결론

각종 자연재해에 대한 예방 및 대응 체계가 미흡한 상태에서는 천재와 인재가 혼 합되어 국가·사회적 피해가 확대될 수 있으므로 자연재해에 대한 적극적인 대응 이 필요하다. 특히 우리나라에 큰 피해를 입힌 자연재해 상위그룹에 속하는 태풍 의 경우, 기후변화가 가속화되면서 서태평양 지역에서 태풍의 발생 빈도는 줄어들 지만, 강도는 강해질 것으로 전망되고 있어 더욱 적극적인 예방 및 대응체계 마련 이 요구된다.

2016년 태풍 ‘차바’로 인한 피해가 크게 발생했을 적에 한 언론사에서는 늑장 경 보, 대응 시스템 미비, 재난 컨트롤타워의 부재 등 정부의 재난대응 문제가 여전히 해소되지 않았음을 지적하였다. 다른 언론사에서는 우리에게 닥치는 자연재해의 양상이 바뀌고 있음에 주목하기도 했다. 역대로 큰 피해를 안겨준 태풍이었던 1959 년의 ‘사라’와 2003년의 ‘매미’가 모두 가을 태풍이었는데, 공교롭게도 ‘차바’ 역시

‘이례적인 가을 태풍’이었다. 가을 태풍이 더 위험하다는 것은 경험으로 알고 있다.

기상청이 2020년 전면실시를 계획하고 있는 영향예보는 국민의 안전과 행복을 위해 같은 날씨에서도 때와 장소에 따라 다르게 나타나는 사회·경제적 영향에 대해 과학적인 자료를 바탕으로 상세한 기상정보와 함께 전달하는 예보서비스이다. 영 향예보의 예측 정확도가 낮더라도 그 영향이 클 것으로 예상되면 미리 정보를 전달 하여 재해에 대비할 수 있도록 한다는 점에서 적극적인 예방 및 대응 체계 마련에

18　Advanced Circulation Model

19　Finite Volume Community Ocean Model 20　Surge Prediction and Analysis System

“

정 책 초 점

•KISTI 재난대응 의사결정지원시스템(K-DMSS) 소개•

기상청과 KISTI가 협력한다면 태풍 영향예보의

안정화가 촉진될 것

”

기여하는 바가 클 것으로 기대된다. 또한, 2016년에 시범서비스를 실시한 태풍 영 향예보도 향후 정확도가 향상되고 예보가 안정화된다면, 태풍 위험으로부터 안전 한 대한민국을 만드는 데 일조할 것으로 기대된다.

극한기상현상이 초래하는 재난에 효과적으로 대응하기 위해서 자연현상을 이해 하고 미래를 예측하여 영향을 분석할 수 있는 과학기술 역량뿐만 아니라 각종 데이 터를 수집하고 분석하여 가치 있는 정보를 신속하게 생산할 수 있는 정보통신기술 활용 역량도 중요하다. K-DMSS는 과학기술과 정보통신기술이 융합된 시스템이다.

기상청 태풍 영향예보의 잠재 피해 위험 예상이 범람과 침수를 대상으로 하고 있 다는 점에서, K-DMSS를 구성하는 HPC 기반 고해상도 풍수해 통합예측 시스템과 빅데이터 분석플랫폼 기반 재난피해예측 시스템이 목표로 하는 자연재해 유형과 영향 분석 내용은 매우 유사하다. 기상청이 보유한 기상기술 및 예보경험과 KISTI 가 보유한 과학기술 및 정보통신기술을 공유하고 협력을 추진한다면 태풍 영향예 보의 안정화가 더욱 빨라질 수 있을 뿐만 아니라, 세계 최고 수준의 태풍 영향예보 를 실현할 것으로 기대된다.

참고문헌

기상청, 2016: 기상기술정책, 9(1), 74pp.

KIS 한국신용평가, 2016: KIS 신용카드 분석보고서, 40pp.

일본 국토교통성 하천국, 2005: 치수 경제 조사 매뉴얼.

한국은행경제통계시스템: http://ecos.bok.or.kr/

황선영, 이형민, 한정선, 2009: GIS 활용 증대를 위한 블록의 구성과 활용방안에 관한 연구 -삼성생명 사례를 중심으로-, 한국GIS학회학술대회논문집, 259-261.

Barbieri, D., Braga, D., and Ceri, S. , 2010: Deductive and Inductive Stream Reasoning for Semantic Social Media Analytics, IEEE Intelligent Systems, 25, 32-41.

Davis, C., Wang, W., Chen, S. S., Chen, Y., Corbosiero, K., DeMaria, M., Dudhia, J., Holland, G., Klemp. J., Michalakes, J., Reeves, H., Rotunno, R., Snyder, C., and Xia, Q., 2008:

Prediction of Landfalling Hurricanes with the Advanced Hurricane WRF Model, Mon.

Wea. Rev., 136, 1990-2005.

Hunt, B. R., Kostelich, E. J., Szunyogh, I., 2007: Efficient data assimilation for spatiotemporal chaos: A local ensemble transform Kalman filter, Physica D, 230, 112-126.

Lotter, W., Kreiman, G., and Cox, D., 2017: Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning, Center for Brains Minds and Machines, 18pp.

Racah, E., Beckham, C., Maharaj, T., and Pal, C., 2017: Semi-Supervised Detection of Extreme Weather Events in Large Climate Datasets, ICLR.

Tiedtke, M., 1989: A Comprehensive Mass Flux Scheme for Cumulus Parameterization in Large-Scale Models, Mon. Wea. Rev., 117, 1779-1800.

Zhang, C., Wang, Y., and Hamilton, K., 2011: Improved Representation of Boundary Layer Clouds over the Southeast Pacific in ARW-WRF Using a Modified Tiedtke Cumulus Parameterization scheme, Mon. Wea. Rev., 139, 3489-3513.