베이지안 네트워크 및 의사결정 모형을 이용한 위성 강수자료 기반 기상학적 가뭄 전망 Meteorological drought outlook with satellite precipitation data using Bayesian networks and decision-making model원문보기
가뭄재해는 다른 재해와 다르게 광범위한 공간에 걸쳐서 충분한 강우가 발생하기 전까지 오랜 기간 동안 발생되는 특성이 있다. 위성 영상은 시공간적으로 지속적인 강수량 관측을 제공할 수 있다. 본 연구는 위성 영상 기반의 강수자료를 활용하여 기상학적 가뭄 전망 모형을 개발하였다. PERSIANN_CDR, TRMM 3B42와 GPM IMERG 영상을 활용하여 강수 자료를 구축한 뒤, 표준강수지수(SPI)를 기반으로 기상학적 가뭄을 정의하였다. 과거의 가뭄 정보와 물리적 예측 모형 기반의 가뭄 예측 결과를 결합할 수 있는 베이지안 네트워크 기반 가뭄 예측 기법을 이용하여 확률론적 가뭄 예측 결과를 생산하였으며, 가뭄 예측결과를 가뭄 전망 의사결정 모형에 적용하여 가뭄 전망 결과를 도출하였다. 가뭄 전망 정보는 가뭄 발생, 지속, 종결, 가뭄 없음의 4단계로 구분하였다. 본 연구의 가뭄 전망 결과는 ROC 분석을 통하여 물리적 예측 모형인 다중모형 앙상블(MME)을 활용한 가뭄 전망 결과와 전망 성능을 비교하였다. 그 결과, 2~3개월 가뭄 전망에 대한 가뭄 발생 및 지속의 단계에서는 MME 모형보다 높은 전망성능을 보여주었다.
가뭄재해는 다른 재해와 다르게 광범위한 공간에 걸쳐서 충분한 강우가 발생하기 전까지 오랜 기간 동안 발생되는 특성이 있다. 위성 영상은 시공간적으로 지속적인 강수량 관측을 제공할 수 있다. 본 연구는 위성 영상 기반의 강수자료를 활용하여 기상학적 가뭄 전망 모형을 개발하였다. PERSIANN_CDR, TRMM 3B42와 GPM IMERG 영상을 활용하여 강수 자료를 구축한 뒤, 표준강수지수(SPI)를 기반으로 기상학적 가뭄을 정의하였다. 과거의 가뭄 정보와 물리적 예측 모형 기반의 가뭄 예측 결과를 결합할 수 있는 베이지안 네트워크 기반 가뭄 예측 기법을 이용하여 확률론적 가뭄 예측 결과를 생산하였으며, 가뭄 예측결과를 가뭄 전망 의사결정 모형에 적용하여 가뭄 전망 결과를 도출하였다. 가뭄 전망 정보는 가뭄 발생, 지속, 종결, 가뭄 없음의 4단계로 구분하였다. 본 연구의 가뭄 전망 결과는 ROC 분석을 통하여 물리적 예측 모형인 다중모형 앙상블(MME)을 활용한 가뭄 전망 결과와 전망 성능을 비교하였다. 그 결과, 2~3개월 가뭄 전망에 대한 가뭄 발생 및 지속의 단계에서는 MME 모형보다 높은 전망성능을 보여주었다.
Unlike other natural disasters, drought is a reoccurring and region-wide phenomenon after being triggered by a prolonged precipitation deficiency. Considering that remote sensing products provide consistent temporal and spatial measurements of precipitation, this study developed a remote sensing dat...
Unlike other natural disasters, drought is a reoccurring and region-wide phenomenon after being triggered by a prolonged precipitation deficiency. Considering that remote sensing products provide consistent temporal and spatial measurements of precipitation, this study developed a remote sensing data-based drought outlook model. The meteorological drought was defined by the Standardized Precipitation Index (SPI) achieved from PERSIANN_CDR, TRMM 3B42 and GPM IMERG images. Bayesian networks were employed in this study to combine the historical drought information and dynamical prediction products in advance of drought outlook. Drought outlook was determined through a decision-making model considering the current drought condition and forecasted condition from the Bayesian networks. Drought outlook condition was classified by four states such as no drought, drought occurrence, drought persistence, and drought removal. The receiver operating characteristics (ROC) curve analysis were employed to measure the relative outlook performance with the dynamical prediction production, Multi-Model Ensemble (MME). The ROC analysis indicated that the proposed outlook model showed better performance than the MME, especially for drought occurrence and persistence of 2- and 3-month outlook.
Unlike other natural disasters, drought is a reoccurring and region-wide phenomenon after being triggered by a prolonged precipitation deficiency. Considering that remote sensing products provide consistent temporal and spatial measurements of precipitation, this study developed a remote sensing data-based drought outlook model. The meteorological drought was defined by the Standardized Precipitation Index (SPI) achieved from PERSIANN_CDR, TRMM 3B42 and GPM IMERG images. Bayesian networks were employed in this study to combine the historical drought information and dynamical prediction products in advance of drought outlook. Drought outlook was determined through a decision-making model considering the current drought condition and forecasted condition from the Bayesian networks. Drought outlook condition was classified by four states such as no drought, drought occurrence, drought persistence, and drought removal. The receiver operating characteristics (ROC) curve analysis were employed to measure the relative outlook performance with the dynamical prediction production, Multi-Model Ensemble (MME). The ROC analysis indicated that the proposed outlook model showed better performance than the MME, especially for drought occurrence and persistence of 2- and 3-month outlook.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서 제시하는 베이지안 네트워크 기반 확률론적 기상학적 가뭄 예측 모형은 과거의 경험적 정보와 물리적 기후 예측 모형의 결과를 결합한 것이다. 가뭄 예측에는 과거에 발생하였던 가뭄 정보와 역학적 모형 기반의 가뭄 예측 결과가 영향을 미치며, 여기에 현재의 가뭄 상태를 추가적으로 고려함으로써 가뭄 예측의 신뢰성을 높이고자 하였다. 해당 관계를 바탕으로 베이지안 네트워크 가뭄 예측 모형을 Fig.
기존의 가뭄지수 중심의 가뭄 예측 모형과 다르게 본 연구는 미래의 가뭄 예측 정보를 수요자 중심 표현 방법인 전망 정보로 제시하기 위한 새로운 방법을 시도하였다. 가뭄 전망을 위해서는 가뭄 예측이 선행되어야 하므로, 가뭄 예측의 불확실성을 고려한 베이지안 네트워크 모형을 활용하여 확률론적 가뭄 예측 모형을 개발하였다.
, 2016). 따라서 본 연구에서는 강수 영상 자료를 최대한 확보하기 위하여 3종류의 강수 자료(PERSIANN_CDR, TRMM 3B42, GPM IMERG)를 결합하여 1983년부터 2017년도까지의 약 35년 기간의 월 강수 자료를 생산하였으며, 이를 바탕으로 SPI를 산정하였다. 기상레이더를 탑재한 TRMM 위성이 발사되기 전에 생산된 정지궤도 위성자료 기반의 강수자료동화 자료인 PERSIANN_CDR를 활용하여 1983년부터의 자료도 확보하였다.
본 연구는 가뭄 전망 결과에 대한 ROC 분석을 실시하여 모형의 성능을 검증하였다. 가뭄 예측을 수행한 대부분의 연구에서는 가뭄의 발생유무만을 활용하여 2 × 2 오차행렬(confusion matrix)로 가뭄 예측모형에 대한 검증을 수행하였다(Son et al.
본 연구에서는 베이지안 네트워크 모형으로 확률론적 기상학적 가뭄 예측 결과 생산하였다. 베이지안 네트워크는 베이즈 정리와 그래프 이론을 결합한 확률모형으로, 노드(node)와 호(arc)로 구성된다.
하지만, 위성 영상은 시공간적으로 다양한 수문기상 및 생태계 현황을 고려할 수 있어, 이를 활용할 수만 있다면 가뭄 예측 성능을 향상시킬 수 있다. 본 연구에서는 위성 영상 기반의 강수자료를 활용하여 기상학적 가뭄의 예측 및 전망을 수행하였다.
예측은 미래 시점에서의 특정 수치를 제시하는 것을 목표로 하나, 전망은 미래의 정보를 일정 기준에 대해서 높고 낮음을 제시하는 것으로, 예측보다 장기간의 미래 정보를 제공하는 것을 목적으로 한다. 미국 CPC에서는 미국 전역에 대한 1개월, 계절 가뭄 전망을 수행하고 있으며, 현재의 가뭄 상태를기준으로 미래의 가뭄 상황을 4단계(가뭄지속, 가뭄이 남아있으나 약해짐, 가뭄이 소멸될 예정, 가뭄이 발생될 예정)로 나누어 전망 정보를 제공하고 있다.
일반적으로 위성 영상은 각각의 격자를 바탕으로 분석이 수행되나, 본 연구에서는 가뭄 관리자들이 가뭄전망 결과를 활용할 수 있도록 우리나라를 116개 중권역 단위로 나누어 분석을 수행하였다. MME 예측 자료의 경우에는 우리나라의 경우 공간적 규모가 작기 때문에 가뭄 예측에 활용하기 위해서는 격자 공간 범위의 예측 결과를 다운스케일링 기법을 통하여 변환해야 한다(Sohn et al.
제안 방법
APCC에서 제공하는 3개월 물리적 예측 모형인 MME3을 활용하여 1∼3개월 예측을 수행하였다.
각각의 위성영상의 강수자료 기간 및 시공간해상도 정보는 Table 1과 같다. PERSIANN_CDR의 TRMM 3B42 강수자료는 GPM IMERG 강수자료와 동일한 공간규모로 통계학적 기법으로 자료 상세화 과정을 거쳤으며, Jang et al. (2017; 2018)에서 가뭄 분석에 활용되었던 일 단위의 위성 영상 기반의 강수자료를 APCC (Asia-Pacific Economic Cooperation Climate Center)에서 제공받아 월 단위로 변환하여 SPI를 산정하였다.
완벽한 예측이 수행되었을 경우에는 비적중률(ROC 곡선의 X축)은 0, 적중률(ROC 곡선의 Y축)은 1이 되며, (0, 1)에 가까울수록 예측성이 좋다고 할 수 있다. ROC 분석을 위하여 작성된 오차 행렬을 활용하여, 정확도(Accuracy, ACC)와 임계성공지수(Critical Success Index, CSI)를 산정하였다.
가뭄 전망은 현재의 가뭄 정보와 확률론적 가뭄 예측 결과를 활용하는 전망 의사결정 기법을 통하여 수행되었으며, 전망 결과는 특정 가뭄지수나, 가뭄 단계가 아닌 가뭄 발생, 지속, 종결과 같은 가뭄의 변화 양상에 대한 정보로 제시되었다. 본 연구에서 개발된 가뭄 전망 모형과 물리적 기후예측 모형 MME3으로 산정된 미래의 가뭄 전망과 비교한 결과 1개월의 단기간의 예측에서는 전체 가뭄 전망단계에서 MME3이 우수하나, 2, 3개월로 가뭄의 전망 기간이 증가할수록 가뭄시작 및 지속에 대해서는 본 모형의 활용성이 높은 것으로 나타났다.
기존의 가뭄지수 중심의 가뭄 예측 모형과 다르게 본 연구는 미래의 가뭄 예측 정보를 수요자 중심 표현 방법인 전망 정보로 제시하기 위한 새로운 방법을 시도하였다. 가뭄 전망을 위해서는 가뭄 예측이 선행되어야 하므로, 가뭄 예측의 불확실성을 고려한 베이지안 네트워크 모형을 활용하여 확률론적 가뭄 예측 모형을 개발하였다. 베이지안 네트워크 모형은 손쉽게 변수들을 추가하거나 제외할 수 있다는 장점을 지닌 통계학적 분석 모형으로, 본 연구에서는 과거의 경험적 가뭄 정보와 물리적 기후예측 모형 MME로 산정된 미래의 가뭄 정보를 결합하여 확률론적 가뭄 예측 모형을 개발하였다.
이 때문에 본 연구에서는 가뭄 발생유무에 대한 검증이 아닌 가뭄전망 결과인 전망 단계를 활용하여 모형에 대한 예측성 검증을 수행하였다. 가뭄 전망의 경우 총 4단계로 구성되나, 가뭄이 발생하지 않는 단계의 검증은 무의미하기 때문에 가뭄 발생, 지속, 종결의 단계에 대해서만 검증을 수행하였다. 따라서 Fig.
가뭄 전망의 단계는 미국의 가뭄 전망 기준을 바탕으로 총 4단계(가뭄 없음, 가뭄 발생, 가뭄 지속, 가뭄 종결)로 구성하였다. 가뭄 전망의 단계별 판단은 현재의 가뭄상태와 추정된 Dn+lt 노드의 누가확률분포를 바탕으로 이루어진다.
가뭄전망 정보 생산을 위하여 확률론적 가뭄 예측을 우선 수행하였다. APCC에서 제공하는 3개월 물리적 예측 모형인 MME3을 활용하여 1∼3개월 예측을 수행하였다.
각각의 자료는 2.5° × 2.5° 격자단위로 4가지(Coupled Pattern Projection Method, Simple Composite Method, Multiple-Regression, Synthetic Super Ensemble)의 결정론적 예측방법으로 제공된다.
, 2018), 이러한 가뭄 전망을 위해서는 가뭄 예측이 선행되어야 한다. 따라서 본 연구에서는 Shin et al. (2016)이 개발한 확률론적 가뭄 예측과 가뭄 전망을 위한 의사결정모형을 위성 영상 기반의 강수자료에 적용하여 가뭄 전망 모형을 개발하였다. 가뭄 전망 의사결정 모형은 현재의 가뭄상황과 미래의 가뭄 발생확률을 비교함으로써 가뭄의 발생, 지속, 종결, 가뭄 없음에 대한 판단을 제공한다.
가뭄 전망을 위해서는 가뭄 예측이 선행되어야 하므로, 가뭄 예측의 불확실성을 고려한 베이지안 네트워크 모형을 활용하여 확률론적 가뭄 예측 모형을 개발하였다. 베이지안 네트워크 모형은 손쉽게 변수들을 추가하거나 제외할 수 있다는 장점을 지닌 통계학적 분석 모형으로, 본 연구에서는 과거의 경험적 가뭄 정보와 물리적 기후예측 모형 MME로 산정된 미래의 가뭄 정보를 결합하여 확률론적 가뭄 예측 모형을 개발하였다. 가뭄 전망을 위하여 산정된 중간산출물인 확률론적 가뭄 예측 결과는 가뭄 관련 업무 종사자들에게 미래의 가뭄 상황에 대한 다양한 가능성의 정보를 제공할 수 있어, 탄력적인 가뭄 대응이 가능하게 된다.
본 연구에서 제시하는 베이지안 네트워크 기반 확률론적 기상학적 가뭄 예측 모형은 과거의 경험적 정보와 물리적 기후 예측 모형의 결과를 결합한 것이다. 가뭄 예측에는 과거에 발생하였던 가뭄 정보와 역학적 모형 기반의 가뭄 예측 결과가 영향을 미치며, 여기에 현재의 가뭄 상태를 추가적으로 고려함으로써 가뭄 예측의 신뢰성을 높이고자 하였다.
각각의 노드에 해당하는 확률분포를 베이지안 네트워크 가뭄 예측 모형에 적용하여 Dn+lt 노드에서는 2008년 2월의 예측 SPI 확률분포가 추정된다. 본 연구에서는 우도 가중 방법으로 확률론적 예측 가뭄 결과를 추론하였으며, 증거 변수에 대하여 관측된 값을 적용하였다.
또한, 일반적으로 가뭄이 발생하지 않은 사상이 가뭄 발생사상보다 많아 가뭄전망 모형 검증 시에 가뭄이 발생하지 않았던 사상들의 예측 유무는 모형의 검증에 영향을 미칠 수 있다. 이 때문에 본 연구에서는 가뭄 발생유무에 대한 검증이 아닌 가뭄전망 결과인 전망 단계를 활용하여 모형에 대한 예측성 검증을 수행하였다. 가뭄 전망의 경우 총 4단계로 구성되나, 가뭄이 발생하지 않는 단계의 검증은 무의미하기 때문에 가뭄 발생, 지속, 종결의 단계에 대해서만 검증을 수행하였다.
이어서, 산정된 예측 1개월 SPI PDF를 상자그림을 활용하여 시계열로 나타낸 뒤, 실제 관측된 SPI과의 변화거동을 비교하였다. Fig.
Drought Monitor (USDM)에서 제공하는 5단계의 가뭄 상태(정상가뭄, 보통가뭄, 심한가뭄, 극한가뭄, 예외적인 가뭄)를 따른다. 이에 본 연구에서는 3개월 이상의 미래 가뭄정보의 제공은 예측보다는 전망이 적합할 것으로 판단하였으며, 앞 절에서 산정된 확률론적 가뭄 예측 결과를 바탕으로 현재의 가뭄 상황을 고려하여 미래의 가뭄 상황을 전망하기 위한 의사결정 모형을 Fig. 2와 같이 개발하였다.
, 2017). 하지만, 본 연구는 위성 영상 기반의 가뭄 전망 모형개발이 주요 목적이기 때문에 특정 다운스케일링 기법을 적용하지 않고 중권역에 해당되는 격자의 예측 아노말리를 과거의 평균값에 적용한 중권역별 MME 예측 결과를 활용하였다.
적중률과 비적중률을 산정하기 위하여 활용된 가뭄전망 단계별 3 × 3 오차행렬은 가뭄 없음의 전망 상황은 제외하고 구성되기 때문에, ‘0’인 경우가 발생된다. 하지만, 전체 중권역에 대하여 동일한 예측 모형을 활용하였으며, ROC 곡선의 작성에는 문제가 없을 것으로 판단되어, 가뭄전망 단계에 대한 검증을 지속하였다. Fig.
가뭄 예측에는 과거에 발생하였던 가뭄 정보와 역학적 모형 기반의 가뭄 예측 결과가 영향을 미치며, 여기에 현재의 가뭄 상태를 추가적으로 고려함으로써 가뭄 예측의 신뢰성을 높이고자 하였다. 해당 관계를 바탕으로 베이지안 네트워크 가뭄 예측 모형을 Fig. 1 과 같이 총 4개의 노드로 구성하였다. 현재의 가뭄 상태(Dn), 과거의 가뭄 정보(HDn+lt), 물리적 모형 기반의 가뭄 예측 결과(MMEDn+lt)가 부모노드이며, 확률론적 가뭄 예측 결과(Dn+lt)는 자식노드가 된다.
대상 데이터
기상레이더를 탑재한 TRMM 위성이 발사되기 전에 생산된 정지궤도 위성자료 기반의 강수자료동화 자료인 PERSIANN_CDR를 활용하여 1983년부터의 자료도 확보하였다. 1998년 TRMM 위성이 발사된 이후에는 TRMM에서 생산되는 강수자료를 활용하였으며, 2014년 TRMM 후속 위성인 GPM을 핵심위성으로 하는 다중 위성자료를 기반의 GPM IMERG (Integrated Multi- satellitE Retrievals for GPM)를 활용하여 장기간의 강수자료를 확보하였다. 각각의 위성영상의 강수자료 기간 및 시공간해상도 정보는 Table 1과 같다.
MME 예측 자료는 10개국의 주요 기후센터 및 연구기관이 17개 물리적 예측 모형의 강수량, 온도뿐만 아니라 고도를 포함한 8개 기상변수들을 MME 기법으로 1∼3개월(MME3)과 1∼6개월(MME6)에 대한 예측 아노말리(anomaly)를 제공한 것이다.
따라서 본 연구에서는 강수 영상 자료를 최대한 확보하기 위하여 3종류의 강수 자료(PERSIANN_CDR, TRMM 3B42, GPM IMERG)를 결합하여 1983년부터 2017년도까지의 약 35년 기간의 월 강수 자료를 생산하였으며, 이를 바탕으로 SPI를 산정하였다. 기상레이더를 탑재한 TRMM 위성이 발사되기 전에 생산된 정지궤도 위성자료 기반의 강수자료동화 자료인 PERSIANN_CDR를 활용하여 1983년부터의 자료도 확보하였다. 1998년 TRMM 위성이 발사된 이후에는 TRMM에서 생산되는 강수자료를 활용하였으며, 2014년 TRMM 후속 위성인 GPM을 핵심위성으로 하는 다중 위성자료를 기반의 GPM IMERG (Integrated Multi- satellitE Retrievals for GPM)를 활용하여 장기간의 강수자료를 확보하였다.
베이지안 네트워크 가뭄 예측 모형에서 APCC에서 제공하는 MME 예측 자료를 활용하였다. MME 예측 자료는 10개국의 주요 기후센터 및 연구기관이 17개 물리적 예측 모형의 강수량, 온도뿐만 아니라 고도를 포함한 8개 기상변수들을 MME 기법으로 1∼3개월(MME3)과 1∼6개월(MME6)에 대한 예측 아노말리(anomaly)를 제공한 것이다.
5° 격자단위로 4가지(Coupled Pattern Projection Method, Simple Composite Method, Multiple-Regression, Synthetic Super Ensemble)의 결정론적 예측방법으로 제공된다. 본 연구에서는 결정론적 MME 예측 자료 중 가장 널리 활용되는 SCM (Simple Composite Method) 예측 결과를 ADSS (APCC Data Service System, http://adss.apcc21.org)에서 제공받아 활용하였다.
본 연구에서는 현재 시점을 기준으로 2007년 12월부터 2017년 12월까지의 1∼3개월 가뭄 예측 및 전망 결과를 생산하였다.
본 연구에서는 위성 영상을 활용한 가뭄 예측시 발생할 수 있는 불확실성을 반영하기 위하여 베이지안 네트워크 모형을 활용하였다. 여기에 TRMM (Tropical Rainfall Measurement Mission)과 GPM (Global Precipitation Measurement) 그리고 PERSIANN-CDR (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record)을 활용하여 구축된 장기간의 위성영상 기반의 강수자료를 활용하였다.
이론/모형
기상학적 가뭄의 판단은 강수량만으로 계산되는 표준강수지수(SPI)를 활용하였다. SPI는 월강수량을 일정 개월 수(3, 6, 12 개월 등) 만큼 누적시킨 뒤 감마(Gamma) 분포에 적용하여 정규분포로 변환하는 과정을 거쳐서 생산된다.
, 2017). 따라서 본 연구에서는 다양한 가뭄 예측 기법 중에서도 베이지안 네트워크(Bayesian networks)를 활용하여 가뭄 예측을 수행하였다. 베이지안 네트워크는 조건부 확률모형을 활용하여 변수들 사이의 인과관계와 불확실성을 정량적으로 나타낼 수 있는 모형으로 최근 다양한 연구자들이 가뭄 분석 및 예측에 적용하고 있다.
본 연구에서는 위성 영상을 활용한 가뭄 예측시 발생할 수 있는 불확실성을 반영하기 위하여 베이지안 네트워크 모형을 활용하였다. 여기에 TRMM (Tropical Rainfall Measurement Mission)과 GPM (Global Precipitation Measurement) 그리고 PERSIANN-CDR (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record)을 활용하여 구축된 장기간의 위성영상 기반의 강수자료를 활용하였다.
베이지안 네트워크에서의 사후확률분포는 추론 알고리즘으로 추정한다. 추론 알고리즘으로는 likelihood weighting, rejection sampling, Gibbs sampling 방법 등이 있으며, 본 연구에서는 적용 방법이 비교적 간단하며, 노드의 형태가 연속형 확률분포일 경우에도 사후확률분포의 추정이 가능한 우도 가중(likelihood weighting) 방법을 적용하였다. 예를 들어, 두 개의 확률변수 E와 Y를 이용하여 베이지안 네트워크를 구성하고, E는 Y의 부모노드, Y는 E의 자식노드라 가정하면, 우도 가중 방법은 증거(evidence) 변수를 고정한 채로, 비증거(nonevidence) 변수의 샘플링을 수행한다(Russell and Norvig, 1995).
성능/효과
가뭄 단계별로 검토할 경우, 1개월 전망 시에는 전 단계에서 MME3의 AUC 점수가 높았으며, 2, 3개월의 경우에는 가뭄시작 및 가뭄지속 단계에서 BN 모형의 AUC 점수가 0.007∼0.04 정도 높았다.
8(a))이 가장 예측성이 좋게 나타났다. 각각의 가뭄 단계 중에서도 가뭄 지속단계(파란색곡선)에 대한 예측성이 가장 우수하며, 가뭄 종결이 낮게 산정되었다. ROC 곡선과 원점(0,0) 그리고 오른쪽 아래 꼭지점(1,0)으로 이루어진 면적을 Area Under the Curve (AUC) 점수라고 하며, AUC 점수가 1.
가뭄 전망을 위하여 산정된 중간산출물인 확률론적 가뭄 예측 결과는 가뭄 관련 업무 종사자들에게 미래의 가뭄 상황에 대한 다양한 가능성의 정보를 제공할 수 있어, 탄력적인 가뭄 대응이 가능하게 된다. 단기간의 예측에서는 전체 가뭄 전망단계에서 MME3이 우수하나, 2, 3개월로 가뭄의 전망 기간이 증가할수록 가뭄시작 및 지속에 대해서는 본 모형의 활용성이 높은 것으로 나타났다. MME6의 자료의 경우 자료 제공기간이 2014년부터로 자료의 가뭄전망을 수행하더라도 전망 결과의 검증기간이 짧아 본 연구에서는 수행하지 않았으나, 3개월 이상의 더 오랜 장기간의 가뭄 전망에도 본 연구의 모형을 활용한 가뭄전망에 활용성이 높을 것으로 판단된다.
대부분의 수치들이 가뭄 발생 및 지속에서는 예측성이 좋은 값에 가까운 값이 산정되었으며, 가뭄 종결에서는 다른 가뭄 단계들 보다는 낮은 값들이 나왔다. 또한, 가뭄 종결의 단계에서는 예측성이 좋지 않은 수치에 가깝게 제시되었으며, 이는 곧 본 연구에서 제시한 가뭄 전망 모형의 경우, 가뭄 종결 단계에 대한 예측성이 낮다는 것을 의미한다.
5 이상으로 유의한 수준의 가뭄 전망을 수행한 것으로 판단된다. 또한, 물리적 예측 모형인 MME3만을 활용한 가뭄 전망과 비교한 결과, 1개월 전망은 MME3이 우수하지만, 2, 3 개월 전망은 본 연구에서 제시한 모형이 AUC 점수가 높은 가뭄 단계가 많이 나타났다. 가뭄 단계별로 검토할 경우, 1개월 전망 시에는 전 단계에서 MME3의 AUC 점수가 높았으며, 2, 3개월의 경우에는 가뭄시작 및 가뭄지속 단계에서 BN 모형의 AUC 점수가 0.
본 연구에서 개발된 가뭄 전망 모형과 물리적 기후예측 모형 MME3으로 산정된 미래의 가뭄 전망과 비교한 결과 1개월의 단기간의 예측에서는 전체 가뭄 전망단계에서 MME3이 우수하나, 2, 3개월로 가뭄의 전망 기간이 증가할수록 가뭄시작 및 지속에 대해서는 본 모형의 활용성이 높은 것으로 나타났다.
Table 3에는 1개월에서 3개월 전망에 대해서 본 연구에서 제시한 모형(Table 3에서 BN)과 MME3 예측값을 활용한 가뭄 전망의 AUC 점수를 제시하였다. 본 연구에서 제시한 모형은 AUC 점수가 모두 0.5 이상으로 유의한 수준의 가뭄 전망을 수행한 것으로 판단된다. 또한, 물리적 예측 모형인 MME3만을 활용한 가뭄 전망과 비교한 결과, 1개월 전망은 MME3이 우수하지만, 2, 3 개월 전망은 본 연구에서 제시한 모형이 AUC 점수가 높은 가뭄 단계가 많이 나타났다.
즉, 예측 SPI PDF를 누적시켜 가뭄 예측 누가확률분포함수 (cumulative distribution function, CDF)를 만들어 SPI가 –1.0 때의 누가확률값이 0.5 이상이면 미래에 가뭄이 발생될 것으로, 0.5 이하이면 발생이 되지 않을 것으로 전망한다.
후속연구
단기간의 예측에서는 전체 가뭄 전망단계에서 MME3이 우수하나, 2, 3개월로 가뭄의 전망 기간이 증가할수록 가뭄시작 및 지속에 대해서는 본 모형의 활용성이 높은 것으로 나타났다. MME6의 자료의 경우 자료 제공기간이 2014년부터로 자료의 가뭄전망을 수행하더라도 전망 결과의 검증기간이 짧아 본 연구에서는 수행하지 않았으나, 3개월 이상의 더 오랜 장기간의 가뭄 전망에도 본 연구의 모형을 활용한 가뭄전망에 활용성이 높을 것으로 판단된다.
04 정도 높았다. 따라서 본 모형이 가뭄이 발생되고 지속되는 상황에서 활용성이 높을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
베이지안 네트워크이란 무엇인가?
따라서 본 연구에서는 다양한 가뭄 예측 기법 중에서도 베이지안 네트워크(Bayesian networks)를 활용하여 가뭄 예측을 수행하였다. 베이지안 네트워크는 조건부 확률모형을 활용하여 변수들 사이의 인과관계와 불확실성을 정량적으로 나타낼 수 있는 모형으로 최근 다양한 연구자들이 가뭄 분석 및 예측에 적용하고 있다. Madadgar and Moradkhani (2014)은 Precipitation Runoff Modeling System (PRMS) 기반의 유출량 자료로 Standardized Runoff Index (SRI)를 산정하고 베이지안 네트워크를 이용하여 수문학적 가뭄의 예측을 수행하였다.
가뭄 예측 중 불확실성을 내포한 기법의 한계점은 무엇인가?
아직까지 위성 영상은 지점자료보다 높은 불확실성을 내포하고 있어 확률론적 예측이 수행되어야 한다. 불확실성을 포함한 가뭄 예측으로는 앙상블(ensemble) 기법이 널리 활용되고 있으나, 정상성(stationarity)이라는 가정 아래 과거의 정보만을 이용하여 예측결과를 생산한다는 한계를 지니고 있다(Milly et al., 2008; Pathiraja et al.
가뭄의 발생원인은 무엇인가?
가뭄은 강수의 부족이 주요 원인이지만, 강수, 토양 수분, 대기온도, 증발산 등 다양한 수문기상학적 인자들이 복합적으로 작용하여 발생된다. 가뭄은 홍수와 다르게 진행속도가 느리기 때문에 초기에 가뭄의 발생가능성 및 지속가능성을 예측한다면 그로 인한 피해를 크게 줄일 수 있다.
참고문헌 (33)
AghaKouchak, A., Farahmand, A., Melton, F. S., Teixeira, J., Anderson, M. C., Wardlow, B. D., and Hain, C. R. (2015). "Remote sensing of drought: progress, challenges and opportunities." Reviews of Geophysics, Vol. 53, No. 2, pp. 452-480.
Aviles, A., Celleri, R., Solera, A., and Paredes, J. (2016). "Probabilistic forecasting of drought events using markov chain-and bayesian network-based models: a case study of an andean regulated river basin." Water, Vol. 8, No. 2, pp. 1-37.
De Jesus, A., Brena-Naranjo, J. A., Pedrozo-Acuna, A., and Yamanaka, V. H. A. (2016). "The use of TRMM 3B42 product for drought monitoring in Mexico." Water, Vol. 8, No. 8, pp. 325.
De Linage, C., Famiglietti, J. S., and Randerson, J. T. (2014). "Statistical prediction of terrestrial water storage changes in the Amazon Basin using tropical Pacific and North Atlantic sea surface temperature anomalies." Hydrology and Earth System Sciences, Vol. 18, No. 6, pp. 2089-2102.
Hao, Z., Singh, V. P., and Xia, Y. (2018). "Seasonal drought prediction: advances, challenges, and future prospects." Reviews of Geophysics, Vol. 56, No. 1, pp. 108-141.
Jang, S., Rhee, J., Yoon, S., Lee, T., and Park, K. (2017). "Evaluation of GPM IMERG applicability using SPI based satellite precipitation." Journal of the Korean Society of Agricultural Engineer, Vol. 59, No. 3, pp. 29-39.
Jang, S., Yoon, S., Lee, S., Lee, T., and Park, K. (2018). "Evaluation of drought monitoring using satellite precipitation for un-gaged basins." Journal of the Korean Society of Agricultural Engineer, Vol. 60, No. 2, pp. 55-63.
Jeong, M.-S., Kim, J.-S., Jang, H.-W., and Lee, J.-H. (2016). "ROC evaluation for MLP ANN drought forecasting model." Journal of Korea Water Association, Vol. 49, No. 10, pp. 877-885.
Kim, T. W., and Valdes, J. B. (2003). "Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks." Journal of Hydrologic Engineering, Vol. 8, No. 6, pp. 319-328.
Lee, J. H., Jeong, S. M., Kim, J. H., and Ko, Y. S. (2006). "Development of drought monitoring system: II. Quantitative drought monitoring and drought outlook methodology." Journal of Korea Water Resources Association, Vol. 39, No. 9, pp. 801-812.
Liu, W., and Juarez, R. N. (2001). "ENSO drought onset prediction in northeast Brazil using NDVI." International Journal of Remote Sensing, Vol. 22, No. 17, pp. 3483-3501.
Lui, Z., Lu, G., He, H., Wu, Z., and He, J. (2018). "A conceptual prediction model for seasonal drought processes using atmospheric and oceanic standardized anomalies: application to regional drought processes in China." Hydrology and Earth System Sciences, Vol. 22, No. 1, pp. 529-546.
Madadgar, S., AghaKouchak, A., Shukla, S., Wood, A. W., Cheng, L., Hsu, K. L., and Svoboda, M. (2016). "A hybrid statistical dynamical framework for meteorological drought prediction: application to the southwestern United States." Water Resources Research, Vol. 52, No. 7, pp. 5095-5110.
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, No. 5863, pp. 573-574.
Mishra, A. K., and Desai, V. R. (2005). "Drought forecasting using stochastic models." Stochastic Environmental Research and Risk Assessment, Vol. 19, No. 5, pp. 326-339.
Mishra, A., Desai, V., and Singh, V. (2007). "Drought forecasting using a hybrid stochastic and neural network model." Journal of Hydrologic Engineering, Vol. 12, No. 6, pp. 626-638.
Morid, S., Smakhtin, V., and Bagherzadeh, K. (2007). "Drought forecasting using artificial neural networks and time series of drought indices." International Journal of Climatology, Vol. 27, No. 15, pp. 2103-2111.
Mwangi, E., Wetterhall, F., Dutra, E., Di Giuseppe, F., and Pappenberger, F. (2014). "Forecasting droughts in East Africa." Hydrology and Earth System Sciences, Vol. 18, No. 2, pp. 611-620.
Nam, W.-H., Tadesse, T., Wardlow, B. D., Jang, M.-W., and Hong, S.-Y. (2015). "Satellite-based hybrid drought assessment using vegetation drought response index in South Korea (VegDRISKorea)." Journal of the Korean Society of Agricultural Engineers, Vol. 57, No. 4, pp. 1-9.
Pathiraja, S., Marshall, L., Sharma, A., and Moradkhani, H. (2016). "Detecting non-stationary hydrologic model parameters in a paired catchment system using data assimilation." Advances in Water Resources, Vol. 94, pp. 103-119.
Rhee, J., Im, J., and Kim, J. (2014). "Hydrological drought assessment and monitoring based on remote sensing for ungauged area." Korean Journal of Remote Sensing, Vol. 30, No. 4, pp. 525-536.
Russell, S. and Norvig, P. (1995). Artificial intelligence: a modern approach. Englewood Cliff, Prentice Hall.
Shin, J. Y., Ajmal, M., Yoo, J., and Kim, T.-W. (2016). "A Bayesian network-based probabilistic framework for drought forecasting and outlook." Advances in Meteorology, Vol. 2016, No. 9472605, pp. 1-10.
Shin, J. Y., Kwon, H.-H., Lee, J.-H., and Kim, T.-W. (2017). "Bayesian networks-based probabilistic forecasting of hydrological drought considering drought propagation." Journal of Korea Water Resources Association, Vol. 50, No. 11, pp. 769-779.
Sohn, S. J., Ahn, J. B., and Tam, C. Y. (2013a). "Six month-lead downscaling prediction of winter to spring drought in South Korea based on a multimodel ensemble." Geophysical Research Letters, Vol. 40, No. 3, pp. 579-583.
Sohn, S. J., Min, Y. M., Lee, J. Y., Tam, C. Y., Kang, I. S., Wang, B., Ahn, J. B., and Yamagata, T. (2012). "Assessment of the long-lead probabilistic prediction for the Asian summer monsoon precipitation (1983-2011) based on the APCC multimodel system and a statistical model." Journal of Geophysical Research, Vol. 117, No. D4, pp. 1-12.
Sohn, S. J., Tam, C. Y., and Ahn, J. B. (2013b). "Development of a multimodel-based seasonal prediction system for extreme droughts and floods: a case study for South Korea." International Journal of Climatology, Vol. 33, No. 4, pp. 793-805.
Tadesse, T., Demisse, G. B., Zaitchik, B., and Dinku, T. (2014). "Satellite-based hybrid drought monitoring tool for prediction of vegetation condition in eastern Africa: a case study for Ethiopia." Water Resources Research, Vol. 50, No. 3, pp. 2176-2190.
Yan, H., Moradkhani, H., and Zarekarizi, M. (2017). "A probabilistic drought forecasting framework: a combined dynamical and statistical approach." Journal of Hydrology, Vol. 548, pp. 291-304.
Yoon, J. H., Mo, K., and Wood, E. F. (2012). "Dynamic-modelbased seasonal prediction of meteorological drought over the contiguous United States." Journal of Hydrometeorology, Vol. 13, No. 2, pp. 463-482.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.