Atmosphere. Korean Meteorological Society Vol. 26, No. 4 (2016) pp. 697-709 https://doi.org/10.14191/atmos.2016.26.4.697 pissn 1598-3560 eissn 2288-3266 기술노트 (Technical Note) PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 이준리 안중배 * 정하규부산대학교지구환경시스템학부 ( 접수일 : 2016 년 9 월 27 일, 수정일 : 2016 년 10 월 18 일, 게재확정일 : 2016 년 10 월 25 일 ) A Study on the Method for Estimating the 30 m-resolution Daily Temperature Extreme Value Using PRISM and GEV Method Joonlee Lee, Joong-Bae Ahn*, and Ha-Gyu Jeong Division of Earth Environmental System, Pusan National University, Busan, Korea (Manuscript received 27 September 2016; revised 18 October 2016; accepted 25 October 2016) Abstract This study estimates and evaluates the extreme value of 30 m-resolution daily maximum and minimum temperatures over South Korea, using inverse distance weighting (IDW), parameter-elevation regression on independent slopes model (PRISM) and generalized extreme value (GEV) method. The three experiments are designed and performed to find the optimal estimation strategy to obtain extreme value. First experiment (EXP1) applies GEV firstly to automated surface observing system (ASOS) to estimate extreme value and then applies IDW to produce high-resolution extreme values. Second experiment (EXP2) is same as EXP1, but using PRISM to make the high-resolution extreme value instead of IDW. Third experiment (EXP3) firstly applies PRISM to ASOS to produce the high-resolution temperature field, and then applies GEV method to make high resolution extreme value data. By comparing these 3 experiments with extreme values obtained from observation data, we find that EXP3 shows the best performance to estimate extreme values of maximum and minimum temperatures, followed by EXP1 and EXP2. It is revealed that EXP1 and EXP2 have a limitation to estimate the extreme value at each grid point correctly because the extreme values of these experiments with 30 m- resolution are calculated from only 60 extreme values obtained from ASOS. On the other hand, the extreme value of EXP3 is similar to observation compared to others, since EXP3 produces 30m-resolution daily temperature through PRISM, and then applies GEV to that result at each grid point. This result indicates that the quality of statistically produced high-resolution extreme values which are estimated from observation data is different depending on the combination and procedure order of statistical methods. Key words: PRISM, IDW, GEV, extreme value, high-resolution, daily minimum and maximum temperature *Corresponding Author: Joong-Bae Ahn, Division of Earth Environmental System, Pusan National University, Busandaehak-ro 63 beon-gil 2, Geumjeong-gu, Busan 46241, Korea. Phone: +82-51-514-1932, Fax: +82-51-514-1932 E-mail: jbahn@pusan.ac.kr 697
698 PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 1. 서론 산업혁명이후이산화탄소를포함한온실가스의증가로지구온난화가진행되고있다. 기후변화에관한정부간협의체 (Intergovernmental Panel on Climate Change, IPCC) 의 2013 년보고서에의하면지난 133 년간 (1880~2012 년 ) 지구평균기온이약 0.85 상승하였으며, 최근 30 년 (1983~2012 년 ) 동안지구의평균기온은 1850 년이래가장더웠던것으로발표하였다. 이러한기온증가는폭염, 가뭄, 집중호우등기상이변의발생빈도와강도를증가시켜서, 농업및인문 사회분야등전반적인인간활동에영향을준다. 최근한반도의경우, 태풍, 폭우, 폭염등과같은이상기상의발생빈도가 2008 년도에서는 1 회, 2010 년도에는 5 회, 2011 년도에선 11 회로매년증가함에따라기상재해도빈번히발생하고있으며, 농업기상재해복구비역시 2008 년에는약 921 억원에서 2011 년에는 4413 억으로약 5 배급증하였다. 이같은변화는곡물가격의변동및식량위기에의한사회적불안과경제공황을야기할수있다. 그렇기때문에기온증가로인해야기되는기상이변등과같은극한기후현상연구의중요성이많은선행연구들에서강조되고있다 (e.g., IPCC, 2013). 상세한기상자료의극한값 (extreme value) 을생산하기위해서는고해상도기상정보가필요하다. 최근농업을포함한공학, 수문, 경제등다양한분야에서도고해상도격자기상정보의활용성과중요성이증대되고있다 (Ahn et al., 2014). 그럼에도불구하고, 관측된자료로부터고르게분포된고해상도기상정보를얻는것은쉽지않다. 70% 이상이산으로이루어진우리나라의경우, 다른나라에비해조밀한관측망이구축되어있다고하더라도대부분의관측소들이유지보수등의문제로 300 m 이하의낮은고도에위치하거나대도시에편중되어있다 (e.g., Ahn et al., 2012). 이러한공간적제약을극복하기위해서여러가지통계적방안을이용한보간법 (interpolation) 이주로사용된다. 통계적방법에는거리를고려하지않고단지통계적 물리적관계에만의존하는선형 비선형회귀 (Schoof and Pryor, 2001) 방법과거리만의함수로계산하는 Barnes 기법 (Barnes, 1964), Cressman 기법 (Cressman, 1959), 역거리가중법 (Inverse Distance Weighting, IDW) (Szolgay et al., 2009), 거리뿐만아니라지형학적특성까지고려하는 PRISM (Parameterelevation Regressions on Independent Slope Model) (e.g., Daly et al., 1994; Ahn et al., 2014) 등이있다. 여기서 PRISM 은다른통계적기법과비교하여인접한기상자료에대한의존성이상대적으로작고, 지리적특성을비교적잘반영하여, 고르게분포되지않 은관측자료로부터고분해능격자정보를추정할때유용하게사용가능하다. Hong et al. (2007) 은남한에대해최적화된 K-PRISM 을제시하였으며, 이를이용하여 5km 해상도의기온격자자료를생산하였다. 그리고 Kim et al. (2012; 2013) 에서는 MK (Modified Korean)-PRISM 기법을개발하여 1km 해상도의격자형일기상자료를생산하였으며, Ahn et al. (2014) 에서도일별기온자료에최적화된 PRISM 을개발하여 30 m 해상도의일별기온자료를생산및검증하였다. 100 m 이상의해상도에서는빌딩주변과경작지경계에서발생하는국지기상변화를살펴보기힘들다 (Rider et al., 1963). 특히 2015 년우리나라의가구원 1 인당평균경지면적이약 74.5 m 74.5 m 임을고려할때, 우리나라농경지에서발생하는병해충및작물생육환경과관련된국지기상을살펴보기위해서는 100 m 이하의고해상도기상정보가필요하다. 따라서본연구에서는통계기법들을이용하여남한영역에대한 30 m 고해상도격자형극한값을산출하고자하였다. 평균적인하층난류의크기를고려한 30 m 정도의기후정보는국지기상의특성을표현하기때문에 (Rider et al., 1963), 농업등다양한분야로의활용도가높을것으로예상된다 (Ahn et al., 2014). 극한값을추정하는방법으로는일반화극단분포 (Generalized Extreme Value Distribution, GEV) 방법을사용하였으며, 30 m 해상도를추정하기위해서는 IDW 와 PRISM 을이용하였다. 통계적방법들에대한자세한설명은 2.2 장에서언급하였다. 본연구는 IDW, PRISM, GEV 와같은통계적방법들의조합을통해최적의극한값을추정하는데초점을두었다. 2. 자료및방법 2.1 자료본연구에서는 IDW 와 PRISM 의입력자료및검증자료로 1999 년부터 2013 년까지기상청에서관측한기온자료를사용하였다. 기상청관측자료는지상기상관측 (Automated Surface Observing System, ASOS) 지점들에서관측된자료와자동기상관측지점 (Automated Weather Station, AWS) 에서관측된자료로나뉜다. 본연구에서는 IDW 와 PRISM 의입력자료로 60 개의 ASOS 를사용하였으며, 검증자료로는 320 개의 AWS 를사용하였다. AWS 의경우 1990 년후반부터구축되었기때문에 30 년이상의기후값을생산하는데적합하지않아 IDW 와 PRISM 의입력자료는 1973 년부터관측이시작된 60 개의 ASOS 자료만을사용하였으며, AWS 는 IDW 와 PRISM 을통해상세화된자료의검증에사용되었다. 검증기간은 AWS 자료간의동질성을고려하여 1999 년부터 2013 년총 15 년동안관측값이있 한국기상학회대기제 26 권 4 호 (2016)
이준리 안중배 정하규 699 된 n 개의관측점중에서 i 번째관측점의기온을의미한다. 여기에서영향반경은극한값의국지성을표현함에있어서매우중요한요소이다. 만약영향반경이작으면관측지점이반영되지않는영역이존재하게되고, 반대로영향반경이너무크면많은관측지점이영향을주어국지적인효과가나타나지않는다. 본연구에서는입력자료로사용되는 60 개의 ASOS 의관측지점사이의최소거리가 13.7 km 에서최대거리가 144.6 km 인것을고려하여, 선행연구와같이 IDW 의영향반경으로 100 km 를이용하였다 (Ahn et al., 2014). W i 는 i 번째관측점의가중치를의미하며, d i 는특정격자점과 i 번째관측지점과의거리를의미한다. 이때각관측지점의가중치 (W i ) 는거리의제곱에반비례로계산된다. Fig. 1. Locations of ASOS and AWS in South Korea (height Unit: m). 는 320 개의 AWS 지점을사용하였다. IDW 와 PRISM 의입력자료로사용된 ASOS 와검증에사용된 AWS 의위치정보는 Fig. 1 에파란색과빨간색동그라미로각각나타내었다. 고해상도격자형지형자료는 30 m 해상도의 ASTER Global Digital Elevation Map (GDEM) (Frey and Paul, 2012) 자료를사용하였으며 (Fig. 1), 이자료를이용하여 PRISM 의입력자료로필요한지향면 (topographic facet) 과해양도 (coastal proximity) 정보도산출하였다 (Ahn et al., 2014). 2.2 방법 2.2.1 역거리가중법 (Inverse Distance Weighting, IDW) 역거리가중법 (IDW) 은기상요소의동질성을거리만의함수로계산하는보간법 (interpolation) 으로, 이미알고있는관측의위치정보를이용하여보간점의거리에반비례하게가중치를두어보간점의값을계산하는방법이다 (e.g., Szolgay et al., 2009; Ahn et al., 2014). IDW 방법은다음과같다. n T = T siw i / W i i=1 W i = ---- 1 2 d i n i=1 여기서 T 는추정하고자하는특정격자점의기온이며, T s 는특정격자점을중심으로영향반경안에포함 2.2.2 PRISM (Parameter-elevation Regression on Independent Slopes Model) PRISM 은거리, 고도, 지향면, 해양도등의지형학적특성과기상인자사이의관계식을이용하여고해상도격자형기상자료를생산하는방법이다 (e.g., Daly et al., 1994). 이방법은단순히거리뿐만아니라다른통계적방법들이표현할수없었던지형학적특성을반영할수있다는장점이있다. 본연구에서수행된 PRISM 기법은 Ahn et al. (2014) 에서사용했던방법으로, 남한기후에적합하게개발된 K-PRISM 에서 (Hong et al., 2007) 일부요소를개선하여만들어진방법이다. 개선된요소를간략히설명하면, 이방법은 30 m 의격자간격과일단위의시간간격에적합하도록각격자점의기온추정에사용되는가중회귀식의기울기를관측자료로부터계산된일평균기온감율로이용하였으며, ± 0.5 표준편차로최고 최저값을제한함으로써비현실적으로추정되는값을방지하였다. 그리고지향면의경사방향을 8 방위로구분하는기존의연구에서 16 방위로더욱세분화하여보다현실과유사한고해상도격자형기상자료를생산하였다. PRISM 에대한보다상세한정보는 Ahn et al. (2014) 의문헌을참고하기바란다. 비록이논문에서는 1 월기온에대해서만 PRISM 의타당성을검증했지만, PRISM 의가중치는각격자점의영향반경내에속한관측지점의값과고도자료를이용하여추정되므로계절에상관없이사용이가능하다 (e.g., Hong et al., 2007; Kim et al., 2012). 2.2.3 일반화극단분포 (Generalized Extreme Value, GEV) 방법본연구에서는기온의극한값을추정하기위해 GEV 방법을사용하였다. 여기서사용한 GEV 방법은 Gumbel, Frechet, Weibull 과같이 3 가지타입의극한 Atmosphere, Vol. 26, No. 4. (2016)
700 PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 Fig. 2. Schematic diagram for the three experiments to estimate fine-resolution distribution of temperature extreme values. 값분포를결합하여일반화시킨것으로, Fisher and Tippett (1928) 를포함하여많은선행연구에서극한값을추정하는방법으로사용된다 (e.g., Park and Jung, 2002; Im et al., 2015; Ahn et al., 2016). GEV 방법의식은다음과같다. Gx; ( μ, σ, ξ) = exp 1 + ξ x ----------- μ 1 -- ξ σ 여기서 μ 는위치모수 (location parameter), σ 는척도모수 (scale parameter), ξ 는형상모수 (shape parameter) 이다. 이처럼 GEV 방법은 3 가지의모수들 (parameters) 을이용하여극한값분포를추정하기때문에, 정확한극한값을얻기위해서는주어진정보에서 3 가지모수들을잘추정해야만한다. 본연구에서 3 가지모수들을추정하기위해사용한방법은 L-moments 방법이다 (Hosking, 1990). 이방법은일반적으로많이사용되는최대우도법 (Maximum likelihood) 에비해작은표본 (sample size) 에서도좋은결과를보인다 (e.g., Im et al., 2015). 본연구에서는 15 년 (1999~2013) 기간에대해추정된기온의극한값분포에서 5 년, 10 년, 20 년, 30 년재현주기로발생할수있는극한값을추정하였다. 3. 실험설계 일반적으로관측지점에서의극한값은 GEV 와같은통계적기법을통해정확하게추정이가능하지만관측이되지않는지역에서의극한값은추정이상대적으로어렵다. 특히, 30 m 격자간격의고해상도기온극한값을정확하게추정하기위해서는관측이되지않는지점의기온을보다정확하게추정할수있어야한다. 즉, 고해상도의기온자료를생산하는방법과극한값을추정하는방법에따라최종적으로생산되는 극한값이달라지게된다. 이에본연구에서는 30 m 해상도의격자형기온극한값을보다정확하게생산하는방법을살펴보기위해서, Fig. 2 와같이 3 가지방법의실험을수행하였다. EXP1 은 60 개지점의 ASOS 에서극한값을추정한후, 추정된극한값에 IDW 를사용하여 30 m 해상도의격자형기온극한값을생산하는실험이다. 그리고 EXP2 는 IDW 대신 PRISM 을사용하여고해상도격자형기온극한값을생산하는실험이다. 이실험들은관측지점에서정확한기온의극한값을구한후, 거리만을고려하는 IDW 와거리, 고도, 지향면, 해양도등의지형학적특성을고려하는 PRISM 을사용하여상세한극한값분포를만드는것이다. 반면, EXP3 는 ASOS 자료에서 PRISM 을통해고해상도기온분포를만들고, 각격자점마다 GEV 를적용하여극한값을추정하는실험이다. 이실험은고해상도기온분포를생산한후, 각격자점마다기온의극한값을구하기때문에보다현실적인기온극한값이생산될것으로기대되나다른실험들에비해대략 600 만배많은계산량을필요로한다. 4. 결과 본연구에서는고해상도의격자자료를생산하는방법과극한값을추정하는순서에따라 30 m 해상도의격자형기온극한값의분포의차이를살펴보기위해 ASOS 및각실험으로부터추정한 5 년, 10 년, 20 년, 30 년재현주기로발생할수있는남한의최고기온과최저기온극한값분포를 Figs. 3 과 4 에나타내었다. 여기서 ASOS 는 EXP1 의 IDW 와 EXP2 에서 PRISM 의입력자료로사용되기때문에각실험과비교하기위해 ASOS 의극한값분포도함께나타내었다. 또한, 각실험에서추정된극한값의신뢰도를살펴보기위해 60 개지점의 ASOS 와 320 개지점의 AWS 자료들을합친좀더조밀한관측자료 ( 이하 ASOS + AWS) 들의 한국기상학회대기제 26 권 4 호 (2016)
이준리 안중배 정하규 701 Fig. 3. Extreme value of daily maximum temperature over South Korea that can happens once in 5, 10, 20 and 30 years (Unit: o C). 각재현주기별추정된최고 최저기온의극한값및 99% 신뢰구간을 Fig. 5 에나타내었다. 극한값공간분포를그린 Figs. 3 과 4 의오른쪽상단의값은남한영역에면적평균값을의미한다. 먼저최고기온의경우, 5 년, 10 년, 20 년, 30 년과같이재현주기가길어짐에따라 ASOS 를포함한모든실험들의최고기온의극한값도점차증가함을보였다 (Fig. 3). 하지만각실험방법에따라각재현주기에대한극한값이변하는정도는 IDW 와 PRISM 의입력자료로사용된 ASOS 와 차이가있었다. EXP1 의경우, 남한영역의면적평균값이모든재현주기에서 ASOS 와유사하게나타났으며 (Fig. 3), ASOS + AWS 에서추정된최고기온의극한값과비교해보아도, EXP1 의영역평균값들이모든재현주기에서 99% 신뢰구간내에유의하였다 (Fig. 5a). 그러나공간적분포를살펴보면, EXP1 은 ASOS 에서극한값을추정한후, 거리만을고려하는 IDW 를적용하여고해상도격자형기온극한값을추정했기때문에지형적효과가고려되지않았다. 즉, 30 m 고해상 Atmosphere, Vol. 26, No. 4. (2016)
702 PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 Fig. 4. Same as in Fig. 3, but for daily minimum temperature (Unit: o C). 도자료임에도불구하고남한의동쪽부근에위치한태백산맥과소백산맥등해발고도가높은지역에동그라미형태의분포가나타날뿐상세한극한값분포가나타나지않았다. 이는 EXP1 에서추정된극한값의영역평균은관측과유사할지라도, 상세한극한값공간분포는나타내지못함을의미한다. 반면 EXP2 는 ASOS 에서극한값을추정한후, 다양한지형적요소를반영하는 PRISM 을적용하였기때문에최종적으로추정된극한값분포에서상세한지형이나타났다. 하지만면적평균값을살펴보면, ASOS 에비해전반적인최고기온극한값이낮게추정되고있다. ASOS+AWS 에서추정된최고기온의극한값과비교해보면 (Fig. 5a), 5 년과 10 년재현주기에서는 EXP2 의극한값이관측에비해낮게추정되어서 99% 신뢰구간에유의하지못했으며, 20 년, 30 년재현주기에서는 99% 신뢰구간에유의하였다. 이러한결과는각격자점마다최고기온의극한값을추정하지않고 60 개의 ASOS 지점에서추정된극한값을 PRSIM 에적용했기때문에발 한국기상학회대기제 26 권 4 호 (2016)
이준리 안중배 정하규 703 Fig. 5. Extreme value of daily maximum/minimum temperature from ASOS + AWS. Black dot means return value and grey dots represent the 99% confidence interval of the extreme value. Blue, green, and red dots indicate EXP1, EXP2, and EXP3, respectively (Unit: o C). 생되는문제이다. 이러한문제는 PRSIM 을적용한후, 각격자점마다최고기온의극한값을추정한 EXP3 에서해소되었다. EXP1 과비교했을때, EXP3 의면적평균값은유사하게나타났지만, 공간적분포에서는 EXP1 과전혀다르게상세한지형이반영되는결과를보였다. 관측과비교해보았을때도극한값공간분포가상세한지형을반영함과동시에남한영역에대해 ASOS 와유사한면적평균값을나타내었다. ASOS + AWS 에서추정된최고기온의극한값과비교해보아도, EXP3 의영역평균값들이모든재현주기에서 99% 신뢰구간내에유의하였다 (Fig. 5a). 최저기온의경우, 5 년, 10 년, 20 년, 30 년과같이재현주기가길어짐에따라 ASOS 를포함한모든실험들의최저기온극한값도점차감소함을보였으며, 태백산맥과소백산맥등고도가높은지역에서비교적더낮은일최저기온극한값이나타났다 (Fig. 4). 각실험별로살펴보면각재현주기에대해극한값이변하는정도가 IDW 와 PRISM 의입력자료로사용된 ASOS 와차이가있었다. EXP1 의경우, 남한영역의면적평균값이모든재현주기에서 ASOS 보다약 0.1~ 0.2 o C 낮게나타났다. 이는 ASOS + AWS 에서추정된최저기온극한값과비교하여 99% 신뢰구간에유의한값이지만높게나타났다 (Fig. 5b). EXP1 의최저기온극한값의공간분포를살펴보면, 최고기온에서언급했듯이 30 m 고해상도자료임에도불구하고상세한지형이나타나지않았다. EXP2 의경우, 상세한일최저기온의극한값분포가나타났으며남한영역의면적평균값은 ASOS 와 EXP1 보다낮게나타났다 (Fig. 4). ASOS + AWS 에서추정된최저기온극한값과비교해보면, EXP1 에서추정된극한값이 ASOS + AWS 에서추정된극한값보다높게나타났지만, 99% 신뢰구간에유의했다 (Fig. 5b). 최고기온에서가장좋은결과를보였던 EXP3 의경우, 남한영역의면적평균값이다른실험들 (EXP1, EXP2) 에비해가장낮게나타났으며, 이극한값들은 ASOS + AWS 에서추정된극한값과가장유사했다 (Fig. 5b). 종합해보면, EXP1 과 EXP2 는입력자료로사용된 ASOS 보다는일최저기온의극한값을낮게추정했지만, AWS 가포함된 ASOS + AWS 에서추정된극한값보다는높게추정했다. 이는검증자료로사용되는 320 개의 AWS 지점의극한값을 EXP1 과 EXP2 에서는잘모의하지못한것을의미한다. 반면 EXP3 는 60 개지점의 ASOS 만사용했음에도불구하고 ASOS + AWS 에서추정된극한값과가장유사함과동시에상세한극한값공간분포도나타내었다. 이러한결과는 EXP3 실험방법이상세한극한값공간분포추정에있어서가장효과적임을의미한다. 관측과각실험에의해추정된극한값간의차이를정량적으로살펴보기위해, 본연구에서는최고 최저온도에대한 AWS 와각실험의극한값차이의절대값 ( 이하 DIFF) 을구하여분석하였다. 각실험에서추정된고해상도자료는 AWS 와비교하기위해 320 Atmosphere, Vol. 26, No. 4. (2016)
704 PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 Fig. 6. Spatial distributions of difference between estimated extreme values from AWS and each experiment for daily maximum temperature (Unit: o C). 개의 AWS 지점과같은위치의값을뽑아서사용하였다. Figures 6 과 7 에는최고 최저온도에대한 DIFF 의공간분포가나타나있으며, Fig. 8 에는 320 개의 AWS 지점에대한 DIFF 의평균값을나타내었다. 먼저최고기온을살펴보면, 모든실험들에서해발고도가낮은해안가부근에상대적으로낮은 DIFF 를보이는반면, 해발고도가높은산맥지역에서는비교적큰 DIFF 가나타났다 (Fig. 6). 그리고재현주기가길어짐에따라각실험과 AWS 에서추정된극한값과의 DIFF 가크게나타났다. 각실험별로비교해보면, 재현주기에상관없이 EXP3 가가장낮은 DIFF 를보이며, 그다음으로 EXP1, EXP2 순서였다 (Fig. 8a). 최저기온의경우에도최고기온과유사한결과가나타났다. 모든실험들에서재현주기가길어짐에따라 DIFF 가커졌으며, 실험들중에서는최고기온과동일하게극한값공간분포에서관측과가장유사했던 EXP3 가가장낮은 DIFF 를보였다. 그다음으로최저기온의 극한값이관측과유사했던실험은 EXP1, EXP2 순서였다 (Fig. 8b). 그러나최저기온의극한값 DIFF 는최고기온의극한값 DIFF 에비해대략 2~3 배정도의매우큰값을보였다 (Fig. 8). 그리고앞서분석했던, 극한값공간분포의면적평균차이또한최저기온이최고기온보다높았다 (Figs. 3 과 4). 이렇게실험간최저기온의극한값차이가최고기온보다높은이유는 Fig. 9 와같이기온의시간변동성과연관이있다. Figure 9a 는 ASOS 와 AWS 의연최고 최저기온표준편차 (standard deviation) 의남한영역평균값이며, Fig. 9b 는일최고 최저기온을상자그림 (Box plot) 으로나타낸것이다. 일최고기온의최고값과최저값의차이가 18.1 o C 임에반해, 일최저기온의최고값과최저값의차이는 46.4 o C 로두관측자료모두최저기온의시간변동성이최고기온의시간변동성보다 2.5 배이상크게나타났다 (Fig. 9). 이처럼최저기온의시간변동성이최고기온에비해크기때문에, GEV 함수에서 한국기상학회대기제 26 권 4 호 (2016)
이준리 안중배 정하규 705 Fig. 7. Same as in Fig. 6, but for minimum temperature (Unit: o C). Fig. 8. Averaged value of difference between estimated extreme values from AWS and each experiment for daily maximum (a) and minimum (b) temperature (Unit: o C). 추정된최저기온의극한값분포가최고기온의극한값분포보다넓은범위로추정된다. 따라서입력자료의기간 (15 년 ) 내에넓은극한값분포를보인최저기온이최고기온보다넓은신뢰구간및오차범위를나타냈다 ( 극한값오차범위 : 최고기온 0.7~1.7 o C, 최저기온 1.8~4.8 o C). 특히, 최저기온의경우가장성능이좋은 EXP3 의 DIFF 값도 20 년이상의재현주기에서는 3 o C 이상의큰편차를보였다. 추정된오차범위가 3 o C 이상크게나타날경우응용분야에서의활용성이낮아질수밖에없기때문에재현주기를길게살펴보기위해서는최저기온과같이일변동성이큰변수는극한값추정에있어서입력자료의기간을더확장하여분석할필요성이있다. 각실험별 DIFF 에서특이한점은최고기온및최저기온모두 EXP1 이 EXP2 보다 DIFF 가낮다는것이다. 이는 60 개의 ASOS 에서극한값을추정한후, IDW 와 PRISM 을이용하여상세한극한값분포를추정하면 IDW 가 PRISM 보다관측과유사하게추정됨을의미한다. 앞서 Ahn et al. (2014) 에서는 30 m 고해상도기온자료를추정함에있어서 IDW 보다 PRSIM 이좋 Atmosphere, Vol. 26, No. 4. (2016)
706 PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 고있었다. 이러한결과는기온의극한값의경우최저 / 최고기온에비하여고도에따른기온의선형회귀모형의적합성이낮음을의미한다. 따라서극한값의경우일반적인기온에비하여고도와의선형적관계가뚜렷하지않기때문에, 고도와온도와의관계를가중치로사용하는 PRISM 을이용한 EXP2 방법이 EXP1 보다성능이낮게나타난것으로해석된다. 반면 PRISM 을기온에적용한후, 각각의격자점에서극한값을구한 EXP3 는재현주기에상관없이다른실험들에비해가장관측과유사한극한값을추정하였다. 이는극한값이아니라기온에최적화되어있는 PRISM 으로상세한기온분포를구한후, 각격자점마다극한값을추정하는방법이다른실험방법들에비하여더정확함을의미한다. 5. 요약및결론 Fig. 9. Standard deviations (a) and Box plot (b) of daily maximum (red) and minimum (blue) temperature for ASOS and AWS. 은성능을보인다고소개하였으나이러한결과가나타난이유는기온에대한거리, 고도, 지향면, 해양도등의지형학적특성의영향이극한값에미치는영향과다르기때문이다. 즉, 기온의상세화에최적화된 PRISM 을극한값의상세화에적용하였기때문에이같은문제점이발생하였다. 이를더자세히설명하기위해최고온도 (Figs. 10a-e) 와최저온도 (Figs. 10f-j) 의 ASOS + AWS 기후값과 5 년, 10 년, 20 년, 30 년재현주기극한값을고도에따른분포로나타내었다 (Fig. 10). 각그림의오른쪽상단에위치한값은결정계수 (R 2 ) 를나타낸다. 결정계수가 1 에가까울수록고도에따른기온의선형회귀모형의결과가 ASOS + AWS 와유사함을의미하며고도와온도사이의선형적관계가뚜렷함을나타낸다. 먼저최고기온을먼저살펴보면, 기후값의결정계수는 0.40 인해반면, 5 년, 10 년, 20 년, 30 년재현주기의극한값에서는각각 0.22, 0.17, 0.11, 0.07 로재현주기가길어질수록낮은결정계수를보였다. 최저기온도최고기온과유사하게나타났다. 즉, 최저기온의기후값은결정계수가 0.35 이고, 5 년, 10 년, 20 년, 30 년재현주기의극한값에서는각각 0.20, 0.17, 0.12, 0.10 으로재현주기가길수록점차감소하 본연구에서는 IDW, PRISM, GEV 등과같은통계적기법들을활용하여 30 m 해상도의격자형기온극한값을추정해보고자하였다. 실험은최적의극한값추정방법을찾기위해 3 가지방안으로구성하여수행되었다. 첫번째실험인 EXP1 은 ASOS 에서극한값을추정한후, IDW 로고해상도극한값분포를생산한방법이며, 두번째실험인 EXP2 는 EXP1 과동일하지만 IDW 대신 PRISM 을사용한방법이다. 마지막실험인 EXP3 는 ASOS 에서 PRISM 을통해상세한격자형기온자료를만들고, 각격자점마다극한값을추정한방법이다. 최고 ( 최저 ) 기온의경우, 5 년, 10 년, 20 년, 30 년과같이재현주기가증가함에따라관측을포함한모든실험들의최고 ( 최저 ) 기온의극한값도점차증가 ( 감소 ) 함을보였다. 하지만각실험방법에따라각재현주기에대한극한값이변하는정도가 ASOS + AWS 에서추정된극한값과차이가있었는데, EXP1 에서추정된최고및최저기온극한값들은모든재현주기에서 99% 신뢰구간에유의했지만공간적분포를살펴보면, 30 m 고해상도자료임에도불구하고해발고도가높은지역에동그라미형태의분포가나타날뿐상세한극한값분포가나타나지않았다. EXP2 는최고및최저기온의극한값공간적분포가지형을따라상세하게나타났지만, 극한값의면적평균값의경우 5 년, 10 년재현주기에서는최고기온의극한값이관측에비해낮게추정되어 99% 신뢰구간에유의하지못했다. ASOS 에서 PRISM 을통해고해상도격자형자료로생산한후, 극한값을추정한 EXP3 는최고및최저기온극한값뿐만아니라공간적분포도다른실험에비해관측과가장유사하게나타났다. 추정된상세한극한값을비교해보면, 최고기온보다는최저기온에서관측과의 한국기상학회대기제 26 권 4 호 (2016)
이준리 안중배 정하규 707 Fig. 10. Scatter plots of altitudes against daily maximum (a-e) and minimum (f-g) temperature for ASOS + AWS. (a) and (f) indicate climatology over 15 years (1999~2013). The others represent extreme values of ASOS + AWS for each return period. Here, all panels include its regression line. Atmosphere, Vol. 26, No. 4. (2016)
708 PRISM 과 GEV 방법을활용한 30 m 해상도의격자형기온극값추정방법연구 극한값차이가크게나타났는데, 이는일최저기온의시간변동성이최고기온의시간변동성보다크기때문인것으로나타났다. 검증자료로사용되는 AWS 와각실험간에 DIFF 를비교해보면, 최고및최저기온모두재현주기가증가함에따라극한값의 DIFF 도커졌다. 실험간에 DIFF 를비교해보면, 최고및최저기온모두 EXP3 의 DIFF 가가장낮았으며, 그다음으로 EXP1, EXP2 였다. 여기서 PRISM 을이용한 EXP2 가 IDW 를이용한 EXP1 보다극한값을잘모의하지못한이유는최고기온과최저기온이아닌기온의극한값에 PRISM 을사용했기때문이다. 즉, 기온의극한값의경우최저 / 최고기온과다르게고도와의관계성이뚜렷하게나타나지않기때문에 (Fig. 10), 입력자료와고도와의관계를이용하여가중치를구하는 PRISM 의결과가 IDW 를이용한결과보다낮게나타난것으로해석된다. 그럼에도불구하고 EXP1 과 EXP2 는각격자점마다기온극한값을생산하지않고, 60 개의극한값으로 30 m 의고해상도격자자료로만들었기때문에각격자점의기온극한값을제대로추정하는데한계가있다. 반면, ASOS 에서 PRISM 을통해고해상도격자형기온자료를생산한후, 극한값을추정한 EXP3 에서는다른실험들에비하여계산을대략 600 만배더많이수행하는단점을가지고있지만, 최고 / 최저기온에대해모든재현주기에서관측과유사한극한값을보였다. 이러한결과는통계적기법들의조합및순서를어떻게적용하는가에따라최고 / 최저기온의극한값추정결과의질이달라질수있음을의미한다. 이처럼고르게분포된상세한극한값정보생산을통해, 우리는폭염, 냉해등기온극한값으로발생되는재해지역정보를보다정확히제공할수있을것으로기대한다. 감사의글 이논문은부산대학교기본연구지원사업 (2 년 ) 에의해서연구되었습니다. REFERENCES Ahn, J. B., J. L. Lee, and E. S. Im, 2012: The reproducibility of surface air temperature over South Korea using dynamical downscaling and statistical correction. J. Meteor. Soc. Japan, 90, 493-507., J. Hur, and A. Y. Lim, 2014: Estimation of finescale daily temperature with 30 m-resolution using PRISM. Atmosphere, 24, 101-110 (in Korean with English abstract)., S. R. Jo, M. S. Suh, D. H. Cha, D. K. Lee, S. Y. Hong, S. K. Min, S. C. Park, H. S. Kang, and K. M. Shim, 2016: Changes of precipitation extremes over South Korea projected by the 5 RCMs under RCP scenarios. Asia-Pac. J. Atmos. Sci., 52, 223-236. Barnes, S. L., 1964: A technique for maximizing details in numerical weather map analysis. J. Appl. Meteorol., 3, 396-409. Cressman, G. P., 1959: An operational objective analysis system. Mon. Wea. Rev., 87, 367-374. Daly, C., R. P. Neilson, and D. L. Phillips, 1994: A statistical-topographic model for mapping climatological precipitation over mountainous terrain. J. Appl. Meteorol., 33, 140-158. Fisher, R. A., and L. H. C. Tippett, 1928: Limiting forms of the frequency distribution of the largest or smallest member of a sample. Math. Proc. Cambridge., 24, 180-290. Frey, H., and F. Paul, 2012: On the suitability of the SRTM DEM and ASTER GDEM for the compilation of topographic parameters in glacier inventories. Int. J. Appl. Earth Obs., 18, 480-490. Hong, K. O., M. S. Suh, D. K. Rha, D. H. Chang, C. Kim, and M. K. Kim, 2007: Estimation of high resolution gridded temperature using GIS and PRISM. Atmosphere, 17, 255-268 (in Korean with English abstract). Hosking, J. R. M., 1990: L-moments: analysis and estimation of distributions using linear combinations of order statistics. J. Roy. Stat. Soc., 52, 105-124. Im, E. S., J. B. Ahn, and S. R. Jo, 2015: Regional climate projection over South Korea simulated by the Had- GEM2-AO and WRF model chain under RCP emission scenarios. Climate. Res., 63, 249-266. IPCC, 2013: Climate change 2013: The Physical Science Basis. Contribution of Working Group I to the fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, 1552 pp. Kim, M. K., M. S. Han, D. H. Jang, S. G. Baek, W. S. Lee, Y. H. Kim, and S. Kim, 2012: Production technique of observation grid data of 1 km resolution. Climate Res., 7, 55-68 (in Korean with English abstract)., D. H. Lee, and J. Kim, 2013: Production and validation of daily grid data with 1km resolution in South Korea. Climate Res., 8, 13-25 (in Korean with English abstract). Park, J. S., and H. S. Jung, 2002: Modelling Korean extreme rainfall using a Kappa distribution and maxi- 한국기상학회대기제 26 권 4 호 (2016)
이준리 안중배 정하규 709 mum likelihood estimate. Theor. Appl. Clim., 72, 55-64. Rider, N. E., J. R. Philip, and E. F. Bradley, 1963: The horizontal transport of heat and moisture - a micrometeorological study. Quart. J. Roy. Meteor. Soc., 89, 506-531. Schoof, J. T., and S. C. Pryor, 2001: Downscaling temperature and precipitation: a comparison of regression based methods and artificial neural networks. Int. J. Climatol., 21, 773-790. Szolgay, J., J. Parajka, S. Kohnová, and K. Hlavčová, 2009: Comparison of mapping approaches of design annual maximum daily precipitation. Atmos. Res., 92, 289-307. Atmosphere, Vol. 26, No. 4. (2016)