[논문]HadGEM3-RA 기후모델 일강우자료를 이용한 빈도해석 성능 평가

김성훈; 김한빈; 정영훈; 허준행

doi:10.17663/jwr.2019.21.s-1.51

HadGEM3-RA 기후모델 일강우자료를 이용한 빈도해석 성능 평가
Assessment of Frequency Analysis using Daily Rainfall Data of HadGEM3-RA Climate Model 원문보기

한국습지학회지 = Journal of wetlands research, v.21 no.spc, 2019년, pp.51 - 60

김성훈 (연세대학교 건설환경공학과) , 김한빈 (연세대학교 건설환경공학과) , 정영훈 (연세대학교 건설환경공학과) , 허준행 (연세대학교 건설환경공학과)

초록
AI-Helper

본 연구에서는 기후변화 시나리오 자료를 이용하여 지점빈도해석(At-site Frequency Analysis, AFA)과 지역빈도해석(Regional Frequency Analysis, RFA) 등을 수행하였고, Monte Carlo simulation을 통한 RRMSE(relative root mean squared error) 값을 비교·분석함으로써 각 빈도해석 방법에 따른 성능을 평가하고자 하였다. 확률강우량 산정을 위하여 기상청에서 국가표준시나리오로 제공하는 RCM(Regional Climate Model) 자료 중 하나인 HadGEM3-RA(12.5km) 기후모델 자료로부터 우리나라 615개 지점에 대한 일 강우 자료를 추출하였고, 자료의 편의보정(bias correction)과 공간상세화(spatial disaggregation)를 위하여 분위사상법(quantile mapping)과 역거리제곱법(inverse distance squared method)을 적용하였다. 분석 결과 지역빈도해석 방법이 지점빈도해석보다 정확하게 확률강우량을 산정하는 것으로 나타났으며, 이는 기후변화 시나리오 기반의 확률강우량 산정시 지역빈도해석의 결과가 보다 합리적인 전망 결과를 도출할 것으로 판단된다.

Abstract ▼ AI-Helper

In this study, we performed At-site Frequency Analysis(AFA) and Regional Frequency Analysis(RFA) using the observed and climate change scenario data, and the relative root mean squared error(RMMSE) was compared and analyzed for both approaches through Monte Carlo simulation. To evaluate the rainfall quantile, the daily rainfall data were extracted for 615 points in Korea from HadGEM3-RA(12.5km) climate model data, one of the RCM(Regional Climate Model) data provided by the Korea Meteorological Administration(KMA). Quantile mapping(QM) and inverse distance squared methods(IDSM) were applied for bias correction and spatial disaggregation. As a result, it is shown that the RFA estimates more accurate rainfall quantile than AFA, and it is expected that the RFA could be reasonable when estimating the rainfall quantile based on climate change scenarios.

주제어

표/그림 (10)

표 Table 1. Climate change effect in East Asia for the 21st century(2071∼2100) compared to the present(1961∼2010)(기상청, 2018).
그림 Fig. 1. At-site frequency analysis procedure(허준행, 2016)
그림 Fig. 2. Regional frequency analysis procedure(허준행, 2016)
그림 Fig. 3. Procedure for performance assessment of frequency analysis using Monte Carlo simulation(환경부, 2019)
그림 Fig. 4. Homogeneous regions for regional frequency analysis(환경부, 2019)
표 Table 2. Results of RRMSE for the observed and S0 annual maximum rainfall
그림 Fig. 5. RRMSE of the observed annual maximum rainfall based on the sample size and return period
그림 Fig. 6 RRMSEs of the observed and scenario rainfall for the at-site and regional frequency analyses
표 Table 3. RRMSE of the observed rainfall in 26 regions for the return periods
표 Table 4. RRMSE of the scenario rainfall(S0) in 26 regions for the return periods

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 ｢홍수량 산정 표준지침｣(환경부, 2019)에서 제시된 방법과 같은 방법으로 기후변화 시나리오 자료를 이용하여 지점빈도해석과 지역빈도해석 방법에 따른 성능을 평가하였다. 기후변화 시나리오 자료는 공간상세화(spatial disaggregation)와 편의보정(bias correction)의 과정을 거쳐 재생산되었고, Monte Carlo simulation을 수행하여 산정된 확률강우량을 이용하여 각 방법의 성능을 정량적으로 평가하였다.
따라서, 본 연구는 기후변화 시나리오 자료를 이용하여 빈도해석 방법의 성능을 평가하는 것에 목적이 있으므로 자료에 대한 불확실성을 최소로 하기 위하여 현재 모의기간(1979∼2005년) 자료에 국한하여 분석을 진행하였다.
보고서에 사용된 기후모델은 영국 기상청 해들리 센터(United Kingdom Met Office Hadley Center)가 개발한 HadGEM2-AO 전지구기후모델로 Reichler and Kim(2008)은 HadGEM2-AO 기후모델과 유사한 다른 기후모델의 전망 결과를 비교하여 HadGEM2-AO 기후모델의 우수한 모의성능을 검증하였고, 특히 한반도를 포함한 동아시아와 환태평양 지역에서의 신뢰성이 상대적으로 높은 것을 확인하였다. 이에 기상청과 CORDEX-EA에서 진행한 연구에서는 HadGEM2-AO 기후 모델 자료의 결과를 기반으로 RCM의 미래 전망 결과를 모의하였다. 또한, 서론에서 살펴보았듯이 최근 수행된 다양한 연구에서는 기상청에서 제공하는 HadGEM3-RA 모델 자료를 이용하여 연구를 수행하고 있으며, 「한반도 기후변화 전망분석서」(기상청, 2018)의 미래 전망 결과도 HadGEM3-RA 모델의 전망결과를 바탕으로 하고 있다.

제안 방법

따라서 본 연구에서는 ｢홍수량 산정 표준지침｣(환경부, 2019)에서 제시된 방법과 같은 방법으로 기후변화 시나리오 자료를 이용하여 지점빈도해석과 지역빈도해석 방법에 따른 성능을 평가하였다. 기후변화 시나리오 자료는 공간상세화(spatial disaggregation)와 편의보정(bias correction)의 과정을 거쳐 재생산되었고, Monte Carlo simulation을 수행하여 산정된 확률강우량을 이용하여 각 방법의 성능을 정량적으로 평가하였다.
기후변화에 따른 미래 전망 결과는 현재기간(reference period, S0) 대비 미래기간(projection period, SF)에 대한 비율을 분석하고자 하는 변수에 적용하여 산정한다. 많은 연구에서 미래기간을 구분하는 명확한 절차나 기준은 없다.
본 연구에서 사용한 Generalized Extreme Value(GEV) 분포형은 국내 수문빈도해석 분야에서 주로 활용되고 있으며, 최근 발간한 「홍수량 산정 표준지침」(환경부, 2019)에서는 우리나라 강우량 자료에 대한 지역빈도해석 시 최적분포형으로 선정한 바 있다. 따라서 본 연구에서는 우리나라 실무에 적용되는 GEV 분포형을 이용하여 지점빈도해석과 지역빈도해석을 수행하였으며, GEV 분포형의 확률밀도함수와 누가분포함수는 Eqn. (5)와 (6)에 각각 제시하였다.
본 연구는 기후변화 시나리오 기반의 확률강우량 산정을 위하여 우리나라 615개 지점을 대상으로 지점빈도해석과 지역빈도해석을 수행하였다. 각 방법의 성능 평가를 위해 Monte Carlo simulation을 이용하여 RRMSE 값을 산정하고 비교·분석하였다.
김형산 등(2016)은 충북지역 5개 강우관측소를 대상으로 기후변화 시나리오 자료를 이용하여 지점빈도해석을 수행하였고, 누적된 자료의 전망기간 별 확률강우량을 산정하여 미래전망 경향을 확인하였다. 앞서 언급한 연구들에서는 기후변화 시나리오 자료를 이용하여 지점빈도해석을 수행하여 확률강우량을 산정하였고, 최적 확률분포형, 매개변수추정 방법 등은 연구자마다 다르게 적용하였다.
(7)과 같다. 연구결과, 우리나라 강우량 자료의 경우 지역구분을 26개로 구분하는 것이 RRMSE가 가장 작은 것으로 나타났으며, 본 연구에서도 같은 방법으로 Monte Carlo simulation을 수행하였다.
본 연구는 기후변화 시나리오 기반의 확률강우랑 산정을 위하여 기상청에서 제공하는 HadGEM3-RA 기후모델 자료를 이용하였고, 관측자료와 편의를 보정하기 위하여 SDQDM 방법을 적용하였다. 우리나라 615개 지점을 대상으로 지점빈도 해석과 지역빈도해석을 수행하였고, 지역빈도해석을 위한 수문학적 동질지역은 26개로 구분하였다. 또한, 각 지점에서 Monte Carlo simulation를 통하여 8개 재현기간별 RRMSE 값을 산정 후 이를 비교·분석하였다.

대상 데이터

공간적 상세화를 통해 생산된 해당 지점의 자료(P_i)에서 연 최대값(Annual Maximum, AM)자료를 추출하였고, 이를 편의보정에 사용하였다. QDM 방법은 Quantile Mapping(QM) 방법에서 기존 원자료(raw data)가 갖는 추세를 delta(Δ)값으로 고려해주는 방법으로 Cannon et al.
각 방법의 성능 평가를 위해 Monte Carlo simulation을 이용하여 RRMSE 값을 산정하고 비교·분석하였다. 기후변화 시나리오 자료는 기상청에서 제공하는 HadGEM3-RA 기후모델의 reference(historical) period에 해당하는 1979년부터 2005년까지의 강우 자료를 이용하였고, 자료의 편의보정을 위한 관측값은 1961년부터 2017년까지의 강우 자료를 이용하였다.
「홍수량 산정 표준지침」(환경부, 2019)에서는 전국 615개의 강우관측소 지점을 대상으로 지역구분 개수에 대한 모의실험을 수행하였고, RRMSE가 가장 작게 나타난 26개의 지역 구분을 이용한 지역빈도해석 절차를 제시하고 있다. 본 연구에서도 기존에 수행된 연구를 참고하여 26개의 지역을 사용하였으며, 수문학적 동질지역 구분 결과는 Fig. 4에 나타내었다.
또한, 지자체의 기후변화 적응대책 수립 지원을 위하여 남한을 대상으로 1km 공간해상도의 상세 지역기후 전망자료를 생산하였다(기상청, 2018). 생산된 자료는 기후정보포털(http://www.climate.go.kr)을 통해 제공하고 있으며, 400년 제어적분 실험에 따른 한반도 및 남한 상세 미래 기후변화 전망 결과로 ｢한반도 기후변화 전망분석서｣ (기상청, 2018)를 발간하였다. 보고서에 사용된 기후모델은 영국 기상청 해들리 센터(United Kingdom Met Office Hadley Center)가 개발한 HadGEM2-AO 전지구기후모델로 Reichler and Kim(2008)은 HadGEM2-AO 기후모델과 유사한 다른 기후모델의 전망 결과를 비교하여 HadGEM2-AO 기후모델의 우수한 모의성능을 검증하였고, 특히 한반도를 포함한 동아시아와 환태평양 지역에서의 신뢰성이 상대적으로 높은 것을 확인하였다.

데이터처리

GEV 분포형을 모집단 분포형으로 가정하고 산정된 매개변수를 이용하여 Monte Carlo simulation을 1000회 반복하여 자료를 발생하였고, 각 빈도해석 방법을 적용하여 RRMSE 값을 산정 후 이를 비교·분석하였다.
각 방법의 성능 평가를 위해 Monte Carlo simulation을 이용하여 RRMSE 값을 산정하고 비교·분석하였다.
또한, 각 지점에서 Monte Carlo simulation를 통하여 8개 재현기간별 RRMSE 값을 산정 후 이를 비교·분석하였다.
지점빈도해석과 지역빈도해석의 결과를 비교하기 위하여 Monte Carlo simulation을 수행하였다. GEV 분포형을 모집단 분포형으로 가정하고 산정된 매개변수를 이용하여 Monte Carlo simulation을 1000회 반복하여 자료를 발생하였고, 각 빈도해석 방법을 적용하여 RRMSE 값을 산정 후 이를 비교·분석하였다.

이론/모형

빈도해석 방법은 일반적으로 지점빈도해석(At-site Frequency Analysis, AFA)과 지역빈도해석(Regional Frequency Analysis, RFA)으로 구분할 수 있다. 각 빈도해석 방법과 절차에 대한 자세한 내용은 「수문통계학」(허준행, 2016)을 참고할 수 있으며, 본문에서는 기본적인 내용에 관하여 서술하였다.
김성훈 등(2019)은 IPCC AR5에 포함된 13개의 GCM 모델과, CORDEX-EA에서 제공하는 5개의 RCM 모델, 기상청 국가표준시나리오인 HadGEM3-RA 모델의 강우자료를 이용하여 연최대 자료의 수문통계량(평균, 분산, 왜곡도, 첨예도)을 검토하였고, 우리나라 관측자료의 통계적 특성을 적절히 모의하는 HadGEM3-RA 모델을 시나리오 기반 극한 확률강우량 산정에 적합하다고 판단하였다. 따라서 본 연구에서는 기상청(2018)과 김성훈 등(2019)의 연구결과를 참고하여 기후변화 시나리오 기반의 빈도해석을 위한 기후모델로 HadGEM3-RA 모델을 선정하였다.
본 연구는 기후변화 시나리오 기반의 확률강우랑 산정을 위하여 기상청에서 제공하는 HadGEM3-RA 기후모델 자료를 이용하였고, 관측자료와 편의를 보정하기 위하여 SDQDM 방법을 적용하였다. 우리나라 615개 지점을 대상으로 지점빈도 해석과 지역빈도해석을 수행하였고, 지역빈도해석을 위한 수문학적 동질지역은 26개로 구분하였다.
본 연구에서는 Eum and Cannon(2017)과 김성훈 등(2019)의 연구결과를 참고하여 Spatial Disaggregation with Qunatile Delta Mapping(SDQDM) 방법을 적용하였다. SDQDM 방법은 기후모델 자료의 공간적인 상세화(spatial disaggregation)와 시나리오 자료의 장기추세를 반영하기 위한 Quantile Delta Mapping(QDM)을 결합한 방법이다.
지역빈도해석의 가장 대표적인 기법인 홍수지수법(index flood method)은 각 지점의 연최대 홍수자료를 평균으로 나눠 표준화된 자료를 이용하는 방법으로 Dalrymple(1960)에 의해 제안된 이후 다양한 연구가 진행되어 왔다. 본 연구에서는 지역빈도해석을 위하여 사용되는 여러 확률분포형 모형 중 「홍수량 산정 표준지침」(환경부, 2019)에 제시되어있는 GEV 분포형을 사용하였고, L-moment법(Hosking,1990)을 이용하여 매개변수를 추정하였으며 지역빈도해석 과정은 Fig. 2와 같다.

성능/효과

Table 3은 관측값을 이용한 지점빈도해석과 지역빈도해석 모의실험의 RRMSE 값을 나타내고 있으며, 26개의 지역과 전체 지점(615개)의 평균 RRMSE 값을 8개 재현기간(10, 30, 50, 80, 100, 200, 300, 500년 빈도)별로 나타내었다. 17번, 19번 지역의 평균 RRMSE 값은 지점빈도해석 결과가 작게 나타났으며, 10번, 15번, 25번 지역에서도 10년, 30년 빈도의 지점빈도해석 결과가 작은 것으로 나타났다. 이를 제외한 나머지 지역의 평균 RRMSE 값은 지역빈도해석 결과가 작은 것으로 나타났으며, 전제 지점의 평균 RRMSE 값(Avg.
Table 2는 615개 지점에 대하여 RRMSE 값을 비교한 결과이며 지점빈도해석과 지역빈도해석을 채택한 지점 개수와 비율을 나타낸다. 관측값(OBS)을 이용한 모의실험 결과에서는 10년 빈도 일 때 지역빈도해석이 450개(73.17%) 지점에서 RRMSE 값이 지점빈도해석 보다 작은 것으로 나타났다. 또한, 재현기간이 커짐에 따라 지역빈도해석의 모의 성능이 증가하였고, 500년 빈도의 RRMSE 값은 지역빈도해석의 결과가 488개(79.
관측값을 이용한 simulation 결과 지역빈도해석의 RRMSE 결과가 지점빈도해석의 결과보다 작게 나타났으며, 재현기간 별로 73∼80%의 지점에서 지역빈도해석 결과가 보다 정확한 확률강우량을 산정하는 것으로 나타났다.
56%) 지점에서 성능이 우수한 것으로 나타났다. 관측값의 경우 각 지점의 자료 개수가 지점별로 다르지만, 기후변화 시나리오 자료의 경우 자료기간은 1979년부터 2005년까지로 615개 모든 지점은 27년의 자료가 있으므로 기후변화 시나리오 자료를 통한 모의실험 결과는 상당한 의미가 있다고 할 수 있다. 즉, 확률강우량 산정을 위한 빈도해석 방법 적용시 지역빈도해석의 결과가 지점빈도 해석의 결과보다 적합할 것으로 판단된다.
관측값을 이용한 결과는 ‘Ο’으로 기후변화 시나리오 자료(S0)를 이용한 결과는 ‘□’으로 표기하였고, 지점빈도해석의 결과는 점선, 지역빈도해석은 실선으로 나타내었다. 그림에서 10년 빈도 이상일 경우 대체로 지역빈도해석의 RRMSE 값이 지점 빈도해석보다 작게 나타났으며, 빈도가 증가할수록 RRMSE 값의 차이도 증가하는 것으로 나타나 지역빈도해석을 이용하는 것이 보다 적합할 것으로 판단된다.
기후변화 시나리오를 이용한 simulation 결과도 관측값과 유사한 경향을 보였으며, 70∼78%의 지점에서 지역빈도해석 RRMSE 값이 작게 나타났다.
10번, 19번, 21번, 25번 지역의 100년 빈도 이하 평균 RRMSE 값은 지점빈도해석 결과가 작게 나타났다. 또한, 1번, 2번, 10번, 19번, 21번, 25번 지역에서도 10년, 30년 빈도의 지점빈도해석 결과가 작은 것으로 나타났다. Table 4에서 음영으로 표시된 부분을 제외한 나머지 지역의 평균 RRMSE 값은 지역빈도해석의 결과가 작은 것으로 나타났으며, 전제 지점의 평균 RRMSE 값(Avg.
또한, 관측지점의 자료기간이 길수록 RRMSE 값은 작게 나타났으며, 자료기간이 지점빈도해석 수행에 충분한 경우(46∼60년)에도 지역빈도해석 결과가 우수한 것으로 나타났다.
17%) 지점에서 RRMSE 값이 지점빈도해석 보다 작은 것으로 나타났다. 또한, 재현기간이 커짐에 따라 지역빈도해석의 모의 성능이 증가하였고, 500년 빈도의 RRMSE 값은 지역빈도해석의 결과가 488개(79.35%) 지점에서 작게 나타났다. 기후변화 시나리오 자료(S0)를 이용한 모의실험에서는 관측값과 유사한 경향을 나타냈다.
5(a)∼5(d)는 615개 관측지점을 자료기간에 따라 구분하여 RRMSE 결과를 도시한 결과이다. 빈도해석 방법에 관계 없이 관측지점의 자료기간이 증가함에 따라 RRMSE 값은 대체로 작게 나타났다. 또한, 5년 빈도 이하에서는 지점빈도해석의 RRMSE 값이 작게 나타났으며, 10년 빈도 이상에서는 지역빈도해석의 RRMSE 값이 작게 나타났다.
17번, 19번 지역의 평균 RRMSE 값은 지점빈도해석 결과가 작게 나타났으며, 10번, 15번, 25번 지역에서도 10년, 30년 빈도의 지점빈도해석 결과가 작은 것으로 나타났다. 이를 제외한 나머지 지역의 평균 RRMSE 값은 지역빈도해석 결과가 작은 것으로 나타났으며, 전제 지점의 평균 RRMSE 값(Avg.)은 모든 빈도에 대해 지역빈도해석 결과가 작게 나타났다.
관측값의 경우 각 지점의 자료 개수가 지점별로 다르지만, 기후변화 시나리오 자료의 경우 자료기간은 1979년부터 2005년까지로 615개 모든 지점은 27년의 자료가 있으므로 기후변화 시나리오 자료를 통한 모의실험 결과는 상당한 의미가 있다고 할 수 있다. 즉, 확률강우량 산정을 위한 빈도해석 방법 적용시 지역빈도해석의 결과가 지점빈도 해석의 결과보다 적합할 것으로 판단된다.
기후변화 시나리오 자료(S0)를 이용한 모의실험에서는 관측값과 유사한 경향을 나타냈다. 지역빈도해석의 결과는 10년 빈도에서 431개의(70.08%) 지점에서 RRMSE 값이 상대적으로 작게 나타났으며, 500년 빈도에서는 477개의(77.56%) 지점에서 성능이 우수한 것으로 나타났다. 관측값의 경우 각 지점의 자료 개수가 지점별로 다르지만, 기후변화 시나리오 자료의 경우 자료기간은 1979년부터 2005년까지로 615개 모든 지점은 27년의 자료가 있으므로 기후변화 시나리오 자료를 통한 모의실험 결과는 상당한 의미가 있다고 할 수 있다.

후속연구

이는 기후변화 시나리오 자료를 이용한 경우에도 지역빈도해석 방법이 보다 정확한 확률강우량을 산정할 수 있음을 의미한다. 따라서, 확률강우량 산정을 위한 지역빈도해석은 향후 기후변화 시나리오 자료 분석시 기존의 지점빈도해석 보다 합리적인 결과를 도출할 수 있을 것으로 기대된다.
송창우 등(2013)은 IPCC AR4에서 제시한 RegCM3 모델 자료를 이용하여 기상청 58개 지점(13개 군집)을 대상으로 지역빈도해석을 수행하여 미래 확률강우량 전망을 분석한 바 있으나, 표준 지침에서 수행한 615개 지점(26개 군집)과 비교하여 강우 관측지점수와 관측망 밀도는 상당한 차이가 있다. 또한 IPCC AR5에서 제시한 기후모델 자료를 이용한 지역빈도해석에 관한 연구는 상당히 미흡하며, 지역빈도해석 방법의 적용성을 평가하는 연구가 우선적으로 필요할 것으로 판단된다. 임정현 등(2017)의 설계홍수량 산정 관련 연구에서는 국내 실무에서 적용되는 각종 기존 및 이론 등을 검토하여 표준적인 절차인 「설계홍수량 산정요령」(국토해양부, 2012)을 이용하여 주관적 판단에 따른 불확실성을 최소화하고자 하였다.
향후 기후변화 시나리오를 이용한 확률강우량을 산정에 있어서 다양한 빈도해석방법과 편의보정 방법을 적용하여 평가하는 과정이 필요할 것으로 생각되며, 시나리오 자료 기반의 지역구분 방법과 이를 평가하여 적용하는 방법에 대한 연구가 진행되어야 할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지역빈도해석은 어떻게 수행되는가?	지역빈도해석은 주어진 지점과 수문학적 동일 조건을 만족하는 주변 지점의 자료를 포함하여 빈도해석을 수행한다. 그러나 일반적으로 우리나라의 수문자료는 재현기간 100년 또는 200년 확률수문량을 산정하기에 부족한 경우가 대부분이다(허준행, 2016).
	수문자료의 빈도해석은 어떻게 구분되는가?	수문자료의 빈도해석은 자연현상이 가지고 있는 불확실성을 확률분포형 등을 이용하여 신뢰할 만한 발생빈도나 주어진 빈도에 대응하는 확률수문량을 산정하는 것이다. 빈도해석 방법은 일반적으로 지점빈도해석(At-site Frequency Analysis, AFA)과 지역빈도해석(Regional Frequency Analysis, RFA)으로 구분할 수 있다. 각 빈도해석 방법과 절차에 대한 자세한 내용은 「수문통계학」(허준행, 2016)을 참고할 수 있으며, 본문에서는 기본적인 내용에 관하여 서술하였다.
	SDQDM 방법이란 무엇인가?	본 연구에서는 Eum and Cannon(2017)과 김성훈 등(2019)의 연구결과를 참고하여 Spatial Disaggregation with Qunatile Delta Mapping(SDQDM) 방법을 적용하였다. SDQDM 방법은 기후모델 자료의 공간적인 상세화(spatial disaggregation)와 시나리오 자료의 장기추세를 반영하기 위한 Quantile Delta Mapping(QDM)을 결합한 방법이다. 기후모델로부터 생산된 강수 자료는 격자 자료로 제공되기 때문에 이를 해당 지점의 주변 격자자료와 역거리제곱법을 이용한 공간적 상세화를 통해 Eqn.

참고문헌 (33)

Ahn, SR, Lee, YJ, Park, GA, Kim, SJ(2008). Analysis of future land use and climate change impact on stream discharge, J. of The Korean Society of Civil Engineers, 28(2B), pp. 215-224. [Korean Literature]
Bae, DH, Lee, BJ, Jung, IW(2008). Analysis of construction conditions change due to climate change, J. of The Korean Society of Civil Engineers, 28(4D), pp. 513-521. [Korean Literature]
Cannon, AJ, Sobie, SR, Murdock, TQ(2005). Bias correction of GCM precipitation by quantile mapping: how well do methods preserve changes in quantiles and extremes?, J. Climate, 28, pp. 6938-6959. [DOI: https://doi.org/10.1175/JCLI-D-14-00754.1]
Cho, HG, Kim, GS(2018). Nonstationary probability rainfall estimation at Seoul using neural networks and GCM data, J. of the Korean Society of Hazard Mitigation, 18(2), pp. 63-73. [Korean Literature] [DOI: https://doi.org/10.9798/KOSHAM.2018.18.2.63]

상세보기
Dalrymple, T(1960). Flood Frequency Analysis, U.S. Geol. Surv. Water Supply Pap., 1543-A.
Eum, HI, Cannon, AJ(2017). Intercomparison of projected changes in climate extremesfor South Korea: application of trend preserving statisticaldownscaling methods to the CMIP5 ensemble, Int. J. Climatol., 37, pp. 3381-3397. [DOI: https://doi.org/10.1002/joc.4924]

상세보기
Heo, JH(2016). Statistical Hydrology, Goomibook, pp 1-196. [ISBN: 978-89-8225-152-8(93530)]
Hosking, JRM, Wallis, JR(1997). Regional Frequency Analysis (An Approach Based on L-Moments), Cambridge University Press. pp 1-224.
Hwang, JY, Ahn, JH, Jeong, CS, Heo, JH(2018). A study on the variation of design flood due to climate change in the ungauged urban catchment, J. of Korea Water Resources Association, 51(5), pp. 395-404. [Korean Literature] [DOI : http://dx.doi.org/10.3741/JKWRA.2018.51.5.395]

원문보기 상세보기
Hwang, SW, Her, YG, Chang, SW(2013). Uncertainty in regional climate change impact assessment using bias-correction technique for future climate scenarios, J. of the Korean Society of Agricultural Engineers, 55(4), pp. 95-106. [Korean Literature] [DOI : http://dx.doi.org/10.5389/KSAE.2013.55.4.095]

원문보기 상세보기
Im, JH, Lee, DH, Park, MS, Park, JH, Park, SH(2017). Analysis of the change in design flood due to climate variation, J. of the Korean Society of Hazard Mitigation, 17(6), pp. 81-85. [Korean Literature] [DOI: https://doi.org/10.9798/KOSHAM.2017.17.6.81]

상세보기
IPCC(2014). Climate Change 2014: Synthesis Report, IPCC, Geneva, Switzerland, pp 1-151.
Jang, DW, Kim, BS, Kim, JH(2012). The quantification of disaster impact of extreme rainfall under climate change in Korea, J. of the Korean Society of Hazard Mitigation, 12(4): 169-178. [Korean Literature]

원문보기 상세보기
Kang, NR, Kim, SJ, Lee, KH, Kim, DG, Kwak, JW, Noh, HS, Kim, HS(2011). Impact of climate change on an urban drainage system, J. of Wetlands Research, 13(3), pp. 623-631. [Korean Literature] [DOI: https://doi.org/10.17663/JWR.2011.13.3.623]

원문보기 상세보기
Kim, BK, Kim, BS(2009). Analysis of Impact Climate Change on Extreme Rainfall Using B2 Climate Change Scenario and Extreme Indices, J. of The Korean Society of Civil Engineers, 29(1B), pp. 23-33. [Korean Literature]
Kim, BS, Ha, SR(2013). The impact assessment of climate change on design flood in mihochen basin based on the representative concentration pathway climate change scenario, J. of Wetlands Research, 15(1), pp. 105-114. [Korean Literature] [DOI: https://doi.org/10.17663/JWR.2013.15.1.105]

원문보기 상세보기
Kim, HS, Hwang, JY, Ahn, JH, Jeong, CS(2018). Analysis of rate of discharge change on urban catchment considering climate change, J. of The Korean Society of Civil Engineers, 38(5), pp. 645-654. [Korean Literature] [DOI: http://dx.doi.org/10.12652/Ksce.2018.38.5.0645]

원문보기 상세보기
Kim, HS, Maeng, SJ, Lee, SW, Choi, HS(2016). Analysis of probability rainfall using climate change scenarios, Crisisonomy, 12(2), pp. 89-97. [Korean Literature] [DOI: http://dx.doi.org/10.14251/crisisonomy.2016.12.2.89]

상세보기
Kim, KM, Lee, JH, Keum, JH, Park, MJ, Kim, SD(2018a). Uncertainty of future Intensity-Duration-Frequency curves using multi-regional climate models, J. of the Korean Society of Hazard Mitigation, 18(6), pp. 405-416. [Korean Literature][DOI: https://doi.org/10.9798/KOSHAM.2018.18.6.405]

상세보기
Kim, KM, Choi, JH, Lee, JH, Kim, SD(2018b). Effect of RCM temporal resolution on estimating future IDF curves, J. of the Korean Society of Hazard Mitigation, 18(4), pp. 341-352. [Korean Literature][DOI: https://doi.org/10.9798/KOSHAM.2018.18.4.341]

상세보기
Kim, SH, Shin, JY, Ahn, HJ, Heo, JH(2019). Selecting climate models to determine future extreme rainfall quantiles, J. of the Korean Society of Hazard Mitigation, 19(1), pp. 55-69. [Korean Literature] [DOI: https://doi.org/10.9798/KOSHAM.2019.19.1.55]

상세보기
Kim, YH, Yeo, CG, Seo, GS, Song, JW(2011). Estimation of regional probable rainfall based on climate change scenarios, J. of the Korean Society of Hazard Mitigation, 11(3), pp. 29-35. [Korean Literature]

원문보기 상세보기
Korea Meteorological Administration(2018). Climate Change Outlook Report for Korean Peninsula, Korea Meteorological Administration, 11-1360000-001555-01, pp. 1-173.
Kwon, HH, Kim, BS, Kim, BK(2008). Analysis of precipitation characteristics of regional climate model for climate change impacts on water resources, J. of The Korean Society of Civil Engineers, 28(5B), pp. 525-533. [Korean Literature]
Lee, YS, Heo, JH, Nam, WS, Kim, KD(2007). Application of regional rainfall frequency analysis in South Korea(II) : Monte Carlo simulation and determination of appropriate method, J. of The Korean Society of Civil Engineers, 27(2B), pp. 113-123. [Korean Literature]
Ministry of Environment(2019). Standard Guideline for Design Flood, Ministry of Environment, 11-148000-001604-14, pp IV 1-39.
Ministry of Land, Transport and Maritime Affairs(2012). Design Flood Calculation Tips, Ministry of Land, Transport and Maritime Affairs, pp. 1-34.
Nam, WS, Ahn, HJ, Kim, SH, Heo, JH(2015). The impact of climate change on sub-daily extreme rainfall of Han river basin, J. of Korean Society of Disaster and Security, 8(1), pp. 21-27. [Korean Literature] [DOI: http://dx.doi.org/10.21729/ksds.2015.8.1.021]

원문보기 상세보기
Park, JH, Kang, MJ, Song, IH, Hwang, SH, Song, JH(2013). Development of IDF curves based on RCP4.5 scenario for 30-reservoirs in South Korea, J. of the Korean Society of Hazard Mitigation, 13(6), pp. 145-159. [Korean Literature][DOI: http://dx.doi.org/10.9798/KOSHAM.2013.13.6.145]

원문보기 상세보기
Reichler, T, Kim, J(2008). How well do coupled models simulate today's climate?, Bulletin of the American Meteorological Society(BAMS), 89(3), pp. 303-311. [DOI: https://doi.org/10.1175/BAMS-89-3-303]

상세보기
Song, CW, Kim, YS, Kang, NR, Lee, DR, Kim, HS(2013). Regional frequency analysis for rainfall under climate change. J. of Wetlands Research, 15(1), pp. 125-137. [Korean Literature][DOI: http://dx.doi.org/10.17663/JWR.2013.15.1.125]

원문보기 상세보기
Yeom, WS, Park, DH, Kown, MS, Ahn, JH(2019). Prospects of future extreme precipitation in South-North Korea shared river basin according to RCP climate change scenarios, J. of Korea Water Resources Association, 52(9), pp. 647-655. [Korean Literature][DOI: http://dx.doi.org/10.3741/JKWRA.2019.52.9.647]
Yoo, CS, Lee, DR(2000). A study on the variation of wet days and rainfall intensity due to climate change, J. of The Korean Society of Civil Engineers, 20(4-B), pp. 535-544. [Korean Literature]

저자의 다른 논문 :

LOADING...

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