KR101460411B1 - 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법 - Google Patents

다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법 Download PDF

Info

Publication number
KR101460411B1
KR101460411B1 KR1020120133461A KR20120133461A KR101460411B1 KR 101460411 B1 KR101460411 B1 KR 101460411B1 KR 1020120133461 A KR1020120133461 A KR 1020120133461A KR 20120133461 A KR20120133461 A KR 20120133461A KR 101460411 B1 KR101460411 B1 KR 101460411B1
Authority
KR
South Korea
Prior art keywords
physical
entity
simulation
combination
model
Prior art date
Application number
KR1020120133461A
Other languages
English (en)
Other versions
KR20140066351A (ko
Inventor
홍승범
박선기
최용상
Original Assignee
이화여자대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이화여자대학교 산학협력단 filed Critical 이화여자대학교 산학협력단
Priority to KR1020120133461A priority Critical patent/KR101460411B1/ko
Publication of KR20140066351A publication Critical patent/KR20140066351A/ko
Application granted granted Critical
Publication of KR101460411B1 publication Critical patent/KR101460411B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 기술분야는 모델 최적화 알고리즘을 다중 물리 조합 모델에 적용하여, 가용할 수 있는 물리 모수화 기법에서 단일 또는 복수의 목표 변수에 대한 모의 정확도를 극대화하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법에 관한 것이다.

Description

다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법{method for obtaining the best optimized model through coupling a multi-scheme model and a genetic algorithm}
본 발명의 기술분야는 모델 최적화 알고리즘을 다중 물리 조합 모델에 적용하여, 가용할 수 있는 물리 모수화 기법에서 단일 또는 복수의 목표 변수에 대한 모의 정확도를 극대화하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법에 관한 것이다.
기상, 지표, 기후, 수문 모델과 같이 자연 현상들을 규명하기 위해 개발된 모델들은 복수의 변수들에 대하여 각각의 모수화 기법들이 유기적으로 복잡하게 결합되어 있는 것이 특징이다. 또한, 같은 물리 영역이라 하더라도, 개발된 연구진, 대상지역, 개발 목적에 따라 모수화 기법들이 다양하게 개발 되어 왔고, 이로 인하여, 기존의 개발된 모델을 특정 목적, 특정 지역에 적용하기 위해, 각각 모수화 기법들의 불확정 매개변수들을 보정하는 것이 필수적이었다.
그러나, 매개변수 보정만으로는 특정 모델의 특정 변수에 대해서만 일정 정도의 정확도 향상만을 이끌어 낼 수 있을 뿐이고, 실제 자연현상들 사이에서의 유기적 상호관계에 대한 이해 증진과 그에 따른 근본적인 모델 개선을 이끌어 내는 데에는 한계가 있다. 다시 말해, 어느 한 변수에 대한 모의 정확도 향상이 그 변수와 연계된 다른 영역에서의 변수들에 대한 모의 성능에 악영향을 미칠 수 있는 문제점이 있다.
최근 들어, 많이 활용되고 몇몇 모델들은 특정 영역에서 각 지역 특성이 잘 반영되도록 개발된 모수화 기법들을 선택하여 적용할 수 있도록 다중 물리 조합을 가능하게 만들어 왔다. 이러한 모델들의 장점은 기존의 모수화 기법들을 활용하여 특정지역 특정 목적에 맞는 물리 조합, 즉 그러한 조합을 통해 독립적인 모델을 만들어 향후 개발의 기초가 되는 원형모델을 구성하는데 아주 적합하다.
그러나, 너무 많은 선택 옵션과 그에 따른 수많은 물리 조합의 경우의 수로 인하여 각각의 모수화 기법들이 서로 다른 영역의 모수화 기법들과 유기적 결합에서 나타나는 장단점들에 대한 충분한 연구가 이루어지지 못하고 있다.
언급한 모델의 대표적인 예로는 지역기후 모델인 WRF모델과, 지면 수문현상을 모의하는 다중 물리조합이 가능한 Noah 모델 (Noah-MP) 및 두 모델의 결합체인 coupled WRF-MP 모델이 있다. 즉, 다양한 모수화 기법 선택이 가능하도록 제작된 모델을 모두 활용 가능하며, 단일 물리 조합 모델이라 하더라도, 각각의 물리 영역에 대하여 외부의 다른 모수화 방법을 추가 적용하는 방식으로 새로운 확장모델을 만들어 활용할 수도 있다.
본 발명은 서로 다른 모수화 기법을 선택 적용할 수 있는 다중 물리 조합 모델에 모델 최적화 알고리즘을 결합하여 최적의 독립 모델을 축출하고, 그에 따른 모의 정확도를 개선할 수 있는 최적의 독립 모델 축출 및 모의 정확도 개선 방법을 제공하고자 한다.
또한, 본 발명은 많은 물리 모수화 기법들 중에서 단일 또는 복수의 목표 변수에 대한 모의 정확도를 극대화 시킬 수 있는 최소화된 컴퓨팅 시스템 자원 활용이 가능한 최적의 독립 모델 축출 및 모의 정확도 개선 방법을 제공하고자 한다.
본 발명의 다중 물리 조합 모델 및 최적화 알고리즘을 이용한 최적의 독립 모델 축출 및 모의 정확도 개선 방법은 각각의 물리 영역에 대한 항목 선택을 수신하여 물리 조합 개체 그룹을 형성하는 (a)단계; 상기 물리 조합 개체 그룹의 각각의 물리 조합 개체를 다중 물리 조합 모델에 반영하는 (b)단계; 상기 반영된 다중 물리 조합 모델의 프레임 내에서 선택된 하나 이상의 물리 모수화 기법을 적용하여 모의를 수행하는 (c)단계; 상기 모의의 수행 결과를 평가하는 (d)단계; 상기 각각의 물리 조합 개체에 대한 모의의 수행이 종료 시까지의 상기 평가의 결과를 저장하는 (e)단계; 상기 평가 결과로부터 엘리트 개체를 선별하고, 상기 선별된 엘리트 개체에 대한 물리 모수화 기법을 저장하는 (f)단계; 상기 선별된 엘리트 개체에 대한 평가 결과를 이전의 물리 조합 개체 그룹에서 선별된 엘리트 개체와 비교하여 모의 수행의 반복을 판단하는 (g)단계; 및 상기 판단 결과, 상기 모의 수행의 반복이 필요하지 않다고 판단되는 경우, 상기 선별된 엘리트 개체를 최적의 물리 조합 개체로 선정하는 (h)단계를 포함한다.
다중 물리 조합 모델에 반영하는 상기 (b)단계는 상기 각각의 물리 조합 개체에 대한 하나 이상의 물리 모수화 기법을 선택하는 (b-1)단계; 및 상기 선택된 하나 이상의 물리 모수화 기법을 상기 다중 물리 조합 모델에 반영하여 수정하는 (b-2)단계를 포함할 수 있다.
수행 결과를 평가하는 상기 (d)단계는, 기준 데이터와의 비교 분석을 통하여 평가 지수를 산출할 수 있다.
상기 평가의 결과를 저장하는 상기 (e)단계는, 상기 선택된 하나 이상의 물리 모수화 기법을 저장할 수 있다.
상기 물리 모수화 기법을 저장하는 상기 (f)단계는, 상기 각각의 물리 조합 개체에 대한 상기 평가 지수를 비교 분석하고, 상기 비교 분석된 평가 지수 중 최고 평가 지수의 물리 조합 개체를 상기 엘리트 개체로 선별할 수 있다.
모의 수행의 반복을 판단하는 상기 (g)단계는, 상기 선별된 엘리트 개체의 상기 평가 지수를 이전의 물리 조합 개체 그룹에서 선별된 엘리트 개체의 평가 지수와 비교하여 새로운 물리 조합 개체 그룹에 대한 상기 모의 수행의 반복을 판단할 수 있다.
모의 수행의 반복을 판단하는 상기 (g)단계는, 상기 선별된 엘리트 개체의 상기 평가 지수가 전역최적값(global maximum)에 수렴하는 지를 평가하는 단계를 포함할 수 있다.
최적의 물리 조합 개체로 선정하는 상기 (h)단계는, 상기 선별된 엘리트 개체의 상기 평가 지수가 상기 전역최적값에 수렴하는 경우, 상기 선별된 엘리트 개체를 최적의 물리 조합 개체로 선정하는 단계를 포함할 수 있다.
다중 물리 조합 모델 및 최적화 알고리즘을 이용한 최적의 독립 모델 축출 및 모의 정확도 개선 방법은 상기 판단 결과, 상기 모의 수행의 반복이 필요하다고 판단되는 경우, 상기 선별된 엘리트 개체의 물리 모수화 기법을 기반으로 교배 및 변형을 수행하여 새로운 물리 조합 개체 그룹을 형성하여 상기 (b) 단계 내지 상기 (h)단계를 반복하는 (i)단계를 더 포함할 수 있다.
상기 평가 지수는 상기 물리 조합 개체 및 상기 기준 데이터와의 Nash-Sutcliffe efficiency(NSE) 및 Index of Agreement(IOA) 검증 지수, , 상기 물리 조합 개체 및 상기 기준 데이터와의 관련성의 강한 정도에 대한 상관계수(correlation coefficient, R), 결정계수(coefficient of determination, R2) 및 오차의 제곱 평균 제곱근(root mean square error, RMSE) 중 어느 하나를 포함할 수 있다.
본 발명은 서로 다른 모수화 기법을 선택 적용할 수 있는 다중 물리 조합 모델에 모델 최적화 알고리즘을 결합하여 최적의 독립 모델을 축출하고, 그에 따른 모의 정확도를 개선할 수 있다.
또한, 본 발명은 많은 물리 모수화 기법들 중에서 단일 또는 복수의 목표 변수에 대한 모의 정확도를 극대화 시킬 수 있는 최소화된 컴퓨팅 시스템 자원 활용이 가능하다.
도 1은 본 발명의 실시예에 따른 다중 물리 조합 모델 및 최적화 알고리즘을 이용한 최적의 독립 모델 축출 및 모의 정확도 개선 방법을 도시한 것이다.
도 2는 도 1의 본 발명의 실시예에 따른 다중 물리 조합 모델 및 최적화 알고리즘을 이용한 최적의 독립 모델 축출 및 모의 정확도 개선 방법을 상세히 도시한 것이다.
도 3은 본 발명의 다중 지표 물리 과정 조합이 가능한 Noah 지면 모델(Noah-MP)에 마이크로 유전 알고리즘(Micro-GA)을 적용하여 동아시아지역을 대상으로 한 실시예를 도시한 것이다.
도 4는 MP-MGA 결합 모델에서 도출된 최고 및 최저 성능을 보여주는 물리과정 조합의 시뮬레이션 결과를 기준 데이터인 ERA-Interim 데이터와 비교하여 도시한 것이다.
이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.
한편, 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 상세한 설명을 생략할 것이다. 그리고, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 사용자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명에서 언급되는 '다중 물리 조합 모델' 이라 함은 지역기후 모델인 WRF 모델과, 지면 수문현상을 모의하는 다중 물리조합이 가능한 Noah 모델 (Noah-MP) 및 두 모델의 결합체인 coupled WRF-MP 모델을 포함하는 개념이며, 이에 한정되지 아니하고, 다양한 모수화 기법 선택이 가능한 모델을 모두 포함한다.
또한, 본 발명의 최적화 알고리즘은 유전 알고리즘(Genetic algorithm), 마이크로 유전 알고리즘, HS(Harmony Search) 알고리즘을 기반으로 할 수 있다.
도 1은 본 발명의 실시예에 따른 다중 물리 조합 모델 및 최적화 알고리즘을 이용한 최적의 독립 모델 축출 및 모의 정확도 개선 방법을 도시한 것이다.
도 1을 참조하면, 단계 S110에서, 각각의 물리 영역에 대한 항목 선택을 수신하여 물리 조합 개체 그룹을 형성한다. 상기 단계 S110 은 각각의 물리 영역에서 모수화 기법을 선택하면서 다양한 물리 조합 개체를 생산하고, 생산된 물리 조합 개체를 하나의 물리 조합 개체 그룹을 형성하는 단계일 수 있다.
실시예에 따라 물리 조합 개체 그룹을 구성하는 물리 조합 개체는 사용되는 최적화 알고리즘의 특성에 따라 상이할 수 있다.
단계 S120에서 물리 조합 개체 그룹의 각각의 물리 조합 개체를 다중 물리 조합 모델에 반영한다.
상기 단계 S120은 각각의 물리 조합 개체에 대한 하나 이상의 물리 모수화 기법을 선택하고, 상기 선택된 하나 이상의 물리 모수화 기법을 상기 다중 물리 조합 모델에 반영하여, 상기 다중 물리 조합 모델을 수정하는 단계일 수 있다.
실시예에 따라, 상기 선택된 하나 이상의 물리 모수화 기법을 다중 물리 조합 모델에 반영되도록 하여, 다중 물리 조합 모델을 수정하는 과정은 자동으로 수행될 수 있다. 예를 들어, 다중 지표 물리 과정(multi-physics options process)의 조합이 가능한 다중 물리 조합 모델에서의 물리 과정 조합 선택의 변화에 대응하는 입력 정보에 대한 편집(editing) 정보를 반영하는 프로세스일 수 있다.
단계 S130에서 반영된 다중 물리 조합 모델의 프레임 내에서 선택된 하나 이상의 물리 모수화 기법을 적용하여 모의를 수행한다.
실시예에 따라서는 상기 단계 S130은 대상 지역에 대한 기본 설정 정보 및 지면 특성 정보를 다중 물리 조합 모델에 반영하고, 초기 상태 정보를 임의로 초기화하며, 시뮬레이션 주기에 대한 입력 정보를 반영하여, 상기 입력 정보를 기반으로 시뮬레이션 주기 동안 프로세스를 수행하는 과정일 수 있다. 예를 들어, 상기 주어진 입력 정보를 기반으로 각 지표 과정들이 시뮬레이션되는 과정일 수 있다.
단계 S140에서 모의의 수행 결과를 평가한다. 상기 단계 S140 은 기준 데이터와의 비교 분석을 통하여 평가 지수를 산출하는 과정일 수 있다.
또한, 상기 기준 데이터는 각종 지상 및 위성 관측 데이터와 재분석 데이터인 ECMWF(European Centre for Medium-Range Weather Forecasts)에서 생성된 ERA-Interim 또는 NCEP(National Center for Environmental Prediction) 재분석 데이터등을 포함할 수 있다.
실시예에 따라, 상기 평가 지수는 상기 물리 조합 개체 및 상기 기준 데이터와의 Nash-Sutcliffe efficiency(NSE) 및 Index of Agreement(IOA) 검증 지수, 상기 물리 조합 개체 및 상기 기준 데이터와의 관련성의 강한 정도에 대한 상관계수(correlation coefficient, R), 결정계수(coefficient of determination, R2) 및 오차의 제곱 평균 제곱근(root mean square error, RMSE) 중 어느 하나를 포함할 수 있다.
NSE 검증 지수(계수)는 구성원 개체와 기준 데이터와의 상관 분석 결과 그 정확성의 우수성을 판단하기 위하여 사용될 수 있고, 완벽한 정확성의 경우 그 값은 '1'(one)의 값을 취하고, '0'(zero) 미만인 경우 예측값을 평균으로 취하는 것보다 못하다는 것을 의미한다.
또한, 실시예에 따라서는 NSE 검증 지수는 증발산(evapotranspiration) 및 유출량(runoff)를 포함하는 수문학적(hydrological) 수치에 연관된 계수일 수 있다.
단계 S150에서 각각의 물리 조합 개체에 대한 모의의 수행이 종료 시까지의 평가의 결과를 저장한다. 상기 단계 S150은 상기 단계 S130의 선택된 하나 이상의 물리 모수화 기법을 저장하는 단계 일 수 있다.
단계 S160에서 평가 결과로부터 엘리트 개체를 선별하고, 선별된 엘리트 개체에 대한 물리 모수화 기법을 저장한다. 상기 엘리트 개체를 선별하는 과정은 각각의 물리 조합 개체에 대한 평가 지수를 비교 분석하고, 비교 분석된 평가 지수 중 최고 평가 지수의 물리 조합 개체를 상기 엘리트 개체로 선별하는 과정 일 수 있다.
실시예에 따라서는 상기 엘리트 개체를 선별하는 과정은 도출된 평가 지수로부터 상기 시뮬레이션이 수행된 물리 조합 개체와의 상이함의 수준을 비교 분석하여 상기 물리 조합 개체의 최적 적합도를 결정하는 과정일 수 있다.
단계 S170에서 선별된 엘리트 개체에 대한 평가 결과를 이전의 물리 조합 개체 그룹에서 선별된 엘리트 개체와 비교하여 모의 수행의 반복을 판단한다. 상기 단계 S170은 선별된 엘리트 개체에 대한 평가 지수를 이전의 물리 조합 개체 그룹에서 선별된 엘리트 개체의 평가 지수와 비교하여 새로운 물리 조합 개체 그룹에 대한 모의 수행의 반복을 판단하는 단계일 수 있다.
상기 단계 S170에서 판단 결과, 모의 수행의 반복이 필요하지 않다고 판단되는 경우, 단계 S180에서 선별된 엘리트 개체를 최적의 물리 조합 개체로 선정한다.
반면, 상기 단계 S170에서 판단 결과, 모의 수행의 반복이 필요하다고 판단되는 경우, 단계 S190에서 선별된 엘리트 개체의 물리 모수화 기법을 기반으로 교배 및 변형을 수행하여 새로운 물리 조합 개체 그룹을 형성하여 상기 단계 S120 내지 상기 단계 S170을 반복한다.
도 2는 도 1의 본 발명의 실시예에 따른 다중 물리 조합 모델 및 최적화 알고리즘을 이용한 최적의 독립 모델 축출 및 모의 정확도 개선 방법을 상세히 도시한 것이다.
도 2 를 참조하면, 단계 S210에서, 각각의 물리 영역에 대한 항목 선택을 수신하여 물리 조합 개체 그룹을 형성한다. 상기 단계 S210 은 각각의 물리 영역에서 모수화 기법을 선택하면서 다양한 물리 조합 개체를 생산하고, 생산된 물리 조합 개체를 하나의 물리 조합 개체 그룹을 형성하는 단계일 수 있다.
단계 S220에서 물리 조합 개체 그룹의 각각의 물리 조합 개체를 다중 물리 조합 모델에 반영한다.
상기 단계 S220은 각각의 물리 조합 개체에 대한 하나 이상의 물리 모수화 기법을 선택하고, 상기 선택된 하나 이상의 물리 모수화 기법을 상기 다중 물리 조합 모델에 반영하여, 상기 다중 물리 조합 모델을 수정하는 단계일 수 있다.
실시예에 따라, 상기 선택된 하나 이상의 물리 모수화 기법을 다중 물리 조합 모델에 반영되도록 하여, 다중 물리 조합 모델을 수정하는 과정은 자동으로 수행될 수 있다. 예를 들어, 다중 지표 물리 과정의 조합이 가능한 다중 물리 조합 모델에서의 물리 과정 조합 선택의 변화에 대응하는 입력 정보에 대한 편집 정보를 반영하는 프로세스일 수 있다.
단계 S230에서 반영된 다중 물리 조합 모델의 프레임 내에서 선택된 하나 이상의 물리 모수화 기법을 적용하여 모의를 수행한다.
실시예에 따라서는 상기 단계 S130은 대상 지역에 대한 기본 설정 정보 및 지면 특성 정보를 다중 물리 조합 모델에 반영하고, 초기 상태 정보를 임의로 초기화하며, 시뮬레이션 주기에 대한 입력 정보를 반영하여, 상기 입력 정보를 기반으로 시뮬레이션 주기 동안 프로세스를 수행하는 과정일 수 있다. 예를 들어, 상기 주어진 입력 정보를 기반으로 각 지표 과정들이 시뮬레이션되는 과정일 수 있다.
단계 S240에서 모의의 수행 결과를 평가를 위하여 기준 데이터와의 비교 분석을 통하여 평가 지수를 산출한다.
실시예에 따라, 상기 평가 지수는 상기 물리 조합 개체 및 상기 기준 데이터와의 Nash-Sutcliffe efficiency(NSE) 및 Index of Agreement(IOA) 검증 지수, 상기 물리 조합 개체 및 상기 기준 데이터와의 관련성의 강한 정도에 대한 상관계수(correlation coefficient, R), 결정계수(coefficient of determination, R2) 및 오차의 제곱 평균 제곱근(root mean square error, RMSE) 중 어느 하나를 포함할 수 있다.
또한, 실시예에 따라서는 NSE 검증 지수는 증발산(evapotranspiration) 및 유출량(runoff)를 포함하는 수문학적(hydrological) 수치에 연관된 계수일 수 있다.
단계 S250에서 각각의 물리 조합 개체에 대한 모의의 수행이 종료 시까지의 평가의 결과를 저장을 위하여 선택된 하나 이상의 물리 모수화 기법 및 평가 지수를 저장한다.
단계 S260에서 각각의 물리 조합 개체에 대한 평가 지수를 비교 분석하고, 비교 분석된 평가 지수 중 최고 평가 지수의 물리 조합 개체를 상기 엘리트 개체로 선별한다.
실시예에 따라서는 상기 엘리트 개체를 선별하는 과정은 도출된 평가 지수로부터 상기 시뮬레이션이 수행된 물리 조합 개체와의 상이함의 수준을 비교 분석하여 상기 물리 조합 개체의 최적 적합도를 결정하는 과정일 수 있다.
단계 S270에서 선별된 엘리트 개체의 평가 지수가 전역최적값(global maximum)에 수렴하는 지를 판단한다.
상기 단계 S270에서 판단 결과, 상기 선별된 엘리트 개체의 상기 평가 지수가 상기 전역최적값에 수렴하는 경우, 상기 선별된 엘리트 개체를 최적의 물리 조합 개체로 선정한다.
반면, 상기 단계 S270에서 판단 결과, 상기 선별된 엘리트 개체의 상기 평가 지수가 상기 전역최적값에 수렴하지 않는 경우, 단계 S280에서 선별된 엘리트 개체의 물리 모수화 기법을 기반으로 교배 및 변형을 수행하여 새로운 물리 조합 개체 그룹을 형성하여 상기 단계 S220 내지 상기 단계 S270을 반복한다.
이하에서는 도 3 및 도 4를 참조하여, 본 발명의 실시예를 설명하기로 한다.
실시예
본 발명의 실시예에서는 표 1과 같이 하나 이상의 선택 항목을 갖는 총 8개의 지표 물리 영역이 물리 과정 조합을 구성하기 위하여 사용되었다.
[표 1]
Figure 112012096721585-pat00001
각각의 영역에서 선택된 물리 조합 개체수는 총 1,728개((32 x 4 x 25) 이며, 각각의 물리 조합의 구성원 개체는 독립적인 지면모델로 간주될 수 있다.
본 발명의 실시예에서는 한반도 지역을 대상으로 여러 차례의 시뮬레이션을 수행하였고, 짧은 기간 동안의 물리 조합 개체를 시뮬레이션하여 축출된 최적의 엘리트 개체를 기준으로, 마이크로 유전 알고리즘을 활용했을 때 같은 결과를 도출하게 하는 세대 구성원 크기와 세대 반복 횟수를 찾는 과정을 포함하였다.
실시예에 따르면, 바람직하게는 결정된 최적의 값들은 구성원 크기 10개의 물리 조합의 구성원 개체 수에 대하여 세대 반복 횟수 15 ~ 20가 될 수 있고, 본 실시예에서는 15로 설정하였다. 또한, 본 실시예에서는 전역 최적의 결과를 도출하기 위해 필요한 최대 시뮬레이션 수행 수는 150 차례를 포함하였다.
모델 평가를 위한 기준 데이터는 ECMWF(European Centre for Medium-Range Weather Forecasts)에서 생성되고 재분석된 ERA-Interim 데이터를 사용하였다.
2001년 이후 10년 동안의 GLDAS(Global Land Data Assimilation System)로부터 6개의 기상학적 필드를 사용하여 대기 기상 입력 정보가 반영되었고, 지면 특성 정보인 지면피복데이터 및 토성 데이터는 공주대의 지면 피복 데이터 및 유엔식량농업기구에서 제공되는 토성 데이터를 반영하였다.
도 3은 본 발명의 다중 지표 물리 과정 조합이 가능한 Noah 지면 모델(Noah-MP)에 마이크로 유전 알고리즘(Micro-GA)을 적용하여 동아시아지역을 대상으로 한 실시예를 도시한 것이다.
도 3을 참조하면, 기후 특성에 따라 한반도(KOR), 동시베리아(RE1), 고비사막(RE2) 및 남지나(RE3)의 지역을 선택하였고, 각각은 반습윤, 반건조, 건조, 습윤 지역을 대표한다.
본 실시예에서는 4개의 지역으로 기후 차이에 따라 카테고리화 하였고, 본 발명의 물리 과정 호환성을 분석하는 방법을 구분된 강수 구역에 대하여 10년의 시뮬레이션 주기를 적용하였다.
또한, 시뮬레이션 상의 공간분해능(spatial resolution) 데이터는 위경 0.25도의 30 X 30 의 격자를 포함하도록 설정되었고, 3시간 주기로 기상 정보의 입력 정보로의 반영 및 이에 따른 지표과정 변수들을 생성하도록 하였다. 또한, 첫 6개월의 시뮬레이션 기간 동안의 출력 결과 정보는 유의미한 결과의 활용을 위하여 모델 초기화 기간의 출력 결과 정보로 간주하여 결과 분석에서 배제하였다.
또한, 수행된 지표 물수지 시뮬레이션 수행 평가를 위하여 증발산과 유출량 모델 결과 값을 기준 데이터인 ERA-Interim 데이터와 비교하여 평가 지수를 산출하였다.
또한, 지표 물 수지 시뮬레이션 결과에 대한 평가를 위하여 아래의 식 2로 표현되는 NSE 검증 지수를 사용하였고, 추가로 복수의 변수를 동시에 평가하기 위해 식 2에서와 같은 각각의 시뮬레이션 변수에 대하여 NSE 값들의 단순 합을 나타내는 mNSE (modified NSE) 지표를 산출하여 최종 시뮬레이션 수행 평가에 사용하였다.
[식 1]
Figure 112012096721585-pat00002
상기 식 1에서 i 번째 시간 단계에 대하여 Ref 는 기준 데이터를 표시하고, Var 는 특정 변수의 시뮬레이션이 수행된 값의 데이터를 표시한다. 상기 식 1에서 기준 데이터에 대하여 정확히 일치하는 결과를 보일 때 1의 값을, 0 보다 큰 값을 나타낼 때는 유의미한 시뮬레이션 성능을, 0 이하의 값을 나타낼 때는 기준 데이터의 평균값만을 취했을 때보다 못한 성능을 보이는 것으로 판단한다.
[식 2]
Figure 112012096721585-pat00003
여기서, 아래 첨자 1, 2 는 서로 다른 변수를 나타내고, 본 실시예에서는 각각 증발산(Evapotranspiration) 및 유출량(runoff)의 결과 값들을 나타낸다. 상기 식 2에서 최적의 성능을 나타내는 mNSE 값은 2 일수 있다.
[표 2] 는 실시예에 따른 MP-MGA 결합 모델를 적용하여 최종적으로 축출된 물리조합 및 이에 따른 통계 지수와, 시뮬레이션 정확도에 가장 우세하게 공헌한 물리과정을 나타낸 표로서, 도 4는 MP-MGA 결합 모델에서 도출된 최고 및 최저 성능을 보여주는 물리과정 조합의 시뮬레이션 결과를 기준 데이터인 ERA-Interim 데이터와 비교하여 도시한 것이다.
[표 2] 및 도 4를 참조하면, 본 발명은 지표 물수지 시뮬레이션을 개선하는 방법을 통하여 지역적인 지표 및 기후 특성이 반영된 모델 내의 각 물리조합에 대한 진단이 가능하다.
[표 2]
Figure 112012096721585-pat00004
또한, 표 2를 참조하면, 각 지역마다 최종적으로 축출된 물리과정 조합과 시뮬레이션 정확도를 결정하는 주요한 물리과정들이 서로 상이한 것을 알 수 있으며, 이는 이 외의 영역에서의 물리과정 선택에 대한 영향이 적어 다른 물리과정 조합과의 호환성이 좋다는 것을 의미한다.
반면, 상기 표 2에 의해 명시된 물리과정들의 경우, 각각의 지역에 대하여 정확도를 향상시키기 위해 아주 중요한 역할을 담당하고, 지역별 시뮬레이션 향상을 위해 개선되어야 할 물리과정이 어떠한 것인지에 대한 정보를 제공할 수 있다. 예를 들어, 한국지역(KOR)의 경우, 겨울철 증발산의 전반적인 과소 시뮬레이션으로 인해, 지표의 열 반사 및 흡수와 그에 따른 증발산 양에 영향을 주는 지면 반사도(ALB)의 선택이 전체적인 증발산 시뮬레이션 성능 향상에 중요한 요인을 차지할 수 있고, 이 지역의 유출량 시뮬레이션 성능은 유출량 관련 물리과정(RUN)의 선택이 중요한 요인으로 작용하는 것을 파악할 수 있다.
반면, RE2 지역과 RE3 지역의 경우, 현재 모델 내에 삽입된 물리과정들의 조합만으로는 시뮬레이션 성능 향상을 크게 기대할 수 없는 것으로 파악된다.
또한, 도 4를 참조하면, 이들 지역에서 증발산의 전체적인 과소시뮬레이션의 결과를 보여주는데, 이는 모델 입력 정보로 사용된 GLDAS 강우량 자료가 ECMWF에서 사용된 강우량보다 이들 지역에 대하여 전체적으로 적은 값을 갖게 됨으로 인하여 발생한 경우로 해석될 수 있고, 입력 정보의 정확도 향상이 향후 이들 지역의 시뮬레이션 성능을 더 개선할 수 있을 것으로 판단된다.
본 발명의 실시 예에 따른 방법들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (12)

  1. 컴퓨팅 시스템 자원을 활용하는 시뮬레이션 장치가 수행하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법에 있어서,
    각각의 물리 영역에 대한 항목 선택을 사용자로부터 수신하여 물리 조합 개체 그룹을 형성하는 (a)단계;
    상기 물리 조합 개체 그룹의 각각의 물리 조합 개체를 다중 물리 조합 모델에 반영하는 (b)단계;
    상기 반영된 다중 물리 조합 모델의 프레임 내에서 선택된 하나 이상의 물리 모수화 기법을 적용하여 모의를 수행하는 (c)단계;
    상기 모의의 수행 결과를 평가하는 (d)단계;
    상기 각각의 물리 조합 개체에 대한 모의의 수행이 종료 시까지의 상기 평가의 결과를 저장하는 (e)단계;
    상기 평가 결과로부터 엘리트 개체를 선별하고, 상기 선별된 엘리트 개체에 대한 물리 모수화 기법을 저장하는 (f)단계
    상기 선별된 엘리트 개체에 대한 평가 결과를 이전의 물리 조합 개체 그룹에서 선별된 엘리트 개체와 비교하여 모의 수행의 반복을 판단하는 (g)단계; 및
    상기 판단 결과, 상기 모의 수행의 반복이 필요하지 않다고 판단되는 경우, 상기 선별된 엘리트 개체를 최적의 물리 조합 개체로 선정하는 (h)단계
    를 포함하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  2. 제1항에 있어서
    다중 물리 조합 모델에 반영하는 상기 (b)단계는
    상기 각각의 물리 조합 개체에 대한 하나 이상의 물리 모수화 기법을 선택하는 (b-1)단계; 및
    상기 선택된 하나 이상의 물리 모수화 기법을 상기 다중 물리 조합 모델에 반영하여 수정하는 (b-2)단계
    를 포함하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  3. 제1항에 있어서,
    수행 결과를 평가하는 상기 (d)단계는,
    기준 데이터와의 비교 분석을 통하여 평가 지수를 산출하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  4. 제1항에 있어서,
    상기 평가의 결과를 저장하는 상기 (e)단계는,
    상기 선택된 하나 이상의 물리 모수화 기법을 저장하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  5. 제3항에 있어서,
    상기 물리 모수화 기법을 저장하는 상기 (f)단계는,
    상기 각각의 물리 조합 개체에 대한 상기 평가 지수를 비교 분석하고, 상기 비교 분석된 평가 지수 중 최고 평가 지수의 물리 조합 개체를 상기 엘리트 개체로 선별하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  6. 제3항에 있어서,
    모의 수행의 반복을 판단하는 상기 (g)단계는,
    상기 선별된 엘리트 개체의 상기 평가 지수를 이전의 물리 조합 개체 그룹에서 선별된 엘리트 개체의 평가 지수와 비교하여 새로운 물리 조합 개체 그룹에 대한 상기 모의 수행의 반복을 판단하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  7. 제3항에 있어서
    모의 수행의 반복을 판단하는 상기 (g)단계는,
    상기 선별된 엘리트 개체의 상기 평가 지수가 전역최적값(global maximum)에 수렴하는 지를 평가하는 단계
    를 포함하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  8. 제7항에 있어서
    최적의 물리 조합 개체로 선정하는 상기 (h)단계는,
    상기 선별된 엘리트 개체의 상기 평가 지수가 상기 전역최적값에 수렴하는 경우, 상기 선별된 엘리트 개체를 최적의 물리 조합 개체로 선정하는 단계
    를 포함하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  9. 제1항에 있어서
    상기 판단 결과, 상기 모의 수행의 반복이 필요하다고 판단되는 경우, 상기 선별된 엘리트 개체의 물리 모수화 기법을 기반으로 교배 및 변형을 수행하여 새로운 물리 조합 개체 그룹을 형성하여 상기 (b) 단계 내지 상기 (h)단계를 반복하는 (i)단계
    를 더 포함하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  10. 제3항에 있어서,
    상기 평가 지수는 상기 물리 조합 개체 및 상기 기준 데이터와의 Nash-Sutcliffe efficiency(NSE) 및 Index of Agreement(IOA) 검증 지수, 상기 물리 조합 개체 및 상기 기준 데이터와의 관련성의 강한 정도에 대한 상관계수(correlation coefficient, R), 결정계수(coefficient of determination, R2) 및 오차의 제곱 평균 제곱근(root mean square error, RMSE) 중 어느 하나를 포함하는 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  11. 제10항에 있어서,
    상기 NSE 검증 지수는 증발산(evapotranspiration) 및 유출량(runoff)를 포함하는 수문학적(hydrological) 수치에 연관된 계수인 최적의 독립 모델 축출 및 모의 정확도 개선 방법.
  12. 제1항 내지 제11항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록 매체.
KR1020120133461A 2012-11-23 2012-11-23 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법 KR101460411B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120133461A KR101460411B1 (ko) 2012-11-23 2012-11-23 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120133461A KR101460411B1 (ko) 2012-11-23 2012-11-23 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법

Publications (2)

Publication Number Publication Date
KR20140066351A KR20140066351A (ko) 2014-06-02
KR101460411B1 true KR101460411B1 (ko) 2014-11-12

Family

ID=51123095

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120133461A KR101460411B1 (ko) 2012-11-23 2012-11-23 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법

Country Status (1)

Country Link
KR (1) KR101460411B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110031872A (zh) * 2019-03-29 2019-07-19 中国航天系统科学与工程研究院 一种导航星座的系统效能综合评估方法
KR102522597B1 (ko) * 2020-06-19 2023-04-17 이화여자대학교 산학협력단 WRF 모델의 물리과정 모수화 스킴 조합 최적화를 위한 μ-GA-WRF 결합 시스템
CN112163366B (zh) * 2020-08-14 2024-06-07 贵州东方世纪科技股份有限公司 一种无资料地区水文模型参数自动率定方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
김만규 외 1명, "수치표고모형의 해상도가 물리 결정 일괄매개변수 수문모형의 모의결과에 미치는 영향", 한국지리정보학회지 Vol.11, No.3, 2008 *
노영경 외 1명, "태풍 크로반의 전향점에 기여하는 미세 물리 모수화 방법에 대한 고찰", 한국기상학회 Vol.2009, No.10, 2009 *
서범근 외 2명, "WRF 모델을 이용한 지표층 바람장의 대기경계층 모수화와 지면모델 민감도 평가", 한국기상학회 Vol.20, No.3, 2010 *
안정민 외 1명, "다차원 수리모형을 이용한 연계모의 GUI시스템 개발", 한국습지학회지 Vol.14, No.3, 2012 *

Also Published As

Publication number Publication date
KR20140066351A (ko) 2014-06-02

Similar Documents

Publication Publication Date Title
Couvreux et al. Process‐based climate model development harnessing machine learning: I. A calibration tool for parameterization improvement
Fan et al. Temporal and spatial change detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl River Delta (China) by using TM and ETM+ images
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
Becker et al. Completion of wind turbine data sets for wind integration studies applying random forests and k-nearest neighbors
Zhijia et al. Study of the Xinanjiang model parameter calibration
CN104156943B (zh) 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法
CN111639803A (zh) 一种应用于气候变化情景下区域未来植被指数的预估方法
Dey et al. A multimodel ensemble machine learning approach for CMIP6 climate model projections in an Indian River basin
CN109947652A (zh) 一种软件缺陷预测的改进排序学习方法
Grouillet et al. Sensitivity analysis of runoff modeling to statistical downscaling models in the western Mediterranean
Mustafa et al. Measuring the effect of stochastic perturbation component in cellular automata urban growth model
KR101460411B1 (ko) 다중 물리 조합 모델과 최적화 알고리즘과의 결합을 통한 최적의 독립 모델 축출 방법
CN110826764B (zh) 基于随机森林算法的植被指数预测方法、系统及设备
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
CN103308956B (zh) 利用云气候学数据预判目标区域未来月平均云量的方法
Newland et al. A hybrid (semi) automatic calibration method for Cellular Automata land-use models: Combining evolutionary algorithms with process understanding
KR101460413B1 (ko) 유전 알고리즘을 활용하여 다중 지표 물리 과정 조합이 가능한 지면모델에서의 지표 물수지 시뮬레이션을 개선하는 방법
Boghetti et al. Understanding the performance gap: A machine learning approach on residential buildings in Turin, Italy
CN109033181B (zh) 一种复杂地形地区风场地理数值模拟方法
Kovalchuk et al. Towards ensemble simulation of complex systems
CN105930272A (zh) 基于重要语句的分支覆盖测试数据生成方法
Evans et al. Initial NARCliM evaluation
CN115604131A (zh) 一种链路流量预测方法、系统、电子设备及介质
CN110837911B (zh) 一种大尺度地表节肢动物空间分布模拟方法
CN117057253B (zh) 基于空间离散洗牌复形进化算法的水文模型参数率定方法

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee