ETCCDI Climate Change Indice 분석

👨‍💻 ETCCDI Climate Change Indice 정리

1. ETCCDI

“Expert Team on Climate Change Detection and Indices”의 약어로, 기후 변화 감지 및 지표에 관한 전문 팀. ETCCDI는 세계 기상 기구(WMO)와 세계 기후 연구 프로그램(WCRP)의 일환으로 활동하는 국제적인 연구 그룹임

2. ETCCDI Climate Change Indice

CCl/CLIVAR Working Group (WG)는 ETCCDI Climate Change Indice에 대한 40개의 지수를 승인하였다

이후 The joint CCl/CLIVAR/JCOMM Expert Team이 극치사상을 정량화 하기위해 “Guidelines on Analysis of extremes in a changing climate in support of informed decisions for adaptation, 2009”를 제시, 강우와 기온에 관하여 각각 11개, 16개로 구성된 27개의 지수를 제시하였다. 지수에 대한 자세한 설명은 ETCCDI 메뉴얼을 참고한다.

3. ETCCDI Climate Change Indice의 도입 필요성

기후 변화는 기후의 평균값, 변동성, 극값, 기후 사건의 빈도 및 강도 등에 영향을 미친다. 이러한 기후 변화의 영향을 평가하기 위해서는 기후 변화의 영향을 미치는 요인을 정량화 할 수 있는 지표가 필요하다. 이러한 지표를 ETCCDI Climate Change Indice라고 한다.

4. ETCCDI Climate Change Indice의 종류

메뉴얼의 APPENDIX A: List of ETCCDMI core Climate Indices을 따른다

ID	Indicator name	Definitions	UNITS
FD0	Frost days	Annual count when TN(daily minimum)<0ºC	Days
SU25	Summer days	Annual count when TX(daily maximum)>25ºC	Days
ID0	Ice days	Annual count when TX(daily maximum)<0ºC	Days
TR20	Tropical nights	Annual count when TN(daily minimum)>20ºC	Days
GSL	Growing season Length	Annual (1st Jan to 31st Dec in NH, 1st July to 30th June in SH) count between first span of at least 6 days with TG>5ºC and first span after July 1 (January 1 in SH) of 6 days with TG<5ºC	Days
TXx	Max Tmax	Monthly maximum value of daily maximum temp	ºC
TNx	Max Tmin	Monthly maximum value of daily minimum temp	ºC
TXn	Min Tmax	Monthly minimum value of daily maximum temp	ºC
TNn	Min Tmin	Monthly minimum value of daily minimum temp	ºC
TN10p	Cool nights	Percentage of days when TN<10th percentile	Days
TX10p	Cool days	Percentage of days when TX<10th percentile	Days
TN90p	Warm nights	Percentage of days when TN>90th percentile	Days
TX90p	Warm days	Percentage of days when TX>90th percentile	Days
WSDI	Warm spell duration indicator	Annual count of days with at least 6 consecutive days when TX>90th percentile	Days
CSDI	Cold spell duration indicator	Annual count of days with at least 6 consecutive days when TN<10th percentile	Days
DTR	Diurnal temperature range	Monthly mean difference between TX and TN	ºC
RX1day	Max 1-day precipitation amount	Monthly maximum 1-day precipitation	Mm
Rx5day	Max 5-day precipitation amount	Monthly maximum consecutive 5-day precipitation	Mm
SDII	Simple daily intensity index	Annual total precipitation divided by the number of wet days (defined as PRCP>=1.0mm) in the year	Mm/day
R10	Number of heavy precipitation days	Annual count of days when PRCP>=10mm	Days
R20	Number of very heavy precipitation days	Annual count of days when PRCP>=20mm	Days
Rnn	Number of days above nn mm	Annual count of days when PRCP>=nn mm, nn is user defined threshold	Days
CDD	Consecutive dry days	Maximum number of consecutive days with RR<1mm	Days
CWD	Consecutive wet days	Maximum number of consecutive days with RR>=1mm	Days
R95p	Very wet days	Annual total PRCP when RR>95th percentile	Mm
R99p	Extremely wet days	Annual total PRCP when RR>99th percentile	mm
PRCPTOT	Annual total wet-day precipitation	Annual total PRCP in wet days (RR>=1mm)	mm

5. RClimDex를 사용한 ETCCDI Climate Change Indice의 계산 방법

5.1. RClimDex

• RClimDex는 R을 이용한 ETCCDI Climate Change Indice 계산 패키지이다. RClimDex는 기후 변화 지표를 계산하기 위한 R 패키지로, 기후 변화 지표를 계산하기 위한 R 함수를 제공한다. RClimDex

• Python에서 RClimDex를 사용하기 위해서는 이식버전인 pyclimdex를 사용한다. pyclimdex는 RClimDex의 R 함수를 Python으로 포팅한 것이다. pyclimdex

5.2. 입력 데이터 형식

• 입력데이터의 형식은 메뉴얼의 APPENDIX B: Input Data Format을 따른다.

• 읽거나 쓰는 모든 데이터 파일은 목록 형식입니다. 단, ‘품질 관리’ 단계에서 처리되는 첫 번째 데이터 파일은 예외입니다. 이 입력 데이터 파일에는 몇 가지 요구 사항이 있습니다:

1. ASCII 텍스트 파일
2. 다음 순서의 열: 연도, 월, 일, PRCP, TMAX, TMIN. (참고: PRCP 단위 = 밀리미터, 온도 단위 = 섭씨).
3. 위에 설명된 형식은 공백으로 구분해야 합니다(예: 각 요소는 하나 이상의 공백으로 구분).
4. 데이터 기록의 경우 누락된 데이터는 -99.9로 코딩해야 하며, 데이터 기록은 달력 날짜 순이어야 합니다. 누락된 날짜는 허용됩니다.

• 예시

1915 01 01 0.0000 -1.1095 -10.4922
1915 01 02 0.0306 -2.5678 -11.8757
1915 01 03 0.0000 -5.6643 -13.6188

6. RClimDex를 사용한 ETCCDI Climate Change Indice 계산

6.1. 분석대상 지역 설정

• 기후변화에있어 극한지수는 농업에 큰 영향을 끼칠것으로 사료된다. 따라서 농업생산량이 높은 지역인 경상도를 분석대상 지역으로 설정한다.

6.2. 분석대상 기간 설정

• 1990년부터 2020년까지의 기간을 분석대상 기간으로 설정한다.

6.3. 데이터 구축

• 기상데이터는 ASOS데이터를 사용한다. ASOS데이터는 기상청에서 제공하는 공공데이터이다. Link
• asos 데이터는 10년간 일 데이터를 제공한다. 따라서 1990년부터 2020년까지의 30년간의 데이터를 구축하기 위해서는 3개의 데이터를 다운받아야 한다.
• 데이터들을 단일 폴더에 저장하고 다음 코드를 실행한다. 단 폴더내 처리할 데이터 외에 다른 데이터가 없어야 한다.(glob ‘*.csv’ 패턴을 사용하기 때문)

import pandas as pd
import glob

#set options
startDate = '1990-01-01'
endDate = '2019-12-31'

if __name__ == '__main__':
    
    # load data
    dataList = [pd.read_csv(data,encoding='euc-kr') for data in glob.glob('*.csv')]
    dataSet = pd.concat(dataList, axis=0, ignore_index=True)
    #preprocessing
    dataSet[ '일강수량(mm)'].fillna(0, inplace=True)
    for col in ['최저기온(°C)', '최고기온(°C)', '일강수량(mm)']:
        dataSet[col].fillna(method='bfill', inplace=True)
    print('NaN 값 개수: ', dataSet.isna().sum().sum())
    dataSet.drop_duplicates(inplace=True,subset=['지점','지점명','일시'])
    dataSet['일시']=pd.to_datetime(dataSet['일시'])
    dataSet['Y'] = dataSet['일시'].dt.year
    dataSet['M'] = dataSet['일시'].dt.month.astype(str).apply(lambda x: x.zfill(2))
    dataSet['D'] = dataSet['일시'].dt.day.astype(str).apply(lambda x: x.zfill(2))
    dataSet['StaID']=dataSet['지점'].astype(str)+dataSet['지점명']
    dataSet.sort_values(by=['일시'], inplace=True)
    dataSet = dataSet[(dataSet['일시'] >= startDate) & (dataSet['일시'] <= endDate)]
    dataSet.drop(['지점', '지점명', '일시'], axis=1, inplace=True)
    dataSet=dataSet[['StaID','Y','M','D','일강수량(mm)','최고기온(°C)','최저기온(°C)']]
    print('출력데이터 형식\n', dataSet.iloc[0])
    #save with station ID
    for station in dataSet['StaID'].unique():
        #get standard dev for 기온
        tempDev=max([dataSet.loc[dataSet['StaID']==station, '최고기온(°C)'].std(), dataSet.loc[dataSet['StaID']==station, '최저기온(°C)'].std()])
        #get max prcp
        prcpMax=dataSet.loc[dataSet['StaID']==station, '일강수량(mm)'].max()
        dataSet[dataSet['StaID']==station].drop(['StaID'], axis=1).to_csv(f'{station}_pM{prcpMax}_tD{tempDev}.csv', index=False)
        print(f'{station}.txt saved')

6.4. RClimDex 실행 및 분석

강우지표

• RX1/RX5: 울릉지역 및 거창과 함양부근에서 SLOPE의 상승이 확인됨, 내륙지역에서 약한 상승을 보임.

• R10/R20: 울릉지역에서 SLOPE가 상승하며 내륙지역에서는 SLOPE의 큰 변화가 없거나 약한 하락을 보임.

• PRCPTOT: 내륙지역에서의 SLOPE는 대체적으로 하강하는 상황으로 강우 총량의 감소가 있음을 알 수 있음. 울릉지역과 해안지역의 경우 SLOPE가 상승하여 변화하는 해안 기후가 강우량을 높였음을 유추 할 수 있음.

• 전체적으로 추세선은 1990년 부터 2005년 까지 상승세를 보였으며 이후 감소하는 양상을 보임, 월간 강우의 최대 값은 상승하나 연간 내륙 지역 강우량은 감소하며 울릉 및 해안지역에서 강우량SLOPE는 상승함.

온도지표

• FD0: 울진 지역을 제외한 대부분의 지역에서 SLOPE가 하락세를 보임.

• SU25: 모든지역에서 SLOPE가 상승하며 영덕지역에서 SLOPE의 상승이 가장 큼.

• TXx: 모든지역에서 SLOPE가 약간 상승하며 영덕지역에서 SLOPE의 상승이 가장 큼.

• TNn: 거의 동일한 비율로 감소하는 지역과 상승하는 지역이 있으나. 최대 SLOPE의 변화율은 대체로 상승함(김천).

• 전체적으로 추세선은 0도 이하 온도 지표인 FD0를 제외하고 상승을 보이고 있음으로 기후변화로 인한 온도의 전반적인 상승이 있음을 유추 가능함. 해안지역에서는 영덕과 울진, 내륙지역에서는 상주와 김천지역에서 그 변화율이 크다는것을 확인 할 수 있음.