기술 요약: 데이터가 부족한 에티오피아 쿨포 강(Kulfo River)의 개선된 유량 예측을 위한 머신러닝 및 편향 수정된 CMIP6 활용

1. 문제 정의

기후 변화는 수문 과정을 점진적으로 변화시키고 있으며, 이는 에티오피아의 리프트 밸리(Rift Valley) 분지와 같이 데이터가 부족한 지역에 심각한 도전 과제를 제기하고 있습니다. 남부 에티오피아의 쿨포 유역은 농업 생계, 네크 사르(Nech Sar) 국립공원 및 아바야 호수(Lake Abaya) 주변 하류 공동체를 부양하고 있으나, 최첨단 기후 투영 기술과 고급 모델링 기법을 통합한 종합적인 수문 평가가 부족한 실정입니다.

전통적인 과정 기반 수문 모델(예: SWAT)은 정교한 매개변수화와 보정 데이터가 필수적이지만, 이러한 데이터가 빈번하게 결여된 개발도상국 맥락에서는 운용에 어려움을 겪는 경우가 많습니다. 또한, 결합 모델 상호 비교 프로젝트 6단계(CMIP6)의 전 지구 기후 모델(GCM)은 국지적 규모에 적용될 때 체계적인 편향을 나타내므로, 수문학적 적용 전 엄격한 편향 수정 및 다운스케일링이 필요합니다. 머신러닝(ML)은 비선로적 기후-유량 관계를 포착하는 데 유망한 대안을 제시하지만, 최신 CMIP6 시나리오를 사용하여 에티오피아 유역의 유량 투영을 위해 여러 ML 알고리즘을 체계적으로 평가한 연구는 제한적입니다.

2. 방법론

연구 지역 및 데이터

본 연구는 구게 고원(Gughe Highlands)에서 아바야 호수로 배수되는 상록천인 쿨포 유역(6.1°–6.2° N, 37.5°–37.8° E)에 초점을 맞춥니다. 본 연구에서는 다음을 활용하였습니다:

• 관측 데이터: 아르바 민치(Arba Minch) 기상 관측소의 일일 강수량 및 기온 기록(1986–2014)과 수자원 에너지부(Ministry of Water and Energy) 계측 관측소의 일일 유량 기록(1980–2022).
• 기후 데이터: 변수 가용성 및 공간 해상도를 기준으로 선정된 16개의 CMIP6 전 지구 기후 모델. 투영치는 2015–2100년 기간에 대해 세 가지 사회경제적 경로(SSP1-2.6, SSP2-4.5, SSP5-8.5) 하에서 생성되었습니다.

편향 수정

CMIP6 출력값의 체계적 편향을 해결하기 위해, 본 연구는 통계적 및 머신러닝 기반의 편향 수정 기법을 모두 적용했습니다. 모델은 1986–2006년 기간을 기준으로 보정되었으며, 2007–2014년 관측치를 통해 검증되었습니다. 성능은 평균 제곱근 오차(RMSE), 백분율 편향(PBIAS), 상관 계수(R), 그리고 클링-굽타 효율(KGE)을 사용하여 평가되었습니다.

머신러닝 모델 개발

강수-유출 관계는 현재 및 선행 수문 기후 변수($P_t, P_{t-1}, P_{t-2}, T_{max,t}, T_{min,t}, Q_{t-1}$)의 함수로 개념화되었습니다. 8개의 머신러닝 알고리즘이 개발되어 비교되었습니다:

• 앙상블 방법: 랜덤 포레스트(RF), 배깅(Bagging), 부스팅(GBM), 에이다부스트(AdaBoost), 캣부스트(CatBoost), 스태킹(Stacking).
• 기타 알고리즘: 장단기 메모리(LSTM), K-최근접 이웃(KNN), 서포트 벡터 머신(SVM).

각 모델의 하이퍼파라미터는 최적화되었습니다. 데이터셋은 훈련 기간(1986–2006, 70%)과 테스트/검증 기간(2007–2014, 30%)으로 분할되었습니다. 모델 성능은 나쉬-서클티프 효율(NSE), 결정 계수($R^2$), RMSE, 평균 절대 오차(MAE)를 사용하여 평가되었습니다.

투영 및 불확실성 프레임워크

가장 성능이 우수한 ML 모델을 사용하여 편향 수정된 CMIP6 입력을 바탕으로 일일 유량을 시뮬레이션했습니다. 본 연구는 두 가지 고급 분석 프레임워크를 통합했습니다:

1. 컨포멀 예측(Conformal Prediction, CP): 미래 유량 투영의 불확실성을 정량화하기 위해 랜덤 포레스트 모델과 통합되었으며, 추정치의 신뢰성과 확산을 평가하기 위해 95% 예측 구간(PI)을 생성했습니다.
2. 비정상 홍수 빈도 분석: 연 최대 유량 시리즈에 대해 시간 가변적 극치값 분포(GEV) 모델을 적합시켰으며, 여기서 위치 매개변수는 투영된 온도 편차의 함수로 표현되었습니다 ($\mu(t) = \mu_0 + \mu_1 \cdot \Delta T(t)$). 이 접근 방식은 홍수 확률과 재현 기간이 일정하게 유지되지 않고 시간에 따라 진화하도록 허용했습니다.

3. 주요 결과

CMIP6 모델 성능 및 편향 수정

원시 CMIP6 모델은 상당한 체계적 편향을 보였으며, 강수량 RMSE 값은 최대 2.95 mm/day에 달했고 많은 모델에서 음(-)의 KGE 값을 나타냈습니다.

• 편향 수정 효능: 편향 수정(특히 강수량에 대한 랜덤 포레스트 적용)은 모델의 신뢰성을 크게 향спо improved 했습니다. 강수량 RMSE는 평균 83% 감소했으며(MIROC6와 같은 특정 모델에서는 최대 92%), 수정 후 상관 계수는 0.97을 초과했습니다.
• 최우수 성능 모델:
  • 강수량: CNRM-ESM2-1 및 CNRM-CM6-1이 수정 후 관측치와 가장 잘 일치했습니다.
  • 최고 기온: CNRM-CM6-1이 최고의 성능을 보였습니다 (RMSE = 0.24°C, KGE = 0.69).
  • 최저 기온: CNRM-ESM2-1이 가장 높은 정확도를 나타냈습니다 (RMSE = 0.09°C, KGE = 0.72).

머신러닝 모델 비교

테스트된 8개의 알고리즘 중 **랜덤 포레스트(RF)**가 탁월한 예측 능력을 입증했습니다:

• 보정: NSE = 0.999, $R^2$ = 0.9995.
• 검증: NSE = 0.806.
• 변수 중요도: 선행 유량($Q_{t-1}$)이 지배적인 예측 변수(중요도 42%)로 식별되었으며, 이는 유역의 상당한 지하수 기여를 반영합니다.
• 다른 앙상블 방법(AdaBoost, Boosting)도 양호한 성능을 보였으나, LSTM, KNN, SVM은 데이터 희소성 및 제한된 훈련 기간으로 인해 상대적으로 약한 예측 능력을 보였습니다.

미래 기후 및 유량 투영

• 기온: 모든 SSP 시나리오에서 지속적인 온난화가 투영됩니다. 세기 말(2071–2100)에는 고배출 시나리오(SSP5-8.5) 하에서 최고 기온이 32°C를 초과하고 최저 기온이 18.5°C 위로 상승할 것으로 예상됩니다.
• 강수량: 강수량은 비교적 안정적으로 유지되면서 완만한 감소(세기 말 SSP5-8.5 하에서 최대 -5.1%)를 보일 것으로 투영되나, 계절적 재분배는 유의미합니다.
• 연간 유량: 미래 투영은 모든 시나리오에서 연간 유량의 점진적인 감소를 나타냅니다. 세기말까지 예상되는 감소율은 다음과 같습니다:
  • -8.5% (SSP1-2.6 하)
  • -13.9% (SSP2-4.5 하)
  • -20.7% (SSP5-8.5 하)
• 계절적 재분배: 수문 계절성의 유의미한 변화가 관찰되었습니다. 이는 여름철 유량의 상당한 감소(SSP5-8.5 하에서 최대 -33.3%)와 겨울철 유량의 완만한 증가(초기 +21%, 그러나 시간이 지남에 따라 감소)로 특징지어집니다.

불확실성 및 홍수 빈도

• 컨포멀 예측: 유량 투영의 불확실성은 세기 말, 특히 SSP5-8.5 시나리오에서 증가하며, 더 넓은 95% 예측 구간은 수문 반응의 가변성이 커짐을 나타냅니다.
• 비정상 홍수: 평균 유량의 감소에도 불구하고, 비정상 GEV 분석은 홍수 특성의 복잡한 반응을 드러냈습니다. 100년 빈도 홍수 수준($Q_{100}$)은 높은 증발산량으로 인한 기저 유량 감소로 인해 2100년까지 크게 감소(35–41%)할 것으로 투영됩니다. 그러나 본 연구는 더 강렬하고 단기적인 강우 이벤트로 인해 극치 홍수량이 오히려 강화될 수 있다는 역설적인 발견을 언급하며, 50년 빈도 홍수 재현 기간이 2080년까지 8년으로 단축될 수 있음을 밝혔습니다.

4. 의의 및 기여

본 연구는 쿨포 유역에서의 CMIP6 모델 성능에 대한 첫 번째 종합적인 평가를 제공하며, 데이터가 부족한 에티오피아 유역의 유량 투영을 위해 앙상블 머신러닝 접근 방식, 특히 랜덤 포레스트의 우수성을 입증합니다.

본 연구의 구체적인 기여는 다음과 같습니다:

1. 방법론적 통합: 데이터 제한 문제를 해결하기 위해 편향 수정된 CMIP6 투영과 머신러닝을 성공적으로 통합하여, 미래 유량 추정을 위한 견고한 프레임워크을 제공했습니다.
2. 불확실성 정량화: 컨포멀 예측을 채택함으로써 미래 유량 추정의 불확실성을 정량화하였으며, 고배출 시나리오 하에서 가변성이 증가함을 강조했습니다.
3. 비정상 분석: 시간 가변적 GEV 모델의 적용은 정적 가정을 반박하며, 기후 변화가 평균 유량은 감소시키면서도 돌발 홍수는 강화할 수 있는 방식으로 홍수 특성을 복잡하게 변화시킬 수 있음을 보여주었습니다.
4. 정책적 관련성: 연구 결과는 쿨포 유역이 미래의 수문 기후 변화에 취약함을 강조합니다. 본 연구는 에티오피아 및 유사한 열대 유역의 지속 가능한 유역 관리, 관개 개발 및 홍수 위험 감소를 지원하기 위해 머신러닝, 불확실성 분석 및 비정상 수문학적 접근 방식을 기후 탄력적 수자원 계획에 통합해야 할 필요성을 강조합니다.

저자들은 본 연구가 가치 있는 통찰을 제공하지만, 향후 연구는 예측의 견고성을 더욱 향상시키기 위해 수문 기상 모니터링 네트워크를 확장하고, 물리 기반 모델과 하이브리드 딥러닝 접근 방식을 통합하며, 사회경제적 동인을 포함하는 데 집중해야 한다고 결론지었습니다.