Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-8857(Print)
ISSN : 2288-9493(Online)
Journal of Korean Society of Rural Planning Vol.24 No.4 pp.99-119
DOI : https://doi.org/10.7851/Ksrp.2018.24.4.099

Evaluation of Applicability of APEX-Paddy Model based on Seasonal Forecast

Jaepi Cho, Soon-Kun Choi*, Syewoon Hwang**, Jihoon Park
Climate Services and Research Department, APEC Climate Center
*Department of Agricultural Environment, National Institute of Agricultural Sciences
**Department of Agricultural Engineering, Institute of Agriculture and Life Science, Gyeongsang National University

Corresponding author : Park, Jihoon Tel. : 051-745-3963 E-mail : gtjihoon@naver.com
25/10/2018 20/11/2018 26/11/2018

Abstract


Unit load factor, which is used for the quantification of non-point pollution in watersheds, has the limitation that it does not reflect spatial characteristics of soil, topography and temporal change due to the interannual or seasonal variability of precipitation. Therefore, we developed the method to estimate a watershed-scale non-point pollutant load using seasonal forecast data that forecast changes of precipitation up to 6 months from present time for watershed-scale water quality management. To establish a preemptive countermeasure against non-point pollution sources, it is possible to consider the unstructured management plan which is possible over several months timescale. Notably, it is possible to apply various management methods such as control of sowing and irrigation timing, control of irrigation through water management, and control of fertilizer through fertilization management. In this study, APEX-Paddy model, which can consider the farming method in field scale, was applied to evaluate the applicability of seasonal forecast data. It was confirmed that the rainfall amount during the growing season is an essential factor in the non-point pollution pollutant load. The APEX-Paddy model for quantifying non-point pollution according to various farming methods in paddy fields simulated similarly the annual variation tendency of TN and TP pollutant loads in rice paddies but showed a tendency to underestimate load quantitatively.



계절예측 정보 기반 APEX-Paddy 모형 적용성 평가

조 재필, 최 순군*, 황 세운**, 박 지훈
APEC 기후센터 기후사업본부
*국립농업과학원 농업환경부
**경상대학교 애그로시스템공학부, 농업생명과학연구원

초록


    I. 서 론

    하수종말처리장 등의 환경기초시설을 통한 점원오염 원의 처리가 양적으로 증가함에 따라서 강우 시 발생하 는 비점오염원이 전체 오염원 중에 차지하는 비중이 높 아지고 있다. 농촌에서 발생되는 주요 오염원은 생활오 폐수, 공장폐수, 가축분뇨, 논과 밭 등에서 사용된 농약 및 화학비료 사용량 등을 포함하여 계속해서 증가하고 있다 (Choi et al., 2001;Choi et al., 1996). 또한 농촌마 을종합개발사업에 있어 생산시설은 중요하게 여기지만 생태환경시설에 대해서는 비교적 소홀하게 생각하는 전 문가 조사 결과도 있어 농촌에서 발생하는 오염원 관리 에 대한 관심이 필요한 실정이다 (Lee and Kim, 2010). 이 중에서 농업비점오염은 토지이용, 토양, 지형인자 등 공간적인 특성뿐만 아니라 경운 (tillage), 시비 (fertilization), 물관리 (water management) 등과 같이 농경 지에 적용되는 영농방법의 시기 및 강도에 따라서 시간 적으로 상이한 배출 특성을 보인다. 또한 시·공간적으로 변화하는 비점오염 부하량 관점에서 영농방법과 관련되 어 중요하게 고려되어야 할 인자는 강우 사상의 강도 및 시간적인 발생 시기에 따라서 동적으로 변화하는 토양의 물리적 특성 (dynamic soil properties)이 있다 (Flanagan and Nearing, 1995;Cho and Mostaghimi, 2009). 일반적으 로 경운 직후에 토양의 공극 및 수리학적 수리전도도는 급격하게 증가하였다가 시간이 지남에 따라서 강우에 의 해 토양이 다져지면서 줄어드는 경향을 보이며, 이와 같 은 토양의 특성은 농경지로부터 발생되는 유출량 및 이 에 따른 토양 침식량에 영향을 미치게 된다. 농경지로부 터 유출되는 비점오염 형태의 토양은 댐과 보에 유입되 고 하상 퇴적되어 악취 및 오염을 가중시키는 한편, 댐 과 보의 기능에 손실을 야기한다 (Chang et al., 2003).

    미국과 같은 농업 중심의 선진국에서는 모니터링을 통해 시·공간적으로 변화하는 오염물질의 배출 매커니즘 을 이해하여 지역의 기후 및 영농 특성에 적합한 BMP 를 개발하기 위해 노력해 왔다. 모니터링 기법은 토양, 지형, 기후 특성이 동질적인 필지규모 모니터링으로부터 오염원으로부터 하천까지의 유출 경로 상에서 발생하는 오염물질의 이동 및 변화와 관련된 매커니즘을 이해하기 위한 유역규모 모니터링으로 발전되어 왔다. 하지만 모 니터링 방법에는 많은 비용과 시간이 요구되며 비점오염 의 높은 시·공간적인 변동 특성으로 인하여 모니터링 결 과를 다른 지역으로 확장하여 적용하기에는 많은 제약이 따른다.

    이와 같은 이유로 EPIC (Environmental Policy Integrated Climate) (Williams et al., 1984), CREAMS (Chemicals, Runoff, and Erosion from Agricultural Management Systems) (Knisel, 1980), GLEAMS (Groundwater Loading Effects of Agricultural Management Systems) (Leonard et al., 1987), WEPP (Water Erosion Prediction Project) (Flanagan and Nearing, 1995) 등과 같 은 필지규모 모형들 및 AGNPS (AGricultural Non-Point Source Pollution Model) (Young et al., 1987), ANSWERS (Areal Non point Source Watershed Environment Response Simulation) (Beasley et al., 1980), HSPF (Hydrological Simulation Program—Fortran) (Bicknell et al., 1993), SWAT (Soil and Water Assessment Tool) (Arnold et al., 1998) 등과 같은 유역규모 모형들이 개발되어 사용되고 있다. 필지규모의 모형들은 상세한 영농방법들을 고려할 수 있는 장점이 있는 반면에 유역규모의 전체적인 영향 을 평가하기에는 필지간의 연계성을 고려할 수 없는 한 계를 갖고 있다. 반대로 유역 모형들은 필지규모의 모형 들과 비교하여 다양한 영농방법들을 고려하는데 있어서 많은 한계를 갖고 있다. 비점오염 정량화를 위하여 가장 이상적인 유역모형으로는 오염원의 이동 및 소멸 매커니 즘을 고려할 수 있는 과정기반모형(process-based model) 으로써 공간적으로 분포형모형(distributed model)이며 시 간적으로는 장기유출을 고려할 수 있는 장기유출모형 (continuous model)이다 (Cho and Mostaghimi, 2009). 분포 형 모형은 AGNPS 및 ANSWERS 모형과 같이 강우사상 모형(event model)으로 개발되었다가 각각 AnnAGNPS 및 ANSWERS-2000과 같이 장기 유출모형으로 개선되었다 (Bingner and Theurer, 2001). 또한 비점오염 정량화를 위 해 다양한 영농기법에 따른 역학적 토양 특성의 변화 및 지표와 지하수의 연계를 고려하여 할 수 있는 DANSAT (Dynamic Agricultural Non-point Source Assessment Tool) 과 같은 분포형 장기유출 모형으로는 모형이 개발되었다 (Cho and Mostaghimi, 2009).

    미국에서는 장기간 모니터링을 수행해온 대표유역들 을 중심으로 많은 예산 사용을 통해 적용되어진 농업비 점오염에 대한 최적관리기법들의 효과를 정량화하기 위 해 모델링 기법을 기반으로 한 CEAP (Conservation Effects Assessment Project)가 수행되어 왔다 (Cho et al., 2010). 하지만 농무성에서 개발한 SWAT과 환경청에서 개발한 HSPF모형 등과 같은 준분포형 모형이 다양한 환 경에서의 적용사례를 기반으로 비점오염원을 포함한 수 질오염총량관리제도(Total Maximum Daily Loads, TMDL) 관련 프로젝트 등에 활용되고 있는 실정이다. 국내에서 는 모니터링의 경우「새만금유역 농업비점오염 저감 기 법 개발 연구」(KRC, 2015)와 같은 대규모 프로젝트가 수행되었지만 관측 기간이 짧고 필지규모에서의 모니터 링으로서 유역규모 정량화에 필요한 정보를 제공하기에 는 한계가 있다. 유역규모에서 비점오염 부하량을 정량 화하기 위한 방법으로는 토지계 지목별 단위시간 및 단 위면적에 대해 정해 놓은 발생부하원단위를 적용하는 원 단위법을 사용하고 있는 실정이다. 원단위법은 유역현황 자료만을 이용하여 배출부하량을 쉽게 계산할 수 있다는 장점을 가지고 있지만 토양, 경사, 하천까지의 거리 등 공간적 특성 및 강수량의 많고 적음과 같은 시간적 특성 등과 같이 시·공간적으로 큰 변동성을 보이는 비점오염 의 특성을 반영하기 어렵다. 국내의 모델링 기반 접근 방법의 경우에는 미국의 대규모 밭 중심의 영농방법과 비교하여 소규모의 논 중심의 영농방법이 중요하게 고려 되어야하기 때문에 SWAT-K (KICT, 2007) 및 HSPF-Paddy (Jeon et al., 2007)와 같이 논 중심의 국내 실정에 맞게 모형들이 수정되어 적용된 사례가 있으나 다양한 영농방법들을 고려하기에는 한계를 갖고 있다. 국내 농업비점오염의 경우는 물관리, 시비관리, 지표면관 리 등과 같은 영농방법의 변경에 따른 최적관리기법의 효율성 평가를 목적으로 수행된 필지규모에서의 모니터 링 연구, 비점오염원 제어와 관리를 위해 전문가 조사를 통한 우선관리지구를 평가하는 연구, 소유역 단위의 비 점오염원 모델링을 위한 자료 관리 시스템 개발에 대한 연구가 주를 이루고 있으며 (So et al., 2017;Woo et al., 2015;Park et al., 2013) 축적된 모니터링 및 전문가 조사 자료를 활용하여 필지규모 모델링을 통한 농업비점오염 정량화 연구가 진행되고 있다.

    유역규모에서와 마찬가지로 해외에서 개발된 CREAMS 및 GLEAMS 모형 들을 국내 논의 특성을 고 려할 수 있도록 개선하여 적용한 사례가 있으며 (Kim et al., 2007;Kim et al., 2002) 농촌진흥청은 미국 텍사스 A&M 농업연구소와 함께 APEX (Agricultural Policy/Environmental eXtender) (Williams et al., 2000)에 국내 논의 수문·수질 기작을 모의할 수 있는 모듈을 추 가하여 APEX-Paddy 모형을 개발하여 공개하였다.

    비점오염은 기후 특성의 변화 특히 강수 특성과 밀접 한 관계를 가지고 있다. 즉 토사 및 영양염류의 하천으 로의 유입 등 농업비점오염원을 줄이기 위해서는 강우 특성을 반영하여 강우유출수의 양을 줄일 수 있는 영농 방법의 개선을 통한 최적관리기법의 개발 및 실제 농경 지에서의 적용이 필요하다. 따라서 유역의 점원 및 비점 오염을 포함한 수질 장기예측에 따른 종합적인 수질관리 를 위해서는 계절변동성으로 인한 상류유역으로부터의 유출, 유사, 및 영양물질을 포함한 비점오염 부하량의 변 화에 대한 예측이 수행되어야 한다. 이에 Cho (2014, 2015)는 최장 6개월 선행의 기후예측정보의 예측성을 향 상시킴과 동시에 250 km 공간해상도를 갖는 월단위 예 측정보를 유역규모의 일단위 모델링을 통한 예측에 활용 가능하도록 시·공간 상세화 기법을 개발하여 예측성 기 반의 적용성을 평가하였다. 사용된 6개월 선행예측 정보 는 강수량에 대한 월 또는 계절 변동성 관련 정보를 제 공함으로서 강우 유출수를 통하여 오염원이 하천에 들어 오기 이전에 비점오염 저감을 위한 관리방안의 선정 등 에 유용하게 사용될 수 있다. 따라서 본 연구의 목적은 국내 논의 특성을 반영하여 고려할 수 있도록 개발된 APEX-Paddy 모형을 이용하여 필지규모의 논에서 비점오 염 부하량 저감을 위해 선정된 영농방법들을 정량화 하 는데 있어 계절예측 정보의 활용성을 평가하는데 있다.

    II. 재료 및 방법

    1. 대상 유역 및 모니터링 사이트

    필지규모 비점오염 모델링 검보정을 위해서는 모니터 링 자료가 중요한데 본 연구에서는 농업비점오염 모니터 링 자료가 비교적 많이 수집되었고 기존에 관련 연구가 수행되어 온 새만금 유역을 선정하였다. 농어촌연구원에 서는 논에서의 오염부하 배출기작을 규명하고 비점오염 배출 부하를 저감할 수 있는 물관리 및 시비관리 등과 같은 영농기법의 개선을 통한 최적관리기법을 개발하고 매뉴얼을 작성하여, 향후 관리정책 및 제도개선을 위한 기초자료로 활용하고자 2010년부터 2016년까지 「새만 금유역 농업비점오염 저감기법 개발」 연구를 수행하였 다. 본 연구에서는 새만금 유역 내 필지 논을 대상으로 수행 된 비점오염 모니터링 결과를 사용하였다.

    시험 포장은 전북 익산시 춘포면 용연리 일대에 위치 한 8개 필지 중에서 서울대학교로부터 모니터링 자료를 제공 받은 SPD#1~SPD#6의 6개 필지의 모니터링 결과를 사용하였다. 각각의 필지는 가로 33 m에 세로 110 m 규 모로서 관개용수로에서 논 필지로 유입되는 곳에는 유량 계가 설치되었고 배수구에는 위어 (weir)에 초음파 및 부 자식 수위계가 설치되어 10분 단위로 관개량 및 배수량 이 측정되었다. SPD#3 및 #4에는 침투량계가 각각 설치 되어 있다. SPD#1 및 SPD#5는 대조구이며, SPD#2 및 SPD#6은 물관리 적용 필지이고, SPD#3 및 SPD#4는 시 비관리 적용 필지로서 필지별 물관리 및 시비관리 관련 영농기법이 적용되었다 (Figure 1).

    2. 계절예측 상세화 자료 생산 기법 및 예측성 평가

    가. 계절예측 상세화 자료 생산 기법

    본 연구에 사용된 실시간 계절예측 시스템은 선행 연 구인 「장기 수질예측 자료의 갈수기 수질관리 의사결 정 활용 방안」 (Cho, 2015)에 사용된 시스템을 기반으 로 1) 계절예측 모듈 개선, 2) 상세화 자료의 후처리 (Post process) 개선, 3) 상세화 자료의 앙상블 멤버 생산 기법 개선의 세부 항목을 포함한다.

    첫째, 우선 계절예측 모듈의 경우, 예측을 위해 사용 되는 자료에 따라서 예측 자료를 직접 사용하는 단순편 의보정(Simple Bias Correction, SBC) 방법, 예측 자료를 간접적으로 사용하는 MWR (Moving Window Regression) 방법, 관측 자료 기반의 CIR (Climate Index Regression) 방법, 관측자료 기반의 MWR-Obs (Observation-based Moving Window Regression) 방법을 사용하였다. 역학적 전 지구 기후모형 (Global Climate Model, GCM)에 의해 예측된 결과를 직접적으로 사용하는 SBC 방법에 추가하 여 CIR, MWR, MWR-Obs와 같은 통계적 예측모형을 사 용하는 이유는 한반도와 같이 중위도 지역에서 GCM 자 체의 예측성이 낮기 때문이다.

    우선 SBC 방법은 APCC에서 매달 9개국 17개 기관으 로부터 수집하는 개별 기후예측모형 (GCM)에 의해 생성 된 대상 지역 및 기간의 예측 정보를 월별 기후 특성 (평균)만을 보정하여 활용하는 예측 자료 기반의 직접적 인 상세화 방법이다. 즉 예측하려는 대상지역이 한반도 이면서 예측하려는 기후변수가 강수량인 경우에, 한반도 상공에 해당되는 GCM 격자의 강수량 값을 관측자료의 동일한 과거기간에 대한 월평균 값과 비교하여 매월 존 재하는 GCM의 계통오차 (bias)를 보정하여 사용하는 방 법이다. 예측인자와 예측대상 변수의 시간적 관계는 현 재로부터 3개월 후를 예측하는 경우 GCM의 3개월 선행 예측자료를 사용하기 때문에 동일한 시점의 자료를 사용 한다. 월단위 강수 및 기온 예측을 위해서는 한반도 전 체를 대상지역으로 선정하였으며, 76년 이후 자료가 존 재하는 기상청의 57개 종관기상관측시스템 (Automatic Synoptic Observation System, ASOS)의 일단위 자료를 시· 공간적으로 평균하여 한반도 월평균 관측값으로 사용하 였다.

    MWR 방법은 SBC 방법과 같이 APCC에서 매월 수집 하는 개별 GCM의 예측자료를 사용하는 것은 같으나, 한반도 상공의 강수 예측 정보를 그대로 사용하는 대신 에 GCM으로부터 예측된 광역규모의 기후예측 정보 중 에서 한반도 강수량과 높은 상관관계를 보이는 해수면온 도 또는 해수면기압 등과 같은 대리변수를 이용하여 회 귀모형을 구축하여 예측하는 예측자료 기반의 간접적인 통계적 예측방법이다. 일반적으로 GCM의 경우 극지방 에서 예측성이 낮은 것으로 알려져 있어 GCM의 대리변 수 중에서 예측인자를 선정하는 과정에서 기후예측모형 의 예측성이 높은 것으로 알려진 -40°~ 40°위도 범위를 대상 영역으로 사용하였다.

    MWR 기법의 예측인자 선정 절차는 통계적 예측모형 구축 시 과대적합을 방지하기 위하여 교차검증 (cross validation) 및 분할검증 (split validation) 방법을 적용하였 다. 교차검증은 과거 관측기간 (1983~2013)에 대하여 실 제 예측과 동일한 조건을 재현하기 위해서 예측하고자 하는 년/월과 동일한 시점의 예측인자를 모두 제거한 후 통계모형을 구축하는 LOOCV (Leave-One-Out-Cross- Validation) 방법을 사용하였다. 즉 1983년 1월에 대한 회 귀모형을 구성하는데 있어서 1983년 1월을 제외한 1984 년∼2005년 기간의 1월의 예측인자를 이용하여 회귀모 형을 구성하여 1983년의 1월을 예측한다. 나머지 기간에 대하여도 동일한 방법으로 예측을 수행한다. 이 경우 실 시간 예측에서 예측성이 확보되기 위해서는 매년 독립적 으로 선정된 예측인자가 동일한 변수이어야 하며 동일한 지역에 반복적으로 위치해야 한다. 만약 매년 선정된 예 측인자가 변수의 종류가 바뀌거나 동일한 변수가 선정되 더라도 위치가 바뀐다면 실시간 예측에 있어서는 예측성 을 담보하기가 어렵다.

    또한 실시간 예측에 있어서 예측성 있는 예측인자를 선정하기 위해서 매년 교차검증을 수행하는 과정에서 분 할검증 방법을 적용하였다. 예를 들어 1983년 1월을 예 측하는 경우 전체 관측기간 (1984년~2013년) 기간을 훈 련기간 (1984년~2007년) 및 검증기간 (2008년~2013년)으 로 구분하였다. 첫 번째 절차로 훈련기간 동안에는 훈련 기간의 2/3에 해당되는 샘플을 훈련기간의 자료 수 (24 번)만큼 무작위로 선정한다. 무작위로 선정된 각각의 샘 플 기간에 대하여 독립변수 (예측인자)와 종속변수와의 상관계수를 예측자료의 격자별로 구한다. 상관계수는 음 의 상관관계를 갖는 지역과 양의 상관관계를 갖는 지역 을 구분하여 두 가지의 경우를 고려하였다. 각각의 부호 에 대하여 모든 샘플의 경우에서 상관계수의 하한 값보 다 큰 값이 반복적으로 나타나는 지역을 우선 선정한다. 일반적으로 통계적으로 유의미한 상관관계를 갖는 지역 은 여러 지역에 분산되어 위치할 수 있다. 이중 공간적 으로 가장 넓게 분포하는 지역을 공간군집분석을 통해 추출하되 사용자에 의해서 주어진 최대 임계값 (80개 격 자)을 넘지 않도록 선정하였다. 두 번째 과정으로는 훈 련기간 동안에 선정된 잠재 예측인자들을 이용하여 나머 지 검증기간에 대하여도 종속변수와의 상관계수를 구한 다. 이 결과 훈련기간 및 검증기간의 상관계수들의 부호 가 동일한 경우로 예측인자의 범위를 좁힌다. 만약 여러 변수들이 선정된 경우에는 선정된 예측인자들 중에서 훈 련기간 동안의 샘플들에 대한 상관계수의 평균값이 가장 높은 변수를 최종적인 예측인자로 선정하였다.

    이와 같이 교차검증 및 분할검증 방법을 통해 가장 예측성이 높은 변수 및 지역을 선정하는 경우, 특정 연 도에는 선정된 예측인자가 없을 수도 있다. 따라서 본 연구에서는 연도별로 선정된 예측인자들이 전체 기간의 80% 이상 선정되고, 동일한 변수가 관측기간의 과반수 이상 동일한 지역에 반복되는 경우에 최종적으로 예측 모형으로 선정하였다.

    CIR 방법은 광역규모의 해양 및 대기 순환과 대상지 역 (한반도)의 강수량과의 상관관계를 이용하여 대상지 역의 기후를 예측하는 통계적 방법이다. GCM에 의해 생산되는 예측자료의 경우에는 기후예측모형의 특성에 따라서 모형별로 서로 상이한 계통오차를 보일 수 있으 며 예측결과도 많은 불확실성을 포함할 수밖에 없다. 반 면에 관측기반의 자료의 경우에는 예측자료와 비교하여 불확실성이 현저히 적다는 장점이 있다. CIR 방법은 상 관관계를 이용한 통계적 방법이라는 관점에서 MWR 방 법과 비슷하다. 하지만 CIR 방법은 예측자료를 사용하는 대신에 관측자료를 이용하여 매월 업데이트되는 기후인 자 (climate index)를 예측인자 (predictor)로 사용한다. 과 거자료를 예측에 사용하기 위해서는 사용하려는 관측자 료 기반의 기후인자와 한반도 강수 사이에 지연시간 (lag time)이 존재해야 하며 이는 예측하고자 하는 선행 예측기간 (lead time) 보다 커야 한다. CIR 방법의 경우 도 MWR 방법과 비슷하게 과대적합을 방지하기 위해 교 차검정, 분할검정, 예측인자의 반복성 평가 등의 기법을 적용하였다.

    MWR-Obs 방법은 전지구규모의 격자형 기후자료로부 터 상관성이 높은 변수와 지역을 예측인자로 찾아내는 방법에 있어서 MWR 방법과 동일하지만, 관측자료 기반 의 장점을 최대화하기 위해서 예측인자로 개별 GCM의 예측자료를 사용하지 않고 관측자료인 NCEP/NCAR 재 분석자료 (Reanalysis 1)를 사용한다. MWR-Obs 방법에 사용된 재분석자료는 실시간 예측을 위해서 매달 업데이 트 되어야 한다. 기후분야에서 사용되는 재분석 자료로 는 NCEP에서 제공하는 CSFR (Climate Forecast System Reanalysis) 및 ECMWF (European Centre for Medium-Range Weather Forecasts)에서 제공하는 ERA (ECMWF re-analysis) 등 다양한 자료가 있으나 본 연구 에서는 매달 갱신이 되는 NCEP/NCAR Reanalysis 1 자료 를 사용하였다. 예측인자로는 Table 1과 같이 총 9개의 변수를 사용하였다. CIR 방법과 비슷하게 관측기반 자료 를 예측에 사용하기 위해서는 예측대상 변수와 예측인자 사이에 지연시간 (lag time)이 존재해야 한다. 본 연구에 서는 지연시간을 최대 8개월까지 고려하였다. MWR-Obs 방법 또한 MWR 방법과 동일하게 통계적 예측모형의 과 대적합을 방지하기 위해 동일한 예측인자 선정 절차를 고려하였다.

    앞서 설명한 예측성 향상을 위한 상세화 방법들에 더 하여 장기 기후예측 자료를 비점오염 모형의 입력 자료 로 활용하기 위해서는 월단위 자료를 일단위 자료로 변 환하는 시간적 상세화 과정이 필요하다. 시간적 상세화 방법은 예측된 월 자료를 기반으로 과거 자료로부터 일 자료를 샘플링 하는 방법을 사용하였다. 즉 대상지역에 대하여 예측된 월별 강수량 및 평균기온을 동일한 지역 을 대상으로 과거 관측 자료로부터 계산된 공간평균 강 수량 및 평균기온과 비교하여 가장 비슷한 특성을 가지 는 연/월을 선정한 후 선정된 과거자료의 연/월로부터 대상 지역에 포함되어 있는 모든 관측점의 자료를 동시 에 추출하여 일 자료를 생성한다 (Cho, 2014). 비슷한 기 후 특성을 갖는 연/월의 선정은 2개 변수 (강수 및 평균 온도)를 이용하여 Mahalanobis distance (Mahalanobis, 1936)를 계산한 후, 거리가 가장 작은 값을 가지는 연/월 을 과거 관측 자료로부터 선정하였다. 이 경우 대상지역 내에 존재하는 모든 관측소에 대하여 동일한 기간의 일 자료를 가져오기 때문에 수문 모델링에 필요한 관측지점 간의 공간상관성이 확보된다는 장점이 있다. 최종적으로 APEX-Paddy 모델링시스템에서 요구하는 일단위 자료를 풍속, 대기압, 기온, 이슬점 온도, 상대습도, 강수량, 운 량, 일사량 등 8개 기상변수에 대해 생성하였다.

    둘째, 특정 월 및 선행예측 기간에 대해서 다중 예측 모형이 존재하는 경우, 다중모형앙상블 (Multi-Model Ensemble, MME) 자료의 연변동성이 관측 자료와 비교하 여 감소하는 결과를 보일 수 있다. 따라서 본 연구에서 는 상세화된 예측자료가 관측자료가 갖는 변동성과 동일 하게 될 수 있도록 식 (1)에서와 같이 보정상수를 이용 하여 보정하였다. 즉, 보정 전·후의 TCC (Temporal Correlation Coefficient) 값은 동일하게 유지되면서 관측자 료와 보정후의 예측자료의 CV (Coefficient of Variation) 값이 동일하게 후처리 (Post process)를 수행하였다.

    F a d j = α F
    (1)

    여기서, Fadj = 보정된 예측 시계열 자료, F= 보정 전 의 예측 시계열 자료, α= 보정상수

    셋째, APEX-Paddy 모형의 입력으로 사용되는 예측자 료의 앙상블멤버 생산에 있어서 기존의 방법은 다중예측 모형의 최소 (MIN), 최대 (MAX), 평균 (MME) 값만을 사용하였다. 즉, 강수량 및 기온의 2개 변수를 이용하여 Mahalanobis distance를 계산할 때, 강수의 경우에는 다중 상세화 예측 모델들의 결과를 평균한 MME와 최대값 (MAX) 및 최소값 (MIN)을 사용하였으나 온도의 경우에 는 평균값 (MME)만을 이용하여 발생하는 3개 조합 (강 수:MME-기온:MME, 강수:MIN-기온:MME, 강수:MAX-기 온:MME)을 사용하였다. 일반적으로 강우에 따른 유출량 만을 예측하는 경우 전체기간의 강수량의 최소/최대값이 유량의 최소/최대값과 동일하게 나타날 가능성이 높지만, 수질과 같이 강수량과 수질이 비선형적으로 반응하는 경 우에는 발생할 수 있는 모든 조합을 수질모델의 입력으 로 고려한 후 예측된 수질 중에서 최소/최대/평균값을 구하는 방법이 합리적일 수 있다. 따라서 본 연구에서는 기존 방법과 비교하여 강수량의 월별 최대, 최소, 평균을 이용하여 발생하는 모든 조합을 앙상블멤버로 활용하였 다.

    나. 예측성 평가

    계절예측에서 예측성 향상을 위해 SBC 방법에 추가 하여 고려된 MWR, MWR-Obs, CIR 방법을 모두 이용하 여 예측된 한반도 평균 월단위 강수량 및 기온에 대한 예측성 평가가 수행되었다. 연속형 변수에 대한 정확성 을 평가하기 위해서는 식 (2)에서와 같이 Root Mean Square Error (RMSE)를 관측값의 표준편차를 이용하여 표준화한 NRMSE를 사용하였으며, 예측값과 관측값의 선형 상관성을 평가하기 위해서 식 (3에서와 같이 Pearson’s correlation coefficient를 이용하여 TCC (Temporal Correlation Coefficient)를 계산하여 사용하였다. TCC는 강수 또는 온도 등과 같이 동일한 변량에 대하여 관측값과 예측값을 비교하는 경우 1에 가까울수록 높은 예측성을 나타낸다.

    다중 범주형 (multi-category) 예측성 평가 지표에 대해 서는 예측 검증 연구(forecast verification research)를 위 해 WWRP (World Weather Research Programme) 및 WGNE (Working Group on Numerical Experimentation)에 서 공동으로 제시한 방법들 중에서 분할표 (contingency table)에 대하여 Accuracy 및 HSS (Heidke Skill Score)를 사용하였다. 기상청에서는 강수 및 기온에 대하여 3개월 선행 예측 정보를 3개 범주 (평년보다 낮음, 평년과 비 슷, 평년보다 높음)로 제공하고 있으며, 본 연구에서도 3 개 범주를 기준으로 예측성을 평가하였다. 즉 과거 관측 자료를 이용하여 하위 33%를 평년보다 낮은 경우 (below normal), 중간의 33%를 평년과 비슷 (near normal), 상위 33%를 평년보다 높은 경우 (above Normal)의 3개 구간으로 분류하였고 예측 결과가 각각의 범주에 해당되 는 횟수를 분할표 (contingency table)로 작성한 후 식 (4) 및 식 (5)를 이용하여 예측성을 평가하였다.

    NRMSE= 1 N i = 1 N ( F i O i ) 2
    (2)
    T C C = Σ ( F F ¯ ) ( O O ¯ ) Σ ( F F ¯ ) 2 Σ ( O O ¯ ) 2
    (3)
    Accuracy = 1 N i = 1 k n ( F i , O i )
    (4)
    HSS= 1 N i = 1 k n ( F i , O i ) 1 N 2 i = 1 k N ( F i ) N ( O i ) 1 1 N 2 i = 1 k N ( F i ) N ( O i )
    (5)

    예측성 평가는 매월 예측을 수행하는 상황을 기준으 로 개별 예측모형들의 평균인 MME를 대상으로 수행하 였다. 즉 MME 계산에 사용되는 예측자료의 개수는 예 측을 수행하는 시점으로부터 선행예측 기간이 늘어날수 록 줄어든다. 예를 들면 2016년 7월에 6개월을 예측을 수행하는 경우, 1개월 후인 8월의 경우에는 2016년 2월 에 예측한 6개월 선행예측 결과로부터 7월에 예측한 1개 월 선행예측 결과까지 사용 가능한 반면에 2017년 1월 의 경우에는 7월에 예측된 6개월 선행예측 결과만이 MME 계산에 사용 가능하다.

    3. APEX-Paddy 모형을 이용한 농업비점오염 부하 량 정량화 모델링

    여러 포장규모의 모형 중 대표적인 모형으로 EPIC 모 형 (Williams et al., 1984)이 있다. EPIC 모형은 1980년대 초에 기상, 토양 및 영농방식이 동일한 포장규모에서 발 생하는 침식이 생산성에 미치는 영향을 파악하기 위해서 개발되었다. EPIC 모형은 CREAMS (Knisel, 1980) 및 SWRRB (Williams et al., 1985)의 다양한 요소들 및 GLEAMS (Leonard et al., 1987) 모델의 농약 관련 기능 등이 추가되면서 수문, 침식-퇴적, 양분 순환, 농약의 분 해과정, 작물 생장, 토양 온도, 경작, 경제성 및 작물 환 경 제어 등을 모의할 수 있도록 발전하였다. 고려 가능 한 영농관리 요소로는 윤작, 경운, 관개, 배수, 제방 작 업, 토양 개량, 방목, 가지치기, 솎음 및 수확, 비료 및 농약 사용량 및 사용 시기 조절 등이 있다. APEX 모형 은 EPIC모형의 기능을 농장 전체 또는 소규모 유역으로 확장하기 위해 개발되었으며, 다양한 지역에서 여러 영 농방식이 유출, 토양 침식, 및 양분유출 등에 미치는 영 향을 분석하기 위해 사용되어 왔다. 하지만 APEX 모형 은 개발된 미국의 대규모 밭 중심의 농업환경에 적합하 도록 개발되었기 때문에 국내 농경지의 60%이상을 차지 하는 논의 담수조건 및 써레질, 이앙, 관개 및 배수 등과 같이 논과 관련된 영농방식 을 고려하기에 한계가 있다.

    농촌진흥청에서는 미국 텍사스 A&M 농업연구소와 함께 국내 논의 수문·수질 기작을 모의할 수 있도록 APEX-Paddy 모형을 최근에 개발하여 공개하였다. APEX-Paddy 모형은 논에서의 BMP 적용에 있어서 써레 질 및 이후 토양입자의 침전에 따른 토양 밀도 및 공극 의 역동적인 변화, 시비에 따른 장기적인 토양의 산성화, 탄소의 순환 및 탈질화 등을 모의할 수 있다. 담수 재배 와 관련하여 Figure 2와 같이 SCS-CN 방법에 기반한 APEX의 유출 기작과는 다르게 물수지 방정식을 이용한 유출과, 써레질에 의한 토양유실, 담수에서의 양분의 변 화 및 소멸, 이에 따른 작물생육 알고리즘이 추가되었다. 논에서의 낮은 침투는 2번째 토양의 수리전도도 (hydraulic conductivity)를 낮춰 고려하였으며 써레질 영농 방식이 APEX의 OPS DB에 추가되었다. 써레질 적용 시 에 관개를 통해 담수된 물과 써레질 과정에서 경운에 따 른 토양층과의 반응에 따라서 질소, 인, 탄소, 작물의 잔 여물 등의 혼합이 고려되며 결과적으로 유사농도의 급작 스런 증가와 침식이 모의된다. 관개의 경우, APEX 모형 의 자동관개는 토양수분의 부족 시 적용되는 반면에 APEX-Paddy 모형의 자동관개는 OPS 파일에 규정된 담 수심 이하로 수위가 내려갈 때 적용된다. 작물생육의 경 우 논에서의 이앙을 고려하기 위해서 이앙 시점의 초기 LAI (Leaf Area Index) 값을 0.1로 사용하고 성숙에 필요 한 Heat Units을 2,200 degrees에서 1,500 degrees로 변경 하였으며 단위면적 (m2)당 벼의 개체수는 124로 사용하 였다. 또한 생육속도를 규정하는 DLAP1 및 DLAP2 매개 변수를 조정하여 초기에 빠르게 성장하는 생체량 (biomass)을 고려하였고 이앙 시 초기 바이오매스를 100kg/ha 로 조절하였다. 밭 조건과 비교하여 담수조건에 따른 뿌리 성장의 억제를 고려하여 전체 바이오매스에 대한 뿌리의 비율이 보다 빠르게 감소하도록 모형에서 고려되었다.

    III. 결과 및 고찰

    1. 기후 변동에 따른 비점오염 부하량 변동 특성 분석

    모니터링 사이트로부터 가장 가까운 기상 관측소인 전주관측소의 영농기간 (5월 ∼ 9월)동안 최근 30년 평 균 강수량은 997 mm 이었던 반면에 2013년에는 721 mm, 2014년에는 587 mm, 2015년에는 373 mm로 적게 나타났다. Table 2와 Figure 3은 월별 연도별 서로 다른 영농관리 기법의 적용에 따른 유출량, TN, TP 부하량의 변화를 보여 준다. 전체적으로 2013년 강수량 기준으로 49%가 줄어든 2015년이 경우에는 TN-시비관리 경우를 제외하고는 모든 경우에 있어서 유출량 및 비점오염 부 하량이 줄어드는 결과를 보였다. 반면 19%가 줄어든 2014년의 경우에는 유출량 (대조구 및 시비관리) 및 TN (시비관리), TP (대조구 및 시비관리)의 경우에 증가하는 경향을 보였다. 유출량의 경우에는 강우 총량만을 고려 하는 것에 더하여 강우강도가 큰 강우 사상의여부와 선 행강우 사상이 얼마나 있었는지 등 강우의 시간적 패턴 또한 중요한 요소로서 고려되어야 하며, TN 및 TP의 경 우에는 강우의 시간적 패턴에 더하여 시비한 시점 이후 의 강수량이 전체 배출부하량 결정에 있어서 중요한 요 소임을 시사한다.

    2. 기후예측 예측성 평가

    Table 34가지 상세화 방법에 의한 월별, 선행예측 기간별 강수량 예측을 위해 선정된 예측모형들을 보여준 다. 1월 및 10월에는 한 개의 예측모형도 선정되지 않았 다. 예측모형이 개별 GCM의 예측자료를 직접 사용하는 SBC 방법의 경우, 1~6개월 선행예측기간에 따라서 각각 4, 9, 10, 5, 6, 5 개 모형이 선정되어 전체적으로 38개 모형이 선정되었다. 2~3개월 선행예측기간에 대해서는 비슷한 개수의 모형이 선정된 반면에 선행예측기간이 4~6개월로 증가되면서 선택된 모형이 감소하는 경향을 보였다. 예측자료 기반의 간접적인 방법인 MWR은 1~6 개월 선행예측기간에 대해서 각각 2, 1, 1, 3, 1, 1 개 모 형이 선정되어 총 9개 모형이 선정되어 선행예측기간에 상관없이 3개 미만의 예측모형이 선정되었다. 반면 관측 자료 기반의 CIR 방법은 강수의 경우 7월에 대해서만 모형이 선정되었다. MWR-Obs 방법의 경우도 강수량의 경우 9월에 2개월 선행예측의 경우에만 예측모형이 선정 되었다. 전체적으로 SBC 및 MWR의 예측자료 기반의 방법들에서 관측자료 기반의 CIR 및 MWR-Obs 방법들 과 비교하여 예측모형이 보다 빈번하게 선정되었다. SBC 방법의 경우 11개 개별 예측 모형 중에서 강수의 경우에는 NCEP 및 POAMA 모형이 각각 12, 10 개씩 각 각 선정되어 한반도에서 타 모형과 비교하여 높은 예측 성 결과를 보였다. MWR 방법은 강수의 경우 NASA 모 형이 3개로 타 모형들과 비교하여 가장 많이 선정되었 다.

    Table 44가지 상세화 방법에 의한 월별 선행예측기 간별 기온 예측을 위해 선정된 모형의 결과를 보여 준 다. 예측자료를 직접 사용하는 SBC 방법의 경우는 1~6 개월 선행예측기간에 따라서 28, 11, 12, 11, 11, 11 개 모형이 각각 선정되어 전체적으로 84개 모형이 선정되었 다. 1개월 선행예측기간에 대해서 가장 많은 모형이 선 정되었고, 2~6개월 선행예측기간에 대해서는 비슷한 개 수의 모형이 선정되었다. 예측정보기반의 간접적인 방법 인 MWR은 1~6개월 선행기간에 대해서 각각 5, 3, 1, 0, 3, 0 개 모형이 선정되어 총 12개 모형이 선정되었다. SBC방법과 비슷하게 1개월 선행예측기간의 경우가 5개 모형이 선정되어 가장 많았고 2~6개월 선행예측기간에 는 3개 미만의 모형들이 선정되었다. 반면 관측자료 기 반의 CIR 방법은 6월 및 9월에 대해서 각각 모형이 선 정되었다. MWR-Obs 방법은 9, 10월에 각각 1개씩 선정 되었다. SBC 방법이 84개로 가장 많이 선정되었고, MWR 및 CIR 방법이 가각 12개 12개의 모형 선정결과 를 보였다. 전체적으로 MWR, SBC의 예측자료 기반의 방법이 관측자료 기반의 방법인 CIR 및 MWR-Obs 방법 보다 빈번한 예측모형 선정 결과를 보였다. SBC 방법의 경우 개별 예측 모형 중에서 NASA, POAMA, PNU, NCEP 모형이 각각 23, 19, 11, 11 개씩 각각 선정되어 한반도에서 타 모형과 비교하여 높은 예측성 결과를 보 였다. MWR 방법은 강수의 경우 POAMA가 4번 선정되 어 타 모형들과 비교하여 가장 많은 선정 결과를 보였 다.

    역학적 기후예측 모형 (GCM)의 결과를 편의보정을 거쳐 직접 사용하는 SBC 방법은 4개월 이상의 선행예측 기간에 대해 강수 및 기온 모두 선정된 모형의 개수가 감소하는 경향을 보이고 있는데, 이는 선행예측기간이 증가함에 따라서 예측성이 감소하는 예측모형의 특성을 반영한 결과라 판단된다. 또한 SBC 방법의 경우 기온 및 강수량에 대해 각각 총 84개 및 38개 모형이 선정되 어, 역학적 모형의 경우 강수량보다는 기온의 경우에 높 은 예측성 결과를 보였다. MWR 방법 또한 강수량 및 기온에 대해 각각 총 9, 12개의 모형이 선정되어 강수량 보다는 기온에 대해 높은 예측성을 보였다. 또한 강수 및 기온에 대해서 각각 12월 및 9월에 가장 많은 예측모 형이 선정되었다.

    CIR 방법의 경우 7월 강수에 대해서는 WP (Western Pacific Index)가 5개월 지연시간을 갖고 선정되었고, 6월 및 9월 기온에 대해서는 모두 PACWARN (Pacific Warmpool 1st EOF of SST)가 7개월의 지연시간을 갖고 선정되었다. WP는 서태평양의 한반도 근처에 위치하고 있으며, PACWARN은 태평양의 해수면 온도와 관련된 기후인자이다. 일반적으로 ENSO와 관련된 NINO12, NINO34, NINO4 등과 같은 기후인자들이 많이 알려져 있지만 대신 PACWARN 인자가 선정되었다.

    MWR 방법의 경우 Figure 4는 5월~9월 강수에 대해 선정된 예측인자들의 공간적인 분포를 보여주고 있다. 예측인자는 매 해 교차검증 수행 과정에서 동일한 지역 에서 예측인자가 반복되는 경우에 선정되었다. 그림에서 노랑색은 선정된 횟수가 높은 경우를 의미한다. 바람직 한 예측모형은 한반도 지역 기후에 영향을 미치는 지구 기후시스템의 주된 물리적 매커니즘을 이해하고 기후예 측모형에 이를 반영하여 활용하는 것이다. 하지만 기후 예측 모형들이 공간적 위치를 포함하여 물리적 현상을 적절히 모의하는 것을 보장할 수 없기 때문에 예측자료 를 기반으로 하여 매커니즘을 분석하기란 어려운 상황이 다 (Cho, 2015). 따라서 MWR-Obs와 같이 관측자료 기반 의 지연시간을 고려한 높은 상관관계를 보이는 예측인자 를 도출한 경우에 예측자료 기반의 선정된 예측인자와 비교하여 물리적인 매커니즘을 설명하기에 용이하며 이 를 통한 기후분야와의 융합연구가 가능할 것으로 판단된 다. Figure 5는 MWR-Obs 방법에 의해 생육기인 5월~9월 의 강수 예측 중에서 9월에 유일하게 선정된 예측인자의 공간적 위치를 보여준다. 결정된 예측인자 (z500, 2개월 지연시간)에 대한 물리적 의미에 대한 설명은 추가적으 로 필요할 것이라 판단된다.

    Figure 6과 Table 5는 강수에 대하여 월별, 선행예측기 간별 계산된 TCC값을 보여주고 있다. 제시된 결과는 매 월 예측을 수행하는 경우에 대하여 개별 예측모형의 단 순평균인 MME와 관측값을 비교하여 얻은 결과이다. 3 월 및 6월 강수의 경우에는 선행예측 기간에 따라서 TCC값이 변동이 없는데 이는 각각 3개월 및 6개월 선행 예측기간에만 모형이 선정되었기 때문이다. 일반적으로 선행예측기간이 증가하면 예측성능이 감소하는 것으로 알려져 있으나 7월 강수의 1~3개월 선행예측 경우에는 반대의 경향을 보이고 있다. 이는 선행예측기간에 대한 예측성능의 반비례 관계가 역학적 기후예측 모형에 근거 한 경우에 해당되는데, 7월 강수의 경우에는 관측자료 기반의 기후인자를 예측인자로 하는 통계적 방법이 선정 되어 이와는 무관한 결과를 보인 것으로 사료된다. 역학 적 기후예측 자료를 직접 이용하는 방법은 SBC 방법인 데, SBC 방법이 주로 선택된 8월 강수 예측의 경우에는 선행예측기간의 증가에 따라 TCC값이 감소하는 경향을 보이고 있다. 또한 이와 같이 선행예측기간의 증가에 따 라서 TCC값이 감소 경향은 MME에 사용된 개별 예측자 료의 양에 의해서도 영향을 받을 수 있다. 즉 선행예측 기간이 짧은 경우 선행예측기간이 긴 경우와 비교하여 보다 많은 예측모형 결과가 MME에 사용된다. 따라서 MME의 경우 자료의 양이 증가함에 따라서 예측성 향상 이 기대된다. 강수량의 경우에는 개별 예측모형이 가장 많이 선정된 12월에 비교적 높은 예측성을 보였다.

    기온에 대한 예측성 평가 결과는 Figure 7과 Table 6 에 제시되어 있다. 기온의 경우는 Table 6에서와 같이 9 월에 가장 많은 예측모형이 선정되었고, 상세화 방법의 경우 SBC방법이 주로 선정되었다. 결과적으로 9월 기온 예측의 경우에 모든 선행기간에 대하여 예측성이 전체적 으로 높은 결과를 보였고, 역학적 예측모형 결과를 기반 으로 하는 SBC 상세화 방법이 선정되어 선행예측기간의 증가에 따라서 TCC값이 감소하는 결과를 보였다. 다음 으로는 10월에 다수의 SBC방법을 기반으로 한 예측모형 이 선정되었으며 10월의 경우에도 비교적 높은 예측성을 보이고 있다. 기온의 경우 4월, 7월, 8월에 3개월보다 긴 선행예측기간에 대해서 예측이 어려운 것으로 나타났다.

    Figure 8은 농업비점오염 부하량에 중요할 것으로 판 단되는 5월~9월의 강우량 예측 자료의 시계열과 산포도 를 보여 주고 있다. 예측 조건은 매월 예측하는 대신에 4월달에 5월~10월까지 5개월에 대해 예측하는 것을 가 정으로 하였다. 시계열 자료를 살펴보면, 예측자료의 후 처리를 통하여 예측자료의 연변동성을 관측의 연변동성 과 같게 보정하였기 때문에 관측값의 범위를 잘 재현하 고 있는 것을 볼 수 있다. 실시간 예측을 위한 예측모형 의 구성은 1983~2013년의 과거기간을 사용하였기 때문 에 2014년 및 2015년의 경우는 통계적 방법에 의해 발 생할 수 있는 과대적합 (overfitting) 문제로부터 자유롭다 고 판단할 때, 예측된 강수량이 관측 강수량을 잘 재현 하는 결과를 보였다.

    3. 필지규모 농업비점오염 부하량 정량화

    물관리 또는 시비관리 등과 같은 영농방법의 변경을 통한 농업비점오염 부하량 변화를 정량화하기 위해서는 사용하는 모형이 영농방법을 고려할 수 있어야 하며 관 측에서 보여 지는 경향성을 잘 모의할 수 있어야 한다. 본 연구에서는 대조구, 물관리, 시비관리에 대한 각각 2 개 필지에 대해서 개별적으로 모형의 보정을 수행하지 않고 물관리 및 시비관리에 대한 영농방법만을 필지별로 고려하였고 나머지 매개변수는 전체 6개 필지에 동일한 값을 사용하였다. 이는 모든 조건이 동일한 상황에서 모 형이 영농방법의 변경에 따른 영향만을 얼마나 잘 반영 하는지 평가하기 위함이다.

    Figure 9는 유출량에 대한 모의 결과를 보여준다. 대조 구에 대해서는 모든 기간에 대해서 실제 관측 유출량과 비교하여 과대 모의한 반면 물관리 포장의 경우에는 과 소 모의한 결과를 보였다. 두 경우 모두 연간 강우변동 에 따른 유출량의 연변동 경향을 동일하게 모의하였다. 반면 시비관리 포장의 경우에는 양적으로는 비슷한 결과 를 보였으나 2014년의 유출량을 과소 모의하는 결과를 보였다. 관측과 모의 결과 모두 물관리 포장에서 2015년 의 유출량이 가장 작게 나타났는데 이는 2015년 기간 동안 관개기 강우량이 과거 평균 강우량에 비해 작았고 물꼬 높이의 증가로 인한 물관리 포장에서 유효 강우의 증가에 기인하는 것으로 판단된다.

    대조구와 비교하여 3년 평균 유출량의 경우 관행 (대 조구) 대비 물관리 포장의 지표배수량은 관측의 경우 평 균 24% (관행: 395 mm, 물관리: 298 mm) 감소되는 것으 로 나타난 반면에 APEX-Paddy 모의 결과는 64% (관행: 485 mm, 물관리: 177 mm)로 물꼬 높이를 70 mm에서 120 mm 로 변경함에 따라서 저류로 인한 배출량의 저 감 효과를 과대하게 모의했다. 반면 시비관리 포장에서 의 3년 평균 유출량은 관행 대비 관측의 경우 평균 12% (관행: 395 mm, 시비관리: 347 mm) 감소되는 것으로 나 타난 반면에 APEX-Paddy 모의 결과는 34% (관행: 485 mm, 시비관리: 321 mm)의 저감 효과를 보였다. 시비관 리에 의한 이와 같은 효과는 모든 조건이 동일하다면 유 출량의 변화가 없어야 하지만 이와 같은 차이는 관행구 의 관개량이 상대적으로 컸던 점을 고려할 때 포장별로 관개되는 유량이 다르기 때문에 발생되는 결과로써 불확 실성 관점에서 고려되어야 할 요소라 판단된다.

    Figure 10은 영농관리 방법에 따른 TN 배출부하량의 비교를 보여 준다. 관행구, 물관리구, 시비관리구의 모든 경우에 대한 모의 결과는 실제 관측 부하량과 비교하여 현저하게 작게 모의하는 경향을 보였다. 부하량의 양은 과소 모의하였으나 연도별 부하량의 변동 경향은 물관리 구를 제외하고 관측과 비슷한 모의 결과를 보였다.

    대조구와 비교하여 3년 평균 TN 배출부하량의 경우 관행 (대조구) 대비 물관리 포장의 지표배수량은 관측의 경우 평균 27% (관행: 12.7 kg/ha, 물관리: 9.2 kg/ha) 감 소되는 것으로 나타난 반면에 APEX-Paddy 모의 결과는 0% (관행: 1.5 kg/ha, 물관리: 1.5 kg/ha)로 관측에서는 물 꼬 높이를 변경함에 따라서 배출부하량 감소하는 경향을 보였으나 모의 결과는 이를 반영하지 못하였다. 시비관 리 포장에서도 3년 평균 TN 배출부하량은 관행 대비 관 측의 경우 평균 29% (관행: 12.7 kg/ha, 시비관리: 8.9 kg/ha) 감소되는 것으로 나타난 반면에 APEX-Paddy 모 의 결과는 8% (관행: 1.5 kg/ha, 시비관리: 1.4 kg/ha)의 저감 효과를 보여 물관리 포장이 경우와 비슷한 결과를 보였다.

    Figure 11은 영농관리 방법에 따른 TP 배출부하량의 비교를 보여 준다. 관행구의 2013년도 결과를 제외하고 는 TN 부하량 결과에서와 같이 모든 경우에 대한 모의 결과는 실제 관측 부하량과 비교하여 작게 모의하는 경 향을 보였다. 연도별 부하량의 변동 경향은 시비관리 포 장에서만 관측과 비슷한 모의 결과를 보였다.

    대조구와 비교하여 3년 평균 TP 배출부하량의 경우 관행 (대조구) 대비 물관리 포장의 배출부하량은 관측의 경우 평균 39% (관행: 1.3 kg/ha, 물관리: 0.8 kg/ha) 감소 되는 것으로 나타난 반면에 APEX-Paddy 모의 결과는 79% (관행: 0.9 kg/ha, 물관리: 0.2 kg/ha)로 물꼬 높이 변 경에 따른 배출부하량의 감소 경향을 보였다. 시비관리 포장에서도 3년 평균 TP 배출부하량은 관행 대비 관측 의 경우 평균 27% (관행: 1.3 kg/ha, 시비관리: 0.9 kg/ha) 감소되는 것으로 나타난 반면에 APEX-Paddy 모의 결과 는 68% (관행: 0.9 kg/ha, 시비관리: 0.3 kg/ha)의 저감 효 과를 보여 물관리 포장의 경우와 비슷한 결과를 보였으 나 모의 결과는 이를 잘 반영하지 못하였다. 따라서 전 체적으로 관측의 경우 강우량이 적은 해에는 강우량이 많은 해에 비해 배출부하량은 상대적으로 적게 배출되는 경향을 보였다.

    IV. 요약 및 결론

    본 연구에서는 계절예측 자료의 수질관리 분야 활용 에 있어서 상세화 기법 개발을 통한 수평적 연계를 기반 으로 농업비점오염 관리를 위한 의사결정 과정의 수직적 연계를 위한 구체적인 활용 방안을 제시하고자 하였다. 기존 연구의 필지 규모에서의 논으로부터의 모니터링 결 과를 살펴볼 때 영농기 강수량이 비점오염 배출부하량에 중요한 요소로 작용하는 것을 확인할 수 있었다. 유출량 의 경우 강우 총량만을 고려하는 것에 더하여 강우강도 가 큰 강우 사상의여부와 선행강우 사상이 얼마나 있었 는지 등 강우의 시간적 패턴 또한 중요한 요소로서 고려 되어야 하며, TN 및 TP의 경우에는 강우의 시간적 패턴 에 더하여 시비한 시점 이후의 강수량이 전체 배출부하 량 결정에 있어서 중요한 요소임을 도출하였다. 이는 상 세화된 계절예측 정보의 비점오염 부하량 정량화 및 대 응방안의 수립을 위한 의사결정 과정에 활용할 수 있는 가능성을 제시하였다.

    예측 자료를 사용하는 정도에 따라서 예측 자료를 직 접 사용하는 단순편의보정 방법, 예측 자료를 간접적으 로 사용하는 MWR 방법, 관측 자료 기반의 CIR 방법 및 MWR-Obs 방법을 추가하여 월단위 강수와 기온을 예측 하는 실시간 예측시스템을 개발하였다. 갱신된 개별 예 측모형들을 이용하여 한반도 강수 및 기온 예측을 위한 예측모형이 재구축 되었고 예측성을 평가하였다.

    APEX-Paddy 모형은 대조구에 대해서는 모든 기간에 대해서 실제 관측 유출량과 비교하여 과대 모의한 반면 물관리 포장의 경우에는 과소 모의한 결과를 나타냈다. 두 경우 모두 연간 강우변동에 따른 유출량의 연변동 경 향을 동일하게 모의하였다. 반면 시비관리 포장의 경우 에는 양적으로는 비슷한 결과를 보였으나 2014년의 유 출량을 과소 모의하는 결과를 보였다. 관측과 모의 결과 모두 물관리 포장에서 2015년의 유출량이 가장 작게 나 타났는데 이는 2015년 기간 동안 관개기 강우량이 과거 평균 강우량에 비해 작았고 물꼬 높이의 증가로 인한 물 관리 포장에서 유효 강우의 증가에 기인하는 것으로 사 료된다.

    영농관리 방법에 따른 TN 배출부하량은 관행구, 물관 리구, 시비관리구의 모든 경우에 대해 실제 관측 부하량 과 비교하여 현저하게 작게 모의하는 경향을 보였다. TP 배출부하량은 관행구의 2013년도 결과를 제외하고는 TN 부하량 결과에서와 같이 모든 경우에 대한 모의 결과는 실제 관측 부하량과 비교하여 작게 모의하는 경향을 보 였다. 연도별 부하량의 변동 경향은 시비관리 포장에서 만 관측과 비슷한 모의 결과를 보였다. APEX-Paddy 모 형은 논에서의 TN 및 TP의 배출부하량의 연변동성 경향 은 비슷하게 모의하였지만 정량적으로 과소 모의하는 경 향을 보였다.

    APCC의 6개월 선행예측 정보는 강수량에 대한 월 또 는 계절 변동성 관련 정보를 제공함으로서 강우 유출수 를 통하여 오염원이 하천에 들어오기 이전에 비점오염 저감을 위한 관리방안을 선정하는 데 유용하게 사용될 수 있다. 또한 계절변동성으로 인한 상류유역으로부터의 유출, 유사, 및 영양물질을 포함한 비점오염 부하량의 변 화에 대한 예측이 수행하여 유역의 점원 및 비점오염을 포함한 수질 장기예측에 따른 종합적인 수질관리 방안을 도출할 수 있을 것으로 사료된다. 하지만 본 연구에서 제시된 계절예측 예측성은 한반도 평균 강수량 및 기온 에 대한 내용으로 향후 특정 지역을 대상으로 한 적용을 위해서는 상세화된 자료를 이용한 공간적인 예측성 평가 도 수행되어야 할 것으로 판단된다.

    본 연구는 APCC의 지원을 통해 수행되었습니다. 본 연구는 농촌진흥청 국립농업과학원 연구개발사 업(과제번호: PJ012549)의 지원으로 수행되었습니다.

    Figure

    KSRP-24-99_F1.gif

    Target watershed and monitoring site (KRC, 2015)

    KSRP-24-99_F2.gif

    Algorithm of APEX-Paddy model for consideration of ponding water conditions in paddy fields

    KSRP-24-99_F3.gif

    Variation of runoff and load by farming method

    KSRP-24-99_F4.gif

    Predictors selected by MWR method for May-September precipitation

    KSRP-24-99_F5.gif

    Predictors selected by MWR-Obs method for May-September precipitation

    KSRP-24-99_F6.gif

    Monthly TCC according to forecast lead time (precipitation, monthly forecasting)

    KSRP-24-99_F7.gif

    Monthly TCC according to forecast lead time (temperature, monthly forecasting)

    KSRP-24-99_F8.gif

    May to September precipitation forecast lead time series and scatter plot (April forecast)

    KSRP-24-99_F9.gif

    Runoff simulation results according to farming management method (top: control, center: water management, bottom: fertilization management)

    KSRP-24-99_F10.gif

    TN pollutant load simulation results according to farming management method (top: control, center: water management, bottom: fertilization management)

    KSRP-24-99_F11.gif

    TP pollutant load simulation results according to farming management method (top: control, center: water management, bottom: fertilization management)

    Table

    Variable list of Reanalysis1 reanalysis data selected as predictor

    Change of runoff and load by farming method

    Model selection result for the monthly precipitation forecast according to forecast lead time

    Model selection result for the monthly temperature forecast according to forecast lead time

    Monthly TCC according to forecast lead time (precipitation)

    Monthly TCC according to forecast lead time (temperature)

    Reference

    1. Arnold, J.G. , Srinivasan, R. Muttiah, R.S. , and Williams, J.R. , 1998, Large-area hydrologic modeling and assessment: Part I. Model development , Journal of American Water Resources Association, 34(1): 73-89.
    2. Beasley, D.B. , Huggins, L.F. , and Monke, E.J. , 1980, ANSWERS: A model for watershed planning , Transactions of the ASAE, 23(4): 938-944.
    3. Bicknell, B.R. , Imhoff, J.C. , Kittle, Jr., J.L. , Donigian, Jr., A.S. , and Johanson, R.C. , 1993, Hydrologic Simulation Program-FORTRAN (HSPF): user's manual for release 10, Report No. EPA/600/R-93/174, Athens, GA: U.S. EPA Environmental Research Lab.
    4. Bingner, R.L. , and Theurer, F.D. , 2001, AGNPS 98: a suite of water quality models for watershed use, Proceedings of the Sediment: Monitoring, Modeling, and Managing, 7th Federal Interagency Sedimentation Conference, Reno, 25-29 March 2001, VII-1-VII-8.
    5. Chang, P.-W. , Woo, C.-W. , and Kim, S.-P. , 2003, A study on the degree of pollution of stream and reservoir sediments in rural area , Journal of Korean Society of Rural Planning, 9(2): 1-6.
    6. Cho, J. and Mostaghimi, S. , 2009, Dynamic Agricultural Non-point Source Assessment Tool (DANSAT): model development , Biosystems Engineering, 102(4): 486-499.
    7. Cho, J. , 2014, Development of integrated methods for long-term water quantity and quality prediction using seasonal climate prediction, APEC Climate Center.
    8. Cho, J. , 2015, The use of long-term water quality forecasts in decision-making for dry, APEC Climate Center.
    9. Cho, J. , Vellidis, G. , Bosch, D. , Lowrance, R. , and Strickland, T. , 2010, Water quality effects of simulated conservation practice scenarios in the Little River Experimental Watershed , Journal of Soil and Water Conservation, 65(6): 463-472.
    10. Choi, H.-L. , Sohn, J.-H. , Yoo, S.-H. , 1996, Impact of livestock-production wastewater on water pollution , Journal of Korean Society of Rural Planning, 2(1):69-78.
    11. Choi, J.-K. , Son, J.-G. , Koo, J.-W. , and Kim, Y.-J. , 2001, Water quality of the agricultural reservoirs in Boryung watershed , Journal of Korean Society of Rural Planning, 7(1): 89-96.
    12. Flanagan, D.C. and Nearing, M.A. , 1995, WEPP Hillslope Profile and Watershed Model Documentation, NSERL Report No. 10. W. Lafayette, IN: National Soil Erosion Research Laboratory.
    13. Jeon, J.H. , Yoon, C.G. , Jung, K.W. , and Jang, J.H. , 2007, HSPF-Paddy simulation of water flow and quality for the Saemangeum watershed in Korea ,Water Science & Technology, 56(1): 123-30.
    14. KICT, 2007, Development of analysing system for surface water hydrological components.
    15. Kim, S.M. , Kang, M.S. , Park, S.W. , Kang, M.G. , and Chin, Y.M. , 2002, Nutrient loads estimation at paddy field using CREAM-PADDY model , Journal of Korean Society of Rural Planning, 8(1): 60-68.
    16. Kim, S.M. , Park, S.W. , Lee, J.J. , Benham, B.L. , Kim, H.K. , 2007, Modeling and assessing the impact of reclaimed wastewater irrigation on the nutrient loads from an agricultural watershed containing rice paddy field , Journal of environmental science and health. Part A, Toxic/hazardous substances & environmental engineering, 42(3): 305-15.
    17. Knisel, W.G. , 1980, CREAMS: A field-scale model for chemicals, runoff, and erosion from agricultural management systems, Conservation Research Report No. 26, U.S. Department of Agriculture, Science and Education Administration.
    18. KRC, 2015, The development of agricultural non point source pollution reduction measures on the saemangeum watershed.
    19. Lee, S,-H , and Kim, D .-S., 2010, A study on classification system and weighting values for comprehensive development projects of rural villages using AHP method , Journal of Korean Society of Rural Planning, 16(3): 43-49.
    20. Leonard, R.A. , Knisel, W.G. , and Still, D.A. , 1987, GLEAMS: groundwater loading effects of agricultural management systems , Transactions of the ASAE, 30(5): 1403-1418.
    21. Mahalanobis, P.C. , 1936, On the generalised distance in statistics , Proceedings of the National Institute of Sciences of India, 2(1): 49-55.
    22. Park, J. , Kang, M.S. , Song, I. , Hwang, S.H. , Song, J.-H. , Jun, S.M. , 2013, Development of relationaldatabase management system for agricultural non-point source pollution control, Journal of Korean Society ofRural Planning, 19(4): 319-327.
    23. So, H. , Jang, T. , Hong, S.-G. , 2017, Assessing unit load in farmland by application of liquid manure and organic farming , Journal of Korean Society of RuralPlanning, 23(4): 39-48.
    24. Williams, J.R. , Arnold, J.G. , and Srinivasan, R. , 2000, The APEX model. Texas A&M Blackland Research Center Temple, BRC Report No. 00-06.
    25. Williams, J.R. , Jones, C.A. , and Dyke, P.T. , 1984, A modeling approach to determining the relationship between erosion and soil productivity , Transactions of ASAE, 27: 129-144.
    26. Williams, J.R. , Nicks, A.D. , and Arnold, J.G. , 1985, Simulator for water resources in rural basins , Journal of Hydraulic Engineering, 111(6).
    27. Woo, H.-J. , Jang, T. , Choi, J.-K. , Son, J.-K. , 2015, Prioritizing subwatersheds for non-point source pollution management in saemangeum watershed using AHP technique , Journal of the Korean Society of Rural Planning, 21(3): 101-112.
    28. Young, R.A. , Onstad, C.A. , Bosch, D.D. , and Anderson, W.P. , 1987, AGNPS, Agricultural Non-PointSource Pollution Model - a watershed analysis tool, United States Department of Agriculture, Conservation Research Report 35.