선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그러나 본 연구에서는 일반적으로 사용되는 최근린법과는 달리 지체시간과 위상공간차원은 고려하지 않았다. 다만, 과거의 패턴이 미래에도 발생한다는 기본 개념을 바탕으로 축소기법으로 활용하기 위한 방안을 제시하였다. 현재 강우에 영향을 미치는 온도, 비습도, 풍속, 가강수 수분량이 미래에도 같은 영향을 미치게 된다고 가정하여, 미래에 같은 온도, 비습도, 풍속, 가강수 수분량을 가질 경우에 같은 강우가 발생할 것으로 예상하였다.
- 본 논문에서는 통계적 축소기법인 인공신경망이론과 경험적 축소기법인 최근린법을 이용하여 IPCC 4차보고서(AR4, Fourth Assessment Report)에서 제시한 SRES(Special Report on Emissions Scenarios) A2 시나리오를 국내지점으로 축소하기 위한 방안을 제시하고자 한다.
가설 설정
- 다만, 과거의 패턴이 미래에도 발생한다는 기본 개념을 바탕으로 축소기법으로 활용하기 위한 방안을 제시하였다. 현재 강우에 영향을 미치는 온도, 비습도, 풍속, 가강수 수분량이 미래에도 같은 영향을 미치게 된다고 가정하여, 미래에 같은 온도, 비습도, 풍속, 가강수 수분량을 가질 경우에 같은 강우가 발생할 것으로 예상하였다. 이를 위하여 관측 자료 중에서 축소하고자 하는 강수에 영향을 주는 관측 기상변수인 온도, 비습도, 풍속, 가강수 수분량 등을 대상으로 다음과 같은 벡터를 구성하여야 한다.
제안 방법
- SPI를 구하기 위하여 우선 월 강수량 시계열을 지속기간별로 이동평균을 적용하여 지속기간별 강수시계열을 획득한 후이 시계열을 분석하여 적정 확률분포형을 선정하고 이를 이용하여 개개 변량의 누가확률을 표준 정규분포에 적용시켜 SPI를 산정하게 된다. SPI를 산정하기 위하여 필요한 지속기간으로는 12개월, 6개월, 3개월을 선택하였으며, 분포형은 Guttman(1999)에서 제시한 Pearson Type III를 사용하였다.
- 또한 최적의 최근린 개수(K)를 계산하기 위하여 관측 자료로부터 제시된 Yt벡터를 Training set 인 Yttra와 Prediction set 인 Ytpre로 나누었다. Ytpre와 Yttra의 유사성을 알아보기 위하여 두 벡터 사이의 거리 즉, ||Ytpre-Yttea||를 모두 계산하였다. 이를 통해서 Ytpre과 가장 유사한 Yttra이 결정되면, Yttra인 상황에서 발생한 강우가 Ytpre에서도 발생한다고 보는 것이다.
- 가뭄을 지속시간에 따라서 분류한 후, 지속시간에 따라 분류된 가뭄의 평균 누가강도, 평균 강도, 평균 최대강도를 표 5와 같이 산정하였다. 표 5에서 보는바와 같이 표준강수지수 산정을 위해서 가정하는 지속기간이 길어질 수록 가뭄의 발생횟수와 평균강도는 감소하였으나 누가강도는 증가하였다.
- 검정 및 검증결과를 바탕으로 BCM2 모형의 결과를 이용하여 2000년에서 2099년까지의 서울지점의 온도를 예측하였다. 기후모형과 적용된 축소기법의 적용성을 평가하기 위하여 2000년~2007년까지의 자료를 비교하였다.
- 여기서, α는 Learning parameter 이고, β는 Momentum이다. 경사감소법에 의해서 평균제곱오차가 최소화 될 때의 가중치를 산정하여 모형에 적용하였다.
- 검정 및 검증결과를 바탕으로 BCM2 모형의 결과를 이용하여 2000년에서 2099년까지의 서울지점의 온도를 예측하였다. 기후모형과 적용된 축소기법의 적용성을 평가하기 위하여 2000년~2007년까지의 자료를 비교하였다. 비교결과 편의가 발생하고 있는 것을 알 수 있으며, 이러한 편의를 보정하기 위하여 Quantile mapping을 적용하였다(그림 5).
- 기후모형인 BCM2와 전구단위 관측자료인 NCEP/NCAR Reanalysis자료를 이용해서 서울지점의 월최저온도, 월평균온도, 월최고온도, 월총강수량을 인공신경망이론과 최근린법을 이용해서 공간적인 축소를 하였다.
- 기후변화가 가뭄에 미치는 영향평가를 위해서 서울지점으로 축소된 강우량을 대상으로 표준강수지수를 산정하였다. 표준강수지수를 대상으로 가뭄지속기간(drought spell)을 산정하였다.
- 75 정도이다. 따라서 서울지점의 월 총 강우를 얻기 위하여 NCEP에서 제공하는 모든 기상변수에 가중치를 적용하여 축소를 진행하였다. 즉, 3.
- BCM2 A2 시나리오의 결과를 기상청 서울관측소의 온도와 강수로 축소하기 위하여 인공신경망이론과 최근린법을 적용하였다. 또한 각각 적용결과의 편의를 보정하기 위하여 Quantile mapping을 진행하였으며, 최종적으로 제시된 월 총 강우량을 대상으로 표준강수지수를 산정함으로써 기후변화를 고려한 가뭄의 변화를 살펴보았다. 본 연구에서 사용한 자료별 보유 연 수는 다음과 같다.
- 또한 기후변화가 가뭄에 미치는 영향을 평가하기 위해서 가뭄의 특성을 가뭄의 지속기간에 따라서 정리하였다(표 6~ 표 8). 표준강수지수(3)을 이용해서 평가할 경우, 기후변화의 영향이 가뭄의 지속기간에 따라서 매우 다양하게 나타나고 있음을 알 수 있다.
- 본 연구에서는 기상청 산하 서울 관측소, NCEP자료, BCM2 A2 시나리오를 이용하여 인공신경망이론과 최근린법을 이용하여 미래 서울지점의 온도와 강우를 월 단위로 예측하였다. 또한 이러한 결과를 바탕으로 기후변화가 가뭄에 미치는 영향평가 기법을 제시하였다. 이를 통해서 얻은 결론은 다음과 같다.
- 온도의 경우, 인공신경망이론을 이용하는 경우와 마찬가지로 서울지점의 온도에 영향을 주는 NCEP의 기상변수로는 온도만을 사용하는 것이 가장 좋은 결과를 보였으며, 이때의 최근린 개수는 7로 산정되었다. 또한 최근린법을 이용하여 BCM2를 축소한 결과 역시 편의가 발생하여 이를 Quantile mapping을 이용하여 보정하였으며, 최종결과는 그림 7과 같다.
- 벡터가 존재함을 의미한다. 또한 최적의 최근린 개수(K)를 계산하기 위하여 관측 자료로부터 제시된 Yt벡터를 Training set 인 Yttra와 Prediction set 인 Ytpre로 나누었다. Ytpre와 Yttra의 유사성을 알아보기 위하여 두 벡터 사이의 거리 즉, ||Ytpre-Yttea||를 모두 계산하였다.
- BCM2모형의 결과를 서울지점의 월총강우, 월평균온도, 월최대온도, 월최저온도로 축소하기 위해서 인공신경망이론을 적용하였다. 모형의 적용성을 평가하기에 앞서 관측자료인 NCEP 자료와 서울지점의 월 총강우, 월평균온도, 월최대온도, 월최저온도와 상관관계를 상관계수(Correlation coefficient)를 산정하여 살펴보았다(표 3).
- 본 연구에서는 기상청 산하 서울 관측소, NCEP자료, BCM2 A2 시나리오를 이용하여 인공신경망이론과 최근린법을 이용하여 미래 서울지점의 온도와 강우를 월 단위로 예측하였다. 또한 이러한 결과를 바탕으로 기후변화가 가뭄에 미치는 영향평가 기법을 제시하였다.
- , 2008). 본 연구에서는 서울지점의 1961년부터 2008년까지의 표준강수지수와 BCM2로부터 산정된 2000년에서 2099년까지의 표준강수지수로부터 구한 가뭄지속기간에 따른 분석결과를 이용하여 가뭄의 기간, 누가강도, 평균강도, 최대강도를 산정함으로써 기후변화를 고려할 경우, 가뭄의 변화를 평가하였다(표 5~표 8). 그림 11, 12는 지속시간 12개월을 적용하여 산정된 표준강수지수를 보여준다.
- 기후모형과 적용된 축소기법의 적용성을 평가하기 위하여 2000년~2007년까지의 자료를 비교하였다. 비교결과 편의가 발생하고 있는 것을 알 수 있으며, 이러한 편의를 보정하기 위하여 Quantile mapping을 적용하였다(그림 5).
- 그러나 이러한 편의는 Quantile mapping을 이용해서 보정할 수 있다. 이에 본 연구에서는 BCM2모형의 모의 결과를 서울지점의 월 총강우량으로 축소하는데 적용하였다.
- 99 이상의 매우 큰 상관관계를 보이고 있으며, 비습도, 풍속, 가강수 수분량과도 상관관계가 매우 큼을 알 수 있다. 이에 본 연구에서는 NCEP의 모든 기상변수를 이용하여 서울지점의 강우, 온도와 학습을 진행한 후, 학습결과에 대한 검증을 실시하였다. 분석결과, 강우의 경우, NCEP의 모든 기상변수를 사용할 때와 상관관계가 비교적 큰 기상변수(가강수 수분량, 비습도, 월평균온도, 월최저온도)만을 사용할 때 모두 결과가 발산함을 확인하였다.
- 따라서 서울지점의 월 총 강우를 얻기 위하여 NCEP에서 제공하는 모든 기상변수에 가중치를 적용하여 축소를 진행하였다. 즉, 3.2절에서 Ytpre와 Yttra의 유사성을 알아보기 위하여 두 벡터 사이의 거리 즉, ||Ytpre-Yttea||를 계산할 때, 상관계수(표 3)에 해당하는 값을 가중치로 고려하여 거리를 계산하였다. 이에 따른 검정시 최적의 최근린개수는 9개로 산정되었으며, 검정 및 검증에 따른 결정계수는 각각 0.
- 최근린법을 이용하여 기후변화시 서울지점의 온도를 예측하였다. 온도의 경우, 인공신경망이론을 이용하는 경우와 마찬가지로 서울지점의 온도에 영향을 주는 NCEP의 기상변수로는 온도만을 사용하는 것이 가장 좋은 결과를 보였으며, 이때의 최근린 개수는 7로 산정되었다.
- 최종적으로 BCM2로부터 지점으로 축소된 월 강수 자료를 이용하여 표준강수지수(SPI, Standardized Precipitation Index)를 산정함으로써 기후변화가 가뭄에 미치는 영향을 평가하였다. 본 연구에서 적용한 주요단계별 기법 및 내용을 살펴보면 그림 1과 같다.
- 모멘트법을 사용하여 월별 모수를 산정하고, Chi-square 검정을 이용하여 적합도 검정을 실시함으로써 최종적으로 Pearson Type III를 적정 분포형으로 선택하였다. 최종적으로 Pearson Type III에 해당하는 누가확률을 표준 정규분포에 적용하여 SPI를 산정하였다. 예를 들면 적정확률분포에 해당하는 누가확률을 P1이라고 하면 표준정규분포의 누가확률 P2가 P1과 같게 되는 Z값을 구할 수 있고, 이 값이 바로 SPI가 된다.
- 기후변화가 가뭄에 미치는 영향평가를 위해서 서울지점으로 축소된 강우량을 대상으로 표준강수지수를 산정하였다. 표준강수지수를 대상으로 가뭄지속기간(drought spell)을 산정하였다. 가뭄지속기간은 가뭄지수로부터 산정될 수 있으며, 표준강수지수를 이용할 경우, 표준강수지수가 지속적으로 0보다 작고 최소값이 -1보다 작은 경우를 의미한다(Dubrovsky et al.
대상 데이터
- 본 연구에서 인공신경망이론과 최근린법을 이용하여 축소 기법의 적용성을 검토한 서울기상관측소는 1961년에 관측을 시작하여 현재에 이르고 있으며, 서울특별시 종로구 송월동에 위치하고 있다.
- 본 연구에서 축소기법에 사용한 NCEP/NCAR Reanalysis 자료는 NOAA의 National Center for Environment Prediction으로부터 제공받아 PSD에서 관리하고 있는 자료이다. 실제로 기후모형의 결과를 유역단위 관측소로 축소하는 과정은 기후모형의 결과로 제시되는 기상변수와 지상관측소의 수문 변수들 사이의 상관관계를 맺는 과정으로 간단히 요약될 수 있다.
- 이중 미국의 해양 대기청 물리학과(NOAA ESRL-PSD, Physical Sciences Division)에서는 날씨와 기후시스템의 진단을 수행하는 기구로서 기후, 날씨, 수자원과 연관된 장·단기‚ 예보를 수정 보완하는 역할을 하고 있다. 이를 위해서 전구단위 관측자료를 수집 및 관리하고 있으며 PSD의 홈페이지를 통해서 NCEP Reanalysis 자료를 포함해서 총29개의 전구단위 관측데이터 제공하고 있다.
데이터처리
- SPI를 산정하기 위하여 필요한 지속기간으로는 12개월, 6개월, 3개월을 선택하였으며, 분포형은 Guttman(1999)에서 제시한 Pearson Type III를 사용하였다. 모멘트법을 사용하여 월별 모수를 산정하고, Chi-square 검정을 이용하여 적합도 검정을 실시함으로써 최종적으로 Pearson Type III를 적정 분포형으로 선택하였다. 최종적으로 Pearson Type III에 해당하는 누가확률을 표준 정규분포에 적용하여 SPI를 산정하였다.
- 즉, 입력층에서 입력변수 X1, X2, X3, …, Xp에 초기 가중치를 적용하여 합산한 값이 은닉층으로 들어간 후, Hidden 함수에 의해서 출력되면, 실제 관측값과의 차이를 평균제곱오차(MSE)에 의해서 계산하게 된다.
이론/모형
- BCM2 A2 시나리오의 결과를 기상청 서울관측소의 온도와 강수로 축소하기 위하여 인공신경망이론과 최근린법을 적용하였다. 또한 각각 적용결과의 편의를 보정하기 위하여 Quantile mapping을 진행하였으며, 최종적으로 제시된 월 총 강우량을 대상으로 표준강수지수를 산정함으로써 기후변화를 고려한 가뭄의 변화를 살펴보았다.
- BCM2모형의 결과를 서울지점의 월총강우, 월평균온도, 월최대온도, 월최저온도로 축소하기 위해서 인공신경망이론을 적용하였다. 모형의 적용성을 평가하기에 앞서 관측자료인 NCEP 자료와 서울지점의 월 총강우, 월평균온도, 월최대온도, 월최저온도와 상관관계를 상관계수(Correlation coefficient)를 산정하여 살펴보았다(표 3).
- SPI를 구하기 위하여 우선 월 강수량 시계열을 지속기간별로 이동평균을 적용하여 지속기간별 강수시계열을 획득한 후이 시계열을 분석하여 적정 확률분포형을 선정하고 이를 이용하여 개개 변량의 누가확률을 표준 정규분포에 적용시켜 SPI를 산정하게 된다. SPI를 산정하기 위하여 필요한 지속기간으로는 12개월, 6개월, 3개월을 선택하였으며, 분포형은 Guttman(1999)에서 제시한 Pearson Type III를 사용하였다. 모멘트법을 사용하여 월별 모수를 산정하고, Chi-square 검정을 이용하여 적합도 검정을 실시함으로써 최종적으로 Pearson Type III를 적정 분포형으로 선택하였다.
- 다층퍼셉트론은 여러 개의 처리소자를 각 계층에 모형을 구성한 것으로서 입력자료를 받아들이는 입력층(input layer), 결과를 나타내는 출력층(output layer)으로 구성되며 두 개의 층 사이에는 중간층(hidden layer)을 두어 각 패턴마다 필요한 정보를 학습시킬 수 있도록 한 것이다. 본 연구에서는 Feed-forward back-propagation 형태의 인공신경망이론을 적용하였다. Feed-forward backpropagation의 기본개념은 다음 그림 2와 같다.
- 실제로 IPCC 4차년도 보고서에서는 AR4 시나리오를 사용하지는 않았으며, 제시된 AR4 시나리오는 향후에 작성될 보고서에 사용되는 것이 일반적이다. 본 연구에서는 IPCC AR4 시나리오 중 A2 시나리오를 포함하고 있는 노르웨이 BCCR(Bjerknes Centre for Climate Research)의 BCM2(Bergen Climate Model Version)모형을 이용하였다. BCM2 모형의 공간적 해상도는 2.
- AR4-보고서에서는 총 23개의 기후모형과 8개의 시나리오를 통해서 온도, 총강우량, 절대습도 등 총 9개의 기상자료를 제시하고 있다. 이 중에서 본 연구에서는 노르웨이 BCCR(Bjerknes Centre for Climate Research)의 BCM2Bergen Climate Model Version)의 A2 시나리오를 사용하였다. 기상청에서도 AR4 SRES 기후모형개발에 참여하여 독일의 본대학, MPI-M과 공동으로 ECHO-G 모형을 개발하고 있으나 IPCC로부터 제공받은 ECHO-G모형에는 온도에 대한 모의 부분이 누락되어 있어 본 연구에서 적용하지 못하였다.
- 이러한 편의를 보정하기 위해서 Quantile mapping을 적용하였다(그림 9
- 에 초기 가중치를 적용하여 합산한 값이 은닉층으로 들어간 후, Hidden 함수에 의해서 출력되면, 실제 관측값과의 차이를 평균제곱오차(MSE)에 의해서 계산하게 된다. 이후, 경사감소법(Gradient Descent Method)을 이용해서 평균제곱오차를 줄이기 위하여 가중치를 갱신하게 된다. 경사감소법에서 가중치는 다음 식에 의해서 갱신된다.
성능/효과
- K-NN을 이용하여 BCM2모형으로부터 2000년에서 2099년까지의 서울지점의 강수량을 산정하여 서울지점의 관측 강우와 비교한 결과(그림 9(a)), BCM2로부터 산정된 결과 100 mm이상의 강우에서 K-NN에 의해서 축소된 결과가 관측값보다 과소 추정되고 있음을 알 수 있다. 이러한 편의를 보정하기 위해서 Quantile mapping을 적용하였다(그림 9(b)).
- 1. IPCC DDC로부터 제공되는 AR4 SRES 모형을 국내지점의 온도로 축소할 경우, 인공시경망과 최근린법모두 적용이 가능하였으나 강수의 경우에는 최근린법만 적용이 가능하였다.
- 2. 축소결과 서울지점의 온도는 점차 증가하고 있음을 알 수 있으며, 이는 A2 시나리오를 사용했기 때문인 것으로 생각된다. 또한 축소기법에 따라서 일부 차이를 보였으나 11월과 3월에 이상고온과 이상저온이 발생할 가능성이 커지게 됨을 확인하였다.
- 3.축소결과 서울지점의 연평균 강수량은 1,401 mm에서 1,498 mm로 큰 차이를 보이지 않았으나 가뭄에 영향을 미치는 봄, 겨울철 강수는 전반적으로 감소하게 됨을 알 수 있다.
- 4. BCM2 A2 시나리오에 의해서 서울지점으로 축소된 월 총강우를 이용하여 표준강수지수를 산정한 결과, 표준강수지수(6)과 표준강수지수(12)에서 긴 지속시간을 가지는 가뭄의 발생빈도가 증가하고 있음을 알 수 있으며, 이를 통해서 미래에는 가뭄이 더욱 심각해질 것이라는 예측을 할 수 있다.
- BCM2 모형의 결과를 최근린법을 이용하여 서울지점의 온도로 축소할 경우, 인공신경망이론을 이용해서 축소한 결과와 비교할 때, 월별 평균값은 크게 변화가 없는 것으로 나타났다. 다만, 상자그림에 의한 결과에서 인공신경망이론에 의한 축소 결과와 동일하게 11월에는 이상고온을 보일 가능성이 증가하였으나, 3월에 이상저온이 발생할 가능성은 현재와 비교해서 크게 차이가 없음을 확인하였다.
- 각각의 온도를 대상으로 월별로 상자그림(Box plot)을 확인한 결과 이상기온이 발생할 가능성이 커지게 됨을 확인하였다. 특히 3월과 11월에는 각각 이상저온현상과 이상고온 현상이 발생할 가능성이 커지게 됨을 알 수 있다.
- BCM2 모형의 결과를 최근린법을 이용하여 서울지점의 온도로 축소할 경우, 인공신경망이론을 이용해서 축소한 결과와 비교할 때, 월별 평균값은 크게 변화가 없는 것으로 나타났다. 다만, 상자그림에 의한 결과에서 인공신경망이론에 의한 축소 결과와 동일하게 11월에는 이상고온을 보일 가능성이 증가하였으나, 3월에 이상저온이 발생할 가능성은 현재와 비교해서 크게 차이가 없음을 확인하였다.
- 축소결과 서울지점의 온도는 점차 증가하고 있음을 알 수 있으며, 이는 A2 시나리오를 사용했기 때문인 것으로 생각된다. 또한 축소기법에 따라서 일부 차이를 보였으나 11월과 3월에 이상고온과 이상저온이 발생할 가능성이 커지게 됨을 확인하였다.
- 이를 통해서 Feed-forward back-propagation 형태의 인공신경망이론을 이용해서 강수량을 축소하는 데는 한계가 있음을 확인하였다. 반면에 온도의 경우, NCEP의 온도만을 사용하는 것이 가장 좋은 결과를 보여주었다. 실제로 상관관계가 0.
- 이에 본 연구에서는 NCEP의 모든 기상변수를 이용하여 서울지점의 강우, 온도와 학습을 진행한 후, 학습결과에 대한 검증을 실시하였다. 분석결과, 강우의 경우, NCEP의 모든 기상변수를 사용할 때와 상관관계가 비교적 큰 기상변수(가강수 수분량, 비습도, 월평균온도, 월최저온도)만을 사용할 때 모두 결과가 발산함을 확인하였다. 이를 통해서 Feed-forward back-propagation 형태의 인공신경망이론을 이용해서 강수량을 축소하는 데는 한계가 있음을 확인하였다.
- 반면에 온도의 경우, NCEP의 온도만을 사용하는 것이 가장 좋은 결과를 보여주었다. 실제로 상관관계가 0.9 이상인 모든 기상변수를 적용했을 경우보다도 온도만을 사용하여 학습하는 것이 더 좋은 결과를 보임을 확인하였다. 다음 그림은 NCEP의 온도만을 사용해서 학습한 결과 및 검증 결과를 보여준다.
- 특히 과거에는 7월의 평균 강우량이 가장 컸으나 BCM2모형에 의하면 8월의 평균 강우량이 가장 크게 나타났다. 연평균 강수량은 과거 관측자료에 의하면 1,401 mm로 산정되었고 BCM2모형에 의한 미래의 연평균 강수량은 1,498 mm로 산정되어 다소 증가하는 것으로 나타났다. 또한 7월에는 과거에는 발생하지 않았던 1,000 mm가 넘는 강우가 미래에는 발생할 수 있으며, 8월에도 상대적으로 큰 강우가 발생할 가능성이 현재에 비해서 증가함을 알 수 있다.
- 최근린법을 이용하여 기후변화시 서울지점의 온도를 예측하였다. 온도의 경우, 인공신경망이론을 이용하는 경우와 마찬가지로 서울지점의 온도에 영향을 주는 NCEP의 기상변수로는 온도만을 사용하는 것이 가장 좋은 결과를 보였으며, 이때의 최근린 개수는 7로 산정되었다. 또한 최근린법을 이용하여 BCM2를 축소한 결과 역시 편의가 발생하여 이를 Quantile mapping을 이용하여 보정하였으며, 최종결과는 그림 7과 같다.
- 분석결과, 강우의 경우, NCEP의 모든 기상변수를 사용할 때와 상관관계가 비교적 큰 기상변수(가강수 수분량, 비습도, 월평균온도, 월최저온도)만을 사용할 때 모두 결과가 발산함을 확인하였다. 이를 통해서 Feed-forward back-propagation 형태의 인공신경망이론을 이용해서 강수량을 축소하는 데는 한계가 있음을 확인하였다. 반면에 온도의 경우, NCEP의 온도만을 사용하는 것이 가장 좋은 결과를 보여주었다.
- 가뭄을 지속시간에 따라서 분류한 후, 지속시간에 따라 분류된 가뭄의 평균 누가강도, 평균 강도, 평균 최대강도를 표 5와 같이 산정하였다. 표 5에서 보는바와 같이 표준강수지수 산정을 위해서 가정하는 지속기간이 길어질 수록 가뭄의 발생횟수와 평균강도는 감소하였으나 누가강도는 증가하였다.
후속연구
- 왜냐하면 전세계적으로 수많은 기후모형과 축소기법들이 개발되어 있으며, 어떠한 기후모형과 축소기법을 쓰느냐에 따라서 결과가 다소 다르게 나타날 수 있기 때문이다. 따라서 국내에 적합한 기후모형과 축소기법을 선정하는 방법에 대한 연구가 필요하며, 이러한 연구를 바탕으로 본 연구에서 제시된 평가기법을 활용한 다면 더욱더 신뢰성 있는 결과를 제시할 수 있을 것이다. 또한 국내의 모든 기상청 지점을 대상으로 미래의 표준강수지수를 산정함으로써 기후변화가 가뭄의 공간적 분포에 미치는 영향도 평가할 수 있을 것으로 생각한다.
- 따라서 국내에 적합한 기후모형과 축소기법을 선정하는 방법에 대한 연구가 필요하며, 이러한 연구를 바탕으로 본 연구에서 제시된 평가기법을 활용한 다면 더욱더 신뢰성 있는 결과를 제시할 수 있을 것이다. 또한 국내의 모든 기상청 지점을 대상으로 미래의 표준강수지수를 산정함으로써 기후변화가 가뭄의 공간적 분포에 미치는 영향도 평가할 수 있을 것으로 생각한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.