본 연구에서는 기후변화에 따른 메콩강 유출변화 분석을 목적으로 하고 있다. HadGEM3-RA로 부터 생산된 동아시아 지역 RCP 4.5 및 8.5 시나 리오의 일 자료를 기반으로 편의보정을 통해 미래 기후변화 시나리오를 구축한 후, SWAT 모형을 이용하여 메콩강 주요지점인 Kratie(유역면적: 646,000 km2, 메콩강의 연평균 유량의 88%)에서의 유출변화 모의하고 유황분석을 수행하였다. 기후변화 분석 결과 Kratie 유역의 미래 강수량은 기준 년 연평균 강수량 대비 미래 년 기간의 연평균 강수량은 두 시나리오 모두 증가하는 것으로 분석되었으며 월별 강수량 변화 분석을 통해 6 월∼11월에 강수량의 증가가 비교적 크게 나타나며 특히 RCP 8.5 시나리오에서 강수량의 변동 폭 및 증가량이 크게 나타남을 확인하였다. 시나리 오별 월평균 최대 및 최소기온의 변화는 두 시나리오 모두 미래 기온의 상승을 전망하고 있으며 특히 RCP 8.5 시나리오의 온도증가 폭이 크게 나타 나는 것을 확인 하였다. 또한 하천유황변화 분석결과 유역의 유량변동성이 더욱 커질 것으로 분석되었으며 저수계수 값이 52∼57% 감소하고 갈 수계수 값이 67∼74% 감소하는 것으로 나타나 하천의 갈수상황이 지속되어 미래에 가뭄이 보다 심화될 것으로 분석되었다.

아시아 지역의 인구증가와 하천주변 및 삼각주 평야 저지대의 인구밀도 집중으로 인해 우기 시 아시아의 많은 지역에서 홍수로 인한 대규모 인명 및 재산 피해가 발생하고 있다. 본 연구에서는 NOAA에서 제공하는 1992년부터 2003년까지의 나이트라이트 위성영상자료를 수집하여 인명 및 재산피해 정보와의 상호 공간분석을 통해 메콩강 유역의 홍수피해에 대한 분석을 실시하였다. 인명 및 재산피해 자료는 EM-DAT에서 제공하는 지 역 공간분포자료를 활용하였으며, 메콩강 주하천 격자로 부터 모든 임의 격자의 떨어진 거리를 계산하여 해당 격자에서의 나이트라이트 강도와 인명 및 재산피해와의 상관분석을 수행하였다. 그 결과, 나이트라이트 강도가 클수록 홍수피해가 큰 것으로 분석되었으며, 특히, 하천으로부터 가까 운 거리에서 나이트라이트 강도가 높게 나타났다. 이는 높은 나이트라이트 강도를 갖는 격자, 즉 인구밀집도가 상대적으로 높은 격자가 메콩강 하 천주변으로 분포되어 있으며, 홍수피해와 양의 상관관계를 갖고 있음을 의미한다. 이와 같이 나이트라이트 위성영상정보는 에너지소비, 재해 등 다양한 공간분석을 통해 사회경제적 영향성 평가를 위한 대리변수로 사용이 가능할 것으로 판단된다.

최근 기후변화 및 유역개발로 인하여 메콩강 유역의 수문환경이 급격히 변화하고 있으며, 메콩강을 공유하는 국가의 수재해 예방 및 지속가능한 수자원개발을 위해서는 메콩강 주요지점에서의 유량 정보의 분석 및 예측이 요구된다. 본 연구에서는 물리적 기반의 수문모형인 SWAT과 데이터기반 딥러닝 알고리즘인 LSTM을 이용하여 메콩강 하류 Kratie 지점의 유출모의를 수행하고, 유출모의 정확도 및 두 가지 방법론의 장 ․ 단점을 비교 ․ 분석한다. SWAT 모형의 구축을 위해 범용 입력자료(지형: HydroSHED, 토지이용: GLCF-MODIS, 토양: FAO-Soil map, 강우: APHRODITE 등)을 이용하였으며 warming-up 및 매개변수 보정 후 2003~2007년 일유량 모의를 수행하였다. LSTM을 이용한 유출모의의 경우, 딥러닝 오픈소스 라이브러리인 TensorFlow를 활용하여 Kratie 지점기준 메콩강 상류 10개 수위관측소의 두 기간(2000~2002, 2008~2014) 일수위 정보만을 이용하여 심층신경망을 학습하고, SWAT 모형과 마찬가지로 2003~2007년을 대상으로 Kratie 지점에 대한 일수위 모의 후 수위-유량관계곡선식을 이용하여 유출량으로 환산하였다. 두 모형의 모의성능 비교 ․ 검토를 위하여 모의기간에 대해 NSE (Nash-Sutcliffe Efficiency)을 산정한 결과, SWAT은 0.9, LSTM은 보다 높은 0.99의 정확도를 나타내는 것으로 분석되었다. 메콩강과 같은 대유역의 특정 지점에 대한 수문시계열 자료의 모의를 위해서는 다양한 입력자료를 요구하는 물리적 수문모형 대신 선행시계열자료의 변동성을 기억 ․ 학습하여 이를 예측에 반영하는 LSTM 기법 등 데이터기반의 심층신경망 모형의 적용이 가능할 것으로 판단된다.