1. 서 론
과거 국내에서 발생된 지역별 가뭄피해조사는 피해가 발생한 지역에 대해서만 비정기적으로 실시되었다. 이와 같은 비정기적 조사와 통일된 가뭄피해 조사항목의 부재는 지자체 별 가뭄피해도를 보다 상세하게 분석하는 것을 어렵게 하였다. 이와 같은 문제를 데이터 기반으로 해결하고 가뭄상황-가뭄영향-가뭄피해의 연관성을 보다 과학적으로 검토할 수 있도록, 최근 한국은 2018년도부터 발생된 연간 가뭄현황에 대한 주요 통계를 국가가뭄정보통계집(National Drought Information Statistics, 2020~2022)으로 정기적으로 발간 중이다. 가뭄피해의 정량화와 관련된 최근의 연구는 가뭄피해액의 정량적 추정과 피해에 영향을 줄 수 있는 인자를 활용한 가뭄취약도의 지역적 구분 등의 연구로 구분할 수 있다.
가뭄 피해액의 정량적 추정과 관련하여, So et al. (2015)는 이변량 결합가뭄지수 기반의 가뭄특성인자(지속기간, 평균 심도)와 피해액을 연계한 피해추정 기법을 개발하고 그 활용성을 평가한 바 있다. Song et al. (2019)은 아시아 국가의 경제지표 및 기초지표를 고려한 가뭄피해 예측 산정식 개발하여 제시하였으며, 산정식 개발 시 다중회귀분석을 활용하였다. Song et al. (2021)은 생활가뭄을 대상으로 피해규모를 추정하기 위해 피해액 산정식과 복구액 산정식을 개발하여 제시하였다. 해당 연구에서 생활가뭄 피해액은 용수공급 제한에 대한 피해인원과 숙박 및 음식점을 고려한 산정식을 개발하였으며, 복구액은 피해인원에 대한 생활재난지원, 용수지원, 용수개발지원, 장비 및 인력지원을 활용한 식을제시하였다. 이와 같은 피해액 추정연구는 제한된 피해 및 복구 이력 자료를 기반으로 활용가능한 자료를 활용하여 피해액과 복구액을 산정할 수 있는 식을 제시하였다는 점에서 의의가 있다. 그러나, 이와 같은 가뭄 피해액 및 복구액의 추정은 산출기준이 되는 인자와 기준금액 설정의 불확실성이 존재하고 직간접적 피해인자의 고려여부, 피해 지역의 사회 경제적 환경 등에 따라서 다양한 관점 및 기준에 의해 추산될 수 있다는 점에서 제한적이라 할 수 있다. 따라서, 과거의 지역적 가뭄 피해자료를 기반으로 피해의 정도를 수치적으로 정량화하는것보다 등급화 또는 분류화하는 것이 상대적인 피해에 대한 비교 및 다양한 요인에 의한 피해의 변화양상을 분석하기 위해 더 효율적일 수 있다.
가뭄피해에 영향을 줄 수 있는 인자를 활용한 가뭄취약도의 지역적 구분에 대한 연구는 Yoo et al. (2010), Nam et al. (2015), 그리고 Kyoung et al. (2006) 등에 의해 진행된 바 있다. Yoo et al. (2010)은 국내에서 발생되는 가뭄의 특성을 지역적으로 구분하기 위하여 K-means 기법을 적용한 군집분석을 실시하였고, 동질한 가뭄특성을 지닌 지역을 6개 지역으로 구분한 결과를 도출한 바 있다. 58개 강우 관측지점별 표준강수지수(Standardized Precipitation Index, SPI)의 월별 평균값과 가뭄특성치(가뭄지속기간, 심도, 강도)의 평균값을 산정하여, 각 지점별 60개의 가뭄속성인자를 생성하였다. 가뭄 속성인자를 주성분 분석과 요인분석을 실시하여, 가뭄특성의 주요인자를 7개로 축소하였으며, 주요인자를 활용하여 군집분석을 실시하였다.
Nam et al. (2015)는 전국 농업용 저수지 중 자동 수위계가 설치된 저수지 1,346 개소를 대상으로 관개취약성 평가모형을 적용하고, 군집분석을 활용하여 용수공급 위험지도를 작성하였다. 군집분석 결과 관개취약성이 일정수준 이상으로 나타난 지역을 1, 2, 3 군집으로 구분하여 제시하였으며 군집에 포함된 저수지의 개수는 각각 43개, 7개, 82개로 분류됨을 확인하였다. 이와 같이 동일한 가뭄특성을 갖는 지역을 구분하는 것은 가뭄의 분석, 예측, 피해정도 파악 등에 활용이 가능하다. 그러나 지금까지 대부분의 군집분석 등과 같은 지역적 가뭄분석 기법은 강수량과 같은 가뭄모니터링 인자를 기반으로 수행되었다는 제한점이 있다.
본 연구에서는 가뭄 피해도 분류를 위하여 머신러닝 기법중 하나인 군집화 기법을 이용하여 피해도를 나타낼 수 있는 인자를 결정하고 지자체를 여러 군집으로 나누어 분류하였다. 분석에서는 공인된 자료이며, 자료출처 및 작성근거가 명확한 국가가뭄정보통계집(2018-2020)에서 제시된 피해관련 자료를 활용하고, 지역별 용수사용특성(생활용수, 농업용수)을 추가적으로 반영하여 국내 161개 지자체에 대한 지역별 가뭄피해도의 군집분석을 실시하였다.
2. 방법론
본 연구에서는 가뭄 피해도의 지역적 분류를 위한 군집 알고리즘으로 계층 군집 분석 알고리즘(Hierarchical Clustering)을 사용하였다. 가뭄피해도 군집분석을 실시하기 위한 인자구성은 종합가뭄, 생공가뭄, 농업가뭄에 따른 용수사용특성에 따른 가뭄 피해도가 구분될 수 있도록 크게 4가지 방법으로 구분하여 분석을 실시하였다.
2.1 가뭄피해도 분류를 위한 군집화 기법
계층적 군집 기법은 트리모형을 이용하여 데이터 개체들의 계층적 유사성을 확인하여 유사한 개체 및 군집에 병합 혹은 분할을 통해 군집을 형성한다. 이 때 트리구조를 가진 덴드로그램을 형성하여 적당한 군집 시점을 선택하여 자르면 원하는 개수의 군집을 형성할 수 있다. 계층적 군집 기법은 병합과 분할 2가지 방법으로 나누어진다. 이중 병합 군집 방법은 특정 군집을 형성 후 다양한 방법에 의한 클러스터 간의 거리 계산을 통하여, 계속하여 클러스터를 병합, 최종적으로 설정하였던 군집 개수가 만족 될 때까지 반복한다. 군집간의 거리는 다음과 같은 다섯가지방법을 활용하게 된다.
최단 연결법(Single Linkage Method) : 두 군집간의 가장 거리가 짧은 군집을 선택하여 병합
최장 연결법(Complete Linkage Method) : 첫 군집은 가장 짧은 거리의 군집을 형성하나, 그 이후 가장 먼 거리의 군집들을 병합
평균연결법(Average Linkage Method) : 첫 군집 이후 군집간 거리 매트릭스 업데이트 시 군집간의 관찰값들 사이의 거리값의 평균값을 이용
중심연결법(Centroid Method) : 첫 군집 형성 이후, 각 군집의 중심을 새롭게 좌표를 지정하여 업데이트
와드 연결법(Wards Linkage Method) : 첫 군집 형성 이후 다음 군집을 병합할 때, 두 군집간의 유사성을 두 군집 병합시의 오차 제곱의 합의 증가량에 기반하여 측정, 오차 제곱의 합의 차이를 최소화 하는 형태로 군집
또한 표본 X와 Y를 Eq. (1)과 같이 가정할 때, 자료간 거리의 계산은 Eqs. (2)~(6)과 같이 다섯가지의 거리 산출식을 활용하게 된다.
1. Euclidian Distance : 관측치 간의 최단거리
2. Manhattan Distance : 축방향으로만 이동 시 사용하는 거리 계산법
3. Mahalanobis Distance : 변수 내 분산, 공분산을 모두 반영하여 거리를 계산
4. Correlation Distance : 데이터 그룹간의 선형 상관계수를 계량화하여 비교 피어슨 상관계수(Pearson Corrlation)을 이용하여 등간척도 혹은 비율척도를 사용한 변수에 적용하여 비선형성 척도를 선형으로 해석하여 그룹간 거리를 계산
5. Rank Correlation Distance : 서열상관분석 식은 피어슨 상관계수를 사용한 일반 상관거리 식과 유사하나, 서열 척도를 기준으로 측정된 값으로 상관관계 정도를 자료 순위값에 의해 계산
2.2 가뭄피해도 군집을 위한 세부 인자설정
본 연구에서는 가뭄 피해도 군집을 위한 세부 인자 설정을 위하여 두 가지 원칙을 수립하였다. 첫째, 공인된 자료이며, 자료출처 및 작성근거가 명확한 국가가뭄정보통계집(2018-2020)에서 제시된 피해관련 자료를 기반으로 피해도를 범주화하고자 하였다. 둘째, 향후 연구에 있어 지역별 용수사용특성에 따른 피해도와 민감도를 산출하기 위해, 지역별 용수사용특성 인자를 추가적으로 고려하였다. 이와 같은 원칙을 반영하여 Table 1과 같은 가뭄 피해도 분류를 위한 피해 관련 인자를 선정하였다.
Table 1
Selection of Damage-related Factors for Classification of Drought Damage
최종적으로 고려한 가뭄피해와 관련된 직접적인 대분류 인자는 총 4가지이다. 첫 번째 인자는 가뭄 모니터링에 따른 가뭄 발생에 대한 인자로, 국내에서 제공하고 있는 관계부처 합동 가뭄 예⋅경보 결과 중 가뭄이 일정수준 이상 발생하여 지역적 피해가 발생했을 가능성이 높은 심함(2018)과 경계, 심각(2019~) 단계의 가뭄 예⋅경보가 발생된 지역적 누적 횟수를 인자로 사용하였다.
두 번째로 가뭄 피해에 대한 직접적인 피해도 인자로서 생활⋅공업 가뭄피해와 농업 가뭄피해로 나누어 고려하였다. 생활⋅공업 가뭄의 경우 상수도 보급지역과 미 보급지역으로 구분하고 각 지자체별 누적 피해인구수의 누적 값을 전체 지자체 인구수로 나눈 피해인구 비율을 사용하였다. 또한 농업가뭄 인자는 논 마름 피해와 밭 시듦 피해로 나누어 피해 면적을 전체 농지면적과 비교하여 농업피해에 대한 피해도 비율을 계산하여 활용하였다.
세 번째 인자는 가뭄발생에 따른 각 지자체별 용수 지원량을 활용하였다. 각 항목별로 댐 용수, 상수도망, 하천수, 국가 지하수망, 물차, 한국농어촌공사 관리지역 외 용수지원 등 6가지 항목의 물 지원량 총 합 값을 해당 지자체의 해당용수 이용량으로 나눈 총량 대비 물 지원량을 지표로 이용하였다.
마지막 항목은 두 번째 원칙인 지역별 용수사용특성을 반영하기 위해 도출하였다. 즉, 전체 용수 이용량 대비 용수별 이용량 비율값을 산정하여 지자체별 물 사용 특성을 반영한 군집 결과를 도출하고자 하였다. 각 항목의 수치값은 절대적 크기가 서로 다르기 때문에 군집분석의 적용을 위해 Min-Max 정규화 방법을 통해 인자의 정규화를 추가적으로 수행하였다.
2.3 가뭄피해 인자조합을 통한 피해분류 시나리오 설정
본 연구에서는 Table 1에서 제시된 다섯가지의 가뭄피해도 인자를 조합하여 종합가뭄, 생공가뭄, 그리고 농업가뭄의 특성을 고려한 네 가지의 군집분류 시나리오를 Table 2와 같이 설정하였다. Case 1은 종합적 가뭄피해도를 지역적으로 분류하기 위한 시나리오로 전체가뭄예⋅경보 횟수, 생활 및 공업용수, 그리고 농업용수에 대한 직접적 가뭄피해정보, 그리고 가뭄피해로 인한 용수지원 자료를 활용하여 군집분석을 수행한다. Case 2는 Case 1의 정보에 지역적 용수사용 특성을 추가적으로 고려하여 생활 및 공업용수, 그리고 농업용수에 대한 지자체별 사용특성이 군집화 과정에서 반영될 수 있도록 하는 시나리오이다.
Table 2
Drought Damage Classification Scenario Setting
Case 3와 Case 4는 생활 및 공업가뭄과 농업가뭄에 특화된 지역적 용수별 가뭄피해분류가 가능하도록 하는 시나리오로 볼 수 있다. 따라서 Case 3에서는 생활 및 공업용수의 직접적 가뭄피해를 상수도 보급지역과 미보급지역으로 구분하여 인자로 활용하게 되며, Case 3에서는 논 마름 및 밭 시듦피해를 구분하여 농업용수부족에 따른 직접적 피해정보를 이용한다.
3. 적용 및 결과
3.1 적용대상 지자체
본 연구에서 제안된 방법론을 전국 161개 지자체를 대상으로 적용하여 그 결과를 도출하였다. 161개 지자체는 Table 3과 같으며, 광역시 및 시, 군 단위의 전국 167개 지자체 중, 광역시에 소속된 군단위 지자체(5개)는 광역시에 포함하여 분석을 진행하였으며, 제주특별자치도의 제주시와 서귀포시의 피해이력은 하나의 지역으로 통합하여 적용하였다.
Table 3
Applied Local Government
3.2 시나리오 별 군집분석 결과
네 가지의 시나리오(Case 1 - Case 4)에 기반한 군집분석 결과를 종합하여 그림으로 나타내면 Fig. 1과 같다. 군집분석의 경우 입력된 정보의 유사성에 따라 군집이 생성되기 때문에 구분된 도출된 군집간의 피해도의 정도가 자동적으로 크기에 따라 구분된 결과를 제시하지는 않는다. 따라서 군집화된 결과와 입력된 자료 및 과거 피해이력 등을 참조하여 C1에서부터 C4로 갈수록 과거 가뭄 피해 이력이 많아질 수 있도록 군집의 명칭을 통일하여 시각화 및 표현하였다.
각 시나리오의 결과분석에 앞서 시나리오에 따른 군집분석 결과의 일반적이며 공통적 경향을 기술하면 다음과 같다. C1 클러스터의 경우, 대부분 피해도 인자 점수가 낮은 지역에 해당된다. C2 클러스터의 경우 C1과 같이 낮은 인자점수 중 다른 특징을 구분할 수 있는 지자체가 포함되거나, 용수 비율에 따라 C1과 C2가 구분됨을 확인하였다. C3 클러스터의 경우 기본적으로 농업가뭄의 피해도가 높은 지자체를 포함하였으나, 생활 및 공업 가뭄 군집 시나리오에서는 농업가뭄에 대한 피해 인자를 고려하지 않았기 때문에 생활 및 공업용수 피해도(상수도 미보급지역 피해인구 비율)에 따라 군집이 결정됨을 알 수 있었다. C4 클러스터의 경우 2가지 특징을 갖는 결과를 확인하였다. 첫째로 예경보 인자의 점수(예경보 누적 횟수)가 높은 지자체 이거나 총 용수 사용량 중 생공 또는 농업용수 비율이 높은 지자체들 중 다른 피해도에 대한 인자 점수가 높게 나온 지자체가 포함된 것을 확인하였다.
종합적 가뭄피해를 군집화한 Case 1 시나리오에 대한 적용결과는 Fig. 1(a) 및 Table 4와 같다. 가뭄의 종합적 피해를 고려한 군집 결과를 확인하면 용수 피해가 크지 않거나 없었던 지자체는 C1 군집에 모두 포함되었다. 상수도 보급지역에서의 피해인구가 타 지자체에 비하여 월등하게 높았던 속초시는 C2 군집으로 구분되었으며, 특징적인 1개 지자체만이 개별 군집으로 포함되었다. C3 군집에는 상수도 미보급지역의 피해도가 높은 지자체들이 포함되어, 경기도 1개, 강원도 5개 지자체, 전라남도 1개 지자체로 총 7개 지자체가 포함됨을 확인하였다. 마지막으로 C4 군집의 경우 전체 예경보 발생 누적횟수 중 3년간 2회/월 이상의 심함/ 혹은 경계 이상 예경보가 발령된 지자체가 포함된 결과를 도출하였다. 대구광역시와 충청남도 8개 지자체, 전라남도 1개 지자체, 경상북도 및 경상남도 각 3개 지자체, 총 16개 지자체가 C4 군집에 분류되었다.
Table 4
Cluster Classification Result by Local Government according to Case 1 Scenario (Number)
지자체의 용수별 사용비율을 고려한 Case 2의 군집결과는 Fig. 1(b) 및 Table 5와 같다. 종합 피해 군집에 생/공 용수 사용 비율 인자를 추가하여 실시한 결과 용수 사용 비율에 따라 하위 군집 또한 2개로 나누어지며, C1, C2 군집을 형성함을 결과로 직접 확인하였다. C1군집은 용수비율 중 농업용수 비율이 높은 지자체 중 다른 인자의 피해도가 적은 지자체가 포함되었으며, C2 군집은 용수비율 중 생/공업용수 비율이 높은 지자체 중 다른 인자의 피해도가 적은 지자체가 포함되었다. C3 군집은 농업가뭄 피해를 받은 지자체들이 많이 포함되었으며, 인천광역시, 강원도 9개 지자체, 제주특별자치도가 해당 지자체로 나타났다. C4 군집의 경우 전체 예경보 발생 누적횟수 중 3년간 2회/월 이상의 심함/ 혹은 경계 이상 예경보가 발령된 지자체가 포함되었다. 대상 지자체는 총 21개로 대구광역시, 충청북도 1개, 충청남도 8개, 전라남도 5개, 경상북도 3개, 그리고 경상남도 3개 지자체가 C4 군집으로 분류되었다.
Table 5
Cluster Classification Result by Local Government according to Case 2 Scenario (Number)
생활 및 공업용수의 피해관련 인자를 활용하여 군집을 실시한 Case 3의 결과는 Fig. 1(c) 및 Table 6과 같다. C1 군집에는 생활 및 공업 용수비율이 낮은 지자체 중 다른 인자의 피해도가 적은 지자체가 포함되었으며, C2 군집에는 용수비율 중 생활 및 공업용수 비율이 높은 지자체 중 다른 인자의 피해도가 적은 지자체가 소속되었다.
Table 6
Cluster Classification Result by Local Government according to Case 3 Scenario (Number)
C3와 C4 군집은 생활 및 공업용수의 부족에 의한 가뭄피해가 직접적으로 발생된 지자체가 포함되었다. C3의 경우 상수도 미보급지역에서의 피해도가 큰 지자체가 포함되어, 총 7개 지자체(경기도 1개, 강원도 5개, 전라남도 1개)가 분류되었다.
C4는 생활 및 공업가뭄에 의한 예경보 횟수가 많은 지자체가 대거 분류되었으며, 대구광역시를 포함하여 충청남도 8개, 전라남도 5개, 경상북도 3개, 경상남도 3개 지자체로 총 20개 지자체가 포함되었다.
농업용수의 피해관련 인자를 활용하여 군집을 실시한 Case 4의 결과는 Fig. 1(d) 및 Table 7과 같다. Case 3의 결과와 유사하게 농업가뭄 피해가 없는 지자체 중 C1과 C2는 농업용수의 비율에 따라 군집화가 수행된 것을 확인할 수 있었다. 농업가뭄피해인자를 고려한 C3 군집은 밭 시듦 피해 면적비율 인자 점수가 높은 지자체가 포함된것을 확인하였으며, 포함된 지자체는 5개로 강원도 원주시를 포함한 4개 지자체, 제주특별자치도이다. 분석에 활용된 농업가뭄에 대한 예경보 횟수가 타 용수에 비하여 상대적으로 적어 C4 군집은 논 마름 피해 인자가 높은 지자체 끼리 군집되는 특성을 보였다. 즉, 논 마름 피해가 집중적으로 나타난 인천광역시, 강원도 2개, 충청남도 2개, 그리고 경상남도 1개 지자체의 총 6개 지자체가 C4 군집으로 분류되었다.
Table 7
Cluster Classification Result by Local Government according to Case 4 Scenario (Number)
이와 같은 지역적 용수별 피해 이력과 용수사용특성을 고려한 군집분석 결과는 향후 가뭄 발생시 지역의 용수별 사용량 또는 수요량의 중요도에 따라 지역적 용수공급조정기준을 달리하여 적용할 수 있으며, 이와 같은 수정된 조정기준은 지역별 가뭄피해 정도를 저감할 수 있는데 기여할 수 있다.
4. 결 론
본 연구에서는 가뭄 피해 인벤토리를 활용한 용수부족별 피해사례 범주화 방법론 개발하고, 적용결과를 분석하여 제시하였다. 가뭄 피해 관련 자료는 공인된 자료이며, 자료출처 및 작성근거가 명확한 국가가뭄정보통계집에서 제시된 피해관련 자료를 활용하였다. 추가적으로 지역별 용수사용특성(생활용수, 농업용수)을 반영하여 국내 161개 지자체에 대한 지역별 가뭄피해도의 군집분석을 실시하였다. 가뭄 피해도의 지역적 분류를 위한 군집 알고리즘은 계층 군집 분석 알고리즘을 사용하였다. 가뭄피해도 군집분석을 실시하기 위한 인자구성은 종합가뭄, 생공가뭄, 농업가뭄에 따른 가뭄 피해도를 나타낼 수 있도록 크게 4가지 방법으로 구분하여 분석을 실시하였다. 분석결과 용수별 사용특성과 과거피해이력에 따라 지역적 군집화가 잘 나타나는 것을 확인하였다. 이와 같은 군집화 기반의 지역적 피해도 분류정보와 용수별 가뭄피해의 영향인자(모니터링 자료 등)를 추가적으로 고려할 경우 가뭄상황 및 지역별 용수사용특성에 따른 지자체의 피해민감도를 정량적으로 제시할 수 있을 것으로 기대된다. 가뭄은 장기간에 걸쳐 천천히 진행되는 재난으로 본 연구에서 이용한 3년의 자료는 가뭄을 분석하는데 충분하지 않다는 한계점이 존재한다. 향후 통계자료의 지속적 수집에 따른 분석이 반드시 이루어져야 하며, 기존의 비정기적인 자료를 함께 활용하기 위한 노력도 필요하다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
