Research Article

Journal of Korea Water Resources Association. 31 January 2025. 1-12
https://doi.org/10.3741/JKWRA.2025.58.1.1

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 대상지역 선정 및 방법론

  •   2.1 대상지역 선정 및 자료 구축

  •   2.2 분야별 기상/농업/수문학적 가뭄지수 산정

  •   2.3 BPCA 기반 통합가뭄지수 산정

  • 3. 결 과

  •   3.1 분야별 기상/농업/수문학적 가뭄 예ㆍ경보 정보 수집 및 분석

  •   3.2 BPCA 기반 통합가뭄지수 산정

  •   3.3 BPCA-based IDI 및 분야별 가뭄지수 간 상관분석

  •   3.4 IDI와 가뭄 예ㆍ경보 간의 ROC 검증

  • 4. 결 론

1. 서 론

지구 온난화로 인한 기후 변화는 수문과 관련한 극한적인 현상 변화를 초래하고 있으며, 가뭄재해가 그 중 하나이다(Oliver, 2005). 가뭄의 발생은 정상적인 물 공급 부족에서 시작되어 시간 흐름에 따른 순차적 가뭄 발생 메커니즘으로 이어질 수 있다(Van Lanen, 2006). 유역에 발생하는 강수 부족으로 인해 농업적 및 수문학적 가뭄에서 환경 및 사회경제적 가뭄 문제로 확산될 수 있으며, 가뭄피해도 농업, 수자원 관리, 생태계 및 지역사회 등 광범위하게 나타나기 때문에 분야별 100개 이상의 다양한 가뭄정의 및 가뭄지표 등이 제시되고 있다(Shin et al., 2020; Sur et al., 2019; Lloyd-Hughes, 2014). 따라서 가뭄을 “정상적인 조건에 대한 물 결핍”으로 정의하고, 이를 수자원 공급, 수요 및 관리와 연계하여 종합적인 상황으로 이해하는 것이 필수적이지만, 특정상황이나 영향을 강조할 뿐이며, 통합적이고 보편적인 기준을 제공하지 못하고 있는 실정이다(Lloyd-Hughes, 2014).

가뭄 정의의 다양성은 관련 부처별 대응에는 용이할 수 있으나, 과학적, 정책적 및 사회경제적 측면에서는 다양한 이해관계자들이 가뭄을 각기 다르게 인식하게 만들 수 있으며, 실질적인 가뭄 관리 및 정책 개발에 장애가 될 수 있다(Lloyd-Hughes, 2014). 우리나라의 경우, 기상은 기상청, 농업은 농촌진흥청, 수문은 환경부에서 관리하고 있어 각각의 기관은 가뭄 판단 인자를 특정하여 가뭄 평가 및 개별 대응 방안이 마련되고 있다. 반면에 가뭄이 자연재난에 포함됨에 따라 행정안전부를 중심으로 가뭄 대응체계를 이루고 있지만, 종합적인 가뭄 평가 방안이 부재하므로 통합적이고 실질적인 가뭄재난의 대응을 위해서는 어려움이 있다. 따라서 사회전반에 걸친 가뭄 피해의 발생특성을 고려한 종합적인 가뭄 모니터링 및 가뭄재난 대응방안이 강구되어야 하며, 가뭄의 다양성 있는 요인들을 포함한 포괄적인 가뭄 평가 및 종합적인 정보 제공을 목적으로 하는 통합가뭄지수(Integrated Drought Index, IDI)가 그 중 하나이다.

가뭄현상은 특정분야에 국한되지 않고 여러 상황에서 복잡하게 나타나기 때문에, 이를 단일 가뭄지수로 모니터링하는 것은 어려움이 있다(Hao and AghaKouchak, 2014). 반면에 다양한 유형의 가뭄정보를 적절한 지수 형태로 결합하는 것이 가뭄 모니터링에 유용할 수 있다(Kim et al., 2022). 통합가뭄지수는 기상, 농업 및 수문학적 가뭄 등 여러 가뭄 상황을 종합적으로 평가하기 위해 둘 이상의 가뭄지수를 통합한 새로운 가뭄지수를 도출하는 것으로 다양한 연구가 이루어지고 있다. Hao and AghKouchak (2014)은 기상학적 가뭄지수와 토양수분 정보를 통합하기 위해서 코플라를 적용한 Multivariate Standardized Drought Index (MSDI)를 적용한 바 있다. 다만, 변수가 3개 이상의 고차원 모델링을 구성하는 경우 유연성 부족이라는 한계가 있다(Rajsekhar et al., 2015). Svoboda et al. (2002)은 객관적인 가뭄지표를 조합하여 가뭄을 평가하는 Objective Blend of Drought Indicators (OBDI)를 제시했다. 이는 기후 예측 센터의 토양수분 모델을 결합하여 백분위수에 따른 입력자료 표준화 변환과 각 지수에 대한 임계값 및 가중치 할당 방식을 포함하나, 가뭄 등급 결정은 해당지역 전문가들의 의견이 반영된다. Sepulcre-Canto et al. (2012)는 농업 기후에 대한 가뭄 평가를 위해 Standardized Precipitation Index (SPI), Soil Moisture Anomaly (SMA), FAPAR Anomaly의 세 가지 주요지표를 통합하는 Combined Drought Indicator (CDI)를 제시하였으며, 각 지표의 임계점을 설정하여 다섯 가지 기준으로 가뭄 평가를 하였다. 다만, 이러한 방법들은 우리나라와 같이 기상, 농업, 수문학적 가뭄의 세 가지 가뭄 예ㆍ경보가 이루어짐에 따라 이를 하나의 통합가뭄지수로 산정하기 위해서는 어려움이 있다.

앞서 제시된 여러 방법론 외에 적용 가능한 방법으로 기상, 농업, 수문학적 가뭄 지수를 입력 인자로 하여 주성분 분석(Principal Component Analysis, PCA)을 통한 단일한 통합 가뭄 지수 산정 방법이 있다. PCA는 차원 축소에 사용되는 도구로 분산이 큰 방향을 주성분으로 설정하여 자료의 고유정보를 최대한 유지하면서 고차원 데이터의 차원을 감소시키는 기법이다(Jolliffe and Cadima, 2016; Jolliffe, 2002). Ali et al. (2022)는 PCA를 이용하여 통합가뭄지수를 산정하였다. 이를 위해서 기상은 SPI, 농업은 Standardized Evapotranspiration Index (SETI) 및 Standardized Soil Moisture Index (SSMI), 수문은 Standardized Runoff Index (SRI)를 입력 인자로 적용하였다. 다만, 결측 자료가 포함되는 경우와 적절한 주성분의 수를 선택하는 경우에는 통합가뭄지수 산정에 어려움이 있다(Bishop, 1999).

PCA 적용에 따른 문제점은 베이지안 이론을 적용한 확률론적 접근방법을 통해 개선될 수 있다(Bishop, 1999). 베이지안 이론은 가뭄평가를 위한 목적으로 다양성 있게 적용되고 있으며(Kim et al., 2022), Shin et al. (2017)은 베이지안 네트워크 모델(Bayesian Network Model)을 이용하여 수문학적 가뭄의 확률적 예측을 수행했고, Yoo et al. (2014)는 기상학적 가뭄지수의 민감도를 확률적으로 평가하였다. 또한, 여러 가뭄지수를 포괄한 확률적 가뭄평가를 위한 Dynamic Naive Bayesian Classifier (DNBC)가 제안되었으며, Chen et al. (2018)은 DNBC에 따른 SPI, Streamflow Drought Index (SDI), Normalized Vegetation Supply Index (NVSWI) 등 여러 가뭄지수를 포함하는 확률적 가뭄 평가가 단일 지수보다 정확도를 높게 평가함을 제시하였고, Kim et al. (2022)은 Bayesian Classifier-based Multiple Drought Index (DNBC-MDI) 개발을 통해 가뭄지수와 물 공급용량을 통합하는 여러 영향요인을 고려한 가뭄위험평가를 수행하였다. 통합가뭄지수 산정을 위해서도 베이지안 이론이 적용되었으며, Bishop (1999)은 확률론적인 접근을 통해 최적의 차원 수를 선택할 수 있는 다변량 통계 모델인 Bayesian PCA (BPCA)를 제안하였다. BPCA는 자료의 결측치가 있는 경우에도 통합가뭄지수 산정에 유용성이 있다(Lai and Kuok, 2019; Oba et al., 2003).

통합가뭄지수 산정 방법론과 함께 분야별 가뭄지수의 선택문제도 신중히 고려되어야 한다. 가뭄 지수의 선택은 가뭄관리 및 대응을 위한 전제 조건이며, 해당 지역의 사용목적과의 일치성이 필요하다(Lee et al., 2021; Won and Chung, 2016). 국내의 경우 2016년 3월부터 분야별 기상, 농업, 수문학적 가뭄 예경보가 시행되고 있으며, 기상은 SPI를 적용하는 반면에 농업 및 수문학적 가뭄은 각각 예년대비 물 부족정도를 평가하고 있다. 따라서 Jeong et al. (2024a)은 국내 예ㆍ경보 현황을 고려한 댐 저수량 기반의 수문학적 가뭄지수 산정을 위해 Standardized Reservoir Storage Index (SRSI)를 적용을 통해 SPI (6)과 SRSI 간의 전이분석을 수행한 바 있으며, 이외에도 여러 연구에서 SRSI를 적용한 가뭄지수 산정이 이루어지고 있다(Schilstra et al., 2024; Torelló-Sentelles and Franzke, 2022).

본 연구에서는 국내 상황을 고려한 기상, 농업, 수문학적 가뭄지수를 입력 자료로 하여 BPCA 기반의 통합가뭄지수 산정 및 검증에 관한 연구를 수행하였다. 대상지역은 최근에 심각한 가뭄 피해 발생을 기록한 전남지역을 대상으로 하였으며, 전남의 22개 시군 중에서 기상, 농업, 수문학적 가뭄지수 산정이 가능한 19개 지역을 선정하였다. 자료 기간은 1991년부터 2024년 3월까지 월 단위로 가뭄지수를 구축하였다. 또한, 산정된 통합가뭄지수의 검증을 위해 2016년 3월부터 시행되고 있는 기상, 농업 및 수문학적 가뭄 예ㆍ경보 자료의 수집 및 이를 결합한 예ㆍ경보 결과를 이용하여 통합가뭄지수의 적정성 검토를 수행하였다.

BPCA의 확률론적 접근 방법에 따라 다양한 샘플링(10, 50, 100, 500)을 적용하였으며, 각각의 결과에 대한 평균 및 95% 신뢰수준에 따른 결과를 비교 검토하였다.

2. 대상지역 선정 및 방법론

2.1 대상지역 선정 및 자료 구축

통합가뭄지수의 산정을 위해서는 PCA 방법을 근간으로 기상, 농업, 수문학적 가뭄지수를 입력 자료로 구성하였고, 공간적 범위는 전남 22개 시군 중에서 분야별 가뭄지수 산정유무에 따라 농업용 가뭄 산정이 불가한 불가한 목포 및 수문학적 가뭄 산정이 불가한 영암, 영광 등 3개 지역을 제외한 19개 시군을 대상으로 하였다. 기상학적 가뭄 평가에는 SPI를 적용함에 따라 기상청 Automated Synoptic Observing System (ASOS)의 8개 관측소 선정 및 티센망법을 적용한 강수량 자료를 구축하였다. 농업가뭄은 논 저수율을 기반으로 농업가뭄을 평가함에 따라 농업용 저수지 정보를 수집하였다. 이 경우 저수지 정보가 없는 목포를 제외한 1,005개 저수지 자료를 수집하였다. 수문학적 가뭄은 국가가뭄정보포털의 원맵서비스에서 제공되는 시군별 제1수원 정보에 따라 댐, 저수지, 유량 자료로 구분하였고, 그 결과 영암, 영광 지역을 제외한 20개 지역의 자료를 수집하였다.

시간적 범위는 기상, 농업, 수문 자료의 공통 보유 기간을 고려하여 1991년부터 2024년 3월까지를 대상으로 하였고, 가뭄 예ㆍ경보 자료는 국내 도입 시기를 고려하여 2016년 1월부터 2024년 3월까지로 하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F1.jpg
Fig. 1.

Study area (22 cities and counties in Jeollanam-do)

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F2.jpg
Fig. 2.

Concept of SPI (Kwon and Sung, 2019) and range of drought index (SPI, SDI, SRSI)

2.2 분야별 기상/농업/수문학적 가뭄지수 산정

Svoboda and Fuchs (2016)은 가뭄 지수를 단일, 다중 및 복합 가뭄의 세 그룹으로 분류하고 있다. 단일 지수는 가뭄 영향을 받는 모든 유형의 가뭄과 기후 시스템을 설명하는데 한계점을 제시하였고, 합성 또는 모델링의 경우는 모델의 사용 용이성, 데이터 가용성 및 계산 가능성 등 여러 요인에 따른 지수 산정의 어려움을 지적하고 있다. 통합가뭄지수는 다양한 가뭄지수를 하나의 지수로 나타내는 것으로 다양한 가뭄 특성 정보가 반영될 수 있다. 따라서 분야별 가뭄지수를 단일지수로 산정하는 경우에도 통합가뭄지수는 복합적인 가뭄 특성을 나타낼 수 있다.

본 연구는 통합가뭄지수 산정을 위한 입력 자료 구축을 위해 국내 상황을 고려한 단일 입력자료 기반의 분야별 가뭄지수를 선택하였다. 또한, 분야별 가뭄지수의 가뭄 분류기준에 대한 범례의 일치성도 함께 고려하였다. 가뭄 범례가 일치하지 않는 경우에는 표준화 작업 등이 추가되어야 한다. 분야별 기상, 농업, 수문학적 가뭄지수는 통합가뭄지수 입력인자로 사용하게 되며, 분야별 가뭄 예ㆍ경보 자료를 통해 검증될 수 있다(Kim et al., 2021).

대표적인 기상학적 가뭄지수는 SPI로 물 부족을 유발하는 강수량 감소로 인해 가뭄이 시작된다는 사실에 기반하며(Mckee et al., 1993), 데이터 취득, 계산 용이성 등의 여러 사유로 가뭄 모니터링 등에 널리 사용되고 있다. SPI는 통계적 절차를 통해 누적된 시간 단위당 강수량 부족에 따른 개별 수원의 가뭄 영향을 나타내므로 다양한 가뭄 조건을 모니터링하기 위해서도 사용된다.

단일 가뭄지수의 단순성이 지적될 수 있는 반면에 가뭄 평가를 위한 강우량 자료의 보유 기간이 길어 장기간에 걸친 가뭄 평가에 유용하고, 사용성이 높음에 따른 경험적인 검증 및 타당성이 입증되고 있다(Jeong et al., 2024b; Nalbantis, 2008). 국내의 경우도 기상청은 SPI (6) 기반의 가뭄 예ㆍ경보를 수행하고 있다.

농업 및 수문학적 가뭄평가에는 Standardized Reservoir Storage Index (SRSI)를 적용하였다. Gusyev et al. (2015)는 물 공급 활용성을 위해 증발손실량과 댐 유출을 제외한 순 이용 가능한 댐저수량 기반의 단일 가뭄지수 산정 방법인 SRSI를 제시하였다. 또한, 하천유량은 SDI를 적용하였다(Nalbantis and Tsakiris, 2009). 두 방법 모두 SPI와 가뭄 산정절차가 유사하며, 동일한 가뭄 범주를 갖는다.

국내의 농업용 논 가뭄 평가는 저수지의 저수량에 따라 가뭄 평가가 이루어지므로 SRSI를 적용하였다. 다만, 전남 19개 시군에서 관측되고 있는 저수지는 824개이며, 나주시는 162개가 설치되어 있다. 따라서 농업용 가뭄지수 산정은 절차 내에서 해당 시군별 개별 저수지의 가뭄지수를 산정한 후에 저수지 정보에 따른 총저수량을 가중치로 하여 19개 시군별 가뭄지수를 산정하였다.

수문학적 가뭄 평가는 시군별 제1수원을 기준으로 입력 자료를 구축하였으며, 댐은 17개소, 저수지는 곡성군 1개소 및 하천유량은 구례 1개소로 확인되었다.

2.3 BPCA 기반 통합가뭄지수 산정

가뭄 현상은 어느 하나에 국한되어 표현되는 것이 아니라 분야별 다양한 상황에서 각각의 주요 변수와 관련하여 표현된다. 따라서 복잡한 가뭄 현상을 분석하기 위해서는 다양한 유형의 가뭄지수(기상, 농업 및 수문) 정보의 결합이 필요하며, 이를 통해 가뭄 모니터링의 정확도를 향상시킬 수 있다.

본 연구에서는 분야별 지상 관측 자료를 기반으로 다변량 통계 모델을 적용하기 위해 베이지안 추정과 PCA를 결합하는 BPCA 기반의 통합가뭄지수를 산정하였고, 가뭄 예ㆍ경보 이력을 바탕으로 비교 검증을 수행하였다.

2.3.1 Bayesian Principal Component Analysis

BPCA는 기존의 주성분 분석(PCA)을 확률론적으로 재구성하는 방법으로 관측 데이터와 관련 매개변수의 학습을 위해 Bayesian 추론이 적용된다. 따라서 관측자료(D)에 대한 사전분포(P(μ,W,σ2)를 정의하고, 우도함수결합을 통해 사후분포(P(μ,W,σ2|D)를 산정한다. 이러한 과정 내에서 주성분을 구성하는 가중치 행렬(W)과 평균 벡터(𝜇), 노이즈 분산(σ2)과 같은 매개변수를 포함하게 된다(Bishop, 1999).

베이지안 PCA의 주요 장점 중 하나는 모델의 유연성이며, 모델은 각 변수의 중요도를 반영하는 가중치를 통해 데이터의 구조를 더 효과적으로 설명할 수 있다. 또한, 사전 분포를 통해서 모델의 불확실성을 고려함으로써, 적은 자료 개수에서도 안정적인 결과를 제공할 수 있다. 따라서 베이지안 PCA는 고차원 데이터에서 중요한 정보를 효과적으로 추출하고, 주성분 분석의 한계를 극복하는 장점이 있다.

본 연구에서는 결측 데이터가 있는 고차원 데이터 세트를 추정하기 위해서 Oba et al. (2003)이 개발한 BPCA를 적용하였다. BPCA는 PCA의 확장된 방법으로 자료의 주요 패턴 식별 및 데이터 노이즈 감소를 통해 불확실성을 줄여줌으로써 선형 PCA에 비해 더 높은 분석력을 제공할 수 있다(Kim et al., 2022).

BPCA 기반 통합가뭄지수의 산정은 확률적인 접근을 통해 이루어지므로 가뭄지수의 결과가 매번 상이성이 있다. 따라서 샘플링을 통한 가뭄지수의 반복적인 산정 및 이에 대한 평균치를 대상지역의 통합가뭄지수로 적용하였다.

모델링은 Principal Component Regression, Bayesian Estimation 및 기대 극대화(Expectation-maximization, EM), 반복 알고리즘 등 세 가지 절차를 적용하였다(Lai and Kuok, 2019). 처음 두 절차는 적절한 매개변수를 도출하고 결정하기 위해 수행되었고, 세 번째 절차는 결측 값 추정에 사용되었다(Kim et al., 2021).

Fig. 3은 BPCA 기반 통합가뭄지수를 산정하는 절차이며, 통합가뭄지수의 입력 인자로 사용되는 분야별 세 가지 가뭄지수는 편의상 기상학적 가뭄지수는 MDI (Meteorological Drought Index), 농업적 가뭄지수는 ADI (Agricultural Drought Index), 수문학적 가뭄지수는 HDI (Hydrological Drought Index)로 명명하였다. 또한, 기상학적 가뭄은 MD, 농업적 가뭄은 AD, 수문학적 가뭄은 HD로 표기하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F3.jpg
Fig. 3.

Procedure of integrated drought Index

가뭄은 강수 부족이 전적으로 가뭄으로 이어지는 것은 아니며, 강수가 부족한 경우에도 저수지 물이 충분히 저장되어 있다면 가뭄 사상의 발생도 지연될 수 있다. 따라서 단일 가뭄지수가 가뭄을 경고하더라도 종합적인 상황을 고려하는 경에 가뭄 예ㆍ경보는 보수적일 수 있으므로 분야별 가뭄지수의 가뭄 판단과 분야별 가뭄 예ㆍ경보 간의 불일치성이 증가할 수 있다. 따라서 BPCA 산정절차 내에서 분야별 가뭄지수에 대한 Resample을 통해 자료를 보정한다.

BPCA 절차 내에서는 데이터를 δµ에 따라 증감시키는 것이며, 관측치 Xi를 n으로 대체하고, 관측치의 크기에 따른 가중치 할당이 이루어진다(Kim et al., 2022).

(1)
Wi,n=i/n

여기서 i=1,2,3,...,n이고 데이터 행렬은 정렬된 Xi와 같은 순서로 재배열이 이루어진다. 할당 가중치 Wi,n은 시뮬레이션을 통한 Xi의 선택 확률이며, δμ에 따른 의도적인 증감의 변화는 가중치 순서(r)를 고려한 Eq. (2)로 일반화 할 수 있다.

(2)
δμ=μ~=μ^=1ψi=1nWi,nXi1ni=1nXi,ψ=i=1nWi,nδμ(r)=μ~(r)=μ^=1ψri=1nWi,nrXi1ni=1nXi,ψr=i=1nWi,nr

BPCA 가중치 결정을 위한 r의 선택에는 Self-organizing Migrating Algorithm (SOMA) 최적화 기법을 적용하였다(Zelinka, 2004). 여기서, r이 음수이면 δμ(r)도 음수로 건조 상태를 의미하고, r이 양수인 경우는 δμ(r)도 양수이며, 습한 상태를 나타낸다. 목적함수는 최대 가뭄 특이성과 전반적인 정확도를 반영한다.

2.3.2 Receiver Operating Characteristic (ROC)

불확실성 평가 방법 중 하나가 Receiver Operating Characteristic (ROC)이다(Bae et al., 2013; Kim and Lee, 2011). 본 연구에서는 가뭄 지수의 검증을 위해 혼동행렬 구성을 통한 ROC 분석을 수행하였다.

Fig. 4는 혼동행렬 구성을 나타낸 것으로 임계값 -1을 기준으로 통합가뭄지수의 가뭄 발생 유무를 결정하고 가뭄 예ㆍ경보 발생 여부를 확인하기 위한 혼동행렬을 구성하였다. 가뭄지수 및 예ㆍ경보 모두 가뭄 상황인 경우는 TP (True Positive), 영향이 없는 경우는 TN (True Negative)으로 분류하였다. 반면 가뭄의 발생이 일치하지 않는 경우는 각각 FP (False Positive)와 FN (False Negative)로 구분하였다. ROC는 0과 1 값의 범주이며, 1에 가까울수록 높은 성능을 의미한다(Kim et al., 2022).

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F4.jpg
Fig. 4.

Confusion matrix of the ROC

본 연구에서 ROC 분석은 통합가뭄지수와 실제 예ㆍ경보 일치성을 통한 가뭄지수 검증 및 ROC 평가점수에 따른 가뭄지수 수정에 활용되었다. 성능평가에는 가뭄 특이성 및 정확성이 고려되었고, SOMA 최적화 기법을 통해 BPCA 가중치를 결정하였다. 목적함수는 분야별 가뭄지수이며, 분야별 가뭄지수의 가뭄 판단과 실제 예ㆍ경보 발생에 따른 최대 가뭄 특이성과 전반적인 정확도로 값을 추정하였으며, 가중치 적용 범위는 -20%~+20%로 1% 단위 조정 및 검증을 수행하였다.

3. 결 과

3.1 분야별 기상/농업/수문학적 가뭄 예ㆍ경보 정보 수집 및 분석

국내의 경우 167개 시군을 대상으로 2016년 3월부터 월별 및 분야별 기상, 농업, 수문학적 가뭄 예ㆍ경보를 실시하고 있다. 기상은 SPI (6)을 기준으로 예ㆍ경보가 실시되고, 농업(논)의 경우는 농업용 저수지 저수율, 수문은 시군별 제1수원인 댐 저수량, 저수지, 댐 유량 등을 기반으로 판단이 이루어지고 있다.

전남의 경우는 19개 시군에서 2016년 3월부터 2024년 3월까지 총 97개월 간에 기상은 총 244회(월평균 0.13회), 농업은 총 73회(월 평균 0.04회), 수문은 총 228회(월 평균 0.12회)를 기록하였다.

Fig. 5는 전남의 19개 시군별 총 가뭄 발생횟수를 히스토그램과 바이올린 플롯으로 나타냈다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F5.jpg
Fig. 5.

Drought warnings in Jeonnam: Histogram and violin plot analysis for 19 cities and counties

Fig. 5에서와 같이 분야별 가뭄예ㆍ경보가 서로 다른 특징을 보이고 있다. 우선, 기상은 나주시가 18회로 최대이고, 다음은 화순, 장성에서 17회를 기록하였으며, 전체적으로 평균을 중심으로 분포되었다. 반면에 농업은 신안군이 13회로 최대이고, 다음으로 광양시가 8회를 기록하였지만, 대부분이 10회 미만이고, 8개 지역이 0~2회 사이에 발생되었다. 수문학적 가뭄은 9개 지역에서 20~25회로 가장 많은 도수를 보였으며, 제1수원이 평림댐인 담양, 장성이 23회, 주암댐 유역인 함평이 22회, 나주, 순천, 나주, 고흥, 보성, 화순군이 21회를 기록하였다. 반면에 7개 지역은 가뭄 예ㆍ경보 빈도가 0~5회 사이를 기록하였다.

3.2 BPCA 기반 통합가뭄지수 산정

통합가뭄지수 산정에 앞서 분야별 가뭄지수에 대한 Resample을 수행하였으며, 이에 따른 Resample 전후 변동비(Proportion of Variation, POV)를 검토하였다. POV는 평균 주변에 데이터의 퍼짐 정도를 나타내는 것으로 Resample 전후에 따른 주성분이 전체 데이터에서 차지하는 변동성을 설명할 수 있다. 값의 클수록 변동성이 잘 설명되고 있음을 나타낸다.

Fig. 6은 19개 시군을 대상으로 POV를 검토한 결과이며, 데이터 보정 전(빨간색)과 보정 후(파란색)의 평균 변동비에 대한 편차는 크지 않지만, 보정 후 변동비가 다소 상향 및 분산 폭의 확대로 나타났다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F6.jpg
Fig. 6.

Comparison of before and after POV

Resample된 자료를 입력 자료로 하여 통합가뭄지수를 산정하였다. 이 경우 확률적 접근에 따른 BPCA 기반 통합가뭄지수의 산정이 이루어짐에 따라 매번 통합가뭄지수의 산정 값이 상이하므로 확률적 접근을 고려한 샘플링 및 그 평균치를 통합가뭄지수(IDI)로 표기하였다.

Fig. 7은 샘플링 50회 및 500회 IDI를 비교한 결과로 평균은 검정색, 95% 신뢰구간은 빨간색으로 구분하였으며, 샘플링 수가 적은 50회에서 상대적으로 큰 신뢰구간 폭을 확인하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F7.jpg
Fig. 7.

Comparison of time series data for sampling 50 and 500 of BPCA-based IDI (46170)

Fig. 8의 Box-Plot은 19개 시군별 샘플링 수에 따른 IDI 신뢰구간 폭 및 잔차에 대한 비교 결과이다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F8.jpg
Fig. 8.

Box Plot for 19 cities and counties of (a) Mean and (b) Standard deviation at a 95% confidence interval, and (c) Residuals between 500 samples and other sampling sizes

Figs. 8(a) and 8(b)는 샘플링 수에 따른 95% 신뢰구간 편차의 (a) 평균 및 (b) 분산을 비교한 것으로 샘플링 500회에서 평균 및 편차가 0.1 이내로 안정적인 결과를 확인하였다.

Fig. 8(c)는 19개 시군별 샘플링 500회의 IDI를 기준으로 샘플링 10, 50, 100회 각각의 IDI 간의 잔차를 산정하여 Box-plot으로 나타냈다. 19개 지역의 잔차 합 평균이 0.05 이하를 확인하였다.

3.3 BPCA-based IDI 및 분야별 가뭄지수 간 상관분석

Fig. 9는 전남 나주에 대한 IDI와 분야별 가뭄지수들 간의 시계열 자료를 비교 도시한 것으로 전반적인 움직임이 유사한 변동을 나타내고 있으며, 나주 이외의 다른 지역들에서도 유사 거동을 검토하였다.

Fig. 9에서 제시된 IDI와 분야별 가뭄지수 간 유사한 거동 정도를 수치적으로 판단하기 위해 상관분석을 실시하였으며, 그 결과는 Table 1로 정리하였다. 19개 시군별 IDI와 분야별 가뭄지수 간 평균 상관계수는 기상 0.86, 수문 0.83, 농업 0.75 순으로 확인되었다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F9.jpg
Fig. 9.

Time series plot of IDI and drought indexes (46170)

Table 1.

The correlation coefficient between BPCA and drought indices (MD/AD/HD)

BPCA vs Ave. Quantile 46130 46150 46170 46230 46710 46720 46730 46770
0.5 0.75
MD 0.86 0.87 0.89 0.87 0.87 0.86 0.71 0.94 0.88 0.88 0.96
AD 0.75 0.78 0.81 0.75 0.58 0.79 0.54 0.74 0.57 0.57 0.80
HD 0.83 0.84 0.91 0.82 0.84 0.77 0.95 0.74 0.85 0.93 0.62
BPCA vs 46780 46790 46800 46810 46820 46840 46860 46880 46890 46900 46910
MD 0.91 0.84 0.91 0.88 0.80 0.82 0.87 0.87 0.89 0.84 0.82
AD 0.83 0.74 0.78 0.86 0.89 0.85 0.74 0.87 0.78 0.79 0.73
HD 0.77 0.84 0.88 0.89 0.92 0.91 0.69 0.76 0.80 0.92 0.91

Fig. 10은 Violin Plot을 이용하여 사분위수에 따른 분위수 0.5(Red)와 0.75(Blue)의 폭을 비교하였다. 그 결과 분위수 0.5와 0.75에 대한 상관계수가 기상은 각각 0.87, 0.89, 농업은 각각 0.78, 0.81로 다소 상향되었지만, 상관계수 편차가 크지 않으며, 분위수 0.5의 밀도가 높게 형성되었다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F10.jpg
Fig. 10.

Violin-plot of correlation coefficients

반면에 IDI와 수문지수 간의 분위수 0.5와 0.75에 대한 상관계수가 0.84에서 0.91로 상대적으로 큰 편차를 보였고, 밀도는 분위수 0.75 부근에서 높게 형성되는 것을 확인하였다. 따라서 IDI와 가장 유사한 거동을 보이는 것은 수문학적 지수로 판단하였다.

3.4 IDI와 가뭄 예ㆍ경보 간의 ROC 검증

Fig. 11은 가뭄 예ㆍ경보가 실시된 2016년 3월부터 2024년 3월까지 나주의 IDI 시계열 및 가뭄 예ㆍ경보를 도시하였다. 이 기간 동안 두 번의 주요 사상(2017~2018년, 2022~2023년)의 발생을 확인하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2025-058-01/N0200580101/images/kwra_58_01_01_F11.jpg
Fig. 11.

Comparison of IDI and total drought warnings in Naju (2016.03~2024.03)

국내의 경우 통합가뭄 예ㆍ경보는 발령되지 않으므로 가뭄 예ㆍ경보의 비교를 위해 기상, 농업 및 수문학적 가뭄 예ㆍ경보를 결합하여 제시하였다. Fig. 11에서 세 가지 가뭄 예ㆍ경보 모두 발생한 월은 All, 두 가지 가뭄만 발생한 경우는 기상과 농업은 M,A, 기상과 수문은 M,H, 농업과 수문은 A,H로 구분하였다. 또한, 단일 가뭄 예ㆍ경보는 M, A, H로 구분하고, 단일 경보에만 관심 1, 주의 2, 경계 3, 심각 4을 표기하였다.

분야별 세 가지 가뭄 예ㆍ경보를 결합한 예ㆍ경보 실적과 IDI 범주에 따른 가뭄 발생/미발생 구분 결과에 대한 나주시의 ROC 정확도는 0.90이다. 같은 방식으로 기상, 농업, 수문학적 가뭄과 결합한 예ㆍ경보 실적에 대해 적용한 결과 각각 0.87, 0.87, 0.85로 IDI의 ROC 정확도가 가장 높은 것으로 확인되었다.

결합된 예ㆍ경보에 따른 IDI 간의 관계를 분석하면 All의 경우는 2017~2018년에서 2017년 9월에 한 번 발생하였고, IDI가 가장 심각한 가뭄 상태를 보였다. 2022~2023년도 All에서 IDI가 심각한 가뭄 수준을 기록 하였지만, 가뭄 예ㆍ경보는 All의 발생 시점부터 4개월 연속된 반면에 IDI는 다소 감소되는 경향을 보였다. 또한, 서로 다른 두 개의 가뭄 예ㆍ경보가 발생한 경우는 IDI는 보통가뭄 수준 정도로 평가되었다.

반면에 단일 가뭄 예ㆍ경보는 총 18회 발생했고, 그 중 IDI는 10회만 가뭄상태로 확인됨에 따라 55.6%의 일치성을 보였다. 분야별 가뭄지수에서는 농업은 1회 발생하였지만, IDI는 가뭄 미발생으로 분류되었다. 수문은 10회로 최다였고, 가뭄 시작 후 일정시간이 지난 후에 발생하는 특징이 있으며, 가뭄의 종료시점 2회를 제외한 8회에서 IDI도 가뭄 발생을 보였다.

이와 달리 기상학적 가뭄의 경우는 가뭄 사상의 발생 이전부터 가뭄 발생 초기까지 단일 경보가 발생하는 경향을 보였다. IDI와의 가뭄 예ㆍ경보 일치성은 7회 중 2회로 높지 않지만, 두 가뭄 사상 모두가 기상학적 가뭄 예ㆍ경보에서 수문학적 가뭄 예ㆍ경보로 이어지기 직전에 IDI가 가뭄 발생을 보였다. 또한, IDI가 가뭄 발생은 아니지만, 정상건조(0~-0.1) 상태가 지속되며, 2017년 6월은 IDI -0.99를 기록하였다. 이러한 특징은 수문학적 가뭄 발생 이전의 전조적인 징후로 이해할 수 있으며, 향후 연구를 통해 보완이 필요한 것으로 판단하였다.

Table 2는 전남지역 19개 전체 시군 및 제1수원을 기준으로 구분하여 결합된 가뭄 예ㆍ경보와 IDI 및 통합가뭄지수 간의 ROC 정확도의 평균치를 비교한 결과이다.

Table 2.

ROC analysis results between combined drought warnings and drought indices (IDI/MDI/ADI/HDI)

Water Resources Pyeongrim Dam Juam Dam Jangheung Dam Res. River
Code name 46710 46880 46130 46150 46170 46230 46770 46780 46790 46860 46800 46810 46820 46840 46890 46900 46910 46720 46730
AVE. IDI 0.92 0.90 0.82 0.88 0.84
MDI 0.90 0.87 0.91 0.85 0.89
ADI 0.84 0.79 0.88 0.83 0.90
HDI 0.87 0.87 0.75 0.84 0.86
A
V
E.
IDI 0.87 0.91 0.94 0.86 0.83 0.90 0.91 0.87 0.95 0.88 0.90 0.81 0.85 0.78 0.79 0.94 0.77 0.79 0.88 0.84
MDI 0.89 0.90 0.90 0.85 0.88 0.87 0.89 0.83 0.88 0.87 0.91 0.94 0.94 0.92 0.91 0.89 0.87 0.90 0.85 0.89
ADI 0.84 0.86 0.83 0.78 0.75 0.87 0.83 0.79 0.80 0.73 0.76 0.93 0.88 0.88 0.83 0.83 0.93 0.89 0.83 0.90
HDI 0.82 0.87 0.88 0.89 0.90 0.85 0.86 0.88 0.88 0.86 0.84 0.73 0.75 0.72 0.73 0.86 0.70 0.74 0.84 0.86

전체 시군 대상으로 IDI 및 분야별 가뭄지수 간의 ROC 평균을 비교한 결과 기상학적 가뭄(MDI)이 0.89로 가장 높고, IDI 0.87, 농업적 가뭄지수(ADI) 0.84, 수문학적 가뭄지수(HDI) 0.82 순이였다.

제1수원 기준으로 정리한 결과에서는 IDI의 ROC 정확도가 평림댐 0.92, 주암댐 0.90 순이였고, 다른 세 가뭄지수보다 높게 나타났다. 반면에 제1수원이 장흥댐인 지역은 MDI가 0.91로 가장 높고 HDI는 0.75로 가장 낮게 평가됐다. IDI는 0.82로 확인되었다.

농업용 저수지 및 하천유량을 수원으로 두는 경우에는 저수지는 IDI 0.88로 가장 높은 반면에 하천유량에서는 ADI가 0.90으로 가장 높았고, IDI는 0.84였다. 다만, 각각에 대한 시군이 각각 1개소로 일반적인 특징으로 판단하기에는 어려움이 있다.

4. 결 론

본 연구는 가뭄을 재난의 관점에서 인지하고, 종합적인 가뭄 평가 및 대응 방안 마련을 위한 방편으로 활용될 수 있는 국내 맞춤형 통합가뭄지수(IDI) 산정방안을 제시하였다. 대상지역은 2022~2023년 남부지방 가뭄에서 가장 큰 피해를 경험한 전남지역 22개 시군 중에서 기상, 농업, 수문학적 가뭄지수 모두 산정이 가능한 19개 지역을 대상하였다. 분야별 가뭄지수는 국내 예ㆍ경보 상황에 맞는 자료를 선택하여 월별 가뭄예ㆍ경보를 통해 검증하였고, 이에 따른 단일 입력 자료 기반의 SPI, SRSI, SDI를 채택함으로서 동일한 범례의 가뭄판단 기준을 제시하였다. 또한, 세 가뭄지수를 입력인자로 자료의 결측치 문제 등을 극복하기 위한 확률적 접근 방법인 BPCA기반의 통합가뭄지수를 산정하였다.

연구의 주요 결과와 의미는 다음과 같다.

(1) 본 연구는 BPCA 기반의 샘플링을 이용한 통합가뭄지수를 산정하였으며, 분야별 가뭄지수와의 상관분석을 통해 IDI와 세 가뭄지수 간의 유사한 거동을 확인하였다. 19개 시군의 평균 상관계수를 비교하는 경우 기상학적 가뭄의 상관계수가 0.86으로 가장 높았지만, 분위수 0.75를 기준으로는 하는 경우에는 수문학적 가뭄과 IDI 간 상관계수가 0.91이며, 분위수 0.75에서 밀도가 높게 형성되었다. 따라서 전남 지역의 IDI 거동은 지역적 특성에 따른 차이는 있지만, 다수 지역에서 수문학적 가뭄과의 유사성이 높을 것으로 판단하였다.

(2) IDI 산정 결과 검증을 위한 ROC 정확도는 효과적인 검증방법으로 판단된다. 특히, 통합가뭄지수에 대한 예ㆍ경보 실적이 없으므로 이를 보완하기 위해 분야별 가뭄 예ㆍ경보를 결합하였고, 제1수원을 기준으로 군집하여 비교한 결과 IDI 활용을 위한 특징들을 확인할 수 있었다. 전남의 제1수원 기준으로 3개 댐 지역과 저수지 및 하천유량으로 구분한 결과 평림댐은 2개 지역의 수문 예ㆍ경보 평균 23.0회, 주암댐 8개 지역 평균 17.3회로 두 개 댐 유역의 IDI와 결합된 예ㆍ경보 간 ROC 정확도가 평균 0.92, 0.90으로 높은 일치성을 보였다. 반면에 장흥댐은 7개 시군 예ㆍ경보 평균이 11.0회이고, IDI와 결합된 예ㆍ경보 간 ROC 정확도는 0.82로 상대적으로 낮은 수준을 보였다. 반면에 기상학적 가뭄지수와의 ROC 정확도가 0.91로 가장 높은 일치성을 확인하였다.

(3) 결합된 가뭄 예ㆍ경보 정보를 세 가지로 분류하여 IDI와 비교한 결과 IDI를 이용한 가뭄 모니터링 및 종합적인 재난 대응 방안을 위한 충분한 활용성이 있음을 확인하였다. 세 가지 분류는 ①세 가뭄 예ㆍ경보 동시 발생, ②두 가뭄 예ㆍ경보 동시 발생, ③단일 예ㆍ경보의 발생이다. ①과 ②의 경우는 IDI도 가뭄 상태를 표현하였고, 특히 ①의 경우에서는 IDI의 심각한 가뭄 상태를 확인하였다. ③의 단일 가뭄지수를 비교한 결과는 IDI와 결합된 예ㆍ경보의 일치성이 18번의 10으로 정확도는 높지 않았지만, 가뭄 사상의 발생과 종료에 대한 정보 제공의 가능성을 확인하였다. 기상의 단일 가뭄 예ㆍ경보 발생은 가뭄 발생시점 이전부터 전조적인 징후(IDI 정상건조 상태)를 보이며, 수문은 가뭄 사상의 발생 후에 단일 가뭄 상태가 지속되며, 종료 시점 정보를 제공한다는 것이다. 기상학적 가뭄은 7회 발생 중 2회만 일치하여 정확도는 떨어지지만 지속적인 정상건조 상태를 보이며, 특히, 수문학적 가뭄 예ㆍ경보 발생시점 이전 IDI가 가뭄 상태를 보일 수 있음을 두 번의 가뭄 사상을 통해 확인하였다. 마찬가지로 수문학적인 가뭄은 종결 시점에 대한 정보제공 가능성을 확인하였다. 두 번의 가뭄 사상에서 수문 가뭄의 예ㆍ경보가 단일하게 발생하였지만, IDI는 확연한 감소 추세를 보였고, 마지막 시점에 IDI가 가뭄 미발생으로 분류되었다. 따라서 기상과 수문학적 가뭄의 단일 예ㆍ경보는 IDI를 이용한 가뭄사상의 시작 및 종결에 대한 정보와 연계 검토 가능성을 확인하였다.

본 연구 결과를 통해 한국형 IDI 산정 및 그에 따른 활용성을 검토하였다. 다만, 지역적 특성이 상이 할 수 있으며, 예ㆍ경보 기간이 전체 자료 기간의 1/3 수준보다 적으므로 지속적인 예ㆍ경보 자료의 보완 및 분석결과의 업데이트를 통한 방법적 개선은 필요하다. 향후 연구에서는 167개 시군별 및 시도별 통합가뭄지수를 대상으로 확장하여 각 지역별 특성을 반영한 보다 면밀한 분석이 이루어진다면 국내의 가뭄재난 대응에 충분한 활용성을 가질 것으로 판단하였다.

Acknowledgements

이 논문은 행정안전부 재난안전 공동연구 기술개발사업(2022-MOIS63-001(RS-2022ND641011))과 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(RS-2024-00357058).

Conflicts of Interest

The authors declare no conflict of interest.

References

1

Ali, M., Ghaith, M., Wagdy, A., and Helmi, A.M. (2022). "Development of a new multivariate composite drought index for the Blue Nile River Basin." Water, Vol. 14, No. 6, 886.

10.3390/w14060886
2

Bae, D.H., Son, K.H., Kim, and H.A. (2013). "Derivation & evaluation of drought threshold level considering hydro-meteorological data on South Korea." Journal of Korea Water Resources Association, Vol. 46, No. 3, pp. 287-299. doi: 10.3741/JKWRA.2013.46.3.287.

10.3741/JKWRA.2013.46.3.287
3

Bishop, C.M. (1999). "Variational principal components." In IEE Conference Publication on Artificial Neural Networks, Edinburgh, UK, pp. 509-514.

10.1049/cp:19991160
4

Chen, S., Muhammad, W., Lee, J.H., and Kim, T.W. (2018). "Assessment of probabilistic multi-index drought using a dynamic naive Bayesian classifier." Water Resources Management, Vol. 32, pp. 4359-4374.

10.1007/s11269-018-2062-x
5

Gusyev, M.A., Hasegawa, A., Magome, J., Kuribayashi, D., Sawano, H., and Lee, S. (2015). "Drought assessment in the Pampanga River Basin, the Philippines. Part 1: A role of dam infrastructure in historical droughts." Proceedings of the 21st International Congress on Modelling and Simulation (MODSIM 2015), Broadbeach, Queensland, Australia. doi: 10.13140/RG.2.1.4931.4321.

6

Hao, Z., and AghaKouchak, A.A. (2014). "A nonparametric multivariate multi-index drought monitoring framework." Journal of Hydrometeorology, Vol. 15, pp. 89-101.

10.1175/JHM-D-12-0160.1
7

Jeong, M.S., Hong, S.J., Kim, Y.J., Yoon, H.C., and Lee, J.H. (2024a). "Combined analysis of meteorological and hydrological drought for hydrological drought prediction and early response - Focussing on the 2022-23 drought in the Jeollanam-do." Journal of Korea Water Resources Association, Vol. 57, No. 3, pp. 195-207.

8

Jeong, M.S., Park, S.Y., Kim, Y.J., Yoon, H.C., and Lee, J.H. (2024b). "Identification of propagation characteristics from meteorological drought to hydrological drought using daily drought indices and lagged correlations analysis." Journal of Hydrology: Regional Studies, Vol. 55, 101939.

10.1016/j.ejrh.2024.101939
9

Jolliffe, I.T. (2002). Principal component analysis, 2nd ed. Springer Science Business Media, Berlin, Germany.

10

Jolliffe, I.T., and Cadima, J. (2016). "Principal component analysis: A review and recent developments." Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, Vol. 374, No. 2065, 20150202.

10.1098/rsta.2015.020226953178PMC4792409
11

Kim, G.S., and Lee, J.W. (2011). "Evaluation of drought indices using the drought records." Journal of Korea Water Resources Association, Vol. 44, No. 8, pp. 639-652. doi: 10.3741/JKWRA.2011.44.8.639.

10.3741/JKWRA.2011.44.8.639
12

Kim, J.S., Chen,J., Park, S.Y., Wu, D., Yoon, H.C., and Lee, J.H. (2022). "OneMap drought monitoring analysis based on statistical models." Applied Sciences, Vol. 12, No. 19, 9669.

10.3390/app12199669
13

Kim, J.S., Park, S.Y., Lee, J.H., Chen, J., Chen, S., and Kim, T.W. (2021). "Integrated drought monitoring and evaluation through multi-sensor satellite-based statistical simulation." Remote Sensing, Vol. 13, No. 2, 272.

10.3390/rs13020272
14

Kwon, M., and Sung, J.H. (2019). "Changes in future drought with HadGEM2-AO projections." Water, Vol. 11, No. 2, 312.

10.3390/w11020312
15

Lai, W.Y., and Kuok, K.K. (2019). "A study on Bayesian principal component analysis for addressing missing rainfall data." Water Resources Management, Vol. 33, pp. 2615-2628.

10.1007/s11269-019-02209-8
16

Lee, J.H., Park, S.Y., Kim, M.G., and Chung, I.M. (2021). "Hydrological drought analysis and monitoring using multiple drought indices: The case of Mulrocheon watershed." KSCE Journal of Civil and Environmental Engineering Research, Vol. 41, No. 5, pp. 477-484.

17

Lloyd-Hughes, B. (2014). "The impracticality of a universal drought definition." Theoretical and Applied Climatology, Vol. 117, pp. 607-611.

10.1007/s00704-013-1025-7
18

Mckee, T.B., Doesken, N.J., and Kleist, J. (1993). "The relationship of drought frequency and duration of time scales." 8th Conference on Applied Climatology, Aneheim, CA, U.S., pp. 179-184.

19

Nalbantis, I. (2008). "Evaluation of a hydrological drought index." European Water, Vol. 23, No. 24, pp. 67-77.

10.1007/s11269-008-9305-1
20

Nalbantis, I., and Tsakiris, G. (2009). "Assessment of hydrological drought revisited." Water Resources Management, Vol. 23, pp. 881-897.

10.1007/s11269-008-9305-1
21

Oba, S., Sato, M.A., Takemasa, I., Monden, M., Matsubara, K.I., and Ishii, S.A. (2003) "Bayesian missing value estimation method for gene expression profile data." Bioinformatics, Vol. 19, pp. 2088-2096.

10.1093/bioinformatics/btg28714594714
22

Oliver, J.E. (2005). Encyclopedia of world climatology. Springer, Berlin/Heidelberg, Germany and New York, NY, U.S., p. 855.

23

Rajsekhar, D., Singh, V.P., and Mishra, A.K. (2015). "Multivariate drought index: An information theory based approach for integrated drought assessment." Journal of Hydrology, Vol. 526, pp. 164-182.

10.1016/j.jhydrol.2014.11.031
24

Schilstra, M., Wang, W., van Oel, P.R., Wang, J., and Cheng, H. (2024). "The effects of reservoir storage and water use on the upstream-downstream drought propagation." Journal of Hydrology, Vol. 631, 130668.

10.1016/j.jhydrol.2024.130668
25

Sepulcre-Canto, G., Horion, S.M.A.F., Singleton, A., Carrao, H., and Vogt, J. (2012). "Development of a combined drought indicator to detect agricultural drought in Europe." Natural Hazards and Earth System Sciences, Vol. 12, No. 11, pp. 3519-3531.

10.5194/nhess-12-3519-2012
26

Shin, J.Y., Kwon, H.H., Lee, J.H., and Kim, T.W. (2017). "Bayesian networks-based probabilistic forecasting of hydrological drought considering drought propagation." Journal of Korea Water Resources Association, Vol. 50, pp. 769-779.

27

Shin, J.Y., Kwon, H.H., Lee. J.H., and Kim, T.W. (2020). "Probabilistic long-term hydrological drought forecast using Bayesian networks and drought propagation." Meteorological Applications, Vol. 27, No. 1, e1827.

10.1002/met.1827
28

Sur, C.Y., Park, S.Y., Kim, T.W., and Lee, J.H. (2019). "Remote sensing-based agricultural drought monitoring using hydrometeorological variables." KSCE Journal of Civil Engineering, Vol. 23, No. 12, pp. 5244-5256.

10.1007/s12205-019-2242-0
29

Svoboda, M., and Fuchs, B. (2016). Handbook of drought indicators and indices. World Meteorological Organization, Geneva, Switzerland, pp. 1-44.

30

Svoboda, M., LeComte, D., Hayes, M., Heim, R., Gleason, K., Angel, J., Rippey, B., Tinker., R., Palecki, M., and Stooksbury, D. et al. (2002). "The drought monitor." Bulletin of the American Meteorological Society, Vol. 83, No. 8, pp. 1181-1190.

10.1175/1520-0477-83.8.1181
31

Torelló-Sentelles, H., and Franzke, C.L. (2022). "Drought impact links to meteorological drought indicators and predictability in Spain." Hydrology and Earth System Sciences, Vol. 26 No. 7, pp. 1821-1844.

10.5194/hess-26-1821-2022
32

Van Lanen, H.A.J. (2006). "Drought propagation through the hydrological cycle." In Proceedings of the 5th FRIEND World Conference, Havana, Cuba, pp. 122-127.

33

Won, K.J., and Chung, E.S. (2016). "Drought analysis of Cheongmicheon watershed using meteorological, agricultural and hydrological drought indices." Journal of Korea Water Resources Association, Vol. 49, No. 6, pp. 509-518.

10.3741/JKWRA.2016.49.6.509
34

Yoo, J.Y., Kim, J.Y., Kwon, H.H., and Kim, T.W. (2014). "Sensitivity assessment of meteorological drought index using Bayesian network." KSCE Journal of Civil and Environmental Engineering Research, Vol. 34, pp. 1787-1796.

10.12652/Ksce.2014.34.6.1787
35

Zelinka, I. (2004). SOMA - Self-organizing migrating algorithm. In new optimization techniques in engineering. Springer, Berlin/ Heidelberg, Germany, pp. 167-217.

10.1007/978-3-540-39930-8_7
페이지 상단으로 이동하기