대규모 하천의 수량(river storage) 변동으로 인해 발생하는 지각 변형을 정량적으로 평가하기 위해, GNSS (Global Navigation Satellite System) 기반의 지각 변위 자료와 GRACE (Gravity Recovery and Climate Experiment) 인공위성 중력 자료, 그리고 WaterGAP 수리 모형 산출 자료를 종합적으로 분석하였다. 우리는 아마존 강 유역에 대해 수로에 집중되어 분포하는 하천 수량 변동을 선 형태의 하중으로 모형화하고, 이로부터 유발되는 지각의 탄성 변형을 계산해 GNSS 관측치와 비교하였다. 이를 통해, 이 지역에서 발생하는 계절적 지각 변위 중 하천 수량 변동에 기인하 는 성분을 선 하중 모형으로 성공적으로 설명할 수 있음을 확인하였다. 이러한 결과는 원격 탐사 자료를 활용해 대규 모 하천의 수량 변동을 추정할 수 있을 뿐 아니라, 이를 토대로 GRACE가 관측하는 육상 물 저장량(terrestrial water storage, TWS)에서 토양 수분이나 지하수 변동 등의 개별 요소를 분리 및 검증할 수 있는 방법론을 제시한다. 나아가, 본 연구에서 제안된 접근법은 기후 변화로 인한 수문학적 재해 예측과 수자원 관리 등 다양한 분야에서 더욱 정교한 해석과 활용을 가능하게 할 것으로 기대된다.

River discharge is a crucial indicator of climate change and requires accurate and continuous estimation for effective water resource management and environmental monitoring. This study used satellite gravimetry data to estimate river discharge in major basins with high discharge volumes, specifically the Congo and Orinoco basins. By enhancing the spatial resolution of gravity data through advanced post-processing techniques, including forward modeling and river routing schemes, we effectively detected changes in the water mass stored within river channels. Additionally, signals from surrounding regions were statistically removed using the Empirical Orthogonal Function (EOF) analysis to isolate river-specific discharge signals. These refined signals were then converted into river discharge data through seasonal calibration using the modeled discharge data. Our results demonstrate that this method yields accurate and reliable discharge estimates comparable to in-situ measurements from gauge stations, even without ground-based surveys such as an Acoustic Doppler Current Profiler (ADCP) field campaigns. This research highlights the significant potential of satellite-based gravity data as an alternative to traditional ground surveys, providing practical information on the hydrological status of regions associated with large-scale river systems.

이 연구의 목적은 중학생을 위한 시스템 사고 향상에 적합한 사전 교육 및 STEAM 교육 프로그램을 개발하고 중학생에게 적용하여 프로그램의 효과를 분석하는 것이다. 이 연구는 중학생을 대상으로 시스템 사고에 대한 사전 교육 프로그램과 시스템 사고를 향상시키기 위한 STEAM 교육 프로그램을 개발하는 것이다. 개발된 프로그램은 경상북도에 위치한 소규모 중학교 1학년 4명, 3학년 4명을 대상으로 투입하여 효과를 분석하였다. 시스템 사고의 분석은 Hung(2008)에 의해 개발된 루브릭이 활용되었다. 학생들의 시스템 사고에 대한 신뢰도와 루브릭의 타당도를 확인하기 위해 전문가들이 연구 결과를 검토하였다. 시스템 사고의 효과를 확인하기 위해 루브릭, 시스템 사고에 대한 학생들의 인지, 단어 간 관계 분석, 인과 지도의 검사를 체계적으로 적용하였다. 연구 결과를 정리하면 다음과 같다. 첫째, 시스템 사고 사전 교육 프로그램과 교사용 지도서를 개발하였다. 이는 학생의 시스템 사고에 대한 개념과 인과 지도 작성법에 대한 기초 지식을 학습시키기 위한 것이다. 개발된 사전 교육 프로그램은 ‘지구 온난화’를 주제로 한 무한도전이라는 친숙한 예능 프로그램을 이용하여 인과 지도 작성 방법을 학습하도록 구성되었다. 사전 교육프로그램은 대상 학생들이 친숙하게 접근할 수 있도록 지구 온난화를 주제로 한 예능 프로그램을 기반으로 하였으며, 이를 통해 인과 지도 작성 방법을 학습할 수 있도록 구성하였다. 효과성 검사를 적용한 결과, 학생들의 시스템 사고 향상을 위한 사전 교육 프로그램은 효과적인 것으로 분석되었다. 둘째, ‘분석-설계-제작-평가-시스템 사고’의 5단계로 구성된 ADBAS 모형을 적용하여 ‘공기 소화기’ 주제의 시스템 사고 기반 STEAM 교육 프로그램을 개발하였다. 개발된 프로그램은 시스템의 이해 능력, 시스템 내 관계 파악 능력, 시스템 일반화 능력에 긍정적인 효과가 있는 것으로 나타났다. 이 연구를 통해 개발된 사전교육 프로그램 및 STEAM 교육 프로그램은 학생의 시스템 사고 향상을 돕는데 적합하며, 시스템 사고와 STEAM 교육의 접목이라는 점에서 중요한 의미를 가진다. 또한 시스템 사고 향상을 위해 이 프로그램을 투입하기에 적절한 것으로 판단되어 ‘창의융합인재’를 양성하는데 기여할 것이다. 또한 시스템 사고 향상을 위한 위 프로그램의 적절한 투입은 창의융합형 인재를 양성하는 교육 목표를 달성하는 데 있어 기여를 할 것으로 판단된다.

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.