환경 통계로 극단 기후 리스크를 정량화하는 방법

극단현상을 재현값으로 다루는 환경 통계

환경 리스크 평가는 관측값의 평균적인 변동만으로 충분하지 않다. 드물게 발생하는 강우, 폭염, 강풍, 오염 농도 초과처럼 꼬리 영역에 놓인 사건을 재현기간과 공간 분포로 해석해야 한다.

이 과정은 Extreme Value Theory(EVT), 기후 시계열 분석, Spatial Interpolation을 함께 사용한다. EVT는 희귀 사건의 최대·최소값과 불확실성을 다루고, 시계열 분석은 추세·계절성·자기상관·변동성을 분리한다. 공간 보간은 관측소의 점 데이터를 연속적인 위험지도로 확장한다.

Extreme Value Theory와 재현기간

EVT는 극단값 분포를 이용해 재현기간별 최대 또는 최소값을 산정하는 방법이다. 블록 최대치를 쓰는 Generalized Extreme Value(GEV)와 임계값 초과 자료를 쓰는 Peaks Over Threshold(POT), Generalized Pareto Distribution(GPD) 접근이 대표적이다.

이론의 초점은 희귀사건 꼬리의 두께와 형상계수 ξ, 그리고 재현값의 불확실성이다. 추세·계절·외생 공변량이 있는 경우에는 비정상성을 모수의 함수로 표현할 수도 있다.

기후 시계열이 분리해야 하는 구조

기후 관측 자료에는 추세, 계절성, 자기상관, 변동성이 함께 들어 있다. 차분이나 Box-Cox 변환으로 정상성을 다루고, STL로 성분을 분해하며, 변곡점 탐지로 레짐 전환을 찾을 수 있다.

SARIMA, State-space, 베이지안 동적 선형모형은 예측과 극단모형의 결합에 사용된다. 이 단계에서는 결측치 처리와 동질화(homogenization)가 빠지면 안 된다.

점 관측을 연속 공간장으로 확장하기

Spatial Interpolation은 점 단위 관측값을 연속적인 공간장으로 추정하는 절차다. 반변량 함수(variogram)를 바탕으로 한 크리깅, 또는 IDW와 스플라인 같은 결정론적 방법을 사용할 수 있다.

지형, 해발, 토지피복처럼 공간적 차이를 설명하는 공변량이 있다면 회귀-크리깅이나 범용 크리깅을 적용한다. 이는 비정상성과 이방성을 다루는 데 쓰인다.

데이터 품질에서 운영 거버넌스까지

입력 자료는 관측소 시계열, 위성·재분석 격자, DEM과 토지피복 같은 보조 공변량으로 구성된다. 자동 수집 체계와 메타데이터 버전 관리는 이후 분석 결과를 추적하기 위한 기반이 된다.

품질검사에서는 범위, 단조성, 중복, 단계 값을 점검하고 ROD와 Hampel로 이상치를 탐지한다. 결측은 Kalman이나 EM으로 처리하며, 관측 환경 변화에 따른 변환 지점은 동질화 과정에서 보정한다.

극단값 모형을 선택할 때는 블록 최대치 GEV와 임계값 초과 GPD의 차이를 검토한다. POT는 데이터 효율성이 높지만 임계값 선택에 민감하다. 프로파일 우도, 부트스트랩, 베이지안 후방분포는 재현값 신뢰구간 산정에 사용할 수 있으며, Mean Residual Life와 Threshold Stability로 꼬리지수의 안정성을 확인한다.

시간, 계절, ENSO, PDO 같은 기후 지수는 GEV 또는 GPD 모수의 링크 함수에 넣을 수 있다.

[ \mu(t)=\beta0+\beta1\cdot t+\beta2\cdot ENSO ]

변곡점이나 레짐 전환 모형은 극단확률의 시간가변성을 반영하는 수단이다.

공간 단계에서는 Spherical, Exponential, Matérn 변동함수를 적합하고 이방성과 누적합성을 검토한다. LOOCV 결과를 바탕으로 모형을 고르며, 크리깅 분산은 위치별 불확실성 지도에 활용한다. 회귀-크리깅은 공변량을 결합해 편향을 줄이는 데 쓴다.

운영 환경은 Docker 컨테이너화, Airflow 스케줄링, Conda 또는 Poetry 기반의 재현 가능한 환경으로 구성할 수 있다. 데이터 카탈로그와 계보(Lineage)도 관리 대상이다. 실시간성의 저지연 요구와 통계적 안정성을 위한 더 긴 윈도우, 고급 크리깅의 정확도와 운영 복잡도 사이에는 트레이드오프가 있다.

분석 결과가 위험지도로 이어지는 흐름

⤢✕

보간 기법은 예측오차와 운영 부담을 함께 본다

기법	성능(예측오차)	확장성(대용량)	일관성(편향)	안정성(노이즈 민감)	운영 편의
IDW	중간, 관측 밀도 의존	높음	낮음, 경계효과 존재	중간	매우 높음, 파라미터 적음
보통 크리깅(OK)	높음, 공간상관 활용	중간	높음, 무편향 추정	높음, 분산 제공	중간, 변동함수 필요
범용 크리깅(UK)	매우 높음, 공변량 반영	중간	매우 높음	높음	중간~낮음, 설계 복잡
Thin Plate Spline	중간, 매끄러움 강조	중간	중간, 과적합 위험	낮음~중간	높음, 구현 용이

위험 유형별 적용 방식

강우와 홍수 재현값 지도화

일강우 시계열을 QC한 뒤 POT-GPD를 적합하고 50/100년 재현강우를 계산한다. 산출값은 OK 또는 UK로 공간 확장할 수 있으며, 배수설계, 하천제방 고도화, 도시 침수지도에 적용된다.

폭염과 열지수 경보

기온 시계열을 STL로 분해한 후 계절별 GEV와 비정상 μ(t)를 적합한다. 여기서 얻은 경보 임계치와 신뢰구간은 보건 경보와 전력 수요 피크 대응에 쓰인다.

강풍 극치와 설계 기준

시간해상 풍속의 블록 최대치에 GEV를 적합해 터빈과 송전설비의 설계풍속을 산출한다. 자산 리스크 평가와 보험 요율 산정이 적용 대상이다.

대기오염 초과농도의 공간 평가

임계값 초과 빈도를 POT와 포아송-가마 혼합으로 추정하고, 회귀-크리깅으로 도시권 위험지도를 만든다. 감시망 보강 입지선정과 규제 영향평가에 활용할 수 있다.

Python으로 POT-GPD 재현값 계산하기

전제조건은 다음과 같다.

• 환경: Python 3.11, numpy>=1.26, pandas>=2.0, scipy>=1.11, pykrige>=1.7 (공간보간), matplotlib>=3.7
• 데이터: 예시는 모의 데이터 사용. 실제 적용 시 QC·동질화 후 사용 권장.

import numpy as np
from scipy import stats

rng = np.random.default_rng(42)
# 모의 일강우(mm), 군더더기 분포 + 극단 꼬리
x = np.concatenate([rng.gamma(2.0, 5.0, 3650),  # 10년
                    rng.pareto(3.0, 50)*50])     # 가짜 꼬리

# 임계값 u: 상위 95퍼센타일
u = np.quantile(x, 0.95)
exceed = x[x > u] - u
k = exceed.size
n = x.size
pu = k / n  # 임계 초과 확률
ny = 365.25  # 연간 관측일수

# GPD 적합 (shape=ξ, scale=β, loc≈0)
c, loc, scale = stats.genpareto.fit(exceed, floc=0.0)  # ξ=c, β=scale

def return_level_pot(u, xi, beta, pu, ny, T):
    # Pr[X > z_T] = 1/(T*ny) = pu * (1 + xi*(z-u)/beta)^(-1/xi)
    target = pu * T * ny
    if abs(xi) < 1e-6:
        # ξ -> 0 한계: 지수꼬리
        return u + beta * np.log(target)
    return u + (beta/xi) * (target**xi - 1.0)

for T in [10, 50, 100]:
    zT = return_level_pot(u, c, scale, pu, ny, T)
    print(f"{T}년 재현강우(mm): {zT:.1f}")

임계값은 Mean Residual Life plot으로 안정성을 점검한 뒤 확정하는 것이 권장된다. 신뢰구간은 블록 부트스트랩 또는 프로파일 우도를 바탕으로 계산할 수 있다.

보통 크리깅으로 재현값을 격자화하기

import numpy as np
from pykrige.ok import OrdinaryKriging

# 모의 관측소 좌표(경도, 위도)와 100년 재현강우(mm)
coords = np.array([
    [126.9, 37.5], [127.2, 37.6], [127.6, 37.4], [127.0, 37.2], [126.8, 37.7]
])
vals = np.array([310, 335, 360, 320, 300], dtype=float)

OK = OrdinaryKriging(
    coords[:,0], coords[:,1], vals,
    variogram_model="exponential",
    variogram_parameters={"sill": 4000, "range": 0.5, "nugget": 500},
    enable_plotting=False, coordinates_type="geographic"
)

# 간단한 격자 생성
lon_grid = np.linspace(126.7, 127.7, 60)
lat_grid = np.linspace(37.1, 37.8, 60)
z_pred, z_var = OK.execute("grid", lon_grid, lat_grid)

print(z_pred.shape, z_var.shape)  # (60, 60)

좌표계는 geographic과 projected 중 하나로 일관되게 유지한다. 거리 왜곡을 줄이기 위해서는 투영좌표 사용을 권장한다. 모형은 LOOCV RMSE 최소 여부와 변동함수의 이방성·스케일 적합도를 함께 점검해 선택한다.

신뢰할 수 있는 산출물을 위한 조건

POT 임계값 최적화와 베이지안 불확실성 처리는 극단 리스크 정량화에서 재현값 신뢰구간을 안정화한다. 회귀-크리깅은 관측이 희박한 지역의 편향을 줄이고 불확실성 지도를 제공한다.

자동화 파이프라인과 모형 모니터링은 갱신 주기를 단축하고 경보 의사결정의 재현성을 확보한다. 데이터 품질관리, 비정상성 반영 EVT, 공간 보간, 불확실성 지도화를 연결한 운영 체계가 신뢰성·확장성·운영 편의 사이의 균형을 만든다.