2에서 산림청 산악기상관측망을 포함하여 더 많은 AWS 지상강우 자료가 이용되어 전반적인 강우량을 더욱 정확하게 보정했음을 의미한다. 사례 2에서는 LGC1과 LGC2의 RMSE가 각각 10 %와 57 % 개선되었으며, 사례 3에서도 각각 8 %와 58 %의 개선이 이루어졌다. 이러한 결과는 LGC2가 LGC1보다 모든 사례에서 유의미한 성능 향상을 보여주었음을 나타낸다. 전체 사례에 대한 LGC2의 RMSE는 LGC1보다 27 %부터 47 % 높게 나타났으며, LGC2의 CORR 또한 LGC1보다 7 %부터 45 % 개선된 결과를 보였다.

Fig. 8. Comparison of 10-Minute Rainfall Accumulation from Rain Gauges and Radar. (a) before Applying LGC Method and (b) after Applying LGC1 and (c) LGC2 for Each Event

3.3 시계열 분석

Fig. 9은 강원도 지역 면적강우량을 기준으로 10분 강우강도(mm/10 min)와 누적 강우의 사례별 시계열을 나타낸 것이다.

Fig. 9. Hyetograph of (a) Rain Gauge and (b) before Applying LGC Method and (c) after Applying LGC1 and (d) LGC2 for Each Event

막대는 지상 강우와 레이더 강우의 10분 강우강도를 가리키고, 실선은 각각의 누적 강우 시계열을 가리킨다. 누적 강우 시계열을 기준으로 보면 모든 사례에서 기상청과 산림청의 지상 강우 자료가 함께 이용된 보정 결과(노란색 실선; LGC2)가 검증 대상 자료(파란색 실선; 한국수자원공사 및 강원도 측정 지상강우 기반 면적강우량)를 강도와 변동성 면에서 잘 따라간다(Table 3). 사례 2와 사례 3에서는 기상청 자료만 이용하여 보정한 결과(녹색 실선, LGC1)도 보정 전보다 좋은 성능을 보여주고 있으나 사례 1에서는 보정 전보다 누적 강우 기준으로는 다소 성능이 떨어졌다. 이는 레이더 강우 자료에 적용된 국지 우량계 보정 알고리즘에서 지상강우 자료를 이용할 때 지나치게 큰 값은 이상치로 처리되거나 감쇠되어 반영되기 때문으로 판단된다. 사례 2와 사례 3의 경우도 지상강우가 큰 지점들이 있으나 국지적으로 존재하지만, 사례 1은 관측지점들이 대체적으로 레이더 강우에 비해 매우 큰 지상강우 값을 보여주고 있다(Fig. 6, 7). 이는 지상강우 자료의 공간적 밀집도를 개선하면 관측지점에서뿐만 아니라 대상 지역 전체에 대한 강우 특성을 추정하는 데 있어서 긍정적인 효과를 가져올 수 있다는 것을 의미한다. 다만 일부 결과가 보여주듯이 보정 알고리즘에서의 임계치나 세부 처리 과정에 있어서 과거의 기후 범위나 미래에 발생할 수 있는 강우강도의 가능성을 면밀히 고려할 필요가 있다.