• Journal of Wetlands Research
• /
• v.21 no.4
• /
• pp.344-353
• /
• 2019

Heat waves are a global phenomenon that exacerbate the risks associated with heat exposure and cause fatal human injury. The subject of this study was tropical night, one of the forms of heat waves. In this study, we investigated how the trend of tropical night in Korea is changing. From 1973 to 2018, we analyzed the temporal changes of the six tropical nights using daily minimum air temperature at 60 ASOS stations in Korea Meteorological Administration. From these analyzes, 10 sites were selected as attention sites for tropical nights: Incheon, Gangneung, Cheongju, Jeonju, Gwangju, Jangheung, Yeosu, Geoje, Gumi, Yeongdeok. The severe sites for tropical nights were identified as 14 sites including Hongcheon, Yangpyeong, Suwon, Wonju, Boryeong, Daejeon, Buan, Jeongeup, Mokpo, Geochang, Miryang, Pohang, Jeju, and Seogwipo. At the severe sites identified, special tropical night measures will need to be established.

• Journal of the Korea Society of Computer and Information
• /
• v.28 no.7
• /
• pp.57-65
• /
• 2023

Various studies to enhance the accuracy of rice production forecasting are focused on improving the accuracy of the models. In contrast, there is a relative lack of research regarding the data itself, which the prediction models are applied to. When applying the same dependent variable and prediction model to two different sets of rice production data composed of distinct features, discrepancies in results can occur. It is challenging to determine which dataset yields superior results under such circumstances. To address this issue, by identifying potential influential features within the data before applying the prediction model and centering the modeling around these, it is possible to achieve stable prediction results regardless of the composition of the data. In this study, we propose a method to adjust the composition of the data's features in order to select optimal base variables, aiding in achieving stable and consistent predictions for rice production. This method makes use of the Korea Meteorological Administration's ASOS data. The findings of this study are expected to make a substantial contribution towards enhancing the utility of performance evaluations in future research endeavors.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.40-40
• /
• 2017

최근 2014년 마른장마의 영향으로 중부 지방에 가뭄이 발생하였으며, 장마철 강수부족은 2015년까지 영향을 미친바 있다. 이로 인해 소양강 댐은 역대 최저수위를 기록하였으며, 일부 지역에서는 제한급수, 농업용수 부족 등의 피해가 발생하였다. 일반적으로 가뭄은 발생순서에 따라 기상학적, 농업적, 수문학적 가뭄 등으로 분류하고 있다 (Wilhite and Grantz, 1985). 기상학적 가뭄은 농업 및 수문학적 가뭄에 영향을 미치는 가뭄의 시작 단계를 의미하며, 가뭄을 판단하는데 있어 중요한 요소라 할 수 있다. 기상학적 가뭄을 정량적으로 판단하기 위해 SPI, PDSI, PN 등이 활용되고 있으며, 특히 강수량 기반의 SPI는 계산과정이 쉽고, 다양한 지속시간(3, 6, 9, 12개월 등)에 따라 가뭄을 객관적으로 판단할 수 있어 가장 활발하게 이용되고 있다(Mckee et al., 1993). 최근 기상청은 대기와 해양-해빙 모델을 접합한 GloSea5의 장기예보자료를 활용하여 월 내지 계절 가뭄전망을 위한 기상학적 가뭄지수를 현업에 활용하고 있다. 다만 국내에서는 주로 단기가뭄(1~3개월)이 빈번하게 발생함에 따라 짧은 예보선행시간을 갖는 가뭄전망에 대한 평가에 집중되어 왔다. 2014, 15년에는 이례적으로 2년 연속 가뭄이 지속된바 있으며, 장기가뭄(3개월 이상)에 대한 전망정보의 필요성이 증가하고 있다. 본 연구에서는 장기예보자료 기반의 기상학적 가뭄전망정보를 산정하고, 2015년 가뭄을 대상으로 활용성을 평가하였다. 이를 위해 ASOS 59개 지점의 관측강수량, GloSea5의 미래예측(Foreacst) 및 과거재현(Hindcast) 자료를 활용하였으며, 다양한 지속시간(3, 6, 9, 12개월)에 대한 SPI를 산정하였다. 또한 예보선행시간(1~6개월)에 따른 SPI와 관측자료 기반의 SPI 간의 통계적 분석(상관계수, 평균제곱근오차)을 수행하여 전망정보의 정확도를 평가하였다.

• Journal of Korea Water Resources Association
• /
• v.53 no.9
• /
• pp.701-715
• /
• 2020

This study compared several reference evapotranspiration estimated using eight methods such as FAO-56 Penman-Monteith (FAO PM), Hamon, Hansen, Hargreaves-Samani, Jensen-Haise, Makkink, Priestley-Taylor, and Thornthwaite. In addition, by analyzing the monthly deviations of the results by the FAO PM and the remaining seven methods, monthly optimized correction coefficients were derived and the improvement effect was evaluated. These methods were applied to 73 automated synoptic observation system (ASOS) stations of the Korea Meteorological Administration, where the climatological data are available at least 20 years. As a result of evaluating the reference evapotranspiration by applying the default coefficients of each method, a large fluctuation happened depending on the method, and the Hansen method was relatively similar to FAO PM. However, the Hamon and Jensen-Haise methods showed more large values than other methods in summer, and the deviation from FAO PM method was also large significantly. When comparing based on the region, the comparison with FAO PM method provided that the reference evapotranspiration estimated by other methods was overestimated in most regions except for eastern coastal areas. Based on the deviation from the FAO PM method, the monthly correction coefficients were derived for each station. The monthly deviation average that ranged from -46 mm to +88 mm before correction was improved to -11 mm to +1 mm after correction, and the annual average deviation was also significantly reduced by correction from -393 mm to +354 mm (before correction) to -33 mm to +9 mm (after correction). In particular, Hamon, Hargreaves-Samani, and Thornthwaite methods using only temperature data also produced results that were not significantly different from FAO PM after correction. It can be also useful for forecasting long-term reference evapotranspiration using temperature data in climate change scenarios or predicting evapotranspiration using monthly or seasonal temperature forecasted values.

• Korean Journal of Agricultural and Forest Meteorology
• /
• v.22 no.3
• /
• pp.128-134
• /
• 2020

The daily gridded meteorological information and climatology with high resolution (30m and 270m) was produced from 94 Automated Surface Observing System (ASOS) of Korea Meteorological Administration (KMA) for the past 50 years (1971-current) by different downscaling methods. In addition, the difference between daily meteorological data and the mean state of past 30 years (1981-2010) was calculated for the analysis of climate change. These datasets with GeoTiff format are available from the web interface (https://agecoclim. agmet.kr). The performance of the data is evaluated using 172 Automatic Weather S tation (AWS ) of Rural Development of Administration (RDA). The data have biases lower than 2.0, and root mean square errors (RMSE) lower than 3.8. This data may help to better understand the regional climatic change and its impact on agroecosystem in S outh Korea.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.406-406
• /
• 2021

극한강우사상의 분석은 다양한 극치 분포로 구성된 극치이론을 통해 가능하다. 일반적으로 단일 지점의 극한사상의 분석을 위한 지점빈도해석 (Point Frequency Analysis, PFA)이 다양한 재현기간에 해당하는 강우량을 추정하는데 널리 사용되어왔다. 하지만 수문기후학적 극치기록은 시간적 그리고 공간적으로 제한적이다. 따라서 모의 불확실성을 줄이고 신뢰성 높은 결과를 도출하기 위해 서로 유사한 분포를 가질 수 있는 인근 지점의 활용하는 지역빈도해석 (Regional Frequency Analysis, RFA) 방법이 개발되어 적용되고 있다. 본 연구에서는 부산, 울산, 경남지역의 기상청 종관기상관측시스템(Automated Synoptic Observing System, ASOS) 울산, 부산, 통영, 진주, 거창, 합천, 밀양, 산청, 거제, 남해지점 일강수량을 자료를 기반으로 Metropolis-Hasting 알고리즘을 사용하여 일반극치분포(Generalized Extreme Value, GEV)의 매개변수를 추정하고 PFA 및 RFA의 불확실성을 평가하고자 한다. 이러한 연구는 공간적 구성 요소(예, 지리적 좌표, 고도)를 고려하지 못하며 추가변수 (예, 공변량)를 분석에 결합할 수 없는 등의 RFA의 한계를 극복하고, 명시적으로 불확실성을 추정하여 결과의 신뢰성을 확보 할 수 있는 계층적 베이지안 모델의 개발에 도움이 되리라 기대된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.259-259
• /
• 2020

증발산량은 수문학적으로는 강수량으로부터 지표 유출량과 지하수 함양량을 추정하는 등 전체 물수지를 해석하는데 있어서 매우 중요하며, 농업적 측면에서는 작물의 용수 수요량을 결정하는 중요한 인자이다. 그러나 증발산량의 직접적인 계측이 쉽지 않기 때문에 물수지 방법에 의한 간접적인 추정이나 관련된 기상자료를 이용한 경험적이고 물리적인 해석을 통해 산정하고 있다. 일반적으로 특정조건의 작물(기준작물)을 기준으로 가용수분이 충분한 상태에서 주어진 기상조건에 대해 기준증발산량을 산정하며, 여기에 대상작물별 특성이나 토양의 실제수분상태 등을 고려하여 실제증발산량을 추정하고 있다. 본 연구에서는 한강권역을 대상으로 현재 가장 일반적으로 활용되고 있는 Penman-Monteith 방법을 비롯하여, Thornthwaite 방법, Hamon 방법, Priestly-Taylor 방법, Hargreaves-Samani 방법, Hansen 방법 등 총 6종의 기준증발산량을 산정하여 비교하였다. 각 방법에 필요한 기상자료는 한강권역 및 인근에 위치한 기상청 관할의 33개 ASOS 지점에 대한 60년간(1960~2019년)의 관측자료를 이용하였다. Penman-Monteith 방법에 의한 값을 기준으로 나머지 5가지 방법들에 의한 결과를 분석한 결과, 전반적으로 다른 방법들이 기준증발산량을 크게 산정하는 것으로 나타났으며, temperature-based 접근법인 Hamon과 Hargreaves-Samani에 의한 연평균 값은 Penman-Monteith 방법 대비 각각 28.5%, 19.3% 정도 크게 산정되었다. 특히 Hamon 방법에 의한 결과는 다른 방법과 비교하여 여름철에 크게 차이를 보였다. 반면 Hansen 방법은 상대적으로 Penmna-Monteith 방법과 가장 적은 편차를 나타내었다. 지역별로 분석했을 때는 서울/인천지역과 강원도 동해안 지역을 제외하고는 Penman-Monteith 방법 대비 다른 방법들의 기준증발산량이 큰 것으로 나타났다. 중권역별로는 Penman-Monteith 결과와 비교하여 -158 mm/yr 에서 최대 +307 mm/yr 정도의 편차를 나타내었으며, 월별로는 -13 mm에서 +73 mm의 편차가 나타났다.

• Journal of the Korean earth science society
• /
• v.35 no.4
• /
• pp.215-224
• /
• 2014

Data assimilation effect of mobile rawinsonde observation was evaluated using Unified Model (UM) with a Three-Dimensional Variational (3DVAR) data assimilation system during the intensive observation program of 2013 summer season (rainy season: 20 June-7 July 2013, heavy rain period: 8 July-30 July 2013). The analysis was performed by two sets of simulation experiments: (1) ConTroL experiment (CTL) with observation data provided by Korea Meteorological Administration (KMA) and (2) Observing System Experiment (OSE) including both KMA and mobile rawinsonde observation data. In the model verification during the rainy season, there were no distinctive differences for 500 hPa geopotential height, 850 hPa air temperature, and 300 hPa wind speed between CTL and OSE simulation due to data limitation (0000 and 1200 UTC only) at stationary rawinsonde stations. In contrast, precipitation verification using the hourly accumulated precipitation data of Automatic Synoptic Observation System (ASOS) showed that Equivalent Threat Score (ETS) of the OSE was improved by about 2% compared with that of the CTL. For cases having a positive effect of the OSE simulation, ETS of the OSE showed a significantly higher improvement (up to 41%) than that of the CTL. This estimation thus suggests that the use of mobile rawinsonde observation data using UM 3DVAR could be reasonable enough to assess the improvement of prediction accuracy.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.94-94
• /
• 2016

돌발홍수는 수십 $km^2$ 이하의 유역에서 강우가 발생한 후 6시간 이내의 단시간에 홍수징후가 나타나는 현상으로 정의될 수 있다. 돌발홍수를 잘 예측하기 위해서는 국지적으로 발생하는 집중 호우를 잘 예측해야 하며 유역내 공간적인 수문반응해석을 통해 돌발홍수를 예측하는 기술이 요구된다. 본 연구에서는 유역내 공간적인 수문반응을 잘 모의하기 위해 TOPLATS 지표해석모형을 이용하였다. TOPLATS(TOPMODEL based Land Atmosphere Transfer Scheme) 모형은 물수지와 에너지수지를 통해 단위격자에 대한 실제증발산량, 토양수분량, 지하수면깊이, 지표유출량, 잠열, 현열, 지열, 순복사량 등을 모의하며 소유역단위로 지하수면깊이를 재분포시키는 특성을 가지고 있다. 돌발홍수 위험도를 산정하기 위해 실제 돌발홍수 피해사례를 조사하였으며 피해지역과 대응되는 격자 수문성분과의 상관성 분석을 통해 돌발홍수 위험도 모형을 산정하였다. 대상지역은 수도권 전체지역을 모의하기 위해 한강, 임진강, 안성천 유역을 대상지역으로 선정하였다. 수도권 지역은 약 11,930 km2이며 2009~2012년동안 총 38건의 돌발홍수 피해사례가 신고되었다. 기상자료는 기상청 AWS와 ASOS 시단위 강우, 기온, 상대습도, 풍속, 일조, 기압자료를 이용하였다. 돌발홍수 피해사례 38건에 대해 대응되는 모의격자의 수문성분을 분석하였으며 27(71%)에서 구조요청시점에 대해 강우량, 지표유출량, 토양수분량, 지하수면깊이가 적절하게 모의되는 것을 확인하였다. 강우조건에 따른 돌발홍수 위험도는 구조요청시점 기준 선행시간 4~6시간까지 71~87%, 구조요청시점으로 한정된 0시간에서는 42~52%로 나타났다. 이상의 결과로부터 지표해석모델을 이용한 격자 수문성분과 통계적 돌발홍수지수모형으로부터 산정된 돌발홍수 위험도는 산지 미계측지역에 대한 돌발홍수를 예측하는데 활용될 수 있을 것으로 판단된다.

• Korean Journal of Agricultural and Forest Meteorology
• /
• v.22 no.4
• /
• pp.239-249
• /
• 2020

Rice flour varieties have been developed to replace wheat, and consumption of rice flour has been encouraged. damage related to pre-harvest sprouting was occurring due to a weather disaster during the ripening period. Thus, it is necessary to develop pre-harvest sprouting rate prediction system to minimize damage for pre-harvest sprouting. Rice cultivation experiments from 20 17 to 20 19 were conducted with three rice flour varieties at six regions in Gangwon-do, Chungcheongbuk-do, and Gyeongsangbuk-do. Survey components were the heading date and pre-harvest sprouting at the harvest date. The weather data were collected daily mean temperature, relative humidity, and rainfall using Automated Synoptic Observing System (ASOS) with the same region name. Gradient Boosting Machine (GBM) which is a machine learning model, was used to predict the pre-harvest sprouting rate, and the training input variables were mean temperature, relative humidity, and total rainfall. Also, the experiment for the period from days after the heading date (DAH) to the subsequent period (DA2H) was conducted to establish the period related to pre-harvest sprouting. The data were divided into training-set and vali-set for calibration of period related to pre-harvest sprouting, and test-set for validation. The result for training-set and vali-set showed the highest score for a period of 22 DAH and 24 DA2H. The result for test-set tended to overpredict pre-harvest sprouting rate on a section smaller than 3.0 %. However, the result showed a high prediction performance (R2=0.76). Therefore, it is expected that the pre-harvest sprouting rate could be able to easily predict with weather components for a specific period using machine learning.