KR20220156635A - 기상 정보의 개선을 위한 모바일 데이터의 사용 - Google Patents

기상 정보의 개선을 위한 모바일 데이터의 사용 Download PDF

Info

Publication number
KR20220156635A
KR20220156635A KR1020227037496A KR20227037496A KR20220156635A KR 20220156635 A KR20220156635 A KR 20220156635A KR 1020227037496 A KR1020227037496 A KR 1020227037496A KR 20227037496 A KR20227037496 A KR 20227037496A KR 20220156635 A KR20220156635 A KR 20220156635A
Authority
KR
South Korea
Prior art keywords
data
weather
mobile
observational
observation
Prior art date
Application number
KR1020227037496A
Other languages
English (en)
Inventor
윌리엄 비. 가일
Original Assignee
구글 엘엘씨
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 구글 엘엘씨 filed Critical 구글 엘엘씨
Publication of KR20220156635A publication Critical patent/KR20220156635A/ko

Links

Images

Classifications

    • 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
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • 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
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
    • 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

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100)이 제공된다. 시스템(100)은, 복수의 입력 기상 모델들(115)로부터의 데이터와 함께 복수의 고정 기상 스테이션들(110)에 의해 제공되는 고정 관측 데이터를 수신하고 그리고 고정 관측 데이터, 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하도록 구성된 기상 예측 스테이션(120), 및 프로세서(130)를 포함한다. 프로세서(130)는, 복수의 비고정 센서들(140)에 의해 제공되는 모바일 관측 데이터를 집계하고 그리고 집계된 모바일 관측 데이터를 사용하여 기상 모델 추정치들을 조정하도록 구성된다.

Description

기상 정보의 개선을 위한 모바일 데이터의 사용
이하에서 설명되는 실시예들은 기상 정보에 관한 것으로서, 보다 상세하게는, 기상 정보를 개선하기 위해 모바일 데이터를 사용하는 것에 관한 것이다.
기상 모델들에 의해 생성되는 현재 조건 추정치들 및 (장래의) 예보들을 개선하기 위해 모바일 관측들을 사용하는 것에 대한 관심이 증가하고 있다. 모바일 관측들은 모바일 폰들 또는 차량들에 의해 제공될 때와 같이 많은 수의 위치들에서 이용가능하기 때문에 매력적이다. 그러나, 이러한 관측들은 고정 센서들(예를 들어, 기상 스테이션들)로부터의 관측들에 비해 몇몇 중요한 단점들을 가지며, 이는 새로운 방법들이 기상 모델 정보를 개선하는 데 유용하게 될 것을 요구한다.
예를 들어, 종종 다른 목적들을 위해 주로 의도된 소비자-품질 디바이스들 또는 센서들로부터의 단일 관측들은 낮은 품질을 갖는 경향이 있다. 실제로, 품질은 종종 기상 모델들 자체로부터 획득될 수 있는 것보다 상당히 더 나쁘다. 이는 기상 모델들을 개선하기 위해 개별 모바일 관측들만을 사용하는 것을 어렵게 한다. 또한, 정의상, 모바일 관측들은 정기적으로 변하는 위치들에서 이루어진다. 대조적으로, 중요한 기상 모델링 프로세스들은 통계적 프로세스들을 가능하게 하기 위해 한 위치로부터의 시계열의 데이터를 요구한다. 추가적으로, 일부 경우들에서, 관측들은 관련될 수 있지만, 기상 모델들에 필요한 또는 기상 모델들에 의해 생성된 정보와 정확히 매칭되지 않을 수 있다. 예를 들어, 차량 트랙션(traction) 제어 시스템 데이터는 얼음과 같은 조건이 도로 상에 존재하는지 여부와 명확히 관련되지 않을 수 있고; 낮은 트랙션 값들은 얼음에 대응할 수 있지만, 낮은 트랙션의 다른 원인들을 또한 반영할 수 있다.
모바일 관측들에 대한 이러한 요구의 특정 관련 예로서, 그들의 사용은 정확한 도로를 따른 기상 관련 정보를 제공하기 위한 것과 같이 수송 관련 섹터 내에서 특히 흥미롭다. 이러한 사용은 온도 및 바람과 같은 대기 기상 조건들뿐만 아니라, 도로 표면 온도 및 기상 관련 조건들(예를 들어, 건조함, 습함, 젖음, 눈, 얼음 ― 양을 포함함)과 같은 "도로 기상"도 포함한다.
역사적으로, 이들 파라미터의 관측들은, 도로들을 따라 위치되고 일반적으로 정부 교통 기관들에 의해 운영되는 도로 기상 정보 시스템(RWIS) 사이트들에서 이루어졌다. 이들은 획득 및 유지하기에 비용이 많이 들기 때문에, 기존의 RWIS의 수는 비교적 적고; 이들은 단지 도로망을 드물게 샘플링한다.
따라서, 모바일 데이터, 특히 풍부하고 쉽게 이용가능한 모바일 센서들에 의해 제공되는 모바일 데이터를 사용하여 기상 정보를 개선할 필요가 있다. 또한, 모바일 센서들에 의해 제공되는 모바일 데이터의 품질 및 적합성을 개선하여 기상 정보를 개선하는 데 사용할 필요가 있다.
기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템이 제공된다. 일 실시예에 따르면, 시스템은, 복수의 입력 기상 모델들로부터의 데이터와 함께 복수의 고정 기상 스테이션들에 의해 제공되는 고정 관측 데이터를 수신하고 그리고 고정 관측 데이터 및 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하도록 구성된 기상 예측 스테이션을 포함한다. 시스템은 또한, 복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터를 집계하고 그리고 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정하도록 구성된 프로세서를 포함한다.
기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법이 제공된다. 일 실시예에 따르면, 방법은 복수의 고정 기상 스테이션들에 의해 제공되는 고정 관측 데이터를 수신하는 단계, 복수의 입력 기상 모델들로부터 데이터를 수신하는 단계, 고정 관측 데이터 및 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하는 단계, 복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터를 집계하는 단계, 및 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정하는 단계를 포함한다.
양태들
일 양태에 따르면, 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100)은, 복수의 고정 기상 스테이션들(110)에 의해 제공되는 고정 관측 데이터를 수신하고, 복수의 입력 기상 모델들(115)로부터 데이터를 수신하고, 고정 관측 데이터 및 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하도록 구성된 기상 예측 스테이션(120), 및 프로세서(130)를 포함한다. 프로세서(130)는, 복수의 비고정 센서들(140)에 의해 제공되는 모바일 관측 데이터를 집계하고 그리고 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정하도록 구성된다.
바람직하게는, 프로세서(130)는 추가로, 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하도록 구성되고, 가상 관측 데이터는 복수의 비존재(non-existent) 고정 기상 스테이션들에 의해 제공되었을 관측 데이터의 추정치이다.
바람직하게는, 프로세서(130)가 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하도록 구성되는 것은, 프로세서(130)가 집계된 모바일 관측 데이터에 기초하여 기후 값(climatological value)들을 결정하고 그리고 기후 값들을 사용하여 가상 관측 데이터를 결정하도록 구성되는 것을 포함한다.
바람직하게는, 프로세서(130)는 추가로, 가상 관측 데이터를 사용하여 기상 예측 모델에 대해 후처리(post-processing)를 수행하도록 구성된다.
바람직하게는, 프로세서(130)가 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정하도록 구성되는 것은, 프로세서(130)가 모바일 관측 데이터를 가상 관측 위치(230)에 공간적으로 상관시키고 그리고 가상 관측 위치(230)에서 기상 모델 추정치들을 조정하도록 구성되는 것을 포함한다.
바람직하게는, 프로세서(130)가 집계된 모바일 관측 데이터를 가상 관측 위치(130)에 공간적으로 상관시키도록 구성되는 것은, 프로세서(130)가 기상 모델 추정치들을 조정하기 위해 관측이 유용하게 외삽될 수 있는 거리를 정의하는 공간적 상관 거리(dbin CORR)를 결정하도록 구성되는 것을 포함한다.
바람직하게는, 복수의 비고정 센서들(130)에 의해 제공되는 모바일 관측 데이터는 위치 및 시간 파라미터들에 의해 정의되는 시공간 빈(spatiotemporal bin)(210)에 의해 조직화된다.
바람직하게는, 시스템(100)은 고정 기상 스테이션들(110)의 위치들에서의 기상 조건들의 고정 관측 데이터를 제공하도록 구성된 복수의 고정 기상 스테이션들(110)을 더 포함한다.
일 양태에 따르면, 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법은, 복수의 고정 기상 스테이션들에 의해 제공되는 고정 관측 데이터를 수신하는 단계, 복수의 입력 기상 모델들로부터 데이터를 수신하는 단계, 고정 관측 데이터 및 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하는 단계, 복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터를 집계하는 단계, 및 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정하는 단계를 포함한다.
바람직하게는, 방법은 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하는 단계를 더 포함하고, 가상 관측 데이터는 복수의 비존재 고정 기상 스테이션들에 의해 제공되었을 관측 데이터의 추정치이다.
바람직하게는, 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하는 단계는, 집계된 모바일 관측 데이터에 기초하여 기후 값들을 결정하는 단계 및 기후 값들을 사용하여 가상 관측 데이터를 결정하는 단계를 포함한다.
바람직하게는, 방법은 가상 관측 데이터를 사용하여 기상 예측 모델에 대해 후처리를 수행하는 단계를 더 포함한다.
바람직하게는, 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정하는 단계는, 모바일 관측 데이터를 가상 관측 위치에 공간적으로 상관시키는 단계 및 가상 관측 위치에서 통합된 기상 모델 추정치들을 조정하는 단계를 포함한다.
바람직하게는, 모바일 관측 데이터를 가상 관측 위치와 공간적으로 상관시키는 단계는, 통합된 기상 모델 추정치들을 조정하기 위해 관측이 유용하게 외삽될 수 있는 거리를 정의하는 공간적 상관 거리를 결정하는 단계를 포함한다.
바람직하게는, 복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터는 위치 및 시간 파라미터들에 의해 정의되는 시공간 빈에 의해 조직화된다.
동일한 참조 번호는 모든 도면들에서 동일한 요소를 표현한다. 도면들은 반드시 축척으로 그려진 것은 아니라는 것을 이해해야 한다.
도 1은 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100)을 도시한다.
도 2는 도 1에 도시된 시스템(100)의 다른 도면을 도시한다.
도 3은 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법(300)을 도시한다.
도 1 내지 도 3 및 이하의 설명은 기상 정보를 개선하기 위해 모바일 데이터를 사용하는 실시예들의 최상의 모드를 어떻게 만들고 사용하는지를 본 기술분야의 통상의 기술자들에게 교시하는 구체적인 예들을 나타낸 것이다. 본 발명의 원리들을 교시하기 위해, 일부 종래의 양태들이 단순화되거나 생략되어 있다. 본 기술분야의 통상의 기술자들은 본 설명의 범위 내에 속하는 이 예들로부터의 변형들을 알 것이다. 본 기술분야의 통상의 기술자들은 이하에 설명되는 특징들이 기상 정보를 개선하기 위해 모바일 데이터를 사용하는 다수의 변형들을 형성하기 위해 다양한 방식들로 조합될 수 있다는 것을 알 것이다. 그 결과, 이하에 설명되는 실시예들은 이하에 설명되는 구체적인 예들로 제한되지 않고, 청구항들 및 그들의 균등물들에 의해서만 제한된다.
도 1은 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100)을 도시한다. 도 1에 도시된 바와 같이, 시스템은 고정 기상 스테이션(110), 입력 기상 모델(115), 및 기상 예측 스테이션(120)을 포함한다. 도 1에 도시된 바와 같이, 고정 기상 스테이션(110)과 기상 예측 스테이션(120)은 서로 통신가능하게 결합된다. 기상 예측 스테이션(120)은 고정 기상 스테이션(110)에 의해 제공되는 고정 관측 데이터를 수신하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 기상 예측 스테이션(120)은 하나 이상의 다른 고정 기상 스테이션들에 의해 제공되는 고정 관측 데이터 및 하나 이상의 다른 입력 기상 모델들로부터의 모델 데이터를 수신하도록 구성될 수 있다.
도 1에 도시된 바와 같이, 시스템(100)은 또한, 기상 예측 스테이션(120)과 통신가능하게 결합되는 프로세서(130)를 포함한다. 도 1에 도시된 바와 같이, 프로세서(130)는 기상 예측 스테이션(120)과 분리되어 있지만, 프로세서(130)는 기상 예측 스테이션(120)의 일부일 수 있다. 시스템(100)이 고정 기상 스테이션(110)을 포함하는 것으로 도시되어 있지만, 시스템(100)은 기상 예측 스테이션(120) 및 프로세서(130)로 이루어질 수 있다. 프로세서(130)는 기상 예측 모델에 대해 후처리를 수행하도록 구성될 수 있다. 보다 구체적으로, 프로세서(130)는 고정 기상 스테이션들이 없는 위치들의 가상 관측 데이터를 사용하도록 구성될 수 있다. 가상 관측 데이터는 존재하지 않는 고정 기상 스테이션에 의해 제공되었을 관측 데이터의 추정치들일 수 있다. 가상 관측 데이터는, 이하에서 보다 상세히 설명되는 바와 같이, 모바일 관측 데이터에 기초할 수 있다.
시스템(100)은 또한, 프로세서(130)와 통신가능하게 결합되는 비고정 센서(140)를 포함할 수 있다. 도시되지는 않았지만, 비고정 센서(140)는 대안적으로 또는 추가적으로 데이터를 수신 또는 송신하기 위해 기상 예측 스테이션(120)에 통신가능하게 결합될 수 있다. 예를 들어, 프로세서(130)가 기상 예측 스테이션(120)의 일부인 경우, 비고정 센서(140)는 기상 예측 스테이션(120)과 통신가능하게 결합될 수 있다. 비고정 센서(140)에 의해 제공되는 데이터는 모바일 관측 데이터일 수 있다.
고정 기상 스테이션(110)은 고정 기상 스테이션(110)에서의 또는 그 근처에서의 기상 조건들을 결정하도록 구성될 수 있다. 따라서, 고정 기상 스테이션(110)은 고정 관측 데이터를 제공하도록 구성될 수 있다. 고정 관측 데이터는 기상 예측 스테이션에 의해 사용될 수 있는 복수의 고정 관측값들을 포함할 수 있다.
입력 기상 모델(115)은 기상 예측 스테이션(120)에 통신가능하게 결합되는 것으로 도시되어 있다. 입력 기상 모델(115)은 시스템의 일부와 같은 시스템(100)을 포함하는 영역의 기상 모델을 포함할 수 있다. 복수의 입력 기상 모델들(115)은 기상 예측 스테이션(120)에 데이터를 제공할 수 있다.
기상 예측 스테이션(120)은, 하나 이상의 기상 예측 모델 방법들을 사용하여 데이터를 생성함으로써, 통합된 기상 모델 추정치들을 결정하기 위해 고정 관측 데이터를 사용할 수 있다. 즉, 통합된 기상 모델 추정치들은 고정 관측 데이터에 기초할 수 있다. 통합된 기상 모델 추정치들은 (예컨대, 고정 기상 스테이션 이외의 위치들에 대한) 현재 조건 추정치들 및/또는 (장래의) 예보들을 포함할 수 있다. 기상 예측 스테이션(120)은, 이하에서 설명하는 바와 같이, 임의의 적당한 방법을 사용하여 하나 이상의 기상 예측 모델들에 기초하여, 통합된 기상 모델 추정치들을 생성할 수 있다.
기상 예측 스테이션(120)은 고정 관측 데이터를 수치 기상 예측(NWP; Numerical Weather Prediction) 모델들로 동화(assimilate)시킬 수 있다. 이 접근법의 특성은, 예보가 이용가능하기 전에, 관측들이 수신되면, NWP 모델들이 통상적으로 계산을 위해 1 시간 이상을 요구한다는 것이다. 원하는 정보가 현재 조건들의 추정치들 또는 근일의(제1 시간 정도) 예보들을 개선하기 위해 관측들을 사용하는 것에 관한 것일 때, "레이턴시(latency)"는 바람직하지 않을 수 있다. 특히, 레이턴시를 보상하고 정확도를 개선하기 위해, NWP 모델은 보다 현재의 고정 관측 데이터를 사용하여 추가적인 "후처리" 단계들로 조정될 수 있다. 프로세서(130)는 이러한 후처리를 수행할 수 있다. 각각의 입력을 개선하는 방식들로 결합된, 다수의 입력 모델들 및 관측 데이터를 수반하는 이러한 단계들의 누적은 "통합된(unified)" 기상 모델로 지칭된다.
예를 들어, 1 시간 이상 오래된 관측들을 사용하여 계산되는, 기상 예측 모델에 의해 결정되는 공기 온도의 NWP 추정치는 여러 이유 중 임의의 이유로 인해 현재 관측 온도와 4℃만큼 상이할 수 있다. 프로세서(130)에 의해 수행되는 후처리는 몇 분이 걸리는 계산 프로세스를 사용하여 관측 값과 매칭되도록 이 모델 추정치를 조정할 수 있다. 더욱이, 고정 기상 스테이션들의 관측-개선된 현재 조건 추정치(및 관련된 근일의 예보들)는 관측 위치를 둘러싸고 있는 영역 내의 위치들에서 유사한 추정치들/예보들을 개선하는 데 사용될 수 있다. 게다가, 고정 센서들을 갖지 않는 위치들에서의 관측들의 이용가능성은 기상 모델 정보를 전체적으로 개선할 수 있다.
프로세서(130)에 의해 수행되는 후처리에 대한 입력은 관측들과 함께 다수의 NWP 모델들로 이루어질 수 있다. 후처리는, a) 바이어스 조정을 통한 개별 NWP 모델들의 통계적 정정, b) 개선된 추정치/예보를 생성하기 위한 그러한 모델들의 합의 조합들에 대한 안내, 및 c) 최종 추정치/예보가 관측 위치에서의 현재 시간에 대한 관측과 매칭되는 것을 보장하는 것을 포함하지만 이들로 제한되지 않는 3개 이상의 단계들 중 임의의 단계에서, 관측 위치들에서의 입력 NWP 모델들의 정확도를 개선할 수 있다. 후처리를 비관측 위치들로 확장하기 위해 추가되는 제4 단계는 고정 관측 위치들에 의한 근방의 관측들로부터의 안내를 사용하여 모델 정보를 조정하는 것을 수반한다. 고정 관측 데이터는 앞서 4개의 단계들 각각에서 사용될 수 있다.
고정 관측 데이터는 단일 위치에서 관측 시계열(observation time-series)을 생성한다. 따라서, 관측 시계열은 그 위치에 대한 후처리의 일부로서 통계적으로 분석될 수 있다. 이와 달리, 개별 모바일 센서(140)에 대한 모바일 관측 데이터는 고정 위치에 대한 이러한 시계열을 생성하지 않아, 모바일 관측 데이터에 대한 그러한 통계적 분석을 배제한다. 모바일 관측 데이터를 사용하여 고정 위치에서의 후처리를 가능하게 하기 위해, 프로세서(130)는 모바일 관측 데이터를 집계할 수 있다. 이러한 집계는, 제한된 공간 거리들 및 기간들과 연관된 시공간 빈들로 조직화되는, 다수의 모바일 센서들(140)로부터의 관측들을 그룹화하는 것을 수반할 수 있다. 더욱이, 집계된 모바일 관측 데이터는 가상 관측 데이터로 보간될 수 있다. 가상 관측 데이터는, 도 2를 참조하여 이하에서 보다 상세히 설명되는 바와 같이, 모바일 관측 데이터 또는 고정 기상 스테이션들의 위치 이외의 위치들에 대한 것일 수 있다. 가상 관측 데이터는 NWP 생성 및 후처리 단계들 전부에 대한 입력으로서 사용될 수 있다.
도 2는 도 1에 도시된 시스템(100)의 다른 도면을 도시한다. 도 2에 도시된 바와 같이, 시스템(100)은 앞서 설명된 복수의 고정 기상 스테이션들(110) 및 입력 기상 모델들(115)을 포함한다. 고정 기상 스테이션들(110)은 작은 원들로서 표현되어 있고, 입력 기상 모델들(115)은 작은 정사각형들로서 도시되어 있다. 시스템(100)은 또한, 앞서 설명된 기상 예측 스테이션(120) 및 프로세서(130)를 포함한다. 기상 예측 스테이션(120)과 프로세서(130)는 서로 통신가능하게 결합된다. 복수의 고정 기상 스테이션들(110) 중 2개만이 그리고 입력 기상 모델들(115) 중 하나만이 기상 예측 스테이션(120)과 통신가능하게 결합되는 것으로 도시되어 있지만, 고정 기상 스테이션들(110) 및 입력 기상 모델들(115) 모두가 기상 예측 스테이션(120)과 통신가능하게 결합될 수 있다. 복수의 비고정 센서들(140)이 또한 도시되어 있다. 복수의 비고정 센서들(140)은 차량들 또는 차량들의 일부로서 도시되어 있지만, 임의의 적당한 비고정 센서가 이용될 수 있다. 복수의 비고정 센서들(140)은 비고정 센서들(140)의 모션 방향들을 나타내는 화살표들을 갖는 2차선 도로 상에 있는 것으로 도시되어 있다.
도 2에 도시된 바와 같이, 시스템(100)은 또한, 도 2에 도시된 2차선 도로의 일부를 포함하는 것으로 도시되는 시공간 빈들(210)을 포함한다. 알 수 있는 바와 같이, 복수의 비고정 센서들(140)이 결정된 기간 동안 시공간 빈들(210) 중 하나를 횡단할 때, 이러한 비고정 센서들(140) 각각에 의해 제공되는 모바일 관측 데이터는 동일한 시공간 빈(210) 내에 있고, 따라서, 주어진 시공간 빈(210)의 위치 및 시간에서의 기상 조건들과 같은 조건들을 나타낸다. 상이한 비고정 센서들(140)로부터의 공간적으로 그리고 시간적으로 일치하는 모바일 관측 데이터는 대응하는 시공간 빈(210)에 집계될 수 있다.
또한, 시공간 빈(210) 중 하나에 대응하는 공간 상관 영역(220)이 도시되어 있다. 공간 상관 영역(220)은 대응하는 시공간 빈(210) 내의 집계된 모바일 관측 데이터의 관측이 주어진 위치에서의 기상 예측 모델을 조정하기 위해 유용하게 외삽될 수 있는 영역이다. 이러한 외삽들은, 위에서 논의된 가상 관측들일 수 있고, 'X'를 가진 박스들로서 예시된, 도 2에 도시된 대응하는 가상 관측 위치들(230)에 위치될 수 있다. 공간 상관 영역(220)은, 아래에 더 상세하게 설명되는 바와 같이, 대응하는 시공간 빈(210)에 대한 공간 상관 거리(dbin CORR)에 의해 정의된다.
방법의 다소 구별되는 분기들이 연속 변수들 및 이산 변수들에 대해 필요할 수 있다는 점에 유의해야 한다. 연속 변수들은 그 값이 연속 범위에 걸쳐 공간 및 시간에서 매끄럽게 변화하는 경향이 있는 변수들이다. 예들은 온도, 이슬점(dew point), 풍속, 도로 상의 액체/동결 깊이, 및 유사한 변수들을 포함한다. 이산 변수들은 이산 레벨들을 갖는다. 이산 변수들은 공간 및/또는 시간에서 불연속적으로 변화한다. 예들은 도로 상태(예를 들어, 건조, 습기, 젖음, 눈, 얼음), 강수 발생, 강수 유형, 와이퍼(wiper) 상태, 및 유사한 변수들을 포함한다.
모바일 관측들로부터 가상 관측들을 생성하기 위한 방법은 4개의 단계들: 품질 제어 및 집계, 기후 계산, 공간 상관 계산, 및 가상 관측들의 계산을 포함할 수 있다. 품질 제어 및 집계는 모바일 관측들이 (공항들의 기상 스테이션들로부터의 관측들과 같은) 산업-표준 고정 관측들보다 통상적으로 더 낮은 품질을 갖기 때문에 사용될 수 있다. 따라서, 새로운 품질 제어 프로세스들이 모바일 관측 데이터에 적용될 필요가 있을 수 있다. 개별 모바일 디바이스들로부터의 에러들을 감소시키기 위한 하나의 수단은 다수의 관측들을 시공간 빈들(210)로 집계하는 것이다. 예를 들어, 한 시간의 코스 동안 1km 도로 세그먼트 내에 위치되는 모든 차량들은 1km의 공간 크기 및 1 시간의 시간 크기를 갖는 시공간 빈으로 집계될 수 있다. 이러한 "집계된 관측(aggregated observation)"은 평균 및 분산과 같은 다수의 통계적 파라미터들을 포함할 수 있다. 시공간 빈 내의 샘플들의 수는 이러한 집계된 관측의 정확도에 관련되며, 따라서 더 높은 품질은 더 많은 모바일 관측들이 이용가능한 위치들에서 가능성이 있다. 예를 들어, 센서들(즉, 비고정 센서들)을 갖는 모바일 디바이스들의 상호-비교(inter-comparison)를 위한 기술들은 그들이 공간-시간에서 일치할 때 또한 중요할 수 있다.
기후에 관하여, 시공간 빈에 대한 "집계된 관측들"이 시간 경과에 따라 저장되고 누적되면, 집계된 관측 기후 값들을 계산하는 것이 가능하다. 예를 들어, 1 개월 기간에 걸친 매 시간마다의 변수의 집계된 관측들을 그 달에 걸쳐 평균하여, 예상 기후 변동성을 적절히 반영하기 위해 아마도 시각 또는 다른 파라미터의 함수로서 각각의 빈 위치에서 그 달 동안의 변수의 평균 값을 결정할 수 있다. 기후는 매달과 같은 정적인 기간들에 대해, 또는 30일 후와 같은 동적인 기간들에 대해 계산될 수 있다.
기후를 계산하는 데 사용되는 데이터로부터 도출되는 공간 상관들을 계산하는 것과 관련하여, 비닝(binning)된 집계된 관측들을 사용하여 각각의 변수 및 각각의 시공간 빈(210)에 대한 공간 상관 거리(dbin CORR)를 계산하는 것이 또한 가능하다. 앞서 언급된 바와 같이, 공간 상관 거리(dbin CORR)는 근방의 위치들에서의 예측 모델들을 조정하기 위해 관측이 유용하게 외삽될 수 있는 거리를 말한다. 일부 경우들에서, 눈이 예측된 또는 관측된 도로 조건인 경우, 도로 조건의 상관 거리와 같이, 조건부 기반으로 이를 계산하는 것이 유용할 수 있다. 공간 상관 거리(dbin CORR)는 또한, 도로를 따르는 2개의 이동 방향들 각각에 대한 상이한 값과 같이 공간 방향의 함수로서 계산될 수 있다. 따라서, 공간 상관 거리(dbin CORR)는 주어진 시공간 빈(210)에 대응하는 위치로부터 비롯되는 벡터로서 간주될 수 있다. 따라서, 공간 상관 영역(220)이 원으로서 도시되지만, 다른 형상들이 이용될 수 있다. 기후와 관련하여, 공간 상관은 매달과 같은 정적 기간들에 대해, 또는 30일 후와 같은 동적 기간들에 대해 계산될 수 있고, 시각과 같은 다양한 파라미터들의 함수일 수 있다.
가상 관측들을 계산하는 것과 관련하여, 공간 상관 거리(dbin CORR)는 잠재적으로 희소한 실시간 집계된 모바일 관측들로부터의, "가상 관측들"로 지칭될 일반적으로 희소하지 않은 세트의 관측-등가물들의 계산을 가능하게 한다. 이어서, 가상 관측들은 NWP 생성에 그리고 전통적인 후처리의 모든 스테이지들: 미세 스케일 모델 바이어스 조정, 위치 특정 합의 조합, 실시간 에러 정정, 및 관측들의 외삽에 실시간으로 입력될 수 있다. 가상 관측들을 생성하는 프로세스를 이해하기 위해, 주어진 날짜/시간에 대해, 위치 A에서의 변수 Y에 대한 집계된 관측 YA (AggObs)를 갖지만, 도 2에 도시된 가상 관측 위치들(230)과 같은 위치 B에서의 관측을 갖지 않는다고 가정한다. 집계된 관측 YA (AggObs)는 위치 A에서의 기상 정보를 개선하는 데 사용될 수 있지만, 위치 B에서의 기상 정보를 개선하기 위해서도 그것을 사용하기를 원할 것이다(B는 유효한 집계된 관측을 각각 갖는 하나 이상의 근방의 위치들 A를 가질 수 있거나, 그러한 위치들 A를 갖지 않을 수 있는 것으로 예상됨). 해결책을 구상(frame)하기 위해, 통합된 모델 추정치들(이하의 설명을 참조)이 YA ( UniModel ) 및 YB (UniModel)이고, 사이트들 A 와 B 사이의 간격(separation)이 dA,B이며, 위치 A에서의 계산된 공간 상관 거리가 dA CORR인 것으로 가정한다.
연속적인 변수들에 대해, 위치들 A 및 B에서의 가상 관측들 Y(Virtual)은 이하의 수학식들을 사용하여, 위치들 A 및 B에 대한 통합된 모델 추정들 및 위치 A에서의 집계된 모바일 관측으로부터 계산될 수 있다.
n = A, B에 대해 Yn (Virtual) = Yn (UniModel) - Yn (ObsAdj)
여기서,
Yn (ObsAdj)는 관측 기반 조정이다.
관측 기반 조정 Yn (ObsAdj)은 예를 들어 다음과 같이 정의될 수 있다.
Yn (ObsAdj) = QAK . DA,B . (YA (UniModel) - YA (AggObs))
여기서,
K는 모바일 관측 조정 프로세스에 대한 시스템의 원하는 전체 감도를 관리하도록 설정된 0 내지 1의 로컬 또는 글로벌 사용자 정의 감도 인자이고;
Qn은 0 내지 1의 사용자 정의 위치 기반 품질 인자이고;
DA,B는 위치 간격이 증가함에 따라 적용되는 조정을 감소시키기 위한, 상관 거리에 기초하는 인자이다.
위치 기반 품질 인자 Qn은, 예를 들어 다음과 같이 정의될 수 있다.
Qn = Hn . (s0/sn) (sn>s0에 대해)
= Hn (sn<=s0에 대해)
여기서,
n은 위치 인덱스(예를 들어, 'A' 또는 'B')이고;
sn은 위치 n에서의 변수 Y에 대한 관측/기후에서의 불확실성을 반영하는 표준 편차이고;
s0는 관측들에서의 최대 허용가능 비정정 에러 및 가상 관측들을 계산하는 데 사용하기 위한 변수 Y에 대한 기후를 반영하는 사용자 정의 임계 불확실성이고;
Hn은 많은 변수들에 대해 명목상 1과 동일한 관측 모호성 인자이다(본 문서에서 나중에 논의됨).
상관 인자 DA,B는 예를 들어 다음과 같이 정의될 수 있다.
DA,B = 1 - (dA,B/(m . dA CORR)) (dA,B <= m . dA CORR에 대해)
= 0 dA,B > m . dA CORR에 대해)
여기서,
m은 얼마나 많은 상관 거리들이 조정되어야 하는지를 정의하는 사용자 설정 감도 인자이다.
상관 인자 DA,B의 3개의 중요한 사례들이 있다. 첫째, 위치 A에서, B=A이고, 따라서 거리는 dA,B -> dA,A = 0으로서 계산될 수 있고, 그에 의해 결과적인 상관 인자 DA,B = 1이다. 둘째, 거리 dA,B가 m . dA CORR 이하인 경우, 상관 인자 DA,B는 0 < DA,B <1일 것이다. 이 경우에, 거리 가중 A-관측 기반 조정은 위치 B에서 이루어질 것이다. 셋째, 더 큰 거리들 dA,B에 대해, 공간 상관 인자 DA,B = 0이다. 이 경우에, A-관측 기반 조정은 위치 B에서 이루어지지 않을 것이다. 다시 말해, A 및 B에서의 가상 관측들은 예상되는 것이다.
즉, 모바일 관측들의 품질이 충분히 높을 때(즉, QA 및 K가 1과 동일할 때), 위치 A에서의 가상 관측 YA (virtual)는 단순히 A에서의 집계된 관측의 값을 취한다. 품질이 감소함에 따라, 위치 A에서의 가상 관측 YA (virtual)는 통합된 모델 값을 향하는 경향이 있다. 유사하게, 위치 B에서의 가상 관측 YB (virtual)는 A에서의 집계된 관측의 일부에 의해 조정된 통합된 모델 값과 동일하며, 그 일부는 A에서의 집계된 관측의 품질 및 계산된 상관 거리와 비교되는 바와 같은 A로부터의 B의 거리에 의해 결정된다. 조정이 이루어지지 않은 경우, 가상 관측은 B에서의 통합된 모델의 값을 가정한다.
표준 편차와 같은 업데이트된 품질 추정치들은 기본적인 집계된 관측값들로부터 도출된 각각의 가상 관측에 대해 계산될 수 있다. 다수의 관측들에 의해 영향을 받는 위치들에 대해, 관측치 조정 Yn (ObsAdj) 값들은 상관 거리의 소정의 배수 m 미만만큼 B로부터 각각 분리된 n개의 이웃 관측 위치들 An으로부터 누적되고, 예컨대 거리-가중에 의해 정규화된 방식으로 가산될 수 있다.
이산 값들에 대해, 위치들 A 및 B에서의 가상 관측들 Y(Virtual)는 이하의 수학식들을 사용하여, 위치들 A 및 B에 대한 통합된 모델 추정치들 및 위치 A에서의 집계된 모바일 관측으로부터 계산될 수 있다.
YA (Virtual) = YA (AggObs) (QA >= Qthresh에 대해)
= YA (UniModel) (QA < Qthresh에 대해)
YB (Virtual) => YA (AggObs) (QA >= Qthresh 및 dA,B <= QAK (m . dA CORR)에 대해)
=> YB (UniModel) (QA < Qthresh에 대해),
(QA >= Qthresh and dA,B > QAK (m . dA CORR)에 대해)
여기서,
K, QA, 및 m은 연속 변수들에 대해 상기 정의된 바와 같고; 그리고
Qthresh는 Y를 수정하기 위한 사용자 정의 품질 임계치이다.
다시 말해, a) 관측/기후 품질 인자 QA가 사용자-정의된 임계치 Qthresh를 초과하고, b) A와 B 사이의 거리 dA,B가 품질-가중 상관 거리보다 더 작은 경우, 이산 통합 모델 YA (UniModel) 및 YB (UniModel) 값들은 이산 집계 관측 YA (AggObs) 값에 의해 대체된다. 다수의 관측들에 의해 영향을 받는 위치들에 대해, 이산 통합 모델 값 YB (UniModel)을 n개의 적격 이웃 관측들 중 임의의 것으로 대체하기 위한 결정은 n개의 기여도들의 이산 가중 평균을 구함으로써 이루어질 수 있다. 수정된 불확실성 추정치는 집계된 관측 YA (AggObs)에 대한 원래의 추정치 또는 위치 B에서 가상 관측을 달성하기 위한 추가적인 처리를 반영하는 수정된 버전이다.
관측이 모델 변수에 대한 프록시(proxy)이지만 실질적으로 상이한 특성들을 갖는 경우들에 대해 추가적인 고려가 요구될 수 있다. 예를 들어, 차량 트랙션 시스템들은 트랙션 또는 마찰의 관측들로 간주될 수 있는 데이터를 제공하는 센서들을 이용한다. 일부 경우들에서, 트랙션 또는 마찰을 도로 기상 조건들에 관련시키는 것이 바람직하다. 예를 들어, 매우 낮은 트랙션 값은, 도로가 얼어 있다는 것을 추론하는 데 사용될 수 있다. 마찬가지로, "온" 상태의 와이퍼들은 강수에 대한 프록시일 수 있지만, "온" 상태는 또한, 강수가 발생하고 있지 않을 때 도로 분무 또는 세척 유체 상황들 동안 와이퍼들이 사용되고 있다는 것을 또한 의미할 수 있다. 그러한 프록시 관측들을 모델 변수들에 관련시키는 데 상당한 모호성이 존재하지만, 프로세스를 포함하는 것이 중요하다.
이러한 프록시 관측 사례들은 설명된 방법을 사용하여 용이하게 해결된다. 그러한 경우들에서, 품질 인자 QA는 관련 모델 변수에 대한 관측의 모호한 매핑에 의해 도입되는 임의의 추가적인 불확실성을 반영하도록 조정될 수 있다. 예를 들어, 범위 0-1을 갖는 트랙션 측정치 T(AggObs)가 T(AggObs)=0일 때는 확률 1로 그리고 T(AggObs)=0.3일 때는 확률 0으로 빙판길에 대응한다는 것이 합리적으로 확신되는 것으로 여겨진다. 그러면, QA에 대한 방정식 내의 인자 HA는 예를 들어 하기의 식에 의해 주어질 수 있다.
HA = 1- TA (AggObs)/0.3 (TA (AggObs) <= 0.3에 대해)
= 0 (TA (AggObs) > 0.3에 대해)
HA에 대한 특정 공식은, 센서의 성질 및 그의 데이터가 모델 등가물을 결정하기 위해 어떻게 변환되는지에 기초하여, 경험적이고 상황적일 가능성이 있다. 이 예에서, 도로 조건의 가상 관측을 생성하기 위해 트랙션의 실제 관측이 사용된다. 유사하게, 와이퍼 모터 속도의 실제 관측이 강수율의 가상 관측을 생성하는 데 사용될 수 있다. 역(inverse) 프로세스는 모델 변수들을 모바일 센서에 의해 측정되는 바와 같은 그들의 등가물들과 관련시키는 데 사용될 수 있다. 모델 변수들 및 프록시 모바일 관측의 임의의 쌍에 대해 그리고 해당 공식 내에 포함된 임의의 파라미터들에 대해 최상으로 작동하는 특정 공식은 변수의 예보 값들을 관측들과 통계적으로 비교하는 분석들(실시간 및 오프라인 둘 다)에 의해 정제 및 개선될 수 있다.
가상 관측들은 NWP 모델들 및 후처리에 대한 입력으로서 고정 관측들과 유사한 방식으로 사용될 수 있다. 예를 들어, NWP 모델 바이어스 조정을 위해, 가상 관측 이력은 고정 관측으로부터의 데이터와 동일한 방식으로, (가상 관측들이 이용가능해짐에 따라) 증분적으로 시스템에 입력된다. 시스템이 각각의 가상 관측과 관련된 불확실성 값들을 수용할 수 있는 경우, 그러한 정보는 이용가능하다. 이 단계는 전통적으로 모델 출력 통계(MOS) 또는 동적 모델 출력 통계(DMOS) 프로세스를 이용하여 각각의 구성 NWP 모델을 바이어스 정정할 수 있다. 그렇게 하기 위해, 모델 에러(Yn (OrigModel) - Yn (Virtual)로서 정의됨)를 반영하는 시계열(통상적으로 DMOS에 대해 30-90일)이 누적되고 통계적으로 평가되어 모델 값들을 대응하는 관측들에 관련시키는 회귀 피트(regression fit)를 결정한다. 그러한 회귀 피트는 모델 조정 Yn (ModelAdj)을 결정하는 데 사용되며, 이는 가장 흔하게는 단순 바이어스이지만, 온도 의존 바이어스와 같은 더 정교한 모델 정정일 수 있다. 표준 방법을 따르지만, 가상 관측들에 기초하는 회귀를 사용하면, 각각의 NWP 모델에 대해 다음과 같다.
Yn (UnbiasedModel) = Yn (OrigModel) - Yn (ModelAdj)
회귀 피트의 품질은 회귀 데이터로부터 결정될 수 있고, 품질 제어는 고정 관측들과 같이 적용될 수 있다.
합의 NWP 조합에 대해, 가상 관측 이력은 고정 관측으로부터의 데이터와 동일한 방식으로, (가상 관측들이 이용가능해짐에 따라) 증분적으로 시스템에 입력된다. 이어서, 관측 이력은 각각의 위치에 대한 모델 가중치들을 계산하기 위해 사용된다. 시스템이 각각의 집계된 또는 가상 관측에 관련된 불확실성 값들을 수용할 수 있는 경우, 그러한 정보는 이용가능하다.
현재 조건들 및 단기 예보들(통상적으로 처음 몇 시간)에 대한 에러 정정은 고정 관측과 유사한 방식으로 각각의 가상 관측을 사용하여 수행된다. 가상 관측 생성을 위한 외삽 기술은 현재 관측들이 없는 위치들에서 정정들을 행하기 위해 사용된다. 시스템이 각각의 가상 관측과 관련된 불확실성 값들을 수용할 수 있는 경우, 그러한 정보는 이용가능하다. 이것은 가상 관측을 사용하여 예보의 일부로서 계산된 신뢰도의 추정치를 수정하는 것, 및 가상 관측을 사용하여 "블로운(blown)" 예보가 가상 관측과 실질적으로 상이할 수 있는 "이상치(outlier)" 이벤트들을 플래깅(flagging)하는 것을 포함한다.
충분한 모바일 관측 밀도를 갖는 비센서 위치들에 대한 외삽을 위해, 상기 방법은 센서 관측들을 비센서 위치들에 외삽하기 위한 다른 방법들을 대체한다.
신뢰할 수 있는 가상 관측들이 생성되어 후처리에서 사용될 수 있기 전에 필요한 기후 및 시간 이력을 누적하기 위해 "스핀 업(spin up)" 기간이 필요할 수 있다는 것이 명백할 것이다. 전통적인 후처리를 갖는 경험은 원하는 충실도에 따라 이 기간이 30-90일이라는 것을 나타낸다.
가상 관측들이 관측의 개념을 일반화하기 때문에, 방법은 고정 관측들뿐만 아니라 모바일 관측들에 대해서도 작동한다. 예를 들어, 이전에는, 임의의 미세 스케일 충실도로, (예컨대, 공항 기상 스테이션들 또는 RWIS로부터의) 고정 또는 정지 관측들을 자체적으로 관측들이 결여된 주변 위치들에 효과적으로 외삽하는 것이 가능하지 않았다. 관측 위치로부터 얼마나 멀리서 관측의 지식이 적용되어 기상 정보를 개선할 수 있는지를 식별하기 위해 어떠한 정량적 안내도 이용가능하지 않았다. 예를 들어, 평탄한 지리 내의 공항에서의 관측이 산악 영역 내의 공항에 대한 것보다 상당히 더 큰 공항 주위의 영역에서의 기상을 반영한다는 것이 개념적으로 예상된다. 고정 관측 주위의 지리적 커버리지와 결합된, 모바일 관측들을 사용하여 개발된 기후 및 관련 상관 거리 정보는 고정 관측의 상관 거리 ― 단지 도로들을 따르는 것이 아닌 임의의 위치 ― 내의 고정 관측들을 정확하게 외삽하기 위해 사용될 수 있다.
가상 관측들은 관측 데이터의 결여에 강건하다. 특정 위치에서 관측들이 결여되어 있을 때 2 가지 상황들이 발생할 수 있다. 신뢰성 있는 기후를 계산하거나 상관 거리를 결정하기 위해 불충분한 모바일(또는 고정) 관측들이 이용가능한 위치들에서, 가상 관측은 상관 거리 내에 있는 임의의 관측들에 의해 조정되는, 그러한 위치에서의 원래의 통합된 모델값의 형태를 가질 것이다. 전체 기후 기간에 걸쳐 또는 실시간 데이터에서 관측의 상관 길이 내에 있지 않은 추가적인 특성을 갖는 위치들에서, 가상 관측은 통합된 모델 값과 동일할 것이다. 충분히 조밀한 모바일 관측 소스에 대해, 그러한 상황들은 드물 것으로 예상된다.
사용되는 외삽 방법들의 성질에 의해, 정보는 관측이 풍부한 위치들 및 관측이 희박한 위치들 양자에 걸쳐 일관될 것이다. 즉, 어떠한 관측도 갖지 않는 것들에 이웃하는 위치들은 자체적으로 작은 조정들만을 가져서, 공간 연속성을 보장할 것이다.
도 3은 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법(300)을 도시한다. 도 3에 도시된 바와 같이, 방법(300)은 단계(310)에서 고정 기상 스테이션에 의해 제공되는 고정 관측 데이터를 수신하고, 복수의 입력 기상 모델들로부터 데이터를 수신한다(320). 단계(330)에서, 방법(300)은 고정 관측 데이터 및 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성한다. 단계(340)에서, 방법(300)은 복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터를 집계한다. 단계(350)에서, 방법(300)은 집계된 모바일 관측 데이터를 사용하여, 통합된 기상 모델 추정치들을 조정한다. 방법(300)은 앞서 설명된 시스템(100), 특히 기상 예측 스테이션(120) 및/또는 프로세서(130)에 의해 수행될 수 있지만, 임의의 적당한 시스템 또는 시스템 컴포넌트들이 이용될 수 있다.
방법(300)은 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 추가로 결정할 수 있고, 가상 관측 데이터는 비존재 고정 기상 스테이션에 의해 제공되었을 관측 데이터의 추정치이다. 예를 들어, 가상 관측들 Yn (Virtual)은 위치 n에서의 통합된 모델 추정치 Yn (UniModel)의 관측 조정 Yn (ObsAdj)을 사용하여 계산될 수 있다.
방법(300)은 또한, 집계된 모바일 관측 데이터에 기초하여 기후 값들을 결정하고 그리고 기후 값들을 사용하여 가상 관측 데이터를 결정하는 것에 의해, 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정할 수 있다. 예를 들어, 앞서 설명된 바와 같이, 1개월 기간에 걸쳐 매시간마다 집계된 모바일 관측 데이터에서의 변수의 집계된 모바일 관측이 그 달에 걸쳐 평균되어 각각의 위치에서의 그 달 동안의 변수의 평균 값을 결정할 수 있다.
방법은 또한, 가상 관측들을 NWP 모델들에 대한 입력으로서 사용하고 기상 예측 모델에 대해 후처리를 수행할 수 있다. 예를 들어, 앞서 설명된 바와 같이, 위치 n에서의 가상 관측 Yn (Virtual)은 위치 n에 대한 NWP 모델 추정치에 대한 후처리에서 사용될 수 있다. 하나의 특정의 예에서, (Yn (OrigModel) - Yn (Virtual)로서 정의되는) 모델 에러를 반영하는 시계열이 누적되고 통계적으로 평가되어 모델 값들을 대응하는 관측들에 관련시키는 회귀 피트를 결정할 수 있다. 그러한 회귀 피트는 바이어스 정정을 위해 사용될 수 있는 모델 조정 Yn (ModelAdj)을 결정하는 데 사용된다.
집계된 모바일 관측 데이터를 사용하여 기상 모델 추정치들을 조정하는 단계(350)은 모바일 관측 데이터를 가상 관측 위치에 공간적으로 상관시키고 그리고 가상 관측 위치에서의 기상 모델 추정치들을 조정하는 단계를 포함할 수 있다. 예를 들어, 앞서 설명된 바와 같이, 집계된 관측 데이터는 위치 A에서의 모바일 관측 데이터로부터 위치 n에 대한 관측 조정 Yn (ObsAdj)을 생성하는 데 사용될 수 있다. 관측 조정 Yn (ObsAdj)은 위치 n에 대한 통합된 모델 추정 Yn (UniModel)을 조정하는 데 사용될 수 있다. 이 조정은 위치 n에서의 가상 관측 Yn (Virtual)을 결정할 수 있다.
모바일 관측 데이터를 가상 관측 위치와 공간적으로 상관시키는 단계는 통합된 기상 모델 추정치들을 조정하기 위해 관측이 유용하게 외삽될 수 있는 거리를 정의하는, 도 2를 참조하여 앞서 설명된 공간 상관 거리 dbin CORR와 같은 공간 상관 거리를 결정하는 단계를 포함할 수 있다. 공간 상관 거리는 방향 및 크기 성분을 가질 수 있다. 따라서, 복수의 공간 상관 거리들은 도 2에 도시된 공간 상관 영역(220)과 같은, 다양한 형상들 및 크기들의 공간 상관 영역을 정의할 수 있다.
복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터는 복수의 비고정 센서들에 의해 이전에 점유된 위치 및 시간 파라미터들에 의해 정의된 시공간 빈의 것일 수 있다. 예를 들어, 도 2를 참조하면, 복수의 비고정 센서들(140)에 의해 제공되는 모바일 관측 데이터는 각각의 비고정 센서(140)가 시공간 빈(210)의 시간 파라미터(예를 들어, 1 시간)의 코스에 걸쳐 통과하는 시공간 빈(210)의 것일 수 있다.
방법(300)은 NWP 모델링에서 그리고 표준 후처리에서 사용되는 것과 유사한 소프트웨어에 의해 구현될 수 있다. 따라서, 기상 예측 스테이션(120) 및/또는 프로세서(130)와 같은 시스템(100)은 방법(300) 또는 유사한 방법의 단계들을 수행하도록 구성될 수 있다. 그 결과, 시스템(100) 및 방법(300)은 변하는 품질의 그리고 알려지지 않은 공간적 및 시간적 밀도의 관측들을 수용하도록 설계된다. 따라서, 시스템(100) 및 방법(300)은 광범위한 모바일 관측 시나리오들에 적용가능하고, 이용가능한 관측들의 특성들에 따라, 임의의 공간-시간 분해능으로 구현될 수 있다.
시스템(100) 및 방법(300)은 모바일 관측들에 대한 액세스 없이 모델 데이터의 사용에 비해 적어도 3개의 개선들을 제공한다. 첫째, 모바일 관측 기후에 의해 모든 위치들에서 가능하게 되는 모델 바이어스 조정은 모델 조건들/예보들에 대한 미세한 공간 스케일 개선들을 가능하게 한다. 둘째, 합의 조합들에 대한 모델 가중치들이 큰 영역들에 걸쳐 일정한 것으로 가정되는 것이 아니라 위치에 의해 계산될 수 있다. 셋째, 관측들이 실시간으로 이용가능할 때, 이들은 현재 조건들 및 단기 예보들에 대해 실시간으로 모델 에러들을 감소시키는 데 사용될 수 있다. 시스템(100) 및 방법(300)은 그러한 개선들을 상관 거리의 사용을 통해 관측들이 이용가능하지 않은 위치들로 확장시키는 것을 가능하게 한다.
상기 실시예들의 상세한 설명들은 본 설명의 범위 내에 있는 것으로 본 발명자들에 의해 고려된 모든 실시예들의 포괄적인 설명들이 아니다. 사실상, 본 기술 분야의 통상의 기술자들은 위에 설명된 실시예들의 특정 요소들이 추가 실시예들을 생성하기 위해 다양하게 조합되거나 제거될 수 있고, 이러한 추가 실시예들은 본 설명의 범위 및 교시들 내에 있다는 것을 인식할 것이다. 위에 설명된 실시예들은 본 설명의 범위 및 교시들 내의 추가 실시예들을 생성하기 위해 전체적으로 또는 부분적으로 조합될 수 있다는 것이 본 기술 분야의 통상의 기술자들에게 또한 분명할 것이다.
따라서, 예시적인 목적들을 위해 특정 실시예들이 본 명세서에 설명되어 있지만, 관련 기술분야의 통상의 기술자가 인식하는 바와 같이, 본 설명의 범위 내에서 다양한 등가의 수정들이 가능하다. 본 명세서에 제공된 교시들은 앞서 설명되고 첨부 도면들에 도시된 실시예들에만 적용되는 것이 아니라, 기상 정보를 개선하기 위해 기상 데이터를 사용하는 다른 시스템들 및 방법들에 적용될 수 있다. 따라서, 앞서 설명된 실시예들의 범위는 이하의 청구항들로부터 결정되어야 한다.

Claims (15)

  1. 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100)으로서,
    기상 예측 스테이션(120) ― 상기 기상 예측 스테이션(120)은,
    복수의 고정 기상 스테이션들(110)에 의해 제공되는 고정 관측 데이터를 수신하고;
    복수의 입력 기상 모델들(115)로부터 데이터를 수신하고; 그리고
    상기 고정 관측 데이터 및 상기 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하도록 구성됨 ―; 및
    프로세서(130)를 포함하고,
    상기 프로세서(130)는,
    복수의 비고정 센서들(140)에 의해 제공되는 모바일 관측 데이터를 집계하고; 그리고
    상기 집계된 모바일 관측 데이터를 사용하여 상기 통합된 기상 모델 추정치들을 조정하도록 구성되는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  2. 제1 항에 있어서,
    상기 프로세서(130)는 추가로, 상기 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하도록 구성되고, 상기 가상 관측 데이터는 복수의 비존재(non-existent) 고정 기상 스테이션들에 의해 제공되었을 관측 데이터의 추정치인,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  3. 제2 항에 있어서,
    상기 프로세서(130)가 상기 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하도록 구성되는 것은, 상기 프로세서(130)가 상기 집계된 모바일 관측 데이터에 기초하여 기후 값(climatological value)들을 결정하고 그리고 상기 기후 값들을 사용하여 상기 가상 관측 데이터를 결정하도록 구성되는 것을 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  4. 제2 항에 있어서,
    상기 프로세서(130)는 추가로, 상기 가상 관측 데이터를 사용하여 기상 예측 모델에 대해 후처리(post-processing)를 수행하도록 구성되는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  5. 제1 항에 있어서,
    상기 프로세서(130)가 상기 집계된 모바일 관측 데이터를 사용하여 상기 통합된 기상 모델 추정치들을 조정하도록 구성되는 것은, 상기 프로세서(130)가 상기 모바일 관측 데이터를 가상 관측 위치(230)에 공간적으로 상관시키고 그리고 상기 가상 관측 위치(230)에서 상기 통합된 기상 모델 추정치들을 조정하도록 구성되는 것을 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  6. 제5 항에 있어서,
    상기 프로세서(130)가 상기 집계된 모바일 관측 데이터를 가상 관측 위치(130)에 공간적으로 상관시키도록 구성되는 것은, 상기 프로세서(130)가 상기 통합된 기상 모델 추정치들을 조정하기 위해 관측이 유용하게 외삽될 수 있는 거리를 정의하는 공간적 상관 거리(dbin CORR)를 결정하도록 구성되는 것을 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  7. 제1 항에 있어서,
    상기 복수의 비고정 센서들(140)에 의해 제공되는 상기 모바일 관측 데이터는 이전에 위치 및 시간 파라미터들에 의해 정의된 시공간 빈(spatiotemporal bin)(210)에 의해 조직화되는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  8. 제1 항에 있어서,
    상기 고정 기상 스테이션들(110)의 위치들에서의 기상 조건들의 고정 관측 데이터를 제공하도록 구성된 복수의 고정 기상 스테이션들(110)을 더 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 시스템(100).
  9. 기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법으로서,
    복수의 고정 기상 스테이션들에 의해 제공되는 고정 관측 데이터를 수신하는 단계;
    복수의 입력 기상 모델들로부터 데이터를 수신하는 단계;
    상기 고정 관측 데이터 및 상기 입력 기상 모델 데이터에 기초하여, 통합된 기상 모델 추정치들을 생성하는 단계;
    복수의 비고정 센서들에 의해 제공되는 모바일 관측 데이터를 집계하는 단계; 및
    상기 집계된 모바일 관측 데이터를 사용하여 상기 통합된 기상 모델 추정치들을 조정하는 단계를 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
  10. 제9 항에 있어서,
    상기 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하는 단계를 더 포함하고, 상기 가상 관측 데이터는 복수의 비존재 고정 기상 스테이션들에 의해 제공되었을 관측 데이터의 추정치인,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
  11. 제10 항에 있어서,
    상기 통합된 기상 모델 추정치들의 조정에 기초하여 가상 관측 데이터를 결정하는 단계는 상기 집계된 모바일 관측 데이터에 기초하여 기후 값들을 결정하는 단계 및 상기 기후 값들을 사용하여 상기 가상 관측 데이터를 결정하는 단계를 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
  12. 제10 항에 있어서,
    상기 가상 관측 데이터를 사용하여 기상 예측 모델에 대해 후처리를 수행하는 단계를 더 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
  13. 제9 항에 있어서,
    상기 집계된 모바일 관측 데이터를 사용하여 상기 통합된 기상 모델 추정치들을 조정하는 단계는, 상기 모바일 관측 데이터를 가상 관측 위치에 공간적으로 상관시키는 단계 및 상기 가상 관측 위치에서 상기 통합된 기상 모델 추정치들을 조정하는 단계를 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
  14. 제13 항에 있어서,
    상기 모바일 관측 데이터를 가상 관측 위치에 공간적으로 상관시키는 단계는, 상기 통합된 기상 모델 추정치들을 조정하기 위해 관측이 유용하게 외삽될 수 있는 거리를 정의하는 공간적 상관 거리를 결정하는 단계를 포함하는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
  15. 제9 항에 있어서,
    상기 복수의 비고정 센서들에 의해 제공되는 상기 모바일 관측 데이터는 위치 및 시간 파라미터들에 의해 정의되는 시공간 빈에 의해 조직화되는,
    기상 정보를 개선하기 위해 모바일 데이터를 사용하기 위한 방법.
KR1020227037496A 2020-05-01 2021-04-07 기상 정보의 개선을 위한 모바일 데이터의 사용 KR20220156635A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/864,377 US11506816B2 (en) 2020-05-01 2020-05-01 Using mobile data to improve weather information
US16/864,377 2020-05-01
PCT/US2021/026205 WO2021221870A1 (en) 2020-05-01 2021-04-07 Using mobile data to improve weather information

Publications (1)

Publication Number Publication Date
KR20220156635A true KR20220156635A (ko) 2022-11-25

Family

ID=75747075

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227037496A KR20220156635A (ko) 2020-05-01 2021-04-07 기상 정보의 개선을 위한 모바일 데이터의 사용

Country Status (6)

Country Link
US (2) US11506816B2 (ko)
EP (1) EP4143611A1 (ko)
JP (1) JP2023523842A (ko)
KR (1) KR20220156635A (ko)
CN (1) CN115461650A (ko)
WO (1) WO2021221870A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561199B (zh) * 2020-12-23 2024-06-21 北京百度网讯科技有限公司 天气参数预测模型训练方法、天气参数预测方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003215266A (ja) * 2002-01-28 2003-07-30 Mitsubishi Electric Corp 気象情報配信サーバ、気象情報配信システム及び気象情報配信方法
US20140372038A1 (en) 2013-04-04 2014-12-18 Sky Motion Research, Ulc Method for generating and displaying a nowcast in selectable time increments
KR101602171B1 (ko) * 2013-11-21 2016-03-10 남서울대학교 산학협력단 이동형 도로 기상정보 수집 및 전송 시스템 및 그 방법
US20150379408A1 (en) 2014-06-30 2015-12-31 Microsoft Corporation Using Sensor Information for Inferring and Forecasting Large-Scale Phenomena
US10088601B2 (en) * 2014-10-28 2018-10-02 Google Llc Weather forecasting using satellite data and mobile-sensor data from mobile devices
US10545263B2 (en) * 2015-07-13 2020-01-28 The Climate Corporation Systems and methods for generating computer-based representations of probabilities of precipitation occurrences and intensities
US10317575B2 (en) * 2016-05-04 2019-06-11 Global Weather Corporation Method and apparatus for forecasting weather
US10338274B2 (en) * 2016-06-02 2019-07-02 The Climate Corporation Computer radar based precipitation estimate errors based on precipitation gauge measurements
CN112585505A (zh) 2018-05-16 2021-03-30 巴斯夫农化商标有限公司 确定用于农学决策支持的位置特定的天气信息

Also Published As

Publication number Publication date
EP4143611A1 (en) 2023-03-08
CN115461650A (zh) 2022-12-09
JP2023523842A (ja) 2023-06-07
US20230103168A1 (en) 2023-03-30
WO2021221870A1 (en) 2021-11-04
US11506816B2 (en) 2022-11-22
US20210341645A1 (en) 2021-11-04

Similar Documents

Publication Publication Date Title
US11635545B2 (en) Real-time weather forecasting for transportation systems
US11715369B2 (en) Latent space model for road networks to predict time-varying traffic
CN112561191A (zh) 预测模型的训练、预测方法、装置、设备、程序和介质
CN107918166B (zh) 多卫星融合降水方法及系统
EP1902530A2 (en) Monitoring and mapping of atmospheric phenomena
Hofleitner et al. Optimal decomposition of travel times measured by probe vehicles using a statistical traffic flow model
US20230032819A1 (en) Methods, apparatuses, systems and computer program products for estimating road surface temperature
US20230103168A1 (en) Using mobile data to improve weather information
Fuentes et al. Spatial–temporal mesoscale modeling of rainfall intensity using gage and radar data
Peng et al. Quantifying the precision of retracked Jason-2 sea level data in the 0–5 km Australian coastal zone
US10317575B2 (en) Method and apparatus for forecasting weather
Hammond et al. Verification of route-based road weather forecasts
Casaretto et al. Ensemble Forecast Sensitivity to Observations Impact (EFSOI) applied to a regional data assimilation system over south-eastern South America
JP7257276B2 (ja) データ予測システム及びその方法
El Esawey et al. Using buses as probes for neighbor links travel time estimation in an urban network
Gillet et al. ETA and wind prediction accuracy improvement using numerical weather forecast and aircraft surveillance data
Kolios et al. Model-adaptive event-triggering for efficient public transportation tracking
Karpushin et al. Hardware-software complex for acoustic monitoring of meteorological fields in the atmospheric boundary layer
AU2020469132C1 (en) Scaling and statistical adjustments of precipitation rates for apparatuses having precipitation sensitive sensors
Anguelova et al. Passive remote sensing of oceanic whitecaps: Updated geophysical model function
Sauge Assimilation of GNSS observations in a nowcasting numerical weather prediction model
May et al. The use of advanced radar in the Bureau of Meteorology
KR20230083362A (ko) 이동수단에 구비된 이동식 진동센서를 활용한 강우량 정보 제공방법
Sánchez-Rama et al. Radar-Based Refractivity Estimation: A New Calibration Approach Relying on Reanalysis Data
Bell Using urban observations in numerical weather prediction: mathematical techniques for multi-scale data assimilation