KR102388292B1 - 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 - Google Patents

복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 Download PDF

Info

Publication number
KR102388292B1
KR102388292B1 KR1020210132997A KR20210132997A KR102388292B1 KR 102388292 B1 KR102388292 B1 KR 102388292B1 KR 1020210132997 A KR1020210132997 A KR 1020210132997A KR 20210132997 A KR20210132997 A KR 20210132997A KR 102388292 B1 KR102388292 B1 KR 102388292B1
Authority
KR
South Korea
Prior art keywords
parameterization
physics
radiation
radiative
value
Prior art date
Application number
KR1020210132997A
Other languages
English (en)
Inventor
송환진
노순영
Original Assignee
대한민국(기상청 국립기상과학원장)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국(기상청 국립기상과학원장) filed Critical 대한민국(기상청 국립기상과학원장)
Priority to KR1020210132997A priority Critical patent/KR102388292B1/ko
Application granted granted Critical
Publication of KR102388292B1 publication Critical patent/KR102388292B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

수치 예보 모델의 복사 물리 모수화 모듈에 대한 에뮬레이터의 불확실성을 보정하기 위해, 수치 예보 모델의 복사 물리 모수화(parameterization) 시스템은 복사 물리 모수화 모듈, 복사 물리 모수화 모듈에 대한 에뮬레이터(emulator); 및 컨트롤러를 포함하고, 컨트롤러는, 시스템으로의 입력값의 정상 여부를 판단하고, 입력값이 정상이라고 판단된 경우, 에뮬레이터로 입력값을 입력하고, 입력값에 대해 에뮬레이터에서 생성된 예측값의 정상 여부를 판단하고, 예측값이 정상이라고 판단된 경우, 예측값을 출력하도록 구성될 수 있다. 그 외에도 다양한 실시 예들이 가능할 수 있다.

Description

복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법{RADIATION PARAMETERIZATION SYSTEM FOR CORRECTING UNCERTAINTY OF RADIATION PARAMETERIZATION EMULATOR AND OPERATING METHOD THEREOF}
본 개시의 다양한 실시 예들은 복사 물리 모수화 시스템에 관한 것으로, 보다 상세하게는 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법에 관한 것이다.
수치예보는 대기 현상의 역학 및 물리적 원리에 대한 지배 방정식들을 연속적으로 수치 적분함으로써, 현재의 대기 상태를 분석하고 미래의 대기 상태를 정량적으로 예측하는 일련의 과정이다. 수치예보 모델은 수치예보를 실현하기 위한 것으로써, 지구의 기상 시스템을 대기의 상태와 운동을 지배하는 역학 및 물리 방정식을 사용해 기상학적으로 모델링 한 것이다.
기상 시스템은 시간 및 공간적으로 연속체이기 때문에, 기상 시스템을 수학적으로 직접 계산하는 것은 많은 자원을 요구한다. 따라서, 수치예보 모델은 지구를 격자로 나누어, 격자점 마다 대기의 상태와 운동에 대한 방정식을 계산하도록 구성할 수 있다.
이때 사용하는 수평 해상도는 수평 방향으로 격자점 사이의 거리로 정의할 수 있으며, 수평 해상도는 수백 m 내지 수백 km 일 수 있다. 그리고 연직 해상도는 연직 방향으로 지표에서 대기 상단까지 격자점 사이의 공간을 하나의 층으로 보아, 층의 개수에 따라 정의할 수 있다.
수치예보 모델은 운영 목적 및 운영 범위에 따라 다양한 종류로 구분할 수 있다. 예를 들어, 전 지구 중기 예측을 위한 전 지구 모델(Global Data Assimilation and Prediction System, GDAPS), 한반도 단기 예측을 위한 국지예보 모델(Local Data Assimilation and Prediction System, LDAPS), 한반도 초단기 예측을 위한 초단기 예보 모델(Korea Local Analysis and Prediction System, KLAPS), 전 지구 해상 파고 예측을 위한 파고 모델(Global Wave Watch-3, GWW3), 아시아 폭풍 해일 예측을 위한 폭풍 해일 모델(Regional Tide/Storm Surge Model, RTSM), 황사 수송 예측을 위한 황사 모델(Asian Dust Aerosol Model 2, ADAM2) 등의 수치예보 모델을 현업으로 운영하고 있다.
이중 초단기 예보 모델(KLAPS)은 한반도 영역을 대상으로 3차원 예측 자료를 생산하며, 5 km의 수평 해상도와 40 층의 연직 층수를 가진다. 그리고 초단기 예보 모델(KLAPS)의 일일 운영횟수는 144 회이며, 예측 시간은 12 시간이 된다. 태풍, 호우, 대설 등 악기상에 따른 사회 및 경제 손실을 방지하기 위해, 고속 수치예보 모델의 필요성이 지속적으로 제기되고 있다.
수치예보 모델에서 가장 많은 계산량을 차지하는 것은, 태양과 지구 사이의 에너지 전달 과정을 기술하는 복사 물리 과정이다. 복사에 의한 열 전달을 포함하는 과정은 예를 들어, 서로 다른 표면(지표, 구름 등)과 대기의 구성 요소(오존, 수증기 등)간의 파장 별 복사 에너지의 방출, 흡수, 반사 등 일 수 있다. 이 과정들을 모수화 하는 작업은 매우 복잡하며, 계산 시간도 많이 소요된다.
초단기 예보 모델(KLAPS)의 복사 물리 모수화 모듈(Rapid Radiative Transfer Model for GCM(general circulation model) Korea, RRTMG-K)을 운영하기 위한 컴퓨팅 자원은 한정되어 있기 때문에, 하드웨어의 성능 개선에만 의존하여 수치예보 모델의 연산 속도를 향상하는 것은 한계가 있다.
이에 초단기 예보 모델(KLAPS)의 복사 물리 모수화 모듈(RRTMG-K)을 에뮬레이션 하면서, 연산 속도를 향상시키고 수치예보의 정확도를 유지하는 시스템 및 방법 등이 요구되고 있으며, 수치 예보 모델의 복사 물리 모수화 모듈에 대한 다양한 에뮬레이터가 연구되고 있다.
관련 선행기술로, 한국 등록특허공보 제10-2218179호(발명의 명칭: 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법, 특허권자: 대한민국(기상청 국립기상과학원장))가 있다.
복사 물리 모수화 모듈에 대한 에뮬레이터로 장시간 계산시 에뮬레이터의 불확실성에 기인하는 오차가 누적되어 정확도와 안정성이 하락할 수 있다.
신경망 에뮬레이터를 24시간 365일 계산되는 수치예보모델에 적용하기 위해서는, 복사물리 신경망 에뮬레이터의 불확실성을 사전에 진단하고 효과적으로 보정함으로써 수치예보모델의 정확도 향상과 함께 안정성을 확보해야 한다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시 예에 따르면, 수치 예보 모델의 복사 물리 모수화(parameterization) 시스템은, 복사 물리 모수화 모듈; 상기 복사 물리 모수화 모듈에 대한 에뮬레이터(emulator); 및 컨트롤러를 포함하고, 상기 컨트롤러는, 상기 시스템으로의 입력값의 정상 여부를 판단하고, 상기 입력값이 정상이라고 판단된 경우, 상기 에뮬레이터로 상기 입력값을 입력하고, 상기 입력값에 대해 상기 에뮬레이터에서 생성된 예측값의 정상 여부를 판단하고, 상기 예측값이 정상이라고 판단된 경우, 상기 예측값을 출력하도록 구성될 수 있다.
일 실시 예에 따르면, 상기 컨트롤러는, 상기 입력값이 정상이 아니라고 판단된 경우, 상기 복사 물리 모수화 모듈로 상기 입력값을 입력하고, 상기 입력값에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하도록 더 구성될 수 있다.
일 실시 예에 따르면, 상기 컨트롤러는, 상기 예측값이 정상이 아니라고 판단된 경우, 상기 복사 물리 모수화 모듈로 상기 예측값에 대응하는 정보를 입력하고, 상기 예측값에 대응하는 정보에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하도록 더 구성될 수 있다.
일 실시 예에 따르면, 상기 컨트롤러는, 상기 복사 물리 모수화 시스템의 연산 속도에 기초하여 상기 복사 물리 모수화 모듈로 처리하는 빈도를 결정하도록 더 구성될 수 있다.
일 실시 예에 따르면, 상기 컨트롤러는, 사전 분석을 통해 생성된 룩업 테이블(look-up table)에 기초하여 결정된 최솟값, 최댓값 및 정상범위 중 적어도 하나에 기초하여 상기 입력값 또는 상기 예측값의 정상 여부를 판단하도록 구성될 수 있다.
일 실시 예에 따르면, 상기 정상범위는, 상기 사전 분석을 통해 생성된 룩업 테이블의 데이터의 평균 및 표준 편차에 기초하여 결정될 수 있다.
일 실시 예에 따르면, 상기 입력값은, 연직 기압 분포, 연직 온도 분포, 연직 수증기량, 연직 오존량, 연직 구름량, 연직 운량, 경도, 위도, 해발 고도, 지표면 온도, 지표면 방출율, 지표면 알베도, 및 태양 천정각(zenith angle) 중 적어도 어느 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 예측값은, 연직 가열률, 대기 상단에서의 상향 복사량, 지표에서의 상향 복사량, 및 지표에서의 하향 복사량 중 적어도 어느 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 에뮬레이터는, 신경망(neural network)에 기반하여 상기 예측값을 생성할 수 있다.
일 실시 예에 따르면, 상기 수치 예보 모델은 초단기 예보 모델(KLAPS)이며, 상기 복사 물리 모수화 모듈은 RRTMG-K(Rapid Radiative Transfer Model for GCM(general circulation model)-Korea)일 수 있다.
일 실시 예에 따르면, 수치 예보 모델의 복사 물리 모수화(parameterization) 시스템의 동작 방법에 있어서, 상기 복사 물리 모수화 시스템은 복사 물리 모수화 모듈 및 상기 복사 물리 모수화 모듈에 대한 에뮬레이터(emulator)를 포함하고, 상기 방법은, 상기 시스템으로의 입력값의 정상 여부를 판단하는 동작; 상기 입력값이 정상이라고 판단된 경우, 상기 에뮬레이터로 상기 입력값을 입력하는 동작; 상기 입력값에 대해 상기 에뮬레이터에서 생성된 예측값의 정상 여부를 판단하는 동작; 및 상기 예측값이 정상이라고 판단된 경우, 상기 예측값을 출력하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 입력값이 정상이 아니라고 판단된 경우, 상기 방법은, 상기 복사 물리 모수화 모듈로 상기 입력값을 입력하는 동작; 및 상기 입력값에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하는 동작을 더 포함할 수 있다.
일 실시 예에 따르면, 상기 예측값이 정상이 아니라고 판단된 경우, 상기 방법은, 상기 복사 물리 모수화 모듈로 상기 예측값에 대응하는 정보를 입력하는 동작; 및 상기 예측값에 대응하는 정보에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하는 동작을 더 포함할 수 있다.
일 실시 예에 따르면, 상기 입력값 또는 상기 예측값의 정상 여부를 판단하는 동작은, 사전 분석을 통해 생성된 룩업 테이블(look-up table)에 기초하여 결정된 최솟값, 최댓값 및 정상범위 중 적어도 하나에 기초하여 상기 입력값 또는 상기 예측값의 정상 여부를 판단하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 정상범위는, 상기 사전 분석을 통해 생성된 룩업 테이블의 데이터의 평균 및 표준 편차에 기초하여 결정될 수 있다.
일 실시 예에 따르면, 상기 입력값은, 연직 기압 분포, 연직 온도 분포, 연직 수증기량, 연직 오존량, 연직 구름량, 연직 운량, 경도, 위도, 해발 고도, 지표면 온도, 지표면 방출율, 지표면 알베도, 및 태양 천정각(zenith angle) 중 적어도 어느 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 예측값은, 연직 가열률, 대기 상단에서의 상향 복사량, 지표에서의 상향 복사량, 및 지표에서의 하향 복사량 중 적어도 어느 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 에뮬레이터는, 신경망(neural network)에 기반하여 예측값을 생성할 수 있다.
일 실시 예에 따르면, 상기 수치 예보 모델은 초단기 예보 모델(KLAPS)이며, 상기 복사 물리 모수화 모듈은 RRTMG-K(Rapid Radiative Transfer Model for GCM(general circulation model)-Korea)일 수 있다.
다양한 실시 예에 따르면, 연산 속도를 유지하면서 복사 물리 에뮬레이터의 불확실성 보정을 통해 수치예보 모델의 정확도를 향상시킬 수 있는 복사 물리 모수화 시스템이 제공될 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1a 및 도 1b는 일 실시 예에 따른 수치 예보 모델 및 복사 물리 모수화 시스템의 구성도이다.
도 2a 내지 도 2c는 일 실시 예에 따른 복사 물리 모수화 모듈 에뮬레이터를 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 연직 평균 운량(Cloud Fraction)에 따른 신경망 에뮬레이터의 오차 분포를 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른 복사 물리 모수화 시스템이 적용된 연직 평균 운량의 누적 빈도 분포를 설명하기 위한 도면이다.
도 5는 불확실성 보정이 적용되지 않은 복사 물리 모수화 모듈 에뮬레이터와 불확실성 보정이 적용된 복사 물리 모수화 시스템의 예측 정확도를 비교하기 위한 도면이다.
도 6은 복사 물리 모수화 시스템의 동작 방법을 설명하기 위한 도면이다.
도 7은 입력값이 정상이 아닌 경우 복사 물리 모수화 시스템의 동작 방법을 설명하기 위한 도면이다.
도 8은 예측값이 정상이 아닌 경우 복사 물리 모수화 시스템의 동작 방법을 설명하기 위한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
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 존재함으로 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 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.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
< 복사 물리 모수화 시스템 >
도 1a 및 도 1b는 일 실시 예에 따른 수치 예보 모델 및 복사 물리 모수화 시스템의 구성도이다.
도 1a를 참조하면, 일 실시예에 따른 수치 예보 모델(10)의 구성도가 도시된다. 일 실시 예에 따른 수치 예보 모델(10)은, 물리과정 모수화 패키지(100), 역학 코어 모듈(120), 및 프레임워크/입출력 모듈(110)을 포함할 수 있다. 물리과정 모수화 패키지(100)는 프레임워크/입출력 모듈(110)을 통해, 역학 코어 모듈(120)과 연결될 수 있다. 예를 들어, 물리과정 모수화 패키지(100)로부터 제공되는 변수 정보가 프레임워크/입출력 모듈(110)을 통해 역학 코어 모듈(120)에 제공될 수 있다.
일 실시 예에 따르면, 물리과정 모수화 패키지(100)는 복수의 세부 프로그래밍 시스템(또는, 모듈(module))들을 포함할 수 있다. 예를 들어, 물리과정 모수화 패키지(100)는 복사 물리 모수화 시스템(101), 지표층 물리 모수화 시스템(102), 지면 물리 모수화 시스템(103), 및 대규모 구름 물리 모수화 시스템(104) 등을 포함할 수 있다. 복사 물리 모수화 시스템(101), 지표층 물리 모수화 시스템(102), 지면 물리 모수화 시스템(103) 및 대규모 구름 물리 모수화 시스템(104)은 소정의 계산 순서에 따라 각각의 수치 식을 계산하고, 상호 간 변수를 교환할 수 있다.
일 실시 예에 따르면, 수치 예보 모델(10)은 기상청의 한반도 초단기 예측을 위한 초단기 예보 모델(Korea Local Analysis and Prediction System, KLAPS), 한국형 수치 예보 모델(Korean Integrated Model (KIM)), WRF-ARW(Advanced Research Weather Research and Forecasting) 모델 중 어느 하나일 수 있다.
일 실시 예에 따르면, 수치 예보 모델(10)의 복사 물리 모수화 시스템(101)은 RRTMG-K (Rapid Radiative Transfer Model for GCM(general circulation model) Korea)를 포함할 수 있다.
도 1b를 참조하면, 일 실시 예에 따른 복사 물리 모수화 시스템(101)의 구성도가 도시된다.
일 실시 예에 따른 복사 물리 모수화 시스템(101)은 데이터를 입력받기 위한 입력 모듈(110), 컨트롤러(120), 복사 물리 모수화 모듈(150), 복사 물리 모수화 모듈에 대한 신경망 기반의 에뮬레이터(160), 입력값의 정상 여부를 판단하는 입력값 모니터링 모듈(130), 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값의 정상 여부를 판단하는 예측값 모니터링 모듈(140), 데이터베이스(180) 및 출력 모듈(190)을 포함할 수 있다.
일 실시 예에 따르면, 입력값 모니터링 모듈(130) 및 예측값 모니터링 모듈(140)은 별도의 모듈로 구현되지 않고, 컨트롤러(120)에 의해 수행될 수 있다. 예를 들어, 이하 입력값 정상여부 판단 및 예측값 정상여부 판단은 입력값 모니터링 모듈(130) 및 예측값 모니터링 모듈(140)이 동작을 수행하는 것으로 설명될 수 있지만 이에 제한되는 것은 아니고, 컨트롤러(120)가 동작을 수행할 수 있다.
일 실시 예에 따르면, 입력 모듈(110)은 복사 물리 모수화 시스템(101)의 외부에서 수치 예보 모델(10)의 데이터를 입력 받을 수 있다. 예를 들어 입력 모듈(110)은 초단기 예보 모델(KLAPS)의 수치 예보 데이터로 연직 기압, 연직 기온, 연직 수증기량, 연직 오존량, 연직 운량, 위도 정보, 경도 정보, 해발 고도, 지표 온도(장파), 태양 천정각(단파), 지표 방출율(장파) 및 지표 알베도(단파) 중 적어도 어느 하나를 입력 받을 수 있다.
일 실시 예에 따르면, 복사 물리 모수화 모듈(150)은 RRTMG-K (Rapid Radiative Transfer Model for GCM(general circulation model) Korea)일 수 있다.
일 실시 예에 따르면, 복사 물리 모수화 모듈 에뮬레이터(160)는 복사 물리 모수화 모듈(150)을 복사 물리 모수화 모듈(150)을 대체하기 위해 개발된 모듈로, 신경망(neural network)에 기초하여 복사 물리 모수화 모듈(150)을 모방(emulate)할 수 있다. 복사 물리 모수화 모듈(150)을 모방하는 복사 물리 모수화 모듈 에뮬레이터(160)는 복사 물리 에뮬레이터, 복사 물리 모수화 에뮬레이터, 복사 물리 신경망 에뮬레이터 등으로 지칭될 수 있다. 복사 물리 모수화 모듈 에뮬레이터(160)에 대해서는 도 2a 내지 도 2c를 참조하여 상세히 설명한다.
일 실시 예에 따르면, 컨트롤러(120)는 복사 물리 모수화 모듈 에뮬레이터(160)로 복사 물리 모수화를 수행하면 빠른 속도로 연산을 수행할 수 있으나, 장시간 계산시 에뮬레이터(160)로 대체된 복사 물리 모수화 수치에 오차가 발생할 수 있다. 예를 들어 인공신경망 기반 에뮬레이터(160) 자체의 성능 한계로 인해 정확도가 떨어질 수 있고, 장기간 적분과정에서 불완전한 값들이 누적되어 비현실적인 결과가 도출될 수 있다.
컨트롤러(120)는 복사 물리 모수화 모듈 에뮬레이터(160)로 인한 불확실성을 보정하여 안정성을 확보하기 위해, 복사 물리 모수화 모듈 에뮬레이터(160)으로의 입력값 및 복사 물리 모수화 모듈 에뮬레이터(160)로부터의 예측값을 모니터링하고, 선택적으로 복사 물리 모수화 모듈(150)로 회귀하여 모수화를 수행할 수 있다.
일 실시 예에 따르면, 복사 물리 모수화 시스템(101)으로의 입력값 또는 복사 물리 모수화 모듈 에뮬레이터(160)에서의 예측값이 정상이 아닌 경우 컨트롤러(120)는 복사 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)을 통해 모수화를 수행할 수 있다.
일 실시 예에 따르면, 입력값 모니터링 모듈(130) 또는 예측값 모니터링 모듈(140)은 데이터베이스(180)에 저장된, 사전 분석을 통해 생성된 룩업 테이블(184)에 기초하여 결정된 최솟값, 최댓값 및 정상 범위 중 적어도 어느 하나에 기초하여 입력값 또는 예측값의 정상 여부를 판단할 수 있다. 정상 범위는 룩업 테이블(184)에 저장된 각 데이터의 평균 및 표준 편차에 기초하여 결정될 수 있다.
일 실시 예에 따르면, 데이터베이스(180)에는 참값으로 간주되는 규준실험 정보(182)가 포함될 수 있고, 입력값 모니터링 모듈(130) 또는 예측값 모니터링 모듈(140)은 규준 실험 정보(182)와의 평균제곱근오차(RMSE)를 통해 입력값 및 예측값의 정상 여부를 판단할 수 있다. 규준 실험 정보(182)는 규준 실험(Control-run or Reference-run)을 통해 미리 얻어진 정보로, 규준실험은 복사 물리 모수화 모듈(150)만을 사용한 것일 수 있다.
일 실시 예에 따르면, 입력값 모니터링 모듈(130)이 복사 물리 모수화 시스템(101)으로의 입력값이 정상이 아니라고 판단한 경우, 컨트롤러(120)는 복사 물리 모수화 모듈(150)로 입력값을 입력하고, 입력값에 대해 복사 물리 모수화 모듈(150)에서 생성된 출력값을 출력 모듈(190)을 통해 출력할 수 있다.
예를 들어, 입력값 모니터링 모듈(130)은 입력값이 임계값을 초과하면 입력값이 정상이 아니라고 판단할 수 있다. 복사 물리 모수화 모듈 에뮬레이터(160)의 예측값 중 핵심적인 변수는 가열율로, 가열율은 입력값의 종류에 따라 달라질 수 있다. 가열율에 대한 입력 변수로 연직 기압, 연직 기온, 연직 수증기량, 연직 운량, 위도, 경도, 해발 고도 등 여러 변수가 고려될 수 있으나, 연직 운량이 가열율에 가장 큰 영향을 주는 변수일 수 있다. 연직 평균 운량에 따른 장파 및 단파 복사의 가열율 특성이 사전 분석될 수 있고, 복사 물리 모수화 모듈 에뮬레이터(160)의 불확실성 진단을 위한 연직 운량의 임계값이 룩업 테이블(184)로 데이터베이스(180)에 저장되어 있을 수 있다. 일 실시 예에 따르면, 입력값 모니터링 모듈(130)은 입력값인 연직 운량이 임계값을 초과하면 입력값이 정상이 아니라고 판단하고, 정상 복사 물리 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)로 입력값을 입력할 수 있다.
일 실시 예에 따르면, 예측값 모니터링 모듈(140)이 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값이 정상이 아니라고 판단한 경우, 컨트롤러(120)는 복사 물리 모수화 모듈(150)로 예측값에 대응하는 정보를 입력하고, 예측값에 대응하는 정보에 대해 복사 물리 모수화 모듈(160)에서 생성된 출력값을 출력할 수 있다.
예를 들어, 예측값 모니터링 모듈(140)은 예측값이 훈련자료의 최대 및 최소 범위를 벗어나면 예측값이 정상이 아니라고 판단할 수 있다. 복사 물리 모수화 모듈 에뮬레이터(160)는 훈련 자료의 범위를 벗어나는 자료에 대해 이전 데이터로 예측값을 생성하는 외삽 기법을 적용하므로, 불확실성이 증대될 수 있다. 예측값 모니터링 모듈(140)은 훈련자료의 최대, 최소 범위를 벗어나면 복사 물리 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)로 처리함으로써 복사 물리 모수화 모듈 에뮬레이터(160)로 인한 불확실성을 보정할 수 있다.
일 실시 예에 따르면, 예측값이 정상이 아닌 경우 컨트롤러(120)는 예측값에 대응하는 정보를 복사 물리 모수화 모듈(150)로 입력할 수 있다. 예측값에 대응하는 정보는 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값에 대응하는 입력값일 수 있다. 컨트롤러(120)는 데이터베이스(180)에 저장된 예측값 대응 정보(186)를 참조하여 예측값에 대응하는 정보를 복사 물리 모수화 모듈(150)로 입력할 수 있다.
일 실시 예에 따르면, 입력값 모니터링 모듈(130) 및 예측값 모니터링 모듈(140)은 입력값 또는 예측값이 비정상이라고 판단한 경우, 비정상이라고 판단한 입력값 및 예측값을 데이터베이스(180)의 비정상값 정보(188)로 저장할 수 있다. 비정상값 정보(188)는 추후 복사 물리 모수화 시스템(101) 또는 복사 물리 모수화 모듈 에뮬레이터(160)의 성능 향상에 활용될 수 있다.
일 실시 예에 다르면, 컨트롤러(120)는 복사 물리 모수화 시스템(101)의 연산 속도에 기초하여 복사 물리 모수화 모수화 모듈(150)로 처리하는 빈도를 결정할 수 있다. 복사 물리 모수화 모듈의 불확실성 보정을 위한 입력값 모니터링, 예측값 모니터링을 활용하는 경우, 복사 물리 모수화 모듈 에뮬레이터(160)만 사용하는 경우보다 연산량이 증가할 수 있다. 이에 컨트롤러(120)는 기본적으로 복사 물리 모수화 모듈 에뮬레이터(160)로 처리하다가, 복사 물리 모수화 시스템(101)의 연산 속도에 따라 복사 물리 모수화 모듈(150)로 처리할 수 있다.
불확실성 보정 없이 복사 물리 에뮬레이터(160)를 사용하는 경우, 복사 물리 모수화 모듈 에뮬레이터(160)는 복사 물리 모수화 모듈(150)보다 60배 빠를 수 있다. 복사 물리 모수화 모듈 에뮬레이터(160)을 15번에 1번씩 사용할 경우, 규준실험에 비해 900배(60배×15배) 빠른 속도가 달성될 수 있다.
복사 물리 모수화 시스템(101)과 같이 불확실성 보정 기술을 적용하면 입력값 및 예측값 모니터링으로 인한 연산량 증대로 다시 속도가 1/15로 느려질 수 있으나, 결과적으로 기존 복사 물리 모수화 모듈 에뮬레이터(160)와 동일하게 60배 속도(900배/15)가 유지될 수 있다.
일 예에 따르면, 복사 물리 모수화 시스템(101)을 사용하는 경우 불확실성 보정을 위한 복사 물리 모수화 모듈(150)로의 회귀로 인해 연산량은 불확실성 보정을 사용하지 않는 경우보다 26.7824배 증가할 수 있다. 불확실성 보정으로 인해 속도가 1/15로 느려지면서 확보된 15배(1500%)의 연산속도를 복사 물리 모수화 모듈(150) 사용 빈도에 할당할 수 있고, 정확도가 향상될 수 있다. 이 때 복사 물리 모수화 모듈(150)로 회귀할 수 있는 빈도는 56.01%(1500%/26.7824)가 된다.
일 실시 예에 따르면, 복사 물리 모수화 모듈 에뮬레이터(160)에서 복사 물리 모수화 모듈(150)로 회귀하는 빈도가 56.01%인 운량의 임계값은 0.037일 수 있고, 입력값 모니터링 모듈(130)은 운량의 입력값에 대해 0.037을 초과하는 경우 복사 물리 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)로 입력값을 입력할 수 있다. 다만 이에 제한되는 것은 아니고, 연산속도 및 정확도에 따라 불확실성 진단 기준이 달라질 수 있다.
도 2a 내지 도 2c는 일 실시 예에 따른 복사 물리 모수화 모듈 에뮬레이터(160)를 설명하기 위한 도면이다.
도 2a는 일 실시 예에 따른 복사 물리 모수화 모듈 에뮬레이터(160)를 설명하기 위한 구성도이다.
도 1b를 참조하여 설명한 복사 물리 모수화 모듈 에뮬레이터(160)는, 도 2a 내지 도 2c를 참조하여 설명하는 복사 물리 모수화 모듈 에뮬레이터(160)와 같이 구현될 수 있으나, 이에 제한되지 않고 도 2a 내지 도 2c의 복사 물리 모수화 모듈 에뮬레이터(160)보다 많거나 적은 구성 요소로 구현될 수 있다.
도 2a를 참조하면, 일 실시 예에 따른 복사 물리 모수화 모듈 에뮬레이터(160)는, 사전 학습 데이터 분류 모듈(161)과 저장 모듈(165), 신경망 모듈(170), 제어 모듈(163)을 포함할 수 있으며, 입력 모듈(110)과 출력 모듈(190)을 더 포함할 수 있다.
일 실시 예에 따른 복사 물리 모수화 모듈 에뮬레이터(160)는, 서버 컴퓨터, 데스크탑 컴퓨터, 스마트 폰 등 이진 데이터(binary data)를 읽고 처리할 수 있는 임의의 컴퓨팅 장치에 구현될 수 있다.
사전 학습 데이터 분류 모듈(161)은, 기상청에서 생산하는 초단기 예보 모델(KLAPS)의 수치예보 데이터 셋(KLAPS_DS)을 입력 받을 수 있다.
초단기 예보 모델(KLAPS)은, 격자 간격이 5 km, 수평 격자수가 283×235 개, 연직 층수는 40층, 중심 위도는 북위 38.0 °(N), 중심 경도는 동경 126.0 °(E) 일 수 있다. 그리고 초단기 예보 모델(KLAPS)의 분석 주기는 10 분 단위일 수 있다.
사전 학습 데이터 분류 모듈(100)은 기상 자료 개방 포털 (https://data.kma.go.kr/)의 오픈 API를 이용하여, 컴퓨터 네트워크를 통해 수치예보 데이터 셋(KLAPS_DS)을 입력 받을 수 있다. 또는 사전 학습 데이터 분류 모듈(161)은 수치 예보 데이터 셋(KLAPS_DS)을 저장한 파일을 직접 입력 받을 수 있다. 이때 파일의 형태는 NetCDF 일 수 있으나, 이에 제한되지 않고 다양한 형태의 파일일 수 있다.
도 2b는 수치 예보 데이터 셋을 간략하게 나타낸 도면이다.
도 2b를 참조하면, 수치예보 데이터 셋(KLAPS_DS)은 행렬 형태의 테이블 구조를 가질 수 있다.
각각의 행은 특정 격자 단위와 매시간 단위로 측정한 개별 수치예보 데이터를 나타낼 수 있다. 각각의 열은 고유 번호가 부여된 연직 층수 별 기압, 온도, 수증기량, 경도, 위도, 지표 알베도, 전천 장파 연직 가열률, 전천 단파 연직 가열률, 대기 상단의 전천 장파 상향 복사량 등의 기상 요소 정보와, 각각의 행에 저장된 수치예보 데이터를 구분하기 위한 일련 번호를 나타낼 수 있다. 이때 기상 요소 정보를 구분하기 위해 고유 번호가 부여될 수 있다.
수치예보 데이터 셋(KLAPS_DS)은 특정 격자 별로 매시간 마다 측정한 기상 요소 정보를 저장한 데이터의 집합일 수 있다. 수치예보 데이터 셋(KLAPS_DS)에서 행과 열이 만나 이루는 셀은, 특정 격자 별로 매시간 마다 측정한 기상 요소 정보를 나타낼 수 있다.
사전 학습 데이터 분류 모듈(161)은 수치예보 데이터 셋(KLAPS_DS)에서 사전 학습 데이터를 추출할 수 있다. 사전 학습 데이터 분류 모듈(161)은 기상 요소 정보 중 사용자가 선택한 독립 기상 요소 정보(IW) 들을 추출하여, 사전 입력 데이터 셋(PREV_IN_DS)으로 가공할 수 있다. 사전 입력 데이터 셋(PREV_IN_DS)은 수치예보 데이터 셋(KLAPS_DS)에서, 독립 기상 요소 정보(IW)에 해당하는 열을 선택하여 구성한 서브 셋일 수 있다. 사전 입력 데이터 셋(PREV_IN_DS)은 하나 이상의 행으로 이루어질 수 있으며, 각각의 행은 사전 입력 데이터(PREV_IN)를 나타낼 수 있다. 이에 따라 사전 입력 데이터(PREV_IN)는 독립 기상 요소 정보(IW)를 포함한 형태로 가공될 수 있다.
사전 학습 데이터 분류 모듈(161)은 기상 요소 정보 중 사용자가 선택한 종속 기상 요소 정보(DW) 들을 추출하여, 참조 출력 데이터 셋(COMP_OUT_DS)으로 가공할 수 있다. 참조 출력 데이터 셋(COMP_OUT_DS)은 수치예보 데이터 셋(KLAPS_DS)에서, 종속 기상 요소 정보(DW)에 해당하는 열을 선택하여 구성한 서브 셋일 수 있다. 참조 출력 데이터 셋(COMP_OUT_DS)은 하나 이상의 행으로 이루어질 수 있으며, 각각의 행은 참조 출력 데이터(COMP_OUT)를 나타낼 수 있다. 이에 따라 참조 출력 데이터(COMP_OUT)는 종속 기상 요소 정보(DW)를 포함한 형태로 가공될 수 있다.
독립 기상 요소 정보(IW)는 아래 [표 1]과 같이 322 개의 기상 요소를 포함할 수 있다.
번호 독립 기상 요소 정보 (IW)
1 ~ 39 1 층 내지 39 층별 연직 기압
40 ~ 78 1 층 내지 39 층별 연직 온도
79 ~ 117 1 층 내지 39 층별 연직 수증기량
118 ~ 156 1 층 내지 39 층별 연직 오존량
157 ~ 195 1 층 내지 39 층별 연직 운량
196 ~ 234 1 층 내지 39 층별 연직 구름 수적량
235 ~ 273 1 층 내지 39 층별 연직 구름 빙정량
274 ~ 312 1 층 내지 39 층별 연직 눈상량 및 싸라기상량
313 육지/해양 구분
314 경도
315 위도
316 날짜(월)
317 예측 시간
318 지표 온도
319 지표 방사율
320 태양상수
321 태양 천정각
322 지표 알베도
종속 기상 요소 정보(DW)는 아래 [표 2]와 같이 90 개의 기상 요소를 포함할 수 있다.
번호 종속 기상 요소 정보 (DW)
1 ~ 39 1 층 내지 39 층별 전천 장파 연직 가열률
40 ~ 78 1 층 내지 39 층별 전천 단파 연직 가열률
79 대기 상단에서의 전천 장파 상향 복사량
80 대기 상단에서의 청천 장파 상향 복사량
81 지표에서의 전천 장파 상향 복사량
82 지표에서의 청천 장파 상향 복사량
83 지표에서의 전천 장파 하향 복사량
84 지표에서의 청천 장파 하향 복사량
85 대기 상단에서의 전천 단파 상향 복사량
86 대기 상단에서의 청천 단파 상향 복사량
87 지표에서의 전천 단파 상향 복사량
88 지표에서의 청천 단파 상향 복사량
89 지표에서의 전천 단파 하향 복사량
90 지표에서의 청천 단파 하향 복사량
일 실시 예에 따르면, 저장 모듈(165)은 사전 입력 데이터 셋(PREV_IN_DS)과 참조 출력 데이터 셋(COMP_OUT_DS)을 저장할 수 있다. 저장 모듈(165)은 하나 이상의 가중치 데이터와 하나 이상의 편향 데이터를 저장할 수 있다. 가중치 데이터는 하나 이상의 제1 가중치 데이터(W1ji)와, 하나 이상의 제2 가중치 데이터(W2qj)로 구분될 수 있다. 편향 데이터는 하나 이상의 제1 편향 데이터(B1j)와, 하나 이상의 제2 편향 데이터(B2q)로 구분될 수 있다. 가중치 데이터와 편향 데이터는 초기에설정될 수 있다.
일 실시 예에 따르면, 저장 모듈(165)은 사전 출력 데이터(PREV_OUT)와 예보 입력 데이터(CAST_IN), 예보 출력 데이터(CAST_OUT)를 저장할 수 있다. 저장 모듈(165)은 이들을 저장하기 위한 메모리를 포함할 수 있다.
신경망 모듈(170)은 입력층(171)과 출력층(175), 하나 이상의 은닉층(173)을 포함할 수 있다.
도 2c는 신경망 모듈(170)을 설명하기 위한 도면이다.
도 2c를 참조하면, 유닛이 원 형태로 도시되며, 입력층(171)은 하나 이상의 유닛을 포함할 수 있고, 예를 들어 N 개의 유닛을 포함할 수 있다. 이때 N 개의 유닛은 독립 기상 요소 정보(IW)의 개수와 동일할 수 있고, 사전 입력 데이터(PREV_IN)와 예보 입력 데이터(CAST_IN)는 각각 N 개의 독립 기상 요소 정보(IW)를 포함할 수 있다.
출력층(175)은 하나 이상의 유닛을 포함할 수 있고, 예를 들어 M 개의 유닛을 포함할 수 있다. M 개의 유닛은 종속 기상 요소 정보(DW)의 개수와 동일할 수 있고, 사전 출력 데이터(PREV_OUT)와 참조 출력 데이터(COMP_OUT), 예보 출력 데이터(CAST_OUT)는 각각 M 개의 종속 기상 요소 정보(DW)를 포함할 수 있다.
은닉층(173)은 하나 이상의 유닛을 포함할 수 있고, 예를 들어 K 개의 유닛을 포함할 수 있으며, 은닉층(173)은 H 개일 수 있다.
입력층(171)의 N 개의 유닛과 은닉층(173)의 K 개의 유닛 사이에는 관계선이 형성될 수 있다. 은닉층(173)의 K 개의 유닛과 출력층(175)의 M 개의 유닛 사이에는 관계선이 형성될 수 있다.
저장 모듈(165)은, 제1 가중치 데이터(W1ji)를 입력층(171)의 유닛과 은닉층(173)의 유닛 사이의 관계선 수인 N×K개만큼 포함할 수 있고, 제1 편향 데이터(B1j)를 은닉층(173)의 유닛 수인 K 개만큼 포함할 수 있다.
저장 모듈은(165)은, 제2 가중치 데이터(W2qj)를 출력층(175)의 유닛과 은닉층(173)의 유닛 사이의 관계선 수인 K×M개만큼 포함할 수 있고, 제2 편향 데이터(B2q)를 출력층(175)의 유닛 수인 M 개만큼 포함할 수 있다.
입력층(171)과 출력층(175), 은닉층(173)이 포함하는 유닛들은 아래 [수학식 1]과 같은 관계를 이룰 수 있다. [수학식 1]을 적용할 때, 은닉층(173)은 1 개일 수 있다.
Figure 112021115034270-pat00001
[수학식 1]에서,
Figure 112021115034270-pat00002
는 사전 입력 데이터(PREV_IN) 또는 예보 입력 데이터(CAST_IN),
Figure 112021115034270-pat00003
는 제1 가중치 데이터,
Figure 112021115034270-pat00004
는 제1 편향 데이터,
Figure 112021115034270-pat00005
는 제2 가중치 데이터,
Figure 112021115034270-pat00006
는 제2 편향 데이터,
Figure 112021115034270-pat00007
는 활성화 함수,
Figure 112021115034270-pat00008
는 사전 출력 데이터(PREV_OUT) 또는 예보 출력 데이터(CAST_OUT)일 수 있다. i는 입력층(310)의 개별 유닛을 나타낼 수 있고, j는 은닉층(330)의 개별 유닛을 나타낼 수 있으며, q는 출력층(320)의 개별 유닛을 나타낼 수 있다.
활성화 함수
Figure 112021115034270-pat00009
는 하이퍼볼릭 탄젠트(hyperbolic tangent, tanh), 시그모이드(sigmoid), 렐루(ReLU), 소프트맥스(softmax) 중 하나일 수 있으나, 이에 제한되지 않고 다른 함수일 수도 있다.
이에 따라 신경망 모듈(170)은 가중치 데이터와 편향 데이터가 맵핑 된 후, 사전 입력 데이터(PREV_IN)가 맵핑 되면 사전 출력 데이터(PREV_OUT)를 산출할 수 있고, 예보 입력 데이터(CAST_IN)가 맵핑 되면 예보 출력 데이터(CAST_OUT)를 산출할 수 있다.
제어 모듈(163)은 저장 모듈(165)에 저장된 제1 가중치 데이터(W1ji)와 제1 편향 데이터(B1j), 제2 가중치 데이터(W2qj)와 제2 편향 데이터(B2q)를 신경망 모듈(170)에 맵핑 할 수 있다.
예를 들어, 제어 모듈(163)은 저장 모듈(165)에 저장된 N×K 개의 제1 가중치 데이터(W1ji)를, 신경망 모듈(170)의 입력층(171) 유닛 N 개와 은닉층(173) 유닛 K 개 사이의 관계선 N×K 개에 각각 맵핑 할 수 있다. 제어 모듈은(163)은 K 개의 제1 편향 데이터(B1j)를, 은닉층(173) 유닛 K 개에 각각 맵핑 할 수 있다. 제어 모듈은(163)은 K×M 개의 제2 가중치 데이터(W2qj)를, 은닉층(173) 유닛 K 개와 출력층(175) 유닛 M 개 사이의 관계선 K×M 개에 각각 맵핑 할 수 있다. 제어 모듈은(163)은 M 개의 제2 편향 데이터(B2q)를, 출력층(175) 유닛 M 개에 각각 맵핑 할 수 있다.
제어 모듈(163)은 저장 모듈(165)에 저장된 사전 입력 데이터 셋(PREV_IN_DS)의 행에 해당하는 개별 사전 입력 데이터(PREV_IN)를 신경망 모듈(300)의 입력층(171) 유닛에 맵핑 할 수 있다.
예를 들어, 제어 모듈(165)은 개별 사전 입력 데이터(PREV_IN)를 구성하는 N 개의 독립 기상 요소 정보(IW)를 입력층(171) 유닛 N 개에 각각 맵핑 할 수 있다. 그리고 신경망 모듈(170)은 [수학식 1]에 따라 연산 작업을 수행하여, 출력층(175) 유닛 M 개 별로 사전 출력 데이터(PREV_OUT)를 산출할 수 있다.
제어 모듈(163)은 사전 출력 데이터(PREV_OUT)와 저장 모듈(165)에 저장된 개별 참조 출력 데이터(COMP_OUT)를 비교한 후, 저장 모듈(165)에 저장된 제1 가중치 데이터(W1ji)와 제1 편향 데이터(B1j), 제2 가중치 데이터(W2qj)와 제2 편향 데이터(B2q)를 갱신하여 다시 저장 모듈(165)에 저장할 수 있다.
입력 모듈(110)은 복사 물리 모수화 모듈 에뮬레이터(160)의 외부에서 예보 입력 데이터(CAST_IN)를 입력 받아, 저장 모듈(165)에 전달할 수 있다.
예보 입력 데이터(CAST_IN)는 N 개의 독립 기상 요소 정보(IW)를 포함할 수 있고, 저장 모듈(165)은 예보 입력 데이터(CAST_IN)를 추가로 저장할 수 있다.
제어 모듈(163)은 저장 모듈(165)에 저장된 예보 입력 데이터(CAST_IN)를 신경망 모듈(170)의 입력층(171) 유닛에 맵핑 할 수 있다. 신경망 모듈(170)은 [수학식 1]에 따라 연산 작업을 수행하여, 출력층(175) 유닛 M 개에서 표시되는 결과를 예보 출력 데이터(CAST_OUT)로서 산출할 수 있다.
예보 출력 데이터(CAST_OUT)는 M 개의 종속 기상 요소 정보(DW)를 포함할 수 있다. 제어 모듈(163)은 예보 출력 데이터(CAST_OUT)를 저장 모듈(165)에 전달할 수 있고, 저장 모듈(165)은 예보 출력 데이터(CAST_OUT)를 추가로 저장할 수 있다.
출력 모듈(190)은 저장 모듈(165)에서 예보 출력 데이터(CAST_OUT)를 전달받아, 복사 물리 모수화 모듈 에뮬레이터(160)의 외부로 출력할 수 있다.
예보 출력 데이터(CAST_OUT)는 데이터베이스, 파일 형태 등으로 출력할 수 있고, 컴퓨터 네트워크를 통해 외부에 전송할 수 있다.
도 3 은 일 실시 예에 따른 연직 평균 운량(Cloud Fraction)에 따른 신경망 에뮬레이터의 오차 분포를 설명하기 위한 도면이다. 도 4는 일 실시 예에 따른 복사 물리 모수화 시스템이 적용된 연직 평균 운량의 누적 빈도 분포를 설명하기 위한 도면이다.
도 3을 참조하면, 회색 막대로 도시된 훈련자료 및 검은색 막대로 도시된 검증자료에 대한, 연직 평균 운량에 따른 복사 물리 모수화 모듈 에뮬레이터(160)의 오차 분포가 도시된다. 그래프 310은 장파(longwave) 복사 가열율, 그래프 350은 단파(shortwave) 복사 가열율의 평균 제곱근 오차(RMSE; root mean square error) 분포를 나타낸다. 구름이 없는 맑은 영역의 경우(Cloud Fraction 0.0%) 복사 물리 모수화 모듈 에뮬레이터(160)의 RMSE 오차가 구름이 있는 영역에 비해 1/10이므로, 구름이 없는 영역에 대해서는 불확실성 보정을 적용하지 않았다.
그래프 310을 참조하면, 구름이 있는 영역에 대한 장파 복사의 가열율은 0.1~0.4 부근에서 가장 큰 오차를 나타낸다. 그래프 350을 참조하면, 단파복사의 가열율 오차는 운량에 따라 증가한다. 장파복사는 운량이 적은 반투명 구름에 대해서, 단파복사는 연직으로 높게 발달한 두꺼운 구름에 대해서 오차가 증가하는 특성을 가진다.
도 4는 도 3의 검증 자료에 대한 연직 평균 운량의 누적 빈도 분포를 큰 값에서 작은 값으로 나타낸 것이다. 도 4를 참조하면, 작은 값의 운량은 자주 발생하지만, 큰 값의 운량은 드물게 발생한다.
도 5는 불확실성 보정이 적용되지 않은 복사 물리 모수화 모듈 에뮬레이터와 불확실성 보정이 적용된 복사 물리 모수화 시스템의 예측 정확도를 비교하기 위한 도면이다.
도 5를 참조하면, 복사 물리 모수화 모듈 에뮬레이터(160)에 불확실성 보정 기술이 적용되지 않은 경우와 불확실성 보정 기술을 추가한 복사 물리 모수화 시스템(101)에 대한 기상청 초단기예보모델(KLAPS)의 1일 예측 정확도가 시계열 형태로 도시된다.
도 5에는 장파복사량(LW Flux)의 예측 정확도 그래프(510), 단파복사량(SW Flux)의 예측 정확도 그래프(530), 지표온도(Skin Temperature)의 예측 정확도 그래프(550), 강수량(Precipitation)의 예측 정확도 그래프(570)가 도시되어 있다.
그래프 510, 그래프 530, 그래프 550, 그래프 570을 참조하면, 모든 경우에 대해 모든 시간대에서 복사 물리 모수화 시스템(101)의 평균 제곱근 오차(RMSE)(525, 545, 565, 585)가 복사 물리 모수화 모듈 에뮬레이터(160)의 평균 제곱근 오차(315, 535, 555, 575)보다 작다는 것을 알 수 있다. 이를 통해 복사 물리 모수화 시스템(101)은 입력값 및 예측값을 모니터링하고, 불확실성을 보정함으로써 복사 물리 모수화 모듈 에뮬레이터(160)에 비해 정확도가 개선된다는 것이 확인된다.
일 실시 예에 의하면, 기상청 초단기예보모델이 1일 동안 예측한 장파복사량, 단파복사량, 지표온도, 강수량의 평균제곱근오차는 복사 물리 모수화 시스템(101)을 사용함으로써 각각 22%, 20%, 30%, 9% 개선되는 것으로 나타났다.
< 복사 물리 모수화 시스템의 동작 방법 >
도 6은 복사 물리 모수화 시스템(101)의 동작 방법을 설명하기 위한 도면이다.
동작 610 내지 동작 640은 도 1을 참조하여 전술된 복사 물리 모수화 시스템(101)의 컨트롤러(120)에 의해 수행될 수 있고, 간명한 설명을 위해 도 1 내지 도 5를 참조하여 설명한 내용과 중복되는 내용은 생략될 수 있다.
일 실시 예에 따르면 동작 610에서, 컨트롤러(120)는 복사 물리 모수화 시스템(101)으로 입력되고, 복사 물리 모수화 모듈 에뮬레이터(160)로 입력될 입력값을 모니터링할 수 있다. 일 실시 예에 따르면, 컨트롤러(120)는 데이터 저장소(180)에 저장된 룩업 테이블(184) 및 규준 실험 정보(182)를 참조하여 복사 물리 모수화 모듈 에뮬레이터(160)로의 입력값에 대한 임계값을 확인할 수 있고, 입력값이 임계값을 초과하는 경우 입력값이 정상이 아니라고 판단할 수 있다. 동작 610에서 컨트롤러(120)가 입력값이 정상이 아니라고 판단한 경우의 동작을 도 7을 참조하여 상세히 설명한다.
일 실시 예에 따르면 동작 620에서, 컨트롤러(120)는 입력값이 정상인 경우 복사 물리 모수화 모듈 에뮬레이터(160)로 입력값을 입력할 수 있다. 복사 물리 모수화 모듈 에뮬레이터(160)는 복사 물리 모수화 모듈(150)보다 연산 속도가 빠를 수 있다.
일 실시 예에 따르면 동작 630에서, 컨트롤러(120)는 입력값에 대해 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값을 모니터링할 수 있다. 일 실시 예에 따르면, 컨트롤러(120)는 데이터 저장소(180)에 저장된 룩업테이블(184) 및 규준 실험 정보(182)를 참조하여 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값의 정상 범위를 확인할 수 있다. 컨트롤러(120)는 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값이 정상 범위를 벗어나는 경우, 예측값이 정상이 아니라고 판단할 수 있다. 동작 630에서 컨트롤러(120)가 예측값이 정상이 아니라고 판단한 경우의 동작을 도 8을 참조하여 상세히 설명한다.
일 실시 예에 따르면, 컨트롤러(120)는 입력값 또는 예측값이 비정상이라고 판단한 경우, 비정상이라고 판단한 입력값 및 예측값을 데이터베이스(180)의 비정상값 정보(188)로 저장할 수 있다. 비정상값 정보(188)는 추후 복사 물리 모수화 시스템(101) 또는 복사 물리 모수화 모듈 에뮬레이터(160)의 성능 향상에 활용될 수 있다.
일 실시 예에 따르면 동작 640에서, 컨트롤러(120)는 예측값이 정상인 경우 예측값을 출력할 수 있다.
도 7은 입력값이 정상이 아닌 경우 복사 물리 모수화 시스템(101)의 동작 방법을 설명하기 위한 도면이다.
동작 710은 도 1b를 참조하여 전술된 복사 물리 모수화 시스템(101)의 컨트롤러(120)에 의해 수행될 수 있고, 간명한 설명을 위해 도 1 내지 도 6을 참조하여 설명한 내용과 중복되는 내용은 생략될 수 있다.
도 6을 참조하여 설명한 동작 610에서, 복사 물리 모수화 시스템(101)의 컨트롤러(120)가 입력값이 정상이 아니라고 판단한 경우, 컨트롤러(120)는 동작 710을 수행할 수 있다.
일 실시 예에 따르면 동작 710에서, 컨트롤러(120)는 복사 물리 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)로 입력값을 입력할 수 있다.
일 실시 예에 따르면 동작 720에서, 컨트롤러(120)는 입력값에 대해 복사 물리 모수화 모듈(150)에서 생성된 출력값을 출력할 수 있다.
도 8은 예측값이 정상이 아닌 경우 복사 물리 모수화 시스템(101)의 동작 방법을 설명하기 위한 도면이다.
동작 810은 도 1b를 참조하여 전술된 복사 물리 모수화 시스템(101)의 컨트롤러(120)에 의해 수행될 수 있고, 간명한 설명을 위해 도 1 내지 도 7을 참조하여 설명한 내용과 중복되는 내용은 생략될 수 있다.
도 6을 참조하여 설명한 동작 630에서, 복사 물리 모수화 시스템(101)의 컨트롤러(120)가 예측값이 정상이 아니라고 판단한 경우, 컨트롤러(120)는 동작 810을 수행할 수 있다.
일 실시 예에 따르면 동작 810에서, 컨트롤러(120)는 복사 물리 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)로 예측값에 대응하는 정보를 입력할 수 있다. 컨트롤러(120)는 예측값 대응 정보(186)를 참조하여 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값에 대응하는 정보를 복사 물리 모수화 모듈(150)로 입력할 수 있다.
일 실시 예에 따르면 동작 820에서, 컨트롤러(120)는 예측값에 대응하는 정보에 대해 복사 물리 모수화 모듈(150)에서 생성된 출력값을 출력할 수 있다.
복사 물리 모수화 모듈 에뮬레이터(160)로의 입력값 및 복사 물리 모수화 모듈 에뮬레이터(160)에서 생성된 예측값이 비정상인 경우, 도 7 및 도 8을 참조하여 설명한 바와 같이 복사 물리 모수화 모듈 에뮬레이터(160)가 아닌 복사 물리 모수화 모듈(150)로 모수화 과정이 수행될 수 있고, 불확실성이 보정될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
10: 수치 예보 모델
101: 복사 물리 모수화 시스템
150: 복사 물리 모수화 모듈
160: 복사 물리 모수화 모듈 에뮬레이터
120: 컨트롤러

Claims (20)

  1. 수치 예보 모델의 복사 물리 모수화(parameterization) 시스템에 있어서,
    복사 물리 모수화 모듈;
    상기 복사 물리 모수화 모듈에 대한 에뮬레이터(emulator); 및
    컨트롤러를 포함하고,
    상기 컨트롤러는,
    상기 시스템으로의 입력값의 정상 여부를 판단하고,
    상기 입력값이 정상이라고 판단된 경우, 상기 에뮬레이터로 상기 정상이라고 판단된 입력값을 입력하고,
    상기 정상이라고 판단된 입력값에 대해 상기 에뮬레이터에서 생성된 예측값의 정상 여부를 판단하고,
    상기 예측값이 정상이라고 판단된 경우, 상기 예측값을 출력하고,
    상기 예측값이 정상이 아니라고 판단된 경우, 상기 복사 물리 모수화 모듈로 상기 예측값에 대응하는 정보를 입력하고, 상기 예측값에 대응하는 정보에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하고,
    상기 입력값이 정상이 아니라고 판단된 경우, 상기 복사 물리 모수화 모듈로 상기 입력값을 입력하고, 상기 입력값에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력
    하도록 구성되는,
    복사 물리 모수화 시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 컨트롤러는,
    상기 복사 물리 모수화 시스템의 연산 속도에 기초하여 상기 복사 물리 모수화 모듈로 처리하는 빈도를 결정
    하도록 더 구성되는,
    복사 물리 모수화 시스템.
  5. 제1항에 있어서,
    상기 컨트롤러는,
    사전 분석을 통해 생성된 룩업 테이블(look-up table)에 기초하여 결정된 최솟값, 최댓값 및 정상범위 중 적어도 하나에 기초하여 상기 입력값 또는 상기 예측값의 정상 여부를 판단
    하도록 구성되는,
    복사 물리 모수화 시스템.
  6. 제5항에 있어서,
    상기 정상범위는,
    상기 사전 분석을 통해 생성된 룩업 테이블의 데이터의 평균 및 표준 편차에 기초하여 결정되는,
    복사 물리 모수화 시스템.
  7. 제1항에 있어서,
    상기 입력값은,
    연직 기압 분포, 연직 온도 분포, 연직 수증기량, 연직 오존량, 연직 구름량, 연직 운량, 경도, 위도, 해발 고도, 지표면 온도, 지표면 방출율, 지표면 알베도, 및 태양 천정각(zenith angle) 중 적어도 어느 하나를 포함하는,
    복사 물리 모수화 시스템.
  8. 제1항에 있어서,
    상기 예측값은,
    연직 가열률, 대기 상단에서의 상향 복사량, 지표에서의 상향 복사량, 및 지표에서의 하향 복사량 중 적어도 어느 하나를 포함하는,
    복사 물리 모수화 시스템.
  9. 제1항에 있어서,
    상기 에뮬레이터는,
    신경망(neural network)에 기반하여 상기 예측값을 생성하는,
    복사 물리 모수화 시스템.
  10. 제1항에 있어서,
    상기 수치 예보 모델은 초단기 예보 모델(KLAPS)이며,
    상기 복사 물리 모수화 모듈은 RRTMG-K(Rapid Radiative Transfer Model for GCM(general circulation model)-Korea)인,
    복사 물리 모수화 시스템.
  11. 수치 예보 모델의 복사 물리 모수화(parameterization) 시스템의 동작 방법에 있어서,
    상기 복사 물리 모수화 시스템은 복사 물리 모수화 모듈 및 상기 복사 물리 모수화 모듈에 대한 에뮬레이터(emulator)를 포함하고,
    상기 방법은,
    상기 시스템으로의 입력값의 정상 여부를 판단하는 동작;
    상기 입력값이 정상이라고 판단된 경우, 상기 에뮬레이터로 상기 정상이라고 판단된 입력값을 입력하는 동작;
    상기 정상이라고 판단된 입력값에 대해 상기 에뮬레이터에서 생성된 예측값의 정상 여부를 판단하는 동작;
    상기 예측값이 정상이라고 판단된 경우, 상기 예측값을 출력하는 동작;
    상기 예측값이 정상이 아니라고 판단된 경우, 상기 복사 물리 모수화 모듈로 상기 예측값에 대응하는 정보를 입력하는 동작; 및 상기 예측값에 대응하는 정보에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하는 동작;
    상기 입력값이 정상이 아니라고 판단된 경우, 상기 복사 물리 모수화 모듈로 상기 입력값을 입력하는 동작; 및 상기 입력값에 대해 상기 복사 물리 모수화 모듈에서 생성된 출력값을 출력하는 동작
    을 포함하는,
    복사 물리 모수화 시스템의 동작 방법.
  12. 삭제
  13. 삭제
  14. 제11항에 있어서,
    상기 입력값 또는 상기 예측값의 정상 여부를 판단하는 동작은,
    사전 분석을 통해 생성된 룩업 테이블(look-up table)에 기초하여 결정된 최솟값, 최댓값 및 정상범위 중 적어도 하나에 기초하여 상기 입력값 또는 상기 예측값의 정상 여부를 판단하는 동작
    을 포함하는,
    복사 물리 모수화 시스템의 동작 방법.
  15. 제14항에 있어서,
    상기 정상범위는,
    상기 사전 분석을 통해 생성된 룩업 테이블의 데이터의 평균 및 표준 편차에 기초하여 결정되는,
    복사 물리 모수화 시스템의 동작 방법.
  16. 제11항에 있어서,
    상기 입력값은,
    연직 기압 분포, 연직 온도 분포, 연직 수증기량, 연직 오존량, 연직 구름량, 연직 운량, 경도, 위도, 해발 고도, 지표면 온도, 지표면 방출율, 지표면 알베도, 및 태양 천정각(zenith angle) 중 적어도 어느 하나를 포함하는,
    복사 물리 모수화 시스템의 동작 방법.
  17. 제11항에 있어서,
    상기 예측값은,
    연직 가열률, 대기 상단에서의 상향 복사량, 지표에서의 상향 복사량, 및 지표에서의 하향 복사량 중 적어도 어느 하나를 포함하는,
    복사 물리 모수화 시스템의 동작 방법.
  18. 제11항에 있어서,
    상기 에뮬레이터는,
    신경망(neural network)에 기반하여 예측값을 생성하는,
    복사 물리 모수화 시스템의 동작 방법.
  19. 제11항에 있어서,
    상기 수치 예보 모델은 초단기 예보 모델(KLAPS)이며,
    상기 복사 물리 모수화 모듈은 RRTMG-K(Rapid Radiative Transfer Model for GCM(general circulation model)-Korea)인,
    복사 물리 모수화 시스템의 동작 방법.
  20. 하드웨어와 결합되어 제11항 및 제14항 내지 제19항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020210132997A 2021-10-07 2021-10-07 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 KR102388292B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210132997A KR102388292B1 (ko) 2021-10-07 2021-10-07 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210132997A KR102388292B1 (ko) 2021-10-07 2021-10-07 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR102388292B1 true KR102388292B1 (ko) 2022-04-26

Family

ID=81390012

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210132997A KR102388292B1 (ko) 2021-10-07 2021-10-07 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법

Country Status (1)

Country Link
KR (1) KR102388292B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129776A (ja) * 1993-11-05 1995-05-19 Babcock Hitachi Kk 異常監視方法および装置
JP2018101416A (ja) * 2016-12-21 2018-06-28 ホーチキ株式会社 火災監視システム
JP2019096237A (ja) * 2017-11-27 2019-06-20 国立研究開発法人宇宙航空研究開発機構 エミュレーションモデルの生成、並びに生成されたエミュレーションモデルの目的変数の不確実性に関する情報の生成及び表示のためのシステム、方法、プログラム、プログラムを記憶した記憶媒体
KR102218179B1 (ko) * 2020-06-15 2021-03-29 대한민국(기상청 국립기상과학원장) 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129776A (ja) * 1993-11-05 1995-05-19 Babcock Hitachi Kk 異常監視方法および装置
JP2018101416A (ja) * 2016-12-21 2018-06-28 ホーチキ株式会社 火災監視システム
JP2019096237A (ja) * 2017-11-27 2019-06-20 国立研究開発法人宇宙航空研究開発機構 エミュレーションモデルの生成、並びに生成されたエミュレーションモデルの目的変数の不確実性に関する情報の生成及び表示のためのシステム、方法、プログラム、プログラムを記憶した記憶媒体
KR102218179B1 (ko) * 2020-06-15 2021-03-29 대한민국(기상청 국립기상과학원장) 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Vladimir M. Krasnopolsky 외 3인. Neural network approach for robust and fast calculation of physical processes in numerical environmental models : Neural Networks 21, 2008년 3월 31일, 페이지 535 내지 543* *

Similar Documents

Publication Publication Date Title
Zhang et al. The operational global four‐dimensional variational data assimilation system at the China Meteorological Administration
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
CN108388956B (zh) 考虑辐射衰减的光伏功率预测方法
Bouzgou et al. Minimum redundancy–maximum relevance with extreme learning machines for global solar radiation forecasting: Toward an optimized dimensionality reduction for solar time series
CN105988146A (zh) 一种星载微波辐射计的应用数据处理方法
AU2014389497B2 (en) Combing multiple trending models for photovoltaic plant output forecasting
KR102296309B1 (ko) 태양광 발전량 예측 장치 및 그 방법
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN112200354A (zh) 一种滑坡的预测方法、装置、设备和存储介质
Singh et al. Deep learning for improved global precipitation in numerical weather prediction systems
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
Gao et al. Testing a four-dimensional variational data assimilation method using an improved intermediate coupled model for ENSO analysis and prediction
CN115081307A (zh) 一种基于神经网络的气象数值模式同化方法及装置
CN111612274B (zh) 一种基于时空相关性的潮汐水位预报方法
CN112381282A (zh) 基于宽度学习系统的光伏发电功率预测方法
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN112200356A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN115882454A (zh) 基于多元信息融合的源荷功率预测方法及系统
Liang et al. A machine learning approach to the observation operator for satellite radiance data assimilation
Nourani et al. Multi-step-ahead solar irradiance modeling employing multi-frequency deep learning models and climatic data
Krasnopolsky et al. Decadal climate simulations using accurate and fast neural network emulation of full, longwave and shortwave, radiation
CN114895380A (zh) 一种太阳辐射预测方法、装置、设备和介质
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
KR102388292B1 (ko) 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법
Tan et al. Projected changes of typhoon intensity in a regional climate model: Development of a machine learning bias correction scheme

Legal Events

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