[논문]몬테 카를로 시뮬레이션을 이용한 소나무 탄소배출계수의 불확도 평가

표정기; 손영모; 장광민; 이영진

doi:10.14578/jkfs.2013.102.4.477

몬테 카를로 시뮬레이션을 이용한 소나무 탄소배출계수의 불확도 평가
Uncertainty Assessment of Emission Factors for Pinus densiflora using Monte Carlo Simulation Technique 원문보기

韓國林學會誌 = Journal of Korean Forest Society, v.102 no.4, 2013년, pp.477 - 483

표정기 (국립산림과학원 기후변화연구센터) , 손영모 (국립산림과학원 기후변화연구센터) , 장광민 (한국임업진흥원 산림탄소인증센터) , 이영진 (공주대학교 산림자원학과)

초록
AI-Helper

본 연구의 목적은 몬테 카를로 시뮬레이션을 이용하여 소나무 탄소배출계수 자료의 확률밀도를 추정하고 불확도를 제시하는데 있다. 이용된 탄소배출계수는 목재기본밀도, 바이오매스확장계수, 뿌리함량비이고 4개의 확률밀도 함수(정규분포, 로그정규분포, 감마분포, 와이불 분포)를 고려하였다. 2-표본 콜모그로프-스미르노프 검정통계량과 누적밀도그림을 비교하여 최적의 확률밀도함수를 선정하고 상한과 하한의 불확도를 제시하였다. 본 연구의 결과에 의하면, 각 탄소배출계수에서 추정된 확률밀도함수는 강원지방소나무에서 목재기본밀도는 감마분포, 바이오매스확장계수는 로그정규분포, 뿌리함량비는 정규분포이고 중부지방소나무에서 목재기본밀도는 정규분포, 바이오매스확장계수는 감마분포, 뿌리함량비는 감마분포를 나타내었다. 강원지방소나무 탄소배출계수의 불확도는 상한에서 62.1%, 하한에서 -52.6%이고 중부지방소나무는 상한에서 43.9%, 하한에서 -34.5%를 나타내었다.

Abstract ▼ AI-Helper

The purpose of this study was to calculate uncertainty of emission factor collected data and to evaluate the applicability of Monte Carlo simulation technique. To estimate the distribution of emission factors (Such as Basic wood density, Biomass expansion factor, and Root-to-shoot ratio), four probability density functions (Normal, Lognormal, Gamma, and Weibull) were used. The two sample Kolmogorov-Smirnov test and cumulative density figure were used to compare the optimal probability density function. It was observed that the basic wood density showed the gamma distribution, the biomass expansion factor results the log-normal distribution, and root-shoot ratio showd the normal distribution for Pinus densiflora in the Gangwon region; the basic wood density was the normal distribution, the biomass expansion factor was the gamma distribution, and root-shoot ratio was the gamma distribution for Pinus densiflora in the central region, respectively. The uncertainty assessment of emission factor were upper 62.1%, lower -52.6% for Pinus densiflora in the Gangwon region and upper 43.9%, lower -34.5% for Pinus densiflora in the central region, respectively.

주제어

AI 본문요약
AI-Helper

문제 정의

이전의 연구는 산림 내 탄소량을 산정하고 탄소배출계수 중 하나의 계수에 대한 불확도 연구가 대부분이며 산림부분 탄소배출계수의 적합한 확률밀도를 제시하고 불확도를 평가하는 연구는 드문 실정이다. 그러므로, 본 연구의 목적은 IPCC에서 권장하는 몬테 카를로 시뮬레이션의 적용성을 판단한 후, 소나무 탄소배출계수의 적정 확률밀도함수를 제시하고 불확도를 산정하는데 있다.

제안 방법

kr)에서 관리되고 수종별 탄소배출계수와 바이오매스 정보를 제공한다. 본 연구는 산림 바이오매스/탄소 DB관리 프로그램에 구축되어 있는 소나무의 탄소배출계수 자료를 이용하고 기존의 연구를 참고하여 강원지방소나무와 중부지방소나무로 나누어 분석하였다. Table 1에서 몬테 카를로 시뮬레이션 분석에 이용된 강원, 중부지방소나무의 임령, 흉고직경, 수고와 탄소배출계수의 범위와 평균을 제시하였다.

대상 데이터

본 연구는 우리나라에 분포하는 소나무 임분을 대상으로 45개의 표준지를 선정하였다. 표준지별 5본의 표준목을 벌채하고 2에서 3본은 뿌리까지 굴취 하였다.

이론/모형

최우도법은 확률밀도함수 별 모수의 추정 확률을 최대로 하는 방법으로 Getner(1987)는 산림 부분 모형의 모수를 추정하는 과정에서 최소제곱법과 최우도 법을 비교하고 모형의 모수 추정과정에서 최우도법이 최소제곱법에 비해 적합한 것으로 보고하였다. 본 연구는 선행 연구결과를 참고하여 확률밀도함수의 모수 추정과정에서 최대우도법을 이용하였다.

성능/효과

본 연구는 소나무 탄소배출계수의 적정 확률밀도함수를 추정하고 불확도의 산정과정에서 몬테 카를로 시뮬레이션 기법의 적용성을 검토하였다. 산림 바이오매스/탄소 DB에 저장되어 있는 강원지방소나무의 탄소배출계수와 최적의 확률밀도함수는 목재기본밀도에서 감마분포이고, 바이오매스확장계수는 로그정규분포이며 뿌리함량비에서 정규분포이고 불확도는 상한에서 62.1%, 하한에서 -52.6%이다. 중부지방소나무에서 목재기본밀도는 정규분포이고, 바이오매스확장계수는 감마분포이며 뿌리함량비는 감마분포이고 불확도는 상한에서 43.
6%이다. 중부지방소나무에서 목재기본밀도는 정규분포이고, 바이오매스확장계수는 감마분포이며 뿌리함량비는 감마분포이고 불확도는 상한에서 43.9%, 하한에서 -34.5%를 나타내었다. 추정된 확률밀도함수와 불확도의 관계를 알아보기 위하여 시뮬레이션 결과와 비교하였을 때, 불확도가 낮을수록 추정된 확률밀도함수는 높은 적합도를 나타내는 것으로 조사되었다.
5%를 나타내었다. 추정된 확률밀도함수와 불확도의 관계를 알아보기 위하여 시뮬레이션 결과와 비교하였을 때, 불확도가 낮을수록 추정된 확률밀도함수는 높은 적합도를 나타내는 것으로 조사되었다. 탄소배출계수는 환경적, 지형적 원인과 계수의 개발과정에 발생하는 불확도의 원인으로 정확한 수치를 산정하기 어렵다.

후속연구

탄소배출계수는 환경적, 지형적 원인과 계수의 개발과정에 발생하는 불확도의 원인으로 정확한 수치를 산정하기 어렵다. 그러므로 탄소배출계수별 불확도 분석의 결과를 고려하여 지속적인 자료의 수집과 효과적인 분석방법이 개발된다면 정도 높은 모집단의 확률밀도함수 추정과 낮은 불확도의 산정이 가능하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	불확도란 무엇인가?	불확도는 알고자하는 미지의 값과 적용되는 값의 차이를 나타내는 수치이고 신뢰성 있는 연구 결과의 제시를 위하여 불확도를 최소화해야 한다(Dieck, 2007; Ramírez et al., 2008).
	탄소배출계수의 개발 목적은?	, 2010). 산림에 저장된 탄소량을 추정하기 위하여 개발되는 탄소배출계수는 환경과 지형적 차이에 따라 동일 수종에서도 상이하여 탄소저장량의 추정에서 불확도를 높이는 주요한 원인이 된다(Monte et al., 1996; Kangas and Kangas, 2004).
	IPCC가 제시한 불확도를 계산하는 방법 2가지는 무엇인가?	IPCC(2003; 2006a)는 불확도를 계산하는 방법으로 두 가지를 제시하고 상황에 따라 유연한 계산이 가능하도록 하였다. 접근 1(approach 1)은 오차전달법(error propagation)으로 다양한 부분에서 발생하는 불확도를 합성하여 추정하고, 적용되는 인자의 불확도가 상대적으로 작은 경우와 변수 간의 상관관계가 적은 경우, 사용이 가능하다. 접근 2(approach 2)는 추정된 수치의 불확도가 크거나 변수 간의 상관관계가 존재하는 경우, 몬테 카를로 시뮬레이션(monte carlo simulation)을 이용하도록 권장한다(IPCC, 2006a; Yanai et al., 2010).

참고문헌 (24)

Center for Global Environmental Research. 2011. National greenhouse gas inventory report of JAPAN. Ministry of the Environmental, Japan. pp. 41.
Dagpunar, J.S. 2007. Simulation and monte carlo. John Wiley and Sons. pp. 75.
Dieck, R.H. 2007. Measurement uncertainty methods and application. The instrumentation, systems, and automation society. pp. 39-62.
Fan, X., Felsovalyi, A., Sivo, S.A., and Keenan, S.C. 2001. SAS for monte carlo studies: A guide for quantitative researchers. Cary, North Carolina: SAS Institute Incorporation. pp. 26-41.
Fujiwara. T., Yamashita, K., and Kuroda, K. 2007. Basic densities as a parameter for estimating the amount of carbon removal by forests and their variation. Bulletin of the Forestry and Forest Products Research Institute 6(4): 215-226.
Gertner, G. 1987. Approximating precision in simulation projections: An efficient alternative to monte carlo methods. Forest Science 33(1): 230-239.
Intergovernmental panel on climate change. 2000. Good practice guidance and uncertainty management in national greenhouse gas inventories. IPCC National Greenhouse Gas Inventory Programme. Institute for Global Environmental Strategies. pp. 6.1-6.23.
Intergovernmental panel on climate change. 2003. Good practice guidance for land use, land-use change and forestry. IPCC National Greenhouse Gas Inventory Programme. Institute for Global Environmental Strategies. pp. 5.8-5.9.
Intergovernmental panel on climate change. 2006a. 2006 IPCC Guidelines for National Greenhouse Gas Inventories. Volume 1. General Guidance and Reporting. IPCC National Greenhouse Gas Inventory Programme. Institute for Global Environmental Strategies. pp. 3.6-3.78.
Intergovernmental panel on climate change. 2006b. 2006 IPCC Guidelines for National Greenhouse Gas Inventories. Volume 4. Agriculture, Forestry and Other Land Use. IPCC National Greenhouse Gas Inventory Programme. Institute for Global Environmental Strategies. pp. 4.73.
Jung, H.J. 2011. Sensitivity and uncertainty analysis of forest carbon stock changes in Korea. M.D. thesis, Graduate School of Public Health, Seoul National University. pp. 59.
Kalos, M.H. and Whitlock, P.A. 2008. Monte carlo methods, second, revised and enlarged edition. WILEY-VCH Verlag GmbH and Corporation, KGaA, Weinheim. pp. 9.
Kangas, A.S. and Kangas, J. 2004. Probability, possibility and evidence : approaches to consider risk and uncertainty in forestry decision analysis. Forest Policy and Economics 6: 169-188.

상세보기
Korea Forest Research Institute. 2010. The carbon emission factor of major species for national inventory by forestry in Korea. Korea Forest Research Institute. pp. 7.
Levy, P.E., Hale, S.E., and Nicoll, B.C. 2004. Biomass expansion factors and root:shoot ratios for coniferous tree species in Great Britain. Forestry 77(5): 421-430.

상세보기
Lehtonen, A., R. Makipaa, J. Heikkinen, R. Sievanen, and J. Liski. 2004. Biomass Expansion factor (BEFs) for Scotes pine, Norway spruce and birch according to stand age for boreal forests. Forest Ecology and Management 188: 211-224.

상세보기
Monte, L., Lars, H., Ulla, B., John, B., and Rudie, H. 1996. Uncertainty analysis and validation of environmental models : The empirically based uncertainty analysis. Ecological Modelling 91: 139-152.

상세보기
Monni, S., Peltoniemi, M., Palosuo, T., Lehtonen, A., Makipaa, R., and Savolainen, I. 2007. Uncertainty of forest carbon stock changes-implications to the total uncertainty of GHG inventory of Finland. Climate Change 81: 391-413.

상세보기
Monni, S., Syri, S., and Savolainen, I. 2004. Uncertainties in the Finnish greenhouse gas emission inventory. Environmental Science and Policy 7: 87-98.

상세보기
Ramirez, A., Keizer, C., Sluijs, J.P., and Olivier, J. 2008. Monte carlo analysis of uncertainties in the Netherlands greenhouse gas emission inventory for 1990-2004. Atmospheric Environment 42: 8263-8272.

상세보기
Refsgaard, J.C., Jeroen, P.V.D.S., Anker, L.H., and Peter, A.V. 2007. Uncertainty in the environmental modelling process-A framework and guidance. Environmental Modelling and Software 22: 1543-1556.

상세보기
SAS Institute, Incorporation. 2012. SAS/STAT 9.3 User's Guide. SAS Institute, Incorporation. Cary. North Carolina. pp. 439.
Winiwarter, W. and Rypdal, K. 2001. Assessing the uncertainty associated with national greenhouse gas emission inventories: a case study for Austria. Atmospheric Environment 35: 5425-5440.

상세보기
Yanai, R.D., John, J.B., Andrew, D.R., Corrie, A.B., Dustin, M.W., and Edward, B.R. 2010. Estimating uncertainty in ecosystem stock calculations. Ecosystem 13: 239-248.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증