KR20220144237A - 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 - Google Patents

구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 Download PDF

Info

Publication number
KR20220144237A
KR20220144237A KR1020210050666A KR20210050666A KR20220144237A KR 20220144237 A KR20220144237 A KR 20220144237A KR 1020210050666 A KR1020210050666 A KR 1020210050666A KR 20210050666 A KR20210050666 A KR 20210050666A KR 20220144237 A KR20220144237 A KR 20220144237A
Authority
KR
South Korea
Prior art keywords
cloud
precipitation
model
precipitation prediction
time
Prior art date
Application number
KR1020210050666A
Other languages
English (en)
Other versions
KR102576427B1 (ko
Inventor
전창현
변종윤
김진원
Original Assignee
중앙대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020210050666A priority Critical patent/KR102576427B1/ko
Publication of KR20220144237A publication Critical patent/KR20220144237A/ko
Application granted granted Critical
Publication of KR102576427B1 publication Critical patent/KR102576427B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Hydrology & Water Resources (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체에 관한 것으로, 본 발명에 따르면, 구름 이미지를 이용한 실시간 강수량 예측 장치에 있어서, 구름 사진과 그 시간에 따른 기상 정보를 포함하는 구름 데이터를 시간별로 수집하여 데이터 셋을 구성하는 데이터 수집부, 상기 데이터 셋을 통해 이진 분류 모델과 강수량 예측 모델을 학습시키는 모델 생성부 및 구름 이미지가 입력되면, 상기 모델 생성부에서 학습된 이진 분류 모델과 강수량 예측 모델을 이용하여 강수량 예측값을 도출하는 실시간 강수 예측부를 포함하는 실시간 강수량 예측 장치를 제공할 수 있다.
또한 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법에 있어서, 데이터 수집부가 구름 사진과 그 시간에 따른 기상 정보를 포함하는 구름 데이터를 수집하여 데이터 셋이 구성되도록 하는 데이터수집단계, 모델 생성부가 상기 구름 데이터를 통해 이진 분류 모델과 강수량 예측 모델을 학습시키는 모델생성단계 및 구름 이미지가 입력됨에 따라, 실시간 강수 예측부가 상기 이진 분류 모델과 강수량 예측 모델을 이용하여 상기 구름 이미지의 강수량을 예측하는 강수량예측단계를 포함하는 강수량 예측 방법을 제공할 수 있다.

Description

구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체{Real-time Rainfall Prediction Device using Cloud Images, and Rainfall Prediction Method using the same, and a computer-readable storage medium}
본 발명은 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체에 관한 것으로, 더욱 자세하게는 실시간으로 촬영한 구름 이미지를 입력 값으로 활용하여 강수량을 예측할 수 있는 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체에 관한 것이다.
기존에는 강수량을 측정하기 위하여, 우량계 또는 레이더 등을 이용하는 측정 방법을 사용하고 있다.
먼저, 우량계를 이용하는 측정 방법은 우량계를 통해 빗물에 의해 떨어지는 물방울의 양을 직접 측정하여 강수량을 측정할 수 있다.
또한 레이더를 활용하는 측정 방법은 레이더를 조사하여 측정되는 반사도를 통해 강수강도(단위 시간당 강수량)를 측정할 수 있다.
그러나, 우량계를 이용하는 측정 방법의 경우 공간해상도가 떨어지고 실시간 측정에 부적합한 단점이 있다. 또한 다양한 목적을 위하여 우량계를 양과 질을 고려하여 설치해야 하나, 예산 및 유지관리 등에 여러 가지 문제가 발생할 수 있어 우량계의 설치에 한계가 있다. 이는 관측의 공백을 만들 수 있는 문제가 있다.
또한 레이더를 활용하는 측정 방법의 경우, 공간해상도가 뛰어나며 실시간 측정에 있어서 보다 적합하지만, 정량적인 면에서 과소 추정되는 경향이 있으며, 미기후(Micro-Climate)의 영향으로 인하여 실제 측정되는 강수량 값과 차이가 발생하는 문제가 있다.
종래의 기술로 한국등록특허 제10-1530674호(강수량계 점검기능을 갖는 강수량관측시스템 및 강우감지를 통한 강수량계 점검방법)이 공개되어 있다.
따라서, 적용이 용이하고, 정량적인 측면에 대한 문제가 개선되면서 실제 강수량 값과 유사한 예측값을 확보할 수 있는 기술에 대한 개발이 필요하다.
상기와 같은 문제를 해결하고자, 본 발명은 실시간으로 촬영한 구름 이미지를 입력 값으로 활용하여 강수량을 예측할 수 있는 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체를 제공하는데 목적이 있다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 모델 장치는 구름 사진과 상기 구름 사진이 촬영된 시간의 기상 정보를 포함하는 구름 데이터를 시간별로 수집하여 데이터 셋을 구성하는 데이터 수집부; 상기 데이터 셋을 통해 이진 분류 모델과 강수량 예측 모델을 학습시키는 모델 생성부 및 구름 이미지가 입력되면, 상기 모델 생성부에서 학습된 이진 분류 모델과 강수량 예측 모델을 이용하여 강수량 예측값을 도출하는 실시간 강수 예측부를 포함하는 실시간 강수량 예측 장치를 제공할 수 있다.
여기서, 상기 기상 정보는 상기 구름 사진이 촬영된 시간의 강수량에 대한 정보인 것을 특징으로 한다.
또한 상기 모델 생성부는, 학습 전 상기 구름 데이터의 구름 사진의 파일 형태를 RGB 파일에서 HSV 파일로 변환하고, 변환된 구름 사진의 명도 값에 따라 낮과 밤을 판단하며, 밤이라고 판단될 경우, 해당 구름 데이터를 학습에서 제외하는 것을 특징으로 한다.
또한 상기 모델 생성부는 학습 전 상기 구름 데이터의 구름 사진을 이미지 전처리하되, 크기조절(resize), 자르기(crop), 정규화(normalization), 회전(rotation) 및 반사(reflection) 중 하나 이상을 이용하여 이미지 전처리하는 것을 특징으로 한다.
또한 상기 모델 생성부는, 상기 이진 분류 모델을 상기 구름 데이터의 특징을 추출하는 합성곱 신경망(CNN)과 상기 합성곱 신경망으로부터 추출된 특징을 학습하는 심층 신경망(DNN)으로 구성시키되, 입력되는 구름 이미지에 대해 '강수' 또는 '무강수'로 분류할 수 있도록 학습 시키는 것을 특징으로 한다.
또한 상기 모델 생성부는, 상기 이진 분류 모델에 손실함수로 크로스앤트로피(CrossEntropy)를 적용하여 학습시키는 것을 특징으로 한다.
또한 상기 모델 생성부는, 상기 강수량 예측 모델을 상기 구름 데이터의 특징을 추출하는 합성곱 신경망(CNN)과 상기 합성곱 신경망으로부터 추출된 특징을 학습하는 심층 신경망(DNN)으로 구성시키되, x값으로 구름 데이터의 구름 사진을, y값으로 상기 구름 사진이 촬영된 시간의 강수량을 적용하여, 회귀 학습을 통해 x값과 y값의 관계식을 도출하는 것을 특징으로 한다.
또한 상기 모델 생성부는, 상기 강수량 예측 모델에 손실함수로 평균 제곱 오차(mean square error)를 적용하여 학습시키는 것을 특징으로 한다.
또한 상기 합성곱 신경망은, 특징으로 구름량, 구름 높이, 구름 모양, 구름 분포 형태, 구름 색 및 하늘 색 중 하나 이상을 추출하는 것을 특징으로 한다.
또한 상기 심층 신경망은, 상기 합성곱 신경망을 통해 추출된 특징 중 구름 높이, 구름 모양 및 구름 분포 형태를 이용하여 구름 종류를 판단하는 것을 특징으로 한다.
또한 상기 실시간 강수 예측부는, 학습된 이진 분류 모델과 강수량 예측 모델을 트리형 구조로 설계하여, 상기 이진 분류 모델을 통해 상기 구름 이미지를 '강수' 또는 '무강수'로 분류시키고, 상기 구름 이미지가 '강수'로 분류될 경우, 상기 강수량 예측 모델을 통해 상기 구름 이미지의 강수량을 예측하여 강수량 예측값을 도출하는 것을 특징으로 한다.
또한 상기 실시간 강수 예측부는, 상기 구름 이미지가 '무강수'로 분류될 경우, 날씨 맑음으로 판단하는 것을 특징으로 한다.
또한 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법은 데이터 수집부가 구름 사진과 상기 구름 사진이 촬영된 시간의 기상 정보를 포함하는 구름 데이터를 수집하여 데이터 셋이 구성되도록 하는 데이터수집단계; 모델 생성부가 상기 구름 데이터를 학습시켜 이진 분류 모델과 강수량 예측 모델을 생성하는 모델생성단계 및 구름 이미지가 입력됨에 따라, 실시간 강수 예측부가 상기 이진 분류 모델과 강수량 예측 모델을 이용하여 상기 구름 이미지의 강수량을 예측하는 강수량예측단계를 포함하는 강수량 예측 방법을 제공할 수 있다.
이때, 상기 모델생성단계는, 상기 구름 데이터의 구름 사진을 전처리하는 전처리단계; 전처리된 구름 데이터를 통해 학습시켜 입력되는 구름 이미지에 대해 '강수' 또는 '무강수'로 분류할 수 있는 상기 이진 분류 모델을 생성하는 이진분류모델 생성단계 및 전처리된 구름 데이터에서 구름 사진과 상기 구름 사진이 촬영된 시간의 기상 정보를 기준으로 회귀 학습시켜 상기 강수량 예측 모델을 생성하는 강수량예측모델 생성단계를 포함할 수 있다.
또한 상기 전처리단계는, 상기 구름 데이터의 구름 사진을 이용하여 낮과 밤을 판단하고, 밤일 경우 학습에서 해당 구름 데이터를 제외시키는 것을 특징으로 한다.
또한 상기 전처리단계는, 학습 전 상기 구름 데이터의 구름 사진을 크기조절(resize), 자르기(crop), 정규화(normalization), 회전(rotation) 및 반사(reflection) 중 하나 이상을 이용하여 전처리하는 것을 특징으로 한다.
또한 상기 강수량예측단계는, 상기 이진 분류 모델을 통해 상기 구름 이미지를 '강수' 또는 '무강수'로 분류시키고, 상기 구름 이미지가 '강수'로 분류될 경우, 상기 강수량 예측 모델을 통해 상기 구름 이미지의 강수량을 예측하여 강수량 예측값을 도출하는 것을 특징으로 한다.
또한 본 발명의 실시예에 따라 강수량 예측 방법을 제공하는 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체를 제공할 수 있다.
상기와 같은 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체는 실시간으로 촬영한 구름 이미지를 입력 값으로 활용하여 강수량을 예측할 수 있다.
이때 실제로 그 지역에 떨어지는 강수량 값을 바탕으로 데이터셋을 구성하여 학습시킨 모델을 통해 강수량을 예측함으로써, 실제 강수량 값과 강수량 예측값의 차이를 최소화하여 우수한 예측 정확도를 확보할 수 있다.
또한 데이터셋을 전처리하여 구름 데이터를 확장시켜 모델에 학습시킴으로써, 데이터셋이 충분히 확보되지 않은 상황에서도 보다 높은 정확도를 가지도록 할 수 있다.
도 1은 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치의 개략적인 동작 구성을 나타낸 블록도.
도 2는 도 1의 모델 생성부에서 학습되는 이진 분류 모델을 나타낸 개념도.
도 3은 도 1의 모델 생성부에서 구름 데이터가 전처리되어 학습되는 강수량 예측 모델을 나타낸 개념도.
도 4는 도 1의 실시간 강수 예측부에서 학습한 모델을 트리형 구조로 설계하여 강수량을 예측하는 구조를 나타낸 개념도.
도 5는 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법을 순차적으로 나타낸 흐름도.
도 6은 도 5의 S20 단계에서 이루어질 수 있는 단계들을 개략적으로 나타낸 흐름도.
이하, 도면을 참조한 본 발명의 설명은 특정한 실시 형태에 대해 한정되지 않으며, 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있다. 또한, 이하에서 설명하는 내용은 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용되는 용어로서, 그 자체에 의미가 한정되지 아니하며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서 전체에 걸쳐 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 이하에서 기재되는 "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로 해석되어야 하며, 하나 또는 그 이상의 다른 특징들이나, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체를 상세히 살펴보기로 한다.
도 1은 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치의 개략적인 동작 구성을 나타낸 블록도이고, 도 2는 도 1의 모델 생성부에서 학습되는 이진 분류 모델을 나타낸 개념도이고, 도 3은 도 1의 모델 생성부에서 구름 데이터가 전처리되어 학습되는 강수량 예측 모델을 나타낸 개념도이며, 도 4는 도 1의 실시간 강수 예측부에서 학습한 모델을 트리형 구조로 설계하여 강수량을 예측하는 구조를 나타낸 개념도이다.
본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치(100, 이하 '실시간 강수량 예측 장치'라 함)는 구름 데이터를 수집하여 데이터 셋을 구성하고, 구성된 데이터 셋을 통해 모델을 학습시켜 누구든 촬영할 수 있는 구름 이미지가 입력되면 강수량을 예측할 수 있다.
도 1과 같이, 실시간 강수량 예측 장치(100)는 기상관측시스템(S)으로부터 구름 사진과 기상 정보를 수신 받아 구름 데이터를 수집할 수 있고, 단말(T)을 통해 구름 이미지가 입력되어 강수량을 예측할 수 있으나, 이에 한정되지 않고, 다양한 방법 또는 구성을 통해 구름 데이터를 수집하고 구름 이미지를 입력 받을 수 있다.
여기서, 기상관측시스템(S)은 기상을 관측하는 시스템으로 다양한 센서가 구성되어 있어, 하늘을 촬영하여 구름 사진을 획득할 수 있고, 온도, 습도 및 강수량 등의 기상 정보를 측정할 수 있다. 기상 관측은 실시간으로 계속 이루어질 수 있으며, 이에 한정되지 않고, 일정 시간 간격으로 측정이 이루어질 수도 있다.
또한 단말(T)은 누구나 가지고 있는 불특정 다수가 소지하고 있는 단말일 수 있으며, 모바일 단말, PC, 태블릿 등 다양하게 적용될 수 있다. 다만, 구름 이미지가 입력되는 것에 대하여 이러한 단말에 한정되지 않고 다양한 방법들을 통해 입력될 수 있다.
도 1을 참조하면, 실시간 강수량 예측 장치(100)는 데이터 수집부(110), 데이터베이스(120), 모델 생성부(130) 및 실시간 강수 예측부(140)를 포함할 수 있다.
먼저, 데이터 수집부(110)는 시간별로 구름 사진과 기상 정보를 수신 받아 구름 데이터를 수집하여 데이터베이스(120)에 저장하는 것으로, 데이터 셋을 구성할 수 있다.
데이터 수집부(110)는 시간별로 구름 사진과 기상 정보를 수신 받을 수 있는데, 구름 사진에 해당 구름 사진이 촬영된 시간의 기상 정보를 매칭시켜 하나의 구름 데이터로 데이터베이스(120)에 저장할 수 있다.
이에 데이터 셋은 다수의 구름 데이터들로 이루어질 수 있으며, 구름 데이터는 구름 사진과 그 시간에 따른 기상 정보를 포함할 수 있다.
또한 데이터 수집부(110)는 강수량을 예측하고자 하는 구름 이미지를 실시간으로 수신 받아 실시간 강수 예측부(140)에 전달할 수 있고, 이와 같이 입력된 구름 이미지를 데이터베이스(120)에 저장시킬 수도 있다.
또한 데이터 수집부(110)는 단말(T)로부터 하나의 구름 이미지가 아닌 복수의 구름 이미지를 포함하는 구름 이미지 그룹을 수신 받아 실시간 강수 예측부(140)에 전달할 수도 있다.
또한 데이터 수집부(110)는 실시간 강수 예측부(140)에서 도출된 결과에 대한 정보를 단말(T)로 전송할 수 있다.
데이터베이스(120)는 데이터 수집부(110)로부터 수집된 구름 데이터를 저장할 수 있으며, 학습된 모델, 입력되는 구름 이미지와 도출되는 강수량 예측값 등 다양한 정보들도 저장할 수 있다.
모델 생성부(130)는 데이터베이스(120)의 데이터 셋을 학습시켜 실시간 강수 예측을 위한 이진 분류 모델과 강수량 예측 모델을 생성할 수 있다. 이러한 이진 분류 모델과 강수량 예측 모델은 합성곱 신경망 기반 모델로 구성될 수 있다.
먼저, 모델 생성부(130)는 학습을 위한 데이터 셋의 전처리를 진행할 수 있는데, 전처리로 필터 전처리와 이미지 전처리 중 하나 이상을 진행할 수 있다.
구체적으로, 모델 생성부(130)는 필터 전처리로, 구름 데이터 중 밤에 해당하는 구름 데이터를 필터링하여 데이터 셋을 전처리 할 수 있다. 이를 통해 수집된 구름 데이터가 적은 지역 또는 기술 적용의 초기 단계에서 높은 예측 정확도를 유지하도록 할 수 있다.
보다 구체적으로, 모델 생성부(130)는 구름 데이터의 구름 사진의 파일 형태를 변환하여 구름 사진의 값에 따라 낮인지 밤인지 판단할 수 있는데, 파일 형태를 RGB 파일에서 HSV 파일로 변환하고 변환된 구름 사진의 명도 값을 설정값과 비교하여, 설정값 이하일 경우 밤이라고 판단할 수 있다. 그러나 이에 한정되지 않고 보다 다양한 방법으로 낮과 밤을 판단할 수 있다.
여기서, RGB 파일은 3원색(빨, 녹, 파)의 조합으로 나타낸 파일이며, HSV 파일은 색상(Hue), 채도(Saturation) 및 명도(Value)의 조합으로 나타낸 파일이다.
이때, 설정값은 50인 것이 바람직하나, 이에 한정되지는 않는다.
상기 과정을 통해 밤이라고 판단될 경우, 모델 생성부(130)는 해당 구름 데이터를 학습에서 제외할 수 있다.
이는 어두운 밤일 경우 식별 능력이 떨어지기 때문에, 밤에 해당하는 구름 데이터를 거르는 것으로 강수량 예측에 적합한 데이터만이 학습에 이용되도록 하여 우수한 예측 정확도를 가지도록 할 수 있는 것이다.
또한 모델 생성부(130)는 전처리 과정 중 하나로, 구름 데이터의 구름 사진을 이미지 전처리할 수 있다. 이를 통해 상황에 맞춰 구름 데이터의 구름 사진에 변화를 줘 모델에 학습시킴으로써, 유연성을 부여할 수 있으며 이에 데이터 셋이 충분히 확보되지 않은 상황에서도 보다 높은 정확도를 가지도록 할 수 있다.
이때, 이미지 전처리로 크기조절(resize), 자르기(crop), 정규화(normalization), 회전(rotation) 및 반사(reflection)가 이용될 수 있으며, 상황에 따라 하나 이상이 선택적으로 적용되어 이미지 전처리가 이루어질 수 있다.
크기조절(resize)은 사진의 크기를 원하는 사이즈로 변환하는 이미지 처리 방법이고, 자르기(crop)는 사진을 원하는 부분만 남겨두고 잘라내는 이미지 처리 방법으로 선택영역 자르기, 비율대로 자르기 등이 있으며, 정규화(normalization)는 데이터를 일정한 규칙에 따라 변형하여 이용하기 쉽게 만드는 이미지 처리 방법 중 하나이다.
또한 회전(rotation)은 설정 각도에 따라 반시계 방향 또는 시계 방향으로 사진을 회전시키는 이미지 처리 방법이고, 반사(reflection)는 사진을 반전시키는 이미지 처리 방법으로 상하 반전, 좌우 반전 등이 있다.
모델 생성부(130)는 상기와 같이 전처리된 구름 데이터를 학습시켜 이진 분류 모델과 강수량 예측 모델을 생성할 수 있다.
먼저, 모델 생성부(130)는 구름 데이터를 통해 강수/무강수 여부를 학습하는 이진 분류 모델을 생성할 수 있다.
도 2와 같이, 이진 분류 모델(Binary Classification Model, 131)은 구름 데이터(D)를 통해 강수/무강수를 학습하여, 입력되는 구름 이미지에 대하여 '강수' 또는 '무강수'로 분류할 수 있도록 생성된 것이고, 이를 위해, 합성곱 신경망(Convolutional neural network, CNN)과 심층 신경망(Deep Neural Network, DNN)으로 구성될 수 있다. 한편, 모델 생성부(130)는 이진 분류 모델(131) 학습 시, 손실함수로 크로스앤트로피(CrossEntropy)를 적용하여 학습시킬 수 있다.
도 2를 참조하면, 이진 분류 모델(131)의 합성곱 신경망(CNN, 131a)은 입력 데이터(예, 구름 데이터, 구름 이미지 등)의 특징을 추출하는 것으로, 컨볼루션 레이어(convolution layer, Conv)와 풀링 레이어(pooling layer, Pooling)가 반복적으로 배치되는 구조로 이루어질 수 있다. 입력 데이터로 구름 데이터(D)를 예로 들어 설명하기로 한다.
컨볼루션 레이어(Conv)는 구름 데이터(D)에 대해 가중치를 적용하여 합성곱 연산을 통해 특징맵(feature map)을 생성할 수 있다. 이러한 하나의 컨볼루션 레이어(Conv)는 구름 데이터(D)의 부분을 대상으로 위치를 변경하면서 여러 번 반복하여 적용되어 전체 구름 데이터(D)에 대해 특징을 추출할 수 있다.
여기서 사용되는 가중치들의 그룹을 가중치 커널(kernel)이라고 지칭할 수 있으며, 가중치 커널은 n x m x d의 3차원 행렬로 구성될 수 있는데, 구름 데이터(D)를 지정된 간격으로 순회하며 합성곱 연산을 통해 특징맵을 생성할 수 있다. 이때, 구름 데이터(D)가 복수의 채널(예를 들어, HSV의 3개의 채널)을 갖는 이미지라면, 가중치 커널은 구름 데이터(D)의 각 채널을 순회하며 합성곱 계산을 한 후, 채널 별 특징맵을 생성할 수 있다.
여기서, n은 구름 데이터(D)의 특정 크기의 행, m은 구름 데이터(D)의 특정 크기의 열, d는 구름 데이터(D)의 채널을 나타낼 수 있다.
또한 컨볼루션 레이어(Conv)는 AlexNet, VGGNet, LeNet, ResNet 및 Relu 등 중 어느 하나를 포함하여 다양한 구성과 기능을 실행할 수 있으나, 이에 한정되는 것은 아니다.
풀링 레이어(Pooling)는 생성된 특징맵에 대해서 공간적 해상도를 감소하는 역할을 하는 것으로, 특징맵의 차원을 축소하는 기능을 하며, 이를 통해 분석 문제이 복잡도를 감소시킬 수 있다.
이러한 풀링 레이어(Pooling)는 특징맵의 부분의 값들에 대해 최대치를 취하는 최대풀링 연산자가 적용된 최대풀링 레이어(MaxPooling layer, MaxPooling) 평균치를 취하는 평균풀링연산자가 적용된 평균풀링 레이어(AveragePooling layer, AveragePooling) 등이 있으며, 본 실시예에서는 최대풀링 레이어(MaxPooling)로 구성하였으나, 이에 한정되지는 않는다.
도 2에 나타난 바와 같이, 이진 분류 모델(131)이 합성곱 신경망(131a)은 2개의 컨볼루션 레이어(Conv)와 2개의 최대풀링 레이어(MaxPooling)로 구성되어 4개의 레이어로 이루어지는 것이 바람직하나, 이에 한정되지는 않는다.
또한 이진 분류 모델(131)의 심층 신경망(DNN, 131b)은 합성곱 신경망(131b)으로부터 추출된 특징을 학습하여 구름 데이터(Dc)를 분류하는 것으로, 평탄화 레이어(Flatten layer, Flatten) 및 2개의 밀집 레이어(Dense layer, Dense)로 구성되어 3개의 레이어로 이루어지는 것이 바람직하나, 이에 한정되지는 않는다.
평탄화 레이어(Flatten)는 합성곱 신경망(131a)으로부터 입력되는 특징맵의 모든 화소를 나열하여 1차원으로 입력값을 만드는 것으로, 합성곱 신경망(131a)과 밀집 레이어(Dense)를 연결해 줄 수 있다.
2개의 밀집 레이어(Dense layer, Dense)는 평탄화 레이어(Flatten)를 통해 입력값이 입력되면 합성곱 신경망(131a)으로부터 추출된 특징을 통해 다중 곱과 합산과 같은 복잡한 연산을 통해 학습과 추론 과정을 실행하여 결과값(output)이 출력되도록 할 수 있다.
또한 이진 분류 모델(131)의 심층 신경망(DNN, 131b)의 결과값(output)은 강수 [1,0], 무강수 [0,1]의 2개의 상태를 가질 수 있다.
이에 이진 분류 모델(131)은 입력되는 구름 이미지에 대해 '강수' 또는 '무강수'로 분류하도록 학습될 수 있다.
한편, 상기와 같이 구성되는 이진 분류 모델(131)의 합성곱 신경망(131a)에서 학습을 위해 추출되는 특징으로 구름량, 구름 높이, 구름 모양, 구름 분포 형태, 구름 색 및 하늘 색 중 하나 이상이 포함될 수 있으며, 모두 포함되는 것이 바람직하나, 이에 한정되지는 않는다.
구름 색은 전체적인 구름 색 분포도, 하늘 색은 전체적인 하늘의 색 분포도일 수 있으나, 이에 한정되지는 않는다.
또한 이진 분류 모델(131)의 심층 신경망(DNN, 131b)은 합성곱 신경망(131a)을 통해 추출된 특징 중 구름 높이, 구름 모양 및 구름 분포 형태를 이용하여 구름 종류를 판단하고, 추출된 특징들과 판단된 구름 종류를 학습하여 강수/무강수에 대한 결과값(output)을 출력할 수 있다.
여기서, 구름 종류는 권적운, 권운, 권층운, 고층운, 고적운, 층운, 층적운, 난층운, 적운 및 적란운 등으로 분류될 수 있으며, 이진 분류 모델(131)의 심층 신경망(DNN, 131b)이 구름 높이, 구름 모양 및 구름 분포 형태에 따라 이 중 하나로 판단할 수 있으나, 이에 한정되지는 않는다.
또한 모델 생성부(130)는 구름 데이터를 통해 mm단위의 강수량을 학습하는 강수량 예측 모델을 생성할 수 있다.
도 3과 같이, 강수량 예측 모델(Precipitation Estimation Model, 132)은 구름 데이터(D)들을 통해 mm단위의 강수량을 학습하여, 입력되는 구름 이미지에 대하여 mm단위의 강수량 예측값을 도출할 수 있도록 생성된 것이고, 이를 위해, 합성곱 신경망(CNN)과 심층 신경망(DNN)으로 구성될 수 있다.
도 3을 참조하면, 강수량 예측 모델(132)의 합성곱 신경망(132a)도 컨볼루션 레이어(Conv)와 풀링 레이어(Pooling)로 구성될 수 있는데, 이 경우 먼저 컨볼루션 레이어(Conv)가 연속적으로 구성되고 풀링 레이어(Pooling)구성된 다음, 컨볼루션 레이어(Conv)와 풀링 레이어(Pooling)가 배치되는 것으로, 5개의 레이어로 이루어질 수 있으나, 이에 한정되지는 않는다.
또한, 강수량 예측 모델(132)의 심층 신경망(132b)은 평탄화 레이어(Flatten layer, Flatten) 및 2개의 밀집 레이어(Dense layer, Dense)로 구성되어 3개의 레이어로 이루어지는 것이 바람직하나, 이에 한정되지는 않는다.
모델 생성부(130)는 강수량 예측 모델(132) 학습 시, x값으로 시간에 따른 구름 데이터의 구름 사진을, y값으로 구름 사진이 촬영된 시간의 기상정보(강수량, 온도 및 습도 중 하나 이상)을 적용하여, 회귀 학습을 통해 x값과 y값의 관계식을 도출하도록 학습시킬 수 있다.
이때, 모델 생성부(130)는 강수량 예측 모델(132)에 회귀 학습이 이루어짐에 따라 손실함수로 평균 제곱 오차(mean square error)를 적용하여 학습시킬 수 있다.
이에 따라, 강수량 예측 모델(132)은 입력되는 구름 이미지의 mm 단위의 강수량을 예측할 수 있다.
한편, 상기와 같이 구성되는 강수량 예측 모델(132)의 합성곱 신경망(132a)은 학습을 위해 특징으로 구름량, 구름 높이, 구름 모양, 구름 분포 형태, 구름 색 및 하늘 색 중 하나 이상을 추출할 수 있으며, 모두 추출하는 것이 바람직하나, 이에 한정되지는 않는다.
또한 강수량 예측 모델(132)의 심층 신경망(132b)은 합성곱 신경망(132a)을 통해 추출된 특징 중 구름 높이, 구름 모양 및 구름 분포 형태를 이용하여 구름 종류를 판단하고, 추출된 특징들과 판단된 구름 종류를 학습하여 mm 단위의 강수량을 예측할 수 있다.
또한 강수량 예측 모델(132)의 심층 신경망(132b)은 해당 구름 데이터의 구름 분포 형태와 다른 시간에 촬영된 구름 데이터의 구름 분포 형태를 통해 시간에 따라 달라진 구름의 위치를 분석하여 구름 이동 속도를 파악할 수 있다. 이에 구름 이동 속도도 같이 학습하여 mm 단위의 강수량을 예측할 수 있다.
이를 통해 실시간 강수 예측부(140)에서 서로 다른 시간에 촬영된 복수의 구름 이미지를 포함하는 구름 이미지 그룹도 입력 받을 수 있도록 하여, mm 단위의 강수량을 예측 시 구름 이동 속도도 고려되도록 할 수 있다.
다만, 실시간 강수 예측부(140)는 구름 이미지 그룹을 입력 받을 경우, 가장 늦게 촬영된 구름 이미지를 기준으로 이진 분류 모델(131)에서 분류되고, 강수량 예측 모델(131)에서 강수량 예측이 이루어지도록 할 수 있다.
강수량 예측 모델(132)에 구름 이미지 그룹이 입력될 경우, 구름 이미지 그룹의 구름 이미지에서 각각 추출된 구름 분포 형태를 통해 시간에 따라 달라진 구름의 위치를 분석하여 가장 늦게 촬영된 구름 이미지의 구름 이동 속도를 도출할 수 있는 것이다.
이를 통해 구름이 이동되는 속도까지 고려하여 강수량을 예측할 수 있도록 함으로써, 보다 정확한 강수량 예측값을 얻을 수 있도록 한다.
또한, 모델 생성부(130)는 강수량 예측 모델(132)을 학습시킬 시, 구름 데이터 중 맑은 날에 대한 구름 데이터를 제외하여 학습시킬 수 있다. 이는 실시간 강수 예측부(140)에서 이진 분류 모델(131)과 강수량 예측 모델(132)을 트리형 구조로 설계하여 사용함으로써, '무강수'의 구름 이미지, 즉 맑은 날에 대한 구름 이미지가 먼저 분류되어 '강우'로 판단되는 구름 이미지만이 강수량 예측 모델(132)에 입력되기 때문이다.
이에 따라, 강수량 예측 모델(132) 학습 시 맑은 날에 대한 데이터를 학습할 필요가 없어 학습 효율이 향상될 수 있으며, 예측 정확도가 보다 높아질 수 있다.
실시간 강수 예측부(140)는 구름 이미지가 입력되면, 모델 생성부(130)에서 학습된 이진 분류 모델(131)과 강수량 예측 모델(132)을 이용하여 강수량 예측값을 도출할 수 있다.
도 4를 참조하면, 실시간 강수 예측부(140)는 이진 분류 모델(131)과 강수량 예측 모델(132)을 트리형 구조로 설계하여 강수량 예측값을 도출할 수 있다.
구체적으로, 실시간 강수 예측부(140)는 먼저 이진 분류 모델(131)을 통해 구름 이미지를 '강수' 또는 '무강수'로 분류 시킬 수 있다.
그 다음, 실시간 강수 예측부(140)는 구름 이미지가'강수'로 분류될 경우, 강수량 예측 모델(132)에 '강수'로 분류된 구름 이미지가 입력되도록 하여, 강수량 예측 모델(132)을 통해 구름 이미지의 강수량이 예측되도록 하여 강수량 예측값을 얻을 수 있다.
반면, 실시간 강수 예측부(140)는 입력된 구름 이미지가 '무강수'로 분류될 경우, 날씨 맑음으로 판단할 수 있다.
이와 같이 실시간 강수 예측부(140)는 이진 분류 모델(131)과 강수량 예측 모델(132)을 트리형 구조로 설계하여 '강수'와 '무강수'로 먼저 분류하고 '강수'로 분류된 구름 이미지만을 대상으로 강수량 예측값을 도출함으로써, 강수량 예측 모델(132)의 부담을 덜어주는 효과를 얻을 수 있다.
실시간 강수 예측부(140)는 이와 같이 얻어진 결과(강수량 예측값, 날씨 맑음)에 대한 정보를 데이터 수집부(110)를 통해 단말(T)로 전송할 수도 있으나, 이에 한정되지는 않는다.
실시간 강수 예측부(140)는 도 4에 나타난 바와 같이, 다수의 구름 이미지(I1, I2, I3, … In-1, In)가 입력되어 동시에 처리될 수도 있는데, n개의 구름 이미지가 이진 분류 모델(131)에 입력되어 '강수' 또는 '무강수'로 분류될 수 있다.
'무강수'로 분류된 구름 이미지(INR1, INR2, … INRi)에 대해서는 '날씨맑음'으로 결론을 내려 결과를 제공할 수 있다.
또한 실시간 강수 예측부(140)에서'강수'로 분류된 구름 이미지(IR1, IR2, … IRk)들이 강수량 예측 모델(131)에 입력되어 '강수'로 분류된 구름 이미지의 강수량 예측값(O1, O2, … Ok)이 각각 구해질 수 있다.
한편, 실시간 강수 예측부(140)는 구름 이미지 또는 구름 이미지 그룹이 수신되면, 이진 분류 모델(131)에 바로 입력시키지 않고, 이미지 전처리 과정을 수행한 후 이진 분류 모델(131)에 입력시킬 수도 있다.
이는 이진 분류 모델(131)에 입력시키기에 보다 적합한 형태를 가지도록 구름 이미지를 전처리함으로써, 예측 정확성이 향상되도록 하기 위한 것이다. 여기서 사용되는 이미지 전처리는 모델 생성부(130)에서 사용되는 방법과 실질적으로 동일하므로, 자세한 설명은 생략하기로 한다.
이러한 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법에 대하여 하기에서 구체적으로 설명하기로 한다.
도 5는 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법을 순차적으로 나타낸 흐름도이고, 도 6은 도 5의 S20 단계에서 이루어질 수 있는 단계들을 개략적으로 나타낸 흐름도이다.
도 5를 참조하면, 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법은 데이터수집단계(S10), 모델생성단계(S20) 및 강수량예측단계(S30)를 포함할 수 있다.
데이터수집단계(S10)는 실시간 강수량 예측 장치(100)의 데이터 수집부(110)가 구름 사진과 구름 사진이 촬영된 시간의 기상 정보를 포함하는 구름 데이터를 수집할 수 있다. 수집되는 구름 데이터를 데이터베이스(120)에 저장하여 데이터 셋이 구성되도록 할 수 있다.
모델생성단계(S20)는 모델 생성부(130)가 수집된 구름 데이터들을 통해 학습시켜 이진 분류 모델(131)과 강수량 예측 모델(132)을 생성할 수 있다.
도 6을 참조하면, S20 단계는 전처리단계(S21), 이진분류모델 생성단계(S22) 및 강수량예측모델 생성단계(S23)를 포함할 수 있다. 이에 대해서는 상기 장치에서 설명하였으므로, 자세한 설명은 생략하도록 한다.
전처리단계(S21)는 구름 데이터의 구름 사진을 전처리하는 단계로서, 밤에 해당하는 구름 데이터를 제외하는 필터 전치리와 구름 사진을 상황에 따라 변화시키는 이미지 전처리가 이루어질 수 있다.
먼저, S21 단계는 구름 데이터의 구름 사진을 이용하여 낮과 밤을 판단하고, 밤일 경우 학습에서 해당 구름 데이터를 제외시킬 수 있다.
또한 S21 단계는 상기 구름 데이터의 구름 사진을 크기조절(resize), 자르기(crop), 정규화(normalization), 회전(rotation) 및 반사(reflection) 중 하나 이상을 이용하여 이미지 전처리할 수 있다.
이진분류모델 생성단계(S22)는 전처리된 구름 데이터를 통해 학습시켜 입력되는 구름 이미지에 대해 '강수' 또는 '무강수'로 분류할 수 있는 이진 분류 모델(131)을 생성할 수 있다.
강수량예측모델 생성단계(S23)는 전처리된 구름 데이터에서 구름 사진과 그 시간에 따른 기상 정보를 기준으로 회귀 학습시켜, 입력되는 구름 이미지에 대해 mm 단위의 강수량을 예측할 수 있는 강수량 예측 모델(132)을 생성할 수 있다.
강수량예측단계(S30)는 구름 이미지 또는 구름 이미지 그룹이 입력됨에 따라, 실시간 강수 예측부(140)가 이진 분류 모델(131)과 강수량 예측 모델(132)을 이용하여 구름 이미지의 강수량을 예측할 수 있다.
보다 구체적으로, S30 단계는 이진 분류 모델(131)을 통해 구름 이미지를 '강수' 또는 '무강수'로 분류시키고, 구름 이미지가 '강수'로 분류될 경우, 강수량 예측 모델(132)을 통해 상기 구름 이미지의 강수량을 예측하여 강수량 예측값을 도출할 수 있다.
아울러, 본 발명은 컴퓨터 판독가능 저장매체에 컴퓨터가 판독 가능한 코드를 저장하여 구현하는 것이 가능하다. 컴퓨터 판독가능 저장매체는 컴퓨터 시스템에 의하여 판독될 수 있는 데이터가 저장되는 모든 종류의 저장 장치를 포함한다.
컴퓨터가 판독 가능한 코드는, 컴퓨터 판독가능 저장매체에서 기상관측시스템(S)로부터 실시간 강수량 예측 장치(100)에 의하여 구름 데이터가 수집되고 학습되어 입력된 구름 이미지로부터 강수량을 예측할 때, 본 발명에 따른 강수량 예측 방법을 구현하는 단계들을 수행하도록 구성된다. 상기 컴퓨터가 판독 가능한 코드는 다양한 프로그래밍 언어들로 구현될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 통상의 기술자들에 의하여 용이하게 프로그래밍될 수 있다.
컴퓨터 판독 가능 저장 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 반송파(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터 판독가능 저장매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다.
상기에서 설명한 바와 같이, 본 발명의 실시예에 따른 구름 이미지를 이용한 실시간 강수량 예측 장치, 강수량 예측 방법 및 컴퓨터-판독가능매체는 실시간으로 촬영한 구름 이미지를 입력 값으로 활용하여 강수량을 예측할 수 있다.
이때 실제로 그 지역에 떨어지는 강수량 값을 바탕으로 데이터셋을 구성하여 학습시킨 모델을 통해 강수량을 예측함으로써, 실제 강수량 값과 강수량 예측값의 차이를 최소화하여 우수한 예측 정확도를 확보할 수 있다.
또한 데이터셋을 전처리하여 구름 데이터를 확장시켜 모델에 학습시킴으로써, 데이터셋이 충분히 확보되지 않은 상황에서도 보다 높은 정확도를 가지도록 할 수 있다.
이하, 상기에서 설명한 본 발명에 대해 실험예 및 실시예를 들어 더욱 구체적으로 설명하기로 한다. 그러나 본 발명이 반드시 이들 실험예 및 실시예에 한정되는 것은 아니다.
[실험예] 강수량 예측 정확도 평가
본 발명의 실시예에 따른 실시간 강수량 예측 장치의 강수량 예측 정확도를 평가하기 위하여, 비가 오는 구름데이터와 비가 안오는 구름데이터가 1:1 비율로 구성되도록 데이터셋을 구축하고, 이를 이용하여 이진 분류 모델과 강수량 예측 모델을 학습시킨 후, 수집된 구름데이터의 구름사진을 이용하여 강수량을 예측하였다. 그 다음, 실시간 강수량 예측 장치의 강수량 예측값과 실제 강수량 값을 비교하여 예측 정확도를 평가하였다.
그 결과는 하기 표 1과 같다.
강수량 예측값 실제 강수량 값 평균 오차
1 1.6190479mm 1.5mm 약 0.2mm
2 2.3006048 2.0mm
상기 표 1을 보면 알 수 있듯이, 실제 강수량 값과 비교하여 강수량 예측값의 오차가 작게 나타나는 것을 확인할 수 있었다.
이상으로 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고 다른 구체적인 형태로 실시할 수 있다는 것을 이해할 수 있을 것이다. 따라서 이상에서 기술한 실시예는 모든 면에서 예시적인 것이며 한정적이 아닌 것이다.
100: 실시간 강수량 예측 장치
110: 데이터 수집부
120: 데이터베이스
130: 모델 생성부
131: 이진 분류 모델
131a: 합성곱 신경망
131b: 심층 신경망
132: 강수량 예측 모델
132a: 합성곱 신경망
132b: 심층 신경망
140: 실시간 강수 예측부
S: 기상관측시스템
T: 단말

Claims (12)

  1. 구름 이미지를 이용한 실시간 강수량 예측 장치에 있어서,
    구름 사진과 상기 구름 사진이 촬영된 시간의 기상 정보를 포함하는 구름 데이터를 시간별로 수집하여 데이터 셋을 구성하는 데이터 수집부;
    상기 데이터 셋을 통해 이진 분류 모델과 강수량 예측 모델을 학습시키는 모델 생성부 및
    구름 이미지가 입력되면, 상기 모델 생성부에서 학습된 이진 분류 모델과 강수량 예측 모델을 이용하여 강수량 예측값을 도출하는 실시간 강수 예측부를 포함하는 실시간 강수량 예측 장치.
  2. 제1항에 있어서,
    상기 기상 정보는,
    상기 구름 사진이 촬영된 시간의 강수량에 대한 정보인 것을 특징으로 하는 실시간 강수량 예측 장치.
  3. 제1항에 있어서,
    상기 모델 생성부는,
    학습 전 상기 구름 데이터의 구름 사진의 파일 형태를 RGB 파일에서 HSV 파일로 변환하고, 변환된 구름 사진의 명도 값에 따라 낮과 밤을 판단하며,
    밤이라고 판단될 경우, 해당 구름 데이터를 학습에서 제외하는 것을 특징으로 하는 실시간 강수량 예측 장치.
  4. 제2항에 있어서,
    상기 모델 생성부는,
    상기 이진 분류 모델을 상기 구름 데이터의 특징을 추출하는 합성곱 신경망(CNN)과 상기 합성곱 신경망으로부터 추출된 특징을 학습하는 심층 신경망(DNN)으로 구성시키되,
    입력되는 구름 이미지에 대해 '강수' 또는 '무강수'로 분류할 수 있도록 학습 시키는 것을 특징으로 하는 실시간 강수량 예측 장치.
  5. 제2항에 있어서,
    상기 모델 생성부는,
    상기 강수량 예측 모델을 상기 구름 데이터의 특징을 추출하는 합성곱 신경망(CNN)과 상기 합성곱 신경망으로부터 추출된 특징을 학습하는 심층 신경망(DNN)으로 구성시키되,
    x값으로 구름 데이터의 구름 사진을, y값으로 상기 구름 사진이 촬영된 시간의 강수량을 적용하여, 회귀 학습을 통해 x값과 y값의 관계식을 도출하는 것을 특징으로 하는 실시간 강수량 예측 장치.
  6. 제4항 또는 제5항에 있어서,
    상기 합성곱 신경망은,
    특징으로 구름량, 구름 높이, 구름 모양, 구름 분포 형태, 구름 색 및 하늘 색 중 하나 이상을 추출하는 것을 특징으로 하는 실시간 강수량 예측 장치.
  7. 제6항에 있어서,
    상기 심층 신경망은,
    상기 합성곱 신경망을 통해 추출된 특징 중 구름 높이, 구름 모양 및 구름 분포 형태를 이용하여 구름 종류를 판단하는 것을 특징으로 하는 실시간 강수량 예측 장치.
  8. 제1항에 있어서,
    상기 실시간 강수 예측부는,
    학습된 이진 분류 모델과 강수량 예측 모델을 트리형 구조로 설계하여,
    상기 이진 분류 모델을 통해 상기 구름 이미지를 '강수' 또는 '무강수'로 분류시키고,
    상기 구름 이미지가 '강수'로 분류될 경우, 상기 강수량 예측 모델을 통해 상기 구름 이미지의 강수량을 예측하여 강수량 예측값을 도출하는 것을 특징으로 하는 실시간 강수량 예측 장치.
  9. 구름 이미지를 이용한 실시간 강수량 예측 장치를 이용한 강수량 예측 방법에 있어서,
    데이터 수집부가 구름 사진과 상기 구름 사진이 촬영된 시간의 기상 정보를 포함하는 구름 데이터를 수집하여 데이터 셋이 구성되도록 하는 데이터수집단계;
    모델 생성부가 상기 구름 데이터를 학습시켜 이진 분류 모델과 강수량 예측 모델을 생성하는 모델생성단계 및
    구름 이미지가 입력됨에 따라, 실시간 강수 예측부가 상기 이진 분류 모델과 강수량 예측 모델을 이용하여 상기 구름 이미지의 강수량을 예측하는 강수량예측단계를 포함하는 강수량 예측 방법.
  10. 제9항에 있어서,
    상기 모델생성단계는,
    상기 구름 데이터의 구름 사진을 전처리하는 전처리단계;
    전처리된 구름 데이터를 통해 학습시켜 입력되는 구름 이미지에 대해 '강수' 또는 '무강수'로 분류할 수 있는 상기 이진 분류 모델을 생성하는 이진분류모델 생성단계 및
    전처리된 구름 데이터에서 구름 사진과 상기 구름 사진이 촬영된 시간의 기상 정보를 기준으로 회귀 학습시켜 상기 강수량 예측 모델을 생성하는 강수량예측모델 생성단계를 포함하는 강수량 예측 방법.
  11. 제9항에 있어서,
    상기 강수량예측단계는,
    상기 이진 분류 모델을 통해 상기 구름 이미지를 '강수' 또는 '무강수'로 분류시키고,
    상기 구름 이미지가 '강수'로 분류될 경우, 상기 강수량 예측 모델을 통해 상기 구름 이미지의 강수량을 예측하여 강수량 예측값을 도출하는 것을 특징으로 하는 강수량 예측 방법.
  12. 제9항 내지 제11항 중 어느 한 항에 따라 강수량 예측 방법을 제공하는 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
KR1020210050666A 2021-04-19 2021-04-19 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 KR102576427B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210050666A KR102576427B1 (ko) 2021-04-19 2021-04-19 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210050666A KR102576427B1 (ko) 2021-04-19 2021-04-19 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체

Publications (2)

Publication Number Publication Date
KR20220144237A true KR20220144237A (ko) 2022-10-26
KR102576427B1 KR102576427B1 (ko) 2023-09-08

Family

ID=83785440

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210050666A KR102576427B1 (ko) 2021-04-19 2021-04-19 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체

Country Status (1)

Country Link
KR (1) KR102576427B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102634262B1 (ko) * 2023-04-04 2024-02-06 주식회사 제나드이엔씨 원격으로 계측과 감시와 제어를 기반으로 현장인력 수동조작 방식을 중앙원격화하여 용수를 절약하고 재해대응력이 제고되는 물관리 자동화 통신시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100042711A (ko) * 2008-10-17 2010-04-27 (주)뉴멀티테크 하늘상태 자동관측 시스템 및 방법
KR20120005654A (ko) * 2010-07-09 2012-01-17 대한민국(기상청장) 자동 구름 정보 산출방법
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
KR20200071042A (ko) * 2018-12-10 2020-06-18 이화여자대학교 산학협력단 열대성 뇌우 발생 예측 방법
KR20210032210A (ko) * 2019-09-16 2021-03-24 한국에너지기술연구원 구름이동벡터 산출 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100042711A (ko) * 2008-10-17 2010-04-27 (주)뉴멀티테크 하늘상태 자동관측 시스템 및 방법
KR20120005654A (ko) * 2010-07-09 2012-01-17 대한민국(기상청장) 자동 구름 정보 산출방법
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
KR20200071042A (ko) * 2018-12-10 2020-06-18 이화여자대학교 산학협력단 열대성 뇌우 발생 예측 방법
KR20210032210A (ko) * 2019-09-16 2021-03-24 한국에너지기술연구원 구름이동벡터 산출 장치 및 그 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Bin Tian 외 4명. A study of cloud classification with neural networks using spectral and textural features. IEEE TRANSACTIONS ON NEURAL NETWORKS. 1999.01, Vol.10, No.1, pp.138-151. 1부.* *
Mao Nguyen 외 3명. Deep Neural Networks with Residual Connections for Precipitation Forecasting. Singapore: CIKM. Nov 2017. 1부.* *
Yumeng Tao 외 4명. A Two-Stage Deep Neural Network Framework for Precipitation Estimation from Bispectral Satellite Information. Journal of Hydrometeorology. 2018.02.01, Vol.19, Issue.2, pp.393-408. 1부.* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102634262B1 (ko) * 2023-04-04 2024-02-06 주식회사 제나드이엔씨 원격으로 계측과 감시와 제어를 기반으로 현장인력 수동조작 방식을 중앙원격화하여 용수를 절약하고 재해대응력이 제고되는 물관리 자동화 통신시스템

Also Published As

Publication number Publication date
KR102576427B1 (ko) 2023-09-08

Similar Documents

Publication Publication Date Title
CN110245709B (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
CN111126399B (zh) 一种图像检测方法、装置、设备及可读存储介质
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
Wharton A Spectral-Knowledge-Based Approach for Urban Land-Cover Discrmination
US20210118165A1 (en) Geospatial object geometry extraction from imagery
CN105930822A (zh) 一种人脸抓拍方法及系统
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN111832489A (zh) 一种基于目标检测的地铁人群密度估计方法及系统
KR101183105B1 (ko) 자동 구름 정보 산출방법
Congalton Remote sensing: an overview
CN113160150B (zh) 线网异物入侵ai检测方法与装置
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN109145836A (zh) 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
CN110796360A (zh) 一种固定型交通检测源多尺度数据融合方法
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统
Khoshboresh-Masouleh et al. A deep multi-modal learning method and a new RGB-depth data set for building roof extraction
CN113256733B (zh) 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
KR102576427B1 (ko) 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체
Khoshboresh-Masouleh et al. Robust building footprint extraction from big multi-sensor data using deep competition network
Yadav et al. Supervised learning based greenery region detection using unnamed aerial vehicle for smart city application
CN112270289A (zh) 一种基于图卷积注意力网络的智能监测方法

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