KR20230164782A - 가뭄진단예측 방법 및 그 시스템 - Google Patents

가뭄진단예측 방법 및 그 시스템 Download PDF

Info

Publication number
KR20230164782A
KR20230164782A KR1020220063878A KR20220063878A KR20230164782A KR 20230164782 A KR20230164782 A KR 20230164782A KR 1020220063878 A KR1020220063878 A KR 1020220063878A KR 20220063878 A KR20220063878 A KR 20220063878A KR 20230164782 A KR20230164782 A KR 20230164782A
Authority
KR
South Korea
Prior art keywords
drought
index
diagnosis
agricultural
meteorological
Prior art date
Application number
KR1020220063878A
Other languages
English (en)
Inventor
이우균
박은빈
조현우
Original Assignee
고려대학교 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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020220063878A priority Critical patent/KR20230164782A/ko
Publication of KR20230164782A publication Critical patent/KR20230164782A/ko

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 가뭄진단예측 방법 및 그 시스템에 관한 것으로, 본 발명에 따른 가뭄진단예측 방법은 컴퓨팅 장치에 의해 수행되는 방법으로서, 소정의 기간 동안 시계열적으로 수집된 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수를 기반으로, 기상학적 가뭄지수를 독립변수로 하며, 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 단계(S100), 및 가뭄예후예측모델을 기반으로, 미래의 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 단계(S200)를 포함한다.

Description

가뭄진단예측 방법 및 그 시스템{DIAGNOSTIC DROUGHT PREDICTION METHOD AND SYSTEM}
본 발명은 가뭄진단예측 방법 및 그 시스템에 관한 것으로, 기상자료 기반 모델링과 지표면 모니터링 방법론의 융합을 통해 미래 가뭄을 예측하는 기술에 관한 것이다.
가뭄은 개념적으로 “강우의 부족이 오랫동안 계속되어 작물에 심각한 피해를 주어 생산에 손실을 주는 것”으로 정의되며, 학문적으로는 기상학적 가뭄, 수문학적 가뭄, 농업적 가뭄, 사회경제적 가뭄으로 구분된다. 가뭄은 기상학적 가뭄으로부터 시작되어 농업적 가뭄으로 전이되며, 주로 건조 상태의 지속기간이 오래될수록 연쇄적인 작용에 의해 다른 가뭄의 형태로 변화되어 그 피해가 연속적으로 발생하게 된다.
하기 선행기술문헌의 특허문헌에 개시된 바와 같이, 종래 가뭄예측연구에서는 기상자료를 기반으로 하는 기상학 및 수문학적 가뭄모델링이 주를 이루어왔으나, 최근 다양한 기상자료 및 위성영상자료의 출현에 따라 기존 가뭄모델 방법론의 고도화와 자료융합 방법론이 개발되어 다양한 형태의 가뭄모델이 개발되고 있는 추세다.
그러나 기후변화가 가속화되어 가는 현 시대에서 미래가뭄 예측은 불확실성이 커지고 있으며, 복잡한 원인으로 발생하는 가뭄 매커니즘을 모델링에 반영하는 데는 한계가 있다. 또한, 가뭄발생은 개인-지역-국가 측면에서 환경·사회·경제적으로 영향을 미치기 때문에 가뭄예측의 중요성과 국가정책을 연계하는 것이 매우 중요한 화두로 여겨지고 있다. 특히, 국가정책과의 연계 측면에서 복잡한 가뭄 매커니즘과 정확한 예측을 동시에 반영하면서 모델 결과를 바탕으로 향후 의사결정자의 판단을 지원하기 위해, 모델 알고리즘 내 입력변수로 설명 가능한 부분과 설명되지 않는 부분을 구분하고, 이를 활용하여 효율적이고 정확도 높은 모델 방법론이 요구되고 있다.
그러나 종래 연구는 기상 및 위성영상 자료를 독립적으로 사용하거나 통합적으로 사용하여 가뭄지수(Index)를 산출하거나 기계학습, 앙상블 모델 등 최신 모델링 기법을 사용하여 지구관측데이터의 융합 효과를 극대화 하고자 하였으나, 현재의 지표환경으로부터 연속적 예측이 이루어지는 진단의 개념이 사용된 바 없어, 미래 가뭄 예측의 정확도와 정밀도가 떨어지는 문제가 있다.
이에 종래 가뭄예측 방법론의 문제점을 해결하기 위한 방안이 절실히 요구되고 있다.
KR 10-1718294 B1
본 발명은 상술한 종래기술의 문제점을 해결하기 위한 것으로, 본 발명의 일 측면은 예후예측 모델링(Prognostic Prediction Model, PPM)으로 대표할 수 있는 기상자료 기반 모델링으로 도출되는 미래 농업가뭄 예측결과와 미래 잔차를 예측하고, 현재의 지표면 관측을 통해 실제 결과로 대표할 수 있는 원격탐사자료 기반 농업가뭄 관측값과의 차이를 진단하여 모델 값을 보정함으로써 예측한 잔차를 줄이는 개념을 새롭게 제시하여 기존 모델의 한계를 보완한 진단예측모델(Diagnostic Prediction Model, DPM)을 구축하는 가뭄진단예측 방법 및 그 시스템을 제공하는 데 있다.
본 발명의 실시예에 따른 가뭄진단예측 방법은 컴퓨팅 장치에 의해 수행되는 가뭄진단예측 방법에 있어서, (a) 소정의 기간 동안 시계열적으로 수집된 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수를 기반으로, 상기 기상학적 가뭄지수를 독립변수로 하며, 상기 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 단계; 및 (b) 상기 가뭄예후예측모델을 기반으로, 미래의 상기 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 단계;를 포함한다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 방법에 있어서, 상기 기상학적 가뭄지수는, SPI(Standardized Precipitation Index), SPEI(Standardized Precipitation Evapotranspiration Index), 및 PDSI(Palmer Drought Severity Index)로 이루어진 군으로부터 선택되는 어느 하나 이상일 수 있다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 방법에 있어서, 상기 농업적 가뭄지수는, VCI(Vegetation Condition Index), VTCI(Vegetation Temperature Condition Index) VHI(Vegetation Health Index), TCI(Thermal Condition Index), 및 NDVI(Normalized Difference Vegetation Index)로 이루어진 군으로부터 선택되는 어느 하나 이상일 수 있다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 방법에 있어서, 상기 가뭄예후예측모델은, 하기 [수학식 1]에 따라 상기 농업적 가뭄지수를 산출할 수 있다.
[수학식 1]
(여기서, ADIi 및 MDIi는 각각 특정 월(month, i)의 농업적 가뭄지수 및 기상학적 가뭄지수, a, b, c는 월별 모델 피팅 파라미터임)
또한, 본 발명의 실시예에 따른 가뭄진단예측 방법에 있어서, 상기 가뭄진단예측모델은, 하기 [수학식 2]에 따라 미래의 상기 농업적 가뭄지수를 예측할 수 있다.
[수학식 2]
(여기서, ADIi +1 및 MDIi + 1는 각각 시계열적으로 상기 특정 월의 다음 미래 월(i+1)의 농업적 가뭄지수 및 기상학적 가뭄지수임)
한편, 본 발명의 실시예에 따른 가뭄진단예측 시스템은 소정의 기간 동안의 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수에 관한 가뭄지수 데이터 정보를 구축하는 데이터 구축부; 상기 가뭄지수 데이터 정보 내의 상기 기상학적 가뭄지수를 독립변수로 하며, 상기 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 가뭄예후예측모델 생성부; 상기 가뭄예후예측모델을 기반으로, 미래의 상기 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 가뭄진단예측모델 생성부; 및 특정 월(month)의 상기 농업적 가뭄지수, 상기 특정 월의 상기 기상학적 가뭄지수, 시계열적으로 상기 특정 월의 다음 미래 월의 상기 기상학적 가뭄지수를 입력변수로, 상기 가뭄진단예측모델을 통해 상기 다음 미래 월의 상기 농업적 가뭄지수를 산출하는 미래 가뭄 예측부;를 포함한다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 시스템에 있어서, 상기 데이터 구축부는, 기상학적 데이터를 기반으로 상기 기상학적 가뭄지수를 산출할 수 있다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 시스템에 있어서, 상기 데이터 구축부는, 위성영상 데이터를 기반으로 상기 농업적 가뭄지수를 산출할 수 있다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 시스템에 있어서, 상기 기상학적 가뭄지수는, SPI(Standardized Precipitation Index), SPEI(Standardized Precipitation Evapotranspiration Index), 및 PDSI(Palmer Drought Severity Index)로 이루어진 군으로부터 선택되는 어느 하나 이상일 수 있다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 시스템에 있어서, 상기 농업적 가뭄지수는, VCI(Vegetation Condition Index), VTCI(Vegetation Temperature Condition Index) VHI(Vegetation Health Index), TCI(Thermal Condition Index), 및 NDVI(Normalized Difference Vegetation Index)로 이루어진 군으로부터 선택되는 어느 하나 이상일 수 있다.
또한, 본 발명의 실시예에 따른 가뭄진단예측 시스템에 있어서, 상기 가뭄예후예측모델은, 하기 [수학식 3]에 따라 상기 농업적 가뭄지수를 산출할 수 있다.
[수학식 3]
(여기서, ADIi 및 MDIi는 각각 특정 월(month, i)의 농업적 가뭄지수 및 기상학적 가뭄지수, a, b, c는 월별 모델 피팅 파라미터임)
또한, 본 발명의 실시예에 따른 가뭄진단예측 시스템에 있어서, 상기 가뭄진단예측모델은, 하기 [수학식 4]에 따라 미래의 상기 농업적 가뭄지수를 예측할 수 있다.
[수학식 4]
(여기서, ADIi +1 및 MDIi + 1는 각각 시계열적으로 상기 특정 월의 다음 미래 월(i+1)의 농업적 가뭄지수 및 기상학적 가뭄지수임)
본 발명의 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다.
이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
본 발명에 따르면, 기상자료 기반 가뭄모델링과 원격탐사 기반 가뭄모니터링을 융합한 가뭄진단예측모델을 구축함으로써, 가뭄예측이 공간단위로 이루어지고, 이를 바탕으로 가뭄위험을 줄이기 위한 수자원 적응능력(수자원 관리 시스템, 관개시설 등)의 정책 우선순위를 파악할 수 있으며, 모델의 예측 시간범위에 따라 가뭄의 단-중기 정책수집에 활용될 수 있다.
본 발명에 따른 모델 설계 단계에서 특히, 자연환경 모델링의 특성상 모든 변수를 고려하는 것이 어렵다는 점에 착안하여 가뭄모델링의 설명력을 높이기 위해 관련 변수를 모델에 추가하는 것이 아니라, 기상자료 기반의 가뭄모델링에서 기후영향 이외의 설명되지 않는 나머지 부분(잔차)를 예측하고, 잔차가 대표하는 불확실성을 줄이기 위해 실제 지표면상 가뭄상태를 파악할 수 있는 원격탐사 모니터링 결과와의 관계를 파악하여 이를 기상자료 기반의 가뭄모델링의 잔차에 보정함으로써, 종래 가뭄모델링의 한계로 언급되어오던 시공간적 해상도, 미래자료에 대한 불확실성의 한계를 극복할 수 있다. 이러한 가뭄진단예측모델은 가뭄 재난뿐만이 아닌, 다양한 기상현상 기반의 자연현상에 적용가능하다는 점에서 추후 국가 환경기반 위험감소(Risk reduction)에 긍정적으로 기여할 수 있을 것으로 기대된다.
도 1은 본 발명에 따른 가뭄진단예측 방법의 순서도이다.
도 2는 본 발명에 따른 가뭄진단예측 시스템의 구성도이다.
도 3은 실시예에 따른 가뭄진단예측 프레임워크이다.
도 4는 실시예에 따른 가뭄예후예측모델에서의 SPI와 VCI간의 관계이다.
도 5는 실시예에 따른 가뭄진단예측모델의 개념도이다.
도 6은 실시예에 따른 SPI를 입력변수로 한 가뭄예후예측모델 결과와 그에 따른 잔차에 대한 산점도(scatter plot)이다.
도 7은 실시예에 따른 가뭄진단예측모델을 활용한 2002년 8월의 VCI 예측 프로세스 및 결과이다.
도 8은 실시예에 따른 가뭄진단예측모델을 활용한 2008년 8월의 VCI 예측 프로세스 및 결과이다.
도 9는 시공간 차원에서의 모델 평가 방법론을 나타내는 도면이다.
도 10a 내지 도 10f는 실시예에 따른 가뭄예후예측모델(PDPM)과 가뭄진단예측모델(DDPM)을 활용한 2000 ~ 2018년 6 ~ 8월의 VCI 예측 프로세스 및 결과이다.
본 발명의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되어지는 이하의 상세한 설명과 바람직한 실시예들로부터 더욱 명백해질 것이다. 이하, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 관련된 공지 기술에 대한 상세한 설명은 생략한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시형태를 상세히 설명하기로 한다.
도 1은 본 발명에 따른 가뭄진단예측 방법의 순서도이다.
도 1에 도시된 바와 같이, 본 발명에 따른 가뭄진단예측 방법은 컴퓨팅 장치에 의해 수행되는 방법으로서, 소정의 기간 동안 시계열적으로 수집된 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수를 기반으로, 기상학적 가뭄지수를 독립변수로 하며, 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 단계(S100), 및 가뭄예후예측모델을 기반으로, 미래의 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 단계(S200)를 포함한다.
본 발명은 기상자료와 위성영상을 활용함으로써 단기-중기 농업가뭄예측에 특화되어 있으며, 지역단위-전세계단위의 공간적 분포를 추정하여 효과적으로 농업가뭄을 예측할 수 있는 가뭄진단예측 방법에 관한 것이다.
가뭄은 일정기간의 절대적인 강수량의 부족으로 발생하는 현상으로, 가뭄예측은 이러한 현상을 반영할 수 있는 기상학적 가뭄을 중심으로 이루어져 왔다. 가뭄모델링은 입력 데이터에 따라 과거부터 미래까지 모델을 적용하여 미래 가뭄을 예측할 수 있으나, 미래 기상자료의 불확실성이 크고 기후특성만으로 토지피복, 이용, 관리 등 지표특성이 포함된 지역적 특성을 반영하는데 한계가 있다. 따라서, 가뭄예측에 필수적인 기상자료를 활용함과 동시에 불확실성을 줄이고, 지표특성을 반영하기 위한 위성영상자료와의 융합방법론이 반드시 필요하다. 또한, 최근 발생하는 가뭄은 더욱 복잡한 가뭄 매커니즘으로 발생하기 때문에, 가뭄예측모델 설계 시 관련된 모든 자연환경변수를 고려하는데 한계가 있다. 따라서, 실제 가뭄환경 조건과 예측결과에 차이가 발생하므로, 보다 상세하고 다양한 환경조건의 영향이 반영된 지표면 상태의 결과를 직접적으로 관측할 수 있는 위성영상자료 기반 가뭄모니터링 결과를 접목하여 정확도 및 정밀도 높은 가뭄예측이 가능하다.
이에 본 발명은 미래 예측이 가능한 기상자료 기반 가뭄모델링(Prognostic Drought Prediction Model, PDPM)과 가장 최신자료 확보가 용이하고 실제 지표면에서의 농업가뭄정도를 파악할 수 있는 위성영상기반 가뭄모니터링을 단계적으로 융합하는 방법론을 제시하고, 기후특성과 지표면특성의 장점과 그 영향이 모두 반영되어 현재 환경에서 연속적인 영향이 반영되는 가뭄진단예측모델(Diagnostic Drought Prediction Model, DDPM)을 새롭게 제안한다.
본 발명에서 제안되는 가뭄진단예측모델은 미래 예측을 위해 불가결한 기상 가뭄모델링의 미래 잔차를 예측하고, 원격탐사자료를 기반으로 관측되는 동일시기의 실제 가뭄관측정보 간의 관계를 바탕으로 미래 예측 정보에 미래 잔차값을 보정함으로써, 보다 정밀하고 정확한 수준의 가뭄 예측 정보를 제공할 수 있다. 이러한 가뭄진단예측모델은 시공간적 가뭄예측결과로 도식화되며, 시공간 국가자료 및 통계자료와 연계하여 실제 재난재해 복구 및 사전대비 계획 수립에서 우선순위로 활용되거나 기후변화 영향(impact), 취약성(vulnerability), 위험(risk) 평가시에 기초자료로 활용될 수 있다.
본 발명에 따른 가뭄진단예측 방법은 Maisongrande et al. (1997)이 지상 생물권 내에서 활용가능한 모델로 제안했던 예후모델(Prognostic model)과 진단모델(Diagnostic model) 개념을 기반으로 안출되었다. 두 모델은 지상 생물권 내에서 변화하는 과정기반 모델로, 사용하는 자료의 종류에 따라 구분된다. 예후모델은 관련된 기상인자만을 활용하여 자연현상을 모델링하며, 진단모델은 관련된 기상인자와 위성영상 기반 인자를 모두 사용하여 자연현상을 모델링한다.
예후모델에 사용되는 기상인자는 예측된 미래기상자료를 모델에 입력변수로 사용하여 미래를 예측하는데 활용할 수 있다는 장점이 있으나, 단순 입력변수간의 조합을 통해 모델을 설계함으로써 본 발명에서 적용하고자 하는 복잡한 가뭄 매커니즘을 설명하는데 한계가 있다. 반면, 진단모델은 기상인자와 위성영상 기반 인자를 모두 활용하여 모델을 설계하기 때문에, 실제 관측정보에 기반하여 시공간적으로 정확하고 정밀한 모델링이 가능하지만, 위성영상자료의 특성상 과거-현재에 대한 자료만 제공되기 때문에 미래 예측 측면에서 한계가 발생한다.
이에 반해, 본 발명에 따른 가뭄진단예측 방법은 위의 두가지 개념에 기반하여 기상인자와 위성영상 자료를 모두 활용하면서도 정확하고 정밀하게 미래 예측이 가능한 진단예측모델(Diagnostic Prediction Model, DPM)을 생성하고, 이를 가뭄재난에 적용함에 있어 가뭄에 제한요인으로 작용하는 물의 영향과 모델링에서 불가결하게 발생되는 잔차를 예측함으로써 정확도를 높이는 가뭄진단예측모델 (Diagnostic Drought Prediction Model, DDPM)의 방법론을 구체화하였다.
구체적으로, 본 발명에 따른 가뭄진단예측 방법은 가뭄예후예측모델(Prognostic Drought Prediction Model, PDPM) 생성 단계(S100), 및 가뭄진단예측모델(Diagnostic Drought Prediction Model, DDPM) 생성 단계(S200)를 포함한다.
가뭄예후예측모델 생성 단계(S100)에서는 가뭄진단예측모델의 기초가 되는 가뭄예후예측모델을 구축한다. 가뭄예후예측모델은 소정의 기간 동안의 월별 기상학적 가뭄지수, 및 월별 농업적 가뭄지수 등의 가뭄지수 데이터 정보를 기반으로 생성된다.
기상학적 가뭄지수는 수년에서 수십년 동안의 월 강수량 등의 기상학적 데이터 집합을 기반으로 산출되는 가뭄지수이다. 이러한 기상학적 가뭄지수는 SPI(Standardized Precipitation Index), SPEI(Standardized Precipitation Evapotranspiration Index), 및 PDSI(Palmer Drought Severity Index)로 이루어진 군으로부터 선택되는 어느 하나 이상일 수 있다. 다만, 기상학적 가뭄지수가 반드시 상기에 한정되는 것은 아니고, 기상자료를 기반으로 도출되는 가뭄지수이기만 하면 무방하다.
농업적 가뭄지수는 위성영상 기반의 환경지수로서, 일례로 VCI(Vegetation Condition Index), VTCI(Vegetation Temperature Condition Index) VHI(Vegetation Health Index), TCI(Thermal Condition Index), 및 NDVI(Normalized Difference Vegetation Index)로 이루어진 군으로부터 선택되는 어느 하나 이상을 사용할 수 있다. 다만, 농업적 가뭄지수가 반드시 상기에 한정되는 것은 아니고, 지구관측 인공위성 데이터 기반의 지수이기만 하면 무방하다.
이러한 기상학적 가뭄지수, 및 농업적 가뭄지수는 수년 ~ 수십년 동안 월별로 산출될 수 있고, 이를 기반으로 가뭄예후예측모델을 생성한다. 즉, 가뭄예후예측모델은 과거에서부터 현재까지 시계열적으로 수집된 월별 기상학적 가뭄지수, 및 월별 농업적 가뭄지수를 기반으로, 기상학적 가뭄지수를 독립변수로, 농업적 가뭄지수를 종속변수로 하는 비선형 함수 형태를 가진다.
일례로, 가뭄예후예측모델은 하기 [수학식 1]에 따라 농업적 가뭄지수(ADI)를 산출할 수 있도록 구축될 수 있다.
[수학식 1]
여기서, ADIi 및 MDIi는 각각 특정 월(month, i)의 농업적 가뭄지수 및 기상학적 가뭄지수이고, a, b, c는 월별 모델 피팅 파라미터이다.
이러한 가뭄예후예측모델은 서로 대응되는 월별 기상학적 가뭄지수와, 농업적 가뭄지수 간의 상관관계를 설명한다.
가뭄진단예측모델 생성 단계(S200)는 가뭄예후예측모델을 기반으로 미래의 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성한다.
가뭄예후예측모델은 과거 ~ 현재의 기상학적 가뭄지수와 농업적 가뭄지수 데이터 간의 관계를 기반으로 설계되고, 미래의 기상자료를 통해 미래의 가뭄을 예측할 수 있다. 그러나 입력변수로 기상학적 가뭄지수만이 활용되고, 기상학적 요소를 제외한 타 환경조건(예를 들어, 지형, 농업활동, 관개시설 등)이 반영되지 않았기 때문에, 아래 [수학식 1']과 같이 잔차를 포함하게 된다.
[수학식 1']
여기서, ADIi '은 특정 월(month, i)의 실제 농업적 가뭄지수이고, ei는 특정 월(i)의 실제 농업적 가뭄지수와 기후예후예측모델을 통해 추정된 농업적 가뭄지수와의 잔차(residual)이다.
이때, 잔차의 크기와 방향에 따라 가뭄예후예측모델에서 예측한 결과는 실제 기상학적 요소를 제외한 타 요인의 긍정적, 부정적 요인에 의해 농업가뭄의 정도를 과대 혹은 과소 예측할 수 있다.
이러한 가뭄예후예측모델의 한계를 극복하고자, 가뭄진단예측모델을 생성한다. 일례로, 가뭄진단예측모델은 하기 [수학식 2]에 따라 미래의 농업적 가뭄지수를 예측할 수 있다.
[수학식 2]
여기서, ADIi +1 및 MDIi + 1는 각각 시계열적으로 상기 특정 월(i)의 다음번 미래 월(i+1)의 농업적 가뭄지수 및 기상학적 가뭄지수이다. i+1 시기는 i 시기에 비해 상대적으로 미래의 시기를 나타낸다.
이하에서는 도 2를 들어 본 발명에 따른 가뭄진단예측 시스템을 설명한다.
도 2는 본 발명에 따른 가뭄진단예측 시스템의 구성도로서, 이를 참고로, 본 발명에 따른 가뭄진단예측 시스템(100)은 소정의 기간 동안의 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수에 관한 가뭄지수 데이터 정보를 구축하는 데이터 구축부(10), 가뭄지수 데이터 정보 내의 기상학적 가뭄지수를 독립변수로 하며, 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 가뭄예후예측모델 생성부(20), 가뭄예후예측모델을 기반으로, 미래의 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 가뭄진단예측모델 생성부(20), 및 특정 월(month)의 농업적 가뭄지수, 특정 월의 기상학적 가뭄지수, 시계열적으로 특정 월의 다음 미래 월의 기상학적 가뭄지수를 입력 값으로, 가뭄진단예측모델을 통해 다음 미래 월의 농업적 가뭄지수를 산출하는 미래 가뭄 예측부(40)를 포함한다.
본 발명에 따른 가뭄진단예측 시스템(100)은 컴퓨팅 장치로서, 전술한 가뭄진단예측 방법을 수행하는바, 가뭄진단예측 방법에서 설명한 내용과 중복되는 내용에 대해서는 설명을 생략하거나 간단하게만 기술한다.
본 발명에 따른 가뭄진단예측 시스템(100)은 데이터 구축부(10), 가뭄예후예측모델 생성부(20), 가뭄진단예측모델 생성부(20), 및 미래 가뭄 예측부(40)를 포함한다.
데이터 구축부(10)는 소정의 기간(수년 ~ 수십년) 동안의 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수에 관한 가뭄지수 데이터 정보를 구축한다. 기상학적 가뭄지수 및 농업적 가뭄지수는 시계열 기상 데이터 셋(Time-series Climate dataset), 및 시계열 위성영상 데이터 셋(Time-series EO dataset)으로부터 수집된 데이터를 기반으로 생성될 수 있다. 데이터 구축부(10)는 데이터 셋(200)으로부터 기상학적 데이터를 얻고, 이를 기반으로 기상학적 가뭄지수를 산출하거나, 위상영상 데이터 셋(200)으로부터 특정 농업적 가뭄지수를 개별적으로 산출하여 가뭄지수 데이터 정보를 구축할 수 있다. 또는, 데이터 셋(200)에 저장된 그 가뭄지수를 수신하여 가뭄지수 데이터 정보를 구축할 수 있다.
가뭄예후예측모델 생성부(20)는 데이터 구축부(10)에서 구축된 가뭄지수 데이터 정보 내의 기상학적 가뭄지수 및 농업적 가뭄지수를 기반으로, 가뭄예후예측모델을 생성한다. 가뭄예후예측모델에 대해서는 전술하였는바, 자세한 설명은 생략한다.
가뭄진단예측모델 생성부(20)는 가뭄예후예측모델을 기반으로, 가뭄진단예측모델을 생성한다. 가뭄진단예측모델에 대해서는 전술하였는바, 자세한 설명은 생략한다.
미래 가뭄 예측부(40)는 상기 가뭄진단예측모델을 통해 미래의 농업적 가뭄지수를 산출한다. 이때, 미래 가뭄 예측부(40)는 특정 월(month)의 농업적 가뭄지수, 특정 월의 기상학적 가뭄지수, 시계열적으로 특정 월의 다음 미래 월의 기상학적 가뭄지수를 입력변수로, 가뭄진단예측모델을 통해 다음 미래 월의 상기 농업적 가뭄지수를 산출한다.
이하에서는 구체적인 실시예를 통해 본 발명을 보다 상세하게 설명한다. 도 3은 실시예에 따른 가뭄진단예측 프레임워크로서, 이하의 실시예는 도 3과 같이 키르기스스탄 국가를 대상으로 설계 및 구축되었다.
실시예 1: 가뭄지수 선정
가뭄이 특정기간 강우 부족에 의해 발생되는 기상학적 가뭄으로부터 농업적 가뭄으로 전이된다는 개념에 따라, 가뭄진단예측모델(DDPM)의 근간이 되는 가뭄예후예측모델(PDPM)을 설계함에 있어서 기상자료 기반의 기상학적 가뭄과 지구관측 인공위성 자료 기반의 농업적 가뭄을 대표할 수 있는 지수를 다음과 같이 선정하였다.
- 기상자료 기반 지수: Standardized Prediction Index (SPI)
SPI는 McKee et al. (1993)가 개발한 대표적인 기상학적 가뭄지수로 최소 30년 동안 월 강수량 데이터 집합을 기반으로 특정 기간 동안 특정 위치에서의 총 강수량을 장기 강수량분포와 비교하여 강수량의 부족을 파악할 수 있도록 만들어졌다. The Climate Hazards Center InfraRed Precipitation with Station data (CHIRPS)에서 제공하는 1981년부터 2018년까지 월별 강수량 데이터를 사용하여 SPI 지수를 산출하였다. 지수 산출 시 Gamma 분포의 확률밀도함수를 활용하였으며, 분석시에는 2000년부터 2018년까지의 SPI 지수를 본 모델에 활용하였다([수학식 3] 참조). SPI 지수는 누적강우기간에 따라 SPI-3, SPI-6, SPI-12 등으로 활용될 수 있으며, SPI 지수는 1보다 클 때 습윤한 조건을, -1보다 작을 때 건조한 조건을 나타낸다.
[수학식 3]
- 원격탐사 자료 기반 지수: Vegetation Condition Index (VCI)
VCI는 Kogan (1995)가 개발한 농업적 가뭄지수로 위성영상으로 도출할 수 있는 Normalized Difference Vegetation Index (NDVI)의 시계열 내의 상대적인 변화값을 통해 특정 위치에서의 식생의 건조 상태를 파악할 수 있도록 만들어졌다. 본 모형에서는 Moderate Resolution Imaging Spectroradiometer (MODIS)에서 제공하는 2000년부터 2018년까지 월별 NDVI 데이터를 사용하여 VCI를 구축하였다([수학식 4] 참조).
[수학식 4]
실시예 2: 가뭄예후예측모델(Prognostic Drought Prediction Model, PDPM)
선정된 지수를 바탕으로 가뭄진단예측모델(DDPM)의 기초가 되는 가뭄예후예측모델(PDPM)을 구축하기 위해, SPI를 독립변수로 VCI를 종속변수로 하는 비선형모델을 설계하였다. 아래 [수학식 5]와 같이, 세 가지 매개변수를 통해 월별 지수간의 관계를 설명하였다. 이를 통해, PDPM은 동일시간 i의 SPI로 동일시간 i의 VCI을 예측할 수 있다.
[수학식 5]
여기서, a, b, c는 월별 모델 피팅 파라미터이며, e는 모델의 잔차이다.
2000년부터 2018년까지 키르기스스탄의 주요 작물 재배시기에 해당하는 5월 ~ 8월의 월별 PDPM 모델을 구축하고 이에 따른 결과를 도 4에 도시하였다. 도 4는 실시예에 따른 가뭄예후예측모델에서의 SPI와 VCI간의 관계를 나타낸다. 도 4를 참고로, 매월 구축된 PDPM의 R2는 각각 0.526, 0.764, 0.526 순으로 나타났다.
실시예 3: 가뭄진단예측모델(Diagnostic Drought Prediction Model, DDPM)
도 5는 실시예에 따른 가뭄진단예측모델의 개념도이다. 도 5을 참고로, 가뭄진단예측모델(DDPM)은 현재(시계열 i) 잔차를 활용하여 향후 잔차값(시계열 i+1)를 최소화함으로써 PDPM의 불확실성을 최소화 하는 것을 목표로 하였다. 전술한 바와 같이, 과거 ~ 현재의 SPI와 VCI 데이터간 관계를 기반으로 설계된 PDPM의 경우, 미래의 SPI을 입력변수로 미래의 VCI를 예측할 수 있으나, 지형, 농업활동, 관개시설 등 기상학적 요소 외의 환경조건을 반영하지 못하므로, 잔차를 포함하고, 그 잔차로 인해 예측 결과의 정확도와 정밀도가 다소 떨어진다. 이러한 한계를 극복하기 위해서, DDPM은 예측된 결과와 실제 환경을 진단하고, M/P 비율([수학식 7] 참조)을 계산하여 PDPM에서 제외된 변수(기상학적 요소를 제외한 타 환경조건)의 영향을 추정하였다. 여기서 진단된 영향은 대부분의 환경조건요인이 일시적으로 자기상관관계가 있다는 가정하에 PDPM 결과에 적용되어 결과를 보정하였다.
본 실시예에서 가뭄예측에 대한 진단 프로세스를 적용하기 위해 하기 [수학식 6]과 같이, 시간 i+1의 방정식을 시간 i 방정식으로 나누어 도출하였다. 이후, 하기 [수학식 7]과 같이 진단된 M/P비율을 다음 시계열인 i+1에서의 PDPM값에 곱하였는데, 이때 PDPM의 잔차는 ei +1인 반면, DDPM의 잔차는 ei +1 - ei ·(fprog(SPIi+1)/fprog(SPIi))인 것을 알 수 있다.
[수학식 6]
[수학식 7]
도 6은 실시예에 따른 SPI를 입력변수로 한 가뭄예후예측모델 결과와 그에 따른 잔차에 대한 산점도(scatter plot)이다. 도 6을 참고로, 가뭄을 예측함에 있어 물이 식생의 제한적 요인으로 작용한다는 원리를 바탕으로 SPI 값이 감소함에 따라 PDPM의 잔차가 감소하는 패턴이 관찰된다. 이는 하기 [수학식 8]과 같이 설명되기 때문에 잔차를 줄이기 위한 방법으로 시계열 M/P 비율을 적용함으로써 가뭄에 대한 진단예측모델(DPM)의 진단 프로세스를 바탕으로 DDPM 모델이 개발되었다.
[수학식 8]
도 7은 실시예에 따른 가뭄진단예측모델을 활용한 2002년 8월의 VCI 예측 프로세스 및 결과, 및 도 8은 실시예에 따른 가뭄진단예측모델을 활용한 2008년 8월의 VCI 예측 프로세스 및 결과로서, 상기 DDPM을 따라 키르기스스탄에 시범적으로 적용한 결과이다. 여기서, 도 7은 일반적인 환경조건(예시: 2002년), 도 8은 심각한 가뭄조건(예시: 2008년)의 DDPM 시계열 예측과정 결과로, 공통적으로 (a) 7월의 SPI, (b) 8월의 SPI, (c) 7월의 PDPM으로 예측된 VCI, (d) 8월의 PDPM으로 예측된 VCI, (e) 7월의 관측된 VCI, (f) 8월의 관측된 VCI, (g) 8월의 DDPM으로 예측된 VCI를 나타낸다. PDPM은 과거 ~ 현재의 SPI와 VCI의 관계를 기반으로 설계되었기 때문에, PDPM으로 예측된 VCI 결과는 SPI와 유사한 공간적 패턴을 가지게 된다. 그러나 PDPM의 결과는 키르기스스탄의 서부 및 중부지역(Jalal-Abad, Osh, and Naryn; 2002년 왼쪽그림), 서부 및 북부 지역(Jalal-Abad, Osh, and Bishkek; 2008년 오른쪽그림)에서 관측된 VCI의 패턴과 다른 패턴을 보였다. 또한, PDPM 결과와 7월의 실제 가뭄(관측된 VCI)의 차이는 SPI(기상학적 요인)을 제외한 환경요인의 영향을 나타내며, 두 수치에서 7월의 차이 비율을 8월의 PDPM 결과에 적용하여 DDPM 결과를 산출하였다. 그 결과, DDPM으로 예측된 VCI는 PDPM으로 예측된 결과 대비 관측된 VCI와 훨씬 더 유사한 패턴을 나타내며, 특히 PDPM의 잔차가 높은 지역에서 그 특징이 두드러지는 것을 파악할 수 있었다.
도 9는 시공간 차원에서의 모델 평가 방법론을 나타내는 도면이고, 도 10a 내지 도 10f는 실시예에 따른 가뭄예후예측모델(PDPM)과 가뭄진단예측모델(DDPM)을 활용한 2000 ~ 2018년 6 ~ 8월의 VCI 예측 프로세스 및 결과이다.
제안된 가뭄모델의 성능을 다양한 방면에서 검증할 경우, 시공간적으로 가뭄의 심각도를 구별할 수 있어야 하기 때문에, 모델의 시공간 차원의 정확도를 고려하는 것이 중요하다. 이를 위해, 본 실시예에서는 PDPM과 DDPM로 예측된 월별 VCI 결과값을 100km2 그리드 단위의 평균값으로 변환하여 동일시점에 관측된 VCI 값과 비교하여 검증하였다. 평균값으로의 변환은 예측과 관측 사이의 공간적인 일치패턴을 파악하기 위함이며, 모델의 성능은 각 모델의 월별 평균제곱근편차(RMSE)와 결정계수(R2)를 비교하여 결정하였다.
시공간차원 모두에서 모델의 전반적인 성능을 추정하기 위해 전체 연구기간(2000 ~ 2018)동안 각 그리드에 대한 공간 평균값을 사용하여 RMSE와 R2을 계산하였다. 이 경우, 각 연도간 VCI 차이가 각 영역 간의 차이보다 훨씬 더 크기 때문에, 시간 차원에 영향을 받을 가능성이 더 높다. 따라서, 공간 차원에 중점을 두고 성능을 추정하기 위해 2000년부터 2018년까지의 각 연도별 RMSE와 R2를 계산하고 전체 평균값을 사용하였다(도 9 참조).
도 10a 내지 도 10f를 참고로, 구획된 100km2 그리드 단위에서의 시공간 모델 성능 평가에 따르면, PDPM의 R2 값은 월별로 0.257, 0.305 및 0.327, RMSE 값은 0.171, 0.150, 및 0.163이었다. 반면, DDPM은 R2 값이 0.310, 0.482 및 0.561, RMSE 값이 0.161, 0.133 및 0.137으로, PDPM보다 R2 값이 높고 RMSE 값이 낮은 것으로 확인되었다. 또한, 시공간 평가(검은색 추세선)에 따라 PDPM과 DDPM은 전반적으로 가뭄을 예측하였으나, 공간평가 결과(붉은색 추세선)에서는 차이를 나타냈다. PDPM의 공간평가를 나타내는 붉은색 추세선은 기울기가 수평선에 가까운 것을 알 수 있는데, 이는 지역 규모에서 가뭄 심각도를 거의 구분하지 못하고 있음을 보여준다. 반면, DDPM은 시공간 평가와 공간평가 모두에서 일관된 기울기의 추세패턴을 보여주는데, 이는 모델이 각 연도뿐만 아니라 1년 이내에 대상지 내 세부 공간 단위에서도 상세한 식물의 건조 조건을 구별할 수 있음을 의미한다. 이로써, 본 실시예에서 구축된 DDPM을 통해, 단-장기 농업가뭄조건을 시공간적으로 정밀하게 구분할 수 있고, 정확도 높게 예측이 가능함을 알 수 있다.
이상 본 발명을 구체적인 실시예를 통하여 상세히 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함이 명백하다.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 영역에 속한 것으로 본 발명의 구체적인 보호 범위는 첨부된 특허청구범위에 의하여 명확해질 것이다.
10: 데이터 구축부 20: 가뭄예후예측모델 생성부
30: 가뭄진단예측모델 생성부 40: 미래 가뭄 예측부
100: 가뭄진단예측 시스템 200: 데이터 셋

Claims (12)

  1. 컴퓨팅 장치에 의해 수행되는 가뭄진단예측 방법에 있어서,
    (a) 소정의 기간 동안 시계열적으로 수집된 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수를 기반으로, 상기 기상학적 가뭄지수를 독립변수로 하며, 상기 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 단계; 및
    (b) 상기 가뭄예후예측모델을 기반으로, 미래의 상기 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 단계;를 포함하는 가뭄진단예측 방법.
  2. 청구항 1에 있어서,
    상기 기상학적 가뭄지수는,
    SPI(Standardized Precipitation Index), SPEI(Standardized Precipitation Evapotranspiration Index), 및 PDSI(Palmer Drought Severity Index)로 이루어진 군으로부터 선택되는 어느 하나 이상인 가뭄진단예측 방법.
  3. 청구항 1에 있어서,
    상기 농업적 가뭄지수는,
    VCI(Vegetation Condition Index), VTCI(Vegetation Temperature Condition Index) VHI(Vegetation Health Index), TCI(Thermal Condition Index), 및 NDVI(Normalized Difference Vegetation Index)로 이루어진 군으로부터 선택되는 어느 하나 이상인 가뭄진단예측 방법.
  4. 청구항 1에 있어서,
    상기 가뭄예후예측모델은, 하기 [수학식 1]에 따라 상기 농업적 가뭄지수를 산출하는 가뭄진단예측 방법.
    [수학식 1]

    (여기서, ADIi 및 MDIi는 각각 특정 월(month, i)의 농업적 가뭄지수 및 기상학적 가뭄지수, a, b, c는 월별 모델 피팅 파라미터임)
  5. 청구항 4에 있어서,
    상기 가뭄진단예측모델은, 하기 [수학식 2]에 따라 미래의 상기 농업적 가뭄지수를 예측하는 가뭄진단예측 방법.
    [수학식 2]

    (여기서, ADIi +1 및 MDIi + 1는 각각 시계열적으로 상기 특정 월의 다음 미래 월(i+1)의 농업적 가뭄지수 및 기상학적 가뭄지수임)
  6. 소정의 기간 동안의 월별 기상학적 가뭄지수 및 월별 농업적 가뭄지수에 관한 가뭄지수 데이터 정보를 구축하는 데이터 구축부;
    상기 가뭄지수 데이터 정보 내의 상기 기상학적 가뭄지수를 독립변수로 하며, 상기 농업적 가뭄지수를 종속변수로 하는 비선형의 가뭄예후예측모델을 생성하는 가뭄예후예측모델 생성부;
    상기 가뭄예후예측모델을 기반으로, 미래의 상기 농업적 가뭄지수를 예측하는 가뭄진단예측모델을 생성하는 가뭄진단예측모델 생성부; 및
    특정 월(month)의 상기 농업적 가뭄지수, 상기 특정 월의 상기 기상학적 가뭄지수, 시계열적으로 상기 특정 월의 다음 미래 월의 상기 기상학적 가뭄지수를 입력변수로, 상기 가뭄진단예측모델을 통해 상기 다음 미래 월의 상기 농업적 가뭄지수를 산출하는 미래 가뭄 예측부;를 포함하는 가뭄진단예측 시스템.
  7. 청구항 6에 있어서,
    상기 데이터 구축부는,
    기상학적 데이터를 기반으로 상기 기상학적 가뭄지수를 산출하는 가뭄진단예측 시스템.
  8. 청구항 6에 있어서,
    상기 데이터 구축부는,
    위성영상 데이터를 기반으로 상기 농업적 가뭄지수를 산출하는 가뭄진단예측 시스템.
  9. 청구항 6에 있어서,
    상기 기상학적 가뭄지수는,
    SPI(Standardized Precipitation Index), SPEI(Standardized Precipitation Evapotranspiration Index), 및 PDSI(Palmer Drought Severity Index)로 이루어진 군으로부터 선택되는 어느 하나 이상인 가뭄진단예측 시스템.
  10. 청구항 6에 있어서,
    상기 농업적 가뭄지수는,
    VCI(Vegetation Condition Index), VTCI(Vegetation Temperature Condition Index) VHI(Vegetation Health Index), TCI(Thermal Condition Index), 및 NDVI(Normalized Difference Vegetation Index)로 이루어진 군으로부터 선택되는 어느 하나 이상인 가뭄진단예측 시스템.
  11. 청구항 6에 있어서,
    상기 가뭄예후예측모델은, 하기 [수학식 3]에 따라 상기 농업적 가뭄지수를 산출하는 가뭄진단예측 시스템.
    [수학식 3]

    (여기서, ADIi 및 MDIi는 각각 특정 월(month, i)의 농업적 가뭄지수 및 기상학적 가뭄지수, a, b, c는 월별 모델 피팅 파라미터임)
  12. 청구항 11에 있어서,
    상기 가뭄진단예측모델은, 하기 [수학식 4]에 따라 미래의 상기 농업적 가뭄지수를 예측하는 가뭄진단예측 시스템.
    [수학식 4]

    (여기서, ADIi +1 및 MDIi + 1는 각각 시계열적으로 상기 특정 월의 다음 미래 월(i+1)의 농업적 가뭄지수 및 기상학적 가뭄지수임)
KR1020220063878A 2022-05-25 2022-05-25 가뭄진단예측 방법 및 그 시스템 KR20230164782A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220063878A KR20230164782A (ko) 2022-05-25 2022-05-25 가뭄진단예측 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220063878A KR20230164782A (ko) 2022-05-25 2022-05-25 가뭄진단예측 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR20230164782A true KR20230164782A (ko) 2023-12-05

Family

ID=89157149

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220063878A KR20230164782A (ko) 2022-05-25 2022-05-25 가뭄진단예측 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR20230164782A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610434A (zh) * 2024-01-19 2024-02-27 武汉大学 一种融合人工智能的干旱指数重构方法及计算机可读介质
CN117828906A (zh) * 2024-03-05 2024-04-05 长江水利委员会长江科学院 基于作物生长模型的干旱传递过程模拟方法、系统及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101718294B1 (ko) 2016-11-29 2017-03-22 주식회사 유일기연 가뭄예측 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101718294B1 (ko) 2016-11-29 2017-03-22 주식회사 유일기연 가뭄예측 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610434A (zh) * 2024-01-19 2024-02-27 武汉大学 一种融合人工智能的干旱指数重构方法及计算机可读介质
CN117610434B (zh) * 2024-01-19 2024-04-16 武汉大学 一种融合人工智能的干旱指数重构方法及计算机可读介质
CN117828906A (zh) * 2024-03-05 2024-04-05 长江水利委员会长江科学院 基于作物生长模型的干旱传递过程模拟方法、系统及介质
CN117828906B (zh) * 2024-03-05 2024-05-17 长江水利委员会长江科学院 基于作物生长模型的干旱传递过程模拟方法、系统及介质

Similar Documents

Publication Publication Date Title
KR20230164782A (ko) 가뭄진단예측 방법 및 그 시스템
Pulwarty et al. Climate extremes and adaptive management on the Colorado River: lessons from the 1997–1998 ENSO event
Banihabib et al. Extended linear and non-linear auto-regressive models for forecasting the urban water consumption of a fast-growing city in an arid region
KR102073768B1 (ko) 포털 기반 가뭄정보 제공 시스템
Adams III Flood forecasting in the United States NOAA/national weather service
KR20120104805A (ko) 발전용 댐의 홍수기 수문방류량 결정방법
Al Kafy et al. The operational role of remote sensing in assessing and predicting land use/land cover and seasonal land surface temperature using machine learning algorithms in Rajshahi, Bangladesh
Wade et al. Developing H++ climate change scenarios for heat waves, droughts, floods, windstorms and cold snaps
Park et al. Development of earth observational diagnostic drought prediction model for regional error calibration: A case study on agricultural drought in Kyrgyzstan
KR20190095587A (ko) 실시간 수집된 수요자 부하 정보를 이용하는 스마트 전력 수요 관리 시스템
Suárez-Almiñana et al. Integrating seasonal forecasts into real-time drought management: Júcar River Basin case study
Tilford et al. Application of weather radar data for urban hydrology
Ødegård et al. Value of information analysis of snow measurements for the scheduling of hydropower production
CN105631593A (zh) 一种基于数据真实度的企业评估系统
Schwanenberg et al. Scientific, technical and institutional challenges towards next-generation operational flood risk management decision support systems
Gommes et al. 29 Beyond simple, one-station rainfall indices
Coccia Analysis and developments of uncertainty processors for real time flood forecasting
Xiong et al. Global soil water erosion responses to climate and land use changes
Dalla Torre et al. Exploring the feasibility of Support Vector Machine for short-term hydrological forecasting in South Tyrol: challenges and prospects
Furong et al. Projection of monthly surface flows by an optimized SWAT–MLP: a case study
SISAY Developing reservoir operation rule and assessing hydropower options under climate change on Ribb irrigation dam
Dawson et al. Flood risk assessment for shoreline management planning
Kwon et al. RWIS network planning: Optimal density and location
Shelestov et al. The Land Degradation Estimation Remote Sensing Methods Using RUE-adjusted NDVI
Guihan Integrating Emerging River Forecast Center Streamflow Products Into the Salt Lake City Parley’s Drinking Water System