KR20210114226A - Real-time wind direction forecast service apparatus using artificial neural network and its method - Google Patents

Real-time wind direction forecast service apparatus using artificial neural network and its method Download PDF

Info

Publication number
KR20210114226A
KR20210114226A KR1020200029647A KR20200029647A KR20210114226A KR 20210114226 A KR20210114226 A KR 20210114226A KR 1020200029647 A KR1020200029647 A KR 1020200029647A KR 20200029647 A KR20200029647 A KR 20200029647A KR 20210114226 A KR20210114226 A KR 20210114226A
Authority
KR
South Korea
Prior art keywords
wind direction
real
neural network
artificial neural
time wind
Prior art date
Application number
KR1020200029647A
Other languages
Korean (ko)
Other versions
KR102413717B1 (en
Inventor
이동현
Original Assignee
(주)큐버솔루션
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 (주)큐버솔루션 filed Critical (주)큐버솔루션
Priority to KR1020200029647A priority Critical patent/KR102413717B1/en
Publication of KR20210114226A publication Critical patent/KR20210114226A/en
Application granted granted Critical
Publication of KR102413717B1 publication Critical patent/KR102413717B1/en

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Air Conditioning Control Device (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

A real-time wind direction prediction service device using an artificial neural network, and a method thereof are disclosed. The real-time wind direction prediction service device using an artificial neural network comprises: a big data collection unit which collects raw weather observation information, raw topographic information, and raw index information; a collection information processing unit which individually processes the raw weather observation information, raw topographic information, and raw index information to obtain the high-rise wind direction, altitude, and illuminance; an input information encoding unit which encodes input information including the high-rise wind direction, altitude, and illuminance in correspondence with a prediction point to be observed; an artificial neural network learning unit which predicts a real-time wind direction corresponding to the prediction point through artificial neural network learning by receiving the encoded high-rise wind direction, altitude, and illuminance as inputs; and a wind direction service providing unit which provides a real-time wind direction service corresponding to the predicted real-time wind direction. Accordingly, the real-time wind direction service can be effectively provided.

Description

인공신경망을 이용한 실시간 풍향 예측 서비스 장치 및 그 방법{REAL-TIME WIND DIRECTION FORECAST SERVICE APPARATUS USING ARTIFICIAL NEURAL NETWORK AND ITS METHOD}Real-time wind direction prediction service device and method using artificial neural network

본 발명(Disclosure)은, 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법에 관한 것으로, 구체적으로, 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법에 관한 것이다.The present invention (Disclosure) relates to a wind direction prediction service apparatus and method using an artificial neural network, and specifically, by collecting weather-related big data and predicting the real-time wind direction at a specific location through artificial neural network learning, real-time wind direction A wind direction prediction service apparatus using an artificial neural network capable of effectively providing a service, and a method therefor.

여기서는, 본 발명에 관한 배경기술이 제공되며, 이들이 반드시 공지기술을 의미하는 것은 아니다(This section provides background information related to the present disclosure which is not necessarily prior art).Herein, backgrounds relating to the present invention are provided, which do not necessarily imply prior art. (This section provides background information related to the present disclosure which is not necessarily prior art).

기상 정보는 일상생활에 많은 영향을 미치는 날씨에 대한 정보를 의미하는데, 최근 기상청은 기상예보를 민간 기상예보사업자도 할 수 있도록 개방하였고, 기후변화의 영향으로 날씨의 변동이 심해지면서, 기상 정보에 대한 관심은 더욱 증대되고 있다.Weather information means information about the weather that has a lot of influence on our daily life. Interest is growing more and more.

한편, 바람길(wind corridor)은 공기가 통하는 길을 말하는데, 하천길 등을 따라 차가운 바람이 도시로 유입되는 통로의 역할을 함으로써, 열섬 현상, 열대야 현상을 완화시킬수 있고, 공기가 순환되어 대기 환경을 개선시키는 역할도 하는 것으로 알려져 있다.On the other hand, a wind corridor refers to a path through which air flows. By acting as a passageway through which cold wind flows into the city along a river path, the heat island phenomenon and tropical night phenomenon can be alleviated, and air is circulated to the atmospheric environment. It is also known to play a role in improving

이러한 바람길을 고려하여 도시나 건물을 건설할 때 설계 단계부터 바람이 통하는 구조를 염두에 두고 설계할 수 있는데, 도시는 스스로 시원한 바람을 만들기 어려운 구조이기 때문에, 인위적으로 이를 위한 구조를 만들어 줌으로써, 도시 열섬 현상 방지, 미세먼지 저감 등에 효과적으로 대응할 수 있다.Considering this wind path, when constructing a city or building, it can be designed with the structure through which the wind passes from the design stage in mind. It can effectively respond to urban heat island prevention and fine dust reduction.

또한, 산불의 확산에 영향을 주는 기상인자에는 바람, 습도, 온도 등이 있는데, 바람은 산불의 연소 속도와 함께 연소 방향을 결정하는 주요 인자로 알려져 있고, 풍향은 산불 발생 시 진행 방향을 결정하는 핵심 인자로 알려져 있다.In addition, weather factors that affect the spread of forest fires include wind, humidity, and temperature. Wind is known as a major factor that determines the combustion direction along with the combustion speed of a forest fire. known as a key factor.

그리고, 골프장의 농약, 공장으로 인하여 발생하는 유해물질 등의 영향 범위를 평가하기 위해서는 해당 지점의 풍향을 고려한 분석이 필수적으로 요구된다.And, in order to evaluate the range of influence of pesticides on golf courses and harmful substances generated by factories, an analysis in consideration of the wind direction at the relevant point is essential.

상술한 바와 같이 특정지역의 풍향은 유해물질의 영향범위산정, 산불의 확산예측, 열섬효과 및 미세먼지 감축을 위한 바람길, 건물의 효율적인 배치, 효율적인 환기구 배치 등에 활용이 가능하다.As described above, the wind direction of a specific area can be used for estimating the range of influence of hazardous substances, predicting the spread of wildfires, wind paths for heat island effect and fine dust reduction, efficient arrangement of buildings, and efficient arrangement of ventilation holes.

하지만, 국내 기상청에서는 대략 600여 지점에서 풍향을 계측하고 있지만, 특정지점(예를 들면, 건설 예정 중인 아파트 단지, 바람길이 필요한 도심지, 산불이 발생한 위치 등)에서의 풍향을 확인할 수 있는 방법이 없는 실정이다.However, although the domestic meteorological agency measures the wind direction at about 600 points, there is no way to check the wind direction at a specific point (for example, an apartment complex under construction, a downtown area requiring wind paths, a location where a forest fire occurred, etc.) the current situation.

그리고, 종래에 간접적으로 수치해석이나 풍동 실험을 통해 유입 풍향을 기준으로 한 풍향 모사가 가능한 것으로 알려져 있지만, 이는 유입 풍향을 단정한 상태에서 모의하는 것으로 정해진 유입 풍향에 국한된 풍향을 추정한다는 점에서 한계가 있을 뿐만 아니라, 수치해석이나 풍동 실험의 경우 모든 상황에 대한 모사가 필요하여 이를 위한 비용 및 시간이 많이 소요되는 문제점이 있다.In addition, it is known that the wind direction can be simulated based on the inflow wind direction through indirect numerical analysis or wind tunnel experiment. In addition, in the case of numerical analysis or wind tunnel experiments, simulation of all situations is required, which requires a lot of cost and time.

1. 한국등록특허공보 제10-0619144호1. Korea Patent Publication No. 10-0619144

본 발명(Disclosure)은, 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.The present invention (Disclosure) provides a wind direction prediction service apparatus and method using an artificial neural network that can effectively provide a real-time wind direction service by collecting weather-related big data and predicting the real-time wind direction at a specific location through artificial neural network learning for the purpose of providing

그리고, 본 발명(Disclosure)은, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하고, 원시 기상관측정보를 가공한 고층풍향과 원시 지형정보를 가공한 고도와 원시지표정보를 가공한 조도를 인코딩한 후에, 인공신경망 학습을 위해 입력함으로써, 실시간 풍향 예측을 위한 입력 정보를 효과적으로 가공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.And, the present invention (Disclosure) collects raw meteorological information, raw terrain information and raw surface information, high-rise wind direction processed by processing raw weather information, altitude processed by processing raw terrain information, and illuminance processed by raw surface information An object of the present invention is to provide a wind direction prediction service apparatus and method using an artificial neural network that can effectively process input information for real-time wind direction prediction by inputting for artificial neural network learning after encoding.

또한, 본 발명(Disclosure)은, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 고층풍향, 고도 및 조도에 대응하는 실시간 풍향을 예측함으로써, 특정 지점에서의 실시간 풍향을 정확하게 예측할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.In addition, the present invention (Disclosure), FFNets (Feed-Forward Neural Networks), DNN (Deep Neural Network), CNN (Convolutional Neural Network), LSTM (Long short-term memory) using any one artificial neural network learning method An object of the present invention is to provide a wind direction prediction service apparatus and method using an artificial neural network that can accurately predict the real-time wind direction at a specific point by predicting the real-time wind direction corresponding to the high-rise wind direction, altitude, and illuminance.

아울러, 본 발명(Disclosure)은, 특정 지점의 풍향 서비스가 요청될 경우 수집된 빅데이터를 가공한 후 인공신경망 학습을 통해 실시간 풍향을 예측하여 제공할 수 있을 뿐만 아니라 바람장미, 위치별 풍환경 등과 같은 다양한 풍향 서비스를 효과적으로 제공할 수 있는 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법의 제공을 일 목적으로 한다.In addition, in the present invention (Disclosure), when a wind direction service at a specific point is requested, the collected big data is processed and then the real-time wind direction can be predicted and provided through artificial neural network learning, as well as wind roses, wind environments by location, etc. An object of the present invention is to provide a wind direction prediction service apparatus and method using an artificial neural network that can effectively provide various wind direction services, such as the present invention.

여기서는, 본 발명의 전체적인 요약(Summary)이 제공되며, 이것이 본 발명의 외연을 제한하는 것으로 이해되어서는 아니 된다(This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).Herein, a general summary of the present invention is provided, which should not be construed as limiting the scope of the present invention (This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).

상기한 과제의 해결을 위해, 본 발명을 기술하는 여러 관점들 중 어느 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치는, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 빅데이터 수집부와, 상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 수집정보 가공부와, 상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 입력정보 인코딩부와, 인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 인공신경망 학습부와, 상기 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 풍향 서비스 제공부를 포함한다.In order to solve the above problems, a wind direction prediction service apparatus using an artificial neural network according to any one aspect of various aspects describing the present invention is a method of collecting raw weather observation information, raw terrain information and raw index information. A big data collection unit, a collection information processing unit for processing the raw weather observation information, raw terrain information, and raw surface information to obtain high-rise wind direction, altitude, and illuminance, respectively, and input information including the high-rise wind direction, altitude and illuminance An input information encoding unit for encoding corresponding to the predicted point to be observed using a learning unit; and a wind direction service providing unit providing a real-time wind direction service corresponding to the predicted real-time wind direction.

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 입력정보 인코딩부는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the invention, the input information encoding unit forms a plurality of equally spaced concentric circles based on the high-rise wind direction and the prediction point as a center, For a plurality of peripheral points that are divided and appear at preset angular intervals, the altitude and illuminance may be encoded in a digitized manner.

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 인공신경망 학습부는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the invention, the artificial neural network learning unit, FFNets (Feed-Forward Neural Networks), DNN (Deep Neural Network), CNN (Convolutional Neural Network), LSTM ( Long short-term memory) of any one artificial neural network learning method can be used.

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 풍향 서비스 제공부는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the present invention, the wind direction service providing unit may provide the real-time wind direction service including at least one of a real-time wind direction, a wind rose, and a wind environment by location. .

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the present invention, the raw weather observation information may include synoptic weather observation information, disaster prevention weather observation information, and vertical wind observation information.

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the invention, the raw terrain information may include a digital elevation model (DEM).

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the invention, the raw index information may include a Land Cover Map (LCM).

발명의 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 장치에서, 상기 실시간 풍향 서비스를 요청받아 제공하는 인터페이스부를 더 포함할 수 있다.In the wind direction prediction service apparatus using an artificial neural network according to an aspect of the present invention, the apparatus may further include an interface unit that receives a request and provides the real-time wind direction service.

본 발명을 기술하는 여러 관점들 중 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법은, 실시간 풍향 서비스를 요청될 경우 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 단계와, 상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 단계와, 상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 단계와, 인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 단계와, 상기 예측된 실시간 풍향에 대응하는 상기 실시간 풍향 서비스를 제공하는 단계를 포함한다.A wind direction prediction service method using an artificial neural network according to another aspect of the various aspects describing the present invention includes collecting raw weather observation information, raw terrain information and raw index information when a real-time wind direction service is requested. and processing the raw weather observation information, raw terrain information, and raw index information to obtain high-rise wind direction, altitude, and illuminance, respectively, and prediction to be observed using input information including the high-rise wind direction, altitude and illuminance Encoding corresponding to a point; predicting a real-time wind direction corresponding to the predicted point through artificial neural network learning by inputting the encoded high-rise wind direction, altitude, and illuminance as inputs; and providing a real-time wind direction service.

본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 인코딩하는 단계는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩할 수 있다.In the wind direction prediction service method using an artificial neural network according to another aspect of the present invention, the encoding includes forming a plurality of equally spaced concentric circles based on the high-rise wind direction and the prediction point as a center. Afterwards, the altitude and illuminance may be digitized for a plurality of peripheral points divided and appearing at preset angular intervals.

본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 실시간 풍향을 예측하는 단계는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 인공신경망 학습할 수 있다.In the wind direction prediction service method using an artificial neural network according to another aspect of the present invention, the step of predicting the real-time wind direction includes: Feed-Forward Neural Networks (FFNets), Deep Neural Networks (DNNs), Convolutional Neural Networks (CNNs). Network) and LSTM (Long short-term memory), artificial neural network learning can be performed using any one of the artificial neural network learning methods.

본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 실시간 풍향 서비스를 제공하는 단계는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공할 수 있다.In the wind direction prediction service method using an artificial neural network according to another aspect of the present invention, the providing of the real-time wind direction service includes: the real-time wind direction including at least one of a real-time wind direction, a wind rose, and a wind environment for each location. service can be provided.

본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함할 수 있다.In the wind direction prediction service method using an artificial neural network according to another aspect of the present invention, the raw weather observation information may include synoptic weather observation information, disaster prevention weather observation information, and vertical wind observation information.

본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함할 수 있다.In the wind direction prediction service method using an artificial neural network according to another aspect of the present invention, the raw terrain information may include a digital elevation model (DEM).

본 발명의 다른 일 관점(aspect)에 따른 인공신경망을 이용한 풍향 예측 서비스 방법에서, 상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함할 수 있다.In a wind direction prediction service method using an artificial neural network according to another aspect of the present invention, the raw index information may include a Land Cover Map (LCM).

본 발명에 따르면, 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있다.According to the present invention, it is possible to effectively provide a real-time wind direction service by collecting weather-related big data and predicting the real-time wind direction at a specific location through artificial neural network learning.

그리고, 본 발명에 따르면, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하고, 원시 기상관측정보를 가공한 고층풍향과 원시 지형정보를 가공한 고도와 원시지표정보를 가공한 조도를 인코딩한 후에, 인공신경망 학습을 위해 입력함으로써, 실시간 풍향 예측을 위한 입력 정보를 효과적으로 가공할 수 있다.And, according to the present invention, raw weather observation information, raw terrain information and raw surface information are collected, and the high-rise wind direction processed by processing raw weather information information, altitude by processing raw terrain information, and illuminance processed by processing raw surface information are encoded After doing this, input information for real-time wind direction prediction can be effectively processed by inputting for artificial neural network learning.

또한, 본 발명에 따르면, FFNets, DNN, CNN, LSTM 중 어느 하나의 인공신경망 학습방식을 이용하여 고층풍향, 고도 및 조도에 대응하는 실시간 풍향을 예측함으로써, 특정 지점에서의 실시간 풍향을 정확하게 예측할 수 있다.In addition, according to the present invention, the real-time wind direction at a specific point can be accurately predicted by predicting the real-time wind direction corresponding to the high-rise wind direction, altitude, and illuminance using any one artificial neural network learning method among FFNets, DNN, CNN, and LSTM. have.

아울러, 본 발명에 따르면, 특정 지점의 풍향 서비스가 요청될 경우 수집된 빅데터를 가공한 후 인공신경망 학습을 통해 실시간 풍향을 예측하여 제공할 수 있을 뿐만 아니라 바람장미, 위치별 풍환경 등과 같은 다양한 풍향 서비스를 효과적으로 제공할 수 있다.In addition, according to the present invention, when a wind direction service of a specific point is requested, the collected big data can be processed and then the real-time wind direction can be predicted and provided through artificial neural network learning, The wind direction service can be effectively provided.

도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치가 구축되는 서비스 시스템을 나타낸 블록구성도이며,
도 2는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치의 개념도를 예시한 도면이고,
도 3은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치를 나타낸 블록구성도이며,
도 4는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 수집된 빅데이터를 가공한 입력 정보의 인코딩을 설명하기 위한 도면이고,
도 5a 내지 도 5e는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 사용되는 인공신경망 학습방식을 설명하기 위한 도면이며,
도 6a 내지 6c는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 제공되는 실시간 풍향 서비스를 예시한 도면이고,
도 7은 본 발명의 다른 실시예에 따라 인공신경망을 이용하여 실시간 풍향 서비스를 제공하는 과정을 나타낸 플로우차트이다.1 is a block diagram showing a service system in which a real-time wind direction prediction service apparatus using an artificial neural network is constructed according to an embodiment of the present invention;
2 is a diagram illustrating a conceptual diagram of a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention;
3 is a block diagram showing a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention;
4 is a diagram for explaining encoding of input information processed by processing big data collected in a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention;
5A to 5E are diagrams for explaining an artificial neural network learning method used in a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention;
6A to 6C are diagrams illustrating a real-time wind direction service provided by a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention;
7 is a flowchart illustrating a process of providing a real-time wind direction service using an artificial neural network according to another embodiment of the present invention.

이하, 본 발명에 따른 인공신경망을 이용한 풍향 예측 서비스 장치 및 그 방법을 구현한 실시형태를 도면을 참조하여 자세히 설명한다.Hereinafter, an embodiment in which the wind direction prediction service apparatus and method using an artificial neural network according to the present invention are implemented will be described in detail with reference to the drawings.

다만, 본 발명의 본질적인(intrinsic) 기술적 사상은 이하에서 설명되는 실시형태에 의해 그 실시 가능 형태가 제한된다고 할 수는 없고, 본 발명의 본질적인(intrinsic) 기술적 사상에 기초하여 통상의 기술자에 의해 이하에서 설명되는 실시형태를 치환 또는 변경의 방법으로 용이하게 제안될 수 있는 범위를 포섭함을 밝힌다. However, the intrinsic technical idea of the present invention cannot be said to be limited by the embodiments described below, and the following by those skilled in the art based on the intrinsic technical idea of the present invention It is revealed that the range that can be easily suggested as a method of substitution or change of the embodiment described in is included.

또한, 이하에서 사용되는 용어는 설명의 편의를 위하여 선택한 것이므로, 본 발명의 본질적인(intrinsic) 기술적 사상을 파악하는 데 있어서, 사전적 의미에 제한되지 않고 본 발명의 기술적 사상에 부합되는 의미로 적절히 해석되어야 할 것이다. In addition, since the terms used below are selected for convenience of explanation, in grasping the intrinsic technical idea of the present invention, they are not limited to the dictionary meaning and are appropriately interpreted as meanings consistent with the technical spirit of the present invention. it should be

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치가 구축되는 서비스 시스템을 나타낸 블록구성도이며, 도 2는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치의 개념도를 예시한 도면이다.1 is a block diagram illustrating a service system in which a real-time wind direction prediction service apparatus using an artificial neural network is constructed according to an embodiment of the present invention, and FIG. 2 is a real-time wind direction prediction using an artificial neural network according to an embodiment of the present invention. It is a diagram illustrating a conceptual diagram of a service device.

도 1 및 2를 참조하면, 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치(100)가 구축되는 서비스 시스템은 통신단말기(10), 공공데이터베이스 서버(20), 통신망(30), 실시간 풍향 예측 서비스 장치(100) 등을 포함할 수 있다.1 and 2 , a service system in which a real-time wind direction prediction service apparatus 100 using an artificial neural network according to an embodiment of the present invention is constructed includes a communication terminal 10 , a public database server 20 , and a communication network 30 . ), the real-time wind direction prediction service apparatus 100 and the like.

통신단말기(10)는 실시간 풍향 서비스를 요청하는 단말기를 의미하는데, 예를 들어 컴퓨터, 노트북, 스마트폰 등을 포함하며, 사용자가 실시간 풍향 서비스를 요청하기 위해 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치(100)가 제공하는 웹사이트, 어플리케이션 등에 접속한 후 관측하고자 하는 예측지점에 대한 실시간 풍향 서비스를 요청할 수 있다.The communication terminal 10 refers to a terminal that requests a real-time wind direction service, and includes, for example, a computer, a laptop computer, a smart phone, etc., and an artificial neural network according to an embodiment of the present invention for a user to request a real-time wind direction service After accessing a website or application provided by the apparatus 100 for real-time wind direction prediction service using

이 후, 통신단말기(10)는 실시간 풍향 예측 서비스 장치(100)로부터 웹사이트, 어플리케이션 등을 통해 제공되는 실시간 풍향 서비스를 디스플레이할 수 있다.Thereafter, the communication terminal 10 may display a real-time wind direction service provided from the real-time wind direction prediction service apparatus 100 through a website, an application, or the like.

공공데이터베이스 서버(20)는 기상청의 기상자료개발포털, 국토지리정보원, 환경부의 환경공간정보서비스 등에서 각각 데이터베이스화하여 구축하고 있는 각종 기상관측정보, 지형정보, 지표정보 등을 포함하는 원시 빅데이터를 실시간 풍향 예측 서비스 장치(100)의 요청에 따라 제공할 수 있다.The public database server 20 stores raw big data including various meteorological observation information, topographic information, surface information, etc., each of which has been converted into a database in the meteorological data development portal of the Korea Meteorological Administration, the National Geographic Information Service, and the environmental spatial information service of the Ministry of Environment. The real-time wind direction prediction service may be provided according to the request of the apparatus 100 .

통신망(30)은 인터넷, 인트라넷, 유무선 통신망, 이동통신망 등을 포함하며, 통신단말기(10), 공공데이터베이스 서버(20) 및 실시간 풍향 예측 서비스 장치(100) 상호 간의 데이터 송수신 역할을 담당할 수 있다.The communication network 30 includes the Internet, an intranet, a wired/wireless communication network, a mobile communication network, and the like, and the communication terminal 10, the public database server 20, and the real-time wind direction prediction service device 100 may serve to transmit and receive data between each other. .

실시간 풍향 예측 서비스 장치(100)는 통신단말기(10)로부터 예측지점에 대한 실시간 풍향 서비스가 요청될 경우 공공데이터베이스 서버(20)로 원시 빅데이터를 요청하고, 공공데이터베이스 서버(20)로부터 원시 빅데이터(예를 들면, 원시 기상관측정보, 원시 지형정보, 원시 지표정보 등)가 수집될 경우 이들을 각각 가공하고, 가공된 고층풍향, 고도 및 조도를 포함하는 입력정보를 예측지점에 대응하여 인코딩하며, 인공신경망 학습을 통해 예측지점에서의 실시간 풍향을 예측한 후에, 예측된 풍향에 대응하는 실시간 풍향 서비스를 생성하여 통신단말기(10)로 제공할 수 있다.The real-time wind direction prediction service apparatus 100 requests raw big data to the public database server 20 when a real-time wind direction service for a prediction point is requested from the communication terminal 10 , and raw big data from the public database server 20 . (For example, when raw weather observation information, raw terrain information, raw surface information, etc.) are collected, they are processed individually, and input information including the processed high-rise wind direction, altitude, and illuminance is encoded corresponding to the predicted point, After predicting a real-time wind direction at a prediction point through artificial neural network learning, a real-time wind direction service corresponding to the predicted wind direction may be generated and provided to the communication terminal 10 .

다음에, 상술한 바와 같은 서비스 시스템에서 실시간 풍향 서비스가 요청될 경우 원시 빅데이터를 수집하고, 수집된 원시 빅데이터를 가공 및 인코딩하며, 인공신경망 학습을 통해 실시간 풍향을 예측한 후에, 실시간 풍향 서비스를 제공하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에 대해 상세하게 설명한다.Next, when a real-time wind direction service is requested in the service system as described above, raw big data is collected, the collected raw big data is processed and encoded, and the real-time wind direction is predicted through artificial neural network learning, and then the real-time wind direction service is provided. A real-time wind direction prediction service device using an artificial neural network that provides

도 3은 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치를 나타낸 블록구성도이다.3 is a block diagram illustrating a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치(100)는 인터페이스부(110), 빅데이터 수집부(120), 수집정보 가공부(130), 입력정보 인코딩부(140), 인공신경망 학습부(150), 풍향 서비스 제공부(160) 등을 포함할 수 있다.Referring to FIG. 3 , a real-time wind direction prediction service apparatus 100 using an artificial neural network according to an embodiment of the present invention includes an interface unit 110 , a big data collection unit 120 , a collection information processing unit 130 , and an input. It may include an information encoding unit 140 , an artificial neural network learning unit 150 , a wind direction service providing unit 160 , and the like.

인터페이스부(110)는 실시간 풍향 서비스를 요청받아 제공하는 것으로, 통신단말기(10)로부터의 요청에 따라 웹사이트, 어플리케이션 등을 통해 실시간 풍향 서비스 제공을 위한 입력화면을 제공하고, 이러한 입력화면을 통해 관측하고자 하는 예측지점, 서비스 종류 등을 입력할 경우 이에 대한 실시간 풍향을 예측하는 과정을 수행할 수 있도록 이 예측지점에 대한 정보를 전달할 수 있다.The interface unit 110 receives a request for a real-time wind direction service and provides it, and provides an input screen for providing a real-time wind direction service through a website, an application, etc. according to a request from the communication terminal 10, and through this input screen When a prediction point to be observed, a service type, etc. are input, information on the prediction point can be delivered so that the real-time wind direction prediction process can be performed.

또한, 인터페이스부(110)는 실시간 풍향이 예측되어 생성된 실시간 풍향 서비스를 실시간 풍향 서비스 제공 화면을 통해 통신단말기(10)로 제공할 수 있다.Also, the interface unit 110 may provide a real-time wind direction service generated by predicting a real-time wind direction to the communication terminal 10 through a real-time wind direction service providing screen.

빅데이터 수집부(120)는 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 것으로, 인터페이스부(110)로부터 예측지점에 대한 정보가 제공될 경우 공공데이터베이스 서버(20)로부터 기상청의 기상자료개발포털, 국토지리정보원, 환경부의 환경공간정보서비스 등에서 각각 데이터베이스화하여 구축하고 있는 각종 기상관측정보, 지형정보, 지표정보 등을 포함하는 원시 빅데이터(예를 들면, 원시 기상관측정보, 원시 지형정보, 원시 지표정보 등)를 수집할 수 있다.The big data collection unit 120 collects raw weather observation information, raw terrain information, and raw index information. Raw big data (e.g., raw weather observation information, raw terrain information, raw surface information, etc.) can be collected.

여기에서, 원시 기상관측정보는 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함하는데, 종관기상관측정보는 종관기상관측장비(Automated Surface Observing System, ASOS)를 통해 관측된 기압, 기온, 풍향, 풍속, 습도, 강수량(0.1mm, 0.5mm), 강우유무, 일사량, 일조시간, 지면온도, 초상온도 등을 포함할 수 있고, 방재기상관측정보는 자동기상관측장비(Automatic Weather Station, AWS)를 통해 관측된 풍향, 풍속, 기온, 기압, 습도, 강수량 등을 포함할 수 있으며, 연직바람관측정보는 연직바람관측장비(Wind Profiler)를 통해 측정된 바람, 대기상태 등을 포함할 수 있다.Here, the raw weather observation information includes synoptic weather observation information, disaster prevention meteorological observation information, and vertical wind observation information. , wind direction, wind speed, humidity, precipitation (0.1mm, 0.5mm), rainfall presence, insolation, sunlight time, ground temperature, supernormal temperature, etc. It may include wind direction, wind speed, temperature, atmospheric pressure, humidity, precipitation, etc. observed through AWS). have.

또한, 원시 지형정보는 수치표고모형(DEM : Digital Elevation Model)을 포함하고, 수치표고모형(DEM)은 블록, 단면 및 표고점의 세가지 요소에 의해 나타낼 수 있는데, 블록은 수치표고모형의 지리적 범위를 나타내며, 단면은 표본으로 추출된 표고점들의 선형 배열을 나타내고, 표고점은 규칙적인 점들, 단면을 따른 첫 번 째 점들, 네 코너의 점들을 포함할 수 있으며, 이러한 표고점은 좌표로 기록되어 저장됨으로써, 수치표고모형의 사변형 구역을 지리좌표체계로 인식할 수 있도록 한다.In addition, the raw topographic information includes a digital elevation model (DEM), and the digital elevation model (DEM) can be represented by three elements: a block, a section, and an elevation point. The cross section represents a linear arrangement of the sampled elevation points, and the elevation point may include regular points, the first points along the section, and four corner points, and these elevation points are recorded and stored as coordinates, so that numerical values The quadrilateral area of the elevation model can be recognized as a geographic coordinate system.

그리고, 원시 지표정보는 토지피복지도(LCM, Land Cover Map)를 포함하는데, 이는 지구표면 지형지물의 형태를 과학적 기준에 따라 분류하고, 동질의 특성을 지닌 구역을 폐곡선으로 지정한 후, 이를 컬러 인덱싱(Color Indexing)하여 쉽게 구분이 가능토록 한 주제도(theme-map)를 의미한다.And, the raw surface information includes the Land Cover Map (LCM), which classifies the shape of the earth's surface features according to scientific standards, designates areas with homogeneous characteristics as closed curves, and then color indexes them ( It means a theme-map that can be easily distinguished by color indexing.

수집정보 가공부(130)는 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도(altitude) 및 조도(roughness)를 획득하는 것으로, 원시 기상관측정보의 연직바람관측정보를 이용하여 연직 풍향정보를 가공하여 고층풍향을 획득할 수 있고, 원시 지형정보의 수치표고모형(DEM)을 가공하여 고도를 획득할 수 있으며, 원시 지표정보의 토지피복지도(LCM)를 가공하여 조도를 획득할 수 있으며, 이러한 고층풍향, 고도 및 조도를 입력정보 인코딩부(140)로 전달할 수 있다.The collection information processing unit 130 processes raw weather observation information, raw terrain information, and raw surface information to obtain high-rise wind direction, altitude, and roughness, respectively, and vertical wind observation information of raw weather observation information. High-rise wind direction can be obtained by processing vertical wind direction information using Illuminance may be acquired, and the high-rise wind direction, altitude, and illuminance may be transmitted to the input information encoding unit 140 .

입력정보 인코딩부(140)는 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 것으로, 고층풍향을 기준으로 하고, 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 고도와 조도를 수치화하는 방식으로 인코딩할 수 있다.The input information encoding unit 140 encodes the prediction point to be observed using input information including the high-rise wind direction, altitude, and illuminance, based on the high-rise wind direction, a plurality of etc. After forming the spaced concentric circles, it is possible to encode in a way that digitizes the altitude and illuminance for a plurality of peripheral points that are divided and appear at preset angular intervals.

예를 들면, 도 4는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 수집된 빅데이터를 가공한 입력 정보의 인코딩을 설명하기 위한 도면으로, 국내에서 제공되고 있는 10개 좌표의 고층풍향을 기본으로 하고, 관측을 하고자 하는 예측지점을 중심으로 반지름

Figure pat00001
의 원을 그리며, 그 안으로
Figure pat00002
개의 등간격 동심원을 형성한 후,
Figure pat00003
간격으로 예측지점과 주변지점을 있는 직선을 그려서 형성되는
Figure pat00004
개의 좌표에 대한 고도와 조도를 수치화하는 방식으로 정의할 수 있다.For example, FIG. 4 is a diagram for explaining encoding of input information processed by processing big data collected in a real-time wind direction prediction service device using an artificial neural network according to an embodiment of the present invention, and 10 Based on the high-rise wind direction of the coordinates, the radius around the prediction point to be observed
Figure pat00001
Draw a circle of
Figure pat00002
After forming equally spaced concentric circles,
Figure pat00003
It is formed by drawing a straight line with the predicted point and the surrounding points at intervals.
Figure pat00004
It can be defined in a way that quantifies the altitude and illuminance of the dog's coordinates.

인공신경망 학습부(150)는 인코딩된 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 예측지점에 대응하는 실시간 풍향을 예측하는 것으로, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network), LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 예측지점에 대응하는 실시간 풍향을 예측할 수 있다.The artificial neural network learning unit 150 predicts the real-time wind direction corresponding to the prediction point through artificial neural network learning by inputting the encoded high-rise wind direction, altitude, and illuminance as inputs. Network), CNN (Convolutional Neural Network), and LSTM (Long short-term memory) of any one artificial neural network learning method can be used to predict the real-time wind direction corresponding to the prediction point.

예를 들면, 도 5a 내지 도 5e는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 사용되는 인공신경망 학습방식을 설명하기 위한 도면으로, 도 5a에 도시한 바와 같이 FFNets(Feed-Forward Neural Networks)는 데이터를 입력하면 연산이 입력층에서 은닉층을 거쳐 출력층까지 차근차근 진행되고 이 과정에서 입력 데이터는 모든 노드를 딱 한번씩 지나가게 되는데, 입력층(Input Layer)에서 고층풍향, 고도 및 조도가 입력될 경우, 은닉층(Hidden Layer)을 거쳐 출력층(Output Layer)에서 특정 예측지점의 저층풍향을 예측하여 출력할 수 있다.For example, FIGS. 5A to 5E are diagrams for explaining an artificial neural network learning method used in a real-time wind direction prediction service apparatus using an artificial neural network according to an embodiment of the present invention. As shown in FIG. 5A, FFNets ( In Feed-Forward Neural Networks, when data is input, the operation is carried out step by step from the input layer through the hidden layer to the output layer. In this process, the input data passes through all nodes only once. When altitude and illuminance are input, the low-level wind direction at a specific predicted point can be predicted and output from the output layer through the hidden layer.

도 5b에 도시한 바와 같이 DNN(Deep Neural Network)은 모델 내 은닉층을 많이 늘려서 학습의 결과를 향상시키는 기법으로, 은닉층을 2개이상 구비하며, 컴퓨터가 스스로 분류 레이블을 만들어 공간을 왜곡하여 데이터를 구분하는 과정을 반복하여 최적의 예측값을 도출해낼 수 있는데, 많은 데이터와 반복학습, 사전학습과 오류역전파 기법 등을 통해 높은 예측효율을 나타낼 수 있다.As shown in Figure 5b, DNN (Deep Neural Network) is a technique that improves the learning result by increasing the number of hidden layers in the model. The optimal prediction value can be derived by repeating the classification process, and high prediction efficiency can be achieved through a large amount of data, iterative learning, pre-learning and error back-propagation techniques.

도 5c에 도시한 바와 같이 CNN(Convolutional Neural Network)는 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조로서, 컨볼루션(Convolution)과 풀링(Pooling)을 통해 진행되는데, 컨볼루션 과정은 데이터의 특징을 추출하는 과정으로 데이터에 각 성분의 인접 성분들을 조사해 특징을 파악하고, 파악한 특징을 한장으로 도출시킬 수 있으며, 파라미터의 갯수를 효과적으로 줄여주는 역할을 수행할 수 있고, 풀링 과정은 컨볼루션 과정을 거친 레이어의 사이즈를 줄여주는 과정으로 단순히 데이터의 사이즈를 줄여주며, 노이즈를 상쇄시키고, 미세한 부분에서 일관적인 특징을 제공할 수 있다.As shown in FIG. 5C , a Convolutional Neural Network (CNN) is a structure that extracts features of data to identify patterns of features, and proceeds through convolution and pooling. In the process of extracting features, it is possible to identify the features by examining the adjacent components of each component in the data, to derive the identified features in one sheet, and to effectively reduce the number of parameters, and the pooling process is a convolution process. It is a process of reducing the size of the layer that has undergone the process of reducing the size of data, canceling noise, and providing consistent features in minute details.

도 5d에 도시한 바와 같이 LSTM(Long short-term memory)는 다이어그램 상단에 있는 셀 스테이트(cell state)는 하나의 컨베이어 벨트와 같이 선형 연산을 거쳐 전체 체인을 관통하며, 이로 인해 정보는 다음 단계로 전달될 수 있고, 게이트(gate)를 활용하여 정보를 더하거나 제거하여 선택적으로 정보가 흘러들어갈 수 있으며, 미래의 예측 결과에 영향을 주도록 데이터가 흘러가도록 할 수 있다.As shown in Fig. 5d, in LSTM (Long short-term memory), the cell state at the top of the diagram passes through the entire chain through linear operation like a conveyor belt. Information can be transferred, selectively flowing in by adding or removing information using gates, and allowing data to flow to influence future prediction results.

풍향 서비스 제공부(160)는 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 것으로, 예를 들어 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 실시간 풍향 서비스를 제공할 수 있다.The wind direction service providing unit 160 provides a real-time wind direction service corresponding to the predicted real-time wind direction, for example, a real-time wind direction service including at least one of a real-time wind direction, a wind rose, and a wind environment by location. .

예를 들면, 도 6a 내지 6c는 본 발명의 일 실시예에 따른 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 제공되는 실시간 풍향 서비스를 예시한 도면으로, 도 6a에 도시한 바와 같은 실시간 풍향, 도 6b에 도시한 바와 같은 바람장미, 도 6c에 도시한 바와 같은 위치별 풍환경 등을 실시간 풍향 서비스로 제공할 수 있다.For example, FIGS. 6A to 6C are diagrams illustrating a real-time wind direction service provided by the apparatus for real-time wind direction prediction service using an artificial neural network according to an embodiment of the present invention. The wind rose as shown in Fig. 6c, the wind environment by location as shown in Fig. 6c, etc. can be provided as a real-time wind direction service.

따라서, 본 발명은 기상과 관련된 빅데이터를 수집하여 인공신경망 학습을 통해 특정 위치에서의 실시간 풍향을 예측함으로써, 실시간 풍향 서비스를 효과적으로 제공할 수 있다.Accordingly, the present invention can effectively provide a real-time wind direction service by collecting weather-related big data and predicting the real-time wind direction at a specific location through artificial neural network learning.

그리고, 본 발명은 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하고, 원시 기상관측정보를 가공한 고층풍향과 원시 지형정보를 가공한 고도와 원시지표정보를 가공한 조도를 인코딩한 후에, 인공신경망 학습을 위해 입력함으로써, 실시간 풍향 예측을 위한 입력 정보를 효과적으로 가공할 수 있다.In addition, the present invention collects raw weather observation information, raw terrain information, and raw surface information, and encodes the high-rise wind direction by processing raw weather information, altitude by processing raw terrain information, and illuminance by processing raw surface information , input for artificial neural network learning, it is possible to effectively process input information for real-time wind direction prediction.

또한, 본 발명은 FFNets, DNN, CNN, LSTM 중 어느 하나의 인공신경망 학습방식을 이용하여 고층풍향, 고도 및 조도에 대응하는 실시간 풍향을 예측함으로써, 특정 지점에서의 실시간 풍향을 정확하게 예측할 수 있다.In addition, the present invention predicts the real-time wind direction corresponding to the high-rise wind direction, altitude, and illuminance using an artificial neural network learning method of any one of FFNets, DNN, CNN, and LSTM, thereby accurately predicting the real-time wind direction at a specific point.

다음에, 상술한 바와 같은 구성을 갖는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치에서 특정 지점에서의 풍향 서비스가 요청될 경우 수집된 빅데이터를 가공한 입력 정보를 인코딩한 후에, 인공신경망 학습을 통해 실시간 풍향을 예측하고, 이와 관련된 실시간 풍향 서비스를 제공하는 과정에 대해 설명한다.Next, when the wind direction service is requested at a specific point in the real-time wind direction prediction service device using the artificial neural network having the configuration as described above, after encoding the input information processed from the collected big data, real-time through artificial neural network learning A process of predicting the wind direction and providing a related real-time wind direction service will be described.

도 7은 본 발명의 다른 실시예에 따라 인공신경망을 이용하여 실시간 풍향 서비스를 제공하는 과정을 나타낸 플로우차트이다.7 is a flowchart illustrating a process of providing a real-time wind direction service using an artificial neural network according to another embodiment of the present invention.

도 7을 참조하면, 통신단말기(10)를 통해 사용자가 실시간 풍향 예측 서비스 장치(100)에 접속하거나, 혹은 실시간 풍향 예측 서비스 장치(100)로부터 다운로드한 어플리케이션을 통해 관측하고자 하는 예측지점에 대한 실시간 풍향 서비스를 요청할 수 있다(단계711).Referring to FIG. 7 , a user accesses the real-time wind direction prediction service apparatus 100 through the communication terminal 10 or a real-time prediction point to be observed through an application downloaded from the real-time wind direction prediction service apparatus 100 . A wind direction service may be requested (step 711).

그리고, 실시간 풍향 예측 서비스 장치(100)에서는 통신단말기(10)로부터의 실시간 풍향 서비스 요청을 인터페이스부(110)를 통해 수신하여 빅데이터 수집부(120)로 이를 전달할 수 있다(단계713).In addition, the real-time wind direction prediction service apparatus 100 may receive the real-time wind direction service request from the communication terminal 10 through the interface unit 110 and transmit it to the big data collection unit 120 (step 713).

다음에, 빅데이터 수집부(120)에서는 실시간 풍향 서비스 요청에 따라 공공데이터베이스 서버(20)로 예측지점에 대응하는 원시 빅데이터(예를 들면, 원시 기상관측정보, 원시 지형정보 및 원시 지표정보)를 수집할 수 있다(단계715).Next, the big data collection unit 120 sends raw big data (eg, raw weather observation information, raw terrain information and raw index information) corresponding to the predicted point to the public database server 20 according to the real-time wind direction service request. can be collected (step 715).

여기에서, 기상청의 기상자료개발포털을 통해 수집되는 원시 기상관측정보는 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함할 수 있고, 국토지리정보원을 통해 수집되는 원시 지형정보는 수치표고모형(DEM : Digital Elevation Model)을 포함할 수 있으며, 환경부의 환경공간정보서비스를 통해 수집되는 원시 지표정보는 토지피복지도(LCM, Land Cover Map)를 포함할 수 있다.Here, the raw meteorological observation information collected through the meteorological data development portal of the Korea Meteorological Administration may include synoptic meteorological observation information, disaster prevention meteorological observation information, and vertical wind observation information, and the raw geographical information collected through the National Geographic Information Service is a numerical value. An elevation model (DEM: Digital Elevation Model) may be included, and raw index information collected through the Environmental Spatial Information Service of the Ministry of Environment may include a Land Cover Map (LCM).

그리고, 빅데이터 수집부(120)에서 수집된 원시 기상관측정보, 원시 지형정보 및 원시 지표정보는 수집정보 가공부(130)로 전달되고, 수집정보 가공부(130)에서는 이러한 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득할 수 있다(단계717).And, the raw weather observation information, raw terrain information, and raw index information collected in the big data collection unit 120 are transmitted to the collection information processing unit 130 , and the collection information processing unit 130 includes the raw weather observation information, The high-rise wind direction, altitude, and illuminance may be obtained by processing the raw topographic information and the raw surface information, respectively (step 717).

다음에, 수집정보 가공부(130)에서 획득된 고층풍향, 고도 및 조도를 입력정보로 하여 입력정보 인코딩부(140)로 전달하고, 입력정보 인코딩부(140)에서는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩할 수 있다(단계719).Next, the high-rise wind direction, altitude, and illuminance obtained in the collection information processing unit 130 are transmitted to the input information encoding unit 140 as input information, and the input information encoding unit 140 uses the input information to observe can be encoded corresponding to the prediction point (step 719).

이러한 단계(719)에서는 고층풍향을 기준으로 하고, 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 고도와 조도를 수치화하는 방식으로 인코딩할 수 있는데, 도 4에 도시한 바와 같이 국내에서 제공되고 있는 10개 좌표의 고층풍향을 기본으로 하고, 관측을 하고자 하는 예측지점을 중심으로 반지름

Figure pat00005
의 원을 그리며, 그 안으로
Figure pat00006
개의 등간격 동심원을 형성한 후,
Figure pat00007
간격으로 예측지점과 주변지점을 있는 직선을 그려서 형성되는
Figure pat00008
개의 좌표에 대한 고도와 조도를 수치화하는 방식으로 정의할 수 있다.In this step (719), based on the high-rise wind direction, a plurality of equally spaced concentric circles are formed with the predicted point as the center, and then the altitude and illuminance are digitized for a plurality of peripheral points that are divided and appear at preset angular intervals. As shown in FIG. 4, based on the high-rise wind direction of 10 coordinates provided in Korea, the radius is centered on the prediction point to be observed.
Figure pat00005
Draw a circle of
Figure pat00006
After forming equally spaced concentric circles,
Figure pat00007
It is formed by drawing a straight line with the predicted point and the surrounding points at intervals.
Figure pat00008
It can be defined in a way that quantifies the altitude and illuminance of the dog's coordinates.

그리고, 입력정보 인코딩부(140)에서 인코딩된 고층풍향, 고도 및 조도를 인공신경망 학습부(150)로 전달하고, 인공신경망 학습부(150)에서는 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 예측지점에 대응하는 실시간 풍향을 예측할 수 있다(단계721).Then, the high-rise wind direction, altitude, and illuminance encoded by the input information encoding unit 140 are transmitted to the artificial neural network learning unit 150, and the artificial neural network learning unit 150 receives the high-rise wind direction, altitude, and illuminance as inputs. It is possible to predict a real-time wind direction corresponding to the prediction point through learning (step 721).

여기에서, 인공신경망 학습은 FFNets, DNN, CNN 및 LSTM 중 어느 하나의 인공신경망 학습방식을 이용하여 수행되는데, FFNets의 경우 입력층(Input Layer)에서 고층풍향, 고도 및 조도가 입력될 경우, 은닉층(Hidden Layer)을 거쳐 출력층(Output Layer)에서 특정 예측지점의 저층풍향을 예측하여 출력할 수 있다.Here, artificial neural network learning is performed using any one artificial neural network learning method among FFNets, DNN, CNN, and LSTM. It is possible to predict and output the low wind direction at a specific prediction point in the output layer through the hidden layer.

이어서, 인공신경망 학습부(150)에서 예측된 실시간 풍향은 풍향 서비스 제공부(160)로 전달되고, 풍향 서비스 제공부(160)에서는 실시간 풍향을 가공하여 실시간 풍향 서비스와 관련된 서비스 화면으로 생성한 후에, 인터페이스부(110)를 통해 통신단말기(10)에 실시간 풍향 서비스를 제공할 수 있다(단계723).Next, the real-time wind direction predicted by the artificial neural network learning unit 150 is transmitted to the wind direction service providing unit 160 , and the wind direction service providing unit 160 processes the real-time wind direction to generate a service screen related to the real-time wind direction service. , a real-time wind direction service may be provided to the communication terminal 10 through the interface unit 110 (step 723).

여기에서, 실시간 풍향 서비스는 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함할 수 있다.Here, the real-time wind direction service may include at least one of a real-time wind direction, a wind rose, and a wind environment for each location.

따라서, 본 발명은 특정 지점의 풍향 서비스가 요청될 경우 수집된 빅데이터를 가공한 후 인공신경망 학습을 통해 실시간 풍향을 예측하여 제공할 수 있을 뿐만 아니라 바람장미, 위치별 풍환경 등과 같은 다양한 풍향 서비스를 효과적으로 제공할 수 있다.Therefore, in the present invention, when a wind direction service at a specific point is requested, the collected big data is processed and then the real-time wind direction can be predicted and provided through artificial neural network learning, as well as various wind direction services such as wind roses and wind environments by location. can be provided effectively.

Claims (15)

원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 빅데이터 수집부와,
상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 수집정보 가공부와,
상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 입력정보 인코딩부와,
인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 인공신경망 학습부와,
상기 예측된 실시간 풍향에 대응하는 실시간 풍향 서비스를 제공하는 풍향 서비스 제공부
를 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.A big data collection unit that collects raw weather observation information, raw terrain information, and raw index information;
a collection information processing unit that processes the raw weather observation information, raw terrain information, and raw surface information to obtain high-rise wind direction, altitude, and illuminance, respectively;
an input information encoding unit for encoding corresponding to a predicted point to be observed using input information including the high-rise wind direction, altitude, and illuminance;
An artificial neural network learning unit for predicting a real-time wind direction corresponding to the prediction point through artificial neural network learning by inputting the encoded high-rise wind direction, altitude, and illuminance;
A wind direction service providing unit that provides a real-time wind direction service corresponding to the predicted real-time wind direction
A real-time wind direction prediction service device using an artificial neural network comprising a. 제 1 항에 있어서,
상기 입력정보 인코딩부는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.The method of claim 1,
The input information encoding unit, based on the high-rise wind direction, forms a plurality of equally spaced concentric circles with the predicted point as the center, and then divides the altitude and illuminance for a plurality of peripheral points divided at preset angular intervals. A real-time wind direction prediction service device using an artificial neural network that encodes in a numerical way. 제 1 항에 있어서,
상기 인공신경망 학습부는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.The method of claim 1,
The artificial neural network learning unit, FFNets (Feed-Forward Neural Networks), DNN (Deep Neural Network), CNN (Convolutional Neural Network), and LSTM (Long short-term memory) artificial neural network using any one of the artificial neural network learning method A real-time wind direction prediction service device using 제 1 항에 있어서,
상기 풍향 서비스 제공부는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.The method of claim 1,
The wind direction service providing unit is a real-time wind direction prediction service apparatus using an artificial neural network that provides the real-time wind direction service including at least one of a real-time wind direction, a wind rose, and a wind environment for each location. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.5. The method according to any one of claims 1 to 4,
The raw weather observation information, a real-time wind direction prediction service apparatus using an artificial neural network including synoptic weather observation information, disaster prevention weather observation information, and vertical wind observation information. 제 5 항에 있어서,
상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.6. The method of claim 5,
The raw terrain information is a real-time wind direction prediction service device using an artificial neural network including a digital elevation model (DEM). 제 6 항에 있어서,
상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.7. The method of claim 6,
The raw index information is a real-time wind direction prediction service device using an artificial neural network including a land cover map (LCM). 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 실시간 풍향 예측 서비스 장치는,
상기 실시간 풍향 서비스를 요청받아 제공하는 인터페이스부
를 더 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 장치.5. The method according to any one of claims 1 to 4,
The real-time wind direction prediction service device,
Interface unit for receiving and providing the real-time wind direction service
A real-time wind direction prediction service device using an artificial neural network further comprising a. 실시간 풍향 서비스를 요청될 경우 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 수집하는 단계와,
상기 원시 기상관측정보, 원시 지형정보 및 원시 지표정보를 각각 가공하여 고층풍향, 고도 및 조도를 획득하는 단계와,
상기 고층풍향, 고도 및 조도를 포함하는 입력정보를 이용하여 관측하고자 하는 예측지점에 대응하여 인코딩하는 단계와,
인코딩된 상기 고층풍향, 고도 및 조도를 입력으로 하여 인공신경망 학습을 통해 상기 예측지점에 대응하는 실시간 풍향을 예측하는 단계와,
상기 예측된 실시간 풍향에 대응하는 상기 실시간 풍향 서비스를 제공하는 단계
를 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.When a real-time wind direction service is requested, collecting raw weather observation information, raw terrain information, and raw index information;
processing the raw weather observation information, raw terrain information, and raw index information to obtain high-rise wind direction, altitude, and illuminance, respectively;
encoding the predicted point to be observed using input information including the high-rise wind direction, altitude, and illuminance;
Predicting the real-time wind direction corresponding to the predicted point through artificial neural network learning by inputting the encoded high-rise wind direction, altitude, and illuminance;
providing the real-time wind direction service corresponding to the predicted real-time wind direction;
A real-time wind direction prediction service method using an artificial neural network comprising a. 제 9 항에 있어서,
상기 인코딩하는 단계는, 상기 고층풍향을 기준으로 하고, 상기 예측지점을 중심으로 하여 복수의 등간격 동심원을 형성한 후에, 기 설정된 각도 간격으로 분할되어 나타나는 복수의 주변지점에 대해 상기 고도와 조도를 수치화하는 방식으로 인코딩하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.10. The method of claim 9,
In the encoding step, based on the high-rise wind direction, after forming a plurality of equally spaced concentric circles with the prediction point as the center, the altitude and illuminance for a plurality of peripheral points that are divided and appear at preset angular intervals A real-time wind direction prediction service method using an artificial neural network that encodes in a numerical way. 제 9 항에 있어서,
상기 실시간 풍향을 예측하는 단계는, FFNets(Feed-Forward Neural Networks), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 LSTM(Long short-term memory) 중 어느 하나의 인공신경망 학습방식을 이용하여 인공신경망 학습하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.10. The method of claim 9,
Predicting the real-time wind direction uses any one artificial neural network learning method of FFNets (Feed-Forward Neural Networks), DNN (Deep Neural Network), CNN (Convolutional Neural Network), and LSTM (Long short-term memory). A real-time wind direction prediction service method using an artificial neural network learning artificial neural network. 제 9 항에 있어서,
상기 실시간 풍향 서비스를 제공하는 단계는, 실시간 풍향, 바람장미 및 위치별 풍환경 중 적어도 하나를 포함하는 상기 실시간 풍향 서비스를 제공하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.10. The method of claim 9,
The providing of the real-time wind direction service includes: a real-time wind direction prediction service method using an artificial neural network for providing the real-time wind direction service including at least one of a real-time wind direction, a wind rose, and a wind environment for each location. 제 9 항 내지 제 12 항 중 어느 한 항에 있어서,
상기 원시 기상관측정보는, 종관기상관측정보, 방재기상관측정보 및 연직바람관측정보를 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.13. The method according to any one of claims 9 to 12,
The raw weather observation information, a real-time wind direction prediction service method using an artificial neural network including synoptic weather observation information, disaster prevention weather observation information, and vertical wind observation information. 제 13 항에 있어서,
상기 원시 지형정보는, 수치표고모형(DEM : Digital Elevation Model)을 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.14. The method of claim 13,
The raw terrain information is a real-time wind direction prediction service method using an artificial neural network including a digital elevation model (DEM). 제 14 항에 있어서,
상기 원시 지표정보는, 토지피복지도(LCM, Land Cover Map)를 포함하는 인공신경망을 이용한 실시간 풍향 예측 서비스 방법.15. The method of claim 14,
The raw index information is a real-time wind direction prediction service method using an artificial neural network including a land cover map (LCM, Land Cover Map).
KR1020200029647A 2020-03-10 2020-03-10 Real-time wind direction forecast service apparatus using artificial neural network and its method KR102413717B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200029647A KR102413717B1 (en) 2020-03-10 2020-03-10 Real-time wind direction forecast service apparatus using artificial neural network and its method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200029647A KR102413717B1 (en) 2020-03-10 2020-03-10 Real-time wind direction forecast service apparatus using artificial neural network and its method

Publications (2)

Publication Number Publication Date
KR20210114226A true KR20210114226A (en) 2021-09-23
KR102413717B1 KR102413717B1 (en) 2022-06-27

Family

ID=77926412

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200029647A KR102413717B1 (en) 2020-03-10 2020-03-10 Real-time wind direction forecast service apparatus using artificial neural network and its method

Country Status (1)

Country Link
KR (1) KR102413717B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100619144B1 (en) 2003-04-24 2006-08-31 오재호 System and method for processing weather data in a realtime
KR101035398B1 (en) * 2010-11-22 2011-05-20 (주)에코브레인 Specific point weather prediction base new and renewable energy producing quantity real-time prediction method and the system
KR20140000857A (en) * 2012-06-26 2014-01-06 (주)큐버솔루션 Surface roughness model
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
KR101844044B1 (en) * 2017-09-19 2018-03-30 (주)지비엠아이엔씨 Wind power system and method using wearther research forecasting
KR102025335B1 (en) * 2019-01-30 2019-09-25 서울대학교산학협력단 Automatic determination method and system of design wind speed based on artificial intelligence

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100619144B1 (en) 2003-04-24 2006-08-31 오재호 System and method for processing weather data in a realtime
KR101035398B1 (en) * 2010-11-22 2011-05-20 (주)에코브레인 Specific point weather prediction base new and renewable energy producing quantity real-time prediction method and the system
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
KR20140000857A (en) * 2012-06-26 2014-01-06 (주)큐버솔루션 Surface roughness model
KR101844044B1 (en) * 2017-09-19 2018-03-30 (주)지비엠아이엔씨 Wind power system and method using wearther research forecasting
KR102025335B1 (en) * 2019-01-30 2019-09-25 서울대학교산학협력단 Automatic determination method and system of design wind speed based on artificial intelligence

Also Published As

Publication number Publication date
KR102413717B1 (en) 2022-06-27

Similar Documents

Publication Publication Date Title
Kang et al. Air quality prediction: Big data and machine learning approaches
Zheng et al. GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong
KR20190057013A (en) System for managing detailed weather prediction information in real time and method to use for impact forecasting of heat-wave and tropical night using the system
Das et al. Assessment of urban sprawl using landscape metrics and Shannon’s entropy model approach in town level of Barrackpore sub-divisional region, India
KR100982447B1 (en) Landslide occurrence prediction system and predicting method using the same
CN110956412B (en) Flood dynamic assessment method, device, medium and equipment based on real-scene model
CN112819340A (en) Urban flood disaster dynamic evaluation method based on multi-source data
CN111079999A (en) Flood disaster susceptibility prediction method based on CNN and SVM
Kim et al. Mapping local vulnerabilities into a 3D city model through social sensing and the CAVE system toward digital twin city
Chen et al. An LSTM-based neural network method of particulate pollution forecast in China
Ashrafi et al. Prediction of climate change induced temperature rise in regional scale using neural network
Li et al. Extreme wind climate of the Arabian Peninsula characterized by using WRF simulation
Wahiduzzaman et al. Impact assessment of Indian Ocean Dipole on the North Indian Ocean tropical cyclone prediction using a Statistical model
Bahari et al. Prediction of PM2. 5 concentrations using temperature inversion effects based on an artificial neural network
KR102413717B1 (en) Real-time wind direction forecast service apparatus using artificial neural network and its method
Liu et al. Volcanic ash cloud diffusion from remote sensing image using LSTM-CA method
Varentsov et al. Citizen weather stations data for monitoring applications and urban climate research: an example of Moscow megacity
Zhang et al. Distribution patterns and influencing factors of population exposure risk to particulate matters based on cell phone signaling data
Appiagyei et al. Simulating land use and land cover change in a semi-arid region from 1989 to 2039: the case of Hafir-Zariffet forest, Tlemcen, Algeria
Akbary et al. Simulation and analysis of polluted days in Tehran
Abuelaish Urban land use change analysis and modeling: a case study of the Gaza Strip
CN114444796A (en) Cross-regional air pollution prediction method and system based on graph neural network
Kim et al. Urban green and blue infrastructure effect on the micro-scale thermal environment in a residential neighborhood: Mueller, Austin, TX
Liu Urban groundwater quality monitoring and state-owned assets management optimization based on spatial information processing
Tsiros et al. Estimating airborne pollutant concentrations in vegetated urban sites using statistical models with microclimate and urban geometry parameters as predictor variables: A case study in the city of Athens Greece

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