1. 서 론
가뭄은 강수량 부족으로 인해 발생하는 대표적인 기상재해로, 장기간에 걸쳐 점진적으로 진행되면서 광범위한 지역에 영향을 미치는 특성을 가진다. 최근 지구온난화와 기후변화로 인해 전 세계적으로 가뭄 발생 빈도와 강도가 증가하고 있는 추세이며, 이에 따라 가뭄 피해를 최소화하기 위한 효과적인 예측 시스템과 조기 대응 방안의 개발이 필요하다. 가뭄 모니터링과 예측을 위해 다양한 가뭄지수가 개발되어 왔으며, 그 중에서도 표준강수지수(Standardized Precipitation Index, SPI)와 표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI)는 다중 시간척도 특성과 계산의 용이성으로 인해 전 세계적으로 가장 널리 활용되고 있다. SPI는 McKee et al. (1993)에 의해 제안된 이후 대표적인 가뭄지수로 사용되어 왔으며, 2009년 Lincoln Declaration on Drought Indices를 통해 세계기상기구(WMO)에서 공식적으로 권장하는 가뭄지수가 되었다(WMO, 2012). SPEI는 Vicente-Serrano et al. (2010)이 제안한 지수로, SPI의 장점을 유지하면서 온도 변화에 따른 증발산의 영향을 추가로 고려하여 지구온난화 상황에서 더욱 정확한 가뭄 평가가 가능하다.
가뭄 예측 연구는 주로 Holt-Winters, Autoregressive Integrated Moving Average (ARIMA) 등의 통계적 방법에 의존해왔으나, 이러한 방법들은 단독으로 사용할 때 선형 관계만 포착할 수 있고 비선형 관계를 충분히 모델링하지 못해 장기 예측에서 한계를 보였다(Rezaiy and Shabri, 2023; Cai et al., 2024). 최근 들어 머신러닝의 급진적 발달에 따른 딥러닝 기술이 등장하고 일반화되면서, 특히 Long Short-Term Memory (LSTM) 모델은 시계열 데이터의 장기 의존성을 효과적으로 학습할 수 있어 가뭄지수 예측에서 우수한 성능을 보이는 것으로 보고되고 있다(Dikshit et al., 2020; Coşkun and Citakoglu, 2023). 최근에는 이러한 딥러닝 기법의 장점을 극대화하기 위해 통계적 기법과 결합하여 예측 성능을 향상시키려는 연구도 이루어지고 있다(Xu et al., 2022). 본 연구에서는 LSTM 모델의 구조적 장점을 극대화하기 위해 다양한 시간척도의 가뭄지수를 조합한 입력 구성 방식을 설계하고, 이를 통해 수치 예측 성능을 향상시키는 데 중점을 두었다. 또한 예측된 SPI/SPEI가 국가가뭄정보통계집의 예⋅경보 산정 체계와 어느 정도 일관성을 유지하는지 확인하여 실무 적용 가능성을 검토하였다.
기존 대부분의 연구들은 강수량, 기온, 증발산량 등 기상 변수를 직접 입력하여 SPI나 SPEI를 예측하는 방식을 사용해왔다. 그러나 이러한 접근법은 기상 변수 간 복잡한 상호작용과 가뭄지수 산정 과정에서 발생하는 불확실성을 모델이 동시에 학습해야 하는 한계가 있다. Wang et al. (2022)은 기존 월 단위 SPI를 일 단위로 개선한 데이터셋을 구축하여 시간 해상도를 향상시켰으나, 기상 변수에서 가뭄지수를 산정하는 과정을 모델이 학습해야 하는 한계는 여전히 남아있다. 본 연구에서는 기상 자료 대신 이미 산정된 SPI와 SPEI를 입력자료로 활용하고, 이를 다양한 시간척도로 구성하여 단변량과 다변량 구조의 성능 차이를 분석하는 방식을 적용하였다. 이러한 접근은 지수 산정 과정의 불확실성을 제거하고, 시계열 패턴 학습에 집중할 수 있다는 장점을 가진다.
가뭄은 본질적으로 다중 시간척도 현상으로, 각 시간척도는 서로 다른 유형의 가뭄을 의미한다. 1개월 척도는 기상학적 가뭄, 3-6개월 척도는 농업적 가뭄, 6-12개월 척도는 수문학적 가뭄과 각각 연관되어 있다(McKee et al., 1993). 본 연구에서는 다변량 접근법을 통해 여러 시간척도의 가뭄 정보를 종합적으로 활용한다. Mokhtar et al. (2021)은 티베트 고원 지역에서 다양한 머신러닝 모델(CNN, LSTM, RF, XGB)을 사용하여 3개월 및 6개월 SPEI를 예측하였으며, 그 중 LSTM이 6개월 SPEI 예측에서 가장 우수한 성능을 보였다고 보고하였다. Wu et al. (2021)의 연구에서도 월별 강수량 시계열을 활용한 WAVELET-ARIMA-LSTM (W-AL) 모델이 단일 모델 대비 높은 정확도를 달성하였다. 이러한 다중 시간척도 접근법은 가뭄의 복잡한 동적 특성을 보다 정확하게 모델링할 수 있는 이론적 근거를 제공한다.
본 연구에서는 일 단위로 산정된 가뭄지수 데이터를 활용하여 과거의 시계열 데이터를 입력 변수로 사용하는 LSTM 기반 단변량 및 다변량 예측 모델을 구축한다. 동일한 시간척도의 가뭄지수를 예측하는 단변량 모델과 다양한 시간척도의 가뭄지수를 조합한 다변량 모델을 비교함으로써 입력 구성 방식이 예측 성능에 미치는 영향을 체계적으로 분석하는 것을 주요 목표로 한다. 아울러 예측된 SPI/SPEI 값을 국가가뭄정보통계집의 예⋅경보 기준에 적용하여 실무적 활용 가능성을 보조적으로 확인하였다.
2. 방법론
2.1 가뭄지수 데이터 구축
2.1.1 표준강수지수(SPI)
표준강수지수(Standardized Precipitation Index, SPI)는 McKee et al. (1993)에 의해 개발된 가뭄지수로, 강수량의 확률분포를 이용하여 특정 시간척도 동안의 강수량 부족 정도를 표준화한 지수이다. SPI는 다양한 시간척도(1, 3, 6, 9, 12, 24개월 등)에서 계산 가능하며, 각 시간척도는 서로 다른 유형의 가뭄을 나타낸다. SPI 계산 과정은 먼저 특정 시간척도에 대한 누적 강수량 시계열을 구축하고, 이를 감마분포에 적용시킨다. 이후 감마분포의 누적분포함수를 표준정규분포로 변환하여 SPI 값을 산정한다. SPI 값이 -1보다 작으면 약한 가뭄 상태를 의미하며, 1보다 크면 습윤한 상태를 의미한다.
2.1.2 표준강수증발산지수(SPEI)
표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI)는 Vicente-Serrano et al. (2010)에 의해 개발된 가뭄지수로, SPI의 다중 시간척도 특성을 유지하면서 기온의 영향을 고려한 지수이다. SPEI는 강수량과 잠재증발산량의 차이인 수분수지(D)를 기반으로 계산되며, 수분수지 D는 Eq. (1)로 정의된다. 여기서 P는 강수량, PET는 잠재증발산량이다. 계산된 D 값을 log-logistic 분포에 적용시키고, 이를 표준정규분포로 변환하여 SPEI 값을 산정한다. SPEI는 기온 상승에 따른 증발산량 증가를 반영하여 기후변화 조건에서 보다 적절한 가뭄 평가가 가능하다.
2.1.3 데이터 수집
본 연구에서 사용된 가뭄지수 데이터는 기상청 기상자료개방포털(https://data.kma.go.kr)에서 제공하는 일 단위 SPI 및 SPEI를 활용하였다. 일 단위 데이터는 월 단위 대비 충분한 학습 샘플을 확보할 수 있어 딥러닝 모델의 학습 효율성을 높일 수 있으며, 시계열 학습을 통해 단기 변동을 반영하면서도 가뭄 추세를 예측하는 데 적합하다. 예측 대상으로는 6개월 시간척도의 SPI6와 SPEI6를 선정하였으며, 이는 농업 및 수문학적 가뭄 특성을 동시에 반영할 수 있어 중기 가뭄 평가에 활용도가 높기 때문이다(McKee et al., 1993). SPI 데이터는 1991년 1월 1일부터 2023년 12월 31일까지 총 33년간, SPEI 데이터는 2018년 1월 1일부터 2023년 12월 31일까지 총 6년간 수집하였다. 각 가뭄지수는 3, 6, 9, 12개월 시간척도의 자료를 활용하였다.
2.2 가뭄지수 예측모델 개발
본 연구에서는 LSTM 기반 가뭄지수 예측모델을 개발하였다. 먼저 수집된 가뭄지수 데이터의 전처리를 수행하였다. 결측치는 K-최근접 이웃 보간법(KNN imputation)을 적용하여 처리하였으며, 결측값을 가진 시점과 유사한 k개의 최근접 시점을 찾아 해당 값들의 평균으로 대체하는 방식으로 k = 5로 설정하였다. 모델의 학습 효율성 향상을 위해 MinMax 정규화를 적용하여 모든 데이터를 0과 1 사이의 값으로 변환하였다.
모델 학습을 위한 데이터는 훈련, 검증, 시험 데이터로 분할하였다. SPI 데이터는 Fig. 1(a)와 같이 1991년부터 2019년을 훈련 데이터, 2020년부터 2022년을 검증 데이터, 2023년을 시험 데이터로 설정하였다. SPEI 데이터는 2018년부터 2021년을 훈련 데이터, 2022년을 검증 데이터, 2023년을 시험 데이터로 설정하였으며, Fig. 1(b)에 나타내었다. 각 지수의 활용 기간은 기상청의 산정 시작 시점 차이에 따른 것이며, SPI는 1991년부터, SPEI는 2018년부터 산정된 자료가 제공되고 있다.
예측모델은 입력 변수 구성에 따라 단변량 모델과 다변량 모델로 구분하였다. 단변량 모델은 동일한 시간척도의 가뭄지수만을 입력으로 사용하며, 다변량 모델은 여러 시간척도의 가뭄지수를 동시에 입력으로 사용한다. 본 연구에서는 두 가지 비교 관점에서 모델을 구성하였다. SPI 모델의 경우 입력 변수 구성에 따른 성능 차이를 비교하기 위해 단변량과 다변량 모델에 동일한 LSTM 구조를 적용하였다. SPEI 모델의 경우 각 입력 구성에 적합한 구조를 적용한 상태에서의 성능을 비교하기 위해 단변량 모델은 LSTM 1층(64 units, tanh 활성화 함수), 다변량 모델은 LSTM 2층(100 units, tanh 활성화 함수)과 배치 정규화를 적용한 구조로 구성하였다. SPI와 SPEI 각각에 대해 단변량 및 다변량 모델을 개발하여 총 4개의 예측모델을 구축하였다.
2.2.1 Long Short-Term Memory (LSTM)
LSTM은 Hochreiter and Schmidhuber (1997)에 의해 개발된 순환신경망(RNN)의 한 종류로, 장기 의존성 문제를 해결하기 위해 고안되었다. Fig. 2와 같이, LSTM은 셀 상태(cell state)와 은닉 상태(hidden state)를 통해 정보를 선택적으로 기억하거나 망각할 수 있는 구조를 가지고 있다. LSTM 셀은 세 개의 게이트로 구성되는데, 망각 게이트(Forget Gate)는 이전 셀 상태에서 어떤 정보를 버릴지 결정하고, 입력 게이트(Input Gate)는 새로운 정보 중 어떤 것을 셀 상태에 저장할지 결정하며, 출력 게이트(Output Gate)는 셀 상태의 어떤 부분을 출력할지 결정한다. 이러한 게이트 메커니즘을 통해 LSTM은 시계열 데이터의 장기간 패턴을 효과적으로 학습할 수 있어 가뭄지수 예측에 적합하다.
2.2.2 SPI 단변량 모델 구축
SPI 단변량 예측 모델은 6개월 기간의 SPI6 값을 입력으로 하여 동일 기간의 미래 SPI6 값을 예측하도록 구성하였다. 입력 자료는 과거 80일간의 SPI6 단일 변수 시계열을 활용하여 7일 후의 SPI6 값을 산출하는 구조로 설계하였다(Fig. 3(a)).
모델 구조는 쌍곡탄젠트(tanh) 활성화 함수를 적용한 128개 은닉 유닛을 갖는 2개의 LSTM 층으로 구성되었으며, 과적합 방지를 위해 드롭아웃(dropout)과 배치 정규화(batch normalization)를 적용하였다. 학습 과정에서는 Adam 최적화 알고리즘과 평균제곱오차(MSE) 손실함수를 사용하였고, 조기 종료(early stopping) 기법을 도입하여 모델의 일반화 성능을 향상시켰다.
2.2.3 SPI 다변량 모델 구축
SPI 다변량 예측 모델은 단변량 모델과 동일한 LSTM 구조를 기반으로 하되, 입력 구성에서 차별화를 두었다. 본 모델은 과거 80일간의 3개월, 6개월, 9개월, 12개월 기간의 SPI 값으로 구성된 시계열 자료를 입력으로 하여 7일 후의 SPI6 값을 예측하도록 설계하였으며, 전체 구조는 Fig. 3(b)에 제시하였다. 이러한 다변량 접근은 서로 다른 기간에서 산출된 가뭄 지표를 통합적으로 활용함으로써 예측 정확도를 향상시키고자 하였다.
2.2.4 SPEI 단변량 모델 구축
SPEI 단변량 예측 모델은 6개월 기간의 SPEI6 값을 입력으로 하여 동일 기간의 미래 SPEI6 값을 산출하도록 구성하였다. 본 모델은 과거 60일간의 SPEI6 단일 변수 시계열 자료를 입력으로 사용하여 7일 후의 SPEI6 값을 예측하며, 전체 구조는 Fig. 3(c)에 제시하였다.
모델 구조는 tanh 활성화 함수를 적용한 64개 은닉 유닛을 갖는 단일 LSTM 층으로 구성되었으며, 과적합 방지를 위해 dropout을 적용하였다. 학습 시 Adam 최적화 알고리즘과 MSE 손실함수를 사용하였고, early stopping 기법을 통해 과적합을 방지하였다.
2.2.5 SPEI 다변량 모델 구축
SPEI 다변량 예측 모델은 다양한 기간의 SPEI 값을 동시에 입력하여 SPEI6를 산출하도록 구성하였다. 본 모델은 과거 40일간의 3개월, 6개월, 9개월, 12개월 기간 SPEI 값으로 구성된 시계열 자료를 입력으로 사용하여 7일 후의 SPEI6 값을 예측하며, 전체 구조는 Fig. 3(d)에 제시하였다.
모델 구조는 tanh 활성화 함수를 적용한 100개 은닉 유닛을 갖는 2개의 LSTM 층으로 구성되었으며, 과적합 방지를 위해 dropout과 batch normalization를 적용하였다. 학습 과정에서는 Adam 최적화 알고리즘과 MSE 손실함수를 사용하였고, early stopping 기법으로 예측 성능의 안정성을 높였다.
2.2.6 모델 성능 평가
LSTM 모델의 예측 성능 평가는 결정계수(R2), 평균제곱근오차(RMSE), 평균제곱오차(MSE), 평균절대오차(MAE), 그리고 Nash-Sutcliffe 모형 효율계수(NSME)를 활용하여 정량적으로 수행하였다. R2는 모델이 관측값의 분산을 얼마나 설명하는지를 나타내며, 0에서 1 사이의 값을 가지며 1에 가까울수록 높은 설명력을 의미한다(Eq. (2)). RMSE는 예측값과 관측값의 차이를 제곱한 후 평균을 취하고 제곱근을 적용한 지표로, 값이 작을수록 예측 정확도가 높음을 의미한다(Eq. (3)). MSE는 예측오차의 제곱 평균으로, RMSE와 동일하게 값이 작을수록 우수한 성능을 나타낸다(Eq. (4)). MAE는 예측값과 관측값의 절대오차 평균을 의미하며, 이상치(outlier)에 덜 민감한 특성을 갖는다(Eq. (5)). 추가적으로, NSME는 관측값 평균을 기준선으로 모델의 상대적 예측 정확도를 평가하는 지표로서, 1에 가까울수록 모델이 관측값의 변동성을 효과적으로 재현함을 의미한다(Eq. (6)).
2.3 국가가뭄정보통계집 기반 실무적 검증
2.3.1 가뭄 예⋅경보 발령 기준
예측 모델의 실무적 타당성을 검증하기 위해 행정안전부에서 발간하는 국가가뭄정보통계집의 가뭄 예⋅경보 발령 기준을 활용하였다(Fig. 4). 관계부처 합동 가뭄 예⋅경보 판단기준에서는 기상가뭄 판단을 위해 최근 6개월 누적강수량을 이용한 표준강수지수(SPI6)를 활용하고 있다. 이는 본 연구에서 예측 대상으로 설정한 6개월 시간척도의 SPI 및 SPEI와 동일한 시간척도이다. 다만, 현행 시스템은 관측된 과거 강수량 자료를 기반으로 산정한 가뭄지수를 통해 현재의 가뭄 상태를 진단하는데 중점을 두고 있는 반면, 본 연구는 과거 시점의 가뭄지수 시계열을 입력으로 사용하는 딥러닝 모델을 통해 미래의 가뭄지수를 사전에 예측함으로써 선제적 대응을 가능하게 하는 것을 목적으로 한다.
국가 가뭄 예⋅경보는 약한 가뭄(관심 단계), 보통 가뭄(주의 단계), 심한 가뭄(경계 단계), 극심한 가뭄(심각 단계)으로 구분된다. 관심 단계는 가뭄지수가 -1.0 이하로 지속되는 경우 발령되며, 주의 단계는 가뭄지수가 -1.5 이하로 지속되는 경우에 발령된다. 경계 단계는 가뭄지수가 -2.0 이하로 지속되는 경우 발령되고 경계 단계가 20일 이상 지속될 경우 심각 단계가 발령된다. 본 연구에서는 예측된 SPI6 및 SPEI6 값을 이 기준에 적용하여 예측 단계와 실제 발령 단계 간의 일치도 평가를 함으로써, 개발된 예측 모델이 실무 가뭄 예⋅경보 체계에 활용 가능한지를 검증하고자 하였다.
2.3.2 검증 방법
가뭄지수 예측모델의 실무적 활용도를 평가하기 위해 가뭄단계 분류 성능을 기반으로 검증을 수행하였다. 예측된 가뭄지수, 실제 가뭄지수, 국가가뭄정보통계집의 기상가뭄 예경보 발령 기준을 Table 1의 가뭄단계 분류 기준에 따라 정상, 약한 가뭄(관심), 보통 가뭄(주의), 심한 가뭄(경계), 극심한 가뭄(심각)의 5단계로 분류하여 비교하였다.
Table 1
Drought Classification Criteria
검증을 위해 정확도(Accuracy), F1-score, Cohen’s Kappa을 산출하였다. Accuracy는 전체 예측 중 실제 등급과 정확히 일치한 비율을 나타내며, F1-Score는 정밀도와 재현율의 조화평균으로 불균형 데이터에서도 모델 성능을 안정적으로 평가할 수 있는 지표이다. Cohen’s Kappa는 우연에 의한 일치도를 보정한 분류 성능 지표로, 0.81 이상은 완전한 일치, 0.61 이상은 상당한 일치, 0.41 이상은 보통 일치를 의미한다. 이러한 세 가지 지표를 통해 수치적 성능뿐 아니라 실무 적용 가능성을 평가하였다.
3. 적용 및 결과
3.1 대상지역 선정
본 연구에서는 광주광역시를 단일 대상지역으로 선정하여 모델을 개발 및 검증하였다. 광주광역시는 대한민국 남서부에 위치한 광역시로, 연평균 강수량이 전국 평균보다 낮고 강수량의 계절적 편차가 큰 지역 특성을 보인다. 특히 최근 기후변화의 영향으로 봄철과 겨울철 강수량 감소가 뚜렷하게 나타나고 있어 가뭄 발생 빈도가 높은 지역 중 하나이다.
광주광역시는 2017년과 2018년에 극심한 가뭄으로 인해 제한급수 조치가 시행되기도 하였으며, 현재까지도 가뭄으로 인한 피해가 계속해서 발생하고 있다. 가뭄 발생 빈도가 높고 피해가 심각한 지역 특성상, 효과적인 가뭄 예측 시스템 구축이 필요한 지역으로 판단되어 대상지역으로 선정하였다.
3.2 가뭄지수 예측 및 평가 결과
3.2.1 SPI 단변량 모델 결과
SPI 단변량 모델의 예측 결과를 분석하였다. Fig. 5는 2023년 시험기간 동안의 실제 SPI6 값과 예측된 SPI6 값의 시계열 변화를 나타낸다. 그래프에서 확인할 수 있듯이, 모델은 실제 SPI6의 변동 양상을 정밀하게 추적하였다. 2023년 초반부터 중반까지 지속된 가뭄 상태(SPI6 ≤ -1)와 7월경의 급격한 상승에 따른 습윤 상태로의 전환 등 주요 변동 패턴을 높은 정확도로 예측하였다.
모델의 예측 성능은 Table 2에 제시된 바와 같이 R2 = 0.8987, RMSE = 0.0819, MSE = 0.0067, MAE = 0.0527로 나타났다. NSME는 0.8987로 산정되어 R2와 유사한 수준의 설명력을 보였으며, 이는 예측값이 실제 SPI6의 변동성을 높은 수준으로 재현하고 있음을 의미한다. 특히 실제값과 예측값 간 상관계수(Correlation)가 0.9999로 산출되어 모델이 시계열의 크기뿐 아니라 변동 방향까지 일치시키고 있음을 확인할 수 있다.
3.2.2 SPI 다변량 모델 결과
다중 기간의 SPI 정보를 결합한 다변량 모델을 적용하여 광주광역시의 SPI6 예측 결과를 분석하였다. Fig. 6은 3개월, 6개월, 9개월, 12개월 기간의 SPI 값을 동시에 입력으로 사용한 예측 결과를 나타낸다. 모델은 실제 SPI6의 전반적인 변동 패턴을 정밀하게 예측하였으며, 7월경의 급격한 상승 구간에서 단변량 모델 대비 안정적인 예측을 보였다.
성능 평가 결과(Table 3), R2 = 0.9052, RMSE = 0.0792, MSE = 0.0063, MAE = 0.0488, NSME = 0.9052로 나타났다. 이는 단변량 모델(R2 = 0.8987) 대비 미세하지만 더 높은 설명력을 보였다. 예측 오차 지표 역시 전반적으로 낮게 나타나 정확도가 개선되었음을 확인할 수 있다. 또한 실제값과 예측값 간 상관계수는 0.9949로, 단변량 모델의 0.9999와 유사한 수준의 높은 상관성을 유지하였다. 이러한 결과는 다양한 기간의 SPI 정보를 통합하는 다변량 접근이 단변량 대비 향상된 예측 성능과 안정성을 제공함을 시사한다.
3.2.3 SPEI 단변량 모델 결과
SPEI의 단변량 모델을 적용한 광주광역시의 SPEI6 예측 결과를 분석하였다. Fig. 7은 2023년 시험기간 동안의 실제 SPEI6 값과 예측값의 시계열 변화를 제시한다. 모델은 전반적으로 실제 자료와 유사하게 재현하였으며, 2023년 중반 이후 가뭄 상태에서 습윤 상태로 전환되는 변화 구간에서도 안정적인 예측 결과를 보였다.
성능 평가는 Table 4와 같이 R2 = 0.9013, RMSE = 0.1165, MSE = 0.0136, MAE = 0.0880, NSME = 0.9013으로 나타났다. 이는 단변량 모델이 약 90% 이상의 설명력을 가지며, 예측 오차 역시 낮은 수준임을 의미한다. 또한 실제값과 예측값 간 상관계수는 0.9930으로, 시계열의 크기와 변동 방향 모두에서 높은 일치도를 확인할 수 있었다. 이러한 결과는 SPEI 단변량 모델이 해당 지역의 단기 SPEI6 예측에 있어 높은 신뢰성과 예측 성능을 갖추었음을 보여준다.
3.2.4 SPEI 다변량 모델 결과
SPEI 다변량 모델의 SPEI6 예측 성능을 분석하였다. Fig. 8은 3개월, 6개월, 9개월, 12개월 기간의 SPEI 값을 동시에 입력으로 사용한 예측 결과를 보여준다. 다변량 모델은 실제 SPEI6의 전반적인 변동성을 정확하게 나타냈으며, 2023년 7월 전후의 상승과 하강 구간에서도 변화 양상을 안정적으로 예측하였다.
Table 5의 성능지표 결과에 따르면 R2 = 0.9126, RMSE = 0.1119, MSE = 0.0125, MAE = 0.0779, NSME = 0.9126로 나타났다. 이는 실제 SPEI6 값의 약 91.3%에 해당하는 분산을 설명한다. 또한 상관계수는 0.9933으로, 예측값과 관측값이 매우 높은 일치를 보였다. 이러한 결과는 다양한 기간의 SPEI 정보를 함께 사용하는 접근이 높은 예측 정확성을 확보할 수 있음을 보여준다.
3.3 가뭄지수별 모델 결과 비교
3.3.1 SPI 모델 성능 비교
SPI 모델의 경우 입력 변수 구성에 따른 성능 차이를 비교하기 위해 단변량과 다변량 모델에 동일한 LSTM 구조를 적용하였다. Table 6의 비교 결과, 다변량 모델이 대부분의 평가 지표에서 단변량 모델 대비 우수한 성능을 보였다. R2는 0.8987에서 0.9052로 증가하였으며, NSME도 동일한 수준으로 향상되어 실제 SPI6 변동성을 더 잘 설명하는 것으로 나타났다. 예측 오차 지표의 경우 RMSE는 0.0819에서 0.0792로 약 3.3% 감소하였고, MSE는 0.0067에서 0.0063으로 약 6.0% 감소하였다. MAE 역시 0.0527에서 0.0488로 약 7.4% 감소하여 전반적인 오차 수준이 낮아졌다. 상관계수는 0.9999에서 0.9949로 소폭 감소하였으나 두 모델 모두 0.99 이상의 매우 높은 일치도를 유지하였다. 이러한 결과는 다양한 기간의 SPI 정보를 통합하여 활용하는 다변량 접근법이 단변량 모델 대비 예측 정확성과 안정성을 전반적으로 향상시킨다는 점을 보여준다.
3.3.2 SPEI 모델 성능 비교
SPEI 모델의 경우, 단변량과 다변량 모델의 성능 차이를 비교하였다. Table 7의 결과에 따르면 다변량 모델이 대부분의 평가 지표에서 단변량 모델보다 우수한 성능을 보였다. R2는 0.9013에서 0.9126으로 증가하였으며, NSME 역시 0.9013에서 0.9126으로 향상되어 실제 SPEI6 변동성을 더 잘 설명하는 것으로 나타났다. 예측 오차 지표 측면에서 RMSE는 0.1165에서 0.1119로 약 4.0% 감소하였고, MAE는 0.0880에서 0.0779로 약 11.5% 감소하여 전반적인 오차 수준이 개선되었다. 상관계수는 0.9930에서 0.9933으로 소폭 증가하였으며, 두 모델 모두 매우 높은 상관성을 유지하였다. 이러한 결과는 다변량 접근이 예측 성능을 일정 수준 향상시키는 데 기여하지만, 개선 폭이 크지 않아 단변량 모델 또한 높은 신뢰도와 예측 안정성을 보유하고 있음을 시사한다.
3.3.3 전체 모델 성능 종합 비교
개발된 4개 모델의 전체적인 성능을 비교한 결과, 모든 모델이 높은 예측 정확도를 보였다. SPI 모델의 상관계수는 0.99 이상으로 매우 높게 나타났으며, SPEI 모델 또한 0.99 수준을 유지하여 두 지수 모두 안정적인 예측 성능을 확보하였다. NSME와 R2 역시 전반적으로 0.90 이상을 기록하여 모든 모델이 실제 가뭄지수의 변동성을 효과적으로 재현하고 있음을 확인할 수 있다.
단변량 대비 다변량 모델의 성능 향상은 SPI 모델에서 더 명확하게 나타났으며 이는 동일한 모델 구조에서 입력 변수의 다양성이 예측 성능 향상에 기여함을 보여주는 결과이다. 반면 SPEI 모델의 경우 단변량과 다변량 간 성능 차이는 크지 않았으나 두 모델 모두 실무 적용에 충분한 수준의 신뢰성을 갖추고 있다.
3.4 국가가뭄정보통계집 기반 실무적 검증 결과
3.4.1 가뭄단계 분류 현황
예측모델의 실무적 활용성을 검증하기 위해 2023년 광주광역시의 가뭄 상황을 국가가뭄정보통계집의 가뭄단계 분류 기준에 따라 분석하였다. 단계 비교에 앞서, 예측된 SPI/SPEI 수치가 기상청에서 산정한 실제 지수(Actual)와 얼마나 일치하는지를 Fig. 9에 제시하였다. 산점도 분석 결과, 네 가지 LSTM 모델 모두 실제 값과 높은 일치도를 보이며 수치 예측 정확도가 충분히 확보된 것으로 나타났다.
모델은 일 단위로 예측을 수행하였으나 국가가뭄정보통계집의 월별 발령 체계와 비교하기 위해 일별 예측값의 월 평균을 산정하여 가뭄단계를 분류하였다. 본 단계 비교는 예측 모델의 성능을 직접적으로 평가하기보다는, 예측된 SPI/SPEI 지수가 실제 운영 체계와 얼마나 일관된 경향을 보이는지를 확인하기 위한 참고적 분석이다.
Table 8은 기상청 산정 지수를 기반으로 한 Actual 단계, 예측된 SPI/SPEI 기반 Predicted 단계, 그리고 국가가뭄정보통계집의 공식 예⋅경보 단계를 비교한 결과이다. 실제 지수에 기반한 단계 분류를 살펴보면 2023년 1~4월은 관심(Attention) 또는 주의(Watch) 단계가 나타났으며, 5월 이후에는 정상(Normal) 단계가 유지되었다. 반면 공식 예⋅경보 발령은 일부 월에서 Actual 단계와 다르게 나타났다. 이는 공식 발령이 SPI/SPEI 지수만으로 결정되지 않고 지역 여건, 수자원 상황, 피해도, 행정적 판단 등이 종합적으로 반영된 운영적 판단이라는 점 때문이다.
Table 8
Monthly Comparison of Drought Stages Derived from Observed Indices, Predicted Indices, and Official Drought Advisories
각 예측모델별 단계 분류 결과를 살펴보면 SPI 단변량 모델은 모든 월에서 Actual 단계와 일치하여 가장 높은 일관성을 보였다. SPI 다변량 모델은 1월에서 Actual보다 한 단계 높은 주의(Watch)로 분류하였으나, 그 외 대부분의 월에서는 동일한 결과를 나타냈다. SPEI 단변량 모델은 4월에서 정상(Normal)로 분류하여 Actual 단계와 차이를 보였으며 SPEI 다변량 모델은 2~4월에서 일부 차이가 발생하였다.
특히 3~4월과 같이 SPI/SPEI 값이 단계 경계(-1.0, -1.5 등)에 인접한 시기에는 지수의 미세한 차이로 인해 단계가 달라질 수 있다. 예를 들어 SPI6 값이 -1.01과 -0.99처럼 거의 동일하더라도 전자는 관심(Attention), 후자는 정상(Normal)로 분류되며 서로 다른 결과가 나타난다. Fig. 10에서도 확인할 수 있듯이 Actual과 Predicted 지수는 거의 동일한 패턴을 보이지만 단계 경계값을 기준으로 범주화할 때 일부 시점에서 서로 다른 단계가 나타나는 구간이 존재한다. 이는 연속형 지수를 범주형 단계로 변환하는 과정에서 본질적으로 발생할 수 있는 경계값 효과(boundary effect)에 해당한다.
Actual 단계와 국가가뭄정보통계집의 공식 예⋅경보 단계 간 차이는 지수 자체의 차이라기보다 운영적 판단의 영향을 반영한 결과이다. 공식 발령은 SPI/SPEI 지수 외에도 지역 수자원 여건, 가뭄 피해 상황, 정책적 판단 등 다양한 요소가 종합적으로 고려되어 결정된다. 따라서 예측 모델에서 산출된 단계가 공식 예⋅경보와 다르게 나타나는 경우가 있더라도, 이는 지수 기반 판단과 운영적 판단 간 목적의 차이에 따른 것으로 이해할 수 있다. 이러한 점을 고려할 때, 예측 모델은 기상학적 가뭄지수 변화를 조기에 포착하여 운영적인 가뭄 대응 판단을 보완하는 역할을 수행할 수 있다.
3.4.2 분류 성능 평가 결과
Tables 9와 10은 4개 예측모델의 가뭄 단계 분류 성능을 정량적으로 평가한 결과를 나타낸다. 여기서 Predicted는 각 예측모델을 이용해서 나타난 가뭄 단계 예측값, Actual은 SPI6 또는 SPEI6의 실제 관측값을 가뭄 단계 분류 기준에 따라 변환한 값, Official은 국가가뭄정보통계집에서 제공하는 기상가뭄 예⋅경보 발령 단계를 의미한다. 성능 평가는 예측값과 실제값(Predicted vs Actual), 실제값과 공식 가뭄 단계(Actual vs Official), 예측값과 공식 가뭄 단계(Predicted vs Official)의 세 가지 비교를 통해 Accuracy, Cohen’s Kappa, F1-macro, F1-weighted 지표를 산출하였다.
Table 9
Accuracy, Kappa Results
Table 10
F1 Score Results
예측값과 실제값 비교에서 SPI 단변량 모델은 Accuracy와 Kappa 모두 1.0으로 완벽한 분류 성능을 보였으며, F1-macro = 0.200, F1-weighted = 1.0으로 나타났다. SPI 다변량 모델은 Accuracy = 0.917, Kappa = 0.833으로 높은 정확도를 보였고, SPEI 단변량 모델은 Accuracy = 0.917, Kappa = 0.800으로 양호한 결과를 기록하였다. 반면 SPEI 다변량 모델은 Accuracy = 0.750, Kappa = 0.308으로 상대적으로 낮은 성능을 보였다.
실제값과 공식 가뭄 단계 간 비교에서는 모든 모델에서 동일하게 Accuracy = 0.667, Kappa = 0.250, F1-macro = 0.178, F1-weighted = 0.741로 나타났다. 이는 공식 가뭄 단계 발령이 SPI 또는 SPEI와 같은 가뭄 지수 값뿐만 아니라 수자원 현황, 피해 발생 여부, 지역 여건, 정책적 판단 등 다양한 요소를 종합적으로 고려해 결정되기 때문으로 해석된다.
예측값과 공식 가뭄 단계 간 비교에서는 SPEI 모델이 SPI 모델보다 상대적으로 높은 일치도를 보였다. SPI 단변량 및 다변량 모델은 Accuracy = 0.667, Kappa = 0.250으로 동일했으나, SPEI 단변량 모델은 Accuracy = 0.750, Kappa = 0.333, SPEI 다변량 모델은 Accuracy = 0.833, Kappa = 0.294로 나타나, SPEI 모델이 공식 발령 패턴에 더 가까운 예측 결과를 산출한 것으로 분석된다.
Figs. 11(a)~11(d)의 시각화 결과 역시 이러한 경향을 뒷받침한다. 예측값과 실제값 비교에서는 SPI 모델이, 예측값과 공식 단계 비교에서는 SPEI 모델이 우세한 성능을 보여, 두 지수 기반 모델이 서로 다른 목적에 특화될 수 있음을 확인하였다. 즉, SPI 모델은 기상학적 가뭄 모니터링 및 조기경보에, SPEI 모델은 공식 예⋅경보 시스템의 보조적 의사결정 지원에 각각 활용 가능성이 높다.
4. 결 론
본 연구에서는 LSTM 기반 시계열 예측 모델을 적용하여 광주광역시를 대상으로 SPI6와 SPEI6 가뭄지수를 예측하고, 단변량과 다변량 입력 구조의 성능 특성을 비교⋅분석하였다. 단변량 모델은 동일 지수의 과거 시계열만을 사용하였고, 다변량 모델은 3개월, 6개월, 9개월, 12개월 기간의 가뭄지수를 통합 입력하여 예측 안정성을 높이는 구조로 설계하였다. 본 연구에서는 과거 가뭄지수 시계열을 입력으로 사용하여 미래 가뭄지수를 예측하는 방식을 채택하였으며, 이는 기상 변수로부터 가뭄지수를 산정하는 과정의 불확실성을 제거하고 시계열 패턴 학습에 집중할 수 있다는 장점이 있다.
예측 성능 평가는 두 가지 관점에서 수행하였다. 첫째, 예측값과 실제 관측값 간의 통계적 비교를 통해 R2, RMSE, MSE, MAE, NSME, Correlation 지표를 산출하여 평가하였다. 모든 모델에서 R2 0.89 이상, NSME 0.89 이상, 상관계수 0.99 이상의 높은 정확도를 확보하였으며, 이는 예측값이 실제 가뭄지수의 변동 패턴을 매우 정확하게 재현하고 있음을 의미한다. 둘째, 국내 가뭄 대응 체계에서 공식적으로 활용되는 국가가뭄정보통계집의 예⋅경보 발령 단계를 기준으로 예측 결과를 참고적으로 비교하여 실무적 적용 가능성을 검토하였다. 국가가뭄정보통계집은 기상학적 지수 외에도 저수율, 물 공급 여건, 사회⋅경제적 요인 등을 반영하는 종합적 판단 체계로, 본 연구에서 개발한 기상학적 지수 기반 모델과는 판단 기준이 다르다. 다만 예측된 가뭄지수가 실제 운영 체계와 어느 정도 일관된 경향을 보이는지를 확인하는 데 유용한 참조 기준이 되었다.
분석 결과, 통계적 지표에서는 다변량 모델이 전반적으로 단변량 모델보다 우수한 성능을 보였다. 국가가뭄정보통계집과의 비교에서는 SPI 단변량 모델이 모든 월에서 Actual 단계와 일치하였고, SPI 다변량과 SPEI 단변량 모델은 91.7%, SPEI 다변량 모델은 75%의 일치도를 나타냈다. 전반적으로 단변량 모델이 통계적 정확도와 단계 분류 안정성을 모두 확보하였으며, 이는 실무 적용 시 단순성과 안정성이 중요함을 시사한다. 다변량 모델은 다양한 기간의 정보를 활용하여 통계적 성능은 우수하나 경계값 근처에서 민감하게 반응할 수 있음을 보여준다.
본 연구의 분석 결과는 예측 정확도와 실무 적용성 간의 균형을 고려한 모델 선정이 필수적임을 시사한다. 기상학적 가뭄의 정밀한 수치 예측이 목적이라면 다변량 모델이 적합하나, 기존 예⋅경보 체계와의 일치성 및 안정성이 중요한 경우에는 단변량 모델이 더 효과적일 수 있다. 제안된 LSTM 기반 가뭄지수 예측 모델은 기상학적 가뭄의 시기와 강도 변화를 신속하게 파악하는 조기 경보 도구로서, 국가 가뭄 대응 정책과 현장 의사결정 과정에서 보조 지표로 활용될 수 있을 것으로 판단된다.
다만 본 연구는 가뭄 발생 기작과 직접적으로 관련된 수문기상 변수를 명시적으로 활용하지 못한 한계가 있다. 향후 연구에서는 강수량, 기온, 증발산량, 토양수분 등의 물리적 변수를 가뭄지수와 함께 입력으로 사용하는 하이브리드 구조를 적용함으로써 가뭄 발생 과정을 보다 명시적으로 반영하여 예측 성능과 물리적 해석성을 동시에 향상시킬 수 있을 것으로 기대된다. 또한 본 연구에서는 7일을 예측 리드타임으로 설정하였으나, 예측 기간 확장에 대한 필요성을 고려하여 앙상블 기법이나 확률론적 예측 방법을 도입하여 예측 기간을 연장하면서도 높은 정확도를 유지하는 연구가 필요하다.
PDF Links
PubReader
Full text via DOI
Download Citation
Print
