고해상도 수치예보모델을 위한 수도권지역의 상세한 도시특성정보 구축 및 사례 분석

1. 서 론

도시캐노피모델(Urban Canopy Model, UCM)은 도시 지역의 복잡한 물리과정을 반영하여 더욱 상세한 도시 기상 예측을 위해 개발되었다. 기존의 중규모 기상 모델은 격자체계나 분해능 등의 한계로 도시캐노피 내 지표에 대한 세밀한 특성의 반영이 어려웠으나, 중규모 기상 모델인 Weather Research and Forecasting(WRF) 모델에 UCM을 접합함으로써 지표이용도 특성을 적용하여 하층 대기 상태를 표현하는 것이 가능해졌다(Byon et al., 2010; Gross, 2014). 단일층의 UCM은 유한한 높이를 가진 건물이 도시 협곡을 만드는 2차원 구조를 고려한다. 협곡 내에서는 건물로 인한 그림자 효과, 장파 및 단파 복사 효과를 고려하여 건물의 지붕, 벽면, 도로 면에 대한 온도, 현열 및 잠열플럭스 그리고 바람의 연직 분포 등을 추정하는 물리 과정이 포함된다(Kusaka et al., 2001; Kusaka and Kimura, 2004; Tewari et al., 2006). UCM을 WRF 모델에 결합 한 후에는 저밀도주거지역, 고밀도주거지역, 상업/산업/교통지역으로 세분화하여 지표이용도에 대한 도시 파라미터가 각각 다른 값으로 반영된다. 지표이용도에 따라 각각 분류되어 다른 값의 파라미터를 적용할 수 있는 UCM 관련 연구가 다양하게 진행되었다(Grossman-Clarke et al., 2010; Chen et al., 2014; Lee et al., 2015; Vahmani and Hogue, 2015; Bhati and Mohan, 2016). Grossman-Clarke et al. (2010)은 WRF-UCM을 이용하여 미국 피닉스 지역의 폭염사례에 대하여 수치실험을 통해 도시화에 따른 연대별 열적 변화에 대하여 연구하였다. Lee et al. (2015)은 WRF-UCM을 이용하여 수도권 지역(Seoul Metropolitan Area, SMA; Park, 2018)을 대상으로 도시 이용도에 따른 민감도 실험을 진행하였고 2000년과 2009년의 서울 열환경 변화에 대하여 분석하였다. 또한, Bhati and Mohan (2016)는 WRF-UCM을 이용하여 인도 델리 지역을 대상으로 토지이용도 및 토지피복도에 따른 도시 열섬을 평가하였다.

선행연구에서 WRF-UCM은 열환경 모의에 대하여 높은 정확도를 보여주었으며, 더 정확하고 상세한 예측을 위해서는 UCM을 이용하여 다양하고 지속적인 연구가 필요하다고 논하였다(Byon et al., 2010; Lee et al., 2015). 대체로 선행연구에서는 도시 지표이용도에 따라 모수화된 값을 적용하여 지역의 대표 값을 반영할 수는 있었지만, 실제 도시 또는 전원지역의 상세한 값을 표현하기에는 한계가 있었다(Lee et al., 2017). 이러한 한계를 극복하기 위해, 최근에는 도시이용도에 따라 지역을 대표하는 모수화된 값만을 반영하는 것이 아니라 대상 지역의 정보를 더욱 상세하게 적용할 수 있는 연구가 진행되기도 하였다(Adachi et al., 2014; Chen et al., 2016; Vahmani and Ban-Weiss, 2016). Adachi et al. (2014)는 일본 도쿄 지역을 대상으로 인공열, 거칠기 길이, 변위높이 등을 고도화하여 WRF-UCM에 적용하였으며, 각각에 대한 민감도 실험을 수행하였다. 인공열은 도시지역의 빌딩, 콘크리트, 아스팔트와 같은 인공구조물 및 차량 등에서 방출되며, 도시 대기경계층의 현열 및 잠열 방출에 영향을 미치는 요인으로 도시 지역을 대상으로 한 수치모의 연구에서 상세한 자료가 요구된다(Koo and Ryu, 2012). 그리고 거칠기 길이는 연직 구조의 건물로 구성된 도시와 자연적인 표면으로 구성된 시골 간의 차이를 보여주는 변수이다. 도시 건물의 연직구조는 도시 협곡에서의 복사 갇힘(trapping) 또는 열에너지 저장으로 도시 열섬 현상에서의 주요 요인 중의 하나로 언급된다(Koo and Ryu, 2012). Vahmani and Ban-Weiss(2016)은 미국 로스앤젤레스 지역을 대상으로 WRF-UCM에 실시간 위성 관측 자료를 이용한 향상된 알베도 값을 적용하여 실험하였으며, 기존 모델보다 개선된 결과를 보여주었다. 또한, Chen et al. (2016)은 위성 자료를 이용하여 중국 광저우 지역을 대상으로 열섬을 모의하여 개선된 결과를 도출하였다. 도시 지역 대부분은 인공피복률이 높기 때문에 알베도의 변화가 복사수지에 영향을 미치면서 도시에서만 나타나는 열적 특성을 가지게 된다(Lee et al., 2018). 지표면 상태에 따른 복사수지는 열과 수분 등의 교환을 일으키며 도시지역 지표면 특징을 반영하게 되는데, 알베도 와 함께 방출률 또한 이러한 복사수지에 영향을 미치면서 도시 열적 특성의 요인으로 언급된다(Lee et al., 2018). 선행연구에서는 대상 지역의 고도화된 상세한 값 또는 관측 자료가 모수화된 값보다 현실적으로 모델을 모의할 수 있는 것으로 나타났다(Hong et al., 2018). 그러나, 여전히 도시 열 환경에 영향을 미치는 파라미터들은 도시 에너지 소비량 및 시공간적으로 변화하기 때문에 고해상도의 상세 자료를 구축하는 것은 쉽지 않다(Koo and Ryu, 2012; Hong et al., 2018).

본 연구에서는 서울과 경기도를 포함하는 SMA를 대상으로 선행연구 등에서 언급된 인공열, 알베도, 방출률 그리고 거칠기 길이 자료를 수집하여 실험을 수행하였다. 이러한 도시특성 상세 파라미터 및 관측 자료를 적용하여 각 파라미터가 도시 열 환경에 미치는 영향을 정량적으로 분석하는 것이 본 연구의 목적이다. 이를 위하여 SMA의 상세화된 파라미터 자료는 WRF 모델의 기본 지형자료로 구축하였고 도시캐노피 효과를 반영하기 위해 결합된 도시캐노피모델은 단일층(Single-layer)의 UCM을 사용하였다. 협곡 벽면이 연직방향의 여러 층으로 나뉘어져 분석되는 복합층(Multi-layer)의 UCM도 있으나, 본 연구에서는 고려할만한 규모가 아니었으므로 단일층의 UCM을 사용하였다. WRF-UCM에 적용된 상세화된 자료는 인공열, 알베도, 방출률, 거칠기 길이이며 각각 모델에 반영하여 모의된 결과는 기존 WRF-UCM 결과와 비교 및 검증을 수행하였다. 비교 및 검증을 위해 기상청 자동기상관측장비(Automatic Weather System, AWS)와 국립기상과학원의 에너지수지 관측 자료(Lee et al., 2018)를 이용하여 기온 및 현열플럭스를 분석하였다.

2. 연구 방법

2.2 실험 설계

수치 실험을 위한 모델 도메인은 37.55^oN, 126.98^oE를 중심으로 SMA를 대상으로 설정하였다. 모델의 연직층은 50개 층이며, 총 3개의 둥지 격자로 모델 도메인을 구성하였다. 첫번째 도메인부터 세번째 도메인까지의 수평 격자 해상도는 각각 5 km(격자수 235 × 283), 1 km(격자수 266 × 266), 0.2 km(격자수 211× 211)이며 마지막 도메인의 모의 결과를 분석하였다. 세번째 도메인에서는 수평 해상도(0.2 km)가 높아 운동량, 열, 수증기 등의 난류 모수화 부분이 해결되는 것으로 가정하여 대기경계층 모수화를 적용하지 않았다(Chu et al., 2014). 각 파라미터 적용에 대한 변화를 자세하게 분석하기 위해 총 6가지의 실험을 수행하였으며, 기존의 WRF-UCM 모의 결과를 규준실험(Control experiment, CNTL)으로 설정하였다. CNTL은 Lee et al. (2017)에서 CNTL로 설계된 모델과 동일하다. 기존의 WRF-UCM에서 이용된 저밀도 주거지역, 고밀도 주거지역, 산업 또는 상업지역의 도시 파라미터 값이 적용되었다(Lee et al., 2015; Lee et al., 2017). 지형특성자료를 상세화하여 구축한 인공열, 알베도, 방출률 그리고 거칠기 길이를 모두 적용한 실험을 EXP1로 설정하였으며, EXP2-EXP5는 수집한 파라미터를 각각 적용하여 실험하였다(Table 1). 각각의 상세 파라미터를 적용하지 않은 경우에는 CNTL과 동일한 값을 반영하였다.

Table 1.

Experiment designs for numerical model simulations with improvement of urban parameters.

2.3 사례선정 및 분석 방법

본 연구에서는 도시캐노피 효과에 의한 지표 근처 기온과 현열을 중점적으로 분석하기 위하여 강수가 없는 날을 선정하여 분석하였다. 수치모의 수행 기간은 여름철 48시간(2016년 8월 12일 0900LST~14일 0900 LST)과 겨울철 48시간(2016년 12월 11일 0900 LST~13일 0900 LST)으로 이 기간 동안 SMA는 고기압의 영향으로 맑았으며, 강수가 관측되지 않았다(Fig. 1).

Fig. 1.

The surface weather chart at (a) 0900 LST 12 August and (b) 0900 LST 11 December 2016.

모델 실험은 총 6가지 실험으로 수행되었다. 지형특성자료를 상세화하여 구축한 인공열, 알베도, 방출률, 거칠기 길이를 모두 적용한 실험(EXP1)과 요소별로 각각 적용한 실험(EXP2-EXP5), 기존의 WRF-UCM 실험(CNTL)으로 6가지 실험을 수행하여 비교·분석하였으며, 관측자료를 이용하여 검증하였다. 수치모의 결과를 검증하기 위해 기상청 AWS 자료와 국립기상과학원 에너지수지 관측 자료를 이용하여 분석하였다(Kang et al., 2014). Figure 2은 실험 도메인인 SMA의 지표이용도 및 검증에 이용된 AWS 및 에너지수지 관측 지점을 나타낸다. 기온은 중랑, 강남, 부천 그리고 능곡 지점의 AWS 관측 값과 비교하여 분석하였다. Figure 3은 관측소의 주변 환경을 보여준다. 중랑과 강남 AWS (a, b)는 서울 도심에 위치하고 있으며, 중랑 지점은 도시 내 주거지역을 대표하고, 강남지점은 도시 내 상업지역을 대표하는 지점으로 분류된다. 부천 AWS (c)는 저밀도의 주거지역, 능곡 AWS(d)는 주변에 건물이 거의 없는 전원 지역을 대표하는 지점으로 분류할 수 있다(Kwon et al., 2014).

Fig. 2.

The landuse map on the Seoul metropolitan area (SMA) as study domain used in the numerical weather prediction model. The Black and red dots in indicate Korea Meteorological Administration (KMA) Automated weather station (AWS) and National Institute of Meteorological Sciences (NIMS) flux sites, respectively.

Fig. 3.

Satellite images around the observation sites in Fig. 2. (a) Jungnang AWS and (d) flux site are located in well developed residence area, (b) Gangnam AWS is located in commercial area of urban. (c) Bucheon AWS site located in commercial and residence area nearby park, and (d) Bucheon flux site and (e) Neunggok AWS located in suburban area, respectively.

현열플럭스는 중랑과 부천 지점에 위치한 에너지수지 관측자료와 비교하여 분석하였다. 중랑의 에너지수지 관측소는 도심을 대표하는 지점이며, 부천 에너지수지 관측은 전원 지역을 대표하는 지점으로 분류할 수 있다. 각 실험에 대하여 수치모의를 수행한 후, 관측 지점에서 가장 가까운 격자의 모델 결과 값을 추출하여 관측 값과 비교하였다. 시간 단위 기준으로 자료를 분석하였으며, 관측 값에 대한 상관계수(R), 편이(BIAS), 평균 제곱근 오차(Root Mean Square Error, RMSE) 통계 값을 산출하여 검증하였다.

2.4 입력 자료 정보

본 연구에서 WRF-UCM 모델에 상세화하여 적용된 자료는 인공열, 알베도, 방출률, 거칠기 길이 정보이다. SMA를 대상으로 각 요소들의 정보를 수집하였으며, 모델의 기본자료 구축 단계인 지형정보구축(geogrid) 과정에서 2차원의 격자화된 자료로 적용하였다. 지형정보구축 과정에서 인공열, 알베도, 방출률 그리고 거칠기 길이의 지표면 특성인자를 토지피복 자료로 내삽하여 적용할 수 있다. (Kusaka, 2009).

첫 번째로 적용된 정보는 인공열 자료이다. 본 연구에서는 Dong et al. (2016)이 전력량을 이용하여 추정한 12개월 및 24시간 전 지구 인공열 자료를 사용하였다. 이 인공열 자료는 산업, 인구밀도에 따른 열손실 및 열 방출과 상업, 주거, 교통 부분의 배출량 등 지역별 인공 배출 관련 특성 요소들이 모두 고려된 값이다(Dong et al., 2017). 전 지구 인공열 자료에서 SMA의 인공열 정보를 추출하였으며, 이 자료는 약 900m 해상도로 도심의 상세한 인공열 정보를 반영할 수 있다. 기존 모델에서는 지표이용도에 따라서 저밀도 주거지역, 고밀도 주거지역, 산업 또는 상업지역에 따라 비율적으로 계산되는 12 개월 인공열 값만을 적용하였으나, Dong et al. (2016)의 전 지구 인공열 자료를 이용하면 288 개(12 months × 24 times)의 지표 인공열 정보 자료의 반영이 가능하다. Figure 4에서 계절에 따라 인공열 추정 분포 값이 변화하는 것을 볼 수 있다. 이 인공열 자료를 이용하여 도심 지역과 교외 지역에서의 8월 및 12월의 인공열 시계열 값을 분석하였다(Fig. 5). 중랑과 부천 지역에서의 인공열 값을 추출하였는데, 도심 지역에 위치하고 있는 중랑 에너지수지 관측 지점과 교외 지역에 위치하고 있는 부천 에너지수지 관측 지점에서의 인공열 추정 값을 사용하였다. 중랑과 부천 에너지수지 관측 지점에 관한 정보는 2.3절에 설명하였다(Figs. 2, 3). 중랑지점에서는 여름과 겨울에 대한 24시간 인공열 변화량의 차이가 뚜렷하게 나타났으며, 겨울철 인공열 값이 여름철보다 다소 높게 추정되었다. 이는 전력량을 이용하여 추정된 인공열 값이므로 겨울철 난방으로 인한 도심의 인공열이 높게 나타났다. 반면, 부천지점은 교외지역으로 인공열이 매우 낮게 추정되었다.

Fig. 4.

The monthly (January, April, August and December) anthropogenic heat at 0400, 1200 and 2000 LST retrieved using geogrid procedure from Dong et al. (2016) on the Seoul metropolitan area.

Fig. 5.

Time series of anthropogenic heat of August and December at Jungnang (urban area) and Bucheon (suburban area) flux sites.

두 번째로 적용된 정보인 알베도는 National Aeronautics and Space Administration (NASA) Moderate Resolution Imaging Spectroradiometer (MODIS)에서 제공하는 약 5 km 해상도의 12개월 전지구 알베도 정보에서 SMA 값을 추출하여 이용하였다. 각 계절별로 변화 알베도의 변화 양상이 나타나는데, Fig. 6에서 볼 수 있듯이 위성 관측자료를 이용하여 기존 모델에서 사용되는 알베도 자료보다 현실적이고 상세한 값이 반영된다. 중랑 지점과 부천 지점에서의 12개월 알베도 변화를 보면, MODIS 위성 자료를 반영한 알베도 값은 기존모델에서 사용된 알베도 값과는 다소 다른 경향을 나타냈다(Fig. 7). 기존 모델의 알베도는 도심과 교외지역의 차이가 거의 없었으나, 새로 반영된 알베도 값은 중랑과 부천 지점 간의 차이 값이 나타났으며 특히, 1월에 부천 지점의 알베도가 월등히 높게 나타났다. 부천 지점은 교외지역으로 1월경 적설 및 결빙 등의 영향으로 알베도가 높게 나타난 것으로 사료된다.

Fig. 6.

The distributions of monthly albedo with (a) original and (b) Moderate Resolution Imaging Spectroradiometer (MODIS) in the SMA (black square box).

Fig. 7.

The monthly albedo with original (before) and MODIS (after) at Jungnang (urban area) and Bucheon (suburban area) flux sites.

세 번째로 적용한 정보인 방출률 또한 알베도와 마찬가지로 위성 관측 자료를 이용하였다. 방출률은 NASA Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)에서 제공하는 약 5 km 해상도의 12개월 전 지구 방출률 정보에서 SMA 값을 추출하여 적용하였다. Figure 8에서는 월별로 방출률의 변화 분포가 변화가 나타나는 것을 볼 수 있다. 방출률 또한 알베도와 동일하게 위성 관측 자료이므로 기존 모델에서 이용되는 값보다 현실적인 값이 반영된다(Jeong, 2009).

Fig. 8.

The monthly distributions of emissivity from Advanced Spaceborne Thermal Emission and Reflection Radiometer(ASTER) in the SMA (black square box).

네 번째로 적용한 정보는 지면 거칠기 길이이다. 도심의 건물들은 지면 거칠기 길이를 증가시켜 건물 사이 대기 흐름을 변화시키기 때문에 수치모의를 통한 기상요소를 분석하기 위해서는 해당 지역에 알맞은 상세한 거칠기 길이를 적용해야 한다(Lee et al., 2017). 기존의 WRF-UCM 모델에서는 저밀도 주거지역, 고밀도 주거지역, 산업 또는 상업지역에 따라 3가지 거칠기 길이 값이 적용되었지만, 본 연구에서는 Yi et al. (2015)이 구축한 서울지역의 상세한 거칠기 자료를 사용 하였다(Jee et al., 2016). Macdonald et al. (1998)은 건물의 평균높이(Z_H), 평면비(λ_p), 옆면적비(λ_f) 등의 값을 이용하여 식(1)~(2)와 같이 거칠기 길이를 산출하는 방법을 개발하였고(식(1), (2)), 이 산출식을 적용하여 Yi et al. (2015)은 서울 지역의 거칠기 길이 값을 구축하였다(z₀: 거칠기 길이, z_d: 영면변위, k: 본 카르만 상수[0.4], CD: 항력계수[12], α: 영면변위 상수[4.43], β: 보정계수[1.0]).

$\[ z_d=\left(1+{\alpha }^{-{\lambda }_p}\left({\lambda }_p-1\right)\right)\times Z_H \]$

(1)

$\[ z_0=\left[\left(1-\frac{z_d}{Z_H}\right)\mathrm{e}\mathrm{x}\mathrm{p}\left\{-{\left[0.5\beta \frac{C_D}{k^2}\left(1-\frac{z_d}{Z_H}\right){\lambda }_F\right]}^{-0.5}\right\}\right]\times Z_H \]$

(2)

위 식에서는 산 또는 경사면의 영향이 고려되지 않았으나, Yi et al. (2015)의 연구 결과를 통해 지형 및 건물 정보에 따른 서울 지역 거칠기 길이 값이 생성되었으며, 이 정보는 30m 해상도이다. 서울 지역에 한해서만 거칠기 길이 값이 산출되었기 때문에 경기도 지역까지 도메인이 확장되었을 때, 거칠기 길이가 누락되는 지역은 기존 United States Geological Survey(USGS)의 33개 카테고리에 따른 지표이용도 거칠기 길이 값을 적용하였다(Fig. 9).

Fig. 9.

The distributions of (a) roughness length in Seoul and (b) roughness length after geogrid procedure in the SMA.

총 네 가지 요소인 인공열, 알베도, 방출률 그리고 거칠기 길이 자료를 수집 및 상세화하여 2차원 지형특성자료로 WRF-UCM에 반영하였다.

3. 결과 분석

3.1 여름 사례

여름 사례인 2016년 8월 12일 0900 LST~14일 0900 LST 기간에 대한 6가지 모의 실험 결과를 SMA에 위치한 중랑, 강남, 부천 그리고 능곡의 AWS 기온 관측 자료와 비교·분석하였다. 6개 모의 실험 결과의 시계열을 분석한 결과, 실험 간의 차이가 뚜렷하게 나타나지 않았기 때문에 관측된 기온에 대한 검증 수치인 R, RMSE 그리고 BIAS를 산출하여 비교하였다(Table 2). 먼저 상관관계를 나타내는 R 값을 보면, CNTL을 포함하는 모든 실험에서 0.9 이상의 높은 상관도를 나타냈다. 모든 실험 결과에서 RMSE 값은 최대 3.3^oC 이내의 차이를 나타냈으며, BIAS 산출에서도 최대 -3.2^oC 이내의 차이를 보였다. 특히, RMSE 산출에서는 CNTL의 결과가 모든 지점에서 가장 작게 산출되었다.

Table 2.

Statistics of predicted temperature against Jungnang, Gangnam, Bucheon and Neonggok AWS observations. The bold figures mean best statistical values among the model simulations from 0900 LST 12 Aug to 0900 LST 14 Aug 2016. Statistical values are used for the root mean square error (RMSE), correlation coefficient (R), and bias (BIAS).

지점별로 검증 결과를 분석하였다. 중랑 지점을 우선적으로 살펴보면, 모든 실험에서 R 이 0.95 내외로 매우 높은 상관도를 보인다. 그 중에서도 월별 시간 단위 인공열을 적용한 EXP2가 0.96으로 가장 높게 산출되었다. EXP2와 함께 EXP1과 CNTL에서도 0.95 이상의 높은 R 값을 나타냈다. 중랑 지점의 RMSE에서는 CNTL의 값이 가장 작았으나, EXP1과 EXP2의 값이 EXP3-5의 값과 비교하여 작게 산출되었다. 그리고 BIAS 값은 EXP1에서 -2.01^oC로 가장 작은 값을 보였으며, EXP2도 -2.32^oC로 CNTL (-2.48^oC)보다 향상된 결과를 보여주었다. 4가지 매개변수를 모두 적용한 EXP1을 제외하고, R과 BIAS 값을 비교해 보면 월별 시간 단위의 인공열 적용이 중랑 지점의 여름 사례 기온 모의 향상에 영향을 미친 것으로 분석된다. 강남 지점 또한 중랑 지점과 유사한 검증 결과를 보였다. R과 BIAS 분석에서는 EXP1의 검증 수치가 가장 향상되었으며, EXP2-5의 실험 중에서도 EXP2의 적용이 다른 실험과 비교하여 향상된 결과를 보였다. 강남 지점의 RMSE는 중랑 지점과 동일하게 CNTL(2.87^oC)의 값이 가장 작았다. 부천 지점의 경우에 R 산출에서는 EXP1의 값이 0.94로 가장 높게 나타났으나, RMSE와 BIAS 값은 CNTL (RMSE: 1.97^oC, BIAS: -1.76^oC)에서 가장 작은 값이 산출되었다. 능곡 지점의 경우에도 부천 지점과 동일하게 RMSE와 BIAS 값은 CNTL (RMSE: 1.42^oC, BIAS: -1.15^oC)에서 가장 작았다. 도심에 위치하고 있는 중랑과 강남지점의 경우, 4개 매개변수를 모두 적용한 EXP1의 향상도가 비교적 높게 나타났으며 그 중에서도 인공열의 적용이 모의 향상도에 가장 기여를 한 것으로 분석된다. 그러나 CNTL과 비교하여 큰 차이가 나타나지 않았으며, RMSE에서는 향상된 결과가 나타나지 않았다. 여름 사례에 대한 CNTL의 모의 결과는 관측값에 대한 R이 0.9 이상이며, 다른 모의 실험들과 비교하여 RMSE가 가장 작게 산출되었기 때문에 기존의 UCM 모델의 적용으로 실제 도심의 기온을 모의하기에 적합한 것으로 판단된다.

UCM의 적용은 지표 부근 열환경 모의에 영향을 주는 것으로 판단되어 모델의 지표플럭스인 현열플럭스 모의 성능에 관하여 분석하였다(Lee et al., 2017). 본 연구에서는 에너지수지 관측 자료를 이용하여 중랑과 부천 지점에 대한 현열플럭스 검증 수치를 산출하여 정량적으로 비교하였다(Table 3). 중랑 지점의 RMSE와 BIAS에서는 EXP2 (RMSE: 186.08 Wm^-2, BIAS: 168.88 Wm^-2)의 값이 가장 작게 산출되었다. 반면, 부천 지점의 RMSE는 CNTL (71.26 Wm^-2)의 값이 가장 작았고, R은 EXP4 (0.88)에서 가장 높았으며, BIAS는 EXP3 (-10.01 Wm^-2)의 값이 가장 작게 산출되었다. 도시 지역에 위치한 중랑 지점은 인공열의 영향이 주로 반영되어 EXP2에서 향상된 결과가 나타난 반면, 교외 지역에 위치한 부천 지점은 알베도 또는 방출률의 영향을 주로 받아 나타난 결과로 사료된다. 중랑 지점의 여름 사례 기온 모의에서 각 실험들 간의 차이가 1^oC 이내로 나타나 향상도를 비교하는 것이 어려웠으나, 지표플럭스인 현열플럭스 모의 결과에서는 EXP2의 모의 향상도가 다른 실험들과 비교하여 높게 나타났다. 여름의 도심 지역 현열플럭스 모의에서는 본 연구에서 적용한 인공열 자료를 이용하는 것이 모의 향상에 도움을 주는 것으로 판단된다.

Table 3.

The same as Table 2 except for sensible heat flux observed at Jungnang and Bucheon flux sites.

3.2 겨울 사례

2016년 12월 11일 0900LST~13일 0900 LST에 대한 모의 기온 결과를 SMA에 위치한 중랑, 강남, 부천 그리고 능곡의 AWS 관측 자료와 비교하였다. Figure 10은 4개 지역의 2m 모의 기온 결과와 AWS 관측 값을 시계열 그래프로 비교하여 나타낸 것이다. 서울 도심에 위치한 중랑과 강남 지점은 실험 모델 간의 모의 기온 차이가 최대 10^oC 이상 나타난 반면, 상대적으로 교외에 위치한 부천과 능곡 지점은 실험 모델 간의 모의 기온 차이가 뚜렷하게 나타나지 않았다. 이 결과는 WRF 모델에서 UCM은 에너지 수지가 활성화되는 도심을 중심으로 적용되어 직접적인 영향을 주며, 전원 지역은 간접적인 영향을 받는 것을 의미한다(Lee et al., 2017). 모의 결과 간의 기온 편차는 도심의 지표부근의 대기질 흐름에 영향을 주는 의미 있는 차이라고 볼 수 있다(Park et al., 2012). 특히, 중랑과 강남 지점에서 EXP1과 EXP2의 모의 기온 변화 경향이 CNTL이외의 다른 모의 실험 기온의 변화 경향과 뚜렷하게 다른 결과를 나타냈다. EXP1과 EXP2가 유사한 모의 결과를 나타낸 것으로 EXP2의 인공열이 EXP1에 가장 크게 영향을 미쳤음을 알 수 있다. 또한, CNTL과 EXP3-5의 모의 기온 변화 경향이 유사한 결과를 나타낸 것으로 EXP3-5의 인공위성 관측자료로 적용한 알베도, 방출률과 Yi et al. (2015)이 제시한 서울지역의 거칠기 길이가 CNTL에 크게 영향을 미치지 않았음을 유추할 수 있다.

Fig. 10.

Time series of temperature with model experiments and AWS observations at Jungnang, Gangnam, Bucheon and Neunggok AWS sites from 0900 LST 11 to 0900 LST 13 December 2016.

모의 결과 간의 차이를 상세하게 분석하기위해 RMSE, R, BIAS를 산출하여 검증하였다(Table 4). 중랑 지점을 우선적으로 분석하여 검증해본 결과, EXP1의 RMSE와 BIAS 값이 각각 1.57^oC, -0.57^oC로 다른 실험과 비교하여 가장 작게 나타났으며, R 값은 0.84로 EXP2에서 가장 큰 값을 나타냈다. 각 모델 결과에서 중랑 지점의 RMSE를 살펴보면 CNTL과 EXP3-5에서는 4.5^o C 이상의 수치를 나타냈으나, EXP1과 EXP2에서는 각각 1.57^oC, 1.61^oC로 검증 수치가 향상되었다. 변화 경향의 유사성을 알 수 있는 R 산출에서는 CNTL, EXP3 그리고 EXP4은 0.6 이하로 상대적으로 낮은 상관도를 보였으나, EXP1, EXP2 그리고 EXP5에서는 0.8 이상의 상대적으로 높은 상관도를 나타냈다. 중랑 지점의 BIAS 또한, CNTL과 EXP3-5에서는 -4.5^oC 이상의 차이를 보였으나, EXP1과 EXP2에서는 각각 -0.57^oC, -0.72^oC로 검증 수치가 향상되었다. 거칠기 길이를 적용한 EXP5는 RMSE와 BIAS가 각각 4.84^oC, -4.59^oC로 관측 값과의 차이를 보였으나, R의 경우에는 0.84로 EXP1과 EXP2 값과 비슷하게 높은 상관관계를 보였다. 서울지역의 새로운 거칠기 길이의 적용은 관측 값과의 차이를 보이기는 하지만, 변화 경향은 유사하게 모의하고 있음을 시사한다. 새로운 알베도와 방출률을 적용한 EXP3과 EXP4의 검증 수치는 다른 실험과 비교하여 뚜렷하게 향상된 값을 나타내지는 않았으나, CNTL과 비교하여 RMSE는 대략 0.2^oC (EXP3), 1.0^oC (EXP4) 정도 감소하였다. BIAS도 마찬가지로 CNTL보다 대략 0.1^oC(EXP3), 0.9^oC (EXP4) 정도로 작게 산출되었으며, R 값은 대략 0.01 (EXP3), 0.03 (EXP4) 정도 높게 나타났다. 중랑 지점에서는 관측 값에 대한 각 실험의 RMSE, R 그리고 BIAS 산출 값 모두 CNTL과 비교하여 향상된 모의 결과를 나타냈다. 특히, Dong et al. (2016)의 인공열 적용이 중랑 지점의 겨울 사례 기온 모의 향상에 가장 크게 영향을 주었다.

Table 4.

The same as Table 2 except for from 0900 LST 11 Dec to 0900 LST 13 Dec 2016.

도심 지역에 위치하고 있는 강남 지점 또한 중랑지점의 검증 결과와 유사한 경향을 보여주었다. RMSE 산출에서 EXP1과 EXP2의 값은 CNTL보다 대략 2.9^oC 감소하여 EXP3-5보다 향상된 검증 수치를 나타냈다. BIAS 산출에서도 EXP1과 EXP2는 각각 -0.73^oC, -1.00^oC로 다른 실험과 비교하여 월등하게 작은 값이 산출되었다. R 산출 결과에서는 EXP1와 EXP2의 값이 0.7 이상으로 다른 실험과 비교하여 상대적으로 높은 값을 나타냈지만, 상세한 거칠기 길이를 적용한 EXP5에서 0.82로 가장 높은 상관도를 나타냈다. 중랑지점과 유사하게 EXP3-5의 RMSE와 BIAS의 값이 CNTL보다 향상된 결과를 보여주었으나, EXP1과 EXP2의 향상도가 다른 실험과 비교하여 월등히 높게 나타났다. 인공열의 상세 적용이 도시 지역 겨울 사례 기온 모의 향상에 가장 크게 영향을 주었다. 그리고 EXP5의 R 값이 가장 높게 산출된 것으로 상세한 거칠기 길이의 적용은 기온 모의 변화 경향에 영향을 주어 검증 수치가 향상되는 것으로 판단된다.

부천 지점의 경우에는 RMSE와 BIAS에서 EXP1(RMSE: 2.96^oC, BIAS: -2.52^oC)의 값이 가장 작게 산출되었다. 적용된 모든 파라미터의 영향으로 향상된 결과가 나타났으나, CNTL와 검증 수치 차이가 1^oC 이내로 도시 지역에 위치한 지점들 만큼 크게 향상되지는 않았다. 그리고 부천 지점에서도 상세한 거칠기 길이를 반영하였을 때, 0.94로 매우 높은 기온 모의 상관성을 보여주었다. 부천 지점의 경우에는 상세화된 파라미터의 적용으로 모의 결과가 향상된 검증 수치가 산출되기도 하였으나, 향상된 값이 중랑과 강남지점과 비교하여 매우 작게 나타났다. 능곡 지점의 경우에는 각 실험의 RMSE 검증 수치가 CNTL과 비교하여 0.05^oC 이하로 거의 차이가 나지 않았으며, BIAS에서는 CNTL보다 향상된 결과가 산출되지 않았다. 부천과 능곡 지점은 도시 지역에서 벗어나 교외지역에 위치하여 상세화된 파라미터를 적용하는 것이 모의 향상에 크게 영향을 미치지 않는 것으로 판단된다.

여름 사례 분석과 마찬가지로 모델의 지표플럭스인 현열플럭스 모의 성능을 분석하였다. Figure 11은 중랑과 부천 지점의 현열플럭스 관측 값과 모의 결과를 시계열 형태로 나타낸 그래프이다. 현열플럭스는 주로 플럭스(현열, 잠열, 운동량) 수송량이 많은 낮 시간대(0900 LST~1900 LST)에 높게 나타난다(Lee et al., 2018). 플럭스는 단위면적당 단위시간에 받거나 방출하는 복사 에너지의 양으로 정의되는데, 태양 복사에 의해서 밤보다 낮 시간대에 더 활발하게 수송된다(Arya, 2001). 중랑 지점의 현열플럭스 값은 주로 낮시간대에(0900 LST~1900 LST)에 상승하였으며, 모든 실험 결과는 현열플럭스 변화 경향을 유사하게 모의하였다. 그 중에서 EXP1과 EXP2의 모의 변화 경향이 관측 값에 가장 가까운 결과를 보여주었다. 부천지점의 경우에는 각 실험들의 현열플럭스 값이 관측값과 유사한 경향을 보였으나, 각 실험들 간의 차이가 뚜렷하게 나타나지 않았다. 중랑 지점의 현열플럭스에 대한 검증 수치를 산출하여 정량적으로 비교한 결과, EXP2의 RMSE (69.71 Wm^-2)와 BIAS (39.34 Wm^-2) 값이 가장 작았다(Table 5). 부천 지점의 경우에는 대체로 모든 실험 결과가 CNTL과 큰 차이를 보이지는 않았으나, 새로운 알베도를 적용한 EXP3의 RMSE(22.29 Wm^-2)와 BIAS (10.18 Wm^-2) 값이 가장 작았으며, EXP2의 R 값이 0.66으로 가장 높게 산출되었다.

Fig. 11.

Time series of sensible heat flux on Jungnang and Bucheon flux sites from 0900 LST 11 to 0900 LST 13 December 2016.

Table 5.

The same as Table 3 except for from 0900 LST 11 Dec to 0900 LST 13 Dec 2016.

겨울 사례의 경우에는 상세화된 파라미터를 적용한 UCM의 모의에서 향상된 결과가 나타났으며, 교외 지역보다는 도시 지역에서의 모의 향상도가 뚜렷하게 보였다. 인공열은 도시 지역의 에너지 소비량을 반영할 수 있어 모델에서 도시의 기온 및 현열플럭스 값을 실제 관측 값에 가장 유사하게 모의하였다. 또한, 도시 지역의 인공피복률이 높기 때문에 알베도와 방출률이 복사수지에 영향을 주면서 도시 지역에서만 나타나는 열적 특성을 반영하는 것으로 사료된다. 그리고 본 연구에서는 분석하지 않았으나, 도시 지역의 건물로 인해 교외 지역과 차이를 보이는 거칠기 길이는 풍속이 감소함에 따라서 기온을 상승시키는 요인이 존재하기도 하는데(Lee et al., 2017), 본 연구에서의 상세한 거칠기 길이는 도시의 열적 특성에 영향을 주는 인자인 것을 알 수 있다. 본 연구에서 적용한 상세화된 파라미터인 인공열, 알베도, 방출률 그리고 거칠기 길이는 도시 지역의 열적 특성을 구체적으로 반영할 수 있는 것으로 사료되며 특히, 인공열의 상세적용이 겨울철 도시 지역 기온 모의 향상에 가장 크게 기여하였다.

4. 결 론

본 연구에서는 SMA를 대상으로 인공열, 알베도, 방출률 그리고 거칠기 길이의 상세 자료를 수집한 후, 2차원 지형특성자료로 고도화하여 WRF-UCM 모델에 반영하였다. 각 파라미터를 반영한 모델을 이용하여 여름과 겨울 사례 기간 동안의 기온과 현열플럭스를 모의한 후 분석하였다. 여름 사례인 2016년 8월 12일 0300 LST~0900 LST 기간에 대한 6가지 모의 실험 결과를 SMA에 위치한 중랑, 강남, 부천 그리고 능곡의 AWS 기온 관측 자료와 비교·분석한 결과, 도심에 위치하고 있는 중랑과 강남 지점의 경우, 4개 상세 매개변수를 모두 적용한 EXP1의 향상도가 비교적 높게 나타났으며 그 중에서도 인공열의 적용이 모의 향상도에 가장 크게 기여를 한 것으로 사료되었다. 그러나 여름 사례에 대한 CNTL의 모의 결과는 관측 값에 대한 R이 0.9 이상이며, 다른 모의 실험들과 비교하여 RMSE가 가장 작게 산출되었기 때문에 기존의 UCM 모델의 적용으로 실제 도심의 기온을 모의하기에 적합한 것으로 판단된다. 반면, 현열플럭스 모의 결과에서는 상세 인공열을 적용한 EXP2의 모의 향상도가 다른 실험들과 비교하여 높게 나타났다. 여름의도심 지역 현열플럭스 모의에서는 본 연구에서 적용한 인공열 자료를 이용하는 것이 모의 향상에 도움을 주는 것으로 판단된다. 겨울 사례인 2016년 12월 11일 0900 LST~13일 0900 LST에 대한 모의 기온 결과를 SMA에 위치한 중랑, 강남, 부천 그리고 능곡의 AWS 관측 자료와 비교하여 분석한 결과, 상세화된 파라미터를 적용한 모든 모의에서 향상된 결과가 나타났다. 특히, 인공열의 상세 적용이 도시 지역 기온 및 현열플럭스 모의 향상에 가장 크게 기여하였다.

본 연구에서 적용한 상세화된 파라미터인 인공열, 알베도, 방출률 그리고 거칠기 길이는 도시 지역의 특성을 구체적으로 반영할 수 있는 것으로 사료되며 특히, 인공열의 상세 적용으로 여름철 현열플럭스와 겨울철 기온 및 현열플럭스 모의 능력이 가장 우수하게 나타났다. 인공열은 도시 지역의 열환경 특성에 필수적인 요소로써 지역의 상세한 값을 반영한 것이 모의 향상도에 영향을 준 것으로 판단된다. 연구에서 적용한 상세한 거칠기 길이의 반영은 기온 모의 변화 경향을 잘 표현하였다. 본 연구에서는 기온 및 현열플럭스 검증만 수행하였으나, 향후 거칠기 길이 상세화에 따른 풍속 검증에 대한 분석이 필요할 것으로 사료된다. 그리고 알베도와 방출률은 도심 지역보다 비교적 교외 지역에 더 큰 영향을 주는 것으로 예상되는데, 이를 고려한 알베도와 방출률의 상세 적용 방안에 대한 연구가 필요할 것이다. 파라미터를 상세화한 토지피복자료는 지표면 근처 대기의 에너지와 물평형 등과 관련이 되어 모의 향상에 영향을 주기 때문에(Hong et al., 2018), 모델 내에서 각 파라미터와 대기 변수의 관계와 각각의 메커니즘을 통한 모의 향상을 분석하는 것 또한 매우 중요하다. 이러한 메커니즘을 더욱 상세하게 분석하기 위해서는 기온과 현열플럭스 이외의 다른 기상 요소들과의 상관 분석도 추가적으로 필요할 것이다. 또한, 본 연구에서는 맑은 날만을 고려하여 여름과 겨울의 사례만을 분석하였기에 실험 결과에서 제한적인 한계가 존재하였다. 추후에는 계절별로 다양한 사례와 본 연구에서 제시한 파라미터들 및 이외의 지표면 변수들을 고려하여 각각의 상세한 메커니즘과 상관관계를 제시할 수 있는 연구가 필요하다.

Acknowledgments

이 연구는 기상청<자연재해대응 영향예보 생산기술개발>(KMI2018-01410)의 지원으로 수행되었습니다.

References

• Adachi, S. A., F. Kimura, H. Kusaka, M. G. Duda, Y. Yamagata, H. Seya, K. Nakamichi, and T. Aoyagi, 2014: Moderation of summertime heat island phenomena via modification of the urban form in the Tokyo metropolitan area. J. Appl. Meteor. Climatol., 53, 1886-1900 [https://doi.org/10.1175/JAMC-D-13-0194.1]
• Arya, S. P., 2001: Introduction to Micrometeorology 2nd Edition. Academic press, New York, USA, 420 pp.
• Bhati, S., and M. Mohan, 2016: WRF model evaluation for the urban heat island assessment under varying land use/land cover and reference site conditions. Theor. Appl. Climatol., 126, 385-400 [https://doi.org/10.1007/s00704-015-1589-5]
• Byon, J. Y., Y. J. Choi, and B. G. Seo, 2010: Evaluation of urban weather forecast using WRF-UCM (Urban Canopy Model) over Seoul. Atmosphere, 20, 13-26(in Korean with English abstract).
• Chen, F., X. Yang, and W. Zhu, 2014: WRF simulations of urban heat island under hot-weather synoptic conditions: The case study of Hangzhou city, China. Atmos. Res., 138, 364-377 [https://doi.org/10.1016/j.atmosres.2013.12.005]
• Chen, G., L. Zhao, and A. Mochida, 2016: Urban heat island simulations in Guangzhou, China, using the coupled WRF/UCM model with a land use map extracted from remote sensing data. Sustainability, 8, 628 [https://doi.org/10.3390/su8070628]
• Chu, X., L. Xue, B. Geerts, R. Rasmussen, and D. Breed, 2014: A case study of radar observations and WRF LES simulations of the impact of ground-based glaciogenic seeding on orographic clouds and precipitation. Part I: Observations and model validations. J. Appl. Meteor. Climatol., 53, 2264-2286 [https://doi.org/10.1175/JAMC-D-14-0017.1]
• Dong, Y., A. C. G. Varquez, and M. Kanda, 2016: 1-km global anthropogenic heat flux database for urban climate studies. Extended Abstract, AGU Fall Meeting 2016, B33H-0715.
• Dong, Y., A. C. G. Varquez, and M. Kanda, 2017: Global anthropogenic heat flux database with high spatial resolution. Atmos. Environ., 150, 276-294 [https://doi.org/10.1016/j.atmosenv.2016.11.040]
• Grossman-Clarke, S., J. A. Zehnder, T. Loridan, and C. S. B. Grimmond, 2010: Contribution of land use changes to near-surface air temperatures during recent summer extreme heat events in the Phoenix metropolitan area. J. Appl. Meteor. Climatol., 49, 1649-1664 [https://doi.org/10.1175/2010JAMC2362.1]
• Gross, G., 2014: On the parametrization of urban land use in mesoscale models. Bound.-Layer Meteor., 150, 319-326 [https://doi.org/10.1007/s10546-013-9863-5]
• Hong, S.-O., J.-Y. Byon, H. Park, Y.-G. Lee, B.-J. Kim, and J.-C. Ha, 2018: Sensitivity analysis of near surface air temperature to land cover change and urban parameterization scheme using unified model. Atmosphere, 28, 427-441 (in Korean with English abstract).
• Jee, J.-B., M. Jang, C. Yi, I.-S. Zo, B.-Y. Kim, M.-S. Park, and Y.-J. Choi, 2016: Sensitivity analysis of the high-resolution WISE-WRF model with the use of surface roughness length in Seoul metropolitan areas. Atmosphere, 26, 111-126 (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2016.26.1.111]
• Jeong, J. C., 2009: Comparison of land surface temperatures derived from surface emissivity with urban heat island effect. J. Environ. Impact Assess., 18, 219-227 (in Korean with English abstract).
• Kang, M. S., J. Kim, H. S. Kim, B. M. Thakuri, and J. H. Chun, 2014: On the nighttime correction of CO₂ flux measured by eddy covariance over temperate forests in complex terrain. Kor. J. Agric. Forest Meteor., 16, 233-245 (in Korean with English abstract). [https://doi.org/10.5532/KJAFM.2014.16.3.233]
• Koo, H.-J., and Y.-H., Ryu, 2012: Impacts of anthropogenic heating on urban boundary layer in the Gyeong-In region. J. Environ. Impact Assess., 21, 665-681 (in Korean with English abstract).
• Kusaka, H., 2009: About a regional atmospheric model, WRF. J. Japan Soc. Fluid Mech., 28, 3-12 (in Japanese).
• Kusaka, H., and F. Kimura, 2004: Coupling a single-layer urban canopy model with a simple atmospheric model: Impact on urban heat island simulation for an idealized case. J. Meteor. Soc. Japan, 82, 67-80. [https://doi.org/10.2151/jmsj.82.67]
• Kusaka, H., H. Kondo, Y. Kikegawa, and F. Kimura, 2001: A simple single-layer urban canopy model for atmospheric models: comparison with multi-layer and slab models. Bound.-Layer Meteor., 101, 329-358. [https://doi.org/10.1023/A:1019207923078]
• Kwon, T. H., M.-S. Park, C. Yi, and Y. J. Choi, 2014: Effects of different averaging operators on the urban turbulent fluxes. Atmosphere, 24, 197-206 (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2014.24.2.197]
• Lee, B.-R., D.-G. Lee, K.-Y. Nam, Y.-G. Lee, and B.-J. Kim, 2015: Study on heat environment changes in Seoul metropolitan area using WRF-UCM: A comparison between 2000 and 2009. Atmosphere, 25, 483-499 (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2015.25.3.483]
• Lee, H., J.-B. Jee, and J.-S. Min, 2017: A study on highresolution numerical simulation with detailed classification of landuse and anthropogenic heat in Seoul metropolitan area. Kor. J. Agric. Forest Meteor., 19, 323-336 (in Korean with English abstract).
• Lee, H., J.-B. Jee, J.-S. Min, S. Kim, and J. H. Chae, 2018: Analysis of meteorological and radiation characteristics using WISE observation data. J. Kor. Earth Sci. Soc., 39, 89-102 (in Korean with English abstract). [https://doi.org/10.5467/JKESS.2018.39.1.89]
• Macdonald, R. W., R. F. Griffiths, and D. J. Hall, 1998: An improved method for the estimation of surface roughness of obstacle arrays. Atmos. Environ., 32, 1857-1864. [https://doi.org/10.1016/S1352-2310(97)00403-2]
• Park, M. S., 2018: Overview of meteorological surface variables and boundary-layer structures in the Seoul metropolitan area during the MAPS-Seoul campaign. Aerosol Air Qual. Res., 18, 2157-2172 [https://doi.org/10.4209/aaqr.2017.10.0428]
• Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, M. G. Duda, X.-Y. Huang, W. Wang, and J. G. Powers, 2008: A description of the advanced research WRF version 3. NCAR Technical Note-475+STR, 113 pp.
• Tewari, M., F. Chen, and H. Kusaka, 2006: Implementation and evaluation of a single-layer urban canopy model in WRF/Noah. Preprints, WRF users workshop 2006 [Available online at http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.470.716&rep=rep1&type=pdf, ].
• Vahmani, P., and T. S. Hogue, 2015: Urban irrigation effects on WRF-UCM summertime forecast skill over the Los Angeles metropolitan area. J. Geophys. Res. Atmos., 120, 9869-9881 [https://doi.org/10.1002/2015JD023239]
• Vahmani, P., and G. A. Ban Weiss, 2016: Impact of remotely sensed albedo and vegetation fraction on simulation of urban climate in WRF-urban canopy model: A case study of the urban heat island in Los Angeles. J. Geophys. Res. Atmos., 121, 1511-1531 [https://doi.org/10.1002/2015JD023718]
• Yi, C., T.-H. Kwon, M.-S. Park, Y. J. Choi, and S. M. An, 2015: A study on the roughness length spatial distribution in relation to the Seoul building morphology. Atmosphere, 25, 339-351 (in Korean with English abstract). [https://doi.org/10.14191/Atmos.2015.25.2.339]