The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 28, No. 3, pp.273-289
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Sep 2018
Received 14 Apr 2018 Revised 05 Jun 2018 Accepted 25 Jun 2018
DOI: https://doi.org/10.14191/Atmos.2018.28.3.273

동아시아 및 남한 지역에서의 Integrated MultisatellitE Retrievals for GPM(IMERG) 일강수량의 지상관측 검증

이주원* ; 이은희
(재)한국형수치예보모델개발사업단
Evaluation of Daily Precipitation Estimate from Integrated MultisatellitE Retrievals for GPM (IMERG) Data over South Korea and East Asia
Juwon Lee* ; Eun-Hee Lee
Korea Institute of Atmospheric Prediction Systems, Seoul, Korea

Correspondence to: * Juwon Lee, Korea Institute of Atmospheric Prediction Systems, 35 Boramae-ro 5-gil 35, Dongjak-gu, Seoul 07071, Korea. Phone: +82-2-6959-1660, Fax: +82-2-6919-2121 E-mail: jw.lee@kiaps.org

Abstract

This paper evaluates daily precipitation products from Integrated Multisatellite Retrievals for Global Precipitation Measurement (IMERG), Tropical Rainfall Measuring Mission Multisatellite (TRMM) Precipitation Analysis (TMPA), and the Climate Prediction Center Morphing Method (CMORPH), validated against gauge observation over South Korea and gauge-based analysis data East Asia during one year from June 2014 to May 2015. It is found that the three products effectively capture the seasonal variation of mean precipitation with relatively good correlation from spring to fall. Among them, IMERG and TMPA show quite similar precipitation characteristics but overall underestimation is found from all precipitation products during winter compared with observation. IMERG shows reliably high performance in precipitation for all seasons, showing the most unbiased and accurate precipitation estimation. However, it is also noticed that IMERG reveals overestimated precipitation for heavier precipitation thresholds. This assessment work suggests the validity of the IMERG product for not only seasonal precipitation but also daily precipitation, which has the potential to be used as reference precipitation data.

Keywords:

Daily precipitation products, IMERG, TMPA, CMORPH, East Asia

1. 서 론

강수는 주요 기상 현상 중 하나일 뿐만 아니라 태풍이나 집중호우 등의 악기상의 형태로 또는 기후변화와 관련된 가뭄, 홍수 등 기상이변 등의 형태로 인적, 재산적 영향이 막대하다. 따라서 강수에 대한 정확한 예측은 기상분야에서 가장 시급한 과제이며, 나아가 지구에서의 물의 순환을 이해하는 것은 대기과학뿐만 아니라 수문학, 농업, 산업 등 다양한 분야와 정책 결정자에게 있어서도 끊임없는 관심분야이다.

강수의 관측은 주로 지상에서는 강우계(gauge)나 기상레이더를 통해서 이루어 수집될 수 있다(Arkin and Xie, 1994). 이러한 활용 가능한 강수 관측자료 중에서 강우계를 이용한 지상에서의 직접관측이 가장 정확할 것으로 여겨진다(Qin et al., 2014). 그러나 이러한 관측은 육상에서만 가능할 뿐만 아니라 자료의 밀도 및 시공간적 공백문제 등의 한계를 가지고 있다(Huffman et al., 1995; Huffman and Klepp, 2011). 기상레이더는 이러한 대안으로써 사용가능 한 관측값으로 여겨지나(Chen and Ling, 2001), 이 또한 강수입자로부터 돌아오는 전자기 신호를 측정하기 때문에 장애물로 인한 오차와 반사도를 강수율로 변환하는 문제 등의 오차를 가지고 있다(Kidd et al., 2012). 이러한 정확도 문제를 제외하더라도 지역적으로만 활용이 가능하다는 공간적인 제약을 가지고 있다(Kim et al., 2017). 때문에 많은 연구자들은 공간적인 제약을 극복하고자 위성관측에 기반한 정확한 강수량 추정기법을 개발해왔다. 특히 전구영역에 대한 연구에 있어서는 위성기반의 강수 자료들이 적극적으로 사용되어 왔다(Sorooshian et al., 2000; Joyce et al., 2004; Huffman et al., 2007; Aonashi et al., 2009; Behrangi et al., 2009; Huffman et al., 2010). 이러한 위성 기반 강수산출물의 정확도 향상을 위한 지속적인 노력의 일환으로 다양한 상호 비교 연구들이 수행되어 왔다. 예를 들면 Global Precipitation Climatology Project (GPCP) Algorithm Intercomparison Program (Arkin and Xie, 1994; Ebert et al., 1996; Ebert and Manton, 1998) 또는 National Aeronautics and Space Administration(NASA) Precipitation Intercomparison Projects (Barrett et al., 1994; Dodge and Goodman, 1994; Smith et al., 1998; Adler et al., 2001) 등이 그것이다.

특히 최근에는 여러 센서들의 관측을 종합적으로 사용하여 생산된 고해상도 강수자료(High-resolution satellite precipitation products; HRPPs)의 활용이 가능해졌다[e.g., Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks (PERSIANN; Sorooshian et al., 2000), Climate Prediction Center Morphing Method (CMORPH; Joyce et al., 2004), Tropical Rainfall Measuring Mission (TRMM) Multisatellite Precipitation Analysis TMPA; Huffman et al., 2007)]. 그 중 TRMM 프로그램은 강우레이더를 탑재한 핵심 위성 및 마이크로파 복사계를 탑재한 핵심 및 보조위성 자료를 종합적으로 사용함으로써 열대와 아열대 지역의 강수를 측정하는 임무를 성공적으로 수행하였고, TMPA 강수 산출물은 비교적 긴 기간(1997년~현재)에 대한 신뢰도 있는 전구 강수 자료로 이용되어 왔다. 또한 남한 영역의 여름철에 발생하는 중규모 강수 현상에 대한 정확도 있는 정보를 제공하고 있음을 Koo et al. (2009)Sohn et al. (2010) 등의 선행 연구에서 언급하였고, 이는 남한에서 발생하는 집중 호우에 대한 역학 연구와 수치모델에 대한 검증자료로써 활용할 가치가 있음을 시사한다. TRMM의 성공적인 수행에 이어 새로운 국제 협력 프로그램인 Global Precipitation Measurement (GPM) 사업이 시작되었고, 전구 강수 자료인 Integrated Multisatellite Retrievals for Global Precipitation Measurement (IMERG)의 산출이 시작되었다(Hou et al., 2014; Huffman et al., 2015a, b, c). IMERG는 TMPA 산출에서의 경험을 토대로 하여 CMORPH와 PERSIANN 등과 같은 강수 산출을 위한 통합 알고리즘의 장점을 활용하여 보다 정확하며 넓은 활용범위의 전구 강수 자료의 산출이 가능하게 되었다. Huffman et al. (2015c)이 최근 기간에 대한 IMERG Final Run 자료의 성능에 대해서 TMPA 자료와 비교할 만한 수준임을 제시한 이후, IMERG 자료의 성능에 대한 관심이 높아지고 있다. Liu (2016)는 육상과 지상에서의 IMERG의 월평균 강수량 분포를 TMPA 3B43 자료와 비교함으로써 전구 영역에서 신뢰할 만한 자료임을 명시하였고, Guo et al. (2016)은 중국 지역에서의 일강수 직접관측자료를 이용한 비교 검증을 통해서 IMERG 자료의 유용성에 대하여 언급하였다. Prakash et al. (2016)는 남서 몬순 기간의 인도지역 집중호우에 대해서 IMERG 강수의 개선점이 있음을 제시하였다. 남한 영역에 대해서는 Kim et al. (2017)은 남한 및 일본을 포함하는 동아시아 풍하측 지역의 산악 및 해안 지역에서의 직접관측 자료와 비교를 통해서 IMERG 자료의 개선점을 확인하였고, 특히 시공간적 해상도의 증가를 통한 활용가능성에 증대에 대해서 언급하였다.

본 연구에서는 본 연구에서는 전구영역을 대상으로 하는 위성강수자료가 남한 및 동아시아 영역의 강수를 얼마나 효과적으로 추정하고 있는지 확인하기 위해 지상관측자료와 비교 검증을 수행하고자 하였다. 이를 위해 고해상도 위성 종합 강수 산출물인 IMERG로부터 일 강수량 자료를 산출하여, 기존에 활용되어 온 TMPA, CMORPH 등의 자료와 함께 비교하였다. 성능의 평가를 위하여 남한 영역의 직접 강수 관측 자료와 Climate Prediction Center (CPC)의 동아시아 영역의 우량계 기반 강수 산출물을 검증자료로서 사용하였다. TMPA와 IMERG 자료가 모두 활용 가능한 일 년의 기간에 대하여 계절별 오차 분포 특성과 강수 임계 구간에 따른 일강수의 정확도 검증을 수행하였다. 이를 통해서 강수 특성에 따른 성능 차이를 진단하고 IMERG 자료의 활용가능성에 대하여 제언하고자 한다. 2절에서는 사용한 자료와 방법에 대하여 기술하였다. 3절에서는 남한 영역에서의 비교 결과 그리고 4절에서는 동아시아 지역에 대한 특성에 대하여 제시하였으며 5절에서 이를 요약하였다.


2. 자료 및 연구 방법

본 연구에서는 IMERG, TMPA, CMORPH, 세 가지 위성 강수 자료의 품질을 지상관측 강수 자료와 비교분석하였다. 모든 자료는 24시간 누적 강수량(0000 UTC 기준)으로 변환해 사용하였으며, 분석 영역은 남한과 이를 포함하는 위도 20~50oN, 경도 70~145oE의 동아시아 영역이다(Fig. 1). 분석에 사용된 자료는 2014년 6월부터 2015년 5월까지 일 년간이다. 품질 검증을 위해 사용된 지상관측 강수 자료는 남한 지역에 대해서는 자동기상관측장비(Automatic Weather Station: AWS)의 강수자료를, 동아시아 영역은 CPC에서 제공하는 관측 기반 일 강수 분석자료를 사용하였다. 각 위성강수 자료는 비교 대상인 617개 AWS 관측자료 지점과 CPC의 0.5o 격자 간격에 맞춰 수평 내삽하였다.

Fig. 1.

The topographic field over East Asia (top) and the distribution of AWS rain gauge network (dot) operated by the KMA (bottom).

2.1 위성 자료

2.1.1 IMERG

본 연구에서는 IMERG (Huffman et al., 2015a, b, c) 산출물 Final Run Version 3 자료를 사용하였다. 이는 전 지구 강수 관측 위성인 TRMM의 후속 위성인 GPM으로부터 생산된 자료로 30분 간격의 시간 해상도와 0.1o의 수평 해상도를 가진다. 2014년 2월 27일 미 항공우주국(NASA)과 일본 우주항공연구개발기구의 협력을 통해 발사된 GPM은 NASA에서 개발한 마이크로파 방사계측기(GPM Microwave Imager, GMI)와 일본의 정보통신 연구기구에서 제작된 이중파장 강우 레이더(Dual-frequency Precipitation Radar, DPR)를 탑재하고 있다(Jin, 2015; Sharifi et al., 2016). GPM은 기존 TRMM 위성자료보다 관측주기가 짧으며, 10개의 위성군집(constellation satellites)과 함께 전 지구 규모의 강우 관측 시스템을 구축하고 있으며(Sohn et al., 2005; Jin, 2015), TRMM 보다 더 넓은 범위를 관측할 수 있고(65oS~65oN), 탑재된 GMI는 기존의 TRMM Microwave Instrument (TMI) 보다 고주파수 채널을 늘려 약한 강수 및 강설을 관측할 수 있게 하였다. DPR 또한 기존의 강우레이더와 비슷한 채널인 Ku band 뿐만 아니라, Ka band를 추가하여 정확한 강수, 강설 등의 개선된 정보를 제공할 수 있다(Kim et al., 2017).

2.1.2 TMPA

TRMM 3B42 자료는 NASA의 Goddard Space Flight Center (GSFC)에서 개발된 강수추정 알고리즘(Huffman et al., 2007, 2010)을 이용하여 생산되며, 50oS부터 50oN까지 3시간 간격으로 공간해상도 0.25o × 0.25o의 강우강도를 제공하고 있다. TRMM 위성의 TMI, Defense Meteorological Satellite Program (DMSP) 위성의 Special Sensor Microwave Imager (SSM/I), AQUA 위성의 Advanced Microwave Scanning Radiometer-Earth observing system (AMSR-E) 등의 저궤도 위성들의 수동 마이크로파로부터 추정된 강수자료를 수집, 보정하고 이들을 조합한 후 이 강수 추정자료를 기반으로 Geosynchronous Meteorological Satellite (GMS), Geostationary Operational Environmental Satellite (GOES), Meteosat-5, Meteosat-7 등의 정지궤도위성 적외 자료 및 National Oceanic and Atmospheric Administration (NOAA) 위성군의 저궤도위성 적외 자료를 이용하여 강수 추정치의 생산한다(Kummerow et al., 1996; Olson et al., 1999; Zhao and Weng, 2002; Weng et al., 2003). 이후 마이크로파와 적외선 강수 추정자료를 조합하며, 마지막 단계에서 우량계 자료와 조합하여 사용자들에게 제공한다.

2.1.3 CMORPH

CMORPH 강수자료는 NOAA CPC의 강수추정기법을 이용하여 전 지구 규모의 고해상도 강수 추정 자료를 제공하고 있다. CMORPH 알고리즘에서 사용되는 수동 마이크로파 복사계는 DMSP-13, -14 및 -15 위성의 SSM/I, AQUA 위성의 AMSU-B 및 TRMM 위성의 TMI 등이다. 이 기법은 30분 간격으로 제공되는 정지 궤도위성의 적외 영상으로부터 이동벡터(motion vector)를 계산한 다음 마이크로파 자료를 사용할 수 없는 시점과 장소로 전파시킨다(Joyce et al., 2004; Joyce and Xie, 2011). 그 뿐만 아니라 강수의 형태나 강도와 같은 특성도 시간에 따른 가중 선형 보간법을 이용하여 추정할 수 있다. CMORPH 강수추정자료는 공간해상도 8 × 8 km, 시간 해상도 30분 간격으로 60oS-60oN에 대해 제공되고 있다.

2.2 관측자료

2.2.1 국내 자동기상 관측시스템(AWS) 강수 자료

남한에 대한 위성강수자료의 검증을 위해 기상청에서 제공하는 AWS 강수 자료를 사용하였다. 자동으로 기상요소를 측정하여 자료가 저장되며, 방재용과 관서용 관측 결과를 모두 포함한다. Figure 1의 하단에 표기된 지도의 검은 점들이 본 연구에서 사용된 617개 AWS 관측 지점이며, 수도권을 중심으로 관측 지점의 밀도가 높은 것을 알 수 있다. 자료 수집 직후 기상청의 종합기상정보시스템에서 실시간 품질관리모듈을 통해 1차 오류를 체크하고, 2차로 수동 품질관리를 수행하여 자료의 품질을 높인다. 이후 국가기후자료 관리시스템에서 관측자료 수신 익일 1회 자동으로 품질관리를 거친 후, 오류로 보고 된 결과들에 대해 담당자의 육안 확인을 통해 비정기적 품질관리를 거쳐 결과를 확정하여 최종 저장한다. 본 연구에서는 국가기후자료 관리시스템에 최종 저장된 강수자료를 사용하였다.

2.2.2 CPC 우량계 기반 강수 자료

동아시아 영역 위성강수자료를 검증하는데 사용된 CPC 우량계 기반 전구 강수 자료(이하 CPC)는 0.5o 격자 간격의 일강수 자료로 전구에 대한 육지 자료만 제공된다(https://www.esrl.noaa.gov/psd/data/gridded/data.cpc.globalprecip.html). Global Telecommunications System을 비롯하여 Cooperative Observer Network(COOP), 그 외 국제 공인 단체에서 제공되는 3만 개 이상의 강수 관측 자료를 취합하여 격자화한 자료로, 자료에 대한 품질 검사는 레이더/위성 관측자료와 같이 관측지점 근처에서 동시간대 수집되는 독립적인 자료와 기후적인 자료와의 비교를 통해 수행되었다. 품질검사를 마친 지점 자료는 지형 효과를 고려하여 격자화된 일 강수 자료로 내삽되어 1979년부터 현재까지 제공되고 있다(Xie et al., 2007; Chen et al., 2008). CPC 자료는 해양자료가 없다는 단점이 있지만, 동아시아 영역에 대한 지점 밀도가 상당히 높은 편으로(Xie et al., 2007), 이 자료를 “관측”으로 간주해도 무방하다고 판단했다.


3. 남한에 대한 위성강수자료의 성능 분석

위성강수자료의 남한에 대한 성능 분석을 위해 각 위성자료는 이중선형 보간법을 이용해 AWS 관측지점으로 내삽하여 사용하였다. 또한 모든 자료는 24시간 누적하여 일강수 기준으로 분석하였다. Figure 2는 2014년 6월부터 2015년 5월까지 1년 간의 기간에 대해서 AWS 자료와 세 위성강수자료의 계절 평균 일강수량 분포를 나타낸 것이다. 전 계절에 걸쳐 IMERG와 TMPA가 전반적으로 매우 유사한 분포를 보이고 있음이 확인되며, 이는 AWS 관측 강수의 분포와 높은 일치성을 보인다. CMORPH는 두 자료에 비해 전 계절에 걸쳐 평균 강수량이 상대적으로 적은 것을 확인할 수 있다. IMERG, TMPA 자료 모두 AWS 관측에서 나타나는 국지적 강수 특성을 나타내지는 못하며 이는 자료의 해상도(IMERG, TMPA 각각 0.1, 0.25도) 및 내삽 방법과도 관련이 있을 것으로 생각된다. 국지적 강수 특성은 특히 여름철 동해안 및 남부 지방에서 그리고 제주 산간 지역의 강수는 가장 큰 편차를 보인다.

Fig. 2.

Spatial plots of seasonal mean daily precipitation (mm day−1) processed from AWS, IMERG, TMPA and CMORPH products over South Korea.

Figure 3은 AWS 일강수량 관측에 대비한 각 위성강수자료 비율인 bias ratio의 계절 평균 분포이다. IMERG와 TMPA는 겨울을 제외한 계절에 대해서 1에 가까운 bias ratio를 보이고 있어, 정량적으로도 관측에 가까운 추정값을 보임을 확인할 수 있었다. 겨울의 경우 세 자료의 정확도의 차이가 가장 크게 나타나며 자료별 지역적 정확도에서도 큰 차이를 보이는 것이 확인된다. IMERG의 경우 동해안 산간지역과 남서해안의 과소 추정, 그리고 서울 및 경기지역의 과대 추정의 경향이 확인되었다. TMPA의 경우 서해안 지역을 중심으로 한 비교적 넓은 과소 추정 영역이 확인되었다. 두 자료와 달리 CMORPH 자료의 경우 전 계절에 걸쳐 과소 추정하는 것이 확인되며 특히 겨울철 강수 추정에 있어서는 남한 대부분 지역에 대해서 30% 미만 과소 추정을 보이고 있다. IMERG, TMPA 일강수량이 AWS 관측과 전반적인 유사한 추정치를 보이고 있는 봄-가을의 경우에도 국지적으로 편차가 큰 지역이 확인된다. 이러한 큰 편차를 보이고 있는 지역은 동해 및 남해의 해안지역 및 산간지역 그리고 제주 산간 지역으로 전반적인 과소 추정을 보여주고 있으며 이는 해당지역에서 나타나는 국지성 강수에 대해서는 두 위성 자료의 추정이 용이하지 않음을 보여준다.

Fig. 3.

Spatial plots of seasonal averaged daily bias ratio of IMERG, TMPA, and CMORPH against AWS.

Figure 4, 5에서는 위성 강수 자료와 AWS 관측자료의 상관성을 분석한 결과를 제시하였다. Figure 4는 위성 강수 자료와 AWS 관측의 상관계수의 계절별 수평 분포이다. Figure 2, 3에서 모든 위성 강수 자료에서 겨울철에 대한 과소 모의 특성을 보인 것과 마찬가지로 세 자료 모두 겨울철 상관이 가장 낮은 것을 확인할 수 있다. 겨울철을 제외한 계절에 대해서는 세 자료 모두 관측과 비교적 높은 상관성을 보이고 있다. 특히 CMORPH 자료는 관측에 비해 정량적인 일치성은 떨어진다. 그 이유는 IMERG와 TMPA의 산출 알고리즘과 달리 지상관측자료를 이용한 보정과정이 포함되어 있지 않음에 기인하는 것으로 추정된다. 하지만, CMORPH 자료의 상관성은 IMERG, TMPA 자료와 비교할 만한 수준이다. 모든 계절 전반에 대해서 IMERG 자료의 상관성은 TMPA와 CMORPH 자료에 비해서 높은 것으로 확인되었고 TMPA와 CMORPH의 관측 상관성은 겨울철을 제외하고는 유사한 수준인 것으로 보인다. IMERG 강수 자료의 경우 봄철 경기 서부 지역에서 0.5~0.6 정도로 상대적으로 낮은 상관을 보이나 그 외의 지역에 대해서 0.7 이상의 매우 높은 상관계수를 보이고 있다. 여름의 경우 전남 해안과 제주 산간, 중부지역 전반에 걸쳐 평균 0.6의 상관계수 분포를 나타내어 봄에 비해서는 상관이 떨어지는 경향을 보이나 이는 타 자료에 비해서는 높은 상관성이다. 가을철 역시 제주 산간과 경기북부 지역을 제외하고는 0.7 이상의 높은 상관을 확인할 수 있었다.

Fig. 4.

As in Fig. 3, but for the correlation coefficient.

봄-가을과 달리 겨울철 강수에 대해서는 자료간 관측 상관성의 차이가 큰 것으로 확인된다. 겨울철 강수의 관측 상관 계수가 가장 큰 것으로 확인된 IMERG의 경우라 하더라도 강원 및 경북 동해안 지역에서는 상관계수가 0.2 이하까지 확인되고 남한 대부분 영역에서 0.7 이하의 상관성을 보여, 위성 자료들의 겨울철 강수 추정에 있어서 여전히 어려움이 있는 것으로 확인되었다. 특히 강원 및 경북 동해안 지역은 태백산맥으로 인하여 겨울철 지형성 강설이 나타나는 곳으로 위성 자료와 같은 원격탐사 관측이 가지는 정확도에 대한 일반적인 한계를 보여주는 것으로 분석할 수 있다(Kim et al., 2017).

Figure 5에서는 각 위성 자료와 AWS 관측 강수자료의 계절별 산포도를 나타낸 것이며 해당 계절 평균 상관계수를 함께 표시하였다. 봄, 가을의 강수에 대해서는 세 자료 모두 높은 상관 분포를 보였다. 전반적으로 가장 높은 상관계수를 보이고 있는 봄의 경우 IMERG 0.77, TMPA 0.70, CMORPH 0.77로 나타났다. 여름철의 위성과 관측 자료 상관성이 저하되는 것은 집중호우의 사례가 빈번함에 따른 자료 분산의 증가 및 Fig. 2, 3에서 나타난 것과 같은 국지성 강수의 추정의 어려움 등의 원인이 있을 것으로 보인다. 위성의 면적강수량을 AWS 지점별 강수량으로 환산했으므로 국지성 강수를 완벽히 추정해 내기는 어려웠으나, 대신 지점별 강수량을 격자화 했을 때 발생할 수 있는 내삽방법에 따른 결과 차이를 배제하여 관측지점에서 자료의 성능을 평가하는 결과가 될 수 있다(Duan et al., 2016; Dezfuli et al., 2017; Kim et al., 2017). 겨울철의 위성 자료의 관측 상관성은 타 계절에 비해 크게 감소하며 각 자료의 분포에서 과소 추정의 경향이 다시 한번 확인된다. TMPA 자료의 겨울철 평균 관측 상관성이 0.38임에 비해 IMERG의 상관성은 0.60으로 나타나 과소 추정에도 불구하고 관측 상관성은 TMPA에 비해 우수한 것으로 확인되었다.

Fig. 5.

Scatterplots of the daily precipitation (mm day−1) obtained from IMERG, TMPA, and CMORPH vs AWS gauge data. Solid line depicts a least square regression line, and letter ‘R’ means correlation coefficient between satellite precipitation products and AWS gauge data.

강수 강도에 따른 위성 자료별 강수 추정에 대한 정량적 비교 분석을 위해, 예보 평가에 주로 사용되는 임계 구간별 추정과 관측에 대한 “예”와 “아니요”로 구성된 4개의 조합으로 이루어진 2 × 2 분할표를 이용한 검증 방법을 이용하였다. Figure 6에 제시한 바와 같이 분할표는 추정값(혹은 예보값)이 관측값에 대비한 맞힘(Hit, a), 거짓 알림(False alarm, b), 놓침(Miss, c), 그리고 부의 정확(Correct negative, d)로 이루어진다. 이를 이용하여 frequency bias (Bias), Symmetric Extreme Dependency Score (SEDS), Probability of Detection (POD), Success Ratio (SR), Critical Success Index (CSI) 등의 다양한 검증 지수를 산출할 수 있으며 각각에 대한 계산 방법은 Fig. 6에 함께 제시하였다. 평가를 위한 일강수의 임계값은 계절별 평균 강수 분포를 참고하여 충분한 관측 샘플수를 확보할 수 있도록 결정하였고 이는 1, 5, 15, 30 mm day−1이다. 이러한 방법은 집중 호우와 같은 빈도수가 적은 사건에 대해서는 고려할 수 없으나 빈번히 발생하는 강수 범위 내에서 위성 강수 추정값의 정확도 경향성을 확인하는 것은 가능할 것으로 생각된다.

Fig. 6.

(a) The 2 × 2 contingency table and performance measures for (b) Bias, (c) SEDS, (d) POD, (e) FAR, (f) Success Ratio, and (g) CSI.

Figure 7은 각 강수 임계값에 대한 위성 강수자료의 AWS 관측 대비 bias를 계절별로 분석한 것이다. 앞선 분석에서 확인한 바와 같이 CMORPH는 전 계절에 대해서 모든 임계값에 대해 1 이하의 bias 값을 보여 뚜렷한 과소추정 경향을 나타내었다. 또한 겨울을 제외할 때 각 과소 추정의 정도는 임계값이 증가할수록 증가하는 것으로(1 이하의 값을 보이며 감소하는 것으로) 확인된다. IMERG와 TMPA의 관측 대비 bias는 겨울을 제외하고는 비슷한 수준으로 1에 가까운 값을 보이고 있으나 IMERG 강수에서 여름과 가을 강수에 대해 임계값의 증가에 따른 과대 추정의 경향이 약하게 존재하는 것으로 보인다. 한편 겨울철의 경우 각 위성 자료의 관측대비 bias가 크게 증가하였다. IMERG와 TMPA 자료 모두 강수 임계 구간 1과 5 mm day−1 기준으로 볼 때는 과소 추정을, 15와 30 mm day−1 기준의 강수에서는 과대추정을 하고 있고 특히 겨울 15 mm day−1 구간의 경우 IMERG의 bias가 1.75로 상당히 큰 값을 나타내는 등 비교적 강한 강수에 대해서 과대 추정의 경향이 확인된다.

Fig. 7.

Seasonal Bias score from IMERG, TMPA, and CMORPH product over South Korea against AWS gauge data for daily precipitation thresholds of 1, 5, 15, 30 mm day−1.

Figure 8은 각 강수 임계값에 대한 위성 강수자료의 AWS 관측 대비 SEDS를 계절별로 분석한 것이다. SEDS는 자주 일어나지 않는 이벤트에 대해 수치모델의 예측성을 평가하기 위해 개발된 스코어로(Hogan et al., 2009), 상대적으로 강수일이 적은 겨울에 대해 다른 계절과 동일한 조건으로 검증을 하기 위해서 사용할 수 있다. SEDS 값의 범위는 0에서 1이며 완벽한 예보는 1의 값을 갖는다. Figure 8의 결과에서 IMERG의 강수 자료는 겨울철 강한 강수 구간을 제외한 모든 계절, 모든 구간에서 세 자료 중 가장 높은 SEDS를 나타내어 남한 강수를 가장 정확히 추정하고 있는 것으로 나타나며, 이는 앞선 상관관계 및 bias 분석 등에서 확인한 결과와 일치한다. TMPA와 CMORPH는 가을 30 mm 이상의 구간을 제외하면 봄-가을에 걸쳐 서로 유사한 SEDS 값을 나타냈으며, 겨울철 강수에 있어서만은 TMPA의 SEDS 값이 세 자료 중 가장 낮게 나타나는 것으로 확인되었다.

Fig. 8.

As in Fig. 7, but for SEDS.

현재까지의 결과를 종합적으로 살펴보기 위해 Roebber(2009)가 제안한 performance diagram을 Fig. 9에 나타내어 보았다. 그래프의 x축은 SR, y축은 POD를 나타내며 점선은 bias를 의미한다. 실선으로 표시된 곡선은 CSI이며, 모든 스코어를 고려했을 때 오른쪽 상단 모서리로 갈수록 best score를 가진다고 볼 수 있다. 이렇게 4가지 검증 스코어를 하나의 그래프에 표출함으로써 각 자료의 성능을 종합적으로 평가할 수 있다. 모든 계절에 대해서 IMERG 강수 자료(원형)는 타 강수 자료에 비해 높은 CSI, POD, SR을 보이고 있는 것을 알 수 있다. 또한 겨울철을 제외하고는 y = x축에 가까운, 즉 편향이 적은 성향을 보여주고 있다. 봄-가을철에 대해서 TMPA 자료는 IMERG와 유사한 낮은 편향을 보여주고 있으나 좀더 낮은 CSI 값의 범위를 보여주고 있다. 두 자료가 보여주는 CSI 범위는 봄철의 경우 IMERG 0.46~0.61, TMPA 0.34~0.51 정도이다. 여름철 강수의 추정 능력은 IMERG와 TMPA 모두 작은 임계구간에서는 봄철과 비교할 만한 수준으로 보이나 강한 강수 임계 구간으로 갈수록 다소 감소하는 것으로 확인되었다. 이는 앞선 설명과 같이 국지적 집중호우 추정의 한계가 있음을 시사한다. 가을에는 IMERG와 TMPA의 모든 통계값이 임계 구간 전반에 걸쳐 고르게 가장 높게 나타났다. CMORPH 자료는 앞선 분석에서 보여주는 바와 같이 강수의 과소 추정의 문제가 있으며 이러한 경향은 강한 강수 임계 구간으로 갈수록 증가하는 특성이 있는 것으로 파악되었다.

Fig. 9.

Seasonal performance diagram over South Korea. The curved isolines, with associated labels, represent the critical success index, and dashed solid lines represent the bias. The best scores are in the upper right corner; bias values close to one are typically considered optimal.

겨울철 강수에 대한 위성 자료의 추정값은 타 계절에 비해 정확도가 감소하는 것으로 확인된다. 가장 좋은 성능(높은 CSI, POD 및 SR)이 IMERG 자료에서 확인되나, 모든 임계 구간에서 0.4 이하의 CSI를 나타내어 다른 계절에 비해 관측 강수를 추정하는 능력이 떨어짐을 알 수 있다. 각 자료에서 낮은 임계값에 대해서는 과소 추정하고 높은 임계값으로 갈수록 bias 값이 증가하는 특성은 앞선 분석에서 확인된 바와 같다. 이 경우에도 POD, SR이 모두 감소하여 추정의 ‘맞힘’의 감소와 ‘거짓 알림’의 증가가 모두 확인되어, 공간적 불일치가 타 계절에 비해 큼을 예상할 수 있다. 예를 들어 겨울철 1 mm 기준에 대한 강수(붉은 색)에 대한 세 위성자료의 추정 영역(샘플 수)은 40~70% 수준으로 감소하였고, 이 경우 가장 우수한 성능을 보인 IMERG 자료의 경우에 관측된 강수의 약 45% 만을 추정하였고 이 때 30%의 강수는 거짓 알림하였다. 또한 겨울철 30 mm 이상 강수에 대해서는(녹색) 세 자료의 bias는 70~130% 수준으로 약한 강수 임계값에 비해서는 자료간 편차가 크며 모든 자료에서 약 0.4 이하의 SR 즉 60% 이상의 거짓 알림을 보였다. 겨울철 TMPA 강수는 가장 낮은 CSI 값을 나타내고 있으며 0.2~0.3의 POD, 0.19~0.46의 SR 값으로 보아 강수의 ‘맞힘’은 감소하고 ‘거짓 알림’이 타 자료보다 크게 나타났다. 각 임계 구간에 대한 TMPA와 IMERG 성능을 비교해 볼 때 CSI 값은 IMERG에서 모든 경우에 더 높게 나타나 TMPA에 비해 겨울철 강수 추정이 우수함을 확인할 수 있었으나 약한 강수 임계값의 과소 추정 및 강한 강수 임계값의 과다 추정의 경향성은 좀 더 뚜렷함을 알 수 있다.


4. 동아시아 영역에 대한 위성강수자료 성능 분석

남한 지역에 한정하여 분석했던 위성강수자료의 성능을 동아시아 영역으로 확장시켜 분석하였다. 분석에 사용된 영역은 Fig. 1과 같다. 동아시아 영역의 강수 성능 비교를 위해 사용된 관측 자료는 CPC 자료이며, 0.5o × 0.5o인 관측자료의 해상도에 맞춰 위성강수자료를 면적 가중 평균법을 이용해 내삽하였고, 남한 지역에 대한 분석과 동일하게 24시간 누적하여 일 강수에 대해 분석하였다. 면적 가중 평균법은 격자 변환 시 해당 변수의 양을 보존하는 내삽 방법 중 하나로, 강수량 등의 수문 관련 변수의 격자 변환 시 많이 사용한다(Fischer et al., 2014).

Figure 10은 세 자료에 대한 bias ratio의 수평 분포를 계절별로 나타낸 것이다. 남한 지역에 대한 분석과 마찬가지로 모든 위성 강수에서 겨울철 강수의 과소 추정 특성이 확인되었다. 또한 CMORPH의 경우 IMERG, TMPA에 비해 전반적으로 과소 추정하는 경향 또한 남한 지역 분석에서 확인한 것과 동일하다. 특히 CMORPH 자료의 경우 겨울철 고위도 지역에 대해서 결측을 보이는 것으로 확인되었다. 결측으로 보이는 지역들은 눈으로 덮인 지역을 위성이 제대로 탐지하지 못해 생긴 현상이다(Lopez, 2008). IMERG와 TMPA는 겨울을 제외하고 고위도 일부 지역을 제외한 전반적 영역에서 동아시아 강수를 편향 없이 적절히 추정하고 있는 것으로 나타났다. 남한 강수에 대해서 여름철 과소 추정하는 경향과는 달리 인도 북부, 중국 중남부, 한반도 및 일본에 걸쳐 비교적 유사한 수준의 bias를 봄-가을에 걸쳐 보여주고 있다.

Fig. 10.

Spatial plots of seasonal averaged daily bias ratio of IMERG, TMPA, and CMORPH against CPC.

Figure 11에는 계절별 상관계수의 수평분포를 나타내었다. 세 자료 모두 봄-가을의 계절에 대해 아시아 남부 지역부터 중국 북동 지역에 이르는 강한 강수 지역에서 CPC 대비 상대적으로 높은 상관계수 분포를 보여주고 있으나, 중국 남서 지역과 중국 북부 고위도 지역과 같은 건조한 지역에서는 낮은 상관계수 분포를 나타내었다. 위성 강수에 대한 지역별 성능 편차는 Tang et al. (2016)의 연구에서도 이미 밝혀진 바 있으며, 중국 남서부 및 북부 고위도 지역은 지형과 기후가 복잡하여 정확한 위성 강수를 추정하기 어려운 것으로 알려져 있다(Dinku et al., 2007). 겨울철 중국 남부 지역을 제외한 모든 지역에서 세 위성 강수 자료의 관측 상관성이 낮음을 확인할 수 있다. 또한 남한 지역의 분석과 마찬가지로 여름철 강수의 상관성이 봄과 가을에 비해서 감소하는 특성은 세 자료 모두에서 확인된다. IMERG는 전 계절에 걸쳐 다른 두 자료에 비해 상관이 높게 나타났다. CMORPH는 겨울철에 넓은 지역에서 거의 0에 가까운 매우 낮은 상관을 확인할 수 있었다. 겨울의 CMORPH 상관계수가 특히 낮은 이유는 차가운 지표면에 대한 CMORPH 강수 추정 기법이 불완전하여 생기는 문제로 사료된다(Lopez, 2008).

Fig. 11.

As in Fig. 10, but for the correlation coefficient.

마지막으로 Fig. 12에서 동아시아 영역에 대한 CPC 대비 performance diagram을 표출하였다. 남한 지역의 분석에 비해서 모든 위성강수자료에서 나타나는 bias의 범위가 0.3~3.0의 분포로 넓은 범위를 갖는 것이 전 계절의 분석에서 공통적으로 확인된다. 또한 남한의 겨울철 강수에서 확인된 것과 같이 대체로 강수 임계값이 커질수록 bias가 증가하는 특성이 전 계절 전반에서 확인되어, 약한 강수를 과소 추정하고 강한 강수를 과대 추정하는 경향이 있는 것으로 판단된다. 이러한 과대 추정의 경향은 높은 임계값에 대한 추정 정확도가 낮아지는 즉, 임계값이 커질수록 CSI가 감소하는 특성과 연결된다. 특히 겨울철에 그러한 특성이 가장 뚜렷하게 나타나, 남한 지역 분석에서 확인한 바와 같이 겨울철 강수 추정의 한계를 시사한다.

Fig. 12.

Seasonal performance diagram over East Asia.

IMERG 자료는 전 계절에 걸쳐 가장 높은 정확도를 보이는 것으로 확인되었다. 그러나 겨울철 강한 강수 임계값에 대해서는 타 자료에 비해 높은 bias를 보이는 문제점이 확인되는데 15 mm과 30 mm의 임계구간에서 bias가 각각 1.7, 2.7로 매우 크게 증가하였다. 그럼에도 불구하고 세 자료 중 가장 높은 값을 갖는 것을 알 수 있었고, CSI가 감소해도 POD는 변함이 거의 없어 강수를 비교적 잘 탐지하는 것으로 나타났다(분할표의 ‘맞힘’이 많음). 겨울에는 15 mm과 30 mm의 임계구간에서 bias가 각각 1.7, 2.7로 크게 증가한 모습을 보이는데, 이 때의 SR은 0.2 내외로 나타나 강수의 ‘거짓 알림’증가가 큰 것으로 분석된다.

CMORPH는 전 계절에 대해 1 이하의 bias를 나타내고, 특히 가을과 겨울에는 0.5 이하의 bias와 0.2 이하의 POD로 강수의 ‘맞힘’이 크게 감소했다는 것을 알 수 있으나 Fig. 11에서 보였던 바와 같이 타 자료와 상응하는 상관성을 가지고 있으므로 정량적인 비교보다는 상대적인 비교에 보다 적합한 자료로 판단된다.


5. 요약 및 결론

본 연구에서는 남한과 동아시아 영역에 대한 IMERG 강수 자료의 성능을 직접 관측자료인 AWS와 CPC 자료를 이용해 TMPA와 CMORPH 자료와 더불어 검증해 보았다. 남한 지역에 대한 AWS 대비 비교에서, IMERG와 TMPA는 겨울을 제외하고 서로 유사한 계절평균 분포와 bias 분포를 나타내었으며, CMORPH는 두 자료에 비해 과소추정하는 경향이 뚜렷하게 나타났다. 겨울철 강수에 대해서는 세 자료 모두 모두 관측에 비해 과소 추정하고 있었다. 상관계수분포와 산포도 분석에서 IMERG는 타 자료보다 AWS와 높은 일치도를 보여 주었으며, 전 계절에 걸쳐 0.6 이상의 상관계수를 가지는 것으로 나타났다. 특히 겨울철 강수에서 TMPA 강수와의 차이가 나타났는데, TMPA 자료가 겨울철 관측강수와 0.38의 비교적 낮은 상관계수를 보였던 것과 달리 비교적 높은 일치성을 보였다. CMORPH는 전 계절에 걸쳐 남한 지역 강수를 과소 추정하는 경향은 뚜렷했으나 자료의 상관성은 높은 것으로 나타나 정량적 비교로써의 활용보다는 상대적 비교자료로 활용이 가능할 것으로 여겨진다.

빈도수가 높은 1~30 mm의 강수 임계 구간을 선택하여 정량적인 비교를 수행한 결과에서도 IMERG와 TMPA는 봄-가을 계절에 대해서 관측대비 1에 가까운 편차를 보이며 남한 지역 강수를 잘 추정하고 있음이 확인되었고 정량적 비교 평가에서는 IMERG가 더 우수한 것으로 확인되었다. 겨울철 추정 능력에서도 IMERG가 TMPA보다 크게 개선되었음을 시사하고 있으나, 겨울철 강수에 있어서는 높은 임계값의 강수에 대해서 과다 추정하는 경향이 있는 것으로 확인되었다

동아시아 영역에 대한 CPC 관측자료에 대비한 비교 검증에서는 대체로 남한 지역에 대한 검증과 일치하는 결과를 얻었다. 봄-가을에 기간에 있어서의 IMERG 자료가 TMPA에 상응하는 관측대비 정확도를 보이고 있었으며, 겨울철에는 두 자료 모두 과소 추정하는 경향이 나타났다. CMORPH 자료는 전 계절에 걸쳐 다른 자료에 비해 과소 추정하는 경향이 뚜렷했으나 자료의 상관성은 타 자료와 유사한 수준으로 나타났다. 정량적 비교에서는 IMERG 자료가 TMPA를 넘어서는 성능을 모든 계절에 걸쳐 나타내고 있었다. 그러나 겨울철 남한 지역 강수에서 나타난 것과 같이 강한 강수에 대한 과대 추정의 경향은 동아시아 영역에 대해서는 모든 계절에 걸쳐 일관적으로 나타나고 있음을 확인할 수 있었다.

본 연구에서는 1년간의 강수 자료를 통한 비교를 통해 최근 산출된 IMERG 강수 자료가 남한과 동아시아 영역의 일강수를 비교적 잘 추정하고 있음을 확인하였다. TMPA에 비하여 전 계절에 걸쳐 상관계수를 비롯한 정량적 통계 수치들이 상승한 것을 확인할 수 있었고, 그 중 겨울의 경우 가장 뚜렷한 개선을 나타내었다. 남한 지역 겨울철 및 동아시아 전 계절에 걸쳐 나타난 강한 강수의 과대모의 경향은 타 자료보다 더 강하게 나타났으나, 그럼에도 불구하고 수평 상관분포와 bias ratio 분석 등을 통한 공간적 일치성은 TMPA와 CMORPH에 비해 개선된 것을 알 수 있었다. 또한 동아시아 지역에 비해 남한 지역에 대한 관측과의 통계 분석 결과가 더 높은 일치성을 보이는 것을 확인하였고, 이와 같은 분석을 통해 IMERG는 평균된 기후 특성뿐만 아니라 일강수를 추정하는 데 활용 가능성이 높음을 시사하고 있다. 다만 1년이라는 한정된 기간에 대한 분석으로 나타날 수 있는 연간 특징을 배제하기 위해 향후 기간 확장을 통해 보다 광범위한 분석을 진행할 필요성이 있다. IMERG 자료는 현재도 품질개선이 계속 이루어지고 있으므로 앞으로 생산되는 자료들은 고해상도 전구 강수 자료로써 향후 활용가능성이 높을 것으로 생각된다.

ABBREVIATION LIST

AMSR-E : Advanced Microwave Scanning Radiometer-Earth observing system
AWS : Automatic Weather Station
CMORPH : Climate Prediction Center Morphing Method
COOP : Cooperative Observer Network
CPC : Climate Prediction Center
CSI : Critical Success Index
DMSP : Defense Meteorological Satellite Program
DPR : Dual-frequency Precipitation Radar
GMI : GPM Microwave Imager
GMS : Geosynchronous Meteorological Satellite
GOES : Geostationary Operational Environmental Satellite
GPCP : Global Precipitation Climatology Project
GPM : Global Precipitation Measurement
GSFC : Goddard Space Flight Center
IMERG : Integrated MultisatellitE Retrievals for GPM
NASA : National Aeronautics and Space Administration
NOAA : National Oceanic and Atmospheric Administration
PERSIANN : Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks
POD : Probability of Detection
SEDS : Symmetric Extreme Dependency Score
SR : Success Ratio
SSM/I : Special Sensor Microwave Imager
TMI : TRMM Microwave Instrument
TMPA : TRMM Precipitation Analysis
TRMM : Tropical Rainfall Measuring Mission Multisatellite

Acknowledgments

이 연구는 기상청의 지원을 받는 한국형수치모델개발사업단의 연구과제를 통해 수행되었습니다.

References

  • Adler, R. F., C. Kidd, G. Petty, M. Morissey, and H. M. Goodman, (2001), Intercomparison of global precipitation products: The third Precipitation Intercomparison Project (PIP-3), Bull. Amer. Meteor. Soc, 82, p1377-1396. [https://doi.org/10.1175/1520-0477(2001)082<1377:iogppt>2.3.co;2]
  • Aonashi, K., and Coauthors, (2009), GSMaP passive, microwave precipitation retrieval algorithm: Algorithm description and validation, J. Meteorol. Soc. Japan, 87A, p119-136.
  • Arkin, P. A., and P. P. Xie, (1994), The Global Precipitation Climatology Project: First Algorithm Intercomparison Project, Bull. Amer. Meteor. Soc, 75, p401-419. [https://doi.org/10.1175/1520-0477(1994)075<0401:tgpcpf>2.0.co;2]
  • Barrett, E. C., and Coauthors, (1994), The first WetNet Precipitation Intercomparison Project: Interpretation of results, Remote Sens. Rev, 11, p303-373.
  • Behrangi, A., K.-L. Hsu, B. Imam, S. Sorooshian, G. J. Huffman, and R. J. Kuligowski, (2009), PERSIANN-MSA: A precipitation estimation method from satellite-based multispectral analysis, J. Hydrometeor, 10, p1414-1429. [https://doi.org/10.1175/2009jhm1139.1]
  • Chen, V. C., and H. Ling, (2001), Time-frequency Transforms for Radar Imaging and Signal Analysis, Artech House, p234.
  • Chen, M., W. Shi, P. Xie, V. B. S. Silva, V. E. Kousky, R. W. Higgins, and J. E. Janowiak, (2008), Assessing objective techniques for gauge-based analyses of global daily precipitation, J. Geophys. Res, 113, D04110. [https://doi.org/10.1029/2007jd009132]
  • Dezfuli, A. K., C. M. Ichoku, G. J. Huffman, K. I. Mohr, J. S. Selker, N. van de Giesen, R. Hochreutener, and F. O. Annor, (2017), Validation of IMERG precipitation in Africa, J. Hydrometeor, 18, p2817-2825. [https://doi.org/10.1175/JHM-D-17-0139.1]
  • Dinku, T., P. Ceccato, E. Grover-Kopec, M. Lemma, S. J. Connor, and C. F. Ropelewski, (2007), Validation of satellite rainfall products over East Africa’s complex topography, Int. J. Remote Sens, 28, p1503-1526. [https://doi.org/10.1080/01431160600954688]
  • Dodge, J., and H. M. Goodman, (1994), The WetNet Project, Remote Sens. Rev, 11, p5-21. [https://doi.org/10.1080/02757259409532256]
  • Duan, Z., J. Liu, Y. Tuo, G. Chiogna, and M. Disse, (2016), Evaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales, Sci. Total Environ, 573, p1536-1553. [https://doi.org/10.1016/j.scitotenv.2016.08.213]
  • Ebert, E. E., and M. J. Manton, (1998), Performance of satellite rainfall estimation algorithms during TOGA COARE, J. Atmos. Sci, 55, p1537-1557. [https://doi.org/10.1175/1520-0469(1998)055<1537:posrea>2.0.co;2]
  • Ebert, E. E., M. J. Manton, P. A. Arkin, R. J. Allam, C. E. Holpin, and A. Gruber, (1996), Results from the GPCP algorithms intercomparison program, Bull. Amer. Meteor. Soc, 77, p2875-2887.
  • Fischer, R., S. Nowicki, M. Kelley, and G. A. Schmidt, (2014), A system of conservative regridding for ice-atmosphere coupling in a General Circulation Model (GCM), Geosci. Model Dev, 7, p883-907. [https://doi.org/10.5194/gmd-7-883-2014]
  • Guo, H., S. Chen, A. Bao, A. Behrangi, Y. Hong, F. Ndayisaba, J. Hu, and P. M. Stepanian, (2016), Early assessment of Integrated Multi-satellite Retrievals for Global Precipitation Measurement over China, Atmos. Res, 176-177, p121-133. [https://doi.org/10.1016/j.atmosres.2016.02.020]
  • Hogan, R. J., E. J. O’Connor, and A. J. Illingworth, (2009), Verification of cloud-fraction forecasts, Quart. J. Roy. Meteor. Soc, 135, p1494-1511. [https://doi.org/10.1002/qj.481]
  • Hou, A. Y., R. K. Kakar, S. Neeck, A. A. Azarbarzin, C. D. Kummerow, M. Kojima, R. Oki, K. Nakamura, and T. Iguchi, (2014), The Global Precipitation Measurement Mission, Bull. Amer. Meteor. Soc, 95, p701-722. [https://doi.org/10.1175/BAMS-D-13-00164.1]
  • Huffman, G. J., and C. Klepp, (2011), Fifth workshop of the international precipitation working group, Bull. Amer. Meteor. Soc, 92, pES54-ES57. [https://doi.org/10.1175/BAMS-D-11-00030.1]
  • Huffman, G. J., R. F. Adler, B. Rudolf, U. Schneider, and P. R. Keehn, (1995), Global precipitation estimates based on a technique for combining satellite-based estimates, rain gauge analysis, and NWP model precipitation information, J. Climate, 8, p1284-1295. [https://doi.org/10.1175/1520-0442(1995)008<1284:gpeboa>2.0.co;2]
  • Huffman, G. J., R. F. Adler, D. T. Bolvin, G. Gu, E. J. Nelkin, K. P. Bowman, Y. Hone, E. F. Stocker, and D. B. Wolff, (2007), The TRMM multisatellite precipitation analysis (TMPA): quasi-global, multiyear combined-sensor precipitation estimates at fine scales, J. Hydrometeor, 8, p38-55. [https://doi.org/10.1175/jhm560.1]
  • Huffman, G. J., R. F. Adler, D. T. Bolvin, G. Gu, and E. J. Nelkin, (2010), The TRMM Multi-Satellite precipitation analysis (TMPA), Satellite Rainfall Applications for Surface Hydrology, F. Hossain, and M. Gebremichael Eds., Springer, p3-22. [https://doi.org/10.1007/978-90-481-2915-7_1]
  • Huffman, G. J., D. T. Bolvin, D. Braithwaite, K. Ksu, R. Joyce, C. Kidd, E. J. Nelkin, and P. Xie, (2015a), NASA Global Precipitation Measurement (GPM) Integrated Multi-satellitE Retrievals for GPM (IMERG), ATBD Version 4.5, p26.
  • Huffman, G. J., D. T. Bolvin, and E. J. Nelkin, (2015b), Integrated Multi-satellitE Retrievals for GPM (IMERG) technical documentation, NASA Doc., p54.
  • Huffman, G. J., D. T. Bolvin, and E. J. Nelkin, (2015c), Day 1 IMERG final run release notes, NASA Doc., p9.
  • Jin, K. W., (2015), NASA’s space-bome microwave remote sensing missions of GPM and SMAP for a global water cycle research, Current Industrial and Technological Trends in Aerospace, 13, p96-106.
  • Joyce, R. J., and P. Xie, (2011), Kalman filter-based CMORPH, J. Hydrometeor, 12, p1547-1563. [https://doi.org/10.1175/JHM-D-11-022.1]
  • Joyce, R. J., J. E. Janowiak, P. A. Arkin, and P. Xie, (2004), CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution, J. Hydrometeor, 5, p487-503. [https://doi.org/10.1175/1525-7541(2004)005<0487:camtpg>2.0.co;2]
  • Kidd, C., P. Bauer, J. Turk, G. J. Huffman, R. Joyce, K. L. Hsu, and D. Braithwaite, (2012), Intercomparison of high-resolution precipitation products over northwest Europe, J. Hydrometeor, 13, p67-83. [https://doi.org/10.1175/JHMD-11-042.1]
  • Kim, K., J. Park, J. Paik, and M. Choi, (2017), Evaluation of topographical and seasonal feature using GPM IMERG and TRMM 3B42 over Far-East Asia, Atmos. Res, 187, p95-105. [https://doi.org/10.1016/j.atmosres.2016.12.007]
  • Koo, M.-S., S.-Y. Hong, and J. Kim, (2009), An Evaluation of the Tropical Rainfall Measuring Mission (TRMM) Multi-Satellite Precipitation Analysis (TMPA) Data over South Korea, Asia-Pac. J. Atmos. Sci, 45, p265-282.
  • Kummerow, C., W. S. Olson, and L. Giglio, (1996), A simplified scheme for obtaining precipitation and vertical hydrometeor profiles from passive microwave sensors, IEEE Trans. Geosci. Remote Sens, 34, p1213-1232. [https://doi.org/10.1109/36.536538]
  • Liu, Z., (2016), Comparison of Integrated Multisatellite Retrievals for GPM (IMERG) and TRMM Multisatellite Precipitation Analysis (TMPA) monthly precipitation products: Initial results, J. Hydrometeor, 17, p777-790. [https://doi.org/10.1175/JHM-D-15-0068.1]
  • Lopez, P., (2008), Comparison of OPERA precipitation radar composites to CMORPH, SYNOP and ECMWF model data, ECMWF Tech, Memo. No. 569, p22.
  • Olson, W. S., C. Kummerow, Y. Hong, and W.-K. Tao, (1999), Atmospheric latent heating distributions in the Tropics derived from satellite passive microwave radiometer measurements, J. Appl. Meteor, 38, p633-664. [https://doi.org/10.1175/1520-0450(1999)038<0633:alhdit>2.0.co;2]
  • Prakash, S., A. K. Mitra, D. S. Pai, and A. Aghakouchak, (2016), From TRMM to GPM: How well can heavy rainfall be detected from space? Adv, Water Resour, 88, p1-7. [https://doi.org/10.1016/j.advwatres.2015.11.008]
  • Qin, Y., Z. Chen, Y. Shen, S. Zhang, and R. Shi, (2014), Evaluation of satellite rainfall estimates over the Chinese mainland, Remote Sens, 6, p11649-11672. [https://doi.org/10.3390/rs61111649]
  • Roebber, P. J., (2009), Visualizing multiple measures of forecast quality, Wea. Forecasting, 24, p601-608. [https://doi.org/10.1175/2008waf2222159.1]
  • Sharifi, E., R. Steinacker, and B. Saghafian, (2016), Assessment of GPM-IMERG and other precipitation products against gauge data under different topographic and climatic conditions in Iran: preliminary results, Remote Sens, 8, p135. [https://doi.org/10.3390/rs8020135]
  • Smith, E. A., and Coauthors, (1998), Results of the WetNet PIP-2 Project, J. Atmos. Sci, 55, p1483-1536.
  • Sohn, B. J., and Coauthors, (2005), Proposing research and development activities for utilizing the Global Precipitation Measurement (GPM), Atmosphere, 15, p47-57, (in Korean with English abstract).
  • Sohn, B. J., H.-J. Han, and E.-K. Seo, (2010), Validation of satellite based high-resolution rainfall products over the Korean Peninsula using data from a dense rain gauge network, J. Appl. Meteor. Climatol, 49, p701-714. [https://doi.org/10.1175/2009JAMC2266.1]
  • Sorooshian, S., K.-L. Hsu, X. Gao, H. V. Gupta, B. Imam, and D. Braithwaite, (2000), Evaluation of PERSIANN system satellite-based estimates of tropical rainfall, Bull. Amer. Meteor. Soc, 81, p2035-2046. [https://doi.org/10.1175/1520-0477(2000)081<2035:eopsse>2.3.co;2]
  • Tang, G. Q., Y. Z. Ma, D. Long, L. Z. Zhong, and Y. Hong, (2016), Evaluation of GPM Day-1 IMERG and TMPA version-7 legacy products over mainland China at multiple spatiotemporal scales, J. Hydrol, 533, p152-167. [https://doi.org/10.1016/j.jhydrol.2015.12.008]
  • Weng, F., L. Zhao, R. Ferraro, G. Poe, X. Li, and N. Grody, (2003), Advanced microwave sounding unit application of high resolution multi-satellite precipitation products and a distributed hydrological modeling for daily runoff simulation cloud and precipitation algorithm, Radio Sci, 38, p8068-8080.
  • Xie, P., A. Yatagai, M. Chen, T. Hayasaka, Y. Fukushima, C. Liu, and S. Yang, (2007), A gauge-based analysis of daily precipitation over East Asia, J. Hydrometeor, 8, p607-626. [https://doi.org/10.1175/jhm583.1]
  • Zhao, L., and F. Weng, (2002), Retrieval of ice cloud parameters using the Advanced Microwave Sounding Unit, J. Appl. Meteorol, 41, p384-395.

Fig. 1.

Fig. 1.
The topographic field over East Asia (top) and the distribution of AWS rain gauge network (dot) operated by the KMA (bottom).

Fig. 2.

Fig. 2.
Spatial plots of seasonal mean daily precipitation (mm day−1) processed from AWS, IMERG, TMPA and CMORPH products over South Korea.

Fig. 3.

Fig. 3.
Spatial plots of seasonal averaged daily bias ratio of IMERG, TMPA, and CMORPH against AWS.

Fig. 4.

Fig. 4.
As in Fig. 3, but for the correlation coefficient.

Fig. 5.

Fig. 5.
Scatterplots of the daily precipitation (mm day−1) obtained from IMERG, TMPA, and CMORPH vs AWS gauge data. Solid line depicts a least square regression line, and letter ‘R’ means correlation coefficient between satellite precipitation products and AWS gauge data.

Fig. 6.

Fig. 6.
(a) The 2 × 2 contingency table and performance measures for (b) Bias, (c) SEDS, (d) POD, (e) FAR, (f) Success Ratio, and (g) CSI.

Fig. 7.

Fig. 7.
Seasonal Bias score from IMERG, TMPA, and CMORPH product over South Korea against AWS gauge data for daily precipitation thresholds of 1, 5, 15, 30 mm day−1.

Fig. 8.

Fig. 8.
As in Fig. 7, but for SEDS.

Fig. 9.

Fig. 9.
Seasonal performance diagram over South Korea. The curved isolines, with associated labels, represent the critical success index, and dashed solid lines represent the bias. The best scores are in the upper right corner; bias values close to one are typically considered optimal.

Fig. 10.

Fig. 10.
Spatial plots of seasonal averaged daily bias ratio of IMERG, TMPA, and CMORPH against CPC.

Fig. 11.

Fig. 11.
As in Fig. 10, but for the correlation coefficient.

Fig. 12.

Fig. 12.
Seasonal performance diagram over East Asia.