2002년 수도권의 대기질이 선진국에 비해 오염이 심화되며 이를 저감 하기 위해 “수도권대기환경개선을 위한 특별법”이 제정되었다. 특별법이 제정됨에 따라 미세먼지로 인한 국민 건강 피해를 줄이기 위한 사전 예방적 방법 중 하나로 미세먼지 예보제를 도입하였다. 2002년 6월부터 통계예보모델을 개발 하고, 서울을 중심으로 한 미세먼지 예보를 시작하였다. 그 이후 예보 정확도를 개선하기 위해 다양한 수치예보모델을 개발하고, 또한 통계 및 ...
2002년 수도권의 대기질이 선진국에 비해 오염이 심화되며 이를 저감 하기 위해 “수도권대기환경개선을 위한 특별법”이 제정되었다. 특별법이 제정됨에 따라 미세먼지로 인한 국민 건강 피해를 줄이기 위한 사전 예방적 방법 중 하나로 미세먼지 예보제를 도입하였다. 2002년 6월부터 통계예보모델을 개발 하고, 서울을 중심으로 한 미세먼지 예보를 시작하였다. 그 이후 예보 정확도를 개선하기 위해 다양한 수치예보모델을 개발하고, 또한 통계 및 수치 예보 결과를 활용 한 통합미세먼지예보까지 발전하였다. 본 연구는 현업의 미세먼지 예보 적중률을 향상시키기는 것을 목적으로 크게 세 부분 으로 나누어 연구를 진행하였다. 첫째, 현재 운영 중인 통합미세먼지예보시스템을 평가하여 현업에서 운영되고 있는 미세먼지 예보모델의 예보 적중률 현황을 분석하고, 개선점을 파악하였다. 둘째, 화학수송예보모델의 적중률 향상에 초점을 맞추어 화학수송예보모델의 초기장을 측정자료로 자료동화하는 방법을 검토하여 적중률을 향상하고자 하였다. 셋째, 기상예보에서 활용하고 있는 앙상블 예보방법을 화학수송예보모델에 적용하여 통합미세먼지예보시스템의 예보 적중률을 향상하 고자 하였다. 통합미세먼지예보시스템은 크게 통계예보모델, 화학수송예보모델, 통합예보모델, 예보자에 의한 현상학적 예보 해석으로 구성된다. 이 중 통계 예보모델은 의사결정법, 회귀모델, 신경망모델로, 통합예보모델은 통합회귀 예보모델과 통합의사예보모델로 구성되어있다. 통합예보모델시스템의 운영 결과를 2014년 11월 21일부터 2016년 09월 01일까지 분석하였다. 지역별로 차이는 있으나 기간의 모델별 최대 지수 적중률은 신경망모델 73.8 %, 회귀모델 75.4 %, 의사결정모델 76.0 %, 화학수송예보모델 79.4 %, 통합회귀예보모델 75.7 %, 통합의사결정모델 79.2 %, 통합현상학적 해석 83.5 %로 나타났다. 감지확률은 신경망모델 61.8 %, 회귀모델 38.2 %, 의사결정모델 22.0 %, 화학수송예보모델, 58.8 % 통합회귀예보모델 58.0 %, 통합의사결정모델 47.0 %, 통합 현상학적 해석 58.8 %로 나타났다. 지수적중률은 70 ~ 80 % 정도로 양호한 예측 평가가 이루어지고 있으나, 고농도가 발생하였을 경우 예측 정도를 판단 하기 위한 감지확률은 최종적인 통합현상학적 해석 방법으로도 낮게 나 타나 전반적으로 예보모델시스템의 개선이 필요한 것으로 판단된다. 수치예보 정확도 개선을 위해 화학수송예보모델 초기장에 측정자료를 활용하여 자료동화 하는 방법에 대해 연구하였다. 기존에 운영된 화학수 송예보모델은 이전 시간에 예보된 모델결과를 초기장으로 사용하기 때문 에 수치예보 오차가 있는 초기장이 다음 시간의 예보에 그대로 적용되는 문제가 있다. 따라서 본 연구에서는 중국 및 국내 대기질 자동측정망에 서 수집 가능한 자료를 활용하여 예보모델의 초기장을 개선하기 위한 자 료동화방법을 개발하였다. 자료동화방법은 Pun’s Interpolation방법을 적용하였다. 실시간으로 적용하기에 앞서 과거자료에 대해 자료동화를 수행하여 재 분석 하였다. 2015년을 대상으로 재분석한 결과 실측값과 모델값의 오차 가 자료동화 전에는 MBIAS가 ?18.2 ~ ?10.2 ㎍/㎥에서 자료동화 후에는 ?4.8 ~ ?1.1 ㎍/㎥로 개선되는 것을 확인하였다. 한편 예보를 위한 실시간의 자료동화는 화학수송예보모델 수행 시점까 지 측정된 자료를 이용하여 재산출 된 초기장으로 수치예보모델을 수행 한다. 2014년 11월 1일 부터 2015년 11월 30일 까지 측정자료를 활용한 자료동화 기법을 적용한 결과를 평가하였다. 지수적중률은 자료동화 전 에는 47.8 ~ 77.8 %에서 자료동화 후에 55.9 ~ 79.3 %로 개선되었고, 감지확률은 2.5 ~ 36.5 %에서 3.6 ~ 37.5 로 다소 개선되었다. 추가로 기상예보에서 많이 사용되는 ‘앙상블예보(ensemble forecast)’ 방법을 화학수송예보모델에 적용하였다. 앙상블예보는 하나의 모델만 이 용하여 예보결과를 확정하는 경우에는 예보결과에 편향적 오차로 인하여 예보 정확도가 떨어지는 문제를 해결하기 위한 방법이다. 앙상블 예보모델 개발은 한국대기질예보시스템(KAQFS, Korea Air Quality Forecasting System)에서 Test-Bed로 운영 중인 성격이 다른 5 가지 화학수송 수치예보 모델을 멤버로 하여 구성하였다. 2014년 11월 20일 ~ 2015년 10월 14일 기간 동안 앙상블 멤버로 사용된 5개 화학수 송예보모델의 적중률범위는 서울 68.3 ~ 74.4 %, 부산 62.3 ~ 71.8 %, 광주 60.4 ~ 69.2 %로 나타났고, 감지확률은 서울 30 ~ 65 %, 부산 0 ~ 17.6 %, 광주 5.6 ~ 27.8 %로 나타났다. 앙상블 기법은 3가지로 앙상블 멤버간의 산술평균, 가중평균, 기상 군집에 따른 가중평균을 테스트하였다. 가중치 산정 방법은 측정값과 모델 값의 오차의 제곱합이 최소가 되는 최소자승법(Least squares method) 을 적용하였다. 앙상블 예보모델은 산술평균을 적용한 ENS01, 가중평균 을 적용한 ENS02, 기상 군집에 따른 가중평균은 ENS03 ~ ENS05에 적용하여 5개의 앙상블 예보모델을 수행하여 평가하였다. 선행연구에서 예보적중률이 높았던 측정 습도에 대한 앙상블 모델을 ENS03으로 구성 하고, 본 연구에서는 ENS03의 측정 습도 대신 예보 습도로 군집을 나눈 ENS04 모델과 온도, 풍속, 습도에 대한 군집을 나눈 ENS05를 개발하였다. 5개의 앙상블 예보모델을 평가하였을 때 지수적중률 범위는 서울 70.6 ~ 75.1 %, 부산 65.6 ~ 84.1 %, 광주 71.8 ~ 76.0 %로 나타났고, 감지 확률범위는 서울 30 ~ 50 %, 부산 16.7 ~ 66.7 %, 광주 5.9 ~ 41.2 % 로 나타났다. 서울에서는 지수적중률이 앙상블 멤버들보다 다소 낮게 나타났으나 부산과 광주에서는 ENS04와 ENS05에서 다른 앙상블 예보모델들에 비해 개선효과가 나타나는 것을 확인하였다. 본 연구를 통해 화학수송예보모델의 예보 적중률을 앙상블 모델을 통 해 개선할 수 있음을 확인했다. 그러나 본 연구에서는 지역에 따라서 적 합한 앙상블 방법이 상이하다는 것을 확인하였으나, 보다 지역 특성을 반영한 앙상블기법에 대한 심도 있는 검토가 미흡하였다. 향후 기상청에 서 기상모델에 운영되는 칼만 필터링, 인공지능 기법 등 다양한 앙상블 기법을 검토하여 지역별로 최적화된 예보방법으로 발전시킬 여지가 있다고 판단된다.
2002년 수도권의 대기질이 선진국에 비해 오염이 심화되며 이를 저감 하기 위해 “수도권대기환경개선을 위한 특별법”이 제정되었다. 특별법이 제정됨에 따라 미세먼지로 인한 국민 건강 피해를 줄이기 위한 사전 예방적 방법 중 하나로 미세먼지 예보제를 도입하였다. 2002년 6월부터 통계예보모델을 개발 하고, 서울을 중심으로 한 미세먼지 예보를 시작하였다. 그 이후 예보 정확도를 개선하기 위해 다양한 수치예보모델을 개발하고, 또한 통계 및 수치 예보 결과를 활용 한 통합미세먼지예보까지 발전하였다. 본 연구는 현업의 미세먼지 예보 적중률을 향상시키기는 것을 목적으로 크게 세 부분 으로 나누어 연구를 진행하였다. 첫째, 현재 운영 중인 통합미세먼지예보시스템을 평가하여 현업에서 운영되고 있는 미세먼지 예보모델의 예보 적중률 현황을 분석하고, 개선점을 파악하였다. 둘째, 화학수송예보모델의 적중률 향상에 초점을 맞추어 화학수송예보모델의 초기장을 측정자료로 자료동화하는 방법을 검토하여 적중률을 향상하고자 하였다. 셋째, 기상예보에서 활용하고 있는 앙상블 예보방법을 화학수송예보모델에 적용하여 통합미세먼지예보시스템의 예보 적중률을 향상하 고자 하였다. 통합미세먼지예보시스템은 크게 통계예보모델, 화학수송예보모델, 통합예보모델, 예보자에 의한 현상학적 예보 해석으로 구성된다. 이 중 통계 예보모델은 의사결정법, 회귀모델, 신경망모델로, 통합예보모델은 통합회귀 예보모델과 통합의사예보모델로 구성되어있다. 통합예보모델시스템의 운영 결과를 2014년 11월 21일부터 2016년 09월 01일까지 분석하였다. 지역별로 차이는 있으나 기간의 모델별 최대 지수 적중률은 신경망모델 73.8 %, 회귀모델 75.4 %, 의사결정모델 76.0 %, 화학수송예보모델 79.4 %, 통합회귀예보모델 75.7 %, 통합의사결정모델 79.2 %, 통합현상학적 해석 83.5 %로 나타났다. 감지확률은 신경망모델 61.8 %, 회귀모델 38.2 %, 의사결정모델 22.0 %, 화학수송예보모델, 58.8 % 통합회귀예보모델 58.0 %, 통합의사결정모델 47.0 %, 통합 현상학적 해석 58.8 %로 나타났다. 지수적중률은 70 ~ 80 % 정도로 양호한 예측 평가가 이루어지고 있으나, 고농도가 발생하였을 경우 예측 정도를 판단 하기 위한 감지확률은 최종적인 통합현상학적 해석 방법으로도 낮게 나 타나 전반적으로 예보모델시스템의 개선이 필요한 것으로 판단된다. 수치예보 정확도 개선을 위해 화학수송예보모델 초기장에 측정자료를 활용하여 자료동화 하는 방법에 대해 연구하였다. 기존에 운영된 화학수 송예보모델은 이전 시간에 예보된 모델결과를 초기장으로 사용하기 때문 에 수치예보 오차가 있는 초기장이 다음 시간의 예보에 그대로 적용되는 문제가 있다. 따라서 본 연구에서는 중국 및 국내 대기질 자동측정망에 서 수집 가능한 자료를 활용하여 예보모델의 초기장을 개선하기 위한 자 료동화방법을 개발하였다. 자료동화방법은 Pun’s Interpolation방법을 적용하였다. 실시간으로 적용하기에 앞서 과거자료에 대해 자료동화를 수행하여 재 분석 하였다. 2015년을 대상으로 재분석한 결과 실측값과 모델값의 오차 가 자료동화 전에는 MBIAS가 ?18.2 ~ ?10.2 ㎍/㎥에서 자료동화 후에는 ?4.8 ~ ?1.1 ㎍/㎥로 개선되는 것을 확인하였다. 한편 예보를 위한 실시간의 자료동화는 화학수송예보모델 수행 시점까 지 측정된 자료를 이용하여 재산출 된 초기장으로 수치예보모델을 수행 한다. 2014년 11월 1일 부터 2015년 11월 30일 까지 측정자료를 활용한 자료동화 기법을 적용한 결과를 평가하였다. 지수적중률은 자료동화 전 에는 47.8 ~ 77.8 %에서 자료동화 후에 55.9 ~ 79.3 %로 개선되었고, 감지확률은 2.5 ~ 36.5 %에서 3.6 ~ 37.5 로 다소 개선되었다. 추가로 기상예보에서 많이 사용되는 ‘앙상블예보(ensemble forecast)’ 방법을 화학수송예보모델에 적용하였다. 앙상블예보는 하나의 모델만 이 용하여 예보결과를 확정하는 경우에는 예보결과에 편향적 오차로 인하여 예보 정확도가 떨어지는 문제를 해결하기 위한 방법이다. 앙상블 예보모델 개발은 한국대기질예보시스템(KAQFS, Korea Air Quality Forecasting System)에서 Test-Bed로 운영 중인 성격이 다른 5 가지 화학수송 수치예보 모델을 멤버로 하여 구성하였다. 2014년 11월 20일 ~ 2015년 10월 14일 기간 동안 앙상블 멤버로 사용된 5개 화학수 송예보모델의 적중률범위는 서울 68.3 ~ 74.4 %, 부산 62.3 ~ 71.8 %, 광주 60.4 ~ 69.2 %로 나타났고, 감지확률은 서울 30 ~ 65 %, 부산 0 ~ 17.6 %, 광주 5.6 ~ 27.8 %로 나타났다. 앙상블 기법은 3가지로 앙상블 멤버간의 산술평균, 가중평균, 기상 군집에 따른 가중평균을 테스트하였다. 가중치 산정 방법은 측정값과 모델 값의 오차의 제곱합이 최소가 되는 최소자승법(Least squares method) 을 적용하였다. 앙상블 예보모델은 산술평균을 적용한 ENS01, 가중평균 을 적용한 ENS02, 기상 군집에 따른 가중평균은 ENS03 ~ ENS05에 적용하여 5개의 앙상블 예보모델을 수행하여 평가하였다. 선행연구에서 예보적중률이 높았던 측정 습도에 대한 앙상블 모델을 ENS03으로 구성 하고, 본 연구에서는 ENS03의 측정 습도 대신 예보 습도로 군집을 나눈 ENS04 모델과 온도, 풍속, 습도에 대한 군집을 나눈 ENS05를 개발하였다. 5개의 앙상블 예보모델을 평가하였을 때 지수적중률 범위는 서울 70.6 ~ 75.1 %, 부산 65.6 ~ 84.1 %, 광주 71.8 ~ 76.0 %로 나타났고, 감지 확률범위는 서울 30 ~ 50 %, 부산 16.7 ~ 66.7 %, 광주 5.9 ~ 41.2 % 로 나타났다. 서울에서는 지수적중률이 앙상블 멤버들보다 다소 낮게 나타났으나 부산과 광주에서는 ENS04와 ENS05에서 다른 앙상블 예보모델들에 비해 개선효과가 나타나는 것을 확인하였다. 본 연구를 통해 화학수송예보모델의 예보 적중률을 앙상블 모델을 통 해 개선할 수 있음을 확인했다. 그러나 본 연구에서는 지역에 따라서 적 합한 앙상블 방법이 상이하다는 것을 확인하였으나, 보다 지역 특성을 반영한 앙상블기법에 대한 심도 있는 검토가 미흡하였다. 향후 기상청에 서 기상모델에 운영되는 칼만 필터링, 인공지능 기법 등 다양한 앙상블 기법을 검토하여 지역별로 최적화된 예보방법으로 발전시킬 여지가 있다고 판단된다.
In 2002, as the air quality of the Seoul Metropolitan Area (SMA) became more polluted than that of developed countries, the "Special Law for the Improvement of the Air Quality in the SMA" was established in order to improve the air quality especially focusing on PM10. As this special law was enacted...
In 2002, as the air quality of the Seoul Metropolitan Area (SMA) became more polluted than that of developed countries, the "Special Law for the Improvement of the Air Quality in the SMA" was established in order to improve the air quality especially focusing on PM10. As this special law was enacted, the PM10 forecast system was introduced to protect the public health from PM10 episode in advance. The statistical model was initially developed in June 2002 and then used to forecast Tomorrow’s daily PM10 concentration in local government typically in Seoul Metropolis. The numerical forecasting model based on the chemical transport model has been then developed to improve the performance of PM forecasting and recently the integrated forecasting model combining statistical and numerical models has been using in the national air quality forecasting. The forecasting models of statistical, numerical, and integrated methods have been developed in this study and evaluated by their performance in predicting tomorrow's daily PM10 forecast from December, 2014 to August, 2016, using currently operating test-bed system for national PM10 forecast. In order to improve the accuracy of the numerical PM10 forecasting system, the data assimilation method using the initial conditions of the chemical transport model as measurement data from the air quality monitoring stations in China and Korea. The ensemble forecast method, which predicts the PM10 concentrations by synthesizing the results of various chemical transport models, were also developed and evaluated. The statistical forecasting model consists of classification and regression tree, regression model, and neural networks models. The regression model, decision tree model and phenomenological forecasting analysis were again developed as the integrated PM10 forecasting models combining the forecast results from statistical and numerical models. The real time operating results of the tomorrow's PM10 forecasting by various forecasting models were analyzed from November 21, 2014 to September 01, 2016. Despite the differences by region, the maximum predicted hit rate was 73.8 % for the neural network model, 75.4 % for the regression model, 76.0 % for the decision making model, 79.4 % for the chemical transport forecast model, 75.7 % for the integrated regression model 75.7 %, 79.2 % for the integrated decision model and 83.5 %, for the integrated phenomenological analysis, respectively. The probability of detection was 61.8 % for the neural network model, 38. 2 % for the regression model, 22.0 % for the decision model, 58.8 % for the chemical transport forecast model, 58.0 % for the integrated regression forecasting model, 47.0 % for the integrated decision making model, and 58.8 % for the integrated phenomenological analysis respectively. Although a good predictive evaluation is performed with a hit rate of about 70 to 80 %, the detection probability of PM10 episode is less than 60 % as the final integrated phenomenological analysis method, and the improvement of the numerical forecasting model system seems to be more necessary. In order to improve the numerical forecasting model system, the data assimilation method was developed and tested. In the numerical forecasting, the previously predicted forecast results are used as the initial conditions in the subsequent forecasting. If the difference between the predicted value and the measured value in the initial stage is large, there is a problem that the initial condition with the error is performed and that this error is directly included in the prediction of the next time. Therefore, in this study, we developed a data assimilation method to improve the initial condition of forecasting model by using measurements from the air quality monitoring stations in China and Korea. Pun's interpolation method was applied to the data assimilation method in this study. In the case of data assimilation performed on the past data (re-analysis) before real-time PM10 forecasting application, the error between the measurement value and the model value for the evaluation period of 2015 is improved from -18.247 ~ -10.179 ㎍/㎥ before the data assimilation to -4.841 ~ -1.057 ㎍/㎥ after the data assimilation. Real-time data assimilation in the PM10 forecasting was performed by modifying the initial conditions of the chemical transport model. The results of applying the data assimilation technique in the PM10 forecasting from November 1, 2014 to November 30, 2015 were evaluated. As a result of the data evaluation, the hit rate improved from 47.8 ~ 77.8 % before data assimilation to 55.9 ~ 79.3 % after data assimilation and the detection probability improved from 2.5 ~ 36.5 % to 3.6 ~ 37.5 %. Since the improvement of the real-time chemical transport model using the data assimilation technique was not significant, the 'ensemble forecast' method, which is widely used in weather forecasting, was considered to be applied to the chemical transport model. The ensemble forecast is a method for improving the forecast accuracy by using various numerical model configurations, which is intended to overcome the intrinsic model bias error in the forecast when determining the forecast result using only one model. The ensemble model of the chemical transportation models was made up of five different models currently operated in the Korean Air Quality Forecasting System (KAQFS) which is using as national forecasting test-bed system. During the evaluation period from November 20, 2014 to October 14, 2015, the best hitting rate among the five chemical transport models was 68.3 ~ 74.4 % in Seoul, 62.3 ~ 71.8 % in Busan and 60.4 ~ 69.2 % in Gwangju, and the probability of detection was 30 ~ 65 % in Seoul, 0.0 ~ 17.6 % in Busan and 5.6 ~ 27.8 % in Gwangju. By using ensemble models in the PM10 forecasting, the hit rate was 70.6 ~ 75.1 % in Seoul, 65.6 ~ 84.1 % in Busan and 71.8 ~ 76.0 % in Gwangju, and the probability of detection was 30.0 ~ 50.0 % in Seoul, 16.7 ~ 66.7 % in Busan, and 5.9 ~ 41.2 % in Gwangju. It is demonstrated that by using ensemble model, the hit rates and the probability of detection could be significantly improved. Even if PM10 forecasting performance was improved using various forecasting methods described above, there are still necessary to enhance the accuracy to meet the public demand in PM10 forecasting. Further development of the numerical models by improving emission inventory and chemical transport model itself as well as ensemble modeling using artificial intelligence techniques reflecting regional characteristics are required in the future.
In 2002, as the air quality of the Seoul Metropolitan Area (SMA) became more polluted than that of developed countries, the "Special Law for the Improvement of the Air Quality in the SMA" was established in order to improve the air quality especially focusing on PM10. As this special law was enacted, the PM10 forecast system was introduced to protect the public health from PM10 episode in advance. The statistical model was initially developed in June 2002 and then used to forecast Tomorrow’s daily PM10 concentration in local government typically in Seoul Metropolis. The numerical forecasting model based on the chemical transport model has been then developed to improve the performance of PM forecasting and recently the integrated forecasting model combining statistical and numerical models has been using in the national air quality forecasting. The forecasting models of statistical, numerical, and integrated methods have been developed in this study and evaluated by their performance in predicting tomorrow's daily PM10 forecast from December, 2014 to August, 2016, using currently operating test-bed system for national PM10 forecast. In order to improve the accuracy of the numerical PM10 forecasting system, the data assimilation method using the initial conditions of the chemical transport model as measurement data from the air quality monitoring stations in China and Korea. The ensemble forecast method, which predicts the PM10 concentrations by synthesizing the results of various chemical transport models, were also developed and evaluated. The statistical forecasting model consists of classification and regression tree, regression model, and neural networks models. The regression model, decision tree model and phenomenological forecasting analysis were again developed as the integrated PM10 forecasting models combining the forecast results from statistical and numerical models. The real time operating results of the tomorrow's PM10 forecasting by various forecasting models were analyzed from November 21, 2014 to September 01, 2016. Despite the differences by region, the maximum predicted hit rate was 73.8 % for the neural network model, 75.4 % for the regression model, 76.0 % for the decision making model, 79.4 % for the chemical transport forecast model, 75.7 % for the integrated regression model 75.7 %, 79.2 % for the integrated decision model and 83.5 %, for the integrated phenomenological analysis, respectively. The probability of detection was 61.8 % for the neural network model, 38. 2 % for the regression model, 22.0 % for the decision model, 58.8 % for the chemical transport forecast model, 58.0 % for the integrated regression forecasting model, 47.0 % for the integrated decision making model, and 58.8 % for the integrated phenomenological analysis respectively. Although a good predictive evaluation is performed with a hit rate of about 70 to 80 %, the detection probability of PM10 episode is less than 60 % as the final integrated phenomenological analysis method, and the improvement of the numerical forecasting model system seems to be more necessary. In order to improve the numerical forecasting model system, the data assimilation method was developed and tested. In the numerical forecasting, the previously predicted forecast results are used as the initial conditions in the subsequent forecasting. If the difference between the predicted value and the measured value in the initial stage is large, there is a problem that the initial condition with the error is performed and that this error is directly included in the prediction of the next time. Therefore, in this study, we developed a data assimilation method to improve the initial condition of forecasting model by using measurements from the air quality monitoring stations in China and Korea. Pun's interpolation method was applied to the data assimilation method in this study. In the case of data assimilation performed on the past data (re-analysis) before real-time PM10 forecasting application, the error between the measurement value and the model value for the evaluation period of 2015 is improved from -18.247 ~ -10.179 ㎍/㎥ before the data assimilation to -4.841 ~ -1.057 ㎍/㎥ after the data assimilation. Real-time data assimilation in the PM10 forecasting was performed by modifying the initial conditions of the chemical transport model. The results of applying the data assimilation technique in the PM10 forecasting from November 1, 2014 to November 30, 2015 were evaluated. As a result of the data evaluation, the hit rate improved from 47.8 ~ 77.8 % before data assimilation to 55.9 ~ 79.3 % after data assimilation and the detection probability improved from 2.5 ~ 36.5 % to 3.6 ~ 37.5 %. Since the improvement of the real-time chemical transport model using the data assimilation technique was not significant, the 'ensemble forecast' method, which is widely used in weather forecasting, was considered to be applied to the chemical transport model. The ensemble forecast is a method for improving the forecast accuracy by using various numerical model configurations, which is intended to overcome the intrinsic model bias error in the forecast when determining the forecast result using only one model. The ensemble model of the chemical transportation models was made up of five different models currently operated in the Korean Air Quality Forecasting System (KAQFS) which is using as national forecasting test-bed system. During the evaluation period from November 20, 2014 to October 14, 2015, the best hitting rate among the five chemical transport models was 68.3 ~ 74.4 % in Seoul, 62.3 ~ 71.8 % in Busan and 60.4 ~ 69.2 % in Gwangju, and the probability of detection was 30 ~ 65 % in Seoul, 0.0 ~ 17.6 % in Busan and 5.6 ~ 27.8 % in Gwangju. By using ensemble models in the PM10 forecasting, the hit rate was 70.6 ~ 75.1 % in Seoul, 65.6 ~ 84.1 % in Busan and 71.8 ~ 76.0 % in Gwangju, and the probability of detection was 30.0 ~ 50.0 % in Seoul, 16.7 ~ 66.7 % in Busan, and 5.9 ~ 41.2 % in Gwangju. It is demonstrated that by using ensemble model, the hit rates and the probability of detection could be significantly improved. Even if PM10 forecasting performance was improved using various forecasting methods described above, there are still necessary to enhance the accuracy to meet the public demand in PM10 forecasting. Further development of the numerical models by improving emission inventory and chemical transport model itself as well as ensemble modeling using artificial intelligence techniques reflecting regional characteristics are required in the future.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.