KR101809629B1 - 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 - Google Patents
기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR101809629B1 KR101809629B1 KR1020160159616A KR20160159616A KR101809629B1 KR 101809629 B1 KR101809629 B1 KR 101809629B1 KR 1020160159616 A KR1020160159616 A KR 1020160159616A KR 20160159616 A KR20160159616 A KR 20160159616A KR 101809629 B1 KR101809629 B1 KR 101809629B1
- Authority
- KR
- South Korea
- Prior art keywords
- model
- data
- temperature
- building
- urban
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000002354 daily effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 238000005253 cladding Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- -1 artificial covering Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본원 발명의 일 실시예에 따른 도시 폭염 상세 정보 예측 방법은, 국지예보모델의 기온예측자료를 구축하는 단계; 자동기상관측망(AWS)의 기온관측자료를 구축하는 단계; 도시의 건물과 식생을 포함하는 수치 표고모델을 산출하는 단계; 미기후분석모델을 이용하여 상기 수치 표고모델로부터 도시의 형태 및 구조와 관련한 건물 분해능 수준의 도시지표면 변수들을 산출하는 단계; 상기 국지예보모델의 기온예측자료와 상기 도시지표면 변수를 결합하는 단계; 상기 국지예보모델의 기온예측자료 및 상기 도시지표면 변수들을 독립변수로 하고, 상기 기온관측자료를 종속변수로 하여, 상기 국지예보모델의 기온예측자료의 편이 보정을 위한 학습모형을 구축하는 단계; 및 구축된 상기 학습모형에 상기 국지예보모델에서 예측한 다음날의 기온예측자료 및 상기 도시지표면 변수를 입력하여, 편이 보정을 수행한 후 건물 분해능 수준의 상세 기온 정보를 산출하는 단계;를 포함한다.
Description
기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템에 관한 것으로, 보다 상세하게는 국지예보모델의 예측능력과 도시지표면 상세 분석기능을 결합하여, 고해상도 도시열환경 예측자료를 산출하는 방법 및 시스템에 관한 것이다.
최근 고령화와 사회 양극화가 심화하면서 소외계층들의 기후변화에 대한 취약성이 증가하고 있으며, 이에 신속하게 사회적인 안전망을 보완할 필요성이 증가하고 있다. 도시 폭염 대응 관련계획 수립을 위해서는 무엇보다도 취약계층들의 거주위치에 대한 미기후적 환경을 상세하게 정보화해야 한다.
기상청 현업모델인 국지예보모델은 기상예측정보를 1.5km*1.5km 격자로 제공한다. 지상 1.5m 높이에서의 기온분포는 도 1(좌)와 같다. 서울의 도시 내부와 외부의 뚜렷한 기온 편차는 5도 정도로 나타나지만, 도시 내부의 편차는 2도 정도로 나타난다. 실제 관측자료를 분석해보면 도 1(우)와 같은 그래프로 나타낼 수 있으며, 기상청에서 서울을 대표하여 예보하는 기온은 서울 종로구 송월동 지점(108번)의 값이다. 그러나 서울 내 다른 지점에서는 108번 지점과 다른 값으로 관측되며, 그 공간적 기온 편차는 4~5도 정도로 나타난다.
본 발명은 십 미터에서 수백 미터 단위로 피복분포 특성들이 급변하는 도시공간에서 나타나는 상세한 기온 취약 특성을 수치적으로 산출하기 위해 보다 고해상도의 공간분해 능력을 가지는 도시폭염 예측 모델을 제공하고자 한다.
본원 발명의 일 실시예에 따른 도시 폭염 상세 정보 예측 방법은, 국지예보모델의 기온예측자료를 구축하는 단계; 자동기상관측망(AWS)의 기온관측자료를 구축하는 단계; 도시의 건물과 식생을 포함하는 수치 표고모델을 산출하는 단계; 미기후분석모델을 이용하여 상기 수치 표고모델로부터 도시의 형태 및 구조와 관련한 건물 분해능 수준의 도시지표면 변수들을 산출하는 단계; 상기 국지예보모델의 기온예측자료와 상기 도시지표면 변수를 결합하는 단계; 상기 국지예보모델의 기온예측자료 및 상기 도시지표면 변수들을 독립변수로 하고, 상기 기온관측자료를 종속변수로 하여, 상기 국지예보모델 기온예측자료의 편이 보정을 위한 학습모형을 구축하는 단계; 및 구축된 상기 학습모형에 상기 국지예보모델에서 예측한 다음날의 기온예측자료 및 상기 도시지표면 변수를 입력하여, 편이 보정을 수행한 후 건물 분해능 수준의 상세 기온 정보를 산출하는 단계;를 포함한다.
본원 발명의 일 실시예에 따르면, 상기 국지예보모델의 기온예측자료를 구축하는 단계는, 기상청에서 한반도 영역의 기상예측을 위해 운영하고 있는 1.5 ㎞ 격자해상도의 UM LDAPS 자료 중 1.5m 높이에서의 1시간 단위의 기온예측자료를 구축하는 단계;를 포함한다.
본원 발명의 일 실시예에 따르면, 상기 도시지표면 변수들을 산출하는 단계는, 도시의 지표면 특성들과 도시캐노피 모수들로부터 도시미기후 공간분포를 분석하는 도시기후분석모델(CAS)을 이용하여, 경사도, 남북방향 경사길이, 동서방향 경사길이, 우묵한 지형깊이, 건물높이와 도로너비 비, 건물과 식생 높이/부피/밀도, 불투수피복에서의 열방출량, 토지피복(건물, 교목, 자연 피복, 인공피복, 물) 면적의 백분율 중 하나 이상을 포함하는 도시지표면 변수들을 산출하는 단계;를 포함한다.
본원 발명의 일 실시예에 따르면, 상기 편이 보정을 위한 학습모형을 구축하는 단계는, 서포트 벡터 머신(Support Vector Machine, SVM) 또는 다중 선형 회귀모델(Multiple Linear Regression Model, LM))을 이용하고, 슬라이딩 윈도우 기법을 이용하여 최근의 과거자료를 산출하여 매일 새로운 입력자료를 구축하는 단계;를 포함한다.
본원 발명의 일 실시예에 따르면, 상기 국지예보모델의 기온예측자료는, 인터폴레이션 기법을 통해 건물 분해능 수준의 해상도로 변환된다.
본원 발명의 일 실시예에 따르면, 산출되는 상기 건물 분해능 수준의 상세 기온 정보는, 1시간 단위 기온, 1일 단위 최고기온 및 최저기온의 시간해상도와 10m의 공간해상도를 갖는다.
본원 발명의 일 실시예에 따르면, 산출된 상기 건물 분해능 수준의 상세 기온 정보와 관측기온자료가 갱신되면 갱신된 상기 관측기온자료의 값을 이용하여 검증결과를 산출하는 단계;를 더 포함한다.
본원 발명의 일 실시예에 따르면, 상기 상세 기온 정보로부터 소정 단위의 경계 안에 포함되는 격자 중에 사람이 거주하는 지역을 위치 선정하여 해당 격자를 추출하는 단계; 상기 해당 격자들을 집계하여 이중 상위 10%에 포함되는 격자들 기온을 평균하여 상기 소정 단위의 대표값으로 할당하는 단계; 및 상기 대표값에 따라 소정의 위험 등급을 표출하는 단계;를 더 포함한다.
본원 발명의 일 실시예에 따르면, 상기 수치 표고모델을 산출하는 단계는,
수치건물지도로부터 수치건물모델을 생성하는 단계; 항공 라이다 자료로부터 분류된 식생자료를 이용하여 수치식생모델을 생성하는 단계; 분류된 지형자료를 이용하여 수치지형모델 생성하는 단계; 및 상기 수치건물모델, 수치식생모델 및 수치지형모델을 결합하여 최종 건물 및 식생이 포함된 수치 표고모델을 산출하는 단계;를 포함한다.
본원 발명의 일 실시예에 따르는 매체에 저장된 컴퓨터 프로그램은 하드웨어와 결합되어 전술한 도시 폭염 상세 정보 예측 방법의 각 단계를 실행시킨다.
본원 발명의 일 실시예에 따른 도시 폭염 상세 정보 예측 시스템은, 국지예보모델의 기온예측자료를 구축하는 모듈; 자동기상관측망(AWS)의 기온관측자료를 구축하는 모듈; 도시의 건물과 식생을 포함하는 수치 표고모델을 산출하는 모듈; 미기후분석모델을 이용하여 상기 수치 표고모델로부터 도시의 형태 및 구조와 관련한 건물 분해능 수준의 도시지표면 변수들을 산출하는 모듈; 상기 국지예보모델의 기온예측자료와 상기 도시지표면 변수를 결합하는 모듈; 상기 국지예보모델의 기온예측자료 및 상기 도시지표면 변수들을 독립변수로 하고, 상기 기온관측자료를 종속변수로 하여, 상기 국지예보모델 기온예측자료의 편이 보정을 위한 학습모형을 구축하는 모듈; 및 구축된 상기 학습모형에 상기 국지예보모델에서 예측한 다음날의 기온예측자료 및 상기 도시지표면 변수를 입력하여, 편이 보정을 수행한 후 건물 분해능 수준의 상세 기온 정보를 산출하는 모듈;을 포함한다.
본원 발명의 일 실시예에 따르면, 상기 국지예보모델의 기온예측자료를 구축하는 모듈은, 기상청에서 한반도 영역의 기상예측을 위해 운영하고 있는 1.5 ㎞ 격자해상도의 UM LDAPS 자료 중 1.5m 높이에서의 1시간 단위의 기온예측자료를 구축하는 모듈;을 포함한다.
본원 발명의 일 실시예에 따르면, 상기 도시지표면 변수들을 산출하는 모듈은, 도시의 지표면 특성들과 도시캐노피 모수들로부터 도시미기후 공간분포를 분석하는 도시기후분석모델(CAS)을 이용하여, 경사도, 남북방향 경사길이, 동서방향 경사길이, 우묵한 지형깊이, 건물높이와 도로너비 비, 건물과 식생 높이/부피/밀도, 불투수피복에서의 열방출량, 토지피복(건물, 교목, 자연 피복, 인공피복, 물) 면적의 백분율 중 하나 이상을 포함하는 도시지표면 변수들을 산출하는 모듈;을 포함한다.
본원 발명의 일 실시예에 따르면, 상기 편이 보정을 위한 학습모형을 구축하는 모듈은, 서포트 벡터 머신(Support Vector Machine, SVM) 또는 다중 선형 회귀 모델(Multiple Linear Regression Model, LM))을 이용하고, 슬라이딩 윈도우 기법을 이용하여 최근의 과거자료를 산출하여 매일 새로운 입력자료를 구축하는 모듈;을 포함한다.
본원 발명의 일 실시예에 따르면, 상기 국지예보모델의 기온예측자료는, 인터폴레이션 기법을 통해 건물 분해능 수준의 해상도로 변환된다.
본원 발명의 일 실시예에 따르면, 산출되는 상기 건물 분해능 수준의 상세 기온 정보는, 1시간 단위 기온, 1일 단위 최고기온 및 최저기온의 시간해상도와 10m의 공간해상도를 갖는다.
본원 발명의 일 실시예에 따르면, 산출된 상기 건물 분해능 수준의 상세 기온 정보와 관측기온자료가 갱신되면 갱신된 상기 관측기온자료의 값을 이용하여 검증결과를 산출하는 모듈;을 더 포함한다.
본원 발명의 일 실시예에 따르면, 상기 상세 기온 정보로부터 소정 단위의 경계 안에 포함되는 격자 중에 사람이 거주하는 지역을 위치 선정하여 해당 격자를 추출하는 모듈; 상기 해당 격자들을 집계하여 이중 상위 10%에 포함되는 격자들 기온을 평균하여 상기 소정 단위의 대표값으로 할당하는 모듈; 및 상기 대표값에 따라 소정의 위험 등급을 표출하는 모듈;을 더 포함한다.
본원 발명의 일 실시예에 따르면, 상기 수치 표고모델을 산출하는 모듈은,
수치건물지도로부터 수치건물모델을 생성하는 모듈; 항공 라이다 자료로부터 분류된 식생자료를 이용하여 수치식생모델을 생성하는 모듈; 분류된 지형자료를 이용하여 수치지형모델 생성하는 모듈; 및 상기 수치건물모델, 수치식생모델 및 수치지형모델을 결합하여 최종 건물 및 식생이 포함된 수치 표고모델을 산출하는 모듈;을 포함한다.
본 발명은 기상청 국지예보모델에서 예측된 기온자료를 도시지표면 상세분석기술과 기계학습기법을 이용하여 보정하고, 보행자 환경에서의 기온자료를 상세화하며 정확도를 높여 관측 값과의 오차를 줄일 수 있다.
도 1은 기상청 국지예보모델의 1.5m 높이에서의 기온분포(좌) 및 도시 내 기온의 공간적 변동성 그래프(우)이다.
도 2는 본 발명의 일 실시예에 따른 도시 폭염 상세정보 예측시스템의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 일 최고기온(좌) 및 최저기온(우) 산출모델 개발 결과를 나타내는 도면이다.
도 5는 송파구 지역의 항공사진(좌), 국지예보모델 기온예측자료(중) 및 본 발명의 일 실시예에 따른 상세화된 기온분포(우)를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 동 단위 열환경 분포도. 쪽방촌 위치와 노인인구분포비율을 중첩하여 관리 우선순위를 표출하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 열 위험 예측지도와 위험등급 표출을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 도시 폭염 상세정보 예측시스템의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 일 최고기온(좌) 및 최저기온(우) 산출모델 개발 결과를 나타내는 도면이다.
도 5는 송파구 지역의 항공사진(좌), 국지예보모델 기온예측자료(중) 및 본 발명의 일 실시예에 따른 상세화된 기온분포(우)를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 동 단위 열환경 분포도. 쪽방촌 위치와 노인인구분포비율을 중첩하여 관리 우선순위를 표출하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 열 위험 예측지도와 위험등급 표출을 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일·유사한 도면 부호를 부여하고 이에 대해 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하에서 도면을 참조하여 본원 발명의 실시예를 보다 상세하게 설명한다.
도 2는 도시 폭염 상세정보 예측시스템의 구성도이다.
본 발명의 일 실시예에 따른 도시 폭염 상세정보 예측시스템은 1.5km 해상도의 기상청 국지예보모델 자료를 10m 해상도의 지표면 구조 분석기술 즉, 지표면 열 방출(Release of heat from the surface to the atmosphere (and vice versa) by sensible heat flux), 대기 열 확산(Dispersal of heat by turbulent Mixing), 대기냉각(Cooling of the air due to cold-air production on surface level) 등을 분석할 수 있는 도시지표면 변수(Slope, dx/dz, dy/dz, Hollow depth, Aspect Ratio, Building(Vegetation) Height, Volume, Density, Complete Surface Area Ratio, Fractional Coverage of Land cover 등)들과 결합하는 것을 특징으로 포함한다. 또한, 50개의 관측망 자료를 통해 결합능력을 향상시키고 이를 통해 예보능력과 공간적 상세성을 함께 만족하는 서울시의 건물 분해능 수준의 기온 (Building Resolving air Temperature, BRT) 정보를 산출한다.
도 3은 본원 발명의 일 실시예에 따른 흐름도이다.
<기상 입력자료 구축>
-국지예보모델 자료 구축 : 기상청 현업모델 UM LDAPS(numerical weather forecast model) 자료 중 1.5m 높이에서의 1시간 단위의 기온예측자료를 구축한다. 국지예보모델(LDAPS)은 기상청에서 한반도 영역의 기상예측을 위해 운영하고 있는 1.5 ㎞ 격자해상도 모델(연직층수: 70)로서 한반도 단기예측 모의(36시간)에 적용되고 있다. 일 예에서는 2015년 LDAPS 모델의 기온예측자료(6월～9월, 4개월) 중 주간(09시～20시, KST)과 야간(21시～08시, KST)을 대상으로 120개의 주간의 일 최고기온과 야간의 일 최저기온 자료의 공간분포 자료를 10m 해상도로 보간(interpolation)하여 상세 폭염예측 모형개발을 위한 입력 자료로 사용하였다. 이 자료는 통계기법 적용 시 독립변수로 사용된다.
-자동기상관측망 자료 구축 : 기상청 운영 자동기상관측망(AWS) 50개 지점의 기온관측자료를 구축한다. 이 자료는 통계기법 적용 시 종속변수로 사용된다.
<지표면 입력자료 구축>
-수치 표고모델 자료 구축 : 수치건물지도로부터 수치건물모델을 생성하고, 항공 라이다 자료로부터 분류된 식생자료를 이용하여 수치 식생모델을 생성하며, 분류된 지형자료를 이용하여 수치지형자료 생성한다. 이들을 결합하여 최종 건물 및 식생이 포함된 수치 표고모델을 산출한다.
-도시 지표면변수 산출 : 도시의 건물과 식생을 포함하는 수치 표고모델을 10m 해상도로 구축하고, 미기후분석모델(CAS, Climate Analysis Seoul; Urban microclimate analysis model)을 활용하여 도시의 형태 및 구조와 관련한 도시지표면 변수(Urban SFC physical variable)들을 산출한다. 도시기후분석모델(CAS)은 도시의 지표면 특성들(토지피복, 건물과 지형의 밀폐도/밀집도 등)과 도시캐노피 모수들로부터 도시미기후(열 및 바람환경) 공간분포를 분석하는 모델이다. 도시지표면 변수들은 경사도, 남북방향 경사길이, 동서방향 경사길이, 우묵한 지형깊이, 건물높이와 도로너비 비, 건물과 식생 높이/부피/밀도, 불투수피복에서의 열방출량, 토지피복(건물, 교목, 자연 피복, 인공피복, 물) 면적의 백분율 등을 포함한다.
<상세기온 산출모델 개발>
-국지예보모델 1.5km 해상도 기온자료(UM LDAPS data)와 10m 해상도 도시지표면 변수(Urban SFC physical variable)를 결합한 후, 관측기온자료 기반 도시 지표면의 물리적 구조환경을 반영하여, 국지예보모델 기온예측자료 편이 보정을 위한 학습모형을 생성한다.
-편이 보정을 위한 기계학습 기법은 서포트 벡터 머신(Support Vector Machine, SVM) 및 다중 선형 회귀 모델(Multiple Linear Regression Model, LM))을 이용할 수 있으며, 슬라이딩 윈도우 기법을 이용하여 최근 30일(약 1달간)의 과거자료를 산출하여 매일 새로운 모형입력자료를 구축한다.
-구축된 학습모형에 국지예보모델에서 예측한 다음날의 1.5Km 해상도 기온자료를 인터폴레이션 기법을 통해 10m 해상도로 변환한다. 이에 10m 해상도 도시지표면 변수를 입력하여, 편이 보정을 수행한 후 건물 분해능 수준의 기온(BRT)정보를 산출한다.
-산출정보의 시간해상도는 1시간 단위 기온, 1일 단위 최고기온 및 최저기온일 수 있다. 공간해상도는 10m 해상도로 건물 분해능 수준의 기온(Building Resolving air Temperature, BRT) 정보이다.
<검증체계>
-상세기온 산출모델로부터 매시간 예측되는 기온예측 값과 관측자료(KMA AWS / SKP AWS / Landsat8 SFC temperature)가 갱신될 때마다 기온관측 값을 이용하여 검증결과를 산출한다. 검증지표로는 제곱근오차(RMSE), 결정계수(R2), 일치도(IOA), 평균경향오차(MB)가 사용되었다.
<열 위험도(Heat Risk Level) 산출>
-도시 열환경 관리를 위한 행정구역 단위를 동 단위로 정의하고,
-상세기온(BRT)분포로부터 동 단위 경계 안에 포함되는 격자 중에 사람이 거주하는 지역(건물, 도로기준)을 위치 선정하여 해당 격자를 추출한다.
-해당 격자들을 집계하여 이중 상위 10%에 포함되는 격자들 기온을 평균하여 동 단위 대표값으로 할당한다.
-위험도 등급은 4단계로 산정할 수 있으며, 재해 없음, 주의, 경계, 심각 수준으로 정의한다.
-이로부터 매시간 단위 또는 일 단위로 설정함에 따라 4단계 수준의 열 위험예측지도가 표출된다.
상술한 본원 발명의 일 실시예에 따르면, 다음과 같은 효과가 있다.
-상세화 : 국지예보모델의 예측능력을 확보하면서 도시 지표면 물리적 환경을 분석 결합하여 기온분포의 상세성을 높일 수 있다.
-정확도 개선 : 기온예측자료를 보정하게 됨으로써, 국지예보모델 예측값과 기상청 AWS 관측값의 제곱근오차(RMSE)가 1.33에서 0. 68로 개선, 결정계수(R2)가 0.44에서 0.91로 1에 가까운 값을 나타냈다.
-효과 : 기상청 예보는 서울지역을 하나의 대표값으로 알림을 하지만, 공간적으로 10m 격자 기온 편차분포를 산출하게 된 이 결과는 여름철 폭염경보 발령일이 아니라도 폭염 또는 열대야 수준의 열 위험지역을 알 수 있는 효과가 있다.
-대응 및 관리 : 동 단위 기준으로 4단계 위험도 알림으로 직관적 정보 획득이 가능하고, 상대적으로 취약한 지역을 구분하여 대응할 수 있다.
도 4는 일 최고기온(좌) 및 최저기온(우) 산출모델 개발 결과를 나타내는 도면이다(도 1(좌)와 비교). 2015년 8월 30일을 사례로 예측된 BRT 결과는 다음과 같다. 산출된 BRT를 적용하면 일 최고기온의 경우 서울관측소의 기온이 30도일 때 국지적인 서울의 온도분포를 27도에서 33도까지 재구성할 수 있으며 일최저온도의 경우 서울관측소의 기온이 19도일 때 19도에서 25도까지 재구성할 수 있다. 즉, 상대적으로 기온이 높게 나타나는 지역과 낮게 나타나는 지역을 예보모형을 기반으로 공간화할 수 있다.
도 5는 송파구 지역의 항공사진(좌), 국지예보모델 기온예측자료(중) 및 상세화된 기온분포(우)를 나타내는 도면이다. 예로, 송파구 일대의 LDAPS 자료의 일최고기온 분포 차이는 2도였으나 본원 발명의 일 실시예에 따른 UM LDAPS-CAS 결합모델에서 산출된 BRT 일최고기온 분포 차이는 7도였다.
도 6은 동 단위 열환경 분포도를 나타내는 도면으로서, 쪽방촌 위치와 노인인구분포비율을 중첩하여 관리 우선순위를 표출한다. 건물 및 도로가 위치한 지역의 일 최고기온 분포를 집계하여 동 단위로 평균한 결과 2015년 8월 3일의 경우 동 별로 약 2.4도의 기온 차이가 나타난다. 이렇게 산출된 동별 최고온도평균 자료를 65세 이상 노령인구 비율 및 쪽방촌이 위치한 동 지도와 중첩하면 우선적으로 취약계층을 대상으로 열 환경관리가 집중되어야 할 동을 선정하는 데 유용한 정보들을 구할 수 있다.
도 7은 열 위험 예측지도와 위험등급 표출을 나타내는 도면이다.
UM LDAPS-CAS 결합모델에 도 7에서처럼 "최고온도-노출시간" 메트릭스를 통해 서울시 열 위험지도를 시계열적으로 산출할 수 있다. 열 취약성은 재해 없음, 주의, 경계, 심각 수준으로 나타낸다. 이러한 자료는 향후 이를 동네수준의 열취약성 예보에 활용될 수 있다.
전술한 본 발명은, 매체에 기록된 컴퓨터 프로그램 또는 애플리케이션으로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부를 포함할 수도 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
Claims (19)
- 제어부 및 상기 제어부에 연결되고 하기의 단계들을 수행하는 모듈들을 저장하는 데이터 저장 장치를 포함한 컴퓨터 단말기에서 수행되는 도시 폭염 상세 정보 예측 방법으로서,
상기 제어부는 상기 모듈들을 실행하여 하기의 단계들을 수행하며,
상기 단계들은,
국지예보모델의 기온예측자료를 구축하는 단계;
자동기상관측망(AWS)의 기온관측자료를 구축하는 단계;
도시의 건물과 식생을 포함하는 수치 표고모델을 산출하는 단계;
미기후분석모델을 이용하여 상기 수치 표고모델로부터 도시의 형태 및 구조와 관련한 건물 분해능 수준의 도시지표면 변수들을 산출하는 단계;
상기 국지예보모델의 기온예측자료와 상기 도시지표면 변수를 결합하는 단계;
상기 국지예보모델의 기온예측자료 및 상기 도시지표면 변수들을 독립변수로 하고, 상기 기온관측자료를 종속변수로 하여, 상기 국지예보모델의 기온예측자료의 편이 보정을 위한 학습모형을 구축하는 단계; 및
구축된 상기 학습모형에 상기 국지예보모델에서 예측한 다음날의 기온예측자료 및 상기 도시지표면 변수를 입력하여, 편이 보정을 수행한 후 건물 분해능 수준의 상세 기온 정보를 산출하는 단계;를 포함하는 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
상기 국지예보모델의 기온예측자료를 구축하는 단계는,
기상청에서 한반도 영역의 기상예측을 위해 운영하고 있는 1.5 ㎞ 격자해상도의 UM LDAPS 자료 중 1.5m 높이에서의 1시간 단위의 기온예측자료를 구축하는 단계;를 포함하는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
상기 도시지표면 변수들을 산출하는 단계는,
도시의 지표면 특성들과 도시캐노피 모수들로부터 도시미기후 공간분포를 분석하는 도시기후분석모델(CAS)을 이용하여, 경사도, 남북방향 경사길이, 동서방향 경사길이, 우묵한 지형깊이, 건물높이와 도로너비 비, 건물과 식생 높이/부피/밀도, 불투수피복에서의 열방출량, 토지피복(건물, 교목, 자연 피복, 인공피복, 물) 면적의 백분율 중 하나 이상을 포함하는 도시지표면 변수들을 산출하는 단계;를 포함하는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
상기 편이 보정을 위한 학습모형을 구축하는 단계는,
서포트 벡터 머신(Support Vector Machine, SVM) 또는 다중 선형 회귀 모델(Multiple Linear Regression Model, LM))을 이용하고, 슬라이딩 윈도우 기법을 이용하여 최근의 과거자료를 산출하여 매일 새로운 입력자료를 구축하는 단계;를 포함하는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
상기 국지예보모델의 기온예측자료는, 인터폴레이션 기법을 통해 건물 분해능 수준의 해상도로 변환되는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
산출되는 상기 건물 분해능 수준의 상세 기온 정보는,
1시간 단위 기온, 1일 단위 최고기온 및 최저기온의 시간해상도와 10m의 공간해상도를 갖는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
산출된 상기 건물 분해능 수준의 상세 기온 정보와 관측기온자료가 갱신되면 갱신된 상기 관측기온자료의 값을 이용하여 검증결과를 산출하는 단계;를 더 포함하는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
상기 상세 기온 정보로부터 소정 단위의 경계 안에 포함되는 격자 중에 사람이 거주하는 지역을 위치 선정하여 해당 격자를 추출하는 단계;
상기 해당 격자들을 집계하여 이중 상위 10%에 포함되는 격자들 기온을 평균하여 상기 소정 단위의 대표값으로 할당하는 단계; 및
상기 대표값에 따라 소정의 위험 등급을 표출하는 단계;를 더 포함하는, 도시 폭염 상세 정보 예측 방법. - 제 1 항에 있어서,
상기 수치 표고모델을 산출하는 단계는,
수치건물지도로부터 수치건물모델을 생성하는 단계;
항공 라이다 자료로부터 분류된 식생자료를 이용하여 수치식생모델을 생성하는 단계;
분류된 지형자료를 이용하여 수치지형모델 생성하는 단계; 및
상기 수치건물모델, 수치식생모델 및 수치지형모델을 결합하여 최종 건물 및 식생이 포함된 수치 표고모델을 산출하는 단계;를 포함하는, 도시 폭염 상세 정보 예측 방법. - 하드웨어와 결합되어 제 1 항 내지 제 9 항 중 어느 한 항에 기재된 도시 폭염 상세 정보 예측 방법의 각 단계를 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
- 국지예보모델의 기온예측자료를 구축하는 모듈;
자동기상관측망(AWS)의 기온관측자료를 구축하는 모듈;
도시의 건물과 식생을 포함하는 수치 표고모델을 산출하는 모듈;
미기후분석모델을 이용하여 상기 수치 표고모델로부터 도시의 형태 및 구조와 관련한 건물 분해능 수준의 도시지표면 변수들을 산출하는 모듈;
상기 국지예보모델의 기온예측자료와 상기 도시지표면 변수를 결합하는 모듈;
상기 국지예보모델의 기온예측자료 및 상기 도시지표면 변수들을 독립변수로 하고, 상기 기온관측자료를 종속변수로 하여, 상기 국지예보모델의 기온예측자료의 편이 보정을 위한 학습모형을 구축하는 모듈; 및
구축된 상기 학습모형에 상기 국지예보모델에서 예측한 다음날의 기온예측자료 및 상기 도시지표면 변수를 입력하여, 편이 보정을 수행한 후 건물 분해능 수준의 상세 기온 정보를 산출하는 모듈;을 포함하는 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
상기 국지예보모델의 기온예측자료를 구축하는 모듈은,
기상청에서 한반도 영역의 기상예측을 위해 운영하고 있는 1.5 ㎞ 격자해상도의 UM LDAPS 자료 중 1.5m 높이에서의 1시간 단위의 기온예측자료를 구축하는 모듈;을 포함하는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
상기 도시지표면 변수들을 산출하는 모듈은,
도시의 지표면 특성들과 도시캐노피 모수들로부터 도시미기후 공간분포를 분석하는 도시기후분석모델(CAS)을 이용하여, 경사도, 남북방향 경사길이, 동서방향 경사길이, 우묵한 지형깊이, 건물높이와 도로너비 비, 건물과 식생 높이/부피/밀도, 불투수피복에서의 열방출량, 토지피복(건물, 교목, 자연 피복, 인공피복, 물) 면적의 백분율 중 하나 이상을 포함하는 도시지표면 변수들을 산출하는 모듈;을 포함하는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
상기 편이 보정을 위한 학습모형을 구축하는 모듈은,
서포트 벡터 머신(Support Vector Machine, SVM) 또는 다중 선형 델(Multiple Linear Regression Model, LM))을 이용하고, 슬라이딩 윈도우 기법을 이용하여 최근의 과거자료를 산출하여 매일 새로운 입력자료를 구축하는 모듈;을 포함하는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
상기 국지예보모델의 기온예측자료는, 인터폴레이션 기법을 통해 건물 분해능 수준의 해상도로 변환되는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
산출되는 상기 건물 분해능 수준의 상세 기온 정보는,
1시간 단위 기온, 1일 단위 최고기온 및 최저기온의 시간해상도와 10m의 공간해상도를 갖는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
산출된 상기 건물 분해능 수준의 상세 기온 정보와 관측기온자료가 갱신되면 갱신된 상기 관측기온자료의 값을 이용하여 검증결과를 산출하는 모듈;을 더 포함하는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
상기 상세 기온 정보로부터 소정 단위의 경계 안에 포함되는 격자 중에 사람이 거주하는 지역을 위치 선정하여 해당 격자를 추출하는 모듈;
상기 해당 격자들을 집계하여 이중 상위 10%에 포함되는 격자들 기온을 평균하여 상기 소정 단위의 대표값으로 할당하는 모듈; 및
상기 대표값에 따라 소정의 위험 등급을 표출하는 모듈;을 더 포함하는, 도시 폭염 상세 정보 예측 시스템. - 제 11 항에 있어서,
상기 수치 표고모델을 산출하는 모듈은,
수치건물지도로부터 수치건물모델을 생성하는 모듈;
항공 라이다 자료로부터 분류된 식생자료를 이용하여 수치식생모델을 생성하는 모듈;
분류된 지형자료를 이용하여 수치지형모델 생성하는 모듈; 및
상기 수치건물모델, 수치식생모델 및 수치지형모델을 결합하여 최종 건물 및 식생이 포함된 수치 표고모델을 산출하는 모듈;을 포함하는, 도시 폭염 상세 정보 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160159616A KR101809629B1 (ko) | 2016-11-28 | 2016-11-28 | 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160159616A KR101809629B1 (ko) | 2016-11-28 | 2016-11-28 | 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101809629B1 true KR101809629B1 (ko) | 2017-12-15 |
Family
ID=60954393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160159616A KR101809629B1 (ko) | 2016-11-28 | 2016-11-28 | 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101809629B1 (ko) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101895231B1 (ko) * | 2018-03-29 | 2018-09-12 | 대한민국 | 인공위성을 이용한 일 최고기온 산출 방법 |
| KR101914061B1 (ko) | 2018-03-29 | 2018-11-02 | 대한민국 | 인공위성에 의한 열섬특성 분석방법 |
| KR101954796B1 (ko) * | 2018-08-13 | 2019-03-06 | 대한민국 | 국지예보모델기반 일반유형과 활동등급에 따른 인지온도 산출 방법 및 시스템 |
| CN109738971A (zh) * | 2018-12-07 | 2019-05-10 | 中国电力科学研究院有限公司 | 一种数值天气预报模式的计算方法 |
| KR20190057013A (ko) * | 2017-11-17 | 2019-05-27 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
| KR101966641B1 (ko) * | 2018-10-04 | 2019-08-19 | 충남대학교산학협력단 | 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 |
| KR102074871B1 (ko) * | 2018-10-26 | 2020-02-07 | 주식회사 볼트시뮬레이션 | 열원 역추적 시스템 및 방법 |
| KR102065280B1 (ko) * | 2018-11-19 | 2020-02-11 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템 |
| KR102063358B1 (ko) * | 2019-10-22 | 2020-03-02 | (주)한국해양기상기술 | 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 |
| KR20200056121A (ko) * | 2018-11-14 | 2020-05-22 | 김춘지 | 지역별 공간 특성이 반영되는 규모 상세화 방법 |
| KR20210028342A (ko) | 2019-09-04 | 2021-03-12 | 대한민국(기상청 국립기상과학원장) | 도시기상예측 모델의 입력 데이터 생성 방법 및 시스템 |
| KR102251878B1 (ko) * | 2020-03-13 | 2021-05-14 | 한국외국어대학교 연구산학협력단 | 소규모 단위의 기상예측모델을 이용한 쿨링포그 시스템 |
| KR102297183B1 (ko) * | 2020-12-28 | 2021-09-02 | 주식회사 주빅스 | 토지 피복별 군집분석에 따른 학습을 이용한 폭염 예측 시스템 |
| KR20210149300A (ko) * | 2020-06-02 | 2021-12-09 | 대한민국(기상청 국립기상과학원장) | 상세지형 정보를 고려한 고해상도 기온 수치정보 산출 방법 |
| KR20220000387A (ko) * | 2020-06-25 | 2022-01-03 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
| KR102348792B1 (ko) * | 2020-08-25 | 2022-01-07 | 전주대학교 산학협력단 | 폭염위험도 산출 시스템 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| KR102401823B1 (ko) * | 2021-09-01 | 2022-05-24 | 한국외국어대학교 연구산학협력단 | 폭염 및 한파의 기상요소와 재해부문별 열환경 응용지수 산출 시스템 및 방법 |
| KR20220090268A (ko) * | 2020-12-22 | 2022-06-29 | 한국해양과학기술원 | 인공위성을 이용한 전지구 기후모델 자료의 공간해상도 고도화를 위한 장치 및 방법 |
| KR20220098427A (ko) * | 2021-01-04 | 2022-07-12 | 연세대학교 원주산학협력단 | 특정 도메인의 감성사전을 활용한 주가 등락 예측 장치 |
| KR102448262B1 (ko) * | 2021-08-13 | 2022-09-29 | 대한민국 | 실시간 폭염 및 한파 위기경보 판단지원 시스템 및 방법 |
| KR20230102914A (ko) | 2021-12-30 | 2023-07-07 | 울산과학기술원 | Cnn 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법 |
-
2016
- 2016-11-28 KR KR1020160159616A patent/KR101809629B1/ko active IP Right Grant
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190057013A (ko) * | 2017-11-17 | 2019-05-27 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
| KR102076426B1 (ko) | 2017-11-17 | 2020-02-12 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
| KR101914061B1 (ko) | 2018-03-29 | 2018-11-02 | 대한민국 | 인공위성에 의한 열섬특성 분석방법 |
| KR101895231B1 (ko) * | 2018-03-29 | 2018-09-12 | 대한민국 | 인공위성을 이용한 일 최고기온 산출 방법 |
| KR101954796B1 (ko) * | 2018-08-13 | 2019-03-06 | 대한민국 | 국지예보모델기반 일반유형과 활동등급에 따른 인지온도 산출 방법 및 시스템 |
| KR101966641B1 (ko) * | 2018-10-04 | 2019-08-19 | 충남대학교산학협력단 | 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 |
| KR102074871B1 (ko) * | 2018-10-26 | 2020-02-07 | 주식회사 볼트시뮬레이션 | 열원 역추적 시스템 및 방법 |
| KR20200056121A (ko) * | 2018-11-14 | 2020-05-22 | 김춘지 | 지역별 공간 특성이 반영되는 규모 상세화 방법 |
| KR102168427B1 (ko) * | 2018-11-14 | 2020-10-21 | 김춘지 | 지역별 공간 특성이 반영되는 규모 상세화 방법 |
| KR102065280B1 (ko) * | 2018-11-19 | 2020-02-11 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템 |
| CN109738971A (zh) * | 2018-12-07 | 2019-05-10 | 中国电力科学研究院有限公司 | 一种数值天气预报模式的计算方法 |
| KR20210028342A (ko) | 2019-09-04 | 2021-03-12 | 대한민국(기상청 국립기상과학원장) | 도시기상예측 모델의 입력 데이터 생성 방법 및 시스템 |
| KR102317179B1 (ko) | 2019-09-04 | 2021-10-25 | 대한민국 | 도시기상예측 모델의 입력 데이터 생성 방법 및 시스템 |
| KR102063358B1 (ko) * | 2019-10-22 | 2020-03-02 | (주)한국해양기상기술 | 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 |
| WO2021080107A1 (ko) * | 2019-10-22 | 2021-04-29 | (주)한국해양기상기술 | 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 |
| KR102251878B1 (ko) * | 2020-03-13 | 2021-05-14 | 한국외국어대학교 연구산학협력단 | 소규모 단위의 기상예측모델을 이용한 쿨링포그 시스템 |
| KR102350075B1 (ko) | 2020-06-02 | 2022-01-11 | 대한민국 | 상세지형 정보를 고려한 고해상도 기온 수치정보 산출 방법 |
| KR20210149300A (ko) * | 2020-06-02 | 2021-12-09 | 대한민국(기상청 국립기상과학원장) | 상세지형 정보를 고려한 고해상도 기온 수치정보 산출 방법 |
| KR20220000387A (ko) * | 2020-06-25 | 2022-01-03 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
| KR102437856B1 (ko) | 2020-06-25 | 2022-08-30 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
| KR102348792B1 (ko) * | 2020-08-25 | 2022-01-07 | 전주대학교 산학협력단 | 폭염위험도 산출 시스템 |
| KR20220090268A (ko) * | 2020-12-22 | 2022-06-29 | 한국해양과학기술원 | 인공위성을 이용한 전지구 기후모델 자료의 공간해상도 고도화를 위한 장치 및 방법 |
| KR102461827B1 (ko) | 2020-12-22 | 2022-11-01 | 한국해양과학기술원 | 인공위성을 이용한 전지구 기후모델 자료의 공간해상도 고도화를 위한 장치 및 방법 |
| KR102297183B1 (ko) * | 2020-12-28 | 2021-09-02 | 주식회사 주빅스 | 토지 피복별 군집분석에 따른 학습을 이용한 폭염 예측 시스템 |
| KR20220098427A (ko) * | 2021-01-04 | 2022-07-12 | 연세대학교 원주산학협력단 | 특정 도메인의 감성사전을 활용한 주가 등락 예측 장치 |
| KR102555419B1 (ko) * | 2021-01-04 | 2023-07-12 | 연세대학교 원주산학협력단 | 특정 도메인의 감성사전을 활용한 주가 등락 예측 장치 |
| KR102448262B1 (ko) * | 2021-08-13 | 2022-09-29 | 대한민국 | 실시간 폭염 및 한파 위기경보 판단지원 시스템 및 방법 |
| KR102401823B1 (ko) * | 2021-09-01 | 2022-05-24 | 한국외국어대학교 연구산학협력단 | 폭염 및 한파의 기상요소와 재해부문별 열환경 응용지수 산출 시스템 및 방법 |
| CN114254802A (zh) * | 2021-11-09 | 2022-03-29 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| CN114254802B (zh) * | 2021-11-09 | 2023-09-08 | 北京师范大学 | 气候变化驱动下植被覆盖时空变化的预测方法 |
| KR20230102914A (ko) | 2021-12-30 | 2023-07-07 | 울산과학기술원 | Cnn 알고리즘을 이용한 지역 기후 구역 분류 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101809629B1 (ko) | 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 | |
| Wanik et al. | Storm outage modeling for an electric distribution network in Northeastern USA | |
| Postance et al. | Extending natural hazard impacts: an assessment of landslide disruptions on a national road transportation network | |
| Mudd et al. | Assessing climate change impact on the US East Coast hurricane hazard: temperature, frequency, and track | |
| Forestieri et al. | The impact of climate change on extreme precipitation in Sicily, Italy | |
| Voivontas et al. | Evaluation of renewable energy potential using a GIS decision support system | |
| Wu et al. | Evaluating the effects of land use and cover change on the decrease of surface wind speed over China in recent 30 years using a statistical downscaling method | |
| KR101721695B1 (ko) | 도시 개발 대상지역의 미래 기후환경 변화 예측 분석시스템 및 이를 이용한 기후 환경 변화 예측 분석 방법 | |
| CN104008277A (zh) | 耦合分布式水文模型和联合水分亏缺指数的旱情评估方法 | |
| White et al. | Using subseasonal-to-seasonal (S2S) extreme rainfall forecasts for extended-range flood prediction in Australia | |
| Li et al. | Assessing stormwater runoff reduction capacity of existing green infrastructure in the city of Ghent | |
| Speight et al. | Developing surface water flood forecasting capabilities in Scotland: An operational pilot for the 2014 Commonwealth Games in Glasgow | |
| Jacob et al. | Indicators and monitoring | |
| Villa | Institutional heat wave analysis by building energy modeling fleet and meter data | |
| Shastry et al. | Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations | |
| Ghaith et al. | Digital twin: a city-scale flood imitation framework | |
| Maddah et al. | Forecastability of a heavy precipitation event at different lead-times using WRF model: the case study in Karkheh River basin | |
| Rosowsky | Assessing climate change impacts on hurricane hazards | |
| Darghiasi et al. | Estimation of Road Surface Temperature Using NOAA Gridded Forecast Weather Data for Snowplow Operations Management | |
| Chen et al. | The effect of spatial–temporal characteristics of rainfall on urban inundation processes | |
| Abushandi | Flash flood simulation for Tabuk City catchment, Saudi Arabia | |
| Rouhani et al. | Uncertainties of precipitable water calculations for PMP estimates in current and future climates | |
| Pagano et al. | Australian bureau of meteorology flood forecasting and warning | |
| Over et al. | Adjusting annual maximum peak discharges at selected stations in northeastern Illinois for changes in land-use conditions | |
| Jang et al. | A probabilistic model for real‐time flood warning based on deterministic flood inundation mapping |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |