KR102076426B1 - 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 - Google Patents
상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 Download PDFInfo
- Publication number
- KR102076426B1 KR102076426B1 KR1020180142952A KR20180142952A KR102076426B1 KR 102076426 B1 KR102076426 B1 KR 102076426B1 KR 1020180142952 A KR1020180142952 A KR 1020180142952A KR 20180142952 A KR20180142952 A KR 20180142952A KR 102076426 B1 KR102076426 B1 KR 102076426B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- weather
- meteorological
- forecast
- detailed
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000009795 derivation Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 4
- FVRDYQYEVDDKCR-DBRKOABJSA-N tiazofurine Chemical compound NC(=O)C1=CSC([C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)=N1 FVRDYQYEVDDKCR-DBRKOABJSA-N 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 15
- 239000000284 extract Substances 0.000 description 13
- 238000012795 verification Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037211 monthly cycles Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Tourism & Hospitality (AREA)
- Ecology (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
고해상도 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법이 개시된다. 상세기상 예측정보 실시간 운영 시스템은, 상세기상 가중 영향인자를 도출하는 영향인자 도출부; 도시의 형태 및 구조와 관련한 지표면특성에 있어서 지표면상에 설정되는 반경에 따른 기상변수의 영향을 분석하고 최적 해상도를 도출하는 최적반경 도출부; 기상예측모델 과거자료 및 기상관측자료를 기반하여 기상자료를 수집하고 데이터베이스를 구축하는 기상자료 구축부; 훈련자료로 활용되는 기상관측자료를 선정하는 과정에서 예측자료의 기상상황과 가장 유사한 모델 훈련자료의 일자를 추출하고 그 일자에 해당하는 기상관측자료를 추출하는 유사기상현상 추출부; 훈련자료를 토대로 기계학습 훈련모델을 구축하고 상세보정지점 산출모델을 통해서 상세지점 지역의 기상예측자료를 산출하는 고해상도 기상예측장 산출부; 및 상대적으로 높은 해상도 격자마다 산출되는 예측정보를 이용하여 소정 지역 단위의 분포에서 사람이 거주하는 시가화건조지역 격자들을 추출하고, 상기 격자들의 수치에서 최고, 최저, 평균 값을 분류하여 상기 지역 단위의 기상예측 통계값을 산출하는 지역단위 기상예측자료 산출부를 포함한다.
Description
본 발명의 실시예는 고해상도 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법에 관한 것이다.
우리나라의 경우, 기후변화의 영향으로 도시의 여름철 기온변동성이 커지고 있으나, 도시기온상승에 따른 여름철 폭염에 대한 대응능력은 현재에도 취약한 것으로 나타나고 있다. 폭염 대응능력을 강화하기 위해서 폭염으로 인한 보건, 산업, 축산 등의 분야별 영향예보 방안이 요구되고 있다.
한편, 대기와 지표면에서의 상호대기물리 과정은 종관 기상장의 지배와 지표면 국지적 구조환경 특성에 의해 발생하게 된다. 대기경계층 아래 접지경계층에서, 하나의 기상변수 대한 예측 값을 산정하기 위해서는 다른 변수들의 복합적인 작용을 반영해야 하며, 해당 도시특성별, 기상변수별, 시공간규모별로 기온, 습도 등의 기상정보에 가중되는 영향 정도가 산정되어야 한다.
이와 같이, 지표면 근처에서의 국지적인 상세기상 예측정보를 실시간 운영하여 예측하는 방안이나 이를 이용하여 여름철 폭염이나 열대야와 같은 영향예보에 활용할 수 있는 방안이 요구되고 있다.
본 발명은 도시의 기하구조 복잡성에 의해 국지적 기온의 공간적 변동성이 크게 나타나는 인과관계에 대한 규명과 그 영향을 정량화하여 모델개발에 적용하고, 또한 미래에 예측된 날짜의 기상정보(예측된 기압, 기온, 습도 등 기상변수)와 가장 유사한 과거의 사례일을 조건별로 선택하여 해당일의 관측자료(참값)가 모델에 적용되고, 이렇게 준비된 혹은 개발된 상세기상 예측모델에서 상세한 시공간 단위로의 기상정보를 예측하기 위한 실시간 운영 시스템의 개발과 그 시스템으로부터 활용할 수 있는 정보를 추출하는 것을 주된 목적으로 한다.
본 발명의 또 다른 목적은, 전술한 고해상도 상세기상 예측정보 실시간 운영 시스템과 폭염 및 열대야 영향 예보 활용 방법을 제공하는데 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 상세기상 예측정보 실시간 운영 시스템은,
국지적 기온에 가중되는 영향인자 및 강도를 랜덤 포레스트(Random Forest) 통계기법을 통해 도출하는 영향인자 도출부-여기서, 상기 국지적 기온은 접지경계층 내 기온으로서 자동기상관측장비(automatic weather station, AWS)가 설치된 지표면 고도 1.5m에서 나타나는 기온을 포함하고, 상기 영향인자 및 강도는 지형고도, 건물높이, 도로면적, 식생면적, 그림자비율 또는 이들의 조합을 포함한 수평 및 수직적 인자를 포함함-;
도시의 형태 및 구조와 관련한 지표면특성변수들(위에서 도출된 영향인자들에 대응함)이 반경별(100m, 200m, 300m, 400m, 500m)로 AWS 관측기온에 영향을 미치는 크기를 상관분석을 통해 가장 높은 결정계수의 값을 가진 해상도를 선정하고, 선정된 해상도에서 최적 영향반경을 도출하는 최적반경 도출부;
기상자료로서 기상청 현업모델 등에 의한 LDAPS(local data assimilation and prediction system; 국지예보모델) 예측자료와 AWS 및 ASOS(automated surface observing system; 종관기상관측장비) 관측자료를 수집하고 데이터베이스를 구축하는 기상자료 구축부-여기서, 상기 예측자료는 기압, 기온, 직달일사, 산란일사, 순복사, U성분, V성분, 풍향, 풍속, 구름양, 강수를 포함하고, 상기 관측자료는 기온, 풍향, 풍속, 습도를 포함함-;
기계학습 훈련자료로 활용되는 기상관측자료(참값)의 사례일을 선정하는 과정(예측정확도를 높이기 위하여, 최적의 참값을 입력하는 과정)에서, 예측된 기상자료의 대기상태(조건: 1000, 925, 850, 500, 300, 200 hpa에서의 예보변수(Geopotential Height, 기온, 습도, U성분, V성분)의 최소오차)를 기반으로 과거에 예측되었던 기상자료에서 유사한 대기상태를 찾아 그 사례일의 관측자료들이 참값으로 모델에 입력하고, 중규모 유사기상에서 도출된 수 백일의 사례일 중 상위 30일의 날짜들을 선택하는 중규모 유사기상 사례일 도출부-여기서, 상기 날짜들의 선택에는 예보되는 시점의 계절적인 변동을 고려하기 위해 현재 월, 이전 월, 다음 월이 함께 고려됨-;
아날로그 일(date)을 적용하는 대상 지역의 지형영향 및 복사영향 등 미세규모에서 일어나는 기상현상과 유사한 기상현상을 찾기 위해서, LDAPS 자료 중 단일면 지상자료에서 예보인자를 활용하여 산출된 아날로그 일에 해당하는 시간에서 예측시점과 분석을 수행하여 최소의 오차가 발생하는 아날로그 사례 일을 산출하는 미세규모 유사기상 사례일 도출부-여기서, 상기 예보인자는 기온(TMP), 강수(NCPCP), 습도(RH), 구름양(TCAR), 동서방향바람(UGRD) 및 남북방향바람(VGRD)을 포함하고, 예보 시점의 하루주기 시계열에 따라 변동하는 기온패턴을 고려하기 위해 상기 예측시점에서의 2시간 간격의 시간차이만 고려하여 훈련모델에 입력함-;
위에서 구축된 훈련자료를 기반으로 기계학습 훈련모델을 구축하고 이를 통해 상세격자(여기에서는 25m로 정의)로 다운스케일링된 기상예측자료를 산출하는 고해상도 기상예측장 산출부; 및
상세격자마다 산출되는 고해상도 예측정보를 이용하여, 지역단위의 분포에서 사람이 거주하는 시가화건조지역 격자들을 추출하고, 상기 격자들의 수치에서 최고, 최저, 평균 값을 분류하여 상기 지역 단위의 기상예측 통계값을 산출하는 지역단위 기상예측자료 산출부를 포함한다.
일실시예에서, 상기 기상자료 구축부는 국지예보모델로부터의 예측자료와 훈련자료에 기초하여 관측지점(AWS장비가 설치되어 운영되고 있는 지점 50개 point), 예보지점(1.5km 격자, 1064개 point), 상세보정지점(25m 격자, 3200000개 point)을 산출하며, 지표면영향인자 데이터베이스에서 얻은 지표면특성에 기초하여 관측지점과 상세보정지점에 대한 지표면특성 자료를 선정할 수 있다.
일실시예에서, 상기 유사기상현상 추출부는 예측자료와 훈련자료에서 각각 산출된 도시지점에 대한 유사기상을 추출하며, 상기 예측자료에서 산출된 관측지점과 상기 훈련자료에서 산출된 관측지점과, 상기 지표면특성에서의 관측지점과 이에 대응하는 기상자료에 기초하여 훈련자료를 구축할 수 있다.
일실시예에서, 상기 유사기상현상 추출부는 과거의 기상예측모델 자료에서 산출된 유사기상 조건을 만족하는 통계값 추출을 통해 유사기상 사례일을 추출하며, 상기 유사기상 사례일의 추출 조건은 상위 3개의 사례일을 추출하도록 설정될 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 측면에 따른 폭염 및 열대야 영향 예보 활용 방법은, 전술한 상세기상 예측정보 실시간 운영 시스템에 연결되는 서버 장치 또는 컴퓨팅 장치에서 수행되는 폭염 및 열대야 영향 예보 활용 방법으로서, 온열민감군 자료 구축부에 의해 열민감군 자료를 구축하는 단계; 위험등급 산정부에서 상기 열민감군 자료에 기초하여 열민감군의 도시상세지역별 위험등급을 산정하는 단계; 및 상기 도시상세지역 중 특정 지역에 대한 폭염 및 열대야 관련 정보를 폭염 및 열대야 영향 예보 시스템에 전달하는 단계를 포함한다.
본 발명에 의하면, 도시의 복잡성에 의해 공간적 변동성이 크게 나타나는 인과관계에 대한 규명 및 정량화하는 방법을 모델개발에 이용하고, 상세한 시공간 단위로의 기상변수를 예측하기 위한 실시간 운영 시스템 개발과 그 시스템으로부터 활용할 수 있는 정보를 추출하는 효과가 있다.
또한, 본 발명에 의하면, 고해상도 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법을 제공할 수 있다.
또한, 본 발명에 의하면, 다음과 같은 측면에서 종래의 문제를 해결하거나 한계를 극복하거나 성능을 향상시킬 수 있다:
- 운영기반: 실시간 운영체계, 갱신주기 4회/1일, 예측시간 6시간, 시간주기마다의 가중치 반영.
- 고도화: 적용되는 기상변수 확장, 최적 변수선정, 지표면 변수 확장, 최적 영향반경 선정, 유사기상 사례선정.
- 상세화: 시공간규모의 상세화. 정확도 개선.
- 활용성: 응용정보 연계, 기상위험 등급화와 경고알림.
도 1은 본 발명의 일실시예에 따른 상세기상 예측정보 실시간 운영 시스템에 대한 블록도이다.
도 2는 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 영향인자 도출부의 주요 작동 과정을 보여주는 도면이다.
도 3은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 최적반경 도출부의 주요 작동 과정을 보여주는 도면이다.
도 4a 및 도 4b는 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 기상자료 구출부의 예측기상변수와 자동기상관측 기상변수의 오차 원인분석 과정을 설명하기 위한 도면이다.
도 5 및 도 6은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 중규모 유사기상 사례일 도출부와 미세규모 유사기상 사례일 도출부의 주요 작동 과정을 설명하기 위한 도면들이다.
도 7은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 고해상도 기상예측장 산출부의 주요 작동 과정을 설명하기 위한 도면들이다.
도 8은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 지역단위 기상예측자료 산출부의 주요 작동 과정을 설명하기 위한 도면이다.
도 9는 도 1의 상세기상 예측정보 실시간 운영 시스템의 소프트웨어 구성에 대한 모식도이다.
도 10은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 도시기간 예측에 대한 정확도 검증 과정을 설명하기 위한 도면이다.
도 11은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 온열민감군 자료구축과 위험등급 산정 과정을 설명하기 위한 도면이다.
도 12는 도 1의 상세기상 예측정보 실시간 운영 시스템의 기본적인 하드웨어 구성에 대한 개략적인 예시도이다.
도 2는 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 영향인자 도출부의 주요 작동 과정을 보여주는 도면이다.
도 3은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 최적반경 도출부의 주요 작동 과정을 보여주는 도면이다.
도 4a 및 도 4b는 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 기상자료 구출부의 예측기상변수와 자동기상관측 기상변수의 오차 원인분석 과정을 설명하기 위한 도면이다.
도 5 및 도 6은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 중규모 유사기상 사례일 도출부와 미세규모 유사기상 사례일 도출부의 주요 작동 과정을 설명하기 위한 도면들이다.
도 7은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 고해상도 기상예측장 산출부의 주요 작동 과정을 설명하기 위한 도면들이다.
도 8은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 지역단위 기상예측자료 산출부의 주요 작동 과정을 설명하기 위한 도면이다.
도 9는 도 1의 상세기상 예측정보 실시간 운영 시스템의 소프트웨어 구성에 대한 모식도이다.
도 10은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 도시기간 예측에 대한 정확도 검증 과정을 설명하기 위한 도면이다.
도 11은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 온열민감군 자료구축과 위험등급 산정 과정을 설명하기 위한 도면이다.
도 12는 도 1의 상세기상 예측정보 실시간 운영 시스템의 기본적인 하드웨어 구성에 대한 개략적인 예시도이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 상세기상 예측정보 실시간 운영 시스템에 대한 블록도이다. 도 2는 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 영향인자 도출부의 주요 작동 과정을 보여주는 도면이다. 도 3은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 최적반경 도출부의 주요 작동 과정을 보여주는 도면이다. 도 4a 및 도 4b는 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 기상자료 구출부의 예측기상변수와 자동기상관측 기상변수의 오차 원인분석 과정을 설명하기 위한 도면이다. 도 5 및 도 6은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 중규모 유사기상 사례일 도출부와 미세규모 유사기상 사례일 도출부의 주요 작동 과정을 설명하기 위한 도면들이다. 도 7은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 고해상도 기상예측장 산출부의 주요 작동 과정을 설명하기 위한 도면들이다. 도 8은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 지역단위 기상예측자료 산출부의 주요 작동 과정을 설명하기 위한 도면이다. 도 9는 도 1의 상세기상 예측정보 실시간 운영 시스템의 소프트웨어 구성에 대한 모식도이다. 도 10은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 도시기간 예측에 대한 정확도 검증 과정을 설명하기 위한 도면이다. 도 11은 도 1의 상세기상 예측정보 실시간 운영 시스템에 채용할 수 있는, 온열민감군 자료구축과 위험등급 산정 과정을 설명하기 위한 도면이다. 도 12는 도 1의 상세기상 예측정보 실시간 운영 시스템의 기본적인 하드웨어 구성에 대한 개략적인 예시도이다.
도 1을 참조하면, 본 실시예에 따른 상세기상 예측정보 실시간 운영 시스템(이하, 간략히 '기상 정보 시스템'이라 한다)은, 영향인자 도출부(110), 최적반경 도출부(120), 기상자료 구축부(130), 중규모 유사기상 사례일 도출부(140), 미세규모 유사기상 사례일 도출부(145), 고해상도 기상예측장 산출부(150) 및 지역단위 기상예측자료 산출부(160)를 포함하여 고해상도 상세기상 예측정보를 실시간 운영할 수 있다.
영향인자 도출부(110)는 도시기상에 온도 가중 영향인자를 도출한다. 영향인자 도출부(110)는 기상청 등의 관계 기관 시스템에서 모델기반으로 예측된 기상변수와 도시 내 설치된 자동기상관측지점의 지점별 기상변수 예컨대 기온, 습도, 풍속, 강수, 운량 등의 오차와 원인을 분석할 수 있다.
다시 말해서, 영향인자 도출부(110)는 국지적 기온에 가중되는 영향인자 및 강도를 랜덤 포레스트(Random Forest) 통계기법을 통해 도출한다. 여기서, 국지적 기온은 접지경계층 내 기온으로서 자동기상관측장비(automatic weather station, AWS)가 설치된 지표면 고도 1.5m에서 나타나는 기온을 나타낸다. 그리고 영향인자 및 강도는 지형고도, 건물높이, 도로면적, 식생면적, 그림자비율 또는 이들의 조합을 포함한 수평 및 수직적 인자에 대응할 수 있다(도 2 참조). 도 2에서 (a)는 AWS 관측 기온에 영향을 주는 주요 지표면 특성 변수들 중 일(date) 최고 기온 영향 변수를 해당 변수가 없을 때의 에러율로 나타낸 것이고, 도 2에서 (b)는 AWS 관측 기온에 영향을 주는 주요 지표면 특성 변수들 중 일 최저 기온 영향 변수를 해당 변수가 없을 때의 에러율로 나타낸 것이다. 이러한 지표면 특성 변수들에 의해 국지적 기온에 가중되는 영향인자 및 강도는 랜덤 포레스트 통계기법을 통해 도출될 수 있다.
최적반경 도출부(120)는 도시의 형태 및 구조와 관련한 지표면특성에 있어서 지표면상에 설정되는 반경에 따른 기상변수의 영향을 분석하고, 최적 해상도를 도출할 수 있다.
일례로, 최적반경 도출부(120)는 도시의 형태 및 구조와 관련한 지표면특성변수들(위에서 도출된 영향인자들에 대응함)이 반경별(100m, 200m, 300m, 400m, 500m)로 AWS 관측기온에 영향을 미치는 크기를 상관분석을 통해 분석하고, 분석결과에 기초하여 분석한 반경들 중 가장 높은 결정계수의 값을 가진 해상도(여기서, 해상도는 특정 반경에 대응함)를 선정하고, 선정된 해상도에 따라 최적 영향반경을 도출할 수 있다(도 3 참조). 도 3의 (a)는 AWS 지점을 각각 나타내고, (b)는 AWS 지점별 지표면 특성 변수가 기온에 미치는 영향반경을 반경별로 도출하는 과정을 예시한다.
기상자료 구축부(130)는 국지예보모델 등의 모델과 자동기상관측 등의 관측에 의한 기상자료를 기상청 등의 관계 기관으로부터 전송받아 구축되는 데이터베이스를 데이터베이스를 구축할 수 있다. 기상자료 구축부(130)는 기상자료의 수집을 위해 예측된 기상자료 수집모델을 이용하거나, 데이터베이스 구축을 위해 기상예측모델 과거자료 및 기상관측자료 기반 훈련자료 처리모델 등을 이용할 수 있다.
또한, 기상자료 구축부(130)는 예측된 기상자료를 이용하여 관측지점별 예보지점과 상세보정지점 지역을 재구축할 수 있다. 기상자료 구축부(130)는 과거의 자동기상관측자료를 활용하여 자동기상관측 자료를 재구축할 수 있다. 그리고 기상자료 구축부(130)는 기상예측모델 과거자료 및 기상관측자료 기반으로 구축된 훈련자료를 이용할 수 있다.
즉, 기상자료 구축부(130)는 기상자료로서 기상청 현업모델 등에 의한 LDAPS(local data assimilation and prediction system; 국지예보모델) 예측자료와 AWS 및 ASOS(automated surface observing system; 종관기상관측장비) 관측자료를 수집하고 데이터베이스를 구축한다. 여기서, 예측자료는 기압, 기온, 직달일사, 산란일사, 순복사, U성분, V성분, 풍향, 풍속, 구름양, 강수를 포함하고, 상기 관측자료는 기온, 풍향, 풍속, 습도를 포함할 수 있다(도 4a 및 도 4b 참조). 도 4a는 국지예보모델 단일면 기상예측자료의 기상변수를 나타내고, 도 4b는 풍속 동일조건에서 구름량이 많거나(
), 구름양이 보통이거나(
), 구름량이 적은(
) 것으로 구분된 구름양에 따른 ASW 관측 지점들(sites)에서의 일 최고 온도 차이(Daily maximum temp. difference) 및 일 최소 온도 차이(Daily minimum temp. difference)에 대한 기온편차 분석 결과를 예시한다.
위에서 살핀 바와 같이, 도 2, 도 3, 도 4a 및 도 4b를 참조하면, 기상청 등의 관련 기관의 장치에서 모델기반으로 예측된 기상변수와 도시 내 설치된 자동기상관측지점의 지점별 기상변수(기온, 습도, 풍속, 강수, 운량 등)의 오차와 원인을 분석할 수 있다. 즉, 도시의 고온유발에 가중되는 영향 기상변수를 상관성 분석을 통해 선별하고(도 2, 도 3 및 도 4b 참조), AWS 지점별 기온 민감도 분석을 실시할 수 있다. 기온을 예를 들면, AWS 지점별로 주간의 폭염수준(33도 이상) 및 야간의 열대야수준(25도 이상)에 영향을 미치는 기상인자들(예컨대, 구름양)을 도출할 수 있다. 도출된 가중 영향인자 기상변수는 고해상도 기상예측을 위한 기계학습 훈련자료로 입력될 수 있다.
본 기술분야에 이미 잘 알려져 있는 중규모 유사기상의 사례일을 도출하기 위한 중규모 유사기상 사례일 도출부(140)와 본 기술분야에 이미 잘 알려져 있는 미세규모 유사기상의 사례일을 도출하기 위한 미세규모 유사기상 사례일 도출부(145)를 포함하는 유사기상현상 추출부는 훈련자료로 활용되는 기상관측자료를 선정하는 과정에서 예측자료의 기상상황과 가장 유사한 모델 훈련자료의 일자를 추출하고 그 일자에 해당하는 기상관측자료를 추출할 수 있다. 이러한 유사기상현상을 포함한 기상관측자료는 훈련자료로 활용될 수 있다. 유사기상현상 추출부는 과거의 관측 값을 활용하도록 구축된 체계(system)을 이용할 수 있다. 훈련자료는 유사기상 사례일을 추출하고 해당 유사기상 사례일의 소정 포인트의 관측지점별 자료와 상기 포인트의 기상관측자료와 지표면측정자료에 기초하여 구축될 수 있다.
즉, 유사기상현상 추출부는 유사기상 기간을 설정하고, 유사기상 조건에 의한 통계값을 추출하고, 유사기상 사례일을 추출할 수 있다(도 5 참조). 도 5는 유사기상 사례일 도출과정의 모식도로서, 도 5에 나타낸 바와 같이, 본 실시예의 시스템은 먼저 제1 단계(step 1)에서 미래 기간(future period)의 국지예보모델(LDAPS)의 예보인자(A(t))를 과거 기간(historical period)의 국지예보모델(LDAPS)의 예보인자(B(t'))와 비교하고, 그리고 비교 결과에 따라 과거 기간의 국지예보모델의 예보인자(B(t')) 중 유사한 것으로 추출된 예보인자의 일자를 유사 사례일로 추출하고, 다음으로, 제2 단계(step 2)에서 앞서 추출된 과거 기간의 국지예보모델의 유사 사례일에 대응하는 과거 기간의 AWS 기상관측자료의 피예보인자(b(t'))를 미래 기간의 기상관측자료의 피예보인자(a(t))로 추출할 수 있다. 제1 단계에서 예보인자(predictor)는 예측된 LDAPS 기온을 포함하고, 제2 단계에서 피예보인자(predictand)는 관측된 온도를 포함할 수 있다.
좀더 구체적으로, 중규모 유사기상 사례일 도출부(140)는 기계학습 훈련자료로 활용되는 기상관측자료(참값)의 사례일을 선정하는 과정(예측정확도를 높이기 위하여, 최적의 참값을 입력하는 과정)에서, 예측된 기상자료의 대기상태(조건: 1000, 925, 850, 500, 300, 또는 200 hpa 규모에서의 예보변수(Geopotential Height, 기온, 습도, U성분, V성분)의 최소오차)를 기반으로 과거에 예측되었던 기상자료에서 유사한 대기상태 즉, 유사한 최소오차를 갖는 사례일을 찾고, 찾은 사례일의 관측자료들을 참값으로 모델에 입력한다. 1000, 925, 850, 500, 300, 또는 200 hpa 규모의 유사기상과 같은 중규모 유사기상에서 도출된 수 백일의 사례일 중 상위 30일의 날짜들은 참값으로 선택될 수 있다. 여기서, 상기 날짜들의 선택에는 예보되는 시점의 계절적인 변동을 고려하기 위해 현재 월, 이전 월, 다음 월이 함께 고려되는 것이 바람직하다.
그리고, 미세규모 유사기상 사례일 도출부(145)는 유사기상 사례일 즉, 아날로그 일(date)을 적용하는 대상 지역의 지형영향 및 복사영향 등 자동기상관측장비(automatic weather station, AWS)가 설치된 지표면 고도 1.5m에서 나타나는 기온을 포함하는 미세규모에서 일어나는 기상현상과 유사한 기상현상을 찾기 위해서, 도 6에 도시한 바와 같이, LDAPS 자료 중 단일면 지상자료(a)에서 예보인자를 활용하여 산출된 아날로그 일에 해당하는 시간에서 예측시점과 분석을 수행하여 각 예보지점의 특정 시점에서의 예보변수의 통계치를 산출할 때 각 변수의 통계치 합이 최소의 오차가 발생하는 아날로그 일 즉, 유사기상 사례 일을 산출할 수 있다(b). 여기서, 예보변수 즉, 예보인자는 기온(TMP), 강수(NCPCP), 습도(RH), 구름양(TCAR), 동서방향바람(UGRD) 및 남북방향바람(VGRD)을 포함한다. 그리고, 단일면 기상자료를 포함한 관측자료를 기반으로 모델자료 보정 함수를 생성하고(c), 모델자료 보정 함수에 따라 모델자료를 보정할 수 있으며(d), 보정된 모델자료에 기초하여 기계학습 훈련모델을 위한 입력자료를 생성할 수 있다(e). 여기서, 예보 시점의 하루주기 시계열에 따라 변동하는 기온패턴을 고려하기 위해 예측시점에서의 2시간 간격의 시간차이만 고려하여 훈련모델에 입력하도록 이루어지는 것이 바람직하다.
위에서 도 6을 통해 유사기상현상 추출부의 작동 과정을 예시한 것과 같이, 예측하고자 하는 시점에서 관측된 값이 존재하지 않기 때문에, 과거의 관측 값을 활용하도록 구축된 체계를 이용할 수 있다. 즉, 훈련자료로 활용되는 기상관측자료를 선정하는 과정에서, 기상 정보 시스템은 관측자료에서 기상상황이 가장 유사한 모델 훈련자료 일자(유사기상 사례일)를 추출할 수 있다. 그리고 유사기상 사례일의 일자에 해당하는 기상관측자료를 기반으로 생성된 모델자료 보정 함수는 모델자료의 보정을 통해 훈련자료의 생성에 활용될 수 있다.
일례로, 유사기상 기간을 설정할 수 있다. 즉, 예측하고자 하는 시점에서 모든 기상사례일을 조건으로 가진다면, 시간이 증가하고 시스템에 과부하 영향을 주기 때문에, 최적의 사례일 조건을 추출하는 방법을 설정할 수 있다. 기간설정은 예측하고자 하는 일자의 연도와 같은 경우, 해당 시점에서 30일 이전 자료(최근 기상특성을 반영하기 위함)를 설정하고, 연도가 다른 경우는 예측하고자 하는 시점 이전의 연도의 해당일자의 전후(+/-) 15일 자료 기간(월 주기 기상특성을 반영하기 위함)을 설정할 수 있다. 또한, 기상 정보 시스템은 예측 시점에서 이후(+) 3시간, 이전(-) 3시간의 시점 기간(1/4일 주기 기상특성을 반영하기 위함)을 설정할 수 있다.
그리고, 기온, 습도 등의 기상정보에 가중되는 RMSE(root mean square error; 평균 제곱근 오차) 등에 따른 기상상황이 가장 유사한 조건 즉, 유사기상 조건에 의한 통계값을 추출할 수 있다. 즉, 예측하고자 하는 시점에서 산출된 예보지점(예컨대, 기상청 사용 규격에 따른 1.5km 격자, 1064point, 수도권)과 과거의 기상예측모델에서 산출된 기산출 예보지점(1.5km 격자, 1064point, 수도권)과의 기상변수를 통해 기상의 유사성을 찾아낼 수 있다.
기상의 유사성을 통해 유사기상 사례일을 찾아내기 위한 조건으로 각 격자에서 산출된 기온, 습도, 풍속, 운량, 강수, 하향장파 등 기상변수를 가지고 상기 산출된 예보지점[예컨대, 시점: 2017년 8월 15일 15시]과 상기 산출된 예보지점[예컨대, 기간: [2017년7월16일15시~2017년8월15일12시], [2016/2015년 8월1일12시 ~ 8월31일18시]과의 통계치(RMSE, Correlation, Threshold Score)를 산출하여 각 변수의 통계치 합이 최소로 되는 값을 산출할 수 있다. 최소로 되는 값에서 가장 오차가 작은 값은 0이 되게 된다.
또한, 기상 정보 시스템은 유사기상 사례일을 추출할 수 있다. 즉, 과거의 기상예측모델 자료에서 산출된 유사기상 조건을 만족하는 통계값 추출을 통해 유사기상 사례일을 추출할 수 있다. 추출 조건이 유사기상 조건 통계값을 내림차순으로 설정하였을 때, 첫번째부터 세번째까지의 사례일을 유사기상 사례일로 추출할 수 있다. 한편, 첫번째 사례일만 유사기상 사례일로 선정하는 경우, 해당 유사 사례일에 관측기상자료_AWS가 존재하지 않을 수 있으며, 또한 한 사례일로 대표성을 가지기에는 위험성이 있으므로 3가지 이상 사례를 선정할 수 있다. 기간 내 자료를 이용한 모의 결과에서, 경험적으로 3가지 사례일을 이용하는 경우 예측성능이 우수하게 나타났다.
고해상도 기상예측장 산출부(150)는 상세기온결과를 산출할 수 있다. 고해상도 기상예측장 산출부(150)는 LDAPS 예보변수를 활용하여 얻는 유사기상 사례일을 대한 훈련자료를 토대로 LDAPS 기온예측모델의 지표면 고도, 기온, 습도, 풍속 성분에 대한 예보변수와 도시 지표면특성변수를 입력변수로 하고 AWS 지점의 기상관측자료를 응답변수로 하는 기계학습 훈련모델을 구축하고 상세보정지점 산출모델을 통해서 상세지점 지역의 기상예측자료를 산출할 수 있다.
즉, 고해상도 기상예측장 산출부(150)는 위의 구성부들에 의해 구축된 훈련자료를 기반으로 기계학습 훈련모델을 구축하고 이를 통해 상세격자(수십 미터 단위, 여기에서는 25m로 정의)로 다운스케일링된 기상예측자료를 산출할 수 있다(도 7 참조).
도 7에서 왼쪽 그림들은 서울시 전 지역에 대한 위성 사진(위)과 강남구에 대한 위성 사진(아래)이고, 중간 그림들은 서울시 전 지역에 대한 국지예보모델 예보자료(LDAPS)(위)와 강남구에 대한 LDAPS이고, 오른쪽 그림들은 서울시 전 지역에 대한 고해상도 기온예측모델(위)과 강남구에 대한 고해상도 기온예측모델(아래)이다.
전술한 고해상도 기상예측장 산출부(150)의 계산 과정을 예시하면 다음의 관계식과 같이 표현할 수 있다.
[관계식]
위의 관계식에서, (1)은 가중벡터 ω와 상수 b를 최적화 문제로의 변환에 의해 추정하기 위한 것으로,
지역단위 기상예측자료 산출부(160)는 고해상도 격자마다 산출되는 예측정보를 이용하여 소정 지역 단위의 분포 예컨대, 시, 구, 동 단위 경계의 값의 분포에서 사람이 거주하는 시가화건조지역 격자들을 추출하고, 이 격자들의 수치에서 최고, 최저, 평균 값을 분류하여 소정 지역 단위의 기상예측 통계값을 산출할 수 있다.
즉, 지역단위 기상예측자료 산출부(160)는 상세격자마다 산출되는 고해상도 예측정보를 이용하여, 지역단위의 분포에서 사람이 거주하는 시가화건조지역 격자들을 추출하고, 상기 격자들의 수치에서 최고, 최저, 평균 값을 분류하여 지역 단위의 기상예측 통계값을 산출할 수 있다(도 8 참조).
도 8은 행정구역의 동 단위 등의 지역단위의 일(date) 최고기온 위험등급 산출 과정을 예시한다. 도 8에 도시한 바와 같이, 고해상도로 구분된 격자마다 산출되는 예측정보를 이용하여 동 단위 경계 값의 분포에서 사람이 거주하는 시가화건조지역 격자들을 추출할 수 있다. 그리고 그 격자들의 수치에서 일 최고기온에 대한 최고, 최저 및 평균 값을 분류하여 동 단위의 통계값을 산출할 수 있다.
전술한 실시예에 의하면, 기상 정보 시스템은 도 9에 도시한 바와 같이 1일 4회(03, 09, 15, 21 KST: 6시간 예측) 운영될 수 있고, 상세기상의 상세 예측장을 산출할 수 있다. 기상 정보 시스템은 모델과 관측의 기상자료(국지예보모델, 자동기상관측)를 기상청 등의 관계 기관의 장치로부터 전송받아 구축된 데이터베이스를 이용할 수 있다. 기상 정보 시스템은 기상예측모델 과거자료 및 기상관측자료를 기반하여 훈련자료를 처리하고 최종적으로 고해상도 상세기상 예측장을 산출할 수 있다.
즉, 도 9에 도시한 바와 같이, 국지예보모델로부터의 예측자료와 훈련자료에 기초하여 관측지점을 산출하고, 예보지점을 산출하고, 상세보정지점을 산출할 수 있다. 또한, 자동기상관측을 통해 입력된 자료(입력자료)에 기초하여 기상자료 데이터베이스를 구축할 수 있다. 또한, 지표면영향인자 데이터베이스에서 얻은 지표면특성에 기초하여 관측지점과 상세보정지점을 결정/선정할 수 있다.
그리고, 기상 정보 시스템은 예측자료와 훈련자료에서 각각 산출된 도시지점에 대한 유사기상을 추출할 수 있다. 또한, 기상 정보 시스템은 예측자료에서 산출된 관측지점과 훈련자료에서 산출된 관측지점과, 지표면특성에서의 관측지점과 이에 대응하는 기상자료에 기초하여 훈련자료를 구축할 수 있다.
구축된 훈련자료는 기계학습을 통해 훈련모델을 산출하는데 이용될 수 있다. 또한, 산출된 훈련모델은 보정된 상세기상 자료를 산출하는데 이용될 수 있다. 상세기상 자료는 자치구 또는 동 단위의 상세보정지점에 대한 상세기상 정보를 포함할 수 있다. 또한, 소정의 대상지역에 대한 상세기상은 대상지역 내 관측지점에서의 상세기상과의 비교를 통해 정확도 검증을 확인받을 수 있다.
또한, 기상 정보 시스템은 기상자료를 구축할 수 있다. 기상 정보 시스템은 소정 주기 예컨대 1일 4회(00, 06, 12, 18 UTC / 09, 15, 21, 03, KST, 36시간 예측) 국지예보모델자료를 수신할 수 있다. 국지예보모델자료의 전송에는 약 3시간∼4시간이 소요될 수 있다. 전송 완료되는 시간은 1일 4회(13, 19, 01, 18 KST)일 수 있다. 이 경우, 상기 완료 시간 이후부터 국지예보모델 자료를 활용하게 된다.
고해상도 기온예측모델이 운영되는 시간(일례로, 약 2시간)을 포함하면, 예보기준 시간으로부터 6시간이 지나간 상황이므로, 그 이후의 결과 값을 도시상세기온 예측 값으로 활용할 수 있다. 국지예보모델자료 중에서 H000시∼H005시 예측자료(UCAS_U)는 모델훈련자료로 활용가능하며, H006시∼H011시 예측자료는 고해상도 기상예측(예컨대, 도시상세기온) 자료(UCAS_F)로 활용될 수 있다.
일례로, 국지예보모델의 예측된 기상자료를 구축하여 관측지점별(예컨대, 50point), 예보지점(예컨대, 1.5km 격자, 1064point, 수도권), 상세보정지점(예컨대, 25m 격자, 3200000point, 수도권) 지역을 재구축할 수 있다. 관측지점별 자료의 경우 모델훈련자료로 활용되며, 예보지점 자료의 경우 유사기상현상 추출에 활용되고, 상세보정지점 자료의 경우 고해상도 기상예측 훈련모델로부터 결정되는 상세지점 예측 값 할당에 활용될 수 있다. 이를 통해 예측된 기상자료 수집모델을 구축할 수 있다.
또한, 기상 정보 시스템은 과거의 기상예측모델(국지예보모델)를 활용하여, 50point 관측지점별, 1064point 예보지점(1.5km 격자, 수도권)의 상세기상자료를 재구축할 수 있다. 관측지점별 자료의 경우 모델훈련자료로 활용되며, 예보지점 자료의 경우 유사기상현상 추출에 활용될 수 있다. 또한, 기상 정보 시스템은 과거의 자동기상관측자료를 활용하여 50point 기상관측자료(자동기상관측_AWS)를 재구축할 수 있다. 이 기상관측자료는 모델훈련자료로 활용될 수 있다.
또한, 기상 정보 시스템은 고해상도 기상예측장을 산출할 수 있다. 기상 정보 시스템에서는 일례로 1일 4회(03, 09, 15, 21 KST: 6시간 예측) 상세기온결과를 산출할 수 있다. 기상 정보 시스템은 앞서 산출된 예보지점(1.5km 격자, 1064point, 수도권)을 토대로 유사기상 사례일을 추출하고, 그 유사기상 사례일의 50point 관측지점별 자료와 50point 기상관측자료(자동기상관측_AWS), 지표면특성자료(관측지점, 50point)를 가지고 훈련자료를 구축할 수 있다. 또한, 훈련자료를 토대로 기계학습 훈련모델을 구축하고 상세보정지점 산출모델을 통해서 상세보정지점(25m 격자, 3200000point, 수도권) 지역의 기상예측자료를 산출할 수 있다.
전술한 구성을 통해 기상예측자료에 대한 통계값의 산출 후에, 기상 정보 시스템은 정확도를 검증할 수 있다(도 10의 (a) 및 (b) 참조). 기상 정보 시스템은 예측한 50point 지점자료와 기상관측지점에서 관측된 50Point 기상자료를 가지고 RMSE와 상관관계(Correlation)을 산출하여 매 시점에 대하여 실시간 정확도 검증을 실시하고 검증 수치를 데이터베이스화 할 수 있다.
전술한 실시예의 고해상도 상세기상 예측정보 실시간 운영 시스템은 온열민감군 자료를 구축하는데 이용되거나 온열민감군의 위험등급을 산정하는데 이용될 수 있다.
즉, 실시간 운영되는 고해상도 기상예측분포에서 시간 단위뿐만 아니라, 하루 단위 최고 및 최저기온을 산출하여 여름철 폭염 및 열대야 수준의 격자들을 추출하는 체계를 구축할 수 있다. 특히, 사회취약계층 및 고온민감그룹 자료를 활용하여 온열환경에 민감한 그룹들에 대한 자료를 구축하고 이에 대한 구 단위의 비율산정, 위험등급 산정 모델을 개발할 수 있다. 도 11은 서울시 25개구의 사회취약 민감그룹비율에 대한 자료 구축의 예시이다.
이와 같이 본 실시예에 의하면, 종로구 등의 특정 구역에 폭염수준의 고온이 발생할 경우, 유동인구가 많고 노후주택2(건설된지 30년이상된 주택)가 많은 지역이므로 이에 대한 지자체의 맞춤대응(유동인구가 많은 지역의 폭염대응, 노후주택 지역의 인공그늘 설치 등)이 우선적으로 필요함을 알려줄 수 있다.
전술한 기상 정보 시스템(100)은 컴퓨팅 장치로 구현될 수 있다. 기상 정보 시스템(100)은 도 12에 도시한 바와 같이 프로세서(170)와 메모리(180)를 구비할 수 있다. 또한, 기상 정보 시스템(100)은 통신부(190)를 더 구비할 수 있고, 데이터베이스를 탑재한 데이터베이스 시스템(210)과 출력장치(220)에 연결될 수 있다. 그 경우, 도 1을 참조하여 전술한 구성부들(110 내지 160) 중 적어도 하나 이상은 메모리(180)에 저장되고 프로세서(170)에 의해 수행되어 해당 기능을 수행하도록 구현될 수 있다.
또한, 기상 정보 시스템(100)의 적어도 하나의 구성부는 소프트웨어적인 구성으로 컴퓨터에서 처리 가능한 프로그램으로 제작 가능하다. 즉, 본 실시예의 기상 정보 시스템(100)에 포함되는 구성부는 소프트웨어 또는 소프트웨어 모듈로 구현되거나, 또는 FPGA(field programmable gate array), ASIC(Application Specific Integrated Circuit) 등과 같은 하드웨어 구성요소로 구현될 수 있다.
또한, 기상 정보 시스템(100)의 적어도 하나의 구성부는, 상술한 소프트웨어 또는 하드웨어로 한정되지는 않고, 적어도 하나의 구성부는 중앙처리장치나 프로세서에 의해 어드레싱 가능한 적어도 하나의 저장 매체에 저장되도록 구현될 수 있다.
전술한 실시예에 의하면, 본 발명은 고해상도 상세기상 예측정보 실시간 운영 시스템을 이용하는 폭염 및 열대야 영향 예보 활용 방법으로도 구현될 수 있다. 이 경우, 폭염 및 열대야 영향 예보 활용 방법은 전술한 상세기상 예측정보 실시간 운영 시스템(도 1 참조)의 구성부들에 의해 수행되는 기능이나 단계들에 더하여 온열민감군 자료 구축부에 의한 열민감군 자료 구축 단계와, 위험등급 산정부에 의한 열민감군 위험등급 산정부 등을 더 포함하여 구현될 수 있다.
또한, 폭염 및 열대야 영향 예보 활용 방법을 구현하는 시스템은 통신 시스템과의 연계를 통해 폭염, 열대야 영향 예보 등을 위한 각 지역의 맞춤 대응 정보를 대중에서 전파할 수 있다. 통신 시스템은 네트워크를 통해 연결되는 메시지 서비스 서버 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 청구범위에 의해서 정하여져야 할 것이다.
Claims (5)
- 컴퓨팅 장치를 구비하는 상세기상 예측정보 실시간 운영 시스템으로서,
국지적 기온에 영향을 주는 영향인자 및 그 영향 정도를 랜덤 포레스트(Random Forest) 통계기법을 통해 도출하는 영향인자 도출부-여기서, 상기 국지적 기온은 대기경계층 아래 접지경계층 내 기온으로서 자동기상관측장비(automatic weather station, AWS)가 설치된 지표면 고도 1.5m에서 나타나는 기온을 포함하고, 상기 영향인자는 위성영상 방출량, 지형경사길이, 천개지수, 자연초지비율, 도로 나지비율, 지형의 사면, 건물높이, 건물경사길이, 건물의 사면, 건물면적비율, 불투수면열방출, 건물밀도, 우묵지형깊이, 물면적비율, 숲면적비율, 숲의 사면, 그림자비중, 우묵지형깊이, 도로면적, 식생면적, 그림자비율 또는 이들의 조합을 포함함-;
기상자료로서 국지예보모델(local data assimilation and prediction system, LDAPS) 예측자료와 AWS 및 종관기상관측장비(automated surface observing system, ASOS)의 관측자료를 수집하고 데이터베이스를 구축하는 기상자료 구축부-여기서, 상기 예측자료는 기압, 기온, 직달일사, 산란일사, 순복사, U성분, V성분, 풍향, 풍속, 구름양, 강수를 포함하고, 상기 관측자료는 기온, 풍향, 풍속, 습도를 포함함-;
상기 영향인자에 대응하며 도시의 형태 및 구조와 관련한 지표면특성변수들이 각 AWS 지점의 100m, 200m, 300m, 400m, 또는 500m 반경별로 AWS 관측기온에 영향을 미치는 크기를 상관도가 가장 높은 결정계수의 값을 가진 어느 특정 반경의 해상도에 기초하여 선정하고, 선정된 해상도에서 최적 영향반경을 도출하는 최적반경 도출부;
기계학습 훈련자료로 활용되는 기상관측자료의 유사기상 사례일을 선정하는 과정으로서, 예측된 기상자료의 대기상태를 기반으로 과거에 예측되었던 기상자료에서 유사한 대기상태 또는 유사한 최소오차를 갖는 사례일을 찾고, 찾은 사례일의 관측자료들을 참값으로 선정하는 중규모 유사기상 사례일 도출부;
상기 유사기상 사례일을 적용하는 대상 지역의 미세규모에서 일어나는 기상현상과 유사한 기상현상을 찾기 위해, LDAPS 자료 중 단일면 지상자료에서 예보인자를 활용하여 산출된 아날로그 일에 해당하는 시간에서 예측시점과 분석을 수행하여 각 예보지점의 특정 시점에서의 예보변수의 통계치를 산출할 때 각 변수의 통계치 합이 최소의 오차가 발생하는 아날로그 일을 산출하는 미세규모 유사기상 사례일 도출부-여기서, 상기 미세규모 유사기상 사례일 도출부는 미래 기간의 LDAPS의 예측인자를 과거 기간의 LDAPS의 예측인자와 비교하고, 상기 과거 기간의 LDAPS의 유사 사례일에 대응하는 과거 기간의 기상관측자료의 피예보인자를 미래 기간의 기상관측자료의 피예보인자로 추출하며, 상기 예보변수 또는 예보인자는 기온(TMP), 강수(NCPCP), 습도(RH), 구름양(TCAR), 동서방향바람(UGRD) 및 남북방향바람(VGRD)을 포함함-;
상기 중규모 유사기상 사례일 도출부 및 상기 미세규모 유사기상 사례일 도출부에서 구축된 각 유사기상 사례일의 훈련자료를 기반으로 모델자료 보정 함수를 생성하고, 상기 모델자료 보정 함수에 의해 보정된 모델자료에 기초하여 입력자료를 생성하고, 생성된 입력자료를 토대로 기상자료 데이터베이스를 구축하고, 상기 기상자료 데이터베이스의 지표면영향인자 데이터베이스에서 얻은 지표면특성에 기초하여 수십 미터 단위의 상세격자로 다운스케일링된 기상예측자료를 산출하는 고해상도 기상예측장 산출부-여기서, 상기 훈련자료는 상기 유사기상 사례일에 대한 예보지점의 상세기상자료로서 관측지점별 자료, 기상관측자료 및 지표면특성자료를 포함함-; 및
상기 상세격자마다 산출되는 고해상도 예측정보를 이용하여, 지역단위의 분포에서 사람이 거주하는 시가화건조지역 격자들을 추출하고, 상기 격자들의 수치에서 일(date) 최고기온의 최고, 최저, 평균 값을 분류하여 상기 지역 단위의 기상예측 통계값을 산출하는 지역단위 기상예측자료 산출부를 포함하는, 상세기상 예측정보 실시간 운영 시스템. - 청구항 1에 있어서,
상기 기상자료 구축부는 국지예보모델로부터의 예측자료와 훈련자료에 기초하여 관측지점, 예보지점, 상세보정지점을 산출하며, 지표면영향인자 데이터베이스에서 얻은 지표면특성에 기초하여 관측지점과 상세보정지점에 대한 지표면특성 자료를 선정하는, 상세기상 예측정보 실시간 운영 시스템. - 삭제
- 삭제
- 청구항 1의 상세기상 예측정보 실시간 운영 시스템에 연결되는 서버 장치 또는 컴퓨팅 장치에서 수행되는 폭염 및 열대야 영향 예보 활용 방법으로서,
온열민감군 자료 구축부에 의해 열민감군 자료를 구축하는 단계;
위험등급 산정부에서 상기 열민감군 자료에 기초하여 열민감군의 도시상세지역별 위험등급을 산정하는 단계; 및
상기 도시상세지역 중 특정 지역에 대한 폭염 및 열대야 관련 정보를 폭염 및 열대야 영향 예보 시스템에 전달하는 단계를 포함하는, 폭염 및 열대야 영향 예보 활용 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170153800 | 2017-11-17 | ||
| KR20170153800 | 2017-11-17 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190057013A KR20190057013A (ko) | 2019-05-27 |
| KR102076426B1 true KR102076426B1 (ko) | 2020-02-12 |
Family
ID=66679479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180142952A KR102076426B1 (ko) | 2017-11-17 | 2018-11-19 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102076426B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210149300A (ko) | 2020-06-02 | 2021-12-09 | 대한민국(기상청 국립기상과학원장) | 상세지형 정보를 고려한 고해상도 기온 수치정보 산출 방법 |
| KR20220022353A (ko) * | 2020-08-18 | 2022-02-25 | 고려대학교 산학협력단 | 해석 가능한 단기 일사량 예측 장치 및 방법 |
| KR20220105291A (ko) * | 2021-01-20 | 2022-07-27 | 주식회사 동녘 | 기상 관측 환경 분류 방법 및 이를 수행하기 위한 컴퓨팅 장치 |
| KR20230018625A (ko) * | 2021-07-30 | 2023-02-07 | 대한민국(기상청 국립기상과학원장) | 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법 |
| KR20230030459A (ko) * | 2021-08-25 | 2023-03-06 | 대한민국(산림청 국립산림과학원장) | 산악기상정보를 융합한 국민 체감형 등산쾌적지수 산출방법 및 이를 기록한 컴퓨터로 읽을 수 있는 기록매체 |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045441B (zh) * | 2019-06-04 | 2021-08-31 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
| KR102317207B1 (ko) * | 2019-09-26 | 2021-10-25 | 울산과학기술원 | 미세먼지 농도 추정 시스템, 방법 및 컴퓨터 프로그램 |
| KR102317206B1 (ko) * | 2019-09-26 | 2021-10-25 | 울산과학기술원 | 미세먼지 농도 추정 시스템, 방법 및 컴퓨터 프로그램 |
| 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 |
| KR102391607B1 (ko) * | 2019-11-22 | 2022-04-27 | 울산과학기술원 | 폭염 중기예보 시스템 및 그 방법 |
| CN111126684A (zh) * | 2019-12-13 | 2020-05-08 | 北京心中有数科技有限公司 | 气候预测方法、装置、计算机可读存储介质和服务器 |
| KR102180362B1 (ko) * | 2020-03-13 | 2020-11-18 | 한국외국어대학교 연구산학협력단 | 소규모 단위의 기상예측모델을 이용한 위치 기반의 기상 서비스 시스템 |
| KR102347277B1 (ko) | 2020-06-25 | 2022-01-05 | 주식회사 에스아이에이 | 기계 학습 기반 기상 자료 생성 장치 및 방법 |
| KR102282933B1 (ko) * | 2020-08-05 | 2021-07-28 | 한양대학교 산학협력단 | 도시 개발 패턴이 반영된 도시모델 생성 장치 |
| KR102464990B1 (ko) * | 2020-08-18 | 2022-11-10 | 주식회사 세스코 | 지오펜스 기반의 환경 관리 시스템 및 환경 관리 방법 |
| KR102330175B1 (ko) * | 2020-08-25 | 2021-11-23 | 전주대학교 산학협력단 | 폭염위험도 산출 및 디스플레이 방법 |
| KR102348792B1 (ko) * | 2020-08-25 | 2022-01-07 | 전주대학교 산학협력단 | 폭염위험도 산출 시스템 |
| CN112016615A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于卷积神经网络学习的强对流天气识别算法 |
| KR102463520B1 (ko) * | 2020-09-21 | 2022-11-08 | 한국에너지기술연구원 | 음영을 고려하여 일사량을 산출하기 위한 장치 및 그 방법 |
| CN112363140B (zh) * | 2020-11-05 | 2024-04-05 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
| KR102297183B1 (ko) * | 2020-12-28 | 2021-09-02 | 주식회사 주빅스 | 토지 피복별 군집분석에 따른 학습을 이용한 폭염 예측 시스템 |
| KR102546455B1 (ko) * | 2021-02-09 | 2023-06-23 | 씨엔씨티에너지 주식회사 | 가스엔진 구동에 대한 시뮬레이션 제공 방법 및 장치 |
| KR102654777B1 (ko) * | 2021-07-20 | 2024-04-05 | 한양대학교 산학협력단 | 도시 개발 패턴이 반영된 도시모델 생성 장치 |
| CN114489883A (zh) * | 2021-12-17 | 2022-05-13 | 中国民用航空华东地区空中交通管理局 | 一种多源数值预报数据的资料处理分析方法 |
| CN114862035B (zh) * | 2022-05-20 | 2024-05-03 | 厦门大学 | 一种基于迁移学习的组合式海湾水温预测方法 |
| CN116449460B (zh) * | 2023-04-23 | 2023-10-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 |
| CN116955939B (zh) * | 2023-09-20 | 2023-11-24 | 南京气象科技创新研究院 | 基于图形相似度的气象要素结构特征预报误差量化表达方法 |
| CN117040137B (zh) * | 2023-10-09 | 2024-05-07 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017187371A (ja) | 2016-04-05 | 2017-10-12 | 株式会社日立パワーソリューションズ | 気象予測装置及び風力発電所 |
| KR101809629B1 (ko) | 2016-11-28 | 2017-12-15 | 한국외국어대학교 연구산학협력단 | 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090088132A (ko) * | 2008-02-14 | 2009-08-19 | 경희대학교 산학협력단 | 도시열섬효과를 고려한 기온분포도 작성방법 및 그작성시스템 |
| KR101258668B1 (ko) | 2012-10-16 | 2013-05-13 | 대한민국 | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 |
| KR20150085313A (ko) * | 2014-01-15 | 2015-07-23 | 주식회사 나우드림 | 데이터마이닝 기법을 활용한 초단기 기상예보 시스템 및 그 기법 |
-
2018
- 2018-11-19 KR KR1020180142952A patent/KR102076426B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017187371A (ja) | 2016-04-05 | 2017-10-12 | 株式会社日立パワーソリューションズ | 気象予測装置及び風力発電所 |
| KR101809629B1 (ko) | 2016-11-28 | 2017-12-15 | 한국외국어대학교 연구산학협력단 | 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210149300A (ko) | 2020-06-02 | 2021-12-09 | 대한민국(기상청 국립기상과학원장) | 상세지형 정보를 고려한 고해상도 기온 수치정보 산출 방법 |
| KR20220022353A (ko) * | 2020-08-18 | 2022-02-25 | 고려대학교 산학협력단 | 해석 가능한 단기 일사량 예측 장치 및 방법 |
| KR102443741B1 (ko) | 2020-08-18 | 2022-09-15 | 고려대학교 산학협력단 | 해석 가능한 단기 일사량 예측 장치 및 방법 |
| KR20220105291A (ko) * | 2021-01-20 | 2022-07-27 | 주식회사 동녘 | 기상 관측 환경 분류 방법 및 이를 수행하기 위한 컴퓨팅 장치 |
| KR102494889B1 (ko) | 2021-01-20 | 2023-02-06 | 주식회사 동녘 | 기상 관측 환경 분류 방법 및 이를 수행하기 위한 컴퓨팅 장치 |
| KR20230018625A (ko) * | 2021-07-30 | 2023-02-07 | 대한민국(기상청 국립기상과학원장) | 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법 |
| KR102591379B1 (ko) | 2021-07-30 | 2023-10-19 | 대한민국 | 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법 |
| KR20230030459A (ko) * | 2021-08-25 | 2023-03-06 | 대한민국(산림청 국립산림과학원장) | 산악기상정보를 융합한 국민 체감형 등산쾌적지수 산출방법 및 이를 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| KR102632012B1 (ko) | 2021-08-25 | 2024-02-05 | 대한민국 | 산악기상정보를 융합한 국민 체감형 등산쾌적지수 산출방법 및 이를 기록한 컴퓨터로 읽을 수 있는 기록매체 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190057013A (ko) | 2019-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102076426B1 (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
| Fernández-González et al. | Sensitivity analysis of the WRF model: Wind-resource assessment for complex terrain | |
| Vionnet et al. | Numerical weather forecasts at kilometer scale in the French Alps: Evaluation and application for snowpack modeling | |
| Oubeidillah et al. | A large-scale, high-resolution hydrological model parameter data set for climate change impact assessment for the conterminous US | |
| Gavahi et al. | Multivariate assimilation of remotely sensed soil moisture and evapotranspiration for drought monitoring | |
| Drusch et al. | Assimilation of screen-level variables in ECMWF’s Integrated Forecast System: A study on the impact on the forecast quality and analyzed soil moisture | |
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| KR102030925B1 (ko) | 태양광 발전량 모니터링 시스템 | |
| Förster et al. | Effect of meteorological forcing and snow model complexity on hydrological simulations in the Sieber catchment (Harz Mountains, Germany) | |
| US20210208307A1 (en) | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level | |
| da Silva et al. | Comparative analyzes and use of evapotranspiration obtained through remote sensing to identify deforested areas in the Amazon | |
| Hanslian et al. | Combining the VAS 3D interpolation method and Wind Atlas methodology to produce a high-resolution wind resource map for the Czech Republic | |
| Wu et al. | Coupling the WRF model with a temperature index model based on remote sensing for snowmelt simulations in a river basin in the Altay Mountains, north‐west China | |
| Gharaylou et al. | Prediction of lightning activity using WRF-ELEC model: Impact of initial and boundary conditions | |
| Clifton et al. | Research challenges and needs for the deployment of wind energy in hilly and mountainous regions | |
| Godart et al. | The contribution of orographically driven banded precipitation to the rainfall climatology of a Mediterranean region | |
| Shirali et al. | Evaluation of WRF and artificial intelligence models in short-term rainfall, temperature and flood forecast (case study) | |
| Mott et al. | Operational snow-hydrological modeling for Switzerland | |
| Haddjeri et al. | Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover | |
| Pattnayak et al. | How good is regional climate model version 4 in simulating the monsoon onset over Kerala? | |
| Kim et al. | Combined effects of wind and solar irradiance on the spatial variation of midday air temperature over a mountainous terrain | |
| Dementyeva et al. | Forecast of convective events and its verification against atmospheric electricity observations | |
| Werth et al. | The application of a genetic algorithm to the optimization of a mesoscale Model for emergency response | |
| Sampaio et al. | Sensible heat flux assessment in a complex coastal-mountain urban area in the metropolitan area of Rio de Janeiro, Brazil | |
| CN107884844A (zh) | 一种气象大数据分析预测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |