KR101880616B1

KR101880616B1 - 해상풍과 해무 위성정보를 이용한 해무 예측 방법

Info

Publication number: KR101880616B1
Application number: KR1020170098565A
Authority: KR
Inventors: 양찬수; 알 러쉬드 아메드 하룬; 김태호; 홍단비
Original assignee: 한국해양과학기술원
Priority date: 2017-08-03
Filing date: 2017-08-03
Publication date: 2018-07-23

Abstract

본 발명에 따른 해상풍과 해무 위성정보를 이용한해무 예측 방법은, 해양관측위성으로부터 복수의 해양 이미지를 획득하는 단계; 상기 획득한 복수의 해양 이미지에서 해무 발생 영역을 구별하여 추출하는 단계; 상기 추출된 해무 발생 영역의 이미지에서 해무 클러스터의 중심 변위를 결정하고 해무 궤적을 생성을 하는 단계; 및 상기 생성된 해무 궤적에 해상풍과 해무 위성정보를 이용한해상풍 모델 데이터를 이용하여 해무의 이동을 예측하는 단계를 포함하는 점에 그 특징이 있다.
본 발명에 따르면, 해상풍과 해무 위성정보를 이용한해상풍 데이터 및 500m 공간 해상도의 매시간 광 위성 데이터를 이용하여 해무를 예측하고, 예측된 해무의 궤도에 대한 다양한 유형의 오류를 비교하여 어떤 해상도 데이터가 더 나은 성능을 제공하는지를 확인할 수 있게 된다.

Description

해상풍과 해무 위성정보를 이용한 해무 예측 방법{Method of sea fog prediction based on Sea surface winds and sea fog information from satellite}

본 발명은 해상풍과 해무 위성정보를 이용한 해무 예측 방법에 관한 것으로, 특히 해상풍 데이터 및 중저해상도의 수 백미터 ~ 수 킬로미터의 연속적인 광학위성데이터를 이용하여 해무를 예측하고 이를 제공하여 해무로 인해 발생하는 해양 사고를 예방할 수 있는 해상풍과 해무 위성정보를 이용한 해무 예측 방법에 관한 것이다.

일반적으로 해무(해무)는 수평적 가시성을 1km 미만으로 감소시키는 일반적인 해양 기상 현상이며, 때로는 해상 교통사고를 초래할 수 있다. 전 세계 해양 및 해안 교통량의 급격한 증가로 인해 최근 해무로 인한 해양 사고로 인적 및 물적 손실이 증가하고 있다. 이러한 사실은 해상 안전을 위해 해무를 적시에 탐지하고 즉시 캐스팅하는 것이 중요하다는 것을 강조한다.

예를 들어, 한반도의 황해에서 대부분의 해무는 대개 봄과 여름철에 발생하며 다른 바다보다 더 넓게 발생한다. 따라서 해무 변화의 예측이나 뉴스 방송을 얻는다면 앞으로 몇 시간 안에 안개가 낀 지역을 피해 갈 수 있다.

한반도에서는 천리안 해양관측위성(GOCI:Geostationary Ocean Color Imager) 데이터를 사용하면 높은 공간적 및 시간적 해상도로 황해의 해무를 관찰하는데 도움된다. 그러나 현재 GOCI의 시간별 광 위성 데이터를 사용하여 해양 안개 이동을 위한 정확한 방법이 개발되지 않았다.

보통 안개는 지상에 매우 가깝거나 바닥에 남아있다. 따라서 해무와해상풍(SSW)의 형성과 이동 간에는 서로 상관관계가 있다. 오호츠크 해(Okhotsk Sea)에서는 약한 바람에 의해 해수면에서 자주 발생한다. 대부분의 이동 안개는 풍속이 2-8 ms^-1에 이르렀을 때 발생한다는 것을 발견했다. 또한, 캘리포니아 연안에서 바람의 속도가 4-6ms^-1 이하일 때 대부분의 해무가 발생한다는 것을 발견했다. 또한, 대기 질량 궤적 분석이 해무 이동을 예측하는데 유용할 수 있다.따라서, 해무의 특성은 바다에 따라서도 달라지고, 또한 바람과 관련된다는 것을 알 수 있다. 구름과 폭풍의 변화를 예측하는 데는 여러 가지 연구가 있다. 예를 들어, 구름을 예측하기 위해 세미-라그란지안(semi-Lagrangian) 변위 벡터와 지연 교차 상관 기법을 적용하는 방법과 폭풍우 추적을 위한 중심 위치와 바람 벡터의 결합 된 방법을 적용했다. 그러나 위성 데이터를 이용한 해무의 예측은 여전히 탐구되지 않고 있다. 스캐닝 밀리미터 도플러 레이더를 사용하여 해무의 속도를 처음으로 연구했다. 안개가 발생하는 곳을 연구하기 위해 궤적을 사용했다. 이러한 연구는 해무를 예측하는데 적합한 정확한 방법을 설명하기에 충분하지 않다. 더욱이 안개의 이동은 다가올 시간의 변화를 예측하는데 도움이 되는 여러 물리적 프로세스에 의해 관리되는 복잡한 프로세스이다. 따라서 특정 방법만을 단독으로 사용하면 해무를 정확하게 예측하는데 어려운 문제점이 있다.

본 발명은 해상풍 데이터 및 중저해상도의 수 백미터 ~ 수 킬로미터의 연속적인 광학위성데이터를 이용하여 해무를 예측하고 이를 제공하여 해무로 인해 발생하는 해양 사고를 예방할 수 있는 해상풍과 해무 위성정보를 이용한 해무 예측 방법을 제공하는 것을 목적으로 한다.

상기의 과제를 달성하기 위한 본 발명에 따른 해상풍과 해무 위성정보를 이용한 해무 예측 방법은, 관측위성으로부터 복수의 해양 이미지를 획득하는 단계; 상기 획득한 복수의 해양 이미지에서 해무 발생 영역을 구별하여 추출하는 단계; 상기 추출된 해무 발생 영역의 이미지에서 해무 클러스터의 중심 변위를 결정하여 생성하는 단계; 및 상기 생성된 해무클러스트 중심 변위에 해상풍 모델 데이터를 이용하여 해무의 이동을 예측하여 해무 궤적을 생성하는 단계를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 해무 발생 영역을 구별하여 추출하는 단계에서, 상기 획득한 복수의 이미지에서 분광 특성을 이용하여 구름과 해무를 구별하여 선택하고, 균일하게 정의된 경계를 가진 영역을 추출하는 점에 그 특징이 있다.

여기서, 특히 상기 해무의 이동을 예측하는 단계 이후, 상기 해무의 이동을 지속적으로 관측하는 점에 그 특징이 있다.

여기서, 특히 상기 지속적으로 관측된 해무 이동 데이터와 상기 해무의 이동 예측 데이터를 비교하여 오차를 검출하는 단계를 더 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 오차를 검출하는 단계에서 상기 관측된 해무 이동 변위와 상기 예측된 해무 이동 변위의 이미지의 픽셀을 유효성 검사 지표를 이용하여 오차를 검출하는 점에 그 특징이 있다.

여기서, 특히 상기 유효성 검사 지표는 탐지 확률(POD: Probability of detection), 오경보 비율(FAR: False alarm ratio) 및 임계성공지수(CSI: Critical success index)를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 오차를 검출하는 단계에서 상기 생성된 해무의 예측된 궤적을 관측된 궤적과 비교하여 오차를 분석하고 이를 이용하여 풍속 기여율을 보정하는 점에 그 특징이 있다.

여기서, 특히 상기 궤적 오차는 선형 거리 오차, 절대 수평 이송 편차 및 상대 수평 이송 편차를 포함하는 점에 그 특징이 있다.

본 발명에 따르면, 해상풍 데이터 및 중저해상도의 수 백미터 ~ 수 킬로미터의 연속적인 광학위성데이터를 이용하여 해무를 예측하고 이를 제공하여 해무로 인해 발생하는 해양 사고를 예방할 수 있다.

또한, 두 해상도의 해상풍과 해무 위성정보를 이용한 해상풍 데이터(SSW)를 이용하여 예측된 해무의 궤도에 대한 다양한 유형의 오류를 비교하여 어떤 해상도 데이터가 더 나은 성능을 제공하는지 확인할 수 있다.

도 1은 본 발명의 실시 예에 따른 해상풍과 해무 위성정보를 이용한해무 예측 방법에 대한 순서도.
도 2는 본 발명의 일 예로 한반도 황해의 천리안 해양관측위성(GOCI:Geostationary Ocean Color Imager) 이미지에서 세 차례의 날짜에 해무가 발생된 위치를 각각 보여주는 도면.
도 3은 본 발명의 해무 발생 영역을 추출하기 위한 예를 도시한 도면
도 4는 본 발명의 해무 발생 영역에 대한 해무 클러스터의 중심 궤적이 이동하는 것을 도시한 도면
도 5는 본 발명의 해상풍 모델 데이터를 이용하여 해무의 예측을 도시한 도면
도 6은 본 발명의 해무 예측 영역과 해무 관측 영역에 대한 것을 나타낸 도면.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명을 설명함에 있어 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

이하, 본 발명의 바람직한 실시 예를 첨부한 도면에 의거하여 상세하게 설명하면 다음과 같다.

도 1은 본 발명의 실시 예에 따른 해상풍과 해무 위성정보를 이용한해무 예측 방법에 대한 순서도이고, 도 2는 본 발명의 일 예로 한반도 황해의 천리안 해양관측위성(GOCI:Geostationary Ocean Color Imager) 이미지에서 세 차례의 날짜에 해무가 발생된 위치를 각각 보여주는 도면이다.

도 1에 도시된 바와 같이, 본 발명에 따른 해상풍과 해무 위성정보를 이용한해무 예측 방법은, 해양관측위성으로부터 복수의 해양 이미지를 획득하는 단계가 수행된다(S110).

도 2에 도시된 바와 같이, 일 예로, 동해 한반도와 서쪽과 북쪽의 중국에 둘러싸인 지역으로 황해(119 ° E ~ 128 ° E, 33 ° N ~ 40 ° N)를 선정하고, 해무의 이동은 GOCI 이미지 데이터를 사용하기로 한다. 여기서, 천리안 해양관측위성(GOCI:Geostationary Ocean Color Imager)은 2500km²의 넓은 도달 범위를 가진 바다를 관측하기 위한 세계 최초의 정지 궤도 위성으로 적용 범위는 16개의 분할된 슬롯으로 구성되고, 황해는 7에서 10까지의 슬롯에 해당된다. 여기서, 슬롯은 8개의 밴드(412개의 중심 파장에서 6개의 가시 밴드(412, 443, 490, 555, 660 및 680nm의 파장과 745와 865nm의 중심 파장에서 2개의 근적외선 대역)로부터 다중 스펙트럼 영상을 얻게 된다.

그리고 매시간 간격으로 매일 8개의 영상을 사용하였으며, 2015년 4월 25일, 2014년 3월 23일 및 2014년 3월 16일 3건의 안개가 발생 된 날이 선택되었으며, 안개 발생일 I, 안개 발생일 II 및 안개 발생일 III으로 기재된다. 도 2에서 (b) ~ (d) 2014년과 2015년 3월에서 6월까지 한국의 해양 위성 센터 (KOSC)에서 방사성 및 기하학적으로 수정된 GOCI Level 1B 데이터를 얻었다. 각 시간의 데이터 세트에는 헤더 파일과 픽셀 파일이 포함되어 있다. 여기서, 헤더 파일에는 슬롯 단위의 이미지 획득 시간을 비롯한 다양한 유형의 정보가 포함됩니다. 이때, 해무 패치를 선택하기 위해 현장 데이터뿐만 아니라 다른 위성 탐지 결과가 사용될 수 있다. 여기서, 2015년 4월 25일, 2014년 3월 23일 및 2014년 3월 16일에 각각 GOCI 이미지의 첫 번째 관찰에서 I, II 및 III 직사각형에 선택된 해무 패치의 위치를 보여주고 있으며, 백령도 기상대의 위치를 플러스(+) 부호로 나타내고 있다. 영역 Ⅰ ~ Ⅲ의 해무 패치의 합성 컬러 영상(밴드 821)은 (b) ~ (d)에 각각 도시되어 있으며 (d)에서 빨간색 픽셀과 녹색 선은 각각 육지와 해안선을 나타낸다.

도 3은 본 발명의 해무 발생 영역을 추출하기 위한 예를 도시한 도면이다.

이어서, 도 3에 도시된 바와 같이, 상기 획득한 복수의 해양 이미지에서 해무 발생 영역을 구별하여 추출하는 단계가 수행된다(S120).

보다 구체적으로, 도 3의 (a)는 2015년 4월 25일, (b)는 2014년 3월 23일 및 (c)는 3월 16일의 해무 클러스터 경계(SFCB), 연속적인 시간대의 각 클러스터 중심(CC) 및 관측된 궤도(OT)를 나타내고 있으며, t₀에서 t₇은 첫 번째 관찰 후 시간 간격으로 표시하여 나타내고 있다. 도 3(a) ~ 3(c)의 녹색 경계에 의해 한정된 영역은 각각 도 2(b) ~ 2(d)의 해무 패치의 면적을 나타내고 있다.

도 3의 각 날짜 별 GOCI 데이터에서 해무 발생 영역을 추출하기 위해서 이미지를 3차 회선 재샘플링 방법을 사용하여 직각 좌표에서 지리적 위도 / 경도 좌표계로재투영한 후, 해무를 선택하게 된다.

즉, 상기 해무 발생 영역을 구별하여 추출하는 것은 상기 획득한 복수의 이미지에서 분광 특성을 이용하여 구름과 해무를 구별하여 선택하고, 균일하게 정의된 경계를 가진 영역을 추출하게 된다.

여기서, 이미지에서 안개는 구름보다 덜 밝게 나타나고, 안개는 구름과 비교하여 잘 정의된 경계를 가지고 비교적 부드럽고 균일하게 보인다. 따라서, 이미지에서 해무를 선택하고 일부 바다 픽셀을 포함할 수 있는 관심 지역(ROI)으로 등록하게 된다.

도 4는 본 발명의 해무 발생 영역에 대한 해무 클러스터의 중심 궤적이 이동하는 것을 도시한 도면이다.

그 다음, 도 4에 도시된 바와 같이, 상기 추출된 해무 발생 영역의 이미지에서 해무 클러스터의 중심 변위를 결정하여 생성을 하는 단계를 수행하게 된다(S130). 즉, 연속적인 시간에 대한 이미지에서 해무 클러스터의 중심 간의 거리가 바뀌어 이를 해무 클러스터 중심 변위로 하고, 이는 관측된 궤도 생성에 사용하게 되고, 고해상도 WRF 모델 기반 해양풍 데이터를 이용하여 해무를 예측하는데 사용하게 된다.

보다 구체적으로, 도 4의 (a) 내지 (c)에 대해 한국해양과학기술원(KIOST) 2개의 격자 해상도(4km, 20km)를 이용한 WRF 모델에서 해양풍 데이터를 사용한다. 지상 10m의 WRF 모델은 매일 00:00 UTC(1시간 간격)로 초기화 된 73시간 시뮬레이션을 위해 실행된다. 고해상도(4km) WRF 데이터는 중심 기반 해저 안개 예측에 사용되었으며, 고해상도(4km) 및 저해상도(20km) 데이터 모두가 궤적을 생성하여 오류를 비교한다. 이러한 이유로 동풍 요소 u와 북풍 요소 v는 WRF 모델 기반 해양풍 데이터에서 추출된다.

도 5는 본 발명의 해상풍 모델 데이터를 이용하여 해무의 예측을 도시한 도면이다.

도 5에 도시된 바와 같이, 상기 생성된 중심 변위에 해상풍 모델 데이터를 이용하여 해무의 이동을 예측하여 해무 궤적을 생성하는 단계가 수행된다(S140). 여기서, 해양풍(SSW;Sea surface wind)의 구성 요소의 값은 WRF 모델에서 위치 및 시간별 데이터를 보간하여 추출했다. GOCI 관찰 첫 시간의 군집 중심은 각 시간대의 SSW 값을 이용하여 전달하게 된다. 따라서, 이미지에서 해무의 중심의 위치가 예측되어 얻게 된다.

이어, 상기 지속적으로 관측된 해무 이동 데이터와 상기 해무의 이동 예측 데이터를 비교하여 오차를 분석하고 이를 이용하여 풍속 기여율을 보정하는 단계를 수행하게 된다(S150). 보다 구체적으로, 상기 관측된 해무 이동 변위와 상기 예측된 해무 이동 변위의 이미지의 픽셀을 유효성 검사 지표를 이용하여 오차를 검출하게 되고, 상기 유효성 검사 지표는 탐지 확률(POD: Probability of detection, 오경보 비율(FAR: False alarm ratio) 및 임계성공지수(CSI: Critical success index)를 포함하게 된다. 하기 표 1은 탐지 확률(POD: Probability of detection, 오경보 비율(FAR: False alarm ratio) 및 임계성공지수(CSI: Critical success index)를 보여주고 있다.

표 1에 보여주는 것과 같이, 탐지 확률(POD), 오경보 비율 (FAR) 및 임계 성공 지수 (CSI)와 같은 유효성 확인 지표를 적용하여, 해무 예측은 높은 초기 기술 점수(평균 POD = 0.76, 평균 FAR = 0.18, 평균 CSI = 0.66)로 시작하여 2시간 후의 예측 평균 POD = 0.59, 평균 FAR = 0.30 및 평균 CSI = 0.46을 보여주고 있다. 또한, 3시간이 지난 후에도 수치는 여전히 중간 값에 가깝게 유지되었지만 이후에는 상당히 감소한 것을 알 수 있다. 이러한 방법은 해무 이동의 단기 예측에 적합하다. 또한, 4km와 20km의 WRF에서 궤적 민감도를 비교한 결과 대부분 4km WRF 모델에서 오차가 줄어든다.

도 6은 본 발명의해무 예측 영역과 해무 관측 영역에 대한 것을 나타낸 도면이다.

도 6에 도시된 바와 같이, 예측 수행의 유효성 확인을 위해 처음 관찰 시간의 해무 클러스터는 예측된 중심의 변위에 따라 이동되었다. 탐지 확률(POD), 오경보 비율(FAR), 임계 성공 지수(CSI)와 같이 일반적으로 사용되는 검증 지표를 사용하여 각 시간에서 예측된 결과와 관찰된 결과의 일치성을 확인하게 된다. 여기서, 상기 POD는 정확하게 진단된 관찰 픽셀의 총수를 측정하는데 사용되었으며, FAR은 해무 픽셀이 아닌 예측 안개 픽셀의 분수를 측정하는데 사용된다. CSI는 POD와 FAR의 다양한 측면을 결합하고 탐지의 전반적인 기술에 사용된다. 여기서, 해무 예보 지역이 하기 수학식 1과 같이 표현된다. 즉, POD, FAR 및 CSI는 다음 식을 사용하여 계산된다.

여기서 H, F 및 M은 안개 픽셀 예측 픽셀이고, 각각 히트, 오경보 및 미스를 나타낸다. POD, FAR 및 CSI 점수의 범위는 0에서 1까지이며 정확한 예측은 POD = 1, FAR = 0 및 CSI = 1의 기술 점수를 갖게 된다. 따라서 높은 점수의 POD 및 CSI와 낮은 점수의 FAR이 바람직하다.

이러한, 해무 이동 예측의 정확도는 POD, FAR 및 CSI 값으로 평가되어, 시간당 예측은 높은 초기 기술(POD ≥≥ 0.75, FAR ≤≤ 0.18 및 CSI ≥≥ 0.58)에서 시작하여 시간이 지남에 따라 감소한다. 모든 해무의 경우 POD와 CSI 값은 해무 케이스 I 및 III의 지난 몇 시간 예측을 제외하고는 시간이 진행됨에 따라 점차적으로 감소했다. 이 값은 직선거리 오차 값의 감소로 인해 값이 다시 조금씩 증가했다. 처음 2시간 동안 POD 값은 0.59 ~ 0.76의 좋은 검출 확률을 보였으며 중간 값 0.5보다 높았다. 그러나 예측 3시간 동안 POD 값은 중간 값보다 약간 낮다. 모든 해무의 경우 FAR 값은 처음 3시간 예측의 중간 값보다 작다. 일반적으로 해무의 발생과 부식이 고려되지 않았기 때문에 기술은 예측의 네 번째 시간에서 상당히 감소하게 된다. 거의 모든 시간 동안 관찰된 중심선과 예측된 중심선 사이의 거리는 연속적인 시간에 점진적으로 증가하는 것으로 관찰된다. 관찰된 해무와 예측된 해무 사이의 중첩 된 영역도 시간 경과에 따라 점진적으로 감소하게 된다. 따라서 첫 번째 예측은 관찰 결과와 가장 일치하다. 다음 시간에는 해당 기간의 관측 중심으로부터 거리가 있는 위치에서부터 예측이 시작되고, 그 예측된 궤도가 해상풍 모델 데이터에 기반하여 다시 전달됨에 따라 두 개의 먼 위치로부터의 이동 시작과 모델 표면 바람과 관측된해무 사이의 중심에서의 방향과 속도의 차이가 있다. 따라서 예측의 성과는 연속적인 시간에서 더 감소하게 된다.

또한, 상기 생성된 해무의 예측된 궤적을 관측된 궤적과 비교하여 오차를 검출하여 분석하게 된다. 이때, 상기 궤적 오차는 선형 거리 오차(Ln ; The linear distance error), 절대 수평 이송 편차(AHTD; Absolute horizontal transport deviation) 및 상대 수평 이송 편차(RHTD: Relattive horizontal transport deviation)를 포함하게 된다.

보다 구체적으로, 도 4를 참조하면, 시각적인 비교를 위해 모든 안개의 경우에 대한 해상도 모델 SSW 및 각각의 관찰된 궤적의 예측된 궤도를 보여주고 있다. 관찰된 궤적(검은색 선)은 많은 곡선의 흐름을 보였으나 고해상도 SSW 기반 궤도와 저해상도 모델 SSW 기반 궤적은 보통 직선 흐름을 따라 나타나고 있다. 고해상도 모델 SSW 기반 예측 궤도(빨간색 선)는 관측된 궤도와 약간 더 일치함을 나타내고 저해상도 모델 SSW 기반 예측 궤도(파란색 선)보다 관측된 궤도에 거의 가깝지 않게 나타나고 있다.

여기서, 하기 표 2를 참조하면, 관찰된 궤적과 예측된 궤적 사이의 양적 비교는 선형 거리 오차, AHTD 및 RHTD의 관점에서 이루어지게 된다. 즉, 시간 경과에 따라 선형 거리 오차는 오차가 감소한 안개 경우 I과 III 각각에 대한 예측의 마지막 3시간과 1시간 예측을 제외하고 점차적으로 증가한 것을 알 수 있다. 해무 케이스 I에 대해 예측 마지막 시간 동안 고해상도 모델 SSW 기반 예측 궤적은 저해상도 모델 SSW 기반 예측 궤적보다 가장 낮은 오류율(28.4 %)을 보이고 있다. 일반적으로 고해상도 모델인 SSW 기반 궤적은 저해상도 모델 SSW 기반 궤적보다 평균 선형 거리 오차가 4.57 ± 6.44 % 작다.

이러한 고해상도 모델 SSW 기반 궤도와 AHTD 및 RHTD의 비교 성능은 하기 표 2에서 보여주고 있다. 직선거리 오차와 유사하게 안개 낀 경우 III은 다른 두 가지 안개의 경우보다 훨씬 높은 AHTD 오류 값에서 시작된다. 오류 범위가 감소한 안개 경우 I의 예측 6시간 및 7시간을 제외하고 AHTD 및 RHTD 값은 점진적으로 증가하고 있다. 선형 거리 오차와 유사하게, 고해상도 모형 SSW 기반 궤도는 저 해상도 모델의 것과 비교하여 안개 낀 경우의 처음 몇 시간을 제외한 SSW 기반 궤적 III은 AHTD 및 RHTD 오류(평균 2.41 ± 3.51 % 및 2.42 ± 3 %) 측면에서 성능이 약간 좋다.

또한, 도 4에서는 해무 발생 위치의 중심으로 '예측된 궤도'라고 불리는 궤적을 생성하는데 사용되고, 저출력 및 고분해능 WRF의 SSW 기반 예측 궤적의 오류를 계산하여 이들의 성능을 비교한다. 선형 거리 오차, 절대 수평 이송 편차(AHTD) 및 상대 수평 이송 편차(RHTD)와 같은 여러 유형의 오차를 측정한다. 선형 거리 오차는 클러스터 중심과 각각의 시간 예측 중심 사이의 거리(km)로 측정된다. 연속적인 예측 시간에서 관측된 궤적과 예측된 궤적 사이의 평균 편차는 AHTD에 의해 결정된다.

이러한, 선형 거리 오차, 절대 수평 이송 편차(AHTD) 및 상대 수평 이송 편차(RHTD)는 하기 수학식들에 의해 정의되어진다.

여기서, N은 모델 도메인 내의 궤도의 총 갯수로 정의되고, n은 시간 t에서의 시험 관측 수, Xn(t)와 Yn(t)는 시간 t에서 기준 궤도의그리드 위치, xn(t)와 yn(t)는 모델 기반 해무 궤도의 대응 위치, AHTD는 킬로미터로 표시된다.

여기서, N은 모델 도메인 내의 궤도의 총 갯수로 정의되고, n은 시간 t에서의 시험 관측 수, Xn(t)와 Yn(t)는 시간 t에서 기준 궤도의 그리드 위치, xn(t)와 yn(t)는 모델 기반 해무 궤도의 대응 위치

상기 RHTD는 해상풍(SSW) 속도에 따라 수평 궤도 편차를 표준화하므로 궤적 불확실성의 상대적인 크기를 파악하는데 유용하다.

여기서, 상기 RHTD는 예상 시간당 중심의 대표성에 대한 척도로 계산되고, 궤적 길이와 무관하다. RHTD 값은 AHTD 값이 실제보다 멀리 떨어져 있고 실제에서 이동 한 거리와 각각 같을 때 0 %와 100 %에 가까울 것으로 예측한다 .

따라서, 상기의 오차 분석을 통해 해상풍의 풍속을 검출하여 이를 다시 해상풍 데이터에 반영하여 풍속 기여율을 보정하게 되어 보다 정확한 예측을 수행할 수 있게 된다.

하기 수학식 4는 선형 거리 오차에 대한 것으로, 다음과 같다.

여기서, Ln (t)는 검사되는 두 개의 궤적의 시간 t에서의 평균 길이, i는 발생의 인스턴스, N은 모델 도메인 내의 궤도의 총 갯수로 정의되고, n은 시간 t에서의 시험 관측 수, Xn(t)와 Yn(t)는 시간 t에서 기준 궤도의 그리드 위치, xn(t)와 yn(t)는 모델 기반 해무 궤도의 대응 위치

따라서, 본 발명에서는 해상풍 데이터 및중저해상도의 수 백미터 ~ 수 킬로미터의 연속적인 광학위성데이터를 이용하여 해무를 예측하고, 예측된 해무의궤도에 대한 다양한 유형의 오류를 비교하여 어떤 해상도 데이터가 더 나은 성능을 제공하는지를 확인할 수 있게 된다.

본 발명의 권리범위는 상술한 실시 예에 한정되는 것이 아니라 첨부된 특허청구범위 내에서 다양한 형태의 실시 예로 구현될 수 있다. 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자라면 누구든지 변형 가능한 다양한 범위까지 본 발명의 청구범위 기재의 범위 내에 있는 것으로 본다.

Claims

관측위성으로부터 복수의 해양 이미지를 획득하는 단계;
상기 획득한 복수의 해양 이미지에서 해무 발생 영역을 구별하여 추출하는 단계;
상기 추출된 해무 발생 영역의 이미지에서 해무 클러스터의 중심 변위를 결정하여 생성하는 단계; 및
상기 생성된 해무클러스트 중심 변위에 해상풍 모델 데이터를 이용하여 해무의 이동을 예측하여 해무 궤적을 생성하는 단계를 포함하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제1항에 있어서,
상기 해무 발생 영역을 구별하여 추출하는 단계에서,
상기 획득한 복수의 이미지에서 분광 특성을 이용하여 구름과 해무를 구별하여 선택하고, 균일하게 정의된 경계를 가진 영역을 추출하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제1항에 있어서,
상기 해무의 이동을 예측하는 단계 이후,
상기 해무의 이동을 지속적으로 관측하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제3항에 있어서,
상기 지속적으로 관측된 해무 이동 데이터와 상기 해무의 이동 예측 데이터를 비교하여 오차를 검출하는 단계를 더 포함하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제4항에 있어서,
상기 오차를 검출하는 단계에서 상기 관측된 해무 이동 변위와 상기 예측된 해무 이동 변위의 이미지의 픽셀을 유효성 검사 지표를 이용하여 오차를 검출하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제5항에 있어서,
상기 유효성 검사 지표는 탐지 확률(POD: Probability of detection, 오경보 비율(FAR: False alarm ratio) 및 임계성공지수(CSI: Critical success index)를 포함하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제4항에 있어서,
상기 오차를 검출하는 단계에서 상기 생성된 해무의 예측된 궤적을 관측된 궤적과 비교하여 오차를 분석하고 이를 이용하여 풍속 기여율을 보정하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.
제7항에 있어서,
상기 궤적 오차는 선형 거리 오차, 절대 수평 이송 편차 및 상대 수평 이송 편차를 포함하는 것을 특징으로 하는 해상풍과 해무 위성정보를 이용한 해무 예측 방법.