KR102396290B1

KR102396290B1 - Method for providing ultra low altitude wind prediction information

Info

Publication number: KR102396290B1
Application number: KR1020190173141A
Authority: KR
Inventors: 권재일; 김기영; 구성관; 홍석민
Original assignee: 주식회사 포디솔루션
Priority date: 2019-12-23
Filing date: 2019-12-23
Publication date: 2022-05-11
Also published as: KR20210081492A

Abstract

일 실시 예에 따른 무인 항공기 운항을 위한 초저고도 바람 예측 정보 제공 방법은 대상지의 기준 시각에 대한 초 저고도(Ultra-Low Altitude) 바람 예측 정보 요청을 수신하는 단계; 상기 대상지에 대한 초기 예보 데이터를 획득하는 단계; 상기 초기 예보 데이터를 미리 학습된 인공 신경망에 입력하여 풍속 예측 데이터를 생성하는 단계; 상기 풍속 예측 데이터를 포함하는 바람 예측 정보를 제공하는 단계;를 포함할 수 있고, 상기 초기 예보 데이터는 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속 데이터, 대기 상태 변수 중 하나 이상을 포함하며, 상기 풍속 예측 데이터는 적어도 상기 대상지의 대기 상태 변수가 반영되어 보정된 데이터일 수 있다.
따라서 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템에 의하면, 무인항공기를 운항하고자 하는 사용자는 고도 150m 이하의 개선된 바람 예측 정보를 실시간으로 확인함으로써 무인항공기의 운항 여부를 결정할 수 있다. A method of providing ultra-low altitude wind prediction information for operation of an unmanned aerial vehicle according to an embodiment includes the steps of: receiving a request for ultra-low altitude wind prediction information for a reference time of a target site; obtaining initial forecast data for the target site; generating wind speed prediction data by inputting the initial forecast data into a pre-trained artificial neural network; Providing wind prediction information including the wind speed prediction data; may include, the initial forecast data is one or more of the forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed data, atmospheric state variables Including, the wind speed prediction data may be data corrected by reflecting at least the atmospheric state variable of the target site.
Therefore, according to the system for providing wind prediction information according to an embodiment of the present application, a user who intends to operate an unmanned aerial vehicle may determine whether to operate the unmanned aerial vehicle by checking the improved wind prediction information of an altitude of 150 m or less in real time.

Description

{METHOD FOR PROVIDING ULTRA LOW ALTITUDE WIND PREDICTION INFORMATION}

아래의 실시 예들은 정확도가 향상된 초저고도의 바람 예측 정보를 제공하기 위한 방법에 관한 것이다.The following embodiments relate to a method for providing wind prediction information of ultra-low altitude with improved accuracy.

최근 저고도 무인 비행체의 활용도가 높아짐에 따라 이에 대한 기상 정보의 수요가 제기되고 있다. Recently, as the use of low-altitude unmanned aerial vehicles increases, the demand for weather information is being raised.

일반적으로 항공기 운항에 영향을 주는 기상요소는 시정(visibility), 착빙(icing), 뇌우(thunder storm)와 같은 환경적인 요소와 바람 시어(wind shear), 순간 돌풍(microburst), 난류(turbulence) 등 바람에 의한 요소가 포함된다. In general, meteorological factors that affect aircraft operation include environmental factors such as visibility, icing, and thunderstorms, and wind shear, microburst, turbulence, etc. Elements caused by wind are included.

이 중 바람에 의한 요소는 드론과 같이 저고도로 비행하는 무인 항공기의 안전 운항에 큰 영향을 크게 미칠 수 있기 때문에 저고도 바람에 대한 예측 정보가 필수적이다. Among these factors, wind forecast information is essential because it can greatly affect the safe operation of unmanned aerial vehicles flying at low altitudes such as drones.

그러나, 현재 항공기상 정보 체계는 유인 항공기 및 운송용 항공기에 주요 정비를 제공하는 형태로 개발되고 있을 뿐이어서 저고도로 비행하는 무인 항공기에 정밀한 예측 정보를 제공하기에는 부족한 실정이다. However, the current air meteorological information system is only being developed in the form of providing major maintenance to manned aircraft and transport aircraft, so it is insufficient to provide precise prediction information to unmanned aerial vehicles flying at low altitudes.

이하의 실시 예들은 무인 항공기의 운항을 위한 초저고도 바람 예측 정보를 제공하는 것에 있다. The following embodiments are to provide ultra-low altitude wind prediction information for operation of an unmanned aerial vehicle.

본 출원이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다. The problem to be solved by the present application is not limited to the above-mentioned problems, and the problems not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the present specification and the accompanying drawings. .

일 실시 예에 따른 무인 항공기 운항을 위한 초저고도 바람 예측 정보 제공 방법은 대상지의 기준 시각에 대한 초 저고도(Ultra-Low Altitude) 바람 예측 정보 요청을 수신하는 단계; 상기 대상지에 대한 초기 예보 데이터를 획득하는 단계; 상기 초기 예보 데이터를 미리 학습된 인공 신경망에 입력하여 풍속 예측 데이터를 생성하는 단계; 상기 풍속 예측 데이터를 포함하는 바람 예측 정보를 제공하는 단계;를 포함할 수 있고, 상기 초기 예보 데이터는 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속 데이터, 대기 상태 변수 중 하나 이상을 포함하며, 상기 풍속 예측 데이터는 적어도 상기 대상지의 대기 상태 변수가 반영되어 보정된 데이터일 수 있다. A method of providing ultra-low altitude wind prediction information for operation of an unmanned aerial vehicle according to an embodiment includes: receiving a request for ultra-low altitude wind prediction information for a reference time of a target site; obtaining initial forecast data for the target site; generating wind speed prediction data by inputting the initial forecast data into a pre-trained artificial neural network; Providing wind prediction information including the wind speed prediction data; may include, the initial forecast data is one or more of the forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed data, atmospheric state variables Including, the wind speed prediction data may be data corrected by reflecting at least the atmospheric state variable of the target site.

상기 초기 예보 데이터는 고도 150m 이하의 기상 정보, 지형 자료, 토지 이용도 자료 중 하나 이상을 이용하여 미리 설정된 시간 간격으로 생성될 수 있다. The initial forecast data may be generated at preset time intervals using one or more of weather information of an altitude of 150 m or less, topographic data, and land use data.

상기 대기 상태 변수는 상기 대상지의 대기 경계층 내 안정도를 나타낼 수 있다. 예를 들어, 상기 대기 상태 변수는 대기 경계층 고도 및 바람 시어 값 중 적어도 하나를 포함할 수 있다.The atmospheric state variable may indicate stability in the atmospheric boundary layer of the target site. For example, the atmospheric state variable may include at least one of an atmospheric boundary layer altitude and a wind shear value.

상기 인공신경망은 상기 대상지에 대응되는 관측소에서 측정된 풍속 데이터 및 상기 대상지에 대한 초기 예보 데이터를 이용하여 미리 학습될 수 있다. The artificial neural network may be pre-trained using wind speed data measured at an observatory corresponding to the target site and initial forecast data for the target site.

예를 들어, 상기 인공신경망은 상기 대상지에서 측정된 풍속 데이터와 상기 풍속 예측 데이터의 차이가 미리 설정된 오차 범위 내에 있도록 학습될 수 있다. For example, the artificial neural network may be trained so that a difference between the wind speed data measured at the target site and the wind speed prediction data is within a preset error range.

또한, 일 실시 예에 따른 무인 항공기 운항을 위한 초저고도 바람 예측 정보 제공 시스템은, 사용자로부터 대상지의 기준 시각에 대한 초저고도 바람 예측 데이터 요청을 수신하는 통신 모듈; 상기 대상지에 대해 모델링된 초기 예보 데이터를 획득하는 초기 예보 데이터 획득 모듈; 상기 초기 예보 데이터를 이용하여 보정된 풍속 예측 데이터를 생성하는 바람 예측 데이터 생성 모듈; 상기 풍속 예측 데이터를 포함하는 바람 예측 데이터를 사용자에게 제공하도록 제어하는 제어모듈; 을 포함할 수 있다.In addition, the ultra-low altitude wind prediction information providing system for the operation of an unmanned aerial vehicle according to an embodiment includes a communication module for receiving a request for ultra-low altitude wind prediction data for a reference time of a target site from a user; an initial forecast data acquisition module for acquiring the modeled initial forecast data for the target site; a wind prediction data generation module for generating corrected wind speed prediction data using the initial forecast data; a control module for controlling to provide wind prediction data including the wind speed prediction data to a user; may include

이때 상기 초기 예보 데이터는 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속 예측 데이터, 대기 상태 변수 중 하나 이상을 포함할 수 있고, 상기 바람 예측 데이터 생성 모듈은, 적어도 상기 대상지의 대기 상태 변수가 반영되어 보정된 풍속 예측 데이터를 생성할 수 있다. At this time, the initial forecast data may include one or more of a forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed forecast data, and atmospheric state variables, and the wind forecast data generating module is at least the atmospheric state of the target site. Variables can be reflected to generate corrected wind speed prediction data.

상기 대기 상태 변수는 상기 대상지에서의 대기 경계층 내 안정도를 나타낼 수 있다. 예를 들어, 상기 대기 상태 변수는 대기 경계층 고도 및 연직 시어 값 중 적어도 하나를 포함할 수 있다. The atmospheric state variable may indicate stability in the atmospheric boundary layer at the target site. For example, the atmospheric state variable may include at least one of an atmospheric boundary layer altitude and a vertical shear value.

상기 바람 예측 데이터 생성 모듈에는, 상기 대상지에서 측정된 풍속 데이터 및 상기 초기 예보 데이터를 이용하여 미리 학습된 인공 신경망 알고리즘이 제공될 수 있다. The wind prediction data generation module may be provided with an artificial neural network algorithm previously learned using the wind speed data measured at the target site and the initial forecast data.

상기 인공신경망 알고리즘은, 상기 대상지에서 측정된 풍속 데이터와 상기 풍속 예측 데이터의 차이가 미리 설정된 오차 범위 내에 있도록 반복적으로 학습된 것일 수 있다. The artificial neural network algorithm may be repeatedly learned so that a difference between the wind speed data measured at the target site and the wind speed prediction data is within a preset error range.

이하의 실시 예들에 따른 초저고도 바람 예측 정보 제공 방법에 의하면, 인공 신경망을 활용하여 초기 예보 데이터를 보정함으로써 정밀도가 향상된 풍속 예측 정보를 제공할 수 있다. According to the method for providing ultra-low altitude wind prediction information according to the following embodiments, it is possible to provide wind speed prediction information with improved precision by correcting the initial forecast data using an artificial neural network.

도 1은 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템의 전체 환경을 예시적으로 설명하기 위한 블록도이다.
도 2는 2018년 4월에 대한 보성글로벌표준기상관측소의 고도 10m 및 100m 에서의 풍속을 시계열적으로 보여주는 그래프이다.
도 3은 00UTC 초기시간의 고도 10m 풍속 실험 결과를 나타내는 그래프이다.
도 4는 12UTC 초기시간의 고도 10m 풍속 실험 결과를 나타내는 그래프이다.
도 5는 고도 10m 풍향의 00UTC RMSE 결과를 예시적으로 보여주는 그래프이다.
도 6은 고도 10m 풍향의 12UTC RMSE 결과를 예시적으로 보여주는 그래프이다
도 7은 00UTC 초기시간의 고도 100m 풍속 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.
도 8은 12UTC 초기시간의 고도 100m 풍속 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.
도 9는 00UTC 초기시간의 고도 100m 풍향 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.
도 10은 12UTC 초기시간의 고도 100m 풍향 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.
도 11은 본 출원의 일 실시 예에 따른 심층신경망 모델을 예시적으로 설명하기 위한 도면이다.
도 12는 본 출원의 일 실시 예에 따른 학습을 수행하는 학습 장치의 구성을 예시적으로 설명하기 위한 블록도이다.
도 13은 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 방법을 설명하기 위한 순서도이다.
도 14 및 도 15는 대상지에 대한 실제 관측값, 초기 예보 데이터, 심층신경망을 이용한 보정된 풍속 데이터를 예시적으로 설명하기 위한 그래프이다.
도 16은 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템을 통해 제공되는 사용자 인터페이스를 예시적으로 설명하기 위한 도면이다. 1 is a block diagram illustrating an overall environment of a system for providing wind prediction information according to an embodiment of the present application.
2 is a graph showing the wind speed in time series at an altitude of 10 m and 100 m at the Boseong Global Standard Meteorological Observatory for April, 2018.
3 is a graph showing the results of a wind speed test at an altitude of 10 m at an initial time of 00UTC.
4 is a graph showing the results of a wind speed test at an altitude of 10 m at an initial time of 12 UTC.
5 is a graph exemplarily showing 00UTC RMSE results at an altitude of 10m in a wind direction.
6 is a graph exemplarily showing 12UTC RMSE results at an altitude of 10m in a wind direction.
7 is a graph for exemplarily showing the result of the wind speed RMSE at an altitude of 100 m at an initial time of 00UTC.
FIG. 8 is a graph for exemplarily showing an altitude 100m wind speed RMSE result at an initial time of 12UTC.
9 is a graph for exemplarily showing the result of the wind direction RMSE at an altitude of 100 m at an initial time of 00UTC.
10 is a graph for exemplarily showing the result of the wind direction RMSE at an altitude of 100 m at the initial time of 12UTC.
11 is a diagram to exemplarily describe a deep neural network model according to an embodiment of the present application.
12 is a block diagram for exemplarily explaining the configuration of a learning apparatus for performing learning according to an embodiment of the present application.
13 is a flowchart illustrating a method of providing wind prediction information according to an embodiment of the present application.
14 and 15 are graphs for illustratively explaining actual observation values for the target site, initial forecast data, and corrected wind speed data using a deep neural network.
16 is a diagram for illustratively explaining a user interface provided through a system for providing wind prediction information according to an embodiment of the present application.

본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. The above-mentioned objects, features and advantages of the present invention will become more apparent from the following detailed description taken in conjunction with the accompanying drawings. However, since the present invention may have various changes and may have various embodiments, specific embodiments will be exemplified in the drawings and described in detail below.

도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.In the drawings, the thicknesses of layers and regions are exaggerated for clarity, and also, an element or layer may be referred to as “on” or “on” another component or layer. What is referred to includes all cases in which another layer or other component is interposed in the middle as well as directly on top of another component or layer. Throughout the specification, like reference numerals refer to like elements in principle. In addition, components having the same function within the scope of the same idea shown in the drawings of each embodiment will be described using the same reference numerals.

본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.If it is determined that a detailed description of a known function or configuration related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, numbers (eg, first, second, etc.) used in the description process of the present specification are only identification symbols for distinguishing one component from other components.

또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. In addition, the suffixes "module" and "part" for components used in the following description are given or mixed in consideration of only the ease of writing the specification, and do not have distinct meanings or roles by themselves.

본 명세서에서 무인 항공기 운항을 위한 초 저고도는 "고도 150m 이하" 인 경우로 정의한다. In the present specification, the ultra-low altitude for the operation of the unmanned aerial vehicle is defined as the case of "altitude 150 m or less".

또한, 본 명세서에서는 저고도의 고도별 관측자료가 존재하는 보성글로벌표준기상관측소를 기준으로 특정 실험 기간 (2018년 1월부터 6월까지)에 대해 초기 예보 데이터 모델을 구축하고, 상기 초기 예보 데이터를 활용하여 개선된 풍속 예측 모델을 설계하는 경우를 예로 들어 설명하기로 한다. 보성글로벌표준기상관측소는 고도 10m부터 고도 300m까지 11개 층별 바람 데이터를 측정할 수 있는 시설이다. In addition, in this specification, an initial forecast data model is built for a specific experimental period (January to June 2018) based on the Boseong Global Standard Meteorological Observatory, where there is observation data for each low altitude, and the initial forecast data An example of designing an improved wind speed prediction model by utilizing it will be described. The Boseong Global Standard Meteorological Observatory is a facility that can measure wind data for 11 floors from an altitude of 10m to an altitude of 300m.

1. 바람 예측 정보 제공 시스템 1. Wind forecast information providing system

도 1은 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템(1)의 전체 환경을 예시적으로 설명하기 위한 블록도이다. 1 is a block diagram for illustratively explaining the entire environment of the wind prediction information providing system 1 according to an embodiment of the present application.

도 1을 참조하면 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템(1)은 데이터 베이스(100), 초기 예보 데이터 모델링 장치(200), 서버(300), 사용자 장치(400) 등을 포함할 수 있다. 이때 각 구성요소들은 네트워크(미도시)에 의해 연결될 수 있다. Referring to FIG. 1 , the wind prediction information providing system 1 according to an embodiment of the present application includes a database 100 , an initial forecast data modeling device 200 , a server 300 , a user device 400 , and the like. can do. In this case, each component may be connected by a network (not shown).

1.1 데이터 베이스1.1 database

데이터 베이스(100)는 기상 예보 데이터 생성을 위해 활용되는 각종 기상 관련 데이터들을 저장하기 위한 구성으로, 하나 이상의 메모리(미도시)를 포함할 수 있다. The database 100 is configured to store various weather-related data used for generating weather forecast data, and may include one or more memories (not shown).

본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템(1)은 정밀한 풍속 예측 데이터를 제공하기 위해 하나 이상의 데이터 베이스로부터 기상 관련 데이터를 획득할 수 있다. The wind prediction information providing system 1 according to an embodiment of the present application may acquire weather-related data from one or more databases in order to provide precise wind speed prediction data.

상기 기상 관련 데이터는, 기상 관측소에서 측정된 기상 데이터를 포함할 수 있다. 예를 들어, 기상 데이터는, 온도, 습도, 기압, 강수량, 풍향, 풍속 등을 포함할 수 있다. The weather-related data may include weather data measured at a weather station. For example, the weather data may include temperature, humidity, atmospheric pressure, precipitation, wind direction, wind speed, and the like.

이때 상기 데이터 베이스(100)에는 하나 이상의 기상 관측소로부터 수집된 기상 데이터가 저장되어 있을 수 있고, 또는 상기 데이터 베이스는 각 기상 관측소에 위치할 수 있다. At this time, weather data collected from one or more weather stations may be stored in the database 100 , or the database may be located at each weather station.

또한, 기상 관련 데이터는 고해상도의 기상 예보 데이터 생성을 위해 활용할 수 있는 모든 자료를 포함할 수 있으며, 예를 들어, 지형 자료, 토지 이용도 자료 등을 더 포함할 수 있다. In addition, the weather-related data may include all data that can be utilized to generate high-resolution weather forecast data, and may further include, for example, topographic data, land use data, and the like.

1.2 초기 예보 데이터 1.2 Initial Forecast Data 모델링modelling 장치 Device

초기 예보 데이터 모델링 장치(200)는 기상 역학 모델을 기초로 하여 초기 예보 데이터를 생성하기 위한 구성이다. The initial forecast data modeling apparatus 200 is configured to generate initial forecast data based on a meteorological dynamics model.

예를 들어, 초기 예보 데이터 모델링 장치(200)는 미리 설정된 시간 간격으로 예보 데이터를 생성할 수 있다.For example, the initial forecast data modeling apparatus 200 may generate forecast data at preset time intervals.

일 예로, 초기 예보 데이터는 1일 2회 생성될 수 있고, 각 1회 데이터에는 생성 시간부터 +72 시간 까지 1시간 간격의 예보 데이터가 포함되어 있을 수 있다. As an example, the initial forecast data may be generated twice a day, and each one-time data may include forecast data at 1-hour intervals from the creation time to +72 hours.

예를 들어, 초기 예보 데이터 모델링 장치(200)는 데이터 생성 시간 별로 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속, 대기상태변수 등을 포함하는 초기 예보 데이터를 생성할 수 있다. For example, the initial forecast data modeling apparatus 200 may generate initial forecast data including a forecast date, predicted time, temperature, humidity, atmospheric pressure, precipitation, wind speed, atmospheric state variables, etc. for each data generation time.

상기 대기상태변수는 대기 경계층 고도, 바람 시어 값 등을 포함할 수 있다. 상기 대기상태변수는 대기 경계층 내 안정도를 반영하는 값으로 고도 150m 이하의 초저고도에서 풍속 예측에 영향을 미칠 수 있는 중요한 파라미터 중 하나일 수 있다. The atmospheric state variable may include an atmospheric boundary layer altitude, a wind shear value, and the like. The atmospheric state variable is a value that reflects the stability in the atmospheric boundary layer, and may be one of important parameters that can affect wind speed prediction at ultra-low altitudes of 150 m or less.

구체적으로, 대기 경계층 고도와 최대 풍속은 대기 경계층 내 안정도에 큰 영향을 미치는 것으로 알려져 있으며, 선행 연구 결과(열적구조에 의한 대기 안정 경계층의 고도 추정과 바람 특성 분석, 한국기상학회지 39, 2, 2003, p.187-206)에 따르면, 최대 풍속이 나타나는 고도와 안정 경계층 고도가 일치한다. 또한, 선행 연구 결과에서 시어 고도 또한 안정층 고도와 유사하게 결정되고 있음을 알 수 있다. Specifically, it is known that the atmospheric boundary layer altitude and maximum wind speed have a significant effect on the stability within the atmospheric boundary layer, and the results of previous studies (estimation of the altitude of the atmospheric stable boundary layer by thermal structure and analysis of wind characteristics, Journal of the Korean Meteorological Society 39, 2, 2003) , p.187-206), the altitude at which the maximum wind speed appears coincides with the altitude of the stable boundary layer. In addition, it can be seen from the results of previous studies that the shear height is also determined similarly to the stable bed height.

또한, 본 출원의 일 실시 예에 따른 초기 예보 모델링 장치(200)는, 초저고도에 대한 초기 예보 데이터 생성을 위해 다양한 기상 역학 모델을 활용할 수 있다.Also, the initial forecast modeling apparatus 200 according to an embodiment of the present application may utilize various meteorological dynamics models to generate initial forecast data for ultra-low altitudes.

일 예로, 본 출원의 일 실시 예에 따른 초기 예보 모델링 장치(200)는 미국 NCAR(National Center for Atmospheric Research)에서 개발한 중규모 수치모델인 WRF(Weather Research and Forecasting, Skamarock et al., 2008)을 사용할 수 있다. For example, the initial forecast modeling apparatus 200 according to an embodiment of the present application is a mesoscale numerical model WRF (Weather Research and Forecasting, Skamarock et al., 2008) developed by the US National Center for Atmospheric Research (NCAR). can be used

WRF 수치모델은 완전 압축성 정수계 모델(fully compressible non-hydrostatic)이며, 수평격자는 Arakawa-C 격자, 연직 격자 지형에 근거한 정역학 기압연직 좌표를 사용하는 모델이다. The WRF numerical model is a fully compressible non-hydrostatic model, and the horizontal grid is a model using the Arakawa-C grid and hydrostatic pressure vertical coordinates based on the vertical grid topography.

WRF 수치모델은 다양한 기상관련 연구에 많이 사용하는 모델로, 모델 구동 환경 설정으로 연구에 필요한 구역의 다양한 정보의 생성이 가능하며, 특히, 일반적으로 기상 예보 정보에서 제공되지 않는 150m 이하의 초저고도 기상 정보의 생성이 가능하다는 장점이 있다. The WRF numerical model is a model widely used in various meteorological studies, and it is possible to generate various information on the area required for research by setting the model driving environment. It has the advantage of being able to generate information.

또한, 본 출원의 일 실시 예에 따른 초기 예보 모델링 장치(200)는 높은 해상도의 정밀한 모델 수행을 위하여 고해상도 지형 자료 및 토지 이용도 자료를 더 활용할 수 있다. 왜냐하면 지형 및 토지이용자료는 지표면 거칠기에 큰 영향을 주기 때문이다. In addition, the initial forecast modeling apparatus 200 according to an embodiment of the present application may further utilize high-resolution topographic data and land use data in order to perform a high-resolution precise model. This is because topography and land use data have a great influence on the surface roughness.

일 실시 예에서, 지형 자료는 1s(약 30m) 해상도의 SRTM(shutter radar topographic mission)자료를, 토지이용도 자료로 2013년 환경부 1:25,000 축척자료를 사용하였다. In one embodiment, as the topographic data, SRTM (shutter radar topographic mission) data of 1s (about 30m) resolution were used, and the 2013 Ministry of Environment 1:25,000 scale data was used as the land use data.

또한, 일 실시 예에서, 고도 150m 초저고도의 바람예측 정보를 제공하기 위해 최적의 물리과정 및 초기조건을 선정하였다. In addition, in one embodiment, an optimal physical process and initial conditions were selected to provide wind prediction information at an altitude of 150 m and ultra-low altitude.

이는, 고도 150m 이하의 초저고도 영역은 대기 경계층(Planetary Boundary Layer)에 포함되는데, 대기 경계층은 태양복사에 의한 기온 변동이 급격하게 나타나는 지표면과 맞닿아 있어서 대기환경이 급격히 변화하는 경향이 있기 때문이다. This is because the ultra-low-altitude region below 150 m is included in the planetary boundary layer, which is in contact with the surface of the earth where temperature fluctuations due to solar radiation rapidly appear, so the atmospheric environment tends to change rapidly. .

이러한 대기경계층의 난류는 물리과정 모수화를 통해 예측할 수 있으며, 대기경계층 모수화 방안은 여러가지 방법이 있다. Such atmospheric boundary layer turbulence can be predicted through physical process parameterization, and there are various methods for atmospheric boundary layer parameterization.

예를 들어, 대기경계층 모수화 방안으로 YSU(Yonsei University Scheme), MYJ(Mellor-Yamada-Janjic Scheme), ACM2(Asymmetric Convection Model 2) 등을 사용할 수 있다. For example, Yonsei University Scheme (YSU), Mellor-Yamada-Janjic Scheme (MYJ), Asymmetric Convection Model 2 (ACM2), etc. may be used as the atmospheric boundary layer parameterization method.

또한, 지면 모델은 Noah(Unified Noah Land Surface Model), RUC(Rapid Update Cycle), Pleim (Pleim-Xiu Land Surface Model) 방안 등을 사용할 수 있다. In addition, the ground model may use a Unified Noah Land Surface Model (Noah), a Rapid Update Cycle (RUC), a Pleim-Xiu Land Surface Model (Pleim) method, or the like.

뿐만 아니라, 물리 모수화 방안 외에 초기 및 경계조건 또한 수치모델링에 영향을 미친다는 몇몇 연구 결과가 존재한다. In addition, there are several research results showing that initial and boundary conditions also affect numerical modeling in addition to physical parameterization methods.

일 예로, 본 출원의 일 실시 예에 따른 초기 예보 데이터 모델링 장치(200)는, 초저고도 바람예측을 모델링을 위하여 초기조건 및 경계조건으로 미국 NCEP(National Centers for Environmental Prediction)의 전구모델인 GFS(Global Forecasting System) 모델의 예측 자료를 사용할 수 있다. As an example, the initial forecast data modeling apparatus 200 according to an embodiment of the present application is a global model of the United States National Centers for Environmental Prediction (NCEP) as an initial condition and boundary condition for modeling ultra-low altitude wind prediction. The forecast data of the Global Forecasting System) model can be used.

다른 예로, 본 출원의 다른 실시 예에 따른 초기 예보 데이터 모델링 장치(200)는, 초저고도 바람예측을 모델링을 위하여 초기조건 및 경계조건으로 우리나라 기상청의 현업모델인 UM(Unified Model)의 국지예보모델인 LDAPS(Local Data Assimilation and Prediction System)의 예측 자료를 사용할 수 있다. As another example, the initial forecast data modeling apparatus 200 according to another embodiment of the present application is a local forecast model of UM (Unified Model), which is a working model of the Korea Meteorological Administration, as initial conditions and boundary conditions for modeling ultra-low altitude wind forecasts. Prediction data of LDAPS (Local Data Assimilation and Prediction System) can be used.

GFS 모델은 자료동화과정이 포함된 모델자료로, 도메인을 각각 4.5 km, 1.5 km, 0.5km의 해상도를 갖는 3개의 둥지 격자로 구성하며, LDAPS의 경우 0.5km의 해상도를 갖는 하나의 도메인을 구성한다. The GFS model is model data including the data assimilation process, and the domain consists of three nesting grids with resolutions of 4.5 km, 1.5 km, and 0.5 km, respectively. In the case of LDAPS, one domain with a resolution of 0.5 km is composed do.

일 실시 예에서, 본 출원의 일 실시 예에 따른 초기 예보 모델링 장치(200)는 저고도의 바람을 정밀하게 예측하기 위해 2018년 1월부터 6월까지의 실험 기간에 대해 저고도의 고도별 관측자료가 존재하는 보성글로벌표준기상관측소를 기준으로 최종 도메인을 500m로 설정하고, 대상지에 대한 정밀 예측을 수행하여 초기 예보 데이터를 생성하였다. 이하에서는 보성글로벌표준기상 관측소가 위치하는 전라남도 보성군에서 수행된 실험 결과를 예로 들어 설명한다. In one embodiment, the initial forecast modeling apparatus 200 according to an embodiment of the present application includes observation data for each low-altitude altitude for the experimental period from January to June 2018 in order to accurately predict the low-altitude wind. Based on the existing Boseong Global Standard Meteorological Observatory, the final domain was set to 500 m, and the initial forecast data was generated by performing precise prediction on the target site. Hereinafter, the results of experiments conducted in Boseong-gun, Jeollanam-do, where the Boseong Global Standard Meteorological Observatory is located, will be described as an example.

1.3 초기 예보 데이터 1.3 Initial Forecast Data 모델링modelling 실험 결과 Experiment result

이하에서 설명하는 실험 결과는 대기경계층 모수화와 지면모델을 조합한 테스트 결과로, Test 1은 전체 물리과정을 CONUS(Continental US) physics suite로 진행하였으며, 이는 NCAR Convection-Permitting Suite에 해당하는 물리과정 세트로 미국 대륙의 대류성 일기(convective weather)에 초점을 맞춘 것이다. Test 2~7은 지면모델과 대기경계층, Land Surface를 제외하고는 테스트 1과 동일하게 설정하였다. 물리과정 실험 설정에 대한 세부적인 사항은 아래 표 1과 같다. The experimental results described below are test results combining atmospheric boundary layer parameterization and ground model. In Test 1, the entire physics process was performed with the CONUS (Continental US) physics suite, which is a set of physics processes corresponding to the NCAR Convection-Permitting Suite. The focus is on the convective weather of the continental United States. Tests 2-7 were set the same as in Test 1 except for the ground model, atmospheric boundary layer, and land surface. The details of the physical process experiment settings are shown in Table 1 below.

실험 결과에 대한 검증은 풍속과 풍향에 대해 각각 진행하였으며, 10m와 100m 풍속을 대상으로 하였다. The verification of the experimental results was conducted for wind speed and wind direction, respectively, and the wind speed of 10m and 100m was the target.

실험 검증을 위한 관측 자료는 보성글로벌표준기상관측소의 풍속, 풍향자료를 사용하였다. The wind speed and direction data of the Boseong Global Standard Meteorological Observatory were used as observation data for experimental verification.

예측자료는 보성글로벌표준기상관측소와 가장 가까운 격자의 값을 추출하여 사용하였다. For the forecast data, the values of the grid closest to the Boseong Global Standard Meteorological Observatory were extracted and used.

풍속의 검증을 위한 지표로는 RMSE(Root Mean Square Error)와 Bias를 사용하였다. 이는 아래 [수학식 1] 및 [수학식 2]와 같이 표현되며, 여기서 Fi는 예측, Oi는 관측이다.RMSE (Root Mean Square Error) and Bias were used as indicators for verifying wind speed. This is expressed as in [Equation 1] and [Equation 2] below, where F i is prediction and O i is observation.

풍향의 검증을 위한 지표로도 RMSE를 사용하였으나, 풍속과는 다른 식을 적용하였다. 풍향의 경우 360도로 값이 제한되는 각도값이기 때문에 예측값과 관측값의 내각에 대한 풍향의 차이를 계산하기 위해 아래 [수학식 3]을 사용하였다.RMSE was also used as an index for verifying wind direction, but a different formula from wind speed was applied. Since the wind direction is an angle value limited to 360 degrees, the following [Equation 3] was used to calculate the difference between the wind direction with respect to the interior angle of the predicted value and the observed value.

and

여기서도 Fi는 예측, Oi는 관측을 의미한다. RMSE와 Bias는 0에 가까울수록 모델과 관측이 유사하다는 것을 의미하며, Bias의 경우 양의 값은 모델이 관측에 비해 과대모의함을 의미하고, 음의 값은 모델이 관측에 비해 과소모의함을 의미한다. 검증을 수행할 때는 00UTC와 12UTC를 나누어 값을 산출하였다. Here again, F i stands for prediction and O i stands for observation. For RMSE and Bias, the closer to 0, the more similar the model and observation are. In the case of Bias, a positive value means that the model oversimulates the observation, and a negative value indicates that the model under-consumes compared to the observation. it means. When performing verification, the value was calculated by dividing 00UTC and 12UTC.

도 2는 2018년 4월에 대한 보성글로벌표준기상관측소의 고도 10m 및 100m 에서의 풍속을 시계열 적으로 보여주는 그래프이다. 2 is a graph showing the wind speed at altitudes of 10 m and 100 m at the Boseong Global Standard Meteorological Observatory for April, 2018 in time series.

고도 10m에서의 풍속은 2018년 4월 시간별 풍속 평균 3.5 m/s, 표준편차는 2.4m/s로 나타났으며, 최대풍속은 13.3m/s, 최소풍속은 0m/s로 나타났다. The wind speed at an altitude of 10 m was found to be an hourly average of 3.5 m/s and a standard deviation of 2.4 m/s in April 2018, with a maximum wind speed of 13.3 m/s and a minimum wind speed of 0 m/s.

고도 100m에서의 풍속은 2018년 4월 시간별 풍속 평균 4.4 m/s, 표준편차는 3.1m/s로 나타났으며, 최대풍속은 17m/s, 최소풍속은 0.1m/s로 나타났다. The wind speed at an altitude of 100 m was found to be an hourly wind speed average of 4.4 m/s and a standard deviation of 3.1 m/s in April 2018, with a maximum wind speed of 17 m/s and a minimum wind speed of 0.1 m/s.

고도 100m에서의 평균풍속과 표준편차가 고도 10m보다 모두 크게 나타났으며, 이는 높은 고도일수록 지표면의 마찰력을 적게 받았기 때문인 것으로 보인다. The average wind speed and standard deviation at an altitude of 100 m were both greater than that of 10 m, which is probably because the higher the altitude, the less frictional force on the ground.

1.3.1 고도 10m 실험 결과1.3.1 Test result of 10m altitude

도 3은 00UTC 초기시간의 고도 10m 풍속 실험 결과를 나타내는 그래프이다. 3 is a graph showing the results of a wind speed test at an altitude of 10 m at an initial time of 00UTC.

RMSE는 1.65~2.36m/s, Bias는 -0.47~1.05 m/s의 분포를 보인다. 또한, Test 6을 제외한 나머지에서 LDAPS가 GFS에 비해 RMSE값이 높게 나타나는 것을 볼 수 있다. 또한, Bias에서도 Test 5 와 Test 6을 제외한 나머지는 LDAPS가 GFS에 비해 0에서 멀리 떨어진 모습은 보임을 알 수 있다. 이는 GFS를 초기 및 경계자료로 사용했을 때의 결과가 더 우수함을 나타낸다. RMSE is 1.65~2.36m/s, and Bias is -0.47~1.05m/s. In addition, except for Test 6, it can be seen that LDAPS has a higher RMSE value than GFS. Also, in Bias, except for Test 5 and Test 6, it can be seen that LDAPS is farther from 0 compared to GFS. This indicates that the results are better when GFS is used as initial and boundary data.

각 Test 별로 보았을 때는 GFS의 경우 Test 7의 RMSE가 1.65 m/s로 가장 우수한 성능을 보였다. Test 7의 경우 다른 실험들이 풍속을 과대모의하는데 비해 약간 과소모의하는 경향을 보이며, GFS Test 7은 가장 Bias 값이 0에 가깝게 나타난다. GFS에서는 YSU 대기경계층 모수화 방안을 사용한 Test 3(1.78), Test 6(1.72), Test 7(1.65)이 다른 대기경계층 모수화 방안을 사용한 Test에 비해 성능이 우수한 것으로 나타났다. For each test, in the case of GFS, the RMSE of Test 7 was 1.65 m/s, showing the best performance. In the case of Test 7, the wind speed tends to be slightly under-consumption compared to the over-simulation of other experiments, and in GFS Test 7, the bias value is closest to 0. In GFS, Test 3(1.78), Test 6(1.72), and Test 7(1.65) using the YSU atmospheric boundary layer parameterization method showed superior performance compared to the tests using other atmospheric boundary layer parameterization methods.

LDAPS의 경우 ACM2를 사용한 Test 5의 RMSE가 1.73 m/s로 가장 우수한 성능을 보였다. 이를 제외하면 LDAPS에서도 YSU를 사용한 Test3(1.88), Test(1.74), Test(1.86)이 나머지 Test보다는 우수한 성능을 보였다. In case of LDAPS, the RMSE of Test 5 using ACM2 showed the best performance at 1.73 m/s. Excluding this, Test3(1.88), Test(1.74), and Test(1.86) using YSU also showed better performance than the rest of the tests in LDAPS.

공통적으로 MYJ를 사용한 Test 1과 Test 2는 GFS와 LDAPS에서 성능이 가장 떨어지는 것으로 나타났다. In common, Test 1 and Test 2 using MYJ showed the lowest performance in GFS and LDAPS.

도 4는 12UTC 초기시간의 고도 10m 풍속 실험 결과를 나타내는 그래프이다. 4 is a graph showing the results of a wind speed test at an altitude of 10 m at an initial time of 12 UTC.

12UTC 초기시간의 고도 10m 풍속 결과에서는 RMSE가 1.72~2.27 m/s, Bias는 -0.36~0.74 m/s의 분포를 나타냈다. 12UTC도 00UTC와 마찬가지로 RMSE를 보면 GFS가 LDAPS보다 전반적으로 우수한 성능을 보이고 있다. 그러나 Bias를 보면 Test7을 제외하면 LDAPS가 과대모의하는 경향이 약간 적은 것으로 나타난다.In the result of wind speed of 10 m in altitude at the initial time of 12UTC, RMSE was 1.72~2.27 m/s and Bias was -0.36~0.74 m/s. 12UTC is similar to 00UTC, and GFS shows overall better performance than LDAPS when looking at RMSE. However, looking at Bias, except for Test7, the tendency of LDAPS to oversimulate is slightly less.

각 Test 별로 보았을 때 12UTC에서도 GFS Test7이 가장 우수한 성능을 보였으며, 다른 Test와 달리 약간 풍속을 과소 모의하는 모습을 보였다. 또한 00UTC와 마찬가지로 MYJ를 사용한 Test 1, 2는 12UTC에서도 성능이 가장 떨어지는 것으로 나타났다. 그러나, 00UTC와는 달리 같은 지면모델을 사용한 Test3과 4, Test 5와 6을 비교해봤을 때 YSU가 ACM2보다 성능이 우수하게 나타나지는 않았다. In terms of each test, GFS Test7 showed the best performance even at 12UTC, and unlike other tests, it slightly under-simulated the wind speed. Also, like 00UTC, Tests 1 and 2 using MYJ showed the lowest performance even at 12UTC. However, unlike 00UTC, when comparing Tests 3 and 4 and Test 5 and 6 using the same ground model, YSU did not perform better than ACM2.

도 5는 고도 10m 풍향의 00UTC RMSE 결과를 보여주는 그래프이다. 5 is a graph showing 00UTC RMSE results of wind direction at an altitude of 10 m.

전체적으로 RMSE는 55.8~62.1°의 분포를 보이고 있다. 풍향은 풍속과 달리 각 Test 별로 성능이 우수한 초기 및 경계조건이 다르게 나타나고 있다. GFS의 경우 Test (55.8), Test 7(56.8), Test 2(57.5)의 순으로 성능이 우수한 것으로 나타났으며, LDAPS의 경우 Test 2(57.2), Test 5(57.3), Test 1 (57.8) 순으로 성능이 우수한 것으로 나타났다. 공통적으로 Test 1과 Test 2가 우수한 축에 속했으며, 이는 MYJ 대기경계층 모수화 방안을 사용한 Test들이다.Overall, the RMSE has a distribution of 55.8~62.1°. Unlike wind speed, wind direction shows different initial and boundary conditions with excellent performance for each test. In the case of GFS, Test (55.8), Test 7 (56.8), and Test 2 (57.5) showed excellent performance in the order, and in the case of LDAPS, Test 2 (57.2), Test 5 (57.3), Test 1 (57.8) It was found that the performance was excellent in that order. In common, Test 1 and Test 2 belonged to the excellent axis, and these are the tests using the MYJ atmospheric boundary layer parameterization method.

도 6은 고도 10m 풍향의 12UTC RMSE 결과를 보여주는 그래프이다6 is a graph showing the results of 12UTC RMSE at an altitude of 10m in wind direction.

도 6을 참조하면, 12UTC에서는 RMSE가 64.5~70°의 분포를 보이고 있어 00UTC보다 전체적으로 약간 RMSE가 높게 나타났다. 12UTC에서는 Test4와 Test6을 제외한 나머지 Test에서 LDAPS보다 GFS의 성능이 더 우수하게 나타났다. Test 별로는 GRS의 경우 Test 2(64.5), Test 7(64.7), Test 1(65.7) 순으로 성능이 우수한 것으로 나타나 00UTC와 같은 Test들의 성능이 우수했다. Referring to FIG. 6 , at 12UTC, the RMSE showed a distribution of 64.5 to 70°, indicating that the overall RMSE was slightly higher than that of 00UTC. In 12UTC, GFS performed better than LDAPS in all other tests except Test4 and Test6. By test, GRS showed excellent performance in the order of Test 2 (64.5), Test 7 (64.7), and Test 1 (65.7), indicating that the performance of tests such as 00UTC was excellent.

LDAPS의 경우 Test 5(67.1), Test 1(67.2), Test 6(67.2) 순으로 성능이 우수한 것으로 나타나 Test1과 Test 5가 00UTC와 12UTC에서 모두 우수한 성능을 보였다. In the case of LDAPS, Test 5 (67.1), Test 1 (67.2), and Test 6 (67.2) showed excellent performance in that order.

풍속에서는 GFS Test 7이 00UTC와 12UTC에서 모두 가장 우수한 성능을 나타낸 것과 달리, 풍향에서는 00UTC와 12UTC에서 각각 GFS Test 1, GFS Test 2가 가장 우수한 성능을 보였다. 그러나 풍향에서도 GFS Test 7은 00UTC와 12 UTC에서 각각 2번째, 3번째로 우수한 성능을 보여 풍속과 풍향에서 모두 우수한 성능을 나타냈다. In wind speed, GFS Test 7 showed the best performance at both 00UTC and 12UTC, whereas in wind direction, GFS Test 1 and GFS Test 2 showed the best performance at 00UTC and 12UTC, respectively. However, even in wind direction, GFS Test 7 showed the second and third best performance at 00 UTC and 12 UTC, respectively, showing excellent performance in both wind speed and direction.

1.3.2 고도 100m 실험 결과1.3.2 Altitude 100m Test Results

도 7은 00UTC 초기시간의 고도 100m 풍속 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.7 is a graph for exemplarily showing the result of the wind speed RMSE at an altitude of 100 m at an initial time of 00UTC.

도 7을 참조하면, 00UTC 초기시간의 고도 100m 풍속 RMSE는 2.31~2.77 m/s의 분포를 보여 고도 10m 풍속보다는 예측 오차가 큰 것으로 나타났다. 초기 및 경계조건 별로 볼 때, RMSE의 경우 Test 5와 Test6을 제외한 나머지 Test 에서 GFS가 LDAPS에 비해 더 우수한 성능을 나타냈다. 그러나 Bias는 Test 2를 제외하면 GFS가 LDAPS에 비해 풍속을 약간 과대 모의하는 모습을 보인다. Referring to FIG. 7 , the wind speed RMSE at an altitude of 100 m at the initial time at 00UTC showed a distribution of 2.31 to 2.77 m/s, indicating a larger prediction error than the wind speed at an altitude of 10 m. In terms of initial and boundary conditions, in the case of RMSE, GFS showed better performance than LDAPS in the remaining tests except for Test 5 and Test 6. However, Bias shows that GFS slightly oversimulates wind speed compared to LDAPS, except for Test 2.

각 Test 별로 보았을 때는 GFS Test 7(2.31)이 가장 우수한 성능을 보였으며, LDAPS에서도 Test 7(2.43)이 다른 Test에 비해 우수한 성능을 보였다. 또한, 같은 지면 모델을 사용한 Test 1~3, Test 5와 Test 6 중에서 YSU를 사용한 Test 3과 Test 6이 우수한 성능을 보였다. For each test, GFS Test 7 (2.31) showed the best performance, and in LDAPS, Test 7 (2.43) showed superior performance compared to other tests. Also, among Tests 1-3, Test 5 and Test 6 using the same ground model, Test 3 and Test 6 using YSU showed excellent performance.

도 8은 12UTC 초기시간의 고도 100m 풍속 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.FIG. 8 is a graph for exemplarily showing an altitude 100m wind speed RMSE result at an initial time of 12UTC.

12UTC 초기시간의 결과에서도 마찬가지로 GFS의 RMSE가 LDAPS보다 모든 Test에서 낮게 나타나 우수한 성능을 보였고, Test 1과 Test 2를 제외한 나머지 Test에서 GFS가 약간 과대모의하는 모습을 보였다. Test 7의 경우는 GFS의 Bias는 0m/s이고, LDAPS가 과소모의하는 것으로 나타났다. Similarly, in the results of the initial time of 12UTC, the RMSE of GFS was lower than that of LDAPS in all tests, showing excellent performance, and GFS showed a slight oversimulation in the rest of the tests except Test 1 and Test 2. In the case of Test 7, the bias of GFS was 0 m/s, and it was found that LDAPS was excessively consumed.

각 Test 별로 보았을 때도 Test 7이 GFS (2.42)와 LDAPS(2.58)에서 모두 가장 우수한 성능을 보였다. 같은 지면 모델을 사용한 Test 5와 Test 6을 비교해봤을 때는 YSU를 사용한 Test6이 우수하게 나타났으나, Test 1~4 중에서 보면 LDAPS는 Test 3이 가장 우수하게 나타났고, GFS에서는 Test 3보다 Test 2와 Test 4가 우수하게 나타났다.In terms of each test, Test 7 showed the best performance in both GFS (2.42) and LDAPS (2.58). When comparing Test 5 and Test 6 using the same ground model, Test 6 using YSU was excellent, but among Tests 1-4, LDAPS showed the best results in Test 3, and in GFS, Test 2 and Test 3 were better than Test 3. Test 4 was excellent.

풍속에 대한 고도 10m 및 고도 100m의 실험 결과를 비교하면, 고도 10m와 100m에서 모두 GFS 초기 및 경계조건을 사용한 Test 7이 가장 우수한 성능을 나타냈다. 같은 지면모델을 사용한 Test 중에서도 YSU가 비교적 우수한 성능을 나타내는 것을 확인할 수 있었다. Comparing the experimental results for wind speed at an altitude of 10 m and an altitude of 100 m, Test 7 using the GFS initial and boundary conditions showed the best performance at both 10 m and 100 m. Among the tests using the same ground model, it was confirmed that YSU showed relatively good performance.

도 9는 00UTC 초기시간의 고도 100m 풍향 RMSE 결과를 예시적으로 보여주기 위한 그래프이다. 9 is a graph for exemplarily showing the result of the wind direction RMSE at an altitude of 100 m at an initial time of 00UTC.

00UTC 초기시간의 고도 100m 풍향을 보면 전체적으로 RMSE가 53.0~57.2°의 분포를 보이고 있어, 00UTC 고도 10m 풍향의 결과 보다 약간 낮게 나타난다. Looking at the wind direction at an altitude of 100m at the initial time at 00UTC, the overall RMSE shows a distribution of 53.0~57.2°, which is slightly lower than the result of the wind direction at an altitude of 10m at 00UTC.

도 9를 참조하면, 초기 및 경계조건 별로 보면 Test 6 와 Test 7을 제외한 나머지 Test는 LDAPS의 RMSE가 GFS보다 낮게 나타난다. 전체적으로 가장 우수한 성능을 나타낸 것은 고도 10m 풍향에서와 달리 GFS Test 7(53.0)이며, 또한, LDAPS에서도 Test 7(53.7)이 가장 우수한 성능을 나타냈다. 전체적으로 고도 10m 풍향에서 우수한 성능을 보인 Test 1과 Test 2는 여기서 가장 성능이 떨어지는 것으로 나타났다. Referring to FIG. 9 , the RMSE of LDAPS is lower than that of GFS in the remaining tests except for Test 6 and Test 7 in terms of initial and boundary conditions. GFS Test 7 (53.0) showed the best overall performance, unlike the wind direction at an altitude of 10 m, and Test 7 (53.7) also showed the best performance in LDAPS. Overall, Test 1 and Test 2, which showed excellent performance in wind direction at an altitude of 10 m, showed the lowest performance here.

도 10은 12UTC 초기시간의 고도 100m 풍향 RMSE 결과를 예시적으로 보여주기 위한 그래프이다.10 is a graph for exemplarily showing the result of the wind direction RMSE at an altitude of 100 m at the initial time of 12UTC.

12UTC 초기시간의 고도 100m 풍향의 RMSE는 56.9~63.6°의 분포를 보이고 있어, 00UTC와 마찬가지로 고도 10m 풍향의 결과보다 약간 낮게 나타난다. 이러한 결과는 고도가 높아질수록 지표면의 영향을 덜 받아 마찰력으로 인한 풍향의 변동이 비교적 적어지기 때문인 것으로 판단된다.The RMSE of the wind direction at an altitude of 100m at the initial time of 12UTC has a distribution of 56.9~63.6°, which is slightly lower than the result of the wind direction at an altitude of 10m like 00UTC. This result is thought to be because the higher the altitude, the less affected by the ground surface, the smaller the change in wind direction due to frictional force.

초기 및 경계조건 별로 보면 00UTC와 달리 모든 Test에서 GFS의 성능이 LDAPS보다 우수했다. 가장 성능이 우수한 Test는 GFS Test 7(56.9)이었으며, LDAPS에서는 Test 7(61.3), Test6(60.3)을 제외하고 가장 우수하게 나타났다. In terms of initial and boundary conditions, GFS performed better than LDAPS in all tests, unlike 00UTC. The test with the best performance was GFS Test 7 (56.9), and in LDAPS, it was the best except for Test 7 (61.3) and Test 6 (60.3).

결론적으로 고도 10m 풍속에서는 전반적으로 GFS를 사용한 Test의 성능이 LDAPS에 비해 우수한 것으로 나타났으며, GFS Test 7의 성능이 모든 Test 중에서 가장 우수한 것으로 나타났다. 고도 10m 풍향에서는 Test별로 우수한 성능을 보인 초기 및 경계조건이 다르게 나타났고, 00UTC와 12UTC에서 각각 GFS Test 1, Test2가 가장 우수한 성능을 보였다. GFS Test 7은 00UTC와 12UTC에서 각각 2번째, 3번째로 우수한 성능을 보여 풍속과 풍향에서 모두 우수한 성능을 나타냈다.In conclusion, the overall performance of the test using GFS was found to be superior to that of LDAPS at an altitude of 10 m wind speed, and the performance of GFS Test 7 was found to be the best among all tests. In the wind direction at an altitude of 10 m, the initial and boundary conditions showing excellent performance were different for each test, and GFS Test 1 and Test 2 showed the best performance at 00UTC and 12UTC, respectively. GFS Test 7 showed the 2nd and 3rd best performance at 00UTC and 12UTC, respectively, showing excellent performance in both wind speed and direction.

고도 100m의 풍속에서도 10m와 마찬가지로 전반적으로 GFS를 사용한 Test의 성능이 LDAPS에 비해 우수한 것으로 나타났으며, 전체 Test 중에서 GFS Test7의 성능이 가장 우수하게 나타났다. 고도 10m 풍향에서와 같이 100m에서는 어떤 초기 및 경계조건이 우수하다고 판단하기 어려웠다. 그러나 가장 성능이 우수한 Test는 풍속과 마찬가지로 GFS Test 7으로 나타났다. Even at a wind speed of 100m at an altitude of 10m, the overall performance of the test using GFS was superior to that of LDAPS, and GFS Test7 showed the best performance among all tests. It was difficult to judge which initial and boundary conditions were excellent at 100 m as in the wind direction at an altitude of 10 m. However, the test with the best performance was GFS Test 7, like wind speed.

전반적으로 풍속에서는 GFS 자료를 사용하였을 경우, LDAPS보다 우수한 성능을 보였다. 또한 YSU를 사용한 Test가 동일조건의 다른 대기경계층 모수화 방안을 사용한 Test에 비해 우수하게 나타났고, 그 중에서도 RUC와 조합한 Test 7이 가장 우수한 성능을 보였다. 풍향에서는 우수한 초기 및 경계조건, 물리과정 모수화 방안이 일관적으로 나타나지는 않았으나, GFS Test 7이 전반적으로 우수한 성능을 보였다. Overall, in the case of wind speed, when GFS data was used, it showed better performance than LDAPS. In addition, the test using YSU showed superior performance compared to the test using other atmospheric boundary layer parameterization methods under the same conditions, and among them, Test 7 in combination with RUC showed the best performance. In the wind direction, excellent initial and boundary conditions and physical process parameterization methods were not consistently shown, but GFS Test 7 showed overall excellent performance.

따라서, 보성 지역에 대해서는 GFS 초기자료를 사용한 RUC-YSU 물리과정 모수화 방안 조합이 바람예측을 위한 최적의 모델링 방법인 것으로 확인된다. Therefore, for the Boseong area, it is confirmed that the combination of RUC-YSU physical process parameterization method using GFS initial data is the optimal modeling method for wind prediction.

이하에서는, 본 출원의 일 실시 예에 따른 초기 예보 모델링 장치(200)는 GFS 초기자료를 사용한 RUC-YSU 물리과정 모수화 방안에 따라 고도 150m 이하의 대상지에 대한 초기 예보 데이터를 생성하는 경우를 가정하여 설명한다. Hereinafter, the initial forecast modeling apparatus 200 according to an embodiment of the present application generates initial forecast data for a target site with an altitude of 150 m or less according to the RUC-YSU physical process parameterization method using GFS initial data. Explain.

다만, 본 발명에 이용되는 초기 예보 데이터의 생성 방법이 GFS 초기자료와 RUC-YUS 물리과정 모수화 방안을 활용한 것에만 한정되는 것은 아니며, 대상지의 지리적 및/또는 지형적 특성에 따라 적절한 모델링 방법이 대체 적용될 수 있다. However, the method of generating the initial forecast data used in the present invention is not limited to using the GFS initial data and the RUC-YUS physical process parameterization method, and an appropriate modeling method is substituted according to the geographic and/or topographical characteristics of the target site. can be applied.

1.4 서버1.4 Server

서버(300)는 전술한 초기 예보 데이터 모델링 장치(200)에서 생성된 결과 값의 정밀도를 높이기 위해 상기 초기 예보 데이터 모델링 장치(200)로부터 획득된 초기 예보 데이터를 보정하여 개선된 바람 예측 정보를 제공하기 위한 장치이다.The server 300 provides improved wind forecast information by correcting the initial forecast data obtained from the initial forecast data modeling apparatus 200 in order to increase the precision of the result value generated by the initial forecast data modeling apparatus 200 described above. It is a device for

도 1에 도시된 바와 같이, 서버(300)는 통신 모듈(310), 초기 예보 데이터 획득 모듈(320), 바람 예측 데이터 생성 모듈(330), 제어 모듈(340) 등을 포함할 수 있다. 1 , the server 300 may include a communication module 310 , an initial forecast data acquisition module 320 , a wind forecast data generation module 330 , a control module 340 , and the like.

여기서 각 모듈의 기능들은 설명의 편의를 위해 정의된 것으로, 어느 하나의 모듈에서 수행되는 기능이 다른 모듈에서 수행되어도 무방하며, 하나 이상의 모듈이 통합된 형태로 제공될 수도 있다. 또한, 이하에서 설명되는 각 모듈의 기능들은 예시적인 것으로 각 모듈의 기능이 이에 한정되는 것은 아니며, 사용자에게 개선된 바람 예측 정보를 효율적으로 제공하기 위한 부가적인 기능들이 더 제공될 수 있다. Here, the functions of each module are defined for convenience of description, and a function performed in one module may be performed in another module, and one or more modules may be provided in an integrated form. In addition, the functions of each module described below are exemplary and the functions of each module are not limited thereto, and additional functions for efficiently providing improved wind prediction information to the user may be further provided.

이하에서는, 본 출원의 일 실시 예에 따른 서버(300)에서 제공되는 기능들이 후술할 사용자 장치(400) 상에서 실행 가능한 웹 페이지 또는 애플리케이션 형태로 제공되는 것을 예로 들어 설명한다. Hereinafter, functions provided by the server 300 according to an embodiment of the present application will be described as an example of being provided in the form of a web page or application executable on the user device 400 to be described later.

통신 모듈(310)은 네트워크를 통해 연결된 외부 디바이스와 각종 요청 및 응답을 송수신하기 위한 구성이다. The communication module 310 is configured to transmit/receive various requests and responses to and from an external device connected through a network.

예를 들어, 서버(300)는 통신 모듈(310)을 통해 후술할 사용자 장치(400)로부터 바람 예측 정보 제공 요청을 수신할 수 있다. For example, the server 300 may receive a request for providing wind prediction information from the user device 400 to be described later through the communication module 310 .

일 예로, 통신 모듈(310)은 사용자 장치(400) 상에서 실행되는 바람 예측 정보 제공을 위한 애플리케이션을 통해 대상지에 대한 초저고도 바람 예측 데이터를 요청하는 메시지를 수신할 수 있다. For example, the communication module 310 may receive a message requesting ultra-low altitude wind prediction data for a target site through an application for providing wind prediction information executed on the user device 400 .

여기서 대상지는 사용자가 무인 항공기를 운항하고자 하는 지역으로, 사용자로부터 선택된 지점으로부터 미리 설정된 반경 범위 이내일 수 있다. Here, the target is an area in which the user intends to operate the unmanned aerial vehicle, and may be within a preset radius range from a point selected by the user.

초기 예보 데이터 획득 모듈(320)은 전술한 초기 예보 데이터 모델링 장치(200)로부터 요청된 대상지에 대한 초기 예보 데이터를 획득할 수 있다. The initial forecast data acquisition module 320 may acquire initial forecast data for the requested target site from the above-described initial forecast data modeling apparatus 200 .

상기 초기 예보 데이터는, 전술한 바와 같이, 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속, 대기상태변수 등을 포함할 수 있으며, 데이터가 생성된 시간을 기준으로 최대 +72 시간 까지의 1시간 간격의 예보 데이터를 포함할 수 있다. The initial forecast data, as described above, may include forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed, atmospheric state variables, etc., and up to +72 hours based on the time the data was generated It may include forecast data of 1 hour interval.

본 명세서에서는 초기 예보 데이터 모델링 장치(200)가 상기 서버(300)와 별도로 존재하는 경우를 상정하여 설명하고 있으나, 초기 예보 데이터 모델링 장치(200)는 상기 서버(300) 내에 하나의 모듈 형태로 위치할 수 있다. In this specification, the initial forecast data modeling apparatus 200 is described on the assumption that it exists separately from the server 300 , but the initial forecast data modeling apparatus 200 is located in the server 300 in the form of one module. can do.

또한, 상기 초기 예보 데이터 획득 모듈(320)은 요청된 대상지에 대한 초기 예보 데이터를 후술할 바람예측데이터 생성 모듈(330)로 전달할 수 있다. In addition, the initial forecast data acquisition module 320 may transmit the initial forecast data for the requested target site to the wind forecast data generation module 330 to be described later.

바람 예측 데이터 생성 모듈(330)은 전술한 초기 예보 데이터 획득 모듈(320)로부터 수신된 대상지의 초기 예보 데이터를 이용하여 풍속 예측 데이터를 보정하기 위한 장치이다.The wind prediction data generation module 330 is a device for correcting wind speed prediction data using the initial forecast data of the target site received from the above-described initial forecast data acquisition module 320 .

예를 들어, 바람 예측 데이터 생성 모듈(330)은 풍속 예측 데이터를 보정하기 위한 하나 이상의 프로세서를 포함할 수 있다. 이때 프로세서(도시도지 않음)에는 머신 러닝을 수행하기 위한 하나 이상의 머신 러닝 알고리즘이 제공될 수 있다. For example, the wind prediction data generation module 330 may include one or more processors for correcting the wind speed prediction data. In this case, the processor (not shown) may be provided with one or more machine learning algorithms for performing machine learning.

일 예로, 본 출원의 일 실시 예에 따른 풍속 예측 데이터 보정에는 인공 신경망 모델이 사용될 수 있다. For example, an artificial neural network model may be used to correct wind speed prediction data according to an embodiment of the present application.

인공 신경망은 뇌의 뉴런들의 상호 작용과 경험을 통해 학습해 나가는 것을 모사해 만든 알고리즘으로, 1958년 Rosenblatt에 의해 제안된 퍼셉트론 학습 모델 또는 단층 신경망을 시작으로 다양한 형태로 개발되고 있다. 인공신경망을 사용한 초기에는 선형 분리가 가능한 제한적인 문제에만 적용할 수 있었으며, 계산을 위한 자원 한계로 인하여 신경망의 크기가 작아야 하는 문제점을 갖고 있었다. 단층에서 크기가 커야만 계산의 정확도가 보장되는 한계를 극복하기 위해 다층 구조의 복잡한 심층 구조를 적용하여 단점을 보완하였다. An artificial neural network is an algorithm created by simulating learning through the interactions and experiences of neurons in the brain. In the early days of using artificial neural networks, it could be applied only to limited problems where linear separation was possible. In order to overcome the limitation that the calculation accuracy is guaranteed only when the size of a single layer is large, a complex deep structure of a multi-layer structure is applied to compensate for the shortcomings.

하지만 다층 구조의 심층 신경망은 데이터의 특성을 표현할 수 있는 경사(gradient) 사라짐, 학습용 데이터에 과적합 하게되는 과잉 학습(over fitting)과 같은 문제점이 발생하였으며, 이를 위해 1975년 P. Werbos에 의해 제안된 오차역전파법, 비선형 활성 함수를 이용한 방법과 2006년 G.Hinton에 의한 신경망 구성 가중치의 적절한 초기화를 통해 심층 신경망의 문제점이 개선되었다.However, the multilayer deep neural network has problems such as the disappearance of the gradient that can express the characteristics of the data, and overfitting to the training data. For this, it was proposed by P. Werbos in 1975. The problem of deep neural networks was improved through the method using the standard error backpropagation method, the nonlinear activation function, and the proper initialization of the neural network configuration weights by G. Hinton in 2006.

일반적으로 심층신경망은 인공신경망 중 은닉층(hidden layer)이 2개 이상인 경우를 말한다. In general, a deep neural network refers to a case in which there are two or more hidden layers among artificial neural networks.

도 11은 본 출원의 일 실시 예에 따른 심층신경망 모델을 예시적으로 설명하기 위한 도면이다. 11 is a diagram for illustratively explaining a deep neural network model according to an embodiment of the present application.

예를 들어, 도 11을 참조하면, 본 출원의 일 실시 예에 따른 심층신경망은 2개의 은닉층을 갖는 신경망의 구조를 가질 수 있다. 은닉층의 둥근원은 노드(node)를 의미하고, 입력 값에서부터 은닉층의 노드와 출력값까지 연결되는 링크(link)로 연결된 구조이다. 각 노드는 입력값에서부터 출력 값까지의 링크의 방향에 따라 중간 계산 값들로 채워지는 형태이고, 노드의 값을 채우기 위해서 각 링크별로 가중치를 부여하고 이를 적용한 연속적인 계산이 이루어지게 된다. 또한 중간 계산 값들의 정확도 보정 등을 위한 편차(bias)의 보정과 계산의 후처리를 위한 활성함수(active function) 적용을 통하여 계산이 이루어진다.For example, referring to FIG. 11 , a deep neural network according to an embodiment of the present application may have a structure of a neural network having two hidden layers. The round circle of the hidden layer means a node, and it is a structure connected by a link from the input value to the node and the output value of the hidden layer. Each node is filled with intermediate calculated values according to the link direction from the input value to the output value. In order to fill the node value, a weight is assigned to each link and successive calculations are made by applying this weight. In addition, calculation is performed through correction of bias for accuracy correction of intermediate calculated values and application of an active function for post-processing of calculation.

각 층의 노드를 연결한 링크의 화살표는 신호의 흐름을 나타내고, 이전 노드의 데이터는 가중치(weight)를 곱하여 화살표로 연결된 다음 노드에 전달된다. 전달된 가중치가 곱해진 데이터 값들은 각각의 데이터 합계를 사용한 총 합인 가중합(weighted sum)이 되어 활성 함수를 통해 출력 값으로 생성된다. 심층신경망의 출력값과 실제값 사이의 오차를 보정하기 위하여 필요한 경우 지속적인 학습을 통하여 지속적인 갱신이 이루어지게 된다. The arrow of the link connecting the nodes of each layer indicates the flow of the signal, and the data of the previous node is multiplied by a weight and transmitted to the next node connected by the arrow. The data values multiplied by the transmitted weight become a weighted sum, which is the total sum using the respective data sums, and are generated as output values through the activation function. If necessary to correct the error between the output value of the deep neural network and the actual value, continuous update is made through continuous learning.

본 출원의 일 실시 예에 따른 바람 예측 데이터 생성 모듈(330)에는 전술한 심층신경망을 활용하여 미리 학습된 알고리즘이 저장되어 있을 수 있다. 심층신경망을 활용한 구체적인 학습 방법에 관해서는 이하의 관련된 부분에서 상세하게 설명하기로 한다. In the wind prediction data generation module 330 according to an embodiment of the present application, an algorithm previously learned by using the above-described deep neural network may be stored. A specific learning method using a deep neural network will be described in detail in the related section below.

도 11을 참조하면, 본 출원의 일 실시 예에 따른 바람 예측 데이터 생성 모듈(330)은 초기 예보 데이터 획득 모듈(320)로부터 제공되는 초기 예보 데이터를 심층신경망에 입력 데이터(X₀??X_n)로 적용하여 보정된 풍속 예측 데이터(Y₀??Y_n)를 출력할 수 있다. Referring to FIG. 11 , the wind prediction data generation module 330 according to an embodiment of the present application inputs the initial forecast data provided from the initial forecast data acquisition module 320 to the deep neural network (X ₀ ??X _n ). ) to output the corrected wind speed prediction data (Y ₀ ??Y _n ).

예를 들어, 입력 데이터(X_n)에는 대상지에 대한 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속 데이터, 대기 상태 변수 등이 포함될 수 있다.For example, the input data (X _n ) may include a forecast date, predicted time, temperature, humidity, atmospheric pressure, precipitation, wind speed data, atmospheric state variables, etc. for the target site.

이때 바람 예측 데이터 생성 모듈(330)은 미리 학습된 인공 신경망을 이용하여 상기 입력 데이터에 포함된 풍속 데이터를 보정할 수 있다. In this case, the wind prediction data generation module 330 may correct the wind speed data included in the input data by using a pre-trained artificial neural network.

예를 들어, 상기 미리 학습된 알고리즘을 통해 출력되는 출력 데이터(Y_n)는 적어도 대기 상태 변수가 반영되어 보정된 풍속 예측 데이터일 수 있다. 전술한 바와 같이, 대기 상태 변수는 대기 경계층 내 안정도를 반영하는 값으로 고도 150m 이하의 초저고도에서 풍속 예측에 영향을 미칠 수 있기 때문이다. For example, the output data Y _n output through the pre-learned algorithm may be wind speed prediction data corrected by reflecting at least an atmospheric state variable. This is because, as described above, the atmospheric state variable is a value that reflects the stability in the atmospheric boundary layer and may affect the wind speed prediction at very low altitudes of 150 m or less.

따라서, 본 출원의 일 실시 예에 따른 인공 신경망은 적어도 대기 상태 변수를 고려하여 풍속 데이터를 보정하도록 미리 학습될 수 있다. 예를 들어, 본 출원의 일 실시 예에 따른 인공 신경망은 대기 경계층 고도, 바람 시어 값 중 적어도 하나를 반영하여 풍속 데이터를 보정할 수 있다. Accordingly, the artificial neural network according to an embodiment of the present application may be trained in advance to correct wind speed data in consideration of at least the atmospheric state variable. For example, the artificial neural network according to an embodiment of the present application may correct wind speed data by reflecting at least one of an atmospheric boundary layer altitude and a wind shear value.

제어 모듈(340)은 본 출원의 일 실시 예에 따른 서버(300)에서 바람 예측 데이터를 제공하기 위한 모든 기능들을 제어하기 위한 구성이다. The control module 340 is a configuration for controlling all functions for providing wind prediction data in the server 300 according to an embodiment of the present application.

일 예로, 제어 모듈(340)은 사용자 장치(400) 상에 실행되는 애플리케이션을 통해 대상지에 대한 바람 예측 정보를 제공하도록 상기 서버(300)에서 제공되는 하나 이상의 기능을 제어할 수 있다. For example, the control module 340 may control one or more functions provided by the server 300 to provide wind prediction information for a target site through an application executed on the user device 400 .

예를 들어, 제어 모듈(340)은 상기 초기 예보 데이터 획득 모듈(320)로부터 획득한 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량 및 상기 바람 예측 데이터 생성 모듈(330)로부터 획득한 보정된 풍속 예측 데이터를 포함한 바람 예측 정보를 사용자 장치(400)상에 제공하도록 통신 모듈(310)을 제어할 수 있다. For example, the control module 340 obtains the forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation and wind forecast data obtained from the initial forecast data acquisition module 320 obtained from the initial forecast data acquisition module 320 and the corrected corrected The communication module 310 may be controlled to provide wind prediction information including wind speed prediction data to the user device 400 .

1.5 사용자 장치1.5 User Device

사용자 장치(400)는 무인 항공기를 운항하고자 하는 사용자에게 할당된 데스크탑 컴퓨터, 휴대용 단말 장치, 랩탑, 태블릿 등의 전자기기일 수 있다. The user device 400 may be an electronic device such as a desktop computer, a portable terminal device, a laptop computer, or a tablet assigned to a user who intends to operate an unmanned aerial vehicle.

사용자 장치(400) 상에는 전술한 서버(300)로부터 제공되는 바람 예측 정보 제공 시스템이 웹페이지 또는 애플리케이션 형태로 실행될 수 있다. 이하의 실시 예에서는 사용자의 휴대용 단말기(400) 상에 바람 예측 정보 제공을 위한 애플리케이션이 실행 중인 경우를 예로 들어 설명한다. On the user device 400 , the wind prediction information providing system provided from the aforementioned server 300 may be executed in the form of a web page or an application. In the following embodiment, a case in which an application for providing wind prediction information is being executed on the user's portable terminal 400 will be described as an example.

예를 들어, 사용자는 사용자 장치(400) 상에서 실행되는 애플리케이션을 통해 무인 항공기를 운항하고자 하는 대상지의 바람 예측 정보를 요청할 수 있다. 이때, 상기 서버(300)로부터 제공되는 바람 예측 정보에는 풍속 예측 데이터 외에 항공기 운항 안정도에 관련된 정보가 더 제공될 수 있다. 전술한 서버(300)로부터 사용자 장치(400) 상에 제공되는 사용자 인터페이스에 관해서는 이하의 관련된 실시 예에서 상세하게 설명하기로 한다. For example, the user may request wind prediction information of a target to operate the unmanned aerial vehicle through an application executed on the user device 400 . In this case, the wind prediction information provided from the server 300 may further provide information related to flight stability in addition to the wind speed prediction data. The user interface provided on the user device 400 from the aforementioned server 300 will be described in detail in the following related embodiments.

한편, 상기 사용자 장치(400)는 서버(300)로부터 수신되는 바람 예측 정보를 출력 가능한 임의의 전자기기일 수 있으며, 전술한 예에서 제시된 전자기기에 한정되지 않는다. Meanwhile, the user device 400 may be any electronic device capable of outputting wind prediction information received from the server 300 , and is not limited to the electronic device presented in the above example.

2. 풍속 예측 데이터 개선을 위한 학습 방법2. Learning method to improve wind speed prediction data

이하에서는 전술한 바람 예측 데이터 생성 모듈(330)에 제공되는 인공 신경망 알고리즘의 학습 방법에 관하여 상세하게 설명한다. Hereinafter, a learning method of the artificial neural network algorithm provided to the above-described wind prediction data generation module 330 will be described in detail.

앞서 초기 모델 데이터 생성 장치(200)로부터 생성된 WRF 모델을 활용한 초기 예보 데이터는, 초기 조건 및 경계조건으로 GFS 모델 자료를 사용하고 대기 경계층을 물리적으로 모수화하였으나 여전히 실제 기상관측소에서 측정된 측정값과 차이가 있음을 확인하였다. Earlier, the initial forecast data using the WRF model generated from the initial model data generating device 200 used GFS model data as initial conditions and boundary conditions and physically parameterized the atmospheric boundary layer, but still measured values measured at the actual weather station It was confirmed that there is a difference between

따라서 본 출원의 일 실시 예에 따른 학습 모델은 대상지에 대한 바람 예측 데이터가 실제 관측 데이터에 가까워지도록 반복적으로 학습될 수 있으며, 미리 학습된 알고리즘은 바람 예측 데이터 생성 모듈(330)에 제공될 수 있다. Therefore, the learning model according to an embodiment of the present application may be repeatedly learned so that the wind prediction data for the target site approaches the actual observation data, and the pre-learned algorithm may be provided to the wind prediction data generation module 330 . .

예를 들어, 미리 학습된 알고리즘은 바람 예측 데이터 생성 모듈(330)에 미리 저장되어 있을 수 있으며, 또는 미리 설정된 주기마다 업데이트 되어 제공될 수 있다. For example, the pre-learned algorithm may be stored in advance in the wind prediction data generating module 330, or may be provided updated at a preset period.

도 12는 본 출원의 일 실시 예에 따른 학습을 수행하는 학습 장치의 구성을 예시적으로 설명하기 위한 블록도이다. 12 is a block diagram for exemplarily explaining the configuration of a learning apparatus for performing learning according to an embodiment of the present application.

일 실시 예에서 학습 장치(500)는 전술한 서버(300) 내에 하나의 모듈 형태로 위치할 수 있으며, 또는 별도의 장치로서 제공될 수 있다. According to an embodiment, the learning device 500 may be located in the above-described server 300 in the form of one module, or may be provided as a separate device.

도 12를 참조하면, 본 출원의 일 실시 예에 다른 학습 장치(500)는 데이터 수집부(510), 학습 데이터 생성부(520), 학습부(530), 제어부(540) 등을 포함할 수 있다. Referring to FIG. 12 , a learning apparatus 500 according to an embodiment of the present application may include a data collection unit 510 , a learning data generation unit 520 , a learning unit 530 , a control unit 540 , and the like. there is.

데이터 수집부(510)는 초기 예보 데이터 및 실제 관측 데이터를 수집하는 구성이다. The data collection unit 510 is configured to collect initial forecast data and actual observation data.

초기 예보 데이터는 전술한 기상 역학 모델을 활용하여 초기 예보 데이터 생성 장치(200)에서 생성된 데이터이며, 실제 관측 데이터는 각 관측소에서 측정된 데이터이다.The initial forecast data is data generated by the initial forecast data generating apparatus 200 using the above-described meteorological dynamics model, and the actual observation data is data measured at each observatory.

예를 들어, 데이터 수집부(510)는 초기 예보 데이터 생성 장치(200) 및 전술한 데이터 베이스(100)로부터 초기 예보 데이터 및 실제 관측 데이터를 획득할 수 있다.For example, the data collection unit 510 may acquire initial forecast data and actual observation data from the initial forecast data generating apparatus 200 and the aforementioned database 100 .

이때 데이터 수집부(510)는 미리 구획된 지역별로 초기 예보 데이터 및 실제 관측 데이터를 분류하여 저장할 수 있다. In this case, the data collection unit 510 may classify and store the initial forecast data and the actual observation data for each region divided in advance.

따라서 후술할 학습 장치(530)는 미리 구획된 지역 마다 지리적, 지형적 특성을 반영하여 학습을 수행할 수 있으며, 미리 구획된 지역 마다 별도의 인공신경망 알고리즘을 제공할 수 있다. Accordingly, the learning apparatus 530, which will be described later, may perform learning by reflecting geographic and topographic characteristics for each pre-divided area, and may provide a separate artificial neural network algorithm for each pre-divided area.

이하에서는, 설명의 편의를 위하여, 전술한 기상 역학 모델을 활용하여 생성된 2018년 1월부터 6월까지의 보성 기상 관측소에서 측정된 측정 데이터와 보성 기상 관측소의 관측탑 위치에 해당하는 초기 예보 데이터를 이용하여 학습 모델을 생성하기 위한 실험 결과를 예시적으로 설명한다. Hereinafter, for convenience of explanation, measured data measured at the Boseong weather station from January to June 2018 generated using the above-mentioned meteorological dynamics model and initial forecast data corresponding to the location of the observation tower of the Boseong weather station Experimental results for creating a learning model using

학습 데이터 생성부(520)는 전술한 데이터 수집부(510)에서 획득한 초기 예보 데이터 및 실제 관측 데이터를 매칭하여 학습 데이터를 생성할 수 있다.The learning data generating unit 520 may generate learning data by matching the initial forecast data obtained by the above-described data collecting unit 510 and the actual observation data.

초기 예보 데이터는 데이터 생성 시간별로 예보 일자, 예측시간, 온도, 습도, 대기압, 강수량, 풍속, 대기상태변수 등 14개 항목에 대한 데이터가 생성되며, 1회 데이터 산출시에는 기준 시각부터 +72시간까지 73세트의 데이터가 생성되므로 총 1022개의 데이터가 산출된다. 이렇게 산출된 각각의 데이터는 측정된 관측 값과 1:1 매칭이 가능하다. 만약, 관측 데이터의 오류 등으로 1:1 매칭이 불가능한 데이터가 포함된 경우 해당 예보 모델로 생성된 데이터 세트는 전부 학습에 사용할 수 없게된다.For the initial forecast data, data for 14 items such as forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed, and atmospheric condition variables are generated for each data generation time. Since 73 sets of data are generated so far, a total of 1022 data is calculated. Each data calculated in this way can be matched 1:1 with the measured observation value. If data that cannot be matched 1:1 is included due to errors in observation data, etc., all data sets generated by the corresponding forecast model cannot be used for learning.

사용이 불가한 데이터를 제외하고, 총 317개의 입력 데이터 세트(323,974개의 예측 데이터)가 생성되었다. 이때 반복적 형태로 학습에 효과가 없거나 풍속에 영향이 적은 항목을 제외하고 예측 시간, 온도, 기압(hPa), 습도(RH%), 대기상태 변수, 풍속(m/s) 예측 데이터 등 7개 항목 학습에 사용하였다. 317개의 입력 데이터 세트 중 254개의 데이터 세트는 학습 및 검증에 사용하였고, 초기 예보 데이터 생성 모델의 적정성을 확인하기 위해 나머지 63개의 데이터를 사용하였다. Excluding unavailable data, a total of 317 input data sets (323,974 predictive data) were generated. At this time, 7 items such as prediction time, temperature, atmospheric pressure (hPa), humidity (RH%), atmospheric condition variables, wind speed (m/s) prediction data, etc., except for items that have no effect on learning or have little effect on wind speed in a repetitive form used for learning. Of the 317 input data sets, 254 data sets were used for training and validation, and the remaining 63 data sets were used to confirm the adequacy of the initial forecast data generation model.

학습부(530)는 전술한 학습 데이터 생성 모듈(520)에서 생성된 학습 데이터를 이용하여 대상지의 기준 시각에 대한 관측 데이터와 풍속 예측 데이터의 차이가 미리 설정된 오차 범위 이내에 있도록 학습을 수행할 수 있다.The learning unit 530 may perform learning so that the difference between the observation data for the reference time of the target site and the wind speed prediction data is within a preset error range using the learning data generated by the learning data generating module 520 described above. .

예를 들어, 학습부(530)는 복수 개의 레이어를 포함하는 심층신경망(Deep Neural Network)일 수 있으며, 복수 개의 레이어에 입력되는 입력데이터는 예측 시간, 온도, 기압, 습도, 대기상태변수, 풍속 에측 데이터 중 하나 이상일 수 있다.For example, the learning unit 530 may be a deep neural network including a plurality of layers, and input data input to the plurality of layers includes prediction time, temperature, atmospheric pressure, humidity, atmospheric state variables, and wind speed. It may be one or more of the prediction data.

이때, 학습부(530)는 적어도 대기상태변수를 반영하여 보정된 풍속 예측 데이터를 출력할 수 있으며, 미리 설정된 기준에 부합할 때까지 학습 과정을 반복적으로 수행할 수 있다. In this case, the learning unit 530 may output the wind speed prediction data corrected by reflecting at least the atmospheric state variable, and may repeatedly perform the learning process until it meets a preset criterion.

여기서 미리 설정된 기준은 다양할 수 있고, 예를 들어, 사용자는 미리 설정된 횟수만큼 학습을 반복적으로 수행하도록 설정할 수 있다. Here, the preset criteria may be various, for example, the user may set the learning to be repeatedly performed a preset number of times.

예를 들어, 학습부(530)는 미리 설정된 횟수만큼 반복적으로 학습을 수행할 수 있으며, 상기 학습부(530)에서 수행된 학습 결과에 따라 상기 복수 개의 레이어 중 하나 이상의 레이어에 대한 파라미터 값이 조정될 수 있다. 또는 상기 학습부(530)에서 수행된 학습 결과에 따라 상기 복수 개의 레이어 중 어느 하나의 레이어가 제거될 수도 있다. For example, the learning unit 530 may repeatedly perform learning a preset number of times, and the parameter values for one or more of the plurality of layers may be adjusted according to the learning result performed by the learning unit 530 . can Alternatively, any one of the plurality of layers may be removed according to the learning result performed by the learning unit 530 .

한편, 설명의 편의를 위하여 학습부(530)가 복수의 레이어를 포함하는 심층신경망인 경우만을 상정하여 설명하였으나, 정밀도 향상을 위하여 순환신경망(RNN) 또는 합성곱신경망(CNN)과 같이 데이터의 특성을 반영할 수 있는 다양한 형태의 인공 신경망이 적용될 수 있다. On the other hand, for convenience of explanation, only the case where the learning unit 530 is a deep neural network including a plurality of layers has been described, but in order to improve precision, characteristics of data such as a recurrent neural network (RNN) or a convolutional neural network (CNN) Various types of artificial neural networks that can reflect

제어부(540)는 학습 장치(500)에서 수행되는 모든 기능들을 제어하기 구성이다.The control unit 540 is configured to control all functions performed in the learning apparatus 500 .

예를 들어, 제어부(540)는 전술한 학습부(530)에서 미리 설정된 기준에 부합할 때까지 학습 과정을 반복적으로 수행하도록 제어할 수 있고, 미리 설정된 기준에 부합하는 것으로 판단된 경우 학습을 종료하도록 제어할 수 있다. For example, the controller 540 may control the learning unit 530 to repeatedly perform the learning process until it meets a preset criterion, and when it is determined that the preset criterion is met, the learning is terminated. can be controlled to do so.

또한, 예를 들어, 제어부(540)는 전술한 학습부(530)에서 미리 학습된 심층신경망 알고리즘을 학습 장치(500) 내부에 위치하는 메모리(미도시)에 저장할 수 있고, 미리 설정된 주기 마다 업데이트할 수 있다. Also, for example, the control unit 540 may store the deep neural network algorithm previously learned by the learning unit 530 in a memory (not shown) located inside the learning apparatus 500 and update it every preset period. can do.

상기 메모리에는 미리 구획된 지역 별로 학습된 알고리즘이 저장되어 있을 수 있다. In the memory, a learned algorithm for each region divided in advance may be stored.

따라서, 학습 장치(500)는 바람예측데이터 생성모듈(330)에 미리 구획된 지역 별로 미리 학습된 알고리즘을 제공할 수 있으며, 상기 바람예측데이터 생성 모듈(330)은 사용자로부터 요청된 대상지에 적합한 알고리즘을 선택하여 풍속 예측 데이터를 보정할 수 있다. Therefore, the learning apparatus 500 may provide the pre-learned algorithm for each pre-divided area to the wind prediction data generation module 330, and the wind prediction data generation module 330 may provide an algorithm suitable for the target site requested by the user. You can select to correct the wind speed prediction data.

3. 바람예측정보 제공 방법3. How to provide wind forecast information

전술한 바와 같이, 본 출원의 일 실시 예에 따른 서버(300)는 기상 역학 모델을 이용하여 생성된 초기 예보 데이터를 보정함으로써 개선된 바람 예측 정보를 제공할 수 있다. 이때 서버(300)에는 실제 관측 데이터에 가깝게 풍속 예측 데이터를 보정하도록 미리 학습된 인공신경망 알고리즘이 제공될 수 있다. As described above, the server 300 according to an embodiment of the present application may provide improved wind forecast information by correcting the initial forecast data generated using the meteorological dynamics model. At this time, the server 300 may be provided with a pre-trained artificial neural network algorithm to correct the wind speed prediction data close to the actual observation data.

이하에서는 서버(300)에서 미리 학습된 인공 신경망을 이용하여 보정된 바람 예측 정보를 제공하는 방법을 상세하게 설명한다. Hereinafter, a method of providing corrected wind prediction information using an artificial neural network learned in advance by the server 300 will be described in detail.

도 13은 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 방법을 예시적으로 설명하기 위한 순서도이다. 13 is a flowchart for exemplarily explaining a method of providing wind prediction information according to an embodiment of the present application.

도 13을 참조하면, 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 방법은 초저고도 바람 예측 데이터 요청을 수신하는 단계(S21), 대상지에 대해 모델링된 초기 예보 데이터를 획득하는 단계(S22), 초기 예보 데이터를 미리 학습된 인공 신경망에 입력하는 단계(S23), 풍속 예측 데이터를 보정하는 단계(S24), 바람 예측 데이터를 제공하는 단계(S25) 등을 포함할 수 있다. Referring to FIG. 13 , the method for providing wind prediction information according to an embodiment of the present application includes the steps of receiving a request for ultra-low altitude wind prediction data (S21), acquiring initial forecast data modeled for the target site (S22), It may include inputting the initial forecast data into the pre-trained artificial neural network (S23), correcting the wind speed forecast data (S24), and providing the wind forecast data (S25).

서버(300)는 전술한 사용자 장치(400)로부터 초저고도 바람 예측 데이터 요청을 수신할 수 있다(S21). The server 300 may receive the ultra-low altitude wind prediction data request from the user device 400 described above (S21).

예를 들어, 무인 항공기를 운항하고자 하는 사용자는 사용자 장치(400) 상에서 실행되는 애플리케이션을 통해 무인 항공기를 운항하고자 하는 대상지에 대한 초저고도 바람 예측 데이터 요청을 입력할 수 있다. For example, a user who wants to operate an unmanned aerial vehicle may input a request for ultra-low altitude wind prediction data for a target to operate the unmanned aerial vehicle through an application executed on the user device 400 .

일 예로, 서버(300)로부터 사용자 장치(400) 상에 제공되는 사용자 인터페이스(UI)에는 지도가 제공될 수 있다. 이때 사용자는 상기 사용자 인터페이스(UI) 상에 표시되는 지도 상에서 무인 항공기를 운항하고자 하는 대상지를 선택하는 입력을 할 수 있다. For example, a map may be provided on a user interface (UI) provided on the user device 400 from the server 300 . In this case, the user may input to select a destination to operate the unmanned aerial vehicle on the map displayed on the user interface (UI).

다른 예로, 서버(300)로부터 사용자 장치(400) 상에 제공되는 사용자 인터페이스(UI)에는 주소 입력창이 제공될 수 있다. 예를 들어, 사용자는 상기 사용자 인터페이스(UI) 상에 표시되는 주소 입력창에 무인 항공기를 운항하고자 하는 대상지의 주소 "전라남도 보성군 보성읍"과 같이 입력할 수 있다. As another example, an address input window may be provided in a user interface (UI) provided on the user device 400 from the server 300 . For example, the user may input the address of a destination to which the unmanned aerial vehicle is to be operated, such as "Boseong-eup, Boseong-gun, Jeollanam-do," in the address input window displayed on the user interface (UI).

또한, 사용자는 초저고도 바람 예측 데이터 요청에는, 무인항공기를 운항하고자 하는 날짜 및 기준 시각 등이 더 포함될 수 있다. 예를 들어, 서버(300)로부터 사용자 장치(400) 상에 제공되는 사용자 인터페이스(UI)에는 무인 항공기를 운항하고자 하는 날짜 "2019년 12월 24일", 시각"오전 10시" 와 같이 입력할 수 있다.In addition, the user may further include a date and a reference time to operate the unmanned aerial vehicle in the ultra-low altitude wind prediction data request. For example, in the user interface (UI) provided on the user device 400 from the server 300, the date “December 24, 2019” and the time “10 am” for which the unmanned aerial vehicle is to be operated can be input. can

이때 서버(300)는 사용자로부터 초저고도 바람 예측 데이터 요청이 입력된 시점을 기준으로 최대 72시간 이후까지의 데이터를 제공할 수 있다. In this case, the server 300 may provide data up to 72 hours after the user's request for ultra-low altitude wind prediction data is input.

또한, 서버(300)는 사용자로부터 요청된 대상지에 대해 모델링된 초기 예보 데이터를 획득할 수 있다(S22).In addition, the server 300 may acquire the modeled initial forecast data for the target site requested by the user (S22).

예를 들어, 서버(300)는 사용자로부터 요청된 대상지에 대한 초기 예보 데이터를 전술한 초기 예보 모델링 장치(200)로부터 획득할 수 있다. For example, the server 300 may obtain the initial forecast data for the target site requested by the user from the above-described initial forecast modeling apparatus 200 .

일 예로, 사용자가 "전라남도 보성군 보성읍"에 대한 초저고도 바람 예측 데이터를 요청한 경우에 있어서, 서버(300)는 초기 예보 모델링 장치(200)로부터 "전라남도 보성군 보성읍"에 대한 1시간 간격의 초기 예보 데이터를 획득할 수 있다. For example, in the case where the user requests ultra-low altitude wind prediction data for "Boseong-eup, Boseong-gun, Jeollanam-do", the server 300 is the initial forecast data of 1 hour for "Boseong-eup, Boseong-gun, Jeollanam-do" from the initial forecast modeling device 200 can be obtained.

예를 들어, 전술한 초기 예보 모델링 장치(200)로부터 획득되는 초기 예보 데이터에는, 예보 일자, 예측 시간, 온도, 습도, 대기압, 강수량, 풍속, 대기상태변수 등이 포함될 수 있다. For example, the initial forecast data obtained from the above-described initial forecast modeling apparatus 200 may include a forecast date, predicted time, temperature, humidity, atmospheric pressure, precipitation, wind speed, atmospheric state variables, and the like.

또한, 서버(300)는 대상지에 대한 초기 예보 데이터를 미리 학습된 인공 신경망에 입력할 수 있다(S23).In addition, the server 300 may input the initial forecast data for the target site to the pre-trained artificial neural network (S23).

여기서 미리 학습된 인공 신경망은 앞서 설명한 초기 예보 모델링 장치(200)의 WRF 모델을 활용한 예보 데이터의 예측 값을 개선하도록 미리 학습된 알고리즘이다. Here, the pre-trained artificial neural network is a pre-trained algorithm to improve the predicted value of the forecast data using the WRF model of the initial forecast modeling apparatus 200 described above.

예를 들어, 전술한 바람 예측 데이터 생성 모듈(330)에는 미리 학습된 알고리즘이 저장되어 있을 수 있다. 또는, 바람 예측 데이터 생성 모듈(330)은 학습 장치로부터 미리 설정된 주기마다 업데이트된 알고리즘을 제공받을 수 있다. 이때 상기 바람 예측 데이터 생성 모듈(330)에 제공되는 알고리즘은 "전라남도 보성군"의 지리적 및/또는 지형적 특성을 반영하여 학습된 것일 수 있다. For example, a pre-learned algorithm may be stored in the aforementioned wind prediction data generating module 330 . Alternatively, the wind prediction data generation module 330 may receive an updated algorithm at every preset period from the learning device. In this case, the algorithm provided to the wind prediction data generation module 330 may be learned by reflecting the geographic and/or topographical characteristics of "Boseong-gun, Jeollanam-do".

따라서, 바람 예측 데이터 생성 모듈(330)은 미리 학습된 인공 신경망을 이용하여 상기 초기 예보 데이터에 포함된 풍속 데이터를 보정할 수 있다(S24). Accordingly, the wind prediction data generation module 330 may correct the wind speed data included in the initial forecast data by using a pre-trained artificial neural network (S24).

예를 들어, 상기 미리 학습된 알고리즘을 통해 출력되는 출력 데이터는 적어도 대기 상태 변수가 반영되어 보정될 수 있다. 다시 말해 상기 바람 예측 데이터 생성 모듈(330)에서 보정된 풍속 예측 데이터는 대상지의 대기 경계층 내 안정도를 반영한 풍속 값일 수 있다. For example, output data output through the pre-learned algorithm may be corrected by reflecting at least a standby state variable. In other words, the wind speed prediction data corrected by the wind prediction data generating module 330 may be a wind speed value reflecting stability in the atmospheric boundary layer of the target site.

전술한 학습 장치(500)를 통해 미리 학습된 심층신경망을 이용하여 보정된 풍속 예측 데이터의 실험 결과는 다음과 같다. RMSE 산출 결과, 대상지에 대한 초기 예보 데이터와 실제 관측 값의 차이는 RMSE 1.932인 반면, 심층 신경망을 이용한 보정된 예보 데이터와 실제 관측 값의 차이는 RMSE 1.7676으로 0.1364 개선된 것이 확인되었다. Experimental results of the wind speed prediction data corrected using the deep neural network learned in advance through the learning apparatus 500 described above are as follows. As a result of RMSE calculation, it was confirmed that the difference between the initial forecast data and the actual observation value for the site was RMSE 1.932, while the difference between the corrected forecast data and the actual observation value using the deep neural network was RMSE 1.7676, which was 0.1364 improved.

도 14 및 도 15는 대상지에 대한 실제 관측값, 초기 예보 데이터, 심층신경망을 이용한 보정된 풍속 데이터를 예시적으로 설명하기 위한 그래프이다. 14 and 15 are graphs for illustratively explaining actual observation values for the target site, initial forecast data, and corrected wind speed data using a deep neural network.

도 14에서는 예측 시간 기준 +1 및 +25에서 역학 모델의 오차를 심층신경망 모델이 개선한 것을 확인할 수 있으며, 도 15에서는 +25~+30에서 역학 모델의 오차를 심층 신경망 모델이 개선한 것을 확인할 수 있다. In FIG. 14, it can be seen that the deep neural network model improved the error of the dynamic model at +1 and +25 of the prediction time, and in FIG. can

서버(300)는 S24 단계에서 보정된 풍속 데이터를 포함하는 바람 예측 데이터를 제공할 수 있다(S25).The server 300 may provide wind prediction data including the wind speed data corrected in step S24 (S25).

상기 바람 예측 데이터는, S24 단계에서 보정된 풍속 데이터 외에 온도, 습도, 대기압, 강수량, 풍향 등의 기상 데이터가 더 포함될 수 있다. The wind prediction data may further include weather data such as temperature, humidity, atmospheric pressure, precipitation, and wind direction in addition to the wind speed data corrected in step S24.

예를 들어, 사용자 장치(400) 상에서 실행되는 사용자 인터페이스 상에는 서버(300)로부터 제공된 바람 예측 데이터가 표시될 수 있다. For example, wind prediction data provided from the server 300 may be displayed on the user interface executed on the user device 400 .

일 예로, 도 16을 참조하면, 사용자장치(400) 상에서 실행되는 애플리케이션에는 요청된 대상지에서의 시간대별 풍속, 풍향 정보, 시정 등 무인 항공기의 운항을 위한 기상 정보가 표시될 수 있다. As an example, referring to FIG. 16 , the application executed on the user device 400 may display weather information for operation of the unmanned aerial vehicle, such as wind speed, wind direction information, visibility, etc. for each time period in the requested destination.

일 실시 예에서, 서버(300)는 시간대별 풍속, 풍향 정보 등을 기초로 하여 무인항공기 운항 안정성에 관련된 정보를 더 제공할 수도 있다. In an embodiment, the server 300 may further provide information related to the operation stability of the unmanned aerial vehicle based on wind speed and wind direction information for each time period.

따라서 본 출원의 일 실시 예에 따른 바람 예측 정보 제공 시스템(1)에 의하면, 무인항공기를 운항하고자 하는 사용자는 고도 150m 이하의 개선된 바람 예측 정보를 실시간으로 확인함으로써 무인항공기의 운항 여부를 결정할 수 있다. Therefore, according to the wind prediction information providing system 1 according to an embodiment of the present application, a user who wants to operate an unmanned aerial vehicle can determine whether to operate the unmanned aerial vehicle by checking the improved wind prediction information at an altitude of 150 m or less in real time. there is.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 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. 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로 다른 구현들, 다른 실시 예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims also fall within the scope of the following claims.

100: 데이터베이스 200: 초기예보데이터 모델링 장치
300: 서버 400: 사용자 장치
500: 학습 장치 100: database 200: early forecast data modeling device
300: server 400: user device
500: learning device

Claims

In the method of providing ultra-low altitude wind prediction information for operation of an unmanned aerial vehicle,
obtaining, by the user terminal, a user's input for a target location - the target location is an area within a preset radius range from a point selected by the user as an area in which the user intends to operate the unmanned aerial vehicle;
Receiving an Ultra-Low Altitude wind prediction information request for the reference time of the target site from the user terminal;
generating, by the initial forecast data modeling apparatus, initial forecast data for the target site - the initial forecast data modeling apparatus is a meteorological dynamics model for generating meteorological information for ultra-low altitudes of 150 m or less;
obtaining initial forecast data for the target site generated from the initial forecast data modeling apparatus;
generating wind speed prediction data by inputting the initial forecast data into a pre-trained artificial neural network;
Including; providing wind prediction information including the wind speed prediction data;
The generating of the initial forecast data includes:
generating the initial forecast data at preset time intervals using one or more of meteorological information at an altitude of 150 m or less, topographic data, and land use data; and
Including; generating the initial forecast data by additionally considering data related to the surface roughness;
The step of providing the wind prediction information comprises:
Comprising the step of additionally providing information related to the operation stability of the unmanned aerial vehicle generated based on the wind speed prediction data,
The initial forecast data includes one or more of forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed data, and atmospheric state variables,
The wind speed prediction data is at least data corrected by reflecting the atmospheric condition variable of the target site,
The atmospheric state variable represents the stability within the atmospheric boundary layer of the target site, and is at least one of a plurality of parameters that can affect wind speed prediction at ultra-low altitudes of 150 m or less, including the altitude and wind shear values of the atmospheric boundary layer characterized by
How to provide wind forecast information.

delete

According to claim 1,
The artificial neural network is characterized in that it is learned in advance using wind speed data measured at an observatory corresponding to the target location and initial forecast data for the target location.
How to provide wind forecast information.

6. The method of claim 5,
The artificial neural network is trained so that the difference between the wind speed data measured at the target site and the wind speed prediction data is within a preset error range
How to provide wind forecast information.

a user terminal for obtaining a user's input for a target location, wherein the target location is an area in which the user intends to operate an unmanned aerial vehicle, and is an area within a preset radius range from a point selected by the user;
a communication module for receiving a request for ultra-low altitude wind prediction data for a reference time of the target site from the user;
an initial forecast data modeling apparatus for generating initial forecast data for the target site - the initial forecast data modeling apparatus is a meteorological dynamics model for generating meteorological information for ultra-low altitudes of 150 m or less;
an initial forecast data acquisition module for acquiring the modeled initial forecast data for the target site;
a wind prediction data generation module for generating corrected wind speed prediction data using the initial forecast data;
A control module that controls to provide the wind prediction data including the wind speed prediction data to the user, and controls to additionally provide information related to the operation stability of the unmanned aerial vehicle generated based on the wind speed prediction data;
The initial forecast data modeling apparatus generates the initial forecast data at preset time intervals using one or more of meteorological information at an altitude of 150 m or less, topographic data, and land use data, and additionally considers data related to surface roughness. generate initial forecast data;
The initial forecast data includes one or more of forecast date, forecast time, temperature, humidity, atmospheric pressure, precipitation, wind speed forecast data, and atmospheric state variables,
The wind prediction data generation module generates wind speed prediction data corrected by reflecting at least the atmospheric state variable of the target site,
The atmospheric state variable represents the stability in the atmospheric boundary layer at the target site, and is at least one of a plurality of parameters that can affect wind speed prediction at ultra-low altitudes of 150 m or less, and includes the altitude and wind shear values of the atmospheric boundary layer. characterized by
Ultra-low-altitude wind prediction information providing system for unmanned aerial vehicle operation.

delete

8. The method of claim 7,
In the wind prediction data generation module,
An artificial neural network algorithm learned in advance using the wind speed data measured at the target site and the initial forecast data is provided.
Ultra-low-altitude wind prediction information providing system for unmanned aerial vehicle operation.

12. The method of claim 11,
The artificial neural network algorithm is
It is repeatedly learned so that the difference between the wind speed data measured at the target site and the wind speed prediction data is within a preset error range.
Ultra-low-altitude wind prediction information providing system for unmanned aerial vehicle operation.