KR102439241B1 - 인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템 - Google Patents
인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템 Download PDFInfo
- Publication number
- KR102439241B1 KR102439241B1 KR1020220030411A KR20220030411A KR102439241B1 KR 102439241 B1 KR102439241 B1 KR 102439241B1 KR 1020220030411 A KR1020220030411 A KR 1020220030411A KR 20220030411 A KR20220030411 A KR 20220030411A KR 102439241 B1 KR102439241 B1 KR 102439241B1
- Authority
- KR
- South Korea
- Prior art keywords
- frost
- prediction
- weather
- area
- weather information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title abstract description 3
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 12
- 235000013399 edible fruits Nutrition 0.000 description 9
- 239000002420 orchard Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 244000141359 Malus pumila Species 0.000 description 2
- 235000011430 Malus pumila Nutrition 0.000 description 2
- 235000015103 Malus silvestris Nutrition 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 241000220225 Malus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
-
- 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)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Theoretical Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템을 개시한다.
본 실시예의 일 측면에 의하면, 서리 발생 가능성을 예측하고자 하는 예측 지역의 서리 발생 가능성을 예측하는 서리 예측 시스템에 있어서, 예측 지역 또는 예측 지역으로부터 기 설정된 반경 내의 기 설정된 위치에 배치되어, 기상 정보를 센싱하는 센서와 상기 센서로부터 기상 정보 및 상기 예측 지역의 지형 데이터를 수신하여, 상기 예측 지역의 기상에 관한 초기장 및 경계장을 생성하고, 생성한 초기장을 토대로 상기 예측지역의 기상 정보를 예측하며, 예측한 기상 정보를 토대로 상기 예측 지역의 서리 발생 가능성을 예측하는 서리 예측장치 및 상기 서리 예측장치로부터 서리 발생 가능성에 관한 정보를 수신하여 출력하는 사용자 단말을 포함하는 것을 특징으로 하는 서리 예측 시스템을 제공한다.
본 실시예의 일 측면에 의하면, 서리 발생 가능성을 예측하고자 하는 예측 지역의 서리 발생 가능성을 예측하는 서리 예측 시스템에 있어서, 예측 지역 또는 예측 지역으로부터 기 설정된 반경 내의 기 설정된 위치에 배치되어, 기상 정보를 센싱하는 센서와 상기 센서로부터 기상 정보 및 상기 예측 지역의 지형 데이터를 수신하여, 상기 예측 지역의 기상에 관한 초기장 및 경계장을 생성하고, 생성한 초기장을 토대로 상기 예측지역의 기상 정보를 예측하며, 예측한 기상 정보를 토대로 상기 예측 지역의 서리 발생 가능성을 예측하는 서리 예측장치 및 상기 서리 예측장치로부터 서리 발생 가능성에 관한 정보를 수신하여 출력하는 사용자 단말을 포함하는 것을 특징으로 하는 서리 예측 시스템을 제공한다.
Description
본 발명은 인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
일반적으로 과일나무는 주변환경 및 온도변화에 의하여 과일의 수확량 및 품질의 정도가 결정될 수 있으며, 특히, 사방이 산지로 둘러싸이거나 표고가 비교적 높은 지역에서는 다른 지역에 비하여 온도변화가 더 심하고 냉기류의 유입이 많으므로 과수의 관리에 많은 관심을 가져야 한다.
대부분의 경우 과수는 봄에 개화하여 가을에 열매를 맺어 수확하게 되는데, 개화기의 과수관리는 열매의 품질에 직접적인 영향을 끼치며, 과수원의 그 해 농사의 성패여부를 결정한다.
과일나무의 싹이 트고 개화되는 시기인 4~5월경 지표부근에는 복사냉각에 의해 차가운 공기층이 형성되므로, 이 시기에 바람이 없는 상태에서 야간에 기온이 빙점 아래로 떨어지면 대기 중의 수분이 얼음결정으로 변하면서 서리가 내리게 된다. 이로 인하여 과일나무에 동해(凍害)가 발생할 수 있다.
이렇게 과일나무가 동해를 입으면 수확량이 감소되는데, 예를 들어, 사과나무가 개화시기에 동해를 입으면 꽂이 열리지 않거나 열려도 발육이 상당히 나쁘고 수정률이 저하된다. 이에 따라 사과의 수확량이 감소되고 품질이 저하되며, 동해가 심하면 수 년간 사과나무의 생장과 결실에 영향을 미치게 된다.
따라서, 과수 등 수확하는 과수원이나 농경지에서는 서리가 내릴지 여부를 미리 파악하여 이에 대비하는 것이 중요하다. 다만, 서리는 다양한 기상 조건이 고려되어 내리기 때문에, 종래에는 정확히 서리 여부를 예보하는 것에 어려움이 있었다.
본 발명의 일 실시예는, 다양한 기상의 변화를 예측하고, 예측된 기상조건을 토대로 서리가 내릴지 여부를 예측하는 서리 예측 장치, 방법 및 시스템을 제공하는 데 일 목적이 있다.
본 발명의 일 측면에 의하면, 서리 발생 가능성을 예측하고자 하는 예측 지역의 서리 발생 가능성을 예측하는 서리 예측 시스템에 있어서, 예측 지역 또는 예측 지역으로부터 기 설정된 반경 내의 기 설정된 위치에 배치되어, 기상 정보를 센싱하는 센서와 상기 센서로부터 기상 정보 및 상기 예측 지역의 지형 데이터를 수신하여, 상기 예측 지역의 기상에 관한 초기장 및 경계장을 생성하고, 생성한 초기장을 토대로 상기 예측지역의 기상 정보를 예측하며, 예측한 기상 정보를 토대로 상기 예측 지역의 서리 발생 가능성을 예측하는 서리 예측장치 및 상기 서리 예측장치로부터 서리 발생 가능성에 관한 정보를 수신하여 출력하는 사용자 단말을 포함하는 것을 특징으로 하는 서리 예측 시스템을 제공한다.
본 발명의 일 측면에 의하면, 상기 기상정보는 기온, 습도, 풍속 및 강수량 중 일부 또는 전부를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 센서는 기온에 있어 대기 온도와 초상 온도 각각을 센싱하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 센서는 예측 지역 또는 예측 지역으로부터 기 설정된 반경 내의 기 설정된 위치에 하나 이상 배치되는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 서리 예측장치는 수신한 기상 정보 및 지형 데이터를 보간함으로서, 상기 예측 지역의 기상에 관한 초기장 및 경계장을 생성하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 서리 예측장치는 예측한 각 기상 정보가 각각에 설정된 기준치를 벗어나는지 여부를 토대로 서리 발생 가능성을 예측하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 서리 발생 가능성을 예측하고자 하는 예측 지역의 서리 발생 가능성을 예측하는 서리 예측 장치에 있어서, 외부로부터 수신한, 예측 지역을 포함한 지형 데이터 및 예측 지역 내 기상 정보를 전처리하는 전처리부와 상기 전처리부로부터 전처리된 데이터를 토대로, 얘측 지역에서의 기상에 대한 초기장 및 경계장을 생성하는 초기장 생성부와 예측 모델을 이용하여 상기 초기장 생성부에서 생성된 초기장 및 경계장으로부터 예측 지역의 기상 정보를 예측하는 기상 추정부 및 상기 기상 추정부가 예측한 기상 정보를 토대로 상기 예측 지역의 서리 발생 가능성을 예측하는 서리 예측부를 포함하는 것을 특징으로 하는 서리 예측 장치를 제공한다.
본 발명의 일 측면에 의하면, 상기 기상 정보는 상기 예측지역의 기온, 습도, 풍속 및 강수량 중 일부 또는 전부를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 초기장 생성부는 전처리된 데이터를 토대로 보간을 진행하여 예측 지역에서의 기상에 대한 초기장 및 경계장을 생성하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 예측모델은 WRF(Weather Research and Forecasting Model) 또는 디지털 트윈인 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 서리 예측 장치는 외부로부터 지형 데이터 및 기상 정보를 수신하거나, 예측된 서리 발생 가능성을 외부로 전송하는 통신부를 더 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 의하면, 상기 통신부는 예측된 서리 발생 가능성을 사용자 단말로 전송하는 것을 특징으로 한다.
이상에서 설명한 바와 같이, 본 발명의 일 측면에 따르면, 다양한 기상의 변화를 예측하고, 예측된 기상조건을 토대로 서리가 내릴지 여부를 정확하게 예측할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 서리 예측 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 서리 예측 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 특정 지역의 다양한 기상 조건들을 예측하는 방법을 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 서리 예측 장치가 예측된 다양한 기상 조건들을 토대로 서리 발생 가능성을 예측하는 방법을 도시한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 서리 예측 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 특정 지역의 다양한 기상 조건들을 예측하는 방법을 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 서리 예측 장치가 예측된 다양한 기상 조건들을 토대로 서리 발생 가능성을 예측하는 방법을 도시한 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에서, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다.
도 1은 본 발명의 일 실시예에 따른 서리 예측 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 서리 예측 시스템(100)은 센서(110), 서리 예측장치(120) 및 사용자 단말(130)을 포함한다.
서리 예측 시스템(100)은 외부에서 수신한 지형 데이터와 센서로 센싱한 기상 데이터를 토대로, 원하는 국소 지역에서의 기상 정보를 예측하여 그로부터 서리가 내릴 가능성을 예측하는 시스템이다. 기상 예보는 통상적으로 일정 면적, 시 또는 군/구 정도의 대단위로 이루어지기 때문에, 동 또는 동 이하의 행정구역 마다 달라질 수 있다. 또한, 발명의 배경이 되는 기술에서 전술한 대로, 서리 가능성을 예측하는 시스템은 아직까지 개발되어 있지 않은 상태이다. 이에, 서리 예측 시스템(100)은 특정 국소 지역에서의 기상 정보를 예측하고, 예측된 각 기상정보들을 모두 고려하여 해당 지역에 서리가 내릴 것인지를 예측하는 시스템이다.
서리 예측 시스템(100)은 지형 데이터와 기상 데이터에 있어서는 원하는 지역에 적합하도록 전처리를 수행하며, 전처리된 데이터를 토대로 보간을 진행하여 해당 지역에서의 기상에 대한 초기장을 생성한다. 서리 예측 시스템(100)은 기상정보를 예측하기 이전에 기상에 대한 초기장을 생성함으로서, 예측하고자하는 전 지역에서의 기상 정보 예측 시간을 현저히 감소시킨다.
또한, 서리 예측 시스템(100)은 기상정보를 예측함에 있어, 생성된 초기장과 센서의 센싱값을 비교하여 보정을 진행한다. 이에 따라, 생성된 초기장의 정확도를 향상시켜 최종적으로 예측된 기상정보의 정확도를 향상시킬 수 있다.
센서(110)는 서리 가능성을 예측하고자 하는 지역 또는 그의 인접지역의 기 설정된 위치마다 설치되어, 기상정보를 센싱한다. 예를 들어, 센서(110)는 과수원 내 또는 과수원의 인접지역의 각 방위마다 설치되어, 각 위치에서 기상정보를 센싱할 수 있다. 또는, 센서(110)는 서리 가능성을 예측하고자 하는 지역 또는 그의 인접지역에서 가장 고도가 높은 위치에 설치될 수도 있다.
센서(110)는 특정 지역에 설치되어 기상정보를 센싱한다. 센서(110)가 센싱하는 기상정보로는 서리 발생에 있어 영향을 미치는 요인들로서, 기온, 습도, 풍속 및 강수량을 포함한다. 기온은 대기 온도 및 초상온도 모두를 의미할 수 있다. 센서(110)는 각 정보들을 센싱하는 복수의 구성으로 구현될 수도 있고, 해당 정보들을 복합적으로 센싱하는 하나의 구성으로 구현될 수도 있다. 센서(110)는 전술한 기상정보들을 센싱하여 서리 예측장치(120)로 전송한다.
서리 예측장치(120)는 센서(110)로부터 센싱값을 수신하여, 그로부터 기상에 대한 초기장 및 경계장을 생성하고, 생성된 초기장을 토대로 해당 지역의 기상을 예측하여 서리 가능성을 예측한다.
서리 예측장치(120)는 각 센서(110)로부터 센싱값을 수신하여 이로부터 기상에 관한 초기장을 생성한다. 이때, 서리 예측장치(120)는 풍속 정보에 관해서는 측정된 센싱값 중 가장 강한 풍속을 가진 센싱값을 선택하여 이를 초기장에 이용한다. 이는 해당 센서가 위치한 곳으로부터 바람이 불어오고 있는 상황이기 때문이다. 기온, 습도 및 강수량은 일정한 지역 내에 균등하게 분포하는 경우가 대부분인 반면, 바람의 경우, 지형의 영향을 상당히 크게 받기 때문에 일정한 지역 내에서도 지형에 따라 상당히 달라진다. 따라서, 서리 예측장치(120)는 바람 정보에 있어서는 가장 강한 풍속을 가진 센싱값을 선택하여 초기장 생성에 이용한다.
또한, 서리 예측장치(120)는 기상을 예측하고자 하는 지역(이하에서, '예측 지역'이라 약칭함)의 지리적 정보를 저장한다. 여기서, 지리적 정보는 해당 지역의 지명, 주소 또는 좌표 등 특정 지점을 객관적으로 인식할 수 있는 수단이면 어떠한 것으로 구현되어도 무방하다. 서리 예측장치(120)는 전술한 센싱값과 저장하고 있는 정보를 이용하여, 초기장 및 경계장을 생성한다.
서리 예측장치(120)는 생성된 초기장 및 경계장을 입력 데이터로 하여, 예측지역의 기상정보를 예측한다. 서리 예측장치(120)는 WRF(Weather Research and Forecasting Model) 또는 디지털 트윈의 예측모델을 이용하여, 초기장으로부터 해당 지역의 기상정보를 예측한다.
서리 예측장치(120)는 예측한 기상정보를 토대로, 예측 지역 내 서리 가능성을 예측한다. 서리 예측장치(120)는 예측한 각 기상정보들이 각각 설정된 기준치를 벗어나는지 여부를 판단하여, 판단 결과로부터 해당 지역 내 서리 가능성을 예측한다. 서리 가능성은 다음과 같이 판단된다. 대기 온도가 일정 온도, 예를 들어, 5℃ 이상일 경우, 서리 가능성은 현저히 낮아진다. 풍속의 경우, 풍속이 일정 속도, 예를 들어, 5m/s 이상일 경우, 서리가 발생하지 못하고 모두 소산되기에 서리 가능성은 현저히 낮아진다. 초상 온도가 일정 온도, 예를 들어, 1℃ 이상일 경우에도 마찬가지로 서리 가능성은 현저히 낮아진다. 습도가 지나치게 높거나(예를 들어, 80% 이상), 지나치게 낮은 경우(예를 들어, 25% 이하) 또는 강수량이 일정 수준(예를 들어, 수 mm) 이상일 경우 역시, 서리 가능성은 현저히 낮아진다. 이와 같이, 서리 예측장치(120)는 센서(110)로부터 서리 발생 가능성에 크게 영향을 미치는 요인에 관한 센싱값(기온, 습도, 바람 및 강수량)을 수신하여 예측하며, 예측된 기상정보를 토대로 서리 발생 가능성을 판단한다. 서리 예측장치(120)는 판단 결과를 사용자 단말(130)로 통지함으로서, 사용자가 이를 인지할 수 있도록 한다.
서리 예측장치(120)의 구체적인 동작은 도 2를 참조하여 후술하기로 한다.
사용자 단말(130)은 서리 예측장치(120)로부터 서리 가능성 예측 결과를 수신하여, 출력한다. 사용자 단말(130)은 서리 가능성 예측 결과를 수신하여 출력함으로서, 사용자가 서리 피해를 방지하기 위한 행동을 할 수 있도록 한다.
도 2는 본 발명의 일 실시예에 따른 서리 예측장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 서리 예측장치(120)는 전처리부(210), 초기장 생성부(220), 보정부(230), 기상 추정부(240), 서리 예측부(250) 및 통신부(260)를 포함한다.
전처리부(210)는 기상에 관한 초기장 생성에 필요한 데이터를 수신하여, 초기장을 생성할 수 있도록 전처리를 수행한다. 전처리부(210)는 초기장 생성부(220)가 초기장을 생성하는데 필요한 지형 데이터 및 기상 데이터를 수신하며, 이들을 각각 초기장 생성부(220)가 초기장을 생성하는데 필요한 포맷으로 변환한다. 여기서, 지형 데이터는 전세계급 범주를 갖는 지형 데이터를 처리하는 외부 서버로부터 수신된다. 기상 데이터의 경우, 복수의 센서(110) 중 어느 하나로부터 수신되며, 기상정보 중 풍속에 관해서는 전술한 대로, 가장 강한 풍속을 가진 센싱값이 선택된다. 전처리부(210)는 지형 데이터 전처리부(214) 및 기상 데이터 전처리부(218)를 포함한다. 지형 데이터 전처리부(214)는 수신한 지형 데이터를 초기장을 생성하는데 부합하는 포맷으로 변환한다. 기상 데이터 전처리부(218)는 수신한 기상 데이터를 초기장을 생성하는데 부합하는 포맷으로 변환한다.
초기장 생성부(220)는 전처리된 지형 데이터 및 기상 데이터를 입력받아 보간을 수행하여, 특정 지역 내 바람에 대한 초기장 및 경계장을 생성한다.
초기장 생성부(220)는 예측 지역의 지리적 정보를 저장한다. 이에 따라, 초기장 생성부(220)는 전처리된 지형 데이터로부터 예측 지역의 지형 데이터를 추출한다. 초기장 생성부(220)는 전세계급 범주를 갖는 지형 데이터를 예측 지역 범주의 지형 데이터로 변환한다.
초기장 생성부(220)는 전처리부(214)로부터 전세계급 범주를 갖는 지형 데이터를 수신한다. 다만, 전세계급 범주의 지형 데이터는 초기장 생성부(220)가 초기장을 생성하는 데 있어 이용하기 곤란한 데이터에 해당한다. 이에 따라, 초기장 생성부(220)는 수신한 지형 데이터 내에서 예측 지역의 지형 데이터를 획득한다. 이때, 수신한 데이터는 전세계급 범주이기 때문에, 해당 데이터로부터 온전히 예측 지역의 지형 데이터를 추출하기 곤란한 문제가 있다. 이에 따라, 초기장 생성부(220)는 전세계급 범주의 데이터로부터 예측 지역의 지형 데이터를 추출하되, 넓이 방향 및 높이 방향(연직 상·하방)으로 보간을 수행한다. 초기장 생성부(220)는 Barnes 객관분석법을 이용하여 예측 지역의 지형 데이터를 격자화한 후, 각 격자 내를 내삽하는 방식으로 예측 지역의 지형 데이터를 추출한다.
마찬가지로, 초기장 생성부(220)는 전처리부(214)로부터 수신한 기상 데이터를 넓이 방향 및 높이 방향으로 보간한다. 초기장 생성부(220)는 수신한 기상 데이터를 토대로, 내삽하는 방식으로 예측 지역의 기상 데이터를 생성한다.
여기서, 보간은 선형 보간법, 이중 선형 보간법, 포물선 보간법, 다항식 보간법, 스플라인 보간법 등 경우에 따라 적절한 보간법이 사용될 수 있다.
초기장 생성부(220)는 추출된 예측 지역의 지형 데이터 및 기상 데이터를 토대로 초기장 및 경계장을 생성한다. 초기장은 예측 지역의 기상 정보를 예측함에 있어 사용되는 각 변수들의 초기값 정보를 장 형태로 제공하는 데이터로서, 시간 값이 1개인 3차원 데이터 형태에 해당한다. 초기값 정보들이 장 형태로 제공되며, 예측 지역의 모든 부분으로 초기값 정보가 형성된다. 한편, 경계장은 3차원 바람장을 추정함에 있어 사용되는 각 변수들의 경계 조건을 장 형태로 제공하는 데이터로서, 시간 값이 복수 개인 3차원 데이터 형태에 해당한다. 이처럼, 초기장 생성부(220)는 예측 지역 전체에 대한 초기장 및 경계장을 생성한다.
이때, 초기장 생성부(220)는 초기장 및 경계장을 생성함에 있어, 예측 지역을 복수의 섹터로 구분하여 각 섹터별로 생성한 후, 스티칭(Stitching)하는 방식으로 생성할 수 있다. 복수의 섹터로 구분하여 각 섹터별로 병렬적으로 초기장 및 경계장의 생성이 진행될 경우, 예측 지역 전체에 대한 초기장 및 경계장을 한번에 생성하게 될 경우 보다 생성 속도에 있어 현저히 증가할 수 있다. 초기장 생성부(220)는 예측 지역의 지리적 정보를 저장하고 있기 때문에, 초기장 및 경계장을 복수의 섹터로 구분하는 것과 다시 각각을 스티칭하는 것에 큰 곤란함을 갖지 않는다. 이에 따라, 초기장 생성부(220)는 예측 지역을 복수의 섹터로 구분하여 초기장 및 경계장을 생성하고 스티칭함으로서, 생성속도를 향상시킬 수 있다.
보정부(230)는 초기장 생성부(220)에서 생성된 초기장에 대해, 센서(110)에서 수신된 센싱값을 토대로 보정한다. 보정부(230)는 센서(110)가 센싱한 센싱값을 이용하여 초기장 생성부(220)에서 생성된 초기장을 보정한다. 전술한 대로, 예측 지역 내에는 복수의 센서(110)가 배치된다. 이때, 초기장을 생성함에 있어, 센싱값 중 어느 하나의 센싱값(예를 들어, 풍속의 경우 가장 강한 풍속을 갖는 센싱값)이 기상 데이터로서 이용된다. 보정부(230)는 해당 센싱값을 전송한 센서와 다른 위치에 배치된 센서의 센싱값을 보정에 이용한다. 보정부(230)는 초기장 생성부(220)에 의해 생성된 초기장 중 해당 센서의 위치에서의 초기값과 해당 센서의 센싱값을 비교하여 생성된 초기장의 정확도를 판단한다. 양자의 차이가 존재하지 않을 경우, 정확하게 보간되어 생성된 초기장이기 때문에, 보정부(230)는 별도의 보정을 수행하지 않는다. 다만, 양자의 차이가 존재할 경우, 보간이 부정확하게 수행된 초기장이기 때문에, 보정부(230)는 전처리부(210)가 수신한 기상 데이터(센싱값)와 함께 비교에 사용한 센싱값을 이용하여, 초기값과 센싱값의 차이가 줄어들도록 초기장을 보정한다.
기상 추정부(240)는 초기장 생성부(220)에서 생성된 초기장 또는 초기장 생성부(220)에서 생성되어 보정부(230)를 거친 초기장과 경계장을 수신하여 예측 지역의 기상 정보를 예측한다. 기상 추정부(240)는 예측모델로서 WRF 또는 디지털 트윈을 이용한다. 각 예측 모델로 초기장 및 경계장이 입력데이터로서 입력될 경우, 해당 모델들은 각각의 알고리즘에 의해 시계열적으로 예측 지역에서 시간의 경과에 따라 변화할 기상 정보를 예측한다. 예를 들어, 시간의 경과에 따라 대기 또는 지상에서의 기온이 어떻게 변화할 것인지, 습도나 풍속, 강수량은 어떻게 변화할 것인지를 추정한다.
WRF 모델은 상대적으로 정확도는 향상될 수 있으나 실시간성이 떨어지는 특징을 가지며, 디지털 트윈 모델은 상대적으로 실시간성은 우수하나 정확도가 상대적으로 떨어지는 특징을 갖는다. 기상 추정부(240)는 상황에 따라 보다 부합하는 모델을 선택적으로 이용하여, 수신한 초기장 및 경계장으로부터 기상정보를 예측한다.
이때, 기상 추정부(240)는 초기장 생성부(220)와 마찬가지로, 예측지역을 복수의 섹터로 분할하여 각 섹터 내에서 기상 정보를 예측한 후 스티칭할 수 있다. 이에 따라, 기상 추정부(240)의 기상 정보 예측 속도가 향상될 수 있다.
서리 예측부(250)는 기상 추정부(240)가 예측한 기상 정보를 토대로, 예측지역의 서리 발생 가능성을 예측한다. 전술한 대로, 서리 발생 가능성은 대기 온도, 초상온도, 습도, 풍속 및 강수량 각각이 각 기 설정된 기준치를 벗어나는 경우 현저히 떨어지게 된다. 대기 온도가 기 설정된 제1 기준치(예를 들어, 5℃) 이상인 경우, 초상 온도가 기 설정된 제2 기준치(예를 들어, 1℃) 이상인 경우, 풍속이 기 설정된 제3 기준치(예를 들어, 5m/s) 이상인 경우, 습도가 기 설정된 범위(25% 내지 80%)를 벗어나는 경우, 강수량이 기 설정된 제4 기준치(예를 들어, 수 mm) 이상인 경우, 각각 서리 발생 가능성은 현저히 낮아진다. 서리 예측부(250)는 예측된 기상 정보 각각이 기 설정된 기준치를 벗어나는지를 판단하여, 서리 발생 가능성을 예측한다. 모든 기상 정보가 전술한 기준치 또는 범위를 벗어나지 않을 경우, 해당 예측 지역의 서리 발생 가능성은 현저히 증가하게 된다. 서리 예측부(250)는 이와 같이 기상 정보의 변화를 미리 예측하여, 그에 따라 서리가 발생할 가능성을 예측하여 제공(사용자 단말에)함으로서, 과수 농가 등이 서리를 미리 예방할 수 있도록 하여 서리피해를 최소화할 수 있도록 한다.
서리 예측부(250)는 서리 발생 가능성을 예측함에 있어, 예측을 위한 학습모델을 저장하며 학습모델을 이용해 서리 발생 가능성을 예측할 수 있다. 학습모델은 각 기상정보(기온, 습도, 풍속, 강수량)를 입력값으로 그에 따라 서리가 발생하였는지 여부를 출력값으로 하여 일정한 모델(예를 들어, CNN, 퍼셉트론 등)을 이용해 학습한다. 이에 따라, 서리 예측부(250)는 학습모델에 기상 추정부(240)가 예측한 기상 정보를 입력함으로서, 그에 따른 서리 발생 가능성을 예측할 수 있다.
통신부(260)는 외부로부터 지형 데이터, 기상 데이터 및 센싱값을 수신하며, 예측된 서리 발생 가능성을 사용자 단말(130)로 전송한다.
도 3은 본 발명의 일 실시예에 따른 특정 지역의 다양한 기상 조건들을 예측하는 방법을 도시한 순서도이다.
전처리부(210)는 서리 발생 가능성을 예측하고자 하는 지역(예측 지역)의 지형 데이터 및 기상 데이터를 수신한다(S310). 지형 데이터 전처리부(214)는 외부로부터 예측 지역의 지형 데이터를, 기상 데이터 전처리부(218)는 예측 지역에 배치된 센서 중 가장 강한 풍속을 갖는 센싱값을 센싱한 센서로부터 센싱값을 수신한다.
전처리부(210)는 수신된 각 데이터들을 전처리한다(S320), 수신된 데이터들은 제각각의 형식을 갖기 때문에, 전처리부(210)는 초기장으로 생성될 수 있도록 하는 형식으로 변환한다.
초기장 생성부(220)는 전처리된 데이터들을 토대로 보간을 수행하며 초기장 및 경계장을 생성한다(S530).
보정부(230)는 일 위치에서 센싱된 센싱값과 생성된 초기장 내에서 해당 위치의 초기값을 비교한다(S540). 보정부(230)는 초기장 및 경계장 생성에 사용된 센서를 제외한 다른 위치의 센서의 센싱값을 수신하며, 해당 센서 위치에서의 초기장 내 초기값을 센싱값과 비교한다.
보정부(230)는 양자가 일치하는지를 판단한다(S550).
양자가 일치하지 않을 경우, 보정부(230)는 비교에 사용된 센싱값을 기초로 초기장을 보정한다(S560).
기상 추정부(240)는 생성된 초기장 및 경계장을 기초로 예측 지역의 기상 정보를 예측한다(S570). 바람장 생성부(240)는 초기장 생성부(220)에서 생성된 초기장 또는 보정부(230)에서 보정된 초기장과 초기장 생성부(220)에서 생성된 경계장을 이용하여 예측 지역 내 기상 정보를 예측한다.
도 4는 본 발명의 일 실시예에 따른 서리 예측 장치가 예측된 다양한 기상 조건들을 토대로 서리 발생 가능성을 예측하는 방법을 도시한 순서도이다.
서리 예측부(250)는 예측된 기상 정보의 각 성분들을 판단한다(S410).
서리 예측부(250)는 기상 정보의 각 성분이 각각에 설정된 기준치를 벗어나는지 여부를 판단한다(S420).
기상 정보 중 어느 하나의 성분이라도 각각에 설정된 기준치를 벗어나는 경우, 서리 예측부(250)는 서리 발생 가능성이 현저히 낮은 것으로 판단한다(S430).
기상 정보 중 모든 성분이 각각에 설정된 기준치를 벗어나지 않는 경우, 서리 예측부(250)는 서리 발생 가능성이 현저히 높은 것으로 판단한다(S430).
통신부(260)는 사용자 단말(130)로 서리 발생 가능성을 안내한다(S450).
도 5에서는 각 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 발명의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 발명의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 각 도면에 기재된 순서를 변경하여 실행하거나 각 과정 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 5는 시계열적인 순서로 한정되는 것은 아니다.
한편, 도 5에 도시된 과정들은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 즉, 컴퓨터가 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등) 및 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 서리 예측 시스템
110: 센서
120: 서리 예측장치
130: 사용자 단말
210: 전처리부
214: 지형 데이터 전처리부
218: 기상 데이터 전처리부
220: 초기장 생성부
230: 보정부
240: 기상추정부
250: 서리 예측부
260: 통신부
110: 센서
120: 서리 예측장치
130: 사용자 단말
210: 전처리부
214: 지형 데이터 전처리부
218: 기상 데이터 전처리부
220: 초기장 생성부
230: 보정부
240: 기상추정부
250: 서리 예측부
260: 통신부
Claims (12)
- 서리 발생 가능성을 예측하고자 하는 예측 지역의 서리 발생 가능성을 예측하는 서리 예측 시스템에 있어서,
예측 지역 또는 예측 지역으로부터 기 설정된 반경 내의 기 설정된 위치에 배치되어, 기상 정보를 센싱하는 센서;
상기 센서로부터 기상 정보 및 상기 예측 지역의 지형 데이터를 수신하여, 상기 예측 지역의 지형 데이터 및 기상 정보를 토대로 상기 예측 지역의 기상에 관한 초기장 및 경계장을 생성하고, 생성한 초기장 및 경계장을 토대로 예측모델을 이용해 상기 예측지역의 기상 정보를 예측하며, 예측한 기상 정보를 토대로 상기 예측 지역의 서리 발생 가능성을 예측하는 서리 예측장치; 및
상기 서리 예측장치로부터 서리 발생 가능성에 관한 정보를 수신하여 출력하는 사용자 단말을 포함하며,
상기 서리 예측장치는 생성된 초기장 중 상기 센서의 위치에서의 초기값과 상기 센서의 센싱값을 비교하여, 생성된 초기장의 정확도를 판단하거나 초기장을 보정하는 것을 특징으로 하는 서리 예측 시스템. - 제1항에 있어서,
상기 기상정보는,
기온, 습도, 풍속 및 강수량 중 일부 또는 전부를 포함하는 것을 특징으로 하는 서리 예측 시스템. - 제2항에 있어서,
상기 센서는,
기온에 있어 대기 온도와 초상 온도 각각을 센싱하는 것을 특징으로 하는 서리 예측 시스템. - 제1항에 있어서,
상기 센서는,
예측 지역 또는 예측 지역으로부터 기 설정된 반경 내의 기 설정된 위치에 하나 이상 배치되는 것을 특징으로 하는 서리 예측 시스템. - 제1항에 있어서,
상기 서리 예측장치는,
수신한 기상 정보 및 지형 데이터를 보간함으로서, 상기 예측 지역의 기상에 관한 초기장 및 경계장을 생성하는 것을 특징으로 하는 서리 예측 시스템. - 제1항에 있어서,
상기 서리 예측장치는,
예측한 각 기상 정보가 각각에 설정된 기준치를 벗어나는지 여부를 토대로 서리 발생 가능성을 예측하는 것을 특징으로 하는 서리 예측 시스템. - 서리 발생 가능성을 예측하고자 하는 예측 지역의 서리 발생 가능성을 예측하는 서리 예측 장치에 있어서,
외부로부터 수신한, 예측 지역을 포함한 지형 데이터 및 예측 지역 내 기상 정보를 전처리하는 전처리부;
상기 전처리부로부터 전처리된 데이터를 토대로, 예측 지역에서의 기상에 대한 초기장 및 경계장을 생성하는 초기장 생성부;
상기 초기장 생성부가 생성한 초기장 중 기상 정보를 센싱하는 센서의 위치에서의 초기값과 상기 센서의 센싱값을 비교하여, 생성된 초기장의 정확도를 판단하거나 초기장을 보정하는 보정부;
예측 모델을 이용하여 상기 초기장 생성부에서 생성된 초기장 및 경계장으로부터 예측 지역의 기상 정보를 예측하는 기상 추정부; 및
상기 기상 추정부가 예측한 기상 정보를 토대로 상기 예측 지역의 서리 발생 가능성을 예측하는 서리 예측부
를 포함하는 것을 특징으로 하는 서리 예측 장치. - 제7항에 있어서,
상기 기상 정보는,
상기 예측지역의 기온, 습도, 풍속 및 강수량 중 일부 또는 전부를 포함하는 것을 특징으로 하는 서리 예측 장치. - 제7항에 있어서,
상기 초기장 생성부는,
전처리된 데이터를 토대로 보간을 진행하여 예측 지역에서의 기상에 대한 초기장 및 경계장을 생성하는 것을 특징으로 하는 서리 예측 장치. - 제7항에 있어서,
상기 예측모델은,
WRF(Weather Research and Forecasting Model) 또는 디지털 트윈인 것을 특징으로 하는 서리 예측 장치. - 제10항에 있어서,
외부로부터 지형 데이터 및 기상 정보를 수신하거나, 예측된 서리 발생 가능성을 외부로 전송하는 통신부를 더 포함하는 것을 특징으로 하는 서리 예측 장치. - 제11항에 있어서,
상기 통신부는,
예측된 서리 발생 가능성을 사용자 단말로 전송하는 것을 특징으로 하는 서리 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220030411A KR102439241B1 (ko) | 2022-03-11 | 2022-03-11 | 인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220030411A KR102439241B1 (ko) | 2022-03-11 | 2022-03-11 | 인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102439241B1 true KR102439241B1 (ko) | 2022-09-01 |
Family
ID=83282068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220030411A KR102439241B1 (ko) | 2022-03-11 | 2022-03-11 | 인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102439241B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01277797A (ja) * | 1988-04-28 | 1989-11-08 | Hokkaido Prefecture | 霜発生予測装置 |
| KR970028616A (ko) * | 1997-03-05 | 1997-06-24 | 윤병균 | 서리예보장치 |
| JPH09304550A (ja) * | 1996-05-14 | 1997-11-28 | Oki Electric Ind Co Ltd | 地表面温度の予測方法 |
| JP2006189403A (ja) * | 2005-01-07 | 2006-07-20 | Iwate Prefecture | 降霜予測装置 |
| KR20190056747A (ko) * | 2017-11-17 | 2019-05-27 | 한국전자통신연구원 | 서리 예측 시스템 및 서리 예측 방법 |
-
2022
- 2022-03-11 KR KR1020220030411A patent/KR102439241B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01277797A (ja) * | 1988-04-28 | 1989-11-08 | Hokkaido Prefecture | 霜発生予測装置 |
| JPH09304550A (ja) * | 1996-05-14 | 1997-11-28 | Oki Electric Ind Co Ltd | 地表面温度の予測方法 |
| KR970028616A (ko) * | 1997-03-05 | 1997-06-24 | 윤병균 | 서리예보장치 |
| JP2006189403A (ja) * | 2005-01-07 | 2006-07-20 | Iwate Prefecture | 降霜予測装置 |
| KR20190056747A (ko) * | 2017-11-17 | 2019-05-27 | 한국전자통신연구원 | 서리 예측 시스템 및 서리 예측 방법 |
Non-Patent Citations (2)
| Title |
|---|
| 문애경 외 2명. 지능형 농업 서비스를 위한 미기상기반 스마트팜 예측 플랫폼 개발. 한국산업정보학회논문지. 2021.02.28., 제26권, 제1호, pp. 21-29 1부* * |
| 지준범 외 1명. 수도권 위험기상 감시를 위한 스톰규모 예측시스템 소개. 물과 미래. 2016.09.15., 제49권, 제9호, pp. 25-32 1부.* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102415455B1 (ko) | 예측모델을 이용해 바람 정보를 추정하기 위한 3차원 바람장 생성 장치 및 방법 | |
| JP5626056B2 (ja) | 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置 | |
| EP2583125A2 (en) | Estimation of wind conditions at a wind turbine | |
| AU2021100001A4 (en) | Scientific model for predicting change in rainfall using climatic raster data mining | |
| CN112613633B (zh) | 风电场的气象要素预测方法和装置 | |
| CN114067214B (zh) | 一种基于多模型融合卷积网络的暴雨识别方法和装置 | |
| CN110987066A (zh) | 一种实现自动矫正的海洋风速风向测量方法及系统 | |
| CN117760593B (zh) | 一种粮食作物仓储温度异常监测方法 | |
| Gualtieri | Improving investigation of wind turbine optimal site matching through the self-organizing maps | |
| CN112183273A (zh) | 一种基于光谱信息及气象数据的小麦条锈病监测方法 | |
| KR102439241B1 (ko) | 인공지능 모델을 이용해 서리 가능성을 예측하는 서리 예측장치, 방법 및 시스템 | |
| CN117371529B (zh) | 作物表型数据知识图谱生成方法、装置、电子设备及介质 | |
| Bayr et al. | Satellite-based forest monitoring: Spatial and temporal forecast of growing index and short-wave infrared band | |
| KR20170062298A (ko) | 풍속 내삽에 적용하기 위해 개선된 mk-prism 방법 | |
| CN117332702A (zh) | 基于ilstm的内涝水深预测与多因子时序分析方法 | |
| Zhu et al. | Improvement of typhoon rainfall prediction based on optimization of the Kain-Fritsch convection parameterization scheme using a micro-genetic algorithm | |
| KR102184813B1 (ko) | 유사기상을 이용한 벼 작황 예측 방법 | |
| CN115599598B (zh) | 一种电力负荷传感数据恢复方法和装置 | |
| KR102415456B1 (ko) | 방송 서비스를 위한 3차원 디지털 트윈 바람장 생성 장치 및 방법 | |
| CN112115984A (zh) | 基于深度学习的茶园异常数据校正方法、系统和存储介质 | |
| Han et al. | A morphing-based technique for the verification of precipitation forecasts | |
| Elghamrawy | An AI-Based Prediction Model for Climate Change Effects on Crop production using IoT | |
| JPH1096790A (ja) | 気象予測方法及び装置 | |
| Zeng et al. | Surface wind speed prediction in the canadian arctic using non-linear machine learning methods | |
| JP7164048B2 (ja) | 物体検知装置、学習方法、及び、プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |