손호준
(Ho-Jun Son)
1
변성호
(Sung Ho Byun)
2
박경운
(Kyung Woon Park)
3
김지은
(Ji Eun Kim)
4
김태웅
(Tae-Woong Kim)
5†
-
정회원․한양대학교 대학원 스마트시티공학과 석박사과정
(Hanyang University․son504803@nate.com)
-
정회원․한양대학교 대학원 건설환경시스템공학과 박사과정
(Hanyang University․2006506799@naver.com)
-
종신회원․한양대학교 대학원 건설환경시스템공학과 석박사과정
(Hanyang University․sienger@daum.net)
-
정회원․한양대학교(ERICA) 공학기술연구소 박사후연구원
(Hanyang University (ERICA)․helloje2@hanyang.ac.kr)
-
종신회원․교신저자․한양대학교(ERICA) 건설환경공학과 교수
(Corresponding Author․Hanyang University (ERICA)․twkim72@hanyang.ac.kr)
Copyright © 2021 by the Korean Society of Civil Engineers
키워드
기후변화 시나리오, 가뭄 핫스팟, 수정표준강수지수, 공간연관성지표
Key words
Climate change scenario, Drought hot spot, Modified standardized precipitation index, Spatial association indicator
1. 서 론
최근 기후변화로 인한 기온 증가 및 극한현상의 발생 빈도가 잦아지고, 이로 인한 강수 패턴 변화로 가뭄의 변동성이 증가하고 있다(Kim et al., 2011). 이러한 변화는 가뭄이나 홍수와 같은 극한 강수현상의 발생 가능성을 커지게 할 것으로 전망된다. 가뭄은 수개월 혹은 수년 동안 지속되며 생태계,
수문학, 농업, 환경 및 사회·경제 분야에 걸쳐 피해를 발생시키는 극단적이고 심각한 자연재해이다(Dai, 2011). 더불어 다른 자연재해와 다르게 점진적으로 광범위한 범위로 발생하기 때문에, 적절한 대응이 없을 경우 피해의 규모가 커진다(Kim et al., 2021).
가뭄의 주된 원인은 장기간에 걸친 강수량의 부족이며, 주요 특성인자로는 지속기간, 심도, 영향면적 등이 있다(Park et al., 2012). 우리나라는 강우량의 약 70 %가 여름에 집중되고, 여름철 강우량 중 50 ~ 70 %가 장마기간에 집중되는 기후학적 특성을 가지고 있기 때문에,
매년 지역적인 겨울 및 봄가뭄이 발생하거나 6년 내외 주기의 전국적인 대형·극한 가뭄이 발생한다(Lee et al., 2012).
이처럼 가뭄으로 인한 피해를 최소화하고, 효율적인 가뭄 대응을 위해서는 지역적으로 발생하는 가뭄의 정량적 평가는 필수적이다. 우리나라뿐만 아니라 전
세계적으로 연구 목적에 따른 가뭄의 유형을 정의하고, 이를 정량적으로 표현할 수 있는 특정 가뭄지수를 선정하고, 가뭄의 특성을 분석하는 연구가 오랫동안
지속되고 있다(Kim et al., 2019; Yoon et al., 2019). 표준강수지수(Standardized Precipitation Index, SPI)는 대표적인 기상학적 가뭄지수이다. 하지만 SPI 산정과정에서
사용하는 지점 강수량 시계열을 표준정규분포로 산정하기 때문에 인근 지역에 비해 상대적으로 강수량이 많은 지역도 가뭄 발생으로 판단하거나 SPI의 음(-)값이
상대적으로 크게 발생할 수 있다(Jeung et al., 2019). 이에 Jeung et al.(2019)은 공간적 개념을 바탕으로 매개변수를 추정하는 Modified_SPI (M_SPI)를 이용하여 과거의 극한가뭄사상을 평가하였다.
최근에는 가뭄 발생의 지역적 패턴을 복합적으로 분석하기 위해, 다양한 가뭄지수 및 분석 자료를 사용하여 공간적 군집을 파악하는 연구가 대두되고 있다.
Liu et al.(2021)은 농업적 가뭄과 관련이 깊은 토양 수분 가뭄의 공간적 발생 분석을 통해 동남아시아 핫스팟(hotspot) 지역의 시·공간적 특성 및 가뭄 전이 특성을
연구하고, 가뭄 클러스터 측면에서 가뭄에 취약한 계절 및 가뭄 전이의 이동패턴 등을 파악하였다. Maru et al.(2022)는 SPI와 표준강수증발산지수(Standardized Precipitation and Evapotranspiration Index, SPEI)를 산정하고,
역거리가중법을 사용하여 가뭄사상의 발생 위치와 심도를 분석해 기상학적 가뭄 핫스팟을 판단했다. 이를 토대로 이전에 가뭄이 발생하지 않았던 지역들에
대해 가뭄 발생 가능성을 제시하여 가뭄에 대한 조기 대응의 중요성을 강조했다.
공간적 군집을 파악하는 연구 방법 중 하나인 핫스팟 분석은 공간적 집중에 대해 분석하는 방법으로, 수십 가지의 기법을 통해 다양한 연구에 적용되고
있다(Kang, 2008). 특히 공간연관성 지표(Local Indicator of Spatial Association, LISA)를 사용한 핫스팟 분석은 홍수, 산불, 전염병
등 다양한 분야에서 성공적으로 적용되고 있다(Kumar and Parida, 2021). 이러한 핫스팟 분석을 가뭄에 적용한다면, 시·공간적 가뭄 발생패턴을 분석할 수 있는 장점이 있다. 따라서 본 연구에서는 기존의 SPI와 M_SPI를
사용하여 낙동강 유역의 기상학적 가뭄 발생의 지역적 패턴과 단기·장기 가뭄 및 미래 가뭄 발생의 공간적 분포 특성을 분석하였다. 낙동강 유역은 우리나라에서
두 번째로 큰 유역으로, 가장 많은 개수의 중권역을 가지고 있으며 해안가 도시의 발달과 다수의 댐 및 보를 보유하여 지역적으로 수자원 특성이 다양하다.
따라서, 가뭄에 대한 핫스팟 지역 분석이 필요한 지역이라고 할 수 있다.
2. 연구방법
2.1 연구 지역 및 데이터
본 연구는 국가수자원관리종합정보시스템에서 제공되는 낙동강 유역 33개 중권역의 면적평균강수량(1966-2019년)과 대표농도경로(Representative
Concentration Pathways, RCP) 시나리오에 대한 중권역의 미래 강수량 자료(2020~2099)를 이용하였다. RCP 시나리오는
온실가스 등에 의해 에너지의 평형을 변화시키는 영향력의 정도를 의미하며, 복사강제력에 따라 RCP 2.6/4.5/6.0/8.5 총 4가지로 구분된다.
본 연구에서는 온실가스 저감 정책이 상당히 실현된 경우인 RCP 4.5와 온실가스 저감정책 없이 현재 추세대로 배출된 경우인 RCP 8.5를 적용하여
미래 가뭄사상의 특성을 시기별로 분석하였다. 미래 시기를 구분하는 기준을 결정하기 위해 Pettitt Test를 수행하였다. Pettitt Test는
시계열 내의 유의한 변화점을 탐지하기 위한 통계학적 검정방법으로 수문학적 시계열 및 관측된 기후의 변화를 감지하는데 널리 사용되고 있다(Meysam et al., 2012; Pettitt, 1979; Zhang and Lu, 2009).
본 연구에서 사용한 SPI와 M_SPI는 강수량만을 변수로 하여 산정되는 월단위 기상학적 가뭄지수이기 때문에 미래 월단위 강수량 시계열의 변화점을
분석하였으며, 그 결과, RCP 4.5는 2059년, RCP 8.5는 2066년에 변화점이 탐지되었다. 따라서 본 연구는 미래 강수량의 변화점을 기준으로
RCP 4.5는 S1 (2020~2059)과 S2 (2060~2099), RCP 8.5는 S1 (2020~2066)과 S2 (2067~2099)로
미래시기를 구분하였고, 두 시나리오 공통으로 S0 (1966~2019)을 관측 및 기준 기간으로 설정하였다. RCP 시나리오에서 사용한 모델은 영국
기상청 해들리센터의 전지구기후모델(HadGEM2-AO)을 사용하였으며, 연구 지역인 낙동강 유역의 중권역단위 지도는 Fig. 1과 같다.
Fig. 1. Map of Nakdong River Basin with Middle-Sized Watershed Code
2.2 표준강수지수(Standardized Precipitation Index)
SPI는 일반적으로 월단위의 시간척도별(3, 6, 9, 12개월 등) 누적강수량 시계열을 Gamma 분포에 적합시키고, 이를 정규분포가 되도록 표준화하여
산정된다(Mckee et al., 1993). Gamma 분포의 누적분포함수(cumulative distribution function, CDF)는 Eq. (1)과 같으며, 확률변수 X>0의 영역에서 정의되기 때문에 비초과확률은 혼합분포를 적용하여 Eq. (2)와 같이 산정된다.
여기서, $\alpha$는 형상모수(shape parameter), $\beta$는 규모모수(scale parameter), $m$은 누적 강수량이
0인 월의 개수, $n$은 관측된 월강수량의 개수이다. 그리고 Eq. (3)과 같은 표준정규분포의 CDF의 역함수에 비초과확률 $P(x)$를 대입하면 SPI가 산정되며(Eq. (4)), 산정된 SPI의 범위 및 상태는 Table 1과 같다.
분포함수의 모수 $\alpha$, $\beta$는 모멘트법을 사용하여 추정하였으며, 추정식은 Eqs. (5)~(8)과 같다.
여기서, n은 자료의 연수이고, $\overline{x_{s}}$와 $s_{s}^{2}$는 각각 특정 중권역($s$) 월강수량 $x$의 평균과 분산이다.
$k$개의 중권역으로 구성된 유역에 대해 SPI를 산정할 경우, 일반적으로 중권역별 $\alpha$, $\beta$를 $k$개 추정하여 SPI를 산정하기
때문에, 인접 지역에 비해 상대적으로 많은 강수량을 가지고 있음에도 불구하고, 가뭄이 발생되는 경우가 발생한다. 따라서 본 연구에서 유역 전체의 강수량에
대해 분포함수의 모수를 산정하기 때문에, Eqs. (9) and (10)을 만족하는 매개변수 $\alpha'$, $\beta'$를 Eq. (1)의 Gamma 분포에 적용시킨다.
여기서 $\overline{x}$와 $s$는 $k$개 중권역 월강수량의 전체 평균 및 분산이다. 이처럼 산정된 M_SPI는 유역 내 중권역 강수량을
모두 이용하여 누적확률 값을 산정한다. 이는 중권역별 $\alpha$, $\beta$를 산정하는 것과 다르게, 유역 내 전체 중권역에 대한 매개변수
$\alpha'$, $\beta'$를 산정하므로 지역별 강수량의 차이가 반영되는 가뭄지수가 산정되는 장점이 있다(Jeung et al., 2019).
Table 1. Dry and Wet Categories of SPI
|
Category
|
SPI values
|
|
Extremely wet
|
More than 2.00
|
|
Severely wet
|
1.50 ~ 1.99
|
|
Moderately wet
|
1.00 ~ 1.49
|
|
Normal
|
-0.99 ~ 0.99
|
|
Moderate dry
|
-1.49 ~ -1.00
|
|
Severely dry
|
-1.99 ~ -1.50
|
|
Extremely dry
|
Less than –2.00
|
2.3 공간자기상관 분석
공간 데이터의 특징 중 하나는 공간적 자기상관성이다. 이는 해당 지역과 인접 지역의 공간데이터의 유사성을 판단하는 지표이다(Shin and Lee, 2019). 다양한 공간분포 중에서도 공간적 군집(cluster), 혹은 핫스팟(hotspot)으로 불리는 분포 형태가 대표적이다. 핫스팟에 대한 정의는 고정되어
있지 않지만, 보통은 주변보다 높은 값을 가진 지역을 의미한다(Kang, 2008). 따라서 본 연구에서는 핫스팟을 다른 지역보다 상대적으로 가뭄 심도가 높은 지역으로 정의하였다. 또한 본 연구에서는 공간 패턴을 탐색하고 모델링하여
데이터 분석을 할 수 있도록 설계된 GeoDa라는 소프트웨어를 활용하였으며, 거리를 기준으로 군집 및 핫스팟을 구분할 수 있는 공간자기상관분석을 수행하기
위해 대표적인 지표인 국지적 모란지수(Local Moran’s I)와 군집경향 검정(Getis-Ord Gi*) 통계량을 사용하였다.
2.3.1 국지적 모란지수(Local Moran’s I)
국지적 모란지수는 전체 공간에 대해 자기상관관계의 존재 유무를 판단하는 모란지수(Moran’s I)의 분석범위를 보다 국지화시켜 거리가 가까운 특정지역(구역)과
주변지역은 자기상관관계가 존재한다고 가정하고, 개별적 비교를 통해 다른 속성을 가진 지역을 찾아내는 방법이다. 특정지역과 주변지역간의 ‘차이’를 통해
핫스팟을 판단하는 방식이라고 할 수 있으며, Eq. (11)과 같이 산정된다(Kang, 2008).
여기서, $n$은 분석한 공간단위의 개수, $S_{z}^{2}$는 속성 데이터의 분산, $w_{ij}$는 특정지역($i$)과 주변지역($j$) 간
공간 가중치, $Z_{i}$, $Z_{j}$는 $i$지역과 $j$지역의 속성 데이터, $\overline{Z}$는 속성 데이터의 평균값을 의미하며,
본 연구에서 속성데이터는 가뭄의 누가 심도이다. 국지적 모란지수 $I_{i}$는 $Z_{i}$와 $Z_{j}$ 차이의 표준화 값으로 지수의 크기를
통해 지역 간의 유사성을 표시할 수 있다. 절대값이 큰 정(+)의 값은 지역간 유사성이 있는 핫스팟을 의미하고, 절대값이 큰 음(-)의 값의 경우는
지역간 유사성이 없다는 것을 의미한다.
국지적 모란지수를 사용하면, 공간적 연관성에 따라 지역을 네가지 유형으로 구분할 수 있다. 모란지수 값이 높은 지역끼리 인접한 경우는 HH (high-high),
낮은 지역끼리 인접한 경우는 LL (low-low), 높은 지역과 낮은 지역이 인접한 경우는 HL (high-low), LH (low-high)로
구분된다(Chae et al., 2014).
2.3.2 군집경향 검정(Getis-Ord Gi*)
Getis-Ord Gi* 분석은 일정 범위 내의 중심 지역과 인접한 주변지역들의 개별적 군집경향을 통계적으로 검정하는 방법으로, 국지적 모란지수가
특정지역과 주변지역들간 변수들의 유사성을 측정하는 것과 다르게 집중도를 측정하는 방법이다(Cho, 2013). 따라서 값이 고르게 분포되어 있을 때, 산정된 통계량이 유의미한 양(+)의 값이 클수록 특정지역과 주변지역의 군집 정도가 높음을 의미하므로 핫스팟으로
판단한다. 반대로 유의미한 음(-)의 값이 클수록 특정지역과 주변지역의 군집 정도가 작은 콜드스팟으로 판단한다(Chae et al., 2014). 이는 핫스팟 지역은 통계량이 높은 지역을 중심으로, 인접한 지역 역시 높은 통계량을 가지고 있으며, 콜드스팟 지역은 낮은 통계량을 가진 지역을
중심으로, 인접한 지역 또한 낮은 통계량을 가지고 있다는 것을 의미한다. Gi* 통계량은 Eq. (12)와 같다(Jang, 2016).
여기서, $n$은 분석한 공간단위의 개수, $s$는 속성 데이터의 표준편차, $w_{ij}$는 특정지역($i$)과 주변지역($j$) 간 공간 가중치,
$x_{j}$는 $j$지역의 속성 데이터, $\overline{x}$는 속성 데이터의 평균값을 나타낸다. 본 연구에서 속성 데이터는 가뭄의 누가 심도이다.
3. 연구 결과
3.1 가뭄지수간 분석
본 연구에서는 과거 및 미래의 가뭄 발생에 대한 공간적 군집특성을 분석하고 단기 및 장기 가뭄 유형에 따른 발생 특성을 구분하기 위해 다양한 시간척도(3,
6, 9, 12개월)의 가뭄지수(SPI와 M_SPI)를 S0, S1, S2 기간으로 구분하였다. 미래기간의 경우 RCP 4.5와 RCP 8.5 시나리오를
적용하였다. Table 2는 시기별로 전체 기간 내에서 가뭄 발생이라 판단된 기간의 비율이다.
본 연구에서 산정한 M_SPI의 타당성 검증을 위해 기존 SPI와의 상관관계 분석을 수행하였다. Fig. 2는 RCP 4.5와 RCP 8.5에 대해 지수별 상관계수를 시각화한 그림이며, 그림에 제시된 숫자는 피어슨 상관계수이다. Fig. 2에 나타난 바와 같이, M_SPI와 SPI는 어떠한 시간척도에서든 상관없이 명확하게 양의 상관관계를 가지고 있으며, 시간척도가 같을 경우, 아주 강한
상관관계를 가지고 있다. RCP 4.5 시나리오의 S0 기간의 경우, M_SPI3의 최대 심도가 나타나는 중권역은 임하댐(#2009)이며, SPI3의
최대 심도가 나타나는 중권역은 구미보(#2002)이다. 즉, SPI와 M_SPI는 같은 유역 내에서 심한 가뭄 지역을 구분하는데 서로 다른 결과는
제시하고 있다.
Table 2. Ratio of Drought Occurrence according to Time Scales, RCP Scenarios and Time Periods
|
Time Scale (month)
|
S0
|
S1
|
S2
|
|
RCP4.5
|
RCP8.5
|
RCP4.5
|
RCP8.5
|
RCP4.5
|
RCP8.5
|
|
SPI
|
3
|
18 %
|
17 %
|
18 %
|
15 %
|
10 %
|
13 %
|
|
6
|
21 %
|
21 %
|
18 %
|
14 %
|
6 %
|
11 %
|
|
9
|
23 %
|
23 %
|
18 %
|
15 %
|
5 %
|
9 %
|
|
12
|
24 %
|
24 %
|
18 %
|
14 %
|
5 %
|
7 %
|
|
M_SPI
|
3
|
17 %
|
17 %
|
17 %
|
15 %
|
10 %
|
13 %
|
|
6
|
21 %
|
21 %
|
17 %
|
14 %
|
6 %
|
11 %
|
|
9
|
23 %
|
23 %
|
16 %
|
14 %
|
5 %
|
8 %
|
|
12
|
25 %
|
25 %
|
16 %
|
13 %
|
5 %
|
7 %
|
Fig. 2. Correlation Matrices Between SPI and M_SPI
3.2 가뭄 위험지역 분석
Figs. 3 and 4는 SPI와 M_SPI의 중권역별 누적 심도를 나타낸 것이다. S0, S1, S2의 기간이 다르기 때문에 분위별로 구분하여 상위 10 %의
중권역을 가뭄 위험지역으로 판단하였다. 본 연구에서 가뭄 위험지역은 누적 심도만을 사용하여 판단한 지역을 의미하며, 가뭄 핫스팟 지역은 누적 심도를
산정 후 공간자기상관 분석인 국지적 모란지수 및 군집경향 검정 분석을 실시하여 판단한 지역을 의미한다. Table 3은 시기별로 단기·장기적 관점에서 공통적인 가뭄 위험지역으로 판단된 중권역들이다. RCP 4.5 시나리오의 경우, SPI와 M_SPI 모두 S0 시기에는
단기·장기 가뭄 위험지역은 임하댐(#2002)과 구미보(#2009)로 나타났다. 그러나 S1, S2 시기에는 단기·장기 가뭄 위험지역 모두 M_SPI는
금호강(#2012), 회천(#2013), 합천댐(#2015), SPI는 가화천(#2501), 남해도(#2502), 낙동강남해(#2504) 등으로 나타났다.
RCP 8.5 시나리오의 경우에도 S0 시기의 단기·장기 가뭄 위험지역은 임하댐(#2002), 구미보(#2009)가 공통적이지만, S1, S2 시기엔
M_SPI는 금호강(#2012), 회천(#2013), 합천댐(#2015), SPI는 수영강(#2302), 가화천(#2501), 남해도(#2502),
낙동강남해(#2504) 등으로 나타났다. 이렇듯 정량적으로 누적 심도를 통한 가뭄 위험지역은 RCP 시나리오나 분석 시기 및 단기·장기 가뭄의 기준에
관계없이 지수의 차이만으로 유사한 지역으로 판단되는 문제점이 있다.
Fig. 3. Spatial Distribution of Cumulative Severity of M_SPI according to RCP Scenarios
Fig. 4. Spatial Distribution of Cumulative Severity of SPI according to RCP Scenarios
Table 3. Drought-Prone Watersheds for Short/Long-Term Drought
|
Time Period
|
RCP4.5
|
RCP8.5
|
|
Short-term
|
Long-term
|
Short-term
|
Long-term
|
|
M_SPI
|
S0
|
#2002, #2009, #2011
|
#2002, #2008, #2009
|
#2002, #2009, #2011
|
#2002, #2008, #2009
|
|
S1
|
#2012, #2013, #2015
|
#2012, #2013
|
#2012, #2013
|
#2012, #2013, #2015
|
|
S2
|
#2012, #2013
|
#2012
|
#2012, #2015
|
#2012, #2013
|
|
SPI
|
S0
|
#2002, #2009, #2101
|
#2002, #2008
|
#2002, #2101
|
#2002, #2101, #2401
|
|
S1
|
#2501, #2502
|
#2302, #2501, #2502
|
#2018, #2504
|
#2502, #2504
|
|
S2
|
#2502, #2504
|
#2502, #2504
|
#2302, #2501, #2502
|
#2302, #2501, #2504
|
3.3 가뭄 핫스팟 지역 분석
Fig. 5는 RCP 4.5 시나리오의 M_SPI를 대상으로 국지적 모란지수 및 Getis-Ord Gi* 분석을 통해 공간적 군집패턴 분석을 실시하여 HH (High-High)
지역과 LL (Low-Low) 지역 및 핫스팟과 콜드스팟을 시각화한 것이다. Fig. 5(a)를 통해 판단할 수 있는 점은 S0 시기의 HH 지역은 장·단기적 가뭄에 관계없이 대부분 낙동강 유역의 중심 및 우측 상단에 분포하지만, 이후 S1과
S2 시기의 지역 패턴은 HH 지역은 낙동강 유역의 좌측 중단으로 이동하는 모습을 보인다. 특히 S1 시기의 장기가뭄 HH 지역은 단기가뭄과 유사한
위치에 보이지만, 보다 큰 HH 지역을 가진다는 것을 알 수 있다. 또한, 하단 해안가 부근에 포진해 있던 LL 지역은 시간이 지남에 한강 유역과
인접할 정도로 해안선을 따라 올라가는 지역 패턴을 보여준다. Fig. 5(b)의 Gi*를 통한 S0 시기의 핫스팟 지역은 Fig. 5(a)의 국지적 모란지수와 HH 지역과 동일하며, S1와 S2 시기의 핫스팟과 HH 지역 역시 시각적으로 유사한 패턴을 보인다. 특히, S1 시기의 장기가뭄
핫스팟 역시 단기가뭄보다 큰 지역을 가진다는 것을 명확히 보여준다. 전체적인 지역 패턴을 통한 HH 지역과 핫스팟 지역, 그리고 LL 지역과 콜드스팟
지역 패턴은 대부분 일치하기 때문에, 국지적 모란지수의 단기·장기가뭄별 HH 지역과 Gi*의 핫스팟 지역이 완전히 일치한 중권역을 가뭄 핫스팟 지역이라고
판단할 수 있다. 이러한 기준으로 판단한 M_SPI의 가뭄 핫스팟 지역 및 M_SPI와 동일한 방식으로 판단한 SPI의 가뭄 핫스팟 지역은 Fig. 6과 같다.
S0 시기에서 단기·장기가뭄을 비교하였을 때, M_SPI와 SPI 모두 낙동강 중단에 위치하며, 임하댐(#2002), 안동댐하류(#2003), 위천(#2008),
구미보(#2009) 등이 일치하는 등 단기가뭄과 장기가뭄의 큰 차이가 없다. 하지만 S1과 S2 시기에는 장기가뭄이 단기가뭄보다 가뭄 핫스팟 지역이
크게 판단되며, M_SPI와 SPI간의 가뭄 핫스팟 지역 차이도 명확하게 보인다. M_SPI는 회천(#2013), 합천창녕보(#2014), 합천댐(#2015),
황강(#2016) , SPI는 남강댐(#2018), 남강(#2019), 가화천(#2501), 낙동강남해(#2504) 등이 있다.
Fig. 5. Hot and Cold Spots Based on M_SPI according to RCP 4.5
Fig. 6. Drought Hot Spots Based on M_SPI according to RCP 4.5
Fig. 7은 RCP 8.5 시나리오의 M_SPI를 대상으로 국지적 모란지수 및 Getis-Ord Gi* 분석을 통해 공간적 군집패턴 분석 결과를 시각화한 것이다.
Fig. 7을 살펴보면, Fig. 5와 HH 지역과 핫스팟, LL 지역과 콜드스팟 패턴이 유사할 뿐 아니라, 각 시기별 발생 위치의 유사성을 시각적으로 확인할 수 있다. 또한, 장기가뭄이
단기가뭄보다 HH 지역 및 핫스팟이 크게 나타나는 점이 공통점으로 확인된다. Fig. 5에는 S2 시기의 HH 지역 및 핫스팟이 미약하게 보이지만, RCP 8.5를 적용한 결과인 Fig. 7은 보다 명확한 결과를 보여준다. 이러한 점을 고려하여, M_SPI는 단기·장기가뭄의 가뭄 핫스팟 지역이 유사한 위치 및 패턴이지만, 장기가뭄이 명확히
큰 지역을 가지고 있다는 것을 보여준다. 또한, RCP 4.5보다 RCP 8.5에서의 미래 가뭄 핫스팟 지역이 더 커지는 등의 변화를 보인다는 점에서
M_SPI의 타당성을 입증할 수 있다. RCP 4.5의 경우와 동일하게 RCP 8.5를 적용한 M_SPI 및 SPI를 통해 판단한 가뭄 핫스팟 지역은
Fig. 8과 같다.
Fig. 7. Hot and Cold Spots Based on M_SPI according to RCP 8.5
S0 시기에서 단기·장기가뭄을 비교하며, M_SPI와 SPI 모두 낙동강 중심에 위치하는 점과 임하댐(#2002), 안동댐하류(#2003), 위천(#2008),
구미보(#2009) 등이 일치하는 등 단기가뭄과 장기가뭄의 큰 차이가 없다는 점 등은 RCP 4.5의 경우와 동일하다. 하지만 S1과 S2 시기에는
차이가 존재한다. M_SPI의 경우, 단기가뭄의 핫스팟 지역이 없는 반면, 장기가뭄 핫스팟 지역은 회천(#2013), 합천창녕보(#2014), 합천댐(#2015),
황강(#2016) 등으로 나타났다. SPI의 경우, 단기·장기가뭄 핫스팟 지역은 남강댐(#2018), 남강(#2019), 가화천(#2501), 낙동강남해(#2504)
등으로 나타났다.
Park and Lee(2021)가 제시한 현재 낙동강권역 하류의 상습침수위험구역의 위치는 수영강(#2302), 거제도(#2503), 낙동강남해(#2504) 등이다. M_SPI를
사용한 국지적 모란지수 및 Getis-Ord Gi* 분석에 따르면 LL 지역 및 콜드스팟 지역 중 수영강(#2302), 낙동강남해(#2504)가 일치하지만,
SPI를 사용한 분석에 따르면, LL 지역 및 콜드스팟은 상습침수위험구역과 일치하지 않는다. 또한 Kim et al.(2020)은 가뭄재해지수(Drought Hazard Index)와 가뭄취약성지수(Drought Vulnerability Index)를 결합한 가뭄위험지수(Drought
Risk Index, DRI)를 사용하여 낙동강 유역의 미래 가뭄 위험도를 평가한 바 있다. Kim et al.(2020)이 분석한 DRI를 사용한 낙동강 유역의 과거 및 미래 위험도 평가 결과에 따르면, 가장 높은 DRI를 가지고 있는 중권역은 금호강(#2012)이며,
낙동강 하류가 향후 가뭄 위험도가 증가할 것이라 판단했다. 본 연구에서 M_SPI를 사용해 판단한 가뭄 위험지역 내에 S1과 S2 시기에는 금호강(#2012)이
포함되며, 하류지역의 누적 심도가 대부분 높다는 점과 유사성을 가진다(Fig. 3). 이러한 선행 연구와 비교를 통해, M_SPI를 사용한 결과와의 유사성을 확인할 수 있고, M_SPI의 효용성을 확인할 수 있다.
Fig. 8. Drought Hot Spots Based on M_SPI according to RCP 8.5
4. 결 론
본 연구에서 실시한 가뭄 핫스팟 지역 분석 결과는 M_SPI로 분석되는 가뭄은 낙동강 유역의 중앙 및 좌측 하단부로 이동하는 지역적 패턴을 보이고,
SPI로 분석되는 가뭄은 하단부에 밀집되어서 이동하는 지역적 패턴을 보여준다. SPI는 가뭄사상을 분석하는데 가장 빈번하게 사용되는 기상학적 가뭄지수지만,
본 연구에서 적용한 M_SPI는 SPI에 비해 전체 연구 지역에 대해 표준정규분포를 산정하기 때문에, 연구 지역 내의 전체적인 관점에서 상대적 강수가
부족한 기상학적 가뭄 위험지역 판단에 효과적이다. 분석 결과, SPI는 단기·장기 가뭄이나 RCP 4.5 및 RCP 8.5와 관계없이 모두 큰 차이를
보이지 않는다. 그러나 M_SPI는 단기·장기 가뭄의 가뭄 핫스팟 지역이 위치 및 패턴에서 비슷하지만, 장기가뭄이 명확히 큰 지역을 가지고 있다.
또한, RCP 4.5보다 RCP 8.5에서의 미래 가뭄 핫스팟 지역이 더 크게 나타났다. 본 연구는 단순 심도를 통한 정량적 판단으로 위험지역을 선정하는
것이 아닌, 공간군집분석을 통해 가뭄에 위험한 핫스팟 지역 군집을 선정하였다는 점에서 의의가 있다. 정량적 평가를 통한 가뭄 위험지역은 가뭄 핫스팟
지역과 완전히 일치하지는 않지만 유사성을 보이는데, 가뭄 위험지역은 주변 지역을 고려하지 않고 특정 지역의 누가 심도를 통해 판단하는 방법이기 때문에
인접 지역들간 관계를 고려하지 않는다. 하지만 본 연구에서 판단한 가뭄 핫스팟 지역은 상관관계를 분석하여 지역 군집을 분석 및 판단하는 방법이기 때문에
가뭄에 위험한 군집을 파악하는 분석에는 합리적인 방법이며, 가뭄 핫스팟 분석에 관한 향후 연구들에 활용도가 높을 것이라 기대된다.
본 연구에서 사용한 지수 및 방법을 통해 기후변화 시나리오의 적용으로 인한 낙동강 유역의 미래 가뭄 핫스팟 지역의 변화 패턴을 예측 및 분석할 수
있으며, 향후 낙동강 유역의 가뭄 핫스팟 지역에 대한 가뭄 예측 등 효율적인 가뭄 대응을 위한 자료로 활용될 수 있을 것이다. 이후 낙동강 유역뿐
아니라 전국 단위의 강수량을 사용해 M_SPI를 산정하여 지수의 신뢰성 및 가뭄 핫스팟 지역 패턴의 정확도를 향상시킬 수 있다. 이는 향후 전국 단위의
가뭄 핫스팟 지역 모니터링 및 전망 예측 등을 통해 선제적 가뭄 대응 및 가뭄 관리에 기여할 수 있을 것이다.
감사의 글
이 논문은 행정안전부 재난안전 공동연구 기술개발사업의 지원을 받아 수행된 연구임(2022-MOIS63-001).
References
Chae, J. E., Park, S. Y. and Byu, B. S. (2014). “An analysis of spatial concentrated
areas of single person households and concentrating factors in Seoul.” Seoul Studies,
Vol. 15, No. 2, pp. 1-16 (in Korean).
Cho, D. H. (2013). “Trends and methodological issues in spatial cluster analysis
for count data.” Journal of the Korean Geographical Society, Vol. 48, No. 5, pp. 768-785
(in Korean).
Dai, A. (2011). “Characteristics and trends in various forms of the palmer drought
severity index during 1900-2008.” Journal of Geophysical Research Atmospheres, Vol.
116, No. D12.
Jang, M. H. (2016). “Analysis on the characteristics of urban decline using GIS and
spatial statistical method: The case of Gwangju metropolitan city.” Journal of The
Korean Association of Regional Geographers, Vol. 22, No. 2, pp. 424-438 (in Korean).
Jeung, S. J., Park, J. Y., Yang, D. M. and Kim, B. S. (2019). “Modified standardized
precipitation index and evaluation of its effectiveness using past extreme drought
cases.” Journal of the Korean Society of Hazard Mitigation, Vol. 19, No. 7, pp. 117-124
(in Korean).
Kang, H. J. (2008). “Hot spot analysis: Basis of spatial analysis, utilization and
understanding of local Moran’s I and nearest neighbor analysis.” Planning and Policy,
Vol. 324, pp. 116-121 (in Korean).
Kim, B. S., Kwon, H. H. and Kim, H. S. (2011). “Impact assessment of climate change
on drought risk.” Journal of Wetlands Research, Vol. 13, No. 1, pp. 1-11 (in Korean).
Kim, J. E., Park, J. Y., Lee, J. H. and Kim, T. W. (2019). “Socioeconomic vulnerability
assessment of drought using principal component analysis and entropy method.” Journal
of Korea Water Resources Association, KWRA, Vol. 52, No. 6, pp. 441-449 (in Korean).
Kim, J. S., Park, S. Y., Hong, H. P., Chen, J., Choi, S. J., Kim, T. W. and Lee,
J. H. (2020). “Drought risk assessment for future climate projections in the Nakdong
river basin, Korea.” International Journal of Climatology, Vol. 40, No. 10, pp. 4528-4540.
Kim, J. U., Lee, B. S., Yoo, J. Y., Kwon, H. H. and Kim, T. W. (2021). “Low-flow
frequency analysis and drought outlook in water districts under climate change scenarios:
A case study of Gimcheon-si, Korea.” Journal of Wetlands Research, Vol. 23, No. 1,
pp. 14-26 (in Korean).
Kumar, S. and Parida, B. R. (2021). “Hydroponic farming hotspot analysis using the
Getis-Ord Gi* statistic and high-resolution satellite data of Majuli Island, India.”
Remote Sensing Letters, Vol. 12, No. 4, pp. 408-418.
Lee, J. H., Seo, J. W. and Kim, C. J. (2012). “Analysis on trends, periodicities
and frequencies of Korean drought using drought indices.” Journal of Korea Water Resources
Association, KWRA, Vol. 45, No. 1, pp. 75-89 (in Korean).
Liu, Y., Liu, Y., Wang, W. and Zhou, H. (2021). “Propagation of soil moisture droughts
in a hotspot region: Spatial pattern and temporal trajectory.” Journal of Hydrology,
Vol. 593, 125906.
Maru, H., Haileslassie, A., Zeleke, T. and Esayas, B. (2022). “Agroecology-based
analysis of meteorological drought and mapping its hotspot areas in Awash basin, Ethiopia.”
Modeling Earth Systems and Environment, Vol. 8, No. 1, pp. 339-360.
McKee, T. B., Doesken, N. J. and Kleist, J. (1993). “The relationship of drought
frequency and duration to time scales.” In Proceedings of the 8th Conference on Applied
Climatology, Anaheim, California, Vol. 17, No. 22, pp. 179-183.
Meysam, S., Ali-Mohammad, A. A., Arash, A. and Alireza, D. (2012). “Trend and change-point
detection for the annual stream-flow series of the Karun River at the Ahvaz hydrometric
station.” African Journal of Agricultural Research, Vol. 7, No. 32, pp. 4540-4552.
Park, G. B. and Lee, Y. H. (2021). “Current status of water management in the Nakdong
river basin.” Water for Future, Vol. 54, No. 9, pp. 10-17 (in Korean).
Park, J. Y., Yoo, J. Y., Lee, M. W. and Kim, T. W. (2012). “Assessment of drought
risk in korea: focused on data-based drought risk map.” Journal of the Korean Society
of Civil Engineers, KSCE, Vol. 32, No. 4B, pp. 203-211 (in Korean).
Pettitt, A. N. (1979). “A non‐parametric approach to the change‐point problem.” Journal
of the Royal Statistical Society: Series C (Applied Statistics), Vol. 28, No. 2, pp.
126-135.
Shin, M. C. and Lee, J. S. (2019). “Examining the factors affecting residential satisfaction
of the residents of the urban residential housing in the Seoul Metropolitan area.”
Appraisal Studies, Vol. 18, No. 3, pp. 167-195 (in Korean).
Yoon, Y. S., Lee, Y. G., Lee, J. W. and Kim, S. J. (2019). “Short term drought forecasting
using seasonal ARIMA model based on SPI and SDI - For Chungju dam and Boryeong dam
watersheds.” Journal of The Korean Society of Agricultural Engineers, Vol. 61, No.
1, pp. 61-74 (in Korean).
Zhang, S. and Lu, X. X. (2009). “Hydrological responses to precipitation variation
and diverse human activities in a mountainous tributary of the lower Xijiang, China.”
Catena, Vol. 77, No. 2, pp. 130-142.