KR20220111578A

KR20220111578A - 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법

Info

Publication number: KR20220111578A
Application number: KR1020210015001A
Authority: KR
Inventors: 최종인; 김상수
Original assignee: 주식회사 엠프티코퍼레이션
Priority date: 2021-02-02
Filing date: 2021-02-02
Publication date: 2022-08-09

Abstract

본 발명은, 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법으로서, 기상청 제공 영상(레이더, 인공위성)을 이용함과 동시에, 이동통신 무선 네트워크, IoT, 자동차 등 운송수단 부착 네비게이션 등의 단말기를 이용함으로써, 영상정보를 머신러닝으로 이미지 분석하여 최소반경(1km) 기준 국지성 폭우 내지 폭설을 예보할 수 있는 시스템이다.

Description

머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법{A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same}

본 발명은 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법에 관한 것이다.

매년 지구온난화로 인해 집중호우와 폭설 등 기상이변이 증가하고 있지만, 현재의 기상청 제공 기상정보에 대해 사용자 불만족이 높아지고 있는 이유는 강우 확률 측정, 예보 방식과 측정 범위에 그 원인이 있다.

기상청의 정보제공은 일정 시간 전에 측정한 과거 데이터로 실시간 변화하는 기상 상황을 반영하지 못하며, 기상청이 사용하는 측정장치는 매우 고가인 바, 1대로 광범위한 지역을 담당할 수밖에 없는 현실적인 한계가 있다. 이에, 이러한 장비로는 국지성 호우에 따른 소규모 지역에 대한 정보를 제공 할 수 없는 문제가 있다.

기상정보는 일반 사용자의 생활에 밀접한 서비스이며, 다양한 산업에도 영향을 미치는 중요 정보이지만, 현재와 같은 장비와 서비스 방식은 실시간 소규모 지역에 대한 강우 확률 정보를 제공할 수 없어 해결 방안이 필요하다.

이동통신사는 무선기지국과 중계기를 설치할 때 강우에 따른 전파 감쇠 손실을 보상하는 연구와 설계를 해 왔으며, 마이크로웨이브 전파세기가 대기중 물방울 입자 농도(강우)에 따라 반사로 인한 감쇠가 발생하고, 이를 고려한 무선기지국간 설치위치 설계로 전파 음영 지역을 해결하였으며, 필요시 전파 출력을 높여 실시간 균일한 전파 세기를 유지하는 기술을 사용하고 있다. 다만, 모든 무선기지국은 실시간 전파세기정보를 가지고 있지만, 이를 별도로 활용하지는 않는 실정이다. 기상청에서 제공되는 기상영상정보 역시 잘 활용되지 않는 실정이다.

이와 관련된 종래기술로는, 한국등록특허 제10-1976310호인 '전파 감쇠에 의한 기상 악화 판단 방법'이 개시된다. 상기 종래기술은 전파 감쇠에 의한 기상 악화를 판단하는 것으로 정해진 선로 길이에 대한 일정 감쇠량을 제어부에 설정해두고, 일정 시간마다 감쇠량을 측정하여 설정한 상한치를 벗어나는 경우 기상 악화로 판단하는 개념을 개시한다. 종래기술은 전파감쇠에 의해 통신속도가 변화되는 것에 의해 폭풍 등의 기상악화를 용이하게 빨리 파악할 수 있다는 점에서 장점이 있긴 하나, 기상은 지역, 환경 등 다양한 요소에 의해 변동되는 바, 단순히 상한치 설정만으로 정확한 기상정보를 제공하기에는 한계가 있다.

이에, 기상청으로부터 제공되는 기상영상정보를 활용하여 보다 정확한 기상정보를 제공하는 기술에 대한 필요성이 증대되는 실정이다.

(특허문헌 1) 한국등록특허 제10-1976310호

(특허문헌 2) 한국등록특허 제10-1915665호

(특허문헌 3) 한국공개특허 제10-2015-0089282호

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로써, 기상변화를 실시간으로 감지할 수 있으며, 소규모 지역단위의 강우정보를 보다 경제적이면서, 정확하게 제공할 수 있는 구성을 제안하고자 한다.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 무선전파신호를 이용하여 대상셀에 대한 강우정보를 제공하는 시스템으로서, 대상지역은 소정의 크기를 갖는 상기 대상셀 단위로 미리 구획되고, 제N 대상셀(10-N)에 위치한 사용자단말기(40) 또는 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 수집하는 전파정보수집모듈(30)로서, 상기 전파정보는 무선전파신호의 전파세기정보를 포함하는, 전파정보수집모듈(30); 상기 제N 대상셀(10-N)의 현재 기상정보 및 상기 전파정보수집모듈(30)로부터 수집된 현재 전파정보를 미리 설정된 방식으로 이용하되, 무선전파신호의 강우감쇠를 기반으로, 상기 제N 대상셀(10-N)에 대한 강우정보를 연산하는, 강우정보 연산서버(100); 및 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받고, 상기 기상영상정보를 이용하여 학습된 인공지능모델(801)을 포함하는, 인공지능 연산서버(800); 를 포함하며, 상기 인공지능 연산서버(800)는, 상기 인공지능모델(801)을 이용하여, 상기 강우정보 연산서버(100)로부터 연산된 상기 제N 대상셀(10-N)에 대한 강우정보를 보정하는, 강우확률정보 제공 시스템을 제공한다.

또한, 상기 제N 대상셀(10-N)에 대응되는 과거 전파정보 히스토리, 상기 제N 대상셀(10-N)의 기상정보 히스토리 및 기상영상정보 히스토리가 시간 별로 상호 매칭된 과거정보세트로 미리 저장되는 과거정보DB(210); 를 더 포함하며, 상기 인공지능 연산서버(800)는, 상기 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 하여, 상기 인공지능모델(801)을 생성하는, 인공지능모델 생성모듈(810); 을 포함하고, 상기 인공지능모델(801)은, CNN(Convolutional Neural Network) 방식을 기반으로 생성되며, 상기 인공지능모델(801)에 의해, 보정된 상기 제N 대상셀(10-N)에 대한 보정강우정보는 상기 과거DB(210)로 저장될 수 있다.

또한, 상기 기상영상정보는, 상기 기상청 공공데이터서버(700)로부터 전송된 위성사진정보 또는 기상레이더 영상정보를 포함하며, 상기 인공지능 연산서버(800)는, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는, 기상영상정보 분류모듈(810); 를 더 포함할 수 있다.

또한, 상기 인공지능 연산서버(800)는, 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보를 연산하는, 예측강우정보 연산모듈(820); 및 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 예측강우정보 연산모듈(820)로부터 전송된 제2 시점에 대한 예측강우정보의 정확도를 평가하는, 예측강우정보 평가모듈(830); 을 더 포함할 수 있다.

또한, 상기 인공지능 연산서버(800)는, 상기 예측강우정보 평가모듈(830)의 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정하는 인공지능모델 수정모듈(840); 을 더 포함하며, 상기 인공지능모델 수정모듈(840)은, 상기 인공지능모델 생성모듈(810)과 연동되어 상기 인공지능모델(801)을 고도화시킬 수 있다.

또한, 상기 인공지능모델 생성모듈(810)은, CNN 신경망 및 RNN 신경망을 융합한 인공지능모델을 생성하며, 상기 RNN 신경망은, 상기 기상청 공공데이터서버(700)로부터 전송된 기상영상정보를 기반으로, 기상변화 패턴정보를 학습할 수 있다.

또한, 상기 CNN 신경망은, 상기 제N 대상셀(10-N)의 위도정보, 경도정보, 고도정보 및 시간정보 중 적어도 하나를 고려하여, 인공지능모델을 생성시킬 수 있다.

또한, 상기 RNN 신경망은 LSTM(long short term memory) 방식일 수 있다.

또한, 상기 전파정보수집모듈(30)은, 제N 대상셀(10-N)에 위치한 사용자단말기(40) 및 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 모두 수집하며, 상기 인공지능 연산서버(800)는, 상기 사용자단말기(40)로부터 수집된 전파세기정보를 기반으로 연산된, 상기 제N 대상셀(10-N)에 대한 제1 강우정보와 상기 제N 무선기지국(20-N)으로부터 수집된 전파세기정보를 기반으로 연산된 제2 강우정보를 비교하는 강우정보 비교모듈(850); 을 더 포함하고, 상기 강우정보 연산서버(100)는, 상기 강우정보 비교모듈(850)으로부터 취득된 비교정보를 기반으로 하여, 상기 기상영상정보를 미리 설정된 방식으로 더 고려함으로써, 상기 제N 대상셀(10-N)에 대한 강우정보를 보정할 수 있다.

한편, 본 발명은 전술한 강우확률정보 제공 시스템을 이용한 강우확률정보 제공 방법으로서, (a) 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받는 단계(S210); (b) 기상영상정보 분류모듈(810)에 의해, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는 단계(S220); (c) 상기 (b) 단계에서 추출된 기상영상정보 및 상기 전파정보수집모듈(30)에 의해 수집된 상기 제N 대상셀(10-N)에 대한 전파세기정보를 학습정보로 하여, 인공지능모델(801)을 생성하는 단계(S230); (d) 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보가 연산되는 단계(S240); 및 (e) 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 (d) 단계에서 연산된 상기 제2 시점에 대한 예측강우정보의 정확도를 평가하는 단계(S250); 를 포함하는, 방법을 제공한다.

또한, 상기 (c) 단계는, 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 더 포함할 수 있다.

또한, 상기 (e) 단계 이후, (f) 상기 (e) 단계에서의 연산된 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정함으로써, 상기 (c) 단계에서 생성된 상기 인공지능모델(801)을 고도화시키는 단계(S260); 를 더 포함할 수 있다.

본 발명은 사용자에게 정확한 내 주변 실시간 기상 정보 서비스를 제공하며, 전파세기정보 뿐만 아니라, 기상청으로부터 제공되는 기상영상정보를 이용하여 실시간 전국 소규모 지역단위의 강우정보를 제공할 수 있는 효과를 발휘한다.

또한, 머신러닝을 이용하여 연산된 강우정보를 보정함으로써, 사용자에게 보다 정확한 강우정보를 제공함과 동시에, 공간적으로도, 더욱 세분화시킬 수 있는 효과를 발휘한다.

도 1은 본 발명에 따른 강우확률정보 제공 시스템의 전체 구성도이다. 도 2는 본 발명에 따른 강우확률정보 제공 시스템에서, 상관계수 및 상관지수를 산출하는 과정을 개략적으로 도시하는 개념도이다. 도 3은 본 발명의 기준DB와 변경DB를 이용하여 외부 API서버로 정보를 강우정보를 송신하는 과정을 개략적으로 도시하는 개념도이다. 도 4는 본 발명을 이용하여 사용자단말기에 대상셀 단위로 기상정보를 제공하는 UI의 일 예시를 도시한다. 도 5는 사용자단말기를 통해 위치정보 및 전파세기정보가 수집되는 UI의 일 예시를 도시한다. 도 6은 본 발명에 따른 강우확률정보 제공 시스템의 인공지능 연산서버를 이용하는 과정을 개략적으로 도시하는 개념도이다. 도 7은 도 6의 인공지능 연산서버의 전체 구성도이다. 도 8은 본 발명의 예측강우정보 평가모듈을 이용하여 결과값의 정확도를 평가하는 과정을 개략적으로 도시하는 개념도이다. 도 9는 본 발명의 LSTM(Long Short Term Memory) 모델의 개략적인 모식도이다. 도 10은 본 발명의 CNN 신경망 및 RNN 신경망을 융합한 Siamese Network의 개략적인 모식도이다. 도 11은 본 발명에 따른 강우확률정보 제공 시스템의 인공지능 연산서버를 이용하는 방법의 순서도이다.

이하에서는, 도면을 참고하여 본 발명에 따른 강우확률정보 제공 시스템을 설명한다. 본원에서 '무선전파신호'라는 용어는 일 예로 마이크로파(microwave)를 의미하며, '강우정보'라는 용어는 강우확률 및 강우량을 포함하는 개념임을 미리 명시한다. 또한, 이하에서 사용되는 '사용자단말기'는 스마트폰, 스마트테블릿 등을 포함할 뿐만 아니라, 사물인터넷 기반의 IoT 기기들 역시, 무선네트워크망을 통해 무선전파신호를 송수신하는 바, 이러한 IoT 기기들도 포함되는 광의의 개념이다.

도 1을 참조하여, 본 발명의 원리를 보다 구체적으로 설명한다.

본 발명은 강우정보연산서버(100), 과거정보DB(210) 및 강우정보정확도 검증서버(300)를 포함한다.

먼저, 강우정보연산서버(100)는 제N 대상셀(10-N)의 현재 기상정보 및 사용자단말기(40)의 현재 전파정보를 미리 설정된 방식으로 이용하여, 사용자단말기(40)의 현재 전파세기정보에 대응되는 제N 대상셀(10-N)의 강우정보를 연산하도록 구성된다. 이 때, 강우정보 연산서버(100)는 사용자단말기(40)에서 송수신되는 무선전파신호의 강우감쇠를 기반으로, 제N 대상셀(10-N)의 강우정보를 연산한다. 사용자단말기(40)는 무선기지국과 무선전파신호를 송수신하도록 구성되며, 송수신 과정에서 발생되는 무선전파신호의 강우감쇠를 역으로 연산하여 해당 대상셀의 강우정보를 도출하도록 구성된다. 이 때, ITU-R 국제 표준을 활용하여 강우에 의한 감쇠계수를 산정할 수 있다. 여기서, 전파정보를 수집하는 사용자단말기(40)는 스마트폰, 스마트테블릿, IoT 기기 뿐만 아니라, 이동통신 무선네트워크를 사용하는 단말기 일체를 포함하는 개념이다.

무선전파신호는 대기 중의 입자에 의해 간섭을 받는 바, 대기 중에 물방울 입자가 많은 경우에는 이에 의한 간섭에 의해 전파세기가 상대적으로 감소하는 현상이 발생된다. 이러한 현상을 역으로 연산함으로써, 대기 중의 물방울 입자를 판단하여, 최종적으로 강우정보를 도출한다. 여기서, 강우정보는 확률정보로 제공되는 것이 바람직하며, 0% 내지 100%로 제공될 수 있다. 강우정보에서 100%는 현재 비 또는 눈이 내리는 상태를 의미한다. 다만, 대상셀마다 지형적 특성, 기후적 특성 등이 다소 상이할 수 있는 바, 해당 대상셀에 대한 과거정보를 기반으로 강우정보를 도출하는 것이 바람직하다.

과거정보DB(210)는 제N 대상셀(10-N)에 대한 과거의 전파정보 히스토리 및 기상정보 히스토리가 시간 별로 상호 매칭된 과거정보세트로 미리 저장된다. 도 2에는 이러한 과거정보세트의 일 예시가 도시된다. 예를 들어, 과거정보세트는 시간정보/전파세기정보/전파감쇠정보/강우정보/대기온도/대기습도/지형정보 등을 포함한 다양한 인자들로 구성된 그룹이다. 뿐만 아니라, 기상청 레이다,인공위성 영상정보, 대기압, 풍속, 풍향 항목 등을 더 포함할 수 있다.

시간정보를 포함함으로써, 동일한 시점(또는 시간)에 대해 모두 매칭된 상태로 저장되는 것이다. 여기서, 강우정보는 실측된 정보를 의미할 수 있다. 즉, 기상청으로부터 제공된 실제의 강우상태를 의미할 수 있으며, 비 또는 눈이 내린 경우, 강수량 또는 강설량까지 포함하여 제공되는 것이 바람직하다. 과거정보DB(210)에 저장된 정보들을 구체적으로 적용하는 방식은 후술하도록 한다.

본 발명은 다수의 DB를 포함하며, 전술한 과거정보DB(210) 역시, 통합데이터베이스에 포함될 수 있다. 즉, 후술하는 다수의 DB는 기능적으로 이를 구분한 것이며, 물리적으로는 하나의 통합데이터베이스로 형성될 수 있다.

통합데이터베이스는 제1 강우확률정보DB(221) 및 제2 강우확률정보DB(222)를 포함한다. 제1 강우확률정보DB(221)는 강우정보연산서버(100)에 의해 도출된 최종강우정보(제M 최종강우정보를 의미하며, 이는 시계열적으로 증가하는 바, 한 주기가 지나면, 제M+1 최종강우정보가 생성됨)가 실시간 저장된다. 제2 강우확률정보DB(222)는 예측강우정보가 저장된다. 본 발명은 현재 시점에 대한 최종강우정보를 제공할 뿐만 아니라, 현재 시점 이후 소정의 시간까지의 예측강우정보 역시 함께 제공할 수 있다. 이를 위해, 강우정보연산서버(100)는 강우예보 연산부(160)를 포함한다. 제1 강우확률정보 DB(221)에 저장된 현재에 대한 최종강우정보를 미리 결정된 방식으로 분석함으로써, 현재로부터 미리 설정된 시간까지의 예측강우정보를 예측하는 것이다. 즉, 생성된 현재에 대한 최종강우정보를 빅데이터 분석을 수행함으로써, 최대 6시간까지의 예측강우정보를 생성할 수 있다. 물론, 상기 시간은 설계자의 설정에 따라, 더 커질 수 있다.

강우정보정확도 검증서버(300)는 제2 강우확률정보 DB(222)에 저장된 상기 예측강우정보의 정확도를 검증한다. 여기서, 강우정보정확도 검증서버(300)는 예측강우정보의 신뢰도를 향상시키기 위해, 복수의 검증을 수행하도록 구성된다.

먼저, 제1 정확도검증부(310)는 제1 강우확률정보DB(221)에 업데이트되는 제K 시간의 최종강우정보 및 예측강우정보 중 제K 시간의 강우정보를 포함하는 예측강우정보를 비교하되, 머신러닝방식을 이용하여 예측강우정보의 정확도를 검증하도록 구성된다. 즉, 제K 시간보다 이전에 연산된 예측강우정보를 대상으로 하는 것이며, 다수의 예측강우정보들 중에서, 제K 시간에 대한 예측정보가 포함된 예측강우정보만 그 대상이 될 수 있다. 만약, 제K 시간의 최종강우정보(즉, 현재 시점의 최종강우정보를 의미함)와 과거에 연산된 예측강우정보 중 동일 시점인 제K 시간에 대한 예측값을 포함하는 경우, 이들을 비교한 후, 오차가 미리 설정된 범위를 벗어나면, 오차가 크게 발생된 이유를 파악하고, 이를 보정하기 위함이다. 보정 대상이 되는 인자는 머신러닝방식의 빅데이터 분석을 통해 판단될 수 있다.

제2 정확도검증부(320)는 제K 시간의 실제 측정된 측정강우정보 및 예측강우정보 중 상기 제K 시간의 강우정보를 포함하는 예측강우정보를 비교하되, 머신러닝방식을 이용하여 예측강우정보의 정확도를 검증한다. 전술한 제1 정확도검증부(310)와 그 원리는 동일하나, 비교의 객체가 실제 측정된 측정강우정보라는 점에서 차이가 있다. 전술한 제1 정확도검증부(310)에서의 최종강우정보는 연산된 값이나, 제2 정확도검증부(320)는 실제의 값을 사용하여 비교하는 것이다.

이를 위해, 강우정보정확도 검증서버(300)는 검증용 샘플DB(330)를 더 포함한다. 제1 및 제2 강우확률정보DB(221, 222)로부터 전송되는 모든 정보들을 대상으로 할 수도 있으나, 서버에 과부하가 인가되는 문제가 발생될 수 있는 바, 일부의 샘플정보들만 선별하여, 이들을 머신러닝방식으로 분석한다.

도 2를 참고하여, '최종강우정보'를 연산하는 과정을 설명한다.

강우정보 연산서버(100)는, 제N 대상셀(10-N)의 현재 전파세기정보(즉, 사용자단말기(40)로부터 수집된 전파세기정보를 의미함)에 대응되는 특정시간의 과거정보세트를 로딩하되, 제N 대상셀(10-N)의 현재 기상정보를 기반으로, 과거정보세트를 미리 설정된 방식으로 보정함으로써, 제N 대상셀(10-N)의 강우정보를 연산하도록 구성된다.

이를 위해, 강우정보 연산서버(100)는 기능적으로 구분된 상관계수 연산부(120), 예비강우정보 연산부(130), 상관지수 연산부(140) 및 최종강우정보 연산부(150)를 포함한다. 또한, 그 전제로 기상정보입력부(110)를 포함한다.

기상정보입력부(110)는 제N 대상셀(10-N)의 현재 기상정보 및 대기정보가 입력되며, 대기정보는 대기온도, 대기습도 및 대기풍속을 포함하며, 대기압 및 풍향 항목 등을 더 포함할 수 있다. 기상정보입력부(110)는 기상청 서버로부터 공급받을 수 있다.

상관계수 연산부(120)는 과거정보DB(210)로부터 로딩된 제N 무선기지국(20-n)의 전파세기정보 및 제N 대상셀(10-N)의 강우정보를 이용하여, 제N 대상셀(10-N)에 대한 전파세기정보 및 강우정보 사이의 상관계수를 도출하도록 구성된다. 여기서, 상관계수는 강우정보생성 프로그램을 통해 자동으로 연산될 수 있으며, 상기 프로그램은 다중 회귀분석을 이용할 수 있다. 과거정보DB(210)에는 제N 대상셀(10-N)에 대한 많은 정보들이 저장되는 바, 이들을 이용하여 전파세기정보 및 강우정보 사이의 관계를 도출하는 것이다. 여기서, 상관계수를 도출하면, 전파세기정보를 입력할 경우, 1차적으로 현재의 제N 대상셀(10-N)에 대한 강우정보(후술하는 '예비강우정보'를 의미함)가 연산될 수 있다.

예비강우정보 연산부(130)는 현재의 전파세기정보에 상관계수를 미리 설정된 방식으로 반영하여, 현재의 제N 대상셀(10-N)에 대한 예비강우정보를 도출함으로써, 예비강우정보를 생성한다. 또한, 이들에 현재 대기정보를 더 포함하는 예비강우정보세트를 생성한다. 즉, 예비강우정보세트는 '전파세기정보/(예비)강우정보/대기정보'를 포함한다. 이 때, 과거정보DB(210)로부터 예비강우정보세트의 전파세기정보 및 (예비)강우정보와 대응되는 과거정보세트를 검색하여 로딩한다. 이는 상관지수 연산부(140)에서 수행되며, 과거정보세트는 특정시간에서의 대기정보를 포함하는 바, 현재 대기정보 및 상기 특정시간에서의 대기정보의 비교를 통해 보정이 필요한 상관지수를 도출하도록 구성된다. 여기서, 상관지수는 제N 대상셀(10-N)의 지형정보를 더 반영하여 산출되며, 지형정보는 산악, 도심, 평지 및 해안 중 적어도 어느 하나를 선택하도록 구성된다. 지형적 특성에 따라, 전파의 송수신 특성 역시 달라질 수 있는 바, 이들을 반영함으로써, 연산의 정확도를 증대시킬 수 있다.

최종강우정보 연산부(150)는 현재 대기정보를 기준으로 하여, 과거정보세트의 대기정보를 상기 상관지수를 이용하여 보정함으로써, 현재에 대한 최종강우정보를 도출하도록 구성되며, 전술한 바와 같이, 최종강우정보는 제1 강우확률정보DB(221)로 전송되어 저장된다.

즉, 제N 대상셀(10-N)에 대한 전파세기정보 및 강우정보 사이의 상관관계는 표준 상관지수로 변환하여, 무선기지국 전파세기정보를 입력하면 실시간 해당 무선기지국 위치의 강우 수준을 수치로 자동 계산할 수 있다.

제1 및 제2 정확도검증부(310, 320)는, 제K 시간의 강우정보를 포함하는 예측강우정보와, 제1 강우확률정보DB(221)에 업데이트되는 제K시간의 최종강우정보 또는 제K시간의 실제 측정된 측정강우정보 사이의 오차를 상관계수 연산부(140)로 전송하도록 구성되며, 상관계수 연산부(140)에서는 상기의 오차를 기반으로, 상관계수를 미리 설정된 방식으로 보정하도록 구성된다. 즉, 과거정보DB(210)는 고정된 개념이 아니라, 시간의 흐름에 따라, 누적되는 개념인 바, 누적된 과거정보세트가 점차 많아지면서, 상관계수 역시 보정이 필요할 수 있으며, 상관계수의 보정을 통해, 강우정보 연산의 정확성을 증대시킬 수 있다.

강우정보정확도 검증서버(300)는, 제1 및 제2 강우확률정보DB(310, 320)에 각각 저장된, 최종강우정보 및 예측강우정보를 과거정보DB(210)로 전송함으로써, 과거정보DB(210)를 업데이트하며, 상관계수 연산부(140)는, 업데이트된 상기 과거정보DB(210)를 이용하여 상관계수를 미리 설정된 방식으로 보정하도록 구성된다. 상관계수의 보정에 따라, 상관지수 역시 함께 보정될 수 있다.

도 3은 본 발명의 기준DB와 변경DB를 이용하여 외부 API서버로 정보를 강우정보를 송신하는 과정을 개략적으로 도시하는 개념도이다. 도 3을 참조하면, 본 발명에 따른 강우확률정보 제공 시스템은 기준DB(231), 변경DB(232) 및 강우정보 연동서버(610)를 포함한다.

기준DB(231) 및 변경DB(232)는 미리 설정된 시간을 주기로, 상기 제1 및 제2 강우확률정보DB(310, 320)로부터 최종강우정보 및 예측강우정보를 전송받아 업데이트하도록 구성된다. 강우정보 연동서버(610)는 기준DB(231) 및 변경DB(232)와 외부 API서버(500)를 중계하여 연동하도록 구성된다.

변경DB(232)는, 기준DB(231)에 저장된 최종강우정보 및 예측강우정보와 정합성을 검증하되, 기준DB(231)의 최종강우정보 및 예측강우정보의 변경정보가 있을 경우, 변경정보를 구분하여 저장할 수 있다. 부연하여 설명하면, 외부 API서버(500) 연동을 통한 실시간 정보요청은 외부 API서버(500)로 분산 처리하여 안정적으로 운영할 수 있다. 기상청 기상예보정보, 이동통신 무선기지국의 실시간 전파세기정보 분석을 통해 이미 생성한 예측강우정보를 지속적으로 업데이트하며, 업데이트는 2개의 DB서버(기준DB(231), 변경DB(232))에 동시 전송한다. 특정 위치 및 시간에 따른 예측강우정보 신규요청은 기준DB(231)를 통해 처리하며, 일정 시간내 동일 조건의 예측강우정보 요청 시에는 강우 예측강우정보 변경사항을 체크한 후, 변경DB(232)에서 변경된 정보만 처리한다. 또한, 기준DB(231)와 변경DB(232)는 실시간 정보의 Sync를 실행하여 최신 정보 상태를 유지하도록 구성될 수 있다.

도 4는 본 발명을 이용하여 사용자단말기에 대상셀 단위로 기상정보를 제공하는 UI의 일 예시를 도시하며, 도 5는 사용자단말기를 통해 위치정보 및 전파세기정보가 수집되는 UI의 일 예시를 도시한다.

구체적으로, 최종강우정보를 전자지도 위에 표시하며, 사용자단말기로 서비스에 접속하면 사용자 위치정보를 추출하여 해당 위치에 가장 가까운 무선기지국 좌표를 전자지도 중심 위치로 설정하도록 구성될 수 있다. 사용자 위치를 중심으로 전자지도 위에 주변 무선기지국 반경을 벌집 모양으로 구분하여 표시하고, 각 벌집 영역 안에 해당 무선기지국 전파 세기로부터 생성한 최종강우정보(강우 확률 데이터 수치)를 가지고 각 강우 확률의 수치를 구간별로 색깔로 구분하여 표시를 한다. 일 예시로, 강우 확률 데이터는 0%~100%의 값으로 생성되는 바, 이를 총 5가지 색깔(빨강> 주황>노랑>초록>파랑)로 구간을 나누어 표시하며 확률이 클수록 빨강을 값이 작을수록 파랑으로 표시한다. 색상은 투명하게 하여 배경의 전자 지도가 일정 수준까지 같이 확인할 수 있어야 한다.

사용자가 서비스를 통해 특정 무선기지국의 강우 확률 정보 표시 영역을 선택하면 해당 위치에 대한 강우 확률 수치가 표시된다. 전자지도 아래에 강우 예보 시간별 조회 기능을 이용해서 사용자는 최대 6시간까지의 강우 확률 정보 서비스를 확인 할 수 있고 특정 시간을 선택하면 전자지도의 무선기지국 각 벌집 모양 영역의 색상도 예보 생성 데이터에 따라 변한다.

사용자가 특정 위치(무선기지국)을 선택하여 알림 기능을 설정하거나, 사용자 현위치 기준 일정 시간 주기별 알림 기능을 설정하면, 해당 시간에 맞춰 생성 강우 확률 정보와 일정 시간 후 예보 정보를 알림 메시지로 자동 발송한다. 알림 메시지의 예시는 다음과 같다.

"서초구 주흥5길, 비올 확률이 85%입니다. 1시간 후 비올 확률이 93%로 올라갈 예정입니다. 외출 시 우산을 준비하세요."

이하에서는, 도 6 및 7을 참조하여, 본 발명에 따른 강우확률정보 제공 시스템의 인공지능 연산서버를 이용하는 과정을 설명한다.

본 발명은 전파정보수집모듈(30), 강우정보 연산서버(100) 및 인공지능 연산서버(800)로 구성된다. 한편, 전술한 내용과 중복되는 구성 및 설명은 생략한다.

전파정보수집모듈(30)은 제N 대상셀(10-N)에 위치한 사용자단말기(40) 또는 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 수집하도록 구성되는 바, 사용자단말기(40) 및 무선기지국으로부터 송수신되는 모든 전파정보를 수집하도록 구성될 수 있다.

인공지능 연산서버(800)는 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받고, 상기 기상영상정보를 이용하여 학습된 인공지능모델(801)을 포함한다. 여기서, 인공지능 연산서버(800)는 인공지능모델(801)을 이용하여, 강우정보 연산서버(100)로부터 연산된 상기 제N 대상셀(10-N)에 대한 강우정보를 보정하도록 구성된다. 즉, 인공지능 기계학습을 통해 모델을 생성하고, 1차적으로 연산된 강우정보를 추가로 보정함으로써, 더욱 정확한 강우정보를 사용자에게 제공하는 효과가 있다.

인공지능 연산서버(800)는 인공지능모델(801), 인공지능모델 생성모듈(810), 기상영상정보 분류모듈(860), 예측강우정보 연산모듈(820), 예측강우정보 평가모듈(830), 인공지능모델 수정모듈(840), 강우정보 비교모듈(850)로 구성된다.

먼저, 인공지능모델 생성모듈(810)은 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 하여, 인공지능모델(801)을 생성한다. 여기서, 인공지능모델(801)은, CNN(Convolutional Neural Network) 방식을 기반으로 생성될 수 있고, 인공지능모델(801)에 의해, 보정된 상기 제N 대상셀(10-N)에 대한 보정강우정보는 과거DB(210)로 업데이트되도록 구성된다. 보정강우정보를 업데이트함으로써, 인공지능모델(801)을 더욱 고도화시킬 수 있다.

기상영상정보 분류모듈(860)은 기상영상정보를 대상셀 단위로 구분하여, 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하도록 구성된다. 여기서, 기상영상정보는 기상관측자료를 의미할 수 있다.

예측강우정보 연산모듈(820)은 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 기상영상정보를 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보를 연산하도록 구성된다. 도 14를 참조하면, 제2 시점은 제1 시점의 미래 시간을 의미한다. 이는 예측강우정보 내지 기상예보의 정확성을 판단하기 위함이며, 정확도가 낮은 경우에는 이를 다시 인공지능모델(801)에 반영하여 고도화시키기 위함이다.

예측강우정보 평가모듈(830)은 기상청 공공데이터서버(700)로부터 전송된 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 예측강우정보 연산모듈(820)로부터 전송된 제2 시점에 대한 예측강우정보의 정확도를 평가하도록 구성된다. 정확한 평가를 위해서는 예측값과 예측값을 비교하는 것이 아니라, 상기와 같이, 실측값 및 예측값을 비교함으로써, 예측값의 정확도를 판단할 수 있다.

인공지능모델 수정모듈(840)은 예측강우정보 평가모듈(830)의 정확도를 기반으로, 인공지능모델(801)에 포함된 파라미터를 수정하도록 구성된다. 파라미터는 설계자에 의해 미리 설정될 수도 있으나, 머신러닝 학습과정에서 추가될 수도 있다. 여기서, 인공지능모델 수정모듈(840)은, 인공지능모델 생성모듈(810)과 연동되어 상기 인공지능모델(801)을 고도화시키도록 구성된다.

도 9는 RNN 신경망 중 LSTM(long short term memory) 방식을 개략적으로 도시한다. LSTM의 설계시, 최적의 노드 수, Epoch, 배치 크기, 하이퍼 파라미터를 찾아 기본 모델 구축함으로써, LSTM 모델을 이용하여 추출된 기상변화 패턴 데이터 머신러닝을 수행하여 기상예보를 생성하고 실제 측정된 기상 정보 및 분석 작업 진행할 수 있다. 또한, 관측소 위치정보 및 지리적 특성을 추가로 입력하여 기계학습을 수행하고 생성된 예측강우정보와 기존에 생성된 강우정보를 비교하여 성능평가를 수행할 수 있다. 이 때, K 근접 이웃 알고리즘을 통해 무선통신기지국과 유클리드 거리가 가장 낮은 K개의 기지국에서 수집한 데이터를 기계학습 모델에 추가하여 예측강우정보를 생성하고 기존 강우정보들과 비교를 통해 성능평가 수행할 수도 있다.

도 10에 도시된 바와 같이, 본 발명에서는 CNN 신경망 및 RNN 신경망을 융합한 인공지능모델을 생성할 수 있다. 이 때, RNN 신경망은, 기상청 공공데이터서버(700)로부터 전송된 기상영상정보를 기반으로, 기상변화 패턴정보를 학습하도록 구성될 수 있다. 여기서, LSTM은 RNN(Recurrent Neural Network)의 일종으로 학습을 할 때 현재 입력값 뿐만 아니라 이전에 들어온 입력값을 고려하기 때문에 시계열 데이터 학습에 적합하다. RNN은 역전파(Backpropagation)라는 방법을 통해 학습을 하며 만약 그래디언트가 너무 작아져 학습이 잘 안 되는 문제가 발생하며, 이를 해결하기 위해 LSTM이 도입된다. LSTM은 셀스테이트라는 개념을 도입하여 그 내부에 있는 게이트들을 통해 어떤 정보를 기억하고 어떤 정보를 버릴지 추가적인 학습을 가능하게 하여 강우정보 내지 기상정보 생성 후 평가 과정에서 입력 값을 조정하여 예측 결과에 어떠한 영향을 주는지 확인이 용이한 장점을 갖는다.

여기서, CNN 신경망은, 제N 대상셀(10-N)의 위도정보, 경도정보, 고도정보 및 시간정보 중 적어도 하나를 고려하여, 인공지능모델을 생성시킬 수 있다. 더욱 다양한 인자들을 반영함으로써, 보다 정교한 인공지능모델을 형성할 수 있다.

한편, 본 발명의 일 예시로써, 전파세기정보를 활용한 기상예보 AI 알고리즘은 LSTM 모델을 사용하며, 기상청으로부터 제공된 기상영상정보를 활용한 기상예보 고도화 AI 알고리즘은 CNN과 LSTM을 융합하여 사용할 수 있다. 즉, 본 발명의 바람직한 일 실시예에서는, 전파세기정보를 활용하는 것은 LSTM 모델을 사용하고, 기상영상정보를 활용하는 것은 CNN 및 LSTM을 융합한 알고리즘을 사용할 수 있다.

강우정보 비교모듈(850)은 사용자단말기(40)로부터 수집된 전파세기정보를 기반으로 연산된, 제N 대상셀(10-N)에 대한 제1 강우정보와 제N 무선기지국(20-N)으로부터 수집된 전파세기정보를 기반으로 연산된 제2 강우정보를 비교하도록 구성된다. 즉, 사용자단말기(40) 및 무선기지국으로부터 취득된 정보를 상호 비교함으로써, 보다 정확한 값을 도출할 수 있다. 이 때, 강우정보 연산서버(100)는, 강우정보 비교모듈(850)으로부터 취득된 비교정보를 기반으로 하여, 기상영상정보를 미리 설정된 방식으로 더 고려함으로써, 제N 대상셀(10-N)에 대한 강우정보를 보정할 수 있다. 예를 들어, 사용자단말기(40)의 수집정보의 개수가 부족할 경우, 무선기지국 정보를 더욱 반영함으써, 정확도를 향상시킬 수 있다.

이하에서는, 전술한 인공지능 연산서버를 이용한 방법을 설명한다.

본 방법은 단계(S210) 내지 단계(S250)를 포함한다.

단계(S210)는 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받는 단계이다.

단계(S220)는 기상영상정보 분류모듈(810)에 의해, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는 단계이다.

단계(S230)는 단계(S220)에서 추출된 기상영상정보 및 상기 전파정보수집모듈(30)에 의해 수집된 상기 제N 대상셀(10-N)에 대한 전파세기정보를 학습정보로 하여, 인공지능모델(801)을 생성하는 단계이다.

단계(S240)는 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보가 연산되는 단계이다.

단계(S250)는 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 (d) 단계에서 연산된 상기 제2 시점에 대한 예측강우정보의 정확도를 평가하는 단계이다.

한편, 본 발명은 사용자단말기(40)로 서비스 조회시 사용자 위치정보에 해당하는 무선기지국 또는 행정주소 인근 무선기지국 주변 강우정보를 표시하며, 사용자가 예보 시간을 선택하여 조회할 경우 해당 수치를 변환하여 전자지도 위에 표시할 수도 있다. 또한, 사용자단말기(40)는 인터넷이 지원되는 데스크탑PC, 노트북PC, 스마트폰, 태블릿PC, 스마트TV와 이와 유사한 기능을 제공하여 기상 정보 서비스를 이용할 수 있는 모든 장치를 포함한다.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.

40: 사용자단말기 100: 강우정보 연산서버 110: 기상정보입력부 120: 상관계수 연산부 130: 예비강우정보 연산부 140: 상관지수 연산부 150: 최종강우정보 연산부 160: 강우예보 연산부 210: 과거정보DB 221: 제1 강우확률정보DB 222: 제2 강우확률정보DB 300: 강우정보정확도 검증서버 310: 제1 정확도검증부 320: 제2 정확도검증부 400: 사용자단말기 500: 외부 API서버 610: 강우정보 연동서버 700: 기상청 공공데이터서버 800: 인공지능 연산서버 801: 인공지능모델 810: 인공지능모델 생성모듈 820: 예측강우정보 연산모듈 830: 예측강우정보 평가모듈 840: 인공지능모델 수정모듈 850: 강우정보 비교모듈 860: 기상영상정보 분류모듈

Claims

무선전파신호를 이용하여 대상셀에 대한 강우정보를 제공하는 시스템으로서, 대상지역은 소정의 크기를 갖는 상기 대상셀 단위로 미리 구획되고, 제N 대상셀(10-N)에 위치한 사용자단말기(40) 또는 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 수집하는 전파정보수집모듈(30)로서, 상기 전파정보는 무선전파신호의 전파세기정보를 포함하는, 전파정보수집모듈(30); 상기 제N 대상셀(10-N)의 현재 기상정보 및 상기 전파정보수집모듈(30)로부터 수집된 현재 전파정보를 미리 설정된 방식으로 이용하되, 무선전파신호의 강우감쇠를 기반으로, 상기 제N 대상셀(10-N)에 대한 강우정보를 연산하는, 강우정보 연산서버(100); 및 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받고, 상기 기상영상정보를 이용하여 학습된 인공지능모델(801)을 포함하는, 인공지능 연산서버(800); 를 포함하며, 상기 인공지능 연산서버(800)는, 상기 인공지능모델(801)을 이용하여, 상기 강우정보 연산서버(100)로부터 연산된 상기 제N 대상셀(10-N)에 대한 강우정보를 보정하는, 강우확률정보 제공 시스템.
청구항 1에 있어서, 상기 제N 대상셀(10-N)에 대응되는 과거 전파정보 히스토리, 상기 제N 대상셀(10-N)의 기상정보 히스토리 및 기상영상정보 히스토리가 시간 별로 상호 매칭된 과거정보세트로 미리 저장되는 과거정보DB(210); 를 더 포함하며, 상기 인공지능 연산서버(800)는, 상기 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 하여, 상기 인공지능모델(801)을 생성하는, 인공지능모델 생성모듈(810); 을 포함하고, 상기 인공지능모델(801)은, CNN(Convolutional Neural Network) 방식을 기반으로 생성되며, 상기 인공지능모델(801)에 의해, 보정된 상기 제N 대상셀(10-N)에 대한 보정강우정보는 상기 과거DB(210)로 저장되는, 강우확률정보 제공 시스템.
청구항 2에 있어서, 상기 기상영상정보는, 상기 기상청 공공데이터서버(700)로부터 전송된 위성사진정보 또는 기상레이더 영상정보를 포함하며, 상기 인공지능 연산서버(800)는, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는, 기상영상정보 분류모듈(810); 를 더 포함하는, 강우확률정보 제공 시스템.
청구항 2에 있어서, 상기 인공지능 연산서버(800)는, 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보를 연산하는, 예측강우정보 연산모듈(820); 및 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 예측강우정보 연산모듈(820)로부터 전송된 제2 시점에 대한 예측강우정보의 정확도를 평가하는, 예측강우정보 평가모듈(830); 을 더 포함하는, 강우확률정보 제공 시스템.
청구항 4에 있어서, 상기 인공지능 연산서버(800)는, 상기 예측강우정보 평가모듈(830)의 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정하는 인공지능모델 수정모듈(840); 을 더 포함하며, 상기 인공지능모델 수정모듈(840)은, 상기 인공지능모델 생성모듈(810)과 연동되어 상기 인공지능모델(801)을 고도화시키는, 강우확률정보 제공 시스템.
청구항 2에 있어서, 상기 인공지능모델 생성모듈(810)은, CNN 신경망 및 RNN 신경망을 융합한 인공지능모델을 생성하며, 상기 RNN 신경망은, 상기 기상청 공공데이터서버(700)로부터 전송된 기상영상정보를 기반으로, 기상변화 패턴정보를 학습하는, 강우확률정보 제공 시스템.
청구항 6에 있어서, 상기 CNN 신경망은, 상기 제N 대상셀(10-N)의 위도정보, 경도정보, 고도정보 및 시간정보 중 적어도 하나를 고려하여, 인공지능모델을 생성시키는, 강우확률정보 제공 시스템.
청구항 6에 있어서, 상기 RNN 신경망은 LSTM(long short term memory) 방식인, 강우확률정보 제공 시스템.
청구항 1 내지 8 중 어느 한 항에 따른 강우확률정보 제공 시스템을 이용한 강우확률정보 제공 방법으로서, (a) 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받는 단계(S210); (b) 기상영상정보 분류모듈(810)에 의해, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는 단계(S220); (c) 상기 (b) 단계에서 추출된 기상영상정보 및 상기 전파정보수집모듈(30)에 의해 수집된 상기 제N 대상셀(10-N)에 대한 전파세기정보를 학습정보로 하여, 인공지능모델(801)을 생성하는 단계(S230); (d) 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보가 연산되는 단계(S240); 및 (e) 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 (d) 단계에서 연산된 상기 제2 시점에 대한 예측강우정보의 정확도를 평가하는 단계(S250); 를 포함하는, 방법.
청구항 9에 있어서, 상기 (c) 단계는, 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 더 포함하는, 방법.
청구항 9에 있어서, 상기 (e) 단계 이후, (f) 상기 (e) 단계에서의 연산된 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정함으로써, 상기 (c) 단계에서 생성된 상기 인공지능모델(801)을 고도화시키는 단계(S260); 를 더 포함하는, 방법.