1. 서 론

기후변화로 인해 전 지구적 가뭄의 빈도와 강도가 증가하면서(Dai, 2013), 대기증발요구량(Atmospheric Evaporative Demand, E_p)이 가뭄 위험을 평가하는 핵심 변수로 부상했다(Noguera et al., 2022; Naumann et al., 2018). 과거에는 강수량 부족이 가뭄의 주된 원인으로 간주되었지만, 최근 관측된 가뭄 동향이나 미래 전망에 대한 과학적 논쟁의 중심에는 E_p의 역할이 자리하고 있다(Vicente-Serrano et al., 2020). 특히 온난화로 인해 전 지구적으로 포화수증기압과 실제수증기압의 차이(Vapor pressure deficit, VPD)가 뚜렷하게 커지고 있어 E_p의 상승은 지속될 가능성이 크다(Yuan et al., 2019). 포화수증기압은 Clausius-Clapeyron 관계에 따라 기온이 오르면서 지수적으로 증가하는 반면, 지면 위 실제수증기압은 그보다 느리게 증가하기 때문이다(Byrne and O’Gorman, 2018). E_p의 증가는 식생의 수분 스트레스를 가중시키고 토양 수분을 빠르게 고갈시켜, 자연 생태계와 인간 사회 모두에 상당한 부담을 주고 있다(Grossiord et al., 2020; Novick et al., 2024).

E_p의 중요성에도 불구하고, 그 개념을 명확히 정의하고 정량화하는 것은 간단한 문제가 아니다. Thornthwaite (1948) 공식 이후 수 많은 정의가 등장했지만, 이들은 종종 서로 상충한다(Lhomme, 1997). 예를 들어, E_p를 산정하는 대상 지면을 자유 수면으로 보는지, 짧은 작물로 보는지에 따라 E_p의 의미와 값은 상당히 달라질 수 있다(Penman, 1948; Monteith, 1965). '수분 공급이 충분할 때의 증발량'이라고 통상 정의하지만 실제로 넓은 지역에서 포화가 일어나면, 증발 과정 자체가 주변 대기의 온도와 습도에 영향을 미쳐, E_p를 계산하는 데 필요한 기상조건 자체가 변하는 역설이 발생하기도 한다(Brutsaert, 2015; Szilagyi, 2021; Crago and Qualls, 2021). 이러한 개념적 모호성은 E_p를 추정하는 다양한 방법론이 명확한 합의 없이 사용되는 결과로 이어졌다. Zhang and Brutsaert (2021)는 Budyko 이론(Mianabadi et al., 2020)을 이용한 물수지 예측에서 어떤 E_p 공식을 사용할지 합의가 여전히 부족하며, Penman 공식, Priestley and Taylor (1972) 공식 등이 연구자의 주관적 선택에 따라 사용되고 있음을 지적했다. 이 공식들은 서로 물리적 의미가 다를 뿐만 아니라,모두 면의 물리적 특성(거칠기, 전도도 등)을 시간적으로 고정된 상수로 가정하는 한계를 가지고 있어 미래 가뭄 위험을 전망할 때 상당한 불확실성 요인으로 작용할 수 있다.

전통적인 E_p 산정 방식의 고정된 지표면 가정은 특히 기후변화에 따른 식생의 생리적 반응(physiological responses)을 고려하지 않는다는 점에서 큰 한계를 드러낸다. 대기 중 이산화탄소농도([CO₂]) 증가는 식물의 광합성 효율을 높이는 동시에, 기공전도도(stomatal conductance)를 감소시켜 수분 손실을 줄이는 효과를 가져온다(Yang et al., 2019). 이는 실질적으로 지면저항(r_s)을 증가시키는 요인으로 작용하며, 결과적으로 식생을 통한 증발산량을 억제한다. Liu et al. (2023)은 이를 통합 기공전도도 모형(Medlyn et al., 2011)으로 구현하여, [CO₂]​와 VPD 변화에 따라 r_s​가 동적으로 변하는 E_p 모형을 제시하기도 했다. 반면, 널리 사용되고 있는 Allen et al. (1998)의 E_p는 r_s​를 상수로 고정하기 때문에 이러한 생리적 조절 메커니즘을 완전히 무시한다. 이는 E_p를 과대평가하고, 미래 가뭄 위험을 실제보다 더 심각하게 전망할 수 있다(Yang et al., 2020; Kim et al., 2023). 증폭되고 있는 VPD에 대한 식생의 반응(Grossiord et al., 2020)까지 고려하면 미래 가뭄위험의 과대평가 문제는 더욱 명확해진다.

따라서 본 연구에서는 식생 반응을 고려한 더 정교한 모형으로 산정된 E_p를 사용할 때 전 지구 농업가뭄 위험 전망이 어떻게 달라지는지 정량화하였다. 이를 위해, 식생 반응을 고려하지 않는 전통적인 공식과 r_s와 공기동역학적 저항(aerodynamic resistance, r_a)의 동적 변화를 모두 포함하는 Two-source 모형으로 각각 미래 E_p를 산정하였다. 두 E_p 전망치를 강수 기반의 가뭄지수와 증발산량 기반의 가뭄지수에 적용하여, 2100년까지의 전 지구 작물재배지역 가뭄 지속기간과 면적 변화를 전망하고 토양수분 기반 가뭄지수와 비교하였다. 이 비교 분석을 통해, 식생 반응 고려 여부가 서로 다른 구조의 가뭄지수에서 어떤 차이를 유발하는지 평가하고, 미래 가뭄 전망의 불확실성을 줄이기 위한 방향을 제시하였다.

2. 연구자료 및 방법

2.1 대기증발요구량(E_p) 산정

Penman-Monteith 공식(Monteith, 1965)은 식생-대기 사이의 수분교환을 공기동역학적 저항(aerodynamic resistance, r_a) [s m^-1]과 지면저항(surface resistance, r_s) [s m^-1]으로 단순화하여 E_p [mm d^-1]를 다음과 같이 계산한다.

여기서 λ_v는 증발잠열(Latent heat of vaporization) [MJ kg^-1], Δ는 포화증기압곡선의 기울기[kPa °C^-1], R_n은 지열을 제외한 순지면에너지량[MJ m² d^-1], ρ_a는 공기밀도 [kg m^-3], C_p는 공기비열 [MJ kg^-1 °C^-1], VPD는 포화증기압부족량(Vapor pressure deficit) [kPa], γ는 건습계상수(psychrometric constant) [kPa °C^-1]이다.

본 연구에서는 Eq. (1)을 기반으로 하는 두 가지 방법으로 E_p를 산정하고, 이를 이용하여 미래 가뭄위험을 전망하였다. 두 E_p 모형은 참조작물(Reference crop)을 가정하는 국제연합 식량농업기구(Food and Agriculture Organization, FAO)의 Penman-Monteith 공식(Allen et al., 1998)과 Kim et al. (2025)의 Leaf Area Index (LAI) 기반 two-source 모형이다.

2.1.1 FAO Penman-Monteith 모형

Allen et al. (1998)은 Eq. (1)의 적용성을 높이기 위해 참조작물을 높이(h) 0.12 m의 초지(grass surface)로 가정하고, 기상변화만을 고려하는 E_p 산정방법을 제안하였다. 초지의 반사도(albedo)는 0.23으로 설정하고, 잔디높이와 LAI, 조도길이(roughness length) 사이의 경험식과 일반적인 잎표면저항값(leaf resistance) 100 s m^-1을 Eq. (1)에 적용해 참조작물의 E_p (E_p-RC)를 다음과 같이 산정하였다.

여기서 T_a는 평균기온 [°C], u₂는 2 m 풍속 [m s^-1]이다.

E_p-RC는 지면을 가상의 초지로 가정하기 때문에 시간적으로 변화하는 식생의 변화(Zhu et al., 2016)가 E_p에 미치는 영향을 평가할 수 없다. Allen et al. (1998)은 지면조건의 변화를 작물계수(Crop coefficient)를 곱하는 방식으로 반영하였으나, 이는 계절변동성만을 고려하는 한계가 있다.

2.1.2 Two-source E_p 모형

Kim et al. (2025)은 식생의 대기조건 변화에 대한 반응을 E_p 추정에 고려하기 위해 지면을 식생(vegetation)과 나지(bare soil)로 구분하여 각각 계산하는 two-source E_p 모형을 제시하였다. LAI가 주어졌을 때 지면의 식생피복비율(f_c)은 Beer- Lambert 법칙을 이용해 다음과 같이 추정할 수 있다.

여기서 k는 canopy light extinction coefficient로 모든 식생 유형에 적용가능한 일반적인 값은 0.56이다(Zhang et al., 2014). 추정된 f_c를 이용해 식생변화를 고려하는 E_p-Veg는 다음과 같이 계산된다.

여기서 E_p,s와 E_p,v는 각각 나지와 식생에서 산정한 E_p값이다.

E_p,s와 E_p,v를 계산하기 위해 r_a와 r_s값은 나지와 식생에 대해 별도로 추정된다. Kim et al. (2025)은 Yang et al. (2008)이 제시한 운동량 조도길이 2.74 mm와 열전달 조도길이 0.177 mm를 나지의 r_a 계산에 사용하였다. 식생의 경우, 평균 LAI를 f_c로 나누어 유효 LAI (LAI_v)를 산정한 후 이에 대응하는 잔디높이(h = LAI_v/24)로 조도길이를 추정하였다.

나지의 지면저항(r_s,b)은 0으로 가정할 수 있고, 식생의 지면저항(r_s,v)은 Liu et al. (2023)의 제안에 따라 Medlyn et al. (2011)의 통합 기공전도도 모형(unified conductance model)을 적용할 수 있다. 이 모형에서 Leaf-level 전도도(g_s,l) [mol m^-2 s^-1]는 다음과 같이 산정된다.

여기서 g₁은 식생의 한계수분이용효율(marginal water-use efficiency) [kPa^1/2], A는 순동화율(net assimilation rate) [µmol m^-2 s^-1], [CO₂]는 대기 중 이산화탄소 농도[ppm]이다.

Canopy-level 전도도는 g_s,l과 활성LAI (0.5×LAI_v)를 곱해 추정되고, 그 역수를 취하면 식생의 지면저항(r_s,v)이 된다.

Liu et al. (2023)은 통합 기공전도도 모형의 매개변수 g₁과 A를 Lin et al. (2015)의 방법으로 추정했으며, g₁은 기후조건과 경험적 관계를 가진다.

여기서 T¯는 0°C를 초과하는 기온의 연평균 값[℃], MI¯는 연평균 강수량과 평형증발량(Equilibrium evaporation)의 비율을 의미한다.

순동화율 A는 수분스트레스가 없을 때의 일반적 동화율(A_ww) 10 µmol m^-2 s^-1의 약 90% 로 가정하며, 대기이산화탄소 농도 증가에 따른 변화를 고려해 다음과 같이 계산된다.

여기서 S는 A_ww의 [CO₂] 변화에 대한 민감도를 의미하며, 식생의 종류에 따라 4-12%의 범위를 가지지만(Ainsworth and Rogers, 2007), Liu et al. (2023)은 [CO₂]가 100 ppm 증가할 때 A_ww값은 일반적으로 7.5% 증가하는 것으로 가정하였다.

Two-source E_p 모형에 대한 더 상세한 사항은 Kim et al. (2025)에 제시되어 있다.

2.2 가뭄지수

본 연구에서는 E_p 산정 방법의 차이가 미래 가뭄 위험 전망에 미치는 영향을 분석하기 위해 세 가지 가뭄지수를 사용하였다. 기상학적 물 수지인 강수량(P)과 E_p의 차이를 기반으로 한 Standardized Precipitation-Evapotranspiration Index (SPEI; Vicente-Serrano et al., 2010), 실제증발산량과 대기증발요구량의 비를 이용한 Evaporative Stress Index (ESI; Anderson et al., 2011), 토양수분량을 표준화한 Standardized Soil Moisture Index (SSI) 이다. 세 지수 모두 심한 가뭄의 판별 기준으로 z-score < -1.28을 적용하였으며, 이를 바탕으로 전지구 농업재배지역의 가뭄 지속기간과 면적을 전망하였다. 북반구에서는 5-10월, 남반구에서는 11-4월에 작물재배지역에서 가뭄지수가 -1.28 아래로 떨어진 기간의 연간 합계를 가뭄지속기간으로 정의하였고 재배기간동안 1개월이라도 가뭄이 발생한 경우 그 해에는 가뭄이 발생한 것으로 판단하였다.

2.2.1 Standardized Precipitation-Evapotranspiration Index (SPEI)

SPEI는 월별 기상학적 물수지 D = P - E_p를 사용자가 정한 시간규모(timescale)로 누적한 후 그 값에 대한 누가확률을 표준화하여 상대적 물부족상태를 나타내는 지수이다. 누적된 물수지값들은 3변수 log-logsitic (LL3) 분포로 적합시키며, 이 분포는 극단값에서의 확률왜곡이 작고 다양한 기후조건에서 안정적인 성능을 보이는 것으로 알려져 있다 (Beguería et al., 2014). 월단위 시간규모 k개월에 대한 SPEI는 다음과 같이 계산된다.

여기서 Φ^-1은 표준정규분포의 역함수, D_t는 t시점의 물수지, F(x)는 변량 x의 누가확률, α, β, γ는 각각 LL3분포의 규모(scale), 형상(shape), 위치(location) 매개변수이다. 매개변수는 확률가중모멘트(Probability weighted moments) 방법(Hosking, 1990)으로 추정되며 상세한 사항은 Beguería et al. (2014)에 제시되어 있다.

2.2.2 Evaporative Stress Index (ESI)

ESI는 실제 증발산량(E)과 E_p 사이의 비율을 이용하여 지면의 수분 스트레스 정도를 나타내는 지수로, 토양수분 상태 변화를 신속하게 반영할 수 있어 농업가뭄 모니터링에 널리 활용되고 있다(Anderson et al., 2016). 시간 규모 k개월에 대한 ESI는 E/E_p 비율을 평균한 후, 다음과 같이 표준정규화하여 산정된다.

여기서 F(·)는 평균 E/E_p의 누가확률밀도함수로 비모수적 kernal density 추정 기법을 적용할 수 있다(Kim et al., 2023). 초기 지면모형이론에서 E/E_p 비율과 토양수분은 선형 관계를 가지는 것으로 가정되므로(Manabe, 1969), z-score로 변환된 값은 상대적인 수분부족 정도를 나타낸다. SPEI가 기상학적 물공급량과 수요량을 비교하는 지수라면 ESI는 물수요량 대비 실제 소비량을 평가하는 지수로 볼 수 있다.

2.2.3 Standardized Soil Moisture Index (SSI)

ESI 전망과의 일관성 평가를 위해, Kim et al. (2023, 2025)은 토양수분 자료를 직접 표준정규화하여 SSI를 아래와 같이 정의하였다.

여기서 θ_t는 t시점의 토양수분[m³ m^-3], F(·)는 누가확률밀도함수를 나타내며 ESI와 마찬가지로 비모수적 kernal density 기법으로 추정할 수 있다. 토양수분자료는 지면의 수분저장능력(water holding capacity)을 직접 반영하므로 누적하지 않고 1개월 자료를 사용하였다.

2.3 기후변화 전망 및 작물재배면적 자료

FAO PM 공식과 two-source E_p 모형으로 각각 미래 가뭄위험을 전망하기 위해 Coupled Model Intercomparison Project Phase 6(CMIP6; Eyring et al., 2016)에 참여한 10개 지구시스템모형(Earth System Models, ESMs)의 과거모의자료(1950- 2014)와 미래 전망(2015-2100)을 수집하였다(Table 1).

온실가스배출 시나리오로는 Shared Socioeconomic Pathways (SSP; O’Neill et al., 2016) 중 두 가지를 고려하였다. SSP1-2.6은 2100년까지 온실가스 복사강제가 +2.6 W m^-2에 도달하는 저탄소 지속가능 경로(Sustainability pathway)이고, SSP5-8.5는 2100년까지 온실가스 복사강제가 +8.5 W m^-2에 도달하는 ‘현행추세 유지’(Business-as-usual) 시나리오이다.

E_p 계산에는 각 ESM이 모의한 월평균 잠열플럭스(Latent heat flux), 현열플럭스(Sensible heat flux), 2 m 기온, 상대습도, 지면풍속, LAI 자료를 사용하였다. 가뭄지수(SPEI, ESI, SSI) 산정에는 강수량, 증발산량, 토양수분량을 추가로 활용하였다. 가뭄지수의 기준 기간(reference period)은 1985- 2014로 설정하여, 이 기간의 누가확률밀도함수를 이용해 전체 기간의 가뭄지수를 산정하였다. 모든 CMIP6 ESM 자료의 해상도는 bilinear interpolation을 이용해 1°×1°로 통일하였다.

또한 전 지구 농업가뭄 위험의 변화를 평가하기 위해 Potapov et al. (2022)의 작물재배면적 자료를 사용하였다. 위성원격탐사 기반 순 1차생산(net primary production) 자료를 활용하여 4년 간격으로 추정된 작물재배지역 분포 자료이다. Fig. 1은 2016-2019 평균 작물재배면적을 나타내며, 미국 중부, 중국 동북부, 인도, 태국, 우크라이나, 러시아 서부, 호주 Murray-Darling 유역, 브라질 남부, 아르헨티나 동부 등 주요 곡물생산지역에서 재배면적이 광범위하게 분포함을 확인할 수 있다. 작물재배면적 자료 역시 CMIP6 자료와의 호환성을 위해 1°×1° 해상도로 resampling하였다.

Fig. 1.

Distribution of cropland fraction (%) for the period of 2016-2019, resampled to a 1°×1° spatial resolution (Potapov et al., 2022)

3. 결과 및 고찰

3.1 대기증발요구량(E_p) 시공간적 분석

Fig. 2는 CMIP6 자료를 이용해 산정된 E_p-RC와 E_p-Veg의 다중모델평균값(multi-model ensemble)의 전 지구 지면 공간분포를 나타낸다. E_p값은 북아프리카와 호주대륙에서 매우 높게 나타났으며, 지면에너지가 감소하는 고위도에서 낮은 값을 보였다. 그러나 지면에너지가 가장 높은 적도지역의 E_p 값은 북아프리카나 호주대륙보다 더 낮았는데, 이는 풍부한 강수량으로 인해 대기중 수증기량이 많아져 VPD가 낮게 유지되기 때문으로 해석된다. 하강기류의 영향으로 상시적인 강수 부족이 발생하는 건조 기후 지역에서는 지면-대기상호작용(land-atmosphere feedback)에 의해 VPD가 증폭되며(Zhou et al., 2019), 이를 반영할 경우 순에너지만을 이용해 추정하는 모형보다 E_p값은 증가한다(Kim and Chun, 2021; Zhou and Yu, 2024). 이는 동일한 순에너지와 풍속 조건에서도 지면이 포화상태인지 여부에 따라 E_p값이 달라질 수 있음을 의미한다.

Fig. 2.

Distribution of the ensemble mean E_p-RC (a) and E_p-Veg (b) calculated from 10 ESM simulations for the reference period (1985-2014), and projected mean deviations for the near future (2021-2050) (c, d) and the far future (2071-2100) (e, f) under SSP1-2.6 relative to the 1985-2014 climatology

지면을 가상의 초지(reference grass)로 가정하는 경우, 실제 식생 변화를 구체적으로 반영하는 경우보다 E_p가 더 크게 산정되는 경향을 보였다. 1985-2014 기간 동안 다중모형 앙상블 전지구 평균 E_p-RC는 1,155 ± 13.40 mm yr^-1 (평균 ± 표준편차)였고, E_p-Veg는 1,109 ± 8.862 mm yr^-1의 분포를 보였다. Eq. (5)에서 기공 전도도 g_s,l는 VPD^1/2와 [CO₂]에 반비례하는데, 이는 수분손실을 최소화하기 위한 식생의 일반적인 반응이다. 이러한 반응을 고려하지 않고 r_s를 70 s m^-1로 고정할 경우, 특히 건조한 지역에서 E_p값이 과대산정되는 경향이 나타났다. 건조지역에서는 식생 피복이 매우 적기 때문에, 지면을 초지로 가정하면 조도길이가 나지보다 길어져 r_a가 실제보다 작아진다. 이에 따라 건조 지역에서 E_p-RC와 E_p-Veg의 차이가 컸으며, 강수량이 많은 지역에서는 두 E_p의 차이가 작아지거나 오히려 E_p-Veg값이 E_p-RC보다 커지는 것으로 나타났다.

Fig. 2는 지속가능시나리오인 SSP1-2.6 시나리오에서도 대부분 지역에서 E_p-RC와 E_p-Veg는 증가하는 것을 보여준다. E_p-RC는 북아프리카, 중동, 지중해, 호주 내륙, 북미 남서부·남아프리카 등에서 2021-2050, 2071-2100으로 갈수록 뚜렷한 양의 편차를 보이며, 동일 지역에서 E_p-Veg의 증가폭은 일관되게 더 작다. 반면 북유럽, 서시베리아, 알래스카, 캐나다 남부 등 비교적 습윤한 고위도에서는 두 모형 간 차이가 작고, 국지적으로 E_p-Veg의 증가가 E_p-RC와 유사하거나 약간 크게 나타났다.

E_p-Veg는 VPD와 [CO₂] 증가에 따라 r_s​가 커져 E_p 증가가 완화되는 반면 E_p-RC는 고정된 r_s값을 사용하기 때문에 지구온난화로 증폭되는 VPD가 그대로 E_p 증가로 반영된다. 또한 건조한 지역은 나지가 식생피복보다 우세하기 때문에 r_a​가 커져 E_p-Veg의 증가폭을 상당히 제약하지만 지면 전체를 초지로 가정하는 E_p-RC는 r_a가 상대적으로 작아 증가폭이 더 커진다. 습윤한 지역에서는 증가하는 LAI와 길어지는 생육기간으로 인해 r_a는 감소하지만 수분스트레스가 낮아 r_s ​상승이 제한되면서 E_p-Veg의 증가폭이 E_p-RC와 비슷하거나 일부 지역에서는 더 커질 수 있다. 식생반응으로 인해 E_p-RC와 E_p-Veg의 차이는 2071-2100으로 갈수록 증가하지만 강제력이 완화된 시나리오 특성상 차이가 제한되는 것을 알 수 있다. SSP5-8.5 시나리오에서는 건조지역에서 나지 면적이 커지는 효과와 습윤 지역에서의 LAI 증가가 더 커져 21세기 말에는 E_p-RC가 E_p-Veg보다 훨씬 커지는 것으로 전망됐다(Fig. 3).

Fig. 3.

Distribution of the projected mean deviations of E_p-RC and E_p-Veg for the near future (2021-2050) (a, b) and for the far future (2071- 2100) (c, d) under SSP5-8.5 relative to the 1985-2014 climatology

작물재배지역에 대해 공간평균한 E_p-RC와 E_p-Veg의 경년 변화(Fig. 4)에서 E_p-RC와 E_p-Veg의 선택이 미래 가뭄위험 평가에 상당히 큰 영향을 줄 수 있음을 확인할 수 있다. 두 배출시나리오에서 모두 E_p-RC의 증가가 E_p-Veg보다 훨씬 가파르고 먼 미래에 대해서는 낮은 배출시나리오에서도 통계적으로 유의하게 E_p-RC가 높은 것으로 전망됐다. SSP5-8.5 시나리오 2071- 2100 기간에는 ESM의 선택보다 E_p 모형의 선택이 E_p의 범위에 더 큰 영향을 미칠 것으로 전망됐다.이는 E_p 산정방법의 산택 자체가 가뭄 전망의 1차 불확실성 요인이 될 수 있음을 의미하고 특히 작물재배지역에서 E_p-RC는 E_p-Veg보다 훨씬 큰 증가를 전망하기 때문에 SPEI나 ESI의 가뭄 심도와 면적을 과대추정할 소지가 크다.

Fig. 4.

Interannual variations of annual anomalies of the multi-model ensemble mean E_p-RC (red) and E_p-Veg (blue) over cropland areas from 1960 to 2100 under (a) SSP1-2.6 and (b) SSP5-8.5, relative to the 1985–2014 climatology. Shaded bands denote the inter-model spread across the 10 CMIP6 ESMs

3.2 미래 작물재배지역 가뭄위험 평가

Fig. 5는 토양수분으로 직접 농업가뭄을 감시하는 SSI와 기상 조건을 활용하는 SPEI, ESI 사이의 상관성과 최대 상관이 나타나는 시간 규모를 나타낸다. 두 지수 모두 SSI와 양의 상관이 우세하지만, ESI가 SPEI보다 더 넓은 지역에서 높은 상관을 보이는 것을 알 수 있다. 시간 규모 측면에서 ESI는 대부분 지역에서 1-2개월로 짧아 토양수분의 단기 변동을 민감하게 포착하는 반면, SPEI는 중·고위도 및 몬순 경계 지역에서 3-6개월로 길게 나타나는 경우가 많다. 이는 SPEI가 P와 E_p의 누적 효과를 통해 토양·식생 저장의 완충작용을 간접 반영하기 때문으로 해석된다. 한편 고위도 일부 지역에서는 낮은 에너지 가용성과 적설·해빙 등 계절적 비연속성의 영향으로 두 지수 모두 SSI와의 상관이 상대적으로 낮다. 요약하면, ESI는 농업가뭄의 단기 감시에, SPEI는 계절 규모의 누적 수분 불균형 진단에 더 적합함을 시사한다.

Fig. 5.

Spatial distribution of the maximum Pearson correlation (r) between SSI and (a) SPEI and (b) ESI, and the timescale (months) at which the maximum occurs for (c) SPEI and (d) ESI over global land surfaces. Pearson r values and timescales were computed separately for each of the 10 CMIP6 ESMs, and the maps show the multi-model ensemble mean. The grey points indicate locations with cropland fraction > 10%

ESI와 SSI의 상관성이 높은 원인은 토양수분 부족이 VPD와 E_p를 끌어올려 수분 고갈을 가속하는 지면-대기결합(land- atmosphere coupling)과 잦은 강수로 토양수분이 증가할 때 운량 증가로 단파복사가 제한되어 E_p가 감소하는 순환 결합(circulation coupling)이다(Lesk et al., 2021). Kim et al. (2025)은 기후재분석자료를 이용한 1985-2020 분석에서 전 지표의 약 70%에서 ESI-SSI 사이의 Pearson 상관이 0.5를 상회함을 보였고, 특히 농업지역에서 매우 강한 결합 강도(0.87 ± 0.13)를 확인하였다. CMIP6 ESM 전망을 이용한 본 연구에서는 작물재배지역이 10% 이상인 픽셀에서 SSI와 ESI 사이의 Pearson 상관은 0.54 ± 0.15로 상대적으로 낮았지만 최대상관은 0.83으로 여전히 강한 결합을 가리키고 있다. 해수면 보다 빠르게 뜨거워지고 있는 지면(Byrne and O’Gorman, 2018)과 지속적으로 강해지고 있는 지면-대기결합을 고려했을 때(Vicente-Serrano et al., 2018), 작물재배지역의 미래 가뭄위험은 더 커질 것으로 전망할 수 있다.

Fig. 6은 SSP5-8.5 시나리오에서 SPEI로 전망된 작물재배지역의 미래 가뭄 지속기간(duration)과 면적(area) 변화를 나타낸다. 두 E_p 산정 방법 모두 21세기 중반 이후 뚜렷한 가뭄 증가 추세를 예측하지만, 그 크기에는 상당한 차이가 있다. E_p-RC 기반의 SPEI는 E_p-Veg 기반의 SPEI에 비해 가뭄 지속기간과 면적의 증가폭을 일관되게 과대평가했다. 이 차이는 기후변화가 가속화되는 2020년 이후 뚜렷해지는데, 이는 [CO₂] 상승에 따른 식생의 생리적 반응이 가뭄에 미치는 영향이 점차 중요해짐을 시사한다. 농업가뭄의 직접적인 지표로 볼 수 있는 토양수분 기반 가뭄 위험도가 E_p-Veg 기반 전망치와는 매우 높은 일관성을 보이는 반면, E_p-RC 기반 전망치와의 차이는 시간이 갈수록 커진다. 이는 [CO₂]와 VPD가 상승함에 따라 함께 커지는 식생의 수분 보존 효과를 고려하지 않는 전통적인 E_p 산정 방식이 미래 가뭄 위험을 과장할 수 있음을 의미한다.

Fig. 6.

Temporal evolution of anomalies in (a) drought duration and (b) drought area over global croplands under SSP5-8.5. Anomalies, relative to the 1985–2014 baseline, are identified using SPEI based on E_p-RC (red) and E_p-Veg (blue), and directly from soil moisture(green). Solid lines represent the multi-model mean of 10 CMIP6 ESMs, and the shaded areas indicate the inter-model spread (maximum – minimum)

Fig. 7은 ESI를 사용하여 작물재배지역의 미래 가뭄 변화를 전망한 결과로, Fig. 6의 SPEI 기반 분석 비교할 때 중요한 차이점을 보여준다. ESI로 평가한 가뭄의 지속기간과 면적은 SPEI 기반의 결과보다 전반적으로 더 크게 증가했는데, 이는 두 지수의 구조적 차이 때문이다. SPEI는 절대량이 크고 변동성도 높은 P의 변화가 E_p 증가 효과를 상당 부분 상쇄할 수 있다. 반면, ESI에 사용되는 E는 통상 P보다 규모와 변동성이 작아, 온난화로 인해 꾸준히 증가하는 E_p가 E/E_p 비율을 더 직접적이고 일관되게 감소시킨다. 이로인해 ESI는 SPEI보다 미래 가뭄 위험을 더 크게 전망하게 된다.

Fig. 7.

Same as Fig. 6, but with ESI based on E_p-RC (red) and E_p-Veg (blue)

하지만 이러한 지수 간 차이점에도 불구하고, ESI 분석에서도 E_p-RC 기반의 전망은 E_p-Veg 기반의 전망에 비해 미래 가뭄 위험을 여전히 과대평가했다. 이는 어떤 가뭄지수를 사용하더라도 식생변화와 생리적 반응이 E_p에 미치는 영향이 미래 가뭄위험에 상당한 영향을 주는 것을 재확인시키는 결과이다. 증폭되는 VPD 스트레스(Novick et al., 2024)에 대응하는 식생의 적응 메커니즘을 고려하지 않는 전통적인 방식은 미래 가뭄 위험을 구조적으로 과대평가할 위험이 있다.

3.3 고찰

식생의 생리적 반응을 고려하는 것만으로도 미래 전지구 농업가뭄 위험 전망이 크게 달라질 수 있음을 확인할 수 있었다. 이 결과는 식생 반응을 고려하지 않은 전통적인 가뭄 평가 방식이나 유출해석이 미래 물 부족을 현상을 과대평가할 수 있다는 기존의 여러 연구와 맥락을 함께 한다(Lemordant et al., 2018; Scheff et al., 2021, 2022; Yang et al., 2020). 특히 Kim et al. (2023)은 E_p-RC를 사용한 ESI가 미래 돌발가뭄(flash drought) 위험을 토양수분 기반의 전망보다 과대평가함을 보였으며, 이는 상승하는 대기 중 이산화탄소에 대한 식생의 기공저항 변화를 무시하기 때문이라고 지적했다. 마찬가지로, 다수의 연구들은 ESM이 예측하는 미래 유출과 오프라인 가뭄지수가 제시하는 전망 사이의 오랜 불일치가 이러한 식생의 생리적 반응 누락 때문이라고 강조해왔다(Yang et al., 2019; Milly and Dunne, 2016). 본 연구의 결과는 이 주장을 다시 한번 뒷받침하며, [CO₂​]와 VPD 변화에 따른 식생의 동적 반응을 포함하는 경우(E_p-Veg)가 그렇지 않은 경우(E_p-RC)보다 더 현실에 가까운 가뭄 위험을 제시할 가능성이 높음을 나타낸다.

하지만 ESI와 SSI 사이의 비교에서 확인된 바와 같이, 단순히 식생 반응을 고려하는 것 만으로 토양수분 변화와 완전히 일관된 가뭄 전망을 도출하기에는 한계가 있었다. 과거 기간에 강한 상관성을 보였던 ESI와 SSI가 미래에 서로 분리(decoupling)되는 현상은 전망과정에 내재된 불확실성이나 편의를 가리킬 수 있다. 이 불일치의 원인은 지면-대기 상호작용으로 증폭된 E_p 전체를 스트레스 요인으로 간주하는 전통적 관점 자체에 내재된 것일 수 있다. 건조한 지면 조건은 그 자체로 지표면의 현열을 증가시켜 기온과 VPD를 증폭시키고, 이는 결과적으로 E_p 값을 팽창시키는 되먹임(feedback)을 유발하기 때문이다(Kim et al., 2024; Szilagyi, 2021; Crago and Qualls, 2021; Zhou et al., 2019). 즉, 통상적으로 사용되는 E_p 값에는 순수한 대기의 물 수요뿐만 아니라, 건조한 지면조건에 의해 증폭된 되먹임 효과까지 포함하고 있다. 본 연구에 사용된 E_p-RC와 E_p-Veg는 모두 이 되먹임 효과가 제거되지 않은 팽창된 E_p에 해당하므로, 온난화로 VPD가 지속적으로 증가하는 환경(Denissen et al., 2022)에서는 가뭄 위험을 구조적으로 과대평가할 가능성이 크다. 토양수분이 증가할 때 함께 줄어들게 되는 되먹임 효과를 배제할 수 있도록, 향후 연구에서는 E_p 산정기법을 추가적으로 수정할 필요가 있다.

4. 결 론

본 연구에서는 식생의 생리적 반응을 고려한 two-source 모형과 전통적인 FAO-PM 공식을 이용해 대기증발요구량(E_p)을 산정하고, 이를 바탕으로 미래 전지구 농업가뭄 위험을 비교 평가하였다. 또한, 대표적인 가뭄지수인 SPEI와 ESI를 토양수분 기반의 가뭄지수(SSI)와 비교하여 미래 가뭄전망의 불확실성을 분석하였다. 주요 연구 결과를 요약하면 다음과 같다.

(1) 식생 반응을 고려한 가뭄 위험 평가는 전통적인 방식에 비해 미래 가뭄 위험을 완화하는 것으로 나타났다. 전통적인 E_p-RC는 식생의 수분 보존 효과를 무시하여 미래 가뭄의 지속기간과 면적을 과대평가한 반면 two-source 모형(E_p-Veg) 기반의 전망은 토양수분(SSI) 변화와 더 높은 일관성을 보였다.

(2) 증발량(E/E_p) 기반의 ESI는 물수지(P-E_p) 기반의 SPEI보다 온난화에 따른 E_p 증가에 더 민감하게 반응하여 전반적으로 더 심한 가뭄 위험 증가를 전망했다. 이는 사용하는 가뭄 지수의 구조적 특성 자체가 미래 전망의 중요한 불확실성 요인이 될 수 있음을 의미한다.

(3) 식생 반응을 고려했음에도 불구하고, ESI와 SSI의 미래 전망은 과거와 달리 분리(decoupling)되는 경향을 보였다. 이는 건조한 지면 상태가 E_p를 증폭시키는 지면-대기 상호효과가 전통적인 E_p 산정 방식에 내재되어 있기 때문일 수 있다. 향후 연구에서는 이 되먹임 효과를 배제할 수 있는 E_p 산정방법을 개발해 현실적으로 가뭄위험을 전망할 필요가 있다.