수온은 하천의 물리적 생물학적 과정에 지대한 영향을 미치는 인자로서 어류를 비롯한 수생생태계에 대한 제약조건으로 작용한다. 기후변화로 인하여 실질적인 환경의 변화가 나타나고 있는 현실에서 수온 변화에 대한 예측은 필수적이라 하겠다. 본 연구의 목적은 자연 소하천을 대상으로 하천 수온을 모의 및 그 효율을 비교 분석하고, 향후 기후변화로 인한 하천 수온의 변동을 고찰하는 것이다. 이를 위하여 본 연구에서는 캐나다 동북부의 Fourchue 강을 대상으로 하여 2011년부터 2014년까지의 하천수온을 측정하고 결정론적, 확률론적, 비선형 수온모형을 적용하여 각각의 방법론에 따른 효율성을 비교 분석하여 미래 수온 모의를 위한 모형으로 결정론적 모형인 CEQUEAU 모형을 선정하였다. 또한, 선정된 모형을 기반으로 하여 CMIP5 기후모형과 RCP 2.6, 4.5, 8.5 기후변화 시나리오를 이용하여 해당 소하천 유역의 미래 수온 변동성을 예측하고 분석하였다. 연구결과, Fourchue 강의 수온은 6월 중 평균 수온은 $0.2{\sim}0.7^{\circ}C$가 상승하고, 9월은 $0.2{\sim}1.1^{\circ}C$가 감소하는 것으로 나타나 실질적인 수온환경의 변화가 발생하는 것으로 나타나서 이에 대한 주의가 요구된다. 또한, 해당 수역에 서식하고 있는 연어류의 치사상한수온을 넘는 경우도 발생하여 이에 대한 대책이 시급한 것으로 판단된다.
수온은 하천의 물리적 생물학적 과정에 지대한 영향을 미치는 인자로서 어류를 비롯한 수생생태계에 대한 제약조건으로 작용한다. 기후변화로 인하여 실질적인 환경의 변화가 나타나고 있는 현실에서 수온 변화에 대한 예측은 필수적이라 하겠다. 본 연구의 목적은 자연 소하천을 대상으로 하천 수온을 모의 및 그 효율을 비교 분석하고, 향후 기후변화로 인한 하천 수온의 변동을 고찰하는 것이다. 이를 위하여 본 연구에서는 캐나다 동북부의 Fourchue 강을 대상으로 하여 2011년부터 2014년까지의 하천수온을 측정하고 결정론적, 확률론적, 비선형 수온모형을 적용하여 각각의 방법론에 따른 효율성을 비교 분석하여 미래 수온 모의를 위한 모형으로 결정론적 모형인 CEQUEAU 모형을 선정하였다. 또한, 선정된 모형을 기반으로 하여 CMIP5 기후모형과 RCP 2.6, 4.5, 8.5 기후변화 시나리오를 이용하여 해당 소하천 유역의 미래 수온 변동성을 예측하고 분석하였다. 연구결과, Fourchue 강의 수온은 6월 중 평균 수온은 $0.2{\sim}0.7^{\circ}C$가 상승하고, 9월은 $0.2{\sim}1.1^{\circ}C$가 감소하는 것으로 나타나 실질적인 수온환경의 변화가 발생하는 것으로 나타나서 이에 대한 주의가 요구된다. 또한, 해당 수역에 서식하고 있는 연어류의 치사상한수온을 넘는 경우도 발생하여 이에 대한 대책이 시급한 것으로 판단된다.
Water temperature affects physical and biological processes in ecologies on river system and is important conditions for growth rate and spawning of fish species. The objective of this study is to compare models for water temperature during the summer season for the Fourchue River (St-Alexandre-de-K...
Water temperature affects physical and biological processes in ecologies on river system and is important conditions for growth rate and spawning of fish species. The objective of this study is to compare models for water temperature during the summer season for the Fourchue River (St-Alexandre-de-Kamouraska, Quebec, Canada). For this, three different models, which are CEQUEAU, Auto-regressive Moving Average with eXogenous input and Nonlinear Autoregressive with eXogenous input, were applied and compared. Also, future water temperature in the Fourchue river were simulated and analyzed its result based on the CMIP5 climate models, RCP 2.6, 4.5, 8.5 climate change scenarios. As the result of the study, the water temperature in the Fourchue river are actually changed and median water temperature will increase $0.2{\sim}0.7^{\circ}C$ in June and could decrease by $0.2{\sim}1.1^{\circ}C$ in September. Also, the UILT ($24.9^{\circ}C$) for brook trout are also likely to occurred for several days.
Water temperature affects physical and biological processes in ecologies on river system and is important conditions for growth rate and spawning of fish species. The objective of this study is to compare models for water temperature during the summer season for the Fourchue River (St-Alexandre-de-Kamouraska, Quebec, Canada). For this, three different models, which are CEQUEAU, Auto-regressive Moving Average with eXogenous input and Nonlinear Autoregressive with eXogenous input, were applied and compared. Also, future water temperature in the Fourchue river were simulated and analyzed its result based on the CMIP5 climate models, RCP 2.6, 4.5, 8.5 climate change scenarios. As the result of the study, the water temperature in the Fourchue river are actually changed and median water temperature will increase $0.2{\sim}0.7^{\circ}C$ in June and could decrease by $0.2{\sim}1.1^{\circ}C$ in September. Also, the UILT ($24.9^{\circ}C$) for brook trout are also likely to occurred for several days.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기후변화에 따른 수온의 변화를 모의하기 위하여 본 연구에서는 기후변화 모형 및 기후변화 시나리오를 통하여 미래의 수문-기상 인자를 구축하였다. 최근의 기후변화 연구를 반영하여 다양한 수문-기상관련 인자를 다루고 (Sillmann et al.
따라서, 본 연구에서는 상류에 댐이 존재하는 소하천에서의 수문-기상 인자와 결정론적, 확률론적, 비모수적 모형을 적용하여 수온 모의 효율성을 분석하고, 해당 하천에서의 미래 수온 변동을 고찰하는 데 있다. 이를 위하여 해당 소하천 유역의 2011년부터 2014년까지의 하천수온및 수문-기상 인자와 결정론적, 추계학적, 비선형 모형을 이용하여 수온을 모의하고 비교 분석하였으며, CMIP5 기후모델 및 RCP 2.
가설 설정
많은 수문-기상 인자들이 하천수온 변화와 하천에서의 열 교환에 영향을 미치나 크게 대기, 지형, 수문, 하상조건의 4가지로 구분할 수 있다. 이 중에서 소하천의 특성을 감안하여 대기조건을 가장 큰 열 교환 과정의 원인으로 가정하고 기온을 포함한 일사량, 상대습도 및 풍속을 조사하였다. Fourchue 강의 수온은 2011년부터 2014년까지 여름철(6-9월)동안에 Hobo Pro V2 자기수온계를 이용하여 15분 간격으로 측정되었으며, 시간당 일사량 데이터는 Kipp and Zonen pyranometer (SP-LITE, ± 10uV/W/m2)로 측정하였다.
제안 방법
Fourchue 강의 수온은 2011년부터 2014년까지 여름철(6-9월)동안에 Hobo Pro V2 자기수온계를 이용하여 15분 간격으로 측정되었으며, 시간당 일사량 데이터는 Kipp and Zonen pyranometer (SP-LITE, ± 10uV/W/m2)로 측정하였다.
09)보다 수온에 더 의미 있는 상호정보 값을 갖는 것으로 나타났다. 높은 양(+)의 상호정보량은 잠재적인 예측인자(수온 종속변수)와 강력한 상관 관계를 가지고 있음을 보여 주는 지표로 사용될 수 있으므로 (Sahoo et al., 2009), 기온, 유출량, 상대습도를 각 모형의 입력자료로 선정하였다. 특징적으로 기온과 상대습도가 높은 상호정보량을 나타내는 것은 하천에서의 열교환에서 일반적인 현상으로 판단되나, 유출량이 중요한 인자로서 산정된 것은 강의 상류에 Morin Dam이 위치하고 있는 지역적인 특성 때문인 것으로 판단된다.
다양한 모의 기법 중에서 본 연구에서는 크게 결정론적 수온모의 모형인 CEQUEAU, 추계학적 모형인 ARMAX, 비선형적 방법인 NARX를 수온모의를 위한 모형으로 선정하였다. CEQUEAU 모형의 경우 다양한 열교환을 고려할 수 있는 모형으로 북미지역에서 좋은 결과를 나타낸 바 있으며 (Seiller and Anctil, 2014), ARMAX 모형의 경우 자료에 각종 잡음과 교란요소가 있는 경우 효율적으로 모의할 수 있는 것으로 알려져 있다 (Breaker and Brewster, 2009).
확률론적 모형인 ARMAX 모델의 경우에는 입력 자료에 많은 잡음이 포함되어 있을 경우에 유용하며, 특히 ARMA 또는 ARX와 같은 다른 확률론적 모델보다 많은 유연성을 가지고 있는 것으로 알려져 있다. 댐 하류에 위치한 소하천의 특성상 수온에 많은 잡음이 발생할 수 있을 것으로 판단되므로 해당 모형을 적용 하였다. ARMAX 모델은 다음과 같이 규정된다.
그러나, 인공신경망의 경우에는 시행착오 방법은 과대한 시간소요 및 전체적인 신경망의 효율 저하로서 나타날 수 있다(Haykin, 1999; Maier and Dandy, 2000). 따라서, 본 연구에서는 대안으로서 상호정보량(MI) 검증을 통하여 모형의 입력 변수를 선정하였다. 상호정보량 산정결과, 대기온도(MI = 1.
신경망에서의 역전파 알고리즘은 기상 및 수문자료 등의 비선형 문제에 대해서 좋은 결과를 나타내는 것으로 알려진 Levenberg-Marquardt-QNBP 알고리즘을 적용하였다. 또한 본 연구에서의 신경망은 시행착오법을 이용하여 하루의 지연시간(k)를 갖는 피드백 층을 포함하여 총 12개의 은닉층을 가지는 것으로 설정 되었다.
ca)의 자료를 활용하였다. 또한, 결정론적 모델을 실행하는데 필요한 Fourchue 유역의 수문-지형학적 특성은 3X3km 격자의 DEM과 토지이용도를 이용하여 산정하였다 (Fig. 2).
5 시나리오를 이용하여 모의를 수행하였다. 또한, 다양한 기후모형 결과를 고려하기 위하여 총 33개의 CMIP5 기후모형을 이용하였으며, 각각 9개의 모형이 RCP 2.6에 12개의 모형이 RCP 4.5 및 8.5에 적용되었다.
1987)의 5가지 검정통계량을 적용하였다. 또한, 적절한 예측인자를 선정하기 위하여 상호정보량(Mutual Information) 통계를 적용하였다. 상호정보량 I(X,Y)는 하나의 연속 확률변수 X에 다른 연속 확률변수 Y가 포함되어 있는 정보의 양에 대한 척도이다.
(2)와 같다. 본 연구에서 ARMAX 모형은 시행착오법을 통하여 최적화 되었으며, 2차 AR, MA 및 1차 시간지연(k)이 선정되었다 (ARMAX(2,2,1)).
본 연구에서는 3가지의 수온모의 모형을 이용하여 소하천의 수온을 모의하고 그 효율을 비교하였으며, CMIP5 및 기후변화 시나리오를 통하여 미래의 하천수온 변동을 비교 분석하였다. 본 연구를 통하여 도출된 주요 결론을 간략히 요약하자면 다음과 같다.
본 연구에서는 선정된 RCP 2.6, 4.5 및 8.5 기후변화 시나리오와 CMIP5 모형을 이용한 강수량, 최대 및 최소 기온 등의 수문-기상 입력자료와 기보정된 CEQUEAU 모델을 이용하여 미래의 Fourchue 강의 하천수온을 모의하였으며, 모의 시에 상대습도 및 이슬점 온도는 자료동화 (Assimilation) 하여 사용하였다. 모의결과에 따른 2015년부터 2100년까지의 여름철 하천수온에 대한 Boxplot 은 Fig.
Fourchue 강 유역에 가장 적합한 시나리오나 기후모델에 대한 연구는 아직까지 이루어지지 않았다. 본 연구에서는 현재와 유사한 온실가스 저감 노력이 이루어지는 것으로 가정하는 RCP 4.5 기후변화 시나리오를 기준으로 하여 최선의 노력과 최악의 경우를 고려하여 각각 RCP 2.6 및 RCP 8.5 시나리오를 이용하여 모의를 수행하였다. 또한, 다양한 기후모형 결과를 고려하기 위하여 총 33개의 CMIP5 기후모형을 이용하였으며, 각각 9개의 모형이 RCP 2.
따라서, 본 연구에서는 상류에 댐이 존재하는 소하천에서의 수문-기상 인자와 결정론적, 확률론적, 비모수적 모형을 적용하여 수온 모의 효율성을 분석하고, 해당 하천에서의 미래 수온 변동을 고찰하는 데 있다. 이를 위하여 해당 소하천 유역의 2011년부터 2014년까지의 하천수온및 수문-기상 인자와 결정론적, 추계학적, 비선형 모형을 이용하여 수온을 모의하고 비교 분석하였으며, CMIP5 기후모델 및 RCP 2.6, 4.5, 8.5 시나리오를 이용하여 구축된 모형을 통하여 향후 수온 변동을 모의하였다.
적정하게 수온을 모의하기 위하여 모형의 최적화 과정이 필요하며, 해당 매개변수는 2011년부터 2013년 사이의 Fourchue 강 수위 및 유출량, 수온 자료를 이용하여 보정되었다. CEQUEAU 모형은 수문학적인 물수지를 분석함과 동시에 각 수문 단위에서의 열수지를 계산하며, 열수지는 단파 태양복사, 순 장파 복사, 잠열, 현열, 상류에서 이류되는 열, 하류 열손실, 그리고 지하수와 중간유출에서의 열교환이 포함된다 (Morin et al, 1998).
대상 데이터
본 연구의 대상 하천인 Fourchue 강은 캐나다 동부 퀘벡에 있는 Du-Loup 강의 지류로서 상류의 수리학적 구조물(Morin Dam)에서 주요 하천유량을 공급받고 있는 소하천이다. 국내에도 국가수질측정망을 통하여 수온자료가 수집되고 있으나, 대부분 국가 및 주요 지방하천을 대상으로 하고 있으며, 생태소하천에 대한 자료가 부족한 실정이라 관련 자료가 풍부한 캐나다 동부 지역의 유역을 선정하였다. 해당 유역은 261 km2의 유역면적을 지니고 있으며, 대부분의 유역이 관목 및 숲으로 구성되어 있고 하천 유량은 0.
, 2014) 높은 공간해상도 (Lynch, 2006) 를 제공하는 CMIP5 모형을 선정하였다. 미래 기후 투영자료는 캐나다의 Pacific Climate Impacts Consortium에서 제공하는 자료를 사용하였으며 (PCIC; http://www.pacificclimate. org/data/statistically-downscaled-climate-scenarios, 2014), 북미 대륙의 일 단위의 편의보정 구축 아날로그 기법 (BCCA; Maurer et al., 2010)을 통하여 최적화된 모형 및 자료를 사용하였다.
본 연구의 대상 하천인 Fourchue 강은 캐나다 동부 퀘벡에 있는 Du-Loup 강의 지류로서 상류의 수리학적 구조물(Morin Dam)에서 주요 하천유량을 공급받고 있는 소하천이다. 국내에도 국가수질측정망을 통하여 수온자료가 수집되고 있으나, 대부분 국가 및 주요 지방하천을 대상으로 하고 있으며, 생태소하천에 대한 자료가 부족한 실정이라 관련 자료가 풍부한 캐나다 동부 지역의 유역을 선정하였다.
수온 모의는 2011년부터 2013년까지의 시 단위 수온 및 수문-기상 인자 (기온, 유출량 및 상대습도) 를 이용하여 보정되었으며, 2014년 자료를 이용하여 검증을 수행하였다.
Fourchue 강의 수온은 2011년부터 2014년까지 여름철(6-9월)동안에 Hobo Pro V2 자기수온계를 이용하여 15분 간격으로 측정되었으며, 시간당 일사량 데이터는 Kipp and Zonen pyranometer (SP-LITE, ± 10uV/W/m2)로 측정하였다. 자기수온계는 Morin 댐의 하류에서 Du-Loup 강과의 합류점까지 8km 하도에 걸쳐 배치되었으며, 기온과 상대습도는 Fourchue 기상관측소 (Environment Canada; http://climate.weather.gc.ca)의 자료를 활용하였다. 또한, 결정론적 모델을 실행하는데 필요한 Fourchue 유역의 수문-지형학적 특성은 3X3km 격자의 DEM과 토지이용도를 이용하여 산정하였다 (Fig.
데이터처리
수집된 데이터(수온 및 대기온도, 유출, 일사량, 상대습도, 풍속)의 특성을 결정하기 위해 5가지 검정통계량 (스퍼만 순위 상관계수, Ljung-Box Q 검정, Levene’s 검정, Lyapunov exponent 검정, BDS 통계 검정)을 적용하였으며, 그 결과를 Table 1에 나타내었다.
이에 본 연구에서는 측정된 수온자료와 예측 인자로 사용되는 수문-기상 인자의 특성을 파악하기 위하여 데이터 시계열의 임의성에 대한 스퍼만 순위 상관계수 (Myers and Well, 2003), 자기상관에 대한 Ljung-Box Q 검정 (Ljung, 1978), 이분산성에 대한 Levene’s 검정 (Levene, 1960), Lyapunov exponent 검정(Bask and Gençay, 1998), 카오스 특성에 대한 BDS 통계(Brock et al. 1987)의 5가지 검정통계량을 적용하였다.
이론/모형
마지막으로, 상기의 수온모형을 통하여 산정되는 결과를 정량적으로 비교하기 위하여, 평균 제곱근 오차(RMSE, Hyndman and Koehler, 2006; Eq. 5), Bias(Eq. 6), NashSutcliffe 모델 효율계수(Nash and Sutcliffe, 1970; Eq. 7) 의 평가함수를 적용하였다.
t는 시계열의 시간을 나타내며, ∅는 신경망 시스템을 나타낸다. 신경망에서의 역전파 알고리즘은 기상 및 수문자료 등의 비선형 문제에 대해서 좋은 결과를 나타내는 것으로 알려진 Levenberg-Marquardt-QNBP 알고리즘을 적용하였다. 또한 본 연구에서의 신경망은 시행착오법을 이용하여 하루의 지연시간(k)를 갖는 피드백 층을 포함하여 총 12개의 은닉층을 가지는 것으로 설정 되었다.
기후변화에 따른 수온의 변화를 모의하기 위하여 본 연구에서는 기후변화 모형 및 기후변화 시나리오를 통하여 미래의 수문-기상 인자를 구축하였다. 최근의 기후변화 연구를 반영하여 다양한 수문-기상관련 인자를 다루고 (Sillmann et al., 2014) 높은 공간해상도 (Lynch, 2006) 를 제공하는 CMIP5 모형을 선정하였다. 미래 기후 투영자료는 캐나다의 Pacific Climate Impacts Consortium에서 제공하는 자료를 사용하였으며 (PCIC; http://www.
성능/효과
1) Fourchue 강의 수온과 수문-기상 인자들은 추계학적 특성을 지니고 있으며, 이를 반영하기 위한 모형 및 모의기법이 필요할 것으로 판단된다.
2) ARMAX 모형이 수온을 가장 적합하게 모의하는 것으로 나타났으며, CEQUEAU 모형은 모의효율 측면에서 ARMAX 모형보다 낮게 나타났으나 지엽적인 시간지연 문제가 발생하지 않으므로 미래 수온 모의에 적합할 것으로 판단된다.
3) 2,100년 까지의 하천 수온을 CEQUAEAU 모형으로 모의한 결과, 본 연구에서 사용된 기후모형 및 기후변화 시나리오에 따라 6월 중 평균 수온은 0.2 ~ 0.7 ℃가 상승하고, 9월은 0.2 ~ 1.1 ℃가 감소하는 것으로 나타났다. 따라서 향후 기후변화로 인한 하천수온의 실질적인 변화가 발생할 것으로 판단된다.
9). 가장 낙관적인 미래 시나리오인 RCP 2.6은 RCP 8.5보다 평균 수온의 변화가 낮다는 사실에도 불구하고 상대적으로 민물 송어에 대한 초기 치사 온도 상한 값을 넘는 날이 더 많이 나타났다. 따라서, 전체적으로 모든 기후변화 시나리오가 수온의 증가를 나타내고 있으며, 치사상한수온을 초과하는 수온도 나타나고 있으므로 미래 Fourchue 강의 생태계 및 냉수성 어종에 대하여 큰 위협으로 다가올 수 있을 것으로 보이며, 직접적인 대책 및 노력이 필요하다고 하겠다.
Table 1에서의 결과와 같이, 무작위 자료 및 시계열 특성을 검정하는 Spearman Rank Corr. 검정과 Ljung-Box Q 검정은 태양복사량을 제외하고는 모두 해당되는 것으로 나타났다. 따라서, 태양복사량의 경우 무작위 시계열로 분류되었다.
따라서, 본 연구에서는 대안으로서 상호정보량(MI) 검증을 통하여 모형의 입력 변수를 선정하였다. 상호정보량 산정결과, 대기온도(MI = 1.28), 유출(MI = 0.82) 그리고 상대습도(MI =1.09)는 태양복사(MI = 0.30)와 풍속(MI = 0.09)보다 수온에 더 의미 있는 상호정보 값을 갖는 것으로 나타났다. 높은 양(+)의 상호정보량은 잠재적인 예측인자(수온 종속변수)와 강력한 상관 관계를 가지고 있음을 보여 주는 지표로 사용될 수 있으므로 (Sahoo et al.
수온 보정시 ARMAX 모형은 RMSE 0.56 ℃, Bias 0.03℃, 0.96의 Nash 효율계수로서 가장 좋은 결과를 나타내었으며, NARX 및 CEQUEAU 모형도 모두 0.90 이상의 효율계수로서 적합한 모의를 하는 것으로 나타났다. 다만, ARMAX 모형 및 NARX 모형의 경우 일부 구간에서 시간 지연으로 의심되는 거동이 나타났다 (Fig.
유출량의 경우 Levene’s 검정 및 BDS 검정을 통하여 이분산성을 가지는 카오스 시계열로 분류되었으며, 수온을 포함하여 이외의 인자들은 카오스 또는 비선형 시계열인 것으로 나타났다.
5일 이내로 매우 짧기 때문에, 댐 저수지의 수온이 하류에 영향을 미치는 것이 주요한 영향으로 판단된다. 전체적으로는 ARMAX 모형과 CEQUEAU 모형이 가장 적합하게 모의하는 것으로 나타났지만, 댐 방류수에 의한 영향을 고려하였을 때 CEQUEAU 모형이 향후 수온 모의를 수행하는데 시간지연 효과가 없이 가장 안정적인 결과를 나타낼 것으로 판단된다.
후속연구
1 ℃가 감소하는 것으로 나타났다. 따라서 향후 기후변화로 인한 하천수온의 실질적인 변화가 발생할 것으로 판단된다.
5보다 평균 수온의 변화가 낮다는 사실에도 불구하고 상대적으로 민물 송어에 대한 초기 치사 온도 상한 값을 넘는 날이 더 많이 나타났다. 따라서, 전체적으로 모든 기후변화 시나리오가 수온의 증가를 나타내고 있으며, 치사상한수온을 초과하는 수온도 나타나고 있으므로 미래 Fourchue 강의 생태계 및 냉수성 어종에 대하여 큰 위협으로 다가올 수 있을 것으로 보이며, 직접적인 대책 및 노력이 필요하다고 하겠다. 마지막으로 본 연구에서 제시된 방법론을 통하여 향후 미래 수온에 대한 예측을 수행할 수 있을 것으로 판단되며, 향후 우리나라의 생태 환경 연구에서 기초자료로서 활용될 수 있을 것으로 판단된다.
, 1983). 따라서, 향후에 6월의 수온이 민물 송어 성장속도에 영향을 미치는 온도를 초과할 것으로 예상된다. 또한, 민물 송어의 치사상한수온은 약 24.
따라서, 전체적으로 모든 기후변화 시나리오가 수온의 증가를 나타내고 있으며, 치사상한수온을 초과하는 수온도 나타나고 있으므로 미래 Fourchue 강의 생태계 및 냉수성 어종에 대하여 큰 위협으로 다가올 수 있을 것으로 보이며, 직접적인 대책 및 노력이 필요하다고 하겠다. 마지막으로 본 연구에서 제시된 방법론을 통하여 향후 미래 수온에 대한 예측을 수행할 수 있을 것으로 판단되며, 향후 우리나라의 생태 환경 연구에서 기초자료로서 활용될 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
결정론적 기법의 장점은 무엇인가?
, 1992), 로지스틱회귀(Mohseni and Stefan, 1999), 리지회귀 (Ahmadi‐Nedushan et al, 2007), 가우시안 프로세스 회귀 (Grbić et al, 2013) 등도 다양하게 적용되고 있다. 결정론적 기법은 열교환을 나타내는 지배방정식에 의거하여 수온을 모의하기 때문에, 다양하고 복잡한 에너지 흐름과 하천에서의 혼합을 고려할수 있는 장점이 있다 (Caissie, 2006, 2007). 특히 복잡한 열 교환이 일어나는 현상을 상대적으로 정확하게 모의할 수 있는 장점이 있지만(Danner et al.
하천의 수온관련 연구에서 회귀기법을 많이 사용하는 이유는 무엇인가?
Caissie(2006)는 하천의 수온관련 연구를 크게 회귀론, 결정론, 확률론적의 3가지로 구분할 수 있음을 보였다. 이중에서 회귀기법을 이용한 수온모의는 Johnson(1972)과 Kothandaraman(1972)의 초기 연구 이후로 적용성을 인정받아 널리 사용되고 있다. 단순 선형 회귀는 일반적으로 기온을 예측인자로서 사용하며 (Stefan and Preud'Homme.
수온의 역할은 무엇인가?
수온은 하천의 물리적 생태적 과정을 결정짓는 가장 중요한 요소 중에 하나로서 (Nunn et al., 2003), 어류의 생장과 산란에 지배적인 요소로 작용한다 (Smith, 2014). 특히, 연어와 같은 냉수성 어종에서 이러한 경향성이 두드러지며 (Matthews, 2014), Bouck et al.
참고문헌 (60)
Ahmadi-Nedushan, B, St-Hilaire, A, Ouarda, TB, Bilodeau, L, Robichaud, E, Thiemonge, N, and Bobee, B(2007). Predicting river water temperatures using stochastic models: case study of the Moisie River (Quebec, Canada). Hydrological Processes, 21(1), pp. 21-34.
Ahn, JB, Ryu, JH, Cho, EH, Park, JY, and Ryoo, SB(1997). A Study on Correlations between Air-Temperature and Precipitation in Korea and SST over the Tropical Pacific. Asia-Pacific J. of Atmospheric Sciences, 33(3), 487-495.
Ahn, JH and Han, DH(2010). Projected Climate Change Impact on Surface Water Temperature in Korea. J. of Korean Society on Water Quality, 26(1), pp. 133-139.
Bask, M and Gencay, R(1998). Testing chaotic dynamics via Lyapunov exponents. Physica D: Nonlinear Phenomena, 114(1), pp. 1-2.
Battiti, R(1994). Using mutual information for selecting features in supervised neural net learning. IEEE Transactions on Neural Networks, 5(4), pp. 537-550.
Barrow, E, Maxwell, B, and Gachon, P(2004). Climate Variability and Change in Canada. Past, Present and Future. Meteorological Service of Canada, Environment Canada: Toronto.
Benyahya, L, St-Hilaire, A, Ouarda, TB, Bobee, B, and Dumas, J(2008). Comparison of non-parametric and parametric water temperature models on the Nivelle River, France. Hydrological Sciences Journal, 53(3), pp. 640-655.
Bouck, GR, Chapman, GA, Schneider, PW, and Stevens, DG(1975). Effects of Holding Temperatures on Reproductive Development in Adult Sockeye Salmon (Oncorhynchus Nerka). In 26 th Annual Northwest Fish Culture Conference.
Breaker, LC and Brewster, JK(2009). Predicting offshore temperatures in Monterey Bay based on coastal observations using linear forecast models. Ocean Modelling, 27(1), pp. 82-97.
Brock, WA, Dechert, WD, and Scheinkman, JA(1987). A Test for Independence Based on the Correlation Dimension. Department of Economics, University of Wisconsin at Madison, University of Houston, and University of Chicago. Social Science Research Working Paper, 8762.
Caissie, D(2006). The thermal regime of rivers: a review. Freshwater Biology, 51(8), pp. 1389-1406.
Caissie, D, Satish, MG, and El-Jabi, N(2007). Predicting water temperatures using a deterministic model: application on Miramichi River catchments (New Brunswick, Canada). J. of Hydrology, 336(3), pp. 303-315.
Caldwell, RJ, Gangopadhyay, S, Bountry, J, Lai, Y, and Elsner, MM(2013). Statistical modeling of daily and subdaily stream temperatures: Application to the Methow River Basin, Washington. Water Resources Research, 49(7), pp. 4346-4361.
Danner, EM, Melton, FS, Pike, A, Hashimoto, H, Michaelis, A, Rajagopalan, B, and Nemani, RR(2012). River temperature forecasting: A coupled-modeling framework for management of river habitat. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal, 5(6), pp. 1752-1760.
Diaconescu, E(2008). The use of NARX neural networks to predict chaotic time series. WSEAS Transactions on Computer Research, 3(3), pp. 182-191.
Diversi, R, Guidorzi, R, and Soverini, U(2011). Identification of ARMAX models with noisy input and output. In World Congress, 18(1), pp. 13121-13126.
Fry, FEJ(1947). Effects of the environment on animal activity. Univ. Toronto Studies, Biol. Ser. 55, Ontario Fish. Res. Lab. Publ. 68, pp. 1-62.
Grbic, R, Kurtagic, D, and Sliskovic, D(2013). Stream water temperature prediction based on Gaussian process regression. Expert Systems with Applications, 40(18), pp. 7407-7414.
Hadzima-Nyarko, M, Rabi, A, and sperac, M(2014). Implementation of Artificial Neural Networks in Modeling the Water-Air Temperature Relationship of the River Drava. Water Resources Management, 28(5), pp. 1379-1394.
Hasnain SS, Mins CK, Shuter BJ(2010). Key Ecological Temperature Metrics for Canadian Freshwater Fishes, Applied Research and Development Branch. Ontario Ministry of Natural Resources.
Haykin, S(1999). Neural networks: a comprehensive foundation (second ed.). Prentice hall.
Hyndman, RJ and Khandakar, Y(2007). Automatic time series for forecasting: the forecast package for R (No. 6/07). Monash University, Department of Econometrics and Business Statistics.
IPCC(2013). Region by Region: The Science of AR5 WG1 and the Consequences, IPCC.
Jeong, DI, Daigle, A, and St-Hilaire, A(2013). Development of a stochastic water temperature model and projection of future water temperature and extreme events in the Ouelle River basin in Quebec. Canada. River Research and Applications, 29(7), pp. 805-821.
Jourdonnais JH, Walsh RP, Pickett F, and Goodman D(1992). Structure and calibration strategy for a water temperature model of the lower Madison River, Montana. Rivers, 3(3), pp. 153-169.
Ju, SJ and Kim, SJ(2013). Assessment of the Impact of Climate Change on Marine Ecosystem in the South Sea of Korea II. Ocean and Polar Research, 35(2), pp. 123-125.
Jung, HD, Hwang, JD, Jung, KG, Heo, S, Sung, KT, Ko, WJ, Yang, JY, and Kim, SW(2003). Long Term Trend of Change In Water Temperature and Salinity in Coastal Waters around Korean Peninsula. J. of the Korean society of marine environment & safety, 9(2), pp. 59-64.
Kothandaraman, V(1972). Air-water temperature relationshop in illinois. J. of the American Water Resources Association, 8(1), pp. 38-45.
Kim, BT, Eom, KH, Lee, JS, Park, HJ, and Yook, KH(2015). A Study on the Relationship Between the Catch of Coastal Fisheries and Climate Change Elements using Spatial Panel Model, J. Fish. Bus. Adm., 46(3), pp. 63-72.
Kim, SJ, Noh, HS, Hong, SJ, Kwak, JW, and Kim, HS(2013). Impact of Climate Change on Habitat of the Rhynchocypris Kumgangensis in Pyungchang River. J. of Wetlands Research, 15(2), pp. 271-280.
Larnier, K, Roux, H, Dartus, D, and Croze, O(2010). Water temperature modeling in the Garonne River (France). Knowledge and Management of Aquatic Ecosystems, 398(1), pp. 4.
Lee, KH(2016). Prediction of Climate-induced Water Temperature using Nonlinear Air-water Temperature Relationship for Aquatic Environments. J. of Environmental Science International, 25(6), pp. 877-888.
Lynch, P(2006). "The ENIAC Integrations". The Emergence of Numerical Weather Prediction. Cambridge University Press. pp. 206-208.
Matthews, K(2014). California Golden Trout: Can Their Warming Streams Handle Other Stressors?. In 144th Annual Meeting of the American Fisheries Society. Afs.
Maier, HR and Dandy, GC(2000). Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental Modelling & Software, 15(1), pp. 101-124.
Maurer, EP, Hidalgo, HG, Das, T, Dettinger, MD, and Cayan, DR(2010). The utility of daily large-scale climate data in the assessment of climate change impacts on daily streamflow in California. Hydrology and Earth System Sciences, 14(6), pp. 1125-1138.
Meinshausen, M, Smith, SJ, Calvin, K, Daniel, JS, Kainuma, ML, Lamarque, JF, Matsumoto, K, Montzka, SM, Raper, SC, Riahi, K, Thomson, A, Velders, GJ, and Van vuuren, DP(2011). The RCP greenhouse gas concentrations and their extensions from 1765 to 2300. Climatic change, 109(1-2), pp. 213-241.
Morin G, Fortin JP, Lardeau JP, Sochanska W, and Paquette S(1981). Mode'le CEQUEAU: manuel d'utilisation. INRS-Eau, Ste-Foy, Que'bec, Canada.
Morin G, Sochanski W, Paquet P(1998). Le mode'le de simulation de quantite' CEQUEAU-ONU, Manuel dere'fe'rences. Organisation des Nations-Unies et INRS-Eau. Rapport de recherche no. 519, 252.
Moriasi, DN, Arnold, JG, Van Liew, MW, Bingner, RL, Harmel, RD, Veith, TL(2007). Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations. Transactions of the ASABE, 50 (3), pp. 885-900.
Myers, JL and Well, AD(2003). Research Design and Statistical Analysis (2nd ed.). Lawrence Erlbaum. 508. ISBN 0-8058-4037-0.
Nash, JE and Sutcliffe, JV(1970). River flow forecasting through conceptual models part I-A discussion of principles. J. of Hydrology, 10 (3), pp. 282-290.
Nunn, AD, Cowx, IG, Frear, PA, and Harvey, JP(2003). Is water temperature an adequate predictor of recruitment success in cyprinid fish populations in lowland rivers?, Freshwater Biology, 48(4), pp. 579-588.
Park, YG, Choi, SH, Kim, SD, and Kim, CH(2012). Assessment of Changes in Temperature and Primary Production over the East China Sea and South Sea during the 21st Century using an Earth System Model. Ocean and Polar Research, 34(2), pp. 229-237.
Parra, I, Almodovar, A, Ayllon, D, Nicola, GG, and Elvira, B(2012). Unravelling the effects of water temperature and density dependence on the spatial variation of brown trout (Salmo trutta) body size. Canadian J. of Fisheries and Aquatic Sciences, 69(5), pp. 821-832.
Seiller, G and Anctil, F(2014). Climate change impacts on the hydrologic regime of a Canadian river: comparing uncertainties arising from climate natural variability and lumped hydrological model structures. Hydrology and Earth System Sciences, 18(6), pp. 2033-2047.
Seong, KT, Hwang, JD, Han, IS, Go, WJ, Suh, YS, and Lee, JY(2010). Characteristic for Long-term Trends of Temperature in the Korean Waters. 16(4), pp. 353-360.
Sillmann, J, Kharin, VV, Zhang, X, Zwiers, FW, and Bronaugh, D(2013). Climate extremes indices in the CMIP5 multimodel ensemble: Part 1. Model evaluation in the present climate. J. of Geophysical Research: Atmospheres, 118(4), pp. 1716-1733.
Smith, N(2014). Evaluation of Growth, Survival, and Recruitment of Chinook Salmon in Southeast Alaska Rivers. In 144th Annual Meeting of the American Fisheries Society. Afs.
Stefan, HG and Preud'Homme, EB(1993). Stream temperature estimation from air temperature. J. of the American Water Resources Association, 29(1), pp. 27-45.
Webb, BW, Hannah, DM, Moore, RD, Brown, LE, and Nobilis, F(2008). Recent advances in stream and river temperature research. Hydrological Processes, 22(7), pp. 902-918.
Wenger, SJ, Isaak, DJ, Luce, CH, Neville, HM, Fausch, KD, Dunham, JB, and Williams, JE(2011). Flow regime, temperature, and biotic interactions drive differential declines of trout species under climate change. Proceedings of the National Academy of Sciences, 108(34), pp. 14175-14180.
Wismer, DA and Christie, AE(1987). Temperature relationships of Great Lakes fishes. Great Lakes Fishery Commission Special Publication, Great Lakes Fishery Commission, MI, USA.
Yi, HS, Kim, DS, Hwang, MH, and An, KG(2016). Assessment of Runoff and Water temperature variations under RCP Climate Change Scenario in Yongdam dam watershed, South Korea. J. of Korean Society on Water Environment, 32(2), pp. 173-182.
Yoon, DY and Choi, HW(2011). A Comparison of Spatio-Temporal Variation Pattern of Sea Surface Temperature According to the Regional Scale in the South Sea of Korea. J. of the Korean Association of Geographic Information Studies, 14(4), pp. 182-193.
Yoon, SW, Park, GY, Chung, SW, and Kang, BS(2014). Projection of the Climate Change Effects on the Vertical Thermal Structure of Juam Reservoir. J. of Korean Society on Water Environment, 30(5), pp. 491-502.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.