Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Evaluation of Utilization of Satellite Remote Sensing Data for Drought Monitoring

가뭄 모니터링을 위한 인공위성 원격탐사자료의 활용 가능성 평가

  • Won, Jeongeun (Division of Earth Environmental System Science (Majorin Environmental Engineering), Pukyong National University) ;
  • Son, Youn-Suk (Department of Environmental Engineering, Pukyong National University) ;
  • Lee, Sangho (Department of Civil Engineering, Pukyong National University) ;
  • Kang, Limseok (Department of Environmental Engineering, Pukyong National University) ;
  • Kim, Sangdan (Department of Environmental Engineering, Pukyong National University)
  • 원정은 (부경대학교 지구환경시스템과학부(환경공학전공)) ;
  • 손윤석 (부경대학교 환경공학과) ;
  • 이상호 (부경대학교 토목공학과) ;
  • 강임석 (부경대학교 환경공학과) ;
  • 김상단 (부경대학교 환경공학과)
  • Received : 2021.11.22
  • Accepted : 2021.12.20
  • Published : 2021.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

As the frequency of drought increases due to climate change, it is very important to have a monitoring system that can accurately determine the situation of widespread drought. However, while ground-based meteorological data has limitations in identifying all the complex droughts in Korea, satellite remote sensing data can be effectively used to identify the spatial characteristics of drought in a wide range of regions and to detect drought. This study attempted to analyze the possibility of using remote sensing data for drought identification in South Korea. In order to monitor various aspects of drought, remote sensing and ground observation data of precipitation and potential evapotranspiration, which are major variables affecting drought, were collected. The evaluation of the applicability of remote sensing data was conducted focusing on the comparison with the observation data. First, to evaluate the applicability and accuracy of remote sensing data, the correlations with observation data were analyzed, and drought indices of various aspects were calculated using precipitation and potential evapotranspiration for meteorological drought monitoring. Then, to evaluate the drought monitoring ability of remote sensing data, the drought reproducibility of the past was confirmed using the drought index. Finally, a high-resolution drought map using remote sensing data was prepared to evaluate the possibility of using remote sensing data for actual drought in South Korea. Through the application of remote sensing data, it was judged that it would be possible to identify and understand various drought conditions occurring in all regions of South Korea, including unmeasured watersheds in the future.

기후변화로 인해 가뭄의 발생 빈도가 증가함에 따라 광범위하게 발생하는 가뭄의 상황을 정확하게 판단할 수 있는 모니터링 체계를 갖추는 것이 매우 중요하다. 그러나 지상 관측 기상자료만으로는 한국의 전 지역에 대한 복잡한 가뭄을 모두 파악하기에는 한계가 존재하는 반면, 인공위성 원격탐사자료는 광범위한 지역에서의 가뭄의 공간적 특성을 파악하고 가뭄을 탐지하는 데 효과적으로 이용될 수 있다. 본 연구에서는 남한의 가뭄 식별을 위한 원격탐사자료의 활용 가능성을 분석하고자 하였다. 다양한 측면의 가뭄을 모니터링하기 위해 가뭄에 영향을 미치는 주요 변수인 강수량과 잠재증발산량의 원격탐사 및 지상 관측자료를 수집하였다. 원격탐사자료의 적용성 평가는 관측자료와의 비교를 중심으로 수행하였다. 먼저 원격탐사자료의 적용성과 정확성을 평가하기 위하여 관측자료와의 상관관계를 분석하고, 기상학적 가뭄 모니터링을 위해 강수량과 잠재증발산량을 이용하여 다양한 측면의 가뭄지수들을 산정하였다. 이후 원격탐사자료의 가뭄 모니터링 능력을 평가하기 위해 가뭄지수에 대한 ROC 분석을 적용하여 과거 가뭄 재현성을 확인하였다. 마지막으로 원격탐사자료를 이용한 고해상도의 가뭄 지도를 작성하여 남한의 실제 가뭄에 대한 원격탐사자료의 모니터링 활용 가능성을 평가하였다. 원격탐사자료의 적용을 통해 향후 미 계측 유역을 포함한 남한 전 지역에서 다양하게 발생하는 가뭄 상황을 파악하고 이해할 수 있을 것으로 판단되었다.

Keywords

1. 서론

가뭄은 강수량의 부족 또는 대기의 증발 수요의 증가와 같은 기상학적인 인자들의 변화로부터 일상적으로 발생되지만, 때때로 가뭄은 극심한 현상으로 진화되어 수자원, 환경, 생태 등을 포함한 지역 사회의 각 분야에 중대한 영향을 줄 수 있는 심각한 재난이 된다(Sönmez et al., 2005). 또한 가뭄은 자연재해 중에서도 시작 및 종료를 예측하기 어려운 재해이기 때문에(Mckee et al., 1993), 가뭄에 대응하기 위한 가뭄 모니터링 및 수자원 관리 계획이 매우 중요하다. 즉 가뭄에 효과적으로 대처하기 위해서는 가뭄과 관련된 다양한 기후 변수들에 대한 지속적인 모니터링을 수행함으로써 가뭄의 상황을 신속하고 정확하게 판단할 수 있는 체계를 갖추는 것이 매우 중요하다(Moon and Lee, 2012).

가뭄 모니터링 분야에서는 주로 가뭄지수를 이용하여 가뭄의 상황을 판단하고 있으며, 기상학적 가뭄 모니터링은 대기의 수분 공급과 수분 수요 측면으로 구분할 수 있다. 가뭄을 판단하는 데에 있어 대기로부터 공급되는 수분인 강수량에 기반을 둔 가뭄지수들이 가장 많이 사용되어 왔으며(Smakhtin and Hughes, 2007), McKee et al. (1993)에 의해 개발된 표준강수지수(Standardized Precipitation Index, SPI)가 주로 사용되어왔다(Kisi et al., 2019; Bhunia et al., 2020; Li et al., 2020). 그러나 최근에는 대기의 수분 수요 측면인 증발산에 대한 관심이 증가하고 있으며, 다양한 연구들에서 대기의 증발 수요 측면에 집중하고 있다(Karnauskas et al., 2016; Tirivarombo et al., 2018; Sharafati et al., 2020). 이러한 선상에서 Hobbins et al. (2016)은 대기의 수분 수요 측면의 가뭄을 해석하는 증발수요 가뭄지수(Evaporative Demand Drought Index, EDDI)를 개발하였다. SPI와 EDDI는 각각 대기의 수분 공급과 수분 수요 측면의 가뭄을 해석하는 서로 상반된 가뭄지수이며, 두 가지의 측면을 함께 해석하기 위한 표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI) 또한 제시되고(VicenteSerrano et al., 2010), 활발하게 이용되어왔다(Wang et al., 2015; Zhao et al., 2017; Bezdan et al., 2019; Mokhtar et al., 2021).

역사적으로 가뭄지수를 이용한 가뭄 모니터링의 접근 방식은 지상 관측자료 또는 공간적으로 보간된 자료 기반에 중점을 두었다(AghaKouchak et al., 2015). 그러나 지상에서 관측된 기상자료만으로는 넓은 범위에 다양하게 발생하는 복잡한 가뭄을 모두 파악하기에는 한계가 존재하며, 일관된 가뭄 분석이 어렵다(AghaKouchak and Nakhjiri, 2012). 이러한 가뭄 모니터링 접근 방식의 전환은 원격 감지 기술의 발전과 동시에 발생하였다(West et al., 2019). 원격탐사자료는 광범위한 지역에서의 가뭄의 공간적 특성을 파악하고 가뭄을 탐지하는 데 효과적으로 이용될 수 있으며, 실측이 제한되는 지역에서도 주기적인 관측이 가능하다는 점에서 높은 활용성을 가진다. 즉, 원격탐사자료는 이전에 가능했던 것보다 더 높은 공간 규모에 걸쳐 주요 가뭄 관련 변수를 관찰하고 모니터링할 수 있으며(Sur et al., 2015), 이에 따라 인공위성 원격탐사자료의 활용이 증가하고 있다(Behrangi et al., 2011; Khan et al., 2012; Yang et al., 2017; Huang et al., 2020; Khaki et al., 2020). 전통적인 지상 관측자료에 비해 전 지구적, 거의 실시간 관측, 일관된 데이터 기록 및 높은 공간 해상도를 가지는 원격탐사자료는 효과적인 가뭄 모니터링에 접근할 수 있다. 실제로 원격탐사자료 기반의 SPI는 중국의 기상 가뭄 모니터링에 충분한 성능을 보였으며(Wang et al., 2014; Guo et al., 2016), SPEI를 이용한 가뭄 모니터링을 통해 위성 기반의 강수 및 증발산 자료의 유용성이 종합적으로 평가된 바 있다(Jiang et al., 2021). 국내에서도 위성 강수 자료를 이용하여 정확도 검증 및 SPI의 적용성이 평가되었다(Jang et al., 2017; Lee and Lee, 2018; Mun et al., 2020; Kim et al., 2021).

그러나 원격탐사 기반의 가뭄 모니터링의 활용은 주로 대기의 수분 공급 측면인 강수량에 집중되어왔다. 물 부족은 대기의 수분 공급에 의존하지만 대기의 수분 수요에 의해 결정될 수 있기 때문에(Vicente-Serrano et al., 2018), 대기의 수분 수요 측면의 가뭄을 해석하기 위한 원격탐사 자료의 활용이 요구된다. 이에 따라 본 연구에서는 SPI, EDDI 및 SPEI를 이용하여 다양한 측면의 가뭄을 모니터링하기 위한 원격탐사 자료의 활용 가능성을 평가하고자 하였다. 이를 위해 한반도를 대상으로 강수량 및 기준 증발산량(Reference Evapotranspiration, Eo)에 대한 원격탐사 자료와 관측자료 사이의 상관성 분석을 수행하여 원격탐사 자료의 적용성을 평가하였다. 또한 원격탐사 자료의 가뭄 모니터링 능력을 확인하기 위해 Receiver Operating Characteristics (ROC) 분석을 적용하여 원격탐사 자료의 가뭄 모니터링 분야에서의 활용 가능성을 평가하였다. 마지막으로 고해상도의 가뭄 지도를 작성하여 한반도 전 지역에서 다양하게 발생하는 가뭄 상황을 판단하고자 하였다.

2. 자료 및 연구 방법

1) 원격탐사 자료

두 가지 측면의 기상학적 가뭄 모니터링을 위해 강수량과 Eo의 인공위성 원격탐사자료를 수집하였다. 강수 자료의 경우 U.S. Geological Survey (USGS)에서 제공되는 Climate Hazards Infrared Precipitation with Stations(CHIRPS)이 사용되었다. CHIRPS의 시간 해상도는 월-단위이며, 공간 해상도는 0.05°이다.CHIRPS는 현재 USAID(United States Agency for International Development)의 FEWS NET (Family Early Warning Systems Network)의 가뭄 모니터링에 활용되고 있다. FEWS NET 가뭄 모니터링 활동을 지원하기 위해, 고해상도의 background climatology를 사용하여, 1981년부터 현재까지 CHIRPS 자료가 생산되고 있다(Shukla et al., 2014). CHIRPS는 긴 기록 기간, 높은 공간 해상도, 낮은 공간 편향, 낮은 시간 지연 등의 장점을 가지며(Peng et al., 2020), 최근 가뭄 모니터링 분야에서 다양하게 적용되었다(Gao et al., 2018; Wu et al., 2019; Pandey et al., 2021; Sandeep et al., 2021). 또한 한국에서도 CHIRPS의 활용성이 높게 평가된 바 있다(Jeon et al., 2020; Mun et al., 2020). 본 연구에서는 2001년부터 2020년까지 월별 CHIRPS 데이터를 수집하였다.

Eo 자료는 8일 간격의 시간적인 해상도와 상대적으로 높은 공간 해상도인 500 m로 제공되는 Moderate Resolution Imaging Spectroradiometer (MODIS) Terra의 MOD16A2 영상을 활용하였다. MODIS 자료는 가장 광범위하게 활용되고 있는 인공위성 관측 자료이며, 웹사이트를 통하여 일반인에게 제공되고 있다(https:// lpdaac.usgs.gov/data/). MODIS의 잠재증발산 계산 알고리즘은 Penman-Monteith를 기반으로 한다. MODIS의 증발산 자료는 한국에서 다양하게 적용되어 왔다(Park et al., 2018; Kim et al., 2020; Yoon et al., 2020; Lee et al., 2021a). 본 연구에서는 2001년부터 2020년까지 8일 간격의 MOD16A2를 수집하고, 월-단위의 시간 해상도 및 0.05°의 공간 해상도로 재구성하여 강수 위성 자료와 일치시켰다. 위성 자료의 자세한 정보는 Table 1과 같다.

Table 1. Summary of the remote sensing data used in this study

OGCSBN_2021_v37n6_2_1803_t0001.png 이미지

2) 관측자료

인공위성으로부터 관측된 강수량과 Eo의 적용성을 조사하기 위해 지상 관측자료가 함께 이용되었다. 한국 기상청(Korea Meteorological Administration, KMA)에서 운영 중인 Automated Synoptic Observing System (ASOS)의 60개 기상관측소로부터 일 강수량이 수집되었으며, Penman-Monteith 방법으로 Eo를 산정하기 위해 일 최고기온, 일 최저기온, 일 이슬점 온도 및 일 평균풍속이 수집되었다(Allen et al., 1998). 자료 기간은 위성 자료와 같다. Fig. 1은 연구대상 지역인 남한의 행정구역별로 구분된 6개 지역과 지상 관측자료가 수집된 60개 기상관측소의 위치를 나타낸다.

OGCSBN_2021_v37n6_2_1803_f0001.png 이미지

Fig. 1. Location of study area and meteorological stations.

3) 가뭄지수

본 연구에서는 다양한 측면에서의 가뭄 분석을 비교하기 위하여 세 개의 가뭄지수(SPI, EDDI 및 SPEI)를 적용하였다. SPI는 강수량이 주요 용수 공급원에 영향을 미친다는 것에 착안하여 개발된 지수로(McKee et al., 1993), 대기로부터의 수분 공급 측면인 강수량에 집중하고 있다. EDDI는 SPI와 반대의 개념으로 대기로부터의 수분 수요 측면인 Eo에 기반하여 가뭄을 판단하는 지수이다. SPEI는 대기로부터의 수분 공급(강수량)과 대기의 수분 수요(Eo)의 차이에 따라 가뭄을 모니터링 하는 지수이다. 본 연구에서는 EDDI와 SPEI를 산정하기 위해 Penman-Monteith 방법을 이용하여 계산된 Eo를 사용하였다. SPI, EDDI 그리고 SPEI는 한국의 가뭄을 모니터링하기 위해 다양하게 평가되어 왔다(Shin et al., 2018; Kwon et al., 2019; Won and Kim, 2020; Won et al., 2020; Lee et al., 2021b).

각 가뭄지수는 비 매개변수적인 확률 분포형을 사용하여 계산된다. SPI의 경우, 산정하고자 하는 시간척도에 대하여 이동 평균된 월별 강수량 시계 열을 구성한다. 강수량 p의 초과확률 P(p_i )는 다음과 같이 Tukey 도시위치공식(Wilks, 2011)으로 결정된다.

\(P\left(p_{i}\right)=\frac{i-0.33}{n+0.33}\)       (1)

여기서 P(pi)는 강수량 pi에 대한 초과확률이며, i는 강수량 p시계열에서의 순위이다. 그리고 n은 관측자료의 년 수이다. SPI는 추정된 초과확률 P(pi )을 통해 다음과 같은 정규분포의 역함수 공식을 이용하여 산정된다(Vicente-Serrano et al., 2010).

\(S P I=W-\frac{C_{o}+C_{1} W+C_{2} W^{2}}{1+d_{1} W+d_{2} W^{2}+d_{3} W^{3}}\)       (2)

여기서 Co=2.515517, C1=0.802853, C2=0.010328, d1=1.432788, d2=0.189269, d3=0.001308이며, P(pi)≤0.5일 때 \(W=\sqrt{-2 \ln \left(P\left(p_{i}\right)\right)}\)를 적용하고, P(pi)≥0.5일 때에는 \(W=\sqrt{-2 \ln \left(1-P\left(p_{i}\right)\right)}\)를 적용하고 SPI의 부호를 변경한다.

EDDI와 SPEI는 각각 이동평균된 월별 Eo 및 P(강수량)-Eo 시계열을 구성하여 SPI와 동일한 절차를 통해 산정된다. 이렇게 산정된 세 지수 중 EDDI는 SPI 및 SPEI와 개념적으로 서로 상반된 수분 상태를 나타낸다. SPI와 SPEI의 음의 값은 수분 부족을 의미하며, EDDI의 양의 값은 과도한 Eo의 증가를 의미한다. 따라서 가뭄이 심화될수록 SPI 및 SPEI는 음의 큰 값을 가지며, EDDI는 양의 큰 값을 갖게 된다. 가뭄지수에 대한 가뭄 분류는 Table 2에 나타내었다.

Table 2. Drought classification of drought indices

OGCSBN_2021_v37n6_2_1803_t0002.png 이미지

4) 원격탐사 자료의 적용성 평가 방법

(1) 상관관계 분석

원격탐사자료의 적용성을 평가하기 위해 지상 관측 자료와의 비교를 수행하였다. 본 연구에 사용되는 원격탐사자료는 5 km×5 km의 공간해상도를 가지지만, 지상 관측자료는 60개의 기상관측소로부터 수집된다. 따라서 원격탐사자료의 적용성을 평가하기 위해, 60개의 관측소가 위치한 격자의 RS 자료를 이용하여 관측자료와의 상관관계 분석을 수행하였다. 관측자료가 위치한 격자 자료의 상관성에 기반하여 이외의 격자 자료의 적용성을 확보하고자 하였다. 이때 상관관계 분석은 기상 변수 (강수량 및 Eo)와 가뭄지수 (SPI, EDDI 및 SPEI)에 대한 관측자료와 원격탐사자료 사이의 상관계수를 산정하였다.

(2) ROC 분석

원격탐사자료의 가뭄 모니터링 능력을 평가하기 위하여 원격탐사 및 관측자료 기반의 가뭄지수들의 과거 가뭄 재현성을 평가하고자 하였다. 가뭄지수들의 과거 가뭄 재현성을 확인하기 위해 ROC 분석을 적용하였다. ROC 분석은 주로 확률 예보의 정성적 검증에 활용되는 방법으로, 실제 가뭄 기록에 대한 가뭄지수의 평가를 위해 활용되어왔다(Yoo et al., 2013; Park et al., 2018; Yoon et al., 2020; Won et al., 2021). Fig. 1과 같이 구분된 한국의 6개 행정구역에서의 실제 가뭄 기록을 수집하고 Table 3과 같은 ROC 모형을 설정하였다. 실제로 가뭄이 발생한 월에 가뭄지수가 가뭄기준범위(SPI 및 SPEI는 -1.0 이하, EDDI는 1.0 이상)에 해당되면, 가뭄지수가 가뭄을 적중한 것이며(Hit, H), 가뭄지수가 가뭄기준범위에 해당되지 않으면 가뭄을 적중하지 못함(Missing, M)이다. 반대로 실제 가뭄이 발생하지 않았을 때, 가뭄지수가 가뭄기준범위에 해당되면 실패(False, F)이며, 가뭄지수가 가뭄기준범위에 해당되지 않았다면 음의 성공(Negative hit, N)으로 적용하였다. 따라서 적중률(Hit Rate, HR)과 오보율(False Alarm Rate, FAR)은 다음 식과 같이 산정되었다.

\(H R=\frac{H}{H+M}\)       (3)

\(F A R=\frac{F}{F+N}\)       (4)

Table 3. ROC Model

OGCSBN_2021_v37n6_2_1803_t0003.png 이미지

3. 연구결과

1) 원격탐사 자료의 적용성 검증을 위한 상관관계 분석

본 절에서는 강수량 및 Eo에 대한 원격탐사(Remote sensing, RS) 자료의 적용성이 검증된다. RS 자료의 적용성 평가를 위해 첫 번째로, 남한의 기상관측소 60개 지점에서 획득된 지상 관측자료와 60개 지점이 위치한 격자의 RS 자료 사이의 상관관계를 분석하였다. Fig. 2는 60개 지점의 강우 및 PET의 RS 자료와 관측자료의 월별 상관관계를 나타낸다. 강우 RS 자료(CHIRPS)는 관측자료와 높은 상관성이 나타났다(Fig. 2(a)). 다만 울릉도 및 제주도에서는 1, 2월 자료의 상관성이 낮은 경향이 나타났다. Fig. 2(a)의 8번으로 표시된 울릉도의 경우, RS자료와 관측자료 사이에 약 0.3(1월) 및 0.1(2월)의 낮은 상관성이 나타났다. 27번 및 28번으로 표시된 제주 지역 또한 2월의 RS 및 관측자료 사이에서 0.28 및 0.48의 상대적으로 낮은 교차상관계수를 나타내었다. 이는 해안가와 섬 지역에서는 RS 자료의 정확도가 떨어질 수 있다는 점을 참고해야 한다. CHIRPS와 ASOS의 관측 강우 자료 사이의 평균 상관계수는 약 0.90으로 높은 상관성을 보였다. 반면 강수량과 비교하였을 때, Eo에 대한 RS 자료(MODIS)와 ASOS의 관측자료는 높은 상관성이 나타나지 못하였다(Fig. 2(b)). 특히, 월별 교차상관 계수 결과에서 겨울(1, 11 및 12월)에 특히 상관성이 더 낮은 경향이 나타났다. Eo는 다양한 기후 변수들로부터 산정되기 때문에 관측자료와 RS 자료 사이에 큰 차이가 나타났다.

OGCSBN_2021_v37n6_2_1803_f0002.png 이미지

Fig. 2. Monthly cross-correlation coefficients between remote sensing data and observation data at 60 stations.

가뭄 모니터링을 위해 RS 및 지상 관측자료를 이용하여 SPI, EDDI 및 SPEI를 산정하였다. 각 가뭄지수는 시간척도 1-12개월에 대해 산정되었다. RS 자료의 적용성을 검증하기 위한 두 번째 방법은 RS 자료를 이용하여 산정된 가뭄지수(DI-rs)와 관측자료를 이용하여 산정된 가뭄지수(DI-obs)를 비교하는 것이다. 이를 위해 60개 지점의 시간척도 1-12개월의 DI-rs와 DI-obs의 교차 상관계수를 산정하였다(Fig. 3). Fig. 3의 횡축은 지점, 종축은 교차 상관계수를 의미하며, 12개 시간척도별 DI-rs 및 DI-obs의 교차 상관계수 결과를 boxplot으로 나타내었다. 즉, 하나의 boxplot은 해당 지점에서의 시간척도 1-12개월의 DI-rs 및 DI-obs 사이의 교차 상관계수의 결과이다. Fig. 2(a)의 결과와 유사하게 강수량 기반의 SPI-rs 및 SPI-obs는 높은 상관성이 나타났다(Fig. 3(a)). EDDI는 일부 지점들을 제외하고 상관성이 낮은 것으로 나타났다(Fig. 3(b)). 반면 SPEI는 RS 및 관측자료 사이의 상관관계가 낮은 Eo를 반영하였음에도 불구하고, SPI와 유사하게 RS 및 관측 SPEI 사이에 높은 상관관계가 나타났다. 이러한 결과는 SPEI가 강수량에 크게 의존하고 있음을 보여준다.

OGCSBN_2021_v37n6_2_1803_f0003.png 이미지

Fig. 3. Cross-correlation coefficients of drought indices based on remote sensing data and observation data.

원격탐사 및 지상 관측된 강수량 자료는 높은 상관관계가 나타났으나, Eo와 Eo 기반의 EDDI는 그렇지 못하였다. 본 연구에 적용된 원격탐사 및 지상 관측 Eo 자료는 모두 Penman-Monteith 방법으로 추정되었다. Penman-Monteith 방법은 매우 다양한 기후변수를 필요로 하며, 따라서 다양한 기후변수들로부터 산정되는 Eo는 불확실성이 클 수 밖에 없다. 이러한 Eo 자체의 불확실성은 RS 및 관측 자료 사이의 편차를 크게 만드는 원인 중 하나로 작용할 수 있다. 따라서 Eo의 RS 자료는 관측자료와의 상관성을 통해 활용 가능성을 평가하는 것은 적절하지 못할 수 있다. 가뭄 모니터링을 위한 RS 자료의 활용성은 관측자료와의 상관관계에 기반하여 평가하는 것보다, 가뭄을 얼마나 잘 감지할 수 있는지 가뭄지수로의 적용성이 더 중요할 수 있다.

2) 과거 가뭄 재현성 평가를 위한 ROC분석

본 절에서는 한국의 6개 지역을 대상으로 각 가뭄지수(SPI, EDDI 및 SPEI)의 과거 가뭄 재현성을 평가하였다. 6개 지역의 관측자료 기반의 가뭄지수(DI-obs)를 산정하기 위해 티센망을 이용하여 각 지역의 면적평균 월 강수량 및 Eo를 구축한 후 각 지역별 가뭄지수를 산정하였다. 원격탐사 기반의 가뭄지수(DI-rs)는 각 지역에 위치하는 격자들을 이용하여 평균 월 강수량 및 Eo를 구축한 후 각 지역별 가뭄지수를 산정하였다. 산정된 가뭄 지수(DI-rs 및 DI-obs)의 과거 가뭄 재현성을 평가하기 위하여 ROC 분석을 적용하였다(Table 3). 지역별 가뭄 지수들(각각 SPI, EDDI 및 SPEI)의 ROC 분석 결과는 Fig. 4-6로 나타내었다. 각 그림은 시간척도 2, 4, 6, 8, 10, 12개월의 가뭄지수 결과이다. SPI는 강원지역에서 가장 우수한 재현 능력을 나타내고 있었으며, 전라 지역에서 재현성이 가장 낮았다(Fig. 4). 강원지역에서 SPI-rs는 SPI-obs보다 더 높은 적중률을 나타내고 있었다. EDDI는 모든 지역에서 SPI보다 낮은 적중률을 나타내었으며, 강원지역에서 가장 우수한 재현 능력이 나타났다(Fig. 5). 경남 지역에서 EDDI-rs는 EDDI-obs에 비해 낮은 재현성이 나타난 반면, 전라 지역에서는 더 향상된 재현 능력을 보여주었다. Fig. 6에서 SPEI는 경남 지역에서 가장 우수한 재현 능력을 보이고 있었으며, SPI와 유사하게 전라 지역에서 재현성이 가장 낮았다.

OGCSBN_2021_v37n6_2_1803_f0004.png 이미지

Fig. 4. Results of ROC analysis of SPI.

OGCSBN_2021_v37n6_2_1803_f0005.png 이미지

Fig. 5. Results of ROC analysis of EDDI.

OGCSBN_2021_v37n6_2_1803_f0006.png 이미지

Fig. 6. Results of ROC analysis of SPEI.

위 그림과 같이 하나의 점으로 표현된 적중률과 오보율의 정보로부터 ROC score를 계산할 수 있다. ROC score는 Area Under Curve (AUC) 값으로 산정된다. ROC score가 1.0이면 지수가 가뭄 사상을 완벽하게 재현하였음을 의미하며, 0.5 이하는 부정적인 성능을 의미한다. Fig. 7-9는 각 지역에서의 SPI, EDDI 그리고 SPEI의 ROC score를 나타낸다. 각 그림의 횡축은 가뭄지수의 시간척도를 의미하며, 종축은 해당 시간척도에서의 가뭄지수의 ROC score이다. Table 4는 6개 지역에 대한 각 가뭄지수들의 12개 시간척도 별 ROC score 결과를 평균한 값을 제시하고 있다. Fig. 7에서 SPI-rs는 강원지역에서 가장 높은 ROC score를 나타냈으며, 특히 시간척도 5, 6개월에서 가장 큰 값(약 0.72)을 가졌다. 충청 및 경남 지역에서는 시간척도 3개월의 SPI-obs가 가장 높은 ROC score를 보였고, 경북, 경기 및 전라 지역에서는 상대적으로 장기간의 시간척도에서 가장 큰 ROC score를 보였다. SPI-obs와 비교하였을 때, 평균적으로 SPI-rs는 강원 지역에 대해서만 더 우수한 재현 성능을 나타내었다(Table 4).

OGCSBN_2021_v37n6_2_1803_f0007.png 이미지

Fig. 7. ROC scores of SPI.

OGCSBN_2021_v37n6_2_1803_f0008.png 이미지

Fig. 8. ROC scores of EDDI.

OGCSBN_2021_v37n6_2_1803_f0009.png 이미지

Fig. 9. ROC scores of SPEI.

Table 4. Average ROC scores of drought indices

OGCSBN_2021_v37n6_2_1803_t0004.png 이미지

EDDI-rs의 결과를 살펴보면(Fig. 8), 경기 및 전라 지역을 제외한 4개 지역은 상대적으로 단기간의 시간척도가 가장 높은 ROC score를 가졌다. 반면 경기 지역에서는 시간척도 12개월의 EDDI-rs가 가장 큰 ROC score를 보였고, 전라 지역에서는 시간척도 7개월에서 가장 좋은 결과가 나타났다. EDDI-rs는 EDDI-obs보다 오직 전라 지역에서만 더 좋은 결과를 보였지만, 이외의 지역에서는 EDDI-obs와 큰 차이가 발생하지 않았다(Table 4).

Fig. 9에서 SPEI-rs는 장기간 시간척도보다 단기간 시간척도에서 상대적으로 더 높은 ROC score를 나타내고 있었다. 특히 충청, 강원 및 경남 지역에서는 단기 시간척도인 3개월의 SPEI-rs가 가장 높은 결과가 나타났으며, 경북 지역에서는 시간척도 4개월에서 가장 높았다. 반면, 경기 및 전라 지역에서는 장기 시간척도의 SPEIrs가 더 좋은 결과를 가졌다. 경남 지역에서의 SPEI-rs는 단기 시간척도가 장기간의 시간척도보다 더 높은 ROC score를 나타내었으나, SPEI-obs는 장기간의 시간척도가 상대적으로 더 높았다. 평균적으로 SPEI-rs는 강원 및 경북 지역에서 SPEI-obs보다 더 높은 ROC score를 가지고 있었으며, 나머지 지역에서는 SPEI-obs와 유사한 결과가 나타났다(Table 4).

지역마다 그리고 가뭄지수의 시간척도 별로 가뭄지수가 가뭄을 재현하는 능력이 매우 달랐다. 6개의 지역이 서로 다른 기후 특성을 가지기 때문에 지역마다 과거 가뭄 사상의 재현 능력이 다르게 나타났다. 이러한 결과는 적절한 가뭄 모니터링을 위해서는 대상 지역의 가뭄을 가장 잘 나타낼 수 있는 시간척도를 선정하는 것이 중요함을 나타내고 있다.

EDDI는 RS 자료 및 관측자료에 상관없이 SPI 및 SPEI와 비교하였을 때 과거 가뭄 재현성이 상대적으로 낮은 것으로 나타났다. 이러한 결과는 한국의 가뭄은 대부분 평년 대비 강수량 부족이 발생하였을 때 기록되기 때문으로 판단된다. 따라서 과거에 기록된 가뭄 사상을 이용하여 EDDI의 가뭄 재현 성능을 평가하는 것은 완벽하지 못할 수 있다.

또한 EDDI를 포함한 3개의 가뭄지수들의 경우, 대부분의 지역에서 DI-rs보다 DI-obs의 ROC score가 더 높게 나타났다. 이러한 결과 또한 한국의 가뭄 기록이 관측자료를 기반으로 작성되었기 때문에, 관측 자료로 산정된 가뭄지수가 RS 자료 기반의 가뭄지수보다 더 우수한 가뭄 재현 능력을 가질 수 밖에 없을 것이다. 그럼에도 불구하고, RS 자료 기반의 가뭄지수들은 관측 자료 기반의 가뭄지수들과 유사한 재현 성능을 나타내었다. 이는 Table 4를 통해 DI-rs와 DI-obs의 각 지역별 평균적인 ROC score는 큰 차이가 나지 않음을 확인할 수 있다. RS 자료 기반의 가뭄지수들은 지점 자료가 아닌 고해상도의 공간 격자 자료로 생성되기 때문에, 관측 자료와 유사한 재현 성능을 가진다는 점에서 충분히 활용할 만한 가치가 있다고 인식된다.

3) 원격탐사 자료 기반의 가뭄 모니터링

원격탐사 자료의 가장 큰 장점은 고해상도의 격자로 제공된다는 것이다. 지상 관측자료와 비교하였을 때, 고해상도의 격자 자료는 미계측 지역에서도 주기적인 관측이 가능하다는 점에서 매우 큰 활용성을 가진다. 실제로 효과적인 물 관리를 위한 원격 탐사 기술의 역할은 자료가 부족한 지역에서 특히 중요한 것으로 강조되고 있다. 본 절에서는 실제 가뭄 사상에 대한 RS 자료 기반의 가뭄지수들의 가뭄 모니터링 결과를 분석하고자 하였다. 이를 위해, 가뭄 기록을 바탕으로 4개의 가뭄 사상을 선정하였다. 2006년의 가뭄 사상은 충남, 전남북 및 경남 지역에서 평년 강수량의 30%를 기록했으며, 2009년은 2008년부터 이어진 극심한 가뭄이 발생한 해이다. 또한 2013년은 경남 및 제주도에서 가뭄 피해를 받았으며, 2017년의 가뭄 사상은 생활용수 제한, 하천유지용수 감량 및 용수 대체 공급 등의 가뭄 피해가 기록되었다.

4개의 가뭄 시기에 대해 RS 자료를 이용한 SPI, EDDI 및 SPEI를 산정하고 각 가뭄지수의 공간 지도를 작성하였다(Fig. 10). 이때 각 가뭄지수는 단기 가뭄의 속성과 장기 가뭄의 속성을 대체적으로 원만하게 표현하는 시간척도 6개월로 산정되었다. 참고로 EDDI의 경우, 직관적인 비교를 위해 (–) 부호를 붙인 negative EDDI의 공간 지도가 작성되었다. 2006년 가뭄 사상은 충남, 전 남북 및 경남 지역에서 극심했던 것으로 기록되었으나 SPI는 충남 및 전북의 일부 지역에서 가뭄을 감지하고 있었으며, SPEI도 유사하였다. 반면 EDDI는 SPI 및 SPEI가 감지하지 못했던 경남 지역과 전남북 일부 지역을 포함하여 넓은 범위에서 가뭄을 나타내고 있었다. 2009년은 2008년부터 이어진 극심한 가뭄이 전국적으로 발생했던 시기로, RS 자료 기반의 SPI, EDDI 및 SPEI는 가뭄을 잘 감지하고 있었다. 또한 세 가뭄지수는 남한에서 매우 유사한 공간분포를 나타내고 있다. 이는 강수량 부족 및 과도한 증발산이 동시에 발생했었던 극심한 가뭄이었음을 의미한다. 2013년의 남부 지방에 발생한 가뭄 사상을 세 가뭄지수는 적절하게 재현하고 있었다. 특히 SPEI는 EDDI가 감지하지 못한 제주도의 가뭄 사상을 재현할 수 있었다. 2017년 가뭄은 2009년과 유사하게 전국적인 가뭄이 발생했던 해로, 세 가뭄지수는 전국적인 가뭄을 모두 잘 감지하고 있었다. RS를 활용한 가뭄 모니터링은 높은 공간 해상도에서 전국적으로 다양하게 발생하는 가뭄 상황을 적절하게 감지할 수 있음을 확인할 수 있었다.

OGCSBN_2021_v37n6_2_1803_f0010.png 이미지

Fig. 10. Drought severity map of drought indices based on remote sensing data on past drought events.

4. 결론

본 연구에서는 다양한 측면의 가뭄 모니터링을 위한 RS 자료의 활용 가능성을 평가하였다. 이를 위해 기상학적 가뭄에 영향을 미치는 주요 변수인 강수량과 Eo의 원격탐사자료 CHIRPS와 MODIS 자료가 활용되었다. RS 자료와 지상 관측자료와의 상관성 분석을 진행한 결과, 강수량의 RS 자료와 관측자료는 서로 상관성이 매우 높은 것으로 나타났으나, Eo는 다양한 기후변수들의 불확실성이 중첩되어 RS 자료와 관측자료의 상관성이 낮게 나타났다. 이러한 결과는 RS 및 관측자료 기반의 가뭄지수 사이에서도 유사하게 나타났다. 주로 강수량에 의존하는 SPI 및 SPEI는 두 자료 사이의 상관성이 높았으나 Eo에 기반하는 EDDI는 그렇지 못하였다. 가뭄 모니터링을 위한 RS 자료의 활용성은 과거 가뭄 재현 능력으로 평가되었다. RS 자료를 이용한 세 가뭄지수의 과거 가뭄 재현성을 평가하기 위해 남한의 가뭄 기록을 이용하여 ROC 분석을 수행하였다. EDDI의 경우 관측자료와 RS 자료 모두 낮은 재현성을 나타내었다. 이는 ROC 분석에 적용된 한국의 가뭄 사상이 대부분 강수 부족으로 기록되었기 때문으로 판단된다. 그러나 관측자료와 비교하였을 때 RS 기반의 가뭄지수들은 대부분 유사한 성능을 보이는 것으로 판단되었으며, RS 자료는 고해상도로 제공되기 때문에 활용이 용이할 것으로 판단하였다. 실제로, 과거 발생했던 가뭄 사상에 대한 RS 기반의 가뭄지수들은 전국적인 가뭄 상황을 적절하게 판단할 수 있었다.

본 연구의 결과에서, Eo 기반의 가뭄지수인 EDDI가 낮은 재현성을 나타냈지만 Eo와 관련된 다양한 RS 자료의 활용성을 평가하는 것이 중요할 것이다. 실제로 강수량만을 이용하는 SPI보다 Eo를 함께 이용하는 SPEI가 더 나은 가뭄 모니터링 능력을 보이는 지역이 존재하였으며, 강수량에만 의존하는 가뭄 모니터링은 다양한 기후 요인들에 의해 발생하는 복잡한 가뭄 현상을 올바르게 표현하기 어렵기 때문이다. 따라서 향후 연구에서는 가뭄의 주요 변수인 강수량과 Eo에 대한 다양한 RS 자료를 평가하여 효과적인 가뭄 모니터링에 접근할 필요가 있다.

본 연구의 결과를 통해 가뭄 모니터링을 위한 원격탐사 자료의 활용 가능성을 확인할 수 있었다. 광범위한 지역에서의 관측이 가능한 원격탐사 자료의 활용은 미계측 지역에서의 가뭄 모니터링과 다양한 형태의 가뭄 상황 판단이 가능할 것이다. 또한 고해상도를 가지는 다양한 원격탐사자료를 적용한다면 광범위하게 발생하는 가뭄의 상황을 정확하게 판단할 수 있는 모니터링 체계를 구축할 수 있을 것으로 기대된다.

사사

이 논문은 2021학년도 부경대학교 국립대학육성사업 지원비에 의하여 연구되었음.

References

  1. AghaKouchak, A. and N. Nakhjiri, 2012. A near realtime satellite-based global drought climate data record, Environmental Research Letters, 7(4): 044037. https://doi.org/10.1088/1748-9326/7/4/044037
  2. AghaKouchak, A., A. Farahmand, F.S. Melton, J. Teixeira, M.C. Anderson, B.D. Wardlow, and C.R. Hain, 2015. Remote sensing of drought: Progress, challenges and opportunities, Reviews of Geophysics, 53(2): 452-480. https://doi.org/10.1002/2014RG000456
  3. Allen, R.G., L.S. Pereira, D. Raes, and M. Smith, 1998. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56, Fao, Rome, 300(9): D05109.
  4. Behrangi, A., B. Khakbaz, T.C. Jaw, A. AghaKouchak, K. Hsu, and S. Sorooshian, 2011. Hydrologic evaluation of satellite precipitation products over a mid-size basin, Journal of Hydrology, 397(3-4): 225-237. https://doi.org/10.1016/j.jhydrol.2010.11.043
  5. Bezdan, J., A. Bezdan, B. Blagojevic, M. Mesaros, B. Pejic, M. Vranesevic, D. Pavic, and E. NikolicDoric, 2019. SPEI-based approach to agricultural drought monitoring in Vojvodina region, Water, 11(7): 1481. https://doi.org/10.3390/w11071481
  6. Bhunia, P., P. Das and R. Maiti, 2020. Meteorological drought study through SPI in three drought prone districts of West Bengal, India, Earth Systems and Environment, 4(1): 43-55. https://doi.org/10.1007/s41748-019-00137-6
  7. Cook, B.I., J.E. Smerdon, R. Seager, and S. Coats, 2014. Global warming and 21 st century drying, Climate Dynamics, 43(9): 2607-2627. https://doi.org/10.1007/s00382-014-2075-y
  8. Gao, F., Y. Zhang, X. Ren, Y. Yao, X. Hao, and W. Cai, 2018. Evaluation of CHIRPS and its application for drought monitoring over the Haihe River Basin, China, Natural Hazards, 92(1): 155-172. https://doi.org/10.1007/s11069-018-3196-0
  9. Guo, H., A. Bao, T. Liu, S. Chen, and F. Ndayisaba, 2016. Evaluation of PERSIANN-CDR for meteorological drought monitoring over China, Remote Sensing, 8(5): 379. https://doi.org/10.3390/rs8050379
  10. Hobbins, M.T., A. Wood, D.J. McEvoy, J.L. Huntington, C. Morton, M. Anderson, and C. Hain, 2016. The evaporative demand drought index. Part I: Linking drought evolution to variations in evaporative demand, Journal of Hydrometeorology, 17(6): 1745-1761. https://doi.org/10.1175/JHM-D-15-0121.1
  11. Huang, Q., G. Qin, Y. Zhang, Q. Tang, C. Liu, J. Xia, F.H. Chiew, and D. Post, 2020. Using remote sensing data-based hydrological model calibrations for predicting runoff in ungauged or poorly gauged catchments, Water Resources Research, 56(8): e2020WR028205.
  12. Jang, S., J. Rhee, S. Yoon, T, Lee, and K. Park, 2017. Evaluation of GPM IMERG applicability using SPI based satellite precipitation, Journal of the Korean Society of Agricultural Engineers, 59(3): 29-39 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2017.59.3.029
  13. Jeon, M.G., W.H. Nam, Y.S. Mun, and H.J. Kim, 2020. Assessment and Validation of New Global Grid-based CHIRPS Satellite Rainfall Products Over Korea, Journal of The Korean Society of Agricultural Engineers, 62(2): 39-52 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2020.62.2.039
  14. Jiang, S., L. Wei, L. Ren, C.Y. Xu, F. Zhong, M. Wang, L. Zhang, F. Yuan, and Y. Liu, 2021. Utility of integrated IMERG precipitation and GLEAM potential evapotranspiration products for drought monitoring over mainland China, Atmospheric Research, 247: 105141. https://doi.org/10.1016/j.atmosres.2020.105141
  15. Karnauskas, K.B., J.P. Donnelly, and K.J. Anchukaitis, 2016. Future freshwater stress for island populations, Nature Climate Change, 6(7): 720-725. https://doi.org/10.1038/nclimate2987
  16. Khaki, M., H.J.H. Franssen, and S.C. Han, 2020. Multi-mission satellite remote sensing data for improving land hydrological models via data assimilation, Scientific Reports, 10(1): 1-23. https://doi.org/10.1038/s41598-019-56847-4
  17. Khan, N., D.A. Sachindra, S. Shahid, K. Ahmed, M.S. Shiru, and N. Nawaz, 2020. Prediction of droughts over Pakistan using machine learning algorithms, Advances in Water Resources, 139: 103562. https://doi.org/10.1016/j.advwatres.2020.103562
  18. Khan, S.I., Y. Hong, H.J. Vergara, J.J. Gourley, G.R. Brakenridge, T, De Groeve, Z.L. Flamig, D. Policelli, and B. Yong, 2012. Microwave satellite data for hydrologic modeling in ungauged basins, IEEE Geoscience and Remote Sensing Letters, 9(4): 663-667. https://doi.org/10.1109/LGRS.2011.2177807
  19. Kim, J.S., S.Y. Park, J.H. Lee, J. Chen, S. Chen, and T.W. Kim, 2021. Integrated Drought Monitoring and Evaluation through Multi-Sensor Satellite Based Statistical Simulation, Remote Sensing, 13(2): 272. https://doi.org/10.3390/rs13020272
  20. Kim, S., Y. Jeong, S. Cho, Y. Youn, N. Kim, and Y. Lee, 2020. A Comparison between the Reference Evapotranspiration Products for Croplands in Korea: Case Study of 2016-2019, Korean Journal of Remote Sensing, 36(6-1): 1465-1483 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2020.36.6.1.14
  21. Kisi, O., A.D. Gorgij, M. Zounemat-Kermani, A. Mahdavi-Meymand, and S. Kim, 2019. Drought forecasting using novel heuristic methods in a semi-arid environment, Journal of Hydrology, 578: 124053. https://doi.org/10.1016/j.jhydrol.2019.124053
  22. Kwon, M., H.H. Kwon, and D. Han, 2019. Spatiotemporal drought patterns of multiple drought indices based on precipitation and soil moisture: A case study in South Korea, International Journal of Climatology, 39(12): 4669-4687. https://doi.org/10.1002/joc.6094
  23. Lee, J.H., S.Y. Park, M.G. Kim, and I.M. Chung, 2021a. Hydrological Drought Analysis and Monitoring Using Multiple Drought Indices: The Case of Mulrocheon Watershed, KSCE Journal of Civil and Environmental Engineering Research, 41(5): 477-484 (in Korean with English abstract). https://doi.org/10.12652/KSCE.2021.41.5.0477
  24. Lee, J. and E.H. Lee, 2018. Evaluation of daily precipitation estimate from integrated MultisatellitE Retrievals for GPM (IMERG) data over South Korea and East Asia, Atmosphere, 28(3): 273-289. https://doi.org/10.14191/Atmos.2018.28.3.273
  25. Lee, O., J. Won, J. Seo, and S. Kim, 2021b. Evaporative demand drought index forecasting in BusanUlsan-Gyeongnam region using machine learning methods, Journal of Korea Water Resources Association, 54(8): 617-628 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2021.54.8.617
  26. Li, L., D. She, H. Zheng, P. Lin, and Z.L. Yang, 2020. Elucidating diverse drought characteristics from two meteorological drought indices (SPI and SPEI) in China, Journal of Hydrometeorology, 21(7): 1513-1530. https://doi.org/10.1175/JHM-D-19-0290.1
  27. Liu, C., C. Yang, Q. Yang, and J. Wang, 2021. Spatiotemporal drought analysis by the standardized precipitation index (SPI) and standardized precipitation evapotranspiration index (SPEI) in Sichuan Province, China, Scientific Reports, 11(1): 1-14. https://doi.org/10.1038/s41598-020-79139-8
  28. Manzano, A., M.A. Clemente, A. Morata, M.Y. Luna, S. Begueria, S.M. Vicente-Serrano, and M.L. Martin, 2019. Analysis of the atmospheric circulation pattern effects over SPEI drought index in Spain, Atmospheric Research, 230: 104630. https://doi.org/10.1016/j.atmosres.2019.104630
  29. McKee, T.B., N.J. Doesken, and J. Kleist, 1993. The relationship of drought frequency and duration to time scales, Proceedings of the 8th Conference on Applied Climatology, 17(22): 179-183.
  30. Mokhtar, A., M. Jalali, H. He, N. Al-Ansari, A. Elbeltagi, K. Alsafadi, H.G. Abdo, S.S. Sammen, Y. GyasiAgyei, and J. Rodrigo-Comino, 2021. Estimation of SPEI Meteorological Drought Using Machine Learning Algorithms, IEEE Access, 9: 65503-65523. https://doi.org/10.1109/ACCESS.2021.3074305
  31. Moon, J.W. and D.R. Lee, 2012. A study on the parameter stabilization of palmer drought severity index, Journal of Korean Society of Hazard Mitigation, 12(5): 91-99 (in Korean with English abstract). https://doi.org/10.9798/KOSHAM.2012.12.5.091
  32. Mun, Y.S., W.H. Nam, T. Kim, E.M. Hong, and C. Sur, 2020. Evaluation and comparison of meteorological drought index using multi-satellite based precipitation products in East Asia, Journal of the Korean Society of Agricultural Engineers, 62(1): 83-93 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2020.62.1.083
  33. Pandey, V., P.K. Srivastava, S.K. Singh, G.P. Petropoulos, and R.K. Mall, 2021. Drought Identification and Trend Analysis Using Long-Term CHIRPS Satellite Precipitation Product in Bundelkhand, India, Sustainability, 13(3): 1042. https://doi.org/10.3390/su13031042
  34. Park, S.Y., C. Sur, J.S. Kim, and J.H. Lee, 2018. Evaluation of multi-sensor satellite data for monitoring different drought impacts, Stochastic Environmental Research and Risk Assessment, 32(9): 2551-2563. https://doi.org/10.1007/s00477-018-1537-x
  35. Peng, J., S. Dadson, F. Hirpa, E. Dyer, T. Lees, D.G. Miralles, S.M. Vicente-Serrano, and C. Funk, 2020. A pan-African high-resolution drought index dataset, Earth System Science Data, 12(1): 753-769. https://doi.org/10.5194/essd-12-753-2020
  36. Sandeep, P., G.O. Reddy, R. Jegankumar, and K.A. Kumar, 2021. Monitoring of agricultural drought in semi-arid ecosystem of Peninsular India through indices derived from time-series CHIRPS and MODIS datasets, Ecological Indicators, 121: 107033. https://doi.org/10.1016/j.ecolind.2020.107033
  37. Sharafati, A., S. Nabaei, and S. Shahid, 2020. Spatial assessment of meteorological drought features over different climate regions in Iran, International Journal of Climatology, 40(3): 1864-1884. https://doi.org/10.1002/joc.6307
  38. Sheffield, J., E.F. Wood, M. Pan, H. Beck, G. Coccia, A. Serrat-Capdevila, and K. Verbist, 2018. Satellite remote sensing for water resources management: Potential for supporting sustainable development in data-poor regions, Water Resources Research, 54(12): 9724-9758. https://doi.org/10.1029/2017WR022437
  39. Shin, J.Y., S. Chen, J.H. Lee, and T.W. Kim, 2018. Investigation of drought propagation in South Korea using drought index and conditional probability, Terrestrial, Atmospheric & Oceanic Sciences, 29(2): 231-241. https://doi.org/10.3319/TAO.2017.08.23.01
  40. Smakhtin, V.U. and D.A. Hughes, 2007. Automated estimation and analyses of meteorological drought characteristics from monthly rainfall data, Environmental Modelling & Software, 22(6): 880-890. https://doi.org/10.1016/j.envsoft.2006.05.013
  41. Sonmez, F.K., A.U. Koemuescue, A. Erkan, and E. Turgu, 2005. An analysis of spatial and temporal dimension of drought vulnerability in Turkey using the standardized precipitation index, Natural Hazards, 35(2): 243-264. https://doi.org/10.1007/s11069-004-5704-7
  42. Sur, C., J. Hur, K. Kim, W. Choi, and M. Choi, 2015. An evaluation of satellite-based drought indices on a regional scale, International Journal of Remote Sensing, 36(22): 5593-5612. https://doi.org/10.1080/01431161.2015.1101653
  43. Tirivarombo, S., D. Osupile, and P. Eliasson, 2018. Drought monitoring and analysis: standardised precipitation evapotranspiration index (SPEI) and standardised precipitation index (SPI), Physics and Chemistry of the Earth, Parts A/B/C, 106: 1-10. https://doi.org/10.1016/j.pce.2018.07.001
  44. Vicente-Serrano, S.M., S. Begueria, and J.I. Lopez-Moreno, 2010. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index, Journal of Climate, 23(7): 1696-1718. https://doi.org/10.1175/2009JCLI2909.1
  45. Wang, H., H. Lin, and D. Liu, 2014. Remotely sensed drought index and its responses to meteorological drought in Southwest China. Remote Sensing Letters, 5(5): 413-422. https://doi.org/10.1080/2150704X.2014.912768
  46. Wang, W., Y. Zhu, R. Xu, and J. Liu, 2015. Drought severity change in China during 1961-2012 indicated by SPI and SPEI, Natural Hazards, 75(3): 2437-2451. https://doi.org/10.1007/s11069-014-1436-5
  47. West, H., N. Quinn, and M. Horswell, 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities, Remote Sensing of Environment, 232: 111291. https://doi.org/10.1016/j.rse.2019.111291
  48. Wilks, D.S., 2011. Cluster analysis, International Geophysics, 100: 603-616. https://doi.org/10.1016/B978-0-12-385022-5.00015-4
  49. Won, J. and S. Kim, 2020. Future drought analysis using SPI and EDDI to consider climate change in South Korea, Water Supply, 20(8): 3266-3280. https://doi.org/10.2166/ws.2020.209
  50. Won, J., J. Choi, O. Lee, and S. Kim, 2020. Copula-based Joint Drought Index using SPI and EDDI and its application to climate change, Science of the Total Environment, 744: 140701. https://doi.org/10.1016/j.scitotenv.2020.140701
  51. Won, J., J. Seo, and S. Kim, 2021. A copula model integrating atmospheric moisture demand and supply for vegetation vulnerability mapping, Science of The Total Environment, 2021: 151464.
  52. Wu, W., Y. Li, X. Luo, Y. Zhang, X. Ji, and X. Li, 2019. Performance evaluation of the CHIRPS precipitation dataset and its utility in drought monitoring over Yunnan Province, China, Geomatics, Natural Hazards and Risk, 10(1): 2145-2162. https://doi.org/10.1080/19475705.2019.1683082
  53. Yang, G., J. Liu, C. Zhao, Z. Li, Y. Huang, H. Yu, B. Xu, X. Yang, D. Zhu, X. Zhang, R. Zhang, H, Feng, X. Zhao, Z. Li, H. Li, and H. Yang, 2017. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives, Frontiers in Plant Science, 8: 1111. https://doi.org/10.3389/fpls.2017.01111
  54. Yoo, J.Y., H. Song, T.W. Kim, and J.H. Ahn, 2013. Evaluation of short-term drought using daily standardized precipitation index and ROC analysis, Journal of the Korean Society of Civil Engineers, 33(5): 1851-1860 (in Korean with English abstract). https://doi.org/10.12652/Ksce.2013.33.5.1851
  55. Yoon, D.H., W.H. Nam, H.J. Lee, E.M. Hong, and T. Kim, 2020. Drought hazard assessment using MODIS-based Evaporative Stress Index (ESI) and ROC analysis, Journal of the Korean Society of Agricultural Engineers, 62(3): 51-61 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2020.62.3.051
  56. Zhao, H., G. Gao, W. An, X. Zou, H. Li, and M. Hou, 2017. Timescale differences between SC-PDSI and SPEI for drought monitoring in China, Physics and Chemistry of the Earth, Parts A/B/C, 102: 48-58. https://doi.org/10.1016/j.pce.2015.10.022