KR101636897B1 - Method for physically based forecasting of Changma Onset - Google Patents
Method for physically based forecasting of Changma Onset Download PDFInfo
- Publication number
- KR101636897B1 KR101636897B1 KR1020140165597A KR20140165597A KR101636897B1 KR 101636897 B1 KR101636897 B1 KR 101636897B1 KR 1020140165597 A KR1020140165597 A KR 1020140165597A KR 20140165597 A KR20140165597 A KR 20140165597A KR 101636897 B1 KR101636897 B1 KR 101636897B1
- Authority
- KR
- South Korea
- Prior art keywords
- rainy season
- start date
- predicting
- index
- prediction model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 238000013508 migration Methods 0.000 claims abstract 2
- 230000005012 migration Effects 0.000 claims abstract 2
- 230000008569 process Effects 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 230000000763 evoking effect Effects 0.000 claims 1
- 238000001556 precipitation Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000013179 statistical model Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Tourism & Hospitality (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 장마 시작일의 경년 변동성에 영향을 주는 물리 현상에 초점을 두고 이와 연관되어 있는 경계 강제력(boundary forcing)인 봄철 해수면 온도를 사용하는 장마 시작의 물리 통계 예측 방법에 관한 것으로, 장마 시작일에 결정적 영향을 미치는 북태평양 고기압의 확장과 이동에 직간접적으로 영향을 주는 해수면온도 아노말리를 계산하는 제 1단계;제 1 단계에서 구한 해수면 온도 아노말리 자료를 이용하여 장마 시작일을 예측하기 위한 다중선형 회귀 모델을 구성하는 세가지 선행인자를 계산하는 제 2 단계;제 2 단계에서 계산된 세가지 선행인자를 구축된 통계예측모델에 대입하여 장마 시작일을 예측하는 제 3 단계;제 3 단계에서 봄철에 예측된 장마 시작일을 여름철에 관측된 장마 시작 지수와 비교하여 예측결과를 비교하는 제 4 단계를 포함하는 것이다.The present invention relates to a method for predicting the physical statistics of the beginning of the rainy season using the spring sea level temperature, which is a boundary forcing associated with physical phenomena affecting the interannual variability of the rainy season start date, The first step is to calculate the sea surface temperature anomalies directly or indirectly affecting the expansion and migration of the North Pacific high pressure that affects the North Pacific. The multiple linear regression model to predict the rainy season start date using the sea surface temperature anomaly data obtained in the first step A third step of calculating three preceding factors constituting the rainy season start date, a third step of predicting a rainy season start date by substituting the three preceding factors calculated in the second step into the constructed statistical prediction model, And comparing the predicted results with the observed rainy season start index in the summer Will.
Description
본 발명은 여름철 장마 시작일의 예측에 관한 것으로, 구체적으로 장마 시작일의 경년 변동성에 영향을 주는 물리 현상에 초점을 두고 이와 연관되어 있는 경계 강제력(boundary forcing)인 봄철 해수면 온도를 사용하는 여름철 장마 시작의 물리 통계 예측 방법에 관한 것이다.The present invention relates to the prediction of the start of the rainy season in the summer and more specifically to the physical phenomenon that affects the interannual variability of the rainy season start date and to use the boundary forcing, And a method of predicting physical statistics.
우리나라에서는 6, 7, 8월 여름철 동안 연 총 강수량 중 약 50 ~ 60%에 해당하는 강수가 내린다. 특히 6월 하순부터 7월 하순까지 약 한 달간 여름철에 내리는 강수의 절반 이상이 내리는데, 이 기간 동안 한반도 전역에 걸쳐 지속적으로 내리는 강수를 장마라고 한다.In Korea, during the summer season of June, July, and August, about 50 ~ 60% of the total annual rainfall falls. In particular, more than half of the precipitation in the summer during the period of about one month from the end of June to the end of July falls. During this period, the precipitation that continues to fall throughout the Korean peninsula is called rainy season.
이와 같은 한반도의 강수 특성상, 수문학적 관점에서 장마기간 동안의 총 강수량을 파악하고 예측하는 것은 매우 중요하다. 하지만 장마기간에 내리는 강수량은 매년 큰 폭으로 변동하며, 이러한 경년 변동성에 영향을 주는 중요한 원인 중 한가지로 장마 시종일의 변화를 들 수 있다.It is very important to understand and predict the total precipitation during the rainy season from the hydrological point of view due to the characteristics of the precipitation on the Korean peninsula. However, the amount of rainfall during the rainy season fluctuates greatly every year. One of the major causes of this interannual variability is the change in the days of rainy season.
현재 기상청에서 사후분석을 통해 결정하는 장마의 시종일은 한반도 내 지상 관측지점의 강수량 및 지상기온, 일사량, 일조시간 관측 자료와, 재분석 자료(Reanalysis data)로부터 구한 한반도 부근의 수분속 영향 유무, 500hPa의 지위고도, 200hPa의 지위고도와 바람 장에 의해서 정의된다.The rainy season of the rainy season, which is currently determined by the Korea Meteorological Administration, is based on the precipitation, ground temperature, solar radiation, sunshine hourly observations, and reanalysis data on the Korean Peninsula, 500 hPa The position altitude is defined by the altitude of 200 hPa and the wind field.
하지만, 여기서 고려되는 여러 요소들 사이에서 불일치가 발생할 가능성이 높은데, 예를 들면 대규모 순환장의 관점에서는 장마가 시작되었지만 하층의 수분속이 충분하지 않거나 그 외 다른 어떤 이유로 인해 강수가 발생하지 않는 경우가 종종 발생한다.However, there is a high likelihood of inconsistency between the various factors considered here, for example, from the viewpoint of a large recirculation zone, when the rainy season has begun but precipitation does not occur for some reason Occurs.
반대로 대규모 순환장의 관점에서 장마가 시작되지 않아도, 많은 양의 강수가 지형적 요인에 의해 국지적으로 강수가 발생할 수도 있다.On the other hand, even if the rainy season does not start from the point of view of the large-scale cyclone, a large amount of precipitation may cause local precipitation due to topographical factors.
이와 같이 장마기간에 내리는 강수량은 농업, 상업, 여가 활동 등의 인간활동에 큰 영향을 미친다. 따라서 이러한 장마가 언제 시작하는 지를 예측하는 것은 매우 중요하다.Thus, the amount of rainfall during the rainy season greatly affects human activities such as agriculture, commerce, and leisure activities. It is therefore very important to predict when this rainy season will begin.
그러나 장마 시작일의 경년 변동성에 영향을 주는 명확한 메커니즘은 아직 밝혀지지 않았고 장마 시작일에 대한 예측 정확도는 여전히 낮은 실정이다.However, the precise mechanisms that influence the interannual variability of the rainy season start date have not yet been clarified, and the prediction accuracy for the rainy season start date is still low.
한편 4월달의 850hpa에서의 지위고도 자료를 이용하여 장마의 시작일을 예측하는 통계 예측 모델이 제시되고 있다.On the other hand, a statistical prediction model that predicts the start date of the rainy season using the altitude data at 850hpa in April is presented.
그러나 지위고도는 대기의 유체역학적인 특성상 그 변동성이 크고 지속성이 낮기 때문에 4월의 지위고도 강제력이 6월까지 지속되어 장마 시작일에 영향을 주는 것은 매우 힘들다.However, due to the high volatility and low persistence of hydrogeological characteristics of the atmosphere, it is very difficult to maintain the April high altitude forcing until June, which affects the start of the rainy season.
그러므로 대기보다 오랜 기억력 가지며 천천히 변화하는 해양의 해수면 온도 자료를 이용하면 장마 시작일의 경년 변동성을 안정적으로 예측할 수 있는 통계 모델 구축이 가능하다.Therefore, it is possible to construct a statistical model that can predict the interannual variability of the beginning of the rainy season by using the sea surface temperature data of the ocean which has a longer memory than the atmosphere and slowly changing.
따라서, 장마 시작일의 경년 변동성에 영향을 주는 봄철 해수면 온도자료의 물리 현상 분석을 바탕으로 봄철 예측 인자를 결정하여 계절예측을 위한 역학-통계모델을 구축하여 장마 시작일 예측에 유용한 객관적 지표로 이용하는 것이 요구되고 있다.Therefore, based on the physical phenomena analysis of spring sea level temperature data that affects the interannual variability of the rainy season start date, it is necessary to determine the spring predictor and use the ephemeris - statistical model for seasonal prediction as an objective index useful for predicting the start of the rainy season .
본 발명은 이와 같은 종래 기술의 장마 시작일 예측의 문제를 해결하고 안정적이고 신뢰할 수 있는 예측 성능을 가지는 기술 확보를 위한 것으로, 장마 시작일의 경년 변동성에 영향을 줄 수 있는 경계 강제력인 동시에 대기보다 오랜 기억력을 가지는 해수면온도 아노말리 자료의 봄철 기간을 사용하여 장마 시작일을 계절 예측하는 객관적인 방법을 제공하는데 그 목적이 있다.The present invention solves the problem of predicting the rainy season start date of the prior art and secures the technology having reliable and reliable prediction performance. It is a boundary forcible force that can affect the interannual variability of the rainy season start date, The objective of this paper is to provide an objective method to predict the season of the rainy season by using the spring period of the sea anomaly data.
삭제delete
본 발명은 장마 시작일의 경년 변동성에 영향을 미치는 북태평양 고기압의 확장과 이동에 직간접적으로 영향을 주는 해수면 온도 아노말리를 지수화하여 구축한 다중 선형 회귀 모델로 대규모 관점에서 객관적이고 안정적인 장마 시작일을 예측하는 방법을 제공하는데 그 목적이 있다. The present invention is a multi-linear regression model constructed by indexing the sea surface temperature anomalies directly or indirectly affecting the expansion and movement of the North Pacific high pressure affecting the interannual variability of the rainy season start day, and estimating objective and stable rainy season start date from a large scale viewpoint The purpose of the method is to provide.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.
이와 같은 목적을 달성하기 위한 본 발명에 따른 장마 시작의 물리 통계 예측 방법은 장마 시작일에 결정적 영향을 미치는 북태평양 고기압의 확장과 이동에 직간접적으로 영향을 주는 해수면온도 아노말리를 계산하는 제 1단계; 제 1 단계에서 구한 해수면 온도 아노말리 자료를 이용하여 장마의 시작일을 예측하기 위한 다중선형회귀 예측모델을 구성하는 세가지 선행인자를 계산하는 제 2 단계; 제 2 단계에서 계산된 세가지 선행인자를 구축된 다중선형회귀 예측모델에 대입하여 장마 시작일을 예측하는 제 3 단계; 제 3 단계에서 봄철에 예측된 장마 시작일을 여름철에 관측된 장마 시작 지수와 비교하여 예측성능을 분석하는 제 4 단계;를 포함하는 것을 특징으로 한다.
여기서, 상기 제 1 단계에서 경계 강제력이 되는 해수면 온도 아노말리 자료는 해수면 온도 자료에서 기후학적 특징을 가질 수 있는 기간인 31년(1982년부터 2012년)동안 시간 평균된 해수면 온도를 제거하여 구하는 것을 특징으로 한다.
상기 제 2 단계에서 계산되는 세가지 선행인자는 장마시작일을 예측하기 위해 구축된 다중선형회귀 예측 모델의 독립변수가 되는 것을 특징으로 한다.
상기 제 2 단계에서 사용하는 관측된 장마 시작 지수는 쥴리안데이(Julian day)로 표현되는 것을 특징으로 한다.
여기서, 쥴리안데이는 1월부터 12월까지 1년의 일정을 1의 간격으로 표시하는 시각 표시법으로 평년의 경우 1월 1일을 1로, 그리고 12월 31일을 365로 정한 표시법이다.
또한, 제 2 단계에서 계산되는 세가지 선행인자는 다음과 같은 4가지 조건을 동시에 만족하는 것을 특징으로 한다. 첫째, 선행인자의 과대적합(large overfit)을 막기 위해 통계모델을 구성하는 선행인자는 3개로 제한한다. 둘째, 각 선행인자들 사이의 다중 공산성(multicollinearity)을 제거하기 위해 각 선행인자들 사이의 분산팽창계수가 2보다 작은 값을 가지며, 셋째, 각 선행인자들 사이에 통계적인 독립성을 가지도록 상관계수가 10% 유의수준 임계값보다 작은 값을 가진다. 넷째, 해수면 온도 아노말리 자료 기간의 20%(1982년부터 2012년 기간의 자료를 사용할 경우 6년)를 순차적으로 배제시켜 나머지 년도의 자료로 다중선형회귀모델을 구축한 후 배제시킨 년도를 예측하는 과정을 반복하여(교차검증) 예측된 장마시작일과 장마시작 지수 사이의 상관이 0.7 이상이 되도록 하는 선행인자 조합이다.
상기 제 2 단계에서 봄철 기간은 3월, 4월, 5월로 한정되는 것을 특징으로 한다.
상기 제 2 단계에서 계산되는 세가지 선행인자는, 해수면 온도 아노말리의 [165°~135°W, 0°~15°N] 영역을 4월 26일~5월 15일 기간을 평균한 북적도 중앙 태평양 지수(A), [0°~15°N, 55~30°W] 영역에서 [35°~45°N, 65~50°W]을 뺀 뒤 3월 27일~4월 10일 평균에서 3월 12일~3월 26일 평균을 뺀 기간을 가지는 북대서양지수(B), [20°~40°N, 180°~140°W] 영역을 4월 16일~5월 5일 평균에서 3월 22일~4월 10일 평균을 뺀 기간을 가지는 북반구 태평양 지수(C)를 갖는 것을 특징으로 한다.
상기 제 2 단계에서 계산되는 세가지 선행인자와 관측된 장마시작 지수, 이 4개의 변수는 각각의 평균값과 표준편차 값으로 정규화하여 다중선형회귀 예측 모델에 사용되는 것을 특징으로 한다.
그리고 상기 제 2 단계에서 장마시작일을 예측하는 통계모델의 선행인자 중 북적도 중앙 태평양 지수(A)의 값이 양으로 클수록 그리고 북반구 태평양 지수(C)의 값이 음으로 클수록 한반도 남동쪽에 고기압성 아노말리를 빠르게 형성하여 고기압성 아노말리의 북서 가장자리의 남서풍에 의해 한반도 남쪽으로 유입되는 수증기량을 증가시켜 장마가 일찍 시작하도록 하는 물리과정을 가지며, 북대서양지수(B)의 값이 음으로 클수록 한반도 남쪽의 고기압성 아노말리를 빠르게 형성하고 서쪽으로 확장시켜 장마가 일찍 시작하도록 하는 물리과정을 포함하는 것을 특징으로 한다.
상기 제 3 단계에서 정규화된 값으로 예측되는 장마 시작일을 쥴리안데이로 나타내기 위해서 예측 모델의 결정 계수 값에 1982년도부터 2005년도 기간의 자료에서 구해진 장마시작일의 표준편차를 곱하고 장마 시작일의 평균값을 더해주면, 장마 시작일(쥴리안데이) = 2.437A - 4.322B - 2.842C + 171로 변환되어 표현되는 것을 특징으로 한다.
쥴리안데이로 표현되는 예측모델의 경우 1부터 365일 사이의 예측 결과가 나오기 때문에 이해하기 쉽고, 정규화된 예측모델의 경우 각각의 선행인자가 장마 시작일에 얼마나 영향을 미치는지를 정규화된 계수를 사용하므로 인자간 상대적인 중요도를 쉽게 이해할 수 있어 유용하다.
상기 제 4 단계에서, 관측되는 장마 시작 지수는 6월달의 925-700 hPa 상당온위 남북경도의 음으로 최대값을 가지는 위치가 제주도가 있는 32.5°N 보다 북쪽에 3일 이상 지속되는 날짜를 선택하고, 동시에 122.5° ~ 135°E 지역을 평균한 850 hPa 상당온위 335 K와 500 hPa면의 5850 gpm이 32.5°N보다 북쪽에 3일 이상 지속되는 날짜를 이용하는 것을 특징으로 한다.In order to achieve the above object, there is provided a method for predicting physical statistics at the beginning of a rainy season, comprising: a first step of calculating sea surface temperature anomalies directly or indirectly affecting expansion and movement of a North Pacific high pressure that has a decisive influence on a rainy season start date; A second step of calculating three preceding factors constituting a multiple linear regression prediction model for predicting the start date of the rainy season using the sea surface temperature anomaly data obtained in the first step; A third step of predicting a rainy season start date by substituting the three preceding factors calculated in the second step into the constructed multiple linear regression prediction model; And a fourth step of analyzing the predictive performance by comparing the predicted rainy season start day in the spring with the rainy season start index observed in the summer in the third step.
Here, the sea surface temperature anomalies which become the boundary forcing in the first step are obtained by removing the time-averaged sea surface temperature during the period from 1982 to 2012, which is the period during which the climatic characteristic can be obtained in the sea surface temperature data .
The three preceding factors calculated in the second step are independent variables of the multiple linear regression prediction model constructed to predict the rainy season start date.
The observed rainfall start index used in the second step is characterized by being expressed as Julian day.
Here, Julian Day is a notation for displaying the schedule of 1 year from January to December at intervals of 1, with 1 for January 1 and 365 for December 31 in normal years.
In addition, the three preceding factors calculated in the second step satisfy the following four conditions simultaneously. First, to prevent large overfitting of the preceding factors, the number of the preceding factors constituting the statistical model is limited to three. Second, in order to eliminate multicollinearity between each preceding factor, the coefficient of dispersion expansion between each preceding factor has a value smaller than 2. Third, the coefficient of correlation Is less than the 10% significance level threshold. Fourth, a 20-percent (six-year period when using data from 1982 to 2012) of the sea surface temperature anomaly data period was excluded sequentially, and a multiple linear regression model was constructed as the data of the remaining year, The procedure is repeated (cross validation) to determine the correlation between the predicted rainy season start date and the rainy season start index to be 0.7 or more.
And the spring period in the second step is limited to March, April, and May.
The three predecessors calculated in the second stage are the north-south center, which averages the period from April 26 to May 15 in the [165 ° to 135 ° W, 0 ° to 15 ° N] area of the sea surface temperature anomaly Subtracted [35 ° to 45 ° N, 65 to 50 ° W] from the Pacific Index (A), [0 ° to 15 ° N, 55 to 30 ° W] The North Atlantic Ocean (B), [20 ° - 40 ° N, 180 ° - 140 ° W] region, which has a period subtracting the average from March 12 to March 26, And a northern hemisphere Pacific Index (C) having a period obtained by subtracting an average of from April 22 to April 10.
The three preceding factors and the observed rainy season start index calculated in the second step are used for a polynomial linear regression prediction model by normalizing each of the four parameters with an average value and a standard deviation value.
In the second step, the statistical model predicting the start of the rainy season, the greater the positive value of the Central Central Pacific Index (A) and the larger the northern Pacific Index (C) It has a physical process of rapidly forming Mali and causing the rainy season to start early by increasing the amount of water vapor that flows southward through the southwestern wind of the north-western margin of the anomalies of the anomalies. As the North Atlantic Index (B) Characterized by comprising a physical process of rapidly forming and expanding the anomalies in the west to allow the rainy season to start early.
In order to indicate the Julian Day of the rainy season start date predicted as the normalized value in the third step, the standard deviation of the rainy season start date obtained from the data of the period from 1982 to 2005 is multiplied by the determination coefficient of the prediction model, (Julian Day) = 2.437A - 4.322B - 2.842C + 171, and is expressed by expressing it.
In the case of the prediction model represented by Julian Day, it is easy to understand because the prediction result is from 1 to 365 days. In the case of the normalized prediction model, the influence of each preceding factor on the start of the rainy season is used as the normalized coefficient. It is useful because it can easily understand the relative importance of the liver.
In the fourth step, the observed rainy season start index is selected such that the location having the maximum value of the negative north-south longitude of 925-700 hPa in June is longer than 3 days in the north than 32.5 ° N with Jeju Island , And at the same time a date of 335 K on an average of 850 hPa and 5850 gpm on a 500 hPa plane averaging 122.5 ° to 135 ° E in the north and more than 3 days north of 32.5 ° N.
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
이와 같은 본 발명에 따른 장마 시작의 물리 통계 예측 시스템 및 방법은 다음과 같은 효과를 갖는다.The system and method for predicting the start of rainy season according to the present invention have the following effects.
첫째, 봄철 해수면 온도 아노말리 자료를 사용하여 장마 시작일을 예측하므로 계절 예측이 가능하며 장마철 강수량 변동에 의한 한반도의 사회, 경제적 영향을 예측하여 대비할 수 있는 객관적 지표로 활용할 수 있다.First, it predicts the start of the rainy season by using the spring anomaly data of the sea surface temperature, and it can be used as an objective indicator to anticipate the social and economic effects of the Korean Peninsula due to the fluctuation of rainy season precipitation.
둘째, 장마 시작일의 변동과 관련된 물리학적 메커니즘을 파악하여 기상학적 관점에서 장마에 관한 이해도를 높일 수 있다.Second, understanding of the rainy season from the meteorological point of view can be improved by understanding the physical mechanism related to the fluctuation of the rainy season start date.
셋째, 역학모델의 해수면 온도 예측결과를 이용한 물리통계 모형의 개발에 대한 기반 정보로 이용될 수 있다.Third, it can be used as a basis for the development of the physical statistical model using the sea surface temperature prediction result of the mechanical model.
넷째, 물리 모델을 통한 검증 과정을 거쳐 구축된 다중선형회귀 모델을 사용하므로 안정적이고 신뢰할 수 있는 예측이 가능하다.
Fourth, since it uses the multiple linear regression model constructed through the verification process through the physical model, reliable and reliable prediction is possible.
도 1은 본 발명에 따른 장마 시작의 물리 통계 예측 방법을 나타낸 플로우 차트
도 2는 장마 시작 지수와 봄철 해수면 온도 아노말리의 합성차 분석도
도 3은 장마 시작의 다중선형회귀 예측 모델을 구성하는 선행인자의 영역을 나타낸 구성도
도 4는 해수면 온도 아노말리 자료 기간의 20% 범위에 속하는 기간을 순차적으로 배제시켜 나머지 년도(training data)에 해당하는 선행인자로 다중선형회귀모델을 구축한 후 배제시킨 년도(validation data)를 예측하는 과정을 반복하는 교차검증을 나타낸 구성도
도 5는 관측된 장마 시작 지수와 장마 시작의 다중선형회귀 예측 모델의 예측 결과를 나타낸 시계열 그래프
도 6은 북적도 중앙 태평양 지수(A)가 장마 시작일에 영향을 미치는 물리적 과정을 분석하기 위해 GFDL 역학 코어 모델을 통한 분석도
도 7은 북대서양지수(B)가 장마 시작일에 영향을 미치는 물리적 과정을 분석하기 위해 GFDL 역학 코어 모델을 통한 분석도
도 8은 북반구 태평양 지수(C)가 장마 시작일에 영향을 미치는 물리적 과정을 분석하기 위해 CFS모델을 통한 분석도1 is a flowchart showing a method of predicting physical statistics at the start of a rainy season according to the present invention;
FIG. 2 is a graph showing the results of a synthetic differential analysis of the rainy season start index and the spring sea surface temperature anomaly
3 is a diagram showing a region of a preceding factor constituting a multiple linear regression prediction model at the start of a rainy season
FIG. 4 is a graph showing the results of estimating validation data after constructing a polynomial regression model as a preceding factor corresponding to the remaining training data by sequentially excluding periods belonging to the 20% range of the sea surface temperature anomaly data period A cross-validation that repeats the process of
5 is a time-series graph showing the predicted results of the multi-linear regression prediction model of observed rainy season start index and rainy season start
Figure 6 shows an analysis using the GFDL dynamic core model to analyze the physical processes affecting the northern Central Pacific Index (A)
Figure 7 shows an analysis through the GFDL epidemiological core model to analyze the physical processes affecting the North Atlantic Ocean Index (B)
Figure 8 shows an analysis using the CFS model to analyze the physical processes affecting the Northern Hemisphere Pacific Index (C)
이하, 본 발명에 따른 장마 시작의 물리 통계 예측 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a preferred embodiment of the method for predicting the start of rainy season according to the present invention will be described in detail.
본 발명에 따른 장마 시작의 물리 통계 예측 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.The characteristics and advantages of the method of predicting the physical statistics of the start of the rainy season according to the present invention will be apparent from the following detailed description of each embodiment.
도 1은 본 발명에 따른 장마 시작의 물리 통계 예측 방법을 나타낸 플로우 차트이다.FIG. 1 is a flowchart showing a method of predicting physical statistics at the start of a rainy season according to the present invention.
본 발명은 장마 시작일의 경년 변동성에 영향을 주는 물리 현상에 초점을 두고 이와 연관되어 있는 경계 강제력인 봄철 해수면 온도 아노말리를 사용하여 장마 시작일을 계절 예측하는 객관적인 방법에 관한 것이다.
본 발명은 여러 개의 독립변수가 종속변수와 어떻게 관련되어 있는지를 다중선형회귀 선형방정식으로 나타내어 독립변수 값에 대한 종속변수를 추정하여 예측이 가능한 다중선형회귀 통계모델의 특징을 이용하여 장마 시작일에 직간접적으로 영향을 주는 경계 강제력인 해수면온도 아노말리의 봄철 자료를 지수화하여 독립변수로 사용하고 장마 시작일을 종속변수로 하여 장마 시작일을 계절 예측하는 방법에 관한 것이다.
그리고 본 발명의 기술적 특징을 설명하기 위하여 사용되는 다음의 용어들은 이하의 설명에서 특별한 제한이 있는 경우를 제외하고는 다음과 같은 정의를 갖는다.
'해수면 온도 아노말리' 자료는 해수면 온도 자료에서 기후학적 특징을 가질 수 있는 기간인 31년(1982년부터 2012년) 시간 평균된 해수면 온도를 제거하여 구하는 것이고,
'북적도 중앙 태평양 지수(A)' 및 '북반구 태평양 지수(C)'는 한반도 남동쪽에 고기압성 아노말리를 형성하여 고기압성 아노말리의 북서 가장자리의 남서풍에 의해 한반도 남쪽으로 유입되는 수증기량을 증가시켜 장마가 시작하도록 하는 지수이고,
'북대서양지수(B)'는 한반도 남쪽의 고기압성 아노말리를 형성하고 서쪽으로 확장하여 장마가 시작하도록 하는 지수이다.
그리고 장마 시작 지수는 6월달의 925-700 hPa 상당온위 남북경도의 음으로 최대값을 가지는 위치가 제주도가 있는 32.5°N 보다 북쪽에 3일 이상 지속되는 날짜를 선택하고, 동시에 122.5° ~ 135°E 지역을 평균한 850 hPa 상당온위 335 K와 500 hPa면의 5850 gpm이 32.5°N보다 북쪽에 3일 이상 지속되는 날짜를 이용하여 쥴리안데이 형태로 표현하여 정의되는 것이다.
쥴리안데이는 1월부터 12월까지 1년의 일정을 1의 간격으로 표시하는 시각 표시법으로 컴퓨터 프로그래밍 언어를 사용할 때 1에서 365까지의 연속적인 숫자를 이용하여 날짜를 표시할 수 있기 때문에 1월 1일 또는 5월 1일 등의 날짜로 표시하는 방법보다 프로그래밍에 더 적합한 날짜 표시법이기에 계산을 할 때는 쥴리안데이 날짜표기법을 사용한다.
다중선형회귀식을 이용하여 예측 모델을 구축할 때에는 '북적도 중앙 태평양 지수(A)', '북대서양지수(B)', '북반구 태평양 지수(C)', 그리고 관측된 장마 시작 지수를 각각의 표준편차와 평균값을 이용하여 모두 정규화(평균값을 빼준 뒤 표준편차로 나누어 구한다)하여 사용한다.The present invention is directed to an objective method for seasonally predicting the start of a rainy season using spring anomalies in spring, which is a boundary forcing associated with physical phenomena that affect interannual variability in the rainy season start date.
The present invention relates to a method for estimating dependent variables of independent variable values by expressing a plurality of independent variables related to dependent variables using a polynomial linear regression linear equation, This paper describes a method for seasonally predicting the beginning of a rainy season by using spring water data of anomalies as an independent variable and using a rainy season start date as a dependent variable.
The following terms used to describe the technical features of the present invention have the following definitions, unless otherwise specified in the following description.
The 'sea surface temperature anomaly' data is obtained by removing the time-averaged sea surface temperature from 31 years (1982 to 2012), which is the period during which the sea surface temperature data can have a climatic characteristic,
The 'North Central Central Pacific Index (A)' and 'Northern Pacific Index (C)' formed a sideways anomaly in the southeast of the Korean peninsula, increasing the amount of water flowing southward through the southwestern western edge of the anomalies It is an index to let the rainy season begin,
The 'North Atlantic Index (B)' is an index that forms the anomaly in the south of the peninsula and extends westward to start the rainy season.
In addition, the starting index of the rainy season is selected from the range of 122.5 ° to 135 ° where the maximum value of the north-south hardness corresponding to 925-700 hPa in June is longer than 3 days in the north than 32.5 ° N with Jeju Island. E is defined as a Julian day form using a date of 335 K on the average of 850 hPa and 5850 gpm on the 500 hPa side, which lasts more than three days north of 32.5 ° N.
Julian Day is a visual notation that displays a one-year schedule from January to December at intervals of 1, so when using a computer programming language, you can display dates using numbers from 1 to 365 consecutively, so January 1 Use the Julian Day date notation when calculating because it is a better way to program than to display on days or days such as May 1st.
When constructing the forecasting model using multiple linear regression equations, the 'Central North Pacific Index (A)', 'North Atlantic Index (B)', 'Northern Pacific Index (C)', Standard deviations and average values are used to normalize all of them (divided by the standard deviation after subtracting the mean value).
본 발명에 관한 구체적인 설명을 하면 다음과 같다.
본 발명에 따른 장마 시작일의 물리 통계 예측 방법은 도 1에서와 같이, 장마 시작일에 결정적 영향을 미치는 북태평양 고기압의 확장과 이동에 직간접적으로 영향을 주는 해수면온도 아노말리를 계산하는 제 1단계(S201); 제 1 단계에서 구한 해수면온도 아노말리 자료를 이용하여 장마의 시작일을 예측하기 위한 다중선형회귀 모델을 구성하는 세가지 선행인자를 계산하는 제 2 단계(S202); 제 2 단계에서 계산된 세가지 선행인자를 구축된 통계예측모델에 대입하여 장마 시작일을 예측하는 제 3 단계(S203); 제 3 단계에서 봄철에 예측된 장마 시작일을 여름철에 관측된 장마 시작 지수와 비교하여 예측성능을 분석하는 제 4 단계(S204)를 포함한다.
이와 같은 본 발명에 따른 장마 시작일의 물리 통계 예측 방법을 수행하기 위하여, 도면으로 도시하지 않았지만, 해수면 온도 아노말리 계산 수단, 선행 인자 계산 수단, 장마시작일 예측 수단, 예측 성능 분석 수단이 구성될 수 있고, 이는 하드웨어 또는 소프트웨어 형태로 구성될 수 있는 것으로 제한되지 않는다.
이와 같은 본 발명에 따른 장마 시작일의 계절 예측하는 방법을 각 단계별로 구체적으로 설명하면 다음과 같다.
먼저, 제 1 단계에서 경계 강제력이 되는 해수면 온도 아노말리 자료는 해수면 온도 자료에서 기후학적 특징을 가질 수 있는 기간인 31년(1982년부터 2012년) 시간 평균된 해수면 온도를 제거하여 구한다.
여기서, 장마 시작의 계절 예측을 위해 경계 강제력이 되는 해수면 온도 자료의 기간을 봄철 기간인 3월에서 5월로 한정하는 것이 바람직하다.
제 2 단계에서 계산되며 다중선형회귀 예측 모델을 구성하는 독립변수 즉, 선행인자는 다음과 같은 네 가지 조건을 만족하는 것으로 제한한다.
먼저, 선행인자는 장마 시작 지수와 90% 이상의 상관 계수 값을 가지며 과대적합(large overfit)으로 인한 예측오류를 방지하기 위해 3개로 제한한다.
각 선행인자들 사이의 다중 공산성(multicolinearity)를 제거하기 위해 각 선행인자들 사이의 분산팽창계수는 2보다 작은 값을 가진다.
각 선행인자들 사이에 통계적인 독립성을 위해 각 선행인자들 사이의 상관계수 값이 10% 유의수준 임계 값보다 작은 값을 가진다.
도 4에서와 같이 해수면 온도 아노말리 기간의 20% 범위에 속하는 기간(1982년부터 2012년 기간의 자료를 사용할 경우 6년, validation data)을 순차적으로 배제시켜 나머지 년도의 자료(training data)로 다중선형회귀모델을 구축한 후 배제시킨 년도를 예측하는 교차과정을 반복하여 예측된 장마시작일과 관측된 장마시작 지수 사이의 상관이 0.7이상이 되도록 하는 조합을 가지는 것으로 제한한다.
1982년부터 2012년 기간 동안의 20%에 해당하는 6년을 순차적으로 배제시켜 나머지 년도의 자료로 다중선형회귀모델을 구축한 후 배제시킨 년도를 예측하는 과정을 반복하는 교차검증을 통해 과대적합을 방지할 수 있다(Blockeel and Struyf 2002).
이와 같은 본 발명에 따른 장마 시작일의 물리 통계 예측 방법에서 사용되는 선행 인자는 북적도 중앙 태평양 지수(A)와, 북대서양지수(B) 및 북반구 태평양 지수(C)를 포함한다.
본 발명에 따른 장마 시작일의 물리 통계 예측 방법에서 예측의 대상이 되는 장마 시작일의 1982년부터 2012년 관측 값을 통해 장마가 시작할 때의 해수면 온도 아노말리의 봄철 특징을 살펴보고 다중선형회귀 예측 모델의 선행인자를 구한다.A detailed description of the present invention is as follows.
As shown in FIG. 1, the method of predicting the physical statistics of the rainy season start date according to the present invention includes a first step S201 of calculating the sea surface temperature anomaly that directly or indirectly affects the expansion and movement of the North Pacific high- ); A second step (S202) of calculating three preceding factors constituting a multiple linear regression model for predicting the start date of the rainy season using the sea surface temperature anomaly data obtained in the first step; A third step (S203) of predicting a rainy season start date by substituting the three preceding factors calculated in the second step into the constructed statistical prediction model; And a fourth step (S204) of analyzing the predictive performance by comparing the predicted rainy season start day in the spring with the rainy season start index observed in the summer in the third step.
In order to perform the method of predicting the physical statistics of the rainy season start date according to the present invention, the sea surface temperature anomaly calculation means, the preceding parameter calculation means, the rainy season start date prediction means, and the prediction performance analysis means may be configured , But it is not limited to being able to be configured in hardware or software form.
The method for seasonally predicting the rainy season start date according to the present invention will be described in detail below.
First, the sea surface temperature anomaly data, which is the boundary forcing in the first step, is obtained by removing the time-averaged sea surface temperature from 31 years (1982 to 2012), which is the period during which the climatic characteristics can be obtained from the sea surface temperature data.
Here, it is preferable to limit the period of the sea surface temperature data which becomes the boundary forcing for the seasonal prediction of the start of the rainy season from March to May as the spring period.
The independent variables that are calculated in the second step and constitute the multiple linear regression prediction model, that is, the preceding factors, are limited to satisfy the following four conditions.
First, the leading factor has a correlation coefficient of 90% or more with the starting index of the rainy season and is limited to three to prevent prediction error due to large overfitting.
To remove multiple multicolinearity between each preceding factor, the coefficient of dispersion expansion between each preceding factor has a value less than two.
For statistical independence between each precedence factor, the correlation coefficient between each precedence factor has a value less than the 10% significance level threshold.
As shown in FIG. 4, when a period belonging to the 20% range of the sea surface temperature anomaly period (validation data for 6 years when using data from 1982 to 2012) is sequentially excluded, It is limited to having a combination that the correlation between the predicted rainy season start date and the observed rainy season start index is 0.7 or more by repeating a crossing process for predicting the excluded year after constructing the linear regression model.
In this study, we used a cross-validation method that repeatedly excluded six years corresponding to 20% of the period from 1982 to 2012, repeatedly constructing a multiple linear regression model for the remaining years, (Blockeel and Struyf 2002).
The preceding factors used in the method of predicting the physical statistics of the rainy season start date according to the present invention include the northern latitude, the central Pacific index (A), the North Atlantic index (B) and the Northern Pacific index (C).
In the physical statistical prediction method of the rainy season start date according to the present invention, the characteristics of the spring anomalies of the sea surface temperature at the start of the rainy season from the 1982 to 2012 observation values of the rainy season start day, Find the leading factor.
삭제delete
서경환 등 (2011)의 연구논문에서 정의된 방법을 이용하여 장마 시작일을 관측한다.
서경환 등 (2011)의 연구논문에서는 6월달의 925-700 hPa 상당온위 남북경도의 음으로 최대값을 가지는 위치가 제주도가 있는 32.5°N 보다 북쪽에 3일 이상 지속되는 날짜를 선택하고, 동시에 122.5° ~ 135°E 지역을 평균한 850 hPa 상당온위 335 K와 500 hPa면의 5850 gpm이 32.5°N보다 북쪽에 3일 이상 지속되는 날짜를 이용하여 장마 시작 지수를 정의하였다.
이 장마 시작 지수는 온도와 습도가 차이 나는 서로 다른 열역학적 성질을 가진 기단 사이에서 형성되는 장마전선을 효과적으로 고려한 것이다.
또한 장마전선은 일반적으로 동서방향으로 길게 위치하고 전선 면의 남북방향으로 온도 및 습도의 차이가 크게 나타나는 기후학적 특성을 고려하여 상당온위의 남북방향 경도의 음의 최대값으로 전선의 위치를 추정하는데 적합하다.
500hPa에서의 5880gpm선은 장마전선의 이동에 가장 큰 영향을 미치는 북태평양 고기압 세력의 움직임을, 상당온위 335K 등온위선은 장마전선에 의한 강수밴드의 움직임을 나타내는 데 적합한 기후변수이다.The start date of the rainy season is observed using the method defined in the research paper of Seo, Kyung-hwan (2011).
In the research paper of Seo, Kyung-hwan et al. (2011), the date with the highest value of the south-north latitude of 925-700 hPa in June was selected to last more than 3 days in the north than 32.5 ° N with Jeju Island, The rainy season start index was defined using a date of 335 K at an average of 850 hPa and a 5850 gpm at 500 hPa, which averaged over the region from 0 ° to 135 ° E and lasted more than 3 days north of 32.5 ° N.
This starting point of the rainy season effectively takes into account the long-term energy lines formed between bases with different thermodynamic properties with different temperature and humidity.
In addition, considering the climatological characteristic that the long-term foreground line is generally long in the east-west direction and the difference of temperature and humidity in the north-south direction of the frontal line is large, it is suitable to estimate the position of the wire as the maximum value of the north- .
The 5880gpm line at 500hPa is the climate variable for the movement of the North Pacific high pressure, which has the greatest influence on the movement of the rail, and the 335K isothermal hypothermic line, which is suitable for representing the movement of the precipitation band by the storm.
삭제delete
도 2는 1982년부터 2012년동안 관측된 장마 시작 지수를 장마시작일의 평균값과 장마시작일의 표준편차를 이용하여 정규화시킨 후, -0.43 이하인 값을 가지는 해의 평균에서 +0.43 이상인 값을 가지는 해의 평균을 뺀 (평년보다 장마가 일찍 시작한 해에서 장마가 늦게 시작한 해를 뺀) 합성차 분석도 이며, 장마가 일찍 시작했을 때의 해수면온도 아노말리의 분포를 보여주는 것이다.
도 2에서 색은 해수면온도 아노말리를 나타내며, 실선은 관측된 장마 시작 지수와 해수면 온도 아노말리 사이의 상관관계가 90% 이상의 유의수준에서 유의한 영역을 나타낸다.
북적도 중앙 태평양 지수(A)는 해수면 온도 아노말리의 [165°~135°W, 0°~15°N] 영역을 4월 26일~5월 15일 기간에 대해 평균하여 도 2에서 북적도 중앙 태평양 지역의 음의 해수면 온도 아노말리가 봄철 기간 동안 유지되는 것을 지수화 한 것이다.
북대서양지수(B)는 해수면 온도 아노말리의 [0°~15°N, 55~30°W] 영역평균에서 [35°~45°N, 65~50°W] 영역평균을 뺀 뒤 3월 27일~4월 10일 평균에서 3월 12일~3월 26일 평균을 뺀 값을 사용하여 도 2에서 이 지역의 양의 해수면 온도 아노말리가 봄철 기간 동안 점점 발달하는 특징을 지수화한 것이다.
북반구 태평양 지수(C)는 [20°~40°N, 180°~140°W] 영역을 4월 16일~5월 5일 평균에서 3월 22일~4월 10일 평균을 뺀 것으로 도 2에서 북위 0°~15°N에서는 양의 해수면 온도 아노말리 값이 북위 35°~45°N에서는 음의 해수면 온도 아노말리 값을 가지는 쌍극자 형태의 해수면 온도 분포가 봄철 기간 동안 조금씩 발달하는 특징을 지수화한 것이다.
도 3은 본 발명의 실시 예에서 장마 시작일 예측모델을 구성하는 선행인자들의 영역 분포도이다.
도 6, 도 7, 그리고 도 8은 장마 시작일 예측 모델을 구성하는 선행인자가 물리적으로 장마 시작일과 가지는 인과 관계를 명확히 하여 예측 모델의 신뢰도를 높인다.
도 6은 북적도 중앙 태평양 지수(A)가 장마 시작일에 영향을 미치는 물리적 과정을 GFDL 역학모델을 이용하여 분석한 것으로, 봄철 북적도 중앙 태평양 지역의 음의 해수면 온도 아노말리는 적도지역에서 동에서 서로 부는 바람인 무역풍을 강화하여 서쪽 열대 태평양 지역에 대기 수렴에 의한 대류를 강하게 발달시키고, 그로 인해 강화되는 비단열 가열은 (15°N과 130°E을 중심으로 하는 붉은 원) 그것의 북쪽으로 그리고 한반도의 남쪽으로 고기압성 아노말리가 형성되도록 강제한다.
도 7은 북대서양지수(B)가 장마 시작일에 영향을 미치는 물리적 과정을 GFDL 역학모델을 이용하여 분석한 것으로, 봄철에 북대서양 지역에 위치하는 쌍극 형태로 발달하는 해수면 온도 아노말리는 비단열 가열을 통해(북위 0°~15°N에서 양의 해수면 온도 아노말리 값에 의한 비단열 가열은 붉은 원, 북위 35°~45°N에서 음의 해수면 온도 아노말리 값에 의한 비단열 가열은 파란색 원으로 나타냄) 대기 상층 순환장에 영향을 주게 되고 이것은 로스비파(Rossby Wave) 형태로 상층 제트기류를 따라 유라시아 대륙을 거쳐 동아시아 지역으로 전파되어 한반도 남쪽에 서쪽으로 확장한 고기압성 아노말리를 형성시키도록 강제한다.
도 8은 북반구 태평양 지수(C)가 장마 시작일에 영향을 미치는 물리적 과정을 CFS 모델을 이용하여 분석한 것으로, 봄철 북반구 중앙 태평양에서 발달하는 양의 해수면 온도 아노말리는 오호츠크 해 지역에 저기압성 아노말리를 형성시켜 오호츠크 고기압의 약화를 유도하여 상대적으로 한반도 남쪽의 고기압성 아노말리가 빠르고 강하게 형성되도록 강제한다.
따라서, 북적도 중앙 태평양 지수(A)와 북반구 태평양 지수(C)는 공통적으로 한반도 남동쪽에 고기압성 아노말리를 빠르게 형성하여 고기압성 아노말리의 북서 가장자리의 남서풍에 의해 한반도 남쪽으로 유입되는 수증기량을 증가시켜 장마가 일찍 시작하도록 하는 것이며, 북대서양지수(B)는 한반도 남쪽의 고기압성 아노말리를 빠르게 형성할 뿐만 아니라 서쪽으로 좀 더 강하게 확장하여 장마가 일찍 시작하도록 하는 물리과정을 나타낸다.
제 2 단계에서 계산된 선행인자를 바탕으로 구성된 물리통계 예측 모델은 선행인자가 사용되는 기간에 따라 계수가 다르지만 1982년도부터 2005년도 기간의 자료를 사용하면,
'장마 시작일(정규화된 값) = 0.310A - 0.552B - 0.363C + 0.03'이다.
여기서, 각 계수 값은 결정 계수 값으로 이것의 제곱 값은 종속변수의 총 변동 중 몇 %를 독립변수를 이용한 모형으로 설명 가능한지를 나타내준다. 즉, 각 선행인자의 상대적인 중요도 또는 기여도를 의미한다.
정규화된 값으로 예측되는 장마 시작을 쥴리안데이로 나타내기 위해서 위 예측모델의 결정 계수 값에 1982년도부터 2005년도 기간의 자료에서 구해진 장마시작일의 표준편차를 곱하고 장마 시작일의 평균값을 더해주면,
'장마 시작일(쥴리안데이) = 2.437A - 4.322B - 2.842C + 171'이 된다.
도 5에서 검정색 점선은 서경환 등 (2011)의 연구논문에서 정의된 방법을 이용하여 장마 시작일을 관측한 것이다.
도 5에서 1982~2012년 기간에 해당하는 붉은 실선은 6년씩 순차적으로 배제하여 교차검증을 실시한 예측결과이고, 2013~2014는 1982년도부터 2005년도 기간의 자료로 구성된 통계 모델을 이용하여 예측을 한 결과이다.
가로 실선은 1982-2012년 개수를 정규화된 크기를 기준으로 1/3씩 나누는 선으로 정규분포에서 0.43 표준편차 값에 해당한다.
이 선을 이용하여 예측 모델이 장마 시작일의 경향을 효과적으로 예측 가능한지 판단할 수 있다.
가로실선을 기준으로 위의 영역에 위치하면 장마 시작일이 늦은 해, 사이에 위치하면 보통 해, 아래에 위치하면 이른 해를 의미한다.FIG. 2 shows the results of normalizing the observed rainy season index from 1982 to 2012 using the average of the rainy season start date and the standard deviation of the rainy season start date, and then calculating the mean of the solution having a value of +0.43 or more This is a synthetic difference analysis of subtracting the average (subtracting the year in which the rainy season started late in the year when the rainy season started earlier than the normal year) and shows the distribution of the sea surface temperature anomalies when the rainy season started early.
In FIG. 2, the color represents the sea surface temperature anomaly, and the solid line represents a significant region at a significant level of correlation of at least 90% between the observed rainy season start index and the sea surface temperature anomaly.
In the Northern Central Pacific Index (A), the area [165 ° to 135 ° W, 0 ° to 15 ° N] of the sea surface temperature anomaly is averaged over the period from April 26 to May 15, The index of the negative sea surface temperature anomalies in the Central Pacific is maintained during spring time.
The North Atlantic Ocean Index (B) subtracts the [35 ° to 45 ° N, 65 to 50 ° W] area average from the mean of the sea surface temperature anomalies [0 ° to 15 ° N, 55 to 30 ° W] Using the value obtained by subtracting the average of March 12 to March 26 from the average of days to April 10, the positive ocean surface temperature anomalies of this region in FIG. 2 were indexed to develop gradually during spring time.
The Northern Hemisphere Pacific Index (C) is the average of 20 ° to 40 ° N, 180 ° to 140 ° W, minus the average March 22 to April 10 from the average of April 16 to May 5, The dipolar-type sea surface temperature distribution with negative sea surface temperature anomalies at
3 is an area distribution diagram of the preceding factors constituting the rainy season start date prediction model in the embodiment of the present invention.
FIGS. 6, 7, and 8 illustrate the causal relationship between the predecessor constituting the rainy season start date prediction model and the rainy season start date, thereby raising the reliability of the prediction model.
Figure 6 shows the analysis of the physical processes affecting the northern Central Pacific Index (A) on the beginning of the rainy season by using the GFDL epidemiological model. In the equatorial region, Strengthening the blowing winds trade strongly develop convection by atmospheric convergence in the western tropical Pacific, and the non-adiabatic heating (the red circle centered at 15 ° N and 130 ° E) It forces the formation of hypertensive anomalies south of the Korean peninsula.
Figure 7 shows the physical process of the North Atlantic Ocean (B) affecting the beginning of the rainy season using the GFDL ephemeris model. In spring, the sea surface temperature developed in the North Atlantic region Non-adiabatic heating by non-adiabatic heating due to positive anomalies in the
FIG. 8 shows the analysis of the physical processes affecting the northern Pacific Pacific Index (C) using the CFS model, in which the positive sea level temperature developed in the northern central pacific in the spring formed anomalies in the Okhotsk Sea region To induce the weakening of the Okhotsk high pressure to force the high pressure anomalies in the southern part of the peninsula to form quickly and strongly.
Thus, the northern central Pacific Index (A) and the northern hemisphere Pacific Index (C) rapidly formed a hypertonic anomaly in the southeast of the Korean peninsula, increasing the amount of water vapor entering the southern peninsula due to the southwest winds of the anomalies And the North Atlantic Index (B) represents a physical process that not only rapidly forms the hypertonic anomalies south of the peninsula, but also extends more strongly to the west, allowing the rainy season to begin early.
Although the coefficients of the physical statistical prediction model constructed based on the preceding factors calculated in the second step are different according to the periods in which the preceding factors are used, when the data of the period from 1982 to 2005 are used,
'The rainy season start date (normalized value) = 0.310A - 0.552B - 0.363C + 0.03'.
Here, each coefficient value is a decision coefficient value, and its squared value indicates how many% of the total variation of the dependent variable can be explained by the model using the independent variable. That is, relative importance or contribution of each preceding factor.
In order to represent the beginning of the rainy season predicted by the normalized value as Julian Day, multiplying the coefficient of determination of the above prediction model by the standard deviation of the rainy season start date obtained from the data of the period from 1982 to 2005 and adding the average value of the rainy season start date,
'Julian Day' = 2.437A - 4.322B - 2.842C + 171 '.
In Figure 5, the black dashed line is the observation of the beginning of the rainy season using the method defined in the research paper of Seok Kyung-hwan (2011).
In Fig. 5, the red solid line corresponding to the period 1982 to 2012 is the result of the sequential exclusion of the six-year cross-validation, and 2013 to 2014 are predictions using the statistical model composed of data from 1982 to 2005 Results.
The horizontal solid line is a line dividing the number of years 1982-2012 by 1/3 based on the normalized size, which corresponds to a standard deviation of 0.43 in the normal distribution.
This line can be used to determine if the predictive model can effectively predict the trend of the rainy season start date.
If it is located in the above area with respect to the horizontal solid line, it means an ordinary year if it is located between the years when the rainy season start date is late.
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
표 1은 도 5의 점선을 기준으로 장마 시작일이 늦은 해, 보통 해, 이른 해로 구분하여 관측과 예측의 결과를 비교한 분할 표(contingency table)이다.
왼쪽 상단에서부터 오른쪽 하단으로 이어지는 대각선 방향으로 24개 연도를 예측 모델이 잘 맞추었으며, 이는 총 기간의 72%에 해당하는 우수한 예측 결과이다.Table 1 is a contingency table that compares the results of observations and predictions by dividing the start date of the rainy season into the late, normal, and early years based on the dotted line in FIG.
The forecasting models fit well into 24 diagonal years leading from the top left to the bottom right, which is an excellent predictor of 72% of the total duration.
삭제delete
표 2는 예측 모델의 예측 성능을 정리한 표이다. 1982~2014년 기간의 관측 값과 예측 값의 상관계수는 0.73이고 평균 제곱근 편차는 0.56의 높은 예측 성능을 보이고 있다.
또한, 게러티 스킬 지수(Gerrity-skill score)는 0.697(예측이 100% 성공하면 최대 1의 값을 가짐)을 가져 예측이 잘 되었음을 보여주고 있다.
이와 같은 본 발명에 따른 장마 시작일의 물리통계 예측 모델은 장마 시작일의 경년 변동성에 영향을 주는 물리 현상에 초점을 두고 이와 연관되어 있는 경계 강제력인 봄철 해수면 온도를 사용하여 장마 시작일을 예측하는 것이다
이와 같이, 봄철 해수면 온도 자료를 사용하여 장마 시작일을 예측하여 장마철 강수량 변동을 파악하여 객관적 지표로 활용하고, 대규모 관점에서 장마 시작일의 변동과 관련된 물리학적 메커니즘을 파악하여 기상학적 관점에서 장마에 관한 이해도를 높일 수 있다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.Table 2 summarizes the prediction performance of the prediction model. The correlation coefficient between the observed and predicted values in the period 1982 to 2014 is 0.73 and the mean square root deviation is 0.56.
In addition, the Gerrity-skill score is 0.697 (assuming a maximum of 1 if the prediction is 100% successful).
The physical statistical prediction model of the rainy season start date according to the present invention focuses on the physical phenomenon that affects the interannual variability of the rainy season start date and predicts the rainy season start date using the spring sea level temperature which is a related forcing
In this way, it is possible to predict the rainy season start time using the spring sea surface temperature data, to grasp the fluctuation of rainy season precipitation, to use it as an objective indicator, and to understand the physical mechanism related to the fluctuation of the rainy season start date from a large scale perspective. .
As described above, it will be understood that the present invention is implemented in a modified form without departing from the essential characteristics of the present invention.
It is therefore to be understood that the specified embodiments are to be considered in an illustrative rather than a restrictive sense and that the scope of the invention is indicated by the appended claims rather than by the foregoing description and that all such differences falling within the scope of equivalents thereof are intended to be embraced therein It should be interpreted.
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
삭제delete
Claims (11)
제 1 단계에서 구한 해수면 온도 아노말리 자료를 이용하여 장마의 시작을 예측하기 위한 다중선형회귀 예측모델을 구성하는 선행인자를 계산하는 제 2 단계;
제 2 단계에서 계산된 선행인자를 구축된 다중선형회귀 예측모델에 대입하여 장마 시작일을 예측하는 제 3 단계;
제 3 단계에서 예측된 장마 시작일을 여름철에 관측된 장마 시작 지수와 비교하여 예측성능을 분석하는 제 4 단계;를 포함하는 것을 특징으로 하는 장마 시작의 물리 통계 예측 방법.The first step is to calculate the sea surface temperature anomalies affecting the expansion and migration of the North Pacific high pressure affecting the rainy season start date;
A second step of calculating a preceding factor constituting a multiple linear regression prediction model for predicting the start of the rainy season using the sea surface temperature anomaly data obtained in the first step;
A third step of predicting a rainy season start date by substituting the preceding factors calculated in the second step into the constructed multiple linear regression prediction model;
And a fourth step of analyzing the prediction performance by comparing the predicted rainy season start date with the rainy season start index observed in the summer season.
한반도 남동쪽에 고기압성 아노말리를 형성하여 고기압성 아노말리의 북서 가장자리의 남서풍에 의해 한반도 남쪽으로 유입되는 수증기량을 증가시켜 장마가 시작하도록 하는 북적도 중앙 태평양 지수(A) 및 북반구 태평양 지수(C)와,
한반도 남쪽의 고기압성 아노말리를 형성하고 서쪽으로 확장하여 장마가 시작하도록 하는 북대서양지수(B)를 포함하는 것을 특징으로 하는 장마 시작의 물리 통계 예측 방법.The method of claim 1,
(A) and the northern hemisphere Pacific Index (C), which cause the rainy season to begin by increasing the amount of water vapor entering the southern peninsula due to the southwest winds of the high pressure anomalies forming a high pressure anomaly in the southeast of the Korean peninsula, Wow,
(B) that forms a hypertonic anomaly south of the Korean Peninsula and extends westward to start the rainy season.
[165°~135°W, 0°~15°N] 영역을 4월 26일~5월 15일 기간에 대해 평균한 북적도 중앙 태평양 지수(A),
[0°~15°N, 55~30°W] 영역평균에서 [35°~45°N, 65~50°W] 영역평균을 뺀 뒤 3월 27일~4월 10일 평균에서 3월 12일~3월 26일 평균을 뺀 값을 가지는 북대서양지수(B),
[20°~40°N, 180°~140°W] 영역을 4월 16일~5월 5일 평균에서 3월 22일~4월 10일 평균을 뺀 값을 가지는 북반구 태평양 지수(C)를 갖는 것을 특징으로 하는 장마 시작의 물리 통계 예측 방법.2. The method of claim 1, wherein the preceding factors constituting the multiple linear regression prediction model of the beginning of the rainy season are:
(A), which is the average for the period from April 26 to May 15 [165 ° to 135 ° W, 0 ° to 15 ° N]
[0 ° to 15 ° N, 55 to 30 ° W] Subtract the area average [35 ° to 45 ° N, 65 to 50 ° W] from the area mean and subtract the area average from March 27 to April 10 to March 12 The North Atlantic index (B), which has a value minus the day-March 26 average,
The Northern Hemisphere Pacific Index (C), which has an average of 20 ° to 40 ° N, 180 ° to 140 ° W, minus the March 22 to April 10 average from April 16 to May 5, Wherein said method comprises the steps of:
정규화된 값으로 표현되는 장마 시작일 = 0.310A - 0.552B - 0.363C + 0.03인 것을 특징으로 하는 장마 시작의 물리 통계 예측 방법.3. The method of claim 1, wherein the multi-linear regression prediction model comprises a set of predictive factors, from 1982 to 2005,
Wherein the rainy season start date represented by the normalized value is 0.310A - 0.552B - 0.363C + 0.03.
정규화된 값으로 예측되는 장마 시작일을 쥴리안데이로 나타내기 위해서 예측 모델의 결정 계수 값에 1982년도부터 2005년도 기간의 자료에서 구해진 장마시작일의 표준편차를 곱하고 장마 시작일의 평균값을 더해주면,
장마 시작일(쥴리안데이) = 2.437A - 4.322B - 2.842C + 171로 변환되어 표현되는 것을 특징으로 하는 장마 시작의 물리 통계 예측 방법.
2. The method of claim 1, wherein in the multi-linear regression prediction model constructed in the third step,
In order to represent the day of the rainy season predicted by the normalized value as the Julian day, the standard deviation of the rainy season start date obtained from the data of the period from 1982 to 2005 is multiplied by the determination coefficient of the prediction model, and the average value of the rainy season start date is added,
(Julian Day) = 2.437A - 4.322B - 2.842C + 171. The method of predicting the physical statistics of the beginning of the rainy season.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140165597A KR101636897B1 (en) | 2014-11-25 | 2014-11-25 | Method for physically based forecasting of Changma Onset |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140165597A KR101636897B1 (en) | 2014-11-25 | 2014-11-25 | Method for physically based forecasting of Changma Onset |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160062613A KR20160062613A (en) | 2016-06-02 |
| KR101636897B1 true KR101636897B1 (en) | 2016-07-06 |
Family
ID=56135729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140165597A KR101636897B1 (en) | 2014-11-25 | 2014-11-25 | Method for physically based forecasting of Changma Onset |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101636897B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101954570B1 (en) * | 2018-02-08 | 2019-03-05 | 세종대학교산학협력단 | System and method for estimating drought outlook information using meteorological forecast data |
| KR20200049295A (en) * | 2018-10-31 | 2020-05-08 | 한국전력공사 | A method to predict health index transition and residual life for turbomachinery |
| KR102151352B1 (en) | 2019-05-21 | 2020-09-02 | 부산대학교 산학협력단 | Method and system for physical-statistical prediction for summer extreme temperature events over south korea |
| KR20230058838A (en) * | 2021-10-25 | 2023-05-03 | 이화여자대학교 산학협력단 | Method for predicting the probability distribution of ground temperature using a hybrid model, and coumputing apparatus for performing the mehthod |
| KR20230073697A (en) | 2021-11-19 | 2023-05-26 | 부산대학교 산학협력단 | System and Method for determining the beginning date of Changma |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101372498B1 (en) | 2013-03-08 | 2014-03-13 | 부산대학교 산학협력단 | System and method for determining onset of changma using ieodo observational data |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101055852B1 (en) | 2011-04-22 | 2011-08-09 | 부산대학교 산학협력단 | A technique for determining onset and withdrawal dates of changma |
| KR101429094B1 (en) * | 2012-12-24 | 2014-08-13 | 부산대학교 산학협력단 | System and Method for physically based forecasting of East Asian summer monsoon precipitation |
-
2014
- 2014-11-25 KR KR1020140165597A patent/KR101636897B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101372498B1 (en) | 2013-03-08 | 2014-03-13 | 부산대학교 산학협력단 | System and method for determining onset of changma using ieodo observational data |
Non-Patent Citations (2)
| Title |
|---|
| 권재일 외 1인, '앙상블 겅험적 모드 분해법을 이용한 우리나라 봄 시작일에 관한 연구', 대한지리학회, 제49권, 제5호, 2014.10. |
| 김재훈 외1 인, '1993/1994년을 기점으로 나타난 한반도 여름철 강수량 변동의 종관기후학적 원인', 한국기상학회, 대기, 제22권, 제4호, 2012. |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101954570B1 (en) * | 2018-02-08 | 2019-03-05 | 세종대학교산학협력단 | System and method for estimating drought outlook information using meteorological forecast data |
| KR20200049295A (en) * | 2018-10-31 | 2020-05-08 | 한국전력공사 | A method to predict health index transition and residual life for turbomachinery |
| KR102119661B1 (en) * | 2018-10-31 | 2020-06-08 | 한국전력공사 | A method to predict health index transition and residual life for turbomachinery |
| KR102151352B1 (en) | 2019-05-21 | 2020-09-02 | 부산대학교 산학협력단 | Method and system for physical-statistical prediction for summer extreme temperature events over south korea |
| KR20230058838A (en) * | 2021-10-25 | 2023-05-03 | 이화여자대학교 산학협력단 | Method for predicting the probability distribution of ground temperature using a hybrid model, and coumputing apparatus for performing the mehthod |
| KR102646812B1 (en) | 2021-10-25 | 2024-03-13 | 이화여자대학교 산학협력단 | Method for predicting the probability distribution of ground temperature using a hybrid model, and coumputing apparatus for performing the mehthod |
| KR20230073697A (en) | 2021-11-19 | 2023-05-26 | 부산대학교 산학협력단 | System and Method for determining the beginning date of Changma |
| KR102621136B1 (en) | 2021-11-19 | 2024-01-04 | 부산대학교 산학협력단 | System and Method for determining the beginning date of Changma |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20160062613A (en) | 2016-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101636897B1 (en) | Method for physically based forecasting of Changma Onset | |
| Schaller et al. | 20. THE HEAVY PRECIPITATION EVENT OF MAY–JUNE 2013 IN THE UPPER DANUBE AND ELBE BASINS | |
| Luo | Defining spatiotemporal characteristics of climate change trends from downscaled GCMs ensembles: how climate change reacts in Xinjiang, China | |
| CN107103396B (en) | Chinese seasonal climate prediction technique based on the modeling of main SVD mode | |
| KR101785041B1 (en) | System and method for physically based ensemble forecasting of Changma precipitation | |
| Ning et al. | Probabilistic projections of anthropogenic climate change impacts on precipitation for the mid-Atlantic region of the United States | |
| KR101646587B1 (en) | Hybrid seasonal prediction of the Western North Pacific Tropical Cyclone Activity | |
| Takemi et al. | Assessing the impacts of global warming on meteorological hazards and risks in Japan: Philosophy and achievements of the SOUSEI program | |
| CN113435630A (en) | Basin hydrological forecasting method and system with self-adaptive runoff yield mode | |
| Knutson et al. | Dynamical downscaling projections of 21st century Atlantic hurricane activity: CMIP3 and CMIP5 model-based scenario | |
| KR101563244B1 (en) | System and Method for physically based forecasting of Changma precipitation | |
| Faško et al. | 20-year extraordinary climatic period in Slovakia | |
| Kuo et al. | Association of Taiwan's October rainfall patterns with large-scale oceanic and atmospheric phenomena | |
| Horton et al. | Climate risks | |
| KR101257874B1 (en) | Method for estimating daily minimum temperature over closed catchment | |
| Otkin et al. | A comparison of microphysical schemes in the WRF model during a severe weather event | |
| Barlage et al. | Human Impacts on Land Surface‐Atmosphere Interactions | |
| Yasuda et al. | Asian monsoon predictability in JMA/MRI seasonal forecast system | |
| Halim | Delta change method with cyclic covariate generalized extreme value model for downscaling extreme rainfall | |
| Dias et al. | Statistical prediction of minimum and maximum air temperature in California and western North America | |
| Carey-Smith et al. | Changes in precipitation extremes for New Zealand: climate model predictions | |
| Chu et al. | Impact of climate change on Shihmen reservoir water supply | |
| Bocheva et al. | RECENT CLIMATE ASSESSMENT AND FUTURE CLIMATE CHANGE IN BULGARIA-BRIEF ANALYSIS | |
| Rasmy et al. | Identifying gaps and opportunities between statistical and dynamical downscaling approaches over Shikoku island, Japan | |
| Pereyra-Castro et al. | Wind Power Ramp Characteristics over Northern Mexico |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190529 Year of fee payment: 4 |