한국농림기상학회지, 제 17권 제2호(2015) (pISSN 1229-5671, eISSN 2288-1859)
Korean Journal of Agricultural and Forest Meteorology, Vol. 17, No. 2, (2015), pp. 108~125
DOI: 10.5532/KJAFM.2015.17.2.108
ⓒ Author(s) 2015. CC Attribution 3.0 License.


상세화된 CMIP5 기후변화전망의 다중모델앙상블 접근에 의한 농업기후지수 평가

정유란, 조재필, 이은정
APEC 기후센터 기후변화연구팀

(2015년 04월 01일 접수; 2015년 6월 4일 수정; 2015년 06월 11일 수락)

Evaluation of Agro-Climatic Index Using Multi-Model Ensemble Downscaled Climate Prediction of CMIP5

Uran Chung, Jaepil Cho, and Eun-Jeong Lee
Climate Research Department, APEC Climate Center, Busan 612-020, Korea

(Received April 01, 2015; Revised June 4, 2015; Accepted June 11, 2015)

ABSTRACT
The agro-climatic index is one of the ways to assess the climate resources of particular agricultural areas on the prospect of agricultural production; it can be a key indicator of agricultural productivity by providing the basic information required for the implementation of different and various farming techniques and practicalities to estimate the growth and yield of crops from the climate resources such as air temperature, solar radiation, and precipitation. However, the agro-climate index can always be changed since the index is not the absolute. Recently, many studies which consider uncertainty of future climate change have been actively conducted using multi-model ensemble (MME) approach by developing and improving dynamic and statistical downscaling of Global Climate Model (GCM) output. In this study, the agro-climatic index of Korean Peninsula, such as growing degree day based on 5oC, plant period based on 5oC, crop period based on 10oC, and frost free day were calculated for assessment of the spatio-temporal variations and uncertainties of the indices according to climate change; the downscaled historical (1976-2005) and near future (2011-2040) RCP climate sceneries of AR5 were applied to the calculation of the index.
The result showed four agro-climatic indices calculated by nine individual GCMs as well as MME agreed with agro-climatic indices which were calculated by the observed data. It was confirmed that MME, as well as each individual GCM emulated well on past climate in the four major Rivers of South Korea (Han, Nakdong, Geum, and Seumjin and Yeoungsan). However, spatial downscaling still needs further improvement since the agro-climatic indices of some individual GCMs showed different variations with the observed indices at the change of spatial distribution of the four Rivers. The four agro-climatic indices of the Korean Peninsula were expected to increase in nine individual GCMs and MME in future climate scenarios. The differences and uncertainties of the agro-climatic indices have not been reduced on the unlimited coupling of multi-model ensembles. Further research is still required although the differences started to improve when combining of three or four individual GCMs in the study. The agro-climatic indices which were derived and evaluated in the study will be the baseline for the assessment of agro-climatic abnormal indices and agro-productivity indices of the next research work.

Keyword: Climate change, downscaling, multi model ensemble, agro climatic index, uncertainty

MAIN

서언

2014년 유엔 산하 정부간 기후변화협의체 (Intergovernmental Panel on Climate Change, IPCC)는 제5차 평가보고서에서 지구온난화는 계속될 것이며 이로 인한 이상기상 현상도 계속 빈번해질 것 이라고 하였다 (IPCC, 2013). 한반도에서도 온난화 현상과 이상기후의 발생이 증가하는 추세이며, 연평균기온의 경우 최근 10년간의 평균보다 많게는 1℃까지 상승 추세를 보일 것으로 전망하였다 (기상청, 2013). 기후변화에 따른 영향평가는 과거 기간 (historical)을 기준으로 미래 기간 (future)의 기후요소 (예, 기온, 강수, 일사 등)의 비교를 통해서 증가 또는 감소 등 기후변화를 전망하게 된다. 그러나 먼 미래를 대상으로 하는 기후변화 연구특성과 기후모델의 불확실성에 대한 염려가 제시되면서 미래 기간에 대한 불확실성 (uncertainty) 관련정보가 제공되어야 한다는 의견이 대두되어왔다 (Kang et al., 2013; 조재필, 2013). 최근 미래 기후변화 시나리오 자료의 불확실성을 고려하기 위해 다양한 전지구기후모델 (Global Climate Model, GCM)들로부터 제공된 기후정보를 활용한 다중모델앙상블 (Multi-Model Ensemble, MME) 접근 및 다양한 작물모형 적용을 통한 다중앙상블 작물모형 시뮬레이션 연구가 수행되고 있다. 또한 최근 대부분의 기후변화 연구는 대표농도경로 (Representative Concentration Pathways, RCP)에 따른 기후변화 시나리오를 바탕으로 하고 있는데, 대부분의 신 기후변화 시나리오는 GCM의 공간해상도를 따른다. GCM의 평균 공간해상도는 200~400km 내외 격자간격의 저해상도로서, 여기에서 생산된 기후변화 자료들은 종관규모 (Synoptic scale)의 평균적 대기특성의 변화를 알고자 하는 데에는 적합하지만 농업생산 활동에 필요한 국지적인 공간규모의 기후정보를 제공하기에는 적합하지 않다. 이와 같이 GCM이 가지고 있는 공간규모에 대한 제약을 극복하고 상세한 기후정보를 생산하기 위해 특정지역을 고해상도로 표현하고 특성화된 물리과정을 고려할 수 있는 지역기후모형 (Regional Climate Model, RCM)을 이용한 역학적 규모축소법 (dynamic downscaling)이 이용되고 있다 (IPCC, 2007; Im et al., 2007; Im et al., 2008). 게다가 대부분의 기후변화 시나리오는 월별 자료로 제공되고 있는데, 작물의 생장발육 예측을 위한 농업연구의 최소 시간단위는 일별 자료이기 때문에 월별 기후변화 시나리오의 활용은 제한적이다.
또한 기후모델에 의해 생산된 미래 기후변화 전망을 신뢰하기 위해서는 기후모델이 과거 및 현재 기후를 잘 모사해야 한다. 즉 과거 및 현재기간에 대해 모의된 기후모델 결과를 동일 기간의 관측자료와 비교하여 GCMs의 계통오차 (systematic bias)를 보정해 주는 편의보정 (bias correction)이 필요하다. 많은 연구자들이 기후변화 시나리오 자료를 유역규모에 적용할 때 통계적 방법에 의한 공간적 상세화뿐만 아니라 일단위 관측자료를 기반으로 한 시간적 상세화를 통해 생산된 일별 자료를 수자원분야의 기후변화 영향평가를 위한 다양한 연구에 활용해 왔다 (Kang et al., 2013; Bae et al., 2011; Jang and Ahn, 2012; 조재필, 2013;, Shon et al., 2010; Park et al., 2010). 반면, 다양한 시공간 상세화 방법 (downscaling)에 의해 상세화된 미래 기후예측정보와 다중모델앙상블 접근을 결합하여 모형의 불확실성을 고려한 농업분야의 기후변화 영향평가 연구는 많지 않다.
농업생산 활동은 지역의 국지적인 기후조건에 필연적인 영향을 받게 된다. 농업과 밀접한 관계를 가지는 기후조건을 농업기후라고 하며, 기온, 일사, 강수 등과 같은 기후자원은 작물의 유전학적 특징에서 생물학적 반응 및 작물생산에 이르기까지 깊이 관여한다. 따라서 농업생산 활동에 미치는 다수의 기후요소를 지수화하여 특정 지역의 기후 자원량을 분석하고, 종합 및 판단하여 특정 지역의 농업기후자원의 특성을 한 눈에 알 수 있게 할 필요가 있다 (Choi and Yun, 1989). 이와 같이 농업기후자원의 특징을 단순 명료하게 표현한 것을 농업기후지수 (agro-climatic index)라고 한다. 농업기후지수는 ‘농업생산의 관점’에서 기후자원을 평가하기 위한 것이고, 이 지수는 기후자원 (예, 기온, 일사, 강수)으로부터 작물의 생육과 수량을 추측하는 가능성과 여러 가지 영농활동 (예, 모내기)의 적용에 필요한 기초자료를 제공함으로써 농업생산성의 주요 지표가 될 수 있다. Shim et al. (2008)은 농업기후지수의 변동성을 과거와 현재로 나누어 비교 분석하였다. Ahn et al. (2010a and 2010b)은 IPCC 제4차 보고서 (IPCC, 2007)에 사용되었던 Special Report on Emissions Scenarios (SRES) 기반의 GCM 자료를 상세화 과정을 거쳐 한반도 농업기후지수의 변화를 평가하였다. 그러나 GCM 기반의 기후변화 전망자료의 불확실성에 대한 염려가 대두되면서 단일 시나리오만을 사용하는 경우 농업기후자원 평가에 대한 불확실성도 증가할 수 있을 것이다. 현재 SRES 시나리오와 비교하여 GCM 모델링 기술의 향상을 기반으로 IPCC 제5차 평가보고서에 사용된 RCP 시나리오가 가장 최신의 기후변화 시나리오로서 제공되고 있다 (IPCC, 2014).
따라서 본 연구에서는 RCP 시나리오 자료를 이용하여 가까운 미래 기간에 대한 한반도 농업기후지수의 공간적인 분포와 시간적인 변화를 평가하였다. 기후변화 시나리오 자료의 불확실성을 고려하기 위하여 다중 GCM 결과를 사용하였으며 한반도 기후 특성을 고려하기 위하여 통계적인 방법으로 편의보정 (bias correction) 및 상세화된 자료를 사용하였다. 공간적인 분석을 제시함으로써 과거 기후자료 기반의 농업용 상세 전자기후도와의 연계활용을 고려하였으며, RCP 시나리오 기반의 미래전망자료를 이용하여 미래 기간에 대한 새로운 농업기후지대를 작성하는데 있어서 불확실성 관련정보를 제공하고자 하였다. 또한 농업생산성 예측 및 사회·경제적 효과뿐만 아니라 기후변화에 대한 지속 가능한 농업을 위한 적응 정책 등 농업분야 의사결정 과정에 필요한 추가 정보의 제공을 목적으로 본 연구를 수행하였다.

재료 및 방법

2.1 대상지역 및 기후변화 시나리오 자료의 상세화

IPCC 제5차 평가보고서 (Fifth Assessment Report, AR5)에서 사용한 온실가스 대표농도경로 (Representative Concentration Pathways, RCP) 시나리오 자료는 CMIP5 (the phase five of the Coupled Model Intercomparison Project 5)를 통해서 제공된다. 본 연구에 사용된 전지구기후모델 (Global Climate Model, GCM)의 자료는 강수량, 최고기온, 최저기온, 평균풍속, 상대습도, 일사량 등 6개 기상변수를 모두 포함하고 있는 8개 GCMs의 일별 자료와 기상청의 국립기상과학원에서 제공하고 있는 KMA-12.5km 지역규모모델 (Regional Climate Model, RCM)의 일별 자료를 사용하였다 (Table 1). 특히, KMA-12.5km 격자 해상도를 가진 이 기후전망자료는 영국 기상청 해들리 센터의 전지구 대기-해양 결합모델인 HadGEM2-AO (coupled Atmosphere-Ocean model of Hadley Centre Global Environmental Model version 2)의 자료를 HadGEM3-RA (Atmospheric Regional climate model of HedGEM3)을 이용하여 역학적으로 상세화된 자료이다 (Lee et al., 2012).
농업기후지수 분석을 수행하기 전에 관측지점의 기후 특성을 살리기 위한 기후변화 시나리오 자료의 전처리 과정으로서 공간적 상세화 과정과 편의보정 (bias correction)을 동시에 할 수 있는 분위사상법 (quantile mapping)을 사용하였다. 분위사상법의 경우, 모수적 분위사상법 (parametric) 및 비모수적 (non-parametric) 분위사상법 중 선택하여 사용할 수 있으나 (Gudmundsson et al., 2012) 본 연구에서는 비모수적 분위사상법을 사용하였다 (조재필, 2013).ju_table1기상청 종관기상 관측시스템 (Automated Synoptic Observing System, ASOS)의 관측지점 76개 중에서 30년 자료가 존재하는 59개 자료를 사용하여 농업기후지수를 계산하였다 (Table 2).ju_table2자료기간의 경우, 과거 기간 (historic period)으로는 1976년부터 2005년까지 30년을 사용하였는데, KMA-12.5km의 경우 제공된 자료의 기간이 1979년부터이기 때문에 KMA-12.5km의 경우만 1979-2005년에 해당한 자료를 농업기후지수 계산에 사용하였다. 기후변화 시나리오를 위한 미래 기간 (future periods)의 경우, 2011년을 기준으로 가장 가까운 30년 이후는 2040년이므로, 2011-2040년을 본 연구의 가까운 미래 기간으로 선정하였다.

2.2 기후변화 시나리오 자료의 과거 재현성 및 미래 불확실성 평가

분석 목적에 따라서 과거 기간에 대한 기후자료의 적합성 평가는 향후 기후변화 시나리오를 적용하여 도출된 미래 전망 결과를 해석하는데 있어서 중요한 정보가 될 수 있다. 본 연구에서는 적합성 평가로서 다양한 기후변화 시나리오 자료들이 목적에 따른 중요 기후특성을 과거 관측자료와 비교하여 얼마나 잘 재현하는지를 살펴보는 과거 재현성 (reproducibility) 평가를 수행하였다. 본 연구에서는 Table 1에 언급된 개별 기후모델에서 도출된 과거 기온자료가 과거 관측자료의 특성을 잘 재현하는지 평가하기 위해서, 관측자료와 9개 개별 기후모델 및 다중모델앙상블 (Multi-Model Ensemble, MME)의 농업기후지수의 분포 범위와 형태를 비교할 수 있는 확률분포 (probability density function, PDF)를 계산하였다. Shim et al. (2008)에 의하면 따뜻한 기온이 지속되기 시작한 해가 1988년이라고 하였다. 그래서 1988년을 기준으로 과거 1976-1987년에 대하여 최근 1988-2005년 동안 얼만큼의 농업기후지수가 변화했는지 비교하기 위해 상대적 변화량 (relative change)을 계산하였다.ju_RMSE3xf는 최근 1988-2005년 동안의 농업기후지수이고 xb는 과거 1976-1987년 동안의 농업기후지수이다. 과거 기간에 대한 GCM별 농업기후지수의 시간적인 재현성뿐만 아니라 공간적인 재현성을 살펴보는 것은 본 연구에서 사용한 상세화가 연구지역의 공간 특성을 잘 반영했는지 살펴보기 위해서 중요하다. 그래서 GCM의 농업기후지수의 공간 재현을 비교하기 위해, 공간패턴분석 (spatial pattern correlation) 중 Moran Index를 계산하였다 (Moran 1950). 또한 MME 계산을 위해 사용된 개별 GCM의 농업기후지수의 통계적 오차 분석을 위해서 RMSE (root mean square error)를 계산하였다.ju_RMSE1Xobs는 관측자료의 농업기후지수이고, Xmodel, i는 i번째 개별 GCM의 농업기후지수이다.
GCM 모델링 기술의 지속적인 발전으로 자연적인 기후현상을 보다 현실성 있게 모의하게 되었지만 미래 기후를 전망하는 것은 여전히 많은 불확실성 (uncertainty)을 내포하고 있다 (Kim et al. 2013; 조재필, 2013). 불확실성이란 관심 있는 특정 값에 대한 현재 기술수준에서 모르는 정도 (degree)를 의미하는데, 기후모델의 기후전망 자료의 불확실성을 이해하기 위해서는 우선 그 자료의 불확실성에 대한 정량적인 이해가 필요하다. GCM 자체의 구조적 불확실성, 입력 기후자료 처리과정에서 발생하는 불확실성, 농업 및 사회문화 등 다양한 분야의 모델링에서 발생할 수 있는 불확실성 등 다양한 경로를 통해서 불확실성이 증폭될 수 있기 때문이다. CMIP5의 강수량 변화에는 많은 불확실성을 포함하고 있고, 기온 전망에서도 모델간의 불확실성이 여전히 존재하지만, 기온 전망의 불확실성은 강수 전망의 불확실성에 비해서 상대적으로 작다고 하였다 (조재필, 2013). 기후변화 시나리오 자체의 높은 불확실성을 고려할 때 단일 GCM 결과만을 사용하여 미래의 기후변화를 전망하는 것은 위험하다.
따라서 본 연구에서는 다양한 GCM로부터 도출된 기후변화 전망 정보를 활용하는 MME 접근방법을 이용하였다. MME가 동일한 증감율을 보이더라도 최소 및 최대값에 의한 불확실성의 범위가 넓을 경우, 불확실성 범위가 좁은 경우보다 미래 전망 결과에 대한 신뢰성이 낮아 질 수 있기 때문에 MME에 의한 증감율의 제시와 더불어 다양한 GCM에 의한 최소값과 최대값의 범위를 함께 제시하였다.

2.3 농업기후지수

본 연구에서는 저해상도 RCP 시나리오 기반의 일 기후전망자료인 CMIP5를 편의보정 (bias correction) 및 상세화 (downscaling)된 자료 중에서 기온과 상대습 자료를 활용하여 농업기후지수를 계산하였다. 농업기후지수 (agro-climatic index)는 농업생산의 관점에서 기후자원을 평가하기 위한 것으로, 기상요소의 변동특성에 따른 작물의 생육 및 생산과의 상호관계를 수치로 나타내어 지표화한 것이다. 식물의 생장량은 온도에 의존적이기 때문에 발육단계 추정에는 매일의 달력날짜보다는 생장기준온도 이상의 온도시간 (thermal time)을 누적시킨 적산온도 혹은 생장도일 (growing degree day, GDD)을 사용한다. 생장도일 계산과정에서 기준온도는 해당 식물의 생장개시온도를 사용하는데, 대부분의 봄 꽃 혹은 나무의 생장개시 기준온도는 5oC로 알려져 있고 (Shim et al., 2008; Lee et al., 2014), 여름 작물의 경우는 10oC가 기준온도로 알려져 있다 (Kim and Yun, 2008). 또한 생육 최저온도 5oC를 기준으로 식물이 지속적으로 생장을 유지할 수 있는 기간, 즉 식물기간 (plant period)과, 생장개시온도 10oC를 기준으로 작물의 재배기간 (crop period)의 변화를 평가할 수 있다. 무상기간 (frost free day)은 농업생산 활동에서 중요한 인자로서 작물재배 가능 기간의 한계 혹은 작물재배 적합 지역 등을 검토하는데 이용할 수 있다. 무상기간은 쉽게 서리가 내리지 않는 기간을 의미하는데, 서리는 일정 온도 이하일 때 반드시 내리는 것이 아니라, 대기 중에 함유된 수증기의 양에 영향을 받기 때문에, 무상기간을 일 최저기온에서 직접 결정할 수는 없다. 본 연구에서는 윤진일 (1999)이 언급한 상대습도와 이슬점 온도와의 관계를 이용하여 무상기간을 계산하였는데, 이때 상세화된 CMIP5의 상대습도 변화 전망자료를 이용하였다. 또한, 생육 최저온도 5oC의 생장도일과 식물기간, 생육 최저온도 10oC의 작물기간은 상세화된 CMIP5의 기온변화 전망자료를 이용하여 계산하였다.

결과 및 고찰

3.1 기후모델의 과거 재현성 평가

3.1.1 시간 재현성

Fig. 1은 과거 관측자료와 상세화된 9개 개별 전지구기후모델 (Global Climate Model, GCM)의 과거자료에 의해 계산된 생장도일 (growing degree day, GDD), 식물기간 (plant period) 및 작물기간 (crop period)과 무상기간 (frost free day)을 나타낸 것이다. Fig. 1a는 관측자료와 9개 GCM에서 생육 최저온도 5oC에서 재배기간 동안 필요한 총열량, 즉 생장도일의 확률분포 (probability density function, PDF)와 boxplot을 나타낸 것이다. Fig. 1a의 PDF를 보면, 관측자료의 생장도일의 평균은 3786oC이고 최고 빈도는 3800oC로 나타났다. KMA-12.5km의 최고 빈도는 3900oC로 관측자료의 생장도일의 최고 빈도 (3800oC)보다 50-100oC 많은 경향을 보였다. Fig. 1a의 boxplot을 보면, KMA-12.5km (3890oC)를 제외하고 관측자료의 생장도일의 중앙값 (median)은 3803oC, 8개 개별 GCM의 생장도일의 중앙값은 3818oC이다. 8개 개별 GCM의 생장도일의 25퍼센타일의 평균은 KMA-12.5km (3815oC)를 제외하고 3743oC, 8개 개별 GCM의 생장도일의 75퍼센타일의 평균은 KMA-12.5km (3961oC)를 제외하고 3906oC로 나타났다. 생장도일의 경우, 개별 GCM뿐만 아니라 다중모델앙상블 (Multi-Model Ensemble, MME)의 생장도일의 자료 분포와 형태는 관측자료의 생장도일 분포 및 형태와 달리 평균값에서 오른쪽으로 약간 이동된 것으로 판단된다. Fig. 1b는 무상기간의 PDF와 boxplot을 나타낸 것이다. Fig. 1b의 PDF를 보면, 관측자료의 무상기간의 평균은 208일이고 최고 빈도는 210일에서 나타났다. KMA-12.5km의 무상기간의 평균은 214일, 최고 빈도는 210일에서 나타났다. Fig. 1b의 boxplot을 보면, KMA-12.5km (211일)를 제외하고 관측자료의 무상기간의 중앙값은 204일, 8개 개별 GCM의 무상기간의 중앙값도 204일로 나타났다. 8개 개별 GCM의 무상기간의 25퍼센타일의 평균은 KMA-12.5km (197일)를 제외하고 191일, 8개 개별 GCM의 무상기간의 75퍼센타일의 평균은 KMA-12.5km (231일)를 제외하고 224일로 나타났다. 무상기간의 경우, KMA-12.5km를 제외하고 8개 개별 GCM의 무상기간의 분포와 형태는 관측자료의 무상기간의 분포와 형태를 잘 모사하는 것으로 판단된다.ju_fig1Fig. 1c는 식물기간의 PDF와 boxplot을 나타낸 것이다. Fig. 1c의 PDF를 보면, 1976-2005년 30년 동안, 관측자료의 식물기간의 평균은 269일, KMA-12.5km (277일)를 제외하고 8개 개별 GCM의 식물기간은 268일로 나타났다. 최고 빈도의 경우, 관측자료의 최고 빈도는 265일, KMA-12.5km (280일)을 제외하고 8개 개별 GCM의 최고 빈도는 265일로 나타났는데, KMA-12.5km의 최고 빈도가 14일 (약 2주) 정도 길게 나타났다. Fig. 1c의 boxplot을 보면, 관측자료의 식물기간의 중앙값은 266일, KMA-12.5km (273일)를 제외하고 8개 개별 GCM의 식물기간의 중앙값도 266일로 계산되었다. 8개 개별 GCM의 식물기간의 25퍼센타일의 평균은 KMA-12.5km (262일)를 제외하고 254일, 8개 개별 GCM의 식물기간의 75퍼센타일의 평균은 KMA-12.5km (291일)를 제외하고 281일로 나타났다. KMA-12.5km를 제외하고, 관측자료의 식물기간과 8개 개별 GCM에서 예측된 과거 기간 동안의 식물기간의 분포와 형태가 비교적 비슷하기 때문에 MME 식물기간에 대한 과거 재현성에는 문제가 없는 것으로 판단된다. Fig. 1d는 작물기간의 PDF와 boxplot을 보여준다. Fig. 1d의 PDF를 보면, 관측자료의 작물기간의 평균은 217일, KMA-12.5km (224일)를 제외하고 8개 개별 GCM의 작물기간의 평균은 217일로 나타났다. 최고 빈도의 경우, 관측자료의 최고 빈도는 215일, 8개 개별 GCM의 최고 빈도도 215일인데 반하여, KMA-12.5km는 230일로 나타나서 식물기간의 경우와 같이 오른쪽으로 이동된 형태를 보였다. Fig. 1d의 boxplot을 보면, KMA-12.5km를 제외하고, 관측자료의 작물기간의 중앙값은 217일, 8개 개별 GCM의 작물기간의 중앙값도 217일로 계산되었다. 8개 개별 GCM의 작물기간의 25퍼센타일의 평균은 KMA-12.5km (215일)를 제외하고 202일, 8개 개별 GCM의 작물기간의 75퍼센타일의 평균은 KMA-12.5km (233일)를 제외하고 224일로 나타났다. 식물기간과 마찬가지로 KMA-12.5km를 제외하고, 8개 개별 GCM의 작물기간의 분포와 형태는 관측자료와 비슷하여 MME 작물기간의 과거 재현성에는 문제가 없을 것으로 판단된다.ju_fig2

3.1.2 공간 재현성

Fig. 2와 3은 과거 30년 (1976-2005년) 기간 동안 생장도일과 식물기간의 공간적 분포의 재현성을 나타낸 것이다. 앞서 언급한 시간적 재현성 평가에서 대부분의 개별 GCM과 MME의 생장도일과 식물기간의 분포와 형태는 통계적으로 과거 기간 동안 관측자료의 생장도일과 식물기간의 분포 및 형태와 비슷하였다. 그러나 Fig. 2에서 보는 바와 같이 생장도일의 공간 분포의 재현성에서는 GCM별로 차이가 있는 것으로 나타났다. 특히, 한강 유역의 중부산간지역과 낙동강과 금강 유역의 소백-차령 산간지역에서 MME뿐만 아니라 대부분의 GCM의 생장도일의 공간 분포는 관측자료의 생장도일과 공간적으로 다른 분포를 보였다 (MME: 0.56, KMA-12.5km: 0.33). 그러나 식물기간의 경우, 시간적 재현성 평가에서와 같이 KMA-12.5km를 제외하고, MME와 8개 개별 GCM의 식물기간의 공간 분포는 관측자료의 식물기간의 공간 분포와 크게 다르지 않은 것으로 나타났다 (Fig. 3). MME의 식물기간의 경우 개별 GCM과 비교하여 0.85의 pattern correlation coefficient (PCC) 값을 보여 관측과 가장 비슷한 공간 패턴을 보였고 KMA-12.5km의 경우 0.43으로서 가장 낮은 값을 보였다. 이와 같이 개별 GCM의 공간 재현이 관측자료와 차이를 보인 것을 두 가지 정도로 추정해 볼 수 있을 것이다. 첫 번째는 개별 GCM에 입력된 우리나라의 지형 정보가 실제 우리나라의 지형을 잘 반영하지 못한 것과 두 번째는 본 연구에서 사용한 상세화 방법이 개별 GCM의 일변동 특성과 지형 정보를 잘 반영하지 못하기 때문인 것으로 판단된다.ju_fig3ju_fig4Fig. 4와 5는 생장도일과 식물기간의 상대적 변화 (relative change)를 한반도 전체와 4개 대권역으로 나타낸 것이다. 즉, 계산된 농업기후지수의 구간 (class)을 시간과 공간 재현에 대하여 동시에 비교하고자 시도하였다. Fig. 4는 한반도 전체와 4대강 권역에서 과거 1976-1987년과 비교하여 최근 1988-2005년 동안의 생장도일의 8개 구간별 상대적 변화이다. 생장도일의 평균 구간은 3751-3900oC인데, MME뿐만 아니라 9개 개별 GCM은 한반도 전체뿐만 아니라 4개 대권역에서 관측자료의 생장도일의 구간별 상대적 변화량을 잘 재현하지 못하는 것으로 나타났다. 그러나 식물기간의 경우는 다르게 나타났다. Fig. 5는 생장도일과 같은 방법으로 한반도 전체와 4대강 권역에서 과거 1976-1987년과 비교하여 최근 1988-2005년 동안의 식물기간의 상대적 변화를 나타낸 것이다. 계산된 식물기간의 구간을 7개로 나누었고 평균 구간은 251-270인데, MME뿐만 아니라 대부분의 개별 GCMs이 한반도 전체와 4개 대권역에서 식물기간의 상대적 변화를 잘 재현하는 것으로 나타났다. 그러나 Fig. 5d의 금강 유역에서 GFDL-ESM2G와 GFDL-ESM2M, IPSL-CM5A 기후모델의 식물기간은 관측자료의 식물기간의 상대적 변화량을 잘 모사하지 못하는 것으로 나타났다.ju_fig5

3.2 다중모델앙상블 모형 선정에 따른 불확실성

Fig. 6은 9개 개별 GCM에 대해 개별 GCM 자신을 비롯하여 MME에 사용된 개별 GCM의 개수에 따른 다양한 조합에 대한 MME의 효율성 평가에 대한 결과이다. Fig. 6에서 알 수 있듯이 MME 계산을 위해 사용된 개별 GCM의 개수가 증가할수록 RMSE는 감소하는 것을 알 수 있다. 그런데 조합의 순서에 상관없이 계산된 RMSE를 나열하였는데 첫 번째 boxplot의 whisker가 비정상적으로 큰 것은 KMA-12.5km 때문이다. 9개 개별 GCM 중에서 KMA-12.5km만 RCM으로, GCM만 비교할 경우에는 boxplot의 whisker가 줄어들 것이다. 또한, MME 계산을 위해 사용된 개별 GCM의 개수가 무한 증가한다고 해서 RMSE를 줄일 수 있는 것이 아니라 더 이상 줄어들지 않고 일정하게 유지되는 개수를 찾을 수 있음을 암시한다. 본 연구에서 RMSE가 줄어들어 일정하게 유지되는 부분이 뚜렷하게 나타나지 않았지만, 식물기간과 작물기간, 무상기간의 boxplot과 평균 RMSE (red dot)에서 보이는 바와 같이, 대체로 개별 기후모델의 7-8개 결합에서 RMSE가 감소하기 시작하였는데 식물기간과 작물기간의 RMSE는 각각 최대 1-2일, 4-5일 미만으로 감소하였다 (Fig. 6a 및 Fig. 6b). 생장도일의 경우, 평균 RMSE는 개별 GCM의 7-8개 결합에서 RMSE가 감소하기 시작하였지만, boxplot의 IQR (Q3: the third quartile – Q1: the first quartile) 이 여전히 큼을 알 수 있다.

3.3 농업기후지수의 미래전망의 불확실성

Fig. 7는 4개 대권역에 대한 과거 기간 (1976-2005년)과 미래 시나리오 RCP 4.5와 RCP 8.5의 가까운 미래 (2011-2040년)기간 동안 개별 GCM의 생장도일이다. 9개 개별 GCM과 MME의 미래전망 결과에서, 대부분의 개별 GCM과 MME에서는 생장도일이 증가할 것으로 전망하였지만, inmcm4에서는 감소할 것으로 전망하였다. CanESM과 HadGEM, MICRO-ESM GCM에 의해 계산된 RCP 4.5와 RCP 8.5에서 생장도일의 최소 및 최대값의 변화폭이 다른 개별 GCM보다 큰 것으로 나타났다. Fig. 8은 무상기간에 대한 미래전망 결과로써, 생장도일의 결과와 마찬가지로, 정도의 차이는 있지만 9개 개별 GCM과 MME 무상기간은 증가할 것으로 평가되었다. 식물기간과 작물기간에 대한 미래전망도 역시 정도의 차이는 있지만 9개 개별 GCM에서 증가한 것으로 나타났다 (do not show).ju_fig6ju_fig7ju_fig8ju_table3,4,5이산화탄소 배출농도 차이에 대한 미래전망의 불확실성은, RCP 8.5에서 더 증가하는 것으로 나타났다 (Table 3, 4, 5, and 6). Table 3은 과거 기간의 MME의 생장도일의 중앙값에 대한 미래 기간 동안 개별 GCM의 생장도일의 중앙값의 증감 정도를 백분율로 나타낸 것이다. 4개 대권역에서 inmcm4의 RCP 4.5와 RCP 8.5의 생장도일은 과거 기간의 MME의 생장도일보다 평균 1%와 2%로 증가하여 9개 개별 GCM 중에서 가장 낮은 변화를 보였고, CanESM의 생장도일은 12% (RCP 4.5), 16% (RCP 8.5)로 가장 높은 변화를 보였다. 그러나 KMA-12.5km의 4개 대권역에서, 큰 차이는 없지만 과거 기간의 MME의 생장도일에 대하여 RCP 8.5가 RCP 4.5보다 감소할 것으로 나타났다. Table 4는 과거 기간의 MME의 무상기간의 중앙값에 대한 개별 GCM의 미래 기간 동안 무상기간의 중앙값의 증감율을 나타낸 것이다. 생장도일 결과와 마찬가지로, 4개 대권역에서 과거 기간의 MME의 무상기간에 대하여 inmcm4의 RCP 4.5와 RCP 8.5의 무상기간의 변화가 가장 낮았는데, 특히 inmcm4의 RCP 4.5에서 한강 유역의 무상기간은 오히려 과거 기간의 MME의 무상기간보다 감소할 것으로 전망하였다. KMA-12.5km의 4개 대권역에서 과거 기간의 MME의 무상기간에 대하여 RCP 4.5와 RCP 8.5의 변화는 차이가 없는 것으로 나타났다. Table 5와 6은 과거 기간의 MME의 식물기간과 작물기간의 중앙값에 대한 미래 기간 동안 개별 GCM의 식물기간과 작물기간의 중앙값의 증감율을 나타낸 것이다. 생장도일 및 무상기간의 경우와 마찬가지로, 4개 대권역에서 inmcm4의 RCP 4.5와 RCP 8.5의 변화가 가장 낮았으며, CanESM의 경우가 가장 높은 변화를 보였다. 그러나 Table 5에서, KMA-12.5km의 식물기간은 생장도일과 같이, 과거 기간의 MME의 식물기간에 대하여 4개 대권역의 RCP 8.5가 RCP 4.5보다 오히려 감소할 것으로 전망하였다. 미래 기간 동안 KMA-12.5km의 RCP 4.5의 온도상승률 (Han: 1.1; Nakdong: 1.1; Geum: 1.1; Seumjin-Youngsan: 1.2)이 RCP 8.5 (Han: 0.9; Nakdong: 0.9; Geum: 0.9; Seumjin-Youngsan: 1.0) 보다 낮은 것으로 나타났다. inmcm4와 IPSL-CM5A-LR의 RCP 4.5의 온도상승률도 RCP 8.5보다 낮거나 같았다. 반면 CanESM2, GFDL-ESM2G와 GFDL-ESM2M, HadGEM2-CC, MIROC-ESM과 MIROC-ESM-CHEM의 경우, RCP 8.5의 온도상승률이 RCP 4.5보다 높게 나타났다. 이러한 결과는 RCP 4.5와 RCP 8.5의 온도상승률이 2040년까지 서로 비슷하고 이후부터, 즉 2041년부터 2100년까지 온도상승률이 서로 다르다고 보고한 IPCC의 결과 (IPCC, 2013)와 비슷하였다. 본 연구에서 평가된 RCP 4.5와 8.5의 농업기후지수의 변화가 작거나 큰 차이가 없는 것으로 전망된 것은 이러한 이유에서 기인된 것으로 판단된다.ju_table6

결론

4.1 농업기후지수의 재현성

과거 30년 기간(1976-2005년)과 4개 대권역에 대한 8개 개별 전지구기후모델 (Global Climate Model, GCM)과 1개 지역기후모델 (Regional Climate Model, RCM)의 농업기후지수가 관측자료의 농업기후지수의 분포와 형태를 잘 재현했다고 평가할 수 없지만, 다중모델앙상블 (Multi-Model Ensemble, MME) 평균의 농업기후지수는 관측자료에 의해 평가된 농업기후지수의 분포와 형태를 비교적 잘 재현하고 있어 MME 재현성에는 문제가 없는 것으로 판단된다. 그러나 개별 GCM의 공간 재현이 과거 관측자료와 차이를 많이 보였는데, 상세화 과정에서 지형에 따른 개별 GCM의 일변동 특성에 영향을 미치는 인자를 찾아 상세화 방법을 개선할 필요가 있을 것이다. 또한, 우리나라 대부분 기상관측소 위치가 산간지역에는 드물고, 해안 및 대도시에 밀집되어 있는데, 상세화 과정에서 이와 같은 관측소의 밀도 (density) 정보들도 고려되어야 할 것이다. 또한 본 연구에서 사용된 RCM은 우리나라 국가표준 시나리오인 KMA-12.5km뿐인데, 추후에는 다른 RCM과의 비교도 추가적으로 필요할 것이다.

4.2. 다중모델앙상블 효율성 평가

MME 접근방법에서, MME 계산을 위해 사용된 모델의 개수를 무한으로 증가시킨다고 해서 오차 및 불확실성이 무한 감소되지는 않을 것이다. 즉, 모델의 개수가 증가함에도 불구하고 더 이상 통계적 오차가 감소하지 않고 일정해지는 수렴지점이 나타날 것이다. 본 연구에서도 모델 개수의 증가에 따라 통계적 오차가 일정하게 감소하여 더 이상 감소하지 않는 지점이 나타났다. 이러한 결과는 본 연구의 후속 연구인 농업생산성지수 평가에서 과정 (process)기반의 작물모형 혹은 통계기반의 작물모형 등 다양하게 작물의 생장발육 시뮬레이션을 할 수 있는 다중작물모형앙상블 시뮬레이션 방법을 적용할 수 있을 것인데, 시뮬레이션에 참여시키는 작물모형의 개수를 무한적으로 증가할 필요가 없음을 알 수 있다. 이러한 연구는 Martre et al. (2015)에 의해 이미 오스트리아, 호주, 인도, 네델란드 등 4개 지점에서 연구된 바 있다. 또한 다양한 과정 기반의 작물모형 중에서도 탄소 기반의 작물모형이냐, 혹은 광이용 효율성에 기반한 작물모형이냐, 혹은 작물의 일반적인 특성만을 모의하는 작물모형이냐에 따라 다양한 작물모형들이 있는데, 각각의 기반에 대한 대표 작물모형을 선택하여 시뮬레이션에 참여하는 작물모형의 개수를 결정하는데 반영될 수 있을 것이다. 다양한 상세화 방법이 개발되면 보다 많은 개별 GCM으로부터 작물모형 시뮬레이션 뿐만 아니라 농업이상기후지수 및 농업생산성지수 계산 등에 필요한 입력 기상변수들을 준비할 수 있을 것이다. 또한 개별 GCM의 개수를 9개에서 추가적으로 증가시켜 우리나라 국가수준 (national scale)에서, 모델의 오차 및 불확실성 최소화를 위한 MME 계산에 기여하는 모델의 개수에 대한 평가도 수행할 수 있을 것이다.

4.3. 농업기후지수의 미래 불확실성

과거 기간 (1976-2005년) 동안 MME의 농업기후지수는 관측자료에 의해 평가된 농업기후지수를 거의 흡사하게 모사하고 있기 때문에 MME의 미래전망에도 문제가 없을 것으로 판단된다. 농업기후지수의 미래전망 결과에서, inmcm4를 제외하고 대부분의 개별 GCM에서 증가하는 것으로 평가되었다. 그러나 지역별 (4대강 유역) 미래전망에서, 농업기후지수의 변화폭이 커서 우리나라와 같이 복잡한 산악구조를 가진 지역에 적용하기 위해서는 복잡한 지형과 개별 GCM의 일변동 특성을 잘 반영할 수 있는 상세화 방법의 개발이 필요할 것이다.ju_fig6

4.4. 활용 및 정책시사

본 연구의 농업기후지수는 농업용 상세 전자기후도와의 활용을 고려하여 우선 4개 대권역을 중심으로 수행하였는데, 후속 연구인 농업용 상세 전자기후도 기반 (농촌진흥청, 2012)의 농업이상기후지수 및 생산성지수 평가로 어떻게 확장/활용할 것인가에 대한 계획이 필요하다. 생장도일을 예로 들면, 4개 대권역 모두 과거 기간 (1976-2005년) 동안 생장도일은 현재 3,800oC로써 4,000oC을 넘지 않았다. 그러나 가까운 미래 (2011-2040년)에는 4대강 유역에서 4,000oC가 넘을 수 있을 것으로 전망하였다. 특히, 낙동강과 영산-섬진강 유역은 한강과 금강 유역보다 훨씬 높을 것으로 전망하였다. 생장도일 4,000oC에서 적응 (adaptation) 및 재배될 수 있는 작물은 주로 열대작물로써 재배기간이 2-3개월로 짧은 hybrid corn (maize base temperature, 10oC) 혹은 sorghum 등이 있다. 생장도일을 활용하여 적어도 우리나라 4개 대권역에서 가까운 미래에 적응 및 재배가능한 작물들을 전망하는데 까지는 설명할 수 있을 것이다. 그러나 hybrid corn과 sorghum, jicama 등의 미래작물 (future crop)에 대한 생산성지수에 대한 평가뿐만 아니라 불확실성을 포함한 실용성 있는 지역-맞춤형 적응정책에 대한 의사결정을 위한 후속 연구로 확장하기 위해서는 더 많은 문헌조사와 생육실험 자료의 수집과 더불어 농업관련 기관과의 확고한 공동협력연구가 필요할 것이다.
한반도의 농업기후지수를 과거 관측자료와 미래 기후자료로부터 평가한 선 연구들은 그 동안 많았는데 (Shim et al., 2008; Ahn et al., 2010a; Ahn et al., 2010b), 이러한 선 연구에서 사용된 미래 기후시나리오는 한 개의 GCM에 의해 전망된 한반도 미래 시나리오이거나 AR4, 예를 들면 A2 혹은 A1B와 같은 온실가스 배출시나리오의 2가지 경우로써 최근 제시되고 있는 많은 개별 GCM에 의한 미래 기후변화 불확실성을 평가하기에는 제한적이다. 그러나 본 연구는 MME 접근방법을 통해 한반도 농업기후지수의 불확실성 폭 (4대강 유역별 불확실성 포함)을 제시함으로써 우리나라 미래 농업 및 농업연구의 정책 및 방향 개선을 위한 의사결정에 필요한 정보로 활용될 수 있는 역할을 충분히 담당할 수 있을 것이다.

적요

다수의 기후요소를 지수화하고 특정지역의 기후 자원량을 분석하여, 종합 및 판단하는 과정은 특정지역의 농업기후자원의 특성을 한 눈에 알 수 있게 한다. 농업기후자원의 특징을 단순 명료하게 표현한 것을 농업기후지수라고 하는데, 이 지수는 기후자원 (예, 기온, 일사, 강수)으로부터 작물의 생육과 수량 추측을 위한 가능성과 여러 가지 영농기술을 실시하는데 필요한 기초자료를 제공함으로써 농업생산성의 주요 지표가 될 수 있다. 그러나 농업기후지수는 절대적인 것이 아니기 때문에 기후변화에 따라 항상 변화할 수 있다. 최근 IPCC 제5차 평가보고서에서 온실가스 대표경로에 따른 시나리오가 많은 연구에 이용됨에 따라서 기후정보의 역학 및 통계적 규모축소를 통한 미래 기후변화전망정보의 불확실성을 고려한 연구들이 활발히 진행되고 있다. 본 연구에서는 IPCC 제5차 평가보고서에 사용된 RCP 시나리오를 기반으로 비모수적 분위사상법을 이용한 상세화된 기후변화 전망정보를 바탕으로 한반도의 농업기후지수 (예, 식물기간 및 작물기간, 생장도일, 무상기간)의 시공간적인 변화와 불확실성을 평가하였다. 동일한 과거기간에 대하여 기후모델 (GCM)으로부터 계산된 농업기후지수와 관측자료에 의해 계산된 농업기후지수를 비교한 결과, KMA-12.5km를 제외하고 사용된 8개 개별 GCM의 농업기후지수의 각각의 평균은 4대강 유역 모두에서 관측자료에 의해 계산된 값의 평균과 비교적 잘 일치하여 개별 GCM뿐만 아니라 다중모델앙상블 (MME)의 과거기후 재현성에는 문제가 없는 것으로 확인하였다. 또한 불확실성을 고려하기 위한 MME 계산에서 사용되는 GCM의 개수가 무한적으로 증가한다고 해서 오차가 줄어들지 않았다. 추가연구가 계속 필요하지만, 본 연구에서 3-4개의 GCM을 사용하는 경우 확실하게 오차가 개선되기 시작하였으며, 대체로 7-8개 이후부터는 더 이상 오차가 개선되지 않았다. 미래전망 결과에서, 4대강 유역 전체에 대하여 inmcm4가 과거 기간의 MME에 대한 RCP 4.5에서 1% 증가, RCP 8.5에서 2% 증가로 9개 개별 GCM 중에서 가장 낮았고, CanESM이 과거 기간의 MME에 대하여 RCP 4.5에서 10%, RCP 8.5에서 15% 증가로 가장 높은 증가를 보였다. 4대강 유역의 시공간분포의 변화에서 관측자료와 다른 경향을 보이는 개별 GCM이 있어서 지형 특성과 개별 GCM의 일변동 특성을 반영할 수 있는 상세화 방법의 개선 및 개발이 필요하다. 도출 및 평가된 본 연구의 농업기후지수는 농업용 상세 전자기후도와의 활용뿐만 아니라, 후속 연구를 위한 농업이상기후지수 및 생산성지수의 평가에 활용될 수 있을 것이다. 예를 들면, 낙동강 유역과 영산-섬진강 유역의 무상기간 증가로부터 ‘겨울기간이 짧아질 수 있다’라고 가정할 경우, 농업이상기후지수 (예, 저온발생빈도) 분석을 통해 겨울작물의 생산성지수의 불확실성 증감 혹은 재배시스템 (예, 이모작 혹은 이기작 등)의 변화에 대한 불확실성 증감 등에 대한 평가에 활용될 수 있을 것이다.

감사의 글

본 논문의 질을 향상시키기 위해 심사해주신 한국농림기상학회 심사자 3분에게 진심으로 감사를 드립니다. 이 연구는 기상청 아시아-태평양 지원사업에 의해 이루어졌습니다.

REFERENCES
Ahn, J. B., J. Y. Hong, and K. M. Shim, 2010a: Agro-climatic indices changes over the Korean Peninsula in $CO_2$ doubled climate induced by Atmosphere-Ocean-Land-Ice coupled General Circulation Model. Korean Journal of Agricultural and Forest Meteorology 12(1), 11-22. (in Korean with English abstract)crossref(new window)

Ahn, J. B., J. Hur, and K. M. Shim, 2010b: A simulation of agroclimate index over the Korean Peninsula using dynamical downscaling with a numerical weather prediction model. Korean Journal of Agricultural and Forest Meteorology 12(1), 1-10. (in Korean with English abstract)crossref(new window)

Bae, D. H., I. W. Jung, B. J. Lee, and M. H. Lee, 2011: Future Korean water resources projection considering uncertainty of GCMs and hydrological models. Journal of Korea Water Resources Association 44(5), 389-406. (in Korean with English abstract)crossref(new window)

Choi, D. H., and S. H. Yun, 1989: Agroclimatic zone and characters of the area subject to climatic disaster in Korea. Journal of Korean Society of Crop Science 34(2), 13-33. (in Korean with English abstract)

Gudmundsson, L., J. B. Bremnes, J. E. Haugen, and T. Engen-Skaugen, 2012: Technical Note: Downscaling RCM precipitation to the station scale using quantile mapping – a comparison of methods. Hydrology & Earth System Sciences 16, 3383-3390.crossref(new window)

Im, E. S., J. B. Ahn, A. R. Remedio, and W. T. Kwon, 2008: Sensitivity of the regional climate of East/Southeast Asia to convective parameterizations in the RegCM3 modelling system. Part 1: Focus on the Korean peninsula. International Journal of Climatology 28(14), 1861-1877. (in Korean with English abstract)crossref(new window)

Im, E. S., M. H. Kim, and W. T. Kwon, 2007: Projected change in mean and extreme climate over Korea from a double-nested Regional Climate Model simulation. Journal of the Meteorological Society of Japan 85(6), 717-732.crossref(new window)

IPCC, 2007: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 996pp.

IPCC, 2013: The Physical Science Basis: Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 1535pp.

IPCC, 2014: Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, R.K. Pachauri and L.A. Meyer (eds.)], IPCC, Geneva, Switzerland, 151 pp.

Jang, J. H., and J. H. Ahn, 2012: Assessing future climate change impact on hydrologic and water quality components in Nakdong River basin. Journal of Korea Water Resources Association 45(11), 1121-1130. (in Korean with English abstract)crossref(new window)

Kang, J. Y., Y. D. Kim, and B. S. Kang, 2013: Effect of change in hydrological environment by climate change on river water quality in Nam River Watershed. Journal of Korea Water Resources Association 46(8), 873-884. (in Korean with English abstract)crossref(new window)

Kim, C. R., Y. O. Kim, S. B. Seo, and S. W. Choi, 2013: Water Balance Projection Using Climate Change Scenarios in the Korean Peninsula. Journal of Korea Water Resources Association 46(8), 807-819. (in Korean with English abstract)crossref(new window)

Kim, J. H., and J. I. Yun, 2008: On mapping growing degreedays (GDD) from monthly digital climatic surfaces for South Korea. Korean Journal of Agricultural and Forest Meteorology 10(1), 1-8. (in Korean with English abstract)crossref(new window)

Lee, H. S., J. H. Kim, and J. I. Yun, 2014: Recent trends in blooming dates of spring flowers and the observed disturbance in 2014. Korean Journal of Agricultural and Forest Meteorology 16(4), 396-402. (in Korean with English abstract)crossref(new window)

Lee, K., H. J. Baek, S. H. Park, H. S. Kang, and C. H. Cho, 2012: Future Projection of Changes in Extreme Temperatures using High Resolution Regional Climate Change Scenario in the Republic of Korea. Journal of the Korean Geographical Society 47(2), 208-225. (in Korean with English abstract)

Martre, P., D. Wallach, S. Asseng, and F. Ewert, 2015: Multimodel ensembles of wheat growth. Many models are better than one. Global Change Biology 21(2), 911-925.crossref(new window)

Moran, P.A.P., 1950: Notes on continuous stochastic phenomena. Biometrika 37, 17-23.crossref(new window)

Shim, K. M., G. Y. Kim, K. A. Roh, H. C. Jeong, and D. B. Lee, 2008: Evaluation of Agro-Climatic Indices under Climate Change. Korean Journal of Agricultural and Forest Meteorology 10(4), 113-120. (in Korean with English abstract)crossref(new window)

기상청, 2013: 2013년 이상기후 보고서, 기상청, 28-41.

농촌진흥청, 2012: 농업연구개발사업 대표성과 보고서, 농촌진흥청, 70-71.

윤진일, 1999: 농업기상학, 아르케, 118-119.

조재필, 2013: 불확실성을 고려한 농업용 저수지의 기후변화 영향 평가, APEC 기후센터, 36pp.