KR101901311B1 - 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법 - Google Patents
다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR101901311B1 KR101901311B1 KR1020160166833A KR20160166833A KR101901311B1 KR 101901311 B1 KR101901311 B1 KR 101901311B1 KR 1020160166833 A KR1020160166833 A KR 1020160166833A KR 20160166833 A KR20160166833 A KR 20160166833A KR 101901311 B1 KR101901311 B1 KR 101901311B1
- Authority
- KR
- South Korea
- Prior art keywords
- seasonal
- model
- ensemble
- factor
- detailing
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 78
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000002265 prevention Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 238000007670 refining Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013398 bayesian method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000012950 reanalysis Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000015114 espresso Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- UXUFTKZYJYGMGO-CMCWBKRRSA-N (2s,3s,4r,5r)-5-[6-amino-2-[2-[4-[3-(2-aminoethylamino)-3-oxopropyl]phenyl]ethylamino]purin-9-yl]-n-ethyl-3,4-dihydroxyoxolane-2-carboxamide Chemical compound O[C@@H]1[C@H](O)[C@@H](C(=O)NCC)O[C@H]1N1C2=NC(NCCC=3C=CC(CCC(=O)NCCN)=CC=3)=NC(N)=C2N=C1 UXUFTKZYJYGMGO-CMCWBKRRSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012109 statistical procedure 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 전문가의 개입을 통하여 역학모형 계절예측의 오류를 보정하고 관심지역에 최적화된 계절예보를 생산하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법에 관한 것으로, 계절 예측에 사용하기 위한 잠재 상세화 인자를 선택하는 상세화 인자 선택부;상기 상세화 인자 선택부에서 선택된 상세화 인자를 걸러내어 과적화를 방지하는 과적화 방지 선별부;상기 과적화 방지 선별부에서 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 사상부;상기 사상부에서 예측된 관측소 앙상블 멤버를 통합하여 최종 예측값을 생산하는 통합부;상기 통합부에서 생산된 최종 예측값을 표출하는 표출부;를 포함하는 것이다.
Description
본 발명은 계절 예측에 관한 것으로, 구체적으로 전문가의 개입을 통하여 역학모형 계절예측의 오류를 보정하고 관심지역에 최적화된 계절예보를 생산하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법에 관한 것이다.
계절기후예측은 대기 및 해양시스템의 통합적인 이해를 통해 앞으로 나타날 계절의 특성을 약 1~6달 이전에 예측하는 것으로, 사회/경제적 의사 결정과정에 중요한 요소가 된다.
인류가 지금까지 축적한 대기 및 해양시스템에 대한 이해를 바탕으로 다양한 계절예측을 위한 시스템이 개발되었고, 이는 과거의 경험을 기반으로 통계적으로 계절 기후를 예측하는 통계모형(통계적 방식)과 수치적으로 대기 및 해양시스템을 지배하는 방정식을 풀어 계절기후를 예측하는 역학적 수치모형(역학적 방식)을 포함한다.
종래 기술에서의 계절 기후예측을 위한 역학적 수치모형은 꾸준히 발전하여 전지구적으로 상당한 지역에서 다양한 현상의 계절 현상을 일정 수준 예측할 수 있는 단계로 올라섰다.
그러나 대기 및 해양의 변동성에 내재한 역학적/물리적 복잡성과 비선형성 등으로 인해 현재로서는 수치모형의 계산 결과만을 이용하여 최상의 계절 예측을 하기는 어려운 상황이다.
특히, 역학 및 물리 과정이 상대적으로 간단한 열대 지역에 비하여, 다양한 기후인자 사이의 비선형적인 상호작용이 중요한 중위도 지역 수치모형의 예측성은 아직 현업 계절예보에 후처리 과정 없이 적용하기에 무리가 있다.
다시 말해, 수치모형을 개선하고 모형의 바이어스(편의)를 보정하는 여러 연구와 개선이 이루어져 전구적으로는 많은 지역에서 상당한 수준의 계절 예보를 기대할 수 있으나, 여전히 많은 지역에서, 특히 한반도와 같은 중위도지역에서 활용 가능한 수준의 현업 계절 예보를 생산하기 위해서는 여전히 전문가의 해석 및 보정이 필요한 실정이다.
따라서, 현업 계절 예보의 실용적 활용을 위해 기후예측 및 예보에서는 역학적,통계적 방식이 적절히 혼용되고 있으나, 현재까지의 과학적 이해도와 모형의 한계로 인하여, 보다 정확한 기후예측을 위해서는 경험과 지식이 풍부한 전문가가 참여하여 모형의 한계를 보정해주는 작업이 필요한 실정이다.
이는 시간과 인력이 많이 소요되는 작업일 뿐만 아니라, 매 계절 달라지는 기후의 상태와 다양한 기후요소 사이의 상호작용으로 인하여 기후예측 능력은 전문가의 능력에 큰 영향을 받게 된다.
그러나 전문가의 구성과 의견의 주관성에 의해 객관적인 예측능력을 장기적으로 평가하기 어려운 측면이 있다.
즉, 이러한 전문가 해석 및 보정은 매 예보마다 반복적으로 이루어져야 하는데, 담당전문가의 숙련 정도에 따라 예측력이 큰 영향을 받으므로 예측기술력에 대한 객관적 평가가 불가능하다.
또한, 이는 시간과 인력이 매우 크게 소요되는 과정일 뿐만 아니라, 지속적인 전문가의 개입을 기대하기 어려운 상대적으로 낙후한 기관/국가에서는 계절 기후예측의 정확도 및 안정성을 확보하기 어려운 실정이다.
따라서, 계절 기후예측의 정확도 및 안정성을 높이는 새로운 기술의 개발이 요구되고 있다.
본 발명은 이와 같은 종래 기술의 계절 예보 방법의 문제를 해결하기 위한 것으로, 전문가의 개입을 통하여 역학모형 계절예측의 오류를 보정하고 관심지역에 최적화된 계절예보를 생산하는, 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명은 다중모형 앙상블 예측에 전문가의 개입을 통합한 계절예측 전문가시스템을 구축하는 것으로, 전문가의 지식과 이해에 기반한 앙상블과 상세화 기법을 응용하여 역학모형의 오류를 보정하고 전문가의 반복적 개입 및 과적화 문제를 해결한 계절 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명은 상세화 기법을 응용하여 보다 정확하고 후처리 없는 최종 계절 기후 예측을 제공하며,앙상블 기법을 응용하여 안정성을 확보한, 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명은 다양한 방식의 결과 표출을 통하여 현업 예보의 가이던스 역할을 수행하고, 전문가 합의정보를 제공함으로써 기후현상에 대한 효과적인 해석을 가능하게 하여 자체기술력을 보유하지 못한 기관/국가에서도 안정적인 기후예보와 해석이 가능하도록 한, 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명은 수치모형의 결과를 바탕으로 전문가의 경험과 지식을 기후 예측시스템에 직접 포함시켜 다중모형 앙상블과 상세화 기법을 응용한 계절예측 전문가 시스템(Expert Seasonal Prediction System for Seasonal Outlook, ESPreSSO)을 구축하여 안정적이고 정확한 계절예측을 할 수 있도록 한, 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
이와 같은 목적을 달성하기 위한 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템은 계절 예측에 사용하기 위한 잠재 상세화 인자를 선택하는 상세화 인자 선택부;상기 상세화 인자 선택부에서 선택된 상세화 인자를 걸러내어 과적화를 방지하는 과적화 방지 선별부;상기 과적화 방지 선별부에서 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 사상부;상기 사상부에서 예측된 관측소 앙상블 멤버를 통합하여 최종 예측값을 생산하는 통합부;상기 통합부에서 생산된 최종 예측값을 표출하는 표출부;를 포함하는 것을 특징으로 한다.
다른 목적을 달성하기 위한 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법은 계절 예측 전문가 시스템을 구축하는 단계;계절 예측에 사용하기 위한 잠재 상세화 인자를 입력받는 상세화 인자 선택 단계;상기 상세화 인자 선택 단계에서 선택된 상세화 인자를 걸러내어 과적화를 방지하는 과적화 방지 선별 단계;상기 과적화 방지 선별 단계에서 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 단계;예측된 관측소 앙상블 멤버를 통합하여 최종 예측값을 생산하는 단계;생산된 최종 예측값을 표출하는 단계;를 포함하는 것을 특징으로 한다.
이와 같은 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법은 다음과 같은 효과를 갖는다.
첫째, 전문가의 개입을 통하여 다중역학모형 앙상블 계절예측의 오류를 보정하고 관심지역에 최적화된 계절예보를 생산하는 것이 가능하다.
둘째, 객관적 수치모형의 성능에 전문가의 경험과 지식이 더해져 보다 정확한 기후예측이 가능하게 된다.
셋째, 지속적이고 안정적인 기후예측 생산이 가능해져 장기적 기후예측 능력의 정량적인 평가가 가능하게 된다.
넷째, 다양한 방식의 결과표출을 통하여 기후예보능력이 있는 기관/국가에 보다 다양한 정보를 제공하고, 자체적 기후예보 능력이 없는 기관/국가에 예보 가이던스를 제공할 수 있다.
다섯째, 전문가에 의해 선택된 의미 있는 요소를 요약 제공함으로써 기후 시스템 및 수치모형에 대한 이해 향상을 이끌 수 있다.
도 1은 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템의 구성도
도 2a는 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템의 구성 블록도
도 2b는 상세화 인자 선택부의 상세 구성도
도 3은 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법을 나타낸 플로우 차트
도 4는 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템에서의 관측과 표적 변수와의 관계를 나타낸 구성도
도 5는 수치모형과 표적 변수와의 관계를 나타낸 구성도
도 6은 상세화 인자 요약 구성도
도 7은 정량적 예측성과 안정성, 그리고 2016년 9월 기온 예측의 예를 나타낸 구성도
도 2a는 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템의 구성 블록도
도 2b는 상세화 인자 선택부의 상세 구성도
도 3은 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법을 나타낸 플로우 차트
도 4는 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템에서의 관측과 표적 변수와의 관계를 나타낸 구성도
도 5는 수치모형과 표적 변수와의 관계를 나타낸 구성도
도 6은 상세화 인자 요약 구성도
도 7은 정량적 예측성과 안정성, 그리고 2016년 9월 기온 예측의 예를 나타낸 구성도
이하, 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.
본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.
도 1은 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템의 구성도이다.
그리고 도 2a는 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템의 구성 블록도이고, 도 2b는 상세화 인자 선택부의 상세 구성도이다.
본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법은 상세화 기법을 응용하여 전문가의 개입을 통해 다중역학모형 앙상블 계절예측의 오류를 보정하고 관심 지역에 최적화하여 예측성을 높이고 후처리를 최소화한 것이다.
또한, 앙상블 기법을 응용하여 전문가의 주관성 및과적화 문제를 해결한 안정적인 계절기후 예측 시스템을 구축하며, 다양한 방식의 결과 표출을 통하여 현업 예보의 가이던스 역할을 수행하고, 전문가 합의정보를 제공함으로써 기후현상에 대한 효과적인 해석을 가능하게 하여 자체기술력을 보유하지 못한 기관/국가에서도 안정적인 기후예보와 해석이 가능하도록 한 것이다.
본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템은 도 1에서와 같이, 전문가의 기후시스템 및 수치모형의 바이어스에 대한 이해를 반영하여 잠재 상세화 인자를 선택하는 상세화 인자 선택부; 전문가에 의해 선택된 상세화 인자를 통계적으로 걸러 내어 과적화를 방지하는 과적화 방지 선별부; 선별된 상세화 인자를 개별 관측소로 상세화하여 개별 예측값을 생산하는 사상부; 예측된 관측소값으로부터 앙상블 예측값을 생산하는 통합부; 그리고 결과물을 결정적, 확률적, 자연어 방식으로 표출하는 표출부;를 포함한다.
구체적으로, 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템은 도 2a에서와 같이, 전문가의 기후시스템 및 바이어스 등 수치모형의 특성에 대한 이해를 반영하여 잠재 상세화 인자를 선택하는 상세화 인자 선택부(20)와, 전문가에 의해 선택된 상세화 인자를 객관적인 통계 절차를 통해 걸러 내어 과적화를 객관적으로 방지하는 과적화 방지 선별부(30)와, 선별된 상세화 인자를 개별 관측소로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 사상부(40)와, 예측된 관측소 앙상블 멤버를 통합하여 최종 예측값을 생산하는 통합부(50)와, 결과물을 결정적, 확률적으로 나타내고, 이를 인간이 이해할 수 있는 방식으로 자연어 표출을 하는 표출부(60)를 포함한다.
여기서, 상세화 인자 선택부(20)의 상세 구성은 다음과 같다.
도 2b에서와 같이, 관측기후 관련성을 표출하는 관측부(21)와, 수치모형 특성을 제시하는 모형부(22)와, 전문가 선택을 입력받는 사용자 인터페이스를 포함하는 입력부(23)와, 입력된 잠재 상세화 인자값을 저장하는 저장부(24)를 포함한다.
그리고 과적화 방지 선별부(30)는 저장된 잠재 상세화 인자값을 걸러 내어 과적화를 방지하는 객관적 통계적 방식을 포함한다.
그리고 사상부(40)는 전문가에 의해 선택되고 객관적으로 걸러진 수치모형의 상세화 인자를 통계적으로 관측 지점값으로 대응시키는 함수를 포함한다.
함수의 방식으로는 결정론적 다중회귀법과 확률론적 베이지안회귀법이 포함된다.
그리고 통합부(50)는 각 관측 지점에 대하여 계산된 개별 예측값을 앙상블 평균하여 최종 계절예측값을 통합하는 방식을 포함한다.
예측값을 통합하는 방식으로는 다중모형 앙상블기법에서 사용하는 단순 합성법을 이용한다. 또한, 잠재 예측인자를 통합하여 전문가에게 보고하는 되먹임 요약부를 포함한다.
그리고 표출부(60)는 표출 내용에 최종결과를 정량적으로 나타내는 결정적인 예측값과 베이지안 방법을 응용한 확률적 분포값을 포함한다.
또한, 요약부의 결과와 수치모형에서 예측한 기후 특성을 혼합하여 의미있는 요소를 추출하고, 추출된 요소를 비전문가가 이해하기 쉬운 자연어로 해설하여 표출하는 서식과 방식을 포함한다.
본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법을 구체적으로 설명하면 다음과 같다.
도 3은 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법을 나타낸 플로우 차트이다.
본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법은 도 3에서와 같이, 계절 예측 전문가 시스템 구축 단계(S301), 전문가로부터 잠재 상세화 인자를 입력받는 단계(S302), 잠재 상세화 인자를 객관적으로 선별하여 과적화를 방지하는 단계(S303), 각 관측소별로 기초 예측 앙상블 멤버를 계산하는 단계(S304), 최종 계절 예측을 생산하는 단계(S305), 생산된 최종 계절 예측값을 표출하는 단계(S306)를 포함한다.
계절 예측 전문가 시스템 구축 단계(S301)를 구체적으로 설명하면 다음과 같다.
본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절예측 전문가 시스템(Expert Seasonal Prediction System for Seasonal Outlook; ESPreSSO)은 수치모형의 결과를 바탕으로 전문가의 경험과 지식을 기후 예측시스템에 직접 포함시켜 보다 안정적이고 정확한 계절예측을 할 수 있도록 한 것이다.
이와 같은 ESPreSSO의 활용을 위하여 다음과 같은 가정을 한다.
(1)역학수치모형이 어느 정도 예측력을 보유하고 있다. 단, 계통적인 바이어스(편의)는 문제되지는 않는다.
(2)표적변수인 관측소 관측값들은 어느 정도 비슷한 역학/물리과정에 의해 지배되는 통일성을 가지는 한편, 어느 정도 다양성도 함께 가지고 있다.
(3)ESPreSSO에 투입되는 전문가들은 기후에 영향을 미치는 대기 해양시스템의 물리/역학 과정에 대한 지식이 있고, 수치모형의 성능 및 편의에 대해 알고 있으며, ESPreSSO의 작동원리를 이해하고 있다.
기후예측을 위한 역학수치 모형은 꾸준한 발전을 이루어왔으며, 현재 기술력으로 생산되는 예측값은 지역과 현상에 따라 편차는 있으나 유의미한 예측성능을 보유하고 있다.
다만, 예측력에 물리/역학적, 지역적인 편차가 발생하며(적도지역이 중위도지역 보다 우수한 예측력을 보임), 계통적인 오류(바이어스)가 여전히 존재하는 실정이다. 따라서 현재 수치모형의 기술력은 가정 (1)을 만족한다.
본 발명에서 예시가 되는 한반도지역 59개 관측소의 관측기온 및 강수는, 전체적으로 보다 큰 규모의 대규모 대기순환 시스템의 지배를 받고 있다.
그러나 구체적으로는 어느 정도의 지역적 편차를 보이고 있다. 따라서, 가정 (2)를 만족하는 자료이다.
본 발명에서의 인적구성은 전문가 집단 안에서 한반도 기후예측을 담당해왔고, 수치모형의 결과를 다루며 이를 계절 기후예측에 적용하는 기후예측 전문가 회의에 꾸준히 참여하였으며, ESPreSSO의 제작 과정에 함께 참여한 인력이다.
따라서 가정 (3)을 만족하는 전문가 집단이다.
그리고 앙상블 통합 기법은 기본적으로 다중수치 모형 앙상블 기법을 기반으로 하며, 반복적으로 선택되는 관계성은 강조되고, 임의적으로 나타나는 산발적인 관계성은 약화되는 특징을 가지고 있다.
전문가에 의해 의미 있는 신호는 반복적으로 선택되고, 비계통적으로 나타나는 잡음은 드물게 선택된다는 점에서 가정 (1) ~ (3)이 만족하는 구성에 대하여 현업적 이용수준에 부합하는 예측력과 안정성을 가지게 된다.
그리고 전문가로부터 잠재 상세화 인자를 입력받는 단계(S302)를 구체적으로 설명하면 다음과 같다.
잠재 상세화 인자를 입력받는 단계(S302)는 전문가의 선택을 위한 정보를 제공하는 구성을 포함하는 것으로, 표적 변수와 관측/모형 변수의 상관/회귀/합성 분석도를 제공하고, 교차검증을 통하여 훈련기간 동안 지속적으로 유의한 관련성을 정리하여 전문가에게 표출한다.
관측부(21)에서 관측된 실제기후와 대규모 순환장의 관계를 정리/표출하여, 전문가의 실제 기후특성 파악을 위하여 제공하고, 모형부(22)에서 모형에서 모의되는 기후의 특성과 표적 간의 관계를 표출하여, 모형 성능 및 바이어스 정리를 하여 제공한다.
그리고 전문가가 사용자 인터페이스를 통하여 주인자/부인자 등을 선택하고 이를 수치적으로 저장하는 구성을 포함하고, 부인자의 개수는 1개로 설정되어있으나, 확장/축소가 가능하다.
입력부(23)는 상기 정보를 바탕으로 잠재 상세화 인자(주인자와 부인자)들을 입력받는 사용자 인터페이스를 갖는 것으로, 입력부(23)에는 지도화면에 모형과 표적 인자의 관계가 기본 제공되며, 전문가가 변수를 선택하여 클릭을 통해 잠재 상세화인자 계산방식(예, 영역평균/가중평균 등)을 결정하고 해당영역을 지정하게 된다.
저장부(24)는 전문가의 선택을 적절한 형식으로 변환하여 이후 계산에 사용될 자료를 정리하여 저장하는 것으로, 저장부(24)에는 모형의 수평해상도에 따라 전문가가 수동으로 선택한 영역이 모형의 영역과 일치하도록 보정하는 과정이 포함된다.
그리고 잠재 상세화 인자를 객관적으로 선별하여 과적화를 방지하는 단계(S303)를 구체적으로 설명하면 다음과 같다.
상세화 인자 선택부(20)에서 저장된 잠재 상세화 인자 및 표적 변수가 갖는 관계를 고려하여 최종 상세화 인자를 선별하는 구성으로, 상세화 인자 선택부(20)에서 넘어온 정보를 과적화 방지 선별부(30)에서 모형값에 투사하여 잠재 예측인자의 시계열을 계산하고, 잠재 예측 인자 사이의 관련성(예, r12)과 잠재 예측인자와 표적 변수의 관련성(예, r1, r2)를 이용하여 통계적으로 의미있는 부인자를 선정한다.
주인자와 부인자의 개수가 각 1개일 경우, 이를 결정하는 식은 다음과 같다.
여기서, 부인자와 표적변수의 관계(r2)가 우변보다 작은 경우에 부인자를 탈락시킨다.
이는 예측인자들로 인해 설명되는 표적변수의 변동성의 비율(R2)이 부인자의 첨가로 향상되지 않기 때문이다.
이러한 특성을 기반으로 다중부인자인 경우로 확장이 가능하다.
그리고 각 관측소별로 기초 예측 앙상블 멤버를 계산하는 단계(S304)를 구체적으로 설명하면 다음과 같다.
각 관측소별로 기초 예측 앙상블 멤버를 계산하는 단계(S304)는 결정론적 다중회귀방식을 이용하는 것으로, 선형 다중회귀식을 이용하여 표적변수(y)와 상세화인자(xi) 사이의 관계를 계산한다.
그리고 각 관측소별로 기초 예측 앙상블 멤버를 계산하는 단계(S304)는 확률론적 베이지안회귀방식을 이용하는 것으로, 상세화인자와 표적변수는 결정되어있다고 가정하고, 둘 사이에 관계성의 불확실성을 고려(ya)하여, 실제적인 계산은 Markov Chain-Monte Carlo 기법 등을 통하여 모수공간에서 재추출을 시행, 이를 기반으로 ai 및 ya의 분포를 얻는다.
그리고 얻어진 둘 사이의 관계성은 결정되어있다고 가정하고 상세화 인자의 불확실성을 고려(yx)하여(optional) 개별모형의 산포 등을 고려하여 알려진 함수(예, t-분포) 등에 적합화(fitting)하여 yx를 얻는다.
상기 두 가지의 불확실성을 고려한 각각의 결과를 통합하여 최종 관측소별 확률 예측을 합성(composition) 혹은 중첩(convolution)으로 다음과 같이 계산한다.
그리고 최종 계절 예측을 생산하는 단계(S305)를 구체적으로 설명하면 다음과 같다.
각 관측소별 예측값을 통합하여 최종 계절 예측을 생산하기 위하여, 간단한 합성 방법(Simple Composite Method)가 기본적으로 사용되고, 각 관측소별 훈련 기간 특성을 고려하여 다양한 다중모형 앙상블 기법(가중합성등)으로 확장 가능하다.
그리고 평균 및 변동성 보정(optional)의 구성을 포함하고, 훈련기간 표적 변수의 변동성과 예측값의 변동성의 비율을 이용하여 최종 예측값의 변동성을 보정하고, 훈련기간의 표적변수 평균과 예측기간의 중심값의 차이를 이용하여 최종 예측값의 평균을 보정할 수 있다.
그리고 요약부에서 지속적으로 선택된 잠재 예측인자를 정리하여 전문가가 이름/의미를부여할 수 있도록 상세화 인자 선택부로 되먹인다.
그리고 생산된 최종 계절 예측값을 표출하는 단계(S306)를 구체적으로 설명하면 다음과 같다.
결정론적 예측값의 표출(숫자로 표출 됨), 확률론적 예측값의 표출(분포도와 파이그래프 등, 3분위 확률값 등)을 하고, 자연어 해설부에서 요약부의 결과와 수치모형에서 예측한 기후 특성을 혼합하여 의미있는 요소를 추출하고, 추출된 요소를 비전문가가 이해하기 쉬운 자연어로 해설하여 표출한다.
이하, 이 발명에 따른 전문가 기후 시스템(ESPreSSO)의 구성을 APEC 기후센터(APCC)의 다중모형앙상블예측(MME)을 기반으로 한반도 59개 관측소 기온계절 예측에 적용한 바람직한 예를 상세하게 설명하면 다음과 같다.
도 4는 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템에서의 관측과 표적 변수와의 관계를 나타낸 구성도이다.
그리고 도 5는 수치모형과 표적 변수와의 관계를 나타낸 구성도, 도 6은 상세화 인자 요약 구성도, 도 7은 정량적 예측성과 안정성, 그리고 2016년 9월 기온 예측의 예를 나타낸 구성도이다.
모든 자료를 ESPreSSO를 구성하는 단계인 훈련기간(1983년~2005년)과 구성된 시스템의 성능을 검증하는 검증기간(2006년~2016년)으로 나눈다.
시스템의 구성 단계에서는 검증기간의 어떠한 정보도 입력되지 않으며, 시스템의 검증은 ESPreSSO의 구성이 완료된 후 독립적으로 시행한다.
상세화 인자 선택부(20)에서는 훈련 기간 내의 한반도 관측소의 평균기온과 전구관측 재분석 자료 여러 기후변수(하층바람장, 해수면온도, 하층기압배치, 기온 및 표면온도 등)의 동시 상관을 잭나이프법을 이용하여 한해씩 제외하며 구한다.
이중 통계적으로 유의한 수준의 관련성을 가지는 변수 및 평균적 상관성을 정리하여 지도형태로 표출하여 전문가에게 제공하고, 이는 전문가가 관측된 역학/물리 과정 및 상호관계를 한눈에 요약하여 파악할 수 있는 참고자료로 사용한다.
마찬가지 방식으로, 훈련기간 내의 한반도 관측소의 평균기온과 수치모형 예측값 사이의 상관관계를 요약하여 표출하고, 전문가가 수치 모형의 특성과 바이어스에 관한 정보를 제공한다.
마지막으로 개별관측소와 수치모형예측 사이의 관련성을 요약표출하여, 전문가가 개별 관측소에 대한 잠재예측 인자를 선택할 수 있도록 한다.
전문가는 상술한 관측된 역학/물리과정 및 상호관계, 수치모형의 특성과 바이어스, 그리고 개별관측소의 특징 등을 전문적인 경험과 지식에 맞게 고려하여 가장 중요한 잠재 예측인자(주인자)를 영역 평균값의 형태로 선택한다.
또한, 전문가는 상술한 내용을 고려하되, 주인자에 대한 역학적 독립성을 함께 고려하여, 주인자가 대표하지 못하는 기타역학/물리과정 및 상호관계, 수치모형의 바이어스, 또는 개별관측소의 특성이 포함될 수 있는 두 번째 인자(부인자)의 영역평균을 선택한다.
전문가는 위의 선택과정을 한반도 59개 개별관측소에 대하여 각각 독립적으로 분리하여 반복시행 한다.
그리고 과적화 방지 선별부(30)에서는 상세화 인자 선택부(20)에서 선택된 주인자와 부인자의 한반도 개별 관측소값과의 관련성 및 상호관련성을 고려하여 부인자가 예측성향상에 기여하는지를 판별(minimum useful correlation)하고, 예측성을 향상시키는 경우 부인자를 유지하고 반대의 경우 부인자를 탈락시킨다.
사상부(40)에서는 상기 선별된 인자(들)을 기반으로, 한반도 개별관측소에 대해 다음의 다중회귀식을 이용하여 예측한다.
수학식 4에서 각 변수의 의미는 다음과 같다.
y = 예측하려는 개별관측소의 값, a = 회귀계수, x = 전문가에 의해 선택되고 객관적으로 선별된 예측인자, e = 예측인자에 의해 설명되지 않는 관측소값의 변동, i = 관측소번호, j = 예측인자번호, N = 주인자만 사용될 경우 1, 부인자까지 이용될 경우는 2 이다.
수학식 4에서 개별관측소의 관측값과 수치모형이 예측하는 예측인자 사이의 불확실성을 고려하여 베이지안회귀방법을 사용하면 예측된 관측값을 확률분포로 얻을 수 있다.
즉, 관련성을 나타내는 회귀계수가 확률적 분포를 가지게 된다.
통합부(50)에서는, 사상부(40)에서 계산된 한반도 개별관측소 예측값을 앙상블 통합한다.
이 예에서는 가장 기본적인 단순합성법을 사용한다.
계산과정에서 사용된 선별된 상세화 인자의 정보를 요약/정리하여 전문가에게 보고하고, 전문가가 반복적으로 선택된 요소에 대하여 의미(이름)를 부여할 수 있도록 한다.
이어, 표출부(60)에서는, 통합부(50)에서 생성된 결과물인 앙상블예측값을 정량적으로 표시하고, 베이지안회귀법을 통하여 생성된 결과물인 확률예측값을 삼분위범주 및 확률분포로 표출한다.
최종적으로, 예측 계절의 수치예보 결과중에서 의미 있는 편차를 보이는 값들을 선별하여 이들이 어떠한 경향성을 가지는지를 추출하고, 이를 다음과 같이 자연어 서식에 삽입하여 해석결과물을 표출한다.
아래의 해석 결과물은 일 예를 나타낸 것으로 이와 같은 내용 및 형식으로 한정되지 않는다.
"
Korea
air
temperature
in
September
is
affected
by
southerly
near
Korean
peninsula
,
local
and
remote
SST
,
North
Pacific
High
,
and
convective
activity
over
South
China
Sea
.
This
September
,
dynamical
models
predicted
the
local
and
remote
SST
to
be
positive
and
convective
activity
over
South
China
Sea
to
be
positive
,
so
the
air
temperature
is
expected
to
be
above
normal
(
60
%;
above
normal
60
%,
near
normal
30
%,
below
normal
10
%)
around
+
1.1°C
."
상기 예문에서 밑줄 친 부분이 결과값들이 자동으로 대응되는 변수영역이다.
훈련기간을 바탕으로 구성된 시스템을 독립적인 검증기간에 적용하여 시스템의 월별,계절별 예측능력과 안정성을 평가한 후, ESPreSSO의 현업 계절예측 적용시 판단자료로 활용한다.
이상에서 설명한 본 발명에 따른 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법은 다중모형 앙상블 예측에 전문가의 개입을 통합한 계절예측 전문가시스템을 구축하고, 전문가의 주관성과 과적화 문제를 해결하기 위해서는 앙상블 기법을 응용하여 안정성을 높인 것이다.
또한, 상세화 기법을 응용하여 보다 정확하고 관심 지역에 최적화된 계절기후 예측 시스템을 구축하며, 반복적인 전문가 개입 및 후처리를 최소화할 수 있도록 하고, 다양한 방식의 결과 표출을 통하여 현업 예보의 가이던스 역할을 수행하고, 전문가 합의정보를 제공함으로써 기후현상에 대한 효과적인 해석을 가능하게 하여 자체기술력을 보유하지 못한 기관/국가에서도 안정적인 기후예보와 해석이 가능하도록 한 것이다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
20. 상세화 인자 선택부 30. 과적화 방지 선별부
40. 사상부 50. 통합부
60. 표출부
40. 사상부 50. 통합부
60. 표출부
Claims (19)
- 계절 예측에 사용하기 위한 잠재 상세화 인자를 선택하는 상세화 인자 선택부;
상기 상세화 인자 선택부에서 선택된 상세화 인자를 걸러내어 과적화를 방지하는 과적화 방지 선별부;
상기 과적화 방지 선별부에서 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 사상부;
상기 사상부에서 예측된 관측소 앙상블 멤버를 통합하여 최종 예측값을 생산하는 통합부;
상기 통합부에서 생산된 최종 예측값을 표출하는 표출부;를 포함하고,
상기 과적화 방지 선별부는 저장된 잠재 상세화 인자값을 걸러 내어 과적화를 방지하는 통계적 처리를 하고, 사상부는 전문가에 의해 선택되고 객관적으로 걸러진 수치모형의 상세화 인자를 통계적으로 관측 지점값으로 대응시키는 결정론적 다중회귀법 및 확률론적 베이지안회귀법 방식의 함수를 이용하고,
상기 사상부에서 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하기 위하여,
의 다중회귀식을 이용하여 예측하고, y = 예측하려는 개별관측소의 값, a = 회귀계수, x = 전문가에 의해 선택되고 객관적으로 선별된 예측인자, e = 예측인자에 의해 설명되지 않는 관측소값의 변동, i = 관측소번호, j = 예측인자번호, N = 주인자만 사용될 경우 1, 부인자까지 이용될 경우는 2 인 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템.
- 제 1 항에 있어서, 상기 상세화 인자 선택부는,
관측에서 나타난 기후 관련성에 관한 정보를 표출하는 관측부와,
수치모형의 특성을 제시하는 모형부와,
기후 예측을 위한 선택을 입력받는 사용자 인터페이스를 포함하는 입력부와,
입력된 잠재 상세화 인자값을 저장하는 저장부를 포함하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템. - 제 2 항에 있어서, 상기 관측부는,
표적 변수와 관측 및 모형 변수의 상관, 회귀, 합성 분석도를 제공하고, 교차검증을 통하여 훈련기간 동안 유의한 관련성을 정리하여 기후 예측 전문가에게 표출하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템. - 제 2 항에 있어서, 상기 관측부는, 관측된 실제기후와 대규모 순환장의 관계를 정리 및 표출하여, 전문가가 실제 기후특성을 파악할 수 있도록 정리하여 제공하고,
모형부는 수치모형에서 모의되는 기후의 특성과 표적 간의 관계를 표출하여, 모형 성능 및 바이어스 정리를 하여 제공하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템. - 제 2 항에 있어서, 상기 입력부의 사용자 인터페이스를 통하여 기후 예측 전문가가 주인자 및 부인자를 선택하고,
입력부는 지도화면에 모형과 표적 인자의 관계가 제공되며, 전문가가 클릭을 통해 변수를 선택하고 잠재 상세화 인자 계산방식을 결정하며 해당영역을 지정하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템. - 제 2 항에 있어서, 저장부는 모형의 수평해상도에 따라 전문가가 선택한 영역이 모형의 영역과 일치하도록 보정하여 저장하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템.
- 삭제
- 제 1 항에 있어서, 상기 표출부는,
표출 내용에 최종결과를 정량적으로 나타내는 결정적인 예측값과 베이지안 방법을 응용한 확률적 분포값을 포함하고,
요약 결과와 수치모형에서 예측한 기후 특성을 혼합하여 의미 있는 요소를 추출하고, 추출된 요소를 비전문가가 이해하기 쉬운 자연어로 해설하여 표출하는 서식과 방식을 포함하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템. - 삭제
- 계절 예측 전문가 시스템을 구축하는 단계;
계절 예측에 사용하기 위한 잠재 상세화 인자를 입력받는 상세화 인자 선택 단계;
상기 상세화 인자 선택 단계에서 선택된 상세화 인자를 통계적으로 걸러내어 과적화를 방지하는 과적화 방지 선별 단계;
상기 과적화 방지 선별 단계에서 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 단계;
예측된 관측소 앙상블 멤버를 통합하여 최종 예측값을 생산하는 단계;
생산된 최종 예측값을 표출하는 단계;를 포함하고,
상기 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하는 단계에서,
전문가에 의해 선택되고 객관적으로 걸러진 수치모형의 상세화 인자를 통계적으로 관측 지점값으로 대응시키는 결정론적 다중회귀법 및 확률론적 베이지안회귀법 방식의 함수를 이용하고, 선별된 상세화 인자를 개별 관측소 단위로 상세화하여 기초계절 예측 앙상블 멤버를 계산하기 위하여,
의 다중회귀식을 이용하여 예측하고, y = 예측하려는 개별관측소의 값, a = 회귀계수, x = 전문가에 의해 선택되고 객관적으로 선별된 예측인자, e = 예측인자에 의해 설명되지 않는 관측소값의 변동, i = 관측소번호, j = 예측인자번호, N = 주인자만 사용될 경우 1, 부인자까지 이용될 경우는 2 인 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법.
- 제 10 항에 있어서, 상기 계절 예측 전문가 시스템을 구축하는 단계는,
일부 기간(1983년 ~ 2005년)을 계절 예측 전문가 시스템을 구축하기 위한 훈련기간으로 하고, 독립된 기간(2006년 ~ 2016년)을 계절 예측 전문가 시스템을 검증하기 위한 검증 기간으로 하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법. - 제 10 항에 있어서, 상기 계절 예측 전문가 시스템을 구축하는 단계는,
훈련 기간 내의 한반도 관측소의 평균기온과 전구관측 재분석 자료, 하층바람장, 해수면온도, 하층기압배치, 기온 및 표면온도의 기후변수들의 동시 상관을 잭나이프법을 이용하여 한해씩 제외하며 구하고,
이중 통계적으로 유의한 관련성을 가지는 변수 및 평균적 상관성을 정리하여 지도형태로 표출하여 전문가에게 제공하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법. - 제 10 항에 있어서, 상세화 인자 선택 단계는,
관측된 역학/물리과정 및 상호관계, 수치모형의 특성과 바이어스, 그리고 개별관측소의 특징을 고려하여 잠재 예측인자(주인자)를 영역 평균값의 형태로 선택하고,
주인자에 대한 역학적 독립성을 고려하여, 주인자가 대표하지 못하는 기타역학, 물리과정 및 상호관계, 수치모형의 바이어스, 또는 개별관측소의 특성이 포함될 수 있는 두 번째 인자(부인자)의 영역을 선택하고,
이 과정을 한반도 59개 개별관측소에 대하여 각각 독립적으로 분리하여 반복시행하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법. - 제 10 항에 있어서, 상기 과적화 방지 선별 단계는,
선택된 상세화 인자를 모형값에 투사하여 잠재 예측인자의 시계열을 계산하고, 잠재 예측 인자 사이의 관련성(r12)과 잠재 예측인자와 표적 변수의 관련성(r1, r2)을 이용하여 통계적으로 의미있는 부인자를 선정하고, 부인자가 예측인자로 설명되는 표적변수의 변동성의 비율(R2)을 향상시키지 못하는 경우(주인자와 부인자의 개수가 각 1개일 경우,으로 결정하고, 부인자와 표적변수의 관계(r2)가 우변보다 작은 경우)에 부인자를 탈락시키는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법.
- 제 14 항에 있어서, 예측인자들로 인해 설명되는 표적변수의 변동성의 비율(R2)은 주인자와 부인자의 개수가 각 1개일 경우으로 계산되고, 이러한 특성을 기반으로 다중부인자인 경우로 확장이 가능한 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법.
- 삭제
- 제 10 항에 있어서, 최종 관측소별 확률 예측을,
의 중첩 또는 합성으로 계산하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법.
- 제 17 항에 있어서, 최종 관측소별 확률 예측 결과는,
훈련기간 표적 변수의 변동성과 예측값의 변동성의 비율을 이용하여 최종 예측값의 변동성 보정을 하고,
훈련기간의 표적변수 평균과 예측기간의 중심값의 차이를 이용하여 최종 예측값의 평균 보정을 할 수 있는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법. - 제 10 항에 있어서, 상기 생산된 최종 예측값을 표출하는 단계는,
숫자로 표출되는 결정론적 예측값의 표출과,
분포도와 파이그래프, 3분위 확률값을 포함하는 확률론적 예측값의 표출과,
요약 결과와 수치모형에서 예측한 기후 특성을 혼합하여 의미있는 요소를 추출하고, 추출된 요소를 자연어로 해설하여 표출하는 것을 포함하는 것을 특징으로 하는 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160166833A KR101901311B1 (ko) | 2016-12-08 | 2016-12-08 | 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160166833A KR101901311B1 (ko) | 2016-12-08 | 2016-12-08 | 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180065676A KR20180065676A (ko) | 2018-06-18 |
| KR101901311B1 true KR101901311B1 (ko) | 2018-09-21 |
Family
ID=62768043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160166833A KR101901311B1 (ko) | 2016-12-08 | 2016-12-08 | 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101901311B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102168427B1 (ko) * | 2018-11-14 | 2020-10-21 | 김춘지 | 지역별 공간 특성이 반영되는 규모 상세화 방법 |
| KR102478665B1 (ko) * | 2021-03-02 | 2022-12-16 | 경북대학교 산학협력단 | 통계 및 역학적 태풍 기후 예측 장치 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101179590B1 (ko) * | 2011-05-24 | 2012-09-05 | 공주대학교 산학협력단 | 역학 및 통계적 기법을 결합한 상세지역기후 예측 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101092380B1 (ko) | 2011-04-29 | 2011-12-13 | 공주대학교 산학협력단 | 지역기후모델의 모의결과를 고려한 지역기후 앙상블 예측 방법 |
| KR101646587B1 (ko) | 2014-08-19 | 2016-08-10 | 울산과학기술원 | 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법 |
-
2016
- 2016-12-08 KR KR1020160166833A patent/KR101901311B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101179590B1 (ko) * | 2011-05-24 | 2012-09-05 | 공주대학교 산학협력단 | 역학 및 통계적 기법을 결합한 상세지역기후 예측 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180065676A (ko) | 2018-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mudelsee | Trend analysis of climate time series: A review of methods | |
| Dettinger | From climate-change spaghetti to climate-change distributions for 21st-century California | |
| Dessai | Heat stress and mortality in Lisbon Part II. An assessment of the potential impacts of climate change | |
| Hennemuth et al. | Statistical methods for the analysis of simulated and observed climate data: applied in projects and institutions dealing with climate change impact and adaptation | |
| Benali et al. | Fire spread predictions: Sweeping uncertainty under the rug | |
| Lucas et al. | Optimizing automated kriging to improve spatial interpolation of monthly rainfall over complex terrain | |
| Gaüzère et al. | Empirical predictability of community responses to climate change | |
| CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
| Morawietz et al. | Systematic evaluation of autoregressive error models as post-processors for a probabilistic streamflow forecast system | |
| KR101901311B1 (ko) | 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법 | |
| Zhuang et al. | A hybrid factorial stepwise-cluster analysis method for streamflow simulation–a case study in northwestern China | |
| Moratalla et al. | New ground motion to intensity conversion equations (GMICEs) for New Zealand | |
| KR101463493B1 (ko) | 추계학적 태풍모의를 적용한 전지구 기후모델의 보완방법 | |
| Requena et al. | Technical guidelines for future intensity–duration–frequency curve estimation in Canada | |
| Casagran et al. | The role of emerging predictive IT tools in effective migration governance | |
| Venema et al. | Guidance on the homogenization of climate station data | |
| Le Guenedal et al. | Cyclone generation Algorithm including a THERmodynamic module for Integrated National damage Assessment (CATHERINA 1.0) compatible with Coupled Model Intercomparison Project (CMIP) climate data | |
| Zapolska et al. | Improving biome and climate modelling for a set of past climate conditions: evaluating bias correction using the CDF-t approach | |
| Khan et al. | Statistical methodology for evaluating process-based climate models | |
| Parker | Evaluating data journeys: climategate, synthetic data and the benchmarking of methods for climate data processing | |
| Tanton et al. | Spatial models | |
| Meng et al. | Nonlocal Controls on Tropical Cyclogenesis: A Trajectory-Based Genesis Potential Index | |
| Paxian et al. | The DWD climate predictions website: Towards a seamless outlook based on subseasonal, seasonal and decadal predictions | |
| Khamjalas | Exploring the Spatial Dynamics of FEW Nexus Policies and Their Impact on Income Inequality Using Spatial Econometric Models: Evidence from Southeast Asian Countries | |
| Heil et al. | ESA Climate Change Initiative–Fire_cci D1. 1 User Requirement Document (URD) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |