1. 서 론

Intergovernmental Panel on Climate Change Sixth Assessment Report, Working Group II (IPCC AR6 WG II) 기후변화 보고서에 따르면 온난화 수준이 증가할수록, 극한 강우, 일 강우, 시간 최대 강우 등 극한 강수 이벤트가 증가하고, 도시 인구, 자산이 높은 홍수 위험에 노출된다고 언급하여 기후변화가 기상 변화에 영향을 미치고 있음을 시사한다(IPCC, 2022). Korea Institute for International Economic Policy (KIEP)의 ‘최근 국제사회의 기상이변 대응과 시사점’에서는 지난 50년간 전 세계 기상이변 발생 건수가 약 6배 증가하였으며, 기상이변으로 인한 경제적 피해, 인명 피해 또한 증가하였다고 언급했다(KIEP, 2023). 이처럼 전 세계적으로 지구 온난화로 인한 기후변화와 도시지역의 증가에 따라 투수 면적이 감소하면서 도시지역 내 홍수로 인한 침수 피해가 증가하고 있다(WMO, 2024).

국내에서도 2020년은 기상관측 이래 최장기간 장마로 인한 호우 피해가 한 해 전체의 83%를 차지하였으며, 7.28~8.11 집중호우로 인해 전국적으로 산사태, 농경지 침수 및 매몰 등 피해가 발생하며, 인명 피해 39명과 1조 372억 원의 재산 피해가 발생하였다(MOIS, 2021). 이와 같이 국내 자연 재난에서 호우의 영향이 증가하면서, 이에 따라 국내 극한 강우 강도로 인한 피해에 대책 수립을 위한 영향인자 분석 연구가 중요시되고 있다.

기존 국내 도시 침수 연구는 Storm Water Management Model (SWMM), HEC-RAS 등 물리 기반 수문·수리 모형을 중심으로 도시 유출, 배수 및 침수 과정을 재현하고, 저감 대책의 효과를 평가하는 방향으로 이루어져 왔다(Lee and Yeon, 2008; Yoon et al., 2008). 또한 국내 도시 침수 모의 연구에서 SWMM 활용 비율이 60%를 넘게 조사되었으며, 물리 기반 모형은 국내 도시 침수 연구의 핵심 도구로 자리해 왔다(Lee et al., 2022). 컴퓨팅 기술이 발전함에 따라 최근에는 계산 비용, 운영 효율성, 실시간성 요구 등을 배경으로 회귀 모형, 머신러닝, 딥러닝과 같은 데이터 기반 연구들로 확대되고 있으며(Jeong and Lee, 2010; Kim et al., 2021, 2022; Woo et al., 2024), 예측 성능을 넘어 변수 중요도 및 해석 기법을 결합해 침수 발생 요인의 기여도를 정량화하는 연구도 증가하고 있다(Kim and Kim, 2020; Park and Park, 2018; Jeong et al., 2025).

이와 같이 물리 모형 기반의 과정 모의와 데이터 기반 도시 침수 예측 연구가 발전해 왔음에도 불구하고, 도시 침수 해석에 있어, 침수 인자와 영향인자 간 공간적 특성을 반영하여 통계적으로 검정한 논문은 제한적이다. 수문·재해 분야에서도, 집단 간 평균 차이를 검정하는 t-test 기반의 검정 방법을 통해 홍수 첨두 변화 유의성을 평가하거나(Van Leeuwen et al., 2024), 통계량 검정을 활용해, 홍수 및 침수 조건 인자의 유효성을 확인하는 접근들이 시도되고 있어(Cui et al., 2023; Li et al., 2025), 통계검정 기반 변수 간 정량화는 예측 모형과는 독립적으로 중요한 해석 프레임이 되고 있다.

위 선행연구를 종합하여, 본 연구는 기후에너지환경부 홍수위험지도 정보제공포털에서 제공하는 빈도별 도시침수지도를 기반으로, 동일한 해상도의 격자 단위에서 기상인자와, 지형인자, 토양인자를 정렬한 후, 침수 및 미침수 집단 간 통계적 차이 검정을 통해 빈도별 침수 특성과 영향인자 간 관계를 정량적으로 규명하고자 한다. 연속형 변수는 Welch’s t-test를 적용하고(Welch, 1947), BH-FDR 보정을 병행하여 적용하였다(Benjamini and Hochberg, 1995). 또한 효과 크기와 신뢰구간을 함께 제시하여 통계적 유의성만이 아닌, 집단 간 차이의 방향과 크기 해석이 가능하게 하였다. 범주형 변수는 Pearson의 Chi-squared test를 기반으로 하되(Pearson, 1900), 기대도수 조건 위반 가능성을 고려해 Monte Carlo 기반 p-value를 적용함으로써(Hope, 1968), 희소 범주를 포함한 실제 자료 조건에서도 검정의 신뢰성을 확보하고자 한다. 이를 통해 빈도별 도시 침수의 공간적 특성과 유의 인자 간 관계를 비교하고, 향후 예측 모형 구축 및 정책 대응 우선순위 설정을 위한 근거를 제공하고자 한다.

2. 격자 기반 입력 인자 구축 및 통계 검정 방법

2.1 연구대상지 및 빈도별 도시침수지도

대한민국의 안동시는 경상북도의 중북부에 위치하고. 지형적 특징으로 대한민국을 대표하는 산맥인 태백산맥의 지맥을 이루고 있으며, 산맥에서 발원한 낙동강 유역에 속해 있다 (Fig. 1). 안동시의 기후는 연평균 기온 12.2°C, 최저기온 6.8°C, 최고기온 18.4°C, 연 강수량은 1,045.7 mm로 나타난다.

Fig. 1.

Frequency-based urban inundation maps of Andong City under the 30-year and 50-year scenarios

안동시는 도시화로 인한 불투수 면적의 증가로 변화하는 물 순환 문제를 해결하기 위해, 2016년 물 순환선도 도시 사업으로 선정되어, 수생태계 악화, 하천 건천화, 도시홍수 발생 등 물 순환 문제를 해결하고 있다. 지자체 도시홍수 기초조사 및 통합 관리모델 수립연구(K-water, 2022)에 따르면, 안동시는 2020년 7, 8월 집중호우로 인해 큰 피해가 발생했고, 7월 말 시간당 15~20 mm의 강우가 발생하여, 시가지 내 침수 피해가 발생하였으며, 8월 9일 경북 지역 내 평균 170.3 mm, 시간 강우가 10~20 mm로 지속되어 16년 만의 안동 및 임하댐 방류를 통한 수위 조절을 진행하였지만, 방류 시 직접적인 영향을 받아 공공시설 침수 이력이 있는 것으로 조사되어 연구대상지로 선정하였다.

본 연구 활용한 빈도별 도시침수지도는 극한 강우 조건에서 우수 배제시설의 용량 초과 및 고장 상황을 가정하여, 도시지역에서 발생할 수 있는 침수 범위, 침수심을 공간적으로 제시한 지도이다. 도시침수지도는 기후에너지환경부의 홍수위험지도 정보제공포털(HRFCO and ME, https://data.floodmap.go.kr)에서 행정구역 단위 빈도별 자료로 제공받았으며, 침수심은 등급 형태로 표현된다. 본 연구에서는 안동시 도시지역 내 빈도별 침수지도 중 30년, 50년 빈도 침수자료를 활용하여, 각 격자에 대해 빈도별 침수 발생 여부를 부여하여 통계분석을 수행하였다.

2.2 입력 인자 구축 및 공간 보간

2.2.1 종관기상관측자료(ASOS) 및 품질 관리(QC)

기상인자는 공공데이터포털에서 제공하는 종관기상관측자료(Automated Synoptic Observing System, ASOS) 자료를 활용하였다(Korea Meteorological Administration, KMA). ASOS는 기상청이 운영하는 기상관측으로, 각 지역의 주요 지점에서 기온, 강수, 기압, 습도 등 다양한 기상요소를 정규 관측하여 제공한다. 본 연구에서는 연구대상지인 안동시 중심 반경 50 km 이내 종관기상관측소 중 1995년 1월부터 2025년 12월까지의 30년 이상 충분한 데이터를 제공하는 10개의 관측소의 일 기상자료를 활용하였다. 기상 관측소의 결측치, 이상치처리를 위해 기상청의 지상기상관측 지침(KMA, 2022)의 품질 관리 기준(Quality control, QC)을 사용하여 전처리를 진행하였다(Table 1).

2.2.2 Ordinary Kriging (OK)

전처리 된 관측소 기상인자를 기반으로, 관측값의 공간 분포를 연속 표면으로 변환하기 위해 OK를 적용하였다. OK는 공간 자기상관 구조를 이용하여, 미관측지점의 값을 추정하는 대표적 지리 통계 기법으로, 불규칙하게 분포된 점 자료로부터 격자형 보간된 값을 산출할 수 있는 특징을 가지고 있다. 본 연구에서는 Q-GIS Processing 환경에서의 SAGA-GIS Ordinary Kriging Tool을 활용하여, 일자별 기상인자 격자 레스터를 구축하였다. 생성한 레스터는 후속 분석의 공간 일관성 확보를 위해, 200 × 200 m 격자에 정렬하여 사용하였다.

본 연구에서는 고도 등 보조 변수를 활용하는 Co-Kriging 대신 Ordinary Kriging을 적용하였다. 이는 본 연구의 목적이 보간기법 간 성능 비교 자체보다, 1995-2025년의 장기간 일별 기상자료를 동일한 200 × 200 m 격자 체계에서 일관되게 구축하여 통계분석에 활용하는 데 있었기 때문이다. 또한 본 연구에서 다룬 기상인자들은 변수별로 보조 변수와의 관계가 다르므로, 모든 변수에 대해 동일한 secondary variable 기반 기법을 일관되게 적용하기보다 구조가 단순하고 재현성이 높은 Ordinary Kriging을 채택하였다.

2.3 토양·토지피복 기반 입력 인자 구축

토양인자는 농촌진흥청 흙토람에서 제공하는 정밀토양도를 제공받아 활용하였다(Rural Development Administration, RDA). 정밀토양도는 토양특성 31종에 대한 공간정보를 Shape 또는 Grid 형식으로 제공하며, 단면 특성 12분류와 토양 지형 2 분류 토양분류 4분류 토양해설 13분류로 분류되어 있다. 본 연구에서 활용한 데이터는 단면 특성 분류에 속해 있는 경사(SL), 배수등급(DC), 심토토성(ST), 표토토성(TT)을 활용하였다. 토양도 자료는 도시침수지도와 좌표계 통일 후 Kriging 레스터 해상도에 맞추어 200 × 200 m 해상도로 전처리 후 사용하였으며, 범주형 데이터인 TT, DC, ST는 격자 내부에 포함된 범주 중 가장 넓은 면적을 차지하는 범주를 해당 격자의 대푯값으로 선정하였다. 즉, 내부 토양인자 polygon의 면적 비중을 기준으로 면적 가중 최빈 범주를 대표 범주로 부여하였다. 이후 연속형 인자인 SL은 격자 내 면적 가중 평균을 활용하여, 격자 내 대푯값을 선정하였다. 또한 환경공간정보서비스에서 제공받은 세분류 토지피복지도를 활용하여 연구대상지 내 격자별 불투수 면적 비율을 산정하여 분석에 활용하였다(Environmental Spatial Information Service, EGIS).

2.4 격자 기반 자료 통합 및 기상 지표 구성

Fig. 2와 같이 모든 입력 인자는 동일한 200m 격자 기준으로 통합하였으며, 각 격자에 고유한 Grid ID를 부여하여 자료를 정렬 및 결합하여 변수 간 공간 단위를 일치시켰다. 기상인자는 연도별 Annual Maximum Daily Rainfall (AMR) 조건을 기준으로 구성하였다. 먼저 각 연도에 대해 일 강수량이 최대가 되는 일자를 AMR 발생일로 정의하였으며, 이후 해당 날짜의 격자별 기상 값을 추출하여 연도별 이벤트 자료를 구축하였다. 본 연구에서는 해석의 중복을 감소시키며, 연속변수인 기상인자의 평균적인 상태와 극한 상태를 동시에 반영하기 위해, 평균값과, 95 백분위수를 대표 지표로 활용하여 분석을 진행하였다.

Fig. 2.

Grid-based assembly of flood labels from frequency urban inudation maps

2.5 통계적 유의성 검정 및 효과 크기 평가

2.5.1 연속형 변수의 집단 차이 검정 및 다중비교 보정

도시침수지도 관련 지표에 따라 구분되는 침수, 미침수 또는 침수심 기준치 이상 미만과 같은 두 집단 간 영향인자의 평균 차이를 평가하기 위하여 t-test를 적용하였다. 고전적 Student’s t-test는 두 집단의 독립이고, 평균 비교 대상 변수가 근사적으로 정규성을 만족하고, 등분산 가정을 전제로 진행된다. 본 연구에서는 집단 간 표본 수가 불균형할 수 있으며, 분산 동질성 가정이 성립하지 않을 가능성을 고려하여, 등분산 가정을 요구하지 않는 Welch’s t-test를 활용하여 진행하였다.

여기서 X₁, X₂는 침수·미침수 집단의 표본평균이며 S²₁, S²₂는 표본 분산, n₁, n₂는 표본 수를 의미한다.

추가 적으로 다수의 연속형 변수를 동시에 검정할 때 1종 오류가 누적되는 문제가 발생할 수 있다. 그 문제를 고려하여, 각 변수의 p-value에 대해 Benjamini-Hochberg (BH) 방법으로 FDR 보정(q-value)을 수행하였으며, q ≤ 0.05를 유의수준으로 판단하였다. 이후 통계적 유의성뿐만 아니라 집단 간 차이의 실질적인 차이를 제시하기 위해, Cohen’s d 효과 크기를 산정하였다(Cohen, 1988).

효과 크기 d는 침수 집단 평균에서 미침수 집단 평균을 뺀 값을 표준편차로 표준화한 값으로 산정되며, d > 0은 침수 집단에서 값이 더 큰 경우, d < 0은 미침수 집단에서 값이 더 큰 경우를 의미한다.

2.5.2 범주형 변수의 분포 차이 동질성 검정 및 Randomization 기반 p-value 산정

격자별 침수 발생과 범주형인자 간 연관성을 분석하기 위해 Pearson의 Chi-Squared Test를 사용하였다. 카이제곱 검정은 범주형 변수의 분석 방법으로 한 범주형 변수의 비율과 특정한 상수비가 같은지 검정하는 적합도 검정과 각각의 집단 간 유사한 성향을 보이는지 분석하는 동질성 검정, 두 범주형 변수가 서로 독립적인지 검정하는 독립성 검정으로 나눈다. 본 연구에서는 침수 발생 격자와 미발생 격자로 구분 후 범주형 데이터인 침수 등급, 경사, 표토토성, 심토토성의 토양 인자를 동질성 검정을 진행하였다.

동질성 검정은 관측 도수 O_ij와 기대도수 E_ij의 차이를 이용해 X²를 계산하고, 자유도 df는 교차표의 행과 열의 개수를 통해 결정된다. 귀무가설은 침수 발생 집단과 미발생 집단의 범주 분포가 동일하다고 설정하였으며, 대립가설은 두 집단의 범주 분포가 동일하지 않다고 설정하였다. 검정은 관측 도수와 기대도수로부터 산정된 통계량과 자유도를 기반하여 수행하였다.

한편, 희귀 범주가 존재하여 기대도수가 낮아지는 경우, 카이제곱 분포 근사에 기반한 p-value가 부정확할 수 있으므로 기대도수 조건을 적용하여, 조건 위반 분할표에 대해 Monte Carlo randomization test를 통해 p-value를 산정하였다. 기대도수 조건은 최소 기대도수 1 미만 또는 기대도수 5 미만인 셀이 전체의 20%를 초과로 선정하였으며, 범주형 데이터의 유의미한 분포 차이가 확인된 경우, 코드별 표준화 잔차를 이용해 침수 집단에서 과대 표집, 과소대 표집되는 범주를 해석하였다. 추가로 Cramér’s V를 산정하여(Cramér, 1946), 카이제곱 동질성 검정의 효과 크기를 측정하여, V ≤ 0.2 일시 통계적 유의함을 나타내더라도 변수 간 연관성이 낮게 판단하고, 0.2 < V ≤ 0.6 보통의 연관성, V > 0.6 일시 변수 간 연관이 크다고 판단하였다.

3.분석 결과

3.1 연속형 변수의 침수-미침수 격자 분석

3.1.1 통계적으로 유의한 차이를 보인 연속형 인자 분석

다수의 연속형 변수를 동시에 검정할 때 1종 오류가 누적되는 문제가 발생할 수 있는 문제를 고려하여, 각 변수의 p-value에 대해 BH-FDR 보정을 수행하였다. 이후 유의성 강도를 -log₁₀ 규모로 정제하여 시각화를 수행하였다(Fig. 3). 30년 및 50년 빈도에서 p-value와 BH-FDR 보정 q-value 기준을 모두 만족하여 통계적으로 유의한 차이를 보인 인자는 평균 상대습도, 평균 지면온도, 평균 증기압, 평균 이슬점온도, 불투수 면적, 일 강수량으로 나타났다 한편, 합계 일조시간은 p-value, q-value 모두 임계값을 초과하지 않아 통계적으로 유의한 차이를 보이지 않았다.

Fig. 3.

Significance of Welch’s t-test results for continuous variables based on p-values and FDR-adjusted q-values

3.1.2 효과 크기 및 신뢰구간 분석

결과를 분석하면 30년 빈도와 50년 빈도 모두 연속형 변수들의 효과 크기 방향과 크기가 거의 동일하여 일관성 있는 결과를 나타내었다(Fig. 4). 먼저 30년 빈도 침수 격자에서는 총 14개 연속형 변수에서 침수, 미침수 집단 간 평균 차이가 통계적으로 유의하였다. 먼저 상대습도 평균은 효과 크기 0.842로 큰 효과 크기를 보였고 95 백분위 역시 0.672의 중간 수준의 양의 효과 크기를 나타냈다. 또한 불투수 면적은 0.340의 중간 크기의 양의 효과 크기를 나타내었다. 그리고 기압 평균의 효과 크기는 0.256으로 작게 나왔지만, 유의한 효과 크기를 보였다. 반면 다수의 기상 변수는 침수 격자에서 음의 효과를 나타냈다. 지면 온도 95 백분위는 -0.576의 음의 기대효과가 관측되었으며, 수증기압 95 백분위도 d = -0.570으로 음의 효과 크기를 나타냈다. 이후 이슬점, 지면 온도는 95 백분위 및 평균 모두 효과 크기가 침수 격자에서 낮아는 경향을 확인하였으며, 추가로 평균 수준 변수들도 일관되게 음의 차이를 보였다. 마지막으로 지면 온도 평균은 효과 크기가 -0.128로 매우 작은 수준으로 분산이 크거나 이상치의 영향 가능성이 있다고 판단하였다.

Fig. 4.

Effect size estimates from Welch’s t-test using Cohen’s d

50년 빈도에서도 방향성과 상대적 크기가 30년 빈도 결과와 유사하게 나타났다. 상대습도 평균은 0.859로 가장 큰 효과 크기가 나타났으며, 95 백분위 또한 0.686의 효과 크기, 불투수율 및 기압 또한 양 방향성이 재확인되었다. 음의 방향 변수 또한 30년 빈도와 동일한 구성으로 나타났으며, 대표적으로 지면 온도는 0.593의 음의 효과 크기가 나타났고, 수증기압 평균은 -0.549, 기온 평균은 -0.417의 음의 방향성을 유의한 감소가 확인되었다. 지면 온도 평균은 30년 빈도와 마찬가지로 -0.129의 매우 작은 효과 크기가 나타나 30년 빈도와 동일하게 분포 기반 점검 등을 통해 값의 분산 또는 이상치영향을 확인해야 할 것으로 판단된다.

30년과 50년 빈도 침수 격자 분석 결과, 유의한 연속형 변수(14개) 구성과 효과 크기 방향이 유사한 결과를 보였다. 두 빈도 모두에서 상대습도 지표가 침수 격자에서 양의 효과 크기를 보여, 침수 격자가 상대적으로 고습 환경과 연관되는 패턴을 나타내었다. 반대로 온도, 수증기 관련 지표는 일관되게 침수 격자에서 낮아 음의 방향성이 나타났으며, 95 백분위 지표에서 대부분 중간 정도의 효과 크기를 반복적으로 나타내었다. 또한 불투수 면적 비율은 두 빈도 모두 침수 격자에서 양의 효과 크기를 나타내었으며, 이는 침수 발생이 불투수 면의 특성에 나타나는 공간적 요인 반영을 나타냈다.

3.1.3 핵심 인자의 분포 특성

Forest plot에서 확인된 효과 크기 방향성을 violin plot을 통해 재현성 효과를 시각적으로 표현하였다(Fig. 5). 30년 빈도와 50년 빈도 모두 분포 형태와 차이 방향이 유사하게 나타나 결과의 일관성을 시각적으로 확인하였다. 표본 수는 30년 빈도에서 미침수 526개, 침수 97개, 50년 빈도에서 미침수 524개 침수 99개로 유사하였다. 먼저 상대습도의 평균과 95 백분위는 A와 B 모두 중앙값과 IQR이 미침수 집단보다 더 높은 값 구간에 위치하였으며, 평균 수준에서도 침수 집단이 더 높은 상대습도 조건과 연관됨을 확인할 수 있었다. 또한 95 백분위의 경우 상위 습윤 구간에서 침수 집단이 상대적으로 높은 범위에 분포하였다.

반면 음의 효과 크기를 나타냈던 95 백분위의 지면 온도와 수증기압 모두 침수 집단의 분포가 더 낮은 값으로 형성되었으며, 침수 집단이 비교적 낮은 값 구간에 집중되는 경향을 보였다. 마지막으로 모든 빈도에서 침수 집단의 불투수율 분포는 미침수 집단보다 더 높은 값 구간에 위치하였고, 중앙값과 상위 분위수 또한 전반적으로 더 크게 도출되었다. 이러한 결과는 침수로 판별한 격자와 상대적으로 불투수율이 높은 도시화 된 지역 간의 공간적인 연관성이 있음을 나타낸다.

Fig. 5.

Violin plots comparing the distributions of five key continuous predictors between inundated and non-inundated grids: (a) 30-year scenario (f030) and (b) 50-year scenario (f050)

3.1.4 선행 1-5일 잠재 기상인자의 시차별 효과 크기 비교

AMR 발생일을 기준으로 하여, 선행 1~5일 기간의 핵심 연속형 변수에 대한 효과 크기를 비교하여, Fig. 6에 제시하였다. 분석 결과 30년, 50년 빈도 모두 유사한 시차별 패턴이 확인되었다. 이는 AMR 발생일의 동일 시점 기상 조건만이 아닌 일부 기상인자에 대해서 선행시점에서도 침수 격자와 미침수 격자 간 차이가 반복적으로 나타남을 시사한다. 특히 두 빈도 조건에서 효과 크기의 방향과 상대적 크기가 유사하게 나타나, 선행 기상 조건의 일관성이 확인되었다. 여기서 음의 효과 크기는 선행시점의 해당 기상인자가 침수 격자에서 미침수 격자보다 상대적으로 낮게 나타났음을 의미하며, AMR 당일 대비 선행시점에서 값이 감소하였다는 의미로 해석하기엔 옳지 않다.

Fig. 6.

Heat maps showing lagged meteorological signals relative to the AMR day for the 30-year and 50-year scenarios, expressed as Cohen’s d after BH-FDR correction (q ≤ 0.05): (a) 30-year scenario and (b) 50-year scenario. Positive values indicate higher values in inundated grids, whereas negative values indicate higher values in non-inundated grids. Gray cells denote non-significant results

상대습도는 AMR 당일에서 가장 큰 양의 효과 크기를 보였으며, 이는 침수 격자가 미침수 격자에 비해 상대적으로 높은 상대습도 조건과 연관됨을 시사한다. 반면 선행 기간에서는 유의성과 방향성이 일정하지 않아, 상대습도는 지속적인 선행 인자로 분석하기보다 당일 시점에 영향력이 더 큰 영향인자로 해석된다. 일 강수량은 시차에 따라 통계적 유의성과 효과 크기 방향이 일정하지 않아, 본 자료 구조에서는 안정적인 선행 신호로 해석하기에는 어려움이 존재하였다.

반면 지면온도, 증기압, 이슬점온도는 AMR 당일만이 아니라 선행시점에서도 비교적 일관된 음의 효과 크기를 나타냈다. 지면온도는 당일부터 선행 3일까지, 증기압은 당일부터 선행 5일까지, 이슬점온도는 당일부터 선행 4일까지 대체로 음의 방향성이 유지되어, 침수 격자가 미침수 격자에 비해 상대적으로 낮은 지면온도 및 수증기 상태와 연관된 패턴을 확인하였다. 이는 침수 취약 격자가 단순히 절대적인 수증기량이 높은 상태라기보다, 비교적 낮은 온도 조건에서 포화수증기량이 낮아져 높은 상대습도와 결합하는 배경 대기조건과 연관될 가능성을 의미한다. 특히, 증기압은 선행 5일 범위에서 가장 지속해서 음의 신호가 유지되어, 핵심 기상인자 중 선행 잠재 신호의 안정성이 가장 높은 인자로 나타났다.

결과적으로, AMR 당일 신호는 상대습도에서 분명하게 나타났지만, 선행 1~5일의 잠재 기상 신호는 지면온도, 증기압, 이슬점온도와 같은 대기 상태 변수에서 상대적으로 더 안정적으로 유지되었다. 이는 침수 격자와 미침수 격자 간 차이가 단일 시점의 강우 조건으로 설명되기보다, 극한 강우 이전의 배경 대기조건과도 연관될 가능성을 의미한다. 다만 본 결과로 일 자료 기반 통계적 연관성 해석으로서 직접적인 인과관계를 의미하기엔 한계가 있다.

3.2 범주형 변수의 침수-미침수 격자 분석

3.2.1 범주 비중 변화 양상 분석

범주형 토양인자 분포 차이를 통계량으로 평가한 뒤, 통계적으로 유의한 분포 차이가 확인되었을 때 집단 간 범주 구성비 차이를 Fig. 7에 요약하였다. Fig. 7은 유의성 판단을 넘어 침수 집단에서 어떤 범주가 상대적으로 높고, 낮은 비중을 보이는지 그 차이를 직관적으로 제시한다.

Fig. 7.

Distributions of categorical variables in non-inundated and inundated grids for the 30 and 50 year scenarios

30년과 50년 빈도 결과를 비교하면 전반적으로 범주 구성비 차이의 방향과 상대적 크기가 유사하여, 범주형 토양 인자와 침수 발생의 연관성이 빈도 조건이 달라져도 일관되게 유지되는 경향을 확인하였다. 구체적으로 30년 빈도에서 침수 격자는 배수등급 ‘매우 양호’(-0.1862)가 침수 집단에서 비중이 낮게 나타났고 ‘양호’(0.1218)가 비중이 높게 나타났다. 또한 경사 0~2%(0.4594)는 비중이 높게 나타났지만, 30~60% 경사(-0.4233)는 침수 집단에서 비중이 낮게 나타났다. 심토토성에서는 ‘미사식양질’(0.2188)이 비중이 높고, ‘사질’(-0.1824)이 비중이 낮게 나타났으며, 표토토성에서 ‘미사질양토’(0.2310)가 비중이 높게, ‘사양토’(-0.3527)가 낮은 비중으로 나타났다. 50년 빈도에서도 동일한 범주에서 비중 증감 방향이 일관되게 확인되었다.

해당 결과를 통해 침수 격자는 두 빈도 모두 저경사 세립질 토성, 비교적 불리한 배수조건이 비중이 높게 나타나는 반면, 급경사, 사질 및 매우 양호한 배수조건의 비중은 작게 나타나는 일관적인 토양 인자의 공간적 특성을 보여준다.

3.2.2 분포 차이의 통계적 유의성과 연관성 크기

Table 2 와 같이 배수등급(DC), 경사(SL), 심토토성(ST), 표토토성(TT) 모든 토양 인자는 30년 빈도와 50년 빈도 모두 Monte Carlo p-value에서 0.000002로 유의한 분포 차이를 나타냈다. 효과 크기 분석 결과, 배수등급(0.279-0.287)과 심토토성(0.286-0.300)은 중간 수준의 연관성을 보였지만, 경사(0.434-0.441)와 표토토성(0.419-0.426)은 상대적으로 높은 효과 크기를 나타내며, 이는 침수 발생과의 연관성이 경사와 표토토성에서 가장 강하게 작용함을 보여준다.

4. 결 론

본 연구는 기후에너지환경부에서 제공하는 빈도별 도시침수지도를 기반으로, 동일한 해상도의 격자 단위에서 기상, 지형, 토양 인자를 정렬한 뒤, 침수, 미침수 집단 간 통계적 차이를 검정하여, 침수 특성과 영향인자 간의 유의성을 정량화하였다. 연속형 변수는 Welch’s t-test와 BH-FDR 보정을 병행하여 다중비교에 발생할 수 있는 1종 오류를 통제하였으며, 범주형 변수는 Pearson의 카이제곱 동질성 검정에 더해 기대도수 조건 위반을 고려하여 Monte Carlo p-value를 적용하여, 통계적 검정의 신뢰성을 높였다.

연속형 변수 분석 결과, 30년 빈도, 50년 빈도 모두에서 통계적으로 유의한 차이가 확인된 변수 구성과 효과 크기 방향이 거의 동일하게 나타났으며, 빈도 조건 변화에서도 결과의 일관성이 확인되었다. 침수 격자는 상대습도와 불투수 면적 비율에서 높은 양의 효과 크기를 보였으며, 이는 고습 환경과 도시화로 인한 불투수 면적의 증가가 원인으로 해석되었다. 반면 온도, 수증기 관련 지표는 침수 격자에서 음의 효과 크기가 일관적으로 분석되었고, 침수 격자에서 해당 기상 상태가 상대적으로 낮은 경향을 보여주었다.

범주형 변수인 토양 인자 분석에서도 두 빈도 모두 통계적으로 유의한 분포 차이를 나타냈다. 효과 크기 비교 결과 경사와 표토토성이 배수등급과 심토토성에 비해 상대적으로 높은 연관성을 나타냈으며, 침수 격자가 저경사, 및 세립질 토성 범주에서 비중이 높게 나타났지만, 급경사, 조립질 범주에서는 비중이 낮게 나타나는 일관된 공간적 특성을 보였다. 이는 도시 침수가 단순 강우 요인뿐만 아닌 지형과 토양의 침수, 저류, 배수 특성과 결합하여 공간적으로 연관될 수 있음을 시사한다.

본 연구는 행정구역 기반 빈도별 침수지도와 Kriging하여 보간한 관측 기반 기상자료 및 정밀토양도와 같은 다양한 특성의 인자를 동일한 격자로 정렬하여, 통계적으로 분석하는 연구를 진행하였다. 본 연구 결과는 통계적 연관성에 기반하여 인과관계를 직접적으로 확정하기에 한계가 있으며, Kriging 보간 및 격자 대푯값 산정 과정에서의 불확실성 또한 존재한다. 향후 연구에서는 다양한 빈도를 통한 시간 해상도의 확장과 빈도 강우 산정, 머신러닝을 통한 다변량 분류 및 회귀 기반의 분석을 통해 연구적 불확실성을 줄이고, 본 연구에서 도출된 일관적 특성을 반영하여, 입력변수 선정 및 변수 중요도 해석 단계의 사전 가설 및 검증 기준으로 활용할 수 있다. 본 연구는 빈도별 도시침수지도의 공간적 패턴을 정량적으로 해석하는 기초 연구 체계를 제공하여, 도시 침수 위험에 대응 전략 수립을 위한 후속 연구에 기여할 것으로 기대하는 바이다.