지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정지훈
- 발행연도
- 2016
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (9)
2019
2018
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
이 연구에서는 북극 해빙 농도의 예측을 위해 S-EOF(Season-reliant Empirical Orthogonal Function)를 이용한 통계 모델을 구축한 후 1979년부터 2014년까지 매월 12개월을 예측하는 hindcast를 수행하여 모델의 예측성을 검정 하였다. 먼저 미래 해빙의 변화는 과거 해빙의 변동을 따른다고 가정하고 해빙의 최근 12개월 아노말리를 S-EOF에 투영시켜 현재 해빙 농도 상태지수(State Index: SI)를 계산하였다. 이때 최근 해빙의 급격한 변화를 감안하여 최근 해빙 아노말리에 가중치를 주었다. 그리고 이 해빙 농도 상태지수를 다시 S-EOF 모드에 곱해 미래 해빙 아노말리를 예측 하였다. 전반적으로 통계 모델의 예측성은 NCEP CFSv2에 비해 높게 나타났다. 그리고 9월부터 2월까지 해빙이 어는 시기에 예측성이 높게 나타났으며, 3월부터 8월까지 해빙이 녹는 시기에 상대적으로 낮게 나타났다. 이는 봄과 여름철 해빙이 녹는 시기에 해빙이 대기의 영향을 받기 때문인데, 이러한 대기-해양 상호작용과 과거 해빙 메모리에 대한 영향력이 통계 모델에 반영되지 않았기 때문이다. 이러한 통계모델의 예측성을 개선하기 위하여 상태지수를 개선하거나 평균 해면 기압에 대한 보정식을 추가하여 예측성을 개선하였다. 6개월 이전의 해빙 메모리를 반영하지 못하는 통계 모델의 단점을 보완하기 위하여 현재 상태지수를 산출할 때 해빙의 메모리를 반영하는 가중치를 주어서 예측성을 검정해 보았다. 그리고 40N° 이상 지역에서 해면 기압을 지수화 하고 해빙 아노말리와의 회귀값을 계산한 후 해면 기압 지수와 회귀값을 곱하여 예측 아노말리를 구할 때 보정해주었으며 과거 예측을 통해 보정식이 봄과 여름철을 중심으로 예측성을 향상 시킨다는 것을 확인하였다. 또한 저해상도 모델과 고해상도 모델을 비교하였을 때, 해빙 아노말리와 농도 패턴은 거의 비슷하게 나타났으나 고해상도 모델에서 좀 더 자세한 패턴이 나타남을 확인하였다.
목차
1. 서론 12. 자료 및 방법 63. 통계 모델 9가. 북극 해빙 농도의 S-EOF 9나. 미래 해빙 농도 예측 기법 134. 통계모델의 예측성 15가. 북극 해빙 면적 예측성 15나. 해빙 농도의 예측성 194. 통계모델 개선방법 24가. 개선 방향: 해빙 상태지수 개선 24나. 상태지수 개선전과 후의 예측성 비교 27다. 개선 방향: 대기 보정식 적용 30라. 대기 보정식 적용전과 적용후의 해빙 면적 예측성 비교 34마. 대기 보정식 적용전과 적용후의 해빙 농도 예측성 비교 374. 북극 해빙 통계예측 공간 해상도 향상 415. 요약 및 토의 44참고문헌 46Abstract 51
최근 본 자료
댓글(0)
0