Developing an Integrated Vulnerability Index for Agricultural Infrastructure and Water Resources using SSP Scenarios

Soo-Jin Kim; Ha-young Kim; Seung-Hwan Yoo; Yeongcheol Kwak; DalJu Park; YunPyo Lee; Seung-Jong Bae

doi:10.5389/KSAE.2026.68.5.059

Preview

Journal of Korean Society of Agricultural Engineers. 30 September 2026. 59-69
https://doi.org/10.5389/KSAE.2026.68.5.059

Developing an Integrated Vulnerability Index for Agricultural Infrastructure and Water Resources using SSP Scenarios

SSP 시나리오를 활용한 농업기반시설 및 농어촌용수 통합 취약성 평가지표 개발

Soo-Jin Kim^a

Ha-young Kim^b

Seung-Hwan Yoo^c

Yeongcheol Kwak^d

DalJu Park^e

YunPyo Lee^f

Seung-Jong Bae^g^†

김 수진^a

김 하영^b

유 승환^c

곽 영철^d

박 달주^e

이 윤표^f

배 승종^g^†

^aResearch Assistant Professor, Institute of Green Bio Science and Technology, Seoul National University

^bPh.D. Student, Department of Rural and Bio-systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agriculture, Chonnam National University

^cProfessor, Department of Rural and Bio-systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agriculture, Chonnam National University

^dGeneral Manager, Climate Response Office, Climate Change Policy & Strategy Department, Korea Rural Community Corporation (KRC)

^eDeputy General Manager, Climate Response Office, Climate Change Policy & Strategy Department, Korea Rural Community Corporation (KRC)

^fManager, Climate Response Office, Climate Change Policy & Strategy Department, Korea Rural Community Corporation (KRC)

^gResearch Professor, Institute of Green Bio Science and Technology, Seoul National University

^† Corresponding author Tel.: +82-33-339-5811, Fax: +82-33-339-5830 E-mail: bsj5120@snu.ac.kr

License (open-access, https://creativecommons.org/licenses/by/4.0):

©It is identical to the Creative Commons Attribution Non-commercial License (https://creativecommons.org/licenses/by/4.0)

ABSTRACT

Climate change vulnerability assessments for agricultural water resources and agricultural infrastructure began with a pilot study in 2018, and the results of the first cycle were officially published in 2023. To address the limitations identified in the first cycle, such as spatial inconsistency, indicator redundancy, and lack of expert validation, this study establishes an integrated vulnerability assessment framework by unifying the analysis unit into administrative districts (Si-Gun). Pearson correlation analysis was performed to merge indicators with a correlation coefficient of 0.8 or higher. Eight new indicators were also developed, and a total of 48 indicators were validated through a Delphi analysis. Additionally, weights were determined using the Analytic Hierarchy Process (AHP) to reflect the relative importance of each sector. Future vulnerability was analyzed for the period from 2031 to 2070 using SSP2-4.5 and SSP5-8.5 climate change scenarios across 167 Si-Gun. The results indicated high vulnerability in the water supply sector in the coastal areas of Jeonnam and inland regions of Gyeongbuk. In the flood control sector, vulnerability was intensified in the southern coastal regions and the northern border areas of Gyeonggi. Notably, southwestern Jeonnam was identified as vulnerable to both droughts and floods, highlighting the urgent need for integrated multi-disaster management strategies. This study is expected to provide critical reference data for establishing regional customized water resource management and disaster prevention strategies under shifting climate conditions.

Keywords

Vulnerability assessment

climate change

SSP scenarios

rural water resources

agricultural infrastructure

MAIN

Ⅰ. 서 론
Ⅱ. 재료 및 방법
1. 농어촌용수 및 농업생산기반시설 통합 취약성 평가지표 개발
2. 평가지표 검증 및 가중치 산정
3. 평가지표의 표준화 및 등급화
4. 기후변화 시나리오 및 시계열 데이터 구축
Ⅲ. 결과 및 고찰
1. 통합 취약성 평가지표 선정 및 가중치 산정 결과
2. 시·군별 기후변화 취약성 시공간 분포
Ⅳ. 요약 및 결론

Ⅰ. 서 론

기후변화는 전 세계 모든 지역에서 기상 이변과 극한 기후를 야기하며, 생태계와 사회 시스템 전반에 다양한 위험을 초래하고 있다 (IPCC, 2023; UNEP, 2023). 특히 기후적·비기후적 위험의 상호작용은 복합적이고 연쇄적인 위험을 발생시키며 그 영향을 심화시키고 있다 (Lesk et al., 2022; Ridder et al., 2022; IPCC, 2023; Simpson et al., 2023; Liu et al., 2025). 기후변화 영향의 범위와 규모는 점점 증가할 것으로 전망되며, 사회경제적 기반이 취약한 지역 및 부문일수록 피해가 심화될 것으로 예상됨에 따라 적극적인 대응이 요구된다 (IPCC, 2022; Fuldauer et al., 2022; Simpson et al., 2023).

전 지구적 기후위기에 선제적으로 대응하고자 IPCC (Intergovernmental Panel on Climate Change)는 1990년부터 지속적인 연구와 권고를 통해 각국의 적응 대책 수립을 지원해 왔다. 이러한 국제적 흐름에 발맞춰 우리 정부는 「기후위기 대응을 위한 탄소중립·녹색성장 기본법 (이하 탄소중립기본법)」을 제정·시행하여 국가 및 지자체, 공공기관의 적응대책 수립과 이행을 법적으로 의무화하였다. 특히 기후 변동성에 민감한 농업 부문의 경우, 지역적인 기후 경향을 파악하고, 해당 지역의 특수성을 반영한 선제적인 적응 방안을 마련하는 것이 무엇보다 중요하다 (Rimi et al., 2009; Panda and Sahu, 2018; Sarkar and Maity, 2023). 이에「농업·농촌 및 식품산업 기본법」 제47조의2를 근거로 농업·농촌 부문의 기후변화 영향과 취약성을 5년 주기로 조사·평가하여 공표하는 등 실효성 있는 정책 마련을 위한 제도적 기반을 강화하였다. 더불어 국가·유역 물관리 기본계획 등 수자원 관련 법정 계획 내에서도 이상기상에 대비한 농업용수 취약성 평가와 적응 방안 마련의 중요성을 지속해서 강조하고 있다 (Kim et al., 2021).

기후변화에 따른 영향과 위험을 정량화하기 위한 평가체계는 IPCC의 권고안에 따라 지속적으로 발전해왔다. 제3차 (TAR) 및 제4차 평가보고서 (AR4)에서는 취약성 (Vulnerability)을 기후노출 (Exposure), 민감도 (Sensitivity), 적응능력 (Adaptive Capacity)의 함수로 정의하며 표준화된 평가 틀을 제시하였다. 이에 다양한 지표를 활용하여 지역 및 시설 단위의 취약성을 정량화하는 연구 (Kim et al., 2018; Mun et al., 2020; Kim et al., 2020; Jun et al., 2020; Heo et al., 2022; Song et al., 2023; Talampas and Shrestha, 2025)가 주를 이루어 왔다. 최근 발간된 제5차 (AR5) 및 제6차 평가보고서 (AR6)에서는 위해성 (Hazard), 기후노출 (Exposure), 취약성 (Vulnerability)의 상호작용을 강조하는 리스크 (Risk) 개념이 새롭게 도입되었다. 이에 대응하여 리스크를 정량화하기 위한 시도가 활발히 진행되고 있다. Dehghani et al. (2024)는 시스템 다이내믹스와 베이지안 네트워크를 결합하여 확률적 리스크 평가방안을 제시하고 이란 Qazvin 평야의 농업용수 물 부족 리스크를 평가하였다. Zhou et al. (2023), Wang and Sun (2023), Meza et al. (2020)는 전 지구적 농업 시스템 및 가뭄 리스크를 위해성, 기후노출, 취약성의 함수로 정의하고 이를 정량화하였다. 국내에서는 위해성, 기후노출, 취약성의 함수를 활용하거나 (Yu et al., 2025), 저감 (Reduction) 요소를 추가로 고려하여 홍수 리스크 평가체계를 제시하는 등 (Yang and Yoo, 2025; Lee and Kang, 2018) 리스크 정량화를 위한 논의가 지속되고 있다.

그러나 리스크 정량화 연구들의 세부 평가지표를 살펴보면, 실질적인 구성면에서 기존 AR4 체계의 취약성 평가 방식과 큰 차이가 없는 실정이다. 특히 지표 기반 취약성 평가체계는 공간적 비교가 쉬운 이점이 있으나, AR5/AR6 리스크 체계는 표준화된 산정 방식이 미비하고 정밀도가 높은 데이터가 요구되므로, 자료수집이 제한적인 농촌 및 농업시설 단위 평가에서는 오히려 통계적 불확실성을 가중시킬 우려가 있다. 또한, 현재 기후변화 대응을 위한 국내 법적·제도적 기반인 탄소중립기본법 제38조와 농업식품기본법 제47조의2 등에서도 기후변화 취약성 평가를 법적 의무 사항으로 채택하고 있다. 따라서 데이터 가용성, 정책적 일관성, 제도적 수용성 등을 종합적으로 고려할 때, 기존의 취약성 평가를 유지하며 이를 고도화하는 것이 합리적이다. 다만, 2023년 공표된 1주기 평가 결과에 따르면, 점 (點) 단위의 농업생산기반시설과 면 (面) 단위의 농어촌용수구역에 대해 이수와 치수 부문 평가가 개별적으로 수행됨에 따라 정책적 실효성이 저하되는 한계가 확인되었다. 용수구역 단위의 평가에서는 취약성이 낮게 나타나더라도 해당 구역 내 특정 시설은 취약성이 높게 분석되는 등 공간 분석 단위에 따라 결과가 상충하는 경우가 발생하였으며, 이는 예산 배분이나 적응대책 수립 시 의사결정의 제약 요인으로 작용하였다. 이에 따라 실제 정책이 집행되는 시·군 단위를 중심으로 농어촌용수와 농업생산기반시설을 통합하여 진단할 수 있는 취약성 평가의 필요성이 강조되고 있다.

이에 본 연구에서는 기존 평가체계의 공간적 파편화를 극복하고 실무적 활용성을 극대화하기 위해, 농어촌용수 및 농업생산기반시설을 시·군 행정구역 단위로 통합하여 이수 및 치수 취약성을 진단할 수 있는 통합 취약성 평가 프레임워크를 정립하고자 하였다. 이를 위해 전문가 델파이 (Delphi) 분석 및 계층화 분석법 (AHP)을 활용하여 과학적으로 검증된 통합 평가지표 체계와 가중치를 구축하고자 한다. 더불어 정립된 프레임워크를 바탕으로 최신 SSP 시나리오 기반의 시계열 데이터를 활용하여 전국 167개 시·군을 대상으로 미래 이수 및 치수 취약성을 정량적으로 평가하고 시공간적 변동성을 분석하였다. 본 연구는 미래 기후변화 영향에 대응할 수 있는 실질적인 적응 대안 마련과 기후변화 리스크 대응을 위한 기초 자료를 제공할 것으로 기대된다.

Ⅱ. 재료 및 방법

본 연구에서는 기존 농어촌용수 및 농업생산기반시설 취약성 평가가 가진 공간적 분석 단위의 불일치와 지표 중복성, 지표 검증 부족 등을 해결하기 위해 시·군 단위의 통합 취약성 평가체계를 구축하였다. 전문가 델파이 분석을 통한 지표 검증과 AHP 방법을 활용한 가중치 산정, 최신 SSP 기후변화 시나리오 적용 등 전체 절차는 Fig. 1과 같다.

https://cdn.apub.kr/journalsite/sites/jksae/2026-068-05/N0740680505/images/jksae_2026_6805_059_F1.jpg

Fig. 1.

Framework of the study for integrated vulnerability assessment

1. 농어촌용수 및 농업생산기반시설 통합 취약성 평가지표 개발

기존의 농업용수 및 농업생산기반시설 분야 기후변화 취약성 평가는 농어촌용수 (이수, 치수)와 농업생산기반시설 (이수, 치수)에 대해 개별적으로 수행되었다. 이 과정에서 평가지표가 중복되어 사용되거나, 공간 분석 단위 불일치로 인해 통합적인 분석에 한계가 있었다. 특히 농어촌용수는 용수구역 단위 (면 단위)로 평가가 이루어지지만, 농업생산기반시설은 개별 시설물 중심 (점 단위)으로 평가되어 공간적 정합성이 맞지 않아 종합적인 의사결정을 저해하는 주요 원인으로 지목되었다.

본 연구에서는 이러한 한계를 극복하기 위해 분석 단위를 시·군 행정구역으로 단일화하고, 점 (點) 단위 시설 데이터를 행정구역 (面) 단위 통계로 변환하는 과정에서 시설별 규모와 특성을 반영할 수 있는 가중 산정 방식을 적용하였다. 단순 산술평균을 적용할 경우 시설 규모가 반영되지 않아 전체 평균에 왜곡이 발생할 수 있으므로, 규모를 반영할 수 있는 가중치를 부여하여 가중평균을 산출하였다. 이때, 지표별로 시설 규모를 반영하는 가중치는 설문 조사를 통해 선정하였다.

(1)

\frac{\sum_{i = 1}^{n} (I_{i} \times W_{i})}{\sum_{i = 1}^{n} I_{i}}

여기서, $n$ : 해당 행정구역 (시·군) 내에 존재하는 총 시설물의 수, $I_{i}$ : 개별 시설물의 세부 평가지표 지표값, $W_{i}$ : 해당 시설물의 규모 가중치를 의미한다.

기존 취약성 평가지표 (농어촌용수 32개, 농업생산기반시설 31개)는 피어슨 상관분석 (Pearson Correlation Analysis)을 수행하여 평가지표 간의 중복성으로 인해 발생할 수 있는 다중공선성 (Multicollinearity) 문제를 방지하고 지표의 독립성을 확보하였다. 이때, 평가지표 간의 상관계수가 0.8 이상이면 강한 상관성이 존재하여 중복성이 높은 것으로 판단하고 해당 지표를 통합하였다 (Hair et al., 2010; Mukaka, 2012). 또한, 기존 평가지표에서 누락되었던 현장 데이터나 시설 운영·관리 역량 지표를 신규지표로 도입하였다.

2. 평가지표 검증 및 가중치 산정

가. 델파이 (Delphi) 분석을 통한 지표 검증

본 연구에서는 평가지표의 타당성을 확보하기 위해 관련 분야 전문가를 대상으로 수정된 델파이 (Modified Delphi) 조사를 시행하였다. 델파이 조사는 전문가들의 의견을 반복적으로 수렴·보완하여 집단적 합의를 끌어내는 방법이며 (Lee, 2001), 본 연구에서는 초기 단계부터 구조화된 설문지를 활용하는 수정된 델파이 (Modified Delphi) 방법을 적용하였다. 이는 전문가들이 처음부터 구체적인 평가지표에 집중할 수 있도록 하여 조사의 편의성과 효율성을 높이는 장점이 있다 (Jung and Choi, 2018).

(2)

\frac{n_{e} - N / 2}{N / 2}

(3)

1 - \frac{Q 3 - Q 1}{Median}

여기서, $n_{e}$ : ‘필수적이다’라고 응답자 수, $N$ : 전체 응답자 수, $Q$ 3: 제3사분위수 (상위 75%), $Q$ 1: 제1사분위수 (하위 25%), $Median$ : 중앙값을 의미한다.

전문가 설문은 학계 전문가 (13명)과 한국농어촌공사 실무자를 대상으로 총 2차에 걸쳐 온라인으로 시행하였다. 구조화된 1차 조사는 2025년 6월 23일부터 7월 7일까지 15일간, 2차 조사는 2025년 7월 31일부터 8월 7일까지 8일간 시행하였으며, 1차 63명, 2차 57명이 응답하였다. 실무자 패널의 경우 기후변화 취약성 평가 업무, 농업생산기반시설의 운영·유지관리 업무를 수행하는 근속연수 5년 이상의 실무자를 대상으로 의견을 수렴하였다. 각 지표의 중요도는 5점 리커트 (Likert) 척도를 활용하였으며, 설문 결과를 바탕으로 내용타당도 (Content Validity Ratio, CVR) 0.25 이상, 합의도 (Consensus) 0.5 이상을 모두 충족하는 지표를 최종 평가지표로 선정하였다. CVR 임계치 (Threshold)는 Lawshe (1975)가 제시한 기준 (Table 1)에 따라 57명에 해당하는 임계치인 0.25를 적용하였다.

Table 1.

Minimum CVR thresholds by number of expert panelists (Lawshe, 1975)

No. of Panelists	Min Value	No. of Panelists	Min Value	No. of Panelists	Min Value
5	0.99	11	0.59	25	0.37
6	0.99	12	0.56	30	0.33
7	0.99	13	0.54	35	0.31
8	0.75	14	0.51	40	0.29
9	0.78	15	0.49
10	0.62	20	0.42

α=0.05 (One-tailed test)

나. 계층화 분석법 (AHP)을 활용한 가중치 산정

최종 선정된 평가지표 간의 상대적 중요도와 우선순위를 산출하기 위해 계층화 분석법 (Analytic Hierarchy Process, AHP)을 활용하였다. AHP는 인간의 사고 체계가 단계적·위계적 분석 과정을 거친다는 점에 착안하여 Saaty 교수가 제안한 의사결정 모델로, 복잡한 문제를 다단계로 구조화하여 최적의 대안을 도출하는 데 효과적이다 (Choi et al., 2019).

본 연구에서는 기후노출, 민감도, 적응능력 3개 영역 및 영역별 세부 지표를 대상으로 이쌍대비교 (Pairwise Comparison) 설문을 수행하였다. 설문 응답의 신뢰성을 확보하기 위해 일관성 지수 (Consistency Index, CI)와 일관성 비율(Consistency Ratio, CR)을 분석하였으며, 일반적으로 CR 값이 0.1 이하면 판단의 일관성에 문제가 없다고 알려져 있다 (NIAS, 2022).

(4)

C I = \frac{λ_{\max} - n}{n - 1}

(5)

C R = \frac{C I}{R I}

여기서, $n$ : 쌍대비교행렬의 차수, $λ_{\max}$ : 쌍대비교행렬의 최대 고유치, RI : 무작위지수 (Random Index)를 의미한다.

가중치 산정을 위한 설문 조사는 학계 전문가와 한국농어촌공사 실무자를 대상으로 2025년 7월 21일부터 8월 7일까지 (18일간) 이메일을 통해 실시하였다. 설문지는 Excel 형식의 구조화된 설문지를 활용하였으며, 설문 시 평가 척도는 7점 척도를 적용하였다. 두 항목의 중요도가 동등할 경우 1점, 한 항목이 다른 항목보다 매우 중요할 경우 최대 7점을 부여하였으며, 상대적으로 중요도가 낮은 경우에는 그 역수를 취하여 상대적 중요도를 정량화하였다. 전체 응답자 103명 중 CR 값 0.1 이하의 유효 응답 84명의 자료만을 활용하여 최종 가중치를 산정하였다.

3. 평가지표의 표준화 및 등급화

선정된 평가지표들은 서로 다른 측정 단위와 범위를 가지고 있어 지표 간 정량적 비교 및 종합을 위해 표준화 (Standardization)가 필수적이다. 표준화에는 Z-score, Min-Max Scaling 등 다양한 방법이 있으며 장단점을 고려하여 적절한 방법을 활용해야 한다 (OECD, 2008). 비대칭성이 강한 데이터를 선형적 변환인 Min-Max scaling을 적용하면, 극단치 (Outlier)에 의해 지표 값이 특정 구간에 과도하게 밀집되는 현상이 나타났으며, 대칭적 정규분포 형태로 변환하는 Z-score를 적용하면 실제 데이터가 가진 비대칭성과 분포 특성이 사라져 변별력이 저하되는 한계가 나타났다. 이에 각 지표 데이터 고유의 확률 밀도와 분포 특성을 그대로 반영할 수 있는 누적분포함수 (Cumulative Distribution Function, CDF) 기반의 표준화 방법을 적용하였다. 이는 데이터의 확률적 위치를 0과 1 사이로 변환함으로써 이상치의 영향을 최소화하고 (Hogg et al., 2018), 데이터의 비선형적 분포 특성을 통해 구간의 변별력을 높이는 장점이 있다. 기후변화 취약성 해석의 일관성을 위해 모든 지표는 수치가 클수록 취약성이 높은 것으로 정의하였다. 반면, 수치가 클수록 취약성이 낮아지는 부 (-)의 지표는 역수로 계산하여 모든 지표가 같은 방향성을 갖도록 표준화 점수를 산출하였다.

최종적인 취약성 지수의 등급화는 평균 (μ)과 표준편차 (σ)를 기준으로 하는 3시그마 (3σ) 규칙을 활용하였다. 이는 취약성 평가 공표 시 활용할 수 있는 표준화된 등급 분류 기준이 부재한 상황에서 객관적인 근거를 마련하기 위해 활용하였다. 본 연구에서는 지수 분포의 특성을 고려하여 취약성 수준을 3개 등급으로 구분하고, 상대적으로 취약할수록 1등급으로 정의하였다.

4. 기후변화 시나리오 및 시계열 데이터 구축

기후변화 시나리오는 미래에 기후변화로 인한 영향을 평가하고 피해를 최소화하는데 활용할 수 있는 필수적인 정보이다. IPCC AR6에서는 2100년 기준 복사강제력 강도와 사회경제적 변화를 통합적으로 고려한 SSP (Shared Socioeconomic Pathways) 시나리오를 온실가스 표준 경로로 채택하였다 (Masson-Delmotte et al., 2021; Kim et al., 2023). 본 연구에서는 국내 농업 분야 연구에 활용할 수 있도록 농촌진흥청에서 수집·가공한 SSP 시나리오 자료를 활용하였다. 이 자료는 18개 전 지구 기후모델 (Global Climate Model) 자료를 바탕으로 SQM (Statistical Quantile Mapping) 상세화 기법을 적용하여 생산되었으며, 기상청으로부터 기후변화 표준시나리오로 인증을 받았다. 1 km의 고해상도 자료로서, 관측소 지점 및 격자별 기상 정보를 모두 제공한다. 5개의 기상변수 (최저기온, 최고기온, 강수량, 풍속, 일사량)에 대하여 일단위 시계열 정보를 포함하고 있다 (RDA, 2022; Hur et al., 2024).

5가지 SSP 경로 중 중간 배출 경로인 SSP2-4.5와 최고 배출 경로인 SSP5-8.5를 분석 대상으로 선정하고, 시간적 범위는 2031~2070년으로 설정하였다. 시계열 데이터 구축 시, 적응능력 등 미래 예측값 산정이 불가능한 지표에 대해서는 현재 시점에서 확보 가능한 최신 관측 및 통계 자료를 시계열 데이터로 구축하여 분석을 수행하였다.

Ⅲ. 결과 및 고찰

1. 통합 취약성 평가지표 선정 및 가중치 산정 결과

본 연구에서 선정한 통합 취약성 평가지표의 자료수집 방법, 전문가 조사를 통한 타당성 검증 및 가중치 산정 결과는 Table 2와 같다. 가장 우선적으로는 지표 간 다중공선성을 최소화하고 독립성을 확보하기 위해 기존 취약성 평가지표 (농어촌용수 32개 지표, 농업생산기반시설 31개 지표)를 대상으로 상관분석을 수행하였다. 그 결과, 기온 및 강수량과 관련된 기후노출 (Climate Exposure) 지표에서 대부분 상관계수 0.8 이상으로 중복성이 높은 것으로 나타났다. 연평균 일평균기온과 생육기 평균기온, 연평균 강수량과 생육기 및 비관개기 강수량, 일최대강우량과 5일 최대강우량이 상관계수 0.8 이상으로 나타났으며, 최대연속 무강우일수나 일강수량 80 mm 이상일 수 등은 타 지표와 낮은 상관성을 보였다. 중복성이 높았던 지표에 대해서는 설문 조사를 통해 응답자가 많았던 생육기 평균기온과 연평균 강수량 (이수 부문), 생육기 강수량과 일최대강우량 (치수 부문)으로 통합하였다. 설문 조사에서 주요 지표의 임계치도 전문가 의견을 반영하여 재설정하였다. 한발빈도는 10년 이상, 시설 노후도는 준공 후 50년 초과를 기준으로 설정하였으며, 기존의 만수위 초과일수 지표 대신 홍수기 관리수위 초과일수 지표로 대체하였다. 신규지표로 이수 부문에 유역배율, 관개기 직전 저수율 등 4개 지표, 치수 부문은 사전방류시설 설치 비율, 여유고 미달 저수지 비율 등 4개 지표를 추가하였다. 최종적으로 도출된 43개 예비지표에 대해 전문가 조사를 수행한 결과, 모든 지표가 내용타당도 (CVR) 0.25 이상, 합의도 0.5 이상을 충족하여 통계적 적합성을 확보하였다. 마지막으로 점 (點) 단위 시설 데이터를 시·군 (面) 단위로 변환하는 과정에서 시설 규모에 따른 영향력의 차이를 반영하기 위해 가중평균 (Weighted Average) 방식을 도입하였다. 설문 조사 결과에 따라, 위험저수율 발생일수와 안전점검등급 비율 등 이수 부문의 4개 지표는 수혜면적 (Benefited area), 유역면적당 총저수량과 사전방류일수 등 치수 부문의 4개 지표는 유효저수량 (Effective storage capacity)을 가중평균을 위한 가중치로 적용하였다.

Table 2.

Summary of the integrated vulnerability assessment framework: data collection, delphi analysis, and weighting

Sector	Component	Indicator	Data collection			Delphi analysis		Weight analysis
Sector	Component	Indicator	Method^*	Source^**	Period	Content validity ratio	Consensus	Weight analysis
Water Supply	Climate Exposure (0.363)	∙ Mean temperature during growing season (May to September)	C	RDA	’31-’70	0.90	0.75	0.149
		∙ Annual mean precipitation	C	RDA	’31-’70	0.90	0.80	0.241
		∙ Number of effective rainfall days	C	RDA	’31-’70	0.76	0.75	0.240
		∙ Maximum consecutive dry days	C	RDA	’31-’70	0.76	0.75	0.240
		∙ Reference evapotranspiration (FAO P-M)	C	RDA	’31-’70	0.70	0.50	0.130
	Sensitivity (0.312)	∙ Paddy field area	S	Kostat	’11-’23	0.57	0.50	0.074
		∙ Upland field area	S	Kostat	’11-’23	0.35	0.67	0.063
		∙ Average area per farmland parcel	S	MOLIT	’11-’23	0.29	0.67	0.062
		∙ Annual mean effective rainfall	M	K-HAS	’31-’70	0.75	0.63	0.087
		∙ Annual mean groundwater level	S	KRC	’11-’23	0.40	0.67	0.059
		∙ Annual mean net irrigation water requirement (Paddy)	M	K-HAS	’31-’70	0.81	0.75	0.077
		∙ Annual mean net irrigation water requirement (Upland)	M	K-HAS	’31-’70	0.62	0.50	0.067
		∙ Drought damage area	S	MOIS	’18-’23	0.63	0.50	0.076
		∙ Average irrigation days	S	KRC	’11-’23	0.57	0.75	0.069
		∙ Days with managed water levels by drought stage (Warning and Severe)	C	KRC	’11-’23	0.70	0.50	0.086
		∙ Catchment-to-benefited area ratio	S	RIMS	’25	0.60	0.50	0.079
		∙ Annual mean reservoir storage rate	C	RIMS	’11-’23	0.57	0.75	0.091
		∙ Reservoir storage rate before irrigation season	C	KRC	’11-’23	0.78	0.75	0.110
	Adaptive Capacity (0.325)	∙ Irrigation efficiency (1-conveyance loss)	S	MAFRA	’23	0.70	0.63	0.153
		∙ Effective storage capacity per irrigation area	S	RIMS	’25	0.76	0.75	0.172
		∙ Percentage of irrigated paddy field	S	MAFRA	’11-’23	0.62	0.50	0.124
		∙ Ratio of facilities with safety ratings	S	RIMS	’24(Q4)	0.48	0.67	0.106
		∙ Number of management personnel	C	KRC	’23	0.43	0.67	0.128
		∙ Maintenance and management costs	C	KRC	’23	0.60	0.75	0.154
		∙ Ratio of irrigated area with 10-year drought reliability	S	MAFRA	’11-’23	0.71	0.50	0.163
Flood Control	Climate Exposure (0.423)	∙ Mean precipitation during growing season (May to September)	C	RDA	’31-’70	0.88	0.78	0.231
		∙ Daily maximum precipitation	C	RDA	’31-’70	0.91	0.75	0.295
		∙ Number of rainy days	C	RDA	’31-’70	0.65	0.50	0.174
		∙ Days with daily precipitation ≥ 80mm	C	RDA	’31-’70	0.84	0.75	0.300
	Sensitivity (0.266)	∙ Paddy field area	S	Kostat	’11-’23	0.38	0.67	0.103
		∙ Upland field area	S	Kostat	’11-’23	0.29	0.67	0.103
		∙ Flood damage area	S	MOIS	’11-’23	0.70	0.50	0.177
		∙ Number of days for pre-flood discharge	C	KRC	’11-’20	0.57	0.75	0.130
		∙ Ratio of facilities exceeding 50 years of age	S	RIMS	’23	0.76	0.75	0.142
		∙ Days exceeding flood control water level	C	KRC	’11-’23	0.75	0.63	0.173
		∙ Ratio of reservoirs with insufficient freeboard	S	RIMS	’25	0.60	0.50	0.172
		∙ Percentage of irrigated paddy field	S	MAFRA	’11-’23	0.35	0.67	0.115
		∙ Total storage capacity per catchment area	S	RIMS	’25	0.71	0.50	0.140
	Adaptive Capacity (0.311)	∙ Number of management personnel	C	KRC	’23	0.51	0.75	0.125
		∙ Maintenance and management costs	C	KRC	’23	0.59	0.50	0.136
		∙ Ratio of facilities with safety ratings	S	RIMS	’24(Q4)	0.71	0.50	0.164
		∙ Rate of flood control facility installation	S	RIMS	’25	0.62	0.50	0.176
		∙ Ratio of facilities with emergency action plan (EAP)	S	RIMS	’23	0.57	0.50	0.144

^*C: Calculation, S: Statistics, M: Modeling

^**RDA: Rural Development Administration, Kostat: Statistics Korea, KRC: Korea Rural Community Corporation, K-HAS: KRC Hyrualics & Hydrology Analysis System, MOLIT: Ministry of Land, Infrastructure and Transport, MOIS: Ministry of the Interior and Safety, MARFA: Ministry of Agriculture, Food and Rural Affairs, RIMS: Rural Infrastructure Management System

AHP 분석을 통해 도출된 부문별 가중치 산정 결과를 보면 이수 부문은 기후노출 (0.363), 적응능력 (0.325), 민감도 (0.312) 순으로 중요도가 나타났으며, 치수 부문은 기후노출 (0.423), 적응능력 (0.311), 민감도 (0.266) 순으로 가중치가 산정되었다 (Table 1). 두 부문 모두 상대적으로 기후노출의 비중이 높았으며 특히 치수 부문에서 그 경향이 더 뚜렷하게 나타났다.

이수 부문의 세부 지표를 살펴보면, 기후노출 항목에서는 연평균 강수량 (0.241), 유효강수일수 (0.240), 최대연속 무강우일수 (0.240) 가중치가 높은 것으로 나타났다. 이는 단순히 강수량뿐만 아니라 실제 저수지 유입이나 작물 생육에 실질적인 도움을 주는 유효강우, 용수 공급의 불확실성을 가중시키는 무강우 상태의 지속성을 중요한 요소로 인식하고 있음을 시사한다. 민감도 항목에서는 관개기 직전 저수율 (0.110)이 가장 높은 비중을 차지하여 본격적인 영농기에 앞서 선제적 수자원 확보 상태를 가장 중요하게 고려되었음을 보여준다. 적응능력 항목에서는 관개면적당 유효저수량 (0.172)과 10년 한발빈도 관개면적 비율 (0.163)이 주요 지표로 도출되었다.

치수 부문의 경우, 기후노출 항목에서 저수지 수위를 급격히 상승시킬 수 있는 일강수량 80 mm 이상일 수 (0.300)와 일최대강우량 (0.295) 가중치가 높게 나타났다. 민감도 항목에서는 과거의 피해 이력을 나타내는 홍수피해이력 (0.177)과 홍수기 관리수위 초과일수 (0.173), 여유고 미달 저수지 비율 (0.172)이 모두 높은 비중을 차지하였다. 이는 과거 피해 경험뿐만 아니라 실제 홍수기 저수지 운영관리의 난이도와 저수지의 물리적·구조적 안전성 등이 반영된 결과로 사료된다. 적응능력 항목은 홍수방어시설 설치 비율 (0.176)과 안전점검등급 비율 (0.164)이 상대적으로 높은 중요도를 보였다.

2. 시·군별 기후변화 취약성 시공간 분포

본 연구에서는 개별 기후모델이 가질 수 있는 고유의 불확실성과 모델 간 변동성 (Ensemble spread)을 최소화하고자, 18개 GCM별로 구축된 지표 데이터를 산술평균하여 다중모델 앙상블 (MME) 자료를 구축하였다. 이를 통해 개별 모델의 편향을 상쇄하고 신뢰도가 확보된 MME 자료를 바탕으로 이수 및 치수 부문의 미래 취약성을 평가하였다 (Fig. 2). 부문별 취약 지수의 임계점은 3시그마 규칙에 따라 이수 부문의 경우 1등급 (취약성 높음)은 0.543 초과, 2등급 (보통)은 0.459 초과~0.543 이하, 3등급 (취약성 낮음)은 0.459 이하로 분류되었다. 치수 부문은 1등급 0.547 초과, 2등급 0.448 초과~0.547 이하, 3등급은 0.448 이하를 임계점으로 적용하였다.

https://cdn.apub.kr/journalsite/sites/jksae/2026-068-05/N0740680505/images/jksae_2026_6805_059_F2.jpg

Fig. 2.

Spatio-temporal distribution of climate change vulnerability for agricultural infrastructure and water resources

이수 부문의 공간적 평가 결과, 전남 해안 지역과 서해안에 인접한 경기 남부 및 충남 서부지역, 경북 대부분 지역을 중심으로 1등급이 다수 분포하였다 (Table 3). 해당 지역들은 상대적으로 생육기 평균기온이 높고, 최대연속 무강우일수가 길었으며 기준증발산량도 높게 나타났다. 논과 밭의 용수 수요량 (순용수량)도 많게 나타났으나 10년 한발빈도 관개면적 비율은 타 지역 대비 적은 것으로 나타나 이수 취약성이 높게 나타난 것으로 판단된다. 특히 전남 신안군과 무안군이 가장 취약한 지역으로 분석되었는데 이는 Delphi 및 AHP를 통해 산정된 가중치에서도 나타났듯 상대적으로 최대연속 무강우일수가 길게 나타난 점이 주요 원인으로 작용한 것으로 사료된다.

Table 3.

Top and bottom 5 municipalities by vulnerability scenario

Sector	Scenario	Top 5 (High vulnerability)	Bottom 5 (Low vulnerability)
Water Supply	SSP2-4.5	Sinan-gun, Muan-gun, Andong-si, Gyeongju-si, Pohang-si	Jinan-gun, Pyeongchang-gun, Hamyang-gun, Gangneung-si, Hwacheon-gun
Water Supply	SSP5-8.5	Sinan-gun, Muan-gun, Pohang-si, Gyeongju-si, Gyeongsan-si	Jinan-gun, Pyeongchang-gun, Hamyang-gun, Hwacheon-gun, Gangneung-si
Flood Control	SSP2-4.5	Suncheon-si, Haenam-gun, Seogwipo-si, Jeju-si, Wando-gun	Seongju-gun, Ulsan Metropolitan City, Jeungpyeong-gun, Yeongdeok-gun, Ongjin-gun
Flood Control	SSP5-8.5	Suncheon-si, Jangheung-gun, Wando-gun, Sancheong-gun, Chuncheon-si	Ulsan Metropolitan City, Seongju-gun, Yeongdeok-gun, Uiseong-gun, Gunwi-gun

반면, 치수 부문의 지역별 취약성은 이수 부문과는 상당히 대조적인 공간적 분포를 보였다. 경기 동북부, 강원 서북부, 전남 지역 대부분을 포함한 남해안 지역을 중심으로 1등급이 집중되었다. 해당 지역들은 4개의 기후노출 항목 모두 타 지역에 비해 높았으며, 그중에서도 일최대강우량과 일강수량 80 mm 이상일수가 매우 높았다. 홍수 대비 사전방류일수와 홍수기 관리수위 초과일수가 타 지역에 비해 많아 저수지 운영관리의 난이도가 높았으며, 여유고 미달 저수지 비율도 높아 저수지의 물리적·구조적 방어 한계가 낮은 것으로 나타났다. 또한, 사전방류시설 설치 비율과 유역면적당 총저수량은 적었지만, 안전점검 C·D 등급 비율은 높아 치수 취약성이 상대적으로 높게 나타난 것으로 판단된다. 전남 순천시가 가장 취약한 지역으로 분석되었으며, 상대적으로 높은 가중치에 해당하는 일강수량 80 mm 이상일 수, 일최대강우량이 매우 크게 나타난 점에 기인한 것으로 판단된다.

이수와 치수 부문의 미래 취약성은 배출 시나리오의 강도가 높아짐에 따라 등급별 공간 및 지역별 분포 변화는 미미하였으나, 상대적으로 취약성 지수 자체는 다소 증가하는 경향이 나타났다 (Fig. 2). 이수 부문의 경우 SSP5-8.5 시나리오에서 생육기 평균기온과 기준증발산량의 증가, 치수 부문은 연평균 강수량이 증가함과 동시에 일최대강우량, 강수일수, 일강수량 80 mm 이상 일수가 모두 증가한 것이 취약성 지수의 증가 원인으로 판단된다.

Ⅳ. 요약 및 결론

본 연구는 개별적으로 관리되어 온 농어촌용수 및 농업생산기반시설의 취약성 진단 체계를 하나의 통합 지표로 정립하고, 이를 전국 시·군 단위에 적용하여 기후변화에 따른 이수 및 치수 부문의 취약성을 평가하였다. 취약성 지표 구축 과정에서는 상관분석 및 전문가 델파이 (Delphi) 분석을 통해 지표의 중복성을 최소화하고 내용 타당성을 검증하였다. 또한, 계층화 분석법 (AHP)을 활용하여 가중치를 산정함으로써 현장 수용성과 신뢰성을 확보하였다. 통합 취약성 평가지표는 총 43개 (이수 25개, 치수 18개)의 지표가 최종 선정되었으며, 가중치는 두 부문 모두 기후노출의 비중이 높게 나타난 가운데 치수 부문에서 이러한 경향이 더욱 두드러졌다.

최신 SSP 시나리오를 활용하여 미래 기간 (2031~2070) 이수 및 치수 부문 취약성의 시공간 분포 특성을 분석한 결과, 이수와 치수 취약성은 지리적으로 대조되는 양상을 보였다. 이수 부문은 전남 해안 및 경북 내륙 지역을 중심으로 취약성이 높게 나타났는데, 이는 높은 기온과 무강우일수로 인해 용수 수요는 증가하는 반면, 가뭄 시 용수 공급의 안정성을 나타내는 ‘10년 한발빈도 관개면적 비율’은 낮아 수급 불균형이 심화되기 때문으로 판단된다. 반면, 치수 부문은 경기 동북부, 강원 서북부, 전남 지역 대부분을 포함한 남해안 지역을 중심으로 1등급이 집중되었다. 경기·강원 접경지와 남해안 지역의 취약성이 높았으며, 극한 강우 노출과 사전방류시설 부족, 시설 노후도 등이 복합적으로 작용하여 취약성을 심화시킨 것으로 판단된다. 이처럼 취약성이 상대적으로 높게 나타난 시·군을 재해 우선관리지역으로 지정하여 선제적으로 대응할 필요가 있다. 이수 취약성이 매우 높은 지역은 농업용수 공급계획 최적화 및 공급망 연계 구축 전략을 최우선으로 마련해야 하며, 치수 취약성이 높은 지역은 치수능력 확대와 사전방류 및 안전점검 체계 고도화 등을 추진해야 한다. 더불어 이수와 치수 모두에서 높은 취약성을 보인 전남 남서부 지역은 가뭄과 홍수를 통합적으로 관리할 수 있는 복합 재해관리 대책 수립이 시급할 것으로 사료된다.

다만, 현재 시점의 통계 자료를 활용한 일부 지표들은 미래 사회·경제적 변화에 따른 시군별 변동성을 충분히 반영하지 못했다는 한계가 있다. 따라서 향후 인구 및 토지이용 변화 등을 추가로 반영하여 미래 적응능력 지표를 고도화할 필요가 있으며, 통계적 정규성 검증을 포함한 다양한 등급화 방안에 관해서도 후속 연구를 통해 보완되어야 할 것이다. 본 연구의 결과는 시군별 맞춤형 농업용수 공급 및 관리 정책을 수립하고, 농업 분야의 기후변화 리스크 대응 능력을 강화하기 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

References

Choi, Y. W., M. W. Jang, S. J. Bae, K. H. Jung, and S. W. Hwang, 2019. Prioritizing the importance of the factors related to the vulnerability of agricultural water resources and infra-structures to climate change. Journal of the Korean Society of Rural Planning 25(1): 75-87. doi:10.7851/ksrp.2019.25.1.075.

10.7851/ksrp.2019.25.1.075

Dehghani, S., A. M. Bavani, A. Roozbahani, and O. Sahin, 2024. Assessment of climate change-induced water scarcity risk by using a coupled system dynamics and Bayesian network modeling approaches. Water Resources Management 38(10): 1-22. doi:10.1007/s11269-024-03843-7.

10.1007/s11269-024-03843-7

Fuldauer, L. I., S. Thacker, R. A. Haggis, F. Fuso-Nerini, R. J. Nicholls, and J. W. Hall, 2022. Targeting climate adaptation to safeguard and advance the Sustainable Development Goals. Nature Communications 13, 3579. doi:10.1038/s41467-022-31202-w.

10.1038/s41467-022-31202-w35739101PMC9226036

Hair, J. F., W. C. Black, B. J. Babin, and R. E. Anderson, 2010. Multivariate Data Analysis, 7th ed. Upper Saddle River, NJ: Pearson Prentice Hall.

Heo, J., T. H. Bong, S. P. Kim, and S. M. Jun, 2022. Assessment of flood vulnerability for small reservoir according to climate change scenario - Reservoir in Gyeonggi-do -. Journal of the Korean Society of Agricultural Engineers 64(5): 53-65 (in Korean). doi:10.5389/KSAE.2022.64.5.053.

10.5389/KSAE.2022.64.5.053

Hogg, R. V., J. W. McKean, and A. T. Craig, 2018. Introduction to Mathematical Statistics, 8th ed. Upper Saddle River, NJ: Pearson Education.

Hur, J. N., J. P. Cho, S. R. Jo, K. M. Shim, Y. S. Kim, M. G. Kang, C. S. Oh, S. B. Seo, and E. S. Kim, 2024. SSP climate change scenarios with 1km resolution over Korean Peninsula for agricultural uses. Korean Journal of Agricultural and Forest Meteorology 26(1): 1-30. doi:10.5532/KJAFM.2024.26.1.1.

10.5532/KJAFM.2024.26.1.1

IPCC, 2022. Climate change 2022: Impacts, adaptation, and vulnerability. contribution of working group II to the sixth assessment report of the Intergovernmental Panel on Climate Change, 10-18. Cambridge, UK: Cambridge University Press.

IPCC, 2023. Climate change 2023: Synthesis report. Contribution of working groups I, II and III to the sixth assessment report of the Intergovernmental Panel on Climate Change, 17. Geneva, Switzerland. doi:10.59327/IPCC/AR6-9789291691647.

10.59327/IPCC/AR6-9789291691647

Jun, S. M., M. S. Kang, S. H. Hwang, J. H. Park, and J. H. Song, 2020. Flood vulnerability assessment for prioritizing and evaluating rehabilitation of ungauged reservoirs considering climate change. Water 12(7): 1901. doi:10.3390/w12071901.

10.3390/w12071901

Jung, I. K. and Y. S. Choi, 2018. Study on development of evaluation index for inclusive physical education curriculum using modified Delphi technique. Journal of Learner-Centered Curriculum and Instruction 18(12): 367-384 (in Korean). doi:10.22251/jlcci.2018.18.12.367.

10.22251/jlcci.2018.18.12.367

Kim, H. J., K. W. Cho, Y. J. Kim, H. S. Park, J. W. Lee, S. J. Kim, and Y. Chae, 2020. Spatial assessment of water-use vulnerability under future climate and socioeconomic scenarios within a river basin. Journal of Water Resources Planning and Management 146(7): 04020042. doi:10.1061/(ASCE)WR.1943-5452.0001235.

10.1061/(ASCE)WR.1943-5452.0001235

Kim, J. U., M. H. Kim, C. Y. Chung, Y. H. Byun, and T. J. Kim, 2023. High-resolution projection of future climate change over South Korea under global warming levels of 1.5°C, 2°C, and 3°C based on shared socioeconomic pathways scenarios. Journal of Climate Change Research 14(4): 501-520. doi:10.15531/KSCCR.2023.14.4.501.

10.15531/KSCCR.2023.14.4.501

Kim, S. J., S. J. Bae, J. Y. Choi, S. P. Kim, S. K. Eun, S. H. Yoo, T. I. Jang, N. Y. Goh, S. W. Hwang, S. J. Kim, T. S. Park, K. H. Jeong, and S. H. Song, 2018. Analysis on the impact of climate change on the survey of rural water district and agricultural production infrastructure. Journal of the Korean Society of Agricultural Engineers 60(5): 1-15 (in Korean). doi:10.5389/KSAE.2018.60.5.001.

10.5389/KSAE.2018.60.5.001

Kim, S. J., S. W. Hwang, S. J. Bae, S. H. Yoo, J. Y. Choi, and M. W. Jang, 2021. Assessing the potential impact of climate change on irrigation by reservoir. Journal of the Korean Society of Agricultural Engineers 63(6): 141-150 (in Korean). doi:10.5389/KSAE.2021.63.6.141.

10.5389/KSAE.2021.63.6.141

Lawshe, C. H., 1975. A quantitative approach to content validity. Personnel Psychology 28: 563-575. doi:10.1111/j.1744-6570.1975.tb01393.x.

10.1111/j.1744-6570.1975.tb01393.x

Lee, J. S., 2001. Research method 21: Delphi method. Seoul: Kyoyookbook.

Lee, S. H., and J. E. Kang, 2018. Urban flood vulnerability and risk assessments for applying to urban planning. Journal of Korea Planning Association 53(5): 185-206. doi:10.17208/jkpa.2018.10.53.5.185.

10.17208/jkpa.2018.10.53.5.185

Lesk, C., W. Anderson, A. Rigden, O. Coast, J. Jäegermeyr, K. F. Davis, and M. Konar, 2022. Compound heat and moisture extreme impacts on global crop yields under climate change. Nature Reviews Earth & Environment 3(12): 872-889. doi:10.1038/s43017-022-00368-8.

10.1038/s43017-022-00368-8

Liu, W., X. Zhang, Q. Feng, and B. A. Engel, 2025. City-scale integrated flood risk prediction under future climate change and urbanization based on the shared socioeconomic pathways (SSP) scenarios. Journal of Hydrology 655(3): 132971. doi:10.1016/j.jhydrol.2025.132971.

10.1016/j.jhydrol.2025.132971

Masson-Delmotte, V., P. Zhai, A. Pirani, S. L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, and M. Gomis, 2021. Climate change 2021: The physical science basis. Contribution of working group I to the sixth assessment report of the Intergovernmental Panel on Climate Change. SPM-17, Cambridge, UK: Cambridge University Press. doi:10.1017/9781009157896.

10.1017/9781009157896

Meza, I., S. Siebert, P. Döll, J. Kusche, C. Herbert, and E. E. Rezaei, 2020. Global-scale drought risk assessment for agricultural systems. Natural Hazards and Earth System Sciences 20: 695-712. doi:10.5194/nhess-20-695-2020.

10.5194/nhess-20-695-2020

Mukaka, M. M., 2012. A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal 24(3): 69-71.

Mun, Y. S., W. H. Nam, M. G. Jeon, H. J. Kim, K. Kang, T. H. Ha, and K. Y. Lee, 2020. Evaluation of regional drought vulnerability assessment based on agricultural water and reservoirs, Journal of the Korean Society of Agricultural Engineers 62(2): 97-109 (in Korean). doi:10.5389/KSAE.2020.62.2.97.

10.5389/KSAE.2020.62.2.97

National Institute of Animal Science (NIAS), 2022. AHP methodology for livestock researchers: Easy to follow for everyone, 22-23, 11-1390906-000449-01. Wanju, Jeollabuk-do.

Organisation for Economic Co-operation and Development (OECD), 2008. Handbook on constructing composite indicators: Methodology and user guide. Paris, France: OECD Publishing. doi:10.1787/9789264043466-en.

10.1787/9789264043466-en

Panda, A., and N. Sahu, 2018. Trend analysis of seasonal rainfall and temperature pattern in Kalahandi, Bolangir and Koraput districts of Odisha, India. Atmospheric Science Letters 20, e932. doi:10.1002/asl.932.

10.1002/asl.932

Ridder, N. N., A. M. Ukkola, A. J. Pitman, and S. E. Perkins-Kirkpatrick, 2022. Increased occurrence of high impact compound events under climate change. npj Climate and Atmospheric Science 5(3): 1-7. doi:10.1038/s41612-021-00224-4.

10.1038/s41612-021-00224-4

Rimi, R. H., S. H. Rahman, S. Karmakar, and S. G. Hussain, 2009. Trend analysis of climate change and investigation on its probable impacts on rice production at Satkhira, Bangladesh. Pakistan Journal of Meteorology 6(11): 37-50.

10.1088/1755-1307/6/47/472014

Rural Development Administration (RDA), 2022. Technical guide for generating high-resolution data from SSP climate change scenarios for agricultural applications, 22-25, 11-1390802-001579-01. Wanju, Jeollabuk-do.

Sarkar, S., and R. Maity, 2023. Unveiling climate change-induced temperature-based hotspots across India through multimodel future analysis from CMIP6. International Journal of Climatology 44(2): 627-646. doi:10.1002/joc.8348.

10.1002/joc.8348

Simpson, N. P., P. A. Williams, K. J. Mach, L. Berrang-Ford, R. Biesbroek, and M. Haasnoot, 2023. Adaptation to compound climate risks: A systematic global stocktake. iScience 26(2): 105926. doi:10.1016/j.isci.2023.105926.

10.1016/j.isci.2023.10592636866045PMC9971900

Song, S. H., J. H. Lee, D. J. Park, and M. W. Lee, 2023. A study on climate change vulnerability assessment for agricultural water and Korea Rural Community Corporation (KRC) climate adaptation measures. Journal of Climate Change Research 14(6): 1005-1011. doi:10.15531/KSCCR.2023.14.6.1005.

10.15531/KSCCR.2023.14.6.1005

Talampas, S. I. and S. Shrestha, 2025. Watershed vulnerability assessment in the context of climate change, land use change, and water use change in the Nan River Basin, northern Thailand. Journal of Water and Climate Change 16(4):1373-1403. doi:10.2166/wcc.2025.546.

10.2166/wcc.2025.546

UNEP, 2023. Adaptation gap report 2023: Underfinanced. Underprepared. Inadequate investment and planning on climate adaptation leaves world exposed, XI-XII, DEW/2583/NA. Nairobi, Kenya. doi:10.59117/20.500.11822/43796.

10.59117/20.500.11822/43796

Wang, T., and F. Sun, 2023. Integrated drought vulnerability and risk assessment for future scenarios: An indicator based analysis. Science of the Total Environment 900: 165591. doi:10.1016/j.scitotenv.2023.165591.

10.1016/j.scitotenv.2023.165591

Yang, J. H., and J. H. Yoo, 2025. Integrated flood risk assessment: Object-level analysis in Korea’s Nakdong River Basin. Journal of Korea Planning Association 60(1): 160-171. doi:10.17208/jkpa.2025.02.60.1.160.

10.17208/jkpa.2025.02.60.1.160

Yu, I. S., H. G. Kim, J. T. Park, and H. C. Jung, 2025. High-resolution flood risk assessment using Shared Socioeconomic Pathway (SSP) climate change scenarios. Journal of Climate Change Research 16(1): 25-42. doi:10.15531/KSCCR.2025.16.1.025.

10.15531/KSCCR.2025.16.1.025

Zhou, Z., L. Zhang, J. Chen, D. She, G. Wang, Q. Zhang, J. Xia, and Y. Zhang, 2023. Projecting global drought risk under various SSP-RCP scenarios. Earth’s Future 11: e2022EF003420. doi:10.1029/2022EF003420.

10.1029/2022EF003420

Journal of Korean Society of Agricultural Engineers ISSN:1738-3692(Print) 2093-7709(Online) 한국농공학회논문집

Preview

Developing an Integrated Vulnerability Index for Agricultural Infrastructure and Water Resources using SSP Scenarios

ABSTRACT

MAIN

Fig. 1.

Framework of the study for integrated vulnerability assessment

(1)

(2)

(3)

Table 1.

Minimum CVR thresholds by number of expert panelists (Lawshe, 1975)

(4)

(5)

Table 2.

Summary of the integrated vulnerability assessment framework: data collection, delphi analysis, and weighting

Fig. 2.

Spatio-temporal distribution of climate change vulnerability for agricultural infrastructure and water resources

Table 3.

Top and bottom 5 municipalities by vulnerability scenario

References