1. 논문제목: Temporal neural networks for downscaling climate variability and extremes

   저널: Neural Networks
    저자: Yonas B. Dibike, Paulin Coulibaly

 

2. 주저자 배경

주저자 Yonas B. Dibike 은 University of Victoria에서 Adjunct Assistant Professor로 재직중이다.

 

3. 논문 요약

이 논문은 coarse 해상도를 가진 GCM output을 sub-grid 해상도로 상세화를 위한 연구이다. 일반적으로 GCM 모델은 전지구적인 규모의 현상들을 분석하기 때문에 상세한 해상도로 그 모든 현상들을 모델링 하기는 쉽지 않다 (need lots of computing power, taking long run time etc.). 하지만 유역수준의 모델링을 진행할 경우엔 GCM 모델의 대규모 해상도 자료로는 적용하기에 한계점이 있다. 이 연구에서는 큰 규모의 GCM 모델자료(강우, 기온)를 캐나다 북쪽 퀘벡주 지역 크기로 상세화하는 작업을 위하여 temporal neural network (TNN)과 statistical down-scaling model (SDSM) 을 이용하였다. Neural network 모델 구축을 위한 입력자료로는 national center for environmental prediction (NCEP)의 reanalysis data를 활용하였다. 입력자료로 활용된 reanalysis의 predictor들로는 아래의 테이블과 같다. 결과적으로 TNN모델이 강우와 최고/최저 기온을 상세화하는데 더 적합한 모델로 나타났다.

 

모델의 입력자료로 사용된 예측대상에 따른 predictors 항목

 

4. 논문의 독창성

이 논문은 GCM output의 강우와 최고/최저 기온을 상세화 하기 위해서 TNN과 SDSM을 적용하였다.

 

5. 논문의 적용 가능성

본 연구에서 언급된 강우/기온 상세화를 위해 적용된 TNN과 SDSM방법은 현재 적용하고 있는 상세화 진행과정에 참고가 될 수 있으며, predictor설정을 위한 근거 자료로서 활용될 수 있다.

 

6. 요약자 E-mail: yepark@gist.ac.kr