KR102175179B1 - 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법 - Google Patents

인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법 Download PDF

Info

Publication number
KR102175179B1
KR102175179B1 KR1020200101521A KR20200101521A KR102175179B1 KR 102175179 B1 KR102175179 B1 KR 102175179B1 KR 1020200101521 A KR1020200101521 A KR 1020200101521A KR 20200101521 A KR20200101521 A KR 20200101521A KR 102175179 B1 KR102175179 B1 KR 102175179B1
Authority
KR
South Korea
Prior art keywords
hsr
data
radar
module
weather
Prior art date
Application number
KR1020200101521A
Other languages
English (en)
Inventor
박준상
Original Assignee
대한민국(기상청 국립기상과학원장)
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 대한민국(기상청 국립기상과학원장) filed Critical 대한민국(기상청 국립기상과학원장)
Priority to KR1020200101521A priority Critical patent/KR102175179B1/ko
Application granted granted Critical
Publication of KR102175179B1 publication Critical patent/KR102175179B1/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
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

본 발명은 레이더로 관측하기 어려운 강우 지역에 대하여, 레이더 합성장을 생성하는 시스템과 이를 실행하는 방법에 관한 것이다.
본 발명은 기상 위성 데이터를 도법, 수평 해상도, 위도, 경도를 변환하는 전처리 모듈, 신경망을 이용하여 제 1 HSR 데이터를 생성하는 HSR 생성 모듈, 랜덤 포레스트를 이용하여 제 2 HSR 데이터를 생성하는 HSR 보정 모듈, 제 1, 2 HSR 데이터를 통합하여 레이더 공백지역의 레이더 데이터를 생성하는 HSR 통합 모듈을 포함한다.

Description

인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법 { SYSTEM FOR DEVELOPING A RADAR HYBRID SURFACE RAINFALL FIELD IN A BLANK AREA BASED ON ARTIFICIAL INTELLIGENCE, AND METHOD THEREOF }
본 발명은 지상관측이 어려운 해상 및 지상 관측 공백지역에 대하여 위성 관측자료를 활용하여, 레이더 합성장을 생성하는 시스템과 이를 실행하는 방법에 관한 것이다.
기상 이변으로 인하여 집중 호우, 우박, 낙뢰 등이 빈번히 발생하고 있는 가운데, 이와 같은 기상 정보를 신속하고 정확하게 제공 받고자 하는 수요가 나날이 증가하고 있다.
기상 레이더는 전파를 대기 중에 발사한 후, 강수 입자에 부딪혀 산란된 다음 되돌아오는 신호를 수신하고, 이를 분석하여 강수 구름의 위치, 강우 강도, 이동 속도 등을 탐지하는 기상 관측 장비이다.
기상 레이더는 송신기와 안테나, 수신기, 표출기를 포함할 수 있다. 송신기는 고주파의 전력을 만들어 안테나로 전달하고, 안테나는 송신기로부터 전달 받은 신호를 대기 중으로 전송하여 강수 입자 등 목표물에 부딪혀 되돌아오는 신호를 다시 수신기로 전달한다. 수신기는 안테나에서 수신한 매우 약한 신호를 검출하고, 표출기는 검출된 신호를 영상으로 변환하여 표출한다.
기상 레이더가 강수 정보를 획득하는 방법은, 대기 중으로 전파를 전송한 다음, 강수 입자에 반사되어 되돌아오는 약한 신호를 수신하는 관측 단계와, 수신한 신호를 표출기와 같은 신호 처리 장치를 통해 변환하여 관측 자료를 생산하는 단계와, 관측 자료에서 기상 현상이 아닌 정보를 분류하는 단계와, 분류된 자료를 활용하여 다양한 기상 정보를 생산 및 제공하는 단계를 포함 할 수 있다.
한편, 우리 나라는 3면이 바다로 둘러 싸여 있으며, 편서풍대에 속한 지형적 특성을 가진다. 서해에서는 수증기를 포함한 공기가 편서풍을 타고 오면서, 발달하거나 또는 소멸할 수 있으며, 이는 우리나라의 강수를 예측하는 매우 중요한 정보가 될 수 있다.
수증기를 가진 공기 덩어리인 구름은 강우 현상을 예측하는데 매우 중요하고, 구름을 가장 잘 관측하는 장비는 기상 레이더이다. 그러나 기상 레이더를 해상에 바로 설치하기가 어렵고, 해상과 멀리 떨어진 육지에 기상 레이더를 설치하여 구름을 관측할 때, 하층운을 감지하기 어려운 한계가 나타난다.
그리고 산악 지형이 많은 우리 나라에서는, 직진하는 기상 레이더의 빔이 산악 지형의 영향으로 차폐 될 수 있으며, 레이더의 에코가 실제 강수 보다 약하게 산출 될 수 있다. 이를 개선하기 위해 다중 고도각 기반의 선택적 합성 기술인 HSR(Hybrid Surface Rainfall)을 이용할 수 있다.
그러나 해상과 같이 육지에서 멀리 떨어지거나, 지상에서 기상 레이더로 관측할 수 없는 공백 지역에서 HSR 정보를 취득할 수 없거나 어려운 문제점이 여전히 존재한다.
본 발명의 목적은 상기와 같은 문제점을 해결하기 위한 것으로, 레이더로 관측하기 어려운 강우 지역에 대하여, 인공지능 기법을 적용하여 위성자료 기반의 레이더 합성장을 생성하는 시스템과 이를 실행하는 방법을 제공하는 것이다.
상기와 같은 목적을 달성하기 위하여 본 발명은, 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를 변환하여, 제 4 기상 위성 데이터(WS4)를 생성하는 전처리 모듈과; 상기 제 4 기상 위성 데이터(WS4)를 입력할 때, 행렬 형태로 이루어진 제 1 HSR 데이터(H1)를 생성하는 HSR 신경망을 구비하는 HSR 생성 모듈과; 상기 제 4 기상 위성 데이터(WS4)를 입력할 때, 행렬 형태로 이루어진 제 2 HSR 데이터(H2)를 생성하는 HSR 포레스트를 구비하는 HSR 보정 모듈과; 상기 제 1 HSR 데이터(H1)와 상기 제 2 HSR 데이터(H2)에서 서로 대응하는 행렬 위치의 원소를 더하여 제 3 HSR 데이터(H3)를 생성하는 HSR 통합 모듈을 포함하고, 상기 제 3 및 제 4 기상 위성 데이터(WS3, WS4)는 각각 채널 번호, 위도, 경도, 기상 산출물을 포함하고, 상기 제 1 내지 제 3 HSR 데이터(H1 ~ H3)의 행은 위도를 나타내고, 열은 경도를 나타내며, 원소는 강수 확률을 나타내는 레이더 합성장 정보 생성 시스템을 제공한다.
본 발명의 다른 실시예는, 레이더 합성장 정보 생성 시스템에 있어서, (S1) 입출력 모듈이, 제 3 기상 위성 데이터(WS3)를 수신하는 단계와; (S2) 전처리 모듈이, 상기 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를, 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)의 도법, 수평 해상도, 위도, 경도와 일치하도록 변환하여, 제 4 기상 위성 데이터(WS4)를 생성하는 단계와; (S3) HSR 생성 모듈이, 상기 제 4 기상 위성 데이터(WS4)를 HSR 신경망에 입력하여 행렬 형태로 이루어진 제 1 HSR 데이터(H1)를 생성하는 단계와; (S4) HSR 보정 모듈이, 상기 제 4 기상 위성 데이터(WS4)를 HSR 포레스트에 입력하여 행렬 형태로 이루어진 제 2 HSR 데이터(H2)를 생성하는 단계와; (S5) HSR 통합 모듈이, 상기 제 1 HSR 데이터(H1)와 상기 제 2 HSR 데이터(H2)에서 서로 대응하는 행렬 위치의 원소를 더하여, 제 3 HSR 데이터(H3)를 생성하는 단계와; (S6) 상기 입출력 모듈이, 상기 제 3 HSR 데이터(H3)를 출력하는 단계를 포함하며, 상기 제 1, 3, 4 기상 위성 데이터(WS1, WS3, WS4)는 각각 채널 번호, 위도, 경도, 기상 산출물을 포함하고, 상기 제 1 내지 제 3 HSR 데이터(H1 ~ H3)의 행은 위도를 나타내고, 열은 경도를 나타내며, 원소는 강수 확률을 나타내는 레이더 합성장 정보 생성 방법을 제공한다.
본 발명은, 기상 위성 데이터 및 기상 레이더 데이터를 각각 학습 데이터 및 정답 데이터로 이용하여 신경망과 랜덤 포레스트를 생성할 수 있다. 그리고 생성한 신경망과 랜덤 포레스트에 기상 위성 데이터를 입력한 후 출력 결과를 통합하여, 레이더로 관측할 수 없는 지역의 레이더 데이터를 생성할 수 있고, 생성된 레이더 데이터에 포함된 강수 확률의 정확도를 향상할 수 있다.
도 1a는 본 발명의 일 실시 예에 따른 레이더 합성장 정보 생성 시스템을 간략하게 나타낸 블록도이고, 도 1b는 본 발명의 일 실시 예에서 HSR 생성을 위한 신경망을 간략하게 나타낸 블록도이다.
도 2a는 본 발명의 일 실시 예에 따른 HSR 생성을 위한 신경망 및 HSR 보정을 위한 포레스트의 학습 방법을 간략하게 나타낸 순서도이다.
도 2b는 본 발명의 일 실시 예에서 전처리 단계를 간략하게 나타낸 순서도이다.
도 2c는 본 발명의 일 실시 예에서 HSR 생성 단계를 간략하게 나타낸 순서도이다.
도 2d는 본 발명의 일 실시 예에서 HSR 보정 단계를 간략하게 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 레이더 합성장 정보 생성 방법을 간략하게 나타낸 순서도이다.
본 발명은 취지를 벗어나지 않는 한도에서 다양하게 변경하여 실시할 수 있고, 하나 이상의 실시 예를 가질 수 있다. 그리고 본 발명에서 “발명을 실시하기 위한 구체적인 내용” 및 “도면” 등에 기재한 실시 예는, 본 발명을 구체적으로 설명하기 위한 예시이며, 본 발명의 권리 범위를 제한하거나 한정하는 것은 아니다.
따라서, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자가, 본 발명의 “발명을 실시하기 위한 구체적인 내용” 및 “도면” 등으로부터 용이하게 유추할 수 있는 것은, 본 발명의 범위에 속하는 것으로 해석할 수 있다.
또한, 도면에 표시한 각 구성 요소들의 크기와 형태는, 실시 예의 설명을 위해 과장되어 표현한 것 일 수 있으며, 실제로 실시되는 발명의 크기와 형태를 한정하는 것은 아니다.
본 발명의 명세서에서 설명하는 “사용자”는 “사람”을 가리킨다. 본 발명의 명세서에서 사용되는 용어를 특별히 정의하지 않는 이상, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 것과 동일한 의미를 가질 수 있다.
이하, 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다.
도 1은 본 발명의 일 실시 예에 따른 레이더 합성장 정보 생성 시스템을 간략하게 나타낸 블록도이다.
본 발명의 일 실시 예에 따른 레이더 합성장 정보 생성 시스템(100)은, 입출력 모듈(110)과 저장 모듈(120), 전처리 모듈(130), HSR 생성 모듈(140), HSR 보정 모듈(150), HSR 통합 모듈(160)을 포함할 수 있다.
입출력 모듈(110)은 레이더 합성장 정보 생성 시스템(100)의 외부에서, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 입력 받을 수 있다.
제 1 기상 위성 데이터(WS1)는 대한민국 기상청의 천리안 위성 2A호(GEO-KOMPSAT-2A)에서 획득한 것일 수 있다. 천리안 위성 2A호(GEO-KOMPSAT-2A)의 관측 채널 개수는 16개일 수 있고, 공간 해상도는 수평 해상도가 0.5~2km일 수 있으며, 관측 주기는 1시간 당 24회일 수 있다. 천리안 위성 2A호(GEO-KOMPSAT-2A)의 기본 산출물이 24종이고, 부가 산출물이 43종으로, 총 기상 산출물은 67개일 수 있다. 기본 산출물과 부가 산출물의 종류는 각각 표1에 나타낸 것일 수 있다.
구분 산출물
기본
산출물		 (1)가시(0.47㎛), (2)가시(0.51㎛), (3)가시(0.64㎛), (4)가시 (0.86㎛), (5)근적외(1.38㎛), (6)근적외(1.6㎛), (7)단파적외(3.8㎛), (8)수증기(6.3㎛), (9)수증기(6.9㎛), (10)수증기(7.3㎛), (11)적외 (8.7㎛), (12)적외(9.6㎛), (13)적외(10.5㎛), (14)적외(11.2㎛), (15)적외(12.3㎛), (16)적외(13.3㎛), (17)컬러 수증기 영상, (18)황사 RGB 영상, (19)기단 RGB 영상, (20)주간대류운 RGB 영상, (21)주야간안개 RGB 영상, (22)주야간기본 RGB 영상, (23)주간자연색 RGB 영상, (24)주간천연색 RGB 영상
부가산출물 (1)대류운 발생탐지, (2)강우강도, (3)가강수량, (4)강수확률, (5)잠재 강수량, (6)대기안정도지수(KI,LI,SSI,TTI,CAPE), (7)연직 온습도장, (8)운정온도, 운정기압, 운정고도, (9)운상, (10)운형 구름층 고도, (11)구름탐지, (12)구름 광학두께, (13)구름입자 유효반경, (14)구름 수액경로, (15)구름 빙정경로, (16)안개, (17)산불탐지, (18)해수면 온도, (19)해수면 온도 - 1일 합성, (20)해수면 온도 - 5일 합성 (21)해수면 온도 - 10일 합성, (22)해류, (23)지표면 온도, (24)적설/해빙, (25)적설/해빙-1일 합성장, (26)적설깊이, (27)황사/에어로졸/화산재 탐지, (28)에어로졸광학두께/황사광학두께, (29)에어로졸 입자크기, (30)에어로졸 시정, (31)대기운동벡터, (32)오존전량, (33)이산화황 탐지, (34)착빙, (35)성층권침투 대류운 탐지, (36)대류권계면 접힘난류 탐지, (37)상향 장파복사(대기상한), (38)하향 장파복사(지표면), (39)상향 장파복사(지표면), (40)상향 단파복사(대기상한), (41)하향 단파복사(표면도달일사량), (42)흡수 단파복사(지표면), (43)산불위험도
제 1 기상 위성 데이터(WS1)는 천리안 위성 2A호(GEO-KOMPSAT-2A)의 산출물 67종 중 하나 이상을 포함할 수 있다. 그리고 제 1 기상 위성 데이터(WS1)는 16개의 채널 별로 위도와 경도, 기상 산출물을 각각 포함한 데이터일 수 있다. 제 1 기상 위성 데이터(WS1)의 형식은, 예를 들어 “(채널 번호, 위도, 경도, 기상 산출물)”과 같을 수 있다.제 1 기상 레이더 데이터(WR1)는, 대한민국 기상청의 11개 기상 레이더 관측소(백령도, 관악산, 광덕산, 오성산, 진도, 면봉산, 구덕산, 고산, 성산, 강릉, 인천공항)의 기상 레이더(이중 편파 도플러 레이더)에서 측정한 자료와, 공군 9개 관측소 및 환경부 7개 관측소에서 측정한 자료를 통합한 후, 하나의 영상으로 합성하여 기상청에서 제공하는 것일 수 있다. 기상 레이더의 수평 해상도는 1km일 수 있다. 기상 레이더에서 획득하는 기본 영상의 종류는 표2에 나타낸 것일 수 있다.
구분 레이더 합성 파일 종류
기본 영상 (1)HSR 합성 (2)수상체 합성 (3)우박 합성 (4)PPI 합성 (5)CAPPI 합성, (6)CMAX 합성, (7)480km 합성, (8)HSR 60분 누적 합성, (9)PPI 60분 누적 합성, (10)에코 탐지
HSR(Hybrid Surface Rainfall)은 지형 차폐 영향을 최소화하고 지상에서 근접한 자료를 산출하기 위한 다중 고도각 기반 선택적 합성기술이다. PPI (Plan-Position Indicator)는 극좌표계에서 방위각과 레이더로부터 떨어진 거리를 축으로 한 평면에 에코위치와 강도를 표출하는 방식이다. CAPPI(Constant Altitude PPI)는 여러층 PPI 관측자료 중 1.5km 고도면의 에코를 표출하는 방식이다. CMAX(Column Max)는 컬럼에서 가장 강한 에코 부분만 표출하는 방식이다.제 1 기상 레이더 데이터(WR1)는 10개의 기본 영상 중 하나 이상을 포함할 수 있다. 또는 제 1 기상 레이더 데이터(WR1)는 산출한 강수 확률을 포함할 수 있다. 제 1 기상 레이더 데이터(WR1)의 형식은, 예를 들어 “(위도, 경도, 제 1 내지 제 10 기본 영상)” 또는 “(위도, 경도, 강수 확률)”과 같을 수 있다.
제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)는 신경망 구축을 위한 사전 학습에 있어서, 각각 학습 데이터 및 정답 데이터가 될 수 있으며, 서로 짝을 이룰 수 있다.
입출력 모듈(110)은, 천리안 위성 2A호(GEO-KOMPSAT-2A) 및 기상 레이더의 관측 자료를 수신 및 처리, 서비스하는 위성센터 및 기상레이더센터로부터, 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)를 각각 수신할 수 있다. 또는 입출력 모듈(110)은, 기상자료개방포털(https://data.kma.go.kr/)의 오픈 API, 웹 서비스(HTTP, HTTPs), FTP 서비스를 이용하여 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)를 수신할 수 있다.
입출력 모듈(110)은, 수신한 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)를 저장 모듈(120)로 전달할 수 있다.
저장 모듈(120)은 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)를 저장할 수 있다.
저장 모듈(120)은 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)를 저장하기 위해 기억 장치를 포함할 수 있다. 기억 장치는 하드 디스크 드라이브(hard disk drive), 광학 디스크 드라이브(optical disc drive), 자기 테이프(magnetic tape), 플로피 디스크(floppy disk), 플래시 메모리(flash memory), SSD(Solid State Drive) 등의 비휘발성 메모리 장치이거나, 램(random access memory) 등의 휘발성 메모리 장치일 수 있으며, 이중 어느 것에 한정하지 않고 다른 종류의 기억 장치일 수도 있다.
전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)의 도법(projection), 수평 해상도, 위도 좌표, 경도 좌표가 서로 일치하도록 변환할 수 있다.
전처리 모듈(130)은, 저장 모듈(120)에 저장된 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 로드(load) 할 수 있다.
천리안 위성 2A호(GEO-KOMPSAT-2A)에서 획득한 제 1 기상 위성 데이터(WS1)는 제 1 도법으로 투영한 것일 수 있다. 제 1 도법은 GEOS(Geostationary) 도법 또는 람베르트 정각원추도법(Lambert conformal conic projection)일 수 있고, 수평 해상도 0.5~2km일 수 있다.
그리고 기상 레이더 관측소에서 획득한 제 1 기상 레이더 데이터(WR1)는 제 2 도법으로 투영한 것일 수 있다. 제 2 도법은 람베르트 정각원추도법일 수 있고, 수평 해상도 1km일 수 있다.
제 1, 2 도법이 서로 다른 경우 전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)의 도법을 제 2 도법으로 변환하거나, 제 1 기상 레이더 데이터(WR1)의 도법을 제 1 도법으로 변환할 수 있다.
제 1 기상 위성 데이터(WS1)의 제 1 수평 해상도는 0.5~2km일 수 있고, 제 1 기상 레이더 데이터(WR1)의 제 2 수평 해상도는 1km일 수 있다.
전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)의 제 1 수평 해상도와 제 1 기상 레이더 데이터(WR1)의 제 2 수평 해상도가 다를 때, 서로 일치하도록 수평 해상도를 변환할 수 있다. 예를 들어 전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)의 제 1 수평 해상도를 제 2 수평 해상도로 변환하거나, 제 1 기상 레이더 데이터(WR1)의 제 2 수평 해상도를 제 1 수평 해상도로 변환할 수 있다. 또는 전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)의 수평 해상도를 제 1, 2 수평 해상도와 다른 제 3 수평 해상도로 변환할 수 있다. 전처리 모듈(130)은 수평 해상도를 확장하여 변환할 때, 보간법(interpolation)을 적용할 수 있다.
전처리 모듈(130)은, 수평 해상도가 일치하는 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)의 위도 및 경도를 서로 일치시킬 수 있다.
전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)의 도법, 수평 해상도, 위도, 경도가 서로 일치하도록 변환한 후, 각각 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)로 생성할 수 있다. 또한 전처리 모듈(130)은 서로 짝을 이루는 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)를, 각각 학습 데이터 및 정답 데이터로 분류한 후 서로 대응시킬 수 있다.
전처리 모듈(130)은, 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)를, 저장 모듈(120)과 HSR 생성 모듈(140), HSR 보정 모듈(150)로 전달할 수 있다.
HSR 생성 모듈(140)은, 기상 위성 데이터로부터 기상 레이더 데이터를 출력하는 인공 신경망을 생성하고, 이를 작동시킬 수 있다.
HSR 생성 모듈(140)은 인공 신경망인 HSR 신경망(141)을 포함할 수 있고, HSR 신경망(141)의 파라미터를 생성하고 갱신할 수 있다.
HSR 신경망(141)은 기상 위성 데이터로부터 기상 레이더 데이터를 생성하는 인공 신경망이다. HSR 신경망(141)은 컨볼루션 신경망(convolutional neural network)의 형태를 가질 수 있다. HSR 신경망(141)은 컨볼루션 계층(CL1 ~ CLn)과 최대 풀링 계층(MPL1 ~ MPLm), 커널(K1 ~ Kn)을 각각 하나 이상 포함할 수 있다. 그리고 컨볼루션 계층(CL1 ~ CLn)과 최대 풀링 계층(MPL1 ~ MPLm), 커널(K1 ~ Kn)은 행렬 형태로 이루어질 수 있다.
HSR 생성 모듈(140)은, 제 2 기상 위성 데이터(WS2)와 제 2 기상 레이더 데이터(WR2)를, 전처리 모듈(130)로부터 전달 받거나 저장 모듈(120)로부터 로드할 수 있다.
HSR 생성 모듈(140)은 HSR 신경망(141)의 파라미터를 무작위로 생성한 후, 제 2 기상 위성 데이터(WS2)를 HSR 신경망(141)에 입력하여 출력 데이터를 산출한 다음, 출력 데이터와 제 2 기상 레이더 데이터(WR2)를 비교하여, HSR 신경망(141)의 파라미터를 갱신할 수 있다. 이때 파라미터는 커널(K1 ~ Kn)의 원소일 수 있다.
HSR 생성 모듈(140)은, 제 2 기상 위성 데이터(WS2)를 2차원의 행렬 형태인 입력 특징 맵(IFM)으로 변환할 수 있다. 행렬 형태로 이루어진 입력 특징 맵(IFM)의 행은 위도를 나타낼 수 있고, 열은 경도를 나타낼 수 있다. 그리고 행렬의 원소는 해당 행 및 열의 위치에 각각 대응하는 위도 및 경도에서, 천리안 위성 2A호(GEO-KOMPSAT-2A)가 획득한 기상 산출물일 수 있다.
HSR 생성 모듈(140)은, 제 2 기상 위성 데이터(WS2)에 포함된 기상 산출물의 개수 만큼 입력 특징 맵(IFM)으로 변환할 수 있다.
HSR 생성 모듈(140)은 입력 특징 맵(IFM)을 정규화(normalization) 할 수 있다. 입력 특징 맵(IFM)의 원소들의 표준 편차가 σ1인 경우, 정규화된 입력 특징 맵(IFM)의 원소의 값(e1)의 범위는 -σ1 ≤ e1 ≤ σ1가 될 수 있다.
HSR 생성 모듈(140)은, 정규화된 입력 특징 맵(IFM)과 제 1 커널(K1)에서 대응하는 위치의 원소(행 및 열이 같은 위치의 원소)를 서로 곱한 후, 곱한 값을 합산하는 단일 곱셈 누산(Fused Multiply-Add, FMA) 연산을 실행하여, 하나의 원소를 산출할 수 있다. HSR 생성 모듈(140)은, 제 1 커널(K1)을 설정한 스트라이드(stride) 만큼 이동시킨 다음, 정규화된 입력 특징 맵(IFM)과 제 1 커널(K1) 사이에 단일 곱셈 누산(FMA) 연산을 실행하여, 스트라이드 만큼 이동시킨 행렬 위치에 대응하는 다른 원소를 산출할 수 있으며, 이와 같은 작업을 반복함으로써 컨볼루션 연산(convolution)을 완료할 수 있다.
HSR 생성 모듈(140)은, 산출된 원소들에 활성화 함수(activation function)를 적용하여, 제 1 컨볼루션 계층(CL1)을 생성할 수 있다. 이때 활성화 함수로 ReLU 함수를 적용할 수 있으나, 이에 한정하지 않고 다른 종류의 함수를 적용할 수도 있다.
HSR 생성 모듈(140)은, 제 1 컨볼루션 계층(CL1)과 제 2 커널(K2) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 2 컨볼루션 계층(CL2)을 생성할 수 있다. 이때 HSR 생성 모듈(140)은, 제 1 컨볼루션 계층(CL1)을 생성할 때와 동일한 방법으로 컨볼루션 연산을 실행할 수 있으며, 컨볼루션 연산을 이용하여 다른 컨볼루션 계층을 생성할 때도, 제 1 컨볼루션 계층(CL1)을 생성할 때와 동일한 방법으로 컨볼루션 연산을 실행할 수 있다.
HSR 생성 모듈(140)은, 제 2 컨볼루션 계층(CL2)을 일정한 크기를 가진 영역으로 분할한 다음, 분할된 영역에서 가장 큰 값을 가지는 원소를 추출하여 제 1 최대 풀링 계층(MPL1)을 생성할 수 있다. 예를 들어, 가로 크기가 2이고, 세로 크기가 2인 영역으로, 제 2 컨볼루션 계층(CL2)을 분할할 수 있으며, 제 1 최대 풀링 계층(MPL1)의 가로 및 세로 크기는 각각 제 2 컨볼루션 계층(CL2)의 가로 및 세로 크기의 1/2이 될 수 있다.
HSR 생성 모듈(140)은, 제 1 최대 풀링 계층(MPL1)과 제 3 커널(K3) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 3 컨볼루션 계층(CL3)을 생성할 수 있다. 그리고 HSR 생성 모듈(140)은, 제 3 컨볼루션 계층(CL3)과 제 4 커널(K4) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 4 컨볼루션 계층(CL4)을 생성할 수 있다.
HSR 생성 모듈(140)은, 제 4 컨볼루션 계층(CL4)을 일정한 크기를 가진 영역으로 분할한 다음, 분할된 영역에서 가장 큰 값을 가지는 원소를 추출하여 제 2 최대 풀링 계층(MPL2)을 생성할 수 있다. 예를 들어, 가로 크기가 2이고, 세로 크기가 2인 영역으로, 제 4 컨볼루션 계층(CL4)을 분할할 수 있으며, 제 2 최대 풀링 계층(MPL2)의 가로 및 세로 크기는 각각 제 4 컨볼루션 계층(CL4)의 가로 및 세로 크기의 1/2이 될 수 있다.
HSR 생성 모듈(140)은, 1개의 최대 풀링 계층과 2개의 컨볼루션 계층을 순서대로 생성하는 동작을 반복하는 축소 과정(contracting path)을 거쳐, 제 i 컨볼루션 계층(CLi)을 생성할 수 있다.
HSR 생성 모듈(140)은, 제 i 컨볼루션 계층(CLi)과 제 i+1 커널(Ki+1)에서 대응하는 위치의 원소(행 및 열이 같은 위치의 원소)를 서로 곱한 후, 곱한 값을 합산하는 단일 곱셈 누산(FMA) 연산을 실행하여, 하나의 원소를 산출할 수 있다. 이때 패딩(padding)은 제 i+1 커널(Ki+1)의 행과 열의 크기와 동일하게 설정할 수 있다. HSR 생성 모듈(140)은, 제 i+1 커널(Ki+1)을 설정한 스트라이드 만큼 이동시킨 다음, 제 i 컨볼루션 계층(CLi)과 제 i+1 커널(Ki+1) 사이에 단일 곱셈 누산(FMA) 연산을 실행하여, 스트라이드 만큼 이동시킨 행렬 위치에 대응하는 다른 원소를 산출할 수 있으며, 이와 같은 작업을 반복함으로써 업 컨볼루션(up-convolution) 연산을 완료할 수 있다.
HSR 생성 모듈(140)은, 산출된 원소들에 활성화 함수를 적용하여, 제 i+1 컨볼루션 계층(CLi+1)을 생성할 수 있다. 제 i+1 컨볼루션 계층(CLi+1)의 가로 및 세로 크기는 각각 제 i 컨볼루션 계층(CLi)의 가로 및 세로 크기의 2배가 될 수 있다.
HSR 생성 모듈(140)은, 제 i+1 컨볼루션 계층(CLi+1)과 제 i+2 커널(Ki+2) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 i+2 컨볼루션 계층(CLi+2)을 생성할 수 있다. 그리고 HSR 생성 모듈(140)은, 제 i+2 컨볼루션 계층(CLi+2)과 제 i+3 커널(Ki+3) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 i+3 컨볼루션 계층(CLi+3)을 생성할 수 있다
HSR 생성 모듈(140)은, 제 i+3 컨볼루션 계층(CLi+3)과 제 i+4 커널(Ki+4) 사이에서 업 컨볼루션 연산을 실행한 다음, 제 i+4 컨볼루션 계층(CLi+4)을 생성할 수 있다. 제 i+4 컨볼루션 계층(CLi+4)의 가로 및 세로 크기는 각각 제 i+3 컨볼루션 계층(CLi+3)의 가로 및 세로 크기의 2배가 될 수 있다.
HSR 생성 모듈(140)은, 제 i+4 컨볼루션 계층(CLi+4)과 제 i+5 커널(Ki+5) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 i+5 컨볼루션 계층(CLi+5)을 생성할 수 있다. 그리고 HSR 생성 모듈(140)은, 제 i+5 컨볼루션 계층(CLi+5)과 제 i+6 커널(Ki+6) 사이에서 컨볼루션 연산을 실행한 다음, 활성화 함수를 적용하여 제 i+6 컨볼루션 계층(CLi+6)을 생성할 수 있다
HSR 생성 모듈(140)은, 1번의 업 컨볼루션 연산과 2번의 컨볼루션 연산을 실행하여 3개의 컨볼루션 계층을 생성하는 동작을 반복하는 확장 과정(expanding path)을 거쳐, 제 n 컨볼루션 계층(CLn)을 생성할 수 있다. HSR 생성 모듈(140)은, 제 n 컨볼루션 계층(CLn)을 출력 특징 맵(OFM)으로 출력할 수 있다. 출력 특징 맵(OFM)은 행렬 형태일 수 있다. 출력 특징 맵(OFM)의 행은 위도를 나타낼 수 있고, 열은 경도를 나타낼 수 있다. 그리고 출력 특징 맵(OFM)의 원소는, 해당 행 및 열의 위치에 각각 대응하는 위도 및 경도에서 기본 영상 또는 강수 확률일 수 있다.
HSR 생성 모듈(140)은, 제 2 기상 레이더 데이터(WR2)를 2차원의 행렬 형태인 기상 레이더 데이터 맵(WRM)으로 변환할 수 있다. 행렬 형태로 이루어진 기상 레이더 데이터 맵(WRM)의 행은 위도를 나타낼 수 있고, 열은 경도를 나타낼 수 있다. 그리고 행렬의 원소는 해당 행 및 열의 위치에 각각 대응하는 위도 및 경도에서, 기상 레이더가 획득한 기본 영상 또는 강수 확률일 수 있다.
HSR 생성 모듈(140)은, 출력 특징 맵(OFM)과 기상 레이더 데이터 맵(WRM)에서 서로 대응하는 원소(행과 열의 위치가 동일한 원소)를 손실 함수(loss function)에 입력하여 그 값을 산출한 다음, 이를 역전파(back propagation)하여 파라미터인 제 1 내지 제 n 커널(K1 ~ Kn)의 원소를 갱신할 수 있다.
HSR 생성 모듈(140)은, 손실 함수의 값이 설정한 제 1 목표 값을 초과하였거나, 설정한 제 1 학습 시간 동안 반복적으로 실행하여 손실 함수의 값이 최소화 되도록, 제 1 내지 제 n 커널(K1 ~ Kn)의 원소를 갱신할 수 있다.
HSR 생성 모듈(140)은, 천리안 위성 2A호(GEO-KOMPSAT-2A)의 관측 채널 별로 HSR 신경망(141)을 생성할 수 있으며, 손실 함수의 값이 최소인 HSR 신경망(141)을 선택하여 기상 레이더 데이터를 생성하도록 할 수 있다.
HSR 보정 모듈(150)은, 기상 위성 데이터로부터 기상 레이더 데이터를 출력하는 랜덤 포레스트(random forest)를 생성하고, 이를 작동시킬 수 있다.
HSR 보정 모듈(150)은, 랜덤 포레스트(random forest)인 HSR 포레스트(151)를 포함할 수 있고, HSR 포레스트(151)의 파라미터를 생성하고 갱신할 수 있다.
HSR 포레스트(151)는 하나 이상의 결정 트리(decision tree)를 포함할 수 있다. 결정 트리는 하나 이상의 노드(node)와 노드 사이를 연결하는 하나 이상의 에지(edge)를 포함할 수 있다. 노드 마다 노드 분할 함수가 부여될 수 있고, 노드 분할 함수는 파라미터를 포함할 수 있다. 파라미터는, 천리안 위성 2A호(GEO-KOMPSAT-2A)에서 획득한 기상 산출물 일부에 대응하는 원소들의 집합인 벡터와, 노드 분할 함수의 기하학적 특성값과, 임계값을 포함할 수 있다.
HSR 보정 모듈(150)은, 제 2 기상 위성 데이터(WS2)와 제 2 기상 레이더 데이터(WR2)를, 전처리 모듈(130)로부터 전달 받거나 저장 모듈(120)로부터 로드할 수 있다.
HSR 보정 모듈(150)은 하나의 결정 트리에 대하여, 파라미터인 기상 산출물 일부에 대응하는 원소들의 집합인 벡터와, 노드 분할 함수의 기하학적 특성값과, 임계값을 무작위로 초기화 할 수 있다. 그리고 HSR 보정 모듈(150)은 다른 결정 트리에 대해서도 동일한 방법으로, 파라미터를 무작위로 초기화 할 수 있다.
HSR 보정 모듈(150)은, 제 2 기상 위성 데이터(WS2) 중 특정 위도 및 경도에서 기상 산출물 일부를 결정 트리 마다 입력한 다음, 출력값을 산출할 수 있다. 출력값은 특정 위도 및 경도 위치에서 강수 유무일 수 있다. 이때 HSR 보정 모듈(150)은 제 2 기상 위성 데이터(WS2)를 정규화 할 수 있다. 정규화된 제 2 기상 위성 데이터(WS2)의 원소의 값(e2)의 범위는 -1 ≤ e2 ≤ 1이 될 수 있다.
HSR 보정 모듈(150)은, 전체 결정 트리의 출력값을 앙상블(ensemble) 할 수 있고, 앙상블 결과를 제 2 기상 레이더 데이터(WR2)와 비교할 수 있다. HSR 보정 모듈(150)은, 비교 결과를 이용하여 파라미터(벡터, 기하학적 특성값, 임계값)를 갱신할 수 있다.
HSR 보정 모듈(150)은, 앙상블 결과와 제 2 기상 레이더 데이터(WR2)의 비교 결과인 정확도가 설정한 제 2 목표 값을 초과하였거나, 설정한 제 2 학습 시간 동안 반복적으로 실행하여 정확도가 최대화 되도록, 파라미터를 갱신할 수 있다. 또는 HSR 보정 모듈(150)은, 앙상블 결과와 제 2 기상 레이더 데이터(WR2)의 평균 제곱근 오차(root mean square error)를 산출한 후, 평균 제곱근 오차가 최소화 되도록 파라미터를 갱신할 수 있다.
HSR 보정 모듈(150)은, 천리안 위성 2A호(GEO-KOMPSAT-2A)의 관측 채널 전체를 입력값으로 사용할 수 있다. 앙상블 결과는 강수의 유무 형태로 나타나며, 이는 특정 위도 및 경도 위치에서 HSR 출력 여부를 결정한다.
HSR 통합 모듈(160)은, HSR 생성 모듈(140)과 HSR 보정 모듈(150)이 생성한 기상 레이더 데이터를 합성할 수 있다.
입출력 모듈(110)을 통해 제 3 기상 위성 데이터(WS3)를 입력 받을 수 있다. 입출력 모듈(110)은 위성센터로부터 직접 제 3 기상 위성 데이터(WS3)를 입력 받거나, 또는 기상자료개방포털 (https://data.kma.go.kr/)의 오픈 API, 웹 서비스(HTTP, HTTPs), FTP 서비스를 이용하여 제 3 기상 위성 데이터(WS3)를 입력 받을 수 있다. 그리고 입출력 모듈(110)은 제 3 기상 위성 데이터(WS3)를 저장 모듈(120)과 전처리 모듈(130)로 전달할 수 있다.
전처리 모듈(130)은, 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를 각각, 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)의 도법, 수평 해상도, 위도, 경도와 동일하게 변환하여, 제 4 기상 위성 데이터(WS4)를 생성할 수 있다. 제 3 및 제 4 기상 위성 데이터(WS3, WS4)의 형식은, 예를 들어 “(채널 번호, 위도, 경도, 기상 산출물)”과 같을 수 있다.
전처리 모듈(130)은 제 4 기상 위성 데이터(WS4)를, HSR 생성 모듈(140)과 HSR 보정 모듈(150)로 전달할 수 있다.
HSR 생성 모듈(140)은, 제 4 기상 위성 데이터(WS4)를 2차원의 행렬 형태인 입력 특징 맵(IFM)으로 변환할 수 있다. 그리고 입력 특징 맵(IFM)은 HSR 신경망을 거쳐 출력 특징 맵(OFM)으로 출력할 수 있다. HSR 생성 모듈(140)은, 출력 특징 맵(OFM)으로부터 제 1 HSR 데이터(H1)를 생성한 다음, 제 1 HSR 데이터(H1)를 HSR 통합 모듈(160)과 저장 모듈(120)로 전달할 수 있다.
HSR 보정 모듈(150)은, 제 4 기상 위성 데이터(WS4)를 HSR 포레스트(151)에 입력한 후, 앙상블 결과로부터 제 2 HSR 데이터(H2)를 생성한 다음, 제 2 HSR 데이터(H2)를 HSR 통합 모듈(160)과 저장 모듈(120)로 전달할 수 있다.
이때, 제 1, 2 HSR 데이터(H1, H2)는 행렬 형태일 수 있다. 제 1, 2 HSR 데이터(H1, H2)의 행은 위도를 나타낼 수 있고, 열은 경도를 나타낼 수 있다. 그리고 제 1, 2 HSR 데이터(H1, H2)의 원소는, 해당 행 및 열의 위치에 각각 대응하는 위도 및 경도에서 기본 영상 또는 강수 확률 및 유무 일 수 있다.
HSR 통합 모듈(160)은, 제 1 HSR 데이터(H1)와 제 2 HSR 데이터(H2) 중 서로 대응하는 위도 및 경도의 강수 확률 및 유무를 더하여, 제 3 HSR 데이터(H3)를 생성할 수 있다. 이때 제 1 내지 제 3 HSR 데이터(H1 ~ H3)의 형식은, 예를 들어 “(위도, 경도, 강수 확률)”과 같을 수 있다.
HSR 통합 모듈(160)은, 제 3 HSR 데이터(H3)를 입출력 모듈(110)과 저장 모듈(120)로 전달할 수 있다.
입출력 모듈(110)은, 레이더 합성장 정보 생성 시스템(100)의 외부로 제 3 HSR 데이터(H3)를 출력할 수 있다.
도 2a는 본 발명의 일 실시 예에 따른 HSR 생성을 위한 신경망 및 HSR 보정을 위한 포레스트의 학습 방법을 간략하게 나타낸 순서도이고, 도 2b는 본 발명의 일 실시 예에서 전처리 단계를 간략하게 나타낸 순서도이며, 도 2c는 본 발명의 일 실시 예에서 HSR 생성 단계를 간략하게 나타낸 순서도이고, 도 2d는 본 발명의 일 실시 예에서 HSR 보정 단계를 간략하게 나타낸 순서도이다.
도 2a에 도시된 것과 같이, 본 발명의 일 실시 예에 따른 HSR 신경망 및 HSR 포레스트의 학습 방법은 제 1 내지 제 4 단계(T1 ~ T4)를 포함할 수 있다.
제 1 단계(T1)는, 입출력 모듈(110)이 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 수신하는 단계이다.
입출력 모듈(110)은, 위성센터 및 기상레이더센터로부터 직접 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 입력 받거나, 또는 기상자료개방포털 (https://data.kma.go.kr/)의 오픈 API, 웹 서비스(HTTP, HTTPs), FTP 서비스를 이용하여 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 입력 받을 수 있다.
제 2 단계(T2)는, 전처리 모듈(130)이 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 전처리 하는 단계이다. 도 2b에 도시된 것과 같이 전처리 모듈(130)은, 제 2-1 내지 제 2-3 단계(T2-1 ~ T2-3)를 거쳐, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 전처리 할 수 있다.
제 2-1 단계(T2-1)에서 전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 전달 받을 수 있다.
제 2-2 단계(T2-2)에서 전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)의 도법과 수평 해상도가 동일하도록 변환할 수 있다.
제 2-3 단계(T2-3)에서 전처리 모듈(130)은, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)의 위도 및 경도를 일치시킨 후, 각각 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)로 생성할 수 있다.
제 3 단계(T3)는, HSR 생성 모듈(140)이 HSR 신경망(141)을 생성하는 단계이다. 도 2c에 도시된 것과 같이 HSR 생성 모듈(140)은, 제 3-1 내지 제 3-7 단계(T3-1 ~ T3-7)를 거쳐, HSR 신경망(141)을 생성할 수 있다.
제 3-1 단계(T3-1)에서 HSR 생성 모듈(140)은, HSR 신경망(141)의 파라미터인 커널(K1 ~ Kn)의 원소 값을 무작위로 초기화 할 수 있다.
제 3-2 단계(T3-2)에서 HSR 생성 모듈(140)은, 제 2 기상 위성 데이터(WS2)를 행렬 형태로 이루어진 입력 특징 맵(IFM)으로 변환할 수 있다.
제 3-3 단계(T3-3)에서 HSR 생성 모듈(140)은, 입력 특징 맵(IFM)을 정규화 할 수 있다.
제 3-4 단계(T3-4)에서 HSR 생성 모듈(140)은, HSR 신경망(141)에 정규화된 입력 특징 맵(IFM)을 입력할 수 있다.
HSR 생성 모듈(140)은 정규화된 입력 특징 맵(IFM)을 HSR 신경망(141)에 입력한 후, 축소 과정과 확장 과정을 순서대로 실행하여 제 n 컨볼루션 계층(CLn)을 생성할 수 있다. HSR 생성 모듈(140)은, 제 n 컨볼루션 계층(CLn)을 출력 특징 맵(OFM)으로 출력할 수 있다.
제 3-5 단계(T3-5)에서 HSR 생성 모듈(140)은, 제 2 기상 레이더 데이터(WR2)를 행렬 형태로 이루어진 기상 레이더 데이터 맵(WRM)으로 변환할 수 있다.
제 3-6 단계(T3-6)에서 HSR 생성 모듈(140)은, HSR 신경망(141)의 파라미터인 커널(K1 ~ Kn)의 원소 값을 갱신할 수 있다.
HSR 생성 모듈(140)은, 출력 특징 맵(OFM)과 기상 레이더 데이터 맵(WRM)에서 서로 대응하는 원소(행과 열의 위치가 동일한 원소)를 손실 함수에 입력하여 그 값을 산출한 다음, 이를 역전파하여 파라미터인 제 1 내지 제 n 커널(K1 ~ Kn)의 원소를 갱신할 수 있다.
제 3-7 단계(T3-7)에서 HSR 생성 모듈(140)은, HSR 신경망 학습의 계속 여부를 결정할 수 있다.
HSR 생성 모듈(140)은, 손실 함수의 값이 설정한 제 1 목표 값을 초과하였거나, 손실 함수의 값이 일정한 값으로 수렴하지 않았으면, 제 3-2 내지 제 3-6 단계(T3-2 ~ T3-6)를 반복적으로 실행할 수 있다.
제 4 단계(T4)는, HSR 보정 모듈(150)이 HSR 포레스트(151)를 생성하는 단계이다. 도 2d에 도시된 것과 같이 HSR 보정 모듈(150)은, 제 4-1 내지 제 4-5 단계(T4-1 ~ T4-5)를 거쳐, HSR 포레스트(151)를 생성할 수 있다.
제 4-1 단계(T4-1)에서 HSR 보정 모듈(150)은, HSR 포레스트(151)의 파라미터인 기상 산출물 일부에 대응하는 원소들의 집합인 벡터와, 노드 분할 함수의 기하학적 특성값과, 임계값을 무작위로 초기화 할 수 있다.
제 4-2 단계(T4-2)에서 HSR 보정 모듈(150)은, 제 2 기상 위성 데이터(WS2)를 정규화 할 수 있다.
제 4-3 단계(T4-3)에서 HSR 보정 모듈(150)은, HSR 포레스트(151)에 정규화된 제 2 기상 위성 데이터(WS2)를 입력할 수 있다.
HSR 보정 모듈(150)은, 전체 결정 트리의 출력값을 앙상블(ensemble) 할 수 있다.
제 4-4 단계(T4-4)에서 HSR 보정 모듈(150)은, HSR 포레스트(151)의 파라미터를 갱신할 수 있다.
HSR 보정 모듈(150)은 앙상블 결과를 제 2 기상 레이더 데이터(WR2)와 비교한 후, 비교 결과인 정확도를 이용하여 파라미터를 갱신할 수 있다.
제 4-5 단계(T4-5)에서 HSR 보정 모듈(150)은, HSR 포레스트 학습의 계속 여부를 결정할 수 있다.
HSR 보정 모듈(150)은, 앙상블 결과와 제 2 기상 레이더 데이터(WR2)의 정확도가 설정한 제 2 목표 값을 초과하였거나, 앙상블 결과와 제 2 기상 레이더 데이터(WR2)의 평균 제곱근 오차가 일정한 값으로 수렴하지 않았다면, 제 4-2 내지 제 4-4 단계(T4-2 ~ T4-4)를 반복적으로 실행할 수 있다.도 3은 본 발명의 일 실시 예에 따른 레이더 합성장 정보 생성 방법을 간략하게 나타낸 순서도이다.
도 3에 도시된 것과 같이, 본 발명의 일 실시 예에 따른 레이더 합성장 정보 생성 방법은 제 1 내지 제 6 단계(S1 ~ S6)를 포함할 수 있다.
제 1 단계(S1)는, 입출력 모듈(110)이 제 3 기상 위성 데이터(WS3)를 수신하는 단계이다.
입출력 모듈(110)은 위성센터 및 기상레이더센터로부터 직접 제 3 기상 위성 데이터(WS3)를 입력 받거나, 또는 기상자료개방포털 (https://data.kma.go.kr/)의 오픈 API, 웹 서비스(HTTP, HTTPs), FTP 서비스를 이용하여 제 3 기상 위성 데이터(WS3)를 입력 받을 수 있다.
제 2 단계(S2)는, 전처리 모듈(130)이 제 3 기상 위성 데이터(WS3)를 전처리 하는 단계이다.
전처리 모듈(130)은 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를, 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)의 도법, 수평 해상도, 위도, 경도와 일치하도록 변환하여, 제 4 기상 위성 데이터(WS4)를 생성할 수 있다.
제 3 단계(S3)는, HSR 생성 모듈(140)이 제 4 기상 위성 데이터(WS4)로부터 제 1 HSR 데이터(H1)를 생성하는 단계이다.
HSR 생성 모듈(140)은, 제 4 기상 위성 데이터(WS4)를 HSR 신경망(141)에 입력한 후, 출력 특징 맵(OFM)으로부터 행렬 형태로 이루어진 기상 레이더 데이터인 제 1 HSR 데이터(H1)를 생성할 수 있다.
제 4 단계(S4)는, HSR 보정 모듈(150)이 제 4 기상 위성 데이터(WS4)로부터 제 2 HSR 데이터(H2)를 생성하는 단계이다.
HSR 보정 모듈(150)은, 제 4 기상 위성 데이터(WS4)를 HSR 포레스트(151)에 입력한 후, 앙상블 결과로부터 행렬 형태로 이루어진 기상 레이더 데이터인 제 2 HSR 데이터(H2)를 생성할 수 있다.
제 3 단계(S3)와 제 4 단계(S4)는 병렬로 실행할 수 있으며, 두 단계가 모두 종료되어야 제 5 단계(S5)를 실행할 수 있다.
제 5 단계(S5)는, HSR 통합 모듈(160)이 제 1, 2 HSR 데이터(H1, H2)를 통합하는 단계이다.
HSR 통합 모듈(160)은, 제 1 HSR 데이터(H1)와 제 2 HSR 데이터(H2) 중 서로 대응하는 행렬 위치의 원소를 더하여, 제 3 HSR 데이터(H3)를 생성할 수 있다.
제 6 단계(S6)는, 입출력 모듈(110)이 제 3 HSR 데이터(H3)를 출력하는 단계이다.
입출력 모듈(110)은, 레이더 합성장 정보 생성 시스템(100)의 외부로 제 3 HSR 데이터(H3)를 출력할 수 있다.
이상을 통해 본 발명의 실시 예에 대하여 설명하였지만, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 취지를 벗어나지 않고 효과를 저해하지 않는 한, 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 다양하게 변경하여 실시할 수 있다. 또한 그러한 실시 예가 본 발명의 범위에 속하는 것은 당연하다.
100 : 레이더 합성장 정보 생성 시스템
110 : 입출력 모듈 120 : 저장 모듈
130 : 전처리 모듈 140 : HSR 생성 모듈
141 : HSR 신경망 150 : HSR 보정 모듈
151 : HSR 포레스트 160 : HSR 통합 모듈
T1 ~ T4 : HSR 신경망 및 HSR0 포레스트의 학습 방법
S1 ~ S6 : 레이더 합성장 정보 생성 방법

Claims (13)

  1. 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를 변환하여, 제 4 기상 위성 데이터(WS4)를 생성하는 전처리 모듈과;
    상기 제 4 기상 위성 데이터(WS4)를 입력할 때, 행렬 형태로 이루어진 제 1 HSR 데이터(H1)를 생성하는 HSR 신경망을 구비하는 HSR 생성 모듈과;
    상기 제 4 기상 위성 데이터(WS4)를 입력할 때, 행렬 형태로 이루어진 제 2 HSR 데이터(H2)를 생성하는 HSR 포레스트를 구비하는 HSR 보정 모듈과;
    상기 제 1 HSR 데이터(H1)와 상기 제 2 HSR 데이터(H2)에서 서로 대응하는 행렬 위치의 원소를 더하여 제 3 HSR 데이터(H3)를 생성하는 HSR 통합 모듈을 포함하고,
    상기 제 3 및 제 4 기상 위성 데이터(WS3, WS4)는 각각 채널 번호, 위도, 경도, 기상 산출물을 포함하고,
    상기 제 1 내지 제 3 HSR 데이터(H1 ~ H3)의 행은 위도를 나타내고, 열은 경도를 나타내며, 원소는 강수 확률을 나타내는 레이더 합성장 정보 생성 시스템.
  2. 제 1 항에 있어서,
    상기 전처리 모듈은,
    제 1 기상 위성 데이터(WS1) 및 제 1 기상 레이더 데이터(WR1)의 도법, 수평 해상도, 위도, 경도가 서로 일치하도록 변환하여, 각각 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)를 생성하고,
    상기 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를, 상기 제 2 기상 위성 데이터(WS2) 및 상기 제 2 기상 레이더 데이터(WR2)의 도법, 수평 해상도, 위도, 경도와 일치하도록 변환하여, 상기 제 4 기상 위성 데이터(WS4)를 생성하는 레이더 합성장 정보 생성 시스템.
  3. 제 2 항에 있어서,
    상기 HSR 신경망은, 행렬 형태로 이루어진 컨볼루션 계층, 최대 풀링 계층, 커널을 각각 하나 이상 포함하며,
    상기 HSR 생성 모듈은, 상기 제 2 기상 위성 데이터(WS2)와 상기 제 4 기상 위성 데이터(WS4)를 행렬 형태로 이루어진 입력 특징 맵(IFM)으로 변환하고,
    상기 입력 특징 맵(IFM)의 행은 위도를 나타내고, 열은 경도를 나타내며, 원소는 기상 산출물을 나타내는 레이더 합성장 정보 생성 시스템.
  4. 제 3 항에 있어서,
    상기 HSR 생성 모듈은, 상기 입력 특징 맵(IFM)의 원소의 값(e1)을 -σ1 ≤ e1 ≤ σ1 범위로 정규화하고, 상기 σ1는 상기 입력 특징 맵(IFM)이 포함하는 원소들의 표준 편차인 레이더 합성장 정보 생성 시스템.
  5. 제 4 항에 있어서,
    상기 HSR 생성 모듈은, 상기 커널의 원소를 무작위로 초기화 한 후, 상기 입력 특징 맵(IFM)을 상기 HSR 신경망에 입력한 다음, 축소 과정과 확장 과정을 순서대로 실행하여 출력 특징 맵(OFM)을 출력하는 레이더 합성장 정보 생성 시스템.
  6. 제 5 항에 있어서,
    상기 HSR 생성 모듈은, 상기 제 2 기상 레이더 데이터(WR2)를 행렬 형태로 이루어진 기상 레이더 데이터 맵(WRM)으로 변환하고,
    상기 기상 레이더 데이터 맵(WRM)의 행은 위도를 나타내고, 열은 경도를 나타내며, 원소는 강수 확률을 나타내는 레이더 합성장 정보 생성 시스템.
  7. 제 6 항에 있어서,
    상기 HSR 생성 모듈은, 상기 출력 특징 맵(OFM)과 상기 기상 레이더 데이터 맵(WRM)에서, 서로 대응하는 행렬 위치의 원소를 손실 함수에 입력한 후, 상기 손실 함수의 값을 역전파하여 상기 커널의 원소를 갱신하는 레이더 합성장 정보 생성 시스템.
  8. 제 7 항에 있어서,
    상기 HSR 포레스트는, 하나 이상의 노드와 상기 노드 사이를 연결하는 하나 이상의 에지를 구비하는 결정 트리를 하나 이상 포함하고,
    상기 노드는 노드 분할 함수를 포함하며,
    상기 노드 분할 함수는 상기 기상 산출물을 구비하는 벡터, 기하학적 특성값, 임계값을 파라미터로 포함하는 레이더 합성장 정보 생성 시스템.
  9. 제 8 항에 있어서,
    상기 HSR 보정 모듈은, 상기 제 2 기상 위성 데이터(WS2)를 결정 트리 마다 입력한 후, 전체 결정 트리의 출력값을 앙상블 하고,
    앙상블 결과를 상기 제 2 기상 레이더 데이터(WR2)와 비교한 후, 상기 벡터, 상기 기하학적 특성값, 상기 임계값을 갱신하는 레이더 합성장 정보 생성 시스템.
  10. 레이더 합성장 정보 생성 시스템에 있어서,
    (S1) 입출력 모듈이, 제 3 기상 위성 데이터(WS3)를 수신하는 단계와;
    (S2) 전처리 모듈이, 상기 제 3 기상 위성 데이터(WS3)의 도법, 수평 해상도, 위도, 경도를, 제 2 기상 위성 데이터(WS2) 및 제 2 기상 레이더 데이터(WR2)의 도법, 수평 해상도, 위도, 경도와 일치하도록 변환하여, 제 4 기상 위성 데이터(WS4)를 생성하는 단계와;
    (S3) HSR 생성 모듈이, 상기 제 4 기상 위성 데이터(WS4)를 HSR 신경망에 입력하여 행렬 형태로 이루어진 제 1 HSR 데이터(H1)를 생성하는 단계와;
    (S4) HSR 보정 모듈이, 상기 제 4 기상 위성 데이터(WS4)를 HSR 포레스트에 입력하여 행렬 형태로 이루어진 제 2 HSR 데이터(H2)를 생성하는 단계와;
    (S5) HSR 통합 모듈이, 상기 제 1 HSR 데이터(H1)와 상기 제 2 HSR 데이터(H2)에서 서로 대응하는 행렬 위치의 원소를 더하여, 제 3 HSR 데이터(H3)를 생성하는 단계와;
    (S6) 상기 입출력 모듈이, 상기 제 3 HSR 데이터(H3)를 출력하는 단계를 포함하며,
    상기 제 1, 3, 4 기상 위성 데이터(WS1, WS3, WS4)는 각각 채널 번호, 위도, 경도, 기상 산출물을 포함하고,
    상기 제 1 내지 제 3 HSR 데이터(H1 ~ H3)의 행은 위도를 나타내고, 열은 경도를 나타내며, 원소는 강수 확률을 나타내는 레이더 합성장 정보 생성 방법.
  11. 제 10 항에 있어서,
    상기 (S1) 단계 전에,
    (T1) 상기 입출력 모듈이, 제 1 기상 위성 데이터(WS1)와 제 1 기상 레이더 데이터(WR1)를 수신하는 단계와;
    (T2) 상기 전처리 모듈이, 상기 제 1 기상 위성 데이터(WS1) 및 상기 제 1 기상 레이더 데이터(WR1)의 도법, 수평 해상도, 위도, 경도가 서로 일치하도록 변환하여, 각각 상기 제 2 기상 위성 데이터(WS2) 및 상기 제 2 기상 레이더 데이터(WR2)를 생성하는 단계와;
    (T3) 상기 HSR 생성 모듈이, 상기 HSR 신경망을 생성하는 단계와;
    (T4) 상기 HSR 보정 모듈이, 상기 HSR 포레스트를 생성하는 단계
    를 더 포함하는 레이더 합성장 정보 생성 방법.
  12. 제 11 항에 있어서,
    상기 (T3) 단계는 상기 HSR 생성 모듈이,
    (T3-1) 상기 HSR 신경망의 커널의 원소 값을 무작위로 초기화하는 단계와;
    (T3-2) 상기 제 2 기상 위성 데이터(WS2)를 행렬 형태로 이루어진 입력 특징 맵(IFM)으로 변환하는 단계와;
    (T3-3) 상기 입력 특징 맵(IFM)을 정규화하는 단계와;
    (T3-4) 상기 HSR 신경망에 정규화된 상기 입력 특징 맵(IFM)을 입력한 후, 축소 과정과 확장 과정을 순서대로 실행하여 출력 특징 맵(OFM)을 출력하는 단계와;
    (T3-5) 상기 제 2 기상 레이더 데이터(WR2)를 행렬 형태로 이루어진 기상 레이더 데이터 맵(WRM)으로 변환하는 단계와;
    (T3-6) 상기 출력 특징 맵(OFM)과 상기 기상 레이더 데이터 맵(WRM)에서, 서로 대응하는 행렬 위치의 원소를 손실 함수에 입력한 후, 상기 손실 함수의 값을 역전파하여 상기 커널의 원소를 갱신하는 단계와;
    (T3-7) 상기 손실 함수의 값이 제 1 목표 값을 초과하였으면, 상기 (T3-2) 내지 상기 (T3-6) 단계를 다시 실행하는 단계
    를 포함하는 레이더 합성장 정보 생성 방법.
  13. 제 12 항에 있어서,
    상기 (T4) 단계는 상기 HSR 보정 모듈이,
    (T4-1) 상기 HSR 포레스트의 벡터, 기하학적 특성값, 임계값을 무작위로 초기화 하는 단계와;
    (T4-2) 상기 제 2 기상 위성 데이터(WS2)를 정규화 하는 단계와;
    (T4-3) 상기 HSR 포레스트에 정규화된 상기 제 2 기상 위성 데이터(WS2)를 입력한 후, 전체 결정 트리의 출력값을 앙상블하는 단계와;
    (T4-4) 앙상블 결과를 제 2 기상 레이더 데이터(WR2)와 비교한 후 정확도를 산출하고, 상기 벡터, 상기 기하학적 특성값, 상기 임계값을 갱신하는 단계와;
    (T4-5) 상기 정확도가 제 2 목표 값을초과하였으면, 상기 (T4-2) 내지 상기 (T4-4) 단계를 다시 실행하는 단계
    를 포함하는 레이더 합성장 정보 생성 방법.
KR1020200101521A 2020-08-13 2020-08-13 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법 KR102175179B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200101521A KR102175179B1 (ko) 2020-08-13 2020-08-13 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200101521A KR102175179B1 (ko) 2020-08-13 2020-08-13 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102175179B1 true KR102175179B1 (ko) 2020-11-10

Family

ID=73548806

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200101521A KR102175179B1 (ko) 2020-08-13 2020-08-13 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102175179B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102258206B1 (ko) * 2020-12-16 2021-05-31 주식회사 환경과학기술 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치, 이상 강수 감지 학습 방법, 이종 데이터 융합을 이용한 이상 강수 감지 장치 및 이상 강수 감지 방법
CN113534158A (zh) * 2021-06-10 2021-10-22 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
KR102465090B1 (ko) * 2022-09-02 2022-11-10 대한민국 레이더 기반 항공기 착빙 가능 영역 탐지 방법, 이를 수행하기 위한 기록매체 및 장치
KR102565747B1 (ko) * 2022-11-25 2023-08-11 대한민국 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법
US11816554B2 (en) 2020-06-25 2023-11-14 Si Analytics Co., Ltd. Method and apparatus for generating weather data based on machine learning
CN113534158B (zh) * 2021-06-10 2024-06-11 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130027104A (ko) * 2011-09-07 2013-03-15 대한민국(기상청장) 위성 적외영상 자료를 이용한 현업용 기상레이더 반사도 합성자료의 채프에코 제거 방법
KR101836135B1 (ko) * 2017-01-10 2018-04-19 경북대학교 산학협력단 다중위성 강수자료 합성장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130027104A (ko) * 2011-09-07 2013-03-15 대한민국(기상청장) 위성 적외영상 자료를 이용한 현업용 기상레이더 반사도 합성자료의 채프에코 제거 방법
KR101836135B1 (ko) * 2017-01-10 2018-04-19 경북대학교 산학협력단 다중위성 강수자료 합성장치 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816554B2 (en) 2020-06-25 2023-11-14 Si Analytics Co., Ltd. Method and apparatus for generating weather data based on machine learning
KR102258206B1 (ko) * 2020-12-16 2021-05-31 주식회사 환경과학기술 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치, 이상 강수 감지 학습 방법, 이종 데이터 융합을 이용한 이상 강수 감지 장치 및 이상 강수 감지 방법
CN113534158A (zh) * 2021-06-10 2021-10-22 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
CN113534158B (zh) * 2021-06-10 2024-06-11 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
KR102465090B1 (ko) * 2022-09-02 2022-11-10 대한민국 레이더 기반 항공기 착빙 가능 영역 탐지 방법, 이를 수행하기 위한 기록매체 및 장치
KR102565747B1 (ko) * 2022-11-25 2023-08-11 대한민국 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR102175179B1 (ko) 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법
CN100365434C (zh) 激光雷达系统和方法
Kidd et al. Global precipitation measurement
Routray et al. Impact of satellite radiance data on simulations of Bay of Bengal tropical cyclones using the WRF-3DVAR modeling system
Giammanco et al. GPS dropwindsonde and WSR-88D observations of tropical cyclone vertical wind profiles and their characteristics
JP7438655B2 (ja) 気象解析装置、気象解析方法、およびプログラム
CN102565799A (zh) 一种多平台多模式sar回波的统一仿真实现方法
Tsai et al. Impacts of topography on airflow and precipitation in the Pyeongchang area seen from multiple-Doppler radar observations
Makineci et al. Evaluation digital elevation model generated by synthetic aperture radar data
Di Paola et al. Combined MW-IR Precipitation Evolving Technique (PET) of convective rain fields
Skok et al. Object-based analysis and verification of WRF model precipitation in the low-and midlatitude Pacific Ocean
Varma Measurement of precipitation from satellite radiometers (visible, infrared, and microwave): Physical basis, methods, and limitations
Liu et al. A spatio-temporal modeling framework for weather radar image data in tropical southeast Asia
CN107316122A (zh) 用于自适应多传感器分析和聚集的方法和设备
CN103743488B (zh) 遥感卫星地球临边背景特性的红外成像仿真方法
Sahoo et al. Estimating atmospheric motion winds from satellite image data using space‐time drift models
CN114726433A (zh) 一种对流层散射传输损耗及传播延迟计算方法
CN112684448B (zh) 面向多参数组合的星载sar波位计算及生成方法及系统
Sippel et al. Ensemble Kalman filter assimilation of simulated HIWRAP Doppler velocity data in a hurricane
Féral et al. Large-scale modeling of rain fields from a rain cell deterministic model
Didlake et al. The coplane analysis technique for three-dimensional wind retrieval using the HIWRAP airborne Doppler radar
Wang et al. Observed Over-the-Horizon Propagation Characteristics and Evaporation Duct Inversion during the Entire Process of Tropical Cyclone Mulan (202207)
Singh et al. Prediction of radio wave attenuation due to clouds using ANN and its business aspects
Xie et al. Integrating information from satellite observations and numerical models for improved global precipitation analyses: Exploring for an optimal strategy
Srivastava et al. Assimilation of doppler weather radar data in WRF model for simulation of tropical cyclone Aila

Legal Events

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