J. Korean Soc. Hazard Mitig Search

CLOSE


J. Korean Soc. Hazard Mitig. > Volume 24(1); 2024 > Article
가뭄 시나리오 기반의 산불 위험성 분석에 관한 연구

Abstract

The number of forest fires is increasing worldwide owing to climate change. Forest fires linked to drought are becoming more frequent and severe than ever before. This causes massive damage. However, instead of quantification, studies have been conducted on the relationship between drought and forest fires. Therefore, this study quantitatively analyzed the increase in forest fire risk based on a drought scenario. We defined a 30-year frequency drought scenario for the Gyeongsangbuk-do Province, where the most forest fire damage occurred in 2022, and analyzed the risk of forest fires by calculating the Fire Weather Index (FWI) used in the Canadian Forest Fire Danger Rating System (CFFDRS). The precipitation in the drought scenario was 581 mm/year that was equivalent to 52% of the average annual precipitation. We noted that the drought Fire Weather Index (DFWI) was approximately 1.6 times greater than the average Fire Weather Index (AFWI). We quantitatively confirmed the extent to which the risk of forest fire increased under the influence of drought. Therefore, measures should be established not only for drought but also for forest fires when a drought occurs.

요지

전 세계적으로 산불 재난이 발생하는 사례가 증가하고 있다. 특히, 가뭄과 산불이 연계되어 이전보다 큰 규모로 발생하여 막대한 피해를 입히고 있다. 이러한 사례들이 증가하고 있지만 지금까지는 가뭄과 산불의 상관성에 관한 연구들만이 수행되어 오고 있다. 이에 본 연구에서는 가뭄 시나리오를 기반으로 가뭄이 산불 발생 위험성을 얼마나 증가시키는 지를 정량적으로 분석하였다. 2022년 많은 산불피해가 발생한 경상북도를 대상으로 30년 빈도의 가뭄 시나리오를 정의하고, 캐나다의 산불위험 평가시스템에서 활용하고 있는 산불 기상지수(Forest fire Weather Index, FWI)를 산정하여 산불의 위험성을 분석하였다. 30년 빈도의 가뭄 시나리오에 의해서 발생한 강우량은 연평균 강우량의 52%에 해당하는 581 mm로 산정되었으며, AFWI (Averaged Fire Weather Index)보다 DFWI (Drought Fire Weather Index)가 약 1.6배 큰 것을 확인할 수 있었다. 이를 통해서 가뭄 시에 산불의 위험성이 얼마나 증가되는 지를 정량적으로 확인할 수 있었으며, 가뭄 발생 시에 가뭄뿐만 아니라 산불에 대한 대책이 같이 수립되어야 할 것으로 판단된다.

1. 서 론

전 세계적으로 산불의 발생 및 이로 인한 피해가 증가하고 있다. CRED (Centre for Research on the Epidemiology of Disasters)에서 제공하고 있는 전 세계 자연 및 사회재난 데이터 EM-DAT (Emergency Events Database)에 따르면, 1989년부터 1999년까지 발생한 주요 산불은 연평균 9회인 반면에 2000년 이후로는 연평균 12회로 증가되었으며 피해액의 경우에는 평균 약 42.59억 달러에서 약 1.3배 증가한 약 56.63억 달러로 증가되었다. 우리나라의 경우에도 산림청에서 제공하고 있는 산불통계 연보를 살펴보면(KFS, 2023), 2003년부터 2010년까지는 연평균 약 437건의 산불 발생하였다면 2010년 이후 2022년까지는 50건 증가된 연평균 약 487건이며, 산불 발생 건당 피해면적의 경우에는 약 3배 정도가 증가되었다(2003-2010: 1.5 ha/건, 2011-2022: 4.73 ha/건). 2023년 5월 17일 산림청에서 진행한 “23년 봄철 산불 현황분석 및 향후 대응전략 발표”를 보면, 2023년 봄철에 497건의 산불에 의해서 총 4,654 ha의 피해가 발생하였다(KFS, 2023). 이는 이미 앞서 언급한 2010년 이후에 발생한 평균 산불발생횟수를 넘었으며 건당 피해면적에 있어서도 약 2배 이상이다(9.97 ha/건). 이러한 산불 피해 증가에 대해 연구자들은 가뭄이 하나의 주요 원인으로서 작용한 것으로 보고 있다(Littell et al., 2016; Turco et al., 2017; Richardson et al., 2022).
산불의 발생과 확산에 영향을 주는 요소는 (1) 발화를 위한 연료의 존재여부, (2) 기상 조건, (3) 사회⋅경제적 조건(토지이용, 산불방지활동, 산불대책 등), (4) 지형학적 요소 등이 있다(Flannigan et al., 2009; Pereira et al., 2012; Gouveia et al., 2012). 이 중에서 가뭄은 직접적으로 첫 번째와 두 번째 산불 영향 요소에 영향을 미친다. 가뭄은 평균 이하의 강수량이 발생하여 물 공급이 부족한 시기를 의미하며, 인간의 건강, 재산 피해, 경제 붕괴, 환경의 저하를 일으키는 현상을 의미한다(UNISDR, 2009). 가뭄이 발생하게 되면 적은 강우량으로 인해서 식물들이 말라버리거나 고사되어 불에 잘 타는 상태가 되어 진다. 즉 산불이 발생하기 위해 필요한 연료가 많아지게 된다. 또한 가뭄 시에 강수량이 부족하기 때문에 해당 지역에 전체적으로 상대습도가 감소하여 산불이 발생하기에 유리한 조건이 형성되어진다. 우리나라의 경우에는 11월부터 5월까지가 산불특별대책 기간으로 지정되어 있는데 이는 몬순기후의 특성상 대륙성 기후의 특성을 가진 시베리아 기단의 영향을 받기 때문이다. 만약 해당 기간에 가뭄이 발생할 경우에 기상 조건은 평소보다 더 건조한 조건을 형성할 것이며, 해당 기간이 길어질수록 낙엽과 식물들이 건조해지며 더 많은 산불의 연료를 제공하게 될 것이다. 이러한 현상은 실제 2022년도 초에 발생한 산불에서도 확인할 수 있다. 2022년 3월에 강릉-동해안 산불이 발생하기 이전 1월부터 2월동안 총 9.6 mm의 강우량이 발생하였으며, 같은 달에 발생한 울진-삼척 산불의 경우에는 앞선 2달 동안 18.9 mm의 강우량이 발생하였다. 해당 산불들이 발생하기 이전에 극도로 적은 양의 강수량이 발생한 것을 볼 수 있다.
가뭄과 산불의 상관성에 관한 연구는 과거부터 진행이 되어졌다(Table 1). McArthur (1966)은 산불위험성을 산정하는 식에 가뭄과의 상관성을 고려하기 위해 가뭄인자(Drought Factor)를 추가하였다. Turner et al. (1994)은 미국의 옐로스톤 국립공원에서 발생한 산불의 발생횟수와 산불발생당시의 기후조건을 비교하여 가뭄 발생으로 인하여 감소한 강우량에 의해서 산불의 발생위험성이 증가되는 것을 확인하였다. Reinhard et al. (2005)은 스위스 남부지방인 티치노(Ticino) 지방의 32년 과거 기상관측자료를 활용하여 가뭄관련 기상인자와 산불 데이터를 비교하여 가뭄 발생의 증가가 산불 발생의 증가로 이어진 것을 보여주었다. Xiao and Zhuang (2007)은 캐나다 및 알래스카 지역에 대해서 팔머 가뭄지수(Palmer drought index)를 산정하고 이를 산불 데이터와 비교하여 산불위험기간에 발생한 가뭄이 산불 발생 및 규모에 상당한 영향력을 가지는 것을 확인하였다. Littell et al. (2016)은 북미지역을 대상으로 가뭄과 산불의 관계성과 가뭄이 산불의 특성들에 어떻게 영향을 주는 지를 분석하였다. Ruffault et al. (2018)은 지중해 지역을 대상으로 기후변화로 인해서 가뭄이 증가될 것으로 전망하였으며, 이로 인해서 산불을 발생시키기 위한 연료의 양이 크게 증가하게 되어 거대 산불의 발생 빈도 또한 증가할 것으로 전망하였다. Richardson et al. (2022)은 복합자연재난(Compound natural disaster)의 개념으로서 가뭄과 산불을 연결시켜 전 세계 산불 발생의 위험성을 평가하였다. Pokharel et al. (2023)은 기후모형을 통해서 네팔의 산불위험기간 동안의 가뭄 발생 빈도의 증가를 확인하였으며, 이러한 증가가 산불 발생에 영향을 주고 있는 것을 분석하였다. 국내에서는 Yoon and Won (2016)이 가뭄 지수인 표준강수지수(Standard Precipitation Index, SPI)와 전국 산불발생 데이터의 상관분석을 실시하였다. Park et al. (2020)은 우리나라의 겨울 가뭄과 봄 산불 발생빈도 간의 계절적 시차를 교차상관분석을 수행하여 확인하였다. Yoo et al. (2021)은 PLE–SEM (Partial Least Squares–Structural Equation Modeling)을 이용하여 강원도 지역의 산불 발생에 있어서 기상 및 가뭄이 얼마나 영향을 주고 있는지를 정량화하여 제시하였다. 대부분의 연구에서는 산정한 가뭄지수와 실제 발생한 산불 데이터를 기반으로 상관분석을 수행하여 가뭄과 산불의 상관성을 분석하였다. 그러나 실제 가뭄이 발생하였을 때 산불의 위험성이 얼마나 증가하였는가에 대한 정량적인 제시는 부재한 것을 확인할 수 있다. 이에 본 연구에서는 가뭄취약지도를 도식하기 위해서 활용하고 있는 가뭄 시나리오를 이용하여 가뭄발생 시에 산불의 위험성이 얼마나 증가하는 지를 정량적으로 제시하고자 한다. 연구 대상지역으로는 2022년 많은 산불 피해가 발생한 경상북도 지역으로 선정하였다. 가뭄시나리오를 산정하기 위해 이변량 빈도 분석 및 Hidden Markov 모형을 이용하였으며, 산불의 위험성을 평가하기 위해서 캐나다의 산불위험 평가시스템(Canadian Forest Fire Danger Rating System, CFFDRS)에서 활용하고 있는 산불 기상지수(Fire Weather Index, FWI)를 활용하였다. 정의된 가뭄 시나리오에서 도출된 기상자료를 기반으로 산정된 DFWI (Drought Fire Weather Index)와 대상지역의 평균기상자료를 기반으로 산정된 AFWI (Averaged Fire Weather Index)를 비교하여 가뭄에 의해서 얼마나 산불 위험성이 증가하였는지를 산정하였다.
Table 1
Summary for the Analysis of the Relationship between Drought and Forest Fires
Authors Study area Findings
Turner et al. (1994) Yellowstone National Park Increased risk of forest fires due to reduced precipitation from drought
Reinhard et al. (2005) Ticino province Increasing droughts lead to more forest fires
Xiao and Zhuang (2007) Canada, Alyeshka Determine the impact of drought on forest fire occurrence and severity
Yoon and Won (2016) South Korea Correlation analysis between SPI and forest fire occurrences
Littell et al. (2016) North America Relationship between drought and forest fires
Ruffault et al. (2018) Mediterranean Effect of climate change altered drought on forest fires
Richardson et al. (2022) Worldwide Assessment of forest fire risk using the compound natural disaster concept
Pokharel et al. (2023) Nepal Analysis of the relationship between drought and forest fire during the risk period

2. 방법론

2.1 산불 기상지수

CFFDRS에서 활용하고 있는 FWI는 산불의 발화 및 강도에 영향을 줄 수 있는 기상학적 조건들을 모아서 하나의 수치로서 표현한다. FWI는 캐나다뿐만 아니라 여러 국가들에서 활용되고 있으며, 다른 산불위험지수들과 비교하여 산불위험성을 잘 나타내는 결과를 여러 연구들에서 보여주었다(Groot et al., 2007; Vitolo et al., 2019; Masinda et al., 2022). 국내에서도 FWI를 이용하여 산불위험도 평가 및 변동성 분석, 산불발생확률모형 개발 등에 활용되어졌다(Park et al., 2009; Jeong et al., 2018). FWI의 값이 클수록, 해당 지역에 산불의 발생 및 피해규모가 크게 발생할 위험성이 큰 것을 의미한다. FWI는 산불 연료의 수분함유량 및 확산 조건에 영향을 고려할 수 있는 5가지의 세부지수들로 구성이 되어있다(Fig. 1).
Fig. 1
Five Sub Indexes and FWI
kosham-2024-24-1-7gf1.jpg
Fig. 1에서 가장 상위에 위치한 3개의 지수들은 토양의 건조 상태를 나타내는 지수들이다. 미세연료수분지수(Fine Fuel Moisture Code, FFMC)는 대략 1∼2 cm 깊이 토양의 건조 상태를, 더프건조지수(Duff Moisture Code, DMC)는 2∼10 cm 깊이의 토양의 건조 상태, 마지막으로 가뭄지수(Drought Code, DC)는 10∼20 cm 깊이의 토양의 건조 상태를 의미한다. FFMC는 점화 확률 및 확산 확률을 나타내며, DMC는 산불강도와 관련되어 있으며, DC는 산불 진화의 어려움에 기여하는 요소들을 나타낸다(Kang et al., 2019). 세 지표 모두 값이 클수록 해당 토양의 수분함유량이 적은 것을 의미하며(Stocks et al., 1989), 기온, 상대습도, 강수량, 풍속 자료를 통해서 각 지수를 산정할 수 있다. Fig. 1에서 중간에 위치한 2개의 지수들은 산불이 얼마나 확산 되는지를 나타내는 지수들이다. 초기확산지수(Initial Spread Index, ISI)는 FFMC와 풍속을 기반으로 산정되는 산불거동과 관련된 지수로서, 미세연료만을 고려한 상태에서 초기에 산불이 얼마나 확산될지를 수치적으로 나타낸다. BUI (Build Up Index)는 DMC와 DC를 기반으로 산정되는 지수로서, 미세연료를 제외한 나머지 연료에 대해서 산불의 확산을 위해서 활용될 수 있는 양을 나타낸다. 두 지표 모두 값이 클수록 산불의 확산이 커질 가능성이 높다는 것을 의미한다. FWI 및 5가지 세부지표들을 산정하는 식들은 Van Wagner (1987)에서 확인할 수 있다.

2.2 가뭄 시나리오

서론에서 언급한 바와 같이 가뭄은 평균 이하의 강수량이 발생하는 시기를 의미한다. 환경부에서 발간한 「가뭄취약지도 작성에 관한 지침」(Ministry of Environment, 2022)에서는 이러한 정의를 이용하여 가뭄 시나리오를 정의하고 있다. 해당 지침에서는 다목적 댐 또는 생⋅공용수댐의 계획 시 이수안전도와 기후변화 및 물 공급 안정성 등을 고려하여 가뭄상황을 충분히 재현하는 지속기간 12개월, 재현기간 30년 빈도로 설정하고, 기상자료 구축, 강우분석, 가뭄빈도해석, 강우시계열생성 등의 절차를 통해 가뭄 시나리오를 산정한다(Fig. 2).
Fig. 2
Procedure of Drought Scenario Construction
kosham-2024-24-1-7gf2.jpg
첫 번째 기상자료 구축은 기상청에서 제공하고 있는 자료를 통해 강수량관측소의 일 및 월단위 강수량 자료를 취득하는 것이다. 이때 관측소는 해당 지역에 속해 있거나 근접하여 위치한 관측소들을 선정하며, 관측기간은 최근 30년치 이상을 기준으로 한다. 관측소별로 강수량 자료가 구축이 되었다면, 두 번째인 강우 분석 과정에서는 티센방법(Thiessen method)을 통해서 유역평균강수량을 산정한다. 다음으로는 가뭄의 심도(Severity)와 지속기간(Duration)이 동시에 고려 가능한 코플라(Copula) 함수를 이용한 이변량 가뭄빈도해석을 수행한다. 가뭄빈도해석을 수행하기 위해 대상지역에 발생하였던 가뭄을 파악하는 과정이 필요하다. 이를 위해서 6개월 누적 평균강수량을 산정하고 자료 총 기간의 월강수량을 제거하여 월강수량 이상(Anonmaly) 자료를 구축한다. 월강수량 이상 자료 값 중 0 이하의 값이 지속되는 기간을 가뭄 기간으로 정의하고, 해당 가뭄에 대해서 지속기간과 심도를 산정한다. 이렇게 산정된 지속기간과 심도에 대해서 4가지 확률분포형(Lognormal, Exponential, Gamma, 및 Weibull)을 적합시키고, NLL (Negative Log-Likelihood), BIC (Bayesian Information Criterion), P-Value 등의 적합통계량을 비교하여 최적 확률분포형을 선정한다. 다음으로 두 변수(가뭄의 지속기간 및 심도)의 결합확률을 산정할 수 있는 코플라함수를 추정하기 위해서 4가지 코플라 함수(Clayton, Franbk, Gumbel 및 Gaussian)에 대해서 우도(Likelihood)를 산정한다. 4가지 코플라 함수들 중에 가장 큰 우도를 가지는 함수를 최적의 코플라 함수로 선정한다. 앞서 선정된 확률분포함수들과 코플라함수를 통해서 산정한 확률 및 결합확률 값을 Shiau and Shen (2001)이 제시한 이변량 가뭄빈도해석 식에 적용한다. 해당 식의 경우에는 여러 가뭄연구들에서 가뭄의 특성을 반영한 빈도해석을 위해서 많이 활용되고 있다(Kwak et al., 2016).
(1)
TDS=E(L)P(DdandSs)      =E(L)1FD(d)FS(s)+C(FD(d),FS(s))
여기서, FD(d)FS(s) 는 각각 가뭄의 지속기간(D)과 심도(S)에 대한 확률분포함수를 의미하며, C는 코플라함수를 나타낸다. TDS 는 지속기간이 특정 값(d)이상이면서 동시에 심도(S) 또한 특정 심도(s)인 경우의 결합재현기간을 의미하며, E(L) 은 가뭄의 발생간격을 나타낸다.
위의 Eq. (1)을 통해서 다양한 가뭄 지속기간(d) 및 심도(s)에 대해서 가뭄빈도해석을 수행한 결과를 바탕으로 앞서 제시된 지속기간이 12개월이면서 30년 빈도를 가지는 가뭄 상황에서 발생하는 강수량, 즉 강수부족량을 산정한다. 네 번째 과정으로 앞서 빈도분석을 통해서 산정된 강수부족량을 30년 자료를 기반으로 산정한 평균 월강수량의 비율에 따라서 각 월별로 분배하여 월 강수부족량을 산정하고 이를 다시 평균 월강수량에서 제거하여 가뭄상황 시 발생하는 월강수량시나리오를 산정할 수 있다. 마지막 단계에서는 산정된 가뭄상황 시 월강수량시나리오에 대해서 은닉 마코프 모형(Hidden Markov chain model)을 적용하여 일강수량시나리오를 산정한다. 이러한 5가지 과정을 통해서 최종적으로 가뭄상황 시에 발생하는 일단위 강수량자료를 구축할 수 있다.

3. 대상지역 및 데이터 수집

본 연구에서는 대구광역시와 경상북도(울릉도 제외)를 연구 대상 지역으로 선정하였다. 대상지역의 산림지역을 확인하기 위해서 환경부에서 운영하는 환경공간정보서비스에서 얻은 대분류 토지피복도 자료를 활용하였다(Fig. 3). 대분류 토지피복도는 30 m × 30 m 해상도로 토지피복을 7가지(시가화⋅건조지역, 농업지역, 산림지역, 초지, 습지(수변식생), 나지, 수역)로 구분하여 나타내고 있다. Fig. 3을 보게 되면 다른 지역에 비해서 압도적으로 산림지역이 넓게 분포되어 있는 것을 확인할 수 있다.
Fig. 3
Land Cover Map of Gyeongsangbuk-do
kosham-2024-24-1-7gf3.jpg
이러한 토지피복의 특징을 가진 경상북도의 산불 관련 통계치를 살펴보면, 2013년부터 2022년까지 총 832회의 산불이 발생하였으며 이로 인해서 총 20,530 ha의 면적이 산불로 인해서 피해를 받았다. 특히 2022년에 111회로 전국에서 두 번째로 많이 발생하였으며, 피해면적에 있어서는 17,402.93 ha로 압도적으로 가장 많은 피해면적이 발생하였다. 환경부에서 운영하는 국가가뭄정보포털을 통해 대상지역의 가뭄 사례를 살펴본 결과, 2015년, 2021년, 2022년에 가뭄이 발생한 것을 확인할 수 있었다. 특히 산불 피해가 크게 발생한 2022년의 경우에는 1월부터 7월까지 가뭄의 영향으로 인해 제한급수 및 운반급수로 인해서 물 사용에 문제가 발생하였으며, 경상북도에 위치한 다목적⋅용수댐에 가뭄단계가 발령이 되었다. 이를 통해 2022년에 경상북도에서 발생한 큰 산불 피해들이 가뭄의 영향을 받을 것을 확인할 수 있다. 따라서 경상북도 지역에 대해서 가뭄으로 인해서 산불의 위험성이 얼마나 증가되는지에 관한 분석이 필요하다.
FWI를 산정하기 위해서 필요한 기상자료인 일단위 평균온도, 상대습도, 강우량, 풍속을 수집하기 위해서, 기상청에서 운영하는 기상정보포털에서 제공하고 있는 자료들 중에서 종관기상관측소(Automated Surface Observing System, ASOS)의 자료를 활용하였다. 총 14개의 ASOS 관측소 (울진(130), 안동(136), 상주(137), 포항(138), 대구(143), 봉화(271), 영주(272), 문경(273), 청송군(276), 영덕(277), 의성(278), 구미(279), 영천(281), 경주(283))에 대해서 1988년 1월 1일부터 2022년 12월 31일까지 총 12,784일의 데이터를 구축하였다. 단 상주(137)는 2002년 1월 1일, 경주(283)는 2010년 8월 1일, 청송군(276)은 2010년 9월 1일부터 자료를 제공하고 있기 때문에 해당 날짜부터 2022년 12월 31일까지 자료를 구축하였다.

4. 가뭄 시나리오기반의 산불위험도 분석 결과

4.1 관측자료기반의 FWI 산정 결과

Van Wagner (1987)에서 제시된 FWI 산정 방법론을 기반으로 1988년부터 2022년까지 총 35개년에 대한 FWI를 산정하였다. 일단위로 산정된 FWI의 결과를 보게 되면 특별한 경향성이나 패턴을 보여주고 있지는 않는 것을 확인할 수 있다(Fig. 4). 주기성은 없으나 지속적으로 FWI 값의 증가와 감소가 반복되고 있다. FWI 최댓값인 14.68이 발생한 날짜는 2007년 4월 29일이며, 해당 날짜에 경상북도 지역에 산불이 발생하였는지를 확인한 결과, 산불이 발생하였으며 이로 인해서 0.6 ha의 피해가 발생한 것을 확인할 수 있었다. 가장 낮은 FWI 값은 2020년 8월 8일에 산정된 1.39⨯10-8 로 해당 날짜에는 산불피해가 발생하지 않았다. 다음으로는 일단위 자료에 대해서 월별 평균을 산정하여 월 단위 FWI로 변환하였다(Fig. 4). 앞선 일단위의 결과와 같이 특정 경향성이 나타나지 않은 결과를 확인할 수 있다. 월단위에서의 최댓값인 8.12는 2020년 5월에 산정되었으며 해당 월에 16회의 산불피해가 발생하여 231.95 ha의 면적이 전소되었다. 최솟값은 0.59로 나타났으며, 해당 값이 산정된 2006년 7월에는 산불 피해가 발생하지 않았다. 일 단위와 비교해서 월 단위에서 최댓값이 감소한 이유는 월 단위로 변환 시에 평균을 활용했기 때문이다.
Fig. 4
Daily and Monthly FWI
kosham-2024-24-1-7gf4.jpg
각 월별(1∼12월) 산정된 FWI 값을 비교하기 위해서 Box plot을 도식하였다(Fig. 5). 우리나라의 산불특별대책기간(11∼5월)에 속하는 월들이 7, 8, 9월보다 큰 FWI 값을 가지고 있는 것을 확인할 수 있다. 편차에 있어서는 2월이 가장 큰 편차를 보여주고 있으며, 이에 반해 9월이 가장 적은 편차를 보인다.
Fig. 5
Box Plot of Monthly FWI
kosham-2024-24-1-7gf5.jpg
산정된 FWI 결과가 우리나라의 산불위험성을 잘 나타내는지를 확인하기 위해서 산림청의 산불통계 연보의 최근 10년 치(2013∼2022년) 피해 자료와 비교를 해보았다. 우선 비교에 앞서서 산정된 FWI를 월단위로 바꾸어주고 이를 등급화 하는 과정을 진행하였다. FWI 값에 따른 산불위험등급은 지역에 따라서 다른 기준값을 가지기 때문에 본 연구에서는 산정된 FWI에 대해서 분위수를 산정하여 분위수를 기반으로 총 4개의 등급(1등급: FWI < 2.94, 2등급: 2.94 ≤ FWI < 3.94, 3등급: 3.94 ≤ FWI < 5.00, 4등급: 5.00 ≤ FWI)으로 분류하였다(Table 2). 등급 값이 높을수록 산불위험성이 큰 것을 의미한다. 등급화가 된 이후에 2013년부터 2022년까지 발생한 산불 발생 횟수 및 피해면적과 비교를 해보았다(Table 2).
Table 2
Average Number of Forest Fire Events and Acres Burned by Forest Fire Risk
Forest fire risk 1 2 3 4
Average FWI 2.13 3.50 4.50 6.03
Average number of forest fire events 1.20 3.80 9.60 13.13
Average forest fire damage acres (ha) 2.10 143.71 1.34 9.36
우선 각 산불위험 등급에 따른 평균 산불 발생횟수를 보면, 산불 위험이 큰 4등급에서 많은 산불이 발생한 것을 확인할 수 있다. 다음으로 평균 산불피해면적과 비교해보았다. 평균 산불피해면적에서는 2등급이 가장 큰 값을 가지며, 다음으로 4등급, 1등급, 3등급 순으로 나타났다. 이러한 결과를 통해서 FWI에 경우에는 산불의 피해면적보다는 국내 산불의 발생에 있어서 얼마나 위험한지를 잘 나타내는 것을 확인할 수 있다.

4.2 가뭄지수와 FWI 및 산불발생과의 상관분석

가뭄이 산불발생에 영향을 주는 것을 확인하기 위해서 대표적인 가뭄지수인 SPI를 산정하여 이를 산불 발생 데이터 및 산정된 FWI와 상관분석을 실시하였다. 표준강수지수를 산정하기 위해서는 강우의 지속기간을 결정해야한다. 본 연구에서는 전국 지역을 대상으로 SPI와 산불발생에 대한 상관분석을 수행한 Yoon and Won (2016)에서 활용한 1, 3, 6, 12개월을 활용하였다. 각 지속기간별로 SPI를 산정한 결과는 Fig. 6과 같다. 지속기간이 길어짐에 따라서 산정되는 SPI 결과의 변동성이 점차 감소되는 것을 볼 수 있다.
Fig. 6
SPI according to Duration Interval
kosham-2024-24-1-7gf6.jpg
각 기간별로 산정된 SPI에서 대해서 산불발생과 FWI에 대해서 근 10년 기간(2013~2022)에 대해서 상관분석을 수행하였다(Table 3). 상관분석은 서로 관련이 있을 것으로 판단되는 변수들에 대해서 얼마나 변수들이 연관성이 있는지를 분석하는 방법론이다. 상관분석을 통해서 산정된 상관계수 값을 통해서 두 변수가 양 혹은 음의 관계성을 가지는 지와 관계성의 정도를 파악할 수 있다.
Table 3
Analysis of the Correlation between SPI, Forest Fire, and FWI
SPI SPI-1 SPI-3 SPI-6 SPI-12
Forest fires -0.4372 -0.6395 -0.5766 -0.0226
FWI -0.7516 -0.6828 -0.4730 -0.0625
산정된 상관계수 값들이 음수의 값을 보이는 것은 SPI의 경우에는 값이 작을수록 가뭄이 심한 상태인 것을 의미하기 때문이다. 가뭄이 심할 경우에 이론상 산불의 위험 및 발생이 증가하게 된다. 즉 SPI의 값이 작아질수록 산불의 위험성을 나타내는 FWI 와 실제 산불 발생횟수는 증가하는 음의 상관관계를 가진다. 각 지속기간별에 따른 상관계수 산정 결과를 보면 우선 산불 발생에 있어서 12개월이 압도적으로 상관성이 떨어지는 결과를 보여주고 있으며, 3개월에서 가장 유의미한 상관계수 값을 가진다. 이는 Yoon and Won (2016)이 제시한 결과와 다른 결과를 보여준다. 해당 연구에서는 지속기간이 1개월일 때, 가장 높은 상관성이 경상북도 지역에서 나타났다. 선행연구의 결과와 차이가 발생한 것은 사용한 강우량 자료 때문이다. Yoon and Won (2016)은 경상북도 지역에 대한 SPI 산정 시에 대구 ASOS의 관측자료(1991~2000)을 사용한 반면에 본 연구에서는 경상북도 지역의 강우량 자료를 구축하는데 있어서 14개의 ASOS 관측자료(1988~2022)를 수집하고 이를 면적강우량으로 환산한 값을 강우량 자료로 활용하였다. 또한 사용한 자료기간에 있어서도 선행연구보다 긴 기간에 대한 자료를 활용하였다. 따라서 해당 연구에서 제시한 지속기간 1개월보다는 3개월을 활용하는 것이 더 적절하다고 볼 수 있다. FWI에 대한 상관분석 결과를 보면, 지속기간 1개월에서 가장 높은 상관성을 보여주었으며 동일하게 지속기간이 12개월일 때가 가장 낮은 상관성을 보여주었다.

4.3 DFWI 및 AFWI 산정 결과

2.2절에서 나온 방법론을 이용하여 경상북도 지역에 가뭄 시나리오를 산정하였다. 1988년부터 2022년까지 35년의 강우량 자료를 우선 월 단위 강우량 자료로 변환시켜준 뒤에 3개월 단위로 강우량을 누적시켜서 각 월별 평균 강우량을 산정하였다. 이때 6개월이 아닌 3개월 단위로 강우량을 누적시킨 이유는 앞서 4.2에서 SPI-3을 사용할 경우에 산불 발생 및 FWI기반의 산불위험등급과 가장 높은 상관성을 보였기 때문이다. 산정된 월별 평균 강우량을 월 강우량에서 제거하여 월강수량 이상 자료로 변환한 후에 음의 값을 가지는 경우를 가뭄으로 정의하여 각 가뭄별 가뭄기간 및 심도를 산정하였다. 산정한 심도 및 기간에 대해서 대수정규분포, 지수분포, 감마분포, 웨이블릿 분포에 대해서 3가지 검정값(NLL, BIC, P-Value)을 산정하여 가장 좋은 검정 결과를 보여주는 분포형을 최종 분포형으로 선정하였다(Table 4). 가뭄 기간에 대해서는 웨이블릿 분포가 선정되었으며, 강도에 대해서는 대수정규분포가 선정되었다.
Table 4
Estimation of Three Test Statistics for Drought Duration and Strength
Index Log normal Exponential Gamma Weibull
Duration NLL 137.89 144.97 135.82 135.18
BIC 279.09 291.60 274.96 273.68
P-value 0.10 0.04 0.28 0.42
Strength NLL 240.63 248.31 242.97 242.20
BIC 484.57 498.27 489.24 487.71
P-value 0.56 0.00 0.18 0.40
다음으로 가뭄의 기간과 심도에 대한 결합 확률을 산정하기 위한 코플라 함수를 적합시켰다. Gaussian, Clayton, Gumbel, Frank 코플라 함수에 대해서 우도를 산정하여 적합도를 평가한 결과, Gausaain 코플라 함수가 11.603으로 제일 큰 우도를 가지는 것으로 산정되었기 때문에 Gaussian 코플라 함수를 기반으로 결합확률을 산정하였다. 2.2절에서 제시된 이변량 빈도 해석 식을 통해서 30년 빈도 가뭄에 대해서 지속기간이 12개월일 때 발생하는 연강수부족량을 산정한 결과, 경상북도 지역의 연평균 강수량인 1,116.24 mm의 약 52%에 해당하는 535.26 mm로 산정되었다. 산정된 연강수부족량을 월강수량 비율에 맞게 분리한 후에, 월 평균 강수량에서 제거함으로서 가뭄 시의 각 월별 강수량을 산정하였다(Table 5). 과거 강우량 데이터를 기반으로 Hidden- Markov 모형을 구축하기 위해서 전이확률과 출력확률을 산정하였으며, 이를 기반으로 앞서 산정한 가뭄 시 월 강수량을 일 강수량 자료로 변환시켜주었다(Fig. 7(a)). 단, 월 강수량을 일강수량으로 변환 시에 확률적인 요소가 들어가기 때문에, 이 과정을 30번 반복하여 총 30가지의 일강수량 시나리오를 만들었으며, 신뢰구간은 50%로 설정하였다. 앞서 가뭄시나리오를 만드는 과정을 동일하게 가뭄이 발생하지 않았을 경우(일반시나리오)에 대해서 적용하였다. 단, 이 경우에는 이변량 빈도해석을 수행하지 않고, 과거 관측자료를 통해서 산정된 월평균 강수량을 이용하였다. 동일하게 Hidden-Markov 모형을 이용하여 월 단위를 일 단위로 변형하였으며, 가뭄 시나리오와 동일하게 총 30가지 일강수량 시나리오를 만들었다(Fig. 7(b)).
Table 5
Estimation of Monthly Drought Scenario (mm)
Month Monthly average precipitation Annual precipitation deficiency Monthly precipitation deficiency Monthly drought scenario
1 24.71 535.26 11.85 12.86
2 29.83 14.30 15.52
3 52.40 25.12 27.27
4 74.49 35.72 38.77
5 83.41 40.00 43.41
6 126.84 60.82 66.02
7 235.34 112.85 122.49
8 232.89 111.67 121.21
9 144.42 69.25 75.17
10 53.99 25.89 28.10
11 38.24 18.34 19.90
12 19.70 9.44 10.25
Fig. 7
Daily Precipitation in DFWI and AFWI
kosham-2024-24-1-7gf7.jpg
FWI를 산정하기 위해서는 강수량 외에도 온도, 풍속, 상대습도의 자료가 필요하다. 온도와 풍속의 경우에는 관측 자료를 기반으로 각 일별 평균 온도와 풍속을 산정하여 활용하였다. 이는 온도와 풍속은 가뭄 시에 줄어든 강우량의 영향을 거의 받지 않기 때문이다. 반면에 상대습도의 경우에는 강우량과 매우 밀접한 관계를 가지고 있다. 따라서 상대습도의 경우에는 회귀식을 이용하여 각 시나리오별로 산정하였다. 회귀식의 입력 자료로는 각 시나리오에서 나온 강우량과 관측자료에서 산정한 온도자료로 구성하였다. 가뭄시나리오와 일반시나리오 때의 산정된 상대습도를 보게 되면, 확실히 가뭄시나리오에서 상대습도가 낮은 것을 볼 수 있다(Fig. 8).
Fig. 8
Relative Humidity in DFWI and AFWI
kosham-2024-24-1-7gf8.jpg
앞서 위해 구축한 기상자료들을 이용하여 DFWI와 AFWI를 산정하였다. 산정된 결과를 비교하기 위해서 각각에 대해서 Box-plot을 도식화하였다(Fig. 9).
Fig. 9
Boxplots of DFWI and AFWI
kosham-2024-24-1-7gf9.jpg
Fig. 9에서 볼 수 있듯이 DFWI의 값이 AFWI보다 값도 크며, 변동성도 큰 것을 확인할 수 있다. 일별로 산정된 결과에 대해서 수치적으로 비교해보면, DFWI가 AFWI보다 평균값에서 약 1.66배 큰 것을 확인할 수 있으며 변동성에 있어서는 약 1.12배 큰 것을 확인할 수 있었다. 일별로 산정된 DFWI와 AFWI를 각각 월 단위로 변환한 후에 산정한 평균값을 비교해 보면(Fig. 10), 모든 월에서 평균값이 증가된 것을 확인할 수 있다. 가장 큰 증가를 보인 달은 8월로서 평균값이 약 3배 정도 증가하였으며 다음으로 9월이 약 2.73배 증가로 두 번째로 큰 증가를 보였다. 즉, 강우가 많이 발생하는 기간에 대해서 산불위험성이 크게 증가되었다. 산불특별대책기간에 대해서 변화를 살펴보면, 평균적으로 약 1.59배가 증가되었으며, 4월과 5월에 각각 약 1.77배 및 1.73배가 가뭄시나리오에서 증가되었다. 본 연구에서 분석한 결과를 통해서 가뭄 시 산불의 위험성이 증가 되는 것을 확인할 수 있었다. 따라서 가뭄 발생 시에 가뭄에 대한 대책뿐만 아니라 이로 인해서 위험성이 증가되는 산불에 대한 대책 또한 수립 되어야 할 것으로 판단된다.
Fig. 10
Average of Monthly DWFI (Red) and AFWI (Blue)
kosham-2024-24-1-7gf10.jpg

5. 결 론

전 세계적으로 산불의 발생이 증가하고 있다. 이러한 산불 발생에 있어서 가뭄이 중요한 영향 요소로서 작용하고 있지만 관련 연구들은 가뭄과 산불의 관계성을 분석하는데 머물러 있다. 이에 본 연구에서는 가뭄이 산불위험성 증가에 미치는 영향을 정량적으로 분석하기 위해서 가뭄시나리오를 정의하고 이를 기반으로 산불위험성을 나타내는 FWI를 산정하였다. 2022년 산불 피해가 많이 발생한 경상북도 지역을 대상으로 해당 지역의 평균적인 가뭄 발생빈도인 30년 빈도에 해당하는 가뭄시나리오를 산정하였다. DFWI와 AFWI를 비교한 결과, 가뭄 시의 경상북도의 산불 위험성이 약 1.6배 증가하였다. 이를 통해 본 연구에서는 가뭄 시 산불의 위험성을 얼마나 증가되는 지를 정량적으로 확인할 수 있었다.
하지만 본 연구에서 가뭄 시 산불위험성을 분석하는데 있어서 다음과 같은 한계점들을 가지고 있다. 첫 번째로 본 연구에서 사용한 FWI에 경우 국내의 산불발생위험성을 나타내는데 있어서는 유효하나, 산불의 피해면적에 대한 위험성을 나타내는 데에는 한계점을 보여주었다. 산불에 있어서 발생위험성도 중요하나 과연 산불이 발생할 경우에 얼마만큼의 피해를 발생시킬지에 대한 위험성을 나타내는 것 또한 필요하다. 따라서 국내의 산불발생에 의한 피해의 위험성을 제대로 나타낼 수 있는 다른 산불위험지수의 적용이 필요할 것으로 판단된다. 이를 위해서 추후연구에서는 해외기관들에서 사용하고 있는 산불위험성지수들에 대한 국내 적용성 평가를 수행하여 국내에 맞는 산불위험성지수 사용하고자 한다. 두 번째로, FWI를 산정하기 위해서 필요한 상대습도에 대해서 본 연구에서는 강우와 온도를 독립변수로 활용하는 회귀식을 사용하였다. 개발한 회귀식에 대해서 가뭄시나리오 및 일반시나리오에 의해서 산정된 각각의 강수량과 관측자료를 기반으로 산정한 각 일별 평균 온도자료를 입력하여 상대습도를 산정하였다. 즉 각 시나리오에 대한 상대습도를 산정하는데 있어서 온도자료는 동일한 값을 활용하였기 때문에 강우량에 의해서 상대습도가 결정된 것이다. 하지만 실제 상대습도는 강우량 외에도 여러 기상인자의 영향을 받아서 형성되기 때문에 이를 반영한 새로운 상대습도 방법론 개발이 필요하다. 이에 있어서 최근 인공지능기반의 머신러닝 혹은 딥러닝 기반의 방법론들이 활용되고 있다. 따라서 추후 연구에서 각 시나리오의 상황을 더 반영할 수 있도록 여러 기상 인자를 기반으로 하는 인공지능기반의 상대습도 산정 방법론을 개발하고자 한다.
본 연구를 통해서 가뭄이 산불의 위험성을 얼마나 증대 시키는 지를 파악할 수 있었다. 다음 단계로는 가뭄이 어떤 요소들을 통해서 산불위험성을 증가시키는지와 각 요소들이 각각 얼마나 산불위험성을 증가시키는지에 대한 연구가 진행되어야 한다. 이러한 연구들이 진행된다면 가뭄이 산불에 미치는 영향요소들을 파악하고, 이에 대한 대책을 수립함으로서 가뭄에 의한 산불위험성 증가를 막을 수 있는 대책을 수립할 수 있을 것으로 기대된다.

감사의 글

본 결과물은 환경부의 재원으로 한국환경산업기술원의 가뭄대응 물관리 혁신 기술개발사업의 지원을 받아 연구되었습니다(2022003610002).

References

1. Flannigan, M.D, Krawchuk, M.A, de Groot, W.J, Wotton, B.M, and Gowman, L.M (2009) Implications of changing climate for global wildland fire. International Journal of Wildland Fire, Vol. 18, No. 5, pp. 483-507.
crossref
2. Gouveia, C.M, Bastos, A, Trigo, R.M, and DaCamara, C.C (2012) Drought impacts on vegetation in the pre-and post-fire events over Iberian Peninsula. Natural Hazards and Earth System Sciences, Vol. 12, No. 12, pp. 3123-3137.
crossref
3. Groot, W.J.D, Field, R.D, Brady, M.A, Roswintiarti, O, and Mohamad, M (2007) Development of the Indonesian and Malaysian fire danger rating systems. Mitigation and Adaptation Strategies for Global Change, Vol. 12, pp. 165-180.
crossref pdf
4. Jeong, J.Y, Woo, S.H, Son, R.H, Yoon, J.H, Jeong, J.H, Lee, S.J, et al (2018) Spring forest-fire variability over korea associated with large-scale climate factors. Atmopshere Korean Meteorological Society, Vol. 28, No. 4, pp. 457-467.

5. Kang, Y, Park, S, Jang, E, Im, J, Kwon, C.G, and Lee, S (2019) Spatio-temporal enhancement of forest fire risk index using weather forecast and satellite data in South Korea. Journal of the Korean Association of Geographic Information Studies, Vol. 22, No. 4, pp. 116-130.

6. Korea Forest Service (KFS) (2023) Statistical yearbook of wildfires 2022. Korea Forest Service.

7. Kwak, J, Kim, S, Kim, G, Singh, V.P, Park, J, and Kim, H.S (2016) Bivariate drought analysis using streamflow reconstruction with tree ring indices in the Sacramento Basin, California, USA. Water, Vol. 8, No. 4, pp. 122.
crossref
8. Littell, J.S, Peterson, D.L, Riley, K.L, Liu, Y, and Luce, C.H (2016) A review of the relationships between drought and forest fire in the United States. Global Change Biology, Vol. 22, No. 7, pp. 2353-2369.
crossref pmid pdf
9. Masinda, M.M, Li, F, Qi, L, Sun, L, and Hu, T (2022) Forest fire risk estimation in a typical temperate forest in Northeastern China using the Canadian fire weather index:Case study in autumn 2019 and 2020. Natural Hazards, Vol. 111, pp. 1085-1101.
pmid
10. McArthur, A.G (1966) Weather and grassland fire behaviour. Commonwealth of Australia, Forestry and Timber Bureau, Leaflet 100, Camberra, Australia.

11. Ministry of Environment (2022) Guidelines for the development of drought vulnerability map. Ministry of Environment.

12. Park, H.S, Lee, S.Y, Chae, H.M, and Lee, W.K (2009) A study on the development of forest fire occurrence probability model using canadian forest fire weather index–Occurrence of forest fire in kwangwon province-. J. Korean Soc. Hazard Mitig, Vol. 9, No. 3, pp. 95-100.

13. Park, S, Lee, S.W, Kim, T, and Choi, J (2020) Analysis of seasonal effects between drought intensity and the frequency of forest fires. The Geographical Journal of Korea, Vol. 54, No. 3, pp. 299-309.
crossref
14. Pereira, P, Úbeda, X, and Martin, D.A (2012) Fire severity effects on ash chemical composition and water- extractable elements. Geoderma, Vol. 191, pp. 105-114.
crossref
15. Pokharel, B, Sharma, S, Stuivenvolt-Allen, J, Wang, S.Y.S, LaPlante, M, Gillies, R.R, et al (2023) Amplified drought trends in Nepal increase the potential for Himalayan wildfires. Climate Change, Vol. 176, Article Number 17.
crossref pdf
16. Reinhard, M, Rebetez, M, and Schlaepfer, R (2005) Recent climate change:Rethinking drought in the context of forest fire research in Ticino, South of Switzerland. Theoretical and Applied Climatology, Vol. 82, pp. 17-25.
crossref pdf
17. Richardson, D, Black, A.S, Irving, D, Matear, R.J, Monselesan, D.P, Risbey, J.S, et al (2022) Global increase in wildfire potential from compound fire weather and drought. NPJ Climate and Atmosphere Science, Vol. 5, No. 1, Article Number 23.
crossref pdf
18. Ruffault, J, Curt, T, Martin-StPaul, N.K, Moron, V, and Trigo, R.M (2018) Extreme wildfire events are linked to global-change-type droughts in the northern Mediterranean. Natural Hazards and Earth System Sciences, Vol. 18, No. 3, pp. 847-856.
crossref
19. Shiau, J.T, and Shen, H.W (2001) Recurrence analysis of hydrologic droughts of differing severity. Journal of Water Resources Planning and Management, Vol. 127, No. 1, pp. 30-40.
crossref
20. Stocks, B.J, Lawson, B.D, Alexander, M.E, Wagner, C.V, McAlpine, R.S, Lynham, T.J, et al (1989) The Canadian forest fire danger rating system:An overview. The Foresty Chronicle, Vol. 65, No. 6, pp. 450-457.
crossref
21. Turco, M, von Hardenberg, J, AghaKouchak, A, Liasat, M.C, Provenzale, A, and Trigo, R.M (2017) On the key role of droughts in the dynamics of summer fires in Mediterranean Europe. Scientific Reports, Vol. 7, No. 1, Article Number 81.
crossref pdf
22. Turner, M.G, Hargrove, W.W, Gardner, R.H, and Romme, W.H (1994) Effects of fire on landscape heteorogeneity in Yellowstone National Park, Wyoming. Journal of Vegetation Science, Vol. 5, No. 5, pp. 731-742.

23. UNISDR (2009). Drought risk reduction framework and practices:Contributing to the implementation of the Hyogo framework for action. United nations secretariat of the international strategy for disaster reduction, UNISDR, Geneva, Switzerland.

24. Van Wagner, C.E (1987). Development and structure of the Canadian Forest Fire Weather Index System. Canadian Forestry Service, Headquarters, Ottawa.

25. Vitolo, C, Di Giuseppe, F, Krzeminski, B, and San-Miguel- Ayanz, J (2019) A 1980-2018 global fire danger re-analysis dataset for the Canadian fire weather indices. Scientific Data, Vol. 6, No. 1, pp. 1-10.
crossref pmid pmc pdf
26. Xiao, J, and Zhuang, Q (2007) Drought effects on large fire activity in Canadian and Alaskan forests. Environmental Research Letters, Vol. 2, No. 2, pp. 044003.
crossref
27. Yoo, J, Han, J, Kim, D, and Kim, T.W (2021) Evaluating impact factors of forest fire occurrences in Gangwon province using PLS-SEM:A focus on drought and meteorological factors. Journal of Civil and Environmental Engineering Research, Vol. 41, No. 3, pp. 209-217.

28. Yoon, S.H, and Won, M.S (2016) Correlation analysis of forest fire occurrences by change of standardized precipitation index. Journal of the Korean Association of Geographic Information Studies, Vol. 19, No. 2, pp. 14-26.
crossref


ABOUT
ARTICLE CATEGORY

Browse all articles >

BROWSE ARTICLES
AUTHOR INFORMATION
Editorial Office
1010 New Bldg., The Korea Science Technology Center, 22 Teheran-ro 7-gil(635-4 Yeoksam-dong), Gangnam-gu, Seoul 06130, Korea
Tel: +82-2-567-6311    Fax: +82-2-567-6313    E-mail: master@kosham.or.kr                

Copyright © 2024 by The Korean Society of Hazard Mitigation.

Developed in M2PI

Close layer
prev next