KR102487665B1 - 기계학습을 이용한 농업지역 3m 풍속 예측 방법 - Google Patents

기계학습을 이용한 농업지역 3m 풍속 예측 방법 Download PDF

Info

Publication number
KR102487665B1
KR102487665B1 KR1020200128660A KR20200128660A KR102487665B1 KR 102487665 B1 KR102487665 B1 KR 102487665B1 KR 1020200128660 A KR1020200128660 A KR 1020200128660A KR 20200128660 A KR20200128660 A KR 20200128660A KR 102487665 B1 KR102487665 B1 KR 102487665B1
Authority
KR
South Korea
Prior art keywords
data
machine learning
wind speed
prediction
agricultural
Prior art date
Application number
KR1020200128660A
Other languages
English (en)
Other versions
KR20220046027A (ko
Inventor
민병훈
신주영
박준상
김규랑
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 KR1020200128660A priority Critical patent/KR102487665B1/ko
Publication of KR20220046027A publication Critical patent/KR20220046027A/ko
Application granted granted Critical
Publication of KR102487665B1 publication Critical patent/KR102487665B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • 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

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Environmental Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기상청에서 제공하는 10m 풍속 정보가 농업환경에서 사용하기에는 실효성이 떨어지는 문제점 및 농촌진흥청에서 제공하는 3m 풍속정보의 관측 공백지역이 생기는 문제점을 해결할 수 있으며, 농업지역에 3m 풍속 예측정보를 제공해 바람에 의한 농작물 피해를 줄일 수 있고, 농업지역에 특화된 100m 해상도 저층 풍속 예측정보를 제공해 농업기상관측장비가 설치되어 있지 않아 관측 공백지역이 생기는 문제점을 해결할 수 있는 기계학습을 이용한 농업지역 3m 풍속 예측 방법에 관한 발명이다.

Description

기계학습을 이용한 농업지역 3m 풍속 예측 방법{PREDICTION ASSESSMENT METHODS FOR WIND SPEED AT 3m HEIGHT USING MACHINE LEARNING AT AGRICULTUAL REGION}
본 발명은 기계학습을 이용한 농업지역 3m 풍속 예측 방법에 관한 것으로, 더욱 상세하게는 고해상도 수치모델 예측자료와 토양적성도, 지형정보를 입력변수로 사용하고 농업지역에서 관측된 3m 풍속자료를 학습자료로 사용해서 기계학습을 수행해 농업지역에서 3m 풍속을 예측 및 평가하는 방법에 관한 것이다.
농업에서 바람은 매우 중요한 기상요소 중 하나이다.
연풍은 작물의 증산작용 촉진, 수관 내의 습도조절 및 병해발생 억제, 엽소현상 방지 등의 효과가 있고, 강풍은 광합성 방해, 건조상해, 기계적 상해 및 매개곤충 활동 저하 등의 피해를 주게 된다.
현재 기상청에서 제공하는 풍속 자료는 고도 10m에서 관측 및 예측한 자료이기 때문에 농업환경에서 실효성이 떨어지는 문제점을 안고 있다.
이에. 농촌진흥청은 3m 높이에서 바람을 관측하는 농업기상관측장비를 전국 210여 개 지점에 설치해서 자료를 수집하고 있다.
하지만, 모든 농업지역에 농업기상관측장비가 설치되어 있지 않아 관측 공백지역이 생기는 문제점이 있다.
이에 따라, 저층 바람 예측자료를 생산할 수 있는 방법이 필요하게 되었다.
대한민국 등록특허공보 제2065280호
본 발명의 목적은 농업지역에 특화된 100m 해상도 저층 풍속 예측정보를 제공해 농업기상관측장비가 설치되어 있지 않아 관측 공백지역이 생기는 문제점을 해결하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 제공함에 있다.
본 발명은 기상청에서 제공하는 10m 풍속 정보가 농업환경에서 사용하기에는 실효성이 떨어지는 문제점 및 농촌진흥청에서 제공하는 3m 풍속정보의 관측 공백지역이 생기는 문제점을 해결할 수 있으며, 농업지역에 3m 풍속 예측정보를 제공해 바람에 의한 농작물 피해를 줄일 수 있도록 한 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법은,
기계학습을 수행하는데 필요한 입력자료를 수집하고 전처리하는 단계와,
상기 입력자료를 사용해서 입력변수를 선정하고 상기 기계학습을 수행하는 단계와,
상기 기계학습의 수행을 통해 농업지역 3m 풍속 예측자료를 생산하는 단계를 그 기술적 방법상의 기본 특징으로 한다.
본 발명은 농업지역에 특화된 100m 해상도 저층 풍속 예측정보를 제공해 농업기상관측장비가 설치되어 있지 않아 관측 공백지역이 생기는 문제점을 해결하는 효과가 있다.
본 발명은 기상청에서 제공하는 10m 풍속 정보가 농업환경에서 사용하기에는 실효성이 떨어지는 문제점 및 농촌진흥청에서 제공하는 3m 풍속정보의 관측 공백지역이 생기는 문제점을 해결할 수 있으며, 농업지역에 3m 풍속 예측정보를 제공해 바람에 의한 농작물 피해를 줄일 수 있는 효과가 있다.
도 1은 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 설명하기 위한 3m 풍속 예측자료 생산 흐름도.
도 2는 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 설명하기 위한 학습에 사용된 전국 113개 관측지점을 나타낸 이미지.
도 3은 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 설명하기 위한 3m 저층 풍속 예측자료와 관측자료를 비교 평가한 그래프.
본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법의 바람직한 실시예를 도면을 참조하여 설명하기로 하고, 그 실시예로는 다수 개가 존재할 수 있으며, 이러한 실시예를 통하여 본 발명의 목적, 특징 및 이점들을 더욱 잘 이해할 수 있게 된다.
도 1은 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 설명하기 위한 3m 풍속 예측자료 생산 흐름도이다.
고해상도 3m 풍속 예측자료를 생산하기 위한 단계는 아래 세 단계로 이뤄지며, 보다 자세한 생산 흐름은 도 1과 같다.
(1) 자료수집 및 전처리(S10)
(2) 입력변수 선정 및 기계학습 수행(S20)
(3) 예측자료 생산 및 평가(S30, S40)
도 2는 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 설명하기 위한 학습에 사용된 전국 113개 관측지점을 나타낸 이미지이다.
1. 자료수집 및 전처리(S10)
기계학습을 이용한 고해상도 3m 풍속 예측자료를 생산하기 위해 관측자료와 입력자료가 필요하다.
관측자료는 기계학습을 수행하는데 필요한 학습자료로 사용되며, 생산된 고해상도 3m 풍속 예측자료의 성능 평가에도 사용된다.
본 발명에서 사용된 관측자료는 농업지역에 설치된 농업기상관측장비의 3m 풍속자료이며, 113개 지점에서 관측된 풍속자료를 학습에 사용한다(도 2).
본 발명에서 사용된 입력자료로는 수치자료, 피복자료, 지형자료, 시공간자료가 사용된다.
수치자료는 100m 해상도 수치모델인 고해상도 규모상세화 수치자료 산출체계(Korea Meteorological Administration Post Processing, KMAPP)의 예측자료를 사용한다. KMAPP 예측자료에서 바람, 상대습도, 기온, 해면기압 정보를 추출하고, 113개 관측지점의 관측자료와 위치 및 시간이 일치하게 전처리한다.
피복자료는 토양적성도를 사용한다. 작물에 따라 거칠기(roughness)와 높이(displacement length)가 다르며, 거칠기와 높이는 연직 풍속 변화에 영향을 준다. 토양적성도에 따라 작물의 종류가 달라지며, 따라서 토양적성도와 농업지역 풍속 사이에 연관성이 있다. 토양적성도에서 113개 관측지점의 값을 추출해서 입력자료로 사용한다.
입력변수로 사용되는 지형정보를 생산하기 위해 KMAPP의 고도정보를 사용한다. 고도정보에 8th 정확도의 중심유한차분법(eighth-order accuracy central finite difference)을 적용해서 기울기 정보와 곡률 정보를 산출하며, 113개 관측지점의 고도와 기울기, 곡률 정보를 입력자료로 사용한다.
입력변수로 사용된 시공간자료는 각 관측값의 위경도, 년, 월, 일, 시이다.
2. 입력변수 선정 및 기계학습 수행(S20)
기계학습을 이용한 농업지역 3m 풍속 예측자료 생산에 유의미한 입력변수를 선정하기 위하여 backward elimination을 실시하고, backward elimination으로 선정된 입력변수를 사용해서 예측시간 별로 기계학습을 수행한다.
Backward elimination은 모든 변수를 사용해서 학습을 한 후 학습에 가장 도움이 되는 않는 변수를 하나씩 빼나가는 작업이다.
본 발명에서는 수치자료, 피복자료, 지형자료, 시공간자료를 입력자료로 사용하며, 각 입력자료의 변수 개수는 수치자료 5개, 피복자료 25개, 지형자료 5개, 시공간자료 6개이다.
Backward elimination 결과 피복자료와 시공간 자료에서 학습에 도움이 되지 않는 변수가 감하고, 결과적으로 피복자료 2개(배수등급, 토양유형), 시공간자료 4개(위도, 경도, 월(month), 시(hour)가 학습에 도움이 되는 변수로 남게 한다.
선정된 입력변수와 학습자료를 사용해서 기계학습을 수행하고, 기계학습 방법은 random forest를 사용하며, 수치자료의 예측시간(F00 ~ F48) 별로 총 49회 학습을 진행한다. 또한 학습의 과적합을 막기 위해 오버샘플링(oversampling) 후 학습을 진행한다.
3. 예측자료 생산 및 평가(S30, S40)
학습 결과의 성능을 평가하기 위해 학습에 사용되지 않은 입력변수를 사용해서 예측자료를 생산하고 관측자료와 비교 평가하는 작업이 이루어진다.
학습 및 평가에 사용되는 자료들을 나누기 위해 전체 자료를 무작위로 섞어 학습(training data set), 검증(validation data set), 평가(test data set) 자료로 나누고, 학습 자료를 사용해서 학습을 진행하며 검증 자료를 사용해서 학습 결과를 검증한다. 그리고 평가 자료를 사용해서 예측자료를 생산해 학습 결과의 평가를 진행한다.
생산된 예측자료 평가는 RMSE(Root Mean Square Error)와 Accuracy(정확도)를 이용해서 진행하고, RMSE와 Accuracy는 아래 식과 같으며, Accuracy를 계산하기 위해 풍속을 구간별로 분류한다.
RMSE =
Figure 112020105369684-pat00001
(식 1)
Accuracy =
Figure 112020105369684-pat00002
(식 2)
Figure 112020105369684-pat00003
는 예측된 풍속을,
Figure 112020105369684-pat00004
는 관측된 풍속을 의미한다.
Figure 112020105369684-pat00005
는 전체 예측 개수를 의미하며,
Figure 112020105369684-pat00006
는 전체 맞춘 개수를 의미한다.
도 3은 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측 방법을 설명하기 위한 3m 저층 풍속 예측자료와 관측자료를 비교 평가한 그래프이다.
평가 결과는 도 3과 같다. 도 3의 그래프를 더욱 구체적으로 설명하면 x축은 예측시간을, y축은 평가 결과(RMSE, Accuracy)를 나타낸다.
도 3을 보면 예측시간이 증가함에 따라 RMSE가 증가하고 Accuracy는 감소한다. 다시 말해 예측시간이 증가함에 따라 예측성능이 떨어진다. 이는 예측시간이 증가함에 따라 수치모델의 예측성능이 떨어지기 때문이다.
도 3을 보면 3m 풍속 예측자료와 관측자료 사이의 RMSE는 0.75∼0.81, Accuracy는 0.74∼0.77 값을 나타낸다.
구체적으로, KMAPP은 00, 06, 12, 18 UTC를 초기시간으로 일 4회 48시간 예측한다. 도 3의 x축은 초기시간으로부터 예측된 시간을 의미한다. 따라서 도 3에서 예측시간이 3시간이면 03, 09, 15, 21 UTC에 예측된 3m 풍속의 성능을 나타낸다.
RMSE는 예측모델의 에러를 나타낸다. 따라서 RMSE의 증가는 예측모델 성능의 낮아짐을 의미한다. 도 3의 왼쪽 그림은 예측된 3m 풍속의 RMSE를 나타내며 예측시간이 증가함에 따라 에러가 커짐을 알 수 있다.
Accuracy는 예측모델의 정확도를 나타낸다. 따라서 Accuracy의 감소는 예측모델 성능의 낮아짐을 의미한다. 도 3의 오른쪽 그림은 예측된 3m 풍속의 Accuracy를 나타내며 예측시간이 증가함에 따라 정확도가 낮아짐을 알 수 있다.
일반적으로 예측모델은 예측시간이 증가함에 따라 성능이 떨어지는데, 그 결과 예측시간이 증가함에 따라 RMSE가 증가하고 Accuracy가 감소한다. 도 3을 보면 이러한 특징이 잘 나타나 예측시간이 증가함에 따라 RMSE가 증가하고 Accuracy가 감소함을 알 수 있다.
이와 같이, 본 발명에 따른 기계학습을 이용한 농업지역 3m 풍속 예측방법은 기상청에서 제공하는 10m 풍속 정보가 농업환경에서 사용하기에는 실효성이 떨어지는 문제점 및 농촌진흥청에서 제공하는 3m 풍속정보의 관측 공백지역이 생기는 문제점을 해결할 수 있으며, 농업지역에 3m 풍속 예측정보를 제공해 바람에 의한 농작물 피해를 줄일 수 있게 된다.
그리고, 본 발명은 농업지역에 특화된 100m 해상도 저층 풍속 예측정보를 제공해 농업기상관측장비가 설치되어 있지 않아 관측 공백지역이 생기는 문제점을 해결할 수 있다.
본 발명은 농업지역에서 저층 풍속을 예측하여 바람에 의한 농작물 피해를 사전에 방지하는 산업분야에 이용 가능하다.
S10 : 자료수집 및 전처리
S20 : 입력변수 선정 및 기계학습 수행
S30 : 예측자료 생산
S40 : 평가

Claims (9)

  1. 기계학습을 수행하는데 필요한 입력자료를 수집하고 전처리하는 단계(S10)와, 상기 입력자료를 사용해서 입력변수를 선정하고 상기 기계학습을 수행하는 단계(S20)와, 상기 기계학습의 수행을 통해 농업지역 3m 풍속 예측자료를 생산하는 단계(S30)를 포함하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법에 있어서,
    상기 입력자료는 수치자료, 피복자료, 지형자료, 시공간자료이고,
    상기 수치자료는 100m 해상도 수치모델인 고해상도 규모상세화 수치자료 산출체계(Korea Meteorological Administration Post Processing, KMAPP)의 예측자료이고,
    상기 피복자료는 토양적성도를 사용하고,
    상기 지형자료는 KMAPP의 고도정보이고,
    상기 시공간자료는 각 관측값의 위경도, 년, 월, 일, 시이고,
    상기 수치자료는 KMAPP 예측자료에서 바람, 상대습도, 기온, 해면기압 정보를 추출한 것이고, 전국 113개 관측지점의 관측자료와 위치 및 시간이 일치하도록 전처리하며,
    상기 피복자료는 토양적성도에서 전국 113개 관측지점의 값을 추출한 것이고,
    상기 지형자료는 KMAPP의 고도정보에 8th 정확도의 중심유한차분법(eighth-order accuracy central finite difference)을 적용해서 기울기 정보와 곡률 정보를 산출한 것이고, 나아가 전국 113개 관측지점의 고도, 기울기 및 곡률 정보인 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 S20 단계는 상기 기계학습을 이용한 농업지역 3m 풍속 예측자료 생산에 입력변수를 선정하기 위하여 backward elimination을 실시하고, backward elimination으로 선정된 입력변수를 사용해서 예측시간 별로 상기 기계학습을 수행한 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
  5. 제4항에 있어서,
    상기 S20 단계에서 선정된 입력변수와 학습자료를 사용해서 상기 기계학습을 수행하고, 상기 기계학습은 random forest를 사용하고, 수치자료의 예측시간(F00 ~ F48) 별로 총 49회 학습을 진행하며, 학습의 과적합을 막기 위해 오버샘플링(oversampling) 후 학습을 진행하는 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
  6. 제1항, 제4항 및 제5항 중 어느 한 항에 있어서,
    상기 S30 단계 후 상기 기계학습 결과의 성능을 평가하기 위해 상기 기계학습에 사용되지 않은 입력변수를 사용해서 예측자료를 생산하고 관측자료와 비교 평가하는 단계(S40)를 더 포함하는 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
  7. 제6항에 있어서,
    상기 S40 단계에서 상기 관측자료는 농업지역에 설치된 농업기상관측장비의 3m 풍속자료인 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
  8. 제7항에 있어서,
    상기 S40 단계는 상기 기계학습 및 평가에 사용되는 자료들을 나누기 위해 전체 자료를 무작위로 섞어 학습(training data set), 검증(validation data set), 평가(test data set) 자료로 나누고, 상기 학습 자료를 사용해서 상기 기계학습을 진행하고, 상기 검증 자료를 사용해서 학습 결과를 검증하며, 상기 평가 자료를 사용해서 예측자료를 생산해 상기 기계학습 결과의 평가를 진행한 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
  9. 제8항에 있어서,
    상기 S40 단계에서 생산된 예측자료 평가는 RMSE(Root Mean Square Error)와 Accuracy(정확도)를 이용해서 진행하고, RMSE와 Accuracy는 아래 식 1 및 2와 같으며, Accuracy를 계산하기 위해 풍속을 구간별로 분류한 것을 특징으로 하는 기계학습을 이용한 농업지역 3m 풍속 예측 방법.
    RMSE =
    Figure 112022089629901-pat00007
    (식 1)
    Accuracy =
    Figure 112022089629901-pat00008
    (식 2)
    이때,
    Figure 112022089629901-pat00009
    는 예측된 풍속,
    Figure 112022089629901-pat00010
    는 관측된 풍속.
    Figure 112022089629901-pat00011
    는 전체 예측 개수,
    Figure 112022089629901-pat00012
    는 전체 맞춘 개수를 각각 의미한다.
KR1020200128660A 2020-10-06 2020-10-06 기계학습을 이용한 농업지역 3m 풍속 예측 방법 KR102487665B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200128660A KR102487665B1 (ko) 2020-10-06 2020-10-06 기계학습을 이용한 농업지역 3m 풍속 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200128660A KR102487665B1 (ko) 2020-10-06 2020-10-06 기계학습을 이용한 농업지역 3m 풍속 예측 방법

Publications (2)

Publication Number Publication Date
KR20220046027A KR20220046027A (ko) 2022-04-14
KR102487665B1 true KR102487665B1 (ko) 2023-01-16

Family

ID=81211369

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200128660A KR102487665B1 (ko) 2020-10-06 2020-10-06 기계학습을 이용한 농업지역 3m 풍속 예측 방법

Country Status (1)

Country Link
KR (1) KR102487665B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240114080A (ko) 2023-01-16 2024-07-23 에스티에이코퍼레이션 주식회사 기상정보를 이용한 매시 초상온도 추정 장치와 이를 이용한 매시 초상온도 추정 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101255966B1 (ko) 2012-03-21 2013-04-23 대한민국(기상청장) 기상레이더 3차원 반사도 자료를 이용한 밝은 띠 영역의 탐색 방법 및 그 시스템
US10613252B1 (en) 2015-10-02 2020-04-07 Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville Weather forecasting systems and methods
US20200117173A1 (en) 2018-10-10 2020-04-16 The Climate Corporation Agricultural management recommendations based on blended model

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190071174A (ko) * 2017-12-14 2019-06-24 한국전기연구원 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템
KR102065280B1 (ko) 2018-11-19 2020-02-11 한국외국어대학교 연구산학협력단 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101255966B1 (ko) 2012-03-21 2013-04-23 대한민국(기상청장) 기상레이더 3차원 반사도 자료를 이용한 밝은 띠 영역의 탐색 방법 및 그 시스템
US10613252B1 (en) 2015-10-02 2020-04-07 Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville Weather forecasting systems and methods
US20200117173A1 (en) 2018-10-10 2020-04-16 The Climate Corporation Agricultural management recommendations based on blended model

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Younes Noorollahi, Mohammad Ali Jokar, Ahmad Kalhor. Using artificial neural networks for temporal and spatial wind speed forecasting in Iran. Energy Conversion and Management 115 (2016). pp.17-25. (2016.05.01.) 1부.*
구성관, 홍석민, 김기영, 권재일. 심층신경망을 활용한 풍속 예측 개선 모델 개발. 한국항행학회논문지. 23(6). pp.597-604. (2019.12.31.) 1부.*

Also Published As

Publication number Publication date
KR20220046027A (ko) 2022-04-14

Similar Documents

Publication Publication Date Title
US7167800B2 (en) Method of optimizing remote sensing operation timing
Karger et al. The importance of species pool size for community composition
Kita et al. A new method for earthquake-induced damage identification in historic masonry towers combining OMA and IDA
Confalonieri et al. A model for simulating the height of rice plants
Imong et al. Distinguishing ecological constraints from human activity in species range fragmentation: the case of C ross R iver gorillas
KR101646587B1 (ko) 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법
CN112950880A (zh) 一种基于大数据的火灾预警方法及系统
CN117371727A (zh) 一种基于物联网的智慧农业监测与规划方法及系统
KR102487665B1 (ko) 기계학습을 이용한 농업지역 3m 풍속 예측 방법
CN112308284A (zh) 作物特性预测系统及方法、计算机可读取的存储介质
CN113822495B (zh) 基于机器学习模型的长势预测方法、装置、设备及介质
Zhang et al. Sensitivity of soybean planting date to wet season onset in Mato Grosso, Brazil, and implications under climate change
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
Rathod et al. An improved space-time autoregressive moving average (STARMA) model for modelling and forecasting of spatio-temporal time-series data
Sarzaeim et al. Analytics for climate-uncertainty estimation and propagation in maize-phenotype predictions
Bannayan et al. Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique
Tadesse et al. The vegetation outlook (VegOut): a new tool for providing outlooks of general vegetation conditions using data mining techniques
de Oliveira Human occupation explains species invasion better than biotic stability: evaluating Artocarpus heterophyllus Lam.(Moraceae; jackfruit) invasion in the Neotropics
CN114154428A (zh) 目标物种潜在入侵风险评估方法及装置
CN118348900B (zh) 一种基于物联网的田间环境控制方法及装置
CN117787542B (zh) 一种干旱风险评估方法、装置、计算机设备及存储介质
Taylor et al. Improving spatial predictions of Eucalypt plantation growth by combining interpretable machine learning with the 3-PG model
Kushe et al. Impact of Weighting Factor On Cosine Similarity Based Avalanche Forecasting Model
Dimou et al. Prediction of Windthrow Damage in Mixed Conifer-Broadleaf Stands via a Machine Learning Model
CN118468200B (zh) 一种污染源在线监测数据中的造假数据分析方法

Legal Events

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