KR102478665B1 - 통계 및 역학적 태풍 기후 예측 장치 및 방법 - Google Patents

통계 및 역학적 태풍 기후 예측 장치 및 방법 Download PDF

Info

Publication number
KR102478665B1
KR102478665B1 KR1020210027379A KR20210027379A KR102478665B1 KR 102478665 B1 KR102478665 B1 KR 102478665B1 KR 1020210027379 A KR1020210027379 A KR 1020210027379A KR 20210027379 A KR20210027379 A KR 20210027379A KR 102478665 B1 KR102478665 B1 KR 102478665B1
Authority
KR
South Korea
Prior art keywords
predicted
typhoon
probability
calculated
climate
Prior art date
Application number
KR1020210027379A
Other languages
English (en)
Other versions
KR20220123887A (ko
Inventor
강남영
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020210027379A priority Critical patent/KR102478665B1/ko
Publication of KR20220123887A publication Critical patent/KR20220123887A/ko
Application granted granted Critical
Publication of KR102478665B1 publication Critical patent/KR102478665B1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 통계 및 역학적 태풍 기후 예측 장치 및 방법에 관한 것으로, 구체적으로, 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 제시함으로써 태풍 기후에 대하여 확률론적 해석을 가능하게 하는 기술에 관한 것으로, 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치는 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 통계모델 생성부, 상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하고, 상기 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출하는 예측확률분포 산출부 및 상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 예측 결과 제공부를 포함할 수 있다.

Description

통계 및 역학적 태풍 기후 예측 장치 및 방법{APPARATUS AND METHOD OF STATISTICALLY AND DYNAMICALLY PREDICTING SEASONAL TROPICAL STORM CLIMATE}
본 발명은 통계 및 역학적 태풍 기후 예측 장치 및 방법에 관한 것으로, 구체적으로, 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 제시함으로써 태풍 기후에 대하여 확률론적 해석을 가능하게 하는 기술에 관한 것이다.
세계에서 가장 파괴적인 자연 재해 중 하나인 열대폭풍은 사람들에게 두려움의 대상이 된다.
여기서, 열대폭풍이라는 용어는 중심부근의 최대 지속 풍속이 17ms-1을 초과하는 열대저기압을 의미하고, 동아시아 일부지역에서는 태풍으로 불리운다.
태풍은 북서태평양에서 가장 빈번하게 발생하며 전 세계에서 발생되는 수의 3 분의 1을 차지한다.
지구 온난화로 인한 태풍의 강도 향상은 잠재적인 피해에 대한 대중의 우려가 커지고 있다.
따라서 다음 시즌의 태풍 빈도에 대한 사람들의 관심이 점차 증가하고 있으며 이를 위해 다수 지역의 예측 기관과 연구 센터는 다양한 예측 모델을 개발하고 있다.
초기에는 통계모델을 사용하여 호주 지역 및 대서양의 태풍 빈도에 대한 선구적인 계절 예측이 수행되어 왔으며, 최근에는 고출력 컴퓨터 리소스가 가용해진 덕분에 더 정밀한 해상도의 역학모델을 사용한 태풍 계절 예측이 시도되고 있다.
통계모델과 역학모델에 의한 두 가지 접근법을 결합한 하이브리드 방법은 태풍에 대한 계절 예측을 위해 상대적으로 새롭고 점점 인기가 증가하고 있는 접근법으로 볼 수 있다.
하이브리드 모델은 역학모델이 산출한 환경 변수들을 통계모델을 사용하여 태풍 빈도와 연관시킴에 따라 '통계/역학 모델'로 지칭되고 있다.
이 기술은 북서태평양에 도입되었으며 대부분의 운영 기관은 하이브리드 모델링 프레임 워크를 사용한다.
북서태평양 지역의 5 개 예측 기관 중 4 개는 하이브리드 모델을 실행하여 계절 예측을 생성하고 있다.
다만, 종래기술들은 예측 기술의 지속적인 개선에도 불구하고 관심은 예측 해석보다는 정확성 만을 고려하고 있다.
따라서, 태풍 기후와 관련된 의사결정을 필요로 하는 기업 및 사회분야의 활용도가 다소 미흡한 부분이 존재한다.
한국등록특허 제10-1785041호, "장마 강수의 물리 통계 앙상블 예측 시스템 및 방법" 한국등록특허 제10-1624858호, "천리안 위성자료를 이용한 태풍의 강풍 및 폭풍 반경 산출 방법" 한국등록특허 제10-1026071호, "군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법"
본 발명은 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 제시함으로써 태풍 기후에 대한 확률론적 해석하는 통계 및 역학적 태풍 기후 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명은 해양과 대기의 접합 앙상블 역학모델의 결과를 이용하여 태풍의 기후를 전망하는 것을 목적으로 한다.
본 발명은 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 산출함에 따라 태풍 기후에 대한 확률론적 해석을 하는 것을 목적으로 한다.
본 발명은 앙상블 역학모델의 결과를 이용함으로써 역학모델의 불확실성을 반영하고, 통계모델로부터 예측확률분포를 도출함으로써 확률론적 예보의 틀을 구축하는 것을 목적으로 한다.
본 발명은 개별 환경변수들이 최종 예측확률분포에 어떻게 기여하는 가를 확인 및 표현함에 따라 실제 관측과의 차이에 해당하는 오차를 효과적으로 해석하는 것을 목적으로 한다.
본 발명은 앙상블 역학모델을 사용함으로써 하이브리드 모델링 기술의 예측 결과를 확률 분포로 해석하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치는 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 통계모델 생성부, 상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하고, 상기 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출하는 예측확률분포 산출부 및 상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 예측 결과 제공부를 포함할 수 있다.
상기 통계모델 생성부는 상기 태풍 기후 변수에 포함되는 태풍의 빈도 및 강도 중 적어도 하나의 태풍 기후 변수와 상기 환경 변수에 포함되는 엘니뇨 상태 및 지구 온난화 상태 중 적어도 하나의 환경 변수 사이의 관계를 이용하여 상기 통계모델을 생성할 수 있다.
상기 예측확률분포 산출부는 상기 복수의 앙상블 역학모델 각각에 기반하여 제1 환경 변수 예측값 및 제2 환경 변수 예측값을 산출하고, 상기 산출된 제1 환경 변수 예측값은 엘니뇨 상태와 관련되고, 상기 산출된 제2 환경 변수 예측값은 지구 온난화 상태와 관련될 수 있다.
상기 예측확률분포 산출부는 상기 산출된 제1 환경 변수 예측값 및 상기 산출된 제2 환경 변수 예측값을 결합하여 태풍 기후 변수의 예측값들을 산출하고, 상기 산출된 태풍 기후 변수의 예측값들의 분포들을 상기 태풍 기후 변수의 앙상블 확률분포들로 산출할 수 있다.
상기 예측확률분포 산출부는 상기 태풍 기후 변수의 앙상블 확률분포들로부터 구간 별로 태풍 기후 변수의 앙상블 확률분포의 개수에 따라 단계 별로 밀도가 구분되는 확률 밀도를 나타낼 수 있는 상기 예측확률분포를 산출할 수 있다.
상기 예측 결과 제공부는 상기 산출된 확률값을 예측 결과로 제공할 시, 상기 환경 변수 예측값들과 상기 환경 변수 예측값들에 상기 태풍 기후 변수의 예측값을 제공하고, 상기 환경 변수 예측값들과 관련된 관측값과 상기 태풍 기후 변수의 관측값을 제공할 수 있다.
본 발명의 일실시예에 따르면 통계 및 역학적 태풍 기후 예측 방법은 통계모델 생성부에서, 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 단계, 예측확률분포 산출부에서, 상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하고, 상기 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출하는 단계; 및 예측 결과 제공부에서, 상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 단계를 포함할 수 있다.
상기 통계모델 생성부에서, 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 단계는, 상기 태풍 기후 변수에 포함되는 태풍의 빈도 및 강도 중 적어도 하나의 태풍 기후 변수와 상기 환경 변수에 포함되는 엘니뇨 상태 및 지구 온난화 상태 중 적어도 하나의 환경 변수 사이의 관계를 이용하여 상기 통계모델을 생성하는 단계를 포함할 수 있다.
상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하는 단계는, 상기 예측확률분포 산출부는 상기 복수의 앙상블 역학모델 각각에 기반하여 제1 환경 변수 예측값 및 제2 환경 변수 예측값을 산출하는 단계; 상기 산출된 제1 환경 변수 예측값 및 상기 산출된 제2 환경 변수 예측값을 결합하여 태풍 기후 변수의 예측값들을 산출하는 단계 및 상기 산출된 태풍 기후 변수의 예측값들의 분포들을 상기 태풍 기후 변수의 앙상블 확률분포들로 산출하는 단계를 포함하고, 상기 산출된 제1 환경 변수 예측값은 엘니뇨 상태와 관련되고, 상기 산출된 제2 환경 변수 예측값은 지구 온난화 상태와 관련될 수 있다.
상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 단계는, 상기 산출된 확률값을 예측 결과로 제공할 시, 상기 환경 변수 예측값들과 상기 환경 변수 예측값들에 상기 태풍 기후 변수의 예측값을 제공하고, 상기 환경 변수 예측값들과 관련된 관측값과 상기 태풍 기후 변수의 관측값을 제공하는 단계를 포함할 수 있다.
본 발명은 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 제시함으로써 태풍 기후에 대하여 확률론적 해석하는 통계 및 역학적 태풍 기후 예측 장치 및 방법을 제공할 수 있다.
본 발명은 해양과 대기의 접합 앙상블 역학모델의 결과를 이용하여 태풍의 기후를 전망할 수 있다.
본 발명은 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 산출함에 따라 태풍 기후에 대한 확률론적 해석할 수 있다.
본 발명은 앙상블 역학모델의 결과를 이용함으로써 역학모델의 불확실성을 반영하고, 통계모델로부터 예측확률분포를 도출함으로써 확률론적 예보의 틀을 구축할 수 있다.
본 발명은 개별 환경변수들이 최종 예측확률분포에 어떻게 기여하는 가를 확인 및 표현함에 따라 실제 관측과의 차이에 해당하는 오차를 효과적으로 해석할 수 있다.
본 발명은 앙상블 역학모델을 사용함으로써 하이브리드 모델링 기술의 예측 결과를 확률 분포로 해석할 수 있다.
도 1은 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치를 설명하는 도면이다.
도 2는 본 발명의 일실시예에 따른 통계모델에 앙상블 역학모델의 예측 값을 적용하는 과정을 설명하는 도면이다.
도 3a는 본 발명의 일실시예에 따른 태풍의 기후를 전망하기 위한 환경 변수들 간의 상관 관계를 설명하는 도면이다.
도 3b는 본 발명의 일실시예에 따른 기후학적 예측 변수와 태?V의 빈도의 확률 분포를 설명하는 도면이다.
도 3c는 본 발명의 일실시예에 따른 예측 변수의 이변량 정규 분포를 설명하는 도면이다.
도 4a는 본 발명의 일실시예에 따른 태풍 빈도의 동적 예측 변수 및 확률 분포를 설명하는 도면이다.
도 4b는 본 발명의 일실시예에 따른 예측 결과의 확률 분포를 설명하는 도면이다.
도 5a 및 도 5b는 본 발명의 일실시예에 따라 기후학적 3분위(terciles)에 의해 태풍 빈도의 예측 밀도를 분할하여 설명하는 도면이다.
도 6은 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 방법을 설명하는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
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 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치를 설명하는 도면이다.
도 1은 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치의 구성 요소를 예시한다.
도 1을 참고하면, 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치(100)는 통계모델 생성부(110), 예측확률분포 산출부(120) 및 예측 결과 제공부(130)를 포함한다.
본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 장치(100)는 해양-대기 접합 앙상블 역학모델의 결과를 이용하여 태풍의 기후를 전망하는 통계기법을 제공할 수 있고, 앙상블 역학모델의 결과를 이용함으로써 역학모델의 불확실성을 반영하였으며, 통계모델로부터 예측확률분포를 도출함으로써 확률론적 예보의 틀을 구축할 수 있다.
본 발명의 일실시예에 따르면 통계모델 생성부(110)는 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성할 수 있다.
일례로, 통계모델 생성부(110)는 태풍 기후 변수에 포함되는 태풍의 빈도 및 강도 중 적어도 하나의 태풍 기후 변수와 환경 변수에 포함되는 엘니뇨 상태 및 지구 온난화 상태 중 적어도 하나의 환경 변수 사이의 관계를 이용하여 통계모델을 생성할 수 있다.
본 발명의 일실시예에 따르면 예측확률분포 산출부(120)는 통계모델 생성부(110)에 의해 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 태풍 기후 변수의 앙상블 확률분포들을 산출할 수 있다.
또한, 예측확률분포 산출부(120)는 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출할 수 있다.
구체적으로, 예측확률분포 산출부(120)는 복수의 앙상블 역학모델 각각에 기반하여 제1 환경 변수 예측값 및 제2 환경 변수 예측값을 산출할 수 있다.
예를 들어, 제1 환경 변수 예측값은 엘니뇨 상태와 관련될 수 있고, 제2 환경 변수 예측값은 지구 온난화 상태와 관련될 수 있다.
본 발명의 일실시예에 따르면 예측확률분포 산출부(120)는 산출된 제1 환경 변수 예측값 및 산출된 제2 환경 변수 예측값을 결합하여 태풍 기후 변수의 예측값들을 산출하고, 산출된 태풍 기후 변수의 예측값들의 분포들을 태풍 기후 변수의 앙상블 확률분포들로 산출할 수 있다.
또한, 예측확률분포 산출부(120)는 태풍 기후 변수의 앙상블 확률분포들로부터 구간 별로 태풍 기후 변수의 앙상블 확률분포의 개수에 따라 단계 별로 밀도가 구분되는 확률 밀도를 나타낼 수 있는 예측확률분포를 산출할 수 있다.
여기서, 예측확률분포는 구간을 앙상블 확률분포의 개수에 따라 '적음', '보통' 및 '많음'으로 단계별로 구분하여 확률 밀도를 나타낼 수 있다.
일례로, 예측확률분포 산출부(120)는 앙상블 역학모델을 사용함으로서 기존 역학모델의 불확실성을 극복하여 개선된 태풍의 기후를 전망하는 통계 기법을 제공할 수 있다.
예를 들어, 앙상블 역학모델인 Glosea5 모델의 42개 멤버 앙상블 예측을 동적 입력으로 사용할 수 있다.
또한, 예측확률분포 산출부(120)는 통계모델로부터 예측확률분포를 도출함으로써 통계모델의 예측값에 대한 불확실성을 실질적으로 나타낼 수 있다.
따라서, 본 발명은 해양과 대기의 접합 앙상블 역학모델의 결과를 이용하여 태풍의 기후를 전망할 수 있다.
또한, 본 발명은 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 산출함에 따라 태풍 기후에 대한 확률론적 해석할 수 있다.
본 발명의 일실시예에 따르면 예측 결과 제공부(130)는 예측확률분포 산출부(120)에서 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 산출된 확률값을 예측 결과로 제공할 수 있다.
일례로, 예측 결과 제공부(130)는 산출된 확률값을 예측 결과로 제공할 시, 환경 변수 예측값들과 상기 환경 변수 예측값들에 태풍 기후 변수의 예측값을 제공하고, 환경 변수 예측값들과 관련된 관측값과 태풍 기후 변수의 관측값을 제공할 수 있다.
또한, 예측 결과 제공부(130)는 확률 분포를 기후 기준과 비교하여 개별 예측 변수로 만든 예측확률분포의 기여도를 추가적으로 확인할 수 있도록 지원할 수 있다.
따라서, 본 발명은 앙상블 역학모델의 결과를 이용함으로써 역학모델의 불확실성을 반영하고, 통계모델로부터 예측확률분포를 도출함으로써 확률론적 예보의 틀을 구축할 수 있다.
더하여, 본 발명은 개별 환경변수들이 최종 예측확률분포에 어떻게 기여하는 가를 확인 및 표현함에 따라 실제 관측과의 차이에 해당하는 오차를 효과적으로 해석할 수 있다.
또한, 본 발명은 앙상블 역학모델을 사용함으로써 하이브리드 모델링 기술의 예측 결과를 확률 분포로 해석할 수 있다.
도 2는 본 발명의 일실시예에 따른 통계모델에 앙상블 역학모델의 예측 값을 적용하는 과정을 설명하는 도면이다.
도 2는 본 발명의 일실시예에 따른 통계모델에 앙상블 역학모델의 예측 값을 적용하는 과정에 대한 개념도를 예시한다.
도 2를 참고하면, 태풍의 기후를 전망하기 위한 통계 및 역학적 예측 모델에 해당하는 통계 및 역학적 태풍 기후 예측 장치(200)는 제1 앙상블 역학모델(210), 제2 앙상블 역학모델(220) 및 통계모델(230)을 이용한다. 즉, 통계 및 역학적 태풍 기후 예측 장치(200)는 통계적으로 통계모델(230)을 이용하고, 역학적으로 제1 앙상블 역학모델(210) 및 제2 앙상블 역학모델(220)을 이용한다.
제1 앙상블 역학모델(210)은 제1 환경변수 예측값(211)과 제1 환경변수 관측값(212)을 제공할 수 있다.
예를 들어, 제1 앙상블 역학모델(210)은 제1 환경변수 예측값(211)을 산출하고, 제1 환경변수 관측값(212)을 저장할 수 있다.
제2 앙상블 역학모델(220)은 제2 환경변수 예측값(221)과 제1 환경변수 관측값(222)을 제공할 수 있다.
예를 들어, 제2 앙상블 역학모델(220)은 제2 환경변수 예측값(221)을 산출하고, 제2 환경변수 관측값(222)을 저장할 수 있다.
예를 들어, 제1 환경변수 예측값(211) 및 제1 환경변수 관측값(212)과 관련된 제1 환경 변수는 엘니뇨 상태를 나타내는 엘니뇨 남방진동 경향에 해당될 수 있다.
또한, 제2 환경변수 예측값(221) 및 제2 환경변수 관측값(222)과 관련된 제2 환경 변수는 지구온난화 상태를 나타내는 지구온난정도에 해당될 수 있다.
일례로, 제1 앙상블 역학모델(210) 및 제2 앙상블 역학모델(220)은 해양-대기접합 앙상블 역학모델로, 환경변수들의 다중 예측 값들을 통계모델(230)에 입력값으로 제공할 수 있다.
본 발명의 일실시예에 따르면 통계 및 역학적 태풍 기후 예측 장치(200)는 제1 환경변수 예측값(211) 및 제2 환경변수 예측값(221)을 통계모델(230)에 입력하여 태풍 기후 변수 예측값(231)을 산출할 수 있다.
또한, 통계 및 역학적 태풍 기후 예측 장치(200)는 제1 환경변수 관측값(212) 및 제2 환경변수 관측값(222)을 통계모델(230)에 입력하여 태풍 기후 변수 관측값(232)을 산출할 수 있다.
일례로, 통계 및 역학적 태풍 기후 예측 장치(200)는 통계모델(230)의 예측에서 하기 수학식 1을 이용할 수 있다.
[수학식 1]
Figure 112021024341157-pat00001
수학식 1에서, Y는 태풍 기후 변수를 나타낼 수 있고, X1은 제1 환경 변수를 나타낼 수 있으며, X2는 제2 환경 변수를 나타낼 수 있고,
Figure 112021024341157-pat00002
는 계수를 나타낼 수 있고, 계수는 각각 절편과 회귀 계수로, 예측 변수의 특정 값 쌍에 해당하는 평균 반응일 수 있다.
즉, 통계 및 역학적 태풍 기후 예측 장치(200)는 제1 환경 변수 예측값(211) 및 제2 환경 변수 예측값(221)을 결합하여 태풍 기후 변수의 예측값(231)을 산출할 수 있다.
또한, 통계 및 역학적 태풍 기후 예측 장치(200)는 제1 환경 변수 관측값(212) 및 제2 환경 변수 관측값(222)을 결합하여 태풍 기후 변수의 관측값(232)을 산출할 수 있다.
여기서, 태풍 기후 변수의 예측값(231)은 제1 앙상블 역학모델(210) 및 제2 앙상블 역학모델(220)의 입력 값에 대한 태풍 기후 변수의 앙상블 예측확률 분포를 나타낼 수 있다.
일례로, 통계 및 역학적 태풍 기후 예측 장치(200)는 하나의 예측확률분포를 도출하여 확률해석에 이용할 수 있다.
따라서, 통계 및 역학적 태풍 기후 예측 장치(200)는 개별 환경변수들이 최종 예측확률분포에 어떻게 기여하는가를 표현할 수 있다.
또한, 통계 및 역학적 태풍 기후 예측 장치(200)는 실제 관측값을 예측값과 함께 이용함에 따라 관측값과 예측값의 차이에 해당하는 오차를 해석하는데 효과적으로 활용할 수 있다.
도 3a는 본 발명의 일실시예에 따른 태풍의 기후를 전망하기 위한 환경 변수들 간의 상관 관계를 설명하는 도면이다.
도 3a를 참고하면, 그래프(300)는 북태평양 서부의 열대성 폭풍 빈도 상관 관계를 예시하는데, PC1(principal component1) 과 PC2(principal component2)는 NSOI(Negative El Nino-Southern Oscillation Index)와 GMSST(Global Mean Sea Surface Temperature)의 두 가지 주요 환경 변수에 의해 주요 구성 요소를 나타낼 수 있다.
내부 및 외부 회색 원은 각각 0.5 및 1.0 상관 계수를 나타내고, 중요한 상관 계수(α
Figure 112021024341157-pat00003
0.05)는 가장 높은 값에 점이 있는 선으로 표시한다.
PC1 및 PC2 는 NSOI와 GMSST의 변동 사이의 동 위상(위상 외) 모드를 나타낼 수 있다.
NSOI는 온난 상태의 ENSO(El Nino-Southern Oscillation), 즉 엘니뇨를 나타내고, NSOI에서 유의한 상관 관계는 엘니뇨(라니냐)가 태풍의 빈도를 증가(감소)시키는 것을 나타낸다.
반면에 태풍의 빈도는 GMSST와 음의 상관 관계가 있으며, 이는 지구 온난화 환경에 따라 빈도가 유의하게 감소 함을 의미한다.
그러면 PC2 방향을 따라 가장 높은 상관 관계가 나타내고, PC2는 NSOI와 GMSST 간의 위상차 관계를 나타낼 수 있다.
이것은 PC2가 상대적으로 더 추운 라니냐 연도에 더 높은 태풍 빈도가 나타날 가능성이 높은 변동을 나타내며 상대적으로 더 따뜻한 엘니뇨 연도에 더 낮은 빈도가 발생할 가능성이 있음을 나타낼 수 있다.
또한 PC1은 태풍의 빈도와 낮은 상관 관계를 가지는데, 이는 NSOI의 기여도가 GMSST의 기여도에 의해 오프셋되고 그 반대도 마찬가지임을 나타낼 수 있다.
본 발명의 일실시예에 따라 태풍의 빈도는 FRQ로 표시될 수 있다.
FRQ, NSOI 및 GMSST의 값은 Shapiro-Wilk 테스트에 의해 검증된 정규 분포로 구현될 수 있다.
다중 회귀는 선형 관점을 정량화하는 데 사용되고, 상술한 수학식 1과 관련될 수 있다.
도 3b는 본 발명의 일실시예에 따른 기후학적 예측 변수와 태?V의 빈도의 확률 분포를 설명하는 도면이다.
도 3b의 그래프(310)를 참고하면, 그래프(310)의 가로축은 NSOI이고, 세로축은 GMSST이며, 예측 변수의 이변량(bivariate) 정규 분포의 밀도를 등고선과 같은 선으로 나타내고, 작은 원점은 약 30년 동안 관찰된 관측값을 NSOI 및 GMSST 쌍을 나타내며 평균은 큰 원점으로 나타낸다.
예를 들어, 확률밀도는 통계를 통해서 획득될 수 있고, 다음 수학식 2를 통해 표현될 수 있다.
[수학식 2]
Figure 112021024341157-pat00004
수학식 2에서, t는 통계를 나타낼 수 있고, α는 통계적 유의성을 나타낼 수 있으며,
Figure 112021024341157-pat00005
는 태풍의 빈도에 대한 기대치를 나타낼 수 있고,
Figure 112021024341157-pat00006
는 태풍의 빈도에 대한 기대치의 평균을 나타낼 수 있으며, s.e.는 분포 확산에 기반한 표준 오차를 나타낼 수 있다.
한편, 태풍의 빈도의 개별 값에 대한 통계는 수학식 3을 통해 표현될 수 있다.
[수학식 3]
Figure 112021024341157-pat00007
수학식 3에서, t는 통계를 나타낼 수 있고, α는 통계적 유의성을 나타낼 수 있으며, D는 태풍의 빈도(FRQ)에서 태풍의 빈도에 대한 기대치(
Figure 112021024341157-pat00008
)를 제외한 값을 나타낼 수 있고,
Figure 112021024341157-pat00009
는 D의 평균을 나타낼 수 있으며, s.e.는 분포에 기반한 표준오차를 나타낼 수 있다. 즉, D는 태풍의 빈도와 태풍의 빈도에 대한 기대치의 차이를 나타낼 수 있다.
도 3c는 본 발명의 일실시예에 따른 예측 변수의 이변량 정규 분포를 설명하는 도면이다.
도 3c을 참고하면, 그래프(320)는 태풍의 빈도(FRQ)에 따른 확률 밀도에 기반하여 태풍의 빈도에 대한 기대치(
Figure 112021024341157-pat00010
)의 기후 평균, 태풍의 빈도(FRQ)의 기후 평균, 태풍의 빈도(FRQ)의 한계 구역을 나타낸다.
즉, 그래프(320)는 예측 결과의 확률 분포를 나타내는데, 태풍의 빈도(FRQ)의 한계 구역은 예측 변수 값 쌍의 각 분포는 밀도 값에 의해 가중치가 부여된다.
또한, 태풍의 빈도에 대한 기대치(
Figure 112021024341157-pat00011
)의 기후 평균은 예측 변수의 불확실성을 고려 하였기 때문에 태풍의 빈도(FRQ)의 기후 평균에 대한 예측보다 약간 더 큰 분포를 갖을 수 있다.
도 4a는 본 발명의 일실시예에 따른 태풍 빈도의 동적 예측 변수 및 확률 분포를 설명하는 도면이다.
도 4a를 참고하면, 그래프(400)는 관측 GMSST, 관측 NSOI, 예측 GMSST, 예측 NSOI를 나타내고, 평균 GMSST의 상위와, 평균 NSOI의 하위 그리고, 관측 GMSST의 상위 및 관측 NSOI의 하위를 예시한다.
그래프(400)는 역학모델인 Glosea5에서 획득된 미래 환경에 대한 정보로 예측 GMSST, 예측 NSOI를 예시한다.
Glosea5의 예측 변수 42 개 쌍이 각 변수에 대해 원으로 표시하고, 20 년 동안 Glosea5 일기 예보 시뮬레이션을 사용하여 관찰 할 수 있는 값을 예시한다.
동적 모델은 가장 높은 수준의 지구 해양 온난화를 예측하지만 거의 중립적 인 ENSO 상태를 예측하고, 정성적 해석은 가장 따뜻한 환경의 영향을 고려할 때 미래 빈도가 평균보다 작을 것임일 나타낸다.
도 4b는 본 발명의 일실시예에 따른 예측 결과의 확률 분포를 설명하는 도면이다.
도 4b를 참고하면, 그래프(410)는 예측 결과의 확률 분포를 정량적으로 제공한다.
평균 예측 변수 기반 분포를 나타내는 곡선은 그래프(400)의 평균 쌍에 대한 확률 분포를 나타낼 수 있다.
앙상블 예측 변수 기반 분포를 나타내는 곡선에 따르면, 예측 확률 분포는 42 개의 앙상블 멤버의 한계 분포로 얻을 수 있다.
여기서, 역학적 오차 구조는 관찰 된 환경 예측 변수에 의해 정량적으로 추정 될 수 있다.
태풍 빈도에 대한 환경변수들의 관계가 계절 동안 동일하게 유지되는 한 예측 오차는 환경변수의 예측 값과 관측 값 간의 차이를 통해 확인될 수 있다.
그래프(410)에서 평균 예측 변수 기반 표준 예측과 관측된 예측 변수 기반 표준 예측 사이의 간격으로 역학모델의 오차가 확인될 수 있다.
결정된 예측 변수와 관측 횟수는 각각 환경변수와의 관계와 무관하게 역학모델이 예측한 태풍 빈도와 실제 관측된 빈도를 나타낼 수 있다. 또한, 이 기능 분석은 시즌 후 하이브리드 예측의 검증에도 적용될 수 있다.
관측에 따르면 태풍 수의 궁극적인 감소는 약간의 GMSST의 증가와 약간의 NSOI 감소에 따른 것일 수 있다.
도 5a 및 도 5b는 본 발명의 일실시예에 따라 기후학적 3분위(terciles)에 의해 태풍 빈도의 예측 밀도를 분할하여 설명하는 도면이다.
도 5a는 이론적 기후학 및 히스토그램에서 3분위(terciles) 비교를 나타낼 수 있고, 도 5b는 예측 밀도를 이론적 3분위로 나눈 분할을 나타낼 수 있다.
도 5a의 그래프(500)를 참고하면, 누적 FRQ(501), FRQ의 경험적 정상 범위(502), FRQ의 한계 분포(503) 및 이론적 원리(504)를 나타낸다.
한편, 도 5b의 그래프(510)를 참고하면, FRQ의 예측 분포(511), NSOI 앙상블 예측 변수 및 표준 GMSST에 의한 분포(512), GMSST 앙상블 예측 변수 및 표준 NSOI에 의한 분포(513), 결정 예측(514) 및 관측 횟수(515)를 나타낸다.
그래프(500) 및 그래프(510)에서 예측의 정량적 해석은 주파수 부분을 '적음', '보통'및 '많음' 범주로 분류하여 기후학적 3분위에 의해 만들 수 있다.
그래프(500)는 태풍 빈도의 경험적 분포에 대한 히스토그램을 예시하고, 3분위를 정의하는 일반적인 방법은 관측 된 30 개의 주파수 샘플에서 0.33 및 0.66 확률 수준에서 분위수를 찾는 것이다.
빈도는 본질적으로 음이 아닌 이산 숫자이기 때문에 누군가는 대략 '보통'범위를 FRQ의 경험적 정상 범위(502)로 간주 할 수 있다.
예측 변수의 모든 가능한 경우가 이론적으로 고려되기 때문에 한계 확률은 태풍 빈도의 이론적 기후로 간주될 수 있다. 여기서, 이론 분포는 예측 변수의 이변량 분포의 정규 형태를 의미할 수 있다.
이론적 접근 방식은 단순히 관측 값을 누적하는 기존의 히스토그램 방식보다 더 완전하고 현실적인 형태의 불확실성 분포를 제공한다고 볼 수 있다.
이 확률 분포는 모델이 생성하는 모든 예측 확률에 대한 실제 기후학적 참조로 사용될 수 있다.
이론적 분포에 해당하는 이론적 원리(504)는 연속 값의 정규 형태로 예측 밀도 분포를 나타내므로 그 3분위는 평균(10.9) 주위에 대칭적으로 분포하는 반면 경험적 3분위는 그렇지 않을 수 있다.
그래프(510)에서 하이브리드 모델의 예측 확률은 3분위로 나눌 수 있고, '보통'범위는 9.6에서 12.2까지로 볼 수 있다.
이에 비해 FRQ의 예측 분포(511)는 주파수 값의 '적음'에서 더 많이 분포하는 반면 '많음'에서는 덜 분포되어 있다.
이는 '적음', '보통' 및 '많음'범위에 대해 각각 90.3 %, 8.4 % 및 1.3 %로 정량적으로 설명 될 수 있다.
NSOI 앙상블 예측 변수 및 표준 GMSST에 의한 분포(512), GMSST 앙상블 예측 변수 및 표준 NSOI에 의한 분포(513)는 NSOI와 GMSST가 예측 결과에 미치는 다른 영향을 보여준다.
NSOI 앙상블 예측 변수 및 표준 GMSST에 의한 분포(512)는 NSOI 앙상블 예측 변수 만 적용되는 예측 확률을 나타낼 수 있다.
NSOI의 각 앙상블 멤버에 대해 0.1sd에서 -3.0에서 3.0까지의 일반 GMSST, 즉 61개의 샘플이 예측 변수 값 쌍에 사용된다.
그런 다음 한계 분포는 42 Х 61개의 예측 확률 분포에 대해 42 개의 NSOI 앙상블 멤버의 ENSO 상태에 대한 한계 예측 확률은 각각 '적음', '보통' 및 '많음'에 대한 확률 밀도 47.8 %, 33.1 % 및 19.1 %로 나타낼 수 있다.
GMSST 앙상블 예측 변수 및 표준 NSOI에 의한 분포(513)에도 동일한 절차가 적용될 수 있고, GMSST만 정보를 제공하고 NSOI는 제공하지 않는다고 가정하고, GMSST의 각 앙상블 멤버에 대해 -3.0에서 3.0까지 0.1sd 간격의 정규 NSOI가 예측 변수 값 쌍에 사용될 수 있다.
GMSST 앙상블의 가장 따뜻한 수준에 의한 한계 예측 확률은 '적음', '보통' 및 '많음'에 대해 각각 75.2 %, 17.9 % 및 7.0 % 확률 밀도를 보여준다.
FRQ의 예측 분포(511)는 NSOI 및 GMSST에 대한 두 개의 가산성 분포로 나눌 수 없지만 각 음영 분포는 최종 결과에 대한 유용한 정보를 제공한다고 볼 수 있다.
이 경우 예측 결과는 라니냐의 경향을 수반하는 환경 조건과 가장 따뜻한 지구 해양 모두가 전체적으로 '적음' 위에서 열대성 저기압 빈도를 발생시킬 가능성이 있는 것으로 해석될 수 있다.
도 6은 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 방법을 설명하는 도면이다.
도 6은 본 발명의 일실시예에 따라 통계 및 역학적 태풍 기후 예측 방법이 앙상블 역학모델의 결과를 이용하여 통계모델로부터 예측확률분포를 도출하여 확률론적 예보의 틀을 구축하는 실시예를 예시한다.
도 6을 참고하면, 단계(601)에서 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 방법은 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성한다.
즉, 통계 및 역학적 태풍 기후 예측 방법은 태풍의 기후 변수에 해당하는 빈도 및 강도와 환경 변수에 해당하는 엘니뇨-남방진동 경향 및 지구온난정도 사이의 관계에 기반하여 통계모델을 생성할 수 있다. 여기서, 엘니뇨-남방진동 경향은 엘니뇨 또는 라니냐 상태에 해당할 수 있고, 지구온난정도는 지구온난상태에 해당할 수 있다.
단계(602)에서 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 방법은 태풍 기후 변수의 앙상블 확률분포들을 산출한다.
즉, 통계 및 역학적 태풍 기후 예측 방법은 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 태풍 기후 변수의 앙상블 확률분포들을 산출할 수 있다.
단계(603)에서 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 방법은 앙상블 확률분포들에 기반하여 예측확률분포를 산출한다.
즉, 통계 및 역학적 태풍 기후 예측 방법은 단계(602)에서 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출할 수 있다.
단계(604)에서 본 발명의 일실시예에 따른 통계 및 역학적 태풍 기후 예측 방법은 예측확률분포를 이용하여 예측 구간에서의 확률 값을 산출하고, 산출된 확률값을 예측 결과로 제공한다.
즉, 통계 및 역학적 태풍 기후 예측 방법은 단계(603)에서 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공할 수 있다.
따라서, 본 발명은 앙상블 역학모델이 전망하는 환경변수들의 분포로부터 태풍의 기후가 나타날 확률분포를 제시함으로써 태풍 기후에 대하여 확률론적 해석하는 통계 및 역학적 태풍 기후 예측 장치 및 방법을 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 통계 및 역학적 태풍 기후 예측 장치
110: 통계모델 생성부 120: 예측확률분포 산출부
130: 예측 결과 제공부

Claims (10)

  1. 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 통계모델 생성부;
    상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하고, 상기 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출하는 예측확률분포 산출부; 및
    상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 예측 결과 제공부를 포함하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 장치.
  2. 제1항에 있어서,
    상기 통계모델 생성부는 상기 태풍 기후 변수에 포함되는 태풍의 빈도 및 강도 중 적어도 하나의 태풍 기후 변수와 상기 환경 변수에 포함되는 엘니뇨 상태 및 지구 온난화 상태 중 적어도 하나의 환경 변수 사이의 관계를 이용하여 상기 통계모델을 생성하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 장치.
  3. 제1항에 있어서,
    상기 예측확률분포 산출부는 상기 복수의 앙상블 역학모델 각각에 기반하여 제1 환경 변수 예측값 및 제2 환경 변수 예측값을 산출하고, 상기 산출된 제1 환경 변수 예측값은 엘니뇨 상태와 관련되고, 상기 산출된 제2 환경 변수 예측값은 지구 온난화 상태와 관련되는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 장치.
  4. 제3항에 있어서,
    상기 예측확률분포 산출부는 상기 산출된 제1 환경 변수 예측값 및 상기 산출된 제2 환경 변수 예측값을 결합하여 태풍 기후 변수의 예측값들을 산출하고, 상기 산출된 태풍 기후 변수의 예측값들의 분포들을 상기 태풍 기후 변수의 앙상블 확률분포들로 산출하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 장치.
  5. 제4항에 있어서,
    상기 예측확률분포 산출부는 상기 태풍 기후 변수의 앙상블 확률분포들로부터 구간 별로 태풍 기후 변수의 앙상블 확률분포의 개수에 따라 단계 별로 밀도가 구분되는 확률 밀도를 나타낼 수 있는 상기 예측확률분포를 산출하는
    통계 및 역학적 태풍 기후 예측 장치.
  6. 제1항에 있어서,
    상기 예측 결과 제공부는 상기 산출된 확률값을 예측 결과로 제공할 시, 상기 환경 변수 예측값들과 상기 환경 변수 예측값들에 상기 태풍 기후 변수의 예측값을 제공하고, 상기 환경 변수 예측값들과 관련된 관측값과 상기 태풍 기후 변수의 관측값을 제공하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 장치.
  7. 통계모델 생성부에서, 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 단계;
    예측확률분포 산출부에서, 상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하고, 상기 산출된 앙상블 확률분포들에 기반하여 예측확률분포를 산출하는 단계; 및
    예측 결과 제공부에서, 상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 단계를 포함하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 방법.
  8. 제7항에 있어서,
    상기 통계모델 생성부에서, 태풍 기후 변수와 환경 변수의 관계를 이용하여 통계모델을 생성하는 단계는,
    상기 태풍 기후 변수에 포함되는 태풍의 빈도 및 강도 중 적어도 하나의 태풍 기후 변수와 상기 환경 변수에 포함되는 엘니뇨 상태 및 지구 온난화 상태 중 적어도 하나의 환경 변수 사이의 관계를 이용하여 상기 통계모델을 생성하는 단계를 포함하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 방법.
  9. 제7항에 있어서,
    상기 생성된 통계모델에 복수의 앙상블 역학모델의 환경 변수 예측값들을 입력하여 상기 태풍 기후 변수의 앙상블 확률분포들을 산출하는 단계는,
    상기 예측확률분포 산출부는 상기 복수의 앙상블 역학모델 각각에 기반하여 제1 환경 변수 예측값 및 제2 환경 변수 예측값을 산출하는 단계;
    상기 산출된 제1 환경 변수 예측값 및 상기 산출된 제2 환경 변수 예측값을 결합하여 태풍 기후 변수의 예측값들을 산출하는 단계; 및
    상기 산출된 태풍 기후 변수의 예측값들의 분포들을 상기 태풍 기후 변수의 앙상블 확률분포들로 산출하는 단계를 포함하고,
    상기 산출된 제1 환경 변수 예측값은 엘니뇨 상태와 관련되고, 상기 산출된 제2 환경 변수 예측값은 지구 온난화 상태와 관련되는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 방법.
  10. 제7항에 있어서,
    상기 산출된 예측확률분포에 따른 구간 별 확률밀도를 적분하여 예측구간에서의 확률값을 산출하고, 상기 산출된 확률값을 예측 결과로 제공하는 단계는,
    상기 산출된 확률값을 예측 결과로 제공할 시, 상기 환경 변수 예측값들과 상기 환경 변수 예측값들에 상기 태풍 기후 변수의 예측값을 제공하고, 상기 환경 변수 예측값들과 관련된 관측값과 상기 태풍 기후 변수의 관측값을 제공하는 단계를 포함하는 것을 특징으로 하는
    통계 및 역학적 태풍 기후 예측 방법.
KR1020210027379A 2021-03-02 2021-03-02 통계 및 역학적 태풍 기후 예측 장치 및 방법 KR102478665B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210027379A KR102478665B1 (ko) 2021-03-02 2021-03-02 통계 및 역학적 태풍 기후 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210027379A KR102478665B1 (ko) 2021-03-02 2021-03-02 통계 및 역학적 태풍 기후 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220123887A KR20220123887A (ko) 2022-09-13
KR102478665B1 true KR102478665B1 (ko) 2022-12-16

Family

ID=83286638

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210027379A KR102478665B1 (ko) 2021-03-02 2021-03-02 통계 및 역학적 태풍 기후 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102478665B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101026071B1 (ko) 2010-10-07 2011-04-04 서울대학교산학협력단 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법
WO2016194379A1 (ja) 2015-06-02 2016-12-08 日本電気株式会社 シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体
KR102033762B1 (ko) 2018-10-24 2019-10-17 김춘지 주변격자 최댓값 앙상블 확률 및 검정지수를 이용한 앙상블 예측 시스템의 성능 진단 방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101624858B1 (ko) 2015-11-25 2016-05-27 대한민국(기상청장) 천리안 위성자료를 이용한 태풍의 강풍 및 폭풍 반경 산출 방법
KR101785041B1 (ko) 2015-12-09 2017-10-12 부산대학교 산학협력단 장마 강수의 물리 통계 앙상블 예측 시스템 및 방법
KR101901311B1 (ko) * 2016-12-08 2018-09-21 재단법인 에이펙 기후센터 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법
EP3757895A1 (en) * 2019-06-28 2020-12-30 Robert Bosch GmbH Method for estimating a global uncertainty of a neural network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101026071B1 (ko) 2010-10-07 2011-04-04 서울대학교산학협력단 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법
WO2016194379A1 (ja) 2015-06-02 2016-12-08 日本電気株式会社 シミュレーション装置、シミュレーション方法及びプログラムを記憶する記録媒体
KR102033762B1 (ko) 2018-10-24 2019-10-17 김춘지 주변격자 최댓값 앙상블 확률 및 검정지수를 이용한 앙상블 예측 시스템의 성능 진단 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Fumin Ren 외 5명. A Dynamical-Statistical-Analog Ensemble Forecast Model: Theory and an Application to Heavy Rainfall Forecasts of Landfalling Tropical Cyclones. Monthly Weather Review. 2020.04.01, Vol.

Also Published As

Publication number Publication date
KR20220123887A (ko) 2022-09-13

Similar Documents

Publication Publication Date Title
US20200302327A1 (en) Managing computational workloads of computing apparatuses powered by renewable resources
Ezzat et al. Spatio-temporal short-term wind forecast: A calibrated regime-switching method
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
KR101856320B1 (ko) 태양광 발전량 예측 장치 및 방법
CN112285807B (zh) 一种气象信息预测方法及装置
KR102361007B1 (ko) 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법
Wu et al. Applications of machine learning to wind engineering
US11300707B2 (en) Solar forecasting using machine learned cloudiness classification
Xia et al. Machine learning-based weather support for the 2022 Winter Olympics
US9536021B1 (en) System and method for providing a renewable energy network optimization tool
EP3576029A1 (en) Method and device for determining energy system operating scenarios
CN113222210B (zh) 一种基于多模态生成对抗的台风短期预测方法及装置
Hou et al. Review of failure risk and outage prediction in power system under wind hazards✰
CN112183826A (zh) 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品
Xiong et al. Research on wind power ramp events prediction based on strongly convective weather classification
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
Maoyi et al. Simulating the characteristics of tropical cyclones over the South West Indian Ocean using a stretched-grid global climate model
KR102478665B1 (ko) 통계 및 역학적 태풍 기후 예측 장치 및 방법
CN110941032B (zh) 台风的预报方法、装置、设备和计算机可读存储介质
CN115879034A (zh) 基于机器学习的热带气旋强度监测方法、装置和设备
CN113408816B (zh) 一种基于深度神经网络的电网灾情评估方法
CN112232479A (zh) 基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品
KR102396283B1 (ko) 계절내 규모 예측인자의 원격상관 진단 및 평가 매트릭스
Chiniforoush et al. A method to estimate the probability of strong winds occurrence using weather radar data

Legal Events

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