The Korean Meteorological Society
[ Article ]
Atmosphere - Vol. 32, No. 1, pp.1-15
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 31 Mar 2022
Received 27 Oct 2021 Revised 19 Jan 2022 Accepted 19 Jan 2022
DOI: https://doi.org/10.14191/Atmos.2022.32.1.001

기후변화에 따른 강수 특성 변화 분석을 위한 대규모 기후 앙상블 모의자료 적용

김영규* ; 손민우
충남대학교 토목공학과
Application of the Large-scale Climate Ensemble Simulations to Analysis on Changes of Precipitation Trend Caused by Global Climate Change
Youngkyu Kim* ; Minwoo Son
Civil Engineering, Department of Chungnam National University, Daejeon, Korea

Correspondence to: * Youngkyu Kim, Department of Civil Engineering, Chungnam National University, 99 Daehak-ro, Yuseong-gu, Daejeon 34134, Korea. Phone: +82-42-821-7745, Fax: +82-42-821-8957 E-mail: youngkim6257@gmail.com

Abstract

Recently, Japan’s Meteorological Research Institute presented the d4PDF database (Database for Policy Decision-Making for Future Climate Change, d4PDF) through large-scale climate ensemble simulations to overcome uncertainty arising from variability when the general circulation model represents extreme-scale precipitation. In this study, the change of precipitation characteristics between the historical and future climate conditions in the Yongdam-dam basin was analyzed using the d4PDF data. The result shows that annual mean precipitation and seasonal mean precipitation increased by more than 10% in future climate conditions. This study also performed an analysis on the change of the return period rainfall. The annual maximum daily rainfall was extracted for each climatic condition, and the rainfall with each return period was estimated. In this process, we represent the extreme-scale rainfall corresponding to a very long return period without any statistical model and method as the d4PDF provides rainfall data during 3,000 years for historical climate conditions and during 5,400 years for future climate conditions. The rainfall with a 50-year return period under future climate conditions exceeded the rainfall with a 100-year return period under historical climate conditions. Consequently, in future climate conditions, the magnitude of rainfall increased at the same return period and, the return period decreased at the same magnitude of rainfall. In this study, by using the d4PDF data, it was possible to analyze the change in extreme magnitude of rainfall.

Keywords:

d4PDF, Extreme-scale precipitation, Historical climate conditions, Future climate conditions

1. 서 론

최근 기후변화의 영향으로 극한 가뭄 및 홍수와 관련된 이상기후 현상이 빈번하게 관측되고 있다(Seneviratne et al., 2012; Christidis et al., 2015; Fischer and Knutti, 2015). 기후변화는 기온 상승에 영향을 미치며, 기온 상승은 과거보다 더 높은 규모의 강우 현상을 유발한다(Hardwick Jones et al., 2010; Jakob and Walland, 2016; Herath et al., 2018). 이는 기후변화로 인해 대기 온도가 증가하면서 Clausius-Clapeyron 관계에 의해 공기 입자는 더 많은 수분을 보유할 수 있게 되기 때문이다(Utsumi et al., 2011; Jakob and Walland, 2016). 기후변화의 영향으로 증가된 공기 입자당 포함된 수증기는 호우사상의 강도를 증가 시킬 것이다(Trenberth et al., 2005; Huntington, 2006; Allan and Soden, 2008; Trenberth, 2011; Kunkel et al., 2013b). 이와 같이 기후변화는 극한 호우사상의 규모와 발생빈도 및 지속시간 변화에 영향을 준다(Min et al., 2011; Alfieri et al., 2015).

최근 몇 년 동안 극한 호우사상에 기후변화가 미치는 영향을 정량적으로 평가하는 연구가 국내외적으로 다수 진행되고 있다(Guhathakurta et al., 2011; Jang et al., 2012; Cheng and AghaKouchak, 2014; Yang et al., 2018; Sung et al., 2018; Lee et al., 2019). 특히, 장기간 재현기간(Return period)을 나타내는 극한 호우에 의한 피해 발생을 대응하기 위한 수자원 관리 체계를 개선하고 수공구조물의 위험성 및 안정성을 평가하는 연구에 관심이 높아지고 있다(Alam and Elshorbagy, 2015; Hwang et al., 2018; Kumar et al., 2021). 이는 특정 장기간 재현기간을 가지는 대규모 강우량이 수공구조물을 설계하기 위해 적용되는 설계강우량이기 때문이다. 기후변화가 진행되어질수록 극한 호우사상의 발생 빈도가 증가하여 기존에 적용된 설계강우량의 재현기간이 미래에는 점점 더 짧아지고, 이 결과는 수공구조물의 실패 위험도를 증가시켜 안정성에 대한 불확실성을 증가시킬 것이다(Nissen and Ulbrich, 2017; Noor et al., 2018; Elshorbagy et al., 2018; Kumar et al., 2021). 따라서 현재 기후에서 극한강우량의 규모가 미래 기후에서는 얼마나 증가할 것인지에 대한 연구가 필요하며 다양한 강우 특성에 대한 변화를 조사 및 평가할 필요가 있다.

많은 연구들은 기후변화에 따른 미래의 극한 기상 현상의 변화를 조사하고 평가하기 위해, 대기대순환모델(General Circulation Model, GCM)의 산출물을 이용해왔다(Zhang et al., 2006; Ji and Kang, 2015; Tang et al., 2016). 이와 같은 연구들은 오직 하나 또는 소수의 GCM 모형들을 이용해서 기후변화 및 극한 기상 현상의 변화를 조사했다. 하지만 소수의 GCM 모형들을 이용하여 기후변화를 평가한 연구들은 극한 기후 현상을 규명하는데 많은 불확실성을 나타낸다(Duan et al., 2019). 일반적으로 극한 기후 현상은 평균 기후 현상보다 더 큰 변동성을 나타낸다. 예를 들어, 연간 최대 일 강우량은 연간 평균 강우량보다 더 큰 변동성을 나타낸다. 이런 극한 현상의 변동성은 앙상블의 개수가 작을수록(소수의 GCM 모형 산출물) 크게 발생하며, 이 큰 변동성은 기후변화로 인한 미래의 극한 현상을 예측하는데 불확실성을 증가 시킨다(Li et al., 2015; Mote et al., 2016). GCM 모형의 결과 값은 미래의 기상 및 기후 자료를 예측하여 기후변화 영향을 평가하기 위해 적용되고 있지만, GCM 모형의 예측 값의 신뢰성에 대한 문제는 여전히 제기되고 있다.

이런 문제를 극복하기 위해서 일본 기상연구소(MRI; Meteorological Research Institute)는 고해상도 GCM과 고해상도 RCM (Regional Climate Model)을 이용하여 지금까지 없었던 다수의 앙상블 실험을 수행하였고 이 실험 결과를 토대로 “미래 기후변화에 관한 정책 결정을 위한 데이터베이스인 d4PDF (Database for Policy Decision-Making for Future Climate Change)”를 구축하였다(Mizuta et al., 2017). 구축된 d4PDF는 역사적 기후 실험(현재 기후조건), 비 온난화 실험, RCP 8.5시나리오에 따른 4oC 온도 상승 실험(미래 기후조건)을 통해 세가지 형태의 자료로 구성되었으며, 실험 조건에 관련한 자세한 내용은 2장에 서술하였다. 세가지 형태의 자료는 모두 여러 개의 앙상블 자료로 제공되어진다. 현재 기후조건 자료는 50개 앙상블로 각각의 앙상블은 1951년부터 2010년까지 기간을 포함하여 제공되고, 미래 기후조건 자료는 90개 앙상블로 각각의 앙상블은 2051년부터 2110년까지 기간을 포함하여 제공된다.

대규모 기후 앙상블 모의로 생성된 d4PDF 자료의 장점은 관측자료만으로는 극한 호우 사상이 적어 조사할 수 없었던 저빈도 고강도의 호우 사상의 검토를 가능하게 한다(Mizuta et al., 2017). d4PDF 자료는 대규모 앙상블로 구성되어 있어 GCM 모의 자료로부터 발생하는 불확실성을 최소화하여 기후변화에 따른 기후의 특성 변화를 고려하는 것이 가능하다(Duan et al., 2019; Ishii and Mori, 2020). 지금까지 d4PDF 자료는 다수의 연구로부터 기후변화 때문에 발생하는 극한 현상을 분석하는 데 적용되어 왔다(Kay et al., 2015; Döll et al., 2018; Faye et al., 2018; Lavender et al., 2018; Yang et al., 2018; Mori et al., 2019; Ishii and Mori, 2020). d4PDF의 높은 신뢰성 또한 다양한 이전의 연구들로부터 보고 되어왔다(Tanaka et al., 2018, 2020, 2021; Hanittinan et al., 2020; Ishii and Mori, 2020).

이에 따라, 본 연구에서는 d4PDF 자료를 이용하여 현재 기후조건에서의 강우의 특성과 미래 기후조건에서의 장기간 재현기간을 가지는 극한강우량의 차이를 분석하는 것을 목적으로 한다. 게다가, 강우의 특성을 비교함으로써 미래 기후조건에서의 강우 지표의 변화를 분석한다. 극한강우량 산정 및 미래 기후조건에서의 강우의 특성 변화 분석에 d4PDF 자료가 적용됨에 따른 강점을 분석하여 제시한 후, d4PDF 자료를 이용하여 (1) 연평균강수량, (2) 계절별 평균강수량, (3) 일년 중 10 mm 이상의 호우 발생일수, (4) 연 최대일 강우량, (5) 장기간 재현기간에 따른 강우량 값에 대한 현재 기후조건 대비 미래 기후조건에서의 변화를 분석한다. 특히, 장기간 재현기간에 따른 강우량 산정과정에서 d4PDF 자료의 대규모 앙상블 모의 결과를 이용함으로써 확률적으로 극치에 해당하는 강우량들을 통계적 모형이나 가정 없이 산정한다. 이 과정에서 현재 기후조건에서 극한 강우량의 발생빈도가 미래 기후조건에서 얼마나 변화하는지 분석한다. 또한, 동일한 재현기간에서 두 기후조건에서 산정된 강우 규모 결과의 차이를 분석한다.


2. 대상지역 및 자료

2.1 대상지역

2020년에 한반도는 장기간 지속된 ‘장마’로 인해 다수의 유역에서 대규모 수재해가 발생하였다. 특히, 용담댐 유역은 장마기간 중에 이틀 동안 378 mm의 대규모 호우사상을 기록하였다. 이 규모는 최근 55년간 용담댐 유역에 발생한 호우 중 최대 규모의 호우량이다. 또한 장기간 지속된 장마의 영향으로 용담댐은 만수량의 98.9%에 가까운 저수량을 기록했으며, 방류량은 약 14.7%에 이르렀다. 갑작스러운 방류로 인해 용담댐 하류 유역에서는 홍수범람이 발생하였다(Felix et al., 2021). 이것은 최근 용담댐 유역은 호우의 강도가 증가하여 수재해에 대한 위험도가 증가하였으며, 극한 호우사상의 발생 가능성이 증가하고 있다는 것을 의미한다. 이런 이유로 용담댐 유역은 미래에 극한 호우사상으로부터 발생 가능한 수재해 예방 및 대응이 필요하고, 이를 위해서는 용담댐 유역을 대상으로 현재 기후조건과 미래 기후조건에서 산정된 강수 관련 지표들의 변화를 분석할 필요가 있다고 판단했다. 따라서 본 연구는 용담댐 유역을 대상지역으로 선정하였고, Fig. 1Table 1에서 확인할 수 있듯이, 용담댐 유역에 위치한 금산, 임실, 전주, 장수 지점을 중심으로 연구를 수행하였다.

Fig. 1.

Target regions in this study.

Target regions in this study.

2.2 대규모 기후 앙상블 모의실험 기반의 d4PDF 자료

d4PDF 자료의 해상도는 60 km의 격자 크기를 가지며, NHRCM (Non-hydrostatic Regional Climate Model) 모형을 이용하여 20 km까지 다운스케일링(downscaling) 되었다(Sasaki et al., 2008). 20 km의 해상도를 가지는 d4PDF 자료는 수평 격자 크기는 211×175로 일본, 한반도 및 아시아 대륙 동부를 포함한다. 본 연구에서는 역사적 기후 실험(현재 기후조건)과 4oC 온도 상승 실험으로(미래 기후조건) 얻어진 20 km 격자 크기의 d4PDF 자료를 이용한다

2.2.1 현재 기후조건기반으로 생성된 d4PDF

현재 기후조건의 d4PDF 자료는 관측된 해수면 온도, 해빙 온실가스 농도 변화, 황산성 에어로졸 농도 변화, 오존 농도 변화, 화산성 에어로졸 농도 변화를 입력조건으로 하여 생성되었다. 생성된 자료는 50개의 앙상블로 구성되며, 각 앙상블은 서로 다른 초기 조건에서 해빙과 해수면 온도에 작은 섭동을 더하여 계산된 값이다. 하나의 앙상블은 1951년부터 2010년까지 60년 동안의 기상자료를 제공하기 때문에 총 3000년 동안의 기상 자료를 이용하는 것이 가능하다.

2.2.2 미래 기후조건기반으로 생성된 d4PDF

미래 기후조건의 d4PDF 자료는 CMIP5에 공헌한 전 지구 대기-해양 결합 모델의 실험결과인 6종류의 SST 장래 변화 공간 패턴을 바탕으로 각 패턴에 15 종류의 섭동을 가하여 생성된 90개의 앙상블로 구성되었다. 초기 조건에서 해빙은 각각의 SST에 정합 하도록 조절되었고, RCP 8.5 시나리오의 2090년 값을 온실가스농도 등의 외부강제요인으로 적용하였다. 또한, 실험기간 동안 이 자료의 온난화 정도는 시간에 따라 변화하지 않게 설정하여 구축되었다. Table 2는 미래 기후조건의 d4PDF 자료를 생성하기 위해 이용된 CMIP5의 6개 모델을 나타낸다. 하나의 앙상블은 2051년부터 2110년까지 60년 동안의 자료를 제공하기 때문에 각 SST 패턴에 대해서는 900년간의 기상 자료를 이용할 수 있고, 총 SST 패턴에 대해서는 5400년간의 기상 자료를 이용할 수 있다.

Six CMIP5 models used for obtaining the precipitation data under future climate conditions.


3. d4PDF 자료의 이용

3.1 대규모 앙상블 기반 자료

소규모 기후 모의자료에 비해 대규모 기후 앙상블 모의자료를 이용함에 따른 강점에 대해서 검토해보았다. Figure 2는 현재 기후조건에서 연 최대 일 강우량을 히스토그램으로 나타낸 결과이다. 첫번째 열은 하나의 앙상블에서 수집된 60년 동안의 연 최대 일 강우량을 빈도에 따라 히스토그램으로 나타낸 것이다. 즉, 이 그래프는 소규모 기후 모의자료를 적용하여 호우사상을 빈도별로 나타냈을 때 결과를 의미한다. 하나의 앙상블에 대한 그래프는 매끄러운 빈도분포를 나타낼 수 없었고, 노이즈가 크게 발생하였기 때문에 강우의 규모별 빈도를 정확하게 파악하기 어려웠다. 특히, 극치 부분에서 규모에 따른 매끄러운 분포를 얻을 수 없었다. 금산의 경우, 200 mm의 강우량까지는 0.001 이상의 밀도(density)를 나타내다가 250 mm의 강우량까지 0의 밀도를 나타내고, 250 mm 이상의 규모에서 0 이상의 밀도를 나타낸다. 따라서, 소규모 기후 모의자료를 이용한다면 저빈도 고강도 기후사건에 신뢰하기 어려운 예측 결과를 나타낼 수 있고, 확률밀도함수(Probability density function)의 적용과 같은 통계적 해석 방법이 필요 되어진다.

Fig. 2.

Histograms of annual maximum 1-day rainfall of each year in present climate conditions at four regions located in the Yongdam dam basin, for 1, 15, and 50 ensemble members as aligned from the left to right.

두 번째 열은 15개의 앙상블에서 수집된 900년 동안의 연 최대 일 강우량을 히스토그램으로 나타낸 것이다. 마지막 열은 모든 앙상블에서 수집된 연 최대일 강우량을 히스토그램으로 나타낸 것이다. 15개의 앙상블 멤버에 대해서는 좀더 매끄러운 빈도분포를 나타낼 수 있었고, 노이즈도 크게 감소하였다. 총 앙상블 멤버에 대해서는 노이즈 없이 상당히 매끄러운 빈도분포를 나타낼 수 있었다. 대규모 앙상블 자료를 이용함으로써 매끄러운 강우의 규모별 빈도 분포를 표현하는 것이 가능했다. 기후모형의 예측 값의 신뢰성에 대한 문제는 여전히 제기되고 있지만, 이 결과는 대규모 앙상블 자료를 이용함으로써 소수의 기후모형을 이용하는 것보다 저 빈도 고강도의 기후사건의 검토를 위한 가장 신뢰할 수 있는 기후모형의 예측 값을 제시할 수 있다는 것을 의미한다.

3.2 장기간 재현기간 강우량 제시

이번 장에서는 대규모 앙상블 자료를 이용한다면, 장기간 재현기간을 나타내는 강우량을 제시함에 있어, 어떠한 강점을 나타내는지 다루었다. Figure 3은 현재 기후조건에서 관측기간 또는 모의기간 동안 수집되는 연 최대 일 강우량을 규모별로 정리하여 누적밀도함수(CDF; Cumulative density function)로 나타낸 그래프이다. CDF 그래프를 통해 규모별로 정리된 연 최대 일 강우량을 비초과확률로 나타냈다. 비초과확률은 식 ‘1/(1 - 비초과확률) =재현기간’을 이용하여 재현기간으로 나타낼 수 있고, 재현기간은 특정 강도의 강우가 다시 발생할 것으로 예상되는 기간으로 정의된다. 예를 들어, 특정 강우량에 해당하는 비초과확률이 0.99라 하면 100년의 재현기간을 갖고, 이 강우량은 특정 해에 1/100의 확률로 발생할 수 있다는 것을 의미한다.

Fig. 3.

Cumulative density function (CDF) graphs for Non-exceedance probabilities of four regions located in the Yongdam-dam basin. The line represents the 60 annual maximum 1-day rainfall for each ensemble of d4PDF. The square represents the observed annual maximum 1-day rainfall. The circle represents the 3000 annual maximum 1-day rainfall for all ensembles of d4PDF.

Figure 3에서 사각형 점은 관측된 연 최대 일 강우량을 나타내고, 선은 d4PDF 자료의 현재기후조건에서 모든 앙상블(50개 앙상블)을 하나의 앙상블마다 나타낸 것이다. 하나의 앙상블은 60년 동안에 연 최대일 강우량을 나타낸다. 원형 점은 현재 기후조건에서의 모든 앙상블의 연 최대 일 강우량을 하나의 CDF로 표현한 것으로 3000년 동안에 연 최대 일 강우량을 나타낸다. Figure 3의 CDF 결과로 보아 d4PDF 자료의 연 최대 일 강우량을 이용하여 작성된 CDF는 관측된 연 최대 일 강우량의 CDF를 잘 묘사하는 것으로 나타난다. 임실지역에서 10년의 재현기간에서 관측 값과 d4PDF 모든 앙상블로 작성된 값이 차이를 나타내지만, 대체적으로 d4PDF는 관측자료에 대해 성공적으로 재현되었다.

우리나라의 국가 하천과 대규모 수공구조물들은 100년 이상의 재현기간을 나타내는 강우 규모를 설계강우량으로 이용한다. 이런 이유로 100년 이상 또는 0.99 이상의 비초과확률을 나타내는 강우량이 필요하지만, Fig. 3에서 볼 수 있듯이 금산, 임실, 전주 관측소는 48년, 장수 관측소는 33년의 재현기간이 가장 긴 재현기간이기 때문에 100년 이상의 재현기간을 나타내지 못한다. 이는 관측기간이 짧기 때문에 발생하는 문제이다. 이런 짧은 관측기간의 문제를 해결하기 위해서는 Gumbel, GEV (General extreme value) 분포와 같은 통계적 빈도 해석 방법인 확률밀도함수(Probability density function)을 적용하여 확률분포화를 수행함으로써 관측기간보다 긴 재현기간을 나타내는 연 최대일 강우량을 산정해야 한다. 하지만, 긴 재현기간을 나타내기 위한 확률밀도함수 선정에는 많은 어려움이 있고(Haddad and Rahman, 2011), 산정된 강우량은 표본 크기(관측기간)에 따라서 불확실성을 내포한다(Ishii and Mori, 2020).

반면에, 대규모 기후 앙상블 자료기반의 d4PDF 자료는 표본 크기에 따른 한계점을 극복할 수 있다. Figure 3의 선 그래프와 같이, d4PDF의 하나의 앙상블은 60년의 표본 크기를 가지기 때문에 d4PDF의 하나의 앙상블만(소규모 앙상블)을 이용하여 긴 재현기간을 가지는 강우량을 표현하기 위해서는 관측 강우 자료를 이용하는 것과 마찬가지로 통계적 해석 방법이 적용되어야 한다. 하지만, d4PDF의 현재 기후조건 자료의 모든 50개의 앙상블을 이용한다면, Fig. 3의 원형 점과 같이 3000년의 표본 크기를 이용할 수 있다. 이 3000년의 표본 크기는 통계적 해석 방법을 이용하지 않고도 3000년까지의 매우 긴 재현기간을 경험적으로 나타내는 강우량을 산정할 수 있다는 것을 의미한다. 결과적으로, 대규모 기후 앙상블 모의실험결과 기반의 d4PDF는 어떤 통계적 모형이나 방법론은 사용되지 않았기 때문에 통계분석으로부터 발생하는 불확실성을 최대한 배제하여 강우의 규모별 빈도 분포를 표현하는 것이 가능했다. 이와 같이 대규모 기후 앙상블 모의실험으로부터 구축된 d4PDF 자료는 극치 강우량을 제시하고 현재 기후조건 대비 미래 기후조건에서의 강우 특성 변화를 분석하는데 충분히 활용가치가 있다고 판단하여 본 연구를 수행하였다.


4. 결과 및 토의

4.1 연평균강수량의 비교

우리는 Fig. 1에서 선정된 4개의 지역에 대해서 현재 기후조건과 미래 기후조건에서의 연평균강수량을 산정한 후, RCP 8.5 시나리오를 적용한 미래 기후조건에서의 연평균강수량 변화를 검토해 보았다. Figure 4는 현재 기후조건과 미래기후조건에 산정된 연평균강수량을 나타낸다.

Fig. 4.

The result of annual mean precipitation under historical and future climate conditions at four regions.

그 결과, 4개의 지역 모두 현재 기후조건에서 1200 mm에 가까운 연평균강수량을 나타내며, 4개 지역의 평균적인 연평균강수량은 1229 mm였다. 장수지역에서 1272 mm로 가장 높은 연평균강수량이 산정되었고, 전주지역에서 1150 mm로 가장 낮은 연평균강수량이 산정되었다. 미래 기후조건에서는 모든 지역에서 1400 mm에 가까운 연평균강수량을 나타내며, 4개 지역의 평균적인 연평균강수량은 1431 mm였다. 현재 기후조건과 마찬가지로, 장수지역에서 1494 mm로 가장 높은 연평균강수량이 산정되었고, 전주지역에서 1370 mm로 가장 낮은 연평균강수량이 산정되었다. 이 결과로부터 모든 지역에서 현재 기후조건 대비 미래 기후조건에서 총 강우량이 증가하는 것을 확인했다. 4개의 지역의 연평균강수량은 평균적으로 미래 기후조건에서 200 mm 이상 증가하는 것을 확인했다. 특히, 4개의 지역 중 전주 지역의 증가율이 19%로 가장 높았으며, 다른 지역들 모두 현재 기후조건 대비 미래 기후조건에서 10% 이상 연평균강수량이 증가하는 것을 확인했다. 현재 기후조건 대비 RCP 8.5 시나리오에 따른 미래 기후조건에서 용담댐 유역에 위치한 지역의 연평균강수량은 10% 이상 증가하는 것으로 확인되었다. 이 결과는 IPCC 5차 보고서에서도 확인할 수 있었다. IPCC는 현재 기후(1986~2005) 대비 RCP 8.5 시나리오를 적용한 미래 기후(2081~2100)에서 한국의 연평균강수량이 10%에서 20% 정도 증가하는 것으로 분석했다(Pachauri et al., 2014).

4.2 계절별 평균강수량의 비교

본 연구는 계절별로 발생한 강수의 총 양을 평균적으로 계산함으로써 어떤 계절에서 가장 많은 양의 강수가 발생하는지 분석하였다. 또한, 미래 기후조건에 대해서도 계절별 평균강수량을 산정하여 미래 기후에서 높은 강수량의 증가를 나타내는 계절을 찾았다. 겨울철 강수량은 12월부터 2월(DJF)까지 누적 값이며, 봄철 강수량은 3월부터 5월(MAM)까지 누적값이다. 여름철 강수량은 6월부터 8월(JJA)까지 누적값이고, 가을철 강수량은 9월부터 11월(SON)까지 누적 값이다.

Figure 5는 모든 지역에서 현재 기후조건과 미래 기후조건에서 계절별 평균강수량을 나타낸다. 그 결과, 현재 기후조건에서 4개의 지역 모두 여름철에 가장 높은 강수량을 나타내고, 겨울철에 가장 낮은 강수량을 나타냈다. 4개의 지역에서 여름철 강수량은 평균적으로 663 mm를 나타내고, 겨울철 강수량은 평균적으로 184 mm를 나타냈다. 미래 기후조건에서도 현재 기후조건과 마찬가지로 4개의 지역 모두 여름철에 가장 높은 강수량을 나타내고, 겨울철에 가장 낮은 강수량을 나타냈다. 4개의 지역에서 여름철 강수량은 평균적으로 758 mm를 나타내고, 겨울철 강수량은 평균적으로 216 mm를 나타냈다. 또한, Fig. 5는 미래 기후조건에서 모든 계절별 강수량이 증가하는 것을 나타낸다. 이 결과를 자세히 분석하기 위해, 현재 기후조건 대비 미래 기후조건의 계절별 평균강수량의 변화율을 Table 3에 나타냈다.

Fig. 5.

The result of seasonal mean precipitation under historical and future climate conditions at four regions.

The difference of seasonal mean precipitation between historical and future climate conditions.

모든 지역에서 현재 기후조건 대비 미래 기후조건에서 계절별 강수량이 모두 증가하는 것을 Table 3으로부터 알 수 있었다. 4개의 지역에서 평균적으로 겨울철 강수량은 17% 증가하였고, 봄철 강수량은 20%, 여름철 강수량은 14%, 가을철 강수량은 13% 증가하였다. 이에 따라, 봄철에 강수량이 가장 높게 증가하였고, 가을철에 강수량이 가장 낮게 증가하였다.

이 결과는 Her et al. (2019)의 미래 기후조건에서의 계절별 강수량의 변화 결과와 유사했다. Her et al. (2019)은 한국의 위도(북위 33도-39도)와 비슷한 위도(북위 38도)에 위치한 오하이오 강(Ohio River)에 대한 현재 기후조건 대비 RCP 8.5 시나리오를 적용한 미래 기후조건에서의 월간 강수량의 변화를 분석했다. IPCC 5차 보고서에서 오하이오 강의 미래 기후조건에 대한 연평균강수량은 10%에서 20% 정도 증가하는 것을 확인할 수 있었으며 한국의 연평균강수량 증가와 상당히 유사하다. 이 연구는 현재 기후 대비 RCP 8.5 시나리오를 적용한 미래 기후(미래 기후조건/현재 기후조건)에 대한 계절별 강수량의 변화율을 산정했고, 겨울철(DJF)은 1.16, 봄철(MAM)은 1.13, 여름철(JJA)은 1.05, 가을철(SON)은 1.06의 변화율을 나타냈다. 이 결과는 본 연구와 마찬가지로 RCP 8.5 시나리오를 적용한 미래 기후에서 겨울철과 봄철의 강수량이 높은 비율로 증가하고 여름철과 가을철은 상대적으로 낮은 비율로 증가하는 것을 나타낸다.

Her et al. (2019)의 연구와 본 연구의 계절별 강수량의 분석 결과는 기후 모형들이 기후변화 시나리오를 적용한 경우에 일반적으로 겨울철과 봄철 강수량의 증가율을 여름철과 가을철보다 높게 모의하기 때문에 발생한 것으로 보인다(Kunkel et al., 2013a). 이에 따라 기후 모형들의 결과만으로 미래 기후조건에서 정확한 계절별 강수량의 증감을 파악하긴 어렵고, 이 결과는 기후 모형의 모의 자료를 이용한 계절별 강수량 산정에 대한 분석 결과는 큰 불확실성을 가지는 것을 의미한다.

본 연구는 추가적으로 계절별 강수량의 증가를 4.1절의 연평균강수량의 결과와 연관 지어 분석하였다. 그 결과, 미래 기후조건에서 모든 계절에 강수량은 증가함으로써 연평균강수량이 증가했지만, 연 강수량에 계절별로 차지하는 비율은 현재 기후조건과 미래 기후조건에서 동일한 것으로 확인되었다. Figure 5에서 현재 기후조건과 미래 기후조건 모두 4개의 지역에서 평균적으로 여름철 강수량이 연평균강수량에 50%에 가깝게 차지하였고, 겨울철 강수량이 연평균강수량에 13%에 가깝게 차지하였다. 이 결과는 용담댐 지역은 RCP8.5 시나리오에 따른 미래 기후조건에서 모든 계절의 강수량이 증가하지만, 계절별로 연평균강수량에 차지하는 비율은 증가 또는 감소하지 않는다는 것을 의미한다.

4.3 호우 발생일수

본 연구는 용담댐에 일년 동안 호우가 발생하는 날을 계산하기 위해 ETCCDI (Expert Team on Climate Change Detection and Indices) 지수 중에 하나인 R10을 이용하여 검토했다(Peterson and Manton, 2008). ETCCDI 지수는 WMO (World Meteorological Organization)에서 제시하고 있는 지수로서 많은 연구들에서 극한 기상 및 기후 현상의 변화를 정량화하기 위해 적용된다(Alexander et al., 2006; Donat et al., 2016; Kim et al., 2016; Yin and Sun, 2018). ETCCDI에서 제시한 지수들 중 R10은 일년 중 하루 동안 10 mm 이상의 강우가 발생하는 날들을 계산하여 산정되며 호우 발생일수를 정량화 한다. Figure 6과 같이 R10을 이용하여 각 지역마다 현재 기후조건과 미래 기후조건에서 호우가 발생하는 날들을 산정해보았다. 그 결과, 현재 기후조건에서 4개의 지역에 평균적으로 365일 중 33일은 10 mm 이상의 호우가 발생하였고, 각 지역은 31일에서 34일은 10 mm 이상의 호우가 발생했다. 미래 기후조건에서는 평균적으로 365일 중 36일은 10 mm 이상의 호우가 발생하였고, 각 지역은 34일에서 38일은 10 mm 이상의 호우가 발생했다. 결과적으로, 미래 기후조건에서 모든 지역은 10 mm 이상의 호우 발생일수가 3일에서 4일 증가하였다.

Fig. 6.

The result of counting days that occurred the precipitation more than 10 mm under historical and future climate conditions at four regions.

미래 기후에서의 호우 발생일수의 증가가 어떤 강우량의 특징 변화와 연관 있는지 검토하기 위해, R10의 증가 결과를 연 평균 10 mm 이상의 호우량(연간 10 mm 이상의 호우사상들의 강우량의 합과 관련하여 분석해보았다. 연 평균 10 mm 이상의 호우량은 현재 기후조건에서는 4개 지역에 평균적으로 962 mm로 산정되었고, 미래 기후조건에서는 4개 지역에 평균적으로 1193 mm로 산정되었다. 이를 호우 발생일수로 나누어 10 mm 이상의 호우강도로 나타낸 결과, 현재 기후조건에서는 29 mm day-1로 산정되었고, 미래 기후조건에서는 33 mm day-1로 산정되었다. 현재 기후조건과 미래 기후조건에서의 호우 발생일수당 호우량이 상당히 유사하게 산정되었다. 한편, 호우량의 산정 값과 호우강도의 결과로부터 미래 기후조건에서 호우강도가 크게 증가하지 않았지만 호우량은 평균적으로 200 mm에 가깝게 증가하는 것을 확인할 수 있다. 이 결과는 미래 기후조건에서의 호우량 증가는 10 mm 이상의 호우강도가 증가하는 것보다 호우 발생일수의 증가에 더 크게 영향을 받는다는 것을 의미한다. 이 결과를 연평균강수량과도 관련하여 해석한다면, 연평균강수량의 증가는 호우강도의 증가보다도 호우 발생일수의 증가에 기인하는 것으로 나타난다.

본 연구의 호우 발생일수의 증가 결과는 Wazneh et al. (2020)의 연구 결과와 유사했다. R10은 현재 기후조건에 비해 RCP8.5 시나리오를 적용한 CMIP5 모형의 산출 값과 비교했을 때 5일 정도 증가하는 것으로 나타났다(Wazneh et al., 2020). Saddique et al. (2020)Zhao et al. (2019)의 연구에서도 RCP 8.5 시나리오로부터 예측된 R10은 현재 기후조건에 비해 3일 이상 증가하는 것으로 분석되었다. 이 결과는 RCP 8.5 시나리오를 적용한 기후 모형은 호우 발생일수의 증가를 나타낸다는 것을 의미한다(Zhao et al., 2019; Saddique et al., 2020; Sharma and Goyal, 2020).

4.4 연 최대 일 강우량

Figure 7은 현재 기후조건과 미래 기후조건의 모든 앙상블에서 수집된 연 최대 일 강우량을 히스토그램으로 나타낸 결과이다. Figure 7의 우측 그림은 히스토그램의 극치 값의 분포형태를 분석하기 위해, 좌측 그림의 극치 부분을 확대하여 나타낸 그림이다. 선 그래프는 현재 기후조건에서 얻어진 연 최대 일 강우량의 히스토그램을 나타내며, 점선 그래프는 미래 기후조건에서 얻어진 연 최대 일 강우량의 히스토그램을 나타낸다. 이 그림에서 미래 기후조건에서 더 높은 극치 값을 나타내는 것을 확인할 수 있었고, 미래 기후조건의 분포형태가 더 길게 나타나는 것을 확인하였다.

Fig. 7.

Histograms of annual maximum 1-day rainfall for each year of all ensembles in the present and future climate simulations at four regions located in Yongdam-dam basin. Lines represent histograms under the present climate condition, and dashed lines represent histograms under the future climate condition.

이 결과에 대한 자세한 분석을 위해, 4개의 지역에서 각 분포의 평균, 표준편차, 왜곡도를 산정하여 Table 4에 나타냈다. 4개의 지역 모두 현재 기후조건에서 3000개의 연 최대 일 강우량을 평균한 값은 모두 110 mm에 가까운 값을 나타내고, 미래 기후조건에서 5400개의 연 최대 일 강우량을 평균한 값은 모두 130 mm에 가까운 값을 나타냈다. 이에 따라, 평균적인 연 최대 일 강우량은 미래 기후조건에서 더 크게 나타났다. 이 평균 값의 결과는 미래 기후조건에서 연 최대 일 강우량의 강도가 증가하는 것을 의미하며, 특정 재현기간에 따른 강우량의 규모는 미래 기후에서 증가할 것을 의미한다. 표준편차의 경우, 4개의 지역 모두 미래 기후조건에서 더 높은 표준편차를 나타냈다. 이 결과는 미래 기후조건에서 연 최대 일 강우량이 넓게 분포된다는 것을 나타낸다. 왜곡도의 경우, 금산과 임실에서는 현재 기후조건과 미래 기후조건에서 상당히 유사한 왜곡도를 나타냈고, 전주와 장수는 미래 기후조건에서 더 큰 왜곡도를 나타냈다. 모든 지역의 모든 기후조건에서의 왜곡도는 양의 값을 나타낸 것으로 보아 Fig. 7과 같이 오른쪽으로 왜곡된 분포를 나타냈다. 이 결과에서 연 최대 일 강우량은 미래 기후조건에서 더 높은 값을 나타내며 넓은 분포형태를 나타냈고, 이는 극한 강우량의 규모가 미래 기후조건에서 더 크다는 것을 의미한다. 따라서 동일한 재현기간의 강우량은 미래 기후조건에서 더 높은 규모를 나타낸다.

Statistical values for annual maximum daily rainfalls of all ensembles in present and future climatic conditions.

4.5 재현기간 강우량

현재 기후조건 대비 미래 기후조건에서의 극한강우량의 차이를 분석하기 위해 본 연구는 d4PDF 자료를 이용하여 현재 기후 및 미래 기후에서의 특정 장기간 재현기간에 따른 높은 규모의 강우량을 산정하였고 산정된 두 값의 차이를 분석해보았다. 이와 같은 분석을 위해, Fig. 7의 히스토그램에 포함되어 있는 모든 연 최대 일 강우량을 규모별로 나열하고 비초과확률에 따라 Fig. 8과 같이 CDF로 작성하였다. 그 후, CDF의 비초과확률을 재현기간으로 환산하여 각 기후조건의 재현기간에 따른 강우량을 그래프로 나타냈다. 이에 따라, 점선과 원형 점은 현재 기후조건에서 산정된 재현기간에 따른 강우량을 의미하고, 실선과 사각형 점은 미래 기후조건에서 산정된 재현기간에 따른 강우량을 의미한다.

Fig. 8.

Comparison of high-scale rainfall values representing a long return period in the present and future climate conditions using the CDF plot.

현재 기후에서는 한 앙상블당 1951년부터 2010년까지 60년 동안의 강우 자료를 제공하며 총 50개의 앙상블이 포함되어 있다. 따라서 3000년 동안의 연 최대 일 강우량을 추출하여 어떤 확률밀도함수 및 모형을 사용하지 않고 3000년의 재현기간을 나타내는 강우량을 경험적으로 산정했다. 미래기후조건에서의 강우량 자료는 총 90개의 앙상블로 제공되고 있으며 한 앙상블당 2051년부터 2110년까지 60년 동안의 자료를 제공한다. 따라서 5400년 동안 어떤 빈도해석 함수 및 모형을 사용하지 않고 5400년의 재현기간을 나타내는 강우량을 경험적으로 산정했다.

Figure 8에서 확인할 수 있듯이, 미래 기후조건의 CDF 곡선이 현재 기후조건에 비해 오른쪽에 위치한 것을 확인하였다. 이 결과는 동일한 비초과확률(빈도)에서 강우의 규모는 미래 기후조건에서 증가하는 것을 의미한다. 게다가 동일한 강우량의 규모에서 현재 기후 조건에서의 CDF 보다 미래 기후 조건에서의 CDF가 아래에 위치하는 것을 확인하였다. 이 것은 현재 기후조건에서의 특정 규모의 강우의 발생 가능성이 미래 기후조건에서 증가한다는 것을 의미한다. 이와 같은 결과는 4.3절과 Fig. 7에서 연 최대 일 강우량의 평균 값의 차이(미래 기후: 130 mm, 현재 기후: 110 mm)에서 확인할 수 있듯이, 미래 기후조건에서 연 최대 일 강우량들의 규모가 증가하기 때문이다.

위의 결과를 정량적으로 분석하기 위해서 재현기간에 따른 강우량으로 환산하였다. 모든 지역에서 10, 20, 50, 100, 200, 300년의 재현기간을 갖는 강우량을 확인하였다. 미래 기후조건에서의 재현기간에 따른 4개의 지역에서 평균적인 강우량의 변화를 확인한 결과, 현재 기후조건 대비 10년은 21%, 20년은 21%, 50년은 16%, 100년은 17%, 200년은 18%, 300년은 19%가 증가되었다. 이 결과는 동일한 재현기간에서 미래 기후조건에서 강우량이 더 높은 규모를 나타낸다. 또한, 우리는 현재 및 미래 기후조건에서 동일한 강우 규모의 재현기간의 차이를 확인해 보았다. 그 결과, 금산 관측소의 경우 현재 기후조건에서 324 mm의 강우량은 200년의 재현기간을 나타냈지만, 미래 기후조건에서 100년의 재현기간에서 이미 324 mm를 초과하여 335 mm를 나타냈다. 장수 관측소의 경우 현재 기후조건에서 300 mm에 가까운 강우량은 200년의 재현기간을 나타냈고, 미래 기후조건에서 100년의 재현기간에서 300 mm를 초과하였다. 이 결과는 특정 규모에서 강우의 재현기간이 미래 기후조건에서 더 짧아지는 것을 의미하며, 또한 극한 규모의 강우량의 발생가능성이 미래 기후조건에서는 더욱 높아진다는 것을 의미한다.

결과적으로, 본 연구는 RCP 8.5 시나리오에 따른 미래 기후조건에서, 용담댐 유역에서 연간 총 강우량 및 계절별 강우량이 10% 이상 증가하는 것을 확인하였으며, 10 mm 이상의 호우가 발생하는 날들도 증가하는 것을 확인했다. 게다가, 현재 기후조건 및 미래 기후조건에서의 재현기간에 따른 강우량이 동일한 규모를 나타내더라도 미래 기후조건에서 재현기간이 더 짧아지는 것을 확인하였다. 현재 한국에서 장기간 재현기간에 따른 강우량은 수공구조물을 설계하기 위해 적용되는 설계강우량이다. 따라서 기후변화가 진행될수록 기존에 적용된 설계강우량의 발생가능성이 예상 재현기간보다 더 짧아질 가능성이 크기 때문에 수공구조물의 위험성 및 안정성을 재검토할 필요가 있다. 특히, 용담댐 유역은 최근 장기간 고강도의 ‘장마’로부터 수재해에 대한 피해가 빈번히 발생했으며, 본 연구에서 미래 기후조건에서 연 강우량 및 극한강우량의 규모가 증가하는 것으로 확인되었다. 이를 통해, 용담댐 유역을 대상으로 추후에 기후변화 영향으로부터 강우 특성의 변화와 관련하여 수자원 관리 시스템을 재구축하고, 극한강우량의 강도 증가에 따른 대규모 수재해 발생 위험도를 분석해볼 필요가 있다.


5. 결 론

본 연구는 대규모 기후 앙상블 모의실험결과로부터 생성된 d4PDF 자료를 이용하여 현재 기후조건 대비 미래 기후조건에 대한 강우량 특성의 변화를 분석했다. 그 결과, 연평균강수량은 용담댐 유역에 위치한 모든 지역에서 현재 기후조건 대비 미래 기후조건에서 10% 이상 증가하였다. 계절별 강수량에 대해서도 모든 계절별 강수량이 미래 기후조건에서 증가하는 것을 확인할 수 있었다.

대규모 기상 자료를 제공하는 d4PDF의 특성을 활용하여 통계적인 모형을 적용하지 않고 재현기간 강우량을 산정했다. 현재 기후조건에 대해서는 1년부터 3000년까지 표현할 수 있었으며, 미래 기후조건에 대해서는 1년부터 5400년까지 표현하였다. 그 후, 장기간 재현기간을 가진 일 강우량이 어떻게 변하는지 분석하였다. 그 결과 동일한 강우 규모에서 미래 기후조건에서 재현기간이 감소하는 것을 확인하였고, 동일한 재현기간에서 강우량의 규모가 증가하는 것을 알아냈다. 이 것은 미래 기후조건에서 극한 강우의 발생빈도가 증가한다는 것을 의미하며, 동일한 재현기간에 대해서 더 큰 규모의 호우사상이 미래에 발생한다는 것을 의미한다.

따라서 최근 강우로부터 수재해 위험성이 증가한 용담댐 유역에 위치한 지역들을 대상으로 현재 기후조건과 미래 기후조건에서의 강우의 특성의 변화를 분석하였으며, 이 분석은 대규모 기후 모의실험 결과로부터 얻어진 d4PDF를 이용하여 수행되었다. d4PDF는 현재 한국에서 많이 적용하고 있지 않는 자료형태지만, 본 연구와 같이 미래 기후에 따른 기존 강우의 특성 및 극한강우량의 변화를 분석하여 수공구조물의 위험성 및 안정성을 모의하는데 충분히 유용한 자료로 사용될 수 있을 것이다.

Acknowledgments

이 논문은 2022년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. 2021R1I1A3060354).

References

  • Alam, M. S., and A. Elshorbagy, 2015: Quantification of the climate change-induced variations in Intensity-Duration-Frequency curves in the Canadian Prairies. J. Hydrol., 527, 990-1005. [https://doi.org/10.1016/j.jhydrol.2015.05.059]
  • Alexander, L. V., and Coauthors, 2006: Global observed changes in daily climate extremes of temperature and precipitation. J. Geophys. Res. Atmos., 111, D05109.
  • Alfieri, L., P. Burek, L. Feyen, and G. Forzieri, 2015: Global warming increases the frequency of river floods in Europe. Hydrol. Earth Syst. Sci., 19, 2247-2260. [https://doi.org/10.5194/hess-19-2247-2015]
  • Allan, R. P., and B. J. Soden, 2008: Atmospheric warming and the amplification of precipitation extremes. Science, 321, 1481-1484. [https://doi.org/10.1126/science.1160787]
  • Cheng, L., and A. AghaKouchak, 2014: Nonstationary precipitation intensity-duration-frequency curves for infrastructure design in a changing climate. Sci. Rep., 4, 7093. [https://doi.org/10.1038/srep07093]
  • Christidis, N., G. S. Jones, and P. A. Stott, 2015: Dramatically increasing chance of extremely hot summers since the 2003 European heatwave. Nat. Clim. Change, 5, 46-50. [https://doi.org/10.1038/nclimate2468]
  • Collins, W. J., and Coauthors, 2011: Development and evaluation of an Earth-System model-HadGEM2. Geosci. Model Dev., 4, 1051-1075. [https://doi.org/10.5194/gmd-4-1051-2011]
  • Döll, P., T. Trautmann, D. Gerten, H. M. Schmied, S. Ostberg, F. Saaed, and C.-F. Schleussner, 2018: Risks for the global freshwater system at 1.5oC and 2oC global warming. Environ. Res. Lett., 13, 044038. [https://doi.org/10.1088/1748-9326/aab792]
  • Donat, M. G., A. L. Lowry, L. V. Alexander, P. A. O’Gorman, and N. Maher, 2016: More extreme precipitation in the world’s dry and wet regions. Nat. Clim. Change, 6, 508-513. [https://doi.org/10.1038/nclimate2941]
  • Donner, L. J., and Coauthors, 2011: The dynamical core, physical parameterizations, and basic simulation characteristics of the atmospheric component AM3 of the GFDL global coupled model CM3. J. Climate, 24, 3484-3519. [https://doi.org/10.1175/2011JCLI3955.1]
  • Duan, W., N. Hanasaki, H. Shiogama, Y. Chen, S. Zou, D. Nover, B. Zhou, and Y. Wang, 2019: Evaluation and future projection of Chinese precipitation extremes using large ensemble high-resolution climate simulations. J. Climate, 32, 2169-2183. [https://doi.org/10.1175/JCLI-D-18-0465.1]
  • Elshorbagy, A., K. Lindenas, and H. Azinfar, 2018: Risk-based quantification of the impact of climate change on storm water infrastructure. Water Sci., 32, 102-114. [https://doi.org/10.1016/j.wsj.2017.12.003]
  • Faye, B., and Coauthors, 2018: Impacts of 1.5 versus 2.0oC on cereal yields in the West African Sudan Savanna. Environ. Res. Lett., 13, 034014. [https://doi.org/10.1088/1748-9326/aaab40]
  • Felix, M. L., Y.-K. Kim, M. Choi, J.-C. Kim, X. K. Do, T. H. Nguyen, and K. Jung, 2021: Detailed trend analysis of extreme climate indices in the upper Geum River basin. Water, 13, 3171. [https://doi.org/10.3390/w13223171]
  • Fischer, E. M., and R. Knutti, 2015: Anthropogenic contribution to global occurrence of heavy-precipitation and high-temperature extremes. Nat. Clim. Change, 5, 560-564. [https://doi.org/10.1038/nclimate2617]
  • Gent, P. R., and Coauthors, 2011: The community climate system model version 4. J. Climate, 24, 4973-4991. [https://doi.org/10.1175/2011JCLI4083.1]
  • Giorgetta, M. A., and Coauthors, 2013: Climate and carbon cycle changes from 1850 to 2100 in MPI‐ESM simulations for the Coupled Model Intercomparison Project phase 5. J. Adv. Model. Earth Syst., 5, 572-597. [https://doi.org/10.1002/jame.20038]
  • Guhathakurta, P., O. P. Sreejith, and P. A. Menon, 2011: Impact of climate change on extreme rainfall events and flood risk in India. J. Earth Syst. Sci., 120, 359-373. [https://doi.org/10.1007/s12040-011-0082-5]
  • Haddad, K., and A. Rahman, 2011: Selection of the best fit flood frequency distribution and parameter estimation procedure: a case study for Tasmania in Australia. Stoch. Environ. Res. Risk Assess., 25, 415-428. [https://doi.org/10.1007/s00477-010-0412-1]
  • Hanittinan, P., Y. Tachikawa, and T. Ram-Indra, 2020: Projection of hydroclimate extreme indices over the Indochina region under climate change using a large single-model ensemble. Int. J. Climatol., 40, 2924-2952. [https://doi.org/10.1002/joc.6374]
  • Hardwick Jones, R., S. Westra, and A. Sharma, 2010: Observed relationships between extreme sub-daily precipitation, surface temperature, and relative humidity. Geophys. Res. Lett., 37, L22805. [https://doi.org/10.1029/2010GL045081]
  • Her, Y., S.-H. Yoo, J. Cho, S. Hwang, J. Jeong, and C. Seong, 2019: Uncertainty in hydrological analysis of climate change: multi-parameter vs. multi-GCM ensemble predictions. Sci. Rep., 9, 4974. [https://doi.org/10.1038/s41598-019-41334-7]
  • Herath, S. M., R. Sarukkalige, and V. T. Van Nguyen, 2018: Evaluation of empirical relationships between extreme rainfall and daily maximum temperature in Australia. J. Hydrol., 556, 1171-1181. [https://doi.org/10.1016/j.jhydrol.2017.01.060]
  • Huntington, T. G., 2006: Evidence for intensification of the global water cycle: Review and synthesis. J. Hydrol., 319, 83-95. [https://doi.org/10.1016/j.jhydrol.2005.07.003]
  • Hwang, J., J. Ahn, C. Jeong, and J.-H. Heo, 2018: A study on the variation of design flood due to climate change in the ungauged urban catchment. J. Korea Water Resour. Assoc., 51, 395-404, (in Korean with English abstract). [https://doi.org/10.3741/JKWRA.2018.51.5.395]
  • Ishii, M., and N. Mori, 2020: d4PDF: large-ensemble and high-resolution climate simulations for global warming risk assessment. Prog. Earth Planet. Sci., 7, 58. [https://doi.org/10.1186/s40645-020-00367-7]
  • Jakob, D., and D. Walland, 2016: Variability and long-term change in Australian temperature and precipitation extremes. Weather Clim. Extrem., 14, 36-55. [https://doi.org/10.1016/j.wace.2016.11.001]
  • Jang, D. W., B. S. Kim, and J. H. Kim, 2012: The quantification of disaster impact of extreme rainfall under climate change in Korea. J. Korean Soc. Hazard Mitig., 12, 169-178, (in Korean with English abstract). [https://doi.org/10.9798/KOSHAM.2012.12.4.169]
  • Ji, Z., and S. Kang, 2015: Evaluation of extreme climate events using a regional climate model for China. Int. J. Climatol., 35, 888-902. [https://doi.org/10.1002/joc.4024]
  • Kay, J. E., and Coauthors, 2015: The community earth system model (CESM) large ensemble project: A community resource for studying climate change in the presence of internal climate variability. Bull. Amer. Meteor. Soc., 96, 1333-1349. [https://doi.org/10.1175/BAMS-D-13-00255.1]
  • Kim, Y.-H., S.-K. Min, X. Zhang, F. Zwiers, L. V. Alexander, M. G. Donat, and Y.-S. Tung, 2016: Attribution of extreme temperature changes during 1951~2010. Climate Dyn., 46, 1769-1782. [https://doi.org/10.1007/s00382-015-2674-2]
  • Kumar, N., V. Poonia, B. B. Gupta, and M. K. Goyal, 2021: A novel framework for risk assessment and resilience of critical infrastructure towards climate change. Technol. Forecast. Soc. Change, 165, 120532. [https://doi.org/10.1016/j.techfore.2020.120532]
  • Kunkel, K. E., and Coauthors, 2013a: Regional Climate Trends and Scenarios for the U.S. National Climate Assessment Part 4. Climate of the US Great Plains. NOAA Tech. Rep. NESDIS 142-4, 91 pp.
  • Kunkel, K. E., T. R. Karl, D. R. Easterling, K. Redmond, J. Young, X. Yin, and P. Hennon, 2013b: Probable maximum precipitation and climate change. Geophys. Res. Lett., 40, 1402-1408. [https://doi.org/10.1002/grl.50334]
  • Lavender, S. L., K. J. E. Walsh, L.-P. Caron, M. King, S. Monkiewicz, M. Guishard, Q. Zhang, and B. Hunt, 2018: Estimation of the maximum annual number of North Atlantic tropical cyclones using climate models. Sci. Adv., 4, eaat6509. [https://doi.org/10.1126/sciadv.aat6509]
  • Lee, M.-H., E.-S. Im, and D.-H. Bae, 2019: A comparative assessment of climate change impacts on drought over Korea based on multiple climate projections and multiple drought indices. Climate Dyn., 53, 389-404. [https://doi.org/10.1007/s00382-018-4588-2]
  • Li, S., P. W. Mote, D. E. Rupp, D. Vickers, R. Mera, and M. Allen, 2015: Evaluation of a regional climate modeling effort for the western United States using a superensemble from weather@home. J. Climate, 28, 7470-7488. [https://doi.org/10.1175/JCLI-D-14-00808.1]
  • Min, S.-K., X. Zhang, F. W. Zwiers, and G. C. Hegerl, 2011: Human contribution to more-intense precipitation extremes. Nature, 470, 378-381. [https://doi.org/10.1038/nature09763]
  • Mizuta, R., and Coauthors, 2017: Over 5,000 years of ensemble future climate simulations by 60-km global and 20-km regional atmospheric models. Bull. Amer. Meteorol. Soc., 98, 1383-1398. [https://doi.org/10.1175/BAMS-D-16-0099.1]
  • Mori, N., T. Shimura, K. Yoshida, R. Mizuta, Y. Okada, M. Fujita, T. Khujanazarov, and E. Nakakita, 2019: Future changes in extreme storm surges based on mega-ensemble projection using 60-km resolution atmospheric global circulation model. Coast. Eng. J., 61, 295-307. [https://doi.org/10.1080/21664250.2019.1586290]
  • Mote, P. W., M. R. Allen, R. G. Jones, S. Li, R. Mera, D. E. Rupp, A. Salahuddin, and D. Vickers, 2016: Superensemble regional climate modeling for the western United States. Bull. Amer. Meteor. Soc., 97, 203-215. [https://doi.org/10.1175/BAMS-D-14-00090.1]
  • Nissen, K. M., and U. Ulbrich, 2017: Increasing frequencies and changing characteristics of heavy precipitation events threatening infrastructure in Europe under climate change. Nat. Hazards Earth Syst. Sci., 17, 1177-1190. [https://doi.org/10.5194/nhess-17-1177-2017]
  • Noor, M., T. Ismail, E.-S. Chung, S. Shahid, and J. H. Sung, 2018: Uncertainty in rainfall intensity duration frequency curves of peninsular Malaysia under changing climate scenarios. Water, 10, 1750. [https://doi.org/10.3390/w10121750]
  • Pachauri, R. K., and Coauthors, 2014: Climate change 2014: synthesis report. Contribution of Working Groups I, II and III to the fifth assessment report of the Intergovernmental Panel on Climate Change. IPCC, 151 pp.
  • Peterson, T. C., and M. J. Manton, 2008: Monitoring changes in climate extremes: a tale of international collaboration. Bull. Amer. Meteor. Soc., 89, 1266-1271.
  • Saddique, N., A. Khaliq, and C. Bernhofer, 2020: Trends in temperature and precipitation extremes in historical (1961~1990) and projected (2061~2090) periods in a data scarce mountain basin, northern Pakistan. Stoch. Environ. Res. Risk Assess., 34, 1441-1455. [https://doi.org/10.1007/s00477-020-01829-6]
  • Sasaki, H., K. Kurihara, I. Takayabu, and T. Uchiyama, 2008: Preliminary experiments of reproducing the present climate using the non-hydrostatic regional climate model. SOLA, 4, 25-28. [https://doi.org/10.2151/sola.2008-007]
  • Seneviratne, S. I., and Coauthors, 2012: Changes in climate extremes and their impacts on the natural physical environment. In C. B. Field et al. Eds., Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation, IPCC, Cambridge University Press, 109-230.
  • Sharma, A., and M. K. Goyal, 2020: Assessment of the changes in precipitation and temperature in Teesta River basin in Indian Himalayan Region under climate change. Atmos. Res., 231, 104670. [https://doi.org/10.1016/j.atmosres.2019.104670]
  • Sung, J. H., H.-I. Eum, J. Park, and J. Cho, 2018: Assessment of climate change impacts on extreme precipitation events: Applications of CMIP5 climate projections statistically downscaled over South Korea. Adv. Meteorol., 2018, 4720523. [https://doi.org/10.1155/2018/4720523]
  • Tanaka, T., Y. Tachikawa, Y. Ichikawa, and K. Yorozu, 2018: Flood risk curve development with probabilistic rainfall modelling and large ensemble climate simulation data: A case study for the Yodo river basin. Hydrol. Res. Lett., 12, 28-33. [https://doi.org/10.3178/hrl.12.28]
  • Tanaka, T., K. Kiyohara, and Y. Tachikawa, 2020: Comparison of fluvial and pluvial flood risk curves in urban cities derived from a large ensemble climate simulation dataset: A case study in Nagoya, Japan. J. Hydrol., 584, 124706. [https://doi.org/10.1016/j.jhydrol.2020.124706]
  • Tanaka, T., K. Kobayashi, and Y. Tachikawa, 2021: Simultaneous flood risk analysis and its future change among all the 109 class-A river basins in Japan using a large ensemble climate simulation database d4PDF. Environ. Res. Lett., 16, 074059. [https://doi.org/10.1088/1748-9326/abfb2b]
  • Tang, J., X. Niu, S. Wang, H. Gao, X. Wang, and J. Wu, 2016: Statistical downscaling and dynamical downscaling of regional climate in China: Present climate evaluations and future climate projections. J. Geophys. Res., 121, 2110-2129. [https://doi.org/10.1002/2015JD023977]
  • Trenberth, K. E., 2011: Changes in precipitation with climate change. Clim. Res., 47, 123-138. [https://doi.org/10.3354/cr00953]
  • Trenberth, K. E., J. Fasullo, and L. Smith, 2005: Trends and variability in column-integrated atmospheric water vapor. Climate Dyn., 24, 741-758. [https://doi.org/10.1007/s00382-005-0017-4]
  • Utsumi, N., S. Seto, S. Kanae, E. E. Maeda, and T. Oki, 2011: Does higher surface temperature intensify extreme precipitation? Geophys. Res. Lett., 38, L16708. [https://doi.org/10.1029/2011GL048426]
  • Watanabe, S., and Coauthors, 2011: MIROC-ESM 2010: Model description and basic results of CMIP5-20c3m experiments. Geosci. Model Dev., 4, 845-872. [https://doi.org/10.5194/gmd-4-845-2011]
  • Wazneh, H., M. A. Arain, and P. Coulibaly, 2020: Climate indices to characterize climatic changes across southern Canada. Meteorol. Appl., 27, e1861. [https://doi.org/10.1002/met.1861]
  • Yang, J.-A., S. Kim, N. Mori, and H. Mase, 2018: Assessment of long-term impact of storm surges around the Korean Peninsula based on a large ensemble of climate projections. Coast. Eng., 142, 1-8. [https://doi.org/10.1016/j.coastaleng.2018.09.008]
  • Yin, H., and Y. Sun, 2018: Detection of anthropogenic influence on fixed threshold indices of extreme temperature. J. Climate, 31, 6341-6352. [https://doi.org/10.1175/JCLI-D-17-0853.1]
  • Yukimoto, S., and Coauthors, 2012: A New Global Climate Model of the Meteorological Research Institute: MRI-CGCM3 —Model Description and Basic Performance—. J. Meteor. Soc. Japan. Ser. II, 90A, 23-64. [https://doi.org/10.2151/jmsj.2012-A02]
  • Zhang, Y., Y. Xu, W. Dong, L. Cao, and M. Sparrow, 2006: A future climate scenario of regional changes in extreme climate events over China using the PRECIS climate model. Geophys. Res. Lett., 33, L24702. [https://doi.org/10.1029/2006GL027229]
  • Zhao, A. D., D. S. Stevenson, and M. A. Bollasina, 2019: The role of anthropogenic aerosols in future precipitation extremes over the Asian Monsoon Region. Climate Dyn., 52, 6257-6278. [https://doi.org/10.1007/s00382-018-4514-7]

Fig. 1.

Fig. 1.
Target regions in this study.

Fig. 2.

Fig. 2.
Histograms of annual maximum 1-day rainfall of each year in present climate conditions at four regions located in the Yongdam dam basin, for 1, 15, and 50 ensemble members as aligned from the left to right.

Fig. 3.

Fig. 3.
Cumulative density function (CDF) graphs for Non-exceedance probabilities of four regions located in the Yongdam-dam basin. The line represents the 60 annual maximum 1-day rainfall for each ensemble of d4PDF. The square represents the observed annual maximum 1-day rainfall. The circle represents the 3000 annual maximum 1-day rainfall for all ensembles of d4PDF.

Fig. 4.

Fig. 4.
The result of annual mean precipitation under historical and future climate conditions at four regions.

Fig. 5.

Fig. 5.
The result of seasonal mean precipitation under historical and future climate conditions at four regions.

Fig. 6.

Fig. 6.
The result of counting days that occurred the precipitation more than 10 mm under historical and future climate conditions at four regions.

Fig. 7.

Fig. 7.
Histograms of annual maximum 1-day rainfall for each year of all ensembles in the present and future climate simulations at four regions located in Yongdam-dam basin. Lines represent histograms under the present climate condition, and dashed lines represent histograms under the future climate condition.

Fig. 8.

Fig. 8.
Comparison of high-scale rainfall values representing a long return period in the present and future climate conditions using the CDF plot.

Table 1.

Target regions in this study.

Station
Name
Longitude
(oE)
Latitude
(oN)
Geumsan 127.48175 36.10562
Imsil 127.28556 35.61227
Jeonju 127.15496 35.82150
Jangsu 127.52029 35.65695

Table 2.

Six CMIP5 models used for obtaining the precipitation data under future climate conditions.

Model Institution (Country) Resolution (horizontal
resol., vertical lev.s)
Reference
CCSM4 National Center for Atmospheric Research
(United States)
AGCM: 0.9o ×1.25o, 27
OGCM: norminal 1o, 60
(Gent et al., 2011)
GFDL CM3 National Oceanic and Atmospheric Administration
(NOAA) GFDL (United States)
AGCM: ~20 km, 48
OGCM: 1o, 50
(Donner et al.,2011)
HadGEM2-AO Met Office Hadley Centre (United Kingdom) AGCM: 1.875o ×1.25o, 60
OGCML: 1.875o ×1.25o
(Collins et al.,2011)
MIROC5 AORI, NIES, JAMSTEC (Japan) AGCM: 1.41o ×1.41o, 40
OGCM: 1.4o ×0.5-1.4o, 50
(Watanabe et al.,2011)
MPI-ESM-MR Max Planck Institute for Meteorology (Germany) AGCM: approx. 1.8o, 95
OGCM: approx. 0.4o, 40
(Giorgetta et al.,2013)
MRI-CGCM3 Meteorological Research Institute (Japan) AGCM: approx. 110 km, 48
OGCM: 1o ×0.5o, 50
(Yukimoto et al.,2012)

Table 3.

The difference of seasonal mean precipitation between historical and future climate conditions.

Station DJF MAM JJA SON
Geumsan 24% 21% 15% 16%
Imsil 10% 17% 10% 8%
Jeonju 21% 23% 17% 16%
Jangsu 19% 20% 16% 13%

Table 4.

Statistical values for annual maximum daily rainfalls of all ensembles in present and future climatic conditions.

Statistical
value
Geumsan Imsil Jeonju Jangsu
Present Future Present Future Present Future Present Future
Average (mm) 112.67 133.70 108.29 129.02 107.31 130.98 108.58 131.26
Standard deviation 48.20 56.23 44.80 54.15 45.18 55.36 44.15 54.59
Skewness 1.78 1.75 1.52 1.55 1.53 1.83 1.70 1.80