김혁
(Hyeok Kim)
1
김지은
(Ji Eun Kim)
2
김지영
(Jiyoung Kim)
3
유지영
(Jiyoung Yoo)
4
김태웅
(Tae-Woong Kim)
5†
-
정회원․한양대학교 대학원 스마트시티공학과 석사과정
(Hanyang University․k4082560@hanyang.ac.kr)
-
정회원․한양대학교(ERICA) 공학기술연구소 박사후연구원
(Hanyang University․helloje2@hanyang.ac.kr)
-
정회원․한양대학교 대학원 스마트시티공학과 석박사과정
(Hanyang University․jiy117@hanyang.ac.kr)
-
한양대학교(ERICA) 공학기술연구소 연구교수
(Hanyang University․7924pooh@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
베이지안 분류, 기후변화, 통합가뭄지수, 이변량 가뭄빈도분석, 수문학적 위험도
Key words
Dynamic naive Bayesian classifier, Climate change, Composite drought index, Bivariate frequency analysis, Hydrologic risk
1. 서 론
최근 기후변화로 인해 전 세계적으로 가뭄의 발생빈도 및 피해가 증가하고 있다. 우리나라 또한 지구온난화 및 기후변화에 의해 온실가스 배출 정도에 따라
연평균 기온이 약 +2.9~4.7°C 상승할 것으로 예상된다(KMA, 2020). 가뭄은 강수량, 증발산량, 토양수분량, 용수의 공급과 수요 등 다양한 조건 및 요인에 영향을 받는다. 또한, 기상학적, 수문학적, 농업적, 사회경제적
가뭄 중 한 종류의 가뭄만이 발생하지 않고, 여러 종류의 가뭄이 동시에 발생할 수 있으며, 이러한 가뭄의 종류를 구별하는 것은 어려운 일이다(Mo, 2008). 따라서 가뭄의 복잡하고 광범위한 특성을 분석하는데 단일 가뭄 지표는 충분하지 않다(Hao and Singh, 2015). 이를 해결하기 위해서 통합가뭄지수의 필요성이 커지고 있다(Park et al., 2020; Waseem et al., 2015).
Waseem et al.(2015)은 하천 유량, 정규화 식생 지수, 강수량, 지표면 온도를 엔트로피 기법을 사용하여 통합가뭄지수를 개발한 후, 한강유역의 가장 건조한 해와 가장 건조한
달을 평가하였다. 이를 바탕으로 통합가뭄지수를 사용하면 개별 가뭄 유형과 관련된 모든 변수에 대해 종합적으로 대응할 수 있다는 것을 보여주었다. Park et al.(2020)은 표준강수지수(Standardized Precipitation Index, SPI), 증발 스트레스 지수(Evaporative Stress Index,
ESI), 식생 건강 지수(Vegetation Health Index, VHI)를 동적 베이지안 분류기(Dynamic Naive Bayesian Classifier)로
통합하여 우리나라 전국에 대한 종합적인 가뭄 평가를 실시하였으며, 전반적으로 기존의 단일 가뭄지수보다 가뭄 현상을 잘 포착하였다.
DNBC는 은닉 마르코프 모형(Hidden Markov Model, HMM)의 확장형으로, 단일 입력변수만 고려할 수 있는 HMM과 달리 다중 입력변수를
고려할 수 있다. 또한, 입력변수들이 서로 독립적이라는 가정을 바탕으로 계산을 매우 단순화하여 모형의 훈련 시간을 절감시킬 수 있으며, 여러 요소를
모형에 추가할 수 있어 최근 가뭄 연구에 많이 쓰이고 있다(Kim et al., 2022). 예를 들어, Kim et al.(2022)은 DNBC를 통한 통합가뭄지수(DNBC-MDI)를 개발하여 한강 유역에 대한 지역 가뭄 위험도를 평가하였으며, DNBC가 다양한 가뭄지수를 결합하고,
가뭄 심각도를 정량화 하는데 유용하다는 것을 보여주었다.
기후변화에 따른 강수량과 기온의 변화는 유출량, 증발산, 토양함수비 등의 변화에 영향을 미친다(Ahn et al., 2001). 이는 미래의 수문순환 과정이 다른 패턴으로 변할 수 있다는 것을 의미하며, 이러한 변화는 가뭄에도 큰 영향을 미칠 것으로 예상된다. 우리나라는
특히 지역별로 기온과 강수량 등의 편차가 크고 기후변화에 대한 취약성 및 대응능력이 지역마다 다르기 때문에 기후변화 영향을 고려한 가뭄 대책 개발이
필요하다(KRIHS, 2011). 이에 따라 효과적인 가뭄 관리를 위해서는 위험 기반 가뭄 관리를 통해 미래의 가뭄 상태를 예측하고 가뭄 대책을 마련해야 한다(Wilhite et al., 2007). Park et al.(2019)은 이변량 빈도분석을 활용하여 기후변화 시나리오에 따른 우리나라 극한가뭄의 수문학적 위험도를 평가하였다. Seo et al.(2022)은 기후변화에 관한 정부 간 협의체(Intergovernmental Panel on Climate Change, IPCC)가 권고한 가뭄 위험도 평가체계에
따라 우리나라 중권역 단위의 가뭄 위험도를 정량화한 후 기후변화 시나리오와 사회경제 시나리오를 조합하여 미래의 가뭄 위험도를 평가하였다.
본 연구에서는 Kim et al.(2022)이 개발한 통합가뭄지수를 활용하여 기후변화 시나리오에 따른 이변량 가뭄빈도분석과 수문학적 위험도 분석을 통해 낙동강 유역의 미래 가뭄을 단기, 중·장기적으로
평가하였다.
2. 연구지역 및 분석자료
2.1 대상지역
낙동강은 강원도 태백산을 기점으로 영남지방을 지나 남해로 흘러드는 하천이며, 유역 면적은 약 23,817 km2으로 우리나라 면적의 약 20%를 차지한다.
낙동강 유역은 6개의 대권역(낙동강, 형산강, 태화강, 회야·수영, 낙동강동해, 낙동강남해)과 33개의 중권역, 272개의 표준유역으로 구성되어 있다(Fig. 1). 연평균 기온은 12.7°C~14.0°C이고, 연강수량은 834.9~1581.2 mm으로, 평균값은 각각 13.4°C와 1281.5 mm이다(KMA, 2022).
Fig. 1. Study Area (Nakdong River Basin)
2.2 기후변화 시나리오
IPCC는 5차 평가 보고서를 통해 온실가스 농도 변화를 반영한 4가지 기후변화 시나리오를 발표하였으며, 이를 대표농도경로(Representative
Concentration Pathways, RCP) 2.6, 4.5, 6.0, 8.5로 명명하였다. RCP 시나리오 중 온실가스를 완화하기 위한 노력
없이 현재 추세대로 온실가스를 배출하는 RCP 8.5에 따르면 2070-2099년에 전 지구 평균기온이 4.8°C 증가할 것으로 예상되며, 저감 노력이
일정부분 실현되는 RCP 4.5에 따르면 평균기온이 2.8°C 증가할 것으로 예상된다. 일반적으로 기후변화 연구에 있어 결합기후모델상호비교사업(Coupled
Model Intercomparison Project Phase 5)을 통해 온실가스 배출 시나리오를 적용한 전지구 기후모델(Global Circulation
Model, GCM) 결과를 활용한다. 본 연구에서는 RCP 8.5에 대하여 기상청에서 활용하는 HadGem2-AO를 사용하였다. HadGem2-AO는
영국 기상청 해들리센터에서 개발한 전 지구 대기-해양 결합모델으로 수평해상도는 1.875° × 1.250°이다. HadGem2-AO는 기온과 강수량에
대해서 현재 기후를 잘 모의하고 있으며, 다른 모델에 비해 상대적으로 우수하다는 평가를 받고 있다. 기후변화 시나리오 자료의 기간은 1974년부터
2099년까지이지만, 전체 기간으로 분석할 경우 과거에 비하여 미래의 기후 추세가 왜곡될 가능성이 생긴다(Kim et al., 2021). 따라서 본 연구에서는 분석자료의 기간을 관측기간 S1(1974-2020) 및 미래기간 S2(2021-2040), S3(2041-2070), S4(2071-2099)
구간으로 구분하여 단기, 중·장기적으로 가뭄의 수문학적 위험도를 분석하였다.
2.3 DNBC의 입력변수
본 연구에서는 기상학적, 수문학적, 농업적, 사회경제적 요인이 고려된 종합적인 통합가뭄지수를 산정하기 위해 DNBC의 입력변수로 기상학적 가뭄지수
SPI, 수문학적 가뭄지수 SDI, 농업적 가뭄지수 ESI 그리고 사회경제적 가뭄지수 WSCI를 사용하였다. DNBC를 통한 출력값은 통합가뭄지수의
시간대별 가뭄단계의 발생확률이다. 분석자료는 1974-2020년 기간의 관측자료와 2021-2099년 기간의 기후모델 HadGem2-AO의 대표농도경로
RCP 8.5에 대하여 각각의 가뭄지수를 산정하였다. 본 연구에서 사용된 가뭄지수에 대한 설명은 다음과 같다.
2.3.1 Standardized Precipitation Index (SPI)
SPI는 강수 시계열을 특정 기간(3개월, 6개월, 12개월, 24개월 등)에 대해 이동 누가하여 누가강수 시계열을 구한 후, 구성된 누가강수 시계열을
Gamma 분포형에 적합시켜 각 변량의 누가확률을 산정하고, 최종적으로 이를 표준정규분포함수로 전환하여 산정한다(Guttman, 1999). Gamma 분포의 확률밀도함수는 Eq. (1)과 같으며 누적분포함수는 Eq. (2)와 같다.
여기서 α는 형상 모수, β는 규모 모수, Γ(α)는 감마함수를 의미한다. 계산된 SPI는 양(+) 방향으로 클수록 습한 상태를 나타내며, 음(-)
방향으로 작을수록 건조 상태를 나타낸다. Table 1은 SPI 가뭄지수의 분류기준을 나타낸다. SPI는 강수량 자료만을 사용해 계산이 단순하며,
다양한 시간 척도의 가뭄 분석에 적용할 수 있기 때문에 농업 및 수문학적인 가뭄을 감시할 수 있다.
Table 1. SPI Ranges for Drought Condition
|
Moisture Condition
|
Drought Index (SPI)
|
|
Extremely wet
|
2.0 ~ ∞
|
|
Very wet
|
1.5 ~ 1.99
|
|
Moderately wet
|
1.0 ~ 1.49
|
|
Normal
|
-0.99 ~ 0.99
|
|
Moderately dry
|
-1.49 ~ -1.0
|
|
Severe dry
|
-1.99 ~ -1.5
|
|
Extremely dry
|
-∞ ~ -2.0
|
2.3.2 Streamflow Drought Index (SDI)
Nalbantis and Tsakiris(2009)은 SPI의 개념을 바탕으로 수문학적 가뭄을 정량화하기 위해 SDI를 개발하였다. SDI의 계산 과정은 SPI와 유사하며, 입력 인자는 유출량이다.
SDI 계산과정은 Eq. (3)과 같다(Nalbantis and Tsakiris, 2009).
여기서 $\overline{V}$는 누적한 하천 유량의 평균, $S_{k}$는 누적한 하천 유량의 표준편차를 의미하며, $V_{i,\: k}$는 $i$번째
연도에서 $k$기간 동안 누가된 유량(Q)으로 계산과정은 Eq. (4)와 같다.
SDI에 의해 정해지는 수문학적 가뭄의 상태는 Table 2와 같다.
Table 2. SDI Ranges for Drought Condition
|
Moisture Condition
|
Drought Index (SDI)
|
|
Non-drought
|
0.0 ~ ∞
|
|
Mild drought
|
-1.0 ~ 0.0
|
|
Moderate drought
|
-1.5 ~ -1.0
|
|
Severe drought
|
-2.0 ~ -1.5
|
|
Extreme drought
|
-∞ ~ -2.0
|
2.3.3 Evaporative Stress Index (ESI)
ESI는 지표면과 대기 사이의 수분 공급을 지수화하여 개발된 것으로, 2003-2013년 기간 동안 브라질의 주요 작물 수확량과 상관관계를 분석한
연구에 농업적 가뭄지수로 활용되었다(Anderson et al., 2016). ESI 계산과정은 Eq. (5)와 같으며, 여기서 AET(Actual EvapoTranspiration)는 실제 증발산, PET(Potential EvapoTranspiration)은
잠재 증발산을 의미한다.
ESI가 0 이하이면 가뭄 상태를 나타내고, 0 이상이면 비가뭄을 나타낸다.
2.3.4 Water Supply Capacity Index (WSCI)
WSCI는 가뭄 기간 동안 저수지의 용수공급능력을 모니터링하기 위해 개발된 것으로, 저수지 저수량과 수요량간의 물수지 평가를 통해 용수공급이 가능한
시간을 정량화한 지수이다(Lee et al., 2006). WSCI는 추가적인 유입량 없이 현재의 저수량만을 반영한 지수이므로 추가적인 강수량과 유입량이 없는 가뭄 상황에서 얼마나 오랫동안 물을 공급할
수 있는지를 판단할 수 있는 지수이다. WSCI의 최종 산정식은 Eq. (6)과 같다.
여기서, $(n-1)$은 현재 저수량으로 공급할 수 있는 개월 수, $S_{t}$는 당월 말 저수량, $D_{t+n}$은 $n$월 후의 용수공급량을
의미한다.
3. 연구방법
3.1 DNBC(Dynamic Naive Bayesian Classification)
DNBC는 은닉 마르코프 모형(HMM)의 확장형으로, 주어진 속성들 사이에 독립성을 가정한 확률분류기이다. 모형은 집합 $A=\left\{A_{t}
\mid t=1,\: ...,\: T\right\}$로 구성되며, 여기서 $A_{t}=\left\{A_{t}^{n} \mid 1\le n\le
N\right\}$ 은 $S_{t}=\{1,\: ...,\: m\}$의 동적 프로세스에 의해 생성된 속성 집합이다. $A_{t}^{n}$는 주어진
상태에 독립적으로 가정되는 n개의 속성을 나타낸다. 따라서, 본 연구에서 $S_{t}$는 시간 $t$에서의 가뭄 상태를 나타낸다. DNBC에서 관측된
속성과 잠재 상태의 결합우도는 Eq. (7)과 같다.
여기서 $P(A_{t} \mid S_{t})=\prod_{n=1}^{^{N}}P(A_{t}^{n} \mid S_{t})$는 $S_{t}$가 시간 $t$에서
관측된
방출확률분포(emission probability distribution)이고, $P(S_{1})$은 잠재 상태의 초기확률분포(initial probability
distribution), 그리고 $P(S_{t+1} \mid S_{t})$는 $S_{t}$에서 $S_{t+1}$로의 전이확률(transition
probability)을 나타낸다. DNBC에 대한 개요를 시각화하여 표현하면 Fig. 2와 같다.
DNBC의 매개변수는 결합로그우도(Eq. (8))의 추정치를 최대화하는 Expectation-Maximization (EM) 알고리즘을 사용하여 추정되었다.
여기서 $\theta =(\theta_{1},\: \theta_{2},\: \theta_{3})$는 초기확률, 전이확률 및 방출확률을 나타내는 매개변수
집합이다.
본 연구에서 DNBC의 입력 자료로 활용된 네 가지 가뭄지수(SPI, SDI, ESI, WSCI)는 연속형 변수로서 각 속성의 방출확률분포는 가우시안
분포(Gaussian distribution)로 가정하였다(Eq. (9)).
여기서 $\sigma_{i}^{2n}$와 $\mu_{i}^{n}$는 각각 $n$번째 관측 변수와 $i$번째 잠재 상태에 대한 가우스 방출 분포의 분산과
평균을 의미한다. 네 가지 가뭄지수$(A_{t}^{1},\: A_{t}^{2},\: A_{t}^{3},\: A_{t}^{4})$는 외생변수(exogeneous
variable)에 해당하며, $\prod_{n=1}^{N}P(A_{t}^{n} \mid S_{t})$에 따라 조건부독립 가정을 만족하며 전개된다.
Viterbi 알고리즘을 기반으로 추정된 최적의 DNBC 매개변수를 사용하여 각 잠재 가뭄 단계의 확률과 잠재 가뭄 단계를 최대화하는 최적의 경로를
얻을 수 있다(Chen et al., 2018). 본 연구에서는 통합가뭄지수의 가뭄단계별 발생확률을 산정하여 시간대별 가뭄단계를 결정하였다.
Fig. 2. A Dynamic Naive Bayesian Classifier(Martinez and Sucar, 2008)
3.2 이변량 가뭄빈도분석을 통한 수문학적 위험도 분석
코플라 함수는 이변량 자료의 상관성을 규명해주는 함수로 강우 분석 및 홍수 모의 등 다양한 분야에 적용되고 있다. 특히, 수문자료는 분포 형태가 비대칭적이고,
극대 혹은 극소값을 보이는 경향이 강하며, 빈도분석에 사용되는 수문변수 사이의 의존성이 뚜렷해 코플라 함수의 적용이 유리하다고 알려져 있다(Kim et al., 2019). 본 연구에서는 일반적으로 가장 많이 사용되는 Archimedean Copula 함수를 사용하였으며, 결합분포함수는 Table 3과 같다.
최근 가뭄빈도분석에 있어 단변량 가뭄빈도분석 보다는 가뭄의 지속기간과 심도를 고려한 이변량 가뭄빈도분석이 활발하게 사용되고 있다(Kwak et al., 2016). 가뭄빈도분석의 목적은 재현기간을 산정하는 것으로 이변량 가뭄빈도분석은 심도와 지속기간의 최적 주변확률분포를 결정하고 코플라 함수를 적용한 결합확률분포를
통해 재현기간을 산정한다. Shiau(2003)은 코플라 함수를 활용한 이변량 결합재현기간을 Eq. (10)과 같이 제시하였다.
여기서 $E(L)$은 평균 가뭄 발생 간격을, $F_{D}$는 가뭄 지속기간에 대한 확률분포함수, $F_{S}$는 가뭄 심도에 대한 확률분포함수,
$C$는 코플라 함수, 그리고 $T_{DS}$는 재현기간을 의미한다.
가뭄의 경우 재현기간은 설계연도 이내에 임계값 이상의 심도와 지속기간을 가진 가뭄이 발생할 확률을 의미하며, 이를 바탕으로 수문학적 위험도를 정량화할
수 있다(Yu et al., 2016). 수문학적 위험도는 Eq. (11)과 같이 산정되며, 여기서 $T_{DS}$는 이변량 재현기간이고, $\overline{R}$은 $n$년 동안 $T_{DS}$ 크기의 가뭄이 발생할
확률이다.
수문학적 위험도 $\overline{R}$값이 클수록 재현기간 $T_{DS}$의 가뭄사상이 수자원 시스템의 예상 설계연도 내에 발생하여 용수공급을
실패할 확률이 높다는 것을 의미한다. 즉, $\overline{R}$값이 클수록 수문학적 가뭄 발생 확률이 높은 지역임을 의미한다.
Table 3. Archimedean Copula Function
|
Name of Copula
|
Joint Distribution Function
|
|
Clayton
|
$[\max(x^{-\theta}+y^{-\theta}-1;0)]^{-1/6}$
|
|
Gumbel
|
$\exp[-(-\ln(x))^{\theta}+(-\ln(y))^{\theta})^{1/\theta}$
|
|
Frank
|
$-\dfrac{1}{\theta}\ln(1+\dfrac{(e^{-\theta x}-1)(e^{-\theta y}-1)}{(e^{-\theta}-1)}$
|
4. 연구결과
4.1 통합가뭄지수
본 연구에서는 가뭄을 단기, 중·장기로 전망하기 위하여 분석기간을 관측기간 S1(1974-2020)과 미래기간 초기 S2(2021-2040), 중기
S3(2041-2070), 후기 S4(2071-2099)로 구분하였다. SPI, SDI, ESI 및 WSCI를 DNBC의 입력값으로 활용하여 산정된
통합가뭄지수는 Table 4와 같이 7가지 단계로 구분되며, 모든 단계에 해당하는 발생 확률의 합은 1이다. Fig. 3은 낙동강 유역의 중권역 중 하나인 안동댐(#2001)의 통합가뭄지수(composite drought index, CDI))에 대한 가뭄 단계 발생
확률을 예시적으로 보여준다. 각 가뭄 단계의 막대 그래프가 클수록 발생 확률이 높다는 것을 의미한다.
분석 결과 가뭄 단계에 해당하는 5-7단계의 발생 확률이 가장 높은 지역은 S1(2021-2040), S2(2041-2070) 및 S3(2071-2099)
구간 모두 밀양강(#2021) 유역으로 나타났으며, 발생 확률은 각각 57.08%, 57.5% 및 64.08%이고 시나리오 후기로 지날수록 가뭄 발생
확률이 점차 높아졌다.
Fig. 3. Composite Drought Index (CDI) of Andong-Dam(#2001)
Table 4. Drought State of SPI, SDI, ESI, WSCI and CDI
|
CDI
|
SPI, SDI, ESI, WSCI
|
Moisture Condition
|
|
1
|
2.0 ~ ∞
|
Extremely Wet
|
|
2
|
1.5 ~ 1.99
|
Very Wet
|
|
3
|
1.0 ~ 1.49
|
Moderately Wet
|
|
4
|
-0.99 ~ 0.99
|
Normal
|
|
5
|
-1.49 ~ -1.0
|
Moderately Dry
|
|
6
|
-1.99 ~ -1.5
|
Severe Dry
|
|
7
|
-∞ ~ -2.0
|
Extremely Dry
|
4.2 실제 가뭄 사건과의 비교를 통한 검증
본 연구에서 산정된 통합가뭄지수의 객관적인 정확도를 비교하기 위하여 낙동강 유역에서 실제 발생했던 가뭄사건과의 비교 분석을 통해 검증을 실시하였다.
과거에 발생한 가뭄사건 자료는 국가가뭄정보포털(https://www.drought.go.kr/main.do)에서 제공하는 제한·운반급수 발생 자료와
가뭄기록조사 보고서(MOCT, 1995; 2001; MOLIT, 2015) 그리고 가뭄대비 나눔지하수사업 보고서(MOE and K-water, 2020)를 참고하여 수집하였다. Fig. 4와 같이 낙동강 유역에서 가뭄이 발생했던 1977-1978, 1981- 1982, 1994-1995, 2000-2001, 2006, 2008-2009,
2012-2013, 2016-2017년도와 통합가뭄지수의 가뭄 단계에 해당하는 5-7단계를 비교하였다.
통합가뭄지수가 가뭄 단계이고 실제 가뭄이 발생했다면 ‘가뭄적중’, 통합가뭄지수가 가뭄 단계이나 실제 가뭄이 발생하지 않았다면 ‘거짓경보’, 통합가뭄지수가
비가뭄 단계이고 실제 가뭄이 발생하지 않았다면 ‘비가뭄적중’, 통합가뭄지수가 비가뭄 단계이나 실제 가뭄이 발생했다면 ‘오류’를 할당하였다. 정확도(Production
Correction, PC)는 Eq. (12)를 통해 계산되었다.
여기서, $PC$는 정확도, $A$는 가뭄적중, $B$는 거짓경보, $C$는 비가뭄적중 그리고 $D$는 오류를 의미한다.
SPI, SDI, ESI 및 통합가뭄지수의 $PC$를 산정하여 비교 및 평가하였으며, Fig. 5는 낙동강 유역에 대한 각 가뭄지수의 정확도를 보여준다.
평균적으로 통합가뭄지수가 0.635로 가장 높은 정확도를 보였으며, SPI가 0.626, SDI가 0.629 그리고 ESI가 0.583로 가장 낮은
정확도를 보였다. 통합가뭄지수는 대종천(#2403)이 0.822로 가장 높은 정확도를 보였으며, 밀양강(#2021)이 가장 낮은 정확도를 보였다.
Fig. 4. Comparison Between Actual Drought Events and CDI
Fig. 5. Production Corrections of Nakdong River Basin: (a) SPI, (b) SDI, (c) ESI, (d) CDI
4.3 수문학적 위험도 분석
본 연구에서는 카이제곱($\chi^{2}$) 검정을 통해 여러 확률분포(Gamma, Weibull, Extreme Value, Genaralized
Pareto) 중 가뭄 심도는 Weibull, 지속기간은 Gamma 분포가 최적분포로 선정되었다. 가뭄 심도와 지속기간의 확률분포를 결합하기 위해
수문분야에서 널리 사용되는 Clayton 코플라 함수를 적용하였다. 추정된 결합확률밀도함수를 통해 33개 중권역에 대한 이변량 가뭄빈도분석을 실시하였다.
Fig. 6은 중권역 중 하나인 안동댐(#2001)의 가뭄 심도-기간-빈도 곡선을 보여준다. Fig. 6에서 x축은 심도, y축은 지속기간, 곡선은 재현기간, 그리고 동그라미는 각각의 가뭄사상을 의미한다. S1(1974-2020), S2(2021-2040),
S3(2041-2070), S4(2071-2099) 기간의 최대 가뭄사상은 수문학적 위험도 분석의 기준이 되는 기왕최대가뭄으로 활용되었다.
Fig. 7은 관측기간 S1(1974-2020) 및 기후변화 시나리오에 따른 미래기간 S2(2021-2040), S3(2041-2070), S4(2071-2099)에
대한 수문학적 위험도를 지도 형태로 나타내었다. Fig. 7에서 보라색이 진할수록 수문학적 위험도가 높다는 것을 의미한다.
S1(1974-2020) 기간은 밀양강(#2021) 지역이 0.951로 가장 높은 위험도를 나타냈으며, S2(2021-2040) 기간은 구미보(#2009)가
0.998, S3(2041-2070) 기간은 밀양강(#2021)이 0.955, 그리고 S4(2071-2099) 기간은 낙동밀양(#2020) 지역이
0.993으로 가장 위험한 지역으로 나타났다. 구간에 따라 수문학적 위험도가 높게 산정된 유역에는 약간의 차이가 있었으나, 공통적으로 밀양강(#2021)
유역이 평균 위험도 0.940으로 가뭄에 가장 취약한 지역임을 확인하였다. 평균적으로 S2(2021-2040) 구간의 수문학적 위험도가 0.572로
가장 높았으며, S3(2041-2070)와 S4(2071-2099) 구간은 각각 0.368, 0.381로 S1(2021-2040)에 비해 낮은 위험도를
나타냈다. S2(2021-2040) 기간은 안동댐(#2001), 임하댐(#2002), 안동댐하류(#2003), 내성천(#2004), 영강(#2005),
병성천(#2006), 낙동상주(#2007), 위천(#2008), 구미보(#2009)을 포함한 낙동강 북부 유역의 수문학적 위험도가 높게 나타났으나,
S3(2041-2070) 기간에서 안동댐하류(#2003), 영강(#2005), 위천(#2008)을 제외하고는 위험도가 크게 낮아졌다. S4(2071-2099)
기간에서는 낙동강 북부 유역의 수문학적 위험도는 매우 낮으며 낙동강 남부 유역에 해당하는 금호강(#2012), 회천(#2013), 창녕합천보(#2014),
남강(#2019), 낙동밀양(#2020), 밀양강(#2021), 형산강(#2101), 대종천(#2403)의 위험도가 높게 나타났다.
단기적인 관점에서 수문학적 위험도는 낙동강 유역 전반적으로 큰 폭으로 상승하여 가뭄에 집중적인 대비가 필요할 것으로 판단된다. 중·장기적인 관점으로는
낙동강 북부 지역의 위험도는 감소하고 낙동강 남부 유역의 위험도는 크게 상승하여 미래 가뭄이 낙동강 유역의 북부에서 남부로 이동될 것으로 분석되었다.
이에 따른 낙동강 유역의 미래 가뭄에 대한 맞춤형 전략이 필요할 것으로 판단된다.
Park et al.(2019)은 기후변화 시나리오를 바탕으로 관측기간(1973-2017)과 미래기간(2018-2100)에 대해 이변량 빈도분석을 이용하여 우리나라 극한가뭄의 수문학적
위험도를 분석하였다. 그 결과 관측기간에 비해 울산, 경기도, 충청북도 및 경상남도의 위험도는 증가하였으며, 부산, 대구, 대전, 전라도 및 경상북도의
위험도는 감소하였다. 본 연구에서는 미래기간에서 울산 및 경상남도를 포함한 중권역인 태화강(#2201), 회야강(#2301), 낙동밀양(#2020)
및 낙동강하구언(#2022) 등의 위험도가 관측기간에 비해 증가하여 선행연구와 일부 유사한 결과를 얻었다. Seo et al.(2022)은 위해성(Hazard), 노출도(Exposure), 취약성(Vulnerability)에 대한 지표를 선정하여 기후변화 시나리오와 사회경제 시나리오를
바탕으로 우리나라의 수문학적 가뭄 위험도를 정량화하였다. 미래 시나리오에 따라 낙동강 유역은 먼 미래(2080-2099)에 위험도가 상승하였으며,
특히 과거(1986-2005)에 비하여 경상남도 지역(낙동강 하류부)의 수문학적 위험도가 큰 폭으로 상승하였다. 관측기간인 S1(1974-2020)
기간에 비해 S4(2071-2099) 기간에 낙동강 남부 유역의 수문학적 위험도가 크게 나타난 본 연구결과와 유사한 결과이다.
Fig. 6. Drought Severity-Duration-Frequency Curves of Andong-Dam(#2001): (a) 1974-2020, (b) 2021-2040, (c) 2041-2070, (d) 2071-2099
Fig. 7. Hydrologic Risk of Drought in Nakdong River Basin: (a) S1(1974-2020), (b) S2(2021-2040), (c) S3(2041-2070), (d) S4(2071-2099)
5. 결 론
본 연구에서는 낙동강 유역을 대상으로 과거 관측자료와 기후변화 시나리오를 반영한 통합가뭄지수를 활용하여 미래가뭄을 전망하였다. 우선 기상학적 가뭄지수
SPI, 수문학적 가뭄지수 SDI, 농업적 가뭄지수 ESI 및 사회경제적 가뭄지수 WSCI를 입력값으로 활용하여 DNBC를 통해 통합가뭄지수를 산정하였다.
분석기간은 관측기간 S1(1974-2020) 및 미래기간 S2(2021-2040), S3(2041- 2070), S4(2071-2099)로 구분하여
코플라 함수를 적용한 이변량 가뭄빈도분석을 통해 단기, 중·장기적인 수문학적 위험도를 분석하였다.
위험도 분석 결과, S2(2021-2040) 기간의 수문학적 위험도가 가장 높게 나타났으며, 이후 미래 구간에서 위험도가 감소하는 경향을 보였다.
또한, 시나리오 구간에 따라 높은 수문학적 위험도를 나타낸 유역에 차이가 있었지만, 밀양강(#2021) 유역은 전 구간에서 높은 위험도를 보여 가뭄에
가장 취약한 지역으로 판단된다. 단기적인 관점에서 보았을 때 S2(2021-2040) 기간은 낙동강 북부 유역 위주로 높은 수문학적 위험도를 나타냈으며,
중·장기적인 관점에서는 S3(2041-2070)와 S4(2071-2099) 기간으로 갈수록 낙동강 북부 유역의 위험도는 낮아지고 낙동강 남부 유역의
위험도가 높아진다는 것을 확인하였다. 이를 통해 낙동강 유역의 미래 가뭄이 북부에서 남부지방으로 이동될 것으로 판단된다.
본 연구에서 제안된 결과는 향후 미래 가뭄에 대한 지역 가뭄계획 수립에 활용할 수 있을 것으로 판단된다. 본 연구는 낙동강 유역에 대해서 분석하였기
때문에 행정구역 혹은 전체 유역을 대상으로 진행한다면 지방자치단체 혹은 국가 가뭄계획 수립을 위한 기초자료로 활용도가 높을 것으로 기대된다. 본 연구에서
활용한 HadGem2-AO를 포함하여, 다양한 기후모델을 적용한다면 단일 모델을 사용함에 따라 발생할 수 있는 불확실성을 정량적으로 분석할 수 있을
것이다. 또한, 본 연구에서는 SPI, SDI, ESI 및 WSCI을 고려하여 강수량, 유출량, 증발량 및 용수공급량을 주요 요인으로 삼았지만, DNBC는
영향 요인을 모델에 쉽게 추가할 수 있어 추후 연구에서는 다양한 요인이 가뭄에 미치는 영향을 고려할 수 있을 것이다.
감사의 글
본 논문은 한국환경산업기술원의 가뭄대응물관리혁신기술개발사업(2022003610001)의 지원을 받아 수행된 연구성과입니다.
References
Ahn, J. H., Yoo, C. S. and Yoon, Y. N. (2001). “An analysis of hydrologic changes
in Daechung Dam basin using GCM simulation results due to global warming.” Journal
of Korea Water Resources Association, Vol. 34, No. 4, pp. 335-345 (in Korean).
Anderson, M. C., Zolin, C. A., Sentelhas, P. C., Hain, C. R., Semmens, K., Yilmaz,
M. T., Gao, F., Otkin, J. A. and Tetrault, R. (2016). “The evaporative stress index
as an indicator of agricultural drought in Brazil: An assessment based on crop yield
impacts.” Remote Sensing of Environment, Vol. 174, pp. 82-99.
Chen, S., Muhammad, W., Lee, J. H. and Kim, T. W. (2018). “Assessment of probabilistic
multi-index drought using a dynamic naive Bayesian classifier.” Water Resources Management,
Vol. 32, pp. 4359-4374.
Guttman, N. B. (1999). “Accepting the standardized precipitation index: A calculation
algorithm.” Journal of the American Water Resources Association, Vol. 35, No. 2, pp.
311-322.
Hao, Z. and Singh, V. P. (2015). “Drought characterization from a multivariate perspective:
A review.” Journal of Hydrology, Vol. 527, pp. 668-678.
Kim, H., Park, D. H., Ahn, J. H. and Kim, T. W. (2022). “Development of a multiple-drought
index for comprehensive drought risk assessment using a dynamic naive Bayesian classifier.”
Water, Vol. 14, No. 9, pp. 1516.
Kim, J. E., 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).
Kim, J. G., Kim, J. Y., Ban, W. S. and Kwon, H. H. (2019). “A development of bivariate
regional drought frequency analysis model using copula function.” Journal of Korea
Water Resources Association, Vol. 52, No. 12, pp. 985-999 (in Korean).
Korea Meteorological Administration (KMA). (2020). Korean climate change assessment
report 2020 (in Korean).
Korea Meteorological Administration (KMA). (2022). Open MET data portal, Available
at: https://datakma.go.kr/ (Accessed: December 1, 2022).
Korea Research Institute for Human Settlements (KRIHS). (2011). Research for water
management policy preparing with climate change - Focus on drought vulnerability and
policy plan of territory (in Korean).
Kwak, J. W., Kim, S. J., Kim, D. H. and Kim, H. S. (2016). “Hydrological drought
analysis based on copula theory.” River Basin Management, D. Bucur, ed., IntechOpen,
London, United Kingdom, pp. 81-95.
Lee, D. R., Moon, J. W., Lee, D. H. and Ahn, J. H. (2006). “Development of water
supply capacity index to monitor droughts in a reservoir.” Journal of Korea Water
Resources Association, Vol. 39, No. 3, pp. 199-214 (in Korean).
Martinez, M. and Sucar, L. E. (2008). “Learning dynamic naive Bayesian classifiers.”
Proc. of 21st Int. FLAIRS Conf. 2008, pp. 655-659.
Ministry of Construction & Transportation (MOCT). (1995). Survey report of drought
history (in Korean).
Ministry of Construction & Transportation (MOCT). (2001). Survey report of drought
history (in Korean).
Ministry of Environment (MOE) and K-water. (2020). Report of sharing groundwater
project for drought preparation in Eumseong area (in Korean).
Ministry of Land, Infrastructure and Transport (MOLIT). (2015). Survey report of
drought history (in Korean).
Mo, K. C. (2008). “Model-based drought indicies over the United States.” Journal
of Hydrometeorology, Vol. 9, No. 6, pp. 1212-1230.
Nalbantis, I. and Tsakiris, G. (2009). “Assessment of hydrological drought revisited.”
Water Resources Management, Vol. 23, No. 5, pp. 881-897.
Park, D. H., Chen, S. and Kim, T. W. (2020). “Probabilistic assessment of drought
states using a dynamic naive Bayesian classifier.” Terrestrial, Atmospheric and Oceanic
Sciences, Vol. 31, No. 3, pp. 359-368.
Park, J. Y., Kim, J. E., Lee, J. H. and Kim, T. W. (2019). “Assessment of hydrologic
risk of extreme drought according to RCP climate change scenarios using bivariate
frequency analysis.” KSCE Journal of Civil and Environmental Engineering Research,
Vol. 39, No. 5, pp. 561-568 (in Korean).
Seo, J. H., Chi, H. W., Kim, H. J. and Kim, Y. J. (2022). “Hydrological drought risk
assessment for climate change adaptation in South Korea.” Journal of Korea Water Resources
Association, Vol. 55, No. 6, pp. 421-435 (in Korean).
Shiau, J. T. (2003). “Return period of bivariate distributed hydrologic events.”
Stochastic Environmental Research and Risk Assessment, Vol. 17, No. 1-2, pp. 42-57.
Waseem, M., Ajmal, M. and Kim, T. W. (2015). “Development of a new composite drought
index for multivariate drought assessment.” Journal of Hydrology, Vol. 527, pp. 30-37.
Wilhite, D. A., Hayes, M. J., Knutson, C. and Smith, K. H. (2007). “Planning for
drought: moving from crisis to risk management.” Journal of the American Water Resources
Association, Vol. 36, No. 4, pp. 697-710.
Yu, J. S., Yoo, J. Y., Lee, J. H. and Kim, T. W. (2016). “Estimation of drought risk
through the bivariate drought frequency analysis using copula functions.” Journal
of Korea Water Resources Association, Vol. 49, No. 3, pp. 217-225 (in Korean).