수문관측자료에서 비정상성(nonstationarity)이 관측됨에 따라 수공구조물 설계에서 비정상성 빈도해석에 대한 연구가 활발히 진행되고 있다. 대기-해양 시스템에 내재된 기후 변동성은 비정상성 현상과 관련이 있는 것으로 알려져 있지만, 비정상성 빈도해석은 일반적으로 선형적 추세를 기반으로 이루어지고 있다. 본 연구에서는 우리나라의 기후 변동성과 극치 강우 사상의 장기 경향성을 고려하기 위하여 기상인자를 활용한 비정상성 빈도해석을 수행하였다. 먼저, 경향성이 나타나는 11개 기상관측지점의 연 최대치 강우자료에 대하여 통계적 분해 방법인 앙상블 경험적 모드분해법을 활용해 자료에 내재된 장기 경향성을 추출하였으며, 계절에 따른 다양한 기상인자와의 상관성 분석을 수행하였다. 그 결과, 연 최대 강우 발생년도를 기준으로 전년도 가을철 AMM과 전년도 가을철 AMO, 그리고 전년도 여름철 NINO4가 10개 이상의 지점에서 연 최대치 강우자료의 장기 경향성에 유의한 영향을 미치는 것으로 나타났다. 선정된 기상인자를 일반 극치(generalized extreme value, GEV) 분포모형에 적용하여 비정상성 GEV (NS-GEV) 모형을 구축하고 기존의 선형적 추세를 고려한 NS-GEV 모형과의 AIC값을 비교하여 최적모형을 선정하였다. 선정된 모형과 기존의 선형적 추세를 고려한 NS-GEV 모형에 대한 성능 평가를 통해 기상인자를 활용한 NS-GEV 모형이 극치강우사상을 반영하여 확률강우량의 과소산정 문제를 보완할 수 있음을 확인하였다.
수문관측자료에서 비정상성(nonstationarity)이 관측됨에 따라 수공구조물 설계에서 비정상성 빈도해석에 대한 연구가 활발히 진행되고 있다. 대기-해양 시스템에 내재된 기후 변동성은 비정상성 현상과 관련이 있는 것으로 알려져 있지만, 비정상성 빈도해석은 일반적으로 선형적 추세를 기반으로 이루어지고 있다. 본 연구에서는 우리나라의 기후 변동성과 극치 강우 사상의 장기 경향성을 고려하기 위하여 기상인자를 활용한 비정상성 빈도해석을 수행하였다. 먼저, 경향성이 나타나는 11개 기상관측지점의 연 최대치 강우자료에 대하여 통계적 분해 방법인 앙상블 경험적 모드분해법을 활용해 자료에 내재된 장기 경향성을 추출하였으며, 계절에 따른 다양한 기상인자와의 상관성 분석을 수행하였다. 그 결과, 연 최대 강우 발생년도를 기준으로 전년도 가을철 AMM과 전년도 가을철 AMO, 그리고 전년도 여름철 NINO4가 10개 이상의 지점에서 연 최대치 강우자료의 장기 경향성에 유의한 영향을 미치는 것으로 나타났다. 선정된 기상인자를 일반 극치(generalized extreme value, GEV) 분포모형에 적용하여 비정상성 GEV (NS-GEV) 모형을 구축하고 기존의 선형적 추세를 고려한 NS-GEV 모형과의 AIC값을 비교하여 최적모형을 선정하였다. 선정된 모형과 기존의 선형적 추세를 고려한 NS-GEV 모형에 대한 성능 평가를 통해 기상인자를 활용한 NS-GEV 모형이 극치강우사상을 반영하여 확률강우량의 과소산정 문제를 보완할 수 있음을 확인하였다.
As a nonstationarity is observed in hydrological data, various studies on nonstationary frequency analysis for hydraulic structure design have been actively conducted. Although the inherent diversity in the atmosphere-ocean system is known to be related to the nonstationary phenomena, a nonstationar...
As a nonstationarity is observed in hydrological data, various studies on nonstationary frequency analysis for hydraulic structure design have been actively conducted. Although the inherent diversity in the atmosphere-ocean system is known to be related to the nonstationary phenomena, a nonstationary frequency analysis is generally performed based on the linear trend. In this study, a nonstationary frequency analysis was performed using climate indices as covariates to consider the climate variability and the long-term trend of the extreme rainfall. For 11 weather stations where the trend was detected, the long-term trend within the annual maximum rainfall data was extracted using the ensemble empirical mode decomposition. Then the correlation between the extracted data and various climate indices was analyzed. As a result, autumn-averaged AMM, autumn-averaged AMO, and summer-averaged NINO4 in the previous year significantly influenced the long-term trend of the annual maximum rainfall data at almost all stations. The selected seasonal climate indices were applied to the generalized extreme value (GEV) model and the best model was selected using the AIC. Using the model diagnosis for the selected model and the nonstationary GEV model with the linear trend, we identified that the selected model could compensate the underestimation of the rainfall quantiles.
As a nonstationarity is observed in hydrological data, various studies on nonstationary frequency analysis for hydraulic structure design have been actively conducted. Although the inherent diversity in the atmosphere-ocean system is known to be related to the nonstationary phenomena, a nonstationary frequency analysis is generally performed based on the linear trend. In this study, a nonstationary frequency analysis was performed using climate indices as covariates to consider the climate variability and the long-term trend of the extreme rainfall. For 11 weather stations where the trend was detected, the long-term trend within the annual maximum rainfall data was extracted using the ensemble empirical mode decomposition. Then the correlation between the extracted data and various climate indices was analyzed. As a result, autumn-averaged AMM, autumn-averaged AMO, and summer-averaged NINO4 in the previous year significantly influenced the long-term trend of the annual maximum rainfall data at almost all stations. The selected seasonal climate indices were applied to the generalized extreme value (GEV) model and the best model was selected using the AIC. Using the model diagnosis for the selected model and the nonstationary GEV model with the linear trend, we identified that the selected model could compensate the underestimation of the rainfall quantiles.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 연 최대치 강우자료를 이용한 비정상성 빈도해석에서 기상인자를 적용을 위해 연 단위의 다양한 계절별 기상인자를 추출하였다. 극치강우자료에서 분해된 잔여값과의 상관성 분석을 통해 우리나라 극치강우사상의 장기 경향성에 영향을 미치는 기상인자를 선정하였다.
가설 설정
일반적으로 수문 시계열은 자연 현상의 대표적인 집합이며 추세, 순환, 계절, 불규칙한 변동과 같은 규칙적인 변동의 조합으로 구성된다. 이러한 수문 시계열을 분석하고 예측하기 위해 하나의 시계열이 다양한 요소로 구성되어 있다고 가정한다. 푸리에 변환(Fourier transform)과 웨이블릿 변환(Wavelet transform) 등의 방법은 자료 분해를 위한 분석에 사용되고 있지만, 시계열의 정상성과 선형성을 기본 가정으로 하며 초기조건을 통해 설정된 분석함수가 자료 분해 과정에서 변하지 않으므로 다양한 요인들과 복잡한 인과관계를 가지는 자연 현상을 분석하는 것에는 한계가 있다(Lei et al.
제안 방법
(1) 주어진 시계열의 극값(국소 최댓값 및 국소 최솟값)을 식별한 후 3차 스플라인(cubic spline) 보간법을 이용하여 각각 상위선(upper envelope, \(y_u(t)\))과 하위선(lower envelope, \(y_l(t)\))을 구한다.
기상인자를 적용한 비정상성 GEV 모형이 최적 모형으로 선정된 4개 지점에 대하여 기존의 비정상성 빈도해석에서 일반적으로 사용되는 NS-GEV Time과 3.4절에서 최종적으로 선정된 기상인자를 활용한 비정상성 GEV 모형(NS-GEV Climate index)을 적용하여 자료의 최종 보유년도인 2016년을 기준으로 확률강우량 을 산정하였다. Table 6은 각 모형 별 재현기간 20, 50, 100년에 대하여 산정된 확률강우량을 나타낸 것이다.
대상 지점들의 지속기간 24시간 연 최대치 강우자료를 EEMD 방법을 이용하여 자료에 내재된 주기성을 나타내는 내재모드함수와 장기 경향성을 나타내는 잔여값으로 분해하였다. Fig.
이 때 Table 4에서 최종적으로 선정된 기상인자를 공변량으로 활용함으로써 연 최대치 강우자료의 장기 경향성을 고려한 비정상성 GEV 모형을 구축할 수 있다. 따라서 GEV 모형의 위치 매개변수를 각각 AMM_SON(-1), AMO_SON(-1), NINO4_JJA(-1)에 대한 함수로 정의한 후, 비정상성 확률분포모형의 매개변수 추정방법으로 가장 널리 사용되고 있는 최우도 방법(maximum likelihood method)을 적용하여 각 기상인자 별 비정상성 GEV 모형을 구축하였다. 또한, 기존 방법과의 비교를 위해 시간항을 공변량으로 가지는 비정상성 GEV 모형(NS-GEV Time)을 추가적으로 구축하였다.
따라서 GEV 모형의 위치 매개변수를 각각 AMM_SON(-1), AMO_SON(-1), NINO4_JJA(-1)에 대한 함수로 정의한 후, 비정상성 확률분포모형의 매개변수 추정방법으로 가장 널리 사용되고 있는 최우도 방법(maximum likelihood method)을 적용하여 각 기상인자 별 비정상성 GEV 모형을 구축하였다. 또한, 기존 방법과의 비교를 위해 시간항을 공변량으로 가지는 비정상성 GEV 모형(NS-GEV Time)을 추가적으로 구축하였다. 구축된 총 4개의 비정상성 AIC값을 Eq.
본 연구에서는 우리나라 극한 강우 사상의 장기 경향성에 영향을 미치는 것으로 나타나는 기상인자를 활용하여 비정상성 빈도해석을 수행하고 확률강우량 산정 결과를 기존의 비정상성 빈도해석 결과와 비교하였다. 이를 위해 먼저 경향성이 나타나는 우리나라 11개 지점의 지속기간 24시간 연 최대치 강우자료를 EEMD로 분해한 잔여값과의 상관성 분석을 통해 전년도 가을철 AMM (AMM_SON(-1)), 전년도 가을철 AMO (AMO_SON(-1)), 전년도 여름철 NINO4 (NINO4_JJA(-1))이 11개 지점의 우리나라 극한 강우 사상에 대한 장기 경향성과 전반적으로 유의한 상관관계가 있다는 것을 확인하였다.
이를 위해 먼저 경향성이 나타나는 우리나라 11개 지점의 지속기간 24시간 연 최대치 강우자료를 EEMD로 분해한 잔여값과의 상관성 분석을 통해 전년도 가을철 AMM (AMM_SON(-1)), 전년도 가을철 AMO (AMO_SON(-1)), 전년도 여름철 NINO4 (NINO4_JJA(-1))이 11개 지점의 우리나라 극한 강우 사상에 대한 장기 경향성과 전반적으로 유의한 상관관계가 있다는 것을 확인하였다. 선정된 각 기상인자를 GEV 모형의 위치 매개변수에 대한 공변량으로 활용한 비정상성 GEV 모형을 구축하고 기존의 시간항을 적용한 비정상성 GEV 모형과의 AIC값을 비교하여 최적 GEV 모형을 선정하였다. 그 결과, AMM_SON(-1)을 적용한 비정상성 GEV 모형이 서귀포(189) 지점에서, AMO_ SON(-1)을 적용한 비정상성 GEV 모형이 대구(143), 광주(156), 부산(159) 지점에서 최적 모형으로 선정되었다.
극치강우자료에서 분해된 잔여값과의 상관성 분석을 통해 우리나라 극치강우사상의 장기 경향성에 영향을 미치는 기상인자를 선정하였다. 선정된 기상인자를 활용하여 비정상성 GEV 모형을 구축하고 최적 모형 선정을 통해 확률강우량을 산정하였으며, 기존의 비정상성 모형 결과와의 비교를 통해 그 적용성을 확인하였다.
연 최대치 강우자료의 장기 경향성에 가장 큰 영향을 미치는 기상인자를 알아보기 위하여 Spearman 상관 분석을 수행하였다. 우리나라의 경우 연 강수량의 대부분이 6월에서 9월 사이에 집중되는 강우특성을 가지므로(Oh and Moon, 2009), 이에 영향을 미치는 계절별 기상인자를 알아보기 위해 연 최대치 강우 발생년도를 기준으로 전년도의 봄철(3-5월, MAM(-1)), 여름철(6-8월, JJA(-1)), 가을 철(9-11월, SON(-1))과 전년도에서 발생년도로 넘어가는 겨울철 (12-2월, DJF), 발생년도의 봄철(3-5월, MAM)에 대한 월 단위 기상인자의 3개월 평균값과 전년도 여름철부터 발생년도 봄철까지 에 대한 월 단위 기상인자의 12개월 평균(AVE)의 총 6가지 연 단위 기상인자를 연 최대치 강우량의 잔여값과의 상관 분석 후보로 결정하였다. Table 3은 각 기상인자 별 상관 분석을 수행하기 위한 계절별 후보 기상인자를 나타낸 것이다.
대상 데이터
본 연구에서는 연 최대치 강우자료를 이용한 비정상성 빈도해석에서 기상인자를 적용을 위해 연 단위의 다양한 계절별 기상인자를 추출하였다. 극치강우자료에서 분해된 잔여값과의 상관성 분석을 통해 우리나라 극치강우사상의 장기 경향성에 영향을 미치는 기상인자를 선정하였다. 선정된 기상인자를 활용하여 비정상성 GEV 모형을 구축하고 최적 모형 선정을 통해 확률강우량을 산정하였으며, 기존의 비정상성 모형 결과와의 비교를 통해 그 적용성을 확인하였다.
1과 Table 1은 각각 본 연구에서 적용 대상지점으로 선정된 11개의 기상관측지점의 위치와 정보를 나타낸다. 기상인자의 경우 현재 NOAA/ESRL에서 월 단위로 제공하고 있는 10개의 기상인자 자료를 활용하였다. Table 2는 본 연구에서 사용된 10개의 기상인자에 관한 정보를 나타낸다.
각 기상인자 별 총 6개의 계절별 후보 기상인자들과 연 최대치 강우자료의 잔여값 사이에서 5 % 유의수준으로 Spearman 상관 분석을 수행하였다. 대상 지점에 전반적으로 영향을 미치는 계절 기상인자를 선정하기 위하여 총 11개의 지점 중에서 10개 이상의 지점에서 유의한 상관관계가 나타나는 계절 기상인자를 선정하였다. 그 결과, 전년도 가을철의 AMM (AMM_SON(-1))과 AMO (AMO_SON(-1))가 10개 지점의 연 최대치 강우자료의 잔여값과 유의한 상관성이 있는 것으로 나타났으며, 전년도 여름철의 NINO4 (NINO4_JJA(-1))가 모든 지점에서 상관성이 있는 것으로 나타났다.
본 연구에서는 기상청에서 제공하는 강우자료의 기간이 30년 이상이며 결측년도가 없는 우리나라 64개 기상관측지점의 강우자료에 대해 지속기간 24시간에 대한 연 최대치 강우자료를 추출하였다. 비정상성 빈도해석을 수행하기에 앞서 Mann-Kendall 분석을통해 10 % 유의수준에서 증가 경향성이 나타나는 11개 지점을 대상 지점으로 선정하였다.
본 연구에서는 기상청에서 제공하는 강우자료의 기간이 30년 이상이며 결측년도가 없는 우리나라 64개 기상관측지점의 강우자료에 대해 지속기간 24시간에 대한 연 최대치 강우자료를 추출하였다. 비정상성 빈도해석을 수행하기에 앞서 Mann-Kendall 분석을통해 10 % 유의수준에서 증가 경향성이 나타나는 11개 지점을 대상 지점으로 선정하였다. Fig.
(2016)은 NINO34를 generalized Pareto 분포형의 매개변수에 공변량으로 활용하여 남브라질 유역에 대한 비정상성 홍수빈도해석을 수행하였으며, 기존의 정상성 홍수빈도 해석 결과와 비교하여 기상인자를 활용한 비정상성 빈도해석이 더 우수한 성능을 보인다는 것을 확인하였다. 이 때, 월 단위로 관측된 NINO34의 12월-2월 평균을 연 단위 기상인자로 사용하였다. Thiombiano et al.
데이터처리
각 기상인자 별 총 6개의 계절별 후보 기상인자들과 연 최대치 강우자료의 잔여값 사이에서 5 % 유의수준으로 Spearman 상관 분석을 수행하였다. 대상 지점에 전반적으로 영향을 미치는 계절 기상인자를 선정하기 위하여 총 11개의 지점 중에서 10개 이상의 지점에서 유의한 상관관계가 나타나는 계절 기상인자를 선정하였다.
연 최대치 강우자료의 장기 경향성에 가장 큰 영향을 미치는 기상인자를 알아보기 위하여 Spearman 상관 분석을 수행하였다. 우리나라의 경우 연 강수량의 대부분이 6월에서 9월 사이에 집중되는 강우특성을 가지므로(Oh and Moon, 2009), 이에 영향을 미치는 계절별 기상인자를 알아보기 위해 연 최대치 강우 발생년도를 기준으로 전년도의 봄철(3-5월, MAM(-1)), 여름철(6-8월, JJA(-1)), 가을 철(9-11월, SON(-1))과 전년도에서 발생년도로 넘어가는 겨울철 (12-2월, DJF), 발생년도의 봄철(3-5월, MAM)에 대한 월 단위 기상인자의 3개월 평균값과 전년도 여름철부터 발생년도 봄철까지 에 대한 월 단위 기상인자의 12개월 평균(AVE)의 총 6가지 연 단위 기상인자를 연 최대치 강우량의 잔여값과의 상관 분석 후보로 결정하였다.
성능/효과
11개의 지점 중 7개의 지점(대구(143), 광주(156), 부산(159), 거창(284), 합천 (285), 산청(289), 남해(295))은 기존의 비정상성 지점빈도해석에서 사용되는 모형인 NS-GEV Time이 최적 모형으로 선정되었다. 3개 지점(울릉도(115), 문경(273), 구미(279))에서는 AMO_SON(-1)을 적용한 비정상성 GEV 모형(NS-GEV AMO_SON(-1))이 가장 적합한 것으로 나타났으며, 서귀포(189) 지점의 경우 AMM_ SON(-1)을 적용한 비정상성 GEV 모형(NS-GEV AMM_SON(-1))이 가장 적합한 것으로 나타났다.
NS-GEV AMO_SON(-1)가 최적 모형으로 선정된 울릉도(115), 문경(273), 구미(279) 지점의 경우 기존의 NS-GEV Time의 결과와 비교하여 모든 재현기간에서 확률강우량이 감소하였으 며, 그 변화율은 기존의 NS-GEV Time의 결과 대비 5 % 이내로 크지 않은 것으로 나타났다. 한편, NS-GEV AMM_SON(-1)가 최적 모형으로 선정된 서귀포(189) 지점의 경우 기존의 NS-GEV Time의 결과와 비교하여 모든 재현기간에서 확률강우량이 증가하였으며, 특히 100년 빈도 확률강우량의 경우 그 변화율이 기존의 NS-GEV Time의 결과 대비 약 13.
선정된 각 기상인자를 GEV 모형의 위치 매개변수에 대한 공변량으로 활용한 비정상성 GEV 모형을 구축하고 기존의 시간항을 적용한 비정상성 GEV 모형과의 AIC값을 비교하여 최적 GEV 모형을 선정하였다. 그 결과, AMM_SON(-1)을 적용한 비정상성 GEV 모형이 서귀포(189) 지점에서, AMO_ SON(-1)을 적용한 비정상성 GEV 모형이 대구(143), 광주(156), 부산(159) 지점에서 최적 모형으로 선정되었다. 해당 지점에서의 확률강우량 산정 결과 서귀포(189)지점에서 확률강우량이 기존 방법 대비 증가한 것을 확인하였으며, 모형진단을 통해 본 연구에서 제시한 모형이 극치강우사상을 반영하여 보다 정확한 확률강우량
대상 지점에 전반적으로 영향을 미치는 계절 기상인자를 선정하기 위하여 총 11개의 지점 중에서 10개 이상의 지점에서 유의한 상관관계가 나타나는 계절 기상인자를 선정하였다. 그 결과, 전년도 가을철의 AMM (AMM_SON(-1))과 AMO (AMO_SON(-1))가 10개 지점의 연 최대치 강우자료의 잔여값과 유의한 상관성이 있는 것으로 나타났으며, 전년도 여름철의 NINO4 (NINO4_JJA(-1))가 모든 지점에서 상관성이 있는 것으로 나타났다. Table 4는 선정된 계절 기상인자와 유의한 상관성이 나타나는 지점의 개수, 그리고 해당 지점들에서 산정된 상관계수의 평균을 나타낸 것이다.
을 산정할 수 있다는 것을 확인하였다. 비정상성 GEV 모형에 활용된 기상인자의 종류에 따른 확률강우량의 기존 방법 대비 증감에 대한 원인을 규명하기 위해서는 추후 기상인자와 극치강우 사상과의 물리적 영향력에 대한 추가적인 분석이 필요할 것으로 생각된다.
본 연구에서는 우리나라 극한 강우 사상의 장기 경향성에 영향을 미치는 것으로 나타나는 기상인자를 활용하여 비정상성 빈도해석을 수행하고 확률강우량 산정 결과를 기존의 비정상성 빈도해석 결과와 비교하였다. 이를 위해 먼저 경향성이 나타나는 우리나라 11개 지점의 지속기간 24시간 연 최대치 강우자료를 EEMD로 분해한 잔여값과의 상관성 분석을 통해 전년도 가을철 AMM (AMM_SON(-1)), 전년도 가을철 AMO (AMO_SON(-1)), 전년도 여름철 NINO4 (NINO4_JJA(-1))이 11개 지점의 우리나라 극한 강우 사상에 대한 장기 경향성과 전반적으로 유의한 상관관계가 있다는 것을 확인하였다. 선정된 각 기상인자를 GEV 모형의 위치 매개변수에 대한 공변량으로 활용한 비정상성 GEV 모형을 구축하고 기존의 시간항을 적용한 비정상성 GEV 모형과의 AIC값을 비교하여 최적 GEV 모형을 선정하였다.
2는 울릉도(115) 지점의 연 최대치 강우자료를 EEMD를 통해 총 4개의 내재모드함수(IMF1 - IMF4)와 잔여값으로 분해한 결과를 대표적으로 나타낸 것이다. 잔여값을 통해 해당 지점의 연 최대치 강우자료가 점차적으로 증가하는 경향을 보이는 것을 확인할 수 있다.
NS-GEV AMO_SON(-1)가 최적 모형으로 선정된 울릉도(115), 문경(273), 구미(279) 지점의 경우 기존의 NS-GEV Time의 결과와 비교하여 모든 재현기간에서 확률강우량이 감소하였으 며, 그 변화율은 기존의 NS-GEV Time의 결과 대비 5 % 이내로 크지 않은 것으로 나타났다. 한편, NS-GEV AMM_SON(-1)가 최적 모형으로 선정된 서귀포(189) 지점의 경우 기존의 NS-GEV Time의 결과와 비교하여 모든 재현기간에서 확률강우량이 증가하였으며, 특히 100년 빈도 확률강우량의 경우 그 변화율이 기존의 NS-GEV Time의 결과 대비 약 13.4 % 증가하는 것으로 나타났다. 따라서 이에 대한 모형진단을 위해 두 비정상성 GEV 모형의 확률강우량 산정결과에 대한 중앙값 및 2.
후속연구
비정상성 GEV 모형에 활용된 기상인자의 종류에 따른 확률강우량의 기존 방법 대비 증감에 대한 원인을 규명하기 위해서는 추후 기상인자와 극치강우 사상과의 물리적 영향력에 대한 추가적인 분석이 필요할 것으로 생각된다. 본 연구를 통해 수공구조물 설계를 위한 비정상성 빈도해석시에 기후변동성과 우리나라 극한 강우 사상의 장기 경향성을 고려할 수 있는 기상인자를 활용할 수 있을 것으로 생각되며, 추후 연구에서는 EEMD를 통해 분해된 극한 강우 사상의 내재모드함수를 활용하여 주기성을 대표할 수 있는 기상인자를 찾아내고 함께 고려하여 보다 정확한 비정상성 확률분포모형을 제시할 수 있을 것으로 판단된다.
을 산정할 수 있다는 것을 확인하였다. 비정상성 GEV 모형에 활용된 기상인자의 종류에 따른 확률강우량의 기존 방법 대비 증감에 대한 원인을 규명하기 위해서는 추후 기상인자와 극치강우 사상과의 물리적 영향력에 대한 추가적인 분석이 필요할 것으로 생각된다. 본 연구를 통해 수공구조물 설계를 위한 비정상성 빈도해석시에 기후변동성과 우리나라 극한 강우 사상의 장기 경향성을 고려할 수 있는 기상인자를 활용할 수 있을 것으로 생각되며, 추후 연구에서는 EEMD를 통해 분해된 극한 강우 사상의 내재모드함수를 활용하여 주기성을 대표할 수 있는 기상인자를 찾아내고 함께 고려하여 보다 정확한 비정상성 확률분포모형을 제시할 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
세계기상기구(World Meteorological Organization, WMO)에 의해 설립된 국제 협의 기관은?
최근 기후변화로 인해 장기적인 기후 변동성과 함께 수문 사상의 패턴 변화가 보고되고 있으며, 세계기상기구(World Meteorological Organization, WMO)에 의해 설립된 국제 협의 기관인 IPCC (Intergovernmental Panel on Climate Change)는 기후변화 문제를 대비하기 위하여 극치 사상에 대한 재난 위험 관리 조치를 수립하고 있다(IPCC, 2012). 다양한 문헌에서 극치 수문 사상이 증가함에 따라 폭우와 홍수로 인한 피해 규모와 빈도가 증가할 것으로 예측하고 있으며(Solomon et al.
우리나라의 기후 변동성과 극치 강우 사상의 장기 경향성은?
먼저, 경향성이 나타나는 11개 기상관측지점의 연 최대치 강우자료에 대하여 통계적 분해 방법인 앙상블 경험적 모드분해법을 활용해 자료에 내재된 장기 경향성을 추출하였으며, 계절에 따른 다양한 기상인자와의 상관성 분석을 수행하였다. 그 결과, 연 최대 강우 발생년도를 기준으로 전년도 가을철 AMM과 전년도 가을철 AMO, 그리고 전년도 여름철 NINO4가 10개 이상의 지점에서 연 최대치 강우자료의 장기 경향성에 유의한 영향을 미치는 것으로 나타났다. 선정된 기상인자를 일반 극치(generalized extreme value, GEV) 분포모형에 적용하여 비정상성 GEV (NS-GEV) 모형을 구축하고 기존의 선형적 추세를 고려한 NS-GEV 모형과의 AIC값을 비교하여 최적모형을 선정하였다.
극치 수문 사상이 증가함에 따른 미래 예측은?
최근 기후변화로 인해 장기적인 기후 변동성과 함께 수문 사상의 패턴 변화가 보고되고 있으며, 세계기상기구(World Meteorological Organization, WMO)에 의해 설립된 국제 협의 기관인 IPCC (Intergovernmental Panel on Climate Change)는 기후변화 문제를 대비하기 위하여 극치 사상에 대한 재난 위험 관리 조치를 수립하고 있다(IPCC, 2012). 다양한 문헌에서 극치 수문 사상이 증가함에 따라 폭우와 홍수로 인한 피해 규모와 빈도가 증가할 것으로 예측하고 있으며(Solomon et al., 2007; Jung et al.
참고문헌 (37)
Akaike, H. (1992). "Information theory and an extension of the maximum likelihood principle." Breakthroughs in Statistics, S. Kotz and N.L. Johnson, eds., Vol. 1, Springer, New York, N.Y., pp. 610-624.
Coles, S. (2001). An introduction to statistical modeling of extreme values, Springer, London.
Croux, C. and Dehon, C. (2010). "Influence functions of the spearman and kendall correlation measures." Statistical Methods and Applications, Vol. 19, No. 4, pp. 497-515.
Hounkpe, J., Diekkruger, B., Badou, D. F. and Afouda, A. A. (2015). "Non-stationary flood frequency analysis in the Oueme river basin." Benin Republic. Hydrology, Vol. 2, No. 4, pp. 210-229.
Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N. C., Tung, C. C. and Liu, H. H. (1998). "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis." Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, Vol. 454, pp. 903-995.
Ihara, C., Kushnir, Y., Cane, M. A. and De la Pena, V. H. (2007). "Indian summer monsoon rainfall and its link with ENSO and Indian Ocean climate indices." International Journal of Climatology, Vol. 27, No. 2, pp. 179-187.
Intergovernmental Panel on Climate Change (IPCC) (2012). Managing the risk of extreme events and disasters to advance climate change adaptation, A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change, Field, C. B., Barros, V., Stocker T.F., Qin, D., Dokken, D.J., Ebi, K.L., Mastrandrea, M.D., Mach, K.J., Plattner, G.-K., Allen, S.K., Tignor, M., Midgley, P.M., eds., Cambridge University Press, Cambridge, UK, and New York, N.Y., USA.
Intergovernmental Panel on Climate Change (IPCC) (2014). Climate change 2014: Synthesis Report, Contribution of Working Groups I, II, and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, Pachauri, R.K., and Meyer, L.A., eds.].. IPCC, Geneva, Switzerland, p. 151.
Jung, I. W., Bae, D. H. and Kim, G. (2011) "Recent trends of mean and extreme precipitation in Korea." International Journal of Climatology, Vol. 31, pp. 359-370.
Katz, R. W. (2013). "Statistical methods for nonstationary extremes." Extremes in a Changing Climate, A., AghaKouchak, D. Easterling, K. Hsu, S. Schubert, and S. Sorooshian, eds, Vol. 65, Springer, Dordrecht.
Khaliq, M. N., Ouarda, T. B. M. J., Ondo, J. C., Gachon, P. and Bobee, B. (2006). "Frequency analysis of a sequence of dependent and/or non-stationary hydro-meteorological observations: A review." Journal of Hydrology, Vol. 329, pp. 534-552.
Kim, B. S., Lee, J. K., Kim, H. S. and Lee, J. W. (2011). "Nonstationary frequency analysis with climate variability using conditional generalized extreme value distribution." Journal of Wetlands Research, Vol. 13, No. 3, pp. 499-514.
Kim, H., Kim, S., Shin, H. and Heo, J. H. (2017a). "Appropriate model selection methods for nonstationary generalized extreme value models." Journal of Hydrology, Vol. 547, pp. 557-574.
Kim, H., Kim, T., Shin, H. and Heo, J. H. (2017b). "A study on a tendency of parameters for nonstationary distribution using ensemble empirical mode decomposition method." Journal of Korea Water Resources Association, Vol. 50, No. 4, pp. 253-261 (in Korean).
Kim, T., Shin, H., Nam, W. and Heo, J. H. (2015). "A study on the predictive power improvement of time series model using empirical mode decomposition method." Journal of Korea Water Resources Association, Vol. 48, No. 12, pp. 981-993 (in Korean).
Kim, T., Shin, J. Y., Kim, S. and Heo, J. H. (2018). "Identification of relationships between climate indices and long-term precipitation in South Korea using ensemble empirical mode decomposition." Journal of Hydrology, Vol. 557, pp. 726-739.
Kwon, H. H. and Lee, J. J. (2011). "Seasonal rainfall outlook of nakdong river basin using nonstationary frequency analysis model and climate information." Journal of Korea Water Resources Association, Vol. 44, No. 5, pp. 339-350 (in Korean).
Laio, F., Baldassarre, G. D. and Montanari, A. (2009). "Model selection techniques for the frequency analysis of hydrological extremes." Water Resources Research, Vol. 45, No. 7, p. W07416.
Lee, J. J., Kwon, H. H. and Hwang, K. N. (2010). "Concept of seasonality analysis of hydrologic extreme variables and design rainfall estimation using nonstationary frequency analysis." Journal of Korea Water Resources Association, Vol. 50, No. 4, pp. 253-261 (in Korean).
Lei, Y., He, Z. and Zi, Y. (2009). "Application of the EEMD method to rotor fault diagnosis of rotating machinery." Mechanical Systems and Signal Processing, Vol. 23, pp. 1327-1338.
Lettenmaier and Burges (1982). "Gumbel's extreme value I distribution: A new look." Journal of the Hydraulics Division, Vol. 108, No. 4, pp. 502-514.
Li, J. and Tan, S. (2015). "Nonstationary flood frequency analysis for annual flood peak series, adopting climate indices and check dam index as covariates." Water Resources Management, Vol. 29, No. 15, pp. 5533-5550.
Milly, P. C. D. Betancourt, J., Falkenmark, M., Hirsch, R. M., Kundzewicz, Z. W., Lettenmaier, D. P. and Stouffer, R. J. (2008). "Stationarity is dead: whither water management?" Science, Vol. 319, pp. 573-574.
Nogaj, M., Parey, S. and Dacunha-Castelle, D. (2007). "Non-stationary extreme models and a climatic application." Nonlinear Processes in Geophysics, Vol. 14, pp. 305-316.
Oh, J. S., Kim, C. Y. and Kim, W. (2007). "Analysis on the shift characteristic of the rainfall." Proceedings of the Korea Water Resources Association Conference Korea, pp. 1602-1607 (in Korean).
Oh, T. S. and Moon, Y. I. (2009). "Evaluation of probability precipitation using climatic indices in Korea." Journal of Korea Water Resources Association, Vol. 42, No. 9, pp. 681-690 (in Korean).
Peel, M. C., Srikanthan, R., McMahon, T. A. and Karoly, D. J. (2011). "Ensemble empirical mode decomposition of monthly climatic indices relevant to Australian hydrolicmatology." In Proceedings of the 19th International Congress on Modelling and Simulation, Pert, WA, Australia, 12-16 December 2011, pp. 3615-3621.
Shin, J., Park, Y. and Kim, T. W. (2013). "Estimation of future design rainfalls in administrative districts using nonstationary GEV Model." Journal of KOSHAM, Vol. 13, No. 3, pp. 147-159 (in Korean).
Silva, A. T., Naghettini, M. and Portela, M. M. (2016). "On some aspects of peaks-over-threshold modeling of floods under nonstationarity using climate covariates." Stochastic Environmental Research and Risk Assessment, Vol. 30, No. 1, pp. 207-224.
Solomon, S., Qin, D., Manning, M., Averyt, K. and Marquis, M. (Eds.). (2007). Climate change 2007: The physical science basis, Working group I contribution to the fourth assessment report of the IPCC, Cambridge university press.
Thiombiano, A. N., StHilaire, A., El Adlouni, S. and Ouarda, T. B. M. J. (2018). "Nonlinear response of precipitation to climate indices using a non-stationary Poisson-generalized Pareto model: case study of southeastern Canada." International Journal of Climatology, Vol. 38, No. 1, pp. 878-888.
Tramblay, Y., Neppel, L. and Carreau, J. (2011). "Climatic covariates for the frequency analysis of heavy rainfall in the Mediterranean region." Natural Hazards and Earth System Sciences, Vol. 11, pp. 2463-2468.
Vasiliades, L., Galiatsatou, P. and Loukas, A. (2015). "Nonstationary frequency analysis of annual maximum rainfall using climate covariates." Water Resources Management, Vol. 29, pp. 339-358.
Wi, S., Valdes, J. B., Steinschneider, S. and Kim, T. W. (2016). "Non-stationary frequency analysis of extreme precipitation in South Korea using peaks-over-threshold and annual maxima." Stochastic Environmental Research and Risk Assessment, Vol. 30, No. 2, pp. 583-606.
Wu, Z. and Huang, N. E. (2004). "A study of the characteristics of white noise using the empirical mode decomposition method." Proceedings of the Royal Society of London. Series A, Vol. 460, pp. 1597-1611.
Wu, Z. and Huang, N. E. (2009). "Ensemble empirical mode decomposition: A noise-assisted data analysis method." Advances in Adaptive Data Analysis, Vol. 1, No. 1, pp. 1-41.
Zhang, J., Yan, R., Gao, R. X. and Feng, Z. (2010). "Performance enhancement of ensemble empirical mode decomposition." Mechanical Systems and Signal Processing, Vol. 24, pp. 2104-2123.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.