Table Of Contents

학술/기술 기사 | 03

지면모델(Land surface model)의
해상도가 토양수분에 미치는 영향:
유기물 밀도 매개변수화의 비선형적 효과를 중심으로

글 서호철·김연주 |

2026/07/01

서호철 연세대학교 시스템과학융합연구원 연구교수

서호철
연세대학교
시스템과학융합연구원 연구교수
tjghcjf1@yonsei.ac.kr

김연주 연세대학교 건설환경공학과 교수

김연주
연세대학교
건설환경공학과 교수
yeonjoo.kim@yonsei.ac.kr

Table Of Contents

1. 서론

최근 지구온난화와 급격한 기후변화는 전 지구적 환경의 불확실성을극대화하고 있으며, 이로 인해 유도되는 이상기후 현상은 인류의 생존과 수자원 안보를 심각하게 위협하고 있다. 특히 과거에는 국지적·일시적 재해에 머물렀던 가뭄, 홍수, 그리고 광역적 산불 등 수문·생태 시스템의 재난들이 최근에는 그 발생 빈도와 강도가 급격히 증가하고 있으며, 지역적 스케일을 넘어 전 지구적인 기후-탄소 피드백 메커니즘을 교란하는 주요 원인으로 부각되고 있다. 이러한 다각적인 기후변화 시나리오 하에서 대기-지표-수문 프로세스 간의 복잡한 상호작용을 정밀하게 포착하고 미래의 지표 생태계를 예측하기 위해, 지면모델은 지구 시스템 과학의 핵심적인 축으로 발전해 왔다(Lawrence et al., 2019; Longo et al., 2019).

초기의 지면모델은 단순히 대기 모델의 하부 경계조건으로서 복사 에너지와 단순 물수지만을 계산하였다. 그러나 지난 수십 년간 에너지, 수문 및 생태학적 메커니즘에 대한 이해가 깊어짐에 따라, 현대의 지면모델은 토양수분 동역학(Clapp and Hornberger, 1978; Koster et al., 2009) , 산불 시뮬레이션 모듈(Li et al., 2014; Yue et al., 2014) , 지표면의 공간적 불균일성(Liu et al., 2017) , 식생의 생화학적 순환을 유기적으로 통합한 거대 프로세스 기반 모델로 고도화되었다. 이와 더불어, 최근 초고성능 컴퓨팅 자원의 비약적인 성장과 위성 원격탐사 기술을 통한 고해상도 지표 데이터프레임의 구축은 지면모델의 패러다임 전환을 가속화하고 있다. 과거 수십에서 수백 km 격자 단위에 의존하여 광역적 경향성만을 모의하던 한계에서 벗어나, 최근 수문학계는 1km 혹은 미터 단위에 이르는 초고해상도 지면 모델링의 구현을 실현해 가고 있다(Wood et al., 2011; Baker et al., 2022).
지면모델 내의 물수지 방정식들은 대개 매개변수 간의 강한 비선형적 관계를 기반으로 설계되어 있다(Heuvelink and Pebesma, 1999; Vereecken et al., 2010). 따라서 모델의 해상도를 미세화하는 과정에서는 지표면 입력 매개변수들이 가진 공간적 특성과 모델 내 물리 방정식 간의 관계를 신중하게 고려해야 한다. 즉, 원시 고해상도 입력변수가 저해상도로 변환되면서 시뮬레이션의 결과들에 영향을 미칠 수 있다.
이에 본 연구에서는 NCAR의 지면-생해화학 모델인 Community Land Model version 5 (CLM5)-Biogeochemistry (BGC)를 활용하여 수행한 전 지구 시뮬레이션 결과인 연구(Seo et al., 2025)를 바탕으로, 모델의 공간 해상도에 따른 표층 토양수분 모의에 미치는 영향에 대한 분석 내용을 소개하고자 한다. 또한, 본 연구의 결과를 통하여 지면모델 해상도를 변경하는 것이 모델 결과에 미치는 영향을 평가하고, 차세대 고해상도 수문-지구시스템 모델링을 구축할 때 과학적 신뢰도를 확보하기 위해 지표 매개변수화 공식을 어떻게 재검토해야하는지에 대한 중대한 기술적 시사점을 제공하고자 한다.

2. 전 지구 해상도별 실험 설계 및 고위도토양수분 모의 편차

CLM5-BGC 모델 내에서 각 토양 격자층( )의 토양 매트릭포텐셜(Soil Matric Potential, )은 Clapp and Hornberger (1978)의 경험 방정식을 기반으로 다음과 같이 산정된다.

\psi_i = \psi_{sat,i}\left(\frac{\theta_i}{\theta_{sat,i}}\right)^{-B_i}

(식 1)

i번째 토양층의 체적 토양수분 함량을 의미하며, \psi_{sat,i}와 \theta_{sat,i}는 각각 포화 토양 매트릭포텐셜과 포화 수분 함량을 나타낸다. 이때 지표면의 물리적 특성을 반영하는 핵심 지수 매개변수인 B_i는 격자 내 광물 토양과 유기물 밀도의 구성 비율에 따라 아래와 같이 결정된다.

B_i = 1 - f_{om,i} \times B_{min,i} + f_{om,i} \times B_{om,i}

(식 2)

여기서 f_{om,i}는 토양에서의 유기물 비율을 뜻하며, 유기물 토양 지수(B_{om,i})와 광물 토양 지수(B_{min,i})는 각각 토양의 깊이(z_i)와 모래 비율(p_{sand})에 의해 유도된다.

B_{om,i} = \left\{ \begin{array}{l} 2.7 + 9.3 \times \frac{z_i}{0.5}, \quad \mathrm{if}\ z_i \le 0.5 \\ 12,\quad \mathit{otherwise} \end{array} \right.

(식 3)

B_{min,i} = 10 \times 10^{1.88 - 0.0131 \times p_{sand}}

(식 4)

기상 입력 자료로는 NASA GMAO에서 제공하는 MERRA-2 재분석 자료의 40개년(1980~2019년) 시간별 데이터(기온, 습도, 풍속, 강수량 등)를 활용하였다. 실험군은 지표 및 토양 입력 매개변수의 해상도 조합에 따라 총 네 가지 시나리오로 설계하였다(표 1).
40개년 시뮬레이션의 표층(10cm) 토양수분 양상을 분석한 결과, 해상도 변경에 따른 모의 편차는 전 지구의 지형이나 기후 조건에 따라 일정하게 나타나지 않고 특정 지역에 강하게 집중되는 공간적 특이성을 보였다. 전 세계 대부분의 중·저위도 지역에서는 해상도 변화에 따른 토양수분의 차이가 미미했던 반면, 동시베리아와 북미를 포함한 북위 60o 이상의 지역에서는 매우 유의미한 모의 편차가 관측되었다.
고위도 전반에 걸쳐 모델의 공간 해상도가 저해상도로 커질수록 표층 토양수분 질량이 증가하도록 시뮬레이션되어 모델 간의 결과 차이가 발생하였다. 북위 60o 이상 지역을 대상으로 보았을 때 저해상도 시나리오인 EXPsurf_2 (2o x 2o)의 총 표층 토양수분 질량은 CTRL (0.25o x 0.25o) 대비 약 5% 증가하는 것으로 나타났다(그림 1). 이러한 편차는 공간적으로 불균일하게 분포하여 시베리아 일부 격자 전역에서는 토양수분 모의 수치가 최대 29%까지 차이가 발생하기도 했다.

표 1. 본 연구에 사용된 지표 해상도별 실험 설계

표 1. 본 연구에 사용된 지표 해상도별 실험 설계
그림 1. 저해상도 시나리오(EXPsurf_2)와 대조군(CTRL) 간의 표층(10cm) 토양수분 비교

그림 1. 저해상도 시나리오(EXPsurf_2)와 대조군(CTRL) 간의 표층(10cm) 토양수분 비교

3. 전 지구 해상도별 실험 설계 및 고위도토양수분 모의 편차

앞서 관측된 고위도 지역의 해상도별 토양수분 편차가 어떠한 토양 인자로부터 기인한 것인지를 보다 명확히 파악하기 위해, 본 연구에서는 토양 데이터를 광물 토양(모래 및 점토)과 유기물 밀도의 두 가지 요인으로 분리하여 각각의 영향력을 확인하는 실험들을 수행하였다(표 2). 지면 해상도는 0.25o x 0.25o로 동일하게 고정한 상태에서 광물 토양 데이터와 유기물 밀도 데이터의 해상도 조합을 각각 다르게 적용하였다
각 요인별 시뮬레이션 결과를 비교한 결과, EXPsoil_hh, EXPsoil_11, EXPsoil_22로 갈수록 앞선 표 1의 실험과 동일하게 토양 데이터의 해상도가 낮아짐에 따라 고위도 표층 토양수분의 양은 오히려 증가하는 경향을 보인다(그림 2). 또한 광물 토양과 유기물 밀도 해상도의 영향을 분리하여 분석하기 위해 EXPsoil_2q와 EXPsoil_q2를 비교하였다.
모래와 점토를 포함하는 광물 토양의 해상도만 2o x 2o로 낮추고 유기물 밀도 해상도는 미세하게 유지한 실험(EXPsoil_2q)에서는 고위도 토양수분량에 거의 변화가 나타나지 않았다. 반면, 광물 토양 데이터의 해상도는 미세하게 유지한 채 오직 유기물 밀도 데이터의 해상도만 2o x 2o의 저해상도로 낮춘 실험(EXPsoil_q2)에서는 대조군 대비 고위도 표층 토양수분 질량이 약 6% 증가하는 현상이 관측되었다. 이는 기상 조건이나 식생, 광물 토양의 영향력을 배제하더라도 유기물 밀도 데이터의 해상도가 낮아지는 것 자체만으로 표층 토양수분이 과대산정될 수 있음을 보여준다.

표 2. 본 연구에 사용된 토양 데이터 해상도별 실험 설계

표 2. 본 연구에 사용된 토양 데이터 해상도별 실험 설계
그림 2. 고위도(>60o) 지역의 토양수분 시뮬레이션 결과

그림 2. 고위도(>60o) 지역의 토양수분 시뮬레이션 결과

이러한 토양수분 모의 결과의 차이가 특히 시베리아를 비롯한 고위도 지역에 집중되는 원인은 유기물 밀도의 극심한 공간적 불균일성(Heterogeneity)과 모델 내부 방정식의 비선형적 관계에 있다. 원시 데이터 상에서 표층 시베리아 지역의 유기물 밀도는 매우 낮거나(0~40 kg/m2) 혹은 아주 높은(120kg/m2 이상) 격자들이 복잡하게 혼재하는 불균일한 분포를 보인다. 그러나 모델의 격자가 커질수록 면적 평균화 과정을 거치면서 이 극단적인 값들이 평균화되어 중간 영역인 60~80 kg/m2 사이에 존재하는 유기물 밀도 격차가 점점 더 많아지게 된다(그림 3).
이러한 유기물 밀도 변화와 토양수분 모의 편차간의 관계를 격자별로 정량적으로 확인하기 위해, 본 연구에서는 유기물 해상도만 낮춘 실험(EXPsoil_ q2)과 CTRL 시뮬레이션의 차이를 기반으로, 앞서 그림 3(a)의 적색 바운드 지역 영역에 대한 유기물 밀도 변화량에 따른 표층 토양수분 질량 변화량의 산점도를 도출하였다(그림 4). 도출된 산점도에서는 유기물 밀도 변화량이 0kg/m2인 중심축을 기준으로 변화량의 양(+) 또는 음(-)의 방향으로 커질수록 유기물 해상도만 낮춘 실험에서 표층 토양수분 질량이 대체적으로 증가하는 추세로 나타난다.

그림 3. (a) 시베리아 지역의 표층(0~10cm) 유기물 밀도 분포 및 (b) 그리드 변화에 따른 유기물 밀도 히스토그램 비교

그림 3. (a) 시베리아 지역의 표층(0~10cm) 유기물 밀도 분포 및 (b) 그리드 변화에 따른 유기물 밀도 히스토그램 비교

그림 4. 유기물 밀도 변화량 대비 표층 토양수분 질량 변화량 산점도(EXPsoil_q2 - CTRL)

그림 4. 유기물 밀도 변화량 대비 표층 토양수분 질량 변화량 산점도(EXPsoil_q2 – CTRL)

이처럼 평균화된 유기물 밀도의 분포 변화가 토양수분의 증가로 이어지는 근본적인 원인은 CLM5 모델 내 토양 매트릭포텐셜 방정식의 강한 비선형성에 있다(그림 5). 모델 내 수식 구조상 토양 매트릭포텐셜은 동일한 수분 함량 조건 하에서도 격자 내 유기물 함량 비율에 따라 일정하게 선형적으로 반응하지 않고 매우 민감하게 변화한다. 특정 체적 토양 함수량(θ = 0.3) 조건에서 유기물 밀도 변화에 따른 토양 매트릭포텐셜 값을 역추적해 보면, 유기물 밀도가 0kg/m2에서 시작해 중간 영역인 약 80kg/m2 부근으로 접근할수록 토양 매트릭포텐셜의 절대값이 최고점에 달하는 포물선 형태의 비선형적 관계가 뚜렷하게 관측된다(그림 5).
물리적으로 토양 매트릭포텐셜의 절대값이 커진다는 것은 수분을 강하게 끌어당기는 토양 흡인력(Suction)이 극대화됨을 의미한다. 반면 유기물 밀도가 이 영역을 초과하여 최대치(130kg/m2)에 도달하면 유기물 토양 본연의 높은 다공성으로 인해 흡인력이 오히려 다시 감소하며 토양수분이 빠르게 감소한다. 이로 인해 저해상도 유기물 밀도 시뮬레이션에서는 대조군보다 흡인력이 높게 나타나는 60~80kg/m2 영역의 격자가 많아져 훨씬 더 강력한 토양 흡인(Suction) 현상이 일어나 표층에 더 많은 토양수분이 시뮬레이션되는 결과로 이어진다.
이러한 표층 토양수분의 모의 편차는 식생 건조도 기반의 수분 가용성 지표를 제어하여 산불 동역학을 교란하는 연쇄 작용으로 이어질 수 있다. 토양이 건조하게 모의되는 미세 해상도 조건과 달리, 유기물 밀도가 저해상도화되어 토양수분이 비교적 높게 산정되는 시뮬레이션 조건에서는 산불 발생 및 확산 조건이 억제되어 연간 산불 소실 면적과 탄소 배출량이 과소산정되는 모델 간 결과 차이가 발생 할 수 있다.

그림 5 CLM5 수문 방정식에 따른 토양 함수량 및 유기물 밀도 변화별 토양 매트릭포텐셜의 비선형적 반응 특성

그림 5 CLM5 수문 방정식에 따른 토양 함수량 및 유기물 밀도 변화별 토양 매트릭포텐셜의 비선형적 반응 특성

4. 결론

본 연구는 지면모델의 공간 해상도를 변경하거나 지표 입력 자료를 격자화할 때, 유기물 밀도와같은 지표 매개변수의 공간적 불균일성이 모델 내 비선형 물리 공식과 결합하여 모델 간의 시뮬레이션 결과 차이를 초래할 수 있음을 입증하였다. 특히 고위도 지역에서는 저해상도 격자화 과정에서 유기물 밀도가 토양 흡인력이 높게 나타나는 60~80 kg/m2 영역으로 집중되는 현상이 발생함을 발견하였다. 이로인하여 낮은 해상도의 유기물 밀도 시뮬레이션에서는 토양수분이 비교적 높게 시뮬레이션됨을 확인하였다.
이러한 해상도 의존성 한계를 완화하고 차세대 고해상도 수문 모델링의 예측 일관성을 확보하는 데 있어, 다음과 같은 방법들을 통해 대체하거나 보완할 수 있는 하나의 실효성 있는 방안이 될 수 있다. 우선 지표 입력 자료의 격자화 과정에서 단순히 전통적인 면적 가중 평균을 적용하는 대신 중앙값(Median) 기반의 방식을 도입하는 것은 격자 내 극단적인 불균일성으로 인한 수문 인자의편차를 줄이는 하나의 방법이 될 수 있다. 또한 고해상도 매개변수 업스케일링(Upscaling) 접근법의 활용 역시 유용한 대안으로 검토될 수 있다. 원시 초고해상도 격자에서 수문 물리 매개변수들을 우선적으로 계산한 후 낮은 해상도로 매개변수 자체를 상향 격자화하는 방식은, 유기물 밀도의 총량을 보존하면서도 비선형적인 물리 방정식 해석 과정에서 발생하는 결과 차이를 완화하는 데 긍정적으로 작용할 수 있다.
지구 시스템 모델 및 수문 모델링의 고해상도화가 전 세계적인 추세로 자리 잡은 현시점에서, 모델의 구조적 공식과 공간 데이터 간의 비선형적 상호작용에 대한 깊이 있는 이해는 필수적이다. 향후 유기물 밀도를 포함하는 토양 매트릭포텐셜 방정식의 공식적 검토와 해상도별 매개변수 특성 분석이 지속적으로 병행된다면, 기후변화에 대응하는 국가 수자원 관리 및 생태계 재난 예측 분야에 더욱 엄밀하고 정교한 시뮬레이션 기반을 구축하는 데 기여할 수 있을 것으로 기대된다.

참고문헌
  1. Baker, E., Harper, A. B., Williamson, D., and Challenor, P. (2022). Emulation of highresolution land surface models using sparse Gaussian processes with application to JULES. Geoscientific Model Development, 15, 1913–1929. https://doi. org/10.5194/gmd-15-1913-2022.
  2. Clapp, R. B., and Hornberger, G. M. (1978). Empirical equations for some soil hydraulic properties. Water Resources Research, 14 (4), 601–604. https://doi. org/10.1029/WR014i004p00601.
  3. Heuvelink, G. B. M., and Pebesma, E. J. (1999). Spatial aggregation and soil process modelling. Geoderma, 89 (1-2), 47–65. https://doi.org/10.1016/S0016- 7061(98)00077-9.
  4. Koster, R. D., Guo, Z., Yang, R., Dirmeyer, P. A., Mitchell, K., and Puma, M. J. (2009). On the nature of soil moisture in land surface models. Journal of Climate, 22 (16), 4322–4335. https://doi.org/10.1175/2009JCLI2832.1.
  5. Lawrence, D. M., Fisher, R. A., Koven, C. D., Oleson, K. W., Swenson, S. C., Bonan, G., Collier, N., Ghimire, B., van Kampenhout, L., Kennedy, D., Kluzek, E., Lawrence, P. J., Li, F., Li, H., Lombardozzi, D., Riley, W. J., Sacks, W. J., Shi, M., Vertenstein, M., Wieder, W. R., Xu, C., Ali, A. A., Badger, A. M., Bisht, G., van den Broeke, M.,Brunke, M. A., Burns, S. P., Buzan, J., Clark, M., Craig, A., Dahlin, K., Drewniak, B., Fisher, J. B., Flanner, M., Fox, A. M., Gentine, P., Hoffman, F., Keppel-Aleks, G., Knox, R., Kumar, S., Lenaerts, J., Leung, L. R., Lipscomb, W. H., Lu, Y., Pandey, A., Pelletier, J. D., Perket, J., Randerson, J. T., Ricciuto, D. M., Sanderson, B. M., Slater, A., Subin, Z. M., Tang, J., Thomas, R. Q., Val Martin, M., and Zeng, X. (2019). The Community Land Model Version 5: description of new features, benchmarking, and impact of forcing uncertainty. Journal of Advances in Modeling Earth Systems, 11 (12), 4245–4287. https://doi. org/10.1029/2018MS001583.
  6. Li, F., Bond-Lamberty, B., and Levis, S. (2014). Quantifying the role of fire in the Earth system part 2: impact on the net carbon balance of global terrestrial ecosystems for the 20th century. Biogeosciences, 11 (5), 1345–1360. https://doi.org/10.5194/bg-11-1345- 2014.
  7. Liu, S., Shao, Y., Kunoth, A., and Simmer, C. (2017). Impact of surface-heterogeneity on atmosphere and land-surface interactions. Environmental Modelling & Software, 88, 35–47. https://doi.org/10.1016/j.envsoft.2016.11.006.
  8. Longo, M., Knox, R. G., Medvigy, D. M., Levine, N. M., Dietze, M. C., Kim, Y., Swann, A. L. S., Zhang, K., Rollinson, C. R., Bras, R. L., Wofsy, S. C., and Moorcroft, P. R. (2019). The biophysics, ecology, and biogeochemistry of functionally diverse, vertically and horizontally heterogeneous ecosystems: the Ecosystem Demography model, version 2.2-part 1: model description. Geoscientific Model Development, 12, 4309–4346. https://doi.org/10.5194/gmd-12-4309-2019.
  9. Seo, H., Lee, E., Kim, J., Choi, S., Kolassa, J., & Kim, Y. (2025). Effects of land surface model resolution on soil moisture and wildfire simulations using Community Land Model version 5–Biogeochemistry. Journal of Hydrology, 134085. https://doi.org/10.1016/ j.jhydrol.2025.134085
  10. Vereecken, H., Weynants, M., Javaux, M., Pachepsky, Y., Schaap, M. G., and van Genuchten, M. T. (2010). Using pedotransfer functions to estimate the van Genuchten-Mualem soil hydraulic properties: a review. Vadose Zone Journal, 9, 795–820. https://doi. org/10.2136/vzj2010.0045.
  11. Wood, E. F., Roundy, J. K., Troy, T. J., van Beek, L. P. H., Bierkens, M. F. P., Blyth, E., de Roo, A., Döll, P., Ek, M., Famiglietti, J., Gochis, D., van de Giesen, N., Houser, P., Jaffé, P. R., Kollet, S., Lehner, B., Lettenmaier, D. P., Peters-Lidard, C., Sivapalan, M., Sheffield, J., Wade, A., and Whitehead, P. (2011). Hyperresolution global land surface modeling: meeting a grand challenge for monitoring Earth’s terrestrial water. Water Resources Research, 47, W05301. https://doi.org/10.1029/2010WR010090.
  12. Yue, C., Ciais, P., Cadule, P., Thonicke, K., Archibald, S., Poulter, B., Hao, W. M., Hantson, S., Mouillot, F., Friedlingstein, P., and Maignan, F. (2014). Modelling the role of fires in the terrestrial carbon balance by incorporating SPITFIRE into the global vegetation model ORCHIDEE part 1: simulating historical global burned area and fire regimes. Geoscientific Model Development, 7, 2747–2747. https://doi.org/10.5194/gmd-7-2747-2014.

tag