KR102365072B1

KR102365072B1 - 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법

Info

Publication number: KR102365072B1
Application number: KR1020190142426A
Authority: KR
Inventors: 유제선; 심재설; 손동휘; 김무종; 전기천
Original assignee: 한국해양과학기술원
Priority date: 2019-11-08
Filing date: 2019-11-08
Publication date: 2022-02-18
Also published as: KR20210055976A; KR102365072B9

Abstract

본 발명은 파랑 수치모델링시에 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑예측 모델 정확도를 높일 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법에 관한 것으로, 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부;인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부;대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성을 하는 대기모델 과거 예측 자료 DB 구축부;대기모델 과거 예측 DB 검보정을 하는 대기모델 예측 실시간 검보정부;과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성하는 파랑모델 과거 예측 자료 DB 구축부;파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하여 파랑 예측 실시간 검보정을 하는 파랑 예측 실시간 검보정부;파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 제공하는 파랑 모델 실시간 예측 자료 제공부;를 포함하는 것이다.

Description

바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법{Apparatus and Method for Improving Wave Prediction Model Accuracy by Advancing Correction of Wind Prediction Data}

본 발명은 파랑 수치모델링에 관한 것으로, 구체적으로 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑예측 모델 정확도를 높일 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법에 관한 것이다.

연안침수, 유류오염사고, 연안침식 등과 같이 연안에서 발생하는 재해는 해수면과 파랑 및 해수의 운동과 깊은 관련이 있다.

그러므로 연안해역에서의 정확한 해수면과 파랑 및 유속의 예측은 해양산업뿐만 아니라 해안지역의 방호 및 해난사고 시 수색구조, 유류확산 추정에서 매우 중요하다.

해수의 흐름은 천체의 운동에 의한 주기적인 천문조, 폭풍해일, 지진해일, 저기압, 파랑 등 여러 요인의 복합적인 작용의 결과로 나타나기 때문에 종래의 기술에서는 정확한 예측에 한계가 있었다.

연안공학에서는 바다의 파랑을 유의파 상당의 규칙파로 취급하여 파의 굴절, 회절, 천수, 쇄파, 마찰 소산 등에 의한 변형을 취급한다.

하지만, 잘 알려져 있는 것처럼 해양에서 발생되는 실제의 해파는 파고, 주기, 파향이 각양각색인 파의 복합으로서 매우 불규칙한 자연현상이기 때문에 파랑에너지의 분포를 주파수와 파향의 함수로 나타내는 소위 파향 스펙트럼의 개념이 도입되어 현재 파랑 예측에 활용되고 있다.

이와 같이 바다에서 발생하는 파랑(또는, 풍파)을 사전에 예측하기 위해서는, 파랑 수치모델을 사용하여 예측자료를 계산하는 과정이 필요하다.

이와 같은 파랑 수치모델은 해상에서 발생하고 이동하는 파랑(파고, 파주기 그리고 파향 등) 현상을 예측하는데 사용된다.

파랑 수치모델링 과정에서는 바람 자료가 수치모의를 위한 주요 입력요소로 적용된다. 바다의 해수면에서 파랑을 발생시키고 그 에너지를 전파하는 주요 외력이 바람이기 때문이다.

따라서, 파랑 수치모델의 예측 정확도를 향상시키기 위해서는, 실제 발생했던 기상 현상과 잘 부합하고 정확한 풍속 및 풍향 자료를 확보하여 수치모델의 입력자료로 활용하는 것이 중요하다.

우리나라 인근 해역뿐만 아니라 전 세계적으로 이용할 수 있는 바람 자료의 종류는 여러 가지가 존재한다. 후측 자료, 재분석 자료, 예측모델 자료, 현장관측 자료 등이 있다.

그 중 일반적으로 현장관측 자료가 실제 발생한 바람 현상을 직접 측정한 자료로 타 분석 자료에 비해 정확도가 가장 높을 것으로 판단된다.

하지만, 관측 장비를 설치할 수 있는 장소 및 환경의 한계로 관측 지점들은 주로 심해 영역보다는 육지 부근으로 한정되어 있어 외해 영역의 바람 자료를 확보하는 것이 쉽지 않아 파랑예측 모델 정확도를 높이는데 한계가 있다.

따라서, 파랑예측 모델 정확도를 높일 수 있도록 하는 새로운 파랑 수치모델링 기술의 개발이 요구되고 있다.

대한민국 등록특허 제10-1736918호 대한민국 등록특허 제10-1977375호 대한민국 공개번호 제10-2015-0117972호

본 발명은 종래 기술의 파랑 수치모델링 기술의 문제점을 해결하기 위한 것으로, 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑예측 모델 정확도를 높일 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑 예측 수치모델 결과의 정확도를 향상시킬 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 인공위성을 이용함으로써 해상의 파고 측정자료를 확보하는 것에 의해 파고에 대한 관측자료 또한 인공위성 풍속 관측자료와 같이 육지 부근뿐만 아니라 심해 영역의 자료를 확보할 수 있어 파랑모델을 검증하고 예측 정확도를 향상시킬 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 바람 입력 시나리오를 생성함에 있어, 파랑모델의 예측 정확도를 향상시키기 위해 앞서 검증된 인공위성 풍속 DB를 활용하고 최종적으로 파랑모델의 예측 결과를 수집하고 DB를 구축하여 파랑모델의 예측 정확도를 높일 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용하고, 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하여 파랑모델의 예측 정확도를 높일 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명은 파랑 모델 실시간 예측 자료 생성 단계에서 파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 파랑모델의 예측 정확도가 향상될 수 있도록 한 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법을 제공하는데 그 목적이 있다.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치는 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부;인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부;대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성을 하는 대기모델 과거 예측 자료 DB 구축부;대기모델 과거 예측 DB 검보정을 하는 대기모델 예측 실시간 검보정부;과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성하는 파랑모델 과거 예측 자료 DB 구축부;파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하여 파랑 예측 실시간 검보정을 하는 파랑 예측 실시간 검보정부;파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 제공하는 파랑 모델 실시간 예측 자료 제공부;를 포함하는 것을 특징으로 한다.

여기서, 인공위성 자료 DB 구축부는, 인공위성 자료 DB의 검증을 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하고, 해상부이를 이용한 파고 관측결과와 인공위성을 이용한 파고 관측결과에 대해 서로 비교 및 검보정을 하여 위성자료의 보정식을 산출하여 인공위성의 검증된 파고 DB 및 바람 DB가 구축되도록 하는 것을 특징으로 한다.

그리고 비교 및 검보정을 통해 산출된 위성자료의 보정식은,

와 같은 형태의 식인 것을 특징으로 한다.

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) 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 한다.

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.

그리고 대기모델 예측 실시간 검보정부는, 대기모델 과거 예측 자료 DB 구축부의 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 것을 특징으로 한다.

그리고 파랑모델 과거 예측 자료 DB 구축부는, 파랑 수치모델링 과정에서 해상부이 자료 DB 구축부 및 인공위성 자료 DB 구축부의 바람 자료를 수치모의를 위한 주요 입력요소로 적용하고, 검보정된 위성 자료를 기반으로 파랑모델의 과거 예측 DB를 보정하기 위한 파랑 예측 오차수정률 분포지도(Correction Map)를 생성하는 것을 특징으로 한다.

그리고 오차수정률 분포지도(Correction Map)를 생성하기 전에 인공위성의 경로를 벗어난 빈 공간에 대한 데이터 보간으로, 인공위성 파고 자료의 공간 보간을 수행하는 것을 특징으로 한다.

그리고 파랑 예측 실시간 검보정부는, 파랑 예측 실시간 검보정을 위하여 파랑모델 과거 예측 자료 DB 구축부에서 생된 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하는 것을 특징으로 한다.

다른 목적을 달성하기 위한 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법은 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 단계;인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 단계;해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하는 단계;대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 대기모델 과거 예측 자료 DB를 구축하는 단계;검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고 보정하는 단계;심해부와 연안부에 걸쳐 수행된 검보정 결과를 대기모델의 실시간 예측 자료에 반영하는 단계;과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계;파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하는 단계;를 포함하는 것을 특징으로 한다.

여기서, 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하는 단계에서, 인공위성 자료 DB의 검증을 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하고, 해상부이를 이용한 파고 관측결과와 인공위성을 이용한 파고 관측결과에 대해 서로 비교 및 검보정을 하여 위성자료의 보정식을 산출하여 인공위성의 검증된 파고 DB 및 바람 DB가 구축되도록 하는 것을 특징으로 한다.

그리고 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고 보정하는 단계에서, 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고, 오차수정률 분포지도(Correction Map) 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 한다.

그리고 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계에서, 대기모델 과거 예측 자료 DB 구축을 위한 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 것을 특징으로 한다.

그리고 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계에서, 파랑 수치모델링 과정에서 해상부이 자료 DB 구축부 및 인공위성 자료 DB 구축부의 바람 자료를 수치모의를 위한 주요 입력요소로 적용하고, 검보정된 위성 자료를 기반으로 파랑모델의 과거 예측 DB를 보정하기 위한 파랑 예측 오차수정률 분포지도(Correction Map)를 생성하는 것을 특징으로 한다.

그리고 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계에서, 파랑 예측 실시간 검보정을 위하여 파랑모델 과거 예측 자료 DB 구축부에서 생된 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하는 것을 특징으로 한다.

이상에서 설명한 바와 같은 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법은 다음과 같은 효과가 있다.

첫째, 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑예측 모델 정확도를 높일 수 있도록 한다.

둘째, 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑 예측 수치모델 결과의 정확도를 향상시킬 수 있도록 한다.

셋째, 인공위성을 이용함으로써 해상의 파고 측정자료를 확보하는 것에 의해 파고에 대한 관측자료 또한 인공위성 풍속 관측자료와 같이 육지 부근뿐만 아니라 심해 영역의 자료를 확보할 수 있어 파랑모델을 검증하고 예측 정확도를 향상시킬 수 있도록 한다.

넷째, 바람 입력 시나리오를 생성함에 있어, 파랑모델의 예측 정확도를 향상시키기 위해 앞서 검증된 인공위성 풍속 DB를 활용하고 최종적으로 파랑모델의 예측 결과를 수집하고 DB를 구축하여 파랑모델의 예측 정확도를 높일 수 있도록 한다.

다섯째, 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용하고, 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하여 파랑모델의 예측 정확도를 높일 수 있도록 한다.

여섯째, 파랑 모델 실시간 예측 자료 생성 단계에서 파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 파랑모델의 예측 정확도가 향상될 수 있도록 한다.

도 1은 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치의 전체 동작 흐름도
도 2는 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치의 구성 블록도
도 3은 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법을 나타낸 플로우 차트
도 4는 우리나라 기상청의 해상 파고부이 분포도
도 5는 인공위성(JASON-2) 이동경로를 나타낸 구성도
도 6은 해상부이 파고 관측자료와 인공위성 파고 측정자료의 비교 그래프
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 검보정을 위한 구역 설정의 예를 나타낸 구성도
도 12는 상영역의 대표 풍향(4방위)를 나타낸 구성도
도 13은 파랑모델(WAM) 파고 자료의 예를 나타낸 구성도
도 14는 인공위성(JASON-2) 파고 자료에 대한 공간 보간의 예를 나타낸 구성도

이하, 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.

도 1은 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치의 전체 동작 흐름도이다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법은 인공위성을 이용하여 측정한 바람 자료를 기반으로 파랑 예측 수치실험을 수행하여 파랑예측 모델 정확도를 높일 수 있도록 한 것이다.

본 발명은 인공위성을 이용함으로써 해상의 파고 측정자료를 확보하는 것에 의해 파고에 대한 관측자료 또한 인공위성 풍속 관측자료와 같이 육지 부근뿐만 아니라 심해 영역의 자료를 확보하여 파랑모델을 검증하는 구성을 포함할 수 있다.

본 발명은 바람 입력 시나리오를 생성함에 있어, 파랑모델의 예측 정확도를 향상시키기 위해 검증된 인공위성 풍속 DB를 활용하고 최종적으로 파랑모델의 예측 결과를 수집하고 DB를 구축하는 구성을 포함할 수 있다.

본 발명은 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하고, 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하는 구성을 포함할 수 있다.

본 발명은 파랑 모델 실시간 예측 자료 생성 단계에서 파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하는 구성을 포함할 수 있다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치를 구체적으로 설명하면 다음과 같다.

도 2는 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치의 구성 블록도이다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치는 도 2에서와 같이, 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부(10)와, 인공위성을 통해 관측한 파고 및 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 하는 대기모델 과거 예측 자료 DB 구축부(30)와, 대기모델 과거 예측 DB 검보정을 하는 대기모델 예측 실시간 검보정부(40)와, 과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성하는 파랑모델 과거 예측 자료 DB 구축부(50)와, 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하여 파랑 예측 실시간 검보정을 하는 파랑 예측 실시간 검보정부(60)와, 파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 제공하는 파랑 모델 실시간 예측 자료 제공부(70)를 포함한다.

이와 같은 구성을 갖는 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치는 바람 입력 시나리오를 생성함에 있어, 검증된 인공위성 풍속 DB를 활용하고 최종적으로 파랑모델의 예측 결과를 수집하고 DB를 구축하는 것에 의해 파랑모델의 예측 정확도를 향상시킬 수 있다.

특히, 본 발명은 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하고, 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하여 파랑모델의 예측 정확도를 향상시킬 수 있도록 한 것이다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법을 구체적으로 설명하면 다음과 같다.

도 3은 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법을 나타낸 플로우 차트이다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법은 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 단계(S301)와, 인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 단계(S302)와, 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하는 단계(S303)와,
대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 대기모델 과거 예측 자료 DB를 구축하는 단계(304)와, 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고 보정하는 단계(S305)와, 심해부와 연안부에 걸쳐 수행된 검보정 결과를 대기모델의 실시간 예측 자료에 반영하는 단계(S306)와, 과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계(S307)와, 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용하는 단계(S308)를 포함한다.

본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법의 각 단계를 구체적으로 설명하면 다음과 같다.

대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 단계(S301)를 설명하면 다음과 같다.

도 4는 우리나라 기상청의 해상 파고부이 분포도이다.

해상부이 자료 DB 구축은 과거 관측 데이터베이스를 활용하여 이루어지는 것으로, 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축한다.

우리나라 기상청 및 해양조사원에서는 한반도 인근의 풍속, 풍향 및 파고 관측 자료를 제공하고 있다. 도 4는 우리나라 인근 해상의 파고 관측 자료를 확보할 수 있는 기상청의 해양 파고부이 분포도이다.

우리나라뿐만 아니라 일본 등의 인접 국가에서도 풍속, 풍향 및 파고에 대한 관측 자료를 날짜, 시간, 위치에 대한 정보와 함께 제공하고 있다.

이 단계에서는 대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축할 수 있다.

그리고 인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 단계(S302)를 설명하면 다음과 같다.

도 5는 인공위성(JASON-2) 이동경로를 나타낸 구성도이다.

인공위성 자료 DB 구축은 과거 풍속 데이터베이스를 활용하여 이루어지는 것으로, 이 단계에서는 인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축한다.

풍속 및 파고를 측정하는 인공위성은 1986년 이후로 여러 종류가 존재한다.

ERA-1, ERA-2, TOPEX, ENVISAT, GEOSAT, JASON-1, JASON-2 그리고 JASON-3 등이 있다.

도 5는 여러 인공위성 중 JASON-2의 이동경로를 예로 나타내었다.

인공위성을 이용하여 파고를 측정하기 위해서는 주로 altimeter 장비가 이용되고, 풍속을 측정하기 위해서는 주로 scatterometer 장비가 이용되고 있다.

그리고 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하는 단계(S303)를 설명하면 다음과 같다.

도 6은 해상부이 파고 관측자료와 인공위성 파고 측정자료의 비교 그래프이다.

인공위성 자료 DB의 검증을 하는 단계로 추후 대기모델 검보정을 위해, 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정이 이루어진다.

또한 추후 파랑모델의 검보정을 위해서 해상부이를 이용한 파고 관측결과와 인공위성을 이용한 파고 관측결과에 대해 서로 비교 및 검보정이 이루어진다.

도 6은 인공위성 자료를 보정하기 위해 해상부이 파고 자료와 인공위성 파고 측정자료를 비교한 예를 나타낸 것이다.

이와 같은 비교 과정을 통해 위성자료의 보정식이 산출될 수 있다.

이와 같은 과정으로 인공위성의 검증된 파고 DB가 구축되고, 인공위성의 검증된 바람 DB가 구축된다.

그리고 대기모델을 이용하여 예측한 바람 자료 DB를 구축하는 단계(304)를 설명하면 다음과 같다.

도 7은 대기모델(RDAPS) 풍속 자료의 예를 나타낸 구성도이다.

대기모델 과거 예측 자료 DB 구축을 하는 단계로 이 단계에서는 대기모델을 이용하여 예측한 바람 자료 DB를 구축한다.

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.

도 7은 우리나라 기상청의 지역예보모델인 RDAPS 풍속 자료의 예를 나타낸다.

이 단계에서는 대기모델의 과거 풍속 및 풍향 예측 자료를 수집하고 DB를 구축한다.

그리고 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고 보정하는 단계(S305)를 설명하면 다음과 같다.

도 8은 인공위성(JASON-2) 풍속 자료에 대한 공간 보간의 예를 나타낸 구성도이다.

이 단계에서는 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성한다.

먼저, 오차수정률 분포지도(Correction Map) 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간법을 수행한다.

도 8은 인공위성 바람자료의 공간 보간을 수행한 예를 나타낸 것이다.

이와 같이 검증된 인공위성 바람자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성할 수 있다.

도 9는 오차수정률 분포지도(Correction Map)의 예를 나타낸 것으로, 연안 부근에서 높은 오차를 보이고 있고, 그에 따라 높은 수정(Correction) 계수가 요구되고 있음을 나타낸다.

그리고 심해부와 연안부에 걸쳐 수행된 검보정 결과를 대기모델의 실시간 예측 자료에 반영하는 단계(S306)를 설명하면 다음과 같다.

도 10은 심해부와 연안부 개략도이다.

보정은 심해부와 연안부 두 부분으로 나뉘어 진행된다.

이는 연안 부근에서 심해 영역보다 대기모델의 바람 예측 자료의 불확실성이 다소 크게 존재하기 때문이다.

따라서, 연안부에서는 연구대상해역의 대표 풍향 4방위(북서, 북동, 남서, 남동 계열)에 따라 각각의 구역을 나누어 해당 구역에 대해서만 보정이 진행된다.

도 11은 우리나라 동해를 연구대상해역으로 설정하고 4방위 구역을 나눈 예이다.

그리고 도 12는 대상영역의 대표 풍향(4방위)을 나타낸 것으로, 좌측부터 차례대로 북서 계열, 북동 계열, 남서 계열, 남동계열 풍향이다.

예를 들어, 우리나라 동해안의 대표 풍향이 북서계열인 경우 도 11의 ①구역의 연안 영역에서, 검증된 인공위성 풍속 DB를 기반으로 대기모델의 과거 예측 DB를 보정한다.

우리나라 동해안의 대표 풍향이 북동 계열인 경우 도 11의 ②구역의 연안 영역에서, 검증된 인공위성 풍속 DB를 기반으로 대기모델의 과거 예측 DB를 보정한다.

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.

대기모델 예측 실시간 검보정은 실시간 예측 자료를 활용하여 이루어진다.

우리나라 기상청에서는 여러 종류의 대기모델을 이용하여 실시간으로 바람 예측 자료를 생성하고 있다.

예를 들어, 기상청의 예보모델 중 전지구모델(GDAPS)는 전 지구 영역에 대해서 향후 12일 기간에 대한 예측 자료를 생성하고 이를 필요로하는 연구자에게 제공되고 있다.

이 단계에서는 이전 단계 중 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영된다.

그리고 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계(S307)를 설명하면 다음과 같다.

도 13은 파랑모델(WAM) 파고 자료의 예를 나타낸 구성도이다.

파랑모델 과거 예측 자료 DB 구축은 과거 예측 데이터베이스를 활용하는 것으로, 이 단계에서는 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축한다.

파랑 예측을 수행하고 있는 파랑모델의 종류는 여러 가지가 존재한다.

우리나라 기상청의 예보모델(GWW3, RWW3 및 CWW3 등), 유럽중기예보센터(ECMWF)의 WAM 모델 그리고 National Oceanic and Atmospheric Administration(NOAA)의 WAVEWATCH Ⅲ 모델 등이 있다.

도 13은 유럽중기예보센터(ECMWF)의 WAM 모델 파고 자료의 예를 나타낸 것이다.

파랑 수치모델링 과정에서는 바람 자료가 수치모의를 위한 주요 입력요소로 적용된다.

여기서, 바람 입력 시나리오를 생성함에 있어 파랑모델의 예측 정확도를 향상시키기 위해 앞서 검증된 인공위성 풍속 DB를 활용한다. 최종적으로 파랑모델의 예측 결과를 수집하고 DB를 구축한다.

그리고 오차수정률 분포지도(Correction Map) 생성하는 단계에서는 검보정된 위성 자료를 기반으로 파랑모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성한다.

먼저, Correction Map 생성 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간법을 수행한다.

인공위성 파고 자료의 공간 보간을 수행한 예는 도 14에서와 같다.

도 14는 인공위성(JASON-2) 파고 자료에 대한 공간 보간의 예를 나타낸 구성도이다.

이와 같이 검증된 인공위성 파고자료를 기반으로 파랑모델의 실시간 예측 검보정을 위한 오차수정률 분포지도(Correction Map)를 생성할 수 있다.

그리고 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용하는 단계(S308)를 설명하면 다음과 같다.

파랑 예측 실시간 검보정 단계에서는 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용된다.

또한, 이전 단계 중 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영된다.

이와 같은 과정을 통해, 파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정됨으로써 파랑모델의 예측 정확도가 향상될 수 있도록 한다.

이상에서 설명한 본 발명에 따른 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법은 파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용하고, 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하여 파랑모델의 예측 정확도를 높일 수 있도록 한다.

특히, 파랑 모델 실시간 예측 자료 생성 단계에서 파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 파랑모델의 예측 정확도가 향상될 수 있도록 한다.

이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.

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.

10. 해상부이 자료 DB 구축부
20. 인공위성 자료 DB 구축부
30. 대기모델 과거 예측 자료 DB 구축부
40. 대기모델 예측 실시간 검보정부
50. 파랑모델 과거 예측 자료 DB 구축부
60. 파랑 예측 실시간 검보정부
70. 파랑 모델 실시간 예측 자료 제공부

Claims

대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 해상부이 자료 DB 구축부;
인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 인공위성 자료 DB 구축부;
대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 DB를 구축하고, 오차수정률 분포지도(Correction Map) 생성을 하는 대기모델 과거 예측 자료 DB 구축부;
대기모델 과거 예측 DB 검보정을 하는 대기모델 예측 실시간 검보정부;
과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성하는 파랑모델 과거 예측 자료 DB 구축부;
파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하여 파랑 예측 실시간 검보정을 하는 파랑 예측 실시간 검보정부;
파랑모델의 실시간 예측 자료가 인공위성과 해상부이 관측 자료를 기반으로 보정되도록 하여 제공하는 파랑 모델 실시간 예측 자료 제공부;를 포함하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
제 1 항에 있어서, 인공위성 자료 DB 구축부는,
인공위성 자료 DB의 검증을 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하고,
해상부이를 이용한 파고 관측결과와 인공위성을 이용한 파고 관측결과에 대해 서로 비교 및 검보정을 하여 위성자료의 보정식을 산출하여 인공위성의 검증된 파고 DB 및 바람 DB가 구축되도록 하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
제 2 항에 있어서, 비교 및 검보정을 통해 산출된 위성자료의 보정식은,

와 같은 형태의 식인 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
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) 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
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 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
제 1 항에 있어서, 대기모델 예측 실시간 검보정부는,
대기모델 과거 예측 자료 DB 구축부의 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
제 1 항에 있어서, 파랑모델 과거 예측 자료 DB 구축부는,
파랑 수치모델링 과정에서 해상부이 자료 DB 구축부 및 인공위성 자료 DB 구축부의 바람 자료를 수치모의를 위한 주요 입력요소로 적용하고,
검보정된 위성 자료를 기반으로 파랑모델의 과거 예측 DB를 보정하기 위한 파랑 예측 오차수정률 분포지도(Correction Map)를 생성하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
제 7 항에 있어서, 오차수정률 분포지도(Correction Map)를 생성하기 전에 인공위성의 경로를 벗어난 빈 공간에 대한 데이터 보간으로,
인공위성 파고 자료의 공간 보간을 수행하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
제 1 항에 있어서, 파랑 예측 실시간 검보정부는,
파랑 예측 실시간 검보정을 위하여 파랑모델 과거 예측 자료 DB 구축부에서 생된 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치.
대상해역의 파고 및 바람 관측 자료를 수집하고 DB를 구축하는 단계;
인공위성을 통해 관측한 파고 및 풍속 자료를 수집하고 DB를 구축하는 단계;
해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하는 단계;
대기모델의 과거 풍속 및 풍향 예측 자료를 수집하여 대기모델 과거 예측 자료 DB를 구축하는 단계;
검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고 보정하는 단계;
심해부와 연안부에 걸쳐 수행된 검보정 결과를 대기모델의 실시간 예측 자료에 반영하는 단계;
과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계;
파랑모델의 구동을 위한 입력 자료로써 고도화된 대기모델의 바람 예측 결과가 바람 입력 시나리오로 적용되도록 하는 단계;를 포함하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 10 항에 있어서, 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하는 단계에서,
인공위성 자료 DB의 검증을 위하여 해상부이를 이용한 바람 관측결과와 인공위성을 이용한 바람 관측결과에 대해 서로 비교 및 검보정을 하고,
해상부이를 이용한 파고 관측결과와 인공위성을 이용한 파고 관측결과에 대해 서로 비교 및 검보정을 하여 위성자료의 보정식을 산출하여 인공위성의 검증된 파고 DB 및 바람 DB가 구축되도록 하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 10 항에 있어서, 검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고 보정하는 단계에서,
검보정된 위성 자료를 기반으로 대기모델의 과거 예측 DB를 보정하기 위한 오차수정률 분포지도(Correction Map)를 생성하고,
오차수정률 분포지도(Correction Map) 전에 인공위성의 경로를 벗어난 빈 공간에 대해서는 데이터 보간을 수행하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 12 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 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 10 항에 있어서, 과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계에서,
대기모델 과거 예측 자료 DB 구축을 위한 바람 예측 오차수정률 분포지도(Correction Map) 생성 단계에서 심해부와 연안부에 걸쳐 수행된 검보정 결과가 대기모델의 실시간 예측 자료에 반영되도록 하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 10 항에 있어서, 과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계에서,
파랑 수치모델링 과정에서 해상부이 자료 DB 구축부 및 인공위성 자료 DB 구축부의 바람 자료를 수치모의를 위한 주요 입력요소로 적용하고,
검보정된 위성 자료를 기반으로 파랑모델의 과거 예측 DB를 보정하기 위한 파랑 예측 오차수정률 분포지도(Correction Map)를 생성하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 15 항에 있어서, 오차수정률 분포지도(Correction Map)를 생성하기 전에 인공위성의 경로를 벗어난 빈 공간에 대한 데이터 보간으로,
인공위성 파고 자료의 공간 보간을 수행하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.
제 10 항에 있어서, 과거 예측 데이터베이스를 활용하여 파랑모델을 이용하여 예측한 파랑 자료 DB를 구축 및 오차수정률 분포지도(Correction Map) 생성을 하는 단계에서,
파랑 예측 실시간 검보정을 위하여 파랑모델 과거 예측 자료 DB 구축부에서 생된 파랑 예측 오차수정률 분포지도(Correction Map) 생성 결과가 실시간 파랑모델 예측결과의 검보정에 반영되도록 하는 것을 특징으로 하는 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 방법.