KR20200002871A - 강설 확률 분포들을 예보하기 위한 시스템 및 방법 - Google Patents

강설 확률 분포들을 예보하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20200002871A
KR20200002871A KR1020197032162A KR20197032162A KR20200002871A KR 20200002871 A KR20200002871 A KR 20200002871A KR 1020197032162 A KR1020197032162 A KR 1020197032162A KR 20197032162 A KR20197032162 A KR 20197032162A KR 20200002871 A KR20200002871 A KR 20200002871A
Authority
KR
South Korea
Prior art keywords
probability
snow
snow accumulation
forecast
snowfall
Prior art date
Application number
KR1020197032162A
Other languages
English (en)
Inventor
댄 디포드윈
조나단 포터
마이클 알. 루트
Original Assignee
애큐웨더 아이엔씨.
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 애큐웨더 아이엔씨. filed Critical 애큐웨더 아이엔씨.
Publication of KR20200002871A publication Critical patent/KR20200002871A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G06N7/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

특정 강설 누적 또는 범위를 포함하는 현재 이용가능한 기상 예보들은, 강설이 예보된 강설 누적 범위 내에 있을 확률, 다른 강설 누적량들의 확률들, 또는 예보자의 신뢰 레벨을 전달하지 못한다. 규칙 기반 프로세스를 사용하여, 앙상블 예보들의 멤버들을 포함하는 제3자 기상 예보들을 활용하여, 가장 가능성있는 강설 누적 범위, 강설 누적이 가장 가능성있는 강설 누적 범위 내에 있을 확률, 및 강설 누적이 가장 가능성있는 강설 누적 범위의 외측에 있을 확률들을 예보하는 강설 확률 분포들을 생성하는 강설 확률 분포 예보 시스템이 개시된다. 결정론적 예보와의 일관성을 보장하기 위해, 결정론적 예보에 기초하여 강설 확률 분포가 시프트될 수도 있다. 제3자 기상 예보들은 강설 누적 예보들의 비정규 분포를 생성할 수 있기 때문에, 강설 확률 분포는 정규화될 수도 있다.

Description

강설 확률 분포들을 예보하기 위한 시스템 및 방법
관련 출원들에 대한 상호 참조
본 출원은 2017년 3월 30일자로 출원된 미국 가특허 출원 제62/479,062호에 대한 우선권을 주장하고, 이 미국 가특허 출원의 전체 내용은 이로써 참조로 포함된다.
강설 누적 예보(snowfall accumulation forecast)들은 개인들 및 조직들에게 엄청난 가치가 있다. 소비자들 및 기업들이 계획 목적들을 위해 강설 누적 예보들을 사용할 뿐만 아니라, 운송 시스템들 및 다른 중요 시스템들의 컴포넌트들이 강설 및 다른 강수의 예보들을 사용하여, 동작들을 조정하고 인프라스트럭처의 손상을 방지하며 대중에게 유해할 수 있는 이벤트들을 회피한다.
현재 예보 방법들은 눈보라들에 대한 결정론적 예보(deterministic forecast)들을 생성한다. 이들 결정론적 예보들은, 기상학자의 훈련과 경험 및 수학적 모델들로부터의 정보에 기초하여 주관적인 결정들을 행하는 기상학자(또는 기상학자들의 그룹)의 최상의 추측을 표현하는 특정 시간 및 장소에서의 특정 강설 누적(종종 범위)을 포함한다. 이들 결정론적 예보들은 매우 흥미롭지만, 강설이 예보된 강설 누적 범위 내에 있을 확률 및 다른 강설 누적량들의 확률들과 같은 부가적인 정보를 전달하지 못한다. 결정론적 예보들은 예보자의 신뢰 레벨 또는 그 신뢰가 시간이 지남에 따라 어떻게 변할 수 있는지를 또한 전달하지 못한다.
결정론적 예보보다는 오히려, 확률 분포가 각각의 눈보라에 대한 광범위한 잠재적 결과들 및 이들 결과들의 가능성의 심층적인 이해를 전달할 것이다.
현대 예보자들은 예보 모델들에서 2개의 통상적인 불확실성 원인들(불완전한 초기 조건들의 사용에 의해 도입되는 에러들 및 모델 공식의 불완전성들 때문에 도입되는 에러들)을 설명하려는 시도로 동일한 수학적 모델을 사용하여 다수의 시뮬레이션들("멤버들"이라고 불림)을 수행하는 앙상블 예보(ensemble forecast)들을 포함하는 수십 개의 기상 예보(weather forecast)들에의 액세스를 갖는다. 기존의 기상 예보는 강설 누적 또는 다른 것에 대한 확률 분포를 제공하지 않는다. 그 대신에, 각각의 기상 예보(또는 멤버)가 사용되어 단일의 결정론적 예보를 생성할 수 있다.
르블랑(LeBlanc)에 대한 미국 특허 공개 제2014/0303893호는 강설 확률을 전체 강수율들의 확률 분포와 조합하는 것에 의해 강설률들의 확률 분포를 생성하는 시스템을 설명하고 있다. 그러나, 르블랑 시스템은 강설 확률을 계산하는 것과 전체 강수율들의 확률 분포를 생성하는 것 양측 모두를 요구하는데, 이들 양측 모두는 기존의 기상 예보 방법들을 사용하여 정밀하게 행하기가 어렵다.
각각의 눈보라에 대한 광범위한 잠재적 결과들의 더 정확한 평가에 대한 요망 및 기존의 기상 예보들 및 기상 예보 시스템들 양측 모두의 결점들을 고려하면, 복수의 강설 누적 범위들 및 강설 누적이 이들 범위들 각각 내에 있을 확률을 예보하는 강설 확률 분포들을 생성하기 위한 규칙 기반 프로세스(rules-based process)에 대한 필요성이 있다. 게다가, 사용자들을 혼란스럽게 하는 것을 회피하기 위해, 규칙 기반 프로세스는, 동일한 위치 및 시간 주기(time period)에 대한 결정론적 예보와 일관성있고 가장 가능성있는 강설 누적 범위로부터의 정규 분포를 확률 분포의 테일(tail)들에 반영하는 강설 확률 분포들을 생성하는 것이 중요하다.
종래 기술의 이들 그리고 다른 결점들을 극복하기 위해, 규칙 기반 프로세스를 사용하여, 앙상블 예보들의 멤버들을 포함하는 제3자 기상 예보들을 활용하여, 가장 가능성있는 강설 누적 범위, 강설 누적이 가장 가능성있는 강설 누적 범위 내에 있을 확률, 및 강설 누적이 가장 가능성있는 강설 누적 범위의 외측에 있을 확률들을 예보하는 강설 확률 분포들을 생성하는 강설 확률 분포 예보 시스템이 개시된다.
강설 확률 분포 예보 시스템은 복수의 기상 예보들을 저장하고, 눈보라의 예측된 위치 및 예측된 시간 주기를 식별하고, 복수의 기상 예보들 각각에 기초하여 강설 누적 예보를 결정하고, 일련의 연속적인 비-오버래핑 강설 누적 범위들을 식별하고 강설 누적 범위들 각각에 얼마나 많은 강설 누적 예보들이 있는지를 결정하는 것에 의해 앙상블 히스토그램(ensemble histogram)을 형성하고, 앙상블 히스토그램에 기초하여 강설 누적량들의 상대적 가능성을 표현하는 확률 밀도 함수를 계산하고, 확률 밀도 함수에 기초하여 강설 확률 분포를 형성하고, (가장 가능성있는 강설 누적 범위, 및 예측된 시간 주기에 걸친 예측된 위치에서의 강설 누적이 가장 가능성있는 강설 누적 범위 내에 있을 확률을 포함하는) 강설 확률 예보를 생성하고, 강설 확률 예보를 출력한다.
강설 확률 분포에 의해 나타낸 가장 가능성있는 강설 누적 범위와 결정론적 예보 사이의 일관성을 보장하기 위해, 강설 확률 분포 예보 시스템은 강설 확률 분포를 시프트시켜 결정론적 예보에서의 예보된 강설 누적이 강설 확률 분포의 가장 가능성있는 강설 누적 범위 내에 속하도록 할 수도 있다. 게다가, 제3자 기상 예보들이 강설 누적 예보들의 비정규 분포를 생성할 수 있기 때문에, 강설 확률 분포 예보 시스템은 데이터를 정규화하여 각각의 강설 누적 범위의 확률들이 강설 확률 분포의 가장 가능성있는 강설 누적 범위로부터 강설 확률 분포의 테일들로 감소하도록 할 수도 있다.
예시적인 실시예들의 양태들은 첨부 도면들을 참조하여 더 잘 이해될 수도 있다:
도 1은 본 발명의 예시적인 실시예에 따른 강설 확률 분포 예보 시스템의 아키텍처를 예시하는 다이어그램이다.
도 2는 본 발명의 예시적인 실시예에 따른 강설 확률 분포 예보 시스템을 예시하는 블록 다이어그램이다.
도 3은 본 발명의 예시적인 실시예에 따른, 강설 확률 분포를 생성하기 위한 프로세스를 예시하는 흐름도이다.
도 4는 예시적인 앙상블 히스토그램, 예시적인 확률 밀도 함수, 및 예시적인 정규화된 확률 밀도 함수를 예시하는 그래프이다.
도 5는 본 발명의 예시적인 실시예에 따른, 도 4에 도시된 히스토그램을 사용하여 생성되는 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스에 의해 출력되는 뷰이다.
도 6은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스에 의해 출력되는 뷰이다.
도 7은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스에 의해 출력되는 뷰이다.
도 8은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스에 의해 출력되는 뷰이다.
도 9는 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스에 의해 출력되는 뷰이다.
도 10은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스에 의해 출력되는 뷰이다.
이제, 본 발명의 예시적인 실시예들의 다양한 뷰들을 예시하는 도면들이 참조된다. 본 명세서의 도면들 및 도면들의 설명에서, 특정 전문용어가 단지 편의를 위해 사용되고 본 발명의 실시예들을 제한하는 것으로 간주되어서는 안 된다. 게다가, 아래의 도면들 및 설명에서, 동일한 번호들은 전체에 걸쳐 동일한 요소들을 나타낸다.
도 1은 본 발명의 예시적인 실시예에 따른 강설 확률 분포 예보 시스템(200)의 아키텍처(100)를 예시하는 다이어그램이다.
도 1에 도시된 바와 같이, 아키텍처(100)는, 제3자 데이터 소스들(110)로부터 정보를 수신하고 인터넷과 같은 광역 네트워크(130)를 통해 원격 클라이언트 디바이스들(180)과 통신하는 하나 이상의 서버들(120)을 포함한다. 하나 이상의 서버들(120)은 또한 비일시적 컴퓨터 판독가능 저장 매체들(126) 상에 데이터를 저장하고 이들로부터 데이터를 판독할 수도 있다. 하나 이상의 서버들(120)은 또한 직접적으로(유선 및/또는 무선 통신 경로를 통해) 또는 로컬 영역 네트워크(132)를 통해 하나 이상의 로컬 클라이언트 디바이스들(140)과 통신할 수도 있다.
제3자 데이터 소스들(110)은, 예를 들어, 국립 환경 예측 센터(National Center for Environmental Predictions)에 의해 유지되는 서버(NCEP 서버(112)) 및 유럽 중기 기상 예보 센터(European Centre for Medium-Range Weather Forecasts)에 의해 유지되는 서버(ECMWF 서버(114))를 포함할 수도 있다. 부가적인 제3자 데이터 소스들(110)은 국립 기상청(National Weather Service)(NWS), 국립 허리케인 센터(National Hurricane Center)(NHC), 캐나다 환경부(Environment Canada), 다른 정부 기관들(예컨대, 영국 기상청(U.K. Meteorologic Service), 일본 기상청(Japan Meteorological Agency) 등), 민간 기업들(예컨대, AccuWeather, Inc., AccuWeather Enterprise Solutions, Inc., Vaisalia's U.S. National Lightning Detection Network, Weather Decision Technologies, Inc.), 개인들(예컨대, 스포터 네트워크(Spotter Network)의 멤버들) 등을 포함할 수도 있다.
하나 이상의 서버들(120) 각각은, 네트워크들(130 및 132)을 통해 데이터를 전송 및/또는 수신하도록 구성되는 임의의 적합한 하드웨어 컴퓨팅 디바이스일 수도 있다. 하나 이상의 서버들(120) 각각은 내부의 비일시적 저장 매체들 및 적어도 하나의 하드웨어 컴퓨터 프로세서를 포함한다. 하나 이상의 서버들(120)은, 예를 들어, 웹 브라우저를 포함하는 원격 클라이언트 디바이스들(180) 중 임의의 것에 액세스가능한 웹사이트들을 호스팅하는 웹 서버 및 애플리케이션 서버를 포함할 수도 있다.
비일시적 컴퓨터 판독가능 저장 매체들(126)은 하드 디스크들, 솔리드 스테이트 메모리 등을 포함할 수도 있다. 비일시적 컴퓨터 판독가능 저장 매체들(126)은 서버들(120) 중 하나의 내부에 있거나 또는 하나 이상의 서버들(120)의 외부에 있을 수도 있다. 하나 이상의 서버들(120)은 유선 및/또는 무선 통신 경로를 통해 그리고/또는 네트워크(132)를 통해 비일시적 컴퓨터 판독가능 저장 매체들(126)과 통신할 수도 있다.
네트워크들(130 및 132)은 인터넷, 셀룰러 네트워크들, 광역 네트워크들(WAN), 로컬 영역 네트워크들(LAN) 등의 임의의 조합을 포함할 수도 있다. 네트워크(들)(130 및 132)를 통한 통신은 유선 및/또는 무선 통신 경로들에 의해 실현될 수도 있다.
하나 이상의 로컬 클라이언트 디바이스들(140) 각각은, 네트워크(132)를 통해 데이터를 전송 및 수신하도록 구성되는 임의의 적합한 하드웨어 컴퓨팅 디바이스일 수도 있다. 하나 이상의 로컬 클라이언트 디바이스들(140) 각각은 내부의 비일시적 저장 매체들 및 적어도 하나의 하드웨어 컴퓨터 프로세서를 포함한다. 하나 이상의 로컬 클라이언트 디바이스들(140) 각각은, 예를 들어, 퍼스널 컴퓨팅 디바이스(예를 들어, 데스크톱 컴퓨터, 노트북 컴퓨터, 태블릿, 스마트폰 등)일 수도 있다.
원격 클라이언트 디바이스들(180) 각각은, 네트워크(130)를 통해 데이터를 수신하도록 구성되는 임의의 적합한 하드웨어 컴퓨팅 디바이스일 수도 있다. 원격 클라이언트 디바이스들(180) 각각은 내부의 비일시적 저장 매체들 및 적어도 하나의 하드웨어 컴퓨터 프로세서를 포함한다. 원격 클라이언트 디바이스들(180)은, 웹 브라우저, (예를 들어, 서버(120) 상에) 로컬로 또는 원격으로 설치된 소프트웨어 애플리케이션들 등을 통해 네트워크(130)로부터 수신된 정보를 수신 및 디스플레이하는 퍼스널 컴퓨팅 디바이스들(예를 들어, 데스크톱 컴퓨터들(182), 노트북 컴퓨터들, 태블릿들(186), 스마트폰들(184) 등)을 포함할 수도 있다. 원격 클라이언트 디바이스들(180)은, 모바일 애플리케이션들 등을 통해 네트워크(130)로부터 수신된 정보를 수신 및 디스플레이하는 스마트폰들(184) 및/또는 태블릿들(186)을 포함할 수도 있다. 가장 단순한 실시예들에서, 원격 클라이언트 디바이스들(180)은 강설 확률 분포 예보 시스템(200)에 의해 생성되는 강설 확률 분포들을 수신하고, 이들 강설 확률 분포들을 사용자에게 (예를 들어, 웹 브라우저, 모바일 애플리케이션들 등을 통해) 디스플레이한다. 아래에 더 상세히 설명되는 바와 같이, 원격 클라이언트 디바이스들(180)은, 강설 확률 분포 예보 시스템(200)에 의해 생성된 강설 확률 분포들을 수신하고, 이들 강설 확률 분포들을 사용자에게 디스플레이하는 것에 부가적으로 또는 그 대신에, 강설 확률 분포에 포함된 정보에 응답하여 하드웨어 또는 소프트웨어 디바이스를 제어하는 다른 적합한 하드웨어 컴퓨팅 디바이스들(188)을 또한 포함할 수도 있다.
도 2는 본 발명의 예시적인 실시예에 따른 강설 확률 분포 예보 시스템(200)을 예시하는 블록 다이어그램이다.
도 2에 도시된 바와 같이, 강설 확률 분포 예보 시스템(200)은 예보 데이터베이스(240), 분석 유닛(260), 및 그래픽 사용자 인터페이스(280)를 포함한다. 강설 확률 분포 예보 시스템(200)은 이력 기상 데이터베이스(250) 및 이력 기상 예보 데이터베이스(255)를 더 포함할 수도 있다.
예보 데이터베이스(240)는 단일의 유형(tangible)의 디바이스 또는 다수의 유형의 디바이스들(예를 들어, 비일시적 컴퓨터 판독가능 저장 매체들(126)) 상에 저장되든지 간에 정보의 임의의 조직화된 콜렉션일 수도 있다. 예보 데이터베이스(240)는 제3자 데이터 소스들(110)로부터 수신된 제3자 기상 예보들(242), 및 하나 이상의 서버들(120) 및/또는 하나 이상의 로컬 클라이언트 디바이스들(140)을 사용하여 생성된 결정론적 예보들(248)을 저장한다. 예보 데이터베이스(240)는 정부 기관들(예를 들어, NWS, 로컬 NWS 사무소들 등)에 의해 발행된 겨울 기상 메시지들(246)을 또한 저장할 수도 있다.
제3자 기상 예보들(242)은 현재 기상 조건들의 추정치들에 기초하여 장래 기상 조건들을 예보하는 대기 및 해양의 수학적 모델들을 사용하여 생성된다. 제3자 기상 예보들(242)은, 예를 들어, 온도, 수직 모션, 및 상대 습도에 대한 예보들뿐만 아니라 정량적 강수 예보들을 포함할 수도 있다. 제3자 기상 예보들(242)은 앙상블 예보들일 수도 있는데, 이는 다수의 별개의 예보들("멤버들"이라고 불림)을 포함한다. 앙상블 예보는 예보 모델들에서 2개의 통상적인 불확실성 원인들: 불완전한 초기 조건들의 사용에 의해 도입되는 에러들 및 모델 공식의 불완전성들 때문에 도입되는 에러들을 설명하려는 시도로 동일한 수학적 모델을 사용하여 다수의 시뮬레이션들을 수행한다. 이에 따라, 아래에 사용되는 바와 같이, 제3자 기상 예보들(242)은 앙상블 예보의 각각의 멤버를 지칭한다.
제3자 기상 예보들(242)은, 예를 들어, 국립 환경 예측 센터(NCEP) 글로벌 예보 시스템(Global Forecast System)(GFS)의 하나의 결정론적 실행, 글로벌 앙상블 예보 시스템(Global Ensemble Forecast System)(GEFS)의 멤버들(예를 들어, 20개의 멤버들), 폭풍 예측 센터(Storm Prediction Center)(SPC) 단기 앙상블 예보(Short Range Ensemble Forecast)(SREF)의 멤버들(예를 들어, 26개의 멤버들), 유럽 중기 기상 예보 센터(ECMWF) 앙상블 예측 시스템의 멤버들(예를 들어, 26개의 멤버들)을 포함할 수도 있다. NCEP GFS 예보, GEFS 멤버들, 및 SREF 멤버들은 NCEP 서버(112)로부터 수신될 수도 있다. ECMWF 멤버들은 ECMWF 서버(114)로부터 수신될 수도 있다.
겨울 기상 메시지들(246)은 예보된 겨울 기상에 앞서 NWS(및/또는 로컬 사무소들)에 의해 발행된다. 겨울 기상 메시지들은 겨울 폭풍 경고들, 겨울 폭풍 주의보(winter storm watch)들, 및 겨울 기상 권고들을 포함한다.
결정론적 예보들(248)은 또한 하나 이상의 수학적 모델들을 사용하여 생성될 수도 있다. 그러나, 결정론적 예보들(248)은 기상학자가 이들 하나 이상의 수학적 모델들로부터의 정보 및 그의 또는 그녀의 훈련과 경험에 기초하여 주관적인 결정들을 행하는 것에 의해 생성 또는 수정될 수도 있다. "결정론적 예보"는 예측된 시간 주기 동안 예측된 위치에서의 특정 크기(또는 크기들의 범위)의 이벤트(예를 들어, 2018년 3월 20일 내지 2018년 3월 22일의 필라델피아에서의 8인치의 강설)의 예측이다. 결정론적 예보(248)는 AccuWeather, Inc., AccuWeather Enterprise Solutions, Inc. 등으로부터의 하나 이상의 기상학자들에 의해 생성될 수도 있다.
임의적인 이력 기상 데이터베이스(250)는 단일의 유형의 디바이스 또는 다수의 유형의 디바이스들(예를 들어, 비일시적 컴퓨터 판독가능 저장 매체들(126)) 상에 저장되든지 간에 정보의 임의의 조직화된 콜렉션일 수도 있다. 이력 기상 데이터베이스(250)는 과거 강설 누적들(252)을 나타내는 지오-로케이팅된(geo-located) 그리고 시간-인덱싱된(time-indexed) 정보를 저장할 수도 있다.
임의적인 이력 기상 예보 데이터베이스(255)는 단일의 유형의 디바이스 또는 다수의 유형의 디바이스들(예를 들어, 비일시적 컴퓨터 판독가능 저장 매체들(126)) 상에 저장되든지 간에 정보의 임의의 조직화된 콜렉션일 수도 있다. 이력 기상 예보 데이터베이스(255)는 과거 강설 누적들의 위치들 및 시간 주기들에 대한 결정론적 예보들(248) 및 제3자 기상 예보들(242)을 저장할 수도 있다.
분석 유닛(260)은, 하드웨어 컴퓨터 프로세서 및 그 하드웨어 컴퓨터 프로세서에 액세스가능하고 그에 의해 실행되는 소프트웨어 명령어들을 포함한다. 분석 유닛(260)은, 제3자 기상 예보들(242) 및 결정론적 예보들(248)을 수신하고, 아래에 상세히 설명되는 바와 같이 제3자 기상 예보들(242) 및 결정론적 예보들(248)에 기초하여 강설 확률 분포들을 생성하며, 이들 강설 확률 분포들을 원격 클라이언트 디바이스들(180)로 출력하도록 구성되는 하드웨어 및 소프트웨어의 임의의 적합한 조합일 수도 있다. 분석 유닛(260)은, 예를 들어, 지구 과학 데이터의 용이한 액세스, 조작, 및 시각화를 위해 사용되는 인터액티브 데스크톱 툴인 그리드 분석 및 디스플레이 시스템(Grid Analysis and Display System)(GrADS)을 포함할 수도 있다. 분석 유닛은, 예를 들어, 하나 이상의 서버들(120) 및/또는 그 하나 이상의 서버들(120)로부터 다운로드된 소프트웨어 명령어들을 실행하는 원격 클라이언트 디바이스들(180)에 의해 실현될 수도 있다.
그래픽 사용자 인터페이스(280)는, 사용자에게의 디스플레이를 위한 정보(아래에 논의되는 강설 확률 분포들을 포함함)를 출력하는 임의의 인터페이스일 수도 있다. 그래픽 사용자 인터페이스(280)는 웹 브라우저들을 통한 원격 클라이언트 디바이스들(180)의 사용자들에게의 디스플레이를 위해 웹 서버(예를 들어, 서버(들)(120) 중 하나))에 의해 생성될 수도 있다. 부가적으로 또는 대안적으로, 그래픽 사용자 인터페이스(280)는 원격 클라이언트 디바이스들(180) 상에 저장되는 로컬 소프트웨어(예를 들어, 모바일 애플리케이션)에 의해 생성될 수도 있다.
상술된 바와 같이, 현재 예보 방법들은 기상학자의 훈련과 경험 및 이들 수학적 모델들로부터의 정보에 기초하여 주관적인 결정들을 행하는 기상학자(또는 기상학자들의 그룹)의 최상의 추측을 표현하는 특정 강설 누적(종종 범위)을 포함하는 결정론적 예보들(248)을 생성한다. 그러나, 이들 결정론적 예보들(248)은 매우 흥미롭지만, 강설이 예보된 강설 누적 범위 내에 있을 확률 및 다른 강설 누적량들의 확률들과 같은 부가적인 정보를 전달하지 못한다. 아래에 상세히 설명되는 바와 같이, 강설 확률 분포 예보 시스템(200)은 규칙 기반 프로세스를 사용하여, 앙상블 예보들의 멤버들을 포함하는 제3자 기상 예보들(242)을 활용하여, 가장 가능성있는 강설 누적 범위, 강설 누적이 가장 가능성있는 강설 누적 범위 내에 있을 확률, 및 강설 누적이 가장 가능성있는 강설 누적 범위의 외측에 있을 확률들을 예보하는 강설 확률 분포들을 생성한다.
강설 확률 분포에 의해 나타낸 가장 가능성있는 강설 누적 범위와 결정론적 예보(248) 사이의 일관성을 보장하기 위해, 강설 확률 분포 예보 시스템(200)은 강설 확률 분포를 시프트시켜 결정론적 예보(248)에서의 예보된 강설 누적이 강설 확률 분포의 가장 가능성있는 강설 누적 범위 내에 속하도록 할 수도 있다. 게다가, 제3자 기상 예보들(242)이 강설 누적 예보들의 비정규 분포를 생성할 수 있기 때문에, 강설 확률 분포 예보 시스템(200)은 데이터를 정규화하여 각각의 강설 누적 범위의 확률들이 강설 확률 분포의 가장 가능성있는 강설 누적 범위로부터 강설 확률 분포의 테일들로 감소하도록 할 수도 있다.
도 3은 본 발명의 예시적인 실시예에 따른, 강설 확률 분포를 생성하기 위한 프로세스(300)를 예시하는 흐름도이다. 강설 확률 분포 프로세스(300)는 분석 유닛(260)에 의해(예를 들어, 서버(120)에 의해) 수행된다.
프로세스(300)가 강설 확률 분포를 생성하는 것으로서 아래에 설명되지만, 본 기술분야의 통상의 기술자는, 유사한 프로세스가, 강우량, 액체 당량(liquid equivalent amount), 얼음 누적, 풍속, 온도 등을 포함하는 다른 예보된 기상 조건들의 확률 분포들을 생성하는 데 사용될 수도 있다는 것을 인식할 것이다.
단계 302에서 제3자 기상 예보들(242)이 수신된다. 제3자 기상 예보들(242)은, 예를 들어, NCEP GFS로부터의 결정론적 예보, GEFS 앙상블의 20개의 멤버들, SREF 앙상블의 26개의 멤버들, 및 ECMWF 앙상블 예측 시스템의 26개의 멤버들을 포함할 수도 있다. NCEP GFS 예보, GEFS 멤버들, 및 SREF 멤버들은 NCEP 서버(112)로부터 수신될 수도 있다. ECMWF 멤버들은 ECMWF 서버(114)로부터 수신될 수도 있다.
단계 304에서 제3자 기상 예보들(242)은 균일한 지리적 그리드에 부합하도록 보간된다.
단계 306에서 눈보라가 식별된다. 눈보라는, 예를 들어, 겨울 기상 메시지(246)가 예보된 강설 누적을 포함할 때 식별될 수도 있다. 대안적으로, 결정론적 예보(248)가 예보된 눈보라 또는 예보된 강설 누적의 크기를 나타낼 때 눈보라가 식별될 수도 있다.
단계 308에서 예측된 위치가 식별된다. 예측된 위치는, 예를 들어, 겨울 기상 메시지(246)에서 식별된 위치일 수도 있다. 대안적으로, 눈보라의 예측된 위치는, 예를 들어, 예보된 눈보라 또는 예보된 강설 누적의 크기를 나타내는 결정론적 예보(248)에 의해 나타낸 위치일 수도 있다.
단계 310에서 예측된 시간 주기가 식별된다. 예측된 시간 주기는, 예를 들어, 겨울 기상 메시지(246)에 특정된 시간 주기일 수도 있다. 대안적으로, 예측된 시간 주기는, 예를 들어, 결정론적 예보(248)에서의 예보된 눈보라의 예보된 시간 주기일 수도 있다.
각각의 제3자 기상 예보(242)에 대해, 예측된 시간 주기 동안 예측된 위치에서의 예보된 강설 누적이 단계 312에서 결정된다. 예보된 강설 누적은 Cobb 방법을 사용하여 결정될 수도 있고, 여기서 눈-대-액체 비율(snow-to-liquid ratio)이 (예보된 온도, 예보된 수직 모션, 및 예보된 상대 습도에 기초하여) 계산되고 정량적 강수 예보는 계산된 눈-대-액체 비율로 곱해진다. 일부 경우들에서, 제3자 기상 예보(242)는, (예를 들어, 눈, 비, 진눈깨비, 또는 혼합물로서) 특정 시간 주기들 동안 떨어지는 강수를 분류하는 것을 포함할 수도 있다. 이들 경우들에서, 예보된 강설 누적은 눈으로서 분류된 정량적 강수 예보를 출력하는 것에 의해 결정될 수도 있다.
단계 312에서 결정된 강설 누적 예보들에 기초하여 단계 314에서 강설 확률 분포가 생성된다. 강설 확률 분포는 일련의 연속적인 비-오버래핑 강설 누적 범위들을 식별하는 것; 각각의 강설 누적 범위에 얼마나 많은 강설 누적 예보들이 있는지를 결정하는 것에 의해 앙상블 히스토그램을 형성하는 것; 앙상블 히스토그램에 기초하여 확률 밀도 함수를 계산하는 것; 및 확률 밀도 함수에 기초하여 강설 확률 분포를 형성하는 것에 의해 생성된다.
강설 확률 분포를 생성하기 위한 프로세스는 다음과 같이 10개의 제3자 기상 예보들(242)이 예측된 시간 주기 동안 예측된 위치에 대한 강설 누적 예보들을 갖는 예시적인 시나리오를 참조하여 아래에 설명된다:
Figure pct00001
멤버 1: 2인치
Figure pct00002
멤버 2: 1인치
Figure pct00003
멤버 3: 3.5인치
Figure pct00004
멤버 4: 3.5인치
Figure pct00005
멤버 5: 4인치
Figure pct00006
멤버 6: 8인치
Figure pct00007
멤버 7: 7.5인치
Figure pct00008
멤버 8: 2인치
Figure pct00009
멤버 9: 5인치
Figure pct00010
멤버 10: 1인치
그 후에, 제3자 기상 예보들(242)로부터의 강설 누적 예보들은 식별된 강설 누적 범위들로 비닝된다(binned). 예를 들어, 1인치 강설 누적 범위들을 사용하면, 예시적인 강설 누적 예보들은 다음과 같이 비닝된다:
Figure pct00011
0-1인치: 0(0퍼센트)
Figure pct00012
1-2인치: 2(20퍼센트)
Figure pct00013
2-3인치: 2(20퍼센트)
Figure pct00014
3-4인치: 2(20퍼센트)
Figure pct00015
4-5인치: 1(10퍼센트)
Figure pct00016
5-6인치: 1(10퍼센트)
Figure pct00017
6-7인치: 0(0퍼센트)
Figure pct00018
7-8인치: 1(10퍼센트)
Figure pct00019
8-9인치: 1(10퍼센트)
강설 누적 범위들은 미리 결정될 수도 있다. 대안적으로, 강설 누적 범위들은 강설 누적 예보들에 기초하여 식별될 수도 있다. 예시적인 실시예에서, 가장 낮은 강설 누적, 낮은 강설 누적, 가장 가능성있는 강설 누적, 보다 높은 강설 누적, 및 가장 높은 강설 누적을 표현하는 5개의 강설 누적 범위들이 식별된다. 그러나, 강설 누적은 임의의 수의 강설 누적 범위들로 분할될 수도 있다. 예를 들어, 3개의 강설 누적 범위들이 식별되는 경우, 그러면 예시적인 강설 누적 예보들은 다음과 같이 비닝된다:
Figure pct00020
0-3인치: 40퍼센트
Figure pct00021
3-6인치: 40퍼센트
Figure pct00022
6-9인치: 20퍼센트
본질적으로, 강설 확률 분포 예보 시스템(200)은 예측된 시간 주기 동안 예측된 위치에서의 예보된 강설 누적이 각각의 강설 누적 범위 내에 있을 확률이 각각의 강설 누적 범위 내의 강설 누적 예보를 갖는 제3자 기상 예보들(242)의 퍼센티지인 강설 확률 분포를 생성한다.
단계 314에서 생성된 강설 확률 분포는 단계 316에서 결정론적 예보(348)에 기초하여 임의로 시프트될 수도 있다. 예를 들어, (단계 314에서 생성된) 원래의 강설 확률 분포는 시프트된 강설 확률 분포의 모드가 결정론적 예보(348)에서의 예보된 강설 누적과 동일하도록 시프트될 수도 있다. (결정론적 예보(348)에서의 예보된 강설 누적은, 예를 들어, 상술된 바와 같이 Cobb 방법을 사용하여 계산될 수도 있다.) 원래의 강설 확률 분포의 평균과 시프트된 강설 확률 분포 사이의 차이는 원래의 강설 확률 분포의 모든 포인트를 시프트시키기 위한 가중치로서 사용된다. 이에 따라, 강설 확률 분포 예보 시스템(200)은 시프트된 강설 확률 분포를 생성하는데, 여기서 시프트된 강설 확률 분포의 모든 포인트는 결정론적 예보(348)에 의해 영향받는다.
단계 318에서 (원래의 또는 임의로 시프트된) 강설 확률 분포는 임의로 정규화될 수도 있다. 예를 들어, 강설 확률 분포 예보 시스템(200)은 각각의 강설 누적 범위의 확률들이 강설 확률 분포의 모드(또는 중앙값 또는 평균)로부터 강설 확률 분포의 테일들로 감소할 때까지 원거리 테일들로부터의 데이터 포인트들이 확률 분포의 평균(또는 모드 또는 중앙값)을 향해 이동되는 반복 프로세스를 수행할 수도 있다.
도 4는 예시적인 앙상블 히스토그램, 예시적인 확률 밀도 함수, 및 예시적인 정규화된 확률 밀도 함수를 예시하는 그래프(400)이다. (도 4에 예시된 예는 상기의 예와 매칭하지 않는다는 것에 주목한다.)
상술된 실시예들에서, 강설 확률 분포를 생성할 때 각각의 제3자 기상 예보(242)가 동일하게 가중된다. 그러나, 다른 실시예들에서, 제3자 기상 예보들(242)은 강설 누적을 예보하기 위해 이들의 과거 정확도에 기초하여 가중될 수도 있다. 예를 들어, 강설 확률 분포 예보 시스템(200)은 강설 누적들(252)의 위치들 및 시간 주기들에 대해 과거 강설 누적들(252) 및 제3자 기상 예보들(242)(그리고, 임의로는 결정론적 예보들(248))을 사용하여, 과거 강설 누적들(252)을 가장 정확하게 예측하는 강설 확률 분포를 형성하도록 제3자 기상 예보들(242) 각각이 가중되는 통계적 모델을 구축할 수도 있다. 이에 따라, 일부 또는 전부의 제3자 기상 예보들(242)의 정확도가 (제3자 기상 예보들(242) 또는 기후학적 조건들의 변화들로 인해) 시간이 지남에 따라 변화되는 경우에도, 강설 확률 분포 예보 시스템(200)은 장래 강설 누적들을 가장 정확하게 예보하는 강설 확률 분포들을 생성하는 것이 가능하다.
단계 320에서 강설 확률 예보가 생성된다. 강설 확률 예보는, 가장 가능성있는 강설 분포 범위, 및 강설 확률 분포에 기초하여 예측된 시간 주기 동안 예측된 위치에서의 강설 누적이 가장 가능성있는 강설 누적 범위 내에 있을 확률을 포함한다. 강설 확률 예보는, 보다 높은 강설 누적 범위(그리고 강설 확률 분포에 기초하여 강설 누적이 보다 높은 강설 누적 범위 내에 있을 확률) 및 보다 낮은 강설 누적 범위(그리고 강설 확률 분포에 기초하여 강설 누적이 보다 높은 강설 누적 범위 내에 있을 확률)를 또한 포함할 수도 있다.
단계 322에서 강설 확률 예보가 출력된다. 가장 단순한 실시예들에서, 강설 확률 예보는 그래픽 사용자 인터페이스(280)를 통해 사용자에게의 디스플레이를 위해 원격 클라이언트 디바이스(180)로 출력된다. 예를 들어, 강설 확률 예보는 웹 페이지 또는 모바일 애플리케이션의 부분으로서 디스플레이될 수도 있다. 다른 실시예들에서, 강설 확률 예보는 강설 확률 예보에 포함된 정보에 응답하여 하드웨어 또는 소프트웨어 디바이스를 제어하기 위해 원격 클라이언트 디바이스(180)로 출력될 수도 있다. 단지 하나의 예를 인용하면, 강설 확률 예보는 누적 임계치 이상에서의 적설 누적 확률이 확률 임계치를 충족하거나 또는 초과하는 경우 열차 루트를 우회 또는 취소하도록 구성될 수도 있는 철도 시스템으로 출력될 수도 있다.
도 5는 본 발명의 예시적인 실시예에 따른, 도 4에 도시된 히스토그램을 사용하여 생성되는 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스(280)에 의해 출력되는 뷰(500)를 예시한다.
도 5에 도시된 바와 같이, 뷰(500)는 텍스트 디스플레이(550) 및/또는 막대 그래프(510)를 포함할 수도 있다. 막대 그래프(510)는, 예를 들어, 가장 가능성있는 강설 누적 범위(515), 강설 누적이 가장 가능성있는 강설 누적 범위(515) 내에 있을 확률(525), 및 강설 누적이 가장 가능성있는 강설 누적 범위(515) 내에 있을 확률(525)의 시각적 표현(535); 보다 높은 강설 누적 범위(513), 강설 누적이 보다 높은 강설 누적 범위(513) 내에 있을 확률(523), 및 강설 누적이 보다 높은 강설 누적 범위(525) 내에 있을 확률(523)의 시각적 표현(533); 보다 낮은 강설 누적 범위(517), 강설 누적이 보다 낮은 강설 누적 범위(517) 내에 있을 확률(527), 및 강설 누적이 보다 낮은 강설 누적 범위(517) 내에 있을 확률(527)의 시각적 표현(537); 가장 높은 강설 누적 범위(511), 강설 누적이 가장 높은 강설 누적 범위(511) 내에 있을 확률(521), 및 강설 누적이 가장 높은 강설 누적 범위(521) 내에 있을 확률(521)의 시각적 표현(531); 및 가장 낮은 강설 누적 범위(519), 강설 누적이 가장 높은 강설 누적 범위(519) 내에 있을 확률(529), 및 강설 누적이 가장 높은 강설 누적 범위(529) 내에 있을 확률(529)의 시각적 표현(539)을 포함할 수도 있다.
텍스트 디스플레이(550)는, 가장 가능성있는 강설 누적 범위(515), 강설 누적이 가장 가능성있는 강설 누적 범위(515)보다 더 낮을 확률(548), 및 강설 누적이 가장 가능성있는 강설 누적 범위(515)보다 더 낮을 확률(542)을 포함할 수도 있다.
뷰(500)는 또한 예측된 위치(552)를 포함할 수도 있다.
도 6은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스(280)에 의해 출력되는 뷰(600)를 예시한다.
도 6에 도시된 바와 같이, 뷰(600)는 그것이 텍스트 디스플레이(550) 및 막대 그래프(510)를 포함한다는 점에서 뷰(500)와 유사하다. 부가적으로, 뷰(600)는, (x-축을 따르는) 강설 누적의 함수로서 (y-축을 따르는) 확률들을 예시하는 선 그래프(620)를 포함한다. 선 그래프(620)는 확률 분포의 모드, 중앙값, 및 평균의 시각적 표현을 포함할 수도 있다. 선 그래프(620)는 특정 간격들로 라벨링될 수도 있다. 예를 들어, 도 6에 도시된 바와 같이, 선 그래프(620)는 평균, 평균으로부터의 1.5 표준 편차들, 및 평균으로부터의 2.5 표준 편차들로 x-축을 따라 라벨링될 수도 있다.
그래픽 사용자 인터페이스(280)는 상이한 사용자들에 대한 상이한 뷰들을 출력할 수도 있다. 예를 들어, 상이한 뷰들이 개별 웹사이트 방문자들, 모바일 애플리케이션 사용자들, 상업적 사용자들, 정부 기관들 등으로 출력될 수도 있다.
도 7은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스(280)에 의해 출력되는 뷰(700)를 예시한다.
도 7에 도시된 바와 같이, 뷰(700)는, 가장 가능성있는 강설 누적 범위(715), 강설 누적이 가장 가능성있는 강설 누적 범위(715) 내에 있을 확률(725), 및 강설 누적이 가장 가능성있는 강설 누적 범위(715) 내에 있을 확률(725)의 시각적 표현(735)을 포함한다. 뷰(700)는, 강설 누적이 가장 가능성있는 강설 누적 범위(715)보다 더 높을 확률(728), 및 강설 누적이 가장 가능성있는 강설 누적 범위(715)보다 더 높을 확률(728)의 시각적 표현(738)을 또한 포함한다. 뷰(700)는, 강설 누적이 가장 가능성있는 강설 누적 범위(715)보다 더 낮을 확률(722), 및 강설 누적이 가장 가능성있는 강설 누적 범위(715)보다 더 높을 확률(722)의 시각적 표현(732)을 또한 포함한다. 뷰(700)는, 예측된 시간 주기 및 그 예측된 시간 주기 동안 다양한 강수 타입들의 확률들의 시각적 표현을 또한 포함한다.
도 8은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스(280)에 의해 출력되는 뷰(800)를 예시한다.
도 8에 도시된 바와 같이, 뷰(800)는, 가장 가능성있는 강설 누적 범위(815) 및 그 가장 가능성있는 강설 누적 범위(815)의 시각적 표현(845)을 포함한다. 뷰(800)는, 최고 누적 예보(818) 및 최저 누적 예보(812)뿐만 아니라 그 최고 누적 예보(818) 및 최저 누적 예보(812)로부터의 시각적 표현(842)을 또한 포함한다. 최고 누적 예보(818)는, 예를 들어, 단일의 제3자 예보(242)에 의해 예보된 최대 강설 누적일 수도 있고, 최저 누적 예보(812)는 단일의 제3자 예보(242)에 의해 예보된 최소 강설 누적일 수도 있다. 대안적으로, 최고 누적 예보(818) 및 최저 누적 예보(812)는 제3자 예보(242)의 미리 결정된 수 또는 퍼센티지들로 예보되는 최대치 및 최소치일 수도 있다.
도 9는 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스(280)에 의해 출력되는 뷰(900)를 예시한다.
도 9에 도시된 바와 같이, 뷰(900)는, 가장 가능성있는 강설 누적 범위(915), 및 강설 누적이 가장 가능성있는 강설 누적 범위(915) 내에 있을 확률의 시각적 표현(935)을 포함한다. 뷰(900)는, 강설 누적이 가장 가능성있는 강설 누적 범위(915)보다 더 높을 확률의 시각적 표현(938), 및 강설 누적이 가장 가능성있는 강설 누적 범위(915)보다 더 높을 확률의 시각적 표현(932)을 또한 포함한다.
도 10은 본 발명의 다른 예시적인 실시예에 따른, 강설 확률 예보를 포함하는 그래픽 사용자 인터페이스(280)에 의해 출력되는 뷰(1000)를 예시한다.
도 10에 도시된 바와 같이, 뷰(1000)는, 예를 들어, 가장 가능성있는 강설 누적 범위(1015), 강설 누적이 가장 가능성있는 강설 누적 범위(1015) 내에 있을 확률(1025), 및 강설 누적이 가장 가능성있는 강설 누적 범위(1015) 내에 있을 확률(1025)의 시각적 표현(1035); 보다 높은 강설 누적 범위(1013), 강설 누적이 보다 높은 강설 누적 범위(1013) 내에 있을 확률(1023), 및 강설 누적이 보다 높은 강설 누적 범위(1025) 내에 있을 확률(1023)의 시각적 표현(1033); 보다 낮은 강설 누적 범위(1017), 강설 누적이 보다 낮은 강설 누적 범위(1017) 내에 있을 확률(1027), 및 강설 누적이 보다 낮은 강설 누적 범위(1017) 내에 있을 확률(1027)의 시각적 표현(1037); 가장 높은 강설 누적 범위(1011), 강설 누적이 가장 높은 강설 누적 범위(1011) 내에 있을 확률(1021), 및 강설 누적이 가장 높은 강설 누적 범위(1021) 내에 있을 확률(1021)의 시각적 표현(1031); 및 가장 낮은 강설 누적 범위(1019), 강설 누적이 가장 높은 강설 누적 범위(1019) 내에 있을 확률(1029), 및 강설 누적이 가장 높은 강설 누적 범위(1029) 내에 있을 확률(1029)의 시각적 표현(1039)을 포함한다.
선호되는 실시예들이 상기에 제시되었지만, 본 개시내용을 검토한 본 기술분야의 통상의 기술자는 다른 실시예들이 본 발명의 범주 내에서 실현될 수 있다는 것을 쉽게 인식할 것이다. 특정 수들의 하드웨어 컴포넌트들 및 소프트웨어 모듈들의 개시내용들은 제한적인 것이 아니라 예시적인 것이다. 이에 따라, 본 발명은 첨부된 청구범위에 의해서만 제한되는 것으로서 해석되어야 한다.

Claims (21)

  1. 강설 누적(snowfall accumulation)을 예보하는 방법으로서,
    눈보라의 예측된 위치 및 예측된 시간 주기(time period)를 식별하는 단계;
    상기 예측된 위치에서의 상기 예측된 시간 주기에 대한 복수의 기상 예보(weather forecast)들을 수신하는 단계;
    상기 복수의 기상 예보들 각각에 대해, 강설 누적 예보를 결정하는 단계;
    일련의 연속적인 비-오버래핑 강설 누적 범위들을 식별하고 상기 강설 누적 범위들 각각에 얼마나 많은 강설 누적 예보들이 있는지를 결정하는 것에 의해 앙상블 히스토그램(ensemble histogram)을 형성하는 단계;
    상기 앙상블 히스토그램에 기초하여 강설 누적량들의 상대적 가능성을 표현하는 확률 밀도 함수를 계산하는 단계;
    상기 확률 밀도 함수에 기초하여 강설 확률 분포를 형성하는 단계 - 상기 강설 확률 분포는,
    가장 가능성있는 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 가능성있는 강설 누적 범위 내에 있을 확률;
    적어도 하나의 보다 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 높은 강설 누적 범위 내에 있을 확률; 및
    적어도 하나의 보다 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 낮은 강설 누적 범위 내에 있을 확률
    을 포함함 -;
    상기 가장 가능성있는 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 가능성있는 강설 누적 범위 내에 있을 확률을 포함하는 강설 확률 예보를 생성하는 단계; 및
    상기 강설 확률 예보를 출력하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 시간 주기에 걸친 상기 예측된 위치에 대한 결정론적 강설 누적 예보(deterministic snowfall accumulation forecast)를 식별하는 단계;
    조정된 확률 밀도 함수의 모드를 상기 결정론적 강설 누적 예보와 동일하게 만드는 것;
    상기 확률 밀도 함수의 평균과 상기 결정론적 강설 누적 예보 사이의 차이를 계산하는 것; 및
    상기 확률 밀도 함수의 평균과 상기 결정론적 강설 누적 예보 사이의 차이에 기초하여 상기 확률 밀도 함수를 시프트시키는 것
    에 의해 상기 조정된 확률 밀도 함수를 생성하는 단계
    를 더 포함하고,
    상기 강설 확률 예보는 상기 조정된 확률 밀도 함수에 기초하는, 방법.
  3. 제1항에 있어서,
    각각의 강설 누적 범위의 확률들이 상기 가장 가능성있는 강설 누적 범위로부터 상기 강설 확률 분포의 테일(tail)들로 감소할 때까지 상기 확률 밀도 함수의 원거리 테일들로부터 상기 확률 밀도 함수의 평균을 향해 데이터 포인트들을 이동시키는 것에 의해 정규화된 확률 밀도 함수를 생성하는 단계를 더 포함하고,
    상기 강설 확률 예보는 상기 정규화된 확률 밀도 함수에 기초하는, 방법.
  4. 제1항에 있어서,
    상기 강설 확률 예보는,
    상기 보다 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 높은 강설 누적 범위 내에 있을 확률; 및
    상기 보다 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 낮은 강설 누적 범위 내에 있을 확률
    을 더 포함하는, 방법.
  5. 제4항에 있어서,
    상기 강설 확률 예보는,
    가장 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 높은 강설 누적 범위 내에 있을 확률; 및
    가장 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 낮은 강설 누적 범위 내에 있을 확률
    을 더 포함하는, 방법.
  6. 제1항에 있어서,
    상기 강설 누적 예보들은 Cobb 방법을 사용하여 상기 복수의 기상 예보들에 기초하여 결정되는, 방법.
  7. 제6항에 있어서,
    상기 복수의 기상 예보들 각각은, 예보된 강수량, 예보된 예보 온도, 예보된 수직 모션, 및 예보된 상대 습도를 포함하고;
    상기 강설 누적 예보들은,
    상기 예보된 온도, 상기 예보된 수직 모션, 및 상기 예보된 상대 습도에 기초하여 눈-대-액체 비율(snow-to-liquid ratio)을 계산하는 것; 및
    상기 예보된 강수량을 상기 눈-대-액체 비율로 곱하는 것
    에 의해 결정되는, 방법.
  8. 제1항에 있어서,
    상기 강설 확률 예보는 그래픽 사용자 인터페이스를 통해 사용자에게의 디스플레이를 위해 원격 디바이스로 출력되는, 방법.
  9. 제1항에 있어서,
    상기 강설 확률 예보는 원격 디바이스를 제어하기 위해 출력되는, 방법.
  10. 제1항에 있어서,
    상기 복수의 기상 예보들은, 국립 환경 예측 센터(National Centers for Environmental Prediction)(NCEP) 글로벌 예보 시스템(Global Forecast System)(GFS), 글로벌 앙상블 예보 시스템(Global Ensemble Forecast System)(GEFS)의 하나 이상의 멤버들, NCEP 단기 앙상블 예보(Short Range Ensemble Forecast)(SREF)의 하나 이상의 멤버들, 또는 유럽 중기 기상 센터(European Centre for Medium-Range Weather)(ECMWF) 앙상블의 하나 이상의 멤버들 중 적어도 하나를 포함하는, 방법.
  11. 시스템으로서,
    복수의 기상 예보들을 저장하는 예보 데이터베이스;
    분석 유닛
    을 포함하고,
    상기 분석 유닛은
    눈보라의 예측된 위치 및 예측된 시간 주기를 식별하고;
    상기 복수의 기상 예보들 각각에 대해, 강설 누적 예보를 결정하고;
    일련의 연속적인 비-오버래핑 강설 누적 범위들을 식별하고 상기 강설 누적 범위들 각각에 얼마나 많은 강설 누적 예보들이 있는지를 결정하는 것에 의해 앙상블 히스토그램을 형성하고;
    상기 앙상블 히스토그램에 기초하여 강설 누적량들의 상대적 가능성을 표현하는 확률 밀도 함수를 계산하고;
    상기 확률 밀도 함수에 기초하여 강설 확률 분포를 형성하고 - 상기 강설 확률 분포는,
    가장 가능성있는 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 가능성있는 강설 누적 범위 내에 있을 확률;
    적어도 하나의 보다 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 높은 강설 누적 범위 내에 있을 확률; 및
    적어도 하나의 보다 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 낮은 강설 누적 범위 내에 있을 확률
    을 포함함 -;
    상기 가장 가능성있는 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 가능성있는 강설 누적 범위 내에 있을 확률을 포함하는 강설 확률 예보를 생성하고;
    상기 강설 확률 예보를 출력하는, 시스템.
  12. 제11항에 있어서,
    상기 예보 데이터베이스는, 상기 시간 주기에 걸친 상기 예측된 위치에 대한 결정론적 강설 누적 예보를 더 포함하고,
    상기 분석 유닛은,
    조정된 확률 밀도 함수의 모드를 상기 결정론적 강설 누적 예보와 동일하게 만드는 것;
    상기 확률 밀도 함수의 평균과 상기 결정론적 강설 누적 예보 사이의 차이를 계산하는 것; 및
    상기 확률 밀도 함수의 평균과 상기 결정론적 강설 누적 예보 사이의 차이에 기초하여 상기 확률 밀도 함수를 시프트시키는 것
    에 의해 상기 조정된 확률 밀도 함수를 생성하도록 추가로 구성되고,
    상기 강설 확률 예보는 상기 조정된 확률 밀도 함수에 기초하는, 시스템.
  13. 제11항에 있어서,
    상기 분석 유닛은,
    각각의 강설 누적 범위의 확률들이 상기 가장 가능성있는 강설 누적 범위로부터 상기 강설 확률 분포의 테일들로 감소할 때까지 상기 확률 밀도 함수의 원거리 테일들로부터 상기 확률 밀도 함수의 평균을 향해 데이터 포인트들을 이동시키는 것에 의해 정규화된 확률 밀도 함수를 생성하도록 추가로 구성되고,
    상기 강설 확률 예보는 상기 정규화된 확률 밀도 함수에 기초하는, 시스템.
  14. 제11항에 있어서,
    상기 강설 확률 예보는,
    상기 보다 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 높은 강설 누적 범위 내에 있을 확률; 및
    상기 보다 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 낮은 강설 누적 범위 내에 있을 확률
    을 더 포함하는, 시스템.
  15. 제14항에 있어서,
    상기 강설 확률 예보는,
    가장 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 높은 강설 누적 범위 내에 있을 확률; 및
    가장 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 낮은 강설 누적 범위 내에 있을 확률
    을 더 포함하는, 시스템.
  16. 제11항에 있어서,
    상기 분석 유닛은 Cobb 방법을 사용하여 상기 복수의 기상 예보들에 기초하여 상기 강설 누적 예보들을 결정하도록 추가로 구성되는, 방법.
  17. 제16항에 있어서,
    상기 복수의 기상 예보들 각각은, 예보된 강수량, 예보된 예보 온도, 예보된 수직 모션, 및 예보된 상대 습도를 포함하고;
    상기 분석 유닛은,
    상기 예보된 온도, 상기 예보된 수직 모션, 및 상기 예보된 상대 습도에 기초하여 눈-대-액체 비율을 계산하는 것; 및
    상기 예보된 강수량을 상기 눈-대-액체 비율로 곱하는 것
    에 의해 상기 강설 누적 예보들을 결정하도록 구성되는, 방법.
  18. 제11항에 있어서,
    상기 분석 유닛은 그래픽 사용자 인터페이스를 통해 사용자에게의 디스플레이를 위해 상기 강설 확률 예보를 원격 디바이스로 출력하는, 방법.
  19. 제11항에 있어서,
    상기 분석 유닛은 원격 디바이스를 제어하기 위해 상기 강설 확률 예보를 출력하는, 방법.
  20. 제11항에 있어서,
    상기 복수의 기상 예보들은, 국립 환경 예측 센터(NCEP) 글로벌 예보 시스템(GFS), 글로벌 앙상블 예보 시스템(GEFS)의 하나 이상의 멤버들, NCEP 단기 앙상블 예보(SREF)의 하나 이상의 멤버들, 또는 유럽 중기 기상 센터(ECMWF) 앙상블의 하나 이상의 멤버들 중 적어도 하나를 포함하는, 방법.
  21. 명령어들을 저장하는 비일시적 컴퓨터 판독가능 저장 매체로서,
    상기 명령어들은, 컴퓨터 프로세서에 의해 실행될 때, 컴퓨팅 시스템으로 하여금,
    눈보라의 예측된 위치 및 예측된 시간 주기를 식별하게 하고;
    상기 예측된 위치에서의 상기 예측된 시간 주기에 대한 복수의 기상 예보들을 수신하게 하고;
    상기 복수의 기상 예보들 각각에 대해, 강설 누적 예보를 결정하게 하고;
    일련의 연속적인 비-오버래핑 강설 누적 범위들을 식별하고 상기 강설 누적 범위들 각각에 얼마나 많은 강설 누적 예보들이 있는지를 결정하는 것에 의해 앙상블 히스토그램을 형성하게 하고;
    상기 앙상블 히스토그램에 기초하여 강설 누적량들의 상대적 가능성을 표현하는 확률 밀도 함수를 계산하게 하고;
    상기 확률 밀도 함수에 기초하여 강설 확률 분포를 형성하게 하고 - 상기 강설 확률 분포는,
    가장 가능성있는 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 가능성있는 강설 누적 범위 내에 있을 확률;
    적어도 하나의 보다 높은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 높은 강설 누적 범위 내에 있을 확률; 및
    적어도 하나의 보다 낮은 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 보다 낮은 강설 누적 범위 내에 있을 확률
    을 포함함 -;
    상기 가장 가능성있는 강설 누적 범위, 및 상기 예측된 시간 주기에 걸친 상기 예측된 위치에서의 강설 누적이 상기 가장 가능성있는 강설 누적 범위 내에 있을 확률을 포함하는 강설 확률 예보를 생성하게 하고;
    상기 강설 확률 예보를 출력하게 하는, 비일시적 컴퓨터 판독가능 저장 매체.
KR1020197032162A 2017-03-30 2018-03-30 강설 확률 분포들을 예보하기 위한 시스템 및 방법 KR20200002871A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762479062P 2017-03-30 2017-03-30
US62/479,062 2017-03-30
PCT/US2018/025413 WO2018183853A1 (en) 2017-03-30 2018-03-30 System and method for forecasting snowfall probability distributions

Publications (1)

Publication Number Publication Date
KR20200002871A true KR20200002871A (ko) 2020-01-08

Family

ID=63670343

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197032162A KR20200002871A (ko) 2017-03-30 2018-03-30 강설 확률 분포들을 예보하기 위한 시스템 및 방법

Country Status (8)

Country Link
US (2) US10838109B2 (ko)
EP (1) EP3607363B1 (ko)
JP (1) JP2020513101A (ko)
KR (1) KR20200002871A (ko)
CN (1) CN110603465B (ko)
CA (1) CA3056928A1 (ko)
TW (1) TW201839712A (ko)
WO (1) WO2018183853A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034537A (zh) * 2020-07-23 2020-12-04 田凤香 利用移动载体的雪量判断平台及方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0720255A (ja) * 1993-06-30 1995-01-24 Nippon Telegr & Teleph Corp <Ntt> 並列計算型気象レーダ画像予測装置
US5406481A (en) 1993-06-30 1995-04-11 Nippon Telegraph And Telephone Corporation Rainfall, snowfall forecast apparatus and method
JP2981887B1 (ja) * 1998-07-31 1999-11-22 建設省土木研究所長 路面状態検出方法及びその装置
US6535817B1 (en) 1999-11-10 2003-03-18 The Florida State Research Foundation Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble
US7542852B1 (en) 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
JP4882469B2 (ja) * 2006-04-13 2012-02-22 富士通株式会社 気象予測プログラム、気象予測装置および気象予測方法
US20080147417A1 (en) 2006-12-14 2008-06-19 David Friedberg Systems and Methods for Automated Weather Risk Assessment
JP2008185489A (ja) 2007-01-30 2008-08-14 Japan Weather Association 融雪出水予測システム
US20120101880A1 (en) 2010-10-05 2012-04-26 WeatherAlpha, LLC. Digital Communication Management System
US20150178572A1 (en) 2012-05-23 2015-06-25 Raqib Omer Road surface condition classification method and system
CN103033274B (zh) * 2012-12-18 2014-09-10 东南大学 一种日照温度概率密度的测定方法
GB2524694B (en) * 2012-12-18 2017-07-05 Samsung Electronics Co Ltd Display apparatus and method for processing image thereof
US9619645B2 (en) * 2013-04-04 2017-04-11 Cypress Semiconductor Corporation Authentication for recognition systems
US20140303893A1 (en) 2013-04-04 2014-10-09 Sky Motion Research Inc Method and system for nowcasting precipitation based on probability distributions
US20140372038A1 (en) * 2013-04-04 2014-12-18 Sky Motion Research, Ulc Method for generating and displaying a nowcast in selectable time increments
WO2015085308A1 (en) * 2013-12-07 2015-06-11 Cardinal Wind, Inc. Computer-implemented data analysis methods and systems for wind energy assessments
TWI580993B (zh) 2014-04-07 2017-05-01 天勢研究無限公司 用於基於機率分佈之臨近預報降雨量的方法與系統
KR102086895B1 (ko) 2014-12-22 2020-03-09 유저-센트릭 아이피, 엘.피. 메조스케일 모델링
US10366357B2 (en) * 2015-04-10 2019-07-30 Telsco Industries, Inc. Systems and methods for site-specific tracking of snowfall
JP6552928B2 (ja) * 2015-09-11 2019-07-31 株式会社東芝 気象予測装置、気象予測方法およびプログラム
US10509868B2 (en) * 2016-01-29 2019-12-17 Fujitsu Limited Operating a solar power generating system
CN105824987A (zh) * 2016-03-09 2016-08-03 浙江大学 一种基于遗传算法的风场特征统计分布模型建立方法
RU2630193C1 (ru) * 2016-04-18 2017-09-05 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания прогноза погоды
US20170357920A1 (en) * 2016-06-09 2017-12-14 Douglas Stewart Method and system for estimating and mapping weather risk
CN106405682B (zh) * 2016-08-29 2019-04-26 深圳先进技术研究院 一种降雨预测方法及装置

Also Published As

Publication number Publication date
US20180284322A1 (en) 2018-10-04
US11493666B2 (en) 2022-11-08
CN110603465A (zh) 2019-12-20
EP3607363A1 (en) 2020-02-12
US10838109B2 (en) 2020-11-17
EP3607363B1 (en) 2023-06-28
TW201839712A (zh) 2018-11-01
WO2018183853A1 (en) 2018-10-04
US20210026039A1 (en) 2021-01-28
CN110603465B (zh) 2021-12-28
JP2020513101A (ja) 2020-04-30
CA3056928A1 (en) 2018-10-04
EP3607363A4 (en) 2021-01-20

Similar Documents

Publication Publication Date Title
JP6663044B2 (ja) 予想気象、環境、及び／又は地質条件の影響を予測するための方法及びシステム
US8224768B1 (en) Tropical cyclone prediction system and method
US8160995B1 (en) Tropical cyclone prediction system and method
KR102086895B1 (ko) 메조스케일 모델링
US8204846B1 (en) Tropical cyclone prediction system and method
US11493666B2 (en) System and method for forecasting snowfall probability distributions
KR20190119082A (ko) 기상 데이터의 통계 분석을 사용하여 경제 동향들을 예측하기 위한 시스템 및 방법
Miller et al. NOAA’s national water level observation network (NWLON)
US11402541B2 (en) Determining a REALFEEL seasonal index
Ustrnul et al. Climatologically based warning system against meteorological hazards and weather extremes: the example for Poland