Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-6692(Print)
ISSN : 2287-4518(Online)
Journal of the Korean earth science society Vol.39 No.6 pp.533-544
DOI : https://doi.org/10.5467/JKESS.2018.39.6.533

Accuracy Assessment of the Satellite-based IMERG’s Monthly Rainfall Data in the Inland Region of Korea

Sumin Ryu, Sungwook Hong*
Department of Environment, Energy, and Geoinformatics, Sejong University, Seoul 05006, Korea
Corresponding author: sesttiya@sejong@ac.kr Tel: +82-2-6935-2430
October 16, 2018 November 12, 2018 December 12, 2018

Abstract


Rainfall is one of the most important meteorological variables in meteorology, agriculture, hydrology, natural disaster, construction, and architecture. Recently, satellite remote sensing is essential to the accurate detection, estimation, and prediction of rainfall. In this study, the accuracy of Integrated Multi-satellite Retrievals for GPM (IMERG) product, a composite rainfall information based on Global Precipitation Measurement (GPM) satellite was evaluated with ground observation data in the inland of Korea. The Automatic Weather Station (AWS)-based rainfall measurement data were used for validation. The IMERG and AWS rainfall data were collocated and compared during one year from January 1, 2016 to December 31, 2016. The coastal regions and islands were also evaluated irrespective of the well-known uncertainty of satellite-based rainfall data. Consequently, the IMERG data showed a high correlation (0.95) and low error statistics of Bias (15.08 mm/mon) and RMSE (30.32 mm/mon) in comparison to AWS observations. In coastal regions and islands, the IMERG data have a high correlation more than 0.7 as well as inland regions, and the reliability of IMERG data was verified as rainfall data.



한반도 육상지역에서의 위성기반 IMERG 월 강수 관측 자료의 정확도 평가

류 수민, 홍 성욱*
세종대학교 환경에너지공간융합학과, 05000, 서울특별시 광진구 능동로 209

초록


강수는 기상학, 농업, 수문학, 자연재해, 토목 및 건설 등 분야에서 매우 중요한 기상 변수들 중 하나이다. 최근 이러한 강수를 탐지하고, 측정 및 예보를 하기 위해서 위성원격탐사기술은 필수적이다. 따라서 본 연구에서는 미국항공 우주국(National Aeronautics and Space Administration, NASA)에서 발사한 전 지구 강수 관측 위성인 GPM 위성을 기 반으로 다양한 자료와 합성된 강수 자료인 IMERG 자료의 정확도를 한반도, 특히 남한지역에 대해 지상관측자료와 비 교분석 하였다. 기상자동관측 장비인 AWS의 관측 강수량을 검증 자료로 사용하여, 2016년 1월부터 12월까지 1년간의 기간 동안 한반도의 육상부분에 대하여 IMERG의 월 강수량 자료를 비교 검증하였다. 잘 알려진 대로 위성은 해안가 와 섬 지역 같은 부분에서 단점이 있지만, 별도로 비교 분석하였다. 위성 자료인 IMERG와 지상 관측 자료인 AWS를 비교한 결과, 상관계수가 0.95로 높은 상관성을 보였으며, Bias, RMSE의 오차 비교에서도 각각 월 15.08 mm, 월 30.32 mm의 낮은 오차를 산출하였다. 해안지역에서도 육상지역과 마찬가지로 0.7 이상의 높은 상관계수를 산출하며, 강 수 자료로서 IMERG의 신뢰도를 검증하였다.



    Ministry of Land, Infrastructure and Transport
    18AWMP-B083066-05Korea Meteorological Administration
    KMI2018-05710

    서 론

    전 지구적으로 강수는 가뭄, 홍수, 집중호우와 같 은 재해 예방 뿐만 아니라, 농업, 임업, 건축업 등 산 업적으로도 매우 중요한 기상 요소이다. 특히 현재는 기후 변화에 따른 이상기후로 인해 가뭄 또는 홍수 등으로 사회, 경제적으로 피해를 보고 있는 지역이 증가하고 있다. 이러한 이유로 강수 자료를 이용하여 수문학적으로 기후를 분석하고, 그에 따라 향후 발생 할 재해에 적절한 대처를 찾는 것은 필수적이다 (Futrell, 2005;Kidd et al., 2011;Kim, 1988;Hyunwook Park et al., 2005;Yoo, 1996).

    강수 자료를 얻기 위해서는 지상에서 직접 측정하 는 것이 가장 정확한 방법이지만, 전 세계 곳곳에서 자료의 공백없이 이를 시행하는 것은 어려운 일이다 (Huffman et al., 2001;Kidd et al., 2011;Mishra et al., 2009). 이러한 문제점을 해결하기 위한 방법 중 하나는 위성 관측 자료를 활용하는 것이다(Hong et al., 2012;Hou et al., 2014;Villarini et al., 2008). 위성 관측 자료는 관측 데이터의 부재가 거의 없고, 직접 관측이 어려운 지역까지 자료를 얻을 수 있다 는 장점이 있어 위성 자료를 이용한 강수 연구는 활 발히 진행되고 있다(Huffman et al., 2007;Joyce et al., 2004;Kubota et al., 2007;Seo, 2011, 2012;Sorooshian et al., 2000). 위성 자료의 사용이 늘어남 에 따라 위성 강수 산출물을 강수 모델 자료 혹은 지상 관측 자료와 비교하여 그 성능을 검증하고 (Bitew et al., 2012;Li et al., 2015;Scheel et al., 2011;Su et al., 2008), 강수 산출 알고리즘을 개선하 기 위한 연구 또한 적극적으로 진행되고 있다.

    Global Precipitation Measurement (GPM) 위성은 전 지구의 강수와 강설 관측을 목표로 미국 항공우 주국(National Aeronautics and Space Administration, NASA)에서 발사되고 활용되고 있는 강수관측 전용 위성이다. 이전에 성공적으로 널리 사용되었던 Tropical Rainfall Measuring Mission (TRMM) 강수 위성 프로젝트가 종료됨에 따라 GPM이 그 역할을 이어가고 있다. GPM은 기존의 TRMM에서 사용하던 마이크로파 라디오미터(TMI)와 단일 파장 강우레이 더(PR)에서 기술을 확장하여 GPM 마이크로파 라디 오미터(GMI)와 이중 파장 강우 레이더(DPR)를 탑재 하고 있다. 이에 따라, GPM 센서는 TRMM 센서보 다 소규모 강수와 강설을 더 높은 효율로 정확하게 탐지할 수 있다(Hou et al., 2014). 이러한 GPM의 개선된 효과를 밝히고자 GPM 위성 자료와 TRMM 위성 자료를 비교하는 연구도 진행되고 있다(Liu, 2016;Sharifi et al., 2016;Tang et al., 2016).

    GPM 강수 산출물은 GPM에 속한 모든 마이크로 파 위성의 강수 자료와 마이크로파 위성으로 보정된 적외 위성 자료, 지상 관측 자료를 합성하여 최종적 으로 산출된 고해상도 자료이기 때문에 신뢰성이 있 다고 평가되고 있다(Huffman et al., 2014). 따라서, 본 연구에서는 이러한 GPM 프로젝트 중의 일환인 Integrated Multi-satellite Retrievals for GPM (IMERG) 고해상도 강수 자료를 지상 관측 자료와 통계적으로 비교하여 한반도 영역에서의 효율을 검증하고자 하였 다. 한반도 영역에서 강수 위성의 정확도는 이미 TRMM 위성 산출물과 한반도의 지상 관측 자료와의 비교를 통해 검증된 바가 있으며, 높은 정확도를 보 이며 한반도에서의 강수 위성 산출물의 신뢰성이 높 음을 보여주었다(Koo et al., 2009;HS Park et al., 2000;Sohn et al., 2010).

    본 연구에서는 한반도 영역에서의 IMERG의 성능 을 평가하기 위하여 월 강수 산출물을 이용하여 지 상 관측 자료와 비교함으로써 그 성능을 검증하였다. 월 강수 자료는 국지적으로 발생하는 호우에 의한 영향에 변동성이 큰 일 자료에 비해 지역의 전반적 인 강수 경향을 파악할 수 있기 때문에 다양한 장기 적인 기후 및 수문학 연구에서 사용되고 있다(Jung et al., 2002;Kang et al., 1992). 위성 강수 산출물과 의 비교를 위한 검증 자료로는 지상 관측 자료인 Automated Weather Station (AWS)의 월 누적 강수량 자료를 사용하였다. 자료의 영역은 한반도 영역의 자 료를 사용하였으며, 자료의 기간은 2016년 1월부터 12월까지 1년 동안 발생한 강수 자료를 사용하였다. IMERG는 AWS와의 비교를 통해 월별 오차 분포 특 성을 통하여 검증을 실행하였으며, 내륙 지역과 해안 지역으로 나누어 검증을 진행하였다. 본 논문에서는 연구에서 사용한 자료와 방법에 대하여 기술한 후, 한반도 영역에서의 위성 자료와 지상 관측 자료의 비교 결과를 내륙 지역과 해안 지역으로 나누어 제 시하였다. 위성 자료를 이용한 정확도 평가에 대한 기존 연구 결과와 본 연구 결과를 비교하였으며, 마 지막으로 이에 대한 전체적인 내용을 요약하였다.

    자료 및 방법

    자료

    본 연구에서는 한반도 영역에서 IMERG의 성능을 확인하기 위해 한반도의 지상 관측 자료인 AWS와 비교하여 정확도를 검증하였다. 자료는 2016년 1월부 터 2016년 12월까지의 1년 간의 자료를 이용하였으 며, 모든 자료는 월 누적 강수량으로 변환하여 사용 하였다. 자료 범위는 한반도 영역인 위도 33-39°N, 경도 125-131°N 으로 설정하였다.

    본 연구에서는 IMERG Final Run Version 4에서 제공하는 월 강수량 자료를 월 누적 강수량 자료로 변환하여 사용하였다. IMERG는 NASA와 일본 우주 항공연구개발기구(Japan Aerospace eXploration Agency, JAXA)의 협력으로 시행된 GPM 강수 위성 프로젝트 중 하나이다. IMERG 자료는 GPM 이전의 대규모 강수 프로젝트였던 TRMM의 TMPA (Huffman et al., 2015a, b) 자료를 개선하여 더 높은 효율의 강수 및 강설 데이터를 산출하기 위한 목적으로 만들어졌 다. IMERG 강수 자료는 30분 간격의 시간해상도와 0.1°의 공간해상도를 가지며, TMPA보다 높은 공간해 상도를 가지고 있기 때문에 좀 더 정밀한 강수 자료 를 얻을 수 있다(Hou et al., 2014;Huffman et al., 2014).

    위성 IMERG에서 산출되는 한반도 영역의 강수 자료는 AWS 자료와 통계적으로 비교하여 검증하였 다. AWS는 한반도의 자동 지상 관측 장비로, 한반도 의 각 지점별로 기온, 풍향, 풍속, 습도, 기압, 강수량 등의 자료를 자동으로 측정하여 자료가 제공된다. 관 측 지점은 Fig. 1-(a)에서 보이는 바와 같이 섬을 포 함하여 전국의 480여개 정도 존재한다. 육상과 해안 지역의 경계에서는 기온, 풍속, 대기의 수렴 속도 및 열역학적 요소들의 급격한 변화에 의한 지형적인 특 수성으로 위성 자료의 정확성이 떨어지는 경향이 있 다(Fisher, 1960, 1961;Heiblum et al., 2011;Meyer, 1971;Neumann, 1951;Schoenberger, 1984). 이러한 이유로 제주도를 포함한 섬과 해안 지역에서는 IMERG의 정확도가 떨어지는 것이 확인되어 통계적 인 비교를 할 때는 내륙 지역과 해안 지역을 나누어 정확도를 비교하였다. Fig. 1-(b)는 본 연구에서 섬 및 해안 지역의 강수 자료를 비교할 때 사용했던 AWS 자료의 지점 위치를 보여준다.

    방법

    본 연구에서는 위성 자료 IMERG와 지상 관측 자 료 AWS를 공간해상도를 일치시키기 위한 방법으로 최근린 보간법을 이용하였으며, AWS의 위, 경도 자 료를 IMERG의 격자에 맞추어 강수를 산출하였다. IMERG의 정확도를 파악하기 위해서 AWS 자료와의 통계 분석을 통해 오차 분포 특성을 알아보았고, 이 를 바탕으로 두 자료 간의 상관성을 평가하였다. 오 차 분포 특성을 파악하기 위해 사용한 통계 지수는 상관계수(correlation coefficient, CC), 평균오차(Bias), 비편차(multiplicative bias, Mbias), 상대오차(relative bias, Rbias), 평균 절대 오차(mean absolute error, MAE), 평균 제곱근 오차(root mean square error, RMSE) 이다. Table 1은 본 연구에서 사용한 통계 지수의 식을 나타낸다.

    본 연구에서 사용된 통계 지수의 의미를 살펴보면, CC는 IMERG와 AWS 간의 선형관계를 얼마나 잘 설명하고 있는지 나타내고, 1에 가까울수록 선형관계 를 잘 나타내고 있음을 나타낸다. Bias는 두 자료 간 의 편차의 평균을 나타내며, 값이 0에 가까울수록 두 자료의 오차가 작다는 것을 의미한다. Mbias은 두 자료의 비율을 나타내고 있으므로, 1에 가까울수록 두 자료의 오차가 작음을 의미한다. Rbias는 두 자료 의 상대적인 편차를 나타내어 데이터 간에 얼마나 잘 일치하는지에 대한 정확도를 나타내며, 이 또한 0 값에 가까울수록 두 자료의 오차가 작다는 것을 의 미한다. MAE는 두 자료 간의 절대 오차의 평균을 나타내며, Bias와는 다르게 오차의 절대적인 크기를 의미한다. 마지막으로, RMSE는 두 자료 간의 오차 가 발생했을 때, 이 오차에 가중치를 부여한 통계 지 수로, 두 자료 간의 오차 정도를 쉽게 파악할 수 있다.

    결 과

    내륙 지역 월별 강수량 비교 검증

    한반도 영역에서 발생하는 강수에 대하여 위성 자 료 IMERG와 지상 관측 자료 AWS를 좀 더 효율적 으로 비교하기 위하여 월별로 각각 비교하였다. 한반 도는 몬순 기후의 영향을 받는 지역으로 여름철에는 강수량이 많고, 겨울철에는 강수량이 적은 기후 분포 를 보이며, 연 평균 강수량은 약 1300 mm이다. 2016 년 1년동안 한반도에서 발생한 강수 중 최대 월 누 적 강수량은 4월로 약 985 mm, 최소 월 누적 강수량 은 11월로 약 201 mm이다. Table 2는 각각 한반도 지역의 AWS 지상 관측 자료와 IMERG 위성 자료의 월별 강수 분포를 나타내며, IMERG가 AWS와 유사 한 강수 분포를 보이는 것을 확인할 수 있다. IMERG와 AWS 자료는 내륙 지역과 해안 지역으로 나누어 실험을 진행하였고, 이 절에서는 내륙 지역을 대상으로 실험한 결과를 다루었다.

    Fig. 2에서는 2016년 1월부터 12월까지 1년 동안 발생한 총 월 누적 강수량을 하나의 산포도로 나타 냈다. Fig. 2에는 1년동안 발생한 모든 지점의 강수 자료가 포함되어 있어 IMERG와 AWS 사이의 전반 적인 상관 관계를 보여준다. 2016년 1년 간의 IMERG와 AWS 자료를 비교했을 때, CC가 0.95로 거의 1에 가까운 높은 상관성을 보여준다. 또한, 2016년 1년 중 최대 월 누적 강수량이 약 900 mm인 점을 고려했을 때, Bias는 월 15.08 mm, RMSE는 월 30.32 mm로 상대적으로 작은 오차 값을 보인다고 추 정할 수 있다.

    Fig. 3은 2016년 1년 동안 발생한 IMERG와 AWS 의 월 누적 강수량 자료를 각 월별로 평균하여 나타 낸 그림이다. Fig. 3을 살펴보면, 모든 월에서 전반적 으로 IMERG와 AWS의 평균 월 누적 강수량 자료가 유사한 강수 분포를 보이는 것을 확인할 수 있다. 특 히 강수량이 적은 1월이나 12월보다 강수량이 많은 7월에 상대적으로 AWS와 더 유사한 값을 산출한 것 을 확인할 수 있다. 이를 통해서, IMERG가 강수량 이 적을 때보다 강수량이 많을 때, 좀 더 정확한 결 과를 산출한다는 것을 유추할 수 있다.

    Table 3와 Fig. 4는 IMERG와 AWS 자료 간의 오 차 분포 특성으로 산출된 통계 분석 결과를 월별로 나타낸 표와 그림이다. Fig. 4-(a)의 CC 분석 결과를 보면, IMERG가 전반적으로 AWS와 높은 상관성을 보이며, 특히 9월에 0.9이상의 높은 상관성을 나타내 는 것을 확인할 수 있다. 반면, 겨울철에 해당하는 2 월과 11월, 12월에는 AWS와 비교적 낮은 상관성을 보인다. Fig. 4-(c)(f)의 MAE와 RMSE 분석 결과 에서는 강수량이 많은 7월에 오차가 가장 크고, 강수 량이 적은 2월, 11월에는 오차가 작게 산출되었다.

    강수량이 많은 여름철과 강수량이 적은 겨울철을 동일한 조건으로 비교할 수 있도록 상대 오차를 이 용하여 추가로 비교하였다. Fig. 4-(b)(d), (e)의 Bias와 Mbias, Rbias를 살펴보면, 강수량이 많은 7월 보다 강수량이 적은 1월과 12월에 오차가 더 크게 나타난 것을 확인할 수 있다. 이 결과를 통해서, 7월 에는 강수량이 많아 IMERG와 AWS의 실제 강수량 의 오차는 크지만, 여름철과 겨울철을 상대 오차를 이용해 동일한 조건으로 비교를 하면, 여름철보다 1 월과 12월 등 겨울철에 산출 정확도가 더 떨어진다 는 것을 예측할 수 있다. Fig. 4-(b)(e)의 Bias와 Rbias는 모든 월에서 기준 값인 0보다 큰 값을 나타 내고, Fig. 4-(d)의 Ratio도 모든 월에서 1보다 큰 값 이 산출된 것을 통해 IMERG가 실제 AWS 자료보다 과대 추정하는 경향이 있다는 것을 확인할 수 있다.

    해안 지역 월별 강수량 비교 검증

    IMERG와 AWS 자료를 비교하기 위한 산포도에서 일정하지 않은 강수 패턴이 발견되었고, 두 자료 사 이의 상관성을 떨어뜨리는 자료들이 다수 존재했다. 이 데이터들을 따로 추출해 확인한 결과, 해안가와 섬 지역의 강수로 확인되어 내륙 지역과 별개로 이 지역에 대해서도 추가로 통계 분석 실험을 실행하였 다. 이 절에서는 섬과 해안 지역에서 발생한 강수에 대한 IMERG와 AWS 자료를 내륙 지역의 월별 강수 량 비교와 마찬가지로 6개의 통계 지수를 사용하여 비교하였다.

    Fig. 5는 해안 지역에서 2016년 1년 동안 발생한 총 월 누적 강수량을 하나의 산포도로 나타냈다. 해 안 지역에서의 IMERG와 AWS 자료를 비교했을 때, CC가 0.77로 비교적 높은 상관성을 나타내지만, 내 륙 지역의 CC인 0.95보다는 상관성이 떨어진 것을 확인할 수 있다. 또한, 내륙 지역에서 IMERG와 AWS 자료 간의 Bias는 월 15.08 mm, RMSE는 월 30.32 mm인 것과 비교하면, 해안 지역에서의 Bias는 월 −1.92 mm로 작아졌지만, RMSE는 월 55.08 mm 로 오차가 확연히 커진 것을 보여준다.

    Fig. 6은 섬과 해안 지역에서 발생한 모든 지점의 IMERG와 AWS의 월 누적 강수량을 평균하여 월별 로 나타낸 시계열 자료이다. 내륙 지역의 시계열 자 료와 마찬가지로, IMERG와 AWS 두 자료가 모두 비슷한 강수 분포를 보이는 반면, 내륙 지역과는 다 르게 강수량이 적은 1월과 12월에서 두 자료가 유사 한 값을 나타내며, 4월과 10월에 IMERG가 과소 추 정하는 경향이 발견되었다.

    Table 4와 Fig. 7은 앞서 월별 비교와 마찬가지로, 해안가와 섬 지역의 IMERG와 AWS 자료를 비교하 여 오차 분포 특성을 나타낸 통계 결과를 보여준다. Fig. 7-(a)에서 CC의 결과를 살펴보면, 대부분의 월에 서 CC가 0.5 이상의 비교적 높은 상관성을 보인다. 그러나 전반적으로 내륙 지역보다는 낮은 상관성을 보이며, 내륙 지역의 결과에서 낮은 상관성을 보였던 12월 뿐만 아니라 4월과 10월에도 낮은 상관성을 보 이는 것을 확인할 수 있다. Fig. 7-(c)(f)의 MAE 와 RMSE의 값을 살펴보면, 7월에 가장 큰 오차를 보이며, 1월과 12월에 상대적으로 작은 오차를 보인 다. 내륙 지역의 최대 MAE와 RMSE는 각각 월 51.82 mm와 월 38.03 mm인 것과 비교했을 때, 해안 지역에서는 최대 MAE와 RMSE가 월 66.60 mm와 월 61.19 mm이므로 내륙 지역보다는 오차가 크게 산 출되는 것을 보여준다.

    내륙 지역과 마찬가지로 여름철과 겨울철을 동일한 조건으로 비교하기 위해 상대 오차 결과를 비교하였 다. Fig. 4-(d)(e)에서 Mbias와 Rbias가 모든 월에 서 유사한 오차 값을 보이며, 이로부터 해안 지역에 서는 여름철과 겨울철 사이의 산출 정확도 차이는 크지 않은 것으로 추정된다. Fig. 4-(b)(e)에서 Bias와 Rbias를 살펴보면, 일부 월에서 두 오차가 기 준 값인 0보다 작은 오차를 산출하는 경우가 존재하 고, Mbias도 기준 값 1보다 작은 값을 나타내는 월 이 존재한다. 이를 통해서, 해안가와 섬 지역에서는 내륙 지역과는 다르게 일부 월에서 과소 추정하는 경향이 나타난다는 것을 확인할 수 있다. Fig. 8

    토 의

    본 연구에서는 IMERG와 AWS의 비교를 통해 산 출된 오차가 작은 오차를 나타내는지 좀 더 명확히 비교를 하기 위하여 GPM 위성 이전에 활용되었던 TRMM 위성의 TMPA 자료와 지상관측자료 간의 오 차 분석 결과를 이전의 연구 결과와 비교하였다. 이 전 연구인 Koo et al. (2009)에서는 2006년 한반도에 서 발생한 강수에 대하여 TRMM의 TMPA 강수 자 료를 이용하여 지상관측자료인 AWS와 비교하였고, 2006년 6월, 7월, 8월 여름철 강수량의 CC와 Bias, RMSE는 각각 0.92, 38.38, 84.39 mm였다. 또한 전구 지상관측자료인 Global Precipitation Climatology Project (GPCP)와 한반도의 지상관측자료인 AWS와 의 비교 결과 CC와 Bias, RMSE는 각각 0.45, 84.39, 179,43 mm를 나타냈었다. 이전 유사 연구 결 과를 토대로 본 연구인 IMERG 자료의 2016년 육상 지역의 CC와 Bias, RMSE는 0.95, 15.08, 30.32 mm 로써, 상대적으로 TMPA와 GPCP보다 높은 상관성과 작은 오차 결과를 산출하는 것을 확인할 수 있다.

    한반도에서 TMPA의 월 강수 산출물을 본 연구와 같은 오차 분석 방법으로 비교한 사례가 없어 다른 지역에서 TMPA의 월 강수 자료를 지상관측자료와 분석한 사례를 상대적으로 비교해보려 한다. Sharifi et al. (2016)에서는 2014년 3월부터 2015년 2월까지 이란 지역에서 발생한 강수 사례에 대하여 IMERG 와 TMPA의 월 강수 자료를 각 지역별로 지상관측자 료와 비교하였다. 이란 지역은 한반도와 비교했을 때, 상대적으로 강수량이 적은 지역으로 대부분의 지역에 서 월 최대 강수량이 100 mm 이하이다. 이 연구에서 는 총 4개의 지역에서 위성 자료와 지상관측자료를 비교하였고, 그 중 월 최대 강수량이 350 mm 이하인 지역에서 TMPA 위성 자료와 지상관측자료의 CC와 Bias, RMSE는 각각 0.52, −35.57, 102.76 mm를 산 출하였다. 한반도의 월 최대 강수량이 985 mm인 점 을 고려했을 때, 본 연구의 IMERG 자료가 TMPA 자료보다 지상관측자료와 높은 상관성과 작은 오차를 보이는 것을 확인할 수 있다.

    요약 및 결론

    본 연구에서는 한반도 영역에서 발생한 강수에 대 하여 위성 강수 자료 IMERG와 지상 관측 자료 AWS를 비교하여 IMERG와 AWS의 상관성을 알아 보고, 통계적으로 오차 분포 특성을 분석함으로써 IMERG의 정확도를 검증하였다. 지역에 따른 강수의 전반적인 경향을 잘 나타내어 장기적인 기후 및 수 문학적 연구에서 주로 사용되는 월 강수 자료를 이 용하여 다양한 분야의 강수 연구에 사용되는 IMERG 의 성능을 평가하고자 하였다. IMERG와 AWS 자료 는 월 누적 강수량으로 변환하여 비교하였으며, 2016 년 1월부터 12월까지의 1년 간의 자료를 사용하였다. 추가로 좀 더 정확한 비교를 위하여 내륙 지역과 해 안 지역으로 나누어 각각 월별로 비교하였다.

    2016년 1년 간의 총 자료를 이용해 IMERG와 AWS 자료를 통계적으로 비교했을 때, 내륙 지역과 해안 지역에서 모두 CC가 0.7이상, 특히 내륙 지역 은 0.95의 높은 상관성을 보이고, 비교적 낮은 Bias 와 RMSE를 산출하며 IMERG가 전반적으로 높은 정확도를 보인다는 것을 확인했다. 월별 평균 강수량 시계열 자료를 통해서, IMERG가 AWS의 강수 패턴 과 유사한 분포를 보이며, IMERG 자료의 신뢰성 있 는 자료라는 점을 1차적으로 확인했다.

    2016년 1년 동안 발생한 강수 자료에 대하여 월별 로 통계 분석을 한 결과, 내륙 지역과 해안 지역에서 대부분의 월에서 전반적으로 0.5 이상의 높은 상관성 을 보여주었다. 그러나 강수량이 적은 겨울철에 해당 되는 2월, 12월에는 상관성이 다른 자료에 비해 낮게 산출되었다. 또한, 2016년 우리나라의 평균 월 최대 강수량이 약 560 mm인 점을 고려했을 때, 오차의 평 균을 나타내는 Bias는 모든 월에서 30 mm 이하의 값을 나타내며, MAE와 RMSE는 내륙과 해안 지역 모두 최대 70 mm 이하의 오차를 산출했다. 특히, 내 륙 지역이 해안 지역보다 더 낮은 MAE와 RMSE를 산출하여 내륙 지역에서 더 정확하게 강수량을 산출 한다는 것을 확인할 수 있었다. 두 자료의 상대 오차 를 나타내는 Mbias와 Rbias에서도 각각 1과 0에 가 까운 값을 보이며, IMERG가 AWS의 강수 자료와 유사한 값을 산출한다는 것을 확인할 수 있었다. IMERG는 강수량이 많은 여름철보다 겨울철에 해당 하는 월에 상관성이 더 낮고, 실제 오차는 강수량이 많은 여름철에 크게 산출되었다. 그러나 여름철과 겨 울철을 동일한 조건으로 비교하기 위해 사용한 상대 오차는 겨울철에 더 큰 값을 나타냈다. 또한, 내륙 지역에서는 모든 월에서 IMERG의 강수 자료가 과 대 추정하는 경향을 보여주었고, 해안 지역에서는 일 부 월에서 IMERG의 강수 자료가 과소 추정이 된 것이 확인되어 이전의 육상과 해안 지역의 다양한 연구 결과를 토대로 지형적인 특성으로 인한 결과라 고 추정된다.

    본 연구에서는 한반도 영역에서 IMERG의 월 강 수량 자료가 지상 관측 자료의 전반적인 강수 분포 와 강수량을 비교적 잘 추정하고 있음을 확인할 수 있다. 한반도 영역에서의 IMERG와 AWS 자료를 비 교했을 때, IMERG가 과대 추정하는 경향이 있었지 만, 그럼에도 불구하고 전반적으로 대부분의 월에서 높은 상관성과 작은 오차를 보인다는 것이 통계 분 석을 통해 확인되었다. 2016년 1년 간의 자료로는 IMERG가 강수량이 많은 여름철에 강수량이 적은 겨 울철보다 더 정확한 값을 추정하고, 유사한 강수 패 턴을 보인다는 것을 확인할 수 있었다. 이전 연구의 TMPA 강수 자료와 지상관측자료의 오차 결과 비교 를 통해서 본 연구의 IMERG가 상대적으로 작은 오 차를 산출한다는 것을 확인하였다. 이러한 연구 결과 를 통해 IMERG의 월 강수 자료가 기후 및 수문학 적 연구를 위해 활용되기에 신뢰성 있는 자료라는 것이 검증되었다. IMERG의 강수 산출 알고리즘을 개선하기 위한 연구는 현재에도 진행 중이며, 이러한 IMERG의 강수 산출물은 향후 진행될 강수 연구에서 활용가능성이 높은 자료라고 판단된다.

    사 사

    본 연구는 국토교통부/국토교통과학기술진흥원의 지원(과제번호 18AWMP-B083066-05)과 기상청 <GPS 반사파 신호를 이용한 토양수분 정보 산출 기술개발> (KMI2018-05710)의 지원으로 수행되었습니다.

    Figure

    JKESS-39-533_F1.gif

    AWS locations in South Korea: (a) All stations, (b) Stations of Island and coast region.

    JKESS-39-533_F2.gif

    Spatial distributions of monthly-accumulated rainfall (unit: mm).

    JKESS-39-533_F3.gif

    Scatterplot of monthly rainfall data between IMERG and AWS in 2016 (Inland region).

    JKESS-39-533_F4.gif

    Annual distribution of monthly-accumulated rainfall between IMERG and AWS in 2016 (Inland region).

    JKESS-39-533_F5.gif

    Statistical values of (a) CC, (b) Bias, (c) MAE, (d) Mbias, (e) Rbias, and (f) RMSE in 2016 (Inland region).

    JKESS-39-533_F6.gif

    Scatterplot of monthly rainfall data between IMERG and AWS in 2016 (Islands and coastal region).

    JKESS-39-533_F7.gif

    Annual distribution of monthly-accumulated rainfall between IMERG and AWS in 2016 (Islands and coastal region).

    JKESS-39-533_F8.gif

    Statistical values of (a) CC, (b) Bias, (c) MAE, (d) Mbias, (e) Rbias, and (f) RMSE in 2016 (Islands and coastal region).

    Table

    Statistical indices used in this study

    Analysis of statistical indices between IMERG and AWS in 2016 (Inland region)

    Analysis of statistical indices between IMERG and AWS in 2016 (Islands and coastal region)

    Reference

    1. Bitew, M. M. , Gebremichael, M. , Ghebremichael, L. T. , and Bayissa, Y. A. , 2012, Evaluation of high-resolution satellite rainfall products through streamflow simulation in a hydrological modeling of a small mountainous watershed in Ethiopia . Journal of hydrometeorology, 13(1), 338-350.
    2. Fisher, E. L. , 1960, An observational study of the sea breeze . Journal of Meteorology, 17(6), 645-660.
    3. Fisher, E. L. , 1961, A theoretical study of the sea breeze .Journal of Meteorology, 18(2), 216-233.
    4. Futrell, J. , 2005, Coauthors, 2005: Water: Challenges at the intersection of human and natural systems. NSF/DOE Tech. Rep. PNWD-3597, 50.
    5. Heiblum, R. , Koren, I. , and Altaratz, O. , 2011, Analyzing coastal precipitation using TRMM observations . Atmospheric Chemistry and Physics, 11(24), 13201-13217.
    6. Hong, Y. , Chen, S. , Xue, X. , and Hodges, G. , 2012, Global precipitation estimation and applications. Multiscalehydrologic remote sensing: Perspectives and applications, 371-386.
    7. Hou, A. Y. , Kakar, R. K. , Neeck, S. , Azarbarzin, A. A. , Kummerow, C. D. , Kojima, M. , Oki, R. , Nakamura, K. , and Iguchi, T. , 2014, The global precipitation measurement mission . Bulletin of the American Meteorological Society, 95(5), 701-722.
    8. Huffman, G. J. , Adler, R. F. , Morrissey, M. M. , Bolvin, D. T. , Curtis, S. , Joyce, R. , McGavock, B. , and Susskind, J. , 2001, Global precipitation at one-degree dailyresolution from multisatellite observations . Journal of hydrometeorology, 2(1), 36-50.
    9. Huffman, G. J. , Bolvin, D. , Braithwaite, D. , Hsu, K. , Joyce, R. , and Xie, P. , 2014, GPM Integrated Multi- Satellite Retrievals for GPM (IMERG) Algorithm Theoretical Basis Document (ATBD) Version 4.4. PPS,NASA/GSFC.
    10. Huffman, G. J. , Bolvin, D. T. , and Nelkin, E. J. , 2015a, Day 1 IMERG final run release notes. NASA/GSFC:Greenbelt, MD, USA.
    11. Huffman, G. J. , Bolvin, D. T. , and Nelkin, E. J. , 2015b, Integrated Multi-satellitE Retrievals for GPM (IMERG) technical documentation. NASA/GSFC Code 612, 47 p.
    12. Huffman, G. J. , Bolvin, D. T. , Nelkin, E. J. , Wolff, D. B. , Adler, R. F. , Gu, G. , Hong, Y. , Bowman, K. P. , and Stocker, E. F. , 2007, The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear,combined-sensor precipitation estimates at fine scales . Journal of hydrometeorology, 8(1), 38-55.
    13. Joyce, R. J. , Janowiak, J. E. , Arkin, P. A. , and Xie, P. , 2004, CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution . Journal of hydrometeorology, 5(3), 487-503.
    14. Jung, H. S. , Choi, Y. , Oh, J. H. , and Lim, G. H. , 2002, Recent trends in temperature and precipitation over South Korea. International Journal of Climatology: A Journal of the Royal Meteorological Society, 22(11), 1327-1337.
    15. Kang, I.-s. , Ho, C.-H. , and Min, K.-D. , 1992, Long-range Forecast of Summer Precipitation in Korea . Asia-PacificJournal of Atmospheric Sciences, 28(3), 283-292. (in Korean)
    16. Kidd, C. , and Huffman, G. , 2011, Global precipitation measurement . Meteorological Applications, 18(3), 334-353.
    17. Kim, Y. , 1988, On the Characteristics of the Anomaly Level and Distribution of Monthly Mean Precipitation on Cheju Island, Korea. The Korean Earth Science Society, 9(1), 1-14.
    18. Koo, M.-S. , Hong, S.-Y. , and Kim, J. , 2009, An evaluation of the tropical rainfall measuring mission (TRMM) multi-satellite precipitation analysis (TMPA) data over South Korea . Asia-Pacific Journal of AtmosphericSciences, 45(3), 265-282.
    19. Kubota, T. , Shige, S. , Hashizume, H. , Aonashi, K. , Takahashi, N. , Seto, S. , Hirose, M. , Takayabu, Y. N. , Ushio, T. , and Nakagawa, K. , 2007, Global precipitation map using satellite-borne microwave radiometers by the GSMaP project: Production and validation . IEEE Transactions on Geoscience and Remote Sensing, 45(7), 2259-2275.
    20. Li, Z. , Yang, D. , Gao, B. , Jiao, Y. , Hong, Y. , and Xu, T. , 2015, Multiscale hydrologic applications of the latestsatellite precipitation products in the Yangtze River Basin using a distributed hydrologic model . Journal of hydrometeorology, 16(1), 407-426.
    21. Liu, Z. , 2016, Comparison of integrated multisatellite retrievals for GPM (IMERG) and TRMM multisatelliteprecipitation analysis (TMPA) monthly precipitation products: initial results . Journal of hydrometeorology, 17(3), 777-790.
    22. Meyer, J. , 1971, Radar observations of land breeze fronts . Journal of Applied Meteorology, 10(6), 1224-1232.
    23. Mishra, A. K. , and Coulibaly, P. , 2009, Developments in hydrometric network design: A review . Reviews of Geophysics, 47(2).
    24. Neumann, J. , 1951, Land breezes and nocturnal thunderstorms . Journal of Meteorology, 8(1), 60-67.
    25. Park, H. , Chung, H. , and Noh, Y. , 2000, The characteristics of heavy rainfall in summer over the Korean Peninsula from precipitation radar of TRMM satellite: case study . Journal of the Korean Society of Remote Sensing, 16(1), 55-64. (in Korean)
    26. Park, H. , and Ryu, C. , 2005, The Variation Patterns over a Period of 10 Days and Precipitation Regions ofSummer Precipitation in Korea The Korean Earth Science Society, 26(5), 417-428.
    27. Scheel, M. , Rohrer, M. , Huggel, C. , Santos Villar, D. , Silvestre, E. , and Huffman, G. , 2011, Evaluation of TRMM Multi-satellite Precipitation Analysis (TMPA) performance in the Central Andes region and its dependency on spatial and temporal resolution . Hydrology and Earth System Sciences, 15(8), 2649-2663.
    28. Schoenberger, L. M. , 1984, Doppler radar observation of a land-breeze cold front . Monthly Weather Review, 112(12), 2455-2464.
    29. Seo, E. , 2011, Characteristics of Summer Rainfall over East Asia As Observed by TRMM PR . The Korean Earth Science Society, 32(1), 33-45.
    30. Seo, E. , 2012, Rainfall Characteristics in the Tropical Oceans: Observations using TRMM TMI and PR . The Korean Earth Science Society, 33(2), 113-125.
    31. Sharifi, E. , Steinacker, R. , and Saghafian, B. , 2016, Assessment of GPM-IMERG and other precipitation products against gauge data under different topographic and climatic conditions in Iran: Preliminary results . Remote Sensing, 8(2), 135.
    32. Sohn, B. , Han, H.-J. , and Seo, E.-K. , 2010, Validation of satellite-based high-resolution rainfall products over the Korean Peninsula using data from a dense rain gauge network . Journal of Applied Meteorology and Climatology, 49(4), 701-714.
    33. Sorooshian, S. , Hsu, K.-L. , Gao, X. , Gupta, H. V. , Imam, B. , and Braithwaite, D. , 2000, Evaluation of PERSIANN system satellite-based estimates of tropical rainfall . Bulletin of the American MeteorologicalSociety, 81(9), 2035-2046.
    34. Su, F. , Hong, Y. , and Lettenmaier, D. P. , 2008, Evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) and its utility in hydrologic prediction in the La Plata Basin . Journal of hydrometeorology, 9(4), 622-640.
    35. Tang, G. , Ma, Y. , Long, D. , Zhong, L. , and Hong, Y. , 2016, Evaluation of GPM Day-1 IMERG and TMPA Version-7 legacy products over Mainland China at multiple spatiotemporal scales . Journal of Hydrology, 533, 152-167.
    36. Villarini, G. , and Krajewski, W. F. , 2008, Empirically-based modeling of spatial sampling uncertainties associated with rainfall measurements by rain gauges . Advances in Water Resources, 31(7), 1015-1023.
    37. Yoo, J. , 1996, The Effect of Precipitation on the Brightness Temperature Deduced from Satellite Microwave Measurements. The Korean Earth Science Society, 148-148.