1. 서 론

국가가뭄정보분석센터(National Drought Information-Analysis Center, NDIAC)에 따르면 국내의 경우 최근 2014년 서울, 경기, 충청 지방에 평년 대비 강수량이 50~61% 수준으로 줄어들었으며, 2015년에는 2014년보다 더욱 극심한 가뭄이 전국적으로 발생하여 보령댐, 횡성댐, 용담댐 등 역대 최저 저수율을 기록하는 등 연중 극심한 가뭄이 지속적으로 발생하였다. 국외의 경우 2012년 미국, 브라질, 크로아티아, 중국 등 전 세계적으로 가뭄 피해가 발생하였고, 특히 미국의 경우 2014년 약 7조 3,300억원의 피해액이 발생한 극심한 가뭄이 발생하였다. IPCC Climate Change 2014 Synthesis Report (2015)에서는 1981년부터 1999년 대비 강수량 변화 대비 잠재 증발산량 변화율(Aridity Change Index, ACI)이 전 세계적으로 증가하고 토양 수분의 감소로 가뭄 빈도수가 더욱 증가하여 지표수와 지하수자원의 고갈 위험성에 대해 발표하였다.

국내뿐만 아니라 전 세계적으로 가뭄 발생이 증가함에 따라 국가 차원에서는 정책 및 대책을 수립하고 있다. 미국, 영국, 호주, 일본 등의 나라에서는 여러 기관과의 협동하에 관련 법 제정 및 기관을 설립하여 가뭄에 대응하고 있다. 국내 또한 관련 부처에서 협력하여 가뭄 대응 및 대책을 수립하고 있다. 특히, 가뭄 관련 정책 중 수자원법 제7조 및 수자원법시행령 제5조(제정 2017.1.17.)의 가뭄취약지도 작성에 따라 가뭄 대응 및 효과적인 대책 수립을 위한 기초정보가 부재한 상황을 개선하고 있다(NDIAC, 2019).

국내외로 가뭄 관련 대응을 위한 정책 수립이 활발해짐에 따라 정책 수립의 근거를 위한 연구가 활발히 진행되고 있다. SPI와 SGI의 상관관계를 분석하여 지하수 가뭄 지표로써 SPI의 적용성이 제한될 수 있음을 강조한 연구가 진행되었다(Kumar et al., 2016). Yeh et al. (2016)은 표준지하수위지수와 표준강수지수의 상관관계를 분석 후 대만 Kaoping강의 가뭄 특성을 분석하였으며 가뭄 상황이 악화될 것이라는 것을 보여주었다. Kim et al. (2011)은 표준강수지수를 산정하여 가뭄의 변동성 평가와 시공간적 변동성을 분석한 연구가 진행되었다. 기상학적 가뭄과 수문학적 가뭄을 정량적으로 나타내는 가뭄지수를 개선하여 확률론적으로 가뭄 전망 연구를 수행하였다(Jang et al., 2017). 표준강수지수는 강수 인자만을 이용하기 때문에 증발산량 등 다른 인자를 고려하지 못하는 한계성으로 다른 가뭄 지수 관련 연구 또한 이루어 지고 있다. Kim et al. (2018)은 강수와 증발산량을 고려한 표준강수증발산량지수를 이용하여 가뭄을 분석하는 연구를 진행하였다. Song (2018)은 농촌 지역의 표준지하수위지수와 표준강수지수의 상관관계를 분석하여 가뭄이 지하수계에 미치는 취약성 관리 지표를 제시하였다.

또한, 최근 인공신경망을 수자원 분야에 다양한 방법으로 적용 및 응용한 연구가 국내외로 활발히 이루어지고 있다. 인공신경망의 적용은 주로 기존 자료 또는 분석한 자료들의 상관 관계 등을 학습 및 예측을 하는 연구가 주로 이루어지고 있다. Chang et al. (2014)은 홍수 피해 완화를 위해 홍수 수준을 예측하는 정확한 모델을 제시하기 위해 인공신경망 모형을 비교 분석하였다. 도심 홍수 방지를 위해 인공신경망 LSTM, GRU, MLP, WNN을 비교 분석함으로써 예측 성능을 평가하였다(Zhang et al., 2018). Deep Learning 모형 중 Deep Belif Network 모형을 이용하여 강수를 예측한 연구가 진행되었다(Ha et al., 2016). 시계열 데이터 분석에 적합한 순환신경망 모형들을 이용하여 하천 수위를 학습 후 침수 가능성을 예측 및 비교한 연구가 진행되었다(Tran and Song, 2016). 특히, 인공신경망을 이용하여 가뭄 관련 연구도 진행되고 있다. 표준지하수위지수를 이용하여 범위에 따른 가뭄 등급을 설정하여 시군별 지하수 가뭄 정도 판단 기법을 제시하는 연구가 진행되었다(Lee et al., 2018). 또한, 표준지하수위지수와 표준강수지수의 상관관계를 분석 후 인공신경망 모형을 이용하여 표준지하수위지수을 예측하는 연구가 진행되었다(Lee et al., 2018). 구글의 오픈 라이브러리인 텐서플로우를 이용하여 다중선형회귀모형과 LSTM 인공신경망 모형을 구성 후 하천수위를 예측 및 비교한 연구가 진행되었다(Jung et al., 2018).

매년 가뭄에 대한 피해가 계속되고, 미래 또한 가뭄이 극심해짐에 따라 미래 지하수위 예측이 가능하다면 더욱 효과적인 가뭄 관련 연구 진행과 대책 수립이 가능할 것으로 판단하였다. 이에 특정 지역의 수자원에 대한 예측과 예측 결과를 이용한 가뭄 발생 가능성을 분석하고자 본 연구에서는 인공신경망 심층학습을 이용하여 미래 지하수위를 예측 후 표준지하수위지수를 산정함으로써 미래 지하수위의 예측과 미래 가뭄 발생 가능성을 확인하였다.

2. 연구 방법

2.1 연구 순서

심층학습(Deep Learning, DL)을 이용한 미래 지하수위(GroundWater Level, GWL) 예측과 표준지하수위지수(Standardized Groundwater Level Index, SGI)를 산정하여 가뭄 발생 가능성을 분석하기 위한 연구 순서는 Fig. 1과 같이 총 4단계로 구성되어 있다. 첫 번째 단계는 연구 지역 선정 및 자료 수집 단계이다. 두 번째 단계는 예측 단계로 Long Short Term Memory (LSTM) 모형을 구성하고 수집된 자료를 이용하여 미래 3년(2018년~2020년)에 대해 예측을 진행하였다. 미래 예측 전 모형 검증을 위해 수집 자료 중 최근 3년(2015년~2017년)의 기간은 학습 기간에서 제외하고 학습시킨 후 최근 3년을 예측하여 관측 자료와 비교 및 검증을 하였다. 비교적 검증이 잘된 모형에 대해 미래 3년의 GWL을 예측하였다. 세 번째 단계는 SGI 산정 단계로 예측 자료와 관측 자료를 이용하여 SGI를 산정하였다. 산정된 SGI는 연구지역에 보간을 하였고, 보간된 SGI는 물환경정보시스템(Water Environment Information System)에서 구축한 소유역(Catchment)별로 평균을 구하였다. 마지막 단계는 가뭄 발생 가능성을 판단하는 단계로 산정된 SGI를 시공간적으로 분석하여 가뭄 발생 가능성을 판단하였다.

Fig. 1.

Procedure of this study

2.2 연구 지역

LSTM과 SGI의 적용성을 확인하기 위해 연구 지역은 시범적으로 낙동강 권역 중 금호강 유역을 선정하였다. 유역 내 GWL의 예측과 SGI의 산정을 위하여 국가지하수관측망 관측소 7개소를 선정 후 관측 자료를 수집하였다. 연구지역 내 각 관측소는 관측 기간이 상이하지만, 학습을 위해 최대 1996년 04월부터 2017년 12월까지 월평균 자료를 수집하였다. Fig. 2는 연구 지역과 연구 지역의 GWL 관측소의 위치를 나타내고, Table 1은 선정된 관측소 목록이다. 연구지역은 총 148개의 소유역으로 나뉘며 Fig. 3은 연구지역 내 소유역을 나타내고 있다.

Fig. 2.

Study area

Fig. 3.

Catchments in study area

Table 1. Groundwater level observation station

2.3 Long Short Term Memory (LSTM)

인공신경망 중 순환신경망(Recurrent Neural Network, RNN)은 출력값을 해당 뉴런에 다시 입력하는 모형으로 정보의 지속성이 반영되어 시계열 자료 또는 문장 등 연속된 데이터 학습에 적합한 모형이다. RNN의 한 종류인 LSTM은 RNN의 장기 의존성 문제(The Problem of Long Term Dependencies) (Hochreiter, 1991; Bengio et al., 1994)를 개선하여 기억 기능을 보완한 모형(Hochreiter and Schmidhuber, 1997)이며 Fig. 4는 모형의 구성도이다.

LSTM을 이용한 진행 순서는 모형의 구성, 학습, 검증, 예측 4단계로 이루어진다. 먼저, 구글의 오픈 라이브러리인 Tensorflow를 이용하여 LSTM 모형을 구성하였다. 구성된 모형으로 각 관측소의 수집된 자료를 학습시키는 데, 이때 예측에 대한 검증을 위해 수집 자료 중 최근 3년의 자료는 제외한 후 학습을 진행하였다. 평균 제곱근 오차(Root Mean Square Error, RMSE)를 이용하여 학습 및 예측에 대해 검증을 하였다. 학습 검증이 비교적 우수한 모형으로 학습을 제외한 기간에 대해 예측을 하였고, 기존 관측 자료와 비교하여 검증을 하였다. 학습 및 예측에 대한 검증 결과가 우수한 모형을 선정하여 최종적으로 미래 3년에 대해 예측을 진행하였다.

Fig. 4.

Schematic diagram of LSTM

2.4 역거리 가중치법(Inverse Distance Weighting, IDW)

Shepard (1968)가 제안한 역거리 가중치법(Inverse Distance Weighting, IDW) 기법은 인근 관측지점의 자료를 거리에 반비례로 가중하여 보간하는 방법으로 가장 많이 사용되는 공간보간기법 중 하나이다. IDW 기법의 기본 가정은 미관측 위치의 값은 관측값과 가까울수록 영향이 증가하고 멀어질수록 영향이 감소한다는 것이다. 즉, 가까이 있는 관측값에 더 큰 가중치를 부여하여 보간하는 방법으로 거리가 가까울수록 높은 가중치가 적용된다. 본 연구에서는 지하수위 관측소의 제한으로 인해 IDW를 이용한 공간 보간을 통해 금호강 전체를 대상으로 분석을 하였다.

2.5 표준지하수위지수(Standardized Groundwater level Index, SGI)

Bloomfield and Marchant (2013)는 표준강수지수(Standardized Precipitation Index, SPI)를 기반으로 표준지하수위지수(Standardized Groundwater level Index, SGI)를 제시하였다. 시간 척도에 따라 강수의 합을 누적시키는 SPI와는 다르게 SGI는 GWL 자료의 누적확률분포와 Quantile 표준화를 통해 산정된다. Quantile 표준화는 분위수를 동일하게 조정하는 표준화로 분포가 다른 데이터를 분포가 동일하게 만들어 관측소별로 관측값의 범위가 모두 다른 문제점을 표준화를 통해 비교가 가능하며 GWL의 변동을 판단할 수 있다. SGI는 관측 자료와 예측 자료를 이용하여 관측소별로 산정되었다. 산정된 SGI는 IDW를 이용하여 시간적 SGI를 산정하였고, 소유역별 평균값을 이용해 공간적으로 SGI를 구하였다.

3. 연구 결과

본 연구에서는 미래 GWL을 예측 후 SGI를 이용한 가뭄 발생 가능성 분석을 위하여 LSTM 모형을 이용하여 GWL 자료에 대해 학습, 검증, 예측의 단계를 거쳐 미래 GWL을 예측하였다. 예측 자료와 관측 자료에 SGI를 적용하여 연구지역 내 보간을 하였으며, 산정된 SGI는 소유역별로 평균을 구하여 소유역별 SGI를 산정하여 시공간적으로 가뭄 발생 가능성에 대해 분석하였다.

3.1 LSTM 모형의 검증 및 지하수위 예측

낙동강 유역의 금호강 유역의 미래 GWL 예측을 위해 국가지하수관측망 관측소 7개소의 GWL 관측 자료를 수집하였으며, LSTM 모형을 구성 후 미래 GWL의 예측을 진행하였다. 미래 GWL을 예측하기 두가지 검증을 거쳐 모형을 선정하였다. 검증은 학습 결과에 대한 검증인 Trainning RMSE와 예측 자료와 기존 관측 자료와의 정확도를 판단하기 위해 비교한 Validation RMSE를 통해 진행하였다. 먼저, 2017년까지 수집 자료 중 각 관측소의 관측 시작일부터 2014년까지의 자료를 이용해 학습을 진행하였고 학습 결과에 대해 검증을 진행하였다(Trainning RMSE). 학습 결과에 대한 모형의 검증 후 2015년~2017년에 대해 예측을 하였으며, 예측 자료와 최근 3년 자료를 이용하여 검증하였다(Validation RMSE). 각 RMSE가 0.1 (10 cm) 이하가 나오면 학습 및 검증 결과가 우수한 모형으로 판단하였다. 일반적으로 수문요소 관측자료 중 강수 또는 하천수위에 비하여 지하수위 연간 변동이 크지 않으며, RMSE 0.1의 변동량이 10 cm이기 때문에 지하수위 측면에서 유의하다고 판단하였다. 학습 및 검증의 경우 대체적으로 우수한 결과가 나온 것으로 보이며 학습 및 검증 결과 선정된 각 관측소별 모형의 Trainning RMSE의 경우 대구 비산 관측소가 0.026으로 가장 낮았으며 경산 남산 관측소가 0.072로 가장 크게 나타났다. Validation RMSE의 경우 영천 화북 관측소가 0.018로 낮게 나타났으며, 경산 남산 관측소가 0.067로 가장 크게 나타났다. 미래 예측의 경우 실제 GWL과의 정확도를 판단할 수 없으나 검증이 우수한 모형을 선정 후 예측을 진행하였기 때문에 예측 결과를 신뢰하기에 충분하다고 판단하였다. Table 2는 관측소별 선정된 모형의 Trainning RMSE, Validation RMSE를 나타내고, Fig. 5는 관측소별 관측 자료와 예측 자료를 나타내고 있다.

Table 2. Trainning RMSE and validation RMSE (EL.m)

Fig. 5.

Observation and prediction data of GWL

3.2 SGI 산정

GWL의 표준화를 통해 GWL의 변동성을 파악할 수 있는 가뭄 지수인 SGI는 Quantile 표준화를 통해 산정되었다. 관측 자료와 예측 자료를 이용하여 SGI를 산정하였으며 Fig. 6는 관측소별 GWL과 SGI를 도시한 그래프이다. 그래프의 수평선은 SGI 값에서 0을 의미한다. 각 관측소별 산정된 SGI는 GWL의 상승, 하강의 거동을 반영하는 것을 확인하였으며, SGI 값이 양수일 경우는 가뭄 발생 가능성이 매우 낮음을 나타내며 음수의 경우 낮을수록 GWL의 하강을 나타내어 가뭄 발생 가능성이 높음을 나타낼 것으로 분석하였다. 산정된 SGI는 연구지역 내에서 보간을 하였고, 보간된 SGI는 다시 소유역별로 평균값을 구하여 공간에 대한 SGI를 산정하였다. 예측 기간에 대한 SGI는 대구 대봉, 대구 비산, 영천 금노, 영천 화북 관측소가 예년 대비 GWL이 낮은 것으로 확인하였다. 마지막 예측 기간인 2020년에는 8월이 –1.355로 가장 낮은 SGI가 산정되었으며, Fig. 7(a)는 2020년 8월의 보간된 SGI를 나타내고, Fig. 7(b)는 2020년 8월의 소유역별 SGI 평균값을 나타낸다. 색이 진할수록 가뭄 발생 가능성이 높을 것이라고 분석하였다.

Fig. 6.

GWL and SGI

Fig. 7.

Calculated SGI

3.3 가뭄 발생 가능성 분석 결과

관측소별 산정된 SGI는 연구지역 내에서 보간하였고, 보간된 SGI는 다시 소유역을 기준으로 평균값을 구하여 소유역별 SGI를 산정하였다. 전체 소유역에 대하여 SGI의 월평균값을 구하였고, Fig. 8은 2017년부터 2020년까지의 월평균 SGI를 나타내고 있다. 장단기 가뭄 또는 가뭄 심도 파악이 가능한 SPI와는 다르게 가뭄의 길이와 심도는 판단할 수 없지만, 예년 대비 GWL의 정량적인 변동량을 나타내는 SGI로 (–)값이 작을수록 가뭄 발생 가능성이 클 것이라고 분석하였다.

Fig. 8.

Monthly average of SGI

관측 자료의 마지막 기간과 예측 기간인 2017년부터 2020년까지의 기간에 대해 각 연도의 가뭄 발생 가능성이 높은 달을 1, 2, 3순위로 구하였다. 관측 자료에 해당하는 2017년에는 5월, 12월, 7월의 순으로 각각 –0.998, –0.831, –0.799로 나타났다. 예측 자료에 해당하는 2018년에는 5월, 7월, 9월의 순으로 각각 –1.236, –1.201, –0.959로 나타났고, 2019년에는 9월, 11월, 8월의 순으로 각각 –1.137, –0.883, –0.873으로 나타났고, 2020년에는 8월, 3월, 7월의 순으로 각각 –1.355, –0.897, –0.806으로 나타났다. Table 3는 위의 기간에 대해 가뭄 발생 가능성이 높은 달의 1, 2, 3 순위와 각각의 SGI를 나타낸 표이다. 가뭄 발생 가능성이 높은 달에 대해서는 각각 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 구하였다. Table 4는 가뭄 발생 가능성이 높은 달에 대한 각각의 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 나타내고 있다.

Table 3. Top 3 months with a high possibility of drought

Table 4. Top 3 catchments with a high possibility of drought in the top 3 months

또한, 소유역별 SGI는 2017년부터 2020년까지 각각에 대해서 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위를 구하였다. 관측 자료에 해당하는 2017년에는 19번, 13번, 12번의 순으로 각각 –2.084, –1.923, –1.901로 나타났다. 예측 자료에 해당하는 2018년에는 66번, 64번, 73번의 순으로 각각 –1.632, –1.598, –1.578로 나타났고, 2019년에는 122번, 115번, 132번의 순으로 각각 –1.867, –1.783, –1.704로 나타났고, 2020년에는 122번, 115번, 132번의 순으로 각각 –1.375, –1.325, –1.274로 나타났다. Table 5는 연도별 가뭄 발생 가능성이 높은 소유역을 나타내고 있다. 매년 시기 및 소유역별로 가뭄 발생 가능성이 차이가 나는 이유는 LSTM을 이용한 학습 과정에 따라 예측 결과가 다르게 나올 수 있기 때문이며, 이런 미래 예측의 불확실성으로 인해 매년 시공간적으로 차이가 나타난 것으로 분석하였다.

Table 5. Top 3 catchments with a high possibility of drought

4. 결 론

국내뿐만 아니라 전 세계적으로 가뭄으로 인한 피해가 계속되고 있으며, 미래는 수자원 고갈에 따른 극심한 가뭄이 예상됨에 따라 가뭄 발생 가능성에 관한 연구가 필요하다. 또한, 기존 관측 자료만을 이용한 가뭄 분석 연구에서 더 나아가 미래 예측을 통한 가뭄 연구는 더욱 효과적인 가뭄 대응이 가능할 것으로 기대된다.

본 연구는 LSTM 모형을 이용하여 GWL의 예측과 SGI를 이용하여 미래 가뭄 발생 가능성 분석을 목적으로 하고 있다. 낙동강 권역 중 금호강 유역의 GWL을 LSTM 모형을 이용하여 미래 GWL을 예측 후 SGI를 산정하여 가뭄 발생 가능성에 대해 분석을 하였다. 미래 GWL을 예측 전 LSTM 모형에 대한 검증을 수행하였으며, 검증 결과가 비교적 우수한 모형으로 각 관측소의 미래 GWL를 예측하였다. 미래 GWL 예측 결과에 대해서는 정확도를 판단하기에는 어려움이 있지만, 각 RMSE가 0.1(10 cm)미만인 모형을 선정하여 예측을 진행하였기 때문에 충분히 신뢰할 수 있다고 판단을 하였다. 관측 자료와 예측 자료로 관측소별 SGI를 산정하였으며, 연구지역 내 보간을 하였으며, 보간된 SGI는 148개의 소유역에 대하여 평균값을 구하여 소유역별 SGI를 산정하였다. 최종 산정된 SGI는 월평균, 소유역별 연평균을 각각 1, 2, 3순위로 구하였으며, 연도별 월평균의 1, 2, 3순위의 경우 다시 가뭄 발생 가능성이 높은 소유역을 1, 2, 3순위로 구하였다.

SGI 산정 결과는 7개 관측소 중 4개의 관측소가 예년 대비 감소하는 것으로 나타났으며, 가뭄 발생 가능성의 분석 결과로는 월평균의 경우 2017년에는 5월, 12월, 7월, 2018년에는 5월, 7월, 9월, 2019년에는 9월, 11월, 8월, 2020년에는, 8월, 3월, 7월의 순으로 나타났고, 소유역별 연평균의 경우 2017년에는 경산 남산 관측소 인근의 지역이, 2018년에는 영천 금노 관측소 인근의 지역이, 2019년과 2020년에는 영천 화북 관측소 인근의 지역이 가뭄 발생 가능성이 높을 것이라고 나타났다. 가뭄 발생 시기 및 소유역별로 매년 차이가 발생하는 것으로 확인하였다. 이 결과는 LSTM 모형을 이용한 학습에 따른 미래 예측이므로 학습 과정에 따라 예측의 결과가 다르게 나올 수 있기 때문이며 이런 미래 예측의 불확실성으로 인해 조금씩 차이가 발생하는 것으로 판단하였다.

본 연구를 통해 Deep Learning LSTM 모형을 학습 및 검증을 거쳐 미래 GWL을 예측 후 SGI를 산정함으로써 미래 가뭄 발생 가능성에 대해 분석하였다. GWL 예측과 예측 결과에 따른 SGI 산정을 위해 소유역에 대해 연구를 진행하였지만, GWL뿐만 아니라 다른 수자원도 자료가 충분할 경우 예측이 가능하고, 연구 지역의 확대를 통해 시공간적인 가뭄 분석이 가능할 것으로 판단하였다. 이후 연구에서는 강수량 등 수문 자료의 예측과 SPI 등의 가뭄 관련 지수를 추가하여 가뭄 발생 가능성에 대해 분석하고자 한다. 또한, 대권역 등 연구 적용 지역의 확대와 인공신경망 모형을 개발 및 발전시켜 검증 방법의 다양화와 신뢰성 등을 향상한다면 전국적으로 적용할 수 있어 향후 가뭄 발생 가능성을 포함하는 가뭄 취약 지도 작성 등 가뭄 분석 및 대응에 근거가 될 수 있고, 더 나아가 다른 수자원 관리 방안에도 적용이 가능할 것으로 기대된다.