1. 서 론
2. 재료 및 방법
2.1 연구대상지역
2.2 관측 기상자료
2.3 댐 수문자료
2.4 모형 구축 과정
2.5 VIC 모형
2.6 LSTM 모형
3. 기후변화 적용방법
4. 결과 및 고찰
4.1 모형 검·보정
4.2 미래 유입량 변화 분석
4.3 미래 방류량 분석
4.4 미래 저수량 분석
5. 결 론
1. 서 론
기후변화로 인한 수자원의 변동성 증가는 물 공급의 불안정을 초래하여 미래 수자원 관리의 어려움을 가중시키며, 물 부족에 대한 수자원 계획 수립에 심각한 문제를 야기하고 있다(Gohari et al., 2017). 따라서, 안정적이고 효율적인 수자원 관리를 위해 미래 물 공급 가능성에 대한 기후변화의 영향을 평가하는 것은 필수적이다.
우리나라는 약 2,600만 명의 인구가 남한 면적의 12.6%에 해당하는 수도권 지역에 집중되어 있다. 수도권의 인구는 한 해 약 6~9만 명씩 증가하고 있으며 1인당 일평균 물사용량(Liter Per Capita Day, LPCD) 또한 지속적으로 증가하고 있어, 향후 용수 수요량은 더욱 증가할 전망이다. 수도권에 용수를 공급하는 유역은 한강 수계의 팔당댐 유역이며, 유역 내 댐 중에서도 다목적댐인 충주댐과 소양강댐이 저수용량이 높아 수도권으로 용수를 공급하는 주요한 역할을 수행하고 있다. 따라서, 본 연구에서는 이 두 댐 유역에 대한 미래 기후변화의 영향을 평가하여 수도권의 미래 물공급 취약성을 살펴보고자 하였다. 기존의 연구에서 두 유역의 기후변화 전망에 대해 연 강수량이 증가하고 강수량이 집중되는 현상이 발생할 것으로 예상했으며, 집중호우의 증가에 따른 유출량의 증가로 가용 수자원 확보에도 어려움이 발생할 것이라고 예측하였다(Park et al., 2014).
다목적댐은 기후변화의 변동성이 클수록 운영하기 어렵다. 그 이유는 홍수조절을 위해서 댐 수위를 낮춰야 하는 반면, 안정적인 용수공급을 위해서는 댐 수위를 가능한 높게 유지해야 하는 상반된 운영 방식 때문이다. 강수량이 편중되는 현상이 빈번하게 발생할수록 이러한 댐 저수량 관리가 더욱 어려워지게 되므로 미래 댐 유입량에 따른 댐 방류량과 저수량의 양상을 모의하는 것은 중요하다. 하지만 이런 중요성에도 충주댐 및 소양강댐의 미래 유입량을 예측한 연구(Park et al., 2014; Do and Kim, 2018; Kim et al., 2018)에 비하여, 댐 방류량을 고려하여 저수량을 모의한 연구는 드물었다. 이는 인위적 영향을 받는 댐 운영의 특성 상 고려해야 할 변수가 다양하여 예측이 어렵기 때문이다. 인위적 영향이 미치는 댐 방류량의 모의에는 물리 기반의 모형보다 통계적인 데이터 기반(data-driven) 모형이 효율적일 수 있으며, 최근의 여러 연구에서도 저수지의 방류량 모의에 딥러닝 기반의 모형을 적용하고 있다. 대표적으로, Yang et al. (2020)은 머신러닝 기반의 ANN을 방류 모의에 활용하여 저수지 운영에 대한 모의 정확성을 크게 향상시켰고, Zhang et al. (2018)은 Backpropagation (BP) 신경망, Support vector regression (SVR) 모델 그리고 Long Short-Term Memory (LSTM; Hochreiter and Schmidhuber, 1997)을 저수지 운영에 적용하여 LSTM이 다른 AI모델보다 우수한 성능을 가진다는 것을 보였다. 이에 본 연구는 댐 유입량 모의에는 강우-유출 모의 및 기후변화 평가에 널리 사용되는 물리 기반 수문모형인 VIC (Variable Infiltration Capacity; Liang et al., 1994) 모형을 활용하고(Wang et al., 2012; Lee and Bae, 2015; Bharat and Mishra, 2021), 변수의 물리적 의미에 의존하지 않고 방대한 길이의 시계열 자료와 그에 따른 결과를 효율적으로 학습할 수 있는 LSTM을 댐 방류량 모의에 적용함으로써 앞서 언급된 기존 기법들의 한계를 극복하여 더욱 정확히 미래 가용수자원의 변화를 예측하고자 하였다.
미래 수문학적 특성에 대한 기후변화의 영향을 평가하는 국내 연구는 보편적으로 기상청에서 제공하는 국가 기후변화 표준 시나리오인 특정 기후모델을 활용하지만(Lee et al., 2017; Kim et al., 2019), 기후모델별로 나타날 수 있는 불확실성을 고려하지 못한다는 단점이 있다. 따라서, 다중 기후 모델을 활용하여 불확실성의 영향을 낮추는 것이 필요하다. 이에 본 연구에서는 과거 댐 운영자료와 관측자료를 기반으로 구축된 방류 모형에 IPCC 6차 보고서에서 채택한 신규 시나리오 CMIP6의 다양한 기후 모델을 적용하여 저수량 및 방류량을 모의하고 기후변화가 수자원에 미치는 영향을 평가하였다.
2. 재료 및 방법
2.1 연구대상지역
본 연구에서는 충주댐과 소양강댐을 포함하는 각각의 상류 유역을 연구대상지역으로 선정하였다(Fig. 1). 두 댐은 한강 수계인 팔당댐 유역 내에 위치한 다목적댐으로 수도권 생활 및 공업용수 사용량의 80%에 해당하는 4,593 백만 m3/년을 수도권에 공급하고 있다. 또한, 두 댐의 저수용량은 팔당댐 유역 전체 댐 저수용량의 54%를 차지하고 있고 두 댐을 제외한 나머지 댐은 발전용 댐이기 때문에 이수 측면에서 두 댐의 역할은 절대적이다. 이는 본 연구가 두 댐 유역을 연구대상지역으로 선정한 이유이다. 유역의 면적, 연평균 강우량 및 평균 유입량은 충주댐이 각각 6,648 km2, 약 1,179 mm, 135 m3/s이고, 소양강댐이 2,703 km2, 약 1,153 mm, 56 m3/s이다.
2.2 관측 기상자료
관측 기상자료는 유역의 모형 구축에 입력자료로 활용되었고 다음과 같이 수집되었다. 강수 자료는 기상청(Korea meteorological administration, KMA), 수자원공사(K-water), 한국수력원자력(Korea Hydro & Nuclear Power, KHNP) 그리고 환경부(Ministry of Environment, ME)의 252개 강수량 관측소의 자료를 이용하였고 그 외 기상자료인 일 최고기온, 일 최저기온, 일 평균기온, 풍속, 기압 자료로는 기상청에서 제공하는 전국 139개 종관기상관측소(Automated Synoptic Observing System, ASOS)의 1986-2020년 자료를 이용하였다.
2.3 댐 수문자료
댐 수문자료는 국가수자원관리종합정보시스템(Water resources management information system, WAMIS)에서 제공하는 충주댐 및 소양강댐의 일단위 유입량, 방류량 그리고 저수량 자료를 이용하였다. 댐의 유입량, 방류량, 저수량의 관계는 Eq. (1)과 같은 간단한 식으로 설명된다.
It, Ot, St, St-1는 각각 당일(t)의 댐 유입량, 총 방류량, 저수량 그리고 전일(t-1)의 저수량을 의미한다. 저수량은 측정된 수위와 수위-저수용량 관계식을 통해 계산되고 유입량(It)은 당일의 저수량과 전일의 저수량 차(St‒ St-1)에 측정된 총 방류량(Ot)을 더하여 산정된다. 총 방류량은 발전 방류량, 여수로 방류량 그리고 기타 방류량의 합으로 나타낼 수 있다. 여수로 방류량은 홍수 조절 목적으로 여수로를 통해 방류되는 유량이며 발전 방류량은 댐에서 수차 발전기를 가동하기 위해 방류되는 유량이고 동시에 생활 · 공업용수 및 하천유지용수 공급에 활용된다. 충주댐과 소양강댐의 기타 방류량은 일 평균 0~1 m3/s 로 크기가 작아 결과에 미치는 영향이 적을 것이라고 판단하여 고려하지 않았다.
2.4 모형 구축 과정
댐에 유입되는 유량은 강우-유출 관계를 따르기 때문에 물리 기반 수문모형인 VIC 모형을 활용하여 모의하였다. 반면에 댐 방류량은 댐 운영자의 주관적 판단에 영향을 받기 때문에 물리 기반 수문모형보다는 데이터 기반의 통계 모형을 이용하여 예측하는 것이 더 효율적일 수 있다(Yang et al., 2016). 따라서 본 연구에서는 댐의 유입량을 물리 기반 수문모형으로 예측하고, 방류량은 딥러닝 기반의 LSTM 모형으로 예측하는 개별 모형을 구축하였다. 방류량 중 발전 방류와 여수로 방류은 목적이 상이하기 때문에 방류 시기와 크기에도 상당한 차이가 있다. 예를 들어, 소양강댐의 여수로 방류량의 범위는 약 3000~5000 m3/s이고 2~3년에 한 번 방류되는 반면 발전 방류량의 범위는 약 0~250 m3/s이고 매일 방류되고 있다. 이를 고려하여, 본 연구에서는 방류량의 크기 차이와 목적함수에 의한 발전 방류량의 과소 추정을 방지하기 위해 여수로 방류량, 발전 방류량을 예측하는 각각의 모형을 구축하였다.
2.5 VIC 모형
VIC 모형은 격자 단위로 수문 과정을 모의하는 물리 기반 수문모형으로, 지표매개변수와 토양의 수분함량에 따라 수문순환요소의 값이 결정되는 알고리즘을 기반으로 한다(Liang et al., 1994). 식생과 토양의 특성을 나타내는 지표매개변수는 약 50 여개의 변수로 구성되며 VIC 모형은 이 변수와 기상자료를 입력 받아 지표유출과 지표하유출을 산출한다. 토양매개변수 중 Cho et al. (2019)의 민감도 분석을 기반으로 침투 및 기저유출에 직접적으로 영향을 주는 5개의 매개변수(b_infilt, Ds, Dsmax, Ws and depth)를 보정 매개변수로 선정했으며, 저수지 운영을 모의하는 Dang et al. (2020)의 연구에서도 동일한 변수들을 보정 매개변수로 사용하였다. 선택된 5개의 매개변수를 제외한 나머지 매개변수들은 0.5° 해상도의 글로벌 데이터 세트(Nijssen et al., 2001)의 값을 차용하였다. 본 연구에서는 모델의 공간해상도를 0.05°, 시간해상도를 1일로 설정하였다.
본 연구에서 수행된 VIC 모델의 보정 및 검증 과정은 (1) 모델의 매개변수 수정, (2) VIC 모델을 이용한 각 격자의 지표유출 및 지표하유출 계산, (3) Lohmann 라우팅 모델(Lohmann et al., 1996)을 사용한 유역 출구에서의 하천 유출량 계산 그리고 (4) 관측유량과 모의유량의 비교 단계의 반복으로 구성된다. 이와 같은 매개변수의 보정 과정을 1000회 반복한 후 최고의 성능을 내는 모델을 선택하였다. 모델은 Warm-up period 1년을 제외한 2010~2014년의 데이터를 사용하여 보정하였고, 2015~2019년의 모의 결과를 관측값과 비교하여 검증하였다. 모델 보정에는 메타휴리스틱의 최적화 알고리즘인 Isolated-Speciation Particle Swarm Optimization (ISPSO; Cho et al., 2011) 방법이 사용되었고 ISPSO의 목적 함수로 Nash-Sutcliffe Efficiency coefficient (NSE; Nash and Sutcliffe, 1970)를 사용했다.
2.6 LSTM 모형
LSTM (Hochreiter and Schmidhuber, 1997)은 장/단기적으로 기억을 가능하게 설계한 신경망 구조로, 출력에서 먼 위치에 있는 정보를 기억하기 힘들다는 순환신경망(recurrent neural network)의 단점을 보완한다. 중요한 입력 값을 장기간 저장할 수 있으므로 장기 패턴을 갖는 시계열 데이터의 분석에 유용하다. 본 연구에서 활용한 LSTM 모델의 훈련 과정은 4개의 단계로 구성되어 있으며 그 순서를 Fig. 2에 나타냈다. 첫 번째 레이어(sequence input layer)에서 신경망에 시퀀스 데이터를 입력하고, LSTM layer에서 장단기 기억 계층 알고리즘을 기반으로 데이터의 장기 종속성을 학습한다. LSTM 결과는 완전 연결 계층(fully connected layer)을 통해 다음 regression layer에 전달되며 관측값에 대한 예측값의 손실 평균을 계산한다.
구축한 LSTM 모델의 입력변수, 출력변수 및 매개변수를 Table 1에 나타냈다. 여수로 방류량(spillway outflow)과 발전 방류량(hydropeaking) 예측 모형 구축에 전일의 댐 유입량 및 저수량과 예측 강우량 그리고 홍수기와 비홍수기를 나타내는 season index를 입력자료로 활용했다. 한반도는 몬순기후로 여름에 강우량이 집중되기 때문에 홍수기(6/21~9/20)와 비홍수기(9/21~6/20)에 따라 댐 운영규칙이 상이하다. 이에 댐 운영 상의 시기적 차이를 고려하기 위해 비홍수기와 홍수기를 각각 0과 1로 환산하여 seoson index라는 입력 변수로 입력했다. 하이퍼 파라미터 보정에는 Kim and Kang (2021)의 연구에서 수행된 은닉층 개수에 따른 모델의 성능 평가방법을 적용하였고, 은닉층 개수를 64개로 설정했을 때 모든 예측 모델에서 가장 좋은 성능을 보였다. 모델은 Root Mean Squared Error (RMSE)를 목적함수로 설정했으며 1986년부터 2003년까지 18년간의 데이터로 보정하고 2004년부터 2020년까지 17년간의 데이터로 검증했다.
Table 1.
Variables and parameters of the LSTM prediction models
3. 기후변화 적용방법
기후변화의 영향을 평가하기 위해 미래 전망자료의 불확실성을 고려하여 다중 기후모형을 사용하였다. CMIP6는 IPCC AR6(IPCC, 2021)에서 산출한 새로운 온실가스 경로인 Shared Socioeconomic Pathway (SSP) 시나리오 개념을 도입하여 온실가스 감축정도나 기후변화 적응대책 여부 등을 추가로 고려한 기후자료이다. 본 연구에서는 CMIP6의 GCM 모델 중 여러 격자가 한반도 지역에 포함되어 비교적 상세하게 기후를 표현할 수 있는 모델 4개를 선택하였다(Table 2). 각 모델의 4개 SSP 시나리오 중 기후변화 완화 정도가 중간인 SSP2-4.5와 기후정책이 부재한 고탄소 시나리오인 SSP5-8.5를 분석에 사용하였다. 각 모델의 기상변수인 강수량, 기온 그리고 풍속자료를 활용하였다.
GCM raw data는 유역 규모의 수문모형 구축에 바로 적용하기에는 해상도와 계통오차 한계가 있어 이를 보완하는 상세화(downscaling) 및 편이보정(bias correction) 과정이 필요하다. 본 연구에서는 Song et al. (2019)의 연구에서 수행된 GCM의 지역적 상세화 및 편이보정 방법을 차용하였다. 30년 이상의 관측자료가 축적되어 있는 ASOS 기상관측소 60개소를 선정하였고, 역거리가중법(Inverse Distance Weight, IDW)을 사용하여 GCM 자료를 관측소 위치에 맞게 공간적으로 상세화 했다. 편이보정에는 Random Forest 방법과 분위사상법(quantile mapping, QM)인 모수변환법, 비모수변환법, 분포기반변환법이 사용되었고 이 중에서 성능이 좋은 방법을 선택하여 GCM 모의 값을 과거 1985-2015년의 실측 값에 맞게 보정하였다.
Table 2.
Overview of GCMs used in this study
4. 결과 및 고찰
4.1 모형 검·보정
VIC모델과 LSTM모형을 활용하여 구축한 모형의 보정/검증기간에 대한 모의 유량(녹색 점)과 관측 유량(청색 선)을 Fig. 3에 비교하였다. Figs. 3(a) and 3(b)는 VIC 모델을 이용하여 계산된 댐 유입량과 관측 유입량의 비교로, 그림 중앙에 위치한 회색 점선을 기준으로 보정 기간(2010.1.1.~2014.12.31.)과 검증 기간(2015.1.1.~2019.12.31.)의 비교 결과를 나타냈다. Figs. 3(c) and 3(d)는 LSTM을 이용하여 구축한 여수로 방류량 예측 모형의 모의값과 관측값을 비교한 것이고 Figs. 3(e) and 3(f)는 발전 방류량 예측 모형의 모의값과 관측값을 비교한 것이다. Table 3에는 통계적 지표인 NSE, RMSE 및 Percent Bias (PBIAS)를 사용하여 각 모형의 성능을 나타냈다. 검증기간에 대한 NSE는 0.46-0.78로 적절한 수준 이상인 것으로 평가되었고 주로 소양강댐 보다는 충주댐의 예측 모형에서 NSE가 높았다. 유입량 예측 모형에서 보정기간에 비해 검증기간에서 RMSE의 크기가 컸고, 방류량 예측 모형에서는 검증기간에 비해 보정기간에서 RMSE의 크기가 컸다. 또한, 검증기간에 대해 소양강댐에서의 PBIAS 값이 전부 충주댐의 값보다 높았으며 약 6~11% 사이인 것으로 나타났는데, 이는 모형의 예측 값이 과소 모의되었음을 의미한다. 다시 말해, 소양강댐의 모형들에서 모의하는 예측 유량은 관측값에 비하여 다소 낮게 추정될 수 있다.
Table 3.
Performances of the prediction models during the calibration and validation period
4.2 미래 유입량 변화 분석
VIC 모형으로 구축된 유입량 예측모형에 4개의 GCM을 입력하여 산출되는 미래 유입량을 관측 유입량과 함께 Fig. 4에 나타냈다. Figs. 4(a) and 4(b)는 각각 SSP2-4.5, SSP5-8.5 시나리오에서 예상되는 충주댐의 연 평균 유입량을 나타낸 것이다. 음영부분은 4개 GCM 중 연 평균 유입량의 최대 및 최소의 범위를 의미하며 음영 내부의 초록 및 파란 실선은 4개 GCM의 대략적인 경향을 살펴보기 위해 연 평균 유입량을 평균한 것이다. 검은 실선은 1986-2020년의 관측 유입량을 나타낸다. Fig. 4(c)는 단기(2021-2040), 중기(2041-2070), 장기(2071- 2100) 미래 기간별로 관측자료 대비 평균 연 유입량의 변화율을 나타낸 것이다. Figs. 4(d)~4(f)에는 소양강댐의 결과를 나타냈다.
Figs. 4(c) and 4(f)을 보면 두 그림 공통적으로 단기 미래에서 장기 미래로 진행될수록 연 평균 유입량이 증가되었다. 단기, 중기 미래에서는 기간별 연 평균 유입량의 변화가 두드러지지 않지만, 장기 미래에는 두 댐 모두에서 유입량이 크게 증가하였다. 소양강댐의 시나리오 SSP2-4.5, SSP5-8.5에서는 연 평균 유입량이 각각 6.6%, 10.3%로 증가하고 충주댐의 각 시나리오에서는 연 평균 유입량이 19.6%, 22.0% 증가하였다. 특히 SSP5-8.5 시나리오는 단기, 중기 미래에서 SSP2-4.5 시나리오에 비하여 대체적으로 유입량이 낮게 예측되었지만, 장기 미래로 접어들면서 유입량이 큰 상승폭으로 증가하는 것을 확인할 수 있었다. 소양강댐의 단기, 중기 미래에서는 연 평균 유입량이 관측 유입량과 비슷하거나 감소하는 것으로 나타났다.
4.3 미래 방류량 분석
본 연구에서 구축한 방류량 예측 모형의 정확도를 4.1절에 나타냈고, 모형의 예측 성능은 준수한 것으로 나타났다. 하지만 방류량 예측 모형은 데이터 기반의 모형으로 구축되었으며 미래 기상변수들의 통계적 특성이 과거 관측치의 것과 동일하지 않기 때문에 정상적인 저수량 범위 내에서 댐 운영 모의가 어려울 수 있다. 따라서, 저수량의 상한과 하한에 따른 방류 기준을 추가로 가정하여 적절한 수위 내에서 이수 및 홍수통제목적으로 댐이 운영되도록 설정하였다. 먼저, 저수량의 하한치에 대한 조건으로 댐의 수위가 저수위(Low Water Level, LWL) 이하로 내려갈 경우 방류를 중단하는 것으로 가정하였다. 그리고 상한치에 대한 조건은 홍수기와 비홍수기 별로 나뉘어지는데, 수위가 홍수기 때 홍수기 제한수위(Restricted Water Level, RWL)를, 비홍수기 때 상시만수위(Normal High Water Level, NHWL)를 초과하는 경우 수위차에 해당하는 만큼 여수로를 통해 방류하는 것으로 가정하였다.
수자원 관리에 있어 연 평균 유입량의 변화를 전망하는 것은 중요하지만, 미래에 집중호우나 가뭄이 발생했을 때 댐 운영으로 변화되는 방류량의 경향을 파악하는 것 또한 중요하다. 지나친 방류로 댐 하류 지역의 인명 및 재산피해가 발생하거나 방류 중단으로 생활·공업용수 및 하천유지용수가 부족하여 사회경제적 및 환경적인 피해가 발생할 수 있기 때문이다. 극단에 해당하는 방류량 값을 분석하기 위해 이동평균을 이용하여 지속기간 별로 평균 방류량의 최대 및 최소를 산출했고, 이를 관측기간(1986-2020)의 방류량과 비교 도시하였다(Fig. 5). Fig. 5에 따르면 미래의 지속 기간별 평균 방류량의 최대값은 관측값과 유사한 양상을 보였다. 한 가지 주목할 점은, Figs. 5(a) and 5(b)에서 지속기간이 하루일 경우 모의값은 관측값에 비하여 낮은 범위의 값을 가졌는데 이는 본 연구에서 구축한 충주댐 방류 모형이 실제 충주댐보다 더 보수적으로 홍수조절을 했기 때문이라고 해석할 수 있다.
Fig. 6은 지속기간에 대한 평균 유입량의 최소값을 관측기간(1986-2020)의 유입량과 비교하여 나타낸 것으로, Fig. 5와 다르게 그래프 상에서 모의값이 관측값과 유사한 거동을 보이지 않았다. Figs. 6(a) and 6(b)에서 임의의 4일~50일에 대한 최소 모의 방류량은 관측 방류량에 비해 현저히 낮은 것으로 나타났다. 이는 댐의 수위가 낮아져 방류를 통한 용수공급이 감축되었고, 그 기간이 길게는 약 50일간 지속될 수 있다는 것을 의미한다. 또한, 이 때의 모의 방류량과 관측 방류량의 차이가 두드러지므로 과거에는 경험하지 못했던 극심한 용수부족이 미래에 발생할 수 있음을 시사한다. Figs. 6(c) and 6(d)에서 소양강댐은 전반적으로 모의 방류량이 관측 방류량보다 높게 나타났다. 또한, 관측값을 보면 충주댐과 달리 과거 약 15일 간 전혀 방류를 하지 않았던 기록이 있고 20일 이후에도 기울기가 완만하게 증가하는 것으로 보아 소양강댐은 수도권으로의 용수공급에 있어 보조적인 역할을 수행하고 있는 것으로 추측하였다.
4.4 미래 저수량 분석
충주댐과 소양강댐은 연계 운영에 의해 통합 관리되고 있어 현행 가뭄대책에서도 두 댐의 저수량의 합을 기준으로 결정하기 때문에 본 연구에서도 두 댐의 저수량의 합을 분석하였다. Fig. 7에 연 평균 저수량의 합을 GCM이라는 범주별로 그룹화해서 히트맵(heatmap)으로 표현하였다. 모의기간에 대하여 각 시나리오별로 댐 수위가 현저히 낮아지는 극한 사상이 1~2년 이상의 기간에서 발생하며 CanESM5의 SSP5-8.5 시나리오 같은 경우 단기, 중기 미래에 저수량이 장기간 극심하게 감소되는 것으로 예상되었다. 또한, 앞서 수행한 유입량 분석에 의하면 장기미래의 SSP5-8.5 시나리오에서 유입량이 크게 증가할 것으로 예측되었는데, 저수량 또한 유입량의 영향을 받아 4개 모델의 동일 시나리오에서 전반적으로 높은 저수량을 갖는 것으로 나타났다. 하지만 장기 미래에서도 저수량이 낮아지는 해가 다수 존재하며, 히트맵 상에서의 색변화가 단기 및 중기 미래에 비하여 더 자주 일어나는 것을 확인할 수 있다. 이는 기후의 변동성 증가로 인해 저수량의 변화가 급격하게 이루어진다는 것을 의미하며 수자원 관리의 어려움이 증대될 수 있음을 시사한다.
5. 결 론
최근 전 세계적으로 관측되고 있는 이상기후 현상은 댐 저수량 고갈 등의 심각한 문제로 나타나고 있으며 기후변화가 수자원의 가용성에 부정적인 영향을 미치고 있음을 방증하고 있다. 가용 수자원 예측은 미래 수자원계획 수립에 참고자료가 될 수 있으며 합리적인 수자원 관리 정책은 수백만 명의 삶에 직접적인 영향을 미치므로 인구밀도가 높은 수도권지역의 가용 수자원을 정확하게 예측하는 것은 특히 중요하다.
수자원에 대한 분석을 위해 본 연구에서는 딥러닝 기반의 LSTM 모형을 활용하여 댐의 운영에 따른 방류량 모형을 구축하였고, 여기에 물리 기반 수문모형으로 산출한 유입량 자료를 입력하여 댐의 저수량을 예측하였다. 또한, 사회경제적 조건이 고려된 최신 시나리오 CMIP6를 입력했으며 4개의 GCM 모델을 적용하여 기후모델의 불확실성을 고려하였다. 본 연구는 여수로 방류량과 발전 방류량을 별도로 모의하는 고유한 구조를 생성하여 딥러닝 기반 모델의 향후 댐 유출량이 과소평가되는 문제를 해결하였고 향후 댐 관련 연구에 좋은 참고자료가 될 것이다.
방류량 분석 결과는 가뭄이 과거에 관측된 것보다 더 장기간에 걸쳐 발생할 수 있음을 나타내며 이는 수도권 시민들은 미래의 가뭄으로 인해 더 심각한 물 부족을 겪을 수 있다는 것을 시사한다. 기후변화로 인해 장기 미래에 유입량이 증가하였음에도 저수량이 부족한 기간이 발생하였고 단기, 중기 미래에 비하여 저수량의 변동성이 증가하는 것을 확인하였다. 본 연구에서는 충주댐과 소양강댐을 독립적인 모형으로 구축하여서 두 댐 간의 연계 운영을 고려하지 못했다는 한계가 있다. 연계 운영은 특히 가뭄 발생 시 방류량 등에 직접적인 영향을 미치므로 향후 관련 연구를 통한 보완이 필요할 것이다.
