Current Issue

2016년과 2017년 6월~8월 중에 수도권(서울, 경기, 인천)에 운영되고 있는 관측망으로는 기상청, 경기도청 관측망(경기도청), 경기도와 인천광역시의 지방자치단체에서 운영하는 관측망[각각, 유관(경기)와 유관(인천)], 민간 기관인 SKTechX에서 운영하는 관측망(SKTechX) 등이 있다. 기상청 관측망은 서울 29소, 경기 50소, 인천 23소로 102소가 있으며, 경기도청 관측망은 66소, 유관(경기)와 유관(인천) 관측망은 각각 297소, 45소가, SKTechX 관측망은 서울에 250소, 경기에 131소, 인천에 33소로 총 414소가 있다(Fig. 1). 서울, 경기, 인천의 넓이가 각각 605 km², 10,184 km², 1,010 km²임을 고려하면, 서울의 경우 기상청 관측망의 평균수평해상도는 4.6 km, SKTechX는 1.6 km이고, 경기의 경우 기상청 관측망은 14.3 km, 유관(경기) 관측망은 5.9 km, SKTechX 관측망은 8.8 km이고, 인천의 경우 기상청 관측망은 6.7 km, 유관(인천) 관측망은 4.8 km, SKTechX 관측망은 5.6 km를 보였다(Table 1).

Fig. 1. 
The horizontal distribution of (a) the stations in SMA, the selected stations for (b) temperature and (c) precipitation analyses in Incheon region operated by KMA (red circle), Gyeonggi local government (orange cross), Incheon local government (blue diamond), and SKTechX (cyan triangle). The location of Seoul, Incheon, and Suwon station are indicated by green star in (a), and Incheon, Namdong, and Jeongwang stations are indicated by star in (c).

기상청 관측망의 경우 장비의 유지 관리와 자료의 품질관리가 엄격하게 수행되기 때문에 자료의 품질을 신뢰할 수 있다(KMA, 2006; Chae et al., 2014). 그러나, 유관 기관과 민간 기관 관측망의 경우 기상청만큼 장비의 유지 관리와 자료의 품질관리가 엄격하게 수행되지 않기 때문에 과도한 강수나 인접한 지점에서 강수가 관측됨에도 불구하고 관측되지 않는 관측지점들이 있다. 이런 자료들을 배제하기 위해 관측소별 월 통계값을 이용하여 유효한 관측소를 선정하였다. 즉, 유관·민간 기관 자료에 대해 수집률이 80% 이상이고, 월평균기온(월총강수량)이 같은 달 기상청 관측소 102개소의 각 월평균기온에서 표준편차의 3배 값을 기준으로 하여 각 월별로 그 값 이내에 포함되는 관측소를 유효 관측소로 판별하였다.

수도권 폭염과 집중호우의 위험 기상 사례를 선정하기 위해 기상청 관측망 중 서울, 인천, 수원 관측소의 기온과 강수량 자료를 사용하였다. 실험 기간 중 일 최고기온이 33^oC 이상이고, 열대야 기준(일최저기온이 25^oC 이상)을 충족하는 날은 총 5일이 나타났으며, 이 충족한 5일 중 서울, 인천, 수원 관측소에서 모두 기준보다 특히 높은 2017년 8월 5일(기온사례1)과 2017년 7월 20일(기온사례2)을 폭염사례일로 선정하였다(Fig. 2). 강수의 경우 서울, 인천, 수원에 모두 강수가 기록되며 국지적으로 강수량이 많았던 날인 5사례 중, 전국적인 강수가 아닌 국지적인 사례로 2017년 6월 26일(강수사례1), 2017년 8월 15일(강수사례2)를 집중호우 사례로 선정하였다(Fig. 2). 기상청 레이더 영상에서 추출된 CAPPI (Constant Altitude Plan Position Indicator) 강수강도 분포와 천리안 위성 수증기 채널의 밝기온도 분포로부터 강수사례1과 강수사례2는 각각 수도권 남서쪽 일부 지역과 북쪽의 비교적 넓은 지역에서 나타났던 국지 강수 사례임을 확인할 수 있다(Fig. 3).

Fig. 2. 
Monthly time series of (a-c) temperature and (d-f) hourly precipitation observed at KMA-operated Seoul, Incheon, and Suwon stations on (a, d) June, (b, e) July, and (c, e) August 2017. Red dot and yellow dash lines indicate temperature criteria for heatwave (33^oC) and tropical night (25^oC), respectively. Pink squares indicate selected period in this study.

Fig. 3. 
Horizontal distribution of (a, d) radar CAPPI precipitation intensity and (b, e) the brightness temperature obtained from the Chollian satellite at (a, b) 1600 LST on 26 June, and (d, e) 1000 LST on 15 August 2017 (https://afso.kma.go.kr), and time series of hourly precipitation at KMA-operated Seoul, Incheon, and Suwon stations on (c) 26 June and (f) 15 August 2017.

서울지역은 유관기관 자료를 확보하지 못해 수평분포 분석에서 제외하였다. 경기 지역에는 경기도청과 유관(경기) 관측망 등 가장 많은 관측소가 있으나 영역이 넓어 4.3 × 4.3 km²의 수평격자거리를 가지고 있으며, 인천 지역에는 관측소의 수는 경기 지역보다 훨씬 작지만 영역이 좁아 3.2 × 3.2 km²의 수평격자거리를 가지고 있다. 이에 기상청 관측망에 비해 유관·민간 기관 관측망이 포함되었을 때 해상도가 2배 이상 좋아지는 인천지역의 14 km × 34 km 영역을 선정하였다. 이 영역에 기온 및 강수 분석에 사용된 기상청 관측망은 7소, 유관(경기) 관측망은 3(2)소, 유관(인천) 관측망은 11(7)소, SKTechX 관측망은 9(11)소가 있었다(Fig. 2; Table 2).

불규칙한 지점에서의 관측 자료로부터 격자 형태의 수평 분포를 만들기 위해 내삽법을 적용하게 된다. 알려진 내삽법에는 크리깅(Kriging), 역거리가중(IDW, Inverse Distance Weighting), 셰퍼드(Shepard), 최소곡률(Minimum curvature), 자연이웃(Natural Neighbor), 근접이웃(Nearest Neighbor) 법 등 매우 다양하다. 또한, 같은 방법이라도 선택 사항에 따라 내삽 결과가 매우 다르게 나타난다. 이 중 역거리가중법과 크리깅법이 많이 사용되고 있다(Mehrjardi et al., 2008; Shiode and Shiode, 2011). 역거리가중법은 어떤 격자점에서의 값을 관측값의 거리의 역수의 지수승에 비례하는 것으로 가정하여 내삽하는 방법이다. 즉, i번째 지점에서 관측값 z_i를 가지는 N개의 지점이 있는 경우 어느 격자에서의 내삽값 Z₀은

에 의해 결정된다(Setianto and Triandini, 2013). 여기서 d_i는 격자점에서 i번째 지점까지의 거리를, n은 거리에 따른 가중치를 나타낸다. n의 값이 커질수록 관측값의 영향 반경이 줄어든다. 크리깅법도 격자에서의 내삽값 Z₀는

를 이용하여 계산된다(Setianto and Triandini, 2013). 여기서, λ_i는 관측값의 가중치를 나타내며, ∑i=1Nλi=1이 성립한다. 가중치는 C = A⁻¹ × b로 계산된다. 여기서, A가 자료 사이의 N × N 반분산(semivariance) 행렬이며, b는 내삽될 때 사용되는 1 × N 크기의 추정 반분산 행렬이고, C는 λ_i를 성분으로 갖는 가중치 행렬이다. x 방향으로 Δx, y 방향으로 Δy 떨어진 두 지점 사이의 반분산은

으로 정의된다. 여기서 E는 같은 거리 떨어진 것들에 대한 평균을 나타낸다. 행렬 b를 결정하기 위해 선형, 다항식, 지수형, 로그형, 가우시안형 등 특정 함수에 회귀시키게 된다. 이때 사용하는 함수의 종류와 결정되는 계수(예를 들면, 기울기, 절편, 지수 등)들을 사용자가 결정할 수 있다. 이 방법은 관측값과의 거리뿐 아니라 관측값들 사이의 거리에 따른 상관관계가 반영된다. 반분산은 방향에 따라 다르게 나타나는데 비등방도(anisotropy)의 각도와 비율을 이용하여 이를 고려할 수도 있다. 본 연구에서는 제한된 관측값으로부터 격자점의 값으로 비교적 정확하게 내삽하는 것으로 보고된 크리깅법을 사용하였다(Oliver and Webster, 1990).

관측망의 밀도에 따른 수평 분포 특성을 분석하기 위해 인천 지역의 관측망을 기상청(Step 1), 기상청 + 유관(경기)(Step 2), 기상청 + 유관(경기) + 유관(인천)(Step 3), 기상청 + 유관(경기) + 유관(인천) + SKTechX (Step 4) 순으로 관측망 밀도를 단계별로 증가시켰다. 각 단계와 기온과 강수 별 관측망의 평균수평해상도를 Table 2에 제시하였다. 여기서, 각 단계별 평균격자크기는 관측소의 수를 전체 영역의 넓이로 나눈 단순 평균수평해상도를 나타낸 것이다.

관측망 밀도에 따른 내삽 자료의 특성을 정량화하기 위해 최고밀도 관측값(Step 4)과 그 관측지점에서 관측망 단계별 내삽값의 산포도를 통해 둘 사이의 상관계수(R)를 계산하였다. 상관계수가 수평 분포마다 다르게 나타나기 때문에 분석 기간 중 시간을 달리하며 관측밀도에 따른 상관계수의 변화 경향 그리고 상관계수의 분포 특성을 비교하였다.

일반적으로 기상 변수들은 거리가 멀어지면 상관관계가 낮아진다. 기온과 강수량의 관측지점사이의 거리에 따른 상관 특성을 살펴 보고자 기상청의 인천관측소와 그 외 관측소들 시계열 사이의 상관 계수를 구하였다. 수도권 전체적으로 924소의 관측소가 있으며(Table 1), 이 중 자료수집률이 80% 이상이며 평균기온과 총강수량이 평균에서 표준편차의 3배이내에 해당하는 관측소로 기온에 대해 637소, 강수량에 대해 726소가 각각 선정되었다. 상관계수의 기준 관측소로 수도권 서부에 위치한 기상청의 인천관측소를 사용하였다. 두 지점 사이의 상관 계수는

로 계산되었다. 여기서, z₁(t)는 기준점에서의 시계열을, z_j(t)는 j번째 지점에서의 시계열을, (^—)는 시간 평균값을, σ_x는 변수 x의 표준편차를, T는 전체 시간을, d_j는 기준점과 j번째 지점 사이의 거리를 각각 나타낸다.

기온의 경우 거리에 따라 상관 계수가 선형적으로 줄어드나, 그 기울기는 매월 다르게 나타난다. 월별 기온의 변화 폭이 컸던 2017년 7월에는 기울기의 절댓값이 크며(Fig. 4b), 변화 폭이 작았던 2017년 8월에는 기울기의 절댓값이 작게 나타났다(Fig. 4c). 강수의 경우 거리에 따른 상관계수가 큰 경향성을 보이지 않거나, 40 km 이내에서만 선형적으로 급격하게 줄어들어 40 km 이상 떨어진 지점에서의 상관 계수는 0 또는 음의 값을 보였다(Figs. 4d-e). 이는 강수가 발생하는 시각이 일시적이고 형태와 규모 역시 불규칙적이기 때문이다. 관측망의 밀도는 이들 상관계수의 임계값으로 결정할 수도 있으며 임계값을 결정하는 것은 또 다른 연구 주제이다. 만일 임계값을 기온과 강수 모두 동일하게 0.9를 적용한다면, 온도계는 30 km 이하의 수평 해상도를 필요로 하며(Fig. 4b), 우량계는 1.2 km 이하의 수평 해상도를 필요로 한다(Fig. 4e). 결론적으로 우량계는 온도계에 비해 훨씬 고밀도 관측망을 요구함을 알 수 있다.

Fig. 4. 
Distribution of the correlation coefficient for (a-c) temperature and (d-e) precipitation between the KMA Incheon station and each station according to the distance between two stations on (a) June, (b, d) July, and (c, e) August 2017.

관측망의 밀도에 따른 격자형 수평 분포 분석을 살펴 보기 위해 기온과 강수 별로 2.1절에서 제시된 사례들에 대해 매 시간별 내삽 수평 분포를 작성하였다. 관측망 단계별 관측 자료에 크리깅법을 적용하여 17.5 km × 35 km 영역에 수평해상도 350 m의 50 × 100개의 격자 자료로 내삽하였다. 반분산은 1차 방정식을 적용하여 단순화하였으며, 방향에 따른 차이가 없는 등 방(isotropy) 조건을 적용하였다. Figs. 5, 6은 각각 2017년 8월 5일 1330 LST와 2000 LST의 기온과 2017년 6월 26일 1520 LST의 강수를 각각 나타낸 것이다.

Fig. 5. 
Spatial distribution using temperature observation data in Incheon region of (a-d) 1330 LST and (e-h) 2000 LST on 26 June 2017 as the density of the stations with (a, e) Step 1, (b, f) Step 2, (c, g) Step 3, and (d, h) Step 4. Area is 17.5 km × 35 km with a resolution of 350 m. The location of KMA, Provincial (Gyeonggi), Local (Incheon), and SKTechX stations used for interpolation are indicated in rectangle with red, yellow, blue, and black, respectively.

Fig. 6. 
Spatial distribution using hourly precipitation observation data in Incheon region of (a-d) 1520 LST on 26 June 2017 as the density of the stations with (a) Step 1, (b) Step 2, (c) Step 3, and (d) Step 4. Area is 17.5 km × 35 km with a resolution of 350 m. The location of KMA, Provincial (Gyeonggi), Local (Incheon), and SKTechX stations used for interpolation are indicated in rectangle with red, yellow, blue, and black, respectively.

기온과 강수 모두 모든 사례와 시간 별로 관측망 단계가 커질수록 관측 자료의 밀도가 커지고 세밀한 수평 분포 특성이 나타났다. 2017년 8월 5일 1330 LST의 경우 Step 3에서 Step 4로 관측소 밀도가 증가하면서 남동쪽 해안가 지역의 기온 관측값이 추가되었고, 이로 인해 이 영역의 내삽값이 갑자기 4^oC 이상 떨어지게 되었다(Fig. 5a). 이에 반해 같은 날 2000 LST의 경우 Step 3과 Step 4 사이에 큰 차이를 보이지 않는다(Fig. 5b). 강수의 경우 기상청 관측망만 사용한 Step 1에서는 나타나지 않는 인천 남부 지역의 강수가 Step 2, 3, 4에서는 많이 나타난 것을 확인할 수 있다(Fig. 6). 그에 반해 Step 4(관측소 27)의 수평분포는 Step 3(관측소 16)의 수평 분포와 큰 차이를 보이지 않는데, 이는 두 단계 사이의 추가된 관측소가 수평 분포에 크게 영향을 주지 않았음을 의미한다.

관측망 밀도의 효과가 항상 일정한 것이 아니라 시간과 조건에 따라 다르게 나타날 수 있음을 보여 준다. 인천 지역의 경우 해안가에 위치해 있고 해풍이 불 경우 해풍전선에 의한 갑작스런 기온 강하, 수증기 증가 현상이 나타날 수 있다(Park and Chae, 2018). 이와 유사한 갑작스런 기온의 변화는 산과 도시의 경계, 또는 하천과 도시의 경계에서 나타날 수 있다. 이런 현상을 규명하려면 관측망의 밀도가 이를 분해할 수 있을 정도로 커야 한다.

격자형 수평 분포 분석에서 단계별 차이를 정량화하기 위해 최고밀도 관측소의 관측값(Step 4)과 같은 위치에서 그 앞 단계에서 내삽된 값들 사이의 산포도를 그려 보고 이에 대한 결정계수(R²)를 계산했다. Fig. 7은 Figs. 5, 6에서 제시된 시각의 산포도와 결정계수를 나타낸 것이다. 기온과 강수량 모두 관측망 단계가 증가할수록 기울기가 1에 가까워지며 결정계수 역시 증가하였다. 2017년 8월 5일 1330 LST 기온의 경우(Fig. 7a) 남서쪽 해안가의 찬 기온으로 인해 Step 3조차 결정계수가 0.57로 매우 낮은 반면(Fig. 5a), 2000 LST의 경우 Step 1도 결정계수가 0.64로 큰 것을 확인할 수 있다. 2017년 6월 26일 1520 LST 강수량의 경우(Fig. 7c) 관측망 밀도가 증가함에 따라 결정계수가 0.57, 0.78, 0.91로 각각 증가하며 Step 3과 Step 4의 수평 분포에 큰 차가 없음을 보여 준다(Fig. 6). 이를 통해 관측소 밀도가 변수의 수평 분포에 미치는 영향은 시간이나 강수 형태에 따라 매우 다른 특성을 보일 수 있음을 시사한다.

Fig. 7. 
Scatter diagram between the interpolated variables from each Step network and the observed ones from the Step 4 network at (a) 1330 LST, (b) 2000 LST on 5 August for temperature, and (c) at 1520 LST on 26 June 2017 for hourly precipitation. Coefficients of determination (R²) are indicated.

Figure 8은 기온과 강수량 사례일 동안 관측망 단계별 결정계수의 시계열을 나타낸 것이다. 기온의 경우 2017년 8월 5일과 7월 20일 모두 Step 3의 경우 야간에는 높은 값을 주간에는 약간 낮은 값을 보인 반면, Step 1과 2는 야간에 매우 낮은 값을 보이고, 주간에는 높아져 Step 3과 거의 유사한 값을 보였다(Figs. 8a-b). 이는 주간에는 기온의 수평 분포를 위해서 가장 낮은 밀도의 관측망(KMA, Step 1)이나 가장 높은 밀도의 관측망(Step 4)이 큰 차이를 보이지 않지만, 야간에는 기상청 관측망만 사용하여 수평 분포를 만들 경우 오차가 커질 수 있으며 보다 많은 관측소가 필요함을 의미한다. 강수의 경우 시간에 따른 편차는 발견하기 어려우며 강수 형태와 진행 방향 등에 따라 매우 복잡하게 나타난다(Figs. 8c-d). 강수가 시작할 때와 급격하게 줄어들어 강수량의 시간 변화가 클 때는 결정계수가 매우 낮게 나타났으며, 지속적으로 유사한 양이 내려 강수량의 시간 변화가 작을 때에는 상대적으로 높게 나타났다(Figs. 8e-f). 이는 시간에 따라 강우 강도나 대류 셀의 공간 분포 변화가 큰 강수 현상의 경우에 강수 시작 시간 또는 강도를 보다 정확하게 제공하려면 훨씬 많은 강수 관측망이 필요로 함을 의미한다. 이를 위해 강수와 관련된 대류 셀은 짧은 시간 동안은 선형적으로 성장, 소멸, 이동한다고 가정해야 한다. 또한 Step 3의 결정계수가 대체로 0.8보다 낮은 것은 여전히 더 고밀도의 관측망을 필요로 함을 의미한다.

Fig. 8. 
Time series of coefficients of determination (R²) for each step during the (a) temperature case 1, (b) temperature case 2, (c) precipitation case 1, and (d) precipitation case 2 periods. Time series of 10-min precipitation at 3 stations in Incheon during (e) precipitation case 1 and (f) precipitation 2 case periods.

위 결과를 관측망 단계별 상관계수의 분포를 상자수염그림으로 다시 정리하였다(Fig. 9). 기온과 강수량 모두 관측망 밀도가 증가할수록 결정계수가 커지는 분포를 보였다. 기온의 경우 선정 두 사례일 모두 유사한 분포를 나타냈으며 관측망 밀도의 효과가 Step 1에 비해 Step 2가 약간 좋아지고, Step 2에 비해 Step 3은 많이 좋아졌다(Figs. 9a-b). 또한 Step 3의 경우 1/4 분위값과 3/4 분위값의 차가 크지 않아 신뢰도가 비교적 높다. 강수는 대체적으로 관측망 단계가 증가할수록 결정계수가 증가하기는 하나, 결정계수의 1/4 분위값과 3/4 분위값의 차가 크게 나타나 낮은 신뢰도를 보이는 경우가 많이 발생한다(Figs. 9c-d).

Fig. 9. 
Box plot of coefficients of determination (R²) for each step during the (a) temperature case 1, (b) temperature case 2, (c) precipitation case 1, and (d) precipitation case 2 periods.