KR102365071B1 - Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data - Google Patents

Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data Download PDF

Info

Publication number
KR102365071B1
KR102365071B1 KR1020190142425A KR20190142425A KR102365071B1 KR 102365071 B1 KR102365071 B1 KR 102365071B1 KR 1020190142425 A KR1020190142425 A KR 1020190142425A KR 20190142425 A KR20190142425 A KR 20190142425A KR 102365071 B1 KR102365071 B1 KR 102365071B1
Authority
KR
South Korea
Prior art keywords
data
wind
prediction
model
satellite
Prior art date
Application number
KR1020190142425A
Other languages
Korean (ko)
Other versions
KR20210055975A (en
KR102365071B9 (en
Inventor
유제선
심재설
손동휘
김무종
전기천
Original Assignee
한국해양과학기술원
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 한국해양과학기술원 filed Critical 한국해양과학기술원
Priority to KR1020190142425A priority Critical patent/KR102365071B1/en
Publication of KR20210055975A publication Critical patent/KR20210055975A/en
Application granted granted Critical
Publication of KR102365071B1 publication Critical patent/KR102365071B1/en
Publication of KR102365071B9 publication Critical patent/KR102365071B9/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ecology (AREA)
  • Computational Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 인공위성 및 해상부이 바람 관측자료를 기반으로 대기모델의 예측자료를 보정하여 대기모델의 예측 정확도를 향상시킬 수 있도록 한 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법에 관한 것으로, 대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부;인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부;대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map)를 생성하고, 대기모델 과거 예측 DB 검보정을 하는 대기모델 과거 예측 자료 DB 구축부;대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하는 대기모델의 실시간 예측 자료 생성부;바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 실시간 예측 자료 검보정부;를 포함하는 것이다.The present invention is a device for improving the prediction accuracy of the model through the advancement of calibration of the wind prediction data of the atmospheric model so that the prediction accuracy of the atmospheric model can be improved by correcting the prediction data of the atmospheric model based on the wind observation data of the satellite and the marine buoy and a method, which relates to an offshore buoy data DB construction unit that collects wind observation data of the target sea area and builds a DB; a satellite data DB construction unit that collects wind speed data observed through satellite and builds a DB; Past of atmospheric models Building a DB by collecting wind speed and wind direction prediction data, creating a correction rate distribution map, and calibrating atmospheric model past prediction data DB construction unit; real-time using atmospheric model Real-time prediction data generation unit of the atmospheric model that generates wind prediction data; So that the calibration results performed across the deep sea and coastal areas in the wind prediction error correction rate distribution map generation step are reflected in the real-time prediction data of the atmospheric model It includes a real-time prediction data verification unit.

Description

대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법{Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data}Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data

본 발명은 대기 수치예보모델에 관한 것으로, 구체적으로 인공위성 및 해상부이 바람 관측자료를 기반으로 대기모델의 예측자료를 보정하여 대기모델의 예측 정확도를 향상시킬 수 있도록 한 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법에 관한 것이다.The present invention relates to an atmospheric numerical forecasting model, and specifically, correction of atmospheric model wind prediction data to improve the prediction accuracy of the atmospheric model by correcting the prediction data of the atmospheric model based on the wind observation data of artificial satellites and offshore buoys. It relates to an apparatus and method for improving model prediction accuracy through sophistication.

대기 수치예보모델은 지구의 기압, 온도, 바람, 강우량 등과 같은 대기변수들을 계산하고 예측하기 위해 사용된다.Atmospheric numerical forecasting models are used to calculate and predict atmospheric variables such as atmospheric pressure, temperature, wind, and rainfall on the Earth.

이와 같은 대기모델은 그 성능에 대한 신뢰도 분석 및 향상을 위해 예측 정확도에 대한 평가가 이루어져야 한다.In order to analyze and improve the reliability of this atmospheric model, the prediction accuracy should be evaluated.

종래 기술에서는 대기모델의 예측 정확도를 평가하기 위해 주로 해상부이의 관측결과와 모델결과간의 비교 검증이 이루어져 왔다.In the prior art, in order to evaluate the prediction accuracy of the atmospheric model, comparative verification between the observation result of the marine buoy and the model result has been mainly performed.

하지만, 해상부이를 설치할 수 있는 장소 및 환경의 한계로 관측 지점들은 주로 심해 영역보다는 육지 부근으로 한정되어, 심해 영역에서의 대기모델 검증에 있어 어려움이 존재하였다.However, due to the limitations of the place and environment where the marine buoy can be installed, the observation points are mainly limited to the vicinity of the land rather than the deep sea area, so there was a difficulty in verifying the atmospheric model in the deep sea area.

따라서, 대기모델의 예측 정확도를 향상시킬 수 있도록 한 새로운 대기 수치예보모델을 이용한 예측 기술의 개발이 요구되고 있다.Therefore, there is a demand for the development of a prediction technology using a new atmospheric numerical forecasting model that can improve the prediction accuracy of the atmospheric model.

대한민국 공개특허 제10-2014-0024541호Republic of Korea Patent Publication No. 10-2014-0024541 대한민국 등록특허 제10-1821303호Republic of Korea Patent Registration No. 10-1821303 대한민국 등록특허 제10-1966639호Republic of Korea Patent No. 10-1966639

본 발명은 종래 기술의 대기 수치예보모델을 이용한 예측 기술의 문제점을 해결하기 위한 것으로, 인공위성 및 해상부이 바람 관측자료를 기반으로 대기모델의 예측자료를 보정하여 대기모델의 예측 정확도를 향상시킬 수 있도록 한 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention is to solve the problems of the prediction technology using the atmospheric numerical forecasting model of the prior art. Its purpose is to provide an apparatus and method for improving model prediction accuracy through advanced calibration of wind prediction data for atmospheric models.

본 발명은 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하여 인공위성 자료 DB의 검증으로 최종적으로 인공위성의 검증된 풍속 DB가 구축되도록 하여 대기모델의 예측 신뢰도를 높일 수 있도록 한 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention compares wind observation results using marine buoys and wind observation results using artificial satellites, and finally builds a verified wind speed DB of artificial satellites by verifying the satellite data DB, thereby increasing the prediction reliability of the atmospheric model. It aims to provide an apparatus and method for improving model prediction accuracy through advanced calibration of wind prediction data.

본 발명은 검증된 인공위성 바람자료를 기반으로 오차수정률 분포지도(Correction Map)를 생성하여 대기모델의 과거 예측 DB를 보정하는 것에 의해 대기모델의 예측 정확도를 향상시킬 수 있도록 한 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention generates an error correction rate distribution map based on verified satellite wind data and corrects the atmospheric model's past prediction DB to improve the prediction accuracy of the atmospheric model wind prediction data. An object of the present invention is to provide an apparatus and method for improving model prediction accuracy through advanced calibration.

본 발명은 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하고, 이를 통해, 대기모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정됨으로써 대기모델의 예측 정확도가 향상될 수 있도록 한 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention allows the calibration results performed over the deep sea and coastal areas in the wind prediction error correction rate distribution map generation step to be reflected in the real-time prediction data of the atmospheric model, and through this, the real-time prediction data of the atmospheric model is The purpose of this is to provide an apparatus and method for improving the prediction accuracy of the atmospheric model through the advancement of calibration of the wind prediction data of the atmospheric model so that the prediction accuracy of the atmospheric model can be improved by being corrected based on the observation data of the artificial satellite and the maritime buoy.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.Other objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned will be clearly understood by those skilled in the art from the following description.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치는 대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부;인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부;대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map)를 생성하고, 대기모델 과거 예측 DB 검보정을 하는 대기모델 과거 예측 자료 DB 구축부;대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하는 대기모델의 실시간 예측 자료 생성부;바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 실시간 예측 자료 검보정부;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the apparatus for improving model prediction accuracy through calibration of atmospheric model wind prediction data according to the present invention is a marine buoy data DB construction unit that collects wind observation data of the target sea area and builds a DB ;Satellite data DB construction unit that collects wind speed data observed through satellite and builds a DB; builds a DB by collecting past wind speed and wind direction prediction data of atmospheric models, and creates a correction rate distribution map; Atmospheric model past prediction DB construction unit that calibrates atmospheric model historical prediction data; Air model real-time prediction data generation unit that generates wind prediction data in real time using atmospheric model; Wind prediction error correction rate distribution map (Correction Map) and a real-time prediction data calibration unit that allows the calibration results performed across the deep sea and coastal areas to be reflected in the real-time prediction data of the atmospheric model in the generation step.

여기서, 인공위성 자료 DB 구축부는, 인공위성 자료 DB의 검증을 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하고, 비교 과정을 통해 위성자료의 보정식을 산출하여 인공위성의 검증된 풍속 DB가 구축되도록 하는 것을 특징으로 한다.Here, for the verification of the satellite data DB, the satellite data DB construction unit compares the wind observation results using the marine buoy with the wind observation results using the satellites, performs calibration and correction, and calculates the correction formula for the satellite data through the comparison process. It is characterized in that the verified wind speed DB of the satellite is built.

그리고 비교 과정을 통해 산출된 위성자료의 보정식은,And the correction equation for the satellite data calculated through the comparison process is,

Figure 112019114738312-pat00001
와 같은 형태의 식인 것을 특징으로 한다.
Figure 112019114738312-pat00001
It is characterized in that it is an expression of the same form.

그리고 대기모델 과거 예측 자료 DB 구축부는, 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고, 오차수정률 분포지도(Correction Map) 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 한다.In addition, the atmospheric model past prediction data DB construction unit generates an error correction rate distribution map for correcting the atmospheric model past prediction DB based on the calibrated satellite data, and before generating the error correction rate distribution map (Correction Map) It is characterized in that data interpolation is performed on an empty space out of the path of the artificial satellite.

그리고 오차수정률 분포지도(Correction Map)에서 높은 수정(Correction) 계수가 요구되는 연안 부근에서의 대기모델의 바람 예측 자료의 불확실성을 고려하여, 연안부에서는 대상해역의 대표 풍향 4방위인 북서, 북동, 남서, 남동 계열에 따라 각각의 구역을 나누어 해당 구역에 대해서만 보정이 진행되도록 하는 것을 특징으로 한다.In addition, considering the uncertainty of wind prediction data of atmospheric models near the coast, which requires a high correction coefficient in the correction rate distribution map, in the coastal area, the four representative wind directions of the target sea are Northwest, Northeast, and It is characterized in that each area is divided according to the southwest and southeast series so that only the corresponding area is corrected.

다른 목적을 달성하기 위한 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법은 대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 단계;인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 단계;해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하는 단계;대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계;대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하고, 바람 예측 오차수정률 분포지도(Correction Map) 생성단계에서 심해부와 연안부에 걸쳐 수행된 검·보정 결과가 대기모델의 실시간 예측 자료에 반영하는 단계;를 포함하는 것을 특징으로 한다.According to the present invention for achieving another object, a method for improving model prediction accuracy through calibration enhancement of atmospheric model wind prediction data according to the present invention includes the steps of: collecting wind observation data of a target sea area and building a DB; wind speed observed through artificial satellites; The steps of collecting data and building a DB; Comparing the wind observation results using the marine buoy with the wind observation results using artificial satellites and calibrating them; building the DB by collecting the wind speed and direction prediction data of the atmospheric model and , generating and correcting an error correction rate distribution map; generating wind prediction data in real time using an atmospheric model It is characterized in that it includes; reflecting the performed calibration results to the real-time prediction data of the atmospheric model.

여기서, 인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 단계에서, 인공위성 자료 DB의 검증하기 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하고, 비교 과정을 통해 위성자료의 보정식을 산출하여 인공위성의 검증된 풍속 DB가 구축되도록 하는 것을 특징으로 한다.Here, in the stage of collecting wind speed data observed through the satellite and building the DB, the wind observation result using the sea buoy and the wind observation result using the artificial satellite are compared with each other, corrected, and compared to verify the satellite data DB. It is characterized in that the verified wind speed DB of the satellite is established by calculating the correction equation of the satellite data through the process.

그리고 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고,오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계에서, 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고, 오차수정률 분포지도(Correction Map) 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 한다.Then, in the stage of building a DB by collecting historical wind speed and wind direction prediction data of the atmospheric model, and creating and correcting a correction rate distribution map, based on the calibrated satellite data, the historical prediction DB of the atmospheric model is corrected. It is characterized in that data interpolation is performed on an empty space out of the path of the artificial satellite before generating an error correction rate distribution map (Correction Map) for this purpose.

그리고 오차수정률 분포지도(Correction Map)에서 높은 수정(Correction) 계수가 요구되는 연안 부근에서의 대기모델의 바람 예측 자료의 불확실성을 고려하여, 연안부에서는 대상해역의 대표 풍향 4방위인 북서, 북동, 남서, 남동 계열에 따라 각각의 구역을 나누어 해당 구역에 대해서만 보정이 진행되도록 하는 것을 특징으로 한다.In addition, considering the uncertainty of wind prediction data of atmospheric models near the coast, which requires a high correction coefficient in the correction rate distribution map, in the coastal area, the four representative wind directions of the target sea are Northwest, Northeast, and It is characterized in that each area is divided according to the southwest and southeast series so that only the corresponding area is corrected.

이상에서 설명한 바와 같은 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법은 다음과 같은 효과가 있다.As described above, the apparatus and method for improving model prediction accuracy through advanced calibration of wind prediction data of atmospheric model according to the present invention have the following effects.

첫째, 인공위성 및 해상부이 바람 관측자료를 기반으로 대기모델의 예측자료를 보정하여 대기모델의 예측 정확도를 향상시킬 수 있도록 한다.First, it is possible to improve the prediction accuracy of the atmospheric model by correcting the prediction data of the atmospheric model based on the wind observation data of satellites and offshore buoys.

둘째, 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하여 인공위성 자료 DB의 검증으로 최종적으로 인공위성의 검증된 풍속 DB가 구축되도록 하여 대기모델의 예측 신뢰도를 높일 수 있도록 한다.Second, by comparing the wind observation results using the marine buoy with the wind observation results using the artificial satellites, the verified wind speed DB of the artificial satellite is finally built through the verification of the satellite data DB, so that the prediction reliability of the atmospheric model can be increased.

셋째, 검증된 인공위성 바람자료를 기반으로 오차수정률 분포지도(Correction Map)를 생성하여 대기모델의 과거 예측 DB를 보정하는 것에 의해 대기모델의 예측 정확도를 향상시킬 수 있도록 한다.Third, it is possible to improve the prediction accuracy of the atmospheric model by correcting the historical prediction DB of the atmospheric model by generating a correction map based on the verified satellite wind data.

넷째, 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하고, 이를 통해, 대기모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정됨으로써 대기모델의 예측 신뢰도 및 정확도가 향상될 수 있도록 한다.Fourth, in the wind prediction error correction rate distribution map generation stage, the calibration results performed across the deep sea and coastal regions are reflected in the real-time forecast data of the atmospheric model, and through this, the real-time forecast data of the atmospheric model is converted to satellite data. and marine buoys are corrected based on the observation data, so that the prediction reliability and accuracy of the atmospheric model can be improved.

도 1은 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치의 전체 구성도
도 2는 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치의 구성 블록도
도 3은 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법을 나타낸 플로우 차트
도 4는 우리나라 기상청의 해상 기상부이 분포도
도 5는 인공위성(JASON-2) 이동경로 구성도
도 6은 해상부이(NDBC) 바람 관측자료와 인공위성(ENVISAT) 바람 측정자료의 비교도
도 7은 대기모델(RDAPS) 풍속 자료의 예를 나타낸 구성도
도 8은 인공위성(JASON-2) 풍속 자료에 대한 공간 보간의 예를 나타낸 구성도
도 9는 오차수정률 분포지도(Correction Map)의 예를 나타낸 구성도
도 10은 심해부와 연안부 개략도
도 11은 연안부에서 대기모델 과거 예측 DB 검·보정을 위한 구역 설정의 예를 나타낸 구성도
도 12는 대상영역의 대표 풍향(4방위)을 나타낸 구성도1 is an overall configuration diagram of an apparatus for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention;
2 is a block diagram of an apparatus for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention;
3 is a flowchart illustrating a method for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention;
4 is a distribution map of the maritime meteorological buoys of the Korea Meteorological Administration;
5 is a configuration diagram of the movement path of the artificial satellite (JASON-2)
Figure 6 is a comparison diagram of the wind observation data of the marine buoy (NDBC) and the wind measurement data of the artificial satellite (ENVISAT);
7 is a configuration diagram showing an example of atmospheric model (RDAPS) wind speed data
8 is a configuration diagram showing an example of spatial interpolation for wind speed data of satellite (JASON-2)
9 is a configuration diagram showing an example of an error correction rate distribution map (Correction Map);
10 is a schematic diagram of the deep sea part and the coastal part;
11 is a configuration diagram showing an example of zone setting for the atmospheric model past prediction DB inspection and correction in the coastal part
12 is a configuration diagram showing a representative wind direction (four directions) of a target area;

이하, 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a preferred embodiment of an apparatus and method for improving model prediction accuracy through advanced calibration of wind prediction data of atmospheric model according to the present invention will be described in detail as follows.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.Characteristics and advantages of the apparatus and method for improving model prediction accuracy through calibration enhancement of atmospheric model wind prediction data according to the present invention will become apparent through the detailed description of each embodiment below.

도 1은 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치의 전체 구성도이다.1 is an overall configuration diagram of an apparatus for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법은 인공위성 및 해상부이 바람 관측자료를 기반으로 대기모델의 예측자료를 보정하여 대기모델의 예측 정확도를 향상시킬 수 있도록 한 것이다.The apparatus and method for improving the model prediction accuracy through the advancement of calibration of wind prediction data of the atmospheric model according to the present invention improves the prediction accuracy of the atmospheric model by correcting the prediction data of the atmospheric model based on the wind observation data of satellites and offshore buoys made it possible to do it.

이를 위하여 본 발명은 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하여 인공위성 자료 DB의 검증으로 최종적으로 인공위성의 검증된 풍속 DB가 구축되도록 하는 구성을 포함할 수 있다.To this end, the present invention may include a configuration in which the verified wind speed DB of the artificial satellite is finally constructed by verifying the satellite data DB by comparing the wind observation result using the marine buoy with the wind observation result using the artificial satellite.

본 발명은 검증된 인공위성 바람자료를 기반으로 오차수정률 분포지도(Correction Map)를 생성하여 대기모델의 과거 예측 DB를 보정하는 구성을 포함할 수 있다.The present invention may include a configuration for correcting the past prediction DB of the atmospheric model by generating an error correction rate distribution map (Correction Map) based on verified satellite wind data.

본 발명은 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하고, 이를 통해, 대기모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하는 구성을 포함할 수 있다.The present invention allows the calibration results performed over the deep sea and coastal areas in the wind prediction error correction rate distribution map generation step to be reflected in the real-time prediction data of the atmospheric model, and through this, the real-time prediction data of the atmospheric model is It may include a configuration that allows satellites and sea buoys to be calibrated based on observation data.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치를 구체적으로 설명하면 다음과 같다.An apparatus for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention will be described in detail as follows.

도 2는 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치의 구성 블록도이다.2 is a block diagram of an apparatus for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치는 도 2에서와 같이, 대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부(10)와, 인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부(20)와, 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성을 하고, 대기모델 과거 예측 DB 검보정을 하는 대기모델 과거 예측 자료 DB 구축부(30)와, 대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하는 대기모델의 실시간 예측 자료 생성부(40)와, 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 실시간 예측 자료 검보정부(50)를 포함한다.As shown in FIG. 2, the apparatus for improving model prediction accuracy through calibration of atmospheric model wind prediction data according to the present invention is a marine buoy data DB construction unit (10) that collects wind observation data of the target sea area and builds a DB. ), the satellite data DB construction unit 20 that collects the wind speed data observed through the satellite and builds the DB, collects the wind speed and direction prediction data of the atmospheric model in the past to build the DB, and builds the error correction rate distribution map (Correction). Map) and the atmospheric model historical prediction data DB construction unit 30 that calibrates the atmospheric model historical prediction DB, and the atmospheric model real-time prediction data generation unit (30) that generates wind prediction data in real time using the atmospheric model 40) and a real-time prediction data calibration unit 50 that allows the calibration results performed across the deep sea and coastal areas to be reflected in the real-time prediction data of the atmospheric model in the wind prediction error correction rate distribution map generation step do.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치는 상공에서 자유롭게 이동할 수 있는 인공위성을 이용함으로써 심해 영역에서도 풍속 및 파고를 측정하여 대기모델의 정확도 향상에 기여할 수 있다.The device for improving model prediction accuracy through the advancement of calibration of atmospheric model wind prediction data according to the present invention can contribute to improving the accuracy of atmospheric models by measuring wind speed and wave height even in the deep sea area by using an artificial satellite that can move freely in the sky. there is.

풍속 및 파고를 측정하는 인공위성은 1986년 이후로 여러 종류가 존재한다.There are several types of satellites that measure wind speed and wave height since 1986.

ERA-1, ERA-2, TOPEX, ENVISAT, GEOSAT, JASON-1, JASON-2 그리고 JASON-3 등이 있다ERA-1, ERA-2, TOPEX, ENVISAT, GEOSAT, JASON-1, JASON-2 and JASON-3

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법을 구체적으로 설명하면 다음과 같다.A method for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention will be described in detail as follows.

도 3은 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법을 나타낸 플로우 차트이다.3 is a flowchart illustrating a method for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data according to the present invention.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법은 대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 단계(S301)와, 인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 단계(S302)와, 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하는 단계(S303)와, 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계(S304)와, 대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하고, 바람 예측 오차수정률 분포지도(Correction Map) 생성단계에서 심해부와 연안부에 걸쳐 수행된 검·보정 결과가 대기모델의 실시간 예측 자료에 반영하는 단계(S305)를 포함한다.According to the present invention, the method for improving the model prediction accuracy through calibration of the atmospheric model wind prediction data is enhanced through the steps of collecting wind observation data in the target sea area and building a DB (S301), and wind speed data observed through artificial satellites. A step of collecting and building a DB (S302), a step of comparing the wind observation results using the marine buoy with the wind observation results using an artificial satellite and performing calibration (S303), and the previous wind speed and wind direction prediction data of the atmospheric model The steps of collecting and building a DB, generating and correcting an error correction rate distribution map (S304), and generating wind forecast data in real time using the atmospheric model, and wind forecasting error correction rate distribution map (Correction Map) It includes a step (S305) of reflecting the inspection/correction results performed across the deep sea and coastal regions in the generation step to the real-time prediction data of the atmospheric model.

본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법의 각 단계를 구체적으로 설명하면 다음과 같다.Each step of the method for improving model prediction accuracy through advanced calibration of wind prediction data for atmospheric model according to the present invention will be described in detail as follows.

대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 단계(S301)를 설명하면 다음과 같다.The step (S301) of collecting wind observation data of the target sea area and building a DB is as follows.

도 4는 우리나라 기상청의 해상 기상부이 분포도이다.4 is a distribution map of marine meteorological buoys of the Korea Meteorological Administration.

해상부이 자료 DB 구축은 과거 관측 데이터베이스를 활용하여 이루어진다.The marine buoy data DB is constructed using the past observation database.

우리나라 기상청 및 해양조사원에서는 한반도 인근의 풍속, 풍향 및 파고 관측 자료를 제공하고 있다. 도 4는 우리나라 인근 해상의 바람 및 파고 관측 자료를 확보할 수 있는 기상청의 해양 기상부이 분포도이다.The Korea Meteorological Administration and the Korea Oceanic Research Institute provide data on wind speed, wind direction, and wave height observations in the vicinity of the Korean Peninsula. 4 is a distribution map of marine meteorological buoys of the Korea Meteorological Administration, which can secure wind and wave height observation data in the sea near Korea.

우리나라뿐만 아니라 일본 등의 인접 국가에서도 풍속, 풍향 및 파고에 대한 관측 자료를 날짜, 시간, 위치에 대한 정보와 함께 제공하고 있다.Not only Korea but also neighboring countries such as Japan provide observation data on wind speed, wind direction, and wave height along with information on date, time, and location.

이 단계에서는 대상해역의 바람 관측 자료를 수집하고 DB를 구축한다.In this step, wind observation data of the target sea area are collected and DB is built.

그리고 인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 단계(S302)를 설명하면 다음과 같다.Then, the step (S302) of collecting wind speed data observed through the satellite and building the DB will be described as follows.

도 5는 인공위성(JASON-2) 이동경로 구성도이다.5 is a configuration diagram of the movement path of the artificial satellite (JASON-2).

인공위성 자료 DB 구축은 과거 풍속 데이터베이스를 활용하여 이루어진다.The construction of the satellite data DB is made using the past wind speed database.

도 5는 여러 인공위성 중 JASON-2의 이동경로를 예로 나타내었다.5 shows the movement path of JASON-2 among several artificial satellites as an example.

인공위성에는 scatterometer와 같은 관측장비가 탑재되어 있어 인공위성 이동 경로에 대해 풍속을 측정할 수 있다. 이 단계에서는 인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축한다.The satellite is equipped with observation equipment such as a scatterometer, which can measure the wind speed along the path of the satellite. In this step, wind speed data observed through satellites are collected and a DB is built.

그리고 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하는 단계(S303)를 설명하면 다음과 같다.And the step (S303) of comparing the wind observation result using the marine buoy with the wind observation result using the artificial satellite and calibrating will be described as follows.

도 6은 해상부이(NDBC) 바람 관측자료와 인공위성(ENVISAT) 바람 측정자료의 비교도이다.6 is a comparison diagram of wind observation data from offshore buoys (NDBC) and wind measurement data from artificial satellite (ENVISAT).

인공위성 자료 DB의 검증하는 것으로, 이 단계에서는 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정이 이루어진다.It is to verify the satellite data DB. In this step, the wind observation result using the marine buoy and the wind observation result using the satellite are compared with each other and calibration is performed.

도 6은 인공위성 자료를 보정하기 위해 해상부이 자료와 인공위성 자료를 비교한 예를 나타낸 것으로, 이와 같은 비교 과정을 통해 위성자료의 보정식이 산출된다.6 shows an example of comparing the maritime buoy data and the satellite data in order to correct the satellite data, and a correction formula for the satellite data is calculated through this comparison process.

Figure 112019114738312-pat00002
Figure 112019114738312-pat00002

최종적으로 인공위성의 검증된 풍속 DB가 구축된다. Finally, the verified wind speed DB of the satellite is built.

그리고 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계(S304)를 설명하면 다음과 같다.Then, the step (S304) of collecting past wind speed and wind direction prediction data of the atmospheric model, building a DB, and generating and correcting a correction rate distribution map (S304) will be described as follows.

도 7은 대기모델(RDAPS) 풍속 자료의 예를 나타낸 구성도이다.7 is a block diagram showing an example of atmospheric model (RDAPS) wind speed data.

대기모델 과거 예측 자료 DB 구축을 하는 것으로, 이 단계에서는 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하고 DB를 구축한다. To build the atmospheric model past prediction data DB, in this step, the historical wind speed and direction prediction data of the atmospheric model are collected and the DB is built.

이와 같은 바람 예측을 수행하고 있는 대기모델의 종류는 여러 가지가 존재한다. 우리나라 기상청의 예보모델(RDAPS, LDAPS 및 GDAPS 등), 유럽중기예보센터(ECMWF)의 예측모델 그리고 National Centers for Environmental Prediction(NCEP)의 Global Forecast System(GFS) 모델 등이 있다.There are several types of atmospheric models that perform such wind prediction. There are forecast models of Korea Meteorological Administration (RDAPS, LDAPS and GDAPS, etc.), the forecast model of the European Center for Medium-term Forecast (ECMWF), and the Global Forecast System (GFS) model of the National Centers for Environmental Prediction (NCEP).

도 7은 우리나라 기상청의 지역예보모델인 RDAPS 풍속 자료의 예를 나타낸다.7 shows an example of RDAPS wind speed data, which is a regional forecasting model of the Korea Meteorological Administration.

오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계를 설명하면 다음과 같다.The steps for generating and correcting the error correction rate distribution map are as follows.

도 8은 인공위성(JASON-2) 풍속 자료에 대한 공간 보간의 예를 나타낸 구성도이다.8 is a block diagram illustrating an example of spatial interpolation for wind speed data of an artificial satellite (JASON-2).

오차수정률 분포지도(Correction Map) 생성 단계에서는 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성한다. In the error correction rate distribution map generation step, a correction rate distribution map is created to correct the past prediction DB of the atmospheric model based on the calibrated satellite data.

먼저, 오차수정률 분포지도(Correction Map) 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간법을 수행한다.First, data interpolation is performed on an empty space out of the path of the artificial satellite before generating a correction rate distribution map.

도 8은 인공위성 바람자료의 공간 보간을 수행한 예를 나타낸 것이다.8 shows an example of performing spatial interpolation of satellite wind data.

검증된 인공위성 바람자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)을 생성할 수 있다.Based on the verified satellite wind data, it is possible to create a correction rate distribution map for correcting the historical prediction DB of the atmospheric model.

도 9는 오차수정률 분포지도(Correction Map)의 예를 나타낸 구성도이다.9 is a configuration diagram illustrating an example of an error correction rate distribution map.

도 9의 오차수정률 분포지도(Correction Map)를 살펴보면, 연안 부근에서 높은 오차를 보이고 있고, 그에 따라 높은 수정(Correction) 계수가 요구되고 있음을 나타낸다.Looking at the error correction rate distribution map of FIG. 9 , it shows a high error near the coast, indicating that a high correction coefficient is required accordingly.

도 10은 심해부와 연안부 개략도이다.10 is a schematic diagram of a deep sea portion and a coastal portion.

보정은 심해부와 연안부 두 부분으로 나뉘어 진행된다.Calibration is carried out in two parts, the deep-sea part and the coastal part.

이는 연안 부근에서 심해 영역보다 대기모델의 바람 예측 자료의 불확실성이 다소 크게 존재하기 때문이다.This is because the uncertainty of wind prediction data of atmospheric models is somewhat larger near the coast than in the deep sea area.

따라서, 연안부에서는 연구대상해역의 대표 풍향 4방위(북서, 북동, 남서, 남동 계열)에 따라 각각의 구역을 나누어 해당 구역에 대해서만 보정이 진행된다. Therefore, in the coastal area, each area is divided according to the four representative wind directions (northwest, northeast, southwest, southeast series) of the study area, and only the corresponding area is corrected.

도 11은 연안부에서 대기모델 과거 예측 DB 검보정을 위한 구역 설정의 예를 나타낸 구성도이다.11 is a configuration diagram showing an example of setting a zone for the atmospheric model past prediction DB calibration correction in the coastal part.

도 11은 우리나라 동해를 연구대상해역으로 설정하고 4방위 구역을 나눈 예이다. 11 is an example in which the East Sea of Korea is set as a study target area and divided into 4 defense zones.

그리고 도 12는 대상영역의 대표 풍향(4방위)을 나타낸 것으로, 좌측부터 차례대로 북서 계열, 북동 계열, 남서 계열, 남동계열 풍향이다.And FIG. 12 shows the representative wind directions (four directions) of the target area, which are the northwest series, the northeast series, the southwest series, and the southeast series, sequentially from the left.

예를 들어, 우리나라 동해안의 대표 풍향이 북서계열인 경우 도 11의 ①구역의 연안 영역에서, 검증된 인공위성 풍속 DB를 기반으로 대기모델의 과거 예측 DB를 보정한다.For example, in the case where the representative wind direction of the east coast of Korea is the northwest series, the historical prediction DB of the atmospheric model is corrected based on the verified satellite wind speed DB in the coastal region of the region ① of FIG. 11 .

우리나라 동해안의 대표 풍향이 북동 계열인 경우 도 11의 ②구역의 연안 영역에서, 검증된 인공위성 풍속 DB를 기반으로 대기모델의 과거 예측 DB를 보정한다.In the case where the representative wind direction of the east coast of Korea is the northeast series, the historical prediction DB of the atmospheric model is corrected based on the verified satellite wind speed DB in the coastal region of area ② of FIG. 11 .

같은 방법으로 대표 풍향이 남서 및 남동 계열인 경우, 도11의 ③ 및 ④ 구역에서 각각 검증된 인공위성 풍속 DB를 기반으로 대기모델의 과거 예측 DB를 보정한다. In the same way, if the representative wind direction is southwest and southeast series, the historical prediction DB of the atmospheric model is corrected based on the satellite wind speed DB verified in areas ③ and ④ of FIG. 11, respectively.

대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하는 단계에서, 우리나라 기상청에서는 여러 종류의 대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하고 있다.In the step of generating wind prediction data in real time using the atmospheric model, the Korea Meteorological Administration is generating wind prediction data in real time using various types of atmospheric models.

예를 들어, 기상청의 예보모델 중 전지구모델(GDAPS)는 전 지구 영역에 대해서 향후 12일 기간에 대한 예측 자료를 생성하고 이를 필요로하는 연구자에게 제공되고 있다.For example, among the forecast models of the Korea Meteorological Administration, the Global Model (GDAPS) generates forecast data for the next 12-day period for the global area and is provided to researchers who need it.

그리고 검보정 결과가 대기모델의 실시간 예측 자료에 반영하는 단계에서는 이전 단계 중 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영된다. And in the stage where the calibration results are reflected in the real-time prediction data of the atmospheric model, the calibration results performed across the deep sea and coastal areas in the wind prediction error correction rate distribution map generation stage during the previous stage are reflected in the real-time prediction of the atmospheric model. reflected in the data.

이를 통해, 대기모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정됨으로써 대기모델의 예측 정확도가 향상될 수 있다.Through this, the prediction accuracy of the atmospheric model can be improved by correcting the real-time prediction data of the atmospheric model based on the observation data of the satellite and the sea buoy.

이상에서 설명한 본 발명에 따른 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법은 인공위성 및 해상부이 바람 관측자료를 기반으로 대기모델의 예측자료를 보정하여 대기모델의 예측 정확도를 향상시킬 수 있도록 한 것이다.The apparatus and method for improving the model prediction accuracy through the advancement of calibration of wind prediction data of the atmospheric model according to the present invention described above is the prediction of the atmospheric model by correcting the prediction data of the atmospheric model based on the wind observation data of satellites and offshore buoys. This was done to improve accuracy.

이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.As described above, it will be understood that the present invention is implemented in a modified form without departing from the essential characteristics of the present invention.

그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.Therefore, the specified embodiments are to be considered in an illustrative rather than a restrictive point of view, the scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto are included in the present invention. will have to be interpreted.

10. 해상부이 자료 DB 구축부
20. 인공위성 자료 DB 구축부
30. 대기모델 과거 예측 자료 DB 구축부
40. 대기모델의 실시간 예측 자료 생성부
50. 실시간 예측 자료 검보정부10. Marine buoy data DB construction department
20. Satellite data DB construction department
30. Atmospheric Model Past Prediction Data DB Construction Department
40. Real-time prediction data generation unit of atmospheric model
50. Real-time prediction data Gum correction government

Claims (9)

대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부;
인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부;
대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map)를 생성하고, 대기모델 과거 예측 DB 검보정을 하는 대기모델 과거 예측 자료 DB 구축부;
대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하는 대기모델의 실시간 예측 자료 생성부;
바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 실시간 예측 자료 검보정부;를 포함하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치.Marine buoy data DB construction unit that collects wind observation data in the target sea area and builds a DB;
Satellite data DB construction unit that collects wind speed data observed through satellite and builds DB;
An atmospheric model past prediction data DB construction unit that collects historical wind speed and wind direction prediction data of the atmospheric model to build a DB, creates a correction rate distribution map, and calibrates the atmospheric model past prediction DB;
A real-time prediction data generator of the atmospheric model that generates wind prediction data in real time using the atmospheric model;
Atmospheric comprising: a real-time prediction data calibration unit that allows the calibration results performed across the deep sea and coastal areas to be reflected in the real-time prediction data of the atmospheric model in the wind prediction error correction rate distribution map generation step; A device for improving model prediction accuracy through advanced calibration of wind prediction data. 제 1 항에 있어서, 인공위성 자료 DB 구축부는,
인공위성 자료 DB의 검증을 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하고,
비교 과정을 통해 위성자료의 보정식을 산출하여 인공위성의 검증된 풍속 DB가 구축되도록 하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치.The method of claim 1, wherein the satellite data DB construction unit,
In order to verify the satellite data DB, the wind observation results using the marine buoy and the wind observation results using the satellite are compared and corrected.
A device for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data, characterized in that the verified wind speed DB of the satellite is established by calculating the correction equation of the satellite data through the comparison process. 제 2 항에 있어서, 비교 과정을 통해 산출된 위성자료의 보정식은,
Figure 112019114738312-pat00003
와 같은 형태의 식인 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치.The method of claim 2, wherein the correction equation for satellite data calculated through the comparison process,
Figure 112019114738312-pat00003
A device for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data, characterized in that it is of the same form as 제 1 항에 있어서, 대기모델 과거 예측 자료 DB 구축부는,
검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고,
오차수정률 분포지도(Correction Map) 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치.The method of claim 1, wherein the atmospheric model past prediction data DB construction unit,
Based on the calibrated satellite data, a correction rate distribution map is created to correct the atmospheric model's past prediction DB,
A device for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data, characterized in that data interpolation is performed on empty spaces outside the path of the artificial satellite before generation of a correction rate distribution map. 제 1 항 또는 제 4 항에 있어서, 오차수정률 분포지도(Correction Map)에서 심해부보다 높은 수정(Correction) 계수가 요구되는 연안부에서의 대기모델의 바람 예측 자료의 불확실성을 고려하여,
연안부에서는 대상해역의 대표 풍향 4방위인 북서, 북동, 남서, 남동 계열에 따라 각각의 구역을 나누어 해당 구역에 대해서만 보정이 진행되도록 하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치.[Claim 5] The method according to claim 1 or 4, in consideration of the uncertainty of the wind prediction data of the atmospheric model in the coastal area, which requires a higher correction coefficient than in the deep sea area in the error correction rate distribution map,
In the coastal part, each zone is divided according to the four representative wind directions of the target sea area, northwest, northeast, southwest, and southeast, so that the correction is carried out only for that area. A device for improving model prediction accuracy. 대상해역의 바람 관측 자료를 수집하고 DB를 구축하는 단계;
인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 단계;
해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하는 단계;
대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계;
대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하고, 바람 예측 오차수정률 분포지도(Correction Map) 생성단계에서 심해부와 연안부에 걸쳐 수행된 검·보정 결과가 대기모델의 실시간 예측 자료에 반영하는 단계;를 포함하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법.collecting wind observation data of the target sea area and building a DB;
collecting wind speed data observed through satellites and building a DB;
Comparing the wind observation result using the marine buoy with the wind observation result using the artificial satellite and calibrating;
constructing a DB by collecting historical wind speed and wind direction prediction data of the atmospheric model, and generating and correcting an error correction rate distribution map;
It generates wind forecast data in real time using the atmospheric model, and in the wind prediction error correction rate distribution map generation stage, the inspection/correction results performed across the deep sea and coastal regions are reflected in the real-time forecast data of the atmospheric model. A method for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data, comprising: 제 6 항에 있어서, 인공위성을 통해 관측한 풍속 자료를 수집하고 DB를 구축하는 단계에서,
인공위성 자료 DB의 검증하기 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과를 서로 비교하고 검보정을 하고,
비교 과정을 통해 위성자료의 보정식을 산출하여 인공위성의 검증된 풍속 DB가 구축되도록 하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법.The method of claim 6, wherein in the step of collecting wind speed data observed through satellite and building a DB,
In order to verify the satellite data DB, the wind observation results using the marine buoy and the wind observation results using the satellite are compared and corrected.
A method for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data, characterized in that the verified wind speed DB of the satellite is constructed by calculating the correction equation of the satellite data through the comparison process. 제 6 항에 있어서, 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성 및 보정을 하는 단계에서,
검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고,
오차수정률 분포지도(Correction Map) 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법.The method of claim 6, wherein in the step of constructing a DB by collecting historical wind speed and wind direction prediction data of the atmospheric model, and generating and correcting a correction rate distribution map,
Based on the calibrated satellite data, a correction rate distribution map is created to correct the atmospheric model's past prediction DB,
A method for improving model prediction accuracy through advanced calibration of atmospheric model wind prediction data, characterized in that data interpolation is performed for empty space outside the path of the artificial satellite before generation of a correction rate distribution map. 제 6 항에 있어서, 오차수정률 분포지도(Correction Map)에서 심해부보다 높은 수정(Correction) 계수가 요구되는 연안부에서의 대기모델의 바람 예측 자료의 불확실성을 고려하여,
연안부에서는 대상해역의 대표 풍향 4방위인 북서, 북동, 남서, 남동 계열에 따라 각각의 구역을 나누어 해당 구역에 대해서만 보정이 진행되도록 하는 것을 특징으로 하는 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 방법.According to claim 6, Considering the uncertainty of the wind prediction data of the atmospheric model in the coastal region that requires a higher correction coefficient than in the deep sea in the error correction rate distribution map (Correction Map),
In the coastal part, each zone is divided according to the four representative wind directions of the target sea area, northwest, northeast, southwest, and southeast, so that the correction is carried out only for that area. Methods for improving model prediction accuracy.
KR1020190142425A 2019-11-08 2019-11-08 Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data KR102365071B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190142425A KR102365071B1 (en) 2019-11-08 2019-11-08 Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190142425A KR102365071B1 (en) 2019-11-08 2019-11-08 Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data

Publications (3)

Publication Number Publication Date
KR20210055975A KR20210055975A (en) 2021-05-18
KR102365071B1 true KR102365071B1 (en) 2022-02-18
KR102365071B9 KR102365071B9 (en) 2023-04-12

Family

ID=76158723

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190142425A KR102365071B1 (en) 2019-11-08 2019-11-08 Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data

Country Status (1)

Country Link
KR (1) KR102365071B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102589878B1 (en) 2021-06-29 2023-10-16 한국해양과학기술원 System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004085394A (en) 2002-08-27 2004-03-18 Nec Corp System for modifying marine forecast data

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101507397B1 (en) 2012-08-20 2015-04-07 주식회사 나인에코 System for providing atmospheric modeling system service
KR101790481B1 (en) * 2015-12-30 2017-10-25 경남대학교 산학협력단 Sea surface wind measurement system and method using marine rader
KR101821303B1 (en) 2016-09-08 2018-01-23 한국해양과학기술원 System and Method for estimating object motion using the particle tracking model of differential wind coefficient mode
KR20180090176A (en) * 2017-02-02 2018-08-10 한국전자통신연구원 Apparatus and method for extracting of marine information including error correction
KR101966639B1 (en) 2018-04-19 2019-07-26 대한민국 Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004085394A (en) 2002-08-27 2004-03-18 Nec Corp System for modifying marine forecast data

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김태성 외 6인. L밴드 인공위성 SAR를 이용한 동해 연안 해상풍 산출 및 오차 특성. 한국원격탐사학회지 : 한국원격탐사학회. 2012년 10월, 제28권, 제5호, 페이지 477 내지 487
최도영 외 4인. 인공위성 고도계 해상풍 검증과 해상상태편차와의 관련성. 한국지구과학회지 : 한국지구과학회. 2018년 4월 30일, 제39권, 제2호, 페이지 139 내지 153

Also Published As

Publication number Publication date
KR20210055975A (en) 2021-05-18
KR102365071B9 (en) 2023-04-12

Similar Documents

Publication Publication Date Title
AU2017352549B2 (en) Method and device for calculating power generation of wind farm
Forristall Wave crest distributions: Observations and second-order theory
Langland et al. Initial condition sensitivity and error growth in forecasts of the 25 January 2000 East Coast snowstorm
KR102365072B1 (en) Apparatus and Method for Improving Wave Prediction Model Accuracy by Advancing Correction of Wind Prediction Data
Blockley et al. Recent development of the Met Office operational ocean forecasting system: an overview and assessment of the new Global FOAM forecasts
CN113468773A (en) Global table wind wave numerical simulation method and system
CN116205541B (en) Method and device for evaluating influence of local pollution source on environmental air quality
CN111368406A (en) Continuous depth datum plane construction method
KR102365071B1 (en) Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data
Viselli et al. Validation of the first LiDAR wind resource assessment buoy system offshore the Northeast United States
CN113627096B (en) Fine wind field simulation method based on spatial correlation and monitoring data
CN117423002B (en) Small-scale tidal flat image processing method based on DEM
KR101313822B1 (en) Wind power density prediction method using neural network technique
Lee et al. Improving wind predictions in the marine atmospheric boundary layer through parameter estimation in a single-column model
CN117113828A (en) Numerical forecast correction method based on ship-based navigation observation
CN109946765B (en) Prediction method and system for flow field of wind power plant
Krishnamurthy et al. Year-long buoy-based observations of the air–sea transition zone off the US west coast
Bengtsson et al. Global observations and forecast skill
Weber et al. Objective estimation of the radius of the outermost closed isobar in tropical cyclones
Howarth et al. Ship ADCP measurements and tidal models of the North Sea
Tahir et al. Estimate of the wind resource of two cities in the sahara and sahel in Chad
Kang et al. Wind resource assessment and potential development of wind farms along the entire coast of South Korea using public data from the Korea meteorological administration
Bischoff et al. An approach and discussion of a simulation based measurement uncertainty estimation for a floating lidar system
CN114829985A (en) Calculating the wind speed in the recurrence period
CN112596127A (en) Novel method for calculating typhoon potential generation index

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]