국내 돌발가뭄 사상의 메커니즘 분석

Flash Drought Mechanism and Characteristics in South Korea

Article information

J. Korean Soc. Hazard Mitig. 2022;22(3):25-35
Publication date (electronic) : 2022 June 30
doi : https://doi.org/10.9798/KOSHAM.2022.22.3.25
이희진*, 남원호**, 윤동현***, 마크 소보다****, 브라이언 월로우*****, 제이슨 옥킨******
* 정회원, 한경대학교 융합시스템공학과 박사과정(E-mail: heejin.lee@hknu.ac.kr)
* Member, Ph.D. Student, Department of Convergence of Information and Communication Engineering, Hankyong National University
** 정회원, 한경대학교 사회안전시스템공학부 부교수
** Member, Associate Professor, School of Social Safety and Systems Engineering, Institute of Agricultural Environmental Science, National Agricultural Water Research Center, Hankyong National University
*** 정회원, 한경대학교 융합시스템공학과 박사과정(E-mail: donghyun.yoon@hknu.ac.kr)
*** Member, Ph.D. Student, Department of Convergence of Information and Communication Engineering, Hankyong National University
**** 네브라스카대학교 국립가뭄경감센터 소장(E-mail: msvoboda2@unl.edu)
**** Director, National Drought Mitigation Center (NDMC), School of Natural Resources University of Nebraska-Lincoln
***** 네브라스카대학교 천연자원대학 교수(E-mail: bwardlow2@unl.edu)
***** Director and Professor, Center for Advanced Land Management Information Technologies (CALMIT), School of Natural Resources, University of Nebraska-Lincoln
****** 위스콘신대학교 우주과학기술센터 연구원(E-mail: jasono@ssec.wisc.edu)
****** Associate Scientist, Cooperative Institute for Meteorological Satellite Studies, Space Science and Engineering Center (SSEC), University of Wisconsin-Madison
** 교신저자, 정회원, 한경대학교 사회안전시스템공학부 부교수(Tel: +82-31-670-5137, Fax: +82-31-670-5139, E-mail: wonho.nam@hknu.ac.kr)
** Corresponding Author, Member, Associate Professor, School of Social Safety and Systems Engineering, Institute of Agricultural Environmental Science, National Agricultural Water Research Center, Hankyong National University
Received 2022 May 15; Revised 2022 May 18; Accepted 2022 May 31.

Abstract

돌발가뭄(Flash Drought)은 기후변화에 따른 기상 이상으로 인하여 기상 및 환경요인의 변화가 급격하게 나타나면서 단기간에 급속하게 발생하는(rapid-onset) 가뭄이다. 장기간 사전징후로 발생하는 일반적인 가뭄과 다르게 비교적 짧은 기간에 가뭄 상황 및 피해가 발생하며, 식생에 대한 극심한 스트레스 유발로 인해 작물 손실 및 용수공급 감소 등에 대한 피해를 야기할 수 있기 때문에 이에 대한 모니터링이 요구된다. 본 연구에서는 증발산 기반 가뭄지수 증발스트레스지수(ESI), 증발수요가뭄지수(EDDI)를 활용하여 단기 가뭄 및 돌발가뭄을 평가하고, 우리나라에서 발생한 돌발가뭄 메커니즘에 대하여 분석하고자 한다. 2017년 발생한 극심한 봄 가뭄을 대상으로 ESI 및 EDDI를 분석하였으며, 기상학적 가뭄지수인 표준강수지수(SPI)보다 가뭄 상황에 빠른 반응을 보이면서 가뭄 판단 능력을 확인하였다. 미국 가뭄 모니터링(USDM)에서 활용하는 가뭄단계를 기준으로 우리나라 돌발가뭄 감지 조건을 제시하고 평가하였으며, 2014년부터 2018년까지 5년 동안 7회의 돌발가뭄을 감지하였다. 수문기상학적 요소 중 토양수분 및 최고기온과 돌발가뭄에 대한 상관계수가 0.9 (-0.9) 수준의 강한 양(음)의 상관관계를 나타내었으며, 총일차생산량(GPP)을 활용한 탄소 변화 양상은 2018년 돌발가뭄이 발생한 지역에서 -60% 수준의 평균 대비 GPP 감소율을 나타내면서 다른 지역과의 큰 차이를 보였다. 본 연구의 결과는 두 가지 증발산 기반의 가뭄지수를 활용하여 국내 발생했던 돌발가뭄의 메커니즘을 분석하고 적용성을 평가하였으며, 향후 국내 돌발가뭄의 모니터링을 위한 지표로서 활용될 수 있을 것으로 판단된다.

Trans Abstract

A flash drought is a drought that occurs rapidly within a short period of time, owing to changes in weather and environmental factors that occur rapidly due to extreme weather caused by climate change. Drought damage occurs within a relatively short period of time, and extreme vegetation stress can damage crops due to reduced water supply. Thus, different monitoring methods are required for different drought types. In this study, ESI (Evaporative Stress Index) and EDDI (Evaporative Demand Drought Index) were calculated to evaluate the short-term drought and determine the mechanism that causes flash droughts. The ESI and EDDI both indicates faster responses to the 2017 spring drought event than the SPI (Standardized Precipitation Index), confirming their sensitive drought assessment abilities. A flash drought detection standard was established based on the drought category used in USDM (United States Drought Monitor), and seven flash drought events were detected in South Korea over 5 years (2014-2018). A correlation analysis indicates that, among the hydrometeorological factors, the correlation coefficients between soil moisture/maximum temperature and flash drought occurrence exhibited strong positive (negative) correlations (0.9 and -0.9, respectively). The carbon change pattern obtained using GPP (Gross Primary Productivity) differed, exhibiting a -60% average GPP reduction rate compared to three other regions (JB, CN, and CB) where flash droughts occurred in 2018. We focus our discussion on opportunities to extend flash drought detection and mechanism determination using two drought indices that must be addressed to improve flash drought monitoring in South Korea.

1. 서 론

우리나라는 일반적으로 강수 부족 현상이 장기화되면서 물 공급의 어려움으로 인한 농작물 피해가 발생하는 것으로 가뭄을 정의한다. 국가가뭄정보포털, 농업가뭄관리시스템, 수문기상가뭄정보시스템 등 가뭄 관련 유관기관에서는 기상학적-농업적-수문학적-사회경제적 가뭄과 같이 가뭄의 의미를 분류하고 있으며, 일반적인 가뭄의 경우 장기간에 걸쳐 서서히 발생하고 심화되면서 가뭄 영향이 시공간적으로 전이된다. 하지만 최근에는 지구온난화와 극심한 기후변화로 인해 가뭄을 포함한 다양한 자연재해의 발생빈도가 증가하고 있으며, 일반적인 가뭄과 다르게 빠르게 가뭄이 발생하고 심화되거나 10년 이상의 오랜 기간 가뭄이 지속되는 이상 가뭄 형태가 나타나고 있다.

이상 가뭄 중 단기간 급속하게 발생하는(rapid-onset) 가뭄인 돌발가뭄(Flash Drought)은 강수, 온도, 바람 및 방사선의 변화 등 다양한 기상이변에 의하여 몇 주 또는 몇 달 이내 빠르게 발전하는 가뭄으로 Svoboda et al. (2002)에 의하여 처음 정의되었다. 미국 국가통합가뭄정보시스템 NIDIS (National Integrated Drought Information)에서는 돌발가뭄에 대한 모니터링을 통해 감지 및 예측이 이루어지지 않는다면 농업 및 경제 생태계에 광범위한 피해를 줄 수 있을 것으로 경고하고 있다(Otkin et al., 2019). 국외에서는 이러한 돌발가뭄에 대한 감지 및 예측을 위한 연구를 수행하고 있으며, 돌발가뭄 발생원인 유형을 기준으로 특성을 분석하거나 가뭄지수를 활용한 시계열 분석을 통해 돌발가뭄을 분석한다. Mo and Lettenmaier (2015, 2016)은 폭염 및 강수 부족과 같은 유형을 기준으로 돌발가뭄의 발생 원인과 밀접한 연관이 있는 강수, 온도, 증발산량, 토양수분 등에 대한 조건을 제시하여 돌발가뭄의 특성을 분석하였다.

일반적으로 가뭄을 정량적으로 판단하기 위하여 대상 지역의 특성을 파악하고 반영하는 것이 중요하며(Wilhite and Glantz, 1985), 가뭄지수는 이러한 가뭄을 해석하기 위하여 가뭄심도, 발생빈도, 피해면적 및 기간 등을 고려하여 산정된다(Nam et al., 2012). 가뭄지수를 활용하여 돌발가뭄에 대한 분석을 수행하는 경우 증발산량 또는 토양수분 중심의 가뭄지수를 산정하여 분석에 활용한다. Yao et al. (2018)는 증발수요가뭄지수 EDDI (Evaporative Demand Drought Index)를 활용하여 기상학적 가뭄지수인 표준강수지수 SPI (Standardized Precipitation Index) 및 표준강수증발산지수 SPEI (Standardized Precipitation Evapotranspiration Index)를 비교하였으며, EDDI가 돌발가뭄의 발생 및 해갈에 대한 빠른 감지를 나타내었다. Nguyen et al. (2019)은 증발산량의 비를 활용한 위성영상 기반 가뭄지수 ESI (Evaporative Stress Index)를 통해 물수지 모형과 비교하여 호주 지역의 돌발가뭄을 분석하였다. Christian et al. (2019)은 ESI와 유사한 ESR (Evaporative Stress Ratio)을 활용하여 표준화를 통한 SESR (Standardized ESR)을 산정하였으며, 돌발가뭄의 발생빈도 및 심도에 대한 연구를 수행하였다.

일반적인 가뭄은 강수 중심의 기상학적 가뭄을 시작으로 가뭄이 전이되어 지속 및 심화가 이루어진다. 하지만 돌발가뭄은 강수 부족을 통해 야기되는 가뭄보다 이른 시기에 발생 및 심화하면서 새로운 유형의 가뭄을 보여준다. 이러한 돌발가뭄은 지구온난화 기후에 따른 토양수분의 감소를 보여주기 때문에 지구 생태계에 미치는 영향을 이해하는 것이 중요하다(Zhang and Yuan, 2020). 지구 생태계는 전 세계 탄소 순환에서 핵심적인 역할을 하며, 지구온난화에 따른 폭염 및 가뭄 등이 증가함에 따라 탄소 관련 문제는 제고가 필요하다(Green et al., 2019). 국내외적으로 탄소 흐름과 돌발가뭄의 관계를 분석하는 것에 대한 연구가 부재하며, 정량적 평가를 위하여 관련 기술 및 연구 수행이 이루어져야 한다.

본 연구에서는 증발산 기반의 가뭄지수인 ESI, EDDI를 활용하여 기상학적 가뭄지수인 SPI와의 비교를 통해 가뭄 판단의 차이를 분석하였다. 또한, 국내 돌발가뭄 감지 조건을 제시하였으며, 이에 대한 돌발가뭄의 발생 및 심화에 대한 특성을 분석하였다. 결과적으로는 돌발가뭄 발생 시기와 총일차생산량 GPP (Gross Primary Productivity)를 비교하여 탄소의 변화를 통해 돌발가뭄의 메커니즘을 분석하고자 한다.

2. 돌발가뭄 모니터링

2.1 증발산 기반 가뭄지수

2.1.1 ESI (Evaporative Stress Index)

증발스트레스지수 ESI는 돌발가뭄을 분석하기 위하여 국외에서 많이 활용되고 있는 위성영상 기반 가뭄지수이다. 즉각적인 가뭄의 발생 및 변화에 대한 감지 능력이 우수하며, 국내 가뭄 모니터링에 있어서 적절한 활용이 가능하다(Yoon et al., 2018; Lee et al., 2020; Yoon et al., 2020; Lee, Nam, Yoon, Kim et al., 2021). 실제 증발산과 잠재 증발산의 비를 활용하여 가뭄을 표현하는 지표이며(Anderson et al., 2007; Anderson et al., 2011), 산정식은 다음과 같다.

(1)ETALEXIPET

Eq. (1)에서 ETALEXI는 위성영상 기반 증발산량 추정 모델인 ALEXI (Atmosphere-Land Exchange Inverse) 모델을 활용하여 산정한 실제 증발산량을 의미한다. Norman et al. (1995)이 제시한 TSEB (Two-Source Energy Balance) 모델을 기반으로 지표면 온도, 플럭스 및 대기 결합이 다른 토양과 식물 요소의 합성을 활용하여 잠열 및 지열 플럭스의 민감성 등을 계산한다. 이를 통해 TIR (Thermal InfraRed) 영상을 활용하여 취득한 지표면 온도 LST (Land Surface Temperature)를 기반으로 증발산량을 추정한다. 잠재 증발산량 PETAllen et al. (1998)에서 제시한 FAO-56 Penman-Monteith (FAO-56 PM)를 기반으로 산정한다. FAO-56 PM 방법은 전 세계적으로 작물 생산에 필요한 실제 물의 양과 잠재 증발산량 사이의 일관성 있는 결과를 나타낸다(Kim et al., 2017).

본 연구에서는 미국국제개발처 USAID (United States Agency for International Development)와 미국항공우주국 NASA (National Aeronautics and Space Administration)가 공동개발한 SERVIR에서 제공하는 ESI 데이터를 취득하였다. 전 세계 단위로 약 5 km 공간해상도의 4주 합성 데이터를 주 단위로 제공하고 있으며, 4주 합성 ESI 데이터인 ESI-4W를 활용하였다.

2.1.2 EDDI (Evaporative Demand Drought Index)

증발수요가뭄지수 EDDI는 대기 중 증발수요인 잠재증발량 E0의 변동성을 이용한 가뭄 판단 지표이다(Hobbins et al., 2016). EDDI를 활용한 가뭄 분석에서 가장 중요한 개념은 E0와 실제 증발산량 ET (Evapotranspiration)의 관계이며, 지표면과 대기 사이의 에너지 및 수분 교환에 의한 제한을 받아 서로 다르게 작용하는 변동성을 통해 가뭄을 판단한다(Won et al., 2018). E0는 많은 양의 수분이 토양에 공급되면 토양에서 증발하여 식물에 의하여 배출되는 수분의 양으로 추정한다. ESI와 마찬가지로 FAO-56 PM 공식에 의한 잠재 증발산량 공식을 활용하여 산정하며, Wilks (2011)에서 제시한 Tukey 도시위치 공식을 이용하여 지속기간에 따른 E0의 초과확률 P(E0)를 다음과 같이 산정한다.

(2)P(E0)=i0.33n+0.33
(3)EDDI=WC0+C1W+C2W21+d1W+d2w2+d3W3

Eq. (2)에서 P(E0)는 지정된 지속기간에 대한 E0이며, i는 지정된 지속기간 내 과거 시계열 E0의 순위, n은 관측자료로 활용한 연도의 수이다. Eq. (3)은 P(E0)의 값을 기준으로 역함수 공식(Vicente-Serrano et al., 2010)에 의한 EDDI 산정식이다. WP(E0) ≤ 0.5인 경우W=21n  | P(E0) | ,P(E0)0.5의 경우 W=21n  | 1P(E0) | 로 계산한 후 EDDI의 부호가 반대로 변경된다. C, d의 값은 상수이며, 수분요구량 부족으로 E0의 상승을 유발시키면 가뭄이 진행되면서 EDDI의 지수 값이 높아지는 것을 뜻한다.

본 연구에서는 기상청에서 수집한 76개 종관기상관측 자료를 수집하여 잠재 증발산량 및 EDDI 산정에 활용하였다. 또한, ESI-4W와 마찬가지로 주 단위 4주 합성 데이터로 산정하여 동일한 시간척도 기준을 적용하였다.

2.2 돌발가뭄의 정의

‘Flash Drought’라는 용어로 정의된 돌발가뭄은 일반적인 가뭄과 다르게 단기간 급격하게 가뭄이 발생되는 특징을 가지고 있으며, 비교적 짧은 기간 가뭄의 심화로 인해 식생에 대한 극심한 스트레스를 유발하여 광범위한 작물 손실 및 용수공급 감소 등에 대한 피해가 발생할 수 있기 때문에 일반적인 가뭄과 구별하기 위하여 사용되어 왔다(Otkin et al., 2018). 돌발가뭄은 비정상적으로 높은 증발산 비율, 토양수분의 급격한 감소, 기록적인 고온 등 복합적인 요인으로 발생하는 가뭄이며, 국내에서는 단기적인 가뭄 발생에 대하여 초점을 맞춘 연구가 부재하다.

2.3 돌발가뭄 감지 조건

돌발가뭄은 기상이상으로 인한 토양수분의 급격한 감소 및 증발산량의 변화 등이 주요 발생원인이며, 일반적으로 2주 또는 4주 이내 가뭄의 발생 및 심화가 이루어진다. 국외에서는 이러한 발생원인에 대한 모니터링을 통해 돌발가뭄을 감지하였다. Noguera et al. (2020)은 표준강수증발산지수 SPEI (Standardized Precipitation Evapotranspiration Index)를 활용하여 표준화 및 4주 합성으로 산정한 △SPEI를 통해 4주 이내 정상 단계에서 극심한 가뭄에 해당하는 지수 값으로 감소하는 경우 돌발가뭄으로 판단하였다. Liu et al. (2020)은 토양수분 백분위수(Percentile) 40% 이상인 정상 단계에서 4주 이내 20% 이하로 감소하는 경우 돌발가뭄이 발생한 것으로 정의하였다. 국내에서는 미국 가뭄모니터링 USDM (United States Drought Monitor) 기준 가뭄단계를 적용하여 ESI가 정상 단계에서 4주 이내 극심한 가뭄단계(Extreme drought, D3) 이하로 가뭄이 심화되는 경우 돌발가뭄 발생 시기로 판단하였다(Lee, Nam, Yoon, Svoboda et al., 2021).

본 연구에서는 선행연구를 기준으로 증발산 기반 가뭄지수 ESI, EDDI를 이용하여 4주 이내 가뭄단계가 정상 단계에서 극심한 가뭄단계(D3)로 심화되는 시기를 돌발가뭄 발생 시기로 정의하였다. 가뭄단계는 Table 1과 같이 D0부터 D4까지 5단계로 구분되는 Percentile 기준 USDM 가뭄단계를 활용하였으며, Fig. 1과 같이 ESI와 EDDI가 동시에 조건을 만족하는 시기를 돌발가뭄 발생 시기로 정의하였다.

Drought Categories for USDM

Fig. 1

Detection Conditions for Flash Droughts Using ESI and EDDI

3. 돌발가뭄 비교 인자

3.1 수문기상학적 요소의 지수화

돌발가뭄은 높은 온도, 낮은 습도, 빠른 풍속 및 적은 강수량 등에 의하여 증발산 및 토양수분의 변화가 발생하며, 이러한 원인들의 복합적인 결과로 발생하는 가뭄이다. 본 연구에서는 국내 76개 종관기상관측 자료를 활용하여 돌발가뭄과 관련 있는 온도, 습도, 풍속, 강수량 등을 취득 및 지수화하여 돌발가뭄 발생 시기 변화를 파악하고자 하였다. ESI-4W와 비교를 위하여 주 단위 4주 합성 데이터로 각각 최고기온(TM-4W), 상대습도(RH-4W), 풍속(WS-4W), 강수량(PR-4W)으로 산정하였다.

종관기상관측 자료를 통해 취득한 강수 자료를 활용하여 표준강수지수 SPI를 산정하였다. Mckee et al. (1993)에 의하여 제시된 SPI는 시간척도별 강수부족량이 각 용수공급원에 미치는 영향으로 가뭄을 판단한다. 본 연구에서는 ESI, EDDI를 적용하여 감지한 돌발가뭄 발생 시기의 가뭄 판단 기준으로 활용하였으며, 주 단위 4주 합성 데이터로 SPI-4W를 산정하였다.

토양수분은 농업가뭄 판단에 주요한 인자이며, 돌발가뭄 분석을 위하여 토양수분의 변화를 파악하는 것은 필수적이다. 본 연구에서는 위성영상 기반 토양수분 데이터를 활용하였으며, NASA에서 제공하는 GRACE (Gravity Recovery and Climate Experiment) 위성영상의 뿌리층 기준 데이터를 취득하였다. 약 25 km 공간해상도의 데이터를 주 단위로 제공하고 있으며, 리샘플링(Resampling)을 통해 약 5 km 공간해상도의 4주 합성 데이터 SM-4W를 산정하였다.

증발산 기반 가뭄지수와 가뭄단계에 대한 비교를 위하여 각 수문기상학적 요소에 대한 Z-score 표준화를 적용하여 지수화 과정을 수행하였다. 각 지수별로 다른 단위와 성질 및 척도 등에 대하여 동일한 조건으로 비교하기 위하여 Z-score 표준화를 통해 재산정하여 분석하였다. Z-score는 통계학적으로 정규분포를 만들어 자료가 평균으로부터 표준편차상에 어떤 위치를 차지하고 있는지를 나타내는 지수이며, 다음과 같이 산정한다.

(4)Z=Xmσ

Eq. (4)에서 Z는 무차원의 표준화 값이며, X는 요소별 변수, m은 요소별 평균, σ는 요소별 평균에 대한 표준편차이다. 일반적으로 표준화를 통한 가뭄 판단은 Z값이 음수일 경우 가뭄을 표현하며, 0 또는 양수일 때는 비가뭄을 의미한다. 본 연구에서 비교 인자로 활용하기 위한 수문기상학적 요소에 대한 지수 값을 추출하여 히스토그램 기반 정규분포 형태를 기준으로 Z-score 표준화를 통해 지수화하였다. EDDI-4W, TM-4W, WS-4W의 경우 지수 값이 증가할수록 가뭄이 심화하는 것을 의미하며, 이외 지표들은 모두 지수 값이 감소할수록 가뭄이 심화하는 것을 표현한다.

3.2 총일차생산량

총일차생산량 GPP는 탄소 순환 과정을 평가할 수 있는 요소로 일정 기간 식물의 광합성을 통해 발생된 탄소의 총량으로 생물권과 대기권을 연결하는 기초자료이다(Beer et al., 2010). 산림청에서는 독립적으로 광합성하여 생장하는 생물체에 의한 유기물 생산량으로 정의하고 있으며, 단위면적당 광합성을 통해 식생에 의해 배출되는 총 탄소 양을 뜻한다(Zhu et al., 2021).

본 연구에서는 MODIS (Moderate Resolution Imaging Spectroradiometer) 위성영상에서 제공하는 MOD17A2H를 활용하여 500 m 공간해상도의 8일 주기 GPP 데이터를 취득하여 돌발가뭄 발생 시기의 탄소 흐름에 대한 분석 데이터로 활용하였다.

4. 돌발가뭄 감지 및 분석

4.1 국내 시도 단위 가뭄지수 비교

국내 극심한 가뭄이 발생한 2017년을 대상으로 ESI-4W, EDDI-4W와 SPI-4W를 비교하여 가뭄 판단에 있어서 증발산 기반 가뭄지수와 기상학적 가뭄지수의 차이를 분석하였다. Fig. 2와 같이 세 가뭄지수의 지수 값의 변화를 표현하여 경향성을 비교하였다. EDDI-4W의 경우 양의 값이 커질수록 가뭄심도가 크다는 것을 의미하지만, 가독성을 위하여 값을 반전하여 음의 값으로 가뭄심도를 표현하였다.

Fig. 2

Time Series Changes of Drought Indices in 2017

전국 8개 도를 대상으로 세 가뭄지수의 변동성을 파악하였으며, 강원도(GW)에서는 ESI-4W, EDDI-4W가 대부분 음의 값을 나타내며, SPI-4W는 3월 이후부터 0보다 작은 지수 값을 나타내었다. 경기도(GG) 지역은 SPI-4W가 4월 중순부터 음의 값을 나타내는 반면, ESI-4W 및 EDDI-4W는 1월부터 낮은 지수 값을 표현하였다. 세 가뭄지수 모두 5, 6월에는 최저 지수 값을 나타내었다. 경상남도(GN), 경상북도(GB)는 봄철 지속적인 지수 값 감소로 가뭄 경향을 나타내면서 유사한 경향을 보였지만, 8월 ESI-4W, SPI-4W 지수 값에 대한 차이를 보였다. 전라남도(JN), 전라북도(JB)를 포함한 전라도와 충청남도(CN), 충청북도(CB)를 포함한 충청도에서는 세 가뭄지수 모두 전반적으로 유사한 변동성을 보였으며, 전라도 지역의 SPI-4W는 영농기에 가장 낮은 지수 값을 나타내었다. 충청도 지역은 ESI-4W가 다른 가뭄지수보다 낮은 지수 값을 보였다.

ESI-4W, EDDI-4W는 1월 초부터 전국적으로 0보다 낮은 지수 값을 보이면서 2017년 극심한 봄 가뭄에 대한 가뭄 사상을 표현하였으며, SPI-4W의 경우 4월 이후부터 음의 지수 값이 커지면서 영농기 가뭄의 경향을 보였다. 전반적으로 주요 가뭄시기 이전 겨울철 세 가뭄지수의 지수 값이 감소하는 경향은 유사하였으며, 5, 6월에는 세 가뭄지수가 가뭄심도의 심화를 표현하면서 극심한 가뭄단계를 나타내었다. ESI-4W와 EDDI-4W의 경우 0보다 낮은 지수 값을 보이면서 약한 가뭄을 표현하였으며, 봄 가뭄에서 이어지는 영농기 가뭄에 대하여 파악할 수 있었다. 반면 SPI-4W의 경우 지수 값의 크기가 0보다 큰 값을 보이면서 정상 단계를 표현하였으며, 이를 통해 기상학적 가뭄을 표현하는 SPI-4W보다 증발산 기반 가뭄지수인 ESI-4W, EDDI-4W가 가뭄시기에 대하여 빠르고 민감한 반응을 보이는 것으로 판단된다.

4.2 국내 시도 단위 돌발가뭄 감지

2014년부터 2018년까지 본 연구에서 제시한 돌발가뭄 감지 기준을 적용하여 증발산 기반 가뭄지수 ESI-4W, EDDI-4W 시계열 변화를 Fig. 3과 같이 표현하였다. 8개의 시도 단위를 대상으로 5년 동안 7회의 돌발가뭄이 발생하였다. 경기도(GG), 경상북도(GB), 전라남도(JN), 전라북도(JB), 충청남도(CN)에서 각 1회, 충청북도(CB)에서 2회가 발생하였으며, 강원도(GW), 경상남도(GN)의 경우 ESI-4W의 변화에서 조건을 만족하지 못하면서 돌발가뭄이 발생하지 않았다.

Fig. 3

The Period of Flash Droughts by Province from 2014 to 2018

본 연구에서 감지한 돌발가뭄 발생 지역은 시도 단위로 총 6개 지역이었으며, 발생 시기는 2015년 6월, 2016년 9월, 2018년 8월이었다. 지역별로 동일 시기 돌발가뭄이 발생한 지역들이 있었으며, 2015년 6월의 경우 경기도(GG), 충청북도(CB)에서 돌발가뭄이 발생하였다. 2016년 9월에는 경상북도(GB) 및 전라남도(JN), 2018년 8월에는 전라북도(JB), 충청남도(CN), 충청북도(CB) 세 지역에서 돌발가뭄이 발생하였다. 모든 지역에서 ESI-4W에 대한 변화보다 EDDI-4W에 대한 변화가 많았으며, 돌발가뭄이 감지되지 않은 강원도(GW), 경상남도(GN)의 경우에도 EDDI-4W의 급격한 가뭄 심화만을 확인하였다.

4.3 돌발가뭄 발생 시기 지표별 상관분석

돌발가뭄이 발생한 시기를 대상으로 각 지표별 변화 및 관계를 파악하기 위하여 돌발가뭄 발생 이전 8주 간의 증발산 기반 가뭄지수와 수문기상학적 요소에 대한 상관성을 분석하였다. 동일한 돌발가뭄 발생 시기의 지역별 상관계수를 Table 2에 나타내었다.

Correlation Coefficient of Hydrometeorological Factors by Period of Occurrence of Flash Droughts

2015년 6월에는 경기도(GG), 충청북도(CB)에서 돌발가뭄이 발생하였으며, 전반적으로 높은 상관계수를 나타내었다. 모든 지표별 상관계수가 0.8 (-0.8) 이상의 강한 양(음)의 상관관계를 나타내었으며, PR-4W와의 상관계수가 0.9 (-0.9) 이상으로 매우 높게 나타났다. 2016년 9월 경상북도(GB), 전라남도(JN)에서 발생한 돌발가뭄은 마찬가지로 대부분의 지표별 상관계수가 0.7 (-0.7)~0.8 (-0.8) 이상으로 높게 나타났다. 경상북도(GB) 지역의 ESI-4W와 SPI-4W, TM-4W, PR-4W 사이의 상관계수가 상대적으로 낮게 나타났지만, 이외 지표와는 강한 양(음)의 상관관계를 보였다. 2018년 8월 전라북도(JB), 전라남도(JN), 충청북도(CB)에서 발생한 돌발가뭄은 RH-4W, PR-4W를 제외하고 0.8 (-0.8)~0.9 (-0.9) 이상의 높은 상관계수를 나타내었다. RH-4W의 경우 다른 시기 및 지역과 비교하여 상대적으로 0과 가까운 낮은 상관계수를 나타내면서 해당 시기 돌발가뭄에 큰 영향이 없는 것으로 판단하였다. 또한, PR-4W에 대한 상관성도 다른 시기와 비교하여 상대적으로 낮은 상관계수를 나타내었다.

돌발가뭄이 발생한 시기에 대하여 증발산 기반 가뭄지수와 수문기상학적 요소 사이의 상관성은 대부분 높게 나타났으며, SPI-4W, SM-4W, TM-4W는 공통적으로 매우 강한 양(음)의 상관관계를 보였다. PR-4W의 경우 2015년 6월에 발생한 돌발가뭄에서 다른 시기와 비교하여 상대적으로 높은 상관계수를 나타내었으며, 2018년 8월에 발생한 돌발가뭄은 RH-4W의 상관계수가 0에 가깝게 나타나면서 큰 영향이 없음을 확인하였다.

5. 총일차생산량 변화 비교

5.1 돌발가뭄 발생 시기 총일차생산량 아노말리 비교

본 연구에서 감지한 돌발가뭄 발생 시기에 대한 탄소 흐름을 분석하기 위하여 총일차생산량 GPP의 주기 및 도별 평균을 활용하여 Fig. 4와 같이 아노말리(Anomaly)로 표현하였다. 돌발가뭄 발생 시기 이전 GPP 아노말리의 변화를 표현하였으며, 2015년 발생한 돌발가뭄의 경우 돌발가뭄 발생 지역인 경기도(GG), 충청북도(CB)지역에서 다른 지역과 비교하여 GPP 변화에 대한 큰 차이가 발생하지 않았다. 2016년 발생한 돌발가뭄은 발생 지역 중 전라남도(JN)에 대한 GPP 아노말리가 다른 지역과 차이를 보였다. 돌발가뭄 발생 이전 평균보다 높은 GPP 아노말리 값을 표현하였으며, 돌발가뭄이 발생하면서 다른 지역과 유사하게 GPP 아노말리 값이 0보다 작아지는 것으로 나타났다. 2018년 발생한 돌발가뭄에 대한 GPP 아노말리 변화는 가장 두드러지게 나타났으며, 발생 지역인 전라북도(JB), 충청남도(CN), 충청북도(CB)에서 돌발가뭄 발생 이전 약 3주 동안 평균보다 낮은 GPP 아노말리 값을 표현하였다. 또한, 돌발가뭄 발생 시기에는 GPP 아노말리 값이 평균보다 크게 감소하는 모습을 보였다.

Fig. 4

GPP Anomalies by Province Using Periodic Average

5.2 돌발가뭄 발생 시기 총일차생산량 증감률 비교

Fig. 5는 돌발가뭄이 발생함에 따라 GPP의 변화 양상을 파악하기 위하여 주기별 평균 대비 GPP의 증감률을 표현한 그래프이다. 2015년의 경우 아노말리와 마찬가지로 돌발가뭄이 발생한 경기도(GG), 충청북도(CB)와 다른 지역 간의 차이를 확인하는 것이 어려웠다. 2016년 발생한 돌발가뭄에 대하여 다른 지역과 다르게 전라남도(JN) 지역의 주기별 평균 대비 증가율이 크게 나타났으며, 경상북도(GB)의 경우 다른 지역과 비교하여 높은 증가율을 보였지만, 돌발가뭄이 발생하지 않은 경상남도(GN)보다는 낮은 증가율을 보이면서 확연한 차이가 나타나지 않았다. 2018년에는 돌발가뭄이 발생한 세 지역에서 다른 지역과 비교하여 -40~-60%까지 큰 감소율을 나타내면서 차이를 나타내었다.

Fig. 5

GPP Increase/Decrease Rate by Province Compared to Periodic Average

6. 결 론

본 연구에서는 국내에서 아직 정의되지 않은 돌발가뭄에 대한 감지 및 특성을 분석하기 위하여 증발산 기반 가뭄지수인 ESI, EDDI를 활용하였다. 2017년 국내 극심한 가뭄사상에 대하여 대표적인 기상학적 가뭄지수인 SPI와 비교하였으며, 가뭄 발생 및 지속, 심화 등에 대한 경향을 분석하였다. ESI-4W, EDDI-4W는 1월부터 0보다 낮은 지수 값을 보이면서 봄 가뭄에 대한 선제적 반응을 보였으며, SPI-4W의 경우 4월 이후 5, 6월에 극심한 가뭄단계를 표현하면서 증발산 기반 가뭄지수인 ESI-4W, EDDI-4W의 민감하고 빠른 가뭄 판단 능력을 확인하였다.

ESI-4W, EDDI-4W를 기준으로 4주 이내 정상 단계에서 극심한 가뭄단계(D3) 이하로 가뭄이 심화되는 시기를 돌발가뭄 발생 시기로 정의하였다. 제시한 돌발가뭄 감지 조건을 기준으로 2014년부터 2018년까지 5년 동안 총 7회의 돌발가뭄이 발생하였다. 강원도(GW), 경상남도(GN)를 제외한 6개의 도에서 돌발가뭄이 발생하였으며, 대부분의 지역에서 ESI-4W, EDDI-4W와 SPI-4W, SM-4W, TM-4W 사이의 매우 높은 상관계수가 나타났다. 0.9 (-0.9) 수준의 강한 양(음)의 상관관계를 보였으며, WS-4W의 경우에는 일정한 상관성을 보이지 않으면서 증발산 기반 가뭄지수와 큰 연관성을 파악하는 것에 한계가 있었다. 모든 시기에서 높은 상관성을 보인 지표와 달리 돌발가뭄 발생 시기에 따라서 RH-4W, PR-4W에 대한 상관성은 큰 차이를 보였다. 2015년에는 다른 시기와 비교하여 PR-4W에 대한 상관계수가 높게 나타나면서 강수 변화에 따른 돌발가뭄이 발생하였다고 판단하였으며, 2018년의 경우 RH-4W에 대한 상관계수가 0에 가깝게 나타나면서 상대습도에 대한 영향이 적은 돌발가뭄이 발생하였다고 판단하였다. 또한, 다른 시기와 비교하여 PR-4W와 약한 양(음)의 상관관계를 보이면서 토양수분 및 최고기온에 대한 영향이 더 크게 나타난 것으로 사료된다.

총일차생산량 GPP의 변화를 통해 돌발가뭄 발생 시기의 탄소 흐름에 대하여 분석하였으며, 2018년 발생한 돌발가뭄에 대하여 전라북도(JB), 충청남도(CN), 충청북도(CB) 세 지역 모두 돌발가뭄 발생 이전 약 3주 동안 다른 지역과 다르게 GPP 아노말리가 0보다 작은 값을 표현하였다. 돌발가뭄 발생 시기에는 평균 대비 -40~-60%까지 큰 감소율을 보이면서 토양수분, 최고기온 중심의 돌발가뭄이 발생한 시기에 대하여 GPP에 대한 변화 양상이 나타났다. 이를 통해 토양수분 및 최고기온 변화 중심의 돌발가뭄이 발생하는 시기에는 생물체에 의한 유기물 생산량 또는 식생에 의해 배출되는 총 탄소 양이 감소하는 것으로 판단된다.

본 연구에서는 국외에서 주로 활용하는 토양수분 중심의 분석 기법 대신 증발산량과 관련된 가뭄지수를 활용하여 국내 돌발가뭄에 대한 감지 및 특성 분석을 수행하였다. 돌발가뭄 발생 시기는 일반적인 가뭄 판단 기준이 되는 SPI와도 높은 상관성을 보이면서 적절한 가뭄 시기를 도출한 것으로 판단된다. 본 연구의 결과는 향후 증발산 기반 가뭄지수를 활용한 단기적 가뭄 평가에 있어서 모니터링 지표로 활용될 수 있을 것으로 사료된다.

감사의 글

본 연구는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원(No. NRF-2021R1A2C1093245)을 받아 수행되었습니다.

References

1. Allen R.G, Pereira L.S, Raes D, Smith D. 1998;Crop evapotranspiration:Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, Rome, Italia
2. Anderson M.C, Hain C.R, Wardlow B.D, Pimstein A, Mecikalski J.R, Kustas W.P. 2011;Evaluation of drought indices based on thermal remote sensing of evapotranspiration over the continental United States. Journal of Climate 24(8):2025–2044.
3. Anderson M.C, Norman J.M, Mecikalski J.R, Otkin J.A, Kustas W.P. 2007;A climatological study of evapotranspiration and moisture stress across the continental U.S. based on thermal remote sensing:I. model formulation. Journal of Geophysical Research 112(D10):1–17.
4. Beer C, Reichstein M, Tomelleri E, Ciais P, Jung M, Carvalhais N, et al. 2010;Terrestrial gross carbon dioxide uptake:Global distribution and covariation with climate. Science 329:834–838.
5. Christian J.I, Basara J.B, Otkin J.A, Hunt E.D, Wakefield R.A, Flanagan P.X, Xiao X. 2019;A methodology for flash drought idenification:Application of flash drought frequency across the United States. Journal of Hydrometeorology 20(5):833–846.
6. Green J.K, Seneviratne S.I, Berg A.M, Findell K.L, Hagemann S, Lawrence D.M, Gentine P. 2019;Large influence of soil moisture on long-termterrestrial carbon uptake. Nature 565:476–479.
7. Hobbins M.T, Wood A, McEvoy D.J, Huntington J.L, Morton C, Anderson M.C. 2016;The evaporative demand drought index. Part I:Lingking drought evolution to variations in evaporative demand. Journal of Hydrometeorology 17(6):1745–1761.
8. Kim S.J, Kim M.I, Lim C.H, Lee W.K, Kim B.J. 2017;Applicability analysis of FAO56 penman-monteith methodology for estimating potential evapotranspiration in Andong dam watershed using limited meteorological data. Journal of Climate Change Research 8(2):125–143.
9. Lee H.J, Nam W.H, Yoon D.H, Hong E.M, Kim T, Park J.H, Kim D.E. 2020;Percentile approach of drought severity classification in Evaporative Stress Index for South Korea. Journal of the Korean Society of Agricultural Engineers 62(2):63–73.
10. Lee H.J, Nam W.H, Yoon D.H, Kim H.Y, Woo S.B, Kim D.E. 2021;Drought monitoring for paddy fields using satellite-based Evaporative Stress Index. Journal of the Korean Society of Agricultural Engineers 63(3):47–57.
11. Lee H.J, Nam W.H, Yoon D.H, Svoboda M.D, Wardlow B.D. 2021;Detection of flash drought using evaporative stress index in South Korea. Journal of Korea Water Resources Association 54(8):577–587.
12. Liu Y, Zhu Y, Zhang L, Ren L, Yuan F, Yang F, et al. 2020;Flash droughts characterization over China:From a perspective of the rapid intensification rate. Science of the Total Environment 704:1–14.
13. Mckee T.B, Doesken N.J, Kliest J. 1993;The relationship of drought frequency and duration to time scales. Proceedings of the 8th Conference on Applied Climatology 17-22:179–184.
14. Mo K.C, Lettenmaier D.P. 2015;Heat wave flash droughts in decline. Geophysical Research Letters 42(8):2823–2829.
15. Mo K.C, Lettenmaier D.P. 2016;Precipitation defict flash droughts over the United States. Journal of Hydrometeorology 17(4):1169–1184.
16. Nam W.H, Choi J.Y, Yoo S.H, Engel B.A. 2012;A real-time online drought broadcast system for monitoring soil moisture index. KSCE Journal of Civil Engineering 16(3):357–365.
17. Nguyen H, Wheeler M.C, Otkin J.A, Cowan T, Frost A, Stone R. 2019;Using the evaporative stress index to monitor flash drought in Australia. Environmental Research Letters 14(6):1–9.
18. Noguera I, Dominguez-Castro F, Vicente-Serrano S.M. 2020;Characteristics and trends of flash droughts in Spain, 1961-2018. Annals of the New York Academy of Sciences 1472(1):155–172.
19. Norman J.M, Kustas W.P, Humes K.S. 1995;Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature. Agricultural and Forest Meteorology 77(3-4):263–293.
20. Otkin J.A, Svoboda M.D, Hunt E.D, Ford T.W, Anderson M.C, Hain C.R, Basara J.B. 2018;Flash droughts:A review and assessment of the challenges imposed by rapid-onset droughts in the United States. Bulletin of the American Meteorological Society 99(5):911–919.
21. Otkin J.A, Zhong Y, Hunt E.D, Basara J, Svoboda M.D, Anderson M.C, Hain C.R. 2019;Assessing the evolution of soil moisture and vegetation conditions during a flash drought-flash recovery sequence over the South-Central United States. Journal of Hydrometeorology 20(3):549–562.
22. Svoboda M.D, LeComte D, Hayes M.J, Heim R, Gleason K, Angel F, et al. 2002;The drought monitor. Bulletin of the American Meteorological Society 83(8):1181–1190.
23. Vicente-Serrano S.M, Beguería S, López-Moreno J.I. 2010;A multiscalar drought index sensitive to global warming:The standardized precipitation evapotranspiration index. Journal of Climate 23(7):1696–1718.
24. Wilhite D.A, Glantz M.H. 1985;Understanding the drought phenomenon:The role of definitions. Water International 10(3):111–120.
25. Wilks D.S. 2011;Cluster analysis. International Geophysics 100:603–616.
26. Won J.E, Jang S.H, Kim K.M, Kim S.D. 2018;Applicability of the evaporative demand drought index. Journal of Korean Society of Hazard Mitigation 18(6):431–442.
27. Yao N, Li Y, Lei T, Peng L. 2018;Drought evolution, severity and trends in mainland China over 1961-2013. Science of the Total Environment 616-617:73–89.
28. Yoon D.H, Nam W.H, Lee H.J, Hone E.M, Kim T, Kim D.E. 2018;Application of Evaporative Stress Index (ESI) for satellite-based agricultural drought monitoring in South Korea. Journal of the Korean Society of Agricultural Engineers 60(6):121–131.
29. Yoon D.H, Nam W.H, Lee H.J, Hong E.M, Feng S, Wardlow B.D, et al. 2020;Agricultural drought assessment in East Asia using satellite-based indices. Remote Sensing 12(3):444–459.
30. Zhang M, Yuan X. 2020;Rapid reduction in ecosystem productivity caused by flash droughts based on decade-long FLUXNET observations. Hydrology and Earth System Sciences 24(11):5579–5593.
31. Zhu Z, Zeng H, Myneni R.B, Chen C, Zhao Q, Zha J.J, et al. 2021;Comment of “Recent global decline of CO2 fertilization effects on vegetation photosynthesis”. Science 373(6562):1–4.

Article information Continued

Table 1

Drought Categories for USDM

Category Description Ranges (%)
D0 Abnormaly dry 21 to 30
D1 Moderate drought 11 to 20
D2 Severe drought 6 to 10
D3 Extreme drought 3 to 5
D4 Exceptional drought Below to 2

Fig. 1

Detection Conditions for Flash Droughts Using ESI and EDDI

Fig. 2

Time Series Changes of Drought Indices in 2017

Fig. 3

The Period of Flash Droughts by Province from 2014 to 2018

Table 2

Correlation Coefficient of Hydrometeorological Factors by Period of Occurrence of Flash Droughts

SPI-4W SM-4W TM-4W RH-4W WS-4W PR-4W
June in 2015 GG ESI-4W 0.935 0.981 -0.949 0.816 0.673 0.917
EDDI-4W -0.950 -0.965 0.975 -0.803 -0.688 -0.962
CB ESI-4W 0.916 0.929 -0.864 0.839 0.809 0.899
EDDI-4W -0.934 -0.928 0.948 -0.952 -0.437 -0.950
September in 2016 GB ESI-4W 0.590 0.827 -0.428 0.773 -0.833 0.302
EDDI-4W -0.865 -0.977 0.822 -0.869 0.578 -0.700
JN ESI-4W 0.950 0.976 -0.832 0.977 0.409 0.773
EDDI-4W -0.990 -0.948 0.969 -0.935 -0.639 -0.939
August in 2018 JB ESI-4W 0.885 0.888 -0.925 -0.138 0.792 0.391
EDDI-4W -0.971 -0.920 0.964 0.216 -0.895 -0.309
CN ESI-4W 0.953 0.937 -0.973 0.335 0.657 0.656
EDDI-4W -0.936 -0.929 0.955 -0.297 -0.749 -0.674
CB ESI-4W 0.956 0.920 -0.963 -0.176 0.918 0.522
EDDI-4W -0.911 -0.866 0.908 -0.020 -0.894 -0.699

Fig. 4

GPP Anomalies by Province Using Periodic Average

Fig. 5

GPP Increase/Decrease Rate by Province Compared to Periodic Average