• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.221-221
• /
• 2022

방재성능목표란 홍수, 호우 등으로부터 재해를 예방하기 위한 방재정책 등에 적용하기 위하여 처리 가능한 시간당 강우량 및 연속강우량의 목표로, 각 지자체별로 지역특성 및 경제여건 등을 고려하여 지역별 방재성능목표를 설정한다. 지역별 방재성능목표 기준을 설정하기 위해 전국을 168개 티센망으로 분류하고 69개 지점 확률강우량을 활용하여 지방자치단체별 확률강우량을 산정하고, 지방자치단체별 티센면적 비율을 감안하여 각 지자체별 방재성능목표 설정 기준을 마련한다. 이때 확률강우량 산정에 기상청에서 제공하는 종관기상관측(ASOS) 자료를 이용하는데, 종관기상관측(ASOS, Automated Synoptic Observing System)이란 종관규모의 날씨를 파악하기 위하여 정해진 시각에 모든 관측소에서 같은 시각에 실시하는 지상관측으로, 종관규모는 일기도에 표현되어 있는 고기압이나 저기압의 공간적 크기 및 수명을 말하며, 해당 지역의 현재 기상 실시간 제공 및 기상예보에 활용한다. 그러나 ASOS 자료로 산정한 확률강우량을 토대로 설정한 지역별 방재성능목표는 지배관측소개소 및 면적 비율에 따라 강우량이 실제 해당 지역에 내린 강우량에 비해 작거나 크게 산정되어 실제 강우량을 반영하지 못하는 문제가 발생한다. 이에 지진·태풍·홍수·가뭄 등 기상현상에 따른 자연재해를 막기 위해 실시하는 지상관측인 방재성능관측(AWS, Automatic Weather System)을 1997년부터 약 510여개 지점에 설치하여 기상관측자료를 구축하고 있으나, 관측자료가 30년 미만이므로 자료의 일관성 및 신뢰도 확보 등의 문제로 이용하고 있지 않다. 실제로 ASOS 관측소와 AWS 관측소의 시간 강우량 최댓값 차이가 큼에도 불구하고 행안부는 지역별 방재성능목표 수립을 위한 강우량 산정에서 AWS 관측소의 기록은 반영하지 않고 ASOS 관측소 기록만 적용하여 실제 해당 지역의 강우량을 반영하는 방재 대책을 수립하지 못하는 실정이다. 따라서 소규모 유역 및 재해영향평가 등의 경우 인근 지역에 AWS 관측소가 있을 경우, 해당지역의 기상 특성을 대변하는 자료로 보유관측년수가 30년 이상인 AWS 자료의 적극적인 활용이 필요할 것으로 판단된다.

• Korean Journal of Remote Sensing
• /
• v.37 no.3
• /
• pp.463-473
• /
• 2021

Recently, United States Geological Survey (USGS) distributed Landsat 8 Collection 2 Level 2 Science Product (L2SP). This paper aims to derive land surface temperature from L2SP and to validate it. Validation is made by comparing the land surface temperature with the one calculated from Landsat 8 Collection 1 Level 1 Terrain Precision (L1TP) and the one from Automated Synoptic Observing System (ASOS). L2SP is calculated from Landsat 8 Collection 2 Level 1 data and it provides land surface temperature to users without processing surface reflectance data. Landsat 8 data from 2018 to 2020 is collected and ground sensor data from eight sites of ASOS are used to evaluate L2SP land surface temperature data. To compare ground sensor data with remotely sensed data, 3×3 grid area data near ASOS station is used. As a result of analysis with ASOS data, L2SP and L1TP land surface temperature shows Pearson correlation coefficient of 0.971 and 0.964, respectively. RMSE (Root Mean Square Error) of two results with ASOS data is 4.029℃, 5.247℃ respectively. This result suggests that L2SP data is more adequate to acquire land surface temperature than L1TP. If seasonal difference and geometric features such as slope are considered, the result would improve.

• Journal of the Korean earth science society
• /
• v.41 no.2
• /
• pp.95-110
• /
• 2020

Comparisons between two different surface temperatures from high-resolution ECMWF ReAnalysis 5 (ERA5) and Automated Synoptic Observing System (ASOS) observations were performed to investigate the reliability of the new reanalysis data over South Korea. As ERA5 has been recently produced and provided to the public, it will be highly used in various research fields. The analysis period in this study is limited to 1999-2018 because regularly recorded hourly data have been provided for 61 ASOS stations since 1999. Topographic characteristics of the 61 ASOS locations are classified as inland, coastal, and mountain based on Digital Elevation Model (DEM) data. The spatial distributions of whole period time-averaged temperatures for ASOS and ERA5 were similar without significant differences in their values. Scatter plots between ASOS and ERA5 for three different periods of yearlong, summer, and winter confirmed the characteristics of seasonal variability, also shown in the time-series of monthly error probability density functions (PDFs). Statistical indices NMB, RMSE, R, and IOA were adopted to quantify the temperature differences, which showed no significant differences in all indices, as R and IOA were all close to 0.99. In particular, the daily mean temperature differences based on 1-hour-averaged temperature had a smaller error than the classical daily mean temperature differences, showing a higher correlation between the two data. To check if the complex topography inside one ERA5 grid cell is related to the temperature differences, the kurtosis and skewness values of 90-m DEM PDFs in a ERA5 grid cell were compared to the one-year period amplitude among those of the power spectrum in the time-series of monthly temperature error PDFs at each station, showing positive correlations. The results account for the topographic effect as one of the largest possible drivers of the difference between ASOS and ERA5.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.138-138
• /
• 2016

강수량은 농업과 수자원관리, 그 외 사회 기반 사업들에게 광범위하게 영향을 미치는 매우 중요한 기상요소이므로 강수량 관측자료는 사회전반에 활용되고 있다. 하지만 강수량은 공간적인 불연속성이 크기 때문에 조밀한 관측자료를 필요로 하고 있으며, 때문에 관측이 이루어지지 않은 미관측 지점의 강수량 자료를 복원하려는 연구도 계속 진행되고 있다. 관측자료를 이용하여 미관측 지점의 강수량을 복원하는 방법으로 지상 강수량 관측자료와 연직 상층기상자료 및 고해상도 지형자료를 이용하여 복원하는 정량적 강수량 진단 모형이 이미 개발되어 대한민국을 대상으로 강수량 복원이 이루어진 바 있다. 대한민국은 전국이 대략 10 km 정도로 비교적 조밀하고 일정한 지상 관측망을 가지고 있어 관측자료를 이용한 강수량 복원에 유리하다. 하지만 전 세계 많은 지역에서 강수량 관측자료는 매우 부족한 실정이며 가깝게는 북한과 중국에서부터 아프리카와 남아메리카 등 일부 강수량 관측이 전혀 이루어지지 않는 지역도 존재한다. 이러한 지역에 대한 강수량 복원 정확도에 대해서는 지금까지 연구된 바 없으며 관측자료 수에 따른 복원 민감도에 대한 연구도 이루어지지 않았다. 따라서 대한민국에 비해 관측자료가 부족한 지역에 대해 복원 정확도를 파악할 필요성이 있으므로 본 연구에서는 관측소 밀집정도에 따른 미관측 지역의 강수량 복원 민감도 분석을 하였다. 대한민국은 572개 지점의 지상기상관측망(자동기상관측장비 AWS 477개, 종관기상관측장비 ASOS 95개 지점)을 운영하고 있으며, 10개 지점의 기상레이더가 전국을 감시하고 있어 미관측 지점에 대해 검증자료로 활용할 수 있으므로 강수량 복원 민감도 분석 대상 지역으로 선정하였다. 강수량 복원 정확도 검증을 위해 강수량 복원자료의 격자점과 가장 근접한 관측지점을 검증지점으로 선정하고, 강수량 복원에는 검증지점을 제외한 관측자료만을 이용하였다. 관측자료 밀집정도에 따른 민감도 분석을 위해 관측자료를 100% 사용하였을 때와 일부만 사용하였을 때로 나누어 분석하였다. 관측소 밀집도에 따른 강수량 복원 정확도 민감성 분석을 통해 관측소가 부족한 북한, 중국, 아프리카 등지의 미관측 지점 복원 정확도를 추정할 수 있으며 관측소가 부족하거나 전무한 지역에서 강수량 복원 정확도를 늘리기 위해 필요한 관측소 수를 파악하는 데에 적용할 수 있을 것이다.

• Korean Journal of Remote Sensing
• /
• v.32 no.6
• /
• pp.603-616
• /
• 2016

In this study, the effects of differential heating by land-use types on flow and air temperature at an Seoul Automated Synoptic Observing Systems (ASOS) located at Songwol-dong, Jongno-gu, Seoul was analyzed. For this, a computation fluid dynamics (CFD) model was coupled to the local data assimilation and prediction system (LDAPS) for reflecting the local meteorological characteristics at the boundaries of the CFD model domain. Time variation of temperatures on solid surfaces was calculated using observation data at El-Oued, Algeria of which latitude is similar to that of the target area. Considering land-use type and shadow, surface temperatures were prescribed in the LDAPS-CFD coupled model. The LDAPS overestimated wind speeds and underestimated air temperature compared to the observations. However, a coupled LDAPS-CFD model relatively well reproduced the observed wind speeds and air temperature, considering complicated flows and surface temperatures in the urban area. In the morning when the easterly was dominant around the target area, both the LDAPS and coupled LDAPS-CFD model underestimated the observed temperatures at the Seoul ASOS. This is because the Kyunghee Palace located at the upwind region was composed of green area and its surface temperature was relatively low. However, in the afternoon when the southeasterly was dominant, the LDAPS still underestimated, on the while, the coupled LDAPS-CFD model well reproduced the observed temperatures at the Seoul ASOS by considering the building-surface heating.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.135-135
• /
• 2020

우리나라의 기후 자료는 일반적으로 기상청에서 발표하는 종관기상관측(ASOS)과 방재기상관측(AWS), 그리고 북한이 세계기상기구(WMO, World Meteorogical Organization)의 기상통신망(GTS)을 통해 보낸 북한기상관측(NKO)을 사용 할 수 있다. 그러나 이 중 40년 이상의 완전한 관측 자료를 얻을 수 있는 건 ASOS가 유일하지만 공간적인 표현에 한계를 갖고 있다. AWS는 관측소가 많다는 장점이 있지만 관측 기간이 길지 않고 이용 가능한 기간에도 관측이 연속적이지 못한 경우가 많다. NKO는 비록 27개의 관측소가 있지만 많은 데이터가 누락되어 일별 기후자료의 사용에 한계를 갖고 있다. 이러한 미관측 기간이나 관측 자료의 누락은 연속적인 시계열 자료분석을 기반으로 하는 수자원 모델링에 있어서 문제를 야기한다. 본 연구는 1973년부터 2019년까지 47년의 신뢰도 높은 한반도 일일 기후 자료를 구축하기 위해 다양한 방법론을 비교하였다. 추정에 사용한 방법은 총 7개로 EM algorithm for probabilistic principal components (PPCA-EM), Inverse distance weight method (IDWM), Nearest neighbor method (NNM), Multivariate normal copulas (Copula), Elastic net model (Elastic), Ordinary kriging (OK), Regularized principal components with EM algorithm (RPCA-EM)를 살펴보았다. 다양한 형태의 결측치를 가정하여 그 결과값을 비교하였고 이는 Root mean squared error(RMSE), Kling-Gupta efficiency(KGE), Nash-Sutcliffe efficiency(NSE)를 통해 평가하였다. 최종 선택된 방법론을 통하여 한반도 전역을 그리드 기반의 강수 및 최저온도/최고온도의 일별자료로 생성하였다.

• Journal of the Korea Society of Computer and Information
• /
• v.29 no.3
• /
• pp.67-74
• /
• 2024

In this paper, we present a study aimed at analyzing how different rainfall measurement methods affect the performance of reservoir water level predictions. This work is particularly timely given the increasing emphasis on climate change and the sustainable management of water resources. To this end, we have employed rainfall data from ASOS, AWS, and Thiessen Network-based measures provided by the KMA Weather Data Service to train our neural network models for reservoir yield predictions. Our analysis, which encompasses 34 reservoirs in Jeollabuk-do Province, examines how each method contributes to enhancing prediction accuracy. The results reveal that models using rainfall data based on the Thiessen Network's area rainfall ratio yield the highest accuracy. This can be attributed to the method's accounting for precise distances between observation stations, offering a more accurate reflection of the actual rainfall across different regions. These findings underscore the importance of precise regional rainfall data in predicting reservoir yields. Additionally, the paper underscores the significance of meticulous rainfall measurement and data analysis, and discusses the prediction model's potential applications in agriculture, urban planning, and flood management.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.351-351
• /
• 2023

강우 자료는 수문 모델링에서 중요한 입력 요소 중 하나이다. 강우의 공간적 가변성은 모델링 불확실성의 중요한 원인으로 알려져 있다. 강우 관측자료는 많은 경우 유역을 대표하는 평균 면적강수량 (Mean Areal Precipitation, MAP)을 계산하여 수문모형에 입력된다. 선행 연구에서는MAP 예측 결과의 신뢰도를 개선하기 위하여 다양한 보간 방법이 개발되었다. 하지만, 강우특성의 동질성를 고려한 대표 기상 관측소 선정이 MAP 예측과 유출량 모의 결과에 미치는 연구는 아직 미흡한 실정이다. 본 연구에서는 유역의 MAP 예측에 있어 강우특성의 동실성을 고려한 강우 관측소 선정이 수문 모델링 성능 개선에 미치는 영향을 평가하고자 한다. 본 연구에서는 종관 기상관측(ASOS) 74개 지점과 방재기상관측(AWS) 400여개 지점에서 2003~2022년 기간에 대한 일강수량 자료를 수집하였고 강우특성이 동질한 지역을 구분하였다. 또한, 강우특성 동질성의 고려 유무에 따른 MAP를 계산하였다. 이후, 5개의 매개변수로 이루어진 개념적 강우-유출 모형FPHM을 사용하여 우리나라 전역 41개 유역을 대상으로 MAP 계산 결과가 모형 성능에 미치는 민감도를 조사하였다. 분석 결과, 강우특성의 동질성을 고려한 강우 관측소의 선택은 MAP 보간 방법 이상으로 중요한 요소임을 확인할 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.206-206
• /
• 2023

지구온난화로 인한 기후변화에 따라 평균강수량과 증발량이 증가하며 강우지역 집중화와 강우강도가 높아질 가능성이 크다. 우리나라의 경우 협소한 국토면적과 높은 인구밀도로 기후변동의 영향이 크기 때문에 한반도에 적합한 유역규모의 수자원 예측과 대응방안을 마련해야 한다. 이를 위한 수자원 관리를 위해서는 유역에서 강수량, 유출량, 증발량 등의 장기적인 자료가 필요하며 경험식, 물리적 강우-유출 모형 등이 사용되었고, 최근들어 연구의 확장성과 비 선형성 등을 고려하기 위해 딥러닝등 인공지능 기술들이 접목되고 있다. 본 연구에서는 ASOS(동해, 태백)와 AWS(삼척, 신기, 도계) 5곳의 관측소에서 2011년~2020년까지의 일 단위 기상관측자료를 수집하고 WAMIS에서 같은 기간의 오십천 하구 일 유출량 자료를 수집 후 5개 관측소를 기준으로Thiessen 면적비를 적용해 기상자료를 구축했으며 Angstrom & Hargreaves 공식으로 잠재증발산량 산정해 3개의 모델에 각각 기상자료(일 강수량, 최고기온, 최대 순간 풍속, 최저기온, 평균풍속, 평균기온), 일 강수량과 잠재증발산량, 일 강수량 - 잠재증발산량을 학습 후 관측 유출량과 비교결과 기상자료(일 강수량, 최고기온, 최대 순간 풍속, 최저기온, 평균풍속, 평균기온)로 학습한 모델성능이 가장 높아 최적 모델로 선정했으며 일, 월, 연 관측유출량 시계열과 비교했다. 또한 같은 학습자료를 사용해 다층 퍼셉트론(Multi Layer Perceptron, MLP) 앙상블 모델을 구축하여 수자원 분야에서의 인공지능 활용성을 평가했다.

• Journal of the Korean earth science society
• /
• v.42 no.5
• /
• pp.514-523
• /
• 2021

Using the precipitation data observed at the Gochang Standard Weather Observatory (GSWO) during the winter seasons from 2014 to 2016, we analyzed the precipitation characteristics of the winter observation environment. For this study, we used four different types of precipitation gauges, i.e., No Shield (NS), Single Alter (SA), Double Fence Intercomparison Reference (DFIR), and Pit Gauge (PG). We analyzed the data from each to find differences in the accumulated precipitation, characteristics of the precipitation type, and the catch efficiency according to the wind speed based on the DFIR. We then classified these into three precipitation types, i.e., rain, mixed precipitation, and snow, according to temperature data from Gochang's Automated Synoptic Observing System (ASOS). We considered the DFIR to be the standard precipitation gauge for our analysis and the cumulative winter precipitation recorded by each other gauge compared to the DFIR data in the following order (from the most to least similar): SA, NS, and PG. As such, we find that the SA gauge is the most accurate when compared to the standard precipitation gauge used (DFIR), and the PG system is inappropriate for winter observations.