Journal of Korea Water Resources Association (한국수자원학회논문집)

Korea Water Resources Association (한국수자원학회)
권호 표지
DOI QR코드

DOI QR Code

Trend Analysis of Extreme Precipitation Using Quantile Regression

Quantile 회귀분석을 이용한 극대강수량 자료의 경향성 분석

  • So, Byung-Jin (Department of Civil Engineering, Chonbuk National University) ;
  • Kwon, Hyun-Han (Department of Civil Engineering, Chonbuk National University) ;
  • An, Jung-Hee (Department of Civil Engineering, Chonbuk National University)
  • 소병진 (전북대학교 대학원 토목공학과) ;
  • 권현한 (전북대학교 공과대학 토목공학과) ;
  • 안정희 ((주) 금강건설)
  • Received : 2012.04.20
  • Accepted : 2012.05.25
  • Published : 2012.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

The underestimating trend using existing ordinary regression (OR) based trend analysis has been a well-known problem. The existing OR method based on least squares approximate the conditional mean of the response variable given certain values of the time t, and the usual assumption of the OR method is normality, that is the distribution of data are not dissimilar form a normal distribution. In this regard, this study proposed a quantile regression that aims at estimating either the conditional median or other quantiles of the response variable. This study assess trend in annual daily maximum rainfall series over 64 weather stations through both in OR and QR approach. The QR method indicates that 47 stations out of 67 weather stations are a strong upward trend at 5% significance level while OR method identifies a significant trend only at 13 stations. This is mainly because the OR method is estimating the condition mean of the response variable. Unlike the OR method, the QR method allows us flexibly to detect the trends since the OR is designed to estimate conditional quantiles of the response variable. The proposed QR method can be effectively applied to estimate hydrologic trend for either non-normal data or skewed data.

기존 Ordinary Regression (OR) 방법을 이용한 경향성 분석은 경향성을 과소평가하는 문제점을 나타낸다. 이러한 점에서 본 연구에서는 자료의 정규분포 가정과 평균을 중심으로 경향성 평가가 이루어지는 기존 Ordinary Regression (OR) 방법을 개선한 Quantile Regression (QR) 방법을 제안하였다. 본 연구에서는 64개 강우 관측지점의 연 최대 극대강수량 자료에 대하여 QR 방법과 OR 방법에 대하여 통계적 성능을 평가하였다. QR 방법의경향성 분석결과 47개 지점에서 5% 오차수준 내에서 t-검정을 통과한 반면 OR 방법에서는 13개 지점 만이 통계적 유의성을 가지는 것으로 나타났다. 이는 OR 방법이 자료의 평균을 중심으로 경향성을 평가하는 기법인데 반해 QR은 자료의 다양한 분위에서 경향성을 평가함으로써 극대 및 극소 부분에서의 경향성을 보다 유연하게 감지하는 이유로 판단된다. QR 방법을 통한 경향성 평가는 평균 중심의 해석문제점을 개선할 수 있으며 자료가 정규분포를 따르지 않거나 왜곡된 분포형태를 갖는 자료의 수문학적 경향성 평가에 유용하게 사용될 수 있을 것으로 판단된다.

Keywords

References

  1. 권영문, 박진원, 김태웅(2009). "강우량의 증가 경향성을 고려한 목표년도 확률강우량 산정." 대한토목학회논문집, 대한토목학회, 제29권, 제2B호, pp. 131-139.
  2. 권현한, 명수정 (2011). "Bayesian GLM 기법과 통계학적 Downscaling 기법을 활용한 미래 재해위험도 변동성 평가기법 개발." 한국방재학회논문집, 한국방재학회, 제11권, 제6호, pp. 207-216.
  3. 권현한, 소병진, 윤필용, 김태웅, 황석환 (2011). "누적평균과 이동평균을 이용한 비정상성 빈도 해석결과 비교." 한국방재학회논문집, 한국방재학회, 제11권, 제6호, pp. 269-280. https://doi.org/10.9798/KOSHAM.2011.11.6.269
  4. 김보경, 김병식 (2009). "B2 기후변화시나리오와 극한지수를 이용한기후변화가극한강우발생에 미치는 영향분석." 대한토목학회논문집, 대한토목학회, 제29권, 제1B 호, pp. 23-33.
  5. 김보경, 김병식, 김형수 (2008). "극한지수를 이용한 극한 기상사상의 변화 분석." 대한토목학회논문집, 대한토목학회, 제28권, 제1B호, pp. 41-53.
  6. 이동률, 김웅태, 유철상(2004). "기후변화가 기상학적 가뭄과 홍수에 미치는 영향." 한국수자원학회논문집, 한국수자원학회, 제37권, 제4호, pp. 315-328. https://doi.org/10.3741/JKWRA.2004.37.4.315
  7. 이정주, 권현한 (2011). "극치강수량의 시공간적 특성 분석 및 지역화에 관한 연구." 대한토목학회논문집, 대한토목학회, 제31권, 제1B호, pp. 13-20.
  8. 이정주, 권현한, 김태웅 (2010). "극치수문자료의 경향성 분석 개념 및 비정상성 빈도해석." 대한토목학회논문집, 대한토목학회, 제30권 제4B호, pp. 389-397.
  9. 이창환, 안재현, 김태웅 (2010). "비정상성 강우빈도해석법에 의한 확률강우량의 평가." 한국수자원학회논문집, 한국수자원학회, 제43권, 제2호, pp. 187-199. https://doi.org/10.3741/JKWRA.2010.43.2.187
  10. 정대일, 제리 스테딘져, 성장현, 김영오 (2008). "기후 변화를 고려한 홍수 위험도 평가." 대한토목학회논문집, 대한토목학회, 제28권, 제1B호, pp. 55-64.
  11. Bjørnar Bremnes, J. (2004). "Probabilistic forecasts of precipitation in terms of quantiles using NWP model output."MonthlyWeather Review, Vol. 132, No. 1, pp. 338-347.
  12. Buchinsky, M. (1998). "Recent advances in quantile regression models: a practical guideline for empirical research." Journal of Human Resources, Vol. 33, No. 1, pp. 88- 126. https://doi.org/10.2307/146316
  13. Chernozhukov, V., and Hansen, C. (2006). "Instrumental quantile regression inference for structural and treatment effect models." Journal of Econometrics, Vol. 132, No. 2, pp. 491-525. https://doi.org/10.1016/j.jeconom.2005.02.009
  14. Coelho, C., Ferro, C., Stephenson, D., and Steinskog, D. (2008). "Methods for exploring spatial and temporal variability of extreme events in climate data." Journal of Climate, Vol. 21, No. 10, pp. 2072-2092. https://doi.org/10.1175/2007JCLI1781.1
  15. Friederichs, P., and Hense, A. (2007). "Statistical downscaling of extreme precipitation events using censored quantile regression." Monthly Weather Review, Vol. 135, No. 6, pp. 2365-2378. https://doi.org/10.1175/MWR3403.1
  16. Gaffen, D.J., Sargent, M.A., Habermann, R., and Lanzante, J.R. (2000). "Sensitivity of tropospheric and stratospheric temperature trends to radiosonde data quality." Journal of Climate, Vol. 13, No. 10, pp. 1776-1796. https://doi.org/10.1175/1520-0442(2000)013<1776:SOTAST>2.0.CO;2
  17. Hao, L., and Naiman, D.Q. (2007). Quantile regression. Sage Publications, Inc., CA, USA.
  18. Katz, R.W., Parlange, M.B., and Naveau, P. (2002). "Statistics of extremes in hydrology." Advances in Water Resources, Vol. 25, No. 8-12, pp. 1287-1304. https://doi.org/10.1016/S0309-1708(02)00056-8
  19. Koenker, R. (2005) Quantile regression. Cambridge Univ Pr., New York.
  20. Koenker, R., and Bassett Jr, G. (1978). "Regression quantiles." Econometrica: Journal of the Econometric Society, Vol. 46, No. 1, pp. 33-50. https://doi.org/10.2307/1913643
  21. Koenker, R., and Schorfheide, F. (1994). "Quantile spline models for global temperature change." Climatic Change, Vol. 28, No. 4, pp. 395-404. https://doi.org/10.1007/BF01104081
  22. Lanzante, J.R. (1996). "Resistant, robust and non-parametric techniques for the analysis of climate data: theory and examples, including applications to historical radiosonde station data." International Journal of Climatology, Vol. 16, No. 11, pp. 1197-1226. https://doi.org/10.1002/(SICI)1097-0088(199611)16:11<1197::AID-JOC89>3.0.CO;2-L
  23. Parry, M., Canziani, O., Palutikof, J., Van der Linden, P., and Hanson, C. (2007). IPCC, 2007: climate change 2007: impacts, adaptation and vulnerability. Contribution of working group II to the fourth assessment report of the intergovernmental panel on climate change. Cambridge University Press, Cambridge.
  24. Sankarasubramanian, A., and Lall, U. (2003). "Flood quantiles in a changing climate: Seasonal forecasts and causal relations.Water Resources Research, Vol. 39, No. 5, pp. 1134.
  25. Weerts, A., Winsemius, H., and Verkade, J. (2010). "Estimation of predictive hydrological uncertainty using quantile regression: examples from the national flood forecasting system(England and Wales)." Hydrol. Earth Syst. Sci. Discuss, Vol. 7, pp. 5547-5575. https://doi.org/10.5194/hessd-7-5547-2010

Cited by

  1. The Recent Increasing Trends of Exceedance Rainfall Thresholds over the Korean Major Cities vol.34, pp.1, 2014, https://doi.org/10.12652/Ksce.2014.34.1.0117
  2. Outlier Detection and Treatment for the Conversion of Chemical Oxygen Demand to Total Organic Carbon vol.26, pp.4, 2014, https://doi.org/10.9765/KSCOE.2014.26.4.207
  3. A Study on Trend Analysis in Sea Level Data Through MK Test and Quantile Regression Analysis vol.27, pp.2, 2015, https://doi.org/10.9765/KSCOE.2015.27.2.94
  4. Changes in weather and climate extremes over Korea and possible causes: A review vol.51, pp.2, 2015, https://doi.org/10.1007/s13143-015-0066-5