[논문]강수량예측에서 편이보정방법과 GCM 선택에 대한 불확실성 비교

송영훈; 정은성

doi:10.3741/jkwra.2020.53.4.249

강수량예측에서 편이보정방법과 GCM 선택에 대한 불확실성 비교
Intercomparison of uncertainty to bias correction methods and GCM selection in precipitation projections 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.53 no.4, 2020년, pp.249 - 258

송영훈 (서울과학기술대학교 건설시스템공학과) , 정은성 (서울과학기술대학교 건설시스템공학과)

초록
AI-Helper

많은 기후 연구에서는 General Circulation Model (GCM)을 사용하여 연구를 수행하고 있는데, 현재는 5^th Assessment Report (AR5)를 기반으로 한 60개 이상의 GCM이 생성되어 있다. 다양한 GCM을 사용하여 기후 연구를 수행하는 데 있어서 여러 종류의 불확실성이 존재한다. 현재 GCM에 의해 발생되는 불확실성을 줄이기 위해 다양한 연구들이 수행되고 있는데, 그 중에서 GCM의 모의값과 관측값의 차이를 줄이기 위해 사용되는 통계학적 편이보정방법이 적용되는 과정에서 발생하는 불확실성도 중요한 요인으로 분류되고 있다. 따라서 본 연구에서는 과거기간(1970년-2005년)의 지점별로 9개의 GCM과 9개의 분위사상법을 사용하여 산정된 결과를 토대로 RCP 4.5를 사용하여 전망기간(2011-2100년)의 월 강수량을 산정하였다. 산정된 강수량을 토대로 표준 편차와 1분위와 3분위의 변위값(inter-quartile range, IQR)을 산정하여 GCM과 편이보정방법으로 기준을 나누어 변동성을 정량화하여 불확실성을 비교하였다. 분석 결과로 표준편차와 IQR은 전망 기간이 뒤로 갈수록 GCM을 기준으로 계산된 결과가 점차 크게 산정되었다. 이를 통해 GCM의 선정과 편이보정 방법 선택이 미래 기후예측에 어느 정도 영향을 미치는지 확인하였다.

Abstract ▼ AI-Helper

Many climate studies have used the general circulation models (GCMs) for climate change, which can be currently available more than sixty GCMs as part of the Assessment Report (AR5). There are several types of uncertainty in climate studies using GCMs. Various studies are currently being conducted to reduce the uncertainty associated with GCMs, and the bias correction method used to reduce the difference between the simulated and the observed rainfall. Therefore, this study mainly considered climate change scenarios from nine GCMs, and then quantile mapping methods were applied to correct biases in climate change scenarios for each station during the historical period (1970-2005). Moreover, the monthly rainfall for the future period (2011-2100) is obtained from the RCP 4.5 scenario. Based on the bias-corrected rainfall, the standard deviation and the inter-quartile range (IQR) from the first to third quartiles were estimated. For 2071-2100, the uncertainty for the selection of GCMs is larger than that for the selection of bias correction methods and vice versa for 2011-2040. Therefore, this study showed that the selection of GCMs and the bias correction methods can affect the result for the future climate projection.

주제어

표/그림 (9)

그림 Fig. 1. Locations of meteorological stations used in this study
표 Table 1. Basic information of GCMs used in this study
표 Table 2. Bias correction methods used in this study
그림 Fig. 2. Probability density functions of monthly precipitation obtained from nine bias correction methods and nine GCMs generated from BL in Busan
표 Table 3. Monthly average precipitation analysis of each criteria (2011-2040, Seoul)
표 Table 4. Monthly average precipitation analysis of each observatories
그림 Fig. 3. Probability density functions for GCMs and bias correction methods
표 Table 5. Results of differences in analytical metrics in Bias correction and GCMs
표 Table 6. Selected number of standard deviations and IQR in Bias correction and GCMs

AI 본문요약
AI-Helper

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

제안 방법

첫 번째는 연구에 사용될 GCM을 선정하는 것으로 본 연구에서는 9개의 GCM을 선택하였다. 두 번째는 연구에 사용될편이 보정방법을 선정하는 단계로 본 연구에는 9종류의 분위사상법을 사용하였다. 세 번째는 GCM의 과거기간(1970-2005년)에 편이보정방법을 적용하여 강수량을 산정한다.
따라서 본 연구는 지점별 9개의 GCM의 과거기간(1970-2005)에 적용된 9개(Bernoulli-Gamma (BG), BernoulliLogNormal (BL), Bernoulli-Weibull (BW), Robust Linear(RL), Robust Tricub (RT), 스플라인 평활함수(SmoothingSpline, SSPLIN), 지수점근선변환함수방법(P-EAT), Linear(PL), Scale (PS))의 분위사상법을 사용하여 RCP 4.5 시나리오를 대상하여 전망기간을 3개의 구간(2011-2040년, 2041-2070년, 2071-2100년)으로 나누어 월 강수량을 산정하였다. 산정된 월 강수량을 구간별 평균하여 GCM을 기준으로 산정된 결과와, 편이보정을 기준으로 산정된 결과를 강수량의 표준편차와 1분위와 3분위의 변위(inter-quartile range, IQR)를 사용하여 GCM과 편이보정 방법의 선택으로 인해 발생할 수있는 불확실성을 정량적으로 비교하였다.
본 연구는 과거기간(1970-2005)에 대해 5개 지점의 GCM에 9개의 분위 사상법을 적용한 결과를 토대로 전망 기간에 구간별(2011-2040년, 2041-2070년, 2071-2100년)로 월 강수량 산정하였다. 산정된 월 강수량을 평균하여 GCM의 변동성을 기준으로 산정한 결과와 편이보정방법의 변동성을 기준으로 나누어 표준편차와 IQR을 산정하였다.
본 연구는 과거기간(1970-2005)에 대해 5개의 지점의 GCM에 9개(Bernoulli-Gamma (BG), Bernoulli-LogNormal(BL), Bernoulli-Weibull (BW), Robust Linear (RL), RobustTricub (RT), 스플라인 평활함수(SSPLIN), 지수점근선변환함수방법(P-EAT), Linear (PL), Scale (PS))의 분위사상법을 적용한 결과를 토대로 3개의 전망 기간(2011-2040년, 2041-2070년, 2071-2100년)별로 월 강수량을 산정하였다. Fig.
본 연구는 전망 기간(2011-2100년)의 GCM 기준과 편이보정 방법 기준을 토대로 불확실성을 분석하기 위해 3개(2011-2040년, 2041-2070년, 2071-2100년)의 구간으로 나누어서 평균 강수량을 산정하였으며, 이를 토대로 표준편차와 IQR을 계산하였다. 본 연구는 총 다섯 단계로 구성되어 있다.
본 연구는 지점별 과거기간(1970-2005년)에 사용된 9개의GCM과 9개의 편이보정방법을 기준으로 산정된 결과를 토대로 RCP4.5의 전망 기간(2011-2100년)을 3개(2011-2040년,2041-2070년, 2071-2100년)의 구간으로 나누어 월 강수량을산정하였다. 산정된 강수를 토대로 표준 편차와 IQR을 사용하여 기준별 변동성을 정량화하였고, 그 결과를 토대로 불확실성을 비교하였다.
(10)에서 Dc의 지수 c의 범위가 0~1 사이의 값을 가지게 되면 전체적으로 데이터의 분포가 좁게 보간되고, 1보다 크면 데이터의 분포가 넓게 보간된다. 본 연구에는 역거리가 중치법을 이용하여 격자 자료를 관측소 지점 자료로 보간하였다.
5의 전망 기간(2011-2100년)을 3개(2011-2040년,2041-2070년, 2071-2100년)의 구간으로 나누어 월 강수량을산정하였다. 산정된 강수를 토대로 표준 편차와 IQR을 사용하여 기준별 변동성을 정량화하였고, 그 결과를 토대로 불확실성을 비교하였다.
5 시나리오를 대상하여 전망기간을 3개의 구간(2011-2040년, 2041-2070년, 2071-2100년)으로 나누어 월 강수량을 산정하였다. 산정된 월 강수량을 구간별 평균하여 GCM을 기준으로 산정된 결과와, 편이보정을 기준으로 산정된 결과를 강수량의 표준편차와 1분위와 3분위의 변위(inter-quartile range, IQR)를 사용하여 GCM과 편이보정 방법의 선택으로 인해 발생할 수있는 불확실성을 정량적으로 비교하였다.
본 연구는 과거기간(1970-2005)에 대해 5개 지점의 GCM에 9개의 분위 사상법을 적용한 결과를 토대로 전망 기간에 구간별(2011-2040년, 2041-2070년, 2071-2100년)로 월 강수량 산정하였다. 산정된 월 강수량을 평균하여 GCM의 변동성을 기준으로 산정한 결과와 편이보정방법의 변동성을 기준으로 나누어 표준편차와 IQR을 산정하였다. 서울 지점의 2011년부터 2040년 구간에서 산정한 결과는 Table 3과 같다.
서울의 전망기간 구간 중 2011년부터 2040년의 월 평균 강수량을 사용하여 표준편차와 IQR을 계산하였다. 편이보정의기준과 GCM의 기준으로 나누어 각각 확인하였고, 기준별 표준편차와 IQR을 계산하였다.
두 번째는 연구에 사용될편이 보정방법을 선정하는 단계로 본 연구에는 9종류의 분위사상법을 사용하였다. 세 번째는 GCM의 과거기간(1970-2005년)에 편이보정방법을 적용하여 강수량을 산정한다. 네번째는 과거에 적용한 편이보정방법을 전망기간에 적용하여3개의 구간별 (2011-2040년, 2041-2071년, 2071-2100년) 강수량을 산정한다.
서울의 전망기간 구간 중 2011년부터 2040년의 월 평균 강수량을 사용하여 표준편차와 IQR을 계산하였다. 편이보정의기준과 GCM의 기준으로 나누어 각각 확인하였고, 기준별 표준편차와 IQR을 계산하였다. Table 3에서 GCM의 변동성을기준으로 산정된 결과는 표의 행별로 평균, 표준편차, IQR를계산한 결과이며, 편이보정방법의 변동성을 기준으로 산정된 결과는 표의 열별로 평균, 표준편차, IQR를 계산한 결과이다.

대상 데이터

본 연구에서 사용된 GCM은 현재 많이 사용되고 있는 CMIP5를 근거로 작성된AR5를 기준으로 생성되었으며, 다양한 기후요소를 포함하고있다. 본 연구에서 사용된 GCM은 Table 1과 같이 다양한 연구에서 우리나라에 적용된 바 있는 CESM1-BGC, CCSM4,CNRM-CM5, CSIRO-Mk3.6.0, BCC-CSM1.1, GFDL-ESM2G,MPI-ESM-LR, HadGEM2-AO, INM-CM4로 총 9개이다(Cho et al., 2018; Lee and Kim, 2010; Song and Chung, 2019).
81°)로 구성되어 있다. 본 연구에서 사용된 GCM은 현재 많이 사용되고 있는 CMIP5를 근거로 작성된AR5를 기준으로 생성되었으며, 다양한 기후요소를 포함하고있다. 본 연구에서 사용된 GCM은 Table 1과 같이 다양한 연구에서 우리나라에 적용된 바 있는 CESM1-BGC, CCSM4,CNRM-CM5, CSIRO-Mk3.
본 연구에서는 우리나라 관측소 중 5개 지점을 선정하였으며, 위치는 Fig. 1과 같다. 선정된 5개의 관측소(서울, 인천, 부산, 강릉, 목포)는 북위 33°에서 43°에 위치하며, 동경 124°에서 131°에 위치한다.
선정된 5개의 관측소(서울, 인천, 부산, 강릉, 목포)는 북위 33°에서 43°에 위치하며, 동경 124°에서 131°에 위치한다.
본 연구는 총 다섯 단계로 구성되어 있다. 첫 번째는 연구에 사용될 GCM을 선정하는 것으로 본 연구에서는 9개의 GCM을 선택하였다. 두 번째는 연구에 사용될편이 보정방법을 선정하는 단계로 본 연구에는 9종류의 분위사상법을 사용하였다.

데이터처리

서울의 2011년부터 2040년, 2041년부터 2070년과 목포의 2011년부터 2040년의 결과를 제외하고 GCM을 기준으로 산정된 IQR이 더 넓게 산정되었으며, 구간이 지날수록GCM을 기준으로 산정된 간격과 편이보정방법을 기준으로 산정된 간격과의 차이가 편이보정방법을 기준으로 감소하였으며, 최종적으로는 5개의 지점 모두GCM을 기준으로 산정된 간격이 더 넓게 계산되었다. 위의결과를 토대로 부산 지점의 GCM과 편이보정의 월 강수량 을평균한 결과를 확률밀도함수로 산정하였으며, 결과는 Fig. 3와 같다. 기간이 지날수록 편이보정을 기준으로 산정된 월 강수량의 분포가 점차 넓어지고 있으며, GCM을 기준으로 산정된 결과와 비교하였을 때 차이가 점차 줄어들었다.

이론/모형

기후변화 연구를 수행하는 연구자들은 대부분 전지구모형(General circulation models, GCMs)을 사용하여 통계학적으로 기후의 변동성과 기상 이변에 대한 연구를 수행한다(Hwang,2014; Mgangira, 2009). CMIP (Coupled Model IntercomparisonProject)은 전세계 30여개 기관들이 참여하여 GCM의 장기적인 미래기후 예측과 불확실성을 평가하고, 모든 결과를 저장하여 활용한다. 온실가스 배출시나리오인 representativeconcentration pathways (RCP)를 기반으로한 5^th AssessmentReport (AR5)를 토대로 60여개의 GCMs 이 존재한다.
)는 두 격자간의 거리이다. 가중치를 계산할 때 Shepard 방법을 사용하였다.Shepard 방법은 Eq.
비모수변환법은 대표적으로 경험적 추정법(Empiricalquantiles), 로버스트 회귀분석(Robust regression), 스플라인평활방법(Smoothing spline)이 사용된다. 경험적 추정법은 GCM의 모의값과 관측값의 경험적 누적분포함수를 일치시켜 변환하는 방법이며, 로버스트 회귀분석은 Q-Q Plot에서 관측값에 모의값을 대응시켜 지역선형최소자승 회귀분석식을이용하여 일치시키는 방법 중 하나이고, 선형 방법과 Tricub방법을 사용하여 산정한다. 스플라인 평활방법은 Q-Q Plot에서 스플라인 평활함수를 사용하여 추정하는 방법이다(Boeet al.
본 연구에서 분포기반 변환법은 Bernoulli-Gamma, BernoulliWeibull, Bernoulli-LogNormal 방법을 사용하였다. Table 2는 본 연구에서 사용된 편이보정방법을 나타낸 것이다.
)는 점근선을 산정하기 위한 공식, 그리고 r는 점근선에 접근하는 벡터를 결정하는 값이다. 본 연구에서는 모수변환법 중 선형, 규모, 지수점근변환함수을 사용하였다.
, 2007). 본 연구에서는 비모수변환법에서 로버스트 선형, 로버스트 tricub, 스플라인 평활함수 방법을 사용하였다.
비모수변환법은 대표적으로 경험적 추정법(Empiricalquantiles), 로버스트 회귀분석(Robust regression), 스플라인평활방법(Smoothing spline)이 사용된다. 경험적 추정법은 GCM의 모의값과 관측값의 경험적 누적분포함수를 일치시켜 변환하는 방법이며, 로버스트 회귀분석은 Q-Q Plot에서 관측값에 모의값을 대응시켜 지역선형최소자승 회귀분석식을이용하여 일치시키는 방법 중 하나이고, 선형 방법과 Tricub방법을 사용하여 산정한다.
역거리가중치법은 미계측 지점의 주변 지점의 실측값을 사용하여 공간적으로 보간하는 방법이다. 역거리가중치법은 지리학의 Tobler 제1법칙에 근거하며, 거리가 가까운 지점의 값이 상대적으로 거리가 먼 지점의 값보다 관련성이 높다는 사실을 이용한다(Tobler, 1970). 미계측 된 지점의 강수량을 산정하기위해서 Eq.

성능/효과

1로 산정되었다. 2011년부터 2040년까지 IQR 분석결과로는 부산, 인천, 강릉에서는 GCM을 기준으로 산정된 IQR의 간격이 편이보정방법을 기준으로 산정된 간격보다 넓게 산정되었다.
9로 산정되었다. 2071년부터 2100년의 구간에서 분석결과로 5개의 지점 모두 GCM을 기준으로 산정된 간격이 더 넓어졌으며, 전체 구간 중 가장 큰 결과 값을 도출하였다.
서울, 인천, 목포에서는 GCM을 기준으로 산정한 월 강수량이 편이보정을 기준으로 산정한 월 강수량보다 넓게 산정하는 결과를 도출하였으며, 반대로 부산과 강릉에서는 편이보정방법을 기준으로 산정된 월 강수량이 더 넓게 산정되었다. 5개의 지점 중 서울, 인천, 목포에서는 GCM을 기준으로 산정된 결과가 평균을 중심으로 더 넓게 산정되었으며, 구간이 지날수록 편이보정방법을 기준으로 산정된 결과와의 차이가 커졌다. 부산과 강릉에서는 편이보정방법을 기준으로 산정된 결과가 평균을 중심으로 넓게 산정되었으나, 구간이 지날수록GCM을 기준으로 산정된 결과와의 차이가 감소하였다.
기간별 선정 횟수로 표준 편차에서는GCM을 기준으로 산정하였을 때 선정된 횟수가 편이보정방법을 기준으로 하였을 때 보다 많이 선정되었다. IQR의 결과에서는 GCM을 기준으로 산정하였을 때 선정 횟수가 많았으며 구간이 지날수록 GCM을 기준으로 산정된 결과가 더 많이선정되었다. 위의 결과를 토대로 과거기간의 편이보정방법과 GCM 선정 방법에 따라 전망기간의 강수 형태도 다르게 산정될 수 있다는 결과를 도출하였으며, 과거기간의 편이보정방법과 GCM 선정 방법의 중요성을 확인할 수 있었다.
IQR의 분석결과로 2071년부터 2100년의 구간의 간격이 다른 구간의 간격과 비교하였을 때 가장 크게 산정되었으며,IQR의 사이에 포함되는 월 강수량을 다른 구간과 비교 하였을때 강수량의 폭이 넓게 산정되었다. 서울의 2011년부터 2040년, 2041년부터 2070년과 목포의 2011년부터 2040년의 결과를 제외하고 GCM을 기준으로 산정된 IQR이 더 넓게 산정되었으며, 구간이 지날수록GCM을 기준으로 산정된 간격과 편이보정방법을 기준으로 산정된 간격과의 차이가 편이보정방법을 기준으로 감소하였으며, 최종적으로는 5개의 지점 모두GCM을 기준으로 산정된 간격이 더 넓게 계산되었다.
표준 편차에서 부산과 강릉을 제외한 3개의 지점은 GCM을 기준으로 산정된 결과가 편이보정방법을 기준으로 산정된 결과보다 평균을 기준으로 더 넓게 산정되었으며, 인천과 강릉에서는 구간이 지날수록GCM을 기준으로 산정된 결과와 편이보정방법을 기준으로 산정된 결과와의 차이가 감소하였다. IQR의 분석결과로 5개의 지점 모두 구간이 지날수록GCM을 기준으로 산정된 간격이 넓게 산정되었다. 위의 결과를 토대로 5개의 지점에서는 구간이 지날수록 표준 편차가 GCM을 기준으로 점차 넓게 산정되었으며, 편이보정방법을 기준으로 산정된 결과가 넓은 지점은 GCM을 기준으로 산정된 결과와의 차이를 비교하였을 때 감소하였다.
위의 결과를 토대로 5개의 지점에서는 구간이 지날수록 표준 편차가 GCM을 기준으로 점차 넓게 산정되었으며, 편이보정방법을 기준으로 산정된 결과가 넓은 지점은 GCM을 기준으로 산정된 결과와의 차이를 비교하였을 때 감소하였다. IQR의 분석결과로 5개의 지점 모두 기간이 지날수록 GCM을 기준으로 점차 크게 산정되었다. 기간별 선정 횟수로 표준 편차에서는GCM을 기준으로 산정하였을 때 선정된 횟수가 편이보정방법을 기준으로 하였을 때 보다 많이 선정되었다.
편이보정방법에서 BG를 제외한8개의 방법은 대체로 월 강수량의 분포가 넓게 산정되었으며,월 강수량의 분포 차이가 크지 않았으나, 최대 강수량의 차이는 크게 산정되었다. 반면 GCM별 월 강수량의 분포 차이는크게 산정되었으며, 최대 강수량의 차이도 크게 산정되었다.
5개의 지점 중 서울, 인천, 목포에서는 GCM을 기준으로 산정된 결과가 평균을 중심으로 더 넓게 산정되었으며, 구간이 지날수록 편이보정방법을 기준으로 산정된 결과와의 차이가 커졌다. 부산과 강릉에서는 편이보정방법을 기준으로 산정된 결과가 평균을 중심으로 넓게 산정되었으나, 구간이 지날수록GCM을 기준으로 산정된 결과와의 차이가 감소하였다.
표준 편차에서 GCM을 기준으로 한 결과가 구간이 지날수록 선정횟수가 증가하며, IQR의 결과에서는 GCM을 기준으로 산정하였을 때 선정횟수가 2011년부터 2040년 구간을 제외한 모든 구간에서 높게 산정되었다. 서울, 부산, 인천, 강릉, 목포의 5개 지점에서 GCM과 편이보정방법별 불확실성 분석결과로 표준 편차에서는 두 기준 모두 2071년부터 2100년 구간의 값이 다른 구간보다 크게 산정되었으며, 강수량의 양 극값의차이가 크게 산정되는 결과를 도출하였다. 서울, 인천, 목포에서는 GCM을 기준으로 산정한 월 강수량이 편이보정을 기준으로 산정한 월 강수량보다 넓게 산정하는 결과를 도출하였으며, 반대로 부산과 강릉에서는 편이보정방법을 기준으로 산정된 월 강수량이 더 넓게 산정되었다.
6으로 산정되었다. 서울, 인천, 목포 지점에서는 GCM 별 월강수량의 차이가 편이보정방법 별 차이보다 훨씬 컸으며, 부산과 강릉은 두 차이가 크게 감소하였다.
IQR의 분석결과로 2071년부터 2100년의 구간의 간격이 다른 구간의 간격과 비교하였을 때 가장 크게 산정되었으며,IQR의 사이에 포함되는 월 강수량을 다른 구간과 비교 하였을때 강수량의 폭이 넓게 산정되었다. 서울의 2011년부터 2040년, 2041년부터 2070년과 목포의 2011년부터 2040년의 결과를 제외하고 GCM을 기준으로 산정된 IQR이 더 넓게 산정되었으며, 구간이 지날수록GCM을 기준으로 산정된 간격과 편이보정방법을 기준으로 산정된 간격과의 차이가 편이보정방법을 기준으로 감소하였으며, 최종적으로는 5개의 지점 모두GCM을 기준으로 산정된 간격이 더 넓게 계산되었다. 위의결과를 토대로 부산 지점의 GCM과 편이보정의 월 강수량 을평균한 결과를 확률밀도함수로 산정하였으며, 결과는 Fig.
IQR의 분석결과로 5개의 지점 모두 구간이 지날수록GCM을 기준으로 산정된 간격이 넓게 산정되었다. 위의 결과를 토대로 5개의 지점에서는 구간이 지날수록 표준 편차가 GCM을 기준으로 점차 넓게 산정되었으며, 편이보정방법을 기준으로 산정된 결과가 넓은 지점은 GCM을 기준으로 산정된 결과와의 차이를 비교하였을 때 감소하였다. IQR의 분석결과로 5개의 지점 모두 기간이 지날수록 GCM을 기준으로 점차 크게 산정되었다.
IQR의 결과에서는 GCM을 기준으로 산정하였을 때 선정 횟수가 많았으며 구간이 지날수록 GCM을 기준으로 산정된 결과가 더 많이선정되었다. 위의 결과를 토대로 과거기간의 편이보정방법과 GCM 선정 방법에 따라 전망기간의 강수 형태도 다르게 산정될 수 있다는 결과를 도출하였으며, 과거기간의 편이보정방법과 GCM 선정 방법의 중요성을 확인할 수 있었다. 지점별분석결과는 다르게 나타났으나, 구간이 지날수록 GCM을 기준의 결과가 점차 크게 산정되었다.
서울과 인천 뿐만 아니라 목포까지 예측된 강수량이 GCM 별로 더 넓게 분포하였다. 전 구간과 비교하였을 때 서울과 인천에서는 GCM 기준의 결과와 편이보정방법 기준의 결과에 대한 차이가 증가하였고, 부산과 강릉에서는 차이가 감소하였으며, 전 구간과는 반대로 목포에서는 GCM 기준의 결과가 더 크게 산정되었다.
위의 결과를 토대로 과거기간의 편이보정방법과 GCM 선정 방법에 따라 전망기간의 강수 형태도 다르게 산정될 수 있다는 결과를 도출하였으며, 과거기간의 편이보정방법과 GCM 선정 방법의 중요성을 확인할 수 있었다. 지점별분석결과는 다르게 나타났으나, 구간이 지날수록 GCM을 기준의 결과가 점차 크게 산정되었다.
2는 부산 지점의 2011-2040년에 대한 미래 월 강수량의 확률밀도함수를 산정하였으며, 편이보정방법별로 산정한 월 강수량과 BL에서 GCM별로 산정된 월 강수량을 각각 나타냈다. 편이보정방법과 GCM 모두 100 mm와 200 mm 사이의 월 강수량이 가장 많이 산정되었다. 편이보정방법에서 BG를 제외한8개의 방법은 대체로 월 강수량의 분포가 넓게 산정되었으며,월 강수량의 분포 차이가 크지 않았으나, 최대 강수량의 차이는 크게 산정되었다.
편이보정방법과 GCM 모두 100 mm와 200 mm 사이의 월 강수량이 가장 많이 산정되었다. 편이보정방법에서 BG를 제외한8개의 방법은 대체로 월 강수량의 분포가 넓게 산정되었으며,월 강수량의 분포 차이가 크지 않았으나, 최대 강수량의 차이는 크게 산정되었다. 반면 GCM별 월 강수량의 분포 차이는크게 산정되었으며, 최대 강수량의 차이도 크게 산정되었다.
Table 6은 기준별 표준 편차 결과와 IQR의 간격이 크게 선정된 횟수를 나타냈다.표준 편차에서 GCM을 기준으로 한 결과가 구간이 지날수록 선정횟수가 증가하며, IQR의 결과에서는 GCM을 기준으로 산정하였을 때 선정횟수가 2011년부터 2040년 구간을 제외한 모든 구간에서 높게 산정되었다. 서울, 부산, 인천, 강릉, 목포의 5개 지점에서 GCM과 편이보정방법별 불확실성 분석결과로 표준 편차에서는 두 기준 모두 2071년부터 2100년 구간의 값이 다른 구간보다 크게 산정되었으며, 강수량의 양 극값의차이가 크게 산정되는 결과를 도출하였다.
표준 편차에서 부산과 강릉을 제외한 3개의 지점은 GCM을 기준으로 산정된 결과가 편이보정방법을 기준으로 산정된 결과보다 평균을 기준으로 더 넓게 산정되었으며, 인천과 강릉에서는 구간이 지날수록GCM을 기준으로 산정된 결과와 편이보정방법을 기준으로 산정된 결과와의 차이가 감소하였다. IQR의 분석결과로 5개의 지점 모두 구간이 지날수록GCM을 기준으로 산정된 간격이 넓게 산정되었다.

후속연구

본 연구에서는 RCP4.5만을 사용한 결과로서 다양한 RCP 시나리오를 추가하여 연구를 수행하여야 하며, 지점을 보다 확대하면 보다 일반화된 결과를 제시할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대표적인 편이보정방법으로 무엇을 사용하는가?	이러한 차이를 줄이기 위해서 편이보정(Bias correction)방법이 사용된다. 현재 다양한 편이보정방법이 사용되며, 대표적으로 함수를 이용한 편이보정방법, 분위사상법(Quantile mapping) 등이 사용된다(Grillakis et al,2013; Moon et al., 2013; Song et al.
	GCM의 원시 강수 자료와 관측소에서 측정된 강수량과의 차이를 줄이기 위해 무엇을 사용하는가?	GCM의 원시 강수 자료는 관측소에서 측정된 강수량과 차이가 발생한다. 이러한 차이를 줄이기 위해서 편이보정(Bias correction)방법이 사용된다. 현재 다양한 편이보정방법이 사용되며, 대표적으로 함수를 이용한 편이보정방법, 분위사상법(Quantile mapping) 등이 사용된다(Grillakis et al,2013; Moon et al.
	기후변화 연구를 수행하는 연구자들은 대부분 무엇을 사용하여 연구를 수행하는가?	기후변화 연구를 수행하는 연구자들은 대부분 전지구모형(General circulation models, GCMs)을 사용하여 통계학적으로 기후의 변동성과 기상 이변에 대한 연구를 수행한다(Hwang,2014; Mgangira, 2009). CMIP (Coupled Model IntercomparisonProject)은 전세계 30여개 기관들이 참여하여 GCM의 장기적인 미래기후 예측과 불확실성을 평가하고, 모든 결과를 저장하여 활용한다.

참고문헌 (27)

Ahmed, K., Sachindra, D.A., Shahid, S., Demirel, M.C., and Chung, E.S. (2019). "Selection of multi-model ensemble of general circulation models for the simulation of precipitation and maximum and minimum temperature based on spatial assessment metrics." Hydrology and Earth System Sciences, Vol. 23, pp. 4803-4824.

상세보기
Andreas, M.J., Daniel, G.K., Nicolas, J. Cullen., and Josef, S. (2018). "Intercomparison of different uncertainty sources in hydrological climate change projections for an alpine catchment (upper Clutha River, New Zealand)." Hydrology and Earth System Sciences, Vol. 22, pp. 3125-3142.

상세보기
Boe, J., Terray, L., Habets, F., and Martin, E. (2007). "Statistical and dynamical downscaling of the Seine basinclimate for hydro-meteorological studies." International Journal of Climatology, Vol. 27, pp. 1643-1655.

상세보기
Cannon, A.J. (2008). "Probabilistic multisite precipitation downscaling by an expanded Bernoulli-gamma density network." Journal of Hydrometeorology, Vol. 9, pp. 1284-1300.

상세보기
Cho, J., Jung, I., Cho, W., and Hwang, S. (2018). "User-centered climate change scenarios technique development and application of Korean peninsula." Journal of Climate Change Research, Vol. 9, No. 1, pp. 13-29.

상세보기
Dosiom, A., and Paruolo, P. (2011). "Bias correction of the ENSEMBLES high resolution climatechange projections for use by impact models: Evaluation on the present climate." Journal of Geophysical research Atmospheres, Vol. 116, No. D16, pp. 1-22.
Eum, H.I., and Cannon, A.J. (2017). "Intercomparison of projected changes in climate extremes for South Korea: Application of trend preserving statistical downscaling methods to the CMIP5 ensemble." International Journal of Climatology, Vol. 37, No. 8, pp. 3381-3397.

상세보기
Grillakis, M.G., Koutroulis, A.G., and Tsanis, I.K. (2013). "Multisegment statistical bias correction of daily GCM precipitation output." Journal of Geophysical research Atmospheres, Vol. 118, No. 8, pp. 3150-3162.

상세보기
Gudmundsson, L., Bremnes, J.B., Haugen, J.E., and Engen-Skaugen, T. (2012). "Technical note: Downscaling RCM precipitation to the station scale using statistical transformations - a comparison of methods." Hydrology and Earth System Sciences, Vol. 16, pp. 3383-3390.

상세보기
Hori, M.E., and Ueda, H. (2006). "Impact of global warming on the East Asian winter monsoon as revealed by nine coupled atmosphere-ocean GCMs." Geophysical Research Letters, Vol. 33, pp. 1-4.
Hwang, S.W. (2014). "Assessing the performance of CMIP5 GCMs for various climatic elements and indicators over the southeast US." Journal of Korea Water Resources Association, Vol. 47, No. 11, pp. 1039-1050.

원문보기 상세보기
Im, E.S., Kwon, W.T., and Bae, D.H. (2006). "A study on the regional climate change scenario for impact assessment on water resources." Journal of Korea Water Resources Association, Vol. 39, No. 12, pp. 1043-1056.

원문보기 상세보기
Ines, A.V.M., and Hansen, J.W. (2006). "Bias correction of daily GCM rainfall for crop simulation studies." Agricultural and Forest Meteorology, Vol. 138, No. 1-4, pp. 44-53.

상세보기
Lee, J.K., and Kim, Y.O. (2010). "A Study on selection of standard scenarios in Korea for climate change." Climate Change Research, Vol. 1, No. 1, pp. 59-73.
Mgangira, M.B. (2009). "Impact of global warming on the East Asian winter monsoon as revealed by nine coupled atmosphere-ocean GCMs." Geophysical Research Letters, Vol. 33, No. 3, pp. 1-4.
Moon, S.J, Kim, J.J., and Kang, B.S. (2013). "Bias correction for GCM long-term prediction using nonstationary quantile mapping." Journal of Korea Water Resources Association, Vol. 46, No. 8, pp. 833-842.

원문보기 상세보기
Pang, B., Yue, J., Zhao, G., and Xu, Z. (2017). "Statistical downscaling of temperature with the random forest model." Advances in Meteorology, Vol. 2017, pp. 1-11.

상세보기
Patricia, J.A., and Chung, E.S. (2019). "Uncertainty assessment in drought severities for the Cheongmicheon watershed using multiple GCMs and the reliability ensemble averaging method." Sustainability, Vol. 11, No. 16, p. 4823.

상세보기
Piani, C., Weedon, G.P., Best, M., Gomes, S.M., Viterbo, P., Hagemann, S., and Haerterd, J.O. (2010). "Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models." Journal of Hydrology, Vol. 395, No. 3-4, pp. 199-215.

상세보기
Shiru, M.S., Shahid, S., Chung, E.S., and Alias, N. (2019a). "Changing characteristics of meteorological droughts in Nigeria during 1901-2010." Atmospheric Research, Vol. 223, pp. 60-73.

상세보기
Shiru, M.S., Shahid, S., Chung, E.S., Alias, N., and Scherer, L. (2019b). "A MCDM-based framework for projection of spatio-temporal rainfall changes using feature selection methods and random forest regression: A case study of Nigeria." Atmospheric Research, Vol. 225, pp. 1-16.

상세보기
Song, Y.H., Chung, E.S., and Sung, J.H. (2019). "Selection framework of representative general circulation models using the selected best bias correction method." Journal of Korea Water Resources Association, Vol. 52, No. 5, pp. 337-347.

원문보기 상세보기
Song, Y.H., and Chung, E.S. (2019). "Spatial prioritization of permeable pavement considering multiple general circulation models: Mokgamcheon watershed." Journal of Korea Water Resources Association, Vol. 52, No. 12, pp. 1011-1023.

원문보기 상세보기
Sung, J.H., Chung, E.S., and Shahid S. (2018). "Reliability-Resiliency-Vulnerability approach for drought analysis in South Korea sing 28 GCMs." Sustainability, Vol. 10, pp.1-16.

상세보기
Tobler, W.R. (1970). "A computer movie simulating urbuan growth in the detroit region." Economic Geography, Vol. 46, pp. 234 -240.

상세보기
Wang, Q.J. (2013). "Toward accurate and reliable forecasts of Australian seasonal rainfall by calibrating and merging multiple coupled GCMs." Monthly Weather Review, Vol. 141, pp. 4554-4563.

상세보기
Wilby, R.L., and Harris, I. (2006). "A framework for assessing uncertainties in climate change impacts: Low-flow scenarios for the River Thames, UK." Water Resources Research, Vol. 42, pp. 1-10.

저자의 다른 논문 :

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