There are 34 mega-cities with a population of more than 10 million in the world. One of the highly populated cities in the world is Seoul in South Korea. Seoul receives $1,140million\;m^3/year$ for domestic water, $2million\;m^3/year$ for agricultural water and $6million\;...
There are 34 mega-cities with a population of more than 10 million in the world. One of the highly populated cities in the world is Seoul in South Korea. Seoul receives $1,140million\;m^3/year$ for domestic water, $2million\;m^3/year$ for agricultural water and $6million\;m^3/year$ for industrial water from multi-purpose dams. The maintenance water used for water conservation, ecosystem protection and landscape preservation is $158million\;m^3/year$, which is supplied from natural precipitation. Recently, the use of the other water for preservation of water quality and ecosystem protection in urban areas is increasing. The objectives of this study is to develop the seasonal forecast method of environmental water in urban areas (Seoul, Daejeon, Gwangju, Busan) and to evaluate its predictability. In order to estimate the seasonal outlook information of environmental water from Land Surface Model (LSM), we used the observation weather data of Automated Synoptic Observing System (ASOS) sites, forecast and hind cast data of GloSea5. In the past 30 years (1985 ~ 2014), precipitation, natural runoff and Urban Environmental Water Index (UEI) were analyzed in the 4 urban areas. We calculated the seasonal outlook values of the UEI based on GloSea5 for 2015 year and compared it to UEI based on observed data. The seasonal outlook of UEI in urban areas presented high predictability in the spring, autumn and winter. Studies have depicted that the proposed UEI will be useful for evaluating urban environmental water and the predictability of UEI using GloSea5 forecast data is likely to be high in the order of autumn, winter, spring and summer.
There are 34 mega-cities with a population of more than 10 million in the world. One of the highly populated cities in the world is Seoul in South Korea. Seoul receives $1,140million\;m^3/year$ for domestic water, $2million\;m^3/year$ for agricultural water and $6million\;m^3/year$ for industrial water from multi-purpose dams. The maintenance water used for water conservation, ecosystem protection and landscape preservation is $158million\;m^3/year$, which is supplied from natural precipitation. Recently, the use of the other water for preservation of water quality and ecosystem protection in urban areas is increasing. The objectives of this study is to develop the seasonal forecast method of environmental water in urban areas (Seoul, Daejeon, Gwangju, Busan) and to evaluate its predictability. In order to estimate the seasonal outlook information of environmental water from Land Surface Model (LSM), we used the observation weather data of Automated Synoptic Observing System (ASOS) sites, forecast and hind cast data of GloSea5. In the past 30 years (1985 ~ 2014), precipitation, natural runoff and Urban Environmental Water Index (UEI) were analyzed in the 4 urban areas. We calculated the seasonal outlook values of the UEI based on GloSea5 for 2015 year and compared it to UEI based on observed data. The seasonal outlook of UEI in urban areas presented high predictability in the spring, autumn and winter. Studies have depicted that the proposed UEI will be useful for evaluating urban environmental water and the predictability of UEI using GloSea5 forecast data is likely to be high in the order of autumn, winter, spring and summer.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
현재까지 기상-수문 연계해석을 통한 도시지역의 도시환 경용수를 전망하고 예측성을 평가한 연구사례는 전무하다. 본 연구에서는 도시지역에 대한 도시환경용수의 개념을 정립하고, 산정 기법을 개발 및 평가하였다는 측면에서 연구의 가치가 있다고 판단된다. 도시환경용수 계절전망정보는 서로 다른 특성을 갖는 도시지역의 효율적인 용수관리와 우수침투시설, 우수저류시설 등 저장시설을 관리하는데 기초정보로 활용될 수 있다.
본 연구에서는 도시지역에 대한 도시환경용수의 계절전망 기법을 제안하고, 예측성을 평가하였다. 계절별 도시환 경용수를 전망하기 위해 GloSea5로부터 전망된 일단위 기상정보들 중 강수, 최고 및 최저기온, 평균풍속자료를 수집 하였으며, 이를 VIC 모델의 입력자료로 활용하여 서울, 대전, 광주, 부산 지역에 대한 자연유량 전망정보를 생산하였다.
또한 여러 수문모델을 활용하여 과거 관측자료를 기반으로 평가해 왔지만 월 또는 계절 등 미래 환경용수를 예측한 연구는 전무한 실정이다. 본 연구에서는 도시지역에서 발생하는 도시 환경용수 산정 방법을 제안하고, 기상예측자료를 활용한 도시환경용수의 계절전망 예측성을 평가하고자 한다. 이를 위해 도시환경용수지표를 제안하였으며, 도시환경용수지표의 계절별 예측성 평가를 위해 관측자료에 의한 도시환경용수 지표와 비교하였다.
본 연구에서는 도시환경용수 산정에 앞서 우리나라 전역 을 대상으로 VIC 모델을 구축하였다. VIC 모델의 공간해 상도는 1/8°이며, 토지피복, 토양정보 및 기상자료를 공간 해상도에 맞게 구축하였다.
제안 방법
1) 과거 30년(1985 ~ 2014년) 동안의 강수량, 자연유량 및 UEI obs 를 Box-Whisker 그래프를 통해 분석하였다. 4개 도시 지역에 여름 강수량의 최소 및 최대값은 264.
2) 2015년 관측자료를 이용하여 4개 지역에 대한 강수량, 자연유량 및 UEI obs 를 산정하였다. 4개 지역의 여름 강수량은 평년 대비 46.
3) GloSea5의 기상예보자료를 이용하여 4개 지역에 대한 UEI pdt 의 계절전망 정보를 산정하였다. 봄 전망 UEI pdt 는 서울 0.
GloSea5의 기상예보자료를 이용하여 4개 지역에 대한 UEI pdt 의 계절전망 정보를 산정하였다. Fig.
UEI pdt 의 계절전망 예측성을 평가하기 위해 2015년 관측 자료를 이용하여 4개 지역에 대한 강수량, 자연유량 및 UEIobs 를 산정하였다(Fig. 6). Table 3은 계절별 강수량, 자연유량 및 UEI obs 이며, 괄호의 값은 평년(1985 ~ 2014년) 대비 2015년 강수량, 자연유량 및 UEI obs 의 비율을 의미한다.
VIC 모델의 공간해 상도는 1/8°이며, 토지피복, 토양정보 및 기상자료를 공간 해상도에 맞게 구축하였다.
이를 지면모델의 입력자료로 활용하여 도시지역에 대한 유량 전망정보 (Predicted Runoff, R pdt )을 생산한다. 강수 및 유량 전망정보부터 도시환경용수(Urban Environmental Water, UEW)를 산정한 후 도시환경용수지표(Urban Environmental water Index, UEI)를 산정한다. 관측자료로부터 산정된 UEI obs 와 비교를 통해 UEI pdt 의 예측성을 평가한다.
계절별 도시환 경용수를 전망하기 위해 GloSea5로부터 전망된 일단위 기상정보들 중 강수, 최고 및 최저기온, 평균풍속자료를 수집 하였으며, 이를 VIC 모델의 입력자료로 활용하여 서울, 대전, 광주, 부산 지역에 대한 자연유량 전망정보를 생산하였다. 강수 및 자연유량 전망정보부터 도시환경용수를 산정한 후 UEI pdt 를 산정하였다. 관측자료로부터 산정된 계절별 UEI obs 와 비교를 통해 UEI pdt 의 예측성을 평가하였다.
본 연구에서는 도시지역에 대한 도시환경용수의 계절전망 기법을 제안하고, 예측성을 평가하였다. 계절별 도시환 경용수를 전망하기 위해 GloSea5로부터 전망된 일단위 기상정보들 중 강수, 최고 및 최저기온, 평균풍속자료를 수집 하였으며, 이를 VIC 모델의 입력자료로 활용하여 서울, 대전, 광주, 부산 지역에 대한 자연유량 전망정보를 생산하였다. 강수 및 자연유량 전망정보부터 도시환경용수를 산정한 후 UEI pdt 를 산정하였다.
계측지역을 대상으로 모델의 매개변수를검·보정하였으며, 미계측지역으로 매개변수를 전이하여 활용하였다.
강수 및 유량 전망정보부터 도시환경용수(Urban Environmental Water, UEW)를 산정한 후 도시환경용수지표(Urban Environmental water Index, UEI)를 산정한다. 관측자료로부터 산정된 UEI obs 와 비교를 통해 UEI pdt 의 예측성을 평가한다.
강수 및 자연유량 전망정보부터 도시환경용수를 산정한 후 UEI pdt 를 산정하였다. 관측자료로부터 산정된 계절별 UEI obs 와 비교를 통해 UEI pdt 의 예측성을 평가하였다. 본 연구의 주요 결과를 요약하면 다음과 같다.
기상예측자료는 0.83°(약 85 km) × 0.56°(약 55 km) 의 해상도를 갖는 GloSea5 격자자료를 이용하였으며, 이중 선형보간(bilinear interpolation) 기법을 통해 VIC 모델의 해상도에 맞게 공간상세화를 수행하였다(So et al., 2017; Son et al., 2015).
본 연구에서는 국립지리정보원의 수치지형도를 이용하여 구축된 해상도 100 × 100m DEM을 가공하여 활용하였다.
서로 다른 위·경도에 위치한 4개 도시 지역에 대한 과거 도시환경용수를 분석하고, 계절전망정보의 예측성을 평가하였다
이 모델은 크게 차단층(capnopy)과 3개의 토양층(soil layer)으로 구분되며, 한 격자내에서도 다양한 지형조건과 토양의 물리적 특성을 고려한 수문해석을 수행한다. 차단층에서는 동일 피복종류별 면적비를 고려하여 각 피복특성이 반영된 차단 및 증발을 모의하며, 보통 식생지대 및 나대지로 구분된다.
본 연구에서는 도시지역에서 발생하는 도시 환경용수 산정 방법을 제안하고, 기상예측자료를 활용한 도시환경용수의 계절전망 예측성을 평가하고자 한다. 이를 위해 도시환경용수지표를 제안하였으며, 도시환경용수지표의 계절별 예측성 평가를 위해 관측자료에 의한 도시환경용수 지표와 비교하였다.
계절별 도시환경용수를 전망하기 위해 GloSea5로부터 전망된 일단위 기상정보들 중 강수, 최고 및 최저기온, 평균풍속자료를 수집한다. 이를 지면모델의 입력자료로 활용하여 도시지역에 대한 유량 전망정보 (Predicted Runoff, R pdt )을 생산한다. 강수 및 유량 전망정보부터 도시환경용수(Urban Environmental Water, UEW)를 산정한 후 도시환경용수지표(Urban Environmental water Index, UEI)를 산정한다.
대상 데이터
4개 도시지역에 대한 기상관측자료(강수, 최고·최저기온, 평균풍속)는 기상청 관활 ASOS (Automated Synoptic Observing System) 지점자료를 이용하였으며, 자료기간은 1981 ~ 2016 년이다.
VIC 모델의 공간해 상도는 1/8°이며, 토지피복, 토양정보 및 기상자료를 공간 해상도에 맞게 구축하였다. VIC 모델의 매개변수를 추정하기 위해 장기간의 관측유량자료를 보유한 계측지역(댐 유역)을 선정하였다. 계측지역을 대상으로 모델의 매개변수를검·보정하였으며, 미계측지역으로 매개변수를 전이하여 활용하였다.
1과 같다. 계절별 도시환경용수를 전망하기 위해 GloSea5로부터 전망된 일단위 기상정보들 중 강수, 최고 및 최저기온, 평균풍속자료를 수집한다. 이를 지면모델의 입력자료로 활용하여 도시지역에 대한 유량 전망정보 (Predicted Runoff, R pdt )을 생산한다.
피복분류는 도심지, 나대지, 초지, 논, 습지, 밭, 산림, 수역의 8가지 형태로 구성되어 있으며 대상지역의 토지피복 특성을 반영한다. 또한 토양도는 농업과학기술원에서 제공하는 정밀토양도(1:25000)를 활용하였다. 정밀토양도는 우리나라 전역에 구축되어 있는 가장 상세한 토양지도로 약 1,300개의 세부 토양통으로 분류된다.
본 연구에서는 도시환경용수의 계절전망을 위해 인구수 백만 이상, 면적 500 km2 이상인 서울, 대전, 광주, 부산 지역을 선정하였다. 서울의 면적 및 인구수는 605.
, 2009). 자료생산 기간은 1996년부터 2009년(총 14년)이며, 각 앙상블 멤버당 7개월간 모델적분이 진행된다. 미래예측자료(Forecast, FCST)는 HCST와 동일한 방식으로 매일 적분이 진행되며 매 초기장 마다 2개의 앙상블 멤버가 생산된다.
본 연구에서는 국립지리정보원의 수치지형도를 이용하여 구축된 해상도 100 × 100m DEM을 가공하여 활용하였다. 토지피복도는 국가수자원관리종합정보시스템(WAMIS) 에서 제공하는 자료를 이용하였다. 피복분류는 도심지, 나대지, 초지, 논, 습지, 밭, 산림, 수역의 8가지 형태로 구성되어 있으며 대상지역의 토지피복 특성을 반영한다.
이론/모형
본 연구에서는 도시지역에서의 자연유량을 산정하기 위해 VIC (Variable Infiltration Capacity) 모델을 선정하였다. VIC 모델은 1994년 미국 University of Washington의 Dennis Lettenmaier 박사 연구팀에 의해 개발되었으며, 대기와 식생 그리고 토양의 상호작용 등의 수문과정을 기반 으로 water 및 energy flux를 모의하는 분포형 모델이다(Liang et al.
기상청은 2010년 6월 영국 기상청과 계절예측시스템의 공동구축 및 운영에 관한 협정을 체결하였으며, 현업 예보를 위해 기후예측 모델인 GloSea5를 도입하여 현재 운영 중에 있다. 이 모델은 영국 기상청의 최신 계절예측시스템에 사용되고 있으며, 기후모델인 HadGEM3 (Hadley Centre Global Environment Model version 3)을 기반으로 구축되었다. HadGEM3는 대기, 해양, 해빙 및 지표모델들이 하나로 합쳐진 전지구결합모델(Coupled General Circulation Model, CGCM)로써 대기모델은 UM (Unified Model), 지표모델은 MOSES (Met Office Surface Exchange Scheme)가결합되어 있다(Essery et al.
, 2003). 해양과 해빙모델은 각각 NEMO (Nucleus for European Modelling of the Ocean), CICE (Los Alamos sea ice model)모델을 사용한다(Madec, 2008; Hunke and Lipscomb, 2008). 각 모델들은 대기-해양 플럭스 교환을 위해 Valcke (2011)이 개발한 OASIS 커플러에 의해 결합되어 있다.
성능/효과
40으로 나타났다. 4 개 지역에 대한 UEI pdt 의 계절전망은 봄, 가을, 겨울에 예측성이 높은 것으로 나타났으며, 도시환경용수를 예측하는데 활용성이 있는 것으로 판단된다.
02로 나타났다. 4개 지역 모두 UEI obs 와 유사하게 나타나 가을 UEI pdt 의 예측성은 높은 것으로 확인되었다. 겨울 전망 UEI pdt 는 서울 0.
06으로 나타났다. 4개 지역에 대한 UEI pdt 의 계절전망은 봄, 가을, 겨울에 예측성이 높은 것으로 나타났으며, 도시지역의 도시환경용수를 예측하는데 활용성이 있는 것으로 판단된다.
9mm로 나타났다. 4개 지역에 대한 계절별 자연유량은 강수량이 클수록 크게 산정되었으며, 지역별로 편차가 있는 것으로 확인되었다. UEI는 봄 0.
44로 나타났다. 4개 지역의 UEI는 봄에 가장 컸으며, 가을 및 겨울에 작게 나타났다. 특히 서울은 여름, 가을 및 겨울 UEI가 3개 지역보다 작게 나타나 강수량 대비 도시환경용수가 부족한 것으로 확인되었다.
를 산정하였다. 4개 지역의 여름 강수량은 평년 대비 46.2 ~ 57.1 % 수준으로 나타났으며, 서울의 강수량은 4계절 모두 평년값 보다 작은 것으로 나타났다. 여름 자연유량은 여름 강수량 부족으로 평년 대비 23.
5mm로 나타났다. 4개 지역의 여름 강수량은 평년 대비 46.2 ~ 57.1 % 수준으로 나타났으며, 특히 서울의 강수량은 4계절 모두 평년값 보다 작은 것으로 나타났다. 자연유량은 봄 57.
검·보정기간에 대한 통계분석을 수행한 결과, 상관계수는 0.85 이상, 평균제곱근오차는 3.9 mm/day 이하, 모형효율성계수는 0.71 이상, 유출용적오차는 4.77% 이하로 나타나 모델의 적용성이 높음을 확인하였다(Son et al, 2015).
여름 및 가을 UEI obs 는 4개 지역 모두 평년값보다 높게 나타나, 강수량 대비 도시환경용수가 비교적 많은 것으로 나타났다. 겨울 UEI obs 는 -0.08 ~ 0.46으로 서울, 대전, 광주는 평년값보다 작게 산정되었으며, 특히 서울은 -0.08로 강수량 대비 도시환경용수가 부족한 것으로 나타났다.
2 mm로 가장 작았다. 계절별 UEI obs 는 가을 및 겨울에 값의 차이가 가장 컸으며, 여름에 가장 작은 것으로 나타났다. 따라서 가을 및 겨울 도시환경용수 관리가 중요할 것으로 판단된다.
여름 자연유량의 편차는 부산이 가장 컸으며, 겨울은광주가 가장 작은 것으로 확인되었다. 계절별 UEI의 경우 4개 지역 모두 Box-Whisker의 최대값과 최소값, 상위 25%, 75% 값이 가을 및 겨울에 컸으며, 여름에 가장 작은 것으로 나타났다. 이는 여름철 강수량 영향으로 강수량 대비 도시환경용수가 많음을, 가을 및 겨울에는 도시환경용수가 적음을 의미한다.
Table 2는 서울, 대전, 광주, 부산 지역에 대한 과거 30년(1985 ~ 2014년) 동안의 강수량, 자연유량 및 UEI의 통계 치를 정리한 것이다. 계절별 평균 강수량은 4개 지역 모두여름이 가장 크고, 겨울이 가장 작은 것으로 나타났다. 4개지역의 강수량은 봄 191.
52로 나타났다. 여름 및 가을 UEI obs 는 4개 지역 모두 평년값보다 높게 나타나, 강수량 대비 도시환경용수가 비교적 많은 것으로 나타났다. 겨울 UEI obs 는 -0.
52로 나타났다. 여름 및 가을 UEI obs 는 4개 지역 모두 평년값보다 높게 나타나, 강수량 대비 도시환경용수가 비교적 많은 것으로 나타났다. 겨울 UEI obs 는 -0.
부산을 제외한 나머지 지역의 UEI pdt 는 과소 추정되었으나 UEI obs 값과의 차이가 작은 것으로 확인 되었다. 여름 전망 UEI pdt 는 서울 0.41, 대전 0.53, 광주 0.56, 부산 0.54로 UEI obs 보다 과소 산정되었으며, 값의 차이는 0.05 ~ 0.16로 나타났다. 여름 UEI pdt 가 과소 산정된 주요 원인은 2015년 여름 강수에 대한 GloSea5의 예측성이 상대적을 낮았기 때문인 것으로 판단된다.
4개 지역의 UEI는 봄에 가장 컸으며, 가을 및 겨울에 작게 나타났다. 특히 서울은 여름, 가을 및 겨울 UEI가 3개 지역보다 작게 나타나 강수량 대비 도시환경용수가 부족한 것으로 확인되었다.
후속연구
도시환경용수 계절전망정보는 서로 다른 특성을 갖는 도시지역의 효율적인 용수관리와 우수침투시설, 우수저류시설 등 저장시설을 관리하는데 기초정보로 활용될 수 있다. 다만 도시환경용수의 활용성 평가가 2015년에 국한되어 있어 향후 지속적인 평가가 수행 되어야 할 것이다.
본 연구에서는 도시지역에 대한 도시환경용수의 개념을 정립하고, 산정 기법을 개발 및 평가하였다는 측면에서 연구의 가치가 있다고 판단된다. 도시환경용수 계절전망정보는 서로 다른 특성을 갖는 도시지역의 효율적인 용수관리와 우수침투시설, 우수저류시설 등 저장시설을 관리하는데 기초정보로 활용될 수 있다. 다만 도시환경용수의 활용성 평가가 2015년에 국한되어 있어 향후 지속적인 평가가 수행 되어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
브리즈번 선언에서 환경유량을 무엇으로 정의했나?
, 2003; Tharme, 2003). 특히 브리즈번 선언(Brisbane Declaration, 2007)에서는 환경유량을 담수·하구의 생태계 및 이들 생태계에 의존하는 인간의 삶과 안녕을 유지하기 위해 필요한물 흐름의 수량(quantity), 시기(timing) 및 수질(quality)로 정의한바 있으며, 여러 문헌에서 가장 많이 인용되고 있다.
생태 유량이란?
국내 수자원분야에서는 하천법 ‘하천유지유량’의 개념적 범위를 확장하여, 하천의 정상적인 기능 및 상태의 하나로 하천 생태계 및 수질보전을 위한 필요수량의 의미로 ‘생태 유량’이라는 용어를 사용하기도 한다. 환경분야에서는 인간의 물이용권(생·공·농업용수) 외에 생물서식, 물의 순환, 오염물질의 정화, 자연경관 등 수생태계의 건강성과 지속성이 유지되어야 하는 유량의 의미로 ‘환경생태유량’이라 하기도 한다(Kim et al.
GloSea5 모델은 특징은 무엇인가?
기상청은 2010년 6월 영국 기상청과 계절예측시스템의 공동구축 및 운영에 관한 협정을 체결하였으며, 현업 예보를 위해 기후예측 모델인 GloSea5를 도입하여 현재 운영 중에 있다. 이 모델은 영국 기상청의 최신 계절예측시스템에 사용되고 있으며, 기후모델인 HadGEM3 (Hadley Centre Global Environment Model version 3)을 기반으로 구축되었다. HadGEM3는 대기, 해양, 해빙 및 지표모델들이 하나로 합쳐진 전지구결합모델(Coupled General Circulation Model, CGCM)로써 대기모델은 UM (Unified Model), 지표모델은 MOSES (Met Office Surface Exchange Scheme)가결합되어 있다(Essery et al.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.