In this study, in order to estimate high resolution precipitation with monthly time scales, Parameter-elevation Regressions on Independent Slopes Model (PRISM) was modified and configured for Korean precipitation based on elevation, distance, topographic facet, and coastal proximity. Applying this s...
In this study, in order to estimate high resolution precipitation with monthly time scales, Parameter-elevation Regressions on Independent Slopes Model (PRISM) was modified and configured for Korean precipitation based on elevation, distance, topographic facet, and coastal proximity. Applying this statistical downscaling model to Korean precipitation for 5 years from 2001 to 2005, we have compiled monthly grid data with a horizontal resolution of 5-km and evaluated the model using bias, root mean square error (RMSE), and correlation coefficient between the observed and the estimated. Results show that bias, RMSE, and correlation coefficient of the estimated value have a range from 0.2% to 1.0%, 19.6% (June) to 43.9% (January), and 0.73 to 0.84, respectively, indicating that the modified Korean PRISM (K-PRISM) is reasonably worked by weighting factors, i.e., topographic effect and rain shadow effect.
In this study, in order to estimate high resolution precipitation with monthly time scales, Parameter-elevation Regressions on Independent Slopes Model (PRISM) was modified and configured for Korean precipitation based on elevation, distance, topographic facet, and coastal proximity. Applying this statistical downscaling model to Korean precipitation for 5 years from 2001 to 2005, we have compiled monthly grid data with a horizontal resolution of 5-km and evaluated the model using bias, root mean square error (RMSE), and correlation coefficient between the observed and the estimated. Results show that bias, RMSE, and correlation coefficient of the estimated value have a range from 0.2% to 1.0%, 19.6% (June) to 43.9% (January), and 0.73 to 0.84, respectively, indicating that the modified Korean PRISM (K-PRISM) is reasonably worked by weighting factors, i.e., topographic effect and rain shadow effect.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
가중치의 결정, 회귀계수의 결정 등과 관련하여 좀 더 이해하기 쉽게 설명하기 위하여 지리산 주변 지역에 적용한 예를 설명하고자 한다.
편의상 이 연구에서도 앞으로 K-PRISM으로 명명하기로 한다. 비록 강수량을 추정한 것은 아니지만 K-PRISM에 대한 자세한 내용은 이미 홍기옥 (2007)에 소개되어있고, 기본적으로 같은 절차를 거쳐 강수량이 추정되기 때문에 이 연구에서는 중복성을 피하는 범위에서 설명하고자 한다.
이 연구에서는 미국 오리건 주립대학에서 개발한 PRISM을 기반으로 고도, 거리, 지향면, 해양도를 고려하여 한반도 고해상도 강수량 자료를 추정할 수 있는 K-PRISM 모델을 개발하였다. 개발한 K-PRISM을 2001년 1월부터 2006년 6월까지의 월 강수량 관측자료에 적용하여 5 km 격자 간격의 상세 강수량 자료를 생산하였으며, K-PRISM 모델이 추정한 강수량을 편이, RMSE, 상관계수를 이용하여 검증하였다.
제안 방법
같은 방식으로 2001년부터 2005년까지의 월별 기후평균적인 오차를 조사하였다 (Table 6). 추정값의 편이는 월별로 차이를 보이는데 6월과 7월에 가장 작은 편이 (약 0.
그림에서 점선으로 표시된 원은 격자점 A에서의 강수량을 추정하기 위하여 설정한 영향반경을 나타낸다. 따라서 원안에 포함되어 있는 9개 관측소의 지리정보 특성을 활용하여 격자점 A에서의 강수량을 추정하게 된다. Table 2는 2005년 7월의 강수량에 대해서 영향 반경 내의 각 관측소가 얼마의 가중치를 갖는지를 잘 보여준다.
이 방법은 한반도와 같이 산악이 많은 지역에서 고도에 따른 기상변수의 변화를 고려하기에 적합한 방법이지만 기온에 적용 (홍기옥, 2007)한 연구를 제외하고 다른 변수에 대해서 적용한 연구는 없다. 이 연구에서는 PRISM에 기초하여 고도 및 지형적인 영향을 많이 받는 강수량을 고해상도 격자형 (5 km*5 km)으로 추정할 수 있는 방법을 제시하였으며, 추정에 따른 오차를 월평균 기간규모에서 제시하였다.
자료를 활용하는데 있어서 자료의 품질을 검사하는 것은 매우 중요하다. 이 연구에서는 자료를 사용하기에 앞서 자료 품질검사를 하였으며 품질검사를 통과한 자료만을 활용하였다. 자료의 품질검사, DEM을 이용한 각 격자점 별 지향면의 산출, 해양도의 작성에 대해서는 홍기옥 (2007)을 참조하기 바란다.
이번에는 산악에 위치한 격자점 C의 강수량을 추정하기 위하여 가중치를 조사하였다 (Table 4). 격자점 C의 경우는 근처에 관측소가 여러 개 있지만 고도가 유사한 관측소는 관측소 315번 하나 뿐이다.
회귀계수 β1의 최대 기울기의 설정은 좀 더 복잡하다. 이에 대한 어떤 임계값이 한반도 강수량 추정에 있어서 결정되어 있는 것이 없기 때문에 이 연구에서는 제주도에서의 강수량 정보로부터 임계값을 결정하였다. 제주도는 관측소가 고도에 따라 비교적 고르게 분포하고 있기 때문에 최대값을 결정하기에 적합한 지역이다.
제 3절에 설명한 방법에 기초하여 K-PRISM에 의해 추정한 강수량의 추정오차를 조사하였다. 추정 강수량의 검증은 다음과 같은 편이 (bias) 와 평균제곱근오차 (RMSE)를 이용하였다.
제주도는 관측소가 고도에 따라 비교적 고르게 분포하고 있기 때문에 최대값을 결정하기에 적합한 지역이다. 제주도에서의 2001부터 2005년까지의 월 평균 강수량을 이용하여 최대 기울기를 각각 월별로 산출하였으며, 이 값을 월별 최대 임계 기울기로 설정하였다 (Table 1).
2는 지리산 주변지역의 지형, 격자점의 위치, 관측소의 위치를 나타낸 것이다. 지리정보 특성이 다른 네 격자점 (A-D)을 선택하여 가중치 특성을 조사하고 강수량을 추정하였다. 그림에서 점선으로 표시된 원은 격자점 A에서의 강수량을 추정하기 위하여 설정한 영향반경을 나타낸다.
대상 데이터
1). PRISM 을 적용하기 위하여 필요한 정보인 관측소의 위도와 경도, 추정하고자 하는 격자점의 위도와 경도 자료가 사용되었으며, 고해상도 (1 km*1 km)의 DEM (Digital Elevation Model) 고도, 지향면, 해양도 (Coastal proximity)와 같은 GIS (Geographic Information System) 자료를 이용하였다.
(2001)는 유럽의 알프스 지방의 넓은 지역의 강수를 처음으로 나타내었고, 스위스의 수문학 지도책을 생산했으며 웹에서 지도 서비스를 제공하고 있다. 열대 기후지역인 푸에르토리코에도 PRISM 을 적용하여 기온과 강수에 대한 상세 기후 자료를 생산하였다 (Daly et al., 2003). 최근에는 공간 기후자료의 적합성을 평가하기 위하여 PRISM 에 대한 지침이 나오기도 하였다(Daly, 2006).
이 연구에서는 2001년 1월에서 2005년 12월까지의 월 누적 강수량 자료를 사용하였으며, 관측지점은 76개 지상관측소와 약 450개 AWS 관측지점을 사용하였다(Fig. 1). PRISM 을 적용하기 위하여 필요한 정보인 관측소의 위도와 경도, 추정하고자 하는 격자점의 위도와 경도 자료가 사용되었으며, 고해상도 (1 km*1 km)의 DEM (Digital Elevation Model) 고도, 지향면, 해양도 (Coastal proximity)와 같은 GIS (Geographic Information System) 자료를 이용하였다.
데이터처리
이 연구에서는 미국 오리건 주립대학에서 개발한 PRISM을 기반으로 고도, 거리, 지향면, 해양도를 고려하여 한반도 고해상도 강수량 자료를 추정할 수 있는 K-PRISM 모델을 개발하였다. 개발한 K-PRISM을 2001년 1월부터 2006년 6월까지의 월 강수량 관측자료에 적용하여 5 km 격자 간격의 상세 강수량 자료를 생산하였으며, K-PRISM 모델이 추정한 강수량을 편이, RMSE, 상관계수를 이용하여 검증하였다. K-PRISM은 관측소 해상도의 강수량자료를 입력자료로 사용하여 고해상도 (여기서는 5 km 격자) 강수량 자료를 생산하는 통계적 규모축소법의 한 형태로써 기존의 통계적 규모축소법과 달리 관측소의 해상도보다 더 고 해상도의 자료를 만들어낼 수 있는 매우 유용한 방법이다.
제 3절에 설명한 방법에 기초하여 K-PRISM에 의해 추정한 강수량의 추정오차를 조사하였다. 추정 강수량의 검증은 다음과 같은 편이 (bias) 와 평균제곱근오차 (RMSE)를 이용하였다.
여기서 P와 O는 각각 추정값과 관측값을 나타내며, n은 표본의 총수이다. 추정값의 검증은 모든 관측소에 대해서 각각 차례로 하나씩 해당관측소가 없다고 가정한 후 K-PRISM을 이용하여 관측소가 위치한 격자점의 강수량을 추정한 후 관측값과 비교하는 방식으로 수행하였다. 일종의 교차검증 (cross validation) 방법에 해당한다.
이론/모형
이 연구에서 제시한 방법은 기본적으로 PRISM의 방법을 따르고 있지만 관련된 계수, 영향반경, 해양도 및 지향면과 같은 지리정보의 자료의 생산 등이 현 연구를 통해서 만들어졌고, 이를 한반도에 적용하여 한반도만의 특성을 본 연구이기 때문에 이 방법을 K-PRISM (홍기옥, 2007)으로 명명한 바 있다. 편의상 이 연구에서도 앞으로 K-PRISM으로 명명하기로 한다.
회귀계수는 가중 최소 제곱법 (method of weighted least squares)으로부터 구한 식 (2)를 이용하여 산출한다. 식에서 x는 산출하고자 하는 격자점의 DEM 고도값 이고, y는 관측소의 강수량 값이다.
성능/효과
K-PRISM은 관측소 해상도의 강수량자료를 입력자료로 사용하여 고해상도 (여기서는 5 km 격자) 강수량 자료를 생산하는 통계적 규모축소법의 한 형태로써 기존의 통계적 규모축소법과 달리 관측소의 해상도보다 더 고 해상도의 자료를 만들어낼 수 있는 매우 유용한 방법이다. K-PRISM이 생산하는 월강수량을 검증한 결과, 편이는 평균값 대비 0.2%에서 1.0% 범위를 보였으며, RMSE는 19.6% (6월)에서 43.9% (1월)의 범위에서 월별로 다르게 나타났다. 대체로 겨울보다는 여름에 월평균값 대비 오차가 적게 나타나는 특성을 보였다.
반면 지향면 가중치의 경우는 관측소 315번 보다는 거리나 고도 가중치가 크지 않은 관측지점에서 큰 값을 보인다. 최종 가중치는 고도, 거리, 지향면, 해양도 등에서 골고루 유사성을 보인 관측소 315번에서 가장 크게 나타났다. 따라서 격자점 C에서 추정한 강수량도 관측소 315번의 1149 mm와 유사한 약 1130 mm가 추정되었다.
후속연구
이 두 방법의 연계는 수치모델자료를 단순 내삽한 상세격자 자료에 비하여 모델의 계통오차를 줄이면서 고해상도의 강수량 자료를 제공할 수 있어서 타 분야의 기후변화 영향평가에 활용도가 높다. 따라서 향 후 고해상도 기후변화 시나리오 생산과 관련하여 역학적 규모축소법 뿐만 아니라 통계적 규모축소법에 관한 연구가 좀 더 이루어져야 할 것이다. 왜냐하면 수치역학모델이 비록 고해상도로 진화한다 하더라도 계통오차는 여전히 존재하기 때문이다.
이러한 정보는 추가적인 관측소를 설치할 경우 최적의 관측소 위치를 결정하는데에도 활용할 수 있다. 셋째, 각각의 가중치를 결정하는 함수를 PRISM에 기반하여 하였기 때문에 한반도에 적합한 가중치 함수를 민감도 실험 등을 통해 결정해야 할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
PRISM은 무엇인가?
PRISM은 미국 오리건 주립대학교에서는 이미 15년 전부터 고해상도 격자형 기후자료의 필요성을 인식하고, 북미 대륙에서의 고해상도 기후자료 생산을 위하여 다년간의 연구를 거쳐 개발한 격자형 기후자료 생산 도구이다. 다년간의 연구를 통해 북미 지역에서의 기후 요소의 시·공간 변동과 지리환경과의 관계에 대해 다양한 분석을 한 결과 기후요소의 시·공간 변동에 가장 많은 영향을 주는 요소는 고도임을 밝혔다.
K-PRISM은 단순히 고해상도의 기후정보를 생산하는데에 만 활용할 수 있는 것은 아닌데 그 예로는 무엇이 있는가?
K-PRISM은 단순히 고해상도의 기후정보를 생산하는데에 만 활용할 수 있는 것은 아니다. 예를 들면, 기후모델이나 지역기후모델이 모의하는 모델의 격자정보를 이용하여 수치모델의 계통오차를 보정하여 관측지점의 값으로 전환시킨 후 (예를 들면, Oh et al., 2004; Kim et al., 2004; 김맹기, 2005), 이 연구에서 개발한 K-PRISM을 적용하게 되면 모델의 계통오차가 보정된 고해상도 상세 기후정보를 얻을 수 있다. 이 두 방법의 연계는 수치모델자료를 단순 내삽한 상세격자 자료에 비하여 모델의 계통오차를 줄이면서 고해상도의 강수량 자료를 제공할 수 있어서 타 분야의 기후변화 영향평가에 활용도가 높다.
K-PRISM은 무엇인가?
K-PRISM은 기상 시스템이 산악을 넘어가기 전에 나타나는 산악효과 (topographic effect)나 산악을 넘어간 후의 비그늘 효과 (rain shadow effect) 등이 효율적으로 잘 반영되어 강수량을 추정하는 방법으로 나타났으며, 적어도 월평균시간 규모에서 상세 강수량 분포를 추정할 수 있다. 그러나 향후 몇 가지 개선해야할 부분이 남아 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.