재해석 자료는 공간해상도가 저해상도이지만 풍력자원의 장기간 보정이나 수치기상예측 또는 전산유체역학과 연동하여 고 해상도로의 축소화에 활용될 수 있다. 본 연구에서는 재해석 자료의 전세계 풍속을 지형요소 등의 함수로 회귀 분석하였으며 향후 고 해상도 축소화에의 활용 가능성을 시험하였다. 다중선형회귀와 기계학습 모델로서 신경망, 랜덤 포레스트 모델을 적용하여 다양한 지 형형태별로 회귀 분석한 결과에 의하면 접합도(R2)가 각각 0.71, 0.95, 1.00으로 향상되었으며, 지형요소 중 위도, 셀 면적, 지형고도, 경 도, 지형 개방도 순으로 설명력이 높은 것으로 나타났다. 기본 신경망에 비해 수정 쌍둥이 신경망 모델은 불균질 데이터 대상 성능 개 선 효과가 있는 것으로 나타났다. 그럼에도 불구하고 본 연구에서 활용한 신경망 모델로는 데이터의 비선형성을 재현하는데 한계가 있 었으나 랜덤 포레스트 모델을 통해 이를 극복하였다.

본 연구에서는 고해상도 ERA5 재분석자료 중 우리나라 지상 온도 자료의 신뢰성을 검증할 목적으로 종관기상 관측소(ASOS) 관측자료와 비교를 수행하였다. 새롭게 생산되어 배포 중인 ERA5 재분석자료는 높은 시·공간적 해상도를 가져 여러 분야에 활용성이 매우 높다. 자료의 분석 기간은 ASOS 61개 관측소가 1999년 이후로 결측률이 매우 낮으며 시간평균 자료를 제공한다는 점을 고려하여 1999-2018년 기간으로 설정하였다. ERA5 격자 자료는 격자 내 90-m 수치표고모델(DEM) 분포로부터 내륙, 해안, 산악 지역에 해당하는 지형학적인 특성에 따라 분류하여 ASOS 지점 자료와 비교되었다. 분석 기간 전체에 대한 평균 지상 온도는 ASOS와 ERA5 모두 공간 분포의 패턴과 값은 큰 차이없이 유사하였다. ASOS와 ERA5의 산점도 비교를 통해 전체 기간, 특히 여름, 겨울 기간에 대해 계절 변동성을 가진다는 특성을 확인할 수 있었으며, 이는 달별 두 자료 사이의 매시간 차이 확률밀도함수(PDF)의 시계열을 통해서도 확인되었다. 두 자료 사이의 차이를 통계지수인 NMB, RMSE를 계산하여 정량화시켰을 때, 각 값에서 지역적인 특성을 보였으나 모든 지수에서 큰 차이가 없다고 판단할 수 있었으며, 상관성을 보기 위해 R과 IOA를 통해 구한 값은 모두 0.99에 근접하였다. 특히 일평균 산출에 있어 1-시간-평균 값 24개를 이용한 일평균의 경우가 최고와 최저온도의 평균을 이용 하는 일평균에 비해 오차가 작게 나타났고, 두 자료 사이의 상관성도 높게 나타남을 확인하였다. 두 자료의 차이가 나타나는 원인으로 ERA5 격자 내 지형 효과가 가장 클 것으로 판단하여 수치표고모델을 활용하여 각 지역별 PDF를 이용해 첨도 및 왜도를 구하고, 이를 온도 차이 파워 스펙트럼의 1년 주기 변동 크기와 비교하였다. 그 결과, 양의 상관성을 가졌음을 확인하였다. 이는 지형 효과가 두 자료 차이의 원인이라고 설명하는 결과이다.

In this study, steric height variability in the East Asian Seas (EAS) has been analyzed by using ocean reanalysis intercomparison project (ORA-IP) data. Results show that there are significant correlations between ocean reanalysis and satellite data except the phase of annual cycle and interannual signals of the Yellow Sea. Reanalysis ensemble derived from 15-different assimilation systems depicts higher correlation (0.706) than objective analysis ensemble (0.296) in the EAS. This correlation coefficient is also much higher than that of the global ocean (0.441). For the longterm variability of the thermosteric sea level during 1993-2010, a significant warming trend is found in the East/Japan Sea, while cooling trend is shown around the Kuroshio extension area. For the halosteric sea level, a dominant freshening trend is found in the EAS. However, below 300 m depth around this area, the signal-to-noise ratio of the linear trend is generally less than one, which is related to the low density of observation data.

온난화와 같은 전지구적 변화는 기온과 강수 등 기상요소에 직접적으로 반영되어 곡물 수확량의 변화를 가져온다. 기후변화 시나리오에 기초한 선행연구들에서는 GCM (general circulation model)의 공간해상도 문제로 인하여 상세한 모의가 어려웠고, 시계열통계법을 활용한 연구들에서는 기후요소를 통합하여 수확량을 예측한 사례가 매우 드물었다. 이에 본 연구에서는 상세화된 기후재분석자료의 시계열모델링을 통하여 옥수수와 콩의 수확량 예측실험을 수행하였다. 미국 아이오와 주의 99개 카운티를 대상으로 1960년부터 2009년까지 50년간의 고해상도 기후재분석자료와 정부통계 수확량 DB를 구축하고, 시계열통계법인 VAR (vector autoregression)와 ARIMA (autoregressive integrated moving average)를 이용하여 다음해 수확량 예측실험을 10개 연도에 대해 수행하여 예측력을 평가하였다. VAR는 16-18%, ARIMA는 11-14% 의 오차율로 다음해의 수확량을 예측할 수 있는 것으로 집계되었으며, 옥수수의 경우 표토의 산성도, 심토의 점토와 나트륨 함유량 등의 토양특성 이 실제 수확량 및 예측정확도에 영향을 미치는 것으로 나타났다.

본 연구에서는 재분석 자료(reanalysis data)를 이용하여 동아시아 계절별 평균 기상장을 분석함으로써 동아시아 주요 화산체 분화 시 화산재 확산에 따른 피해 위험 지역을 예측해보고자 하였다. 또한 FALL3D 모형으로 임의의 과거 6개월 간 가상의 백두산 분 화에 따른 화산재 확산 결과를 모의하고, 그 결과를 이용하여 화산재 확산 패턴을 클러스터로 유형화하였다. 마찬가지로 FALL3D에 이용된 WRF(Weather Research and Forecasting model) 기상장 데이터를 기반으로 기상장 클러스터를 정의하였다. 화산재 클러스터와 기상장 클러스터를 비교분석함으로써 화산 분화 당시의 기상장이 화산재 확산 패턴에 미치는 영향을 분석하였다.

해안 풍력단지 개발에 이어 해상 풍력단지 개발이 추진되고 있는 전라남도 신안군 비금도에 대한 장기간 풍력자원평가를 수행하였다. 해당 권역의 측정자료에 대한 상관분석을 통하여 신안풍력발전소 SCADA 자료와 LIDAR 측정자료를 유의한 풍력자원 측정자료로 선정하였으며, MERRA 재해석자료를 참조자료로 선택하여 Matrix Time Series MCP로 장기보정하였다. 장기보정 자료로부터 34년간의 바람인덱스를 산정하였는데 풍속과 풍력발전량의 변동률은 각각 2.0%, 5.4%이며 그 불확도는 각각 1.2%, 2.8%로 산정되었다. 특히 2010년부터 라니냐의 영향이 증대되며 바람인덱스가 평년 대비 높은 수준을 보이고 있음을 확인하였다.

실제증발산 자료를 융합하기 위한 Modified Kling-Gupta efficiency Fusion (KGF)방법을 제시하였고, 인공위성 및 재분석 증발산 자료인 Global Land Data Assimilation System (GLDAS), Global Land Evaporation Amsterdam Model (GLEAM), MODIS Global Evapotranspiration Project (MOD16)를 활용하여 Simple Taylor skill’s Score (STS)와 비교하였다. 한반도와 중국의 세가지 land cover type(i.e., cropland, grassland, forest)을 가진 flux tower에서 비교 검증을 실시하였다. 실제증발산의 융합 방법인 STS와 KGF로 계산된 가중치의 결과를 확인하면, cropland와 grassland에서 재분석 자료(GLDAS, GLEAM)가 높은 가중치 영향을 나타내지만, forest에서 융합 방법에 따라 가중치 영향이 다르게 나타났다. 전반적으로 실제증발산 융합 방법 적용 결과의 비교에서는 cropland에서는 융합에 사용된 자료에 비하여 높은 개선이 이뤄지지 않았지만, grassland와 forest 에서는 개선이 이뤄졌다. 두 방법 중 KGF의 결과가 STS의 결과에 비하여 약간 개선되는 결과를 나타내었다