1. 서 론
가뭄은 강수의 결핍으로 인하여 오랜 시간 지속되는 자연재해를 뜻하며, 기상, 농업, 수문, 사회, 경제 분야에 부정적인 영향을 미친다(Yoo et al., 2011). 가뭄은 그 지속 기간 및 발생의 양상에 따라 기상학적, 농업적, 수문학적, 사회⋅경제학적, 그리고 환경적 가뭄으로 분류된다(Cao et al., 2022). 농업가뭄은 수자원 결핍으로 인해 토양수분량을 감소시켜 작물 생육에 피해를 발생시키는 것으로 정의된다(Mannocchi et al., 2004; Martínez-Fernández et al., 2015). 이러한 농업가뭄을 평가하기 위해서는 수문⋅기상학적 인자 및 식생에 관한 이해와 분석이 필요하다(Guo et al., 2021). 두 인자 간의 이해관계에 따라 농업가뭄의 피해를 살펴보면, 최근 이상기후로 인한 강수량의 지역 편중도 증가와 지역별 농업용수 공급의 환경적 차이로 인해 나타나는 것을 확인하였다(Hwang and Ham, 2013; Van Oel et al., 2018). 이에 농업가뭄을 대비하기 위해, 국내에서는 증가하고 있는 가뭄 위험에 대응하고자 농업가뭄 관리시스템(ADMS, 2024)을 운영하고 있다(Bae et al., 2019). 현재 시행되고 있는 농업가뭄 예⋅경보시스템은 농촌용수종합정보시스템(https://rawris.ekr.or.kr)에서 제공되는 지역 내 댐 저수율과 농업기상정보시스템(http://weather.rda.go.kr)에서 제공되는 토양수분량을 활용하여 관심, 주의, 경계, 심각 단계로 구분하고 있다. 이러한 시스템은 모든 지역에 동일한 기준 수치를 적용하여 지역별 농업 환경 및 특성과 농업가뭄 피해사례를 반영하지 않는다는 점에서 한계점이라고 판단된다.
일반적으로 토양수분량은 농업가뭄을 정의하는 데 활용되는 대표적인 수문⋅기상학적 인자로, 그 지역의 토양수분 초과 여부를 평가하는 Soil Water Deficit Index를 활용하여 밭작물에 대한 농업가뭄 분석 연구가 이루어지고 있다(Martínez-Fernández et al., 2016). 식생은 가뭄으로 인하여 생육이 받은 피해를 평가하는 기준으로 활용되고, 식생지수를 산출하여 작물 피해 발생 정도를 평가하기도 한다(Rousta et al., 2020). 또한, 강수의 약 70%의 손실을 나타내는 증발산량을 이용한 식생의 스트레스 정도를 파악하는 Evaporative Stress Index를 통해 농업가뭄 평가 및 분석에 관한 연구들도 이루어졌다(Lee et al., 2019; Baik et al., 2022). 이러한 연구들은 수문⋅기상학적 인자를 지수화하여 가뭄 등급을 결정하는 하나의 수치 기준을 마련해준다는 점에서 가뭄 모니터링에 자주 사용되고 있으나, 가뭄 발생이 특정된 지역에서 실제 농경지 피해가 발생했는가를 평가하기에는 부족한 부분이 존재한다(Zhang et al., 2019). 농업은 환경, 작물, 그리고 인간의 활동에 따라 지역마다 실제 피해 양상이 상이하다는 점을 고려할 때, 지역별 수문⋅기상학적 인자와 농경지 피해사례를 적용한 농업가뭄 평가를 진행할 필요가 있다(Deo et al., 2017).
국내에서는 가뭄의 피해사례를 파악하기 위해 2020년부터 매년 국가부처가 합동하여 작성된 공식적인 가뭄 보고서인 국가가뭄정보통계집(2018~2021년)을 발간하고 있다(Joint Ministries, 2020-2023). 해당 자료는 지역별 가뭄 현황 및 피해사례, 가뭄 발생 시의 대응 및 복구 방안에 대한 통계자료를 제공하고 있다. 그 중 농업가뭄 관련 통계자료는 지자체서 직접 조사하거나 농가로부터 신고받은 논⋅밭작물의 피해 면적인 논 물마름 발생 면적과 밭 시듦 발생 면적 자료로 구성되며, 이외 댐⋅농업용 저수지로부터의 농업용수 공급량 자료 등이 있다. 2018년 국가가뭄정보통계집에 따르면 전국 누적 강수량은 평년 수준보다 높은 106%를 기록하였으나, 가뭄에 의한 논 작물 피해는 2,514 ha, 밭 작물 피해는 20,255 ha만큼 발생하였다(Joint Ministries, 2020). 지역별로 피해를 나누어 분석한 결과, 전체 논 작물 피해면적의 73%는 인천광역시, 강원특별자치도, 충청남도 지역에서 집중적으로 발생하였고, 전체 밭 작물 피해면적의 75%는 강원특별자치도, 전라남도, 제주특별자치도에서 집중적으로 발생하였다. 이러한 현상은 지역별로 농업 환경과 수문⋅기상학적 인자의 결핍 수준에 따라 실제 농업가뭄의 피해 현황이 다르다는 것을 면밀히 보여주고 있다.
본 연구에서는 농업에 특화된 지역을 대상으로 수문⋅기상학적 인자(Hydro-Meteorological Index, HMI)와 농경지 피해면적 비율(Agricultural land Damage Percentage, ADP)의 관계를 평가하여 농업가뭄 발생 우려지역을 선정하는 방법론을 제안하고자 한다. 연구 대상지역은 전국의 시⋅군 단위 지역으로 선정하고, 2018년과 2019년의 국가가뭄정보통계집 및 기상청(KMA, 2024)과 국가통계포털(KOSIS, 2024a, 2024b)에서 제공하는 수문⋅기상학적 인자와 농업과 관련된 데이터를 활용하여 연구를 진행하였다. 먼저, 농업특화지역(Rural Specialization District, RSD)은 2개년(2018년, 2019년) 동안 전국 단위의 농업 지표를 토대로 주성분 분석을 활용하여 농업특화점수가 높은 지역으로 정의하였다. 다음, 국가가뭄정보통계집에 수록된 가뭄 피해사례를 기반으로 ADP와 HMI를 산출하였다. 두 인자의 관계성은 농업특화지역을 대상으로 한 매트릭스 분석을 통해 평가하였고, 실제 농경지 피해에 잠재적으로 미치는 영향이 큰 지역인 농업가뭄 발생 우려지역을 선정하였다.
2. 연구 대상지역 및 자료
연구 대상지역은 행정단위 구분 기준에 따라 특별⋅광역시를 포함한 162개의 시⋅군 단위 지역으로 선정하였다(Table 1). 본 연구에서는 연구 대상지역 중 농업특화지역(RSD)을 선정하기 위해 국가통계포털(KOSIS, 2024a, 2024b)에서 제공되는 2018년도의 인구 및 자연⋅지리적 특성 자료를 시⋅군 단위 지역으로 수집하였다. 인구 특성 자료는 시⋅군 단위 지역별 농가 수와 농업 종사자 수를 활용하였으며, 자연⋅지리적 특성 자료는 지역별 농경지 면적과 면적당(10 acres) 벼 생산량을 고려하였다. 농업 특성인자를 대표하는 4가지 인자는 단위와 범위의 차이를 왜곡하지 않고, 공통 척도로 비교하기 위해 최소⋅최대 정규화(Min-Max Scaling)를 적용하였다.
Table 1
The Number of Administrative Districts by Each Province used in this Study
Fig. 1은 2018년도 농업 특성인자에 대한 시⋅군 단위 지역별 분포도를 나타낸다. 이때, 농경지 면적은 충청남도, 전라남도, 제주특별자치도 지역에서 상대적으로 크게 나타났고, 국토 면적의 70% 이상이 산지로 구성된 강원특별자치도와 수도권 인근 지역인 경기도에서 상대적으로 작게 나타났다(Fig. 1(a)). 반면, 면적당 벼 생산량은 제주특별자치도를 제외하고 지역적으로 균등한 분포를 보였다(Fig. 1(b)). 농가 수와 농업 종사자 수는 지역적으로 유사한 분포도를 보였으며 경상북도, 경상남도, 제주특별자치도에서 상대적으로 크게 나타났다(Figs. 1(c) and (d)).
본 연구에서는 농업가뭄 발생 우려지역을 선정하기 위해 시⋅군 단위 지역의 실제 농업가뭄 피해 자료를 수집하고, 2종류의 HMI 자료를 구축하였다. 농업가뭄 피해 자료는 행정안전부에서 공인된 자료인 국가가뭄정보통계집을 활용하여 수집하였다. 국가가뭄정보통계집은 농업용수 부족으로 인한 논 물마름 발생 및 밭 시듦 발생 면적을 농업가뭄 피해로 정의하고 있다. 논 물마름은 영농기 논 담수를 위해 필요한 수량을 확보하지 못해 논에 물이 부족해지는 현상이며, 밭 시듦은 밭작물의 수분 부족으로 인한 현상이다. 본 연구는 지자체에서 조사한 논 물마름과 밭 시듦 면적에 대한 급수대책 면적을 합산하여 이를 전체 농경지 피해면적으로 산정하였다. 이후, ADP는 전체 농경지 피해면적을 지역별 총 농경지 면적으로 나누어 산출한 비율로 정의하였다. Fig. 2는 국가가뭄정보통계집을 바탕으로 구축한 지역별 ADP를 수치 범위에 따라 구분하여 나타낸 것이다. 2018년도에는 전체 연구 대상지역의 62.3%에 해당하는 지역에서 농업가뭄에 의한 농경지 피해가 발생했다. 그 중 인천광역시, 제주특별자치도, 강원특별자치도에서는 각각 850 ha, 8,649 ha, 5,159 ha 면적이 피해를 입었으며, 평균 ADP가 4% 이상 발생한 것으로 나타났다.
2019년도에는 2018년에 비해 농경지 가뭄 피해가 나타난 지역이 전체 대상지역의 8.6%로 현저하게 적게 나타났으며, 대부분의 농경지 피해가 충청남도 지역에서 집중적으로 발생하였다. 충청남도에서는 총 650 ha 면적이 피해를 입었으며, 대부분 지역에서 ADP가 4% 이하를 기록하였으나, 강원특별자치도 철원군과 충청남도 홍성군의 경우 ADP가 10% 이상으로 나타나 상대적으로 큰 피해 규모를 기록하였다.
마지막으로 본 연구에서 활용한 2종류의 HMI는 시⋅군 단위 지역별 평년대비 농업용 저수지 저수율(Agricultural Reservoir Storage Ratio Normals, ARN)과 평년대비 영농기(4~10월) 강수량(Agricultural Precipitation Normals, APN) 인자로 구성하였다(Fig. 3). ARN은 국가가뭄정보통계집에 제시된 월별 평년대비 농업용 저수지의 저수율에 대한 연 평균값을 산출하여 정의하였다. APN은 기상자료개방포털(https://data.kma.go.kr)에서 제공하는 종관기상관측장비(Automated Synoptic Observing System, ASOS) 자료의 영농기에 대한 누적 강수량을 산출한 후, 이를 강수량의 기후평년값으로 나눈 값을 의미한다. 이때, 기후평년값은 ‘0’으로 끝나는 해의 최근 30년간 기온, 강수량 등의 누년평균값을 의미하며, 세계기상기구(World Meteorological Organization) 표준에 따라 10년마다 산출된다. 본 연구에서는 1981년부터 2010년까지 강수량의 기후평년값을 활용하였다. ARN은 논 물마름과 밭 시듦이 발생하였을 때, 저수지로부터 공급받을 수 있는 용수량과 관련되어 있고, APN은 강수 부족에 따른 토양수분량 감소와 논의 담수 유지 능력 약화시킬 수 있다는 점에서 실제 농경지 피해와의 관계 분석에 활용되었다.
Fig. 3은 본 연구에서 구축한 2018년과 2019년의 APN과 ARN의 지역별 분포도를 나타낸 것이다. 연도에 따른 HMI의 차이는 ARN보다 APN에서 뚜렷한 경향을 나타냈으며, 특히 2019년의 경우 동해안과 남부지역을 제외한 대부분의 중부 및 내륙 지역에서 APN이 100% 이하를 보여 영농기 때의 강수 부족이 2018년도에 비해 극심하게 나타났음을 확인하였다. 반면 ARN은 APN과 유사하게 상대적으로 2019년에 저수율이 낮아진 지역 비율이 높게 나타났으나, 해안가 지역보다 중부와 내륙 지역에서 ARN이 상대적으로 높은 지역이 분포하고 있음을 확인하였다.
Fig. 4는 시⋅군 단위 영농기 누적 강수량을 계산하기 위해 본 연구에서 사용된 84개의 ASOS의 지점 위치를 나타낸 것이다. 본 연구는 다음과 같은 과정으로 ASOS의 지점 강수량 정보를 시⋅군 단위 지역에 대한 강수량 정보로 변환하였다: (1) ASOS가 위치한 시⋅군 단위 지역은 해당 ASOS 지점 자료를 활용하여 영농기 누적 강수량 자료로 지정하였다. (2) 같은 시⋅군 단위 지역에 2개 이상의 ASOS 지점이 있을 경우, 산술 평균을 통한 평균 영농기 누적 강수량 자료를 구축하였다. (3) ASOS가 포함되지 않은 지역은 강우 보간 방법을 활용하여 가장 인접한 3개의 ASOS 지점 자료의 산술 평균을 계산한 후, 평균 영농기 누적 강수량을 적용하였다(KWRA, 2009; Wagner et al., 2012).
3. 연구 방법론
본 연구에서는 연구 대상지역을 농업특화지역(RSD)으로 구분하고, RSD를 대상으로 농업가뭄 발생 우려지역을 선정하기 위해 ADP와 HMI의 간의 관계를 분석하는 방법론을 제안하였다. RSD를 선정하는 과정은 다음과 같다(Fig. 5(a)). (1) 구축된 4가지 농업 특성인자는 단위를 통일하기 위해 최소⋅최대 정규화를 적용하였다. (2) 정규화된 인자에 주성분 분석(Principal Component Analysis, PCA)을 적용하여 지역별 농업특화 정도를 반영하는 하나의 주성분 점수를 산출하였다. 이때, 산출한 주성분 점수는 농업특화점수로 정의하였다. (3) 농업특화점수가 상위 50% 이상인 지역은 RSD로 선정하였다.
Fig. 5
A Flowchart for Selecting the Agricultural Drought-Prone Regions; (a) Principal Component Analysis for Selecting Rural Specialization Districts and (b) Matrix Analysis for Classifying HMI and ADP Correlated Regions
선정된 RSD는 지역별 ADP와 HMI 간의 관계 분석을 통해 농업가뭄 발생 우려지역으로 구분될 수 있으며, 분석 방법은 다음과 같다(Fig. 5(b)). (1) HMI로 대표되는 ARN과 APN, 그리고 농업가뭄 인자로 대표되는 ADP 인자를 구축하고, z-score 정규화를 적용하였다. (2) ADP와 HMI 인자들의 평균값을 축으로 하는 4분면 매트릭스를 구성하였다. (3) 본 연구에서는 이후, RSD를 대상으로 매트릭스 분석(Matrix Analysis)을 적용하여 ADP와 HMI 인자 간의 관계를 분석하였고, 이를 토대로 농업가뭄 발생 우려지역을 선정하였다.
3.1 주성분 분석 기반 농업특화지역 구분
본 연구에서는 PCA를 통해 산출되는 주성분 점수를 활용하여 RSD를 구분하는 방법론을 제안하였다. PCA는 고차원의 인자에 가중치를 부여하여 저차원의 인자로 변환하는 통계적 분석 방법으로, 데이터의 차원을 축소하는 데 주로 활용되었다(Wold et al., 1987). PCA는 개별 인자 간의 상관 정도에 따라 그 고유 특성을 최대한으로 반영하기 위한 목적으로, 분산이 가장 크게 나타나는 하나의 종합 점수를 산출한다. 인자 간의 상관 정도는 공분산 행렬을 통해 계산할 수 있으며, 이를 통해 데이터의 공변 특성을 효과적으로 반영할 수 있다. 본 연구에서는 특이값 분해 방법을 통해 대각화된 공분산 행렬을 구하고, 이에 대한 특이벡터와 특이값을 산출하였다(Wall et al., 2003). 공분산 행렬의 특이벡터는 분산이 최대가 되도록 데이터 분포를 사상시킬 때 주축이 되는 벡터이며, 특이값이 가장 큰 경우의 주성분은 분산 값이 최대인 주성분 점수로 정의된다(Eq. (1)).
여기서, Y는 주성분 점수에 대한 행렬(m × n)을 의미하고 그 중 m은 대상지역 수, n은 선택된 주성분의 수로 본 연구에서는 하나의 주성분 점수를 산정하였다. V는 원본 데이터에 대한 행렬로 대상지역 수에 해당하는 행과 4가지 농업특성 인자에 해당하는 열로 구성된다. U는 원본 데이터의 변수가 주성분에 기여하는 정도를 나타내는 주성분 벡터 또는 고유 벡터를 의미한다. 이때, λ 는 각 주성분에 해당하는 고유값이며 위 행렬식은 원본 데이터(V)를 주성분 벡터(U)를 활용하여 주성분 점수(Y)를 산정하는 과정을 나타낸다.
PCA에 사용된 농업 특성인자는 최소⋅최대 정규화를 활용하여 데이터 전처리가 진행되었다. 정규화된 농업 특성인자는 특이값 분해를 통해 특성 인자를 특이벡터에 대해 사상시키고, 특이값의 최대값 크기만큼 조정하여 분산이 최대치가 되는 제 1주성분 점수인 농업특화점수를 산출하였다. 농업특화점수는 농업 특성인자의 선형 결합을 통해 농업 활동의 규모(농업 종사자 수, 농가 수, 농경지 면적)와 생산성(면적당 벼 생산량)을 종합적으로 고려하여 지역별로 비교할 수 있는 의미 있는 지표로 활용할 수 있다. 본 연구에서는 지역별 산출한 농업특화점수를 크기순으로 정렬하고, 상위 50% 이상의 지역은 농업에 특성화된 지역이라고 판단하여 이를 RSD로 선정하였다.
3.2 매트릭스 분석 기반 잠재적 농업가뭄 피해 영향도 산정
본 연구에서는 RSD를 대상으로 ADP와 HMI 인자 간의 잠재적 농업가뭄 피해 영향도를 분석하기 위해 매트릭스 분석을 기반의 방법론을 제안하였다(Mongkolsawat et al., 2001). Fig. 6은 2 × 2 형태의 4분면 매트릭스로 구성되어 있고, 4개의 개별 범주에 해당하는 임의의 지역을 점 A, B, C, D로 나타낸다. 매트릭스를 구분하는 기준은 ADP와 HMI를 z-score 방법을 통해 평균이 0, 분산이 1이 되도록 정규화하고, 각 데이터의 평균값을 기반으로 영역을 구분하였다. Fig. 6의 A 지역은 HMI가 평균치보다 낮고 ADP가 평균치보다 높게 발생한 경우로, HMI의 결핍으로 인해 농업가뭄 피해가 크게 발생한 지역 군집으로 정의하였다. Fig. 5의 C 지역은 HMI가 평균치보다 높고 ADP가 평균에 비해 작게 발생한 지역 군집에 해당하며, 이는 충분한 HMI 확보로 인해 농업가뭄 피해가 거의 발생하지 않은 지역임을 나타낸다. 이때, A와 C 영역에 해당하는 지역 군집은 상대적으로 HMI가 ADP 발생에 직⋅간접적 영향을 크게 미친 지역으로 보고, 이를 잠재적 피해 영향도가 큰 지역(High Relevance)으로 정의하였다. 반면, Fig. 6의 B와 D 지역은 각각 HMI와 ADP가 모두 평균보다 높게 나타나거나, HMI와 ADP가 평균보다 낮은 지역 군집을 의미한다. 이는 HMI가 ADP 발생에 미치는 영향이 상대적으로 작은 경우로 보고, 잠재적 피해 영향도가 작은 지역(Low Relevance)으로 정의하였다. 본 연구에서는 매트릭스 분석 내 A 지역에 해당하는 지역을 농업가뭄 발생 우려지역으로 선정하였으며, 이는 다른 지역들에 비해 HMI가 비교적 작으며, 그로 인해 농업피해인 ADP가 크게 발생한 지역을 뜻한다.
4. 적용 결과 및 토의
4.1 농업특화지역 선정 결과
본 절에서는 대한민국의 시⋅군 단위를 대상으로 RSD를 선정하기 위해 4가지 농업 특성인자에 대해 PCA를 적용하여 농업특화점수를 산출하였다. 농업특화점수는 최소 -3.53부터 최대 4.71까지로 나타났으며, 인자별 가중치는 농가 수(0.59), 농업 종사자 수(0.58), 농경지 면적(0.52), 벼 생산량(0.21) 순으로 높은 영향력을 보였다. 주성분 모델에 대한 적합성은 68.9%로 나타났으며, 이는 농업특화점수가 농업특화지역을 구분하기에 적합하다는 것을 의미한다. 농업특화점수가 큰 지역은 농업 특성인자가 종합적으로 큰 수치를 보인 지역을 의미한다.
Fig. 7은 연구 대상지역에 PCA를 적용하여 농업특화점수를 산출하고, RSD를 구분한 결과이다. 이때, Fig. 7(a)은 농업특화점수의 지역별 분포 정도를 보기 위해 국내 행정 시⋅군별로 산출된 값을 지도로 나타낸 것이다. Fig. 7(b)은 농업특화점수가 상위 50% 이상의 지역인 RSD와 50% 이하의 지역인 Non-RSD 지역으로 구분한 결과이다. 점수가 가장 높은 지역은 제주특별자치도 제주시로 나타났으며, 벼가 생산되지 않는 지역이나 과수원 등의 높은 농업 생산 규모를 보유하고 있음을 확인하였다(Park et al., 2018). 한편, 경기도 과천시는 농업특화점수가 가장 낮게 나타났으며, RSD로 선정된 지역에 대한 결과를 정리한 Table 2에 따르면 경기도 내 RSD로 선정된 시⋅군 비율은 강원특별자치도(11.1%) 다음으로 낮은 29.0%를 기록했다(Park and Lee, 2019; Piao et al., 2022). 이는 주거 지역의 주로 분포하는 경기도 지역과 국토의 81.6%가 임야로 구성된 강원특별자치도의 지리적⋅사회적 특성을 반영한 것으로 판단된다.
Table 2
Results of selected Rural Specialization Districts (RSD)
Table 2의 시⋅군 단위 대비 RSD의 비율은 제주특별자치도(100.0%), 충청남도(80.0%), 특별⋅광역시(75.0%), 전라북도(64.3%) 순으로 높게 나타났다. 전국을 기준으로 농경지 면적이 43.0%보다 높게 나타난 제주특별자치도, 충청남도, 전라북도와 달리 특별⋅광역시의 경우 상대적으로 인구가 밀집되어 있어 농가 수와 농업 종자 수가 다른 지역에 비해 비교적 크게 나타나면서 RSD가 높은 비율로 선정된 것으로 판단된다. 한편, 강원특별자치도(11.1%), 경기도(29.0%), 경상남도(50.0%)는 전국 평균 대비 농경지 면적이 19%보다 낮은 지역으로 나타났다.
4.2 농업특화지역 대상 잠재적 농업가뭄 피해 영향도 분석 결과
RSD를 대상으로 분석한 잠재적 농업가뭄 피해 영향도는 ADP와 HMI의 평균값을 이용하여 이들을 축으로 하는 4분면의 매트릭스를 구성하고, 지역별 위치를 산점도 그래프에 표시하여 결과를 도출하였다. Figs. 8(a), (b)는 각각 2018년도 자료 기준 APN과 ARN에 대한 매트릭스 형태를 구성한 결과를 나타낸다. 자세한 시⋅군 단위 명칭은 부록의 Tables 3, 4를 통해 확인할 수 있다. Fig. 8(a)에 따르면 (I) 영역은 APN이 평균보다 낮고 ADP는 평균보다 높게 나타난 지역 군집을 포함하며, APN이 농업가뭄 피해에 미친 잠재적 영향도가 높고, 고위험군인 지역이 해당된다. (II) 영역은 APN이 평균보다 높고 ADP는 평균보다 낮게 나타난 영역으로, (I) 영역과 동일하게 APN이 농업가뭄 피해에 미친 잠재적 영향도는 높지만, 저위험군인 지역이 해당된다. (I) 영역은 총 9개의 지역으로 나타났고, 평균값을 기준으로 한 APN 부족량에 따른 ADP 규모가 가장 큰 지역은 강원특별자치도 원주시로 나타났다. (II) 영역은 총 26개 지역으로 나타났으며, 이 중에서 ADP가 상대적으로 가장 큰 지역은 전라북도 김제시로 나타났다. Figs. 8(c), (d)는 각각 2019년도 자료 기준 APN과 ARN에 대한 매트릭스 형태를 구성한 결과를 보여준다. (I) 영역에 해당하는 지역은 총 8개로, 충청남도 6개, 광역시 2개 지역이 해당된다. 그중 인천광역시는 다른 지역에 비해 상대적으로 ADP가 2배 이상 높게 나타났으며 APN과 ARN 모두 평균 이하를 기록하였다. (II) 영역에 포함된 지역 수는 총 50개로 나타났다.
Fig. 9는 매트릭스 분석을 통한 군집 분류에 따른 지역 분포도를 나타내었다. 2018년에 대한 군집 분류 결과에 따르면, APN이 평균 이하를 기록하여 고위험군으로 구분된 지역은 총 4개로, 이 중 강원특별자치도 원주시는 ADP가 가장 크게 발생하였다. 해당 지역은 2018년에 ARN이 126.3%, APN이 82.6%를 기록하여 상대적으로 강수량 부족에 의한 농업가뭄 피해가 발생할 위험이 높다고 판단된다. 반면 제주특별자치도 서귀포시, 충청북도 제천시, 전라북도 부안군은 ARN이 APN에 비해 상대적으로 낮게 나타났으며 이는 농업용 저수지 저수량 부족에 따른 농업가뭄 피해 발생 위험이 높은 지역들이다. 또한, APN과 ARN이 모두 부족한 수치를 기록하여 고위험군으로 구분된 지역 수가 2018년에 5개, 2019년에 6개에 이른다. 2019년에는 ARN보다 APN 부족에 따른 고위험군 지역 산출이 주로 이루어졌고, 상대적으로 ARN에 의한 잠재적 농업가뭄 피해 영향도가 낮게 나타났다. 국가가뭄정보통계집에 따르면 2018년 전국 단위의 APN이 부족하여 농업용수 확보를 위한 영농급수 마련 지원사업이 이루어졌으며, ARN으로 인한 피해 발생 위험도 저하로 이어졌을 것으로 예상된다. 또한, APN과 ARN 모두에 대하여 농업가뭄 잠재적 피해 영향도가 큰 지역들은 주로 해안가 지역에서 발생하였다. 본 연구는 농업가뭄 발생 우려지역을 APN과 ARN 모두에 대해 고위험군으로 분류된 지역 중 2018년과 2019년 자료에 대하여 공통적으로 존재하는 행정 시⋅군으로 정의하였다. 해당 조건을 만족하는 지역은 인천광역시, 충청남도 태안군, 충청남도 홍성군으로 나타났다.
5. 결 론
본 연구에서는 농업가뭄에 대해 직⋅간접적인 영향을 받을 수 있는 국내 행정구역인 RSD를 선정하고, 이를 대상으로 ADP와 HMI 간의 연관성을 매트릭스 구분을 통해 분석했다. RSD로 선정된 지역 수는 충청남도와 전라북도에서 높은 비율로 나타났다. 한국지방행정연구원에서는 효율적인 행정서비스 전달을 위하여 인구밀도와 접근성 등을 기반으로 지방자치단체를 도시⋅도농⋅농촌형 지역으로 구분하는 연구를 진행한 바 있다(KRILA, 2010). 해당 연구에서 도출된 농촌형 지역과 본 연구의 RSD를 비교한 결과, 인구밀도에 대한 절대값이 높은 지역들을 제외하고 서로 유사한 결과를 나타내고 있음을 확인하였다.
2018년에 비해 2019년에는 평균 이상의 HMI가 기록된 지역에서 실제 농업가뭄 피해가 발생하지 않아 ADP와 HMI 간의 연관성이 상대적으로 높게 나타남을 확인하였다. HMI를 ADP와 ARN으로 구분하여 ADP와의 관계성을 분석한 결과 APN 부족으로 인한 고위험군 지역이 ARN에 비해 상대적으로 많은 것으로 나타났다. 이를 통해 우리나라의 2018년과 2019년에 발생했던 실제 가뭄 피해는 강수량에 대한 잠재적 영향력이 높게 작용했을 것으로 판단된다. 본 연구에서 산정한 농업가뭄 발생 우려지역은 인천광역시, 충청남도 태안군, 충청남도 홍성군이며 해당 지역들은 HMI의 결핍으로 인한 농경지 피해가 발생할 가능성이 다른 지역에 비해 높은 것으로 나타났다. 국가가뭄정보통계집의 가뭄대응 보고에 따르면, 농경지 피해가 발생할 위험이 높은 농업가뭄 발생 우려지역을 대상으로 긴급용수원 개발과 사전 영농급수 확보를 통한 예방 대책 시행한다면 수원으로부터의 농업용수 공급 효율을 증가시켜, 가뭄 피해 규모를 줄일 수 있을 것으로 판단된다.
현재 국내 가뭄 현황 및 경향성에 대해 분석한 다양한 선행연구에서는 수문⋅기상 데이터(강수량, 기온, 토양 수분량)를 토대로 가뭄 추이를 분석하고 있다. 한편, 본 연구는 수문⋅기상 데이터가 실제 농경지에서 발생한 피해와 연계 및 연관되는 정도를 파악하고자 했다는 점에서 차별점이 존재한다. 이는 가뭄 피해 대응의 관점에서 수문⋅기상 모니터링의 중요성을 파악하고, 지역 및 환경에 따라 상이하게 나타나는 피해 양상을 확인할 수 있었다는 점에서 의의가 있다. 다만 본 연구에서 활용한 농경지 피해 사례의 경우 국가가뭄정보통계집 내에 실제 피해가 기록되어 있는 2018년과 2019년 자료에 국한되어 있으며, 사용된 농업가뭄 피해자료가 자연적⋅인위적 요인에 의해 피해가 해소된 지역에 대해서는 통계 자료로 반영되지 못할 수 있다는 한계점이 존재한다. 또한, 피해 연관성 분석을 위해 사용된 평년대비 영농기 강수량과 농업용 저수지 저수율 외에 지역 특성을 반영하거나 가뭄과 관련된 다양한 수문⋅기상 인자를 추가적으로 고려할 수 있다. 추후 연구에서는 농업가뭄 피해와 관련된 추가 자료를 확보하고 농업가뭄 분석에 자주 활용되는 토양수분량, 식생인자 등과 같은 인자를 활용하여 농업가뭄 피해와 HMI 간의 잠재적 영향 관계를 모색하고자 한다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
