KR102485924B1 - 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 - Google Patents
광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 Download PDFInfo
- Publication number
- KR102485924B1 KR102485924B1 KR1020220083000A KR20220083000A KR102485924B1 KR 102485924 B1 KR102485924 B1 KR 102485924B1 KR 1020220083000 A KR1020220083000 A KR 1020220083000A KR 20220083000 A KR20220083000 A KR 20220083000A KR 102485924 B1 KR102485924 B1 KR 102485924B1
- Authority
- KR
- South Korea
- Prior art keywords
- calculation
- aerosol
- optical thickness
- model
- raw data
- Prior art date
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 108
- 239000000443 aerosol Substances 0.000 title claims abstract description 82
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 138
- 230000005855 radiation Effects 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1486—Counting the particles
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Dispersion Chemistry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
산출 장치가 제공된다. 상기 산출 장치는 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집부; 딥러닝을 통해 마련된 산출 모델과 상기 원시 자료를 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출부;를 포함할 수 있다.
Description
본 발명은 대기에 존재하는 에어로솔의 광학 두께를 산출하는 장치 및 방법에 관한 것이다.
대기 중 다양한 형태로 존재하는 에어로솔(aerosol) 입자는 대기 중 태양광을 흡수 및 산란할 수 있다. 태양광의 흡수 및 산란에 의하여 에어로솔 입자는 시정 감소와 기후 변화, 지구 복사 수치에 영향을 미칠 수 있다.
또한, 에어로솔의 발생원과 체류 시간의 복잡성으로 인해 에어로솔이 지구에 미치는 영향에 대한 과학적 이해도는 불확실한 상황이다.
에어로솔의 광학 두께는 대기 컬럼 내에 모든 입자성 물질의 총 부하량을 상대적으로 나타낸 수치이다. 에어로솔의 광학 두께는 각 고도별 에어로솔 소산 계수의 합이다. 에어로솔의 광학 두께는 에어로솔 복사 효과를 산정하거나 위성에서 에어로솔 부하량을 추정하는데 있어 매우 중요한 변수이다.
에어로솔은 대기질과 큰 연관이 있기 때문에 효율적인 대기질 모니터링을 위해서 정확한 에어로솔 광학 두께 산출 방법이 필요하다.
한국등록특허공보 제1007304호에는 에어로솔을 분류하고, 참고 테이블을 이용하여 에어로솔의 광학 두께를 산출하는 기술이 개시되고 있다.
본 발명은 광학 센서를 이용하여 원격 탐사된 데이터를 기초로 하는 딥러닝 기반의 에어로솔 광학 두께 산출 장치 및 방법을 제공하기 위한 것이다.
본 발명은 원격 탐사에 사용되는 광학 센서를 이용하여 획득한 복사 에너지 형태의 데이터와 센서의 기하학적 관측 조건에 대한 데이터를 딥러닝 기반의 자료 처리 알고리즘에 적용하여 에어로솔 광학 두께를 산출하는 장치 및 방법을 구축하기 위한 것이다.
본 발명의 산출 장치는 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집부; 딥러닝을 통해 마련된 산출 모델과 상기 원시 자료를 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출부;를 포함할 수 있다.
본 발명의 산출 방법은 광학 센서에 의해 관측된 복사량 데이터와 지오메트리 데이터를 딥러닝 모델의 입력 자료로 활용하여 에어로솔의 광학 두께를 산출하는 산출 단계; 상기 딥러닝 모델에서 산출된 에어로솔의 광학 두께와 실제 환경에서 관측된 에어로솔의 광학 두께를 비교하여 상기 딥러닝 모델의 산출 정확도를 결정하는 결정 단계;를 포함할 수 있다.
본 발명의 산출 장치 및 방법에 따르면, 과거 물리적 모델로 복잡한 과정을 거쳐 에어로솔 광학 두께를 산출하는 것과 달리 신속하게 에어로솔 광학 두께를 산출할 수 있다.
도 1은 본 발명의 산출 장치를 나타낸 개략도이다.
도 2는 본 발명의 다른 산출 장치를 나타낸 개략도이다.
도 3은 본 발명의 산출 방법을 나타낸 흐름도이다.
도 4는 산출 모델을 이용하여 산출된 광학 두께와 실제로 관측된 에어로솔 광학 두께를 산점도로 나타낸 그래프이다.
도 5는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
도 2는 본 발명의 다른 산출 장치를 나타낸 개략도이다.
도 3은 본 발명의 산출 방법을 나타낸 흐름도이다.
도 4는 산출 모델을 이용하여 산출된 광학 두께와 실제로 관측된 에어로솔 광학 두께를 산점도로 나타낸 그래프이다.
도 5는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 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 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명의 산출 장치를 나타낸 개략도이다.
에어로솔 광학 두께는 태양으로부터 지구 대기권으로 입사하는 태양 복사량과 지표면에 도달하는 직달 입사량을 측정하고, 두 값의 상대적인 감쇄 비율을 이용하여 산출할 수 있다.
또는, 지상에서 인공적인 광원(light source)을 발사하여 일정 거리가 떨어진 지점에서 측정된 광량을 이용하여 에어로솔의 광학 두께가 산출될 수 있다.
이상의 방법은 고가의 정밀 장비가 필요하며, 별도의 광학 센서 보정 과정을 거쳐야 하는 단점이 있다. 이론적인 계산을 통하여 에어로솔의 광학 두께를 산출하는 방법은 광학 센서를 이용한 원격 탐사 장비의 상대 반응 함수와 지오메트리 데이터를 입력 자료로 복사 전달 모델에 적용하여 수행하므로, 여러 복잡한 과정을 거치고 계산 시간도 오래 걸리는 문제가 있다.
딥러닝 기법 중 심층 신경망(Deep Neural Network) 기법은 수학 모델링을 사용하며, 인간의 뇌가 패턴을 인식하는 방식을 기반으로 한 알고리즘이다. 또한, 오류 역전파 알고리즘을 이용하여 오류를 최소화하여 예측 및 분석하는 기법이며, 기존 머신 러닝 기법들과 달리 비선형성 데이터에 대해서도 예측 및 분석이 뛰어나다. 이러한 이유로 딥러닝 기법을 이용하여 토지 피복 분류, 대기질 예측 모형, 해수온 예측, 자율 주행 차량 등 다양한 분야에서 활용되고 있다. 현재에는 딥러닝 알고리즘 기반으로 에어로솔의 광학 두께를 산출하는 방법이 다양한 분야에서 적용되고 있지만, 광학 센서 원격 탐사 데이터를 이용한 사례가 부족하다.
에어로솔의 광학 두께의 산출 속도를 획득하기 위해 산출 장치는 수집부(110), 산출부(150), 가공부(130), 구축부(170)를 포함할 수 있다.
수집부(110)는 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집할 수 있다. 지오메트리 데이터에는 태양 등 설정 광원의 고도각, 설정 광원의 방위각, 설정 광원에서 방사된 빛이 측정 지점을 향해 입사되는 입사각, 측정 지점의 고도 중 적어도 하나가 포함될 수 있다.
산출부(150)는 딥러닝을 통해 마련된 산출 모델과 원시 재료를 이용하여 설정 지역에 대한 에어로솔의 광학 두께를 산출할 수 있다.
가공부(130)는 원시 자료에 포함된 노이즈, 결측값 등을 제거하고, 결측값이 제거된 원시 자료를 표준화할 수 있다. 표준화는 원시 자료의 단위를 산출 모델에 맞춰 환산하는 것을 의미하거나 원시 자료의 형식을 산출 모델에 맞춰 변환하는 것을 의미할 수 있다.
산출부(150)는 산출 모델에 원시 자료를 입력하고 산출 모델의 출력값을 회수할 수 있다. 이때, 산출 모델은 원시 자료가 입력되면 에어로솔의 광학 두께를 출력하도록 학습된 딥러닝 모델을 포함할 수 있다.
산출부(150)는 산출 모델로부터 회수된 출력값을 설정 지역에 대한 에어로솔의 광학 두께로 산출하거나 결정할 수 있다.
구축부(170)는 설정 지역에 대한 에어로솔의 광학 두께를 결정할 수 있다.
수치 해석 모델을 이용하여 에어로솔의 광학 두께가 산출될 수 있다. 하지만, 수치 해석 모델을 이용하는 경우 광학 두께의 산출 시간에 수시간 이상이 소요되는 문제를 갖는다. 이와 같은 산출 속도의 지연으로 인해 광학 두께를 실시간으로 예측, 산출, 결정할 수 있는 환경이 형성되기 어려운 문제가 있다. 본 발명의 산출 장치 및 산출 방법은 광학 두께를 실시간에 준하는 속도로 산출할 수 있는 새로운 방안을 제안할 수 있다.
도 2는 본 발명의 다른 산출 장치를 나타낸 개략도이다.
도 2의 산출 장치에는 생성부(210)와 학습부(230)가 마련될 수 있다.
학습부(230)는 에어로솔의 광학 두께를 예측하거나 산출하는 산출 모델 m을 학습시킬 수 있다.
일 예로, 학습부(230)는 문제와 정답이 포함된 학습 데이터를 이용하여 산출 모델 m을 학습시킬 수 있다.
학습 데이터에 포함된 '문제'는 설정 지역을 대상으로 과거에 측정된 원시 자료에 해당하는 과거 자료를 포함할 수 있다. 또는, 학습 데이터에 포함된 '문제'는 설정 지역을 대상으로 가상으로 설정된 원시 자료에 해당하는 가상 자료를 포함할 수 있다. 가상 자료는 과거 자료에 기초하여, 설정 지역에서 예상되는 원시 자료의 범위 내에서 설정되는 것이 바람직하다.
학습 데이터에 포함된 '정답'은 과거 자료가 측정될 당시에 측정된 에어로솔의 광학 두께를 포함할 수 있다. 또는, 학습 데이터에 포함된 '정답'은 과거 자료 또는 가상 자료를 수치 해석하여 에어로솔의 광학 두께를 산출하는 수치 해석 모델의 산출값에 해당하는 산출 두께를 포함할 수 있다. 산출 두께는 이미 검증이 완료된 수치 해석 모델을 이용하여 산출된 값으로 실제로 측정된 광학 두께를 추종할 수 있다.
산출 모델 m에 의해 산출되거나 산출 모델 m으로부터 출력된 광학 두께는 실제로 측정된 광학 두께를 추종하는 방향으로 학습된 인공 지능 모델에 해당될 수 있다. 하지만, 산출 모델 m에 의해 산출된 광학 두께는 각종 센서를 이용하여 실제로 측정된 광학 두께와 차이를 갖는 예측값에 해당될 수 있다.
산출부(150)에서 산출된 광학 두께의 정확도를 개선하기 위한 방안, 다시 말해, 산출부(150)에서 산출된 광학 두께가 실제의 광학 두께에 최대한 유사하도록 하는 방안이 마련될 수 있다.
일 예로, 산출부(150)는 에어로솔의 광학 두께를 예측하거나 산출하는 복수의 산출 모델 m을 타겟으로 동일한 원시 자료를 투입할 수 있다. 이에 따라 복수의 산출 모델에는 동일한 원시 자료가 각각 입력될 수 있다.
산출부(150)는 복수의 산출 모델 m으로부터 출력되는 출력값, 다시 말해 예측값에 해당되는 광학 두께를 모두 회수할 수 있다.
이때, 구축부(170)는 각 산출 모델로부터 회수된 출력값을 분석하고, 분석 결과에 따라 복수의 산출 모델 중에서 적용 모델을 추출할 수 있다. 그리고, 구축부(170)는 추출된 적용 모델의 출력값을 설정 지역에 대한 에어로솔의 광학 두께로 결정할 수 있다.
구체적으로, 설정 지역에서 실제로 관측된 에어로솔의 광학 두께를 '실제 두께'로 정의할 때, 구축부(170)는 복수의 산출 모델 m으로부터 회수한 복수의 광학 두께 중에서 '실제 두께'에 가장 가까운 값을 출력한 산출 모델 m을 적용 모델로 선정할 수 있다.
일단 적용 모델이 추출되면, 구축부(170)는 설정 지역에 대한 에어로솔의 광학 두께를 결정하는 과정에서 나머지 산출 모델 m의 출력값을 무시할 수 있다. 이에 따라, 구축부(170)는 설정 지역에 대하여 적용 모델이 선정되면, 그 이후에는 적용 모델만을 이용하여 설정 지역에 대한 에어로솔의 광학 두께를 산출할 수 있다.
한편, 복수의 산출 모델 m을 대상으로 동일한 원시 자료를 각각 투입하더라도, 복수의 산출 모델 m으로부터 모두 동일한 결과가 출력된다면 별다른 의미가 없을 수 있다.
동일한 학습 과정을 거쳐 생성되었음에도 불구하고, 복수의 산출 모델 m으로부터 서로 다른 값이 출력되도록 할 필요가 있다.
생성부(210)는 에어로솔의 광학 두께를 예측하거나 산출하는 복수의 산출 모델 m을 딥러닝 기반으로 생성할 수 있다.
이때, 생성부(210)는 설정 개수의 범위 내에서 서로 다른 개수의 은닉층을 갖는 산출 모델을 복수로 형성할 수 있다.
또는, 생성부(210)는 제1 방식, 제2 방식, 제3 방식 중 적어도 하나를 이용하여 서로 다른 개수의 노드를 갖거나 서로 다른 배열 방식의 노드를 갖는 산출 모델을 복수로 생성할 수 있다.
제1 방식은 입력단으로부터 출력단을 향하는 방향으로 갈수록 각 은닉층에 포함된 노드의 개수를 점진적으로 적게 형성하는 방식을 포함할 수 있다.
제2 방식은 입력단으로부터 출력단을 향하는 방향으로 갈수록 각 은닉층에 포함된 노드의 개수를 점진적으로 많게 형성하는 방식을 포함할 수 있다.
제3 방식은 제1 방식과 제2 방식이 혼용된 방식을 포함할 수 있다.
본 실시예에 따르면, 일단 적용 모델이 결정되면, 이후 다른 산출 모델이 배제되고, 오로지 적용 모델만을 이용하여 설정 지역에 대한 에어로솔의 광학 두께가 예측되고 산출될 수 있다. 따라서, 적용 모델의 결정은 신중하게 수행되는 것이 좋다.
적용 모델의 선정 과정에서 단 1회의 판별만으로 적용 모델이 선정되는 것은 그 신뢰성이 보장되기 어렵다.
설정 지역에 진정으로 적합한 적용 모델을 추출하기 위해, 구축부(170)는 복수의 산출 모델 m을 대상으로, 광학 두께의 산출에 필요한 원시 자료가 복수 회수 입력되고, 복수 회수의 산출 값이 각 산출 모델로부터 회수된 후에 적용 모델을 선정할 수 있다.
일 예로, 구축부(170)는 실제 두께와 가장 가까운 광학 두께 값을 가장 많은 회수로 출력한 산출 모델을 적용 모델로 선정할 수 있다.
또는, 구축부(170)는 실제 두께와 가장 가까운 광학 두께 값을 설정 회수만큼 연속해서 출력한 산출 모델을 적용 모델로 선정할 수 있다.
또는, 구축부(170)는 초기 원시 자료를 이용하여 실제 두께와 가장 가까운 광학 두께 값이 제1 설정 회수를 만족하는 산출 모델을 1차 추출할 수 있다. 구축부(170)는 초기 원시 자료와 구별되는 다른 원시 자료를 이용하여 1차 추출된 산출 모델 중에서 실제 두께와 가장 가까운 두께 값을 제2 설정 회수만큼 연속해서 출력한 산출 모델을 2차 추출할 수 있다. 구축부(170)는 2차 추출된 산출 모델 중에서 2차 추출의 기초가 된 광학 두께 값을 가장 최근에 출력한 산출 모델을 적용 모델로 선정할 수 있다.
본 실시예에 따르면, 측정 복사량에 가장 가까운 광학 두께 값을 가장 최근에 연속해서 출력한 산출 모델이 적용 모델로 선정될 수 있다. 이때의 적용 모델은 우연히 해당 상황을 만족한 것이 아니라 1차 추출 과정을 통해 제1 설정 회수를 이미 만족한 것이므로, 과거에도 예측 정확도가 일부 보장되는 것으로 파악될 수 있다. 또한, 최근의 정확도가 높으므로 적어도 현재 시점에서는 최고의 예측 정확도를 가지며, 장래에도 그 정확도가 기대될 수 있다.
한편, 일정 시간이 경과된 후 지속적인 학습을 통해 다른 산출 모델의 예측 정확도가 현재의 적용 모델 k를 추월할 수 있다. 이 점을 고려하여 학습부(230)는 각 산출 모델에 대한 학습을 지속적으로 유지할 수 있다. 또한, 구축부(170)는 설정 기간마다 적용 모델의 선정을 다시 수행할 수 있다. 이때의 후보에는 현재의 산출 모델 및 현재의 적용 모델도 포함될 수 있다.
도 3은 본 발명의 산출 방법을 나타낸 흐름도이다.
도 3의 산출 방법은 도 1 및 도 2에 도시된 산출 장치에 의해 수행될 수 있다.
산출 방법은 산출 단계(S 550), 결정 단계(S 570)를 포함할 수 있다.
산출 단계(S 550)는 광학 센서에 의해 관측된 복사량 데이터와 지오메트리 데이터를 딥러닝 모델의 입력 자료로 활용하여 에어로솔의 광학 두께를 산출할 수 있다. 이때, 딥러닝 모델은 산출 모델을 포함할 수 있다.
산출 단계(S 550)에는 학습 단계(S 551) 및 모델 이용 산출 단계(S 552)가 포함될 수 있다.
학습 단계(S 551)는 복사량과 지오메트리 데이터가 입력되면 에어로솔의 광학 두께를 출력하는 산출 모델을 생성하고 학습시킬 수 있다. 학습 단계(S 551)는 생성부(210) 및 학습부(230)에 의해 수행될 수 있다.
모델 이용 산출 단계(S 552)는 산출 모델에 원시 자료를 입력하고, 산출 모델로부터 에어로솔의 광학 두께를 획득할 수 있다. 모델 이용 산출 단계(S 552)는 산출부(150)에 의해 수행될 수 있다.
결정 단계(S 570)는 딥러닝 모델에서 산출된 에어로솔의 광학 두께와 실제 환경에서 관측된 에어로솔의 광학 두께를 비교하여 딥러닝 모델의 산출 정확도를 결정할 수 있다. 결정 단계(S 570)는 구축부(170)에 의해 수행될 수 있다.
결정 단계(S 570)는 검증 단계(S 571)와 선정 단계(S 572)를 포함할 수 있다.
검증 단계(S 570)는 산출 모델로부터 출력된 값을 실제로 측정된 광학 두께값과 비교하고 오차값을 산출할 수 있다.
선정 단계(S 570)는 최소의 오차값을 갖는 산출 모델을 설정 지역의 에어로솔 광학 두께를 산출하는 적용 모델로 선정할 수 있다.
산출 방법은 수집 단계(S 510), 가공 단계(S 530)를 더 포함할 수 있다.
수집 단계(S 510)는 광학 센서를 이용하여 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집할 수 있다. 수집 단계(S 510)는 수집부(110)에 의해 수행될 수 있다.
가공 단계(S 530)는 원시 자료에 포함된 결측값을 제거하고, 결측값이 제거된 원시 자료를 표준화할 수 있다. 가공 단계(S 530)는 가공부(130)에 의해 수행될 수 있다. 가공 단계(S 530)는 분류 단계(S 531) 및 설정 단계(S 532)를 포함할 수 있다.
분류 단계(S 531)는 딥러닝에 기반한 산출 모델에 적용하기 위하여 원시 자료를 학습과 테스트를 위한 자료 세트로 분류할 수 있다.
설정 단계(S 532)는 산출 모델에 적용하기 위하여 입력 변수 또는 출력 변수를 설정할 수 있다.
산출 단계(S 550)는 학습이 완료된 산출 모델을 대상으로 원시 자료를 입력하고, 산출 모델로부터 출력된 값을 원시 자료가 수집된 설정 지역에 대한 에어로솔의 광학 두께로 결정하거나 산출할 수 있다.
일 예로, 인공위성 센서의 상대 반응 함수 및 지오메트리 데이터가 원시 자료로 사용될 수 있다.
인공위성 센서의 상대 반응 함수 및 지오메트리 데이터를 복사 전달 모델에 적용하면 각 채널별 복사량 값이 산출될 수 있다.
인공위성 센서의 복사량 및 지오메트리 데이터를 딥러닝 알고리즘에 입력하여 에어로솔 광학 두께를 산출하는 단계는 인공위성 센서 채널별 복사량 값과 태양 천정각, 위성 관측각, 상대 방위각 값과 같은 지오메트리 데이터를 심층 신경망(DNN, Deep Neural Network) 기법에 적용하여 은닉층 및 노드 수와 같은 입력 요인별 에어로솔 광학 두께 값을 산출할 수 있다.
검증 단계는 산출한 각 요인별 에어로솔 광학 두께의 값과 기존 관측된 에어로솔 광학 두께 값을 비교하여 여러 검증지수 값을 계산하고, 비교 검증을 수행하여 적용 가능성을 판단할 수 있다.
선정 단계는 비교 검증 과정에서 정확도 및 신뢰도가 가장 높은 적용 모델을 선정하고, 원시 자료에 따른 최적의 방법론을 정립할 수 있다.
도 4는 산출 모델을 이용하여 산출된 광학 두께와 실제로 관측된 에어로솔 광학 두께를 산점도로 나타낸 그래프이다.
도면의 x축은 관측된 에어로솔의 광학 두께이고, y축은 산출 모델을 통해 산출된 에어로솔의 광학 두께일 수 있다. 도 4에 따르면, 산출 모델(적용 모델)로부터 산출된 에어로솔 광학 두께와 기관측된 에어로솔 광학 두께가 상당한 수준으로 일치하는 것을 확인할 수 있다.
도 5는 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 5의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 산출 장치 등) 일 수 있다.
도 5의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
110...수집부 130...가공부
150...산출부 170...구축부
210...생성부 230...학습부
150...산출부 170...구축부
210...생성부 230...학습부
Claims (10)
- 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집부;
딥러닝을 통해 마련된 산출 모델과 상기 원시 자료를 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출부;를 포함하고,
상기 산출부는 상기 산출 모델에 상기 원시 자료를 입력하고 상기 산출 모델의 출력값을 회수하고,
상기 산출 모델은 상기 원시 자료가 입력되면 에어로솔의 광학 두께를 출력하도록 학습된 딥러닝 모델을 포함하며,
상기 산출부는 상기 산출 모델로부터 회수된 상기 출력값을 상기 설정 지역에 대한 에어로솔의 광학 두께로 산출하는 산출 장치.
- 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집부;
딥러닝을 통해 마련된 산출 모델과 상기 원시 자료를 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출부;를 포함하고,
상기 원시 자료에 포함된 결측값을 제거하고, 상기 결측값이 제거된 원시 자료를 표준화하는 가공부가 마련되고,
상기 산출부는 가공부에 의해 표준화된 원시 자료를 상기 산출 모델에 투입하는 산출 장치.
- 삭제
- 제1항에 있어서,
상기 산출 모델을 학습시키는 학습부가 마련되고,
상기 학습부는 문제와 정답이 포함된 학습 데이터를 이용하여 상기 산출 모델을 학습시키며,
상기 문제는 상기 설정 지역을 대상으로 과거에 측정된 원시 자료에 해당하는 과거 자료를 포함하거나, 상기 설정 지역을 대상으로 가상으로 설정된 원시 자료에 해당하는 가상 자료를 포함하고,
상기 정답은 상기 과거 자료가 측정될 당시에 측정된 에어로솔의 광학 두께를 포함하거나, 상기 과거 자료 또는 상기 가상 자료를 수치 해석하여 에어로솔의 광학 두께를 산출하는 수치 해석 모델의 산출값에 해당하는 산출 두께를 포함하는 산출 장치.
- 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집부;
딥러닝을 통해 마련된 산출 모델과 상기 원시 자료를 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출부;를 포함하고,
상기 산출부는 에어로솔의 광학 두께를 예측하거나 산출하는 복수의 산출 모델을 타겟으로 동일한 원시 자료를 투입하고,
상기 산출부는 상기 복수의 산출 모델로부터 출력되는 출력값을 회수하며,
상기 설정 지역에 대한 에어로솔의 광학 두께를 결정하는 구축부가 마련되고,
상기 구축부는 각 산출 모델로부터 회수된 출력값을 분석하고, 분석 결과에 따라 복수의 상기 산출 모델 중에서 적용 모델을 추출하며,
상기 구축부는 추출된 상기 적용 모델의 출력값을 상기 설정 지역에 대한 에어로솔의 광학 두께로 결정하는 산출 장치.
- 설정 지역을 대상으로, 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집부;
딥러닝을 통해 마련된 산출 모델과 상기 원시 자료를 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출부;를 포함하고,
상기 설정 지역에 대한 에어로솔의 광학 두께를 결정하는 구축부가 마련되고,
상기 산출부는 복수의 산출 모델을 대상으로 상기 원시 자료를 각각 입력하고,
상기 산출부는 상기 복수의 산출 모델로부터 출력된 광학 두께를 회수하며,
상기 설정 지역에서 실제로 관측된 에어로솔의 광학 두께를 실제 두께로 정의할 때,
상기 구축부는 상기 복수의 산출 모델로부터 회수한 복수의 광학 두께 중에서 상기 실제 두께에 가장 가까운 값을 출력한 산출 모델을 적용 모델로 선정하는 산출 장치.
- 제6항에 있어서,
상기 구축부는 상기 설정 지역에 대하여 상기 적용 모델이 선정되면, 그 이후에는 상기 적용 모델만을 이용하여 상기 설정 지역에 대한 에어로솔의 광학 두께를 산출하는 산출 장치.
- 제5항에 있어서,
에어로솔의 광학 두께를 산출하는 복수의 산출 모델을 딥러닝 기반으로 생성하는 생성부가 마련되고,
상기 생성부는 설정 개수의 범위 내에서 서로 다른 개수의 은닉층을 갖는 산출 모델을 복수로 형성하거나,
상기 생성부는 제1 방식, 제2 방식, 제3 방식 중 적어도 하나를 이용하여 서로 다른 개수의 노드를 갖거나 서로 다른 배열 방식의 노드를 갖는 산출 모델을 복수로 생성하며,
상기 제1 방식은 입력단으로부터 출력단을 향하는 방향으로 갈수록 각 은닉층에 포함된 노드의 개수를 점진적으로 적게 형성하는 방식이고,
상기 제2 방식은 입력단으로부터 출력단을 향하는 방향으로 갈수록 각 은닉층에 포함된 노드의 개수를 점진적으로 많게 형성하는 방식이며,
상기 제3 방식은 상기 제1 방식과 상기 제2 방식이 혼용된 방식인 산출 장치.
- 삭제
- 산출 장치에 의해 수행되는 산출 방법에 있어서,
광학 센서에 의해 관측된 복사량 데이터와 지오메트리 데이터를 딥러닝 모델의 입력 자료로 활용하여 에어로솔의 광학 두께를 산출하는 산출 단계;
상기 딥러닝 모델에서 산출된 에어로솔의 광학 두께와 실제 환경에서 관측된 에어로솔의 광학 두께를 비교하여 상기 딥러닝 모델의 산출 정확도를 결정하는 결정 단계;를 포함하고,
광학 센서를 이용하여 설정 광원의 복사량과 지오메트리 데이터가 포함된 원시 자료를 수집하는 수집 단계;
딥러닝에 기반한 산출 모델에 적용하기 위하여 상기 원시 자료를 학습과 테스트를 위한 자료 세트로 분류하는 분류 단계;
상기 산출 모델에 적용하기 위하여 입력 변수 또는 출력 변수를 설정하는 설정 단계;
복사량과 지오메트리 데이터가 입력되면 에어로솔의 광학 두께를 출력하는 상기 산출 모델을 학습시키는 학습 단계;를 포함하고,
상기 산출 단계는 학습이 완료된 상기 산출 모델을 대상으로 상기 원시 자료를 입력하고, 상기 산출 모델로부터 출력된 값을 상기 원시 자료가 수집된 설정 지역에 대한 에어로솔의 광학 두께로 결정하거나 산출하는 산출 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220083000A KR102485924B1 (ko) | 2022-07-06 | 2022-07-06 | 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220083000A KR102485924B1 (ko) | 2022-07-06 | 2022-07-06 | 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102485924B1 true KR102485924B1 (ko) | 2023-01-06 |
Family
ID=84923957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220083000A KR102485924B1 (ko) | 2022-07-06 | 2022-07-06 | 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102485924B1 (ko) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080067402A (ko) * | 2007-01-16 | 2008-07-21 | 연세대학교 산학협력단 | 단일 가시광 채널을 갖는 정지궤도 인공위성을 이용한에어러솔 광학깊이 산출방법 |
| KR20100027626A (ko) * | 2008-09-03 | 2010-03-11 | 연세대학교 산학협력단 | 광학 측정을 통한 에어로솔 분석방법 |
| KR20190076523A (ko) * | 2017-12-22 | 2019-07-02 | 한국해양과학기술원 | 대기 에어로졸입자에 의한 광 산란 반사도 보정 장치 및 방법 |
| KR102063358B1 (ko) * | 2019-10-22 | 2020-03-02 | (주)한국해양기상기술 | 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 |
| KR20210018738A (ko) * | 2019-08-09 | 2021-02-18 | 한국전자통신연구원 | 에어로졸 산출 시스템의 모듈화 및 일괄처리 방법 |
| KR20210018737A (ko) * | 2019-08-09 | 2021-02-18 | 한국전자통신연구원 | 에어로졸의 광학 특성 산출 장치 및 방법 |
| KR20220001972A (ko) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법 |
| KR102374002B1 (ko) * | 2021-10-08 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 |
| KR20220045375A (ko) * | 2020-10-05 | 2022-04-12 | 한국항공우주연구원 | 위성 영상의 지표면 반사도 산출 시스템 및 그 방법 |
-
2022
- 2022-07-06 KR KR1020220083000A patent/KR102485924B1/ko active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080067402A (ko) * | 2007-01-16 | 2008-07-21 | 연세대학교 산학협력단 | 단일 가시광 채널을 갖는 정지궤도 인공위성을 이용한에어러솔 광학깊이 산출방법 |
| KR20100027626A (ko) * | 2008-09-03 | 2010-03-11 | 연세대학교 산학협력단 | 광학 측정을 통한 에어로솔 분석방법 |
| KR101007304B1 (ko) | 2008-09-03 | 2011-01-17 | 연세대학교 산학협력단 | 광학 측정을 통한 에어로솔 분석방법 |
| KR20190076523A (ko) * | 2017-12-22 | 2019-07-02 | 한국해양과학기술원 | 대기 에어로졸입자에 의한 광 산란 반사도 보정 장치 및 방법 |
| KR20210018738A (ko) * | 2019-08-09 | 2021-02-18 | 한국전자통신연구원 | 에어로졸 산출 시스템의 모듈화 및 일괄처리 방법 |
| KR20210018737A (ko) * | 2019-08-09 | 2021-02-18 | 한국전자통신연구원 | 에어로졸의 광학 특성 산출 장치 및 방법 |
| KR102063358B1 (ko) * | 2019-10-22 | 2020-03-02 | (주)한국해양기상기술 | 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치 |
| KR20220001972A (ko) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법 |
| KR20220045375A (ko) * | 2020-10-05 | 2022-04-12 | 한국항공우주연구원 | 위성 영상의 지표면 반사도 산출 시스템 및 그 방법 |
| KR102374002B1 (ko) * | 2021-10-08 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 |
Non-Patent Citations (1)
| Title |
|---|
| Improved retrievals of aerosol optical depth and...(Yoojin Kang, ISPRS Journal of P&R Sensing, Nov. 2021)* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11531899B2 (en) | Method for estimating a global uncertainty of a neural network | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
| CN113408742B (zh) | 一种基于机器学习的高精度海表温度反演方法 | |
| CN117408536A (zh) | 基于ai的水下测绘实时分析系统 | |
| CN114139819B (zh) | 基于地统计加权随机森林的地球化学变量空间预测方法 | |
| KR102248963B1 (ko) | 해무 예측 방법 및 그 장치 | |
| Viovy et al. | Hidden Markov models applied to vegetation dynamics analysis using satellite remote sensing | |
| CN116609858A (zh) | 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及系统 | |
| CN116243406A (zh) | 一种卫星红外辐射率资料的全空同化方法 | |
| KR102485924B1 (ko) | 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 | |
| CN113935228A (zh) | 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 | |
| CN117311393A (zh) | 一种无人机自主飞行路径规划方法及系统 | |
| CN117271979A (zh) | 一种基于深度学习的赤道印度洋表层海流流速预测方法 | |
| CN117131654A (zh) | 基于预分析初猜值条件非线性最优扰动的目标观测方法 | |
| CN116760017A (zh) | 一种光伏发电的预测方法 | |
| KR102490858B1 (ko) | 인공지능 기반 태양 복사량 및 대기 투과도 결정 장치 및 방법 | |
| CN116559369A (zh) | 基于天空地立体时空碳监测选点与融合碳核查的监测方法 | |
| CN115982573A (zh) | 多功能送料机及其控制方法 | |
| KR102325137B1 (ko) | 미세먼지 예측 정확도 향상을 위한 하이브리드 딥러닝 모델 생성 장치 및 방법 | |
| CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 | |
| CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
| Alvarez-Montoya et al. | Gaussian process modeling for damage detection in composite aerospace structures by using discrete strain measurements | |
| CN112686325B (zh) | 一种基于灰度包络的水下目标搜索方案评估决策方法 | |
| CN117556376B (zh) | 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |