[국내논문]신경망 모델로 구성한 동해 울릉분지 표층 이산화탄소 분압과 변동성 Sea Surface pCO2 and Its Variability in the Ulleung Basin, East Sea Constrained by a Neural Network Model원문보기
동해 표층 해수에서 측정한 이산화탄소 분압($pCO_2$)에 대해 기 확보된 자료는 해양-대기간 $CO_2$ 교환율을 정량화하고자 통계 기법을 적용하기에는 부족한 편이다. 이를 보완하기 위해 위성자료를 이용하여 관측이 이루어지지 않은 해역의 $pCO_2$를 신경망모델을 이용하여 채워 넣는(mapping) 연구를 시도하였다. 본 연구는 동해에서 현장관측자료가 가장 많이 축적된 울릉분지를 대상으로 2003년부터 2012년까지의 표층$pCO_2$자료와, Aqua 위성의 MODIS 센서로 관측한 해표면 온도(SST)와 엽록소(chlorophyll) 자료, 경위도 자료로 신경망모델을 구축하여 $pCO_2$ 분포도 작성과 변동성을 추정하고자 하였다. 신경망모델의 학습은 $pCO_2$ 관측자료와 모델결과값의 상관도가 95% 이상을 달성하도록 하였다. 모델 결과의 평균제곱근오차(RMSE)는 $19.2{\mu}atm$으로 관측자료의 변동 크기와 비교해서 훨씬 작은 수준이었다. SST와 chlorophyll에 연관된 $pCO_2$의 변동성을 살펴보면 chlorophyll 보다는 SST에 대해 더욱 강한 음의 상관 관계를 보였다. 모델이 출력한 $pCO_2$의 변동성은 SST가 내려감에 따라 커지는 경향을 보였다. $15^{\circ}C$ 이하에서는 $pCO_2$ 변동성에 대한 SST와 chlorophyll의 기여도가 뚜렷하게 나타났다. 반면 SST가 $15^{\circ}C$ 이상일 경우에는 $pCO_2$ 변동성은 SST와 chlorophyll의 변화에 대해 그리 민감하게 반응하지 않았다. 신경망모델 출력값으로 추정한 2003-2014년 사이의 울릉분지 표층수의 연평균 $pCO_2$ 증가율은 $0.8{\mu}atm$이었다. 신경망 모델이 울릉분지의 $pCO_2$에 대해 이전 연구보다 해상력과 오차가 향상된 $pCO_2$ 채워넣기를 가능케 해 준 점에 비추어 볼 때 국제정세에 따라 전역 관측이 수월하지 않은 동해의 탄소순환을 이해하는데 유용한 도구로 쓰일 수 있을 것으로 판단된다.
동해 표층 해수에서 측정한 이산화탄소 분압($pCO_2$)에 대해 기 확보된 자료는 해양-대기간 $CO_2$ 교환율을 정량화하고자 통계 기법을 적용하기에는 부족한 편이다. 이를 보완하기 위해 위성자료를 이용하여 관측이 이루어지지 않은 해역의 $pCO_2$를 신경망모델을 이용하여 채워 넣는(mapping) 연구를 시도하였다. 본 연구는 동해에서 현장관측자료가 가장 많이 축적된 울릉분지를 대상으로 2003년부터 2012년까지의 표층$pCO_2$자료와, Aqua 위성의 MODIS 센서로 관측한 해표면 온도(SST)와 엽록소(chlorophyll) 자료, 경위도 자료로 신경망모델을 구축하여 $pCO_2$ 분포도 작성과 변동성을 추정하고자 하였다. 신경망모델의 학습은 $pCO_2$ 관측자료와 모델결과값의 상관도가 95% 이상을 달성하도록 하였다. 모델 결과의 평균제곱근오차(RMSE)는 $19.2{\mu}atm$으로 관측자료의 변동 크기와 비교해서 훨씬 작은 수준이었다. SST와 chlorophyll에 연관된 $pCO_2$의 변동성을 살펴보면 chlorophyll 보다는 SST에 대해 더욱 강한 음의 상관 관계를 보였다. 모델이 출력한 $pCO_2$의 변동성은 SST가 내려감에 따라 커지는 경향을 보였다. $15^{\circ}C$ 이하에서는 $pCO_2$ 변동성에 대한 SST와 chlorophyll의 기여도가 뚜렷하게 나타났다. 반면 SST가 $15^{\circ}C$ 이상일 경우에는 $pCO_2$ 변동성은 SST와 chlorophyll의 변화에 대해 그리 민감하게 반응하지 않았다. 신경망모델 출력값으로 추정한 2003-2014년 사이의 울릉분지 표층수의 연평균 $pCO_2$ 증가율은 $0.8{\mu}atm$이었다. 신경망 모델이 울릉분지의 $pCO_2$에 대해 이전 연구보다 해상력과 오차가 향상된 $pCO_2$ 채워넣기를 가능케 해 준 점에 비추어 볼 때 국제정세에 따라 전역 관측이 수월하지 않은 동해의 탄소순환을 이해하는데 유용한 도구로 쓰일 수 있을 것으로 판단된다.
Currently available surface seawater partial pressure carbon dioxide ($pCO_2$) data sets in the East Sea are not enough to quantify statistically the carbon dioxide flux through the air-sea interface. To complement the scarcity of the $pCO_2$ measurements, we construct a neural...
Currently available surface seawater partial pressure carbon dioxide ($pCO_2$) data sets in the East Sea are not enough to quantify statistically the carbon dioxide flux through the air-sea interface. To complement the scarcity of the $pCO_2$ measurements, we construct a neural network (NN) model based on satellite data to map $pCO_2$ for the areas, which were not observed. The NN model is constructed for the Ulleung Basin, where $pCO_2$ data are best available, to map and estimate the variability of $pCO_2$ based on in situ $pCO_2$ for the years from 2003 to 2012, and the sea surface temperature (SST) and chlorophyll data from the MODIS (Moderate-resolution Imaging Spectroradiometer) sensor of the Aqua satellite along with geographic information. The NN model was trained to achieve higher than 95% of a correlation between in situ and predicted $pCO_2$ values. The RMSE (root mean square error) of the NN model output was $19.2{\mu}atm$ and much less than the variability of in situ $pCO_2$. The variability of $pCO_2$ with respect to SST and chlorophyll shows a strong negative correlation with SST than chlorophyll. As SST decreases the variability of $pCO_2$ increases. When SST is lower than $15^{\circ}C$, $pCO_2$ variability is clearly affected by both SST and chlorophyll. In contrast when SST is higher than $15^{\circ}C$, the variability of $pCO_2$ is less sensitive to changes in SST and chlorophyll. The mean rate of the annual $pCO_2$ increase estimated by the NN model output in the Ulleung Basin is $0.8{\mu}atm\;yr^{-1}$ from 2003 to 2014. As NN model can successfully map $pCO_2$ data for the whole study area with a higher resolution and less RMSE compared to the previous studies, the NN model can be a potentially useful tool for the understanding of the carbon cycle in the East Sea, where accessibility is limited by the international affairs.
Currently available surface seawater partial pressure carbon dioxide ($pCO_2$) data sets in the East Sea are not enough to quantify statistically the carbon dioxide flux through the air-sea interface. To complement the scarcity of the $pCO_2$ measurements, we construct a neural network (NN) model based on satellite data to map $pCO_2$ for the areas, which were not observed. The NN model is constructed for the Ulleung Basin, where $pCO_2$ data are best available, to map and estimate the variability of $pCO_2$ based on in situ $pCO_2$ for the years from 2003 to 2012, and the sea surface temperature (SST) and chlorophyll data from the MODIS (Moderate-resolution Imaging Spectroradiometer) sensor of the Aqua satellite along with geographic information. The NN model was trained to achieve higher than 95% of a correlation between in situ and predicted $pCO_2$ values. The RMSE (root mean square error) of the NN model output was $19.2{\mu}atm$ and much less than the variability of in situ $pCO_2$. The variability of $pCO_2$ with respect to SST and chlorophyll shows a strong negative correlation with SST than chlorophyll. As SST decreases the variability of $pCO_2$ increases. When SST is lower than $15^{\circ}C$, $pCO_2$ variability is clearly affected by both SST and chlorophyll. In contrast when SST is higher than $15^{\circ}C$, the variability of $pCO_2$ is less sensitive to changes in SST and chlorophyll. The mean rate of the annual $pCO_2$ increase estimated by the NN model output in the Ulleung Basin is $0.8{\mu}atm\;yr^{-1}$ from 2003 to 2014. As NN model can successfully map $pCO_2$ data for the whole study area with a higher resolution and less RMSE compared to the previous studies, the NN model can be a potentially useful tool for the understanding of the carbon cycle in the East Sea, where accessibility is limited by the international affairs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 현장자료가 없는 공간에 대한 시계열 자료를 만들기 위하여 위성 자료를 이용한 신경망 모델로 울릉분지 표층 이산화탄소 자료를 생성하고 변동성을 알아보는 연구를 시도하였다.
제안 방법
본 NN모델 연구에서는 위·경도, SST, chlorophyll을 사용하여 동해 표층 해수의 pCO2를 계산하였다.
연구해역은 위도 36-38°N, 경도 130-133°E 범위의 울릉분지로 선정하였다. 동해에서 수행된 pCO2 현장관측은 동해 북부해역보다는 영해인 울릉분지 자료가 주를 이루기 때문에 여러 계절에 걸쳐 모델을 학습시킬 수 있는 충분한 자료를 사용하기 위하여 연구해역을 제한하여 모델링을 시도하였다.
본 연구에서는 모델결과 값과 현장관측값의 상관도가 95% 일 때 학습과정을 종료하였다. 마지막 검토과정에서는 모델 디자인에 사용되지 않은 입력자료를 모델에 넣어서 모델결과값과 현장관측자료를 비교하여 모델의 정확도를 확인한다. 신경망 모델의 각 과정은 Matlab의 neural network(신경망) Tool box(Beale et al.
모델 검증과정에서 현장관측 pCO2값과 모델결과값의 상관관계가 95% 이상일 때 학습과정을 종료하고 입력 자료인 SST, chlorophyll과 pCO2의 관계를 정립하여 모델을 구성하였다. 총 12,386개의 자료에 대하여 NN 모델링을 수행하여 학습과정, 검증과정, 검토과정에서 계산한 pCO2 값을 현장에서 관측한 pCO2 값과 비교하였다(Fig.
의 관계를 정립하여 모델을 구성하였다. 총 12,386개의 자료에 대하여 NN 모델링을 수행하여 학습과정, 검증과정, 검토과정에서 계산한 pCO2 값을 현장에서 관측한 pCO2 값과 비교하였다(Fig. 3). 전체 12,386개의 계산된 pCO2 값 중에 94.
이들을 입력자료로 사용하여 NN 모델을 통한 2003년 12월 23일 울릉분지 표층 pCO2를 계산하였다.
현장관측자료(pCO2in situ)와 모델결과값(pCO2NN)의 직접적인 비교는 두 자료의 시간 규모가 다르기 때문에 다소 무리가 따르지만 비교의 편의를 위하여 월평균 pCO2NN 분포도에 현장관측자료를 덧씌운 그림으로 제시하였다(Figs. 4, 5). 울릉분지 월평균 pCO2의 전반적인 분포는 위도 37°N을 경계로 남쪽 해역은 높은 값을 가지며 북쪽 해역은 비교적 낮은 값을 보인다.
NN 모델 디자인의 검증과정에서 현장관측값과 모델결과값의 비교를 통한 모델 검증이 일차적으로 이루어졌으나 만들어진 모델에 자료를 넣어서 모델결과값을 검토하는 추가적인 검증이 필요하다. NN 모델에 일별 SST, chlorophyll 위성자료를 입력자료로 넣어 계산된 pCO2를 일별자료인 현장관측자료와 비교하여 모델의 실제 검증을 시도하였다.
본 연구에서 사용한 NN 모델은 4개의 입력변수(latitude, longitude, SST, chlorophyll)를 사용하여 하나의 출력(pCO2)을 산출한다. 그런데 변수가 3개 이상인 함수는 3차원 공간상에서 기하학적인 표현이 불가능하기 때문에, NN 모델에서 입력자료(latitude, longitude, SST, chlorophyll)와 pCO2의 상관관계를 파악하기 위해서 입력자료로 고려한 4개의 변수 중 일부를 상수로 고정한 후 pCO2 값의 변동성을 계산하여 모델의 민감도를 분석하였다.
)을 산출한다. 그런데 변수가 3개 이상인 함수는 3차원 공간상에서 기하학적인 표현이 불가능하기 때문에, NN 모델에서 입력자료(latitude, longitude, SST, chlorophyll)와 pCO2의 상관관계를 파악하기 위해서 입력자료로 고려한 4개의 변수 중 일부를 상수로 고정한 후 pCO2 값의 변동성을 계산하여 모델의 민감도를 분석하였다.
SST와 chlorophyll 값을 모델에서 고려한 범위 내에서 변화시키면서 민감도를 분석하였다. 먼저 chlorophyll을 0.
8a). 다음으로 SST를 8℃, 13℃, 16℃, 19℃, 25℃로 고정한 후 chlorophyll을 0.15 mg m-3에서 2.0 mg m-3까지 변화를 주어 pCO2의 변동성을 구하여 결과를 Fig. 8b에 도시하였다. Chlorophyll이 증가할수록 pCO2는 줄어들며 SST가 감소할수록 chlorophyll에 대한 pCO2의 변동성이 커지는 경향을 보인다.
2003년부터 2014년까지 NN모델 결과로서 연평균 울릉분지 표층 pCO2를 계산하였다. 연평균 표층 pCO2는 최소 318.
를 계산하는데 적절한 도구라고 판단된다. Aqua 위성의 MODIS 센서가 측정한 SST, chlorophyll 자료와 현장관측한 pCO2 자료를 사용하여 NN 모델을 통해 울릉분지 표층 pCO2 를 계산하였다.
SST와 chlorophyll 값을 모델에서 고려한 범위 내에서 변화시키면서 민감도를 분석하였다. 먼저 chlorophyll을 0.15 mg m-3, 1.0 mg m-3, 1.5 mg m-3, 2.0 mg m-3으로 고정한 후 SST를 7℃에서 24℃까지 변동시키면서 pCO2의 변동성을 파악하였다(Fig. 8a). 다음으로 SST를 8℃, 13℃, 16℃, 19℃, 25℃로 고정한 후 chlorophyll을 0.
대상 데이터
연구해역은 위도 36-38°N, 경도 130-133°E 범위의 울릉분지로 선정하였다.
신경망(NN) 모델을 디자인하는 과정에서 현장관측한 pCO2 값을 사용하였으며, chlorophyll 자료의 경우에는 현장관측한 chlorophyll 자료가 모델을 학습시키는 과정에 사용하기에는 자료의 수가 부족했기 때문에 월평균 위성 관측 자료를 사용하였다. 또한 입력자료들의 시간 규모를 맞춰주기 위하여 SST도 위성관측한 월평균 자료를 사용하였다(Table 1).
또한 입력자료들의 시간 규모를 맞춰주기 위하여 SST도 위성관측한 월평균 자료를 사용하였다(Table 1).
검증을 위해 NN 모델에 사용된 현장관측 pCO2 자료와 시간과 장소가 일치하는 일별 SST, chlorophyll 위성자료를 찾은 결과로 2003년 12월 23일의 SST, chlorophyll 자료 35쌍을 추출하였다. 이들을 입력자료로 사용하여 NN 모델을 통한 2003년 12월 23일 울릉분지 표층 pCO2를 계산하였다.
또한 입력자료들의 시간 규모를 맞춰주기 위하여 SST도 위성관측한 월평균 자료를 사용하였다(Table 1). 2003년부터 2012년까지 주로 EAST-I 연구과제로 수행했던 조사를 통해 항해 경로를 따라 연속적으로 측정한 표층해수의 pCO2 자료를 사용하였다(Fig. 1). NN 모델링에 사용된 현장관측자료의 범위는 Table 1에수록하였다.
NN 모델링에 사용된 현장관측자료의 범위는 Table 1에수록하였다. 위성자료는 2003년부터 2012년까지 Aqua위성의 MODIS센서에서 얻은 SST, chlorophyll 월 평균 4 km 해상도의 자료를 사용하였다(http://oceandata.sci.gsfc.nasa. gov/).
성능/효과
전체 12,386개의 계산된 pCO2 값 중에 94.1% 인 11,653개의 결과값이 ±20 μatm 이내의 오차범위에 속하며 5.9% 정도의 결과값이 오차범위 ±20 μatm을 벗어났다(Fig.
검증과정과 검토과정에 현장관측 pCO2 값과 모델결과값의 상관도와 RMSE는 각각 R=0.94, R=0.95와 4.6 μatm, 10.8 μatm 이었다.
본 연구에 사용된 모든 계절의 현장관측자료의 pCO2 범위는 270.4 μatm에서 507.1 μatm으로 비교적 큰 변동성을 보여주고 있으며, 현장관측값의 표준편차는 7 μatm에서 최대 32.4 μatm으로 같은 계절이라도 장소에 따른 pCO2의 변동성이 크게 나타났기 때문에 울릉분지 표층 pCO2를 계산하기 위하여 RMSE가 19.2 μatm인 NN 모델을 사용할 수 있을 것으로 판단된다.
pCO2는 해수 중 가스상태로 존재하는 이산화탄소의 분압으로서 수온이 증가함에 따라 기체 용해도가 감소하기 때문에 수온이 높을수록 이산화탄소는 용존상에서 기체상으로 바뀌게 되어 값이 커지게 된다. 따라서 NN 모델 결과에서 나타나는 남쪽 해역의 높은 pCO2 NN 값은 울릉분지의 높은 표층 수온에 일차적으로 영향을 받는 것으로 추정된다.
1%에 해당하였다. SST를 상수로 고정하고 chlorophyll을 변동 시켰을 때 chlorophyll에 의한 모델결과값의 변동에 대한 기여도는 최대 41%로 나타났다.
SST가 증가함에 따라 대체적으로 pCO2는 증가하고 pCO2의 변동성은 줄어드는 경향을 보이고 chlorophyll이 증가함에 따라 pCO2는 감소하고 pCO2의 변동성은 커지는 경향성이 나타났다. 모델 민감도에서 SST가 10℃ 이하일 때 chlorophyll에 의한 pCO2 변동성이 가장 큰 것으로 나타났다.
의 변동성은 커지는 경향성이 나타났다. 모델 민감도에서 SST가 10℃ 이하일 때 chlorophyll에 의한 pCO2 변동성이 가장 큰 것으로 나타났다. 이것은 수온이 비교적 낮은 봄철에는 울릉분지의 pCO2도 낮은 경향을 보이며 chlorophyll에 의한 pCO2 변동성이 가장 크게 나타나는 것으로 해석할 수 있다(Choi et al.
NN모델을 검증하기 위하여 일별 위성관측자료를 사용하여 현장관측된 pCO2 값과 비교 하였을 때, RMSE는 20 μatm보다 작아서 이전 연구 결과에 비해 향상되었다.
값과 비교 하였을 때, RMSE는 20 μatm보다 작아서 이전 연구 결과에 비해 향상되었다. 모델의 민감도를 4개의 입력 자료 중 몇 가지를 상수로 고정하여 pCO2의 변동성으로 살펴보았을 때 15℃ 이하에서는 chlorophyll이 증가함에 따라 SST와 pCO2는 양의 관계를 보이며 수온이 15℃ 보다 높은 경우에는 수온과 chlorophyll에 의한 pCO2 변동성은 줄어들었다. 계절에 따라 울릉분지 pCO2에 영향을 미치는 주요인이 달라지는 것이 이러한 상관관계를 나타내는 원인으로 판단된다.
후속연구
NN 모델 디자인의 검증과정에서 현장관측값과 모델결과값의 비교를 통한 모델 검증이 일차적으로 이루어졌으나 만들어진 모델에 자료를 넣어서 모델결과값을 검토하는 추가적인 검증이 필요하다. NN 모델에 일별 SST, chlorophyll 위성자료를 입력자료로 넣어 계산된 pCO2를 일별자료인 현장관측자료와 비교하여 모델의 실제 검증을 시도하였다.
본 연구 결과는 현재 이슈화 되고 있는 동해의 탄소순환의 첫 단추인 표층 pCO2계산을 시도함으로써 이후 동해 탄소순환을 정량화하기 위한 향후 연구에 기여할 수 있을 것이라 사료된다. 향후 여러 계절에 걸쳐 현장관측자료가 충분히 모아지게 되면 NN 모델을 사용한 계절에 따른 pCO2 변동성을 더욱 적은 범위의 오차를 가지고 계산 할수 있을 것이라 예상되며 동해 전역의 현장관측을 통해 동해 표층 pCO2의 시공간적 변동성을 파악할 수 있게 될 것이라 판단된다.
계산을 시도함으로써 이후 동해 탄소순환을 정량화하기 위한 향후 연구에 기여할 수 있을 것이라 사료된다. 향후 여러 계절에 걸쳐 현장관측자료가 충분히 모아지게 되면 NN 모델을 사용한 계절에 따른 pCO2 변동성을 더욱 적은 범위의 오차를 가지고 계산 할수 있을 것이라 예상되며 동해 전역의 현장관측을 통해 동해 표층 pCO2의 시공간적 변동성을 파악할 수 있게 될 것이라 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
본 논문에서 언급한 표층 해수의 이산화탄소에 영향을 주는 요인은 무엇인가?
표층 해수의 이산화탄소 분압은 해수의 물리적, 화학적, 생물학적 특성에 따라 영향을 받는다. 특히 표층 해수의 수온은 기체 용해도를 결정짓는 주 요인이며 수온의 증가에 따라 해수의 용해도가 감소하게 되어 표층 이산화탄소의 분압과 표층 수온의 변동성은 닮은 경향성을 가진다(Takahashi et al., 1993). 또한 식물플랑크톤의 광합성, 혼합층의 두께, 바람의 세기 그리고 용승과 수직 혼합도 표층 이산화탄소를 변동시키는 요인으로 알려져 있다(Volk and Hoffert, 1985).
동해의 표층 수온이 위도에 따른 수온의 변동성이 크게 나타나는 이유는 무엇인가?
동해의 남부 표층에서는 동한난류와 대마난류가 유입되며 북부에서는 북한한류가 남하하여 북위 36-39°N 근처에 아극전선이 형성되기 때문에 동해의 표층 수온은 위도에 따른 수온의 변동성이 크게 나타난다(Cho and Kim, 1996; Mitchell et al., 2005).
입력변수가 4개인 NN 모델을 3차원 공간상에서 활용하기 위해서 어떠한 방법은 택했는가?
본 연구에서 사용한 NN 모델은 4개의 입력변수(latitude, longitude, SST, chlorophyll)를 사용하여 하나의 출력(pCO2)을 산출한다. 그런데 변수가 3개 이상인 함수는 3차원 공간상에서 기하학적인 표현이 불가능하기 때문에, NN 모델에서 입력자료(latitude, longitude, SST, chlorophyll)와 pCO2의 상관관계를 파악하기 위해서 입력자료로 고려한 4개의 변수 중 일부를 상수로 고정한 후 pCO2 값의 변동성을 계산하여 모델의 민감도를 분석하였다.
참고문헌 (34)
Beale, M., M.T. Hagan and H.B. Demuth, 2010. Neural Network Toolbox 7. MathWorks, Natick, Mass, 951 pp.
Borges, A.V., B. Delille and M. Frankignoulle, 2005. Budgeting sinks and sources of $CO_2$ in the coastal ocean: Diversity of ecosystems counts. Geophys. Res. Lett., 32: L14601, doi: 10.1029/2005GL023053.
Chen, C.-T. A. and A. V. Borges, 2009. Reconciling opposing views on carbon cycling in the coastal ocean: Continental shelves as sinks and near-shore ecosystem as sources of atmospheric $CO_2$ . Deep-Sea Res. Pt. II, 56: 578-590, doi:10.1016/j.dsr2.2009.01.001.
Cho, Y.-K. and K. Kim, 1996. Seasonal variation of East Korea Warm Current and its relation with the cold water. Societe franco-japonaise d'oceanographie, La mer 34: 172-182.
Choi, S.H., 1995. Distributions of $pCO_2$ and $pCH_4$ in surface seawaters of the East Sea, M.S. thesis, Seoul National University, Seoul, 92 pp.
Choi, S.H., D. Kim, J. Shim and H.S. Min, 2011. The spatial distribution of surface $fCO_2$ in the Southwestern East Sea/Japan sea during summer 2005. Ocean Sci. J., 46(1): 13-21.
Choi, S.-H., D. Kim, J.H. Shim, K.H. Kim, H.S. Min and K.R. Kim, 2012. Seasonal variations of surface $fCO_2$ and sea-air $CO_2$ fluxes in the Ulleung Basin of the East/Japan Sea. Terr. Atmos. Ocean. Sci., 23(3): 343-353.
Choi, S.H., 2012. The Sea-Air $CO_2$ fluxes in the Korean Marginal Seas and the Western North Pacific. Ph.D Thesis, Seoul National University, Seoul, 123 pp.
Friedrich, T. and A. Oschlies, 2009a. Neural network-based estimates of North Atlantic surface $pCO_2$ from satellite data: A methodological study. J. Geophys. Res., 114, C03020, doi: 10.1029/2007JC004646.
Friedrich, T. and A. Oschlies, 2009b. Basin-scale $pCO_2$ maps estimated from ARGO float data: A model study, J. Geophys. Res., 114, C10012, doi:10.1029/2009JC005322.
Intergovernmental Panel on Climate Change (IPCC), 2013. Climate change 2013: the physical science basis, Cambridge University Press, 996 pp.
Jo, Y.H., M. Dai, W. Zhai, X.H. Yan and S. Shang, 2012. On the variations of sea surface $pCO_2$ in the northern South China Sea: A remote sensing based neural network approach. J. Geophys. Res.: Oceans (1978-2012), 117, C08022, doi:10.1029/2011JC007745.
Kang, D.J., 1999. A study on the carbon cycle in the East Sea. Ph.D Thesis, Seoul National University, Seoul, 159 pp.
Kim, J.Y., D.J. Kang, T. Lee, and K.-R. Kim, 2014. Long-term trend of $CO_2$ and ocean acidification in the surface water of the Ulleung Basin, the East/Japan Sea inferred from the underway observational data. Biogeosciences, 11(9): 2443-2454.
Kim, K.-R. and K. Kim, 1996. What is happening in the East Sea (Japan Sea)?: Recent chemical observations during CREAMS93-96. J. Korean Soc. Oceanogr., 31: 164-172.
Landschutzer, P., N. Gruber, D.C.E. Bakker, U. Schuster, S. Nakaoka, M.R. Payne, T.P. Sasse and J. Zeng, 2013. A neural network-based estimate of the seasonal to inter-annual variability of the Atlantic Ocean carbon sink. Biogeosciences, 10(11): 7793-7815.
Lefevre, N., A. Watson and A.R. Watson, 2005. A comparison of multiple regression and neural network techniques for mapping in situ $pCO_2$ data. Tellus B, 57: 375-384.
Mitchell, D.A., D.R. Watts, M. Wimbush, W.J. Teague, K.L. Tracey, J.W. Book, K.-I. Chang, M.-S. Suk and J.-H. Yoon, 2005. Upper circulation patterns in the Ulleung Basin. Deep-Sea Res. Pt. II, 52: 1617-1638.
Oh, D.-C., M.-K. Park, S.-H. Choi, D.-J. Kang, S.-Y. Park, J.-S. Hwang, A. Andrey, G.-H. Hong and K.-R. Kim, 1999. The Air-Sea Exchange of $CO_2$ in the East Sea(Japan Sea). J. Oceanogr., 55: 157-169.
Omar, A.M., T. Johannessen, A. Olsen, S. Kaltin and F. Rey, 2007. Seasonal and interannual variability of the air-sea $CO_2$ flux in the Atlantic sector of the Barents Sea. Mar. Chem., 104: 203-213.
Sabine, C.L., R.A. Feely, N. Gruber, R.M. Key, K. Lee, J.L. Bullister, R. Wanninkhof, C.S. Wong, D.W.R. Wallace, B. Tilbrook, F.J. Millero, T.-H. Peng, K. Alexander, O. Tsueno and A.F. Rios, 2004. The oceanic sink for anthropogenic $CO_2$ . Science, 305(5682): 367-371.
Sarmiento, J.L. and N. Gruber, 2002. SINKS FOR ANTHROPOGENIC CARBQN.
Takahashi, T., J. Olafsson, J.G. Goddard, D.W. Chipman and S.C. Sutherland, 1993. Seasonal variation of $CO_2$ and nutrients in the high-latitude surface oceans: A comparative study. Global Biogeochem. Cycles, 7(4): 843-878.
Takahashi, T., S.C. Sutherland, C. Sweeney, A. Poisson, N. Metzl, B. Tilbrook, N. Bates, R. Wanninkhof, R.F. Feely, C. Sabine, J. Olafsson and Y. Nojiri, 2002. Global sea-air $CO_2$ flux based on climatological surface ocean $pCO_2$ and seasonal biological and temperature effects. Deep-Sea Res. Pt. II, 49: 1601-1622.
Takahashi, T., S.C. Sutherland, R. Wanninkhof, C. Sweeney, R.A. Feely, D.W. Chipman, B. Hales, G. Friederich, F. Chavez, C. Sabine, A. Watson, D.C.E. Bakker, U. Schuster, N. Metzl, Y.-I. Hisayuki, M. Ishii, T. Midorikawa, Y. Nojiri, A. Kortzinger, T. Steinhoff, M. Hoppema, J. Olafsson, T.S. Arnarson, B. Tilbrook, T. Johannessen, A. Olsen, R. Bellerby, C.S. Wong, B. Delille, N.R. Bates and H. J. and De Baar, 2009. Climatological mean and decadal change in surface ocean $pCO_2$ and net sea-air $CO_2$ flux over the global oceans. Deep-Sea Res. Pt. II, 56(8): 554-577.
Talley, L.D., J.L. Reid, and P.E. Robbins, 2003. Data-based meridional overturning stream functions for the global ocean. J. Climate, 16(19): 3213-3226.
Telszewski, M., X.A. Padin, and A.F. Rios, 2009. Estimating the monthly $pCO_2$ distribution in the North Atlantic using a self-organizing neural network. Biogeosciences, 6(8): 1405-1421.
Tsunogai, S., K. Kawada, S. Watanabe and T. Aramaki, 2003. CFCs indicating renewal of the Japan Sea Deep Water in winter 2000-2001. J. Oceanogr., 59: 685-693.
Volk, T. and M. Hoffert, 1985. Ocean carbon pumps: analysis of relative strengths and efficiencies in ocean-driven atmospheric $CO_2$ changes, In: The Carbon Cycle and atmospheric $CO_2$ : Natural Variations Archean to Present, edited by: Sundquist, E.T. and W.S. Broecker, Geophysical Monograph 32, American Geophysical Union, Wash. D.C. pp. 99-110.
Yamada, K., J. Ishizaka, S. Yoo, H.C. Kim and S. Chiba, 2004. Seasonal and interannual variability of sea surface chlorophyll_a concentration in the Japan/East Sea (JES). Prog. Oceanogr., 61(2): 193-211.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.