Journal of the Korean earth science society (한국지구과학회지)

The Korean Earth Science Society (한국지구과학회)
권호 표지
DOI QR코드

DOI QR Code

Time-series Mapping and Uncertainty Modeling of Environmental Variables: A Case Study of PM10 Concentration Mapping

시계열 환경변수 분포도 작성 및 불확실성 모델링: 미세먼지(PM10) 농도 분포도 작성 사례연구

  • Park, No-Wook (Department of Geoinformatic Engineering, Inha University)
  • 박노욱 (인하대학교 지리정보공학과)
  • Received : 2011.05.03
  • Accepted : 2011.05.31
  • Published : 2011.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

A multi-Gaussian kriging approach extended to space-time domain is presented for uncertainty modeling as well as time-series mapping of environmental variables. Within a multi-Gaussian framework, normal score transformed environmental variables are first decomposed into deterministic trend and stochastic residual components. After local temporal trend models are constructed, the parameters of the models are estimated and interpolated in space. Space-time correlation structures of stationary residual components are quantified using a product-sum space-time variogram model. The ccdf is modeled at all grid locations using this space-time variogram model and space-time kriging. Finally, e-type estimates and conditional variances are computed from the ccdf models for spatial mapping and uncertainty analysis, respectively. The proposed approach is illustrated through a case of time-series Particulate Matter 10 ($PM_{10}$) concentration mapping in Incheon Metropolitan city using monthly $PM_{10}$ concentrations at 13 stations for 3 years. It is shown that the proposed approach would generate reliable time-series $PM_{10}$ concentration maps with less mean bias and better prediction capability, compared to conventional spatial-only ordinary kriging. It is also demonstrated that the conditional variances and the probability exceeding a certain thresholding value would be useful information sources for interpretation.

이 논문에서는 환경변수의 시계열 분포도 작성과 불확실성 모델링을 위해 시공간영역으로 확장된 다중 가우시안 크리깅을 제안하였다. 다중 가우시안 틀 안에서, 우선 정규점수변환된 환경변수를 결정론적 경향 성분과 확률론적 잔차 성분으로 분해하였다. 그리고 시간 경향 모델 계수의 내삽을 통해 경향 성분의 시계열 공간 분포도를 작성하였다. 정상성 잔차 성분의 시공간 상관 구조는 곱-합 시공간 베리오그램 모델을 이용하여 정량화하였고, 이 베리오그램 모델과 시공간 크리깅을 이용하여 국소적 누적 확률분포함수를 모델링하였다. 이 국소적 누적 확률분포함수로부터 평균값과 조건부 분산을 계산하여 공간분포도 작성과 불확실성 분석에 각각 이용하였다. 제안 기법의 적용성 평가를 위해 인천광역시에서 3년간 13개 관측소에서 측정된 월 평균 미세먼지($PM_{10}$) 농도 자료를 이용한 시계열 분포도 작성 사례 연구를 수행하였다. 사례연구 결과, 제안 기법을 통해 기존 공간 정규 크리깅에 비해 작은 편향과 높은 예측 능력을 가진 시계열 미세먼지($PM_{10}$) 농도 분포도 작성이 가능함을 확인할 수 있었다. 또한 조건부 분산과 특정 농도값을 초과할 확률값들은 해석을 위한 유용한 보조 정보를 제공하였다.

Keywords

References

  1. 기상청, 2011, 기상월보 2009년 4월, 8월, 10월, 12월. http://www.kma.go.kr (검색일: 2011. 4. 20.)
  2. 박노욱, 2010a, 다중 스케일 지구통계학을 이용한 원격탐사 자료 기반 주제도의 다운스케일링. 대한원격탐사학회지, 26, 29-38. https://doi.org/10.7780/kjrs.2010.26.1.29
  3. 박노욱, 2010b, 지화학 자료의 확률론적 불확실성 및 위험성 분석을 위한 지시자 지구통계학의 응용. 한국지구과학회지, 31, 301-312. https://doi.org/10.5467/JKESS.2010.31.4.301
  4. 박노욱, 장동호, 2011, 시계열 기온 분포도 작성에서 시공간 자기상관성 정보의 결합. 심사중.
  5. 신문기, 이충대, 하현섭, 최춘석, 김용희, 2007, 기상인자가 미세먼지 농도에 미치는 영향. 한국대기환경학회지, 23, 322-331. https://doi.org/10.5572/KOSAE.2007.23.3.322
  6. 오석훈, 2005, 암반등급 해석을 위한 비선형 지시자 변환과 3차원 크리깅 기술의 물리탐사 및 시추자료에 대한 적용. 한국지구과학회지, 26, 429-435.
  7. 오석훈, 한성미, 2010, 물리탐사 자료의 해상도 향상을 위한 지구통계학적 다운스케일링. 한국지구과학회지, 31, 681-690. https://doi.org/10.5467/JKESS.2010.31.7.681
  8. 인천광역시 보건환경연구원, 2011, 환경정보공개시스템. http://air.incheon.go.kr (검색일: 2011. 4. 15.)
  9. Chiles, J.-P. and Delfiner, P., 1999, Geostatistics: Modeling Spatial Uncertainty. Wiley and Sons, NY, USA, 720 p.
  10. De Cesare, L., Myers, D.E., and Posa, D., 2001, Estimating and modeling space-time correlation structures. Statistics and Probability Letters, 51, 9-14. https://doi.org/10.1016/S0167-7152(00)00131-0
  11. De Cesare, L., Myers, D.E., and Posa, D., 2002, FORTRAN programs for space-time modeling. Computers and Geosciences, 28, 205-212. https://doi.org/10.1016/S0098-3004(01)00040-1
  12. De Iaco, S., Myers, D.E., and Posa, D., 2002, Space-time variograms and a functional form for total air pollution measurements. Computational Statistics and Data Analysis, 41, 311-328. https://doi.org/10.1016/S0167-9473(02)00081-6
  13. Deutsch, C.V. and Journel, A.G., 1998, GSLIB: Geostatistical Software Library and User's Guide. Oxford University Press, NY, USA, 369 p.
  14. Diggle, P.J. and Ribeiro Jr, P.J., 2007, Model-Based Geostatistics. Springer, NY, USA, 228 p.
  15. Dimitrakopoulos, R. and Luo, X., 1994, Spatiotemporal modeling: Covariances and ordinary kriging systems. In Dimitrakopoulos, R. (ed.), Geostatistics for the Next Century. Springer, NY, USA, 88-93.
  16. Fernandez-Cortes, A., Calaforra, J.M., Jimenez-Espinosa, R., and Sanchez-Martos, F., 2006, Geostatistical spatiotemporal analysis of air temperature as an aid to delineating thermal stability zones in a potential show cave: Implications for environment management. Journal of Environmental Management, 81, 371-383. https://doi.org/10.1016/j.jenvman.2005.11.011
  17. Goovaerts, P., 1997, Geostatistics for Natural Resources Evaluation. Oxford University Press, NY, USA, 483 p.
  18. Goovaerts, P., 2010, Combining areal and point data in geostatistical interpolation: Applications to soil science and medical geography. Mathematical Geosciences, 42, 535-554. https://doi.org/10.1007/s11004-010-9286-5
  19. Kyriakidis, P.C., 2004, A geostatistical framework for areato-point spatial interpolation. Geographical Analysis, 36, 259-289. https://doi.org/10.1111/j.1538-4632.2004.tb01135.x
  20. Kyriakidis, P.C. and Journel, A.G., 1999, Geostatistical space-time models. Mathematical Geology, 31, 651-684. https://doi.org/10.1023/A:1007528426688
  21. Kyriakidis, P.C. and Journel, A.G., 2001, Stochastic modeling of atmospheric pollution: A spatial time-series framework. Part II: Application to monitoring monthly sulfate deposition over Europe. Atmospheric Environment, 35, 2339-2348. https://doi.org/10.1016/S1352-2310(00)00540-9
  22. Kyriakidis, P.C., Miller, N.L., and Kim, J., 2004, A spatial time series framework for simulating daily precipitation at regional scales. Journal of Hydrology, 297, 236-255. https://doi.org/10.1016/j.jhydrol.2004.04.022
  23. Oh, S., 2000, Geostatistical approach to Bayesian inversion of geophysical data. Ph.D. Thesis, Seoul National University, 99 p.
  24. Park, G., 2008, Geostatistical integration of multi-parametric geophysical data to enhance spatial resolution. Ph.D. Thesis, Seoul National University, 120 p.
  25. Park, N.-W., 2004, Multi-source spatial data fusion with geostatistical uncertainty assessment: Applications to landslide susceptibility analysis and land-cover classification. Ph.D. Thesis, Seoul National University, 173 p.
  26. Park, N.-W., Jang, D.-H., and Chi, K.-H., 2009, Integration of IKONOS imagery for geostatistical mapping of sediment grain size at Baramarae beach, Korea. International Journal of Remote Sensing, 30, 5703-5724. https://doi.org/10.1080/01431160902729564
  27. Spadavecchia, L., 2008, Estimation of landscape carbon budgets: Combining geostatistical and data assimilation approaches. Ph.D. Thesis, University of Edinburgh, 172-227.
  28. Spadavecchia, L. and Williams, M., 2009, Can spatio-temporal geostatistical models improve high resolution regionalisation of meteorological variables? Agricultural and Forest Meteorology, 149, 1105-1117. https://doi.org/10.1016/j.agrformet.2009.01.008

Cited by

  1. Geostatistical Simulation of Compositional Data Using Multiple Data Transformations vol.35, pp.1, 2014, https://doi.org/10.5467/JKESS.2014.35.1.69