KR102561270B1 - 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 - Google Patents

구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 Download PDF

Info

Publication number
KR102561270B1
KR102561270B1 KR1020210084940A KR20210084940A KR102561270B1 KR 102561270 B1 KR102561270 B1 KR 102561270B1 KR 1020210084940 A KR1020210084940 A KR 1020210084940A KR 20210084940 A KR20210084940 A KR 20210084940A KR 102561270 B1 KR102561270 B1 KR 102561270B1
Authority
KR
South Korea
Prior art keywords
data
model
point
prediction
time
Prior art date
Application number
KR1020210084940A
Other languages
English (en)
Other versions
KR20230001867A (ko
Inventor
서승원
김현정
김아정
이명희
Original Assignee
군산대학교산학협력단
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 군산대학교산학협력단 filed Critical 군산대학교산학협력단
Priority to KR1020210084940A priority Critical patent/KR102561270B1/ko
Publication of KR20230001867A publication Critical patent/KR20230001867A/ko
Application granted granted Critical
Publication of KR102561270B1 publication Critical patent/KR102561270B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

해상 표류물의 위치 추정 방법 및 위치 추정 장치가 개시된다. 위치 추정 방법은 기상 데이터를 수집하는 단계, 해상 환경 모델에 제1 시점의 기상 데이터를 입력하여 해상 상황에 대한 후측 정보를 나타내는 후측 데이터를 획득하는 단계, 후측 데이터 및 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시키는 단계, 제1 시점보다 미래인 제2 시점의 장래 예측된 기상 데이터를 수집하는 단계, 해상 환경 모델에 제2 시점의 장래 예측된 기상 데이터를 입력하여 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득하는 단계, 예측 모델에 제2 시점의 장래 예측된 기상 데이터를 입력하여 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득하는 단계 및 제1 예측 데이터 및 제2 예측 데이터에 기초하여 제2 시점에 해상 표류물이 위치할 위치 정보를 추정하는 단계를 포함할 수 있다.

Description

구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING THE POSITION OF THE SEA DRIFT OBJECT FOR SEARCH AND RESCUE}
아래 실시 예들은 구조 구난을 위한 해상 표류물의 위치 추정 기술에 관한 것이다.
종래의 기술에 의하면 조난 시 실종자의 정확한 위치를 파악하는 방법이나, 실종자가 조난 사실을 알리는 방법이 마련되어 있지 않다. 따라서, 실종자의 대략적인 위치를 파악하는 것이 어렵고, 실종자가 사망하여 익수체가 발생한 경우에도, 해상의 다양한 요소에 의해 익수체가 부상하는 시기가 달라 수색 작업이 어려운 실정이다. 최신 기술을 이용하더라도 해상 상황을 실제 자연 현상과 동일한 조건으로 재현 및 예측하는 것이 어려우며, 관련 기술이 고안되었다고 해도 그 성능을 입증하는 것이 어려운 측면이 있다.
일 실시예에 따른 해상 표류물의 위치 추정 방법은 기상 데이터를 수집하는 단계; 해상 환경 모델에 제1 시점(time)의 기상 데이터를 입력하여 해상 상황에 대한 후측(hindcast) 정보를 나타내는 후측 데이터를 획득하는 단계; 상기 후측 데이터 및 상기 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시키는 단계; 상기 제1 시점보다 미래인 제2 시점의 장래 예측(forecast)된 기상 데이터를 수집하는 단계; 상기 해상 환경 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득하는 단계; 상기 예측 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득하는 단계; 및 상기 제1 예측 데이터 및 상기 제2 예측 데이터에 기초하여 상기 제2 시점에 상기 해상 표류물이 위치할 위치 정보를 추정하는 단계를 포함할 수 있다.
상기 해상 환경 모델은, 상기 제1 시점보다 과거의 기상 데이터 및 상기 제1 시점보다 과거의 기상 데이터에 의해 관측된 해상 상황 데이터에 기초하여 가상의 해상 환경을 구현한 모델일 수 있다.
상기 해상 상황 데이터는, 상기 제1 시점보다 과거의 기상 데이터에 의해 변화가 발생한 조석, 조류, 해일, 파랑, 유속, 해면 기압, 바람 계수 중 적어도 하나를 관측한 데이터를 포함할 수 있다.
상기 해상 환경 모델은, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의를 통해 생성될 수 있다.
상기 추정하는 단계는, 상기 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물의 풍압차(leeway)가 반영된 위치 정보를 추정하는 단계를 포함할 수 있다.
상기 해상 환경 모델은, 상기 제1 시점보다 과거의 기상 데이터가 미리 정해진 기준에 기초하여 특이 기상 데이터를 포함하는 것으로 결정된 경우, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의가 수행된 결과에 기초하여 생성되고, 상기 특이 기상 데이터는, 태풍 발생 이력을 포함할 수 있다.
상기 제1 예측 데이터 및 상기 제2 예측 데이터는, 상기 제2 시점의 장래 예측된 기상 데이터에 의한 유속, 조류, 바람 계수 및 풍압차 중 적어도 하나의 예측 데이터를 포함할 수 있다.
상기 풍압차는, 상기 해상 표류물의 체적(volume)에 기초하여 계산되는 것을 특징으로 할 수 있다.
일 실시예에 따른 해상 표류물의 위치 추정 장치는 제1 시점(time)의 기상 데이터 및 제2 시점의 기상 데이터를 포함하는 기상 데이터를 수집하는 데이터 수집부; 해상 환경 모델에 상기 제1 시점의 기상 데이터를 입력하여 해상 상황에 대한 후측(hindcast) 정보를 나타내는 후측 데이터를 획득하는 후측 데이터 획득부; 상기 후측 데이터 및 상기 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시키는 예측 모델 학습부; 상기 해상 환경 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득하고, 상기 예측 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득하는 예측 데이터 획득부; 및 상기 제1 예측 데이터 및 상기 제2 예측 데이터에 기초하여 상기 제2 시점에 상기 해상 표류물이 위치할 위치 정보를 추정하는 위치 정보 추정부를 포함할 수 있다.
상기 해상 환경 모델은, 상기 제1 시점보다 과거의 기상 데이터 및 상기 제1 시점보다 과거의 기상 데이터에 의해 관측된 해상 상황 데이터에 기초하여 가상의 해상 환경을 구현한 모델일 수 있다.
상기 해상 상황 데이터는, 상기 제1 시점보다 과거의 기상 데이터에 의해 변화가 발생한 조석, 조류, 해일, 파랑, 유속, 해면 기압, 바람 계수 중 적어도 하나를 관측한 데이터를 포함할 수 있다.
상기 해상 환경 모델은, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의를 통해 생성될 수 있다.
상기 위치 정보 추정부는, 상기 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물의 풍압차(leeway)가 반영된 위치 정보를 추정할 수 있다.
상기 해상 환경 모델은, 상기 제1 시점보다 과거의 기상 데이터가 미리 정해진 기준에 기초하여 특이 기상 데이터를 포함하는 것으로 결정된 경우, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의가 수행된 결과에 기초하여 생성되고, 상기 특이 기상 데이터는, 태풍 발생 이력을 포함할 수 있다.
상기 제1 예측 데이터 및 상기 제2 예측 데이터는, 상기 제2 시점의 장래 예측된 기상 데이터에 의한 유속, 조류, 바람 계수 및 풍압차 중 적어도 하나의 예측 데이터를 포함할 수 있다.
상기 풍압차는, 상기 해상 표류물의 체적(volume)에 기초하여 계산되는 것을 특징으로 할 수 있다.
일 실시예에 수 시간 전의 자료를 토대로 학습시킨 인공 지능 모델을 이용하여 실제 해상 상황과 유사한 환경을 구축함으로써, 현재, 향후 수 시간 후 또는 며칠 후 표류물의 위치를 추정하는 것에 대한 정확도를 향상시킬 수 있다.
일 실시예에 따르면 병렬 클러스터를 이용한 수치 모의를 실시하여, 상시로 조석을 재현할 수 있고, 이상 상황 발생 시 즉각적으로 관련 수치를 산출하여, 수색 작업의 범위를 예측할 수 있다.
일 실시예에 따르면 수색 작업의 위치를 유추함으로써, 야간 수색 시 작업의 위험 부담을 절감할 수 있다.
일 실시예에 따르면 일 시점의 해상 상황에 대한 예측 정보를 나타내는 예측 데이터를 해상 환경 모델과 예측 모델, 두 모델을 이용하여 획득함으로써, 두 모델의 각 장점을 활용하여 보다 정확한 예측 데이터를 획득할 수 있다.
일 실시예에 따르면 국부적으로 해황을 잘 예측할 수 있는 해상 환경 모델과, 확정론적인 해상 환경 모델로는 예측하기 어려운 상황을, 지속적인 인공지능 학습을 통해 생성된 인공지능 모델을 이용해 예측하여 두 모델의 각 장점이 모두 적용된 예측 데이터를 획득할 수 있다.
도 1은 일 실시예에 따른 해상 표류물의 위치 추정 시스템의 개요를 도시하는 도면이다.
도 2는 일 실시예에 따르면 위치 추정 방법을 설명하기 위한 흐름도이다.
도 3 및 4는 일 실시예에 따른 리웨이 팩터를 설명하기 위한 도면들이다.
도 5 내지 7은 일 실시예에 따른 위치 추정 방법을 검증하는 방법을 설명하기 위한 도면들이다.
도 8 및 9는 일 실시예에 따른 위치 추정 방법에 의한 3차원 수치 모델링을 설명하기 위한 도면들이다.
도 10 및 도 11은 일 실시예에 따른 전체 방출된 입자의 수에 대한 임의의 셀에 분포된 입자의 비율을 도시하는 도면들이다.
도 12는 일 실시예에 따른 위치 추정 장치의 구성을 도시하는 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 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 해당 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 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 해상 표류물의 위치 추정 시스템의 개요를 도시하는 도면이다.
본 명세서에서 설명하는 해상 표류물의 위치 추정 시스템은 실제 해상 환경과 유사한 환경을 구현한 해상 환경 모델을 생성하고, 해상 환경 모델에 기상 데이터를 입력하여, 실제 해상 환경에서 어떠한 기상 상태가 발생하였을 경우 해상 환경의 변화에 기초하여 해상 표류물의 이동 경로 및 특정 시간의 위치 중 적어도 하나를 추정하는 위치 추정 방법을 제공할 수 있다. 해상 표류물은 해상에서 표류하는 조난자, 익수체 및 기타 물건 중 적어도 하나를 포함할 수 있다. 해상 표류물의 위치 추정 시스템은 수치 모형과 인공지능 모델을 이용하여, 해상에서 사고가 발생한 상황을 재현 및 예측하고, 사고로 인한 표류물의 위치 정보를 예측함으로써 수색 구조의 범위를 신속하게 제시할 수 있다.
위치 추정 시스템은 해상에 표류 중인 객체의 위치 정보를 예측하기 위해, 실제 사고가 발생하였을 당시의 상황과 유사한 해상 환경을 조성할 수 있다. 위치 추정 시스템은 가상의 해상 환경을 조성한 후, ADCIRC(ADvanced CIRCulation model)의 유한요소모형 유동장을 기반으로 이류 및 확산을 고려할 수 있는 라그랑지안(Lagrangian) 방법을 입자 추적 모델에 적용하여 입자 추적 모의를 수행할 수 있다. 여기서, ADCIRC의 유한요소모형뿐만 아니라, 현재 일반적인 기상 상황을 고려하는 해양수치모델이 활용될 수 있다.
위치 추정 시스템은 조류(tide)와 바람 간의 관계식을 계산한 후에 라그랑지안 방법이 적용된 입자 추적을 수행할 수 있다.
위치 추정 시스템은 확률론적인 입자 추적 방법을 수행하는 입자 추적 모델에 3차원 무작위 행보(random walk)를 적용하고, 이로 인한 확률론적 난수 발생을 이용하여 객체의 해상 위치를 추정할 수 있다. 3차원 무작위 행보는, 수천 내지 수십만개의 입자들에 부력 효과 및 리웨이 팩터의 특징이 적용되고, 입자들이 방류된 후, 시간이 흐름에 따라 조류가 달라지면, 입자들의 방향들도 달라지는 특징에 기반하여, 입자들이 이동하는 확률에 기초하여 입자의 위치를 추정하는 방법일 수 있다. 입자 추적 모델은 방출 입자 개수 및 입자의 크기 등을 포함하는 시간 별 표면 항력 변화, 부력 변화 및 수표면 체적 변화에 기초하여 객체의 위치 정보를 추정할 수 있다.
위치 추정 시스템은 태풍의 발생 기록을 포함하는 특이 기상 데이터 및 태풍의 발생 기록을 포함하지 않는 일반 기상 데이터에 기초하여 해상 환경 모델을 생성하고 학습시킬 수 있다. 위치 추정 시스템은 실시간의 기상 특이 상황을 매일 또는 수시간 단위로 학습한 인공지능 기반의 뉴럴 네트워크를 이용하여, 해상 환경 모델을 생성하고 학습시킬 수 있다. 위치 추정 방법은 병렬 클러스터를 이용하여 계산 시간을 단축시킬 수 있다.
위치 추정 시스템은 과거의 기상 데이터와 수치 모델을 이용하여 실제 해상 상황과 유사한 해상 환경 모델을 생성할 수 있다. 위치 추정 시스템은 현재 또는 미래의 기상 데이터를 해상 환경 모델과 인공 지능 모델에 입력하여 현재 또는 미래의 기상 데이터에 의해 변화한 조류, 해일 등을 포함하는 해상 상황을 예측할 수 있다. 예측된 해상 상황은 외력 조건으로써 입자 추적 모델에 입력될 수 있고, 입자 추적 모델은 외력 조건에 기초하여 표류물의 위치 정보를 추정할 수 있다. 입자 추적 모델은 확정론적인 해황 유동 모델을 기반으로, 랜덤 함수에 입자를 대입시켜 표류물의 위치 정보를 추정할 수 있다. 입자 추적 모델은 표류물의 초기 위치(즉, 사고가 발생한 위치)를 입력받으면, 랜덤 함수에 기초하여 표류물의 위치 정보를 추정하고 추적할 수 있다. 입자 추적 모델은 x, y 방향의 유속을 입력받을 수 있다. 입자 추적 모델은 약 수천 개의 방출 입자 개수 및 표류물의 입자 크기에 대한 시간별 표면 향력 변화에 기초하여 표류물의 위치 정보를 추정할 수 있다. 또한, 입자 추적 모델은 입자에 리웨이 팩터 및 부력 효과의 특성을 부여하여 표류물의 위치 정보를 추정하는 데 있어서 표류물에 대한 부력 변화를 고려할 수도 있다. 입자에 리웨이 팩터 및 부력 효과의 특성을 부여하기 위하여, 리웨이 팩터 및 부력 효과를 설명할 수 있는 계수가 설정될 수 있고, 각 입자에 계수가 입력될 수 있다. 계수는 부력의 크기에 기초하여 임의의 1 내지 10의 값이 설정될 수 있다. 입자 추적 모델은 리웨이 팩터의 크기에 기초하여 분류된 각 입자에 계수를 입력 인자로 입력하여 입자에 부력 효과와 리웨이 효과를 적용할 수 있다.
입자 추적 모델은 방출 입자들의 무작위 행보 시, 수표면의 바람, 조석 및 조류를 고려하여 표류물의 위치 정보를 추정할 수 있다.
도 1을 참조하면, 위치 추정 시스템은 일 시점의 장래 예측된 기상 데이터(110)를 해상 환경 모델(120)과 예측 모델(130)에 입력할 수 있다. 해상 환경 모델(120)은 입력에 기초하여 일 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터(140)를 출력할 수 있다. 또한, 예측 모델(130)은 입력에 기초하여 일 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터(150)를 출력할 수 있다. 입자 추적 모델(160)은 제1 예측 데이터(140) 및 제2 예측 데이터(150)를 입력받아 표류물의 위치 정보(170)를 출력할 수 있다.
도 2는 일 실시예에 따르면 위치 추정 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면 단계(210)에서 해상 표류물의 위치 추정 방법을 수행하는 위치 추정 장치는 제1 시점(time)의 기상 데이터를 포함하는 기상 데이터를 수집할 수 있다. 기상 데이터는, 기압, 풍속 및 풍향 중 적어도 하나를 포함할 수 있다. 실시예에 따라 기상 데이터는 일본 기상청(Japan Meteorological Agency; JMA), 한국 기상청(Korea Meteorological Agency; KMA), JTWC(Joint Typhoon Warning Center)에 의해 수집된 해면 기압, 풍속 자료에 대한 데이터를 포함할 수 있다. 또한, 기상 데이터는 앞서 설명된 기관들 외에도, 실시간으로 기상 데이터를 제공하는 기관 자료를 포함할 수도 있다.
단계(220)에서 위치 추정 모델은 해상 환경 모델에 제1 시점의 기상 데이터를 입력하여 해상 상황에 대한 후측 정보를 나타내는 후측 데이터를 획득할 수 있다. 상기 해상 환경 모델은 상기 제1 시점보다 과거의 기상 데이터 및 상기 제1 시점보다 과거의 기상 데이터에 의해 관측된 해상 상황 데이터에 기초하여 가상의 해상 환경을 구현한 모델일 수 있다. 해상 환경 모델은 제1 시점보다 과거의 기상 데이터와 제1 시점보다 과거의 기상 데이터에 의해 관측된 해상 상황 데이터에 기초하여 생성될 수 있다. 여기서, 제1 시점보다 과거는 현재를 기준으로 가까운 과거부터 먼 과거까지, 수 시간, 수 일 및 수 년 전의 시점을 포함할 수 있다. 해상 상황 데이터는 제1 시점보다 과거의 기상 데이터에 의해 변화가 발생한 조석, 조류, 해일, 파랑, 유속, 해면 기압, 바람 계수 중 적어도 하나를 관측한 데이터를 포함할 수 있다. 여기서, 유속과 조류는 국립 해양 조사원의 관측 자료에 기초하여 수집될 수 있다. 해상 환경 모델은 일 시점의 기상 데이터를 입력받은 경우, 일 시점보다 미래의 유속 및 조류를 포함하는 예측 데이터를 출력할 수 있다. 또한, 바람 계수는, 바람의 세기에 기초하여 계산되고, 바람의 세기와 관련된 관측 자료인 풍향, 풍속 및 순간 최대 풍속은 기상청의 관측 자료로부터 수집될 수 있다.
해상 환경 모델은 해수 유동 모델 및 파랑 모델을 이용한 수치 모의를 통해 생성될 수 있다. 여기서 수치 모의는 수학적 조작을 수치 해석이나 자동화와 같은 방법으로 적합하게 축소되는 모형 등을 통해 수행되는 간접 실험을 나타낼 수 있다. 또한, 해수 유동 모델은 ADCIRC, EFDC(Environmental Fluid Dynamics Code) 및 Delft 3D 등 중 적어도 하나를 포함하는 3차원 해수 유동모델일 수 있다. 파랑 모델은 SWAN(Simulation Wave Nearshore) 모델 및 STWAVE(Steady-State Spectral Wave) 모델 등 중 적어도 하나를 포함할 수 있다. 해상 환경 모델은 실제 해상 상황을 재현한 모델과 인공 신경망 모델(또는 인공 지능 모델)을 포함할 수 있다.
단계(230)에서 위치 추정 장치는 후측 데이터 및 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시킬 수 있다. 위치 추정 장치는 후측 데이터 및 수집된 기상 데이터를 학습 데이터로써 인공지능 기반의 예측 모델을 학습시킬 수 있다. 위치 추정 장치는 수색 구조를 수행할 대상이 발생하지 않은 경우, 즉, 사고 상황이 발생하지 않은 경우, 기상 데이터를 해상 환경 모델에 입력하여 해상 상황에 대한 후측 정보를 나타내는 후측 데이터를 획득하고, 후측 데이터 및 기상 데이터에 기초하여 예측 모델을 학습시키는 과정을 반복할 수 있다. 또한, 위치 추정 장치는 사고가 발생하지 않은 경우, 후측 데이터를 데이터베이스 또는 저장소 중 적어도 하나에 저장할 수 있다. 위치 추정 장치는 수 분간의 슬립 타임(sleep time)을 가진 후에 다시 기상 데이터를 해상 환경 모델에 입력하여 해상 상황에 대한 후측 정보를 나타내는 후측 데이터를 획득하고, 후측 데이터 및 기상 데이터에 기초하여 예측 모델을 학습시키는 과정을 수행할 수 있다.
위치 추정 장치는 해상 환경 모델이 기상 데이터에 기초한 수치 모의의 결과로 조위 및 조류 중 적어도 하나를 포함하는 조석, 파고 및 주기 중 적어도 하나를 포함하는 파랑 및 해일 등에 대한 데이터를 포함하는 해상 환경 데이터를 출력하도록 해상 환경 모델을 학습시킬 수 있다. 해상 환경 모델은 실제 자연 현상에서 나타나는 해상의 상황을 재현한 모델일 수 있다.
해상 환경 모델은, 상기 제1 시점보다 과거의 기상 데이터가 미리 정해진 기준에 기초하여 특이 기상 데이터를 포함하는 것으로 결정된 경우, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의가 수행된 결과에 기초하여 생성될 수도 있다. 즉, 과거 기상 데이터가 미리 정해진 기준에 기초하여 특이 기상 데이터를 포함하는 것으로 결정된 경우, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의를 수행할 수 있다. 위치 추정 장치는 해수 유동 모델과 파랑 모델을 이용하여 특이 기상 상황에 대한 수치 모의 계산을 할 수 있다. 위치 추정 장치는 수치 모의를 수행한 결과에 기초하여 해상 환경 모델을 생성할 수 있다. 여기서 특이 기상 데이터는 태풍 발생 이력을 포함할 수 있다.
사고 상황이 발생한 경우, 위치 추정 장치는 사고가 발생하여 표류물이 발생한 위치의 범위 정보를 수집할 수 있다. 여기서 범위 정보는 대략적인 위치에 대한 정보를 포함할 수 있고, 표류물이 발생한 위치의 위도 및 경도를 포함할 수 있다. 사고 상황이 발생한 경우, 단계(240)에서 위치 추정 장치는 제1 시점보다 미래인 제2 시점의 장래 예측(forecast)된 기상 데이터를 수집할 수 있다. 제2 시점은 제1 시점보다 미래일 수 있고, 위치 추정 장치가 제2 시점의 장래 예측된 기상 데이터를 수집하는 시점을 기준으로 현재 시점일 수 있다. 위치 추정 장치는 제2 시점의 장래 예측된 기상 데이터를 실시간으로 수집할 수 있다.
단계(250)에서 위치 추정 장치는 상기 해상 환경 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득할 수 있다. 또한, 단계(260)에서 위치 추정 장치는 상기 예측 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득할 수 있다. 단계(250) 및 단계(260)은 병렬적으로 수행될 수 있고, 또는 실시예에 따라 순차적이거나 역순으로 수행될 수도 있다. 상기 제1 예측 데이터 및 상기 제2 예측 데이터는 상기 제2 시점의 장래 예측된 기상 데이터에 의한 유속, 조류, 바람 계수 및 풍압차(leeway) 중 적어도 하나의 예측 데이터를 포함할 수 있다. 조류는 조석이나 조위라고도 지칭될 수 있고, 상기 풍압차는 상기 해상 표류물의 체적(volume)에 기초하여 계산될 수 있다.
단계(270)에서 위치 추정 장치는, 제1 예측 데이터 및 제2 예측 데이터에 기초하여 제2 시점에 해상 표류물이 위치할 위치 정보를 추정할 수 있다. 위치 추정 장치는 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물의 풍압차가 반영된 위치 정보를 추정할 수 있다.
위치 추정 장치는 제1 예측 데이터 및 제2 예측 데이터를 입력으로 하는 입자 추적 모델을 이용하여, 해상 표류물의 위치 및 이동 경로 중 적어도 하나를 추정할 수 있다. 입자 추적 모델에 3차원 무작위 행보가 적용될 수 있다. 또한, 실시예에 따라 위치 추정 장치는 사고가 발생한 지점을 나타내는 해상 표류물의 초기 위치, 제1 예측 데이터 및 제2 예측 데이터를 입력으로 하는 입자 추적 모델을 이용하여 해상 표류물의 위치 및 이동 경로 중 적어도 하나를 추정할 수 있다.
위치 추정 장치는 해상 환경 모델이 출력한 조위, 조류 및 파랑에 대한 수치와, 현재 기상 데이터에 포함된 기압 및 풍속에 대한 수치를 입자 추적 모델의 외력으로 적용할 수 있다. 여기서, 입자 추적 모델에 적용되는 조류, 풍속에는 표류물의 특성에 기초한 리웨이 팩터(leeway factor)가 적용될 수도 있다. 리웨이 팩터는 앞서 설명한 풍압차라고도 지칭될 수 있다. 리웨이 팩터는 풍압차로, 표류물이 표류할 때 한쪽에서 바람을 받아 발생하는 표류물이 향하는 방향과 실제로 나아가고 있는 방향 사이의 차이를 나타낼 수 있다. 리웨이 팩터는 표류물의 노출 정도에 따라 표류물이 실제 나아가는 방향이 변경될 수 있기 때문에 표류물의 위치를 정확하게 추정하기 위하여 입자 추적 모델에 적용될 수 있다. 유속은 표류물의 이동에 영향을 주는 요소로, 표류물의 위치를 추정하는 데에 해수의 흐름을 반영할 수 있다. 조류는 실제 해상 환경과 가장 유사하게 표류물의 위치를 추적하게 하는 것을 가능하게 하는 요소일 수 있다. 입자 추적 모델은 입자 추적 모델, 해수 유동 모델 및 파랑 모델 중 적어도 하나를 포함할 수 있다. 입자 추적 모델은 확률론적인 입자 추적 방법을 이용하여, 입자를 추적할 수 있다. 입자 추적 모델은 수백 내지 수만 개의 입자를 해상 표류물의 형상에 기초하여 리웨이 팩터를 반영함으로써 수색 구조를 수행할 위치를 확률적인 범위로 산정할 수 있다. 입자 추적 모델은 신체와 같이 체적을 가지고, 시간이 지나면서 부력 변화로 인한 수표면 체적의 비율이 달라지는 특징이 적용되고, 리웨이 효과에 기반한 방법으로 표류물의 위치를 추정할 수 있다. 입자 추적 모델은 표류물이, 시간이 경과함에 따라 표층(수표면 위)에 나타나는 체적의 변화와 변화에 따른 부력 변화를 고려하여, 복수의 입자들이 방류된 지점, 즉 해상 표류물이 발생한 위치로부터 입자들이 무작위 행보로 이동을 하는 것에 의한, 실제 해역에서 확률론적으로 입자들의 개수를 추정하여 사고가 발생한 후 수색 및 구조를 하기 위한 위치를 특정하는 것에 도움을 줄 수 있다. 입자 추적 모델은 수백 내지 수만 개의 입자에 대한 미래 임의의 시점에서의 분포 위치를 예측할 수 있다. 도 10 및 도 11은 전체 방출된 입자의 수에 대한 임의의 셀(cell)에 분포된 입자의 비율을 도시할 수 있다. 도 10 및 도 11에서 수색 구조 범위 내에서 입자의 비율이 가장 높은 위치(1110)가 우선적으로 수색될 수 있다.
도 3 및 4는 일 실시예에 따른 리웨이 팩터를 설명하기 위한 도면들이다.
도 3은 일 실시예에 따른 상대 풍향(relative wind direction; RWD)과 리웨이 각도 간의 관계를 도시할 수 있다. 도 3을 참조하면 표류물에 풍향이 참조번호(340)과 같은 바람이 불어오고 상대 풍향(310)이 -135도일 때, 리웨이 드래프트 방향(leeway draft direction)(320)과 풍향(340) 사이의 각도를 나타내는 리웨이 각도(330)는 -25도일 수 있다.
또한, 표류물(인체 등)에 풍향이 참조번호(345)와 같은 바람이 불어오고, 상대 풍향이(315)이 +135도일 때, 리웨이 드래프트 방향(325)과 풍향(345) 사이의 각도를 나타내는 리웨이 각도(335)는 +25도일 수 있다.
도 4는 일 실시예에 따른 리웨이 속도, 리웨이 각도, 리웨이 다운윈드 구성요소 및 리웨이 크로스윈드 구성요소 간의 관계를 도시할 수 있다. 도 4를 참조하면, 참조번호(450)은 해수면으로부터 10m 높이의 풍속 벡터(W10m)를 나타내고, 참조번호(410)은 리웨이 벡터(leeway vector; L)를 나타내며, 참조번호(420)은 다운윈드 리웨이(downwind leeway; DWL) 구성요소를 나타낼 수 있다. 참조번호(430)은 리웨이 각도(leeway angle; La)를 나타낼 수 있고, 참조번호(440)은 크로스윈드 리웨이(crosswind leeway; CWL) 구성요소를 나타낼 수 있다. 리웨이 속도는 해수면으로부터 10m 높이의 풍속 벡터(450)의 절댓값에 대한 리웨이 벡터(410)의 절댓값의 비율일 수 있다. 리웨이 속도(leeway rate)는 수학식 1을 이용하여 산출될 수 있다.
다운윈드 리웨이 구성요소(420)는 수학식 2를 이용하여 산출될 수 있다.
또한, 크로스윈드 리웨이 구성요소는 수학식 3을 이용하여 산출될 수 있다.
리웨이 팩터는 해상 표류물의 특성에 기초하여 그 효과가 다르게 적용될 수 있다. 예를 들어, 해상 표류물이 2리터 페트병인지, 500밀리리터 페트병인지, 스티로폼 부표인지, 종이 포장 박스인지 또는 사람인지에 따라 리웨이 팩터가 다르게 적용될 수 있다.
리웨이 드리프트 속도(Uleeway)는 다음 식에 의해 산출될 수 있다.
위 식에서 Aair는 입자가 공기에 노출된 면적을 나타내고, Awater는 입자가 물에 담겨있는 면적을 나타낼 수 있다. CD는 항력 계수 또는 바람 응력 계수를 나타내는데, 이는 공기 또는 물과 같은 유체 환경에서의 개체의 저항 또는 항력을 정량화하는 데 사용될 수 있다. Cw는 물의 저항 계수를 나타낼 수 있다. 마찰 저항 계수는 마찰에 의해 생기는 저항을 나타내는 데 사용될 수 있다. Uwind는 풍속, pwater는 물의 밀도, pair는 공기의 밀도를 나타낼 수 있다. 입자의 깊이, 높이, 무게 및 너비에 기초하여 입자가 물에 담겨있는 면적에 대한 입자가 공기에 노출된 면적의 비율과 풍속에 대한 리웨이 드리프트 속도는 아래 표와 같을 수 있다.
꾸준한 바람이 부는 경우, 90km를 이동하는 일반적인 표류물의 시뮬레이션에서 표면 항력 효과가 표류물의 위치를 찾는 데 민감하게 작용할 수 있다. 상대적으로 표류물의 비율을 나타내는 Aair/Awater가 큰 2L 페트병과 같은 가벼운 소재는 이동 시간이 가장 짧고 노출 비율이 낮은 사람은 오랜 시간이 걸릴 수 있다. 이러한 관계는 동일한 상황에서 표류물의 위치를 추정하는 데의 핵심 요소 중 하나로 적용될 수 있다.
도 5 내지 7은 일 실시예에 따른 위치 추정 방법을 검증하는 방법을 설명하기 위한 도면들이다.
본 명세서에서 설명하는 해상 표류물의 위치 추정 방법을 검증하기 위한 검증은 초기 단계, 수 시간이 진행된 후의 단계 및 이후 관측 정보 취득 단계를 포함할 수 있다.
도 5는 초기 단계 또는 초기 상태를 도시할 수 있고, 도 6은 검증 방법이 수 시간 진행된 후의 단계 또는 상태를 도시하며, 도 7은 관측 정보의 취득 단계를 도시할 수 있다.
검증 방법은 부력을 감소시키기 위한 무게추가 설치된 마네킹으로 수행될 수 있다. 마네킹에는 CTD(Conductivity, Temperature, Depth) 센서와 수중 GPS(global positioning system) 센서가 부착되어 있을 수 있다. 마네킹을 실제 해수면에 표류하도록 하여, 마치 해상에서 실종자 또는 익수체가 발생한 것과 같은 상황이 구현된 검증 방법이 수행될 수 있다. 해상에서 표류된 마네킹은 최소 15일 간 관측될 수 있고, 관측 기간이 끝난 후에, 연구자는 마네킹에 부착되었던 CTD 센서 및 GPS 센서를 수거하고, CTD 센서 및 GPS 센서를 통해 수온, 수심, 위경도 정보를 수집할 수 있다. 검증 방법은 CTD 센서 및 GPS 센서를 통해 수집된 데이터에 기초하여 3차원 해상 공간 데이터를 획득할 수 있다. 검증 방법은 동일한 관측 기간에 대응하는 검증 과정에서 수집된 관측 데이터와, 본 명세서에서 설명하는 위치 추정 방법에 의해 획득한 표류물의 위치에 대해 비교를 수행함으로써, 위치 추정 방법에 대한 검증을 수행할 수 있다.
도 8 및 9는 일 실시예에 따른 위치 추정 방법에 의한 3차원 수치 모델링을 설명하기 위한 도면들이다.
수치 모델링은 해양 현상을 지배하는 수학적 방정식을 수치적인 방법에 의해 산출하는 기법일 수 있다. 도 8 및 도 9는 이러한 수치 모델링을 3차원으로 수행한 도면들일 수 있다. 본 명세서에서 설명하는 위치 추정 방법은 표류물(910)의 해상 위치를 도 8 및 도 9와 같이 나타낼 수 있다.
도 12는 일 실시예에 따른 위치 추정 장치의 구성을 도시하는 도면이다.
도 12를 참조하면, 위치 추정 장치(1200)는 데이터 수집부(1210), 후측 데이터 획득부(1220), 예측 모델 학습부(1230), 예측 데이터 획득부(1240) 및 위치 정보 추정부(1250)를 포함할 수 있다. 위치 추정 장치(1200)는 본 명세서에서 설명하는 위치 추정 장치에 대응할 수 있다.
데이터 수집부(1210)는 제1 시점(time)의 기상 데이터 및 제2 시점의 기상 데이터를 포함하는 기상 데이터를 수집할 수 있다. 후측 데이터 획득부(1220)는 해상 환경 모델에 제1 시점의 기상 데이터를 입력하여 해상 상황에 대한 후측(hindcast) 정보를 나타내는 후측 데이터를 획득할 수 있다. 예측 모델 학습부(1230)는 후측 데이터 및 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시킬 수 있다.
예측 데이터 획득부(1240)는 해상 환경 모델에 제2 시점의 장래 예측된 기상 데이터를 입력하여 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득하고, 예측 모델에 제2 시점의 장래 예측된 기상 데이터를 입력하여 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득할 수 있다.
위치 정보 추정부(1250)는 제1 예측 데이터 및 제2 예측 데이터에 기초하여 2 시점에 해상 표류물이 위치할 위치 정보를 추정할 수 있다. 위치 정보 추정부(1250)는 제1 예측 데이터 및 제2 예측 데이터를 입자 추적 모델에 입력하여 해상 표류물의 풍압차가 반영된 위치 정보를 추정할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 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 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.
120: 해상 환경 모델 130: 예측 모델
160: 입자 추적 모델 1200: 위치 추정 장치
1210: 데이터 수집부 1220: 후측 데이터 획득부
1230: 예측 모델 학습부 1240: 예측 데이터 획득부
1250: 위치 정보 추정부

Claims (17)

  1. 해상 표류물의 위치 추정 방법에 있어서,
    기상 데이터를 수집하는 단계;
    해상 환경 모델에 제1 시점(time)의 기상 데이터를 입력하여 해상 상황에 대한 후측(hindcast) 정보를 나타내는 후측 데이터를 획득하는 단계;
    상기 후측 데이터 및 상기 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시키는 단계;
    상기 제1 시점보다 미래인 제2 시점의 장래 예측(forecast)된 기상 데이터를 수집하는 단계;
    상기 해상 환경 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득하는 단계;
    상기 예측 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득하는 단계; 및
    상기 제1 예측 데이터 및 상기 제2 예측 데이터에 기초하여 상기 제2 시점에 상기 해상 표류물이 위치할 위치 정보를 추정하는 단계
    를 포함하고,
    상기 추정하는 단계는,
    상기 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물이, 시간이 경과함에 따라 수표면에 나타나는 체적의 비율의 변화와, 상기 체적의 비율의 변화에 따른 부력 변화에 기초하여 위치 정보를 추정하는 단계를 포함하는,
    위치 추정 방법.
  2. 제1항에 있어서,
    상기 해상 환경 모델은,
    상기 제1 시점보다 과거의 기상 데이터 및 상기 제1 시점보다 과거의 기상 데이터에 의해 관측된 해상 상황 데이터에 기초하여 가상의 해상 환경을 구현한 모델인,
    위치 추정 방법.
  3. 제2항에 있어서,
    상기 해상 상황 데이터는,
    상기 제1 시점보다 과거의 기상 데이터에 의해 변화가 발생한 조석, 조류, 해일, 파랑, 유속, 해면 기압, 바람 계수 중 적어도 하나를 관측한 데이터를 포함하는,
    위치 추정 방법.
  4. 제1항에 있어서,
    상기 해상 환경 모델은,
    해수 유동 모델 및 파랑 모델을 이용한 수치 모의를 통해 생성되는 위치 추정 방법.
  5. 제1항에 있어서,
    상기 추정하는 단계는,
    상기 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물의 풍압차(leeway)가 반영된 위치 정보를 추정하는 단계를 포함하는,
    위치 추정 방법.
  6. 제1항에 있어서,
    상기 해상 환경 모델은,
    상기 제1 시점보다 과거의 기상 데이터가 미리 정해진 기준에 기초하여 특이 기상 데이터를 포함하는 것으로 결정된 경우, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의가 수행된 결과에 기초하여 생성되고,
    상기 특이 기상 데이터는,
    태풍 발생 이력을 포함하는,
    위치 추정 방법.
  7. 제1항에 있어서,
    상기 제1 예측 데이터 및 상기 제2 예측 데이터는,
    상기 제2 시점의 장래 예측된 기상 데이터에 의한 유속, 조류, 바람 계수 및 풍압차 중 적어도 하나의 예측 데이터를 포함하는,
    위치 추정 방법.
  8. 제7항에 있어서,
    상기 풍압차는,
    상기 해상 표류물의 체적(volume)에 기초하여 계산되는 것을 특징으로 하는,
    위치 추정 방법.
  9. 하드웨어와 결합되어 제1항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  10. 해상 표류물의 위치 추정 장치에 있어서,
    제1 시점(time)의 기상 데이터 및 제2 시점의 기상 데이터를 포함하는 기상 데이터를 수집하는 데이터 수집부;
    해상 환경 모델에 상기 제1 시점의 기상 데이터를 입력하여 해상 상황에 대한 후측(hindcast) 정보를 나타내는 후측 데이터를 획득하는 후측 데이터 획득부;
    상기 후측 데이터 및 상기 수집된 기상 데이터에 기초하여 뉴럴 네트워크 기반의 예측 모델을 학습시키는 예측 모델 학습부;
    상기 해상 환경 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제1 예측 데이터를 획득하고, 상기 예측 모델에 상기 제2 시점의 장래 예측된 기상 데이터를 입력하여 상기 제2 시점의 해상 상황에 대한 예측 정보를 나타내는 제2 예측 데이터를 획득하는 예측 데이터 획득부; 및
    상기 제1 예측 데이터 및 상기 제2 예측 데이터에 기초하여 상기 제2 시점에 상기 해상 표류물이 위치할 위치 정보를 추정하는 위치 정보 추정부를 포함하고,
    상기 위치 정보 추정부는,
    상기 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물이, 시간이 경과함에 따라 수표면에 나타나는 체적의 비율의 변화와, 상기 체적의 비율의 변화에 따른 부력 변화에 기초하여 위치 정보를 추정하는,
    위치 추정 장치.
  11. 제10항에 있어서,
    상기 해상 환경 모델은,
    상기 제1 시점보다 과거의 기상 데이터 및 상기 제1 시점보다 과거의 기상 데이터에 의해 관측된 해상 상황 데이터에 기초하여 가상의 해상 환경을 구현한 모델인,
    위치 추정 장치.
  12. 제11항에 있어서,
    상기 해상 상황 데이터는,
    상기 제1 시점보다 과거의 기상 데이터에 의해 변화가 발생한 조석, 조류, 해일, 파랑, 유속, 해면 기압, 바람 계수 중 적어도 하나를 관측한 데이터를 포함하는,
    위치 추정 장치.
  13. 제10항에 있어서,
    상기 해상 환경 모델은,
    해수 유동 모델 및 파랑 모델을 이용한 수치 모의를 통해 생성되는,
    위치 추정 장치.
  14. 제10항에 있어서,
    상기 위치 정보 추정부는,
    상기 제1 예측 데이터 및 상기 제2 예측 데이터를 입자 추적 모델(particle tracking model; PTM)에 입력하여 상기 해상 표류물의 풍압차(leeway)가 반영된 위치 정보를 추정하는,
    위치 추정 장치.
  15. 제10항에 있어서,
    상기 해상 환경 모델은,
    상기 제1 시점보다 과거의 기상 데이터가 미리 정해진 기준에 기초하여 특이 기상 데이터를 포함하는 것으로 결정된 경우, 해수 유동 모델 및 파랑 모델을 이용한 수치 모의가 수행된 결과에 기초하여 생성되고,
    상기 특이 기상 데이터는,
    태풍 발생 이력을 포함하는,
    위치 추정 장치.
  16. 제10항에 있어서,
    상기 제1 예측 데이터 및 상기 제2 예측 데이터는,
    상기 제2 시점의 장래 예측된 기상 데이터에 의한 유속, 조류, 바람 계수 및 풍압차 중 적어도 하나의 예측 데이터를 포함하는,
    위치 추정 장치.
  17. 제16항에 있어서,
    상기 풍압차는,
    상기 해상 표류물의 체적(volume)에 기초하여 계산되는 것을 특징으로 하는,
    위치 추정 장치.
KR1020210084940A 2021-06-29 2021-06-29 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 KR102561270B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210084940A KR102561270B1 (ko) 2021-06-29 2021-06-29 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210084940A KR102561270B1 (ko) 2021-06-29 2021-06-29 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230001867A KR20230001867A (ko) 2023-01-05
KR102561270B1 true KR102561270B1 (ko) 2023-07-28

Family

ID=84926124

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210084940A KR102561270B1 (ko) 2021-06-29 2021-06-29 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102561270B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113796B (zh) * 2023-10-24 2024-02-27 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种考虑自主运动的大型水母中期漂移集合预报方法
CN118378793B (zh) * 2024-06-21 2024-09-06 中国人民解放军国防科技大学 基于漂流轨迹预测的海上无人装备搜救方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101742537B1 (ko) * 2016-10-10 2017-06-15 (주)비엔티 표적 추적 결과 정확도 향상을 위한 복수 유동모델 운영 시스템
CN111159924A (zh) * 2020-04-02 2020-05-15 上海彩虹鱼海洋科技股份有限公司 用于预测漂移轨迹的方法和装置
CN112712214A (zh) * 2021-01-15 2021-04-27 中国人民解放军军事科学院国防科技创新研究院 海事搜救对象轨迹预测方法、系统、装置和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101742537B1 (ko) * 2016-10-10 2017-06-15 (주)비엔티 표적 추적 결과 정확도 향상을 위한 복수 유동모델 운영 시스템
CN111159924A (zh) * 2020-04-02 2020-05-15 上海彩虹鱼海洋科技股份有限公司 用于预测漂移轨迹的方法和装置
CN112712214A (zh) * 2021-01-15 2021-04-27 中国人民解放军军事科学院国防科技创新研究院 海事搜救对象轨迹预测方法、系统、装置和存储介质

Also Published As

Publication number Publication date
KR20230001867A (ko) 2023-01-05

Similar Documents

Publication Publication Date Title
CN108805350B (zh) 基于多维蒙特卡洛理论的搜救范围预测方法
CN106886024A (zh) 深海多波束声线精确跟踪方法
KR102561270B1 (ko) 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치
Garau et al. AUV navigation through turbulent ocean environments supported by onboard H-ADCP
CN111626501B (zh) 一种评估互花米草适生区域的方法
US10120836B2 (en) Gathering materials on the ocean surface based on forecasting area density
Andersson et al. An estimation-forecast set-up for iceberg drift prediction
Wang et al. Offshore petroleum leaking source detection method from remote sensing data via deep reinforcement learning with knowledge transfer
CN117454720A (zh) 一种极端天气海上风电场冲刷风险仿真预测方法和设备
KR102411074B1 (ko) 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법
KR102353508B1 (ko) 수중에서의 이동거리 예측을 이용한 해양 복귀 경로 제공 시스템
MacWilliams et al. Hydrodynamic simulation of circulation and residence time in Clifton Court Forebay
Shchekinova et al. Numerical reconstruction of trajectory of small-size surface drifter in the Mediterranean sea: Reconstruction of surface drift in the Mediterranean sea
Alekseeva et al. Ice Automatic Routing: Analysis of Simulation Testing Based on Voyages of Arc7 Class Vessels in the Arctic
Mu et al. The optimization of maritime search and rescue simulation system based on CPS
Pierini et al. Investigating prediction performance of an artificial neural network and a numerical model of the tidal signal at Puerto Belgrano, Bahia Blanca Estuary (Argentina)
Fabricius et al. Modelling and Validation of a Remotely Operated Towed Vehicle and computational cost analysis of Umbilical Cable
Andersson et al. A study on an iceberg drift trajectory
Wrenger et al. Waves in the great pacific garbage patch: cross validation of three measurement techniques and two WW3 models
Kjellsson et al. Evaluation and tuning of model trajectories and spreading rates in the Baltic Sea using surface drifter observations
Zhang et al. A Combination Forecasting Model Based on AdaBoost_GRNN in Depth-Averaged Currents Using Underwater Gliders
Gao et al. Real-time prediction of fish cage behaviors under varying currents using deep neural network
Sainte-Rose et al. Monitoring and Performance Evaluation of Plastic Cleanup Systems: Part II—Results and Analysis
Kasyk et al. The Use of Neural Networks for Modeling the Movement of Surface Water Masses in Enclosed Sea Areas
Goddard Investigation of wind patterns on Marion Island using Computational Fluid Dynamics and measured data

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