1. 서 론

최근 기후변화에 따른 기온 상승과 강수 변동성 확대는 가뭄의 발생 및 지속 특성에 영향을 미치고 있으며, 농업가뭄의 정량적 평가에 대한 중요성이 증가하고 있다(IPCC, 2023). 국내에서도 2015~2016년 충남 서부지역과 2022~2023년 남서부 지역에서 농업용수 부족을 동반한 가뭄이 발생하였으며, 지역별 강수 및 수분수지 특성에 따라 영향이 다르게 나타났다(Nam et al., 2015; Park et al., 2023; Moon et al., 2011).

대표적인 기상학적 가뭄지수인 표준강수지수(Standardized Precipitation Index, SPI)는 강수량을, 표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI)는 강수량과 잠재증발산량을 고려한 수분수지를 기반으로 한다(McKee et al., 1993; Vicente-Serrano et al., 2010). 두 지수는 다양한 누적시간스케일을 적용하여 단기 및 장기 가뭄 특성을 평가할 수 있다(Stagge et al., 2015).

기존 연구에서는 가뭄지수의 변동 특성과 식생지수 등 개별 영향요인 간의 관계를 분석해 왔으며(Park and Kim, 2009), 가뭄 영향자료를 활용한 지수 평가도 수행되었다(Bachmair et al., 2016; Blauhut et al., 2016). 국내에서도 NDVI 및 지하수위 등의 영향인자를 이용하여 시간적 상관관계를 검토하였다(Kim et al., 2025). 그러나 서로 다른 유형의 실제 농업가뭄 영향자료와 기상학적 가뭄지수 간의 상관관계 및 선행·지연 특성을 종합적으로 평가한 연구는 제한적이다(Sutanto et al., 2019).

이에 본 연구에서는 서산시, 임실군 및 고흥군을 대상으로 SPI와 SPEI의 1~36개월 누적시간스케일별 관계를 분석하였다. 농업가뭄 영향자료는 논·밭 가뭄 예·경보, 논 물마름 및 밭 시듦 발생면적, 농업용수 공급량과 SWDI를 활용하였다. Pearson 상관분석의 자기상관 보정, Spearman 순위상관 민감도 분석 및 이벤트 기반 선행·지연 분석을 수행하여 영향지표별 시간적 관계와 탐색범위에 따른 경계효과를 평가하고자 하였다.

2. 연구지역 및 자료

2.1. 연구 대상지역 및 농경지 현황

본 연구에서는 지리적 위치와 농업환경 및 가뭄 발생 특성이 상이한 충청남도 서산시, 전라북도 임실군 및 전라남도 고흥군을 연구대상지역으로 선정하였다. 세 지역은 시군 단위 농업가뭄 영향자료와 기상자료의 연계가 가능하며, 지역별 가뭄 반응 특성을 비교하기에 적합하다. 연구대상지역의 위치는 Fig. 1에 제시하였다.

Fig. 1.

Geographic locations of the three study areas in the Republic of Korea: Seosan (Chungcheongnam-do), Imsil (Jeollabuk-do), and Goheung (Jeollanam-do)

서산시는 평야지와 간척지가 분포하는 서해안 농업지역으로 2015~2016년 가뭄 당시 농업용수 부족이 발생하였다. 임실군은 산지와 구릉지가 혼재한 내륙 농업지역이며, 고흥군은 해양성 기후의 영향을 받는 남해안 농업지역으로 2022~2023년 장기 가뭄을 경험하였다. 세 지역은 서로 다른 지형 및 농업환경에 따른 가뭄 반응 특성을 비교하기 위해 선정하였다.

본 연구에서는 각 시군에 인접한 단일 ASOS 관측지점의 SPI 및 SPEI를 시군 단위 농업가뭄 영향자료에 대응하였다. 따라서 지역 내부의 기상조건 차이를 충분히 반영하지 못하는 공간 대표성의 한계가 있으며, 분석 결과는 시군 단위의 시간적 연관성으로 제한하여 해석하였다.

2.2 농업가뭄 영향자료 구축

본 연구에서는 농업가뭄 영향 인자로 논·밭 가뭄 예·경보, 논 물마름 발생면적, 밭 시듦 발생면적, 농업용수 공급량 및 토양수분결핍지수(SWDI)를 활용하였다. 논 가뭄 예·경보는 저수율과 농업용수 공급여건을, 밭 가뭄 예·경보는 기상자료 기반 토양유효수분율을 반영한다. 두 자료는 SPI 및 SPEI와 공통 기상요인을 포함하므로 독립적인 검증자료가 아닌 농업가뭄 감시지표로 활용하였다.

논 물마름 및 밭 시듦 발생면적은 각각 관개용수 부족과 밭작물 수분 스트레스에 따른 영향을 나타낸다. 농업용수 공급량은 관개수요와 시설 운영조건에 따라 변화하는 관리지표로, 가뭄지수와의 상관 부호를 단일한 방향으로 해석하지 않았다. SWDI는 토양유효수분율을 기반으로 산정한 토양수분 결핍 지표이며(Jeon et al., 2021), 기상조건의 영향을 받는 모형 기반 지표이므로 SPI 및 SPEI와의 상관관계를 독립적인 가뭄 검증으로 해석하지 않았다.

모든 영향자료는 시군 단위 월별 시계열로 구축하였다. 예·경보는 발령 시점, 발생면적은 발생 월을 기준으로 정리하였으며, 농업용수 공급량과 SWDI에는 월별 값을 적용하였다. 자료별 구축 기간은 Table 1에 제시하였고, 분석에는 항목별 확보 기간과 변수 간 공통 관측기간을 고려하였다.

3. 연구 방법

3.1 기상학적 가뭄지수 산정 및 가뭄 단계 분류

본 연구에서는 기상학적 가뭄 특성을 평가하기 위해 표준강수지수(Standardized Precipitation Index, SPI)와 표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI)를 활용하였다. 두 지수는 연구대상지역과 인접한 종관기상관측자료(Automated Synoptic Observing System, ASOS)를 이용하여 1, 2, 3, 6, 9, 12, 24 및 36개월 누적시간스케일별로 산정하였다. SPI는 누적강수량의 확률분포를 표준화하여 산정하였으며(Guttman, 1999), SPEI는 강수량과 잠재증발산량의 차이로 정의되는 수분수지를 기반으로 산정하였다. 잠재증발산량은 월평균 기온자료를 활용하는 Thornthwaite 방법을 적용하였다(Thornthwaite, 1948). 다만 해당 방법은 일사량, 상대습도 및 풍속을 직접 반영하지 않는다는 한계가 있다.

SPI와 SPEI는 값이 낮을수록 건조 상태가 심화되는 특성을 가지며, 누적시간스케일에 따라 단기 및 장기 가뭄의 발생과 지속 특성을 평가할 수 있다. 본 연구에서는 Table 2의 가뭄 단계 분류 기준을 적용하여 지수값에 따른 건조 상태를 구분하였다. 특히 SPI 또는 SPEI가 -1.0 이하로 하강한 시점을 가뭄 발생 기준으로 설정하고, 이후 농업가뭄 영향자료와의 선행·지연 관계 분석에 활용하였다.

3.2 SWDI 산정

본 연구에서는 토양수분 결핍 상태를 농업가뭄 영향 인자로 반영하기 위하여 토양유효수분율 기반의 SWDI를 산정하였다. 토양유효수분율(Soil Available Water Content, SAWC)은 해당 시점의 토양수분을 포장용수량과 영구위조점을 기준으로 정규화한 값으로, 다음과 같이 정의하였다.

여기서 θt는 t시점의 토양수분, θFC는 포장용수량, θWP는 영구위조점을 의미한다. 본 연구에서는 월 단위 SAWC 자료를 이용하여 Eq. (2)와 같이 SWDI를 산정하였다.

Eq. (2)에 SAWC의 정의를 대입하면 다음과 같이 정리된다.

따라서 본 연구에서 적용한 Eq. (3)은 토양수분을 포장용수량과 영구위조점을 기준으로 표준화하는 일반적인 SWDI 산정구조와 대수적으로 동일하다(Martínez-Fernández et al., 2015). SWDI는 포장용수량에서 0의 값을 가지며, 값이 작아질수록 토양수분 결핍이 심화된 상태를 의미한다.

본 연구의 SWDI는 현장에서 직접 관측된 가뭄 피해가 아니라 토양유효수분율 자료를 이용하여 산정한 모형 기반 지표이다. 또한 SWDI 산정에 사용된 토양수분은 강수와 기상조건의 영향을 받으므로 SPI 및 SPEI와 완전히 독립적인 자료로 간주하기 어렵다. 이에 SWDI와 SPI·SPEI 간의 상관관계는 독립적인 가뭄 검증이 아니라 기상학적 수분 부족과 모형 기반 토양수분 상태 간의 일관성 및 시간적 연계성을 나타내는 결과로 해석하였다.

3.3 상관분석 및 선행·지연 효과 분석

농업가뭄 영향 인자와 가뭄지수 간의 관계를 정량적으로 비교하기 위하여 SPI 및 SPEI의 1, 2, 3, 6, 9, 12, 24 및 36개월 누적시간스케일과 각 영향 인자 간의 Pearson 상관계수(r)를 산정하였다. 이때 농업가뭄 영향 인자는 시군 단위 월별 자료로 구축하였으며, 결측이 존재하는 구간은 동일 시점에 두 변수 값이 모두 존재하는 자료만을 이용하여 상관계수를 계산하였다. Pearson 상관계수는 Eq. (4)와 같이 산정하였다.

여기서 r은 Pearson 상관계수, Xi는 SPI 또는 SPEI 값, Yi는 농업가뭄 영향 인자 값, μX와μY는 각각 X와 Y의 평균값, n은 분석에 사용된 실제 자료쌍의 수를 의미한다.

월별 시계열자료는 인접 시점 간 자기상관을 포함할 수 있으므로, 실제 표본수만을 이용하여 상관계수의 유의성을 평가할 경우 독립적인 정보량이 과대평가될 수 있다. 이에 SPI 또는 SPEI와 농업가뭄 영향 인자의 자기상관을 반영하여 유효표본수(neff)를 Eq. (5)와 같이 산정하였다(Pyper and Peterman, 1998).

여기서 rXX(j)와 rYY(j)는 각각 X와 Y 시계열의 j시차 자기상관계수를 의미한다. 최대 자기상관 시차 m은 실제 자료쌍의 수 n에 대하여 m =⌊n/5⌋로 설정하였으며, 두 시계열의 자기상관계수 곱은 j = 1,…,⌊n/5⌋의 범위에서 합산하였다. Pearson 상관분석은 각 분석 조합에 적용된 시차에 따라 정렬된 실제 자료쌍을 이용하였으며, 이를 기준으로 실제 표본수, 유효표본수 및 자기상관 보정 유의확률을 산정하였다. 자기상관을 고려한 상관계수의 통계적 유의성은 Eq. (6)의 t 통계량을 이용하여 평가하였다.

자유도는 neff-2를 적용하였으며, 자기상관 보정 유의확률(padj)은 Eq. (7)과 같이 양측검정으로 산정하였다.

여기서 Ft는 t분포의 누적분포함수를 의미한다. 각 분석 조합에 대하여 적용된 시차에 따라 정렬된 실제 자료쌍을 기준으로 실제 표본수 n, 유효표본수 neff, 일반 유의확률 및 자기상관 보정 유의확률 padj를 산정하였으며, 보정 후 통계적 유의성은 padj를 기준으로 평가하였다.

논·밭 가뭄 예·경보는 가뭄단계를 나타내는 순서형 자료이며, 논 물마름 및 밭 시듦 발생면적은 발생값이 없는 시점이 다수 포함되어 영과잉 및 왜곡 분포가 나타날 수 있다. 이에 해당 영향 인자에 대해서는 Pearson 상관분석과 함께 Spearman 순위상관분석을 추가로 수행하였다. Spearman 분석에는 Pearson 분석과 동일한 자료쌍과 적용 시차를 사용하였으며, Spearman 분석에서 별도의 시차를 재선정하지 않았다. Spearman 분석 결과는 순위상관계수(𝜌), 실제 표본수 및 일반 유의확률 p를 제시하였으며, Pearson 상관분석 결과의 자료유형별 민감도를 검토하기 위한 보조분석으로 활용하였다. Spearman 분석에는 별도의 유효표본수 및 자기상관 보정 유의확률을 적용하지 않았다. 또한 상관계수의 부호는 영향 인자의 물리적 의미를 고려하여 해석하였다.

논·밭 가뭄 예·경보, 논 물마름 발생면적 및 밭 시듦 발생면적은 가뭄이 심화될수록 값이 증가하거나 단계가 높아질 수 있으므로 SPI 및 SPEI와 음의 상관이 예상된다. 반면 SWDI는 토양유효수분율을 기반으로 산정된 지표이므로, 토양수분 조건이 양호할수록 값이 증가하고 SPI 및 SPEI와 양의 상관이 나타날 수 있다.

본 연구의 분석절차는 농업가뭄 영향자료의 월별 시계열 구축, 누적시간스케일별 SPI 및 SPEI 산정, Pearson 상관분석과 유효표본수 및 보정 유의확률 산정, Spearman 순위상관 민감도 분석, 이벤트 기반 선행·지연 분석 및 탐색범위에 따른 경계효과 분석으로 구성하였으며, 전체 분석절차는 Fig. 2에 제시하였다.

Fig. 2.

Overall framework for analyzing temporal relationships between meteorological drought indices and observed agricultural drought impacts

기상학적 가뭄과 농업가뭄 영향 간의 시간적 지연을 평가하기 위해(Van Loon, 2015), 상관분석과 별도로 농업가뭄 영향 발생 월을 기준으로 ±6개월 범위에서 SPI 또는 SPEI의 가뭄 기준 도달시점을 탐색하는 이벤트 기반 선행·지연 분석을 수행하였다.

본 연구에서는 SPI 또는 SPEI가 -1.0 이하로 하강한 시점을 가뭄 기준에 해당하는 지수 발생 시점으로 설정하였다. 농업가뭄 영향 발생월과 가뭄지수 기준 도달월 간의 시간차는 Eq. (8)과 같이 산정하였다.

여기서 Yd와 Md는 SPI 또는 SPEI가 가뭄 기준 이하로 하강한 연도와 월을 의미하며, Ye와 Me는 농업가뭄 영향이 발생한 연도와 월을 의미한다. 산정된 lag가 음의 값을 가지는 경우 가뭄지수 신호가 농업가뭄 영향보다 선행한 것으로 해석하였으며, 양의 값을 가지는 경우 농업가뭄 영향이 지수 신호보다 먼저 나타났거나 지수 반응이 지연된 것으로 해석하였다. 0개월은 동일 월에 지수 신호와 영향 인자가 함께 나타난 경우로 구분하였다.

이벤트별 lag의 평균을 대표 lag로 산정하였으며, 0개월은 평균 산정에서 제외하였다. ±6개월 탐색범위에서 지수의 기준 도달시점이 확인되지 않은 경우에는 산정 불가(–)로 처리하였다. 평균 lag가 경계에 도달한 경우에는 정확한 시차가 아닌 경계 도달값(≤ -6.00†, ≥ +6.00†)으로 표기하였으며, 누적시간스케일별 경계 도달률을 산정하였다. 또한 동일한 이벤트 정의와 가뭄 기준을 유지하고 탐색범위를 ±12개월로 확대한 민감도 분석을 수행하여 경계 절단의 영향을 검토하였다. ±12개월 분석은 기존 결과를 대체하지 않는 보조분석으로 활용하였다.

4. 적용 및 결과

4.1 SPI 및 SPEI 시계열 변동 특성

SPI 및 SPEI의 시간스케일별 시계열 변동 특성은 Figs. 3, 4, 5에 제시하였다. Fig. 3은 서산시, Fig. 4는 임실군, Fig. 5는 고흥군의 SPI 및 SPEI를 누적기간별로 나타낸 결과이다. 단기 시간스케일에서는 강수 변동에 따른 가뭄지수의 단기적 변동성이 뚜렷하게 나타난 반면, 중·장기 시간스케일에서는 가뭄 상태가 누적되어 반영되는 경향이 확인되었다. 특히 누적기간이 증가할수록 시계열이 평활화되면서 건조 구간이 상대적으로 길게 지속되는 형태로 나타나, 단기 변동성 대비 지속성이 강조되는 특성을 확인할 수 있었다.

Fig. 3.

Comparison of SPI and SPEI time series at different accumulation periods for Seosan-si. Dashed boxes indicate the major drought period (2015–2016)

Fig. 4.

Comparison of SPI and SPEI time series at different accumulation periods for Imsil-gun. Dashed boxes indicate the major drought period (2022–2023)

Fig. 5.

Comparison of SPI and SPEI time series at different accumulation periods for Goheung-gun. Dashed boxes indicate the major drought period (2022–2023)

서산시는 2015-2016년 가뭄 시기에 단기 및 중기 누적시간스케일에서 음의 지수값이 뚜렷하게 나타났으며, 일부 장기 지수에서도 건조 상태가 지속되었다. 임실군은 2022-2023년 가뭄 시기에 단기 변동성과 중·장기 건조 상태의 지속성이 구분되었으며, 고흥군은 같은 시기 중·장기 누적시간스케일에서 건조 상태가 지속되는 경향을 보였다. 이는 지역별 가뭄 특성과 누적시간스케일에 따라 SPI 및 SPEI의 반응이 다르게 나타남을 의미한다.

SPI와 SPEI는 전반적으로 유사한 가뭄 발생 시점을 나타냈으나, SPEI는 기온 기반 Thornthwaite 방법으로 산정한 잠재증발산량을 수분수지에 반영하므로 일부 기간에서 SPI와 다른 건조상태를 나타냈다. 다만 Thornthwaite 방법은 일사량, 상대습도 및 풍속을 직접 반영하지 않으므로, SPI와 SPEI의 차이를 실제 증발산량 증가의 영향으로 단정하지 않았다. 이러한 차이는 이후 농업가뭄 영향 인자와의 상관분석 및 선행·지연 효과 해석에서 두 지수의 반응을 비교하는 근거로 활용하였다.

4.2 농업가뭄 영향 인자와 가뭄지수 간 상관분석 결과

농업가뭄 영향 인자와 SPI 및 SPEI 간의 시간스케일별 상관분석 결과를 Figs. 6, 7, 8에 제시하였다. Fig. 6은 서산시, Fig. 7은 임실군, Fig. 8은 고흥군의 상관분석 결과를 나타낸 것이다. 각 그림의 왼쪽과 오른쪽 패널은 각각 SPI와 SPEI의 누적시간스케일별 상관계수를 나타낸다. 별표가 표시된 논·밭 가뭄 예·경보와 발생면적 자료에는 Spearman 순위상관계수(𝜌)를, 별표가 없는 농업용수 공급량과 SWDI에는 Pearson 상관계수(r)를 제시하였다. Spearman 분석에는 Pearson 분석과 동일한 자료쌍과 적용 시차를 사용하였으며, Spearman 분석에서 별도의 시차를 재선정하지 않았다. Pearson 상관분석의 실제 표본수, 유효표본수 및 자기상관 보정 전후의 유의조합 수는 Table 3에 제시하였으며, Pearson과 Spearman 상관분석의 민감도 비교 결과는 Table 4에 제시하였다.

Fig. 6.

Heatmaps of correlation coefficients between meteorological drought indices (SPI and SPEI) and agricultural drought impact indicators in Seosan-si

Fig. 7.

Heatmaps of correlation coefficients between meteorological drought indices (SPI and SPEI) and agricultural drought impact indicators in Imsil-gun

Fig. 8.

Heatmaps of correlation coefficients between meteorological drought indices (SPI and SPEI) and agricultural drought impact indicators in Goheung-gun

서산시에서는 논 가뭄 예·경보가 SPI-24 및 SPEI-24에서 각각 𝜌 = -0.54로 나타났으며(n = 108, 모두 p < 0.001), 밭 가뭄 예·경보는 SPI-3 및 SPEI-3에서 각각 약 𝜌 = -0.40으로 나타났다(n = 94, 모두 p < 0.001). 논 물마름 발생면적은 SPI-12 및 SPEI-12에서 각각 𝜌=-0.73으로 나타났으며, 두 결과 모두 일반 유의확률 기준으로 유의하였다(n = 8, p = 0.039). 동일 조합의 Pearson 상관계수는 각각 r = -0.66이었으나, 자기상관 보정 유의확률은 두 지수 모두 padj = 0.107로 나타나 유의하지 않았다. 따라서 분석방법과 소표본에 따른 유의성 차이를 함께 고려하여 해당 결과를 탐색적으로 해석하였다. 밭 시듦 발생면적은 SPI-2 및 SPEI-2에서 각각 𝜌 = 0.54로 예상 부호와 반대인 양의 상관을 보였으나, 두 결과 모두 유의하지 않았다(p = 0.168 및 p = 0.165). 이는 8개 자료쌍에 포함된 0값과 동순위의 영향을 받은 결과일 수 있으므로, 강수 증가가 밭 시듦 발생면적을 증가시킨다는 관계로 해석하지 않았다. SWDI는 SPI-2에서 r = 0.61, SPEI-2에서 r = 0.59로 나타났으며(n = 63, 모두 padj < 0.001), 농업용수 공급량은 SPI-9 및 SPEI-9에서 각각 r = 0.27로 나타났으나 통계적으로 유의하지 않았다(n = 48, 모두 padj = 0.224).

임실군에서는 논 가뭄 예·경보가 SPI-6에서 𝜌 = -0.25(n = 108, p = 0.009), SPEI-3에서 𝜌 = -0.27(n = 108, p = 0.005)로 나타났다. 밭 가뭄 예·경보는 SPI-3 및 SPEI-3에서 각각 약 𝜌 = -0.24로 나타났다(n = 94, p = 0.039 및 p = 0.043). 논 물마름 발생면적은 SPI 및 SPEI의 1, 24 및 36개월 누적시간스케일에서 각각 𝜌 = -0.76으로 나타났으며(n = 8, p = 0.027), 여러 누적시간스케일에서 동일한 순위상관계수가 확인되었다. 밭 시듦 발생면적은 SPI-6 및 SPEI-6에서 각각 𝜌 = -0.94로 나타났으며(n = 6, 모두 p = 0.005), 동일 조합의 Pearson 상관계수는 각각 r = -0.84와 r = -0.77이었다. 그러나 자기상관 보정 후에는 두 조합 모두 통계적으로 유의하지 않았다(padj = 0.159 및 padj = 0.234). SWDI는 SPI-2에서 r = 0.49, SPEI-2에서 r = 0.48로 나타났으며(n = 63, 모두 padj < 0.001), 농업용수 공급량은 SPI-2 및 SPEI-2에서 각각 r = 0.34로 나타났다(n = 48, padj = 0.034 및 padj = 0.035).

고흥군에서는 논 가뭄 예·경보가 SPI-3에서 𝜌 = -0.28, SPEI-3에서 𝜌 = -0.27로 나타났으며(n = 108, 모두 p = 0.004), 밭 가뭄 예·경보는 SPI-6에서 𝜌 = -0.33, SPEI-6에서 𝜌 = -0.32로 나타났다(n = 94, p = 0.001 및 p = 0.002). 논 물마름 발생면적은 SPI-9에서 𝜌 = -0.68(n = 6, p = 0.140), SPEI-1에서 𝜌 = -0.79(n = 5, p = 0.112)로 나타났으나 통계적으로 유의하지 않았다. 동일 조합의 Pearson 상관계수는 SPI-9와 SPEI-1에서 모두 r = -0.60이었으며, 자기상관 보정 후에도 각각 padj = 0.312 및 padj = 0.532로 유의하지 않았다. 밭 시듦 발생면적은 SPI-12 및 SPEI-12에서 각각 𝜌 = -0.65로 나타났으나 일반 유의수준을 충족하지 않았다(n = 8, p = 0.078). 동일 조합의 Pearson 상관계수는 각각 r = -0.53과 r = -0.56이었으며, 자기상관 보정 유의확률은 각각 padj = 0.262와 padj = 0.239였다. 따라서 고흥군 발생면적 자료의 결과 역시 소표본에 근거한 탐색적 관계로 해석하였다. SWDI는 SPI-3에서 r = 0.50, SPEI-3에서 r = 0.48로 나타났으며(n = 63, 모두 padj < 0.001), 농업용수 공급량은 SPI-36 및 SPEI-36에서 각각 r = 0.25로 나타났으나 유의하지 않았다(n = 48, 모두 padj = 0.090).

전체 288개 Pearson 상관분석 조합 중 일반 유의확률을 기준으로 p < 0.05인 조합은 100개였으나, 시계열 자기상관을 고려한 보정 후에는 70개 조합에서 유의성이 유지되었다. 나머지 30개 조합은 유효표본수 감소로 인해 통계적 유의성이 유지되지 않았다. 특히 논 물마름 및 밭 시듦 발생면적은 모든 Pearson 분석 조합에서 자기상관 보정 후 통계적으로 유의하지 않았다. 따라서 발생면적 자료에서 비교적 큰 상관계수가 나타났더라도 계수의 크기만으로 관계의 안정성을 판단하지 않고, 실제 표본수와 보정 유의확률을 함께 고려하였다.

Spearman 민감도 분석 결과, 전체 192개 조합 중 180개 조합에서 Pearson과 Spearman 상관계수의 부호가 일치하여 93.8%의 방향 일치율을 보였다. 영향지표별 부호 일치율은 논 가뭄 예·경보와 논 물마름 발생면적에서 각각 100.0%였으며, 밭 가뭄 예·경보와 밭 시듦 발생면적에서는 각각 87.5%로 나타났다. Spearman 일반 유의확률을 기준으로 유의한 조합은 59개였으며, Pearson과 Spearman 상관계수 간 평균 절댓값 차이는 0.132로 나타났다. 전반적인 상관 방향은 두 분석방법에서 유사하였으나, 소표본 발생면적 자료에서는 계수의 크기와 부호가 달라지는 조합이 확인되었다. 이에 순서형 및 영과잉 가능성이 있는 자료의 결과는 Pearson과 Spearman 분석을 함께 고려하여 해석하였다.

4.3 선행·지연 효과 분석 결과

래그타임 분석 결과는 Tables 5, 6, 7까지 제시하였다. 표에 제시된 값은 각 농업가뭄 영향 인자에 대해 시간스케일별 SPI 및 SPEI와의 평균 lag를 산정한 결과이며, 음의 값은 가뭄지수 신호가 농업가뭄 영향 인자보다 선행하여 나타난 경우를 의미한다. 반대로 양의 값은 농업가뭄 영향 인자가 가뭄지수보다 먼저 나타났거나, 가뭄지수의 반응이 상대적으로 지연되어 나타난 경우로 해석하였다. 다만 평균 lag가 탐색범위의 하한 또는 상한에 도달한 경우에는 실제 선행·지연기간이 ±6개월을 초과할 수 있으므로 해당 값을 정확한 시차로 해석하지 않았다. Tables 5, 6, 7에서 ≤ -6.00† 또는 ≥ +6.00†로 표시된 값은 평균 lag가 탐색범위의 하한 또는 상한에 정확히 도달한 결과이며, ‘–’는 탐색범위 내에서 가뭄지수의 기준 도달시점이 확인되지 않아 lag를 산정하지 못한 경우를 의미한다.

지역별 선행·지연 분석 결과(Tables 5, 6, 7), 서산시와 임실군에서는 음의 lag가 다수 나타났으며, 평균 lag가 -6.00개월에 도달한 조합은 각각 16개와 9개로 확인되었다. 반면 고흥군에서는 -6.00개월 경계 도달 조합이 없었으며, 장기 누적시간스케일에서 양의 lag 또는 산정 불가사례가 나타났다. 특히 고흥군의 SPI-36 논 가뭄 예·경보는 탐색범위 상한인 +6.00개월(≥ +6.00†)에 도달하였다. 따라서 장기 누적지수의 선행·지연 특성은 지역별 차이와 탐색범위의 경계효과를 함께 고려하여 해석할 필요가 있다.

일부 양의 lag는 농업가뭄 영향이 기상학적 가뭄보다 실제로 선행하였음을 직접 의미하기보다, 영향자료의 집계시점, 예·경보 발령기준, 장기 누적지수의 지속성 및 탐색범위 내 기준 도달점의 부재가 복합적으로 반영된 결과일 수 있다.

논·밭 영향지표의 lag를 자료유형별로 비교한 결과, 예·경보 자료에서는 논 가뭄 예·경보의 중앙값이 -4.33개월, 사분위범위가 -4.64~-3.00개월로 나타났으며, 밭 가뭄 예·경보는 중앙값 -3.20개월, 사분위범위 -3.50~-2.50개월로 나타났다. Wilcoxon 부호순위검정 결과 두 예·경보 자료의 차이는 통계적으로 유의하였다(n = 47, W = 228, p = 0.003).

반면 발생면적 자료에서는 논 물마름 발생면적의 중앙값이 -3.25개월, 사분위범위가 -4.75~-1.85개월이었으며, 밭 시듦 발생면적은 중앙값 -3.55개월, 사분위범위 -4.63~-1.30개월로 나타났다. 두 발생면적 자료의 차이는 통계적으로 유의하지 않았다(n = 38, W = 83, p = 0.157). 따라서 논 관련 영향이 밭 관련 영향보다 항상 늦게 나타난다고 일반화하지 않았으며, 예·경보와 발생면적의 자료유형에 따라 시차 차이가 다르게 나타난 것으로 해석하였다.

기존 ±6개월 분석에서 평균 lag가 -6.00개월로 나타난 조합은 전체 25개였으며, 서산시 16개와 임실군 9개로 구성되었다. 동일한 이벤트 정의와 가뭄 기준을 유지하고 탐색범위를 ±12개월로 확대한 결과, 25개 조합 중 19개가 -12.00개월로 이동하였으며 23개가 -10개월 이하로 나타났다. 이는 기존 -6.00개월 결과의 상당수가 정확한 6개월 선행을 의미하는 것이 아니라, 실제 선행기간이 기존 탐색범위를 초과하여 하한에서 절단된 결과임을 나타낸다.

누적시간스케일별 -6개월 경계 도달률은 1개월 18.8%, 2개월 18.8%, 3개월 19.5%, 6개월 31.8%, 9개월 44.1%, 12개월 45.8%, 24개월 47.8% 및 36개월 66.5%로 증가하였다(Table 8). 특히 36개월 누적지수에서는 경계 도달률이 66.5%로 나타났다. 이는 장기 누적지수가 개별 가뭄의 시작시점보다 장기간의 건조상태를 평활화하여 지속적으로 반영함에 따라, 영향 발생에 대한 선행시간이 과장될 수 있음을 의미한다. 따라서 장기 누적지수의 큰 음의 lag는 실제 예측 가능한 선행시간으로 직접 해석하지 않았다.

5. 결 론

본 연구에서는 서산시, 임실군 및 고흥군을 대상으로 SPI와 SPEI 및 농업가뭄 영향자료 간의 상관관계와 선행·지연 특성을 분석하였다. 이를 위해 1~36개월의 8개 누적시간스케일에 대해 Pearson 상관분석과 자기상관 보정, Spearman 민감도 분석 및 이벤트 기반 선행·지연 분석을 수행하였다.

분석 결과, 전체 288개 Pearson 조합 중 일반 유의확률 기준으로 100개가 유의하였으나, 자기상관 보정 후에는 70개에서 유의성이 유지되었다. Spearman 분석에서는 192개 조합 중 180개(93.8%)에서 Pearson과 상관 방향이 일치하였다. 발생면적 자료는 표본수가 제한적이었으며, 모든 Pearson 조합이 보정 후 유의하지 않아 탐색적으로 해석하였다. SWDI는 서산시와 임실군에서 2개월, 고흥군에서 3개월 누적지수와 상대적으로 높은 상관성을 보였다.

선행·지연 분석에서는 25개 조합이 -6개월 경계에 도달하였으며, 탐색범위를 ±12개월로 확대하자 19개가 -12개월, 23개가 -10개월 이하로 나타났다. 36개월 누적지수의 경계 도달률은 66.5%였으며, 논·밭 간 lag 차이는 예·경보 자료에서만 유의하였다(p = 0.003). 따라서 장기 누적지수의 큰 음의 lag를 실제 예측 선행시간으로 직접 해석하기는 어렵다. 본 연구 결과는 농업가뭄 영향평가를 위한 지수 및 누적시간스케일 선정에 활용할 수 있으나, 단일 ASOS 관측지점에 따른 공간 대표성과 잠재증발산량 산정방법의 한계가 있으므로 향후 추가 검증이 필요하다.