Research Article

Journal of Korea Water Resources Association. October 2021. 769-777
https://doi.org/10.3741/JKWRA.2021.54.10.769

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 낙동강 유역의 가뭄발생 및 수질관리 영향 분석

  •   2.1 낙동강 유역 중권역의 계절별 가뭄 특성 분석

  •   2.2 심한가뭄 조건에 따른 수질관리 영향 평가

  • 3. 베이지안 네트워크 기반의 가뭄-수질관리 인과관계 분석

  •   3.1 베이지안 네트워크 기본이론

  •   3.2 가뭄-수질관리 영향평가 모형

  • 4. 토의 및 결론

1. 서 론

우리나라를 비롯한 전 세계에서는 가뭄의 발생빈도가 해마다 증가하고 있다. 이는 기후변화에 따라 국지적으로 증가하는 강수량의 편차가 하나의 원인이다(Nally et al., 2017). 이러한 기후변화는 온도상승에 따른 대기의 수분 증발량을 더욱 증가시키기 때문에 극심한 가뭄을 장기화시키는 문제로 이어질 수 있다(EEA, 2012; IPCC, 2014; Vicente-Serrano et al., 2014). 실제 가뭄으로 인해 인간에게는 물 수요 대비 공급이 부족해지는 직접적인 피해가 발생하게 되며, 자연환경에는 수생태계의 균형을 위협할 수 있는 부정적 영향을 미칠 가능성이 있다.

최근 가뭄이 환경에 미치는 영향평가와 관련한 관심과 필요성이 증가하면서, 미국 기후변화 및 야생동물 과학센터(National Climate Change and Wildlife Science Center, NCCWSC)에서는 산불·화재 발생 증가, 식생 저하, 토착생물의 멸종 등을 포함하는 환경 및 생태적 관점에서 가뭄을 이해하기 위한 노력을 지속하고 있다. 미국 가뭄정보시스템에서는 가뭄의 4가지 유형(기상학적 가뭄, 농업적 가뭄, 수문학적 가뭄, 사회-경제학적 가뭄)에 추가로 ‘생태가뭄’을 5번째 가뭄의 유형으로 추가하였다(NIDIS, 2014).

현재 우리나라에서도 가뭄으로 인한 영향을 환경적 측면에서 평가하기 위하여, 환경가뭄의 개념 정립 및 환경가뭄지수 개발 등의 노력을 지속하고 있다(ME, 2016; KEI, 2017). 여기서 정의한 물환경 관점에서의 환경가뭄은 “자연적 요인으로 장기화된 강수량의 부족과 인위적 요인에 의한 과도한 물 사용에 따른 수서생태계의 건강성이 악화되는 물 부족 현상”으로 정의하였다(ME, 2016). 또한, 환경학적 가뭄을 정량적으로 평가하기 위한 목적으로 환경가뭄영향지수를 개발하고, 이를 이용한 환경학적 가뭄 위험도를 평가한 연구사례도 존재한다(ME, 2017). 이외에도 갈수기 수량-수질 간의 관계를 해석하기 위해 지표면 유출량 감소에 따른 하천 수질의 변화를 평가한 연구사례도 있다(Jang and Ahn, 2012; KEI, 2015).

이처럼 자연적인 요인으로 발생하는 가뭄은 수생태환경(하천), 호소환경(저수지) 및 유역환경(중권역)에 영향을 줄 가능성이 있으며, 가뭄의 환경적 영향이 높은 지점 및 유역을 구분하여 관리할 필요가 있다. 예를 들어, 동일한 규모의 강수량이 부족할지라도 기상학적 가뭄이 수질 및 수생태계에 미치는 영향은 상대적으로 큰 유역(환경적 측면의 가뭄 회복력이 낮은 유역)이 있을 수 있기 때문이다. 따라서 서로 다른 유역환경에 대한 가뭄 영향을 분석하기 위해서는 하천 내 환경과 관련한 다양한 지표를 가뭄과 연계하여 해석할 필요가 있다. 우리나라의 경우 하천의 수질관리를 위하여 생화학적산소요구량(BOD), 총유기탄소량(TOC) 및 총인(T-P)을 평가 항목으로 정하고 있다. 따라서 이러한 평가 항목에 대한 목표수질달성 여부는 지역의 수질관리에 대한 척도로 활용되고 있다.

본 연구에서는 낙동강 유역을 대상으로 기상학적 가뭄으로 인한 수질관리의 영향을 평가하기 위하여, 중권역별 가뭄발생 여부에 따른 목표수질 달성도의 변화를 비교하였다. 이를 통해, 가뭄에 의한 환경적 영향이 큰 지역을 파악하고, 베이지안 네트워크 기법을 적용하여 해당 지역의 가뭄-수질관리 간의 인과관계를 확률론적으로 해석하였다.

2. 낙동강 유역의 가뭄발생 및 수질관리 영향 분석

2.1 낙동강 유역 중권역의 계절별 가뭄 특성 분석

본 연구에서는 낙동강 유역 내 22개 중권역의 기상학적 가뭄을 정량적으로 표현하기 위하여, WAMIS에서 제공하는 1976-2016년 기간 동안의 중권역별 면적평균 일강수량 자료(티센계수 활용)를 이용하여 30일, 60일, 90일 표준강수지수(Standardized Precipitation Index, SPI30, SPI60, SPI90)를 산정하였다. 이러한 자료는 낙동강 유역을 대상으로 하여 가뭄으로 인한 환경적 영향 평가에도 활용한 바 있다(ME, 2017; Kim et al., 2019).

SPI30과 SPI60 그리고 SPI90을 바탕으로 중권역별 발생한 최대가뭄(SPI의 최소값)을 계절적으로 구분한 결과 Fig. 1과 같이 나타났다. 여기서, 전체 22개 중권역에서 발생한 과거 최대가뭄은 모두 심한가뭄(SPI < ‒1.2) 보다 큰 수준의 심도를 나타내며(Fig. 1의 Y축 상단 기준값, ‒1.2), 중권역별 최대가뭄의 평균은 극심한 가뭄(SPI < ‒2.0) 수준인 것으로 확인되었다.

SPI30을 이용하여 계절별 낙동강 유역의 중권역별 최대가뭄에 대한 평균을 비교한 결과, 사계절 중 강수량이 가장 집중되는 여름철이 가장 심각한 수준이었다. 반면 SPI90을 이용하여 최대가뭄의 평균을 살펴본 결과, 가을, 겨울, 여름, 봄 순으로 나타났다. 또한, 낙동강 유역에서 가장 극심한 가뭄(1% 하한값)이 발생했던 계절은 봄, 가을, 여름, 겨울 순으로 확인되었다. 이 중에서 봄철 SPI30에서의 가장 극심한 가뭄(1% 하한값, ‒3.55)이 발생한 지역은 #2007 중권역이고, SPI60에서 가장 극심한 가뭄(1% 하한값, ‒3.30)이 발생한 지역은 #2001 중권역, SPI90에서 가장 극심한 가뭄(1% 하한값, ‒3.16)이 발생한 지역은 #2018 중권역이다. 이외에도 여름철에는 #2016, #2001, #2009 중권역, 가을철은 #2011, #2012 중권역, 겨울철은 #2011, #2012, #2021 중권역에서 극심한 가뭄(1% 하한값)이 발생하였다. 이처럼 낙동강 유역에서 극심한 가뭄이 발생한 지역은 계절마다 서로 다르게 나타나는 것을 확인할 수 있다.

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F1.jpg
Fig. 1.

Characteristics of seasonal maximum drought in the Nakdong basin

다음으로는 전체 1976-2016년 기간 동안 중권역별 심한가뭄(SPI < ‒1.2) 발생빈도를 계절별로 구분하여 비교하였다. Fig. 2는 봄철에 발생한 심한가뭄(severe drought) 발생특성을 대표로 도시한 결과이다. 여기서 사용한 가뭄의 절단수준(SPI < ‒1.2)은 앞에서 다룬 중권역별로 발생한 최대가뭄의 특성을 감안하여 결정하였다. 그 결과, 가뭄지수마다 나타나는 중권역별 심한가뭄의 발생비율에 대한 계절별 비교가 가능하였다.

봄철에는 #2003 중권역(SPI30 기준 15.6%), #2021 중권역(SPI60 기준 10.5%), #2012 중권역(SPI90 기준 12.1%)에서 심한가뭄의 발생비율이 높은 것으로 확인되었다(Fig. 2). 또한, 여름철에는 #2003 중권역(SPI30, SPI60, SPI90 기준 모두), 가을철에는 #2021 중권역(SPI30 기준), #2003 중권역(SPI60 기준), #2010 중권역(SPI90 기준), 겨울철에는 #2001 중권역(SPI30, SPI90 기준)과 #2004 중권역(SPI60 기준)에서 심한가뭄의 발생비율이 높은 것으로 확인되었다. 이처럼 낙동강 유역에서 발생한 심한가뭄은 각 계절마다 기상학적 가뭄에의 노출정도에 차이가 있다. 즉 특정 계절에서 상대적으로 높은 가뭄발생 빈도를 나타내는 지역에서는 가뭄관리 및 감시를 위한 모니터링이 중요할 것이다.

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F2.jpg
Fig. 2.

The occurrence rate of severe drought (SPI < ‒1.2) in spring (%)

2.2 심한가뭄 조건에 따른 수질관리 영향 평가

본 연구에서는 낙동강 유역의 기상학적 가뭄이 하천 수질관리에 미치는 영향을 평가하기 위해, 중권역별 대표 수질관리 지점을 대상으로 심한가뭄 조건에 따른 수질관리의 변화를 분석하였다(Fig. 3). 현재 우리나라에서는 하천 및 호소 지점을 대상으로 「중권역별 물환경 목표기준」에 따라 생활환경기준으로 BOD, TOC 및 T-P을 평가 항목으로 정하고 있다. 따라서 본 연구에서는 하천의 BOD, TOC, T-P을 기준으로 중권역별 목표수질 달성비율의 변화를 분석하였다. Fig. 4는 심한가뭄 발생 여부와는 상관없이 중권역별 항목(BOD, TOC, T-P)별 목표수질 달성비율(Achievement rate of target water quality)을 산정한 결과이다.

이러한 분석결과를 바탕으로 심한가뭄의 발생으로 인해 목표수질 달성비율이 감소하는 중권역을 발견할 수 있었다. 즉 이러한 지역에서 발생한 기상학적 가뭄은 수질관리에 부정적인 영향을 미치는 다양한 요인 중 하나일 수 있다. Table 1은 낙동강 유역에서 발생한 심한가뭄(SPI90) 조건에서 항목별(BOD, TOC, T-P) 목표수질 달성비율의 증감변화(증가(△) 또는 감소(▽))를 제시하고 있다.

Table 1.

Achievement rate change of target water quality according to drought (SPI90)

Station ID (#) Achievement rate (%) Station ID (#) Achievement rate (%)
BOD TOC T-P BOD TOC T-P
2001 4.8 4.3 8.6 2012 9.7 3.0 8.7
2002 6.3 2.6 4.9 2013 0.6 8.5 12.6
2003 7.1 13.9 5.5 2014 16.9 1.5 36.2
2004 7.1 7.2 1.8 2015 0.8 5.0 20.0
2005 15.9 24.4 5.1 2016 6.7 25.5 20.3
2006 0.9 1.3 0.0 2017 3.5 5.8 10.4
2007 8.5 7.5 2.8 2018 6.5 0.9 2.6
2008 13.2 2.7 23.4 2019 2.2 16.0 9.8
2009 12.5 7.1 0.9 2020 20.3 0.2 11.9
2010 0.1 10.3 0.0 2021 30.8 4.2 12.8
2011 9.1 2.6 0.9 2022 12.0 0.9 8.7

심한가뭄 조건에서 중권역별 목표수질 달성비율의 변화를 살펴본 결과, 전체 22개 중권역 중 15개 중권역(68.2%)에서 BOD 항목의 목표수질 달성비율이 감소하였고, 8개 중권역(36.4%)에서만 TOC 항목의 목표수질 달성비율이 감소하는 것으로 나타났다. 또한, 13개의 중권역(59.1%)에서 T-P 항목의 목표수질 달성비율이 감소했다. 이와 같은 방법으로 SPI30와 SPI60에 대한 심한가뭄 조건에서의 수질의 영향을 살펴본 결과, BOD 기준일 경우, 목표수질 달성비율이 감소하는 경향을 나타냈던 지역은 전체 22개 중권역 중 81.8%(SPI30), 86.4% (SPI60)의 비율을 차지하는 것으로 나타났다. 또한, TOC 기준일 경우에는 54.5%(SPI30)와 36.4%(SPI60)의 지역에서, T-P 기준일 경우에는 72.7%(SPI30)와 68.2%(SPI60)의 지역에서 목표수질 달성비율이 감소하는 것으로 확인되었다.

이처럼 중권역별 가뭄이 수질관리에 미치는 영향 정도를 검토한 결과, 3개의 가뭄지수(SPI30, SPI60, SPI90)와 3개의 수질 평가항목(BOD, TOC, T-P)에 대하여 조건부 기상학적 가뭄으로 인해 목표수질 달성도가 모두 낮아지는 결과를 나타낸 지역은 총 4개의 중권역(#2005-영강, #2018-남강댐, #2021-밀양강, #2022-낙동강하구언)으로 확인되었다. 이는 가뭄발생시 낙동강 하류유역에서 수질이 악화되는 경향이 뚜렷하게 확인되었던 기존연구(ME, 2017)와 일관성 있는 결과이다. 즉, 이러한 기상학적 가뭄으로 인하여 하천 수질관리에 영향을 미칠 가능성이 있는 지역에 대해서는 가뭄과 수질관리 간의 인과분석이 필요하다.

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F3.jpg
Fig. 3.

Water quality monitoring stations in Nakdong River Basin

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F4.jpg
Fig. 4.

Achievement rate of target water quality (%)

3. 베이지안 네트워크 기반의 가뭄-수질관리 인과관계 분석

본 연구에서는 환경적 측면의 서로 다른 유역환경에 나타나는 가뭄의 영향을 평가하기 위해, 베이지안 네트워크(Bayesian Network, BN) 기반의 계절별 가뭄-수질관리 간의 인과관계를 분석하였다. 또한, 앞에서 검토한 기상학적 가뭄으로 인한 수질변화에 영향이 존재할 가능성이 있는 4개의 중권역(#2005, #2018, #2021, #2022)을 대상으로 하여, 계절별 기상학적 가뭄으로 인해 수질 악화에 미치는 영향을 확률론적으로 해석하였다.

3.1 베이지안 네트워크 기본이론

베이지안 네트워크는 그래픽 기반 모델로서 변수의 관측값을 기반으로 하여 자료가 내포하는 여러 변수 간의 인과관계를 확률적으로 추론하는 데 유용한 장점이 있어 자연재해 및 복합재난 관련 연구 분야에서 널리 활용되고 있다(Nam, 2014; Yoo et al., 2014; Bertone et al., 2016; Phan et al., 2019; Ali et al., 2020). Fig. 5는 베이지안 네트워크의 기본개념을 설명하는 그림으로서 3개의 확률변수(X1, X2, X3)를 이용하여 네트워크를 구성한 예시이다.

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F5.jpg
Fig. 5.

Example of a Bayesian network

여기서, X1은 독립변수(부모노드, parent node)로서 화살표에 따라 변수 쌍(X1과 X2, X1과 X3) 간의 관계는 종속적으로 해석되고, X2와 X3은 X1의 자식노드(child node)가 되어 노드 간의 확률적 관련성을 표현할 수 있다.

일반적으로 베이지안 네트워크는 수학적 확률이론을 기반으로 하며, 여기서 각 변수를 표현하는 노드는 그래프 이론의 결합으로 이루어진 모델이며, 각 변수 간의 확률적 의존관계의 방향은 호(arc)로 나타낸다. 연결된 노드 간의 의존관계를 해석하기 위해서는 Eqs. (1) and (2)을 이용하여 조건부확률(conditional probability)을 계산한다. 여기서, P(B|A)는 사건 A가 발생했다고 가정했을 때 사건 B가 발생했을 확률을 의미한다. 즉 사건 A가 일어날 확률과 사건 A가 발생했을 시 사건 B가 발생할 확률을 곱하여 사건 A와 B가 동시에 일어날 확률 계산이 가능해진다.

(1)
PB|A=PABPA
(2)
PAB=PB|APA

이러한 베이지안 네트워크는 베이즈 정리를 기본으로 하여 사후확률(posterior probability)을 추론하게 된다. 여기서 베이즈 정리란 조건부확률을 이용하여 또 다른 형태의 조건부확률을 계산하는 방법이며, Eq. (3)과 같이 사후확률 P(A|B)는 나중에 일어나는 사건 P(B)를 전제로 하는 조건부확률이다. 즉, 사후확률 P(A|B)는 사건 B를 일어나게 한 원인으로 사건 A가 차지하는 비중으로 설명된다.

(3)
PA|B=PB|APAPB

3.2 가뭄-수질관리 영향평가 모형

본 연구에서는 강수량 부족으로 인해 발생하는 계절별 심한가뭄이 하천 수질관리에 미치는 영향을 평가하기 위한 베이지안 네트워크 모형을 구축하였다. 이를 위해, 베이지안 네트워크 소프트웨어 네티카(Netica)를 이용하였으며, 이는 다양한 시나리오를 기반으로 한 가뭄-수질관리 간의 확률변화를 비교하는 데 있어 활용도가 높다. 본 모형에서는 기상학적 가뭄 요인별(SPI30, SPI60, SPI90) 심한가뭄(SPI < ‒1.2)의 발생 유무에 따라 항목(drought, non)이 구분되고, 계절 항목은 봄(3∼5월), 여름(6∼8월), 가을(9∼11월), 겨울(12∼2월)로 구분하였다. 또한, 수질관리 관련 항목(Good, Bad)은 수질 평가항목(BOD, TOC, T-P)에 대한 목표수질 달성여부를 평가하여 구분하였다.

이러한 베이지안 네트워크는 계절적 가뭄을 나타내는 독립변수와 수질관리 상태를 나타내는 종속변수로 이루어져 있으며, 각 변수 간의 확률적 의존관계를 모델링하기 위해 조건부확률을 계산하였다. Table 2는 수질관리(TOC 기준)에 미치는 기상학적 가뭄지수와 계절특성의 의존관계를 나타내는 조건부확률표(conditional probability table)이다.

Table 2.

Water quality for TOC conditional probability table (%) in the #2021 basin

Meteorological drought Season Water quality for TOC
SPI30 SPI60 SPI90 Good Bad
Non_D Non_D Non_D Spring 87.5 12.5
Non_D Non_D Non_D Summer 68.5 31.5
Non_D Non_D Non_D Autumn 95.3 4.7
Non_D Non_D Non_D Winter 87.9 12.1
Non_D Non_D Drought Spring 66.7 33.3
Non_D Non_D Drought Summer 60.0 40.0
Non_D Non_D Drought Autumn 100.0 0.0
Non_D Non_D Drought Winter 75.0 25.0
Non_D Drought Non_D Spring 0.0 100.0
Non_D Drought Non_D Summer 75.0 25.0
Non_D Drought Non_D Autumn 80.0 20.0
Non_D Drought Non_D Winter 100.0 0.0
Non_D Drought Drought Spring 75.0 25.0
Non_D Drought Drought Summer 50.0 50.0
Non_D Drought Drought Autumn 57.1 42.9
Non_D Drought Drought Winter 100.0 0.0
Drought Non_D Non_D Spring 50.0 50.0
Drought Non_D Non_D Summer 50.0 50.0
Drought Non_D Non_D Autumn 72.7 27.3
Drought Non_D Non_D Winter 100.0 0.0
Drought Non_D Drought Spring 100.0 0.0
Drought Non_D Drought Summer 0.0 100.0
Drought Non_D Drought Autumn 100.0 0.0
Drought Non_D Drought Winter 100.0 0.0
Drought Drought Non_D Spring 50.0 50.0
Drought Drought Non_D Summer 66.7 33.3
Drought Drought Non_D Autumn 66.7 33.3
Drought Drought Non_D Winter 100.0 0.0
Drought Drought Drought Spring 66.7 33.3
Drought Drought Drought Summer 75.0 25.0
Drought Drought Drought Autumn 100.0 0.0
Drought Drought Drought Winter 100.0 0.0

Fig. 6은 #2021 중권역에 대한 가뭄-수질관리 간의 의존관계를 나타내는 그래픽 기반의 베이지안 네트워크 모형이다. 즉, 수질관리의 상태(Good, Bad)는 다양한 가뭄 시나리오(기상학적 가뭄 요인(SPI30, SPI60, SPI90)과 계절적 요인(봄, 여름, 가을, 겨울))에 따라 영향을 받게 된다. 본 연구에서는 다양한 시나리오에 따른 가뭄 조건의 변화로 인해 수질관리의 상태(Bad)가 어떻게 달라지는지를 시뮬레이션하기 위해 가상분석(What-if Analysis)을 수행하였다. 예를 들어, Fig. 7은 #2021 중권역에서 계절별 기상학적 가뭄 시나리오(SPI90 기준, drought = 100%)에 따른 수질관리의 상태(Good, Bad)별 확률이 계산되는 과정을 보여준다. 즉 Fig. 6과의 비교를 통해 계절별 발생한 가뭄에 의해 수질관리의 상태에 미치는 영향을 비교할 수 있다.

여기서 봄철 기상학적 가뭄 시나리오에 따라 BOD 기준으로 수질관리가 나쁨(bad)일 확률은 97.7%이다(Fig. 7(a) 참고). 이러한 결과는 가뭄 시나리오를 고려하기 이전의 확률(Fig. 6의 BOD 기준으로 나쁨(bad)일 확률: 47.4%)과 비교하여 50.3%가 증가한 것이다. 이처럼 기상학적 가뭄 시나리오에 따른 수질관리(BOD 기준)이 나쁨(bad)일 확률은 봄(50.3%), 겨울(22.0%), 가을(15.4%), 여름(4.4%) 순서로 큰 폭으로 증가하였다. 또한, 수질 평가항목이 TOC 기준일 경우에는 여름철 가뭄, T-P 기준일 경우에는 겨울철 가뭄이 수질악화에 큰 영향을 미치는 것이 확인되었다.

이처럼 특정 지역의 수질관리 상태는 수질에 기여하는 또 다른 요인(가뭄의 영향)에 의해 취약성이 증가할 가능성이 있다. 즉, 다양한 계절 가뭄발생 시나리오에 따른 수질관리의 관계를 이해하기 위해, Table 3과 같이 계절별 기상학적 가뭄 요인(SPI30, SPI60, SPI90)으로 인해 수질관리가 악화될 확률의 변화를 비교하였다.

그 결과, 전체 4개의 중권역에서 봄과 가을철 가뭄으로 인해 수질이 악화할 가능성이 상대적으로 크게 나타난 지역은 #2021 중권역이며(SPI30, SPI90 기준), 여름철에는 #2005 중권역(SPI60, SPI90 기준), 겨울철에는 #2022 중권역(SPI30, SPI60, SPI90 모두)인 것으로 확인되었다. 또한, #2018 중권역에서는 기상학적 가뭄(SPI60 제외)으로 인한 봄, 여름, 겨울철 수질관리(BOD 기준)에 대한 가뭄 영향력이 대부분 크게 나타났다. 이를 통해, 낙동강 유역 내 4개의 중권역에서는 기상학적 가뭄이 수질악화에 영향을 미칠 가능성이 존재한다는 것을 확인하였으나, 일부 그렇지 않은 경우(Table 3에서 음의 값)도 존재하였다. 이러한 결과는 하천 내 수질 악화에 영향을 주는 요인으로는 기상학적 가뭄으로 인한 강수량의 부족을 나타내는 자연적인 원인 이외에도 인위적인 요인이 존재할 가능성이 있다고 해석된다.

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F6.jpg
Fig. 6.

Baysian network model for drought and water quality in the #2021 basin

/media/sites/kwra/2021-054-10/N0200541003/images/kwra_54_10_03_F7.jpg
Fig. 7.

Probability changes of water quality according to seasonal drought scenario in the #2021 basin

Table 3.

Probability changes of water quality (bad=100%) for BOD according to seasonal drought

Drought Seasonal Station ID (#)
2005 2018 2021 2022
SPI30 Spring 37.8 36.2 52.6 26.4
Summer 37.5 36.7 52.6 17.8
Autumn -47.5 -13.4 24.1 6.4
Winter -21.1 2.2 -15.1 27.9
SPI60 Spring 37.8 -13.4 23.5 14.1
Summer 35.5 -6 12.3 -19.3
Autumn -46.5 -3.71 -3.5 -15.5
Winter 37.8 -2.5 51.5 42.1
SPI90 Spring 37.8 36.5 50.5 38
Summer 35.9 4.7 4.4 -9.6
Autumn -16.1 -13.4 15.4 -18.7
Winter 32.4 2.6 22 19.2

4. 토의 및 결론

본 연구에서는 하천 수질관리에 미치는 가뭄의 영향을 분석하기 위해 낙동강 유역에서 발생했던 기상학적 심한가뭄의 발생특성을 분석하고, 가뭄 조건 여부에 따른 하천의 목표수질 달성도를 비교평가하였다. 먼저, 지역별 기상학적 가뭄의 발생특성을 평가하기 위해 계절마다 다르게 발생하는 중권역별 최대가뭄을 비교한 후, 상대적으로 기상학적 가뭄 노출이 큰 지역을 구분하였다. 이후, 낙동강 유역에서 발생한 기상학적 가뭄이 하천 내 수질관리에 미치는 영향성을 평가하기 위하여, 심한가뭄 발생유무에 따른 목표수질 달성비율의 변화를 비교분석하였다.

그 결과 수질 평가항목 중 BOD와 T-P를 기준으로 한 경우, 낙동강 유역 내 50% 이상의 중권역에서는 가뭄 발생으로 인해 목표수질 달성비율이 감소하는 결과가 나타났다. 그러나 TOC를 기준으로 한 경우에는 가뭄으로 인한 수질관리의 영향이 다소 낮은 것으로 확인되었다. 이처럼 기상학적 가뭄과 수질관리에 대한 영향이 다소 낮은 것으로 확인되는 경우는 유역의 수질변화에 지배적인 영향을 주는 주요 요인이 기상학적 가뭄(강수량 부족)이다라고 설명하기에는 한계가 있다. 즉 기상학적 가뭄이외의 다른 요인(예를 들어, 상류에서 유입되는 유량과 오염부하량 등)에 대한 인과성을 추가적으로 분석해야 할 필요가 있다.

본 연구에서는 자연적 요인으로부터 발생하는 기상학적 가뭄이 하나의 원인으로 작용하여 수질관리에 영향을 미칠 가능성이 있는 낙동강 유역 내 중권역을 발견하였으며, 이를 대상으로 확률론적 접근을 통한 가뭄-수질관리 간의 인과관계를 이해하기 위한 베이지안 네트워크 모형을 구축하였다. 즉, 중권역별로 다양한 가뭄 시나리오에 따른 수질 변화를 조건부 확률의 개념으로 평가하였으며, 이를 통해 계절마다 가뭄으로 인한 수질 악화에 취약성이 큰 지역이 발견되었다. 그 결과, 봄과 가을철 수질에 미치는 가뭄 영향이 가장 큰 지역은 #2021 중권역이고, 여름철에는 #2005 중권역, 겨울철에는 #2022 중권역인 것으로 나타났다. 또한, 대부분의 중권역에서는 가을과 겨울에 비하여 봄과 여름철 가뭄이 수질관리에 미치는 영향 정도가 상대적으로 큰 것으로 확인되었다.

환경적 측면에서 가뭄의 영향 취약요인을 발견을 위해서는 베이지안 네트워크의 인과관계 모델의 활용도가 높을 것으로 기대된다. 또한, 환경적 측면에서 유역환경으로 미치는 영향이 클 것으로 예상되는 지역 구분 및 취약요인을 활용할 수 있는 가뭄 영향 모니터링 기술 개발이 필요하다. 통합물관리 차원에서 가뭄에 의한 직·간접적인 2차 피해를 최소화하기 위해서는 기존의 가뭄 상황 모니터링과 더불어 환경적 영향에 모니터링을 병행하여, 향후 가뭄 취약요인 관리를 통한 가뭄 회복력을 증대 시킬 수 있을 것으로 기대된다.

Acknowledgements

이 연구는 2021년도 한국연구재단 기초연구사업(NRF-2020R1C1C1014636)의 지원을 받아 수행되었습니다.

References

1
Ali, Z., Hussain, I., Grzegorczyk, M.A., Ni, G., Faisal, M., Qamar, S., Shoukry, A.M., Sharkawy, M.A.W, Gani, S., and Al-Deek, F.F. (2020). "Bayesian network based procedure for regional drought monitoring: The seasonally combinative regional drought indicator." Journal of Environmental Management, Vol. 276, No. 15, 111296. 10.1016/j.jenvman.2020.11129632906073
2
Bertone, E., Sahin, O., Richards R., and Roiko, A. (2016). "Extreme events, water quality and health: A participatory Bayesian risk assessment tool for managers of reservoirs." Journal of Cleaner Production, Vol. 135, pp. 657-667. 10.1016/j.jclepro.2016.06.158
3
European Environment Agency (EEA) (2012). Climate change impacts and vulnerability in Europe 2012, accessed 18 May 2021, <https://www.eea.europa.eu/publications/climate-impacts-and-vulnerability-2012>.
4
Intergovernmental Panel on Climate Change (IPCC) (2014). Climate change 2014 synthesis report, accessed 18 May 2021, <https://www.ipcc.ch/report/ar5/syr/>. 10.1017/CBO9781107415416
5
Jang, J.-H., and Ahn, J.-H. (2012). "Assessing future climate change impact on hydrologic and water quality components in Nakdong River Basin." Journal of Korea Water Resources Association, Vol. 45, No. 11, pp. 1121-1130. 10.3741/JKWRA.2012.45.11.1121
6
Kim, J.-S., Jain, S., Lee, J.-H., Chen, H., and Park, S.-Y. (2019). "Quantitative vulnerability assessment of water quality to extreme drought in a changing climate." Ecological Indicators, Vol. 103, pp. 688-697. 10.1016/j.ecolind.2019.04.052
7
Korea Environment Institute (KEI) (2015). Study on the development and implementation of baeflow index for the management of groundwater dependent ecosystems. Research Paper 2015-12.
8
Korea Environment Institute (KEI) (2017). Evaluation of environment ecological drought considering stream baseflow. Research Paper 2017-14.
9
Ministry of Environment (ME) (2016). Development of monitering system and integrated model for estimating environmental flow. No. 11-1480000-001460-01.
10
Ministry of Environment (ME) (2017). A study on the effect of drought on water environment and its evaluation plan, No. 11-1480000-001515-01.
11
Nally, R.M., Horrocks, G.F.B., and Lada, H. (2017). "Anuran responses to pressures from high-amplitude drought - flood - drought sequences under climate change." Climatic Change, Vol. 141, pp. 243-257. 10.1007/s10584-016-1890-z
12
Nam, K.-H. (2014). A study on the compound-disaster risk assessment by utilizing the bayesian network. Ph. D. Dissertation, Inje University.
13
National Integrated Drought Information System (NIDIS) (2014). United States, accessed 18 May 2021, <https://www.drought.gov/what-is-drought/drought-basics>.
14
Phan, T., Smart, J.C.R., Stewart-Koster, B., and Sahin, O. (2019). "Applications of Bayesian networks as decision support tools for water resource management under climate change and socio-economic stressors: A critical appraisal." Water, Vol. 11, No. 12, 2642. doi: 10.3390/w11122642 10.3390/w11122642
15
Vicente-Serrano, S.M., Lopez-Moreno, J., Beguería, S., LorenzoLacruz, J., Sanchez-Lorenzo, A., García-Ruiz, J.M., AzorinMolina, C., Morán-Tejeda, E., Revuelto, J., Trigo, R., Coelho, F., and Espejo, F. (2014). "Evidence of increasing drought severity caused by temperature rise in southern Europe." Environmental Research Letters, IOPscience, Vol. 9, No. 4, 044001. doi: 10.1088/1748-9326/9/4/044001 10.1088/1748-9326/9/4/044001
16
Yoo, J., Kim, J, Kwon, H.-H., and Kim, T.-W. (2014). "Sensitivity assessment of meteorological drought index using Bayesian network." Journal of the Korean Society of Civil Engineers, Vol. 34, No. 6, pp. 1787-1796. 10.12652/Ksce.2014.34.6.1787
페이지 상단으로 이동하기