The Korean Meteorological Society 1

Current Issue

Atmosphere - Vol. 34 , No. 1

[ Article ]
Atmosphere - Vol. 30, No. 2, pp. 169-181
Abbreviation: Atmos
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Jun 2020
Received 06 Apr 2020 Revised 08 May 2020 Accepted 02 Jun 2020
DOI: https://doi.org/10.14191/Atmos.2020.30.2.169

관측망 밀도 변화가 기상변수의 공간분포에 미치는 영향: 2019 강원영동 입체적 공동관측 캠페인
김해민1), * ; 정종혁1) ; 김현욱1) ; 박창근2) ; 김백조1) ; 김승범1)
1)국립기상과학원 재해기상연구부
2)국립기상과학원 인공지능예보연구팀

Effects of Observation Network Density Change on Spatial Distribution of Meteorological Variables: Three-Dimensional Meteorological Observation Project in the Yeongdong Region in 2019
Hae-Min Kim1), * ; Jong-Hyeok Jeong1) ; Hyunuk Kim1) ; Chang-Geun Park2) ; Baek-Jo Kim1) ; Seung-Bum Kim1)
1)High-Impact Weather Research Department, National Institute of Meteorological Sciences, Gangneung, Korea
2)AI Weather Forecast Research Team, National Institute of Meteorological Sciences, Jeju, Korea
Correspondence to : * Hae-Min Kim, High-Impact Weather Research Department, National Institute of Meteorological Sciences, N10-707, 7, Jukheon-gil, Gangneung-si, Gangwon-do 25457, Korea. Phone: +82-33-640-2322, Fax: +82-33-640-2320 E-mail: haemin@korea.kr

Funding Information ▼

Abstract

We conducted a study on the impact of observation station density; this was done in order to enable the accurate estimation of spatial meteorological variables. The purpose of this study is to help operate an efficient observation network by examining distributions of temperature, relative humidity, and wind speed in a test area of a three-dimensional meteorological observation project in the Yeongdong region in 2019. For our analysis, we grouped the observation stations as follows: 41 stations (for Step 4), 34 stations (for Step 3), 17 stations (for Step 2), and 10 stations (for Step 1). Grid values were interpolated using the kriging method. We compared the spatial accuracy of the estimated meteorological grid by using station density. The effect of increased observation network density varied and was dependent on meteorological variables and weather conditions. The temperature is sufficient for the current weather observation network (featuring an average distance about 9.30 km between stations), and the relative humidity is sufficient when the average distance between stations is about 5.04 km. However, it is recommended that all observation networks, with an average distance of approximately 4.59 km between stations, be utilized for monitoring wind speed. In addition, this also enables the operation of an effective observation network through the classification of outliers.


Keywords: High-quality weather information, interpolation, network density, 3D MOP-YD

1. 서 론

우리나라는 지형이 복잡하고 몬순의 영향을 받아 기상요소의 시·공간적 변동성이 크게 나타난다(Hong et al., 2007). 이런 큰 공간 변동성으로 인해 지상기상변수의 공간분포를 정확하게 파악하는데 어려움이 있다. 현재 우리나라 기상청의 관측망은 평균거리 12 km 정도이며, 기상관측장비들이 대부분 인구가 밀집된 도시를 중심으로 설치되어 있다(Yoon et al., 2016). Hwang and Ham (2013)은 수도권지역의 지상 관측망을 활용해 최적의 강수격자크기(1 km 이하)와 관측소 밀도(5 km 이하)에 대해 수자원 분야관점에서 연구하여, 공간정확도를 높이는데 격자 크기보다 관측소 밀도가 중요한 요소로 작용함을 밝혔다. 그리고 Kang et al. (2019)에서도 수도권지역에서 관측망 밀도에 따라 기상 자료의 공간분포의 정확도가 높아지지만, 강수유형이나 대류 세포의 수평분포에 따라 차이가 발생하는 것을 확인하였다. 이처럼 관측망 밀도에 대한 선행연구들은 인구 밀집지역인 수도권 지역을 대상으로 집중되어 있다. 그러나 인구밀집지역을 제외한 다른 지역들은 관측지점과 밀도로 국지적인 기상을 분석하기 충분한지에 대한 검토가 부족한 상황이며, 기상정보의 활용성을 고려한다면 그 결과를 제시할 필요가 있다.

Won (2015)에 의하면 우리나라의 기상현상은 산악지역과 평지 지역에서 다른 특성을 보이는데 강수량은 산악지역이 2배 더 많았으며 풍속은 산악지역에서 3배 더 강하게 부는 것을 밝혔다. 우리나라는 산지의 면적 비율이 크고 특히, 강원도의 경우 중간 산야지대(500~1,000 m)가 43.4%로 전국에서 가장 비중이 높다. 게다가 영동지역은 지형 특성으로 인해 인접지역 간에도 다른 형태의 기상현상을 보인다(Lee, 1999; Chung et al., 2004). 따라서 산지지역을 대상으로 지상 관측망으로 생산된 공간 자료가 국지적인 위험 기상 현상을 탐지할 수 있는 해상도를 가지는지와 경제적인 관측 밀도에 관한 연구가 필요한 실정이다. 국지적 기상특성의 정확한 공간분포를 파악하기 위해서는 고해상도 기상 관측정보가 필요하다(Hong et al., 2007). 지형이 복잡한 강원도의 면적은 약 16,787 km2로 남한 면적의 16.80%이나, 기상관측소의 수는 남한 기상관측소의 15.20%에 해당하여 강원도의 기상관측소 1개소가 관할하는 평균 면적이 전체의 평균 면적보다 넓다(Kim et al., 2013). 그러나 최근 2019 강원 영동지역 공동관측 캠페인의 수행으로 관측 밀도가 증가된 바 있다. 이에 본 연구에서는 캠페인 대상영역인 영동지역의 지상 관측 자료를 기반으로 생산한 격자자료를 통해 적정 관측소 밀도를 분석하고자 한다. 또한 기존 네트워크에 대한 평가를 통해 관측망의 경제적이며 효율적인 운용에 도움을 주고자 한다. 이 논문의 2장에서는 2019년 강원영동 입체적 공동관측 캠페인에 대하여 설명하고, 사례 선정, 그리고 분석 방법에 대하여 기술하였다. 3장에서는 관측지점거리에 따른 상관관계와 관측망 밀도에 따른 공간 재현 성능을 비교하였다. 그리고 관측지점의 대표성을 분석한 결과를 기술하였다. 마지막으로 4장에서 결과를 요약하고 토의하여 마무리 하였다.


2. 자료 및 연구방법
2.1 강원영동 입체적 공동관측 캠페인

국내에서 대설의 최근 경향이 국지적 특징을 보이고(Kim et al., 2012; Kim et al., 2018), 이러한 국지적인 위험 기상 현상을 탐지할 수 있는 수준의 정확도를 보이는 관측 밀도의 분석이 필요함을 언급한 바 있다(Hwang and Ham, 2013; Kang et al., 2019). 강원영동 입체적 공동관측 캠페인(3-Dimensional Meteorological Observation Project in the Yeongdong Region, 3D MOP-YD)은 다양한 국지순환이 발달하는 동해중부해상과 강릉 경포해안에서 선자령까지의 지역을 중심으로 강원영동지역의 복잡지형효과와 동풍의 영향을 분석하기 위한 목적으로 2019년 2월 11일부터 28일(18일)까지 수행되었다. 3D MOP-YD 대상영역의 관측지점은 기상청의 자동기상관측장비(Automatic Weather Station, AWS), 종관기상관측시스템(Automated Synoptic Observing System, ASOS) 10개소, 우량계 10개소, 통합기상관측망(Multi Weather System, MWS) 24개소, 그리고 유관기관(국립공원, 농촌진흥청, 그리고 산림청)은 AWS 7개소로 총 54개소가 포함되었다. 기상청의 지상기상관측지점들은 약 87%가 고도 300 m 이하이며, 지리적으로 특정지역에 집중되어 있어 국지적인 기상특성을 정량적으로 분석하기에는 어려움이 많다(Hong et al., 2007). 그러나 3D MOP-YD에 활용된 지상 관측소는 약 39%가 고도 300 m 이상의 산지에 분포하였다. 여기서 산지의 기준은 다수의 선행연구들을 참고하여 해발고도 300 m이상의 지역으로 정의하였다(Lee et al., 2005; Kim et al., 2013; Tak et al., 2013).

2.2 연구 자료

3D MOP-YD 기간내에 강설과 한파 주의보가 발표된 2019년 2월 13일부터 14일까지를 연구 기간으로 선정하였다. 그 중에서도 한파 특보기준을 초과하는 시각인 13일 0700 LST(D1, 대관령: -12.8oC)와 14일 0400 LST(D2, 대관령: -12.5oC) 그리고 적설이 관측된 기간인 14일 0700~1000 LST(D3~6, 북강릉: 0.5 cm)를 분석에 사용하였다(Table 1). 3D MOP-YD의 설치된 관측소는 54개소이나 이 중 강수 변수만을 수집하는 우량계(10개소)를 제외하고 해당 기간 내에 자료 수집이 되지 않은 평창 매봉과 강릉시 화란봉, 홍제의 세 지점을 제외하였다. 이러한 이유로 기상청의 AWS와 ASOS 10개소, MWS 24개소로 총 34개소, 그리고 유관기관의 AWS 7개소로 총 41개소를 사용하였다(Fig. 1). 연구 자료는 선정된 관측지점의 시간별 기온(한파 관련), 상대습도, 그리고 풍속 변수를 사용했다. 적설이 겨울철과 밀접한 관련이 있으나 관측값이 존재하지 않는 지점이 많아 수증기 함유량에 관한 대기의 상태인 상대습도로 변수를 대체하여 활용하였다. 바람의 경우 지형에 따라서 변화가 크며 풍속이 증가할수록 지표면에서 요란을 일으키므로 추가 분석하였다. 한편, 상대습도를 관측하지 않는 용평지점 AWS (318)로 인해 1개소 적은 40개소가 활용되었다. ASOS와 AWS의 기온, 상대습도는 평균적으로 1.5 m에 위치하고 풍향풍속계는 지표로부터 10 m 이내에 설치되어 있다. 그러나 MWS의 경우 기온, 습도, 그리고 풍향풍속 모두 4 m에 위치한다. 기온과 상대습도는 센서의 고도에 따른 차이가 센서의 불확도 보다도 낮았다. 한편 풍속은 지면으로부터의 높이에 따라 다르게 나타나기 때문에 지상 10 m 높이의 풍속을 표준으로 한다고 지상기상관측지침에서 설명하고 있다. 그러므로 다음의 식을 활용하여 고도 평준화를 하였다(Pryor et al., 2005; Jiang et al., 2010; Wan et al., 2010).

UZ10=UZaZ10Za
Table 1. 
Date of selected cold wave and snow cases in this study.
Event Time (LST) Case no.
Cold wave 2019.02.13.0700 D1
2019.02.14.0400 D2
Snow 2019.02.14.0700 D3
2019.02.14.0800 D4
2019.02.14.0900 D5
2019.02.14.1000 D6


Fig. 1. 
Location of surface observation stations used in this study. Observation equipment was classified by shape (ASOS symbols; ●, AWS symbols; ■, and MWS symbols; ★) and main organ was color-coded (Korea meteorological administration symbols; red, korea national park symbols; purple, rural development administration symbols; yellow, and korea forest service symbols; pink).

여기서, U는 풍속, Z10은 10 m 고도, Za는 실제 관측된 고도를 의미하고 ∝는 일반적으로 1/7로 설정한다(Peterson and Hennessey, 1978; Weisser and Foxon, 2003). 단, 본 분석에 사용된 자료 중 관측지점의 환경은 기상관측표준화법의 기준을 적용하여 설치된 것으로 이에 대한 검증은 불필요하다고 사료된다.

사용된 관측지점의 고도는 기상청의 AWS와 ASOS일때 최저 약 4 m(524, 강문)와 최대 약 852 m(879, 스키점프)이고, 통합기상장비를 포함할 경우 기상청 산하의 지상 관측 장비는 약 2 m (2555, 경포호) ~ 약 1439 m(2587, 발왕산) 고도에 설치되어 있다. 그리고 유관기관의 AWS 자료들은 고도 7 m(2704, 강릉시 연곡면) ~ 약 1155 m (2899, 선자령) 고도에 설치되어있다. 그리고 사례의 국지적인 특성 파악에 기상청의 종관일기도와 AWS의 강수분포 자료, 그리고 레이더 영상을 활용하였다.

2.3 분석 방법

관측지점의 거리에 따라 기상변수의 지역적인 차이를 분석하기 위해 연구영역내에서 유인관측지점이며 해안가에 위치한 북강릉 지점(104)을 기준으로 이외의 관측지점들(40소)과의 상관계수(Pearson correlation coefficients)를 산출하고 결측을 제외한 39소를 분석하였다.

관측망의 밀도에 따른 수평 분포 특성을 분석하기 위해 연구 영역내에 위치한 관측지점을 기상청의 기존 관측망(Step 1), 기상청의 기존 관측망 + 유관(Step 2), 기상청의 기존 관측망 + MWS 관측망(Step 3), 그리고 기상청(기존 + MWS) + 유관(Step 4) 순으로 관측망 밀도에 따라 단계별로 구분했다(Table 2). 여기서, 각 단계별 관측 밀도는 관측소의 수를 캠페인 대상 영역의 넓이(약 865 km2)로 나눈 값이다.

Table 2. 
The number of total observation stations and horizontal grid size of the 3D MOP-YD area.
Step Observation Network Total station number Horizontal grid size (km2)
Step 1 KMA (ASOS + AWS) 10 9.30*9.30
Step 2 KMA (ASOS + AWS) + Local (AWS) 17 7.13*7.13
Step 3 KMA (ASOS + AWS + MWS) 34 5.04*5.04
Step 4 KMA (ASOS + AWS + MWS) + Local (AWS) 41 4.59*4.59

국지적인 기상현상의 특성을 분석하기 위한 고해상도 격자형 기상자료의 필요성이 증대되고 있으나(Lee, 2001), 지상 관측소는 지점 자료이며 공간적으로 비균질하게 분포한다. 따라서 비정규 자료(불규칙한 지점)로부터 격자형 자료를 생성하는 지질 통계 기법이며(Isaaks and Srivastava, 1989), 비교적 정확하게 내삽하는 것으로 보고된바 있는(Oliver and Webster, 1990; Goovaerts, 1997) 크리깅(Kriging) 기법을 사용하여 관측 밀도에 따른 공간상의 기상 특성을 추정하였다. 자료에 공간적인 경향성이 없을 때 약한 불변성을 가정하고 사용하는 정규 크리깅(ordinary kriging)을 했다. 이는 크리깅 추정식이 편향되지 않으면서 오차분산을 최소로 하는 가중치를 구하는 기법이다. 그리고 일반적으로 사용되는 모델중 하나인 Spherical을 활용하였다. 본 연구에서 사용한 크리깅 기법은 추정식이 항상 편향되지 않기 위해서는 가중치의 합이 1이 되야 한다는 제약조건이 있다. 크리깅 기법은 국내의 미관측지역에 대한 격자형 공간분포 추정에 관련된 다수의 국내선행연구에서도 많이 활용되고 있다(Jang et al., 2015; Yoon et al., 2015; Kang et al., 2019). 분석에 사용된 공간적인 대상범위는 3D MOP-YD의 영역인 강릉시와 평창군 산지(대관령면, 진부면)로 한정하였고 격자 해상도는 300 m로 고정하고 1시간 단위의 수평 분포를 나타내었다. 최고밀도의 면적 내삽값(Step 4)과 관측망 단계별 면적 내삽값을 이용하여 둘 사이의 상관계수(correlation coefficient: R)와, 결정계수(coefficient of determination: R2)를 계산하였다.

또한, 기존 네트워크를 평가하여 적정한 기상 네트워크 설계를 위해 크리깅 기법으로 추정된 값과 실제 관측지점의 값을 오차제곱근(Root Mean Square Error, RMSE), 상관계수(R), 그리고 결정계수(R2)의 통계측도를 비교하여 정량적인 검증을 하였다. 그리고 회귀식을 통해 잔차를 산출하여 IQR (Interquartile range) 이외인 특이 지점을 선정하였다. 여기서, 특이 지점이란 주변의 값으로 내삽하여 추정하기 어려워 관측이 필요한 지점을 의미한다.


3. 결 과
3.1 사례의 국지성 검토

Figure 2는 2019년 2월 14일 0900 LST의 지상, 500 hPa 일기도 그리고 2019년 2월 14일 110 LST의 강수 분포도와 레이더 눈비 영역이다. 지상일기도를 보면(Fig. 2a) 전반적으로 중국 북부지방(산둥반도)에 위치한 시베리아 고기압에 의한 영향을 받았으며 적설 기간에 중국 북동지역에 위치하고, 시베리아 고기압의 세력이 남쪽으로 더 확장하였다. 고기압 전면에 동풍이 유입되 강원 영동지역에 강수가 발생할 수 있는 종관환경이였다. 500 hPa 일기도를 보면(Fig. 2b), 캄차카반도와 오호츠크해를 중심으로 기압골이 위치하고 한반도에서 동서로 거의 나란한 기온분포를 보였다. 동해상과 남해상, 서해남부해상에 레이더 에코가 있었다(그림생략). 강원 영동지역의 강수현상은(Fig. 2c), 동해상의 약한 에코가 북진하면서 강수가 종결되었다. 레이더로 분석된 실황 눈비 영역은 대상 지역에 눈(강설)으로 분류됨을 확인하였다(Fig. 2d). 즉, 강수 분포와 레이더 에코 분포로부터 연구 사례는 강원 영동지역에서 발생한 국지적인 강수 사례임을 확인하였다.


Fig. 2. 
Spatial distribution of (a, b) weather chart at 0900 LST 14 february 2019, (c) 1 h accumulated precipitation (mm), (d) radar image at 1100 LST 14 february 2019.

3.2 거리에 따른 기상변수의 상관관계

일반적으로 관측지점의 거리가 멀어짐에 따라 기상 변수의 상관관계도 낮아지므로 영동지역 내의 관측지점을 활용하여 기상변수의 상관도를 조사하였다. 관측지점 사이의 거리에 따른 기온, 상대습도 그리고 풍속의 상관 특성을 Fig. 3에 나타내었다. 두 지점 사이의 상관 계수를 구하기 위해 북강릉 지점을 기준으로 3D MOP-YD에 활용된 그 외 비교 지점에 대해 상관관계를 구한다. 여기서, 지점간의 거리는 지구를 구(sphere)로 가정하고 두 지점의 위도와 경도의 위치 정보를 대입하여 두 지점 사이의 최단거리를 측정하는 방법인 Haversine 공식을 이용하여 계산하였다(Sinnott, 1984).

d=2rarcsinsin2Qx-Px2+cosPxcosQssin2Qy-Pu2

Fig. 3. 
Distribution of the correlation coefficient for (a) temperature and (b) relative humidity, and (c) wind speed, between the KMA 104 station and each station according to the distance between two stations on event period.

여기서 두지점 QP의 각각 경도(x)와 위도(y)를 나타내며, r은 구의 반지름을나타낸다. 사례 기간(2019.02.13.0700 LST ~ 02.14.1000 LST)의 평균값으로 기준지점(104)과 결측이 포함된 지점을 제외하고 39소를 분석에 사용하였다. 북강릉 지점에서 가장 가까운 관측지점은 북강릉 통합기상장비(2560)로 약 0.03 km떨어져 있고. 가장 먼 지점은 약 30.95 km 떨어진 진부 지점(560)이다. 기온의 경우 상관계수의 범위가 약 1.00~0.76으로 높은 상관관계를 가진다(Fig. 3a). 상관계수의 감소추세는 약 -0.00416/km로 나타났으며, P 값은 < .001로 통계적으로 유의했다. 상대습도(Fig. 3b) 또한 기온과 유사하게 거리에 따라 상관계수의 감소추세는 약 -0.01858/km로 나타났으며, P 값은 < .001로 통계적으로 유의했다. 양의 상관관계(1.00~0.34)를 갖고 있으나, 약 16.11 km부터는 0.70 이하로 양의 상관관계가 낮아지는 것을 확인 할 수 있었다. 풍속의 경우(Fig. 3c) 거리에 따른 상관계수의 감소추세는 약 -0.0113/km로 나타났으며, P 값은 < .001로 통계적으로 유의했다. 13 km 이내에서는 양의 선형관계를 보였으나 0.97~0.22로 값의 범위가 넓고, 13 km 이상 떨어진 지점에서는 상관 계수는 양의 값(최대 0.90)과 음의 값(최대 -0.67)을 함께 보였다.

거리에 따른 상관관계를 분석한 결과, 기온에서 상대습도 그리고 풍속으로 갈수록 상관관계가 감소하는 특징을 보였다. 상관계수가 감소하는 특성은 풍속에서 가장 컸으며 기온이 가장 적었다. 즉, 기상요소의 지역적인 차이는 풍속이 크고, 상대적으로 기온이 가장 적은 차이를 보였다. 결론적으로 복잡한 산악지형에서의 바람정보는 기온과 상대습도에 비해 보다 고밀도의 관측망이 요구된다.

3.3 관측망 밀도에 따른 격자형 수평 분포 특성·공간 재현 성능 비교

복잡한 산악지형에서 기상현상의 공간분포 특성에 대해 정확히 알기 위해서는 고밀도의 관측망이 요구되나 경제성을 고려할 경우 관측망 밀도의 상향에도 한계가 존재한다. 따라서 관측망 밀도의 상향에 따른 공간 재현 성능을 비교해 기상 현상분포를 잘 표현하며 경제성있는 관측망 밀도를 파악하고자 한다.

단계별로 해상도를 증가시킨 관측 자료(Table 2)를 2.3절에서 제시된 크리깅 기법을 적용하여 수평해상도 300 m의 공간분포를 표출하였다(Figs. 4, 5). MWS 자료에 의한 효과는 Step 1과 Step 3 또는 Step 2와 Step 4의 비교, 유관기관의 AWS 자료에 따른 효과는 Step 1와 Step 2 또는 Step 3과 Step 4의 비교를 통해 파악할 수 있다. 주로 분석에는 상대적으로 고밀도인 Step 2~4를 비교하였다. 가장 많은 지점의 자료가 사용된 Step 4(4.59 km의 관측망 밀도)의 공간 정확도가 가장 높다고 판단하고, 이를 기준으로 비교·분석 하였다. Step 4의 관측망 밀도와 크리깅 내삽에 사용한 격자 크기는 선행 연구의 기준치인 5 km 이하의 관측소 밀도, 1 km 이하의 격자 크기를 만족한다(Hwang and Ham, 2013).


Fig. 4. 
Spatial distributions of temperature (upper), relative humidity (middle), and wind speed (bottom) at 0400 LST 14 Feb 2019 (D2) related with cold wave. The resolution of horizontal grid is 300 m.


Fig. 5. 
Same as in Fig. 4 except for 0800 LST 14 Feb 2019 (D4) related with snow.

한파의 경우(D1, 2) 대표적으로 D2 사례를 Fig. 4에 나타내었다. 산지에 -12oC 이하로 한파 특보기준을 확인할 수 있었고, 동해로 부터 불어오는 상대적으로 따듯한 바람에 의해(Fig. 2) 해안가는 상대적으로 높은 기온의 공간분포를 보였다. Step 1의 기온(Fig. 4a)과 상대습도는(Fig. 4b) Step 4와 비교하여 관측 정보가 부족한 강릉 산지와 대관령면의 기상분포 표현에 한계를 보였다. Step 2의 기온(Fig. 4d)과 상대습도(Fig. 4e)는 Step 1에 비해 자세히 포착하나 여전히 해안의 남부와 내륙지역을 정확히 파악하기 어려웠다. Step 3부터 강릉시 해상의 남부와 내륙의 분포를 보다 정확히 파악할수 있었다. 한편, 유관기관 관측소 자료 추가에 따른 기온(Figs. 4g, j)과 상대습도(Figs. 4h, k)의 수평 분포는 큰 차이를 보이지 않았다. 또한 풍속은 관측소의 추가에 따른 변화가 크게 나타났으며, 이는 지표의 특성, 지형 또는 장애물 등에 의한것으로 추측된다.

강설 기간(D3, 4, 5 그리고 6)중 대표적으로 D4 사례를 Fig. 5에 나타내었다. Step 4 (Fig. 5j)의 기온에 비교해 Step 1의 기온은(Fig. 5a) 해안지역과 내륙지역의 기온차는 표현하였으나 관측 정보가 부족한 산지 지역의 기온을 낮게 추정하였다. 상대습도는 Step 4에서 30~40% 범위도 관측되었으나 Step 1으로 추정한 상대습도는(Fig. 5b) 80~90%의 범위로 표현되었다. 풍속(Fig. 5c) 또한 관측과 달리 대부분 1 m s-1 이하로 추정되었다. 이를 통해 Step 1으로 강설과 관련된 기상요소의 분포를 제대로 나타내지 못함을 확인하였다. Step 2의 기온(Fig. 5d)과 상대습도(Fig. 5e)는 Step 1에 비해 다양한 기상값을 포착하나 여전히 기상분포 표현에 한계를 보였다. 한편, 통합기상관측시스템이 추가된 Step 3의 기온(Fig. 5j)과 상대습도(Fig. 5k)는 Step 2에 비해 강릉시 산지와 대관령면에 가장 큰 변화를 보이며 수평 분포를 더 정확하게 추정하였다. 특히, 강설(Fig. 2)이 있었던 해안가에 100%의 상대습도를 보이고 이외에는 상대적으로 건조한 공간분포를 확인할 수 있었다. 한편, Step 2 (Fig. 5f)와 비교하여 Step 3 (Fig. 5i)의 풍속은 바람이 강했던 발왕산지점이 내삽시 지배인자로 작용했다. 이후, 유관기관 자료의 추가에 따라 Step 4에서는 그 영향이 완화되는 특징을 확인하였다(Fig. 5l). 발왕산 지점(2587)은 고도 약 1439 m에 위치하였는데 본 연구에서 사용한 41개 소 중 가장 높은 고도에 위치하여 고도의 특성이 수평 내삽결과에 잘 나타난 것으로 사료된다. 한편, 유관기관의 AWS 자료들은 고도 7 m ~ 약 1155 m의 고도에 위치해 수평 분포의 특성을 완화 할수 있었다.

크리깅으로 내삽된 29,756개의 면적값을 관측밀도 단계에 따라 정량적으로 비교한 결과를 Table 3에 표시하였다. Step 4를 기준으로 Step 1~3과 비교·분석하였다. Table 3을 보면 기온의 경우, Step 4와 Step 1의 기상관측망에서의 내삽된 값의 상관계수는 최저 0.86(D2)으로 높은 양의 상관관계를 보였다. 또한 R2은 0.74 이상(D2)으로 Step 1은 약 74% 이상의 설명력을 갖는다. 즉, 강원 영동지역에서 기온의 공간분포는 본 연구의 최저밀도인 Step 1으로도 약 74% 이상 재현이 가능함을 알 수 있다. 상대습도는 Step 1에서 최저 상관계수가 0.03(D4)로 낮은 상관관계를 보였고 최소 R2가 0.00(D4, 6)으로 기상청의 기존 관측 망인 약 9.03 km의 해상도에서는 상대습도의 공간분포 재현이 불가능함을 확인하였다. 보다 고해상도의 관측망 밀도인 Step 2일때는 최저 0.73(D4)의 상관계수로 높은 양의 상관관계를 확인 할 수 있었다. 그러나 R2의 최소 값은 Step 2는 0.53(D4), Step 3는 0.74(D4, 6)이다. 즉, Step 2은 53%의 설명력을 지니고 있고 Step 3는 최소 74% 정도의 설명력을 가지고 있으므로 관측망 밀도가 Step 3 정도 되어야 상대습도의 공간 재현이 의미 있을것으로 판단하였다. 풍속의 경우, Step 1과 Step 2의 상관계수는 -0.26~0.43로 상관성이 적었고, Step 3는 0.66~0.93로 상관성이 높다. 결정계수도 Step 1과 Step 2는 0.00~0.18, Step3는 0.44~0.86이다. 즉, Step 1, 2에 비해 Step 3이 Step 4와 월등히 더 높은 상관관계를 보이며 데이터의 공간분포를 표현할수 있었다. 그러나 시간에 따라 계수들의 변동성이 다소 크게 나타나 해당 해상도의 신뢰성이 부족하다.

Table 3. 
Comparisons of correlation (R) and coefficient of determination (R2) for area values of kriging as by average distances of surface observation system.
Area data Case no. [R] Step 4 [R2] Step 4
Step 1 Step 2 Step 3 Step 1 Step 2 Step 3
TA D1 0.93 0.95 0.99 0.86 0.90 0.99
D2 0.86 0.93 0.99 0.74 0.86 0.98
D3 0.93 0.94 0.99 0.86 0.88 0.98
D4 0.94 0.94 0.99 0.89 0.89 0.98
D5 0.94 0.92 0.99 0.88 0.85 0.98
D6 0.90 0.89 0.99 0.81 0.80 0.98
RH D1 0.90 0.97 0.98 0.81 0.93 0.96
D2 0.90 0.89 0.97 0.81 0.79 0.94
D3 0.30 0.79 0.92 0.09 0.63 0.85
D4 0.03 0.73 0.86 0.00 0.53 0.74
D5 0.08 0.79 0.87 0.01 0.63 0.75
D6 0.04 0.76 0.86 0.00 0.57 0.74
WS D1 0.43 0.43 0.66 0.18 0.18 0.44
D2 0.14 0.34 0.89 0.02 0.12 0.8
D3 0-.07 0.17 0.87 0.01 0.03 0.76
D4 -0.13 0.12 0.90 0.02 0.01 0.81
D5 -0.03 0.23 0.93 0.00 0.05 0.86
D6 -0.26 -0.23 0.75 0.07 0.05 0.56

결론적으로 현재 기상청의 관측해상도(약 12 km)로는 한파와 강설 사례등의 기상공간분포를 파악하기 어렵다고 사료된다. 관측자료 추가에 따른 기상변수의 수평 분포의 차이는 명확히 나타났다. 기온은 최저밀도인 Step 1(약 9.30 km)을 사용하여 수평 분포를 약 74% 이상 설명할수 있어 기존의 관측망으로도 충분하다. 상대습도의 경우 수평 분포를 약 74% 이상 설명하려면 Step 3(약 5.04 km)의 관측망을 활용해야 한다. 그리고 기온과 상대습도는 유관기관의 자료보다 통합기상관측망의 추가에 따른 수평분포의 변화가 더 컸다. 이는 통합기상관측망이 설치로 인해 고도의 다양성과 복잡지형의 특징이 반영된 것으로 판단된다. 한편, 풍속은 지표의 특성, 지형 또는 장애물 등의 영향에 의해 크게 변화하므로 각 관측망 밀도에 따라 공간분포의 변화가 컸다. 특히, 산지에 위치한 발왕산 지점(고도 약 1439 m, 통합기상시스템)은 풍속의 공간 분포에 많은 영향을 주는 지점으로 판단되었다. 풍속은 시간에 따른 변동성이 크게 나타나는 것을 확인하였으며, Step 4(약 4.59 km)의 모든 지점의 관측자료를 사용한 결과가 가장 신뢰성 높다고 판단하였다. 위의 결과는 관측망의 밀도의 증가에 따른 효과가 항상 일정한 것이 아니라 기상변수와 기상 조건(한파, 눈)에 따라 다르게 나타날 수 있음을 보여 준다.

3.4 크리깅 격자값의 정량적인 검증을 통한 관측지점 제언

기존에 설치된 기상 네트워크의 활용성을 분석하기 위해 크리깅 기법을 이용해 추정된 격자값과 중첩되는 관측지점의 기상변수값의 관계를 확인해 보았다(Fig. 6). X 축은 Step 2와 3의 내삽된 격자값을 나타내며 Y 축은 Step 4의 실제 관측된 값을 의미한다. 검정색 선은 기울기가 1:1 관계를 가지는 기준 선이며, 파란색 선(Step 2)과 빨간색 선(Step 3) 은 각각의 산포도로 구한 회귀선이다. 관측된 기상변수값을 참 값으로 분석하였다. 여기서 Step 2는 MWS인 24개, Step 3은 유관기관의 AWS인 7개를 의미한다. 기온의 경우(Figs. 6a-f) 내삽된 격자값은 관측값과 강한 상관성을 가지는 것으로 분석되었으며, Step 2는 다소 과대추정하고, Step 3은 다소 과소추정하는 경향을 보였다. 상대습도의 경우(Figs. 6g-l) 내삽된 격자값은 관측값과 낮은 상관성을 가지는 것으로 분석되었으며, Step 2는 과소추정하고, Step 3은 과대추정 하는 경향을 보였다. 풍속은(Figs. 6 m-r) 산발적으로 분포하였으며 시간에 따라 상이하지만 주로 강설 시(Figs. 6o-r) 내삽된 격자값이 일정한 값에 집중되어 있는 것을 확인할 수 있었다. 또한 내삽된 격자값이 관측값과 상관성을 가지지 않는 것으로 확인되었다. 그리고 일반적으로 R2이 0.65 이상일때 의미있는 회귀식임을 감안하면 해당 격자지점은 상대습도와 풍속을 제대로 표현하지 못한다고 할 수 있다(Fig. 6). 따라서 국지적인 기상현상의 표출이 가능한 관측밀도를 위해 관측소의 추가 설치가 필요하다고 판단된다. 그러나 모든 지역에 관측망을 설치해서 운용하는데 무리가 있다.


Fig. 6. 
Scatter diagrams of relationship between the interpolated values and observation values from each step network : (a-f) temperature, (g-l) relative humidity, and (m-r) wind speed.

그러므로 효율적인 관측망운영에 도움을 주고자 기존 관측망을 검토하여 MWS와 유관기관의 AWS의 특이지점을 선정했다. Figure 6에서 구한 회귀식을 사용하여 기온, 상대습도, 그리고 풍속의 잔차를 산출하였으며 IQR(1, 3 사분위수) 이외 값을 보이는 지점을 특이지점으로 정의하였다(Table 4). 기상청의 MWS는 2553(안인항), 2557(사천항), 2559(하시동리), 2578(성산구산), 2581(성산산북), 2582(왕산도마), 그리고 2583(왕산리)가 3가지 변수에서 모두 특이지점으로 선정되었다. 2554(강릉항), 2574(담산), 2586(차항리), 그리고 2587(발왕산)은 2가지 변수에서, 2558(영진항), 2572(구정금광), 2573(강릉원주대), 2576(성산송암), 2577(성산어흘), 2580(사기막리), 그리고 2585(하늘목장 의야지)는 1가지 변수에서 특이지점으로 선정되었다. 유관기관의 AWS는 2899(선자령)가 3가지 변수에서 모두 특이지점으로 선정되었다. 2704(강릉시 안반덕이), 2723(고령평창 진부면), 그리고 2937(소금강)은 2가지 변수에서, 2896(사기막), 2897(전후재)은 1가지 변수에서 특이지점으로 선정되었다. 이러한 특이 지점의 지리적 위치를 Fig. 7에 나타내었다. 적재적소에서 관측하기 위해 특이 지점을 고려한 관리가 필요하다고 사료된다.

Table 4. 
The first and third quartiles value. And station of outside the IQR range. This station is not estimated by kriging method.
Residual [ MWS ] Step 4 vs Step 2 [ Local (AWS) ] Step 4 vs Step 3
25% 75% 25% 75%
TA -0.94 0.96 -0.50 0.97
2553, 2554, 2557, 2558, 2559, 2574, 2723, 2896, 2897, 2899
2577, 2578, 2581, 2582, 2583, 2587
RH -5.65 5.19 -4.92 8.36
2553, 2554, 2557, 2559, 2573, 2576, 2702, 2704, 2899, 2937
2578, 2581, 2582, 2583, 2586, 2587
WS -0.43 0.40 -0.53 0.55
2553, 2557, 2559, 2572, 2574, 2578, 2704, 2723, 2899, 2937
2580, 2581, 2582, 2583, 2585, 2586


Fig. 7. 
It is a unusual point outside the IQR range. Observation equipment was classified by shape (ASOS symbols; ●, AWS symbols; ■, and MWS symbols; ★) and main organ was color-coded (korea meteorological administration symbols; red, korea national park symbols; purple, rural development administration symbols; yellow, and korea forest service symbols; pink). The frequency for outliers was classified by size.


4. 요약 및 결론

우리나라는 지형이 복잡하고 몬순의 영향을 받아 기상요소의 공간 변동성이 커서 지상기상변수의 공간 분포를 정확하게 파악하는데 어려움이 있다. 따라서 국지 기상현상의 수평분포를 충분히 파악할 수 있는 관측망 밀도 적정성을 검토하였고 나아가 효율적인 관측망의 운용에 도움을 주고자 특이지점에 대해 살펴보았다.

이를 위해 2019 강원영동 입체적 공동관측 캠페인(3D MOP-YD)의 기상청 AWS와 ASOS 10개소, 통합 기상관측망 24개소로 총 34개소, 유관기관의 AWS는 7개소인 총 41개소의 관측망 자료를 확보하였다. 그리고 3D MOP-YD기간 중 강원영동지역에 한파 시각인 13일 0700 LST (D1), 14일 0400 LST (D2)와 강설 기간인 14일 0700~1000 LST (D3~6)에 대해 크리깅, 회귀 분석, 그리고 통계 분석을 수행하여 다음과 같은 결론을 얻을 수 있었다.

기상변수들은 거리에 따라 상관관계가 낮아졌으며, 이러한 변화는 풍속에서 가장 크고 기온이 가장 적었다. 즉, 복잡한 산악지형에서의 바람정보는 기온과 상대습도에 비해 고밀도의 관측망이 요구됨을 확인하였다. 각 사례시간 별로 크리깅 기법을 적용하여 300 m 격자 해상도의 내삽값을 산출하였다. Step 1에서 Step 4로 갈수록 점차 기상분포를 정확히 파악할수 있었고, 고도의 특성이 수평 내삽결과에 잘 나타나는 것을 확인하였다. 그러나 관측망 밀도의 증가에 따른 효과는 기상변수와 기상조건(한파, 눈)에 따라 다르게 나타났다. 수평분포가 약 74% 이상 설명력을 갖는 관측 밀도는 기온은 Step 1, 상대습도는 Step 3이다. 이와 같이, 관측 밀도의 변화에 따른 기상변수의 수평분포와 공간 정확도의 차이는 명확히 나타났다. 한편, 바람은 수평 비균질성이 크고 거리가 조금만 멀어져도 관측 값의 차이가 커지기 때문에 복잡한 산악지형에서의 바람정보는 보다 더 고밀도로 관측되어야한다. 따라서 국지적인 위험기상현상을 제대로 포착하기 위해서는 관측망의 추가 설치가 필요하다고 판단하였다.

그러나 효율적인 관측망 운영을 위해 기존에 설치된 기상 네트워크의 활용성을 분석하였다. 잔차를 산출하였고 IQR 이외의 값에 해당하는 특이지점들을 선정하였다. 주변의 내삽값으로 추정하기 어려워 관측이 필요한 특이지점으로 선정된 지점과 같이 적재적소에서 관측하고, 관리가 필요하다고 사료된다. 이와 같이 특이 지점 구분을 통해 효과적인 관측망의 운용을 할 수 있는 가능성을 보았다.

증대되고 있는 기상정보의 중요성을 고려한다면 본 연구에서 언급한 특이지점과 같은 최적 입지를 찾는 것이 중요하다고 사료된다. 본 연구의 결과에 비추어 볼 때, 현재 기상청 12 km 수준의 관측밀도는 국지적인 기상현상의 공간특성을 파악하기 어렵다고 판단된다. 현 시점에서 캠페인 대상 영역의 국지 위험기상 현상을 제대로 감시하기 위해서는 기온은 공간해상도 9.30 km정도, 상대습도는 5.04 km 정도면 충분하나 풍속은 모든 관측망(공간해상도 4.59 km)을 활용하는 것을 추천한다. 또한 각 지점의 특성에 따라 유의하여 관리가 필요하다. 이와 같은 결과는 강원지역의 지상 관측망의 활용과 운용에 대한 기초연구 및 근거자료가 될것으로 생각된다. 그러나 본 연구는 관측 공백 지역이 단순 내삽되어 발생하는 비현실적인 값들에 대해 보완되지 않은 한계가 있다. 향후, 관측 공백지역의 정확한 값을 추출하기 위해서 다양한 내삽방법을 비교·분석하여 가장 적합한 기법을 찾는 연구가 이루어져야 할 것이다.


Acknowledgments

이 연구는 기상청 국립기상과학원 「기상업무지원기술개발연구」 “재해기상 감시·분석·예측기술 개발 및 활용연구(KMA2018-00223)”의 지원으로 수행되었습니다. 또한 본 논문의 개선을 위해 좋은 의견을 제시해 주신 심사위원분들께 깊은 감사를 드립니다.


References
1. Chung, K.-B., J.-Y. Kim, and T.-Y. Kwon, 2004: Characteristics of lower-tropospheric wind related with winter precipitation in the Yeongdong region. J. Korean Meteor. Soc., 40, 369-380 (in Korean with English abstract).
2. Goovaerts, P., 1997: Geostatistics for natural resources evaluation. Oxford University Press, 483 pp.
3. Hwang, S. H., and D. H. Ham, 2013: Study on the optimal grid-size and station-density for water resources applications. J. Korean Soc. Hazard Mitig., 13, 137-148 (in Korean with English abstract).
4. Hong, K.-O., M.-S. Suh, D.-K. Rha, D.-H. Chang, C. Kim, and M.-K. Kim, 2007: Estimation of high resolution gridded temperature using GIS and PRISM. Atmosphere, 17, 255-268 (in Korean with English abstract).
5. Isaaks, E. H., and R. M. Srivastava, 1989: An introduction to applied geostatistics. Oxford University Press, 561 pp.
6. Jang, H., N. Kang, H. Noh, D. R. Lee, C. Choi, and H. S. Kim, 2015: Applicability of spatial interpolation methods for the estimation of rainfall field. J. Wetlands Res., 17, 370-379 (in Korean with English abstract).
7. Jiang, Y., Y. Luo, Z. Zhao, and S. Tao, 2010: Changes in wind speed over China during 1956-2004. Theor. Appl. Climatol., 99, 421-430.
8. Kang, M., M.-S. Park, J.-H. Chae, J.-S. Min, B. Y. Chung, and S. E. Han, 2019: Effects of network density on gridded horizontal distribution of meteorological variables in the Seoul Metropolitan area. Atmosphere, 29, 183-196 (in Korean with English abstract).
9. Kim, H.-U., J.-H. Jeong, J.-K. Shim, and B.-C. Choi, 2018: Tendency analysis of heavy snowfall damage in Korea. Proc. 2018 Annual Conference, Korean Society of Hazard Mitigation, 274 (in Korean).
10. Kim, S. B., H. J. Shin, R. Ha, and S. J. Kim, 2012: Spatiotemporal analysis of snowfall for 5 heavy snowfall areas in South Korea. J. Korean Soc. Civil Engineers, 32, 103-111 (in Korean with English abstract).
11. Kim, S., W. T. Oh, and S. Lee, 2013: Analysis on the density of the weather station over South Korea. The Geographical Journal of Korea, 47, 47-59 (in Korean with English abstract).
12. Lee, J. G., 1999: Synoptic structure causing the difference in observed snowfall amount at Taegwallyong and Kangnung: Case study. J. Korean Meteor. Soc., 35, 319-334 (in Korean with English abstract).
13. Lee, K.-W., 2001: Analysis of hydrological surface characteristics using ArcView/spatial analyst GIS extension. J. Korean Earth Sci. Soc., 22, 491-499 (in Korean with English abstract).
14. Lee, S., I. Heo, K. Lee, and W.-T. Kwon, 2005: Classification of local climatic regions in Korea. J. Korean Meteor. Soc., 41, 983-995 (in Korean with English abstract).
15. Oliver, M. A., and R. Webster, 1990: Kriging: a method of interpolation for geographical information systems. Int. J. Geogr. Inf. Syst., 4, 313-332.
16. Peterson, E. W., and J. P. Hennessey, 1978: On the use of power laws for estimates of wind power potential. J. Appl. Meteor. Climatol., 17, 390-394.
17. Pryor, S. C., J. T. Schoof, and R. J. Barthelmie, 2005: Empirical downscaling of wind speed probability distributions. J. Geophys. Res. Atmos., 110, D19109.
18. Sinnott, R. W., 1984: Virtues of the haversine. Sky Telesc., 68, 159.
19. Tak, H.-M., S.-H. Kim, and I. Son, 2013: A study on distributions and spatial properties of geomorphological mountain area. J. Korean Geograph. Soc., 48, 1-18 (in Korean with English abstract).
20. Wan, H., X. L. Wang, and V. R. Swail, 2010: Homogenization and trend analysis of Canadian near-surface wind speeds. J. Climate, 23, 1209-1225.
21. Weisser, D., and T. J. Foxon, 2003: Implications of seasonal and diurnal variations of wind velocity for power output estimation of a turbine: a case study of Grenada. Int. J. Energy Res., 27, 1165-1179.
22. Won, M. S., 2015: Automatic mountain meteorology observation system and strategies of activating information sharing. Proc. Symposium on Sharing Mountain Weather Information, Seoul, National Institute of Forest Science, 3-19.
23. Yoon, S., M. Won, and K. Jang, 2016: A study on optimal site selection for automatic mountain meteorology observation system (AMOS): The Case of Honam and Jeju Areas. Korean Journal of Agricultural and Forest Meteorology, 18, 208-220 (in Korean with English abstract).
24. Yoon, S.-S., B. Lee, and Y. Choi, 2015: Quantitative precipitation estimation using high density rain gauge network in Seoul area. Atmosphere, 25, 283-294 (in Korean with English abstract).