KR20180060287A - 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 - Google Patents

기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 Download PDF

Info

Publication number
KR20180060287A
KR20180060287A KR1020160159620A KR20160159620A KR20180060287A KR 20180060287 A KR20180060287 A KR 20180060287A KR 1020160159620 A KR1020160159620 A KR 1020160159620A KR 20160159620 A KR20160159620 A KR 20160159620A KR 20180060287 A KR20180060287 A KR 20180060287A
Authority
KR
South Korea
Prior art keywords
meteorological
data
rainfall
klaps
variable
Prior art date
Application number
KR1020160159620A
Other languages
English (en)
Inventor
장민
고광근
박정균
황승언
Original Assignee
한국외국어대학교 연구산학협력단
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 한국외국어대학교 연구산학협력단 filed Critical 한국외국어대학교 연구산학협력단
Priority to KR1020160159620A priority Critical patent/KR20180060287A/ko
Publication of KR20180060287A publication Critical patent/KR20180060287A/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
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (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

본원 발명의 일 실시예에 따른 예측변수를 이용한 집중호우 사전 예측 방법은, KLAPS 분석장과 집중호우 시의 지상강수량 자료를 구축하는 단계; 상기 KLAPS 분석장으로부터 집중호우 발생지점의 연직 기상자료를 추출하는 단계; 상기 연직 기상자료에서 추출된 복수의 기상변수의 값과 상기 집중호우 시의 지상 강수량의 변화를 비교하여 집중호우와 연관된 기상변수를 집중호우 예측을 위한 예측변수로 결정하는 단계; 상기 예측변수의 변동 특성 및 정량적인 값들을 산출하는 단계; 및 산출된 상기 변동 특성 및 정량적인 값들에 기초하여 상기 예측변수에 대한 경계조건을 설정하는 단계;를 포함한다.

Description

기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING HEAVY RAINFALL USING NUMERICAL WEATHER PREDICTION MODEL PROGNOSTIC VARIABLES}
본원 발명은 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템에 관한 것이다.
우리나라의 여름철에는 집중호우가 빈번히 발생하고 이로 인해 많은 인적, 물적 피해가 발생하고 있다. 또한, 집중호우의 세기나 발생빈도도 증가하는 추세(IPCC 보고서, 기상청 보고서 등)이다. 집중호우의 빈도를 분석한 기상청 통계에 의하면 과거 10년(1977~1986년) 동안 시간당 50mm 이상의 집중호우는 연평균 14.3회가 내렸으며, 최근 10년(1997~2006년) 동안은 25.4회가 내리는 등 집중호우의 빈도가 1.8배 증가한다고 조사되었다. 따라서 이러한 집중호우 발생 가능성을 사전에 예측하는 것은 매우 중요하다.
하지만, 집중호우를 예측하는 방법이나 기술은 아직 미비하고, 신뢰도도 높지 않아서 홍수나 재난에 대한 방재 측면에서 어려움이 있는 실정이다. 기존의 집중호우 예측은 경험 많은 예보자들이 직관적으로 판단하거나, 혹은 기상관측 자료와 기상모델 등과 같은 예보 결과를 바탕으로 이루어지는 경우가 많았다. 이러한 집중호우 예측은 객관성이 상대적으로 떨어지고 집중호우 발생 지역의 예측이나 정량적인 결과를 제시하기 어려웠다.
현업이나 연구 목적에서 집중호우를 예측(진단)하기 위하여 기상학자들은 대류잠재에너지(CAPE), 불안정 파라메터(LCL, LI, CI), 바람쉬어, Storm-Relative Helicity (SRH) 등을 이용하여 집중호우의 예측(진단)에 활용하고 있다. 또한, 집중호우 예측을 위한 사전 기술로서, 하층제트 및 층후 분류 등을 이용한 대기 구조를 이용하여 호우 유형을 분류하고 확률적으로 호우 가능성을 예측하거나, 집중호우 발생 영역에 대한 통계 모형 등을 개발하여 집중호우를 예측하는데 이용하고 있다.
전술한 배경 기술의 대부분은 특정지역이나 집중관측 등을 통한 제한된 영역에 대한 기술이거나, 집중호우 발생 유형에 따라 예측변수의 적용성이 달라지는 문제가 있으며, 특정한 예측(진단)변수를 일괄적으로 적용하는 데는 한계가 있다. 이에, 본원 발명은 특정 지역이나 특정 예측변수에 제한되지 않는 집중호우 예측 방법 및 시스템을 제공하고자 한다.
본원 발명의 일 실시예에 따른 예측변수를 이용한 집중호우 사전 예측 방법은, KLAPS 분석장과 집중호우 시의 지상강수량 자료를 구축하는 단계; 상기 KLAPS 분석장으로부터 집중호우 발생지점의 연직 기상자료를 추출하는 단계; 상기 연직 기상자료에서 추출된 복수의 기상변수의 값과 상기 집중호우 시의 지상 강수량의 변화를 비교하여 집중호우와 연관된 기상변수를 집중호우 예측을 위한 예측변수로 결정하는 단계; 상기 예측변수의 변동 특성 및 정량적인 값들을 산출하는 단계; 및 산출된 상기 변동 특성 및 정량적인 값들에 기초하여 상기 예측변수에 대한 경계조건을 설정하는 단계;를 포함한다.
본원 발명의 일 실시예에서, 상기 경계조건을 설정하는 단계는, 상기 정량적인 값들에 대한 분포 및 발생 확률에 관한 통계 기법을 적용하여 예측변수들에 대한 경계조건을 각각 설정하는 단계;를 포함한다.
본원 발명의 일 실시예에서, 상기 KLAPS 분석장은, 초단기 기상분석 및 예측시스템(Korea Local Analysis and Prediction System, KLAPS) 기반으로 한반도 중심의 공간영역에 대해 기상자료를 재생산한 것으로, 한반도를 중심으로 사각형의 공간 영역에 하나의 층이 235 × 283의 수평 격자로 구성되어 있으며, 기상변수에 따라 1 ~ 23개의 연직 층으로 구성된 3차원 자료이고, 상기 KLAPS 분석장에서 산출되는 상기 기상변수는 기온, 습도, 바람, 기압, 강수량, 비습, 구름에 관한 정보를 포함하는 총 46 종류의 자료를 생산한다.
본원 발명의 일 실시예에서, 지상강수량 자료는 집중호우 사례에 대한 지상강수량 자료를 얻기 위하여 기상청에서 운영중인 AWS(Automatic Weather Station) 자료로부터 추출된다.
본원 발명의 일 실시예에서, 기상수치모델에서 기상 예측 결과물을 수집하는 단계; 수집된 상기 예측 결과물에서 격자별로 상기 예측변수를 추출하는 단계; 각각의 격자에 대한 상기 예측변수에 대해 상기 경계조건을 설정하는 단계; 및 상기 기상수치모델의 예측변수를 격자별로 모니터링하여 상기 예측변수의 값 및 상기 경계조건에 기초하여 집중호우 발생 예상지역을 판별하는 단계;를 더 포함한다.
본원 발명의 일 실시예에서, 상기 기상수치모델은, KLAPS, ASAPS(Advanced Storm-scale Analysis and Prediction System) 또는 UM(Unified Model)이다.
본원 발명의 일 실시예에 따른 매체에 저장된 컴퓨터 프로그램은, 하드웨어와 결합되어 제 1 항 내지 제 6 항 중 어느 한 항에 기재된 예측변수를 이용한 집중호우 사전 예측 방법의 각 단계를 실행시킨다.
본원 발명의 일 실시예에 따른 예측변수를 이용한 집중호우 사전 예측 시스템은, KLAPS 분석장과 집중호우 시의 지상강수량 자료를 구축하는 모듈; 상기 KLAPS 분석장으로부터 집중호우 발생지점의 연직 기상자료를 추출하는 모듈; 상기 연직 기상자료에서 추출된 복수의 기상변수의 값과 상기 집중호우 시의 지상 강수량의 변화를 비교하여 집중호우와 연관된 기상변수를 집중호우 예측을 위한 예측변수로 결정하는 모듈; 상기 예측변수의 변동 특성 및 정량적인 값들을 산출하는 모듈; 및 산출된 상기 변동 특성 및 정량적인 값들에 기초하여 상기 예측변수에 대한 경계조건을 설정하는 모듈;을 포함한다.
본원 발명의 일 실시예에서, 상기 경계조건을 설정하는 모듈는, 상기 정량적인 값들에 대한 분포 및 발생 확률에 관한 통계 기법을 적용하여 예측변수들에 대한 경계조건을 각각 설정하는 모듈;을 포함한다.
본원 발명의 일 실시예에서, 상기 KLAPS 분석장은, 초단기 기상분석 및 예측시스템(Korea Local Analysis and Prediction System, KLAPS) 기반으로 한반도 중심의 공간영역에 대해 기상자료를 재생산한 것으로, 한반도를 중심으로 사각형의 공간 영역에 하나의 층이 235 × 283의 수평 격자로 구성되어 있으며, 기상변수에 따라 1 ~ 23개의 연직 층으로 구성된 3차원 자료이고, 상기 KLAPS 분석장에서 산출되는 상기 기상변수는 기온, 습도, 바람, 기압, 강수량, 비습, 구름에 관한 정보를 포함하는 총 46 종류의 자료를 생산한다.
본원 발명의 일 실시예에서, 지상강수량 자료는 집중호우 사례에 대한 지상강수량 자료를 얻기 위하여 기상청에서 운영중인 AWS(Automatic Weather Station) 자료로부터 추출된다.
본원 발명의 일 실시예에서, 기상수치모델에서 기상 예측 결과물을 수집하는 모듈; 수집된 상기 예측 결과물에서 격자별로 상기 예측변수를 추출하는 모듈; 각각의 격자에 대한 상기 예측변수에 대해 상기 경계조건을 설정하는 모듈; 및 상기 기상수치모델의 예측변수를 격자별로 모니터링하여 상기 예측변수의 값 및 상기 경계조건에 기초하여 집중호우 발생 예상지역을 판별하는 모듈;을 더 포함한다.
본원 발명의 일 실시예에서, 상기 기상수치모델은, KLAPS, ASAPS(Advanced Storm-scale Analysis and Prediction System) 또는 UM(Unified Model)이다.
본원 발명은 집중호우를 사전에 예측하기 위한 방법으로서, 수치모델에서 생산되는 다양한 기상변수(운저, 운고, 누적수함량, 부력에너지, 온도이류, 불안정 지수 등)를 이용하여 집중호우를 사전에 예측할 수 있다. 또한, 기상수치모델에서 산출되는 격자단위의 예측변수를 활용하여 실시간으로 호우의 발생 지역 및 가능성을 사전에 예측함으로서, 집중호우 예측능력 향상 및 재난 방재에 도움을 줄 수 있다.
도 1 내지 3은 2011 년 7 월 27 일에 0100 LST에서 0900 LST까지(도 1), 2010 년 9 월 21 일 14:00 LST에서 24:00 LST까지(도 2), 및 (c) 2013 년 9 월 13 일 01:00 LST부터 14:00 LST까지(도 3)의, AWS에 의한 시간별 강수 분포 (막대 차트) 및 누적수 함량 (실선) 을 나타내는 도면이다.
도 4 및 5는 본원 발명의 일 실시예에 따른 기상수치모델에서 산출되는 예측변수를 이용하여 집중호우를 예측하는 방법의 전체 흐름도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일·유사한 도면 부호를 부여하고 이에 대해 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 “모듈” 및 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하에서 도면 1 내지 5를 참조하여 본원 발명의 실시예들을 보다 상세하게 설명한다. 도 1 내지 3은 2011 년 7 월 27 일에 0100 LST에서 0900 LST까지(도 1), 2010 년 9 월 21 일 14:00 LST에서 24:00 LST까지(도 2), 및 (c) 2013 년 9 월 13 일 01:00 LST부터 14:00 LST까지(도 3)의, AWS에 의한 시간별 강수 분포 (막대 차트) 및 누적수 함량 (실선) 을 나타내는 도면이고, 도 4 및 5는 본원 발명의 일 실시예에 따른 기상수치모델에서 산출되는 예측변수를 이용하여 집중호우를 예측하는 방법의 전체 흐름도이다.
먼저, 도 4를 참조하여 본원 발명의 일 실시예에 따라 집중호우 예측을 위한 예측변수를 산출하고 예측변수의 경계조건을 결정하는 과정을 설명한다.
우선, 집중호우 예측을 위한 예측변수 산출을 위해 KLAPS 분석장과 지상강수량 자료를 사용할 수 있다(S100).
KLAPS 분석장은 초단기 기상분석 및 예측시스템(Korea Local Analysis and Prediction System, KLAPS) 기반으로 다양한 관측자료를 추가하여 한반도 중심의 공간영역에 대해 기상자료를 재생산한 것이다. 한반도를 중심으로 사각형의 공간 영역(31.344 ~ 44.283 N, 119.799 ~ 133.619 E)에 하나의 층이 235 × 283의 수평 격자(약 5 km의 공간해상도)로 구성되어 있으며, 변수에 따라 1 ~ 23개의 연직 층(1100 hPa ~ 50 hPa 까지 50 hPa 간격)으로 구성된 3차원 자료이다. KLAPS 분석장에서 산출되는 변수는 기온, 습도, 바람, 기압, 강수량, 비습, 구름에 관한 정보(운저, 운고, 수액함량 등) 등 총 46 종류의 자료를 생산한다.
지상강수량 자료는 집중호우 사례에 대한 지상강수량 자료를 얻기 위하여 기상청에서 운영중인 AWS(Automatic Weather Station) 자료를 활용할 수 있다.
KLAPS 분석장에서 생산되는 46종류의 기상변수 중에 집중호우와 연관된 예측변수를 산출하기 위하여 자료의 형태에 따라 집중호우 발생지점의 연직 기상자료를 추출한다(S200). 추출된 기상변수의 정량적 값을 지상강수량의 변화와 비교하여 집중호우시 예측 변수들의 변동 특성과 정량적인 값들을 산출한다(S300 및 S400).
예를 들면, 도 1 내지 3은 몇몇 집중호우 발생 사례들에 대한 분석 결과로서, 누적수함량(Integrated liquid water)의 변동 특성과 정량적인 값들을 예를 들어 나타낸 것이다. 집중호우 발생 전에 누적수함량은 강수가 시작되기 전에 증가하다가 집중호우 발생 시점 전에 최대값(0.0069 g/m3, 0.0085 g/m3, 0.0128 g/m3)이 나타난 후 급격하게 감소하는 특성이 있었다. 도면으로 제시하지 않은 여러 예측 변수들에서도 정량적인 값들의 급격한 증가 혹은 감소(증감)이 발생하였다. 이러한 예측 변수들의 급격한 증감을 활용하는 것이다.
또한, 표 1은 집중호우 발생 사례에서 산출된 예측 변수들의 정량적인 값들은 예를 들어 나타낸 것이다. 여러 예측 변수들의 최소, 최대, 집중호우 발생시점에서의 값(TMHR)들을 집중호우 사례별로 각각 산출한 것이다.
이러한 정량적인 값들에 대한 분포 및 발생 확률 등에 관한 통계 기법을 적용하여 예측변수들에 대한 경계조건을 각각 설정한다(S500).
Variables Min. Max. TMHR
case 1.
2011. 7. 27.
(Line-shaped convective system)

TMHR : 0800 LST 		Cloud thickness (km) 3.62 12.92 11.54
Integrated liquid water (mg/m3) 2.12 6.85 2.43
Positive Buoyant energy (J/kg) 348.66 1082.56 925.84
Temp. advection (K/s) (×103) -0.09 0.34 0.34
Pot. temp. advection (K/s) (×103) -0.08 0.29 0.29
K index (K) 37.90 38.89 38.47
SSI (K) -1.67 -1.07 -1.32
Lifted index (K) -3.43 -1.30 -3.12
Storm relative helicity (m2/s2) 55.52 191.91 105.66
case 2.
2010. 9. 21.
(band-shaped Shallow convective system)

TMHR : 2000 LST 		Cloud thickness (km) 4.36 9.41 4.57
Integrated liquid water (mg/m3) 0.008 8.52 0.18
Positive Buoyant energy (J/kg) -1 8.72 -1
Temp. advection (K/s) (×103) -0.007 0.18 0.06
Pot. temp. advection (K/s) (×103) -0.03 0.07 -0.2
K index (K) 22.72 35.97 29.66
SSI (K) 0.41 7.56 4.66
Lifted index (K) 0.9 10.6 9.52
Storm relative helicity (m2/s2) 104.01 228.66 135.56
case 3.
2013. 9. 13.
(Localized convective system)

TMHR : 1300 LST 		Cloud thickness (km) 1.33 11.96 9.41
Integrated liquid water (mg/m3) 0.0041 12.8 0.01
Positive Buoyant energy (J/kg) 119.33 1636.65 615.81
Temp. advection (K/s) (×103) -0.092 0.14 -0.09
Pot. temp. advection (K/s) (×103) -0.082 0.1 -0.08
K index (K) 30.83 37.64 34.02
SSI (K) -2.02 2.24 -1.37
Lifted index (K) -4.12 -0.5 -3.22
Storm relative helicity (m2/s2) 84.98 325.67 84.98
* TMHR : Time of Maximum hourly rainfall amount
다음으로, 도 5에서 보이는 바와 같이, 본원 발명의 일 실시예는 예측변수들의 급격한 증감에 대한 격자별 모니터링과 경계조건에 부합되는지에 대해 판별함으로서, 격자별 집중호우 발생 가능성을 사전에 탐지한다.
보다 구체적으로 설명하면, 먼저 KLAPS, ASAPS(Advanced Storm-scale Analysis and Prediction System), UM(Unified Model) 등의 기상수치모델에서 기상 예측 결과물을 수집한다(S600).
다음으로, 수집된 예측결과물에서 기상수치모델의 예측시간에 따른 격자별 예측변수를 추출한다(S700). 예측변수는 도 4를 참조하여 설명한 바와 같이 46 개의 기상변수 중 예측변수로 결정/산출된 것을 의미한다.
다음으로, 각각의 격자(Grid)에 대한 예측변수(즉, 기상변수 중 예측변수로 추출된 기상변수)에 대해 경계조건을 설정한다(S800). 경계조건은 도 4를 참조하여 설명한 바와 같이 결정된 것을 의미한다.
다음으로, 기상수치모델을 격자별로 모니터링하여 집중호우 발생 예상지역을 판별한다(S900). 기상수치모델이 주기적으로 갱신하는 예측결과물에서 각 격자의 예측변수의 값을 모니터링하고, 어느 격자의 예측변수의 값이 경계조건을 넘는다면 그 격자가 위치한 지역을 집중호우 발생 예상지역으로 판별한다.
마지막으로, 집중호우 발생 예상지역으로 판별된 지역에 대해 경보를 발한다(S1000).
요약하면, 본원 발명은 수치모델의 결과물에서 얻어지는 기상변수를 활용하여 집중호우를 예측하는 기술 및 시스템에 관한 것이다. 수치모델에서 얻어지는 기상변수(운저, 운고, 누적수함량, 부력에너지, 온도이류, 불안정지수 등)와 지상강수량과의 비교 분석을 통하여 집중호우 발생에 영향을 미치는 기상변수를 산출하고 이에 대한 분석을 수행하여 집중호우 예측변수를 결정한다. 집중호우 발생시 예측변수의 특성을 분석하고 예측변수 값에 대한 경계조건 등을 설정함으로서 실시간으로 집중호우를 예측할 수 있는 것이다. 집중호우 예측 기술은 두 단계로 구성이 된다. 첫 번째 단계는 집중호우를 예측할 수 있는 기상변수를 정의하고 이들 기상변수의 경계조건을 결정하는 것이고, 두 번째 단계는 첫 번째 단계의 결과를 바탕으로 수치모델에서 산출되는 변수 중 선별된 예측변수에 대한 실시간 모니터링을 통하여 집중호우 예측을 수행하는 것이다.
본원 발명의 일 실시예에 따르면, 기상수치모델에서 산출되는 격자단위의 예측변수를 활용하여 실시간으로 호우의 발생 지역 및 가능성을 사전에 예측함으로서, 집중호우 예측능력 향상 및 재난 방재에 도움을 줄 수 있을 것이다.
전술한 본원 발명은, 매체에 기록된 컴퓨터 프로그램 또는 애플리케이션으로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 단말기의 제어부를 포함할 수도 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본원 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (13)

  1. KLAPS 분석장과 집중호우 시의 지상강수량 자료를 구축하는 단계;
    상기 KLAPS 분석장으로부터 집중호우 발생지점의 연직 기상자료를 추출하는 단계;
    상기 연직 기상자료에서 추출된 복수의 기상변수의 값과 상기 집중호우 시의 지상 강수량의 변화를 비교하여 집중호우와 연관된 기상변수를 집중호우 예측을 위한 예측변수로 결정하는 단계;
    상기 예측변수의 변동 특성 및 정량적인 값들을 산출하는 단계; 및
    산출된 상기 변동 특성 및 정량적인 값들에 기초하여 상기 예측변수에 대한 경계조건을 설정하는 단계;를 포함하는 예측변수를 이용한 집중호우 사전 예측 방법.
  2. 제 1 항에 있어서,
    상기 경계조건을 설정하는 단계는,
    상기 정량적인 값들에 대한 분포 및 발생 확률에 관한 통계 기법을 적용하여 예측변수들에 대한 경계조건을 각각 설정하는 단계;를 포함하는, 예측변수를 이용한 집중호우 사전 예측 방법.
  3. 제 1 항에 있어서,
    상기 KLAPS 분석장은, 초단기 기상분석 및 예측시스템(Korea Local Analysis and Prediction System, KLAPS) 기반으로 한반도 중심의 공간영역에 대해 기상자료를 재생산한 것으로, 한반도를 중심으로 사각형의 공간 영역에 하나의 층이 235 × 283의 수평 격자로 구성되어 있으며, 기상변수에 따라 1 ~ 23개의 연직 층으로 구성된 3차원 자료이고,
    상기 KLAPS 분석장에서 산출되는 상기 기상변수는 기온, 습도, 바람, 기압, 강수량, 비습, 구름에 관한 정보를 포함하는 총 46 종류의 자료를 생산하는, 예측변수를 이용한 집중호우 사전 예측 방법.
  4. 제 1 항에 있어서,
    지상강수량 자료는 집중호우 사례에 대한 지상강수량 자료를 얻기 위하여 기상청에서 운영중인 AWS(Automatic Weather Station) 자료로부터 추출되는, 예측변수를 이용한 집중호우 사전 예측 방법.
  5. 제 1 항에 있어서,
    기상수치모델에서 기상 예측 결과물을 수집하는 단계;
    수집된 상기 예측 결과물에서 격자별로 상기 예측변수를 추출하는 단계;
    각각의 격자에 대한 상기 예측변수에 대해 상기 경계조건을 설정하는 단계; 및
    상기 기상수치모델의 예측변수를 격자별로 모니터링하여 상기 예측변수의 값 및 상기 경계조건에 기초하여 집중호우 발생 예상지역을 판별하는 단계;를 더 포함하는, 예측변수를 이용한 집중호우 사전 예측 방법.
  6. 제 1 항에 있어서,
    상기 기상수치모델은,
    KLAPS, ASAPS(Advanced Storm-scale Analysis and Prediction System) 또는 UM(Unified Model)인, 예측변수를 이용한 집중호우 사전 예측 방법.
  7. 하드웨어와 결합되어 제 1 항 내지 제 6 항 중 어느 한 항에 기재된 예측변수를 이용한 집중호우 사전 예측 방법의 각 단계를 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  8. KLAPS 분석장과 집중호우 시의 지상강수량 자료를 구축하는 모듈;
    상기 KLAPS 분석장으로부터 집중호우 발생지점의 연직 기상자료를 추출하는 모듈;
    상기 연직 기상자료에서 추출된 복수의 기상변수의 값과 상기 집중호우 시의 지상 강수량의 변화를 비교하여 집중호우와 연관된 기상변수를 집중호우 예측을 위한 예측변수로 결정하는 모듈;
    상기 예측변수의 변동 특성 및 정량적인 값들을 산출하는 모듈; 및
    산출된 상기 변동 특성 및 정량적인 값들에 기초하여 상기 예측변수에 대한 경계조건을 설정하는 모듈;을 포함하는 예측변수를 이용한 집중호우 사전 예측 시스템.
  9. 제 8 항에 있어서,
    상기 경계조건을 설정하는 모듈는,
    상기 정량적인 값들에 대한 분포 및 발생 확률에 관한 통계 기법을 적용하여 예측변수들에 대한 경계조건을 각각 설정하는 모듈;을 포함하는, 예측변수를 이용한 집중호우 사전 예측 시스템.
  10. 제 8 항에 있어서,
    상기 KLAPS 분석장은, 초단기 기상분석 및 예측시스템(Korea Local Analysis and Prediction System, KLAPS) 기반으로 한반도 중심의 공간영역에 대해 기상자료를 재생산한 것으로, 한반도를 중심으로 사각형의 공간 영역에 하나의 층이 235 × 283의 수평 격자로 구성되어 있으며, 기상변수에 따라 1 ~ 23개의 연직 층으로 구성된 3차원 자료이고,
    상기 KLAPS 분석장에서 산출되는 상기 기상변수는 기온, 습도, 바람, 기압, 강수량, 비습, 구름에 관한 정보를 포함하는 총 46 종류의 자료를 생산하는, 예측변수를 이용한 집중호우 사전 예측 시스템.
  11. 제 8 항에 있어서,
    지상강수량 자료는 집중호우 사례에 대한 지상강수량 자료를 얻기 위하여 기상청에서 운영중인 AWS(Automatic Weather Station) 자료로부터 추출되는, 예측변수를 이용한 집중호우 사전 예측 시스템.
  12. 제 8 항에 있어서,
    기상수치모델에서 기상 예측 결과물을 수집하는 모듈;
    수집된 상기 예측 결과물에서 격자별로 상기 예측변수를 추출하는 모듈;
    각각의 격자에 대한 상기 예측변수에 대해 상기 경계조건을 설정하는 모듈; 및
    상기 기상수치모델의 예측변수를 격자별로 모니터링하여 상기 예측변수의 값 및 상기 경계조건에 기초하여 집중호우 발생 예상지역을 판별하는 모듈;을 더 포함하는, 예측변수를 이용한 집중호우 사전 예측 시스템.
  13. 제 8 항에 있어서,
    상기 기상수치모델은,
    KLAPS, ASAPS(Advanced Storm-scale Analysis and Prediction System) 또는 UM(Unified Model)인, 예측변수를 이용한 집중호우 사전 예측 시스템.


KR1020160159620A 2016-11-28 2016-11-28 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 KR20180060287A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160159620A KR20180060287A (ko) 2016-11-28 2016-11-28 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160159620A KR20180060287A (ko) 2016-11-28 2016-11-28 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20180060287A true KR20180060287A (ko) 2018-06-07

Family

ID=62621517

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160159620A KR20180060287A (ko) 2016-11-28 2016-11-28 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20180060287A (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110375A (zh) * 2019-04-09 2019-08-09 天津大学 预测系统状态变量突变的判别方法
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN112069378A (zh) * 2020-09-14 2020-12-11 郑州大学 一种基于idf曲线的城市致灾降水分类判定方法
KR102218179B1 (ko) * 2020-06-15 2021-03-29 대한민국(기상청 국립기상과학원장) 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법
KR20210068898A (ko) * 2019-12-02 2021-06-10 대한민국(기상청장) 머신러닝을 이용한 실시간 수문학적 강우량 예보 시스템
CN114897412A (zh) * 2022-05-31 2022-08-12 石家庄铁道大学 一种基于网格气象预报的尾矿库提前排水计算方法
CN115236770A (zh) * 2022-06-29 2022-10-25 广西壮族自治区气象科学研究所 基于时空堆叠和样本重构的非线性短时临近降水预报方法
KR102489376B1 (ko) * 2021-12-21 2023-01-18 (주)에코브레인 실시간 강우패턴 반응형 집중호우 예측시스템
KR20230068481A (ko) * 2021-11-10 2023-05-18 경북대학교 산학협력단 호우 발생 가능성을 진단하는 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110375A (zh) * 2019-04-09 2019-08-09 天津大学 预测系统状态变量突变的判别方法
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN110728411B (zh) * 2019-10-18 2022-04-12 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
KR20210068898A (ko) * 2019-12-02 2021-06-10 대한민국(기상청장) 머신러닝을 이용한 실시간 수문학적 강우량 예보 시스템
KR102218179B1 (ko) * 2020-06-15 2021-03-29 대한민국(기상청 국립기상과학원장) 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법
CN112069378A (zh) * 2020-09-14 2020-12-11 郑州大学 一种基于idf曲线的城市致灾降水分类判定方法
CN112069378B (zh) * 2020-09-14 2022-09-30 郑州大学 一种基于idf曲线的城市致灾降水分类判定方法
KR20230068481A (ko) * 2021-11-10 2023-05-18 경북대학교 산학협력단 호우 발생 가능성을 진단하는 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램
KR102489376B1 (ko) * 2021-12-21 2023-01-18 (주)에코브레인 실시간 강우패턴 반응형 집중호우 예측시스템
WO2023120811A1 (ko) * 2021-12-21 2023-06-29 (주)에코브레인 실시간 강우패턴 반응형 집중호우 예측시스템
CN114897412A (zh) * 2022-05-31 2022-08-12 石家庄铁道大学 一种基于网格气象预报的尾矿库提前排水计算方法
CN115236770A (zh) * 2022-06-29 2022-10-25 广西壮族自治区气象科学研究所 基于时空堆叠和样本重构的非线性短时临近降水预报方法
CN115236770B (zh) * 2022-06-29 2024-05-28 广西壮族自治区气象科学研究所 基于时空堆叠和样本重构的非线性短时临近降水预报方法

Similar Documents

Publication Publication Date Title
KR20180060287A (ko) 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템
Goubanova et al. Extremes in temperature and precipitation around the Mediterranean basin in an ensemble of future climate scenario simulations
Jones et al. Global occurrences of extreme precipitation and the Madden–Julian oscillation: Observations and predictability
Wu et al. The characteristics of regional heavy precipitation events over eastern monsoon China during 1960–2013
Liew et al. How to construct future IDF curves, under changing climate, for sites with scarce rainfall records?
Mohr et al. Statistical characteristics of convective wind gusts in Germany
Takemi et al. Assessing the impacts of global warming on meteorological hazards and risks in Japan: Philosophy and achievements of the SOUSEI program
Barcikowska et al. Euro-Atlantic winter storminess and precipitation extremes under 1.5 C vs. 2 C warming scenarios
Haiden et al. Evaluation of ECMWF forecasts, including the 2016 resolution upgrade
Mo et al. Estimating the extreme wind speed for regions in China using surface wind observations and reanalysis data
Demirdjian et al. Statistical modeling of extreme precipitation with TRMM data
Chawsheen et al. Seasonal time-series modeling and forecasting of monthly mean temperature for decision making in the Kurdistan Region of Iraq
KR101440932B1 (ko) 실시간 앙상블 가뭄전망정보 관리방법
Photiadou et al. Modeling European hot spells using extreme value analysis
Ha et al. Decadal change in tropical cyclone activity over the South China Sea around 2002/03
Mo et al. Impact of annual maximum wind speed in mixed wind climates on wind hazard for mainland China
KR101934283B1 (ko) 복수의 카테고리로 구분되는 해안의 특성을 고려한 총수위 예측 방법 및 이를 이용한 서버
CN109671248A (zh) 基于防灾对象的山洪灾害预警方法
CN109583095B (zh) 基于混合统计动力模型的西北太平洋台风延伸期预报方法
KR101614397B1 (ko) 북극해 해빙 면적비 예측 시스템 및 예측 방법
Bhandari et al. Utilizing civil geo-HECRAS capabilities for floodplain mapping of Colorado River in Texas during Hurricane Harvey
KR101865791B1 (ko) 태풍 리스크 분석 시스템 및 이를 이용한 태풍 리스크 분석 방법
Agbonaye et al. Best-fit probability distribution model for rainfall frequency analysis of three cities in south eastern Nigeria
CN110109195B (zh) 一种基于雷达和探空资料的雷电临近预报方法
Rashid et al. Simulation of extreme rainfall from CMIP5 in the Onkaparinga catchment using a generalized linear model

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application