KR102157578B1 - 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 - Google Patents

레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 Download PDF

Info

Publication number
KR102157578B1
KR102157578B1 KR1020180166069A KR20180166069A KR102157578B1 KR 102157578 B1 KR102157578 B1 KR 102157578B1 KR 1020180166069 A KR1020180166069 A KR 1020180166069A KR 20180166069 A KR20180166069 A KR 20180166069A KR 102157578 B1 KR102157578 B1 KR 102157578B1
Authority
KR
South Korea
Prior art keywords
wave height
significant wave
calculated
significant
quality
Prior art date
Application number
KR1020180166069A
Other languages
English (en)
Other versions
KR20200084386A (ko
Inventor
안경모
Original Assignee
한동대학교 산학협력단
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 한동대학교 산학협력단 filed Critical 한동대학교 산학협력단
Priority to KR1020180166069A priority Critical patent/KR102157578B1/ko
Publication of KR20200084386A publication Critical patent/KR20200084386A/ko
Application granted granted Critical
Publication of KR102157578B1 publication Critical patent/KR102157578B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/951—Radar or analogous systems specially adapted for specific applications for meteorological use ground based
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/002—Measuring the movement of open water
    • G01C13/004—Measuring the movement of open water vertical movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G01S2007/356—
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
    • 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

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Hydrology & Water Resources (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명은 레이더식 파랑측정 시스템의 유의파고 측정방법에 관한 것으로, 해안이나 선박에 설치된 X-band 레이더로 해상을 관측한 레이더 영상을 수집하는 단계와, 상기 수집된 레이더 영상에서 분석영역을 선택하고 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출하는 단계와, 상기 산출한 파랑정보를 입력으로 하는 인공신경망(ANN, Artificial Neural Network)을 이용하여 유의파고를 산출하는 단계와, 상기 산출한 유의파고의 관측자료 품질을 순환신경망(RNN, Recurrent Neural Network)을 이용하여 검토하는 단계와, 상기 관측자료 품질 검토결과에 따라 최종 유의파고를 도출하는 단계를 포함한다.

Description

레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 {METHOD FOR MEASURING SIGNIFICANT WAVE HEIGHT USING ARTIFICIAL NEURAL NETWORK IN RADAR TYPE WAVE GAUGE SYSTEM}
본 발명은 레이더식 파랑측정 시스템에서의 유의파고 측정방법에 관한 것으로, 보다 상세하게는 인공신경망에 기초하여 레이더식 파랑측정 시스템에서 얻은 파랑자료들로부터 안정적으로 유의파고를 산출하는 방법에 관한 것이다.
유의파고는 해상 상태를 나타내는 대표적인 값으로 선박 운항 안전이나 해상 구조물 설계 시 외력 계산 등에 활용된다.
종래의 파고계의 대표적인 유형을 살펴보면 부이식 파고계, 수압식 파고계 그리고 초음파식 파고계를 들 수 있다. 이러한 파고계는 현재에도 널리 사용되고 있으나, 해수면 또는 해저면에 설치하므로 유지관리와 실시간 데이터 전송이 어렵다.
이에 반해 레이더식 파고계는 육상에 설치되어 원격에서 얻은 해수면 레이더 이미지를 분석하여 파랑을 관측하므로 망실의 위험이 없어 유지비용이 낮으며, 관측정보의 실시간 확인이 쉬운 장점이 있다. 그러나 레이더식 파고계는 충분한 바람이 불어 해상에 잔물결이 발생하여야 유의파고를 정확히 계측할 수 있는 단점이 있다.
등록특허 제10-0950301호에는 첨두주기, 평균주기 그리고 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식을 이용하여 바람에 의한 잔물결이 없을 때 레이더식 파고계의 유의파고를 보정하는 방법이 개시되어 있다. 그러나 등록특허에 개시된 유의파고 보정방법은 다양한 기상상황에 따라 상관관계가 달라지는 문제가 있어 이를 모두 포괄하는 비선형 관계식을 도출하는 것이 어렵다.
본 발명은 다양한 기상상황에서 레이더식 파랑측정 시스템이 유의파고를 정확하게 측정할 수 있는 방법을 제공하는데 그 목적이 있다.
또한, 본 발명의 또 다른 목적은 레이더식 파랑측정 시스템에서 측정한 유의파고의 관측자료 품질을 실시간으로 관리하여 안정적으로 유의파고를 산출하는 방법을 제공하는데 있다.
본 발명에 일 양상에 따른 레이더식 파랑측정 시스템의 유의파고 측정방법은 영상 수집 단계와, 파랑정보 산출 단계와, 유의파고 산출 단계와, 품질 검토 단계와, 유의파고 도출 단계를 포함한다.
영상 수집 단계는 레이더로 해상을 관측한 레이더 영상을 수집하는 단계이고, 파랑정보 산출 단계는 수집된 레이더 영상을 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출하는 단계이고, 유의파고 산출 단계는 산출한 파랑정보를 입력으로 하는 인공신경망(Artificial Neural Network, 이하 ANN)을 이용하여 유의파고를 산출하는 단계이고, 품질 검토 단계는 산출한 유의파고의 관측자료 품질을 순환신경망(Recurrent Neural Network, 이하 RNN)을 이용하여 검토하는 단계이고, 최종 유의파고 도출 단계는 관측자료 품질 검토결과에 따라 최종 유의파고를 도출하는 단계이다.
본 발명의 또 다른 양상에 따르면, 레이더식 파랑측정 시스템의 유의파고 측정방법에서 파랑정보 산출 단계는 수집된 레이더 영상에서 분석영역을 선택하고, 선택된 분석영역을 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출하는 단계이다.
본 발명의 또 다른 양상에 따르면, 레이더식 파랑측정 시스템의 유의파고 측정방법의 파랑정보 산출 단계에서 산출되는 파랑정보는 유의파고를 산출하는 ANN의 입력 변수가 되며, 첨두주기, 파향, 파랑 성분 에너지 세기 합(Signal), 잡음 성분 에너지 세기 합(Noise) 그리고 신호 대 잡음비(Signal to Noise Ratio, 이하 SNR) 중 적어도 하나 이상을 포함할 수 있다.
본 발명의 또 다른 양상에 따르면, 레이더식 파랑측정 시스템의 유의파고 측정방법에서 레이더 영상에서 선택된 분석영역은 산출되는 파랑정보 종류의 특성에 따라 각 파랑정보를 산출하는 영역의 위치와 크기가 선택될 수 있다.
본 발명의 또 다른 양상에 따르면, 레이더식 파랑측정 시스템의 유의파고 측정방법의 품질 검토 단계는 현재보다 과거 시점에 산출한 유의파고를 입력으로 하여 학습된 순환신경망으로 현재 시점의 유의파고를 예측하는 유의파고 예측 단계와, 예측된 유의파고와 현재 시점에서 산출한 유의파고의 차이를 기준으로 관측자료 품질을 도출하는 품질 도출 단계를 포함할 수 있다.
본 발명의 또 다른 양상에 따르면, 레이더식 파랑측정 시스템의 유의파고 측정방법의 유의파고 도출 단계는 관측자료 품질 검토결과 관측자료 품질이 불량 등급으로 도출될 경우, 첨두주기와, 평균주기와, 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식을 이용하여 유의파고를 산출하고, 산출한 유의파고를 최종 유의파고로 도출하고, 관측자료 품질 검토결과 관측자료 품질이 양호 등급으로 도출될 경우, 인공신경망을 이용하여 산출한 유의파고를 최종 유의파고로 도출할 수 있다.
본 발명에 의하면 다양한 기상상황에서 레이더식 파랑측정 시스템으로 유의파고를 정확하게 측정할 수 있는 효과가 있다.
또한, 레이더식 파랑측정 시스템에서 측정한 유의파고의 관측자료 품질을 실시간으로 관리하여 유의파고를 안정적으로 산출할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법의 전체적인 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 인공신경망의 상세구조를 나타낸 블록도이다.
도 3은 레이더 영상에서 분석영역을 파랑정보에 따른 특성에 따라 달리 추출하는 예를 도시한 것이다.
도 4는 본 발명의 또 다른 실시예에 따라 관측자료 품질을 검토하는 방법을 나타낸 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 순환신경망의 상세구조를 나타낸 블록도이다.
전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시 예들을 통해 구체화된다. 각 실시 예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시 예 내에서 다양한 조합이 가능한 것으로 이해된다. 블록도의 각 블록은 어느 경우에 있어서 물리적인 부품을 표현할 수 있으나 또 다른 경우에 있어서 하나의 물리적인 부품의 기능의 일부 혹은 복수의 물리적인 부품에 걸친 기능의 논리적인 표현일 수 있다. 때로는 블록 혹은 그 일부의 실체는 프로그램 명령어들의 집합(set)일 수 있다. 이러한 블록들은 전부 혹은 일부가 하드웨어, 소프트웨어 혹은 이들의 결합에 의해 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법의 전체적인 흐름도이다. 도 1에 도시된 바와 같이 레이더식 파랑측정 시스템에서 ANN을 이용한 유의파고 측정방법은 해안이나 선박에 설치된 X-band 레이더로 해상을 관측한 레이더 영상을 수집하고(S1000), 수집된 레이더 영상을 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출하고(S1020), 산출된 파랑정보를 입력 변수로 하는 ANN을 이용하여 유의파고를 산출하고(S1040), 산출된 유의파고의 관측자료 품질을 RNN을 이용하여 검토하고(S1060)와, 관측자료 품질 검토결과에 따라 최종 유의파고를 도출하는(S1080) 방법이다. 이때, ANN은 파랑정보 학습 데이터 세트를 통해 사전에 미리 학습되어 있으며, RNN 또한 과거 시점에 산출된 유의파고 학습 데이터 세트를 통해 사전에 미리 학습되어 있다.
본 발명의 또 다른 실시예에 따른 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법에서 수집된 레이더 영상 전체에서 파랑정보를 산출하는 것이 아니라 수집된 레이더 영상에서 분석영역을 선택하고 선택된 분석영역을 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출할 수 있다.
X-band 레이더로 해상을 관측한 레이더 영상을 고속 푸리에 변환으로 주파수 영역에서 분석하여 직접적으로 산출할 수 있는 파랑정보는 첨두주기, 평균주기, 신호 대 잡음비, 파향 등이 있다. 레이더 영상을 고속 푸리에 변환하여 직접적으로 산출할 수 있는 파랑정보의 상세한 종류와 이를 산출하는 방법은 공지기술로 이에 대한 설명은 생략한다.
도 2는 본 발명의 일 실시예에 따른 인공신경망의 상세구조를 나타낸 블록도이다. 도 2에 도시된 바와 같이 ANN을 이용하여 유의파고를 산출하는 단계에서 유의파고를 산출하는 ANN의 입력 변수가 되는 파랑정보는 첨두주기, 파향, 파랑 성분 에너지 세기 합(Signal), 잡음 성분 에너지 세기 합(Noise) 그리고 신호 대 잡음비(SNR)를 중 적어도 하나 이상을 포함할 수 있다.
파랑 성분 에너지 세기 합(Signal)은 수학식 1과 같이 계산할 수 있다.
Figure 112018128382995-pat00001
잡음 성분 에너지 세기 합(Noise)은 수학식 2와 같이 계산할 수 있다.
Figure 112018128382995-pat00002
수학식 1과 수학식 2에 나타낸 기호를 상세히 설명하면, ω, kx, ky는 각주파수, x방향 파수 그리고 y방향 파수이다. X-band 레이더로 해상을 관측한 레이더 영상을 3차원 고속 푸리에 변환하였을 때 시간방향 주파수, x축 방향 주파수 그리고 y축 방향 주파수 성분의 좌표를 의미한다. I(ω, kx, ky)는 레이더 영상을 3차원 고속 푸리에 변환하여 얻은 3차원 스펙트럼이고 If(ω, kx, ky)는 전체 스펙트럼 에서 분산방정식 조건으로 필터링하여 얻은 파랑 성분 스펙트럼이다.
신호 대 잡음비(SNR)은 파랑성분 에너지 세기합(Signal)과 잡음 성분 에너지 세기합(Noise)의 비로써 수학식 3과 같이 계산할 수 있다.
Figure 112018128382995-pat00003
도 3은 레이더 영상에서 분석영역을 파랑정보에 따른 특성에 따라 달리 추출하는 예를 도시한 것이다. 파랑정보를 산출할 때 레이더 영상에서 선택되는 분석영역은 파랑정보의 종류에 따른 특성에 따라 각 파랑정보 산출에 적절한 위치와 크기로 선택될 수 있다. 즉, 레이더 영상에서 선택된 분석영역은 산출되는 파랑정보 종류의 특성에 따라 각 파랑정보를 산출하는 영역의 위치와 크기가 선택될 수 있다.
도 3을 참고하여 설명하면 첨두주기를 산출하기 위한 분석영역은 암초 주변이나 해안가 근처 등 쇄파가 일어나 레이더에서 파랑이 잘 보이는 영역으로 선택될 수 있다. 첨두주기는 파랑이 먼 바다에서 해안가로 진행해오는 동안 그 값이 잘 변하지 않으므로 계산 안정성을 위하여 항상 파랑이 레이더에 잘 보이는 영역이 분석영역으로 선택될 수 있다. 한편 파랑성분 에너지 세기합(Signal)과 잡음 성분 에너지 세기합(Noise) 그리고 그 비율인 신호 대 잡음비(SNR)는 위치에 따라 그 값이 변하므로 이들 파랑 정보를 산출하기 위한 분석영역은 유의파고를 알고 싶은 영역이 선택될 수 있다. 마지막으로 파향을 산출하기 위한 분석영역은 모든 방향에서 오는 파랑을 모두 탐지할 수 있도록 레이더 영상에서 모든 해상영역이 선택될 수 있다.
도 4는 본 발명의 또 다른 실시예에 따라 관측자료 품질을 검토하는 방법을 나타낸 흐름도이다. 도 4에 도시된 바와 같이 관측자료 품질을 RNN을 이용하여 검토하는 방법은 사전에 레이더식 파랑측정 시스템으로 현재보다 과거 시점에 산출한 유의파고를 입력 변수로 하여 RNN을 학습하고(S2000), 학습된 RNN으로 현재 시점의 유의파고를 예측하고(S2020), RNN으로 예측된 유의파고와 현재 시점에서 산출한 유의파고의 차이에 따라 관측자료 품질을 도출할 수 있다(S2040).
도 5는 본 발명의 일 실시예에 따른 순환신경망의 상세구조를 나타낸 블록도이다. 도 5에 도시된 바와 같이 학습된 RNN으로 현재 시점의 유의파고를 예측하는 방법은 레이더식 파랑측정 시스템으로 도출한 직전시점의 유의파고
Figure 112018128382995-pat00004
를 학습된 RNN의 입력 변수로 하여 현재시점의 유의파고
Figure 112018128382995-pat00005
를 예측할 수 있다.
본 발명의 또 다른 실시예에 따르면, 관측자료 품질을 도출하는 단계는 도 4에 도시된 바와 같이 유의파고 예측값
Figure 112018128382995-pat00006
와 같은 시점의 유의파고 산출값
Figure 112018128382995-pat00007
를 비교하고(S2042), 비교 결과 그 차이가 기준값 이하이면 관측자료 품질을 양호 등급으로 도출하고, 그 차이가 기준값보다 크면 관측자료 품질을 불량 등급으로 도출(S2044)한다. 반복적인 관측을 통해 기준값은 ANN으로 산출한 유의파고의 정확도와 RNN으로 예측한 유의파고의 정확도를 확인하여 경험적으로 결정할 수 있다.
한편, 본 발명의 또 다른 실시예에 따르면, 최종 유의파고를 도출하는 단계는 관측자료 품질 검토결과 관측자료 품질이 불량 등급으로 도출될 경우 첨두주기, 평균주기 그리고 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식으로 산출한 유의파고로 최종 유의파고를 도출하고, 관측자료 품질 검토결과 관측자료 품질이 양호 등급으로 도출될 경우 ANN을 이용하여 산출한 유의파고를 그대로 최종 유의파고로 도출할 수 있다.
인공신경망이 학습자료에 과적합(overfitting)될 경우 이 인공신경망을 실제 적용해보면 새로운 입력자료에 대해 불안정한 출력을 나타낸다. 이는 물리적인 현상의 인과관계에 기반하지 않고 학습자료에 기반하여 학습하는 인공신경망의 원리상 피하기 힘든 단점이며, 이에 따라 기존 학습 자료와 특성이 다른 새로운 입력자료에 대해 예측하기 어려운 불안정성을 보인다.
이러한 경우 즉, 관측자료 품질이 불량 등급으로 도출될 경우 대한민국 등록특허 제10-0950301호에서 제시한 첨두주기, 평균주기 그리고 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식을 이용할 수 있다. 첨두주기, 평균주기 그리고 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식은 물리적인 상관관계로부터 도출된 식이므로 이를 이용하여 보다 안정적으로 유의파고를 도출할 수 있다.
첨두주기, 평균주기 그리고 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식은 표1과 같이 시계열(Time Series) 데이터 형태로 측정한 첨두주기(Tp), 평균주기(Tm) 및 유의파고(Hs) 데이터로부터 산출할 수 있다.
Time Hs Tp Tm
0 1 10 7.3
1 1.08 9.5 7.3
2 1.1 9.1 7.3
3 1.01 9.1 7.4
4 1.1 9.1 7.5
5 0.96 9.1 6.9
6 1.09 9.5 7.4
7 1.05 9.1 7.5
8 1.05 9.5 7.1
9 0.99 9.5 6.9
10 1.05 9.1 7.1
11 0.95 9.1 6.8
12 0.87 9.1 7
13 0.89 9.1 6.9
14 0.87 9.1 6.6
15 0.86 8.7 7
... ... ... ...
먼저, 선형 회귀분석에 의한 첨두주기(Tp), 평균주기(Tm) 및 유의파고(Hs) 사이의 상관관계 산출의 예를 설명한다.
Figure 112018128382995-pat00008
수학식 4는 표 1의 데이터로부터 첨두주기(Tp)와 평균주기(Tm)를 일대일로 대응시킨 그래프에서 선형 회귀분석을 통해 첨두주기(Tp)와 평균주기(Tm) 사이의 산출된 관계식이다.
Figure 112018128382995-pat00009
수학식 5는 표 1의 데이터로부터 유의파고(Hs)와 평균주기(Tm)를 일대일로 대응시킨 그래프에서 선형 회귀분석을 통해 유의파고(Hs)와 평균주기(Tm) 사이의 산출된 관계식이다.
Figure 112018128382995-pat00010
수학식 6은 수학식 4와 수학식 5를 연립하여 산출한 유의파고(Hs)와 첨두주기(Tp) 사이의 관계식이다.
다음으로 선형 회귀분석에 의한 첨두주기(Tp), 평균주기(Tm) 및 유의파고(Hs) 사이의 상관관계 산출의 예를 설명한다.
Figure 112018128382995-pat00011
수학식 7은 표 1의 데이터로부터 첨두주기(Tp)와 평균주기(Tm)를 일대일로 대응시킨 그래프에서 비선형 회귀분석을 통해 첨두주기(Tp)와 평균주기(Tm) 사이의 산출된 관계식이다.
Figure 112018128382995-pat00012
수학식 8은 표 1의 데이터로부터 유의파고(Hs)와 평균주기(Tm)를 일대일로 대응시킨 그래프에서 비선형 회귀분석을 통해 유의파고(Hs)와 평균주기(Tm) 사이의 산출된 관계식이다.
Figure 112018128382995-pat00013
수학식 9는 수학식 7과 수학식 8을 연립하여 산출한 유의파고(Hs)와 첨두주기(Tp) 사이의 관계식이다.
이상에서 본 발명을 첨부된 도면을 참조하는 실시 예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형 예들을 포괄하도록 해석되어야 한다. 특허청구범위는 이러한 변형 예들을 포괄하도록 의도되었다.

Claims (6)

  1. 레이더식 파랑측정 시스템의 유의파고 측정방법에 있어서,
    레이더로 해상을 관측한 레이더 영상을 수집하는 영상 수집 단계;
    수집된 레이더 영상을 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출하는 파랑정보 산출 단계;
    산출된 파랑정보를 입력으로 하는 인공신경망(ANN)을 이용하여 유의파고를 산출하는 유의파고 산출 단계;
    산출된 유의파고의 관측자료 품질을 순환신경망(RNN)을 이용하여 검토하는 품질 검토 단계; 및
    유의파고의 관측자료 품질 검토결과에 따라 최종 유의파고를 도출하는 유의파고 도출 단계;
    를 포함하는 유의파고 측정방법.
  2. 제 1 항에 있어서,
    상기 파랑정보 산출 단계는:
    수집된 레이더 영상에서 분석영역을 선택하고, 선택된 분석영역을 고속 푸리에 변환으로 주파수 영역에서 분석하여 파랑정보를 산출하는 단계인 유의파고 측정방법.
  3. 제 2 항에 있어서,
    산출된 파랑정보는 첨두주기, 파향, 파랑 성분 에너지 세기 합(Signal), 잡음 성분 에너지 세기 합(Noise) 및 신호 대 잡음비(SNR) 중 적어도 하나 이상을 포함하는 유의파고 측정방법.
  4. 제 3 항에 있어서,
    레이더 영상에서 선택된 분석영역은 산출되는 파랑정보 종류의 특성에 따라 각 파랑정보를 산출하는 영역의 위치와 크기가 선택되는 유의파고 측정방법.
  5. 제 1 항에 있어서,
    상기 품질 검토 단계는:
    현재보다 과거 시점에 산출한 유의파고를 입력으로 하여 학습된 순환신경망으로 현재 시점의 유의파고를 예측하는 유의파고 예측 단계; 및
    예측된 유의파고와 현재 시점에서 산출한 유의파고의 차이를 기준으로 관측자료 품질을 도출하는 품질 도출 단계;
    를 포함하는 유의파고 측정방법.
  6. 제 1 항에 있어서,
    상기 유의파고 도출 단계는:
    관측자료 품질 검토결과 관측자료 품질이 불량 등급으로 도출될 경우, 첨두주기와, 평균주기와, 유의파고 간의 상관관계를 회귀분석으로 산출한 관계식을 이용하여 유의파고를 산출하고, 산출한 유의파고를 최종 유의파고로 도출하고,
    관측자료 품질 검토결과 관측자료 품질이 양호 등급으로 도출될 경우, 인공신경망을 이용하여 산출한 유의파고를 최종 유의파고로 도출하는 유의파고 측정방법.
KR1020180166069A 2018-12-20 2018-12-20 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 KR102157578B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180166069A KR102157578B1 (ko) 2018-12-20 2018-12-20 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180166069A KR102157578B1 (ko) 2018-12-20 2018-12-20 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법

Publications (2)

Publication Number Publication Date
KR20200084386A KR20200084386A (ko) 2020-07-13
KR102157578B1 true KR102157578B1 (ko) 2020-09-18

Family

ID=71570813

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180166069A KR102157578B1 (ko) 2018-12-20 2018-12-20 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법

Country Status (1)

Country Link
KR (1) KR102157578B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220057872A (ko) 2020-10-30 2022-05-09 가톨릭관동대학교산학협력단 머신러닝을 이용한 쇄파 지표 예측 시스템 및 그 방법
KR20230001875A (ko) * 2021-06-29 2023-01-05 한국해양과학기술원 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법
KR20230063410A (ko) 2021-11-02 2023-05-09 주식회사 매크론 레이더 해면반사신호를 이용한 광역 유의파고 추출방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102156309B1 (ko) * 2020-08-05 2020-09-15 안경모 해안 해수면을 관측하기 위한 전자 장치 및 방법
CN116449462B (zh) * 2023-06-19 2023-10-03 山东省计算中心（国家超级计算济南中心） 海浪有效波高时空序列预测方法、系统、存储介质及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100950301B1 (ko) 2006-06-02 2010-03-31 (주)연엔지니어링 레이더형 파랑측정 시스템에서의 유의파고 보정방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101839855B1 (ko) * 2016-04-28 2018-03-20 한국전자통신연구원 파랑 정보 추출 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100950301B1 (ko) 2006-06-02 2010-03-31 (주)연엔지니어링 레이더형 파랑측정 시스템에서의 유의파고 보정방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220057872A (ko) 2020-10-30 2022-05-09 가톨릭관동대학교산학협력단 머신러닝을 이용한 쇄파 지표 예측 시스템 및 그 방법
KR20230001875A (ko) * 2021-06-29 2023-01-05 한국해양과학기술원 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법
KR102509980B1 (ko) 2021-06-29 2023-03-14 한국해양과학기술원 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법
KR20230063410A (ko) 2021-11-02 2023-05-09 주식회사 매크론 레이더 해면반사신호를 이용한 광역 유의파고 추출방법

Also Published As

Publication number Publication date
KR20200084386A (ko) 2020-07-13

Similar Documents

Publication Publication Date Title
KR102157578B1 (ko) 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법
CN106296655A (zh) 基于自适应权值和高频阈值的sar图像变化检测方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN109416408B (zh) 震中距估计装置、震中距估计方法以及计算机可读记录介质
JP2019096255A (ja) 下水道管渠内水位予測装置、下水道管渠内水位予測方法及び下水道管渠内水位予測プログラム
CN108764119A (zh) 基于迭代最大类间方差的sar图像变化检测方法
KR910017328A (ko) 위치인식장치
CN105940608A (zh) 用于传感器信号的评估方法
CN116740579B (zh) 一种国土空间规划数据智能采集方法
CN107368457B (zh) 基于LoG算子和Grubbs检验的瞬时频率估计方法
KR101770742B1 (ko) 클러터를 억제하는 표적 탐지 장치 및 그 방법
Liu et al. Image-based recognition and processing system for monitoring water levels in an irrigation and drainage channel
CN107644413A (zh) 基于邻域比值和自步学习的sar图像变化区域检测方法
CN111881929A (zh) 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置
CN103886590A (zh) 一种基于小波包能量谱的推扫式遥感相机自动对焦方法
US20230093034A1 (en) Target area detection device, target area detection method, and target area detection program
CN107389342B (zh) 基于Roberts算子和Grubbs检验的瞬时频率估计方法
CN1216338C (zh) 基于线性约束截断最小二乘的数据融合方法
CN115201766A (zh) 一种基于深度目标检测网络的雷达混合干扰感知方法
KR100851038B1 (ko) 부분 방전 신호용 복합 잡음 제거 방법
CN109272534B (zh) 基于多粒度级联森林模型的sar图像变化检测方法
CN107368456B (zh) 基于Sobel算子和t检验的瞬时频率估计方法
CN107389341B (zh) 基于Prewitt算子和t检验的瞬时频率估计方法
CN117392140B (zh) 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统
CN114049586A (zh) 基于计算机视觉及功率谱传递比的振动频率自动识别方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant