2014년부터 기상청에서 현업으로 활용하고 있는 전지구 계절예측시스템 GloSea5의 최대 6개월 예측 강수량을 수자원 및 여러 응용분야에 활용하기 위해서는 예측모델이 가지는 관측자료와의 정량적인 편의를 보정할 필요가 있다. 본 연구에서는 GloSea5의 예측 강수량에서 나타나는 편의를 보정하기 위해 확률분포형을 활용한 편의보정기법, 매개변수 및 비매개변수적 편의보정기법 등 총 11개의 기법을 활용하여 계절예측모델의 적용성을 평가하고 최적의 편의보정기법을 선정하고자 하였다. 과거재현기간에 대한 편의보정 결과, 비매개변수적 편의보정기법이 다른 기법에 비해 가장 관측자료와 유사하게 보정하는 것으로 분석되었으나 예측기간에 대해서는 상대적으로 많은 이상치를 발생시켰다. 이와는 대조적으로 매개변수적 편의보정기법은 과거재현기간 및 예측기간 모두 안정된 결과를 보여주고 있음을 확인할 수 있었다. 본 연구의 결과는 수자원운영 및 관리, 수력, 농업 등 계절예측모델을 활용한 여러 응용분야에 적용이 가능할 것으로 기대된다.
2014년부터 기상청에서 현업으로 활용하고 있는 전지구 계절예측시스템 GloSea5의 최대 6개월 예측 강수량을 수자원 및 여러 응용분야에 활용하기 위해서는 예측모델이 가지는 관측자료와의 정량적인 편의를 보정할 필요가 있다. 본 연구에서는 GloSea5의 예측 강수량에서 나타나는 편의를 보정하기 위해 확률분포형을 활용한 편의보정기법, 매개변수 및 비매개변수적 편의보정기법 등 총 11개의 기법을 활용하여 계절예측모델의 적용성을 평가하고 최적의 편의보정기법을 선정하고자 하였다. 과거재현기간에 대한 편의보정 결과, 비매개변수적 편의보정기법이 다른 기법에 비해 가장 관측자료와 유사하게 보정하는 것으로 분석되었으나 예측기간에 대해서는 상대적으로 많은 이상치를 발생시켰다. 이와는 대조적으로 매개변수적 편의보정기법은 과거재현기간 및 예측기간 모두 안정된 결과를 보여주고 있음을 확인할 수 있었다. 본 연구의 결과는 수자원운영 및 관리, 수력, 농업 등 계절예측모델을 활용한 여러 응용분야에 적용이 가능할 것으로 기대된다.
In order to utilize 6-month precipitation forecasts (6 months at maximum) of Global Seasonal Forecast System version 5 (GloSea5), which is being provided by KMA (Korea Meteorological Administration) since 2014, for water resources management as well as other applications, it is needed to correct the...
In order to utilize 6-month precipitation forecasts (6 months at maximum) of Global Seasonal Forecast System version 5 (GloSea5), which is being provided by KMA (Korea Meteorological Administration) since 2014, for water resources management as well as other applications, it is needed to correct the forecast model's quantitative bias against observations. This study evaluated applicability of bias-correction skill in GloSea5 and selected an optimal method among 11 techniques that include probabilistic distribution type based, parametric, and non-parametric bias-correction to fix GloSea5's bias in precipitation forecasts. Non-parametric bias-correction provided the most similar results with observed data compared to other techniques in hindcast for the past events, yet relatively generated some discrepancies in forecast. On the contrary, parametric bias-correction produced the most reliable results in both hindcast and forecast periods. The results of this study are expected to be applicable to various applications using seasonal forecast model such as water resources operation and management, hydropower, agriculture, etc.
In order to utilize 6-month precipitation forecasts (6 months at maximum) of Global Seasonal Forecast System version 5 (GloSea5), which is being provided by KMA (Korea Meteorological Administration) since 2014, for water resources management as well as other applications, it is needed to correct the forecast model's quantitative bias against observations. This study evaluated applicability of bias-correction skill in GloSea5 and selected an optimal method among 11 techniques that include probabilistic distribution type based, parametric, and non-parametric bias-correction to fix GloSea5's bias in precipitation forecasts. Non-parametric bias-correction provided the most similar results with observed data compared to other techniques in hindcast for the past events, yet relatively generated some discrepancies in forecast. On the contrary, parametric bias-correction produced the most reliable results in both hindcast and forecast periods. The results of this study are expected to be applicable to various applications using seasonal forecast model such as water resources operation and management, hydropower, agriculture, etc.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기후변화로 인해 극치사상의 불확실성이 증가하는 현시점에서 효율적인 수자원관리를 위해서는 예측기반의 물관리가 필요하다. 따라서 본 연구에서는 기상청에서 현업으로 활용하는 GloSea5의 계절예측모델에서 생산되는 예측 일 강수자료를 대상으로 계절예측모델에 활용 가능한 다수의 편의보정기법을 적용하고 최적 편의보정기법을 선정하고자 하였다.
본 연구에서는 기상청에서 현업으로 활용하고 있는 전지구 계절예측시스템 GloSea5의 강수량 자료를 수자원 및 다양한 응용분야에 활용하기 위하여 GloSea5의 모델 예측자료가 가지는 편의를 다양한 편의보정기법을 활용하여 보정하고 가장 적합한 편의보정기법을 선정하고자 하였다. 과거재현기간(Hindcast period)에 대하여 GloSea5 강수량 자료의 편의 보정을 수행한 결과, 확률분포형을 활용한 편의보정기법의 경우 M3기법, 매개변수적 편의보정기법은 M9기법, 비매개변수적 편의보정기법은 M10기법이 관측치와 대비하여 가장 적은 오차를 보였다.
가설 설정
이 방법의 많은 연구에서 Eq. (2)의 F를 Bernoulli-Gamma분포의 혼합으로 가정하여 분석을 수행하였다. 여기서, Bernoulli분포는 강우발생확률, Gamma분포는 강수량을 모델링하기 위해 사용된다(Thom, 1968; Mooley, 1973; Cannon, 2008).
본 연구에서는 Table 1과 같이 확률분포형을 활용한 편의보정기법은 Bernoulli-Gamma분포형과 추가적으로 BernoulliWeibull분포, Bernoulli-Log normal분포, Bernoulli-Exponential분포로 총 4가지의 확률분포형(M1-M4)으로 가정하여 분석을 수행하였다. 확률분포형의 매개변수 추정방법은 최우도방법(maximum likelihood method)을 통해 산정하였다.
제안 방법
본 연구에서 적용한 편의보정 및 지점 상세화 기법은 확률분포형을 활용한 편의보정기법, 매개변수적 편의보정기법, 비매개변수적 편의보정기법으로 크게 3가지로 구분하여 분석을 수행하였다(Table 1).
마지막으로 비매개변수적 편의보정기법(Table 1)은 총 두 가지의 방법으로 분석을 수행하였다. 첫 번째는 확률분포형의 가정이 아닌 직접 강우자료의 경험적 누가분포함수(empirical CDF)를 산정하여 Eq.
또한 GloSea5의 과거재현기간은 1996~2009년, 예측기간은 2014~2015년으로 선정하여 분석을 수행하였다. GloSea5의 격자 선정은 Fig. 3와 같이 각 강우관측소와 가장 인접한 GloSea5 모델의 격자를 선정하고 각 격자에 해당하는 일단위 강수 앙상블을 추출하였다.
예로 GloSea5의 예측기간이 9월에서 다음해 3월(가을 및 겨울철)까지일 때 월별로 분리하지 않고 편의보정이 수행될 경우 여름철(6~8월)의 많은 강수량이 누가분포함수의 확률 값에 영향을 미치게 되므로 이상치로 편의보정하게 된다. 또한, GloSea5 계절예측시스템의 경우 기후변화시나리오의 자료형식과는 다르게 과거재현자료의 앙상블(3개)과 예측자료의 앙상블(42개)의 개수가 각각 상이함에 따라 본 연구에서의 편의보정은 하나의 과거재현자료에 대하여 모든 예측자료의 앙상블을 편의 보정하는 형태로 분석을 수행하였다. 따라서, 예측기간의 강수앙상블은 총 126개(3 × 42)로 편의보정되어 생산된다.
남강댐과 용담댐 유역을 대상으로 각 강우관측소와 인접한 GloSea5 모델의 격자를 선정하고 각 격자에 해당하는 예측 강수 앙상블을 추출하였다. 편의보정을 위해 과거 재현기간의 추출된 GloSea5 모델과 강우관측소의 일 강수자료를 이용하였으며 앞서 소개한 총 11가지의 편의보정 기법을 활용하여 분석을 수행하였다.
남강댐과 용담댐 유역을 대상으로 각 강우관측소와 인접한 GloSea5 모델의 격자를 선정하고 각 격자에 해당하는 예측 강수 앙상블을 추출하였다. 편의보정을 위해 과거 재현기간의 추출된 GloSea5 모델과 강우관측소의 일 강수자료를 이용하였으며 앞서 소개한 총 11가지의 편의보정 기법을 활용하여 분석을 수행하였다. Figs.
앞서 과거재현기간의 관측 및 GloSea5 강수자료 분포특성을 통해 얻어진 기법별 주요 매개변수를 활용하여 예측기간 (2014년 1월 ~ 2015년 12월)의 강수자료에 대한 편의보정을 수행하였다. Figs.
대상 데이터
강우관측소는 용담댐 유역의 경우 금산, 무주, 장수지점, 남강댐 유역의 경우 진주, 거창, 합천, 산청, 장수지점으로 결정되었다. 또한 GloSea5의 과거재현기간은 1996~2009년, 예측기간은 2014~2015년으로 선정하여 분석을 수행하였다. GloSea5의 격자 선정은 Fig.
데이터처리
관측치 편의보정 후 GloSea5 강수자료의 정량적인 편차를 확인하고자 본 연구에서는 평균절대오차(Mean absolute error, MAE)와 평균제곱근오차(Root mean square error, RMSE)를 산정하여 각 기법별로 비교하였다. Tables 2 and 3은 기법별 과거재현기간(1996~2009년)의 관측치 대비 모의치의 평균절대오차와 평균제곱근오차를 산정한 결과로 산정 결과 M2기법이 관측치 대비 가장 큰 오차(MAE 1.
이론/모형
본 연구에서는 Table 1과 같이 확률분포형을 활용한 편의보정기법은 Bernoulli-Gamma분포형과 추가적으로 BernoulliWeibull분포, Bernoulli-Log normal분포, Bernoulli-Exponential분포로 총 4가지의 확률분포형(M1-M4)으로 가정하여 분석을 수행하였다. 확률분포형의 매개변수 추정방법은 최우도방법(maximum likelihood method)을 통해 산정하였다.
, 2011, 2012). 두 번째는 비모수 회귀분석(non-parametric regression)을 통해 관측 값과 모의 값의 편의보정을 수행하며 관측된 강우발생일수와 모델값에 상응하는 누가분포함수의 비율을 맞추기 위해 3차 평활스플라인 기법(Cubic Smoothing splines) (Hastie et al., 2001)을 적용한 기법(M11)을 적용하였다.
대기모델의 역학 체계는 비정역학 압축대기의 운동방정식을 계산하기 위하여 Semi-implicit semi-lagrangian 적분방법을 사용한다(Davies et al., 2005). 또한, 격자는 수평 이류를 계산하기 위하여 Arakawa C-grid staggering 방법(Arakawa and Lamb, 1977)으로 구성된 등위경도 격자를 사용하며, 수직 격자의 계산을 위하여 Charney-Phillips staggering 방법(Charney and Philips, 1953)으로 구성된 지형에 따른 hybrid 연직 좌표계를 사용한다.
, 2005). 또한, 격자는 수평 이류를 계산하기 위하여 Arakawa C-grid staggering 방법(Arakawa and Lamb, 1977)으로 구성된 등위경도 격자를 사용하며, 수직 격자의 계산을 위하여 Charney-Phillips staggering 방법(Charney and Philips, 1953)으로 구성된 지형에 따른 hybrid 연직 좌표계를 사용한다. 공간 수평해상도는 N216 (0.
본 연구는 Fig. 3와 같이 용담댐과 남강댐 유역을 중심으로 분석을 수행하였고 각 유역의 관측 강수량은 Thiessen 가중법을 통해 산정하였다. 강우관측소는 용담댐 유역의 경우 금산, 무주, 장수지점, 남강댐 유역의 경우 진주, 거창, 합천, 산청, 장수지점으로 결정되었다.
성능/효과
4 and 5는 과거재현기간에 대한 무주지점(용담댐 유역)과 합천지점(남강댐 유역)의 GloSea5 일단위 강수앙상블의 편의보정 전 ‧ 후 강수 차이를 Q-Q(quantile-quantile) plot으로 비교한 그림으로 분석결과 편의 보정 전의 GloSea5 강수앙상블은 정량적으로 관측치 대비 적게 모의되고 있음을 확인할 수 있었으며 편의보정 후 선정된 11개 기법 중 M2기법(Bernoulli-Log-normal distribution)을 제외하고는 정량적으로 관측 값과 유사하게 보정되었다. 편의보정기법별로 살펴보면 확률분포형을 활용한 기법(M1- M4)의 경우 M3기법(Bernoulli-Gamma distribution)이 가장 관측치와 유사하게 개선됨을 확인할 수 있었으나 여전히 정량적으로 큰 강수에 대하여 관측치 대비 작게 보정되는 결과를 보였다. 매개변수적 기법의 경우(M5-M9) 확률분포형을 활용한 기법에 비해 더욱 개선된 결과를 보였으며 특히M9기법이 상당부분 관측치와 유사하게 보정됨을 확인할 수 있었다.
편의보정기법별로 살펴보면 확률분포형을 활용한 기법(M1- M4)의 경우 M3기법(Bernoulli-Gamma distribution)이 가장 관측치와 유사하게 개선됨을 확인할 수 있었으나 여전히 정량적으로 큰 강수에 대하여 관측치 대비 작게 보정되는 결과를 보였다. 매개변수적 기법의 경우(M5-M9) 확률분포형을 활용한 기법에 비해 더욱 개선된 결과를 보였으며 특히M9기법이 상당부분 관측치와 유사하게 보정됨을 확인할 수 있었다. 비매개변수적 기법은 M10 (Empirical quantiles), M11 (Cubic Smoothing splines)기법 모두 정량적으로 관측치와 가장 유사하게 편의 보정되는 것을 확인할 수 있었다.
매개변수적 기법의 경우(M5-M9) 확률분포형을 활용한 기법에 비해 더욱 개선된 결과를 보였으며 특히M9기법이 상당부분 관측치와 유사하게 보정됨을 확인할 수 있었다. 비매개변수적 기법은 M10 (Empirical quantiles), M11 (Cubic Smoothing splines)기법 모두 정량적으로 관측치와 가장 유사하게 편의 보정되는 것을 확인할 수 있었다.
관측치 편의보정 후 GloSea5 강수자료의 정량적인 편차를 확인하고자 본 연구에서는 평균절대오차(Mean absolute error, MAE)와 평균제곱근오차(Root mean square error, RMSE)를 산정하여 각 기법별로 비교하였다. Tables 2 and 3은 기법별 과거재현기간(1996~2009년)의 관측치 대비 모의치의 평균절대오차와 평균제곱근오차를 산정한 결과로 산정 결과 M2기법이 관측치 대비 가장 큰 오차(MAE 1.15 mm, RMSE 5.40 mm)를 보인 반면 M10기법의 평균절대오차가 평균 0.10 mm, 평균제곱근오차가 평균 0.64 mm로 가장 적은 오차를 보였다. 평균절대오차 및 평균제곱근오차 산정식은 Eqs.
Figs. 6 and 7은 합천과 무주지점의 편의보정 후 GloSea5의 강수 앙상블 결과를 관측자료와 비교한 것으로 적용된 편의보정기법 모두 관측치와 대비하여 정량적으로 유사하게 편의보정 됨을 확인할 수 있었다. 또한, GloSea5 강수앙상블의 중앙 값과 관측 값 비교한 결과 비홍수기(봄, 가을, 겨울)강수는 정량적으로 유사하고 불확실성 역시 적은 반면, 홍수기(여름철) 강수는 정량적으로 큰 차이와 불확실성을 보였다.
6 and 7은 합천과 무주지점의 편의보정 후 GloSea5의 강수 앙상블 결과를 관측자료와 비교한 것으로 적용된 편의보정기법 모두 관측치와 대비하여 정량적으로 유사하게 편의보정 됨을 확인할 수 있었다. 또한, GloSea5 강수앙상블의 중앙 값과 관측 값 비교한 결과 비홍수기(봄, 가을, 겨울)강수는 정량적으로 유사하고 불확실성 역시 적은 반면, 홍수기(여름철) 강수는 정량적으로 큰 차이와 불확실성을 보였다. 하지만, M2기법을 제외하고 편의보정 후 GloSea5 강수앙상블의 90% 신뢰구간에 관측치가 대부분 포함되어 있음을 확인할 수 있었다.
또한, GloSea5 강수앙상블의 중앙 값과 관측 값 비교한 결과 비홍수기(봄, 가을, 겨울)강수는 정량적으로 유사하고 불확실성 역시 적은 반면, 홍수기(여름철) 강수는 정량적으로 큰 차이와 불확실성을 보였다. 하지만, M2기법을 제외하고 편의보정 후 GloSea5 강수앙상블의 90% 신뢰구간에 관측치가 대부분 포함되어 있음을 확인할 수 있었다. 또한, 적용된 편의보정기법 중 과거재현기간에서 가장 좋은 편의보정 결과를 보인 비매개변수적 편의보정기법의 경우 Figs.
이는 과거재현기간에서 나타나지 않은 큰 모의치가 예측기간에서 발생하게 될 경우 비현실적으로 큰 강수량으로 편의보정 됨을 의미한다. 이와는 대조적으로 매개변수적 편의보정 기법은 예측기간에 대하여 상대적으로 안정된 결과를 보여주고 있음을 확인할 수 있었다.
Tables 4 and 5는 기법별 예측기간(2014~2015년)의 관측치 대비 모의치의 평균절대오차와 평균제곱근오차를 산정한 결과로 M10기법의 경우 MAE가 1.95 mm, RMSE는 21.86 mm, M11기법의 경우 MAE는 1.60 mm, RMSE 13.32 mm로 비매개변수적 편의보정기법이 평균적으로 가장 많은 오차를 보였다. 이것은 앞서 언급된 바와 같이 편의보정 후 발생한 이상치로 인하여 타 기법에 비해 많은 오차가 유발된 것으로 판단된다.
본 연구에서는 기상청에서 현업으로 활용하고 있는 전지구 계절예측시스템 GloSea5의 강수량 자료를 수자원 및 다양한 응용분야에 활용하기 위하여 GloSea5의 모델 예측자료가 가지는 편의를 다양한 편의보정기법을 활용하여 보정하고 가장 적합한 편의보정기법을 선정하고자 하였다. 과거재현기간(Hindcast period)에 대하여 GloSea5 강수량 자료의 편의 보정을 수행한 결과, 확률분포형을 활용한 편의보정기법의 경우 M3기법, 매개변수적 편의보정기법은 M9기법, 비매개변수적 편의보정기법은 M10기법이 관측치와 대비하여 가장 적은 오차를 보였다. 상대적으로 확률분포형을 활용한 편의보정기법의 경우 타 기법에 비해 관측치와 정량적으로 많은 차이를 보였으며, 특히 큰 강수량에 대하여 과소하게 편의보정 됨을 확인할 수 있었다.
과거재현기간(Hindcast period)에 대하여 GloSea5 강수량 자료의 편의 보정을 수행한 결과, 확률분포형을 활용한 편의보정기법의 경우 M3기법, 매개변수적 편의보정기법은 M9기법, 비매개변수적 편의보정기법은 M10기법이 관측치와 대비하여 가장 적은 오차를 보였다. 상대적으로 확률분포형을 활용한 편의보정기법의 경우 타 기법에 비해 관측치와 정량적으로 많은 차이를 보였으며, 특히 큰 강수량에 대하여 과소하게 편의보정 됨을 확인할 수 있었다. 반면, 예측기간(Forecast period)의 강수자료 편의보정 결과, 과거재현기간에서 가장 좋은 편의 보정 결과를 보인 비매개변수적 편의보정기법이 편의보정 후 비홍수기 임에도 불구하고 상대적으로 큰 이상치로 편의보정됨을 확인할 수 있었다.
상대적으로 확률분포형을 활용한 편의보정기법의 경우 타 기법에 비해 관측치와 정량적으로 많은 차이를 보였으며, 특히 큰 강수량에 대하여 과소하게 편의보정 됨을 확인할 수 있었다. 반면, 예측기간(Forecast period)의 강수자료 편의보정 결과, 과거재현기간에서 가장 좋은 편의 보정 결과를 보인 비매개변수적 편의보정기법이 편의보정 후 비홍수기 임에도 불구하고 상대적으로 큰 이상치로 편의보정됨을 확인할 수 있었다. 이는 과거재현기간에서 나타나지 않은 큰 모의치가 예측기간에서 발생하게 될 경우 비현실적으로 큰 강수량으로 편의보정 된다는 것을 말한다.
이와는 대조적으로 매개변수적 편의보정 기법은 예측기간에 대하여 상대적으로 안정된 결과를 보여주고 있음을 확인할 수 있었다. 따라서, 계절예측시스템의 편의보정을 위해서는 관측자료와 상대적으로 유사한 강수로 편의보정이 이루어지고 예측기간에 대하여 이상치를 발생시키지 않는 매개변수적 편의보정기법을 활용하는 것이 타당할 것으로 판단되며, 이중 고차 회귀식을 통해 편의보정을 수행하는 M9기법이 안정된 결과를 도출하는 것으로 분석되었다. 본 연구의 결과는 향후 예측기반의 수자원 운영 및 관리 의사결정지원 등에 활용 가능할 것으로 기대된다.
Figs. 4 and 5는 과거재현기간에 대한 무주지점(용담댐 유역)과 합천지점(남강댐 유역)의 GloSea5 일단위 강수앙상블의 편의보정 전 ‧ 후 강수 차이를 Q-Q(quantile-quantile) plot으로 비교한 그림으로 분석결과 편의 보정 전의 GloSea5 강수앙상블은 정량적으로 관측치 대비 적게 모의되고 있음을 확인할 수 있었으며 편의보정 후 선정된 11개 기법 중 M2기법(Bernoulli-Log-normal distribution)을 제외하고는 정량적으로 관측 값과 유사하게 보정되었다. 편의보정기법별로 살펴보면 확률분포형을 활용한 기법(M1- M4)의 경우 M3기법(Bernoulli-Gamma distribution)이 가장 관측치와 유사하게 개선됨을 확인할 수 있었으나 여전히 정량적으로 큰 강수에 대하여 관측치 대비 작게 보정되는 결과를 보였다.
후속연구
따라서, 계절예측시스템의 편의보정을 위해서는 관측자료와 상대적으로 유사한 강수로 편의보정이 이루어지고 예측기간에 대하여 이상치를 발생시키지 않는 매개변수적 편의보정기법을 활용하는 것이 타당할 것으로 판단되며, 이중 고차 회귀식을 통해 편의보정을 수행하는 M9기법이 안정된 결과를 도출하는 것으로 분석되었다. 본 연구의 결과는 향후 예측기반의 수자원 운영 및 관리 의사결정지원 등에 활용 가능할 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
편의보정기법에는 무엇이 있는가?
편의보정기법에는 관측 값과 모의 값의 분포를 이론적인 확률분포형(예, Gamma distribution)으로 가정하여 관측 값의 누가분포함수(Cumulative Distribution Function, CDF)의 역함수를 통해 편의보정을 수행하는 기법(Ines and Hansen, 2006; Li et al., 2010; Piani et al., 2010a; Cannon, 2012; Gudmundsson et al., 2012; Teutschbein and Seibert, 2012), 관측 값과 모의 값의 분위관계를 통해 얻어지는 특정 함수식을 활용하여 편의를 보정하는 기법(Schmidli et al., 2006; Maraun et al., 2010; Piani et al., 2010b; Dosio and Paruolo, 2011; Rojas et al., 2011; Gudmundsson et al., 2012), 관측 값과 모의 값의 경험적 누가분포함수(empirical CDF)를 이용하여 편의를 보정하는 기법(Panofsky and Brier, 1968; Hastie et al., 2001; Reichle and Koster, 2004; Wood et al., 2004; Boé et al., 2007; Themeßl et al., 2011, 2012; Gudmundsson et al., 2012), 미래의 비정상성을 고려하기 위해 제시된 Detrended Quantile Mapping (DQM) 기법(Maraun et al., 2010; Maraun, 2012), 모든 분위의 상대변화를 고려하여 장기추세 왜곡을 최소화하는 Quantile Delta Mapping (QDM) 기법(Cannon et al., 2015) 등이 있으며, 관측값에 대한 모델의 편의를 보다 효율적으로 보정하기 위하여 국내 ‧ 외적으로 많은 통계적 기법이 개발 및 평가되고 있다.
이중 기상예측의 단점은 무엇인가?
이중 기상예측의 경우 예측기간이 짧고 초기조건(initial conditions)의 영향만을 받음에 따라 비교적 타 예측에 비해 정확도가 양호하다. 그러나 계절예측과 기후변화 시나리오와 같이 상대적으로 장기간의 예측을 하는 경우 초기조건뿐 만 아니라 경계조건(boundary conditions)과 인위적 강제력(anthropogenic forcing) 등이 추가적으로 고려되어야 함에 따라 불확실성(uncertainty)이 증가하고 시 ‧공간적 해상도 차이로 인해 관측 값과 모델 값 간의 큰 편의가 발생하기 때문에 정량적인 편의를 보완해 줄 통계적 편의보정기법의 적용이 필수적이다.
이중 기상예측의 장점은 무엇인가?
기후예측의 시간적 해상도에 따라 단기(1~2주일 이내)의 기상상태를 예측하는 기상예측과 수개월 후를 예측하는 계절예측, 최대 100년 후의 기후상태를 예측하는 기후변화 시나리오 등으로 나눌 수 있다. 이중 기상예측의 경우 예측기간이 짧고 초기조건(initial conditions)의 영향만을 받음에 따라 비교적 타 예측에 비해 정확도가 양호하다. 그러나 계절예측과 기후변화 시나리오와 같이 상대적으로 장기간의 예측을 하는 경우 초기조건뿐 만 아니라 경계조건(boundary conditions)과 인위적 강제력(anthropogenic forcing) 등이 추가적으로 고려되어야 함에 따라 불확실성(uncertainty)이 증가하고 시 ‧공간적 해상도 차이로 인해 관측 값과 모델 값 간의 큰 편의가 발생하기 때문에 정량적인 편의를 보완해 줄 통계적 편의보정기법의 적용이 필수적이다.
참고문헌 (29)
Arakawa, A., and Lamb, V. R. (1997). "Computational design of the basic dynamic processes of the UCLA general circulation model." Methods in Computational Physics, Vol. 17, pp. 173-265.
Boe, J., Terray, L., Habets, F., and Martin, E. (2007). "Statistical and dynamical downscaling of the Seine basin climate for hydro-meteorological studies." International Journal of Climatology, Vol. 27, pp. 1643-1655.
Cannon, A. J. (2008). "Probabilistic multisite precipitation downscaling by an expanded Bernoulli-Gamma density network." Journal of Hydrometeorology, Vol. 9, pp. 1284-1300.
Cannon, A. J. (2012). "Neural networks for probabilistic environmental prediction: Conditional Density Estimation Network Creation and Evaluation (CaDENCE) in R." Computer & Geosciences, Vol. 41, pp. 126-135.
Cannon, A. J., Sobie, S. R., and Murdock, T. O. (2015). "Bias correction of GCM precipitation by quantile mapping: how well do methods preserve changes in quantiles and extremes?," Journal of Climate, Vol. 28, pp. 6938-6959.
Charney, J. G., and Phillips, N. A. (1953). "Numerical integration of the quasi-geostrophic equations for barotropic and simple baroclinic flows." Journal of Meteorology, Vol. 10, pp. 71-99.
Davies, T., Cullen, M. J. P., Malcolm, A. J., Mawson, M. H., Staniforth, A., White, A. A., and Wood, N. (2005). "A new dynamical core for the Met Office's global and regional modelling of the atmosphere." Quarterly Journal of the Royal Meteorological Society, Vol. 131, pp. 1759-1782.
Dosio, A., and Paruolo, P. (2011). "Bias correction of the ENSEMBLES high-resolution climate change projections for use by impact models: evaluation on the present climate." Journal of Geophysical Research, Vol. 116, D16106.
Gaur, A., and Simonovic, S. P. (2015). "Projected changes in the dynamics of flood hazard in the Grand River basin, Canada." British Journal of Environment and Climate Change, Vol. 5, No. 1, pp. 37-51.
Gudmundsson, L., Bremnes, J. B., Haugen, J. E., and Engen-Skaugen, T. (2012). "Technical note: downscaling RCM precipitation to the station scale using statistical transformations-a comparison of methods." Hydrology and Earth System Sciences, Vol. 16, pp. 3383-3390.
Hastie, T., Tibshirani, R., and Friedman, J. H. (2001). The elements of statistical learning, Springer.
Ines, A. V., and Hansen, J. W. (2006). "Bias correction of daily GCM rainfall for crop simulation studies." Agricultural and Forest Meteorology, Vol. 138, pp. 44-53.
KMA (Korea Meteorological Administration) (2016). A forecast characteristics analysis technical note of GloSea5. KMA, pp. 3-14.
Li, H., Sheffield, J., and Wood, E. F. (2010). "Bias correction of monthly precipitation and temperature fields from Intergovernmental panel on climate change AR4 models using equidistant quantile matching." Journal of Geophysical Research, Vol. 115, D10101.
Maraun, D. (2012). "Nonstationarities of regional climate model biases in European seasonal mean temperature and precipitation sums." Geophysical Research Letters, Vol. 39, L06706.
Maraun, D., Wetterhall, F., Ireson, A. M., Chandler, R. E., Kendon, E. J., Widmann, M., Brienen, S., Rust, H. W., Sauter, T., Themessl, M., Venema, V. K. C., Chun, K. P., Goodess, C. M., Jones, R. G., Onof, C., Vrac, M., and Thiele-Eich, I. (2010) "Precipitation downscaling under climate change: recent developments to bridge the gap between dynamical models and the end user." Reviews of Geophysics, Vol. 48, L06706.
Mooley, D. A. (1973). "Gamma distribution probability model for asian summer monsoon monthly rainfall." Monthly Weather Review, Vol. 101, pp. 160-176.
Moon, S., Han, S., Choi, K., and Song, J. (2016). "Data processing system and spatial-temporal reproducibility assessment of GloSea5 model." Journal of Korea Water Resources Association, Vol. 49, No. 9, pp. 761-771.
Panofsky, H. W., and Brier, G. W. (1968). Some applications of statistics to meteorology. The Pennsylvania State University Press, Philadelphia.
Piani, C., Haerter, J., and Coppola, E. (2010a). "Statistical bias correction for daily precipitation in regional climate models over Europe." Theoretical and Applied Climatology, Vol. 99, pp. 187-192.
Piani, C., Weedon, G., Best, M., Gomes, S., Viterbo, P., Hagemann, S., and Haerter, J. (2010b). "Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models." Journal of Hydrology, Vol. 395, pp. 199-215.
Rojas, R., Feyen, L., Dosio, A., and Bavera, D. (2011). "Improving pan-European hydrological simulation of extreme events through statistical bias correction of RCM-driven climate simulations." Hydrology and Earth System Sciences, Vol. 15, pp. 2599-2620.
Schmidli, J., Frei, C., and Vidale, P. L. (2006). "Downscaling from GCM precipitation: a benchmark for dynamical and statistical downscaling methods." International Journal of Climatology, Vol. 26, pp. 679-689.
Teutschbein, C., and Seibert, J. (2012). "Bias correction of regional climate model simulations for hydrological climate-change impact studies: review and evaluation of different methods." Journal of Hydrology, Vol. 16, pp. 12-29.
Themessl, M. J., Gobiet, A., and Heinrich, G. (2012). "Empirical-statistical downscaling and error correction of regional climate models and its impact on the climate change signal." Climatic Change, Vol. 112, pp. 449-468.
Themessl, M. J., Gobiet, A., and Leuprecht, A. (2011). "Empirical-statistical downscaling and error correction of daily precipitation from regional climate models." International Journal of Climatology, Vol. 31, pp. 1530-1544.
Wood, A. W., Leung, L. R., Sridhar, V., and Lettenmaier, D. P. (2004). "Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs." Climatic Change, Vol. 62, pp. 189-216.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.