분위사상법을 적용한 기후변화에 따른 시군별 홍수 취약성 평가

(1)

저작자표시 2.0 대한민국

이용자는 아래의 조건을 따르는 경우에 한하여 자유롭게

l

이 저작물을 복제

,

배포

,

전송

,

전시

,

공연 및 방송할 수 있습니다

. l

이차적 저작물을 작성할 수 있습니다

. l

이 저작물을 영리 목적으로 이용할 수 있습니다

.

다음과 같은 조건을 따라야 합니다:

l

귀하는

,

이 저작물의 재이용이나 배포의 경우

,

이 저작물에 적용된 이용허락조건

을 명확하게 나타내어야 합니다

. l

저작권자로부터 별도의 허가를 받으면 이러한 조건들은 적용되지 않습니다

.

저작권법에 따른 이용자의 권리는 위의 내용에 의하여 영향을 받지 않습니다.

이것은

이용허락규약

(Legal Code)

을 이해하기 쉽게 요약한 것입니다

. Disclaimer

저작자표시

.

귀하는 원저작자를 표시하여야 합니다

.

(2)

공 학 석 사 학 위 논 문

분위사상법을 적용한 기후변화에 따른

시군별 홍수 취약성 평가

Flood Vulnerability Based on

Bias-Corrected RCP Scenarios

at a Si-Gun Level

2013년 2월

서 울 대 학 교 대 학 원

생태조경․지역시스템 공학부

지 역 시 스 템 공 학 전 공

박

지

훈

(3)

분위사상법을 적용한 기후변화에 따른

시군별 홍수 취약성 평가

Flood Vulnerability Based on

Bias-Corrected RCP Scenarios

at a Si-Gun Level

지도교수 강 문 성

이 논문을 공학석사 학위논문으로 제출함

2013년 2월

서울대학교 대학원

생태조경․지역시스템공학부 지역시스템공학전공

박 지 훈

박 지 훈의 공학석사 학위논문을 인준함.

2013년 2월

위 원 장 ___________________(인)

부위원장 ___________________(인)

위

원 ___________________(인)

(4)

국 문 초 록

기후변화에 관한 정부간 협의체 (Intergovernmental Panel on

Climate Change)에 따르면 기후변화는 명백히 발생하고 있으며, 최근에

들어서는 홍수나 폭풍에 의한 기상재해의 발현빈도가 급격히 증가하고

있다. 우리나라도 집중호우 발생빈도가 증가하고 있으며 이로 인해 홍

수피해가 급증하였다.

기후변화로 인해 발생하는 피해를 최소화하기 위해서는 적응대책이

필요하며 우리나라도 녹색성장 기본법 시행에 따른 국가기후변화적응대

책 (2011 ∼ 2015)을 수립하여 국가차원의 적응대책을 마련하였다. 기

후변화 적응대책을 수립하기 위해서는 기후변화에 따른 지역별 취약성

평가 (Vulnerability assessment)를 수행하여 지역별 객관적인 기준을

제시할 필요가 있다.

본 연구에서는 IPCC에서 새롭게 선정한 표준 온실가스 시나리오인

대표농도경로 (Representative Concentration Pathways)를 이용하여 하

향식 평가 방법으로 산정한 지역기후변화 시나리오를 선정하였다. 지역

기후변화 시나리오에 내재되어 있는 편의를 감소시키기 위해 분위사상

법 (Quantile mapping)으로 편의보정을 실시하였고, 대리변수를 활용하

여 상향식 평가 방법으로 홍수 취약성 평가를 수행하였다.

본 연구의 결과 과거 1990s 기간 동안의 홍수 취약성 지수는 경기도,

강원도를 포함하는 중부지방과 남해안 인근에서 전반적으로 높은 것으

로 산정되었다. 미래 2025s, 2055s, 2085s 기간 동안 RCP4.5 시나리오에

따른 홍수 취약성 지수는 경기도에서 시간이 지남에 따라 높은 취약성

지수를 가지는 지역이 증가하는 것으로 나타나며, 강원도 영서지방, 충

청남도 인근, 부산광역시, 제주특별자치도 서귀포시는 미래 기간 동안

지속적으로 높은 홍수 취약성 지수를 유지하였다. RCP8.5 시나리오에

따른 홍수 취약성 지수는 남해안 인근에서 시간이 지남에 따라 높은 취

(5)

취약성 지수를 유지하였다.

과거 1990s 기간과 미래 2025s, 2055s, 2085s 기간의 RCP4.5 시나리

오에 따른 홍수 취약성 지수를 시도별로 산정한 평균 지수는 0.45, 0.52,

0.59, 0.63으로 전반적으로 꾸준히 증가하는 경향을 보이며, RCP8.5 시

나리오에 따른 평균 지수는 0.45, 0.59, 0.48, 0.71으로 2055s 기간에 소

폭 감소한 후 다시 증가하는 경향을 나타냈다. 편의보정을 실시한 RCP

시나리오에 따른 홍수 취약성 평가를 실시한 결과, 1990s 기간을 기준

으로 전체 지역에 대한 미래의 홍수 취약성이 RCP8.5 시나리오에서

더 높은 것으로 나타났다.

기후변화에 따른 홍수피해에 대한 취약성을 평가하고 전망함으로써

추후 발생할 수 있는 홍수피해의 규모를 최소화하고, 국가차원 적응 정

책의 기초 자료로 활용될 수 있을 것으로 사료된다.

주요어 : 기후변화, 대표농도경로, 홍수, 분위사상법, 취약성 평가

학 번 : 2011 - 21271

(6)

목

차

국 문 초 록 ···ⅰ

목

차 ···ⅲ

List of Tables ···ⅴ

List of Figures ···ⅶ

제 1 장 서

론 ···1

제 2 장 연 구 사 ···3

2.1 온실가스 배출시나리오 ···3

2.2 편의보정 ···4

2.3 홍수 취약성 평가 ···4

제 3 장 연 구 방 법 ···6

3.1 RCP 시나리오 ···7

3.2 편의보정 ···9

3.2.1 분위사상법 ···10

3.2.2 GEV 분포 ···11

3.3 홍수 취약성 평가 ···12

3.3.1 홍수 취약성 지표 선정 ···12

3.3.2 홍수 취약성 지표 표준화 ···14

3.3.3 홍수 취약성 지표 가중치 산정 ···14

(7)

3.3.5 홍수 취약성 지수 도시화 ···17

제 4 장 대상지역 및 자료구축 ···18

4.1 대상지역 ···18

4.2 강수량 편의보정 ···19

4.3 홍수 취약성 지표 구축 ···23

4.3.1 기후노출 지표 ···23

4.3.2 민감도 지표 ···27

4.3.3 적응능력 지표 ···28

제 5 장 홍수 취약성 평가 ···30

5.1 과거 홍수 취약성 평가 ···30

5.1.1 주성분분석 ···30

5.1.2 기후노출, 민감도, 적응능력 지수 산정 ···31

5.1.3 홍수 취약성 지수 평가 ···34

5.2 미래 홍수 취약성 평가 ···35

5.2.1 기후노출, 민감도, 적응능력 지수 산정 ···35

5.2.2 미래 홍수 취약성 지수 평가 ···43

제 6 장 요약 및 결론 ···54

참 고 문 헌 ···57

부

록 ···63

Abstract ···79

(8)

List of Tables

Table 2.1 Greenhouse gas emission scenarios ···3

Table 3.1 Types of representative concentration pathways ··· 9

Table 3.2 Proxy variables for climate exposure, sensitivity, and

adaptive capacity ···13

Table 3.3 Comparison of normalization methods ···14

Table 3.4 Classifications of flood vulnerability index ···17

Table 4.1 Precipitation before and after bias correction over the past

30 years (1976 ∼ 2005) for the different weather stations ···20

Table 4.2 Climate exposure indicators for 1990s ···23

Table 4.3 Climate exposure indicators for 2025s based on RCP4.5

scenario ···24

Table 4.4 Climate exposure indicators for 2055s based on RCP4.5

scenario ···24

Table 4.5 Climate exposure indicators for 2085s based on RCP4.5

scenario ···25

Table 4.6 Climate exposure indicators for 2025s based on RCP8.5

scenario ···25

Table 4.7 Climate exposure indicators for 2055s based on RCP8.5

scenario ···26

Table 4.8 Climate exposure indicators for 2085s based on RCP8.5

scenario ···26

Table 4.9 Sensitivity indicators for 1990s ···27

Table 4.10 Sensitivity indicators for 2025s ···28

Table 4.11 Sensitivity indicators for 2055s ···28

(9)

Table 4.14 Adaptive capacity indicators for 2025s ···29

Table 4.15 Adaptive capacity indicators for 2055s ···29

Table 4.16 Adaptive capacity indicators for 2085s ···29

Table 5.1 Factor loadings of climate exposure for 1990s ···30

Table 5.2 Flood vulnerability index based on RCP4.5 scenario ··· 45

(10)

List of Figures

Fig. 2.1 Concept of vulnerability ···4

Fig. 3.1 Procedure of flood vulnerability assessment ···7

Fig. 3.2 Approaches to the development of global scenarios ···8

Fig. 3.3 Flow chart of the bias correction procedure ··· 10

Fig. 3.4 Schematics of a quantile mapping ···11

Fig. 3.5 Procedure for analysis of flood vulnerability index ···16

Fig. 4.1 Administration map of study sites ···18

Fig. 4.2 Variability of annual precipitation over the past 30 years (1976

∼ 2005) ···21

Fig. 4.3 Comparison of observed and bias corrected precipitation for the

six selected weather stations ···22

Fig. 5.1 Factor loadings of climate exposure for 1990s ···31

Fig. 5.2 Climate exposure index for 1990s ···32

Fig. 5.3 Sensitivity index for 1990s ···33

Fig. 5.4 Adaptive capacity index for 1990s ···33

Fig. 5.5 Flood vulnerability for 1990s ···34

Fig. 5.6 Future climate exposure index based on RCP4.5 scenario ··· 36

Fig. 5.7 Future climate exposure index based on RCP8.5 scenario ··· 38

Fig. 5.8 Future sensitivity index ···39

Fig. 5.9 Future adaptive capacity index ···40

Fig. 5.10 Climate exposure index based on RCP4.5 scenario ···41

Fig. 5.11 Climate exposure index based on RCP8.5 scenario ···42

Fig. 5.12 Sensitivity index ···42

Fig. 5.13 Adaptive capacity index ···43

(11)

Fig. 5.16 Flood vulnerability based on RCP4.5 scenario ···48

Fig. 5.17 Flood vulnerability based on RCP8.5 scenario ···49

Fig. 5.18 Increase of flood vulnerability based on RCP4.5 scenario ··· 50

Fig. 5.19 Increase of flood vulnerability based on RCP8.5 scenario ··· 51

Fig. 5.20 Increase of flood vulnerability based on RCP4.5 scenario (1990s

baseline) ···52

Fig. 5.21 Increase of flood vulnerability based on RCP8.5 scenario (1990s

baseline) ···53

(12)

제 1 장 서

론

기후변화에 관한 정부간 협의체 (Intergovernmental Panel on

Climate Change, IPCC)는 제4차 평가보고서에서 인간의 무분별한 활동

으로 기후변화는 명백히 발생하고 있으며 이로 인해 자연 및 인간 시스

템이 영향을 받고 있음을 명시하였다 (IPCC, 2007). 지난 1906 ∼ 2005

년 동안 전 지구의 평균온도는 약 0.74℃ 상승하였으며, 근래 들어서는

홍수나 폭풍에 의한 기상재해의 발생빈도가 급격히 증가하는 것으로 나

타났다 (환경부, 2012; UNISDR, 2012).

우리나라의 온도도 1912 ∼ 2010년 동안 0.18℃/10년의 속도로, 강수

량은 21 mm/10년의 추세로 증가한 것으로 나타나 기후변화의 영향을

받고 있음을 알 수 있다 (국립기상연구소, 2011). 우리나라의 1일 동안

100 mm 이상의 집중호우가 발생한 빈도를 살펴보면 1992 ∼ 2001년

동안 총 325회로 1970 ∼ 1980년대의 220회에 비해 1.5배가 증가하였으

며 이러한 강우강도의 증가는 홍수피해 규모를 급증시켰다 (국토해양

부, 2012).

기후변화로 인한 영향을 최소화하기 위해서는 대응조치가 필요하다.

IPCC (2007)는 기후변화 대응조치를 기후변화의 원인인 온실가스 배출

을 감축하는 완화와, 자연, 인위적 시스템 조절을 통해 피해를 완화시키

거나 더 나아가 유익한 기회로 촉진시키는 적응으로 구분하였으며 이

중 적응에 대한 중요성을 권고하였다. 우리나라도 기후변화에 적응하기

위한 정책으로 녹색성장 기본법 시행에 따른 국가기후변화적응대책

(2011 ∼ 2015)을 수립하여 국가차원의 적응대책을 마련하였다 (환경부,

2012).

기후변화 적응대책을 수립하기 위해서는 기후변화에 따른 취약성 평

가 (Vulnerability assessment)를 수반해야 한다. 기후변화에서 사용하

는 취약성은 노출, 결과, 적응능력 통합한 개념으로 완화와 적응대책을

(13)

적응능력을 강화시키는 것을 뜻한다 (Füssel and Klein, 2006; 환경부,

2012). 취약성을 평가하는 방법으로는 전지구 기후 시나리오를 이용하

는 하향식 평가 방법 (Top-down approach)과 지역의 지표 및 적응능

력을 강조하는 대리변수 (Proxy variable)를 이용하는 상향식 평가방법

(Bottom-up approach)이 있다.

취약성은 지역에 따라 다르게 나타나므로 지역별로 특성을 파악하여

어느 지역과 부문이 기후변화에 취약한지 파악해야한다. 이를 위해서는

취약성을 지역별로 비교 평가해서 객관적인 기준을 제시할 필요가 있

다.

최근 들어 급증하는 홍수피해에 대한 지역별 취약성 평가를 실시하

여 이에 적합한 적응정책을 수립해야하나, 홍수피해에 초점을 맞춘 전

국 시군에 대한 취약성 평가는 아직 미흡한 실정이다.

홍수 취약성 평가에는 IPCC에서 새롭게 선정한 표준 온실가스 시나

리오인 대표농도경로 (Representative Concentration Pathways, RCP)를

이용하여 국립기상연구소에서 하향식 평가 방법으로 산정한 지역기후변

화 시나리오가 우선적으로 적용된다. 이 후 지역기후변화 시나리오에

대해 분위사상법 (Quantile mapping)을 이용한 편의보정을 실시하여 모

의자료에 내재되어 있는 편의를 감소시킨 다음, 대리변수를 활

용하는

상향식 평가 방법으로 홍수 취약성 평가를 수행할 필요가 있다.

본 연구의 목적은 편의보정을 실시한 RCP 기반 지역기후변화 시나리

오에 따른 시군별 취약성 평가를 수행하여 미래에 증가하는 홍수피해에

대해 우선적으로 적응 노력이 필요한 지역을 파악하여 국가 차원에서의

홍수 적응정책 수립 시에 적합한 기준을 제시하는데 있다.

(14)

제 2 장 연 구 사

2.1 온실가스 배출시나리오

미래 기후를 예측하기 위해서는 향후 발생가능 한 온실가능 배출량을

가정한 시나리오를 선정하는 것이 필요하며, 이 온실가스 배출시나리오

를 기후모형에 입력하여 미래 기후를 모의한다 (유승환, 2009). 대표적

인 온실가스 배출시나리오에는 20세기 기후를 모의하는 20C3M, 인구,

경제, 기술에 관한 영향을 고려한 SRES (Special Report on Emissions

Scenarios, SRES), RCP 등이 있다. Table 2.1에 IPCC에서 사용하는 대

표적인 온실가스 배출시나리오를 정리하였다.

Scenarios

Description

SRES

Scenarios considering factors such as population,

economy, and technology

PICTL

Experiments run with constant pre-industrial

levels of greenhouse gasses

20C3M

Experiments run with greenhouse gasses

increasing as observed through the 20th century

COMMIT

An idealised scenario in which the atmospheric

burdens of long-lived greenhouse gasses are held

fixed at AD2000 levels

1PTO2X

(1% to double)

Experiments run with greenhouse gasses

increasing from pre-industrial levels at a rate of

1% per year until the concentration has

1PTO4X

(15)

2.2 편의보정

강부식과 문수진 (2011)은 과거 1995 ∼ 2008년 동안의 월별 강우 및

온도 자료를 분위사상법을 적용하여 보정한 후 가뭄전망을 수행하였다.

김병식 등 (2008)은 과거 1980 ∼ 2000년 동안의 일강우 자료를 분위사

상법을 이용하여 편의를 보정한 다음 구형펄스 모형과 분해기법을 적용

하여 시강우 자료를 모의하였다. Gudmundsson 등 (2012)은 지역기후모

델 강우자료를 분위사상법을 적용하여 편의를 보정한 바 있으며,

Hashino 등 (2007)은 앙상블 하천유량 자료에 대한 편의보정 방법을 평

가하였다.

2.3 홍수 취약성 평가

IPCC (2007)는 기후변화 취약성을 기후변동에 따른 시스템의 노출이

라는 외부적인 요인과 이러한 외부요인에 대한 민감도, 적응능력이라는

내부적인 요인을 포함하는 개념으로 정의하였다 (Fig. 2.1).

Fig. 2.1 Concept of vulnerability (IPCC, 2007)

국립방재연구원 (2011)은 홍수 취약성과 홍수피해저감지수에 대한 개

념을 정립하고 낙동강 유역에 적용하여 홍수피해저감지수를 개발 및 검

증하였다. 고재경 (2009)은 경기도 지역을 대상으로 기후변화 취약성

(16)

평가를 실시하여 경기도 31개 시군별 홍수, 가뭄, 해수면 상승 등에 대

한 상대적인 취약성을 평가하였다. Brooks 등 (2005)은 문헌조사와 전

문가 판단을 통해 평가 지표를 선정하고 국가 수준의 취약성을 분석하

였다. Moss 등 (2001)은 인구당 GDP, 출생률 등의 지표를 이용해서 전

세계 국가별 기후변화 취약성을 비교하는 연구를 수행하였다.

(17)

제 3 장 연 구 방 법

본 연구에서는 홍수 취약성 평가를 하기 위해 하향식 평가방법과 상

향식 평가방법을 절충한 방법론을 사용하였다. 미래 기후자료의 도출을

위해서 하향식 평가방법을 사용하였고, 기후노출, 민감도, 적응능력 항

목에 대한 대리변수를 산정하는 상향식 평가방법으로 취약성을 평가하

였다. 미래 기후자료는 기상청에서 제공하는 국가표준 기후변화 시나리

오인 RCP 시나리오를 사용하였다. 국립기상연구소는 RCP 시나리오를

전지구 기후모형인 HadGEM2-AO 모형에 입력하여 약 135 km 해상도

를 가지는 전지구 기후변화 시나리오를 산출한 다음 이 값을 지역기후

모형 (Regional Climate Model, RCM)인 HadGEM3-RA 모형에 입력하

여 12.5 km 해상도를 가지는 지역기후변화 시나리오를 산출하였다 (국

립기상연구소, 2011). 지역기후변화 시나리오를 이용해서 우리나라의 시

군별 강수자료를 수득하였고 분위사상법을 이용하여 강수자료의 편의보

정을 실시하였다. 편의보정을 실시한 강수자료를 이용하여 기후노출 지

표를 산정하였고, 민감도 및 적응능력 지표는 통계청 및 국가수자원관

리종합정보시스템에서 제공하는 통계자료를 이용하여 산정하였다. 각

지표의 공간적 범위는 시군별로 설정하였고, 시간적 범위는 과거 30년

1개의 기간 (1990s: 1976 ∼ 2005), 미래 30년씩 3개의 기간 (2025s:

2011 ∼ 2040, 2055s: 2041 ∼ 2070, 2085s: 2071 ∼ 2100)으로 나누어

분석하였다. 홍수 취약성 지수를 구하기 위해 기후노출, 민감도, 적응능

력 각각의 지표에 대해 표준화 (Normalization)를 실시하고 과거 자료

의 주성분분석 (Principal Component Analysis, PCA)을 통해 가중치를

산정하였다. 여기에서 얻은 가중치를 미래 30년 3개의 기간에 적용하여

홍수 취약성 지수를 산정하였다. Fig. 3.1은 본 연구의 전체적인 순서도

를 보여주고 있다.

(18)

Fig. 3.1 Procedure of flood vulnerability assessment

* RCM: Regional Climate Model

* RCP: Representative Concentration Pathways

3.1 RCP 시나리오

기후변화에

관한

정부간

협의체는

제5차

평가보고서

(Fifth

Assessment Report, AR5) 발간을 위해 RCP 시나리오를 새로운 표준

온실가스 시나리오로 선정하였다. 기존의 제4차 평가보고서 (Fourth

Assessment Report, AR4)에서 사용한 SRES 온실가스 배출 시나리오

와는 달리 인간 활동이 지구시스템에 영향을 미치는 대표농도경로인 온

실가스를 먼저 결정하고 기후변화 시나리오, 배출량 및 사회경제 시나

리오, 영향, 적응, 취약성 연구를 동시에 산출할 수 있도록 병행적인 방

법을 취한다. Fig. 3.2는 온실가스 배출 시나리오의 순차적, 병행적 방법

을 나타내고 있다.

(19)

(a) Sequential approach

(b) Parallel approach

Fig. 3.2 Approaches to the development of global scenarios: (a)

previous sequential approach; (b) proposed parallel approach.

Numbers indicate analytical steps (2a and 2b proceed concurrently).

Arrows indicate transfers of information (solid), selection of RCPs

(dashed), and integration of information and feedbacks (dotted)

(Moss et al., 2008)

RCP 시나리오는 모두 4종으로 현재 추세로 온실가스가 배출되는

RCP8.5, 인간 활동에 의한 영향을 지구 스스로 회복할 수 있는

RCP2.6, 온실가스 저감 정책이 상당히 실현되는 RCP4.5, 온실가스 저

감 정책이 어느 정도 실현되는 RCP6.0로 구성된다 (국립기상연구소,

2011). Table 3.1은 RCP 시나리오 종류, 복사강제력, 농도를 나타내고

있다.

(20)

Name

Radiative Forcing

1)

_{Concentration}

2)

Pathway

shape

RCP8.5

> 8.5 W/m

2

_{in 2,100}

> ∼1,370

CO

2

-eq in 2,100

Rising

RCP6

∼6 W/m

2

_at

stabilization

after 2,100

∼850 CO

2

-eq

(at stabilization

after 2,100)

Stabilization

without

overshoot

RCP4.5

∼4.5 W/m

2

_at

stabilization

after 2,100

∼650 CO

2

-eq

(at stabilization

after 2,100)

Stabilization

without

overshoot

RCP3-PD

3)

peak at ∼3W/m

2

before

2,100 and then

decline

peak at ∼490

CO

2

-eq before

2,100 and then

decline

Peak and

decline

1) Approximate radiative forcing levels were defined as ±5% of the stated level in

W/m2_{. Radiative forcing values include the net effect of all anthropogenic GHGs and}

other forcing agents.

2) Approximate CO2 equivalent (CO2-eq) concentrations. The CO2-eq concentrations

were calculated with the simple formula Conc = 278 * exp(forcing/5.325). Note that the

best estimate of CO2-eq concentration in 2005 for long-lived GHGs only is about 455

ppm, while the corresponding value including the net effect of all anthropogenic forcing agents (consistent with the table)

would be 375 ppm CO2-eq

3) PD: peak and decline

Table 3.1 Types of representative concentration pathways

(Moss et al., 2008)

3.2 편의보정

Fig. 3.3은 편의보정의 전체적인 과정을 나타내고 있다. 과거 1990s

기간 동안 3시간 누적 강수량이 0.1 mm 이상인 사상을 대상으로 하여

모의치와 관측치를 분위사상법을 이용하여 편의보정하였다. 확률분포형

은 GEV (Generalized Extreme Value, GEV)분포를 선정하였으며, 정상

(21)

하였다. 과거 1990s 기간 동안의 모의치와 관측치의 편의보정을 통해

얻은 매개변수를 미래 2025s, 2055s, 2085s 기간에 적용하여 미래 강수

량을 편의보정하였다 (박지훈 등, 2012).

Fig. 3.3 Flow chart of the bias correction procedure

(Park et al., 2012)

* RCM: Regional Climate Model

* RCP: Representative Concentration Pathways * GEV: Generalized Extreme Value

* Sim.: Simulated * Obs.: Observed

3.2.1 분위사상법

분위사상법은 관측치와 모의치의 경험적인 확률분포를 이용하여 모의

치를 누적확률분포를 관측치의 누적확률분포에 사상시키는 방법으로 식

3-1로 나타낼 수 있다 (Hashino et al., 2007).

(22)



_





_ 





_





_



_(3-1)



_

_{는 j기간동안의 관측치의 누적확률분포,}



_

_{는 j기간 동안의 모의}

치의 누적확률분포를 의미한다. 모의치의 특정자료에 대한 누적확률값

을 구한 다음 이 값을 관측치의 누적확률분포 역함수을 이용하여 관측

치에 사상시킨다 (박지훈 등, 2012) (Fig. 3.4).

Fig. 3.4 Schematics of a quantile mapping

(Park et al., 2012)

* CDF: Cumulative Distribution Function

3.2.2 GEV 분포

분위사상법을 적용하기 위해서는 강수자료에 적합한 누적확률분포를

선정해야한다. 본 연구에서는 상위 꼬리부분의 면적이 커서 극한사상의

비초과확률을 구하는데 적절한 GEV 분포를 선정하였다 (성장현 등,

2012). GEV 분포의 누적분포함수는 식 3-2로 정의할 수 있다

(Stedinger et al., 1993).



 









exp   

  

_



 

  ≠

exp exp

  

_

   









(3-2)

(23)

 







 

  

_





   log









  ≠

  log log



   







 

(3-3)



_,



_,



_{는 위치 (location), 규모 (scale), 형상 (shape) 매개변수를}

의미한다. GEV 분포는 이 3개의 매개변수가 결합된 분포형태로 나타나

며, 형상매개변수인



_{값에 따라 극치 Type Ⅰ (}



_{=0), Type Ⅱ (}



_<0),

Type Ⅲ (



_{>0)로 구분할 수 있다 (Stedinger et al., 1993).}

3.3 홍수 취약성 평가

3.3.1 홍수 취약성 지표 선정

홍수 취약성을 평가하기 위한 지표로 기후노출, 민감도, 적응능력 각

각에 대한 대리변수를 선정하였다. 기후노출 항목은 기후변화에 인해

발생하는 영향을 대표하며, 민감도는 기후노출의 정도를 나타내고, 적응

능력은 기후변화에 따른 영향을 감소시킬 수 있는 정도를 대표한다. 문

헌연구를 통해 기존에 정의된 대리변수 중 홍수 취약성에 적합한 대리

변수를 각각 정의하였다. Table 3.2는 기후노출, 민감도, 적응능력에 해

당되는 세부 대리변수를 나타내고 있다.

(24)

Index

Indicator

Description

Reference

Climate

exposure

CN80

Number of days > 80 mm

(day)

(Koh, 2009)

CX3h

Maximum precipitation during

3-hr (mm)

CX24h

Maximum precipitation during

24-hr (mm)

(ME, 2012)

CP24h200y

Maximum probable

precipitation

(24-hr duration, 200-year

frequency) (mm)

C90th

90th percentile of rainy day

amounts (mm/day)

(CRU, 2005)

CSDI

Simple daily intensity

(mm/day)

CX5d

Greatest 5-day total rainfall

(mm)

CPL90th

% of total rainfall >

long-term 90th percentile of

rainy days (%)

CNL90th

Number of days > long-term

90th percentile of rainy days

(day)

Sensitivity

SWF

Wastewater flowrate (m

3

_/day)

(ME, 2012)

SRL

Road length (km)

SPD

Population density

(person/km

2

₎

(NDMI,

2011)

Adaptive

capacity

ARS

River improvement Rate (%)

(ME, 2012)

AGRDP

Gross Regional Domestic

Product (one million won)

Table 3.2 Proxy variables for climate exposure, sensitivity, and

adaptive capacity

(25)

3.3.2 홍수 취약성 지표 표준화

기후노출, 민감도, 적응능력에서 선정한 대리변수는 다양한 범위와 단

위를 나타낸다. 대리변수의 단위와 산포도가 다르기 때문에 일관된 취

약성 평가를 실시하기 위해서는 대리변수 표준화를 실시할 필요가 있

다. 대표적인 표준화방법을 Table 3.3에 정리하였다.

Normalization

Description

Ranking

Rank indicators

Z-score

Normalize indicators to μ = 0, σ = 1

Re-scaling

Normalize indicators to have the same range

Table 3.3 Comparison of normalization methods

본 연구에서는 가장 보편적으로 사용하고 있는 Z-score 방법을 이용

하여 표준화를 실시하였다. Z-score 방법은 모든 자료의 평균은 0, 표

준편차는 1이 되도록 변화하는 방법으로 자료의 수치를 표준화된 확률

변수인 Z값으로 나타낸다 (식 3-4).



_{   }



 



  





(3-4)

3.3.3 홍수 취약성 지표 가중치 산정

기후노출, 민감도, 적응능력에서 선정한 대리변수를 종합적으로 판단

하기 위해서 각각의 지표를 대표할 수 있는 종합적인 지표를 산정할 필

요가 있다. 서로 상관이 있는 다변량 자료의 경우에는 종합적인 지표를

산정하는 과정에서 복잡한 분석이 필요하다. 주성분분석은 이렇게 서로

상관관계가 있는 자료를 선형결합을 통해 체계적으로 요약하여 복합지

표를 생성하는 다변량 분석방법이다. 주성분분석의 종류에는 자료를 표

(26)

준화하지 않고 원자료에 대해 주성분분석을 수행하는 방법과 표준화한

자료에 대해 주성분분석을 수행하는 방법이 있으며 본 연구에서는 표준

화한 자료에 대해 주성분분석을 실시하였다. 주성분분석의 방법을 간단

히 요약하여 식 3-5에 나타내었다.

       ⋯

(3-5)

  

_{는 변량을 뜻하며,}

  ⋯

_는





 



_{ }



_{⋯ }

를 만족하는

계수이다.



_{는 합성변량으로 주성분 (Principal component)이라하며 합}

성변량



_{의 분산인}



_

_{가 최대로 하는 계수}

  ⋯

_{를 구한다.}

과거 30년 동안의 기후노출, 민감도, 적응능력의 지표에 대해 각각 주

성분분석을 수행하여 주성분점수를 산정한 다음 이 과정에서 얻은 성분

행렬을 세부지표의 가중치로 선정하여 미래 지표에 일괄적으로 적용하

였다. 주성분분석을 수행하는 프로그램으로 IBM SPSS Statistics 20을

사용하였다.

3.3.4 홍수 취약성 지수 산정

Fig. 3.5는 홍수 취약성 지수를 산정하는 과정을 나타낸다. 기후노출,

민감도, 적응능력 각각의 지표에 대해 표준화를 실시하고 통합하여 세

부지수를 도출한다. 세부지수를 도출한 다음 IPCC (2007)에서 제안하는

취약성 개념을 이용하여 홍수 취약성 지수를 산정한다.

(27)

Fig. 3.5 Procedure for analysis of flood vulnerability index

홍수 취약성 지수는 IPCC (2007)에서 정의하는 취약성 개념을 이용

하여 식 3-9와 같이 산정하였다. 식 3-6 ∼ 식 3-8에 주성분분석으로

산정한 성분 부하량 (Factor loading)을 가중치(



_

 

_

 

_

_{)로 입력하여 기}

후노출, 민감도, 적응능력 지수를 구하였다. 최종적으로 기후노출과 민

감도 지수를 더한 값에 적응능력 지수를 제하여 홍수 취약성 지수를 산

정하였다.



 exp    

_

× 

_

 

_

× 

_

⋯

_(3-6)



    

_

× 

_

 

_

× 

_

⋯

_(3-7)



     

_

× 

_

 

_

× 

_

⋯

_(3-8)

(28)



 

 



 exp  



  



  

(3-9)



_,



_,



_{는 각 지수에 대한 가중치로 본 연구에서는 모두}

      

_{로 동일하게 설정하여 산정하였다.}

3.3.5 홍수 취약성 지수 도시화

홍수 취약성 지수의 공간적인 분포특성을 지리정보분석 도구인

ArcGIS 9.3를 사용하여 분석하였다. 최종적으로 산출한 홍수 취약성

지수를 도시화하고, 6분위로 나누어 표현하였다. Table 3.4는 분위수에

따른 홍수 취약성 지수의 범위를 정의하고 있다.

Quantile

Classifications

1

st

_S.

_{Least vulnerable}

2

nd

_S.

_{Less vulnerable}

3

rd

_S.

Moderate

4

th

_S.

5

th

_S.

_{More vulnerable}

6

th

_S.

_{Most vulnerable}

* S.: Sextile

Table 3.4 Classifications of flood vulnerability

index

(29)

제 4 장 대상지역 및 자료구축

4.1 대상지역

연구의 공간적 범위는 전국 169개 시군을 대상으로 하며 Fig. 4.1에

나타내었다. 기후노출 지표는 각각의 시군 안에 포함되어 있는 12.5 km

의 격자 자료를 산술평균하여 산출하였고, 민감도, 적응능력 지표는 시

군 대푯값을 사용하였다.

Fig. 4.1 Administration map of study

sites

연구의 시간적 범위는 과거 1990년대 (1976 ∼ 2005, 1990s), 미래

2025년대 (2011 ∼ 2040, 2025s), 2055년대 (2041 ∼ 2070, 2055s), 2085

년대 (2071 ∼ 2100, 2085s) 총 4기간을 선정하였다.

(30)

4.2 강수량 편의보정

Table 4.1은 과거 1990s 기간 동안의 관측소별 관측치와 지역기후변

화 시나리오 모의치의 편의보정을 실시한 결과를 나타내고 있다. 3시간

단위를 가지는 강수량 자료를 월별평균값으로 정리한 다음 연평균강수

량으로 나타내었다. 관측치의 연평균강수량은 최소 1,023.8 mm (구미)

∼ 최대 1,530.2 mm (마산)의 범위를 나타낸다. 편의보정 전후의 과거

지역기후변화 시나리오 모의치의 연평균강수량은 최소 930.7 mm (강

화) ∼ 최대 1,264.9 mm (장흥)의 범위에서 최소 1,037.7 mm (구미) ∼

최대 1,566.9 mm (마산)로 증가하였다 (박지훈 등, 2012).

Fig. 4.2는 과거 1990s 기간 동안의 관측치와 편의보정 전후의 과거

지역기후변화 모의치의 변화추이를 중앙값, 최댓값, 최솟값, 사분위값을

이용하여 나타내고 있다. 과거 지역기후변화 모의치의 연평균강수량은

1,109.7 mm에서 1,287.7 mm 로 편의보정 전에 비해 전체적으로 평균

16.3% 증가하였다 (박지훈 등, 2012).

(31)

Weather

Station

Normal Annual Precipitation (1976 ∼ 2005)

Obs.

Historical

(mm)

Sim.

Historical

(mm)

Bias

Corrected

Sim.

Historical

(mm)

Increase

Ratio

(%)

Cheorwon (95)

1,345.5

1,080.4

1,350.6

25.0 Chuncheon (101)

1,266.3

1,107.2

1,250.4

12.9 Seoul (108)

1,363.4

1,068.6

1,363.8

27.6 Suwon (119)

1,242.9

1,048.7

1,221.1

16.4 Chungju (127)

1,198.5

1,165.6

1,211.2

3.9 Daejeon (133)

1,338.8

1,082.3

1,334.4

23.3 Gunsan (140)

1,166.8

1,049.1

1,190.4

13.5 Daegu (143)

1,035.9

978.5 1,055.2

7.8 Jeonju (146)

1,267.0

1,191.0

1,279.2

7.4 Masan (155)

1,530.2

1,166.4

1,566.9

34.3 Gwangju (156)

1,352.1

1,264.3

1,363.3

7.8 Ganghwa (201)

1,296.0

930.7 1,306.3

40.4 Yangpyeong

(202)

1,341.9

1,177.0

1,354.7

15.1 Icheon (203)

1,305.8

1,158.9

1,318.6

13.8 Boeun (226)

1,279.6

1,068.9

1,279.8

19.7 Buyeo (236)

1,315.8

1,133.0

1,324.2

16.9 Geumsan (238)

1,258.2

1,065.6

1,267.5

19.0 Jeongeup (245)

1,246.6

1,119.1

1,254.0

12.1 Jangheung (260)

1,444.9

1,264.9

1,425.6

12.7 Gumi (279)

1,023.8

1,074.3

1,037.7

-3.4

Average

1,281.0

1,109.7

1,287.7

16.3 Maximum

1,530.2

1,264.9

1,566.9

40.4 Minimum

1,023.8

930.7 1,037.7

-3.4

* Sim.: Simulated * Obs.: Observed

Table 4.1 Precipitation before and after bias correction over the

past 30 years (1976 ∼ 2005) for the different weather stations

(number in () represents weather station number) (Park et al., 2012)

(32)

Fig. 4.2 Variability of annual precipitation over the

past 30 years (1976 ∼ 2005) (Park et al., 2012)

* Sim.: Simulated * Obs.: Observed * Q.: Quartile

Fig. 4.3은 과거 1990s 기간 동안의 대표 관측소 6지점을 선정하여 관

측소별 관측치와 편의보정후의 지역기후변화 시나리오 모의치의 상관관

계를 결정계수를 이용하여 보여주고 있다. 3시간 단위로 편의보정한 결

과를 월별평균값으로 정리하여 평가한 결과 결정계수가 모두 0.95 이상

으로 높은 상관관계를 가지는 것으로 나타났다. 이는 편의보정을 수행

한 모의치가 관측치의 경향성을 보다 정확하게 반영함을 의미한다.

(33)

(a) Seoul (108)

(b) Suwon (119)

(c) Chuncheon (101)

(d) Daejeon (133)

(e) Gwangju (156)

(f) Masan (155)

Fig. 4.3 Comparison of observed and bias corrected precipitation

for the six selected weather stations (number in () represents

weather station number) (Park et al., 2012)

(34)

4.3 홍수 취약성 지표 구축

4.3.1 기후노출 지표

홍수 취약성 평가를 하기 위해 시군별로 극한사상을 대표할 수 있는

지표를 산정하여 기후노출 지표로 나타내었다. 3시간 단위로 모두 산정

한 다음 각 기간에 맞추어 시군별로 정리하였다. Table 4.2 ∼ Table

4.8에 기후노출 지표를 30년 평균값, 표준편차, 최댓값, 최솟값으로 정리

하여 과거 1개의 기간, 시나리오별 미래 3개의 기간으로 나타내었다.

Indicator

Average

STDEV

Maximum

Minimum

CN80

1.7

0.5

3.4

0.5 CX3h

47.8

9.7

87

32.1 CX24h

133.3

19.1

238.6

94.4 CP24h200y

578.7

398.5 3,769.2

189.9 C90th

32.3

6.4

49

18.1 CSDI

10.9

2.5

18.5

6.2 CX5d

219.9

31.4

315.2

151.8 CPL90th

47.2

6.8

59.3

34.8 CNL90th

11.7

3.3

20.1

5.9

* CN80, CX3h, CX24h, CP24h200y, C90th, CSDI, CX5d, CPL90th, ,CNL90th: Refer to Table 3.2

(35)

Indicator

Average

STDEV

Maximum

Minimum

CN80

2.1

0.7

4.5

0.7 CX3h

64.1

15.4

123.6

36.4 CX24h

167.1

30.2

276.5

110.3 CP24h200y

1,031.6

532.6 3,204.7

294.5 C90th

35.4

7.1

50.9

18.8 CSDI

12

2.7

19.5

6.3 CX5d

255.4

49.6

369.8

159.3 CPL90th

48.1

6.7

60.3

35.5 CNL90th

11.8

3.3

19.6

5.9 Table 4.3 Climate exposure indicators for 2025s based on RCP4.5

scenario

Indicator

Average

STDEV

Maximum

Minimum

CN80

2.3

0.8

4.5

0.9 CX3h

71.2

18

123

40.6 CX24h

182.7

36

294.2

121.8 CP24h200y

1,274.6

652 2,998.6

282 C90th

36.6

7.6

55.1

19.6 CSDI

12.6

2.9

20.3

6.6 CX5d

284.8

48.7

431.8

179.2 CPL90th

48.2

6.4

59.4

35.5 CNL90th

11.8

3.2

19.1

6 Table 4.4 Climate exposure indicators for 2055s based on RCP4.5

scenario

(36)

Indicator

Average

STDEV

Maximum

Minimum

CN80

2.8

0.9

5.7

1 CX3h

83.5

22.8

149.3

38 CX24h

210.3

52.1

383.9

113.5 CP24h200y

1,543.9

872.3 5,126.1

307.6 C90th

39

8

55.8

20.2 CSDI

13.7

3.1

20.8

7.5 CX5d

337.9

76.6

544.7

200.1 CPL90th

48.4

6.3

60.1

35.6 CNL90th

11.9

3.1

19.1

6.3 Table 4.5 Climate exposure indicators for 2085s based on RCP4.5

scenario

Indicator

Average

STDEV

Maximum

Minimum

CN80

1.9

0.7

4.6

0.6 CX3h

57.8

13.2

92.9

30.5 CX24h

154.3

29.2

238.3

90.5 CP24h200y

929.3

514 3,011.7

171.8 C90th

33.3

6.2

48.9

18.8 CSDI

11.7

2.6

18.9

6.5 CX5d

240

43.9

356.7

161.1 CPL90th

46.6

6.2

58.7

35.1 CNL90th

11.7

3.2

19.3

6

* CN80, CX3h, CX24h, CP24h200y, C90th, CSDI, CX5d, CPL90th, ,CNL90th: Refer to

Table 4.6 Climate exposure indicators for 2025s based on RCP8.5

scenario

(37)

Indicator

Average

STDEV

Maximum

Minimum

CN80

2.8

1

6.2

0.9 CX3h

81.5

19.5

142.6

39.9 CX24h

204.9

43.6

330.8

111.5 CP24h200y

1,481.9

776.1 4,150.2

248.9 C90th

37.9

7.7

56.6

19.5 CSDI

13.4

3.1

22.4

6.5 CX5d

315.9

59.5

477.9

155.5 CPL90th

48.6

6

59.6

36.1 CNL90th

12.1

3.3

19

6.3 Table 4.7 Climate exposure indicators for 2055s based on RCP8.5

scenario

Indicator

Average

STDEV

Maximum

Minimum

CN80

2.7

1

6.3

0.9 CX3h

95.5

24.8

185.3

43.7 CX24h

227.7

62.3

456.3

119.7 CP24h200y

1,756

928.3 5,328

431.6 C90th

37.8

7.5

57.6

20.4 CSDI

13.8

3.4

23.2

7 CX5d

314.7

84.3

622.7

166.7 CPL90th

49.5

6.1

61

35.7 CNL90th

11.9

3.3

18.8

6 Table 4.8 Climate exposure indicators for 2085s based on RCP8.5

scenario

(38)

4.3.2 민감도 지표

홍수 취약성 평가를 하기 위해 민감도를 대표할 수 있는 지표를 산정

하여 Table 4.9 ∼ Table 4.12에 나타내었다. 민감도 지표를 30년 평균

값, 표준편차, 최댓값, 최솟값으로 정리하여 과거 1개의 기간, 시나리오

별 미래 3개의 기간으로 나타내었다.

인구밀도의 미래 지표를 나타내기 위해서 통계청에서 코호트요인법

(Cohort components method)을 이용하여 산출한 인구성장률을 사용하

여 산정하였다. 코호트요인법은 인구의 출생, 사망, 국제이동의 장래 변

동수준에 대한 가정을 바탕으로 하여 추계의 시발점이 되는 성 · 연령

별 기준인구에 출산과 국제순이동은 더하고, 사망은 제하는 인구균형방

정식(Demographic balancing equation)을 사용하여 인구를 산출하는 방

법이다 (통계청, 2011). 인구성장률을 산정하기 위해 사용한 인구균형방

정식을 식 4-1에 나타내었다.



_





_{  }





_{  }





_{  }





_{  }

_(4-1)

이 식에서



_

_는



_{년 인구,}



_{  }

_는

  

_{출생아수,}



_{   }

_는

  

_{사망자수,}



_{   }

_는

  

_{국제순이동자수를 의미한다.}

하수발생량은 인구수에 비례하므로 인구성장률을 이용하여 하수발생

량의 미래 지표를 산정하였다.

Indicator

Average

STDEV

Maximum

Minimum

SPD

1,082.7

2,496.2

16,941.6

19.7 SWF

99,847.5

389,277.6

4,863,475.0

2,630.9

SRL

585.5

744.2 8,045.9

9.1

(39)

Indicator

Average

STDEV

Maximum

Minimum

SPD

1,190.2

2,767.5

18,895.7

20.5 SWF

104,151.8

392,773.8

4,916,138.4

2,688.0

SRL

585.5

744.2 8,045.90

9.1

* SPD, SWF, SRL: Refer to Table 3.2

Table 4.10 Sensitivity indicators for 2025s

Indicator

Average

STDEV

Maximum

Minimum

SPD

1,035.7

2,286.9

15,813.2

22.4 SWF

89,024.9

293,089.0

3,665,365.7

2,692.3

SRL

585.5

744.2 8,045.90

9.1 Table 4.11 Sensitivity indicators for 2055s

Indicator

Average

STDEV

Maximum

Minimum

SPD

672.79527

1,264.2735

7,508.8

26 SWF

64,032.3

128,840.1

1,492,000.8

970.4 SRL

585.5

744.2 8,045.90

9.1 Table 4.12 Sensitivity indicators for 2085s

4.3.3 적응능력 지표

홍수 취약성 평가를 하기 위해 적응능력을 대표할 수 있는 지표를 산

정하여 Table 4.13 ∼ Table 4.16에 나타내었다. 적응능력 지표를 30년

평균값, 표준편차, 최댓값, 최솟값으로 정리하여 과거 1개의 기간, 시나

리오별 미래 3개의 기간으로 나타내었다. 지역내총생산의 미래 지표는

인구성장률을 이용하여 산정하였다.

(40)

Indicator

Average

STDEV

Maximum

Minimum

ARS

61

12

83

20 AGRDP

6,184,587

20,497,324

248,383,240

146,088

* ARS, AGRDP: Refer to Table 3.2

Table 4.13 Adaptive capacity indicators for 1990s

Indicator

Average

STDEV

Maximum

Minimum

ARS

61

12

83

20 AGRDP

6,479,138

20,629,500

249,051,719

144,931

Table 4.14 Adaptive capacity indicators for 2025s

Indicator

Average

STDEV

Maximum

Minimum

ARS

61

12

83

20 AGRDP

5,587,955

15,386,109

185,687,536

146,442

Table 4.15 Adaptive capacity indicators for 2055s

Indicator

Average

STDEV

Maximum

Minimum

ARS

61

12

83

20 AGRDP

4,293,625

7,757,819

75,584,805

81,789

(41)

제 5 장 홍수 취약성 평가

5.1 과거 홍수 취약성 평가

5.1.1 주성분분석

기후노출 지표들의 가중치를 산정하기 위해 과거 지표들에 대한 주성

분분석을 수행하여 성분 부하량을 산정하였다. Table 5.1은 1990s 기간

동안의 기후노출 지표에 대한 주성분분석을 실시한 결과이다. 분산 설

명량은 제 1 주성분이 39.8%, 제 2 주성분이 36.8%, 제 3 주성분이

17.4%로 제 1 주성분과 제 2 주성분이 대부분의 지표를 대표하는 것으

로 나타났다. Table 5.1을 살펴보면 각각의 주성분에서 큰 성분 부하

량이 다름을 알 수 있으며 그 분포 특성을 Fig. 5.1에 도시화하였다. 제

1 주성분에서는 C90th, CSDI가 큰 성분 부하량을 가지는 주요 지표로

나타났으며, 제 2 주성분에서는 CX24h, CX3h, CX5d 등이 주요 지표로,

제 3 주성분에서는 CN80 등이 주요 지표로 산출되었다.

Indicator

1

st

_Principal

component

analysis

2

nd

_Principal

component

analysis

3

rd

_Principal

component

analysis

CN80

0.2384

0.53364

0.7815

CX3h

0.03209

0.84386

-0.4319

CX24h

0.20128

0.95839

-0.0984

CP24h200y

0.18214

0.6417

-0.6854

C90th

0.96214

-0.0212

0.19015

CSDI

0.97978

-0.0971

-0.0066

CX5d

0.39415

0.79147

0.3626

CPL90th

-0.7759

0.50751

0.33169

CNL90th

-0.899

0.29674

0.09989

(42)

(a) 1

st

_{Principal component}

analysis

(b) 2

nd

_{Principal component}

analysis

(c) 3

rd

_{Principal component analysis}

Fig. 5.1 Factor loadings of climate exposure for 1990s

1990s 기간 동안의 기후노출 지표들의 주성분분석을 실시하여 산출한

성분 부하량을 미래 2025s, 2055s, 2085s 기간에 각각 적용하여 지수를

산정하였다.

5.1.2 기후노출, 민감도, 적응능력 지수 산정

(43)

으로 낮게 산정되었다. 지역별로 살펴보면, 경기도는 CX5d 지표가 기간

평균에 비해 10.0%, 강원도는 CP24h200y, C90th, CSDI 지표가 기간 평

균에 비해 각각 50.2%, 35.6%, 45.9%, 서울특별시는 CN80, C90th,

CSDI 지표가 기간 평균에 비해 각각 52.9%, 36.8%, 42.2% 크게 산정되

어 높은 기후노출 지수를 나타내는 것으로 사료된다.

민감도 지수는 서울특별시, 제주특별자치도 제주시, 경상북도 울산광

역시에서 해안선을 따라 부산특별시까지 높게 산정된 것을 제외하고는

전반적으로 고른 분포를 보였다.

적응능력 지수는 경기도, 강원도 영동지방, 경상북도 상주시 인근 높

게 산정되었으며, 전라북도가 상대적으로 낮게 산정되었다.

Fig. 5.2 Climate exposure index for

1990s

(44)

Fig. 5.3 Sensitivity index for 1990s

(45)

5.1.3 홍수 취약성 지수 평가

Fig. 5.5는 1990s 기간 동안의 시군별 홍수 취약성 지수 평가 결과를

보여주고 있다. 전반적으로 중부지방과 남해안 인근이 홍수 취약성이

높은 것으로 나타났다. 시군별로 살펴보면 서울특별시, 경기도, 강원도

영서지방, 대전광역시 인근, 경상남도 하동군 인근, 부산특별시의 홍수

취약성이 높게 산정되었고, 상대적으로 경상북도, 전라남도 나주 인근의

홍수 취약성이 낮은 것으로 나타났다. 서울특별시, 경기도, 강원도 영서

지방은 높은 기후노출 지수의 영향을 받아 홍수 취약성도 높게 산정된

것으로 보이며, 부산특별시 인근은 높은 민감도 지수의 영향을 받아 홍

수 취약성이 높게 산정된 것으로 사료된다. 강원도 영동지방은 높은 기

후노출 지수를 가지나 높은 적응능력 지수로 인해 일부지역의 상쇄효과

가 나타난 것으로 보인다.

(46)

5.2 미래 홍수 취약성 평가

5.2.1 기후노출, 민감도, 적응능력 지수 산정

Fig. 5.6은 미래 2025s, 2055s, 2085s 기간 동안의 RCP4.5 시나리오에

따른 기후노출 지수를 시군별로 산정한 결과를 보여주고 있다. 기간별

로 살펴보면 2055s 기간에 들어서면서 경기도 북부 지역과 강원도 영서

지역 일부의 기후노출 지수가 증가하였고, 2085s 기간에 들어서면서 강

원도 영동지방의 기후노출 지수는 일부 감소하고 경기도와 충정북도 인

근 지역의 기후노출 지수는 산발적으로 증가하였다. 시간이 경과함에

따라 전체적으로 점차 높은 기후노출 지수를 보이는 지역이 증가함을

알 수 있다. 제주특별자치도 서귀포시는 높은 기후노출 지수를, 경상북

도는 낮은 기후노출 지수를 유지하였다. 강원도의 미래 2025s, 2055s,

2085s 기간 동안 CX3h 지표가 61.4 mm, 71.1 mm, 69.5 mm 의 변화경

향을 나타내고, CP24200y 지표가 1036.1 mm, 1071.3 mm, 1042.6 mm로

나타났다. 이러한 경향이 2055s 기간에 강원도의 기후노출 지수가 증가

후 2085s 기간에 감소하는데 영향을 미쳤을 것이라 사료된다. 경기도는

미래 2025s, 2055s, 2085s 기간 동안 CX5d 지표가 286.8 mm, 307.2

mm, 381.2 mm 로 지속적으로 증가하여 기후노출 지수 변화에 반영되

었다고 사료된다. 충청남도는 미래 2025s, 2055s, 2085s 기간 동안

CX5d 지표가 292.7 mm, 307.4 mm, 417.8 mm로 지속적으로 증가하는

경향성이 기후노출 지수 변화에 반영되었다고 사료된다.

(47)

(a) 2025s

(b) 2055s

(c) 2085s

Fig. 5.6 Future climate exposure index based on RCP4.5 scenario

Fig. 5.7은 미래 2025s, 2055s, 2085s 기간 동안의 RCP8.5 시나리오에

따른 기후노출 지수를 시군별로 산정한 결과를 보여주고 있다. 기간별

로 살펴보면 2055s 기간에 들어서면서 경기도 동부 지역과 충청북도 충

주의 기후노출 지수가 증가하였고, 2085s 기간에 들어서면서 강원도 영

(48)

동지방의 기후노출 지수는 일부 감소하고 경기도 화성시의 기후노출 지

수는 증가하였다. 경기도는 2055s기간에 가장 높은 기후노출 지수를 보

인 후에 2085s기간에 들어서는 감소하였고, 경상북도는 시간이 지남에

따라 점차 낮은 기후노출 지수를 가지는 지역이 증가하는 것을 알 수

있다. 강원도의 미래 2025s, 2055s, 2085s 기간 동안 지표 변화를 살펴

보면 CX5d 지표는 245.4 mm, 309.4 mm, 300.8 mm값을 나타냈다.

CX5d 지표가 2085s 기간에 소폭 감소하여 강원도 기출노출 지수를 감

소시킨 것으로 사료된다. 경기도는 미래 2025s, 2055s, 2085s 기간 동안

CX5d 지표는 272.5 mm, 350.1 mm, 377.7 mm, CX24h 지표는 167.8

mm, 223.8 mm, 267.5 mm 로 두 지표 모두 2055s 기간에 크게 증가하

는 것으로 나타났다. 이러한 경향이 2055s 기간에 경기도에 기후노출

지수가 크게 증가하는데 반영되었다고 사료된다.

(49)

(a) 2025s

(b) 2055s

(c) 2085s

Fig. 5.7 Future climate exposure index based on RCP8.5 scenario

Fig. 5.8은 미래 2025s, 2055s, 2085s 기간 동안의 민감도 지수를 시군

별로 산정한 결과를 보여주고 있다. 결과를 살펴보면 민감도 지수는 시

간이 지남에 따라 큰 변화를 보이지 않는 것으로 나타났다. 지역적으로

서울특별시 인근, 울산광역시에서 부산특별시까지의 해안지역이 지속적

(50)

으로 높은 민감도 지수를 유지함을 알 수 있다.

(a) 2025s

(b) 2055s

(c) 2085s

(51)

따라 큰 변화를 보이지 않는 것으로 나타났다. 지역적으로 인천광역시

에서 충청남도 태안으로 이어지는 해안지역, 강원도 영동지방, 경상북도

가 지속적으로 높은 적응능력 지수를 유지함을 알 수 있다.

(a) 2025s

(b) 2055s

(c) 2085s

(52)

Fig. 5.10은 과거 1990s와 미래 2025s, 2055s, 2085s 기간 동안의

RCP4.5 시나리오에 따른 기후노출 지수 변화를 시도별로 산정한 결과

를 보여주고 있다. 서울특별시, 경기도는 지속적으로 높은 기후노출 지

수를 유지하는 것으로 나타나며, 인천광역시, 부산광역시, 제주특별자치

도는 2055s 기간까지 기후노출 지수가 지속적으로 증가한 후 감소하는

경향을 보인다.

Fig. 5.10 Climate exposure index based on RCP4.5 scenario

Fig. 5.11은 과거 1990s와 미래 2025s, 2055s, 2085s 기간 동안의

RCP8.5 시나리오에 따른 기후노출 지수 변화를 시도별로 산정한 결과

를 보여주고 있다. 부산특별시는 2025s 기간에 기후노출 지수가 크게

증가하는 것으로 나타났고, 제주특별자치도는 2025s 기간에 크게 증가

후 감소했다가 다시 2085s 기간에 크게 증가하는 경향을 보였다. 서울

특별시, 경기도는 RCP4.5 시나리오와 비슷하게 지속적으로 높은 기후

노출 지수를 유지하였으나 2085s 기간에는 소폭 감소하였다.

(53)

Fig. 5.11 Climate exposure index based on RCP8.5 scenario

Fig. 5.12는 과거 1990s와 미래 2025s, 2055s, 2085s 기간 동안의 민감

도 지수 변화를 시도별로 산정한 결과를 보여주고 있다. 서울특별시는

높은 민감도 지수를 지속적으로 유지하였고, 광역시를 제외한 도별로

살펴보면 큰 변화가 없는 것으로 나타났다.

(54)

Fig. 5.13은 과거 1990s와 미래 2025s, 2055s, 2085s 기간 동안의 적응

능력 지수 변화를 시도별로 산정한 결과를 보여주고 있다. 서울특별시

는 2055s 기간까지 높은 민감도 지수를 지속적으로 유지한 후 2085s 기

간에 소폭 감속하는 것으로 나타났다. 부산광역시, 광주광역시, 울산광

역시와 충청북도를 제외하면 큰 변화가 없는 것으로 나타났다.

Fig. 5.13 Adaptive capacity index

5.2.2 미래 홍수 취약성 지수 평가

Fig. 5.14는 미래 2025s, 2055s, 2085s 기간 동안의 RCP4.5 시나리오

에 따른 시군별 홍수 취약성 지수 평가 결과를 나타내고 있다. 시간이

지나면서 경기도에 높은 홍수 취약성 지수를 가지는 지역이 증가함을

알 수 있다. 강원도 영서지방, 충청남도 인근, 부산광역시, 제주특별자치

도 서귀포시는 지속적으로 높은 홍수 취약성 지수가 높게 산정되었고,

경상북도 지역은 대체적으로 낮은 홍수 취약성 지수를 나타내었다. 강

원도 영동지역은 높은 기후노출 지수를 보이나 적응능력 지수가 높게

유지함에 따라 상쇄효과가 발생한 것으로 사료된다. 경상북도는 기후노

(55)

은 홍수 취약성 지수를 보이는 것으로 사료된다.

(a) 2025s

(b) 2055s

(c) 2085s

Fig. 5.14 Flood vulnerability based on RCP4.5 scenario

Table 5.2는 과거 1990s 기간과 미래 2025s, 2055s, 2085s 기간의

RCP4.5 시나리오에 따른 홍수 취약성 지수를 시도별로 산정한 결과를

(56)

나타내고 있다. 지수의 범위는 –5.00 ∼ 5.00의 값을 가지며, 기간별 평

균 지수는 0.45, 0.52, 0.59, 0.63으로 전반적으로 꾸준히 증가하는 경향

을 나타내고 있다.

Location

1990s

RCP4.5 scenario

2025s

2055s

2085s

Seoul

3.13

3.17

2.91

4.16 Inchon

1.10

1.34

2.24

1.88 Daejeon

1.97

1.74

1.62

1.88 Gwangju

-0.45

-0.23

-0.50

-0.30

Ulsan

-0.51

-0.18

-0.13

-0.22

Busan

1.12

1.50

1.95

1.54 Gyeonggi

0.94

0.96

1.07 Gangwon

0.56

0.02

0.10 -0.23

Chungcheongbuk

0.37

0.36 -0.02

0.52 Chungcheongnam

0.41

0.31

0.44

0.19 Jeollabuk

0.01

0.13

0.39

0.51 Jeollanam

-1.00

-0.42

-0.72

-0.50

Gyeongsangbuk

-1.79

-1.94

-1.91

-2.02

Gyeongsangnam

0.25

0.26

0.21

0.05 Jeju

0.61

0.86

1.31

0.97 Average

0.45

0.52

0.59

0.63 Maximum

3.13

3.17

2.91

4.16 Minimum

-1.79

-1.94

-1.91

-2.02

Table 5.2 Flood vulnerability index based on RCP4.5 scenario

(Index range: -5.00 ∼ 5.00)

Fig. 5.15는 미래 2025s, 2055s, 2085s 기간 동안의 RCP8.5 시나리오에

따른 시군별 홍수 취약성 지수 평가 결과를 나타내고 있다. 서울특별시,

강원도 원주시 인근, 대전광역시, 남해안 인근은 지속적으로 높은 홍수

(57)

노출 지수를 보이나 적응능력 지수 또한 높게 유지함에 따라 상쇄효과

가 발생한 것으로 사료된다. 경상북도는 시간이 지남에 따라 점차 낮은

기후노출 지수를 가지는 지역이 증가하고 적응능력 지수는 높게 유지되

어 전체적으로 낮은 홍수 취약성 지수를 보이는 것으로 사료된다.

(a) 2025s

(b) 2055s

(c) 2085s