지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 손병주
- 발행연도
- 2021
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
북극 해빙의 감소는 중위도 기후에 영향을 미치기 때문에 기후 연구에서 또한 중요한 요소이다. 해빙 예측 모델에는 해빙의 연직 온도 분포가 초기 입력 자료로 사용 되지만 한정된 관측 자료 만으로는 해빙 전체의 실시간 온도를 제공하기에 부족하다. 본 연구에서는 수동 마이크로파 센서 관측 자료와 부이 관측을 이용하여 인공 신경망 모델을 통해 겨울철 북극 해빙 전체에 대한 연직 온도 분포를 산출하는 모델을 개발하였다. 모델의 검증 결과 1K 내외의 평균 제곱근 오차, 0.1K 이하의 평균 편차, 0.95 이상의 상관계수 결과를 보였다. 개발한 모델을 적용하여 2002년부터 15년 동안 겨울철 북극 해빙 전체의 온도 분포 자료를 생산하였다. 산출한 해빙 온도는 북극 중앙 해 부근에서 높은 온도 분포를 보이는데, 이는 이 지역에 많은 적설량으로 인한 단열 효과의 영향으로 보인다. 장기간 해빙 연직 온도 자료의 활용하여 북극 중앙 해 지역의 열 함유량을 계산 하였다. 겨울철 북극 중앙 해 해빙의 열 함유량은 점차 감소 하는 경향을 보였고 이러한 결과는 극 지역의 열 적 순환에 대한 변수로서 활용될 수 있을 것이다. 또한, 해빙의 열 속을 계산하여 눈 내부 온도를 계산하였고 부이를 통한 검증 결과 3.102K의 평균 제곱근 오차, 0.872의 상관계수의 유의미한 정확도를 보였다.
목차
1. 서 론 12. 자료 및 방법 52.1. 모델 훈련 자료 52.1.1. AMSR-2 & AMSR-E 52.1.2. CRREL IMB 72.2. PIOMAS 72.3. 방법 93. 이론적 배경 및 알고리즘 123.1. 이론적 배경 123.2. 알고리즘 133.2.1. Artificial Neural Network (ANN) 133.2.2. 해빙의 열 함유량 (Heat Contents) 153.2.3. 눈 온도 산출 163.2.4. Kilic et al. (2019) 눈-해빙 경계온도(SIIT) 174 알고리즘 검증 및 결과 204.1. 알고리즘 검증 204.1.1. k-fold Cross Validation 204.1.2. 모델 유효성 검증 233.2. 결과 264.2.1. 부이 검증 264.2.2. 북극 해빙 온도 산출 304.2.3. 해빙의 열 함유량 344.2.4. 눈 온도 산출 395 요약 및 결론 43참고 문헌 45Abstract 51
최근 본 자료
댓글(0)
0