1. 서 론
2. 방법론
2.1 연구대상유역
2.2 General circulation model (GCM) 및 미래 기후변화 시나리오
2.3 Soil and water assessment tool (SWAT)
2.4 수문학적 가뭄지수
2.5 수문모형 보정 조건 설정
3. 연구결과
3.1 SWAT 모형 보정 전, 후 유출모의 성능
3.2 수문모형 보정자료에 따른 검증기간 유출모의 성능
3.3 미래 기후자료 구축
3.4 미래 유출량 추정 및 변동
3.5 미래 기후변화시나리오, GCM, 수문모형 보정자료에 따른 미래 수문학적 가뭄분석
4. 결론 및 고찰
1. 서 론
기후변화로 인한 온도 상승은 전 세계의 수문 순환에 영향을 미치고 있으며, 강수 패턴의 변화와 증발산량 증가 등으로 수문 순환의 변동성과 불확실성이 증대되고 있다. 이러한 변화는 가뭄과 홍수의 빈도와 강도를 증가시켜 수자원 관리와 계획 수립에 큰 영향을 미치고 있다(Milly et al., 2008).
기후변화에 따른 물 관련 재해 중 가뭄은 강수량 부족으로 시작해 지역 내 유량 감소와 토양 수분 부족으로 이어지는 복잡한 수문 순환 변화를 초래한다. 이에 따라 가뭄이 장기화될 경우 인간의 삶에 치명적인 영향을 미칠 수 있으며, 특히 수문학적 가뭄은 하천 유량과 수자원 가용성의 감소로 농업 생산성 저하, 식수 부족, 생태계 파괴 등 다양한 분야에 심각한 영향을 미칠 수 있다(Van Loon et al., 2016; Mahabadi and Delavar, 2024). 따라서 미래 유출량과 수문학적 가뭄의 변동성을 이해하고 분석하는 것은 효과적인 수자원 관리 및 대응 전략 수립을 위해 필수적이다(Zhang et al., 2024).
미래 수문 분석에서 General Circulation Model (GCM)은 대기와 해양의 물리적 과정을 수학적으로 모형화하여 기후 변수를 예측하는 데 중요한 도구로 사용된다(Kim et al., 2021). CMIP (Coupled Model Intercomparison Project) 6는 새로운 기후변화 시나리오인 SSP (Shared Socioeconomic Pathways) 시나리오를 도입하여 미래 사회 및 환경 변화를 고려한 기후 예측 정보를 제공한다(O'Neill et al., 2016). 그러나 GCM은 구조적 복잡성과 시나리오 기반 입력의 변동성으로 인해 기후변화 시나리오와 GCM에 따라 서로 다른 미래 기후 자료를 추정하며, 이는 불확실성을 초래한다(Broderick et al., 2016). 따라서 미래 수문 분석을 위해서는 다양한 SSP와 GCM을 고려하는 것이 필수적이다(Vetter et al., 2015).
수문학적 가뭄을 분석하기 위해서는 신뢰할 수 있는 유출량 모의가 필요하며, 이를 위해 수문 모형의 매개변수 보정이 필요하다(Kim et al., 2023). 수문모형 중 Soil and Water Assessment Tool (SWAT) 모형은 기상 자료, 토양 자료, 토지이용 자료 등을 입력자료로 사용하여 유출량을 모의하며, 미래의 수문 순환을 예측할 수 있다(Arnold et al., 1998). 그러나 SWAT 모형의 매개변수 보정 과정은 모형의 유출량 모의 성능에 큰 영향을 미치며, 보정자료의 선택(보정 기간의 길이와 수문조건)은 수문모형 매개변수 보정에 큰 영향을 미친다(Bai et al., 2021; Shin and Jung, 2022).
미래 수문 분석의 불확실성은 기후변화 시나리오, GCM, 수문 모형 보정자료 등의 다양한 요인에 기인한다(Wang et al., 2022). 기존 연구들은 미래 기후 자료에 집중하여 연구를 수행하였지만(Shi et al., 2022; Lee et al., 2021), 수문 모형 보정의 불확실성과 결합될 경우 더 큰 불확실성을 초래할 수 있다(Wang et al., 2020). 따라서 미래 수문학적 가뭄 분석의 불확실성을 분석하기 위해서는 수문 모형 보정 과정에서의 불확실성을 고려하고 이에 따른 차이를 파악할 필요가 있다(Feng et al., 2019).
본 연구에서는 섬진강댐 상류 유역을 대상으로 기후변화 시나리오와 수문 모형 보정 자료의 특성이 미래 수문학적 가뭄분석에 미치는 영향을 분석하고자 한다. 이를 위해 CMIP6 20개 GCM과 SSP2-4.5, SSP3-7.0, SSP5-8.5 시나리오를 활용하여 미래 기후 자료를 구축하였으며, SWAT 모형을 이용하여 미래 유출량을 추정하였다. 그 후, 추정된 미래 유출량 자료를 이용해 불확실성 요인에 따른 미래 수문학적 가뭄을 분석하였다. 본 연구의 결과는 미래 수문 분석 시, 미래 기후변화 자료뿐만 아니라 수문 모형 보정의 중요성을 강조하고, 보정자료의 특성이 미래 수문학적 가뭄 분석에 미치는 영향을 분석함으로써 기후변화 하에서의 수자원 관리 및 계획 수립에 유용한 정보를 제공하고자 한다.
2. 방법론
2.1 연구대상유역
본 연구에서는 기상청 기상관측소 자료와 유량 관측 자료를 이용하여, 기후변화 시나리오와 수문 모형 보정자료로 인한 미래 수문학적 가뭄을 분석하기 위한 연구 대상 유역을 선정하였다. 대한민국의 여러 유역 중 유출량 관측자료가 풍부한 유역을 고려하였으며, 기상관측소 위치를 이용한 티센(Thiessen) 다각형 망도를 제작하여 해당 유역의 기상관측소를 선정하였다. 이러한 과정을 통해 관측자료가 풍부한 댐 상류 유역을 검토하였으며, 그중에서 섬진강댐 상류 유역을 연구 대상으로 선정하였다. 섬진강댐 상류 유역은 Fig. 1과 같이 우리나라 남서쪽(위도 35.0°~36.0°, 경도 126.5°~127.5°)에 위치한다. 섬진강댐 상류 유역은 유역면적 733 km2이며, 유역 대부분이 200 m 이상 고도에 위치한다. 섬진강댐 상류 유역에 해당하는 기상청 기상관측소는 정읍, 전주, 임실 관측소가 있으며, 연 평균기온은 11.3°C, 연 평균 강수량 1,335.6 mm이다. 또한, 댐 상류유역이기에 인공 구조물의 영향을 받지 않아 수문분석 시, 자연현상만을 고려한 수문 순환 모의가 가능하다. 수문모형 입력자료로 이용되는 지형자료는 한국토양정보시스템(Korean Soil Information System, KSIS), 환경지리정보원(Environmental Geographic Information Service, EGIS), 국토정보플랫폼을 이용해 구축하였다.
2.2 General circulation model (GCM) 및 미래 기후변화 시나리오
GCM은 대기, 해양, 지표면에서의 물리적 순환을 고려하여 온실가스 농도 변화에 따른 미래 기후 예측에 활용된다. 본 연구에서는 동아시아와 우리나라를 대상으로 한 연구에서 주로 사용된 CMIP6의 20개 GCM을 이용하여 분석을 진행하였다(Chae et al., 2024). 사용된 GCM의 상세 정보는 Table 1에 제시되어 있다. 미래 기후변화 시나리오는 IPCC (Intergovermental Panel on Climate Change)의 6차 평가 보고서에서 제시한 SSP 시나리오를 이용해 미래 기후자료를 구축하였다. SSP 시나리오는 기존의 온실가스 배출 농도 수준을 기준으로 하는 5차 평가 보고서의 RCP (Representative Concentration Pathway) 시나리오에 더해 기술 발전, 인구 변화, 기후변화 대응 제도, 에너지 사용 등의 사회 및 경제 체제를 함께 고려할 수 있다. SSP 시나리오는 미래 사회 및 경제적 변화를 기반으로 기후변화에 따른 완화와 적응 노력의 단계를 5개 시나리오로 구분한다. 본 연구에서는 SSP 시나리오 중, 기후변화에 대한 완화 및 적응 도전이 적절히 수행되는 SSP2-4.5 시나리오, 기후변화에 대한 완화 및 적응이 어려우며, 지속 가능한 에너지 변화가 늦어지는 SSP3-7.0 시나리오, 기후 정책의 부재로 에너지 수요가 높으며, 대체 에너지 투자가 부족한 가장 심각한 SSP5-8.5 시나리오를 고려해 연구를 진행하였다.
Table 1.
Information about the GCMs used in this study
GCM으로부터 얻은 기후 자료는 기상청에서 관리하는 기상관측소의 위치에 맞춰 역거리가중법(Inverse Distance Weighting, IDW)을 사용하여 공간적으로 보정되었다. 편의 보정을 위해서는 분위 매핑 방법을 적용하였는데, 이는 편의 보정에 널리 활용되는 기법이다(Song et al., 2020). 분위 매핑의 수식은 Eq. (1)과 같다.
여기서 은 편의 보정된 값이고, 은 모의된 값, 은 모의 값의 누적 분포 함수, 은 관측 값의 누적 분포 함수의 역함수를 나타낸다. 본 연구에서는 분위 매핑의 비모수적 변환 방법 중 하나인 평활 스플라인(Smoothing spline)을 사용하였다.
2.3 Soil and water assessment tool (SWAT)
본 연구에서는 입력자료가 비교적 간단하면서도 해당 유역의 장기적인 강우-유출 분석에 적합한 SWAT 모형을 선택하였다. SWAT은 물리적 기반 준-분포형 모형으로, 대규모 유역에서 장기간에 걸친 토지이용 변화와 기후 조건에 따른 유출량을 효과적으로 모의할 수 있다(Arnold et al., 1998). 또한 농업, 수질, 유역 관리 등 다양한 분야에서 널리 사용되며, 기후변화에 따른 수문영향 연구에도 널리 활용되고 있다. SWAT 모형의 수문 순환 과정은 Eq. (2)에 따라 이루어진다.
여기서 는 초기 토양 수분 함량(mm), 는 일최종 토양 수분(mm), 는 강수량(mm), 는 지표 유출량(mm), 는 증발산량(mm), 는 침투 수량(mm), 는 지하수 유출량(mm), 는 시간(일)을 의미한다.
SWAT 모형 매개변수는 R 언어 기반의 R-SWAT을 이용해 보정되었다. R-SWAT은 SUFI-2 알고리즘이 포함되어 있으며 신뢰성 높은 매개변수 보정과 유출량 모의를 지원한다(Nguyen et al., 2022).
2.4 수문학적 가뭄지수
본 연구에서는 보정자료의 수문조건과 수문학적 가뭄을 분석하기 위해 SDI (Streamflow drought index)를 이용해 수문학적 가뭄 분석 및 수문조건을 정의하였다. SDI는 연구 대상 지역의 유출량에 따라 가뭄 상태 및 심각성을 정량화할 수 있다(Nalbantis and Tsakiris, 2009). 관측된 유출량 자료와 과거 기간을 비교하여 Eq. (3)과 같이 산정된다.
여기서, 는 번째 연도에서 기간 동안 누적된 유출량 값이며, 와 는 각각 누적된 유출량의 평균과 표준편차이다.
일반적으로 작은 규모의 하천은 유출량 값이 Gamma 분포형에 근접하게 되며, 이에 따라 확률분포형이 왜곡될 수 있으므로, 정규분포에 적합하도록 변환해야 한다. 따라서 SDI는 2변수 log 정규 분포형으로 변환하여 최종적으로 Eq. (4)와 같이 산정할 수 있으며, 는 Eq. (5)와 같이 하천의 유출량 값에 자연 log를 취해 얻을 수 있다.
2.5 수문모형 보정 조건 설정
미래 수문학적 가뭄 분석과정에서 기후변화 시나리오, GCM에 더해 수문모형 보정 조건에 따른 차이 분석을 수행하고자 하였다. 수문모형 보정 조건은 기존의 연구들에서 집중하는 보정자료의 양(길이)에 더해 수문조건을 함께 고려하였다. 보정자료 길이에 의한 영향을 고려하기 위해 Fig. 2와 같이 수문모형 보정에 이용되는 보정자료를 1년부터 20년까지로 설정하였다. 보정자료의 수문조건은 SDI를 이용해 설정하였다. SDI는 일반적으로 해당 지역의 관측 유출량 자료를 이용해 수문학적 가뭄을 판단하는데 이용된다. 본 연구에서는 수문모형의 보정에 이용되는 과거 관측 기간의 관측 유출량 자료로 SDI를 산정한 후, 산정된 SDI에 따라 수문조건을 설정하였다. 수문조건은 SDI의 가뭄 분류에 따라 0.5 이상을 습윤, -0.5 이하를 건조, 그리고 그 사이를 평년으로 설정하였다. 수문 모형 보정에 이용되는 보정자료의 기간과 보정 성능 검증에 이용되는 검증 기간은 중복을 방지하기 위해 명확히 분리하여 다양한 보정자료의 길이와 수문조건을 고려해 연구를 수행하였다.
3. 연구결과
3.1 SWAT 모형 보정 전, 후 유출모의 성능
본 연구에서는 SWAT 모형 보정에 이용되는 보정 자료의 길이와 수문조건을 고려하여 미래 수문학적 가뭄 분석을 수행하였다. 이를 위해 섬진강댐의 1980년부터 2023년까지의 댐 유입량 자료를 이용하여 연구를 수행하였다. 1년부터 20년까지의 보정 자료 길이와 SDI에 의해 정의된 수문조건을 고려하기 위해, 과거 섬진강댐의 유입량 관측자료를 이용하여 SDI를 산정하였으며, 이에 따른 수문조건은 Fig. 3에 제시하였다. SDI 산정 결과, 섬진강댐 유역의 1995년, 2005~2006년, 2018~2019년의 실제 가뭄 사례를 모의할 수 있음을 확인하였다. 즉, 과거 관측 유입량을 이용하여 SDI로 정의된 수문조건 설정은 실제 유역 내 수문 상태를 반영할 수 있음을 의미한다.
미래 수문학적 가뭄 분석을 위한 수문모형 보정은 목적함수 중, KGE (Kling-Gupta efficiency)로 설정해 SWAT 모형 보정을 수행하였다. KGE는 관측 유출량과 모의 유출량 간 평균 편향성, 변동 편향성, 교차 상관 관계(수문상태의 시기 차이)를 고려할 수 있는 장점이 있으며(Gupta et al., 2009), 이에 따라 모의성능은 KGE 값을 이용해 평가하였다. SWAT 보정 전, 후 KGE 값은 Fig. 4와 같다. SWAT 모형 매개변수 보정 후 KGE 값은 0.63에서 0.78로 상승하였다. 일반적으로 KGE 값이 0.5 이상일 경우, 모의 성능이 높다고 판단할 수 있다. 매개변수 보정 후, 모든 보정자료 길이에서 0.5 이상으로 상승하였으며, 이는 특히 보정자료 길이 1년에서 가장 높게 상승하였다. 보정자료의 길이가 같더라도, 보정 기간의 차이에 따른 모의 성능 편차분석을 위해선 사분위 수 범위(Interquartile range, IQR)를 이용해 분석하였다. 보정자료 길이 1년에서 KGE의 IQR은 보정 전 0.19에서 보정 후 0.18로 감소하였으며, 중앙값은 보정 전 0.57에서 보정 후 0.75로 증가하였다. SWAT 모형 보정 수행 후, 보정자료 길이가 같아도 보정자료 기간에 따른 유출량 모의 성능 편차를 줄일 수 있었다.
3.2 수문모형 보정자료에 따른 검증기간 유출모의 성능
보정 기간과 검증 기간의 독립성을 유지한 보정자료 길이에 따른 SWAT 모형 검증 성능은 Fig. 5와 같다. 분석결과 수문모형 보정자료의 길이가 길수록 모형 안정성이 높아질 수 있지만(Motavita et al., 2019), 너무 긴 기간의 자료는 비정상성을 포함해 모형 성능 저하를 발생시킬 수 있다(Ziarh et al., 2024)는 연구 결과와 같았다. 검증 기간에서의 유출모의 성능은 보정자료 길이 9년에서 평균 0.68로 가장 높았으며, 보정자료 길이 20년에서 0.60으로 가장 낮게 분석되었다. 보정자료 길이에 따른 전체적인 추세를 확인하기 위해 보정자료 길이에 따라 1~10년과 11~20년으로 나누어 분석을 수행하였다. 1~10년의 보정성능은 0.66으로 11~20년의 보정성능에 비해 높은 것으로 분석되었다. 보정 자료 길이에 따른 IQR은 14년에서 0.27로 가장 크며, 보정자료 길이 19년에서 0.18로 가장 작게 분석되었다. 1~10년의 IQR값은 0.23으로 11~20년의 IQR 값(0.21)에 비해 크게 분석되었다. 이는 보정자료 길이가 짧을 경우 보정 기간에 따른 보정성능 편차가 클 수 있음을 시사한다.
보정 기간과 검증 기간의 수문조건에 따른 유출 모의 성능을 분석하기 위해, 검증 기간을 건조, 평년, 습윤으로 구분한 후, 보정 기간의 SDI 값에 따라 검증 기간 유출 모의 KGE 값을 분류하였다. Fig. 6은 보정 기간의 SDI에 따른 각 검증 기간의 수문조건 별 KGE 값을 보여준다. 검증 기간 수문조건이 건조 또는 평년인 경우 보정 기간 SDI 값이 낮은 (건조한) 경우 검증성능 KGE 값이 높았으며, 검증 기간 수문조건이 습한 경우 SDI 값이 높은(습한) 경우 검증성능 KGE 값이 높은 것으로 분석되었다. 이에 보정 및 검증 기간의 수문조건에 따른 KGE 값 평균은 Table 2와 같다. 검증 기간의 수문조건이 건조할 경우 보정 기간이 건조한 KGE 값은 0.557로 가장 높았으며, 보정 기간이 습한 KGE 값은 0.515로 가장 낮았다. 검증 기간 수문조건이 습할 경우, 보정 기간이 습한 KGE 값은 0.684로 가장 높으며, 보정 기간이 건조한 KGE 값은 0.674로 가장 낮았다. 즉, 수문모형의 보정 과정에서 보정 자료 길이보다 수문조건에 의한 영향이 더 큰 것으로 분석되었다. 이는 Bai et al. (2021)의 연구에서 보정 자료의 특성이 유출 모의 성능에 영향을 준다는 결과와 일치하였다.
Table 2.
Validation performance based on hydrological conditions during calibration and validation periods
| Hydrological conditions of validation period | Hydrological conditions of calibration period | ||
| Dry | Normal | Wet | |
| Dry | 0.557 | 0.544 | 0.515 |
| Normal | 0.677 | 0.671 | 0.650 |
| Wet | 0.674 | 0.681 | 0.684 |
3.3 미래 기후자료 구축
섬진강 댐 상류 유역의 인접한 기상청 기상관측소의 관측자료를 이용해 CMIP6 GCM의 일 단위 강수, 최고 온도, 최저 온도에 대한 편의보정을 수행하였다. 편의보정은 먼저, 격자 형태로 제공되는 GCM 자료를 정읍, 전주, 임실의 기상관측소 위치에 맞춰 역거리 가중법을 적용하여 각 관측소에 맞는 일 단위 데이터를 산출하였다. 그 후, GCM의 시스템적 편차를 줄이기 위해 분위수 매핑 기법을 적용하여 편의보정을 수행하였다. 이 과정에서 관측된 자료와 모델 예측값 간의 차이를 줄여, 관측된 기후 조건에 부합하도록 조정하였다. Fig. 7은 편의보정 전후의 결과를 Taylor 다이어그램으로 나타내었다. Taylor 다이어그램은 여러 가지 통계적 척도를 시각적으로 표현하여 모델의 성능을 평가하는 도구로, Pearson 상관계수, 표준편차, RMSE의 정보를 한 번에 나타낼 수 있다. 이를 통해 GCM의 편의보정 전후 성능을 비교하고, 모형의 적합성을 시각적으로 평가할 수 있다. 일 단위 GCM 강수량은 편의보정 후 Pearson 계수는 0.04에서 0.99, RMSE는 4.43 mm에서 0.05 mm로 감소하였으며, 일 단위 최고, 최저 기온의 Pearson 계수는 1.00에 가깝게, RMSE는 평균 0.08°C로 성능이 향상되었다. 이는 미래 수문학적 가뭄에 이용되는 GCM 기반 기후자료가 과거 기간의 기후 조건을 반영할 수 있으며, 이를 반영해 구축된 미래 기후자료가 연구 수행에 적합함을 의미한다.
3.4 미래 유출량 추정 및 변동
미래 기후자료를 이용한 미래 유출량 추정및 분석은 근 미래(2041~2070년), 먼 미래(2071~2100년)로 나누어 수행하였다. 과거기간 관측 유입량대비 추정된 미래 유출량 변화는 Fig. 8과 같다. 미래 유출량은 과거 대비 증가하는 것으로 분석되었다. 이러한 증가는 근 미래보다 먼 미래에서 크게 증가하였으며, 사계절 중 특히 봄철(3~5월)에 가장 크게 증가하였다. 여름철(6~8월)의 경우 사계절 중 과거대비 유출량 변화는 가장 적게 분석되었으며, 이러한 변화는 SSP5-8.5에서 가장 크게 변화하는 것으로 분석되었다.
보정자료 수문조건에 따른 미래 유출량 추정 차이는 수자원 관리 측면에서 중요한 극한 유출량을 고려해 분석하였다. 극한유량은 유량지속곡선(Flow Duration Curve, FDC)을 이용해 산정하였으며, FDC는 유역 내 유량의 빈도 분포를 나타내는 곡선으로, 특정 기간 동안의 유량 자료를 내림차순으로 정렬하여 각 유량이 전체 기간 중 몇 퍼센트의 빈도를 가지는지를 나타낸다. 본 연구에서는 정읍, 전주, 임실 관측소에서 수집된 유량 자료를 사용하여 유량지속곡선을 산정하였다. 유량지속곡선에서 극한 유출량은 특정 빈도에 해당하는 유량을 의미하며, 본 연구에서는 Q75를 극한 유출량으로 설정하였다. Q75는 전체 유량 중 75% 이상의 기간 동안 유지되는 유량을 의미하며, 이는 유역 내에서 상대적으로 낮은 빈도의 유량을 대표하는 값으로, 가뭄 시기나 저유량 조건을 평가하는 데 유용하다. 보정자료 수문조건에 따른 극한 유출량(Q75) 차이는 Table 3과 같다. 보정자료 수문조건에 의한 극한 유출량(Q75) 차이 및 변화율은 SSP2-4.5에서 근 미래 4.61 m3/s (9.84%), 먼 미래 4.51 m3/s (9.61%), SSP3-7.0에서 근 미래 4.23 m3/s (11.24%), 먼 미래 4.64 m3/s (9.76%), SSP5-8.5에서 근 미래 4..64 m3/s (9.37%), 먼 미래 4.97 m3/s (9.12%)로 분석되었다.
Table 3.
Differences in extreme runoff according to hydrological model calibration
| SSPs |
Near future (2041~2070) |
Far future (2071~2100) | ||
| Q75 Differ (m3/s) | Ratio (%) | Q75 Differ (m3/s) | Ratio (%) | |
| SSP2-4.5 | 4.61 | 9.84 | 4.51 | 9.61 |
| SSP3-7.0 | 4.23 | 11.24 | 4.64 | 9.76 |
| SSP5-8.5 | 4.64 | 9.37 | 4.97 | 9.12 |
3.5 미래 기후변화시나리오, GCM, 수문모형 보정자료에 따른 미래 수문학적 가뭄분석
미래 기후변화 시나리오, GCM, 수문모형 보정자료가 미래 수문학적 가뭄분석에 미치는 영향을 분석하였다. 먼저 수문모형 보정자료가 미래 수문학적 가뭄분석에 미치는 영향을 분석하기 위해 추정된 미래 유출량 자료를 이용해 SDI를 산정하였다. 앞선 연구 결과에서 유출량 모의는 보정자료 길이보다 수문조건에 의한 영향을 크게 받기에 수문조건에 따른 영향에 집중하여 연구를 수행하였다. SDI의 지속기간은 3, 6, 12개월로 구분하여 산정하였으며, 수문모형 보정자료에 따른 미래 기간 가뭄발생횟수 차이는 Table 4와 같다. 수문모형 보정자료에 의한 미래 수문학적 가뭄 발생횟수 차이는 지속기간 3개월에서 가장 크게 나타나는 것으로 분석되었으며, 평균적으로 SSP5-8.5 시나리오에서 크게 발생하였다. 이에 따라 SDI 지속기간 3개월에 초점을 맞추어 분석을 수행하였다.
Table 4.
Differences in the occurrence of future hydrological droughts according to hydrological model calibration data
수문모형 보정자료에 의한 미래 수문학적 가뭄 분석의 영향을 확인한 후, SSP 시나리오와 GCM을 함께 고려하기 위한 분석을 수행하였다. 먼저 같은 수문모형 보정자료 조건에서 SSP 시나리오와 GCM의 조합이 수문학적 가뭄분석에 미치는 영향을 분석하였다. Table 5는 SSP 시나리오와 각 GCM의 조합에 따른 미래 수문학적 가뭄 발생횟수를 보여준다. GCM 중 M14는 평균 59.6회로 가장 수문학적 가뭄이 자주 발생했으며, M19는 평균 48.6회로 수문학적 가뭄이 가장 적게 발생하였다. SSP 시나리오와 GCM의 조합 중 SSP2-4.5의 근 미래에서 M14는 70.7회로 수문학적 가뭄이 가장 자주 발생했으며, SSP5-8.5의 먼 미래에서 M5는 37.3회로 수문학적 가뭄이 가장 적게 발생하였다.
Table 5.
Differences in future hydrological drought occurrence frequency according to combination of SSP scenario and GCM
SSP 시나리오, GCM, 수문 모형 보정 자료가 미래 수문학적 가뭄 분석에 미치는 영향을 분석하기 위해, 가뭄이 가장 자주 발생하는 SSP 시나리오와 GCM 조합에 건조한 보정 자료 매개변수를 사용하고, 가뭄이 가장 적게 발생하는 SSP 시나리오와 GCM 조합에 습한 보정 자료 매개변수를 적용하여 그 차이를 분석하였다. Fig. 9는 미래 수문학적 가뭄을 SDI 산정 결과에 따라 -1.0 이하의 가뭄과 -1.5 이하의 심한 가뭄으로 나누어 그 차이를 보여준다. SSP 시나리오, GCM 수문모형 보정자료에 따른 미래 수문학적 가뭄 발생횟수 차이는 SDI -1.0 이하의 가뭄에선 35.1회, SDI -1.5 이하의 심한 가뭄에선 20.7회 발생하는 것으로 분석되었다. 수문 모형 보정 자료, SSP 시나리오, GCM에 따른 가뭄 발생 횟수의 차이는 Wang et al. (2022)의 연구와 같이 기후변화 시나리오, GCM에 의한 차이가 컸으나, 수문모형 보정자료의 고려 필요성도 확인할 수 있었다.
4. 결론 및 고찰
본 연구에서는 섬진강댐 상류 유역을 대상으로 기후변화 시나리오, GCM, 수문 모형 보정 자료의 특성이 미래 수문학적 가뭄 분석 변동에 미치는 영향을 종합적으로 분석하였다. 이를 위해 CMIP6의 20개 GCM과 SSP2-4.5, SSP3-7.0, SSP5- 8.5 시나리오를 활용하여 미래 기후 자료를 구축하고, SWAT 모형을 이용하여 미래 유출량을 추정하였다.
수문 모형의 보정 자료 길이와 수문조건은 수문 모형의 성능과 미래 수문학적 가뭄 예측에 중요한 영향을 미치는 것으로 나타났으며, 특히 보정 기간의 수문조건이 보정 자료 길이보다 더 큰 영향을 미치는 것으로 분석되었다. 이는 기존 연구에서 주로 보정 자료의 양(길이)에 초점을 맞춘 것과 달리, 보정 기간의 수문조건이 수문 모형의 성능에 미치는 영향을 강조한 것으로서, 수문 모형 보정 시 보정 기간 및 수문조건의 중요성을 부각시켰다.
미래 유출량은 과거 대비 증가하는 경향을 보였으며, 특히 봄철과 SSP5-8.5 시나리오에서 그 증가 폭이 크게 나타났다. 그러나 여름철의 경우 과거 관측 유출량 대비 변화가 미미하여 계절별 차이가 존재함을 확인하였다. 극한 유출량 분석 결과, 수문 모형 보정 자료에 따라 차이가 10% 내외로 발생하였으며, 이는 수자원 관리에 실질적인 영향을 줄 수 있음을 확인하였다. 미래 수문학적 가뭄은 SDI를 이용하여 발생 횟수를 산정한 결과, 기후변화 시나리오, GCM, 수문 모형 보정 자료에 따라 수문학적 가뭄 발생 횟수의 차이가 발생하였다. 이러한 차이는 지속기간 3개월에서 크게 나타났으며, 미래 기간 SSP 시나리오, GCM, 수문 모형 보정 자료에 의한 가뭄 발생 횟수는 약 35.1회, 심한 가뭄 발생 횟수는 20.7회로 나타났다.
본 연구는 기존의 기후변화 시나리오와 GCM에 의한 불확실성 연구에 더해, 수문 모형 보정 자료의 특성에 따른 불확실성을 함께 고려함으로써 미래 수문학적 가뭄 분석에 대한 종합적인 이해를 제공하였다. 이는 수문 모형 보정 과정에서 보정 자료의 수문조건이 모델 성능과 예측 결과에 미치는 영향을 정량적으로 평가하였다는 점에서 기존 연구와 차별성을 가진다. 그러나 본 연구는 특정 유역을 대상으로 수행되었기 때문에 다른 지역에 대한 일반화에는 한계가 있을 수 있다. 따라서 향후 연구에서는 다양한 유역을 대상으로 본 연구의 방법론을 적용하여 결과의 일반성을 검증할 필요가 있다.
결론적으로, 미래 수자원 관리를 위한 수문학적 가뭄 분석 시, 미래 기후 자료와 수문 모형에 따른 변동성을 종합적으로 고려하는 것이 중요하며, 특히 수문 모형 보정 과정에서 보정 기간의 수문조건을 신중하게 선택하는 것이 필요함을 확인하였다.
