Skip Navigation
Skip to contents

GEO DATA : GEO DATA

OPEN ACCESS
SEARCH
Search

Articles

Page Path
HOME > GEO DATA > Volume 6(4); 2024 > Article
Data Article
SSP 기후 변화 시나리오 기반의 월 평균 기후 예측 자료를 활용한 남한 지역의 확장된 생물기후변수 생성
오지은1orcid, 한아름2orcid, 김영철1orcid, 홍승범3,*orcid
Expanded Bioclimatic Variables Extracted from Monthly Climate Predictions under the SSP Climate Scenarios over South Korea
Jieun Oh1orcid, Ah Reum Han2orcid, Yeong-cheol Kim1orcid, Seungbum Hong3,*orcid
GEO DATA 2024;6(4):235-247.
DOI: https://doi.org/10.22761/GD.2024.0018
Published online: December 3, 2024

1전문위원, 국립생태원 기후생태관측팀, 충청남도 서천군 마서면 금강로 1210, 33657, 대한민국

2전임연구원, 국립생태원 기후생태관측팀, 충청남도 서천군 마서면 금강로 1210, 33657, 대한민국

3선임연구원, 국립생태원 기후생태관측팀, 충청남도 서천군 마서면 금강로 1210, 33657, 대한민국

1Researcher, Ecological Observation Team, National Institute of Ecology, 1210 Geumgang-ro, Maseo-myeon, Seocheon-gun, 33657 Chungcheongnam-do, South Korea

2Associate Researcher, Ecological Observation Team, National Institute of Ecology, 1210 Geumgang-ro, Maseo-myeon, Seocheon-gun, 33657 Chungcheongnam-do, South Korea

3Senior Researcher, Ecological Observation Team, National Institute of Ecology, 1210 Geumgang-ro, Maseo-myeon, Seocheon-gun, 33657 Chungcheongnam-do, South Korea

Corresponding Author Seungbum Hong Tel: +82-41-950-5611 E-mail: sbhong@nie.re.kr
• Received: July 5, 2024   • Revised: October 10, 2024   • Accepted: October 31, 2024

Copyright © 2024 GeoAI Data Society

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

prev next
  • 217 Views
  • 25 Download
  • Numerous studies, including the Intergovernmental Panel on Climate Change (IPCC) sixth assessment report, have documented species habitat shifts caused by climate change. These shifts lead to transformations in ecosystem structure, components, and functions. Exploring the connections between species and climate change is essential for developing adaptation strategies. Many studies use species distribution models (SDMs), which are based on the correlation between species habitats and climatic surroundings, to predict ecological shifts under climate change. The primary climate variables for these models are the only 19 variables whose concepts are based on monthly average temperature and precipitation from the BIOCLIM package developed in 1984. These 19 bioclimatic variables usually are obtained from WorldClim data set and other datasets. However, they have limitations in reflecting local climate characteristics and their association with ecology. Firstly, future projection data from global dataset including WorldClim dataset is derived directly from global climate models rather than regional climate models. Secondly, the 19 variables based on monthly temperature and precipitation do not adequately express hydrological characteristics of terrestrial ecosystem which are crucial for species habitats. Lastly, although there are various biogeographical indices excepts the 19 bioclimatic variables, there have been just a few cases that they were applied to SDMs for Korea. To overcome these limitations, this study expands the various bioclimatic variables, using regionally specialized climate data from Korea Meteorology Administration (KMA). The newly extended indices, which can reflect water availability, are expected to improve the prediction of SDMs, enabling more precise assessment of ecological risks due to climate change and effective adaptation strategies to mitigate the impacts of climate change on ecosystems.
기후 변화는 전 세계의 동식물 서식지 범위, 생리적 반응, 생물 계절 현상 등에 큰 영향을 미치고 있으며(IPCC, 2019) 21세기 말 제6차 전 지구 생물 대멸종의 주요 원인 중 하나로 지목되기도 하였다(IPBES, 2019). 이러한 생태계의 위기(risk)에 대응하기 위해서는 정량화된 방식의 기후 변화 영향 예측과 생태계 피해에 대한 정확한 진단이 필요하다. 이를 위해 종 분포 모델(species distribution modelling)을 활용하여 이들의 미래 서식지 분포 변화를 예측하고 서식지의 감소 규모 및 속도 등에 대한 기후 변화 취약성을 진단하는 것이 하나의 예시가 될 수 있다(Santini et al., 2021).
종 분포 모델은 1984년 호주의 BIOCLIM 패키지가 발간되어 접근성이 용이해지면서 기후 변화와 생물종 간의 관계를 밝히기 위한 주된 연구 방법론으로 자리 잡게 되었다(Booth, 2017). 이 모델은 생물종 출현 자료와 환경 자료를 필요로 하며 일반적으로 BIOCLIM 패키지에서 제시한 19가지의 생물 기후변수(Bioclim)를 주로 이용한다. 이는 월 단위 평균 기온과 강수량 자료를 산출되며 생물지리적으로 중요한 평균적인 기후 환경, 계절성, 기후의 변동성, 극한 혹은 제한적 환경 등의 환경 특성을 나타내기 때문이다(Nix, 1986). 국내에서도 WorldClim에서 제공하는 19가지 생물기후변수 기반의종 분포 모델을 기후 변화 취약종 미래 서식지 예측(Lim and Kim, 2020; Kim et al., 2023; Park et al., 2023), 외래종 확산 위험 지역 평가(Lee et al., 2022) 등 다방면으로 활용하였다.
WorldClim (1 km) 외에도 CHELSA (1 km), CliMond (10’ 또는 30’), Copernicus (0.5°) 등에서 전 세계를 대상으로 현재 및 미래 전망 생물기후변수를 제공하고 있다. 그러나 기존의 종 분포 모델을 이용한 대다수의 선행연구에서 사용하는 19가지 생물기후변수는 생물의 성장 및 생리에 관련된 기후변수를 적절하게 대변하고 있다고 보기 어렵다. 종 분포 모델에 있어 어떤 기후변수가 사용되었는가에 따라 종 분포의 미래 전망 결과에 유의미한 영향을 미치게 되므로(Synes and Osborne, 2011) 생리생태학적 과정(ecophysiological process) 기반의 직접적인 환경변수(기온, 수분, 양분, 광, 이산화탄소 등)를 선택하는 것이 권장된다(Austin and Van Niel, 2011). 그러나 수분을 나타내는 변수는 기존의 생물기후변수에서는 강수량만을 이용하였기 때문에(BIO12-BIO19) 증발을 통해 지표에서 대기 중으로 유출되는 수증기를 고려하지 않고 있다. 물순환을 고려한 수분 수지(water balance)는 수분의 프록시(proxy)로써 식물의 종 분포에 영향을 주는 중요 인자로 분석되었기에(Barbet‐Massin and Jetz, 2014; Crimmins et al., 2011; Li et al., 2022) 이와 같은 수분 이용 가능성 지표를 포함할 필요가 있다. 또한 기존의 생물기후 변수는 식물의 성장기(4-11월) 동안 얻을 수 있는 열에너지를 대변할 수 있는 변수를 지니지 못하고 있다. 유효 열량은 식생대 및 작물 재배 한계치 분포에 이용되는 중요한 요소이기 때문에(Hur et al., 2024) 생물의 서식에 영향을 주는 변수로써 포함되어야 한다. 이처럼 기존의 기온과 강수량으로만 표현되었던 19가지 생물기후변수 외에도 생물 종마다의 선호 서식 환경을 다각도로 반영할 수 있는 변수가 생산된다면 해당 종의 생태 및 생리학적 연구 기반의 적합한 변수를 선택하여 신뢰성 있는 종 분포 모델을 구축하는 데 활용할 수 있을 것으로 보인다.
이에 본 연구에서는 기상청의 미래 전망 시나리오 자료를 이용하여 기존의 19개의 변수 외에 생태 및 생리학적 과정을 기반으로 영향 요인을 대변할 수 있는 다양한 생물기후변수를 확장하고자 하였다. 특히 식물의 종 분포에 직접적인 영향을 미치는 수분과 기온에 대하여 잠재증발산량을 이용한 수분 이용 가능성 지표 및 유효 열량 지표 등을 생산하였다. 또한 이를 통해 생산된 생물기후변수가 실제 우리나라의 기후 변화를 반영하고 있는지 확인하여 보고자 한다.
본 연구에서는 19가지 생물기후변수 외에 종 분포 모델에 이용되었거나 국내 및 동아시아 지역에서 생물지리적 분포를 구분하였던 지수를 탐색하였다. 또한 기후 변화 시나리오에 따른 미래 기후 조건의 생물기후변수의 시간적 경향성을 분석하였다.
2.1 입력 데이터
확대된 생물기후변수 자료는 기상청의 남한 상세 자료를 기반으로 생산하였다(Korea Meteorological Administration, 2022). 이는 전구 기후 모델(global climate models)의 결과를 동아시아 지역 기후 모델(regional climate models)에 도입한 후(Kim et al., 2022) 고도, 사면 방향, 해양과의 거리 등 지리적 특성을 고려한 통계적 상세화 기법을 통해 전국을 1 km 해상도의 격자로 생산한 것이다(Kim et al., 2012). 전구 기후 모델(global climate models) 기반으로 공간적 상세화(spatial downscaling)를 통해 생산된 WorldClim (1 km), CHELSA (1 km) 등의 생물기후변수 자료에 비해 동아시아 지역 기후의 특징을 반영한 기후변수를 산출할 수 있을 것으로 보여 본 연구에서는 기상청의 남한 상세 자료를 이용하여 다양한 기후변수를 생산하였다. 남한 상세 자료는 2000-2019년을 현재 자료로, 2020-2100년은 SSP 시나리오 기반의 미래 전망 자료로 제공하며 1 km의 공간 해상도를 지닌다.
20년 단위의 총 5개 시기(2000-2019년, 2021-2040년, 2041-2060년, 2061-2080년, 2081-2100년)에 대하여 각 시기의 평균 기온 및 강수량의 월별 누년 평균값을 남한 상세 자료와 동일한 공간 해상도(1 km)의 격자별로 산출하였다(2000-2019년 시기의 1월 강수량에 대한 평균 등). 이를 기반으로 잠재증발산량을 산출하여 지면의 수문학적 특성과 열적 에너지를 나타내는 지표를 5개의 시기별로 생산하였다.
2.2 잠재증발산량 산출 과정
지면의 수분 이용 가능성을 나타내려면 물순환 과정을 통해 대기와 지면(식생)을 연결해 주는 증발산 현상이 반드시 고려되어야 한다. 생태 및 물순환과 관련하여 증발산을 측정하는 것이 중요하나 증발산을 직접 계기로 측정한 자료가 한정적이기 때문에 일반적으로 이론적인 증발산량(잠재증발산량)을 산정하여 이용하고 있다(Moon et al., 2013).
잠재증발산의 약 80%가 기온과 태양 복사열로 설명할 수 있기에(Samani, 2000) 제한된 기상 자료만으로도 잠재증발산량을 계산할 수 있는 방법들이 다수 개발되었다. 여기서는 기온 자료만을 이용하는 Thornthwaite와 Hargreaves-Samina 방식을 이용하였다. Thornthwaite는 월 잠재증발산량을 기온만을 이용하여 간단히 구할 수 있는 대표적인 방식이다(Trajkovic, 2005). 한편 Hargreaves-Samani 방법은 기온만을 이용하면서도 적정 수준의 정확성을 제공하다고 국내외로 알려져 있다(Alkaeed et al., 2006; Rim, 2008; Vishwakarma et al., 2022; Yoon and Choi, 2018). Hargreaves-Samani 방법은 일 잠재증발산량으로 계산되기 때문에 각 월마다의 대표 중앙일(1월 15일 등)로 계산 후 월별 일수를 곱하여 월 잠재증발산량을 산출하였다.
두 방법을 통해 월 평년 잠재증발산량을 도출한 후 평균값, 최댓값, 최솟값, 최대편차, 공분산을 산출하였다(Table 1). 이는 평균적인 기후에서 잠재증발산량의 계절 내 변동을 통해 지역의 잠재적인 물 수요량의 계절성을 보고자 하였다.
2.3 수문학적 특성과 관련된 생물기후변수
기본적으로 생태계의 1차 생산자인 식물의 삶에 크게 영향을 미치는 기후 환경 요인은 기온과 수분의 이용 가능성이다(Prentice et al., 1992). 그러나 강수량만을 가지고 생물의 수분 이용 가능성을 표현하는 것은 증발산에 의한 수분의 소비량을 고려하지 않았다는 문제를 지니고 있다. 그러므로 잠재증발산량과 강수량을 결합한 기후학적 수분 수지(climatic water balance, CWB), 잠재 토양 수분 부족량(potential soil moisture deficit, PSMD), 기후학적 잠재 토양 수분량(climatic moisture index, CMI), 건조지수(aridity index, AI) 등을 계산하였다(Table 2). 여기서 잠재증발산량은 Thornthwaite 및 Hargreaves-Samani 방법으로 계산된 산출물을 각각 적용하여 산출하였다. 특히 식물의 경우 식생 성장기 동안의 물의 이용 가능성이 생장에 중요한 요소이므로(Smith and Boers, 2023) 기후학적 수분 수지, 잠재 토양 수분 부족량, 기후학적 잠재 토양 수분량은 계절별 평균값을 계산하였다.
기후학적 수분 수지는 강수량과 잠재증발산량의 차이로 계산되었다(Hogg, 1997). 이는 지면의 관점에서 강수량을 통해 수분이 공급되고 증발산을 통해 수분이 소비되는 것을 고려한 것이다(Brun et al., 2022; Magness and Morton, 2018). 잠재 토양 수분 부족량은 지표의 수분이 증발산을 통해 대기로 방출되는 양(잠재증발산량)과 지표에 수분을 공급하는 강수량 간의 차를 계산한 후 잠재 토양 수분량이 음수로 계산되었을 때는 0으로 나타내었다. 이는 잠재적인 토양 수분 부족량을 나타내며 이 지표를 통해 토양 건조 상태에 따른 산림 생태계 리스크를 평가한 바 있다(Hong et al., 2020). 반면 잠재 토양 수분량은 기후학적 수분 수지에서 음수 값이 나왔을 때 0으로 처리하여 식생이 수분을 이용할 수 있는 양에 초점을 맞추어 산출되었다.
건조지수는 기후의 건조성을 나타낸 지수로 강수와 잠재증발산량 간의 비(P/PET)로 나타낸다(Penck, 1910). 여기서는 해당되는 기간 혹은 분기 동안의 월 강수량의 합과 잠재증발산량의 합을 나누어 계산하였다. 건조지수는 식생이 이용할 수 있는 잠재적인 수분 이용 가능성을 측정하는 데 이용되기도 하며 생태학 외에서도 물 관리, 작물 생산 등 다양한 분야에서도 활용되고 있다(Zomer et al., 2022).
2.4 유효 열량과 관련된 생물기후변수
수분 이용 가능성과 더불어 생물의 생존에 가장 많이 영향을 미치는 열적 에너지를 표현한 지수로는 온량지수(Kira warmth index), 한랭지수(Kira coldness index), 최저기온지수(minimum temperature index of the coldest month) 등이 있다(Table 3).
성장기 동안 식물이 이용할 수 있는 열량을 표현한 지수 중 하나인 온량지수는 평균 기온 5℃를 기준으로 이를 초과한 달의 월 평균 기온을 모두 합친 것이다(Kira, 1945). 한편 Kira (1945)는 저온에 대한 부정적 효과를 측정하기 위한 수단으로써 한랭지수를 제안하였다. 이는 온량지수와 반대로 평균 기온 5℃ 미만인 달의 월 평균 기온을 모두 합하여 계산된다. 두 지수는 한반도의 산림 식생대를 구분하는 데 이용된 바가 있었다(Yim, 1977; Yim and Kira, 1975).
다른 한편으로 식물의 내한성과 분포의 한계를 표현하기 위해 최저기온지수가 개발되었다. 최저기온지수는 최한월 평균 최저 기온을 이용하여 계산되는데 온난하고 습윤한 환경에서 최한월 최저 기온이 -15℃ 이하면 상록침엽수림, 1.5℃에서는 낙엽활엽수림, 18℃ 이상이면 상록활엽수림이 우세하다고 하였다(Bachelet et al., 2001; Lenihan and Neilson, 1993; Neilson, 1995; Prentice et al., 1992). 이를 바탕으로 표준화된 최저기온지수는 100에 가까울수록 상록칩엽수림, 0일수록 낙엽활엽수림, -100에 근접할수록 상록활엽수림의 잠재적인 생육 및 분포 가능성이 크다는 것을 의미한다(Kim et al., 2023; Min et al., 2022).
2.5 유효 열량 및 수분량과 연관된 생물기후변수
생물이 필요한 열량과 수분량을 동시에 하나의 지표로 혼합하여 사용한 지수로는 수정된 유효강우지수(precipitation effectiveness index, PEI), 건습지수(Kira humidity index) 등이 대표적이다(Table 4).
식물의 성장을 촉진하는 강수의 효율을 추정하려는 목적으로 만들어진 유효강우지수는 증발량과 강수량의 비인 강수효율(precipitation effectiveness ratio)을 기반으로 계산된다(Thornthwaite, 1931). 이는 습윤한 지역과 건조한 지역을 잘 구분하고 실제 자연 식생의 분포와도 거의 상응되는 것으로 알려져 있다(Yim and Kira, 1975). 이를 이용하여 우리나라 수종의 기후 변화 취약성을 평가하는 데 이용되기도 하였다(Cui et al., 2016).
건습지수는 Kira (1945)가 온량지수를 기반으로 개발한 습도/건조지수로 여름철 강수가 집중되는 지역을 대상으로 만든 hydrothermal 지표이다. Xu (1983)는 이를 수정하여 강수량과 온량지수를 나누는 습도지수를 제안하였다. 이는 식물 성장기 동안 수분의 정도를 표현한 것이다(Zou et al., 2000). Yu et al. (2020)은 기후 변화에 의한 국내 녹나무와 상록활엽수 8종의 자생지 분포를 예측하기 위해 Kira (1945)의 3가지 지표(온량지수, 한랭지수, 건습지수)를 모두 활용한 바 있다.
3.1 두 가지 방법으로 산출된 잠재증발산량의 비교
기온을 통해 두 가지 방식(Thornthwaite 방식, Hargrea ves-Samina 방식)으로 계산된 잠재증발산량의 경우 두 가지 결과가 모두 기온의 경향성을 따라가는 결과를 보여주었다(Fig. 1). 그러나 Hargreaves-Samina 방식에 비해 Thornthwaite 방식이 21세기 말에 약 2배 이상 증가한 가파른 추세를 보이고 있으며 저점의 위치(현재 기간)는 Thornthwiate 방식이 더 낮은 값을 보였다.
두 방식 간의 차이는 최솟값에 대해서 21세기 말 고탄소 시나리오로 갈수록 더욱 크게 나타났는데(약 30.8 mm) 특히 겨울철에 Thornthwaite 방식으로 추정된 잠재증발산량이 남해안을 제외한 대부분의 지역에서 0 mm에 가깝게 추정되었기 때문인 것으로 보인다(Fig. 2). 그럼에도 불구하고 두 방법에서 모두 고탄소 시나리오로 향할수록 평균값, 최솟값, 최댓값, 범위(최댓값과 최솟값의 차) 모두 점차 증가하는 경향성을 보여주었다. 다만 Thornthwaite 방식을 Hargreaves-Samina 방식과 비교하였을 때 산출된 잠재증발산량의 차이가 상당히 나타나므로 어떤 방식이 특정한 지역에 더 적합한지 자세히 비교한 후에 이용할 필요가 있다.
3.2 수분 이용 가능성 지표의 미래 변화 경향
수분 이용 가능성을 나타낸 지표로써 건조지수, 기후학적 수분 수지, 기후학적 잠재 토양 수분량, 잠재 토양 수분 부족량 등 강수량과 잠재증발산량을 고려하여 생산된 4가지 지표의 결과를 분석하였다.
건조지수의 경우 Hargreaves-Samina 식을 적용한 잠재증발산을 이용하였을 때 현재(2000-2019년)의 전국 평균 건조지수는 1.30으로 제주특별자치도 한라산 부근은 최대 7.14까지 보였으며 전북특별자치도, 경상북도 지역이 다소 낮은 값을 보였다(최솟값, 0.781) (Fig. 3A, B). 이러한 공간적 패턴은 Yoo et al. (2017)과 거의 유사하게 나타났다.
전국 평균 1.24를 보이는 고탄소 시나리오(SSP5-8.5)에서의 21세기 말은 여전히 전국적으로 습윤한 기후(건조지수>0.65)이나 현재에 비해 건조해질 것으로 예측되었다. Thornthwaite 식의 건조지수는 현재 기간에 대하여 전국 평균 1.94로 Hargreaves-Samina를 이용한 경우보다 더 습윤한 기후를 나타냈다(Fig. 3C, D). 2100년에 이르러 고탄소 시나리오에서는 전국 평균 1.45로 더 가파른 건조화를 전망하였다. 이는 점차 가뭄의 심도가 높아지고 건조해지는 경향이 있다는 An et al. (2022)의 선행연구와 일치한다.
이와 유사하게 기후학적 수분 수지 또한 21세기 말에 갈수록 점차 감소하는 경향이 나타났다. 현재의 연평균 기후학적 수분 수지는 Hargreaves-Samina 식을 적용하였을 때 25.6 mm였으며(Fig. 4A) 제주특별자치도 한라산 부근에서는 약 300 mm 이상, 최대 377 mm로 나타났고 경상북도 지역은 0 mm 이하의 값, 최소 -21.5 mm가 분포하였다. 이러한 공간적 패턴은 유지된 채 SSP5-8.5 시나리오에서는 21세기 말에는 전국 평균 약 23.9 mm로 약간 감소하였다. 하지만 SSP2-4.5 시나리오에서는 약간 증가되었는데 이는 일사, 강수량의 변동성에 의한 것으로 보인다(Yoo et al., 2017). Thornthwaite 식의 기후학적 수분 수지는 현재 기간에 대하여 54.5 mm로 Hargreaves-Samina 방식보다 과대 추정되는 것으로 보였으며(Fig. 4B) 2100년에는 고탄소 시나리오에서 39.2 mm로 급격하게 감소되는 것으로 전망하였다. 그러나 공간적인 패턴 및 시간적 변동성은 유사하게 나타났다.
기후학적 수분 수지의 계절 평균값의 경우 기준 연도(2000-2019년)에서 여름철 평균값은 두 가지 방식에서 비슷하게 나타났으나(약 110 mm) 봄철, 가을철, 겨울철 평균값에서 Thornthwaite 방식을 이용한 경우 더 높은 값으로 나타났다(Fig. 5). 예를 들어 봄철 평균값의 차이는 약 50 mm로 나타났는데(Fig. 5A, E) 건조한 계절의 잠재증발산량은 Thornthwaite 방식이 Hargreaves-Samina 방식보다 과소 추정되기 때문인 것으로 보인다.
두 방식에서 어느 정도 차이가 나타나지만 현재 대비 약간의 증감이 전망되어 뚜렷한 경향성은 나타나지 않는다. 그러나 SSP5-8.5 시나리오에서 21세기 말 가을철 평균값이 기준 연도(2000-2019년) 대비 급격히 감소한다는 점은 주목할 만하다(Fig. 5C, G). 또한 식물 성장기(4-11월) 동안 기후학적 수분 수지의 전국 평균값이 SSP3-7.0, SSP5-8.0 시나리오에서 두 방식 모두 공통적으로 감소되는 경향이 나타난다. 이러한 경향성은 기후학적 잠재 토양 수분량과와 잠재 토양 수분 부족량에서도 공통되게 나타난다. 특히 잠재 토양 수분 부족량에서 가을철과 식물 성장기의 증가 추세가 확연히 나타났으며 점차 식물이 이용 가능한 토양 수분이 부족한 지역이 확대되고 있는 것을 볼 수 있다(Fig. 6).
3.3 유효 열량 및 수분량 복합 지수의 미래 변화 경향
식생의 기능별 분포를 고려하여 생산된 복합 지수의 경우 온량지수, 한랭지수, 최저기온지수, 유효강우지수, 건습지수가 있다(Fig. 7). 온량지수의 경우 현재 전국 평균 96.8에서 21세기 말에 다가갈수록 점차 증가하는 것으로 나타났으며 특히 SSP 5-8.5 시나리오에서 157로 예측되었다(Fig. 7A). 식생의 겨울철 기온 스트레스와 관련된 한랭지수 및 최저기온지수 또한 각각 -19.8에서 -3.49로 약 16.31이 증가, -55.9에서 -17.1로 약 38.8이 증가된 경향이 나타났다(Fig. 7B, C).
한편 기온과 강수량의 결합으로 생산되는 유효강우지수와 건습지수의 경우 유효 열량 지수(온량지수, 한랭지수, 최저기온지수)에 비해 뚜렷한 변화 경향이 나타나지 않았다. 예를 들어 유효강우지수는 2080년대(2061-2080년)에 모든 시나리오에서 가장 높은 평균값(약 100 mm/℃)을 보였는데(Fig. 7D) 이는 강수량의 변동성에 의한 것으로 보인다. 그럼에도 불구하고 감소하는 경향이 나타나는데 특히 식물 성장기 동안 유효한 열량과 강수량을 동시에 보여주는 건습지수에서 고탄소 시나리오로 갈수록, 21세기 말로 갈수록 점차 감소하는 경향이 나타났다(Fig. 7E). 현재(14.6 mm/℃)에 비해 약 30%가 감소하였는데(10.2 mm/℃) 이는 기온보다 강수량의 변화 경향이 뚜렷하지 않기 때문인 것으로 보인다. 이를 종합하였을 때 전국 규모에서 식생 분포의 장기적인 공간적 변화는 강수량보다는 기온에 크게 영향을 받아 남방계 식물 확장, 북방계 식물 축소라는 전망이 예상된다.
이와 관련하여 Yu et al. (2020)에서 우리나라 남부 지역의 난온대 기후에 나타나는 녹나무와 상록활엽수 8종의 자생지가 고탄소 시나리오(RCP 4.5)에서 전라남도와 경상남도, 동해안의 강원도 고성까지 북상할 것으로 예측하였다. 또한 최저기온지수를 활용한 선행연구에서 한랭한 기후에 자생하는 구상나무(Abies koreana, -111.4 to -60.7), 분비나무(Abies nephrolepis, -118.3 to -95.7) 등의 자식지는 줄어들고 온난한 기후에 자라는 상록활엽수림, 예를 들어 동백나무(Camellia japonica, -33.5 to -5.9), 붉가시나무(Quercus acuta, -28.8 to 3.2)가 자생하는 데 적합한 지역이 전국적으로 확대될 것으로 언급하였다(Choi et al., 2011; Min et al., 2022)
Intergovernmental Panel on Climate Change (IPCC) 6차 보고서를 비롯하여 많은 선행연구에서 이미 기후 변화에 의하여 생물종의 서식지가 이동하고 있다고 보고되었으며 기후 변화 대책 수립을 위하여 많은 연구에서 종 분포 모델을 이용하고 있다. 주된 입력변수는 Worldclim에서 제공하는 월 평균 기온과 강수량을 이용한 19가지 변수이다. 그러나 이 자료는 다음의 한계가 있다. 첫째, 미래 예측 자료는 기상청에서 동아시아의 대륙성 기후에 적합하도록 지역 기후 모델을 한 번 더 가공하여 예측하는 것과 달리 전 지구 모델에서 생산된 자료를 바로 이용했다는 점이다. 둘째, 19가지 생물기후변수 중 생물종의 서식과 중요한 수문학적 특성에 대한 지표가 강수량만을 고려한다는 점이다. 마지막으로 우리나라를 비롯한 동아시아 지역의 식생대와 기후 연관성을 기반으로 연구된 유효 열량 및 수분량 지표가 있음에도 종 분포 모델에는 거의 사용하지 않았다는 점이다.
이러한 한계점을 보완하여 본 연구에서는 지역 기후에 특화되어 생산된 기상청의 현재 및 미래 기후 자료를 기반으로 4가지의 수문학적 지수(기후학적 수분 수지, 잠재 토양 수분 부족량, 기후학적 잠재 토양 수분량, 건조지수)와 5가지의 복합지수(온량지수, 한랭지수, 최저기온지수, 유효강우지수, 건습지수)를 확대하여 생산하였다. 새롭게 생산한 지수는 기후 변화에 민감한 종 분포를 예측할 때 유용할 것으로 보인다. 예를 들어 Lee et al. (2023)은 전문가 설문 기반의 구상나무 종 분포에 영향을 주는 환경변수를 선택하여 현재 서식지의 적합성과 미래 잠재 서식지를 예측하였다. 이때 구상나무의 쇠퇴/고사 현상에 영향을 미치고 있다고 알려진 성장기 초 수분 스트레스를 표현하고자 봄철 강수량을 이용하였는데, 대신에 본 연구에서 생산한 봄철 기후학적 수분 수지 등의 지표를 사용한다면 기존의 연구 결과보다 신뢰성 있는 예측 결과가 생산될 것으로 보인다. 그러나 본 연구에서 생산된 지표 외에도 폭염, 한파, 폭우, 가뭄 등 극한 기상 현상, 재해 또한 생물종의 생존에 영향을 미치는 중요한 환경변수이다(Lee et al., 2023). 이는 높은 시간 해상도(일, 시간 등) 및 다양한 기상 요소의 자료를 요구한다. 그럼에도 불구하고 본 연구에서 생산한 지수는 기존의 19가지 생물기후변수와 달리 물순환을 고려했다는 점에서 추후 기후 변화에 의한 생태계 리스크를 평가할 때 더욱 정밀하게 측정할 수 있을 것이라 기대된다.

Conflict of Interest

On behalf of all authors, the corresponding author states that there is no conflict of interest.

Funding Information

This work was supported by the National Institute of Ecology (NIE) grant funded by the Korea government (NIE-B-2024-35).

Data Availability Statement

The data that support the findings of this study are openly available in EcoBank at https://doi.or.kr/10.22756/GEO.20240000000866.

Fig. 1.
Descriptive statistics of annual average of the monthly potential evapotranspiration calculated with Thornthwaite (A) and Hargreaves-Samina (B).
GD-2024-0018f1.jpg
Fig. 2.
Distribution maps of average monthly potential evapotranspiration estimated by (A) Thornthwaite and (B) Hargreaves-Samina equations during the winter season for the current period (2000-2019).
GD-2024-0018f2.jpg
Fig. 3.
Each box plot indicates the spatiotemporal trends of the aridity Index based on (A) Hargreaves-Samina and (C) Thornthwaite. The distribution maps show the aridity Index for the current period (2000-2019) based on (B) Hargreaves-Samina and (D) Thornthwaite.
GD-2024-0018f3.jpg
Fig. 4.
The statistical distributions of the annual climatic water balance (CWB) index in South Korea under the SSP scenarios using the (A) Hargreaves-Samina and (B) Thornthwaite methods.
GD-2024-0018f4.jpg
Fig. 5.
Plots display the seasonal mean of the climatic water balance (CWB) index using the Hargreaves-Samina (A-D) and the Thornthwaite (E-H) methods for (A, E) spring, (B, F) summer, (C, G) autumn, and (D, H) winter.
GD-2024-0018f5.jpg
Fig. 6.
Distribution maps for averaged potential soil moistures deficit (PSMD) index during (A, B, E, F) the autumn and (C, D, G, H) the growing season using the Hargreaves-Samina (A-D) and Thornthwaite (E-H) methods for current periods (A, C, E, G) and late 21st century (B, D, F, H).
GD-2024-0018f6.jpg
Fig. 7.
Bioclimatic variables associated with effective heat and hydrothermal index, including (A) Kira warmth index, (B) Kira coldness index, (C) minimum temperature index of the coldest month (MTCI), (D) precipitation effectiveness index (PEI), and (E) Kira humidity index. Each plot shows the spatiotemporal trend and variability of each index.
GD-2024-0018f7.jpg
Table 1.
Bioclimatic variables related to potential evapotranspiration
Variable name Description Unit
PET_Th_max The highest monthly potential evapotranspiration calculated with the Thornthwaite method mm
PET_Th_min The lowest monthly potential evapotranspiration calculated with Thornthwaite method mm
PET_Th_mean Annual average of monthly potential evapotranspiration, calculated with Thornthwaite method mm
PET_Th_range Difference between maximum and minimum monthly potential evapotranspiration calculated with Thornthwaite method mm
PET_Th_seasonality The relative measure of variability in the monthly potential evapotranspirations calculated with Thornthwaite method using the CV mm
PET_HG_max The highest monthly potential evapotranspiration calculated with Hargreaves-Samina method mm
PET_HG_min The lowest monthly potential evapotranspiration calculated with Hargreaves-Samina method mm
PET_HG_mean Annual average of monthly potential evapotranspiration, calculated with Hargreaves-Samina method mm
PET_HG_range Difference between maximum and minimum monthly potential evapotranspiration calculated with Hargreaves-Samina method mm
PET_HG_seasonality The relative measure of variability in the monthly potential evapotranspirations calculated with Hargreaves-Samina method using the CV mm

CV, coefficient of variation.

Table 2.
Extended bioclimatic variables for hydrological characteristics using PET with Thornthwaite and Hargreaves-Samani equation
Variable name Description Unit
CWB_ANN Annual average of the monthly climatological water balance indices mm
CWB_DJF Average of the monthly climatological water balance indices during winter mm
CWB_MAM Average of the monthly climatological water balance indices during spring mm
CWB_JJA Average of the monthly climatological water balance indices during summer mm
CWB_SON Average of the monthly climatological water balance indices during autumn mm
CWB_GS Average of the monthly climatological water balance indices during the growing season (April to November) mm
CWB_seasonality The relative measure of variability in the monthly climatological water balance indices using the CV mm
PSMD_ANN Annual average of the monthly potential soil moisture deficit indices mm
PSMD_DJF Average of the monthly potential soil moisture deficit indices during winter mm
PSMD_MAM Average of the monthly potential soil moisture deficit indices during spring mm
PSMD_JJA Average of the monthly potential soil moisture deficit indices during summer mm
PSMD_SON Average of the monthly potential soil moisture deficit indices during winter mm
PSMD_GS Average of the monthly potential soil moisture deficit indices during the growing season (April to November) mm
PSMD_seasonality The relative measure of variability in the monthly potential soil moisture deficit indices using the CV mm
CMI_ANN Annual average of climatological potential soil moisture indices mm
CMI_DJF Average of the climatological potential soil moisture indices during winter mm
CMI_MAM Average of the climatological potential soil moisture indices during spring mm
CMI_JJA Average of the climatological potential soil moisture indices during summer mm
CMI_SON Average of the climatological potential soil moisture indices during autumn mm
CMI_GS Average of the climatological potential soil moisture indices during the growing season (April to November) mm
CMI_seasonality The relative measure of variability in the monthly climatological potential soil moisture indices using the CV mm
AI Annual aridity index -

PET, potential evapotranspiration; CV, coefficient of variation.

Table 3.
Extended bioclimatic variables associated with effectiveness of temperature in heat stress
Variable name Description Unit
KiraWI Warmth index
KiraCI Coldness index
MTCI Minimum temperature index of the coldest month -
Table 4.
Extended bioclimatic variables associated with hydrothermal environment
Variable name Description Unit
PEI Precipitation effectiveness index mm/℃
KiraHI Kira humidity index mm/℃
  • Alkaeed O, Flores C, Jinno K, Tsutsumi A (2006) Comparison of several reference evapotranspiration methods for Itoshima Peninsula Area, Fukuoka, Japan. Mem Fac Eng Kyushu Univ 66(1):1–14
  • An S, Park G, Jung H, Jang D (2022) Assessment of future drought index using SSP scenario in Rep. of Korea. Sustainability 14(7):4252
  • Austin MP, Van Niel KP (2011) Improving species distribution models for climate change studies: variable selection and scale. J Biogeogr 38(1):1–8Article
  • Barbet-Massin M, Jetz W (2014) A 40-year, continent-wide, multispecies assessment of relevant climate predictors for species distribution modelling. Divers Distrib 20(11):1285–1295Article
  • Bachelet D, Lenihan JM, Daly C, Neilson RP, Ojima DS, Parton WJ (2001) MC1: a dynamic vegetation model for estimating the distribution of vegetation and associated carbon, nutrients, and water - technical documentation. Version 1.0. United States Department of Agriculture Pacific Northwest Research Station, Portland, General Technical Reports PNW-GTR-508, 95p
  • Booth TH (2017) Assessing species climatic requirements beyond the realized niche: some lessons mainly from tree species distribution modelling. Clim Change 145:259–271ArticlePDF
  • Brun P, Zimmermann NE, Hari C, Pellissier L, Karger DN (2022) Global climate-related predictors at kilometer resolution for the past and future. Earth Syst Sci Data 14(12):5573–5603Article
  • Choi S, Lee W, Kwak DA, et al (2011) Predicting forest cover changes in future climate using hydrological and thermal indices in South Korea. Clim Res 49:229–245Article
  • Crimmins SM, Dobrowski SZ, Greenberg JA, Abatzoglou JT, Mynsberge AR (2011) Changes in climatic water balance drive downhill shifts in plant species’ optimum elevations. Science 331(6015):324–327ArticlePubMed
  • Cui G, Kwak H, Choi S, et al (2016) Assessing vulnerability of forests to climate change in South Korea. J For Res 27:489–503ArticlePDF
  • Hogg EH (1997) Temporal scaling of moisture and the forest-grassland boundary in western Canada. Agric For Meteorol 84(1-2):115–122Article
  • Hong S, Jang I, Jeong HM, et al (2020) Climate change risk assessment for Korean ecosystem. National Institue of Ecology, Seocheon
  • Hur J, Kim Y, Jo S, et al (2024) Changes in mean temperature and warmth index on the Korean Peninsula under SSP-RCP climate change scenarios. Atmosphere 34(2):123–138
  • Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (IPBES) (2019) Summary for policymakers of the global assessment report on biodiversity and ecosystem services. IPBES, Bonn
  • Intergovernmental Panel on Climate Change (IPCC) (2019) Land-climate interactions. In: Shukla PR, Skea J, Buendia EC, et al (eds) Special report on climate change and land. IPCC, Geneva, pp 131-247
  • Kim C, Kim J, Hong M, Song C, Lee WK (2023) Prediction of the future distribution of tree species based on the representative concentration pathways (RCP) and shared socioeconomic pathways (SSP) climate change scenarios in Korea. J Climate Change Res 14(2):119–134Article
  • Kim JU, Sang J, Kim MK, Byun YH, Kim DH, Kim TJ (2022) Future climate projection in South Korea using the high-resolution SSP scenarios based on statistical downscaling. J Clim Res 17(2):89–106
  • Kim MK, Han MS, Jang DH, et al (2012) Production technique of observation grid data of 1km resolution. J Clim Res 7(1):55–68
  • Kira T (1945) A new classification of climate in eastern Asia as the basis for agricultural geography. Horticultural Institute Kyoto University, Kyoto
  • Korea Meteorological Administration (2022) MK-PRISM and SSP scenario climate dataset. Climate Information Portal http://climate.go.kr/atlas/map/skorea Accessed 10 Oct 2023
  • Lee GE, Choi TY, Adhikari P, Lee YH, Lee IY, Hong SH (2022) Prediction of habitat expansion and invasion risk assessment of Spartina anglica and Spartina alterniflora in Korea. Weed Turf Sci 11(2):215–227
  • Lee S, Park H, Jeong A, Lee Y, Koo S, Kim M (2023) Management plans for Korean national parks to conserve the habitat of the Korean fir (Abies koreana). Biol Conserv 287:110285Article
  • Lenihan JM, Neilson RP (1993) A rule-based vegetation formation model for Canada. J Biogeogr 20(6):615–628Article
  • Li J, Pandey B, Dakhil MA, Khanal M, Pan K (2022) Precipitation and potential evapotranspiration determine the distribution patterns of threatened plant species in Sichuan Province, China. Sci Rep 12:22418ArticlePubMedPMCPDF
  • Lim CH, Kim HJ (2020) Machine learning application for identifying habitat suitability changes of indicator tree species against recent climate change. J Climate Change Res 11(6-2):793–805Article
  • Magness DR, Morton JM (2018) Using climate envelope models to identify potential ecological trajectories on the Kenai Peninsula, Alaska. PLoS One 13(12):e0208883ArticlePubMedPMC
  • Min S, Choi Y, Heo IH, et al (2022) The impacts of winter warming on the future forest changes in the Republic of Korea. J Clim Res 17(3):171–186
  • Moon JW, Jung CG, Lee DR (2013) Parameter regionalization of Hargreaves equation based on climatological characteristics in Korea. J Korea Water Resour Assoc 46(9):933–946Article
  • Neilson RP (1995) A model for predicting continental-scale vegetation distribution and water balance. Ecol Appl 5(2):362–385Article
  • Nix HA (1986) A biogeographic analysis of Australian Elapid snakes. In: Longmore R (ed) Atlas of Elapid snakes of Australia. Australian Government Publishing Service, Canberra, pp 4-15
  • Park SU, Koo KA, Tho JH, Jung C (2023) Projection of potential habitat change and fragmentation of the endangered species Aconitum coreanum under climate change. J Climate Change Res 14(1):67–81Article
  • Penck A (1910) Versuch einer Klimaklassifikation auf physiographisch Grundlage. Preussen Akad der Wissen Sitz der Phys Math 12:236–246
  • Prentice IC, Cramer W, Harrison SP, Leemans R, Monserud RA, Solomon AM (1992) Special paper: a global biome model based on plant physiology and dominance, soil properties and climate. J Biogeogr 19(2):117–134Article
  • Rim CS (2008) Comparison of evapotranspiration estimation approaches considering grass reference crop. J Korea Water Resour Assoc 41(2):212–228Article
  • Samani Z (2000) Estimating solar radiation and evapotranspiration using minimum climatological data. J Irrig Drain 126(4):265–267Article
  • Santini L, Benítez-López A, Maiorano L, Čengić M, Huijbregts MAJ (2021) Assessing the reliability of species distribution projections in climate change research. Divers Distrib 27(6):1035–1050ArticlePDF
  • Smith T, Boers N (2023) Global vegetation resilience linked to water availability and variability. Nat Commun 14(1):498ArticlePubMedPMCPDF
  • Synes NW, Osborne PE (2011) Choice of predictor variables as a source of uncertainty in continental-scale species distribution modelling under climate change. Glob Ecol Biogeogr 20(6):904–914Article
  • Thornthwaite CW (1931) The climates of North America according to a new classification. Geogr Rev 21(4):633–655Article
  • Trajkovic S (2005) Temperature-based approaches for estimating reference evapotranspiration. J Irrig Drain 131(4):316–323Article
  • Vishwakarma DK, Pandey K, Kaur A, et al (2022) Methods to estimate evapotranspiration in humid and subtropical climate conditions. Agric Water Manag 261:107378Article
  • Xu W (1983) The relation between distribution of edificator and companion in zonal vegetation and water-temperature condition in Northeast China. J Integr Plant Biol 25(3):264–274
  • Yim YJ (1977) Distribution of forest vegetation and climate in the Korean Peninsula: IV. Zonal distribution of forest vegetation in relation to thermal climate. Jpn J Ecol 27(4):269–278
  • Yim Y, Kira T (1975) Distribution of forest vegetation and climate in the Korean Peninsula: I. distribution of some indices of thermal climate. Jpn J Ecol 25(2):77–88
  • Yoo BH, Lee KJ, Lee BW, Kim KS (2017) Production and analysis of digital climate maps of evapotranspiration using gridded climate scenario data in Korean Peninsula. Korean J Agric For Meteorol 19(2):62–72
  • Yoon PR, Choi J (2018) Assessment of reference evapotranspiration equations for missing and estimated weather data. J Korean Soc Agric Eng 60(3):15–25
  • Yu SB, Kim BD, Shin HT, Kim SJ (2020) Habitat climate characteristics of lauraceae evergreen broad-leaved trees and distribution change according to climate change. Korean J Ecol Environ 34(6):503–514
  • Zomer RJ, Xu J, Trabucco A (2022) Version 3 of the global aridity index and potential evapotranspiration database. Sci Data 9:409ArticlePubMedPMCPDF
  • Zou C, Han S, Zhou Y, Zhang J, Wang C (2000) Dynamics of the vegetation eco-boundary under climate warming in Northeast China. J For Res 11:191–197ArticlePDF
Meta Data for Dataset
Essential
Field Sub-Category
Title of Dataset Expanded Bioclimatic Variables under SSP Scenario
DOI https://doi.or.kr/10.22756/GEO.20240000000866
Category Biota (Climatology, Meteorology, Atmosphere)
Temporal Coverage 2000.01.-2100.12.
Spatial Coverage Address South Korea
WGS84 Coordinates [Polygon]
Latitude 33°N to 39°N
Longitude 124.5°E to 132°E
Personnel Name Seungbum Hong
Affiliation National Institute of Ecology
E-mail sbhong@nie.re.kr
CC License CC BY-NC
Optional
Field Sub-Category
Summary of Dataset Expanded bioclimatic variables for assessment of climate change risk in ecosystems
Project Assessment of climate change risks and adaptation strategy research for ecosystem in Korea
Instrument R version 4.3.1

Figure & Data

References

    Citations

    Citations to this article as recorded by  

      Figure
      • 0
      • 1
      • 2
      • 3
      • 4
      • 5
      • 6
      Expanded Bioclimatic Variables Extracted from Monthly Climate Predictions under the SSP Climate Scenarios over South Korea
      Image Image Image Image Image Image Image
      Fig. 1. Descriptive statistics of annual average of the monthly potential evapotranspiration calculated with Thornthwaite (A) and Hargreaves-Samina (B).
      Fig. 2. Distribution maps of average monthly potential evapotranspiration estimated by (A) Thornthwaite and (B) Hargreaves-Samina equations during the winter season for the current period (2000-2019).
      Fig. 3. Each box plot indicates the spatiotemporal trends of the aridity Index based on (A) Hargreaves-Samina and (C) Thornthwaite. The distribution maps show the aridity Index for the current period (2000-2019) based on (B) Hargreaves-Samina and (D) Thornthwaite.
      Fig. 4. The statistical distributions of the annual climatic water balance (CWB) index in South Korea under the SSP scenarios using the (A) Hargreaves-Samina and (B) Thornthwaite methods.
      Fig. 5. Plots display the seasonal mean of the climatic water balance (CWB) index using the Hargreaves-Samina (A-D) and the Thornthwaite (E-H) methods for (A, E) spring, (B, F) summer, (C, G) autumn, and (D, H) winter.
      Fig. 6. Distribution maps for averaged potential soil moistures deficit (PSMD) index during (A, B, E, F) the autumn and (C, D, G, H) the growing season using the Hargreaves-Samina (A-D) and Thornthwaite (E-H) methods for current periods (A, C, E, G) and late 21st century (B, D, F, H).
      Fig. 7. Bioclimatic variables associated with effective heat and hydrothermal index, including (A) Kira warmth index, (B) Kira coldness index, (C) minimum temperature index of the coldest month (MTCI), (D) precipitation effectiveness index (PEI), and (E) Kira humidity index. Each plot shows the spatiotemporal trend and variability of each index.
      Expanded Bioclimatic Variables Extracted from Monthly Climate Predictions under the SSP Climate Scenarios over South Korea
      Variable name Description Unit
      PET_Th_max The highest monthly potential evapotranspiration calculated with the Thornthwaite method mm
      PET_Th_min The lowest monthly potential evapotranspiration calculated with Thornthwaite method mm
      PET_Th_mean Annual average of monthly potential evapotranspiration, calculated with Thornthwaite method mm
      PET_Th_range Difference between maximum and minimum monthly potential evapotranspiration calculated with Thornthwaite method mm
      PET_Th_seasonality The relative measure of variability in the monthly potential evapotranspirations calculated with Thornthwaite method using the CV mm
      PET_HG_max The highest monthly potential evapotranspiration calculated with Hargreaves-Samina method mm
      PET_HG_min The lowest monthly potential evapotranspiration calculated with Hargreaves-Samina method mm
      PET_HG_mean Annual average of monthly potential evapotranspiration, calculated with Hargreaves-Samina method mm
      PET_HG_range Difference between maximum and minimum monthly potential evapotranspiration calculated with Hargreaves-Samina method mm
      PET_HG_seasonality The relative measure of variability in the monthly potential evapotranspirations calculated with Hargreaves-Samina method using the CV mm
      Variable name Description Unit
      CWB_ANN Annual average of the monthly climatological water balance indices mm
      CWB_DJF Average of the monthly climatological water balance indices during winter mm
      CWB_MAM Average of the monthly climatological water balance indices during spring mm
      CWB_JJA Average of the monthly climatological water balance indices during summer mm
      CWB_SON Average of the monthly climatological water balance indices during autumn mm
      CWB_GS Average of the monthly climatological water balance indices during the growing season (April to November) mm
      CWB_seasonality The relative measure of variability in the monthly climatological water balance indices using the CV mm
      PSMD_ANN Annual average of the monthly potential soil moisture deficit indices mm
      PSMD_DJF Average of the monthly potential soil moisture deficit indices during winter mm
      PSMD_MAM Average of the monthly potential soil moisture deficit indices during spring mm
      PSMD_JJA Average of the monthly potential soil moisture deficit indices during summer mm
      PSMD_SON Average of the monthly potential soil moisture deficit indices during winter mm
      PSMD_GS Average of the monthly potential soil moisture deficit indices during the growing season (April to November) mm
      PSMD_seasonality The relative measure of variability in the monthly potential soil moisture deficit indices using the CV mm
      CMI_ANN Annual average of climatological potential soil moisture indices mm
      CMI_DJF Average of the climatological potential soil moisture indices during winter mm
      CMI_MAM Average of the climatological potential soil moisture indices during spring mm
      CMI_JJA Average of the climatological potential soil moisture indices during summer mm
      CMI_SON Average of the climatological potential soil moisture indices during autumn mm
      CMI_GS Average of the climatological potential soil moisture indices during the growing season (April to November) mm
      CMI_seasonality The relative measure of variability in the monthly climatological potential soil moisture indices using the CV mm
      AI Annual aridity index -
      Variable name Description Unit
      KiraWI Warmth index
      KiraCI Coldness index
      MTCI Minimum temperature index of the coldest month -
      Variable name Description Unit
      PEI Precipitation effectiveness index mm/℃
      KiraHI Kira humidity index mm/℃
      Essential
      Field Sub-Category
      Title of Dataset Expanded Bioclimatic Variables under SSP Scenario
      DOI https://doi.or.kr/10.22756/GEO.20240000000866
      Category Biota (Climatology, Meteorology, Atmosphere)
      Temporal Coverage 2000.01.-2100.12.
      Spatial Coverage Address South Korea
      WGS84 Coordinates [Polygon]
      Latitude 33°N to 39°N
      Longitude 124.5°E to 132°E
      Personnel Name Seungbum Hong
      Affiliation National Institute of Ecology
      E-mail sbhong@nie.re.kr
      CC License CC BY-NC
      Optional
      Field Sub-Category
      Summary of Dataset Expanded bioclimatic variables for assessment of climate change risk in ecosystems
      Project Assessment of climate change risks and adaptation strategy research for ecosystem in Korea
      Instrument R version 4.3.1
      Table 1. Bioclimatic variables related to potential evapotranspiration

      CV, coefficient of variation.

      Table 2. Extended bioclimatic variables for hydrological characteristics using PET with Thornthwaite and Hargreaves-Samani equation

      PET, potential evapotranspiration; CV, coefficient of variation.

      Table 3. Extended bioclimatic variables associated with effectiveness of temperature in heat stress

      Table 4. Extended bioclimatic variables associated with hydrothermal environment


      GEO DATA : GEO DATA
      TOP