1. 서론
기상학적 변수의 변화로부터 발생하는 기상학적 가뭄은 수문 순환을 통하여 여러 유형의 가뭄으로 전파되어(Jehanzaib et al., 2020) 수자원, 환경, 생태 등의 다양한 분야에 중대한 영향을 미칠 수 있다. 특히 강수량 부족은 심각한 가뭄을 초래하여 농업 생산, 성장 등의 생태계 건강에 직접적인 영향을 미치며, 궁극적으로 생물다양성, 생태계의 손실 및 산림 취약성이 증가된다(Lovelock and Ellison, 2007; Djebou et al., 2015; Brandt et al., 2017; Boori et al., 2022). 이렇듯 가뭄이 생태계에 중대한 영향을 미치는 상태를 생태학적 가뭄이라고 정의할 수 있으며(Crausbay et al., 2017), 생태학적 가뭄의 범위는 매우 다양하다. 육상 생태계의 핵심 구성 요소인 식생은 대기, 물, 토양 사이의 주요 연결고리이므로, 가뭄 위험은 육상 생태계를 대표하는 식생에 결정적인 영향을 미칠 수 있다(Wang et al., 2018; Zhang et al., 2020). 기상학적 가뭄이 식생에 미치는 영향 즉, 식생의 생태학적 가뭄을 정의하고 모니터링하는 것은 육상 생태계의 지속 가능성을 위해 특히 중요하다.
지난 수십 년 동안 식생 모니터링은 원격탐사 및 지구관측 기술이 발전함에 따라 현장 모니터링에서 공간적인 모니터링으로 점차 발전했다(West et al., 2019). 원격탐사자료는 이전 방법보다 더 큰 시공간적 규모에 걸쳐 주요 식생 관련 변수의 관찰 및 모니터링을 가능하게 한다(Choi et al., 2013; Sur et al., 2015). 가장 빈번하게 사용되는 원격탐사 기반의 식생지수인 Normalized Difference Vegetation Index (NDVI)는 식생 상태를 평가하는 데 주로 사용되고 있으며, NDVI를 이용한 식생 가뭄지수가 다양하게 개발되고 식생 가뭄 모니터링에 이용되어왔다(예: Vegetation Health Index (Kogan, 1997);Vegetation Temperature Condition Index (Wan et al., 2004);Scaled DroughtCondition Index (Rhee et al., 2010);Integrated Surface DroughtIndex (Zhou et al., 2013);Vegetation Supply Water Index (Cunha et al., 2015)). 그러나 이들 지수 자체로는 식생의 생태학적 가뭄 상태를 모니터링하는 데 제한적이다. 본 연구에서 식생의 생태학적 가뭄 상태는 기상학적 가뭄으로 인해 식생이 영향을 받은 상태로 정의되는데, 식생 상태를 모니터링하는 지수만으로는 기상학적 가뭄 발생과 그에 따른 식생 상태를 직접적으로 연결할 수 없기 때문이다. 실제로 식생의 건강 상태는 가뭄뿐만 아니라 다양한 유형의 식생 스트레스(해충 침입, 병원균, 바이러스, 토지 이용 및 토지 피복의 변화 등)와 관련될 수 있다. 따라서 기상학적 가뭄에 대한 식생의 반응은 기상 변수 또는 기상 가뭄지수와 식생 관련 변수 사이의 관계로부터 조사될 필요가 있다.
이에 따라 최근에는 식생 정보와 다양한 기후 정보를 결합하는 copula 기반의 결합 확률 모델이 제안되어 왔다(Fang et al., 2019; Jha et al., 2019; Wang et al., 2021). Copula는 수문 기상학적 스트레스와 식생 반응 사이의 의존성을 분석하는 데 유용한 도구로 사용된다. Jha et al. (2019)은 copula를 이용하여 기온, 강수량 및 토양수분의 변화 시나리오에서 인도 전역의 식생 가뭄 가능성을 추정하였으며, Wang et al. (2021)은 가뭄으로 인한 건조 스트레스에 대한 식생의 취약성을 추정하였다. Zhu et al. (2020)의 연구에서는 SPI와 식생지수를 결합하여 식생과 가뭄의 반응을 정량화 하였다. 이처럼 결합 확률 의존성에 기반한 관점에서 기상학적 가뭄이 식생에 미치는 영향을 식별하는 것이 필요하다. 본 연구의 사전 연구의 일환으로, 저자들은 copula 결합 모델을 이용하여 기상학적 가뭄 시 산림지역 식생의 생태학적 가뭄 발생 가능성을 조사한 바 있다(Won et al., 2021). 상기의 언급된 연구들은 기상학적 가뭄에 대한 식생의 생태학적 가뭄 위험도를 평가하였으며, 본 연구에서는 나아가 기상학적 가뭄 발생으로 인한 식생의 생태학적 가뭄 상태를 모니터링하는 것을 목표로 한다.
본 연구의 새로움은 기상학적 가뭄과 식생 반응 사이의 확률론적 관계를 기반으로 식생의 생태가뭄을 모니터링할 수 있는 생태가뭄 상태지수인 Ecological Drought Condition Index-Vegetation (EDCI-veg)를 제안하는 것이다. 이를 위해 먼저 원격탐사자료를 활용하여 기상학적 가뭄을 표현하는 Standardized Precipitation Index (SPI; Mckee et al., 1993)와 식생 상태를 모니터링하는 Vegetation Health Index (VHI; Kogan, 1997)가 추정된다. 이후 SPI와 VHI 사이의 copula 기반의 이변량 결합 확률 모델을 구성하고, 결합확률분포로부터 EDCI-veg를 도출하였다. 제안된 EDCI-veg는 발생한 기상학적 가뭄 사상과 그에 대응하는 식생 상태를 비교함으로써 식생의 생태가뭄상태를 모니터링할 수 있는 지수로 활용 가능한지 평가된다.
2. 자료 및 연구 방법
1) 자료 및 연구 대상 지역
인공위성으로부터 원격으로 관측된 NDVI, Land Surface Temperature (LST) 및 강수량이 기상학적 가뭄 및 식생을 모니터링하기 위해 이용되었다. NDVI는 Moderate-resolution Imaging Spectro-radiometer (MODIS)로부터 제작된 다양한 산출물 중 Terra 위성으로부터 수집된 MOD13C2 제품이 이용되었다. LST는 MODIS Terra 위성으로부터 관측된 MOD11C3 제품을 이용하였다. 이들 자료의 공간적인 해상도는 0.05°이며, 시간적인 해상도는 월-단위이다. 강수량은 U.S. Geological Survey (USGS)에서 제공되는 Climate Hazards Infrared Precipitation with Stations (CHIRPS) 자료를 이용하였다. CHIRPS는 현재 미국국제개발기구의 가뭄 조기경보시스템 네트워크의 가뭄 모니터링에 사용되고 있다. CHIRPS는 위성 강우 추정치와 관측소의 관측치를 혼합하여 1981년부터 현재까지 생산되고 있으며(Shukla et al., 2014), 최근 가뭄 모니터링 분야에서 다양하게 적용된 자료이다(Sandeep et al., 2021). 본 연구에서는 2000년 부터 2021년까지의 0.05°의 공간적인 해상도를 가지는 월-단위의 CHIRPS 강수량 자료를 이용하였다.
본 연구는 낙동강 유역의 서쪽에 위치한 감천 유역을 대상으로 한다. 감천 유역의 면적은 낙동강 유역의 4.2%에 해당하며, 8개의 소권역을 포함한다. 본 연구는 원격탐사 기반의 픽셀 자료를 이용하므로 실제 분석 영역은 감천 유역의 인근 픽셀까지 포함한 영역(36.35°N–35.85°N, 127.85°E–128.35°E)으로 설정되었다. Fig. 1은 감천 유역의 위치와 감천 유역 내 소권역을 나타낸다.
Fig. 1. Gamcheon basin.
2) 가뭄지수
기상학적 가뭄 시 식생이 받는 영향을 모니터링하기 위해 본 연구에서는 VHI를 이용하였다. VHI는 수분과 온도가 식생에 미치는 영향을 조사하기 위해 널리 사용되는 지수이다(Wang et al., 2014). 다양한 연구들을 통해 식생 모니터링을 위한 VHI의 적용성이 입증되어왔다(Almamalachy et al., 2020; Javed et al., 2021). VHI는 전자파 스펙트럼의 가시적 및 근적외선 부분에 대한 정보를 통합하는 식생상태지수(Vegetation Condition Index, VCI)와 열적외선에 의한 열상태지수(Thermal Condition Index, TCI)의 선형결합으로 이루어진다. 이중 VCI는 식생의 물에 대한 스트레스를 설명하며, NDVI를 이용하여 다음과 같이 추정된다(Kogan, 1997).
\(\begin{aligned}V C I_{i}=\frac{N D V I_{i}-N D V I_{i, \min }}{N D V I_{i, \max }-N D V I_{i, \min }} \times 100\\\end{aligned}\) (1)
여기서 VCIi는 픽셀 i에서 추정된 VCI, NDVIi는 픽셀 i에서 관측된 NDVI 값이며, NDVIi, min과 NDVIi, max는 VCIi가 계산되고 있는 월의 자료들 중에서 픽셀 i에서 2001년부터 2021년 동안 관측된 NDVI의 최소값과 최대값이다. TCI는 LST에 기초하여 식생의 온도 스트레스를 평가하기 위해 사용되며 다음과 같이 계산된다.
\(\begin{aligned}T C I_{i}=\frac{L S T_{i, \max }-L S T_{i}}{L S T_{i, \max }-L S T_{i, \min }} \times 100\\\end{aligned}\) (2)
여기서 TCIi는 픽셀 i에서 산정된 TCI이다. LSTi는 픽셀 i에서 관측된 LST 값이며, LSTi, min과 LSTi, max는 TCIi가 계산되고 있는 월의 자료들 중에서 픽셀 i에서 2001년부터 2021년 동안 관측된 LST의 최솟값과 최댓값이다. VHI는 VCI와 TCI를 이용하여 다음과 같이 계산된다.
VHI = αVCI + (1 – α)TCI (3)
여기서 α는 일반적으로 0.5이며, 본 과업에서도 0.5를 적용하여 VHI를 산정하였다(Kogan, 1997). VHI는 40 이하일 때 식생의 가뭄을 나타내며, 0에 가까울수록 가뭄이 심화됨을 의미한다.
식생에 영향을 미치는 기상학적 가뭄은 대기의 수분 공급 측면인 강수량 부족에 의한 가뭄으로 표현하였다. 이를 위해 강수량 기반의 대표적인 가뭄지수인 SPI가 이용되었다. SPI는 다양한 시간척도에 대한 이동평균 강수량을 이용하여 계산된다. 각 월별로 구성된 12개의 시계열에 적합한 확률분포를 추정한 후, 각 시계열의 확률분포를 이용하여 누적 확률값으로 변환한다. 변환된 누적 확률값에 대한 표준정규분포의 Z값을 산출하며, 이때 Z값은 SPI를 의미한다. 본 연구에서 SPI 계산을 위해 2변수 Gamma 분포를 사용하였다. SPI는 2001년부터 2021년까지의 1-개월부터 12-개월까지의 다양한 시간 척도를 적용하여 산정된다. 산정된 SPI가 –1 이하일 때에는 보통 가뭄, –1.5 이하일 때에는 심한 가뭄, –2 이하일 때에는 극심한 가뭄으로 분류된다.
3) Copula 기반의 결합확률분포 모형화
본 연구에서는 SPI와 VHI 사이의 상호관계를 설명하기 위해 copula 기반의 이변량 결합 확률분포를 모형화하였다. 이때, 이변량 결합확률분포는 계절별로(봄: 3~5월, 여름: 6~8월, 가을: 9~11월, 겨울: 12~2월) 구성된다. SPI와 VHI의 결합 누가확률분포는 다음 식과 같이 표현된다(Sklar, 1959).
F(x1, x2) = C(FX1(x1), FX2(x2)) = C(u1, u2) (4)
여기서 FX1(x1)과 FX2(x2)는 VHI와 SPI의 한계 누가확률 분포로 각각 u1과 u2로 표현되며, C는 copula 함수이다. Copula함수는수문기상분야에서널리사용되는Clayton, Frank, Gumbel, Gaussian, Student-t 함수들이 이용되었다. Copula 함수의 매개변수는 최대 우도 방법을 이용하여 추정되며, Akaike Information Criterion (AIC)를 이용하여 5개의 copula 함수들 중 VHI와 SPI 사이의 종속 구조를 가장 잘 포착하는 최적 copula 함수를 채택하였다(Sadegh et al., 2017).
최적의 copula 함수를 이용하여 VHI와 SPI의 이변량 결합확률모델을 구성하기에 앞서 1개월부터 12개월까지 다양한 시간척도를 가지는 SPI의 최적 시간척도를 결정해야 한다. 이를 위해 SPI와 VHI 사이의 교차상관 분석을 수행하고 VHI와 교차상관계수가 가장 높은 가뭄지수의 시간척도를 최적 시간척도로 채택하였다. SPI의 최적 시간척도를 결정한 다음, 최적 시간척도에서의 SPI와 VHI의 한계확률분포를 결정하였다. 이때 SPI는 계산 과정에서 표준정규분포의 역함수로 산출되기 때문에 SPI의 최적 한계확률분포는 표준정규분포로 채택되었다. VHI의 최적 한계확률분포를 결정하기 위해 일반적으로 사용되는 6개의 이론적 확률분포(Normal 분포, Log-Normal 분포, Gamma 분포, Weibull 분포, Log-Logistic 분포, GEV 분포)를 적용하였다. 각 분포의 매개변수는 최대 우도 방법으로 추정되며, K-S 적합도 검정에 기반하여 VHI의 최적 한계확률분포를 결정하였다.
SPI와 VHI의 최적 한계확률분포와 최적 copula 함수를 결정한 후 VHI-SPI의 이변량 결합확률분포를 구성할 수 있다. 결합확률분포가 구성되면 특정 기상 조건에 따른 VHI의 조건부 확률분포를 도출할 수 있다. 식(4)의 이변량 결합확률분포로부터 X2≤x2가 주어질 때 X1≤x1의 조건부 확률은 다음 식과 같이 표현된다.
\(\begin{aligned}F_{X_{1} \leq x_{1} \mid X_{2} \leq x_{2}}\left(x_{1}, x_{2}\right)=\frac{C\left(F_{X_{1}}\left(x_{1}\right), F_{X_{2}}\left(x_{2}\right)\right)}{F_{X_{2}}\left(x_{2}\right)}=\frac{C\left(u_{1}, u_{2}\right)}{u_{2}}\\\end{aligned}\) (5)
4) 식생의 생태가뭄 상태지수
본 연구에서는 SPI-VHI의 이변량 결합확률분포를 기반으로 기상학적 가뭄으로 인해 식생이 받는 영향을 정량적인 수치로 나타내는 EDCI-veg를 제안하였다. EDCI-veg는 식(5)를 기반으로 [현재 기상 조건에서 현재 식생 상태의 비초과확률/평상시 기상 조건에서 현재 식생 상태의 비초과확률]로 정의된다. 이때, 평상시 기상 조건은 SPI = 0으로 정의하였다. Fig. 2는 EDCI-veg를 산정하는 확률론적 방법을 설명한 그림이다. 그림에 나타난 파란 선은 평상시(즉, SPI = 0)의 식생의 확률분포이며, 주황색 선은 현재 기상 조건에서의 식생의 확률분포이다. 각 확률분포는 SPI-VHI의 copula 결합 확률 모델을 통해 도출된다. 파란색으로 색칠된 면적은 평상시 기상 조건에서 현재 식생 상태의 비초과확률이며, 주황색으로 색칠된 면적은 현재의 기상 조건에서 현재 식생 상태의 비초과확률을 의미한다. 이때, 주황색 면적이 파란색 면적보다 크면 현재 기상 조건이 식생에 영향을 미쳤음을 의미한다. 이론적으로 EDCI-veg 값이 1을 초과 하면 가뭄으로 인해 식생이 영향을 받음을 의미하며, 값이 클수록 현재 기상 조건이 식생에 미치는 영향이 큼을 의미한다.
Fig. 2. Probabilistic analysis of ecological drought condition of vegetation during meteorological drought.
3. 결과 및 토론
1) 기상가뭄지수의 시간 척도
단기간 또는 장기간 지속된 강수량 부족과 그로 인해 영향을 받는 식생 사이에는 계절마다 그리고 지역마다 차이가 있다. 따라서 식생이 얼마나 오래 누적된 강수량에 가장 큰 영향을 받는지를 조사할 필요가 있다. 이를 위해 1~12개월까지 다양한 시간 척도에 대한 SPI와 VHI 사이의 상관관계를 분석하였다. 상관관계 분석을 통하여 각 픽셀 및 각 계절에 대하여 VHI와 교차상관계수가 가장 높은 SPI의 시간 척도를 최적 시간 척도로 채택하였다. Fig. 3은 픽셀별 및 계절별로 채택된 최적 시간 척도의 히스토그램을 나타내고 있다.
Fig. 3. Histogram of optimal time-scale of SPI.
Fig. 3에서 계절별 최적 시간 척도가 서로 다른 것을 볼 수 있다. 봄에는 5-개월 및 6-개월의 시간 척도가 가장 많이 채택되었으며, 여름에는 4-개월 및 11-개월 시간 척도가 가장 많이 채택되었다. 가을에는 2-개월 및 3-개월만이 최적 시간 척도로 채택되었으며, 겨울에는 2-개월 및 5-개월의 시간 척도가 가장 많이 채택되었다. 이는 감천 유역의 대부분의 식생은 여름에는 식생이 단기간 혹은 장기간의 강수량 부족에 많은 영향을 받으며, 가을에는 식생이 비교적 짧게(2~3개월) 지속되는 강수량 부족에 민감하게 반응하는 것을 의미한다. 픽셀별 및 계절별로 채택된 최적 시간 척도는 서로 다르게 채택된 것은 SPI와 VHI의 상관관계가 지역마다 다르고, 계절적인 영향을 받고 있음을 의미한다. 따라서 픽셀 및 계절마다 각각의 기상학적 가뭄과 식생 사이의 관계를 조사하는 것이 중요하다.
2) Copula 기반의 결합 확률 모델
픽셀별로 SPI의 최적 시간척도가 결정되면 SPI와 VHI 사이의 이변량 결합확률분포를 모형화할 수 있다. 이 과정에서 각 계절 및 각 픽셀에 대한 VHI의 한계 확률분포가 결정되었고 AIC를 이용하여 최적 copula 함수가 채택되었다. 이변량 결합확률분포가 모형화되면 주어진 기상 조건에서 VHI의 조건부 확률분포를 획득할 수 있다. 이러한 절차의 예시를 보여주기 위해 감천 유역 내에 위치하는 임의의 픽셀을 선정하였다. Fig. 4는 해당 픽셀에서의 SPI와 VHI의 최적 copula 함수를 선정하기 위한 AIC 결과, 최적 copula 함수의 Q-Q plot 그리고 특정 SPI 값에서의 VHI의 조건부 확률분포를 보여 준다.
Fig. 4. AIC values of five copulas for VHI and SPI (Left), Q-Q plot using best-fitted copula (Center), and conditional CDF of VHI under SPI < 0, SPI < -1 and SPI < -2 (Right).
Fig. 4를 통해 해당 픽셀에서의 최적 copula 함수는 계절마다 다르게 채택되었음을 알 수 있다. SPI와 VHI의 이변량 결합확률분포를 구성하기 위한 최적의 copula 함수는 봄, 가을, 겨울에는 Clayton 함수이며, 여름에는 Gumbel 함수이다. SPI와 VHI의 상호작용은 계절마다 다르기 때문에 계절별로 적합한 최적 copula 함수를 결정하는 것이 중요하다. 마찬가지로, 지역에 따라서도 기후와 식생의 상호작용이 다르기 때문에 픽셀마다 개별적인 AIC 분석을 통해 각 픽셀의 최적 copula 함수를 채택할 필요가 있다. VHI 조건부 분포는 다양한 SPI 조건에 대해 도출되었다. SPI 조건에서 VHI의 누가확률분포(Cumulative distribution function, CDF)가 상단으로 이동하는 것은 곧 특정 VHI 상태에 대한 비초과확률이 커짐을 의미한다. Fig. 4에서 SPI가 낮은 값을 가질수록 VHI의 CDF는 왼쪽 상단으로 더욱 이동하는 것을 확인할 수 있다. 이는 극심한 기상학적 가뭄이 발생할수록 식생이 더욱 큰 영향을 받게 되었음을 의미한다. 예를 들어, SPI가 –2 이하인 VHI의 조건부 확률분포(빨간색의 점선)는 SPI가 0인 VHI의 CDF(검정색의 실선)보다 동일한 식생 상태에 대해 더 높은 비초과확률을 가지게 된다. 이는 곧 기상학적 가뭄이 발생하면 평상시 기상 조건보다 식생이 악화될 확률이 높은 것을 의미하며 이는 곧 식생의 생태가뭄 상태를 의미한다. 해당 픽셀은 봄과 여름에 그 정도가 컸으며, 가을에는 다른 계절에 비해 상대적으로 기상학적 가뭄에 영향을 적게 받을 것으로 확인되었다.
3) EDCI-veg의 생태가뭄 모니터링 능력 평가
(1) 시계열 분석
픽셀별로 구성된 SPI-VHI의 이변량 결합확률분포로 부터 식생의 생태학적 가뭄 상태를 모니터링하기 위한 EDCI-veg를 산정하였다. Fig. 5는 감천유역에 위치하는 임의의 한 픽셀에 대한 2001년 1월부터 2021년 12월까지 VHI, SPI 및 EDCI-veg 시계열을 나타낸 그림이다. 이때 SPI는 계절별 최적 시간척도를 가지는 가뭄지수로 도시되었기 때문에, 계절마다 서로 다른 시간척도의 SPI가 나타날 수 있다. 해당 픽셀에서 SPI의 최적 시간 척도는 봄(5-개월), 여름(1-개월), 가을(3-개월), 겨울(5-개월)이다. 각 그림에서 회색으로 색칠된 부분은 기상학적 가뭄 상태(SPI가 –1 이하일 때)이면서 VHI가 40 이하일 때를 나타낸 구간이다. 즉, 기상학적 가뭄이 발생하였을 때 식생이 악화된 상태로, 본 연구에서 정의되는 식생의 생태학적 가뭄 상태라고 할 수 있다. 제안된 EDCI-veg는 식생의 생태학적 가뭄이 발생한 2001~2002년, 2005~2009년, 2016년 및 2021년에 1 이상으로 산정되었다. 특히 2006년에서 2007년까지 그리고 2008년에서 2009년까지 이어진 식생의 생태학적 가뭄을 적절하게 모니터링할 수 있었다. Fig. 5를 통해 제안된 EDCI-veg는 생태가뭄이 발생한 기간을 식별하고 적절히 모니터링하고 있음을 확인할 수 있었다.
Fig. 5. VHI, SPI and EDCI-veg time series.
(2) ROC 분석
EDCI-veg의 식생의 생태가뭄 모니터링 능력을 객관적으로 평가하기 위해 Table 1과 같이 설정된 ROC 모형을 적용하였다. 생태가뭄이 발생(즉, SPI가 –1 이하이며 VHI가 40 이하인 상태)한 월의 EDCI-veg가 임곗값을 초과하면 EDCI-veg가 생태가뭄을 적중한 것이며(Hit, H), EDCI-veg가 임곗값을 초과하지 않으면 가뭄을 적중하지 못한 것(Missing, M)이다. 반대로, 생태가뭄이 발생하지 않았던 월의 EDCI-veg가 임곗값을 초과하면 실패(False, F)이며, EDCI-veg가 임곗값을 초과하지 않으면 음의 성공(Negative Hit, N)으로 설정하였다. 이때, 임곗값은 1.0, 1.1 및 1.2로 다양하게 적용되었다. 적중률(Hit Rate, HR)과 오보율(False Alarm Rate, FAR)은 다음 식과 같이 산정되었다.
Table 1. ROC Model
\(\begin{aligned}H R(\%)=\frac{H}{H+M} \times 100\\\end{aligned}\) (6)
\(\begin{aligned}FAR(\%)=\frac{F}{F+N} \times 100\\\end{aligned}\) (7)
각 픽셀의 과거 시계열을 분석하여 ROC 모형으로부터 픽셀별 HR 및 FAR을 산정하고 HR 및 FAR의 정보로부터 ROC score를 계산하였다. ROC score는 Area Under Curve (AUC) 값으로 나타나며 ROC score가 1이면 지수가 가뭄을 완벽하게 모니터링하였음을 의미하고 0.5에 가까울수록 모니터링 능력이 낮음을 의미한다. Fig. 6은 모든 픽셀에 대한 ROC 분석 결과를 나타낸다. Fig. 6에서 임곗값이 높아질수록 적중률이 낮아지고, 임곗값이 낮아질수록 오보율이 높아지는 경향을 보였다. EDCI-veg의 가뭄 기준 임곗값이 1일 경우, 발생한 생태 가뭄을 우수하게 포착할 수 있었으나 높은 오보율을 나타내어 낮은 ROC score를 보였다. 임곗값이 1.1일 때에는 오보율이 훨씬 낮아짐을 확인할 수 있었으며, 적중률은 큰 차이가 없었다. 1.2의 임곗값을 적용하면 1.1의 임곗값 적용 시보다 낮은 오보율을 보였으나 적중률이 낮은 픽셀이 많이 존재하였다. 모든 픽셀의 평균 ROC score 값은 임곗값 1.1일 때가 가장 높았다.
Fig. 6. Result of ROC analysis of EDCI-veg.
다만, EDCI-veg를 이용하여 식생의 생태가뭄을 분명하게 모니터링하기 위해서는 추후 전 지역에 대한 적용 범위를 확대하여 적절한 임곗값을 마련하고 가뭄 단계별 구분이 필요할 것이다.
(3) 식생의 생태가뭄 지도화
본 절에서는 VHI, SPI 그리고 EDCI-veg로부터 도출된 나타난 식생, 기상학적 가뭄 그리고 식생 생태가뭄 상태를 지도화하였다. Fig. 7은 다양한 기간에 대해 VHI, SPI 그리고 EDCI-veg의 공간 지도를 나타낸 것이다. Fig. 7을 통해 2008년 10월은 감천상류, 감천수위표 및 율곡천 부근에서 생태가뭄이 극심하게 발생한 시기임을 확인할 수 있다. 특히 감천 유역의 동쪽 지역에서는 강수량 부족 상태와 식생의 부정적이었던 상태로 EDCI-veg는 해당 지역을 극심한 식생의 생태가뭄으로 감지하고 있었다. 2009년 1월은 평균 SPI가 –1.8 이하인 심한 강수량 부족이 발생한 시기이다. 그러나 해당 시기의 식생 상태는 감천 상류 및 중류 부근을 제외하고 식생 건강성이 좋은 상태이다. 즉, 극심한 기상학적 가뭄이 발생하였지만 감천 상류 및 중류를 제외한 지역은 식생이 영향을 받지 않은 상태로 식생의 생태가뭄이 발생하지 않은 지역이다. 이에 따라 EDCI-veg는 식생 악화가 나타난 감천 상류 및 중류 부근을 중심으로 심한 식생 생태가뭄을 모니터링하였다. 이와 유사하게, 2015년 10월은 SPI가 평균 –1 이하인 보통 가뭄이 발생하였다. 이때 감천하류 부근의 식생이 스트레스를 받았음을 확인할 수 있다. 이를 반영하여, EDCI-veg는 감천하류를 중심으로 식생 생태가뭄이 발생하였음을 나타내었다. 우리는 Fig. 7의 생태가뭄 지도화를 통해 기상학적 가뭄과 식생 상태에 따라 생태가뭄이 발생한 지역을 식별할 수 있었다.
Fig. 7. Drought severity map of VHI, SPI, and EDCI-veg.
4. 결론
본 연구의 주요 목적은 감천 유역에서 기상학적 가뭄이 식생에 영향을 미치는 상태 즉, 식생의 생태가뭄 상태를 모니터링하는 것이었다. 이를 위해 기상학적 가뭄지수와 식생지수 즉, SPI-VHI 사이의 이변량 결합확률모델을 구성하고 결합확률분포로부터 EDCI-veg를 제안하였다. EDCI-veg의 시계열을 통해 식생의 생태가뭄이 발생한 시기를 식별하고, 발생 상황을 모니터링할 수 있었다. 또한, 원격탐사자료를 활용한 EDCI-veg의 공간 지도는 동일한 기상학적 가뭄 상황에서도 생태가뭄이 특히 더 심각한 지역을 식별할 수 있었다. EDCI-veg의 모니터링 능력을 평가하기 위한 ROC 분석은 임곗값을 1.1로 설정하였을 때 가장 합리적인 결과를 보였다. 추후 연구에서는 남한 전 지역에 대해 적용 범위를 확대하여 식생의 생태가뭄 모니터링을 수행할 필요가 있다. 전 지역에서의 생태가뭄 모니터링을 통해 지역별로 생태가뭄의 특성을 식별하고, 남한에 적용할 수 있는 대표적인 가뭄 임곗값을 마련할 수 있을 것이다. 또한, EDCI-veg의 ‘관심’, ‘주의’, ‘경계’, ‘심각’과 같은 생태가뭄의 단계별 기준을 마련하여 식생 생태가뭄을 명시적으로 표현할 필요가 있을 것이다.
본 연구는 강수량 부족에 기인하는 기상학적 가뭄으로 인한 식생 생태가뭄을 모니터링하는 것에 중점을 두었다. 그러나 강수 부족으로 인한 기상학적 가뭄 뿐만 아니라 과도한 증발산이 원인으로 작용하여 발생하는 기상학적 가뭄에 대한 생태가뭄도 발생할 수 있다. 또한, 극한 기후 현상은 동시에 발생할 수 있기 때문에 식생과 가뭄 사이의 관계를 식별하는 데에는 이변량 결합 구조는 충분하지 않을 수 있다. 따라서 향후 연구에서는 증발산을 포함한 다양한 기후조건을 포괄할 수 있는 고차원의 copula 모형을 적용할 필요가 있을 것이다. 또한, 우리나라에서 식생의 생태학적 가뭄이 발생했을 때 가장 직·간접적으로 피해를 받는 곳은 논, 밭, 과수원 등과 같이 농작물 생산이 이루어지는 지역이다. 이에 따라 추후 연구에서는 토지피복에 따른 생태가뭄 분석을 수행하고 모니터링함으로써 지역 특성을 반영하여 가뭄 판단 기준을 수립할 필요가 있을 것이다. 본 연구의 EDCI-veg를 기반으로 향후 연구에서는 다양한 측면의 가뭄으로 발생하는 식생의 생태가뭄을 보다 합리적으로 모니터링할 수 있을 것으로 기대된다.
사사
본 결과물은 환경부의 재원으로 한국환경산업기술원의 수생태계 건강성 확보 기술개발사업의 지원을 받아 연구되었습니다(2022003050007).
참고문헌
- Almamalachy, Y.S., A.M.F. Al-Quraishi, and H. Moradkhani, 2020. Agricultural drought monitoring over Iraq utilizing MODIS products, In: Al-Quraishi, A., Negm, A. (eds), Environmental Remote Sensing and GIS in Iraq, Springer, Cham, Switzerland, pp. 253-278. https://doi.org/10.1007/978-3-030-21344-2_11
- Boori, M.S., K. Choudhary, and A. Kupriyanov, 2022. Detecting vegetation drought dynamics in European Russia, Geocarto International, 37(9): 2490-2505. https://doi.org/10.1080/10106049.2020.1750063
- Brandt, M., G. Tappan, A.A. Diouf, G. Beye, C. Mbow, and R. Fensholt, 2017. Woody vegetation die off and regeneration in response to rainfall variability in the West African Sahel, Remote Sensing, 9(1): 39. https://doi.org/10.3390/rs9010039
- Choi, M., J.M. Jacobs, M. C. Anderson, and D. D. Bosch, 2013. Evaluation of drought indices via remotely sensed data with hydrological variables, Journal of Hydrology, 476: 265-273. https://doi.org/10.1016/j.jhydrol.2012.10.042
- Crausbay, S.D., A.R. Ramirez, S.L. Carter, M.S. Cross, K.R. Hall, D.J. Bathke, J.L. Betancourt, S. Colt, A.E. Cravens, M.S. Dalton, J.B. Dunham, L.E. Hay, M.J. Hayes, J. McEvoy, C.A. McNutt, M.A. Moritz, K.H. Nislow, N. Raheem, and T. Sanford, 2017. Defining ecological drought for the twenty-first century, Bulletin of the American Meteorological Society, 98(12): 2543-2550. https://doi.org/10.1175/BAMS-D-16-0292.1
- Cunha, A.P.M., R.C. Alvala, C.A. Nobre, and M.A. Carvalho, 2015. Monitoring vegetative drought dynamics in the Brazilian semiarid region, Agricultural and Forest Meteorology, 214: 494-505. https://doi.org/10.1016/j.agrformet.2015.09.010
- Djebou, D.C.S., V.P. Singh, and O.W. Frauenfeld, 2015. Vegetation response to precipitation across the aridity gradient of the southwestern United states, Journal of Arid Environments, 115: 35-43. https://doi.org/10.1016/j.jaridenv.2015.01.005
- Fang, W., S. Huang, Q. Huang, G. Huang, H. Wang, G. Leng, L. Wang, and Y. Guo, 2019. Probabilistic assessment of remote sensing-based terrestrial vegetation vulnerability to drought stress of the Loess Plateau in China, Remote Sensing of Environment, 232: 111290. https://doi.org/10.1016/j.rse.2019.111290
- Javed, T., Y. Li, S. Rashid, F. Li, Q. Hu, H. Feng, X. Chen, S. Ahmad, F. Liu, and B. Pulatov, 2021. Performance and relationship of four different agricultural drought indices for drought monitoring in China's mainland using remote sensing data, Science of The Total Environment, 759: 143530. https://doi.org/10.1016/j.scitotenv.2020.143530
- Jehanzaib, M. and T.W. Kim, 2020. Exploring the influence of climate change-induced drought propagation on wetlands, Ecological Engineering, 149: 105799. https://doi.org/10.1016/j.ecoleng.2020.105799
- Jha, S., J. Das, A. Sharma, B. Hazra, and M.K. Goyal, 2019. Probabilistic evaluation of vegetation drought likelihood and its implications to resilience across India, Global and Planetary Change, 176: 23-35. https://doi.org/10.1016/j.gloplacha.2019.01.014
- Kogan, F.N., 1997. Global drought watch from space, Bulletin of the American Meteorological Society, 78(4): 621-636. https://doi.org/10.1175/1520-0477(1997)078<0621:GDWFS>2.0.CO;2
- Lovelock, C.E. and J. Ellison, 2007. Chapter 9 Vulnerability of mangroves and tidal wetlands of the Great Barrier Reef to climate change, In: Johnson, J., Marshall, P. (eds), Climate Change and the Great Barrier Reef, Great Barrier Reef Marine Park Authority and Australian Greenhouse Office, Australia, pp. 237-269. http://hdl.handle.net/11017/542
- McKee, T.B., N.J. Doesken, and J. Kleist, 1993. The relationship of drought frequency and duration to time scales, Proc. of the 8th Conference on Applied Climatology, Anaheim, CA, Jan. 17-22, vol. 17, pp. 179-183.
- Rhee, J., J. 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. https://doi.org/10.1016/j.rse.2010.07.005
- Sadegh, M., E. Ragno, and A. AghaKouchak, 2017. Multivariate Copula Analysis Toolbox (MvCAT): describing dependence and underlying uncertainty using a Bayesian framework, Water Resources Research, 53(6): 5166-5183. https://doi.org/10.1002/2016WR020242
- Sandeep, P., G.O. Reddy, R. Jegankumar, and K.A. Kumar, 2021. Monitoring of agricultural drought in semi-arid ecosystem of Peninsular India through indices derived from time-series CHIRPS and MODIS datasets, Ecological Indicators, 121: 107033. https://doi.org/10.1016/j.ecolind.2020.107033
- Shukla, S., A. McNally, G. Husak, and C. Funk, 2014. A seasonal agricultural drought forecast system for food-insecure regions of East Africa, Hydrology and Earth System Sciences, 18(10): 3907-3921. https://doi.org/10.5194/hess-18-3907-2014
- Sur, C., J. Hur, K. Kim, W. Choi, and M. Choi, 2015. An evaluation of satellite-based drought indices on a regional scale, International Journal of Remote Sensing, 36(22): 5593-5612. https://doi.org/10.1080/01431161.2015.1101653
- Wan, Z., P. Wang, and X. Li, 2004. Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern Great Plains, USA, International Journal of Remote Sensing, 25(1): 61-72. https://doi.org/10.1080/0143116031000115328
- Wang, H., H. Lin, and D. Liu, 2014. Remotely sensed drought index and its responses to meteorological drought in Southwest China, Remote Sensing Letters, 5(5): 413-422. https://doi.org/10.1080/2150704X.2014.912768
- Wang, L., S. Huang, Q. Huang, G. Leng, Z. Han, J. Zhao, and Y. Guo, 2021. Vegetation vulnerability and resistance to hydrometeorological stresses in water-and energy-limited watersheds based on a Bayesian framework, Catena, 196: 104879. https://doi.org/10.1016/j.catena.2020.104879
- Wang, S., X. Mo, S. Hu, S. Liu, and Z. Liu, 2018. Assessment of droughts and wheat yield loss on the North China Plain with an aggregate drought index (ADI) approach, Ecological Indicators, 87: 107-116. https://doi.org/10.1016/j.ecolind.2017.12.047
- West, H., N. Quinn, and M. Horswell, 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities, Remote Sensing of Environment, 232: 111291. https://doi.org/10.1016/j.rse.2019.111291
- Won, J., J. Seo, J. Lee, O. Lee, and S. Kim, 2021. Vegetation Drought Vulnerability Mapping Using a Copula Model of Vegetation Index and Meteorological Drought Index, Remote Sensing, 13(24): 5103. https://doi.org/10.3390/rs13245103
- Zhang, M., X. Yuan, and J.A. Otkin, 2020. Remote sensing of the impact of flash drought events on terrestrial carbon dynamics over China, Carbon Balance and Management, 15(1): 1-11. https://doi.org/10.1186/s13021-020-00156-1
- Zhou, L., J. Wu, J. Zhang, S. Leng, M. Liu, J. Zhang, L. Zhao, F. Zhang, and Y. Shi, 2013. The integrated surface drought index (ISDI) as an indicator for agricultural drought monitoring: theory, validation, and application in Mid-Eastern China, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(3): 1254-1262. https://doi.org/10.1109/JSTARS.2013.2248077