일사량은 지구 내 시스템의 에너지원으로 작용하는 중요한 지표변수로써, 원격탐사를 통해 모니터링 하는 것은 태양 에너지의 잠재량을 평가할 수 있어 매우 중요하다. 따라서 본 논문에서는 한반도에서 관측 빈도에 따른 일 평균 일사량 산출의 민감도를 분석하고자 한다. COMS의 채널 자료 및 구름탐지 분석자료, 구름에 의한 일사량의 감쇠 정도를 이용하여 시간 해상도가 1시간과 3시간 간격의 자료를 이용하여 일사량을 산출하였다. 전천을 의미하는 공간적 범위만큼 Hemispherical Integration를 실시하였고, 각 일사량을 일 평균하여 지상 37곳의 일사계 자료와 검증을 실시하였다. 그 결과, 1시간 간격의 자료를 이용하여 일평균한 일사량은 $28.6401W/m^2$의 정확도를, 3시간 간격의 자료를 이용하여 일 평균한 일사량은 $30.4960W/m^2$의 정확도를 보여, 일 평균 일사량은 위성의 관측 빈도에 큰 민감도를 보이지 않았다. 하지만 시간해상도가 다른 두 일사량은 공간적 분포에서 구름의 관측 빈도에 따라 큰 차이를 보였고, 구름의 관측 빈도와 두 일사량의 차이 간 민감도 분석을 실시한 결과 최대 $19.4392W/m^2$의 민감도를 보였다.
일사량은 지구 내 시스템의 에너지원으로 작용하는 중요한 지표변수로써, 원격탐사를 통해 모니터링 하는 것은 태양 에너지의 잠재량을 평가할 수 있어 매우 중요하다. 따라서 본 논문에서는 한반도에서 관측 빈도에 따른 일 평균 일사량 산출의 민감도를 분석하고자 한다. COMS의 채널 자료 및 구름탐지 분석자료, 구름에 의한 일사량의 감쇠 정도를 이용하여 시간 해상도가 1시간과 3시간 간격의 자료를 이용하여 일사량을 산출하였다. 전천을 의미하는 공간적 범위만큼 Hemispherical Integration를 실시하였고, 각 일사량을 일 평균하여 지상 37곳의 일사계 자료와 검증을 실시하였다. 그 결과, 1시간 간격의 자료를 이용하여 일평균한 일사량은 $28.6401W/m^2$의 정확도를, 3시간 간격의 자료를 이용하여 일 평균한 일사량은 $30.4960W/m^2$의 정확도를 보여, 일 평균 일사량은 위성의 관측 빈도에 큰 민감도를 보이지 않았다. 하지만 시간해상도가 다른 두 일사량은 공간적 분포에서 구름의 관측 빈도에 따라 큰 차이를 보였고, 구름의 관측 빈도와 두 일사량의 차이 간 민감도 분석을 실시한 결과 최대 $19.4392W/m^2$의 민감도를 보였다.
Insolation is an major indicator variable that can serve as an energy source in earth system. It is important to monitor insolation content using remote sensing to evaluate the potential of solar energy. In this study, we performed sensitivity analysis of observed frequency on daily composite insola...
Insolation is an major indicator variable that can serve as an energy source in earth system. It is important to monitor insolation content using remote sensing to evaluate the potential of solar energy. In this study, we performed sensitivity analysis of observed frequency on daily composite insolation over the Korean peninsula. We estimated INS through the channel data of Communication, Ocean and Meteorological Satellite (COMS) and Cloud Mask which have temporal resolution of 1 and 3 hours. We performed Hemispherical Integration by spatial resolution for meaning whole sky. And we performed daily composite insolation. And then we compared the accuracy of estimated COMS insolation data with pyranometer data from 37 points. As a result, there was no great sensitivity in the daily composite INS by observed frequency of satellite that accuracy of the calculated insolation at 1 hour interval was $28.6401W/m^2$ and 3 hours interval was $30.4960W/m^2$. However, there was a great difference in the space distribution of two other INS data by observed frequency of clouds. So, we performed sensitivity analysis with observed frequency of clouds and distinction between the two other INS data. Consequently, there was showed sensitivity up to $19.4392W/m^2$.
Insolation is an major indicator variable that can serve as an energy source in earth system. It is important to monitor insolation content using remote sensing to evaluate the potential of solar energy. In this study, we performed sensitivity analysis of observed frequency on daily composite insolation over the Korean peninsula. We estimated INS through the channel data of Communication, Ocean and Meteorological Satellite (COMS) and Cloud Mask which have temporal resolution of 1 and 3 hours. We performed Hemispherical Integration by spatial resolution for meaning whole sky. And we performed daily composite insolation. And then we compared the accuracy of estimated COMS insolation data with pyranometer data from 37 points. As a result, there was no great sensitivity in the daily composite INS by observed frequency of satellite that accuracy of the calculated insolation at 1 hour interval was $28.6401W/m^2$ and 3 hours interval was $30.4960W/m^2$. However, there was a great difference in the space distribution of two other INS data by observed frequency of clouds. So, we performed sensitivity analysis with observed frequency of clouds and distinction between the two other INS data. Consequently, there was showed sensitivity up to $19.4392W/m^2$.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
현재 천리안위성(Communication, Ocean and Meteorological Satellite, COMS)은 INS를 15분 및 3시간 간격으로 제공하고 있지만 관측 빈도에 차이가 존재한다. 따라서 본 연구에서는 일 평균 INS를 산출 할 때, 관측 빈도에 따른 민감도를 분석하고자 한다. 먼저 COMS를 기반으로 한 INS을 1시간과 3시간 간격으로 산출하고, 이어서 산출된 INS의 정확도를 비교하기 위해 일 평균을 실시한 뒤, 지상 일사계 자료와 검증을 실시하였다.
본 연구에서는 일 평균 INS를 산출 할 때, 위성의 관측 빈도에 따른 민감도를 분석하였다. COMS 채널자료와 CLD, CF를 이용하여 한반도 영역에서 2014년의 INS를 산출하였다.
제안 방법
(2012)은 Kawamura et al.(1998)의 물리모델을 기반으로 하여 INS 산출에 가장 중요한 요소인 구름 감쇠 효과에 대한 비율을 알베도와 태양 천정각에 의한 LUT를 적용하여 INS를 산출하였다. Choi et al.
구름의 유무와 구름에 의한 INS 감쇠 정도를 적용하기 위해 CLD와 CF를 활용하였고, COMS Meteorological Data Processing System (CMDPS) INS 산출 알고리즘을 통해 INS를 산출하였다. CMDPS INS 산출 알고리즘은 직달일사량(direct solar insolation)과 산란일사량(diffuse solar insolation)으로 구성되어 있으며, 총 INS는 청천역에서의 INS에 CF를 곱하여 산출한다. 산란일사량은 공기 분자, 부유 입자와 같은 대기 요소들에 의한 산란, 반사, 흡수 등의 영향에 의해 감쇠되어 지면에 도달하는 INS로 Rayleigh 산란 및 에어로졸 산란에 의한 INS를 포함한다.
본 연구에서는 일 평균 INS를 산출 할 때, 위성의 관측 빈도에 따른 민감도를 분석하였다. COMS 채널자료와 CLD, CF를 이용하여 한반도 영역에서 2014년의 INS를 산출하였다. INS는 시간 해상도가 1시간, 3시간인 자료를 이용하여 산출하였으며, 4 km의 공간 해상도를 가진다.
본 연구에서는 COMS 채널자료와 CLD, CF를 이용하여 INS를 산출하였다. 구름의 유무와 구름에 의한 INS 감쇠 정도를 적용하기 위해 CLD와 CF를 활용하였고, COMS Meteorological Data Processing System (CMDPS) INS 산출 알고리즘을 통해 INS를 산출하였다. CMDPS INS 산출 알고리즘은 직달일사량(direct solar insolation)과 산란일사량(diffuse solar insolation)으로 구성되어 있으며, 총 INS는 청천역에서의 INS에 CF를 곱하여 산출한다.
INS는 시간 해상도가 1시간, 3시간인 자료를 이용하여 산출하였으며, 4 km의 공간 해상도를 가진다. 그 후 지상 일사계 관측 자료와 검증을 실시하기 위해 산출된 일사량을 일 평균 하였으며, 관측빈도에 따라 민감도 분석을 수행하였다. 그 결과 일 평균 INS는 관측 빈도에 따라 1시간 및 3시간 간격의 자료를 이용하여 산출된 일사량의 정확도는 28.
2(c)를 통해서 일평균 INS는 위성의 관측 빈도에 큰 민감도를 보이지 않음을 확인할 수 있었다. 그래서 위성의 관측 빈도가 일평균 INS에 미치는 영향을 좀 더 세분화하여 비교할 필요가 있다고 판단되어 INSD1와 INSD2의 차이(INSdiff)와 구름의 관측 빈도에 따른 공간적 분포를 보았다. INSdiff와 구름의 관측 빈도를 사계절을 대표할 수 있는 1월, 4월, 7월, 10월의 1일에 해당하는 값으로 나타냈다(Fig.
먼저 COMS를 기반으로 한 INS을 1시간과 3시간 간격으로 산출하고, 이어서 산출된 INS의 정확도를 비교하기 위해 일 평균을 실시한 뒤, 지상 일사계 자료와 검증을 실시하였다. 그리고 1시간과 3시간 간격의 구름 관측 자료를 이용하여 구름 관측 빈도에 따른 INS의 차이에 대해 분석하였다.
산출된 INS 자료와 지상 일사계 관측 자료와의 직접적인 비교를 위해 일 평균하였고, 시간 해상도가 1시간, 3시간 간격인 자료를 이용한 일 합성 INS (INSD1, INSD2)를 각각을 지상 일사계 관측 자료의 일 합성 INS와 비교하여 검증을 수행하였다. 그리고 구름이 일 평균 INS에 영향을 미치는 정도를 판단하기 위해 구름 관측 빈도를 사용하여 민감도 분석을 실시하였다.
이 결과는 INSdiff에 대해 관측 시간 별 구름의 영향이 크게 미치는 것으로 사료되었다. 그리고 전체 연구 기간 동안 지상 37곳 일사계 관측 지점 중 주거, 산림, 교통 등 다양한 지표타입이 존재하며, 한반도에서 위치가 다른 3곳(서울(108), 추풍령(135), 부산(159))에서의 INSdiff와 구름의 빈도수에 대해 시계열 분석을 실시하였다(Fig. 4). 서울과 부산에 비해 고원지대인 추풍령에서 구름의 빈도수가 많았으며, 3곳 모두 여름이 겨울보다 구름의 빈도수가 많았다.
따라서 본 연구에서는 일 평균 INS를 산출 할 때, 관측 빈도에 따른 민감도를 분석하고자 한다. 먼저 COMS를 기반으로 한 INS을 1시간과 3시간 간격으로 산출하고, 이어서 산출된 INS의 정확도를 비교하기 위해 일 평균을 실시한 뒤, 지상 일사계 자료와 검증을 실시하였다. 그리고 1시간과 3시간 간격의 구름 관측 자료를 이용하여 구름 관측 빈도에 따른 INS의 차이에 대해 분석하였다.
본 연구에서는 15분 간격으로 관측된 자료 중 정시 자료와 02:15 UTC부터 3시간 간격으로 관측된 자료를 사용하였으며, 사용한 COMS 자료에 대한 내용은 Table 1에 나타내었다. 검증을 위한 지상 일사계 관측 자료는 동일기간 기상청(Korea Meteorological Administration, KMA)에서 제공하는 한반도 37개 지점의 관측소 자료를 이용하였다.
본 연구에서는 COMS 채널자료와 CLD, CF를 이용하여 INS를 산출하였다. 구름의 유무와 구름에 의한 INS 감쇠 정도를 적용하기 위해 CLD와 CF를 활용하였고, COMS Meteorological Data Processing System (CMDPS) INS 산출 알고리즘을 통해 INS를 산출하였다.
산출 된 INSD1와 INSD2의 정확도를 알아보기 위해 지상 일사계 관측 자료와 검증을 실시하였다(Fig. 2(a), Fig.
전천을 의미하는 공간적 범위인 반경 24 km에 대해 Hemispherical Integration (HI)을 실시하였다. 산출된 INS 자료와 지상 일사계 관측 자료와의 직접적인 비교를 위해 일 평균하였고, 시간 해상도가 1시간, 3시간 간격인 자료를 이용한 일 합성 INS (INSD1, INSD2)를 각각을 지상 일사계 관측 자료의 일 합성 INS와 비교하여 검증을 수행하였다. 그리고 구름이 일 평균 INS에 영향을 미치는 정도를 판단하기 위해 구름 관측 빈도를 사용하여 민감도 분석을 실시하였다.
또한 밤에는 INS가 존재하지 않으므로 시간 해상도에 따라 3시간 간격인 자료는 하루 최대 4개, 1시간 간격인 자료는 하루 최대 12개가 존재한다. 전천을 의미하는 공간적 범위인 반경 24 km에 대해 Hemispherical Integration (HI)을 실시하였다. 산출된 INS 자료와 지상 일사계 관측 자료와의 직접적인 비교를 위해 일 평균하였고, 시간 해상도가 1시간, 3시간 간격인 자료를 이용한 일 합성 INS (INSD1, INSD2)를 각각을 지상 일사계 관측 자료의 일 합성 INS와 비교하여 검증을 수행하였다.
대상 데이터
본 연구의 연구기간은 2014년 1월부터 당해 연도 12월까지 총 1년으로 태양의 연 변화와 같은 기간으로 설정하였으며, 연구영역은 한반도로 설정하였다. COMS의 기상탑재체(Meteorological Imager, MI)는 1개의 가시광선 채널과 4개의 적외선 채널이 포함된 Level1자료를 제공한다. 본 연구에서는 INS를 산출하기 위해 Level1자료 중 3개의 채널자료(Visible(VIS), Infrared1(IR1), Infrared2(IR2))를 사용하였다.
본 연구에서는 15분 간격으로 관측된 자료 중 정시 자료와 02:15 UTC부터 3시간 간격으로 관측된 자료를 사용하였으며, 사용한 COMS 자료에 대한 내용은 Table 1에 나타내었다. 검증을 위한 지상 일사계 관측 자료는 동일기간 기상청(Korea Meteorological Administration, KMA)에서 제공하는 한반도 37개 지점의 관측소 자료를 이용하였다. 본 연구에서 검증을 위해 사용된 일사계 자료는 태양 복사를 2분마다 관측 및 평균하여 정시 관측 대푯값으로 제공된다.
COMS의 기상탑재체(Meteorological Imager, MI)는 1개의 가시광선 채널과 4개의 적외선 채널이 포함된 Level1자료를 제공한다. 본 연구에서는 INS를 산출하기 위해 Level1자료 중 3개의 채널자료(Visible(VIS), Infrared1(IR1), Infrared2(IR2))를 사용하였다. 구름의 유무를 판단하기 위해 구름탐지 분석자료(Cloud mask, CLD)를 사용하였고, 구름에 의한 감쇠 정도를 나타내는 계수인 Cloud Factor(CF)는 COMS INS ATBD(2012)를 참고하여 사용하였다.
본 연구의 연구기간은 2014년 1월부터 당해 연도 12월까지 총 1년으로 태양의 연 변화와 같은 기간으로 설정하였으며, 연구영역은 한반도로 설정하였다. COMS의 기상탑재체(Meteorological Imager, MI)는 1개의 가시광선 채널과 4개의 적외선 채널이 포함된 Level1자료를 제공한다.
데이터처리
반대로 구름의 빈도수가 적을수록 INSdiff는 양의 값을 가지는 경향을 보였다. 이를 바탕으로 시간 해상도가 1시간과 3시간으로 다를 때, INSdiff에 어떤 영향을 주는지 알아보기 위해 구름 관측 빈도에 따른 INS RMSE의 차이를 2014년 연평균을 실시하여 Table 2에 나타내었다. 시간 해상도가 3시간일 때 4번을 구름으로 관측하고, 시간 해상도가 1시간일 때 3번을 구름으로 관측한 경우, INS는 관측 빈도가 낮은 자료에서는 낮게, 관측 빈도가 높은 자료에서는 관측 빈도가 낮은 자료에 비해 높게 산출이 된다.
이론/모형
본 연구에서는 INS를 산출하기 위해 Level1자료 중 3개의 채널자료(Visible(VIS), Infrared1(IR1), Infrared2(IR2))를 사용하였다. 구름의 유무를 판단하기 위해 구름탐지 분석자료(Cloud mask, CLD)를 사용하였고, 구름에 의한 감쇠 정도를 나타내는 계수인 Cloud Factor(CF)는 COMS INS ATBD(2012)를 참고하여 사용하였다.
성능/효과
3). INSdiff는 계절적으로 뚜렷한 패턴을 보이지 않았으나, 구름을 고려하였을 때, 구름의 관측 빈도수가 높을수록 INSdiff의 절대값이 큰 것을 확인할 수 있었다. 이 결과는 INSdiff에 대해 관측 시간 별 구름의 영향이 크게 미치는 것으로 사료되었다.
그 후 지상 일사계 관측 자료와 검증을 실시하기 위해 산출된 일사량을 일 평균 하였으며, 관측빈도에 따라 민감도 분석을 수행하였다. 그 결과 일 평균 INS는 관측 빈도에 따라 1시간 및 3시간 간격의 자료를 이용하여 산출된 일사량의 정확도는 28.6401 W/m2과30.4960 W/m2의 결과를 보여, 일 평균 INS는 위성의 관측 빈도에 큰 민감도를 보이지 않았다. 하지만 INSdiff를 시·공간적으로 분석하였을 때, 구름 관측의 빈도에 따라약-80 W/m2에서 60 W/m2만큼 차이가 발생하였다.
하지만 INSdiff를 시·공간적으로 분석하였을 때, 구름 관측의 빈도에 따라약-80 W/m2에서 60 W/m2만큼 차이가 발생하였다. 또한, 시간 해상도가 다른 두 자료의 구름 관측 빈도가 상이할 경우, INS RMSE 차이가 약 -19.4392 W/m2에서10.1456 W/m2으로 큰 변화를 보였다. 이를 통해, 일 평균 INS는 구름의 관측 빈도의 영향을 받고, 관측 시간의 상세화 정도에 따라 민감도가 크게 차이가 나는 것으로 분석되었다.
4). 서울과 부산에 비해 고원지대인 추풍령에서 구름의 빈도수가 많았으며, 3곳 모두 여름이 겨울보다 구름의 빈도수가 많았다. 또한, 구름의 빈도수가 많을수록 INSdiff는 음의 값을 가지는 경향을 보였다.
INSdiff는 계절적으로 뚜렷한 패턴을 보이지 않았으나, 구름을 고려하였을 때, 구름의 관측 빈도수가 높을수록 INSdiff의 절대값이 큰 것을 확인할 수 있었다. 이 결과는 INSdiff에 대해 관측 시간 별 구름의 영향이 크게 미치는 것으로 사료되었다. 그리고 전체 연구 기간 동안 지상 37곳 일사계 관측 지점 중 주거, 산림, 교통 등 다양한 지표타입이 존재하며, 한반도에서 위치가 다른 3곳(서울(108), 추풍령(135), 부산(159))에서의 INSdiff와 구름의 빈도수에 대해 시계열 분석을 실시하였다(Fig.
그러므로 INS RMSE 차이는 큰 값을 가지게 된다. 이를 통해 구름의 관측 빈도에 따라 INS 일 합성장의 결과가 달라질 수 있음을 확인할 수 있었다.
1456 W/m2으로 큰 변화를 보였다. 이를 통해, 일 평균 INS는 구름의 관측 빈도의 영향을 받고, 관측 시간의 상세화 정도에 따라 민감도가 크게 차이가 나는 것으로 분석되었다.
후속연구
본 연구의 결과를 통해 구름 관측 빈도의 영향을 고려하여 INS 산출 시 발생하는 오차를 감소시켜 더 높은 정확도를 가지는 INS를 산출할 수 있는 가능성을 보였으며, 태양광 발전 연구 및 증·발산 산출의 정확도 증가에 기여할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
일사량이란?
일사량(INSolation, INS)은 단위 면적당 입사하는 태양 복사 에너지의 양으로, 지구의 환경 및 생명에 영향을 미치는 중요한 요소이며 지구 시스템을 이해할 수 있는 중요한 지표변수이다(Liang, 2012). INS는 일사계로 측정될 수 있지만, 모든 지역을 포함한 공간적 분포를 파악하는 것이 어렵다.
일사량을 원격탐사를 통해 모니터링하는 것이 중요한 이유는?
일사량은 지구 내 시스템의 에너지원으로 작용하는 중요한 지표변수로써, 원격탐사를 통해 모니터링 하는 것은 태양 에너지의 잠재량을 평가할 수 있어 매우 중요하다. 따라서 본 논문에서는 한반도에서 관측 빈도에 따른 일 평균 일사량 산출의 민감도를 분석하고자 한다.
INS 산출 및 연구의 사례에는 어떤 것이 있는가?
이를 보완해 줄 수 있는 방법은 원격 탐사를 이용하는 것으로, 이를 이용한 INS 산출 및 연구가 진행되어 왔다. Tarpley(1979)는 GOES 자료를 바탕으로 회귀계수를 이용하여 INS를 산출하였다. Kawamura et al.(1998)은 GMS-5/VISSR을 이용하여 동아시아 지역에 대해 최적화 된 물리모델을 제시했으며, 청천일 때와 구름이 존재할 때의 두 가지로 INS를 산출하였다. Zarzalejo et al.(2009)는 Meteosat 데이터와 지상에서 획득한 청명지수와 구름지수를 이용하였으며, 지중해와 반 건조 및 해양기후에 적합한 INS 통계적 모델을 개발하였다. Yeom et al.(2012)은 Kawamura et al.(1998)의 물리모델을 기반으로 하여 INS 산출에 가장 중요한 요소인 구름 감쇠 효과에 대한 비율을 알베도와 태양 천정각에 의한 LUT를 적용하여 INS를 산출하였다. Choi et al.(2015)는 기존 Heliosat-II 방법에 운량에 의한 지표 반사도 차이를 선형 변환을 통해 보정하는 과정을 추가하여 Heliosat-II 방법을 수정하였으며, COMS/MI 가시광 채널 영상만을 사용하여 INS를 산출하였다. 이러한 연구들의 시간 해상도는 30분에서 1일까지 다양하였다. 이 외에도 INS가 아닌 대류시스템이나, 강수, 태풍, 기상관측 등의 분야에서도 30분이나 1시간 간격의 자료를 이용하거나 생산하는 연구가 진행되고 있었다(Baek et al., 2006; Ushio et al., 2009).
참고문헌 (9)
Baek, S.K., Y.J. Choi, C.Y. Chung, and C.H. Cho, 2006. The Characteristics and Predictability of Convective System Based on GOES-9 Observations during the Summer of 2004 over East Asia, Atmosphere, 16(3): 255-234 (in Korean with English abstract).
Choi, W.S., A.R. Song, and Y.I. Kim, 2015. Solar Irradiance Estimation in Korea by Using Modified Heliosat-II Method and COMS-MI Imagery, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(5): 463-472 (in Korean with English abstract).
Kawamura, H., S. Tanahashi, and T. Takahashi, 1998. Estimation of insolation over the Pacific Ocean off the Sanriku Coast, Journal of Oceanography, 54: 457-464.
Liang, S., X. Li, and J. Wang, 2012. Advanced remote sensing: Terrestrial Information Extraction and Applications, Academic Press.
National Meteorological Satellite Center, 2012. Insolation Algorithm Theoretical Basis Document, Korea Meteorological Administration, Korea.
Tarpley, J.D., 1979. Estimating Incident Solar Radiation at the Surface from Geostationary Satellite Data, Journal of applied meteorology, 18: 1172-1181.
Ushio, T., K. Sasashige, T. Kubota, S. Shige, K. Okamoto, K. Aonashi, T. Inoue, N. Takahashi, T. Iguchi, M. Kachi, R. Oki, T. Morimoto, and Z. Kawasaki, 2009. A Kalman Filter Approach to the Global Satellite Mapping of Precipitation (GSMaP) from Combined Passive Microwave and Infrared Radiometric Data, Journal of the Meteorological Society of Japan, 87(A): 137-151.
Yeom, J.M., K.S. Han, and J.J. Kim, 2012. Evaluation on penetration rate of cloud for incoming solar radiation using geostationary satellite data, Asia-Pacific Journal of Atmospheric Sciences, 48: 115-123 (in Korean with English abstract).
Zarzalejo, L.F., J. Polo, L. Martin, L. Ramirez, and B. Espinar, 2009. A new statistical approach for deriving global solar radiation from satellite images, Solar Energy, 83(4): 480-484.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.