가뭄을 전망하는 방법으로는 통계적(statistical) 방법과 물리적(physical) 방법으로 구분된다. 통계적 방법은 과거의 기상 및 수문현상이 미래에도 재현될 수 있다는 전제하에 미래 가뭄상황을 전망하는 방법이다. 그러나 이 방법은 예측된 결과들이 모두 과거의 경향에 국한됨에 따라 최근에 급변하는 수문기상의 특성을 고려하는데 한계가 있다(Trenberth, 1994). 물리적 방법은 주어진 초기 수문기상조건(initial condition, boundary condition)으로부터 물리적·역학적 알고리즘이 탑재된 기상 및 수문모델의 연계모의를 통하여 미래 가뭄을 전망하는 방법으로 통계적 방법과는 달리 최근 수문순환의 변화를 예측가능하다는 장점이 있어 활용도가 높다. 본 연구에서는 GloSea5 기상예보자료를 활용하여 물리적 기반의 기상학적, 농업적, 수문학적 가뭄전망 기법을 개발하고, 예보선행시간에 따른 전망정보의 예측성을 평가하였다. 각각의 가뭄을 평가하기 위해 지속기간 3개월 표준강수지수(SPI), 저수지가뭄지수(RDI), 수정지표수공급지수(MSWSI)를 이용하였다. 예보선행시간에 따른 전망 기법을 개발하기 위해 기상학적 가뭄은 아노말리 기법, 농업적 가뭄은 다중회귀기법, 수문학적 가뭄은 GloSea5-LSM 연계해석 기법을 이용하였으며, 통계적 평가기법을 적용하여 월별, 계절별, 특성별 예측성을 평가하였다. 대상지역은 남한 지역으로 기상학적 가뭄은 ASOS 59개 지점, 농업적 가뭄은 3,060개 농업용 저수지, 수문학적 가뭄은 117개 중권역을 대상으로 평가하였다. 2015년, 2016년에 대한 SPI(3) 전망정보의 예보선행시간별 상관계수는 1개월 0.85, 0.79, 2개월 0.61, 0.57, 3개월 0.20, 0.28, 평균제곱근오차는 1개월 0.53, 0.57, 2개월 0.87, 0.85, 3개월 1.02, 0.95로 예보선행시간 1개월 전망정보의 예측성이 큰 것으로 분석되었다. 계절별로는 겨울철, 가을철, 봄철, 여름철 순으로 예측성이 큰 것으로 분석되었다. 2015년, 2016년에 대한 RDI(3) 전망정보의 예보선행시간별 상관계수는 1개월 0.74, 0.78, 2개월 0.71, 0.77, 3개월 0.64, 0.76, 평균제곱근오차는 1개월 0.30, 0.27, 2개월 0.29, 0.26, 3개월 0.23, 0.27로 모든 예보선행시간에서 전망정보의 예측성이 있으나, 월별로는 편차가 큰 것으로 분석되었다. 계절별로는 겨울철, 봄철, 가을철, 여름철 순으로 예측성이 컸으며, 저수지 용량이 3,000(천m3) 이상인 경우 전망정보의 활용성이 높은 것으로 분석되었다. 2015년, 2016년에 대한 MSWSI(3) 전망정보의 예보선행시간별 상관계수는 1개월 0.84, 0.76, 2개월 0.60, 0.55, 3개월 0.09, 0.23, 평균제곱근오차는 1개월 0.99, 1.24, 2개월 1.71, 1.88, 3개월 2.79, 2.29로 예보선행시간 2개월까지 전망정보의 예측성이 큰 것으로 분석되었다. 계절별로는 겨울철, 가을철, 봄철, 여름철 순으로 예측성이 컸으며, 유역별로는 댐, 하천, 강수유역 순으로 전망정보의 활용성이 더 높을 것으로 분석되었다. 현재 기상청에서는 GloSea5 기반의 기후전망정보를 생산하고 있으며, 가뭄관련 유관기관에서는 이를 고유의 목적에 맞게 가뭄예보에 활용하고 있다. 다만, 유관기관에서 생산 및 제공하고 있는 정보들은 생활용수, 공업용수, 농업용수 등 물 부족과 관련된 정보에 더 가깝다고 할 수 있다. 따라서 본 연구에서 개발된 GloSea5 기상예보자료를 활용한 기상학적, 농업적, 수문학적 가뭄전망 기법들이 물 부족 관련 정보가 아닌 가뭄정보로써 제공된다면 가뭄관리에 있어 큰 도움이 될 것으로 사료된다.

Drought outlook are divided by statistical and physical methods. The statistical method is to predict future droughts on the assumption that past hydrology phenomena may be reproduced in the future. However, this method has limitations in considering the characteristics of hydrology systems that have changed rapidly in recent years, as all of the predicted outcomes are confined to past trends (Trenberth, 1994). The physical method is to predict future droughts through a linked climate and hydrology models with a mechanical algorithm from a given initial hydrological condition. Unlike statistical methods, it has the advantage of being able to predict recent changes in water circulation, which is highly utilized.
In this study, we developed physical-based meteorological, agricultural, and hydrological drought outlook techniques using the GloSea5 weather forecast data, and evaluated the predictability of drought outlook information according to the forecasting lead time. To evaluate each drought, Standardized Precipitation Index (SPI), Reservoir Drought Index (RDI), and Modified Surface Water Supply Index (MSWSI) were used. In order to develop the outlook techniques according to the forecasting lead time, the meteorological drought used the Anomaly technique, the agricultural drought used the multiple regression technique, and the hydrological drought used the GloSea5-LSM coupled analysis technique. Monthly, seasonal, and characteristic predictability was assessed by applying the statistical evaluation technique. The study areas are based on 59 ASOS station, 3,060 agricultural reservoirs and 117 mid-basins.
In 2015 and 2016 year, the correlation coefficient of SPI(3) was 0.85, 0.79 for 1month read-time, 0.61, 0.57 for 2months read-time, 0.20, 0.28 for 3months read-time, and root mean square error was 0.53, 0.57 for 1month read-time, 0.87, 0.85 for 2months read-time, 1.02, 0.96 for 3months read-time. By seasonal, it was analyzed that winter, autumn, spring and summer were the most predictable. In 2015 and 2016 year, the correlation coefficient of RDI(3) was 0.74, 0.78 for 1month read-time, 0.71, 0.77 for 2months read-time, 0.64, 0.76 for 3months read-time, and root mean square error was 0.30, 0.27 for 1month read-time, 0.30, 0.26 for 2months read-time, and 0.23, 0.27 for 3months read-time. By seasonal, the outlook information was more predictable in winter, spring, fall and summer, while the use of outlook information is likely to be higher if the reservoir has a capacity of 3,000 (1000m3). In 2015 and 2016 year, the correlation coefficient of MSWSI(3) was 0.84, 0.76 for 1month read-time, 0.600 0.55 for 2months read-time, 0.10, 0.23 for 3months read-time, and root mean square error was 1.00, 1.24 for 1month read-time, 1.71, 1.88 for 2months read-time, 2.79, 2.29 for 3months read-time. By seasonal, the outlook information was more predictable in winter, fall, spring and summer, while the use of outlook information was higher in the order of dams, river, and precipitation basin. Currently, the Korea Meteorological Administration (KMA) produces GloSea5-based weather forecasting information, and drought-related institutions use it to predict droughts for their own purposes. However, the information produced and provided by the relevant institution is closer to information related to water deficiency, such as household, industrial, and agricultural water. Therefore, meteorological, agriculture, and hydrological drought outlook techniques using the GloSea5 weather forecasting information developed in this study. This techniques are expected to be of great help in drought management if they are provided as drought info