본 논문은 1979년과 2006년 사이 전세계 강수의 연평균 및 계절성의 시계열적 변화 양상을 색채를 체계적으로 사용하여 공간상에 가시화하는 방법론을 제시한다. 시계열 푸리에분석을 이용하여 분해된 중간 결과물에 로버스트 및 비모수 시계열 회귀분석을 적용하여, 세계 전반적으로 강수량의 연평균 및 계절성이 어떻게 변화하는지를 GIS/RS 프로그램인 이디리시를 사용하여 지도화한다. 본 논문에서 제시한 지도학적 방법론은 세계 강수 변화의 시공간적 역동성을 하나의 지도상에 함축적으로 표현할 수 있으며, 각 지역에서 관찰되는 각기 다른 변화 양상을 2차원 색채 범례를 통해 명확히 구분한다. 또한, 이 방법론은 기후변화와 관련된 연구 외에도 다른 래스터기반 시공간 자료 표현을 하는데 있어서도 유용하게 활용될 것이다.

최근 30년(1976∼2005년)간 기상청 60개 관측 지점의 자료를 이용하여 강수 현상의 시 공간 변동 특성에 대해 분석하였다. 남한 전체 연 평균 강수량은 약 1310 mm이고 남부지역과 경기/강원 지역에서 많고(약 1300 mm 이상) 경북내륙지역에서는 적으며(1100 mm 이하), 강수 일수는 주로 소백산맥 주변지역에서 약 100일 이상인 반면 경북 내륙지역에서는 90일 이하로 공간차가 크다. 강수현상의 경년 변동은 주로 강수량 및 강수일수가 많고 강수강도가 강한 남부지방과 영동지역, 소백산맥과 그 서쪽 지역 그리고 남부와 중부지역에서 각각 크다. 강수량의 경우 남해안 지역에서는 과우해와 다우해의 연 강수량 차이가 최대 800 mm에 이를 정도로 경년 변동이 크다. 강수 현상의 계절 변동(여름집중도)은 경년 변동에 비해 지리적 환경(해발고도, 해안/내륙, 태백산맥의 동쪽/서쪽)에 더 밀접하게 연관되어 발생하고있다. 남해안(동해안) 지역에서는 봄, 여름과 가을의 강수비율이 각각 20(16)%, 53(53)% 및 20(24)%로 강수의 여름집중도가 약한 반면, 경기 내륙 지역에서는 봄, 여름과 가을의 강수비율이 각각 18%, 60%, 18%로 여름 집중도가 강하다. 또한 남한 전체 평균 여름 강수량 비율이 약 55%로 허창회와 강인식(1988)의 연구 결과 보다 약 5% 정도 높게 나타나 최근 강수의 여름 집중도가 심화되고 있음을 제시한다. 집중 호우 및 연강수량에 대한 집중 호우의 비율과 연강수량과의 상관계수가 각각 0.92와 0.75로 나타나 집중 호우의 발생 빈도가 연강수량에 비례해서 높아짐을 제시한다. 강수량은 해발 고도와 밀접하게 관련되어 있으며 강수량에 대한 지형의 영향은 강수량에 비례하게 증가된다.

Jeju Island relies on subterranean water for over 98% of its water resources, and it is therefore necessary to continue to perform studies on drought due to climate changes. In this study, the representative standardized precipitation index (SPI) is classified by various criteria, and the spatial characteristics and applicability of drought in Jeju Island are evaluated from the results. As the result of calculating SPI of 4 weather stations (SPI 3, 6, 9, 12), SPI 12 was found to be relatively simple compared to SPI 6. Also, it was verified that the fluctuation of SPI was greater fot short-term data, and that long-term data was relatively more useful for judging extreme drought. Cluster analysis was performed using the K-means technique, with two variables extracted as the result of factor analysis, and the clustering was terminated with seven-time repeated calculations, and eventually two clusters were formed.

A novel disaggregation model that combines a machine learning model and kriging of residuals is presented to map precipitation at a fine scale from coarse scale precipitation data. Random forest (RF) and fine scale auxiliary variables are used to estimate trend components at a fine scale. Residual components are then estimated by area-to-point residual kriging. A case study of spatial disaggregation of TRMM monthly precipitation data acquired over the Korean peninsula is carried out to illustrate the potential of the presented disaggregation method. From the evaluation results, the presented method outperformed the RF-based disaggregation method that only considers trend components and ignores residual components, in terms of accuracy statistics and the ability of coherent predictions. This case study indicates that accounting for residual components by applying a proper spatial prediction method such as area-to-point kriging is very important in spatial disaggregation of coarse scale spatial data, even though advanced regression models such as RF could have high goodness of fit for the quantification of relationships between a target attribute and auxiliary variables.

본 논문은 강릉 지역에서 동일 기간에 기록된 공간 감마선량률과 강수량, 일조시간, 평균풍속 사이의 교차 상관 지수 pDCCA를 DCCA cross-correlation coefficient(DCCA p)방법으로 구하여 교차 상관성을 분석하였다. 우리는 이 연구를통해 다음의 사실을 알았다. 첫 번째, 공간 감마선량률과 강수량 사이 pDCCA는 일(4~7일), 달(30일), 계절(90일), 년(360일)에서 0.57~0.48, 0.39, 0.34, 0.26, 공간 감마선량률과 일조시간 사이 pDCCA는 일, 달, 계절, 년에서 –0.20~-0.23,-0.22, -0.17, -0.13, 공간 감마선량률과 평균풍속 사이의 pDCCA는 일, 달, 계절, 년에서 –0.10~-0.12, -0.11, -0.05, -0.05이다. 두 번째, pDCCA를 통하여 공간 감마선량률과 강수량은 교차 상관성이 있으며 공간 감마선량률과 일조시간, 평균풍속 사이에는 교차 상관성이 없다는 것을 확인하였다.

This paper proposed a new method for estimating missing values in time series rainfall data. The proposed method integrated the two most widely used estimation methods, general linear model(GLM) and ordinary kriging(OK), by taking a weighted average of covariance matrices derived from each of the two methods. The proposed method was cross-validated using daily rainfall data at thirteen rain gauges in the Hyeong-san River basin. The goodness-of-fit of the proposed method was higher than those of GLM and OK, which can be attributed to the weighting algorithm that was designed to minimize errors caused by violations of assumptions of the two existing methods. This result suggests that the proposed method is more accurate in missing values in time series rainfall data, especially in a region where the assumptions of existing methods are not met, i.e., rainfall varies by season and topography is heterogeneous.