역전도 점프 MCMC를 활용한 지역 홍수 빈도 분석의 실용성

본 논문은 지역 홍수 빈도 분석(RFA)에서 표본이 부족한 개별 관측소의 불확실성을 감소시키기 위해, 고정된 형태 파라미터(ξFix)에 비영 확률을 부여하는 베이지안 모델을 제안하고, 이를 역전도 점프 마코프 체인 몬테카를로(MCMC) 기법과 결합한다. 연구는 크게 네 부분으로 구성된다. 1. **배경 및 문제 정의** 극값 이론에 따라 홍수 최대치는 일반화 파레토 분포(GPD)로 모델링된다. GPD의 형태 파라미터 ξ는 꼬리 두께를 결정하지만, 표본이 적을 때 ξ의 추정은 크게 변동한다. 기존 방법들은 목표 사이트 데이터만을 이용하거나, 인덱스 플러드 가정에 의존해 스케일 파라미터를 추정한다. 특히 인덱스 플러드 추정 오차가 전체 추정에 큰 편향을 일으킨다. 2. **베이지안 프레임워크와 사전분포 설계** 지역 내 다른 관측소들의 파라미터를 이용해 목표 사이트의 사전분포를 구성한다. 인덱스 플러드 C(j)를 GLM(또는 대체 모델)로 추정하고, 이를 통해 각 관측소의 로그 변환된 위치·스케일 파라미터를 정규화한다. 사전분포는 로그정규·정규 형태의 다변량 정규분포이며, 평균·공분산은 위에서 정의한 가짜 파라미터(˜µ,˜σ,˜ξ)로부터 계산된다. 이후, 고정 형태 ξFix(주로 0, Gumbel)에 비영 확률 pξ를 부여하기 위해 사전분포를 수정한다. 즉, Θ0={ξ=ξFix}에 대한 질량을 pξ만큼 할당하고, 나머지 공간 Θ\Θ0에는 (1−pξ) 비율로 기존 사전분포를 유지한다. 3. **역전도 점프 MCMC 알고리즘** 표준 메트로폴리스-헤이스팅스-깁스 샘플링은 사전분포가 이중 구조를 가질 때 효율이 떨어진다. 따라서 역전도 점프를 도입해 Θ0와 Θ\Θ0 사이를 자유롭게 이동한다. 제안된 이동은 동일 비초과 확률 p에 대해 같은 분위수를 유지하도록 설계되었으며, 이는 σ와 ξ의 변환식으로 구현된다. 제안된 ξ는 정규분포 N(˜ξ, s²_ξ)에서 샘플링하고, 변환된 σ는 위의 식(15b)·(18b)와 같이 계산된다. 수용 확률은 사후밀도 비율, pξ 비율, 제안밀도, Jacobian을 포함한다. 두 종류의 전이(Θ0→Θ\Θ0, Θ\Θ0→Θ0) 모두에 대해 상세한 수식이 제시된다. 4. **시뮬레이션 및 실험 결과** 동질적인 지역을 무작위로 생성하는 절차를 제시한다. L-모멘트 공간(평균, L-CV, L-왜도)에서 중심을 잡고, 주변에 균등하게 샘플을 배치한 뒤, 인덱스 플러드 모델 C=α·Area^β 로 스케일링한다. 각 관측소에 대해 GPD 파라미터를 계산하고, 이를 기반으로 인공 데이터셋을 생성한다. 실험은 표본 크기 n=5,10,15와 다양한 pξ 값을 변형시켜 민감도 분석을 수행한다. 결과는 다음과 같다. - REV 모델은 표본이 10 이하일 때 평균 절대 오차가 IFL 대비 30~40% 감소하고, BA 모델 대비 15~20% 개선된다. - 형태 파라미터 ξ의 사후 분산이 크게 감소하여, 장기 반환주기(20년 이상) 추정이 안정된다. - 인덱스 플러드 C(j)의 추정 오차가 IFL에서는 반환값에 직접적인 편향을 초래하지만, 베이지안 모델에서는 사전분포에 포함된 불확실성 덕분에 최종 추정치에 미치는 영향이 현저히 감소한다. - 풀링 그룹 구성 시 L-모멘트 거리와 인덱스 플러드 변동성을 동시에 최소화하도록 설계하면, 모든 모델의 성능이 향상된다. **결론** 고정 형태 파라미터에 비영 확률을 부여하고, 역전도 점프를 통해 형태와 스케일 파라미터를 동시에 탐색함으로써, 데이터가 부족한 지역 홍수 빈도 분석에 강건한 베이지안 추정기를 제공한다. 제안된 방법은 기존 인덱스 플러드 기반 접근법보다 표본이 적은 상황에서도 높은 정확도와 낮은 불확실성을 보이며, 실제 수문학적 적용에 유용한 지침을 제시한다.