1. 서론

풍수해는 한국에서 가장 자주 발생하는 자연재난이며, 인명 피해와 재산 피해가 지속적으로 발생한다(김금지 등, 2021; 행정안전부, 2021). 또한 풍수해는 「자연재해대책법」 제2조에서 태풍, 홍수, 호우, 강풍, 풍랑, 해일, 조수, 대설, 그 밖에 이에 준하는 자연현상으로 인해 발생하는 재해를 의미한다. 풍수해에 대한 범위는 법령과 재해연보 등에서 명확하게 정의하여 사용하지는 않으나, 일반적으로 「자연재해대책법」에 명시된 풍수해의 정의를 바탕으로 태풍과 호우 등으로 구분하고 있다(국립재난안전연구원, 2022). 「자연재해위험개선지구 관리지침」에 따르면, 한국에서 자연재해위험개선지구는 “풍수해 등 자연현상으로 인하여 재해가 발생하였거나 발생할 우려가 있는 지역으로 노후된 위험방재시설을 포함한다.”고 규정하고 이러한 지역을 관리하도록 한다. 자연재해위험개선지구 타당성 평가는 재해위험도, 피해이력지수, 기본계획 수립현황, 정비율, 주민불편도, 지구지정 경과연수, 행위제한여부, 비용편익비, 정책성, 지속성, 준비도로 구성되며, 총 배점 120점 중 재해위험도가 30점으로 가장 큰 비중을 차지한다. 따라서 자연재해위험 개선을 위해서는 재해위험도 평가가 가장 중요한 항목이라 할 수 있다.

재해 위험도 평가 방법으로 국립재난안전연구원의 재난 위험도 평가, 한국환경연구원의 위험도 평가, 한국건설기술연구원의 홍수피해액 추정 모델(Korean-Flood Risk assessment Model, K-FRM) 적용하는 방법 등이 있다(국립재난안전연구원, 2015; 김길호･김경탁, 2021; 한국환경연구원, 2022). 기존 재난 위험도 평가 방법들은 주로 위해성, 노출성, 취약성을 세부 지표로 사용하고 있으나, 위험도 산정 시 각 지역의 저감 능력을 반영할 필요가 있다(김승우 등, 2018; 이정미 등, 2019). 또한, 행정안전부 「재해영향평가 등의 협의 실무지침」 제4장 ‘재해 유형별 위험요인 분석 및 저감 방향 제안’에서는 재난 위험도 평가 시 위험요인뿐만 아니라 저감 방향도 함께 고려해야 한다고 명시하고 있다.

한편, 자연재난 위험도 분석에 있어 부문별 지표 산정을 위한 세부 변수의 선택과 활용은 분석에 큰 영향을 미치므로, 신중한 접근이 필요하다(Zhao et al., 2018). 특히 부문별 지표 산정 과정에서 세부 변수들을 통합하기 위한 가중치 선정이 매우 중요하다. 재난 위험도 산정에서 지표별 세부 변수들의 가중치 선정 방법은 크게 두 가지로 구분된다. 기존 평가 방법은 전문가 의견을 기반으로 한 주관적 평가 방식이 주로 사용되었으며, AHP (Analytic Hierarchy Process)와 같은 전문가 의사결정 방법은 경험을 정량화하여 지표별 가중치를 산정하지만, 주관적 요소가 크게 개입될 가능성이 높다(Mi et al., 2021). 이러한 문제로 인해 기존 평가 방식은 객관적 접근이 부족하다는 비판을 받아왔다(이상혁 등, 2015). 두 번째 방법으로는 데이터의 분산 정도에 기반한 엔트로피를 적용하는 방법이 있다. 엔트로피 가중치 방법은 다양한 요소 간 중요도를 상대적으로 판단하여 수치화함으로써 위험도 분석에 있어 보다 객관적인 접근이 가능하다(Li et al., 2022). 이러한 특성 덕분에 재난 위험도 평가에서 엔트로피 가중치를 활용한 연구가 활발히 이루어지고 있으며, 풍수해 분야에서도 지속적으로 적용되고 있다. Malekinezhad et al.(2021)는 엔트로피 가중치를 활용하여 도시 홍수 위험 지도를 제작하였으며, 경사, 고도 등 6가지 요소의 상대적 중요도를 계산하여 종합적인 위험 평가를 수행하였다. Wang et al.(2024)은 홍수 위험을 평가하기 위해 위험, 노출, 취약성, 대응 능력의 4가지 지표에 대해 11개 변수를 선정한 후, 엔트로피 가중치를 적용하여 기존 AHP 및 TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) 방법과 비교 분석을 수행하였다. 연구 결과, 엔트로피 가중치를 활용한 방식이 기존 방법 보다 객관적인 가중치 선정이 가능함을 입증하였다. 이와 같이 엔트로피 가중치 방법을 적용하여 재난 위험도를 산정하는 것이 AHP 방법 보다 객관적인 접근 방식이 될 수 있다.

따라서, 본 연구에서는 풍수해 위험도를 산정하기 위해 평가 부문별 지표와 세부 변수를 선정하고, 지표별 변수들의 객관적 가중치를 도출할 수 있는 위험도 산정 방법을 제시하고자 했다. 위험도 평가는 국립재난안전연구원의 ‘재난관리자원 비축관리 예측기술 및 운영모델 개발’에서 사용한 위해성, 노출성, 취약성, 저감성 개념을 바탕으로 진행했다. 국립재난안전연구원의 위험도 평가에서는 위해성을 풍수해 발생 건수로, 노출성을 풍수해로 인한 인명 및 재산 피해로 정의했으며, 취약성과 저감성은 각각 13가지, 12가지 요소를 선정해 적용했다. 그러나 해당 방법은 위해성과 노출성을 사분위수로 등급화하고, 취약성과 저감성의 경우 모든 요소에 동일한 가중치를 부여하는 방식을 사용했다. 이로 인해 변수 간 차이가 반영되지 않아 실제 위험 수준을 세밀하게 구분하는 데 한계가 발생할 수 있다. 본 연구에서는 위해성, 노출성, 취약성, 저감성의 네 가지 부문으로 위험도를 평가하고, 부문별 지표 산정 시 변수들의 가중치를 객관적으로 설정하기 위해 엔트로피 기법을 적용했다. 또한, 위험도 평가 결과는 K-means 분류를 활용해 데이터 특성을 반영한 그룹별 특성이 드러나도록 설정했다.

2. 데이터 수집

풍수해 위험도는 위해성, 노출성, 취약성, 저감성 부문로 구성되며, 각 부문별 지표에 맞는 데이터는 국내에서 제공되는 데이터 여부를 확인하였다. 기본적으로 통계청(https://www.kostat.go.kr/)에서 제공하는 데이터를 활용하였다. 위해성은 기상청(https://www.weather.go.kr/) 자료만으로 구성되며, 노출성은 통계지리정보서비스(https://sgis.kostat.go.kr/)를, 취약성은 환경공간정보서비스(https://egis.me.go.kr/)와 복지로 데이터(https://www.bokjiro.go.kr/)를 추가적으로 수집하였다.

1) 풍수해 위해성 지표

풍수해 위해성은 재난 유발에 직접적인 영향을 주는 요소로 구성 변수는 ‘일일 최대 강수량, 1시간 최대 강수량, 최대순간풍속’으로 정의하였다. 위해성은 선행연구를 비교, 분석하여 기상적 요소와 관련된 3가지 변수로 설정하였다. 여기서 일일 최대 강수량은 각 관측소에서 매일 측정한 강수량 중 가장 높은 값을 의미하며, 1시간 최대 강수량은 하루 동안 측정된 1시간 동안의 최대 강수량을 의미한다. 최대순간풍속은 태풍으로 인한 피해가 순간적인 돌풍에 의해 주로 발생하기 때문에 이 값을 사용하였다(나하나･정우식, 2019)(표 1).

2) 풍수해 노출성 지표

풍수해 노출성은 재난 발생시 위험지역에 위치하여 피해를 입을 수 있는 요소로 구성 변수는 ‘주거지역 면적, 인구 밀도, 농경지 면적, 자동차등록대수’이다. 노출성은 선행연구와 한국건설기술연구원에서 개발한 K-FRM을 바탕으로 4가지 변수로 설정하였다(김길호･김경탁, 2021). 주거지역 면적은 통계청 ‘용도지역 – 도시지역’을 활용하였다. 주거지역은 전용주거 1종, 전용주거 2종, 일반주거지역 1종, 일반주거지역 2종, 일반주거지역 3종, 준주거지역 합계로 구성된다. 인구 밀도는 통계지리정보서비스 ‘행정 구역별 통계(인구) - 인구 총괄(인구밀도)’ 자료를 사용하였다. 농경지 면적은 통계청 ‘행정구역별･지목별 국토이용현황 시군구’를 활용하였으며, 「농지법」 제2조에서 정의한 농지 기준에 따라 전, 답, 과수원 항목을 합하여 농경지 면적으로 계산하였다. 자동차등록대수는 통계청 ‘1인당 자동차 등록대수(시도/시/군/구)’를 사용하였다(표 2).

3) 풍수해 취약성 지표

풍수해 취약성은 재난의 발생 시 피해를 쉽게 받을 수 있는 요소로 구성 변수는 ‘도로 면적, 상업지역 면적, 공업지역 면적, 불투수면적 비율, (반) 지하가구수, 안전취약계층’이다. 취약성은 선행연구를 비교, 분석하여 재난 발생에 영향을 줄 수 있는 6가지 변수로 설정하였다. 도로 면적은 농경지 면적과 같이 통계청의 ‘행정구역별･지목별 국토이용현황 시군구’자료를 사용하였다. 상업지역 면적과 공업지역 면적은 주거지역 면적과 같이 통계청 ‘용도지역 – 도시지역’을 활용하였다. 불투수면적 비율은 환경공간정보서비스에서 제공하는 데이터를 사용하였다. (반)지하 가구수는 인구총조사의 20% 표본 조사를 집계하여 산출하며, 5년마다 한 번씩 조사를 시행하기에 최신 데이터인 2020년 자료를 사용하였다. 안전취약계층은 재난취약인구수, 장애인수, 기초수급자수를 합산하였으며, 재난취약인구수는 시군구별 15세 이하 인구 및 65세 이상 인구를 합산하였다. 장애인수는 통계청 ‘시군구별, 장애 정도별, 성별 등록장애인수’데이터를 활용하였으며, 기초수급자수는 복지로 ‘기초생활보장 수급자 구분별 수급 가구수 및 수급자수’ 데이터를 활용하였다(표 3).

4) 풍수해 저감성 지표

풍수해 저감성은 재난으로 인한 위험을 줄이기 위한 제도적 요인 및 대응 가능성 요소로 구성 변수는 ‘의료인력수, 공무원수, 재정자립도, 방재시설 면적’이다. 저감성은 선행연구를 비교･분석하여 재난으로 인한 위험 방재와 관련된 4가지 변수로 설정하였다. 의료인력수는 통계청 ‘시군구별 의료인력 현황 데이터’를 통합하여 사용하였으며, 공무원수는 통계청 ‘시군구별 지방자치단체 공무원 자료’를 활용하였다. 재정자립도는 통계청 ‘재정자립도(시도/시/군/구)’를 사용하였고, 방재시설 면적은 통계청에서 제공하는 방수설비, 사방설비, 유수지, 저수지, 하천 데이터를 통합하여 산출하였다(표 4).

3. 연구 방법

그림 1은 본 연구의 분석 모식도로, 풍수해 위험도 산정은 국립재난안전연구원의 위험성 평가 방법을 기반으로 하였다(식 1). 또한, 관련 선행 연구를 참고하여 위험도 산정에 필요한 요소를 도출하였다. 위험도는 위해성, 노출성, 취약성, 저감성 지표를 활용하여 산정하였으며(국립재난안전연구원, 2019), 개별 지표의 가중치는 엔트로피 가중치 방법을 적용하여 보다 객관적인 값을 반영하였다. 최종적으로 산정된 위험도는 K-means 군집분석을 통해 등급을 분류하고, 지도로 시각화하였다.

그림 1.

분석과정 모식도

본 연구에서 사용한 풍수해 위험도 산정 방식은 국립재난안전연구원의 위험성 평가 방법을 기반으로 하고 있으며, 이를 보완하기 위해 보다 객관적인 가중치 산정 방법을 적용하였다. 국립재난안전연구원의 기존 평가 방식에서는 위해성과 노출성의 경우 재해연보에 기록된 발생 건수, 인명 및 재산 피해를 사분위수 기준으로 평가하였으며, 취약성과 저감성은 각각 12개, 13개의 변수를 선정한 후 동일한 가중치를 적용하는 방식을 사용하였다. 반면, 본 연구에서는 엔트로피 가중치를 활용하여 변수별 중요도를 반영하고, K-means 군집분석을 적용하여 데이터 기반의 위험도 분류를 수행하였다. 따라서 기존 방법과 비교했을 때, 연구자의 주관성을 최소화하고 보다 정량적인 평가가 가능하다는 장점이 있다.

1) 엔트로피 가중치

엔트로피는 일반적으로 무질서와 불확실성을 측정하는 척도로 사용되지만, 정보 엔트로피는 신호의 정보량을 나타낸다(주홍준 등, 2018). 정보 분야에서 엔트로피의 정의는 정보를 효과적으로 활용하고 최적화하는 데 중점을 둔다(Berry et al., 1999; 전민우 등, 2003). 이때 엔트로피가 클수록 정보의 불확실성이 감소하고, 정보량이 명확해지며 정보의 복잡성이 줄어든다(Shannon, 1949). 즉, 엔트로피는 특정 체계에서 신호에 포함된 정보를 정량화하는 방법으로 이해할 수 있다.

엔트로피 가중치 방법은 가중치 산정 과정에서 수학적 계산을 활용하여 객관성을 확보한다. 데이터의 분산이 작을수록 오차가 작을 확률이 높아 다른 데이터에 비해 더 많은 가중치를 부여할 수 있을 것이다. 이처럼 엔트로피 방법은 데이터의 속성 정보만을 기반으로 가중치를 산정하기 때문에 재난 위험 평가에서 더 객관적이고 정량적인 분석이 가능하다. 이를 통해 위험도 분석 시 본질적인 특성과 영향을 균형 있게 반영할 수 있으며, 신뢰할 수 있는 결과를 도출할 수 있다(문영식 등, 2023).

엔트로피 가중치는 자료를 행렬 형태로 변경하고 데이터 정규화 작업을 실시하여 각 변수의 차이를 줄이는 방식을 취하여 변수별 속성값의 다양성을 산정한다. 이후 변수별 가중치를 산정하고 최종적으로는 엔트로피 값을 산정하여 엔트로피 가중치가 계산된다. 엔트로피 가중치 정규화 과정에 있어 데이터의 최댓값과 최솟값을 활용한 min-max 방법으로 변수들의 스케일을 조정한다(김지은 등, 2019; Lin et al., 2021). Min-Max 방법은 식 2와 같이, 각 변수의 값을 데이터 범위 내에서 정규화하여 변수 간의 상대적인 차이를 효과적으로 비교할 수 있는 방법이다. 이를 통해 데이터 범위 내에서 변수별로 어떤 차이가 나타나는지 확인할 수 있다.

데이터 정규화 이후 속성 m에 대한 엔트로피 계산은 식 3과 같으며, 세부 변수별 엔트로피 값을 산정한다. 여기서 k=1/ln(m)는 속성 개수 m에 따른 엔트로피 값을 조정하는 계수로, 엔트로피 가중치 계산 과정에서 사용된다. 엔트로피는 로그 함수에 의해 값의 스케일이 달라질 수 있기 때문에, 이를 고려하여 k를 적용하면 속성 개수에 따른 영향을 조정할 수 있다. 이를 통해 변수별 엔트로피 값을 비교할 때 보다 일관된 기준을 유지할 수 있다(이선미 등, 2020).

속성 m의 엔트로피 가중치를 계산하려면 먼저 다양성을 산정한다. 다양성을 산정한 이후 지표별 가중치를 산정하는 과정을 거쳐 엔트로피 가중치를 계산한다. 식 4에서 다양성은 dj로 사용하며, ㅈj는 변수별 가중치를 의미한다.

2) K-means 분류

K-means 방법은 주변의 가장 가까운 데이터를 선택해 군집의 중심점을 기준으로 군집화하는 알고리즘이다(탁지훈 등, 2023). 초기 중심점은 임의로 선택되며, 이후 데이터들의 평균값으로 이동하면서 이웃 데이터를 다시 선택하는 과정을 반복한다. 중심점이 더 이상 이동하지 않으면 반복 작업을 멈추고 군집화를 완료한다. 이를 위해 적절한 군집 개수 k를 사전에 결정하는 것이 중요하다(Stergiopoulos et al., 2024). 군집 개수를 설정하기 위해 엘보우(Elbow) 방법을 사용하며, 비용 함숫값을 그래프로 시각화한다. 이 그래프에서 k가 특정 임계점을 넘으면 비용 함수의 변화가 급격히 감소하는 지점이 나타나며, 이를 적절한 군집 개수로 선택한다. K-means 분류 방법은 파이썬을 활용해 군집 개수를 2에서 9 사이로 설정하여 테스트하였으며, 그래프에서 엘보우 지점을 확인해 최적의 군집 개수를 결정하였다.

4. 풍수해 위험 분석 결과

풍수해 위험도를 산정하기 위해 지표별 엔트로피 가중치를 산정한 결과는 표 5와 같다. 위해성 지표의 세 가지 변수에 대한 엔트로피 가중치는 유사한 수치를 보였으나, 최대순간풍속이 높은 가중치를 나타냈다. 노출성 지표의 변수들에 대한 엔트로피 가중치에서는 인구 밀도가 높은 가중치를 가졌으며, 이는 풍수해로 인한 피해 규모를 산정하는 데 중요한 영향을 미친다. 인구가 많은 지역일수록 풍수해로 인한 재산 및 인적 피해 가능성이 높아, 위험 평가 시 우선적으로 고려해야 할 요소이다. 취약성 지표의 변수들에 대한 엔트로피 가중치에서는 도로 면적이 가장 높은 가중치를 보였다. 이는 도로의 존재와 상태가 풍수해 발생 시 지역 피해 규모와 회복력에 큰 영향을 미친다는 점을 반영한다. 특히 도로가 침수되거나 파손될 경우 교통망 차단과 경제적 손실로 이어질 가능성이 크다. 저감성 지표의 변수들에 대한 엔트로피 가중치에서는 재정자립도가 높은 가중치를 기록했다. 이는 지역 간 재정적 역량 차이가 저감 능력에 중요한 영향을 미친다는 점을 보여준다. 재정자립도가 높은 지역은 방재시설 확충과 대응 능력 강화 등 풍수해 저감 능력을 충분히 갖출 가능성이 높다.

엔트로피 가중치를 기반으로 지역별 풍수해 위험도를 산정하기 위해 위해성, 노출성, 취약성, 저감성 지표를 표출한 결과는 그림 2부터 그림 5와 같다. 모든 등급은 1에서 5 사이로 구분되었으며, 이는 행정안전부(국립재난안전연구원, 2019)에서 사용한 단계구분도를 참고하여 0.2 단위로 동일한 등급을 적용한 것이다. 특히 저감성의 경우, 풍수해 위험도 산정에서 1등급에 가까울수록 대응 능력이 부족하다는 점을 고려하여, 등급별 색상 분류를 반대로 설정하였다.

그림 2.

위해성 계산 결과

그림 3.

노출성 계산 결과

그림 4.

취약성 계산 결과

그림 5.

저감성 계산 결과

본 연구에서 K-means 방법은 산정한 풍수해 위험도를 데이터 분포 특성을 고려하여 등급별로 분류하기 위하여 사용하였다. 엘보우 방법을 통해 군집 개수를 확인한 결과, 모든 항목에서 최적의 군집 개수 k = 4로 나타났다(그림 6). 추가적으로 최적 군집 개수는 아니더라도 기존의 5등급 분류와 비교하기 위해 k가 5일 때 위험도 분류 결과도 같이 분석하였다. K-means 분류는 엔트로피 가중치 기반의 풍수해 위험도 산정 결과에 적용되어 각 군집의 특성에 따라 지역별 위험도를 보다 객관적으로 분석할 수 있었다.

그림 6.

풍수해 위험도 K-means 엘보우 결과

그림 7은 엔트로피 가중치 기반의 단계구분도 결과를 나타내며, 그림 8과 그림 9는 K-means 분류 방법을 적용하여 각각 4개의 등급과 5개의 등급으로 분류한 풍수해 위험도를 보여준다. 그림 7의 기존 단계구분도에서는 1등급 236개, 2등급 12개, 3등급 2개로 전체 시군구의 94.4%가 1등급에 해당하여 대부분의 지역이 풍수해 위험도가 낮은 것으로 평가되었다. 반면, 그림 8과 같이 최적 군집 개수 기반 K-means 분류 결과는 1등급 136개, 2등급 75개, 3등급 35개, 4등급 4개로, 기존 방식에서 1등급으로 집중되었던 위험도를 재분류하여 보다 세분화된 결과를 도출하였다.

그림 7.

등간격 위험도 분류

K-means 분류를 통해 기존 등간격 분류 방식(그림 7)에서 나타나지 않았던 지역별 위험도를 그림 8과 그림 9에서는 명확히 확인할 수 있었다. 예를 들어, 풍수해 위험도 4등급 지역은 도시 지역으로, 인구와 산업이 밀집된 공간적 특성을 가지고 있는데, 그림 7 보다 그림 8과 그림 9에서 보다 명확히 확인할 수 있었다. 또한 기존의 단계구분도 방식에서 과소평가 되었던 1등급 지역들이 K-means 분류를 통해 2등급과 3등급으로 재분류되었다. 결론적으로, K-means 분류 방법은 데이터의 분포 특성을 바탕으로 풍수해 위험도를 분류하여 등급별 지역의 풍수해 위험도를 상대적으로 적절하게 평가할 수 있게 도움을 준다.

그림 8.

k = 4 위험도 분류

그림 9.

k = 5 위험도 분류

5. 결론 및 시사점

풍수해는 한국에서 가장 많은 피해를 발생시키는 재난으로, 다양한 요소가 복합적으로 작용하는 복잡한 재난이다. 이러한 풍수해 위험도 분석을 위해 기존 연구에서는 재난을 경감할 수 있는 변수들에 대한 적용이 미흡하고 변수들을 합산하기 위한 가중치의 선정 방법의 객관성이 부족하였다. 이에 본 연구에서는 풍수해 위험도 산정을 위해 평가 부문별 지표와 세부 변수를 선정하고, 지표별 변수들에 대한 객관적 가중치를 도출할 수 있는 위험도 산정 방법을 제시하였다. 이를 위해 위험도 평가는 저감성을 포함하여 위해성, 노출성, 취약성의 네 가지 지표로 구성하였으며, 지표 산정에서 변수들의 가중치를 객관화하기 위해 엔트로피 기법을 적용하였다. 최종적으로 풍수해 위험도는 K-means 분류를 통해 데이터의 특성을 반영하도록 설정하였다.

풍수해 위험도 산정을 위해 위해성 지표에 3개의 변수, 노출성 지표에 4개, 취약성 지표에 6개, 저감성 지표에 4개의 변수를 선정하였고 엔트로피 방법으로 변수별 가중치를 선정하였다. 위해성 지표의 변수들은 기상 상태에 관한 변수들로 가중치가 유사하였다. 노출성 지표에서는 인구 밀도 변수가 높은 가중치를 보였다. 인구가 많은 지역일수록 풍수해로 인한 재산 및 인적 피해 가능성이 높을 것이다. 취약성 지표에서는 도로 면적이 가장 높은 가중치를 보였다. 도로가 침수되거나 파손될 경우 교통망 차단과 경제적 손실로 이어질 가능성이 클 것이다. 저감성 지표에서는 재정자립도가 높은 가중치를 보였다. 재정자립도가 높은 지역은 방재시설 확충과 대응 능력 강화 등을 통해 풍수해 저감 능력을 충분히 갖출 가능성이 높다. 이와 같이 엔트로피 방법을 적용하여 위험도 지표별 변수들의 가중치 선정을 보다 객관적으로 이해할 수 있음을 확인하였다. 또한, K-means 분류 방법을 활용해 데이터의 분포 특성을 기반으로 위험도를 세분화함으로써 각 지역의 실질적인 풍수해 위험 수준을 보다 명확히 확인할 수 있었다. 이는 기존의 등간격 분류 방식에서 간과되었던 고위험 지역을 식별하고, 지역별 차별화된 대응 전략 수립에 기여할 수 있는 중요한 결과를 제공한다.

엔트로피 방법과 K-means 방법은 데이터 특성을 반영하여 연구자의 주관성을 배제하고 신뢰성 높은 결과를 제공하므로, 재난 대비 정책 수립에 유용한 기초 자료로 활용될 수 있다. 그러나 연구에서 사용한 엔트로피 가중치와 K-means 분류 방법에는 몇 가지 보완이 요구된다. 첫째, K-means 군집분석은 균일한 위험 등급을 제공하는 장점이 있지만, 데이터 수집 연도에 따라 기준이 달라져 연도별 비교가 어렵다는 한계가 있다. 특정 시점의 데이터를 기준으로 위험도를 분류하면 비교가 제한되며, 결과 해석에도 어려움이 생길 수 있다. 이를 해결하기 위해 기준 연도를 설정하고 데이터 분포를 표준화하면, 시기별 위험도 변화를 보다 체계적으로 분석할 수 있다. 향후 연구에서는 연도별 변동성을 반영한 동적 위험도 평가 기법을 개발하는 방향으로 확장할 필요가 있다. 둘째, 기후 변화 지표를 반영하는 것도 중요한 과제다. 현재 연구는 과거 데이터를 바탕으로 분석이 이루어졌지만, 강수량의 극단적 증가나 해수면 상승과 같은 기후 변화 요인이 풍수해 위험에 미치는 영향을 고려할 필요가 있다. 따라서 장기적인 기후 변화 시나리오를 반영한 예측 모델을 구축하고, 기상 환경의 변화에 따른 위험도 변화를 분석하는 것이 중요하다. 이를 통해 보다 현실성 있는 재난 위험 평가를 수행하고, 정책 결정에 활용할 수 있는 과학적 근거를 마련할 수 있을 것이다.

본 연구에서 제안한 데이터 특성 기반의 위험도 분석 방법은 풍수해 재난뿐만 아니라 폭염, 산사태, 지진 등 다양한 재난 유형에도 적용할 수 있다. 급격한 기후변화와 도시화로 인해 복합적이고 새로운 형태의 재난이 발생할 가능성이 높아지는 상황에서, 본 연구에서 적용한 엔트로피 방법과 K-means 방법과 같이 데이터 특성에 기반한 위험도 산정 방법이 제시된다면, 객관적인 재난별 위험도 산정을 통해 재난관리 체계 수립에 있어 유연성과 대응력을 강화할 수 있을 것이다.