KR102065280B1 - 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템 - Google Patents

상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템 Download PDF

Info

Publication number
KR102065280B1
KR102065280B1 KR1020180142974A KR20180142974A KR102065280B1 KR 102065280 B1 KR102065280 B1 KR 102065280B1 KR 1020180142974 A KR1020180142974 A KR 1020180142974A KR 20180142974 A KR20180142974 A KR 20180142974A KR 102065280 B1 KR102065280 B1 KR 102065280B1
Authority
KR
South Korea
Prior art keywords
verification
data
observation
prediction
unit
Prior art date
Application number
KR1020180142974A
Other languages
English (en)
Inventor
신이레
이채연
양호진
이한경
Original Assignee
한국외국어대학교 연구산학협력단
대한민국(기상청장)
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 한국외국어대학교 연구산학협력단, 대한민국(기상청장) filed Critical 한국외국어대학교 연구산학협력단
Priority to KR1020180142974A priority Critical patent/KR102065280B1/ko
Application granted granted Critical
Publication of KR102065280B1 publication Critical patent/KR102065280B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

상세기상 예측정보 검증체계를 구축하여 관측자료와 예측자료를 자동으로 비교, 검증하는 상세기상 예측정보 산출모델의 실시간 검증하는 방법 및 시스템이 개시된다. 상기의 시스템은, 수집된 모델, 예측자료 또는 관측자료를 처리하는 입력자료 전처리부와, 검증 지점 및 기간을 추출하고 병합하는 입력자료 동기화부와, 예측 및 관측지점을 지표면 유형별로 분류하는 지표면유형 분류부와, 병합 및 분류된 상세기상 예측자료를 검증하는 검증지표 산출부-여기서, 검증지표는 교차검증, 유관기관 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함함-, 그리고 검증지표 산출부에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하는 검증결과 표출부를 포함한다.

Description

상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템{METHOD AND SYSTEM FOR REAL-TIME VERFICATION OF DETAILED WEATHER FORECAST INFORMATION GENERATION MODELS}
본 발명은 모델 검증 기술에 관한 것으로, 보다 상세하게는, 상세기상 예측정보 검증체계를 구축하여 관측자료와 예측자료를 자동으로 비교, 검증하는 상세기상 예측정보 산출모델의 실시간 검증하는 방법 및 시스템에 관한 것이다.
현재 기상예보는 수치예보와 함께 발전하고 있으나, 저해상도의 격자체계로 인하여 지역적 특성을 반영하지 못하는 한계를 가지고 있다. 따라서 도시규모에서의 상세기상정보 산출을 위해 수치예보모델의 상세화 및 보정이 필요하다.
이를 위해 전지구 예보모델(Global Data Assimilation and Prediction System, GDAPS)로부터 경계장을 받아 구동된 국지예보모델(Local DAPS, LDAPS) 결과에 기계학습을 이용한 슬라이딩 기법 및 MOS(Model Output Statistics)-Analog 기법을 적용하여 상세기상 예측모델을 개발하였다.
그런데, 상세기상 예측모델에서 생산되는 자료의 신뢰도 확보를 위해서 검증지표 제시가 필요하다. 그 방안으로 종관기상관측장비(Automated Surface Observing System, ASOS)나 자동기상관측장비(Automatic Weather Station, AWS), 또는 지방자치단체, 민간 기상업체 등의 유관 기관의 다양한 기상관측 센서들을 통하여 기상요소(기온, 습도 등)를 관측하고 관측 결과를 토대로 예측된 기상요소를 검증하는 실시간 검증 자동화 시스템이 요구되고 있다.
본 발명은 전술한 요구에 부응하기 위해 안출된 것으로, 본 발명의 목적은 상세기상 예측정보 검증체계를 구축하여 관측자료와 예측자료를 자동으로 비교, 검증하는 상세기상 예측정보 산출모델의 실시간 검증하는 방법 및 시스템을 제공하는 데 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 상세기상 예측정보 산출모델의 실시간 검증 시스템은, 수집된 모델, 예측자료 또는 관측자료를 처리하는 입력자료 전처리부; 검증 지점 및 기간을 추출하고 병합하는 입력자료 동기화부; 예측 및 관측지점을 지표면 유형별로 분류하는 지표면유형 분류부; 병합 및 분류된 상세기상 예측자료를 검증하는 검증지표 산출부-여기서, 검증지표는 교차검증, 유관기관 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함함-; 및 상기 검증지표 산출부에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하는 검증결과 표출부를 포함한다.
일실시예에서, 상세기상 예측정보 산출모델의 실시간 검증 시스템은, 상기 예측자료로서 상세기상 예측자료를 수집하는 예측자료 수집부; 및 상기 관측자료로서 기상청 또는 유관기관의 기상관측센서로부터 관측자료를 수집하는 관측자료 수집부를 더 포함할 수 있다.
일실시예에서, 상기 검증지표 산출부는, 상기 교차검증으로서 전체 기상관측지점 중 20%의 관측지점을 제외한 나머지 80%의 관측지점의 관측자료로부터 상세 기상예측모델의 모수를 추정한 후, 상기 20%의 관측지점에 대해 상세기상 예측결과를 산출하고, 산출된 상세기상 예측결과와 상기 20%의 관측지점의 관측자료와의 비교를 통해 모델 성능 결과를 산출할 수 있다.
일실시예에서, 상기 검증지표 산출부는, 기계학습 훈련모델에 포함되지 않는 기상관측지점인 비훈련지점을 이용하는 비훈련지점 검증으로서, 기계학습 훈련모델에 포함되지 않은 비훈련지점인 기상관측지점에 대해 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 공간적 정확도를 산출할 수 있다.
일실시예에서, 상기 검증지표 산출부는, 상기 지점 시계열 검증으로서, 기상관측지점에 대해 검증기간 동안 예측시간별로 상세기상 예측결과를 산출한 후, 해당지점 관측자료와의 비교를 통해 예측시간별 시계열 검증을 수행할 수 있다.
일실시예에서, 상기 검증지표 산출부는, 상기 폭염 또는 열대야 발생시간 공간·시계열 검증으로서, 여름철 재난위험 요소인 폭염 및 열대야 발생시간에 대해 공간분포 및 시계열 검증을 수행할 수 있다.
일실시예에서, 상기 검증지표 산출부는, 상기 지표면유형별 예측정확도 검증으로서, 상세기상 예측결과를 지표면유형별로 분류하여 대표값을 산출하고, 도심, 농촌 또는 산지를 포함한 지표면 유형에 해당되는 기상관측자료를 활용하여 지표면유형별 정확도를 검증할 수 있다.
일실시예에서, 상기 검증지표 산출부는, 상기 행정단위별 검증으로서, 상세기상 예측결과를 행정단위별로 분류하여 대표값을 산출하고, 읍, 면, 또는 동의 해당 행정구역에 위치한 기상관측자료를 활용하여 행정단위별 정확도를 검증할 수 있다.
일실시예에서, 상기 검증결과 표출부는 상기 검증지표 산출부에서 산출된 검증결과를 그래프로 자동 표출할 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 측면에 따른 상세기상 예측정보 산출모델의 실시간 검증 방법은, 입력자료 전처리부가 수집된 모델, 예측자료 또는 관측자료를 처리하는 단계; 상기 입력자료 전처리부에 연결되는 입력자료 동기화부가 검증 지점 및 기간을 추출하고 병합하는 단계; 상기 입력자료 전처리부에 연결되는 지표면유형 분류부가 예측 및 관측지점을 지표면 유형별로 분류하는 단계; 상기 입력자료 동기화부와 상기 지표면유형 분류부에 연결되는 검증지표 산출부가 병합 및 분류된 상세기상 예측자료를 검증하는 단계-여기서, 검증지표는 교차검증, 유관기관 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함함-; 및 검증결과 표출부가 상기 검증지표 산출부에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하는 단계를 포함한다.
일실시예에서, 상세기상 예측정보 산출모델의 실시간 검증 방법은, 상기 처리하는 단계 전에, 예측자료 수집부가 상기 예측자료로서 상세기상 예측자료를 수집하고, 관측자료 수집부 상기 관측자료로서 기상청 또는 유관기관의 기상관측센서로부터 관측자료를 수집하는 단계를 더 포함할 수 있다.
일실시예에서, 상기 검증하는 단계는, 상기 검증지표 산출부가, 상기 교차검증으로서 전체 기상관측지점 중 20%의 관측지점을 제외한 나머지 80%의 관측지점의 관측자료로부터 상세 기상예측모델의 모수를 추정한 후, 제외되었던 20%의 관측지점에 대해 상세기상 예측결과를 산출하고, 산출된 상세기상 예측결과와 상기 20%의 관측지점의 관측자료와의 비교를 통해 모델 성능 결과를 산출하거나, 상기 지점 시계열 검증 또는 시계열 검증으로서, 기상관측지점에 대해 검증기간 동안 예측시간별로 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 예측시간별 시계열 검증을 수행하거나, 상기 지표면유형별 예측정확도 검증 또는 지표유형별 검증으로서, 상세기상 예측결과를 지표면유형별로 분류하여 대표값을 산출하고, 도심, 농촌 또는 산지를 포함한 지표면 유형에 해당되는 기상관측자료를 활용하여 지표면유형별 정확도를 검증하거나, 상기 비훈련지점 검증 또는 일반검증으로서, 기계학습 훈련모델에 포함되지 않은 비훈련지점인 기상관측지점에 대해 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 공간적 정확도를 산출하거나, 상기 폭염 또는 열대야 발생시간 공간·시계열 검증으로서, 여름철 재난위험 요소인 폭염 및 열대야 발생시간에 대해 공간분포 및 시계열 검증을 수행하거나, 상기 행정단위별 검증으로서, 상세기상 예측결과를 행정단위별로 분류하여 대표값을 산출하고, 읍, 면, 또는 동의 해당 행정구역에 위치한 기상관측자료를 활용하여 행정단위별 정확도를 검증할 수 있다.
전술한 상세기상 예측정보 산출모델의 실시간 검증 방법 및 시스템에 의하면, 사용자에게 각 예보시스템의 장점과 단점을 판단할 수 있는 객관적인 정보를 제공하고, 모델 개발자들에게는 상세기상 예보모델을 향상시키기 위한 개선점 제시 등으로 기여할 수 있다.
또한, 본 발명에 의하면, 기존 검증 모델과 비교하여 정량화된 검증지표 및 개선 수치를 제공할 수 있으며, 그에 의해 검증 방법 및 시스템의 정확도를 개선하는 효과를 제공할 수 있다.
또한, 본 발명에 의하면, 지표면 유형별 결과를 산출하여 지표면유형에 따라 특성을 나타내는 변수 개선방안을 도출하고, 이를 이용하여 공간적 지표를 개선하거나 개선 방안을 제공할 수 있는 효과가 있다.
또한, 본 발명에 의하면, 상세기상 예측정보 산출모델에 대한 예측시간별 결과를 산출함으로써 시간별 예측결과 개선점 및 개선방안을 도출할 수 있고, 그에 의해 시간적 변동에 따른 개선 방안을 실시간으로 제공할 수 있는 장점이 있다.
도 1은 본 발명의 일실시예에 따른 상세기상 예측정보 산출모델의 실시간 검증 시스템(이하 간략히 '자동 검증 시스템'이라고 함)에 대한 구성 블록도이다.
도 2는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 시간별 교차검증 결과를 설명하기 위한 예시도이다.
도 3은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 비훈련지점 검증을 위한 관측지점을 설명하기 위한 예시도이다.
도 4는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 비훈련지점 검증을 설명하기 위한 예시도이다.
도 5는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 농촌지역 시계열 검증을 설명하기 위한 예시도이다.
도 6은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 도심지역 시계열 검증을 설명하기 위한 예시도이다.
도 7은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 산림지역 시계열 검증을 설명하기 위한 예시도이다.
도 8은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 폭염, 열대양 발생기간 검증을 설명하기 위한 예시도이다.
도 9는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 해상도별 지표유형별 분류 검증을 설명하기 위한 예시도이다.
도 10은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 지표면유형 및 해상도별 검증을 설명하기 위한 예시도이다.
도 11은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 행정단위 및 해상도별 검증을 설명하기 위한 예시도이다.
도 12는 본 발명의 다른 실시예에 따른 자동 검증 시스템에 대한 블록도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함한다" 또는 "가진다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 상세기상 예측정보 산출모델의 실시간 검증 시스템(이하 간략히 '자동 검증 시스템'이라고 함)에 대한 구성 블록도이다.
도 1을 참조하면, 본 실시예에 따른 상세기상 예측정보 산출모델의 실시간 검증하는 시스템(이하 '자동 검증 시스템'이라고 한다)(100)은, 수집된 모델, 예측자료 또는 관측자료를 처리하는 입력자료 전처리부(30), 검증 지점 및 기간을 추출하고 병합하는 입력자료 동기화부(40), 예측 및 관측지점을 지표면 유형별로 분류하는 지표면유형 분류부(50), 병합 및 분류된 상세기상 예측자료를 검증하는 검증지표 산출부(60), 및 검증지표 산출부(60)에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하는 검증결과 표출부(70)를 포함한다.
검증지표는 교차검증, 유관기관 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함한다.
또한, 자동 검증 시스템(100)은, 예측자료로서 상세기상 예측자료를 수집하는 예측자료 수집부(10), 및 관측자료로서 기상청 또는 유관기관의 기상관측센서로부터 관측자료를 수집하는 관측자료 수집부(20)를 더 포함할 수 있다.
검증지표 산출부(60)는 서브 유닛들로서 교차검증부(61), 시계열검증부(62), 지표유형별 검증부(63), 일반검증부(64), 폭염 또는 열대야 발생시간 검증부(65) 및 행정단위별 검증부(66)를 구비할 수 있다. 각 서브 유닛에 대하여는 아래에서 좀더 상세히 설명될 것이다.
검증결과 표출부(70)는 검증지표 산출부(60)에서 산출된 검증결과를 그래프로 자동 표출하도록 구현될 수 있다.
전술한 입력자료 전처리부(30), 입력자료 동기화부(40) 및 지표면유형 분류부(50) 및 검증지표 산출부(60)는 일체의 단일 유닛(80)으로 구현될 수 있다. 단일 유닛(80)은 마이크로프로세서나 기록매체를 포함할 수 있다. 그 경우, 자동 검증 시스템(100)은 외부의 예측자료 수집부(10), 관측자료 수집부(20) 및 검증결과 표출부(70)와 네트워크를 통해 연결되는 형태나 구조를 가질 수 있다.
도 2는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 시간별 교차검증 결과를 설명하기 위한 예시도이다.
본 실시예에서 검증지표 산출부는, 교차검증으로서 전체 기상관측지점 중 20%의 관측지점을 제외한 나머지 80%의 관측지점의 관측자료로부터 상세 기상예측모델의 모수를 추정한 후, 제외되었던 20%의 관측지점에 대해 상세기상 예측결과를 산출하고, 산출된 상세시강 예측결과와 상기 20%의 관측지점의 관측자료와의 비교를 통해 모델 성능 결과를 산출할 수 있다.
도 2에 도시한 바와 같이, 임의의 4개의 달(2017년 7월 및 8월과 2018년 7월과 8월)에 자정에서 23시까지 하루의 전체시간을 포함한 해당 달의 전체기간에 대한 LDAPS에서의 수집한 데이터에 기초한 평균 제곱근 오차(root-mean-square error, RMSE)가 위에 기재된 달의 순서대로 각각 1.89, 1.79, 1.93 및 1.71로 산출되고, 상기의 전체기간에 대한 도시기상정보시스템(urban meteorological information system, UMIS)에서 수집한 데이터에 기초한 RMSE가 각각 1.49, 1.54, 1.41 및 1.55로 각각 산출되었다.
본 실시예에서는 임의의 4개의 달(2017년 7월 및 8월과 2018년 7월과 8월)에 자정에서 23시까지 하루의 전체시간을 포함한 해당 달의 전체 기간에 대한 LDAPS에서의 수집한 데이터에 기초한 상관계수값(correlation coefficient)을 산출하였다. LDAPS의 각 상관계수값은 위에 기재된 달(months)의 순서대로 0.57, 0.66, 0.66 및 0.71이었고, UMIS의 상관계수값은 0.72, 0.73, 0.77 및 0.76으로 확인되었다.
도 3은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 비훈련지점 검증을 위한 관측지점을 설명하기 위한 예시도이다.
본 실시예의 검증지표 산출부는, 기계학습 훈련모델에 포함되지 않은 기상관측지점인 비훈련지점을 이용하는 비훈련지점 검증으로서, 기계학습 훈련모델에 포함되지 않은 비훈련지점인 특정 기상관측지점에 대해 상세기상 예측결과를 산출한 후, 해당지점의 관측자료와의 비교를 통해 공간적 정확도를 산출한다. 비훈련지점으로는 영암과 목포 지역의 3개소(a)와 광양과 여수 지역의 12개소(b)를 각각 선정하였다.
전술한 비훈련지점의 번호, 이름 및 주소를 나타내면 아래의 표 1과 같다.
Figure 112018115249263-pat00001
도 4는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 비훈련지점 검증을 설명하기 위한 예시도이다.
도 4를 참조하면, 상기의 전체기간에 대한 해상도별 검증결과가 상자도표(N=1169)로 도시되어 있다. 각각의 데이터 소스들(LDAPS, UMIS_100m, UMIS_500m, UMIS_1000m)에 대하여 평균 제곱근 오차(RMSE)와 평균 오차 또는 편이(BIAS)의 해상도, 1분위, 중위수, 평균 및 3분위에 대한 값들이 각각 표시되어 있다.
전술한 데이터 소스들(LDAPS, UMIS_100m, UMIS_500m, UMIS_1000m)에 대한 검증지표들의 비훈련지점 검증 결과를 나타내면 아래의 표 2와 같다.
Figure 112018115249263-pat00002
표 2에서 알 수 있듯이, UMIS 해상도(100, 500, 1000m)에 따른 검증결과를 비교한 결과, 500m와 1000m 해상도에서 통계적으로 유의한 결과를 보이고 있다. UMIS와 LDAPS의 RMSE 차이를 소정의 검정기법 예컨대 독립표본t검정으로 분석한 결과, LDAPS에 비해 RMSE가 평균적으로 약 0.43℃(500m), 0.23℃(1000m) 낮게 나타났다. UMIS에서 산출된 편이(BIAS)는 500m 해상도에서 가장 적게 편향되는 결과를 보였으며, 상관계수(Correlation Coefficient)의 경우 LDAPS에 비해 조금 증가한 것으로 나타났다.
도 5는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 농촌지역 시계열 검증을 설명하기 위한 예시도이다. 도 6은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 도심지역 시계열 검증을 설명하기 위한 예시도이다. 도 7은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 산림지역 시계열 검증을 설명하기 위한 예시도이다.
본 실시예에서 검증지표 산출부는, 농촌지역, 도심지역 및 산림지역의 각 지점 시계열 검증으로서, 기상관측지점에 대해 검증기간 동안 예측시간별로 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 예측시간별 시계열 검증을 수행할 수 있다.
도 5 내지 도 7에 나타낸 바와 같이, 최고기온이 발생하는 낮 시간(15시)에 대하여 지표면유형(농촌지역, 도심지역, 산림지역)별 관측지점과 국지예보모델, UMIS 결과를 비교하여 모델예측 성능결과를 제시하였다. 또한, 관측 값과 모델 예측 값을 시계열 그림을 통해 표출하여, 모델의 시계열 예측성능을 확인하였다. 예시로, 도 5에서 나타낸 바와 같이, UMIS모델이 LDAPS 모델에 비해 평균제곱근오차(RMSE) 및 편이/편차(BIAS)가 낮은 것으로 그 결과가 나타나 UMIS모델이 LDAPS 모델에 비해 예측정확도(RMSE : 1.83→1.52) 및 과소모의부분(BIAS : -1.13→-0.15)이 개선되었다는 사실을 확인할 수 있다. 또한 시계열 그림을 통해서도 UMIS 예측 값이 LDAPS 예측 값에 비해 과소모의 부분이 개선되었다는 것을 확인할 수 있다.
도 8은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 폭염, 열대양 발생기간 검증을 설명하기 위한 예시도이다.
본 실시예에서 검증지표 산출부는, 폭염 또는 열대야 발생시간 공간·시계열 검증으로서, 여름철 재난위험 요소인 폭염 및 열대야 발생시간에 대해 공간분포 및 시계열 검증을 수행할 수 있다. 시계열 검증에서는 특정 낮 시간대(예컨대, 15시)와 특정 새벽 시간대(예컨대, 03시)에 대한 데이터를 이용하였다.
도 8에 나타낸 바와 같이, 최고기온이 발생하는 낮 시간(15시)과 최저기온이 발생하는 새벽 시간(03시)에 대하여 기상청 자동기상관측장비(AWS)와 국지예보모델, UMIS 결과를 비교하여 모델예측 성능결과를 월별로 제시하였다. 도 8에 나타낸 바와 같이, UMIS모델이 LDAPS 모델에 비해 평균제곱근오차(RMSE)는 낮고 상관계수(Correlation Coefficient)가 높은 것으로 그 결과가 나타나 UMIS모델이 LDAPS 모델이 비해 예측정확도(RMSE : 2.89→1.58, 2017년 7월 사례 낮시간) 및 공간분포 상관성(Correlation Coefficient : 0.57→0.72)이 개선되었다는 것을 확인할 수 있다. 또한 다른 월 및 시간대에서도 UMIS 예측 값이 LDAPS 예측 값에 비해 개선된 것을 확인할 수 있다.
도 9는 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 해상도별 지표유형별 분류 검증을 설명하기 위한 예시도이다. 도 10은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 지표면유형 및 해상도별 검증을 설명하기 위한 예시도이다. 도 11은 도 1의 자동 검증 시스템에 채용할 수 있는 검증지표 산출부에서의 행정단위 및 해상도별 검증을 설명하기 위한 예시도이다.
본 실시예에서 검증지표 산출부는, 지표면유형별 예측정확도 검증으로서, 상세기상 예측결과를 지표면유형별로 분류하여 대표값을 산출하고, 도심, 농촌 또는 산지를 포함한 지표면 유형에 해당되는 기상관측자료를 활용하여 지표면유형별 정확도를 검증할 수 있다.
또한, 검증지표 산출부는, 행정단위별 검증으로서, 상세기상 예측결과를 행정단위별로 분류하여 대표값을 산출하고, 읍, 면, 또는 동의 해당 행정구역에 위치한 기상관측자료를 활용하여 행정단위별 정확도를 검증할 수 있다.
도 9에서는 연구 영역인 광양지역에 대하여 토지피복분류를 여러 해상도(100m, 500m, 1000m)로 나타낸 결과를 보여준다. 동일한 공간체계 및 영역에서 해상도별 기온 값을 얻게 되면, 토지피복별로 기온분포를 나타낼 수 있게 된다.
도 9의 결과를 바탕으로 도 10에서 광양지역에 대하여 해상도별로 산출된 UMIS 예측기온을 지표면특성(도시,산림,농촌)으로 분류하여 나타낸 결과, 도시지역의 경우 100m 해상도에서 관측기온 값을 가장 잘 모의하는 것으로 나타났다. 산지 및 농촌지역의 경우 100m와 500m의 해상도에서 관측기온 값과 유사하게 모의하는 것으로 나타났다.
도 11에서는 해상도별로 산출된 예측기온을 광양시 읍면동 행정구역으로 분류하여 나타낸 결과를 보여준다. 읍면동에 따라 예측되는 최고기온 값이 해상도별로 다르게 나타났으며, 광양시에서 산출되는 산지지역의 관측기온 34℃와 도시지역 관측기온 36℃의 기운분포를 UMIS 해상도별로 비교하였을 때 100m 해상도에서 가장 잘 모의하는 것으로 나타났다.
도 12는 본 발명의 다른 실시예에 따른 자동 검증 시스템에 대한 블록도이다.
도 12를 참조하면, 본 실시예에 따른 상세기상 예측정보 산출모델의 실시간 검증 시스템(100)은 프로세서(110), 메모리(120) 및 통신인터페이스(130)를 구비한다. 프로세서(110)는 마이크로프로세서나 이에 대응하는 기능을 수행하는 수단이나 이러한 수단에 상응하는 기능을 수행하는 구성부 또는 장치를 포함할 수 있다. 메모리(120)는 롬(ROM), 램(RAM), 플래시 메모리 등의 반도체 메모리 장치 외에 넓은 의미에서 하드 드라이브, 광디스크, 자기 디스크 등이나 이에 대응하는 기능을 수행하는 저장수단 혹은 저장장치를 포함할 수 있다.
또한, 메모리(120)는 교차검증 모듈(121), 시계열검증 모듈(122), 제3 검증 모듈(123), 일반검증 모듈(124), 제5 검증 모듈(125), 제6 검증 모듈(126) 및 검증결과 표출 모듈(127) 등을 구비한다. 교차검증 모듈(121)은 제1 검증 모듈로, 시계열검증 모듈(122)은 제2 검증 모듈로, 일반검증 모듈(124)는 제4 검증 모듈로 지칭될 수 있다.
또한, 메모리(120)는 예측자료의 수집을 위한 모듈, 관측자료의 수집을 위한 모듈, 입력자료를 전처리하기 위한 모듈, 입력자료를 동기화하기 위한 모듈, 지표면유형을 분류하기 위한 모듈 등을 더 구비할 수 있다.
전술한 모듈들은 프로세서(110)에 탑재되어 해당 기능을 수행할 수 있다. 그 경우, 프로세서(110)에 탑재되어 해당 기능을 수행하는 모듈은 해당 기능의 구성부로 지칭될 수 있다. 예를 들어, 프로세서(110)은 교차검증 모듈(121)을 탑재하여 교차검증부로서 기능하거나, 시계열검증 모듈(122)을 탑재하여 시계열검증부로서 기능할 수 있다.
통신인터페이스(130)는 네트워크를 통해 외부의 장치와 신호 및 데이터의 송수신하는 수단이나 구성부를 포함한다. 통신인터페이스(130)는 인트라넷, 인터넷, 유선 네트워크, 무선 네트워크, 위성망 등과의 접속을 위한 통신서브시스템을 포함할 수 있다.
본 실시예의 실시간 검증 시스템(100)은 자동 검증 시스템 또는 실시간 자동 검증 시스템으로 지칭될 수 있다. 실시간 검증 시스템(100)은 입출력장치(140)나 자동 검증을 위한 관련 데이터를 저장하는 데이터베이스를 갖춘 데이터베이스 시스템(150)에 연결될 수 있다.
전술한 구성에 의하면, 실시간 검증 시스템(100)은 일련의 단계들을 포함하는 상세기상 예측정보 산출모델의 실시간 검증 방법(이하 '자동 검증 방법'이라고 함)을 수행할 수 있다. 자동 검증 방법은, 입력자료 전처리부가 수집된 모델, 예측자료 또는 관측자료를 처리하고, 입력자료 전처리부에 연결되는 입력자료 동기화부가 검증 지점 및 기간을 추출하고 병합하고, 입력자료 전처리부에 연결되는 지표면유형 분류부가 예측 및 관측지점을 지표면 유형별로 분류하고, 입력자료 동기화부와 지표면유형 분류부에 연결되는 검증지표 산출부가 병합 및 분류된 상세기상 예측자료를 검증하고, 검증결과 표출부가 검증지표 산출부에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하도록 이루어질 수 있다. 거기서, 검증지표는 교차검증, 유관기관 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함한다.
또한, 자동 검증 방법은, 예측자료나 관측자료를 처리하기 전에, 예측자료 수집부가 예측자료로서 상세기상 예측자료를 수집하고, 관측자료 수집부가 관측자료로서 기상청 또는 유관기관의 기상관측센서로부터 관측자료를 수집하도록 이루어질 수 있다.
또한, 본 실시예의 자동 검증 방법은, 검증하는 과정에서, 검증지표 산출부가, 교차검증으로서 전체 기상관측지점 중 20%의 관측지점을 제외한 나머지 80%의 관측지점의 관측자료로부터 상세 기상예측모델의 모수를 추정한 후, 제외되었던 20%의 관측지점에 대해 상세기상 예측결과를 산출하고, 산출된 상세기상 예측결과와 상기 20%의 관측지점의 관측자료와의 비교를 통해 모델 성능 결과를 산출하거나; 지점 시계열 검증 또는 시계열 검증으로서, 기상관측지점에 대해 검증기간 동안 예측시간별로 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 예측시간별 시계열 검증을 수행하거나; 지표면유형별 예측정확도 검증 또는 지표유형별 검증으로서, 상세기상 예측결과를 지표면유형별로 분류하여 대표값을 산출하고, 도심, 농촌 또는 산지를 포함한 지표면 유형에 해당되는 기상관측자료를 활용하여 지표면유형별 정확도를 검증하거나; 비훈련지점 검증으로서, 기계학습 훈련모델에 포함되지 않은 비훈련지점인 기상관측지점에 대해 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 공간적 정확도를 산출하거나; 폭염 또는 열대야 발생시간 공간·시계열 검증으로서, 여름철 재난위험 요소인 폭염 및 열대야 발생시간에 대해 공간분포 및 시계열 검증을 수행하거나, 상기 행정단위별 검증으로서, 상세기상 예측결과를 행정단위별로 분류하여 대표값을 산출하고, 읍, 면 또는 동의 해당 행정구역에 위치한 기상관측자료를 활용하여 행정단위별 정확도를 검증하도록 이루어질 수 있다.
전술한 실시예에 의하면, 상세기상 예측정보 산출모델의 검증 정확도를 개선하여 기존 검증 모델과 비교하여 정량화된 검증지표를 제공하면서 개선 수치 제공 등에 의해 신뢰성을 향상시킬 수 있다.
일례로, 개선 수치의 일례는 다음과 같다:
- RMSE 0.71℃ 감소(1.90→1.19℃), Correlation 0.15 증가(0.57→0.72)
- RMSE 0.54℃ 감소(1.80→1.26℃), Correlation 0.07 증가(0.66→0.73)
- RMSE 0.85℃ 감소(1.95→1.10℃), Correlation 0.11 증가(0.66→0.77)
- RMSE 0.49℃ 감소(1.72→1.23℃), Correlation 0.05 증가(0.71→0.76)
본 발명은 도면을 참조한 실시예를 중심으로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점은 자명하다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (12)

  1. 수집된 모델, 예측자료 또는 관측자료를 처리하는 입력자료 전처리부;
    검증 지점 및 기간을 추출하고 병합하는 입력자료 동기화부;
    예측 및 관측지점을 지표면 유형별로 분류하는 지표면유형 분류부;
    병합 및 분류된 상세기상 예측자료를 검증하는 검증지표 산출부-여기서, 검증지표는 교차검증, 비훈련지점 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함함-; 및
    상기 검증지표 산출부에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하는 검증결과 표출부;
    를 포함하며,
    상기 예측자료는 상세기상 예측자료를 포함하고, 상기 관측자료는 기상청 또는 유관기관의 기상관측센서로부터의 관측자료를 포함하며,
    상기 검증지표 산출부는 교차검증 모듈, 상기 비훈련지점 검증을 수행하는 일반검증 모듈, 상기 지점 시계열 검증을 수행하는 시계열검증 모듈, 상기 폭염 또는 열대야 발생시간 공간·시계열 검증을 수행하는 모듈, 상기 지표면유형별 예측정확도 검증을 수행하는 모듈, 및 상기 행정단위별 검증을 수행하는 모듈을 구비하고, 프로세서에 탑재되며,
    상기 교차검증은, 전체 기상관측지점 중 20%의 관측지점을 제외한 나머지 80%의 관측지점의 관측자료로부터 상세 기상예측모델의 모수를 추정한 후, 상기 20%의 관측지점에 대해 상세기상 예측결과를 산출하고, 산출된 상세기상 예측결과와 상기 20%의 관측지점의 관측자료와의 비교를 통해 모델 성능 결과를 산출하고,
    상기 비훈련지점 검증은, 기계학습 훈련모델에 포함되지 않은 기상관측지점인 비훈련지점을 이용하는 비훈련지점 검증으로서, 기계학습 훈련모델에 포함되지 않은 비훈련지점인 기상관측지점에 대해 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 공간적 정확도를 산출하는 검증이고,
    상기 지점 시계열 검증은, 기상관측지점에 대해 검증기간 동안 예측시간별로 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 기상관측지정에 대한 예측시간별 시계열 검증을 수행하고,
    상기 폭염 또는 열대야 발생시간 공간·시계열 검증은, 여름철 재난위험 요소인 폭염 및 열대야 발생시간에 대해 공간분포 및 시계열 검증을 수행하고,
    상기 지표면유형별 예측정확도 검증은, 상세기상 예측결과를 지표면유형별로 분류하여 대표값을 산출하고, 도심, 농촌 또는 산지를 포함한 지표면 유형에 해당되는 기상관측자료를 활용하여 지표면유형별 정확도를 검증하는 것이고,
    상기 행정단위별 검증은, 상세기상 예측결과를 행정단위별로 분류하여 대표값을 산출하고, 읍, 면 또는 동의 해당 행정구역에 위치한 기상관측자료를 활용하여 행정단위별 정확도를 검증하는 것인, 상세기상 예측정보 산출모델의 실시간 검증 시스템.
  2. 청구항 1에 있어서,
    상기 예측자료로서 상세기상 예측자료를 수집하는 예측자료 수집부; 및
    상기 관측자료로서 기상청 또는 유관기관의 기상관측센서로부터 관측자료를 수집하는 관측자료 수집부를 더 포함하는, 상세기상 예측정보 산출모델의 실시간 검증 시스템.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 청구항 1에 있어서,
    상기 검증결과 표출부는 상기 검증지표 산출부에서 산출된 검증결과를 그래프로 자동 표출하는, 상세기상 예측정보 산출모델의 실시간 검증 시스템.
  10. 입력자료 전처리부가 수집된 모델, 예측자료 또는 관측자료를 처리하는 단계;
    상기 입력자료 전처리부에 연결되는 입력자료 동기화부가 검증 지점 및 기간을 추출하고 병합하는 단계;
    상기 입력자료 전처리부에 연결되는 지표면유형 분류부가 예측 및 관측지점을 지표면 유형별로 분류하는 단계;
    상기 입력자료 동기화부와 상기 지표면유형 분류부에 연결되는 검증지표 산출부가 병합 및 분류된 상세기상 예측자료를 검증하는 단계-여기서, 검증지표는 교차검증, 비훈련지점 검증, 지점 시계열 검증, 폭염 또는 열대야 발생시간 공간·시계열 검증, 지표면유형별 예측정확도 검증, 행정단위별 검증 중 어느 하나 이상을 포함함-; 및
    검증결과 표출부가 상기 검증지표 산출부에서 산출된 RMSE(root-mean-square error), MAE(mean absolute error), BIAS(mean error), 상관계수(R) 중 어느 하나 이상의 검증자료를 포함한 검증결과를 출력하는 단계;
    를 포함하며,
    상기 검증지표 산출부는 교차검증 모듈, 상기 비훈련지점 검증을 수행하는 일반검증 모듈, 상기 지점 시계열 검증을 수행하는 시계열검증 모듈, 상기 폭염 또는 열대야 발생시간 공간·시계열 검증을 수행하는 모듈, 상기 지표면유형별 예측정확도 검증을 수행하는 모듈, 및 상기 행정단위별 검증을 수행하는 모듈을 구비하고, 프로세서에 탑재되며,
    상기 교차검증은, 전체 기상관측지점 중 20%의 관측지점을 제외한 나머지 80%의 관측지점의 관측자료로부터 상세 기상예측모델의 모수를 추정한 후, 상기 20%의 관측지점에 대해 상세기상 예측결과를 산출하고, 산출된 상세기상 예측결과와 상기 20%의 관측지점의 관측자료와의 비교를 통해 모델 성능 결과를 산출하고,
    상기 비훈련지점 검증은, 기계학습 훈련모델에 포함되지 않은 기상관측지점인 비훈련지점을 이용하는 비훈련지점 검증으로서, 기계학습 훈련모델에 포함되지 않은 비훈련지점인 기상관측지점에 대해 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 기상관측자료와의 비교를 통해 공간적 정확도를 산출하는 검증이고,
    상기 지점 시계열 검증은, 기상관측지점에 대해 검증기간 동안 예측시간별로 상세기상 예측결과를 산출한 후, 해당 기상관측지점의 관측자료와의 비교를 통해 기상관측지점에 대한 예측시간별 시계열 검증을 수행하고,
    상기 폭염 또는 열대야 발생시간 공간·시계열 검증은, 여름철 재난위험 요소인 폭염 및 열대야 발생시간에 대해 공간분포 및 시계열 검증을 수행하고,
    상기 지표면유형별 예측정확도 검증은, 상세기상 예측결과를 지표면유형별로 분류하여 대표값을 산출하고, 도심, 농촌 또는 산지를 포함한 지표면 유형에 해당되는 기상관측자료를 활용하여 지표면유형별 정확도를 검증하는 것이고,
    상기 행정단위별 검증은, 상세기상 예측결과를 행정단위별로 분류하여 대표값을 산출하고, 읍, 면 또는 동의 해당 행정구역에 위치한 기상관측자료를 활용하여 행정단위별 정확도를 검증하는 것인, 상세기상 예측정보 산출모델의 실시간 검증 방법.
  11. 청구항 10에 있어서,
    상기 처리하는 단계 전에, 예측자료 수집부가 상기 예측자료로서 상세기상 예측자료를 수집하고, 관측자료 수집부가 상기 관측자료로서 기상청 또는 유관기관의 기상관측센서로부터 관측자료를 수집하는 단계를 더 포함하는, 상세기상 예측정보 산출모델의 실시간 검증 방법.
  12. 삭제
KR1020180142974A 2018-11-19 2018-11-19 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템 KR102065280B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180142974A KR102065280B1 (ko) 2018-11-19 2018-11-19 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180142974A KR102065280B1 (ko) 2018-11-19 2018-11-19 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102065280B1 true KR102065280B1 (ko) 2020-02-11

Family

ID=69568685

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180142974A KR102065280B1 (ko) 2018-11-19 2018-11-19 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102065280B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220046027A (ko) 2020-10-06 2022-04-14 대한민국(기상청 국립기상과학원장) 기계학습을 이용한 농업지역 3m 풍속 예측 및 평가 방법
KR102396283B1 (ko) * 2021-08-06 2022-05-10 주식회사 포디솔루션 계절내 규모 예측인자의 원격상관 진단 및 평가 매트릭스
KR20220078941A (ko) * 2020-12-04 2022-06-13 대한민국(기상청 국립기상과학원장) 전지구 기후 변화 예측 모델 수행을 위한 지면식생 입력자료 생산 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160102805A (ko) * 2015-02-23 2016-08-31 주식회사 동녘 해양 기상 분석 장치 및 방법
KR20160105580A (ko) * 2015-02-27 2016-09-07 주식회사 에스비아이에스 폭풍 해일 모델 검증 자동화 시스템
KR101809629B1 (ko) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160102805A (ko) * 2015-02-23 2016-08-31 주식회사 동녘 해양 기상 분석 장치 및 방법
KR20160105580A (ko) * 2015-02-27 2016-09-07 주식회사 에스비아이에스 폭풍 해일 모델 검증 자동화 시스템
KR101809629B1 (ko) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
유철희 외 3인, ‘기계학습 기반 상세화를 통한 위성 지표면 온도와 환경부 토지피복도를 이용한 열환경 분석: 대구광역시를 중심으로’, 대한원격탐사학회지, 제33권, 제6호, 2017.12, pp.1101-1118.* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220046027A (ko) 2020-10-06 2022-04-14 대한민국(기상청 국립기상과학원장) 기계학습을 이용한 농업지역 3m 풍속 예측 및 평가 방법
KR20220078941A (ko) * 2020-12-04 2022-06-13 대한민국(기상청 국립기상과학원장) 전지구 기후 변화 예측 모델 수행을 위한 지면식생 입력자료 생산 방법 및 장치
KR102492475B1 (ko) 2020-12-04 2023-02-06 대한민국 전지구 기후 변화 예측 모델 수행을 위한 지면식생 입력자료 생산 방법 및 장치
KR102396283B1 (ko) * 2021-08-06 2022-05-10 주식회사 포디솔루션 계절내 규모 예측인자의 원격상관 진단 및 평가 매트릭스

Similar Documents

Publication Publication Date Title
Killinger et al. QCPV: A quality control algorithm for distributed photovoltaic array power output
KR102065280B1 (ko) 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템
CN106203679A (zh) 一种用户流失预测方法及系统
CN104764868B (zh) 一种基于地理加权回归的土壤有机碳预测方法
CN113408917B (zh) 自然灾害风险评估方法、装置、计算机设备及存储介质
Leeson et al. A comparison of supraglacial lake observations derived from MODIS imagery at the western margin of the Greenland ice sheet
Killick Benchmarking the performance of homogenisation algorithms on daily temperature data
Gómez et al. Real-time weather forecasting in the Western Mediterranean Basin: An application of the RAMS model
Gómez et al. Characterization of the wind speed variability and future change in the Iberian Peninsula and the Balearic Islands
Cheng et al. A synoptic weather-typing approach to project future daily rainfall and extremes at local scale in Ontario, Canada
KR102489376B1 (ko) 실시간 강우패턴 반응형 집중호우 예측시스템
Bourdin et al. Intercomparison of four tropical cyclones detection algorithms on ERA5
CN116680658A (zh) 一种基于风险评价的热浪监测站选址方法及系统
CN117556197A (zh) 一种基于人工智能的台风涡旋初始化方法
Bajamgnigni Gbambie et al. Added value of alternative information in interpolated precipitation datasets for hydrology
Gómez et al. Verification of the RAMS-based operational weather forecast system in the Valencia Region: A seasonal comparison
CN117031584A (zh) 一种霜冻预测预报方法及系统
Ruiz et al. Mountain permafrost distribution in the Andes of Chubut (Argentina) based on a statistical model
CN115391746A (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
Odon et al. Evaluation of reanalyses over British Columbia. Part I: Daily and extreme 2-m temperature
Herla et al. A Large-scale Validation of Snowpack Simulations in Support of Avalanche Forecasting Focusing on Critical Layers
Foley Long-term trends in large-scale circulation behaviour and wind storms for North Atlantic islands: a multi-data analysis using ERA-20C and meteorological station data
Davison et al. Parameter-state ensemble thinning for short-term hydrological prediction
Dulam Discriminate analysis for dust storm prediction in the Gobi and steppe regions in Mongolia
CN115657163B (zh) 基于人工智能模型的延伸期气象要素预报方法及系统

Legal Events

Date Code Title Description
GRNT Written decision to grant