KR102413717B1 - 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법 - Google Patents

인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법 Download PDF

Info

Publication number
KR102413717B1
KR102413717B1 KR1020200029647A KR20200029647A KR102413717B1 KR 102413717 B1 KR102413717 B1 KR 102413717B1 KR 1020200029647 A KR1020200029647 A KR 1020200029647A KR 20200029647 A KR20200029647 A KR 20200029647A KR 102413717 B1 KR102413717 B1 KR 102413717B1
Authority
KR
South Korea
Prior art keywords
wind direction
real
neural network
information
raw
Prior art date
Application number
KR1020200029647A
Other languages
English (en)
Other versions
KR20210114226A (ko
Inventor
이동현
Original Assignee
(주)큐버솔루션
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 (주)큐버솔루션 filed Critical (주)큐버솔루션
Priority to KR1020200029647A priority Critical patent/KR102413717B1/ko
Publication of KR20210114226A publication Critical patent/KR20210114226A/ko
Application granted granted Critical
Publication of KR102413717B1 publication Critical patent/KR102413717B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Air Conditioning Control Device (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

개시되는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법은, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 빅데이터 수집부와, 상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 수집정보 가공부와, 상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 입력정보 인코딩부와, 인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 인공신경망 학습부와, 상기 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 풍향 서비스 제공부를 포함함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있다.

Description

인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법{REAL-TIME WIND DIRECTION FORECAST SERVICE APPARATUS USING ARTIFICIAL NEURAL NETWORK AND ITS METHOD}
본 발명(Disclosure)은, 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법에 관한 것으로, 구체적으로, 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법에 관한 것이다.
여기서는, 본 발명에 관한 배경기술이 제공되며, 이들이 반드시 공지기술을 의미하는 것은 아니다(This section provides background information related to the present disclosure which is not necessarily prior art).
기상 정보는 일상생활에 많은 영향을 미치는 날씨에 대한 정보를 의미하는데, 최근 기상청은 기상예보를 민간 기상예보사업자도 할 수 있도록 개방하였고, 기후변화의 영향으로 날씨의 변동이 심해지면서, 기상 정보에 대한 관심은 더욱 증대되고 있다.
한편, 바람길(wind corridor)은 공기가 통하는 길을 말하는데, 하천길 등을 따라 차가운 바람이 도시로 유입되는 통로의 역할을 함으로써, 열섬 현상, 열대야 현상을 완화시킬수 있고, 공기가 순환되어 대기 환경을 개선시키는 역할도 하는 것으로 알려져 있다.
이러한 바람길을 고려하여 도시나 건물을 건설할 때 설계 단계부터 바람이 통하는 구조를 염두에 두고 설계할 수 있는데, 도시는 스스로 시원한 바람을 만들기 어려운 구조이기 때문에, 인위적으로 이를 위한 구조를 만들어 줌으로써, 도시 열섬 현상 방지, 미세먼지 저감 등에 효과적으로 대응할 수 있다.
또한, 산불의 확산에 영향을 주는 기상인자에는 바람, 습도, 온도 등이 있는데, 바람은 산불의 연소 속도와 함께 연소 방향을 결정하는 주요 인자로 알려져 있고, 풍향은 산불 발생 시 진행 방향을 결정하는 핵심 인자로 알려져 있다.
그리고, 골프장의 농약, 공장으로 인하여 발생하는 유해물질 등의 영향 범위를 평가하기 위해서는 해당 지점의 풍향을 고려한 분석이 필수적으로 요구된다.
상술한 바와 같이 특정지역의 풍향은 유해물질의 영향범위산정, 산불의 확산예측, 열섬효과 및 미세먼지 감축을 위한 바람길, 건물의 효율적인 배치, 효율적인 환기구 배치 등에 활용이 가능하다.
하지만, 국내 기상청에서는 대략 600여 지점에서 풍향을 계측하고 있지만, 특정지점(예를 들면, 건설 예정 중인 아파트 단지, 바람길이 필요한 도심지, 산불이 발생한 위치 등)에서의 풍향을 확인할 수 있는 방법이 없는 실정이다.
그리고, 종래에 간접적으로 수치해석이나 풍동 실험을 통해 유입 풍향을 기준으로 한 풍향 모사가 가능한 것으로 알려져 있지만, 이는 유입 풍향을 단정한 상태에서 모의하는 것으로 정해진 유입 풍향에 국한된 풍향을 추정한다는 점에서 한계가 있을 뿐만 아니라, 수치해석이나 풍동 실험의 경우 모든 상황에 대한 모사가 필요하여 이를 위한 비용 및 시간이 많이 소요되는 문제점이 있다.
1. 한국등록특허공보 제10-0619144호
본 발명(Disclosure)은, 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.
그리고, 본 발명(Disclosure)은, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하고, 원시 기상관측정보를 가공한 고층풍향과 원시 지형정보를 가공한 고도와 원시지표정보를 가공한 조도를 인코딩한 후에, 인공신경망 학습을 위해 입력함으로써, 실시간 풍향 예측을 위한 입력 정보를 효과적으로 가공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.
또한, 본 발명(Disclosure)은, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 고층풍향, 고도 및 조도에 대응하는 실시간 풍향을 예측함으로써, 특정 지점에서의 실시간 풍향을 정확하게 예측할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.
아울러, 본 발명(Disclosure)은, 특정 지점의 풍향 서비스가 요청될 경우 수집된 빅데이터를 가공한 후 인공신경망 학습을 통해 실시간 풍향을 예측하여 제공할 수 있을 뿐만 아니라 바람장미, 위치별 풍환경 등과 같은 다양한 풍향 서비스를 효과적으로 제공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.
여기서는, 본 발명의 전체적인 요약(Summary)이 제공되며, 이것이 본 발명의 외연을 제한하는 것으로 이해되어서는 아니 된다(This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).
상기한 과제의 해결을 위해, 본 발명을 기술하는 여러 관점들 중 어느 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치는, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 빅데이터 수집부와, 상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 수집정보 가공부와, 상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 입력정보 인코딩부와, 인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 인공신경망 학습부와, 상기 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 풍향 서비스 제공부를 포함한다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 입력정보 인코딩부는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩할 수 있다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 인공신경망 학습부는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용할 수 있다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 풍향 서비스 제공부는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공할 수 있다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함할 수 있다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함할 수 있다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함할 수 있다.
발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 실시간 풍향 서비스를 요청받아 제공하는 인터페이스부를 더 포함할 수 있다.
본 발명을 기술하는 여러 관점들 중 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법은, 실시간 풍향 서비스를 요청될 경우 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 단계와, 상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 단계와, 상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 단계와, 인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 단계와, 상기 예측된 실시간 풍향에 대응하는 상기 실시간 풍향 서비스를 제공하는 단계를 포함한다.
본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 인코딩하는 단계는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩할 수 있다.
본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 실시간 풍향을 예측하는 단계는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 인공신경망 학습할 수 있다.
본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 실시간 풍향 서비스를 제공하는 단계는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공할 수 있다.
본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함할 수 있다.
본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함할 수 있다.
본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함할 수 있다.
본 발명에 따르면, 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있다.
그리고, 본 발명에 따르면, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하고, 원시 기상관측정보를 가공한 고층풍향과 원시 지형정보를 가공한 고도와 원시지표정보를 가공한 조도를 인코딩한 후에, 인공신경망 학습을 위해 입력함으로써, 실시간 풍향 예측을 위한 입력 정보를 효과적으로 가공할 수 있다.
또한, 본 발명에 따르면, FFNets, DNN, CNN, LSTM 중 어느 하나의 인공신경망 학습방식을 이용하여 고층풍향, 고도 및 조도에 대응하는 실시간 풍향을 예측함으로써, 특정 지점에서의 실시간 풍향을 정확하게 예측할 수 있다.
아울러, 본 발명에 따르면, 특정 지점의 풍향 서비스가 요청될 경우 수집된 빅데터를 가공한 후 인공신경망 학습을 통해 실시간 풍향을 예측하여 제공할 수 있을 뿐만 아니라 바람장미, 위치별 풍환경 등과 같은 다양한 풍향 서비스를 효과적으로 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치가 구축되는 서비스 시스템을 나타낸 블록구성도이며,
도 2는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치의 개념도를 예시한 도면이고,
도 3은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치를 나타낸 블록구성도이며,
도 4는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 수집된 빅데이터를 가공한 입력 정보의 인코딩을 설명하기 위한 도면이고,
도 5a 내지 도 5e는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 사용되는 인공신경망 학습방식을 설명하기 위한 도면이며,
도 6a 내지 6c는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 제공되는 실시간 풍향 서비스를 예시한 도면이고,
도 7은 본 발명의 다른 실시예에 따라 인공신경망을 이용하여 실시간 풍향 서비스를 제공하는 과정을 나타낸 플로우차트이다.
이하, 본 발명에 따른 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법을 구현한 실시형태를 도면을 참조하여 자세히 설명한다.
다만, 본 발명의 본질적인(intrinsic) 기술적 사상은 이하에서 설명되는 실시형태에 의해 그 실시 가능 형태가 제한된다고 할 수는 없고, 본 발명의 본질적인(intrinsic) 기술적 사상에 기초하여 통상의 기술자에 의해 이하에서 설명되는 실시형태를 치환 또는 변경의 방법으로 용이하게 제안될 수 있는 범위를 포섭함을 밝힌다.
또한, 이하에서 사용되는 용어는 설명의 편의를 위하여 선택한 것이므로, 본 발명의 본질적인(intrinsic) 기술적 사상을 파악하는 데 있어서, 사전적 의미에 제한되지 않고 본 발명의 기술적 사상에 부합되는 의미로 적절히 해석되어야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치가 구축되는 서비스 시스템을 나타낸 블록구성도이며, 도 2는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치의 개념도를 예시한 도면이다.
도 1 및 2를 참조하면, 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치(100)가 구축되는 서비스 시스템은 통신단말기(10), 공공데이터베이스 서버(20), 통신망(30), 실시간 풍향 예측 서비스 장치(100) 등을 포함할 수 있다.
통신단말기(10)는 실시간 풍향 서비스를 요청하는 단말기를 의미하는데, 예를 들어 컴퓨터, 노트북, 스마트폰 등을 포함하며, 사용자가 실시간 풍향 서비스를 요청하기 위해 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치(100)가 제공하는 웹사이트, 어플리케이션 등에 접속한 후 관측하고자 하는 예측지점에 대한 실시간 풍향 서비스를 요청할 수 있다.
이 후, 통신단말기(10)는 실시간 풍향 예측 서비스 장치(100)로부터 웹사이트, 어플리케이션 등을 통해 제공되는 실시간 풍향 서비스를 디스플레이할 수 있다.
공공데이터베이스 서버(20)는 기상청의 기상자료개발포털, 국토지리정보원, 환경부의 환경공간정보서비스 등에서 각각 데이터베이스화하여 구축하고 있는 각종 기상관측정보, 지형정보, 지표정보 등을 포함하는 원시 빅데이터를 실시간 풍향 예측 서비스 장치(100)의 요청에 따라 제공할 수 있다.
통신망(30)은 인터넷, 인트라넷, 유무선 통신망, 이동통신망 등을 포함하며, 통신단말기(10), 공공데이터베이스 서버(20) 및 실시간 풍향 예측 서비스 장치(100) 상호 간의 데이터 송수신 역할을 담당할 수 있다.
실시간 풍향 예측 서비스 장치(100)는 통신단말기(10)로부터 예측지점에 대한 실시간 풍향 서비스가 요청될 경우 공공데이터베이스 서버(20)로 원시 빅데이터를 요청하고, 공공데이터베이스 서버(20)로부터 원시 빅데이터(예를 들면, 원시 기상관측정보, 원시 지형정보, 원시 지표정보 등)가 수집될 경우 이들을 각각 가공하고, 가공된 고층풍향, 고도 및 조도를 포함하는 입력정보를 예측지점에 대응하여 인코딩하며, 인공신경망 학습을 통해 예측지점에서의 실시간 풍향을 예측한 후에, 예측된 풍향에 대응하는 실시간 풍향 서비스를 생성하여 통신단말기(10)로 제공할 수 있다.
다음에, 상술한 바와 같은 서비스 시스템에서 실시간 풍향 서비스가 요청될 경우 원시 빅데이터를 수집하고, 수집된 원시 빅데이터를 가공 및 인코딩하며, 인공신경망 학습을 통해 실시간 풍향을 예측한 후에, 실시간 풍향 서비스를 제공하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에 대해 상세하게 설명한다.
도 3은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치를 나타낸 블록구성도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치(100)는 인터페이스부(110), 빅데이터 수집부(120), 수집정보 가공부(130), 입력정보 인코딩부(140), 인공신경망 학습부(150), 풍향 서비스 제공부(160) 등을 포함할 수 있다.
인터페이스부(110)는 실시간 풍향 서비스를 요청받아 제공하는 것으로, 통신단말기(10)로부터의 요청에 따라 웹사이트, 어플리케이션 등을 통해 실시간 풍향 서비스 제공을 위한 입력화면을 제공하고, 이러한 입력화면을 통해 관측하고자 하는 예측지점, 서비스 종류 등을 입력할 경우 이에 대한 실시간 풍향을 예측하는 과정을 수행할 수 있도록 이 예측지점에 대한 정보를 전달할 수 있다.
또한, 인터페이스부(110)는 실시간 풍향이 예측되어 생성된 실시간 풍향 서비스를 실시간 풍향 서비스 제공 화면을 통해 통신단말기(10)로 제공할 수 있다.
빅데이터 수집부(120)는 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 것으로, 인터페이스부(110)로부터 예측지점에 대한 정보가 제공될 경우 공공데이터베이스 서버(20)로부터 기상청의 기상자료개발포털, 국토지리정보원, 환경부의 환경공간정보서비스 등에서 각각 데이터베이스화하여 구축하고 있는 각종 기상관측정보, 지형정보, 지표정보 등을 포함하는 원시 빅데이터(예를 들면, 원시 기상관측정보, 원시 지형정보, 원시 지표정보 등)를 수집할 수 있다.
여기에서, 원시 기상관측정보는 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함하는데, 종관기상관측정보는 종관기상관측장비(Automated Surface Observing System, ASOS)를 통해 관측된 기압, 기온, 풍향, 풍속, 습도, 강수량(0.1mm, 0.5mm), 강우유무, 일사량, 일조시간, 지면온도, 초상온도 등을 포함할 수 있고, 방재기상관측정보는 자동기상관측장비(Automatic Weather Station, AWS)를 통해 관측된 풍향, 풍속, 기온, 기압, 습도, 강수량 등을 포함할 수 있으며, 연직바람관측정보는 연직바람관측장비(Wind Profiler)를 통해 측정된 바람, 대기상태 등을 포함할 수 있다.
또한, 원시 지형정보는 수치표고모형(DEM : Digital Elevation Model)을 포함하고, 수치표고모형(DEM)은 블록, 단면 및 표고점의 세가지 요소에 의해 나타낼 수 있는데, 블록은 수치표고모형의 지리적 범위를 나타내며, 단면은 표본으로 추출된 표고점들의 선형 배열을 나타내고, 표고점은 규칙적인 점들, 단면을 따른 첫 번 째 점들, 네 코너의 점들을 포함할 수 있으며, 이러한 표고점은 좌표로 기록되어 저장됨으로써, 수치표고모형의 사변형 구역을 지리좌표체계로 인식할 수 있도록 한다.
그리고, 원시 지표정보는 토지피복지도(LCM, Land Cover Map)를 포함하는데, 이는 지구표면 지형지물의 형태를 과학적 기준에 따라 분류하고, 동질의 특성을 지닌 구역을 폐곡선으로 지정한 후, 이를 컬러 인덱싱(Color Indexing)하여 쉽게 구분이 가능토록 한 주제도(theme-map)를 의미한다.
수집정보 가공부(130)는 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도(altitude) 및 조도(roughness)를 획득하는 것으로, 원시 기상관측정보의 연직바람관측정보를 이용하여 연직 풍향정보를 가공하여 고층풍향을 획득할 수 있고, 원시 지형정보의 수치표고모형(DEM)을 가공하여 고도를 획득할 수 있으며, 원시 지표정보의 토지피복지도(LCM)를 가공하여 조도를 획득할 수 있으며, 이러한 고층풍향, 고도 및 조도를 입력정보 인코딩부(140)로 전달할 수 있다.
입력정보 인코딩부(140)는 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 것으로, 고층풍향을 기준으로 하고, 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 고도와 조도를 수치화하는 방식으로 인코딩할 수 있다.
예를 들면, 도 4는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 수집된 빅데이터를 가공한 입력 정보의 인코딩을 설명하기 위한 도면으로, 국내에서 제공되고 있는 10개 좌표의 고층풍향을 기본으로 하고, 관측을 하고자 하는 예측지점을 중심으로 반지름
Figure 112020025346174-pat00001
의 원을 그리며, 그 안으로
Figure 112020025346174-pat00002
개의 등간격 동심원을 형성한 후,
Figure 112020025346174-pat00003
간격으로 예측지점과 주변지점을 있는 직선을 그려서 형성되는
Figure 112020025346174-pat00004
개의 좌표에 대한 고도와 조도를 수치화하는 방식으로 정의할 수 있다.
인공신경망 학습부(150)는 인코딩된 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 예측지점에 대응하는 실시간 풍향을 예측하는 것으로, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 예측지점에 대응하는 실시간 풍향을 예측할 수 있다.
예를 들면, 도 5a 내지 도 5e는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 사용되는 인공신경망 학습방식을 설명하기 위한 도면으로, 도 5a에 도시한 바와 같이 FFNets(Feed-Forward Neural Networks)는 데이터를 입력하면 연산이 입력층에서 은닉층을 거쳐 출력층까지 차근차근 진행되고 이 과정에서 입력 데이터는 모든 노드를 딱 한번씩 지나가게 되는데, 입력층(Input Layer)에서 고층풍향, 고도 및 조도가 입력될 경우, 은닉층(Hidden Layer)을 거쳐 출력층(Output Layer)에서 특정 예측지점의 저층풍향을 예측하여 출력할 수 있다.
도 5b에 도시한 바와 같이 DNN(Deep Neural Network)은 모델 내 은닉층을 많이 늘려서 학습의 결과를 향상시키는 기법으로, 은닉층을 2개이상 구비하며, 컴퓨터가 스스로 분류 레이블을 만들어 공간을 왜곡하여 데이터를 구분하는 과정을 반복하여 최적의 예측값을 도출해낼 수 있는데, 많은 데이터와 반복학습, 사전학습과 오류역전파 기법 등을 통해 높은 예측효율을 나타낼 수 있다.
도 5c에 도시한 바와 같이 CNN(Convolutional Neural Network)는 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조로서, 컨볼루션(Convolution)과 풀링(Pooling)을 통해 진행되는데, 컨볼루션 과정은 데이터의 특징을 추출하는 과정으로 데이터에 각 성분의 인접 성분들을 조사해 특징을 파악하고, 파악한 특징을 한장으로 도출시킬 수 있으며, 파라미터의 갯수를 효과적으로 줄여주는 역할을 수행할 수 있고, 풀링 과정은 컨볼루션 과정을 거친 레이어의 사이즈를 줄여주는 과정으로 단순히 데이터의 사이즈를 줄여주며, 노이즈를 상쇄시키고, 미세한 부분에서 일관적인 특징을 제공할 수 있다.
도 5d에 도시한 바와 같이 LSTM(Long short-term memory)는 다이어그램 상단에 있는 셀 스테이트(cell state)는 하나의 컨베이어 벨트와 같이 선형 연산을 거쳐 전체 체인을 관통하며, 이로 인해 정보는 다음 단계로 전달될 수 있고, 게이트(gate)를 활용하여 정보를 더하거나 제거하여 선택적으로 정보가 흘러들어갈 수 있으며, 미래의 예측 결과에 영향을 주도록 데이터가 흘러가도록 할 수 있다.
풍향 서비스 제공부(160)는 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 것으로, 예를 들어 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 실시간 풍향 서비스를 제공할 수 있다.
예를 들면, 도 6a 내지 6c는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 제공되는 실시간 풍향 서비스를 예시한 도면으로, 도 6a에 도시한 바와 같은 실시간 풍향, 도 6b에 도시한 바와 같은 바람장미, 도 6c에 도시한 바와 같은 위치별 풍환경 등을 실시간 풍향 서비스로 제공할 수 있다.
따라서, 본 발명은 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있다.
그리고, 본 발명은 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하고, 원시 기상관측정보를 가공한 고층풍향과 원시 지형정보를 가공한 고도와 원시지표정보를 가공한 조도를 인코딩한 후에, 인공신경망 학습을 위해 입력함으로써, 실시간 풍향 예측을 위한 입력 정보를 효과적으로 가공할 수 있다.
또한, 본 발명은 FFNets, DNN, CNN, LSTM 중 어느 하나의 인공신경망 학습방식을 이용하여 고층풍향, 고도 및 조도에 대응하는 실시간 풍향을 예측함으로써, 특정 지점에서의 실시간 풍향을 정확하게 예측할 수 있다.
다음에, 상술한 바와 같은 구성을 갖는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 특정 지점에서의 풍향 서비스가 요청될 경우 수집된 빅데이터를 가공한 입력 정보를 인코딩한 후에, 인공신경망 학습을 통해 실시간 풍향을 예측하고, 이와 관련된 실시간 풍향 서비스를 제공하는 과정에 대해 설명한다.
도 7은 본 발명의 다른 실시예에 따라 인공신경망을 이용하여 실시간 풍향 서비스를 제공하는 과정을 나타낸 플로우차트이다.
도 7을 참조하면, 통신단말기(10)를 통해 사용자가 실시간 풍향 예측 서비스 장치(100)에 접속하거나, 혹은 실시간 풍향 예측 서비스 장치(100)로부터 다운로드한 어플리케이션을 통해 관측하고자 하는 예측지점에 대한 실시간 풍향 서비스를 요청할 수 있다(단계711).
그리고, 실시간 풍향 예측 서비스 장치(100)에서는 통신단말기(10)로부터의 실시간 풍향 서비스 요청을 인터페이스부(110)를 통해 수신하여 빅데이터 수집부(120)로 이를 전달할 수 있다(단계713).
다음에, 빅데이터 수집부(120)에서는 실시간 풍향 서비스 요청에 따라 공공데이터베이스 서버(20)로 예측지점에 대응하는 원시 빅데이터(예를 들면, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보)를 수집할 수 있다(단계715).
여기에서, 기상청의 기상자료개발포털을 통해 수집되는 원시 기상관측정보는 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함할 수 있고, 국토지리정보원을 통해 수집되는 원시 지형정보는 수치표고모형(DEM : Digital Elevation Model)을 포함할 수 있으며, 환경부의 환경공간정보서비스를 통해 수집되는 원시 지표정보는 토지피복지도(LCM, Land Cover Map)를 포함할 수 있다.
그리고, 빅데이터 수집부(120)에서 수집된 원시 기상관측정보, 원시 지형정보 및 원시 지표정보는 수집정보 가공부(130)로 전달되고, 수집정보 가공부(130)에서는 이러한 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득할 수 있다(단계717).
다음에, 수집정보 가공부(130)에서 획득된 고층풍향, 고도 및 조도를 입력정보로 하여 입력정보 인코딩부(140)로 전달하고, 입력정보 인코딩부(140)에서는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩할 수 있다(단계719).
이러한 단계(719)에서는 고층풍향을 기준으로 하고, 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 고도와 조도를 수치화하는 방식으로 인코딩할 수 있는데, 도 4에 도시한 바와 같이 국내에서 제공되고 있는 10개 좌표의 고층풍향을 기본으로 하고, 관측을 하고자 하는 예측지점을 중심으로 반지름
Figure 112020025346174-pat00005
의 원을 그리며, 그 안으로
Figure 112020025346174-pat00006
개의 등간격 동심원을 형성한 후,
Figure 112020025346174-pat00007
간격으로 예측지점과 주변지점을 있는 직선을 그려서 형성되는
Figure 112020025346174-pat00008
개의 좌표에 대한 고도와 조도를 수치화하는 방식으로 정의할 수 있다.
그리고, 입력정보 인코딩부(140)에서 인코딩된 고층풍향, 고도 및 조도를 인공신경망 학습부(150)로 전달하고, 인공신경망 학습부(150)에서는 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 예측지점에 대응하는 실시간 풍향을 예측할 수 있다(단계721).
여기에서, 인공신경망 학습은 FFNets, DNN, CNN 및 LSTM 중 어느 하나의 인공신경망 학습방식을 이용하여 수행되는데, FFNets의 경우 입력층(Input Layer)에서 고층풍향, 고도 및 조도가 입력될 경우, 은닉층(Hidden Layer)을 거쳐 출력층(Output Layer)에서 특정 예측지점의 저층풍향을 예측하여 출력할 수 있다.
이어서, 인공신경망 학습부(150)에서 예측된 실시간 풍향은 풍향 서비스 제공부(160)로 전달되고, 풍향 서비스 제공부(160)에서는 실시간 풍향을 가공하여 실시간 풍향 서비스와 관련된 서비스 화면으로 생성한 후에, 인터페이스부(110)를 통해 통신단말기(10)에 실시간 풍향 서비스를 제공할 수 있다(단계723).
여기에서, 실시간 풍향 서비스는 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함할 수 있다.
따라서, 본 발명은 특정 지점의 풍향 서비스가 요청될 경우 수집된 빅데이터를 가공한 후 인공신경망 학습을 통해 실시간 풍향을 예측하여 제공할 수 있을 뿐만 아니라 바람장미, 위치별 풍환경 등과 같은 다양한 풍향 서비스를 효과적으로 제공할 수 있다.

Claims (15)

  1. 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 빅데이터 수집부와,
    상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 수집정보 가공부와,
    상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 입력정보 인코딩부와,
    인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 인공신경망 학습부와,
    상기 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 풍향 서비스 제공부를 포함하며,
    상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함하고,
    상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함하며,
    상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함하고,
    상기 수집정보 가공부는, 상기 연직바람관측정보를 이용하여 연직 풍향정보를 가공하여 상기 고층풍향을 획득하고, 상기 수치표고모형(DEM)을 가공하여 상기 고도를 획득하며, 상기 토지피복지도(LCM)를 가공하여 상기 조도를 획득하며,
    상기 입력정보 인코딩부는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 인공신경망 학습부는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.
  4. 제 1 항에 있어서,
    상기 풍향 서비스 제공부는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제 1 항, 제 3 항 및 제 4 항 중 어느 한 항에 있어서,
    상기 실시간 풍향 예측 서비스 장치는,
    상기 실시간 풍향 서비스를 요청받아 제공하는 인터페이스부
    를 더 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.
  9. 실시간 풍향 서비스를 요청될 경우 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 단계와,
    상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 단계와,
    상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 단계와,
    인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 단계와,
    상기 예측된 실시간 풍향에 대응하는 상기 실시간 풍향 서비스를 제공하는 단계를 포함하며,
    상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함하고,
    상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함하며,
    상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함하고,
    상기 고층풍향, 고도 및 조도를 획득하는 단계는, 상기 연직바람관측정보를 이용하여 연직 풍향정보를 가공하여 상기 고층풍향을 획득하고, 상기 수치표고모형(DEM)을 가공하여 상기 고도를 획득하며, 상기 토지피복지도(LCM)를 가공하여 상기 조도를 획득하며,
    상기 인코딩하는 단계는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.
  10. 삭제
  11. 제 9 항에 있어서,
    상기 실시간 풍향을 예측하는 단계는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 인공신경망 학습하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.
  12. 제 9 항에 있어서,
    상기 실시간 풍향 서비스를 제공하는 단계는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.
  13. 삭제
  14. 삭제
  15. 삭제
KR1020200029647A 2020-03-10 2020-03-10 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법 KR102413717B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200029647A KR102413717B1 (ko) 2020-03-10 2020-03-10 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200029647A KR102413717B1 (ko) 2020-03-10 2020-03-10 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210114226A KR20210114226A (ko) 2021-09-23
KR102413717B1 true KR102413717B1 (ko) 2022-06-27

Family

ID=77926412

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200029647A KR102413717B1 (ko) 2020-03-10 2020-03-10 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102413717B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035398B1 (ko) 2010-11-22 2011-05-20 (주)에코브레인 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템
US8930299B2 (en) 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
KR101844044B1 (ko) * 2017-09-19 2018-03-30 (주)지비엠아이엔씨 기상 예측 모델을 이용한 풍력발전 시스템 및 방법
KR102025335B1 (ko) * 2019-01-30 2019-09-25 서울대학교산학협력단 인공지능 기반 설계풍속 자동 산정 방법 및 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100619144B1 (ko) 2003-04-24 2006-08-31 오재호 실시간 기상 데이터 처리 시스템 및 방법
KR20140000857A (ko) * 2012-06-26 2014-01-06 (주)큐버솔루션 지표조도모형

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035398B1 (ko) 2010-11-22 2011-05-20 (주)에코브레인 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템
US8930299B2 (en) 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
KR101844044B1 (ko) * 2017-09-19 2018-03-30 (주)지비엠아이엔씨 기상 예측 모델을 이용한 풍력발전 시스템 및 방법
KR102025335B1 (ko) * 2019-01-30 2019-09-25 서울대학교산학협력단 인공지능 기반 설계풍속 자동 산정 방법 및 시스템

Also Published As

Publication number Publication date
KR20210114226A (ko) 2021-09-23

Similar Documents

Publication Publication Date Title
Kang et al. Air quality prediction: Big data and machine learning approaches
Shaker et al. Investigating urban heat island through spatial analysis of New York City streetscapes
Graham et al. A comparison of methods for mapping species ranges and species richness
Zhu et al. Flood disaster risk assessment based on random forest algorithm
KR20190057013A (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
Chen et al. A high-resolution monitoring approach of canopy urban heat island using a random forest model and multi-platform observations
KR100982447B1 (ko) 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법
Ballestores Jr et al. An integrated parcel-based land use change model using cellular automata and decision tree
CN110956412B (zh) 基于实景模型的洪灾动态评估方法、装置、介质和设备
Kim et al. Mapping local vulnerabilities into a 3D city model through social sensing and the CAVE system toward digital twin city
Kwok et al. Developing a statistical based approach for predicting local air quality in complex terrain area
Bliefernicht et al. The WASCAL hydrometeorological observatory in the Sudan Savanna of Burkina Faso and Ghana
Hu Rainstorm flash flood risk assessment using genetic programming: a case study of risk zoning in Beijing
Chen et al. An LSTM-based neural network method of particulate pollution forecast in China
Hu et al. Forecasting of solar radiation in photovoltaic power station based on ground‐based cloud images and BP neural network
Li et al. Extreme wind climate of the Arabian Peninsula characterized by using WRF simulation
Wahiduzzaman et al. Impact assessment of Indian Ocean Dipole on the North Indian Ocean tropical cyclone prediction using a Statistical model
Ayyad et al. Climate change impact on hurricane storm surge hazards in New York/New Jersey Coastlines using machine-learning
Bahari et al. Prediction of PM2. 5 concentrations using temperature inversion effects based on an artificial neural network
KR102413717B1 (ko) 인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법
Varentsov et al. Citizen weather stations data for monitoring applications and urban climate research: an example of Moscow megacity
Appiagyei et al. Simulating land use and land cover change in a semi-arid region from 1989 to 2039: the case of Hafir-Zariffet forest, Tlemcen, Algeria
Savelyev et al. Formalizing and securing relationships on multi-task metric learning for IoT-based smart cities
Castro et al. State of the art on artificial intelligence in land use simulation
Abuelaish Urban land use change analysis and modeling: a case study of the Gaza Strip

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant