KR102589878B1 - System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence - Google Patents

System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence Download PDF

Info

Publication number
KR102589878B1
KR102589878B1 KR1020210084951A KR20210084951A KR102589878B1 KR 102589878 B1 KR102589878 B1 KR 102589878B1 KR 1020210084951 A KR1020210084951 A KR 1020210084951A KR 20210084951 A KR20210084951 A KR 20210084951A KR 102589878 B1 KR102589878 B1 KR 102589878B1
Authority
KR
South Korea
Prior art keywords
satellite
observation
data
wind
artificial intelligence
Prior art date
Application number
KR1020210084951A
Other languages
Korean (ko)
Other versions
KR20230001873A (en
Inventor
박숭환
유제선
손동휘
Original Assignee
한국해양과학기술원
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 한국해양과학기술원 filed Critical 한국해양과학기술원
Priority to KR1020210084951A priority Critical patent/KR102589878B1/en
Publication of KR20230001873A publication Critical patent/KR20230001873A/en
Application granted granted Critical
Publication of KR102589878B1 publication Critical patent/KR102589878B1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 인공지능을 이용하여 지리적 특성, 주변 육지 및 계절의 영향을 모두 고려하여 관측 정확도를 높일 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법에 관한 것으로, 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB 형태로 구성하는 해상풍 자료 DB화부;데이터베이스화된 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 입력자료로 사용하여 위성관측 풍속을 부이관측 풍속을 기준으로 조정을 수행하는 인공지능 모델을 구축하는 학습모델 구축 및 검증 자료 생성부;보정된 위성관측 풍속의 정확도를 평가하는 해상풍 자료 정확도 평가부;위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력으로 하여 인공지능 모델을 적용하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정부;를 포함하는 것이다.The present invention relates to an apparatus and method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence to increase observation accuracy by taking into account geographical characteristics, surrounding land, and seasonal influences using artificial intelligence. Marine wind data database that consists of buoy observation wind speed and satellite observation data in a DB format capable of artificial intelligence learning; databaseized satellite observation wind speed, satellite observation wind direction, latitude and longitude coordinates of the satellite observation point, and satellite observation time and date information A learning model construction and verification data generation unit that builds an artificial intelligence model that uses the satellite-observed wind speed as input data to adjust the buoy-observed wind speed based on the buoy-observed wind speed; Offshore wind data accuracy evaluation unit that evaluates the accuracy of the corrected satellite-observed wind speed ;Includes a satellite observation offshore wind accuracy correction unit that outputs satellite observation offshore wind data whose accuracy is corrected by applying an artificial intelligence model using the wind speed, wind direction, observation time, and observation date of each pixel provided by the satellite as input; It is done.

Description

인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법{System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence}Device and method for improving accuracy of satellite image observation sea wind data using artificial intelligence {System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence}

본 발명은 해상풍 관측에 관한 것으로, 구체적으로 인공지능을 이용하여 지리적 특성, 주변 육지 및 계절의 영향을 모두 고려하여 관측 정확도를 높일 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법에 관한 것이다.The present invention relates to offshore wind observation, and specifically, accuracy correction of satellite image observation offshore wind data using artificial intelligence to increase observation accuracy by considering geographical characteristics, surrounding land, and seasonal influences using artificial intelligence. It relates to a device and method for.

해상풍은 파랑, 해류, 해양순환, 폭풍해일 및 해양생태계에 직간접적으로 영향을 끼치며, 해양기상예측, 파랑수치모델, 해양재난재해의 예측 등에 주요 입력변수로 사용된다.Offshore winds directly and indirectly affect waves, ocean currents, ocean circulation, storm surges, and marine ecosystems, and are used as major input variables in marine weather forecasting, numerical wave models, and prediction of marine disasters.

현재까지 해상풍의 관측은 해양에 설치한 부이를 이용하거나, 연안에 기상관측장비를 이용하여 간접적으로 추정하여 왔다. 그러나 해양부이를 이용한 해상풍 관측은 설치에 따른 경제적비용, 유지보수, 기기결함, 결측 등으로 인하여 일부 지점에서 관측이 수행되는 한계점이 존재해왔다.To date, ocean winds have been observed indirectly using buoys installed in the ocean or using weather observation equipment on the coast. However, offshore wind observations using ocean buoys have had limitations in that observations can only be performed at some points due to the economic cost of installation, maintenance, equipment defects, and missing data.

이러한 한계점을 극복하고자, 인공위성을 이용한 해상풍 관측이 수행되고 있다. 이는 인공위성에 고도계 또는 산란계 센서를 탑재하여 관측을 수행 것으로, 인공위성을 이용할 경우, 넓은 해역에 대해 주기적인 해상풍 관측이 가능하다.To overcome these limitations, offshore wind observations using satellites are being conducted. This is done by mounting an altimeter or scatterometer sensor on an artificial satellite, and when using an artificial satellite, periodic offshore wind observations are possible over a wide sea area.

그러나 고도계 및 산란계를 이용하여 간접적으로 해상풍을 추정할 경우, 알고리즘의 특성상 직접적으로 관측을 수행하는 부이관측 해상풍과는 오차가 존재한다. However, when estimating offshore wind indirectly using altimeters and scatterometers, errors exist compared to buoy-observed offshore winds that are directly observed due to the nature of the algorithm.

이러한 오차를 해결하기 위해, 위성관측 해상풍과 부이관측 해상풍 간 선형회귀분석을 이용한 위성관측 해상풍의 정확도 보정방법이 제시된 바 있다.To resolve these errors, a method for correcting the accuracy of satellite-observed offshore wind using linear regression analysis between satellite-observed offshore wind and buoy-observed offshore wind has been proposed.

그러나 실제 해상풍은 해역의 지리적 특성, 주변 육지 및 계절에 영향을 받기 때문에, 위성관측 해상풍의 정확도 보정을 위해서는 이들 요소를 고려할 필요가 있다.However, since actual offshore winds are affected by the geographical characteristics of the sea area, surrounding land, and season, these factors need to be taken into consideration to correct the accuracy of satellite-observed offshore winds.

따라서, 지리적 특성, 주변 육지 및 계절의 영향을 고려하여 위성관측 해상풍 자료의 정확도를 높이기 위한 새로운 기술의 개발이 요구되고 있다.Therefore, there is a need to develop new technologies to increase the accuracy of satellite-observed offshore wind data by considering geographical characteristics, surrounding land, and seasonal influences.

대한민국 공개특허 제10-2020-0104697호Republic of Korea Patent Publication No. 10-2020-0104697 대한민국 등록특허 제10-1503509호Republic of Korea Patent No. 10-1503509 대한민국 공개특허 제10-2021-0055975호Republic of Korea Patent Publication No. 10-2021-0055975

본 발명은 종래 기술의 해상풍 관측 기술의 문제점을 해결하기 위한 것으로, 인공지능을 이용하여 지리적 특성, 주변 육지 및 계절의 영향을 모두 고려하여 관측 정확도를 높일 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention is intended to solve the problems of the offshore wind observation technology of the prior art. Satellite image observation using artificial intelligence can increase observation accuracy by considering geographical characteristics, surrounding land, and seasonal influences using artificial intelligence. The purpose is to provide a device and method for correcting the accuracy of sea wind data.

본 발명은 인공지능기법을 적용하기 위한 학습 방법, 보정된 위성관측 해상풍의 정확도 평가방법의 적용으로 높은 정확도를 갖는 위성영상 해상풍 관측 자료를 제공할 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention is a learning method for applying artificial intelligence techniques and an accuracy evaluation method for corrected satellite-observed offshore wind, which provides high-accuracy satellite image offshore wind observation data using artificial intelligence. The purpose is to provide devices and methods for correcting the accuracy of data.

본 발명은 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가를 통하여 위성영상 관측 해상풍자료의 정확도를 효율적으로 평가할 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention improves the accuracy of satellite image observation offshore wind data through root mean square evaluation using all data before and after applying artificial intelligence, absolute speed difference evaluation for each buoy observation point, absolute speed difference evaluation for each wind speed section, and absolute speed difference evaluation for each wind direction. The purpose is to provide a device and method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence for efficient evaluation.

본 발명은 부이관측 해상풍과 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜) 정보를 수집하며, 조건식을 적용하여 부이관측 자료와 위성관측 자료를 DB로 구축하여 인공지능 학습을 위한 자료를 효율적으로 제공할 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention collects information on buoy observation offshore wind and satellite observation data (wind speed, wind direction, coordinates, time and date), and applies conditional expressions to construct a database of buoy observation data and satellite observation data to provide data for artificial intelligence learning. The purpose is to provide a device and method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence so that it can be provided efficiently.

본 발명은 인공지능 학습을 위한 자료를 정량적인 비율을 결정하여 인공지능 학습을 위한 모델훈련자료(training set), 모델검증자료(validation set) 구분한 후, 모델훈련자료를 활용하여 인공지능 모델을 제작하고 모델검증자료를 활용하여 효율적인 검증이 가능하도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention determines the quantitative ratio of data for artificial intelligence learning, divides it into model training set and model validation set for artificial intelligence learning, and then uses the model training data to create an artificial intelligence model. The purpose is to provide a device and method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence to enable efficient verification using model verification data.

본 발명은 부이관측 지점별 평가, 풍속 구간에 따른 정확도 평가 및 풍향에 따른 정확도 평가를 수행하여 인공지능을 이용하여 보정된 위성관측 풍속에 대해 종합적인 정확도를 평가하여 관측 신뢰성을 높일 수 있도록 한 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention is an artificial intelligence system that improves observation reliability by evaluating the comprehensive accuracy of the satellite-observed wind speed corrected using artificial intelligence by performing evaluation by buoy observation point, accuracy evaluation according to wind speed section, and accuracy evaluation according to wind direction. The purpose is to provide a device and method for correcting the accuracy of satellite image observation sea wind data using intelligence.

본 발명은 인공지능 모델을 활용하여 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 이용하여 정확도를 보정하고, 이를 지도 형태로 제공하여 관측자료 사용시의 편리성을 높인 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.The present invention utilizes an artificial intelligence model to correct accuracy using satellite observation data (wind speed, wind direction, coordinates, time and date), and provides this in the form of a map to improve convenience in using observation data. The purpose is to provide a device and method for correcting the accuracy of video observation sea wind data.

본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.Other objects of the present invention are not limited to the objects mentioned above, and other objects not mentioned will be clearly understood by those skilled in the art from the description below.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치는 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB 형태로 구성하는 해상풍 자료 DB화부;데이터베이스화된 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 입력자료로 사용하여 위성관측 풍속을 부이관측 풍속을 기준으로 조정을 수행하는 인공지능 모델을 구축하는 학습모델 구축 및 검증 자료 생성부;보정된 위성관측 풍속의 정확도를 평가하는 해상풍 자료 정확도 평가부;위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력으로 하여 인공지능 모델을 적용하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정부;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the device for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence according to the present invention is offshore wind data that consists of buoy observation wind speed and satellite observation data in a DB form capable of artificial intelligence learning. DB unit; artificial intelligence that uses databased satellite-observed wind speed, satellite-observed wind direction, latitude and longitude coordinates of the satellite observation point, and satellite observation time and date information as input data to adjust the satellite-observed wind speed based on the buoy-observed wind speed Learning model construction and verification data generation unit that builds the model; Marine wind data accuracy evaluation unit that evaluates the accuracy of the corrected satellite observed wind speed; Wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite are input. It is characterized by including a satellite observation offshore wind accuracy correction unit that outputs satellite observation offshore wind data whose accuracy is corrected by applying an artificial intelligence model.

여기서, 해상풍 자료 DB화부는, 부이관측 풍속 자료를 DB화하는 부이관측 풍속 DB화부와,위성관측 풍속 자료를 DB화하는 위성관측 풍속 DB화부와,위성관측 풍향 자료를 DB화하는 위성관측 풍향 DB화부와,위성관측지점의 위경도 좌표 자료를 DB화하는 위상 관측 좌표 DB화부와,위성관측 날짜 및 시각 정보를 DB화하는 위성관측 날짜 및 시각 DB화부를 포함하는 것을 특징으로 한다.Here, the offshore wind data DB unit includes a buoy observation wind speed DB unit that converts buoy observation wind speed data into a DB, a satellite observed wind speed DB unit that converts satellite observation wind speed data into a DB, and a satellite observed wind direction DB unit that converts satellite observation wind direction data into a DB. It is characterized by comprising a DB unit, a phase observation coordinate DB unit that converts latitude and longitude coordinate data of the satellite observation point into a database, and a satellite observation date and time DB unit that converts satellite observation date and time information into a database.

여기서, 해상풍 자료 DB화부는, 허용 범위 이내의 조건에서 관측한 정보를 판별하기 위한 조건식이 요구되며, 각각의 픽셀에 동일한 조건식을 적용하여 조건식을 통과하면 DB에 포함하고, 포함하지 않으면 DB에서 제외하고,조건식을 정하는 항목은 부이관측 지점과의 거리 또는 부이관측시각과의 차이를 포함하는 것을 특징으로 한다.Here, the marine wind data DB unit requires a conditional expression to determine the information observed under conditions within the allowable range. The same conditional expression is applied to each pixel, and if it passes the conditional expression, it is included in the DB. If it is not included, it is included in the DB. Except, the items that determine the conditional expression are characterized by including the distance from the buoy observation point or the difference from the buoy observation time.

그리고 조건식을 통과한 부이관측 풍속, 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 하나의 쌍으로 구성하여 데이터베이스화 하여 저장 및 관리하는 것을 특징으로 한다.It is characterized by storing and managing the buoy-observed wind speed, satellite-observed wind speed, satellite-observed wind direction, latitude-longitude coordinates of the satellite observation point, and satellite observation time and date information that have passed the conditional expression into a pair of databases.

그리고 학습모델 구축 및 검증 자료 생성부는, 위성관측 자료를 입력자료로 하여 학습 자료를 생성하는 학습 자료 생성부와,학습 자료 생성부에서 생성된 학습 자료를 이용하여 부이관측 풍속을 추정할 수 있는 인공지능 모델을 구축하는 인공지능 모델 구축부와,인공지능 모델 구축부에서 구축된 인공지능 모델을 검증하기 위한 검증 자료를 생성하는 검증 자료 생성부와,검증 자료 생성부에서 생성된 검증 자료를 이용하여 인공지능 모델 구축부에서 구축된 인공지능 모델을 검증하는 인공지능 모델 검증부를 포함하는 것을 특징으로 한다.In addition, the learning model construction and verification data generation unit includes a learning data generation unit that generates learning data using satellite observation data as input data, and an artificial buoy observation wind speed that can be estimated using the learning data generated in the learning data generation unit. An artificial intelligence model construction unit that builds an intelligence model, a verification data generation unit that generates verification data to verify the artificial intelligence model built in the artificial intelligence model construction unit, and verification data generated in the verification data generation unit. It is characterized by including an artificial intelligence model verification unit that verifies the artificial intelligence model built in the artificial intelligence model construction unit.

그리고 해상풍 자료 정확도 평가부는, 위성관측 해상풍 자료를 입력하는 위성관측 자료 입력부와,위성관측 해상풍 자료를 학습모델 구축 및 검증 자료 생성부에서 구축된 인공지능 모델에 적용하는 인공지능 모델 적용부와,인공지능 모델 적용부를 통하여 개선된 위성관측 해상풍 자료를 출력하는 보정 해상풍 자료 출력부와,정확도 평가의 기준이 되는 부이에서 관측한 해상풍 정보를 입력하는 부이 관측 해상풍 자료 입력부와,부이에서 관측한 해상풍 정보를 기준으로 보정 해상풍 자료의 정확도를 평가하는 정확도 평가부를 포함하는 것을 특징으로 한다.And the offshore wind data accuracy evaluation unit includes a satellite observation data input unit that inputs satellite observation offshore wind data, and an artificial intelligence model application unit that applies the satellite observation offshore wind data to the artificial intelligence model built in the learning model construction and verification data generation unit. , a corrected offshore wind data output unit that outputs improved satellite-observed offshore wind data through an artificial intelligence model application unit, a buoy observation offshore wind data input unit that inputs offshore wind information observed from a buoy, which is the standard for accuracy evaluation, and It is characterized by including an accuracy evaluation unit that evaluates the accuracy of the corrected offshore wind data based on the offshore wind information observed from the buoy.

그리고 위성관측 해상풍 정확도 보정부는, 위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력하는 위성 자료 입력부와,위성관측 해상풍 자료를 학습모델 구축 및 검증 자료 생성부에서 구축된 인공지능 모델에 적용하는 인공지능 모델 학습부와,인공지능 모델 학습부를 통하여 개선된 위성관측 해상풍 자료를 출력하는 정확도 보정 해상풍 자료 출력부를 포함하는 것을 특징으로 한다.In addition, the satellite observation offshore wind accuracy correction unit is constructed in a satellite data input unit that inputs the wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite, and a learning model construction and verification data generation unit using the satellite observation offshore wind data. It is characterized by comprising an artificial intelligence model learning unit that is applied to the artificial intelligence model, and an accuracy correction offshore wind data output unit that outputs improved satellite observation offshore wind data through the artificial intelligence model learning unit.

다른 목적을 달성하기 위한 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법은 인공지능 학습을 위한 부이관측 해상풍, 위성관측 해상풍, 위성관측 좌표, 위성관측 시각 및 위성관측 날짜에 대해 조건식을 적용하여 DB화하는 해상풍 자료 DB화 단계;인공지능 모델을 이용한 위성관측 해상풍 정확도 보정 모델 학습 및 검증을 하는 학습모델 구축 및 검증 자료 생성 단계;정확도가 보정된 위성관측 해상풍의 종합적인 정확도 평가를 하는 해상풍 자료 정확도 평가 단계;위성관측 해상풍 정확도 보정 인공지능 모델의 적용을 통하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정 단계;를 포함하는 것을 특징으로 한다.The method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention to achieve other purposes includes buoy observation sea wind, satellite observation sea wind, satellite observation coordinates, satellite observation time and Step of creating a database of offshore wind data by applying a conditional expression to the satellite observation date; Step of building a learning model and generating verification data to learn and verify the accuracy correction model for satellite observation offshore wind using an artificial intelligence model; Satellite with corrected accuracy A maritime wind data accuracy evaluation step of comprehensively evaluating the accuracy of the observed offshore wind; A satellite observation offshore wind accuracy correction step of outputting satellite observation offshore wind data whose accuracy has been corrected through the application of a satellite observation offshore wind accuracy correction artificial intelligence model; It is characterized by including.

여기서, 학습모델 구축 및 검증 자료 생성 단계에서, 정량적인 비율을 결정하여 인공지능 학습을 위한 모델훈련자료(training set), 모델검증자료(validation set) 구분한 후, 모델훈련자료를 활용하여 인공지능 모델을 제작하고 모델검증자료를 활용하여 검증을 수행하는 것을 특징으로 한다.Here, in the learning model building and verification data generation stage, a quantitative ratio is determined to classify model training data (training set) and model validation data (validation set) for artificial intelligence learning, and then the model training data is used to create artificial intelligence (AI) data. It is characterized by producing a model and performing verification using model verification data.

그리고 해상풍 자료 DB화 단계에서, 위성에서 제공하는 해상풍은 관측된 정보를 격자형태의 수치로 제공하며, 픽셀이 모여 이루어진 그리드형태의 자료로 제공하고, 그리드를 구성하는 각각의 픽셀은 풍속, 풍향, 좌표, 관측 시각 및 날짜정보를 포함하고, 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB형태로 구성하고, DB에 포함되는 위성관측 정보는 부이관측 풍속과 관측 시간 및 위치가 허용 범위 이내인 것을 특징으로 한다.And in the step of creating a database of sea wind data, the sea wind provided by satellite provides the observed information in the form of a grid, and data is provided in the form of a grid made up of pixels, and each pixel that makes up the grid is the wind speed, It includes wind direction, coordinates, observation time, and date information, and configures buoy observation wind speed and satellite observation data in a DB format capable of artificial intelligence learning. The satellite observation information included in the DB allows buoy observation wind speed, observation time, and location. It is characterized by being within the range.

그리고 해상풍 자료 정확도 평가 단계에서, 보정된 위성관측 풍속의 정확도를 평가하는 과정에서 정확도의 기준은 부이에서 관측한 해상풍 정보이며, 평가의 척도는 평균제곱근편차(Roote mean square error, RMSE), 부이관측 풍속과 결정계수(R-squared)가 보정된 위성관측 풍속의 차이 항목을 포함하는 것을 특징으로 한다.And in the step of evaluating the accuracy of offshore wind data, in the process of evaluating the accuracy of the corrected satellite-observed wind speed, the standard of accuracy is the offshore wind information observed from the buoy, and the evaluation scale is root mean square error (RMSE), It is characterized by including a difference item between the buoy observed wind speed and the satellite observed wind speed with the coefficient of determination (R-squared) corrected.

그리고 정확도 평가를 위한 항목은, 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가 항목을 포함하는 것을 특징으로 한다.And the items for accuracy evaluation include root mean square evaluation using all data before and after applying artificial intelligence, absolute speed difference evaluation for each buoy observation point, absolute speed difference evaluation for each wind speed section, and absolute speed difference evaluation for each wind direction. Do it as

그리고 해상풍 자료 DB화 단계에서, 허용 범위 이내의 조건에서 관측한 정보를 판별하기 위한 조건식이 요구되며, 각각의 픽셀에 동일한 조건식을 적용하여 조건식을 통과하면 DB에 포함하고, 포함하지 않으면 DB에서 제외하고, 조건식을 정하는 항목은 부이관측 지점과의 거리 또는 부이관측시각과의 차이를 포함하는 것을 특징으로 한다.And in the step of creating a DB for sea wind data, a conditional expression is required to determine the information observed under conditions within the allowable range. The same conditional expression is applied to each pixel, and if it passes the conditional expression, it is included in the DB. If it is not included, it is included in the DB. Except, the items that determine the conditional expression are characterized by including the distance from the buoy observation point or the difference from the buoy observation time.

그리고 조건식을 통과한 부이관측 풍속, 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 하나의 쌍으로 구성하여 데이터베이스화 하여 저장 및 관리하는 것을 특징으로 한다.It is characterized by storing and managing the buoy-observed wind speed, satellite-observed wind speed, satellite-observed wind direction, latitude-longitude coordinates of the satellite observation point, and satellite observation time and date information that have passed the conditional expression into a pair of databases.

이상에서 설명한 바와 같은 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법은 다음과 같은 효과가 있다.As described above, the device and method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence according to the present invention has the following effects.

첫째, 인공지능을 이용하여 지리적 특성, 주변 육지 및 계절의 영향을 모두 고려하여 관측 정확도를 높일 수 있도록 한다.First, using artificial intelligence, observation accuracy can be improved by considering all geographical characteristics, surrounding land, and seasonal influences.

둘째, 인공지능기법을 적용하기 위한 학습 방법, 보정된 위성관측 해상풍의 정확도 평가방법의 적용으로 높은 정확도를 갖는 위성영상 해상풍 관측 자료를 제공할 수 있도록 한다.Second, it is possible to provide high-accuracy satellite image offshore wind observation data by applying a learning method for applying artificial intelligence techniques and an accuracy evaluation method for corrected satellite-observed offshore wind.

셋째, 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가를 통하여 위성영상 관측 해상풍자료의 정확도를 효율적으로 평가할 수 있도록 한다.Third, the accuracy of satellite image observation offshore wind data can be efficiently improved through root mean square evaluation using all data before and after applying artificial intelligence, absolute speed difference evaluation for each buoy observation point, absolute speed difference evaluation for each wind speed section, and absolute speed difference evaluation for each wind direction. so that it can be evaluated.

넷째, 부이관측 해상풍과 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜) 정보를 수집하며, 조건식을 적용하여 부이관측 자료와 위성관측 자료를 DB로 구축하여 인공지능 학습을 위한 자료를 효율적으로 제공할 수 있도록 한다.Fourth, collect information on buoy observation offshore wind and satellite observation data (wind speed, wind direction, coordinates, time and date), and apply conditional expressions to construct a database of buoy observation data and satellite observation data to efficiently collect data for artificial intelligence learning. To be able to provide it.

다섯째, 인공지능 학습을 위한 자료를 정량적인 비율을 결정하여 인공지능 학습을 위한 모델훈련자료(training set), 모델검증자료(validation set) 구분한 후, 모델훈련자료를 활용하여 인공지능 모델을 제작하고 모델검증자료를 활용하여 효율적인 검증이 가능하도록 한다.Fifth, determine the quantitative ratio of data for artificial intelligence learning, classify it into model training set and model validation set for artificial intelligence learning, and then create an artificial intelligence model using the model training data. and utilize model verification data to enable efficient verification.

여섯째, 부이관측 지점별 평가, 풍속 구간에 따른 정확도 평가 및 풍향에 따른 정확도 평가를 수행하여 인공지능을 이용하여 보정된 위성관측 풍속에 대해 종합적인 정확도를 평가하여 관측 신뢰성을 높일 수 있다.Sixth, by evaluating each buoy observation point, accuracy evaluation according to wind speed section, and accuracy evaluation according to wind direction, the overall accuracy of the satellite observation wind speed corrected using artificial intelligence can be evaluated to improve observation reliability.

일곱째, 인공지능 모델을 활용하여 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 이용하여 정확도를 보정하고, 이를 지도 형태로 제공하여 관측자료 사용시의 편리성을 높인다.Seventh, using an artificial intelligence model, the accuracy is corrected using satellite observation data (wind speed, wind direction, coordinates, time and date), and this is provided in map form to increase the convenience of using observation data.

도 1은 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치의 전체 구성도
도 2는 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치의 상세 구성도
도 3은 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법을 나타낸 플로우 차트
도 4는 해상부이 위치와 위성의 궤도 및 관측폭 예시를 나타낸 구성도
도 5는 부이관측 자료와 위성관측 자료를 DB를 통하여 확보된 자료의 분류으 일 예를 나타낸 구성도
도 6은 DNN 인공지능 모델을 활용한 위성관측 풍속의 정확도 보정 모델 설계의 일 예를 나타낸 구성도
도 7은 모델검증자료를 이용한 최적의 위성관측 풍속의 정확도 보정 모델 선정 방법의 일 예를 나타낸 구성도
도 8은 인공지능 모델 적용 전후 비교를 통한 정확도 평가방법의 일 예를 나타낸 구성도
도 9는 상자그림을 이용한 각 관측지점별 인공지능 모델 적용 전후 평가 방법의 일 예를 나타낸 구성도
도 10은 풍속 구간별 인공지능 모델 적용 전후 평가 방법의 일 예를 나타낸 구성도
도 11은 풍향별 인공지능 모델 적용 전후 평가 방법의 일 예를 나타낸 구성도
도 12는 인공지능 모델 적용을 통한 위성관측 해상풍 자료의 정확도 향상 특성을 나타낸 구성도Figure 1 is an overall configuration diagram of a device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention.
Figure 2 is a detailed configuration diagram of a device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention.
Figure 3 is a flow chart showing a method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence according to the present invention.
Figure 4 is a configuration diagram showing an example of the sea buoy location and satellite orbit and observation width.
Figure 5 is a configuration diagram showing an example of classification of data obtained through DB of buoy observation data and satellite observation data.
Figure 6 is a configuration diagram showing an example of design of an accuracy correction model for satellite observed wind speed using a DNN artificial intelligence model.
Figure 7 is a configuration diagram showing an example of a method for selecting an optimal satellite observation wind speed accuracy correction model using model verification data.
Figure 8 is a configuration diagram showing an example of an accuracy evaluation method through comparison before and after applying an artificial intelligence model.
Figure 9 is a configuration diagram showing an example of an evaluation method before and after applying an artificial intelligence model for each observation point using a boxplot.
Figure 10 is a configuration diagram showing an example of an evaluation method before and after applying an artificial intelligence model for each wind speed section.
Figure 11 is a configuration diagram showing an example of an evaluation method before and after applying an artificial intelligence model for each wind direction.
Figure 12 is a configuration diagram showing the accuracy improvement characteristics of satellite observation offshore wind data through application of artificial intelligence model

이하, 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a preferred embodiment of the device and method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention will be described in detail as follows.

본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.The characteristics and advantages of the device and method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention will become apparent through the detailed description of each embodiment below.

도 1은 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치의 전체 구성도이다,Figure 1 is an overall configuration diagram of a device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention.

본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법은 인공지능을 이용하여 지리적 특성, 주변 육지 및 계절의 영향을 모두 고려하여 관측 정확도를 높일 수 있도록 하고, 인공지능기법을 적용하기 위한 학습 방법, 보정된 위성관측 해상풍의 정확도 평가방법의 적용으로 보정된 정확도를 지니는 위성영상 해상풍 관측 자료를 제공할 수 있도록 한 것이다.The device and method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence according to the present invention uses artificial intelligence to improve observation accuracy by taking into account geographical characteristics, surrounding land, and seasonal influences, and artificial intelligence. By applying the learning method for applying intelligence techniques and the accuracy evaluation method of the corrected satellite observed offshore wind, it is possible to provide satellite image offshore wind observation data with corrected accuracy.

이를 위하여, 본 발명은 위성영상 관측 해상풍자료의 정확도를 효율적으로 평가할 수 있도록 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가의 구성을 포함할 수 있다.To this end, the present invention provides root mean square evaluation using all data before and after applying artificial intelligence, evaluation of absolute speed difference for each buoy observation point, evaluation of absolute speed difference for each wind speed section, so as to efficiently evaluate the accuracy of marine wind data observed from satellite images. It may include the configuration of absolute speed difference evaluation by wind direction.

본 발명은 인공지능 학습을 위한 자료를 효율적으로 제공할 수 있도록 하기 위하여, 부이관측 해상풍과 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜) 정보를 수집하고, 조건식을 적용하여 부이관측 자료와 위성관측 자료를 DB로 구축하는 구성을 포함할 수 있다.In order to efficiently provide data for artificial intelligence learning, the present invention collects buoy observation offshore wind and satellite observation data (wind speed, wind direction, coordinates, time and date) information and applies conditional expressions to buoy observation data. It may include constructing a database of satellite observation data.

본 발명은 인공지능 학습을 위한 자료를 정량적인 비율을 결정하여 인공지능 학습을 위한 모델훈련자료(training set), 모델검증자료(validation set) 구분한 후, 모델훈련자료를 활용하여 인공지능 모델을 제작하고 모델검증자료를 활용하여 검증을 하는 구성을 포함할 수 있다.The present invention determines the quantitative ratio of data for artificial intelligence learning, divides it into model training set and model validation set for artificial intelligence learning, and then uses the model training data to create an artificial intelligence model. It can include constructing and verifying using model verification data.

본 발명은 관측 자료의 신뢰성을 높이기 위하여, 부이관측 지점별 평가, 풍속 구간에 따른 정확도 평가 및 풍향에 따른 정확도 평가를 수행하여 인공지능을 이용하여 보정된 위성관측 풍속에 대해 종합적인 정확도를 평가하는 구성을 포함할 수 있다.In order to increase the reliability of observation data, the present invention evaluates the comprehensive accuracy of the satellite-observed wind speed corrected using artificial intelligence by performing evaluation by buoy observation point, accuracy evaluation according to wind speed section, and accuracy evaluation according to wind direction. Configuration may be included.

본 발명은 관측자료 사용시의 편리성을 높이기 위하여 인공지능 모델을 활용하여 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 이용하여 정확도를 보정하고, 이를 지도 형태로 제공하는 구성을 포함할 수 있다.The present invention includes a configuration that uses an artificial intelligence model to correct accuracy using satellite observation data (wind speed, wind direction, coordinates, time and date) in order to increase convenience in using observation data, and provides this in the form of a map. You can.

본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치는 도 1에서와 같이, 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB 형태로 구성하는 해상풍 자료 DB화부(10)와, 데이터베이스화된 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 입력자료로 사용하여 위성관측 풍속을 부이관측 풍속과 유사해지도록 조정을 수행하는 인공지능 모델을 구축하는 학습모델 구축 및 검증 자료 생성부(20)와, 보정된 위성관측 풍속의 정확도를 평가하는 해상풍 자료 정확도 평가부(30)와, 위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력으로 하여 인공지능 모델을 적용하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정부(40)를 포함한다.As shown in FIG. 1, the device for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence according to the present invention is an offshore wind data DB unit that configures buoy observation wind speed and satellite observation data in a DB form capable of artificial intelligence learning. (10), using the databased satellite-observed wind speed, satellite-observed wind direction, latitude and longitude coordinates of the satellite observation point, and satellite observation time and date information as input data, the satellite-observed wind speed is adjusted to be similar to the buoy-observed wind speed. a learning model construction and verification data generation unit 20 that builds an artificial intelligence model, a maritime wind data accuracy evaluation unit 30 that evaluates the accuracy of the corrected satellite-observed wind speed, and a wind speed in each pixel provided by the satellite. It includes a satellite observation offshore wind accuracy correction unit 40 that outputs satellite observation offshore wind data whose accuracy is corrected by applying an artificial intelligence model using wind direction, observation time, and observation date as input.

본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치의 상세 구성은 다음과 같다.The detailed configuration of the device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention is as follows.

도 2는 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치의 상세 구성도이다.Figure 2 is a detailed configuration diagram of a device for correcting the accuracy of marine wind data observed from satellite images using artificial intelligence according to the present invention.

해상풍 자료 DB화부(10)는 부이관측 풍속 자료를 조건식을 이용하여 DB화하는 부이관측 풍속 DB화부(11)와, 위성관측 풍속 자료를 조건식을 이용하여 DB화하는 위성관측 풍속 DB화부(12)와, 위성관측 풍향 자료를 조건식을 이용하여 DB화하는 위성관측 풍향 DB화부(13)와, 위성관측지점의 위경도 좌표 자료를 조건식을 이용하여 DB화하는 위상 관측 좌표 DB화부(14)와, 위성관측 날짜 및 시각 정보를 조건식을 이용하여 DB화하는 위성관측 날짜 및 시각 DB화부(15)를 포함한다.The offshore wind data DB unit 10 includes a buoy observation wind speed DB unit 11 that converts buoy observation wind speed data into a DB using a conditional expression, and a satellite observation wind speed DB converter 12 that converts the satellite observed wind speed data into a DB using a conditional expression. ) and a satellite observation wind direction DB converter 13 that converts satellite observation wind direction data into a database using a conditional expression, and a phase observation coordinate DB converter 14 that converts the latitude and longitude coordinate data of the satellite observation point into a database using a conditional equation. , It includes a satellite observation date and time DB conversion unit 15 that converts the satellite observation date and time information into a database using a conditional expression.

그리고 학습모델 구축 및 검증 자료 생성부(20)는 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 입력자료로 하여 학습 자료를 생성하는 학습 자료 생성부(21)와, 학습 자료 생성부(21)에서 생성된 학습 자료를 이용하여 부이관측 풍속을 추정할 수 있는 인공지능 모델을 구축하는 인공지능 모델 구축부(22)와, 인공지능 모델 구축부(22)에서 구축된 인공지능 모델을 검증하기 위한 검증 자료를 생성하는 검증 자료 생성부(23)와, 검증 자료 생성부(23)에서 생성된 검증 자료를 이용하여 인공지능 모델 구축부(22)에서 구축된 인공지능 모델을 검증하는 인공지능 모델 검증부(24)를 포함한다.In addition, the learning model construction and verification data generation unit 20 includes a learning data generation unit 21 that generates learning data using satellite observation data (wind speed, wind direction, coordinates, time and date) as input data, and a learning data generation unit. An artificial intelligence model building unit (22) that builds an artificial intelligence model capable of estimating buoy observation wind speed using the learning data generated in (21), and an artificial intelligence model built in the artificial intelligence model building unit (22). A verification data generation unit 23 that generates verification data for verification, and an artificial intelligence model that verifies the artificial intelligence model built in the artificial intelligence model construction unit 22 using the verification data generated by the verification data generation unit 23. It includes an intelligence model verification unit (24).

그리고 해상풍 자료 정확도 평가부(30)는 위성관측 해상풍 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 입력하는 위성관측 자료 입력부(31)와, 위성관측 해상풍 자료를 학습모델 구축 및 검증 자료 생성부(20)에서 구축된 인공지능 모델에 적용하는 인공지능 모델 적용부(32)와, 인공지능 모델 적용부(32)를 통하여 개선된 위성관측 해상풍 자료를 출력하는 보정 해상풍 자료 출력부(33)와, 정확도 평가의 기준이 되는 부이에서 관측한 해상풍 정보를 입력하는 부이 관측 해상풍 자료 입력부(34)와, 부이에서 관측한 해상풍 정보를 기준으로 보정 해상풍 자료의 정확도를 평가하는 정확도 평가부(35)를 포함한다.In addition, the offshore wind data accuracy evaluation unit 30 includes a satellite observation data input unit 31 that inputs satellite-observed offshore wind data (wind speed, wind direction, coordinates, time and date), and constructs and verifies a learning model using the satellite-observed offshore wind data. An artificial intelligence model application unit 32 that applies to the artificial intelligence model built in the data generation unit 20, and a corrected offshore wind data output that outputs improved satellite observation offshore wind data through the artificial intelligence model application unit 32. A unit 33, a buoy observation sea wind data input unit 34 that inputs sea wind information observed from a buoy, which is the standard for accuracy evaluation, and a buoy observation sea wind data input unit 34, which measures the accuracy of the corrected sea wind data based on the sea wind information observed from the buoy. It includes an accuracy evaluation unit 35 that evaluates.

그리고 위성관측 해상풍 정확도 보정부(40)는 위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력하는 위성 자료 입력부(41)와, 위성관측 해상풍 자료를 학습모델 구축 및 검증 자료 생성부(20)에서 구축된 인공지능 모델에 적용하는 인공지능 모델 학습부(42)와, 인공지능 모델 학습부(42)를 통하여 개선된 위성관측 해상풍 자료를 출력하는 정확도 보정 해상풍 자료 출력부(43)를 포함한다.In addition, the satellite observation offshore wind accuracy correction unit 40 includes a satellite data input unit 41 that inputs the wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite, and the satellite observation offshore wind data to build a learning model and An artificial intelligence model learning unit 42 applied to the artificial intelligence model built in the verification data generation unit 20, and an accuracy corrected offshore wind outputting improved satellite observation offshore wind data through the artificial intelligence model learning unit 42. It includes a data output unit 43.

본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법을 구체적으로 설명하면 다음과 같다.The method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence according to the present invention will be described in detail as follows.

도 3은 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법을 나타낸 플로우 차트이다.Figure 3 is a flow chart showing a method for correcting the accuracy of offshore wind data observed from satellite images using artificial intelligence according to the present invention.

본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법은 인공지능 학습을 위한 부이관측 해상풍, 위성관측 해상풍, 위성관측 좌표, 위성관측 시각 및 위성관측 날짜에 대해 조건식을 적용하여 DB화하는 해상풍 자료 DB화 단계와, 인공지능 모델을 이용한 위성관측 해상풍 정확도 보정 모델 학습 및 검증을 하는 학습모델 구축 및 검증 자료 생성 단계와, 정확도가 보정된 위성관측 해상풍의 종합적인 정확도 평가를 하는 해상풍 자료 정확도 평가 단계와, 위성관측 해상풍 정확도 보정 인공지능 모델의 적용을 통하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정 단계를 포함할 수 있다.The method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence according to the present invention is a conditional equation for buoy observation sea wind, satellite observation sea wind, satellite observation coordinates, satellite observation time, and satellite observation date for artificial intelligence learning. The step of creating a database of offshore wind data by applying the DB, the step of building a learning model and generating verification data to learn and verify the accuracy correction model for satellite-observed offshore wind using an artificial intelligence model, and the synthesis of offshore wind from satellite-observed observations whose accuracy has been corrected. It may include an accuracy evaluation step of offshore wind data that evaluates the accuracy of the satellite observation offshore wind, and a satellite observation offshore wind accuracy correction step of outputting satellite observation offshore wind data whose accuracy is corrected through the application of a satellite observation offshore wind accuracy correction artificial intelligence model. .

구체적으로 도 3에서와 같이, 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB 형태로 구성한다.(S301)Specifically, as shown in Figure 3, buoy observation wind speed and satellite observation data are configured in a DB format capable of artificial intelligence learning (S301).

이 과정을 통하여 부이관측 해상풍과 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜) 정보를 수집하며, 조건식을 적용하여 부이관측 자료와 위성관측 자료를 DB로 구축한다.Through this process, buoy observation offshore wind and satellite observation data (wind speed, wind direction, coordinates, time and date) information are collected, and conditional expressions are applied to construct the buoy observation data and satellite observation data into a DB.

이어, 데이터베이스화된 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 입력자료로 사용하여 위성관측 풍속을 부이관측 풍속과 유사해지도록 조정을 수행하는 인공지능 모델 구축을 한다.(S302)Next, artificial intelligence adjusts the satellite-observed wind speed to be similar to the buoy-observed wind speed by using the databased satellite-observed wind speed, satellite-observed wind direction, latitude and longitude coordinates of the satellite observation point, and satellite observation time and date information as input data. Build a model (S302)

이 과정을 통하여 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 입력자료로 하여 부이관측 풍속을 추정할 수 있는 인공지능 모델을 제작한다.Through this process, an artificial intelligence model that can estimate buoy observation wind speed is created using satellite observation data (wind speed, wind direction, coordinates, time, and date) as input data.

이때, 정량적인 비율을 결정하여 인공지능 학습을 위한 모델훈련자료(training set), 모델검증자료(validation set) 구분한 후, 모델훈련자료를 활용하여 인공지능 모델을 제작하고 모델검증자료를 활용하여 검증을 수행한다.At this time, after determining the quantitative ratio and classifying the model training data (training set) and model validation data (validation set) for artificial intelligence learning, an artificial intelligence model is created using the model training data, and the model verification data is used to create an artificial intelligence model. Perform verification.

그리고 보정된 위성관측 풍속의 정확도를 평가한다.(S303)Then, evaluate the accuracy of the corrected satellite-observed wind speed (S303).

이 과정은 인공지능을 이용하여 보정된 위성관측 풍속에 대해 종합적인 정확도를 평가한다. 이때, 부이관측 지점별 평가, 풍속 구간에 따른 정확도 평가 및 풍향에 따른 정확도 평가를 수행한다.This process evaluates the comprehensive accuracy of satellite-observed wind speeds corrected using artificial intelligence. At this time, evaluation of each buoy observation point, accuracy evaluation according to wind speed section, and accuracy evaluation according to wind direction are performed.

이어, 위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력으로 하여 인공지능 모델을 적용하여 정확도를 보정한 위성관측 해상풍 자료를 출력한다.(S304)Next, the wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite are input, and an artificial intelligence model is applied to output satellite-observed offshore wind data whose accuracy is corrected (S304).

이 과정은 제작된 인공지능 모델을 활용하는 단계로서, 위성관측 자료(풍속, 풍향, 좌표, 시각 및 날짜)를 이용하여 정확도를 보정하고, 이를 지도 형태로 제공한다.This process is a step in utilizing the created artificial intelligence model. Accuracy is corrected using satellite observation data (wind speed, wind direction, coordinates, time and date) and provided in map form.

부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB 형태로 구성하는 (S301) 단계를 구체적으로 설명하면 다음과 같다.The detailed description of the (S301) step of organizing buoy observation wind speed and satellite observation data into a DB format capable of artificial intelligence learning is as follows.

도 4는 해상부이 위치와 위성의 궤도 및 관측폭 예시를 나타낸 구성도이다.Figure 4 is a configuration diagram showing an example of the sea buoy location and satellite orbit and observation width.

한반도 주변에서는 기상청, 국립해양조사원 및 한국해양과학기술원을 통해 설치된 해상부이 및 해양과학기지가 존재하며, 이들 해상부이에서는 해상풍 관측을 수행한다.Around the Korean Peninsula, there are offshore buoys and marine science bases installed through the Korea Meteorological Administration, National Oceanographic Research Institute, and Korea Institute of Ocean Science and Technology, and these offshore buoys conduct offshore wind observations.

또한, 위성은 정해진 궤도 및 관측폭에 따라 우주에서 해상풍 관측을 수행한다. 아래 그림은 한반도 주변에 설치된 해양부이의 예시와, 위성 관측폭의 예시이다.In addition, the satellite performs offshore wind observations from space according to a designated orbit and observation width. The picture below is an example of ocean buoys installed around the Korean Peninsula and an example of satellite observation width.

위성에서 제공하는 해상풍은 관측된 정보를 격자형태의 수치로 제공하며, 픽셀이 모여 이루어진 그리드형태의 자료로 제공한다. 이때, 그리드를 구성하는 각각의 픽셀은 풍속, 풍향, 좌표, 관측 시각 및 날짜정보를 포함한다. Offshore winds provided by satellites provide observed information in the form of grid numbers, and data in the form of a grid made up of pixels. At this time, each pixel constituting the grid includes wind speed, wind direction, coordinates, observation time, and date information.

이 단계에서는 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB형태로 구성한다. 이때, DB에 포함되는 위성관측 정보는 부이관측 풍속과 관측 시간 및 위치가 유사해야한다.At this stage, buoy observation wind speed and satellite observation data are organized into a DB format capable of artificial intelligence learning. At this time, the satellite observation information included in the DB must be similar in terms of observation time and location to the buoy observation wind speed.

따라서 유사한 조건에서 관측한 정보를 판별하기 위한 조건식이 요구되며, 각각의 픽셀에 동일한 조건식을 적용하여 조건식을 통과하면 DB에 포함하고, 포함하지 않으면 DB에서 제외한다.Therefore, a conditional expression is required to determine information observed under similar conditions. The same conditional expression is applied to each pixel, and if it passes the conditional expression, it is included in the DB, and if it is not included, it is excluded from the DB.

이러한 조건식은 부이관측 지점과의 거리가 10km내일 경우, 부이관측시각과 차이가 15분일 경우 등을 예시로 적용할 수 있다. This conditional expression can be applied, for example, when the distance from the buoy observation point is within 10 km or when the difference from the buoy observation time is 15 minutes.

최종적으로, 조건식을 통과한 부이관측 풍속, 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 하나의 쌍으로 구성하여 데이터베이스화 하여 저장 및 관리를 수행한다.Finally, the buoy-observed wind speed, satellite-observed wind speed, satellite-observed wind direction, latitude-longitude coordinates of the satellite observation point, and satellite observation time and date information that have passed the conditional expression are organized into a pair and stored and managed in a database.

인공지능 모델 구축을 하는 (S302) 단계를 구체적으로 설명하면 다음과 같다.The steps for building an artificial intelligence model (S302) are described in detail as follows.

이 단계에서는 데이터베이스화된 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 입력자료로 사용하여 위성관측 풍속을 부이관측 풍속과 유사해지도록 조정을 수행하는 인공지는 모델을 제작한다.At this stage, the databased satellite-observed wind speed, satellite-observed wind direction, latitude and longitude coordinates of the satellite observation point, and satellite observation time and date information are used as input data to adjust the satellite-observed wind speed to be similar to the buoy-observed wind speed. Create a losing model.

확보된 자료는 모델훈련자료, 모델검증자료 및 정확도평가자료로 분류하며, 모델훈련자료와 모델검증자료는 인공지능 모델을 제작할 때 활용하고, 정확도평가자료는 최종 제작된 모델의 성능평가를 위해 사용한다.The obtained data is classified into model training data, model verification data, and accuracy evaluation data. The model training data and model verification data are used when creating an artificial intelligence model, and the accuracy evaluation data is used to evaluate the performance of the final produced model. do.

확보된 자료의 분류 예시는 도 5에서와 같다.An example of classification of the obtained data is shown in Figure 5.

다음으로, 인공지능 모델을 설계한다. 현재 알려진 인공지능 모델은 ANN(Artificial Neural Network), DNN(Deep Neural Network) 및 CNN(Convolution Neural Network) 등이 있으며, 이들 인공지능 모델은 은닉층(hidden layer)의 수 및 공간필터의 사용 유무 등에 따라 성능의 차이를 나타내나, 기본적인 원리는 유사하다. Next, design the artificial intelligence model. Currently known artificial intelligence models include ANN (Artificial Neural Network), DNN (Deep Neural Network), and CNN (Convolution Neural Network), and these artificial intelligence models vary depending on the number of hidden layers and the use of spatial filters. Although there are differences in performance, the basic principles are similar.

도 6은 DNN 모델을 사용하였을 때의 위성관측 해상풍의 보정 과정을 나타낸다.Figure 6 shows the correction process of satellite-observed offshore winds when using the DNN model.

이때, 인공지능 모델을 제작함에 있어 개발자가 결정할 수 있는 하이퍼파라미터는 은닉층의 수, 신경망 학습속도(learning rate), 신경망 총 학습 횟수(epoch), 활성함수(activation fuction) 및 손실함수(loss function) 등이 존재하며, 개발자는 다양한 실험 및 성능평가를 수행하여 적절한 하이퍼파라미터를 결정할 수 있다.At this time, the hyperparameters that developers can determine when creating an artificial intelligence model are the number of hidden layers, neural network learning rate, neural network total learning number (epoch), activation function, and loss function. etc. exist, and developers can determine appropriate hyperparameters by performing various experiments and performance evaluations.

위성관측 풍속의 정확도 보정 모델은 제작과정에서 모델검증자료를 이용하여 성능평가를 수행하게 된다. 이 경우, 인공지능 모델을 이용하여 보정한 위성관측 풍속과 부이관측 풍속의 차이를 분포로 표현하여 평가할 수 있다. The accuracy correction model for satellite-observed wind speed is evaluated for performance using model verification data during the production process. In this case, the difference between the satellite-observed wind speed corrected using an artificial intelligence model and the buoy-observed wind speed can be expressed as a distribution and evaluated.

도 7은 모델검증자료를 이용한 최적의 위성관측 풍속의 정확도 보정 모델 선정 방법의 일 예를 나타낸 구성도이다.Figure 7 is a configuration diagram showing an example of a method for selecting an optimal satellite-observed wind speed accuracy correction model using model verification data.

도 7은 모델검증자료를 이용하여 보정된 위성관측 풍속과 부이관측 풍속의 비교를 나타낸 것으로, (a)는 보정전 위성관측 풍속과 부이관측 풍속의 비교이며, (b)(c)(d)는 각기 다른 모델을 이용하여 보정한 위성관측 풍속과 부이관측 풍속의 비교결과이다.Figure 7 shows a comparison of the satellite-observed wind speed and buoy-observed wind speed corrected using model verification data. (a) is a comparison of the satellite-observed wind speed and buoy-observed wind speed before correction, (b) (c) (d) is the result of comparison between satellite-observed wind speed and buoy-observed wind speed corrected using different models.

도 7에서와 같이, 보정전 풍속의 차이는 평균()이 0.41, 중앙값()이 0.31을 지니고 있다. 보정이 잘 수행된 모델의 경우, 부이관측 풍속과의 차이는 평균이 0, 중앙값이 0에 가까워야 한다.As shown in Figure 7, the difference in wind speed before correction is average ( ) is 0.41, the median ( ) has 0.31. For a well-calibrated model, the difference from the buoy-observed wind speed should have a mean close to 0 and a median close to 0.

이와 같은 정량적인 수치를 기반으로 하여, 위성관측 풍속을 가장 잘 보정한 모델을 선정할 수 있다.Based on these quantitative values, the model that best corrects the satellite-observed wind speed can be selected.

보정된 위성관측 풍속의 정확도를 평가하는 (S303) 단계를 구체적으로 설명하면 다음과 같다.The step of evaluating the accuracy of the corrected satellite-observed wind speed (S303) is described in detail as follows.

보정된 위성관측 풍속의 정확도를 평가하는 과정에서 정확도의 기준은 부이에서 관측한 해상풍 정보이며, 평가의 척도는 평균제곱근편차(Roote mean square error, RMSE), 부이관측 풍속과 결정계수(R-squared)가 보정된 위성관측 풍속의 차이 등을 활용한다.In the process of evaluating the accuracy of the corrected satellite-observed wind speed, the standard of accuracy is the offshore wind information observed from the buoy, and the evaluation scale is root mean square error (RMSE), buoy-observed wind speed, and coefficient of determination (R- squared) uses the difference in corrected satellite observed wind speeds.

도 8은 인공지능 모델 적용 전후 비교를 통한 정확도 평가방법의 일 예를 나타낸 구성도이다.Figure 8 is a configuration diagram showing an example of an accuracy evaluation method through comparison before and after applying an artificial intelligence model.

인공지능 모델을 적용하기 전 위성관측 풍속의 RMSE는 약 1.38m/s 수준이었으나, 모델 적용 후 0.93m/s 수준으로 RMSE가 감소하였으며, 결정계수는 0.87에서 0.93으로 향상되었다. Before applying the artificial intelligence model, the RMSE of the satellite-observed wind speed was about 1.38 m/s, but after applying the model, the RMSE decreased to 0.93 m/s, and the coefficient of determination improved from 0.87 to 0.93.

또한, 정확도 평가는 각 부이관측지점별로 상자그림(box plot)으로부터 평가할 수 있으며, 그 예시는 도 9에서와 같다.In addition, accuracy evaluation can be evaluated from a box plot for each buoy observation point, an example of which is shown in FIG. 9.

도 9는 상자그림을 이용한 각 관측지점별 인공지능 모델 적용 전후 평가 방법의 일 예를 나타낸 구성도이다.Figure 9 is a configuration diagram showing an example of an evaluation method before and after applying an artificial intelligence model for each observation point using a boxplot.

도 9에서와 같이, 인공지능 모델 적용 전에는 각 부이관측 지점별로 중앙값, 최대값, 범위 등이 다양하였으나, 인공지능 모델 적용 후에는 일정한 수준의 값을 지니는 것을 확인할 수 있다.As shown in Figure 9, before applying the artificial intelligence model, the median value, maximum value, and range at each buoy observation point varied, but after applying the artificial intelligence model, it can be confirmed that the values are at a constant level.

또한, 정확도 평가는 도 10에서와 같이 풍속 구간에 따라 평가할 수 있다. Additionally, accuracy evaluation can be evaluated according to wind speed section as shown in FIG. 10.

도 10은 풍속 구간별 인공지능 모델 적용 전후 평가 방법의 일 예를 나타낸 구성도이다.Figure 10 is a configuration diagram showing an example of an evaluation method before and after applying an artificial intelligence model for each wind speed section.

도 10에서와 같이, 인공지능 모델 적용 전에는 저풍속 구간인 0-4m/s에서 부이관측 풍속과 위성관측 풍속의 차이가 컸으나, 인공지능 모델 적용 후에는 저풍속 구간인 0-4m/s 뿐만 아니라 고풍속 구간인 12m/s이상에서도 부이관측 풍속과 위성관측 풍속의 차이가 감소하였다.As shown in Figure 10, before applying the artificial intelligence model, the difference between the buoy-observed wind speed and the satellite-observed wind speed was large in the low wind speed range of 0-4 m/s, but after applying the artificial intelligence model, the difference was not only in the low wind speed range of 0-4 m/s, but also in the low wind speed range of 0-4 m/s. Even in the high wind speed section of 12 m/s or higher, the difference between buoy-observed wind speed and satellite-observed wind speed decreased.

또한, 정확도 평가는 도 11에서와 같이 풍향에 따라 평가할 수 있다.Additionally, accuracy evaluation can be evaluated according to wind direction as shown in FIG. 11.

도 11은 풍향별 인공지능 모델 적용 전후 평가 방법의 일 예를 나타낸 구성도이다.Figure 11 is a configuration diagram showing an example of an evaluation method before and after applying an artificial intelligence model for each wind direction.

도 11에서와 같이, 인공지능 모델 적용 전에는 모든 방향에서 부이관측 풍속과 위성관측 풍속이 1m/s 수준을 지녔으나, 인공지능 모델 적용 후에는 모든 방향에서 부이관측 풍속과 위성관측 풍속이 0.6-0.7m/s 수준을 보였다.As shown in Figure 11, before applying the artificial intelligence model, the buoy-observed wind speed and satellite-observed wind speed were at the level of 1 m/s in all directions, but after applying the artificial intelligence model, the buoy-observed wind speed and satellite-observed wind speed were 0.6-0.7 in all directions. m/s level was observed.

이상에서와 같이 인공지능을 이용한 위성영상 관측 해상풍자료의 정확도 평가 방법에서는 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가 등을 통해 정확도를 평가할 수 있다.As described above, the accuracy evaluation method of satellite image observation marine wind data using artificial intelligence includes root mean square evaluation using all data before and after applying artificial intelligence, evaluation of absolute speed difference for each buoy observation point, evaluation of absolute speed difference for each wind speed section, and wind direction. Accuracy can be evaluated through evaluation of absolute speed differences for each star.

그리고 인공지능 모델을 적용하여 정확도를 보정한 위성관측 해상풍 자료를 출력하는 (S304) 단계를 구체적으로 설명하면 다음과 같다.The step of outputting satellite-observed offshore wind data whose accuracy has been corrected by applying an artificial intelligence model (S304) is explained in detail as follows.

이 과정에서는 인공지능을 기반 위성관측 해상풍 정확도 보정방법을 적용하는 것으로, 이는 위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력으로 하여 인공지능 모델을 적용한다. In this process, an artificial intelligence-based satellite observation offshore wind accuracy correction method is applied, which applies an artificial intelligence model by inputting the wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite.

도 12는 인공지능 모델 적용을 통한 위성관측 해상풍 자료의 정확도 향상 특성을 나타낸 구성도이다. Figure 12 is a diagram showing the accuracy improvement characteristics of satellite observation offshore wind data through the application of an artificial intelligence model.

도 12의 (a)는 인공지능을 적용하기 전 위성관측 해상풍을 나타내며 2016년 1월 19일 12시에 촬영한 것이다.Figure 12 (a) shows the satellite-observed offshore wind before applying artificial intelligence and was taken at 12 o'clock on January 19, 2016.

도 12의 (b)는 인공지능을 적용하여 정확도를 보정한 위성관측 해상풍을 나타내며, 도 12의 (c)는 인공지능 적용 전후를 차분한 것이며, 도 12의 (d)는 차분한 영상을 확대한 일부를 나타낸 것이다.Figure 12 (b) shows the satellite-observed offshore wind whose accuracy was corrected by applying artificial intelligence, Figure 12 (c) is a calm image before and after applying artificial intelligence, and Figure 12 (d) is an enlarged image of the calm image. It shows part of it.

도 12의 (fd)를 보면, 한반도 주변에 강한 북풍이 불고 있으며, Area A와 Area B는 북풍이 육지를 지나온 것으로 설명할 수 있다.Looking at (fd) in Figure 12, a strong north wind is blowing around the Korean Peninsula, and Area A and Area B can be explained as the north wind passing over the land.

인공지능 적용 전과 후의 차분영상에서 Area A와 Area B는 큰 차이를 보이며, 이는 본 발명을 적용하여 효과적으로 위성관측 해상풍의 정확도를 보정하였기 때문이다. 사례일을 기준으로 부이관측 해상풍과 위성관측 해상풍의 평균제곱근편차는 인공지능을 적용하기 전 2.66m/s였으나, 인공지능 적용 후 1.74m/s로 정확도가 향상되었다.There is a large difference between Area A and Area B in the difference images before and after applying artificial intelligence, and this is because the accuracy of the satellite-observed offshore wind was effectively corrected by applying the present invention. Based on the case date, the root mean square deviation of the buoy-observed offshore wind and the satellite-observed offshore wind was 2.66 m/s before applying artificial intelligence, but the accuracy improved to 1.74 m/s after applying artificial intelligence.

이상에서 설명한 본 발명에 따른 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치 및 방법은 인공지능을 이용하여 지리적 특성, 주변 육지 및 계절의 영향을 모두 고려하여 관측 정확도를 높일 수 있도록 한 것이다.The device and method for correcting the accuracy of satellite image observation marine wind data using artificial intelligence according to the present invention described above is designed to improve observation accuracy by considering all geographical characteristics, surrounding land, and seasonal influences using artificial intelligence. It was done.

이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.As described above, it will be understood that the present invention is implemented in a modified form without departing from the essential characteristics of the present invention.

그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.Therefore, the specified embodiments should be considered from an illustrative rather than a limiting point of view, the scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the equivalent scope are intended to be included in the present invention. It will have to be interpreted.

10. 해상풍 자료 DB화부
20. 학습모델 구축 및 검증 자료 생성부
30. 해상풍 자료 정확도 평가부
40. 위성관측 해상풍 정확도 보정부10. Marine wind data database
20. Learning model construction and verification data generation unit
30. Offshore wind data accuracy evaluation department
40. Satellite observation offshore wind accuracy correction unit

Claims (14)

부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB 형태로 구성하는 해상풍 자료 DB화부;
데이터베이스화된 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 입력자료로 사용하여 위성관측 풍속을 부이관측 풍속을 기준으로 조정을 수행하는 인공지능 모델을 구축하는 학습모델 구축 및 검증 자료 생성부;
보정된 위성관측 풍속의 정확도를 평가하는 해상풍 자료 정확도 평가부;
위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력으로 하여 인공지능 모델을 적용하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정부;를 포함하고,
상기 해상풍 자료 정확도 평가부에서 보정된 위성관측 풍속의 정확도를 평가하는 과정에서,
정확도의 기준은 부이에서 관측한 해상풍 정보이며,
평가의 척도는 평균제곱근편차(Roote mean square error, RMSE), 부이관측 풍속과 결정계수(R-squared)가 보정된 위성관측 풍속의 차이 항목을 포함하고,
정확도 평가를 위한 항목은 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가 항목을 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.Offshore wind data DB unit that organizes buoy observation wind speed and satellite observation data into a DB format capable of artificial intelligence learning;
Using the databased satellite-observed wind speed, satellite-observed wind direction, latitude and longitude coordinates of the satellite observation point, and satellite observation time and date information as input data, an artificial intelligence model is built to adjust the satellite-observed wind speed based on the buoy-observed wind speed. a learning model construction and verification data generation unit;
Offshore wind data accuracy evaluation unit that evaluates the accuracy of corrected satellite-observed wind speeds;
Includes a satellite observation offshore wind accuracy correction unit that outputs satellite observation offshore wind data whose accuracy is corrected by applying an artificial intelligence model by inputting the wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite; ,
In the process of evaluating the accuracy of the satellite-observed wind speed corrected by the maritime wind data accuracy evaluation unit,
The standard of accuracy is the sea wind information observed from the buoy,
The evaluation scale includes the root mean square error (RMSE), the difference between the buoy-observed wind speed and the satellite-observed wind speed with the coefficient of determination (R-squared) corrected,
Items for accuracy evaluation include root mean square evaluation using all data before and after applying artificial intelligence, absolute speed difference evaluation for each buoy observation point, absolute speed difference evaluation for each wind speed section, and absolute speed difference evaluation for each wind direction. A device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence. 제 1 항에 있어서, 해상풍 자료 DB화부는,
부이관측 풍속 자료를 DB화하는 부이관측 풍속 DB화부와,
위성관측 풍속 자료를 DB화하는 위성관측 풍속 DB화부와,
위성관측 풍향 자료를 DB화하는 위성관측 풍향 DB화부와,
위성관측지점의 위경도 좌표 자료를 DB화하는 위상 관측 좌표 DB화부와,
위성관측 날짜 및 시각 정보를 DB화하는 위성관측 날짜 및 시각 DB화부를 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.According to claim 1, the maritime wind data DB unit,
A buoy observation wind speed DB unit that converts buoy observation wind speed data into a DB,
A satellite observation wind speed DB unit that converts satellite observation wind speed data into a DB,
A satellite observation wind direction DB unit that converts satellite observation wind direction data into a database,
A phase observation coordinate DB unit that converts latitude and longitude coordinate data of satellite observation points into a database;
A device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence, comprising a satellite observation date and time DB unit that converts satellite observation date and time information into a database. 제 2 항에 있어서, 해상풍 자료 DB화부는,
허용 범위 이내의 조건에서 관측한 정보를 판별하기 위한 조건식이 요구되며, 각각의 픽셀에 동일한 조건식을 적용하여 조건식을 통과하면 DB에 포함하고, 포함하지 않으면 DB에서 제외하고,
조건식을 정하는 항목은 부이관측 지점과의 거리 또는 부이관측시각과의 차이를 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.According to claim 2, the offshore wind data DB unit is,
A conditional expression is required to determine the observed information under conditions within the allowable range. The same conditional expression is applied to each pixel, and if it passes the conditional expression, it is included in the DB. If it is not included, it is excluded from the DB.
A device for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence, wherein the items that determine the conditional expression include the distance from the buoy observation point or the difference from the buoy observation time. 제 3 항에 있어서, 조건식을 통과한 부이관측 풍속, 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 하나의 쌍으로 구성하여 데이터베이스화 하여 저장 및 관리하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.According to claim 3, the buoy-observed wind speed, satellite-observed wind speed, satellite-observed wind direction, latitude-longitude coordinates of the satellite observation point, and satellite observation time and date information that have passed the conditional expression are organized into a pair and stored and managed in a database. A device for correcting the accuracy of satellite image observation sea wind data using artificial intelligence. 제 1 항에 있어서, 학습모델 구축 및 검증 자료 생성부는,
위성관측 자료를 입력자료로 하여 학습 자료를 생성하는 학습 자료 생성부와,
학습 자료 생성부에서 생성된 학습 자료를 이용하여 부이관측 풍속을 추정할 수 있는 인공지능 모델을 구축하는 인공지능 모델 구축부와,
인공지능 모델 구축부에서 구축된 인공지능 모델을 검증하기 위한 검증 자료를 생성하는 검증 자료 생성부와,
검증 자료 생성부에서 생성된 검증 자료를 이용하여 인공지능 모델 구축부에서 구축된 인공지능 모델을 검증하는 인공지능 모델 검증부를 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.The method of claim 1, wherein the learning model construction and verification data generation unit,
A learning data generation unit that generates learning data using satellite observation data as input data,
An artificial intelligence model construction unit that builds an artificial intelligence model capable of estimating buoy observation wind speed using the learning data generated in the learning data generation unit;
a verification data generation unit that generates verification data to verify the artificial intelligence model built in the artificial intelligence model construction unit;
Accuracy correction of satellite image observation offshore wind data using artificial intelligence, comprising an artificial intelligence model verification unit that verifies the artificial intelligence model built in the artificial intelligence model construction unit using verification data generated in the verification data generation unit. A device for. 제 1 항에 있어서, 해상풍 자료 정확도 평가부는,
위성관측 해상풍 자료를 입력하는 위성관측 자료 입력부와,
위성관측 해상풍 자료를 학습모델 구축 및 검증 자료 생성부에서 구축된 인공지능 모델에 적용하는 인공지능 모델 적용부와,
인공지능 모델 적용부를 통하여 개선된 위성관측 해상풍 자료를 출력하는 보정 해상풍 자료 출력부와,
정확도 평가의 기준이 되는 부이에서 관측한 해상풍 정보를 입력하는 부이 관측 해상풍 자료 입력부와,
부이에서 관측한 해상풍 정보를 기준으로 보정 해상풍 자료의 정확도를 평가하는 정확도 평가부를 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.The method of claim 1, wherein the offshore wind data accuracy evaluation unit,
A satellite observation data input unit that inputs satellite observation offshore wind data,
An artificial intelligence model application unit that applies satellite-observed offshore wind data to the artificial intelligence model built in the learning model construction and verification data generation unit,
A corrected offshore wind data output unit that outputs improved satellite-observed offshore wind data through an artificial intelligence model application unit,
A buoy observation offshore wind data input unit that inputs offshore wind information observed from a buoy, which serves as a standard for accuracy evaluation;
A device for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence, comprising an accuracy evaluation unit that evaluates the accuracy of the corrected offshore wind data based on the offshore wind information observed from the buoy. 제 1 항에 있어서, 위성관측 해상풍 정확도 보정부는,
위성에서 제공하는 각 픽셀 단위의 풍속, 풍향, 관측시각 및 관측 날짜를 입력하는 위성 자료 입력부와,
위성관측 해상풍 자료를 학습모델 구축 및 검증 자료 생성부에서 구축된 인공지능 모델에 적용하는 인공지능 모델 학습부와,
인공지능 모델 학습부를 통하여 개선된 위성관측 해상풍 자료를 출력하는 정확도 보정 해상풍 자료 출력부를 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 장치.The method of claim 1, wherein the satellite observation offshore wind accuracy correction unit,
A satellite data input unit that inputs wind speed, wind direction, observation time, and observation date for each pixel provided by the satellite,
An artificial intelligence model learning unit that applies satellite-observed sea wind data to the artificial intelligence model built in the learning model construction and verification data generation unit;
A device for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence, comprising an accuracy correction offshore wind data output unit that outputs improved satellite observation offshore wind data through an artificial intelligence model learning unit. 해상풍 자료 DB화부에서 인공지능 학습을 위한 부이관측 해상풍, 위성관측 해상풍, 위성관측 좌표, 위성관측 시각 및 위성관측 날짜에 대해 조건식을 적용하여 DB화하는 해상풍 자료 DB화 단계;
학습모델 구축 및 검증 자료 생성부에서 인공지능 모델을 이용한 위성관측 해상풍 정확도 보정 모델 학습 및 검증을 하는 학습모델 구축 및 검증 자료 생성 단계;
해상풍 자료 정확도 평가부에서 정확도가 보정된 위성관측 해상풍의 종합적인 정확도 평가를 하는 해상풍 자료 정확도 평가 단계;
위성관측 해상풍 정확도 보정부에서 위성관측 해상풍 정확도 보정 인공지능 모델의 적용을 통하여 정확도를 보정한 위성관측 해상풍 자료 출력을 하는 위성관측 해상풍 정확도 보정 단계;를 포함하고,
해상풍 자료 정확도 평가 단계에서,
보정된 위성관측 풍속의 정확도를 평가하는 과정에서 정확도의 기준은 부이에서 관측한 해상풍 정보이며, 평가의 척도는 평균제곱근편차(Roote mean square error, RMSE), 부이관측 풍속과 결정계수(R-squared)가 보정된 위성관측 풍속의 차이 항목을 포함하고,
정확도 평가를 위한 항목은 인공지능 적용 전후 전체자료를 이용한 평균제곱근 평가, 각 부이관측 지점별 절대속도차 평가, 풍속 구간별 절대속도차 평가, 풍향별 절대 속도차 평가 항목을 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법.A sea wind data database conversion step in which conditional expressions are applied to the buoy observation sea wind, satellite observation sea wind, satellite observation coordinates, satellite observation time, and satellite observation date for artificial intelligence learning in the sea wind data database;
A learning model construction and verification data generation step in which the satellite observation offshore wind accuracy correction model using an artificial intelligence model is learned and verified in the learning model construction and verification data generation unit;
An offshore wind data accuracy evaluation step in which the offshore wind data accuracy evaluation unit evaluates the comprehensive accuracy of the satellite-observed offshore wind whose accuracy has been corrected;
It includes a satellite observation offshore wind accuracy correction step in which the satellite observation offshore wind accuracy correction unit outputs satellite observation offshore wind data whose accuracy has been corrected through the application of a satellite observation offshore wind accuracy correction artificial intelligence model;
In the step of assessing the accuracy of offshore wind data,
In the process of evaluating the accuracy of the corrected satellite-observed wind speed, the standard of accuracy is the offshore wind information observed from the buoy, and the evaluation scale is root mean square error (RMSE), buoy-observed wind speed, and coefficient of determination (R- squared) includes the difference item of the corrected satellite observed wind speed,
Items for accuracy evaluation include root mean square evaluation using all data before and after applying artificial intelligence, absolute speed difference evaluation for each buoy observation point, absolute speed difference evaluation for each wind speed section, and absolute speed difference evaluation for each wind direction. A method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence. 제 8 항에 있어서, 학습모델 구축 및 검증 자료 생성 단계에서,
정량적인 비율을 결정하여 인공지능 학습을 위한 모델훈련자료(training set), 모델검증자료(validation set) 구분한 후,
모델훈련자료를 활용하여 인공지능 모델을 제작하고 모델검증자료를 활용하여 검증을 수행하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법.According to claim 8, in the learning model construction and verification data generation stage,
After determining the quantitative ratio and classifying model training data (training set) and model validation data (validation set) for artificial intelligence learning,
A method for correcting the accuracy of satellite image observation sea wind data using artificial intelligence, characterized by producing an artificial intelligence model using model training data and performing verification using model verification data. 제 8 항에 있어서, 해상풍 자료 DB화 단계에서,
위성에서 제공하는 해상풍은 관측된 정보를 격자형태의 수치로 제공하며, 픽셀이 모여 이루어진 그리드형태의 자료로 제공하고,
그리드를 구성하는 각각의 픽셀은 풍속, 풍향, 좌표, 관측 시각 및 날짜정보를 포함하고, 부이관측 풍속과 위성관측 자료를 인공지능 학습이 가능한 DB형태로 구성하고, DB에 포함되는 위성관측 정보는 부이관측 풍속과 관측 시간 및 위치가 허용 범위 이내인 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법.According to claim 8, in the sea wind data DB step,
Offshore winds provided by satellites provide observed information in the form of grid numbers, and data in the form of a grid made up of pixels.
Each pixel that makes up the grid includes wind speed, wind direction, coordinates, observation time, and date information, and the buoy observation wind speed and satellite observation data are organized in a DB format capable of artificial intelligence learning, and the satellite observation information included in the DB is A method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence, characterized in that the buoy observation wind speed, observation time, and location are within the allowable range. 삭제delete 삭제delete 제 8 항에 있어서, 해상풍 자료 DB화 단계에서,
허용 범위 이내의 조건에서 관측한 정보를 판별하기 위한 조건식이 요구되며, 각각의 픽셀에 동일한 조건식을 적용하여 조건식을 통과하면 DB에 포함하고, 포함하지 않으면 DB에서 제외하고,
조건식을 정하는 항목은 부이관측 지점과의 거리 또는 부이관측시각과의 차이를 포함하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법.According to claim 8, in the sea wind data DB step,
A conditional expression is required to determine the observed information under conditions within the allowable range. The same conditional expression is applied to each pixel, and if it passes the conditional expression, it is included in the DB. If it is not included, it is excluded from the DB.
A method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence, wherein the items for determining the conditional expression include the distance from the buoy observation point or the difference from the buoy observation time. 제 13 항에 있어서, 조건식을 통과한 부이관측 풍속, 위성관측 풍속, 위성관측 풍향, 위성관측지점의 위경도 좌표, 위성관측 시간 및 날짜 정보를 하나의 쌍으로 구성하여 데이터베이스화 하여 저장 및 관리하는 것을 특징으로 하는 인공지능을 이용한 위성영상 관측 해상풍 자료의 정확도 보정을 위한 방법.
According to claim 13, the buoy-observed wind speed, satellite-observed wind speed, satellite-observed wind direction, latitude-longitude coordinates of the satellite observation point, and satellite observation time and date information that have passed the conditional expression are organized into a pair and stored and managed in a database. A method for correcting the accuracy of satellite image observation offshore wind data using artificial intelligence.
KR1020210084951A 2021-06-29 2021-06-29 System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence KR102589878B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210084951A KR102589878B1 (en) 2021-06-29 2021-06-29 System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210084951A KR102589878B1 (en) 2021-06-29 2021-06-29 System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence

Publications (2)

Publication Number Publication Date
KR20230001873A KR20230001873A (en) 2023-01-05
KR102589878B1 true KR102589878B1 (en) 2023-10-16

Family

ID=84926234

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210084951A KR102589878B1 (en) 2021-06-29 2021-06-29 System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence

Country Status (1)

Country Link
KR (1) KR102589878B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102365072B1 (en) 2019-11-08 2022-02-18 한국해양과학기술원 Apparatus and Method for Improving Wave Prediction Model Accuracy by Advancing Correction of Wind Prediction Data

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101503509B1 (en) 2014-02-25 2015-03-18 대한민국 Method and system for retrieving sea surface wind using passive microwave sensors onboard satellite
KR20200018127A (en) * 2018-08-10 2020-02-19 한국전자통신연구원 Horizontal wind field calculation method for three-dimensional space in and around tropical cyclone using geostationary and polar-orbit satellites
KR20200059085A (en) * 2018-11-20 2020-05-28 서울대학교산학협력단 A Method for Sea Surface Temperature Retrieval using Surface Drifter Temperature Data and Satellite Infrared Images
KR102156237B1 (en) 2019-02-27 2020-09-15 동명대학교산학협력단 Sea surface wind measurement system and method using X-band rader
KR102365071B1 (en) 2019-11-08 2022-02-18 한국해양과학기술원 Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102365072B1 (en) 2019-11-08 2022-02-18 한국해양과학기술원 Apparatus and Method for Improving Wave Prediction Model Accuracy by Advancing Correction of Wind Prediction Data

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Haoyu Jiang 외 2명. Improving Altimeter Wind Speed Retrievals Using Ocean Wave Parameters. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2020.05.11, Vol.13, pp.1917-1924, <인터넷:https://ieeexplore.ieee.org/document/9091023> 1부.*
Xiao-Ming Li 외 2명. Retrieval of Sea Surface Wind Speed from Spaceborne SAR over the Arctic Marginal Ice Zone with a Neural Network. Remote Sensing. 2020.10.10, Vol.12, Issue.20, <인터넷:https://www.mdpi.com/2072-4292/12/20/3291/htm> 1부.*

Also Published As

Publication number Publication date
KR20230001873A (en) 2023-01-05

Similar Documents

Publication Publication Date Title
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
Ruti et al. Comparison of analyzed and measured wind speeds in the perspective of oceanic simulations over the Mediterranean basin: Analyses, QuikSCAT and buoy data
Casas-Prat et al. A physical-based statistical method for modeling ocean wave heights
Lefévre et al. A comparison of multiple regression and neural network techniques for mapping in situ pCO2 data
CN114254767B (en) Method and system for predicting meteorological hydrologic characteristics based on Stacking integrated learning
Khalid et al. Advancing real-time flood prediction in large estuaries: iFLOOD a fully coupled surge-wave automated web-based guidance system
CN110555841B (en) SAR image change detection method based on self-attention image fusion and DEC
CN116205541B (en) Method and device for evaluating influence of local pollution source on environmental air quality
CN117556197B (en) Typhoon vortex initialization method based on artificial intelligence
KR102706021B1 (en) Forest fire susceptibility mapping method and apparatus using artificial intelligence
Pryor et al. Downscaling wind
KR102365072B1 (en) Apparatus and Method for Improving Wave Prediction Model Accuracy by Advancing Correction of Wind Prediction Data
Leslie et al. Verification and training of real-time forecasting of multi-scale ocean dynamics for maritime rapid environmental assessment
Mounet et al. Deriving spatial wave data from a network of buoys and ships
Vecchi et al. An observing system simulation experiment for the Indian Ocean
Krishnamurthy et al. Year-long buoy-based observations of the air–sea transition zone off the US west coast
KR102589878B1 (en) System and Method for improving accuracy of satellite based sea wind speed performance using artificial intelligence
Saha et al. Downscaling extreme rainfall using physical-statistical generative adversarial learning
Kerry et al. Assessing the impact of subsurface temperature observations from fishing vessels on temperature and heat content estimates in shelf seas: A New Zealand case study using Observing System Simulation Experiments
KR102411074B1 (en) Devices and Methods for Detection and Prediction of Cold Water Mass Using Artificial Intelligence and Satellite Imaging
KR102365071B1 (en) Apparatus and Method for Improving Model Prediction Accuracy through Advanced Calibration of Atmospheric Model Wind Prediction Data
Young et al. Initialization and setup of the Coastal Model Test Bed: integrated bathymetry
Donne et al. Wave height quantification using land based seismic data with grammatical evolution
Wijnant et al. North Sea wind climatology Part 1: a review of existing wind atlases
Larsén et al. Extreme winds and waves for offshore turbines: Coupling atmosphere and wave modeling for design and operation in coastal zones

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