자료와 방법
이 홈페이지의 토양수분은 다중지면모델(K‑NLDAPS) 6종을 학습한 AI 에뮬레이터로 계산합니다. 그림 순서대로 읽으면 자료가 어떻게 만들어지는지 알 수 있습니다.
1. 전체 흐름
기상 자료를 넣으면 에뮬레이터가 땅속 물을 계산하고, 그 결과를 평년과 비교해 가뭄 정보를 만듭니다.
2. AI 에뮬레이터
지면모델이 6시간마다 땅속 물을 갱신하는 과정을, 지난 9일을 기억하고 다음 15일을 내다보는 신경망으로 흉내 냅니다. 원래 모델과의 일치도는 한반도 월 편차 상관 0.97–0.99입니다.
3. 뿌리층과 표층
모델마다 토양층이 달라, 0–1 m 뿌리층 값을 층별 가중 평균으로 구합니다. 편차는 같은 날짜 ±15일의 1991–2020년 평균(평년값)과의 차이(mm)입니다.
4. 가뭄 단계와 급성가뭄
가뭄 단계는 미국 가뭄 모니터(USDM)의 백분위 구분을, 급성가뭄은 "P40 이상에서 4주 안에 P20 이하로" 떨어지는 기준을 따랐습니다. 단계·급성가뭄은 모델별 백분위로 판정해 6개를 평균합니다.
5. 가뭄 전망
CFSv2 계절예측은 강수가 적게 나오는 경향이 있어, 앙상블 평균의 월평균이 APCC 다중모델 앙상블과 같아지도록 기온·강수를 보정합니다. 전망은 매번 최신 모니터링 마지막 날의 상태에서 시작하고, 시작일 값이 모니터링과 이어지도록 30일에 걸쳐 줄어드는 보정을 더합니다.
가뭄 확률 = 120개 중 백분위 20 이하인 비율(평년 20 %). 급성가뭄 확률 = 멤버별로 1–20일, 21–40일 안에 급성가뭄이 시작되는 비율(과거 30년 기후값 대비).
6. 가뭄 강도 (DRI)
같은 가뭄이라도 물을 많이 쓰거나 취약한 지역일수록 피해가 큽니다. 토양수분으로 본 가뭄 위해성에 지역 취약성을 곱해 위험도를 나타냅니다(가뭄 전망 지도의 "가뭄 강도").
예측 성능
| 에뮬레이터 vs 원래 지면모델 (한반도, 월 편차 상관) | 0.97–0.99 |
| 6개 모델 평균 vs ERA5‑Land (한반도) | 0.76 |
| 첫 달 뿌리층 전망 상관 (ERA5‑Land 기준) | 약 0.59 |
| 급성가뭄 면적 상관 (1–4펜타드, 기후값 0.24) | 0.46 |
| 지역별 급성가뭄 적중률 / 오경보율 | 0.04–0.19 / 0.7–0.9 |
1990–2020년 과거예측 기준. 첫 달 이후 전망은 평년값·지속 예측과 큰 차이가 없습니다.
지역과 표시
시·군·구 값은 경계 안 0.1° 칸의 면적 가중 평균입니다(통계청 2018 경계, 광역시 자치구·일반구는 시로 묶음). 제주·울릉도는 보조 창에 표시하고, 독도는 격자 칸이 없어 제외합니다. 지도 색은 보간해 그리지만 수치는 보간하지 않은 값으로 계산합니다.
과거 정보: 2006–2025년은 각 지면모델 실제 적분, 2026년은 에뮬레이터 모니터링입니다(2025년 말 상태에서 연속).
참고 문헌
- Best, M. J. et al. (2011) The Joint UK Land Environment Simulator (JULES). Geosci. Model Dev. 4, 677–699.
- Niu, G.-Y. et al. (2011) The community Noah land surface model with multiparameterization options (Noah‑MP). J. Geophys. Res. 116, D12109.
- Kumar, S. V. et al. (2006) Land Information System: an interoperable framework. Environ. Model. Softw. 21, 1402–1415. (Noah 3.9 · Mosaic · CLSM)
- Muñoz‑Sabater, J. et al. (2021) ERA5‑Land: a state‑of‑the‑art global reanalysis dataset for land applications. Earth Syst. Sci. Data 13, 4349–4383.
- Adler, R. F. et al. (2018) The Global Precipitation Climatology Project (GPCP) monthly analysis (v2.3). Atmosphere 9, 138.
- Saha, S. et al. (2014) The NCEP Climate Forecast System version 2. J. Climate 27, 2185–2208.
- Choi, C. et al. (2026) Enhanced seasonal soil moisture forecasts by integrating APCC multi‑model ensemble predictions into a land surface model framework. Environ. Res. Lett. 21, 154015.
- Svoboda, M. et al. (2002) The Drought Monitor. Bull. Amer. Meteor. Soc. 83, 1181–1190. (가뭄 단계 백분위)
- Ford, T. W. & Labosier, C. F. (2017) Meteorological conditions associated with the onset of flash drought in the eastern United States. Agric. For. Meteorol. 247, 414–423. (P40→P20 기준)
- Nauditt, A. et al. (2022) Evaluating tropical drought risk by combining open access gridded vulnerability and hazard data products. Sci. Total Environ. 822, 153493. (DRI)