국내 기상자료의 시공간 변화 특성에 관한 분석

Analysis of Spatio-Temporal Change in Domestic Meteorological Data

시공간 데이터(Spatio-temporal data)는 공간적 특성과 시간적 특성을 동시에 가지므로, 일반적인 통계 분석만으로는 정확한 해석이 어렵다. 공간적 자기 상관성으로 인접한 지역끼리 유사한 특성을 보이는 경향이 있고, 시간에 따라 데이터가 변하기도 하여 단순한 공간적 분석만으로 미래의 변화를 예측하기 어렵다. 따라서 공간적 의존성과 시간적 변화를 고려한 시공간 통계 분석기법이 필요하며 이를 통해 더 정밀한 패턴 분석 및 예측이 가능하다. 본 논문에서는 기상청에서 제공하는 기상자료 개방포털(https://data.kma.go.kr/cmmn/main.do)에 기반하여 지난 1981년부터 2022년까지 동안 전국 48개의 관측소로부터 획득된 7월의 지표면 평균온도 데이터를 분석하고자 한다. 7월은 북반구에서 가장 더운 달로 지구 온난화 영향을 평가하는 데 중요한 지표가 될 수 있고, 에너지 수요 예측에 주요한 요인이 되며, 폭염 등의 건강 지표 예측 및 농업 생산량 변화에도 주요한 요인이 될 수 있다. 획득한 데이터는 명확하게 시공간 데이터로 분류되므로 시공간 통계적 방법을 사용하여 분석을 진행하고자 한다. 구체적으로 시공간 자료를 시각화하여 탐색적 자료 분석을 진행 한다. 경험적 공변도 분석을 통하여 시공간의 패턴을 관찰하고 역 거리 가중치 방법을 사용하여 특정 지역과 시점에서의 7월 평균온도를 예측한다. 또한 공간 기저 함수를 사용하여 시공간적 회귀 모형을 적합하고 모형에 대한 회귀진단을 진행한다.

Spatio-temporal data have the spatial and temporal characteristics, making it difficult to interpret accurately using conventional statistical analysis alone. Due to spatial autocorrelation, neighboring regions tend to exhibit similar properties, and the data also change over time, making it challenging to predict future variations based only on the spatial analysis. Therefore, it is essential to apply spatio-temporal statistical analysis methods that consider both spatial dependence and temporal changes, enabling more precise pattern analysis and forecasting. In this study, we analyze the surface average temperature data for July, obtained from the Korea Meteorological Administration's Open Data Portal (https://data.kma.go.kr/cmmn/main.do), covering the period from 1981 to 2022 and collected from 48 observation stations nationwide. July is the hottest month in the Northern Hemisphere, serving as a crucial indicator for assessing the impact of global warming. It is also a key factor in forecasting energy demand and plays a significant role in predicting health indicators such as heatwaves and variations in agricultural productivity. Since the acquired dataset is clearly classified as spatio-temporal data, we employ spatio-temporal statistical methods for analysis. Specifically, we conduct exploratory data analysis by visualizing the spatio-temporal data, the empirical covariance analysis and predict the average surface temperature for July at specific locations and time points using the inverse distance weighting method. Additionally, we fit a spatio-temporal regression model using spatial basis functions and perform diagnostic checks on the model.