1. 서 론

최근 다양한 국가에서는 기후변화로 인해 가뭄이 점차 극심하게 변화하고 있으며, 이를 대응하기 위해 용수 공급의 효율성을 강조하였다(Shiklomanov, 2000; Thomas et al., 2014; Jun et al., 2017; Marengo et al., 2020; Alves et al., 2023). 특히, 아시아에서는 지속해서 인구가 증가하고 있기에 수자원의 공급과 수요가 불균형이 자주 발생하며, 아시아 내 특정 국가에서는 용수 수요의 증가로 인해 용수 공급의 관리가 철저하게 이루어지도록 많은 연구들이 진행되어 왔다(Araral and Wang, 2013; Yao et al., 2022; Peng et al., 2023). 인도에서는 농촌 지역의 용수 공급 계획에 대한 효과를 검토하고, 경제적 평가를 통해 안정적인 물 공급에 대한 적합성을 결정하는 연구를 수행하였다(Misra, 2008). 이 연구는 농촌 용수 공급 계획의 자본 비용과 운영 및 유지관리 비용을 활용하여 공급 계획의 효율성을 지역별로 평가하였다. 중국에서는 베이징 내 용수 공급과 수요 간의 위험성을 평가하기 위한 기준을 제안하는 연구가 진행되었으며, 판별 분석을 바탕으로 용수 수요와 공급 간의 위험 평가 모델을 개발하였다(Qian et al., 2014). 중국은 Baicheng 도시를 중심으로 가뭄 피해가 발생하지 않는 적정 농업용수 공급량을 확인하기도 하였다(Sun et al., 2015). 다만, 해당 선행연구들은 지역의 특성을 반영하지 않거나 지역 간 비교 가능한 수치가 없다는 점에서 한계점이 존재하였다.

국내에서도 가뭄에 대비하여 인위적인 용수 공급의 효율성을 증대시키기 위한 다양한 노력이 이루어져 왔다. 이를 위해 선행연구에서는 국내에 적합한 물 수급 모델을 개발하고, 물 수급 전망 및 유역 내 물수지 분석에 관한 연구를 진행해 왔다(Hwang et al., 2007; Choi et al., 2011; Rim et al., 2011; Kim et al., 2018a). Choi et al. (2018)은 금강 유역을 대상으로 국내 기존 물수지 분석의 문제점을 파악하고, 이를 해결할 수 있는 개선 방안을 제안하였다. 해당 연구에서는 용수가 부족한 지역과 실제 제한급수 지역을 비교하여 용수 공급의 타당성을 평가하였다. 이외에도, 다른 연구에서는 수자원 시스템의 모의 운영을 통해 용수 공급의 효율성을 평가하고 기존 용수 공급 조정 기준의 타당성을 확인하였다(Lee and Kang, 2006; Moon et al., 2008; Yu et al., 2017; Kim et al., 2022). 이와 같이 국내에서는 물수지 분석을 통한 물 수급 모델의 평가와 가뭄 단계에 따른 운영 방식을 분석하여 용수 공급의 효율성을 검토하는 연구가 진행되었다. 그러나 국내의 선행연구는 용수 공급의 효율성을 평가하기 위해 물수지 분석에만 초점이 맞춰져 있다는 한계점이 있다고 판단된다. 다른 한계점은 용수 공급의 효율성을 판단하는 과정에서 가뭄 피해의 정도가 아닌 가뭄 피해의 여부만을 활용했다는 점이라고 사료된다.

국내에서는 다양한 용수 공급 운영 방안 중 “댐 용수부족 대비 용수 공급 조정기준”이 대표적으로 채택되고 있다(K-water, 2009; Kim et al., 2018b). 이 기준은 전국의 모든 댐 유역에 동일하게 적용되어, 일관된 대응 체계를 바탕으로 용수 공급이 이루어진다. 그러나, 일률적인 적용 방식은 각 지역의 고유한 특성과 상황을 충분히 반영되지 못한다는 문제점을 내포하고 있다. 특히, 모든 댐 유역에 동일한 대응 방안을 일괄된 방식으로 적용해야 한다는 한계점은 지역적 특성을 반영하지 않은 결과로, 가뭄 상황에서 효과적인 대응이 어렵다는 점이다. 이러한 문제의 근본적인 원인은 가뭄으로 인해 용수를 공급하는 과정에서 실제 피해 사례와 지역적 특성을 고려한 세밀한 연구가 부족했기 때문으로 판단된다. 더불어, 국내에서는 가뭄 피해에 대한 조사가 불규칙적이고 비정기적으로 이루어지면서, 용수 공급의 조정 기준에 실질적인 데이터를 반영하기 어렵다는 문제점을 더욱 악화시키고 있다고 사료된다.

국가가뭄정보통계집(National Drought Information Statistics, 2020-2023)은 비정기적인 조사 문제를 해결하기 위하여 관련 부처 간의 협력을 통해 연간 가뭄 현황 및 가뭄 피해에 대한 조사 항목을 통일하여 발간되었다. 해당 통계집은 데이터의 출처와 작성 근거가 명확히 규정된 공식 자료이며, 최근에 발간된 규정집임에도 불구하고 이를 활용한 연구가 활발하게 이루어지고 있다(Song et al., 2021; Moon et al., 2022). Song et al. (2021)은 생활가뭄으로 인한 피해규모를 추정하기 위해, 국가가뭄정보통계집에서 피해와 관련된 데이터를 기반으로 피해액과 복구액을 산정할 수 있는 공식을 개발하였다. 해당 연구에서는 생활가뭄으로 인해 발생한 피해를 정량화하여 지역별로 비교하였다. Moon et al. (2022)은 통계집에 수록된 피해 관련 자료를 바탕으로 군집분석을 수행하였다. 그 결과, 해당 연구에서는 국내 161개 지자체에서 발생한 가뭄 피해를 지역별로 비교·분석할 수 있는 높은 활용성을 제안하였다.

Moon et al. (2022)은 가뭄 모니터링의 한계를 극복하기 위해 가뭄 피해 자료를 지역별로 분류하고, 계층적 군집 분석을 통해 다양한 요인들을 설정하여 분석을 진행하였다. 가뭄 피해 자료는 가뭄 예·경보 횟수, 생활 및 공업, 농업용수에 대한 직접적 가뭄 피해정보, 그리고 가뭄 대응을 위해 지원한 용수 자료이며, 이를 군집화하여 결과를 도출하였다. 본 연구에서는 군집화한 결과가 지역별로 피해를 비교할 수 있다는 점에서 ‘상대적 가뭄 피해 등급’으로 정의하여 활용하였다. 이처럼 다양한 선행연구에서는 가뭄 피해와 용수 공급 계획의 효율성을 지역별로 구분하고 평가해 왔다. 가뭄을 분석하는 연구는 지역의 특성을 반영하여 용수 공급의 우선순위를 결정하는 주요한 역할로 전망된다. 특히, 지역별 용수의 수요량은 가뭄 발생 시 달라질 수 있으며, 용수의 수요에 따른 공급량의 변화는 공급 우선순위를 결정하는 데 중요한 역할을 할 것으로 판단된다(Frederick, 1997; Zhang et al., 2024).

그리하여, 본 연구에서는 용수 이용에 따른 가뭄 피해의 민감도를 평가하여, 가뭄 발생 시 용수 공급의 지역별 우선순위를 결정할 수 있는 새로운 평가 방법론을 제안하였다. 이를 위해, ‘용수 대비 피해 민감도(Damage Sensitivity to Water usage, DSW)’를 새롭게 정의하였다. DSW는 지역별로 농업/생활/공업용수 이용량이 각각 가뭄 피해에 미치는 영향을 정량화하며, 용수 공급이 우선적으로 필요한 지역을 선정하는 데 활용된다. 연구 대상지역은 2018년부터 2021년까지 금/영산/섬진강 유역 내 시·군·구 단위의 행정구역으로 선정하였다. 각 지역의 농업/생활/공업용수 이용량과 기상학적, 지역적 특성 인자는 지도학습 기반 회귀모형을 구축하기 위해 활용되었다. 이후, 회귀모형을 통해 각 지역의 용수 이용량이 50% 감소하거나 200% 증가하는 시나리오에서의 상대적 가뭄 피해 등급을 산출하였다. DSW는 이 등급의 차이를 기반으로 계산되며, 이를 통해 지역별로 순위를 매겼다. DSW가 높은 지역은 용수 관리에서 우선적으로 고려해야 할 지역임을 의미하며, 이를 바탕으로 지역별 용수 관리의 우선순위를 평가하였다.

2. 연구 대상지역 및 자료

연구 대상지역은 환경부의 소속기관 중 하나인 홍수통제소(KEI, 2024a; 2024b)를 참고하여, 금/영산/섬진강 유역 내 존재하는 시·군·구 단위의 행정구역 46개로 선정하였다(Table 1, Fig. 1). 행정구역 46개는 구분을 쉽게 하고자 1번부터 46번까지 번호를 부여하였다(Fig. 1(a)). 연구 대상지역은 한국지방행정연구원(Korea Research Institute for Local Administration, KRILA)에서 인구밀도, 인구의 편중도, 주요 산업 등과 같은 지표를 활용하여 도시형/농촌형/도농복합형으로 구분하였다(KRILA, 2010). 이렇게 구분된 행정구역은 DSW를 바탕으로 용수 이용에 민감한 지역으로 추후 선정된 결과와 비교 및 분석하였다.

본 연구에서 지역별로 DSW를 계산하기 위하여 활용된 자료들은 가뭄 피해와 관련성이 있는 기상학적, 지역적 특성 인자, 용수 이용량으로 분류하여 구축하였다(Table 2). 이와 같은 자료들은 연구의 분석과정에서 중요한 변수로 활용되었다. 첫 번째, 기상학적 인자는 연간 강우량(mm), 연간 평균 기온(°C), 연간 평균 풍속(m/sec), 그리고 30일 단위의 지속기간별(30일, 60일, 90일, 180일, 270일 그리고 360일) 표준강수지수(Standardized Precipitation Index, SPI)인 총 9개의 인자로 구성하였다. 이를 위해, 기상자료개방포털(KMA, 2024)에서 연구 대상지역 내 포함되는 종관기상관측장비(Automated Synoptic Observing System, ASOS) 및 자동기상관측장비(Automatic Weather Station, AWS)에서 관측되는 일 단위의 강우량, 기온, 풍속을 연간 평균값으로 계산하였다(Fig. 1(b)). 일반적으로 SPI와 같은 가뭄지수는 확률분포 모델을 활용하여 산출하였으며, 장기간의 강우 자료가 요구된다. 그리하여, 강우 자료는 지상관측소에서 관측된 2001년부터 2021년까지의 일 단위 강우량으로 활용하였다. SPI는 Kwon and Sung (2019)의 연구 방법론을 적용하여 30일 단위의 지속기간별로 계산하였다. SPI는 다른 기상학적 인자와 동일한 기간인 2018년부터 2021년까지만을 연간 평균값으로 변환하여 활용하였다.

Fig. 1.

Geographic information of (a) the number for administration and (b) the weather stations in Geum/Yeongsan/Sumjin River basin, Korea

두 번째, 지역적 특성 인자는 공인된 자료이자 출처가 명확한 국가통계포털(KOrean Statistical Information Service, KOSIS)를 통해 총 7개 인자로 구성하였다(KOSIS, 2024). 지역별 총인구수와 가구수는 주민등록상 등록 여부를 기준으로 하여 조사한 데이터를 의미한다. 농가는 지난 1년간 직접 생산한 농축산물 판매금액이 120만원 이상인 가구를 대상으로 조사하였고, 농가인구는 농가에 포함되어 있는 모든 구성원의 수를 뜻한다. 제조업 종사자수는 한국표준산업분류를 통해 제조업으로 분류된 총 인원수이며, 공장용지는 제조업을 목적으로 하는 부지를 의미한다(Statistics Korea, 2024). 마지막으로 상수도 보급률은 지방 및 광역 상수도를 기준으로, 해당 지역 총인구 대비 급수 인구 비율로 산출하여 활용하였다.

세 번째, 용수 이용 관련 데이터는 한강홍수통제소에서 관리하는 국가수자원관리종합정보시스템(WAter resources Management Information System, WAMIS)에서 제공된 데이터를 활용하였으며, 각각 농업/생활/공업용수 이용량으로 구분하였다(HRFCO, 2024). 농업용수 이용량은 기준년 또는 이수안전도에 해당하는 기상 상황을 고정하여 농업용수로 필요한 만큼 추정한 단위용수량을 뜻한다. 본 연구에서 농업용수는 논·밭용수 및 축산용수를 합한 용수량으로 사용하였다. 생활용수는 가정에서 사용되는 가정용수와 상업 시설, 사무소 등의 비가정용수를 포함한 일상생활에 사용되는 용수를 뜻한다. 이는 급수방식에 따라 상수도 이용량, 미급수 지역 이용량, 기타 이용량으로 구분되는데, 본 연구에서는 이 모든 항목을 합산한 용수량을 활용하였다. 공업용수 이용량은 제품 생산을 위한 용수와 종업원의 음용수를 포함하며, 계획입지공단과 자유입지업체에서 사용되는 모든 용수량으로 구성하였다.

본 연구에서 가뭄의 피해 정보로 활용한 상대적 가뭄 피해 등급은 Moon et al. (2022)에서 제안되었으며 자료출처 및 작성 근거가 공인된 자료 내 가뭄 피해로 분류한 데이터를 바탕으로 지역별 가뭄 피해를 군집화한 결과이다. 먼저, 상대적 가뭄 피해 등급을 산출하기 위해서는 세부 인자를 설정하는데, 지역별로 용수의 사용 특성을 내포할 수 있는 인자들로 설정하였다. 그에 따라, 세부 인자는 국가가뭄정보포털에서 발행하는 국가가뭄정보통계집의 피해 자료 중 총 4가지를 채택하였으며, 국내에서 제공하고 있는 관계부처 합동 가뭄 예·경보 횟수, 전체 인구 대비 피해인구 비율, 전체 농지면적 대비 피해면적 비율, 그리고, 가뭄 발생에 따른 용수 지원량으로 구성하였다. 다음으로 지역별로 세부 인자들은 가뭄 피해의 지역적 분류를 위해 군집 알고리즘인 계층적 군집 기법(Hierarchical Clustering)을 적용하였다(Murtagh and Contreras, 2012). 계층적 군집 기법은 트리모형을 이용하여 데이터 간의 계층적 유사성을 확인하여 유사한 개체 간의 군집을 형성하는 기법이다. 본 연구에서는 이런 과정을 통해 2018년부터 2021년까지 연도별 금/영산/섬진강 유역 내 존재하는 시·군·구 단위의 행정구역 46개 상대적 가뭄 피해 등급을 산출하여 활용하였다(Fig. 4).

3. 연구 방법론

본 연구에서는 지역별로 DSW를 계산할 수 있는 새로운 방법론을 제안하였다(Fig. 2). DSW를 계산하는 기본 절차는 다음과 같다. 1) 연구 대상지역을 선정한 후, 가뭄 피해와 관련된 기상학적, 지역적 특성 및 용수 이용 관련 데이터와 상대적 가뭄 피해 등급을 바탕으로 지도학습 기반의 회귀모형을 구축하였다. 그리고 회귀모형에 대한 최적의 매개변수를 설정하였다. 2) 구축된 회귀모형을 이용해 농업/생활/공업용수 이용량이 각각 50%로 감소하거나 200%로 증가한 상황에서 산출된 상대적 가뭄 피해 등급을 분석하였다. 산출된 상대적 가뭄 피해 등급은 각각 D50, D200으로 정의하였다. 3) 마지막으로 DSW는 용수 이용량 변화에 따라 산출된 상대적 가뭄 피해 등급인 D50, D200을 활용하여 계산하였다. 계산된 DSW는 지역, 연도, 그리고 용수의 종류에 따라 다른 결과가 나타났다. 이 결과를 바탕으로 용수 이용에 따라 다른 지역에 비해 민감한 지역을 선정하였다.

Fig. 2.

A flowchart for calculating the Damage Sensitivity to Water Usage (DSW) with conceptual descriptions on each step; (a) Model training for predicting the relative drought damage, (b) Prediction of relative drought damage according to water usage and (c) Calculation about DSW according to types of water usage

3.1 지도학습 기반 상대적 가뭄 피해 등급의 회귀모형 개발

기존의 머신러닝을 활용한 지도학습 기반 회귀모형은 결정 트리(Decision Tree)를 이용해 분할 지점을 탐색하며 최적의 해를 찾는 방식으로 구성된다. 기존 모형은 정확도가 높으나, 학습 시간이 오래 걸리고 메모리 사용에 제약이 있다는 한계가 있다(Oh et al., 2021). XGBoost 알고리즘은 결정 트리 기반의 앙상블 학습 알고리즘으로, Approximation 알고리즘을 적용하여 높은 학습 속도와 우수한 예측 능력을 갖추고 있다(Vazirani, 2001). 본 연구에서는 기존의 머신러닝에 대한 한계점을 보완하고 우수한 성능을 가진 XGBoost 알고리즘을 활용하였다(Chen and Guestrin, 2016). 머신러닝 모델을 선택한 이후, 모델에 대한 최적의 매개변수를 설정하는 것은 매우 중요한 단계로 여겨진다(Sra et al., 2012; Sun et al., 2019).

본 연구에서는 최적의 매개변수를 찾기 위해 Open Source인 Pycaret을 사용하였다. Pycaret은 초매개변수 탐색(Hyperparameter Tuning)을 자동화하여 최적의 매개변수를 설정하는데 도움을 준다. Pycaret의 첫 번째 과정은 매개변수를 최적화하기 위해 학습시킬 매개변수의 범위를 설정한다. 이러한 매개변수는 학습률, 트리의 최대 깊이, 트리의 개수 등이 존재한다. 다음, 주어진 매개변수의 범위에서 무작위로 매개변수 조합을 구성한다. 조합된 매개변수들은 추후 모델 학습을 진행하는데 활용된다. 마지막 순서는 K-Fold 교차 검증을 통해 각 매개변수 조합의 성능을 검증한다(Anguita et al., 2012). K-Fold 교차 검증은 데이터를 K개의 동일하거나 거의 동일한 크기의 부분으로 나눈 다음, 이 중 하나는 검증 데이터로 사용하고, K-1개는 학습 데이터로 활용하여 성능을 평가하는 방법이다. 이후, 성능 평가 지표는 모델 학습을 반복하는 과정에서 산출되며, 모델에 대한 최적의 매개변수는 가장 좋은 성능지표를 보였던 매개변수로 결정된다.

본 연구에서 모델 학습을 위한 데이터 중 학습 자료와 테스트 자료는 80%:20%로 구성하였다. Pycaret을 구동하기 위해 설정한 변수는 무작위로 매개변수를 100개만큼 조합하도록 설정하였으며, K값은 10으로 결정하였다. Pycaret 과정에서 산출된 성능지표는 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE) 등이 존재한다. 본 연구에서는 평균 제곱근 오차를 줄이면서 모형 성능을 평가하였다(Nam et al., 2020). 그 결과, 핵심 매개변수는 최적화하여 학습률 0.5, 트리의 최대 깊이 8, 트리의 개수 270개로 설정하였다.

본 연구에서는 금/영산/섬진강 유역 내 시·군·구 단위의 행정구역에서 2018년부터 2021년까지 수집된 기상학적, 지역적 특성 인자와 용수 이용 관련 데이터를 기반으로, Moon et al. (2022)에서 산출한 상대적 가뭄 피해 등급과의 지도학습 기반 회귀모형을 구축하였다(Fig. 2(a)). 최적의 매개변수로 구축된 회귀모형의 독립변수는 2018년부터 2021년까지의 4년간, 연구 대상지역인 시·군·구 단위 46개 행정구역, 그리고 기상학적, 지역적 특성 인자와 용수 이용 관련 데이터를 포함한 19개의 인자로 구성되어 46 × 19 × 4의 구조를 가진다. 종속변수는 2018년부터 2021년까지 행정구역 46개의 상대적 가뭄 피해 등급으로, 46 × 1 × 4의 구조로 구성된다. 구축된 모형은 특정 행정구역에서 연도별로 관측된 19개의 인자가 상대적 가뭄 피해 등급을 산출할 수 있도록 제작하였다. 이후, 회귀모형은 19개 인자 중 농업/생활/공업용수 이용량의 변화에 따른 각각의 상대적 가뭄 피해 등급을 산출하는 데 활용되었으며(Fig. 2(b)), 상대적 가뭄 피해 등급이 클수록 피해의 규모가 다른 지역에 비해 상대적으로 크다는 특징을 활용하여 지역별로 비교 및 평가하였다.

3.2 용수 대비 피해 민감도 산출 및 평가 방법론 개발

본 연구에서 정의한 DSW는 각 농업/생활/공업용수 이용량의 변화에 따라 계산된 상대적 가뭄 피해 등급을 활용하여 계산하였다(Fig. 2(c)). DSW는 용수 이용량이 감량된 조건에서 산출된 상대적 가뭄 피해 등급 대비 용수 이용량이 증가하거나 감소한 상황에서 계산된 상대적 가뭄 피해 등급의 차이를 계산한 결과로 정의하였다(Eq. (1)). 다만, 본 연구에서는 용수의 이용량이 50%로 감소한 상황과 200%까지 증가하는 상황을 극단적인 상황이라 가정하며, 이를 기반으로 상대적 가뭄 피해 등급을 산출하였다. 그에 따라, 각각의 농업/생활/공업용수 이용량이 50%와 200%로 변화했을 때, 나타나는 상대적 가뭄 피해 등급인 D50, D200을 활용하였다. D50는 용수 이용량이 50%로 감소할 때, 계산되는 상대적 가뭄 피해 등급을 의미한다. D200는 용수 이용량의 크기가 200%인 상황에서 산출된 상대적 가뭄 피해 등급으로 정의하였다. 결과적으로 DSW는 농업/생활/공업용수 이용량, 연도, 지역에 따라 계산하고, 이를 비교 및 분석하였다.

여기서, DSW_usage는 특정 용수에 대한 DSW를 의미하며, DX는 용수 이용량이 X% 일 때, 산출한 상대적 가뭄 피해 등급을 나타낸다. 최종적으로 본 연구에서는 DSW를 활용하여 연구 대상지역을 지역별로 순위를 매김하였다. 예를 들어, 특정 용수의 DSW가 다른 지역들에 비해 크게 산출된 지역은 용수 이용량의 변화에 따른 상대적 가뭄 피해 등급의 변화가 큰 지역이라는 것을 의미한다. 즉, 해당 지역은 용수 이용 변화가 다른 지역에 비해 가뭄 피해에 비교적 큰 영향을 미치는 지역이며, 용수 이용량의 변화가 없도록 용수 이용을 조절하거나 효율적인 방법이 요구되는 지역을 뜻하기도 한다. 이와 반대로 DSW가 다른 지역에 비해 현저히 작거나 0인 지역은 용수 이용량이 변화하지만, 가뭄의 피해가 변화하지 않거나 거의 없는 지역이다. 이러한 지역은 용수 이용을 조절하는 지역에서 후순위인 지역으로 정의하였다.

4. 적용 결과 및 토의

4.1 금/영산/섬진강 유역 내 용수 이용량에 따른 상대적 가뭄 피해 등급 결과 분석

본 절에서는 연구 대상지역 내 농업용수를 비롯한 생활/공업용수 이용량이 50% 감소하거나 200% 증가한 상황에서의 연도별 상대적 가뭄 피해 등급인 D50, D200을 도출하였다(Fig. 3). 먼저, 농업용수 이용량에 따른 상대적 가뭄 피해 등급의 결과를 살펴보았다(Fig. 3(a), Table 6). 지역번호 18번(충청북도 영동군)은 2019년 기준 D50은 1.00으로 산출되는 반면, D200는 1.37로 상대적 가뭄 피해 등급이 증가하는 경향을 나타내었다(Fig. 3(a)). 지역번호 24번(충청남도 계룡시)은 농업용수 이용량의 변화와 관계없이, 2020년부터 2021년까지 D50과 D200이 각각 3.68과 3.37로 계산되었다. 지역번호 31번(전라북도 무주군)은 2022년에 D50의 값이 2.55로 산출되는 반면, D200의 값은 1.03으로 산출되며, 농업용수의 증가에 따라 상대적 가뭄 피해 등급이 감소하는 양상을 드러내었다. 이를 통해, 지역번호 24번(충청남도 계룡시)은 다른 지역에 비해 상대적으로 높은 상대적 가뭄 피해 등급을 나타내는 지역임을 확인하였다. 이외에도 지역번호 26번(충청남도 부여군), 27번(충청남도 청양군), 38번(전라남도 곡성군), 41번(전라남도 화순군)은 모두 상대적 가뭄 피해 등급이 1.10 이상으로 산출되었다.

다음은 생활용수 이용량의 변화에 따른 상대적 가뭄 피해 등급을 분석하였다(Fig. 3(b), Table 6). 생활용수 이용량에 따른 D50은 모든 지역에서 연도와 상관없이 2.00 이하로 산출되었다. D50이 가장 큰 지역은 지역번호 27번(충청남도 청양군)으로 2019년의 상황에서 1.97로 계산되었다. 지역번호 24번(충청남도 계룡시), 26번(충청남도 부여군), 41번(전라남도 화순군)은 특정 시기에 D50이 1.50 이상으로 나타났으며, 생활용수 이용량이 50%로 감소한 상황에서 다른 지역들에 비해 상대적 가뭄 피해 등급이 크게 상승하는 경향을 드러내었다. 지역번호 24번(충청남도 계룡시)은 2018년과 2019년에서 D50과는 다르게 D200이 3.00 이상으로 산출되어 상대적 가뭄 피해가 크게 나타났다. 지역번호 18번(충청북도 영동군)과 45번(전라남도 장성군)은 특정 시기에서 D200의 값이 1.10으로 산출되며, D50보다는 약간 증가하였다. 반면, 지역번호 26번(충청남도 부여군)과 27번(충청남도 청양군)은 생활용수 이용량에 대해 D50이 D200보다 낮게 산출되어 지역별로 상이한 경향을 확인하였다.

Fig. 3.

Illustrations of relative drought damage with changes in water usage from 2018 to 2021; (a) Agricultural usage, (b) Domestic usage, and (c) Industrial usage

마지막으로 공업용수 이용량의 변화에 따른 연구 대상지역의 상대적 가뭄 피해 등급 결과를 분석하였다(Fig. 3(c), Table 6). 지역번호 16번(충청북도 보은군), 17번(충청북도 옥천군), 35번(전라남도 순천시)은 공업용수 관련한 D200은 모든 시기에서 1.00이었지만, 특정 시기에서 D200보다 D50이 크게 산출되는 경향을 보여주었다. 지역번호 26번(충청남도 부여군), 29번(전라북도 남원시), 38번(전라남도 곡성군), 39번(전라남도 구례군), 46번(경상북도 하동군)에서는 D200이 1.00 보다는 크게 산출되었지만, 앞선 지역들과 동일하게 D50이 크게 산출되는 특징을 나타내었다. 특히, 해당 지역들은 공업용수 이용량이 적을 때 상대적인 피해가 크게 나타남을 시사하였다. 지역번호 24번(충청남도 계룡시)의 경우, 공업용수 이용량에 따라 상대적 가뭄 피해 등급이 일관성을 유지하였다. 그러나, 다른 지역과 비교해보면, D50, D200은 2020년과 2021년에서 모두 3.00 이상으로 산출되었으며, 농업, 생활용수와 마찬가지로 공업용수에서도 상대적으로 가뭄 피해가 발생할 수 있다는 것을 확인하였다.

본 절에서는 지도학습 기반 회귀모형을 활용하여 농업/생활/공업용수 이용량에 따라 산출되는 상대적 가뭄 피해 등급을 분석하였다. 전반적인 결과를 종합해 보면, 대부분 지역에서는 용수 이용량 변화에 상관없이 상대적 가뭄 피해 등급이 1.00으로 산출되었으나, 특정 지역과 시기에서 상대적으로 높은 피해 등급이 계산되었다. 특히, 지역번호 24번(충청남도 계룡시)의 경우에는 2020년과 2021년에는 용수의 종류에 상관없이 상대적 가뭄 피해 등급이 3.00 이상으로 산출되었다. 2018년과 2019년에는 생활용수 이용량이 증가한 조건에서 상대적 가뭄 피해 등급이 3.00 이상으로 계산되었다. 이러한 점을 미루어보아, 지역번호 24번(충청남도 계룡시)은 가뭄에 대응하기 위해 당시의 상황과 여건을 면밀히 파악할 필요가 있다고 판단된다. 지역번호 26번(충청남도 부여군), 지역번호 27번(충청남도 청양군), 지역번호 31번(전라북도 무주군)은 특정 시기와 용수 이용량의 변화에 따라 상대적 가뭄 피해 등급이 2.00과 비슷하거나 크게 산출되는 결과를 나타내며, 해당 지역들도 용수 이용량의 변화에 대한 지속적인 관리가 필요할 것으로 사료된다.

4.2 금/영산/섬진강 유역 내 용수 대비 피해 민감도 및 지역별 순위 결과 분석

본 절에서는 회귀모형을 기반으로 산출된 D50과 D200을 활용하여, 연구 대상지역 내 DSW가 높은 지역의 순위를 연도와 용수의 종류에 따라 매겼다. 먼저, 농업용수의 DSW (DSW_Agr.)를 기준으로 지역별 순위를 분석한 결과를 살펴보았다(Table 3). 대부분 지역에서는 연도에 상관없이 DSW_Agr.가 0으로 계산되었으며, 이 지역을 제외하여 결과를 분석하였다. 2018년 DSW_Agr.는 지역번호 46번(경상북도 하동군)에서 26.62로 산출되며, 농업용수 이용량에 대해 민감한 지역으로 확인되었다. 반면, 2018년 다른 지역들은 모두 DSW_Agr.가 2.00 이하로 계산되었다. 2019년에는 지역번호 18번(충청북도 영동군), 27번(충청남도 청양군), 26번(충청남도 부여군)은 DSW_Agr.가 각각 36.94, 20.99, 12.84으로 2018년에 비해 2019년의 상황에서 상대적으로 높은 DSW_Agr.가 산출되었다.

2020년에는 다른 시기에 비해 DSW_Agr.가 0으로 산출되는 지역이 상대적으로 적었다. 다만, DSW_Agr.가 가장 큰 지역인 지역번호 26번(충청남도 부여군)은 7.49로 산출되어, 전반적으로 2020년에는 DSW_Agr.가 다른 시기에 비해 작게 계산되었다(Table 3). 2021년에는 지역번호 31번(전라북도 무주군)의 DSW_Agr.가 59.64로, 모든 지역과 시기 중 가장 크게 산출되었다. 종합적으로, 2018년에는 지역변호 46번(경상북도 하동군), 2019년에는 지역번호 18번(충청북도 영동군), 27번(충청남도 청양군), 26번(충청남도 부여군), 그리고 2021년에는 지역번호 31번(전라북도 무주군)이 다른 지역들에 비해 농업용수 이용량의 변화에 따라 가뭄 피해가 민감하게 반응하는 지역이라는 것을 확인하였다. 이에 따라, 해당 지역들은 농업용수의 공급에서 우선적으로 고려되어야 하는 지역으로 선정할 필요가 있다.

다음, 생활용수의 DSW (DSW_Dom.)에 대한 지역별 순위 결과를 분석하였다(Table 4). 분석 결과, 지역번호 24번(충청남도 계룡시)은 2018년부터 2021년까지 연도와 상관없이 DSW_Dom.가 가장 크게 산출되었다. 지역번호 45번(전라남도 장성군)은 2019년을 제외하고 두 번째로 높은 DSW_Dom.을 기록하였다. 2019년의 결과를 확인해 보면, 지역번호 22번(충청남도 공주시)은 DSW_Dom.가 두 번째로 큰 지역임을 확인하였다. 지역번호 22번(충청남도 공주시)은 다른 연도에서는 DSW_Dom.가 0이었지만, 2019년에는 유일하게 10.00을 넘는 값으로 산출되었다. 2019년에는 지역번호 18번(충청북도 영동군)이 10.14로 DSW_Dom.가 10.00을 넘는 지역으로 나타났다. 다만, 연도별 DSW_Dom.가 두 번째로 큰 지역은 지역번호 24번(충청남도 계룡시)과 비교해 보면 수치적으로 대략 13배부터 20배까지 현저하게 차이가 나는 것으로 확인되었다. 이는 지역번호 24번(충청남도 계룡시)이 생활용수의 변화에 다른 지역보다 굉장히 민감하게 반응하는 지역임을 알 수 있었다.

2018년, 2020년과 2021년에는 지역번호 39번(전라남도 구례군)과 40번(전라남도 보성군)이 DSW_Dom.의 상위 5위 지역에 속하며, 대부분 4.00 이상으로 산출되었다(Table 4). 지역번호 41번(전라남도 화순군)은 2020년, 2021년에 상위 5위 지역으로 선정되었으며, DSW_Dom.가 지속적으로 증가하는 경향을 보였다. 2019년에는 지역번호 26번(충청남도 부여군), 27번(충청남도 청양군), 2020년에는 지역번호 25번(충청남도 금산군), 지역번호 26번(충청남도 부여군), 그리고 2021년에는 지역번호 31번(전라북도 무주군)은 DSW_Dom.가 2.00 이상으로 산출되었다. 종합적으로 보면, DSW_Dom.가 0 이상으로 산출되는 지역은 DSW_Agr.에 비해 적었다. 지역번호 24번(충청남도 계룡시)을 제외한 다른 지역에서는 DSW_Dom.가 비교적 작게 계산되었다. DSW_Dom.의 결과를 종합하면, 지역번호 24번(충청남도 계룡시)은 DSW_Dom.가 100 이상으로 산출되어, 생활용수 수요에 맞춘 용수 이용량의 지속적인 관리가 필요한 지역으로 판단된다. 지역번호 45번(전라남도 장성군)도 2019년을 제외하고 생활용수 이용량에 민감하게 반응하였으며, 생활용수 이용량의 변화에 대한 전략적 대응이 필요함을 시사하고 있다.

다음, 공업용수의 DSW (DSW_Ind.)를 기준으로 지역별 순위를 분석하였다(Table 5). 2018년의 사례를 살펴보면, 가장 큰 DSW_Ind.가 산출된 지역은 지역번호 38번(전라남도 곡성군)으로 확인되었다. 그 다음으로 지역번호 41번(전라남도 화순군), 35번(전라남도 순천시), 46번(경상북도 하동군), 17번(충청북도 옥천군)이 높은 DSW_Ind.가 산출되었다. 2018년에서는 상위 5개 지역 중 전라남도 지역이 3곳을 차지한 것이 특징적이었다. 2019년에는 2018년에 비해 전반적으로 DSW_Ind.가 증가한 결과를 나타내었다. 특히, 지역번호 27번(충청남도 청양군)은 2018년의 DSW_Ind.가 0.06에서 2019년에는 33.67로 크게 상승하였다. 이이서, 지역번호 17번(충청북도 옥천군), 38번(전라남도 곡성군), 16번(충청북도 보은군), 41번(전라남도 화순군)은 2019년에서 DSW_Ind.가 크게 산출되는 지역임을 확인하였다.

지역번호 39번(전라남도 구례군)은 2020년과 2021년에 DSW_Ind.가 각각 38.44과 38.14로 모든 연도 중 가장 크게 산출되었다. 2020년에는 지역번호 39번(전라남도 구례군)을 비롯해 41번(전라남도 화순군), 38번(전라남도 곡성군), 35번(전라남도 순천시), 17번(충청북도 옥천군) 순으로 순위가 매겨졌으며, 전라남도를 중심으로 DSW_Ind.가 높게 계산되는 경향이 나타났다. 2021년에는 지역번호 29번(전라북도 남원시), 35번(전라남도 순천시), 41번(전라남도 화순군), 17번(충청북도 옥천군)이 상위 5개 지역으로 순위에 올랐으며, 전라도를 중심으로 DSW_Ind.가 크게 산출되는 결과를 확인하였다. DSW_Ind.가 1.00 이상으로 산출된 지역은 다른 시기와는 다르게 전반적으로 많게 나타났다.

전반적으로 결과를 살펴보면, 2018년에는 DSW_Ind.가 다른 연도와는 다르게 상대적으로 작게 산출되었다. 2019년에는 지역번호 27번(충청남도 청양군)을 중심으로 DSW_Ind.가 증가하는 경향을 보여주었다. 2020년과 2021년에는 지역번호 39번(전라남도 구례군)이 가장 큰 DSW_Ind.가 계산되었으며, 해당 지역은 공업용수의 지속적인 관리가 필요한 지역임을 알 수 있었다. DSW_Ind.는 DSW_Agr., DSW_Dom.와는 다르게 연도와 상관없이 동일한 지역에서만 0 이상으로 산출되었다. 이를 통해 공업용수 이용량의 변화가 가뭄 피해에 영향을 미치는 지역은 제한적이라는 점을 확인할 수 있었다. 특히, DSW_Ind.가 큰 상위 5개 지역의 일부는 전라남도에 집중되어 있어, 전라남도를 중심으로 공업용수의 이용량에 대한 지속적인 관리 전략이 필요하다고 판단된다.

마지막으로 본 연구에서는 각 용수의 DSW를 기반으로 민감하게 반응한 지역과 KRILA (2010)에서 구분한 도시형/농촌형/도농복합형을 비교하여 분석하였다. 먼저, DSW_Agr.가 크게 계산된 지역은 대표적으로 지역번호 18번(충청북도 영동군), 26번(충청남도 부여군), 27번(충청남도 청양군) 등으로, 대부분 농촌형 지역으로 확인되었다. 다음, DSW_Dom.을 기준으로 살펴보면, 대부분 도농복합형인 지역번호 22번(충청남도 공주시), 24번(충청남도 계룡시), 45번(전라남도 장성군) 등이 포함되었다. DSW_Ind.가 크게 계산된 지역은 전라도 일대를 중심으로 지역번호 29번(전라북도 남원시), 35번(전라남도 순천시), 38번(전라남도 곡성군) 등으로 생활용수에 민감한 지역과 유사하게 대부분 도농복합형으로 분류되었다. 반면, 도시형으로 구분된 지역에서는 DSW_Agr., DSW_Dom., 그리고 DSW_Ind.가 상대적으로 작게 산출되는 경향을 보여주었다.

5. 결 론

본 연구에서는 DSW를 새롭게 정의하고, 이를 바탕으로 가뭄 발생 시 지역별 용수 공급 우선순위를 결정할 수 있는 새로운 평가 방법론을 제안하였다. 연구 대상지역은 2018년부터 2021년까지 금/영산/섬진강 유역 내 시·군·구 단위의 행정구역인 46개 지역으로 선정하였다. 상대적 가뭄 피해 등급을 산출하기 위해 기상학적, 지역적 특성과 용수 이용량 관련 데이터를 활용한 지도학습 기반의 회귀모형을 구축하였으며, 용수 이용량이 50%만큼 감소하거나 200%만큼 증가한 상황에서 상대적 가뭄 피해 등급인 D50, D200을 산출하였다. DSW는 D50, D200을 활용하여 계산하였으며, 2018년부터 2021년까지 각 행정구역별로 산출된 DSW_Agr., DSW_Dom., DSW_Ind.을 순위로 매겨 분석하였다.

연구 결과, DSW_Agr., DSW_Dom., DSW_Ind.은 지역별로 다르게 나타났으며, 이를 통해 용수 이용량의 변화에 따라 가뭄 피해가 민감하게 반응하는 지역을 확인할 수 있었다. DSW_Agr.가 크게 산출된 지역은 지역번호 18번(충청북도 영동군), 26번(충청남도 부여군), 27번(충청남도 청양군)과 같은 농촌형 지역으로, 농업용수 관리가 중요한 지역으로 분류되었다. DSW_Dom., DSW_Ind.가 크게 산출된 지역은 도농복합형 지역으로, 특히, 지역번호 24번(충청남도 계룡시)은 DSW_Dom.가 다른 지역에 비해 굉장히 수치가 크다는 점에서 생활용수의 이용량을 통제할 가능성을 내포하고 있었다. 공업용수는 지역번호 35번(전라남도 순천시)를 포함한 38번(전라남도 곡성군), 39번(전라남도 구례군), 41번(전라남도 화순군) 등을 중심으로 관리가 필요할 것으로 판단된다. 반면, 도시형 지역에서는 전반적으로 DSW가 작게 산출되어, 다른 지역들에 비해 비교적 용수 공급이 후순위로 나타났다.

본 연구에서 정의한 DSW는 지역별로 민감하게 반응하는 용수 이용량의 종류를 파악하고, 용수 공급 우선순위를 판단할 수 있는 유용한 평가 방법론으로 활용될 수 있다. 특히, 용수 이용량 변화가 가뭄 피해에 미치는 영향을 정량적으로 평가할 수 있다는 점에서 다양한 활용성을 보여줄 수 있을 것으로 판단된다. 본 연구에서 DSW는 용수 이용량을 절반 혹은 갑절만을 변화시켜 산출하였으나, 용수 이용량을 일정 범위 내 다양하게 변화시켜 상대적 가뭄 피해 등급이 민감하게 반응하는 용수 조정량을 지역별로 확인할 수 있을 것으로 사료된다. 이를 통해, 가뭄을 대응하기 위한 조정 기준은 기존의 지역의 특성에 차별점을 두지 않고, 단순히 일관된 조정 기준에서 벗어나 지역별, 용수의 종류에 따라 다르게 설정할 수 있을 것으로 판단된다. 또한 해당 방법론을 통해 용수 이용량의 변화가 아닌 강수량, 인구밀도 등의 변화 대비 피해 민감도를 계산한다면, 향후 가뭄 대응을 위한 계획을 수립하는 데 기여할 것으로 광범위한 활용성이 기대된다.

다만, 본 연구는 연구 기간이 4개년이라는 점과 특정 지역의 DSW를 분석한 점은 한계점이라고 판단된다. 먼저, 데이터의 표본 크기는 4개년이라는 점에서 본 연구의 결과가 지역적 특성을 반영하여 도출되었다고 언급하기에는 비교적 한계가 있다. 이는 활용된 국가가뭄정보통계집이 2020년을 기준으로 처음 발행되었기에 발생한 한계점이라고 판단된다. 다만, 국가가뭄정보통계집은 다른 보고서와 통계집에 비해 높은 신뢰성을 보이며, 매년 정기적으로 발행되고 있기에 표본의 크기를 증가시킬 수 있을 것이다. 또한, 이를 해결하기 위해 추후 연구에서는 현재 금/영산/섬진강 유역의 비교적 작은 연구 대상지역을 전국 단위로 확장하여 표본의 크기를 보완하고자 한다. 또한, 댐 용수 공급 조정기준은 하천유지용수에 대한 감량조치를 제안하지만, 본 연구의 방법론은 하천유지용수를 고려하지 못했다는 점이 한계점이다. 추후 연구에서는 하천유지용수를 고려하여 DSW를 계산할 수 있는 방법론으로 보완하고자 한다.