1. 연구배경

가뭄은 다른 자연 재난에 비해 그 정의와 특성이 매우 복잡한 재난 중 하나이다. 기존 가뭄 모니터링 연구 및 지수들은 주로 가뭄의 한 특성을 대변하는 데 초점을 두고 있다. 기존 위성 기반 가뭄 모니터링 방식은 관측소 기반의 가뭄지수 하나를 종속 변수로 설정하여 각 위성 기반 입력 변수의 최적 가중치를 경험적으로 찾아 선형 조합 형태로 계산하거나 다중 회귀분석을 하는 등의 통계 모델을 구축해왔다. 또는 여러 인공지능 기법을 이용해 새 가뭄지수를 제안해오고 있다.

이러한 기존 방식은 앞서 언급했듯 가뭄의 복잡한 특성을 대변하는 데 시공간적 한계점이 크게 존재하고, 방식에 따라 구축된 모델을 해석하는 데 어려움이 존재한다. 그렇기에 실제 가뭄 현상을 대변하고 이해하기 위해서는 여러 유형의 가뭄을 하나의 통합적인 지표로 나타낼 수 있으면서도 비교적 간단한 접근 방식을 갖는 새로운 접근이 필요하다.

2. 연구내용  

본 연구에서는 입력 변수(위성 기반 가뭄 인자 자료)와 종속 변수(관측소 기반 가뭄지수) 사이의 상관성 자체를 선형 조합식의 가중치로 활용하여 새로운 지수를 계산하는 새 가뭄 모니터링 방안 VPA를 제안하였다. 상관성 자체를 가중치로 사용한다는 점에서 입력 변수로부터 설명될 수 있는 다중 종속 변수의 특징을 통합적으로 나타낼 수 있다는 것이 본 기술 VPA의 특징이다.

본 연구에서는 통합적 가뭄 모니터링을 위해 세 개의 관측소 기반 가뭄지수(SPI1, SPEI6, scPDSI)3)를 종속 변수로 설정하여 통합적 가뭄지수를 제시하였다. 미국의 USDM과 가뭄의 월별 공간 분포를 비교 및 분석하였을 때, 각 종속 변수를 개별로 사용하여 가뭄 모니터링을 했을 때 보다 다중 종속 변수를 고려한 통합적 가뭄지수를 사용하여 모니터링을 했을 때 가뭄의 공간 분포를 더 잘 모의하는 결과를 보였다.

또 다른 특징으로 VPA는 사용자의 관심 정보에 따라 입력 변수와 종속 변수를 설정할 수 있다는 점이다. 이에 대한 성능을 확인하기 위해 본 연구에서는 단기 가뭄(1~3개월 시간 규모, 기상학적·농업적 가뭄), 통합적 가뭄(1~12개월 시간 규모, 기상학적·농업적·수문학적 가뭄), 장기 가뭄(6~12개월 시간 규모, 농업적·수문학적 가뭄)을 각 목표로 설정하여 미국의 USDM1) 및 동아시아의 EM-DAT2) 가뭄 기록과 비교검증 하였다. 각 목표에 따라 설정된 입력 및 종속 변수 정보에 따라 계산된 가뭄지수는 목표 가뭄 유형에 대해 시공간적 분포를 비교적 잘 나타내었다.

3. 기대효과

사용자가 보고 싶은 가뭄 유형에 따라 자료의 조합을 바꿔가며 본 기술을 적용할 수 있다. 상관계수 자체를 입력 변수의 가중치로 활용하여, 비교적 간단한 방식으로 다중 종속 변수의 특징을 하나의 지표로 나타낼 수 있다. 가뭄의 단편적인 특징이 아닌 복합적인 특징을 모니터링에 반영함으로써 실제 가뭄 스트레스를 이해하고 진단할 수 있는 모니터링 성능 향상에 기여할 수 있다. 해당 기술은 가뭄 분야뿐만 아니라 여러 관심 정보의 특성을 하나의 지표로 나타내고 싶은 다른 분야에도 적용 가능할 것으로 기대된다.

[붙임] 용어설명

1. USDM (United States Drought Monitor)

USDM은 미국의 NDMC (Natioanl Drought Mitigation Center), USDA (the U.S. Department of Agriculture) 및 NOAA(the National Oceanic and Atmospheric Administration)가 협력하여 제공하는 미국의 주(week) 단위의 가뭄 모니터링 정보이다. D0(abnormally dry)에서부터 D4(Exceptional Drought)까지 5등급의 건조 및 가뭄 정보를 벡터 자료로 제공한다.

2. EM-DAT

EM-DAT는 자연 및 기술 재난에 관한 글로벌 데이터베이스로 CRED (the Centre for Research on the Epidemiology of Disasters)에 의해 유지된다. EM-DAT는 각 재난의 지리학적, 시간적, 인명 및 경제 피해 정도 정보를 각 국가 수준으로 제공한다. 

3. 관측소 기반 가뭄지수(SPI1, SPEI6, scPDSI)

관측소 기반 가뭄지수의 종류로 SPI1, SPEI6, scPDSI를 사용하였다. SPI1은 1개월 규모의 SPI 자료로 주로 기상학적 가뭄을 설명하는 데 사용되고 SPEI6의 경우 보통 6개월 규모의 기상학적 및 농업적 가뭄 지표로 사용된다. scPDSI의 경우 기존 가뭄지수인 PDSI를 보완한 지수로, 경우에 따라 기상학적 혹은 농업적 가뭄의 지표로 사용된다.

[붙임] 그림설명

그림 1. 미국 가뭄 시기(2011-2012) 내 기존 관측소 기반 가뭄지수 및 VPA를 통해 계산된 가뭄지수의 공간 분포 비교:

각 관측소 기관 가뭄지수(종속 변수)를 개별로 사용해 가뭄 모니터링을 했을 때(각 SPI1, SPEI6, scPDSI의 경우)보다 다중 종속 변수를 고려한 통합적 가뭄지수(VPIDinte)를 사용하여 모니터링을 했을 때 USDM과의 가뭄 공간 분포를 더 잘 모의했다. 지도에서 색이 붉을수록 심한 가뭄을 나타내며, VPID (VPA를 통해 계산된 가뭄지수; Vector Projection Index of Drought) 내에서 푸른색은 습윤한 상태를 나타냄. 사용자의 관심 유형에 따른 VPA의 성능을 확인하기 위해 VPIDinte (통합적 가뭄 지수), VPIDshort(단기 가뭄), VPIDlong(장기 가뭄)을 계산하였음. SPI1, SPEI6, scPDSI의 경우 VPIDinte의 종속변수로 사용된 지수임.

그림 2. 입력 변수(인공위성 관측 값)가 3개일 때의 VPA 개념도: X1, X2, 및 X3는 각 입력 변수의 축을 나타냄. 상관성 벡터(correlation vector)는 입력 변수 Xi와 종속 변수 Yj 사이의 상관성 cXi,Yj를 요소로 갖는 벡터임. (a) 타겟 지수가 하나일 때 및 (b) 타겟 지수가 두 개 일 때, VPID 방향 벡터 (VPID direction)의 결정. (c) VPID의 계산.