Development of Hydroclimate Drought Index (HCDI) and Evaluation of Drought Prediction in South Korea

(1)

수문기상가뭄지수 (HCDI) 개발 및 가뭄 예측 효율성 평가

Development of Hydroclimate Drought Index (HCDI) and Evaluation of Drought Prediction in South Korea

류재현

^a,†

⋅김정진

^b

⋅이경도

^c

Ryu, JaeHyun⋅Kim, JungJin⋅Lee, KyungDo

Abstract

The main objective of this research is to develop a hydroclimate drought index (HCDI) using the gridded climate data inputs in a Variable Infiltration Capacity (VIC) modeling platform. Typical drought indices, including, Standardized Precipitation Index (SPI), Standardized Precipitation Evapotranspiration Index (SPEI), and Self-calibrated Palmer Drought Severity Index (SC-PDSI) in South Korea are also used and compared. Inverse Distance Weighting (IDW) method is applied to create the gridded climate data from 56 ground weather stations using topographic information between weather stations and the respective grid cell (12 km x 12 km). R statistical software packages are used to visualize HCDI in Google Earth. Skill score (SS) are computed to evaluate the drought predictability based on water information derived from the observed reservoir storage and the ground weather stations. The study indicates that the proposed HCDI with the gridded climate data input is promising in the sense that it can help us to predict potential drought extents and to mitigate its impacts in a changing climate. The longer term drought prediction (e.g., 9 and 12 month) capability, in particular, shows higher SS so that it can be used for climate-driven future droughts.

Keywords: HCDI; drought; drought indices; skill score

Ⅰ. 서 론

가뭄 발생은 홍수를 포함해 지구상에서 발생하는 자연환경 재해 중 가장 위협적인 요인들 중의 하나로 인식되고 있다 (Burton et al., 1978; Wilhite, 1993). 가뭄 발생으로 인한 물 부족은 농업, 공업 등 사회 전반에 걸쳐 큰 피해를 초래 할 뿐 아니라, 피해 보상 및 복구를 위한 사회적 비용 상승을 가 져온다. 2011년 미국 텍사스의 경우 1936년 이래 가장 극심한 가뭄이 발생한 바 있으며 (Schooner, 2012), 2012년에는 가뭄 특성 인자를 이용하여 과거 가뭄을 분석한 결과 미국 전역의 75%가 지난 수십 년 동안 빈번한 가뭄을 겪은 것으로 보고되 었다 (Lal et al., 2012). 이에, 농업중심주인 캘리포니아에서는 빈번한 가뭄 피해를 경감하기 위해 가뭄 예측 및 효율적인 수자원 관리에 필요한 연구를 지속적으로 진행하고 있다. 우

리나라의 경우, 2001년 전국 단위로 심각한 가뭄이 발생했던 것으로 보고된 바 있으며 (Kwater, 2001), 2012년 여름에는 태백 지역에서 61일간 극심한 가뭄이 발생하여 농작물 생육 이 큰 피해를 입은 것으로 나타났다 (KRCC, 2012). 또한, 2015 년 6월 중부지방에서 시작된 가뭄은 심각한 물 부족 사태를 초래하였으며 이후 2개월 동안 가뭄의 범위와 피해가 전국적 으로 확대된 바 있다.

최근 빈번하게 발생하고 있는 가뭄에 신속히 대응하기 위 해서는 가뭄 전망과 분석을 통한 종합적인 수자원관리 정책 수립이 필요하다. 하지만, 가뭄 분석의 경우 가뭄의 시작, 종 료, 지속기간 등의 예측이 어려울 뿐만 아니라 드물게 분포된 기상청의 자료를 이용한 가뭄의 공간적 분석의 어려움이 있 다. 또한, 가뭄전망 및 예측을 위한 범용적인 가뭄지수가 존재 하고 있지 않기 때문에 과거 기상자료와 머신러닝을 이용한 가뭄인자 분석방법 (Belayn et al., 2016), 기상청 실측자료를 이용한 가뭄인자 분석방법 (kim and Lee, 2011), 위성자료의 데이터를 활용한 지속적인 가뭄을 모니터링 하는 방법 (Rhee et al., 2010)등 다양한 연구들이 꾸준히 진행 되고 있다. 가뭄 전망 및 예측을 위해 많이 사용되고 있는 기상학적 가뭄지수 또는 수문학적 가뭄지수는 Standardized Precipitation Index (SPI), Standardized Precipitation Evapotranspiration Index (SPEI), Self-calibrated Palmer Drought Severity Index(sc-PDSI) 등을 포함하고 있고, 전 세계적으로 광범위하게 활용되고 있 다. 예를 들어, Kang et al. (2014)는 SC-PDSI를 이용하여 북한

a Associate Professor, Department of Soil and Water Systems, College of Agricultural and Life Sciences, University of Idaho

b Postdoctoral Research Associate, Texas A&M AgriLife Research, Texas A&M University

c Researcher, National Institute of Agricultural Science, Rural Development Administration

† Corresponding author Tel.: +1-208-332-4402 E-mail: [email protected] Received: December 26, 2017 Revised: September 27, 2018 Accepted: October 5, 2018

(2)

지역 27개 지점에 대한 기상자료를 이용하여 월 단위 가뭄지 수를 산정하였고 빈도 분석을 통해 지점별 가뭄심도-지속기 간-재현기간 곡선식을 유도하였다. Kim et al. (2012)는 60개 의 기상 관측소 자료를 이용하여 남한 전체에 대한 SPEI와 SPI를 이용하여 가뭄심도를 비교 분석하였고, Moreira et al.

(2006) SPI와 로그 선형 분석모형을 이용하여 68년을 세 구간 별로 나눠 각 구간별에 발생하는 가뭄발생 빈도와 특징들을 조사하였다. 수문학적 가뭄분석은 Hydrological Drought Index (HDI)를 이용하여 유출량에 따른 실제 이용 가능한 물 사용량 을 분석하여 가뭄을 예측하는 방법으로 Nalbantis and Taskiris (2009), Ryu et al. (2010), Son et al., (2015) 의해 가뭄지수를 계산하고 가뭄 예측을 분석하였다.

하지만, 현재 우리나라의 경우 기상학적 가뭄지수를 이용 한 가뭄분석이 많이 이루어지고 있지만 기본적으로 강수 부 족량을 바탕으로 가뭄을 분석하기 때문에 실제적 가뭄예측과 가뭄에 따른 수자원 관리를 위해서는 기상학적 요소와 수문 학적 요소를 모두 고려하여 물 이용 가능량에 따라 가뭄을 예측 할 수 있는 기상수문학적 가뭄인자에 대한 연구가 필요 한 사항이다. 또한, 우리나라의 가뭄전망기법은 기상청에서 제공하는 드물게 분포되어 있는 지점별 기상자료를 이용하기 때문에 시간적 가뭄분석 또는 전체 유역에 대하여 지점별 기 상측정소의 실측자료를 바탕으로 한 유역단위별 가문분석에 대한 연구가 많이 진행되고 있다 (Kim et al., 2006; Kim et al., 2012; Yoon et al., 2013; Kang et al., 2014; Park et al., 2017), 유역내의 원하는 지점에 대한 격자별로 분석이 가능한 격자단위별 공간적 가뭄분석에는 상대적으로 연구가 미진한 부분이 있다. 따라서 격자별 가뭄분석과 효율적인 수자원 관 리를 위해서는 고해상도의 기상 자료 구축을 통한 격자별 시 공간적 가뭄분석과 함께 수문학적 가뭄분석을 위한 기상수문 학적 가뭄지수를 개발하고 이를 기상학적 가뭄지수와 비교하 여 가뭄 예측 효율성을 높이고자 한다. 따라서, 본 연구는 남 한 전 지역에 대해 1971년 1월에서 2015년 8월까지 기상관측 소 일별 기상 자료를 공간보간법을 이용하여 가로, 세로 12km 격자단위로 자료를 구축한 후 SPI, SPEI, sc-PDSI의 시공간적 가뭄지도를 작성하여, 각 지점별 기상청 기상자료와 격자형 기상자료를 이용하여 계산된 가뭄지수의 정확도 비교 분석을 통해 격자형 기상자료에 대한 적용성도 평가하였다. 그리고 격자별 수문학적 가뭄분석을 위해 Vegetation Infiltration Capacity (VIC)(Liang et al., 1994) 모형을 적용하였고 모의된 유출량을 이용하여 Hydroclimate Drought Index (HCDI)의 가 뭄지수를 산정한 후 각 가뭄 지수별 가뭄 예측 성능을 상호 비교 평가함으로써 가뭄 분석, 대응을 위한 기초자료로 제공 하고자 한다.

Ⅱ. 연구방법

1. 연구대상 지역

격자별 기상자료를 이용한 고해상도 기상수문가뭄지도 작 성을 위해 남한 전 지역을 연구대상지역으로 선정하였다. 우 리나라의 기후특성은 뚜렷한 4계절을 가지고 있으며, 매년 여 름기간에 발생하는 장마로 인해 연 강수량의 80% 이상이 여 름에 집중되는 강우 패턴을 보이고 있다. 이러한 기후특성으 로 인해 여름철 장미기간에는 홍수의 발생 빈도가 많아지고 장마철기간을 제외한 기간에는 강수량 부족으로 인한 가뭄피 해가 발생하고 있다. 또한, 우리나라는 4대강 유역 (한강, 낙동 강, 금강, 영산강)을 중심으로 각 유역별 지리적 특성이 상이 하기 때문에 같은 기간에도 유역에 따라 다른 기후 특성을 보여준다. 이에, 본 연구에서는 격자별 기상자료를 이용하여 계산된 가뭄지수의 가뭄 발생 재현성을 분석하였고 4 대강 유역에 위치한 다목적댐 가운데 낙동강과 한강 유역에서 각 3 개의 다목적댐 유역을 선정하였으며, 영산강과 금강 유역에 서 각 2 개의 다목적댐 유역을 선정하여 연구를 수행하였다.

Fig. 1과 Table 1은 연구 대상 지역과 4 대강 유역에서 선택된 다목적댐 지점의 정보를 보여주고 있다.

Fig. 1 Study area

(3)

No. Watershed Total area (km²) 1

Han River

Soyanggan Dam 2,783

2 Hoengseong Dam 1,491

3 Chungju Dam 6,705

4

Nakdong River

Andong Dam 1,628

5 Miryang Dam 1,422

6 Hapcheong Dam 928

7

Gum River Daecheong Dam 66754

8 Yongdam Dam 930

9 Yeongsan River

Sumjin river Dam 763

10 Juam Dam 1,029

Table 1 The selected multipurpose dam watersheds from the major four river watersheds in Korea

2. 입력자료 구축

가뭄지수를 이용하여 4대강유역 가뭄지도를 작성하기 위 해 기상청 전국 기상관측소 중 1971년 1월에서 2015년 8월 까지 일별 강수량, 최고기온, 최저기온, 평균기온, 평균풍속 자료를 보유하고 있는 58개 기상관측소를 선정하였다. 선택 된 기상관측소의 기상자료는 Fig. 2에서 제시된 방법을 이용 하여 시공간적 가뭄분석이 가능하도록 격자단위의 기상자

료를 생성하였다. 이를 위해 남한 전체 지역에 대해 12 km x 12 km 의 격자파일을 생성하여 각 격자별 지리정보를 획 득한 후 각 격자파일과 기상관측소의 공간정보를 이용한 Inverse Distance Weighting(IDW) 공간보간법으로 각 격자당 기상자료가 입력되도록 설계하였다. IDW 공간보간법은 쉽 고 빠르게 적용할 수 있는 장점이 있어 많은 연구자들이 기 상자료의 공간보간을 위해 사용하고 있다 (Dirksa et al., 1998; Lu and Wong, 2008; Chen and Liu, 2012). 본 연구에서 는 12 km 격자별 기상자료를 생성하여 Macro-scale 수문모 형인 VIC (Variable Infiltration Capacity) 모형에 곧바로 입력 이 가능하도록 자료를 상세화 하였다. 상세화된 기상 자료는 향후 기후변화 연구와 관련한 Global Climate Models(GCMs) 모형들의 공간보간법과 비교 적용될 수 있으며, 또한 향후 한반도 위성자료의 검보정에 필요한 기초자료로 활용이 될 수 있도록 구축하였다. 그리고 만들어진 격자별 기상자료의 적용성을 분석하기 위해서 측정소 지점의 기상자료를 이용 한 가뭄인자를 비교 분석하였다. 가뭄지수를 이용한 가뭄분 석의 정확성 평가는 수자원공사에서 제공하는 다목적댐 유 역의 댐 저수지 자료, 수문자료 및 용수공급 전망자료와 저 수율 변화에 따른 가뭄대응단계 자료를 이용하여 분석하였 다(Table 2).

Fig. 2 Spatial interpolation method to create the gridded meterological dataset from the selected weather stations

(4)

3. 가뭄 분석 방법

가. Standardized Precipitation Index (SPI)

SPI는 McKee et al. (1993, 1995)에 의해 개발된 방법으로 월별 강우자료를 이용하여 가뭄을 예측할 수 있는 간편한 가 뭄분석 방법이다. SPI는 다양한 월별 누적분포(1, 3, 6, 8, 12, 24, 48 개월)에 대한 강우부족량을 정량화하여 가뭄을 예측 할 수 있어 농업활동에 필요한 수자원관리 및 단기적 수자원 모니터링과 지하수, 하천수, 저수지 수위관리 등에 대한 장기 적 모니터링에도 병행하여 사용할 수 있기 때문에 전 세계적 으로 많이 활용되고 있다. SPI에 대한 자세한 설명과 계산 공 식은 McKee et al. (1995)를 참고하였다.

나. Standardized Precipitation Evapotranspiration Index (SPEI)

SPEI는 강수량 자료만을 이용하여 가뭄지수를 산정하는 SPI의 단점을 개선하기 위해 Vicente-Serrano et al. (2010)에 의해 수정 보완된 후 제시된 방법이다. SPEI는 가뭄분석을 위해 강수자료와 잠재증발산량 자료를 포함한 월별 평균 온 도자료를 사용하였다. 잠재증발산량의 계산은 온도자료만으 로 잠재증발산량을 계산할 수 있는 Thornthwaite 방법을 이용 하였다 (Thornthwait, 1948). 잠재증발산량이 계산된 후 SPEI 의 계산은 기본적인 SPI의 계산 절차와 유사한 방법을 이용하 여 Vicente-Serrano et al. (2010)에서 제시된 공식을 이용하여 계산되어진다.

다. Self-calibrated Palmer Drought Severity Index (sc-PDSI)

The sc-PDSI는 Palmer (1965)에 의해 개발된 PDSI를 이용 한 가뭄 분석 시 지역별로 일괄 적용되는 인자들의 한계를

극복할 수 있도록 Wells et al. (2004)에 의해 개발된 방법이다.

따라서 sc-PDSI는 가뭄 분석 시 연구 대상지역의 기후특성을 고려하여 인자를 자동으로 보정할 수 있는 장점이 있다. 이를 위해 가뭄기와 습윤기에 대한 기후특성인자를 구분하여 계산 값이 적용되는데, 가뭄기와 습윤기에 대한 직선식을 구한 후 기울기와 절편 값을 이용하여 가뭄지수가 자동적으로 산정될 수 있도록 하였다. sc-PDSI는 일반적인 계산은 Wells et al.

(2004)에서 제공되는 공식을 이용한다.

라. Hydroclimate Drought Index (HCDI)

수문기상학적 가뭄지수은 일반적으로 특정기간에 대하여 이용 가능한 수자원을 기상자료를 입력하여 발생된 유출량을 격자별로 분류하여 가뭄정도를 표시하는 방법이다. 수문학적 가뭄은 하천, 강, 저수지, 지하수 등의 수자원을 감소에 영향 을 미치는 것으로 장기적인 기상학적 가뭄인자의 결과로 발 생할 수 있기 때문에 기상학적 인자에 많은 영향을 받는다.

따라서, 일반적으로 수문학적 가뭄의 발생 시간, 지속성, 발생 빈도, 면적 범위에 따라, 가뭄지수가 표현될 수 있다. 예를들 면, 유출의 흐름 확대 및 부족현상을 쉽게 정량화하고 확인할 수 있기 때문에 유출량을 이용한 수문학적 가뭄지수를 계산 한다. 본 연구에서는 연구 대상지역의 시공간적인 가뭄분석 을 위해 입력자료인 기상자료를 상세화하여 VIC모형에 적용 한 후, 모의된 유출량 값을 격자별로 나타낸 후 Hydrological Drought Index (HDI)를 산정했기 때문에 수문기상가뭄지수 (HCDI)로 정의되었다. HCDI의 계산은 식 (1)과 (2)을 이용하 였다.

_

 

  



_

               

(1) Watershed

No.

Total storage (10⁵ × m³)

Storage rate according to drought response phase (%)

Concern Attention Alert Extreme

1 2,900 43.31 42.12 36.15 45.72

2 87 50.40 48.91 22.44 21.29

3 2,750 53.22 50.52 42.96 41.79

4 1,248 46.93 45.38 35.27 28.62

5 74 43.89 42.26 32.74 25.95

6 790 34.58 33.46 29.33 28.06

7 1,490 47.06 45.20 37.62 31.71

8 815 34.40 32.71 18.40 12.90

9 446 36.12 35.04 20.86 20.59

10 457 35.14 33.91 31.88 30.78

Table 2 Drought response phase based on the storage rates in the selected multipurpose dams

(5)



_{ } _



_{ }

^{ }

_

(2)

여기서, Q는 월별 유출량, i는 수문년도 (year), j는 수문년도 월(month), V는 참고기간 k의 누적 유출량, k=1는 1개월 기간 동안의 누적 분포, k=2는 3개월 기간의 누적분포, k=3은 6개 월 기간의 누적분포, k=4는 9개월 기간의 누적분포, k=5는 12 개월 기간의 누적분포,

^

_는 참고기간에 대한 평균 누적 유출 량,



_는 참고기간의 누적 유출량의 표준편차이다. Table 3은 SPI, SPEI, sc-PDSI, HCDI 의 가뭄지수 결과에 따라 분류되는 가뭄형태를 나타내고 있다.

4. VIC 수문 모형

Variable Infiltration Capacity (VIC) 모형은 Macro-scale 격 자단위별 준 분포형 수문 모형으로 토양, 지형, 식생의 영향을 고려하여 유출량, 토양 수분, 수질 등을 모의 할 수 있다 (Liang et al., 1994; Ryu et al., 2014). VIC 모형의 기본 기상자 료 및 입력 자료는 12km 격자 단위 (12km x 12 km)로 적용되 어 진다. VIC 모형의 잠재증발산량의 계산은 Penman- Monteith 공식을 이용하여 계산되어지고 (Shuttleworth, 1993), 적설량은 에너지-질량 균형 모형에 의해 모의된다. 모형의 표 면 유출은 가변적 침투 곡선 인자에 의해 모의되고, 주요 인자 들은 표면 토양 수분의 공간적 분포를 나타내는 침투량에 따 라 결정된다. VIC 모형의 기저유출은 경험식에 기초한 비선 형 토양 수분 관계식에 따라 계산되며 동토 상태에 따른 침투 와 유출은 Cherkauer and Lettenmaier (1999, 2003)에 의해 개 발된 방법을 사용한다. VIC 모형에서 각 격자에서의 표면 유 출과 기저유량은 하계망을 경유하여 유역의 유출구쪽으로 흘 러가도록 모의된다. 기본적인 기상 입력 자료로는 일별 강수

량과 일별 최고/최소 온도를 필요로 하고, 만약 일사량과 증기 압 실측자료가 존재하지 않을 경우 일별 강수량과 일별 최고/

최소 온도를 이용하여 Thornton and Running (1999) 방법에 의해 VIC 모형에서 자동 계산된다.

본 연구에서는, VIC 모형을 이용하여 우리나라 전역의 유 출량을 계산하기 위해 University of Washington에서 제공하는 글로벌 격자 토양자료, 토지이용자료, Digital Elevation Model (DEM)자료를 이용하였고, 기상 입력 자료는 본 연구에서 개 발된 12km 격자단위의 일별 강수량, 최대온도, 최소온도, 평 균 풍속자료를 이용하여 유출량을 모의하였다.

5. Skill Score (SS)를 이용한 가뭄분석의 정확성 평가

가뭄을 정량적으로 분석하기 위해 각 가뭄지수들의 결과 값과 다목적댐에서 제공하는 실측 저수율의 변화에 따른 가 뭄단계별 자료를 이용하여 Skill Score (SS)를 계산하였다. SS 의 계산을 위해 먼저 Table 4와 같이 SPI, SPEI, sc-PDSI, HCDI의 결과값과 실측 저수율 변화에 따른 가뭄단계를 총 4개의 그룹으로 정규화 하여 재분류한 후 비가뭄 상태에 대해 서는 1, 가뭄상태에서는 2, 심한 가뭄상태에서는 3, 극심한 가 뭄상태에는 4의 값을 부여 하였다. SS 계산을 위한 방법은 현재 기상예측의 정확성을 분석하기 위해 많이 사용되고 있 는 Hedike Skill Score (HSS, Heidke, 1996)와 Kuipers Skill Score (KSS, Murphy and Daan, 1985)를 사용하였고 Table 5의 매트릭스 표에 적용하여 식 (3)과 식(4) 을 이용하여 각각 계산 하였다. HSS와 KSS의 결과 값의 범위는 1에서 -∞까지 나타 낼 수 있지만, 1의 결과 값은 계산된 가뭄지수의 결과 값이 실측자료에 대하여 완벽한 가뭄 예측의 정확성을 나타낸다고 볼 수 있고, SS가 0일 경우 계산된 가뭄지수가 임의적 가뭄 예측값을 가진다고 할 수 있으며, 음수로 계산된 SS는 계산된

SPI, SPEI^a SC-PDSI^b HCDI^c

Values Classifications Values Classifications Values Classifications

> 2.00 Extreme Wet > 4.00 Extreme Wet

> 0.00 No Drought 1.50 to 1.99 Severe Wet 3.00 to 3.99 Severe Wet

1.00 to 1.49 Moderate Wet 1.00 to 2.99 Moderate Wet

-0.99 to -0.99 Near Normal -0.99 to 0.99 Near Normal -1.00 to -0.01 Mild Drought -1.49 to -1.00 Moderate Drought -2.99 to -1.00 Moderate Drought -1.50 to -1.01 Moderate Drought -1.99 to -1.50 Severe Drought -3.99 to -3.00 Severe Drought -2.00 to -1.51 Severe Drought

< -2.00 Extreme Drought < -4.00 Extreme Drought < -2.01 Extreme Drought

a. Vicente-Serrano et al. (2010).

b. Wells et al. (2004).

c. Nalbanits (2008)..

Table 3 The classified drought condition of SPI, SPEI, HCDI, and SC-PDSI

(6)

가뭄지수 예측성의 신뢰도가 없음을 의미한다.



_{ }

  

  





_



_





  





_

 

_

  

  





_



_



(3)



는 실측자료의 주변분포 값,



_



는 예측된 자료의 주변분포 값을 나타내고 있다.

Ⅲ. 결 과

1. 지점별과 격자별 기상자료를 이용한 가뭄분석 정확성 비교

지점별 기상자료와 격자별 기상자료를 이용한 가뭄분석의 정확성을 비교하기 위해 SPI, SPEI, sc-PDSI의 결과 값들을 비교하였다. Fig. 3는 선정된 댐 유역에 대해 지점별 기상청 기상자료와 격자별 기상자료를 이용하여 계산된 SPI, SPEI, sc-PDSI 가뭄지수의 전체 SS 값을 비교 분석한 결과를 나타내 고 있다. 전반적으로, 격자별 기상자료를 이용하여 분석된 가 뭄 분석이 지점별 기상청 자료만을 이용하여 분석된 가뭄분 석에 비해 보다 높은 정확성을 보이고 있는 것으로 나타났다.

_



1 No drought Concern > -0.99 > -0.99 > 0.00

2 Drought Attention -1.49 to -1.00 -2.99 to -1.00 -1.50 to -0.01

3 Severe Drought Alert -1.99 to -1.50 -3.99 to -3.00 -2.00 to -1.51

4 Extreme Drought Extreme < -2.00 < -4.00 < -2.01

Table 4 The Reclassified drought indices

(7)

있어 격자별 기상자료에 대한 추가적인 보정이 필요할 것으 로 사료된다.

2. 선정된 댐 유역에 대한 가뭄 인자별 SS 값 비교

Table 7은 선정된 다목적댐 유역의 각 가뭄지수별 HSS와 KSS의 평균 SS 값을 비교 분석한 결과를 보여주고 있다. 선정 된 다목적댐 유역에 대해 각 누적분표에 따른 SPI-1, SPI-3, SPI-6, SPI-9, SPI-12에 대한 평균 SS 값의 변화를 살펴보면, 충주댐 유역(3)의 경우 모든 SPI의 월별 누적 분포에서 유역 의 크기에 비해 비교적 낮은 SS 값이 나타났다. 용담댐 유역

(8)의 경우 SPI-1과 SPI-3에서 음수의 SS 값이 계산되어 가뭄 분석에 낮은 재현성을 보여주고 있지만, SPI-12에서는 다른 다목적 댐 유역의 결과 값 보다 높은 SS값을 보여주고 있어 다른 지역보다 장기 가뭄분석의 정확성이 높은 것으로 나타 났다. 주암댐 유역(10)의 경우 SPI-1에서 음수의 SS 값을 보여 주고 있지만, SPI-3, SPI-6, SPI-9로 가뭄분석을 위한 월별 누 적분표가 늘어날수록 SS의 값이 증가하는 것으로 나타났다.

SPI의 경우 대부분 지역에서 SPI-9 또는 SPI-12을 이용하여 가뭄분석을 하였을 때 높은 SS의 결과 값을 보여주고 있지만, 안동댐 유역(4)에서는 SPI-1이 대청댐 유역(7)에서는 SPI-6의 Fig. 3 Box plot comparisons of total skill scores computed by drought indices (SPI, SEPI, and SC-PDSI)

between the gridded dataset (GS) and the observed weather dataset (WS)

NO.

SPI SPEI SC-PDSI

WS¹ GS² VA³

(%) WS GS VA

(%)

1 0.081 0.113 28.32 0.039 0.108 63.89 0.056 0.110 49.09

2 0.021 0.036 41.67 0.035 0.053 33.96 0.067 0.100 33.00

3 0.117 0.123 4.88 0.132 0.155 14.84 0.142 0.245 42.04

4 0.035 0.066 46.79 0.067 0.134 50.00 -0.026 0.025 204.00

5 0.135 0.195 30.57 0.179 0.205 12.68 0.136 0.150 9.33

6 0.233 0.234 0.43 0.248 0.269 7.81 0.207 0.255 18.82

7 -0.006 0.095 106.32 0.029 0.182 84.07 0.244 0.245 0.41

8 0.269 0.250 -7.60 0.267 0.250 -6.80 0.169 0.150 -12.67

9 0.097 0.104 6.65 0.101 0.135 25.19 0.166 0.175 5.14

10 0.10 0.10 - 0.088 0.088 - 0.032 0.085 64.06

1. WS is weather station point data.

2. GS is gridded data.

3. VA is variation.

Table 6 Average skill score (SS) for each drought index for the observed weather station and the gridded climate data in the selected basins

(8)

SS값이 다른 시간 단위별 SPI 결과 값 보다 높은 것으로 나타 났다. 이는 SPI와 댐유역의 저수량 자료를 이용하여 가뭄분석 을 할 경우 단기간 가뭄분석보다는 장기간 가뭄분석에 더 좋 은 활용성을 보이고 있는 것으로 보인다. 또한, SPI의 각 월별 누적분표에 따른 가뭄분석의 정확성을 분석한 결과, SPI-1은 안동댐 유역(4), SPI-3와 SPI-6는 밀양댐 유역(6), SPI-9과 SPI-12의 경우 용담댐 유역(8)에서 높은 SS값 나타나 4대강 유역에 따라 상이한 분석 결과를 보여주었다.

선정된 다목적댐 유역에 대해 SPEI-1, SPEI-3, SPEI-6, SPEI-9, SPEI-12의 평균 SS값의 경우, SPEI를 이용한 가뭄분 석은 SPI를 이용한 결과와 마찬가지로 충주댐 유역(3)이 다른 유역에 비해 낮은 SS값이 나타났다. 용담댐 유역(8)의 경우 SPEI-1과 SPEI-3에서 음수의 SS값을 보여 이 유역의 단기적 가문분석에는 낮은 정확성의 결과를 보여주고 있지만, SPEI-12에서는 전체 유역 중에서 가장 높은 SS값을 보여 용담 댐 유역의 장기적 가뭄분석을 위한 SPEI의 활용을 기대할 수 있다. 주암댐 유역(10)의 경우도 SPEI-1에서 음수의 SS 값을 보여 단기 가뭄분석의 낮은 정확성을 보여주었지만, SPEI-3, SPEI-6, SPEI-9, SPEI-12로 가뭄 분석 월별 누적분포가 늘어 날수록 SS 값이 지속적으로 증가하여 분석 정확성이 높아지 는 것을 확인 할 수 있다. SPEI를 이용하여 SS 계산한 경우에 도 SPI와 유사하게 대부분 유역에서 SPEI-9 또는 SPEI-12가 적용 되었을 때 높은 SS 값이 나타나, 댐 유역에 대한 장기적

가뭄분석에 높은 재현성을 보이고 있는 것으로 나타났다.

SPEI의 각 월별 누적분표에 따라 선정된 댐 유역의 가뭄지수 계산의 정확성을 분석한 결과, SPEI-1은 안동댐 유역(4), SPEI-3와 SPEI-6는 밀양댐 유역(5), SPEI-9과 SPEI-12의 경우 용담댐 유역(8)에서 가장 높은 SS 값을 나타냈다.

선정된 다목적댐 유역에 대한 sc-PDSI 평균 SS 값의 경우 SPI, SPEI와 다르게 월별 자료만을 이용하여 가뭄지수 값을 계산한다. sc-PDSI을 이용하여 SS 값을 분석한 결과, 안동댐 유역(4)에서 가장 낮은 SS값을 보여주고, 청주댐 유역(3) 과 합천댐 유역(6) 유역에서는 가장 높은 SS값이 계산되었으며, 다른 유역들에서는 비교적 동일한 SS값이 계산되어지는 것으 로 나타났다.

선정된 다목적댐 유역에 대해 누적분포별 HCDI의 평균 SS 값의 경우 횡성댐 유역(2) 에서 HCDI-1을 적용하였을 때 음수 의 SS 값이 계산되어 이 지역에 단기적 가뭄분석을 위해 HCDI-1을 이용한 가뭄예측에는 부정확한 결과를 보일 수 있 으며, 횡성댐 유역(2)를 제외한 지역에서는 월별 누적분표에 따른 HCDI의 SS값은 모든 유역에서 유사한 값을 가지는 것 으로 나타났다. 각 유역에 따른 SS 분석의 결과, 용담댐 유역 (8)에서는 HCDI-12에서 가장 높은 SS 값이 계산되었고, 나머 지 유역에서 HCDI-9가 가장 높은 SS 값을 가지는 것으로 나 타났다. HCDI의 각 월별 누적분표를 이용하여 선정된 각 댐 유역의 SS 값을 분석한 결과 HCDI-1과 HCDI-3은 영산강댐 Drought

Index Month 1 2 3 4 5 6 7 8 9 10

SPI

1 mo 0.10 0.02 0.08 0.13 0.08 0.08 0.07 0.04 0.08 0.00

3 mo 0.10 0.01 0.09 0.07 0.14 0.22 0.11 0.00 0.12 0.04

6 mo 0.08 0.06 0.12 0.05 0.22 0.25 0.13 0.20 0.08 0.05

9 mo 0.12 0.07 0.17 0.05 0.24 0.34 0.07 0.39 0.11 0.14

12 mo 0.18 0.03 0.18 0.03 0.31 0.29 0.11 0.52 0.14 0.16

SPEI

1 mo 0.08 0.03 0.06 0.08 0.04 0.09 0.08 0.01 0.08 -0.04

3 mo 0.08 0.03 0.10 0.05 0.16 0.25 0.12 -0.04 0.13 0.06

6 mo 0.06 0.08 0.19 0.14 0.23 0.29 0.17 0.20 0.13 0.07

9 mo 0.14 0.08 0.22 0.20 0.29 0.40 0.25 0.44 0.15 0.15

12 mo 0.18 0.06 0.22 0.20 0.32 0.32 0.30 0.49 0.20 0.20

HCDI

1 mo 0.09 -0.06 0.05 0.09 0.10 0.14 0.11 0.07 0.20 0.05

3 mo 0.09 0.00 0.17 0.11 0.20 0.18 0.21 0.20 0.30 0.15

6 mo 0.13 0.14 0.34 0.22 0.22 0.18 0.19 0.19 0.33 0.19

9 mo 0.13 0.14 0.46 0.29 0.33 0.31 0.20 0.30 0.36 0.32

12 mo 0.15 0.08 0.32 0.26 0.27 0.26 0.18 0.37 0.24 0.31

SC-PDSI 1mo 0.11 0.10 0.25 0.03 0.15 0.26 0.25 0.10 0.18 0.09

Table 7 Average skill score of SPI, SPEI, SC-PDSI, and HCDI (1, 3, 6, 9, 12 month time windows) for KSS and HSS in the selected multipurpose dam watersheds

(9)

유역(9) 에서, HCDI-6와 HCDI-9는 횡성댐 유역(2), HCDI-12 는 용담댐 유역(8)에서 SS 값이 가장 높은 것으로 나타났다.

마지막으로, Fig. 4는 SPI, SPEI, SC-PDSI, HCDI의 각 가뭄 인자별 SS 값을 비교 분석한 결과를 나타내고 있다. 가뭄 인자 들 중 HCDI를 적용하여 가뭄을 분석하였을 때 다른 가뭄지수 들에 비해 평균적으로 높은 정확성을 보여주고 있는 것으로 분석되었고, SPEI와 sc-PDSI 가뭄지수를 사용하였을 때는 비 교적 유사한 가뭄분석 예측 결과를 보여주고 있으며, 전반적 으로 SPI 가뭄지수를 이용하여 가뭄분석을 하였을 때 가장 낮은 가뭄 예측의 정확성을 보여주고 있는 것으로 나타났다.

이는 댐 유역에서의 저수량에 따른 가뭄대응별 자료를 이용 하여 가뭄의 예측성을 분석할 경우 실제 이용가능한 물 사용 량에 따라서 가뭄분석이 가능하기 때문에 SPI처럼 강수량 자 료만을 이용한 가뭄분석보다는 HCDI와 같이 격자형 기상자 료, 지형, 수문 등의 다양한 인자들을 모두 고려하며 모의된 유출값을 이용하여 가뭄을 예측 하였을 때 높은 정확성을 보 이고 있는 것으로 나타났으면, 이는 HCDI를 이용하여 가뭄분 석을 할 경우 실제 피해를 발생 시킬 수 있는 가뭄에 대하여 보다 정확하게 예측 할 수 있고 가뭄발생에 따른 수자원관리 계획을 보다 용이하게 수립할 수 있을 것으로 판단된다.

3. Google Earth를 이용한 가뭄지수 표현

일반적으로 기상청 기상자료를 이용한 가뭄분석의 경우 지 점별 기상 관측소를 중심으로 가뭄지수를 표현하기 때문에 시간적 가뭄분석은 가능하지만 공간적인 가뭄분석에는 한계 가 있다. 이에 본 연구에서 지점별 기상 측정소 자료를 이용하

여 격자별 기상자료를 만들어, 수문기상 가뭄지수 (HCDI) 를 위한 입력값으로 활용하였다. 또한, Google Earth를 이용하여 시공간적 가뭄분석이 가능하도록 가뭄지도를 작성하였다.

Fig. 5는 12km 단위 격자형 데이터를 기반으로 작성된 가뭄지 도 중 2015년 8월에 대한 SPI, SPEI (1, 6, 12개월의 월별 누적 분포 단위)의 가뭄지도와 sc-PDSI의 가뭄지도를 Google Earth 에 적용한 결과를 보여주고 있다. Fig. 5 (a) 는 SPI-1, SPI-9, SPI-12에 따라 만들어진 가뭄지도를 보여주고 있다. SPI-1의 경우 경기도, 충청북도, 충청남도, 전라북도 전 지역에서 가뭄 이 발생되고 있는 것을 나타내고 있으며, 강원도 산간지역, 경상북도, 경상남도, 전라남도 지역에서는 가뭄이 발생하지 않는 것을 나타내고 있다. SPI-9를 이용한 가뭄 분석의 경우 경기도 전체 지역에서 극심한 가뭄이, 강원도, 충청북도, 충청 남도, 경상북도 북부지역에서는 일반적인 가뭄이 발생되었다.

하지만, 전라남도, 경상남도지역에서는 가뭄이 발생하지 않 는 것으로 나타났다. 하지만 SPI-9를 이용한 가뭄분석에서는 가뭄의 공간적 범위가 SPI-1에 비해 확대되는 것을 확인 할 수 있다. 마지막으로 SPI-12를 이용한 가뭄지도에서는 경기도 전 지역과 강원도 서부 일부분, 충청북도와 충청남도의 북부 일부 지역에서 일반적인 가뭄이 발생하고 있는 것으로 나타 났고, 나머지 지역에서는 가뭄이 발생하지 않는 것으로 나타 났다.

SPEI를 이용한 SPEI-1, SPEI-6, SPEI-12의 고해상도 가뭄 지도 작성 결과는 Fig. 5 (b) 과 같다. SPEI의 이용한 가뭄분석 의 결과 SPI의 가뭄분석 결과와 유사한 가뭄 분포 패턴을 보 이고 있는 것으로 나타났다. SPEI-1의 경우 경기도, 충청북도,

SPI SPEI HCDI SC-PDSI

-0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6

Skill score value s

Fig. 4 Skill score comparison between SPI, SPEI, sc-PDSI and HCDI

(10)

충청남도, 전라북도 전 지역과 강원도 서부지역에서는 가뭄 이 일어난 것으로 나타났고, 강원도 산간지역, 경상북도, 경상 남도, 전라남도 지역에서는 가뭄이 발생하지 않는 것으로 나 타났다. 하지만, SPEI-9의 경우 경기도, 충청북도, 충청남도 지역에서는 극심한 가뭄이, 강원도, 경상북도에서 일반적인 가뭄이 발생되었지만, 전라남도와 경상남도 전체 지역에서는 가뭄이 발생하지 않는 것으로 나타나 SPEI-1을 이용한 가뭄

분석보다 가뭄의 발생 범위가 확대된 것으로 나타났다.

SPEI-12는 서울특별시 지역을 중심으로는 극심한 가뭄이, 경 기도 전반적인 지역과 강원도, 충청북도, 충청남도, 경상북도 일부 지역에서는 일반적인 가뭄을 발생하였고, 전라남도지역 에는 가뭄이 발생되지 않았다.

Fig. 5 (c)은 sc-PDSI를 이용하여 가뭄지도 작성 결과를 보 여주고 있다. sc-PDSI는 SPI, SPEI 가뭄지수와 다르게 월별

(a) (b)

(c) (d)

Fig. 5 SPI (a), SPEI (b), (c) SC-PDSI, and (d) HCDI drought maps for 1, 3, and 12 month time window in Google Earth

(11)

결과만이 사용되었다. sc-PDSI를 이용한 가뭄 분석 결과, 경 기도, 강원도, 충청북도, 충청남도, 전라북도, 전라남도 지역 의 대부분의 지역에서 심각한 가뭄을 형태를 보여주고 있으 며, 경상북도와 경상남도에서는 일반적인 가뭄 형태를 보이 고 있는 것으로 나타났다. 하지만, 몇몇 산간지역을 중심으로 는 가뭄이 발생되지 않는 일반적인 상태로 나타났다.

마지막으로, Fig. 5 (d) HCDI-1, HCDI-6, HCDI-12를 이용 한 가뭄지도 작성 결과를 보여주고 있다. HCDI의 가뭄분석 결과는 SPI와 SPEI와는 다른 가뭄 분포 경향을 보이는 것으로 타나났다. HCDI-1는 강원도, 경상북도 동부지역에서는 일반 적인 가뭄이 발생하였고, 나머지 지역에서는 약한 가뭄이 발 생한 것으로 분석되었다. HCDI-6은 강원도, 경상북도 동부지 역에서는 심각한 가뭄이 발생하였고, 나머지 지역에서는 일 반적 가뭄이 발생되고 있는 것으로 나타났다. HCDI-12에서는 경기도 서부지역을 제외한 모든 지역에서 심각한 가뭄이 발 생된 것으로 나타났다.

Ⅳ. 결 론

본 연구는 남한 전체 지역에 대한 시공간적인 가뭄분석을 위하여 12km의 해상도를 가지는 일별 기상자료를 활용하여 VIC모형을 이용한 수문기상가뭄지수(HCDI)를 개발하여 다 른 가뭄지수들과의 가뭄 예측 효율성을 비교 분석하기 위해 고해상도의 가뭄지도를 작성하였다. 이를 위해 먼저 작성된 격자별 기상자료와 지점별 기상청 기상자료를 이용하여 기상 학적 가뭄인자를 분석 한 후 격자별 기상자료에 대한 자료 적용성을 분석하였고, 작성된 격자별 기상자료와 다목점댐의 실측 저수량을 이용하여 HCDI, SPI, SPEI, sc-PDSI에 대한 가뭄 예측 정확성을 비교 분석하였다. 작성된 가뭄지도는 KML 파일형태로 변환하여 향후 가뭄이 왔을 때 매주 실시간 으로 가뭄 정보를 쉽게 전달할 수 있도록 Google Earth에 중첩 하여 시각화 하였다. 본 연구에 따른 결과는 다음과 같다.

1. 전반적으로, 대부분의 유역에서 SPI, SPEI, sc-PDSI 를 이용하여 가뭄을 분석하였을 때 격자별 기상자료를 이 용한 가뭄분석이 지점별 기상 자료를 이용한 가뭄분석 보다 높은 가뭄예측의 정확성을 보이는 것으로 분석되 었다. 이는 격자별 기상자료를 이용한 가뭄 분석 시 지점 별 기상자료에 비해 시공간적인 가뭄분석에 더 용이한 장점을 보이는 것으로 나타났다.

2. 격자별 기상자료를 이용하여 선정된 다목적댐 유역에 계산된 SPI의 평균 SS 값을 분석한 결과, 대부분의 유역 에서 장기간 가뭄분석을 위한 SPI-9과 SPI-12에서 가장

높은 SS가 분석되었다. 또한 각 월별 누적분표에 따른 SPI의 SS결과 값을 분석한 결과 SPI-1은 안동댐 유역, SPI-3와 SPI-6는 밀양댐 유역, SPI-9과 SPI-12는 용담댐 유역에서 다른 유역에 비해 높은 SS가 계산되었다.

3. 격자별 기상자료를 이용하여 선정된 다목적 댐 유역에 SPEI의 평균 SS 값을 분석한 결과, SPI와 유사한 SS값이 나타났으며 장기간 가뭄분석을 위한 SPEI-9과 SPEI-12 에서 가장 높은 SS가 분석되었다. 각 월별 누적분포에 따른 SPEI에서는 SPEI-1은 안동댐 유역, SPEI-3와 SPEI-6는 밀양댐 유역, SPI-9과 SPI-12의 경우 용담댐 유 역에서 다른 유역에 비해 높은 SS 값이 나타나 SPI의 동일한 결과를 나타내었다.

4. 격자별 기상자료를 이용하여 선정된 다목적댐 유역에서 계산된 sc-PDSI의 평균 SS를 분석한 결과 안동댐 유역을 제외한 유역에서는 유사한 SS 결과가 나타났다.

5. 격자별 기상자료와 VIC모형을 이용하여 모의된 유출량 을 적용하여 선정된 댐 유역에 대한 HCDI의 SS 분석 결과, 전반적인 SS값이 다른 가뭄지수에 의해 계산된 SS 보다 값이 높게 나타나 가뭄 분석의 정확성이 우수하다 고 판단된다. 이는 가뭄분석에 있어 지점별 기상데이터 에만 의존하여 가뭄을 분석하는 것보다 격자별 기상자 료와 함께 수문학적 인자를 고려하여 모의된 유출량을 이용한 가뭄분석이 더 현실적인 가뭄해석에 도움이 될 것으로 판단된다. 각 월별 누적분포에 따른 HCDI를 분 석한 결과 HCDI-1와 HCDI-3은 영산강댐 유역, HCDI-6 과 HCDI-9는 횡성댐 유역 HCDI-12는 용담댐 유역에서 SS값이 가장 높은 것으로 나타났다.

6. 격자별 기상자료를 이용해 계산된 각 가뭄지수의 고해상 도의 가뭄지도 중 2015년 8월의 가뭄지도를 분석한 결 과, SEPI와 SPI는 유사한 공간적 가뭄 분포 패턴을 보였 지만, SPEI의 경우 SPI보다 더 넓은 범위로 가뭄이 발생 하고 있는 것으로 나타났다. HCDI의 경우 HCDI-1을 제 외한 모든 HCDI의 월별 누적분포의 가뭄지도를 분석한 결과, 인천 지역을 제외한 모든 지역에서 극심한 가뭄이 발생되고 있는 것으로 나타났으며, SC-PDSI의 경우 경 상남도와 경상북도 지역에서는 일반적인 가뭄이 발생하 고 나머지 전체 지역에 대해서는 극심한 가뭄이 발생한 것으로 나타났다.

본 연구에서 다양한 가뭄지수를 이용한 가뭄정확성을 분석 한 결과 HCDI를 이용하였을 때 가뭄분석의 정확성이 다른 가뭄지수들에 비해 높은 것으로 나타났으며, SPI를 이용한 가 뭄분석의 경우 다른 가뭄지수 보다 다소 정확성이 낮은 것으

(12)

로 나타났다. 따라서 댐 유역에서의 저수율을 기준으로 가뭄 을 분석 할 경우 SPI, SPEI, sc-PDSI보다 HCDI를 활용하여 수자원적가뭄을 예측하는 것이 보다 전반적으로 장기적 가뭄 분석에 대한 정확한 분석을 할 수 있을 것으로 사료된다. 또 한, HCDI를 이용하여 가뭄을 분석할 경우 격자별 구역내에서 실제 필요로 하는 수자원량을 함께 고려할 수 있는 장점이 있기 때문에 VIC모형을 적용을 통한 HCDI지수의 활용성은 많은 잠재성을 가지고 있을 것으로 판단된다. 하지만 실측 가 뭄자료의 선택에 따라 각 가뭄지수의 가뭄분석 정확성이 변 화되어 질 수 있기 때문에 향후 이에 관련하여 추가적인 실측 가뭄자료를 이용한 가뭄분석 정확성에 관한 연구가 필요할 것이다. 또한, 본 연구에서는 기상수문학적인 인자를 먼저 공 간보간법을 수행하여 가뭄지수를 생성하였으나 지점별 가뭄 지수를 산정 후 공간보간법을 사용하여 비교 분석해보는 것 도 의의가 있을 것으로 생각된다. 본 연구에서 만들어진 격자 단위의 기상자료들은 GCMs (Global Climate Models)를 이용 한 시공간적 기후변화 분석과, GCMs의 기상 자료 및 향후 위성자료의 편의보정 및 공간보정 등에도 활용 될 수 있어, 기후변화 시나리오에 따른 지역적 시공간적 가뭄분석과 가뭄 대책 수립을 위한 기초자료로 활용될 것이다. 향후에는 가뭄 도 극한 수문사상의 일종이라는 점에서 가뭄 뿐 아니라 홍수, 침수 등의 수재해 취약성에도 확대하여 적용할 수 있는 방안 에 대해 검토할 계획이다.

감사의 글

본 논문은 농촌진흥청 공동연구사업(과제번호: PJ0116 86052017) 및 정부(미래창조과학부)의 재원으로 한국과학기 술단체총연합회의 지원을 받아 수행된 해외고급과학자초빙 (Brain Pool)사업의 연구임.

REFERENCES

1. Kang, S. U. and J. W. Moon, 2014. Drought analysis using SC-PDSI and derivation of drought severity-duration- frequenccy curves in Korea. Journal of Korea Water

Resources Association 47(9): 813-824 (in Korean). doi:

10.3471/JKWRA.2014.47.9.813.

2. Kim, B. S., J. H. Sung, H. S. Kang, and C. H. Cho, 2012.

Assessment of drought severity over South Korea using standardized precipitation evapo-transpiration index. Journal

of Korea Water Resources Association 45(9): 887-900 (in

Korean). doi:10.3471/JKWRA.2012.45.9.887.

3. Kim, G. S. and J. W. Lee, 2011. Evaluation of drought indices using the drought records. Journal of Korea Water

Resources Association 44(9): 639-652 (in Korean).

doi:10.3741/jkwra.2011.44.8.639.

4. Kim, O.K., J.Y. Choi, M.W. Jang, S.H. Yoon, W.H. Nam, J.H. Lee, and J.K. Noh, 2006. Watershed scale drought assessment using soil moisture index. Journal of the

Korean Society of Agricultural Engineers 48(6): 3-13.

doi:10.5389/ksae.2006.48.6.003.

5. Yoo. J. Y., H. Y. Song, T. W. Kim, and J. H. Ah, 2013.

Evaluation of short-term drought using daily standardized precipitation index and ROC analysis. Journal of the

Korean Society of Civil Engineers 33(5): 1851-1860 (in

Korean). doi:10.12652/ksce.2013.33.5.1851.

6. KRCC (Korea Rural Community Corporation), 2012.

White paper of drought in 2012 (in Korean).

7. K-Water, 2001. Report of drought survey in 2001 (in Korean).

8. Park, M.W., S.J. Kim, H.J. Kwon, P.S. Kim, S.M. Kang, and J.H. Lee, 2017. Availability assessment of meteorological drought Index for agricultural drought estimation in ungauged area of agricultural drought parameter. Journal of the Korean Society of Agricultural

Engineers 59(5): 127-136 (in Korean). doi:10.5389/KSAE.

2017.59.5.127.

9. Burton, I., R.W. Kates, and G. G. White, 1978. The Environment as Hazard. Oxford University Press. pp 240.

doi:10.4324/9780203989869.

10. Belayneh, A., J. Adamowski, B. Khalil, and J. Quilty, 2017. Coupling machine learning methods with wavelet transforms and the bootstrap and boosting ensemble approaches for dorught predictin. Atmospheric Research 172-173: 37-47. doi:10.1016/j.atmosres.2015.12.017.

11. Chen, F. W., and C. W. Liu, 2012. Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment 10: 209-222. doi:10.1007/s10333-012-0319-1.

12. Cherkauer, K. A., and D. P. Lettenmaier, 2007. Simulation of spatial variability in snow and frozen soil. Journal of

Geophys Research. doi:10.1029/2003JD003575.

13. Dirksa, K. N., J. E. Hayb, C. D. Stowa, and D. Harrisa, 1998. High-resolution studies of rainfall on Norfolk Island:

Park Ⅱ: Interpolation of rainfall data. Journal of Hydrology 208: 187-193. doi:10.1016/s0022-1694(98)00155-3.

14. Degaetano, A.T., B.N. Belcher, and W. Noon, 2015.

(13)

Temporal and spatial interpolation of the standardized precipitation index for computational efficiency in the dynamic drought Index Tool. American Meteorological

Society. doi:10.1175/JAMC-D-14-0088.1.

15. Google Inc, 2015. Google Earth. (http://www.google.com/

earth/.)

16. Goswami. B., V. Venugopal, D. Sengupta, M. Madhusoodanan, and P. Xavier, 2005. Increasing trend of extreme rain events over India in a warming environment, Science 314(5804):

1442-1445. doi:10.1126/science.1132027.

17. Gocic, M., and S. Trajkovic, 2013. Analysis of precipitation and drought data in Serbia over the period 1980-2010. Journal of Hydrology 494: 32-42. doi:10.1016/

j.jhydrol.2013.04.044.

18. Heidke, P., 1996. Measures of success and goodness of wind force forecasts by the gale-warning service. Geogr.

Ann. 8: 301-349.

19. Lal, R., J. A. Delgado, J. S. Gulliver, D. Nielsen, C. W.

Rice, and R. S. Van Pelt, 2012. Adapting agricultural to drought and extreme events. Journal of Soil and Water

Conservation 68(6): 162-166. doi:10.2489/jswc.67.6.162a.

20. Liang, X., D. P. Letternmaier, E. F. Wood and S. J. Burges, 1994. A simple hydrologically based model of land surface water and energy fluxes for general circulation models.

Journal of Geophysical Research 99: 14415-14428. doi:

10.1029/94jd00483.

21. Lu, G. Y., and D. W. Wong, 2008. An adpative inverse-distance weighting spatial interpolation technique.

Computer & Geoscience 34: 1044-1055.

22. McKee, T. B. and N. J. Doesken, 1993. The relationship of drought frequency and duration to time scales. In: 8th

Conference on Applied Climatology, 17-22 January,

Anaheim, California. 179-184.

23. McKee, T. B., and N. J. Doesken, 1995. Drought monitoring with multiple time scales. In 9th Conference

on Applied Climatology, American Meteorological Society,

Boston. 233-236.

24. Moreira, E. E., A. A. Paulo, L. S. Pereira and J. T. Mexia, 2006. Analysis of SPI drought class transitions using nonlinear models. Jounral of Hydrology 331: 349-359.

doi:10.1016/j.jhydrol.2006.05.022.

25. Murphy, A. H., and H. Daan. 1985. Forecast evaluation.

Probability, Statistics, and Decision Marking in the Atmospheric Sciences. Boulder, Co, Westview Press, pp.

379-437. doi:10.1007/springerreference_6698.

26. Mu, Q., M. Zhao, J. S. Kimball, N. G, McDowell, and S.

W. Running, 2013. A remotrely sensed global terrestrial drought severity index. Bull. Amer. Meteor. Soc. 94: 83-98.

doi:10.1175-BAMS-D-11-00213.1.

27. Nalbantis, I., 2008. Evaluation of a Hydrologicl Drought Index. Europen Water 23/24: 66-67.

28. Nalbantis, I., and G. Taskiris, 2009. Assessment of hydrological drought revisited. Water Resource Management 23: 881-897.

29. Palmer, W. C, 1965. Meteorological drought. Research

Paper No. 45, Weather Bureau, U.S. Dept. of Commerce,

Washington, DC.

30. R Statistical software, 2017. R foundation. Link:

www.r-project.org accessed November 21, 2017.

31. Rhee, J.Y., J.H. Im, and G.J. Carbone, 2010. Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data. Remote Sensing of

Environment 114(12): 2875-2887. doi:10.1016/j.rse.2010.07.005.

32. Rhee, J., and G. J. Carbone, 2007. A comparision of weekly monitoring methods of the Palmer drought index.

J. Climate 20: 6033-6044. doi:10.1175/2007JCLI1693.1.

33. Ryu, J. H., M. Sohrabi and A. Acharya, 2014. Toward mapping gridded drought indices to evaluate local drought in a rapidly changing global environment. Water Resources

Management 28(11): 3859-3869. doi:10.1007/s11269-014-

0714-z.

34. Ryu, J. H., M. D. Svoboda, J. D. Lenters, T. Tadesse, and C. Knutson, 2010. Finding potential extents for ENSO-driven hydrologic drought forecasts in the United States. Climatic

Change 101(3): 575-597. doi:10.1007/s10584-009-9705-0.

35. Schooner, J. L., 2012. The U.S Drought of 2012.

Environmental Science and Technology 46: 10480.

doi:10.1021/issn.0013-936x.

36. Shuttleworth, W. J., 1993. Evaporation. In Madiment Dr

(ed) Handbook of hydrology, chap 4, McGraw Hill Inc,

New York.

37. Son, K.H., D.H. Bae, H.S. Cheong, 2015. Construction &

evaluation of GloSea5-based hydrological drought outlook system. Atmosphere, Korean Meteorological Society 25(2):

271-281. doi:10.14191/atmos.2015.25.2.271.

38. Thornton, P.E., and S.W. Running, 1999. An improved algorithm for estimating incident daily solar radiation from measurement of temperature, humidity, and precipitation.

Agri For Meteorol 93(4): 211-228. doi:10.1016/s0168-1923

(98)00126-9.

(14)

39. Thormthwait, C. W., 1948. An approach toward a rational classification of climate. Geographical Review 38(1):

55-94. doi:10.2307/210739.

40. Vicente-Serrano, S. M., S. Begueria, and J. I. Lopez-Moreno, 2010. A multiscalar drought index sensitive to global warming: The Standardized Precipitation Evapotranspiration Index. Journal of Climate 23: 1696-1718. doi:10.1175/

2009jcli2909.1.

41. Wells, N., S. Goddard, and J. J. Hayes, 2004. A self-calibrating Palmer drought severity index. Journal of

Climate 17(12): 2335-2351. doi:10.1175/1520-0442(2004)

017<2335:aspdsi>2.0.co;2.

42. Wilhite, D. A., 1993. Drought assessment, management, and planning: theory and case studies. Natural Resource

Management and Policy Series 2: 293. doi:10.1007/978-

1-4615-3224-8.

Development of Hydroclimate Drought Index (HCDI) and Evaluation of Drought Prediction in South Korea