[논문]기계학습 기반의 IABP 부이 자료와 AMSR2 위성영상을 이용한 여름철 북극 대기 온도 추정

한대현; 김영준; 임정호; 이상균; 이연수; 김현철

doi:10.7780/kjrs.2018.34.6.2.10

초록
AI-Helper

북극 지역의 대기 온도는 바다 및 해빙, 대기 사이의 에너지 교환에 큰 역할을 하므로 북극 대기 온도를 정확하게 파악하는 것은 중요하다. 하지만 현장 관측 자료들은 북극 대기 온도의 공간적인 분포를 나타내는 데에 한계가 있다. 따라서 본 연구에서는 부이(buoy) 자료와 Advanced Microwave Scanning Radiometer 2(AMSR2) 위성자료를 이용하여 기계학습 기반 여름철 대기 온도 추정 모델을 구축하였다. 기계학습으로는 random forest(RF) 및 support vector machine(SVM)을 사용하였으며, AMSR2 관측 시간에 따라 하루 두 번의 대기 온도를 추정하였다. 또한 추정된 대기 온도를 유럽 중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)의 ERA-Interim 재분석자료의 대기 온도와 공간 분포를 비교하였다. 교차 검증 결과 두 가지 기계학습 기법 모두 0.84-0.88의 $R^2$ 및 $1.31-1.53^{\circ}C$의 RMSE를 보였다. 공간적인 분포에서 IABP 부이 관측 자료가 존재하지 않는 바렌츠해(Barents Sea), 카라해(Kara Sea) 및 배핀만(Baffin bay) 지역에서는 기계학습 모델이 ERA-Interim 대기 온도에 비하여 과소 추정하는 경향을 보였다. 본 연구는 경험적인 북극 대기 온도 추정의 가능성과 한계점을 서술하였다.

Abstract ▼ AI-Helper

It is important to measure the Arctic surface air temperature because it plays a key-role in the exchange of energy between the ocean, sea ice, and the atmosphere. Although in-situ observations provide accurate measurements of air temperature, they are spatially limited to show the distribution of A...

It is important to measure the Arctic surface air temperature because it plays a key-role in the exchange of energy between the ocean, sea ice, and the atmosphere. Although in-situ observations provide accurate measurements of air temperature, they are spatially limited to show the distribution of Arctic surface air temperature. In this study, we proposed machine learning-based models to estimate the Arctic surface air temperature in summer based on buoy data and Advanced Microwave Scanning Radiometer 2 (AMSR2)satellite data. Two machine learning approaches-random forest (RF) and support vector machine (SVM)-were used to estimate the air temperature twice a day according to AMSR2 observation time. Both RF and SVM showed $R^2$ of 0.84-0.88 and RMSE of $1.31-1.53^{\circ}C$. The results were compared to the surface air temperature and spatial distribution of the ERA-Interim reanalysis data from the European Center for Medium-Range Weather Forecasts (ECMWF). They tended to underestimate the Barents Sea, the Kara Sea, and the Baffin Bay region where no IABP buoy observations exist. This study showed both possibility and limitations of the empirical estimation of Arctic surface temperature using AMSR2 data.

주제어

표/그림 (9)

그림 Fig. 1. The study area of this study.
그림 Fig. 2. Overall scheme of this study. Red box represents the process of building machine learning models and green box shows the process of validation methods.
그림 Fig. 3. The distribution of air temperature from IABP buoy data in the summer of 2013-2016.
그림 Fig. 4. The histogram of buoy data from Jun.-Sep. between 2013-2016.
표 Table 1. The distribution of buoy data used in this study
그림 Fig. 5. Validation results for RF and SVM models and ERA-Interim air temperature in ascending and descending times compared with buoy air temperature, where red line shows 1:1 ratio and black line represents the fitted line of the data.
그림 Fig. 6. Spatial distribution of monthly air temperature of random forest, support vector machine, and ERA-Interim reanalysis data in the summer of 2016.
그림 Fig. 7. Monthly bias distribution between estimated air temperatures from machine learning models and ERA-Interim reanalysis data in the summer of 2016.
표 Table 2. Bias between models and ERA-Interim (℃)

AI 본문요약
AI-Helper

문제 정의

앞서 언급한 한계점과 관련하여 본 연구에서는 해상 및 해빙지역의 대기 온도를 잘 반영할 수 있는 부이 관측자료를 이용하여 위성 기반 대기 온도를 추정하였다. 높은 시간 해상도와 구름에 의한 영향을 최소화하기 위하여 수동 마이크로파 센서인 AMSR2 자료를 이용하여 위성 시간에 맞춰서 하루 두 차례의 대기 온도를 추정하였다.

대상 데이터

연구에 필요한 자료를 구축하기 위하여 2013년부터 2016년까지의 여름철 IABP 부이 대기 온도 자료, AMSR2 밝기 온도 자료, 그리고 ERA-Interim 대기 온도 자료를 수집하였다.

데이터처리

높은 시간 해상도와 구름에 의한 영향을 최소화하기 위하여 수동 마이크로파 센서인 AMSR2 자료를 이용하여 위성 시간에 맞춰서 하루 두 차례의 대기 온도를 추정하였다. 관측자료를 이용한 경험적인 모델을 만들기 위하여 기계학습 기법 중 random forest(RF) 및 support vector machine(SVM)을 이용하였으며, 그 결과를 부이의 대기 온도 관측값 및 ERA-Interim 재분석자료의 대기 온도와 비교 분석하였다. 나아가 추정된 대기 온도 분포를 ERA-Interim 재분석자료와 공간적으로 비교 및 분석하였다.

이론/모형

, 2018). 본 연구에서는 선형 커널 및 RBF 커널의 결과를 비교한 후, 더 좋은 성능을 보여주는 RBF 커널을 이용하였다.

성능/효과

53°C의 RMSE를 보였다. 모델을 이용해 추정된 대기 온도를 ERA-Interim 재분석자료와 비교한 공간 분포에서는, 7-9월에 바렌츠해, 카라해 및 배핀만에서 과소 추정하는 결과를 보였다. 이는 부이 자료가 대부분 북극 중심 및 보퍼트해 부근에 위치한 반면, 바렌츠해, 카라해 및 배핀만에는 관측 결과가 없기 때문에 해당 지역들의 정보가 충분히 학습되지 않은 것으로 판단된다.
89 GHz) 총 14개의 입력 변수가 RF 및 SVM 기계학습의 입력 변수로 쓰였다. 전체 자료를 10-fold 교차 검증한 결과 두 모델은 각각 ascending 및 descending 시간에 대해 약 0.84-0.88의 R²와 1.31-1.53°C의 RMSE를 보였다. 모델을 이용해 추정된 대기 온도를 ERA-Interim 재분석자료와 비교한 공간 분포에서는, 7-9월에 바렌츠해, 카라해 및 배핀만에서 과소 추정하는 결과를 보였다.

후속연구

이는 부이 자료가 대부분 북극 중심 및 보퍼트해 부근에 위치한 반면, 바렌츠해, 카라해 및 배핀만에는 관측 결과가 없기 때문에 해당 지역들의 정보가 충분히 학습되지 않은 것으로 판단된다. 이것은 기계학습 기법의 한계이며, 향후 해당 지역의 관측 자료를 통해 샘플을 추가한다면 더 정확한 북극의 해빙 및 해상에서의 대기 온도를 추정할 수 있을 것으로 기대한다.
관측자료의 개수, 공간적 분포, 그리고 대기 온도 분포의 불균형으로 인해 비교적 관측 자료가 적은 해상에서 부족한 모의력을 보였다. 이러한 문제는 추후에 IABP 부이 자료 이외에 다양한 관측 자료를 이용한다면 개선될 것으로 보이며, 특히 러시아 부근의 자료를 보강한다면 바렌츠해 및 카라해 부근에서도 모의력이 크게 향상될 것으로 기대할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지상 관측소 자료의 특성은?	지상 관측소 자료의 경우 넓은 영역에 비해 상대적으로 관측소 자체의 수가 많지 않고 그 관측 기록이 시간적으로 짧은 특성을 가지고 있으며(Dodd et al., 2015) 지상의 대기 온도에 대한 측정이 이루어지기 때문에 해상 및 해빙지역의 대기 온도 자료가 없다.
	북극 지역의 대기 온도의 역할은?	북극 지역의 대기 온도는 바다 및 해빙, 대기 사이의 에너지 교환에 큰 역할을 하므로 북극 대기 온도를 정확하게 파악하는 것은 중요하다. 하지만 현장 관측 자료들은 북극 대기 온도의 공간적인 분포를 나타내는 데에 한계가 있다.
	단일 의사결정 트리의 문제를 해결하기 위해 행하는 것은?	하지만 단일 트리는 학습자료에 매우 민감하기 때문에 종종 과적합이 발생한다. 이러한 문제를 해결하기 위하여 RF는 학습 자료 중 일부를 무작위 추출하여 여러개의 독립적인 트리를 생성한다. 각 CART의 분기점에서 변수를 결정하기 위해 통계적 분산 값인 Gini 인덱스를 사용한다.

참고문헌 (18)

Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.
Cohen, J., J. A. Screen, J. C. Furtado, M. Barlow, D. Whittleston, D. Coumou, J. Francis, K. Dethloff, J. O. Entekhabi, and J. Jones, 2014. Recent Arctic amplification and extreme mid-latitude weather, Nature Geoscience, 7(9): 627.

상세보기
Comiso, J. C., D. J. Cavalieri, C. L. Parkinson, and P. Gloersen, 1997. Passive microwave algorithms for sea ice concentration: A comparison of two techniques, Remote sensing of Environment, 60(3): 357-384.

상세보기
Cowtan, K. and R. G. Way, 2014. Coverage bias in the HadCRUT4 temperature series and its impact on recent temperature trends, Quarterly Journal of the Royal Meteorological Society, 140(683): 1935-1944.

상세보기
Dodd, E. M., C. J. Merchant, N. A. Rayner, and C. P. Morice, 2015. An investigation into the impact of using various techniques to estimate Arctic surface air temperature anomalies, Journal of Climate, 28(5): 1743-1763.

상세보기
Du, J., L. A. Jones, and J. S. Kimball, 2017. Daily Global Land Parameters Derived from AMSR-E and AMSR2 (Version 2.0), National Snow and Ice Data Center(NSIDC), Boulder, CO, USA.
Francis, J. A. and S. J. Vavrus, 2015. Evidence for a wavier jet stream in response to rapid Arctic warming, Environmental Research Letters, 10(1): 014005.

상세보기
Jang, E., J. Im, G. H. Park, and Y. G. Park, 2017. Estimation of fugacity of carbon dioxide in the East Sea using in situ measurements and Geostationary Ocean Color Imager satellite data, Remote Sensing, 9(8): 821.

상세보기
Liu, J., Z. Zhang, Y. Hu, L. Chen, Y. Dai, and X. Ren, 2008. Assessment of surface air temperature over the Arctic Ocean in reanalysis and IPCC AR4 model simulations with IABP/POLES observations, Journal of Geophysical Research: Atmospheres, 113(D10).
Merchant, C. J., S. Matthiesen, N. A. Rayner, J. J. Remedios, P. D. Jones, F. Olesen, B. Trewin, P. W. Thorne, R. Auchmann, G. K. Corlett, P. C. Guillevic, and G. C. Hulley, 2013. The surface temperatures of Earth: steps towards integrated understanding of variability and change, Geoscientific Instrumentation, Methods and Data Systems, 2(2): 305-321.

상세보기
Rigor, I., 2002. IABP drifting buoy, pressure, temperature, position, and interpolated ice velocity, National Snow and Ice Data Center, Boulder, CO, USA.
Rigor, I. G., R. L. Colony, and S. Martin, 2000. Variations in surface air temperature observations in the Arctic, 1979-1997, Journal of Climate, 13(5): 896-914.

상세보기
Serreze, M. C. and R. G. Barry, 2011. Processes and impacts of Arctic amplification: A research synthesis, Global and Planetary Change, 77 (1-2): 85-96.

상세보기
Sonobe, R., Y. Yamaya, H. Tani, X. Wang, N. Kobayashi, and K. I. Mochizuki, 2017. Assessing the suitability of data from Sentinel-1A and 2A for crop classification, GIScience & Remote Sensing, 54(6): 918-938.

상세보기
Tang, G., A. Behrangi, Z. Ma, D. Long, and Y. Hong, 2018. Downscaling of ERA-Interim Temperature in the Contiguous United States and Its Implications for Rain-Snow Partitioning, Journal of Hydrometeorology, 19(7): 1215-1233.

상세보기
Wang, L., H. Liu, H. Su, and J. Wang, 2018. Bathymetry retrieval from optical images with spatially distributed support vector machines, GIScience & Remote Sensing, 2018: 1-15.
Yoo, C., J. Im, S. Park, and L. J. Quackenbush, 2018. Estimation of daily maximum and minimum air temperatures in urban landscapes using MODIS time series satellite data, ISPRS Journal of Photogrammetry and Remote Sensing, 137: 149-162.

상세보기
Zhou, X., H. Matthes, A. Rinke, B. Huang, K. Yang, and K. Dethloff, 2019. Simulating Arctic 2-m air temperature and its linear trends using the HIRHAM5 regional climate model, Atmospheric Research, 217: 137-149.

상세보기

이 논문을 인용한 문헌

LOADING...

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

기계학습 기반의 IABP 부이 자료와 AMSR2 위성영상을 이용한 여름철 북극 대기 온도 추정
The Estimation of Arctic Air Temperature in Summer Based on Machine Learning Approaches Using IABP Buoy and AMSR2 Satellite Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습 기반의 IABP 부이 자료와 AMSR2 위성영상을 이용한 여름철 북극 대기 온도 추정 The Estimation of Arctic Air Temperature in Summer Based on Machine Learning Approaches Using IABP Buoy and AMSR2 Satellite Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습 기반의 IABP 부이 자료와 AMSR2 위성영상을 이용한 여름철 북극 대기 온도 추정
The Estimation of Arctic Air Temperature in Summer Based on Machine Learning Approaches Using IABP Buoy and AMSR2 Satellite Data 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper