KR102565747B1 - 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법 - Google Patents

순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법 Download PDF

Info

Publication number
KR102565747B1
KR102565747B1 KR1020230003325A KR20230003325A KR102565747B1 KR 102565747 B1 KR102565747 B1 KR 102565747B1 KR 1020230003325 A KR1020230003325 A KR 1020230003325A KR 20230003325 A KR20230003325 A KR 20230003325A KR 102565747 B1 KR102565747 B1 KR 102565747B1
Authority
KR
South Korea
Prior art keywords
image
hsr
synthesized
cycle
predictive
Prior art date
Application number
KR1020230003325A
Other languages
English (en)
Inventor
최재호
김유라
김광호
정성화
조익현
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 PCT/KR2023/001038 priority Critical patent/WO2024111747A1/ko
Application granted granted Critical
Publication of KR102565747B1 publication Critical patent/KR102565747B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템은 관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신하는 입력부; 제1 순환 생성적 적대 신경망(Cycle-GAN : Cycle-Generative Adversarial Network) 및 상기 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 이용하여 상기 입력 합성 HSR 이미지를 기초로 상기 관심 지역의 상기 제1 시간보다 미래의 시간인 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성하는 순환 생성적 적대 신경망(Cycle-GAN); 및 상기 결과 합성 HSR 이미지를 상기 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력하는 출력부;를 포함한다. 본 발명에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법은 픽셀 손실을 순환 생성적 적대 신경망에 적용함으로써 시간적 인과 관계에 대한 강건성을 확보할 수 있다.

Description

순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법{REGIONAL PRECIPITATION NOWCASTING SYSTEM AND METHOD BASED ON CYCLEGAN EXTENSION}
본 발명은 강수량 실황 예보 시스템 및 방법에 관한 것으로서, 더욱 상세하게는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법에 관한 것이다.
옛날부터 비는 인간의 삶에 밀접한 영향을 주었다. 그래서 강수량 예측은 늘 세인의 관심사였다. 기상학적 관점에서 강수량을 예측하려는 시도가 많았다. 일 예로서, 수치적 기상 예측(NWP : numerical weather prediction ) 모델이 있었다. NWP 모델은 광범위한 시간에 걸쳐 양호한 정량적 강수량 예측을 지원한다. 그러나 NWP 모델은 예측 초기 단계에서 대류 규모 구조를 개발하기 때문에 초기 몇 시간 동안 정확성을 보장할 수 없었다. 이러한 제한을 스핀업 문제(spin-up problem)라고 한다. 이를 해결하기 위해 단기적인 예측에 초점을 맞추는 실황 예보 (Nowcasting)의 중요성이 커졌다.
기상학에서 실황 예보는 일반적으로 지금부터 약 2시간 이내에 날씨를 정확하게 예측하는 모형 또는 예측을 말한다. 특히, 강수량 실황 예보는 일반적으로 기상 레이더 관측에 기반한다. 다양한 정량적 강수량 예측 (QPF : quantitative precipitation forecast) 모델이 존재하지만, 완벽한 강수량 예측은 항상 어려운 문제이다.
또한, 종래의 강수량 실황 예보는 광범위한 지역을 대상으로 하여, 사용자가 관심이 있는 국소 지역의 실황 날씨를 예보하는 데에는 한계가 있었다.
따라서, 종래의 강수량 실황 예보를 기초로 국지성 호우 등에 효과적으로 대비할 수 없는 문제가 있었다.
인공 지능을 강수량 실황 예보에 사용하려는 시도가 증가하고 있다. 그러나, 국소 지역의 국지성 호우 등에 대한 신뢰성 있는 강수량 실황 예보 장치가 필요하다.
사용자가 원하는 국소 지역의 원하는 시간 대의 실시간성 날씨 정보의 획득을 위한 시스템에 대한 요구가 있다.
등록특허 공보 10-2457470 (2022.10.18)
본 발명은, 순환 생성적 적대 신경망(Cycle-GAN : cycle-consistent adversarial network)을 시계열 도메인(time-series domain)으로 확장하여 신뢰성 있는 지역별 강수량 실황 예보 시스템 및 방법을 제공한다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템은,
관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신하는 입력부;
상기 입력 합성 HSR 이미지를 기초로 상기 관심 지역의 상기 제1 시간보다 미래의 시간인 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성하는 순환 생성적 적대 신경망(Cycle-GAN); 및
상기 결과 합성 HSR 이미지를 상기 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력하는 출력부;를 포함한다.
바람직하게는,
상기 순환 생성적 적대 신경망(Cycle-GAN)은,
제1 순환 생성적 적대 신경망(Cycle-GAN : : Cycle-Generative Adversarial Network) 및 상기 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 포함하고,
상기 제1 순환 생성적 적대 신경망과 상기 제2 순환 생성적 적대 신경망은 각각 시간적으로 순행하는 순행 이미지 매핑(mapping)과 시간적으로 역행하는 역행 이미지 매핑을 수행한다.
바람직하게는,
상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은,
상기 제1 시간의 상기 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제1 예측 합성 HSR 이미지의 예측 매핑을 학습하는 순행 생성자(forward generator);
상기 제2 시간의 상기 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 제1 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하는 역행 생성자(backward generator);
상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 입력 합성 HSR 이미지와 상기 제1 예측 합성 HSR 이미지를 판별하는 순행 판별자(forward discriminator); 및
상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 제1 예측 합성 HSR 이미지와 상기 제1 순환 예측 합성 HSR 이미지를 판별하는 역행 판별자(backward discriminator);를 포함한다.
바람직하게는,
상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은,
상기 역행 생성자를 이용하여 상기 제2 시간의 상기 제1 예측 합성 HSR 이미지에 제1 픽셀 손실 함수(pixel loss)가 적용된 상보적 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 상기 입력 합성 HSR 이미지에 대응하는 상보적 입력 합성 HSR 이미지의 예측 매핑을 학습하고, 상기 입력 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지는 제2 픽셀 손실 함수가 적용된 상보적 관계를 갖고,
상기 순행 생성자를 이용하여 상기 제1 시간의 상기 상보적 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제2 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하고,
상기 순행 판별자를 이용하여 상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 입력 합성 HSR 이미지와 상기 제2 순환 예측 합성 HSR 이미지를 판별하고,
상기 역행 판별자를 이용하여 상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 제1 예측 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지를 판별하도록 구성된다.
바람직하게는,
상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은 제1 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지가 상기 입력 합성 HSR 이미지에 매칭되도록 학습되고,
상기 순행 판별자는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제1 예측 합성 HSR 이미지를 상기 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지를 상기 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
바람직하게는,
상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지가 상기 상보적 제1 예측 합성 HSR 이미지에 매칭되도록 학습되고,
상기 순행 판별자는 상기 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지를 상기 상보적 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 상보적 입력 합성 HSR 이미지를 상기 상보적 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
바람직하게는,
상기 순환 생성적 적대 신경망(Cycle-GAN)은 상기 제1 픽셀 손실 함수 및 상기 제2 픽셀 손실 함수가 미리 결정된 기준 픽셀 손실 함수 값에 수렴하고, 상기 제1 순환 일관성 손실 함수(Cycle-Consistency Loss) 및 상기 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)가 미리 결정된 순환 일관성 손실 함수 값에 수렴하도록 학습될 때의 상기 제1 예측 합성 HSR 이미지 또는 상기 상보적 제1 예측 합성 HSR 이미지 또는 상기 제2 순환 예측 합성 HSR 이미지를 상기 결과 합성 HSR 이미지로 출력한다.
바람직하게는,
상기 순행 생성자 및 상기 역행 생성자는
상기 입력 합성 HSR 이미지의 크기를 감소시키고, 상기 입력 합성 HSR 이미지로부터 복수의 특징 맵(feature map)을 추출하는 인코더;
상기 특징 맵을 재조정(recalibration)하는 복수의 SE-잔차 블록(SE-residual block);
상기 인코더에서 감소된 상기 입력 합성 HSR 이미지의 크기를 복원하는 디코더;를 포함한다.
바람직하게는,
상기 순행 판별자 및 상기 역행 판별자는 패치(patch) 단위로 판별을 수행하는 패치 생성적 적대 신경망(Patch-GAN)의 아키텍처를 사용한다.
본 발명의 다른 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법은,
관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신하는 입력 데이터 수신 단계;
상기 입력 합성 HSR 이미지를 기초로 상기 관심 지역의 상기 제1 시간보다 미래의 시간인 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성하는 순환 생성적 적대 신경망 실행 단계; 및
상기 결과 합성 HSR 이미지를 상기 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력하는 출력 단계;를 포함한다.
바람직하게는,
상기 순환 생성적 적대 신경망은,
제1 순환 생성적 적대 신경망(Cycle-GAN) 및 상기 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 포함하고,
상기 제1 순환 생성적 적대 신경망과 상기 제2 순환 생성적 적대 신경망은 각각 시간적으로 순행하는 순행 이미지 매핑(mapping)과 시간적으로 역행하는 역행 이미지 매핑을 수행한다.
바람직하게는,
상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은,
순행 생성자(forward generator)를 이용하여 상기 제1 시간의 상기 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제1 예측 합성 HSR 이미지의 예측 매핑을 학습하는 순행 이미지 매핑 단계;
역행 생성자(backward generator)를 이용하여 상기 제2 시간의 상기 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 제1 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하는 역행 이미지 매핑 단계;
순행 판별자를 이용하여 상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 입력 합성 HSR 이미지와 상기 제1 예측 합성 HSR 이미지를 판별하는 순행 판별 단계; 및
역행 판별자를 이용하여 상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 제1 예측 합성 HSR 이미지와 상기 제1 순환 예측 합성 HSR 이미지를 판별하는 역행 판별 단계;를 실행한다.
바람직하게는,
상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은,
상기 역행 생성자를 이용하여 상기 제2 시간의 상기 제1 예측 합성 HSR 이미지에 제1 픽셀 손실 함수(pixel loss)가 적용된 상보적 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 상기 입력 합성 HSR 이미지에 대응하는 상보적 입력 합성 HSR 이미지의 예측 매핑을 학습하고, 상기 입력 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지는 제2 픽셀 손실 함수가 적용된 상보적 관계를 유지하고,
상기 순행 생성자를 이용하여 상기 제1 시간의 상기 상보적 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제2 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하고,
상기 순행 판별자를 이용하여 상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 입력 합성 HSR 이미지와 상기 제2 순환 예측 합성 HSR 이미지를 판별하고,
상기 역행 판별자를 이용하여 상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 제1 예측 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지를 판별하도록 구성된다.
바람직하게는,
상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은 제1 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지가 상기 입력 합성 HSR 이미지에 매칭되도록 학습되고,
상기 순행 판별자는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제1 예측 합성 HSR 이미지를 상기 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지를 상기 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
바람직하게는,
상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지가 상기 상보적 제1 예측 합성 HSR 이미지에 매칭되도록 학습되고,
상기 순행 판별자는 상기 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지를 상기 상보적 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 상보적 입력 합성 HSR 이미지를 상기 상보적 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
바람직하게는,
상기 순환 생성적 적대 신경망(Cycle-GAN)은 상기 제1 픽셀 손실 함수 및 상기 제2 픽셀 손실 함수가 미리 결정된 기준 픽셀 손실 함수 값에 수렴하고, 상기 제1 순환 일관성 손실 함수(Cycle-Consistency Loss) 및 상기 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)가 미리 결정된 순환 일관성 손실 함수 값에 수렴하도록 학습될 때의 상기 제1 예측 합성 HSR 이미지 또는 상기 상보적 제1 예측 합성 HSR 이미지 또는 상기 제2 순환 예측 합성 HSR 이미지를 상기 결과 합성 HSR 이미지로 출력한다.
바람직하게는,
상기 순행 생성자 및 상기 역행 생성자는
인코더를 이용하여 상기 입력 합성 HSR 이미지의 크기를 감소시키고, 상기 입력 합성 HSR 이미지로부터 복수의 특징 맵(feature map)을 추출하는 인코딩 단계;
복수의 SE-잔차 블록(SE-residual block)을 이용하여 상기 특징 맵을 재조정(recalibration)하는 재조정 단계;
디코더를 이용하여 상기 인코더에서 감소된 상기 입력 합성 HSR 이미지의 크기를 복원하는 디코딩 단계;를 실행하도록 구성된다.
바람직하게는,
상기 순행 판별자 및 상기 역행 판별자는 패치 생성적 적대 신경망(Patch-GAN)의 아키텍처를 사용하여 패치(patch) 단위로 판별을 수행하는 것을 특징으로 한다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법은 정성적 및 정량적 평가 모두에서 향상된 강수량 실황 예보를 가능하게 한다.
본 발명에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법은 픽셀 손실을 순환 생성적 적대 신경망에 적용함으로써 시간적 인과 관계에 대한 강건성을 확보할 수 있다.
다만, 본 발명의 효과들은 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템의 개략도를 도시한 도면이다.
도 2는 본 발명의 순환 생성적 적대 신경망의 학습을 위한 개략도를 도시한 도면이다.
도 3은 본 발명의 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 데이터의 생성을 설명하는 개략도이다.
도 4는 본 발명의 순행 생성자(forward generator)와 역행 생성자(backward generator)의 네트워크 아키텍처를 도시한 도면이다.
도 5는 본 발명의 순행 판별자(forward discriminator)와 역행 판별자(backward generator)의 네트워크 아키텍처를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법의 개략도를 도시한 도면이다.
도 7은 본 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법의 정성적 평가 결과를 보여주는 도면이다.
도 8은 본 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법의 정성적 평가 결과를 보여주는 표이다.
도 9는 본 발명의 다양한 실시예에 따른 장치 및/또는 시스템을 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 구성들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서, 도면에서 예시된 구성들은 개략적인 속성을 가지며, 도면에서 예시된 구성들의 모양은 구성의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2, 제3 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자에 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 도면을 참조하여, 본 발명의 개념 및 이에 따른 실시예들에 대해 상세히 설명하기로 한다.
본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법은 두 도메인 간의 관계를 전단사(bijection)로 가정하는 순환 생성적 적대 신경망(CycleGAN)을 이용한다,
특별히, 순환 생성적 적대 신경망을 시계열적 도메인(time-series domain)으로 확장하여 적용함으로써 현재의 강수량 정보를 포함하는 이미지를 기초로 미래 시간의 강수량 정보를 포함하는 이미지를 예측할 수 있다.
순환 생성적 적대 신경망은 순환 일관성 손실을 사용하여 페어링되지 않은 이미지 대 이미지 변환을 가능하게 한다.
도 1은 본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템의 개략도를 도시한 도면이다.
본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템(100)은 입력부(110), 순환 생성적 적대 신경망(Cycle-GAN)(120) 및 출력부(130)를 포함한다.
입력부(110)는 관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신한다.
순환 생성적 적대 신경망(Cycle-GAN : Cycle-Generative Adversarial Network)(120)은 제1 순환 생성적 적대 신경망(Cycle-GAN ) 및 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 포함한다.
제1 순환 생성적 적대 신경망(Cycle-GAN) 및 제2 순환 생성적 적대 신경망을 이용하여 입력 합성 HSR 이미지를 기초로 관심 지역의 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성한다.
제2 시간은 제1 시간보다 미래의 시간이며, 일 예로서, 10분의 간격으로 최대 2시간까지 가능하다.
출력부(130)는 결과 합성 HSR 이미지를 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력한다.
제1 순환 생성적 적대 신경망과 제2 순환 생성적 적대 신경망은 각각 시간적으로 순행하는 순행 이미지 매핑(mapping)과 시간적으로 역행하는 역행 이미지 매핑을 수행하여 시간적 인관 관계를 보다 강건하게 할 수 있다.
도 2는 본 발명의 순환 생성적 적대 신경망의 학습을 위한 개략도를 도시한 도면이다.
명확하고 간결한 설명을 위해 순행 생성자(Generatorforward)(223-1, 223-2), 역행 생성자(Generatorbackward)(224-1, 224-2), 순행 판별자(Discriminator(ti+step))(225), 역행 판별자(Discriminator(ti))(226)를 각각 Gf, Gb, D(ti+step), D(ti)로 표기한다. 2개의 생성기(Gf 및 Gb)와 2 개의 판별기(D(ti+step) 및 D(ti))는 두개의 사이클(221, 222)을 통해 학습된다. Gf와 Gb는 입력 HSR로부터 다음 시간 단계와 이전 시간 단계의 합성 하이브리드 고도면 강수량 (HSR)을 각각 생성한다.
D(ti+step)는 Gf에 의해 생성된 가짜 HSR과 진짜 HSR를 판별한다. 마찬가지고, D(ti)는 Gb에서 생성된 가짜 HSR과 진짜 HSR를 판별한다.
사이클1 (Cycle 1)(221)은 진짜 HSR(ti)에서 한 단계(one-step) 가짜 미래 HSR(ti+step)fake를 생성하고, 생성된 가짜 미래 HSR(ti+step)fake로부터 다시 순환(cycled) HSR(ti)cycled를 생성한다.
정리하면, 이다.
사이클(Cycle 2)(222)는 진짜 HSR(ti+step)으로부터 한 단계 가짜 과거 HSR(ti)fake를 생성하고, 생성된 가짜 과거 HSR(ti)fake로부터 다시 순환 HSR(ti+step)Cycled을 생성한다.
정리하면, 이다.
도 2에 도시된 학습 모델의 최종 목표는 진짜, 가짜 및 순환 HSR을 동일하게 만드는 것이다.
정리하면, 학습 후에 및 가 되도록 하는 것이다.
제1 순환 생성적 적대 신경망(Cycle-GAN)(221)은 순행 생성자(forward generator)(223-1), 역행 생성자(backward generator)(224-1), 순행 판별자(forward discriminator)(225) 및 역행 판별자(backward discriminator)(226)를 포함한다.
순행 생성자(forward generator)(223-1)는 제1 시간의 입력 합성 HSR 이미지(250)를 기초로 제2 시간의 제1 예측 합성 HSR 이미지(252)의 예측 매핑을 학습한다.
제2 시간은 제1 시간보다 미래의 시간이다.
역행 생성자(backward generator)(224-1)는 제2 시간의 제1 예측 합성 HSR 이미지(252)를 기초로 제1 시간의 제1 순환 예측 합성 HSR 이미지(254)의 예측 매핑을 학습한다.
순행 판별자(forward discriminator)(225)는 순행 생성자(223-1)의 예측 매핑의 정확도를 평가하고, 입력 합성 HSR 이미지(250)와 제1 예측 합성 HSR 이미지(252)를 판별한다.
역행 판별자(backward discriminator)(226)는 역행 생성자(224-1)의 예측 매핑의 정확도를 평가하고, 제1 예측 합성 HSR 이미지(252)와 제1 순환 예측 합성 HSR 이미지(254)를 판별한다.
제2 순환 생성적 적대 신경망(Cycle-GAN)(222)은 역행 생성자(224-2), 순행 생성자(223-2), 순행 판별자(225) 및 역행 판별자(226)를 포함한다.
역행 생성자(224-2)는 제2 시간의 제1 예측 합성 HSR 이미지(252)에 제1 픽셀 손실 함수(pixel loss)(순행 픽셀 손실(pixel loss forward))가 적용된 상보적 제1 예측 합성 HSR 이미지(256)를 기초로 제1 시간의 입력 합성 HSR 이미지(250)에 대응하는 상보적 입력 합성 HSR 이미지(258)의 예측 매핑을 학습한다. 입력 합성 HSR 이미지(250)와 상보적 입력 합성 HSR 이미지(258)는 제2 픽셀 손실 함수(역행 픽셀 손실(pixel loss backward)가 적용된 상보적 관계를 갖는다.
순행 생성자(223-2)는 제1 시간의 상보적 입력 합성 HSR 이미지(258)를 기초로 제2 시간의 제2 순환 예측 합성 HSR 이미지(260)의 예측 매핑을 학습한다.
순행 판별자(225)는 순행 생성자(223-2)의 예측 매핑의 정확도를 평가하고, 상보적 입력 합성 HSR 이미지(258)와 제2 순환 예측 합성 HSR 이미지(260)를 판별한다.
역행 판별자(226)는 역행 생성자(224-2)의 예측 매핑의 정확도를 평가하고, 상보적 제1 예측 합성 HSR 이미지(256)와 상보적 입력 합성 HSR 이미지(258)를 판별한다.
본원 발명의 제1 순환 생성적 적대 신경망(Cycle-GAN)(221)의 순행 생성자(223-1)와 제2 순환 생성적 적대 신경망(Cycle-GAN)(222)의 순행 생성자(223-2)는 동일한 네트워크 아키텍처를 갖는다.
본원 발명의 제1 순환 생성적 적대 신경망(Cycle-GAN)(221)의 역행 생성자(224-1)와 제2 순환 생성적 적대 신경망(Cycle-GAN)(222)의 역행 생성자(224-2)는 동일한 네트워크 아키텍처를 갖는다.
일 실시예에 따른 본원 발명의 순행 생성자와 역행 생성자는 동일한 네트워크 아키텍처를 갖는다.
본원 발명의 제1 순환 생성적 적대 신경망(Cycle-GAN)(221)의 순행 판별자(225), 역행 판별자(226)와 제2 순환 생성적 적대 신경망(Cycle-GAN)(222)의 순행 판별자(225), 역행 판별자(226)는 동일한 네트워크 아키텍처를 갖는다.
일 실시예에 따른 본원 발명의 순행 판별자와 역행 판별자는 동일한 네트워크 아키텍처를 갖는다.
본원 발명의 제1 순환 생성적 적대 신경망(Cycle-GAN)(221)은 제1 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 제1 순환 예측 합성 HSR 이미지(254)가 입력 합성 HSR 이미지(250)에 매칭되도록 학습된다.
순행 판별자(225)는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 제1 예측 합성 HSR 이미지(252)를 입력 합성 HSR 이미지(250)로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
역행 판별자(226)는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 제1 순환 예측 합성 HSR 이미지(254)를 제1 예측 합성 HSR 이미지(252)로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
제2 순환 생성적 적대 신경망(Cycle-GAN)(222)은 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 제2 순환 예측 합성 HSR 이미지(260)가 상보적 제1 예측 합성 HSR 이미지(256)에 매칭되도록 학습된다.
순행 판별자(225)는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 제2 순환 예측 합성 HSR 이미지(260)를 상보적 입력 합성 HSR 이미지(258)로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
역행 판별자(226)는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상보적 입력 합성 HSR 이미지(258)를 상보적 제1 예측 합성 HSR 이미지(256)로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
순환 생성적 적대 신경망(Cycle-GAN)(120)은 제1 픽셀 손실 함수 및 제2 픽셀 손실 함수가 미리 결정된 기준 픽셀 손실 함수 값에 수렴하고, 제1 순환 일관성 손실 함수(Cycle-Consistency Loss) 및 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)가 미리 결정된 순환 일관성 손실 함수 값에 수렴하도록 학습될 때의 제1 예측 합성 HSR 이미지 또는 상보적 제1 예측 합성 HSR 이미지 또는 제2 순환 예측 합성 HSR 이미지를 결과 합성 HSR 이미지로 출력한다.
출력부(130)는 결과 합성 HSR 이미지를 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력한다.
도 2에 도시된 바와 같이 강수량 실황 예보를 위한 학습 모델은 2개의 사이클(Cycle 1, Cycle 2)로 구성되며 합성 하이브리드 고도면 강수량(HSR)을 입력 데이터로 사용한다. 도 2에 도시된 바와 같이 본 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템은 총 4개의 서로 다른 네트워크가 두 사이클로 학습된다.
순행 생성자(Generatorforward)와 역행 생성자 (Generatorbackward)는 각각 현재에서 미래로, 미래에서 현재로 이미지 매핑을 학습시킨다. 이미지 매핑을 수행함으로써 미래의 강수량 정보를 포함하는 이미지를 예측한다.
순행 판별기(ti+step)와 역행 판별기(ti)는 순행 생성자(Generatorforward)와 역행 생성자 (Generatorbackward)의 매핑 정확도를 평가한다.
모델에 대한 입력으로 사용되는 입력 데이터 HSRi는 수식 (1)과 같이 표시된다.
여기서, ti는 의 임의의 원소이고, 이산 시간의 산술 시퀀스이다 : 및 . 는 시간 ti에서 진짜 HSR 데이터를 나타낸다. 사이클 1은 알려진 현재의 강수량 정보를 기초로 미래의 강수량 정보를 예측하고, 예측된 미래 강수량 정보를 기초로 다시 현재의 강수량 정보를 예측하고, 수식 (2)와 같이 표시된다 :
여기서, 아래 첨자 가짜(fake) 및 순환(cycled)은 각각 진짜(real)와 가짜(fake)로부터 생성된 데이터를 나타낸다. Gf 및 Gb는 도 2의 순행 생성자(Generatorforward)와 역행 생성자 (Generatorbackward)를 나타낸다.
알려진 미래에서 현재를 예측하고, 예측된 현재에서 다시 미래를 예측하는 사이클 2는 수식(3)과 같이 표시된다:
수식(3)에서의 변수는 수식(2)에서의 변수와 같다. 추가하여,
순환 판별자(ti+step) 및 역행 판별자(ti)는 각각 D(ti+step)및 D(ti)로 표시된다.
따라서, 및 는 D(ti+step)및 D(ti)는 수식 (4) 내지 수식(7)과 같이 표현된다 :
그리고 및 은 수식(8) 내지 수식(11)와 같이 표현된다 :
본원 발명의 순환 생성적 적대 신경망은 HSRi를 입력으로 수신하고, 이를 HSR(ti)real 및 HSR(ti+step)real을 각각 사이클 1 및 사이클 2에 분배한다. 사이클 1과 사이클 2의 상보적인 최적화를 통해 학습 모델은 강력한 시간적 인과 관계(temporal causality)를 획득할 수 있다.
본원 발명의 순환 생성적 적대 신경망은 3 종류의 손실 함수 즉, 적대적 손실 함수(adversarial loss), 순환 일관성 손실 함수(cycle-consistency loss), 픽셀 손실 함수(pixel loss)를 적용함으로써 최적화될 수 잇다.
본원 발명의 순환 생성적 적대 신경망은 HSR(ti+step)real와 HSR(ti+step)fake의 분포를 일치시키기 위해 적대적 손실을 적용한다 (순행 적대적 손실).
마찬가지로 HSR(ti)real과 HSR(ti)fake의 분포를 일치시키기 위한 적대적 손실도 적용한다 (역행 적대적 손실).
본 발명은 LSGAN의 적대적 손실을 채택하고, 2개의 상보적인 사이클로 확장한다.
즉, 본원 발명의 순환 생성적 적대 신경의 적대적 손실은 수식(12) 내지 수식(15)와 같이 표현된다:
여기서 p(ti+step) 및 p(ti)는 각각 HSR(ti+step)real 및 HSR(ti)real의 분포를 나타낸다.
본원 발명의 순환 생성적 적대 신경망은 순환 일관성 손실을 시계열 영역에 적용하여 시간적 인과 관계를 강건하게 하였다. 순환 일관성 손실은 수식 (16) 및 수식 (17)을 충족하는 데 사용된다.
따라서, 순환 일관성 손실 함수는 수식 (18)과 같이 표현될 수 있다 :
본원 발명의 순환 생성적 적대 신경망은 다음 조건을 만족시키기 위해 적대적 손실과 함께 픽셀 손실을 적용한다.
수식 (19) 및 수식(20)을 만족시키기 위해, 픽셀 손실(순행(forward)) 및 픽셀 손실(역행) 은 다음과 같다 :
여기서, p(ti) 및 p(ti+step)는 각각 HSR(ti)real과 HSR(ti+step)real의 분포를 나타낸다.
성능 향상을 위해 종래의 순환 생성적 적대 신경망(CycleGAN)에서 추가로 채택한 아이덴티티 손실(identity loss)을 적용하였다. 그러나, 본원 발명에서는 아이덴티티 손실을 적용할 수 없는데, 왜냐하면, 시간적 인과 관계(temporal causality)를 깨기 때문이다. 예를 들어, 본원 발명의 선행 생성자(Gf)는 항상 현재에서 미래로의 매핑이어야 하지만, 아이덴티티 손실(identity loss)가 추가되면 현재에서 현재로의 매핑을 나타낼 수도 있다. 본원 발명은 아이덴티티 손실 대신 픽셀 손실을 추가하여 순행 생성자(Gf) 및 역행 생성자(Gb)가 시간적 변화를 캡처하는 것을 돕는다.
수식 (12)-(15), (18), (21), 및 (22)에 따라, 전체 목적 함수(objective function)는 다음과 같다 :
여기서, 및 은 상대적 중요성을 제어한다. 목적 함수는 수식 (16), (17), (19) 및 (20)를 만족한다: 따라서, 다음 수식(27) 및 (28)의 최종 목표를 달성할 수 있다:
수식 (27) 및 (28)의 목표는 사이클 1 및 사이클의 시간적 인과 관계를 보장한다.
도 3은 본 발명의 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 데이터의 생성을 설명하는 개략도이다.
도 3에 도시된 바와 같이 합성 하이브리드 고도면 강수량(HSR) 데이터는 기상 레이더(310)로부터 각 수평 거리에서 지면에 가장 근접하고 비기상 반향(echo) 및 빔 차단의 영향을 덜 받는 빔의 반사율을 선택한다. 비기상 반향에는 조류 반향, 지상 반향, 챠프(chaff) 반향 등이 포함되며, 이는 강수량 추정의 주요 장애물이다.
수집된 반사율 데이터는 지역적 특성을 고려한 반사율-강우량 방정식을 통해 HSR 데이터로 변환된다. HSR 데이터는 현재 한국의 기상예보에 활용되고 있다.
도 4는 본 발명의 순행 생성자(forward generator)와 역행 생성자(backward generator)의 네트워크 아키텍처를 도시한 도면이다.
일 실시예에 따른 본원 발명의 순행 생성자와 역행 생성자는 동일한 네트워크 아키텍처를 갖는다.
일 실시예에 따른 본원 발명의 순행 판별자와 역행 판별자는 동일한 네트워크 아키텍처를 갖는다.
순행 생성자(223) 및 역행 생성자(224)를 포함하는 생성자 네트워크(410)는 도 4에 도시된 바와 같이 구성될 수 있다.
생성자 네트워크(410)는 인코더(421), 복수의 SE-잔차 블록(SE-residual block)(423) 및 디코더(424)를 포함한다.
인코더(421)는 입력 합성 HSR 이미지의 크기를 감소시키고, 입력 합성 HSR 이미지로부터 복수의 특징 맵(feature map)을 추출한다.
SE-잔차 블록(SE-residual block)(423)는 복수개로 구성될 수 있고, 예를 들어, 16개의 잔차 블록을 포함할 수 있다. SE-잔차 블록(SE-residual block)(423)는 특징 맵을 재조정(recalibration)한다. SE-잔차 블록은 생성기 네트워크의 핵심 부분으로 잔차 블록과 SE-블록의 조합이다. 강건성을 위해 잔차 블록에 드롭아웃 계층(dropout layer)을 추가한다. 본원 발명은 소수의 잔여 블록을 사용하므로 원래 ResNet의 설계 정책에 따른 병목 블록을 사용하지 않는다.
디코더(424)는 인코더(421)에서 감소된 입력 합성 HSR 이미지의 크기를 복원한다. 출력 직전의 컨볼루션 계층(convolution layer)은 미세한 크기 조정(fine resizing)을 위한 것이고, tanh는 최종 활성화 함수로 사용된다.
도 5는 본 발명의 순행 판별자(forward discriminator)와 역행 판별자(backward generator)의 네트워크 아키텍처를 도시한 도면이다.
순행 판별자 및 역행 판별자는 패치(patch) 단위로 판별을 수행하는 패치 생성적 적대 신경망(Patch-GAN)의 아키텍처를 사용한다.
판별자 네트워크는 출력 데이터 패치가 진짜인지 가짜인지 분류한다. 패치 단위 판별자는 전체 데이터 판별자보다 가볍다. 일 실시예로서, 본 발명의 판별자 네트워크는 31 × 31 패치 크기를 사용한다. 입력 데이터의 크기에 따라 패치 크기를 유연하게 변경할 수 있음은 당업자에게 자명하다.
도 6은 본 발명의 일 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법의 개략도를 도시한 도면이다.
본 발명의 다른 실시예에 따른 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법(600)은 관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신하는 입력 데이터 수신 단계(S610)를 포함한다.
입력 합성 HSR 이미지를 기초로 관심 지역의 제1 시간보다 미래의 시간인 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성하는 순환 생성적 적대 신경망 실행 단계(S620)를 포함한다.
결과 합성 HSR 이미지를 상기 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력하는 출력 단계(S630)를 포함한다.
본원 발명의 순환 생성적 적대 신경망은 제1 순환 생성적 적대 신경망(Cycle-GAN) 및 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 포함한다.
순환 생성적 적대 신경망의 제1 순환 생성적 적대 신경망과 제2 순환 생성적 적대 신경망은 각각 시간적으로 순행하는 순행 이미지 매핑(mapping)과 시간적으로 역행하는 역행 이미지 매핑을 수행한다.
제1 순환 생성적 적대 신경망(Cycle-GAN)은,
순행 생성자(forward generator)를 이용하여 제1 시간의 입력 합성 HSR 이미지를 기초로 제2 시간의 제1 예측 합성 HSR 이미지의 예측 매핑을 학습하는 순행 이미지 매핑 단계;
역행 생성자(backward generator)를 이용하여 제2 시간의 제1 예측 합성 HSR 이미지를 기초로 제1 시간의 제1 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하는 역행 이미지 매핑 단계;
순행 판별자를 이용하여 순행 생성자의 예측 매핑의 정확도를 평가하고, 입력 합성 HSR 이미지와 제1 예측 합성 HSR 이미지를 판별하는 순행 판별 단계; 및
역행 판별자를 이용하여 역행 생성자의 예측 매핑의 정확도를 평가하고, 제1 예측 합성 HSR 이미지와 제1 순환 예측 합성 HSR 이미지를 판별하는 역행 판별 단계;를 실행한다.
제2 순환 생성적 적대 신경망(Cycle-GAN)은,
역행 생성자를 이용하여 제2 시간의 제1 예측 합성 HSR 이미지에 제1 픽셀 손실 함수(pixel loss)가 적용된 상보적 제1 예측 합성 HSR 이미지를 기초로 제1 시간의 입력 합성 HSR 이미지에 대응하는 상보적 입력 합성 HSR 이미지의 예측 매핑을 학습하고, 입력 합성 HSR 이미지와 상보적 입력 합성 HSR 이미지는 제2 픽셀 손실 함수가 적용된 상보적 관계를 유지하고,
순행 생성자를 이용하여 제1 시간의 상기 상보적 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제2 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하고,
순행 판별자를 이용하여 순행 생성자의 예측 매핑의 정확도를 평가하고, 상보적 입력 합성 HSR 이미지와 상기 제2 순환 예측 합성 HSR 이미지를 판별하고,
역행 판별자를 이용하여 역행 생성자의 예측 매핑의 정확도를 평가하고, 상보적 제1 예측 합성 HSR 이미지와 상보적 입력 합성 HSR 이미지를 판별하도록 구성된다.
제1 순환 생성적 적대 신경망(Cycle-GAN)은 제1 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 제1 순환 예측 합성 HSR 이미지가 입력 합성 HSR 이미지에 매칭되도록 학습된다.
순행 판별자는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 제1 예측 합성 HSR 이미지를 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 제1 순환 예측 합성 HSR 이미지를 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
제2 순환 생성적 적대 신경망(Cycle-GAN)은 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 제2 순환 예측 합성 HSR 이미지가 상보적 제1 예측 합성 HSR 이미지에 매칭되도록 학습된다.
순행 판별자는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 제2 순환 예측 합성 HSR 이미지를 상보적 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상보적 입력 합성 HSR 이미지를 상보적 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습된다.
순환 생성적 적대 신경망(Cycle-GAN)은 제1 픽셀 손실 함수 및 제2 픽셀 손실 함수가 미리 결정된 기준 픽셀 손실 함수 값에 수렴하고, 제1 순환 일관성 손실 함수(Cycle-Consistency Loss) 및 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)가 미리 결정된 순환 일관성 손실 함수 값에 수렴하도록 학습될 때의 제1 예측 합성 HSR 이미지 또는 상보적 제1 예측 합성 HSR 이미지 또는 제2 순환 예측 합성 HSR 이미지를 상기 결과 합성 HSR 이미지로 출력한다.
본원 발명의 순환 생성적 적대 신경망(Cycle-GAN)의 순행 생성자 및 상기 역행 생성자는,
인코더를 이용하여 입력 합성 HSR 이미지의 크기를 감소시키고, 입력 합성 HSR 이미지로부터 복수의 특징 맵(feature map)을 추출하는 인코딩 단계;
복수의 SE-잔차 블록(SE-residual block)을 이용하여 특징 맵을 재조정(recalibration)하는 재조정 단계;
디코더를 이용하여 인코더에서 감소된 입력 합성 HSR 이미지의 크기를 복원하는 디코딩 단계;를 실행하도록 구성된다.
본원 발명의 순환 생성적 적대 신경망(Cycle-GAN)의 순행 판별자 및 역행 판별자는 패치 생성적 적대 신경망(Patch-GAN)의 아키텍처를 사용하여 패치(patch) 단위로 판별을 수행하는 것을 특징으로 한다.
도 7은 본 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법의 정성적 평가 결과를 보여주는 도면이다.
도 7은 정성적 평가를 위해 기존의 2개의 모델과 비교하였다. 첫번째는 QPF 모델인 MAPLE이다. 두번째는 RNN에 기반한 ConvLSTM이다.
두 모델은 모두 현재 기상 레이더 운영 체계에 사용되고 있으며 실생활에서 충분히 검증된 방법들이다.
정성적 평가를 위해 CSI를 메트릭(metric)로 사용한다.
도 7에 도시된 바와 같이 CSI 기반의 정성적 평가의 실험 결과에서 본원 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법이 모든 시점에서 가장 높은 점수를 보장하였다.
본원 발명의 방법의 CSI는 2시간의 리드 타임(lead time) 동안 기존의 두개의 모델의 CSI에 비해 상대적으로 균일하게 유지된 것을 확인할 수 있다.
특별히, 본원 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법은 MAPLE보다 레이더 에코의 소멸을 더 잘 예측했으며 ConvLSTM보다 레이더 에코의 세부 사항을 더 잘 예측하였다.
도 8은 본 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법의 정성적 평가 결과를 보여주는 표이다.
도 8에 도시된 표를 보면, 정량적 평가를 위해 PSNR과 SSIM을 메트릭으로 사용한다.
표 1에서 보는 바와 같이 제안하는 방법은 예측 첫 10분을 제외하고는 PSNR과 SSIM 모두에서 가장 좋은 점수를 받았다.
도 7과 도 8을 보면, 본 발명의 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법은 종래의 방법에 비해 CSI, PSNR 및 SSIM은 모두 더 높은 것을 확인할 수 있다.
도 9는 본 발명의 다양한 실시예에 따른 장치 및/또는 시스템을 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한 도면이다.
도 9를 참조하여 본 개시의 몇몇 실시예에 따른 장치들을 구현할 수 있는 예시적인 컴퓨팅 장치(900)를 보다 구체적으로 설명하기로 한다.
컴퓨팅 장치(900)는 하나 이상의 프로세서(910), 버스(950), 통신 인터페이스(970), 프로세서(910)에 의하여 수행되는 컴퓨터 프로그램(991)을 로드(load)하는 메모리(930)와, 컴퓨터 프로그램(991)을 저장하는 스토리지(990)를 포함할 수 있다. 다만, 도 9에는 본 개시의 실시예와 관련 있는 구성 요소들 만이 도시되어 있다.
따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 9에 도시된 구성 요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(910)는 컴퓨팅 장치(900)의 각 구성의 전반적인 동작을 제어한다. 프로세서(910)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(910)는 본 개시의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(900)는 하나 이상의 프로세서를 구비할 수 있다. 컴퓨팅 장치(900)는 인공지능(AI)을 지칭할 수 있다.
메모리(930)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(930)는 본 개시의 실시예들에 따른 방법을 실행하기 위하여 스토리지(990)로부터 하나 이상의 프로그램(991)을 로드 할 수 있다. 메모리(930)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
버스(950)는 컴퓨팅 장치(900)의 구성 요소 간 통신 기능을 제공한다. 버스(950)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(970)는 컴퓨팅 장치(900)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(970)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(970)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
몇몇 실시예들에 따르면, 통신 인터페이스(970)는 생략될 수도 있다.
스토리지(990)는 하나 이상의 프로그램(991)과 각종 데이터를 비임시적으로 저장할 수 있다.
스토리지(990)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(991)은 메모리(930)에 로드 될 때 프로세서(910)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 명령들을 포함할 수 있다. 즉, 프로세서(910)는 상기 하나 이상의 명령들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (18)

  1. 관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신하는 입력부;
    상기 입력 합성 HSR 이미지를 기초로 상기 관심 지역의 상기 제1 시간보다 미래의 시간인 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성하는 순환 생성적 적대 신경망(Cycle-GAN); 및
    상기 결과 합성 HSR 이미지를 상기 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력하는 출력부;를 포함하고,
    상기 순환 생성적 적대 신경망(Cycle-GAN)은,
    제1 순환 생성적 적대 신경망(Cycle-GAN : Cycle-Generative Adversarial Network) 및 상기 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 포함하고,
    상기 제1 순환 생성적 적대 신경망과 상기 제2 순환 생성적 적대 신경망은 각각 시간적으로 순행하는 순행 이미지 매핑(mapping)과 시간적으로 역행하는 역행 이미지 매핑을 수행하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은,
    상기 제1 시간의 상기 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제1 예측 합성 HSR 이미지의 예측 매핑을 학습하는 순행 생성자(forward generator);
    상기 제2 시간의 상기 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 제1 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하는 역행 생성자(backward generator);
    상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 입력 합성 HSR 이미지와 상기 제1 예측 합성 HSR 이미지를 판별하는 순행 판별자; 및
    상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 제1 예측 합성 HSR 이미지와 상기 제1 순환 예측 합성 HSR 이미지를 판별하는 역행 판별자(backward discriminator);를 포함하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  4. 청구항 3에 있어서,
    상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은,
    상기 역행 생성자를 이용하여 상기 제2 시간의 상기 제1 예측 합성 HSR 이미지에 제1 픽셀 손실 함수(pixel loss)가 적용된 상보적 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 상기 입력 합성 HSR 이미지에 대응하는 상보적 입력 합성 HSR 이미지의 예측 매핑을 학습하고, 상기 입력 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지는 제2 픽셀 손실 함수가 적용된 상보적 관계를 갖고,
    상기 순행 생성자를 이용하여 상기 제1 시간의 상기 상보적 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제2 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하고,
    상기 순행 판별자를 이용하여 상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 입력 합성 HSR 이미지와 상기 제2 순환 예측 합성 HSR 이미지를 판별하고,
    상기 역행 판별자를 이용하여 상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 제1 예측 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지를 판별하도록 구성된, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  5. 청구항 4에 있어서,
    상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은 제1 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지가 상기 입력 합성 HSR 이미지에 매칭되도록 학습되고,
    상기 순행 판별자는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제1 예측 합성 HSR 이미지를 상기 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
    상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지를 상기 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  6. 청구항 5에 있어서,
    상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지가 상기 상보적 제1 예측 합성 HSR 이미지에 매칭되도록 학습되고,
    상기 순행 판별자는 상기 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지를 상기 상보적 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
    상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 상보적 입력 합성 HSR 이미지를 상기 상보적 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  7. 청구항 6에 있어서,
    상기 순환 생성적 적대 신경망(Cycle-GAN)은 상기 제1 픽셀 손실 함수 및 상기 제2 픽셀 손실 함수가 미리 결정된 기준 픽셀 손실 함수 값에 수렴하고, 상기 제1 순환 일관성 손실 함수(Cycle-Consistency Loss) 및 상기 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)가 미리 결정된 순환 일관성 손실 함수 값에 수렴하도록 학습될 때의 상기 제1 예측 합성 HSR 이미지 또는 상기 상보적 제1 예측 합성 HSR 이미지 또는 상기 제2 순환 예측 합성 HSR 이미지를 상기 결과 합성 HSR 이미지로 출력하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  8. 청구항 3에 있어서,
    상기 순행 생성자 및 상기 역행 생성자는
    상기 입력 합성 HSR 이미지의 크기를 감소시키고, 상기 입력 합성 HSR 이미지로부터 복수의 특징 맵(feature map)을 추출하는 인코더;
    상기 특징 맵을 재조정하는 복수의 SE-잔차 블록(SE-residual block);
    상기 인코더에서 감소된 상기 입력 합성 HSR 이미지의 크기를 복원하는 디코더;를 포함하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  9. 청구항 8에 있어서,
    상기 순행 판별자 및 상기 역행 판별자는 패치(patch) 단위로 판별을 수행하는 패치 생성적 적대 신경망(Patch-GAN)의 아키텍처를 사용하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템.
  10. 관심 지역의 제1 시간의 강수량 정보를 포함하는 입력 합성 하이브리드 고도면 강수량(HSR : hybrid surface rainfall) 이미지를 수신하는 입력 데이터 수신 단계;
    상기 입력 합성 HSR 이미지를 기초로 상기 관심 지역의 상기 제1 시간보다 미래의 시간인 제2 시간의 강수량 정보를 포함하는 결과 합성 HSR 이미지를 생성하는 순환 생성적 적대 신경망 실행 단계; 및
    상기 결과 합성 HSR 이미지를 상기 관심 지역의 실황 예보(Nowcasting) 이미지로서 출력하는 출력 단계;를 포함하고,
    상기 순환 생성적 적대 신경망은,
    제1 순환 생성적 적대 신경망(Cycle-GAN) 및 상기 제1 순환 생성적 적대 신경망에 상보적인 제2 순환 생성적 적대 신경망을 포함하고,
    상기 제1 순환 생성적 적대 신경망과 상기 제2 순환 생성적 적대 신경망은 각각 시간적으로 순행하는 순행 이미지 매핑(mapping)과 시간적으로 역행하는 역행 이미지 매핑을 수행하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  11. 삭제
  12. 청구항 10에 있어서,
    상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은,
    순행 생성자(forward generator)를 이용하여 상기 제1 시간의 상기 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제1 예측 합성 HSR 이미지의 예측 매핑을 학습하는 순행 이미지 매핑 단계;
    역행 생성자(backward generator)를 이용하여 상기 제2 시간의 상기 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 제1 순환 예측 합성 HSR 이미지의 예측 매핑을 학습하는 역행 이미지 매핑 단계;
    순행 판별자를 이용하여 상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 입력 합성 HSR 이미지와 상기 제1 예측 합성 HSR 이미지를 판별하는 순행 판별 단계; 및
    역행 판별자를 이용하여 상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 제1 예측 합성 HSR 이미지와 상기 제1 순환 예측 합성 HSR 이미지를 판별하는 역행 판별 단계;를 실행하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  13. 청구항 12에 있어서,
    상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은,
    상기 역행 생성자를 이용하여 상기 제2 시간의 상기 제1 예측 합성 HSR 이미지에 제1 픽셀 손실 함수(pixel loss)가 적용된 상보적 제1 예측 합성 HSR 이미지를 기초로 상기 제1 시간의 상기 입력 합성 HSR 이미지에 대응하는 상보적 입력 합성 HSR 이미지의 예측 매핑을 학습하고, 상기 입력 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지는 제2 픽셀 손실 함수가 적용된 상보적 관계를 유지하고,
    상기 순행 생성자를 이용하여 상기 제1 시간의 상기 상보적 입력 합성 HSR 이미지를 기초로 상기 제2 시간의 제2 순환 예측 합성 HSR 이미지를 예측 매핑을 학습하고,
    상기 순행 판별자를 이용하여 상기 순행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 입력 합성 HSR 이미지와 상기 제2 순환 예측 합성 HSR 이미지를 판별하고,
    상기 역행 판별자를 이용하여 상기 역행 생성자의 예측 매핑의 정확도를 평가하고, 상기 상보적 제1 예측 합성 HSR 이미지와 상기 상보적 입력 합성 HSR 이미지를 판별하도록 구성된, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  14. 청구항 13에 있어서,
    상기 제1 순환 생성적 적대 신경망(Cycle-GAN)은 제1 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지가 상기 입력 합성 HSR 이미지에 매칭되도록 학습되고,
    상기 순행 판별자는 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제1 예측 합성 HSR 이미지를 상기 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
    상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 제1 순환 예측 합성 HSR 이미지를 상기 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  15. 청구항 14에 있어서,
    상기 제2 순환 생성적 적대 신경망(Cycle-GAN)은 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지가 상기 상보적 제1 예측 합성 HSR 이미지에 매칭되도록 학습되고,
    상기 순행 판별자는 상기 순행 적대적 손실 함수(forward Adversarial Loss)를 적용하여 상기 제2 순환 예측 합성 HSR 이미지를 상기 상보적 입력 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되고,
    상기 역행 판별자는 역행 적대적 손실 함수(backward Adversarial Loss)를 적용하여 상기 상보적 입력 합성 HSR 이미지를 상기 상보적 제1 예측 합성 HSR 이미지로 오인하여 판단할 수 있는 확률을 높이도록 학습되는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  16. 청구항 15에 있어서,
    상기 순환 생성적 적대 신경망(Cycle-GAN)은 상기 제1 픽셀 손실 함수 및 상기 제2 픽셀 손실 함수가 미리 결정된 기준 픽셀 손실 함수 값에 수렴하고, 상기 제1 순환 일관성 손실 함수(Cycle-Consistency Loss) 및 상기 제2 순환 일관성 손실 함수(Cycle-Consistency Loss)가 미리 결정된 순환 일관성 손실 함수 값에 수렴하도록 학습될 때의 상기 제1 예측 합성 HSR 이미지 또는 상기 상보적 제1 예측 합성 HSR 이미지 또는 상기 제2 순환 예측 합성 HSR 이미지를 상기 결과 합성 HSR 이미지로 출력하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  17. 청구항 12에 있어서,
    상기 순행 생성자 및 상기 역행 생성자는,
    인코더를 이용하여 상기 입력 합성 HSR 이미지의 크기를 감소시키고, 상기 입력 합성 HSR 이미지로부터 복수의 특징 맵(feature map)을 추출하는 인코딩 단계;
    복수의 SE-잔차 블록(SE-residual block)을 이용하여 상기 특징 맵을 재조정하는 재조정 단계;
    디코더를 이용하여 상기 인코더에서 감소된 상기 입력 합성 HSR 이미지의 크기를 복원하는 디코딩 단계;를 실행하도록 구성된, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
  18. 청구항 17에 있어서,
    상기 순행 판별자 및 상기 역행 판별자는 패치 생성적 적대 신경망(Patch-GAN)의 아키텍처를 사용하여 패치(patch) 단위로 판별을 수행하는 것을 특징으로 하는, 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 방법.
KR1020230003325A 2022-11-25 2023-01-10 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법 KR102565747B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2023/001038 WO2024111747A1 (ko) 2022-11-25 2023-01-20 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220160458 2022-11-25
KR1020220160458 2022-11-25

Publications (1)

Publication Number Publication Date
KR102565747B1 true KR102565747B1 (ko) 2023-08-11

Family

ID=87565793

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230003325A KR102565747B1 (ko) 2022-11-25 2023-01-10 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR102565747B1 (ko)
WO (1) WO2024111747A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830340A (zh) * 2024-01-04 2024-04-05 中南大学 一种探地雷达目标特征分割方法、系统、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200120985A (ko) * 2019-04-09 2020-10-23 (주)에이아이엠컴 인공지능을 이용하여 해외유입미세먼지가 국내 미세먼지 농도에 미치는 영향을 분석하는 미세먼지측정 및 예보시스템
KR102175179B1 (ko) * 2020-08-13 2020-11-10 대한민국(기상청 국립기상과학원장) 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법
KR20210028992A (ko) * 2019-09-05 2021-03-15 포항공과대학교 산학협력단 생성적 적대 신경망을 이용한 태풍의 경로 예측 방법
KR20210115832A (ko) * 2020-03-16 2021-09-27 한국전자통신연구원 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치
KR102457470B1 (ko) 2021-11-08 2022-10-21 주식회사 윈드위시 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860975A (zh) * 2020-06-30 2020-10-30 中国地质大学（武汉） 一种基于生成对抗网络的临近降雨预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200120985A (ko) * 2019-04-09 2020-10-23 (주)에이아이엠컴 인공지능을 이용하여 해외유입미세먼지가 국내 미세먼지 농도에 미치는 영향을 분석하는 미세먼지측정 및 예보시스템
KR20210028992A (ko) * 2019-09-05 2021-03-15 포항공과대학교 산학협력단 생성적 적대 신경망을 이용한 태풍의 경로 예측 방법
KR20210115832A (ko) * 2020-03-16 2021-09-27 한국전자통신연구원 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치
KR102175179B1 (ko) * 2020-08-13 2020-11-10 대한민국(기상청 국립기상과학원장) 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법
KR102457470B1 (ko) 2021-11-08 2022-10-21 주식회사 윈드위시 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830340A (zh) * 2024-01-04 2024-04-05 中南大学 一种探地雷达目标特征分割方法、系统、设备及存储介质

Also Published As

Publication number Publication date
WO2024111747A1 (ko) 2024-05-30

Similar Documents

Publication Publication Date Title
CN109891897B (zh) 用于分析媒体内容的方法
WO2020103677A1 (zh) 数值天气预报的气象要素数据处理方法及装置
CN111242071B (zh) 一种基于锚框的注意力遥感图像目标检测方法
KR102565747B1 (ko) 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법
CN106933649B (zh) 基于移动平均和神经网络的虚拟机负载预测方法及系统
CN110415516A (zh) 基于图卷积神经网络的城市交通流预测方法及介质
KR102631539B1 (ko) 딥러닝 기반 강수 예측 방법, 그리고 이를 구현하기 위한 장치
CN111726243B (zh) 预测节点状态的方法和装置
US8478711B2 (en) System and method for data fusion with adaptive learning
CN112183587B (zh) 一种海上风电场生物监测方法、系统、计算机设备和存储介质
KR102165160B1 (ko) 순차적 정보 기반의 순환 신경망 모델을 이용하여 사용자 의도 시퀀스를 예측하기 위한 장치 및 그 방법
CN111126794A (zh) 基于小样本的数据增强及神经网络对抗训练系统
Guo et al. Development of risk indicators for losing navigational control of autonomous ships
CN108898221A (zh) 基于状态特征和后继特征的特征与策略的联合学习方法
CN113409803B (zh) 语音信号处理方法、装置、存储介质及设备
KR102248974B1 (ko) 인공지능 기반 레이더 강수 예측 방법 및 그 장치
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
CN116258253A (zh) 一种基于贝叶斯神经网络的车辆od预测方法
Parri et al. A hybrid GAN based autoencoder approach with attention mechanism for wind speed prediction
Lackes et al. Forecasting the price development of crude oil with artificial neural networks
CN112184846A (zh) 图像生成方法、装置、计算机设备和可读存储介质
CN113919587A (zh) 基于神经网络的地质灾害的预测方法及系统
JP7475549B2 (ja) 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
CN112735600B (zh) 基于大数据监测和深度学习级联预测的提前预警方法
CN117422169B (zh) 基于因果干预的车险用户驾驶行为分析与预测方法及设备

Legal Events

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