1. 서론
현재 전 세계적으로 기후변화의 심각성에 대한 우려가 고조됨에 따라 이를 대비하기 위한 대응책 마련이 더욱 중요해지고 있다. IPCC(Intergovernmental Panel on Climate Change)는 현재 전례 없는 기후변화가 진행되고 있으며, 이에 대한주원인이 인위적으로 배출되는 온실가스임을 천명한 바 있다(IPCC, 2014). 급진적으로 진행되는 기후변화는 인류의 경제와 산업에 지속적으로 부정적인 영향을 끼치고 있으며, 생태계의 교란 또한 심각한 상황이다. 기후변화가 공간적으로는 전구 규모(global scale)로, 시간적으로는 매우 다양한 규모에서 진행되기 때문에, 이에 적절히 대비하기 위해서는 국가차원을 넘어 국제적인 공조가 절실한 상황이다(Ahn et al.,2013).
신뢰도 높은 기후변화 시나리오는 기후변화에 대한 대응책을 수립하는데 매우 중요하다(Shin and Jung, 2015). IPCC는 고품질의 기후 예측 결과를 생산하기 위해 네 종류의 대표농도경로(Representative Concentration Pathway, RCP) 시나리오를 발표하였다(IPCC, 2014). RCP 시나리오는 배출 온실가스의 영향력을 복사강제력(radiactive forcing)으로 환산한 RCP2.6, RCP4.5, RCP6.0, RCP8.5 등 총 4종류의 시나리오로 구성되어 있다. 이 중 RCP2.6은 인간 활동에 의한 영향을 지구 스스로가 회복 가능한 경우, RCP4.5는 온실가스 저감정책이 상당히 실현되는 경우, RCP6.0은 온실가스 저감 정책이 어느 정도 실현되는 경우, RCP8.5는 온실가스가 21세기 초의 추세로 배출되는 경우에 대한 시나리오이다(IPCC, 2014).
IPCC는 RCP 시나리오 발표와 더불어 RCP 시나리오 기반GCM(General Circulation Model)의 예측 결과를 비교하고 평가하는 CMIP5(Coupled Model Intercomparison Project, Phase 5)를 진행하였다(IPCC, 2014). CMIP5에서 이용한 GCM은 총 60여 개에 달하며, 각각 기후의 비정상성(non stationarity)과 기상현상의 물리적 개연성을 동시에 고려하여 미래 기상정보에 대한 예측값을 생산할 수 있도록 개발되었다(Shin et al., 2010). 그러나 각 GCM에 적용된 이론이나 알고리즘이 조금씩 상이하여 동일한 예측 결과를 제공하지는 않는다. CMIP5는 이러한 차이를 반영하는 GCM 예측결과를 비교·평가할 수 있도록 함이 주된 목적이다. 현재 GCM 예측결과를 활용하는 것이 신뢰도 높은 전 지구적 기후 예측자료 획득하는 합리적인 방법으로 인정되고 있으나(Milly et al., 2008; Hwang et al., 2011), 아직 GCM 예측결과 사이에 커다란 차이가 나타나고 있는 것도 현실이다.
CMIP5를 통해 GCM 예측 결과가 공개되면서 기후 및 수문분야에서 GCM 예측 결과 활용과 성능 평가에 관한 많은 연구가 이루어지고 있다. 예를 들어, Temba and Chung(2014)은 한반도 5대강 유역을 대상으로 CMIP5의 12개 GCM 예측결과를 이용하여 기후변화가 유출량에 미치는 영향을 분석하고 또한 불확실성을 고려한 미래 유출량 모의 방법을 제시한바 있다. 또한, Seo et al.(2014)은 동아시아 지역을 대상으로 CMIP5의 15개 GCM 예측 결과를 이용하여 RCP 시나리오에 따른 극한 기후 지수의 미래 변화를 전망하였다. Hwang(2014)은 미국 남동부 지역을 대상으로 CMIP5의 17개 GCM 예측결과를 이용하여 다양한 기후요소와 지표에 대한 GCM의 모의 성능을 평가하고 비교했으며, Shin and Jung(2015)은 동북아시아 지역에 대한 CMIP5의 34개 GCM 예측 결과를 이용하여 RCP 시나리오에 따른 기온, 강수량, 일사량의 미래 변화를 정량적으로 분석한 결과를 제시하였다.
그러나, 위에서 살펴본 바와 같이, 여러 가지 GCM 예측 결과를 비교하거나 그 적용성을 분석하는 연구는 활발히 진행되고 있으나, 모의 성능 평가 방법론 자체에 대한 연구는 아직 미진한 실정이다. 여러 연구에서는 모형의 모의 성능을 평가하기 위한 방법으로 단순히 예측값 자체를 비교하거나 또는 예측값의 기본 통계량을 비교하는 방법을 적용하고 있다. 이러한 단순 비교 방법으로는 비선형적인 변동성을 내포하고 있는 전 지구적 기후 자료를 통계학적으로 분석하는데 한계가 있다.
모형의 예측 결과를 비교하는 방법 중에는 결과 자체를 비교하는 것이 아닌 결과의 주요 변동 특성을 비교하는 방법이 있다. 지난 수 십 년 동안 기상학자들은 기후 자료에서 주된변동 특성을 추출하는 방법을 연구해 왔으며, 현재 EOF(Empirical Orthogonal Functions) 분석이 복잡한 기후자료를 분석하는 주된 방법으로 이용되고 있다(Kutzbach, 1967; Wallace and Dickinson, 1972; Singh and Kripalani, 1986; Wagner et al., 1990; Kim and North, 1993; Kim, 1996; Yoo and Kim, 2004; Jawson et al., 2007; Deser et al., 2010). 아울러 기후 및 수문 자료가 가지는 순환적인 특성을 고려하는 CSEOF(Cyclostationary Empirical Orthogonal Functions) 분석과 관련된 연구 또한 주목을 받고 있다(Kim and North, 1997; Kim, 2002; Trenberth et al., 2005; Lim and Kim, 2007; Na et al., 2010; Roh et al., 2012; Kim et al., 2014). CSEOF 분석을 이용하면 EOF 분석에서는 해석할 수 없는 원자료의 순환적인 특성을 보다 자세하게 분석할 수 있기 때문에 뚜렷한 순환적인 특성을 가지는 전 지구적 기후 자료, ENSO 변동성, El nino 현상의 특성을 해석하는 데 유용하게 사용된다(Kim and Roh, 2010; Na et al., 2011; Oh et al., 2012; Hamlington and Leben, 2013).
본 연구에서는 CMIP5의 여러 GCM 중 열 개의 GCM을 선정하고, 그 예측 결과에 CSEOF 분석을 적용하여 주요 성분(principle component)을 추출한 후 이를 관측 자료에 대해 추출한 주요 성분과 비교함으로서, GCM의 모의 성능을 평가하고자 한다. 본 연구에서는 연 강수량 자료를 대상으로 하였으며, 관측자료와 모의자료가 동시에 가용한 2006~2014년을 대상 기간으로 하였다. 주요 성분에 대한 비교·평가는 두 성분 사이의 상관관계를 나타내는 pattern correlation과 두 성분 사이의 차이(절대적 오차)를 나타내는 NRMSE(Nomalized Root Mean Square Error)를 이용하여 수행하였다.
대상 자료 및 분석 방법
2.1 대상 자료
CMIP5의 GCM 예측 결과는 WDCC(World Data Center for Climate)를 통해 공개되어 있다. WDCC에는 총 60여 종의 다양한 GCM 예측 결과가 소개되어 있으며, 본 연구에서는 이 중 네 가지 RCP 시나리오에 대한 예측 결과가 모두 구비되어 있는 열 개의 GCM을 선정하여 분석에 이용하였다. Table 1은 본 연구에서 이용한 GCM의 기관, 격자 크기를 정리한 것이다. Table 1에서 확인할 수 있듯이 열 개 GCM은 다양한 격자 크기를 가지고 있다. 이 중 가장 작은 격자 크기를 가진 GCM은 NCAR-CAM5이고, 격자 크기가 가장 큰 GCM은 IPSL-CM5A-LR이다.
Table 1
Description of CMIP5 GCMs Used in This Study
본 연구에서 이용한 자료는 Table 1에 소개된 GCM의 예측결과 중 RCP 8.5 시나리오를 따르는 강수 자료이다. 수집된 예측 강수 자료는 월 강수 자료이나 본 연구는 연 강수량 자료를 대상으로 함으로, 연 단위로 누가하여 연 강수량 자료를 구성하였다. 예측 강수 자료의 기간은 2006~2300년까지 제공되고 있다.
열 개의 GCM 예측 결과를 비교하고 평가하기 위하여 사용된 관측 강수 자료는 GPCP(Global Precipitation Climatology Project) version 2.2 Combined Precipitation Data Set의 자료이다. GPCP 관측 강수 자료는 NASA Goddard Space Flight Center의 Mesoscale Atmospheric Processes Laboratory에서 구축한 것으로, 전 세계 우량계 자료, 위성 자료 등을 합성하여 만들어진 격자형 강수 자료이다. 가용 GPCP 강수 자료의 기간은 1979~2015년이며, 자료의 단위는 월 평균 값으로 주어진다. 본 연구에서는 GPCP 강수 자료를 GCM 예측 결과와 비교하기 위해 GPCP의 2006~2014년 전 지구 월 강수 자료를 수집하였고, GCM 자료와 마찬가지로 연 단위로 누가하여 연 강수 자료로 변환하였다. Fig. 1은 열 개 GCM의 연 강수자료와 GPCP의 연 강수 자료에 대한 전체 격자 산술평균값(전구평균값)을 그래프로 나타낸 것이다. 이 그림에서 GPCP연 강수 자료는 굵은 선으로 표시하였고, 나머지 GCM 예측결과는 여러 가지 부호를 이용하여 표시하였다.
Fig. 1을 보면 열 개 GCM 예측 결과가 서로 다른 특성을 가지는 것을 확인할 수 있다. 예를 들어, BCC-CSM의 결과를 보면 연 강수량의 변동 추세는 관측 자료와 상당히 유사한 반면, 값 자체는 전체적으로 관측 자료보다 작게 나타나고 있다. 이와 반대로 CSIRO-Mk3.6.0의 예측 결과는 연 강수량의 변동 추세는 관측 자료와 상당히 다르지만, 전체적인 강수량 값은 관측 자료와 유사하게 나타나고 있음을 확인할 수 있다. 어느 GCM이 낫다 못하다를 쉽게 판단하기 어려운 이유도 여기에 있다.
마지막으로 GCM 예측 결과와 관측 자료를 비교함에 있어 해상도의 차이를 극복해야 하는 문제가 있음을 언급할 필요가 있다. 본 연구에서 사용한 관측 자료의 격자 크기는 2.5°×2.5°이다. 그러나 GCM 예측 결과의 격자 크기는 매우 다양하다. 본 연구에서는 GCM 예측 결과와 관측 자료를 비교하기 위해 각 자료에 대해 유도된 주요 성분을 이용하였으며, 특히 pattern correlation과 NRMSE의 계산을 위해 GCM 예측 결과의 격자 크기와 관측 자료의 격자 크기를 일치시킬 필요가 있었다. 본 연구에서는 이 두 격자크기의 최소공배수에 해당하는 격자를 이용하였다. 모든 GCM을 고려한 격자크기를 이용할 수도 있었으나, 이 경우 최종적으로 결정되는 격자 크기가 너무 커지는 문제가 있어 배제하였다. 결과적으로 본 연구에서 고려한 열 개의 GCM 평가 결과에는 이러한 해상도의 차이로 인한 약간의 불확실성이 있을 수 있다. 그러나 몇 개 다른 격자크기를 가지고 검토한 결과 그 결과의 차이는 본 연구의 결과를 바꿀 정도로 크지 않음을 확인하였다.
2.2 분석 방법
2.2.1 CSEOF 분석 방법
CSEOF 분석은 기후 및 수문 자료가 가지는 순환적 정상성을 고려하여 원자료의 주된 공간적 변동성을 설명하는 성분을 추출하는 데 이용된다. EOF 분석과 다르게 CSEOF 분석에서는 추출되는 주요 변수가 시간에 따라 변하는 함수로 주어지며, 이는 원자료에 푸리에 급수의 개념을 적용하여 구해진다. 시공간적 주기성을 가지는 원자료를 T(x, t)는 CSEOF분석에서 다음과 같은 식으로 표현된다(Kim and North, 1997; Kim, 1997; Lim et al., 2002; Seo and Kim, 2003).
식 (1)에서 Bn(x, t)는 n 번째 CSEOF의 시간 t와 공간 x에 따른 변화를 나타내며 Sn(t)는 n 번째 CSEOF의 주성분 시계열을 나타낸다. CSEOF는 원자료의 주된 변동 특성을 나타내며, n 개의 CSEOF들은 서로 독립인 특성을 가진다. 또한 EOF와 다르게 CSEOF는 주기 d를 가지고 반복되는 특성을 가지고 있다. 이 특성을 식으로 표현하면 다음과 같다.
CSEOF를 나타내는 Bn(x, t)은 원자료의 시공간적인 공분산함수 C(x, t; x’, t’)와 관련된 다음 식을 풀어 유도할 수 있다(Kim et al., 2015).
위 식에서 D와 T는 각각 공간과 시간의 도메인이다. 그리고 λn은 n 번째 CSEOF에 대응하는 고유값이다. 고유값을 이용하면 각 CSEOF에 의해 설명되는 전체 분산의 비율을 계산할 수 있다. 총 CSEOF의 개수를 N이라 할 때 n 번째 CSEOF에 의해 설명되는 전체 분산은 λ n / ∑ i = 1 N λ i
CSEOF 분석에서는 자료의 순환적인 특성을 고려하여 자료를 분석하기 때문에 순환적인 특성이 나타나는 변수가 자료에 정확하게 지정되어 있어야 한다. 전 지구 격자형 자료에 대한 CSEOF 분석은 자료의 공간적 순환성을 고려한 경우와 계절적 순환성을 고려한 경우로 나뉜다. 공간적 순환성을 고려한 CSEOF 분석에서는 경도에 따라 반복되는 자료의 특성을 분석할 수 있다. 계절적 순환성을 고려한 CSEOF 분석에서는 시간에 따라 반복되는 자료의 특성을 분석한다. 계절적 특성이 뚜렷한 월 평균 강수 자료는 계절적 순환성을 고려한 CSEOF 분석에 적합하다. 본 연구에서는 공간적 순환성을 고려한 CSEOF 분석을 수행하기 위해 원자료로 계절적 특성이 배제된 연 강수 자료를 이용하였다.
2.2.2 Pattern Correlation
본 연구에서는 pattern correlation을 이용하여 GCM 예측결과와 관측 자료에 대한 CSEOF의 상관성을 분석하였다. Pattern correlation은 행렬 또는 벡터로 주어진 자료의 상관관계를 의미한다. Pattern correlation 결과인 Rpat은 다음 식과 같이 두 자료에 대한 상관계수의 절대값으로 계산된다(Kim and North, 1993).
위 식에서 N은 GCM 예측 결과와 관측 자료의 총 개수, Xobs,i는 관측 자료, X o b s ¯ X s i m u l ¯
2.2.3 NRMSE
본 연구에서는 GCM 예측 결과와 관측 자료의 산술적 차이를 분석하기 위해 NRMSE를 산정하였다. NRMSE는 GCM 예측 결과와 관측 자료의 오차를 관측 자료의 평균으로 나눈 무차원 지수이며, 다음 식을 통해 계산할 수 있다.
위 식에서 N은 GCM 예측 결과과 관측 자료의 총 개수, Xobs,i는 관측 자료, X o b s ¯
3. 분석 결과
3.1 전 지구 강수 자료에 대한 CSEOF 분석 결과
3.1.1 GPCP 관측 자료에 대한 CSEOF
Fig. 2에는 CSEOF 분석 결과로 얻은 관측 자료에 대한 다양한 공간 패턴이 나타나 있다. CSEOF 분석의 특성 상 이들은 모두 서로 독립이며 서로 직교하는 성분으로 구성되어 있다. 열 개의 CSEOF 중 첫 번째 CSEOF는 특이하게 모두 양의 값으로 이루어져 있다. 이는 첫 번째 CSEOF가 강우의 평균적 공간 특성(즉, 연 평균)을 반영하고 있기 때문이다. 두 번째부터 여덟 번째까지의 CSEOF에는 다양한 양의 값과 음의 값이 국부적으로 분포되어 있으며, 이는 명확하게 설명하기 어려우나, 강수의 공간변동을 지배하는 다양한 형태의 공간적 변동을 보여주고 있는 것으로 보인다. 이와 반대로 아홉 번째와 열 번째 CSEOF는 양의 값과 음의 값의 구분이 상대적으로 명확하여 보다 큰 규모의 공간변동 특성을 요약하고 있는 것으로 판단된다. 본 연구에서 고려한 열 개 GCM 모의결과에 대한 CSEOF 분석에서도 유사한 결과를 얻을 수 있었다.
Table 2는 GCM 예측 결과와 관측 자료에 대해 유도한 각각 열 개의 CSEOF들이 설명하는 원자료의 분산비율을 정리한 것이다. 이 표에서 알 수 있듯이, 첫 번째 CSEOF가 설명하는 원자료의 분산은 최소 95% 이상으로, 다른 CSEOF에 비해 월등히 큰 비율을 보이고 있다. 다른 CSEOF의 경우는 모두 1% 미만을 설명하고 있다. 앞에서 설명한 것처럼, 첫 번째 CSEOF는 강우의 평균적 공간 특성을 나타내고 있으며, 결국 나머지 CSEOF는 여기에 미미한 변동을 추가하고 있음을 확인할 수 있다.
Table 2
Variance Explained by CSEOFs Derived (%)
3.1.2 열 개 GCM 예측 결과에 대한 첫 번째 CSEOF
Fig. 3은 본 연구에서 고려한 열 개 GCM 예측 결과를 이용하여 얻은 CSEOF 중 첫 번째 CSEOF를 비교한 것이다. 전체적으로 이들 패턴은 매우 유사하며, 좀 더 구체적으로 살펴보면 다음과 같이 몇 가지 유사한 패턴이 있음을 알 수 있다. 먼저, 적도 부근 강수의 뚜렷한 패턴을 확인할 수 있다. 강수량자체가 적도가 아닌 적도 부근 ±5° 근처에서 매우 크다는 특성을 잘 보여주고 있다. 다음으로 동남아시아 지역의 큰 강수량도 모든 GCM의 예측 결과에서 보여주는 공통적인 특성이다.
참고로 각 CSEOF에 나타난 진하기의 차이가 강수량의 차이를 나타내는 것은 아니라는데 주의할 필요가 있다. 기본적으로 CSEOF는 모두 정규화되어 있기 때문에 모든 성분의 제곱합은 1과 같다. 따라서 격자의 수가 많은 NCAR-CAM5, MRI-CGCM3, HadGEM2-ES, MIROC5의 첫 번째 CSEOF은 다른 GCM의 첫 번째 CSEOF보다 작은 값으로 나타난다. 반면 격자의 수가 작은 BCM-CSM1.1과 IPSL-CM5a-LR의 첫 번째 CSEOF에는 다른 결과보다 큰 값이 여럿 분포되어있는 것을 확인할 수 있다.
3.2 Pattern correlation을 이용한 GCM의 모의 성능 평가
3.2.1 Pattern Correlation 분석 결과
본 연구에서는 열 개 GCM 예측 결과의 CSEOF를 관측 자료의 CSEOF와 비교하여 GCM의 강수 모의 성능을 평가하였다. 이를 위해, 각 GCM 별 열 개의 CSEOF와 GPCP의 CSEOF 사이 pattern correlation을 계산하였다. Fig. 4는 각 GCM의 CSEOF가 가지는 pattern correlation 값을 보여준다.사실, 두 번째 CSEOF 부터는 pattern correlation이 GCM의 우열을 판단하는데 큰 영향이 주지는 않는다. 그러나 그림에는 전체 CSEOF에 대한 결과를 참고삼아 수록하였다.
Fig. 4를 보면 첫 번째 CSEOF의 pattern correlation의 경우 열 개 GCM 모두 0.4 이상의 값을 가지고 있으며, 이 중 NCAR-CAM5, HadGEM2-ES, NorESM1-M은 0.6 이상의 pattern correlation을 보이고 있는 것으로 확인된다. 사실, 0.4정도의 pattern correlation은 상대적으로 열악한 수준이어서, GCM 예측 결과를 그대로 이용하는데 큰 한계가 있음을 보여주는 결과이다. 선형적 관계로 보면 겨우 40% 정도의 설명력 정도로 이해할 수 있기 때문이다. NorESM1-M이 유일하게 0.7 이상의 pattern correlation을 보여주고 있는데, 이 역시 연평균 강수의 공간적 분포를 설명하는 정도가 70% 정도 밖에는 되지 못한다는 것을 의미한다.
3.2.2 Pattern Correlation과 NRMSE를 이용한 GCM의 모의 성능 평가
다음으로, 유도된 첫 번째 CSEOF에 대해 NRMSE를 계산하였다. 각 GCM 별 계산된 NRMSE를 앞서 첫 번째 CSEOF의 pattern correlation과 함께 Taylor diagram(Taylor, 2001)으로 나타내면 Fig. 5와 같다.
GCM의 모의 성능은 pattern correlation이 클수록, NRMSE는 작을수록 뛰어난 것으로 해석할 수 있다. 분석 결과 일곱개 GCM의 NRMSE가 0.7보다 작은 것으로 확인되었다. 이중 가장 작은 NRMSE를 가지는 GCM은 NorESM1-M이며, 그 다음으로 작은 NRMSE를 가지는 GCM은 BCC-BCM, NCAR-CAM5이다. 이 세 GCM 중 pattern correlation이 0.6보다 큰 것은 NorESM1-M, NCAR-CAM5이다. 따라서 pattern correlation과 NRMSE를 모두 고려한 경우 NorESM1-M이 가장 좋은 성능을 보인다고 판단할 수 있고, 다음으로 NCARCAM5가 좋은 성능을 보인다고 판단할 수 있다. 이에 반해 CSIRO-Mk3.6.0의 모의 결과는 열 개 GCM 중 가장 큰NRMSE를 가지며 pattern correlation은 가장 작은 값을 가지는 것으로 확인되었다. 이는 CSIRO-Mk3.6.0의 첫 번째CSEOF가 관측 자료의 CSEOF와 유사하지 않은 뿐만 아니라 강수 값 자체의 절대적인 오차 또한 상대적으로 큰 것임을 알려준다.
4. 결 론
본 연구에서는 CMIP5의 여러 GCM 중 열 개 GCM을 선정하고, 그 예측 결과를 CSEOF 분석하여 GPCP의 관측 강수자료와 비교하였다. 이를 위해 먼저 CMIP5의 열 개 GCM으로 RCP 8.5 시나리오 기반으로 모의한 전 지구 연 단위 강수 예측 결과를 수집하였다. 모의 성능 평가를 위해 관측기간과 모의기간이 중첩되는 2006~2014년을 분석 대상 기간으로 선정하였다.
GCM 예측 결과와 관측 자료에 대해 CSEOF 분석을 수행하여 각 자료의 주된 변동 특성을 추출하였다. CSEOF 분석결과는 GCM 예측 결과와 관측 자료의 상관관계를 나타내는 pattern correlation을 산정하는데 이용되었다. 추가로, GCM 예측 결과와 관측 자료의 절대적 오차를 나타내는 NRMSE를 산정하여 GCM의 모의 성능 평가에 이용하였다.
본 연구를 통해 얻은 결과를 정리하면 다음과 같다.
1) GCM 예측 결과와 관측 자료에 대한 CSEOF 분석 결과, 공통적으로 첫 번째 CSEOF가 열 가지 CSEOF 중 가장 많은 원자료의 분산을 설명하는 것을 알 수 있었다. 모든 경우에 있어 첫 번째 CSEOF들은 원자료의 분산을 95% 이상 설명하는 것으로 확인되었다. 첫 번째 CSEOF는 연 평균 강수의 공간분포특성을 나타내 주고 있는 것으로 나타난다.
2) 먼저 본 연구에서 고려한 열 개 GCM의 CSEOF와 관측자료의 CSEOF에 대한 pattern correlation을 분석한 결과, NCAR-CAM5, HadGEM2-ES, NorESM1-M의 모의 성능이 뛰어난 것으로 확인되었다. 이 세 GCM의 첫 번째 CSEOF에 대한 pattern correlation은 0.6 이상으로 나타나 세 GCM의 예측 결과가 관측 자료와 유사한 변동 특성을 가지고 있음을 파악할 수 있었다.
3) 마지막으로는 pattern correlation과 NRMSE를 이용하여 GCM의 모의 성능을 평가하였으며, 그 결과로 NorESM1-M이 가장 우수한, NCAR-CAM5가 두 번째로 우수한 모의 성능을 가지고 있음을 확인할 수 있었다. 이 두 GCM은 0.6 이상의 pattern correlation 값을 가지고, NRMSE 또한 상대적으로 작은 값을 가지고 있음을 확인하였다.
상기와 같은 결과를 통해 본 연구에서는 CSEOF 분석을 이용하여 열 개 GCM의 모의 성능을 평가할 수 있음을 확인하였다. Pattern correlation과 NRMSE를 이용하여 열 개 GCM 중 모의 성능이 뛰어난 GCM과 오차가 큰 GCM을 구분할 수 있었다. 그러나 분석 자료였던 연 단위 자료의 특성 상 첫 번째 CSEOF에 대한 분석만을 수행할 수밖에 없었다. 또한, 4개의 RCP 시나리오 중 RCP8.5 시나리오만 사용한 것 또한 본 연구의 한계이다. 향후, 다양한 GCM 예측 결과에 대한 분석방법이 개발된다면, 보다 다각적인 측면에서의 GCM 모의 성능 평가가 이루어 질 수 있을 것으로 기대한다. 아울러, 이러한 연구는 신뢰도 높은 기후변화 시나리오 생성에 활용될 수 있을 것으로 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
