요약

증발산은 토양으로부터 발생하는 증발과 식물의 잎에서 발생하는 증산을 통칭하는 것으로, 물 수지, 가뭄, 작물생장, 기후변화 등의 모니터링에 있어 중요한 요소이다. 실제증발산은 식생 지표면의 물 소비량 또는 물 필요량이며 기준증발산에 작물계수를 곱하여 구하므로, 농지의 실제증발산을 구하기 위해서는 기준증발산의 계산이 정확히 이루어져야 한다. 격자형 기준증발산을 합리적으로 산출하기 위하여 그동안 많은 노력들이 있었고 복수의 산출물이 제공되고 있다. 이에 본 연구에서는 FAO56-PM, LDAPS, PKNU-NMSC, MODIS 기준증발산 산출물을 비교평가 함으로써, 우리나라처럼 복합적이고 이질적인 지표면에서 국지적 규모의 수문 및 농업 분야에 활용하기 위하여 어떤 기준증발산 산출 방법이 적합한지 살펴보고자 한다. 2016~2019년 3~11월의 1일 단위 자료와 8일 합성 자료를 기상청 현장관측치와 비교하여 지점별, 연도별, 월별로 분석하고 시계 열변화를 검토한 결과, 기계학습을 통해 우리나라 농지에 대한 지역최적화가 상당히 잘 수행된 PKNU-NMSC 자료의 정확도가 월등히 높게 나타났으며, 시간과 장소에 상관없이 안정적인 산출이 이루어졌음을 확인하였다. 또한 본연구에서는 FAO56-PM, LDAPS, MODIS 산출물에 내재한 정확도 특성을 제시하였으며, 이는 기준증발산 자료 사용에 있어 중요한 정보가 될 것으로 기대한다.

1. 서론

증발산(evapotranspiration)은 토양으로부터 발생하는 증발과 식물의 잎에서 발생하는 증산을 통칭하는 것으로, 물수지, 가뭄, 작물생장, 기후변화 등의 모니터링에 중요한 요소이다(Steduto et al., 2012; Merlin et al., 2014). 증발산의 시공간적 분포는 식생생장, 온도 등의 계절적 요소 및 토양특성, 토지피복 등의 공간적 요소에 따라 달라진다(Lee et al., 2018). 지표면의 물 순환 컴포넌트는 크게 강수, 증발산, 토양수분, 지표유출 등으로 구분할 수 있다. 지표면에 있어 강수가 물의 공급이라면 증발산은 물의 소비를 의미하고, 토양수분은 강수에 의해 증가하고 증발산에 의해 감소하며, 지표유출은 토양수분이 포화되었을 때 토양층으로 침투하지 않고 빠져나가는 물에 해당한다(Sumner, 2001; Kendy et al., 2003). 증발 산은 물의 소비량, 즉 바꾸어 말하면 물의 필요량이기 때문에 농지의 가뭄의 정도나 관개수량을 판단하는 기초자료로서 매우 중요한 정보이다(Baik and Choi, 2015).

잠재증발산(Potential Evapotranspiration, PET)은 수분 공급이 계속 가능하다는 것을 전제로, 주어진 기상 조건 하에서 증발산할 수 있는 최대량을 말하는데(Thornthwaite, 1948), 이때 보통 잔디로 구성된 지표면을 기준으로 하기 때문에 잠재증발산과 기준증발산(Reference Evapotranspiration, ET₀)은 같은 물리량으로 간주할 수 있다. 증발산 관측과 실험의 용이성 때문에 기준 작물을 잔디로 하였으나, 실제 지표면에서의 증발산은 작물종류, 토양특성, 관개, 배수 등의 여러 요인에 의해 달라지기 때문에, 이러한 작물생장 환경에 따른 실질적인 증발산을 실제증발산(Actual Evapotranspiration, AET)이라고 한다. 그러나, 기상조건뿐 아니라 작물종류, 토양특성, 관개, 배수 등의 요인을 세밀한 공간단위로 정량화하는 것은 쉽지 않기 때문에, 공간연속면에서 실제증발산을 산출하는 것은 매우 어려운 일이다. 이러한 이유로 실제증발산을 구할 때, 기준증발산에 작물계수(crop coefficient)를 적용하여 계산하는 것이 보편적이며, 따라서 기준증발산의 격자자료의 신뢰성과 합리적인 작물계수의 도출이 실제증발산 산출의 핵심이라고 할 수 있다(Kim et al., 2020).

한 지점에서의 기준증발산을 구할 때 널리 사용되는 PM(Penman-Monteith) 방정식은 토양수분이나 기공저항 등의 파라미터 없이 기상변수만으로도 간편하게 계산할 수 있는 장점이 있으며, 유엔 FAO(Food and Agriculture Organization)에서는 많은 현장실험을 거쳐 PM 방정식에 필요한 경험상수를 표준화하여 제공하고 있다(Allen et al., 1998). 이러한 FAO56-PM 방정식은 증발 팬, 신틸로미터(scintillometers), 침루계(lysimeters), 에디 공분산(eddy covariance) 등을 이용한 지상관측 기준 증발산과의 일치도가 높게 나타난다(Khan et al., 2018). 그러나 지금까지 FAO56-PM 방정식에 필요한 기상인자들이 대부분 포인트 자료로는 획득 가능하나 공간연속면으로 표현하기 어려운 경우가 많았다. 따라서 격자형 기준증발산을 산출하기 위하여 수리수문모델을 이용하거나, 위성자료 기반의 통계모델링을 수행해왔다 (Allen et al., 2007; Zhuang an Wu, 2015). 현재 공식적으로 제공되는 격자형 증발산 산출물은 MODIS(Moderate Resolution Imaging Spectroradiometer)(8일, 1 km), LDAPS (Local Data Assimilation and Prediction System)(3시간, 1.5 km), GLDAS(Global Land Data Assimilation System)(3시 간, 25 km), GLEAM(Global Land Evaporation Amsterdam Model)(1일, 25 km), CRU(Climatic Research Unit)(1개월, 25 km), TerraClimate(1개월, 4 km) 등이 있다(Khan et al., 2018). 또한, Kim et al. (2020)은 국지적 변동성을 고려하여 우리나라 농지를 대상으로 기계학습 기반의 일일 500 m 기 준 증발산 PKNU-NMSC(Pukyong National University and National Meteorological Satellite Center) 자료를 산출한바 있다.

이렇듯 다양한 격자형 증발산 자료가 존재하지만, 우리나라처럼 복합적이고 이질적인 지표면에서 국지적 규모의 수문 및 농업 분야에 활용하기 위해서 어떤 증발산 자료가 적합한지 살펴보는 비교연구는 거의 찾아보기 힘들다. 이에 본 연구에서는 우리나라의 복잡지형에 적합한 공간해상도(500 m~1.5 km)와 수문 및 농업 분야에 적용가능한 시간해상도(1일~8일)를 기준으로 하여 MODIS, LDAPS, PKNU-NMSC 기준증발산 산출물을 비교평가하고자 한다. 또한 최근의 수치예보 모델은 FAO56-PM 방정식에 필요한 기상변수를 모두 격자형으로 제공하기 때문에, 우리나라 농지에 직접 FAO56-PM 방정식을 적용하여 도출한 기준증발산 격자형 자료도 비교대상에 포함하였다. 실험기간은 2016년~2019년의 3월~11월이며, 기상청에서 제공하는 9개 지점의 현장관측 기준증발산 자료를 참값으로 참조하여 정확도 통계량을 구하였다. 이를 통하여 우리나라 농지의 기준증발산 격자자료를 사용하고자 하는 이후의 타 연구들을 위하여, 자료의 정확도에 관한 객관적인 정보제공에 기여할 수 있을 것이다.

Fig. 1. Measurement locations for the reference evapotranspiration (ET₀) by the Korea Meteorological Administration (KMA) (Kim et al., 2020).

2. 자료와 방법

1) 자료

(1) 현장관측 기준증발산 자료

증발팬을 이용한 현장관측에서는 팬 증발량(E_p)과 팬 계수(K_p)를 사용하여 기준증발산을 구하는데(ET₀= E_p / K_p), E_p와 K_p가 주어지면 기상 관측 없이도 ET₀을 직접 얻을 수 있는 편리함이 있다. 우리나라 기상청의 경우, 과거 장기간 관측한 E_p와 FAO56-PM 방정식으로 계산한 ET₀의 선형관계에 맞추어 Kp를 사전에 정의해두고 있기 때문에, E_p관측과 동시에 ET₀정보가 산출 가능하다. Fig. 1의 9개 지점은 증발 팬이 설치된 농지 ASOS (Automated Surface Observing System) 관측소이며, 2016 ~2019년 이 관측소들의 ASOS 기상자료와 E_p자료에는 결측이 거의 없는 것을 확인하였다.

(2) 국지예보모델 자료

우리나라 기상청은 2010년부터 영국 기상청의 UM (Unified Model)을 현업모델로 운영 중이며, 국지예보모델 LDAPS는 UM을 우리나라에 맞추어 지역최적화한 버전으로서, 3차원 변분자료동화(3D-VAR) 기법을 이용하여 한반도 1.5 km 격자에 3시간마다 기상예보를 제공한다. LDAPS의 지표면 물리과정 및 에너지수지 모의에는 JULES(Joint UK Land Environment Simulator)가 사용되었으며, 본 연구에서는 FAO56-PM 방정식으로 기준증발산을 산출을 위해서 2016년부터 2019년까지 매일 3시간 간격으로 순복사, 지열플럭스, 기온, 풍속, 상대습도 변수를 추출하였다. 또한 LDAPS는 잠열플럭 스 변수를 제공하는데, 이는 FAO56-PM가 아닌 JULES에 의해 계산된 것으로서, 지표면온도를 이용한 단위 변환을 통해 기준증발산량으로 대체할 수 있기 때문에 하나의 독립된 산출물로 간주하여 비교대상으로 선정하였다.

(3) 위성 자료

MODIS는 미국항공우주국(NASA)이 Terra와 Aqua 에 탑재한 지구환경감시용 위성센서이다. 본 연구에서는 Terra MODIS 500 m 해상도의 8일 합성 기준증발산 산출물(MOD16A2GF)을 사용하였는데, 이 자료는 연말에 1년간의 데이터를 취합한 뒤 시공간통계를 이용하여 갭필링시킨 산출물이다. 또한, 우리나라에서 농지를 추출하기 위하여 500 m 해상도의 토지피복분류 산출물 MCD12Q1를 사용하였으며, IGBP(International Geosphere Biosphere Program) 코드12(croplands)와 14(cropland / natural vegetation mosaic)의 픽셀을 추출하여 농지로 설정하였다.

(4) PKNU-NMSC

우리나라와 같이 복잡하고 이질적인 구성을 가진 지표면에 적용가능한 격자형 기준증발산 산출물로서 (Kim et al., 2020), 위성영상과 수치예보모델로부터 추출한 9가지 변수인 NDVI(normalized difference vegetation index), LAI(leaf area index), FPAR(fraction of photosynthetically active radiation), SPI3(standardized precipitation index 3), 기온, 지표면온도, 토양온도, 상대습도, 풍속을 입력자료로 하며 기계학습 기법인 랜덤 포레스트(random forest) 모델로 산출한 우리나라 농지의 500 m 일일 자료이며, 2013~2019년 현장 관측치와의 비교실험에서 높은 일치성을 보인 바 있다.

2) 방법

(1) 공간 및 시간 일치

ET₀자료의 비교 평가를 위해 수집된 7개의 변수는 Table 1에 요약한 것과 같이 공간적, 시간적 해상도가 다르다. 또한 MODIS 기준증발산 자료는 정현곡선도 법으로 투영되었고, LDAPS는 LCC(Lambert Conformal Conic) 투영법을 사용하며, PKNU-NMSC 자료는 평면 직각 투영법을 사용한다. 본연구에서는 모든 자료들을 500 m(15 arc-second) 격자의 평면직각 경위도 체계로 변환하여 통일하였다. 공간해상도는 이중선형 보간법을 사용하여 조정하였으며, 시간해상도를 일치시키기 위해 3시간 간격의 LDAPS 기상 변수는 일평균과 8일 평균으로 각각 집계하였다.

Table 1. Spatial and temporal resolutions of the data used for the comparison of reference evapotranspiration (ET₀)

(2) FAO56-PM 방정식

기준증발산을 계산의 편의를 위하여 유도된 FAO56-PM 공식(Allen et al., 1998)은 균일한 식물군락에서 발생하는 에너지 교환과 그에 상응하는 증발산을 지배하는 모든 매개변수를 포함한다. 이때, 알베도가 0.23인 지표 면에 물이 충분히 공급되고, 높이가 12 cm인 잔디가 지표면을 모두 덮은 상태에서의 증발산량을 가정하여 기준증발산으로 설정한 것이다.

\(E T_{0}=\frac{0.408 \Delta\left(R_{n}-G\right)+\gamma \frac{900}{T+273.15} \mu^{2}\left(e_{s}-e_{a}\right)}{\Delta+\gamma(1+0.34 u 2)}\)       (1)

여기에서 R_n는 순복사(MJ/m²/d), G는 지열플럭스 (MJ/m²/d), T는 기온(°C), u2는 2차원풍속(m/s)이다. 상수 0.408은 MJ/m²/day에서 mm/day로 단위 변환을 위한 것이고, 상수 900과 0.34는 FAO가 제안한 일일 ET₀ 계산을 위한 경험상수이다. 또한, 포화 수증기압 곡선 기울기 Δ(kPa/°C), 건습계 상수 γ, 포화 수증기압 e_s(kPa), 실제 수증기압e_a(kPa)은 다음과 같이 구할 수 있다.

\(\Delta=\frac{4098\left[0.6108 \exp \left(\frac{17.27 T}{T 237.3}\right)\right]}{(T+237.3)^{2}}\)       (2)

\(e_{s}=0.6108 \exp \left(\frac{17.27 T}{T 237.3}\right)\)       (3)

\(e_{a}=e_{s} \frac{R H}{100}\)        (4)

\(\gamma=0.665 \cdot 10^{-3} P\)       (5)

\(P=101.3\left(\frac{293-0.00065 Z}{293}\right)^{5.26}\)       (6)

여기에서 RH는 상대습도(%), Z는 해발고도(m)이다.

본연구에서는 FAO56-PM 방정식에 격자형 일기상 자료(순복사, 지열플럭스, 기온, 풍속, 포화수증기압, 실제 수증기압)를 투입하여 1일 단위 기준증발산 격자자료를 산출하였다.

(3) 잠열플럭스의 기준증발산 변환

고온 건조한 날씨에는 VPD(vapor pressure deficit)가 커지고 태양복사가 풍부하여 잠열로 이용 가능한 에너지가 증가하므로 다량의 증발산이 발생한다. 잠열플럭스는 아래식에 의해 증발산량으로 환산되는데, λ는 기화 잠열이고, 86400은 일단위 증발산을 위한 상수이다.

\(E T(\mathrm{~mm} / \mathrm{d})=\frac{86400 \mathrm{LE}\left(\mathrm{W} / \mathrm{m}^{2} / d\right)}{\lambda(\mathrm{J} / \mathrm{kg})}\)       (7)

\(\lambda=\left(2.501-0.0236 T_{s}\right) 10^{6}\)       (8)

본연구에서는 LDAPS 지표면온도를 이용하여 잠열플럭스를 기준증발산으로 변환하여 사용하였다.

3. 결과 및 토의

2016~2019년 3~11월에 대하여 MODIS, LDAPS, FAO56-PM, PKNU-NMSC의 4가지 기준증발산 자료를 비교 분석하였다. 이때 1일 단위 비교에는 LDAPS, FAO56-PM, PKNU-NMSC가 사용되었고, 8일 단위 분석에는 LDAPS, FAO56-PM, PKNU-NMSC 및 MODIS가 사용되었다. 기상청 현장관측치는 1시간 단위를 자료를 1일 평균 및 8일 평균으로 계산하여 참값으로 설정하였으며, 이를 참조하여 분석한 정확도 통계량은 MBE(mean bias error), MAE(mean absolute error), RMSE (root mean square error), NRMSE(normalized root mean square error), CC(correlation coefficient) 등으로 집계하였다.

1) 1일 단위 비교

(1) 개관

Table 2는 기간 중 모든 자료에 대한 FAO56-PM, LDAPS, PKNU-NMSC의 정확도 통계량을 보여준다. PKNU-NMSC가 CC=0.965, RMSE=0.565 (mm/d)로 가장 정확도가 높았으며, 그 다음으로 FAO56-PM이 CC= 0.857, RMSE=1.426 (mm/d)의 정확도를 나타냈다. Fig. 2의 산점도를 통해서도 볼 수 있듯이, PKNU-NMSC는 뚜렷하게 1:1 선에 위치하고 있으나, LDAPS와 FAO₅₆- PM은 상당히 과소추정이 된 것을 확인할 수 있다.

Table 2. Accuracy comparison of the daily ET₀data, 2016-2019

Fig. 2. Scatterplots of the FAO56-PM ET₀vs. KMA in situ data(a), LDAPS ET₀vs. KMA in situ data(b) and PKNU- NMSC ET₀vs. KMA in situ data(c) for daily data in the 2016-2019 period. 

(2) 지점별 비교

일일 ET₀ 자료에 대한 보다 자세한 분석을 위하여 관측 지점별 비교를 수행하였다. Table 3은 일일 ET₀ 자료와 기상청 9개 관측소별 정확도를 보여준다. FAO56-PM 은 258번 관측소에서 RMSE=0.852 (mm/d), CC=0.868로 정확도가 가장 높았고, 254번 관측소에서 RMSE=1.598 (mm/d), CC=0.814로 가장 낮았다. LDAPS의 가장 높은 정확도도 258번 관측소에서 RMSE=1.025 (mm/d), CC=0.804로 나타났고, 가장 낮은 정확도 역시 254번 관측소에서 RMSE=1.727(mm/d), CC=0.750으로 나타났다. PKNU-NMSC의 정확도는 177번 지점에서 RMSE= 0.501 (mm/d), CC=0.972로 가장 높았고, 129번 지점에서 RMSE=0.595(mm/d), CC=0.955로 가장 낮았다. 그러나, PKNU-NMSC의 가장 낮은 정확도조차도(129번 지점에서 RMSE=0.595(mm/d), CC=0.955로 가장 낮았다. 그러나, PKNU-NMSC의 가장 낮은 정확도 조차도 (129번 지점) FAO56-PM 및 LDAPS의 가장 높은 정확도보다 (258번 지점) 더 우수하게 산출된 것을 확인할 수 있었다. Fig. 3~5를 통해서 볼 때도, PKNU-NMSC의 경우 관측 지점에 따른 정확도 차이가 거의 없이 안정적인 결과를 나타냈다.

Table 3. Accuracy statistics of the daily ET₀ data for the nine stations in Korea 

Fig. 3. Observed and estimated daily ET₀(FAO56-PM) by station.

Fig. 4. Observed and estimated daily ET₀(LDAPS) by station.

Fig. 5. Observed and estimated daily ET₀(PKNU-NMSC) by station.

(3) 연도 및 월별 비교

시간적 분포에 따른 산출물 간의 비교도 수행하였다. 일일 ET₀ 자료의 연도별 정확도는 Table 4와 같으며, FAO56-PM, LDAPS, PKNU-NMSC 모두 연도에 따른 정확도 차이는 거의 없었으나, 세 자료 모두 2018년이 다른 해보다 근소하게 더 나은 통계량을 보였다. Fig. 6~8의 연도별 산점도에서 보듯이, PKNU-NMSC가 모든 연도에서 1:1 선에 가장 가까운 분포를 보였고, FAO56-PM와 LDAPS는 과소추정 경향이 나타났다.

Table 4. Accuracy statistics of the daily ET₀data according to year

Fig. 6. Observed and estimated daily ET₀(FAO56-PM) by year.

Fig. 7. Observed and estimated daily ET₀(LDAPS) by year.

Fig. 8. Observed and estimated daily ET₀(PKNU-NMSC) by year.

또한 Table 5는 일일 ET₀ 자료의 월별 정확도를 나타낸다. 자료별 오차는 따뜻한 달(4월 ~ 8월)보다 추운 달 (9월 ~ 3월)에 다소 낮았다. 추운 계절에는 토양의 증발 및 식생 증산의 수준이 낮기 때문에 증발산량이 상대적으로 작다. 그에 따라 오차도 작아지므로, 계절에 따른 증발산량 범위의 변동을 설명하기 위해 RMSE를 관측값의 평균으로 나눈 NRMSE를 추가로 제시하였다. RMSE와 달리 NRMSE 값은 각 자료에서 모든 달에 걸쳐 유사하게 나타나 월별 오차분포의 편향은 특별히 없는 것으로 사료되며, PKNU-NMSC는 모든 월에서 가장 높은 정확도를 보였다 (Fig. 9~11).

Table 5. Accuracy statistics of the daily ET₀data according to month

Fig. 9. Observed and estimated daily ET₀(FAO56-PM) by month.

Fig. 10. Observed and estimated daily ET₀(LDAPS) by month.

Fig. 11. Observed and estimated daily ET₀(PKNU-NMSC) by month.

(4) 시계열 비교

시간의 흐름에 따라 9개 관측소에서 일일 ET₀ 자료의 변화가 어떠한지 비교하기 위하여 2019년을 사례로 365 일 자료를 살펴보았다(Fig. 12). 전반적인 패턴은 FAO₅₆- PM, LDAPS, PKNU-NMSC 모두 현장관측치와 유사한 오르내림을 보였으나, FAO56-PM와 LDAPS는 과소추정이 계속되었고, 건조한 계절인 4~5월에는 증발산량이 많아지면서 현장관측치와의 차이가 더욱 커졌다. 이에 반해 PKNU-NMSC는몇개 날짜의 현장관측치 스파이크를 제외하고는 거의 모든 날짜에 대해서 현장관측 치와 매우 유사한 값으로 모의되는 것이 확인되었다.

Fig. 12. Time series of daily ET₀data by station in 2019.

2) 8일 합성 비교

MODIS 기준증발산은 8일합성으로 제공되기 때문에, 비교를 위하여 FAO56-PM, LDAPS, PKNU-NMSC 의 1일 단위 자료를 8일 합성하였고, 현장관측치와 비교한 정확도 통계량은 Table 6 및 Fig. 13과 같다. 시간적 평활화 효과로 인하여 1일 단위자료에 비해 8일 합성자료의 정확도가 전반적으로 향상되었다. PKNU-NMSC가 CC=0.985, RMSE=0.279 (mm/d)로 가장 높은 정확도를 보였고, 그 다음으로 FAO56-PM과 MODIS가 유사한 정확도를 보였는데, 현장 관측자료와의 패턴은 FAO₅₆- PM이 비교적 일치하나(CC=0.867) 과소추정의 경향이 상당하였고(MBE=-0.932), MODIS는 RMSE=1.210 (mm/d)로 FAO56-PM과 비슷하나, 상관계수는 상대적으로 낮게 나타났다(CC=0.787).

Table 6. Accuracy comparison of the 8-day composite ET₀data, 2016-2019

Fig. 13. Scatterplots of the FAO56-PM ET₀vs. KMA in situ data (a), LDAPS ET₀vs. KMA in situ data (b), PKNU-NMSC ET₀vs. KMA in situ data (c) and MODIS ET₀vs. KMA in situ data (d) for 8-day composite in the 2016-2019 period.

일일 자료와 마찬가지로 8일 합성 자료에서도 보다 더 세밀한 평가를 위해 관측소별 비교를 수행하였다. FAO56-PM, LDAPS, MODIS가 관측소별로 정확도의 편차가 큰데 비해, PKNU-NMSC는 모든 지점에서 고르게 높은 정확도를 보였음을 알 수 있다(Table 7).

Table 7. Accuracy statistics of the 8-day composite ET₀data for the nine stations in Korea

또한, 8일 합성 ET₀ 자료에 대한 연도별 및 월별 비교를 수행한 결과, Table 8과 같이 LDAPS에서 약간의 연도별 편향이 발견되었다. 또한 월별로 볼 때, FAO56-PM, LDAPS, MODIS가 모두 추운 계절에 정확도가 떨어지는 특징을 나타냈으나, PKNU-NMSC는 계절에 상관없이 안정적인 산출이 이루어졌음을 알 수 있었다 (Table 9).

Table 8. Accuracy statistics of the 8-day composite ET₀data according to year

Table 9. Accuracy statistics of the 8-day composite ET₀data according to month 

시간의 흐름에 따른 8일 합성 기준증발산량의 변화를 현장관측치와 함께 살펴보았다. 2019년의 시계열 자료에서는(Fig. 14), 기상 상황에 따라 등락이 있었으나 PKNUNMSC가 안정적으로 현장관측치를 잘 재현하고 있는 것을 확인할 수 있고, MODIS는 254, 258지점에서의 과 대추정경향이 상당했던 것으로 보인다.

Fig 14. Time series of 8-day composite ET₀data by station in 2019.

3) 토의

우리나라처럼 지형이 복잡하고 이질적인 요소들로 지표면이 구성되어 있는 경우에는, 농지의 증발산 자료를 사용함에 있어서 지역최적화가 얼마나 이루어졌는지가 매우 중요하다. 지점 관측에 있어 가장 표준적으로 FAO56-PM 방정식의 경우, 과거에는 입력 파라미터가 모두 격자형으로 갖추어지지 않아 공간연속면 자료의 산출에 별로 활용되지 않았으나, 최근 들어 순복사, 지열플럭스, 기온, 풍속, 습도 등의 변수가 격자자료로 제공되어 FAO56-PM 방정식의 공간연속면 확장이 가능해졌다. 본연구에서 LDAPS 기상자료를 이용하여 FAO56-PM 방정식을 공간연속면에 적용한 결과, 전체 적인 패턴은 현장관측치와 비슷하지만 상당한 과소추정의 경향이 있는 것으로 확인되었다. FAO56-PM 방정식은 시간과 장소에 상관없이 적용되므로, 이는 LDAPS 순복사, 지열플럭스, 기온, 풍속, 습도 중에서 FAO56- PM 방정식과 잘 어울리지 않는 변수가 있기 때문으로 사료된다. LDAPS는 지표면의 에너지수지보다는 기상예보의 목적이 강하기 때문에, 기온, 풍속, 습도는 상당히 잘 모의되었을 것으로 추측되나, 순복사와 지열플럭스는 현장관측자료와의 비교를 통해 그 변수 자체의 정확도에 대해 보다 더 검토가 필요할 것으로 보인다. 또한 LDAPS의 잠열 플럭스로부터터 변환한 기준증발산도 과소추정의 경향이 상당히 나타났는데, 영국 기상청의 지표면모델 적용 시에 우리나라에 대한 지역최적화가 충분하지 않았을 가능성 때문으로 추정된다. 또한 MODIS 산출물의 경우, 8일 합성자료이므로 시간적 평활화 효과에 의해 1일 자료에 비해서는 양호한 정확도를 나타내었으며 과소추정의 경향은 크게 보이지 않았으나, RMSE는 FAO56-PM과 비슷한 정도이고 CC는 FAO56-PM보다 좋지 않은 것으로 나타났다. 또한 일부 관측소에서는 지속적인 과대추정의 경향을 보이기도 했다. MODIS의 기준증발산 알고리듬도 미국을 중심으로 실험되었기 때문에, 역시 우리나라에 대한 지역최적화는 이루어지지 않았을 것이다. 이와는 달리, PKNUNMSC는 기계학습을 통해 우리나라 농지에 대한 지역 최적화가 상당히 잘 수행된 것으로 보인다. 향후 타연 구에서 우리나라 농지의 기준증발산 자료를 사용할 때에는 각 산출물에 대한 이같은 특성을 미리 파악하는 것이 필요할 것이므로, 본연구에서 비교평가를 통해 특성 분석을 수행한 것이다.

4. 결론

실제증발산은 농지의 토양과 작물에 의한 물 소비량이며, 이는 바꾸어 말하면 물 필요량이라고 할 수 있기 때문에, 농지의 실제증발산을 정확히 파악하는 것은 매우 중요하다. 실제증발산은 기준증발산에 작물계수를 곱하여 구해지기에, 결국 핵심은 합리적인 기준증발산의 계산이라고 할 수 있다. 지점 단위 관측의 공간적 한계를 극복하고 격자형 기준증발산을 합리적으로 산출하기 위해서 그동안 많은 노력들이 있었고, 현재 복수의 산출물이 제공되고 있다. 그러나 우리나라처럼 지표면의 비균질성이 뚜렷한 경우에는 기준증발산 자료의 지역최적화가 매우 중요하기 때문에, 본연구에서는 우리나라 농지에 대하여 FAO56-PM, LDAPS, MODIS, PKNU-NMSC의 기준증발산 자료를 비교평가 하였다. 기계학습을 통해 우리나라 농지에 대한 지역최적화가 상당히 잘 수행된 PKNU-NMSC 자료의 정확도가 월등히 높게 나타났으며, 시간과 장소에 상관없이 안정적인 산출이 이루어진 것으로 보인다. 또한 FAO56-PM을 우리나라 격자에 적용하거나 LDAPS 및 MODIS 산출물을 우리나라 농지에 활용할 때 필요한, 그 자료들에 내재한 정확도 특성을 제시하였으며, 이는 기준증발산 자료를 사용하는 연구에 있어 중요한 정보가 될 것으로 기대한다.

사사

이 논문은 기상청의 기상·지진See-At기술개발 연구 (KMI2018-05510)의 지원을 받아 수행된 연구임. 또한, 이 논문은 농촌진흥청 공동연구사업(PJ014787042020) 의 지원을 받았으며, 이에 감사드립니다.