위성토양수분과 지점강우량을 이용한 지역 선행습윤조건 분석 Analysis of Regional Antecedent Wetness Conditions Using Remotely Sensed Soil Moisture and Point Scale Rainfall Data원문보기
토양수분의 시공간적 변동성은 유역의 수문학적인 반응과 지표 대기간의 상호작용에서 중요한 관심사로 특히, 강우유출 예측 시 유역의 강우사상에서 사전 토양수분 상태 즉, 선행습윤조건(antecedent wetness conditions, AWC)이 고려되어야 한다. 본 연구에서는 선행습윤조건을 알아보기 위한 지표로 토양 습윤지수(SWI), 5일 선행강우지수($API_5$), 위성토양수분($SM_{rs}$), 5일 지점토양수분($SM_{g5}$)을 선정하여 한반도 4개 지점에 대한 선행수분조건을 파악하였다. 토양수분 자료는 AMSR-E로 관측된 자료를 활용하였으며, 이에 따라 각 지역별로 2011년의 강우사상을 선택하여 Soil Conservation Service-Curve Number (SCS-CN)법과 강우량을 활용하여 직접유출고와 최대잠재보유량을 산정하였다. 이를 토양의 습윤상태를 나타내는 4개 지표와의 관계를 살펴본 결과 최대잠재보유량과 SWI가 평균 -0.73의 높은 상관계수를 보였다. 또한 토양수분의 시간적 변동성을 나타내는 time length를 산정한 결과 지역 별로 상이하게 나타났으며 이는 연구지역 및 토양 특성을 반영한 것으로 판단된다. 추후 관측된 토양수분이 지표의 습윤상태를 예측하는데 정량적인 정보를 제공할 수 있으므로 이에 대한 지속적인 모니터링 및 분석이 필요할 것으로 사료된다.
토양수분의 시공간적 변동성은 유역의 수문학적인 반응과 지표 대기간의 상호작용에서 중요한 관심사로 특히, 강우유출 예측 시 유역의 강우사상에서 사전 토양수분 상태 즉, 선행습윤조건(antecedent wetness conditions, AWC)이 고려되어야 한다. 본 연구에서는 선행습윤조건을 알아보기 위한 지표로 토양 습윤지수(SWI), 5일 선행강우지수($API_5$), 위성토양수분($SM_{rs}$), 5일 지점토양수분($SM_{g5}$)을 선정하여 한반도 4개 지점에 대한 선행수분조건을 파악하였다. 토양수분 자료는 AMSR-E로 관측된 자료를 활용하였으며, 이에 따라 각 지역별로 2011년의 강우사상을 선택하여 Soil Conservation Service-Curve Number (SCS-CN)법과 강우량을 활용하여 직접유출고와 최대잠재보유량을 산정하였다. 이를 토양의 습윤상태를 나타내는 4개 지표와의 관계를 살펴본 결과 최대잠재보유량과 SWI가 평균 -0.73의 높은 상관계수를 보였다. 또한 토양수분의 시간적 변동성을 나타내는 time length를 산정한 결과 지역 별로 상이하게 나타났으며 이는 연구지역 및 토양 특성을 반영한 것으로 판단된다. 추후 관측된 토양수분이 지표의 습윤상태를 예측하는데 정량적인 정보를 제공할 수 있으므로 이에 대한 지속적인 모니터링 및 분석이 필요할 것으로 사료된다.
Soil moisture is one of the most important interests in hydrological response and the interaction between the land surface and atmosphere. Estimation of Antecedent Wetness Conditions (AWC) which is soil moisture condition prior to a rainfall in the basin should be considered for rainfall-runoff pred...
Soil moisture is one of the most important interests in hydrological response and the interaction between the land surface and atmosphere. Estimation of Antecedent Wetness Conditions (AWC) which is soil moisture condition prior to a rainfall in the basin should be considered for rainfall-runoff prediction. In this study, Soil Wetness Index (SWI), Antecedent Precipitation Index ($API_5$), remotely sensed Soil Moisture ($SM_{rs}$), and 5 days ground Soil Moisture ($SM_{g5}$) were selected to estimate the AWC at four study area in the Korean Peninsula. The remotely sensed soil moisture data were taken from the AMSR-E soil moisture archive. The maximum potential retention ($S_{obs}$) was obtained from direct runoff and rainfall using Soil Conservation Service-Curve Number (SCS-CN) method by rainfall data of 2011 for each study area. Results showed the great correlations between the maximum potential retention and SWI with a mean correlation coefficient which is equal to -0.73. The results of time length representing the time scale of soil moisture showed a gap from region to region. It was due to the differences of soil types and the characteristics of study area. Since the remotely sensed soil moisture has been proved as reasonable hydrological variables to predict a wetness in the basin, it should be continuously monitored.
Soil moisture is one of the most important interests in hydrological response and the interaction between the land surface and atmosphere. Estimation of Antecedent Wetness Conditions (AWC) which is soil moisture condition prior to a rainfall in the basin should be considered for rainfall-runoff prediction. In this study, Soil Wetness Index (SWI), Antecedent Precipitation Index ($API_5$), remotely sensed Soil Moisture ($SM_{rs}$), and 5 days ground Soil Moisture ($SM_{g5}$) were selected to estimate the AWC at four study area in the Korean Peninsula. The remotely sensed soil moisture data were taken from the AMSR-E soil moisture archive. The maximum potential retention ($S_{obs}$) was obtained from direct runoff and rainfall using Soil Conservation Service-Curve Number (SCS-CN) method by rainfall data of 2011 for each study area. Results showed the great correlations between the maximum potential retention and SWI with a mean correlation coefficient which is equal to -0.73. The results of time length representing the time scale of soil moisture showed a gap from region to region. It was due to the differences of soil types and the characteristics of study area. Since the remotely sensed soil moisture has been proved as reasonable hydrological variables to predict a wetness in the basin, it should be continuously monitored.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구의 목적은 시공간 분석이 가능한 위성토양수분자료를 이용하여 수문순환 분석을 위한 중요 요소로서의 적용성 및 연구지역의 선행습윤상태를 분석하는 것으로, 이를 위해 AWC 4개 지표를 선정하여 SCS-CN법으로 도출된 최대잠재보유수량과의 상관관계 분석을 통해 AWC를 정량적으로 추정하기 위한 개선방안을 모색하고자 한다.
가설 설정
유역의 수문해석에 있어 강우량에서 침투량과 유효우량을 분리하기 위해 많은 경험식이 제시되고 있으며, 미국 농무성(United States Department of Agriculture, USDA)에서 1954년에 개발된 Soil Conservation Service-Curve Number(SCS-CN)법으로 토양의 종류, 토지이용상태, 식생의 피복상태 및 선행토양함수조건(Antecedent Soil Moisture Conditions, AMC)를 고려하여 유효우량을 산정할 수 있다. SCS-CN법에서는 강우사상이 발생하기 전 해당 유역의 토양수분특성인 선행습윤조건(Antecedent Wetness Conditions, AWC)을 선행강우지수(Antecedent Precipitation Index, API)인 선행 5일 강우로 나타내며, 누적된 강우량에 따라 AMC-I, AMC-II, AMC-III의 3단계로 분류하여 누적된 강우량이 높을수록 유출률이 높은 것으로 가정한다. 이 방법은 농림지, 주거지 등에서 강우 발생 동안 일어나는 표면 유출을 추정하는 데 가장 많이 사용되는 간단하지만 안정된 방법이며 이해와 적용이 쉬워 세계적으로 많이 활용되고 있다(Mishira and Singh, 2003).
제안 방법
본 연구에서는 AWC 지표를 산정하기 위해 지점강우량을 활용하여 5일 선행강우지수(API5)를 계산하였으며, 위성토양수분 데이터를 통하여 위성토양수분(SMrs) 토양습윤지수(SWI), 지점토양수분으로 5일 지점토양수분(SMg5)을 산정하였다. 또한, 실측자료로써 유역의 강우량을 산정하기 위해 국가 수자원관리 종합정보시스템(http://www.
본 연구에서는 원격탐사로 관측된 토양수분 값 및 지점 강우자료를 활용, 연구지역의 지역적 특성을 반영하여 선행습윤상태를 정량적으로 나타낼 수 있는 지표인 API5, SMrs, SMg5, SWI를 산정하였다. 산정된 결과는 관측된 최대잠재보유수량과 비교·분석하였으며 그 결과는 다음과 같다.
연구지역 토지이용상태는 앞에서 언급한 바와 같이 지역별로 크게 차이가 없으므로 지역 별 토양종류가 T에 미치는 영향을 분석하였다. 이를 위하여 토양종류를 파악한 결과 NRCS 수문학적 토양그룹 중 B에 속하는 토양기호 ‘Fba’인 Sandy clay loam이 양평 68%, 청송 75%, 장성 55%, 홍성 47%으로 나타나 전체 토양 중 반 이상을 차지하는 것으로 나타났다.
토양수분의 경우 추운 기간에 토양이 동결되어 부정확한 토양수분 값을 산정하는 경향이 있어 1월, 11월, 12월을 제외하였고, 강우사상별로 필요한 5일 이상의 강우자료가 확보 가능했던 2월부터 9월까지를 연구기간으로 하였다. 연구지역의 SCS-CN법의 유출곡선지수(Curve Number, CN)를 산정하기 위해 환경부의 토지이용도와 농촌진흥청의 정밀토양도를 활용하여 토지이용상태와 NRCS(The Natural Resource Conservation Service) 수문학적 토양그룹, 토성을 조사하였다(Table 2). 여기서 돌, 자갈이 섞인 사질토인 Sandy clay loam이 양평 68%, 청송 75%, 장성 55%, 홍성 47%으로 가장 큰 비율을 차지하는 것으로 나타났으며, 그 외 Sandy loam, Sandy clay, Loamy sand는 1.
토양수분의 경우 추운 기간에 토양이 동결되어 부정확한 토양수분 값을 산정하는 경향이 있어 1월, 11월, 12월을 제외하였고, 강우사상별로 필요한 5일 이상의 강우자료가 확보 가능했던 2월부터 9월까지를 연구기간으로 하였다. 연구지역의 SCS-CN법의 유출곡선지수(Curve Number, CN)를 산정하기 위해 환경부의 토지이용도와 농촌진흥청의 정밀토양도를 활용하여 토지이용상태와 NRCS(The Natural Resource Conservation Service) 수문학적 토양그룹, 토성을 조사하였다(Table 2).
(1999)은 ERS scatterometer로 관측된 토양수분 자료를 이용하여 온난계절대의 우크라이나(연구면적 603,700 km2)에서 깊은 지표의 토양습윤 상태를 추정하였다. 토양층 깊이에 따른 시간적 척도(time length, T)를 고려하여 지표에서 관측된 토양수분이 특정 토양 깊이까지 부합할 수 있는 방법인 Soil Wetness Index(SWI)를 제안하였다. 그 결과 0-20 cm, 0-100 cm의 토양층 깊이에서 최적화된 T가 각각 15일과 20일로 구해진 바 있다.
대상 데이터
AMSR-E는 타 수동 마이크로파 센서에 비해 다양한 주파수와 높은 해상도의 영상을 제공하는 장점이 있어 많은 연구에 활용되었으나, 2011년 10월 4일 센서 고장으로 작동이 멈추었으며, 후속위성이 발사되어 토양수분 관측을 실시하고 있다. AMSR-E 자료는 대한민국표준시(Korea Standard Time, KST) 1:30 pm(Ascending)과 1:30 am(Desending)에 측정하여 United Sates Department of Agriculture(USDA), Vrije Universiteit Amsterdam(VUA), NASA, Japan Aerospace Exploration Agency(JAXA)를 통해 제공하고 있다. AMSR-E를 통해 산정된 토양수분 자료는 6.
양평군 8개 강우관측소(양동, 방일, 양평1, 양평2, 여주, 주암, 검천, 청운), 청송군 7개 강우관측소(부동, 진보2진안리, 현서, 도평, 부남, 청송, 진보2월전리), 장성군 3개 강우관측소(북이, 장성댐, 삼서), 홍성군 4개 강우관측소(홍성, 청양, 예산, 보령)의 지점강우자료로부터 GIS모듈을 이용하여 티센다각형법(Thiessen polygon method)으로 유역평균 강우량(P)을 산정하여 강우사상을 조사하였다. 각 연구지역의 AWC를 보다 정확하게 파악하기 위해 강우사상 하루 또는 이틀 전 무강우에 해당하며, 강우강도가 10 mm/hr보다 큰 경우에 해당하는 강우사상을 선택하였다(Brocca et al., 2009).
)을 산정하였다. 또한, 실측자료로써 유역의 강우량을 산정하기 위해 국가 수자원관리 종합정보시스템(http://www.wamis.go.kr)에서 제공하는 2011년 일평균강우량(mm/day)자료를 이용하였다. 양평군 8개 강우관측소(양동, 방일, 양평1, 양평2, 여주, 주암, 검천, 청운), 청송군 7개 강우관측소(부동, 진보2진안리, 현서, 도평, 부남, 청송, 진보2월전리), 장성군 3개 강우관측소(북이, 장성댐, 삼서), 홍성군 4개 강우관측소(홍성, 청양, 예산, 보령)의 지점강우자료로부터 GIS모듈을 이용하여 티센다각형법(Thiessen polygon method)으로 유역평균 강우량(P)을 산정하여 강우사상을 조사하였다.
현재 농업기상정보시스템(Rural Development Adiministration, RDA)에서는 한반도내 약 120개 지역에 대해 한 시간 간격으로 토양수분 값(%)을 관측, 제공하고 있다. 본 연구에서는 농업기술센터의 지점토양수분 자료를 수집하여 AWC지표 중 5일 지점토양수분(SMg5) 산정에 활용하였다. 토양수분 결측 값이 적고 자료의 분포가 고르며 시가화지역이 6% 미만인 지역인 경기도 양평군, 경상북도 청송군, 전라남도 장성군, 충청남도 홍성군을 연구지역으로 선정하였다(Fig.
, 2003). 본 연구에서는 이 중 VUA에서 제공하는 KST 1:30 pm, C band AMSR-E 토양수분 자료를 사용하였다.
본 연구에서는 농업기술센터의 지점토양수분 자료를 수집하여 AWC지표 중 5일 지점토양수분(SMg5) 산정에 활용하였다. 토양수분 결측 값이 적고 자료의 분포가 고르며 시가화지역이 6% 미만인 지역인 경기도 양평군, 경상북도 청송군, 전라남도 장성군, 충청남도 홍성군을 연구지역으로 선정하였다(Fig. 1). 양평군의 면적은 880 km2으로 산림이 70% 이상 차지하고 있으며, 청송군의 면적은 848 km2으로 역시 산림이 70% 이상이다.
이론/모형
kr)에서 제공하는 2011년 일평균강우량(mm/day)자료를 이용하였다. 양평군 8개 강우관측소(양동, 방일, 양평1, 양평2, 여주, 주암, 검천, 청운), 청송군 7개 강우관측소(부동, 진보2진안리, 현서, 도평, 부남, 청송, 진보2월전리), 장성군 3개 강우관측소(북이, 장성댐, 삼서), 홍성군 4개 강우관측소(홍성, 청양, 예산, 보령)의 지점강우자료로부터 GIS모듈을 이용하여 티센다각형법(Thiessen polygon method)으로 유역평균 강우량(P)을 산정하여 강우사상을 조사하였다. 각 연구지역의 AWC를 보다 정확하게 파악하기 위해 강우사상 하루 또는 이틀 전 무강우에 해당하며, 강우강도가 10 mm/hr보다 큰 경우에 해당하는 강우사상을 선택하였다(Brocca et al.
이로부터 Q를 계산할 수 있으며 P를 구하기 위해 티센다각형법(Thiessen polygon method)을 사용한다.
토양수분 복원 알고리즘은 밝기 온도(Tb)를 식 (1)과 같이 계산하여 마이크로웨이브 전도 알고리즘을 사용한다(Njoku and Li, 1999; Njoku et al., 2003).
AMSR-E의 C-band 마이크로파 센서로 관측된 토양수분은 지표토양수분으로 반영 가능한 깊이가 5 cm 미만이다. 토양수분 함량을 파악하기 위해서는 5 cm 이하보다 더 깊은 깊이의 정보가 필요하기 때문에 이를 추정하기 위해 본 연구에서는 2단 물수지모델(two-layer water balance model)을 적용하였다(Wagner et al., 1999). 지표층(surface layer, θ)과 깊이 ‘L’만큼 떨어진 저수지층(reservoir layer, θsur) 사이에 있는 수분함량을 산정하기 위한 변수인 T는 토양수분의 시간적 변동성을 나타낸다.
성능/효과
81로 나타났고 홍성의 경우 신뢰도 95% 구간에서 유의함을 보였다. AWC 지표 중 SWI가 Sobs와 평균 -0.73의 높은 상관계수를 보여 연구지역의 AWC를 나타낼 수 있는 가장 적절한 지표임을 알 수 있다. 반면 5일 선행강우지수 API5의 경우 Sobs와 양의 상관관계를 보였을 뿐 아니라 유의성이 거의 없는 결과를 보였으며, SMrs, SMg5 지표 역시 거의 0에 가까운 상관계수로 나타났다.
AWC의 지표인 API5, SMrs, SMg5, SWI와 Sobs와의 상관관계를 분석한 결과 음의 상관관계임을 확인하였다(Table 5). Sobs는 유역의 평균토양수분 부족량을 나타내므로 AWC와 Sobs은 음의 상관관계에 있음을 추정할 수 있다(Brocca et al.
3에 나타내었다. SWI와 Sobs가 가장 높은 상관관계를 보이는 T는 각각 양평 15일, 청송 20일, 장성 3일, 홍성은 1일로 나타났다. 이 결과는 Wagner et al.
62%으로 나타났다. 따라서 홍성의 경우 Sandy clay loam, Sandy loam이 총 76%로 배수능이 뛰어난 사질토의 함량이 높아 T=1일로 가장 짧게 나타난 것으로 보인다. 또한 T는 일정시간이 지나면 수렴하는 것을 알 수 있으므로 초기배수상태가 중요할 것으로 판단된다.
9로 높은 상관관계에 있는 것으로 판단하였다. 또한 API와의 상관계수는 -0.34로 낮은 상관관계를 보여 SWI 지표가 상대적으로 다른 지표에 비하여 AWC를 추정하는데 유용함을 제안하였다.
81의 상관계수 값이 산출되었다. 또한 각 지역별로 SWI가 Sobs와 가장 높은 상관관계를 나타내는 T는 양평 15일, 청송 20일, 장성 3일, 홍성 1일이였다. 연구지역별 토양의 종류를 비교한 결과 NRCS 수문학적 토양그룹 중 B에 속하는 돌과 자갈이 섞인 사질토의 함량이 높을수록 T가 짧게 나타났고 높은 상관계수를 가지는 T를 기점으로 수렴하거나 떨어지는 것을 확인할 수 있다.
73의 높은 상관계수를 보여 연구지역의 AWC를 나타낼 수 있는 가장 적절한 지표임을 알 수 있다. 반면 5일 선행강우지수 API5의 경우 Sobs와 양의 상관관계를 보였을 뿐 아니라 유의성이 거의 없는 결과를 보였으며, SMrs, SMg5 지표 역시 거의 0에 가까운 상관계수로 나타났다.
여기서 P와 Q는 산발적인 결과를 보이고 있으며 따라서 서로 다른 AWC에 있음을 알 수 있다. 산출된 P 및 토지이용상태와 NRCS 수문학적 토양그룹으로부터 SCS-CN법을 통하여 각 연구지역의 CN을 계산하였으며, CN 값은 각각 양평 64.15, 청송 62.97, 장성 66.32, 홍성 64로 나타났다. 연구지역들의 시가화 지역이 평균 5% 미만, 초지가 평균 60% 이상으로 비교적 유사한 토지이용상태를 보이고 있어 이러한 특징이 비슷한 CN 값이 산정된 데에 영향을 미친 것으로 보인다.
, 2009). 양평의 경우 SWI가 가장 높은 -0.75의 상관계수 r을 보였으며, SMg5와의 상관계수는 -0.32로 나타났다. 청송 역시 SWI와 Sobs가 -0.
연구지역의 SCS-CN법의 유출곡선지수(Curve Number, CN)를 산정하기 위해 환경부의 토지이용도와 농촌진흥청의 정밀토양도를 활용하여 토지이용상태와 NRCS(The Natural Resource Conservation Service) 수문학적 토양그룹, 토성을 조사하였다(Table 2). 여기서 돌, 자갈이 섞인 사질토인 Sandy clay loam이 양평 68%, 청송 75%, 장성 55%, 홍성 47%으로 가장 큰 비율을 차지하는 것으로 나타났으며, 그 외 Sandy loam, Sandy clay, Loamy sand는 1.5%~20% 사이의 함량을 보였다.
또한 각 지역별로 SWI가 Sobs와 가장 높은 상관관계를 나타내는 T는 양평 15일, 청송 20일, 장성 3일, 홍성 1일이였다. 연구지역별 토양의 종류를 비교한 결과 NRCS 수문학적 토양그룹 중 B에 속하는 돌과 자갈이 섞인 사질토의 함량이 높을수록 T가 짧게 나타났고 높은 상관계수를 가지는 T를 기점으로 수렴하거나 떨어지는 것을 확인할 수 있다. 따라서 최적의 SWI를 산정하기 위해서는 연구지역의 지형 특성 분석과 지속적인 토양수분 관측이 필요하다고 판단된다.
우리나라에서는 AWC를 추정하기 위해 주로 선행강우량이 고려되고 있으나 본 연구 결과를 통해 미국, 유럽등지에서 활용되고 있는 다양한 AWC 지표들이 국내에서도 활용될 수 있는 가능성을 확인하였다. 특히 강우나 토양수분의 지점자료를 얻기 어려운 지역에서 원격탐사 토양수분 관측 값을 이용하여 현장측정의 한계점을 개선하고, 유용한 수문 정보를 얻을 수 있을 것으로 판단된다.
유역의 평균토양수분 부족량을 나타내는 Sobs와 AWC는 음의 상관관계를 가지는데, 이 중 가장 높은 상관관계를 가지는 지표는 SWI로 나타났으며 연구지역 별로 각각 양평 -0.75, 청송 -0.74, 장성 –0.61, 홍성 -0.81의 상관계수 값이 산출되었다.
이를 위하여 토양종류를 파악한 결과 NRCS 수문학적 토양그룹 중 B에 속하는 토양기호 ‘Fba’인 Sandy clay loam이 양평 68%, 청송 75%, 장성 55%, 홍성 47%으로 나타나 전체 토양 중 반 이상을 차지하는 것으로 나타났다.
74로 높은 상관계수를 보였으며 신뢰도 95%에서 통계적으로 유의한 결과를 보였다. 장성과 홍성 역시 SWI와 Sobs과의 상관계수가 각각 -0.61, -0.81로 나타났고 홍성의 경우 신뢰도 95% 구간에서 유의함을 보였다. AWC 지표 중 SWI가 Sobs와 평균 -0.
32로 나타났다. 청송 역시 SWI와 Sobs가 -0.74로 높은 상관계수를 보였으며 신뢰도 95%에서 통계적으로 유의한 결과를 보였다. 장성과 홍성 역시 SWI와 Sobs과의 상관계수가 각각 -0.
후속연구
특히 강우나 토양수분의 지점자료를 얻기 어려운 지역에서 원격탐사 토양수분 관측 값을 이용하여 현장측정의 한계점을 개선하고, 유용한 수문 정보를 얻을 수 있을 것으로 판단된다. 또한 이를 통하여 유역의 수문순환 분석 시 필요한 토양수분상태에 대한 정량적인 지표와 정보를 제공함으로서 예측의 불확실성 개선에 기여할 수 있을 것으로 기대된다. 추후 AMSR-E 토양수분 관측 값 외 다른 위성자료를 추가하고 연구 지역 및 기간을 확대하여 한반도 전 지역에 대한 보다 신뢰도 높은 연구를 수행할 계획이다.
또한 T는 일정시간이 지나면 수렴하는 것을 알 수 있으므로 초기배수상태가 중요할 것으로 판단된다. 위 결과를 바탕으로 연구지역별로 최적의 SWI를 산정하기 위해서 유역의 토양종류, 배수정도가 AWC와 상당한 관계가 있음을 파악할 수 있으며 이를 파악하기 위해 지속적인 토양수분 관측이 필요할 것으로 보인다.
또한 이를 통하여 유역의 수문순환 분석 시 필요한 토양수분상태에 대한 정량적인 지표와 정보를 제공함으로서 예측의 불확실성 개선에 기여할 수 있을 것으로 기대된다. 추후 AMSR-E 토양수분 관측 값 외 다른 위성자료를 추가하고 연구 지역 및 기간을 확대하여 한반도 전 지역에 대한 보다 신뢰도 높은 연구를 수행할 계획이다.
우리나라에서는 AWC를 추정하기 위해 주로 선행강우량이 고려되고 있으나 본 연구 결과를 통해 미국, 유럽등지에서 활용되고 있는 다양한 AWC 지표들이 국내에서도 활용될 수 있는 가능성을 확인하였다. 특히 강우나 토양수분의 지점자료를 얻기 어려운 지역에서 원격탐사 토양수분 관측 값을 이용하여 현장측정의 한계점을 개선하고, 유용한 수문 정보를 얻을 수 있을 것으로 판단된다. 또한 이를 통하여 유역의 수문순환 분석 시 필요한 토양수분상태에 대한 정량적인 지표와 정보를 제공함으로서 예측의 불확실성 개선에 기여할 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
강우-유출모형 불확실성의 원인으로 무엇을 들 수 있는가?
강우-유출모형 불확실성의 원인은 강우자료 입력, 매개변수추정 방법, 모형의 수학적 특성, 토양의 수분특성, 토양의 종류 등 여러 요소들의 불확실성을 들 수 있다. 또한 유역의 습윤상태 또는 함수상태에 따라 유출량이 영향을 받기 때문에 강우의 유출현황을 파악하기 위해서 유역의 선행습윤상태를 살펴보는 것이 중요하다.
강우유출 예측 시 무엇이 고려되어야 하는가?
토양수분의 시공간적 변동성은 유역의 수문학적인 반응과 지표 대기간의 상호작용에서 중요한 관심사로 특히, 강우유출 예측 시 유역의 강우사상에서 사전 토양수분 상태 즉, 선행습윤조건(antecedent wetness conditions, AWC)이 고려되어야 한다. 본 연구에서는 선행습윤조건을 알아보기 위한 지표로 토양 습윤지수(SWI), 5일 선행강우지수($API_5$), 위성토양수분($SM_{rs}$), 5일 지점토양수분($SM_{g5}$)을 선정하여 한반도 4개 지점에 대한 선행수분조건을 파악하였다.
강우가 내리기 전 유역의 습윤조건을 유출분석 시 필수적으로 고려해야 하는 이유는?
강우-유출모형 불확실성의 원인은 강우자료 입력, 매개변수추정 방법, 모형의 수학적 특성, 토양의 수분특성, 토양의 종류 등 여러 요소들의 불확실성을 들 수 있다. 또한 유역의 습윤상태 또는 함수상태에 따라 유출량이 영향을 받기 때문에 강우의 유출현황을 파악하기 위해서 유역의 선행습윤상태를 살펴보는 것이 중요하다. 따라서 강우가 내리기 전 유역의 습윤조건은 유출분석 시에 필수적으로 고려되어야 하는 사항이다(Aronica and Candela, 2004; Brocca et al.
참고문헌 (26)
Aronica, G. and A. Candela, 2004. A regional methodology for deriving flood frequency curves (FFC) in catchments with uncertain knowledge of soil moisture conditions, Proc. of 2004 International Environmental Modelling and Software Society, Osnabruck, Germany, June. 14-17, pp. 1147-1183.
Brocca, L., F. Melone, and T. Moramarco, 2008. On the estimation of antecedent wetness conditions in rainfall-runoff modelling, Hydrological Processes, 22(5): 629-642.
Brocca, L., F. Melone, T. Moramarco, and R. Morbidelli, 2009. Antecedent wetness conditions based on ERS scatterometer data, Journal of Hydrology, 364(1-2): 73-87.
Brocca, L., F. Melone, T. Moramarco, W. Wagner, and S. Hasenauer, 2010. ASCAT Soil Wetness Index validation through in-situ and modeled soil moisture data in Central Italy, Remote Sensing of Environment, 114(11): 2745-2755.
Cho, E. and M. Choi, 2014. Regional scale spatiotemporal variability of soil moisture and its relationship with meteorological factors over the Korean peninsula, Journal of Hydrology, 516(4): 317-329.
Choi, M., J.M. Jacos, and W.P. Kustas, 2008. Assessment of clear and cloudy sky parameterizations for daily downwelling longwave radiation over different land surfaces in Florida, USA, Geophysical Research Letter, 35: L20402, DOI: 10.1029/2008GL035731.
Choi, M., W.P. Kustas, M.C. Anderson, R.G. Allen, F. Li, and J.H. Kjaersgaard, 2009. An intercomparison of three remote sensing-based surface energy balance algorithms over a corn and soybean production region (IOWA, U.S.) during SMACEX, Agricultural and Forest Meteorology, 149(12): 2082-2097.
Choi, M. and Y. Hur, 2012. A microwave-optical/infrared disaggregation for improving spatial representation of soil moisture using AMSR-E and MODIS products, Remote Sensing of Environment, 214: 259-269.
Comiso, J., D. Cavalieri, and T. Markus. 2003. Sea ice concentration, ice temperature, and snow depth using AMSR-E data. IEEE Transactions on Geoscience and Remote Sensing, 41(2): 243-252.
Crow, W.T., R. Bindlish, and T.J. Jackson, 2005. The added value of spaceborne passive microwave soil moisture retrieval for forecasting rainfallrunoff partitioning, Geophysical Research Letters, 32: L18401.
Hur, Y., M. Choi, H. Kim, S. Kim, and J. Ahn, 2011. Analysis of soil moisture response due to Ecohydrological change, Journal of Wetlands Research, 13(2): 171-179 (in Korean with English abstract).
Kim, G., J. Kim, and H. Park, 2009. Soil moisture estimation using climate data and satellite data, Proc. of 2009 Journal of the Korean Society Civil Engineers Symposium, Hoengseong-gun, Gangwon-do, Oct. 22-23, pp. 3439-3442.
Komma, J., G. Bloschl, and C. Reszler, 2008. Soil moisture updating by ensemble Kalman filtering in real-time flood forecasting, Journal of Hydrology, 357(3-4): 228-242.
Kostka, Z. and L. Holko, 2003. Analysis of rainfallrunoff events in a mountain catchment, Interdisciplinary Approaches in Small Catchment Hydrology: Monitoring and Research, 67: 19-25.
Matgen, P., F. Fenicial, S. Heitz, D. Plaza, R. de Keyser, V.R.N. Pauwels, W. Wagner, and H. Savenije, 2012. Can ASCAT-derived soil wetness indices reduce predictive uncertainty in well-gauged areas? A comparison with in situ observed soil moisture in an assimilation application, Advances in Water Resources, 44: 49-65.
Mishra, S.K. and V.P. Singh, 2003. Soil Conservation Service Curve Number (SCS-CN) Methodology, Kluwer Academic Publishers, Dordrecht, Netherlands.
Njoku, E. and L. Li, 1999. Retrieval of land surface parameters using passive microwave measurements at 6-18 GHz, IEEE Transactions on Geoscience and Remote Sensing. 37(1): 79-93.
Njoku, E.G., T.J. Jackson, V. Lakshmi, T.K. Chan, and S.V. Nghiem, 2003. Soil Moisture Retrieval From AMSR-E, IEEE Transactions on Geoscience and Remote Sensing, 41(2): 215-229.
Scipal, K., W. Wagner, M. Trommler, and K. Naumann, 2002. The global soil moisture archive 1992-2000 from ERS scatterometer data: First results, Proc. of 2002 IGeoscience and Remote Sensing Symposium, Toronto, Canada, June, 24-28, vol. 3, pp. 1399-1401.
Vischel, T., G. Pegram, S. Sinclari, W. Wagner, and A. Bartsch, 2008. Comparison of soil moisture fields estimated by catchment modelling and remote sensing: a case study in South Africa, Hydrology and Earth System Sciences, 12(3): 2273-2306.
Wagner, W., G. Lemoine, and H. Rott, 1999. A method for estimating soil moisture from ERS scatterometer and soil data, Remote Sensing of Environment, 70(2): 191-207.
Wagner, W., V. Naeimi, K. Scipa, R. Jeu, and J. Marinez-Fernandez, 2007. Soil moisture from operational meteorological satellites, Hydrogeology Journal, 15(1): 121-131.
Wagner, W., S. Hahn, R. Kidd, M. Melzer, Z. Bartalis, S. Hasenauer, J. Figa-Saldan, P. Rosnay, A. Jann, S. Schneider, J. Komma, G. Kubu, K. Brugger, C. Aubrecht, J. Zuger, U. Gangkofner, S. Kienberger, L. Brocca1, Y. Wang, G. Bloschl, J. Eitzinger, K. Steinnocher, P. Zeil, and F. Rubel, 2013. The ASCAT soil moisture product: a review of its specifications, validation results, and emerging applications, Meteorologische Zeitschrift, 22(1): 5-33.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.