1. 서 론

가뭄은 강수 부족으로 인해 토양수분 감소, 수자원 부족, 농업 생산성 저하 등 다양한 사회·경제적 피해를 유발하는 대표적인 자연재해이다(Wilhite and Glantz, 1985). 최근 기후변화로 인해 극한 기상현상의 발생 빈도가 증가하면서 가뭄의 발생 양상 또한 변화하고 있으며, 가뭄의 지속 기간과 공간적 영향 범위가 확대되는 경향이 나타나고 있다(Dai, 2013; Cook et al., 2018). 이러한 변화는 수자원 관리 및 농업 생산에 중요한 영향을 미치기 때문에, 가뭄의 발생 특성과 시공간적 변화 양상을 이해하는 것은 중요한 연구 주제로 인식되고 있다(Yoo et al., 2010; Lee et al., 2012).

가뭄 상태를 정량적으로 평가하기 위해 다양한 가뭄지수가 개발되어 활용되고 있다(Mishra and Singh, 2010). 대표적으로 표준강수지수(Standardized Precipitation Index, SPI)와 팔머가뭄지수(Palmer Drought Severity Index, PDSI) 등이 있으며, 이러한 지수들은 강수량, 증발산량, 토양수분 등 수문기상 자료를 기반으로 가뭄의 강도와 지속성을 평가하는 데 활용되고 있다(Faiz et al., 2021). 예를 들어 Hayes et al. (1999)은 미국 Southern Plains 지역의 1996년 가뭄을 대상으로 SPI를 활용하여 가뭄의 발생 및 진행 과정을 분석하였으며, Tan et al. (2015)은 SPI와 SPEI를 이용하여 중국 Ningxia 지역의 가뭄 강도, 지속기간 및 시공간적 변동 특성을 분석하였다. 또한 Mlenga and Jordaan (2019)은 SPI-3, SPI-6, SPI-12를 활용하여 Eswatini 지역의 가뭄 발생 특성을 평가하였다.

그러나 기존 연구들은 주로 특정 시점 또는 특정 지역에서의 가뭄 강도, 지속기간, 발생빈도와 같은 정적인 특성 분석에 초점을 두고 수행되어 왔다. 이러한 접근은 가뭄의 기본적인 발생 특성을 이해하는 데 기여하지만, 가뭄이 시간의 흐름에 따라 공간적으로 확산되거나 이동하는 동적 특성을 충분히 설명하기에는 한계가 있다(Li et al., 2024). 실제 대규모 가뭄은 특정 지역에서 시작되어 인접 지역으로 확산되거나 시간에 따라 다른 지역으로 이동하는 양상을 보이며, 이러한 시공간적 이동 특성은 가뭄의 영향 범위와 지속성을 이해하는 데 중요한 요소로 작용한다(Van Loon, 2015; Yoo et al., 2020).

가뭄의 시공간적 이동 특성을 분석하기 위해서는 시간과 공간을 동시에 고려할 수 있는 분석 기법이 요구된다. 최근 다양한 분야에서 공간적 패턴이나 사건의 분포 특성을 파악하기 위해 군집 분석(clustering analysis) 기법이 널리 활용되고 있다(Jain, 2010). 군집 분석은 유사한 특성을 가지는 데이터를 하나의 집단으로 분류하여 자료의 구조적 특성을 파악하는 방법으로, 대표적으로 K-means, 계층적 군집 분석(hierarchical clustering), DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 등이 있다.

선행 연구에서는 이러한 군집 분석 기법을 활용하여 다양한 공간적 패턴을 분석해왔다. 예를 들어 Huang et al. (2021)은 K-means 군집 분석을 활용하여 가뭄 특성 자료의 공간적 분포를 분석하였으며, Xu et al. (2021)은 토양 데이터의 공간적 분포와 지역 간 특성 차이를 규명하였다. 또한 Li et al. (2022)는 군집 분석을 이용하여 도시 이동 데이터의 공간적 분포 패턴을 분석하고 도시 기능 지역을 구분하였다.

그러나 기존 군집 분석 기법은 대부분 공간적 유사성에 기반하거나 시간 정보를 충분히 반영하지 못하는 한계를 가진다. 가뭄과 같은 자연재해는 특정 시점에 고정된 형태로 발생하는 것이 아니라, 시간의 흐름에 따라 발생, 확산, 이동, 소멸하는 시공간적 특성을 가지므로, 공간 정보와 시간 정보를 동시에 고려할 수 있는 분석 기법이 필요하다(Fuentes et al., 2022). 따라서 가뭄의 전파 및 이동 특성을 정량적으로 분석하기 위해서는 시공간적 연결성을 반영할 수 있는 군집 분석 접근법이 요구된다.

이러한 한계를 보완하기 위해 제안된 기법이 ST-DBSCAN (Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise)이다(Birant and Kut, 2007). ST-DBSCAN은 기존 DBSCAN 알고리즘을 확장한 시공간 군집 분석 기법으로, 공간적 거리와 시간적 인접성을 동시에 고려하여 시공간적으로 연결된 사건을 식별할 수 있다. 이러한 특성으로 인해 ST-DBSCAN은 시공간적 패턴을 가지는 다양한 현상 분석에 효과적으로 활용되고 있다. 예를 들어 Hoang et al. (2020)은 사용자 위치 및 시간 정보를 기반으로 시공간 군집을 탐지하였으며, Putri et al. (2023)은 산불 핫스팟 자료를 활용하여 시공간 군집 패턴을 분석하였다. 이처럼 ST-DBSCAN은 시간과 공간이 동시에 작용하는 복합 현상 분석에 적합한 방법으로, 가뭄과 같이 시공간적으로 발생·확산·이동하는 자연재해 분석에도 효과적으로 적용될 수 있다.

본 연구에서는 ST-DBSCAN을 활용하여 우리나라에서 발생한 가뭄 사건을 시공간적으로 식별하고, 가뭄 중심점의 이동 경로를 추적함으로써 가뭄의 전파 및 이동 특성을 정량적으로 분석하고자 한다. CHIRPS V3.0(Climate Hazards Center InfraRed Precipitation with Station Data Version 3.0) 강수 자료를 기반으로 격자 단위 가뭄지수(SPI)를 산정하고, 가뭄 발생 격자를 대상으로 ST-DBSCAN 알고리즘을 적용하여 시공간적으로 연결된 가뭄 군집을 식별하였다. 이후 식별된 가뭄 군집에 대해 중심점을 산정하고, 시간에 따른 중심점 이동 경로를 분석함으로써 이동 거리와 방향 등 가뭄의 이동 특성을 정량적으로 평가하였다. 이러한 분석을 통해 본 연구는 가뭄을 단일 시점의 정적인 현상이 아닌 시공간적으로 전파되고 이동하는 동적 시스템으로 해석하고, 가뭄 이동 메커니즘에 대한 이해를 확장하고자 한다. 또한 본 연구 결과는 가뭄 이동 특성을 반영한 모니터링 및 조기경보 체계 구축에 활용될 수 있으며, 향후 인공지능 및 머신러닝 기반 가뭄 이동 예측 모델 개발을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

2. 연구 방법

2.1 연구 자료 구축

본 연구에서는 우리나라 가뭄의 시공간적 이동 특성을 분석하기 위해 CHIRPS V3.0 월 강수 자료를 활용하였다. CHIRPS는 위성 기반 적외선 강수 추정 자료와 지상 관측 자료를 결합하여 생산된 자료로, 장기간에 걸친 연속적인 시계열과 비교적 높은 공간해상도를 제공하는 것이 특징이다. 특히 CHIRPS V3.0은 1981년부터 현재까지의 장기 자료를 제공하며, 약 0.05°의 공간해상도를 가지므로 지역 규모에서의 강수 변동성과 가뭄 특성 분석에 널리 활용되고 있다(Fig. 1). 또한 위성 기반 강수 자료는 관측소 밀도가 낮거나 공간적으로 불균등한 지역에서도 일관된 강수 정보를 제공할 수 있어 시공간 분석에 효과적으로 활용된다. 일반적으로 가뭄 분석에서는 기상관측소 강수 자료가 활용되지만, 관측소의 공간적 분포가 불균등하여 격자 기반 시공간 분석에 적용하는 데 한계가 있다. 특히 가뭄의 이동 특성을 분석하기 위해서는 동일한 공간 격자 체계에서 연속적인 강수 자료가 필요하다. 따라서 본 연구에서는 공간적으로 연속된 강수 정보를 제공하는 CHIRPS V3.0 자료를 활용하였으며, 1981년 1월부터 2024년 12월까지의 자료를 분석에 사용하였다.

Fig. 1.

Study area and spatial characteristics of the CHIRPS V3.0 precipitation dataset

연구 대상 지역은 대한민국 육지 영역으로 설정하였다. 이를 위해 국토 경계 자료를 기준으로 CHIRPS 격자 중 육지에 해당하는 격자만을 추출하고, 해양 영역은 분석에서 제외하였다. 최종적으로 총 4,012개의 육지 격자가 분석에 활용되었으며, 각 격자에 대해 행(row), 열(column), 위도, 경도 정보를 포함하는 분석용 격자 데이터셋을 구축하였다.

2.2 가뭄지수 산정 및 격자 추출

가뭄의 발생 여부와 강도를 정량적으로 평가하기 위해 표준강수지수(SPI)를 활용하였다. SPI는 특정 기간의 강수량을 장기 통계 분포에 기반하여 표준화한 지수로, 강수 부족 정도를 정량적으로 표현할 수 있는 대표적인 가뭄지수이다. SPI는 계산 과정이 비교적 간단하고 다양한 시간 규모에서 가뭄 상태를 평가할 수 있다는 장점이 있다. 먼저 각 격자에 대하여 k개월 누적 강수량 Pi(k)는 Eq. (1)과 같이 산정하였다.

여기서 Pi(k)는 i시점에서의 k개월 누적 강수량, pi-j는 각 월의 강수량을 의미한다. 산정된 누적 강수량은 장기 시계열의 확률분포에 적합시킨 후 누적확률 F(x)를 계산하고, 이를 표준정규분포로 변환하여 SPI를 산정하였다(Eq. (2)).

여기서 F(x)는 누적 강수량 x에 대한 누적확률분포함수이며, Φ-1는 표준정규분포의 역누적분포함수를 의미한다. 이와 같이 산정된 SPI는 평균이 0인 표준화된 값으로 표현되며, 음의 값은 평년보다 건조한 상태, 양의 값은 평년보다 습윤한 상태를 나타낸다.

본 연구에서는 6개월 시간 규모의 SPI-6를 활용하였다. SPI의 시간 규모는 분석하고자 하는 가뭄의 특성에 따라 다르게 적용될 수 있는데, 일반적으로 1부터 3개월 규모는 단기적인 강수 부족과 계절 내 변동성을 민감하게 반영하는 반면, 12개월 이상의 장기 규모는 누적 수문학적 건조 상태를 반영하는 데 적합하다. 이에 비해 6개월은 단기 변동성과 장기 지속성의 중간 규모를 반영할 수 있어 계절 규모 이상의 강수 부족이 누적되는 과정을 포착하는 데 유리하다. 지나치게 짧은 시간 규모를 사용할 경우 일시적인 강수 변동에 의해 군집 구조가 불안정하게 나타날 수 있고, 반대로 지나치게 긴 시간 규모를 사용할 경우 가뭄의 공간적 이동 과정이 완화되어 시공간적 변화가 둔감하게 표현될 수 있다.

가뭄 격자 추출을 위해 SPI 값이 -1.0 이하인 경우를 가뭄 상태로 정의하였다. 일반적으로 SPI 값이 -1.0 이하일 경우 보통 가뭄(moderate drought) 이상 상태로 해석되며, 일정 수준 이상의 강수 부족이 발생한 것으로 판단할 수 있다. 이러한 기준은 세계기상기구(World Meteorological Organization, WMO)에서 제시한 SPI 분류 기준에 기반한 것이다(McKee et al., 1993).

2.3 시공간 가뭄 군집 분석(ST-DBSCAN)

2.3.1 ST-DBSCAN 알고리즘

ST-DBSCAN은 밀도 기반 군집 분석 알고리즘인 DBSCAN을 시공간 자료 분석에 적용할 수 있도록 확장한 기법이다. 기존 DBSCAN 알고리즘은 공간적 거리 정보를 기반으로 데이터 밀도를 계산하여 군집을 형성하는 방법으로, 일정 반경 내에 충분한 수의 데이터가 존재할 경우 해당 영역을 하나의 군집으로 식별한다(Shi and Pun-Cheng, 2019). 이 방법은 군집의 형태를 사전에 가정하지 않고 임의의 형태의 군집을 탐지할 수 있으며, 군집에 속하지 않는 데이터는 노이즈로 구분할 수 있다는 특징을 가진다(Ventorim et al., 2021).

ST-DBSCAN은 이러한 DBSCAN의 개념을 확장하여 공간적 거리뿐만 아니라 시간적 인접성을 동시에 고려함으로써 시공간 군집을 형성한다. 즉, 특정 데이터가 군집에 포함되기 위해서는 공간적으로 일정 거리 이내에 위치함과 동시에 시간적으로도 일정 범위 내에 존재해야 한다. 이를 통해 공간적으로 인접하고 시간적으로 연속적으로 발생하는 데이터들을 하나의 시공간 군집으로 식별할 수 있다. 또한 ST-DBSCAN은 데이터의 밀도 구조에 따라 중심점(core point), 경계점(border point), 노이즈(noise)로 구분하며, 중심점을 기준으로 시공간적으로 연결된 데이터들이 군집으로 확장된다(Fig. 2).

Fig. 2.

Schematic representation of spatiotemporal clustering using the ST-DBSCAN algorithm

본 연구에서는 월별 가뭄 격자의 공간적 분포와 시간적 연속성을 동시에 고려하기 위해 ST-DBSCAN 알고리즘을 적용하였다. 이를 통해 시공간적으로 연결된 가뭄 격자를 하나의 가뭄 군집으로 식별하고, 식별된 각 군집에는 분석 기간 내 발생 순서에 따라 고유한 군집 번호(cluster ID)가 부여되며, 이를 기반으로 군집별 특성 및 이동 경로를 추적하였다.

2.3.2 파라미터 설정

ST-DBSCAN 알고리즘은 시공간 군집을 형성하기 위해 공간적 거리와 시간적 인접성을 고려한 세 가지 주요 파라미터를 사용한다. 주요 파라미터는 공간 반경(Eps1), 시간 반경(Eps2), 그리고 최소 이웃 수(MinPts)로 구성된다. 이러한 파라미터는 데이터 간의 이웃 관계를 정의하고 군집 형성 여부를 결정하는 기준으로 작용한다(Sabut et al., 2025).

본 연구에서는 시계열 자료의 특성 및 가뭄 격자의 공간 해상도와 시간 해상도를 고려하여 파라미터 값을 설정하였다. 공간 반경은 CHIRPS V3.0의 공간 해상도인 0.05°를 기준으로 설정하여 인접 격자 간의 공간적 연속성을 반영하였다. 시간 반경은 월 단위 가뭄 자료의 연속성을 고려하여 1개월로 설정하였다. 또한 최소 이웃 수는 군집 형성을 위한 최소 데이터 개수로 3을 적용하였다(Table 1). 이와 같은 파라미터 설정을 통해 공간적으로 인접하고 시간적으로 연속적으로 발생하는 가뭄 격자들을 하나의 시공간 가뭄 군집으로 식별할 수 있도록 하였다.

2.4 가뭄 이동 특성 분석 방법

ST-DBSCAN을 통해 식별된 시공간 군집을 기반으로 가뭄의 이동 특성을 분석하였다. 가뭄은 특정 시점에서 고정된 형태로 존재하는 현상이 아니라 시간의 흐름에 따라 발생, 확산, 이동, 소멸하는 시공간적 특성을 가진다(Gao et al., 2023). 따라서 가뭄의 이동 특성을 정량적으로 분석하기 위해서는 특정 시점에서의 가뭄 분포뿐만 아니라 시간에 따른 공간적 변화 과정을 함께 고려할 필요가 있다. 대규모 가뭄 기간은 월별 SPI-6 시계열에서 SPI ≤ -1.0 조건을 만족하는 가뭄 격자의 공간적 분포를 기반으로 선정하였다. 이후 해당 기간에 대해 ST-DBSCAN 알고리즘을 적용하여 시공간적으로 연결되는 가뭄 군집을 식별하였다. 식별된 가뭄 군집을 기반으로 각 시점에서의 가뭄 중심점을 산정하고, 시간에 따른 중심점의 위치 변화를 추적함으로써 가뭄의 이동 경로와 이동 방향을 분석하였다.

2.4.1 대규모 가뭄 기간 설정 및 군집 분석

가뭄 대표 기간은 전체 분석 격자 대비 격자의 비율이 일정 수준 이상 나타나는 기간을 기준으로 선정하였다. 본 연구에서는 가뭄 조건(SPI ≤ -1.0)을 만족하는 격자의 비율이 30% 이상이며 이러한 상태가 3개월 지속되는 경우를 대규모 가뭄 기간으로 정의하였다. 이러한 기준을 통해 단기간에 국지적으로 발생하는 소규모 가뭄은 제외하고 공간적으로 확산되고, 시간적으로 지속되는 주요 가뭄을 식별하였다.

선정된 대규모 가뭄 기간에 대해 ST-DBSCAN 알고리즘을 적용하여 시공간 군집 분석을 수행하였다. 입력 자료는 가뭄 조건을 만족하는 격자의 공간 좌표와 발생 시점으로 구성되며, 공간 반경, 시간 반경, 최소 이웃 수를 기준으로 시공간적으로 연결된 군집을 식별하였다(Fig. 3).

Fig. 3.

A spatiotemporal framework for tracking drought propagation and migration dynamics

2.4.2 가뭄 중심점 산정

가뭄 이동 특성을 분석하기 위해 각 시점에서의 가뭄 중심점을 산정하였다. 가뭄 중심점은 특정 시점에서 가뭄 조건을 만족하는 격자들의 공간적 분포를 대표하는 위치로 정의된다. 이를 통해 가뭄이 공간적으로 집중되는 위치를 파악하고 시간에 따른 중심 위치 변화를 분석할 수 있다. 본 연구에서는 각 시점에서 식별된 가뭄 격자의 위도와 경도 좌표를 이용하여 가뭄 중심점을 계산하였다. 가뭄 중심점은 Eqs. (3) and (4)과 같이 가뭄 격자 좌표의 평균값을 이용하여 산정하였다.

여기서 Xc,t는 시점 t에서 군집 c의 가뭄 중심 경도, Yc,t는 시점 t에서 군집 c의 가뭄 중심 위도, xi와 yi는 각각 i번째 가뭄 격자의 경도와 위도이며, n은 해당 시점에서 군집 c에 포함된 가뭄 격자의 개수를 의미한다. 이와 같이 계산된 가뭄 중심점은 시간에 따라 연속적으로 산정되며, 이를 통해 가뭄 군집의 공간적 이동 경로를 추적할 수 있다.

2.4.3 가뭄 이동 경로 및 방향 분석

가뭄 중심점의 시간적 변화를 이용하여 가뭄의 이동 경로와 이동 방향을 분석하였다. 가뭄 이동 경로는 연속된 시점에서 산정된 가뭄 중심점을 시간 순서에 따라 연결함으로써 추적하였다. 이를 통해 가뭄 발생 위치와 이동 경로를 시공간적으로 파악할 수 있다. 가뭄 중심의 이동 거리는 두 시점 사이의 중심점 좌표 변화를 이용하여 계산하였다(Eq. (5)).

여기서 Dt는 시점 t에서 t+1 사이의 가뭄 중심 이동 거리이며, Xc,t와 Yc,t는 각각 시점 t에서 군집 c의 가뭄 중심 경도와 위도를 의미한다. 또한 가뭄 이동 방향은 중심점 좌표의 변화량을 이용하여 계산하였다. 가뭄 이동 방향은 Eq. (6)과 같이 산정하였다.

𝜃는 가뭄 중심의 이동 방향 각도를 의미한다. 이와 같이 산정된 이동 방향을 통해 가뭄이 시간에 따라 어떤 방향으로 이동하는지를 정량적으로 분석하였다.

본 연구에서는 가뭄 이동 특성을 정량화하기 위해 두 가지 지표를 산정하였다. 총 이동 거리(Total Distance, TDist.)는 연속된 시점 간 중심점 이동 거리(Eq. (5))의 합산으로 산정하며, 가뭄 중심이 실제로 이동한 경로의 총 길이를 나타낸다. 순 이동 거리(Net Displacement, NDisp.)는 군집 활동 기간의 첫 시점과 마지막 시점 사이의 직선거리로 정의된다. TDist.와 NDisp.의 차이가 클수록 가뭄 중심이 직선적이지 않은 복잡한 경로를 따라 이동하였음을 의미한다.

3. 결과 및 고찰

3.1 대규모 가뭄 기간 선정

대규모 가뭄 기간을 선정하기 위해 SPI-6(-1.0 이하) 조건을 만족하는 가뭄 격자의 월별 비율 변화를 분석하였다. 전체 분석 격자 대비 가뭄 격자 비율의 시계열을 검토한 결과, 특정 시기에서 가뭄 격자의 공간적 확산과 지속성이 동시에 나타나는 패턴이 확인되었다. 일부 시점에서는 가뭄 격자 비율이 일시적으로 증가하는 경우도 관측되었으나, 이러한 경우 대부분 단기간에 발생하여 국지적 가뭄으로 판단되었다.

본 연구에서는 단기적 변동성을 배제하고, 가뭄 격자 비율이 30% 이상이며 해당 상태가 최소 3개월 이상 지속되는 경우를 대규모 가뭄 사건으로 정의하였다. 또한 가뭄의 발생, 확산, 이동 및 소멸에 이르는 전체 생애주기를 포함하고 인접 가뭄 사건과의 시간적 중첩을 방지하여 사건 간 독립성을 확보하기 위해, 각 대규모 가뭄 사건을 중심으로 약 4년 내외의 분석 기간을 설정하였다.

분석 결과(Fig. 4), 1993-1996년, 2000-2003년, 2013-2016년 기간에서 가뭄 격자 비율이 비교적 높은 수준으로 지속되는 것으로 확인되었다. 특히 해당 기간에서는 가뭄 격자가 전국적으로 확산되고 일정 기간 유지되는 경향이 나타나, 단기간에 발생하는 국지적 가뭄과 구분되는 대규모 가뭄 사건으로 판단되었다. 따라서 본 연구에서는 이 세 기간을 대규모 가뭄 기간으로 선정하고, 이후 분석에서 해당 기간을 대상으로 가뭄의 시공간적 전파 및 이동 특성을 분석하였다.

Fig. 4.

Temporal variation of monthly drought grid ratio based on SPI-6(1981-2024)

Yoo et al. (2019)는 SPI-6 기반 가뭄 사상분석에서 1993-1995년 가뭄과 1995-1996년 가뭄을 우리나라 상위 극한 가뭄으로 제시하였으며, 2015-2016년 가뭄 또한, 대규모 가뭄사건으로 확인된 바 있다. 또한, Yoo et al. (2015)는 2000-2002년 기간 동안 우리나라 동부 및 북부 지역에 심각한 가뭄이 지속되었음을 나타내었으며, 이는 본 연구에서 선정한 대규모 가뭄 사건과 일치한다.

3.2 가뭄 시공간적 확산 과정 분석

Fig. 5는 대규모 가뭄 기간 동안 나타난 가뭄의 시공간적 변화 과정을 나타낸다. 가뭄은 시간의 흐름에 따라 발생, 확산, 최대 확장, 소멸의 단계를 거치는 특성을 보였으며, 본 연구에서는 이를 발생 단계(Onset), 확산 단계(Expansion), 피크 단계(Peak), 소멸 단계(Decay)로 구분하였다. 각 단계의 구분은 월별 가뭄 격자 비율의 시계열 변화 추이와 공간 분포 지도를 종합적으로 검토하여 판단하였으며, 가뭄의 전반적인 시공간적 진행 양상을 직관적으로 파악하고자 하였다.

Fig. 5.

Spatiotemporal evolution of drought events across representative drought periods (SPI-6 darker colors indicate more severe drought)

가뭄 발생 단계에서는 가뭄 격자가 일부 지역에서 국지적으로 나타나는 특징이 확인되었으며, 공간적 범위가 제한적이고 산발적으로 분포하는 경향을 보였다. 이후 확산 단계에서는 가뭄 격자의 공간적 범위가 점차 확대되며 인접 지역으로 확산되는 패턴이 나타났다. 초기 가뭄 발생 지역을 중심으로 가뭄 격자가 주변 지역으로 확장되면서 가뭄 영향 범위가 점진적으로 증가하는 특징이 확인되었다.

피크 단계에서는 가뭄 격자의 공간적 범위가 가장 넓게 나타났으며, 대부분의 지역에서 가뭄 조건이 확인되었다. 이 단계에서는 가뭄이 전국적으로 광범위하게 분포하는 특성을 보이며, 대규모 가뭄 사건이 형성된 것으로 판단된다. 이후 소멸 단계에서는 강수 조건의 회복과 함께 가뭄 격자의 공간적 범위가 점차 감소하는 경향이 나타났다. 가뭄 영향 지역이 점진적으로 축소되며 일부 지역에 국한된 형태로 전환된 후, 최종적으로 가뭄이 해소되는 양상이 확인되었다.

세 대규모 가뭄 사건을 종합적으로 분석한 결과, 발생 지역과 공간적 분포에는 차이가 존재하였다. 1993-1996년 사건과 2000-2003년 사건은 남부 지역에서 가뭄이 시작하여 전국적으로 균등하게 확산된 후, 북부 지역으로 소멸되는 반면, 2013-2016년 사건은 북부에서 시작해, 전국적으로 확산된 후 북부로 소멸 되는 것으로 나타났다. 그러나 세 사건 모두 발생-확산-피크-소멸 단계로 이어지는 유사한 시공간적 변화 패턴이 확인되었다. Fuentes et al. (2022)은 가뭄의 시공간 변동성 정량화가 가뭄 영향 대처와 의사결정 향상에 핵심적임을 강조하였으며, Sabut et al. (2025)은 가뭄을 동적 현상으로 해석하는 접근이 강도·지속기간 중심의 기존 분석을 넘어 가뭄 거동을 총체적으로 이해하는 데 기여함을 제시하였다. 본 연구의 결과는 이러한 관점과 일치하며, 가뭄이 특정 지역에 고정된 정적 현상이 아니라 시간에 따라 공간적으로 확산되고 이동하는 동적 시공간 현상임을 시사한다.

3.3 ST-DBSCAN 기반 가뭄 군집 특성

대규모 가뭄 기간 동안 나타난 가뭄의 시공간적 구조를 정량적으로 평가하기 위해 ST-DBSCAN 기법을 적용하였다(Fig. 6). 군집의 활동 기간을 기준으로 6개월 이상 지속된 군집을 장기 군집(long-term cluster), 6개월 미만인 군집을 단기 군집(short-term cluster)으로 구분하였다. 이는 본 연구에서 활용한 SPI-6의 시간 규모와 일치하는 기준이며, 계절 단위 강수 부족의 누적 기간을 반영하는 기준으로 설정하였다(Diaz et al., 2024).

Fig. 6.

Temporal dynamics of drought clusters identified using ST-DBSCAN (Each row: individual cluster, squares: monthly activity period, color intensity: mean SPI severity (darker = more severe), bold outline: peak month of maximum spatial extent)

각 가뭄 사건별 군집 특성의 경우, 1993-1996년 가뭄 사건에서는 총 44개의 군집이 식별되었으며, 이 중 9개가 6개월 이상 지속되는 장기 군집으로 나타났다. 장기 군집의 최장 지속 기간은 14개월(C29, C35)이었으며, 단기 군집은 1994년 3월에서 6월에 집중적으로 발생하며 가뭄 강도의 변동을 유발하였다. 2000-2003년 가뭄 사건에서는 총 18개의 군집 중 7개가 장기 군집(6개월 이상), 11개가 단기 군집(6개월 미만)으로 나타나 장기·단기 군집이 혼재하는 구조가 확인되었다. 주요 장기 군집(C6, 18개월)이 사건 전반에 걸쳐 지속되는 반면, 단기 군집은 특정 시기에 집중 발생하여 군집별 피크 시점이 상이하게 분포하였다. 2013-2016년 가뭄 사건에서는 총 16개의 군집 중 4개가 장기 군집(6개월 이상)으로 식별되었으며, 최장 지속기간은 20개월(C0)이었다. 나머지 12개의 단기 군집은 분석 기간 전반에 걸쳐 분산 발생하였다.

대규모 가뭄 사건을 종합적으로 분석한 결과, 가뭄은 단일 군집이 아닌 다수의 군집이 시간적으로 연속적으로 발생하고 상호 중첩되면서 전체 사건을 구성하는 구조적 특성을 가지는 것으로 나타났다. 또한 Table 2에 제시된 주요 군집 특성 분석 결과, 군집의 지속기간, 강도 및 규모가 서로 상이하게 나타나며 가뭄의 시공간적 변동성이 형성되는 것으로 확인되었다. 이러한 결과는 가뭄을 단일 시점 또는 단일 지표로 해석하는 기존 접근의 한계를 보완하며, 가뭄을 시공간적으로 연결된 다중 군집의 동적 집합체로 이해할 필요가 있음을 시사한다.

3.4 가뭄 중심 이동 및 방향 분석

대규모 가뭄 기간 동안 식별된 주요 군집을 대상으로 가뭄 중심 이동 특성을 분석하였다. Fig. 7은 각 군집의 시간에 따른 중심 위치 변화를 나타내며, 이동 경로, 총 이동 거리(TDist.), 순 이동 거리(NDisp.), 이동 방향(Direction) 및 지속기간(Duration)을 함께 제시하였다.

Fig. 7.

Migration trajectories of major drought cluster centroids during representative drought periods (▲: start, ■: end, dots: monthly centroid positions, solid line: total migration distance, dashed line: net displacement, arrow: overall migration direction)

분석 결과, 가뭄 군집의 중심은 시간에 따라 일정한 방향성을 가지며 이동하는 경향이 확인되었다. 대부분의 군집에서 가뭄 중심 이동은 단순 무작위가 아니라 특정 방향으로 점진적으로 이동 형태를 보였으며, 이는 가뭄이 공간적으로 확산되면서 동시에 이동하는 특성을 가진다는 것을 의미할 수 있다.

1993년부터 1996년 가뭄 사건에서는 C29 군집이 북서 방향(NW)으로 약 738.5 km 이동하며 비교적 긴 이동 경로를 보였으며, C13 군집은 북동 방향(NE)으로 이동하는 패턴이 나타났다. 이 두 군집은 서로 다른 방향성을 보이지만 모두 일정한 방향성을 유지하며 이동하는 특성이 나타났다.

2000년부터 2003년 가뭄 사건에서는 C6 군집이 약 1,112.3 km의 가장 긴 이동 거리를 나타내며 북쪽 방향(N)으로 이동하는 특징이 확인되었다. 반면, C0 군집은 북동 방향(NE)으로 비교적 짧은 거리(401.7 km)를 이동하는 양상을 보였다. 이러한 차이는 동일한 가뭄 사건 내에서도 군집별 이동 특성이 다르게 나타날 수 있음을 보여준다.

2013년부터 2016년 가뭄 사건에서는 C0 군집이 북서 방향(NW)으로 이동하며 약 910.1 km의 이동 거리를 보였고, C6 군집은 남쪽 방향(S)으로 상대적으로 짧은 이동 경로(270.9 km)를 나타냈다. 특히 일부 군집에서는 이동경로가 직선적이지 않고 중간에 방향이 변화하는 패턴도 확인되었다.

가뭄 중심의 이동은 군집별로 이동 거리와 방향에서 차이를 보였으나, 전반적으로 수백 km 이상의 이동을 동반하는 시공간적 이동 현상으로 나타났다. 이는 Sabut et al. (2025)이 미국 전역 53개 대규모 가뭄 사건에서 가뭄 중심이 수백에서 수천 km 이동함을 보고한 결과와 유사하며, Yoo et al. (2019)이 우리나라 가뭄 사상의 이동 특성을 분석한 결과와도 일치한다. 다만 본 연구는 ST-DBSCAN 기반으로 군집별 이동 경로를 정량화하였다는 점에서 기존 연구와 차별성을 가진다.

가뭄 중심의 이동 특성을 정량적으로 평가하기 위해 이동 방향의 빈도 분포를 분석하였다. 주요 군집의 중심 이동 방향을 산정하고, 방향별 빈도를 집계하여 Fig. 8에 제시하였다.

Fig. 8.

Directional characteristics of drought centroid migration

분석 결과, 세 대규모 가뭄 사건 모두에서 북향 이동이 가장 높은 빈도를 보이며 지배적인 이동 방향으로 나타났다. 1993-1996년 가뭄 사건에서는 북향 이동이 약 36%로 가장 높은 비율을 차지하였으며, 북동 및 남향 이동이 그 다음으로 나타났다. 2000-2003년과 2013-2016년 가뭄 사건에서도 북향 이동이 각각 약 27%와 26%로 가장 높은 비율을 보였다. 또한 일부 군집에서는 북서, 북동, 남향 이동이 함께 나타나, 가뭄 이동이 단일 방향이 아닌 다방향성을 가지면서도 전반적으로 북향 성향을 갖는 특징이 확인되었다.

Table 3을 통해 이동 거리, 순 이동 거리 및 이동 방향 특성을 종합적으로 분석한 결과, 각 군집은 이동 거리와 지속기간, 이동 방향에서 차이를 보였으나, 전반적으로 북향 이동이 반복적으로 나타나는 공통적인 경향이 확인되었다. 이러한 북향 이동의 지배적 패턴은 동아시아 여름 계절풍의 계절적 특성과 연관될 가능성이 있다. 동아시아 여름 계절풍은 5월부터 7월에 걸쳐 강수대가 단계적으로 북상하는 특징을 가지며, 이 시기에서는 장마로 나타난다(Ding and Chan, 2005). 계절풍이 약화될 경우 강수 부족 지역 또한 계절풍의 북상 경로에 따라 이동하는 경향이 나타날 수 있으며, Pan et al. (2025) 또한 계절 내 강수의 북향 전파 특성을 제시한 바 있다. Yoo et al. (2019)는 우리나라 가뭄 사상의 남/북 방향 이동이 전체의 62.2%를 차지하며, 특히 북향 이동 가뭄의 69%가 봄철 시작하여 계절풍 북상 시기와 일치함을 나타내었다. 본 연구 결과는 이러한 선행 연구와 일치하며, 북향 이동의 물리적 원인으로 동아시아 여름 계절풍의 북상 패턴이 주요 요인으로 작용할 가능성을 시사한다.

4. 결 론

본 연구에서는 시공간 군집 분석 기법인 ST-DBSCAN을 활용하여 우리나라 가뭄의 이동 특성을 정량적으로 분석하였다. 이를 위해 위성 기반 강수 자료로부터 SPI-6를 산정하고, 가뭄 격자를 추출한 후 시공간적으로 연결된 가뭄 군집을 식별하였다. 또한 대규모 가뭄 사건을 대상으로 가뭄의 발생, 확산, 피크 및 소멸 과정을 단계적으로 분석하고, 군집 중심의 이동 경로와 방향성을 종합적으로 평가하였다.

분석 결과, 가뭄은 단일 시점에서 고정된 정적 현상이 아니라 다수의 군집이 시간적으로 연속적으로 발생하고 상호 중첩되면서 형성되는 시공간적 동적 현상으로 나타났다. 이는 특정 군집이 소멸하기 전에 인접 지역에서 새로운 군집이 발생하거나, 기존 군집의 공간적 범위가 확장되면서 가뭄의 영향이 지속·확대되는 복합적 구조를 의미한다. 가뭄은 발생 초기 국지적 형태에서 시작하여 점차 공간적으로 확산되고, 피크 단계에서 광범위한 영역에 영향을 미친 후 점진적으로 약화 및 소멸하는 일련의 진화 과정을 보였다. 이는 가뭄을 단순한 강수 부족 상태가 아닌, 시공간적으로 전파되고 변화하는 복합적인 재해로 이해할 필요가 있음을 시사한다.

가뭄 군집의 이동 특성 분석 결과, 각 군집은 수백 km 이상의 이동을 보이며 비선형적인 경로를 따라 이동하는 것으로 나타났다. 방향성 분석에서는 모든 대규모 가뭄 사건에서 북향 이동이 지배적으로 나타났으며, 일부 군집에서는 북동, 북서 및 남향 이동이 함께 나타나 다방향성이 확인되었다. 이는 가뭄 이동이 단일 방향으로 제한되지 않으면서도 특정 방향성을 갖는 경향이 존재함을 의미하며, 대규모 대기 순환 또는 지역적 기후 특성과의 연관 가능성을 시사한다.

본 연구의 주요 기여는 가뭄을 기존의 강도 및 지속기간 중심의 정적 분석에서 벗어나, 시공간적으로 이동하는 동적 시스템으로 정량적으로 해석하였다는 점에 있다. 특히 ST-DBSCAN을 활용하여 시공간적으로 연결된 가뭄 군집을 식별하고, 군집 단위의 이동 경로와 방향성을 통합적으로 분석함으로써 가뭄의 전파 및 이동 메커니즘을 동시에 고려할 수 있는 분석 틀을 제시하였다. 이는 기존 연구에서 상대적으로 부족했던 가뭄의 이동성 및 전파 특성에 대한 이해를 확장한다는 점에서 중요한 의미를 가진다. 그러나 본 연구는 몇 가지 한계를 가진다. 첫째, SPI-6 단일 지수를 기반으로 분석을 수행하여 다양한 시간 규모에서 나타나는 가뭄 특성을 충분히 반영하지 못하였다. 둘째, ST-DBSCAN 알고리즘의 파라미터 설정에 따라 군집 결과가 달라질 수 있어 이에 대한 민감도 분석이 필요하다. 셋째, 본 연구에서 활용한 평균 좌표 기반 centroid는 군집의 형태가 비정형적일 경우 실제 가뭄 영역 외부에 위치할 가능성이 있으며, 다양한 대표점 정의 방식을 도입할 필요가 있다.

본 연구에서 활용한 SPI-6는 계절 단위의 강수 부족을 반영하는 지수로, 기상 및 농업 가뭄 모니터링과 농업용수 관리, 계절 단위 가뭄 조기경보 체계 구축에 활용될 수 있다. 향후 연구에서는 SPI-1, SPI-3 등 단기 및 SPI-12, SPI-24 등 장기 시간 규모의 가뭄지수를 함께 적용하여 가뭄의 전파 및 이동 양상을 비교·분석함으로써 국내 가뭄 특성을 가장 효과적으로 반영할 수 있는 적정 시간 규모를 규명할 필요가 있다. 나아가 토양수분 및 수문 자료를 결합한 다변량 분석을 통해 수문학적 가뭄을 포함한 다양한 가뭄 유형으로 분석 범위를 확장하고, 기후 변수 및 대기 순환과의 연계를 통해 가뭄 이동의 물리적 원인을 규명하는 연구가 필요하다. 더불어 인공지능 및 머신러닝 기반 기법을 적용하여 가뭄 이동 경로를 예측하는 연구로 확장할 수 있을 것이다. 이러한 접근은 가뭄을 사후적으로 분석하는 수준을 넘어, 미래 가뭄의 발생과 이동을 사전에 예측하는 체계 구축에 기여할 것으로 기대된다.