GNSS 가강수량 추정시 건조 지연 모델에 의한 복원 정밀도 해석 Retrieval Biases Analysis on Estimation of GNSS Precipitable Water Vapor by Tropospheric Zenith Hydrostatic Models원문보기
GNSS를 이용한 가강수량 복원에 있어서 가중 평균 기온과 더불어 천정건조 지연 모델은 가강수량의 정확도에 중요한 매개변수 중 하나이다. 천정 습윤 지연은 천정 건조 지연 모델의 오차가 축적되는 경향을 가지고 있으므로, 천정 건조 지연의 편의량은 GNSS 가강수량의 정확도에 영향을 미치게 된다. 본 연구에서는 Saastamoinen, Hopfield 및 Black의 세 가지 천정 건조 지연 모델을 이용하여 GNSS 가강수량을 산출하고 라디오존데 가강수량과의 정확도를 비교하였다. 그리고 이 과정에서 가강수량 산출에 필요한 가중 평균 기온을 한국형 가중 평균 기온 모델과 라디오존데로부터 실제로 관측한 가중 평균 기온을 각각 적용하여 다르게 평가하였다. 이를 위해 국내 상시관측소 5개소의 1년 분량의 GNSS 관측데이터를 취득한 후 천정 건조 지연 모델별로 가강수량을 산출하고 정밀도를 분석하였다. 분석 결과, 한국형 가중 평균 기온 모델에 기반하여 복원한 GNSS 가강수량이 라디오존데의 가중 평균 기온을 적용한 것보다 편의량이 작은 것으로 확인되었다. 또한, GNSS 기상에서 널리 적용하고 있는 Saastamoinen 모델은 우리나라 관측소의 위도나 고도에 의한 편의량이 발생하여 가장 유효한 모델이 아닐 가능성이 있음을 확인하였다.
GNSS를 이용한 가강수량 복원에 있어서 가중 평균 기온과 더불어 천정 건조 지연 모델은 가강수량의 정확도에 중요한 매개변수 중 하나이다. 천정 습윤 지연은 천정 건조 지연 모델의 오차가 축적되는 경향을 가지고 있으므로, 천정 건조 지연의 편의량은 GNSS 가강수량의 정확도에 영향을 미치게 된다. 본 연구에서는 Saastamoinen, Hopfield 및 Black의 세 가지 천정 건조 지연 모델을 이용하여 GNSS 가강수량을 산출하고 라디오존데 가강수량과의 정확도를 비교하였다. 그리고 이 과정에서 가강수량 산출에 필요한 가중 평균 기온을 한국형 가중 평균 기온 모델과 라디오존데로부터 실제로 관측한 가중 평균 기온을 각각 적용하여 다르게 평가하였다. 이를 위해 국내 상시관측소 5개소의 1년 분량의 GNSS 관측데이터를 취득한 후 천정 건조 지연 모델별로 가강수량을 산출하고 정밀도를 분석하였다. 분석 결과, 한국형 가중 평균 기온 모델에 기반하여 복원한 GNSS 가강수량이 라디오존데의 가중 평균 기온을 적용한 것보다 편의량이 작은 것으로 확인되었다. 또한, GNSS 기상에서 널리 적용하고 있는 Saastamoinen 모델은 우리나라 관측소의 위도나 고도에 의한 편의량이 발생하여 가장 유효한 모델이 아닐 가능성이 있음을 확인하였다.
ZHD (Zenith Hydrostatic Delay) model is important parameter in estimating of GNSS (Global Navigation Satellite System) PWV (Precipitable Water Vapor) along with weighted mean temperature. The ZWD (Zenith Wet Delay) is tend to accumulate the ZHD error, so that biases from ZHD will be affected on the ...
ZHD (Zenith Hydrostatic Delay) model is important parameter in estimating of GNSS (Global Navigation Satellite System) PWV (Precipitable Water Vapor) along with weighted mean temperature. The ZWD (Zenith Wet Delay) is tend to accumulate the ZHD error, so that biases from ZHD will be affected on the precision of GNSS PWV. In this paper, we compared the accuracy of GNSS PWV with radiosonde PWV using three ZHD models, such as Saastamoinen, Hopfield, and Black. Also, we adopted the KWMT (Korean Weighted Mean Temperature) model and the mean temperature which was observed by radiosonde on the retrieval processing of GNSS PWV. To this end, GNSS observation data during one year were processed to produce PWVs from a total of 5 GNSS permanent stations in Korea, and the GNSS PWVs were compared with radiosonde PWVs for the evaluating of biases. The PWV biases using mean temperature estimated by the KWMT model are smaller than radiosonde mean temperature. Also, we could confirm the result that the Saastamoinen ZHD which is most used in the GNSS meteorology is not valid in South Korea, because it cannot be exclude the possibility of biases by latitude or height of GNSS station.
ZHD (Zenith Hydrostatic Delay) model is important parameter in estimating of GNSS (Global Navigation Satellite System) PWV (Precipitable Water Vapor) along with weighted mean temperature. The ZWD (Zenith Wet Delay) is tend to accumulate the ZHD error, so that biases from ZHD will be affected on the precision of GNSS PWV. In this paper, we compared the accuracy of GNSS PWV with radiosonde PWV using three ZHD models, such as Saastamoinen, Hopfield, and Black. Also, we adopted the KWMT (Korean Weighted Mean Temperature) model and the mean temperature which was observed by radiosonde on the retrieval processing of GNSS PWV. To this end, GNSS observation data during one year were processed to produce PWVs from a total of 5 GNSS permanent stations in Korea, and the GNSS PWVs were compared with radiosonde PWVs for the evaluating of biases. The PWV biases using mean temperature estimated by the KWMT model are smaller than radiosonde mean temperature. Also, we could confirm the result that the Saastamoinen ZHD which is most used in the GNSS meteorology is not valid in South Korea, because it cannot be exclude the possibility of biases by latitude or height of GNSS station.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 GNSS 해석 소프트웨어를 통해 산출한 대류권의 총 지연으로부터 선험적 연구결과로 도출된 건조 지연모델들로 계산한 건조 지연량을 통해 산출한 GNSS 가강수량이 갖는 천정 방향에 대한 편의량을 해석하고자 하였다. 다시 말해 건조 지연 모델별로 GNSS 가강수량을 복원하는 경우와 실제 대기의 가중 평균 기온 관측값을 적용하여 가강수량을 복원하였을 경우에 그 편차의 발생 정도를 검토함으로써 우리나라에 유효한 건조 지연 모델을 확인하고자 한다.
본 논문에서는 GNSS 해석 소프트웨어를 통해 산출한 대류권의 총 지연으로부터 선험적 연구결과로 도출된 건조 지연모델들로 계산한 건조 지연량을 통해 산출한 GNSS 가강수량이 갖는 천정 방향에 대한 편의량을 해석하고자 하였다. 다시 말해 건조 지연 모델별로 GNSS 가강수량을 복원하는 경우와 실제 대기의 가중 평균 기온 관측값을 적용하여 가강수량을 복원하였을 경우에 그 편차의 발생 정도를 검토함으로써 우리나라에 유효한 건조 지연 모델을 확인하고자 한다.
제안 방법
GNSS 가강수량은 강릉, 수원, 포항, 광주, 제주 GNSS 상시관측소의 총 1년간(2014년 1월 1일~12월 31일)의 GNSS RINEX (Receiver Independent Exchange Format) 데이터와 IGS에서 다운로드한 정밀 궤도력을 바탕으로 GNSS 정밀 해석을 통해 천정 총 지연량을 산출하였다. 또한, GNSS 가강수량 복원에 필요한 기온, 기압 등의 정보는 기상청에서 10분 간격의 관측자료를 획득하여 사용하였다.
Schüler(2001)는 IGS(International GNSS Service)에서 제공되고 있는 GPS 상시관측소의 천정 지연량을 이용하여 Hopfeild, Mendes 그리고 MOPS 습윤 지연량을 비교하였고, 대류권 건조 지연 모델의 정확도를 추정하였다.
각 지역별로 3가지 천정 건조 지연모델과 이종의 가중 평균 기온을 통하여 구해진 PWVS, PWVH, PWVB, PWVSr, PWVHr, PWVBr과 편의량(ΔPWV) 비교를 위해 라디오존데 데이터를 통해 계산한 PWVR간에 차이를 계산하였다.
본 연구에서는 GNSS를 이용한 가강수량 추정에 있어서 필수적인 천정 건조 지연 모델에 대해 우리나라에 적용할 경우, 가강수량 추정의 편의량을 해석하기 위하여 세 가지 건조 지연 모델을 적용하였다. 그리고 관측소 지역의 라디오존데로 실측한 평균 기온과 장기간 기상 자료를 선형 회귀 분석하여 구한 한국형 가중 평균 기온 모델을 각각 적용하였을 경우, 가강수량 추정의 편의량과 정확도 분석을 수행하여 다음의 결론을 얻을 수 있었다.
또한, GNSS 가강수량 복원에 필요한 기온, 기압 등의 정보는 기상청에서 10분 간격의 관측자료를 획득하여 사용하였다. 기상 관측자료를 이용하여 Saastamoinen, Hopfield, Black 세 모델로부터 천정건조 지연을 산출하고, GNSS 해석을 통해 산출한 총 지연량으로부터 건조 지연량을 감하여 ZWDS, ZWDH, ZWDB 등 총 3가지의 천정 습윤 지연량을 산출하였다. 이렇게 산출된 천정 습윤 지연량으로부터 가강수량으로의 복원은 Bevis et al.
다음은 한국형 가중 평균 기온 모델의 선형 관계를 통해 구한 평균 기온도 가강수량 평가에 영향을 미칠 수 있으므로 실제 관측소 주변의 평균 기온을 적용하여 가강수량을 추가로 산출하였다. 총 지연량과 건조 지연량을 계산하는 방법은 전술한 바와 동일하다.
본 연구에서는 GNSS를 이용한 가강수량 추정에 있어서 필수적인 천정 건조 지연 모델에 대해 우리나라에 적용할 경우, 가강수량 추정의 편의량을 해석하기 위하여 세 가지 건조 지연 모델을 적용하였다. 그리고 관측소 지역의 라디오존데로 실측한 평균 기온과 장기간 기상 자료를 선형 회귀 분석하여 구한 한국형 가중 평균 기온 모델을 각각 적용하였을 경우, 가강수량 추정의 편의량과 정확도 분석을 수행하여 다음의 결론을 얻을 수 있었다.
(4)와 같은 건조 지연 모델을 제안하였다. 세 가지의 건조 지연 모델의 지연량 단위는 mm이며, 건조 지연량을 표시하는 ZHD에 각 모델을 제시한 학자 성을 따서 편의상 지연 모델의 이름을 구분하였다.
각 데이터는 각 지역별로 3장에서 서술한 바와 같이 6종류의 가강수량으로 복원하였다. 지역별로 복원된 6개의 가강수량(PWVS, PWVSr, PWVH, PWVHr, PWVB, PWVBr)과 라디오존데 가강수량(PWVR)의 차이를 계산하고, 각 관측 차이에 대한 통계 분석을 실시하였다. 이 과정에서 두 관측값의 통계 분석 신뢰성을 확보하기 위하여 비교 대상 가강수량 차이별로 그 크기가 3σ이상 발생하는 과대편차가 발생한 추정값이나 관측값은 제거하였다.
대상 데이터
대류권 건조 지연 모델 적용에 따라 GNSS 가강수량의 편의량을 분석하기 위해서 검정 자료로서는 현실적으로 우리나라에 이용 가능한 고층기상관측기기인 라디오존데의 데이터를 이용하여 계산된 라디오존데 가강수량을 이용하였다. 5개 지역의 GNSS 가강수량 데이터는 261,922개, 라디오존데 가강수량 데이터는 5,253개로 집계되었다. GNSS 가강수량과 라디오존데 가강수량이 동일한 시간에 관측된 데이터는 총 5,216개로 편의량 해석에 있어 부족하지 않은 자료라고 본다.
5개 지역의 GNSS 가강수량 데이터는 261,922개, 라디오존데 가강수량 데이터는 5,253개로 집계되었다. GNSS 가강수량과 라디오존데 가강수량이 동일한 시간에 관측된 데이터는 총 5,216개로 편의량 해석에 있어 부족하지 않은 자료라고 본다. 각 데이터는 각 지역별로 3장에서 서술한 바와 같이 6종류의 가강수량으로 복원하였다.
이 과정에서 두 관측값의 통계 분석 신뢰성을 확보하기 위하여 비교 대상 가강수량 차이별로 그 크기가 3σ이상 발생하는 과대편차가 발생한 추정값이나 관측값은 제거하였다. 다섯 지역 중 과대편차가 크게 나타난 지역은 광주이며, 과대편차를 제거함으로써 총 데이터(1,438)의 9.18%인 132개의 데이터가 제거되었다. 제주도는 총 데이터(782)의 5.
대류권 건조 지연 모델 적용에 따라 GNSS 가강수량의 편의량을 분석하기 위해서 검정 자료로서는 현실적으로 우리나라에 이용 가능한 고층기상관측기기인 라디오존데의 데이터를 이용하여 계산된 라디오존데 가강수량을 이용하였다. 5개 지역의 GNSS 가강수량 데이터는 261,922개, 라디오존데 가강수량 데이터는 5,253개로 집계되었다.
GNSS 가강수량은 강릉, 수원, 포항, 광주, 제주 GNSS 상시관측소의 총 1년간(2014년 1월 1일~12월 31일)의 GNSS RINEX (Receiver Independent Exchange Format) 데이터와 IGS에서 다운로드한 정밀 궤도력을 바탕으로 GNSS 정밀 해석을 통해 천정 총 지연량을 산출하였다. 또한, GNSS 가강수량 복원에 필요한 기온, 기압 등의 정보는 기상청에서 10분 간격의 관측자료를 획득하여 사용하였다. 기상 관측자료를 이용하여 Saastamoinen, Hopfield, Black 세 모델로부터 천정건조 지연을 산출하고, GNSS 해석을 통해 산출한 총 지연량으로부터 건조 지연량을 감하여 ZWDS, ZWDH, ZWDB 등 총 3가지의 천정 습윤 지연량을 산출하였다.
위도 30도 이상부터 두 모델의 차이는 2mm 이상으로 벌어졌으며, 위도 80도 이상에서는 9mm 이상의 차이도 나타냈다. 본 연구 대상지에서도 Saastamoinen 모델이 정확한 결과를 보이는 지역은 다른 세 지역보다 높은 위도에 있는 강릉과 수원이었다.
경험적 건조 지연량을 산출하기 위해서 GNSS 상시관측소와 인접한 AWS 기상정보의 취득이 필요하다. 본 연구에서는 전국의 라디오존데 지점 중 5지점(속초, 포항, 오산, 광주, 고산)과 인접하는 지역 중에서 국토지리정보원의 GNSS 상시관측소 5개 지점(관측소명 : KANR, WOLS, SUWN, KWNJ, CHJU), 기상청의 AWS 5개소(지점번호 : 104, 152, 119, 156, 184)를 대상지로 선정하였다. Fig.
광주에서 다른 지역의 2∼3배 가량인 100개 이상의 데이터가 제거되었지만, 하루 2회의 라디오존데 관측이 이뤄지는 타 지역과 비교했을 때, 하루 4회의 라디오존데 관측이 실시되어 확보한 총 데이터 셋이 다른 지역보다 많으므로 통계 분석을 위한 자료 손실은 크지 않다고 판단된다. 종합적으로 다섯 지역에서 과대편차로 제거된 데이터는 총 데이터 수인 5,216에 대비하여 261개이다.
이론/모형
이렇게 산출된 천정 습윤 지연량으로부터 가강수량으로의 복원은 Bevis et al.(1994)가 제시한 일련의 과정을 따랐으며, 이 과정에서 가강수량 복원에 있어 중요한 평균기온 산출은 Song and Grejner-Brzezinska(2009)가 제시한 한국형 가중 평균 기온(KWMT)모델을 적용하여 지상 기온을 토대로 평균 기온을 산출하여 적용하였다. 이렇게 산출한 가강수량은 편의상 Eq.
본 연구에서 검토한 천정 건조 지연 모델은 매우 높은 정확도로 GNSS 기상 기술 부분에서 가장 많이 사용되는 Saastamoinen 모델과 전 세계 라디오존데 데이터를 이용하여 고도에 따른 굴절률 변화를 표현한 Hopfield 모델, 그리고 Hopfield 모델을 이용하여 좀 더 편리한 방법으로 계산이 가능하며 관측소 기압과 기온 정보만으로 건조 지연량이 산출이 가능한 Black 모델을 이용하였다(Saastamoinen, 1973; Hopfield, 1971; Black, 1978). Hopfield와 Saastamoinen 모델은 건조 대기를 유체 정역학적인 평형상태로 가정하고 높이의 함수로 이뤄진 중력가속도와 공기 밀도를 활용하여 건조굴절식을 산출하는 과정이 유사하다.
성능/효과
두 평균 기온을 적용하여 구한 GNSS 가강수량과 라디오존데 가강수량의 표준편차는 한국형 가중 평균 기온 모델을 이용하여 복원한 결과에서는 Hopfield와 Black 모델이, 라디오존데 평균 기온을 적용할 경우에는 Black 모델이 다소 좋은 결과를 보였다. RMSE (Root Mean Square Error)에 대한 모든 지역을 통합하여 평가한 결과에서는 Hopfield 건조 지연모델을 적용한 결과가 가장 정확한 것으로 나타났다. 건조 지연 모델에 대한 추가적인 분석은 지역별로 나눠서 다음에 분석하고자 하였다.
그러나 GNSS 가강수량 정확도 평가와 밀접한 관계가 있는 RMSE는 지역마다 다른 차이가 있는 것으로 도출되었다. 광주, 제주, 그리고 울산 지역에서는 Hopfield 모델이 RMSE가 작은 결과를 보였으며, 수원과 강릉 지역에서는 Saastamoinen 모델이 타 모델과 비교하면 좀 더 정밀한 결과를 나타냈다. 이러한 이 종의 분석 결과가 발생한 이유는 GNSS 상시관측소와 라디오존데 관측소 간의 높이 차이가 원인인 것으로 사료된다.
이 두 가지 사례는 Hopfield와 Saastamoinen 모델 간의 정확도 차이가 크지 않다는 것을 의미함과 동시에 어떤 모델이 더욱 정확한 건조지연을 산출하는 것인지 불확실하다는 것을 의미한다. 다섯지역을 통합한 결과에서 Hopfield 모델의 RMSE가 다른 모델보다 정밀하게 나왔으나, 지역별로 분석한 결과에서는 Black 모델과 Saastamoinen 모델의 정밀도가 서로 다른 분석 결과도 나타났다.
통계 결과에서 우세한 값은 굵은 체(bold)로 표시하였다. 두 평균 기온을 적용하여 구한 GNSS 가강수량과 라디오존데 가강수량의 표준편차는 한국형 가중 평균 기온 모델을 이용하여 복원한 결과에서는 Hopfield와 Black 모델이, 라디오존데 평균 기온을 적용할 경우에는 Black 모델이 다소 좋은 결과를 보였다. RMSE (Root Mean Square Error)에 대한 모든 지역을 통합하여 평가한 결과에서는 Hopfield 건조 지연모델을 적용한 결과가 가장 정확한 것으로 나타났다.
이러한 결과는 GNSS 가강수량 복원 시 가중 평균 기온값 적용에서 선형 회귀 모델에서 구한 가중 평균 기온을 적용하는 것이 편의량이 작은 가강수량 산출이 가능하다는 것을 의미한다고 본다. 또한, 지역별로 복원하여 평가한 GNSS 가강수량 편의량에 대한 RMSE는 지역별로 서로 상이하였으며, GNSS 상시관측소와 라디오존데 관측소 간의 고도차가 작은 지역에서는 Saastamoinen 모델을 적용한 경우가 다소 편의량이 적은 결과를 나타냈다. 부가적으로 위도가 높은 두 지역인 수원과 강릉에서는 Saastamoinen 모델이 다소 정확한 결과를 보였다.
라디오존데의 고층 기상 관측 자료를 토대로 구한 실제 대기 가중 평균 기온을 적용한 PWVSr, PWVHr, PWVBr보다 한국형 가중 평균 기온 모델을 적용한 PWVS, PWVH, PWVB가 표준편차 및 RMSE 항목에서 더욱 정확한 것으로 나타났다.
본 연구에서는 국내뿐만 아니라 외국사례에서도 가장 많이 적용하는 Saastamoinen 천정 건조 지연 모델이 국내 GNSS상시관측소의 지형학적 위치별로 GNSS 가강수량 복원과정에서 다른 차이를 가질 수 있음을 확인하였다. 본 연구의 결과로만 국한하면 우리나라에서는 Hopfield 모델과 Black 모델이 Saastamoinen 모델보다 더 유효한 결과를 도출할 수 있다는 예비적 결과도 확인해 볼 수 있다.
본 연구에서는 국내뿐만 아니라 외국사례에서도 가장 많이 적용하는 Saastamoinen 천정 건조 지연 모델이 국내 GNSS상시관측소의 지형학적 위치별로 GNSS 가강수량 복원과정에서 다른 차이를 가질 수 있음을 확인하였다. 본 연구의 결과로만 국한하면 우리나라에서는 Hopfield 모델과 Black 모델이 Saastamoinen 모델보다 더 유효한 결과를 도출할 수 있다는 예비적 결과도 확인해 볼 수 있다. 70% 이상이 산악지역인 우리나라의 경우 GNSS 상시관측소와 라디오존데 관측소 간의 위치 동기화가 이뤄져 있지 않으므로 불가피하게 고도차이가 발생하게 된다.
또한, 지역별로 복원하여 평가한 GNSS 가강수량 편의량에 대한 RMSE는 지역별로 서로 상이하였으며, GNSS 상시관측소와 라디오존데 관측소 간의 고도차가 작은 지역에서는 Saastamoinen 모델을 적용한 경우가 다소 편의량이 적은 결과를 나타냈다. 부가적으로 위도가 높은 두 지역인 수원과 강릉에서는 Saastamoinen 모델이 다소 정확한 결과를 보였다. 따라서, 우리나라에서는 관측소의 지리학적 위치에 따라 천정 건조 지연 모델별로 GNSS 가강수량 복원 정확도에 영향을 미칠 가능성이 있다고 판단된다.
실제 대기 가중 평균 기온 관측값을 적용한 3가지 모델의 편의량은 세 건조 지연 모델의 평균 –4.18mm이었으며, 한국형 가중 평균 기온식을 적용하면 이보다 낮은 –3.61mm를 보였다.
GNSS 상시관측소와 라디오존데 관측소간의 고도차가 크게 나타난 지역이 광주, 수원, 울산 지역이다. 이 세 지역에서는 Saastamoinen 모델보다 Hopfield 모델이 더 정확하다는 결과를 보였다. 이에 반해 고도차가 적은 강릉과 수원은 Hopfield 모델보다 Saastamoinen 모델이 더 정확하다는 결과가 나왔다.
(2005)은 캐나다의 GPS 상시관측소 데이터를 이용하여 대류권의 사선방향 습윤 지연량을 산출하였다. 이 연구에서는 GPS 상시관측소 데이터를 이용한 습윤 지연량과 수증기 복사계 간의 오차가 1mm 내로 나타나는 것을 확인하였다. Lee(2018)는 7일 분량의 관측데이터로 Hopfield, 수정Hopfield 그리고 Saastamoinen과 같은 경험식과 이중 차분 및 정밀 절대 측위 대류권 오차 추정기법을 적용해 GNSS 높이측량에서 기선장과 표고차에 적합한 대류권 오차 모형화기법 선정을 위한 방안을 고려하였다.
Emardson과 Derks(2000)은 8년간 유럽의 38개의 지역에서 120,000개가 넘는 라디오존데 데이터를 사용하여 위도, 계절, 지면온도에 근거한 가강수량의 변환식을 구하고자 하였다. 이 연구에서는 물리모델, 다항식모델, 연중모델, 혼합모델 등 4개의 모델을 제시하였으며 각 지역마다 모델의 정확도가 상이하다는 결과를 나타내었다. Xu et al.
한국형 가중 평균 기온 모델에 기반하여 복원한 GNSS 가강수량이 라디오존데의 가중 평균 기온을 적용한 것보다 편의량이 작은 것으로 확인되었다. 이러한 결과는 GNSS 가강수량 복원 시 가중 평균 기온값 적용에서 선형 회귀 모델에서 구한 가중 평균 기온을 적용하는 것이 편의량이 작은 가강수량 산출이 가능하다는 것을 의미한다고 본다. 또한, 지역별로 복원하여 평가한 GNSS 가강수량 편의량에 대한 RMSE는 지역별로 서로 상이하였으며, GNSS 상시관측소와 라디오존데 관측소 간의 고도차가 작은 지역에서는 Saastamoinen 모델을 적용한 경우가 다소 편의량이 적은 결과를 나타냈다.
지역별로 분석한 결과, 표준편차는 5개 지역 모두에서 Black 모델이 다소 정밀하다는 결과를 확인할 수 있었다. 그러나 GNSS 가강수량 정확도 평가와 밀접한 관계가 있는 RMSE는 지역마다 다른 차이가 있는 것으로 도출되었다.
표준편차와 RMSE에 대한 평균도 각각 ±2.77mm 와 ±5.05mm 로서, 한국형 가중 평균 기온식을 적용한±2.56mm 와 ±4.34mm 보다 낮은 정확도를 보였다.
한국형 가중 평균 기온 모델에 기반하여 복원한 GNSS 가강수량이 라디오존데의 가중 평균 기온을 적용한 것보다 편의량이 작은 것으로 확인되었다. 이러한 결과는 GNSS 가강수량 복원 시 가중 평균 기온값 적용에서 선형 회귀 모델에서 구한 가중 평균 기온을 적용하는 것이 편의량이 작은 가강수량 산출이 가능하다는 것을 의미한다고 본다.
후속연구
또는 위도가 다소 낮은 지역에서는 Saastamoinen 모델이 더 낮은 정확성을 보일 가능성도 있다. 그러나 본 연구의 대상 지역이 5개소이며, 가강수량 산출 기간이 1년이라는 기간으로 짧으므로 위의 가능성을 검증하기에는 부족하다고 본다. 우리나라에 적합한 천정 건조 지연 모델을 검증하여 제시하기 위해서는 장기간의 GNSS 가강수량과 라디오존데 가강수량 자료를 기반으로 추가적인 분석이 필요하다.
그러나 본 연구의 대상 지역이 5개소이며, 가강수량 산출 기간이 1년이라는 기간으로 짧으므로 위의 가능성을 검증하기에는 부족하다고 본다. 우리나라에 적합한 천정 건조 지연 모델을 검증하여 제시하기 위해서는 장기간의 GNSS 가강수량과 라디오존데 가강수량 자료를 기반으로 추가적인 분석이 필요하다. 추후 GNSS 상시관측소와 라디오존데 및 지상 종관 기상관측소의 위치 동기가 결합된 관측 실험이 필요할 것으로 본다.
우리나라에 적합한 천정 건조 지연 모델을 검증하여 제시하기 위해서는 장기간의 GNSS 가강수량과 라디오존데 가강수량 자료를 기반으로 추가적인 분석이 필요하다. 추후 GNSS 상시관측소와 라디오존데 및 지상 종관 기상관측소의 위치 동기가 결합된 관측 실험이 필요할 것으로 본다.
질의응답
핵심어
질문
논문에서 추출한 답변
Hopfield와 Saastamoinen 모델의 유사점은 무엇인가?
본 연구에서 검토한 천정 건조 지연 모델은 매우 높은 정확도로 GNSS 기상 기술 부분에서 가장 많이 사용되는 Saastamoinen 모델과 전 세계 라디오존데 데이터를 이용하여 고도에 따른 굴절률 변화를 표현한 Hopfield 모델, 그리고 Hopfield 모델을 이용하여 좀 더 편리한 방법으로 계산이 가능하며 관측소 기압과 기온 정보만으로 건조 지연량이 산출이 가능한 Black 모델을 이용하였다(Saastamoinen, 1973; Hopfield, 1971; Black, 1978). Hopfield와 Saastamoinen 모델은 건조 대기를 유체 정역학적인 평형상태로 가정하고 높이의 함수로 이뤄진 중력가속도와 공기 밀도를 활용하여 건조굴절식을 산출하는 과정이 유사하다. 다만 Hopfield는 전 세계 라디오존데로부터 획득한 건조 성분의 유효 높이 추정식을 반영하여 Eq.
수증기는 태양 복사에너지에 어떤 영향을 미치는가?
수증기는 장마, 태풍, 폭설 등 여러 자연재해의 에너지 공급을 담당하는 원인이다. 또한, 태양열로 입사된 복사에너지의 평형 관계의 변화를 조절하는 중요한 인자 중 하나이다. 따라서 기후 변화의 원인을 이해하고 자연적 혹은 인위적인 요소로 생성된 온난화 가스 등에 의한 기후 변화를 신뢰성 있도록 추정하기 위해 기후시스템의 각 구성요소에서 물 순환 과정에 대한 정확한 이해가 필요하다(Labraga et al.
GNSS 대류권 오차란 무엇인가?
GNSS 대류권 오차는 우주 공간상의 위성에서 송출된 L 밴드 신호가 지표에서 가장 가까운 대기층인 대류권에서 비산란(non-dispersive) 매질에 해당하는 중립 대기층의 구성 물질에 의해 신호가 굴절함으로써 위성과 수신기 간의 거리가 실제에 비해 길어지는 것을 의미한다(Hofmann-Wellenhof et al., 2001).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.