http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
다중 지역기후모델의 동아시아 겨울 몬순과 한반도 강설 모의 특성
신석우,박창용,문태호,김가영,이민규,차동현 한국기상학회 2021 한국기상학회 학술대회 논문집 Vol.2021 No.10
동아시아 겨울몬순(EAWM: East Asian Winter Monsoon)은 한반도를 포함한 동아시아 지역에서 중요한 시스템이며, 한기를 가진 시베리아 고기압과 난기를 가진 알류샨 저기압, 대류권 하층, 중층, 상층에선 각각 북풍 계열의 바람, 동아시아 기압골, 동아시아 제트 기류의 특징이 나타나진다. 여러 선행연구들에서는 인간활동과 기후변화에 영향을 받을 수 있는 EAWM의 변동성은 한반도 한파의 발생과 강한 상관성이 있으며, 한반도 겨울철 강수 기작의 하나임을 보였다. 이러한 EAWM과 연관된 한반도 강설과 같은 겨울철 극한현상은 생명과 사회·경제적 피해와 밀접한 관련이 있다. 한편, 지역적인 극한 기후 현상 모의에 있어서 added value를 가지고 있는 지역기후모델은 모델 내부변동성을 가지고 있으며, 이는 미래 기후 전망의 불확실성을 높여줄 가능성을 가지고 있다. 따라서, 본 연구에서는 EAWM과 관련된 극한현상들을 면밀히 이해하고, 미래기후 전망의 불확실성을 낮추기 위해서 CORDEX에 참여한 다중지역기후모델(SNURCM, HadGEM3-RA, WRF, RegCM4, CCLM)의 모의 검증을 진행하였다. 구체적으로 EAWM과 관련된 강수, 기온, 대기 종관장을 관측(APHRODITE, GPCP 등) 및 재분석장(ERA-Interim)과 모델 자료간 비교 분석 하였고, 선행연구에서 정의된 EAWM 지수와 강도관련 대기 변수를 이용하여 모델들의 EAWM 모의 성능을 분석하였다. 다중지역기후모델은 EAWM을 관측보다 약하게 모의하는 것으로 나타났지만, 공간분포 등 전반적으로 잘 모의함을 확인하였다. EAWM과 영동지방(서해안지방) 강설의 높은 상관성을 확인하였으며, 동해(서해) SST, 대기종관장, 강설 사이의 기작을 위한 분석을 진행하였다.
편의보정된 다중지역기후모델 산출물의 불확실성 범위 추정 및 미래 전망
김가영,차동현,박창용 건국대학교 기후연구소 2018 기후연구 Vol.13 No.4
In this study, uncertainty ranges for bias-corrected temperature and precipitation in seven metro-cities were estimated using nine GCM-RCM Matrix, and climate changes were predicted based on the corrected temperature and precipitation. During the present climate (1981-2005), both uncertainties for annual temperature and precipitation and differences in regional uncertainties were reduced by bias correction methods. Model’s systematic errors such as cold bias of surface air temperature and underestimated precipitation during the second-Changma period were improved by a bias correction method. Uncertainties of annual variations for bias corrected temperature and precipitation were also decrease. Furthermore, not only mean values but also extreme values were improved by bias correction methods. During the future climate (2021-2050), differences in temperature and precipitation between two RCP scenarios (RCP4.5/8.5) were not quite large. Temperature had an obvious increasing tendency, while future precipitation did not change significantly compared to present one in terms of mean values. Uncertainties for future biascorrected temperature and precipitation were also reduced. In mid-21st centuries, models prospected that mean temperature increased thus lower extremes associated with cold wave decreased and upper extremes associated with heat wave increased. Models also predicted that variations of future precipitation increased thus the frequency and intensity of extreme precipitation increased.
박상진 ( Sangjin Park ),이동근 ( Dong-kun Lee ),남상욱 ( Sang-wook Nam ) 한국리스크관리학회 2021 리스크 管理硏究 Vol.32 No.4
이 연구는 다중 머신러닝 기법을 활용하여 기후변화의 영향으로 인한 홍수 리스크를 평가하고, 기후변화 시나리오에 기초한 미래의 홍수 리스크를 예측해 보고자 하였다. 특히, 장래 홍수 리스크 예측 방법으로 머신러닝 기법의 유용성을 검증하는 것이 이 연구의 목적이다. 이를 통해 홍수 리스크 예측력을 높일 수 있는 방안 마련과 국가적으로 기후변화 적응대책 수립 시 필요한 기초 자료를 제시하고자 하였다. 이를 위해 3가지의 머신러닝 기법 (NB, kNN, RF)를 각각 사용해 폭우 발생이 많았던 충청북도 청주시 일부지역을 대상으로 홍수 리스크를 예측하고, 지역기후모델(RCMs)과 기후변화 시나리오(RCP 4.5, 8.5)별 미래의 잠재적 홍수 리스크를 측정하였다. 분석결과, 머신러닝 기법 중 RF 결과(AUC: 0.616)가 가장 좋은 홍수 리스크 예측력을 보인 것으로 나타났다. 그리고 기후 변화 시나리오 별 홍수 리스크 예측 결과, 미래의 불확실성을 감안하더라도 시간이 흐를수록 홍수 리스크가 점증하고, 특히 온실가스 감축 정책이 실패할 경우(RCP 8.5) 홍수 리스크가 확연히 커지는 것을 확인하였다. In the present study, we used multiple machine learning methods to assess flood risks caused by the effects of climate change and predict future flood risks based on climate change scenarios. In particular, we aimed to verify the usefulness of machine learning algorithms as a tool to predict future flood risks. Through this analysis, we sought to provide fundamental data for preparing plans to improve flood risk predictions and establishing climate change adaptation measures. To this end, we used three machine learning algorithms (naïve Bayes, k-nearest neighbor, and random forest) to predict flood risks in certain areas of Cheongju, Chungcheongbuk Province, South Korea, where heavy rain occur frequently, and assessed future flood risk for each regional climate model and climate change scenario (Representative Concentration Pathway [RCP] 4.5 and 8.5). RF (AUC: 0.616), among all machine learning algorithms tested, achieved the best flood risk predictive performance. Furthermore, for each climate change scenario, the models confirmed a gradual increase in flood risk over time, even when the uncertainty of the future is considered. In particular, if the greenhouse gas mitigation policy fails (RCP8.5), the flood risk will increase significantly.