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
- 안중배
- 발행연도
- 2023
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (2)
2024
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구에서는 강수 패턴에 따른 아시아 및 남한 지역 강수에 대한 지역기후모델 (RCM)의 모의 성능 및 머신러닝 편차 보정 기법의 보정 성능을 평가하였다. 연구의 첫 번째 파트에서는 아시아 여름 몬순 강수의 시공간적 변동성에 대해 다중 지역기후모델 앙상블의 모의 성능을 평가하였다. 우선 RCM들은 역학적 상세화를 통해 아시아 여름 몬순 (ASM)이 발생하는 지역의 강수 모의에서 부가 가치를 창출하는 것으로 나타난다. 이에 더해, RCM 앙상블이 단일 RCM에 비해 여름철 평균 강수 및 강수 강도 측면에서 더 나은 성능을 보여준다. Cyclostationary Empirical Orthogonal Function (CSEOF) 분석을 사용하여 ASM 강수의 계절 및 계절 내 시공간적 변동성을 확인할 수가 있다. RCM 앙상블은 각 CSEOF 모드별 ASM 강수의 공간적 및 시간적 특성을 관측과 유사하게 모의해 합리적인 모의성능을 보인다.
연구의 두 번째 파트에서는 적운 모수화 사용 여부에 따라 고해상도 RCM의 날씨 패턴별 남한 지역의 극한 강수 이벤트 (ERE)에 대한 모의 성능을 비교하였다. ERE가 발생하는 날짜들은 850 hPa 지위 고도 아노말리를 기준으로 네 가지 대표적인 날씨 패턴으로 군집화 되었으며, 각각 군집별로 고유한 특징이 나타난다. 여러 방면의 분석을 통해 결과적으로 적운 모수화를 사용하는 RCM은 지속적으로 발생하는 약한 강도의 강수 패턴이 나타나는 ERE를 더 잘 모의하는 점이 나타난다. 이는 사용된 Kain-Fritsch 적운 모수화가 넓은 지역에 걸쳐 약한 강수가 발생하는 형태로 모의하는 특징 때문이다. 반면에, 적운 모수화를 사용하지 않은 RCM은 깊은 대류현상 과정을 명시적으로 모의할 수 있어 강한 강도의 단기성 강수가 나타나는 ERE를 관측과 더 가깝게 모의한다.
연구의 마지막 파트에서는 고해상도 RCM이 모의한 남한 지역의 여름철 일 강수에 대해 적용한 Long Short-Term Memory (LSTM) 기계학습 모델 기반 편차 보정 기법의 성능을 분위사상 편차 보정 기법과 비교하여 분석하였다. 편차 보정 기법을 통해 보정되지 않은 RCM이 가진 편차의 크기가 감소함을 보여 전반적으로 모의성능이 개선되었다. 강수의 연 변동성에 대해 기계학습 모델 기반 편차 보정 기법은 이를 효과적으로 편차 보정한 결과를 나타내 좋은 보정 성능을 보이고, 반면 분위사상법은 향상점이 크게 나타나지 않는다. 또한, LSTM 모델을 사용한 편차 보정은 약한 강수부터 보통의 강수 (10−50 mm/day)에 대해 뛰어난 편차 보정 성능을 보인다.
전반적으로, 본 연구에서는 강수 패턴의 맥락에서 아시아 및 남한 지역의 여름 강수의 공간적 및 시간적 특성을 포착하는 다양한 모델과 기법의 모의능력 분석에 대한 통찰을 제공한다.
연구의 두 번째 파트에서는 적운 모수화 사용 여부에 따라 고해상도 RCM의 날씨 패턴별 남한 지역의 극한 강수 이벤트 (ERE)에 대한 모의 성능을 비교하였다. ERE가 발생하는 날짜들은 850 hPa 지위 고도 아노말리를 기준으로 네 가지 대표적인 날씨 패턴으로 군집화 되었으며, 각각 군집별로 고유한 특징이 나타난다. 여러 방면의 분석을 통해 결과적으로 적운 모수화를 사용하는 RCM은 지속적으로 발생하는 약한 강도의 강수 패턴이 나타나는 ERE를 더 잘 모의하는 점이 나타난다. 이는 사용된 Kain-Fritsch 적운 모수화가 넓은 지역에 걸쳐 약한 강수가 발생하는 형태로 모의하는 특징 때문이다. 반면에, 적운 모수화를 사용하지 않은 RCM은 깊은 대류현상 과정을 명시적으로 모의할 수 있어 강한 강도의 단기성 강수가 나타나는 ERE를 관측과 더 가깝게 모의한다.
연구의 마지막 파트에서는 고해상도 RCM이 모의한 남한 지역의 여름철 일 강수에 대해 적용한 Long Short-Term Memory (LSTM) 기계학습 모델 기반 편차 보정 기법의 성능을 분위사상 편차 보정 기법과 비교하여 분석하였다. 편차 보정 기법을 통해 보정되지 않은 RCM이 가진 편차의 크기가 감소함을 보여 전반적으로 모의성능이 개선되었다. 강수의 연 변동성에 대해 기계학습 모델 기반 편차 보정 기법은 이를 효과적으로 편차 보정한 결과를 나타내 좋은 보정 성능을 보이고, 반면 분위사상법은 향상점이 크게 나타나지 않는다. 또한, LSTM 모델을 사용한 편차 보정은 약한 강수부터 보통의 강수 (10−50 mm/day)에 대해 뛰어난 편차 보정 성능을 보인다.
전반적으로, 본 연구에서는 강수 패턴의 맥락에서 아시아 및 남한 지역의 여름 강수의 공간적 및 시간적 특성을 포착하는 다양한 모델과 기법의 모의능력 분석에 대한 통찰을 제공한다.
목차
차례 ⅰ표 차례 ⅲ그림 차례 ⅳ요약 ⅸI. 서론 11. 연구의 배경 12. 선행연구 5가. 아시아 여름철 몬순 강수의 시공간적 변동성에 대한 다중지역기후모델의 모의 능력 평가 5나. 적운 모수화가 여름철 날씨 패턴별 남한지역 극한 강수 모의 특성에 미치는 영향 6다. 기계학습을 활용한 남한지역 여름철 일강수 편차 보정 방법 평가 73. 연구의 목표 및 내용 8II. 자료 및 방법 101. 아시아 여름철 몬순 강수의 시공간적 변동성에 대한 다중지역기후모델의 모의 능력 평가 10가. 자료 및 모델 설정 10나. Performance index 14다. Cyclostationary Empirical Orthogonal Function (CSEOF) 162. 적운 모수화가 여름철 날씨 패턴별 남한지역 극한 강수 모의 특성에 미치는 영향 18가. 지역기후모델 설정 18나. 검증 자료 23다. 극한 강수 발생 정의 23라. 날씨패턴 구분 23마. 연직 통합 수증기 수송 253. 기계학습을 활용한 남한지역 여름철 일강수 편차 보정 방법 평가 26가. 지역기후모델 자료 26나. 관측 자료 26다. 편차 보정 기법 27라. LSTM 모델의 입력변수 선정 29마. 통계적 평가 31III. 아시아 여름철 몬순 강수의 시공간적 변동성에 대한 다중지역기후모델의 모의 능력 평가 321. 지역기후모델의 여름철 (MJJAS) 평균 강수 모의성능 평가 322. CSEOF 분석을 이용한 지역기후모델이 모의한 아시아 여름몬순의 시공간적 변동성 모의성능 평가 413. 요약 51IV. 적운 모수화가 여름철 날씨 패턴별 남한지역 극한 강수 모의 특성에 미치는 영향 531. 날씨 패턴에 따른 지역기후모델의 극한 강수 발생 (ERE) 모의 성능 평가 532. ERE 강수와 관련된 중규모 패턴 분석 723. 요약 76V. 기계학습을 활용한 남한지역 여름철 일강수 편차 보정 방법 평가 781. 남한지역 여름철 (MJJAS) 평균 강수에 대한 편차 보정 성능 평가 782. ERE 강수 및 날씨 패턴별 ERE 강수에 대한 편차 보정 성능 평가 923. 요약 97VI. 요약 및 결론 98참고문헌 101Abstract 123
최근 본 자료
댓글(0)
0