지역 기후 모델 앙상블 시뮬레이션을 위한 축소 및 편향 보정 방법
Scientific Reports 13권, 기사 번호: 9412(2023) 이 기사 인용
측정항목 세부정보
기후 모델의 앙상블 시뮬레이션은 기후 변화가 강수량에 미치는 영향을 평가하는 데 사용되며 지역 규모의 축소가 필요합니다. 관측 및 시뮬레이션 데이터로부터 일별 및 월별 강수량을 추정하기 위해 통계적 축소 방법이 사용되었습니다. 지역 차원의 극한 강수 현상 및 관련 재해를 보다 정확하게 예측하기 위해서는 단기 강수량 자료의 축소가 필요합니다. 본 연구에서는 시간별 강수량에 대한 기후모델 시뮬레이션을 위한 축소 방법의 성능을 개발하고 조사했습니다. 우리의 방법은 수치 모델과 동일한 해상도로 표현될 수 있는 시변 강수 시스템을 인식하도록 설계되었습니다. 축소를 통해 시간별 강수빈도, 월평균, 99번째 백분위수 값의 공간분포 추정이 향상되었습니다. 강수량과 빈도의 기후변화는 추정 강수량의 50개 앙상블 평균을 이용하여 거의 모든 지역에서 나타났으나, 자연적 변동성은 관측치와 비교하기에는 너무 크다. 강수량의 변화는 시뮬레이션과 일치했습니다. 따라서 우리의 축소 방법은 극한 강수 현상의 기후 특성 평가를 개선하고 이전 방법으로는 평가하기 어려웠던 지형과 같은 지역적 요인의 영향을 보다 포괄적으로 표현했습니다.
기후변화에 따른 물 관련 재난의 위험과 담수 수자원의 가용성을 정확하게 추정하기 위해서는 지역별 강수량에 대한 상세한 예측이 필요합니다1. 기후 모델의 해상도가 부족하기 때문에 기후 모델 출력을 사용하여 지역 날씨의 변화를 추정하기 위해 동적 및 통계적 축소 방법이 사용됩니다2. 동적 축소는 지구 기후 모델의 출력 결과를 상당한 컴퓨팅 성능이 필요한 고해상도 수치 모델에 적용합니다. 통계적 방법은 강수량과 대기 변수 범위 사이에서 관찰된 선형 회귀를 기반으로 합니다1,2. 통계적 방법은 동적 축소법과 달리 기후모델 시뮬레이션을 기반으로 시간별 강수량을 추정하는 대신 관측 및 시뮬레이션 데이터로부터 일별 또는 월별 강수량을 추정하는 데 자주 사용됩니다. 일반적으로 시간당 강수량은 중규모 강수 시스템과 연관되어 있으며 지형 및 시간에 따라 변하는 대기장(예: 지형 강우)과 같은 지역적 요인 간의 상호 작용에 의해 형성됩니다3,4. 그러나 통계적 방법은 일반적으로 강수 시스템의 상세한 시간적 패턴을 인식할 수 없으며 시간별 강수 빈도의 공간 분포를 추정하는 데 부적합합니다5,6. 정확한 추정 없이는 지역 강수 패턴에 대한 기후 변화의 영향을 정확하게 평가하기가 어렵습니다5.
최근 기계 학습을 이용한 축소 방법이 개발되었습니다7,8,9,10,11,12,13,14,15,16,17,18,19. 이러한 방법은 더 복잡한 설명 변수를 수용하고 더 높은 수준의 정확도로 강수량을 추정할 수 있습니다. 그러나 이러한 방법의 대부분은 시간별 강수량 추정을 허용하지 않습니다. 일반적으로 대기장의 작은 차이라도 강수과정의 비선형성으로 인해 강수분포를 변화시킬 수 있기 때문에 시간별 강수량을 추정하는 것은 어렵습니다. 따라서 시간별 강수량을 추정하기 위해서는 날씨 패턴의 미묘한 차이를 인식하는 방법이 필요하다. 이는 기후 모델에 잠재적으로 적용될 수 있는 예측 모델 출력과 관측 데이터를 사용하는 기계 학습 방법을 통해 달성할 수 있습니다. 그러나 예측 모델에서 인식한 패턴이 기후 모델에 적용 가능한지는 모델 간 해상도와 매개변수의 차이로 인해 불분명합니다. 따라서 예측모델과 기후모델 모두에 공통적이고 머신러닝 기반의 축소 방법에 적용할 수 있는 현상을 식별하는 것이 필요합니다.
3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28200004%2920%3A5%3C489%3A%3AAID-JOC484%3E3.0.CO%3B2-6" aria-label="Article reference 2" data-doi="10.1002/(SICI)1097-0088(200004)20:53.0.CO;2-6"Article Google Scholar /p> 2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281998%29079%3C0231%3ASTOPAF%3E2.0.CO%3B2" aria-label="Article reference 29" data-doi="10.1175/1520-0477(1998)0792.0.CO;2"Article ADS Google Scholar /p> 2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281987%29115%3C2719%3AFOMLOP%3E2.0.CO%3B2" aria-label="Article reference 31" data-doi="10.1175/1520-0493(1987)1152.0.CO;2"Article ADS Google Scholar /p> 2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281976%29104%3C0603%3ASOAEHP%3E2.0.CO%3B2" aria-label="Article reference 32" data-doi="10.1175/1520-0493(1976)1042.0.CO;2"Article ADS Google Scholar /p> 2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281998%29126%3C1608%3ADAPOAM%3E2.0.CO%3B2" aria-label="Article reference 34" data-doi="10.1175/1520-0493(1998)1262.0.CO;2"Article ADS Google Scholar /p>