기후극한 시대의 복합재해 대비:
다중 주파수 분석 기반 복합 가뭄-폭염 예측

기후변화의 영향으로 극한 수문사상 발생빈도와 강도가 증가하고 있으며, 이에 따라 더욱 심각한 수재해가 발생할 것으로 전망된다 (Gebrechorkos et al., 2025; Tabari, 2020). 이러한 기후변화의 수문학적 영향은 이미 물관리 현장에서 반복적으로 확인되고 있다. 기후 온난화에 따른 평균기온의 상승과 무강우 기간의 연장 추세는 더욱 높은 강도의 가뭄과 폭염 발생을 증대시켰다. 최근 두 현상의 동시 또는 연속적 발생으로 인한 복합 가뭄-폭염(compound drought-heatwave, CDH)의 발생은 수자원 관리, 농업 생산량, 생태계 다양성 보존, 온열질환 발생의 측면에서 가뭄과 폭염이 각각 발생하는것 보다 심각한 영향을 초래하는 대표적 고위험 기후 현상으로 인식되고 있다 (Tripathy et al., 2023; Zscheischler et al., 2018). 이러한 복합 가뭄-폭염(이하, CDH라 함)의 발생빈도의 증가는 기존의 생·농·공 및 환경 용수 관리의 방식이 새로운 기후 조건에 충분히 대응하고 있는지에 대한 근본적인 질문을 던진다.
그동안 가뭄과 폭염은 각각 독립적인 재해로 다루어져 왔다. 가뭄은 강수의 부족에 기인한 가용 수자원 고갈의 문제로, 폭염은 이상고온의 지속에 따른 건강 및 생태·환경 문제로 접근하는 것이 일반적이었다. 그러나, 실제 수문 순환과정에서 가뭄과 폭염은 현열속(sensible heat flux), 잠열속(latent heat flux), 토양수분 및 대기 증발요구량(atmospheric water demand)의 상호연계로 서로 영향을 주고받으며 동시에 심화하는 경우가 많다 (Yoon et al., 2026). 토양수분 감소는 현열속의 증가, 잠열속의 감소, 증발산 감소로 이어져 지표면의 냉각 효과를 약화해 결과적으로 폭염을 강화 및 장기화한다. 이렇게 장기화 및 강화된 폭염은 (잠재)증발산을 증가시켜 가뭄을 장기화하거나 돌발가뭄(flash drought) 발생으로 이어지는연쇄적 구조 속에서 가뭄과 폭염은 더 악화된다 (Miralless et al, 2019).
이러한 배경에서 CDH를 고려한 선제적인 수자원·생태계·에너지 관리계획이 수립되어야 하나, 이를 위한 정확성과 신뢰성이 높은 CDH 예측기술에 관한 연구는 아직 부족한 실정이다. CDH 예측기술 개발은 가뭄의 다중스케일(multiscalar)에 기인한 강한 비정상성과 폭염의 급격한 발생과 짧은 첨두 도달의 특성 등이 합쳐진 매우 복잡한 시계열을 모수화 또는 학습해야 하는 어려움이 있다. 본 기사는 다중 주파수 분해 기법을 적용한 Burg 엔트로피 스펙트럼 분석법을 이용한 CDH 예측기법을 소개하고 이를 통해 복합 가뭄-폭염의 예측성과 선제적 재해관리 전략 수립에 기여할 수 있는 시사점을 논의하고자 한다. 본 기사에서 사용된 자료와 그림은 필자가 최근 발표한 연구논문에 수록된 것을 재구성한 것이다.

본 기사는 복합 가뭄-폭염 예측기술 개발에 앞서 가뭄과 폭염을 동시에 모니터링 할 수 있는 지수(index)인 표준 복합 가뭄-폭염 지수(Standardized Compound Drought-Heatwave Index, SCDHI)를 이용하였다 (Li et al., 2021). SCDHI는 가뭄지수와 폭염지수를 코플라 방법을 이용하여 결합하여 산정하였다.
SCDHI는 다양한 기상 및 기후 현상의 영향으로 여러 주파수 대역의 시계열 특성이 혼재된 가뭄지수와 폭염지수의 결합 산물이기 때문에 예측이 용이하지 않다. 이와 같은 SCDHI 시계열의 복잡성(complexity)을 해결하기 위해 본 기사는 시계열 분해기법인 최대 중첩 이산형 웨이블렛 변환(Maximal Overlap Discrete Wavelet Transform, MODWT)과 Burg 엔트로피 스펙트럴 분석법(Burg Entropy Spectral Analysis, BESA)을 결합한 하이브리드 예측모델을 제안한다.

가뭄은 수개월에서 수년에 걸쳐 지속될 수 있는 반면, 폭염은 대체로 수일에서 길면 일주일 내외의 비교적 짧은 기간에 발생하고 소멸한다. 따라서, 월 단위로 복합 가뭄-폭염 지수를 산정할 경우, 두 현상의 시간적 특성이 충분히 반영되지 않아 결합 거동을 효과적으로 모니터링·분석하기 어렵다 (Li et al., 2021). 따라서, 본 연구는 일 단위 기반의 SCDHI를 산정하여 CDH를 모니터링하고 이를 예측하는 모델을 개발하였다.

SCDHI를 산정하기 위해서 가뭄과 폭염을 각각 모니터링할 수 있는 지수의 산정이 선행되어야 한다. 가뭄 지수로는 대기의 수분 요구량을 나타내는 잠재증발산량(potential evapotranspiration, PET)과 선행 강수량의 차이인 수분 과부족(water surplus or deficit, WSD)을 7일 누적하고 이를 표준화한 표준 선행 강수-증발산 지수(Standardized Antecedent Precipitation-Evapotranspiration Index at a 7-day scale, SAPEI-7D)를 사용하였다. 이는 기온의 영향을 가뭄 모니터링에 반영할 수 있어 온난화 시대의 가뭄 모니터링에 적합하다. 폭염 지수는 1일 최고기온을 이용하여 산정한 표준 기온 지수(Standardized Temperature index at a 1-day scale, STI-1D)를 사용하였다.

앞서 산정한 SAPEI-7D와 STI-1D는 남한 전지역에 대해 중앙값(median) –0.32의 유의성 있는 음의상관관계를 보이기 때문에 두 지수의 결합 누적 분포 함수 구축에 검벨 코플라(Gumbel copula)를 적용하였다. 결합 누적 분포함수의 값은 표준정규분포의 표준점수(standard score/Z-score)로 변환되어 SCDHI-7D 값이 산정된다. 본 기사가 소개하는 연구에서 SAPEI-7D를 사용한 이유는 여러 누적 시간 규모(1, 3, 7, 14, 30일)의 SAPEI와 STI-1D의 상관분석을 수행한 결과 SAPEI-7D가 가장 높은 상관성을 보였기 때문이다.
산정한 SCDHI-7D 및 SAPEI-7D와 STI-1D가 각각 CDH, 가뭄, 폭염을 효과적으로 모니터링 할 수 있음을 2017년 6월 발생한 CDH사상의 예를 통해 확인하였다 (그림 1). 6월 첫재 주 남부지방을 중심으로 발생한 극심한 가뭄은 6월 중순에 전역으로 확산하며 당시 동시 발생한 폭염과 함께 CDH 발생으로 이어졌고, 이는 6월 말까지 이어졌다 (그림 1).

MODWT는 각 스케일 수준에서 high-pass filter와 low-pass filter가 각각 높은 주기와 낮은 주기에 해당하는 시그널을 가두고, 낮은 주기의 시그널은 다음 단계의 스케일 수준에서 다시 높은 주기와 낮은 주기의 시그널로 연쇄적으로 분해하는 개념을 가진다 (Percival & Walden, 2000; 그림 2a).
MODWT을 이용하여 원(raw) 시계열을 하위 시계열로 분해(decomposition) 함에 있어 연구자는 모 웨이블렛(mother wavelet)과 분해 수준(level of decompostion, 몇 개의 하위 시계열로 분해할 것인가)을 정해야 한다. 필자는 모 웨이블렛으로 필터 길이 20을 가지는 도브시 웨이블렛(Daubechies wavelet 20, db20)을 사용하였고 분해 수준은 6으로 결정하여 6개의 상세신호(detail signal)와 1개의 평활신호(smooth signal)로 SCDHI-7D를 분해하였다 (그림 2b).
필터 길이와 분해 수준의 결정 시 따라야 하는 객관적인 규칙은 없어서 이들은 연구자의 판단에 따라 정해진다. 필터 길이와 분해 수준이 높아질수록 계산시간이 증대되므로 필자는 계산시간과 예측성능의 향상 정도를 고려하여 여러 조합의 시도를 통해 결정하였다.

본 기사가 소개하는 예측모델의 개발과 성능검증을 위해 2000년부터 2019년까지의 기상청 MK-PRISM 데이터를 활용하였다. 2001~2013년을 모델의 예측모수 보정(calibration) 기간으로, 2014~2019년을 검증(validation) 기간으로 설정하여 분석을 수행하였다.

예측 성능의 공간적 분포를 살펴보면, 전반적으로 우수한 성능을 보였으나 선행 예측시간이 증가하며 전라남도와 경상남도 등 남부 일부 지역과 강원도 일부 지역에서 상대적으로 낮은 정확도가 관찰되었다(그림 5의 와 비교). 이러한 지역적 편차의 원인을 규명하기 위해 시계열의 무작위성을 나타내는 ‘표본 엔트로피(sample entropy, SampEn)’를 분석하였다. 분석 결과, 강수와 최고기온의 엔트로피가 높은 지역[무작위성(randomoness)이 큰 지역]이 예측 정확도가 낮은 지역과 일치하는 경향을 보였다.

3.3 딥러닝 및 기계학습 모델과의 비교 하기 위해 대표적인 딥러닝 모델인 LSTM(Long Short-Term Memory)과 기계학습 모델인 SVR(Support Vector Regression)과 XGBoost와 비교 분석을 수행하였다. BESA와의 공정한 비교를 위해 모든 모델은 단변량(univariate) 입력과 재귀적(recursive) 예측 방식을 동일하게 적용하였다. 비교 결과, 단기 예측(1~3일)에서는 모든 모델이 유사한 성능을 보였으나 (그림 6), 선행 시간이 길어질수록 BESA 모델의 성능 저하가 가장 적게 나타났다 (3일 선행 예측시간 이후의 비교는 딥러닝과 기계학습법의 성능이 BESA와 많은 차이를 보여 수록하지 않음). 특히 복잡도가 높은 시계열을 가진 지점(그림 6c와 6d)에서 BESA는 벤치마크 모델들보다 관측값의 거동을 더 정확하게 모의하였다. 이는 단변량 및 재귀적 예측 환경에서는 복잡한 딥러닝 구조보다 스펙트럼 특성을 잘 반영하는 BESA 기법이 더 효율적일 수 있음을 시사한다. 물론, 다변량 입력 자료를 활용하거나 모델 구조를 고도화할 경우 딥러닝 모델의 성능이 향상될 여지는 있으나, 계산 비용과 실용성 측면에서 BESA 모델은 충분한 경쟁력을 갖춘 것으로 평가된다.