KR20200135125A - 강한 대류기상을 예측하기 위한 방법 및 장치 - Google Patents

강한 대류기상을 예측하기 위한 방법 및 장치 Download PDF

Info

Publication number
KR20200135125A
KR20200135125A KR1020190138367A KR20190138367A KR20200135125A KR 20200135125 A KR20200135125 A KR 20200135125A KR 1020190138367 A KR1020190138367 A KR 1020190138367A KR 20190138367 A KR20190138367 A KR 20190138367A KR 20200135125 A KR20200135125 A KR 20200135125A
Authority
KR
South Korea
Prior art keywords
radar echo
sequence
convective weather
strong convective
prediction model
Prior art date
Application number
KR1020190138367A
Other languages
English (en)
Other versions
KR102337776B1 (ko
Inventor
휘휘 샤오
레이 니에
장량 궈
수 리
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20200135125A publication Critical patent/KR20200135125A/ko
Application granted granted Critical
Publication of KR102337776B1 publication Critical patent/KR102337776B1/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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/951—Radar or analogous systems specially adapted for specific applications for meteorological use ground based
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Electromagnetism (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

본 출원의 실시예는 강한 대류기상을 예측하기 위한 방법 및 장치를 개시한다. 해당 방법의 일 구체적인 실시예는, 현재 레이더 에코맵의 서열을 획득하는 단계와 (여기서, 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열), 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성하는 단계와 (여기서, 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열), 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상의 강도예측도를 획득하는 단계(여기서, 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용됨)를 포함한다. 해당 실시예는 강한 대류기상 강도에 대한 예측 정확도를 향상시켰다.

Description

강한 대류기상을 예측하기 위한 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING SEVERE CONVECTION WEATHER}
본 출원의 실시예는 컴퓨터 기술 분야에 관한 것으로, 구체적으로는 강한 대류기상을 예측하기 위한 방법 및 장치에 관한 것이다.
강한 대류기상이란 단기간 내의 심한 강우, 뇌우, 토네이도, 우박 및 스콜 등 현상이 동반되는 재해성 기후를 말한다. 이러한 기상의 파괴력은 매우 강하며, 기상재해 중에서 지속시간이 짧고 기상변화가 심각하며 파괴성이 강한 재해성 기후이다. 강한 대류기상은 열대성 선풍, 지진, 홍수를 잇는 세계적으로 네 번째로 치명적인 재해성 기후로 간주되고 있다.
강한 대류기상은 모든 기상 유형에서 가장 예측하기 어렵다. 또한, 일반적인 기상 유형에 비해 연구자료로 사용될 만한 예시도 적어, 예측이 어렵다. 현재까지, 강한 대류기상의 예측방법으로는 주로 예측자에 의한 인공 예측이다. 즉, 경험이 풍부한 예측자가 최근의 레이더 에코맵을 추적하여, 레이더 에코맵 속 구름의 운동 특징에 대한 분석을 통하여 강한 대류기상을 예측하고 있다.
본원의 실시예는 강한 대류기상을 예측하기 위한 방법 및 장치를 제공한다.
본원의 실시예는 강한 대류기상을 예측하기 위한 방법을 제공하는바, 여기서 상기 방법은, 현재 레이더 에코맵의 서열을 획득하되, 여기서 상기 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열인 단계; 상기 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 형성하되, 여기서 상기 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열인 단계; 상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득하되, 여기서 상기 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용되는 단계;를 포함한다.
일부 실시예에 있어서, 상기 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 형성하는 단계는, 상기 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 상기 미래 레이더 에코맵의 서열을 획득하는 단계를 포함한다.
일부 실시예에 있어서, 상기 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 상기 미래 레이더 에코맵의 서열을 획득하기 이전에, 상기 방법은, 상기 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행하되, 여기서 상기 사전처리는 맑은하늘 에코 필터링, 효능상실 에코 필터링과 고정소음 필터링 중 적어도 한 가지를 포함하는 단계를 포함한다.
일부 실시예에 있어서, 상기 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행하는 단계는, 상기 현재 레이더 에코맵의 서열에서 현재 레이더 에코맵에 대하여, 현재 레이더 에코맵 중 기설정 화소값보다 낮은 화소점의 화소값을 기설정값으로 하는 단계를 포함한다.
일부 실시예에 있어서, 상기 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행하는 단계는, 결여된 현재 레이더 에코맵이 위치한 최소 기설정 시간대 내의 현재 레이더 에코맵을 상기 현재 레이더 에코맵의 서열에서 필터링하는 단계를 포함한다.
일부 실시예에 있어서, 상기 방법은, 상기 강한 대류기상 강도예측도가 주의보 조건을 충족하는지 확정하는 단계와, 상기 주의보 조건을 충족하는 경우 경보명령을 발송하는 단계를 더 포함한다.
일부 실시예에 있어서, 상기 강한 대류기상 예측모델은 제1 인코더와 제1 디코더를 포함하는바, 상기 제1 인코더는 컨볼루션 레이어와 언더샘플링 레이어를 포함하고, 상기 제1 디코더는 디컨볼루션 레이어와 업샘플링 레이어를 포함한다.
일부 실시예에 있어서, 강한 대류기상 예측모델은, 트레이닝 샘플을 획득하되, 여기서 상기 트레이닝 샘플은 역사 레이더 에코맵의 서열과 역사 강한 대류기상 강도실사도를 포함하는 단계; 딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계;를 거쳐서 획득한다.
일부 실시예에 있어서, 딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는, 상기 트레이닝 샘플의 역사 레이더 에코맵의 서열을 인풋으로 하고, 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함한다.
일부 실시예에 있어서, 딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는, 트레이닝 샘플 중의 역사 강한 대류기상 강도실사도에 기반하여 트레이닝 샘플의 역사 레이더 에코맵의 서열에 대하여 폭풍성숙도의 표기를 함으로써 푹풍성숙도 표기도 서열을 생성하는 단계와, 상기 폭풍성숙도 표기도 서열을 인풋으로 하고 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함한다.
일부 실시예에 있어서, 상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득한 이후에, 상기 방법은, 상기 미래 레이더 에코맵의 서열에 해당되는 강한 대류기상 강도실사도를 획득하는 단계와, 상기 미래 레이더 에코맵의 서열과 상기 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝 샘플을 생성하는 단계와, 상기 새로운 트레이닝 샘플에 기반하여 상기 강한 대류기상 예측모델에 대하여 트레이닝을 하여, 강한 대류기상 예측모델을 업데이트하는 단계를 더 포함한다.
일부 실시예에 있어서, 상기 레이더 에코추론 예측모델은 제2 인코더와 제2 디코더를 포함하는바, 제2 인코더는 컨볼루션 레이어, 장단기메모리와 언더샘플링 레이어를 포함하고, 제2 디코더는 디컨볼루션 레이어, 장단기메모리와 업샘플링 레이어를 포함한다.
본원의 실시예는 강한 대류기상을 예측하기 위한 장치를 제공하는바, 상기 장치는, 현재 레이더 에코맵의 서열을 획득하도록 구성되되, 여기서 상기 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열인 획득 유닛, 상기 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성하도록 구성되되, 여기서 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열인 생성 유닛, 상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득하도록 구성된 예측 유닛 - 여기서 상기 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용됨 - ;을 포함한다.
일부 실시예에 있어서, 상기 생성 유닛은, 상기 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 상기 미래 레이더 에코맵의 서열을 획득하도록 구성된 생성 서브유닛을 포함한다.
일부 실시예에 있어서, 상기 강한 대류기상 예측모델은 제1 인코더와 제1 디코더를 포함하는바, 상기 제1 인코더는 컨볼루션 레이어와 언더샘플링 레이어를 포함하고, 상기 제1 디코더는 디컨볼루션 레이어와 업샘플링 레이어를 포함한다.
일부 실시예에 있어서, 상기 강한 대류기상 예측모델은, 트레이닝 샘플을 획득하되, 여기서 상기 트레이닝 샘플은 역사 레이더 에코맵의 서열과 역사 강한 대류기상 강도실사도를 포함하는 단계; 딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계;를 거쳐서 획득한다.
일부 실시예에 있어서, 딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는, 상기 트레이닝 샘플의 역사 레이더 에코맵의 서열을 인풋으로 하고, 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함한다.
일부 실시예에 있어서, 딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는, 트레이닝 샘플 중의 역사 강한 대류기상 강도실사도에 기반하여 트레이닝 샘플의 역사 레이더 에코맵의 서열에 대하여 폭풍성숙도의 표기를 함으로써 푹풍성숙도 표기도 서열을 생성하는 단계와, 상기 폭풍성숙도 표기도 서열을 인풋으로 하고 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함한다.
일부 실시예에 있어서, 상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득한 이후에, 상기 미래 레이더 에코맵의 서열에 해당되는 강한 대류기상 강도실사도를 획득하는 단계와, 상기 미래 레이더 에코맵의 서열과 상기 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝 샘플을 생성하는 단계와, 상기 새로운 트레이닝 샘플에 기반하여 상기 강한 대류기상 예측모델에 대하여 트레이닝을 하여, 강한 대류기상 예측모델을 업데이트하는 단계를 더 포함한다.
일부 실시예에 있어서, 상기 레이더 에코추론 예측모델은 제2 인코더와 제2 디코더를 포함하는바, 제2 인코더는 컨볼루션 레이어, 장단기메모리와 언더샘플링 레이어를 포함하고, 제2 디코더는 디컨볼루션 레이어, 장단기메모리와 업샘플링 레이어를 포함한다.
본원의 실시예는 서버를 제공하는바, 상기 서버는 하나 또는 다수의 프로세서; 및 하나 또는 다수의 프로그램이 저장된 저장 장치;를 포함하되, 상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서에 의해 상기한 강한 대류기상을 예측하기 위한 방법을 실행한다.
본원의 실시예는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 매체를 제공하는바, 상기 프로그램이 프로세서에 의해 실행될 경우, 상기한 강한 대류기상을 예측하기 위한 방법이 구현된다.
우선, 현재 레이더 에코맵의 서열을 획득한다. 다음, 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생선한다. 마지막으로, 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득한다. 강한 대류기상 예측모델을 이용하여 강한 대류기상의 강도를 자동으로 예측하는 것은 전반적인 예측과정에 인위적 참여가 불필요하기 때문에, 인건비 원가를 줄일 뿐만 아니라 강한 대류기상의 예측정확도도 향상시켰다.
본 출원의 기타 특징, 과제 및 이점들은 아래의 첨부된 도면들을 참조하여 진행한 비 한정적인 실시예들에 대한 상세한 설명으로부터 명확해 질 것이다.
도 1은 본 출원의 일 실시예가 적용 가능한 예시적 시스템 체계구조도이다.
도 2는 본 출원에 따른 강한 대류기상을 예측하기 위한 방법의 일 실시예의 개략도이다.
도 3은 강한 대류기상 예측모델의 개략적 구조도이다.
도 4는 본 출원에 따른 강한 대류기상 예측모델을 트레이닝하기 위한 방법의 일 실시예의 흐름도이다.
도 5는 폭풍 발전과정의 개략도이다.
도 6은 본 출원에 따른 강한 대류기상을 예측하기 위한 방법의 다른 일 실시예의 흐름도이다.
도 7은 본 출원에 따른 강한 대류기상을 예측하기 위한 장치의 일 실시예의 개략적 구조도이다.
도 8은 본 출원의 실시예의 서버를 구현하기에 적합한 컴퓨터 시스템의 개략적 구조도이다.
이하, 첨부된 도면 및 실시예들을 결부하여 본 출원에 대한 보다 상세한 설명을 진행하기로 한다. 여기에 설명되는 구체적인 실시예들은 단지 관련된 발명을 해석하기 위한 것일 뿐, 해당 발명을 한정하기 위한 것이 아님을 이해할 수 있을 것이다. 또한, 설명의 편의를 위해 첨부된 도면에는 단지 관련 발명에 관한 부분만이 도시된다.
본 출원의 실시예 및 실시예 중의 특징들은 모순되지 않는 한 서로 조합될 수 있다. 이하, 첨부된 도면을 참조하고 실시예들을 결부하여 본 출원에 대한 상세한 설명을 진행하기로 한다.
도 1은 본 출원의 실시예가 적용 가능한 강한 대류기상을 예측하기 위한 방법 또는 강한 대류기상을 예측하기 위한 장치의 예시적 시스템 체계구조(100)를 나타낸다.
도 1에 도시된 바와 같이, 시스템 체계구조(100)는 기상 레이더(101), 네트워크(102) 및 서버(103)를 포함할 수 있다. 네트워크(102)는 기상 레이더(101)와 서버(103) 사이에서 통신 링크를 제공하는 매체로 이용될 수 있다. 네트워크(102)는 예컨대 유선 통신 링크, 무선 통신 링크 또는 광섬유 케이블 등과 같은 다양한 연결 유형을 포함할 수 있다.
기상 레이더(101)는 지향성 안테나, 송신기, 수신기, 안테나 컨트롤러, 디스플레이 및 촬영장비, 컴퓨터 및 이미지 전송 등으로 구성될 수 있다. 기상 레이더(101)의 송신기 전자기파는 전파 과정에서 구름층을 만나고, 구름층은 전자기파를 반사 및 난반사하고, 수신기는 반사, 난반사된 일부 전자기파를 수신하고, 컴퓨터는 수신된 전자기파의 강도에 기반하여 레이더 에코맵을 생성하며, 이미지 전송은 레이더 에코맵을 서버(103)로 전송한다.
서버(103)는 다양한 서비스를 제공하는 서버일 수 있으며, 예컨대, 강한 대류기상을 예측하는 서버일 수가 있다. 강한 대류기상을 예측하는 서버는 획득한 현재 레이더 에코맵의 서열 등 데이터에 대해 분석 등 처리를 진행하여, 처리결과 (예컨대, 강한 대류기상의 강도예측도)를 생성할 수 있다.
서버(103)는 하드웨어일 수 있으며, 소프트웨어일 수도 있다. 서버(103)가 하드웨어일 경우, 다수의 서버로 구성된 분산형 서버 클러스트로 구현될 수 있으며, 또는 단일 서버로 구현될 수도 있다. 서버(103)가 소프트웨어일 경우, (예를 들어, 분산형 서비스를 제공하기 위한) 다수의 소프트웨어 또는 소프트웨어 모듈로 구현될 수 있으며, 단일 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있다. 여기서 이에 대한 구체적인 한정을 진행하지 않는다.
본 출원의 실시예에서 제공하는 강한 대류기상을 예측하기 위한 방법은 일반적으로 서버(103)에 의해 실행될 수 있다. 따라서, 강한 대류기상을 예측하기 위한 장치는 일반적으로 서버(103)에 설치된다.
도 1 중의 기상 레이더, 네트워크 및 서버의 수량은 단지 개략적인 것이며, 구현 수요에 따라, 임의의 수량의 기상 레이더, 네트워크 및 서버가 구비될 수 있음을 이해하여야 한다.
이어서, 도 2를 참조하면, 도 2는 본 출원에 따른 강한 대류기상을 예측하기 위한 방법의 일 실시예의 흐름(200)을 나타낸다. 해당 강한 대류기상을 예측하기 위한 방법은 아래와 같은 단계를 포함할 수 있다.
단계(201)에서, 현재 레이더 에코맵의 서열을 획득한다.
본 실시예에 있어서, 강한 대류기상을 예측하기 위한 방법의 실행 주체(예컨대, 도 1에 도시된 서버(103))는 기상 레이더 (예컨대, 도 1에 도시된 기상 레이더(101))에서 현재 레이더 에코맵의 서열을 획득할 수 있다. 여기서, 현재 레이더 에코맵의 서열은 현 시간대 내의 레이더 에코맵의 서열일 수가 있다. 통상적으로, 현재 레이더 에코맵의 서열은 현 시간대에서 기설정된 시간 간격에 한번씩 수집된 것일수 있다. 현재까지 기상 레이더는 6분에 한번씩 레이더 에코맵을 수집할 수 있다. 예를 들어, 현재 레이더 에코맵의 서열은 기상 레이더가 최근 시간 내 6분에 한번씩 수집한 총 10번의 레이더 에코맵을 포함할 수 있다.
실천속에서, 레이더 에코의 강도는 db(데시벨)로 표시할 수 있다. 레이더 에코맵의 화소값과 레이더 에코의 강도 간에는 일정 관계가 존재한다. 통상적으로, 레이더 에코맵의 화소값은 레이더 에코의 강도에 2를 곱한 후 66을 더한 값이다.
단계(202)에서, 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성한다.
본 실시예에 있어서, 위 실행 주체는 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 예측할 수 있다. 예를 들어, 위 실행 주체는 현재 레이더 에코맵의 서열에 대하여 에코추론 연산을 하여, 미래 레이더 에코맵의 서열을 획득할 수 있다. 여기서, 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열일 수 있다. 예컨대, 미래 레이더 에코맵의 서열은 미래 시간대 내 6분에 1회로 구성된 레이더 에코맵을 포함할 수 있다.
단계(203)에서, 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여, 강한 대류기상의 강도예측도를 획득한다.
본 실시예에 있어서, 위 실행 주체는 미래 레이더 에코맵의 서열을 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득할 수 있다. 여기서, 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용될 수 있는바, 이는 레이더 에코맵의 서열과 강한 대류기상의 강도 간의 대응관계를 지시한다.
통상적으로, 강한 대류기상은 심한 강우, 천둥번개, 대풍, 우박 등 여러 현상이 동반되기 때문에, 강한 대류기상 예측모델은 강한 대류기상과 동반되는 각종 현상의 강도를 예측하는 모델을 포함할 수 있다. 예컨대, 강한 대류기상 예측모델은 심한 강우 예측모델, 천둥번개 예측모델, 대풍 예측모델, 우박 예측모델 등 여러 모델로 구성될 수 있다. 여기서, 심한 강우 예측모델은 심한 강우의 강도를 예측하는데 사용될 수 있고, 천둥번개 예측모델은 천둥번개의 강도를 예측하는데 사용될 수 있으며, 대풍 예측모델은 대풍의 강도를 예측하는데 사용될 수 있고, 우박 예측모델은 우박의 강도를 예측하는데 사용될 수 있다. 위 실행 주체는 미래 레이더 에코맵의 서열을 심한 강우 예측모델, 천둥번개 예측모델, 대풍 예측모델, 우박 예측모델에 각각 입력하여 심한 강우 강도예측도, 천둥번개 강도예측도, 대풍 강도예측도와 우박 강도예측도 등 여러 예측도를 획득할 수 있다.
본 실시예에 있어서, 강한 대류기상 예측모델은 여러 방식의 트레이닝을 통하여 획득할 수 있다.
본 실시예의 일부 선택 가능한 구현에 있어서, 위 실행 주체는 대량의 역사 레이더 에코맵의 서열 및 대응되는 역사 강한 대류기상의 강도실사도를 사전 수집하여, 이들을 저장하여 대응관계표를 생성한 후, 이를 강한 대류기상 예측모델로 할 수 있다. 미래 레이더 에코맵의 서열을 생성한 후, 위 실행 주체는 미래 레이더 에코맵의 서열과 대응관계표 중 각 역사 레이더 에코맵의 서열 간의 유사도를 계산할 수 있다. 다음, 계산된 유사도에 기반하여 대응관계표로부터 강한 대류기상 강도예측도를 확정할 수 있다. 예를 들면, 위 실행 주체는 대응관계표에서 미래 레이더 에코맵의 서열과의 유사도가 가장 높은 역사 레이더 에코맵의 서열에 해당되는 역사 강한 대류기상 강도실사도를 선택한 후, 이를 강한 대류기상 강도예측도로 할 수 있다.
본 실시예의 일부 선택 가능한 구현에 있어서, 강한 대류기상 예측모델은 기계학습방법과 트레이닝 샘플을 이용하여 기존의 기계 학습모델에 대하여 감독과 트레이닝을 통하여 획득할 수 있다. 통상적으로, 강한 대류기상 예측모델은 인코더-디코더(Encoder-Decoder)모델을 사용할 수 있다. 도 3은 강한 대류기상 예측모델의 개략적 구조도이다. 구체적으로 설명하자면, 강한 대류기상 예측모델은 제1 인코더와 제1 디코더를 포함할 수 있다. 제1 인코더는 컨볼루션 레이어(Convolutional Layer)와 언더샘플링 레이어(Undersampling Layer, Pooling Layer)를 포함할 수 있다. 컨볼루션 레이어와 언더샘플링 레이어를 통하여 언더샘플링 레이어의 공간 차원을 점차 감소시켜 전체 특징을 추출한 후, 규모 단일화를 통하여 특징 공간정보의 단일화를 완성시킨다. 제1 디코더는 디컨볼루션 레이어(Deconvolution Layer)와 업샘플링(Upsampling)을 포함할 수 있다. 디컨볼루션 레이어와 업샘플링 레이어를 통하여 타깃 디테일과 공간차원을 점차 회복시킨다. 제1 인코더와 제1 디코더 간에는 통상 단축연결이 존재하는데, 이는 제1 디코더로 하여금 타깃 디테일을 보다 잘 회복하도록 할 수 있다. 강한 대류기상 예측모델은 완전 컨볼루션 네트워크(Fully Convolution Network)에 속한 것으로, 입력과 출력 모두 이미지 형태인 바, 완전연결레이어(Fully Connected Layer)가 없다. 비교적 옅은 HD 레이어는 화소 로케이션 문제를 해결하는데 사용되고, 비교적 깊은 레이어는 강한 대류기상 등급문제를 해결하는데 사용된다. 시간과 공간의 연관성을 융합함으로써 연상의 양을 효율적으로 감소시켰다.
본 실시예의 일부 선택 가능한 구현에 있어서, 위 실행 주체는 강한 대류기상 강도예측도가 주의보 조건을 충족하는지 여부를 확정할 수도 있다. 주의보 조건을 충족하는 경우, 위 실행 주체는 경보명령을 발송한다. 통상적으로, 강한 대류기상 강도예측도에 의하여 강한 대류기상의 강도가 높다고 지시되는 경우, 위 실행 주체는 경보장치에 경보명령을 전송할 수 있다. 이로써, 경보장치는 경보음을 울려 적절한 예방조치를 취하여 강한 대류기상에 대비할 수 있도록 알림을 전송할 수 있다.
본 실시예에서 제공하는 강한 대류기상을 예측하기 위한 방법은 현재 레이더 에코맵의 서열을 획득하는 단계와, 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성하는 단계, 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상의 강도예측도를 획득하는 단계로 구성되는 바, 강한 대류기상 예측모델을 이용하여 강한 대류기상의 강도를 자동으로 예측하는 것으로, 전반적인 예측과정에 인위적 참여가 불필요하기 때문에 인건비 원가를 줄일 뿐만 아니라 강한 대류기상의 예측정확도도 향상시켰다.
이어서 도 4를 참조하면, 도 4는 강한 대류기상 예측모델을 트레이닝하기 위한 방법의 일 실시예의 흐름도(400)이다. 해당 강한 대류기상 예측모델을 트레이닝하기 위한 방법은 아래와 같은 단계들을 포함한다.
단계(401)에서, 트레이닝 샘플을 획득한다.
본 실시예에 있어서, 강한 대류기상 예측모델을 트레이닝하기 위한 방법의 실행 주체 (예컨대, 도 1에 도시된 서버(103))는 대량의 역사 레이더 에코맵의 서열 및 대응되는 역사 강한 대류기상의 강도실사도를 수집하여, 이를 트레이닝 샘플로 할 수 있다. 여기서, 각 트레이닝 샘플은 역사 레이더 에코맵의 서열과 대응되는 역사 강한 대류기상 강도실사도를 포함할 수 있다.
단계(402)에서, 딥러닝 방법을 사용하여 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여, 강한 대류기상 예측모델을 획득한다.
본 실시예에 있어서, 위 실행 주체는 딥러닝 방법을 사용하여 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여, 강한 대류기상 예측모델을 획득할 수 있다.
본 실시예의 일부 선택 가능한 구현에 있어서, 위 실행 주체는 트레이닝 샘플의 역사 레이더 에코맵의 서열을 인풋으로 하고, 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득할 수 있다. 여기서, 예측모델을 인코더-디코더 (Encoder-Decoder)모델을 사용할 수 있는바, 이는 트레이닝을 거치지 않은, 또는 트레이닝이 완성되지 못한 모델이다. 예측모델의 각 레이어는 초기 계수를 설정할 수 있고 계수는 트레이닝 과정에서 지속적으로 조정될 수 있다.
본 실시예의 일부 선택 가능한 구현에 있어서, 위 실행 주체는 먼저 트레이닝 샘플 중의 역사 강한 대류기상 강도실사도에 기반하여 트레이닝 샘플의 역사 레이더 에코맵의 서열에 대하여 폭풍성숙도의 표기를 함으로써 푹풍성숙도 표기도 서열을 생성할 수 있다. 다음, 폭풍성숙도 표기도 서열을 인풋으로 하고 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득할 수 있다. 통상적으로, 폭풍에는 적운단계, 성숙단계와 소멸단계, 세 개의 다른 변천단계를 가진다. 일반적으로, 폭풍은 상대적으로 안정적인 상태에서 한 시간 이상 지속될 수 있기 때문에 폭풍성숙도 데이터를 이용하여 강한 대류기상에 대한 예측을 효율적으로 진행할 수 있다. 도 5는 폭풍 발전과정의 개략도인 바, 폭풍이 지속적으로 응집하고 커지고 있다. 첫 번째 그림에서 폭풍은 아직 형성 전이고, 두 번째 그림에서 폭풍은 응집되어 발전 중이며, 세 번째 그림에서 폭풍은 이미 성숙된 상태이고, 마지막 그림에서 폭풍은 폭풍우로 발전하였다. 앞 두개의 그림 중 아직 성숙되지 않은 폭풍의 성장 특징으로부터 미래 시간대 (예컨대 30분 후)에 강한 대류기상이 예고됨을 판단할 수 있다.
여기서, 폭풍성숙도의 표기 과정은 두 부분으로 나눌 수 있다. 먼저 경보장비를 통하여 역사 강한 대류기상이 발생한 시간 위치를 획득한 후, 다음 구역분할계산법을 통하여 역사 레이더 에코맵의 해당 폭풍을 찾아 검출추적계산법을 이용하여 해당 폭풍의 운동궤적을 추적하고, 운동궤적에 따라 각 시각의 폭풍의 성숙도를 표기한다.
강한 대류기상 예측모델은 임의의 규격 및 채널의 데이터 입력을 지원한다. 또한, 강한 대류기상 예측모델은 예컨대 레이더 에코데이터, 고도장과 바람장 등 임의의 장의 데이터 등 각종 입력데이터를 유효적으로 호환시킬 수 있고, 기존의 역사데이터에 대한 데이터 재분석 및 데이터예측제품에서 예측한 데이터를 사용할 수도 있다. 동시에, 강한 대류기상 예측모델은 각종 시간적 차원의 입력데이터를 적용할 수 있는바, 이에는 시간 간격이 동일한 입력출력 데이터와 시간 간격이 다른 입력출력데이터를 포함한다. 입력출력의 시간 간격이 서로 다른 경우는 심한 강우 예측모델을 예시로 들 수 있다. 일반적으로, 레이더 에코맵의 시간 간격은 6분이다. 심한 강우 예측모델은 6분 간격의 레이더 에코맵 10장을 입력 데이터로 할 수 있는바, 이 중 각 시각의 모델 계수는 서로 공유될 수 있고, 누적하여 해당 시간당 강우예측데이터를 획득할 수 있다. 그 다음, 시간당 강우의 실제데이터와의 차이값에 따라 모델 계수를 조정할 수 있다.
이어서, 도 6을 참조하면, 도 6은 본 출원에 따른 강한 대류기상을 예측하기 위한 방법의 다른 일 실시예의 흐름도(600)이다. 해당 강한 대류기상을 예측하기 위한 방법은 아래와 같은 단계를 포함할 수 있다.
단계(601)에서, 트레이닝 샘플을 획득한다.
단계(602)에서, 딥러닝 방법을 사용하여 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여, 강한 대류기상 예측모델을 획득한다.
본 실시예에 있어서, 단계(601-602)의 구체적인 조작은 도 2의 해당 실시예의 단계(401-402)를 참고할 수 있으므로, 이에 대한 중복된 설명은 생략하기로 한다.
단계(603)에서, 현재 레이더 에코맵의 서열을 획득한다.
본 실시예에 있어서 단계(603)의 구체적인 조작은 도 2의 해당 실시예의 단계(201)를 참고할 수 있으므로, 이에 대한 중복된 설명은 생략하기로 한다.
단계(604)에서, 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행한다.
본 실시예에 있어서, 강한 대류기상을 예측하기 위한 방법의 실행 주체(예컨대 도 1에 도시된 서버(103))는 현재 레이더 에코맵의 서열에 대하여 사전처리를 할 수 있다. 여기서, 사전처리는 맑은하늘 에코 필터링, 효능상실 에코 필터링과 고정소음 필터링 등을 포함하나 이에 한정하지 않는다.
본 실시예의 일부 선택 가능한 구현에 있어서, 맑은 하늘 에코의 강도는 일반적으로 기설정한 강도역치에 비해 낮기 때문에, 맑은 하늘 에코의 화소점의 화소값도 기설정한 화소역치보다 낮게 된다. 여기서, 기설정한 화소역치와 기설정한 강도역치 간에는 일정 관계가 존재한다. 통상적으로, 기설정한 화소역치는 기설정한 강도역치에 2를 곱한 후 66을 더한 값이다. 이 때, 현재 레이더 에코맵의 서열에서의 현재 레이더 에코맵에 대하여, 위 실행 주체는 현재 레이더 에코맵 중 기설정 화소값보다 낮은 화소점의 화소값을 기설정값으로 할 수 있다. 예컨대, 기설정한 화소값보다 낮은 화소점의 화소값을 0으로 설정하는 것이다.
본 실시예의 일부 선택 가능한 구현에 있어서, 현재 레이더 에코맵의 서열이 현재 시간대에서 기설정한 시간 간격을 두고 수집한 것이므로, 현재 레이더 에코맵의 서열에 현재 레이더 에코맵이 결여되는 경우, 결여된 현재 레이더 에코맵 근처의 현재 레이더 에코맵도 효능을 상실하게 된다. 따라서, 위 실행 주체는 결여된 현재 레이더 에코맵이 위치한 최소 기설정 시간대 내의 현재 레이더 에코맵을 현재 레이더 에코맵의 서열에서 필터링 할 수 있다.
단계(605)에서, 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여, 미래 레이더 에코맵의 서열을 획득한다.
본 실시예에 있어서, 위 실행 주체는 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여, 미래 레이더 에코맵의 서열을 획득할 수 있다. 여기서, 레이더 에코추론 예측모델은 미래 레이더 에코맵의 서열을 예측하는데 사용될 수 있다.
본 실시예에 있어서, 레이더 에코추론 예측모델은 각종 방식의 트레이닝을 통하여 획득할 수 있다. 예컨대 레이더 에코추론 예측모델은 기계학습방법과 트레이닝 샘플을 이용하여 기존의 기계 학습모델에 대하여 감독과 트레이닝을 통하여 획득할 수 있다. 레이더 에코추론 예측모델은 인코더-디코더(Encoder-Decoder)모델을 사용할 수 있다. 예컨대, 레이더 에코추론 예측모델은 제2 인코더와 제2 디코더를 포함할 수 있다. 제2 인코더는 컨볼루션 레이어(Convolutional Layer), 장단기메모리 (Long Short Term Memory)와 언더샘플링 레이어(Undersampling Layer, Pooling Layer)를 포함할 수 있다. 제2 디코더는 디컨볼루션 레이어(Deconvolution Layer), 장단기메모리 (Long Short Term Memory)와 업샘플링(Upsampling)을 포함할 수 있다.
단계(606)에서, 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여, 강한 대류기상의 강도예측도를 획득한다.
본 실시예에 있어서, 단계(606)의 구체적인 조작은 도 2의 해당 실시예의 단계(203)를 참고할 수 있으므로, 이에 대한 중복된 설명은 생략하기로 한다.
단계(607)에서, 미래 레이더 에코맵의 서열에 해당되는 강한 대류기상 강도실사도를 획득한다.
본 실시예에 있어서, 시간이 미래 레이더 에코맵의 서열에 해당되는 시각으로 흘렀을 때, 위 실행 주체는 해당 시각의 강한 대류기상 강도도, 즉 강한 대류기상 강도실사도를 획득할 수 있게 된다.
단계(608)에서, 미래 레이더 에코맵의 서열과 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝 샘플을 생성한다.
본 실시예에 있어서, 위 실행 주체는 미래 레이더 에코맵의 서열과 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝샘플을 생성할 수 있다.
단계(609)에서, 새로운 트레이닝 샘플에 기반하여 강한 대류기상 예측모델에 대하여 트레이닝을 하여, 강한 대류기상 예측모델을 업데이트한다.
본 실시예에 있어서, 위 실행 주체는 새로운 트레이닝 샘플을 이용하여 강한 대류기상 예측모델에 대하여 지속적인 트레이닝을 하여 강한 대류기상 예측모델의 계수를 업데이트하여, 새로운 강한 대류기상 예측모델을 획득할 수 있다. 여기서, 실시간으로 획득한 데이터에 의거한 온라인학습과 모델에 대한 업데이트는 모델이 서로 다른 위치에서 콜드스타트 (Cold Start)하는 것을 예방할 수 있고, 구름층의 운동변화 등을 효율적으로 사용하지 못하는 것 또한 예방할 수 있다. 또한 강한 대류기상 강도에 대한 예측정확도도 한층 업그레이드하는데에도 도움을 준다.
도 6에서 볼 수 있듯, 도 2에 도시된 실시예와 비교할 때, 본 실시예의 강한 대류기상을 예측하기 위한 방법의 흐름(600)에서는 현재 레이더 에코맵의 서열에 대한 사전처리단계와 강한 대류기상 예측모델에 대한 온라인 업데이트단계를 추가하였다. 이로써, 본 실시예에서 설명하는 방법은 맑은 하늘 에코, 효능상실 에코, 고정소음 등이 예측결과에 영향을 미치는 것을 예방할 수 있을 뿐만 아니라, 모델이 다른 위치에서 콜드스타트 하는 것도 예방할 수 있으며, 구름층의 운동변화 등을 효율적으로 사용하지 못하는 것 또한 예방할 수 있다. 또한 강한 대류기상 강도에 대한 예측정확도도 한층 업그레이드하는데에도 도움을 준다.
이어서, 도 7을 참고하면, 도 7은 위 각 도에 도시된 방법의 구현으로써, 본 출원은 강한 대류기상을 예측하기 위한 장치의 일 실시예를 개시하였다. 해당 장치의 실시예는 도 2에 도시된 방법 실시예에 대응되며, 해당 장치는 구체적으로 다양한 전자 장치에 적용될 수 있다.
도 7에 도시된 바와 같이, 본 실시예의 강한 대류기상을 예측하기 위한 장치(700)에는, 획득 유닛(701), 생성 유닛(702)과 예측 유닛(703)이 포함된다. 여기서, 획득 유닛(701)은 현재 레이더 에코맵의 서열을 획득하도록 구성되었는바, 여기서, 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열이다. 생성 유닛(702)은 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성하도록 구성되었는바, 여기서, 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열이다. 예측 유닛(703)은 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득하도록 구성되었는바, 여기서, 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용된다.
본 실시예에 있어서, 강한 대류기상을 예측하기 위한 장치(700)에서, 획득 유닛(701), 생성 유닛(702)과 예측 유닛(703)의 구체적인 처리 및 그 기술적 효과는 도 2의 해당 실시예의 단계(201), 단계(202), 및 단계(203)를 참고할 수 있으므로, 이에 대한 중복된 설명은 생략하기로 한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 생성 유닛(702)에는, 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 미래 레이더 에코맵의 서열을 획득하도록 구성된 생성 서브유닛 (도시되지 않음)이 포함된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 생성 유닛(702)에는 또, 현재 레이더 에코맵의 서열에 대하여 사전치리를 하도록 구성된 사전처리 서브유닛 (도시되지 않음)이 포함된다. 여기서, 사전처리에는 맑은하늘 에코 필터링, 효능상실 에코 필터링과 고정소음 필터링 중 적어도 한 가지를 포함한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 사전처리 서브유닛은 진일보로, 현재 레이더 에코맵 서열에서의 현재 레이더 에코맵에 대하여, 현재 레이더 에코맵 중 기설정 화소값보다 낮은 화소점의 화소값을 기설정값으로 설정하도록 구성되었다.
본 실시예의 일부 선택 가능한 구현에 있어서, 사전처리 서브유닛은 진일보로, 결여된 현재 레이더 에코맵이 위치한 최소 기설정 시간대 내의 현재 레이더 에코맵을 현재 레이더 에코맵의 서열에서 필터링하도록 구성되었다.
본 실시예의 일부 선택 가능한 구현에 있어서, 강한 대류기상을 예측하기 위한 장치(700)에는 또, 강한 대류기상 강도예측도가 주의보 조건을 충족하는지 여부를 확정하도록 구성된 확정 유닛(도시되지 않음)과, 주의보 조건을 충족하는 경우 경보명령을 전송하도록 구성된 경보 유닛(도시되지 않음)이 포함된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 강한 대류기상 예측모델에는 제1 인코더와 제1 디코더가 포함되는바, 제1 인코더에는 컨볼루션 레이어와 언더샘플링 레이어가 포함되고, 제1 디코더에는 디컨볼루션 레이어와 업샘플링 레이어가 포함된다.
본 실시예의 일부 선택 가능한 구현에 있어서, 강한 대류기상 예측모델은 다음의 단계의 트레이닝을 통하여 획득할 수 있다. 트레이닝 샘플 획득단계 (여기서, 트레이닝 샘플은 역사 레이더 에코맵의 서열과 역사 강한 대류기상 강도실사도를 포함) 및 딥러닝 방법을 사용하여 트레이닝 샘플에 기반하는 등 단계의 트레이닝을 통하여, 예측모델에 대하여 트레이닝을 진행한 후 강한 대류기상 예측모델을 획득한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 딥러닝 방법을 사용하여 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행한 후 강한 대류기상 예측모델을 획득하는 것에는, 트레이닝 샘풀 중의 역사 레이더 에코맵의 서열을 인풋으로 하고, 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 것을 포함한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 딥러닝 방법을 사용하여 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행한 후 강한 대류기상 예측모델을 획득하는 것에는, 트레이닝 샘플 중의 역사 강한 대류기상 강도실사도에 기반하여 트레이닝 샘플의 역사 레이더 에코맵의 서열에 대하여 폭풍성숙도의 표기를 함으로써 푹풍성숙도 표기도 서열을 생성하는 단계와, 폭풍성숙도 표기도 서열을 인풋으로 하고 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득한 후에는 또, 미래 레이더 에코맵의 서열에 해당되는 강한 대류기상 강도실사도를 획득하는 단계, 미래 레이더 에코맵의 서열과 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝 샘플을 생성하는 단계, 새로운 트레이닝 샘플에 기반하여 강한 대류기상 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 업데이트하는 단계를 포함한다.
본 실시예의 일부 선택 가능한 구현에 있어서, 레이더 에코추론 예측모델에는 제2 인코더와 제2 디코더가 포함되는바, 제2 인코더에는 컨볼루션 레이어, 장단기메모리와 언더샘플링 레이어가 포함되고, 제2 디코더에는 디컨볼루션 레이어, 장단기메모리와 업샘플링 레이어가 포함된다.
아래에 도 7을 참조하면, 도 8은 본 출원의 실시예의 서버(예컨대, 도1에 도시된 서버(103))를 구현하기에 적합한 컴퓨터 시스템(800)의 개략적 구조도를 나타낸다. 도 8에 도시된 서버는 단지 일 예시일 뿐, 본 출원의 실시예의 기능 및 이용 범위를 한정하기 위한 것이 아니다.
도 8에 도시된 바와 같이, 컴퓨터 시스템(800)은 중앙 처리 유닛(801; CPU)을 포함하되, 이는 판독 전용 메모리 장치(802; ROM)에 저장된 프로그램 또는 저장부(808)로부터 랜덤 액세스 메모리 장치(803; RAM)에 로딩된 프로그램에 의해 다양한 적당한 동작과 처리를 실행할 수 있다. RAM(803)에는 시스템(800)을 작동하기에 필요한 각종 프로그램 및 데이터가 더 저장되어 있다. CPU(801), ROM(802) 및 RAM(803)은 버스(804)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(805)도 버스(804)에 연결된다.
I/O 인터페이스(805)에 연결되는 부재로서, 키보드, 마우스 등을 포함하는 입력부(806)와, 예를 들어 음극선관(CRT), 액정 표시 장치(LCD) 등 및 스피커 등을 포함하는 출력부(807)와, 하드 드라이버 등을 포함하는 저장부(808)와, 예를 들어 LAN 카드, 모뎀 등의 네트워크 인터페이스 카드를 포함하는 통신부(809)가 포함된다. 통신부(809)는 인터넷과 같은 네트워크를 통해 통신처리를 실행한다. 구동부(810)도 수요에 따라 I/O 인터페이스(805)에 연결된다. 자기 디스크, 광 디스크, 광자기 디스크, 반도체 메모리 장치 등과 같은 착탈 가능한 매체(811)는 이러한 매체로부터 판독된 컴퓨터 프로그램을 수요에 따라 저장부(808)에 설치하도록 수요에 따라 구동부(810)에 설치된다.
특히, 본 출원에 개시된 실시예에 의하면, 흐름도를 참조하여 설명한 상기 과정들은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 예를 들어, 본 출원에 개시된 실시예는 컴퓨터 프로그램 제품을 포함하고, 상기 컴퓨터 프로그램 제품은 컴퓨터 판독 가능한 매체에 적재되는 컴퓨터 프로그램을 포함한다. 해당 컴퓨터 프로그램은 흐름도에 도시된 방법을 실행하기 위한 컴퓨터 코드를 포함한다. 이러한 실시예에 있어서, 해당 컴퓨터 프로그램은 통신부(809)를 경유하여 네트워크로부터 다운로드되어 설치될 수 있고 및/또는 착탈 가능한 매체(811)로부터 설치될 수 있다. 해당 컴퓨터 프로그램이 중앙 처리 유닛(801)에 의해 실행될 경우, 본 출원의 방법에 한정된 상기 기능을 실행한다.
본 출원에 상술한 컴퓨터 판독 가능한 매체는 컴퓨터 판독 가능한 신호 매체 또는 컴퓨터 판독 가능한 저장 매체 또는 상술한 양자의 임의의 조합일 수 있다. 컴퓨터 판독 가능한 저장 매체는 예컨대 전기, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 소자, 또는 이들의 임의의 조합일 수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능한 저장 매체의 보다 구체적인 예시로서, 하나 또는 다수의 와이어를 구비하는 전기적 연결, 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 및 프로그래밍 가능한 판독 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 콤팩트 디스크 판독 전용 메모리(CD-ROM), 광학 메모리 소자, 자기 메모리 소자, 또는 이들의 임의의 적합한 조합을 포함할 수 있으나, 이에 한정되지 않는다. 본 출원에 있어서, 컴퓨터 판독 가능한 저장 매체는 프로그램을 포함하거나 저장하는 유형 매체일 수 있고, 해당 프로그램은 명령 실행 시스템, 장치 또는 소자에 의해 사용되거나 이들과 결합되어 사용될 수 있다. 그러나 본 출원에 있어서, 컴퓨터 판독 가능한 신호 매체는 컴퓨터 판독 가능한 프로그램 코드를 적재한 베이스 밴드 또는 캐리어의 일부로서 전파되는 데이터에 포함될 수 있다. 이렇게 전파되는 데이터 신호는 전자기 신호, 광 신호 또는 이들의 임의의 적합한 조합을 포함하는 다양한 형식을 이용할 수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능한 신호 매체는 컴퓨터 판독 가능한 저장 매체 이외의 임의의 컴퓨터 판독 가능한 매체일 수도 있으며, 해당 컴퓨터 판독 가능한 매체는 명령 실행 시스템, 장치 또는 소자의해 사용되거나 이들과 결합되어 사용되는 프로그램을 전송하거나, 전파 또는 전송할 수 있다. 컴퓨터 판독 가능한 매체에 포함된 프로그램 코드는 무선, 유선, 광섬유 케이블, RF 등, 또는 이들의 임의의 적합한 조합을 포함하는 임의의 적당한 매체로 전송할 수 있으나, 이에 한정되지 않는다.
한 개 또는 여러 개의 프로그램 설계언어 또는 그 조합으로 본 출원의 실시예의 동작을 실행하기 위한 컴퓨터 프로그램 코드를 편집할 수 있으며, 상기 프로그램 설계언어는 예컨대 Java, Smalltalk, C++을 포함한 오브젝트 지향 프로그래밍 언어와, 예컨대 "C" 언어 또는 유사한 프로그램 설계언어를 포함한 상용의 과정식 프로그램 설계언어를 포함한다. 프로그램 코드는 완전히 사용자의 컴퓨터상에서 실행할 수 있고, 일부분 사용자의 컴퓨터에서 실행할 수도 있으며, 한 개의 독립적인 소프트웨어 패키지로서 실행할 수도 있고, 일부는 사용자의 컴퓨터에서 일부는 원격컴퓨터상에서 실행할수도 있고, 또는 완전히 원격 컴튜터 또는 서버에서 실행할 수도 있다. 원격컴퓨터에 관련된 경우, 원격컴퓨터는 로컬 네트워크(LAN) 또는 광역네트워크(WAN)를 포함하는 임의의 종류의 네트워크를 통하여 사용자 컴퓨터에 접속할 수도 있고, 또는 외부 컴퓨터에도 접속할 수 있다(예를 들면, 인터넷 서비스 제공자를 이용하여 인터넷을 통해 접속).
첨부된 도면 중의 흐름도 및 블록도는 본 출원의 각 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 구현 가능한 체계구조, 기능 및 조작을 도시하였다. 이러한 방면에서, 흐름도 또는 블록도 중의 각 블록은 하나의 모듈, 프로그램 세그먼트 또는 코드의 일부분을 대표할 수 있고, 해당 모듈, 프로그램 세그먼트 또는 코드의 일부분은 규정된 로직 기능을 구현하기 위한 하나 또는 다수의 실행 가능한 명령을 포함한다. 일부 대체 구현에 있어서, 블록에 표기된 기능들은 첨부된 도면에 표기된 순서와 다른 순서로 실행될 수도 있다. 예를 들어, 순차적으로 표시된 두개의 블록은 실제적으로 거의 동시에 실행될 수 있고, 경우에 따라 반대된 순서에 따라 실행될 수도 있으며, 이는 관련된 기능에 따라 결정된다. 블록도 및/또는 흐름도 중의 각 블록 및 블록도 및/또는 흐름도 중의 블록들의 조합은 규정된 기능 또는 조작을 실행하는 하드웨어 기반의 전용 시스템으로 구현되거나, 전용 하드웨어와 컴퓨터 명령의 조합으로 구현될 수 있음을 유의하여야 한다.
본 출원의 실시예에 설명된 관련된 유닛은 소프트웨어 방식으로 구현될 수 있으며, 하드웨어 방식으로 구현될 수도 있다. 설명된 유닛은 프로세서에 설치될 수 있으며, 예컨대, 하나의 프로세서는 획득 유닛, 생성 유닛과 예측 유닛을 포함하는 것으로 설명할 수 있다. 여기서, 이러한 유닛의 명칭은 일부의 경우에 해당 유닛 자체에 대한 한정을 구성하지 않으며, 예컨대, 획득 유닛은 “현재 레이더 에코맵의 서열을 획득하는 유닛”으로 설명될 수도 있다.
다른 일 양태에 있어서, 본 출원은 컴퓨터 판독 가능한 매체를 더 제공하며, 해당 컴퓨터 판독 가능한 매체는 상기 실시예에 설명된 장치에 포함된 것일 수 있으며, 해당 장치에 조립되지 않고 독립적으로 존재할 수도 있다. 상기 컴퓨터 판독 가능한 매체에는 하나 또는 다수의 프로그램이 적재되고, 상기 하나 또는 다수의 프로그램이 해당 장치에 의해 실행될 경우, 해당 장치로 하여금, 현재 레이더 에코맵의 서열을 획득하고 (여기서, 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열), 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성하며 (여기서, 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열), 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상의 강도예측도를 획득하도록 한다(여기서, 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용됨).
이상의 설명은 단지 본 출원의 비교적 바람직한 실시예 및 운용한 기술적 원리에 대한 설명이다. 본 출원에 관련된 발명의 범위가 상기 기술적 특징들의 특정 조합으로 이루어진 기술적 방안들에 한정되는 것이 아니라 본 발명의 주지를 벗어나지 않고서 상기 기술적 특징들 또는 그들의 균등한 특징들의 임의의 조합으로 이루어진 기타 기술적 방안들도 포함되어야 함을 해당 기술분야의 당업자는 이해하여야 한다. 예를 들어, 상기 특징들과 본 출원에 개시되어 있으나 이에 한정되지 않는 유사한 기능을 구비한 기술적 특징을 서로 대체하여 이루어진 기술적 방안도 포함된다.

Claims (22)

  1. 현재 레이더 에코맵의 서열을 획득하되, 여기서 상기 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열인 단계;
    상기 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 형성하되, 여기서 상기 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열인 단계;
    상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득하되, 여기서 상기 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용되는 단계;를 포함하는 강한 대류기상을 예측하기 위한 방법.
  2. 제1항에 있어서,
    상기 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 형성하는 단계는,
    상기 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 상기 미래 레이더 에코맵의 서열을 획득하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  3. 제2항에 있어서,
    상기 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 상기 미래 레이더 에코맵의 서열을 획득하기 이전에, 상기 방법은,
    상기 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행하되, 여기서 상기 사전처리는 맑은하늘 에코 필터링, 효능상실 에코 필터링과 고정소음 필터링 중 적어도 한 가지를 포함하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  4. 제3항에 있어서,
    상기 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행하는 단계는,
    상기 현재 레이더 에코맵의 서열에서 현재 레이더 에코맵에 대하여, 현재 레이더 에코맵 중 기설정 화소값보다 낮은 화소점의 화소값을 기설정값으로 하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  5. 제4항에 있어서,
    상기 현재 레이더 에코맵의 서열에 대하여 사전처리를 진행하는 단계는,
    결여된 현재 레이더 에코맵이 위치한 최소 기설정 시간대 내의 현재 레이더 에코맵을 상기 현재 레이더 에코맵의 서열에서 필터링하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 방법은,
    상기 강한 대류기상 강도예측도가 주의보 조건을 충족하는지 확정하는 단계와,
    상기 주의보 조건을 충족하는 경우 경보명령을 발송하는 단계를 더 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  7. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 강한 대류기상 예측모델은 제1 인코더와 제1 디코더를 포함하는바,
    상기 제1 인코더는 컨볼루션 레이어와 언더샘플링 레이어를 포함하고,
    상기 제1 디코더는 디컨볼루션 레이어와 업샘플링 레이어를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  8. 제7항에 있어서,
    강한 대류기상 예측모델은,
    트레이닝 샘플을 획득하되, 여기서 상기 트레이닝 샘플은 역사 레이더 에코맵의 서열과 역사 강한 대류기상 강도실사도를 포함하는 단계;
    딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계;를 거쳐서 획득하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  9. 제8항에 있어서,
    딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는,
    상기 트레이닝 샘플의 역사 레이더 에코맵의 서열을 인풋으로 하고, 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  10. 제8항에 있어서,
    딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는,
    트레이닝 샘플 중의 역사 강한 대류기상 강도실사도에 기반하여 트레이닝 샘플의 역사 레이더 에코맵의 서열에 대하여 폭풍성숙도의 표기를 함으로써 푹풍성숙도 표기도 서열을 생성하는 단계와,
    상기 폭풍성숙도 표기도 서열을 인풋으로 하고 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  11. 제8항에 있어서,
    상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득한 이후에, 상기 방법은,
    상기 미래 레이더 에코맵의 서열에 해당되는 강한 대류기상 강도실사도를 획득하는 단계와,
    상기 미래 레이더 에코맵의 서열과 상기 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝 샘플을 생성하는 단계와,
    상기 새로운 트레이닝 샘플에 기반하여 상기 강한 대류기상 예측모델에 대하여 트레이닝을 하여, 강한 대류기상 예측모델을 업데이트하는 단계를 더 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  12. 제2항 내지 제5항 중 어느 한 항에 있어서,
    상기 레이더 에코추론 예측모델은 제2 인코더와 제2 디코더를 포함하는바,
    제2 인코더는 컨볼루션 레이어, 장단기메모리와 언더샘플링 레이어를 포함하고,
    제2 디코더는 디컨볼루션 레이어, 장단기메모리와 업샘플링 레이어를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 방법.
  13. 현재 레이더 에코맵의 서열을 획득하도록 구성되되, 여기서 상기 현재 레이더 에코맵의 서열은 현재 시간대 내의 레이더 에코맵의 서열인 획득 유닛,
    상기 현재 레이더 에코맵의 서열에 기반하여 미래 레이더 에코맵의 서열을 생성하도록 구성되되, 여기서 미래 레이더 에코맵의 서열은 미래 시간대 내의 레이더 에코맵의 서열인 생성 유닛,
    상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득하도록 구성된 예측 유닛 - 여기서 상기 강한 대류기상 예측모델은 강한 대류기상의 강도를 예측하는데 사용됨 - ;을 포함하는 강한 대류기상을 예측하기 위한 장치.
  14. 제13항에 있어서, 상기 생성 유닛은,
    상기 현재 레이더 에코맵의 서열을 사전 트레이닝한 레이더 에코추론 예측모델에 입력하여 상기 미래 레이더 에코맵의 서열을 획득하도록 구성된 생성 서브유닛을 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  15. 제13항 또는 제14항에 있어서,
    상기 강한 대류기상 예측모델은 제1 인코더와 제1 디코더를 포함하는바,
    상기 제1 인코더는 컨볼루션 레이어와 언더샘플링 레이어를 포함하고,
    상기 제1 디코더는 디컨볼루션 레이어와 업샘플링 레이어를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  16. 제15항에 있어서,
    상기 강한 대류기상 예측모델은,
    트레이닝 샘플을 획득하되, 여기서 상기 트레이닝 샘플은 역사 레이더 에코맵의 서열과 역사 강한 대류기상 강도실사도를 포함하는 단계;
    딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계;를 거쳐서 획득하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  17. 제16항에 있어서,
    딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는,
    상기 트레이닝 샘플의 역사 레이더 에코맵의 서열을 인풋으로 하고, 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  18. 제16항에 있어서,
    딥러닝 방법을 사용하여 상기 트레이닝 샘플에 기반하여 예측모델에 대하여 트레이닝을 진행하여 상기 강한 대류기상 예측모델을 획득하는 단계는,
    트레이닝 샘플 중의 역사 강한 대류기상 강도실사도에 기반하여 트레이닝 샘플의 역사 레이더 에코맵의 서열에 대하여 폭풍성숙도의 표기를 함으로써 푹풍성숙도 표기도 서열을 생성하는 단계와,
    상기 폭풍성숙도 표기도 서열을 인풋으로 하고 트레이닝 샘플의 역사 강한 대류기상 강도실사도를 아웃풋으로 하여 예측모델에 대하여 트레이닝을 하여 강한 대류기상 예측모델을 획득하는 단계를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  19. 제16항에 있어서,
    상기 미래 레이더 에코맵의 서열을 사전 트레이닝한 강한 대류기상 예측모델에 입력하여 강한 대류기상 강도예측도를 획득한 이후에,
    상기 미래 레이더 에코맵의 서열에 해당되는 강한 대류기상 강도실사도를 획득하는 단계와,
    상기 미래 레이더 에코맵의 서열과 상기 강한 대류기상 강도실사도에 기반하여 새로운 트레이닝 샘플을 생성하는 단계와,
    상기 새로운 트레이닝 샘플에 기반하여 상기 강한 대류기상 예측모델에 대하여 트레이닝을 하여, 강한 대류기상 예측모델을 업데이트하는 단계를 더 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  20. 제14항에 있어서,
    상기 레이더 에코추론 예측모델은 제2 인코더와 제2 디코더를 포함하는바,
    제2 인코더는 컨볼루션 레이어, 장단기메모리와 언더샘플링 레이어를 포함하고,
    제2 디코더는 디컨볼루션 레이어, 장단기메모리와 업샘플링 레이어를 포함하는 것을 특징으로 하는 강한 대류기상을 예측하기 위한 장치.
  21. 하나 또는 다수의 프로세서; 및
    하나 또는 다수의 프로그램이 저장된 저장 장치;를 포함하되,
    상기 하나 또는 다수의 프로그램이 상기 하나 또는 다수의 프로세서에 의해 실행될 경우, 상기 하나 또는 다수의 프로세서에 의해 제1항 내지 제12항 중 어느 한 항에 따른 방법을 실행하도록 하는 서버.
  22. 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 매체에 있어서,
    상기 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제12항 중 어느 한 항에 따른 방법이 구현되는 것을 특징으로 하는 컴퓨터 판독 가능한 매체.
KR1020190138367A 2019-05-24 2019-11-01 강한 대류기상을 예측하기 위한 방법 및 장치 KR102337776B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910440054.2A CN110135654B (zh) 2019-05-24 2019-05-24 用于预测强对流天气的方法和装置
CN201910440054.2 2019-05-24

Publications (2)

Publication Number Publication Date
KR20200135125A true KR20200135125A (ko) 2020-12-02
KR102337776B1 KR102337776B1 (ko) 2021-12-09

Family

ID=67573135

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190138367A KR102337776B1 (ko) 2019-05-24 2019-11-01 강한 대류기상을 예측하기 위한 방법 및 장치

Country Status (4)

Country Link
US (1) US11555921B2 (ko)
JP (1) JP6929927B2 (ko)
KR (1) KR102337776B1 (ko)
CN (1) CN110135654B (ko)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632681B (zh) * 2019-09-17 2022-05-27 国网湖南省电力有限公司 基于机器学习的电网午后雷阵雨的短临预警方法及系统
US11169263B2 (en) 2019-10-04 2021-11-09 International Business Machines Corporation Predicting weather radar images
CN110673146B (zh) * 2019-10-12 2021-12-07 上海眼控科技股份有限公司 气象预测图检测方法、装置、计算机设备和可读存储介质
CN110794485A (zh) * 2019-10-22 2020-02-14 成都信息工程大学 基于集成学习的强对流天气持续时间预报方法
CN110824587B (zh) * 2019-11-01 2021-02-09 上海眼控科技股份有限公司 图像预测方法、装置、计算机设备和存储介质
CN111062410B (zh) * 2019-11-05 2023-05-30 复旦大学 基于深度学习的星型信息桥气象预测方法
CN110956677A (zh) * 2019-12-13 2020-04-03 上海眼控科技股份有限公司 雷达图的预测方法、装置、计算机设备和存储介质
CN111028260A (zh) * 2019-12-17 2020-04-17 上海眼控科技股份有限公司 图像预测方法、装置、计算机设备和存储介质
CN111142109A (zh) * 2019-12-30 2020-05-12 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN111239739A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 气象雷达回波图预测方法、装置、计算机设备和存储介质
CN111366989A (zh) * 2020-03-23 2020-07-03 上海眼控科技股份有限公司 天气预报方法、装置、计算机设备及存储介质
CN111487624A (zh) * 2020-04-23 2020-08-04 上海眼控科技股份有限公司 一种预测降雨量的方法与设备
CN111783821B (zh) * 2020-05-19 2023-09-12 知天(珠海横琴)气象科技有限公司 强对流阵风的判别方法及系统
CN111856618A (zh) * 2020-06-11 2020-10-30 上海眼控科技股份有限公司 气象要素的预测方法及设备
CN111860997B (zh) * 2020-07-17 2021-12-28 海南大学 跨数据、信息、知识模态与量纲的预警方法及组件
CN112180471B (zh) * 2020-08-21 2022-07-12 远景智能国际私人投资有限公司 天气预报方法、装置、设备及存储介质
CN111736157B (zh) * 2020-08-26 2021-01-05 蔻斯科技(上海)有限公司 基于ppi数据的临近预报的预测方法及设备
CN111929688B (zh) * 2020-09-22 2021-02-09 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN112819199A (zh) * 2020-12-31 2021-05-18 上海眼控科技股份有限公司 降水量的预测方法、装置、设备和存储介质
CN112924975B (zh) * 2021-03-06 2021-10-12 上海市气象信息与技术支持中心 组网天气雷达适用aoi的自适应观测方法及系统
CN112946784B (zh) * 2021-03-29 2022-09-16 杭州电子科技大学 一种基于深度学习的SuperDARN雷达对流图短期预报方法
CN113408805A (zh) * 2021-06-24 2021-09-17 国网浙江省电力有限公司双创中心 一种雷电地闪识别方法、装置、设备及可读存储介质
CN113640769B (zh) * 2021-08-27 2023-06-13 南京信息工程大学 基于深度神经网络的天气雷达基本反射率预测方法
CN114355482B (zh) * 2022-01-04 2022-08-16 成都信息工程大学 基于光流和气象数值预报的强对流天气识别方法及系统
CN114067214B (zh) * 2022-01-17 2022-05-13 北京弘象科技有限公司 一种基于多模型融合卷积网络的暴雨识别方法和装置
CN114647018A (zh) * 2022-02-23 2022-06-21 中国人民解放军国防科技大学 一种基于冷池的飑线强度评估方法
CN114706145B (zh) * 2022-03-23 2023-11-21 成都信息工程大学 基于雹云微物理与热动力特征的冰雹预警方法
CN114488070B (zh) * 2022-04-08 2022-07-19 北京弘象科技有限公司 一种基于深度学习模型的雷达回波外推方法和装置
CN114740549B (zh) * 2022-04-12 2024-02-06 北京墨迹风云科技股份有限公司 一种短临降水天气预测方法、装置、电子设备及可读介质
CN114743072B (zh) * 2022-05-24 2023-01-31 中国科学院计算机网络信息中心 一种短期时间序列预测模型的训练方法
KR20240017486A (ko) 2022-08-01 2024-02-08 경북대학교 산학협력단 상대적 중요 변수를 이용하는 머신러닝 기반 스톰 예측 방법, 이를 수행하기 위한 기록매체 및 장치
CN115453541A (zh) * 2022-11-14 2022-12-09 中科星图维天信(北京)科技有限公司 降水量预测方法、装置、电子设备及存储介质
CN115542431B (zh) * 2022-11-25 2023-03-10 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10177076A (ja) * 1996-12-19 1998-06-30 Toshiba Corp 降雨量予測装置
KR101435648B1 (ko) * 2014-05-13 2014-08-28 진양공업주식회사 레이더 영상 분석을 통한 특정 지점의 초단기 강수 예측 시스템
KR101483617B1 (ko) * 2013-12-06 2015-01-16 대한민국 강수 추정 시스템 및 그 방법
CN108732550A (zh) * 2018-08-01 2018-11-02 北京百度网讯科技有限公司 用于预测雷达回波的方法和装置
CN108734357A (zh) * 2018-05-29 2018-11-02 北京佳格天地科技有限公司 气象预测系统及方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5406481A (en) * 1993-06-30 1995-04-11 Nippon Telegraph And Telephone Corporation Rainfall, snowfall forecast apparatus and method
JPH09257951A (ja) 1996-03-22 1997-10-03 Nippon Telegr & Teleph Corp <Ntt> 気象予測装置
US7664601B2 (en) * 1999-11-10 2010-02-16 Honeywell International Inc. Weather incident prediction
US6681184B2 (en) * 2001-05-15 2004-01-20 Input/Output, Inc. System for estimating azimuthal variations in seismic data
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
US7391358B2 (en) * 2005-06-30 2008-06-24 Massachusetts Institute Of Technology Weather radar echo tops forecast generation
US10613252B1 (en) * 2015-10-02 2020-04-07 Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville Weather forecasting systems and methods
CN105717491B (zh) * 2016-02-04 2018-09-21 象辑知源（武汉）科技有限公司 天气雷达回波图像的预测方法及预测装置
CN106526708B (zh) * 2016-09-21 2018-10-30 广东奥博信息产业股份有限公司 一种基于机器学习的气象强对流天气的智能预警分析方法
CN107703564B (zh) * 2017-10-13 2020-04-14 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108710114B (zh) * 2018-04-18 2021-07-13 上海交通大学 基于bp神经网络多类分类的湍流目标探测方法
CN108427989B (zh) * 2018-06-12 2019-10-11 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
US11402542B2 (en) * 2018-10-30 2022-08-02 The Tomorrow Companies Inc. Forecasting method with machine learning
US11169263B2 (en) * 2019-10-04 2021-11-09 International Business Machines Corporation Predicting weather radar images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10177076A (ja) * 1996-12-19 1998-06-30 Toshiba Corp 降雨量予測装置
KR101483617B1 (ko) * 2013-12-06 2015-01-16 대한민국 강수 추정 시스템 및 그 방법
KR101435648B1 (ko) * 2014-05-13 2014-08-28 진양공업주식회사 레이더 영상 분석을 통한 특정 지점의 초단기 강수 예측 시스템
CN108734357A (zh) * 2018-05-29 2018-11-02 北京佳格天地科技有限公司 气象预测系统及方法
CN108732550A (zh) * 2018-08-01 2018-11-02 北京百度网讯科技有限公司 用于预测雷达回波的方法和装置

Also Published As

Publication number Publication date
US20200371230A1 (en) 2020-11-26
CN110135654A (zh) 2019-08-16
CN110135654B (zh) 2021-08-27
US11555921B2 (en) 2023-01-17
JP6929927B2 (ja) 2021-09-01
JP2020193962A (ja) 2020-12-03
KR102337776B1 (ko) 2021-12-09

Similar Documents

Publication Publication Date Title
KR102337776B1 (ko) 강한 대류기상을 예측하기 위한 방법 및 장치
CN108732550B (zh) 用于预测雷达回波的方法和装置
CN114365153B (zh) 预测天气雷达图像
US10795056B2 (en) Local weather forecast
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
CN109086916B (zh) 一种基于多源观测数据的对流天气临近预报方法及装置
US20150293262A1 (en) Method and apparatus for lightning forecast
CN112598883B (zh) 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
Dong et al. The analysis and impact of simulated high-resolution surface observations in addition to radar data for convective storms with an ensemble Kalman filter
KR20160060793A (ko) 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법
JP2020134300A (ja) 予測方法、予測プログラム及び情報処理装置
KR102454007B1 (ko) 인공위성 관측 자료를 이용한 인공지능 기반 일사량 산출 장치 및 방법
CN117290675B (zh) 降水数据处理方法、装置、存储介质及电子设备
CN115391746B (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN117177096A (zh) 一种基于窄带卫星网络的高压输电线路监测方法及系统
CN115453661B (zh) 气象预报方法、装置、设备以及存储介质
AU2020103374A4 (en) Mobile traffic noise measurement and prediction method using machine learning algorithms
CN112580773A (zh) 用于压缩深度学习模型的方法和装置
US20230196594A1 (en) Temporal interpolation of precipitation
CN116738867B (zh) 一种基于机器学习的无人机防御仿真方法及其系统
CN117669349A (zh) 模型训练方法、信息生成方法、装置、设备和介质
KR20220030712A (ko) 머신러닝 기반의 통신 장애 예측방법 및 통신 장애 예측장치
CN117829330A (zh) 一种面向风力发电的多元时空数据概率预测方法及系统
CN118158633A (zh) 植物地下生物量测量方法、装置、设备及计算机可读介质
CN117808708A (zh) 云雾遥感影像的处理方法、装置、设备和介质

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