2.1 대상지역

본 연구는 강원도 춘천시에 위치한 소양강댐과 충청북도 충주시에 위치한 충주댐을 대상으로 하였다. 두 댐 모두 다목적으로 활용되며, 하류 지역에 용수 공급, 발전 및 홍수 조절을 위해 중요한 역할을 한다. 소양강댐은 높이 123 m, 만수위 198 m, 길이 530 m, 유역 면적 2,703 km²이며, 총 저수량은 29억 m³이다. 충주댐은 높이 97.5 m, 만수위 145 m, 길이 447 m, 유역 면적 6,648 km² 이며, 총 저수량은 27억 5천만 m³이다. 소양강댐과 충주댐의 연평균 수력 발전량은 각각 약 35억 3백만 KWh과 84억 4백만 KWh이다.

2023년 강원도 발전량 비율 중 17 %가 신재생에너지이며, 그중 15 %가 수력발전이고 2023년 충청북도 발전량 비율 중 91 %가 신재생에너지이며, 그중 34 %가 수력발전이다^{(KOSIS, 2023)}. 2022년 6월 소양강댐 유역에서 가뭄이 발생하여 수위가 지난해 같은 기간(175 m)보다 10 m 낮아졌다. 저수율은 38 %로 지난해 같은 기간보다 51.1 % 낮았다. 강수량은 과거 평균(1973년 제방 건설 이후)보다 25 mm 감소했다. 충주댐은 2022년 3월부터 5월까지 지속된 가뭄으로 인해 강수량이 지난해 같은 기간(202.7 mm)의 66.3 %에 불과했으며, 수위는 지난해 같은 기간(131.8 m)보다 11.14 m 낮았다. 소양강댐과 충주댐이 현지 전력 공급에서 차지하는 비중이 크고, 최근 기후변화로 인한 가뭄 사상이 발생함에 따라 기후변화가 수력발전량에 미치는 영향을 분석하는 것이 매우 중요하다.

2.2 분석자료

본 연구에서는 2021년 IPCC가 발표한 제6차 평가 보고서에서 사용된 SSP 시나리오 중 SSP2-4.5와 SSP5-8.5 시나리오의 자료를 사용하였다. SSP2-4.5 시나리오는 기후변화 완화 및 사회경제 발전 정도가 중간 단계라고 가정하고, SSP5-8.5 시나리오는 산업기술의 빠른 발전에 중심을 두어 화석연료 사용이 높고 도시 위주의 무분별한 개발 확대를 가정한다. 본 연구에서는 환경 빅데이터플랫폼(https://www.bigdata-environment.kr/user/main.do)에서 제공하는 소양강댐과 충주댐 유역의 4개 GCM(ACCESS-ESM1-5, CanESM5, INM-CM4-8, IPSL-CM6A) 모형의 2021~2100년 일 단위 강수량과 온도(일 단위 평균, 최대, 최소) 자료를 활용하였다(해상도는 각각 1.875°×1.25°, 2.8°×2.8°, 2.0°×1.5°, 2.5°×1.3°). My Water가 제공한 2012년부터 2020년까지의 소양강댐과 충주댐의 월 단위 수력발전량 및 발전방류량 자료를 사용하였다. 소양강댐과 충주댐의 미래(2021~2100년) 월 단위 발전방류량과 유입량 자료도 마찬가지로 4개 GCM 모형을 이용하여 SSP2-4.5 및 SSP5-8.5 시나리오에 따라 ^{Kim et al.(2022)}이 생산한 모의 자료를 활용하였다. ^{Kim et al.(2022)}은 VIC 수문모형과 딥러닝 기반 LSTM 모형을 결합하여 발전방류량을 예측하였다. 댐 유입량은 강수-유출 관계를 따르기 때문에 물리 기반 수문모형인 VIC 모형을 활용하여 유입량을 모의하였으며, 예측된 유입량을 바탕으로 LSTM 모형을 사용하여 방류량을 예측하였다. LSTM 모형의 입력변수, 출력변수 및 매개변수는 Table 1과 같다. 1986년부터 2003년까지의 자료를 이용해 모형을 보정(calibration)하고, 2004년부터 2020년까지의 자료를 활용하여 모형을 검증(validation)하였다. 4개의 GCM은 제6차 결합모형상호비교프로젝트(Coupled Model Intercomparison Project 6, CMIP6)에서 선택되었고 GCM 모형들은 여러 격자가 한반도 지역에 포함되어 비교적 상세하게 기후를 표현할 수 있다^{(Wang et al., 2024)}.

3.1 SPEI와 가뭄특성

본 연구에서는 표준강수증발산지수(SPEI)를 사용하여 가뭄지수를 계산하였다. SPEI 지수는 강수량(Precipitation, P)과 증발산량(Evapotranspiration, ETo)을 고려하며, 온도가 가뭄에 미치는 영향을 반영한다^{(Vicente-Serrano et al., 2010)}. P와 ETo의 차이 누적값 D는 Eq. (1)과 같다. 일반적으로 강수량은 관측값을 사용하고, ETo는 Hargreaves 공식(Eq. (2))을 통해 산정된다.

여기서 $R_{a}$은 일사량을 나타내며(Eq. (3)), $T_{\max}$는 일최고 기온과 $T_{\min}$는 일최저 기온 $T_{mean}$는 일평균 기온으로 표현된다.

여기서 $G_{sc}$는 0.0820이고 $d_{r}$는 지구와 태양 간 거리의 역수 제곱, $w_{s}$는 일출 및 일몰 시간각, $\phi$는 위도, $\delta$는 태양 편각이다.

시계열 D에 대한 로그-로지스틱(Log-logistic) 분포형의 확률밀도함수는 Eq. (4)와 같다.

여기서 매개변수 α, β, γ는 각각 크기, 모양 및 위치 매개변수를 나타낸다. 따라서 시계열 D의 확률분포함수는 Eq. (5)과 같이 표현될 수 있다.

SPEI는 시계열 D의 확률분포함수를 표준정규분포형의 확률분포함수로 변환한 것으로 계산 공식은 Eq. (6)과 같다.

여기서, $C_{0}=2.5155$, $C_{1}=0.8028$, $C_{2}=0.0103$이며, $d_{1}=1.4327$, $d_{2}=0.1892$, $d_{3}=0.0013$이다. p는 계산된 D의 초과 확률($p=1-F(x)$)을 나타낸다. 만약 p가 0.5보다 크면, p는 (1╶ p)로 대체된다.

본 연구에서는 계절 변동성을 고려하기 위해 SPEI-1개월, 3개월, 6개월, 12개월 척도를 사용하여 가뭄 사상을 식별하였다. SPEI의 시간 척도는 단기(SPEI-1), 중기(SPEI-3, 6), 장기(SPEI-9, 12)로 나눈다. 단기 척도는 빠른 대응이 필요한 상황에 적합하고, 중기 척도는 계절적 변화의 영향을 반영할 수 있으며, 장기 척도는 장기적인 추세를 나타낸다.

본 연구에서는 Fig. 1과 같이 가뭄사상을 식별하였다. 가뭄사상은 SPEI 값이 지정된 임계값(-1) 이하로 떨어질 때로 정의하였다. 가뭄의 시작은 SPEI 값이 -1 보다 작은 경우로부터 시작된다. 만약 SPEI 값이 -1 보다 크게 되면, 가뭄이 종료되었다고 판단된다. 가뭄의 시작부터 종료까지의 시간을 가뭄 지속기간이라고 하며, 가뭄 지속기간 동안의 SPEI 누적값은 가뭄의 심도를 나타낸다. 가뭄의 심도를 지속기간으로 나누면 가뭄 강도이다. 한 달 간격으로 발생한 두 번의 인접한 가뭄(a와 b)에 대해, 두 번의 인접한 가뭄을 한 번의 가뭄으로 간주한다. 만약 가뭄 지속기간이 한 달이면(c) 가뭄사상으로 간주하지 않는다.

Fig. 1. Identification of Drought Event, Duration, Severity, and Intensity

3.2 베이지안 모형 평균화

베이지안 모형 평균화(BMA)는 확률적 날씨 예측에서 스프레드-오류(spread-error) 상관관계의 과소 분산을 수정하기 위한 앙상블 후처리 접근법으로 제안되었다^{(Raftery et al., 2005)}. BMA는 다양한 모형을 결합할 수 있으며 모형의 불확실성을 줄이는 데 사용할 수 있다. BMA는 주로 일반화 선형 회귀모형에 사용된다. 본 연구에서는 BMA를 통해 강수량, 온도 및 유량 자료에 대해 모형 평균을 계산하고, 입력자료에 대한 모형 평균을 선택함으로써, 다양한 기후모형(GCM) 간의 차이만을 고려할 수 있다. 전체 확률의 법칙에 따르면 BMA 확률 예측 y의 확률밀도함수는 Eq. (7)로 나타낼 수 있다.

여기서, y는 예측 변수이고, T는 훈련 자료이며, $f_{k}$는 모든 고려된 예측모형의 집합을 나타내며, $\sigma_{k}^{2}$는 분산이다．$p(f_{k}\vert T)$는 예측모형 $f_{k}$의 사후 확률을 나타내며, 관측 자료 T가 주어졌을 때 모형 예측 $f_{k}$가 정확한 예측일 가능성이다. $p_{k}(y \vert f_{k},\: T)$는 예측모형 $f_{k}$와 관측 자료 T가 주어진 y의 사후 분포이다. BMA에서 단일 모형의 가중치와 분산은 기댓값 최대화(Expectation Maximization, EM) 알고리즘을 사용하여 추정된다. BMA의 평균 예측값은 단일 모형 예측값의 가중 평균 결과이다. 만약 단일 모형 예측값과 관측 유량이 모두 정규 분포를 따른다면, BMA 모형 평균 예측 기대값과 분산은 Eqs. (8) and (9)와 같다.

본 연구에서는 EM 추정을 통해 가중치와 분산을 계산하였다. EM 알고리즘은 지역적으로 최적의 해를 얻을 수 있으며, 이 방법은 간단하고 실행이 쉬우며 계산 효율이 높다. 특히 관심 있는 변수가 정규 분포를 따를 때, EM은 개별 앙상블 멤버의 가중치와 분산에 대해 더 정확한 추정치를 제공할 수 있다. 본 연구에서는 BMA로 가중 평균한 자료 중 온도가 정규 분포를 따르며, EM 알고리즘 사용 전에 Matlab의 Box-Cox 함수를 사용하여 발전방류량과 강수량 자료를 정규 변환하였다. EM 알고리즘은 기대 단계와 최대화 단계를 번갈아 가며 수렴할 때까지 반복한다. BMA 방법의 예측 효과를 검증하기 위해 4개 GCM 모형과 BMA의 2021년부터 2023년까지 각 월의 실제 관측과 예측값을 비교하고, 상대오차(Relative Error, RE)를 계산하였다.

3.3 서포트 벡터 머신 회귀

서포트 벡터 머신 회귀(SVR)는 예측 문제를 해결하기 위해 사용될 수 있으며, 서포트 벡터 머신(SVM)의 회귀 버전이다. SVR은 훈련자료를 고차원 피처 공간으로 매핑함으로써, 입력 자료(독립 변수)와 출력 자료(종속 변수) 간의 비선형 관계를 나타내는 최적화된 초평면을 형성한다.

훈련자료 집합은 $(x_{1},\: y_{1}),\:(x_{2},\: y_{2}),\: ...,\:(x_{i},\: y_{i})$, 여기서 x는 입력값(발전방류량)이고, y는 해당 출력값(수력발전량)이다. 추정 함수 $f(x)$는 Eq. (10)과 같이 나타낼 수 있다.

여기서 $f(x)$는 입력 x에 대한 모형 출력을 나타내고, Z는 특성 공간에서 모든 특성의 계수이며, 고차원 공간에서 회귀 함수의 방향을 결정한다. $\phi$(x)는 특성 맵핑 함수로, 입력 특성 x를 고차원 특성 공간으로 매핑한다. b는 편향 항으로, 회귀 함수의 절편을 나타내며, 이는 모형이 자료를 더 잘 적합할 수 있도록 한다.

물정보포털 My Water(https://www.water.or.kr/)가 제공하는 2012년부터 2020년까지의 소양강댐과 충주댐의 발전방류량 및 수력발전량 자료를 사용하여, 80 %의 자료를 훈련 세트로, 20 %의 자료를 검정 세트로 사용하였다. ^{Kim et al.(2022)}이 사용한 4개 GCM에 대한 BMA 가중 평균을 통해 얻은 미래 발전방류량 자료를 회귀모형에 입력하여 미래 수력발전량을 예측하였다(Eq. (10)). 테스트 세트의 모형 정확도는 상대 오차(RE)로 평가하였다(Table 2).

3.4 장단기 메모리 회귀 예측

장단기 메모리(LSTM)는 ^{Hochreiter and Schmidhuber(1997)}가 제안한 네트워크이다. 딥 러닝 모형으로서 선형 또는 비선형 여부와 관계없이 각 층은 다른 가중치로 하위 및 상위층에 연결된 다층 인공신경망(ANN)의 더 깊은 변형이다. LSTM은 장기 의존성을 포착하는 데 뛰어난 성능을 보여주기 때문에, 다양한 시계열 예측에 널리 활용되며, 기상 예보와 수력발전량 회귀 예측에도 잘 응용할 수 있다. Eq. (11)에서 $i_{t}$는 LSTM 모형에서 입력 게이트(input gate)의 계산 공식을 나타내며, $o_{t}$는 출력 게이트(output gate)로, 현재 셀의 상태를 유지할지 결정하는 데 사용되어 다른 셀에 영향을 준다. $f_{t}$는 망각 게이트(forget gate)로 LSTM의 상태를 초기화할 수 있도록 하는 또 다른 셀 게이트이다. $\sigma$는 시그모이드 함수이며, $W_{i}$는 파라미터 행렬, $b_{i}$는 바이어스 벡터이다. $[h_{t-1},\: x_{t}]$는 이전 시간 단계의 은닉 상태(hidden state)와 현재 시간 단계의 입력 조합을 나타낸다. $\widetilde{C_{t}}$는 입력의 후보 세포를 결정하고, $h_{t}$는 현재 시간 단계의 은닉 상태이다.

본 연구에서는 여러 가지 은닉층에 대한 실험을 통해 64개의 은닉층이 모형 성능을 최적화하는 것으로 나타났다. 배치 사이즈(batch size)를 16으로 설정하고, 에폭(epochs)을 400으로 설정하였다. BMA를 사용하여 예측된 5개의 입력자료를 이용해 머신 러닝(SVR)과 딥 러닝(LSTM) 모형을 각각 구축하여 미래의 수력발전량을 예측하고, 두 예측 결과를 비교하여 오차가 적은 결과를 선택하여 분석하였다.

4.1 BMA 가중 평균 결과

본 연구는 미래 GCM 예측 데이터의 불확실성을 줄이기 위해, 환경 빅데이터 플랫폼에서 제공한 소양강댐과 충주댐의 4개 GCM(CanESM5, ACCESS-ESM1-5, INM-CM4-8, IPSL-CM6A) 모형의 강우량과 온도 자료 및 ^{Kim et al.(2022)}이 생산한 4개 GCM 모형의 미래 발전방류량 자료를 활용하였다. Table 3-5는 각각 강우량, 평균기온, 발전방류량에 대한 월단위 관측값과 GCM 추정값 사이의 상대오차(RE)를 정리한 것이다. 강우량의 경우, BMA를 적용한 강우량 예측의 정확성이 전반적으로 개선되었다(Table 3). 평균기온의 경우, INM-CM4-8(SSP2-4.5)과 INM-CM4-8(SSP5-8.5)의 예측 정확성이 가장 높았으며(Table 4), 발전방류량의 경우, ACCESS-ESM1-5(SSP2-4.5)와 CanESM5 (SSP5-8.5)의 예측 정확성이 가장 높았다(Table 5). 하지만, 4개의 GCM 예측의 상대오차는 SSP 시나리오에 따른 편차가 크고 일관성 있는 하나의 모형을 선택하기 어려운 상황이다. 따라서 강우량, 평균기온, 발전방류량에 대해 전반적으로 예측 정확성을 개선한 BMA 추정값을 사용하는 것이 예측 자료의 불확실성을 줄이고 일관성을 유지할 수 있다.

4.2 소양강댐과 충주댐의 미래 SPEI 계산 및 가뭄 식별

가뭄이 수력발전량에 미치는 영향을 파악하기 위해, 본 연구는 SPEI를 사용하여 소양강댐과 충주댐의 기상가뭄 추세를 분석하고, 가뭄사상을 식별하였다. 본 연구에서는 SPEI 지수 -1 이하를 가뭄사상으로 정의하였으며, 기후와 계절이 가뭄사상에 미치는 영향을 고려하여 SPEI-1, 3, 6, 12를 계산하여 각각 단기, 중기 및 장기 가뭄사상의 계절적 변화와 추세를 포착하였다. 연속 이론에 따라 SSP2-4.5 및 SSP5-8.5 시나리오에서 소양강댐과 충주댐의 가뭄사상을 결정하였다(Fig. 2는 대표적인 예시로 SSP2-8.5에 대한 소양강댐 유역의 가뭄사상을 나타냄). 전반적으로 SSP2-4.5 시나리오보다 SSP5-8.5 시나리오에서 가뭄이 더 자주 발생하며 가뭄의 심도가 큰 경향이 나타났다. SSP5-8.5 시나리오는 온실가스 배출이 높고 극단적인 기후변화가 예상되며, 이는 더 빈번한 가뭄 사건을 초래할 것이다. 또한, 강수 변화, 기온 상승, 증발산 증가 등의 상황이 결합되어 가뭄의 심도가 더욱 심화될 것이다. 또한 심각한 사회경제적 손실을 초래할 수 있는 장기간(>10개월) 가뭄사상의 경우, SSP2-4.5 시나리오에서의 발생 빈도가 SSP5-8.5 시나리오보다 높게 나타났다. 이러한 장기 가뭄사상의 높은 발생 빈도는 가뭄사상이 지속되어 발생하는 부정적인 사회경제적 피해가 더욱 자주 나타날 수 있다는 것을 뜻한다.

Fig. 2. SPEI and Drought Events Under SSP5-8.5 (Soyanggang Dam). (a) SPEI-1, (b) SPEI-3, (c) SPEI-6, (d) SPEI-9, (e) SPEI-12

4.3 미래 수력발전량 예측 결과

본 연구에서는 2012년부터 2020년까지의 소양강댐과 충주댐의 수력발전량 및 발전방류량 자료를 사용하여 수력발전량에 대한 회귀방정식을 구축하였다. 소양강댐과 충주댐의 일 최대 발전 사용수량은 각각 250.8 ㎥/s와 828 ㎥/s이다. 소양강댐과 충주댐의 발전방류량과 수력발전량 간의 상관계수는 각각 0.9921과 0.9945이다. 2012년부터 2020년까지의 소양강댐과 충주댐의 발전방류량과 수력발전량 자료를 사용하여 서포트 벡터 머신(SVR) 모형에 입력하였다. 자료의 70 %를 훈련 세트로, 15 %를 검증 세트로, 15 %를 테스트 세트로 사용하였다. 테스트 집합의 모형 정확도는 결정계수(R2)와 상대오차(RE)로 평가하였다. 결과는 Table 6과 같다. 그 후, BMA 방법으로 예측한 미래(2021~2100년)의 발전방류량 자료를 훈련된 모형에 입력하여 미래의 수력발전량을 예측하였다.

LSTM 모형은 발전방류량, 최고 기온, 최저 기온, 강수량, 유입량 5개의 입력변수를 사용하고, 출력변수로는 수력발전량을 예측하여 모형을 훈련하였다. 자료의 80 %를 훈련 세트로, 20 %를 검증 세트로 사용하였다. 모형의 정확도는 결정계수(R2)와 상대오차(RE)로 검증되며, Table 6에 나타냈다.

SVR과 LSTM 모형의 회귀 예측값이 실제값과 비교하여 오차 범위가 크지 않다. 두 모형이 예측한 수력발전량 훈련 세트와 검증 세트의 상대오차에서는 차이가 크지 않으며(0.1 미만), 결정계수 측면에서 LSTM 모형의 성능이 SVR 모형보다 더 우수한 성능을 보였다(Table 6).

4.4 분산분석을 통한 유의성 검정

분산분석(ANnalysis Of VAriance, ANOVA)를 사용하여 BMA 모형 평균으로 계산된 소양강댐과 충주댐의 SSP2-4.5 및 SSP5-8.5 시나리오에서 수력발전량에 대한 유의성을 검토하였다. Table 7은 과거(2012~2020년)와 SSP2-4.5 및 SSP5-8.5 시나리오(2021~2100년)에 따른 소양강댐과 충주댐의 수력발전량 비교 결과를 제시하였다. ^{Wang et al.(2024)}의 경우, 회귀방정식을 통해 과거기간(1974-2011년)의 수력발전량을 계산한 반면, 본 연구에서는 2012-2020년 기간 동안의 실측 자료를 이용하여 비교분석을 수행하였다. 본 연구의 결과는 소양강댐과 충주댐의 미래와 과거 수력발전량 간에 유의미한 차이가 있다는 것을 보여준다. 평균값을 보면, 소양강댐의 SSP2-4.5 시나리오에서 평균값은 다른 두 시나리오의 평균값보다 현저히 높고, 충주댐의 과거 평균값은 미래 시나리오에서 평균값보다 낮다.

본 연구에서는 전체 기간(1~12월)을 갈수기(1~6월, 10~12월)와 홍수기(7~9월)로 분류하여 수력발전량에 차이가 있는지 분산분석을 수행하였다. Fig. 3은 소양강댐과 충주댐의 SSP2-4.5 및 SSP5-8.5 시나리오에서 BMA 모형 평균에 따른 갈수기(Drought), 홍수기(Flood) 및 전체(Annual) 기간의 수력발전량을 보여준다. 전반적으로 홍수기의 수력발전량이 가장 큰 변동 폭을 보이며 차이가 크게 나타났다. 전체 기간과 갈수기에서는 SSP5-8.5의 진폭이 대부분 SSP2-4.5보다 크며, 홍수기에서는 SSP2-4.5의 진폭이 SSP5-8.5보다 더 크다는 것을 확인할 수 있다.

Fig. 3. Boxplot of Hydroelectric Power Generation. (a) Soyanggang Dam, (b) Chungju Dam

4.5 가뭄이 수력발전량에 미치는 영향

소양강댐과 충주댐의 다른 시간 척도의 연평균 SPEI 값과 z-score 표준화된 발전방류량을 상관관계 분석한 결과는 SPEI 값과 연 발전방류량의 상관관계를 나타냈다(Table 8). 두 댐의 상관계수를 검토한 결과, SSP2-4.5 시나리오에서 3개월 SPEI와 연 발전방류량 간의 상관관계는 약 0.5로 가장 높았고, SSP5-8.5 시나리오에서는 9개월 SPEI 값과 연 발전방류량 간의 상관관계가 약 0.66으로 가장 높았다. 비록 상관관계가 매우 강하지는 않지만, 연구의 주요 목적은 가장 심각한 가뭄연도를 식별하는 것이며, 가장 심각한 가뭄연도는 시계열에서 뚜렷하게 나타나므로 이 정도의 상관관계도 신뢰할 수 있는 자료를 제공할 수 있다. SSP2-4.5는 중간 경로 시나리오로, 이산화탄소 배출량은 현재 수준 근처에서 머물게 되며, 세기 말에는 기온이 2.7°C 상승할 것이다. SSP5-8.5는 심각한 경로로, 2050년까지 이산화탄소 배출량이 현재의 두 배에 이를 것이며, 2100년까지 전 세계 평균 기온은 4.4°C 상승할 것이다^{(IPCC, 2021)}. SSP2-4.5는 중기 온실가스 시나리오로 변화 폭이 작지만 빈번하게 발생하므로, 중간 시간 척도인 SPEI-3는 계절적 변화가 수문에 미치는 영향을 잘 포착할 수 있고, 따라서 중간 시간 척도는 발전방류량과 밀접한 관련이 있다. 반면에 SSP5-8.5는 더 극단적인 기후변화와 큰 변동성을 예측하므로, SPEI-9는 이러한 추세 변화를 더 잘 반영할 수 있는 장기 시간 척도이다.

이전 연구에서^{(Wang et al., 2024)}, 소양강댐과 충주댐의 4개 기후모형(GCM) 기상 자료를 사용하여 미래 SPI-12 가뭄지수를 계산하고, 발전방류량과 수력발전량 사이의 회귀방정식을 구축하여 SPI-12가 식별한 가뭄사상 중 가장 심각한 연도의 수력발전량 증감량을 분석하였다. 이전 연구에서는 SPI 값을 계산할 때 SPI-12 장기 시간 척도에서의 영향만 고려하였으나, 본 연구에서는 SPEI-1, 3, 6, 9, 12 척도의 값을 계산하여 분석하였고, 각 척도와 발전방류량 간의 상관관계를 계산함으로써 SSP2-4.5와 SSP5-8.5 시나리오에서 가뭄이 가장 심각한 연도를 보다 명확하게 식별하였다.

본 연구는 미래 SSP2-4.5 및 SSP5-8.5 시나리오에서 가뭄이 수력발전량에 미치는 영향을 파악하기 위해 세 시기(전체 기간, 가뭄기, 홍수기)로 나누어 각 시기의 가뭄년 월평균 수력발전량 변화를 정량적으로 분석하였다. 미래 시나리오에서 가장 높은 상관관계를 가진 SPEI 척도를 사용하여 가뭄 연도를 식별한 결과, 소양강댐은 SSP2-4.5와 SSP5-8.5 모든 시나리오에서 가장 심각한 연속 가뭄이 2057년부터 2058년 사이에 발생하며, 충주댐은 SSP5-8.5 시나리오에서는 2057년부터 2058년 사이, SSP2-4.5 시나리오에서는 2056년부터 2057년 사이에 발생하는 것으로 나타났다. Table 9에 따르면, 소양강댐의 가뭄년 동안 SSP2-4.5 시나리오에서는 홍수기가 10.8 % 감소했으며, SSP5-8.5 시나리오에서는 전체 기간, 갈수기, 홍수기가 각각 30 %, 33.3 %, 23.6 % 감소했다. 충주댐의 가뭄년에서 SSP2-4.5 시나리오에서는 홍수기가 42.5 % 감소했으며, SSP5-8.5 시나리오에서는 전체 기간과 홍수기가 각각 12.4 %, 63.8 % 감소했다.

이전 연구^{(Wang et al., 2024)}와 비교했을 때, 식별된 가장 심각한 가뭄연도가 달라졌으며, 이전 연구는 4개의 서로 다른 GCM 자료에 따른 가장 심각한 가뭄연도를 고려하였기 때문에 가뭄연도의 시점에 대한 불확실성이 존재했다. 본 연구에서는 BMA 모형 평균을 사용하여 4개 모형을 통합함으로써 가장 심각한 가뭄연도를 확인하였으며, 연속 이론에 의해 확정된 가뭄연도는 2056, 2057, 2058년으로 나타났다. 이전 연구에서는 가뭄 연도로 인한 증감량이 모형에 따라 차이가 크기 때문에 불확실성을 해소할 수 없었으나, BMA 모형 평균 얻은 자료에서는 큰 감소량의 이상치가 발생하지 않아 불확실성을 줄였다.

본 연구를 통해 향후 기후변화 시나리오에서 수력발전량에 미치는 영향을 정량적으로 확인할 수 있는 가장 심각한 연도와 감소량을 알 수 있었다. 기존 연구들에서는 기후변화에 따른 수력발전량의 미래 추세를 도출하였으나, 본 연구에서 얻은 결과는 더 자세하고 구체적이다.