진해만 해양수질 분석 번역(한국어 원본)INTRODUCTION
공간적 패턴의 발견은 데이터분포 특성을 보다 잘 이해할 수 있게 하고 시공간에서의 공간분포의 변화를 추적 가능하게 한다(Mitchell 2005). 최근 공간자기상관지수를 이용한 연구사례로는 도시지역의 상업토지 지가의 공간적인 분포 변화패턴을 분석한 경우(Limin & Yaolin, 2012)와 토양의 중금속 오염 공간분포패턴을 분석하여 샘플링 자료가 없는 지역의 잠재적 위험을 예측하는 등(Hone, 2011) 다양한 분야에서 효과적으로 활용되고 있다. 그러나 해양에서 발생하는 각종 시공간적 변화특성은 해양공간이라는 특수성과 그 생성 요인이 매우 다양하고 복잡하여 정확히 파악하는데는 어려움이 따른다.
공간적 자기상관성에 대한 계량분석은 Moran(1948)과 Krihna lyer(1949)에 의해 시도된 이후 Tobler(1970)가 공간적 자기상관 개념을 정의하였다. 글로벌 공간자기상관 지수인 Moran’s Index는 표본의 속성과 공간적 위치를 함께 고려하여 공간패턴을 정략적으로 분석할 수 있는 방법이다. 이는 대상지역 전체의 패턴을 하나의 지수로 나타내는 것으로써 공간적인 분포를clustered, random, dispersed pattern등으로 구분시킬 수 있다(Cliff and Ord 1973).
본 연구대상 지역인 진해만의 경우 Kim(2013)에 의해 수질의 공간적, 계절적 변화 연구가 상관분석과 주성분분석으로 수행된 바 있으나, 수질항목의 공간분포패턴에 대한 연구는 시도되지 않았다. 따라서 본 연구에서는 해양수질자료의 계절적인 공간분포패턴과 전통적인 통계기법인 비공간적 상관분석 결과를 비교하여 서로 어떠한 관계를 보이는지 공간군집 측면에서 공간분포를 새롭게 해석하기 위한 방법론을 제시하고자 하였다.
MATERIALS AND METHODS
연구대상 지역은 한국 남해에 위치한 진해만이다. 연구자료는 진해만의23개 정점 (station)에서 2010년부터 2012년까지 사계절에 관측한 표층 해수(sea surface layer)의 7개 수질항목인 seawater temperature, DO, COD, chlorophyll-a, silicate, ammonium, total organic carbon (TOC)를 사용하였다 (Figure 1).
각 수질 항목의 공간분포패턴을 분석하기 위해 공간자기상관(spatial autocorrelation) 측정기법(measurement method)인 Globall Moran’s Index를 이용하였다. Moran’s I를 측정하기 위한 공간 인접성(spatial contiguity) 은 Gabriel network으로 연결된 정점으로 정의하였다.
Gabriel network을 생성하기 위해 Visual Basic을 이용하여 GAMIZ (Gabriel network, Moran’s I and its Z-score)라는 program을 개발하였다. 이 프로그램의 실행화면은 Figure 2와 같다. 이 프로그램의 입력자료 형식은shape 파일이며, 프로그램의 처음 실행 단계에서는 각각의 point를 한 쌍씩 자동으로 연결시킨다. 이후의 실행 단계에서는Gabriel network를 만들어 Moran’s I와 Z-score를 각각 계산하게 된다.
특히, 이 프로그램은 자동으로 생성된 Gabriel network을 수동으로 편집할 수 있다는 장점이 있다. 즉, 복잡한 해안지형이 있는 만(bay)과 같은 해역에서 관측지점간의 공간 인접성 정의 시 실제 지형을 고려하여 network를 부분적으로 삭제할 수 있다. Figure 1의 A, B, C, D와 Figure2의 bolded red line은 진해만의 지형적인 특징을 고려하여 삭제시킨 network이다. 따라서 본 프로그램을 통해 지리적으로 장벽(geographical barrier)이 있는 경우 보다 현실적인 Moran’s Ix를 구할 수 있게 된다.
RESULTS AND DISCUSSION
7개 수질 항목에 대한 Moran’s I 계산 결과를 이용해 계절별로 공간적 군집패턴을 보이는 출현빈도를 정리한 결과는 Table 2와 같다. 공간군집 패턴의 출현빈도는 가을과 겨울철이 봄과 여름철에 비해 높게 나타났다. 또한 3년 중 2년이상 군집패턴을 보인 항목은seawater temperature, chlorophyll-a, silicate, TOC 였다. 따라서 군집 출현빈도가 가장 높은 가을철(57%)만을 대상으로 수질항목간 Spearman correlation analysis를 수행하였다 (Table 3).
가을철 sea temperature와 chlorophyll-a의 경우 각각 3회와 2회의 높은 군집빈도를 보였으나 상관성은 없는 것으로 나타났다. 이와 같이 공간적으로 군집된 패턴을 보이는 항목이라 하더라도 반드시 상관성이 높지 않은 경우가 있음을 알 수 있다. 따라서 7개 수질 항목간의 상관계수(correlation coefficient, r)와 각 항목별Moran’s I와의 관계(relationship)를 비교하기 위해 다음과 같은 4가지 경우에 해당하는 수질항목을 찾아 공간분포도를 제작하였다.
Case 1. Moran’s I 가 둘 다 높은 경우, case 2. r은 높으나Moran’s I가 낮은 경우, case 3. r은 낮으나 Moran’s I가 높은 경우, case 4. r 과Moran’s I가 모두 낮은 경우.
Figure 3의 (a)와 (b)는case 1 에 해당한다. 두 수질항목 (silicate & temperature) 간의 r은 0.53으로 상관성이 있으면서, Moran’s I값은 각각 0.30과 0.56으로 공간적으로도 군집된 경우이다. 높은 값과 낮은 값이 모두 동일 지역에서 군집된 분포패턴(clustered distribution pattern)을 보인다.
Figure 4의 (a)와 (b)는case 2 에 해당한다. 두 수질항목 (chlorophyll-a & TOC) 간의 r은 0.60으로 상관성이 높지만, Moran’s I 값이 각각 -0.01과 -0.02로 공간적으로 군집되지 않은 경우이다. 값이 높고 낮은 지역이 거의 같지만 공간적으로는 분산된 분포패턴을 보인다.
Figure 5의 (a)와 (b)는 case 3 에 해당한다. 두 수질항목 (silicate & TOC) 간의 r은 -0.04로 상관성이 거의 없으나, Moran’s I값은 각각 0.30과 0.28로 공간적으로는 군집되어 있다. 높은 값과 낮은 값이 서로 다른 지역에 위치하면서 군집된 공간분포패턴을 보인다.
Figure 6의 (a)와 (b)는 case 4 에 해당한다. 두 수질항목 (DO & Ammonia) 간의 r이 0.11로 상관성이 거의 없으면서, Moran’s I 값도 각각 -0.10과 -0.06으로 분산된 공간분포패턴을 보인다. 따라서 두 항목간 값이 높고 낮은 지역이 서로 상반된 지역에 위치하는 패턴을 보인다. CONCLUSION
본 연구를 통해 한국의 진해만에서3년간 계절별로 관측한 수질의 분포 특성을 Moran’s Index와 상관계수로 비교 분석한 결과는 다음과 같다.
1) 한국의 진해만과 같이 복잡한 해안지형을 가진 해역에서는Gabriel notwork을 이용한 Moran’s Index의 측정이 보다 합리적이다.
2) 사계절 중 봄과 여름철에 비해 가을과 겨울철에 수질항목의 공간적 군집패턴이 잘 나타났다. 이것을 통해볼 때 진해만의 수질의 분포 특성은 계절의 영향을 받는 것으로 보여진다.
3) 수질 항목간의 관계를 비공간 데이터로써 분석한 상관계수 r(correlation coefficient)과 공간데이터로써 분석한 Moran’s Index를 상호 비교한 결과 4가지의 대표적인 공간분포패턴으로 요약할 수 있었다. r과 Moran’s I 가 모두 높은 경우, r은 높으나Moran’s I 가 낮은 경우, r은 낮으나Moran’s I가 높은 경우, r과Moran’s I가 모두 낮은 경우.
4) 본 연구에서는 공간자기상관지수에 의한 군집패턴과 속성자료간의 상관관계를 함께 검토해 봄으로써 해양수질환경의 공간적 분포특성을 정량화 하여 분석하기 위한 방법론을 제시하였다.
따라서 연안지역에서 해양수질환경의 특성을 이해하기 위해서는 전통적인 통계분석 방법인 상관분석은 물론 공간자기상관 분석도 함께 병행하여 종합적으로 해석할 필요가 있으며 향후 기상자료, 생태조사자료등과의 관련성 파악을 위한 추가적인 연구가 필요할 것이다. |
진해만 해양수질 분석 번역(영어 번역본)INTRODUCTION
Discovery of a spatial pattern helps understand characteristics of data distribution and enables tracking of spatiotemporal changes in spatial distribution (Mitchell 2005). Recent studies have adopted spatial autocorrelation measure in various applications such as the analysis of change in spatial distribution pattern of commercial land price in cities (Limin & Yaolin, 2012) and to the prediction of potential risk of soil contamination by heavy metal in regions lacking sampling data by analyzing spatial distribution pattern of the contamination (Hone, 2011). However, spatiotemporal characteristics of changes in ocean are very diverse and complicated due to the distinct property of ocean and the various causes for the changes, and therefore cannot be easily analyzed.
Quantitative analysis of spatial autocorrelation has been first attempted by Moran (1948) and Krishna Iyer (1949), and Tobler (1970) defined the concept of spatial autocorrelation. Moran’s Index (Moran’s I), which is a measure of global spatial autocorrelation, can be used for quantitative analysis taking into account both sample characteristics and spatial position. The measure expresses pattern of a whole region being analyzed as a single index, and spatial distribution may be classified as clustered, random, or dispersed pattern (Cliff and Ord 1973).
Kim (2013) has analyzed spatial and seasonal changes in water quality of Jinhae Bay using correlation analysis and principal component analysis, but no study has been attempted on the spatial distribution pattern of water quality of Jinhae Bay. In this study, results of seasonal spatial distribution pattern and aspatial correlation analysis, which is a traditional statistical method , of sea water quality data have been compared, and a new methodology for analyzing spatial distribution from the perspective of spatial cluster was presented .
MATERIALS AND METHODS
Jinhae Bay, which is located at the South Sea of Korea, was analyzed in this study. Seven water quality indicators (seawater temperature, DO, COD, chlorophyll-a, silicate, ammonium, and total organic carbon (TOC)) of sea surface layer were collected at 23 stations along the bay from 2010 through 2012 (Figure 1).
In order to analyze the spatial distribution pattern of each water quality indicator, global Moran’s I, which is a spatial autocorrelation measure, was used. Spatial contiguity for measurement of Moran’s I was defined by stations connected on the Gabriel network.
The GAMIZ (Gabriel network, Moran’s I and its Z-score) program was created on Visual Basic language in order to generate the Gabriel network. Execution screen of the program is shown in Figure 2. Input data format is the shape file. At the first execution stage of the program, each pair of points is automatically connected. Afterwards, the Gabriel network is created for calculation of Moran’s I and Z-score.
Especially, an advantage of the program is that it can be used to manually edit an automatically generated Gabriel network. In other words, the network can be partially deleted to reflect the actual topography when defining spatial contiguity between observation stations in complex coastal topography such as bay.
A, B, C, and D in Figure 1 and bold red line in Figure 2 are the networks deleted to reflect topographical characteristics of Jinhae bay. Therefore, a more realistic Moran’s I can be obtained when there exist geographical barriers.
RESULTS AND DISCUSSION
Frequency of spatial clustering pattern of the seven water quality indicators for each season has been calculated using Moran’s I (Table 2). Frequency of spatial clustering pattern was higher in autumn and winter compared to spring and summer. Also, seawater temperature, chlorophyll-a, silicate, and TOC showed clustering pattern for two or more years out of three years. Therefore, Spearman correlation analysis between water quality indicators was performed for only autumn, which exhibited the highest frequency of clustering pattern (57%, Table 3).
Although cluster frequency in autumn for sea temperature was three times and for chlorophyll-a was two times, but they were not correlated. This example demonstrated that indicators with spatial clustering pattern do not necessarily have high correlation. Therefore, water quality indicators corresponding to the following four cases were identified and a spatial distribution map was created in order to compare correlation coefficients (r) between the seven water quality indicators and Moran’s I for each indicator.
Case 1. r and Moran’s I are both high; Case 2. r is high but Moran’s I is low; Case 3. r is low but Moran’s I is high; and Case 4. r and Moran’s I are both low.
Figure 3’s (a) and (b) correspond to Case 1. Silicate and temperature were correlated with r of 0.53, and they were also spatially clustered as the Moran’s I values were 0.30 and 0.56, respectively. High and low correlation coefficients both exhibited clustered distribution pattern in the same region.
Figure 4’s (a) and (b) correspond to Case 2. Chlorophyll-a and TOC were highly correlated with r of 0.60, but they were not spatially clustered as the Moran’s I values were -0.01 and -0.02, respectively. Regions with high and low values were very similar, but distribution pattern was spatially dispersed.
Figure 5’s (a) and (b) correspond to Case 3. Silicate and TOC were not correlated with r of -0.04, but they were spatially clustered as the Moran’s I values were 0.30 and 0.28, respectively. High and low values were located in different regions but spatial distribution pattern was clustered.
Figure 6’s (a) and (b) correspond to Case 4. DO and ammonia were not correlated with r of 0.11, and they exhibited spatial distribution pattern that was dispersed as evidenced by Moran’s I values of -0.10 and -0.06, respectively. Therefore, regions with high and low values for the two indicators were located in opposite locations, i.e., a region with high DO concentration tended to have low ammonia concentration and vice versa. CONCLUSION
In this study, distribution of water quality of Jinhae Bay that has been measured seasonally for three years has been analyzed by comparing Moran’s I and correlation coefficient. The results are as follows.
1) Measurement of Moran’s I using Gabriel network is more reasonable in regions with complex coastal topography as in Jinhae Bay.
2) Frequency of spatial clustering pattern of water quality indicators was higher in autumn and winter compared to spring and summer. This implies that water quality distribution of water quality of Jinhae Bay is affected by the season.
3) By comparing correlation coefficient (r), which is aspatial data of relationship between the water quality indicators, and Moran’s I, which is spatial data, each pair of water quality indicators was classified into four representative spatial distribution patterns: both r and Moran’s I were high, 2) r was high but Moran’s I was low, 3) r was low but Moran’s I was low, or 4) both were low.
4) By evaluating clustering pattern using spatial autocorrelation index and correlation between water quality indicators at the same time, this study presented a new methodology for quantitative analysis of spatial distribution of sea water quality environment.
In order to understand characteristics of sea water quality environment in coastal regions, it is necessary to conduct correlation analysis, which is a traditional statistical analysis method, as well as spatial autocorrelation analysis for more comprehensive analysis. Additional research is required in the future to identify relationship with weather data and ecological survey data. |
