본 연구에서는 2002년 3월 경북 울진에서 발생한 산불에 따른 에어로졸 조성 변화와 CCN에 미치는 영향을 분석하였다. 본 연구 사례는 3월 4일~13일간 총 213시간 지속된 초대형 산불 사례로, 총 14,140 ha의 산림면적이 소실되는 엄청난 피해를 입었다. 이는 우리나라 대형 산불 기준 (≥24시간 지속 또는 산림면적 100 ha 소실)에 비해 피해 산림면적은 약 140배, 지속시간은 약 9배 초과한 수준이었다. 본 연구를 수행하기 위해 여러 기상요소 (기온, 풍속, 상대습도)와 대기질 (PM_2.5) 관측 자료를 이용하였으며, 산불 발생 주변 지역인 동해안과 일부 내륙지역에서 12곳의 기상관측 및 12곳의 대기질 지점을 선정하였다 (그림 1). 일반적으로, 대상지역의 대기질 농도 변화는 인근 기상조건에 크게 영향을 받기 때문에, 보다 정확한 해석을 위해 기상관측 및 대기질 지점을 서로 가깝고 장애물 (예, 높은 산)의 영향이 적은 지점으로 선정하였다 (Song et al., 2014). 먼저, 기상 관측자료는 종관기상관측시스템 (Automated Synoptic Observing Sys tem, ASOS)과 방재기상관측소 (Automated Weather System, AWS)로부터 수집한 시간별 자료 (기온, 풍속, 상대습도)를 사용하였다. 대기질 관측자료는 환경부 도시대기측정망의 시간별 PM_2.5 농도를 이용하였다. 특히, 산불에 의한 오염물질 및 CCN 변화와 기상조건 (예, 해풍, 수송, 혼합비 등)을 직접적으로 상호 연계하여 설명하기 위해, 태백산맥 (평균 고도 약 800 m) 동쪽에 위치한 산불 발화점 (해발고도 138 m) 인근의 도시대기측정망인 울진군 (UJ) 지점과 이 지점에서 가장 가깝고 (1 km 이내) 장애물의 영향을 적게 받는 울진 기상관측지점 (UL)을 중점적으로 분석하였다. 산불 발생 동안 UJ 지점의 일평균 PM_2.5 농도는 99 μg m^-3, 1시간 최고농도는 385 μg m^-3을 기록하였다. 각 관측지점의 여러 가지 대기오염물질 농도 특성에 대한 설명은 선행논문 (Sun et al., 2023)에서 자세히 확인할 수 있다.

Fig. 1. 
Nested model domains for WRF (solid frame) and CMAQ (dotted frame) simulations and the geographical locations of a fire hotspot (red star), 12 sites for air quality (triangles, AQ), and 12 sites for meteorological variables (circles, MET) (Source: Sun et al., 2023).

본 연구에서는 울진 산불로 인한 에어로졸의 조성 변화와 CCN에 미치는 영향을 분석하기 위해, 먼저 산불 사례 기간을 중심으로 기상모델을 수행하여 대상지역의 고해상도 기상장을 생성하였다. 이를 대기질 모델의 입력 자료로 활용하여 산불 배출량을 고려한 수치모의 실험 (Total)과 고려하지 않은 실험 (Base)으로 나누어 수행하였다. 최종적으로, Total과 Base 수치모의 실험의 결과 (기상요소, 에어로졸 성분 농도, CCN 등)를 비교 분석하였다. 본 연구에 이용된 기상모델과 대기질 모델의 구성과 입력 자료에 대해서는 2.2절에 상세히 제시하였다. 이 외에도 모델의 예측정확도를 검증하기 위해, 전체 연구 기간에 대한 통계적 분석을 수행하였다. 이러한 분석은 주요 기상요소 (기온, 풍속, 상대습도, 기압, 일사, 강수량) 및 PM_2.5의 관측값과 모델값에 대한 평균 제곱근 오차 (root mean square error, RMSE), 평균 편향 오차 (mean bias error, MBE), 일치도 지수 (index of agree ment, IOA)를 계산하여 수행되었다.

본 연구에서는 울진 산불 사례의 기상장 수치모의를 위해 중규모 기상모델 WRF (Weather Research and Forecasting) version 3.8을 이용하였으며 (https://www2.mmm.ucar.edu/wrf/users/), 대기질 수치모의를 위해 CMAQ (Community Multi-scale Air Quality) version 5.3.2를 사용하였다 (https://19january2021snapshot.epa.gov/cmaq/latest-version-cmaqv532_.html). WRF 기상모델의 도메인 (domain)은 동아시아 영역 (D1, 27 km), 한반도 영역 (D2, 9 km), 남한 영역 (D3, 3 km)으로 총 3개 영역을 구성하였으며, 모델의 외부 및 내부 영역 사이의 feedback이 가능하도록 양방향 상호 둥지 격자 시스템을 적용하였다. 또한 대기질 모델링에서는 WRF 모델의 기상장 경계 오차를 줄이고자 MCIP (Meteorological Chemisty Interface Processor, version 5.1) 과정을 통해 CMAQ 모델의 입력 자료 형태로 변환하여 사용하였다. CMAQ 모델의 연직 층은 29개로 설정하였으며, CB6r3 (Luecken et al., 2019) 화학 메커니즘, AERO7 에어로졸 모듈을 사용하였다. 본 연구에 이용된 WRF v3.8 기상모델과 CMAQ v5.3.2 대기질 모델의 기본적인 특성 등 자세한 정보는 여러 선행연구에 잘 나타나 있다 (Cho et al., 2023; Sun et al., 2023; Song et al., 2022).

CMAQ 모델링에 필요한 기상장을 생성하기 위해 WRF 기상모델을 수행하였다. WRF 모델에 이용된 물리적 옵션 중 미세 물리 과정은 D1과 D2~D3 영역에 대해 각각 WSM3 (WRF Single-Moment 3-class, Hong et al., 2004)과 WDM6 (WRF Double-Moment 6-class, Lim and Hong, 2010) scheme을 그리고 적운 모수화 과정은 D1과 D2 영역에 대해 Kain-Fritsch (Kain, 2004)을 적용하였다. 장파 및 단파 모수화 과정에 대해서는 각각 RRTM (Rapid Radiative Transfer Model, Mlawer et al., 1997)과 Dudhia (Dudhia, 1989) scheme을 이용하였으며, 대기 경계층 모수화는 YSU (Yonsei University, Hong et al., 2006) scheme을 사용하였다. 기상모델의 전체 수치모의 기간은 총 23일로 2022년 2월 24일 00 UTC~3월 19일 00 UTC이며, 이는 울진 산불 사례 (3월 4일~13일)와 발생 전후 5일 그리고 72시간의 초기적응시간 (spin-up time)을 포함한다. 또한 기상모델 예측 성능 개선을 위해 3차원 변분자료동화와 넛징 (관측 및 분석 넛징) 기법을 적용하였으며, 이에 대한 자세한 설명은 여러 선행연구에 제시되어 있다 (Sun et al., 2023; Cho et al., 2021). 이 외에도 본 연구의 기상 모델링에 이용된 연직 층수 및 수평해상도, 초기 및 경계조건, 토지피복, 지형고도 등의 자료 정보와 기상 및 대기질 모델의 구성에 관한 상세한 설명은 동반 논문 (Sun et al., 2023)에서 확인할 수 있다.

CMAQ 모델의 인위적 및 자연적 배출량 입력 자료에 대한 설명은 다음과 같다. 동아시아 영역 (D1 및 D2) 인위적 배출량은 0.1°×0.1° 해상도의 EDGAR HTAP (Emission Database for Global Atmospheric Research-Hemispheric Transport of Air Pollution) version 2 배출목록을 이용하였다 (Janssens-Maenhout et al., 2015). 남한 영역 (D3) 인위적 배출량은 1 km×1 km 해상도의 CAPSS (Clean Air Policy Sup porting System) 2016년 자료를 이용하였다 (NIER, 2019) (http://www.air.go.kr). 또한 자연적 배출량은 모든 연구 도메인에 대해 MEGAN (Model of Emis sions of Gases and Aerosols from Nature) version 2.1을 수행하여 모델링에 적용하였다 (Guenther et al., 2012). 이 외에도 고해상도 산불 배출량은 NCAR (National Center for Atmospheric Research)에서 제공하는 FINN (The Fire INventory from NCAR) ver sion 1.5를 사용하였으며 (Wiedinmyer et al., 2011) (https://www.acom.ucar.edu/Data/fire), CMAQ 모델의 입력 자료로 사용하기 위해 화학종 맵핑 (map ping) 작업을 수행하였다. FINN은 위성 관측자료 (활성 화재 관측) 기반으로 산정된 배출량으로, 관측 장비의 한계로 인해 결측치가 발생하여 연소면적이 다소 작게 산출되고, 작은 규모의 화재는 식별되지 않는 등 배출량에 불확실성이 존재한다. 본 연구에서는 이러한 불확실성을 일부 해소하고자 연소면적을 보정하고 재격자화하여 입력 자료를 구성하였다. FINN 배출량의 산정식, 화학종 맵핑 (mapping), 연소면적 보정, 배출량 재격자화 등은 동반 논문 (Sun et al., 2023)에 상세히 기술되어 있다.

본 연구에서는 울진 산불로 인해 생성된 에어로졸이 CCN에 미치는 영향을 추정하기 위해, 산불 사례 전후로 CCN의 수농도 분포를 분석하고 이러한 CCN 변화를 통해 강수에 대한 영향을 간접적으로 살펴보았다. 본 연구에 이용된 CCN 수농도 산출식은 다음과 같다 (Binkowski, 1999).

여기서, n(lnD)는 대수정규를 따르는 입자의 크기 분포 (lognormal particle size distribution, particle/cm³), N은 전체 수농도 (total number concentration, parti cle/cm³), D는 수농도를 계산하고자 하는 입자의 직경 (particle diameter, nm), D_g는 기하 평균 직경 (geometric mean diameter, nm), σ_g는 기하 표준 편차 (geomatric standard deviation)를 의미한다. 식 (1)의 항목들 중 N, D_g, σ_g은 CMAQ의 시간별 모델 결과값을 사용하였으며, 특히 CCN에 해당하는 주요 입자 크기인 Aitken mode (mode i)를 선별적으로 이용하였다. D의 경우, 여러 선행연구에서 주로 이용하고 있는 입자 크기 (1~100 nm)의 CCN 수농도를 산출하여 분석하였다 (Tummon et al., 2010; Rose et al., 2010; Binkowski, 1999).

본 연구에서는 울진에서 발생한 대형 산불에 의한 에어로졸 농도 특성 및 화학조성 변화를 살펴보기 위해, 연구기간 (2022년 2월 27일~3월 18일, spin-up time 제외) 동안 울진 도시 대기측정망 UJ 지점에서의 PM_2.5 관측 및 모의 (Total 및 Base) 농도의 시계열을 비교하였다. 또한 Total 실험에 대해 PM_2.5 화학성분별 (POA, SOA, SIA, EC, OTHER) 모의 농도의 특성을 분석하였다 (그림 2). 먼저 두 실험의 PM_2.5 농도 변화를 보면, 전반적으로 Total 실험의 농도가 Base 실험에 비해 관측값의 시계열을 잘 따라가는 패턴을 보였다. 특히, 산불이 발생한 기간 (3월 4일~13일) 동안 Total 실험의 PM_2.5 과소모의 (MBE: -1.47 μg m^-3)는 Base (MBE: -7.66 μg m^-3)에 비해 크게 개선되어 관측값에 더 가깝게 모의된 것을 확인할 수 있었다. 이 외에도 산불 발생 (3월 4일~13일)과 비발생 기간 (2월 27일~3월 3일, 3월 14일~18일) 동안 PM_2.5 농도 변화에 대한 상세한 시·공간 분석은 Sun et al. (2023)의 동반 논문에 잘 나타나 있다.

Fig. 2. 
Time series plot of the concentrations of the observed and model-predicted PM_2.5 for both Total and Base cases, including PM_2.5 chemical components for Total case only (primary organic aerosol (POA), secondary organic aerosol (SOA), secondary inorganic aerosol (SIA), elemental carbon (EC), and others (OTHER)), at the Uljin air quality monitoring site (UJ, Fig. 1) during the study period (February 27~March 18, 2022).

그림 2에서 알 수 있듯이, 산불 발생 시 PM_2.5 화학성분별 (POA, SOA, SIA, EC, OTHER) 모의 농도의 시계열은 PM_2.5의 모의 농도 패턴과 거의 유사하게 나타났다 (특히, POA). 이 외에도 Total 실험의 PM_2.5 화학성분별 평균 농도는 Base 실험에 비해 각각 20배 (POA), 11배 (SOA), 1.2배 (SIA), 2.9배 (EC), 3.1배 (OTHER) 정도 높게 추정되었다. 본 연구에서는 산불 발생에 따른 화학성분별 농도 특성을 보다 면밀히 파악하기 위해, 산불 발생 및 비발생 기간으로 구분하여 좀 더 상세히 분석하였다. 먼저 PM_2.5 성분별 평균 농도는 산불 발생 동안 비발생 기간에 비해 약 2배 (SIA)~37배 (POA) 정도 높은 수준이었다. 예를 들어, 산불 발생 기간에 5가지 화학성분 (POA, SOA, SIA, EC, OTHER)의 평균 농도는 각각 20.8 μg m^-3, 8.5 μg m^-3, 13.7 μg m^-3, 2.6 μg m^-3, 15.5 μg m^-3로, 1차 에어로졸 POA 성분이 가장 높은 농도를 보였다. 그러나 비발생 기간에는 성분별로 각각 0.6 μg m^-3, 3.7 μg m^-3, 6.8 μg m^-3, 0.5 μg m^-3, 2.6 μg m^-3로 낮은 수준이었으며, 산불 발생 기간과 달리 2차 에어로졸 성분 (SIA와 SOA)의 농도가 상대적으로 더 높았다. 이 외에도 산불 발생 기간의 최고농도 역시 POA 성분이 약 293 μg m^-3로 가장 높고, 다음으로 OTHER 성분이 148 μg m^-3로 높았으며, 나머지 성분들은 24 μg m^-3 (EC)~67 μg m^-3 (SOA)이었다. 반면, 비발생 기간에 5가지 성분의 최고농도는 대략 20 μg m^-3 이하로 상당히 낮았다.

그림 3은 산불 발생 및 비발생 기간에 울진 대기측정망 (UJ) 격자에서의 모의된 PM_2.5 농도 중 각 성분의 농도가 차지하는 비율 (%)을 나타낸다. 산불 발생 동안 PM_2.5 농도에 대해 POA의 비중이 가장 높았으며 (34.0%), 다음으로 OTHER (25.0%), SIA (22.4%), SOA (14.0%), EC (4.2%) 순이었다. 이와 달리 비발생 기간에는 SIA가 가장 높았고 (48.0%), 다음으로 SOA (25.8%), OTHER (18.5%), POA (4.0%), EC (3.8%) 순이었다. 일반적으로, 산불은 상당한 양의 오염물질을 대기 중으로 배출하는 것은 사실이나 (Gajendiran et al., 2023; Jaffe et al., 2020), 산불 발생지역의 식생 분포 (산림 형태, 수목 종 등), 산불 진행 경과, 연소 조건 및 온도 등에 따라 배출되는 오염물질은 매우 다양하게 나타날 수 있다 (Attiya and Jones, 2022; Sokolik et al., 2019; Cruz et al., 2018; Das et al., 2017; Reisen et al., 2015). 본 연구의 울진 산불은 넓은 면적에 엄청난 양의 산림/식생을 태우면서 다량의 탄소 성분을 대기 중으로 배출하여 1차 에어로졸인 POA 성분의 농도가 가장 높았으며, 이는 비발생 기간에 비해 증가 폭도 가장 크게 나타난 것으로 사료된다.

Fig. 3. 
The relative proportions (%) of five chemical components (POA, SOA, SIA, EC, and OTHER) in simulated PM_2.5 mass con centrations at the Uljin air quality site (UJ) during the wildfire episode (March 4~13, 2022) and the non-wildfire episodes (February 27~March 3 and March 14~18, 2022).

본 연구에서는 수치모델링에 대한 검증을 정량적으로 자세히 살펴보기 위해, 연구기간 (2022년 2월 27일~3월 18일) 동안 대상지역 내 12개 기상관측지점 및 12개 대기질 측정소의 관측값과 모델값에 대한 통계적 분석 (IOA, RMSE, MBE)을 수행하였다 (표 1). 2.1절에서 언급한 바와 같이, 기상요소는 기온, 풍속, 상대습도, 기압, 일사, 강수량, 그리고 대기질은 PM_2.5 농도 자료를 통계분석에 이용하였다. 먼저 연구기간 동안 대상지역 모든 관측지점에서 기온, 풍속, 상대습도, 기압, 일사, 강수량의 RMSE는 각각 2.21°C, 1.86 m s^-1, 11.8%, 4.41 hPa, 0.38 MJ m^-2, 2.24 mm로 모의되었다. PM_2.5의 경우, 대상지역 모든 관측지점에서 RMSE가 9.98 μg m^-3 정도로 나타났다. 또한 모든 관측지점에서의 기온, 상대습도, 기압, 강수량은 약한 과소모의 (MBE: -0.71°C, -0.03%, -0.80 hPa, -1.06 mm) 경향이 나타난 반면, 풍속, 일사 그리고 PM_2.5는 약한 과대모의 (MBE: 1.14 m s^-1, 0.01 MJ m^-2, 0.72 μg m^-3) 경향을 보였다. 마지막으로, 여러 기상요소의 IOA는 각각 0.71 (풍속)~0.99 (기압)으로 상당히 높은 편이며, PM_2.5의 IOA는 0.84 정도였다. 대상지역의 이러한 통계분석 결과들은 여러 선행연구의 결과와 비교해 볼 때 서로 유사한 수준인 것으로 확인되었다 (Ko et al., 2024; Kang et al., 2023; Cho et al., 2023; Song et al., 2022). Song et al. (2022)의 연구에 따르면, 기온, 풍속, 상대습도와 PM_2.5의 RMSE는 각각 2.03~2.63°C, 1.48~1.78 m s^-1, 12.8~13.9%, 13.4~20.9 μg m^-3로 나타났으며, IOA는 각각 0.89, 0.70, 0.84, 0.60 이상으로 산출되었다. 또한 Cho et al. (2023)의 연구결과에서 기온, 풍속, 상대습도, PM_2.5의 RMSE는 각각 2.15°C 1.96 m s^-1, 16.5%, 12.4 μg m^-3 정도였고, IOA는 0.68 (풍속)~0.95 (기온)의 범위로 나타났다. 따라서 본 연구의 모델 검증을 종합해보면, 본 연구에서 수행한 수치모의 결과는 산불 발생에 따른 에어로졸 조성 변화를 분석하는 데 합리적인 것으로 사료되며, 또한 산불에 의해 생성된 오염물질이 CCN에 미치는 영향을 평가하는 데 보다 향상된 모의를 예상할 수 있다.

본 연구에서는 산불로 인해 생성된 대기오염물질 (에어로졸)이 구름응결핵 (CCN)에 미치는 영향을 분석하기 위해, 산불 발생에 따른 CCN의 수농도 변화를 살펴보았다. 산불 발화점에 가장 가까이 위치한 울진 도시대기측정망 (UJ)을 대상으로, Total 및 Base 실험에서의 에어로졸 입자 크기가 1~100 nm에 해당하는 것을 CCN 크기로 선정하여 수농도를 산출하였다 (Rose et al., 2010; Binkowski, 1999). 그림 4는 전체 연구기간을 산불 발생과 발생 이전 및 이후 기간으로 나누어, 각 기간별 Total 및 Base 실험의 CCN 평균 수농도 변화를 나타낸다. Total 실험 결과를 보면, 전반적으로 모두 30~40 nm 크기의 입자에서 CCN 수농도가 높게 산출되었으며, 특히 산불 발생 기간에는 40 nm 크기에서 가장 높았다 (약 12,768 particle/cm³). 이 외에도 전체 연구기간과 산불 발생 이전 및 이후에 각각 37 nm, 41 nm, 32 nm의 입자 크기에서 CCN 수농도가 가장 높았으며, 각각 6,941 particle/cm³, 984 particle/cm³, 1,366 particle/cm³ 정도였다. Base 실험의 경우, 높은 CCN 수농도가 나타나는 입자의 크기는 Total 실험과 비슷하게 대략 30~40 nm였으나, 수농도의 크기는 상당한 차이 (특히, 산불 발생 기간)를 보였다. 전체 연구기간 및 산불 발생 기간에 Total 실험의 평균 CCN 수농도 (입자 크기 30~40 nm)는 Base 실험 (각각 1,133 particle/cm³, 1,111 particle/cm³)보다 각각 6배와 11배로 매우 높게 추정되었다. 반면, 산불 발생 이전과 이후의 CCN 수농도는 두 실험 모두 비슷하게 나타났다 (Base 실험: 각각 956 particle/cm³, 1,355 particle/cm³). 이와 같이 Total 실험에서의 매우 높은 수준의 CCN은 산불로 인한 대기오염물질 배출이 직접적으로 크게 영향을 준 것으로 사료되며, 이러한 결과는 일부 선행연구의 결과와 유사한 것으로 확인되었다 (Bougiatioti et al., 2016; Rose et al., 2010).

Fig. 4. 
Number size distributions of cloud condensation nuclei number concentrations (particle/cm³) at the Uljin air quality site (UJ), averaged over the entire study period (black line), the wildfire episode (red line), before the wildfire episode (green line), and after the wildfire episode (blue line) for both Total and Base cases.

앞에서 언급한 바와 같이, 울진 산불 사례에서는 에어로졸 입자 크기 30~40 nm에 해당하는 CCN의 평균 수농도가 가장 높게 나타났다. 입자 크기별 CCN 수농도의 시간적 변화를 보다 상세히 분석하기 위해, 전체 연구기간 동안 UJ 지점을 대상으로 Total 및 Base 실험의 입자 크기별 (30 nm, 40 nm, 60 nm, 80 nm, 100 nm) CCN 수농도의 시계열을 비교하였다 (그림 5). 먼저 Total 실험에서는 산불 발생 기간에 입자 40 nm에서 총 CCN 수농도가 가장 높았으며 (최고 1.5×105 particle/cm³), 다음으로 30 nm (최고 1.2× 105 particle/cm³), 60 nm (최고 7.5×104 particle/cm³), 나머지 80~100 nm (최고 약 ≤3.0×104 particle/cm³) 순이었다. 산불 발생 기간의 이러한 수농도 증가 패턴은 그림 2의 PM_2.5 농도 패턴과 유사한 모습을 보였다. 한편, Base 실험의 CCN 수농도 패턴은 특정 시간대 (예, 3월 5일 오후)를 제외하고 전반적으로 일정하며 매우 낮은 편이었다 (약 1,000 particle/cm³ 이하). 특히, 산불 발생 기간의 Base 실험 결과가 Total 실험에 비해 상당히 낮은 수농도를 보였다. 두 실험 간의 수농도 차이는 산불 발생으로 (Total 실험) 다량의 미세입자 (예, 100 nm 이하의 CCN)가 대기 중으로 배출되었음을 의미한다. 또한 이러한 높은 CCN 환경 조건은 구름방울의 성장 및 수증기의 결빙 효율을 감소시킬 수 있다 (Lu and Sokolik, 2013). 이는 결국 구름 및 강수발달 과정을 촉진시켜 비를 내리게 하는 데 영향을 미칠 것으로 예상된다.

Fig. 5. 
Time series plot of cloud condensation nuclei number concentrations (particle/cm³) simulated at the Uljin air quality site (UJ) for both Total and Base cases during the study period (February 27~March 18, 2022).

본 연구에서는 산불이 강수 형성에 미치는 잠재적 영향 가능성을 추정하기 위해, CCN 수농도 변화와 다양한 기상조건의 특성을 함께 살펴보았다. 이러한 분석은 산불 발화점 인근 울진 ASOS 지점 (UL)을 대상으로 강수와 관련한 기상인자 (풍계, 비습, 구름 및 수증기 혼합비 등) 및 지상 일기도를 이용하여 이루어졌다 (그림 6~9). 여기서 관측자료가 없는 관계로 비습과 구름 및 수증기 혼합비 등의 자료는 모델링 결과를 이용하여 분석하였다. 본 연구의 울진 산불 사례는 2002년 3월 13일 오전에 내린 비로 인해 산불의 주불이 진화되었다는 보고가 있었기에, UL 지점에서 관측된 강수와 수치모의 결과를 비교하였다 (그림 6). 3월 13일 오전 09시부터 처음 강수가 관측되었으며, 기상모델에서는 한 시간 후인 오전 10시부터 강수가 나타나기 시작하여 대체로 잘 모의된 모습을 보였다. 이후 최대 6.5 mm의 강수가 관측되었으며, 모델링에서는 최대 5 mm 정도의 강수가 모의되었다.

Fig. 6. 
Time series plot of the observed and model-predicted precipitation (mm) at the Uljin meteorological site (UL) during the study period (February 27~March 18, 2022)

그림 6의 강수 발생에 대한 상세한 분석을 위해, UL 지점에서의 강수 발생 조건 중 하나인 해풍에 의한 수증기 유입 가능성을 분석하였다. 먼저, 강수 발생 전후의 종관패턴을 확인하고자 강수 발생 시간을 포함하는 2002년 3월 13일 03시부터 15시까지 6시간 간격의 지상일기도를 분석하였다 (그림 7). 3월 13일 03시에 중국 내륙 및 동부 (난징 부근), 한반도 북부 (길림 부근)에 저기압이 위치하고 일본 북동부 (후쿠시마 부근)와 남동부에 고기압이 배치된 모습을 보이며, 해양으로부터 남-남동풍 계열의 바람이 UL 지점으로 유입되었다 (그림 7(a)). 3월 13일 09시에는 중국 내륙과 동부에 위치하던 저기압이 서해로 이동하였으며, 고기압은 03시와 유사하게 분포하여 해양으로부터의 지속적인 남-남동풍 계열 바람이 유입될 수 있는 기상조건이 나타났다 (그림 7(b)). 3월 13일 15시에는 우리나라 중심에 저기압, 북서 및 북동쪽에 고기압이 배치되어 북풍 계열 바람이 우리나라로 유입되는 종관규모 흐름이 나타났으며, 아울러 동해안에 인접한 UL 지점 부근에 나타난 저기압에 의해 해풍으로부터 수증기가 지속적으로 공급된 것으로 사료된다.

Fig. 7. 
Surface synoptic weather chart for East Asia, includ ing the study area, on March 13, 2022 (a rainy day)

대상지역 UL 지점에서의 풍계를 보면 (그림 8), 강수 발생 (2022년 3월 13일 09시)하기 약 10시간 전부터 남풍/남동풍 계열의 바람에 의해 동해안으로부터 다량의 수증기가 UL 및 주변지역으로 공급된 것으로 판단된다 (관측과 모델링 둘 다 풍계 유사함). 이 때문에 비습 (Q2)과 수증기 혼합비 (Qvapor)가 증가하며, 수증기 공급에 의한 높은 상대습도, 낮은 기온에 의한 응결 속도 및 포화도 증가 등으로 인해 구름 혼합비 (Qcloud)가 증가하는 모습을 보인 것으로 추정된다 (그림 9). 또한 강수 발생 이후에도 북풍/북동풍 계열 바람에 의해 수증기가 지속적으로 유입되는 환경에서, 응결 및 수적 성장 등의 영향으로 강수 발생 이전까지 큰 변화가 없던 비 혼합비 (Qrain)가 증가하고, 비습, 수증기 혼합비, 구름 혼합비가 감소하는 등 이러한 과정을 통해 강수가 발달된 것으로 추정된다. 한편, 3월 12일에 증가하는 모습을 보인 CCN 수농도는 (그림 5) 작은 입자에 의해 가볍게 결빙되어 상대적으로 낙하속도가 느려지고 풍하측으로 수송되는 등 대기 중 체류시간이 길어져 강수 형성에 즉시 관여하지 못하고, 풍하측 지역 (UL 지점 인근)의 강수 형성에 영향을 미치기까지 시간 간격이 발생한 것으로 추정된다 (Lu and Sokolik, 2013; Martins et al., 2009). 결과적으로, 이러한 기상조건에서 산불에 의한 CCN 수농도 증가 (Total: 12,768 particle/cm³, Base: 1,111 particle/cm³)가 응결핵을 증가시킴으로써 구름 혼합비 증가에 기여할 수 있으며, 충분한 수적 성장 과정을 통해 구름방울의 성장을 촉진시켜 잠재적으로 강수 형성에 추가적인 기여 가능성을 확인하였다.

Fig. 8. 
Time series plot of simulated wind vectors at the Uljin meteorological site (UL) during the study period (February 27~March 18, 2022). The onset time of precipitation is 09:00 LST on March 13.

Fig. 9. 
Time series plot of simulated meteorological variables (specific humidity (Q2), water vapor mixing ratio (Qvapor), cloud water mixing ratio (Qcloud), and rain water mixing ratio (Qrain)) at the Uljin meteorological site (UL) during the study period (February 27~March 18, 2022).