KR102258206B1 - 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 - Google Patents

Abstract

본 발명의 일실시예에 따르면, 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 학습 데이터를 생성하고, 상기 생성한 학습 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하고, 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하고, 상기 강수 여부 및 상기 강수량과 정답(Ground Truth)을 비교하여 손실을 계산한다.

Description

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{ANOMALY PRECIPITATION DETECTION LEARNING DEVICE, LEARNING METHOD, ANOMALY PRECIPITATION DETECTION DEVICE AND METHOD FOR USING HETEROGENEOUS DATA FUSION}

아래의 실시예들은 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 방법에 관한 것이다.

머신 러닝(machine learning)은 인공 지능의 한 분야로, 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야이며, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 머신 러닝의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다.

딥 러닝(deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.

이상 탐지(anomaly detection)란 자료에서 예상과는 다른 패턴을 보이는 개체 또는 자료를 찾는 것을 말한다. 이러한 개체를 우리말로는 이상, 이상 값, 극단 값, 예외, 비정상 등으로 부르고, 영어로는 anomaly, outlier, discordant observation, exception, aberration, surprise, peculiarity, contaminant와 같은 표현을 쓴다.

대한민국 등록특허공보 제10-1871894호(2018.06.21.등록)

본 발명의 실시예에 따르면, 이종 데이터인 관측 데이터, 위성 데이터 및 레이더 데이터를 융합하여 강수 여부 및 강수량을 예측하도록 학습될 수 있는 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 방법을 제공할 수 있다.

또한, 본 발명의 다른 실시예에 따르면, 이종 데이터인 관측 데이터, 위성 데이터 및 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행할 수 있는 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 방법을 제공할 수 있다.

본 발명의 일실시예에 따르면, 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 학습 데이터를 생성하고, 상기 생성한 학습 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하고, 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하고, 상기 강수 여부 및 상기 강수량과 정답(Ground Truth)을 비교하여 손실을 계산한다.

또한, 상기 적어도 하나의 프로세서는, 제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고, 제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고, 제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다.

또한, 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는, 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고, 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는, 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있다.

본 발명의 다른 실시예에 따르면, 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 학습 데이터를 생성하는 단계, 상기 생성한 학습 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하는 단계, 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하는 단계 및 상기 강수 여부 및 상기 강수량과 정답(Ground Truth)을 비교하여 손실을 계산하는 단계를 포함한다.

또한, 상기 시퀀셜(sequential) 한 피쳐(features)를 생성하는 단계는, 제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 한 피쳐(features)를 생성하는 단계, 제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계 및 제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계를 포함할 수 있다.

또한, 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는, 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고, 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는, 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있다.

본 발명의 또 다른 실시예에 따르면, 이종 데이터 융합을 이용한 이상 강수 감지 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 입력 데이터를 생성하고, 상기 생성한 입력 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하고, 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하고, 상기 강수 여부 및 상기 강수량과 현재 시간의 관측 데이터를 비교하고, 비교 결과에 따라 이상 강수를 감지한다.

또한, 상기 적어도 하나의 프로세서는, 제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고, 제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고, 제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다.

또한, 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는, 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고, 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는, 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있다.

본 발명의 또 다른 실시예에 따르면, 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 입력 데이터를 생성하는 단계, 상기 생성한 입력 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하는 단계, 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하는 단계 및 상기 강수 여부 및 상기 강수량과 현재 시간의 관측 데이터를 비교하고, 비교 결과에 따라 이상 강수를 감지하는 단계를 포함한다.

또한, 상기 시퀀셜(sequential) 한 피쳐(features)를 생성하는 단계는, 제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계, 제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계 및 제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계를 포함할 수 있다.

또한, 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 한 피쳐(features)는, 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고, 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 한 피쳐(features)는, 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있다.

본 발명의 일실시예에 따르면, 이종 데이터인 관측 데이터, 위성 데이터 및 레이더 데이터를 융합하여 강수 여부 및 강수량을 예측하도록 학습될 수 있는 효과가 있다.

또한, 이종 데이터인 관측 데이터, 위성 데이터 및 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행할 수 있는 효과가 있다.

도 1은 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치의 구성을 나타내는 도면이다.
도 2는 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 학습 방법을 나타내는 플로우 차트이다.
도 3은 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 장치의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 방법을 나타내는 플로우 차트이다.
도 5는 일실시예에 따라 이상 강수 감지 장치가 시간 맵핑을 수행하는 모습을 나타내는 도면이다.
도 6은 일실시예에 따라 이상 강수 감지 장치가 공간 맵팽을 수행하는 모습을 나타내는 도면이다.
도 7은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.

본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.

도 1은 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치의 구성을 나타내는 도면이다.

도 1을 참조하면, 이상 강수 감지 학습 장치(100)는 학습 데이터 생성 모듈(110), 시퀀셜 피쳐 생성 모듈(120), 강수 예측 모듈(130) 및 손실 계산 모듈(140)을 포함한다.

이상 강수 감지 학습 장치(100)에 포함된 학습 데이터 생성 모듈(110), 시퀀셜 피쳐 생성 모듈(120), 강수 예측 모듈(130) 및 손실 계산 모듈(140)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 동안의 시퀀셜(sequential) 한 관측 데이터(101), 제2 동안의 시퀀셜(sequential) 한 위성 데이터(102) 및 제2 동안의 시퀀셜(sequential) 한 레이더 데이터(103)를 획득할 수 있다. 이때, 제1 시간은 180분에서 마지막 관측 데이터(예컨대, 현재 시각의 관측 데이터)를 획득하는 시간(예컨대, 1분 간격)이 제외된 시간(예컨대, 179 분)일 수 있으나, 제1 시간이 이에 한정되는 것은 아니다. 또한, 제2 시간은 180분 일 수 있으나, 제2 시간이 이에 한정되는 것은 아니다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101)를 기초로 학습 데이터를 생성할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 Binary형태의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102) 및 미리 설정된 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)를 기초로 2차원 배열 데이터를 생성할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101)(예컨대, 관측 데이터 획득 주기 1분), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)(예컨대, 위성 데이터 획득 주기 2분) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)(예컨대, 레이더 데이터 획득 주기 5분)의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 시각에서의 관측 데이터(101), 위성 데이터(102) 및 레이더 데이터(103)를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102) 및 제3 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)에 대한 시간 맵핑을 수행할 수 있다.

제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)에서 위성 데이터의 누락이 발생한 경우, 학습 데이터 생성 모듈(110)은 위성 데이터의 누락이 발생한 시각의 직전 데이터로 누락 위성 데이터를 대체하되 위성 데이터의 누락이 발생한 시각으로부터 미리 설정된 시간(예컨대, 8분 전)까지 위성 데이터가 누락된 경우에는 위성 데이터가 누락된 시간의 학습 데이터는 생산하지 않을 수 있다.

제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)에서 레이더 데이터의 누락이 발생한 경우, 학습 데이터 생성 모듈(110)은 레이더 데이터의 누락이 발생한 시각으로부터 미리 설정된 미리 설정된 시간(예컨대, 5분 전)의 데이터로 누락 레이더 데이터를 대체하되 레이더 데이터의 누락이 발생한 시각으로부터 미리 설정된 시간(예컨대, 5분 전)의 레이더 데이터가 누락된 경우에는 레이더 데이터가 누락된 시간의 학습 데이터는 생산하지 않을 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 위치에서의 관측 데이터(101), 위성 데이터(102) 및 레이더 데이터(103)를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)에 대한 공간 맵핑을 수행할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101)를 획득한 지점을 기준으로 미리 설정된 반경(예컨대, 4Km)의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)에 대한 공간 맵핑을 수행할 수 있다. 이때, 학습 데이터 생성 모듈(110)은 반경의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)의 R, G, B의 세가지 레이어에 동일하게 공간 맵핑 정보를 적용할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)에 대한 시퀀셜(sequential) 한 학습 데이터를 생성할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101)를 획득한 지점을 기준으로 미리 설정된 반경(예컨대, 3Km)의 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)에 대한 공간 맵핑을 수행할 수 있다. 이때, 학습 데이터 생성 모듈(110)은 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103) 중 반사도를 제외한 데이터 값은 NaN(Not a Number)으로 처리할 수 있으나, 학습 데이터 생성 모듈(110)이 NaN(Not a Number)으로 처리할 수 있는 데이터 값이 이에 한정되는 것은 아니다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)에 대한 시퀀셜(sequential) 한 학습 데이터를 생성할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 시간 맵핑과 공간 맵핑을 동시, 병렬적 또는 오버랩하여 수행할 수 있다.

일실시예에 따라 학습 데이터 생성 모듈(110)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101)를 기초로 2차 변수를 생성할 수 있다. 이때, 학습 데이터 생성 모듈(110)이 생성하는 2차 변수는 10분 누적강수량 1건, 10분간의 1분 누적강수량 최대값 1건, 10분간의 1분 누적강수량 10건 및 10분간의 1분 누적강수량 품질관리 플래그 10건 중 적어도 어느 하나일 수 있으나, 학습 데이터 생성 모듈(110)이 생성하는 2차 변수가 이에 한정되는 것은 아니다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(101)를 획득할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)를 기초로 생성한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(102)에 대한 시퀀셜(sequential) 한 학습 데이터를 획득할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 시간 맵핑 및 공간 맵핑을 수행한 미리 설정된 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)를 기초로 생성한 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(103)에 대한 시퀀셜(sequential) 한 학습 데이터를 획득할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 상기 획득한 학습데이터를 기초로 관측 데이터, 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 제1 딥 뉴럴 네트워크를 이용하여 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제1 딥 뉴럴 네트워크는 순환신경망(Recurrent Neural Network, RNN) 또는 장단기 메모리(Long Short-Term Memory, LSTM) 일 수 있으나, 제1 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 또한, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)는 강수량의 패턴 정보를 포함한 피쳐 일 수 있으나, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)가 이에 한정되는 것은 아니다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 제2 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제2 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제2 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(120)은 제3 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제3 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제3 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

일실시예에 따라 강수 예측 모듈(130)은 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 딥 뉴럴 네트워크(Deep Neural Networks)를 이용하여 현재 시각의 강수 여부 및 현재 시각의 강수량을 예측할 수 있다. 이때, 딥 뉴럴 네트워크(Deep Neural Networks)는 완전연결 레이어 (Fully Connected Layer)일 수 있으나 딥 뉴럴 네트워크(Deep Neural Networks)가 이에 한정되는 것은 아니다.

일실시예에 따라 손실 계산 모듈(140)은 정답(Ground Truth)을 획득할 수 있다.

일실시예에 따라 손실 계산 모듈(140)은 강수 예측 모듈(130)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 획득할 수 있다.

일실시예에 따라 손실 계산 모듈(140)은 정답(Ground Truth) 및 강수 예측 모듈(130)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 기초로 손실(loss)을 계산할 수 있다.

일실시예에 따라 손실 계산 모듈(140)은 평균 제곱 오차(Mean Squared Error, MSE)를 이용하여 정답(Ground Truth) 및 강수 예측 모듈(130)이 예측한 현재 시각의 강수량에서 손실(loss)을 계산할 수 있다.

일실시예에 따라 손실 계산 모듈(140)은 바이너리 크로스 엔트로피(Binary Cross Entropy)를 이용하여 정답(Ground Truth) 및 강수 예측 모듈(130)이 예측한 현재 시각의 강수 여부에서 손실(loss)을 계산할 수 있다.

일실시예에 따라 손실 계산 모듈(140)은 계산한 손실을 기초로 이상 강수 감지 학습 장치(100)에 포함된 적어도 하나의 네트워크를 업데이트 할 수 있다.

일실시예에 따라 손실 계산 모듈(140)은 역전파(BackPropagation)를 이용하여 이상 강수 감지 학습 장치(100)에 포함된 네트워크를 업데이트 할 수 있다.

다른 실시예에 따라 이상 강수 감지 학습 장치(100)는 손실 계산 모듈(140)이 계산한 손실을 기초로 이상 강수 감지 학습 장치(100)에 포함된 적어도 하나의 네트워크를 업데이트 할 수 있다.

다른 실시예에 따라 이상 강수 감지 학습 장치(100)는 역전파(BackPropagation)를 이용하여 이상 강수 감지 학습 장치(100)에 포함된 적어도 하나의 네트워크를 업데이트 할 수 있다.

여기서 사용된 '모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.

도 2는 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 학습 방법을 나타내는 플로우 차트이다.

도 2를 참조하면, 이상 강수 감지 학습 장치가 제1 시간 동안의 관측 데이터, 제2 시간 동안의 위성 데이터 및 상기 제2 시간 동안의 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 학습 데이터를 생성한다(200).

이때, 제1 시간은 180분에서 마지막 관측 데이터(예컨대, 현재 시각의 관측 데이터)를 획득하는 시간(예컨대, 1분 간격)이 제외된 시간(예컨대, 179 분)일 수 있으나, 제1 시간이 이에 한정되는 것은 아니다. 또한, 제2 시간은 180분 일 수 있으나, 제2 시간이 이에 한정되는 것은 아니다.

또한, 이상 강수 감지 학습 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터를 기초로 학습 데이터를 생성할 수 있다.

또한, 이상 강수 감지 학습 장치는 Binary형태의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 미리 설정된 시간 동안의 시퀀셜(sequential) 한 레이더 데이터를 기초로 2차원 배열 데이터를 생성할 수 있다.

또한, 이상 강수 감지 학습 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(예컨대, 관측 데이터 획득 주기 1분), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(예컨대, 위성 데이터 획득 주기 2분) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(예컨대, 레이더 데이터 획득 주기 5분)의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 시각에서의 관측 데이터, 위성 데이터 및 레이더 데이터를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 제3 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 대한 시간 맵핑을 수행할 수 있다.

또한, 이상 강수 감지 학습 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 위치에서의 관측 데이터, 위성 데이터 및 레이더 데이터를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 대한 공간 맵핑을 수행할 수 있다.

또한, 이상 강수 감지 학습 장치는 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터에 대한 시퀀셜(sequential) 한 학습 데이터를 생성할 수 있다.

또한, 이상 강수 감지 학습 장치는 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 대한 시퀀셜(sequential) 한 학습 데이터를 생성할 수 있다.

이상 강수 감지 학습 장치가 상기 생성한 학습 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성한다(210).

이때, 이상 강수 감지 학습 장치는 제1 딥 뉴럴 네트워크를 이용하여 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제1 딥 뉴럴 네트워크는 순환신경망(Recurrent Neural Network, RNN) 또는 장단기 메모리(Long Short-Term Memory, LSTM) 일 수 있으나, 제1 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 또한, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)는 강수량의 패턴 정보를 포함한 피쳐 일 수 있으나, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)가 이에 한정되는 것은 아니다.

또한, 이상 강수 감지 학습 장치는 제2 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제2 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제2 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

또한, 이상 강수 감지 학습 장치는 제3 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제3 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제3 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

이상 강수 감지 학습 장치가 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측한다(220).

이때, 이상 강수 감지 학습 장치는 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 딥 뉴럴 네트워크(Deep Neural Networks)를 이용하여 현재 시각의 강수 여부 및 현재 시각의 강수량을 예측할 수 있다. 이때, 딥 뉴럴 네트워크(Deep Neural Networks)는 완전연결 레이어 (Fully Connected Layer)일 수 있으나 딥 뉴럴 네트워크(Deep Neural Networks)가 이에 한정되는 것은 아니다.

이상 강수 감지 학습 장치가 이상 강수 감지 학습 장치에 포함된 네트워크를 업데이트 한다(230).

이때, 이상 강수 감지 학습 장치는 정답(Ground Truth)을 획득할 수 있다.

또한, 이상 강수 감지 학습 장치는 평균 제곱 오차(Mean Squared Error, MSE)를 이용하여 정답(Ground Truth) 및 예측한 현재 시각의 강수량에서 손실(loss)을 계산할 수 있다.

또한, 이상 강수 감지 학습 장치는 바이너리 크로스 엔트로피(Binary Cross Entropy)를 이용하여 정답(Ground Truth) 및 예측한 현재 시각의 강수 여부에서 손실(loss)을 계산할 수 있다.

또한, 이상 강수 감지 학습 장치는 계산한 손실을 기초로 이상 강수 감지 학습 장치에 포함된 적어도 하나의 네트워크를 업데이트 할 수 있다.

또한, 이상 강수 감지 학습 장치는 역전파(BackPropagation)를 이용하여 이상 강수 감지 학습 장치에 포함된 네트워크를 업데이트 할 수 있다.

도 3은 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 장치의 구성을 나타내는 도면이다.

도 3을 참조하면, 이상 강수 감지 장치(300)는 입력 데이터 생성 모듈(310), 시퀀셜 피쳐 생성 모듈(320), 강수 예측 모듈(330) 및 수정 모듈(340)을 포함한다.

이상 강수 감지 장치(300)에 포함된 입력 데이터 생성 모듈(310), 시퀀셜 피쳐 생성 모듈(320), 강수 예측 모듈(330) 및 수정 모듈(340)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 동안의 시퀀셜(sequential) 한 관측 데이터(301), 제2 동안의 시퀀셜(sequential) 한 위성 데이터(302) 및 제2 동안의 시퀀셜(sequential) 한 레이더 데이터(303)를 획득할 수 있다. 이때, 제1 시간은 180분에서 마지막 관측 데이터(예컨대, 현재 시각의 관측 데이터)를 획득하는 시간(예컨대, 1분 간격)이 제외된 시간(예컨대, 179 분)일 수 있으나, 제1 시간이 이에 한정되는 것은 아니다. 또한, 제2 시간은 180분 일 수 있으나, 제2 시간이 이에 한정되는 것은 아니다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301)를 기초로 입력 데이터를 생성할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 Binary형태의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302) 및 미리 설정된 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)를 기초로 2차원 배열 데이터를 생성할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301)(예컨대, 관측 데이터 획득 주기 1분), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)(예컨대, 위성 데이터 획득 주기 2분) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)(예컨대, 레이더 데이터 획득 주기 5분)의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 시각에서의 관측 데이터(301), 위성 데이터(302) 및 레이더 데이터(303)를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302) 및 제3 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)에 대한 시간 맵핑을 수행할 수 있다.

제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)에서 위성 데이터의 누락이 발생한 경우, 입력 데이터 생성 모듈(310)은 위성 데이터의 누락이 발생한 시각의 직전 데이터로 누락 위성 데이터를 대체하되 위성 데이터의 누락이 발생한 시각으로부터 미리 설정된 시간(예컨대, 8분 전)까지 위성 데이터가 누락된 경우에는 위성 데이터가 누락된 시간의 입력 데이터는 생산하지 않을 수 있다.

제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)에서 레이더 데이터의 누락이 발생한 경우, 입력 데이터 생성 모듈(310)은 레이더 데이터의 누락이 발생한 시각으로부터 미리 설정된 미리 설정된 시간(예컨대, 5분 전)의 데이터로 누락 레이더 데이터를 대체하되 레이더 데이터의 누락이 발생한 시각으로부터 미리 설정된 시간(예컨대, 5분 전)의 레이더 데이터가 누락된 경우에는 레이더 데이터가 누락된 시간의 입력 데이터는 생산하지 않을 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 위치에서의 관측 데이터(301), 위성 데이터(302) 및 레이더 데이터(303)를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)에 대한 공간 맵핑을 수행할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301)를 획득한 지점을 기준으로 미리 설정된 반경(예컨대, 4Km)의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)에 대한 공간 맵핑을 수행할 수 있다. 이때, 입력 데이터 생성 모듈(310)은 반경의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)의 R, G, B의 세가지 레이어에 동일하게 공간 맵핑 정보를 적용할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)에 대한 시퀀셜(sequential) 한 입력 데이터를 생성할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301)를 획득한 지점을 기준으로 미리 설정된 반경(예컨대, 3Km)의 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)에 대한 공간 맵핑을 수행할 수 있다. 이때, 입력 데이터 생성 모듈(310)은 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303) 중 반사도를 제외한 데이터 값은 NaN(Not a Number)으로 처리할 수 있으나, 입력 데이터 생성 모듈(310)이 NaN(Not a Number)으로 처리할 수 있는 데이터 값이 이에 한정되는 것은 아니다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)에 대한 시퀀셜(sequential) 한 입력 데이터를 생성할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 시간 맵핑과 공간 맵핑을 동시, 병렬적 또는 오버랩하여 수행할 수 있다.

일실시예에 따라 입력 데이터 생성 모듈(310)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301)를 기초로 2차 변수를 생성할 수 있다. 이때, 입력 데이터 생성 모듈(310)이 생성하는 2차 변수는 10분 누적강수량 1건, 10분간의 1분 누적강수량 최대값 1건, 10분간의 1분 누적강수량 10건 및 10분간의 1분 누적강수량 품질관리 플래그 10건 중 적어도 어느 하나일 수 있으나, 입력 데이터 생성 모듈(310)이 생성하는 2차 변수가 이에 한정되는 것은 아니다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(301)를 획득할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)를 기초로 생성한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(302)에 대한 시퀀셜(sequential) 한 입력 데이터를 획득할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 시간 맵핑 및 공간 맵핑을 수행한 미리 설정된 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)를 기초로 생성한 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(303)에 대한 시퀀셜(sequential) 한 입력 데이터를 획득할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 상기 획득한 입력 데이터를 기초로 관측 데이터, 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 제1 딥 뉴럴 네트워크를 이용하여 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제1 딥 뉴럴 네트워크는 순환신경망(Recurrent Neural Network, RNN) 또는 장단기 메모리(Long Short-Term Memory, LSTM) 일 수 있으나, 제1 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 또한, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)는 강수량의 패턴 정보를 포함한 피쳐 일 수 있으나, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)가 이에 한정되는 것은 아니다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 제2 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제2 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제2 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

일실시예에 따라 시퀀셜 피쳐 생성 모듈(320)은 제3 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제3 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제3 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

일실시예에 따라 강수 예측 모듈(330)은 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 딥 뉴럴 네트워크(Deep Neural Networks)를 이용하여 현재 시각의 강수 여부 및 현재 시각의 강수량을 예측할 수 있다. 이때, 딥 뉴럴 네트워크(Deep Neural Networks)는 완전연결 레이어 (Fully Connected Layer)일 수 있으나 딥 뉴럴 네트워크(Deep Neural Networks)가 이에 한정되는 것은 아니다.

일실시예에 따라 수정 모듈(340)은 현재 시각의 강수 여부 관측 값 및 강수량 관측 값을 획득할 수 있다.

일실시예에 따라 수정 모듈(340)은 강수 예측 모듈(330)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 획득할 수 있다.

일실시예에 따라 수정 모듈(340)은 강수 예측 모듈(330)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 기초로 현재 시각의 강수 여부 관측 값 및 강수량 관측 값의 이상 여부(예컨대, 이상 강수)를 감지할 수 있다.

일실시예에 따라 수정 모듈(340)은 강수 예측 모듈(330)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 기초로 획득한 현재 시각의 강수 여부 관측 값 및 강수량 관측 값을 수정할 수 있다.

다른 실시예에 따라 이상 강수 감지 장치(300)는 현재 시각의 강수 여부 관측 값 및 강수량 관측 값을 획득할 수 있다.

다른 실시예에 따라 이상 강수 감지 장치(300)는 강수 예측 모듈(330)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 획득할 수 있다.

다른 실시예에 따라 이상 강수 감지 장치(300)는 강수 예측 모듈(330)이 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 기초로 획득한 현재 시각의 강수 여부 관측 값 및 강수량 관측 값을 수정할 수 있다.

도 4는 일실시예에 따른 이종 데이터 융합을 이용한 이상 강수 감지 방법을 나타내는 플로우 차트이다.

도 4를 참조하면, 이상 강수 감지 장치가 제1 시간 동안의 관측 데이터, 제2 시간 동안의 위성 데이터 및 상기 제2 시간 동안의 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 입력 데이터를 생성한다(400).

이때, 제1 시간은 180분에서 마지막 관측 데이터(예컨대, 현재 시각의 관측 데이터)를 획득하는 시간(예컨대, 1분 간격)이 제외된 시간(예컨대, 179 분)일 수 있으나, 제1 시간이 이에 한정되는 것은 아니다. 또한, 제2 시간은 180분 일 수 있으나, 제2 시간이 이에 한정되는 것은 아니다.

또한, 이상 강수 감지 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터를 기초로 입력 데이터를 생성할 수 있다.

또한, 이상 강수 감지 장치는 Binary형태의 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 미리 설정된 시간 동안의 시퀀셜(sequential) 한 레이더 데이터를 기초로 2차원 배열 데이터를 생성할 수 있다.

또한, 이상 강수 감지 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(예컨대, 관측 데이터 획득 주기 1분), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(예컨대, 위성 데이터 획득 주기 2분) 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(예컨대, 레이더 데이터 획득 주기 5분)의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 시각에서의 관측 데이터, 위성 데이터 및 레이더 데이터를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 제3 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 대한 시간 맵핑을 수행할 수 있다.

또한, 이상 강수 감지 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터의 데이터 획득 주기가 일치되는 매 시각(예컨대, 10분)마다 동일한 위치에서의 관측 데이터, 위성 데이터 및 레이더 데이터를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 대한 공간 맵핑을 수행할 수 있다.

또한, 이상 강수 감지 장치는 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터에 대한 시퀀셜(sequential) 한 입력 데이터를 생성할 수 있다.

또한, 이상 강수 감지 장치는 시간 맵핑 및 공간 맵핑을 수행한 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터를 기초로 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 대한 시퀀셜(sequential) 한 입력 데이터를 생성할 수 있다.

이상 강수 감지 장치가 상기 생성한 입력 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성한다(410).

이때, 이상 강수 감지 장치는 제1 딥 뉴럴 네트워크를 이용하여 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제1 딥 뉴럴 네트워크는 순환신경망(Recurrent Neural Network, RNN) 또는 장단기 메모리(Long Short-Term Memory, LSTM) 일 수 있으나, 제1 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 또한, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)는 강수량의 패턴 정보를 포함한 피쳐 일 수 있으나, 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)가 이에 한정되는 것은 아니다.

또한, 이상 강수 감지 장치는 제2 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제2 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제2 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는 구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

또한, 이상 강수 감지 장치는 제3 딥 뉴럴 네트워크를 이용하여 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성할 수 있다. 이때, 제3 딥 뉴럴 네트워크는 Convolutional LSTM 일 수 이으나, 제3 딥 뉴럴 네트워크가 이에 한정되는 것은 아니다. 이때, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는 강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함할 수 있으나, 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)에 포함된 피쳐가 이에 한정되는 것은 아니다.

이상 강수 감지 장치가 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측한다(420).

이때, 이상 강수 감지 장치는 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 딥 뉴럴 네트워크(Deep Neural Networks)를 이용하여 현재 시각의 강수 여부 및 현재 시각의 강수량을 예측할 수 있다. 이때, 딥 뉴럴 네트워크(Deep Neural Networks)는 완전연결 레이어 (Fully Connected Layer)일 수 있으나 딥 뉴럴 네트워크(Deep Neural Networks)가 이에 한정되는 것은 아니다.

이상 강수 감지 장치가 이상 감수를 감지한다(430).

이때, 이상 강수 감지 장치는 현재 시각의 강수 여부 관측 값 및 강수량 관측 값을 획득할 수 있다.

또한, 이상 강수 감지 장치는 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 기초로 현재 시각의 강수 여부 관측 값 및 강수량 관측 값의 이상 여부(예컨대, 이상 강수)를 감지할 수 있다.

또한, 이상 강수 감지 장치는 예측한 현재 시각의 강수 여부 및 현재 시각의 강수량을 기초로 획득한 현재 시각의 강수 여부 관측 값 및 강수량 관측 값을 수정할 수 있다.

도 5는 일실시예에 따라 이상 강수 감지 장치가 시간 맵핑을 수행하는 모습을 나타내는 도면이다.

일실시예에 따라 이상 강수 감지 장치는 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(500), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(510) 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(520)을 획득할 수 있다.

일실시예에 따라 이상 강수 감지 장치가 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(500)를 획득하는 시간 간격은 1분일 수 있으나, 이상 강수 감지 장치가 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(500)를 획득하는 시간 간격이 이에 한정되는 것은 아니다.

일실시예에 따라 이상 강수 감지 장치가 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(510)를 획득하는 시간 간격은 2분일 수 있으나, 이상 강수 감지 장치가 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(510)를 획득하는 시간 간격이 이에 한정되는 것은 아니다.

일실시예에 따라 이상 강수 감지 장치가 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(520)를 획득하는 시간 간격은 5분일 수 있으나, 이상 강수 감지 장치가 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(520)를 획득하는 시간 간격이 이에 한정되는 것은 아니다.

일실시예에 따라 이상 강수 감지 장치가 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(500), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(510) 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(520)의 데이터 획득 주기가 일치되는 시각인 매 10분(530, 531, 532) 마다 동일한 시각에서의 관측 데이터(500), 위성 데이터(510) 및 레이더 데이터(520)를 획득하기 위하여 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터(500), 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터(510) 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터(520)에 대한 시간 맵핑을 수행할 수 있다.

도 6은 일실시예에 따라 이상 강수 감지 장치가 공간 맵팽을 수행하는 모습을 나타내는 도면이다.

도 6을 참조하면, 도 6 (a)는 관측 데이터를 획득하는 관측점을 나타내고, 도 6 (b)는 공간 맵핑을 수행하는 위성 데이터를 나타내고, 도 6 (c)는 공간 맵핑을 수행하는 레이더 데이터를 나타낸다.

도 6 (a)를 참조하면, 일실시예에 따라 이상 강수 감지 장치는 위도와 경도로 표현된 관측 데이터를 획득하는 관측소(600)의 위치를 획득할 수 있다.

도 6 (b)를 참조하면, 일실시예에 따라 이상 강수 감지 장치는 미리 설정된 시간(예컨대, 10분) 마다 관측소(612) 위치에 해당하는 위성 데이터(610)를 획득할 수 있다.

일실시예에 따라 이상 강수 감지 장치는 관측소(612) 위치와 동일한 위치에서의 위성 데이터를 획득하기 위하여 획득한 위성 데이터(610)에 공간 맵핑을 수행하여 미리 설정된 범위(예컨대, 반경 4Km)에 해당하는 위성 데이터(611)를 관측소(612) 위치와 동일한 위치에서의 위성 데이터로 획득할 수 있다.

도 6 (c)를 참조하면, 일실시예에 따라 이상 강수 감지 장치는 미리 설정된 시간(예컨대, 10분) 마다 관측소(622) 위치에 해당하는 레이더 데이터(620)를 획득할 수 있다.

일실시예에 따라 이상 강수 감지 장치는 관측소(622) 위치와 동일한 위치에서의 레이더 데이터를 획득하기 위하여 획득한 레이더 데이터(620)에 공간 맵핑을 수행하여 미리 설정된 범위(예컨대, 반경 3Km)에 해당하는 레이더 데이터(621)를 관측소(622) 위치와 동일한 위치에서의 레이더 데이터로 획득할 수 있다.

도 7은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.

도 7을 참조하면, 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템은 정보를 교환하기 위한 버스 또는 다른 커뮤니케이션 채널(701)을 포함하고, 프로세서(702)는 정보를 처리하기 위하여 버스(701)와 연결된다.

컴퓨터 시스템(700)은 정보 및 프로세서(702)에 의해 처리되는 명령들을 저장하기 위하여 버스(701)와 연결된 RAM(Random Access Memory) 또는 다른 동적 저장 장치인 메인 메모리(703)를 포함한다.

또한, 메인 메모리(703)는 프로세서(702)에 의한 명령들의 실행동안 임시변수들 또는 다른 중간 정보를 저장하기 위해 사용될 수 있다.

컴퓨터 시스템(700)은 프로세서(702)에 대한 정적인 정보 또는 명령들을 저장하기 위하여 버스(701)에 결합된 ROM(Read Only Memory) 및 다른 정적 저장장치(704)를 포함할 수 있다.

마그네틱 디스크, 집(zip) 또는 광 디스크 같은 대량 저장장치(705) 및 그것과 대응하는 드라이브 또한 정보 및 명령들을 저장하기 위하여 컴퓨터 시스템(700)에 연결될 수 있다.

컴퓨터 시스템(700)은 엔드 유저(end user)에게 정보를 디스플레이 하기 위하여 버스(701)를 통해 음극선관 또는 엘씨디 같은 디스플레이 장치(710)와 연결될 수 있다.

키보드(720)와 같은 문자 입력 장치는 프로세서(702)에 정보 및 명령을 전달하기 위하여 버스(701)에 연결될 수 있다.

다른 유형의 사용자 입력 장치는 방향 정보 및 명령 선택을 프로세서(702)에 전달하고, 디스플레이(710) 상의 커서의 움직임을 제어하기 위한 마우스, 트랙볼 또는 커서 방향 키들과 같은 커서 컨트롤 장치(730)이다.

통신 장치(740) 역시 버스(701)와 연결된다.

통신 장치(740)는 지역 네트워크 또는 광역망에 접속되는 것을 서포트 하기 위하여 모뎀, 네트워크 인터페이스 카드, 이더넷, 토큰 링 또는 다른 유형의 물리적 결합물과 연결하기 위해 사용되는 인터페이스 장치를 포함할 수 있다. 이러한 방식으로 컴퓨터 시스템(700)은 인터넷 같은 종래의 네트워크 인프라 스트럭쳐를 통하여 다수의 클라이언트 및 서버와 연결될 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다.

또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다.

이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.

또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.

기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명에서 개시된 방법들은 상술된 방법을 달성하기 위한 하나 이상의 동작들 또는 단계들을 포함한다. 방법 동작들 및/또는 단계들은 청구항들의 범위를 벗어나지 않으면서 서로 상호 교환될 수도 있다. 다시 말해, 동작들 또는 단계들에 대한 특정 순서가 명시되지 않는 한, 특정 동작들 및/또는 단계들의 순서 및/또는 이용은 청구항들의 범위로부터 벗어남이 없이 수정될 수도 있다.

본 발명에서 이용되는 바와 같이, 아이템들의 리스트 중 "그 중 적어도 하나" 를 지칭하는 구절은 단일 멤버들을 포함하여, 이들 아이템들의 임의의 조합을 지칭한다. 일 예로서, "a, b, 또는 c: 중의 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 엘리먼트의 다수의 것들과의 임의의 조합 (예를 들어, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 다른 임의의 순서 화한 것) 을 포함하도록 의도된다.

본 발명에서 이용되는 바와 같이, 용어 "결정하는"는 매우 다양한 동작들을 망라한다. 예를 들어, "결정하는"는 계산하는, 컴퓨팅, 프로세싱, 도출하는, 조사하는, 룩업하는 (예를 들어, 테이블, 데이터베이스, 또는 다른 데이터 구조에서 룩업하는), 확인하는 등을 포함할 수도 있다. 또한, "결정하는"은 수신하는 (예를 들면, 정보를 수신하는), 액세스하는 (메모리의 데이터에 액세스하는) 등을 포함할 수 있다. 또한, "결정하는"은 해결하는, 선택하는, 고르는, 확립하는 등을 포함할 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100... 이상 강수 감지 학습 장치
200... 이상 강수 감지 장치

Claims (12)

1. 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치에 있어서,
   적어도 하나의 프로세서를 포함하고,
   상기 적어도 하나의 프로세서는,
   제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 학습 데이터를 생성하고,
   상기 생성한 학습 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하고,
   상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하고,
   상기 강수 여부 및 상기 강수량과 정답(Ground Truth)을 비교하여 손실을 계산하는 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치.
2. 제1항에 있어서,
   상기 적어도 하나의 프로세서는,
   제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고,
   제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고,
   제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치.
3. 제1항에 있어서,
   상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는,
   구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고,
   상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는,
   강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치.
4. 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 학습 데이터를 생성하는 단계;
   상기 생성한 학습 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하는 단계;
   상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하는 단계; 및
   상기 강수 여부 및 상기 강수량과 정답(Ground Truth)을 비교하여 손실을 계산하는 단계
   를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 학습 방법.
5. 제4항에 있어서,
   상기 시퀀셜(sequential) 한 피쳐(features)를 생성하는 단계는,
   제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 한 피쳐(features)를 생성하는 단계;
   제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계; 및
   제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계
   를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 학습 방법.
6. 제4항에 있어서,
   상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는,
   구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고,
   상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는,
   강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 학습 방법.
7. 이종 데이터 융합을 이용한 이상 강수 감지 장치에 있어서,
   적어도 하나의 프로세서를 포함하고,
   상기 적어도 하나의 프로세서는,
   제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 입력 데이터를 생성하고,
   상기 생성한 입력 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하고,
   상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하고,
   상기 강수 여부 및 상기 강수량과 현재 시간의 관측 데이터를 비교하고, 비교 결과에 따라 이상 강수를 감지하는 이종 데이터 융합을 이용한 이상 강수 감지 장치.
8. 제7항에 있어서,
   상기 적어도 하나의 프로세서는,
   제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고,
   제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하고,
   제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 이종 데이터 융합을 이용한 이상 강수 감지 장치.
9. 제7항에 있어서,
   상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)는,
   구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고,
   상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)는,
   강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 장치.
10. 제1 시간 동안의 시퀀셜(sequential) 한 관측 데이터, 제2 시간 동안의 시퀀셜(sequential) 한 위성 데이터 및 상기 제2 시간 동안의 시퀀셜(sequential) 한 레이더 데이터에 시간 맵핑 및 공간 맵핑을 수행하여 입력 데이터를 생성하는 단계;
    상기 생성한 입력 데이터를 기초로 상기 시퀀셜(sequential) 한 관측 데이터, 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터 및 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터 각각에 대한 시퀀셜(sequential) 피쳐(features)를 생성하는 단계;
    상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features), 상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features) 및 상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 기초로 강수 여부 및 강수량을 예측하는 단계; 및
    상기 강수 여부 및 상기 강수량과 현재 시간의 관측 데이터를 비교하고, 비교 결과에 따라 이상 강수를 감지하는 단계
    를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 방법.
11. 제10항에 있어서,
    상기 시퀀셜(sequential) 한 피쳐(features)를 생성하는 단계는,
    제1 딥 뉴럴 네트워크를 이용하여 상기 시퀀셜(sequential) 한 관측 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계;
    제2 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계; 및
    제3 딥 뉴럴 네트워크를 이용하여 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터에서 상기 시간 맵핑 및 상기 공간 맵핑을 수행한 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 피쳐(features)를 생성하는 단계
    를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 방법.
12. 제10항에 있어서,
    상기 시퀀셜(sequential) 한 위성 데이터의 시퀀셜(sequential) 한 피쳐(features)는,
    구름의 위치, 구름의 색상, 구름의 이동 방향 및 구름의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하고,
    상기 시퀀셜(sequential) 한 레이더 데이터의 시퀀셜(sequential) 한 피쳐(features)는,
    강수 에코의 위치, 강수 에코의 강도, 강수 에코의 이동 방향 및 강수 에코의 이동 속도 중 적어도 어느 하나와 관련된 피쳐(features)를 포함하는 이종 데이터 융합을 이용한 이상 강수 감지 방법.

Images