DOI QR코드

DOI QR Code

AMSR2 위성영상 기반 토양수분을 이용한 우리나라 월별 FDSI 산정 및 공간 분포 특성 분석

Estimation and Spatial Distribution of Monthly FDSI Using AMSR2 Satellite Image-based Soil Moisture in South Korea

  • Chun, Beomseok (Department of Agricultural Civil Engineering, Kyungpook National University) ;
  • Lee, Taehwa (Department of Agricultural Civil Engineering, Kyungpook National University) ;
  • Jeong, Kwangjune (Department of Agricultural Civil Engineering, Kyungpook National University) ;
  • Shin, Yongchul (Department of Agricultural Civil Engineering, Kyungpook National University)
  • 투고 : 2022.06.24
  • 심사 : 2022.07.05
  • 발행 : 2022.07.31

초록

In this study, we estimated the monthly FDSI (Flash Drought Stress Index) for assessing flash drought on South Korea using AMSR2(Advanced Microwave Scanning Radiometer 2) satellite-based soil moisture footprints. We collected the AMSR2 soil moisture and climate-land surface data from April to November 2018 for analyzing the monthly FDSI values. We confirmed that the FDSI values were high at the regions with the high temperature/evapotranspiration while the precipitation is relatively low. Especially, the regions which satisfied an onset of flash drought (FDSI≧0.71) were increased from June. Then, the most of regions suffered by flash drought during the periods (July to August) with the high temperature and evapotranspiration. Additionally, the impacts of landuse and slope degree were evaluated on the monthly FDSI changes. The forest regions that have the steep slope degree showed the relatively higher FDSI values than the others. Thus, our results indicated that the the slope degree has the relatively higher impact on the onset and increasing of flash drought compared to the others.

키워드

Ⅰ. 서론

최근 지구온난화나 기후변화 등으로 인하여 발생하는 이상기후로 인한 다양한 물 관련 재해가 발생하고 있다. 대표적인 물 관련 재해 중 하나인 가뭄은 어느 지역에서 일정 기간 이상 평균 이하의 강수로 인해 강수량 부족이 장기화되는 현상을 의미한다. 이러한 가뭄은 크게 4가지 종류로 구분되며, 기상학적 가뭄, 농업적 가뭄, 수문학적 가뭄 및 사회경제적 가뭄으로 분류할 수 있다 (Wilhite and Glantz, 1985). 기상학적 가뭄은 일정 기간 평균 강수량보다 적은 강수로 인하여 건조한 기간이 지속되는 것을 의미하며, 기상학적 가뭄이 지속되면 농업적 가뭄으로 진행된다. 농업적 가뭄은 작물의 생육에 필요한 수분이 부족한 상태이며, 농업적 가뭄 이후에는 전반적인 수자원 공급의 부족이 나타나는 수문학적 가뭄이 발생한다. 사회경제적 가뭄은 물의 공급량이 식생, 동물 및 인간의 물에 대한 수요량보다 낮은 상태를 의미하며, 사회경제적으로 기상학적, 농업적 및 수문학적 가뭄에 연계되어 영향을 미친다. 이러한 형태의 가뭄을 감지하고 분석하기 위하여 다양한 가뭄 인자들이 개발되었으며, 이를 이용하여 가뭄의 형태에 따른 특성을 평가하는 다양한 연구가 진행되고 있다. (Lee et al., 2015; Quiring, 2009; Olukayode Oladipo, 1985; Quiring and Papakryiakou; 2003, Tigkas et al., 2017; Liu et al., 2020; Tabari et al., 2013; Nalbantis, 2008; Huang et al., 2016; Shi et al., 2018)

기존의 다양한 가뭄관련 연구와 함께 최근에는 돌발가뭄이라는 새로운 형태의 가뭄평가 방법이 제시되었다. 돌발가뭄은 짧은 시간 동안 급속도로 가뭄이 발생하고 진행되는 가뭄의 형태를 의미한다 (Svoboda et al., 2002). Lee et al. (2021)은 NIDIS (National Integrated Drought Information System)에서 정의한 “Flash drought”을 국내에서는 “돌발가뭄”이라고 정의하였다. 가뭄은 일반적으로 완만하게 발생하여 서서히 진행되지만 (Wilhite et al., 2007), 돌발가뭄은 넓은 범위에서 가뭄이 급격하게 심각한 수준으로 진행되는 것을 의미하는 속도(Speed), 심각성(Severity) 및 확산(Spread)의 ‘3S’로 특징지을 수 있다 (Christian et al., 2019; Lisonbee et al., 2021; Otkin et al., 2018). 이러한 돌발가뭄은 짧은 시간 동안 급속도로 발생하고 심화하기 때문에, 작물의 생장에 영향을 미치며 식량안보나 농업 생태계를 위협한다. Hunt et al. (2021)은 2010년에 러시아에서 발생한 돌발가뭄으로 인하여 영향을 받은 농업 및 식량안보에 대하여 분석하였으며, 돌발가뭄으로 인한 밀 생산량이 지난 2년 동안과 비교하여 34%가 감소한 것으로 나타났다. 또한 Jin et al. (2019)은 2012년 미국에서 발생한 돌발가뭄이 농업 생태계에 어떠한 영향을 미쳤는지 연구하였으며, 돌발가뭄으로 인한 식생구조 변화, 작물의 생산량 감소 등 다양한 문제점들이 발생한 것으로 드러났다. 이러한 돌발 가뭄으로 인하여 발생하는 농업적⋅생태계적 피해를 줄이고 대응하기 위해서는 돌발가뭄 평가가 필요하다.

돌발가뭄은 비정상적으로 높은 기온으로 인해 발생하는 열파 돌발가뭄(heatwave flash drought)과, 강수량이 부족하여 발생하는 강수 결핍 돌발가뭄(precipitation-deficit flash drought)으로 구분된다 (Christian et al., 2019; Otkin et al., 2018). 두 종류의 돌발가뭄 모두 토양수분 결핍으로 인하여 작물에 피해를 미치기 때문에, 이러한 관점에서 돌발가뭄을 농업적 가뭄의 한 형태로 고려하기도 한다 (Mo and Lettenmaier, 2016). Zhang et al. (2017)은 돌발가뭄의 중요한 지표로 토양수분 결핍이 나타나고, 토양수분이 농업적 가뭄을 결정하는 가장 중요한 요인이기 때문에 돌발가뭄이 농업적 가뭄의 범주에 포함된다고 주장하였다. 따라서, 돌발가뭄을 이해하고 평가하기 위해선 토양수분을 분석해야 할 필요가 있으며, 토양수분을 이용한 다양한 돌발가뭄 관련 연구가 진행되고 있다. Otkin et al. (2016)은 ESI (Evaporative Stress Index)를 이용하여 2012년 중부 미국에 발생한 돌발가뭄을 토양수분과 식생 조건에 따라 분석하였고, Ford et al. (2015)은 돌발가뭄의 조기 경보를 위한 in-situ 토양수분의 활용성을 평가하였다. Wang and Yuan (2018)은 토양수분과 증발산량을 이용하여, 높은 온도(high-temperature driven, Type I) 및 수분결핍으로 유발(water-deficit driven, Type II)되는 두 가지 형태의 돌발가뭄을 분석하였다. Yuan et al. (2018)은 남아프리카의 돌발가뭄의 인위적 심화를 기온, 강수 및 토양수분을 이용하여 분석하였고, Otkin et al. (2019)은 남⋅중미 지역에서 돌발가뭄이 발생하고 해소하는 과정 동안의 토양수분 및 식생 조건 변화를 평가하였다. Sehgal et al. (2021)은 SMAP 토양수분 위성영상기반 돌발가뭄 평가지수인 FDSI (Flash Drought Stress Index)를 개발하였으며, 전 세계를 대상으로 돌발가뭄 평가를 진행하였다. 국내에서도 Lee et al. (2021)이 증발스트레스지수(ESI)를 이용하여 국내 돌발가뭄을 감지하는 연구를 진행하였다. 그러나 해외와 비교하여 국내에서의 돌발가뭄에 관한 연구는 미흡한 실정이고, 우리나라를 대상으로 돌발가뭄 분석에 중요한 역할을 하는 토양수분에 기반한 돌발가뭄 관련 연구는 매우 부족한 상황이다.

현재 우리나라의 토양수분은 농진청의 132개 지점에서 관측하고 있으나, 우리나라의 복잡한 지표특성을 나타내기에는 부족하다. 따라서 위성영상 기반의 토양수분 사용에 관한 연구가 활발히 진행되고 있다. 토양수분 관측위성은 SMOS(Soil Moisture and Ocean Salinity, Kerr et al., 2001), SMAP(Soil Moisture Active Passive, Entekhabi et al., 2010), AMSR2(Advanced Microwave Scanning Radiometer 2, Imaoka et al., 2010) 등 다양한 위성이 있으며, 이 중 SMOS와 SMAP은 공간 해상도가 35 km 이상으로 우리나라의 지표특성을 나타내기에 어려움이 있다. AMSR2 위성은 공간 해상도가 10 km이고 SMOS나 SMAP 위성의 재방문 주기가 2∼3일인 것에 비하여 AMSR2 위성의 재방문 주기는 1∼2일이기에, 다른 위성들보다 시⋅공간 해상도가 뛰어나다는 장점이 있다.

따라서 본 연구에서는 AMSR2 위성영상 기반 토양수분을 이용하여 토양수분 기반의 돌발가뭄평가 지수인 FDSI를 산정하였으며, 산정한 FDSI와 다양한 기상자료 및 지표특성 자료와 비교하여 2018년 우리나라의 돌발가뭄을 평가하였다. 본 연구의 목적은 1) 우리나라의 돌발가뭄 평가를 위한 월별 FDSI 산정 및 2) 지표특성에 따른 돌발가뭄 특성 분석이다.

Ⅱ. 방법론

본 연구에서는 2018년 4월부터 11월까지 우리나라를 대상으로 돌발가뭄 평가지수인 FDSI를 산정하였으며, 산정된 FDSI를 이용하여 우리나라의 월별 돌발가뭄 특성을 평가하였다. 우리나라 전국을 대상으로 FDSI를 산정하기 위하여, AMSR2 위성영상 기반 토양수분과 정밀토양도를 수집하였다. 수집한 토양수분과 정밀토양도 자료를 이용하여 우리나라의 월별 FDSI를 산정하였으며, 월평균기온, 월총강수량 및 MODIS (MODerate resolution Imaging Spectroradiometer) 위성영상 기반 증발산량을 비교하여 우리나라 월별 FDSI의 특성을 분석하였다. 산정된 월별 FDSI를 Sehgal et al. (2021)이 제시한 가뭄 평가 조건(돌발가뭄의 발생)에 따라 분류하여 돌발가뭄이 주로 발생한 기간을 분석하였으며, 가뭄평가지수인 표준강수지수(Standardized Precipitation Index-SPI, McKee et al., 1993)와 비교하여 FDSI의 돌발가뭄평가 성능을 평가하였다. 또한 지표특성(토지이용 및 경사도)에 따른 우리나라의 돌발가뭄을 평가하였으며, 돌발가뭄이 발생한 토지이용별 면적을 분류 및 경사도에 따라 비교하여 어떠한 토지이용이 우리나라 돌발가뭄에 취약하게 나타나는지 분석하였다. Fig. 1은 본 연구의 모식도를 나타낸다.

NGHHCI_2022_v64n4_31_f0001.png 이미지

Fig. 1 Schematics of this study

1. FDSI (Flash Drought Stress Index)

FDSI (Flash Drought Stress Index)는 Sehgal et al. (2021)이 개발하고 제시한 토양수분 기반의 돌발가뭄 평가 지표이다. FDSI는 SMS (Soil Moisture Stress)와 RRD (Relative Rate of Drydown) 2개의 인자를 통하여 산정된다. SMS는 토양수분이 습윤상태(θ > θWT, no stress)에서 건조상태(θ > θTD, high stress)로 전이하는 상태를 나타내는 무차원의 변수이며, 지수 n에 의하여 조절된다. 시간 t에 대하여 SMSt, θIP 및 n을 계산하는 식은 공식 (1∼3)과 같다. 변수 n은 형상 계수이며, 토양 수분과 SMS 곡선의 경사도/민감도를 조절한다. λ는 FDSI와 기존 돌발가뭄 지표 간의 상관성을 최대화해주는 변수이다. n과 λ는 Sehgal et al. (2021)이 FDSI를 개발하면서 제안한 값인 n = 6 및 λ = 16을 사용하였다.

\(\begin{aligned}S M S_{t}=\frac{1}{1+\left(\frac{\theta_{t}}{\theta_{I P}}\right)^{n}}\end{aligned}\)       (1)

\(\begin{aligned}\theta_{I P}=\frac{\theta^{T D}+\theta^{W T}}{2}\end{aligned}\)       (2)

\(\begin{aligned}n=\lambda \sqrt{m_{2}}\end{aligned}\)       (3)

여기서 θt: t일에서의 토양수분(cm3 cm-3), θTD: 영구 위조점(wilting point), θWT: 토양수분 임계점(critical point, 포장용수량의 75%), θIP : 변곡점(inflection point), n: 형상 계수(shape parameter), λ: 승수(multiplier), m2: 토양수분이 습윤상태에서 건조상태로 전이하는 속도를 나타낸다.

RRD (Relative Rate of Drydown)는 현시점 t를 기준으로 과거 30일 동안 토양수분 θ의 일반적인 건조 속도를 기반으로 하는 토양수분 스트레스의 증가 속도를 나타내는 지표이다. SMS와 유사하게, RRD는 공식 (4)와 같은 비선형 공식으로 산정된다.

\(\begin{aligned}R R D_{t}=\frac{1}{1+\left(\frac{m_{2}}{R D_{t}}\right)^{6}}\end{aligned}\)       (4)

여기서 RDt은 t일부터 t-30일까지의 관측 기간 동안 토양 수분 건조의 전이 구간(θTD < θ < θWT)에서 관측된 θ와 \(\begin{aligned}\left[-\frac{\Delta \theta}{\Delta t}\right]\end{aligned}\)의 기울기를 나타낸다. 관측 기간 동안 관측값이 10개 미만인 경우 RRD는 0.5로 가정한다.

FDSI는 30일 동안의 SMS (SMS30, 공식 (5))와 RRD로 계산되며, FDSI의 계산식은 공식 (6)과 같다.

\(\begin{aligned}S M S_{30, t}=\sum_{i=t}^{t-29} S M S_{i} / 30\end{aligned}\)       (5)

\(\begin{aligned}F D S I_{t}=\left\{\begin{array}{ll}\sqrt{S M S_{30, t} \times R R D_{t}} & \text { if } R R D_{t}>0.5 \\ \sqrt{S M S_{30, t} \times 0.5} & \text { if } R R D_{t} \leq 0.5\end{array}\right.\end{aligned}\)       (6)

본 연구에서는 우리나라 전국 단위의 영구 위조점(θTD) 및 토양수분 임계점(θWT)을 산정하기 위하여 Saxton et al. (2006)이 제시한 토양특성 기반 수문학적 인자 산정 공식을 사용하였다. Saxton et al. (2006)이 제시한 산정 공식은 토양 내에 존재하는 모래함량(sand, %), 점토함량(clay, %) 및 유기물 함량(organic matter, %)을 이용하여 토양의 수문학적 인자를 산정한다. 따라서 본 연구에서는 흙토람에서 제공하는 정밀토양도를 이용하여 우리나라 전국 토양 정보를 수집하였으며, 토양에 따른 영구 위조점 및 토양수분 임계점을 계산하여 우리나라 전국의 FDSI를 산정하였다. Saxton et al. (2006)이 제시한 산정 공식은 공식 (7∼10)과 같으며, 영구 위조점 및 토양수분 임계점은 공식 (11∼12)와 같다.

θ1500 = θ1500t + (0.14 × θ1500t - 0.02)        (7)

θ1500t = -0.024S + 0.487C + 0.006OM + 0.005(S × OM) - 0.013(C × OM) + 0.068(S × C) + 0.031       (8)

θ33 = θ33t + [1.283(θ33t)2 - 0.374(θ33t) - 0.015]       (9)

θ33t = -0.251S + 0.195C + 0.011OM + 0.006(S × OM) - 0.027(C × OM) + 0.452(S × C) + 0.299       (10)

θTD = θ1500       (11)

θWT = 0.75 × θ33       (12)

여기서 θ1500: 1500 kPa에서의 토양수분(%), θ1500t: 1500 kPa에서의 일차적 토양수분(%), θ33: 33 kPa에서의 토양수분(%), θ33t: 33 kPa에서의 일차적 토양수분 (%), S: 토양 내 모래함량(%), C: 토양 내 점토함량(%), OM: 토양 내 유기물함량(%)을 나타낸다.

2. AMSR2 위성영상 기반 토양수분

우리나라 전국 월별 FDSI의 공간분포를 산정하기 위하여 Lee et al. (2020)이 제시한 AMSR2 위성영상 기반 토양수분을 이용하였다. AMSR2 센서는 2012년 5월에 발사된 GCOM-W1(Global Change Observation Mission Water, Imaoka et al., 2010) 위성에 탑재되어 있으며, 센서를 통하여 총 7개의 주파수를 감지한다. Table 1 및 2는 GCOM-W1 위성의 제원과 AMSR-2 센서의 주파수별 정보를 나타낸다, 7개의 주파수 중 C-band (6.9 GHz), C2-band (7.3 GHz) 및 X-band (10.7 GHz)를 이용하여 토양수분을 관측하며, JAXA (Japan Aerospace Exploration Agency)에서는 50 km×50 km, NASA (National Aeronautics and Space Administration)에서는 LPRM (Land Parameter Retrieval Model)을 이용하여 10 km×10 km 및 25 km×25 km 해상도로 토양수분을 제공하고 있다.

Table 1 The major characteristics of GCOM-W1 Satellite

NGHHCI_2022_v64n4_31_t0001.png 이미지

Table 2 Information of the AMSR2 satellite sensor

NGHHCI_2022_v64n4_31_t0002.png 이미지

본 연구에서는 2018년 4월부터 11월까지의 일별 AMSR2 위성영상 기반 토양수분 자료를 사용하였다. Lee et al. (2020)은 주파수(C2/X-band)에 따른 AMSR2 위성영상을 이용하여 토양수분을 산정하였으며, TDR 기반 실측토양수분과 비교하여 AMSR2 기반 합성토양수분과 TDR 기반 실측토양수분이 유사한 것으로 나타났다. 또한 FDSI를 산정하기 위해서는 연속적인 시계열 토양수분 자료가 필요하기 때문에, 공간해상도가 10 km x 10 km로 다소 낮지만 시간해상도가 1∼2일 간격인 AMSR2 위성영상 기반 토양수분 이미지 자료를 사용하였다.

3. 연구지역 및 연구방법

본 연구에서는 2018년 4월부터 11월까지 우리나라 지역을 대상으로 FDSI를 산정하였다. 우리나라의 경사도, 토지이용도, 정밀토양도를 수집하였으며, 각각 AMSR2 위성영상 기반 토양수분 해상도인 0.1° (10 km)로 변환(resample)하였다. 기상자료의 경우 기상청 종관기상관측(ASOS)에서 제공하는 일강수량 및 평균 기온 자료를 수집하였으며, 기상관측소 지점(point-scale) 단위로 제공되는 자료는 GIS (Geographic Information System)에서 제공하는 IDW 보간(Inverse Distance Weighting interpolation) 기법을 이용하여 공간분포로 변환하였다. 증발산량의 경우 MODIS 위성영상 기반 증발산량을 수집하였다.

2018년 4월부터 11월까지 우리나라 지역을 대상으로 월별 FDSI를 산정하였으며, 월총강수량, 월평균기온 및 MODIS 위성영상 기반 증발산량을 비교하여 월별 FDSI의 특성을 비교하였다. 산정된 FDSI를 Sehgal et al. (2021)이 제시했던 가뭄평가 조건인 돌발가뭄의 발생(FDSI ≧ 0.71)으로 분류하여 어떠한 기간에 돌발가뭄이 주로 발생하였는지 분석하였다. 또한 국내에서 많이 사용되고 있는 가뭄 평가지수 중 하나인 SPI (Standardized Precipitation Index)와 FDSI를 비교하여, 기존에 많이 사용되고 있는 가뭄평가지수와 비교⋅분석하였다. SPI는 특정기간동안 누적된 강수량이 평년값과 비교하여 어느 정도 차이가 발생하는지 나타내는 가뭄지수이다. 본 연구에서는 3개월 간의 합산 강수량을 이용하는 SPI-3을 사용하였다. Table 3은 SPI의 범위에 따른 가뭄상태를 나타낸다.

Table 3 Categories of SPI-based drought condition

NGHHCI_2022_v64n4_31_t0003.png 이미지

Fig. 2는 본 연구에서 수집한 토지이용도, 경사도 및 토양특성(모래, 이토 및 점토)을 나타내며, Table 4는 Lee and Jo (2000)가 정의한 경사도별 분류를 나타낸다. 산정한 FDSI와 지표특성(토지이용 및 경사도)를 비교하여 지표특성에 따른 우리나라의 돌발가뭄 특성을 분석하였다. 토지이용의 경우 돌발가뭄이 발생(FDSI ≧ 0.71)한 토지이용별 면적을 분류 및 비교하여, 어떠한 토지이용에서 주로 돌발가뭄이 발생하였는지 분석하였다. 또한 Lee and Jo (2000)가 제시한 경사도별 분류에 따라 돌발가뭄이 발생한 면적을 구분하여 경사도가 돌발가뭄에 미치는 영향을 분석하였다.

Table 4 The classification of slope degree

NGHHCI_2022_v64n4_31_t0004.png 이미지

NGHHCI_2022_v64n4_31_f0002.png 이미지

Fig. 2 The land surface data for analyzing the flash drought on South Korea; (a) Landuse, (b) Slope degree, (c) Sand (%), (d) Silt (%) and (e) Clay (%)

Ⅲ. 결과 및 고찰

1. 우리나라의 월별 FDSI 산정 및 기상자료에 따른 돌발가뭄 분석

AMSR-2 위성영상 기반 토양수분과 정밀토양도를 이용하여 우리나라의 2018년 월별 FDSI를 산정하였다. Fig. 3은 2018년 4월부터 11월까지의 우리나라 일별 FDSI를 월별 단위로 변환한 결과이며, Fig. 4는 FDSI를 산정하기 위하여 사용된 AMSR2 위성영상 기반 월별 토양수분을 나타낸다. 우리나라의 월별 FDSI의 경우 2018년 4월부터 5월까지는 큰 변화는 없었으나, 여름이 시작되는 6월부터 강원도 및 경상북도를 중심으로 FDSI 값이 증가하는 것으로 나타났다. 특히 FDSI 값은 2018년 8월에 매우 크게 나타났으며, 이후 9월∼11월까지 점차 감소하는 경향을 보였다. 이러한 경향은 AMSR2 토양수분의 시⋅공간적 변화 패턴과 매우 유사하게 나타났다. Fig. 4는 2018년 4월부터 11월까지의 우리나라 AMSR2 위성영상기반 토양수분을 나타낸다. AMSR2 위성영상 기반 토양수분 또한 6월부터 감소하는 것으로 나타났으며, 7∼8월 토양수분이 매우 낮게 나타나는 지역에서 월별 FDSI가 매우 높게 나타났다. 이는 FDSI가 AMSR2 위성영상 기반 토양수분을 이용하여 산정되었기 때문에, FDSI와 AMSR2 위성영상 기반 토양수분 간에 공간적인 분포가 일치하는 경향을 보이는 것으로 판단된다.

NGHHCI_2022_v64n4_31_f0003.png 이미지

Fig. 3 Monthly FDSI on South Korea in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

NGHHCI_2022_v64n4_31_f0004.png 이미지

Fig. 4 Monthly AMSR2 satellite-based soil moisture on South Korea in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

Fig. 5는 2018년 4월∼11월 MODIS 위성영상 기반 월평균 증발산량이며, Fig. 6 및 Fig. 7은 ASOS 기상관측자료를 보간하여 나타낸 우리나라의 2018년 4월∼11월 월평균 기온 및 월총강수량을 나타낸다. MODIS 위성영상 기반 증발산량은 주로 식생이 많은 산악 지형에서 높게 나타났으며, 식생이 많이 발달하는 5∼8월에 높은 것으로 나타났다. 월평균 기온의 경우 기온이 크게 증가하는 여름철부터 태백산맥 및 내륙 지역에서 높게 나타났다. 월평균기온과 증발산량 및 산정한 FDSI를 비교한 결과, 월평균기온과 증발산량이 높게 나타난 지역에서 FDSI가 높은 것으로 나타났다. 이러한 현상은 기온이 높아질수록 지표에서의 증발산량을 증가시키고, 증발산량이 커질수록 토양수분이 감소하여 FDSI 산정 인자 중 토양수분 스트레스를 나타내는 SMS30이 증가한 것으로 판단된다. 월총강수량의 경우 태백산맥을 포함한 강원도 및 경상북도 지역에서 다른 지역과 비교하여 다소 낮게 나타났으며, 강원도 및 경상북도 지역에서 돌발가뭄이 높게 나타나는 경향과 어느 정도 유사한 것으로 판단되었다. 전체적으로, FDSI가 높게 나타난 지역은 강수량이 다른 지역과 비교하여 다소 낮고, 기온 및 증발산량이 높게 나타났다.

NGHHCI_2022_v64n4_31_f0005.png 이미지

Fig. 5 MODIS satellite-based evapotranspiration in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

NGHHCI_2022_v64n4_31_f0006.png 이미지

Fig. 6 Monthly average temperature in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

NGHHCI_2022_v64n4_31_f0007.png 이미지

Fig. 7 Monthly total precipitation in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

Fig. 8은 돌발가뭄이 발생(FDSI ≧ 0.71)한 월별 국토 면적을 나타낸다. 우리나라 국토의 경우 4∼5월에는 거의 돌발가뭄이 발생하지 않았지만, 6월부터 점진적으로 증가하였다. 특히 기온이 가장 높게 나타나는 8월에 가장 많은 면적(5,700km2)에서 돌발가뭄이 발생한 것으로 나타났다. 돌발가뭄이 가장 광범위하게 발생한 8월의 경우 다른 기간과 비교하여 강수량은 비교적 높게 나타났으나, 증발산량과 매우 높은 기온으로 인하여 산악 지형을 중심으로 급격한 토양수분 감소로 인한 돌발가뭄이 발생한 것으로 판단되었다. 지역에 따른 평균 기온, 강수량 및 증발산량의 증감이 우리나라 돌발가뭄의 발생 및 심화에 어느 정도 영향을 미치며, 8월에 돌발가뭄이 가장 많이 발생하는 것으로 사료된다. 전체적으로 월평균 기온, 월총강수량 및 증발산량과 FDSI의 공간분포가 일치하는 경향을 보였으나, 지역적으로 다소 차이가 발생하는 것으로 나타났다. 이는 기상자료의 경우, 기상청 관측지점별 기상자료의 보간으로 인한 불확실성이 영향을 미친 것으로 판단된다.

NGHHCI_2022_v64n4_31_f0008.png 이미지

Fig. 8 Seasonal area changes of FDSI (≧ 0.71) on South Korea

FDSI 지수의 적용성을 평가하기 위하여 기상청 금산 관측소 지점을 대상으로 기존에 많이 사용되고 있는 SPI-3 가뭄지수를 산정하여 비교하였다. Table 5와 6은 2018년 기상청 금산관측소에서 수집된 기상자료를 이용하여 산정된 월별 SPI-3/FDSI를 나타낸다. SPI-3의 경우 연구기간동안 심각한 가뭄이 발생하지 않는 것으로 나타났으나 FDSI 지수는 5월부터 증가하였다. 특히 7월 중순부터 8월 하순까지 24.9 mm(Fig. 9)의 적은 강우가 발생하여 FDSI 지수는 8월에 돌발가뭄(0.857)이 발생한 것으로 나타났으나, SPI-3의 경우 보통상태(near normal)인 것으로 나타나 FDSI가 가뭄발생에 더욱 민감하게 반응하는 것으로 나타났다.

Table 5 SPI-3 on Geumsan observatory in 2018

NGHHCI_2022_v64n4_31_t0005.png 이미지

NGHHCI_2022_v64n4_31_f0009.png 이미지

Fig. 9 The daily precipitation on Geumsan observatory in 2018

Table 6 Monthly FDSI on Geumsan observatory in 2018

NGHHCI_2022_v64n4_31_t0006.png 이미지

2. 지표특성에 따른 우리나라의 월별 돌발가뭄 평가

산정된 2018년 4월부터 11월까지 우리나라의 월별 FDSI과 토지이용을 비교하여, 토지이용에 따른 우리나라의 돌발가뭄 특성을 분석하였다. 토지이용의 경우 Sehgal et al. (2021)이 제시한 가뭄 평가 조건에 따라 각각의 토지이용이 차지하는 면적을 비교하였다. Fig. 10은 돌발가뭄이 발생한 경우(FDSI ≧ 0.71)에서의 토지이용별 면적을 나타낸다. 돌발가뭄이 발생한 경우(FDSI ≧ 0.71) 토지이용이 산림인 면적이 가장 크게 나타났으며, 6∼7월에 해당 조건을 만족하는 면적(1,300km2 및 1,500 km2)이 증가하였다. 8월에 가장 많은 산림 면적(3,900 km2)이 돌발가뭄을 겪은 것으로 나타났으며, 9월부터 감소하는 경향을 보였다. 전체적으로 대부분의 기간 동안 산악 지형에서 가장 많이 돌발가뭄을 겪은 것으로 나타났다. 또한 돌발가뭄이 발생한 면적을 Lee and Jo (2000)가 제안한 경사도별 분류에 따라 구분하였다 (Fig. 11). 산정된 FDSI를 경사도에 따라 비교한 결과 경사도가 20도 이상인 급경사지에서 돌발가뭄이 자주 발생한 것으로 나타났다. 보통 산악 지형은 경사가 가파르며, 경사가 가파를수록 평지와 비교하여 토양수분이 빠르게 감소한다. FDSI 산정에 사용되는 인자인 RRD 산정시 토양수분의 감소 기울기(RDt)가 활용되므로, 토양수분이 가파르게 감소하면 RRD 값이 커져 돌발가뭄 평가지수인 FDSI는 급격하게 증가한다. 따라서 우리나라의 돌발가뭄은 경사가 가파른 산악 지형에서 주로 발생하는 것으로 판단되었다.

NGHHCI_2022_v64n4_31_f0010.png 이미지

Fig. 10 Landuse based area changes of FDSI (≧ 0.71) on South Korea in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

NGHHCI_2022_v64n4_31_f0011.png 이미지

Fig. 11 Slope degree based area changes of FDSI (≧ 0.71) on South Korea in 2018; (a) April, (b) May, (c) June, (d) July, (e) August, (f) September, (g) October, (h) November

Ⅳ. 결론

본 연구에서는 돌발가뭄 평가지수인 FDSI를 이용하여 우리나라의 월별 돌발가뭄을 평가하고 기상자료 및 지표특성에 따른 돌발가뭄의 특성을 분석하였다. Lee et al. (2020)이 제시한 AMSR2 위성영상 기반 토양수분과 정밀토양도를 이용하여 2018년 4월∼11월까지 우리나라의 월별 FDSI를 산정하였으며, 다양한 기상자료(월평균기온, 월총강수량 및 증발산량)과 비교하였다. 우리나라의 월별 FDSI는 4∼5월에는 큰 변화가 없었으나, 6월부터 태백산맥을 포함한 산악 지형을 중심으로 증가하여 8월에 가장 크게 나타났다. 이는 AMSR2 위성영상 토양수분의 변화 패턴과 매우 유사하게 나타나, 돌발가뭄이 토양수분의 증가 및 감소에 큰 영향을 받는 것으로 판단하였다. 또한 다양한 기상자료와 월별 FDSI를 분석한 결과, 평균기온 및 증발산량이 높고 강수량이 비교적 낮은 지역에서 월별 FDSI가 높게 나타났다. 특히 연구 기간 중 8월에서 가장 많은 면적이 돌발가뭄의 발생을 겪은 것으로 나타났다. 이러한 현상은 8월의 높은 기온 및 증발산량으로 인하여 토양수분이 크게 감소하였기 때문에, 월별 FDSI가 매우 높게 나타난 것으로 판단된다. 기상자료에 따른 FDSI 분석 결과 월평균기온, 월총강수량 및 증발산량의 증감이 우리나라 돌발가뭄에 영향을 미치는 것으로 나타났으나, 지역적으로 다소 차이가 발생하는 것으로 나타났다. 이는 기상자료의 경우 관측지점 별 기상자료를 보간하였으며, 특히 위성 기반 토양수분 이미지의 경우 산림이 우세한 지역에서 불확실성이 다소 크게 발생하는 특성이 지역적 차이에 영향을 미친 것으로 판단되었다. 또한 산정된 FDSI와 기존에 국내에서 사용되고 있던 가뭄지수인 SPI-3을 비교하였다. 7월 중순부터 8월 하순까지 약 40일 동안 24.9 mm의 적은 강우가 발생하여 FDSI 지수는 돌발가뭄이 발생한 것으로 나타났으나, SPI-3의 경우 보통상태(near normal)인 것으로 나타나 FDSI가 가뭄발생에 더욱 민감하게 반응하는 것으로 나타났다.

산정된 2018년 4월부터 11월까지의 월별 FDSI를 이용하여, 지표특성(토지이용 및 경사도)에 따른 우리나라의 월별 돌발가뭄 특성을 분석하였다. 토지이용의 경우 돌발가뭄이 발생한 면적을 토지이용별로 분류하였으며, 연구기간 동안에 주로 산림이 우세한 지역에서 돌발가뭄이 발생하는 것으로 나타났다. 또한 경사도별로 돌발가뭄이 발생한 면적을 비교한 결과, 경사도가 20° 이상의 급경사지에서 주로 돌발가뭄이 발생하였다. 이는 평지와 비교하여 산악 지형의 급경사가 우세한 지점의 경우 강우 발생 이후에 토양수분의 감소가 상대적으로 빠르게 감소하기 때문에, FDSI가 높게 나타나는 것으로 판단되었다. FDSI를 이용한 2018년 우리나라의 월별 돌발가뭄 분석 결과 우리나라 돌발가뭄에 월평균기온, 월총강수량 및 증발산량이 FDSI에 영향을 미치는 것으로 나타났으며, 특히 산악 지형의 경사도가 우리나라의 돌발가뭄의 발생 및 심화에 크게 영향을 미치는 것으로 판단된다. 본 연구결과는 가뭄발생시 농업, 산림, 수자원 등의 다양한 분야에서 가뭄대응을 위한 기초자료로 활용될 수 있을것으로 사료된다.

감사의 글

이 논문(저서)은 2021학년도 경북대학교 연구년 교수 연구비에 의하여 연구되었음

참고문헌

  1. Christian, J. I., J. B. Basara, J. A. Otkin, E. D. Hunt, R. A. Wakefield, P. X. Flanagan, and X. Xiao, 2019. A methodology for flash drought identification: application of flash drought frequency across the United States. Journal of Hydrometeorology 20(5): 833-846. doi:10.1175/JHM-D-18-0198.1.
  2. Entekhabi, D., E. G. Njoku, P. E. O'Neill, K. H. Kellogg, W. T. Crow, W. N. Edelstein, J. K. Entin, S. D. Goodman, T. J. Jackson, J. Johnson, J. Kimball, J. R. Piepmeier, R. D. Koster, N. Martin, K. C. McDonal, M. Moghaddam, S. Moran, R. Reichle, J. C. Shi, M. W. Spencer, S. W. Thurman, L. Tsang, and Van Zyl, J. 2010. The soil moisture active passive (SMAP) mission. Proceedings of the IEEE 98(5): 704-716. doi:10.1109/JPROC.2010.2043918.
  3. Ford, T. W., D. B. McRoberts, S. M. Quiring, and R. E. Hall, 2015. On the utility of in situ soil moisture observations for flash drought early warning in Oklahoma, USA. Geophysical Research Letters 42(22), 9790-9798. doi:10.1002/2015GL066600.
  4. Huang, S., Q. Huang, G. Leng, and S. Liu, 2016. A nonparametric multivariate standardized drought index for characterizing socioeconomic drought: A case study in the Heihe River Basin. Journal of Hydrology 542: 875-883. doi:10.1016/j.jhydrol.2016.09.059.
  5. Hunt, E., F. Femia, C. Werrell, J. I. Christian, J. A. Otkin, J. Basara, M. Anderson, T. White, C. Hain, R. Randall, and K. McGaughey, 2021. Agricultural and food security impacts from the 2010 Russia flash drought. Weather and Climate Extremes 34: 100383. doi:10.1016/j.wace.2021.100383.
  6. Imaoka, K., M. Kachi, H. Fujii, H. Murakami, M. Hori, A. Ono, T. Igarashi, K. Nakagawa, T. Oki, Y. Honda, and H. Shimoda, 2010. Global Change Observation Mission (GCOM) for monitoring carbon, water cycles, and climate change. Proceedings of the IEEE 98(5): 717-734. doi:10. 1109/JPROC.2009.2036869. https://doi.org/10.1109/JPROC.2009.2036869
  7. Jin, C., X. Luo, X. Xiao, J. Dong, X. Li, J. Yang, and D. Zhao, 2019. The 2012 flash drought threatened US Midwest agroecosystems. Chinese Geographical Science 29(5): 768-783. doi:10.1007/s11769-019-1066-7.
  8. Kerr, Y. H., P. Waldteufel, J. P. Wigneron, J. A. M. J. Martinuzzi, J. Font, and M. Berger, 2001. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity (SMOS) mission. IEEE Transactions on Geoscience and Remote Sensing 39(8): 1729-1735. doi:10.1109/36.942551.
  9. Lee, B. R., J. H. Sung, and E. S. Chung, 2015. Comparison of meteorological drought and hydrological drought index. Journal of Korea Water Resources Association 48(1): 69-78. doi:10.3741/JKWRA.2015.48.1.69. (in Korean).
  10. Lee, H. J., W. H. Nam, D. H. Yoon, D. S. Mark, and D. W. Brian, 2021. Detection of flash drought using evaporative stress index in South Korea. Journal of Korea Water Resources Association 54(8): 577-587. doi:10.3741/JKWRA.2021.54.8.577. (in Korean).
  11. Lee, K. S., and W. R. Jo, 2000. The gradient analysis of the Korean peninsula by using DEM. Journal of the Korean Association of Geographic Information Studies 3(1): 35-43. (in Korean).
  12. Lee, T., S. Kim, and Y. Shin, 2020. Spatio-temporal resolution analysis based on Landsat/AMSR2 soil moisture. Journal of the Korean Society of Agricultural Engineers 62(1): 51-60. doi:10.5389/KSAE.2020.62.1.051. (in Korean).
  13. Lisonbee, J., M. Woloszyn, and M. Skumanich, 2021. Making sense of flash drought: Definitions, indicators, and where we go from here. J. Appl. Serv. Climatol 2021: 1-19. doi:10.46275/JOASC.2021.02.001.
  14. Liu, X., X. Zhu, Q. Zhang, T. Yang, Y. Pan, and P. Sun, 2020. A remote sensing and artificial neural network-based integrated agricultural drought index: Index development and applications. Catena 186: 104394. doi:10.1016/j.catena.2019.104394.
  15. McKee, T. B., N. J. Doesken, and J. Kleist, 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology 17(22): 179-183.
  16. Mo, K. C., and D. P. Lettenmaier, 2016. Precipitation deficit flash droughts over the United States. Journal of Hydrometeorology 17(4): 1169-1184. doi:10.1175/JHM-D-15-0158.1.
  17. Nalbantis, I. 2008. Evaluation of a hydrological drought index. European Water 23(24): 67-77.
  18. Olukayode Oladipo, E. 1985. A comparative performance analysis of three meteorological drought indices. Journal of Climatology 5(6): 655-664. doi:10.1002/joc.3370050607.
  19. Otkin, J. A., M. C. Anderson, C. Hain, M. Svoboda, D. Johnson, R. Mueller, T. Tadesse, B. Wardlow, and J. Brown, 2016. Assessing the evolution of soil moisture and vegetation conditions during the 2012 United States flash drought. Agricultural and Forest Meteorology 218: 230-242. doi:10.1016/j.agrformet.2015.12.065.
  20. Otkin, J. A., M. Svoboda, E. D. Hunt, T. W. Ford, M. C. Anderson, C. Hain,, and J. B. Basara, 2018. Flash droughts: A review and assessment of the challenges imposed by rapid-onset droughts in the United States. Bulletin of the American Meteorological Society 99(5): 911-919. doi:10.1175/BAMS-D-17-0149.1.
  21. Otkin, J. A., Y. Zhong, E. D. Hunt, J. Basara, M. Svoboda, M. C. Anderson, and C. Hain, 2019. Assessing the evolution of soil moisture and vegetation conditions during a flash drought-flash recovery sequence over the South-Central United States. Journal of Hydrometeorology 20(3): 549-562. doi:10.1175/JHM-D-18-0171.1.
  22. Quiring, S. M. 2009. Monitoring drought: an evaluation of meteorological drought indices. Geography Compass 3(1): 64-88. doi:10.1111/j.1749-8198.2008.00207.x.
  23. Quiring, S. M., and T. N. Papakryiakou, 2003. An evaluation of agricultural drought indices for the Canadian prairies. Agricultural and Forest Meteorology 118(1-2): 49-62. doi:10.1016/S0168-1923(03)00072-8.
  24. Saxton, K. E., and W. J. Rawls, 2006. Soil water characteristic estimates by texture and organic matter for hydrologic solutions. Soil Science Society of America Journal 70(5): 1569-1578. doi:10.2136/sssaj2005.0117.
  25. Sehgal, V., N. Gaur, and B. P. Mohanty, 2021. Global Flash Drought Monitoring Using Surface Soil Moisture. Water Resources Research 57(9): e2021WR029901. doi:10.1029/2021WR029901.
  26. Shi, H., J. Chen, K. Wang, and J. Niu, 2018. A new method and a new index for identifying socioeconomic drought events under climate change: A case study of the East River basin in China. Science of the Total Environment, 616: 363-375. doi:10.1016/j.scitotenv.2017.10.321.
  27. Svoboda, M., D. LeComte, M. Hayes, R. Heim, K. Gleason, J. Angel, B. Rippey, R. Tinker, M. Palecki, D. Stooksbury, D. Miskus, and S. Stephens, 2002. The drought monitor. Bulletin of the American Meteorological Society 83(8) 1181-1190. doi:10.1175/1520-0477-83.8.1181.
  28. Tabari, H., J. Nikbakht, and P. Hosseinzadeh Talaee, 2013. Hydrological drought assessment in Northwestern Iran based on streamflow drought index (SDI). Water Resources Management 27(1): 137-151. doi:10.1007/s11269-012-0173-3.
  29. Tigkas, D., H. Vangelis, and G. Tsakiris, 2017. An enhanced effective reconnaissance drought index for the characterisation of agricultural drought. Environmental Processes 4(1): 137-148. doi: 10.1007/s40710-017-0219-x.
  30. Wang, L., and X. Yuan, 2018. Two types of flash drought and their connections with seasonal drought. Advances in Atmospheric Sciences 35(12): 1478-1490. doi:10.1007/s00376-018-8047-0.
  31. Wilhite, D. A., and M. H. Glantz, 1985. Understanding: the drought phenomenon: the role of definitions. Water International 10(3): 111-120. doi:10.1080/02508068508686328.
  32. Wilhite, D. A., M. D. Svoboda, and M. J. Hayes, 2007. Understanding the complex impacts of drought: A key to enhancing drought mitigation and preparedness. Water Resources Management 21(5): 763-774. doi:10.1007/s11269-006-9076-5.
  33. Yuan, X., L. Wang, and E. F. Wood, 2018. Anthropogenic intensification of southern African flash droughts as exemplified by the 2015/16 season. Herring, SC, N. Christidis, A. Hoell, JP Kossin, CJ Schreck III & PA Stott, Eds 586-589. doi:10.1175/BAMS-D-17-0077.1.
  34. Zhang, Y., Q. You, C. Chen, and X. Li, 2017. Flash droughts in a typical humid and subtropical basin: A case study in the Gan River Basin, China. Journal of Hydrology 551: 162-176. doi:10.1016/j.jhydrol.2017.05.044.