KR102063358B1 - 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 - Google Patents

고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 Download PDF

Info

Publication number
KR102063358B1
KR102063358B1 KR1020190131760A KR20190131760A KR102063358B1 KR 102063358 B1 KR102063358 B1 KR 102063358B1 KR 1020190131760 A KR1020190131760 A KR 1020190131760A KR 20190131760 A KR20190131760 A KR 20190131760A KR 102063358 B1 KR102063358 B1 KR 102063358B1
Authority
KR
South Korea
Prior art keywords
data
specific
learning
deep learning
value
Prior art date
Application number
KR1020190131760A
Other languages
English (en)
Inventor
임효혁
하지훈
Original Assignee
(주)한국해양기상기술
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 (주)한국해양기상기술 filed Critical (주)한국해양기상기술
Priority to KR1020190131760A priority Critical patent/KR102063358B1/ko
Application granted granted Critical
Publication of KR102063358B1 publication Critical patent/KR102063358B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W2201/00Weather detection, monitoring or forecasting for establishing the amount of global warming

Abstract

본 발명에 따르면, 고해상도 기상기후데이터를 생성하기 위한 학습 방법으로서, (a) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, 학습 서버가, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 재분석장 데이터 - 상기 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하는 단계; (b) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터로서 출력하도록 하는 단계; 및 (c) 상기 출력된 제2 딥러닝 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 축소데이터를 생성한 상태에서, 상기 학습 서버가, (i) 상기 제2 딥러닝 모듈로 하여금 상기 축소데이터를 제2 학습데이터로 입력받아, 상기 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 비율로 확대된 확대데이터를 산출하도록 하고, (ii) 상기 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하는 단계; 를 포함하는, 학습 방법이 제공된다.

Description

고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 {LEARNING METHOD AND TESTING METHOD FOR GENERATING HIGH-RESOLUTION WEATHER AND CLIMATE DATA, AND LEARNING DEVICE AND TESTING DEVICE USING THE SAME}
본 발명은 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 학습 장치 및 테스팅 장치에 관한 것이다.
최근 컴퓨팅 성능의 발전과 더불어 빅데이터 분석을 통해 유용한 정보를 추출하고 활용하는 기술이 각광받고 있다. 이러한 빅데이터 분석이 유용하게 활용될 수 있는 분야 중 하나가 기상기후예보 분야로서, 다양하고 방대한 기상 및 기후 데이터를 분석하여 기상기후예보를 효과적으로 수행하기 위하여 많은 연구가 이루어지고 있으며, 그에 따라 기상기후예보를 위한 여러 수치예보모델의 개발 및 성능 향상이 계속하여 이루어지고 있다.
하지만, 이러한 수치예보모델은 고성능의 컴퓨팅 능력을 필요로 하므로, 컴퓨팅 장치의 성능에 따라 기본적으로 넓은 범위의 격자간격에 대해 예측이 수행되며 따라서 해당 격자간격 이상의 세밀한 영역에서의 기상예보정보수요에 대응하는 데 한계가 존재한다. 또한, 이러한 기존의 수치예보모델이 더욱 세밀한 범위에 대하여 예보를 수행할 수 있도록 성능을 개선하거나, 새로운 수치예측모델을 개발하기 위해서는 많은 비용과 시간이 소요되는 문제가 있다.
인터넷 블로그에 포스팅 된 글 (“일기예보의 정확률을 높이는 방법”, JW, https://brunch.co.kr/@bestbell/99)를 보면, 수치예보모델은 지리학적 영역을 일정 격자로 나누어 각 격자영역의 공기의 성질에 대한 컴퓨팅 연산을 수행하는 모델로서, 정확성을 높이기 위해서는 격자 간격을 작게 하여야 하지만 그에 따라 컴퓨팅 연산량 및 연산 시간이 증가하는 문제점이 있다는 내용이 기재되어 있다.
따라서, 기존 예보모델에 의하여 획득될 수 있는 예보데이터를 활용하여 더욱 세밀한 간격의 기상기후예보데이터를 획득할 수 있는 방법이 필요한 실정이다.
본 발명은 상술한 문제점을 모두 해결하는 것을 목적으로 한다.
또한, 본 발명은, 고해상도 예보데이터를 생성하는 방법을 제공함으로써, 기상기후예보데이터가 제공되지 못하던 공백지점에 대한 기상기후예보수요를 충족시키는 것을 다른 목적으로 한다.
또한, 본 발명은, 딥러닝 알고리즘을 활용하여 고해상도 예보데이터를 생성하는 방법을 제공함으로써, 객관적이면서도 높은 정확도를 가지는 고해상도 예보데이터를 제공할 수 있도록 하는 것을 다른 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 고해상도 기상기후데이터를 생성하기 위한 학습 방법으로서, (a) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, 학습 서버가, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 재분석장 데이터 - 상기 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하는 단계; (b) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터로서 출력하도록 하는 단계; 및 (c) 상기 출력된 제2 딥러닝 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 축소데이터를 생성한 상태에서, 상기 학습 서버가, (i) 상기 제2 딥러닝 모듈로 하여금 상기 축소데이터를 제2 학습데이터로 입력받아, 상기 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 확대데이터를 산출하도록 하고, (ii) 상기 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하는 단계; 를 포함하는, 학습 방법이 제공된다.
일례로서, 상기 (a) 단계에서, 상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 특정 격자점 각각에 대응되는 지면특성데이터 및 고도특성데이터 중 적어도 하나를 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하되, 상기 특정 과거시점이 복수개의 시점인 경우, 상기 서버가, 상기 지면특성데이터 및 상기 고도데이터 중 적어도 하나가 상기 특정 과거시점 각각에 대응되도록 상기 특정 과거시점의 수만큼 동일하게 반복되는 제1 딥러닝 입력용 지면특성데이터 및 제1 딥러닝 입력용 고도특성데이터 중 적어도 하나를 추가로 생성하여, 이를 상기 제1 딥러닝 모듈로 하여금 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하는, 학습 방법이 제공된다.
일례로서, 상기 지면특성데이터는, 상기 특정 격자점 각각에 해당되는 지면특성별로 기설정된 카테고리값을 가지되, 상기 제1 딥러닝 모듈의 학습 과정에서, 상기 카테고리값 각각은, 상기 특정 격자점 각각에 대응되는 소정의 차원벡터값으로 변환되어 상기 제1 딥러닝 모듈의 학습에 사용되는 것을 특징으로 하는, 학습 방법이 제공된다.
일례로서, 상기 재분석장 데이터는, 상기 특정 격자점 각각에 대하여 (i) 소정의 범위 이내에 상기 실제 관측자료가 존재하는 제1 부분 특정 격자점 각각에 대해서는, 상기 실제 관측자료를 참조하여, 상기 제1 특정 격자점 각각의 상기 특정 기상기후에 해당되는 값이 결정되어 보정되고, (ii) 소정의 범위 이내에 상기 실제 관측자료가 존재하지 않는 제2 부분 특정 격자점 각각에 대해서는, 상기 제2 예보모델에 의하여 예측된 상기 특정 기상기후에 해당되는 값 및 상기 제2 부분 특정 격자점으로부터 가까운 위치에서 측정된 적어도 하나의 상기 실제 관측자료를 참조하여, 상기 제2 부분 특정 격자점 각각에 대한 상기 특정 기상기후에 해당되는 값이 결정되어 보정된 것임을 특징으로 하는, 학습 방법이 제공된다.
일례로서, 상기 (c) 단계에서, 상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 학습 서버가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 블러(blur) 처리 및 노이즈(noise) 추가 중 적어도 하나의 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 방법이 제공된다.
일례로서, 상기 (c) 단계에서, 상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 학습 서버가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 가로 또는 세로 픽셀수가 상기 제2 배율의 배수에 해당되는 정수값이 될 수 있도록 특정 행 또는 특정 열의 일부를 삭제 또는 추가하는 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 방법이 제공된다.
일례로서, 상기 (c) 단계에서, 상기 서버가, 소정의 내삽법을 사용하여 상기 축소데이터를 생성하는 것을 특징으로 하는, 학습 방법이 제공된다.
또한, 본 발명의 다른 태양에 따르면, 고해상도 기상기후데이터를 생성하기 위한 테스트 방법으로서, (a) 학습 서버에 의해서, (1) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 학습용 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 학습용 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 학습용 재분석장 데이터 - 상기 학습용 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 학습용 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하며, (2) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 학습용 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 학습용 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 학습용 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 학습용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 및 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 학습용 입력예보데이터로서 출력하도록 하며, (3) 상기 출력된 제2 딥러닝 학습용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 학습용 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 학습용 축소데이터를 생성한 상태에서, (i) 상기 제2 딥러닝 모듈로 하여금 상기 학습용 축소데이터를 제2 학습데이터로 입력받아, 상기 학습용 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 학습용 확대데이터를 산출하도록 하고, (ii) 상기 학습용 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 학습용 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하여, 상기 제1 딥러닝 모듈 및 상기 제2 딥러닝 모듈 각각에 대한 학습이 완료된 상태에서, 테스트 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 제1 예보모델에 의하여 획득된 상기 특정 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 제1 과거예보데이터 및 상기 특정 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 테스트용 입력예보데이터로서 출력하도록 하는 단계; 및 (b) 상기 테스트 서버가, 상기 제2 딥러닝 테스트용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 테스트용 입력예보데이터를 상기 제2 딥러닝 모듈로 하여금 입력받아 상기 제2 딥러닝 연산을 수행한 결과로서 상기 특정 제2 딥러닝 테스트용 입력예보데이터가 상기 제2 배율로 확대된 고해상도 예보데이터를 출력하도록 하여, 상기 출력된 고해상도 예보데이터를 획득하는 단계; 를 포함하는, 테스트 방법이 제공된다.
일례로서, 상기 테스트 서버가, 상기 고해상도 예보데이터에 대응되는 고해상도 격자점 중 적어도 일부의 특정 고해상도 격자점에 대한 상기 특정 기상기후에 해당되는 값을, 상기 실제 관측자료 중 특정 고해상도 격자점에 대응되는 위치에서 측정된 특정 실제 관측자료와 비교하여, 그 차이가 임계치 이상인 경우 추가학습이 필요한 것으로 판단하고, 상기 추가학습이 이루어질 수 있도록 지원하는 것을 특징으로 하는, 테스트 방법이 제공된다.
일례로서, 상기 테스트 서버가, 상기 특정 제1 과거예보데이터를 상기 재분석장 데이터와 비교한 제1 오차값과, 상기 제1 과거예보데이터를 상기 제1 딥러닝 모듈에 입력하여 상기 제1 딥러닝 모듈로 하여금 상기 제1 딥러닝 연산을 수행하도록 하여 출력된 상기 제2 딥러닝 테스트용 입력예보데이터를 상기 재분석장 데이터와 비교한 제2 오차값을 각각 참조하여, 상기 제1 예보모델과 상기 제1 딥러닝 모듈의 성능을 판단할 수 있도록 지원하되, 오차값이 작을수록 더 높은 성능의 모델로 판단하도록 지원하는 것을 특징으로 하는, 테스트 방법이 제공된다.
또한, 본 발명의 다른 태양에 따르면, 고해상도 기상기후데이터를 생성하기 위한 학습 서버로서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서; 를 포함하고, 상기 프로세서가, (I) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 재분석장 데이터 - 상기 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하는 프로세스; (II) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터로서 출력하도록 하는 프로세스; 및 (III) 상기 출력된 제2 딥러닝 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 축소데이터를 생성한 상태에서, 상기 학습 서버가, (i) 상기 제2 딥러닝 모듈로 하여금 상기 축소데이터를 제2 학습데이터로 입력받아, 상기 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 확대데이터를 산출하도록 하고, (ii) 상기 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하는 프로세스; 를 수행하는, 학습 서버가 제공된다.
일례로서, 상기 (I) 프로세스에서, 상기 프로세서가, 상기 제1 딥러닝 모듈로 하여금 상기 특정 격자점 각각에 대응되는 지면특성데이터 및 고도특성데이터 중 적어도 하나를 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하되, 상기 특정 과거시점이 복수개의 시점인 경우, 상기 프로세서가, 상기 지면특성데이터 및 상기 고도데이터 중 적어도 하나가 상기 특정 과거시점 각각에 대응되도록 상기 특정 과거시점의 수만큼 동일하게 반복되는 제1 딥러닝 입력용 지면특성데이터 및 제1 딥러닝 입력용 고도특성데이터 중 적어도 하나를 추가로 생성하여, 이를 상기 제1 딥러닝 모듈로 하여금 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하는, 학습 서버가 제공된다.
일례로서, 상기 지면특성데이터는, 상기 특정 격자점 각각에 해당되는 지면특성별로 기설정된 카테고리값을 가지되, 상기 제1 딥러닝 모듈의 학습 과정에서, 상기 카테고리값 각각은, 상기 특정 격자점 각각에 대응되는 소정의 차원벡터값으로 변환되어 상기 제1 딥러닝 모듈의 학습에 사용되는 것을 특징으로 하는, 학습 서버가 제공된다.
일례로서, 상기 재분석장 데이터는, 상기 특정 격자점 각각에 대하여 (i) 소정의 범위 이내에 상기 실제 관측자료가 존재하는 제1 부분 특정 격자점 각각에 대해서는, 상기 실제 관측자료를 참조하여, 상기 제1 특정 격자점 각각의 상기 특정 기상기후에 해당되는 값이 결정되어 보정되고, (ii) 소정의 범위 이내에 상기 실제 관측자료가 존재하지 않는 제2 부분 특정 격자점 각각에 대해서는, 상기 제2 예보모델에 의하여 예측된 상기 특정 기상기후에 해당되는 값 및 상기 제2 부분 특정 격자점으로부터 가까운 위치에서 측정된 적어도 하나의 상기 실제 관측자료를 참조하여, 상기 제2 부분 특정 격자점 각각에 대한 상기 특정 기상기후에 해당되는 값이 결정되어 보정된 것임을 특징으로 하는, 학습 서버가 제공된다.
일례로서, 상기 (III) 프로세스에서, 상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 프로세서가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 블러(blur) 처리 및 노이즈(noise) 추가 중 적어도 하나의 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 서버가 제공된다.
일례로서, 상기 (III) 프로세스에서, 상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 프로세서가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 가로 또는 세로 픽셀수가 상기 제2 배율의 배수에 해당되는 정수값이 될 수 있도록 특정 행 또는 특정 열의 일부를 삭제 또는 추가하는 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 서버가 제공된다.
일례로서, 상기 (III) 프로세스에서, 상기 프로세서가, 소정의 내삽법을 사용하여 상기 축소데이터를 생성하는 것을 특징으로 하는, 학습 서버가 제공된다.
또한, 본 발명의 다른 태양에 따르면, 고해상도 기상기후데이터를 생성하기 위한 테스트 방법으로서, 인스트럭션들을 저장하는 적어도 하나의 메모리; 및 상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서; 를 포함하고, 상기 프로세서가, (I) 학습 서버에 의해서, (1) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 학습용 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 학습용 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 학습용 재분석장 데이터 - 상기 학습용 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 학습용 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하며, (2) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 학습용 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 학습용 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 학습용 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 학습용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 및 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 학습용 입력예보데이터로서 출력하도록 하며, (3) 상기 출력된 제2 딥러닝 학습용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 학습용 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 학습용 축소데이터를 생성한 상태에서, (i) 상기 제2 딥러닝 모듈로 하여금 상기 학습용 축소데이터를 제2 학습데이터로 입력받아, 상기 학습용 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 학습용 확대데이터를 산출하도록 하고, (ii) 상기 학습용 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 학습용 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하여, 상기 제1 딥러닝 모듈 및 상기 제2 딥러닝 모듈 각각에 대한 학습이 완료된 상태에서, 테스트 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 제1 예보모델에 의하여 획득된 상기 특정 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 제1 과거예보데이터 및 상기 특정 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 테스트용 입력예보데이터로서 출력하도록 하는 프로세스; 및 (II) 상기 테스트 서버가, 상기 제2 딥러닝 테스트용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 테스트용 입력예보데이터를 상기 제2 딥러닝 모듈로 하여금 입력받아 상기 제2 딥러닝 연산을 수행한 결과로서 상기 특정 제2 딥러닝 테스트용 입력예보데이터가 상기 제2 배율로 확대된 고해상도 예보데이터를 출력하도록 하여, 상기 출력된 고해상도 예보데이터를 획득하는 프로세스; 를 수행하는, 테스트 서버가 제공된다.
일례로서, 상기 프로세서가, 상기 고해상도 예보데이터에 대응되는 고해상도 격자점 중 적어도 일부의 특정 고해상도 격자점에 대한 상기 특정 기상기후에 해당되는 값을, 상기 실제 관측자료 중 특정 고해상도 격자점에 대응되는 위치에서 측정된 특정 실제 관측자료와 비교하여, 그 차이가 임계치 이상인 경우 추가학습이 필요한 것으로 판단하고, 상기 추가학습이 이루어질 수 있도록 지원하는 것을 특징으로 하는, 테스트 서버가 제공된다.
일례로서, 상기 프로세서가, 상기 특정 제1 과거예보데이터를 상기 재분석장 데이터와 비교한 제1 오차값과, 상기 제1 과거예보데이터를 상기 제1 딥러닝 모듈에 입력하여 상기 제1 딥러닝 모듈로 하여금 상기 제1 딥러닝 연산을 수행하도록 하여 출력된 상기 제2 딥러닝 테스트용 입력예보데이터를 상기 재분석장 데이터와 비교한 제2 오차값을 각각 참조하여, 상기 제1 예보모델과 상기 제1 딥러닝 모듈의 성능을 판단할 수 있도록 지원하되, 오차값이 작을수록 더 높은 성능의 모델로 판단하도록 지원하는 것을 특징으로 하는, 테스트 서버가 제공된다.
본 발명에 의하면, 다음과 같은 효과가 있다.
본 발명은, 기존 예보데이터를 바탕으로 고해상도 예보데이터를 생성하는 방법을 제공함으로써, 기존 예보모델과 상호보완되어 효율적인 기상기후예측을 수행할 수 있도록 하는 효과가 있다.
또한, 본 발명은, 고해상도 예보데이터를 생성하는 방법을 제공함으로써, 기상기후예보데이터가 제공되지 못하던 공백지점에 대한 기상기후예보수요를 충족시키는 것을 다른 목적으로 한다.
또한, 본 발명은, 딥러닝 알고리즘을 활용하여 고해상도 예보데이터를 생성하는 방법을 제공함으로써, 객관적이면서도 높은 정확도를 가지는 고해상도 예보데이터를 제공할 수 있도록 하는 것을 다른 목적으로 한다.
도 1은, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터를 생성하기 위한 학습 서버의 개략적인 구성을 나타내는 도면이다.
도 2는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 및 테스트 과정에서 사용되는 데이터의 흐름을 개략적으로 나타내는 도면이다.
도 3은, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 및 테스트 과정에서 제1 딥러닝 모듈에 입력 및 출력되는 데이터의 예시적인 도면이다.
도 4a는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 과정에서 제2 딥러닝 모듈에 입력 및 출력되는 데이터의 예시적인 도면이다.
도 4b는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 테스트 과정에서 제2 딥러닝 모듈에 입력 및 출력되는 데이터의 예시적인 도면이다.
도 5는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 서버가 학습을 수행하는 순서를 개략적으로 나타낸 흐름도이다.
도 6은, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 테스트 서버가 테스트를 수행하는 순서를 개략적으로 나타낸 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터를 생성하기 위한 학습 서버의 개략적인 구성을 나타내는 도면이다.
도 1을 참조하면, 고해상도 기상기후데이터를 생성하기 위한 학습 서버(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 이 때, 메모리(110)는 프로세서(120)의 인스트럭션들을 저장할 수 있는데, 구체적으로, 인스트럭션들은 학습 서버(100)로 하여금 특정의 방식으로 기능하게 하기 위한 목적으로 생성되는 코드로서, 컴퓨터 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장될 수 있다. 인스트럭션들은 본 발명의 명세서에서 설명되는 기능들을 실행하기 위한 프로세스들을 수행할 수 있다.
그리고, 학습 서버(100)의 프로세서(120)는 MPU(Micro Processing Unit) 또는 CPU(Central Processing Unit), 캐쉬 메모리(Cache Memory), 데이터 버스(Data Bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
또한, 학습 서버(100)는 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220)을 포함하고 그 각각과 연동되어 있을 수 있으며, 고해상도 예보데이터를 획득하는 과정이 이루어지기 위해서 해당 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220) 각각에 대한 학습이 사전에 수행될 수 있다.
그리고, 상기 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220) 각각의 학습이 완료되면, 고해상도 기상기후데이터를 생성하기 위한 테스트 서버에 의하여 테스트 과정이 이루어질 수 있는데, 이 때 테스트 서버는 학습 서버(100)와 동일한 서버일 수도 있고, 학습이 완료된 상기 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220)을 포함하는 별도의 서버일 수도 있으며, 이는 발명의 실시 조건에 따라 다르게 이루어질 수 있다. 또한, 테스트 서버가 학습 서버(100)와는 다른 별도의 서버라면, 해당 테스트 서버는 도 1에 도시된 바와 같은 학습 서버(100)와 동일하게 구성될 수 있다.
학습 과정 및 테스트 과정에 대한 자세한 내용은 아래에서 별도의 도면을 참조하여 다시 설명할 것이다.
다음으로, 학습 서버(100) 또는 테스트 서버는 고해상도 기상기후데이터를 생성하기 위한 학습 및 테스트 과정에서 사용되는 데이터를 포함하는 데이터베이스(미도시)와 연동되어 있을 수 있는데, 여기서, 데이터베이스는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(ReadOnly Memory, ROM), EEPROM(Electrically Erasable Programmable ReadOnly Memory), PROM(Programmable ReadOnly Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으며, 이에 한정되지 않으며 데이터를 저장할 수 있는 모든 매체를 포함할 수 있다. 또한, 데이터베이스는 학습 서버(100) 또는 테스트 서버와 분리되어 설치되거나, 이와는 달리 학습 서버(100) 또는 테스트 서버의 내부에 설치되어 데이터를 전송하거나 수신되는 데이터를 기록할 수도 있고, 도시된 바와 달리 둘 이상으로 분리되어 구현될 수도 있으며, 이는 발명의 실시 조건에 따라 달라질 수 있다.
또한, 학습 서버(100) 또는 테스트 서버는, 고해상도 기상기후데이터를 생성하기 위한 학습 및 테스트 과정에서 사용되는 데이터 중 기상청 등 별도의 기상기후데이터 제공주체로부터 획득할 수 있는 데이터에 대해서는, 인터넷과 같은 외부네트워크를 통하여 상기 별도의 기상기후데이터 제공주체로부터 해당 데이터를 전송받아 획득할 수도 있으며, 이 역시 발명의 실시 조건에 따라 다르게 구성되어 이루어질 수 있다.
도 2는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 및 테스트 과정에서 사용되는 데이터의 흐름을 개략적으로 나타내는 도면이다.
도 2를 참조하면, 우선, 고해상도 기상기후데이터의 생성을 위한 학습 과정 중 제1 딥러닝 모듈(210)의 학습은, 제1 예보모델(10)로부터 획득되는 제1 과거예보데이터(11) 중 특정 과거시점에 해당되는 적어도 일부의 특정 제1 과거예보데이터(11-1)가 제1 딥러닝 모듈(210)에 제1 학습데이터로서 입력됨으로써 이루어질 수 있다. 이 때, 제1 과거예보데이터(11)는, 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값일 수 있고, 발명의 실시 조건에 따라 전체 과거시점 중 적어도 일부의 과거시점이 상기 특정 과거시점으로 선택될 수 있다. 또한, 상기 기상기후는 상기 특정 격자점 각각에 대한 기온, 습도,기압, 바람벡터, 시정, 소정의 시간 동안의 누적강수량, 소정의 시간 동안의 누적강설량 등 복수개의 특성을 포함하고 있을 수 있으며, 이에 한정되지 않고 발명의 실시 조건에 따라 상기 특성들과 다른 특성이 선택되어 사용될 수도 있다. 그리고, 제1 축선 및 제2 축선은 그 간격이 동일할 수도 있고, 예보영역의 특성에 따라 그 간격이 가변적으로 결정될 수도 있다. 예를 들어, 기상청에서 사용하는 동네예보모델이 제1 예보모델(10)일 수 있고, 해당 동네예보모델로부터 예보된 예보데이터가 제1 과거예보데이터(11)로서 사용될 수 있는데, 해당 동네예보데이터는 위도선에 평행한 5km 간격의 제1 축선과, 경도선에 평행한 5km 간격의 제2 축선으로 이루어진 전체 격자점 중 소정의 예보영역에 포함되는 특정 격자점 각각의 기상기후에 해당되는 값일 수 있다.
그리고, 제1 딥러닝 모듈(210)에는 제1 과거예보데이터(11)와 함께 재분석장 데이터(22)가 제1 GT(Ground Truth)로서 입력될 수 있다. 이 때, 재분석장 데이터(22)는, 제2 예보모델(20)에 의하여 특정 격자점 각각 및 특정 과거시점 각각에 대한 특정 기상기후에 해당되는 값으로서의 제2 과거예보데이터가 획득되면, 특정 격자점 각각 중 적어도 일부에 대응되는 실제 관측자료(30)를 참조하여 소정의 기준에 따라 보정된 데이터일 수 있다. 이 때, 제2 예보모델(20)은 발명의 실시 조건에 따라 제1 예보모델(10)에 비하여 더 정확한 수치예보모델이 선택되어 사용될 수 있는데, 예를 들어 유럽중장기예보센터의 전구모델(ECMWF)은 현재 기상청에서 사용중인 전구모델(UM)에 비하여 더 정확도가 높은 것으로 평가되며, 따라서 ECMWF가 제2 예보모델(20)로서 선택되어 사용될 수 있다.
또한, 실제 관측자료(30)는 소정의 예보영역 내에 설치된 복수개의 기상기후데이터 측정장치로부터 측정되어 수집된 자료로서, 특정 격자점 각각 중 일부에만 대응될 수 있는 자료이므로, 특정 격자점으로부터 소정의 범위 이내에 실제 관측자료(30)가 존재하는지의 여부에 따라 특정 격자점 각각의 특정 기상기후에 해당되는 값 각각을 다르게 보정하여 재분석장 데이터(22)가 생성될 수 있다. 예를 들어, 재분석장 데이터(22)는, 특정 격자점 각각에 대하여 (i) 소정의 범위 이내에 실제 관측자료(30)가 존재하는 제1 부분 특정 격자점 각각에 대해서는, 실제 관측자료(30)를 참조하여, 제1 특정 격자점 각각의 특정 기상기후에 해당되는 값이 결정되어 보정되고, (ii) 소정의 범위 이내에 실제 관측자료(30)가 존재하지 않는 제2 부분 특정 격자점 각각에 대해서는, 제2 예보모델(20)에 의하여 예측된 특정 기상기후에 해당되는 값 및 제2 부분 특정 격자점으로부터 가까운 위치에서 측정된 적어도 하나의 상기 실제 관측자료를 참조하여, 제2 부분 특정 격자점 각각에 대한 상기 특정 기상기후에 해당되는 값이 결정되어 보정된 것일 수 있다. 이 때, 제1 부분 특정 격자점 각각 또는 제2 부분 특정 격자점 각각에 대한 보정에 참조되는 실제 관측자료가 복수개인 경우, 해당 격자점 각각으로부터 가장 가까운 하나의 실제 관측자료만이 참조될 수도 있고, 가까운 순서별로 소정의 개수에 해당되는 실제 관측자료가 함께 참조될 수도 있으며, 이는 발명의 실시 조건에 따라 다르게 이루어질 수 있다.
그리고, 상기 특정 기상기후는, 상기 기상기후에 해당되는 복수의 특성 중 적어도 하나의 특정 특성으로서, 예를 들어 ‘기온’과 같이 하나의 특성일 수도 있고, ‘기온’ 및 ‘습도’ 와 같이 복수의 특성일 수도 있으며, 본 발명을 실시한 결과 획득되는 고해상도 예보데이터(221)는 상기 특정 기상기후에 해당되는 값에 대한 데이터일 수 있다.
또한, 발명의 일 예로서, 특정 격자점 각각에 대응되는 지면특성데이터(41) 및 고도특성데이터(42) 중 적어도 하나가 제1 딥러닝 모듈에 추가로 입력되어 학습이 이루어질 수 있다. 이 때, 지면특성데이터(41) 및 고도특성데이터(42) 각각은 시간의 흐름에 영향을 받지 않는 일정한 값을 가지는 데이터이며, 특히 지면특성데이터(41)는 상기 특정 격자점 각각의 지면특성을 소정의 카테고리값으로 표현한 데이터로서, 상기 기상기후에 해당되는 값과 그 성질이 상이한 데이터이다. 따라서, 특정 제1 과거예보데이터(11-1)와 함께 별도의 입력데이터로서 지면특성데이터(41) 및 고도특성데이터(42) 중 적어도 하나를 추가로 제1 딥러닝 모듈에 입력하여, 그 각각에 대하여 소정의 제1 딥러닝 연산을 수행함으로써 동일한 크기의 결과값을 생성하고, 이를 결합하여 다시 소정의 제1 딥러닝 연산을 수행함으로써 상기 기상기후 특성들과 함께 지면특성 및 고도특성 중 적어도 하나의 특성이 추가로 반영된 데이터를 사용한 제1 딥러닝 모듈의 학습이 이루어질 수 있다.
이 때, 특정 과거시점이 복수개의 시점인 경우, 학습 서버(100)는, 지면특성데이터(41) 및 고도특성데이터(42) 중 적어도 하나가 특정 과거시점 각각에 대응되도록 특정 과거시점의 수만큼 동일하게 반복되는 제1 딥러닝 입력용 지면특성데이터 및 제1 딥러닝 입력용 고도특성데이터 중 적어도 하나를 추가로 생성하여, 이를 상기 제1 딥러닝 모듈(210)로 하여금 추가로 입력받아 학습을 수행하도록 할 수 있다.
또한, 지면특성데이터(41)는, 특정 격자점 각각에 해당되는 지면특성별로 기설정된 카테고리값을 가지되, 제1 딥러닝 모듈(210)의 학습 과정에서, 상기 카테고리값 각각은, 특정 격자점 각각에 대응되는 소정의 차원벡터값으로 변환되어 제1 딥러닝 모듈(210)의 학습에 사용될 수 있다.
상술한 바와 같이, 제1 딥러닝 모듈(210)의 학습을 위해 입력되는 데이터들을 도 3을 참조하여 자세히 설명하면 다음과 같다.
도 3은, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 및 테스트 과정에서 제1 딥러닝 모듈에 입력 및 출력되는 데이터의 예시적인 도면이다.
도 3을 참조하면, 소정의 예보영역에 해당되는 특정 격자점은 (149,253)의 크기를 가지는 격자점일 수 있고, 해당 격자점 각각에 대하여 28개의 특정 과거시점 각각의 ‘기압’, ‘습도’, ‘기온’, ‘바람벡터’ 등의 기상기후 특성들 각각에 해당되는 값을 포함하는 (149,253,28)의 크기의 데이터(310-1, 310-2, ...)가 특정 제1 과거예보데이터(11-1)로서 각각 획득될 수 있으며, 학습 서버(100)는 획득된 데이터(310-1, 310-2, ...)들을 참조하여 (149x5, 253, 28) 크기의 데이터(311)를 생성하여 제1 학습데이터로서 사용할 수 있다.
또한, 고도특성데이터(42)의 경우, 시간의 변화에 따라 일정한 값을 가지는 (149,253) 크기의 데이터일 수 있고, 학습 서버(100)가 특정 과거시점의 수만큼 일정하게 반복되는 (149,253,28) 크기의 데이터를 제1 딥러닝 입력용 고도특성데이터(320)로서 생성하여 제1 딥러닝 모듈(210)의 학습에 사용할 수 있다.
그리고, 지면특성데이터(41)의 경우, 특정 격자점 각각에 해당되는 값이 소정의 카테고리값으로서, 학습 서버(100)가 그 각각에 대하여 소정의 차원으로 변환하는 임베딩(embedding) 연산을 수행할 수 있는데, 도 3을 참조하면 (149,253) 크기의 지면특성데이터(41)에 포함된 카테고리값 각각에 대하여 15개의 차원으로 변환하는 임베딩 연산을 수행하여 (149,253,28x15) 크기의 데이터를 제1 딥러닝 입력용 지면특성데이터(330)로서 생성하여 제1 딥러닝 모듈(210)의 학습에 사용할 수 있다. 예를 들어, 도 3에 도시된 바와 같이,'1'의 카테고리값(41-1)에 대하여 상기 임베딩 연산을 수행하여 15개의 차원 벡터값(330-1)으로 변환될 수 있다. 이 때, 학습 서버(100)는 상기 임베딩 연산을 위한 별도의 모듈을 포함하고 있을 수도 있고, 상기 임베딩 연산을 별도의 장치로 하여금 수행하도록 하고 그 결과를 획득할 수도 있으며, 이는 발명의 실시 조건에 따라 다르게 이루어질 수 있다.
상술한 바와 같이, 제1 딥러닝 모듈의 학습을 위해 입력되는 데이터는 각각 그 크기와 성질이 상이하므로, 해당 데이터들을 하나의 데이터로 결합하는 프로세스가 추가로 수행될 수 있는데, 학습 서버(100)가 제1 딥러닝 모듈로 하여금 입력된 제1 학습데이터와, 제1 딥러닝 입력용 지면특성데이터(330) 및 제1 딥러닝 입력용 고도특성데이터(320) 중 적어도 하나 각각에 대하여 소정의 제1 딥러닝 연산을 수행하여 동일한 사이즈의 데이터 각각을 출력(340-1, 340-2, 340-3)하도록 하고, 출력된 결과값들 각각을 특정 차원 방향으로 결합하여 하나의 데이터(350)를 생성하여, 다시 소정의 제1 딥러닝 연산을 수행하도록 함으로써 제1 딥러닝 모듈로부터 결과데이터(360)을 출력하도록 할 수 있다. 이 때, 상기 결과데이터(360)는 특정 격자점 각각 및 특정 과거시점 각각에 대한 특정 기상기후에 해당되는 예측값일 수 있다.
또한, 제1 딥러닝 모듈에 입력되는 데이터들이 3차원의 시공간 데이터임에 따라, 제1 딥러닝 모듈에 사용되는 딥러닝 알고리즘은 3D-CNN 알고리즘이 사용될 수 있고, 이러한 경우 제1 딥러닝 모듈에 입력된 데이터들에 대하여 수행되는 상기 제1 딥러닝 연산은 소정의 필터(filter)을 사용한 컨볼루션(convolution) 연산, 피처맵(feature map) 생성 및 풀링(pooling) 등을 포함하여 이루어질 수 있으나, 이에 한정되는 것은 아니며, 발명의 실시 조건에 따라 다양한 딥러닝 알고리즘이 사용될 수 있으며 그에 따라 상기 제1 딥러닝 연산 및 제1 딥러닝 모듈에 대한 학습 방법의 세부적인 내용이 다르게 적용될 수 있다.
다음으로, 제1 딥러닝 모듈(210)이 특정 격자점 각각 및 특정 과거시점 각각에 대한 특정 기상기후에 해당되는 값을 예측하면, 학습 서버(100)가 이를 제1 GT로서의 재분석장 데이터와 비교하여 제1 딥러닝 모듈(210)의 학습을 수행하도록 할 수 있다. 이 때, 제1 딥러닝 모듈(210)은 학습을 반복하여 수행하면서, 예측된 값과 재분석장 데이터의 차이가 최소화되도록 파라미터의 조정을 반복하여 수행하여, 최적의 파라미터를 획득할 수 있다.
그리고 나서, 상술한 바와 같은 학습 과정을 거쳐 학습이 완료된 제1 딥러닝 모듈에 대하여, 특정 격자점 각각에 대하여, (i) 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 제1 과거예보데이터(11) 및 (ii) 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 기상기후에 해당되는 값으로서의 미래예보데이터(12) 중 적어도 일부가 제1 예보모델(10)에 의하여 획득되면, 학습 서버(100)가, 제1 딥러닝 모듈(210)로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 특정 제1 과거예보데이터(11-1) 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 특정 미래예보데이터(12-1) 중 적어도 일부를 입력받아 소정의 제1 딥러닝 연산을 수행한 결과로서 (i) 특정 격자점 각각 그리고 (ii) 특정 과거시점 및 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터로서 출력할 수 있다.
이 때, 상기 제1 딥러닝 모듈의 학습 과정에서 지면특성데이터(41) 및 고도특성데이터(42) 중 적어도 하나가 추가로 입력되어 학습이 이루어졌다면, 제2 딥러닝 입력예보데이터를 출력하기 위한 과정에서도 해당 지면특성데이터(41) 및 고도특성데이터(42) 중 적어도 하나가 함께 제1 딥러닝 모듈에 입력되어 상기 제2 딥러닝 입력예보데이터의 출력을 위해 참조되고 사용될 수 있다.
그리고, 제1 딥러닝 모듈(210)으로부터 출력된 제2 딥러닝 입력예보데이터(211) 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터(211-1)에 대하여 소정의 전처리를 수행하여 제1 배율로 축소된 축소데이터를 생성한 상태에서, 학습 서버(100)가, (i) 제2 딥러닝 모듈로 하여금 축소데이터를 제2 학습데이터로서 입력받아, 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 확대데이터를 산출하도록 하고, (ii) 상기 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 특정 제2 딥러닝 입력예보데이터와 비교하여 제2 딥러닝 모듈에 대한 학습을 수행하도록 할 수 있다.
이 때, 발명의 일 예로서, 제2 딥러닝 모듈의 학습데이터로 사용되는 축소데이터를 생성하기 위한 전처리 과정은, 학습 서버(100)가, 특정 제2 딥러닝 입력예보데이터(211-1)에 대하여 가로 또는 세로 픽셀수가 제2 배율의 배수에 해당되는 정수값이 될 수 있도록 특정 행 또는 특정 열의 일부를 삭제 또는 추가하는 프로세스를 추가로 수행하여 이루어질 수 있다.
또한, 발명의 다른 일 예로서, 상기 학습 서버(100)가, 소정의 내삽법을 사용하여 상기 축소데이터를 생성할 수 있다.
상술한 바와 같이, 제2 딥러닝 모듈(220)의 학습을 위해 입력되는 데이터들을 도 4a를 참조하여 자세히 설명하면 다음과 같다.
도 4a는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 과정에서 제2 딥러닝 모듈에 입력 및 출력되는 데이터의 예시적인 도면이다. 도 4a에는 입력 및 출력 데이터 각각이 이미지 데이터로 도시되어 있으나, 이에 한정되는 것은 아니며 각각의 데이터는 이미지가 아닌 수치값만을 포함하는 데이터일 수 있다.
도 4a를 참조하면, 제1 딥러닝 모듈로부터 출력된 제2 딥러닝 입력예보데이터(211) 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터(211-1)에 대하여, 학습 서버(100)가 소정의 전처리를 통하여 축소데이터(430)를 생성할 수 있다. 이 때, 학습 서버(100)는 cubic spline interpolation과 같은 소정의 내삽법을 원본인 특정 제2 딥러닝 입력예보데이터(211-1)에 사용하여 상기 축소데이터(430)을 생성할 수 있다.
또한, 원본인 특정 제2 딥러닝 입력예보데이터(211-1)은 도 4a에 도시된 바와 같이 (149,253) 크기의 데이터일 수 있고, 축소데이터(430)를 생성하기 위한 소정의 제1 배율이 1/5배인 경우, 축소데이터는 (149/5, 253/5) 크기를 가져야 하지만 축소된 가로 크기 및 세로 크기 각각이 정수값이 아니게 되기 때문에, 이를 정수값으로 만들기 위하여 특정 제2 딥러닝 입력예보데이터(211-1)의 특정 행 또는 특정 열의 적어도 일부를 추가 또는 삭제할 수 있는데, 최종 행 개수인 세로 크기 및 최종 열 개수인 가로 크기 각각은 상기 축소데이터(430)을 소정의 제2 딥러닝 연산을 통해 산출되는 확대데이터(440)의 생성에 적용되는 제2 배율의 배수가 되도록 할 수 있다. 도 4a에 도시된 바는 제2 배율이 5배인 경우로서, 학습 서버(100)는 특정 제2 딥러닝 입력예보데이터(211-1)에 대하여 좌우 가장자리의 2개 열 각각과, 상부 가장자리 행 하나, 그리고 하부 가장자리 행 하나에 해당되는 데이터를 삭제하여 그 크기를 (145,250)로 만들어 제1 배율인 1/5배로 축소함으로써, 가로 및 세로 크기 각각이 정수값인 (29,25) 크기의 축소데이터(430)가 생성될 수 있다.
그런 다음, 학습 서버(100)는 제2 딥러닝 모듈(220)로 하여금 상기 축소데이터(430)를 입력받아 소정의 제2 딥러닝 연산을 수행하여 제2 배율로 확대된 확대데이터(440)를 산출하도록 하고, 제2 딥러닝 모듈로 하여금 이를 원본인 특정 제2 딥러닝 입력예보데이터(211-1)과 비교하여 제2 딥러닝 모듈에 대한 학습을 수행하도록 할 수 있다.
이 때, 발명의 다른 일 예로서, 제2 딥러닝 모듈은 SRCNN과 같은 이미지 고해상도화 딥러닝 알고리즘을 차용할 수 있으며, 이러한 경우 학습 서버(100)가 제2 딥러닝 모듈에 입력되는 특정 제2 딥러닝 입력예보데이터(211-1)를 소정의 이미지 변환 방식에 따라 변환할 수 있고, 출력된 이미지 데이터를 다시 소정의 데이터 변환 방식에 따라 재변환할 수 있다. 이 때, 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터(430)를 생성하기 위한 상기 전처리 과정은, 학습 서버(100)가, 상기 특정 제2 딥러닝 입력예보데이터(211-1)가 변환된 이미지에 대하여 블러(blur) 처리 및 노이즈(noise) 추가 중 적어도 하나의 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는 학습 방법이 반영될 수 있다. 또한, 상기 제2 딥러닝 연산은 축소데이터(430)에 대하여 이루어지는 소정의 컨볼루션 연산이 반복하여 수행되어 고해상도 이미지의 픽셀값 각각이 산출될 수 있다.
그리고, 특정 제2 딥러닝 입력예보데이터(211-1)를 이미지로 변환하지 않고 그대로 입력하는 경우에도, 블러 처리 및 노이즈 추가 알고리즘은 이미지의 픽셀값에 수행되는 것이므로, 해당 알고리즘이 상기 특정 제2 딥러닝 입력예보데이터(211-1) 자체에 응용되어 적용될 수 있다.
또한, 제2 딥러닝 모듈에 사용될 수 있는 상기 SRCNN 알고리즘은 선행 문헌으로서의 논문(https://arxiv.org/abs/1501.00092)에서 그 내용이 차용될 수 있으나, 그에 한정되는 것은 아니며, 발명의 실시 조건에 따라 다양한 딥러닝 알고리즘이 사용될 수 있으며 그에 따라 상기 제2 딥러닝 연산 및 제2 딥러닝 모듈(220)에 대한 학습 방법의 세부적인 내용이 다르게 적용될 수 있다.
상술한 바와 같은 학습 과정을 통해 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220)에 대한 학습이 완료되면, 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220)을 포함하는 테스트 서버에 의하여 테스트 과정이 수행될 수 있다.
구체적으로, 테스트 서버가, 학습이 완료된 제1 딥러닝 모듈(210)로 하여금 제1 예보모델(10)에 의하여 획득된 특정 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 제1 과거예보데이터 및 특정 미래시점 각각의 기상기후에 해당되는 값으로서의 테스트용 특정 미래예보데이터 중 적어도 일부를 입력받아, 제1 딥러닝 연산을 수행한 결과로서 (i) 특정 격자점 각각 그리고 (ii) 특정 과거시점 및 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 테스트용 입력예보데이터로서 출력하도록 할 수 있다.
그리고 나서, 테스트 서버가, 특정 제2 딥러닝 테스트용 입력예보데이터를 제2 딥러닝 모듈(220)로 하여금 입력받아 제2 딥러닝 연산을 수행한 결과로서 제2 딥러닝 테스트용 입력예보데이터가 제2 배율로 확대된 고해상도 예보데이터(221)를 출력하도록 하여, 상기 출력된 고해상도 예보데이터(221)를 획득할 수 있다.
이 때, 테스트 과정에서 사용되는 상기 테스트용 특정 제1 과거예보데이터, 테스트용 특정 미래예보데이터, 제2 딥러닝 테스트용 입력예보데이터 각각은 테스트 과정을 수행하기 위한 전제조건으로서 학습 서버(100)에 의하여 제1 딥러닝 모듈 및 제2 딥러닝 모듈의 학습에 사용되는 학습용 특정 제1 과거예보데이터, 학습용 특정 미래예보데이터, 제2 딥러닝 학습용 입력예보데이터와 구분하기 위하여 ‘테스트’ 및 ‘테스트용’의 표현을 사용하였으며, 그 각각은 도 2에 표현되어 있는 특정 제1 과거예보데이터, 특정 미래예보데이터 및 제2 딥러닝 입력예보데이터와 같은 형식 및 성질을 가지는 데이터일 수 있다.
또한, 테스트 서버가 제2 딥러닝 모듈로 하여금 고해상도 예보데이터를 출력하는 과정에서 사용되는 데이터를 도 4b를 참조하여 설명하면 다음과 같다.
도 4b는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 테스트 과정에서 제2 딥러닝 모듈에 입력 및 출력되는 데이터의 예시적인 도면이다. 도 4b에는 입력 및 출력 데이터 각각이 이미지 데이터로 도시되어 있으나, 이에 한정되는 것은 아니며 각각의 데이터는 이미지가 아닌 수치값만을 포함하는 데이터일 수 있다.
도 4b를 참조로 하면, 제2 딥러닝 모듈(220)에 특정 제2 딥러닝 테스트용 입력데이터(410)가 입력되면, 테스트 서버가 제2 딥러닝 모듈(220)로 하여금 소정의 제2 딥러닝 연산을 수행하여 제2 배율로 확대된 고해상도 예보데이터(221)를 출력할 수 있다. 이 때, 입력데이터인 특정 제2 딥러닝 테스트용 입력데이터(410)가 (149,253) 크기인 경우, 그에 대하여 제2 딥러닝 연산이 수행되어, 제2 배율인 5배로 확대된 (745,1265) 사이즈의 고해상도 예보데이터(221)가 출력될 수 있다.
따라서, 고해상도 예보데이터(221)에 포함된 값 각각을 원본인 특정 제2 딥러닝 테스트용 입력예보데이터(410)에 포함된 값 각각에 대응되는 점들과 비교하면, 같은 예보공간에 대하여 가로 5배 및 세로 5배의 데이터를 포함하고 있으며 결과적으로 5배로 세밀한 격자간격에 대응되는 예보데이터로 활용할 수 있다. 즉, 원본인 특정 제2 딥러닝 테스트용 입력예보데이터(410)가 5km 해상도의 데이터라고 하면, 고해상도 예보데이터(221)는 1km 해상도의 데이터로서 더욱 세밀한 격자간격에 대한 예보데이터를 포함하는 데이터로 사용될 수 있으며, 발명의 실시 조건에 따라 더 높은 해상도의 데이터를 획득할 수 있도록 본 발명의 세부적인 내용이 조정되어 실시될 수 있다.
또한, 발명의 다른 일 예로서, 제2 딥러닝 모듈(220)은 SRCNN과 같은 이미지 고해상도화 딥러닝 알고리즘을 차용할 수 있으며, 이러한 경우 테스트 서버가 제2 딥러닝 모듈에 입력되는 특정 제2 딥러닝 테스트용 입력예보데이터(410)를 소정의 이미지 변환 방식에 따라 변환할 수 있고, 출력된 이미지 데이터를 다시 소정의 데이터 변환 방식에 따라 재변환할 수 있다. 이러한 경우 상기 제2 딥러닝 연산은 특정 제2 딥러닝 테스트용 입력예보데이터(410)에 대하여 소정의 컨볼루션 연산이 반복하여 수행되는 것일 수 있다.
또한, 특정 제2 딥러닝 테스트용 입력예보데이터(410)를 이미지로 변환하지 않고 실수값 그대로 반영하는 경우에도, 블러 처리 및 노이즈 추가 알고리즘은 이미지의 픽셀값에 수행되는 것이므로, 해당 알고리즘이 특정 제2 딥러닝 테스트용 입력예보데이터(410) 자체에 응용되어 수행될 수 있다.
그리고, 상술한 바와 같은 제2 딥러닝 모듈에 사용될 수 있는 SRCNN 알고리즘은 그에 한정되는 것은 아니며, 발명의 실시 조건에 따라 다양한 딥러닝 알고리즘이 사용될 수 있으며 그에 따라 상기 제2 딥러닝 연산 및 제2 딥러닝 모듈(220)에 대한 테스트 방법의 세부적인 내용이 다르게 적용될 수 있다.
발명의 다른 일 예로서, 테스트 서버가, 고해상도 예보데이터(221)에 대응되는 고해상도 격자점 중 적어도 일부의 특정 고해상도 격자점에 대한 상기 특정 기상기후에 해당되는 값을, 상기 실제 관측자료(30) 중 특정 고해상도 격자점에 대응되는 위치에서 측정된 특정 실제 관측자료와 비교하여, 그 차이가 임계치 이상인 경우 추가학습이 필요한 것으로 판단하고, 상기 추가학습이 이루어질 수 있도록 지원할 수 있다. 예를 들어, 고해상도 예보데이터(221)의 특정 고해상도 격자점과 같거나 소정의 범위 이내에 해당되는 위치에서 측정된 특정 실제 관측자료가 존재하는 경우, 테스트 서버는 특정 고해상도 격자점에 대한 특정 기상기후로서의 ‘기온’에 해당되는 값이 30도이고, 그에 대응되는 실제 관측자료가 25도로서 그 차이가 5이고, 소정의 임계치가 3도라면 테스트 서버가 추가 학습이 필요한 것으로 판단하고, 그와 관련된 정보를 제공하거나 별도의 사용자 단말 등으로 하여금 제공하도록 함으로써 재학습이 이루어질 수 있도록 지원할 수 있다.
또한, 발명의 다른 일 예로서, 테스트 서버가, 특정 제1 과거예보데이터(11-1)를 재분석장 데이터(22)와 비교한 제1 오차값과, 특정 제1 과거예보데이터(11-1)를 제1 딥러닝 모듈(210)에 입력하여 제1 딥러닝 모듈(210)로 하여금 제1 딥러닝 연산을 수행하도록 함으로써 출력된 제2 딥러닝 테스트용 입력예보데이터(221)를 재분석장 데이터(22)와 비교한 제2 오차값을 각각 참조하여, 제1 예보모델(10)과 제1 딥러닝 모듈(210)의 성능을 비교하여 판단할 수 있도록 지원할 수 있다. 예를 들어, 제1 예보모델(10)로부터 획득된 특정 제1 과거예보데이터(11-1)을 제1 GT로서 사용된 재분석장 데이터(22)와 비교하여 특정 격자점 각각 및 특정 과거시점 각각에 대한 제1 오차값 각각을 산출하고, 제1 딥러닝 모듈(210)이 특정 제1 과거예보데이터(11-1)를 입력받아 제1 딥러닝 연산을 수행한 결과 출력되는 제2 딥러닝 테스트용 입력예보데이터(410)를 상기 재분석장 데이터(22)와 비교하여 특정 격자점 각각 및 특정 과거시점 각각에 대한 제2 오차값 각각을 산출할 수 있으며, 제1 오차값 각각을 모두 합산한 값이 10이고, 제2 오차값 각각을 합산한 값이 8인 경우, 제1 딥러닝 모듈(210)의 성능이 제1 예보모델(10)보다 더 좋은 것으로 판단할 수 있으나, 이에 한정되는 것은 아니며 오차값 각각에 대하여 적용되는 계산방법 및 성능 판단 기준 등은 발명의 실시 조건에 따라 다르게 정해질 수 있다.
도 5는, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 학습 서버가 학습을 수행하는 순서를 개략적으로 나타낸 흐름도이다.
도 5를 참조하면, 고해상도 기상기후데이터(221)의 생성을 위한 학습 과정은, 소정의 예보영역에 포함된 특정 격자점 각각에 대하여 제1 과거예보데이터(11)가 소정의 제1 예보모델에 의해 획득(S501)되는 것으로부터 시작된다.
그리고 나서, 학습 서버(100)가, 특정 과거시점에 대응되는 특정 제1 과거예보데이터(11-1)를 제1 학습데이터로서 제1 딥러닝 모듈에 입력(S502) 할 수 있다.
다음으로, 학습 서버(100)는 제1 딥러닝 모듈(210)이 특정 격자점 각각 및 특정 과거시점 각각에 대한 특정 기상기후에 해당되는 값을 예측(S503)하도록 할 수 있다.
그런 다음, 학습 서버(100)는 제1 딥러닝 모듈(210)로 하여금 예측된 특정 기상기후에 해당되는 값을 제1 GT로서의 재분석장 데이터(22)와 비교하여 제1 딥러닝 모듈이 학습(S504)되도록 할 수 있다.
상기 S501 내지 상기 S504 과정을 거쳐 제1 딥러닝 모듈(210)의 학습이 완료된 상태에서, 특정 격자점 각각에 대한 제1 과거예보데이터(11) 및 미래예보데이터(12) 중 적어도 일부가 제1 예보모델에 의하여 획득(S505)될 수 있다.
그리고 나서, 학습 서버(100)는 획득된 제1 과거예보데이터(11) 및 미래예보데이터(12) 중 적어도 일부를 제1 딥러닝 모듈(210)에 입력(S506)되도록 할 수 있고, 제1 딥러닝 모듈(210)로 하여금 특정 격자점 각각 그리고 특정 과거시점 및 특정 미래시점 중 적어도 일부 각각에 대한 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터(211)로서 출력(S507) 하도록 할 수 있다.
다음으로, 학습 서버(100)는 제1 딥러닝 모듈로부터 출력된 제2 딥러닝 입력예보데이터(211) 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터(211-1)에 소정의 전처리를 수행하여 제1 배율로 축소된 축소데이터(430)를 생성(S508)할 수 있고, 생성된 축소데이터(430)를 제2 학습데이터로서 제2 딥러닝 모듈(220)에 입력(S509)되도록 할 수 있다.
그런 다음, 학습 서버(100)는 제2 딥러닝 모듈(220)로 하여금 제2 배율로 확대된 확대데이터(440)를 산출(S510)하도록 할 수 있고, 산출된 확대데이터(440)를 그에 대응되는 제2 GT(Ground Truth)로서의 특정 제2 딥러닝 입력예보데이터(211-1)와 비교하여 제2 딥러닝 모듈(220)이 학습(S511)되도록 할 수 있다.
도 6은, 본 발명의 일 실시예에 따른, 고해상도 기상기후데이터의 생성을 위한 테스트 서버가 테스트를 수행하는 순서를 개략적으로 나타낸 흐름도이다.
도 6을 참조하면, 고해상도 기상기후데이터의 생성을 위한 테스트 서버가 테스트를 수행하는 과정은, 제1 딥러닝 모듈(210) 및 제2 딥러닝 모듈(220)의 학습이 완료된 상태에서, 제1 예보모델(10)에 의하여 테스트용 특정 제1 과거예보데이터 및 테스트용 특정 제2 과거예보데이터가 획득(S601)되는 것으로부터 시작된다.
그런 다음, 테스트 서버가, 획득된 테스트용 특정 제1 과거예보데이터 및 테스트용 특정 제2 과거예보데이터 중 적어도 일부를 제1 딥러닝 모듈(210)에 입력(S602) 되도록 하여, 제2 딥러닝 모듈(220)로 하여금 특정 격자점 각각 그리고 특정 과거시점 및 특정 미래시점 중 적어도 일부 각각에 대한 특정 기상기후에 해당되는 값을 제2 딥러닝 테스트용 입력예보데이터(410)로서 출력(S603)되도록 할 수 있다.
그리고 나서, 테스트 서버는 출력된 제2 딥러닝 테스트용 입력예보데이터(410)를 제2 딥러닝 모델(220)에 입력(S604)되도록 하여, 제2 딥러닝 모델(220)로 하여금 제2 배율로 확대된 고해상도 예보데이터(221)를 출력(S605)하도록 하여 최종적으로 고해상도 예보데이터(221)를 획득할 수 있다.
그리고, 발명의 일 예로서, 기상청과 같은 기상예보정보 제공주체가 예보했던 과거예보데이터의 격자점 내부의 지역인 공백지역에 대한 특정 기상기후에 해당되는 값을 본 발명의 실시를 통하여 높은 정확도로 예측할 수 있으며, 이를 바탕으로 특정 과거시점에 상기 공백지역에서 발생했던 사건에 영향을 미쳤을 것으로 추정되는 특정 기상기후에 해당되는 값을 활용할 수 있도록 하는 기상감정업과 같은 새로운 비즈니스 모델의 개발 및 지원이 가능할 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magnetooptical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
10 : 제1 예보모델 11 : 제1 과거예보데이터
12 : 미래예보데이터 20 : 제2 예보모델
21 : 제2 과거예보데이터 22 : 재분석장 데이터
30 : 실제 관측데이터 41 : 지면특성데이터
42 : 고도특성데이터 100 : 학습 서버
110 : 메모리 120 : 프로세서
210 : 제1 딥러닝 모듈 211 : 제2 딥러닝 입력예보데이터
211-1 : 특정 제2 딥러닝 입력예보데이터
220 : 제2 딥러닝 모듈 221 : 고해상도 예보데이터
311 : 제1 학습데이터 예시
321 : 제1 딥러닝 입력용 고도특성자료 예시
331 : 제1 딥러닝 입력용 지면특성자료 예시
420 : 사이즈 조정된 특정 제2 딥러닝 입력예보데이터
430 : 축소데이터 440 : 확대데이터
410 : 특정 제2 딥러닝 테스트용 입력예보데이터

Claims (20)

  1. 고해상도 기상기후데이터를 생성하기 위한 학습 방법으로서,
    (a) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, 학습 서버가, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 재분석장 데이터 - 상기 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하는 단계;
    (b) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터로서 출력하도록 하는 단계; 및
    (c) 상기 출력된 제2 딥러닝 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 축소데이터를 생성한 상태에서, 상기 학습 서버가, (i) 상기 제2 딥러닝 모듈로 하여금 상기 축소데이터를 제2 학습데이터로 입력받아, 상기 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 비율로 확대된 확대데이터를 산출하도록 하고, (ii) 상기 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하는 단계;
    를 포함하는, 학습 방법.
  2. 제1항에 있어서,
    상기 (a) 단계에서,
    상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 특정 격자점 각각에 대응되는 지면특성데이터 및 고도특성데이터 중 적어도 하나를 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하되,
    상기 특정 과거시점이 복수개의 시점인 경우, 상기 서버가, 상기 지면특성데이터 및 상기 고도특성데이터 중 적어도 하나가 상기 특정 과거시점 각각에 대응되도록 상기 특정 과거시점의 수만큼 동일하게 반복되는 제1 딥러닝 입력용 지면특성데이터 및 제1 딥러닝 입력용 고도특성데이터 중 적어도 하나를 추가로 생성하여, 이를 상기 제1 딥러닝 모듈로 하여금 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하는, 학습 방법.
  3. 제2항에 있어서,
    상기 지면특성데이터는, 상기 특정 격자점 각각에 해당되는 지면특성별로 기설정된 카테고리값을 가지되,
    상기 제1 딥러닝 모듈의 학습 과정에서, 상기 카테고리값 각각은, 상기 특정 격자점 각각에 대응되는 소정의 차원벡터값으로 변환되어 상기 제1 딥러닝 모듈의 학습에 사용되는 것을 특징으로 하는, 학습 방법.
  4. 제1항에 있어서,
    상기 재분석장 데이터는, 상기 특정 격자점 각각에 대하여 (i) 소정의 범위 이내에 상기 실제 관측자료가 존재하는 제1 부분 특정 격자점 각각에 대해서는, 상기 실제 관측자료를 참조하여, 상기 제1 특정 격자점 각각의 상기 특정 기상기후에 해당되는 값이 결정되어 보정되고, (ii) 소정의 범위 이내에 상기 실제 관측자료가 존재하지 않는 제2 부분 특정 격자점 각각에 대해서는, 상기 제2 예보모델에 의하여 예측된 상기 특정 기상기후에 해당되는 값 및 상기 제2 부분 특정 격자점으로부터 가까운 위치에서 측정된 적어도 하나의 상기 실제 관측자료를 참조하여, 상기 제2 부분 특정 격자점 각각에 대한 상기 특정 기상기후에 해당되는 값이 결정되어 보정된 것임을 특징으로 하는, 학습 방법.
  5. 제1항에 있어서,
    상기 (c) 단계에서,
    상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 학습 서버가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 블러(blur) 처리 및 노이즈(noise) 추가 중 적어도 하나의 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 방법.
  6. 제1항에 있어서,
    상기 (c) 단계에서,
    상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 학습 서버가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 가로 또는 세로 픽셀수가 상기 제2 배율의 배수에 해당되는 정수값이 될 수 있도록 특정 행 또는 특정 열의 일부를 삭제 또는 추가하는 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 방법.
  7. 제1항에 있어서,
    상기 (c) 단계에서,
    상기 서버가, 소정의 내삽법을 사용하여 상기 축소데이터를 생성하는 것을 특징으로 하는, 학습 방법.
  8. 고해상도 기상기후데이터를 생성하기 위한 테스트 방법으로서,
    (a) 학습 서버에 의해서, (1) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 학습용 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 학습용 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 학습용 재분석장 데이터 - 상기 학습용 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 학습용 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하며, (2) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 학습용 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 학습용 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 학습용 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 학습용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 및 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 학습용 입력예보데이터로서 출력하도록 하며, (3) 상기 출력된 제2 딥러닝 학습용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 학습용 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 학습용 축소데이터를 생성한 상태에서, (i) 상기 제2 딥러닝 모듈로 하여금 상기 학습용 축소데이터를 제2 학습데이터로 입력받아, 상기 학습용 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 학습용 확대데이터를 산출하도록 하고, (ii) 상기 학습용 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 학습용 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하여, 상기 제1 딥러닝 모듈 및 상기 제2 딥러닝 모듈 각각에 대한 학습이 완료된 상태에서, 테스트 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 제1 예보모델에 의하여 획득된 상기 특정 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 제1 과거예보데이터 및 상기 특정 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 테스트용 입력예보데이터로서 출력하도록 하는 단계; 및
    (b) 상기 테스트 서버가, 상기 제2 딥러닝 테스트용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 테스트용 입력예보데이터를 상기 제2 딥러닝 모듈로 하여금 입력받아 상기 제2 딥러닝 연산을 수행한 결과로서 상기 특정 제2 딥러닝 테스트용 입력예보데이터가 상기 제2 배율로 확대된 고해상도 예보데이터를 출력하도록 하여, 상기 출력된 고해상도 예보데이터를 획득하는 단계;
    를 포함하는, 테스트 방법.
  9. 제8항에 있어서,
    상기 테스트 서버가, 상기 고해상도 예보데이터에 대응되는 고해상도 격자점 중 적어도 일부의 특정 고해상도 격자점에 대한 상기 특정 기상기후에 해당되는 값을, 상기 실제 관측자료 중 특정 고해상도 격자점에 대응되는 위치에서 측정된 특정 실제 관측자료와 비교하여, 그 차이가 임계치 이상인 경우 추가학습이 필요한 것으로 판단하고, 상기 추가학습이 이루어질 수 있도록 지원하는 것을 특징으로 하는, 테스트 방법.
  10. 제8항에 있어서,
    상기 테스트 서버가, 상기 특정 제1 과거예보데이터를 상기 재분석장 데이터와 비교한 제1 오차값과, 상기 제1 과거예보데이터를 상기 제1 딥러닝 모듈에 입력하여 상기 제1 딥러닝 모듈로 하여금 상기 제1 딥러닝 연산을 수행하도록 하여 출력된 상기 제2 딥러닝 테스트용 입력예보데이터를 상기 재분석장 데이터와 비교한 제2 오차값을 각각 참조하여, 상기 제1 예보모델과 상기 제1 딥러닝 모듈의 성능을 판단할 수 있도록 지원하되, 오차값이 작을수록 더 높은 성능의 모델로 판단하도록 지원하는 것을 특징으로 하는, 테스트 방법.
  11. 고해상도 기상기후데이터를 생성하기 위한 학습 서버로서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서; 를 포함하고,
    상기 프로세서가,
    (I) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 재분석장 데이터 - 상기 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하는 프로세스; (II) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 학습 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 입력예보데이터로서 출력하도록 하는 프로세스; 및 (III) 상기 출력된 제2 딥러닝 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 축소데이터를 생성한 상태에서, 상기 학습 서버가, (i) 상기 제2 딥러닝 모듈로 하여금 상기 축소데이터를 제2 학습데이터로 입력받아, 상기 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 비율로 확대된 확대데이터를 산출하도록 하고, (ii) 상기 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하는 프로세스; 를 수행하는, 학습 서버.
  12. 제11항에 있어서,
    상기 (I) 프로세스에서,
    상기 프로세서가, 상기 제1 딥러닝 모듈로 하여금 상기 특정 격자점 각각에 대응되는 지면특성데이터 및 고도특성데이터 중 적어도 하나를 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하되,
    상기 특정 과거시점이 복수개의 시점인 경우, 상기 프로세서가, 상기 지면특성데이터 및 상기 고도특성데이터 중 적어도 하나가 상기 특정 과거시점 각각에 대응되도록 상기 특정 과거시점의 수만큼 동일하게 반복되는 제1 딥러닝 입력용 지면특성데이터 및 제1 딥러닝 입력용 고도특성데이터 중 적어도 하나를 추가로 생성하여, 이를 상기 제1 딥러닝 모듈로 하여금 추가로 입력받아 학습을 수행하도록 하는 것을 특징으로 하는, 학습 서버.
  13. 제12항에 있어서,
    상기 지면특성데이터는, 상기 특정 격자점 각각에 해당되는 지면특성별로 기설정된 카테고리값을 가지되,
    상기 제1 딥러닝 모듈의 학습 과정에서, 상기 카테고리값 각각은, 상기 특정 격자점 각각에 대응되는 소정의 차원벡터값으로 변환되어 상기 제1 딥러닝 모듈의 학습에 사용되는 것을 특징으로 하는, 학습 서버.
  14. 제11항에 있어서,
    상기 재분석장 데이터는, 상기 특정 격자점 각각에 대하여 (i) 소정의 범위 이내에 상기 실제 관측자료가 존재하는 제1 부분 특정 격자점 각각에 대해서는, 상기 실제 관측자료를 참조하여, 상기 제1 부분 특정 격자점 각각의 상기 특정 기상기후에 해당되는 값이 결정되어 보정되고, (ii) 소정의 범위 이내에 상기 실제 관측자료가 존재하지 않는 제2 부분 특정 격자점 각각에 대해서는, 상기 제2 예보모델에 의하여 예측된 상기 특정 기상기후에 해당되는 값 및 상기 제2 부분 특정 격자점으로부터 가까운 위치에서 측정된 적어도 하나의 상기 실제 관측자료를 참조하여, 상기 제2 부분 특정 격자점 각각에 대한 상기 특정 기상기후에 해당되는 값이 결정되어 보정된 것임을 특징으로 하는, 학습 서버.
  15. 제11항에 있어서,
    상기 (III) 프로세스에서,
    상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 프로세서가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 블러(blur) 처리 및 노이즈(noise) 추가 중 적어도 하나의 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 서버.
  16. 제11항에 있어서,
    상기 (III) 프로세스에서,
    상기 제2 딥러닝 모듈의 학습데이터로 사용되는 상기 축소데이터를 생성하기 위한 상기 전처리 과정은, 상기 프로세서가, 상기 특정 제2 딥러닝 입력예보데이터에 대하여 가로 또는 세로 픽셀수가 상기 제2 배율의 배수에 해당되는 정수값이 될 수 있도록 특정 행 또는 특정 열의 일부를 삭제 또는 추가하는 프로세스를 추가로 수행하여 이루어지는 것을 특징으로 하는, 학습 서버.
  17. 제11항에 있어서,
    상기 (III) 프로세스에서,
    상기 프로세서가, 소정의 내삽법을 사용하여 상기 축소데이터를 생성하는 것을 특징으로 하는, 학습 서버.
  18. 고해상도 기상기후데이터를 생성하기 위한 테스트 방법으로서,
    인스트럭션들을 저장하는 적어도 하나의 메모리; 및
    상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서; 를 포함하고,
    상기 프로세서가,
    (I) 학습 서버에 의해서, (1) 제1 방향에 평행한 복수의 제1 축선 및 제2 방향에 평행한 복수의 제2 축선이 교차되는 지점 각각에 대응되는 격자점들 중 소정의 예보영역에 포함된 특정 격자점 각각에 대하여, 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 기상기후에 해당되는 값으로서의 학습용 제1 과거예보데이터가 소정의 제1 예보모델에 의해 획득되면, (i) 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 특정 과거시점에 대응되는 학습용 특정 제1 과거예보데이터를 제1 학습데이터로서 입력받아, 소정의 제1 딥러닝 연산을 수행한 결과로서 상기 기상기후 중 적어도 하나의 특정 기상기후에 해당되는 값을 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여 예측하도록 하고, (ii) 상기 예측된 특정 기상기후에 해당되는 값을, 제1 GT(Ground Truth)로서의 학습용 재분석장 데이터 - 상기 학습용 재분석장 데이터는, 상기 특정 격자점 각각 및 상기 특정 과거시점 각각에 대하여, 제2 예보모델에 의해 획득된 상기 특정 기상기후에 해당되는 값으로서의 학습용 제2 과거예보데이터를 별도로 수집된 실제 관측자료를 참조로 하여 보정한 데이터임 - 와 비교하여, 상기 제1 딥러닝 모듈에 대한 학습을 수행하도록 하며, (2) 상기 제1 딥러닝 모듈에 대한 학습이 완료된 상태에서, 상기 특정 격자점 각각에 대하여, (i) 상기 제t-1, 제t-2, ..., 제t-m 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 상기 학습용 제1 과거예보데이터 및 (ii) 상기 제t+1, 제t+2, ..., 제t+n 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 학습용 미래예보데이터 중 적어도 일부가 상기 제1 예보모델에 의하여 획득되면, 상기 제1 딥러닝 모듈로 하여금 상기 과거시점 중 적어도 일부의 상기 특정 과거시점에 대응되는 상기 학습용 특정 제1 과거예보데이터 및 상기 미래시점 중 적어도 일부의 특정 미래시점에 대응되는 학습용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 및 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 학습용 입력예보데이터로서 출력하도록 하며, (3) 상기 출력된 제2 딥러닝 학습용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 학습용 입력예보데이터에 대하여 소정의 전처리를 수행하여 소정의 제1 배율로 축소된 학습용 축소데이터를 생성한 상태에서, (i) 상기 제2 딥러닝 모듈로 하여금 상기 학습용 축소데이터를 제2 학습데이터로 입력받아, 상기 학습용 축소데이터에 소정의 제2 딥러닝 연산을 적용한 결과로서 제2 배율로 확대된 학습용 확대데이터를 산출하도록 하고, (ii) 상기 학습용 확대데이터를, 그에 대응되는 제2 GT(Ground Truth)로서의 상기 특정 제2 딥러닝 학습용 입력예보데이터와 비교하여 상기 제2 딥러닝 모듈에 대한 학습을 수행하도록 하여, 상기 제1 딥러닝 모듈 및 상기 제2 딥러닝 모듈 각각에 대한 학습이 완료된 상태에서, 테스트 서버가, 상기 제1 딥러닝 모듈로 하여금 상기 제1 예보모델에 의하여 획득된 상기 특정 과거시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 제1 과거예보데이터 및 상기 특정 미래시점 각각의 상기 기상기후에 해당되는 값으로서의 테스트용 특정 미래예보데이터 중 적어도 일부를 입력받아 상기 제1 딥러닝 연산을 수행한 결과로서 (i) 상기 특정 격자점 각각 그리고 (ii) 상기 특정 과거시점 및 상기 특정 미래시점 중 적어도 일부 각각에 대한 상기 특정 기상기후에 해당되는 값을 제2 딥러닝 테스트용 입력예보데이터로서 출력하도록 하는 프로세스; 및 (II) 상기 테스트 서버가, 상기 제2 딥러닝 테스트용 입력예보데이터 중 적어도 일부의 특정 제2 딥러닝 테스트용 입력예보데이터를 상기 제2 딥러닝 모듈로 하여금 입력받아 상기 제2 딥러닝 연산을 수행한 결과로서 상기 특정 제2 딥러닝 테스트용 입력예보데이터가 상기 제2 배율로 확대된 고해상도 예보데이터를 출력하도록 하여, 상기 출력된 고해상도 예보데이터를 획득하는 프로세스; 를 수행하는, 테스트 서버.
  19. 제18항에 있어서,
    상기 프로세서가, 상기 고해상도 예보데이터에 대응되는 고해상도 격자점 중 적어도 일부의 특정 고해상도 격자점에 대한 상기 특정 기상기후에 해당되는 값을, 상기 실제 관측자료 중 특정 고해상도 격자점에 대응되는 위치에서 측정된 특정 실제 관측자료와 비교하여, 그 차이가 임계치 이상인 경우 추가학습이 필요한 것으로 판단하고, 상기 추가학습이 이루어질 수 있도록 지원하는 것을 특징으로 하는, 테스트 서버.
  20. 제18항에 있어서,
    상기 프로세서가, 상기 특정 제1 과거예보데이터를 상기 재분석장 데이터와 비교한 제1 오차값과, 상기 제1 과거예보데이터를 상기 제1 딥러닝 모듈에 입력하여 상기 제1 딥러닝 모듈로 하여금 상기 제1 딥러닝 연산을 수행하도록 하여 출력된 상기 제2 딥러닝 테스트용 입력예보데이터를 상기 재분석장 데이터와 비교한 제2 오차값을 각각 참조하여, 상기 제1 예보모델과 상기 제1 딥러닝 모듈의 성능을 판단할 수 있도록 지원하되, 오차값이 작을수록 더 높은 성능의 모델로 판단하도록 지원하는 것을 특징으로 하는, 테스트 서버.
KR1020190131760A 2019-10-22 2019-10-22 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 KR102063358B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190131760A KR102063358B1 (ko) 2019-10-22 2019-10-22 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190131760A KR102063358B1 (ko) 2019-10-22 2019-10-22 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치
PCT/KR2020/006489 WO2021080107A1 (ko) 2019-10-22 2020-05-18 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치

Publications (1)

Publication Number Publication Date
KR102063358B1 true KR102063358B1 (ko) 2020-03-02

Family

ID=69805317

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190131760A KR102063358B1 (ko) 2019-10-22 2019-10-22 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치

Country Status (2)

Country Link
KR (1) KR102063358B1 (ko)
WO (1) WO2021080107A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102217913B1 (ko) * 2020-09-24 2021-02-19 대한민국 기후변화 시나리오 자료 추출 장치 및 그 방법
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0949884A (ja) * 1995-08-04 1997-02-18 Aasu Uezaa:Kk ニューラルネットワークを用いた局地的気象予測方法
KR101809629B1 (ko) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템
JP2018194497A (ja) * 2017-05-19 2018-12-06 国立研究開発法人海洋研究開発機構 気象予測システム、気象予測方法、気象予測プログラム
KR101938829B1 (ko) * 2018-03-23 2019-01-16 대한민국(해양수산부 국립해양조사원) 해무의 발생을 예측하는 뉴럴 네트워크 학습 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101521576B1 (ko) * 2013-12-26 2015-05-19 부산대학교 산학협력단 K―prism을 이용한 고해상도 기상자료 산출방법 및 이를 이용한 고해상도 기상자료 산출시스템
KR102076426B1 (ko) * 2017-11-17 2020-02-12 한국외국어대학교 연구산학협력단 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0949884A (ja) * 1995-08-04 1997-02-18 Aasu Uezaa:Kk ニューラルネットワークを用いた局地的気象予測方法
KR101809629B1 (ko) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템
JP2018194497A (ja) * 2017-05-19 2018-12-06 国立研究開発法人海洋研究開発機構 気象予測システム、気象予測方法、気象予測プログラム
KR101938829B1 (ko) * 2018-03-23 2019-01-16 대한민국(해양수산부 국립해양조사원) 해무의 발생을 예측하는 뉴럴 네트워크 학습 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR102217913B1 (ko) * 2020-09-24 2021-02-19 대한민국 기후변화 시나리오 자료 추출 장치 및 그 방법

Also Published As

Publication number Publication date
WO2021080107A1 (ko) 2021-04-29

Similar Documents

Publication Publication Date Title
KR102063358B1 (ko) 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치
Ingebrigtsen et al. Spatial models with explanatory variables in the dependence structure
Aalto et al. Spatial interpolation of monthly climate data for Finland: comparing the performance of kriging and generalized additive models
Sønderby et al. Metnet: A neural weather model for precipitation forecasting
Oke et al. Representation error of oceanic observations for data assimilation
Sang et al. Covariance approximation for large multivariate spatial data sets with an application to multiple climate model errors
Della-Marta et al. Improved estimates of the European winter windstorm climate and the risk of reinsurance loss using climate model data
US20190228362A1 (en) Systems and methods for outage prediction
Ghaemi et al. LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran
Zhao et al. A modification of HASM for interpolating precipitation in China
Nipen et al. Adopting citizen observations in operational weather prediction
Hassani et al. Predicting global temperature anomaly: A definitive investigation using an ensemble of twelve competing forecasting models
Kim et al. Improved correction of atmospheric pressure data obtained by smartphones through machine learning
Chen et al. Probabilistic forecasting of drought: a hidden Markov model aggregated with the RCP 8.5 precipitation projection
Liu et al. Approximation theory applied to DEM vertical accuracy assessment
JP6906769B2 (ja) 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム
CN106709127A (zh) 利用cfd和卫星数据提取污染排放源
KR20140111822A (ko) 비정상성 분위 사상을 적용한 전지구 기후모델의 오차보정방법
Tabibiazar et al. Kernel-based modeling and optimization for density estimation in transportation systems using floating car data
US10725008B2 (en) Automatic siting for air quality monitoring stations
Sigurdarson et al. Bayesian prediction of monthly precipitation on a fine grid using covariates based on a regional meteorological model
WO2019069865A1 (ja) パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム記録媒体
Kryvobokov et al. Simulating housing prices with UrbanSim: predictive capacity and sensitivity analysis
Brunauer et al. Hybrid multilevel STAR models for hedonic house prices
Yang Benchmarking rainfall interpolation over the Netherlands