Gravity Recovery and Climate Experiment (GRACE) gravimeter satellites observed the Earth gravity field with unprecedented accuracy since 2002. After the termination of GRACE mission, GRACE Follow-on (GFO) satellites successively observe global gravity field, but there is missing period between GRACE and GFO about one year. Many previous studies estimated terrestrial water storage (TWS) changes using hydrological models, vertical displacements from global navigation satellite system observations, altimetry, and satellite laser ranging for a continuity of GRACE and GFO data. Recently, in order to predict TWS changes, various machine learning methods are developed such as artificial neural network and multi-linear regression. Previous studies used hydrological and climate data simultaneously as input data of the learning process. Further, they excluded linear trends in input data and GRACE/GFO data because the trend components obtained from GRACE/GFO data were assumed to be the same for other periods. However, hydrological models include high uncertainties, and observational period of GRACE/GFO is not long enough to estimate reliable TWS trends. In this study, we used convolutional neural networks (CNN) method incorporating only climate data set (temperature, evaporation, and precipitation) to predict TWS variations in the missing period of GRACE/GFO. We also make CNN model learn the linear trend of GRACE/GFO data. In most river basins considered in this study, our CNN model successfully predicts seasonal and long-term variations of TWS change.

During the period of 2002 to 2017, the Gravity Recovery And Climate Experiment (GRACE) had observed time-varying gravity changes with unprecedented accuracy. The GRACE science data centers provide the monthly gravity solutions after removing the sub-monthly mass fluctuation using geophysical models. However, model misfit makes the solutions to be contaminated by aliasing errors, which exhibits peculiar north-south stripes. Two conventional filters are used to reduce the errors, but signals with similar spatial patterns to the errors are also removed during the filtering procedure. This would be particularly problematic for estimating the ice mass changes in Western Antarctic Ice Sheet (WAIS) and Antarctic Peninsula (AP) due to their similar spatial pattern to the elongated north-south direction. In this study, we introduce an alternative filter to remove aliasing errors using the Empirical Orthogonal Functions (EOF) analysis. EOF can decompose data into different modes, and thus is useful to separate signals from noise. Therefore, the aliasing errors are effectively suppressed through EOF method. In particular, the month-to-month mass changes in WAIS and AP, which have been significantly contaminated by aliasing errors, can be recovered using EOF method.

초기의 판 구조론에서 지각 판은 연약권 위에 떠서 맨틀의 움직임에 따라 움직이는 수동적인 모습으로 그려졌 고, 자연히 해령에서 발산되는 힘이나 암석권 하부의 맨틀 견인력(drag force)이 판을 움직이는 주된 원동력으로 묘사되 었다. 하지만 최근 여러 연구들은 판의 이동을 일으키는 원동력이 맨틀의 대류보다는 섭입대에서 침강하는 판이 만드는 섭입판 인력(slab pull)이라고 보고 있다. 최근 학계는 무거운 해양판과 주변 연약권의 밀도 차이가 섭입판 인력의 핵심 이라고 설명한다. 해양판의 높은 밀도는 중력에 의해 판이 해구에서 맨틀 속으로 가라앉는 원인이 되며, 이것이 판이 움직이는 가장 큰 원동력을 발생시키는 것이다. 이러한 연구 결과들을 바탕으로, 본 연구는 고등학교 지구과학 교과서의 관련 내용을 검토하고 최근 수십 년 간의 서술 경향을 분석하였다. 그 결과 5차 교육과정 이래로 지금까지 거의 대 부분의 고등학교 교과서가 맨틀 대류를 판 이동의 주 원동력으로 서술하고 있다는 것을 확인하였으며, 이는 대학교 교 재가 개정판을 통해 새로운 학설을 꾸준히 제시해온 것과 대조적인 모습이라 할 수 있다. 따라서 학생들에게 더욱 정 확한 학술적 정보를 제공하기 위해 이와 같은 새로운 판 구조론 내용이 해당 교과서 관련 단원에 추가되어야 할 것이다.