KR20210019310A - 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치 - Google Patents

확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR20210019310A
KR20210019310A KR1020190098350A KR20190098350A KR20210019310A KR 20210019310 A KR20210019310 A KR 20210019310A KR 1020190098350 A KR1020190098350 A KR 1020190098350A KR 20190098350 A KR20190098350 A KR 20190098350A KR 20210019310 A KR20210019310 A KR 20210019310A
Authority
KR
South Korea
Prior art keywords
drought
prediction
information
model
probability distribution
Prior art date
Application number
KR1020190098350A
Other languages
English (en)
Other versions
KR102446493B1 (ko
Inventor
채효석
이주헌
Original Assignee
한국수자원공사
중부대학교 산학협력단
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 한국수자원공사, 중부대학교 산학협력단 filed Critical 한국수자원공사
Priority to KR1020190098350A priority Critical patent/KR102446493B1/ko
Publication of KR20210019310A publication Critical patent/KR20210019310A/ko
Application granted granted Critical
Publication of KR102446493B1 publication Critical patent/KR102446493B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)

Abstract

본 발명에 따른 확률분포에 기반한 가뭄 예측 방법은 물리적 예측 모형에 기반한 제1 가뭄 정보와 위성을 통해 획득되는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정하는 단계; 상기 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 단계; 및 상기 생성된 가뭄 예측 결과에 기반하여 가뭄 전망을 위한 정보를 생성하고 표시하는 단계를 포함하여, 기본 가뭄 전망 정보 이외에도 동시에 제공되는 확률론적 예측 및 결과 정보를 활용하여 더욱 상세한 가뭄 분석이 가능한 효과가 있다.

Description

확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치{METHOD AND DEVICE FOR PREDICTING DROUGHT BASED ON PROBABILITY DISTRIBUTION}
본 발명은 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치에 관한 것으로써, 베이지안 네트워크 통계모형을 활용하여 과거 가뭄자료와 물리적 예측 모형을 결합한 확률론적 가뭄 예측결과를 생산하고, 이어서, 생산된 확률론적 가뭄예측 결과를 기반으로 가뭄전망을 정보 제공을 위한 의사결정모형을 활용하여 최종적으로 확률론적 가뭄전망을 4단계 (가뭄없음, 가뭄발생, 가뭄지속, 가뭄해소)로 제시하는 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치에 관한 것이다.
미국의 해양대기청(NOAA) 국립기상국(National Weather Service, NWS)의 기후예측센터(Climate Prediction Center, CPC)에 의하면 예보(forecast)는 예측(prediction) 및 전망(outlook)과 유사한 의미를 가지고 있으나, 미래의 정보를 제공하는데 차이가 존재한다. 일기예보(weather forecast)는 미래 특정시점에서의 기상인자(강우, 온도, 바람 등)들의 예상되는 값을 제시한다. 하지만 기후전망(climate outlook)은 미래 기후 정보를 평년이나 특정기간의 평균값으로 산정한 뒤, 평균을 기준으로 발생확률을 제시한다. CPC의 기후전망은 평균이하(below normal), 평균(normal), 평균이상(above normal)으로 분류하여 온도, 강우량의 미래 발생 정도를 제시한다. CPC에서는 현재를 기준으로 8일까지는 예보기법으로 기상예보 정보를 제공하고 있으며, 6-10일 예측부터는 전망기법으로 기상예측을 수행하고 있다. 예측 기간이 긴 월이나 계절, 그 이상의 긴 시간 규모에 대해서는 기후전망으로 미래의 기상정보를 제공한다. 기후전망은 기상예보보다 미래에 예상되는 기후위험에 탄력적으로 대응할 수 있는 정보를 제공함으로 미국, 호주, 영국 등 다양한 기상 선진국에서 장기기후전망을 제공하고 있다.
특히, 수문학적 가뭄의 예측은 강수뿐만 아니라, 토양 수분, 증발산량과 유출량 등 다양한 요인을 고려하여 미래 상황을 예측하기에 불확실성이 크므로 전망기법을 활용하여 미래가뭄의 발생확률을 예측할 필요가 있다.
대한민국 등록특허공보 제10-1718294호(2017.03.14)
상술한 필요에 따라 본 발명은 베이지안 네트워크 통계모형을 활용하여 과거 가뭄자료와 물리적 예측 모형을 결합한 확률론적 가뭄 예측결과를 생산하고, 이어서, 생산된 확률론적 가뭄예측 결과를 기반으로 가뭄전망을 정보 제공을 위한 의사결정모형을 활용하여 최종적으로 확률론적 가뭄전망을 4단계 (가뭄없음, 가뭄발생, 가뭄지속, 가뭄해소)로 제시하는 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치를 제공하는데 목적이 있다.
상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법은 물리적 예측 모형에 기반한 제1 가뭄 정보와 위성을 통해 획득되는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정하는 단계; 상기 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 단계; 및 상기 생성된 가뭄 예측 결과에 기반하여 가뭄 전망을 위한 정보를 생성하고 표시하는 단계를 포함하는 것을 특징으로 한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법에서 상기 제1 가뭄 정보는 현재의 가뭄 정보 및 과거의 가뭄 정보를 포함하고, 상기 제2 가뭄 정보는 물리적 모형 기반의 가뭄 예측 노드에 대한 정보를 포함하며, 상기 모델 결정 단계는 상기 현재의 가뭄 정보, 상기 과거의 가뭄 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 기상학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하는 것을 특징으로 한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법에서 상기 제1 가뭄 정보는 현재의 가뭄 정보 및 가뭄전이 관계 노드에 대한 정보를 포함하고, 상기 제2 가뭄 정보는 물리적 모형 기반의 가뭄 예측 노드에 대한 정보를 포함하며, 상기 모델 결정 단계는 상기 현재의 가뭄 정보, 상기 가뭄전이 관계 노드에 대한 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 수문학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하는 것을 특징한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 중, 가뭄 예측 결과를 생성하는 단계는 상기 결정된 가뭄 예측 모델에 연쇄법칙(chain rule)을 적용하며, 연쇄법칙에 이용되는 사후확률은 우도가중(likelihood weighting) 방법을 이용해 추정되는 것을 특징으로 한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 중, 상기 가뭄 예측 결과를 생성하는 단계는 하기의 수학식을 이용하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 것을 특징으로 한다.
Figure pat00001
Dn : 현재의 가뭄 정보 노드
HDn+1 : 과거의 가뭄 정보 노드
MMEDn+lt : 물리적 모형 기반의 가뭄 예측 노드
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 중 상기 가뭄 전망 정보 생성 단계는, 상기 가뭄 예측 결과에 기반한 가뭄 지수를 이용해 현재 가뭄 상태를 판단하는 단계; 수문학적 가뭄 예측 결과에 기반하여 미래의 가뭄 발생확률을 결정하는 단계; 및 현재의 가뭄 상태와 미래의 가뭄 발생확률에 기반하여 수문학적 가뭄을 전망하는 단계를 포함하는 것을 특징으로 한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 중, 상기 현재 가뭄 상태를 판단하는 단계는 위성자료 기반의 기상학적 가뭄지수(SIP 6)과 위성자료 기반의 수문학적 가뭄지수(WBDI)에 기반하여 상기 현재 가뭄 상태를 판단하는 것을 특징으로 한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 중, 상기 가뭄 발생확률을 결정하는 단계는 상기 가뭄 예측을 위한 모델을 통해 결정된 가뭄 예측 결과, 기상학적 예측 결과 및 수문학적 예측 결과에 기반하여 상기 미래의 가뭄 발생확률을 결정하는 것을 특징으로 한다.
또한, 상술한 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 중, 상기 가뭄 전망 단계는 상기 수문학적 가뭄 예측 결과, 기본 가뭄 전망 결과 및 확률 가뭄 전망 결과를 생성하여 웹 시스템을 통해 표시하는 것을 특징으로 한다.
다른 실시예로써 상기 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 장치는 물리적 예측 모형에 기반하고 현재의 가뭄 정보 및 과거의 가뭄 정보를 포함하는 제1 가뭄 정보와, 위성을 통해 획득되고 물리적 모형 기반의 가뭄 예측 노드에 대한 정보를 포함하는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정하는 모델 결정부; 상기 모델 결정부에 의해 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 가뭄 예측결과 생성부; 및 상기 가뭄 예측결과 생성부에 의해 생성된 가뭄 예측 결과에 기반하여 가뭄 전망을 위한 정보를 생성하고 표시하는 가뭄 전망 정보 생성부를 포함하는 것을 특징으로 한다.
또한, 상기 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 장치의 상기 모델 결정부는 상기 현재의 가뭄 정보, 상기 과거의 가뭄 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 기상학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하고, 상기 현재의 가뭄 정보, 상기 가뭄전이 관계 노드에 대한 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 수문학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하는 것을 특징으로 한다.
마지막으로 상기 목적을 달성하기 위한 본 발명에 따른 확률분포에 기반한 가뭄 예측 장치의 가뭄 전망 정보 생성부는 상기 가뭄 예측 결과에 기반한 가뭄 지수를 이용해 현재 가뭄 상태를 판단하고, 수문학적 가뭄 예측 결과에 기반하여 미래의 가뭄 발생확률을 결정한 후, 현재의 가뭄 상태와 미래의 가뭄 발생확률에 기반하여 수문학적 가뭄을 전망하는 것을 특징으로 한다.
본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치는 기본 가뭄 전망 정보 이외에도 동시에 제공되는 확률론적 예측 및 결과 정보를 활용하여 더욱 상세한 가뭄 분석이 가능한 효과가 있다.
본 발명에 따른 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치는 상술한 바와 같은 가뭄 분석 효과로 인해 가뭄에 대비할 수 있는 파생된 효과가 있다.
도 1은 본 발명에 따른 확률분포에 기반한 가뭄 예측 장치의 블록도 이다.
도 2는 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 플로우 차트이다.
도 3은 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 기상학적 가뭄 베이지안 네트워크 예측 모형이다.
도 4는 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 수문학적 가뭄 베이지안 네트워크 예측 모형이다.
도 5는 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 기상학적 가뭄 전망 의사결정 모형이다.
도 6은 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 수문학적 가뭄 전망 의사결정 모형이다.
도 7은 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 가뭄 전망 정보를 생산하는 단계에 대한 플로우 차트이다.
도 8은 수문학적 가뭄 예측 결과 그래프 도면이다.
도 9는 기본 가뭄 전망 지도를 도시한 지도 도면이다.
도 10은 확률 가뭄 전망 정보 결과 도면이다.
도 11은 확률 가뭄 전망 그래프 도면이다.
도 12는 수문학적 전망 결과 웹 표시 방안을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법에 대해 설명한다,
본 발명에 따른 확률분포에 기반한 가뭄 예측 방법의 설명에 앞서 본 발명에 따른 확률분포 기반한 가뭄 예측 장치에 대해 간단히 설명하면, 본 발명에 따른 확률분포 기간한 가뭄 예측 장치는 도 1에 도시된 바와 같이 모델 결정부(100), 가뭄 예측결과 결정부(200), 및 가뭄 전망 정보 생성부(300)를 포함한다.
상기 모델 결정부(100)는 물리적 예측 모형에 기반하여 제1 가뭄 정보와 위성을 통해 획득되는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정한다.
상기 가뭄 예측결과 결정부(200)는 상기 모델 결정부(100)에서 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성한다.
상기 가뭄 전망 정보 생성부(300)는 상기 가뭄 예측결과 결정부(200)에서 생성된 가뭄 예측 결과에 기반하여 가뭄 전망을 위한 정보를 생성하고 표시한다.
다른 실시예로써, 도 2를 참조하여 본 발명에 따른 확률분포에 기반한 가뭄 예측 방법에 대해 설명한다.
도 1에 도시된 바와 같이 상기 모델 결정부(100)는 물리적 예측 모형에 기반하여 제1 가뭄 정보와 위성을 통해 획득되는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정하는 단계를 수행한다(S100).
베이지안 네트워크는 불확실한 상황에서 추론을 위한 대표적인 모형으로 통신, 의학, 농업, 사회경제 등 다양한 분야에서 활용되고 있다. 베이지안 네트워크는 변수들 사이의 인과관계를 바탕으로 모형을 간단히 구축하는 것이 가능하며, 불확실성을 정량적으로 나타낼 수 있는 통계모형으로 확률론적 예측에 활용에 적합한 모형이다.
본 발명에서는 베이지안 네트워크를 활용하여 위성영상 기반 기상학적 가뭄지수(SPI6), 수문학적 가뭄지수 (WBDI)에 대한 확률론적 예측 모형을 결정하였다.
먼저, 기상학적 가뭄 예측모형의 경우는 총 4개의 노드로 구성된다. 미래의 가뭄 정보에 영향을 미치는 인자로 과거의 가뭄 정보, 역학적 모형 기반의 가뭄 예측 정보이며, SPI는 강수량을 누적하여 생산되기 때문에 지속성(persistence)을 지니는 특성이 있다. 이에 따라 현재 가뭄 상태가 미래에 큰 영향을 주므로 현재의 가뭄 상태를 추가적으로 고려함으로써 가뭄 예측의 신뢰성을 높이고자 하였다.
상술한 바와 같이 가뭄 예측모델이 결정되면, 상기 가뭄 예측결과 결정부(200)는 상기 모델 결정부(100)에서 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 단계를 수행한다(S200).
도 3에서 현재의 가뭄 정보(Dn), 과거의 가뭄 정보(HDn+1), 물리적 모형 기반의 가뭄 예측(MMEDn+lt) 노드가 가뭄 예측에 영향을 미치는 인자 즉, 자식 노드이며, 확률론적 가뭄 예측 결과(Dn+lt)가 부모 노드이다. 여기서 n은 현재의 월(1∼12월)을 의미, lt은 예측하고자 하는 시점의 선행시간(lead time)으로 1∼6개월을 뜻한다.
각각의 노드는 예측하고자 하는 시점의 해당 월 SPI를 활용하여 정규분포에 대한 확률분포로 구성된다. 예를 들어, 현재 시점이 2008년 1월이고 1개월 예측인 경우, Dt 노드는 1984∼2008년 1월의 SPI의 확률분포, HDn+lt 노드는 1983∼2007년 2월의 SPI의 확률분포, MMEDn+lt 노드는 2008년 2월 MME SPI의 확률분포가 적용된다. 베이지안 네트워크 가뭄 예측 모형을 활용하면 Dn+lt 노드에서는 2008년 2월의 예측 SPI 확률분포가 추정된다.
수문학적 가뭄 예측모형의 경우는 도 4에 도시된 바와 같이 총 4개의 노드로 구성된다.
기상학적 가뭄 예측 모형의 현재의 가뭄 정보(HDn), 물리적 모형 기반의 가뭄 예측 노드(MMEHDn+lt)에 가뭄전이 관계 노드(HPn+lag-lt)가 추가되었다. 여기서 lag는 지체시간(lag time)을 의미하며, 기상학적 가뭄지수와 수문학적 가뭄지수의 자기상관계수가 가장 높은 값을 나타내는 지체시간을 의미한다.
본 발명에서 활용되는 위성영상 기반의 수문학적 가뭄지수는 기상학적 가뭄지수보다 자기상관관계가 낮으며, 지수들의 월별 편차도 심한 편으로 과거의 값의 영향이 적은 것으로 판단되어 과거 노드를 포함하지 않았다. 대신, 가뭄전이 노드를 추가함으로써, 기상학적 가뭄에서 수문학적 가뭄의 전이관계를 기반으로 예측 모형의 예측성을 높이고자 하였다.
본 발명에서 산정하고자 하는 가뭄 예측결과(기상학적 가뭄의 1개월 예측의 경우)는 베이지안 이론과 연쇄법칙(chain rule)을 적용하면 아래의 [수학식 1]과 같이 나타낼 수 있으며, 사후확률은 추론 알고리즘(inference algorithms)을 활용한다.
Figure pat00002
상기 [수학식 1]에서 Dn 은 현재의 가뭄 정보 노드, HDn+1 은 과거의 가뭄 정보 노드, 및 MMEDn+lt 는 물리적 모형 기반의 가뭄 예측 노드이다.
추론 알고리즘으로는 likelihood weighting, rejection sampling, Gibbs sampling 방법 등이 있다. 본 발명에서는 적용 방법이 비교적 간단하며, 노드의 형태가 연속형 확률분포일 경우에도 사후확률분포의 추정이 가능한 우도가중(likelihood weighting) 방법을 활용하여 사후확률분포를 추정하였다.
우도가중 방법은 증거(evidence) 변수를 고정한 채로, 비증거(nonevidence) 변수의 샘플링을 수행한다. 우도가중 방법을 활용하여 아래의 [수학식 2]와 같은 사후확률을 산정하기 위해서는 아래의 [수학식 3]과 [수학식 4]와 같은 전개과정을 거친다.
Figure pat00003
상기 [수학식 2]에서 여기서, E는 관측 노드, Y는 E를 포함하지 않는 노드이다.
아래의 [수학식 3]의 경로 확률분포(path probability distribution, ρ(y,e))와 가중치 확률분포(weighting probability distribution, ω(y,e)), 그리고 이항 확률변수(binomial random variable, χ(y,e))를 활용하여 계산된다.
Figure pat00004
상기 [수학식 3]을 활용하여 아래의 [수학식 4]를 도출하고, 이를 바탕으로 사후확률인 상기 [수학식 2]를 추정한다.
Figure pat00005
확률론적 가뭄 예측 모형을 통하여 확률분포 모형을 따르는 가뭄 예측 결과가 1∼6개월까지 생성되며, 여기서 확률분포 모형은 정규분포를 따르게 된다.
상술한 바와 같이 가뭄 상기 가뭄 예측결과 결정부(200)에 의해 확률분포를 따르는 가뭄 예측 결과를 바탕으로 상기 가뭄 전망 정보 생성부(300)는 가뭄 전망을 위한 정보를 생성하고 표시하는 단계를 수행한다(S300).
미래 특정시점에서의 예상되는 값을 제시하는 예측 정보와는 달리 전망 정보는 현재 시점에서 미래에 특정시점까지 가뭄이 어떻게 진행되는지를 설명해주는 것이다. 따라서 가뭄 전망 정보는 현재 가뭄 상태를 기준으로 미래의 가뭄 상태를 판단한 결과값이다. 가뭄 예측 결과를 활용하여 가뭄 전망 정보를 생산하기 위하여, 본 발명에서는 도 5 및 및 도 6과 같은 의사결정 모형을 개발하였다.
가뭄 전망 의사결정 모형을 활용하여 가뭄 전망 정보를 생산하는 상기 S300 단계는 도 7에 도시된 바와 같이 총 3단계 과정으로 이루어져 있다. 먼저, 가뭄 지수를 이용하여 현재의 가뭄 상태를 판단하고(S310), 수문학적 가뭄 예측 결과를 바탕으로 미래의 가뭄 발생확률을 결정하며(S320) 산정한다. 최종적으로 현재의 가뭄 상태와 미래의 가뭄 발생확률을 비교하여 총 4단계(가뭄 없음, 가뭄 발생, 가뭄 지속, 가뭄 해소)로 수문학적 가뭄을 전망한다(S330).
가뭄 지수를 이용하여 현재의 가뭄 상태를 판단(S310)은 위성자료 기반의 기상학적 가뭄지수인 SPI6및 위성자료를 기반으로 산정한 수문학적 가뭄지수인 WBDI를 적용하여 이루어졌다. 도 5에 도시된 바와 같이 일반적으로 SPI의 가뭄 판단 기준은 값이 -1.0 이하일 때를 가뭄으로 판단하였으며, -1.5≤SPI<-1.0 사이의 값은 보통가뭄, -2.0≤SPI<-1.5 사이의 값은 심한가뭄, SPI<-2.0 이하의 값은 극한 가뭄으로 총 4단계로 나누어 판단한다.
한편, 도 6에 도시된 바와 같이 WBDI의 가뭄 판단 기준은 값이 0 이하일 때를 가뭄으로 판단하였으며, -0.5≤WBDI<0 사이의 값은 약한가뭄, -1.0≤WBDI<-0.5 사이의 값은 보통가뭄, -1.5≤WBDI<-1.0은 심한가뭄, WBDI<-1.5 이하의 값은 극한가뭄으로 총 5단계로 나누어 판단한다.
하지만, WBDI의 경우 약한 가뭄의 경우는 정상상태로 판단을 하고 있어, 본 발명에서는 해당 판단기준을 따라 WBDI는 -0.5 이하부터 가뭄상황으로 적용하였다. 따라서, 본 발명에서는 정상(+약한가뭄), 보통가뭄, 심한가뭄, 극한가뭄인 총 4단계로 현재의 가뭄 상태를 판단하였다. 여기서 현재는 기준 날짜(월)를 의미한다.
수문학적 가뭄 예측 결과를 바탕으로 미래의 가뭄 발생확률을 결정하는 단계(S320)는 미래 가뭄 상태를 가뭄 예측모형을 통하여 산정된 예측 확률분포 모형을 활용하여 정의하였으며, 기상학적 및 수문학적 예측 결과를 활용하여 미래 가뭄 발생확률을 산정한다. 본 발명에서의 기상학적 및 수문학적 가뭄 예측은 확률론적 예측으로써, 예측 결과는 정규분포 형태로 추정된다. 미래 가뭄 발생확률은 이 정규분포의 CDF 값으로 산출할 수 있다.
도 5 및 도 6에 도시된 바와 같이 CDF의 x축 값이 가뭄 판단 기준인 -1.0(SPI) 및 -0.5(WBDI)를 기준으로 CDFx=-1.0 또는 CDFx=-0.5의 값이 0.5이상이면 가뭄이 발생하였다고 예측하였으며, CDFx=-1.0 또는 CDFx=-0.5의 값이 0.5미만이면 미래에 가뭄이 발생하지 않는 것을 의미한다.
현재의 가뭄 상태와 미래 가뭄 발생확률이 산출되면, 두 값을 비교하여 최종적으로 가뭄 전망 정보를 생산한다. 가뭄 전망은 총 4단계로 가뭄 없음, 가뭄 발생, 가뭄 지속, 가뭄 해소로 구분된다. 현재 가뭄 상태가 정상(WBDI의 경우 약한가뭄상태 포함)으로 미래에 가뭄이 발생하지 않을 것으로 예측되었을 때 가뭄 없음 단계이며, 1-CDFx=α 의 값이 가뭄 없음의 확률 전망 값이다.
현재 가뭄 상태가 정상(WBDI의 경우 약한 가뭄상태 포함)으로 미래에 가뭄이 발생할 것으로 예측되었을 때는 가뭄 발생 단계이며, CDFx=α 의 값이 가뭄 발생의 확률 전망 값이다. 이와 마찬가지로, 현재 가뭄 상태가 보통/심한/극한 가뭄이면서 미래에 가뭄이 발생할 것으로 예측되었을 때 가뭄 지속 단계이며, CDFx=α 의 값이 가뭄 지속의 확률 전망 값이다. 마지막으로 현재 가뭄 상태가 보통/심한/극한 가뭄이면서 미래에 가뭄이 발생하지 않을 것으로 예측되었을 때 가뭄 해소 단계이며, 1-CDFx=α 의 값이 가뭄 해소의 확률 전망 값을 나타낸다. 여기서 α는 -1.0(SPI) 또는 -0.5(WBDI) 값을 나타내며, 기상학적 및 수문학적 가뭄지수의 가뭄판단 기준을 의미한다.
따라서, 기본 가뭄 전망 정보는 가뭄없음, 가뭄발생, 가뭄지속, 가뭄해소의 전망 정보 자체를 의미하며, 확률 가뭄 전망 정보는 각 단계별 확률 값을 의미한다.
이하에서 상기 가뭄 전망 정보 생성부(300)에 의한 S300단계에서의 각 가뭄 전망 정보의 자세한 표시 방법에 대해 설명한다.
본 발명에서는 가뭄 예측 및 전망 정보의 효율적인 시각화를 위하여 그래프 및 지도로 표시한다. 즉, 본 발명에서는 가뭄 예측 결과, 기본 가뭄 전망 결과 및 확률 가뭄 전망 결과를 각각 생산하여 웹 시스템 표출 및 해석 방안에 대하여 기술하고자 한다. 기상학적 및 수문학적 가뭄전망지도의 표출 방안은 동일하기 때문에, 수문학적 가뭄전망지도 표출을 예를 들어 설명하고자 한다.
수문학적 가뭄 예측 모형을 통해 산출된 예측 값은 정규분포 형태를 따른다. 본 발명에서는 해당 모형을 통하여 기준 날짜로부터 1~6개월의 예측 결과를 도 8과 같이 생성하였다. 도 8은 2017년 3월(현재)을 기준으로 2017년 4월~9월까지 6개월간 남한강상류 유역의 예측 결과이다.
본 발명에서 개발된 수문학적 가뭄 예측 모형은 특정 시점의 예측 값을 하나의 숫자로 결정하는 것이 아닌, 도 8과 같이 예측 결과 값에 대해 확률분포로 나타내기 때문에 더욱 자세한 정보를 획득할 수 있다.
각 그래프의 평균과 분산을 통하여 가뭄 단계별 확률값도 추정이 가능하다. 이 결과를 활용하여 확률론적 가뭄 전망을 수행할 수 있다.
상술한 바와 같이, 확률론적 가뭄 전망을 통하여 기본 가뭄 전망 정보 및 확률 가뭄 전망 정보를 산정할 수 있다. 기본 가뭄 전망 정보의 경우 4가지 단계(가뭄없음, 가뭄발생, 가뭄지속, 가뭄해소)별 확률 값 중 가장 큰 값의 단계를 나타내는 것으로써, 각 지역별로 1가지의 단계로 결정된다.
이 결과에 대한 지역별 비교·분석이 용이하도록, 도 9에 도시된 바와 같이 지도에 표출한다. 해당 지도는 2017년 3월(현재)을 기준으로 6개월 예측결과를 나타낸다.
도 9를 통하여 수문학적 가뭄 전망 결과에 대한 공간적 분포를 쉽게 파악할 수 있다. 즉, 각 지역이 현재 가뭄 상태에 비해 어떻게 진행될 것인지를 확인할 수 있다. 범례의 색상은 단계의 성격을 반영하여 아래의 [표 1]과 같이 지정하였다.
Figure pat00006
상기 [표 1]에서 가뭄 없음 단계는 가뭄 분석 및 대책 마련 시에 고려하지 않으므로 흰색으로 설정하였으며, 가뭄 해소 단계는 안전한 단계로 해석되므로 녹색으로 설정하였다. 하지만, 가뭄 발생 및 지속의 경우 현재 상태보다 위험해질 것으로 예측되는 단계로써 붉은 계열로 설정하였으며, 향후 가뭄 분석 및 대책 마련 시에 우선적으로 고려되어야 한다.
확률 가뭄 전망 정보는 각 단계별 전망결과가 발생할 확률을 나타내며, 도 10에 도시된 바와 같이 나타난다. 2017년 3월(현재)를 기준으로 2017년 4월~9월까지 6개월간 각 지역별 확률 가뭄 전망 정보이다. 가뭄 없음 단계는 고려하지 않으므로 총 3단계(가뭄발생, 가뭄지속, 가뭄해소)에 대한 결과만 제시하였다.
각 지역의 원활한 비교를 위하여, 도 11에 도시된 바와 같이 그래프로 표출하였다. 해당 지역은 남한강상류 지점에 대한 확률 전망 결과이다. 범례에 따른 색상은 기본 가뭄 전망 지도의 범례와 동일하다.
전망결과에 대한 웹 시스템 표출 방안은 도 12에 도시된 바와 같다. 웹 시스템은 크게 4가지 구역으로 나뉘어진다. 먼저, 검색하고자 하는 일자 및 지역의 선택 구역과 가뭄 예측, 기본 전망 결과 및 확률 전망 결과 구역으로 구분된다.
도 12에서 ①번 선택구역에는 검색일자 즉, 기준일자(현재)와 자세한 예측 결과 및 확률 전망 결과를 확인하고 싶은 대권역 및 중권역의 선택 항목으로 이루어져 있다.
도 12는 2017년 3월을 기준으로 남한강상류 유역을 검색하였을 때의 결과 화면이다. ②번 구역은 기본 가뭄 전망 지도로서, 2017년 4월~9월까지의 6개월 전망 결과를 나타낸다. 전망 지도 해석 시 1~6개월 모두 현재를 기준으로 해석해야 한다. 예를 들어 6개월 전망의 경우, 한강유역은 8월에 대해 가뭄이 지속되는 것이 아니라, 3월(현재)에 대해 가뭄이 지속됨을 의미한다.
③번 및 ④번 구역은 남한강상류 유역에 대한 가뭄 예측 및 확률 전망 그래프이다. ③번 구역은 남한강상류 유역의 1~6개월에 대한 예측 확률분포로써, 예측확률분포가 시간이 지남에 따라서 오른쪽으로 이동하는 것을 확인하고 있다.
이를 통하여 시간이 지남에 따라 가뭄이 해소되는 경향성을 보이고 있다고 판단할 수 있다. ④번 구역은 남한강상류 유역의 확률 전망 결과값을 막대 그래프 형식으로 표출하였다. 확률 전망 그래프는 기본 가뭄 전망 정보에서 제시된 단계 이외에도 다른 단계에 대한 확률을 제시한다.
예를 들어 2017년 4월 남한강유역의 기본 전망 결과는 가뭄이 지속될 것으로 판단되었으며, 가뭄이 지속될 확률이 73%로 나타났다. 또한, 동시에 가뭄이 해소될 확률은 27%임을 알 수 있다. 따라서, 기본 가뭄 전망 정보 이외에도 동시에 제공되는 확률론적 예측 및 결과 정보를 활용하여 더욱 상세한 가뭄 분석이 가능할 것으로 판단된다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 사람이라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 실행된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 모델 결정부
200 : 가뭄 예측결과 생성부
300 : 가뭄 전망 정보 생성부

Claims (12)

  1. 물리적 예측 모형에 기반한 제1 가뭄 정보와 위성을 통해 획득되는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정하는 단계;
    상기 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 단계; 및
    상기 생성된 가뭄 예측 결과에 기반하여 가뭄 전망을 위한 정보를 생성하고 표시하는 단계를 포함하는,
    확률분포에 기반한 가뭄 예측 방법.
  2. 제1항에 있어서,
    상기 제1 가뭄 정보는 현재의 가뭄 정보 및 과거의 가뭄 정보를 포함하고, 상기 제2 가뭄 정보는 물리적 모형 기반의 가뭄 예측 노드에 대한 정보를 포함하며,
    상기 모델 결정 단계는 상기 현재의 가뭄 정보, 상기 과거의 가뭄 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 기상학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  3. 제1항에 있어서,
    상기 제1 가뭄 정보는 현재의 가뭄 정보 및 가뭄전이 관계 노드에 대한 정보를 포함하고, 상기 제2 가뭄 정보는 물리적 모형 기반의 가뭄 예측 노드에 대한 정보를 포함하며,
    상기 모델 결정 단계는 상기 현재의 가뭄 정보, 상기 가뭄전이 관계 노드에 대한 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 수문학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  4. 제1항에 있어서,
    가뭄 예측 결과를 생성하는 단계는
    상기 결정된 가뭄 예측 모델에 연쇄법칙(chain rule)을 적용하며, 연쇄법칙에 이용되는 사후확률은 우도가중(likelihood weighting) 방법을 이용해 추정되는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  5. 제4항에 있어서,
    상기 가뭄 예측 결과를 생성하는 단계는
    하기의 수학식을 이용하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
    Figure pat00007

    Dn : 현재의 가뭄 정보 노드
    HDn+1 : 과거의 가뭄 정보 노드
    MMEDn+lt : 물리적 모형 기반의 가뭄 예측 노드
  6. 제1항에 있어서,
    상기 가뭄 전망 정보 생성 단계는,
    상기 가뭄 예측 결과에 기반한 가뭄 지수를 이용해 현재 가뭄 상태를 판단하는 단계;
    수문학적 가뭄 예측 결과에 기반하여 미래의 가뭄 발생확률을 결정하는 단계; 및
    현재의 가뭄 상태와 미래의 가뭄 발생확률에 기반하여 수문학적 가뭄을 전망하는 단계를 포함하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  7. 제6항에 있어서,
    상기 현재 가뭄 상태를 판단하는 단계는
    위성자료 기반의 기상학적 가뭄지수(SIP 6)과 위성자료 기반의 수문학적 가뭄지수(WBDI)에 기반하여 상기 현재 가뭄 상태를 판단하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  8. 제6항에 있어서,
    상기 가뭄 발생확률을 결정하는 단계는
    상기 가뭄 예측을 위한 모델을 통해 결정된 가뭄 예측 결과, 기상학적 예측 결과 및 수문학적 예측 결과에 기반하여 상기 미래의 가뭄 발생확률을 결정하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  9. 제6항에 있어서,
    상기 가뭄 전망 단계는
    상기 수문학적 가뭄 예측 결과, 기본 가뭄 전망 결과 및 확률 가뭄 전망 결과를 생성하여 웹 시스템을 통해 표시하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 방법.
  10. 물리적 예측 모형에 기반하고 현재의 가뭄 정보 및 과거의 가뭄 정보를 포함하는 제1 가뭄 정보와, 위성을 통해 획득되고 물리적 모형 기반의 가뭄 예측 노드에 대한 정보를 포함하는 제2 가뭄 정보에 기반하여 가뭄 예측을 위한 모델을 결정하는 모델 결정부;
    상기 모델 결정부에 의해 결정된 가뭄 예측을 위한 모델에 기반하여 확률분포를 따르는 가뭄 예측 결과를 생성하는 가뭄 예측결과 생성부; 및
    상기 가뭄 예측결과 생성부에 의해 생성된 가뭄 예측 결과에 기반하여 가뭄 전망을 위한 정보를 생성하고 표시하는 가뭄 전망 정보 생성부를 포함하는,
    확률분포에 기반한 가뭄 예측 장치.
  11. 제 10항에 있어서,
    상기 모델 결정부는
    상기 현재의 가뭄 정보, 상기 과거의 가뭄 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 기상학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하고,
    상기 현재의 가뭄 정보, 상기 가뭄전이 관계 노드에 대한 정보 및 상기 물리적 모형 기반의 가뭄 예측 노드에 대한 정보에 기반하여 수문학적 가뭄 베이지안 네트워크 모델을 가뭄 예측을 위한 모델로 결정하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 장치.
  12. 제 10항에 있어서,
    상기 가뭄 전망 정보 생성부는
    상기 가뭄 예측 결과에 기반한 가뭄 지수를 이용해 현재 가뭄 상태를 판단하고, 수문학적 가뭄 예측 결과에 기반하여 미래의 가뭄 발생확률을 결정한 후, 현재의 가뭄 상태와 미래의 가뭄 발생확률에 기반하여 수문학적 가뭄을 전망하는 것을 특징으로 하는,
    확률분포에 기반한 가뭄 예측 장치.
KR1020190098350A 2019-08-12 2019-08-12 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치 KR102446493B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190098350A KR102446493B1 (ko) 2019-08-12 2019-08-12 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190098350A KR102446493B1 (ko) 2019-08-12 2019-08-12 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치

Publications (2)

Publication Number Publication Date
KR20210019310A true KR20210019310A (ko) 2021-02-22
KR102446493B1 KR102446493B1 (ko) 2022-09-26

Family

ID=74687533

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190098350A KR102446493B1 (ko) 2019-08-12 2019-08-12 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치

Country Status (1)

Country Link
KR (1) KR102446493B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723293A (zh) * 2022-04-11 2022-07-08 湖南省水利水电科学研究院 基于历史典型干旱年旱灾影响指标的干旱风险评估方法
KR20220151501A (ko) * 2021-05-06 2022-11-15 노아에스앤씨 주식회사 웹 기반 가뭄아틀라스 시스템
CN115859583A (zh) * 2022-11-21 2023-03-28 上海勘测设计研究院有限公司 降水和初始状态对干旱过程影响的定量分析方法及系统
CN116451879A (zh) * 2023-06-16 2023-07-18 武汉大学 一种干旱风险预测方法、系统及电子设备
CN117784290A (zh) * 2024-02-26 2024-03-29 南京信息工程大学 一种基于贝叶斯神经网络的骤旱预警方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102646812B1 (ko) * 2021-10-25 2024-03-13 이화여자대학교 산학협력단 하이브리드 모델을 이용하여 지면 기온의 확률 분포를 예측하는 방법 및 상기 방법을 수행하는 컴퓨팅 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110124643A (ko) * 2010-05-11 2011-11-17 부경대학교 산학협력단 동아시아 가뭄 모니터링 시스템 및 그 방법
KR20170005553A (ko) * 2015-07-06 2017-01-16 주식회사 유일기연 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발
KR101718294B1 (ko) 2016-11-29 2017-03-22 주식회사 유일기연 가뭄예측 시스템
KR101754570B1 (ko) * 2008-09-11 2017-07-06 어시스트 메디칼 시스템즈, 인크. 생리학적 센서 공급 장치 및 방법
KR101784441B1 (ko) * 2016-04-28 2017-10-11 세종대학교산학협력단 컴퓨터가 수행하는 자연가뭄지수 산정 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754570B1 (ko) * 2008-09-11 2017-07-06 어시스트 메디칼 시스템즈, 인크. 생리학적 센서 공급 장치 및 방법
KR20110124643A (ko) * 2010-05-11 2011-11-17 부경대학교 산학협력단 동아시아 가뭄 모니터링 시스템 및 그 방법
KR20170005553A (ko) * 2015-07-06 2017-01-16 주식회사 유일기연 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발
KR101784441B1 (ko) * 2016-04-28 2017-10-11 세종대학교산학협력단 컴퓨터가 수행하는 자연가뭄지수 산정 방법
KR101718294B1 (ko) 2016-11-29 2017-03-22 주식회사 유일기연 가뭄예측 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jiye Shin et al. A meteorological drought forecast based on satellite precipitation data using Bayesian networks and decision-making models. Proceedings of the Korean Water Resources Association. Volume 52, No. 4 (April 2019), pp. 279-289 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220151501A (ko) * 2021-05-06 2022-11-15 노아에스앤씨 주식회사 웹 기반 가뭄아틀라스 시스템
CN114723293A (zh) * 2022-04-11 2022-07-08 湖南省水利水电科学研究院 基于历史典型干旱年旱灾影响指标的干旱风险评估方法
CN114723293B (zh) * 2022-04-11 2024-03-29 湖南省水利水电科学研究院 基于历史典型干旱年旱灾影响指标的干旱风险评估方法
CN115859583A (zh) * 2022-11-21 2023-03-28 上海勘测设计研究院有限公司 降水和初始状态对干旱过程影响的定量分析方法及系统
CN116451879A (zh) * 2023-06-16 2023-07-18 武汉大学 一种干旱风险预测方法、系统及电子设备
CN116451879B (zh) * 2023-06-16 2023-08-25 武汉大学 一种干旱风险预测方法、系统及电子设备
CN117784290A (zh) * 2024-02-26 2024-03-29 南京信息工程大学 一种基于贝叶斯神经网络的骤旱预警方法及系统
CN117784290B (zh) * 2024-02-26 2024-05-14 南京信息工程大学 一种基于贝叶斯神经网络的骤旱预警方法及系统

Also Published As

Publication number Publication date
KR102446493B1 (ko) 2022-09-26

Similar Documents

Publication Publication Date Title
KR102446493B1 (ko) 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치
Mehdizadeh et al. Hybrid artificial intelligence-time series models for monthly streamflow modeling
Wu et al. Ensemble flood forecasting: Current status and future opportunities
Tadesse et al. Data-driven modeling of global storm surges
Stefenon et al. Time series forecasting using ensemble learning methods for emergency prevention in hydroelectric power plants with dam
Park et al. Prediction of coastal flooding risk under climate change impacts in South Korea using machine learning algorithms
Ramos et al. Communicating uncertainty in hydro‐meteorological forecasts: mission impossible?
Fuse et al. Statistical anomaly detection in human dynamics monitoring using a hierarchical dirichlet process hidden markov model
Raso et al. Short-term optimal operation of water systems using ensemble forecasts
Kwon et al. Assessment of change in design flood frequency under climate change using a multivariate downscaling model and a precipitation-runoff model
Danladi et al. Assessing the influence of weather parameters on rainfall to forecast river discharge based on short-term
Morss et al. Use of information by National Weather Service forecasters and emergency managers during CALJET and PACJET-2001
Danandeh Mehr Drought classification using gradient boosting decision tree
Chidthong et al. Developing a hybrid multi‐model for peak flood forecasting
CN101344940A (zh) 一种基于全局划分和局部扩展的网络重叠社团检测方法
Mangukiya et al. Flood risk mapping for the lower Narmada basin in India: A machine learning and IoT-based framework
Joo et al. Complex networks and integrated centrality measure to assess the importance of streamflow stations in a River basin
Hasan et al. LULC changes to riverine flooding: A case study on the Jamuna River, Bangladesh using the multilayer perceptron model
Huang et al. Hydrological natural inflow and climate variables: time and frequency causality analysis
Wibisono et al. Weather forecasting using knowledge growing system (KGS)
Li et al. Expert knowledge-driven Bayesian network modeling for marine disaster assessment under the small sample condition
Nassif et al. Analyzing the non-functional requirements in the desharnais dataset for software effort estimation
Pagano et al. Australian bureau of meteorology flood forecasting and warning
Sahraei et al. Flood susceptibility modelling using geospatial-based multi-criteria decision making in large scale areas
CN110659399B (zh) 突发事件演化图显示方法和装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant