가뭄의 전이 현상을 고려한 수문학적 가뭄에 대한 베이지안 네트워크 기반 확률 예측 Bayesian networks-based probabilistic forecasting of hydrological drought considering drought propagation원문보기
최근 우리나라에서 빈번하게 발생되는 가뭄으로 인하여 많은 피해가 발생하고 있으며, 이에 대한 사전대응의 필요성이 커지고 있다. 가뭄에 대한 효과적인 사전대응을 위해서는 신뢰성 있는 가뭄 예측 정보가 필수적이다. 본 연구에서는 수문학적 가뭄에 대한 확률론적 예측을 수행하기 위하여 가뭄의 전이현상을 베이지안 네트워크 모형에 반영하였다. 가뭄의 전이현상을 고려한 베이지안 네트워크 기반의 가뭄 예측 모형(PBNDF)은 과거, 현재, 미래에 대한 다중 모형 앙상블 예측결과와 가뭄전이 관계를 결합하여 새로운 수문학적 가뭄 예측 결과를 생산하도록 구축되었다. 본 연구에서 PBNDF 모형은 파머수문학적 가뭄지수를 활용하여 낙동강 유역의 10개 지점을 대상으로 가뭄을 확률적으로 예측하는데 적용되었다. PBNDF 모형의 ROC 분석 결과 ROC 점수가 0.5 이상의 유의한 결과를 나타내 실제 예측 모형으로 활용가능하다는 것을 확인할 수 있었다. 또한, 기존에 개발된 모형(지속성 예측, 베이지안 네트워크 예측 모형)과 평균제곱오차의 제곱근(RMSE), 기술 점수(SS)를 활용하여 비교를 수행하였으며, 그 결과 PBNDF 모형의 RMSE는 상대적으로 낮은 값을 가지며, SS는 약 0.1~0.15 정도 높은 것으로 나타나 예측성능이 향상되었다는 것을 확인할 수 있었다.
최근 우리나라에서 빈번하게 발생되는 가뭄으로 인하여 많은 피해가 발생하고 있으며, 이에 대한 사전대응의 필요성이 커지고 있다. 가뭄에 대한 효과적인 사전대응을 위해서는 신뢰성 있는 가뭄 예측 정보가 필수적이다. 본 연구에서는 수문학적 가뭄에 대한 확률론적 예측을 수행하기 위하여 가뭄의 전이현상을 베이지안 네트워크 모형에 반영하였다. 가뭄의 전이현상을 고려한 베이지안 네트워크 기반의 가뭄 예측 모형(PBNDF)은 과거, 현재, 미래에 대한 다중 모형 앙상블 예측결과와 가뭄전이 관계를 결합하여 새로운 수문학적 가뭄 예측 결과를 생산하도록 구축되었다. 본 연구에서 PBNDF 모형은 파머수문학적 가뭄지수를 활용하여 낙동강 유역의 10개 지점을 대상으로 가뭄을 확률적으로 예측하는데 적용되었다. PBNDF 모형의 ROC 분석 결과 ROC 점수가 0.5 이상의 유의한 결과를 나타내 실제 예측 모형으로 활용가능하다는 것을 확인할 수 있었다. 또한, 기존에 개발된 모형(지속성 예측, 베이지안 네트워크 예측 모형)과 평균제곱오차의 제곱근(RMSE), 기술 점수(SS)를 활용하여 비교를 수행하였으며, 그 결과 PBNDF 모형의 RMSE는 상대적으로 낮은 값을 가지며, SS는 약 0.1~0.15 정도 높은 것으로 나타나 예측성능이 향상되었다는 것을 확인할 수 있었다.
As the occurrence of drought is recently on the rise, the reliable drought forecasting is required for developing the drought mitigation and proactive management of water resources. This study developed a probabilistic hydrological drought forecasting method using the Bayesian Networks and drought p...
As the occurrence of drought is recently on the rise, the reliable drought forecasting is required for developing the drought mitigation and proactive management of water resources. This study developed a probabilistic hydrological drought forecasting method using the Bayesian Networks and drought propagation relationship to estimate future drought with the forecast uncertainty, named as the Propagated Bayesian Networks Drought Forecasting (PBNDF) model. The proposed PBNDF model was composed with 4 nodes of past, current, multi-model ensemble (MME) forecasted information and the drought propagation relationship. Using Palmer Hydrological Drought Index (PHDI), the PBNDF model was applied to forecast the hydrological drought condition at 10 gauging stations in Nakdong River basin. The receiver operating characteristics (ROC) curve analysis was applied to measure the forecast skill of the forecast mean values. The root mean squared error (RMSE) and skill score (SS) were employed to compare the forecast performance with previously developed forecast models (persistence forecast, Bayesian network drought forecast). We found that the forecast skill of PBNDF model showed better performance with low RMSE and high SS of 0.1~0.15. The overall results mean the PBNDF model had good potential in probabilistic drought forecasting.
As the occurrence of drought is recently on the rise, the reliable drought forecasting is required for developing the drought mitigation and proactive management of water resources. This study developed a probabilistic hydrological drought forecasting method using the Bayesian Networks and drought propagation relationship to estimate future drought with the forecast uncertainty, named as the Propagated Bayesian Networks Drought Forecasting (PBNDF) model. The proposed PBNDF model was composed with 4 nodes of past, current, multi-model ensemble (MME) forecasted information and the drought propagation relationship. Using Palmer Hydrological Drought Index (PHDI), the PBNDF model was applied to forecast the hydrological drought condition at 10 gauging stations in Nakdong River basin. The receiver operating characteristics (ROC) curve analysis was applied to measure the forecast skill of the forecast mean values. The root mean squared error (RMSE) and skill score (SS) were employed to compare the forecast performance with previously developed forecast models (persistence forecast, Bayesian network drought forecast). We found that the forecast skill of PBNDF model showed better performance with low RMSE and high SS of 0.1~0.15. The overall results mean the PBNDF model had good potential in probabilistic drought forecasting.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
우리나라의 경우, 강수량은 가뭄 예측에 널리 활용되고 있으나, 기후지수와 가뭄과의 상관성 분석에 대한 연구가 많이 수행되었음에도 불구하고, 우리나라의 가뭄을 예측하는데 기후지수를 직접적으로 활용하기에는 효과적이지 않다(Lee, 1999). 따라서 본 연구에서는 기상학적 가뭄상태를 수문학적 가뭄의 유발인자로 가정하고,수문학적 가뭄의 예측인자로 가뭄 전이 관계를 활용함으로써 Shin et al. (2016)에서 개발한 베이지안 네트워크 기반의 가뭄 예측 모형의 예측 정확성을 높이고자 하였다.
7)와 유사한 것이었다. 따라서 본 연구에서는 통계학적 예측 모형인 베이지안 네트워크에 이전 달의 SPI의 정보를 활용한 PHDI 값을 예측하기 위한 노드를 추가하였다.
(2016)에서 활용한 MME 예측 정보 기반의 미래 가뭄 예측 결과를 바탕으로 구성되었다. 또한, 기상학적 가뭄에서 수문학적 가뭄으로 가뭄이 전이되는 관계를 추가적으로 고려함으로써, 수문학적 가뭄의 예측성을 높이고자 하였다. 최근에는 가뭄의 예측성 향상을 위하여 가뭄 유발인자(trigger)와 예측인자(predictor)를 활용한 연구와(Maity etal.
본 연구는 1973년부터 강우량과 온도 자료를 확보하고 있는 낙동강 유역의 10개 지점(Fig. 1)을 대상으로 Palmer Hydrological Drought Index (PHDI)를 산정하고, 이를 바탕으로 수문학적 가뭄 예측 모형을 개발하였다. 예측 모형에는 과거 관측자료와 미래 예측 자료가 함께 활용되었다.
수문학적 가뭄 예측 과정에서 발생되는 불확실성을 고려하기 위하여 본 연구에서는 베이지안 네트워크 모형을 활용하여 확률론적 가뭄 예측 모형을 개발하였다. 베이지안 네트워크는 복잡한 관계를 지니고 있는 시스템을 변수들 간의 인과관계로 간단히 표현가능하며, 손쉽게 변수들을 추가하거나 제외할 수 있어 가뭄 예측과 연관된 다양한 인자들을 활용할 수 있는 예측 모형이다.
제안 방법
이어서, 예측하고자 하는 달의 이전 달SPI를 산정(1개월 예측의 경우에는 현재의 SPI, 2개월 예측부터는 MME 예측 결과를 적용한 SPI)한 뒤, Eq. (7)을 활용하여 예측하고자 하는 달의 PHDI를 추정하였다. Fig.
6에 도시하였다. 1개월 가뭄 발생 확률은 1개월 예측 PHDI의 누적확률분포에서 PHDI가 가뭄으로 판단되는 -2.0 이하의 누적 확률값을 계산 결과를 바탕으로 가뭄 발생 확률을 막대그림을 활용하여 제시하였다. Figs.
우선, 수신자 조작 특성(Receiver Operating Characteristics, ROC) 분석 기법을 활용하여 1~3개월 가뭄 예측 결과에 대하여 가뭄 발생 유무에 대한 예측성을 평가하였다. 6개월 가뭄 예측의 경우, MME 예측 결과의 자료 보유기간이 2년으로 짧기 때문에 가뭄의 발생 여부로 예측성을 평가하는 ROC 분석은 수행하지 않았다. PBNDF는 확률론적 예측 결과를 제공하므로, ROC 분석을 위하여 예측확률분포의 50%에 해당되는 값인 평균 PHDI가 가뭄판단기준(-2.
(2016)이 제시한 베이지안 가뭄 예측 모형(BNDF)에 가뭄전이 관계를 추가하고 다양한 예측 선행시간에 적용될 수 있도록 확장한 것이다. Fig. 3에 나타낸 바와 같이 PBNDF는 수문학적 가뭄지수 PHDI를 예측하기 위하여, HD (Hydrological Drought) 노드와 MHD(MME ․ Hydrological Drought) 노드를 구성하고, 가뭄전이 관계와 관련된 노드 DP (Drought Propagation)를 추가하였다. 예를 들어, 1개월 예측을 위해서 4개의 부모 노드(HDN-1,HDN, MHDN+1, DPN+1)와 1개의 자식 노드(HDN+1)로 네트워크를 구성하였으며, 2개월 가뭄 예측을 위해서는 3개의 부모 노드(HDn+1, MHDN+2, DPN+2)와 1개의 자식 노드(HDN+2)로 네트워크를 구성하였다.
MME 예측 자료는 강수량과 온도뿐만 아니라 고도를 포함한 8개 기상변수들에 대한 6개월까지의 예측정보이며, 2.5° × 2.5° 격자단위로 4가지의 결정론적 MME 예측(coupled pattern projection method,simple composite method, multiple-regression, synthetic super ensemble)과 1가지의 확률론적 예측방법으로 제공된다.
)는 정규분포를 따른다는 가정 아래, 1973년부터 해당되는 기간까지의 PHDI를 산정하여 월별 PHDI의 확률밀도함수(PDF)를 산정하였다. MME 예측 정보가 반영된 미래의 가뭄 상태(MHDN+leadtime)는 1973년부터 MME 예측 정보를 포함한 기간까지의 PHDI를 산정한 뒤, 예측하고자 하는 월의 PHDI의확률밀도함수를 산정하였다. 본 연구에서는 각각의 노드를 모두 정규분포를 따른다는 가정 아래 수행되었으며, 정규분포의 확률밀도함수는 Eq.
과거의 가뭄 상태(HDN-1)와 현재의 가뭄 상태(HDN)는 정규분포를 따른다는 가정 아래, 1973년부터 해당되는 기간까지의 PHDI를 산정하여 월별 PHDI의 확률밀도함수(PDF)를 산정하였다. MME 예측 정보가 반영된 미래의 가뭄 상태(MHDN+leadtime)는 1973년부터 MME 예측 정보를 포함한 기간까지의 PHDI를 산정한 뒤, 예측하고자 하는 월의 PHDI의확률밀도함수를 산정하였다.
계산된 (N+1)번째 월의PHDI는 노드 DPN+1의 평균값, 회귀식에서의 불확실성 범위는 분산이 되어, 노드 DPN+1의 확률분포 모형이 구성된다. 마지막으로, 1개월 이후의 가뭄 상황의 예측을 위하여 4개의 부모 노드(HDn-1, HDn, MHDn+1, DPn+1)를 활용하여 사후확률(Eq. (8a))로 표현된다.
PHDI는 수자원시스템 내에서 장기간의 가뭄이 미치는 영향을 정량적으로 표현한 수문학적 가뭄지수로, 기상학적 가뭄지수인 PDSI (Palmer Drought Severity Index)와 산정과정이 유사하다. 물수지 방정식의 수요-공급 개념을 바탕으로 강수량과 기온 및 유효토양수분량을 입력 자료로 활용하여 증발산량, 함양량, 유출량 및 손실량,그리고 잠재증발산량, 잠재함양량, 잠재유출량 및 잠재손실량 등 물수지방정식의 기본 항목들을 산정한다. 물수지 분석을 통해 기후적으로 필요한 강수량을 계산하고 실제 강수량과의 차인 수분편차(Zi)를 산정한 후, 다른 지역들과 다른 월들 간의 수분편차를 비교하여 동일한 기준이 되도록 수분편차를보정하여 가뭄지수를 결정한다.
물수지 방정식의 수요-공급 개념을 바탕으로 강수량과 기온 및 유효토양수분량을 입력 자료로 활용하여 증발산량, 함양량, 유출량 및 손실량,그리고 잠재증발산량, 잠재함양량, 잠재유출량 및 잠재손실량 등 물수지방정식의 기본 항목들을 산정한다. 물수지 분석을 통해 기후적으로 필요한 강수량을 계산하고 실제 강수량과의 차인 수분편차(Zi)를 산정한 후, 다른 지역들과 다른 월들 간의 수분편차를 비교하여 동일한 기준이 되도록 수분편차를보정하여 가뭄지수를 결정한다. PHDI와 PDSI는 Eq.
따라서 다양한 수문기상학적 변수들이 연계되어 있어 발생과정이 복잡한 수문학적 가뭄을 예측하는데 적용성이 높다. 본 연구에서 개발한 베이지안 네트워크 기반의 수문학적 가뭄 예측 모형은 Madadgar and Moradkhani(2014)에서 활용하였던 과거의 가뭄 정보, 현재의 가뭄 상태,그리고 Shin et al. (2016)에서 활용한 MME 예측 정보 기반의 미래 가뭄 예측 결과를 바탕으로 구성되었다. 또한, 기상학적 가뭄에서 수문학적 가뭄으로 가뭄이 전이되는 관계를 추가적으로 고려함으로써, 수문학적 가뭄의 예측성을 높이고자 하였다.
본 연구에서 제안한 가뭄 예측 모형(PBNDF)의 예측성능을 정량적으로 평가하였다. 우선, 수신자 조작 특성(Receiver Operating Characteristics, ROC) 분석 기법을 활용하여 1~3개월 가뭄 예측 결과에 대하여 가뭄 발생 유무에 대한 예측성을 평가하였다.
본 연구에서는 2008년 1월부터 APCC에서 제공하는 MME 3개월 예측 결과와 2014년 1월부터의 MME 6개월 예측 결과를 베이지안 네트워크 가뭄 예측 모형에 적용하여 확률론적 수문학적 가뭄 예측 결과를 생산하였다. MME 3개월 예측 결과를 활용한 베이지안 네트워크 가뭄 예측 모형에서는 현재 시점을 기준으로 앞으로의 1, 2, 3개월의 예측 결과가 정규분포로 추정된다.
3에서 DPn+1노드가 제외된 것과 같다. 본 연구에서는 가뭄 전이 현상과 관련된 인자가 추가된 PBNDF 예측성능 검정을 위하여 BNDF 모형으로 수문학적 가뭄 예측을 수행하여 그 결과를 비교분석하였다.
가뭄이 전이되면서, 4가지 특성(풀링, 감쇠, 지체, 연장)이 발생하게 된다(Van Loon, 2015). 본 연구에서는 기상학적 가뭄이발생된 후 일정한 시간이 지난 뒤에 수문학적 가뭄이 발생되는 지체 현상을 가뭄 예측에 활용하였다.
우리나라의 경우, 수문학적 가뭄을 평가할 만큼의 장기적이고 신뢰성 있는 하천 유량 자료가 많지 않기 때문에 본 연구에서는 가뭄지수 산정을 위한 입력 자료(온도, 강수량)의 확보가 가능한 PHDI를 활용하였다. PHDI는 수자원시스템 내에서 장기간의 가뭄이 미치는 영향을 정량적으로 표현한 수문학적 가뭄지수로, 기상학적 가뭄지수인 PDSI (Palmer Drought Severity Index)와 산정과정이 유사하다.
본 연구에서 제안한 가뭄 예측 모형(PBNDF)의 예측성능을 정량적으로 평가하였다. 우선, 수신자 조작 특성(Receiver Operating Characteristics, ROC) 분석 기법을 활용하여 1~3개월 가뭄 예측 결과에 대하여 가뭄 발생 유무에 대한 예측성을 평가하였다. 6개월 가뭄 예측의 경우, MME 예측 결과의 자료 보유기간이 2년으로 짧기 때문에 가뭄의 발생 여부로 예측성을 평가하는 ROC 분석은 수행하지 않았다.
이어서, Ranked Probability Score (RPS)와 Ranked Probability Skill Score (RPSS)를 활용하여 예측된 PHDI의 PDF의 불확실성을 평가하였다. RPS는 Epstein (1969)가 제시한 확률예측의 예측성을 검증하기 위한 기법으로, Eq.
우리나라의 경우, 공간적 규모가 작기 때문에 MME 예측 자료를 활용한 가뭄 예측을 위해서는 격자 공간 범위의 예측 결과는 다운 스케일링 기법을 통하여 지점 단위로 변환되어야 한다. 하지만, 본 연구는 가뭄 예측 모형 개발이 주요 목적이기 때문에 특정 다운스케일링 기법을 적용하지 않고 지점에 해당되는 격자의 예측 아노말리(anomaly)를 과거의 평균값에 적용한 지점별 MME 예측 결과를 활용하였다.
대상 데이터
예측 모형에는 과거 관측자료와 미래 예측 자료가 함께 활용되었다. 과거 관측 자료는 1973년부터 2016년까지 기상청에서 제공하는 강우량 및 온도자료이며, 미래 예측 자료는 APCC (Asia-Pacific Economic Cooperation Climate Center)에서 제공하는 물리적 예측 모형 기반의 MME 예측 자료이다. MME 예측 자료는 강수량과 온도뿐만 아니라 고도를 포함한 8개 기상변수들에 대한 6개월까지의 예측정보이며, 2.
5° 격자단위로 4가지의 결정론적 MME 예측(coupled pattern projection method,simple composite method, multiple-regression, synthetic super ensemble)과 1가지의 확률론적 예측방법으로 제공된다. 본 연구에서는 결정론적 MME 예측 자료 중 가장 널리 활용되는 SCM 예측 결과를 ADSS (APCC Data Service System,http://adss.apcc21.org)에서 제공받아 활용하였다. 우리나라의 경우, 공간적 규모가 작기 때문에 MME 예측 자료를 활용한 가뭄 예측을 위해서는 격자 공간 범위의 예측 결과는 다운 스케일링 기법을 통하여 지점 단위로 변환되어야 한다.
데이터처리
3가지 예측방법(PBNDF, BNDF, 지속성 예측)으로 수행된 가뭄 예측 결과를 비교하기 위하여 평균제곱오차의 제곱근(RMSE)를 활용하였다. RMSE는 오차 제곱값을 생성하여 예측의 정확성을 판단하며, 값이 0에 가까울수록 예측값이 관측값에 가까워진다.
PBNDF를 활용한 예측 결과를 다른 모형과의 비교를 통한 예측성 검토를 위하여 기존에 개발된 베이지안 네트워크 기반 예측 모형(BNDF) (Shin et al., 2016)을 활용한 예측 결과와 지속성(Persistence) 예측 결과와 비교하였다. 지속성 예측은 간단한 예측 방법으로, 현재의 관측값이 예측하고자 하는 기간의 예측값이 되도록 하는 예측 기법이다(Kim and Valdes,2003).
지속성 예측은 결정론적 예측 결과를 제시하나, PBNDF과 BNDF 기법은 확률론적 예측 결과가 생산되어 단일 PHDI 값이 아닌PHDI의 PDF가 결과로 산정되게 된다. 이 때문에 예측된 PHDI의 PDF에서의 중앙값을 활용하여 RMSE를 계산하여 비교하였다. 2014년도부터 2015년도까지의 1~6개월 예측을 수행하여 산정된 결과에 대한 RMSE를 Table 2에 제시하였다.
이론/모형
회귀식은 Eq. (7)과 같이 표현이 간단한 회귀함수식을 활용하였다. Fig.
RPS의 Skill Score인 RPSS는 Eq. (9b)와 같이 산정되며, 본연구에서 기후학적 모형의 RPS (RPSclim)을 판단 기준용 예측모형(reference forecasts)으로 활용하였다. RPSclim은 전체 연구기간 동안의 월별 관측 PHDI의 평균과 분산을 활용하여 산정된 정규분포를 따르는 예측 모형이다.
PHDI는 PDSI의 값은 거의 유사하게 산정되나, PHDI는 가뭄의 종결을 수분 부족상태가 완전히 없어질 때까지로 판단하기 때문에 가뭄의 종료되는 시점이 PDSI보다 긴 편이며 가뭄심도의 변동성이 적다(Heim,2000; Keyantash and Dracup, 2002). 본 연구에서 PHDI의 구체적인 산정과정은 Jacobi et al. (2013)을 참고하였다.
본 연구에서는 수문학적 가뭄의 확률 예측과정에서 발생되는 불확실성을 고려하기 위하여 베이지안 네트워크 모형을 활용하였다. 베이지안 네트워크는 모형의 변수들 사이의 불확실성을 정량적으로 표현하는 것이 가능하기 때문에 의학,경제학, 산업공학 등 다양한 분야에서 의사결정, 예측 및 추론을 수행하는데 활용되고 있다(Dey and Stori, 2005; Van Koten and Gray, 2006).
)는 추론 알고리즘을 활용하여 추정하며, 추론 알고리즘으로는 likelihood weighting, rejection sampling, Gibbs sampling 방법 등이 있다. 본 연구에서는 적용 방법이 비교적 간단하며, 노드의 형태가 연속형 확률분포일 경우에도 사후확률분포의 추정이 가능한 우도 가중(likelihood weighting) 방법을 활용하여 사후확률분포를 추정하였다(Leeand Lee, 2006).
본 연구에서는 확률론적 예측 모형인 베이지안 네트워크를 활용하여 수문학적 가뭄 예측 모형(PBNDF)을 구축하였다. 이 예측 모형은 Fig.
(8b)와 같이 표현된다. 사후확률의 추정은 우도 가중 알고리즘을 활용하였다.
여기서, RMSEfc는 개발된 예측 모형의 RMSE, RMSEref는 기준모형의 RMSE로, 본 연구에서는 기후학적 예측(climatology forecast) 결과의 RMSE를 활용하였다. SS는 1.
성능/효과
관측된 강우와 온도 자료를 활용하여 산정된 관측 PHDI (‘o’)를 함께 표시하였다. 1개월 가뭄 예측 결과는 실제 관측 결과와 패턴이 유사하다는 것을 확인할 수 있으며, 10% 신뢰구간에 대해서는 관측값의 일부가 벗어나고 있으나, 50% 신뢰구간 내에 대부분 포함되고 있음을 확인할 수 있다. 또한, 예측된 PHDI의 확률분포를 활용하여 가뭄 발생 확률을 산정하여 Fig.
Table 3에서 대상유역 전체 예측 기간에 대하여 가뭄전이 관계를 추가적으로 고려한 PBNDF의 SS가 높아 예측성이 높은 것을 확인할 수 있다. 1개월 예측의 경우 약 0.104, 3개월 예측은 0.138, 6개월 예측은 0.169로 예측 기간이 증가될수록 BNDF 모형에 비하여 예측성이 높아지는 것을 확인할 수 있다.
7에 도시하였다. 2, 3개월 예측의 경우 비적중률은 대부분 0이나 적중률은 1개월 예측보다 현저하게 낮았다. 즉, 1개월 예측이 2, 3개월 예측에 비하여 예측성이 우수한 것을 확인할 수 있다.
본 연구에서는 2008년 1월부터 APCC에서 제공하는 MME 3개월 예측 결과와 2014년 1월부터의 MME 6개월 예측 결과를 베이지안 네트워크 가뭄 예측 모형에 적용하여 확률론적 수문학적 가뭄 예측 결과를 생산하였다. MME 3개월 예측 결과를 활용한 베이지안 네트워크 가뭄 예측 모형에서는 현재 시점을 기준으로 앞으로의 1, 2, 3개월의 예측 결과가 정규분포로 추정된다.
6개월 가뭄 예측의 경우, MME 예측 결과의 자료 보유기간이 2년으로 짧기 때문에 가뭄의 발생 여부로 예측성을 평가하는 ROC 분석은 수행하지 않았다. PBNDF는 확률론적 예측 결과를 제공하므로, ROC 분석을 위하여 예측확률분포의 50%에 해당되는 값인 평균 PHDI가 가뭄판단기준(-2.0) 이하인 경우 가뭄이 발생될 것으로 판단하였다. ROC 곡선은 Eq.
는 기준모형의 RMSE로, 본 연구에서는 기후학적 예측(climatology forecast) 결과의 RMSE를 활용하였다. SS는 1.0에 갈수록 예측성이 좋은 것을 의미하며, SS가 0인 경우 기후학적 예측모형보다 예측성이 개선되지 않은 상태를, SS가 음의 값이 나올 경우에는 기후학적 예측 결과보다 좋지 않은 것을 뜻한다. Table 2의 PBNDF와 BNDF의 RMSE와 기후학적 예측 모형 결과의 RMSE를 활용하여 SS를 산정된 결과는 Table 3에 제시하였다.
Table 2에 나타난 바와 같이 RMSE는 예측 기간이 1개월에서 6개월로 증가할수록 3가지 예측 모형 모두 RMSE가 증가하는 것을 확인할 수 있다. 또한, 본 연구에서 제시한 PBNDF의 RMSE가 전체 예측기간에서 가장 작은 값을 나타내어 세모형 중에서 가장 예측성이 좋은 모형인 것을 확인할 수 있다.
Table 2에 나타난 바와 같이 RMSE는 예측 기간이 1개월에서 6개월로 증가할수록 3가지 예측 모형 모두 RMSE가 증가하는 것을 확인할 수 있다. 또한, 본 연구에서 제시한 PBNDF의 RMSE가 전체 예측기간에서 가장 작은 값을 나타내어 세모형 중에서 가장 예측성이 좋은 모형인 것을 확인할 수 있다. 이어서, 평균값에 대한 예측성 검토를 위하여 Eq.
PBNDF를 활용한 예측 결과의 RPS와 RPSclim을 Table 1에 제시하였다. 본 연구에서 제시한 모형의 RPS가 0에 더 가까운 값을 나타내어 예측성이 우수함을 확인할 수 있다. Table 1에 함께 나타낸RPSS의값이 모두 0 이상의 값으로 확률론적 예측 검정 결과에서도PBNDF 모형의 예측 결과의 활용 가능성이 검증되었다.
본 연구에서 제시한 베이지안 네트워크 가뭄 예측 모형은 통계학적 예측 기법을 기반으로 하고 있으나, 모형의 입력인자에 역학적 기후 모델MME 예측 결과를 활용함으로써 통계학적 모형과 역학적 모형을 결합한 결과를 생산할 수 있었다. 이로써, 기존의 통계학적 모형을 활용했을 경우 생산되는 예측 결과는 과거의 자료에 의존된다는 한계를 벗어나고, 역학적 모형의 예측 결과의 불확실성을 반영한 예측 결과를 도출할 수 있었다.
본 연구의 대상 지점에 대해서 수행한 상관성 분석 결과, N 번째 월의 기상학적 가뭄지수 SPI와 (N+1)번째 월의 수문학적 가뭄지수 PHDI 사이의 상관계수는 0.4~0.8이었다. 이는 Cutore et al.
본 연구에서 제시한 베이지안 네트워크 가뭄 예측 모형은 통계학적 예측 기법을 기반으로 하고 있으나, 모형의 입력인자에 역학적 기후 모델MME 예측 결과를 활용함으로써 통계학적 모형과 역학적 모형을 결합한 결과를 생산할 수 있었다. 이로써, 기존의 통계학적 모형을 활용했을 경우 생산되는 예측 결과는 과거의 자료에 의존된다는 한계를 벗어나고, 역학적 모형의 예측 결과의 불확실성을 반영한 예측 결과를 도출할 수 있었다. 또한, 기상학적 가뭄지수 SPI와 수문학적 가뭄지수 PHDI 사이의 관계식을 도출하여 가뭄전이 관계를 추가적으로 고려함으로써, Shin et al.
5(b)의 문경 지점에서 예측 PHDI 확률분포의 중앙값이 시간의 흐름에 따라 왼쪽으로 이동하는 것으로 가뭄이 심화되는 것으로 예측될 수 있다. 장기간(1~3개월)의 가뭄 예측 결과를 통하여 가뭄심도가 변화되는 양상을 파악 가능하며, 장기적인 가뭄 대책 마련으로 효율적인 가뭄 대응이 가능하다.
2, 3개월 예측의 경우 비적중률은 대부분 0이나 적중률은 1개월 예측보다 현저하게 낮았다. 즉, 1개월 예측이 2, 3개월 예측에 비하여 예측성이 우수한 것을 확인할 수 있다. ROC 분석에서 (0, 0), (FAR, HR), 그리고 (1, 1)을 연결한 곡선의 면적을 ROC 점수라고 하며, ROC 점수가 1.
후속연구
특정 값을 예측하는 결정론적 예측과 다르게 확률론적 예측은 발생할 수 있는 가능성이 높은 가뭄 심도부터 발생 확률이 낮은 가뭄심도의 값까지의 정보를 제공함으로써, 심도에 따른 다양한 가뭄 대응 시나리오가 만들어 질 수 있다. 이로써, 가뭄 재해 발생 이전부터 다양한 가뭄 대응 시나리오에 따라서 수자원 관리자들에게 탄력적인 가뭄 대응이 가능할 수 있는 정보를 제공 가능하여효과적인 가뭄 대응의 도구로 활용가능 할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
가뭄전이로 나타나는 4가지 특성은 무엇인가?
(1987)과 Eltahir and Yeh (1999)가 다양한 수문 변량의 평균에 대한 차이를 비교하면서 처음 제시되었다. 가뭄이 전이되면서, 4가지 특성(풀링, 감쇠, 지체, 연장)이 발생하게 된다(Van Loon, 2015). 본 연구에서는 기상학적 가뭄이발생된 후 일정한 시간이 지난 뒤에 수문학적 가뭄이 발생되는 지체 현상을 가뭄 예측에 활용하였다.
PHDI란 무엇인가?
우리나라의 경우, 수문학적 가뭄을 평가할 만큼의 장기적이고 신뢰성 있는 하천 유량 자료가 많지 않기 때문에 본 연구에서는 가뭄지수 산정을 위한 입력 자료(온도, 강수량)의 확보가 가능한 PHDI를 활용하였다. PHDI는 수자원시스템 내에서 장기간의 가뭄이 미치는 영향을 정량적으로 표현한 수문학적 가뭄지수로, 기상학적 가뭄지수인 PDSI (Palmer Drought Severity Index)와 산정과정이 유사하다. 물수지 방정식의 수요-공급 개념을 바탕으로 강수량과 기온 및 유효토양수분량을 입력 자료로 활용하여 증발산량, 함양량, 유출량 및 손실량,그리고 잠재증발산량, 잠재함양량, 잠재유출량 및 잠재손실량 등 물수지방정식의 기본 항목들을 산정한다.
가뭄 예측기법은 어떻게 구분될 수 있는가?
가뭄 예측기법은 과거의 자료를 활용하여 미래를 추정하는 통계학적 기법과 기후예측모형의 예측결과를 활용하는 역학적 기법으로 구분할 수 있다(Madadgar et al., 2016).
참고문헌 (33)
Bonaccorso, B., Cancelliere, A., and Rossi, G. (2015). "Probabilistic forecasting of drought class transitions in Sicily (Italy) using standardized precipitation index and North Atlantic oscillation index." Journal of Hydrology, Vol. 526, pp. 136-150.
Changnon Jr., S. A. (1987). Detecting drought conditions in Illinois (Vol. 169). Illinois State Water Survey.
Chen, S. T., Yang, T. C., Kuo, C. M., Kuo, C. H., and Yu, P. S. (2013). "Probabilistic drought forecasting in Southern Taiwan using El Nino-Southern Oscillation Index." Terrestrial, Atmospheric & Oceanic Sciences, Vol. 24, No. 5, pp. 911-924.
Cutore, P., Di Mauro, G., and Cancelliere, A. (2009). "Forecasting palmer index using neural networks and climatic indexes." Journal of Hydrologic Engineering, Vol. 14, No. 6, pp. 588-595.
Dey, S., and Stori, J. A. (2005). "A Bayesian network approach to root cause diagnosis of process variations." International Journal of Machine Tools and Manufacture, Vol. 45, No. 1, pp. 75-91.
Eltahir E. A., and Yeh, P. J. F. (1999). "On the asymmetric response of aquifer water level to floods and droughts in Illinois." Water Resources Research, Vol. 35, pp. 1199-1217.
Guttman, N. B., (1991). "A sensitivity analysis of the Palmer hydrologic drought index." Water Resources Bulletin, Vol. 27, pp. 797-807.
Heim, R. R., Jr. (2000). "Drought indices: a review." Drought: a global assessment, Edited by Wilhite, D. A., Routledge, London, pp. 159-167.
Hwang, Y., and Carbone, G. J. (2009). "Ensemble forecasts of drought indices using a conditional residual resampling technique." Journal of Applied Meteorology and Climatology, Vol. 48, No. 7, pp. 1289-1301.
Jacobi, J., Perrone, D., Duncan, L. L., and Hornberger, G. (2013). "A tool for calculating the Palmer drought indices." Water Resources Research, Vol. 49, No. 9, pp. 6086-6089.
Keyantash, J., and Dracup, J. A. (2002). "The quantification of drought: an evaluation of drought indices." Bulletin of the American Meteorological Society, Vol. 83, No. 8, pp. 1167-1180.
Kim, J.-S., Seo G.-S., Jang, H.-W., and Lee, J.-H. (2017). "Correlation analysis between Korean spring drought and large-scale teleconnection patterns for drought forecasting" KSCE Journal of Civil Engineering, Vol. 21, No. 1, pp. 458-466.
Kim, T. W., and Valdes, J. B. (2003) "Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks." Journal of Hydrologic Engineering, Vol. 8, No. 6, pp. 319-328.
Lee, C. J., and Lee, K. J. (2006). "Application of Bayesian network to the probabilistic risk assessment of nuclear waste disposal." Reliability Engineering & System Safety, Vol. 91, No. 5, pp. 515-532.
Lee, D. R. (1999). "Relationship between El Nino/Southern Oscillation and drought in Korea." Journal of Korea Water Resources Association, Vol. 32, No. 2, pp.111-120.
Lee, J. H., Kwon, H. H., Jang, H. W., and Kim, T. W. (2016). "Future changes in drought characteristics under extreme climate change over South Korea." Advances in Meteorology, Vol. 2016, No. 9164265, pp. 1-19.
Madadgar, S., and Moradkhani, H. (2014). "Spatio-temporal drought forecasting within Bayesian networks." Journal of Hydrology, Vol. 512, pp. 134-146.
Madadgar, S., AghaKouchak, A., Shukla, S., Wood, A. W., Cheng, L., Hsu, K. L., and Svoboda, M. (2016). "A hybrid statistical dynamical framework for meteorological drought prediction: Application to the southwestern United States." Water Resources Research, Vol. 52, No. 7, pp. 5095-5110.
Maity, R., Ramadas, M., and Govindaraju, R. S. (2013). "Identification of hydrologic drought triggers from hydroclimatic predictor variables." Water Resources Research, Vol. 49, No. 7, pp. 4476-4492.
Mishra, A. K., and Desai, V. R. (2005). "Drought forecasting using stochastic models." Stochastic Environmental Research and Risk Assessment, Vol. 19, No. 5, pp. 326-339.
Mishra, A., Desai, V., and Singh, V. (2007). "Drought forecasting using a hybrid stochastic and neural network model." Journal of Hydrologic Engineering, Vol. 12, No. 6, pp. 626-638.
Morid, S., Smakhtin, V., and Bagherzadeh, K. (2007). "Drought forecasting using artificial neural networks and time series of drought indices." International Journal of Climatology, Vol. 27, No. 15, pp. 2103-2111.
Mwangi, E., Wetterhall, F., Dutra, E., Di Giuseppe, F., and Pappenberger, F. (2014). "Forecasting droughts in East Africa." Hydrology and Earth System Sciences, Vol. 18, No. 2, pp. 611-620.
Russell, S., and Norvig, P. (1995). Artificial intelligence: a modern approach. Englewood Cliff, Prentice Hall.
Santos, J. F., Portela, M. M., and Pulido-Calvo, I. (2014). "Spring drought prediction based on winter NAO and global SST in Portugal." Hydrological Processes, Vol. 28, No. 3, pp. 1009-1024.
Shin, J. Y., Ajmal, M., Yoo, J., and Kim, T.-W. (2016). "A Bayesian network-based probabilistic framework for drought forecasting and outlook." Advances in Meteorology, Vol. 2016, No. 9472605, pp. 1-10.
Sohn, S. J., Min, Y. M., Lee, J. Y., Tam, C. Y., Kang, I. S., Wang, B., Ahn, J. B., and Yamagata, T. (2012). "Assessment of the long-lead probabilistic prediction for the Asian summer monsoon precipitation (1983-2011) based on the APCC multimodel system and a statistical model." Journal of Geophysical Research, Vol. 117, No. D4, pp. 1-12.
Van Koten, C., and Gray, A. R. (2006). "An application of Bayesian network for predicting object-oriented software maintainability." Information and Software Technology, Vol. 48, No. 1, pp. 59-67.
Van Loon A. F. (2015). "Hydrological drought explained." Wiley Interdisciplinary Reviews: Water, No. 2, pp. 359-392.
Yoon, J. H., Mo, K., and Wood, E. F. (2012). "Dynamic-model-based seasonal prediction of meteorological drought over the contiguous United States." Journal of Hydrometeorology, Vol. 13, No. 2, pp. 463-482.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.