Journal of the Korean Geographical Society (대한지리학회지)

The Korean Geographical Society (대한지리학회)
권호 표지

Mapping of Temperature and Rainfall Using DEM and Multivariate Kriging

수치표고모델과 다변량 크리깅을 이용한 기온 및 강수 분포도 작성

  • Published : 2008.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

We investigate the potential of digital elevation model and multivariate geostatistical kriging in mapping of temperature and rainfall based on sparse weather station observations. By using elevation data which have reasonable correlation with temperature and rainfall, and are exhaustively sampled in the study area, we try to generate spatial distributions of temperature and rainfall which well reflect topographic effects and have less smoothing effects. To illustrate the applicability of this approach, we carried out a case study of Jeju island using observation data acquired in January, April, August, and October, 2005. From the case study results, accounting for elevation via colocated cokriging could reflect detailed topographic characteristics in the study area with less smoothing effects. Colocated cokriging also showed much improved prediction capability, compared to that of traditional univariate ordinary kriging. According to the increase of the magnitude of correlation between temperature or rainfall and elevation, much improved prediction capability could be obtained. The decrease of relative nugget effects also resulted in the improvement of prediction capability.

이 논문에서는 기상관측소의 기온 및 강수 관측치를 이용한 공간적 분포도 작성에 수치표고모델(DEM)과 다변량 크리깅의 적용 가능성을 검토하였다. 기온 및 강수와 상관성을 가지면서 연구지역의 모든 지점에서 값을 제공하는 고도자료를 분포도 작성에 이용함으로써, 미관측 지점에서의 정보 부재 효과를 완화하면서 지형효과를 잘 반영하는 분포도를 작성하고자 하였다. 제주도 지역의 2005년 1월, 4월, 8월 및 10월의 월평균기온 및 월강수량 분포도 작성 사례 연구를 통해, 고도자료를 공동 크리깅에 의해 통합하였을 때 평활화 효과를 완화하면서 지형효과를 잘 반영하는 기온 및 강수 분포도 작성이 가능하였다. 또한 단변량 지구통계 기법인 정규 크리깅과 비교하였을 때, 보다 향상된 예측 능력을 나타내었다. 부가적으로 고도자료와의 상관성이 높을수록, 상대적 너겟 효과가 적을수록 예측 능력이 향상됨을 확인할 수 있었다.

Keywords

References

  1. 기상연구소, 2004, 한국의 기후, 기상청 기상연구소
  2. 김성수.장승민.백희정.최홍연.권원태, 2006, '제주지역 기온과 강수량의 기후 변동 특성,' 한국지구과학회지, 27(2), 188-197
  3. 신성철.김맹기.서명석.나득균.장동호.김찬수.이우섭.김연희, 2008, 'GIS와 PRISM을 이용한 고해상도 격자형 강수량 추정,' 대기, 18(1), 71-81
  4. 오석훈, 2005, '암반등급 해석을 위한 비선형 지시자 변환과 3차원 크리깅 기술의 물리탐사 및 시추자료에 대한 적용,' 한국지구과학회지, 26(5), 429-435
  5. 이승호, 1999, '제주도 지역의 강수분포 특성,' 대한지리학회지, 34(2), 123-136
  6. 이승호, 2007, 기후학, 푸른길, 서울
  7. 정상용.이강근, 1995, '난지도 매립지 일대의 지하수위 분포 추정을 위한 복합 크리깅의 응용,' 지하수환경, 2(2), 58-63
  8. 최종근, 2002, 공간정보 모델링: 크리깅과 최적화 기법, 구미서관, 서울
  9. 홍기옥.서명석.나득균.장동호.김찬수.김맹기, 2007, 'GIS와 PRISM을 이용한 고해상도 격자형 기온자료 추정,' 대기, 17(3), 255-268
  10. Creutin, J. D., Delrieu, G., and Lebel, T., 1988, Rain measurement by raingage-radar combination: a geostatistical approach, Journal of Atmospheric and Oceanic Technologies, 5, 102-115 https://doi.org/10.1175/1520-0426(1988)005<0102:RMBRRC>2.0.CO;2
  11. Daly, C., Helmer, E. H., and Maya, Q., 2003, Mapping the Climate of Puerto Rico, Vieques and Culebra, International Journal of Climatology, 23, 1359-1381 https://doi.org/10.1002/joc.937
  12. Deutsch, C. V. and Journel, A. G., 1998, GSLIB: Geostatistical Software Library and User's Guide, Oxford University Press, Oxford
  13. Glenn, N. F. and Carr, J. R., 2003, The use of geostatistics in relating soil moisture to RADARSAT-1 SAR data obtained over the Gread Basin, Nevada, USA, Computers & Geosciences, 29, 577-586 https://doi.org/10.1016/S0098-3004(03)00050-5
  14. Goovaerts, P., 1997, Geostatistics for Natural Resources Evaluation, Oxford University Press, Oxford
  15. Goovaerts, P., AvRuskin, G., Meliker, J., Slotnick, M., Jacquez, G., and Nriagu, J., 2005, Geostatistical modeling of the spatial variability of arsenic in groundwater of southeast Michigan, Water Resources Research, 41, W07013, doi:10.1029/2004WR003705
  16. Hevesi, J. A., Flint, A. L., and Istok, J. D., 1992, Precipitation estimation in mountainous terrain using multivariate geostatistics. Part I: structural analysis, Journal of Applied Meteorology, 31, 661-676 https://doi.org/10.1175/1520-0450(1992)031<0661:PEIMTU>2.0.CO;2
  17. Isaaks, E. H. and Srivastava, R. M., 1989, An Introduction to Applied Geostatistics, Oxford University Press, Oxford
  18. Kyriakidis, P. C. and Journel, A. G., 1999, Geostatistical space-time models, Mathematical Geology, 31(6), 651-684 https://doi.org/10.1023/A:1007528426688
  19. Ma, X. and Journel, A. G., 1999, An expanded GSLIB cokriging program allowing for two Markov models, Computers & Geosciences, 25, 627-639 https://doi.org/10.1016/S0098-3004(99)00009-6
  20. Ninyerola, M., Pons, X., and Roure, J. M., 2000, A methodological approach of climatological modelling of air temperature and precipitation through GIS techniques, International Journal of Climatology, 20, 1823-1841 https://doi.org/10.1002/1097-0088(20001130)20:14<1823::AID-JOC566>3.0.CO;2-B
  21. Pannatier, Y., 1996, VARIOWIN: Software for Spatial Data Analysis in 2D, Springer-Verlag, New York
  22. Park, N.-W., Jang, D.-H., and Chi, K. H., 2008, Integration of IKONOS imagery for geostatistical mapping of sediment grain size at Baramarae beach, Korea, International Journal of Remote Sensing, in press
  23. Patriarche, D., Castro, M. C., and Goovaerts, P., 2005, Estimating regional hydraulic conductivity fields - a comparative study of geostatistical methods, Mathematical Geology, 37(6), 587-613 https://doi.org/10.1007/s11004-005-7308-5
  24. Perry, L. B. and Konrad, C. E., 2006, Relationships between NW flow snowfall and topography in the southern appalachians, USA, Climatology Research, 32, 35-47
  25. Simbahan, G. C., Dobermann, A., Goovaerts, P., Ping, J., and Haddix, M. L., 2006, Fine-resolution mapping of soil organic carbon based on multivariate secondary data, Geoderma, 132, 471-489 https://doi.org/10.1016/j.geoderma.2005.07.001