2.1 자료

가뭄지수를 산정하기 위해 한국 기상청에서 운영 중인 Automated Surface Observation System (ASOS) 23개 관측지점의 일 강수량이 이용되었다. 가뭄지수를 산정하기 위해서는 장기간의 강수량 자료가 필요하므로 본 연구에서는 1980년 1월부터 2020년 12월의 강수량 자료가 사용되었다. 이는 기상청 기상자료개방포털에서 획득되었다(KMA, 2015). 다만, 1980년부터 2020년까지 41년 기간을 기준으로 산정된 가뭄지수을 기반으로, 수질자료와의 기간 일치를 위하여 2004년 1월부터 2020년 12월까지의 자료가 실제 분석에 적용되었다. 티센면적가중평균법을 이용하여 낙동강 단위유역별 공간 평균 월 강수량을 산정하였다. 또한 본 연구에서 단위유역의 공간적인 범위는 해당 단위유역뿐만 아니라 해당 단위유역 상류의 모든 단위유역을 포함한다. 예를 들어, 단위유역 남강C는 남강A, 남강B, 남강C를 모두 포함하는 단위유역으로 정의하였다. 따라서 낙동강 본류 최하류의 단위유역인 낙본M의 공간적인 영역은 낙본N을 제외한 낙동강 전체 유역이 된다. Fig. 1은 낙동강 수질오염총량관리 단위유역과 23개 기상관측지점의 위치를 보여준다.

Fig. 1. Nakdong river basin and the location of meteorological sites.

수온은 낙동강 수질오염총량관리 40개 단위유역(낙본N 제외)을 기반으로 준비되었다. 수온의 자료 가용 기간은 2004년 이후이므로 본 연구에서는 2004년 1월에서 2020년 12월의 수온자료가 사용되었다. 이는 환경부 물환경정보시스템에서 획득하였다(ME, 2015). 수온은 연평균 약 40회 정도의 회수로 8일 간격을 원칙으로 다소 불규칙한 주기로 관측되므로 특정 월에 관측된 자료를 산술평균하여 월 단위 자료로 구성하였다. Fig. 2는 임하댐 상류 단위유역인 반변A의 월 수온 시계열을 보여준다. 12개월 주기 특성이 명확함을 살펴볼 수 있으며, 다른 단위유역도 이와 유사한 주기 성분을 가지고 있다.

Fig. 2. Monthly water temperature time series at the BB-A unit watershed.

2.2 가뭄지수

SPI는 대기로부터의 수분공급이 부족할 때 가뭄이 발생한다는 관점에서 만든 가뭄지수이다. 즉, SPI는 강수량만을 이용하여 가뭄을 식별한다(^{Mckee at al., 1993}). 국내외에 많은 관련 연구사례가 있다(^{Chang et al., 2006}; Kim et al., 2011). SPI는 시간 척도에 따른 이동 누가 월 강수량을 이용하여 계산되며, 음의 값을 가질수록 심한 가뭄 상태임을 나타낸다. 일반적으로 SPI가 -1.0 이하가 되면 가뭄으로 간주한다(Kim at al., 2010). Fig. 3은 단위유역 반변A의 3개월 시간 척도의 SPI(즉, SPI3)와 12개월 시간 척도의 SPI(즉, SPI12)의 시계열을 보여준다. 2008년 가을부터 2009년까지 지속된 가뭄, 2015년 말부터 2016년 초까지의 겨울 가뭄, 2017년 봄 가뭄 등이 있었음을 보여주고 있다. 수온과는 달리 월 SPI 시계열에는 특별한 주기 성분은 발견되지 않았다. 상대적으로 장기간의 이동 합 월 강수량으로 산정된 SPI12가 SPI3보다 시간상으로 더 부드럽게 변화하는 특성이 있음을 살펴볼 수 있다.

Fig. 3. Monthly SPI time series at the BB-A unit watershed.

2.3 수온 자료의 변환

Fig. 2에서 알 수 있듯이 월 수온 자료는 12개월 주기 성분이 있으며, 이러한 주기 성분은 가뭄지수와의 상관성 분석 시에 잡음으로 작용하게 된다. 따라서 아래와 같은 식을 이용하여 자료의 주기 성분을 제거한 후 이후 연구를 진행하였다.

여기서 는 년 월의 수온, 은 월 자료 중 최솟값에 0.01을 뺀 값, 은 월 자료 중 최댓값에 0.01을 더한 값, 는 수온(또는 BOD)의 변환된 값이다. 최솟값과 최댓값에 0.01을 빼거나 더한 이유는 변환된 자료를 0에서 1 사이에 놓기 위함이다.

본 연구에서는 계절별로 나누어 수온과 가뭄 사이의 상관관계를 분석하였다. 이때, 봄은 3월, 4월, 5월 자료, 여름은 6월, 7월, 8월 자료, 가을을 9월, 10월, 11월 자료, 겨울은 12월, 1월, 2월 자료로 분석하였다. 분석의 편의를 위하여 계절별로 변환변수 가 SPI와 양의 상관관계를 갖도록 식 (1) 또는 (2)를 적용하여 수온 자료를 변환하였다. 즉, 식 (1)을 이용하여 변환한 후, SPI와의 상관관계가 양의 값을 가지면 변환된 변수를 그대로 이용하여 이후 연구를 수행하였으며, SPI와의 상관관계가 음의 값을 가지면 식 (2)를 이용하여 변환된 변수가 이후 연구에 적용되었다.

2.4 SPI-수온의 코퓰러 결합

다변량 분포의 의존 구조는 다변량 정규 분포와 같은 고전적 분포를 사용하여 구성할 수 있다(^{Laux et al., 2011}). 그러나 수온와 SPI 사이의 의존성은 일반적으로 매우 복잡하며 시간과 공간 모두에서 다양하다. 따라서 고전적인 방법은 자료의 종속 구조를 설명하는 데 적합하지 않을 수 있다(^{Bardossy and Pegram, 2009}; Kim et al., 2012). 코퓰러는 수온과 SPI 사이의 결합 의존 구조를 모형화하는 수단을 제공한다. 또한 다양한 가뭄지수들 사이의 결합 의존 구조를 모형화하기 위해 적용되기도 한다(^{Won et al., 2020}). 즉, 코퓰러는 한계(marginal) 분포에 대한 제한이 없이 다변량 자료들 사이에 존재하는 종속성을 모형화할 수 있다(^{Ryu et al., 2012}). 따라서 본 연구에서는 코퓰러 이론을 도입하여 수온과 SPI의 결합 확률분포를 모형화하였다. Sklar의 정리에 따르면(^{Sklar, 1959}) (수온의 변환변수)과 (SPI)의 결합 누가확률분포 는 아래와 같이 표현할 수 있다.

여기서 과 는 수온 변환변수와 SPI의 한계 누가확률분포(Cumulative probability distribution function, CDF)로서 과 을 의미하며, 는 코퓰러 함수이다.

결합 확률분포를 모형화하기 전에 각 변수, 즉 수온 변환변수 및 SPI에 대해 적절한 한계 확률분포를 결정해야 한다. 계절별 수온 변환변수의 최적 확률분포는 Normal 분포, Log- Normal 분포, Gamma 분포, Weibull 분포, Log-Logistic 분포, GEV 분포를 포함하여 일반적으로 사용되는 6개의 이론적 확률분포를 비교했다. 각 분포의 매개변수는 최대 우도 방법으로 추정되었다. Chi-square 적합도 검정을 기반으로 최적 분포를 선택했다. SPI는 유도 과정의 특성상 표준정규분포를 따를 수밖에 없으므로 표준정규분포가 최적 분포로 선택되었다. 최적 한계 확률분포가 결정되면 결합 확률분포를 모형화하기 위해 적절한 코퓰러 함수가 필요하다. 본 연구에서는 여러 문헌에서 널리 사용되는 몇 가지 코퓰러 함수, 즉 Cayton, Frank, Gumbel, Gaussian, Student-t 코퓰러를 이용했다(Salvadori and De Michele, 2004). 코퓰러 함수의 매개변수는 최대 우도 방법을 이용하여 추정되었다. 이때 우도를 구성하기 위한 이변량 경험적 누가확률분포를 구하기 위하여 ^{Zhang and Singh (2006)}이 제안한 이변량 도시위치공식이 적용되었다. 수온 변환변수와 SPI 사이의 종속 구조를 가장 잘 포착하는 코퓰러는 AIC를 이용하여 결정되었다(^{Sadegh et al., 2017}). 계절별 분석에서 17*3개(즉, 17년*3개월)의 수온 변환변수-SPI 쌍을 이용하여 최적 코퓰러 함수가 결정되었다.

수온 변환변수와 SPI의 결합 확률분포, 즉 식 (3)이 주어지면 설정된 SPI 가뭄 시나리오에서 수온 변환변수의 조건부 확률분포를 도출할 수 있다. 식 (1)을 이용하여 수온을 변환하였을 경우, 가 주어지면(즉, 예를 들어, 인 조건) 의 특정 조건부 초과확률(즉, 특정 수온 이상이 될 확률, 고수온 환경가뭄)에 관심이 있을 수 있으며 아래와 같이 표현할 수 있다(Zhang and Singh, 2007).

식 (4)는 다양한 SPI 조건에서 수온 변환변수의 조건부 초과확률을 계산하기 위해 적용된다. 사실 사상은 가 특정 임곗값을 초과할 때 “위험”으로 정의될 수 있다(^{Salvadori and De Michele, 2004}). 본 연구에서는 인 경우 환경가뭄 상태(즉, 위험 상태)에 있는 것으로 간주하였다. 이는 일반적으로 SPI가 -1 이하일 때를 기상학적 가뭄 상태라고 정의하는 것에 착안한 것이다. SPI가 -1 이하일 누가확률은 0.1587이다. 따라서 고수온 환경가뭄 상태에 놓이게 될 누가확률로 0.15 정도를 적용하는 것이 타당하다고 판단하였다.

또한, 가 주어지면 의 특정 조건부 비초과확률(즉, 특정 수온 이하가 될 확률, 저수온 환경가뭄)에 관심이 있을 수도 있으며 이는 아래와 같이 표현할 수 있다.

식 (5)는 다양한 SPI 조건에서 수온 변환변수의 조건부 비초과확률을 계산하기 위해 적용된다. 이 경우 사상은 가 특정 임곗값을 초과하지 않을 때 “위험”으로 정의될 수 있다. 본 연구에서는 인 경우 환경가뭄 상태에 있는 것으로 간주하였다.

식 (3)을 이용하여 수온을 변환하였을 때도 위와 유사한 방식으로 고수온 환경가뭄과 저수온 환경가뭄을 정의할 수 있다. 본 연구에서는 대기로부터의 수분공급이 부족한 시나리오, 즉 SPI가 -1 이하인 시나리오를 기반으로 환경가뭄의 민감도를 조사하였다. 이는 가 조건부로 주어지게 된다. 물론, 다른 가뭄 시나리오(예를 들어, SPI가 -1.5 이하인 시나리오)가 적용되는 것도 가능할 것이며, 더불어서 다른 환경가뭄 임곗값(예: 또는 )을 사용하여 고수온 및 저수온 환경가뭄의 민감도를 조사하는 것도 가능할 것이다. 수온 변환변수와 SPI의 설정된 결합 확률분포를 기반으로, 다양한 임곗값 및 SPI 시나리오가 식 (4) 또는 (5)에 의해 비슷한 방법으로 결정될 수 있다.

3.1 가뭄지수의 시간 척도 결정

SPI는 1980년부터 2020년의 기간에서 시간 척도 1-, 2-, …, 12-개월에 대해 산정되었다. 1-, 2-,…,12-개월의 다양한 시간 척도별 SPI와 수온 사이의 상관관계를 분석하였다. Fig. 4는 수온과의 상관관계가 가장 높은 SPI의 시간 척도를 보여준다. 본 연구에서는 수온과의 상관성이 가장 좋다는 의미에서 이러한 시간 척도를 최적 시간 척도라고 명명하였다. 봄에는 5개월, 여름에는 1개월, 가을에는 5개월, 겨울에는 2개월의 최적 시간 척도를 갖는 단위유역이 가장 많았다. 이는 봄과 가을에는 비교적 긴 시간 척도의 SPI와 수온의 상관성이 더 높았으며, 여름과 겨울에는 짧은 시간 척도의 SPI와 수온의 상관성이 더 높았음을 의미한다. 그러나 여름을 제외한 나머지 계절의 경우 단위유역별로 최적 시간 척도가 다양하게 분포되어 있음을 발견할 수 있다.

Fig. 4. Selected time-scale for water temperature and SPI.

단위유역별로, 계절별로 수온과의 교차 상관계수의 절댓값이 가장 높은 SPI의 시간 척도를 결정하였으며, 그에 대응하는 교차 상관계수의 히스토그램을 Fig. 5에 계절별로 나타내었다. 봄, 여름, 가을에는 SPI와의 상관관계는 대체로 음의 값을 갖는 것으로 나타났으나, 겨울에는 양의 상관관계를 갖는 단위유역이 더 많았다. 즉, 가뭄이 발생할 때 봄, 여름, 가을에는 하천 수온이 증가하는 단위유역이 더 많으며, 겨울에 가뭄이 발생할 때는 반대로 하천 수온이 감소하는 단위유역이 더 많음을 의미한다. 하지만 수온과 SPI의 상관계수는 대부분 ±0.0~0.5의 값을 나타나 수온과 SPI의 상관관계가 매우 높지는 않았다.

Fig. 5. Cross-correlation between the water temperature and SPI.

단위유역별로 계절별로 시간척도별로 SPI와 수온 사이의 교차 상관계수는 비교적 큰 차이를 보였다. 이는 가뭄지수와 환경변수 사이의 상관관계가 지역별로 계절별로 다르다는 사실을 말해준다. 또한 가뭄지수에서도 어떤 시간 척도가 적용되었는지에 따라(즉, 예를 들어 시간 척도 3-개월의 SPI인지, 시간 척도 12-개월의 SPI인지에 따라) 수온과의 상관계수가 매우 다양하게 분포되어 있음을 알 수 있었다.

3.2 코퓰러 기반 접근방법의 예시 결과

이번 절에서는 단위유역 반변A의 자료를 중심으로 주어진 SPI 조건에서 수온 관련 환경가뭄의 가능성을 정량화하기 위한 코퓰러 기반의 결합확률분포의 적용에 대한 예시가 설명된다. 본 연구에서는 자료를 봄(3~5월), 여름(6~8월), 가을(9 ~11월), 겨울(12월~2월)로 각각 구분하여 계절별로 분석을 수행하였다. 계절별 수온 변환변수에 대한 적절한 한계분포가 먼저 결정되었다. SPI의 경우에는 표준정규분포가 한계분포로 선택되었다. 그런 다음, 한계분포에 결합하여 제안된 코퓰러 기반 방법을 사용하여 결합 확률분포를 구성했다. 결합 확률분포가 결정되면 주어진 SPI 하에서의 수온 변환변수의 조건부 분포가 획득될 수 있다. 이때, 계절별 SPI의 시간 척도는 앞서 선정된 최적 시간 척도가 적용되었다. 참고로 단위유역 반변A의 최적 시간 척도는 Table 1과 같다.

Table 2는 수온 변환변수를 위해 적용된 한계분포와 시기별 chi-square 검정의 p-값 통계를 나타낸다. 최적 한계분포의 p-값이 두꺼운 글씨체로 표기되어 있다. 가장 적합한 한계분포는 계절별로 다르다. 이는 수온 변환변수와 SPI의 상호작용이 계절마다 다르기 때문이며, 따라서 계절별로 최적의 한계분포를 각각 선택하는 것이 중요하다는 것을 의미한다. 참고로 Fig. 6(a)에 낙동강 40개 단위유역에서 수온 변환변수의 한계분포로 채택된 분포형의 히스토그램을 나타내었다. 대부분 Normal 분포가 가장 적절한 한계분포로 채택되었으며, 일부 단위유역의 계절 자료에서 GEV 분포, Weibull 분포가 채택되었다.

Fig. 6. Histogram of selected marginal distributions (GM, GV, LL, LN, NM, and WB indicates Gamma, GEV, Log-Logistic, Log-Normal, Normal, Weibull) of water temperature anomaly and copula functions (C, F, G, N, and S indicates Clayton, Frank, Gumbel, Gaussian(or Normal) for water temperature and SPI.

Fig. 7은 단위유역 반변A에서 계절별 서로 다른 코퓰러 함수의 AIC, 선정된 최적 코퓰러의 Q-Q plot, SPI로 정의된 기상학적 가뭄 시나리오(SPI < -1)에서의 수온 변환변수의 조건부 분포를 보여준다. 수온 변환변수와 SPI 사이의 최적 코퓰러 함수는 봄, 여름, 가을에는 Clayton, 겨울에는 Gumbel 코퓰러 함수가 가장 적절한 것으로 나타났다. 가장 적합한 코퓰러 함수는 계절별로 다르다. 이는 수온 변환변수와 SPI의 상호작용이 계절마다 다르기 때문이며, 따라서 계절별로 최적의 코퓰러 함수를 각각 선택하는 것이 중요하다는 것을 의미한다. 참고로 Fig. 6(b)에 낙동강 40개 단위유역에서 수온 변환변수와 SPI를 위해 채택된 코퓰러 함수의 히스토그램을 나타내었다. Gumbel과 Clayton 코퓰러 함수가 주로 채택되었으며, Frank와 Student-t 코퓰러 함수도 일부 채택되었음을 알 수 있다.

Fig. 7. AIC values of five copulas for water temperature anomaly and SPI (Left) (C, F, G, N, and S indicates Clayton, Frank, Gumbel, Gaussian(or Normal), and Student-t copula, respectively), Q-Q plot using best-fitted copula (Center), and conditional CDF of water temperature anomaly under a meteorological drought scenario: SPI < -1 (Right).

경험적 누가확률분포와 코퓰러 사이의 관계를 나타낸 Q-Q 플롯을 살펴보면, 여름과 겨울에는 비교적 채택된 코퓰러 함수가 관측된 상관관계를 잘 재현하고 있으나, 봄과 가을에는 상대적인 재현성이 그에 미치지 못하고 있다. 이는 코퓰러 함수에 적합시키기 위한 관측자료의 부족(본 연구의 경우 수온-SPI 51개 자료 쌍)에 주로 기인하며, 따라서 이로 인한 이후 결과에 불확실성이 있을 수 있음을 참작해야 할 것으로 판단된다.

단위유역 반변 A의 경우 봄, 여름, 가을에는 수온과 SPI가 음의 상관관계를 맺고 있어서 가뭄이 발생하면 수온이 일반적으로 증가하게 된다. 이때, 표출의 편의성을 위하여 Fig. 7의 조건부 확률은 식 (1)을 이용하여 수온 자료를 변환한 경우를 기준으로 도시하였다. 즉, Fig. 7에서 는 수온이 증가할수록 큰 값을 갖게 된다. 봄, 여름, 가을에 SPI < -1인 가뭄 시나리오에 대한 수온 변환변수의 조건부 비초과 확률분포(파란 곡선)를 살펴보면, 대기로부터의 수분공급 부족에 의해 고수온()의 비초과확률이 보통 때의 비초과 확률분포(빨간 직선)의 아래쪽에 있음을 알 수 있다. 이는 보통 때 0.15의 초과확률에 해당하는 수온의 가뭄 시 초과확률이 0.15보다 커짐을 말한다. 즉, 기상학적 가뭄에 의한 고수온 환경이 만들어지는 환경가뭄이 발생할 가능성이 커짐을 의미한다. 반대로 저수온의 가능성은 보통 때 보다 낮아지므로 저수온에 의한 환경가뭄의 발생 가능성은 작아지게 된다.

겨울에는 수온과 SPI가 양의 상관관계를 맺고 있음에 따라 가뭄이 발생하면 수온이 일반적으로 감소하게 된다. 즉, 가뭄이 발생하면 저수온(의 비초과확률이 보통 때 보다 높아진다. 이는 기상학적 가뭄에 의해 저수온 환경이 만들어지는 환경가뭄 발생 가능성의 증가를 의미한다. 반대로 고수온에 의한 환경가뭄 가능성은 작아지게 된다.

단위유역 반변 A에서 수온에 의한 환경가뭄의 가능성을 정리하면, 봄, 여름, 가을에 가뭄이 발생할 때는 고수온에 의한 수생태계 스트레스가 부과될 가능성이 크며, 겨울에 가뭄이 발생할 때는 저수온에 의해 수생태계가 스트레스를 받을 가능성이 커진다고 말할 수 있다.

3.3 낙동강 유역 주요 하천 구간의 수온에 의한 환경가뭄 가능성

낙동강 유역 수질오염총량관리 단위유역 하천 구간에 대해, 최적 시간 척도의 SPI가 -1보다 작은 강수 시나리오에서 조건화된 수온과 관련된 환경학적 가뭄(고수온 및 저수온 환경)의 공간적인 패턴을 조사하였다. 이를 통해 수온이 대기로부터의 수분공급 부족에 민감한 지역을 결정할 수 있다. 여기서 강조하여야 할 것은 일단 코퓰러 기반의 결합확률분포가 구축되면 사용자에 의해 정의된 수온에 대한 환경가뭄 임계치(본 연구의 경우에는 저수온 비초과확률 0.15 또는 고수온 초과확률 0.15)를 사용하여 사용자가 설정한 가뭄 상황에 대한 위험 지도를 작성할 수 있다는 것이다.

가뭄에 무관하게(즉, 전체 자료에서) 수온 변환변수의 비초과(또는 초과)확률 0.15를 수온에 대한 임곗값으로 설정한 후, 가뭄이 발생한 조건에서 수온 변환변수가 임곗값보다 작을(또는 클) 확률(즉, 조건부 확률)을 계산할 수 있다. 이러한 조건부 확률이 0.15보다 크다면 가뭄 발생 시에 수온 증가(또는 감소)에 의한 환경가뭄이 발생할 가능성이 더 커짐을 의미한다. Fig. 8(a)은 낙동강 유역 40개 단위유역을 대상으로 계절별 가뭄이 발생했을 때 고수온에 의한 환경가뭄이 발생할 조건부 초과확률의 Box-plot를 나타낸다. 여름에는 40개 단위유역 모두에서 가뭄 발생 시 고수온에 의한 환경가뭄의 가능성이 평소보다 더 높아졌으며, 봄과 가을에도 대부분 단위유역에서 가뭄 발생 시 고수온에 의한 환경가뭄의 가능성이 평소(기준 0.15)보다 더 높아졌다. 그러나 겨울에 가뭄이 발생할 때는 대부분 단위유역에서 고수온 환경가뭄의 가능성이 평소보다 줄어들었음을 발견할 수 있다.

Fig. 8. Box-plot for water temperature drought at the Nakdong river basin.

Fig. 8(b)는 저수온에 의한 환경가뭄 가능성에 관한 결과이다. 여름에 가뭄이 발생할 때는 저수온에 의한 환경가뭄 가능성이 커지는 단위유역이 없었으며, 봄과 가을에도 대부분 단위유역에서 저수온에 의한 환경가뭄 가능성은 커지지 않았다. 그러나 겨울에 가뭄이 발생할 때는 대부분 단위유역에서 저수온에 의한 환경가뭄 가능성이 평소보다 커졌음을 발견할 수 있다.

환경가뭄의 가능성을 더 명확한 수치로 살펴보기 위하여, 환경가뭄의 위험도를 “[조건부 확률/무조건 확률(즉, 0.15)]”로 정의하였으며, 이를 Fig. 9에 나타내었다. 즉, 위험도가 1 이상이 되면 환경가뭄의 가능성이 0.15 이상이므로 고수온(또는 저수온)에 의한 환경가뭄의 가능성이 평소보다 커짐을 의미하며, 위험도가 1 이하가 되면 환경가뭄의 가능성이 평소보다 작아짐을 의미한다. 이처럼 정의된 환경가뭄 위험도를 바탕으로 고수온 환경가뭄 위험도 지도와 저수온 환경가뭄 위험도 지도를 Fig. 10과 11에 계절별로 도시하였다.

Fig. 9. Box-plot for water temperature drought risk at the Nakdong river basin.

Fig. 10. High water temperature drought risk map at the Nakdong river basin.

Fig. 11. Low water temperature drought risk map at the Nakdong river basin.

Fig. 10과 11에 환경가뭄 위험도를 색으로 구별하여 도시하였다. Fig. 10으로부터 봄과 가을에 대부분 단위유역에서 고수온 환경가뭄 위험도가 1 이상인 것을 확인할 수 있다. 특히, 봄에 내성A, 영강A, 황강B의 위험도가 2.5 이상임을 발견할 수 있다. 여름에는 모든 단위유역에서 고수온 환경가뭄 위험도가 1 이상이다. 40개 단위유역 중 27개 유역에서 고수온 환경가뭄 위험도가 2 이상으로 나타났으며, 특히 9개 단위유역은 가뭄 발생 시 3 이상의 고수온 환경가뭄 위험도에 있음을 살펴볼 수 있다. 또한, 낙본C, 남강E, 낙본K의 경우 고수온 환경가뭄 위험도가 3.5 이상의 값이 나타났다.

하지만 겨울에는 대부분 단위유역에서 고수온 환경가뭄 위험도가 1 미만인 것을 확인할 수 있다(Fig. 11). 봄과 가을에는 대부분 단위유역의 저수온 환경가뭄 위험도가 1 미만이었다. 여름에는 모든 단위유역에서 저수온 환경가뭄 위험도가 1 미만이었으며, 특히 31개의 유역에서 0.5 이하의 저수온 환경가뭄 위험도가 나타났다. 반대로, 겨울에는 대부분 유역의 저수온 환경가뭄 위험도가 1 이상인 것을 발견할 수 있으며, 특히 길안A, 용전A, 낙본F, 황강B, 낙본I, 낙본J, 낙본K, 낙본L, 낙본M의 경우 저수온 환경가뭄 위험도가 2 이상으로 나타났다. 낙동강 본류의 하류일수록 저수온 환경가뭄의 위험도가 높아짐을 살펴볼 수 있다.