홍수 빈도 분석을 위한 지역 베이지안 POT 모델

본 논문은 짧은 기록을 가진 유역에서 홍수 빈도 분석을 수행할 때 발생하는 불확실성을 감소시키기 위해, 기존의 인덱스 플러드(Index Flood) 모델을 확장한 지역 베이지안 POT(Point‑Over‑Threshold) 모델을 제안한다. 1. **배경 및 문제점** - 극값 이론에 기반한 GP(Generalized Pareto) 분포는 초과값을 모델링하는 데 널리 사용되지만, 관측소별 데이터가 부족하면 파라미터 추정이 불안정해진다. - 인덱스 플러드 모델은 지역 내 모든 관측소가 동일한 형태 파라미터(ξ)를 공유하고, 위치 µ와 규모 σ가 단순 스케일링 관계(C·µ, C·σ)라고 가정한다. 이는 물리적·통계적 차이를 충분히 반영하지 못하고, 특히 짧은 기록을 가진 관측소에서 큰 편향과 불확실성을 초래한다. 2. **제안 모델의 핵심 아이디어** - **베이지안 프레임워크**: 지역 전체의 파라미터 정보를 사전(prior)으로 활용하고, 목표 관측소의 실제 데이터를 통해 사후(posterior) 분포를 얻는다. - **가상의 목표 사이트(pseudo‑target) 파라미터**: 지역 내 다른 관측소 i(≠j)의 GP 파라미터(µ_i, σ_i, ξ_i)를 목표 관측소 j의 인덱스 플러드 C(j)로 스케일링하여 ˜µ_i = µ_i·C(j), ˜σ_i = σ_i·C(j), ˜ξ_i = ξ_i 로 만든다. 인덱스 플러드 C(j)는 목표 관측소의 평균 연간 유량 등으로 추정되며, 이 추정치에도 불확실성을 반영한다. - **사전 분포 설정**: ˜µ_i와 ˜σ_i의 로그값은 독립 로그정규분포, ˜ξ_i는 정규분포를 가정한다. 하이퍼파라미터(평균 γ와 분산 d)은 지역 전체의 ˜µ, ˜σ, ˜ξ 평균과 분산을 이용해 계산한다. 여기서 분산은 두 가지 불확실성(파라미터 추정 오차와 인덱스 플러드 추정 오차)을 합산해 구한다. 3. **베이지안 추정 절차** - 사전 분포와 목표 관측소의 GP 초과값 데이터(관측치 x)를 결합해 사후 분포 π(θ|x) ∝ π(θ)·L(x;θ) 를 만든다. - 사후 분포는 복잡한 적분을 포함하므로, 마코프 체인 몬테카를로(MCMC) 샘플링을 이용해 θ = (µ, σ, ξ) 의 사후 표본을 얻는다. - 사후 표본으로부터 원하는 반환 기간에 대한 반환 유량(Q_T)과 그 신뢰구간을 계산한다. 4. **데이터 및 실험 설계** - 프랑스 내 48개 관측소 중 14개를 선정해 7개의 사전 정의된 지역(프랑스 물 프레임워크 지시문에 기반)으로 나누었다. - 각 지역은 평균 연강수량, 고도, 지질 등 물리적 특성을 고려해 수동으로 구획했으며, Hosking‑Wallis 동질성 지표 H₁을 이용해 최종적으로 H₁=0.17(<1)인 ‘수용 가능’ 수준으로 검증하였다. - 기록 길이는 22~37년(평균 32년)이며, 유역 면적은 32~792 km² 범위이다. 5. **성능 평가 및 결과** - 비교 대상: (a) 제안 베이지안 모델, (b) 전통 인덱스 플러드 모델, (c) 지역 L‑moments 기반 평균 모델, (d) 현지(짧은 기록) 최대우도 추정. - 평가 지표: 다양한 반환 기간(2년, 10년, 100년 등)에서의 추정 편차, 평균 제곱오차(MSE), 그리고 95 % 신뢰구간 폭. - 베이지안 모델은 특히 기록이 20년 이하인 관측소에서 현지 추정보다 평균 30 %~45 % 낮은 MSE를 보였으며, 인덱스 플러드 모델 대비 20 %~35 % 정도의 개선을 나타냈다. - 동질성 수준이 높은 큰 지역(예: 7개 관측소 전체)에서 추정 정확도가 더 높았으며, 작은 고동질성 지역(예: 3~4개 관측소)에서는 오히려 불확실성이 증가하는 경향을 보였다. 이는 지역 규모가 충분히 클 때 평균적인 물리·통계 특성이 더 안정적으로 파악되기 때문이다. 6. **논의 및 의의** - 베이지안 접근법은 목표 관측소 데이터를 사전과 별도로 가중치 없이 자연스럽게 통합함으로써, 기존 인덱스 플러드가 갖는 “모든 관측소에 동일 가중치 부여”라는 비효율성을 극복한다. - 사전 설정에 인덱스 플러드 추정 오차를 포함함으로써, 사전이 과도하게 좁아지는 ‘과신’ 문제를 방지하고, 실제 지역 이질성에 대한 견고한 불확실성 정량화를 제공한다. - 제안 모델은 물리적 근거(비음성, 규모 파라미터 양성)와 통계적 근거(로그정규·정규 사전) 모두를 만족시키며, 기존의 공액(conjugate) 사전 사용보다 데이터에 맞춤형이라는 장점을 가진다. 7. **결론** - 지역 베이지안 POT 모델은 짧은 기록을 가진 관측소에 대해 인덱스 플러드와 전통 지역·현지 추정법을 모두 능가한다. - 동질성이 충분히 확보된 큰 지역을 활용하는 것이 작은 고동질성 지역보다 더 정확한 빈도 추정을 가능하게 한다. - 향후 연구에서는 다른 물리적 설명변수(예: 토양, 지형)와 결합한 다변량 베이지안 모델, 그리고 비정규 사전(예: 스튜던트‑t) 등을 탐색함으로써 모델의 일반성을 확대할 수 있다.