KR102454007B1 - 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법 - Google Patents

인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법 Download PDF

Info

Publication number
KR102454007B1
KR102454007B1 KR1020220032519A KR20220032519A KR102454007B1 KR 102454007 B1 KR102454007 B1 KR 102454007B1 KR 1020220032519 A KR1020220032519 A KR 1020220032519A KR 20220032519 A KR20220032519 A KR 20220032519A KR 102454007 B1 KR102454007 B1 KR 102454007B1
Authority
KR
South Korea
Prior art keywords
insolation
solar
satellite
observed
data
Prior art date
Application number
KR1020220032519A
Other languages
English (en)
Inventor
장재철
손은하
이명희
Original Assignee
대한민국
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국 filed Critical 대한민국
Priority to KR1020220032519A priority Critical patent/KR102454007B1/ko
Application granted granted Critical
Publication of KR102454007B1 publication Critical patent/KR102454007B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • 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
    • G01W1/10—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

본 발명의 목적은 천리안위성 2A호에서 관측한 자료와 태양 천정각, 대기외 일사량을 합성곱 신경망 기반 일사량 산출 모델에 적용하여 일사량을 산출할 수 있도록 하는 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치는, 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 전처리부; 상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출하는 일사량 산출부; 상기 일사량 산출부에서 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출하는 화면 표시부;를 포함하는 것을 특징으로 한다.

Description

인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법{APPARATUS AND METHOD FOR CALCULATING SOLAR INSOLATION QUANTITY BASED ON ARTIFICIAL INTELLIGENCE USING ARTIFICIAL SATELLITE OBSERVATION DATA}
본 발명은 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법에 관한 것으로, 더욱 상세하게는 천리안위성 2A호에서 관측한 자료와 태양 천정각, 대기외 일사량을 합성곱 신경망 기반 일사량 산출 모델에 적용하여 일사량을 산출할 수 있도록 하는 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법에 관한 것이다.
일사량은 대기중 분자들과 에어로졸에 의한 산란과 흡수에 직접적인 영향을 받기 때문에 그 변동성이 매우 크다.
따라서, 지상일사센서인 일사계(Pyranometer)를 이용하여 일사량을 측정하는 것이 일반적이다.
이와 같이, 일사계를 이용한 지상 관측은 정밀한 정확도를 보여주지만, 지점 관측이라는 관측 영역의 한계를 내포하고 있다.
이러한 단점을 보완하고자 기상청에서는 2011년부터 천리안위성 1호와 2019년부터 천리안위성 2A호 관측 자료를 이론적 알고리즘에 적용하여 일사량을 산출하고 실황 관측을 지원하였다.
하지만, 이론적 알고리즘은 지구의 대기층을 물리적으로 모델링하고 이에 대한 인공위성 관측 자료와의 비교를 통한 순람표(look-up table)를 활용하기 때문에 물리적 모델링의 정확도에 크게 영향을 받게 된다.
또한, 기상청에서 산출하는 천리안위성 1호와 2A호 이론적 알고리즘 기반 일사량은 인공위성이 관측한 해당 화소에 대한 직달일사량이지만, 기상청에서 관측하는 일사량은 직달일사량과 산란일사량을 합한 전천일사량이기 때문에 서로 의미하는 바가 달라 직접적으로 비교하는데 한계가 있다.
또한, 일사량이 적극적으로 활용되는 농업과 기후, 신재생 에너지 활용 분야에서는 직달일사보다는 표면에 도달하는 일사량 전체를 의미하는 전천일사를 활용하기 때문에 기존의 천리안위성 관측자료 기반 일사량의 활용도는 저하될 수밖에 없다.
따라서, 지상 관측 일사량 자료의 관측 영역을 보완하기 위해서는 천리안위성 관측 자료를 활용하고, 전천일사량 산출에 적합한 모델을 구축하는 것이 필요하다.
대한민국 공개특허공보 제10-2020-0075881호(공개일 2020.06.26.)
상기한 바와 같은 종래의 문제점을 해결하기 위한 본 발명의 목적은 천리안위성 2A호에서 관측한 자료와 태양 천정각, 대기외 일사량을 합성곱 신경망 기반 일사량 산출 모델에 적용하여 일사량을 산출할 수 있도록 하는 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치는, 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 전처리부; 상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출하는 일사량 산출부; 상기 일사량 산출부에서 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출하는 화면 표시부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치에서, 상기 전처리부는, 인공위성의 기본 채널 16개와 배경 채널 2개를 통해 관측된 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치에서, 상기 전처리부는, 상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도, 태양 천정각, 대기외 일사량을 하기의 수학식 1을 통해 표준화하는 것을 특징으로 한다.
[수학식 1]
Figure 112022028196925-pat00001
여기서, X는 표준화 적용 전 입력자료, Xmean은 X의 평균 값, Xstd는 X의 표준편차, X'는 X의 표준화 적용 후 입력자료를 나타낸다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치에서, 상기 일사량 산출 모델은, 기설정된 기간 동안 상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 생성된 입력자료를 입력받고, 같은 기간 동안 기상청 종관기상관측소에서 관측된 일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치에서, 상기 일사량 산출 모델은, 상기 기상청 종관기상관측소에서 관측된 일사량 관측 자료 중에서 자료의 품질이 검증된 관측소의 일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하되, 각 관측소에서 관측된 관측 운량과 대기외 일사량을 곱한 값인 이론적 직달일사량과 각 관측소에서 관측된 전천일사량의 산포도를 분석하여 각 관측소에서 관측된 일사량 관측 자료의 품질을 검증하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치에서, 상기 일사량 산출부는, 상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 군집화하고, 영상 화소별로 군집화한 입력자료를 일사량 산출 모델에 입력하여 영상 화소별로 일사량을 산출하는 것을 특징으로 한다.
또한, 상기 목적을 달성하기 위해, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법은, 전처리부가, 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 단계; 일사량 산출부가, 상기 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출하는 단계; 화면 표시부가, 상기 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출하는 단계;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법에서, 상기 일사량 산출 모델의 입력자료를 생성하는 단계는, 인공위성의 기본 채널 16개와 배경 채널 2개를 통해 관측된 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 단계인 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법에서, 상기 일사량 산출 모델의 입력자료를 생성하는 단계는, 상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도, 태양 천정각, 대기외 일사량을 하기의 수학식 1을 통해 표준화하여 일사량 산출 모델의 입력자료를 생성하는 단계인 것을 특징으로 한다.
[수학식 1]
Figure 112022028196925-pat00002
여기서, X는 표준화 적용 전 입력자료, Xmean은 X의 평균 값, Xstd는 X의 표준편차, X'는 X의 표준화 적용 후 입력자료를 나타낸다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법에서, 상기 일사량 산출 모델은, 기설정된 기간 동안 상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 생성된 입력자료를 입력받고, 같은 기간 동안 기상청 종관기상관측소에서 관측된 일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법에서, 상기 일사량 산출 모델은, 상기 기상청 종관기상관측소에서 관측된 일사량 관측 자료 중에서 자료의 품질이 검증된 관측소의 일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하되, 각 관측소에서 관측된 관측 운량과 대기외 일사량을 곱한 값인 이론적 직달일사량과 각 관측소에서 관측된 전천일사량의 산포도를 분석하여 각 관측소에서 관측된 일사량 관측 자료의 품질을 검증하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법에서, 상기 일사량을 산출하는 단계는, 상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 군집화하고, 영상 화소별로 군집화한 입력자료를 일사량 산출 모델에 입력하여 영상 화소별로 일사량을 산출하는 단계인 것을 특징으로 한다.
기타 실시 예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시 예를 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 각 실시 예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.
본 발명에 의하면, 천리안위성 2A호에서 관측한 자료와 태양 천정각, 대기외 일사량을 합성곱 신경망 기반 일사량 산출 모델에 적용하여 지상에서 관측하는 수준의 일사량을 산출할 수 있게 된다.
이에 따라, 일사량 지상 관측 기기가 설치되어 있지 않더라도 사용자가 원하는 지역에 대한 일사량 정보를 보다 정확하고 편리하게 측정할 수 있게 된다.
또한, 인공위성 자료를 활용하여 일사량을 산출하므로, 실시간 일사량 공간 정보도 함께 제공할 수 있게 된다.
또한, 본 발명에 따라 산출된 일사량 정보는 날씨 예보뿐만 아니라 친환경 도시 조성 사업 지원, 스마트 시티 지원 사업, 태양광 발전 및 전력 지원 등 광범위하게 활용될 수 있다.
또한, 일사량 관측 자동화 및 공간 범위 확대에 도움이 될 것으로 예상된다.
또한, 초단기 예측 수치 모델에 입력자료로 적용할 수 있게 되고, 그로 인해 국지 기상 예보에 도움이 될 것으로 예상된다.
특히, 일사량 지상 관측 기기의 경우, 지속적인 관리 및 검·보정이 필요하며 관측 공간 해상도를 높이기 위해서는 큰 예산 및 인적 자원이 요구되지만, 본 발명에서는 이를 필요로 하지 않으므로, 일사량 지상 관측 기기와 관련한 인적·물적 자원을 절감할 수 있게 된다.
도 1은 본 발명에 적용되는 일사량 산출 모델의 구조를 개략적으로 보인 도면이다.
도 2는 기상청에서 운영하는 일사량 관측 종관기상관측소의 위치를 개략적으로 보인 도면이다.
도 3은 기설정된 기간 동안의 종관기상관측소별 관측 전천일사량과 이론적 직달일사량의 산포도를 보인 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치의 구성을 개략적으로 보인 도면이다.
도 5는 본 발명의 전처리부에서 수행하는 입력자료별 표준화를 위한 변수들을 예시적으로 보인 도면이다.
도 6은 본 발명에 적용되는 일사량 산출부에서의 일사량 산출 과정을 설명하기 위한 도면이다.
도 7은 본 발명에 따라 학습된 일사량 산출 모델의 내부 구조 및 정보를 예시적으로 보인 도면이다.
도 8은 본 발명에 적용되는 인공지능 모델의 학습 회수에 따른 정확도 변화 추이를 예시적으로 보인 도면이다.
도 9는 본 발명에 적용되는 인공지능 모델의 정확도를 예시적으로 보인 도면이다.
도 10은 본 발명에 따라 화면 표시부에 표출되는 영상을 예시적으로 보인 도면이다.
도 11은 본 발명에 따라 산출된 일사량과 지상 관측 일사량을 1시간 간격으로 지도에 나타낸 영상 화면을 예시적으로 보인 도면이다.
도 12는 본 발명의 일 실시예에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법을 설명하기 위한 처리도이다.
도 13은 본 발명의 일 실시예에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법을 구현시키기 위한 소프트웨어를 예시적으로 보인 도면이다.
본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있고, 더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.
즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시 예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니며, 이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.
또한, 본 명세서에서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있으며, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.
본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.
더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"라고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있고, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결하기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있으며, 이 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.
반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.
마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 사용된다면, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용되며, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.
또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 하며, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니된다.
또한, 본 명세서에서는 각 도면의 각 구성 요소에 대해서 그 도면 부호를 명기함에 있어서, 동일한 구성 요소에 대해서는 이 구성 요소가 비록 다른 도면에 표시되더라도 동일한 도면 부호를 가지고 있도록, 즉 명세서 전체에 걸쳐 동일한 참조 부호는 동일한 구성 요소를 지시하고 있다.
본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.
또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대해 상세한 설명은 생략될 수도 있다.
이하, 본 발명의 실시 예에 대해 관련 도면들을 참조하여 상세히 설명하기로 한다.
우선, 본 발명에서는 종래 문제점으로 언급한 이론적 알고리즘에 따른 한계성을 해결하고자 인공지능 기법을 활용한다.
인공지능 기법은 기존의 이론적 알고리즘으로 규정하기 어려운 자연 현상 및 그에 대한 관측 특성에 대해 분석이 가능하고, 도출한 관측 특성을 분석 대상 산출에 적용할 수 있다.
인공지능 기법으로는 합성곱 신경망(Convolutional Neural Network, CNN)이 이용될 수 있다.
합성곱 신경망은 시각적 영상을 분석하는데 사용되는 다층의 순방향(feedforward) 신경망의 한 종류이다.
합성곱 신경망은 필터링 기법을 인공신경망에 적용하여 이미지를 효과적으로 처리할 수 있는 심층 신경망 기법으로, 행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되는 과정을 통해 이미지를 분류하는 기법이다.
일반적으로 인공신경망은 도 1에 도시하는 바와 같이, 입력층(Input layer), 수많은 뉴런(neuron)으로 이루어진 은닉층(Hidden layer), 출력층(Output layer)으로 구성되며, 합성곱 신경망의 경우, 은닉층에 합성곱을 활용하는 은닉층을 사용하게 된다.
인공지능 기법으로 합성곱 신경망을 채택한 이유에 대해 좀 더 설명하면 다음과 같다.
본 발명에서 인공지능 모델 학습의 목표 값으로 활용되는 전천일사량 관측 자료는 기상청 종관기상관측소에서 매분 관측하고 있으며, 지상 관측 자료의 특이값(Outlier)을 제거하여 자료의 질을 향상시키기 위해 기상청에서는 실시간 품질 관리를 적용한 후 1시간 누적 일사량으로 처리하여 자료를 배포하고 있다.
기상청이 관리하는 종관기상관측소는 한반도 기준 총 96개소이지만, 일사량을 관측하는 관측소는 44개소이다(도 2 참조).
일사량은 구름, 태양 등의 기상학적 조건에 따라 급격히 변화하는 특징을 갖고 있으며, 전천일사량의 경우, 태양으로부터 산란 없이 직접적으로 도달되는 직달일사와 대기중 에어로졸과 분자에 의해 산란되어 도달하는 산란일사를 모두 포함하기 때문에 관측 지점에서의 기상학적 조건뿐만 아니라 주변의 기상학적 조건까지도 같이 고려해야 한다.
따라서, 본 발명의 실시예에서는 해당 지점뿐만 아니라 주변의 기상학적 조건까지도 고려하기 위해 영상 분석에 적합한 합성곱 신경망 기법을 활용한다.
또한, 목표 값의 정밀도를 개선하기 위해 영상 분석에 적합한 합성곱층과 변수 계산에 적합한 완전 연결층(fully-connected layer)을 상호 연결하여 인공지능 모델(일사량 산출 모델)의 구조를 구축하여 일사량 산출 성능을 향상시키고자 한다(도 1 참조).
또한, 본 발명의 실시예에서는 일사량 산출 모델의 성능을 저하시키는 관측소의 관측 자료를 제거하여 인공지능 모델을 학습한다.
인공지능 모델의 경우, 입력 자료와 목표 값 사이의 비선형적 관계성을 분석하여 최대한 목표 값과 유사하게 산출되도록 학습하게 된다.
그러나, 목표 값에 품질이 의심되는 자료가 포함되는 경우, 이는 인공지능 모델의 학습에 영향을 주고, 모델의 정확도를 저하시키는 요인으로 작용한다.
따라서, 본 발명에 적용되는 인공지능 모델 즉, 일사량 산출 모델을 학습시키기 전 목표 값인 기상청 종관기상관측소에서 관측된 일사량 관측 자료의 정확도를 먼저 검토한다.
관측 자료를 검토하는 과정에 객관성을 부여하기 위해 이론적 대기외 일사량(Extraterrestrial solar radiation, ESR)을 계산하여 비교한다.
대기외 일사량은 구름과 대기중 분자, 에어로졸에 의한 산란이 없다고 가정했을 때의 직달일사를 의미하며, 해당 지점에서 관측된 관측 운량과 대기외 일사량을 곱한 값을 이론적 직달일사량이라 정의한다.
이론적 직달일사량과 관측 전천일사량의 산포도를 분석하여 품질 저하 지점을 판단한다(도 3 참조).
구름과 대기중 산란에 의해 서로 일치할 수 없지만, 대다수의 관측소에서는 일정한 관계성이 나타난다.
일반적으로 일대일 선의 밑으로 한 개의 회귀선이 분포하는 것으로 나타나지만, 7개소(115, 169, 172, 254, 255, 257, 258)에서는 일대일 선의 밑으로 두 개의 회귀선이 분포하는 것으로 나타난다.
이는 해당 관측 지점의 관측 자료 품질 관리 혹은 관측 환경에 문제가 있어서 나타난 것으로 판단하여, 본 발명의 실시예에서는 이 7개소를 제외한 37개소의 종관기상관측소의 자료를 인공지능 모델(일사량 산출 모델)의 목표 값으로 설정하여 학습시킨다.
또한, 본 발명의 실시예에서는 일사량을 산출하기 위해 천리안위성 2A호 기본 채널 자료와 30일 배경 채널 자료, 태양 천정각, 대기외 일사량을 사용한다.
태양으로부터 지구로 전달되는 복사 에너지는 대기 중 에어로졸과 분자, 구름 등에 의해 흡수, 산란, 반사되면서 감쇄하게 되고, 감쇄된 태양 복사 에너지가 표면에 도달하는 양을 일사량이라 한다.
따라서 본 발명의 실시예에서는 일사량을 산출하기 위해 태양으로부터 지구로 전달되는 복사 에너지를 가리키는 대기외 일사량을 사용한다.
또한, 태양으로부터 유입되는 일사량은 태양 천정각에 직접적으로 영향을 받기 때문에 태양 천정각을 사용한다.
그리고, 대기외 일사량이 지구로 유입되면서 대기 환경에 따른 감쇄 효과를 반영하기 위해 인공위성, 예를 들어 천리안위성 2A호 관측 자료를 사용한다.
천리안위성 2A호는 16개의 기본 채널(0.47㎛, 0.51㎛, 0.64㎛, 0.86㎛, 1.37㎛, 1.6㎛, 3.8㎛, 6.3㎛, 6.9㎛, 7.3㎛, 8.7㎛, 9.6㎛, 10.5㎛, 11.2㎛, 12.3㎛, 13.3㎛)로 지구 환경을 관측하고 있으며, 각 파장대 별로 고유한 물리적 특성을 보이기 때문에 지구의 대기 환경을 실시간으로 감시하기에 유리하다.
하지만, 인공위성에서 반사도와 밝기온도만을 관측하고, 비슷한 구름이 분포하더라도 계절에 따라 구름의 반사도와 밝기온도는 달라진다.
따라서, 채널의 절대값을 활용하는 경우, 구름 탐지, 황사 탐지 등 대기 환경 감시에서의 정확도 하락을 유발한다.
따라서, 본 발명의 실시예에서는 계절에 따른 대기 환경의 물리적 특성 변화를 반영하기 위해 0.64㎛ 채널과 10.5㎛ 채널의 30일 배경 채널 자료를 추가적으로 사용한다.
30일 배경 채널 자료와 기본 채널 자료와의 차이를 계산하여 활용하면 계절에 따른 반사도와 밝기온도의 변화를 반영할 수 있기에 더 정확한 대기 환경 모의가 가능하고 이는 일사량 산출 정확도 개선을 보장할 수 있게 된다.
도 4는 본 발명의 일 실시예에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치의 구성을 개략적으로 보인 도면이다.
도 4에 도시하는 바와 같이, 본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치(100)는 전처리부(110), 일사량 산출부(120), 화면 표시부(130) 등을 포함하여 이루어질 수 있다.
여기서, 전처리부(110)는 기상 관측을 수행하는 인공위성 예를 들어, 천리안위성 2A호에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성한다.
구체적으로 전처리부(110)는 천리안위성 2A호의 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도), 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성한다.
일사량 산출부(120)는 전처리부(110)에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출한다.
여기서, 본 발명에 적용되는 일사량 산출 모델은 합성곱 신경망을 기반으로 구축된 인공지능 모델이다.
일사량 산출부(120)가 입력자료를 일사량 산출 모델에 입력하여 일사량을 산출하기 위해서는, 일사량 산출 모델의 학습이 우선되어야 한다.
일사량 산출 모델은 기설정된 기간 동안 천리안위성 2A호를 통해 관측된 자료 즉, 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도)와 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 표준화하여 생성된 입력자료를 입력받고, 같은 기간 동안 기상청 종관기상관측소에서 관측된 일사량 관측 자료를 목표 값으로 설정받아 학습을 수행할 수 있다.
화면 표시부(130)는 일사량 산출부(120)에서 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출한다.
앞서 설명한 바와 같이, 전처리부(110)는 천리안위성 2A호의 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도), 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성한다.
기존의 인공위성은 밝기온도와 반사도만을 관측하기 때문에, 같은 기상 현상이더라도 밝기온도와 반사도 값이 상이하게 나타날 수 있고, 다른 기상 현상이더라도 밝기온도와 반사도 값이 비슷하게 나오는 경우가 있다.
하지만, 천리안위성 2A호는 16개의 파장대를 활용하여 밝기온도와 반사도 값을 관측하기 때문에 기존의 인공위성보다 다양한 기상 현상을 관측할 수 있으며, 기상 환경을 보다 정확하게 감시할 수 있게 된다.
이와 같이, 활용하는 채널을 다양화하여 기상 현상별 구분 능력은 개선되었지만, 오탐지는 여전히 존재한다.
따라서, 본 발명의 실시예에서는 오탐지를 개선하기 위해 30일 배경 채널 자료 2종을 추가적으로 사용한다.
30일 배경 채널 자료와 기본 채널 자료와의 차이를 계산하여 활용하게 되면, 계절별로 변화하는 지구 환경을 반영할 수 있게 된다.
이로 인해, 반사도와 밝기온도의 절대값 만으로는 구분이 불가능한 기상현상을 좀 더 정확하게 탐지할 수 있게 된다.
도 5는 본 발명의 전처리부(110)에서 수행하는 입력자료별 표준화를 위한 변수들을 예시적으로 보인 도면이다.
입력자료별 표준화 변수들(평균 값, 표준편차)은 천리안위성 2A호의 관측 자료를 2019년 7월 25일부터 2020년 7월 31일까지 약 1년 동안 누적하여 분석한 결과이다.
전처리부(110)는 천리안위성 2A호의 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도), 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 하기의 수학식 1을 통해 표준화할 수 있다.
Figure 112022028196925-pat00003
여기서, X는 표준화 적용 전 입력자료, Xmean은 X의 평균 값, Xstd는 X의 표준편차, X'는 X의 표준화 적용 후 입력자료를 나타낸다.
전술한 바와 같이, 입력자료를 인공지능 모델 즉, 일사량 산출 모델에 입력하기 전에 입력자료를 표준화하는 이유는, 입력자료별로 규모(단위)가 다르기 때문이다.
일반적으로 반사도는 0부터 1사이의 값으로 나타나지만, 밝기온도는 0k부터 350k까지 나타난다.
이와 같이, 규모(단위) 차이가 나는 입력자료(입력변수)를 표준화 없이 적용하게 되면, 인공지능 모델의 각 뉴런의 가중치(weight)와 바이어스(bias)는 규모(단위)가 큰 변수에 좀 더 크게 영향을 받게 된다.
이러한 경우, 인공지능 모델의 학습 방향이 전체구간에서의 최소 값을 찾는 것이 아니라 특정 구간에서의 최소 값을 찾는 이른바, 국지 최소 값(Local minimum) 문제에 봉착할 수 있다.
학습이 계속 진행되어 국지 최소 값이 아닌 전체 최소 값을 찾게 되더라도 학습에 소요되는 시간이 급격하게 증가하게 된다.
이를 해결하기 위해 본 발명의 실시예에서는 모든 입력자료(입력변수)를 비슷한 규모로 표준화하는 과정을 수행한다.
입력자료가 모두 비슷한 크기의 규모를 갖게 되면 학습의 성능도 향상될 뿐만 아니라 학습에 소요되는 시간도 개선될 수 있다.
한편, 일사량 산출부(120)는 전처리부(110)에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출한다.
도 6은 본 발명에 적용되는 일사량 산출부(120)에서의 일사량 산출 과정을 설명하기 위한 도면이다.
기상 관측을 수행하는 인공위성 예를 들어, 천리안위성 2A호에서 관측된 한반도 영역 관측자료는 가로, 세로 모두 900개의 화소로 구성되어 있으며(900×900), 전처리부(110)에서 생성된 입력자료를 적용할 때, 각 화소별로 입력자료를 따로 군집화하여 인공지능 모델(일사량 산출 모델)에 적용하게 된다.
본 발명의 실시예에서는 가로, 세로 2×2km2의 화소를 3×3 즉, 6×6km2으로 군집화한다.
인공지능 모델에 적용되어 계산된 일사량은 입력된 위치에 따라 화소별로 배열된다.
각 화소별로 계산하여 최종 영상표출은 900×900 화소로 표출되도록 구성한다.
이를 좀 더 자세히 설명하면 다음과 같다.
본 발명은 지상 관측 전천일사량을 보완할 수준의 정확도를 보유한 인공위성 기반 일사량을 산출하는 것이 목표이므로, 직달일사량과 산란일사량을 모두 고려해야 한다.
인공위성에서 관측하는 특정 화소에 대한 물리 값은 특정 화소로 유입되는 직달일사량만을 고려하게 되기 때문에, 산란일사량을 고려하기 위해서는 주변의 기상환경을 반영해야 한다.
이에 본 발명의 실시예에서는 주변 화소를 포함하는 3×3 크기(6×6km)로 화소를 군집화하여 인공지능 모델(일사량 산출 모델)의 구조를 설계한다.
인공지능 모델(일사량 산출 모델)의 입력층은 입력변수가 20종이므로(기본 채널 자료 16종, 배경 채널 자료 2종, 태양 천정각, 대기외 일사량), 도 6에 도시하는 바와 같이, (900×900, 3×3, 20)으로 설정한다. 여기서, 900×900은 화소의 개수이다.
그리고 본 발명에서 인공지능 기법으로 채택된 합성곱 신경망에 평활화층(flatten layer)을 조합하여 입력층에서 받은 자료를 (900×900, 512)로 설계하고, 완전 연결층을 연결하여 (900×900, 1024), (900×900, 512)로 구조를 구성하고, 출력층은 (900×900, 1)로 설정한다.
이와 같이, 인공지능 모델(일사량 산출 모델)의 구조를 구성하게 되면, 전체 매개변수의 개수는 도 7에 도시하는 바와 같이, 1,061,441개이고, 학습 가능한 변수는 1,057,345개이다.
본 발명에 적용되는 인공지능 모델(일사량 산출 모델)은 천리안위성 2A호 운영 시작 시기인 2019년 7월 25일부터 2020년 7월 31일까지 약 1년 동안의 인공위성 관측 자료를 기반으로 학습된 모델로, 최적화 함수로는 ADAM(A Method for stochastic optimization) 함수를 활용한다.
ADAM 함수는 매개변수의 수정 방향에 따른 손실(loss) 함수의 변화 정도를 복합적으로 반영하기 때문에 대다수의 인공지능 훈련 문제에서 우수한 정확도를 보였으며, 현재 인공지능 모델 학습에서 가장 일반적으로 활용되는 활성화 함수이다.
도 8은 본 발명에 적용되는 인공지능 모델의 학습 회수에 따른 정확도 변화 추이를 예시적으로 보인 도면이다.
도 8에 도시하는 바와 같이, 평균 제곱근 오차(root-mean-square error, RMSE)와 평균 절대 오차(mean absolute error, MAE)를 기준으로 본 발명에 적용되는 인공지능 모델(일사량 산출 모델)의 훈련 상황을 파악한다.
훈련 시행 회수가 증가함에 따라 훈련 자료에서의 정확도는 빠르게 감소하지만, 검증 자료에서의 정확도는 변동성이 다소 나타나는 것을 확인할 수 있다.
훈련 시행 회수가 30을 넘어가면서부터 검증 자료에서의 정확도도 차츰 안정된 수준으로 나타났으며, 60까지는 인공지능 모델의 정확도가 근소하게 개선되는 것으로 나타났다.
훈련 시행 회수가 100에 도달했을 때는 인공지능 모델의 정확도가 더 이상 개선되지 않고 특정 수준에 수렴하는 것으로 나타났으며, 훈련 자료와 검증 자료 모두 평균 제곱근 오차는 0.13 MJ m-2, 평균 절대 오차는 0.07 MJ m-2 수준으로 나타났다.
도 9는 본 발명에 적용되는 인공지능 모델의 정확도를 예시적으로 보인 도면이다.
본 발명에 적용되는 인공지능 모델을 학습시킬 때 2019년 7월 25일부터 2020년 7월 31일까지의 자료를 활용했으므로, 본 발명에 적용되는 인공지능 모델의 성능을 평가하기 위한 자료로는 2020년 8월 1일부터 2021년 7월 31일까지의 1년 동안의 자료를 활용하고, 태양 천정각이 90°이하인 낮 시간 자료만을 활용하였다.
이와 같이, 학습 자료의 기간과 모델 검증 자료의 기간을 분리함으로써, 인공지능 모델 평가의 객관성을 확보하였다.
검증 자료의 수는 192,822개이고, 평균 제곱근 오차는 0.24 MJ m-2, 편향은 -0.05 MJ m-2, 평균 절대 오차는 0.15 MJ m-2, 표준 편차는 0.23 MJ m-2, 상관 계수는 0.97로 나타나는 것을 확인할 수 있다.
이를 통해 본 발명에 적용되는 인공지능 모델(일사량 산출 모델)이 지상 관측 일사량을 정확하게 모의하는 것을 확인할 수 있다.
도 10은 본 발명에 따라 화면 표시부에 표출되는 영상을 예시적으로 보인 도면이다.
본 발명의 실시예에서 영상은 LCC(Lambert conformal conic) 도법으로 표출될 수 있으며, LCC 도법은 기상청 국가기상위성센터에서 천리안위성 2A호 한반도 관측 영상을 그리는 표준 도법이다.
표출 자료와 컬러 영상의 해상도는 화소당 2km로, 총 900×900 화소 크기를 갖는다.
표출 색상은 jet 컬러맵을 활용하였으며, 지상 관측 일사량 자료의 일반적 범위인 0 MJ m-2부터 4.5 MJ m-2까지로 표현한다.
도 11은 본 발명에 따라 산출된 일사량과 지상 관측 일사량을 1시간 간격으로 지도에 나타낸 영상 화면을 예시적으로 보인 도면으로, 이를 통해 일사량 산출물의 실시간 품질 관리 및 실시간 일사량 실황 감시, 기상 예보 등을 지원할 수 있게 된다.
도 12는 본 발명의 일 실시예에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법을 설명하기 위한 처리도이다.
본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법은 도 4에 도시된 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치(100)와 실질적으로 동일한 구성 상에서 진행되므로, 도 4의 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치(100)와 동일한 구성 요소에 대해 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하기로 한다.
우선, 단계 S10에서 전처리부(110)는 기상 관측을 수행하는 인공위성 예를 들어, 천리안위성 2A호에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성한다.
상기한 단계 S10에서 전처리부(110)는 천리안위성 2A호의 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도), 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성한다.
상기한 단계 S10에서 전처리부(110)는 앞서 설명한 수학식 1을 통해 천리안위성 2A호의 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도), 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 표준화할 수 있다.
이후, 단계 S20에서는 일사량 산출부(120)가 전처리부(110)에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출한다.
상기한 단계 S20에서 일사량 산출부(120)는 전처리부(110)에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 군집화하고, 영상 화소별로 군집화한 입력자료를 일사량 산출 모델에 입력하여 영상 화소별로 일사량을 산출할 수 있다.
상기한 단계 S20에서 입력자료를 일사량 산출 모델에 입력하여 일사량을 산출하기 위해서는, 일사량 산출 모델의 학습이 우선되어야 한다.
일사량 산출 모델은 기설정된 기간 동안 천리안위성 2A호를 통해 관측된 자료 즉, 기본 채널 16개를 통해 관측한 자료(밝기온도와 반사도)와 배경 채널 2개를 통해 관측한 자료(밝기온도와 반사도), 태양 천정각, 대기외 일사량을 표준화하여 생성된 입력자료를 입력받고, 같은 기간 동안 기상청 종관기상관측소에서 관측된 일사량 관측 자료를 목표 값으로 설정받아 학습을 수행할 수 있다.
이후, 단계 S30에서는 화면 표시부(130)가 일사량 산출부(120)에서 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출한다.
도 13은 본 발명의 일 실시예에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법을 구현시키기 위한 소프트웨어를 예시적으로 보인 도면이다.
본 발명에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다.
이와 같이, 본 발명에 의하면, 천리안위성 2A호에서 관측한 자료와 태양 천정각, 대기외 일사량을 합성곱 신경망 기반 일사량 산출 모델에 적용하여 지상에서 관측하는 수준의 일사량을 산출할 수 있게 된다.
이에 따라, 일사량 지상 관측 기기가 설치되어 있지 않더라도 사용자가 원하는 지역에 대한 일사량 정보를 보다 정확하고 편리하게 측정할 수 있게 된다.
또한, 인공위성 자료를 활용하여 일사량을 산출하므로, 실시간 일사량 공간 정보도 함께 제공할 수 있게 된다.
또한, 본 발명에 따라 산출된 일사량 정보는 날씨 예보뿐만 아니라 친환경 도시 조성 사업 지원, 스마트 시티 지원 사업, 태양광 발전 및 전력 지원 등 광범위하게 활용될 수 있다.
또한, 일사량 관측 자동화 및 공간 범위 확대에 도움이 될 것으로 예상된다.
또한, 초단기 예측 수치 모델에 입력자료로 적용 가능하기 때문에 국지 기상 예보에 도움이 될 것으로 예상된다.
특히, 일사량 지상 관측 기기의 경우, 지속적인 관리 및 검·보정이 필요하며 관측 공간 해상도를 높이기 위해서는 큰 예산 및 인적 자원이 요구되지만, 본 발명에서는 이를 필요로 하지 않으므로, 일사량 지상 관측 기기와 관련한 인적·물적 자원을 절감할 수 있게 된다.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시 예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시 예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.
또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.
100. 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치,
110. 전처리부,
120. 일사량 산출부,
130. 화면 표시부

Claims (13)

  1. 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 전처리부;
    상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출하는 일사량 산출부;
    상기 일사량 산출부에서 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출하는 화면 표시부;를 포함하며,
    상기 일사량 산출 모델은,
    기설정된 기간 동안 상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 생성된 입력자료를 입력받고, 같은 기간 동안 기상청 종관기상관측소에서 관측된 전천일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치.
  2. 제1항에 있어서,
    상기 전처리부는,
    인공위성의 기본 채널 16개와 배경 채널 2개를 통해 관측된 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치.
  3. 제1항에 있어서,
    상기 전처리부는,
    상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도, 태양 천정각, 대기외 일사량을 하기의 수학식 1을 통해 표준화하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치.
    [수학식 1]
    Figure 112022028196925-pat00004

    여기서, X는 표준화 적용 전 입력자료, Xmean은 X의 평균 값, Xstd는 X의 표준편차, X'는 X의 표준화 적용 후 입력자료를 나타낸다.
  4. 삭제
  5. 제1항에 있어서,
    상기 일사량 산출 모델은,
    상기 기상청 종관기상관측소에서 관측된 일사량 관측 자료 중에서 자료의 품질이 검증된 관측소의 일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하되,
    각 관측소에서 관측된 관측 운량과 대기외 일사량을 곱한 값인 이론적 직달일사량과 각 관측소에서 관측된 전천일사량의 산포도를 분석하여 각 관측소에서 관측된 일사량 관측 자료의 품질을 검증하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치.
  6. 제1항에 있어서,
    상기 일사량 산출부는,
    상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 군집화하고, 영상 화소별로 군집화한 입력자료를 일사량 산출 모델에 입력하여 영상 화소별로 일사량을 산출하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치.
  7. 전처리부가, 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 단계;
    일사량 산출부가, 상기 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 배열한 후, 이를 일사량 산출 모델에 입력하여 인공위성 영상 화소별로 일사량을 산출하는 단계;
    화면 표시부가, 상기 산출된 일사량과 지상 관측 일사량을 영상 및 지점별 분포 정보로 표출하는 단계;를 포함하며,
    상기 일사량 산출 모델은,
    기설정된 기간 동안 상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 생성된 입력자료를 입력받고, 같은 기간 동안 기상청 종관기상관측소에서 관측된 전천일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법.
  8. 제7항에 있어서,
    상기 일사량 산출 모델의 입력자료를 생성하는 단계는,
    인공위성의 기본 채널 16개와 배경 채널 2개를 통해 관측된 밝기온도와 반사도를 표준화하고, 태양 천정각과 대기외 일사량을 표준화하여 일사량 산출 모델의 입력자료를 생성하는 단계인 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법.
  9. 제7항에 있어서,
    상기 일사량 산출 모델의 입력자료를 생성하는 단계는,
    상기 인공위성에서 관측된 후 전송되는 밝기온도와 반사도, 태양 천정각, 대기외 일사량을 하기의 수학식 1을 통해 표준화하여 일사량 산출 모델의 입력자료를 생성하는 단계인 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법.
    [수학식 1]
    Figure 112022028196925-pat00005

    여기서, X는 표준화 적용 전 입력자료, Xmean은 X의 평균 값, Xstd는 X의 표준편차, X'는 X의 표준화 적용 후 입력자료를 나타낸다.
  10. 삭제
  11. 제7항에 있어서,
    상기 일사량 산출 모델은,
    상기 기상청 종관기상관측소에서 관측된 일사량 관측 자료 중에서 자료의 품질이 검증된 관측소의 일사량 관측 자료를 목표 값으로 설정받아 학습을 선행하되,
    각 관측소에서 관측된 관측 운량과 대기외 일사량을 곱한 값인 이론적 직달일사량과 각 관측소에서 관측된 전천일사량의 산포도를 분석하여 각 관측소에서 관측된 일사량 관측 자료의 품질을 검증하는 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법.
  12. 제7항에 있어서,
    상기 일사량을 산출하는 단계는,
    상기 전처리부에서 생성된 일사량 산출 모델의 입력자료를 영상 화소별로 군집화하고, 영상 화소별로 군집화한 입력자료를 일사량 산출 모델에 입력하여 영상 화소별로 일사량을 산출하는 단계인 것을 특징으로 하는,
    인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법.
  13. 제7항 내지 제9항, 제11항, 제12항 중 어느 하나의 항에 따른 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020220032519A 2022-03-16 2022-03-16 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법 KR102454007B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220032519A KR102454007B1 (ko) 2022-03-16 2022-03-16 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220032519A KR102454007B1 (ko) 2022-03-16 2022-03-16 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102454007B1 true KR102454007B1 (ko) 2022-10-14

Family

ID=83599817

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220032519A KR102454007B1 (ko) 2022-03-16 2022-03-16 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102454007B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102584907B1 (ko) * 2022-11-09 2023-10-05 주식회사 티에스엠테크놀로지 건물 에너지 관리 서버 및 건물 에너지 관리 프로그램
CN117493755A (zh) * 2023-12-29 2024-02-02 北京华云东方探测技术有限公司 一种基准辐射观测数据处理方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3751737B2 (ja) * 1998-01-21 2006-03-01 富士通株式会社 衛星画像データを用いた日射量推定システム、方法及び記録媒体
JP2017090442A (ja) * 2015-11-02 2017-05-25 日本ユニシス株式会社 日射量推定装置、及び日射量推定方法
KR20200075881A (ko) 2017-11-30 2020-06-26 한국에너지기술연구원 인공신경망 기법을 이용한 일사량 산출을 위한 위성영상분석모델 생성 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3751737B2 (ja) * 1998-01-21 2006-03-01 富士通株式会社 衛星画像データを用いた日射量推定システム、方法及び記録媒体
JP2017090442A (ja) * 2015-11-02 2017-05-25 日本ユニシス株式会社 日射量推定装置、及び日射量推定方法
KR20200075881A (ko) 2017-11-30 2020-06-26 한국에너지기술연구원 인공신경망 기법을 이용한 일사량 산출을 위한 위성영상분석모델 생성 방법 및 시스템
KR102404712B1 (ko) * 2017-11-30 2022-06-29 한국에너지기술연구원 인공신경망 기법을 이용한 일사량 산출을 위한 위성영상분석모델 생성 방법 및 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
국가기상위성센터. ‘표면도달일사량(INS: Insolation) 알고리즘 기술 분석서 (INS-v5.0)’. 국가기상위성센터. (2012.12.12.) 1부.* *
김인환 외 2명. GOES-9과 MTSAT-1R 위성 간의 일사량 산출의 연속성과 일관성 확보를 위한 구름 감쇠 계수의 조정. 대한원격탐사학회지. 2012.02.29, 제28권, 제1호, pp.69-77 *
백종진 외 3명. 천리안 위성의 일사량 검증: 설마천, 청미천. Korean Journal of Remote Sensing. 2013.02.28, 제29권, 제1호, pp.137-149 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102584907B1 (ko) * 2022-11-09 2023-10-05 주식회사 티에스엠테크놀로지 건물 에너지 관리 서버 및 건물 에너지 관리 프로그램
CN117493755A (zh) * 2023-12-29 2024-02-02 北京华云东方探测技术有限公司 一种基准辐射观测数据处理方法和系统
CN117493755B (zh) * 2023-12-29 2024-04-30 北京华云东方探测技术有限公司 一种基准辐射观测数据处理方法和系统

Similar Documents

Publication Publication Date Title
Wang et al. Temperature error correction based on BP neural network in meteorological wireless sensor network
US20210271934A1 (en) Method and System for Predicting Wildfire Hazard and Spread at Multiple Time Scales
Sperati et al. An application of the ECMWF Ensemble Prediction System for short-term solar power forecasting
KR102454007B1 (ko) 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법
Gutierrez-Corea et al. Forecasting short-term solar irradiance based on artificial neural networks and data from neighboring meteorological stations
Lima et al. Forecast for surface solar irradiance at the Brazilian Northeastern region using NWP model and artificial neural networks
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
Wang et al. Fast domain-aware neural network emulation of a planetary boundary layer parameterization in a numerical weather forecast model
CN112307884B (zh) 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备
Dos Santos et al. Water demand forecasting model for the metropolitan area of São Paulo, Brazil
Alonso-Montesinos et al. The use of a sky camera for solar radiation estimation based on digital image processing
US20210208307A1 (en) Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level
Ebrahim et al. Downscaling technique uncertainty in assessing hydrological impact of climate change in the Upper Beles River Basin, Ethiopia
KR20220095092A (ko) 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치
Rafiee et al. Interactive 3D geodesign tool for multidisciplinary wind turbine planning
Wambua et al. Drought forecasting using indices and Artificial Neural Networks for upper Tana River basin, Kenya-A review concept
Hanslian et al. Combining the VAS 3D interpolation method and Wind Atlas methodology to produce a high-resolution wind resource map for the Czech Republic
Thompson et al. Iowa urban FEWS: Integrating social and biophysical models for exploration of urban food, energy, and water systems
Chang et al. Development of fine-scale spatiotemporal temperature forecast model with urban climatology and geomorphometry in Hong Kong
Weesakul et al. Deep learning neural network: A machine learning approach for monthly rainfall forecast, case study in eastern region of Thailand
Zhang et al. SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks
Zhang et al. Spatial and temporal variation of ecological quality in northeastern China and analysis of influencing factors
Tehrani et al. Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking
CN107229916A (zh) 一种基于深度降噪自编码的机场噪声监测数据修复方法
Varentsov et al. Citizen weather stations data for monitoring applications and urban climate research: an example of Moscow megacity

Legal Events

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