[논문]고해상도 강수량 수치예보에 대한 편의 보정 기법 개발

오랑치맥 솜야; 김지성; 김규호; 권현한

doi:10.3741/jkwra.2018.51.7.575

[국내논문] 고해상도 강수량 수치예보에 대한 편의 보정 기법 개발
Development of bias correction scheme for high resolution precipitation forecast 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.51 no.7, 2018년, pp.575 - 584

오랑치맥 솜야 (전북대학교 공과대학 토목공학과) , 김지성 (한국건설기술연구원 수자원.하천연구소) , 김규호 (한국건설기술연구원 수자원.하천연구소) , 권현한 (전북대학교 공과대학 토목공학과)

초록
AI-Helper

최근 이상기후로 인한 집중호우 발생빈도와 이로 인한 국지적인 홍수 피해가 증가하고 있다. 이러한 점에서 홍수피해 예방측면에서 수치예보 정보 활용이 요구되고 있다. 그러나 수치예보모델은 초기 조건 및 지형적 요인으로 인해 시공간적 편의가 존재하며 실시간 예측정보로 활용하기 전에 모형결과에 대한 편의보정이 요구된다. 본 연구에서는 관측지점 기준으로 편의 보정계수를 산정하는 과정에서 모든 관측소간의 상관성을 거리의 함수로 고려하여 미계측지점의 편의 보정계수를 공간적으로 확장할 수 있는 Bayesian Kriging 기반 MFBC 기법을 개발하였다. 본 연구에서 개발한 방법은 미계측 유역에 대해서도 보정계수를 효과적으로 추정하는 것이 확인되었으며, 비교적 고해상도로 72시간(3일) 정도까지 예측강우 정보를 활용하는 것이 가능할 것으로 판단된다.

Abstract ▼ AI-Helper

An increase in heavy rainfall and floods have been observed over South Korea due to recent abnormal weather. In this perspective, the high-resolution weather forecasts have been widely used to facilitate flood management. However, these models are known to be biased due to initial conditions and topographical conditions in the process of model building. Theretofore, a bias correction scheme is largely applied for the practical use of the prediction to flood management. This study introduces a new mean field bias correction (MFBC) approach for the high-resolution numerical rainfall products, which is based on a Bayesian Kriging model to combine an interpolation technique and MFBC approach for spatial representation of the error. The results showed that the proposed method can reliably estimate the bias correction factor over ungauged area with an improvement in the reduction of errors. Moreover, it can be seen that the bias corrected rainfall forecasts could be used up to 72 hours ahead with a relatively high accuracy.

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

0 모델이 대표 현업모델로서 다양한 목적으로 활용되고 있다. 본 연구에서는 UM3.0의 예측 정보의 활용성을 개선하고자 편의 보정 기법 개발 및 불확실성 추정 방안을 수립하고자 하며, 이를 통해 UM 3 km 예보모델에 대한 수문기상학적 활용성도 개선하고자 한다. 분석에 활용한 자료 기간은 2014년 1월 1일부터 2015년 12년 31일까지 2년간의 예보 모델 강수량과 기상청 관할의 관측소 강수량 자료를 활용하였다.
본 연구의 목적은 UM3.0 모델 기반 강수량의 편의 보정 및 불확실성 추정 방안을 제시하고자 한다. 수문기상학적 자료들에 대한 편의 보정 방법으로 일반적인 선형회귀분석, 다항식회귀분석, Quantile Mapping 등의 방법이 있으며 본 연구에서 보정하고자 하는 UM 3 km 예보모델의 예보 기간이 2년, 공간해상도가 3 km라는 특성과 편의 보정 방법의 적용성 및 계산속도 등을 고려하여 Mean Field Bias Correction (MFBC) 방법을 기본적으로 선택하였다.
본 연구에서는 고해상도의 수치예보 강수량 자료의 편의 보정 기법을 개발하였다. 시공간적 고해상도 자료의 편의 보정은 시계열 자료의 편의 보정 기법과 달리 상당히 큰 용량의 자료를 다루기 때문에 본 논문에서는 편의 보정 기법으로 MFBC 기법을 채택하였다.
본 연구에서는 UM3.0 수치예보 자료에 대한 공간적 편의 보정분석을 위해서 Bayesian Kriging 기반의 MFBC 기법을 도입하였다. UM3.

가설 설정

본 연구에서는 자료의 공간적 상관성이 자료들 간의 거리에 의해서만 결정된다는 가정(등방성, isotropy) 하에 지수 공분산함수(exponential covariance function)를 활용하여 ω(s)를 설정하였다.
Fig. 5에서 나타낸 결과는 기존 MFBC 방법을 통해 산정된 결과로서 기지의 관측강수량과 수치예보자료 기반의 결과로서 본 연구에서는 참값으로 가정하였으며, Bayesian Kriging 기반 편의보정 계수와 비교하였다.

제안 방법

0 모델 기반 강수량의 편의 보정 및 불확실성 추정 방안을 제시하고자 한다. 수문기상학적 자료들에 대한 편의 보정 방법으로 일반적인 선형회귀분석, 다항식회귀분석, Quantile Mapping 등의 방법이 있으며 본 연구에서 보정하고자 하는 UM 3 km 예보모델의 예보 기간이 2년, 공간해상도가 3 km라는 특성과 편의 보정 방법의 적용성 및 계산속도 등을 고려하여 Mean Field Bias Correction (MFBC) 방법을 기본적으로 선택하였다. 격자자료에 대한 편의보정 시 가장 큰 어려운 점은 보정계수 산정이 관측지점단위에 대해서만 이루어진다는 점이며, 이를 전 격자자료에 적용하기 위한 방안 연구는 매우 미진한 실정이다.
격자자료에 대한 편의보정 시 가장 큰 어려운 점은 보정계수 산정이 관측지점단위에 대해서만 이루어진다는 점이며, 이를 전 격자자료에 적용하기 위한 방안 연구는 매우 미진한 실정이다. 이러한 점에서, 본 연구에서는 공간적 편의 보정 및 불확실성 평가를 위해서 앞서 언급한 편의 보정 방법인 MFBC 방법과 매개변수 추정단계에서부터 공간적 내삽 기법인 Kriging 기법을 결합할 수 있는 방법론을 도입하였으며, Bayesian 이론을 바탕으로 추정된 보정계수의 불확실성 또한 추정이 가능한 공간적 편의 보정 기법을 개발하였다. MFBC 방법은 주로 레이더 강수량의 보정방법으로 주로 활용되고 있으며(Borga, 2002; Lee et al.
2장에서는 분석에 사용된 자료들에 대해서 정리하였으며, 3장에서는 본 연구에서 제안된 방법론의 이론적인 배경을 제시하였다. 4장에서 2년간의 수치예보자료를 대상으로 방법론의 적합성을 평가하였으며, 최종적으로 결론을 제시하였다.
0) 예보 모델의 예측 강수량을 활용하였다. UM3.0은 17 km 해상도의 전지구 UM, 12 km 해상도의 지역 UM의 순차적 2단계 공간상세화를 거쳐서 3 km 공간 해상도를 갖는 모델로 구축되었으며, 1시간의 시간해상도를 가지고 1일 2회(00UTC, 12UTC) 모의를 수행한다. 또한 30~37시간 정도의 비교적 짧은 예측 시간을 갖는 다른 모델들과 다르게 예보시작시점기준 7일이라는 긴 예측시간을 갖는다.
본 연구에서는 관측 자료 및 수치예보 자료에 동시에 강수가 발생한 (1,1) 경우만 고려하였다. 또한, 본 연구에서 활용하는 예보모델과 관측 자료가 1시간 자료이기 때문에 기준시간은 1시간 단위로 하여 MFBC 기반의 보정계수를 추정하였다.
본 연구에서는 Φ에 사전분포로 균일분포(uniform distribution)를 따르게 하여 거리에 대한 영향을 상대적으로 가중 할 수 있도록 하였으며, Eq.
둘째, Bayesian Kriging 기법 적용 시 대상 모든 지점의 상관성을 고려하기 위한 상관행렬이 계산되어야하며 이 과정에서 계산상의 어려움이 생긴다. 이러한 점에서 공간적으로 균일하게 분포된 일부자료만을 활용하여 매개변수 추정에 활용하였다
본 연구에서 이러한 문제를 개선하기 위해서 기상청 관할의 관측소 강수량과 관측소 위치에 근접한 격자의 강수량 자료를 이용하여 편의 보정계수를 추정함과 동시에 이를 Bayesian Kriging 기법을 적용하여 공간적으로 확장하였다.

대상 데이터

0의 예측 정보의 활용성을 개선하고자 편의 보정 기법 개발 및 불확실성 추정 방안을 수립하고자 하며, 이를 통해 UM 3 km 예보모델에 대한 수문기상학적 활용성도 개선하고자 한다. 분석에 활용한 자료 기간은 2014년 1월 1일부터 2015년 12년 31일까지 2년간의 예보 모델 강수량과 기상청 관할의 관측소 강수량 자료를 활용하였다.
본 연구에서는 위와 같이 다양한 공간적 해상도를 갖는 모델 중에서 3 km의 공간해상도를 갖는 UM 3 km (UM3.0) 예보 모델의 예측 강수량을 활용하였다. UM3.
1(c)에서와 같이 한반도 전체를 포함한다. UM3.0 수치예보 자료에 대한 평가는 및 보정은 2014~2015년까지 2년간의 단일면 강수량 자료를 이용하였다.
예보 강수량을 검증하기 위해 기상청에서 설치, 운영 중인 자동기상관측장비(AWS)와 종관기상관측장비(ASOS) 관측소 자료를 이용하였다. 대상 연구 기간인 2014년 1월 1일부터 2015년 12월 31일까지 2년간 결측 값이 5%이하인 442개 지점을 선택하였다.
예보 강수량을 검증하기 위해 기상청에서 설치, 운영 중인 자동기상관측장비(AWS)와 종관기상관측장비(ASOS) 관측소 자료를 이용하였다. 대상 연구 기간인 2014년 1월 1일부터 2015년 12월 31일까지 2년간 결측 값이 5%이하인 442개 지점을 선택하였다. 선택된 442개 지점의 위치는 Fig.
본 연구에서는 다음과 같은 두 가지 사항을 위해서 442개 강우관측소 중 100개 강우관측소를 매개변수 및 편의보정계수 산정에 이용하였다. 첫째, 교차검증(cross-validation)을 위한 목적으로 100개 자료만을 이용하여 편의보정계수를 추정함과 동시에 전체 격자에 대해서도 편의보정계수를 산정하였으며, 이를 이용하여 342개 지점에 대해서 교차검증을 실시하였다.
본 연구에서 수치예보 모델 UM3.0 강우예측 성능에 대한 평가를 RMSE 및 편의 등의 통계치를 이용하였다. 각 통계치 계산식을 다음과 같으며, 여기서 x는 관측 값을 나타내며, y는 UM3.
본 연구에서 기상청 관할의 442개 강우관측소 바탕으로 편의 보정을 실시하였다. 여기서, UM3.
본 연구에서 기상청 관할의 442개 강우관측소 바탕으로 편의 보정을 실시하였다. 여기서, UM3.0 수치예보 정보는 강우관측소 위치에 제일 가까운 격자를 선택하여 강수 예보 정보로서 활용하였다. 본 연구에서 채택한 Bayesian Kriging 기반 MFBC 기법은 관측지점 기준으로 편의 보정계수를 산정하는 과정에서 모든 관측소간의 상관성을 거리의 함수로 고려하여 미계측지점의 편의 보정계수를 공간적으로 내삽시키는 과정을 포함한다.
즉, 자료 증가에 따라 분석시간이 배수로 늘어나기 때문에 바람직하지 않다. 이러한 점에서 본 연구에서는 기상청 관할의 100개 강우 관측소를 활용하였으며 Fig. 4에 관측소 위치를 나타냈다.
앞서 언급한 2014~2015년간의 강우시계열에 대해서 산정된 β값을 이용하여 442개 관측소에서의 UM3.0 강우 자료를 편의 보정하였으며 보정 전 ․ 후 통계치를 Fig. 7에 나타냈다.

데이터처리

대상 연구 기간인 2014년 1월 1일부터 2015년 12월 31일까지 2년간 결측 값이 5%이하인 442개 지점을 선택하였다. 선택된 442개 지점의 위치는 Fig. 2와 같으며, 각 관측소별 검증을 위해서는 각 관측소 위치 주변 9개 격자의 강우량을 평균한 값을 이용하였다.
시공간적 고해상도 자료의 편의 보정은 시계열 자료의 편의 보정 기법과 달리 상당히 큰 용량의 자료를 다루기 때문에 본 논문에서는 편의 보정 기법으로 MFBC 기법을 채택하였다. 편의 보정 기법의 공간적 확장을 위하여 Kriging 내삽 기법을 MFBC 기법과 혼합하였으며 모형의 매개변수를 보다 효과적으로 산정하기 위해서 Bayesian 이론을 적용하여 모든 격자의 보정계수에 대한 사후분포를 산정하였다. 본 연구의 흐름도는 Fig.
본 연구에서는 다음과 같은 두 가지 사항을 위해서 442개 강우관측소 중 100개 강우관측소를 매개변수 및 편의보정계수 산정에 이용하였다. 첫째, 교차검증(cross-validation)을 위한 목적으로 100개 자료만을 이용하여 편의보정계수를 추정함과 동시에 전체 격자에 대해서도 편의보정계수를 산정하였으며, 이를 이용하여 342개 지점에 대해서 교차검증을 실시하였다. 둘째, Bayesian Kriging 기법 적용 시 대상 모든 지점의 상관성을 고려하기 위한 상관행렬이 계산되어야하며 이 과정에서 계산상의 어려움이 생긴다.

이론/모형

시공간적 고해상도 자료의 편의 보정은 시계열 자료의 편의 보정 기법과 달리 상당히 큰 용량의 자료를 다루기 때문에 본 논문에서는 편의 보정 기법으로 MFBC 기법을 채택하였다.
본 연구에서는 Markov Chain Monte Carlo (MCMC) 기법을 이용하여 매개변수를 추정하였다. Bayesian MCMC 기법은 주어진 다변량 확률분포가 복잡하여 이를 따르는 iid 난수를 얻을 수 없는 경우에 사용가능한 기법으로서 iid 난수 대신 Markov Chain 난수를 추출하여 사용한다.
즉, 기지의 지점 100개의 보정계수 값을 추정함과 동시에 공분산을 고려한 Bayesian Kriging 기법을 통해 미계측 지점의 β값 또한 추정할 수 있다.

성능/효과

(2015)의 연구에서는 WRF 모형을 이용하여 과거 호우사상에 대한 재현 능력을 평가하였다. 분석결과 강우장의 분포는 효과적으로 재현하였지만, 강수량의 과대추정과 시간분포의 오차가 큰 것으로 분석되었다. 국외에서는 수치기상예측정보를 홍수예측에 활용하는 연구들이 진행되고 있다.
(2015)의 연구에서는 WRF-Hydro 모형을 이용하여 강우예측과 홍수예측을 동시 수행할 수 있는 분석시스템을 구축하였으며 위성강수의 활용성도 평가하였다. WRF 모델과 자료동화기법을 연계하는 경우 예측오차의 36.9%를 개선할 수 있는 것으로 분석되었으며, 미계측유역으로 모형의 확장성을 제시하였다. Siddique et al.
(2015)의 연구에서는 미국의 대표적인 수치기상예보시스템인 GEFS과 SREF로부터 생산된 예측정보의 정확성을 평가하였으며, 기상학적 관점에서 6일 선행시간까지는 예측정확성이 있는 것으로 제시하였다. 두 예측시스템 모두 단기 예측정보 차원에서 유사한 예측성을 갖는 것으로 분석되었다. Wu et al.
첫째, 교차검증(cross-validation)을 위한 목적으로 100개 자료만을 이용하여 편의보정계수를 추정함과 동시에 전체 격자에 대해서도 편의보정계수를 산정하였으며, 이를 이용하여 342개 지점에 대해서 교차검증을 실시하였다. 둘째, Bayesian Kriging 기법 적용 시 대상 모든 지점의 상관성을 고려하기 위한 상관행렬이 계산되어야하며 이 과정에서 계산상의 어려움이 생긴다. 이러한 점에서 공간적으로 균일하게 분포된 일부자료만을 활용하여 매개변수 추정에 활용하였다
미지의 값으로 가정된 342개 지점의 경우에도 본 연구에서 제안한 Bayesian Kriging 방법의 결과는 참값과 거의 유사한 값을 가지는 것을 확인 할 수 있다.
그림에서 보는 바와 같이 기지점의 경우 거의 동일하게 추정되고 있음을 확인할 수 있다. 이와 함께 95% 불확실성 구간 안에 참값으로 가정된 MFBC 값이 효과적으로 위치하는 것을 확인할 수 있다. 미지의 값으로 가정된 342개 지점의 경우에도 본 연구에서 제안한 Bayesian Kriging 방법의 결과는 참값과 거의 유사한 값을 가지는 것을 확인 할 수 있다.
여기서 추정된 결과는 지점강수량과 수치예보자료 모두 강수가 발생한 경우를 기준으로 추정된 결과를 나타낸다. Bayesian MFBC 기법을 기존MFBC 추정방법과 비교하였으며 Bayesian Kriging 기반의 MFBC 기법이 RMSE 측면에서 개선된 결과를 보여주고 있다. 반면 Bias의 경우에서는 음의 값으로 보정 전보다 증가한 것으로 보이는 것은 앞서 Fig.
즉, 선행예보시간에 해당하는 강수량의 총량을 비교하여 통계치를 산정한 결과이며 보정 전 보다 개선된 결과를 확인할 수 있으며, 전반적으로 선행시간 증가에 따른 오차의 증가현상을 확인할 수 있다.
본 연구에서 이러한 문제를 개선하기 위해서 기상청 관할의 관측소 강수량과 관측소 위치에 근접한 격자의 강수량 자료를 이용하여 편의 보정계수를 추정함과 동시에 이를 Bayesian Kriging 기법을 적용하여 공간적으로 확장하였다. 기상청 관할의 442개 관측소에서 100개의 관측소 정보를 이용하여 모형을 구축하였으며 교차검정 관점에서 입력자료로 사용한 100개 관측소를 제외한 342개 관측소에 대해서 보정계수를 추정한 결과 미계측 지점에 대해서도 보정계수를 효과적으로 보간해주는 것을 확인하였다.
예보시간에 따른 편의 보정 기법 적용결과 시간에 따라 강수량을 누적하지 않을 경우 선행 시간에 따른 변화가 크지 않았다. 즉, 편의보정 후 예보시간에 따라 강수량을 누적하지 않고 각 시점에서 추정된 오차에 대한 통계치를 분석한 결과 선행예보시간에 따른 오차의 증가가 나타나고 있으나, 유의한 증가는 없는 것으로 평가되었다. 반면, 선행시간까지 강수량을 누적하여 오차를 분석할 결과 선행시간 60시간이 넘어서면서 bias이가 급격히 증가하는 것을 확인하였다.
즉, 편의보정 후 예보시간에 따라 강수량을 누적하지 않고 각 시점에서 추정된 오차에 대한 통계치를 분석한 결과 선행예보시간에 따른 오차의 증가가 나타나고 있으나, 유의한 증가는 없는 것으로 평가되었다. 반면, 선행시간까지 강수량을 누적하여 오차를 분석할 결과 선행시간 60시간이 넘어서면서 bias이가 급격히 증가하는 것을 확인하였다. 또한, 선행시간에 따른 상관계수도 선행시간 60시간 이후에서는 0.
본 연구 결과를 바탕으로 UM3.0 예보 모델 결과를 편의보정 하여 활용한다면 시공간적으로 1시간과 3 km이라는 비교적 고해상도로 7일까지 예보가 수행될 수 있을 것으로 판단되며, 선행 예보시간 관점에서 60시간까지는 오차의 증가가 크지 않은 점을 고려할 때 UM3.0 예보 모델의 강수량은 72시간(3일) 정도까지 예측강우 정보를 활용하는 것이 신뢰성 측면에서 유리할 것으로 판단된다.

후속연구

향후 연구로서 강수량에 따른 편의보정계수에 차등을 주는 Mixture 분포 형태의 방법론 개발이 필요할 것으로 판단되며, 이러한 과정을 통해서 극치강수량 편의보정에 유리할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Bayesian Kriging은 어느 분야에서 적용되고 있는가?	Kriging은 일반화최소제곱법(Generalized Least Squares, GLS), 최우추정법(MLE)과 같은 고전적 접근법으로도 추정이 가능하지만, Bayesian 접근법으로도 추정이 가능하다. Bayesian Kriging은 비교적 새로운 접근법으로, 역학(epidemiology), 보건지리(medical geography)분야에서 질병의 발생 패턴을 분석(Lai et al., 2013; Slater and Michael, 2013; Scholte et al., 2014) 하는 등 자연 ․ 환경 분야에서 최근 들어 활발하게 적용되고 있다. Eq.
	통합모델(UM)이란?	통합모델(UM)은 영국에서 개발된 모델로 현업용 NWP (Numerical Weather Prediction), 계절예보 및 기후모델링 등과 같은 여러 모델들의 기능을 하나의 구조 안에서 조합한 기상수치모델이다. 현재 기상청에서는 영국으로부터 도입한 UM 모델 운영을 통하여 전주기 예보모델(Global Data Assimilation and Prediction System, GDAPS)부터 지역 예보모델(Regional Data Assimilation and Prediction System), 국지 예보모델(LDAPS)까지 다양한 기상예측정보를 제공하고 있다.
	불연속 특성을 가진 변량을 측정하기 위해 어떤 노력을 하였는가?	하지만 강수량 같은 시공간적으로 불연속 특성을 가진 변량의 경우 시공간적 불연속 특성 때문에 단순하게 내삽하기가 어렵다. 본 연구에서 이러한 문제를 개선하기 위해서 기상청 관할의 관측소 강수량과 관측소 위치에 근접한 격자의 강수량 자료를 이용하여 편의 보정계수를 추정함과 동시에 이를 Bayesian Kriging 기법을 적용하여 공간적으로 확장하였다. 기상청 관할의 442개 관측소에서 100개의 관측소 정보를 이용하여 모형을 구축하였으며 교차검정 관점에서 입력자료로 사용한 100개 관측소를 제외한 342개 관측소에 대해서 보정계수를 추정한 결과 미계측 지점에 대해서도 보정계수를 효과적으로 보간해주는 것을 확인하였다.

참고문헌 (33)

Anagnostou, E. N., Krajewski, W. F., Seo, D. J., and Johnson, E. R. (1998). "Mean-field rainfall bias studies for WSR-88D." Journal of Hydrologic Engineering, Vol. 3, No. 3, pp. 149-159.

상세보기
Banerjee, S., Carlin, B. P., and Gelfand, A. E. (2014). Hierarchical modeling and analysis for spatial data. CRC Press.
Berg, P., Feldmann, H., and Panitz, H. J. (2012). "Bias correction of high resolution regional climate model data." Journal of Hydrology, Vol. 448, pp. 80-92.

상세보기
Bordoy, R., and Burlando, P. (2013). "Bias correction of regional climate model simulations in a region of complex orography." Journal of Applied Meteorology and Climatology, Vol. 52, No. 1, pp. 82-101.

상세보기
Borga, M. (2002). "Accuracy of radar rainfall estimates for streamflow simulation." Journal of Hydrology, Vol. 267, No. 1-2, pp. 26-39.

상세보기
Buizza, R. (2010). "Horizontal resolution impact on short-and longrange forecast error." Quarterly Journal of the Royal Meteorological Society, Vol. 136, No. 649, pp. 1020-1035.

상세보기
Durai, V. R., and Bhradwaj, R. (2014). "Evaluation of statistical bias correction methods for numerical weather prediction model forecasts of maximum and minimum temperatures." Natural Hazards, Vol. 73, No. 3, pp. 1229-1254.

상세보기
Gelman, A., Carlin, J. B., Stern, H. S., and Rubin, D. B. (2004). Bayesian data analysis. Texts in Statistical Science Series.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., and Rubin, D. B. (2014). Bayesian data analysis. Vol. 2. Boca Raton, FL: CRC press.
Hay, L. E., Wilby, R. L., and Leavesley, G. H. (2000). "A comparison of delta change and downscaled GCM scenarios for three mountainous basins in the United States." Journal of the American Water Resources Association, Vol. 36, No. 2, pp. 387-397.

상세보기
Isaaks, E. H., and Srivastava, R. M. (2001). "An introduction to applied geostatistics. 1989. New York, USA: Oxford University Press. Jones DR, A taxonomy of global optimization methods based on response surfaces." Journal of Global Optimization, Vol. 23, pp. 345-383.
Jakob Theme $\ss$ l, M., Gobiet, A., and Leuprecht, A. (2011). "Empiricalstatistical downscaling and error correction of daily precipitation from regional climate models." International Journal of Climatology, Vol. 31, No. 10, pp. 1530-1544.

상세보기
Jee, J. B., and Kim, S. (2017). "Sensitivity study on high-resolution WRF precipitation forecast for a heavy rainfall event." Atmosphere, Vol. 8, No. 6, p. 96.

상세보기
Kim, S. H., Kim, H. M., Kay, J. K., and Lee S. W. (2015). "Development and evaluation of the high resolution limited area ensemble prediction system in the Korea meteorological administration." Atmosphere, Vol. 25, No. 1, pp. 67-83.

원문보기 상세보기
Kwon, H. H., and Moon, Y. I. (2005). "A study of long-memory analysis of rainfall time series." Journal of The Korean Society of Civil Engineers, Vol. 25, No. 4B, pp. 237-246.
Kwon, H. H., and Moon, Y. I. (2007). "Development of statistical seasonal rainfall model considering climate information and typhoon characteristics." Journal of The Korean Society of Civil Engineers, Vol. 27, No. 1B, pp. 45-52.
Kwon, H. H., Brown, C., and Lall, U. (2008). "Climate informed flood frequency analysis and prediction in Montana using hierarchical Bayesian modeling." Geophysical Research Letters, Vol. 35, No. 5, pp. L05404.
Lai, Y. S., Zhou, X. N., Utzinger, J., and Vounatsou, P. (2013). "Bayesian geostatistical modelling of soil-transmitted helminth survey data." Parasites & Vectors, Vol. 6, No. 1, p. 359.

상세보기
Lee, D., Lee, J., and Kim, D. (2014). "Applicability of a space-time rainfall downscaling algorithm based on multifractal framework in modeling heavy rainfall events." Journal of Korea Water Resources Association, Vol. 47, No. 9, pp. 839-852.

원문보기 상세보기
Lee, J., Jang, S., and Kim, S. (2015). "Evaluation of the WRF model in reproducing the spatio-temporal pattern of a heavy rainfall event." Journal of Korean Society of Hazard Mitigation, Vol. 15, No. 5, pp. 255-265.
Lenderink, G., Buishand, A., and Deursen, W. V. (2007). "Estimates of future discharges of the river Rhine using two scenario methodologies: direct versus delta approach." Hydrology and Earth System Sciences, Vol. 11, No. 3, pp. 1145-1159.

상세보기
Mittermaier, M., and Roberts, N. (2010). "Intercomparison of spatial forecast verification methods: identifying skillful spatial scales using the fractions skill score." Weather and Forecasting, Vol. 25, No. 1, pp. 343-354.

상세보기
Sandwell, D. T. (1987). "Biharmonic spline interpolation of GEOS-3 and SEASAT altimeter data." Geophysical Research Letters, Vol. 14, No. 2, pp. 139-142.

상세보기
Scholte, R. G., Gosoniu, L., Malone, J. B., Chammartin, F., Utzinger, J., and Vounatsou, P. (2014). "Predictive risk mapping of schistosomiasis in Brazil using Bayesian geostatistical models." Acta Tropica, Vol. 132, pp. 57-63.

상세보기
Seo, D. J., Breidenbach, J. P., and Johnson, E. R. (1999). "Real-time estimation of mean field bias in radar rainfall data." Journal of Hydrology, Vol. 223, No. 3-4, pp. 131-147.

상세보기
Siddique, R., Mejia, A., Brown, J., Reed, S., and Ahnert, P. (2015). "Verification of precipitation forecasts from two numerical weather prediction models in the Middle Atlantic Region of the USA: A precursory analysis to hydrologic forecasting." Journal of Hydrology, Vol. 529, pp. 1390-1406.

상세보기
Slater, H., and Michael, E. (2013). "Mapping, Bayesian geostatistical analysis and spatial prediction of lymphatic filariasis prevalence in Africa." PloS one, Vol. 8, No. 8, pp. e71574.

상세보기
Son, C. Y., Jeong, Y. R., Han, S. H., and Cho, Y. H. (2017). "Assessment of predictability of categorical probabilistic long-term forecasts and its quantification for efficient water resources management." Journal of Korea Water Resources Association, Vol. 50, No. 8, pp. 563-577.
Tobler, W. R. (1970). "A computer movie simulating urban growth in the Detroit region." Economic Geography, Vol. 46(sup1), pp. 234-240.

상세보기
Woodcock, F., and Engel, C. (2005). "Operational consensus forecasts." Weather and Forecasting, Vol. 20, No. 1, pp. 101-111.

상세보기
Wu, M. C., and Lin, G. F. (2017). "The very short-term rainfall forecasting for a mountainous watershed by means of an ensemble numerical weather prediction system in Taiwan." Journal of Hydrology, Vol. 546, pp. 60-70.

상세보기
Yu, W. S., Yoon, S. S, Choi, M. K., and Jung, K. S. (2017). "Performance comparison of rainfall and flood forecasts using short-term numerical weather prediction data from Korea and Japan." Journal of Korea Water Resource Association, Vol. 50, No. 8, pp. 537-549
Yucel, I., Onen, A., Yilmaz, K. K., and Gochis, D. J. (2015). "Calibration and evaluation of a flood forecasting system: Utility of numerical weather prediction model, data assimilation and satellite-based rainfall." Journal of Hydrology, Vol. 523, pp. 49-66.

상세보기

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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