KR20220076748A - 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치 - Google Patents

기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치 Download PDF

Info

Publication number
KR20220076748A
KR20220076748A KR1020200165552A KR20200165552A KR20220076748A KR 20220076748 A KR20220076748 A KR 20220076748A KR 1020200165552 A KR1020200165552 A KR 1020200165552A KR 20200165552 A KR20200165552 A KR 20200165552A KR 20220076748 A KR20220076748 A KR 20220076748A
Authority
KR
South Korea
Prior art keywords
information
numerical
model
numerical forecast
forecast
Prior art date
Application number
KR1020200165552A
Other languages
English (en)
Other versions
KR102477509B1 (ko
Inventor
나성준
성성철
Original Assignee
주식회사 동녘
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 주식회사 동녘 filed Critical 주식회사 동녘
Priority to KR1020200165552A priority Critical patent/KR102477509B1/ko
Publication of KR20220076748A publication Critical patent/KR20220076748A/ko
Application granted granted Critical
Publication of KR102477509B1 publication Critical patent/KR102477509B1/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Computational Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치가 개시된다. 개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들, 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 제1 데이터 수집 모듈, 기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 제2 데이터 수집 모듈, 각 수치 예보 정보 및 기상 관측 정보에 기초하여 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 가중치 산출 모듈, 및 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 기상 예측 모듈을 포함한다.

Description

기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치{METHOD FOR GENERATING WEATHER PREDICTION INFORMATION AND COMPUTING DEVICE FOR EXECUTING THE METHOD}
본 발명의 실시예는 기상 예측 기술과 관련된다.
각 국가에서는 기상 예측을 위하여 슈퍼 컴퓨터를 통해서 수치 예보 모델을 운용하고 있으며, 수치 예보 모델 자료를 기반으로 기상 예측 정보를 생성하고 있다. 그러나, 각 수치 예보 모델에서 생성된 수치 예보 모델 자료는 실제 관측된 데이터와 오차가 발생하여 그 정확도를 높일 필요가 있다.
한국등록특허공보 제10-1822395호(2018.01.26)
개시되는 일 실시예는 기상 예측의 정확도를 향상시킬 수 있는 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치를 제공하기 위한 것이다.
개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 제1 데이터 수집 모듈; 기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 제2 데이터 수집 모듈; 상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 가중치 산출 모듈; 및 상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 기상 예측 모듈을 포함한다.
상기 가중치 산출 모듈은, 특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하고, 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하며, 상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.
상기 가중치 산출 모듈은, 기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하고, 상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출할 수 있다.
상기 가중치 산출 모듈은, 하기의 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.
(수학식)
Figure pat00001
x: x번째 수치 예보 모델
Weight(x): x번째 수치 예보 모델의 모델 가중치
n: 수치 예보 모델의 개수
MAE (x): x번째 수치 예보 모델의 평균 절대 오차
상기 기상 예측 모듈은, 하기 수학식을 통해 상기 기상 예측 정보를 생성할 수 있다.
(수학식)
Figure pat00002
Valus(Op): 기상 예측 정보
Value(x): x번째 수치 예보 모델의 수치 예보 정보
Weight(x): x번재 수치 예보 모델의 모델 가중치
개시되는 일 실시예에 따른 기상 예측 정보 생성 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 동작; 기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 동작; 상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 동작; 및 상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 동작을 포함한다.
상기 모델 가중치를 산출하는 동작은, 특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하는 동작; 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하는 동작; 및 상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출하는 동작을 포함할 수 있다.
상기 평균 절대 오차를 산출하는 동작은, 기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하는 동작; 및 상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출하는 동작을 포함할 수 있다.
상기 각 수치 예보 모델의 모델 가중치를 산출하는 동작은, 하기 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.
(수학식)
Figure pat00003
x: x번째 수치 예보 모델
Weight(x): x번째 수치 예보 모델의 모델 가중치
n: 수치 예보 모델의 개수
MAE (x): x번째 수치 예보 모델의 평균 절대 오차
상기 기상 예측 정보를 생성하는 동작은, 하기 수학식을 통해 상기 기상 예측 정보를 생성할 수 있다.
(수학식)
Figure pat00004
Valus(Op): 기상 예측 정보
Value(x): x번째 수치 예보 모델의 수치 예보 정보
Weight(x): x번재 수치 예보 모델의 모델 가중치
개시되는 실시예에 의하면, 복수 개의 수치 예보 모델이 생성하는 각 수치 예보 정보에 대해 실제 기상 관측 정보 간의 평균 절대 오차를 산출하여 모델 가중치를 산출하고, 각 수치 예보 정보와 각 모델 가중치에 기반하여 기상 예측 정보를 생성함으로써, 복수 개의 수치 예보 모델에서 발생하는 오차를 줄여 최적의 기상 예측 정보를 생성할 수 있으며, 그로 인해 기상 예측 정확도를 높일 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 기상 예측 정보 생성 장치의 구성을 나타낸 도면
도 2는 본 발명의 일 실시예에서 각 수치 예보 모델에 대해 모델 가중치를 산출하는 과정을 개략적으로 설명하기 위한 도면
도 3은 본 발명의 일 실시예에서 기상 예측 모듈이 기상 예측 정보를 생성하는 과정을 개략적으로 설명하기 위한 도면
도 4는 본 발명의 일 실시예에 따른 기상 예측 정보 생성 방법을 설명하기 위한 흐름도
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 기상 예측 정보 생성 장치의 구성을 나타낸 도면이다.
도 1을 참조하면, 기상 예측 정보 생성 장치(100)는 제1 데이터 수집 모듈(102), 제2 데이터 수집 모듈(104), 가중치 산출 모듈(106), 및 기상 예측 모듈(108)을 포함할 수 있다.
일 실시예에서, 제1 데이터 수집 모듈(102), 제2 데이터 수집 모듈(104), 가중치 산출 모듈(106), 및 기상 예측 모듈(108)은 물리적으로 구분된 하나 이상의 장치를 이용하여 구현되거나, 하나 이상의 프로세서 또는 하나 이상의 프로세서 및 소프트웨어의 결합에 의해 구현될 수 있으며, 도시된 예와 달리 구체적 동작에 있어 명확히 구분되지 않을 수 있다.
제1 데이터 수집 모듈(102)은 기 설정된 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집할 수 있다.
예시적인 실시예에서, 제1 데이터 수집 모듈(102)은 제1 수치 예보 모델(M1), 제2 수치 예보 모델(M2), 및 제3 수치 예보 모델(M3)에서 생성된 수치 예보 정보를 각각 수집할 수 있다.
즉, 제1 데이터 수집 모듈(102)은 제1 수치 예보 모델(M1)로부터 제1 수치 예보 정보를 수집하고, 제2 수치 예보 모델(M2)로부터 제2 수치 예보 정보를 수집하며, 제3 수치 예보 모델(M3)로부터 제3 수치 예보 정보를 수집할 수 있다. 여기서는, 수치 예보 모델이 3개인 것을 일 예로 설명하나, 수치 예보 모델의 개수가 이에 한정되는 것은 아니다.
예를 들어, 제1 수치 예보 모델(M1)은 UM-GDAPS(Unified Model-Global Data Assimilation and Prediction System)일 수 있다. 제2 수치 예보 모델(M2)은 ECMWF-HRES(European Centre for Medium-range Weather Forecasts-Highest RESolution model)일 수 있다. 제3 수치 예보 모델(M3)은 NOAA-GFS(National Oceanic and Atmospheric Administration-Global Forecast System)일 수 있다.
제1 수치 예보 모델(M1) 내지 제3 수치 예보 모델(M3)은 각각 기 설정된 주기(예를 들어, 12시간 등)로 수치 예보 정보를 생성할 수 있다. 여기서, 수치 예보 정보는 지역별 기온, 습도, 풍속, 풍향, 기압, 파고, 및 수온 등 기상 요소에 대한 정보가 포함될 수 있다. 수치 예보 정보는 GRIB(General Regularly-distributed Information in Binary form) 형태로 생성될 수 있다.
GRIB는 세계 기상 기구(World Meteorological Organization: WMO)에서 만든 기상 자료를 위한 형식으로 데이터를 격자점에 저장하는 형식이다. 즉, GRIB는 기상의 예측 영역을 격자 형태로 구획하고, 각 격자점에 기상 요소 값이 저장되어 있는 형태일 수 있다.
제1 데이터 수집 모듈(102)은 제1 수치 예보 모델(M1) 내지 제3 수치 예보 모델(M3)로부터 각각 수집한 제1 수치 예보 정보 내지 제3 수치 예보 정보를 데이터베이스(미도시)에 저장할 수 있다. 예시적인 실시예에서, 제1 데이터 수집부(102a)는 수집한 제1 수치 예보 정보 내지 제3 수치 예보 정보 중 기 설정된 예보 영역(예를 들어, 한반도 권역 등)을 추출하여 데이터베이스(미도시)에 저장할 수 있다. 여기서, 기 설정된 예보 영역은 기상 예측 정보 생성 장치(100)를 통해 기상 예측을 수행하기 위한 영역일 수 있다.
제2 데이터 수집 모듈(104)은 기상 관측 정보를 수집할 수 있다. 예시적인 실시예에서, 제2 데이터 수집 모듈(104)은 기 설정된 예보 영역(예를 들어, 한반도 권역 등)에 대한 기상 관측 정보를 수집할 수 있다. 여기서, 기상 관측 정보는 지역별 기온, 습도, 풍속, 풍향, 기압, 파고, 및 수온 등 기상 요소에 대한 정보가 포함될 수 있다.
제2 데이터 수집 모듈(104)은 자동 기상 관측 장비(Automatic Weather System: AWS) 및 종관 기상 관측 장비(Automated Synoptic Observing System: ASOS) 등과 같은 기상 관측 장비로부터 기상 관측 정보를 수집할 수 있다. 제2 데이터 수집 모듈(104)은 기상 관측 정보를 데이터베이스(미도시)에 저장할 수 있다. 예를 들어, 제2 데이터 수집 모듈(104)은 1시간 간격으로 기상 관측 정보를 수집할 수 있으나, 이에 한정되는 것은 아니다.
가중치 산출 모듈(106)은 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출할 수 있다. 가중치 산출 모듈(106)은 복수 개의 수치 예보 모델에서 생성된 각 수치 예보 정보 및 기상 관측 정보에 기초하여 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출할 수 있다. 여기서, 모델 가중치는 각 수치 예보 모델에서 생성한 수치 예보 정보에 대해 어느 정도의 가중치를 부여할 것인지에 대한 정보일 수 있다.
도 2는 본 발명의 일 실시예에서 각 수치 예보 모델에 대해 모델 가중치를 산출하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2를 참조하면, 가중치 산출 모듈(106)은 특정 시점으로부터 기 설정된 기간(예를 들어, 특정 시점으로부터 과거 24 시간) 동안의 기상 관측 정보(value_Obs), 제1 수치 예보 정보(value_F1), 제2 수치 예보 정보(value_F2), 및 제3 수치 예보 정보(value_F3)를 데이터베이스(미도시)에서 각각 추출할 수 있다. 이때, 가중치 산출 모듈(106)은 기 설정된 예보 영역에 대한 기상 관측 정보(value_Obs), 제1 수치 예보 정보(value_F1), 제2 수치 예보 정보(value_F2), 및 제3 수치 예보 정보(value_F3)를 각각 추출할 수 있다.
가중치 산출 모듈(106)은 기 설정된 시간 간격(예를 들어, 3시간 간격)으로 기상 관측 정보(value_Obs)와 제1 수치 예보 정보(value_F1) 내지 제3 수치 예보 정보(value_F3)를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error: AE)를 산출할 수 있다. 여기서, 절대 오차는 기상 관측 정보와 각 수치 예보 정보 간의 차이에 대한 절대값일 수 있다.
가중치 산출 모듈(106)은 각 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error: MAE)를 산출할 수 있다. 즉, 가중치 산출 모듈(106)은 제1 수치 예보 정보(value_F1)에 대한 절대 오차를 평균하여 제1 수치 예보 모델(M1)에 대한 평균 절대 오차(MAE1)를 산출할 수 있다. 또한, 가중치 산출 모듈(106)은 제2 수치 예보 정보(value_F2)에 대한 절대 오차를 평균하여 제2 수치 예보 모델(M2)에 대한 평균 절대 오차(MAE2)를 산출할 수 있다. 또한, 가중치 산출 모듈(106)은 제3 수치 예보 정보(value_F3)에 대한 절대 오차를 평균하여 제3 수치 예보 모델(M3)에 대한 평균 절대 오차(MAE3)를 산출할 수 있다.
가중치 산출 모듈(106)은 각 수치 예보 모델에 대한 평균 절대 오차를 기반으로 각 수치 예보 모델의 모델 가중치를 산출할 수 있다. 예시적인 실시예에서, 가중치 산출 모듈(106)은 다음의 수학식 1을 통해 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.
(수학식 1)
Figure pat00005
x : x번째 수치 예보 모델
Weight(x) : x번째 수치 예보 모델의 모델 가중치
n : 수치 예보 모델의 개수
MAE (x) : x번째 수치 예보 모델의 평균 절대 오차
기상 예측 모듈(108)은 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성할 수 있다. 기상 예측 모듈(108)은 특정 시점(예를 들어, 현재 시점)을 기준으로 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성할 수 있다.
도 3은 본 발명의 일 실시예에서 기상 예측 모듈(108)이 기상 예측 정보를 생성하는 과정을 개략적으로 설명하기 위한 도면이다.
도 3을 참조하면, 기상 예측 모듈(108)은 특정 시점을 기준으로 기 설정된 시간 간격(예를 들어, 3시간 간격) 마다 기상 예측 정보(value_Op)를 생성할 수 있다. 기상 예측 모듈(108)은 제1 수치 예보 정보(value_1), 제2 수치 예보 정보(value_2), 및 제3 수치 예보 정보(value_3) 각각에 제1 모델 가중치, 제2 모델 가중치, 및 제3 모델 가중치를 곱한 후 이를 합산하여 기상 예측 정보(value_Op)를 생성할 수 있다. 기상 예측 모듈(108)은 기상 예측 정보(value_Op)를 데이터베이스(미도시)에 저장할 수 있다.
수치 예보 모델이 n개가 있는 경우, 기상 예측 모듈(108)이 아래의 수학식 2를 통해 기상 예측 정보(value_Op)를 생성할 수 있다.
(수학식 2)
Figure pat00006
Value(x): x번째 수치 예보 모델의 수치 예보 정보
Weight(x): x번째 수치 예보 모델의 모델 가중치
개시되는 실시예에 의하면, 복수 개의 수치 예보 모델이 생성하는 각 수치 예보 정보에 대해 실제 기상 관측 정보 간의 평균 절대 오차를 산출하여 모델 가중치를 산출하고, 각 수치 예보 정보와 각 모델 가중치에 기반하여 기상 예측 정보를 생성함으로써, 복수 개의 수치 예보 모델에서 발생하는 오차를 줄여 최적의 기상 예측 정보를 생성할 수 있으며, 그로 인해 기상 예측 정확도를 높일 수 있게 된다.
본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.
도 4는 본 발명의 일 실시예에 따른 기상 예측 정보 생성 방법을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 4를 참조하면, 기상 예측 정보 생성 장치(100)는 각 수치 예보 모델로부터 수치 예보 정보를 수집한다(S 101). 기상 예측 정보 생성 장치(100)는 수집한 각 수치 예보 정보 중 기 설정된 예보 영역에 대한 정보를 추출하여 저장할 수 있다.
다음으로, 기상 예측 정보 생성 장치(100)는 기 설정된 예보 영역에 대한 기상 관측 정보를 수집한다(S 103).
다음으로, 기상 예측 정보 생성 장치(100)는 복수 개의 수치 예보 모델에서 생성된 각 수치 예보 정보 및 기상 관측 정보에 기초하여 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출한다(S 105).
다음으로, 기상 예측 정보 생성 장치(100)는 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성한다(S 107).
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 기상 예측 정보 생성 장치(100)일 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 기상 예측 정보 생성 장치
102 : 제1 데이터 수집 모듈
104 : 제2 데이터 수집 모듈
106 : 가중치 산출 모듈
108 : 기상 예측 모듈

Claims (10)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서,
    복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 제1 데이터 수집 모듈;
    기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 제2 데이터 수집 모듈;
    상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 가중치 산출 모듈; 및
    상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 기상 예측 모듈을 포함하는, 컴퓨팅 장치.
  2. 청구항 1에 있어서,
    상기 가중치 산출 모듈은,
    특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하고, 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하며, 상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출하는, 컴퓨팅 장치.
  3. 청구항 2에 있어서,
    상기 가중치 산출 모듈은,
    기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하고, 상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출하는, 컴퓨팅 장치.
  4. 청구항 2에 있어서,
    상기 가중치 산출 모듈은,
    하기의 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출하는, 컴퓨팅 장치.
    (수학식)
    Figure pat00007

    x: x번째 수치 예보 모델
    Weight(x): x번째 수치 예보 모델의 모델 가중치
    n: 수치 예보 모델의 개수
    MAE (x): x번째 수치 예보 모델의 평균 절대 오차
  5. 청구항 1에 있어서,
    상기 기상 예측 모듈은,
    하기 수학식을 통해 상기 기상 예측 정보를 생성하는, 컴퓨팅 장치.
    (수학식)
    Figure pat00008

    Valus(Op): 기상 예측 정보
    Value(x): x번째 수치 예보 모델의 수치 예보 정보
    Weight(x): x번재 수치 예보 모델의 모델 가중치
  6. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 동작;
    기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 동작;
    상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 동작; 및
    상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 동작을 포함하는, 기상 예측 정보 생성 방법.
  7. 청구항 6에 있어서,
    상기 모델 가중치를 산출하는 동작은,
    특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하는 동작;
    상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하는 동작; 및
    상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출하는 동작을 포함하는, 기상 예측 정보 생성 방법.
  8. 청구항 7에 있어서,
    상기 평균 절대 오차를 산출하는 동작은,
    기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하는 동작; 및
    상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출하는 동작을 포함하는, 기상 예측 정보 생성 방법.
  9. 청구항 7에 있어서,
    상기 각 수치 예보 모델의 모델 가중치를 산출하는 동작은,
    하기 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출하는, 기상 예측 정보 생성 방법.
    (수학식)
    Figure pat00009

    x: x번째 수치 예보 모델
    Weight(x): x번째 수치 예보 모델의 모델 가중치
    n: 수치 예보 모델의 개수
    MAE (x): x번째 수치 예보 모델의 평균 절대 오차
  10. 청구항 6에 있어서,
    상기 기상 예측 정보를 생성하는 동작은,
    하기 수학식을 통해 상기 기상 예측 정보를 생성하는, 기상 예측 정보 생성 방법.
    (수학식)
    Figure pat00010

    Valus(Op): 기상 예측 정보
    Value(x): x번째 수치 예보 모델의 수치 예보 정보
    Weight(x): x번재 수치 예보 모델의 모델 가중치
KR1020200165552A 2020-12-01 2020-12-01 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치 KR102477509B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200165552A KR102477509B1 (ko) 2020-12-01 2020-12-01 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200165552A KR102477509B1 (ko) 2020-12-01 2020-12-01 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치

Publications (2)

Publication Number Publication Date
KR20220076748A true KR20220076748A (ko) 2022-06-08
KR102477509B1 KR102477509B1 (ko) 2022-12-14

Family

ID=81981329

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200165552A KR102477509B1 (ko) 2020-12-01 2020-12-01 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치

Country Status (1)

Country Link
KR (1) KR102477509B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템
KR20230061261A (ko) 2021-10-28 2023-05-08 주식회사 환경과안전 디지털 트윈을 위한 기상데이터 생산방법 및 디지털 트윈을 위한 기상데이터 생산시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101092380B1 (ko) * 2011-04-29 2011-12-13 공주대학교 산학협력단 지역기후모델의 모의결과를 고려한 지역기후 앙상블 예측 방법
US20150317589A1 (en) * 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
KR101822395B1 (ko) 2017-11-27 2018-01-26 주식회사 환경과학기술 조간대예측GIS(Geographic Information System)와 기상예측모델이 접합된(coupling) 기상예측데이터 생성시스템 및 이를 이용한 기상예측데이터 생성방법
KR20180083054A (ko) * 2017-01-12 2018-07-20 경북대학교 산학협력단 예측장 생성방법, 이를 수행하기 위한 기록매체 및 장치
KR20210017342A (ko) * 2019-08-08 2021-02-17 한국전자통신연구원 과거 데이터에 기초한 시계열 예측 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101092380B1 (ko) * 2011-04-29 2011-12-13 공주대학교 산학협력단 지역기후모델의 모의결과를 고려한 지역기후 앙상블 예측 방법
US20150317589A1 (en) * 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
KR20180083054A (ko) * 2017-01-12 2018-07-20 경북대학교 산학협력단 예측장 생성방법, 이를 수행하기 위한 기록매체 및 장치
KR101822395B1 (ko) 2017-11-27 2018-01-26 주식회사 환경과학기술 조간대예측GIS(Geographic Information System)와 기상예측모델이 접합된(coupling) 기상예측데이터 생성시스템 및 이를 이용한 기상예측데이터 생성방법
KR20210017342A (ko) * 2019-08-08 2021-02-17 한국전자통신연구원 과거 데이터에 기초한 시계열 예측 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
윤지원 외 5명. 단시간 다중모델 앙상블 바람 예측. 한국기상학회. 2007.12.31, 제17권, 제4호, pp.327-337 1부.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230061261A (ko) 2021-10-28 2023-05-08 주식회사 환경과안전 디지털 트윈을 위한 기상데이터 생산방법 및 디지털 트윈을 위한 기상데이터 생산시스템
KR102490498B1 (ko) * 2022-09-13 2023-01-18 전북대학교산학협력단 슈퍼앙상블 기법을 이용한 표면 대기 온도 예측 방법 및 시스템

Also Published As

Publication number Publication date
KR102477509B1 (ko) 2022-12-14

Similar Documents

Publication Publication Date Title
JP5090954B2 (ja) 発雷予測装置およびその方法、プログラム
JP5090955B2 (ja) 発雷予測装置およびその方法、プログラム
KR20220076748A (ko) 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치
US10387728B2 (en) Mapping wind turbines and predicting wake effects using satellite imagery data
WO2023005120A1 (zh) 楼宇能耗预测方法、装置、计算机设备和存储介质
CN110705115A (zh) 一种基于深度置信网络的气象预报方法和系统
CN113268403B (zh) 时间序列的分析预测方法、装置、设备及存储介质
US10330655B2 (en) Air quality forecasting based on dynamic blending
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
US10761494B2 (en) Policy introduced effect prediction apparatus, and policy introduced effect prediction method
JP6158967B1 (ja) 環境汚染予測システム及び方法
EP4071616A1 (en) Method for generating topology diagram, anomaly detection method, device, apparatus, and storage medium
KR20220070483A (ko) 구성 생성 방법, 장치, 전자 기기 및 저장 매체
CN111124634A (zh) 一种训练方法、装置及电子设备和存储介质
CN114863943B (zh) 一种基于波束成形的环境噪声源自适应定位方法及装置
CN116010228A (zh) 面向网络安全扫描的时间预估方法及装置
KR101181326B1 (ko) 채프에코 식별 시스템 및 그 방법
CN115220131A (zh) 气象数据质检方法及系统
US20170337644A1 (en) Data driven invocation of realtime wind market forecasting analytics
KR102494889B1 (ko) 기상 관측 환경 분류 방법 및 이를 수행하기 위한 컴퓨팅 장치
JP2011221873A (ja) データ分類方法及び装置及びプログラム
US20150277858A1 (en) Performance evaluation device, method, and medium for information system
CN112837040B (zh) 应用于智能电网的电力数据管理方法及系统
JP7453719B1 (ja) 水位計の配置の最適化方法、マンホールの水位の予測方法およびマンホールの水位の予測システム
CN114399355B (zh) 基于用户转化率的信息推送方法、装置和电子设备

Legal Events

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