Use of Space-time Autocorrelation Information in Time-series Temperature Mapping

시계열 기온 분포도 작성을 위한 시공간 자기상관성 정보의 결합

Climatic variables such as temperature and precipitation tend to vary both in space and in time simultaneously. Thus, it is necessary to include space-time autocorrelation into conventional spatial interpolation methods for reliable time-series mapping. This paper introduces and applies space-time variogram modeling and space-time kriging to generate time-series temperature maps using hourly Automatic Weather System(AWS) temperature observation data for a one-month period. First, temperature observation data are decomposed into deterministic trend and stochastic residual components. For trend component modeling, elevation data which have reasonable correlation with temperature are used as secondary information to generate trend component with topographic effects. Then, space-time variograms of residual components are estimated and modelled by using a product-sum space-time variogram model to account for not only autocorrelation both in space and in time, but also their interactions. From a case study, space-time kriging outperforms both conventional space only ordinary kriging and regression-kriging, which indicates the importance of using space-time autocorrelation information as well as elevation data. It is expected that space-time kriging would be a useful tool when a space-poor but time-rich dataset is analyzed.

기온, 강수와 같은 기후관측 자료들은 공간과 더불어 시간적인 변이를 동시에 나타낸다. 따라서 신뢰성 높은 시계열 분포도 작성을 위해 공간적 자기상관성만을 고려하는 기존 공간 내삽 기법에 시공간적 자기상관성 정보를 반영할 필요가 있다. 이 연구에서는 시계열 기온 분포도 제작을 위해 1개월 동안 1시간 간격으로 획득된 기온 관측소 자료를 대상으로 시공간 크리깅을 적용하였다. 우선 기온자료를 결정론적 경향 성분과 확률론적 잔차 성분으로 분해한 후에, 경향 성분 모델링 과정에 기온과 연관성이 높은 고도 자료를 부가 자료로 통합하여 지형 효과를 반영하는 경향 성분을 모델링하였다. 잔차 성분에 대한 시공간 베리오그램 모델링에는 곱-합 모델을 적용하여 시간과 공간 베리오그램의 상호 연관성을 반영하도록 하였다. 이러한 시공간 베리오그램 모델을 이용하여 시공간 정규 크리깅을 적용한 결과, 기존 공간적 자기상관성만을 고려하는 정규 크리깅과 고도 자료를 부가 자료로 이용하는 회귀분석 크리깅에 비해 상대적으로 높은 예측 능력을 보였다. 이러한 결과는 고도 자료와 더불어 시공간 자기상관성 정보의 이용이 중요함을 지시한다. 따라서 공간적으로 가용할 수 있는 자료의 수가 한계가 있지만 시계열적으로 자료 획득이 가능한 변수를 분석할 때, 시공간 크리깅이 유용한 내삽 방법론으로 적용될 수 있을 것으로 기대된다.