[보고서]물리·역학·통계 기반 우리나라 여름철 계절내 강수 및 기온 변동 계절예측 기술 개발

권민호

[국가R&D연구보고서] 물리·역학·통계 기반 우리나라 여름철 계절내 강수 및 기온 변동 계절예측 기술 개발 원문보기

보고서 정보
주관연구기관	한국해양과학기술원 Korea Institute of Ocean Science ＆ Technology
연구책임자	권민호
참여연구자	예상욱 , 서경환 , 함유근
보고서유형	최종보고서
발행국가	대한민국
언어	한국어
발행년월	2018-05
과제시작연도	2017
주관부처	기상청 Korea Meteorological Administration(KMA)
과제관리전문기관	한국기상산업기술원 The Korea Meterological Institute
등록번호	TRKO202200010153
과제고유번호	1365002527
사업명	기상·지진See-At기술개발연구
DB 구축일자	2022-10-06
키워드	계절예측.기후모델.통계모델.여름몬순.극한기온.Seasonal Prediction.Climate Model.Statistical Model.Summer Monsoon.Extreme Temperature.
DOI	https://doi.org/10.23000/TRKO202200010153

초록 ▼

□ 연구의 목적 및 내용
여름철 월별 기후예측을 위한 예측인자를 제시
기후모형과 통계모형을 이용하여 계절예측시스템 개발 및 예측성능 평가
여름철 극한 기온 예측시스템 개발을 위한 기반 마련

□ 연구개발성과
여름철 1개월 기온 및 강수 예측을 위한 예측인자 제시
여름철 1개월 기온 및 강수 예측을 위한 물이통계모형 개발 및 예측성 평가
현업 기후모형을 이용한 한반도 여름철 1개월 기온 및 강수 예측을 위한 열대 태평양 및 인도양 인자 개발
여름철 1개월 기온 및 강수 예측을 위한 역학 - 통계모형의 개발 및 예측성 진단
당해 한반도 월별 강수 및 극한 기온에 대한 메커니즘 상세 분석
여름철 극한기온 발생 유형 분류 및 메커니즘 분석
여름철 극한기온 예측을 위한 예측인자 진단
통계적분포를 이용한 여름철 극한기온 빈도 확률-통계모형 개발

□ 연구개발성과의 활용계획(기대효과)
여름철 기후예측성 향상을 통한 현업장기예보의 정확성 향상에 기여
여름철 기후변동성의 과학적 이해 증진
기후예측과 계절예보를 위한 여름철 1개월 기후/극한 예측시스템 구축에 기여

(출처 : 요약문 4p)

Abstract ▼

□ Purpose & Contents
To provide the predictors for monthly summer climate prediction in Korea and develop a prediction system and estimate its predictability using the climate and statistical models, and establish a prototype of the prediction system for the extreme temperature in summertime in Korea

□ Results
· Suggestion of potential factors for prediction of subseasonal temperature and precipitation
· Development and evaluation of physical-statistical model for prediction of subseasonal temperature and precipitation
· Discovering the predictors from the tropical Pacific and the Indian Ocean for prediction of subseasonal temperature and precipitation using operational climate model outputs
· Development and diagnosis of dynamic-statistical prediction system for subseasonal temperature and precipitation
· Analysis of mechanism of current year summer precipitation and extreme temperature over Korea
· Classification of genesis type of summertime extreme temperature and analysis underlying mechanism
· Diagnosis of potential predictors for summertime extreme temperature
· Development of extreme temperature frequency probability model based on statistical distribution

□ Expected Contribution
· Contribution to the better long-range forecast with outstanding climate predictability
· Increase in scientific understanding of summertime climate variability
· Contribution to build up the subseasonal climate/extreme forecast system to provide assistance to operational long-range forecast

(source : SUMMARY 5p)

목차 Contents

표지 ... 1
제출문 ... 2
보고서 요약서 ... 3
국문 요약문 ... 4
SUMMARY ... 5
Contents ... 6
목차 ... 7
제1장 연구개발과제의 개요 ... 8
제2장 국내외 기술 개발 현황 ... 14
제3장 연구 수행 내용 및 성과 ... 21
제1절 원격상관을 이용한 한반도 여름철 월별 기후예측시스템의 개발 ... 21
제2절 우리나라 여름철 월별 기온 변동 및 극한기온 예측기술 개발 ... 77
제3절 우리나라 장마강수 예측을 위한 계절예측시스템 개발 ... 147
제4절 머신러닝 알고리즘을 활용한 동아시아 여름철 강수 예측시스템 개발 ... 203
제4장 목표 달성도 및 관련 분야 기여도 ... 243
제5장 연구개발성과의 활용계획 ... 247
제6장 연구 과정에서 수집한 해외 과학기술 정보 ... 248
제7장 연구개발과제의 대표적 연구 실적 ... 253
제8장 참고 문헌 ... 258
끝페이지 ... 264

표/그림 (213)

표 여름철과 겨울철 평균 강수 차를 통한 아시아 몬순 지역의 구분(box)과 인구 천만 이상 대도시(megacity) 분포(circle)
표 역학 모형의 동아시아 지역 여름철 강수 모의 성능
표 GloSea5-GA3 과거재현(hindcast) 자료의 여름철 강수 예측성 (1996~2009)
표 GloSea5-GC2 과거재현(hindcast) 자료의 여름철 지표 기온 예측성 (1991~2010)
표 6,7,8월 및 여름철 북서태평양 하층 동서방향 바람 (GloSea5)과 동아시아 강수 (CMAP) 간 결합모드
표 여름철 북서태평양 지역 하층 동서방향 바람 (GloSea5)과 동아시아 지역 강수 (CMAP) 간 결합모드
표 동아시아 여름철 기후에 영향을 미치는 주요 원격상관
표 여름철(좌) 및 6,7,8월(우) 북서태평양 몬순과 관련된 850hPa 동서방향 바람
표 재분석 자료(좌)와 역학모형(우)에서의 한반도 주변 지역 (120~135°E, 32.5~45°N) 여름철 지면 기온과 관련된 상하층 지위고도 및 바람
표 한반도 주변 지역(120~135°E, 32.5~45°N) 6월 지상 기온과 관련된 GloSea5의 상하층 바람 및 지위고도
표 GloSea5에서 나타나는 한반도 주변 지역(120~135°E, 32.5~45°N) 7,8월 지상 기온과 관련된 상하층 바람 및 지위고도
표 유라시아 지역 봄철 눈덮임과 동아시아 지역 6월 강수 간 상관관계
표 동아시아 지역 7,8월 강수와 관련된 3,4월 해수면 온도 패턴
표 한반도 주변 지역 여름철 지면 기온과 관련된 봄철 해수면 온도(3,4월) 및 눈덮임(4월)
표 서로 다른 초기조건으로부터 예측되는 멤버들을 모두 활용하는 지연 앙상블 기법의 모식도 (Chen et al., 2013)
표 서로 다른 초기조건의 예측장을 활용하는 역학-통계 모형의 여름철 강수 예측 성능(a~c)과 지연 앙상블 기법의 적용(d)
표 역학-통계 모형으로부터 예측된 동아시아 지역 6,7,8월 강수 편차 지수
표 앙상블 정준상관 예측 개념도 (Lau et al., 2002)
표 단일 역학-통계 모형들과 앙상블 정준상관 예측모형의 동아시아 지역 6월 강수 예측성 비교
표 개별 역학-통계 모형들과 앙상블 정준상관 예측모형의 동아시아 지역 7,8월 강수 예측성 비교
표 CFS와 GloSea5로부터 나타나는 앙상블 정준상관 예측모형의 동아시아 지역 여름철 및 6,7,8월 강수 지수 예측성
표 앙상블 정준상관 예측모형의 한반도 주변 지역 6월 기온 예측성
표 앙상블 정준상관 예측모형의 한반도 주변 지역 7월 기온 예측성
표 앙상블 정준상관 예측모형의 한반도 주변 지역 8월 기온 예측성
표 Leave-one-out 교차 검증 방법의 예시
표 Bootstrap 방법을 통한 무작위 표본 추출의 예시
표 Bootstrap 방법을 통해 분석된 역학모형 기반 예측모형(좌)과 재분석 자료 기반 예측모형(우)의 동아시아 지역 여름철 월별 기온 예측성 확률 분포
표 Bootstrap 방법을 통해 분석된 앙상블 정준상관 예측모형의 동아시아 지역 여름철 월별 기온 예측성 확률 분포
표 앙상블 정준상관 예측모형으로부터 예측된 한반도 주변 지역 2016년 여름철 월별 강수 편차와 재분석 자료 비교
표 앙상블 정준상관 예측모형으로부터 예측된 한반도 주변 지역 2016년 여름철 월별 지상 기온 편차와 재분석 자료 비교
표 앙상블 정준상관 예측모형으로부터 예측된 한반도 주변 지역 2017년 여름철 월별 강수 편차와 재분석 자료 비교
표 앙상블 정준상관 예측모형으로부터 예측된 한반도 주변 지역 2016년 여름철 월별 지상 기온 편차와 재분석 자료 비교
표 전년 대비 여름철 평균 강수 편차 예측을 위한 확률 알고리즘의 구성
표 계절 내 기후 편차 예측을 위한 역학-통계 모형의 구성
표 여름철 북서태평양 아열대 고기압 지수와 한반도 주변 지역 강수 지수 간 기간별 상관관계
표 여러 매개변수에 따른 일반화된 극단분포
표 여러 매개변수에 따른 일반화된 파레토분포
표 서울 일최고기온의 히스토그램과 자료에 적합시킨 GEV 분포(오렌지색)
표 이용된 일최고기온에 대한 한반도 관측소의 공간적 분포와 세 매개변수의 클러스터
표 GEV 분포에 적합된 한반도 45개 관측소의 일최고기온에 대한 모양변수, 규모변수, 그리고 위치변수의 분포
표 각 관측소에 따른 일최고기온의 기후값. 적색실선은 서울 관측소의 일최고기온 기후값
표 서울 관측소의 일최고기온에 대하여 평년보다 높은 경우(붉은색), 평년인 경우(회색), 평년보다 낮은 경우(청색), 각 월에서 GEV 분포와 각 매개변수 값
표 이전 겨울철 엘니뇨, 평년, 라니냐를 제외하고, Fig. 3.1.42와 같음
표 동시 여름철 엘니뇨, 평년, 라니냐를 제외하고, Fig. 3.1.42와 같음
표 빠른 엘니뇨 전이와 느린 엘니뇨 전이에 대한 경우를 제외하고, Fig. 3.1.42와 같음. 이전 겨울철 엘니뇨이고, 이후 여름철에도 엘니뇨인 경우를 느린 전이로 정의하고, 그렇지 않은 경우를 빠른 전이로 정의함
표 북서태평양 고기압변동성인 경우를 제외하고, Fig. 3.1.42와 같음
표 CGT(CircumGlobal Teleconnetion) 변동인 경우를 제외하고, Fig. 3.1.42와 같음
표 십년변동인 경우를 제외하고, Fig. 3.1.42와 같음
표 7월과 8월에 대하여 서울 관측소 일최고기온의 귀환기간과 귀환값
표 서울관측소의 일최고기온의 연중 최고값과 최대 4개 해에 대한 H200, H850, 그리고 해수면온도 편차의 합성도
표 ENSO, CGT, 그리고 북서태평양 아열대고기압 지수에 대한 분산도
표 각 월에서 여름철 엘니뇨에 대한 GEV 위치변수의 평균값과 이상값
표 각 월에서 양의 CGT에 대한 GEV 모양변수의 평균값과 이상값
표 각 기후변동 인자에 따른 각 GEV 매개변수의 증감. 분홍색은 이항검정에 따라 95% 신뢰수준에서 유의미함을 나타냄
표 결정트리 모델의 예
표 GEV 확률분포모형을 이용한 8월 한반도 일최고기온의 1991년과 2016년 예측값, 그리고 기후값의 확률밀도함수
표 재분석자료와 GloSea5에서 예측한 (a) Nino3.4 지수와 (b) 북서태평양 아열대고기압 지수
표 (a) 재분석자료 및 (b) GloSea5 기후모형을 이용한 한반도 일최고 기온의 확률분포모형의 예측값
표 본 연구에서 이용한 45개 관측소들의 위치
표 한반도 a) 6월, b) 7월, c) 8월의 기후 평균값과 d) 6월, e) 7월, f) 8월의 기온 편차 시계열. 시계열의 파란선은 해당 기간의 추세선을 의미한다
표 동아시아 6월 기온의 EOF 분석을 통해 얻은 첫 번째 모드의 a) 공간 변동과 b) 시계열
표 6월 잔차 시계열을 이용하여 계산한 a) SST와 b) 850hPa 지위고도에 대한 회귀패턴. 95% 유의도를 만족하는 지역은 점으로 표기하였다
표 동아시아 7,8월 기온의 EOF 분석을 통해 얻은 세 번째 모드의 a) 공간 변동과 b) 시계열
표 7,8월 기온의 EOF 세 번째 모드의 시계열을 이용하여 계산한 a) SST와 b) 850hPa 지위고도에 대한 회귀 패턴
표 한반도 1개월 기온예측인자의 위경도와 한반도 기온과의 상관성 표
표 한반도 6월 기온 시계열을 이용하여 계산한 3월 유라시아 대륙 눈덮임의 회귀 패턴
표 Fig. 3.2.7에서 지정한 지역의 3월 눈덮임 지수와 6월 기온 간의 회귀 패턴
표 3월 눈덮임 지수와 3월 850hPa 지위고도 간의 회귀 패턴
표 3월 눈덮임 지수를 이용하여 계산한 a) 3월, b) 4월 유라시아 지역 눈덮임과 c) 4월, d) 5월 토양 수분(c,d)의 회귀 패턴
표 5월 토양 수분 지수를 이용한 6월 a) 850hPa 지위고도와 b) 기온에 대한 회귀 패턴
표 한반도 6월 기온 시계열과 4월 강수량간의 회귀 패턴
표 4월 강수량 지수를 이용하여 계산한 6월 기온에 회귀 패턴
표 4월 강수량 지수를 4월 SST에 회귀분석한 패턴
표 4월 강수량 지수의 a) 4월, b) 5월, c) 6월 850hPa 바람(화살표)과 동일한 높이의 지위고도(색상)에 대한 회귀 패턴
표 한반도 6월 기온의 1월 SST에 대한 회귀 패턴
표 1월 SST 지수의 6월 기온에 대해 계산한 회귀 패턴
표 1월 SST 지수를 이용한 1월부터 6월까지(a~f)의 SST 회귀 패턴
표 한반도 7월 기온을 3월 500hPa 지위고도에 계산한 회귀 패턴
표 3월 500hPa 지위고도 지수에 대한 7월 기온의 회귀 패턴
표 3월 500hPa 지위고도 지수를 이용하여 3월 SST에 대해 계산한 회귀 패턴
표 3월 대서양 SST 지수를 a) 4월, b) 5월, c) 6월, d) 7월 SST에 대해 계산한 회귀 패턴
표 7월 대서양 SST 지수를 7월 500hPa 지위고도에 대해 계산한 회귀 패턴
표 한반도 7월 기온을 4월 SST에 대해 계산한 회귀 패턴
표 4월 SST 지수와 7월 기온 간의 회귀 패턴
표 4월 SST 지수와 SST a) 4월, b) 5월, c) 6월, d) 7월의 회귀 패턴
표 6월 인도양 지수와 7월 850hPa 지위고도 간의 회귀 패턴
표 한반도 7월 기온과 4월 850hPa 지위고도 간의 회귀 패턴
표 4월 850hPa 지위고도 지수를 7월 기온에 대해 계산한 회귀 패턴
표 4월 850hPa 지위고도 지수와 4월 850hPa 지위고도 간의 회귀 패턴
표 4월 850hPa 지위고도 지수를 SST에 대해 계산한 회귀 패턴
표 한반도 8월 기온을 3월 강수량에 대해 계산한 회귀 패턴
표 3월 강수량 지수와 8월 기온 간의 회귀 패턴
표 3월 강수량 지수를 a) 3월, b) 4월, c) 5월, d) 6월, e) 7월, f) 8월 SST에 대해 계산한 회귀 패턴
표 7월 인도양 지수를 8월 기온에 대해 계산한 회귀 패턴
표 3월 강수량 지수와 a) 3월, b) 4월, c) 5월, d) 6월, e) 7월, f) 8월 850hPa 지위고도에 대해 계산한 회귀 패턴
표 한반도 8월 기온을 4월 눈덮임에 대해 계산한 회귀 패턴
표 4월 눈덮임 지수를 8월 기온에 대해 계산한 회귀 패턴
표 4월 눈덮임 지수와 8월 500hPa 지위고도 간의 회귀 패턴
표 8월 기온을 2월 SST에 대해 계산한 회귀 패턴
표 2월 SST 지수와 8월 기온에 대해 계산한 회귀 패턴
표 2월 SST 지수와 a) 3월, b) 4월, c) 5월, d) 6월, e) 7월, f) 8월 SST에 대해 계산한 회귀 패턴
표 한반도 6월 기온을 a) 3월 눈덮임, b) 1월과 3월 간의 SST 경향성, c) 1월 SST 에 대해 계산한 회귀 패턴
표 한반도 6월 기온과 예측인자들 간의 상관계수
표 한반도 7월 기온을 a) 3월 500hPa 지위고도, b) 4월 SST, c) 3월 SST 에 대해 계산한 회귀 패턴
표 한반도 7월 기온과 예측인자들 간의 상관계수
표 한반도 8월 기온을 a) 4월 눈덮임, b) 2월 SST, c) 3월 강수량에 대해 계산한 회귀 패턴
표 한반도 8월 기온과 예측인자들 간의 상관계수
표 다중회귀분석 모델을 이용한 한반도 여름철 월별 기온 예측
표 우리나라 6,7,8월 기온과 예측 기온간의 상관계수
표 2016년 6월 기온의 a) 공간 분포 와 b) 편차의 시계열
표 2016년 7월 기온의 a) 공간 분포 와 b) 편차의 시계열
표 2016년 8월 기온의 a) 공간 분포와 b) 편차의 시계열
표 2016년 6월의 850hPa 지위고도와 바람의 편차
표 2016년 a) 3월 눈덮임의 편차, b) 1월과 3월 간의 SST 경향성의 편차, c) 1월 SST의 편차
표 2016년 7월의 850hPa 지위고도와 바람 편차
표 2016년 a) 3월 500hPa 지위고도, b) 4월 SST, c) 3월 SST의 편차
표 2016년 8월의 850hPa 지위고도와 바람 편차
표 2016년 a) 4월 눈덮임, b) 2월 SST, 3) 3월 강수량의 편차
표 2016년 8월의 OLR 편차
표 한반도 월별 최고기온 편차의 시계열
표 한반도 월 별 최고기온의 표준편차와 선형경향성, *은 90% 신뢰구간에서 유의함
표 6월 하층 대기(850hPa)의 GPH 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염
표 6월의 a)~c)는 이전기간 폭염 발생 시의 a)표층바람(850hPa)과 b)상대습도, c) 순단파 복사의 편차 합성장, d)~f)는 2017년 폭염 발생 시의 합성장으로 각각 a)~c)와 동일한 변수
표 6월 상층 대기(200hPa)부터 하층 대기(850hPa)까지의 GPH 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염
표 6월 Omega와 OLR의 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염, 빨간색 선은 한반도가 위치한 위도, 연직 omega는 경도 125~130°E 평균된 합성장
표 7월 하층 대기(850hPa)의 GPH 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염
표 7월의 a)~c)는 이전기간 폭염 발생 시의 a)표층바람(850hPa)과 b)상대습도 c)순단파 복사량의 합성장, d)~f)는 2017년 폭염 발생 시의 합성장으로 각각 a)~c)와 동일한 변수
표 7월 상층 대기(200hPa)부터 하층 대기(850hPa)까지의 GPH 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염
표 8월 하층 대기(850hPa)의 GPH 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염
표 8월 상층 대기(200hPa)부터 하층 대기(850hPa)까지의 GPH 편차 합성장, a)는 이전기간 폭염, b)는 2017년 폭염
표 8월의 a)~c)는 이전기간 폭염 발생시의 a)표층바람(850hPa)과 b)상대습도 c)기온의 합성장, d)~f)는 2017년 폭염 발생시의 합성장으로 각각 a)~c)와 동일한 변수, g)는 2017년 폭염 발생시의 한반도의 편차 합성장 (순서대로 바람, 상대습도, 기온)
표 폭염과 열대야의 발생 빈도수와 빈도수의 시계열, 왼쪽(a)은 폭염, 오른쪽(b)은 열대야
표 7월의 pure-폭염(a~e)과 pure-열대야(f~j)의 대기변수 편차의 합성장. a),f)는 GPH850 과 바람, b),g)는 순단파복사, c),h)는 총 운량, d),i)는 상대습도, e),j)는 연직 기온(32.5─40°N 평균)
표 Spatial distribution of 850-hPa geopotential height (shading) and horizontal wind anomalies (vector) associated with the SOM classified patterns at June. The percentage for each cluster is shown in parentheses
표 Composite map of the SSTAs evolution for the cluster 2 at Jun. The thick contour are statistically significant at the 90% confidence level
표 Same as in Fig. 3.3.1 except for July
표 Same as in Fig. 3.3.2 except for the cluster 3 at July
표 Same as in Fig. 3.3.1 except for August
표 Same as in Fig. 3.3.2 except for the cluster 4 at August
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 925 hPa (black) in June against the time series index constructed from SST anomalies averaged over [280°- 295°E, 30°- 45°N] from January to April
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 850 hPa (black) in June against the time series index constructed from SST anomalies tendency [April~May – January~February] averaged over [125°- 180°E, 25°- 35°N]
표 Correlation map of precipitation (green), SST (shading) and streamfunction at 500 hPa (black) in June against the time series index constructed from SST anomalies averaged over [180°- 230°E, 20°S – 20°N] in April
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 925 hPa (black) in July against the time series index constructed from SST anomalies averaged over [300°- 355°E, 55°- 60°N] - [280°- 310°E, 25°- 45°N] + [330°- 345°E, 20°- 30°N] from April to May
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 200 hPa (black) in July against the time series index constructed from SST anomalies tendency [May - April] averaged over [300°- 355°E, 55°- 60°N] - [280°- 310°E, 25°- 45°N] + [330°- 345°E, 20°- 30°N]. Red lines show the climatological zonal wind at 200 hPa
표 Correlation map of precipitation (green), SST (shading) and geopotential height at (a) and (b) 500 and (c) 850 hPa (black) in July against the time series index constructed from SST anomalies tendency [April~May – January~February] averaged over [115°- 130°E, 5°- 15°N]
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 925 hPa (black) in July against the time series index constructed from SST anomalies tendency [April - January] averaged over [295°- 330°E, 60°- 65°N] - [285°- 320°E, 35°- 50°N]
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 925 hPa (black) in July against the time series index constructed from SST anomalies averaged over [60°- 110°E, 20°S – 25°N] from April to May
표 Correlation map of precipitation (green), SST (shading) and geopotential height at 500 hPa (black) in July against the time series index constructed from SST anomalies averaged over [115°- 150°E, 35°- 45°N] - [125°- 180°E, 10°- 30°N] in May
표 Areas for the selected predictors. Black boxes represent areas of the three predictors selected by Lee and Seo (2013). Blue boxes represent areas of the additional four predictors selected in this study
표 Observed (black solid line) and predicted precipitation anomalies for each model (1st prediction model: blue dashed line, 2nd prediction model: red dashed–dot line, 3rd prediction model: orange dash–dot–dot–dot line, and 4th prediction model: yellow long-dash line). The dotted horizontal lines represent 0.43 and −0.43, respectively
표 Observed (red bars) and ensemble-mean predicted (blue bars) precipitation anomalies. The dotted horizontal lines represent 0.43 and −0.43, respectively
표 SSTAs (shading, intervals of 0.3 K) during spring time in 2015
표 Observed SSTAs (shading, intervals of 0.3 K) and 850-hPa geopotential height anomalies (contour intervals of 4 m) from (a) June to (c) July for 2015. Spatial correlation maps between the KMA’s 60 precipitation anomalies during (b) June to (d) July for the training period 1994-2011 and the reversed NA time series
표 Spatial correlation maps between the KMA’s 60 precipitation anomalies during June to July for the training period 1994-2011 and the CNINO and the WNP(OLR) time series
표 Domain for the prediction of June precipitation in Korea using January to May predictors. X1 is the Atlantic Ocean SST anomaly from January to April, X2 is SST anomaly tendency [April~May – January~February] over north western Pacific and X3 is CP ENSO-related SST anomaly
표 Observed precipitation anomalies (black bars) in Korea and predicted precipitation anomalies (blue bars) in June
표 Domain for the prediction of July precipitation in Korea using January to May predictors. X1 is the Atlantic Ocean tripolar SST anomaly [northern box – centered box + southern box] from April to May, X2 is Atlantic tripolar SST tendency [May - April] and X3 is warm pool SST anomaly tendency [April~May – January~February]
표 Observed precipitation anomalies (black bars) in Korea and predicted precipitation anomalies (blue bars) in July
표 Domain for the prediction of August precipitation in Korea using January to May predictors. X1 is the Atlantic Ocean SST tendency [April - January] difference [northern box – southern box], X2 is SST anomaly over Indian ocean from April to May and X3 is western Pacific SST anomaly difference [northern box – southern box] in May
표 Observed precipitation anomalies (black bars) in Korea and predicted precipitation anomalies (blue bars) in August
표 Observed geopotential height anomalies at 850 hPa in June 2016
표 Observed geopotential height anomalies at 850 hPa in July 2016
표 Observed geopotential height anomalies at 850 hPa in August 2016
표 (a) SSTAs (shading, intervals of 0.3 K), 850-hPa geopotential height anomalies (contour, intervals of 5 m), 850-hPa wind anomalies (vector, Unit: m s-1) anomaly during spring time in 2016. (b) SSTAs and 850-hPa geopotential height anomalies during early summer (June~July) in 2016. (c) GPCP anomalies (shading, intervals of 0.5 mm day-1) and 500-hPa geopotential height at 5850 gpm and 5880 gpm (contour, black for climatological mean, red for 2016, Unit: m) during early summer (June~July) in 2016
표 Daily precipitation climatology (green line) and daily precipitation amounts in 2016 summer (JJA) (black bar) averaged at 45 meteorological stations in South Korea
표 (a)-(e) Temporal evolution of OLR anomalies (shading, intervals of 10 W m-2), 850-hPa geopotential height anomalies (blue contour, intervals of 10 m) and 850-hPa wind anomalies (vector, unit: m s-1) from 29 June to 3 July for 2016. (f) OLR, 850-hPa geopotential height anomalies and 850-hPa wind anomalies from 1 July to 3 July for 2016
표 (a)-(c) Temporal evolution of 200-hPa zonal wind anomalies (shading, intervals of 5 m s-1) and 200-hPa geopotential height anomalies (black contour, intervals of 40 m) and 200-hPa zonal wind of 30 m s-1 (red contour) from 29 June to 1 July for 2016. (d)-(f) same as (a)-(c) but for 500-hPa omega anomalies (shading, intervals of 0.08 Pa s-1) and 500-hPa geopotential height anomalies (contour, intervals of 20 m). (g)-(i) same as (a)-(c) but for 850-hPa moisture convergence anomalies (shading, intervals of 4 10-4gkg-1s-1) and 850-hPa moisture flux anomalies (vector, unit: m s-1)
표 (a)-(e) Same as Fig. 3.3.33a-e but for 2 June to 6 July for 2016. (f) Same as Fig. 3.3.33f but for 4 July to 6 July for 2016. The typhoon NEPARTAK temporal center position is marked by the typhoon symbol
표 Composite map (24 TC cases) of GPCP anomaly (shading, intervals of 0.5 mm day-1), 850-hPa geopotential height anomaly (contour, intervals of 3 m), 850-hPa wind anomaly (vector, m s-1) from 1994 to 2015. Black dots indicate the GPCP anomaly region that exceeds the 90% confidence level based on a Student’s t test
표 (a)-(h) Temporal evolution of OLR anomalies (shading, intervals of 20 W m-2), MJO_OLR (black contour, intervals of 10), Equatorial Rossby waves (red contour, intervals of 10) and Kelvin waves (blue contour, intervals of 15) from 29 June to 3 July for 2016. (i) OLR anomalies, 850-hPa geopotential height anomalies and 850-hPa wind anomalies from 1 July to 6 July for 2016
표 (a) Mean field of Genesis potential index (intervals of 0.4) and (b) GPI anomalies during Changma period(6/18 – 7/30) in 2016
표 TX90pM (orange line) and TX90p (red line) for the period from 1995 to 2017
표 Sliding Lepage test (HK, symbol used by Yonetani and McCabe 1994) to TX90p for period 1982 to 2017 with windows of 3 to 10 years. The dotted lines are 5.99 and 9.21, which indicate significant confidence level of 95% and 99%
표 Regressed maps for the (a) 200-hPa and (c) 850-hPa geopotential height anomaly (shading, gpm) ,and (d) 2-m temperature anomaly (shading, K) in JJA against the TX90p index for the period from 1995 to 2014.. Contours represent statistically significant areas satisfying 90% confidence level through a Student′s t test
표 Composite field of 2-m temperature anomaly (shading, K) corresponding to the respectively days from the classified SOM analysis for extreme temperature. Contours indicate statistically significant regions at the 90% confidence level
표 Composite field of 850-hPa GPH anomaly (shading, gpm) and wind anomaly (vector, m s-1 ) corresponding to the respectively days from the classified SOM analysis for extreme temperature. Contours indicate statistically significant regions at the 90% confidence level
표 Composite field of SST anomlay (shading, K) corresponding to the respectively –90 lag days (top panel) and –60 lag days (botttm panel) from the classified SOM analysis for extreme temperature. Left panel indicate cluster 2 and right panel indicate cluster3. Contours indicate statistically significant regions at the 90% confidence level
표 Monthly day number and percentage classified by cluster 2 and cluster 3
표 A 3×3 contingency table that classifies the predictions and observations by ±0.43 standard deviations. The percentage of the correct predictions is approximately 78.3%
표 Regressed SSTAs against the TX90p (shading, K) in (a) April, (b) May, and (C) JJA for the period from 1995 to 2014. Contours represent statistically significant areas satisfying the 90% confidence level through a Student′s t test
표 Domain and period of selected predictors. The red (blue) box indicates the positive (negative) SST anomaly region. The NAI is a dipole SST anomaly pattern and is calculated as positive area minus negative area
표 Normalized values of prediction and observation for 1995 to 2017. The yellow bar indicates the observed TX90p, while the green bar indicates the prediction. The dotted lines are ±0.43 standard deviations, which represent the thresholds for tercile prediction (above, normal, and below normal predictions)
표 Composite difference (strong–weak) maps for the (a) 2-m temperature anomaly in JJA (shading, K), (b) SST anomaly in April and May (shading, K), and (c) SST anomaly in JJA (shading, K) for the NAI (1995–2014). Contours indicate statistically significant regions at the 90% confidence level. Composite criteria are ±1.0 standard deviations
표 Composite difference (strong–weak) maps for the (a) 300-hPa GPH anomaly (shading, gpm) and wind anomaly (vector, m s-1 ), and (b) 850-hPa GPH anomaly (shading, gpm) and wind anomaly (vector, m s-1 ) in JJA for the NAI (1995–2014). Contours indicate statistically significant regions at the 90% confidence level. Composite criteria are ±1.0 standard deviations
표 The 300-hPa GPH anomaly (contour interval of 10 gpm) response in the GFDL model experiment. (a) Day 22 result for climatological (1995–2014) mean JJA basic state and (b) ensemble mean of day 22 results for individual JJA mean basic states during 1995–2014. Red (blue) shading indicates vertically averaged heating rate (cooling) (K day-1 )
표 Composite difference (strong–weak) maps for the SST anomaly (shading, K) for (a) April, (c) May and (d) JJA and (b) precipitation anomaly (shading, mm day-1 ), (d) 2-m temperature anomaly (shading, K), and (e) 850-hPa GPH anomaly (shading, gpm) and wind anomaly (vectors, m s-1 ) in JJA for the WNPI (1995–2014). Contours indicate statistically significant regions at the 90% confidence level. Composite criteria are ±1.0 standard deviations
표 The 850-hPa GPH anomaly (contour interval of 0.2 gpm) response to GFDL model experiment. (a) Day 15 result for climatological (1995–2014) mean JJA basic state and (b) ensemble mean of day 15 results for individual JJA mean basic states during 1995–2014. Shading indicates vertically averaged heating rate (K day-1 )
표 Composite difference (strong–weak) maps for the (a) SST anomaly in May (shading, K) and (c) SST anomaly in June and July (shading, K), and (b) 850-hPa geopotential height anomaly (shading, gpm) and wind anomaly (vectors, m s-1 ) in May and (d) in June and July for the ENPI (1995–2014). Contours indicate statistically significant regions at the 90% confidence level. Composite criteria are ±1.0. A green box indicates a negative and positive SST anomaly pattern that induces a cyclonic circulation anomaly in between
표 Simulated (a) SST (K), (b) surface pressure (shading ,Pa) and winds (vector, ms-1 ), (c) precipitation rate (10-5 kg m-2 s-1 ), and (d) surface temperature (K) for CM2.1 model experiments, The red box is the forcing region where 1.0 SST standard deviation is added in May for the forcing experiment
표 겨울철 엘니뇨에 대한 모형들의 예측 성능. 실선은 역학 모형을, 점선은 통계 예측 모형을 의미한다(Barnston et al., 2012)
표 실제 예측을 위한 CNN 모형의 학습에 사용된 CMIP 기후 모형 목록
표 엘니뇨 예측을 위한 convolutional neural network(CNN) 모형의 구조. 빨간색 상자와 실선은 convolutional 과정을 의미하며, 파란색 상자와 실선은 max pooling 과정을 의미한다. 모형의 계층은 순서대로, 입력계층, convolutional 계층1, pooling 계층1, convolutional 계층2, pooling 계층2, convolutional 계층3, fully-connected 계층, 출력계층으로 이루어져 있다. 각 계층의 아래에 표시된 숫자는 자료의 차원을 나타낸다
표 단순화된 모형실험. 단순화된 모형실험에 사용한 두 가지 라벨(Lab A, Lab B)의 지역 범위(a), Lab A 실험을 통하여 학습된 convolutional 필터의 가중치(b), Lab A 실험을 통해서 학습된 pooling 계층과 출력 계층을 연결하는 가중치(c), Lab B 실험을 통하여 학습된 convolutional 필터의 가중치(d), Lab B 실험을 통해서 학습된 pooling 계층과 출력 계층을 연결하는 가중치(e)
표 Lab A 실험의 결과. 검은색 실선은 예측 목표인 MPI-ESM-P 장기 적분 결과에서 Lab A 지역(170°~120°W, 5°S~5°N)에 대해서 지역 평균한 아노말리를 나타내며, 빨간색 점과 실선은 단순화된 CNN 모형이 예측해낸 결과이다
표 Lab B 실험의 결과. 검은색 실선은 예측 목표인 MPI-ESM-P 장기 적분 결과에서 Lab B 지역(90°~80°W, 35°S~10°N)에 대해서 지역 평균한 아노말리를 나타내며, 빨간색 점과 실선은 단순화된 CNN 모형이 예측해낸 결과이다
표 Convolutional 계층에서의 특징 지도의 개수와 fully-connected 계층에서의 은닉 뉴런의 개수에 따른 4개의 각기 다른 모형의 계층별 차원. Convolutional 계층에서의 특징 지도의 개수와 fully-connected 계층에서의 은닉 뉴런의 개수를 각각 30개와 5개로 나누어서 실험하였다. 예를 들어, C30H30은 Convolutional 계층에서의 특징 지도의 개수가 30개이고, fully-connected 계층에서의 은닉 뉴런의 개수가 30개인 경우를 말한다
표 CNN 모형의 8개월 엘니뇨 예측 결과. 검은색 실선은 예측 목표인 MPI-ESM-P 모형 장기적분 결과이며, 빨간색 실선은 이를 예측한 CNN 모형의 결과이다. 빨간색 점들은 각각의 실험(C30H30, C30H50, C50H30, C50H50)의 결과이다. 범례의 괄호 안은 MPI-ESM-P와 CNN 모형의 예측 결과의 상관계수를 의미한다
표 MLR 모형의 9개월 엘니뇨 예측 결과. 검은색 실선은 예측 목표인 MPI-ESM-P 모형 장기적분 결과이며, 하늘색 실선은 이를 예측한 MLR 모형의 결과이다. 범례의 괄호 안은 MPI-ESM-P와 MLR 모형의 예측 결과의 상관계수를 의미한다
표 EOF 주성분의 개수 조합에 따른 상관 계수의 변화. 열(column) 방향은 인도양, 대서양, 북태평양에서의 해수면 온도의 주성분의 개수 변화(2개 ~ 5개)를 의미하며, 행(row) 방향은 태평양에서의 해수면 온도와 열용량의 주성분의 개수 변화(3개 ~ 5개)를 의미한다
표 예측목표인 MPI-ESM-P 모형의 장기 적분 결과의 표준 편차를 기준으로 엘니뇨와 보통, 라니냐로 나누었을 때의 경우의 수(Total), CNN 모형이 이들을 각각 맞춘 경우의 수(CNN), MLR 모형이 이들을 각각 맞춘 경우의 수(MLR), MLR 모형은 맞추지 못하고 CNN 모형만 이들을 각각 맞춘 경우의 수(Only CNN), CNN 모형과 MLR 모형 둘 다 이들을 각각 맞춘 경우의 수(Both). 괄호 안은 CNN, MLR, Only CNN, Both의 경우의 수를 MPI-ESM-P 모형의 경우의 수로 나누어 백분율로 표기한 것
표 관측에서 나타나는 엘니뇨의 합성도(표준편차를 기준으로 그 이상인 경우, a, b, c, d)와 MPI-ESM-P 모형에서 나타나는 엘니뇨의 합성도(e, f, g, h)를 계절에 따라 평균하여 나타낸 것. 각 계절은 위에서부터 순서대로 2, 3, 4월 평균(a, e), 5, 6, 7월 평균(b, f), 8, 9, 10월 평균(c, g), 12, 1, 2월 평균(d, h)이다. 등온선으로 나타낸 것은 해수면 온도 아노말리를 의미하고 음영으로 나타낸 것은 열용량 아노말리, 화살표는 850hPa에서의 바람장 아노말리를 나타낸다
표 Only CNN 케이스와 Both 케이스에 속한 각각의 엘니뇨 이벤트와 MPI-ESM-P 모형의 전체 엘니뇨 합성도로부터와의 차이를 해수면 온도와 열용량에 대해 구한 다음, 이 차이의 root mean square(RMS)를 구하여 나타낸 것. Only CNN 케이스의 해수면 온도에 대한 RMS(a), Both 케이스의 해수면 온도에 대한 RMS(b), Only CNN 케이스의 열용량에 대한 RMS(c), Both 케이스의 열용량에 대한 RMS(d)
표 Only CNN 케이스와 Both 케이스에 속한 각각의 엘니뇨 이벤트와 MPI-ESM-P 모형의 전체 엘니뇨 합성도를 남위 2.5°부터 북위 2.5°까지 평균하여 둘 간의 차이를 해수면 온도(a)와 열용량(b)에 대해 구한 다음, 이 차이의 root mean square(RMS)를 구하여 나타낸 것. 빨간색 실선은 Only CNN 케이스를 의미하며 하늘색 실선은 Both 케이스를 의미한다
표 개개의 엘니뇨 이벤트의 2, 3, 4월 평균 열용량 아노말리와 같은 시기의 MPI-ESM-P의 엘니뇨 합성도와의 태평양 지역(120°E~90°W, 20°S~20°N)에서의 패턴 상관관계를 나타낸 것. 빨간색 막대는 Only CNN 케이스를 의미하며, 하늘색 막대는 Both 케이스, 회색 막대는 두 케이스 모두에 속하지 않은 경우를 의미한다
표 개개의 엘니뇨 이벤트의 2, 3, 4월 평균 열용량 아노말리와 같은 시기의 EOF하여 도출된 고유 벡터(eigen vector) 중에서 엘니뇨의 발달 모드와 관련이 깊은 두 번째 모드와의 태평양 지역(120°E~90°W, 5°S~5°N)에서의 패턴 상관관계를 나타낸 것. 빨간색 막대는 Only CNN 케이스를 의미하며, 하늘색 막대는 Both 케이스, 회색 막대는 두 케이스 모두에 속하지 않은 경우를 의미한다
표 Fig. 3.4.12에서 전체 엘니뇨의 합성도와의 패턴 상관관계가 Both 케이스 중에 가장 높았던 37번 케이스와 Only CNN 케이스 중 가장 낮았던 28번 케이스에 대해서 계절에 따른 해수면 온도 아노말리, 열용량 아노말리, 850hPa 바람장 아노말리의 변화를 나타낸 것. 각 계절은 위에서부터 순서대로 2, 3, 4월 평균(a, e), 5, 6, 7월 평균(b, f), 8, 9, 10월 평균(c, g), 12, 1, 2월 평균(d, h)이다. 등온선으로 나타낸 것은 해수면 온도 아노말리를 의미하고 음영으로 나타낸 것은 열용량 아노말리, 화살표는 850hPa에서의 바람장 아노말리를 의미한다
표 CNN 모형과 MLR 모형의 9개월 실제 엘니뇨 예측 결과. 검은색 실선은 예측 목표인 GODAS 재분석 자료의 Nino3.4이며, 빨간색 실선은 CNN 모형의 9개월 엘니뇨 예측결과, 파란색 실선은 MLR 모형의 9개월 엘니뇨 예측 결과이다
표 CNN 모형과 NMME 모형들의 11개월 엘니뇨 예측 결과. 검은색 실선은 예측 목표인 GODAS 재분석 자료의 Nino3.4이며, 빨간색 실선은 CNN 모형, 파란색 실선은 CanCM4, 초록색 실선은 CanCM3, 노란색 실선은 GFDL_FLOR, 보라색 실선은 NCAR_CCSM4의 11개월 엘니뇨 예측 결과이다
표 동아시아 강수 예측을 위한 convolutional neural network(CNN) 모형의 구조. 빨간색 상자와 실선은 convolutional 과정을 의미하며, 파란색 상자와 실선은 max pooling 과정을 의미한다. 모형의 계층은 순서대로, 입력계층, convolutional 계층1, pooling 계층1, convolutional 계층2, pooling 계층2, convolutional 계층3, fully-connected 계층, 출력계층으로 이루어져 있다. 각 계층의 아래에 표시된 숫자는 자료의 차원을 나타낸다
표 CNN 모형의 EASRA 예측 결과. 검은색 실선은 예측 목표인 ERA Interim 재분석 자료의 EASRA이며, 빨간색 실선은 CNN 모형의 EASRA 예측 결과이다
표 CNN 모형의 EASRA 예측 결과. 검은색 실선은 예측 목표인 ERA Interim 재분석 자료의 EASRA이며, 빨간색 실선은 CNN 모형의 EASRA 예측 결과이다
표 활성함수 rectified linear unit(ReLU, 왼쪽)과 hyperbolic tangent(tanh, 오른쪽)
표 활성함수로써 rectified linear unit(ReLU)를 사용한 모형과 hyperbolic tangent(tanh)를 사용한 모형의 8개월 엘니뇨 예측 결과. 검은색 실선은 예측 목표인 MPI-ESM-P 모형 장기 적분 결과이며, 빨간색 실선은 이를 예측한 활성함수로 tanh를 사용한 모형의 결과이며 초록색 실선은 활성함수로 ReLU를 사용하여 예측한 결과이다. 범례의 괄호 안은 MPI-ESM-P와 두 모형이 예측한 결과의 상관계수를 의미한다

과제명(ProjectTitle) :	-
연구책임자(Manager) :	-
과제기간(DetailSeriesProject) :	-
총연구비 (DetailSeriesProject) :	-
키워드(keyword) :	-
과제수행기간(LeadAgency) :	-
연구목표(Goal) :	-
연구내용(Abstract) :	-
기대효과(Effect) :	-

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 제목(한글), 저자명(한글), 발행일자, 전자원문, 초록(한글), 초록(영문) 관리번호, 제목(한글), 제목(영문), 저자명(한글), 저자명(영문), 주관연구기관(한글), 주관연구기관(영문), 발행일자, 총페이지수, 주관부처명, 과제시작일, 보고서번호, 과제종료일, 주제분류, 키워드(한글), 전자원문, 키워드(영문), 입수제어번호, 초록(한글), 초록(영문), 목차
저장형식	Text(ASCII format) Excel format
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

[국가R&D연구보고서] 물리·역학·통계 기반 우리나라 여름철 계절내 강수 및 기온 변동 계절예측 기술 개발 원문보기

초록 ▼

Abstract ▼

목차 Contents

표/그림 (213)

표/그림 (213)

연구자의 다른 보고서 :

참고문헌 (25)

연구과제 타임라인

관련 콘텐츠

원문 보기

이 보고서와 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국가R&D연구보고서] 물리·역학·통계 기반 우리나라 여름철 계절내 강수 및 기온 변동 계절예측 기술 개발 원문보기

초록 ▼

Abstract ▼

목차 Contents

표/그림 (213) 모든 표/그림 보기

표/그림 (213) 슬라이드로 보기

연구자의 다른 보고서 :

권민호 (18)

참고문헌 (25)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 보고서와 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

표/그림 (213)

표/그림 (213)