WO2012046959A1 - 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법 - Google Patents

군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법 Download PDF

Info

Publication number
WO2012046959A1
WO2012046959A1 PCT/KR2011/006772 KR2011006772W WO2012046959A1 WO 2012046959 A1 WO2012046959 A1 WO 2012046959A1 KR 2011006772 W KR2011006772 W KR 2011006772W WO 2012046959 A1 WO2012046959 A1 WO 2012046959A1
Authority
WO
WIPO (PCT)
Prior art keywords
typhoon
cluster
equation
typhoons
latitude
Prior art date
Application number
PCT/KR2011/006772
Other languages
English (en)
French (fr)
Inventor
허창회
김형석
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Publication of WO2012046959A1 publication Critical patent/WO2012046959A1/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
    • 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

Definitions

  • the methods for predicting the seasons of typhoon activity which have been known so far and are currently used in many countries, are predicted using statistical methods and predicted using dynamic models.
  • Seasonal forecasts of typhoon activity using statistical methods are only predictive of typhoon activity in certain regions, such as the entire Northwest Pacific or the Middle East, and include typhoon activity from the outbreak to extinction throughout the Northwest Pacific. The technique of predicting statistics statistically has not yet been developed.
  • the object of the present invention which was devised to solve the above-mentioned problems, is to use the fuzzy cluster classification to predict the course of a typhoon from June to October. By dividing into clusters, predicting the number of typhoons corresponding to each cluster, and reconstructing the course of the typhoon, finally, the number of typhoons by the cluster of summer typhoons in the entire Northwest Pacific and the prediction method of summer typhoons are provided. It is to. [Task solution]
  • the present invention is a method for predicting the number of typhoons by clusters of summer typhoon using a computer, (a) observed for a certain period of time in the northwest Pacific region Using the six-hour hurricane position data for each typhoon, the distance (dist) between the six-hour hurricane positions is expressed by Equation 1 below, and the hurricane position data edist to be converted is shown in Equation 2 below. ] And then transform the hurricane position data of each 6-hour interval for each typhoon into 21 dong distance position data having the same distance interval by using the dist, edist, and [Equation 3] below.
  • the North-West Pacific region is used as the input data for the cluster classification program using the number of two or more previously designated clusters and 21 east distance location data for each typhoon.
  • X, _y is the location of the converted typhoon (longitude, latitude), TV is the number of location data of the typhoon at 6 hour intervals, and / is i diSt i ⁇ 0 ' - Equation 4 is defined as a positive integer satisfying
  • y is the predicted value of the number of typhoons belonging to the year ⁇ ' th cluster (co, " ⁇ n is the m-th predictor for predicting the number of typhoons in the Ci cluster of year _, and ⁇ / is the The number of predictors to predict the typhoon, U i, m is the regression coefficient of the ATI th predictor for predicting the number of typhoons in the C cluster in _ / year, and "!
  • Equation 5 Zi ⁇ 3 ⁇ 4 + ⁇ j a i, m X i, m, [Equation 6 ] is
  • the typhoon location data of each typhoon for each typhoon is the location data of the six-hour interval for each typhoon of the total typhoons occurred during the period of June to September during the past period, which is an annual unit
  • the number of the typhoons determined by the optimal cluster number discrimination test using the index, the group classification program is a fuzzy c-means cluster classification program classified into seven typhoon path clusters (C1 to C7).
  • C1 to C7 clusters Symptoms Twenty-one equidistant location data for each typhoon and Included in one of the closest clusters, the C1 cluster is in the range of 120 degrees east to 140 degrees east longitude and 15 degrees north to 45 degrees north latitude, and the C2 cluster is 125 degrees east longitude 160 degrees east longitude 10 degrees north latitude 40 degrees north latitude.
  • the C3 cluster belongs to a range of 115 degrees east longitude to 150 degrees east longitude and 10 degrees north latitude to 40 degrees north latitude
  • the C4 cluster is an alternative land within 140 degrees east longitude to 160 degrees east longitude and 15 degrees north latitude (Article 26 of the Rule) ) It is in the range of 45 degrees north latitude
  • the C5 cluster is in the range of 150 degrees east to 180 degrees east longitude and 15 degrees north to 45 degrees north latitude
  • the C6 cluster is 100 degrees east longitude to 120 degrees east longitude and 10 degrees north to 25 degrees north latitude.
  • the C7 cluster is characterized by belonging to a range of 100 degrees east to 150 degrees east longitude and 10 degrees north latitude to 25 degrees north latitude.
  • the typhoon course prediction method is from June to October of 1981 to 2000 predicted through the National Forecasts System (CFS) of the National Centers for Environmental Prediction (NCEP)
  • CFS National Forecasts System
  • NCEP National Centers for Environmental Prediction
  • a predictor that predicts the number of typhoons in the C2 cluster among the predictors, using a total of four predictors of 850 hPa relative degrees with positive correlation coefficients in the region of ° E and latitude 20 ° ⁇ 30 ⁇ ⁇ hardness 160 ⁇ ⁇ to 100 o W and latitude 5 ° S to 5 ° N areas at sea level has a positive correlation with temperature, longitude 110 ° E to 150 ° E to the above Fig.
  • the predictors predicting the number of typhoons belonging to the C4 cluster among the predictors were sea surface temperature with a negative correlation in the region of 120 ° ⁇ to 140 ° E longitude and 20 ° S to 35 ° N latitude, 120 to 140 degree longitude.
  • Predictor is hardness 120 o Sea level silver with a positive correlation in the region ⁇ -120 ° W and latitude 25 0 S to 25 ° N, positive correlation in the region between 140 ° -160 o W longitude and 30 ° N-45 ° N latitude Sea surface temperature with longitude, sea level temperature and longitude with positive correlation coefficients from 50 ⁇ ⁇ to 110 ° ⁇ and latitude 30 o S to 5 ° S 95 0 E to 160 ⁇ ⁇ and latitude 15 ° ⁇ to 30 ⁇ ⁇ region It is characterized by using a total of four predictors, which are the east-west wind field of 850hPa with negative correlation coefficient.
  • the Northwest Pacific region is divided into zones of the predetermined number of clusters, and each typhoon increases the zones.
  • a cluster classification step of the typhoon path which is classified to be included in one of the areas closest to the distance location data;
  • Predictive factors for air / sea circulation in June-October which affected typhoon activity in the Northwest Pacific region and affected the number of typhoons in each population grouped in step (a) above;
  • Sea level temperature 500 hPa (nuclear surface scal) altitude in a given region, vertical wind shear that indicates the difference between the horizontal wind field of 200 hPa and 850 hPa in a specific region, east and west wind fields in a specific region, and the troposphere in a specific region
  • Two or more predictors including the average east-west wind field, the amount of water vapor available in a specific region, and the east-
  • Equation 4 Extracted as a predictor used to predict the number of typhoons ( ⁇ ⁇ ⁇ ) and predicted the number of typhoons for each cluster using Equation 4 below, where a im and ⁇ /, ⁇ in Equation 4 are Process of Equation 5 below Predict the number of typhoons per cluster, characterized by the values of a im and ⁇ /, ⁇ to minimize f by using Equation 6 below.
  • ( x ,) is the location of the typhoons at 6-hour intervals provided by the Tokyo Typhoon Center.
  • (Longitude, latitude), (,) is the location of the converted typhoon (longitude, latitude), and N is the location of the typhoon every six hours.
  • the total number of typhoons in the ⁇ th population is Where total is the sum of the predicted number of typhoons for each cluster in year j, and is a predicted value of the total number of typhoons in the year to be predicted. Where p A lon and lat are typhoon course probability values for the year (year j) and C is the total number of clusters.
  • FIG. 1 is a flowchart showing a summer typhoon course prediction method according to a preferred embodiment of the present invention.
  • FIG. 2 shows six typhoon position data rolls about the distance between six hour typhoon positions using four equations for four typhoons.
  • 3 is an exemplary diagram of seven typhoon career clusters classified using the Fuzzy c-means cluster classification method.
  • 4 to 10 are exemplary diagrams showing the correlation between the number of typhoons corresponding to the C1 to C7 clusters and the atmospheric ocean factors provided by the CFS of NCEP.
  • 11 is a graph of typhoon number prediction verification for each cluster.
  • 12 is an exemplary diagram showing a typhoon course distribution probability for each cluster.
  • FIG. 13 is an exemplary diagram illustrating a typhoon course prediction.
  • FIG. 14 is an explanatory diagram for aiding in understanding a method of converting typhoon data, and is a reference explanatory diagram for a process of converting four position data into new five equally spaced position data.
  • FIG. 1 is a flowchart showing a summer typhoon course prediction method according to a preferred embodiment of the present invention.
  • the typhoon course distribution probability prediction step (S30) may be further included after the typhoon number prediction step for each cluster (S20).
  • Summer typhoon course prediction method as a method for predicting the course of the summer typhoon using a computer includes a cluster classification step (S10) of the typhoon course and the typhoon number prediction for each cluster (S20). .
  • the cluster classification step (S10) of the typhoon path is a distance between the six-hour typhoon positions (dist) by using the typhoon position data for each typhoon observed for a certain period of time in the northwest Pacific region.
  • each hurricane using the dist, edist and [Equation 3] below Converts typhoon location data of 6 hour intervals into 21 equal distance location data with the same distance interval for each typhoon, clusters two or more predetermined number of clusters and 21 equal distance location data for each typhoon
  • the Northwest Pacific region is divided into zones of the predetermined number of clusters, and each typhoon is closest to the 21 east distance location data of the zones.
  • Equation 3 (X, ⁇ ) is the location of the typhoon (longitude, latitude) at 6 hour intervals provided by the Toko Typhoon Center, and ( ⁇ , ⁇ ) is the location of the converted typhoon (Hardness,
  • N is the number of location data of typhoons every 6 hours, and / ⁇ (; '
  • Equation 3 may be expressed as Equation 3-1 below, and M is the number of new location data, that is, 21.
  • FIG. 14 is a reference explanatory diagram for a process of converting four position data into new five equally spaced position data to assist in understanding the above-described method of converting typhoon data.
  • FIG. 14 shows a process of converting four positional data (, X 2 , 3 ⁇ 4, 3 ⁇ 4) into five new equidistant positional data (X ne X new 2 , X new 3) X new 4 , X new 5 .
  • X is a two-dimensional vector with coordinates of (X, y).
  • the typhoon number prediction step for each cluster affected the typhoon activity of the northwest Pacific region, and from June to 10, which influenced the number of typhoons in each cluster classified in the cluster classification step (S10) of the typhoon path.
  • a vertical wind shearer representing the difference between sea level temperature in a given region, 500 hPa (nuclear pascal) altitude in a specific region, and a horizontal wind field of 200 hPa and 850 hPa in a specific region.
  • More than two predictors including a 50 hPa east-west wind field in a given region, an average tropospheric mean east-west wind field in a particular region, the amount of precipitation water available in a given region, and a 850 hPa east-west wind field in a specific region
  • Is a step is the value that minimizes f using Equation 6] to go through the process of Equation 4] im of a and ⁇ ⁇ by [Equation 5] below.
  • the typhoon location data for each typhoon is the location data for each typhoon for each typhoon of the total typhoons generated during the period of June to September during the past period of time, which is the yearly unit.
  • the cluster classification program is a fuzzy c-means cluster classification program, which is classified into seven typhoon path clusters (C1 cluster to C7 cluster) to classify each typhoon for each typhoon among the classified C1 clusters to C7 clusters.
  • C1 cluster is in the range of 120 degrees east to 140 degrees east longitude and 15 degrees north to 45 degrees north latitude
  • the C2 cluster is 125 degrees east longitude to 160 degrees east longitude.
  • the C3 community is in the range of 115 degrees to 150 degrees east longitude and 10 degrees to 40 degrees north latitude
  • the C4 cluster is in the range of 140 degrees east longitude to 160 degrees east longitude and 15 degrees north latitude to 45 degrees north latitude.
  • the cluster is in the range of 150 degrees east longitude to 180 degrees long east and 15 degrees north latitude 45 degrees north latitude
  • the C6 cluster is in the range of 100 degrees east longitude to 120 degrees east longitude and 10 degrees north latitude to 25 degrees north latitude
  • the C7 cluster is 100 east long. It may be in the range of 150 degrees east to 150 degrees north latitude to 25 degrees north latitude.
  • the typhoon course is divided into several clusters using the statistical cluster classification method.
  • each typhoon path community is used as a basis for the final typhoon path prediction.
  • each typhoon observed in the northwest Pacific region for a certain period of time may be used a total of 855 typhoons generated during June to September from 1965 to 2006 provided by the Toko typhoon center.
  • all typhoons should have the same number of location data. Therefore, the location data of all typhoons were converted into 21 location data with the same distance interval using the following method.
  • the distance (dist) between the six-hour typhoon positions may be defined by Equation 1 above and the hurricane position data edist to be converted by Equation 2 below.
  • FIG. 2 shows the transformation of six-hour typhoon position data for distance between six-hour typhoon positions into 21 typhoon position data for typhoon position data edist using the above equation for four typhoons. It is an illustration.
  • the gray circle indicates the 6 hour typhoon position data and the black dot indicates the converted typhoon position data.
  • the typhoon position data for each typhoon observed in the Northwest Pacific region for a certain period of time specifically, the 21 typhoon position data for each of the 855 typhoon positions data are collected in the Fuzzy c-means community. Use as input for classification (fuzzy cluster classification) method.
  • the converted 21 typhoon position data for each typhoon are used as input data of the fuzzy cluster classification program, x l , x 2 , ... y x 2l , y l , y 2 , ... , y 2l ⁇ ⁇ ⁇ , 2, effort., ⁇ (where is the heat vector corresponding to the / c th typhoon, and ⁇ is the total number of typhoons. That is, if you use a total of 855 typhoons,
  • the statistical cluster classification method there are various methods such as Fuzzy c-means cluster classification method, k-means cluster classification method and metrology cluster classification method.
  • Fuzzy c-means cluster classification method for the book "Bezdek, J. C,
  • the fuzzy c-means cluster classification program is performed using the X * (heat vector for each total typhoon) as input data.
  • the number of clusters should be determined before the Fuzzy c-means cluster classification program is executed.
  • the number of clusters should be specified as two or more, but can be determined arbitrarily by a user using the summer typhoon path prediction method according to the present invention.
  • the number of clusters can be determined by performing an optimal cluster number discrimination test using the Xie and Beni Index.
  • the cluster number discrimination test using the Xie and Beni Index the course of the typhoon for the northwest Pacific region is 7 clusters.
  • Classify as The Xie and Beni Index is described in detail in the book "Abonyi, J, and B. Feil, 2007: Cluster Analysis for Data Mining and System Identification. Birkhauser Basel, 303 pp.”
  • each of the clusters may be properly classified according to the course type of each typhoon.
  • typhoon activity in the northwestern Taeyangyang region between June and October is the same period as the typhoon activity from the previous January to May atmosphere and ocean circulation, which is from June to October. More relevant to the circulation field. Therefore, it is desirable to use atmospheric and ocean circulation data from June to October, predicted months from epidemiological models, as predictors of the number of typhoons for each community.
  • the air and ocean forecast data from June to October used in the present invention are estimated from June through the climate Forecast System (CFS) of the National Centers for Environmental Prediction (NCEP). Data on atmospheric oceans up to October were used.
  • CFS climate Forecast System
  • NCEP National Centers for Environmental Prediction
  • the seasonal forecast by the CFS of NCEP is 1, 2, 3, 9, 10, 11, 12, 13, 19, 20, 21, 22, 23, 30, 30 every month. At the end of the 31st (or 29th) of the day, the next nine months of air and ocean conditions are predicted and published on the website. Since the data by the CFS of the NCEP is from 1981, the analysis period for the prediction model in the present invention is limited to after 1981.
  • Predictive factors for each cluster were the CFS of NCEP from 1981 to 2000.
  • the region of predictive factor setting is determined by analyzing the correlation coefficient between the ensemble mean of June and the number of typhoons in each cluster.
  • the final selected predictors are averaged over 95% of reliability in the established region through significance level analysis. If there is no significant region, the value of the highest correlation in the set predictor region is used as the predictor. do.
  • Detailed descriptions of the predictors for each cluster are as follows.
  • the correlation coefficient with the sea surface temperature is negatively correlated in the tropical eastern Pacific region and positively correlated in the east coast of Japan.
  • the correlation coefficient of 500 hPa top elevation shows positive correlation in the mid-latitude Pacific region. Increasing altitude above 500 hPa in the region indicates an increase in typhoons in the C1 community. The region of the La Ni ⁇ a typhoon will move to the northwest Pacific Northwest.
  • the typhoon of the C1 cluster coincides with the region of the La Ni ⁇ a typhoon, so the atmospheric marine factors associated with La Ni ⁇ a It can be seen that is suitable for the prediction of the number of typhoons in the CI cluster.
  • the correlation coefficient between the vertical wind shear and the vertical wind shear at 200 hPa and 850 hPa shows a negative correlation in the area where the typhoon of the C1 cluster passes. In general, the weaker the vertical wind shearer, the more active the typhoon. Thus, it can be seen that the wind shearer is suitable as a typhoon predictor of the C1 community in this region.
  • the correlation coefficient with the 850 hPa relative shows a positive correlation near the typhoon region of the C1 community.
  • the relative vorticity increases, so the relative vorticity is suitable as a predictor of the number of typhoons in the C1 cluster in this region.
  • sea level temperature having a negative correlation in the region of longitude 160 ° E to 100 ° W and latitude 15 0 S to 15 ° N, longitude 140 ° to 160 ° W and latitude 30 ° Positive sea level temperature in the N to 45 ° N region, hardness 120 ° E to 140 o W and latitude 500 hPa altitude altitude 100 ° E in the 35 ° N to 55 ° N region Vertical Wind Shear and Longitude with negative correlation coefficients in the region of 160 ° E and Latitude 25 0 N to 40 ° ⁇ Longitude 130 ⁇ ⁇ to 150 ⁇ ⁇ and Positive Correlation in the region of 20 ⁇ to 30 ° ⁇ Latitude
  • the 850 hPa relative vortex is used as the predictor.
  • FIG. 5 shows a correlation coefficient between the number of typhoons in the C2 cluster and the average value of the CFS ensemble of the NCEP from June to October, 1981 to 2000, and the number of typhoons corresponding to the C2 cluster and the NCEP.
  • Correlation with atmospheric marine factors provided by CFS. (A) is sea level temperature, (b) is 500 hPa elevation, (c) is vertical wind shear (difference between east and west wind fields at 200 hPa and 850 hPa), and (d) is also at 850 hPa relative. The correlation with each is shown.
  • the correlation coefficient with the sea surface temperature shows a positive correlation in the tropical East Pacific region and a negative correlation in the Western Pacific Ocean. This shows variations related to El Ni ⁇ o, which indicate an increase in the typhoon of the C2 community during El Ni ⁇ o.
  • the correlation coefficient of 500 hPa status is negatively correlated in the mid-latitude Pacific region, which also indicates an increase in C2 typhoons as the El Nino-related fluctuations decrease the elevation of the 500 hPa position in the region.
  • the correlation coefficients with vertical wind shearers show negative correlations in the tropical western Pacific and negative correlations in the Pacific Ocean. This pattern is also associated with El Ni ⁇ o.
  • FIG. 6 shows the correlation coefficient between the number of typhoons in the C3 cluster from 1981 to 2000 and the average value of the cfs ensemble of NCEP from June to October, and the number of typhoons corresponding to the C3 cluster and the CFS of the NCEP.
  • Correlation with atmospheric marine factors provided by. (A) is sea level temperature, (b) is 500 hPa altitude, (c) is vertical wind shear (difference between east and west wind fields at 200 hPa and 850 hPa), and (d) is relative to 850 hPa Each correlation is shown.
  • the correlation coefficient with the sea surface temperature shows a positive correlation centered in the tropical Central Pacific region, and a negative correlation in the east coast of Japan. This indicates a change related to the recently known Pacific Rim El Ni ⁇ o, the typhoon of the C3 cluster will increase during the Pacific Rim El Ni ⁇ o period.
  • the correlation coefficient of the 500 hPa status altitude shows a negative correlation in the mid-latitude Pacific region, which also indicates that the typhoon in the C3 community increases when the 500 hPa status altitude decreases in this region due to fluctuations related to Central Pacific El Ni ⁇ o. .
  • Correlation coefficients with vertical wind shearers show negative correlations in the tropical West Pacific, suggesting that weak vertical wind shearers contribute to the increased incidence of typhoons in the C3 community in this region.
  • a correlation coefficient of 850 hPa relative vortex shows a positive correlation in typhoons.
  • an increase in relative vorticity in this region may have an effect on the increase in the occurrence of typhoons in the C3 community.
  • FIG. 7 shows the correlation coefficient between the number of typhoons in the C4 cluster and the average value of the CFS ensemble of NCEP from 1981 to 2000 between June and October, and the number of typhoons corresponding to the C4 cluster and the NCEP.
  • Correlation with atmospheric marine factors provided by CFS. (A) is sea level temperature, (b) is vertical wind shear (difference between east and west wind fields at 200 hPa and 850 hPa), (c) is relative to 850 hPa, and (d) is 50 hPa east and west wind fields Correlation between and.
  • the correlation coefficient with the sea surface temperature shows a negative correlation in the East China Sea.
  • the typhoon activity in the region is weakened, and the typhoon activity is active in the east region of Japan, where the typhoon of the C4 community is relatively active.
  • Correlation coefficients with vertical wind shearers show positive correlations near Taiwan, where the occurrence of typhoons caused by strong vertical wind shearers moves to the eastern part of the Philippine Sea, where typhoons of the C4 cluster occur. It becomes.
  • the correlation coefficient with the 850 hPa relative shows positive correlation in the southeastern region of Japan, where the typhoon of the C4 cluster is active.
  • an increase in relative latencies in this region contributes to an increase in the number of typhoons in the C4 community.
  • the correlation coefficient with the 50 hPa east-west wind field shows a strong negative correlation in the tropical equator.
  • the typhoon of the C4 cluster is closely related to the quasi-two-year vibration, and it is known from past research that when the tropical stratospheric wind is the east wind, the number of typhoons that pass through southeastern Japan like the typhoon of the C4 cluster increases. .
  • FIG. 8 shows the correlation coefficient between the number of typhoons in the C5 cluster from 1981 to 2000 and the average value of the CFS ensemble of NCEP from June to October, and the number of typhoons corresponding to the C5 cluster and NCEP Correlation with atmospheric marine factors provided by CFS.
  • A) of FIG. 8 shows sea level temperature, (b) of 500 hPa elevation, and (c) of correlation with vertical wind shear (difference between east and west wind fields at 200 hPa and 850 hPa).
  • This area includes the area where the typhoon of the C5 community occurs, and the rise of sea level temperature in this area forms a favorable condition for the occurrence of the typhoon of the C5 community.
  • Correlation coefficient with 500 hPa site altitude field Shows a positive correlation in the area near Kamchatka Peninsula. It has a form of propagation of the Rossby wave with the rise of sea level temperature in the subtropical region, which shows that it is closely related to the typhoon of the C5 community.
  • sea level temperature having a positive correlation in the region of longitude 140 ° E to 140 o W and latitude 10 ° N to 30 ° N, longitude 140 ⁇ to 160 ° W and latitude 40 500 hPa position altitude and positive longitude in the region of ° N to 60 ⁇ ⁇ total 3 of vertical wind shearers with negative correlation coefficients in the region of 120 ° E to 140 ° E and 10 ° N to 30 ° N latitude
  • the tropospheric mean east-west wind fields use the average of east-west wind fields of 850 hPa, 500 hPa, and 200 hPa. This causes high pressure rotation in the Philippine Sea region, impeding the occurrence of typhoons in the Philippine Sea and relatively increasing the occurrence of typhoons in the South China Sea. Negative correlations with vertical wind shearers show negative correlations near the Bay of Bengal and in the tropical eastern Pacific. When vertical wind shearers weaken in these regions, the typhoon in the C6 cluster increases. The correlation coefficient with the amount of precipitation water vapor is negatively correlated in the western Pacific. The decrease in the amount of precipitation available water is a deterrent to typhoon activity.
  • the decrease in the amount of precipitation water vapor in the Philippine Sea reduces the number of typhoons in the Philippine Sea, and is closely related to the relative increase in the typhoons in the C6 community in the South China Sea.
  • FIG. 10 shows a correlation coefficient between the number of typhoons in the C7 cluster from 1981 to 2000 and the average value of the CFS ensemble of NCEP from June to October, and the number of typhoons corresponding to the C7 cluster and the NCEP. Correlation with atmospheric marine factors provided by CFS.
  • (A) of FIG. 10 shows the correlation with sea level temperature, (b) and 850 hPa relative.
  • the correlation with the sea surface temperature indicates that there is a positive correlation with the sea surface temperature in the tropical mid-pacific region centered on the western Pacific.
  • the region with a positive correlation coefficient includes the region where the typhoon of the C7 community occurs.
  • the correlation with the 850 hPa east-west wind field shows a negative correlation at 20 degrees north latitude near the Western Pacific and South China. This indicates that the winds in the Dongfeng series in this region contributed to the increase in the number of typhoons going straight east of the C7 community.
  • sea surface temperature and hardness having a positive correlation in the region of 120 ° E to 120 ° W longitude and 25 ° S to 25 ° N latitude
  • positive correlation coefficient at longitude 50 ° ⁇ to 110 ° ⁇ and latitude 30 o S to 5 ° S A total of four components of the east-west wind fields of 850 hPa with negative correlation coefficients at sea level and longitude 95 ° E to 160 ° E and latitude of 15 ° N to 30 ° N are used as predictors.
  • the Poisson regression method is used to predict the number of typhoons for each cluster.
  • the prediction method of the number of typhoons for each cluster using the Poisson regression method is as follows.
  • the number of typhoons for each cluster is predicted by Equation 4 above.
  • the number of predictors used in each cluster is 5 in the CI, C2 and C3 clusters, 4 in the C4, C6 and C7 clusters, and 3 in the C5 clusters.
  • nl, n2, and n3 become 5, respectively, n4, n6, and n7 become 4, and n5 becomes 3.
  • the number of typhoons for each cluster observed up to the previous year of the solution to be predicted and the predictive factors are used, using the least square method of multiple linear regression.
  • Regression coefficients and constants ( a im and a ) that minimize / in (6) can be obtained.
  • statistical processing programs such as Matlab, Microsoft Excel, SPSS, and SAS can be used to easily calculate the regression coefficients and constants.
  • the number of typhoons corresponding to the C1 cluster in 2007, is calculated using the 2007 predictor and the regression coefficients and the constants obtained above.
  • the Jack-Knife cross-validation method was used from 1981 to 2000, which is a prediction factor analysis period. From 1 year to 2006, the typhoon number prediction for each cluster can be performed using the summer typhoon course prediction method according to the present invention to perform comparison verification with the actual typhoon number for each cluster.
  • the typhoon number prediction for each cluster is performed 15 times on the basis of each ensemble member, and then the final predicted value can be produced.
  • 11 is a graph showing observation values of actual typhoon number prediction for each cluster and prediction values from the summer typhoon course prediction method according to the present invention.
  • Each ensemble member shows a big error, but the ensemble mean shows similar variability to the actual observation.
  • the correlation coefficient between the prediction value of each cluster and the 0 real observation value is 0.72 for the C1 cluster, 0.74 for the C2 cluster, 0.77 for the C3 cluster, 0.71 for the C4 cluster, 0.81 for the C4 cluster, 0/72 for the C5 cluster, and C6 for the C6 cluster.
  • the C7 cluster has a value of 0.74 and shows high predictability.
  • summer typhoon course prediction method of the present invention is very suitable for simulating and predicting the number of typhoons for each cluster.
  • Typhoon course distribution probability prediction step (S30) Typhoon course distribution probability prediction step (S30)
  • the summer typhoon course prediction method according to the present invention may further include the typhoon course distribution probability prediction step (S30) after the typhoon number prediction step for each cluster (S20). That is, the summer typhoon course prediction method according to the present invention the number of typhoons by the cluster After the predicting step (S20), the predicted typhoon number for each cluster ( ⁇ /) and the typhoon course distribution probability ((Jon, la f) for each cluster defined by the following mathematical formula) are represented by Equation 8 ] And [Equation 9] are used to predict the distribution of typhoon paths for the year to be predicted. ) May further include a typhoon course distribution probability prediction step (S30).
  • total is the sum of the predicted number of typhoons for each cluster in year j, and means a predicted value of the total number of typhoons in the year to be performed.
  • p > tl on , l at ) is the predicted typhoon course distribution probability for the year (year j), and C is the total number of clusters.
  • the expansion of the typhoon path distribution (except for each cluster) (Pi (fon, lat)) is a value defined to quantitatively express the path distribution of the typhoon in each cluster, and the probability of the typhoon path distribution (Pi (Jon, lat)). ) Is calculated on a lattice of longitude and latitude 1 degrees at spring degrees of 1 to 1 80 degrees longitude and 0 degrees to 45 degrees north latitude.
  • FIG. 12 is a quantitative representation of the distribution of the typhoon of each of the seven clusters, that is, the clusters (except for each cluster: typhoons of each cluster) for each Cl, C2, C3, C4, C5, C6, and C7 clusters.
  • Typhoon course distribution probability (as defined by the value defined for
  • F ( ⁇ lonjat)
  • ⁇ lonjat The value of F ( ⁇ lonjat)) is between 0 and i, and can be used as a basis for predicting hurricane path probability.
  • P J total ⁇ 0n ⁇ at is expressed more simply than the observed hurricane distribution probability, and the variability is relatively small.
  • the cross-validation method uses the predictors and the number of typhoons by clusters for the period 1981 to 2000 to construct a predictive model.
  • Equations 10 to 13 The mean value and standard deviation of the typhoon course distribution predicted by the cross-test method from 1981 to 2000 and the mean value and standard deviation of the observed typhoon course distribution are defined by Equations 10 to 13 below. .
  • the observed typhoon course distribution probability, P on l, are the annual typhoon course probability predicted by the one-year cross-validation method, and m and are respectively
  • the mean and standard deviation of the observed typhoon course distribution expansion up to 2000 and are the mean and standard deviation of the typhoon course distribution probability predicted by the cross-validation method from 1981 to 2000, respectively.
  • This method of prediction can be applied to the prediction after 2 ( ⁇ ) 1 year, can be represented by the following equation (14).
  • Pt 'i on , i at is expressed as a value obtained by removing the mean of the prediction, which indicates how high or low the probability of a typhoon is present in each region than the average year.
  • Equation 14 the predicted typhoon course distribution of the final typhoon course may be made.
  • the left side stone is a deviation of the observed distribution probability of the typhoon
  • the right side figures are prediction results.
  • a region with a value of 15 means that the probability of a typhoon passing through that region is 15% higher than the average year, and overall predicts where the pattern of the typhoon course is going to be higher or lower. Indicates.

Landscapes

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

Abstract

본 발명은 북서태평양에서 여름철 태풍의 진로를 예측하는 방법에 관한 것으로, 북서태평양에서 태풍활동이 활발한 6월부터 10월까지의 태풍의 진로를 7개의 군집으로 나누고, 각각의 군집의 해당하는 태풍의 개수를 예측 한 후, 각각의 군집의 평균 태풍 진로 분포를 7개의 기저로 사용하여 예측하고자 하는 해의 태풍의 진로의 분포를 재구성함으로써 북서태평양 전 지역의 태풍 활동을 예측할 수 있는 방법을 제공한다. 본 발명에 따르면， 북서태평양 전 지역에 대하여 6월부터 10월까지의 태풍의 진로를 가장 정확하게 예측할 수 있도록 하는 효과가 있다.

Description

(un) sejuuenC) e|Bos - ei9L|丄 -2 gg
()counts Lin
Figure imgf000003_0001
Z A900/llOIM¾/13d 6S691-0/IT01 OAV 데 큰 어려움이 있었다.
지금까지 알려 져 있고， 현재 여러 나라에서 이용하고 있는 태풍 활동의 계 절 예측을 위한 방법은 통계적인 방법을 통하여 예측하는 것과 역학 모형을 이용하 여 예측하는 것이 있다.
통계적 방법올 이용한 태풍 활동의 계절 예측은 북서 태평양 전체 또는 동중 국해와 같은 특정 지역에서의 태풍의 활동을 예측하는 수준에 그치고 있으며 북서 태평양 전 지역에서의 태풍 발생부터 소멸까지의 기간을 포함하는 태풍 활동을 통 계적으로 예측하는 기술은 아직까지 개발되지 못했다.
역학 모형을 이용한 방법의 경우 태풍을 모사하기 위해 낮은 분해능의 전구 모형의 자료를 이용하여 태풍 활동을 예측하는 시도가 이루어지고 있으며， 최근 역 학 모델과 컴퓨터 계산 능력의 증대로 전구 모형의 장기 적분을 통한 태풍 활동 예 측 연구가 활발하게 진행되어 왔으며， 전구 모형을 이용하여 태풍 발생 빈도와 생성 위치의 계절 예측 가능성이 제시되고 있다.
그러나， 기존의 방법에 의하면 태풍과 같은 종관 규모의 예측 가능성은 최대
2주 이내로 한정되어 있기 때문에， 전구 모형의 장기 적분을 통한 태풍의 세기, 진 로， 강수량 등에 대한 계절 예측의 정확도는 매우 낮다는 문제점이 있다.
【발명의 상세한 설명】
【기술적 과제】 상술한 문제점을 해결하기 위해 안출된 본 발명의 목적은 6월부터 10월까지 의 태풍의 진로를 예측하기 위해 퍼지 군집 분류를 이용하여 태풍의 진로를 7개의 군집으로 나누고 각각의 군집에 해당하는 태풍의 개수를 예측한 후 태풍의 진로를 재구성하는 방법을 이용함으로써， 최종적으로 북서태평양 전 지역의 여름철 태풍의 군집별 태풍 개수 예측 및 여름철 태풍 진로 예측 방법올 제공하기 위한 것이다. 【과제 해결 수단】
상기한 바와 같은 목적을 달성하기 위한 본 발명의 특징에 따르면, 본 발명 은 컴퓨터를 이용하여 여름철 태풍의 군집별 태풍 개수를 예측하는 방법으로서， (a) 북서 태평양 지역에서 연 단위의 일정기간 동안 관측된 각 태풍에 대한 6 시간 간 격의 태풍 위치 자료를 사용하여 6 시간 태풍위치 사이 거리 (dist)를 하기의 [수학식 1]로 그리고 변환될 태풍위치 자료 간격 (edist)올 하기의 [수학식 2]로 각각 정의한 후 상기 dist와 edist 및 하기의 [수학식 3]을 이용하여 상기 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 같은 거리 간격을 갖는 21개의 동 거리 위치 자료로 상기 각 태풍별로 변환하고， 기 지정된 2개 이상의 군집 개수와 상기 각 태풍에 대한 21 개의 동 거리 위치 자료를 군집분류 프로그램의 입력자료로 사용하여 북서 태평양 지역을 상기 기 지정된 군집 개수의 구역들로 나누고 상기 각 태풍을 상기 구역들 중 상기 21개의 동 거리 위치 자료와 가장 가까운 어느 한 구역에 포함되도록 분류 하는 태풍 진로의 군집 분류 단계; 및 (b) 북서 태평양 지역의 태풍 활동에 영향을 주었고 상기 (a) 단계에서 분류된 각 군집의 태풍 개수에 영향올 미친 6월부터 10월 까지의 대기 /해양 순환장에 관한 예측인자로서， 특정지역의 해수면 온도, 특정지역의 500 hPa (핵토파스칼) 지위고도， 특정지역의 200 hPa과 850hPa의 수평바람장의 차이 를 나타내는 연직바람 시어， 특정지역의 50 hPa의 동서 바람장, 특정지역의 대류권 평균 동서 바람장, 특정지역의 강수 가능 수증기량 및 특정지역의 850 KPa의 동서 바람장을 포함하는 예측인자들 증 2개 이상의 예측인자를 상기 (a) 단계에서 분류된 군집별로 각 군집에 속하는 태풍 개수 ( ᅳ^ ) 예측에 사용되는 예측인자로 추출 하고 하기의 [수학식 4]를 이용하여 각 군집별 태풍 개수를 예측하는 군집별 태풍 개수 예측 단계를 포함하고， 상기 [수학식 4]의
Figure imgf000006_0001
와 "!·,0 는 하기의 [수 학식 5]의 과정을 거치고 하기의 [수학식 6]을 이용하여 f를 최소화 하는 a n 와 αίθ 값인 것을 특징으로 한다. 상기 [수학식 1]은 disti = ^(x M -Xi)2 + (yi+l -yi)2 , for i=l,.",N - 1 (Xi와 .는 i 번째 위치의 경도와 위도를 뜻하며， N은 6시간 태풍 위치 자료의 개수이다)이고, 상 edist =— 1 dist,
기 [수학식 2] 20 " 이며, 상기 [수학식 3]은
XJ = ι , yj = for j-i, xJ = XN , j = yN for
X： = J, +
Figure imgf000006_0002
- dis )
distl
yj = yi + ((y - \)edist - disti
distl for j=2,-'20,
(이때, ( x ，
4
대체용지 (규칙 제 26조) y )는 토쿄 태풍센터에서 제공하는 6시간 간격의 태풍의 위치 (경도, 위도)이고, (
X , _y )는 변환된 태풍의 위치 (경도， 위도)이며， TV은 6시간 간격 태풍의 위 치 자료의 개수이고, /은 i diSti < 0' -
Figure imgf000007_0001
을 만 족하는 양의 정수로 정의 된다)이고， 상기 [수학식 4]는
Figure imgf000007_0002
(이때， y 는 년도 ι'번째 군집 (co에 속하는 태풍의 개수의 예측 값이고, "^ n 은 _년도 Ci 군집의 태풍 개수를 예측 하기 위한 m번째 예측인자이며, η/는 α·군집의 태풍을 예측하기 위한 예측 인자의 개수이고， Ui,m 는 _ /년도 C군집의 태풍 개수 예측을 위한 ATI 번째 예측인자의 회귀 계수이며， "!·,ο 는 j '년도 ·군집의 태풍 개수 예측올 위한 회귀 상수이다)
Figure imgf000007_0003
이고, 상기 [수학식 5]는 Zi ~ ¾ +∑jai,mXi,m 이고, 상기 [수학식 6]은
5
대체용지 (규칙 제 26조)
Figure imgf000008_0001
(상기 [수학식 6]에서 f는 다중 회귀의 최소 자승법을 이용하여 상기 " " 와 " o 값을 구하기 위한 최소 자승법 식이다)이다.
또한， 상기 각 태풍에 대한 6시간 간격의 태풍 위치 자료는， 연 단위인 과거 일정기간 동안의 6월 내지 9월 동안 발생한 총 태풍의 각 태풍별 6시간 간격의 위 치 자료이고， 상기 각 태풍에 대한 21개의 동 거리 위치 자료는 χ*= xl,x2,...,x2l,yl,y2,...,y2l\ tk=i,2,...,K (여기서， 는 번째 태풍에 해당 하는 열백터이며， κ는 총 태풍의 개수이다)의 열백터 형식으로 변환하여 상기 군집 분류 프로그램의 입력자료로 사용되며， 상기 기 지정된 2개 이상의 군집 개수는 Xie and Beni index를 이용한 최적 군집 개수 판별시험을 통해 판별된 7개이고， 상기 군 집분류 프로그램은 fuzzy c-means 군집분류 프로그램으로서 7개의 태풍 진로 군집 들 (C1 내지 C7)로 분류하여 상기 각 태풍을 상기 분류된 C1 내지 C7 군집들 증 상 기 각 태풍에 대한 21개의 동 거리 위치 자료와 가장 가까운 어느 한 군집에 포함 시키되, 상기 C1 군집은 동경 120도 내지 동경 140도와 북위 15도 내지 북위 45도의 범위에 속하고， 상기 C2군집은 동경 125도 내지 동경 160도와 북위 10도 내지 북위 40도의 범위에 속하며， 상기 C3군집은 동경 115도 내지 동경 150도와 북위 10도 내 지 북위 40도의 범위에 속하고, 상기 C4군집은 동경 140도 내지 동경 160도와 북위 15도 내 대체용지 (규칙 제 26조) 지 북위 45도의 범위 에 속하며， 상기 C5 군집은 동경 150도 내지 동경 180도와 북위 15도 내지 북위 45도의 범위 에 속하고, 상기 C6 군집은 동경 100도 내지 동경 120도 와 북위 10도 내지 북위 25도의 범위 에 속하며， 상기 C7 군집은 동경 100도 내지 동 경 150도와 북위 10도 내지 북위 25도의 범 위 에 속하는 것을 특징으로 한다.
또한， 상기 태풍 진로 예측 방법은, 미국 국립 환경 예측 센터 (National Centers for Environmental Prediction: NCEP)의 계절 예측시스템 (Climate Forecast System: CFS)을 통해 예측된 1981년부터 2000년까지 의 6월부터 10월까지 의 대기 /해 양 예측 자료들에 대해 서로 다른 날들을 기 점으로 하여 예측된 상기 대 기 /해양 예 측 자료 값을 평균한 앙상블 평균값과 상기 각 군집 별 태풍 개수와의 상관관계 분 석을 통해 예측인자 설정 지 역 이 결정된 것으로서， 상기 예측인자 중 상기 C1 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경도 160°E 내지 100oW와 위도 15°S 내지 150N 지 역 에서 음의 상관관계를 갖는 해수면 온도， 경도 140°Ε 내지 160°W와 위도 30°N 내지 45°N 지 역 에서 양의 상관관계를 갖는 해수면 온도， 경도 120°E 내 지 140° W와 위도 35°N 내지 55°N 지 역 에서 양의 상관계수를 갖는 500 hPa 지 위 고 도， 경도 100°E 내지 160°E와 위도 25°N 내지 40°N 지 역 에서 음의 상관계수를 갖는 연직 바람 시 어 및 경도 130°E 내지 150°E와 위도 20°Ν30οΝ 지 역 에서 양의 상관계 수를 갖는 850 hPa 상대와도인 총 4개의 예측인자를 사용하고， 상기 예측인자 중 상 기 C2 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경도 160οΕ 내지 100oW와 위도 5°S 내지 5°N 지 역 에서 양의 상관관계를 갖는 해수면 온도， 경도 110°E 내지 150°E와 위 도 50N 내지 20οΝ 지 역 에서 음의 상관관계를 갖는 해수면 온도， 경도 120Έ 내지 140°W와 위도 25°N 내지 50οΝ 지 역 에서 음의 상관계수를 갖는 500 hPa 지위 고도， 경도 120°E 내지 140oW와 위도 25°N 내지 40οΝ 지 역 에서 양의 상관계 수를 갖는 연직 바람 시 어 및 경도 120°Ε 내지 160° W와 위 도 5°Ν 내지 20οΝ 지 역 에서 양의 상관계수를 갖는 850 hPa 상대와도인 총 5개의 예측인자를 사용하며， 상기 예측인자 증 상기 C3 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경 도 140οΕ 내지 100°W와 위 도 20°S 내지 30°N 지 역 에서 양의 상관관계를 갖는 해수면 온도, 경 도 140°E 내지 180°와 위 도 30°N 내지 50οΝ 지 역 에서 음의 상관관계를 갖는 해수 면 온도， 경도 120°Ε 내지 130°W와 위도 30°N 내지 50οΝ 지 역 에서 음의 상관계수 를 갖는 500 hPa 지 위 고도， 경도 100°E 내지 140°W와 위 도 0° 내지 20οΝ 지 역 에서 음의 상관계수를 갖는 연직 바람 시 어 및 경도 120°Ε 내지 160°W와 위도 5°N 내지 20°N 지 역 에서 양의 상관계수를 갖는 850 hPa 상대와도인 총 5개의 예측인자를 사용 하고， 상기 예측인자 중 상기 C4 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경도 120οΕ 내지 140°E와 위도 20°S 내지 35°N 지 역 에서 음의 상관관계를 갖는 해 수면 온도， 경도 120 내지 140°E와 위도 17.5°N 내지 27.50N 지 역 에서 양의 상관 관계를 갖는 연직 바람 시 어， 경도 145°Ε 내지 170°W와 위도 20°N 내지 35°N 지 역 에서 양의 상관계수를 갖는 850 hPa 상대와도 및 경도 0°E 내지 360°E와 위 도 10oS 내지 10°N 지 역 에서 음의 상관계수를 갖는 50 hPa 동서 바람인 총 4개의 예측인자 를 사용하며， 상기 예측인자 중 상기 C5 군집 에 속하는 태풍 개수를 예측하는 예측 인자는 경도 140°E 내지 140° W와 위도 10°N 내지 30°N 지 역 에서 양의 상관관계를 갖는 해수면 온도， 경도 140°E 내지 160°W와 위도 40°N 내지 60°N 지 역 에서 양의 상관관계를 갖는 500hPa 지위 고도 및 경도 120 내지 140 와 위도 10οΝ 내지 30°Ν 지역에서 음의 상관계수를 갖는 연직 바람 시어인 총 3개의 예측인자를 사용 하고， 상기 예측인자 증 상기 C6 군집에 속하는 태풍 개수를 예측하는 예측인자는 경도 110°Ε 내지 140°Ε와 위도 150Ν 내지 35°Ν 지역에서 음의 상관관계를 갖는 해 수면 온도， 경도 90οΕ 내지 180°Ε와 위도 10°S 내지 10°N 지역에서 양의 상관관계 를 갖는 대류권 평균 동서 바람장， 경도 80°E 내지 100°E와 위도 10°N 내지 25°N 지역에서 음의 상관계수를 갖는 연직 바람 시어 및 경도 100°E 내지 170οΕ와 위도 5°Ν 내지 30οΝ 지역에서 음의 상관계수를 갖는 강수 가능 수증기량인 총 4개의 예 측인자를 사용하며， 상기 예측인자 증 상기 C7군집에 속하는 태풍 개수를 예측하는 예측인자는 경도 120οΕ 내지 120°W와 위도 250S 내지 25°N 지역에서 양의 상관관 계를 갖는 해수면 은도， 경도 140°Ε 내지 160oW와 위도 30°N 내지 45°N 지역에서 양의 상관관계를 갖는 해수면 온도， 경도 50οΕ 내지 110°Ε와 위도 30oS 내지 5°S 지역에서 양의 상관계수를 갖는 해수면 온도 및 경도 950E 내지 160οΕ와 위도 15°Ν 내지 30οΝ 지역에서 음의 상관계수를 갖는 850hPa의 동서 바람장인 총 4개의 예측 인자를 사용하는 것을 특징으로 한다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 다른 특징에 따르면， 컴 퓨터를 이용하여 여름철 태풍의 진로를 예측하는 방법으로서， (a) 북서 태평양 지역 에서 연 단위의 일정기간 동안 관측된 각 태풍에 대한 6 시간 간격의 태풍 위치 자 료를 사용하여 6 시간 태풍위치 사이 거리 (dist)를 하기의 [수학식 1]로 그리고 변환 될 태풍위치 자료 간격 (edist)을 하기의 [수학식 2]로 각각 정의한 후 상기 dist와 edist및 하기의 [수학식 3]을 이용하여 상기 각 태풍에 대한 6시간 간격의 태풍 위 치 자료를 같은 거리 간격을 갖는 21개의 동 거리 위치 자료로 상기 각 태풍별로 변환하고， 기 지정된 2개 이상의 군집 개수와 상기 각 태풍에 대한 21개의 동 거리 위치 자료를 군집분류 프로그램의 입력자료로 사용하여 북서 태평양 지역올 상기 기 지정된 군집 개수의 구역들로 나누고 상기 각 태풍이 상기 구역들 증 상기 21개 의 동 거리 위치 자료와 가장 가까운 어느 한 구역에 포함되도록 분류하는 태풍 진 로의 군집 분류 단계; (b) 북서 태평양 지역의 태풍 활동에 영향을 주었고 상기 (a) 단계에서 분류된 각 군집의 태풍 개수에 영향을 미친 6월부터 10월까지의 대기 /해양 순환장에 관한 예측인자로서， 특정지역의 해수면 온도, 특정지역의 500 hPa (핵토파 스칼) 지위고도， 특정지역의 200 hPa과 850hPa의 수평바람장의 차이를 나타내는 연 직바람 시어， 특정지역의 50 hPa의 동서 바람장, 특정지역의 대류권 평균 동서 바람 장， 특정지역의 강수 가능 수증기량 및 특정지역의 850 hPa의 동서 바람장을 포함하 는 예측인자들 중 2개 이상의 예측인자를 상기 (a) 단계에서 분류된 군집별로 각 군 집에 속하는 태풍 개수 ( ·^· ) 예측에 사용되는 예측인자로 추출하고 하기의 [수 학식 4]를 이용하여 각 군집별 태풍 개수를 예측하고， 상기 [수학식 4]의 aim 와 β/,ο 는 하기의 [수학식 5]의 과정을 거치고 하기의 [수학식 6]올 이용하여 f 를 최소화 하는 aim 와 β/,ο 값인 것을 특징으로 하는 군집별 태풍 개수 예측 단
10
대체용지 (규칙 제 26조) 상기 예측된 각 군집별 태풍 개수 ( / )와 하기의 [수학식 기로 정의 되는 군집별 태풍 진로 분포 확률 (
Figure imgf000013_0001
)을 하기의 [수학식 8] 및 [수 학식 9]를 이용하여 예측하고자 하는 해의 태풍 진로 분포 확률 예측값 ( pJt Jon,lat )을 산출하는 태풍 진로 분포 확률 예측 단계를 포함하는 것을 특징으로 한다. 상기 [수학식 1]은 dist, = (χΜ -Xi)2 + (yi+l -y for i=l,-,N - 1 (xi와 y,는 ί· 번째 위치의 경도와 위도를 뜻하며， iV은 6시간 태 edist―— 1 dist,. 풍 위치 자료의 개수이다)이고, 상기 [수학식 2] 2의'' 이 며， 상기 [수학식 3]은 Xj = Xl , j = for i=l, Xj = XN '
j = for j=21,
\)edist一 y M dist,
1
Figure imgf000013_0002
=、 1' yj U ^'+' 1) ((J― ^)edist― dist,
dlSt, X ' ^ 11 for j쒜 ,
(이때， ( x , )는 토쿄 태풍센터에서 제공하는 6시간 간격의 태풍의 위치
(경도， 위도)이고, ( , )는 변환된 태풍의 위치 (경도， 위도)이며, N은 6 시간 간격 태풍의 위치
11
대체용지 (규칙 제 26조) 자료의 개수이고， /은
Figure imgf000014_0001
을 만족 하는 양의 정수로 정의 된다)이고， 상기 [수학식 4]는
Figure imgf000014_0002
J (이때, ᅳ 는 d도 번째 군집 (CO에 속하는 태풍의 개수의 예측 값이고, Λυη 은 년도 α 군집의 태풍 개수를 예측 하기 위한 m번째 예측인자이며, η α군집의 태풍올 예측하기 위한 예측 인자의 개수이고, ui,m 는 _ /년도 α'군집의 태풍 개수 예측을 위한 m 번째 예측인자의 회귀 계수이며， ",，0 는 _년도 C/군집의 태풍 개수 예측을 위한 회귀 상수이다) let, zj =\ni j) 이고， 상기 [수학식 5]는 Z'' ~ ', +∑ai,mXi,m 이고, 상기 [수학식 6]은
Figure imgf000014_0003
(상기 [수학식 6]에서 f는 다증 선형 회귀의 최소 자승법을 이용하여 상기 a n 와 αίθ 값을 구하기 위한 최소 자승
12
대체용지 규칙 제 26조 법 식이다)이며， 상기 [수학식 기은 경도 /0«,위도 /at에서반경 5도안에존재하는 /번째군집의태풍의개수 j;.(/o«,/at) =
ί·번째군집의태풍의총개수 이고, 상기 [수학식 8]은
Figure imgf000015_0001
(이때, total 은 j 년도의 예측된 각 군집별 태풍 개수의 합으로서 예측 하고자 하는 해의 태풍의 총 발생 개수의 예 측값이다)이며 [수학식
Figure imgf000015_0002
(이때, p Alon,lat) 은 예측하고자 하는 해 (j 년도)의 태풍 진로 분포 확률 값이고， C는 총 군집의 개수이 다)이다.
【발명의 효과】
이상 살펴본 바와 같은 본 발명에 따르면, 북서태평양 전 지역에 대하여 6월 부터 10월까지의 태풍의 진로를 가장 정확하게 예측할 수 있도록 하는 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법을 제공할 수 있다.
【도면의 간단한 설명】
도 1은 본 발명의 바람직한 실시예에 의한 여름철 태풍 진로 예측 방법을 나 타낸 순서도이다.
도 2는 4개의 태풍에 대하여 위의 식을 이용하여 6시간 태풍 위치 사이의 거 리 (dist)에 관한 6시간 태풍 위치 자료롤 태풍 위치 자료 간격 (edist)에 관한 21개의
대체용지 (규칙 제 26조) 태풍 위치 자료로 변환한 예시도이다.
도 3은 Fuzzy c-means 군집 분류 방법을 이용하여 분류된 7개의 태풍 진로 군집에 대한 예시도이다.
도 4 내지 도 10은 각각 C1 내지 C7 군집에 해당하는 태풍의 개수와 NCEP 의 CFS에서 제공하는 대기 해양 인자와의 상관관계를 나타내는 예시도이다.
도 11은 각 군집별 태풍 개수 예측 검증에 관한 그래프이다.
도 12는 각 군집별 태풍 진로 분포 확률을 나타내는 예시도이다.
도 13은 태풍 진로 예측을 나타내는 예시도이다.
도 14는 태풍 자료의 변환 방법에 대한 이해를 돕기 위한 설명도로서， 4 개 의 위치 자료를 새로운 5개의 등간격 위치 자료로 변환하는 과정에 대한 참고 설명 도이다.
[발명의 실시를 위한 최선의 형태】
본 발명의 이점 및 특징ᅳ 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며， 단지 본 실시예들은 본 발명의 개시가 완전 하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식올 가진 자에게 발명의 범 주를 완전하게 알려주기 위해 제공되는 것이며， 본 발명은 청구항의 범주에 의해 정 의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 이하， 본 발명의 실시예들에 의하여 여름철 태풍 진로 예측 방법을 설명하기 위한 도면들을 참고하여 본 발명에 대해 설명하도록 한다.
도 1은 본 발명의 바람직한 실시예에 의한 여름철 태풍 진로 예측 방법을 나 타낸 순서도이다.
본 발명에 의한 여름철 태풍 진로 예측 방법은 대풍 진로의 군집 분류 단계
(S10)와 군집별 태풍 개수 예측 단계 (S20)를 포함한다.
이때, 상기 군집별 태풍 개수 예측 단계 (S20) 이후에 태풍 진로 분포 확률 예측 단계 (S30)를 더 포함할 수 있다.
본 발명의 바람직한 실시예에 따른 여름철 태풍 진로 예측 방법은 컴퓨터를 이용하여 여름철 태풍의 진로를 예측하는 방법으로서 상기 태풍 진로의 군집 분류 단계 (S10)와 군집별 태풍 개수 예측 단계 (S20)을 포함한다.
이때， 상기 태풍 진로의 군집 분류 단계 (S10)는 북서 태평양 지역에서 연 단 위의 일정기간 동안 관측된 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 사용 하여 6 시간 태풍위치 사이 거리 (dist)를 하기의 [수학식 1]로 그리고 변환될 태풍위 치 자료 간격 (edist)을 하기의 [수학식 2]로 각각 정의한 후 상기 dist와 edist 및 하 기의 [수학식 3]을 이용하여 상기 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 같은 거리 간격을 갖는 21개의 동 거리 위치 자료로 상기 각 태풍별로 변환하고， 기 지정된 2개 이상의 군집 개수와 상기 각 태풍에 대한 21개의 동 거리 위치 자료를 군집분류 프로그램의 입력자료로 사용하여 북서 태평양 지역을 상기 기 지정된 군 집 개수의 구역들로 나누고 상기 각 태풍을 상기 구역들 중 상기 21개의 동 거리 위치 자료와 가장 가까운 어느 한 구역에 포함되도록 분류하는 태풍 진로의 군집 분류 단계이다.
[수학식 1] dist, = ^ (xi+l - Xi)2 + {yM -yt) for i=l,'",N - 이때, xi와 y/는 i 번째 위치의 경도와 위도를 뜻하며， N은 6시간 태풍 위치 자료의 개수이다.
[수학식 2] edist dist;
Figure imgf000018_0001
[수학식 3]
XJ = ι ， j = i for
for j=21
X ' =x, + ᅳᅳ― (( ― l)edist一 Υ/-1 disti
J 1 distl J ^i=1 l' y j = + kj― 1)edist -∑:=ᅳ： disti for j=
2,-20, 상기 [수학식 3]에서， ( X ， ^ )는 토코 태풍센터에서 제공하는 6시간 간격의 태풍의 위치 (경도， 위도)이며, ( ^ , ^ )는 변환된 태풍의 위치 (경도，
10.
대체용지 (규칙 제 26조) 위도)이다. N은 6시간 간격 태풍의 위치 자료의 개수이며， /은
Figure imgf000019_0001
< (;'
- Dxedist
Figure imgf000019_0002
을 만족하는 양의 정수로 정의된다.
이때， 상기 [수학식 3]은 다음 [수학식 3-1]과 같이 표시될 수 있으며， 하기의 M은 새로운 위치 자료의 개수， 즉 21이 된다.
[수학식 3-1]
¾ = ι ， ¾ = ^i for >
Figure imgf000019_0003
Xj = xt + - ((y - \)edist - : disti
distl yj = +
Figure imgf000019_0004
도 14는 앞에서 제시한 태풍 자료의 변환 방법에 대한 이해를 돕기 위한 것 으로서， 4 개의 위치 자료를 새로운 5개의 등간격 위치 자료로 변환하는 과정에 대 한 참고 설명도이다.
도 14는 4개의 위치 자료 ( , X2, ¾， ¾)를 새로운 5개의 등간격 위치 자료 (Xne Xnew 2, Xnew 3) Xnew 4, Xnew 5)로 변환하는 과정을 보여 주고 있으며, 여기서 위치 를 나타내는 X는 (X, y)의 좌표를 갖는 2차원 백터이다. 4개의 위치 자료를 직선으 로 연결한 선을 따라서 같은 간격을 갖는 새로운 위치 자료를 만들고 있다. 그림 아
17
대체용지 (규칙 제 26조) 래의 수식은 새로운 [수학식 3]에 따라 새로운 좌표가 계산되는 과정을 보여 주고 있다. 여기서 [수학식 3]의 N은 4, M은 5가 될 것이다.
또한， 상기 군집별 태풍 개수 예측 단계 (S20)는 북서 태평양 지역의 태풍 활 동에 영향을 주었고 상기 태풍 진로의 군집 분류 단계 (S10)에서 분류된 각 군집의 태풍 개수에 영향을 미친 6월부터 10월까지의 대기 /해양 순환장에 관한 예측인자로 서, 특정지역의 해수면 온도， 특정지역의 500 hPa (핵토파스칼) 지위고도， 특정지역의 200 hPa과 850hPa의 수평바람장의 차이를 나타내는 연직바람 시어, 특정지역의 50 hPa의 동서 바람장, 특정지역의 대류권 평균 동서 바람장， 특정지역의 강수 가능 수 증기량 및 특정지역의 850 hPa의 동서 바람장을 포함하는 예측인자들 증 2개 이상 의 예측인자를 상기 (a) 단계에서 분류된 군집별로 각 군집에 속하는 태풍 개수 ( yi ) 예측에 사용되는 예측인자로 추출하고 하기의 [수학식 4]를 이용하여 각 군집별 태풍 개수를 예측하는 단계로서, 상기 [수학식 4]의 aim 와 αίθ 는 하기의 [수학식 5]의 과정을 거치고 하기의 [수학식 6]을 이용하여 f를 최소화 하는 값이 된다.
[수학식 4]
Figure imgf000020_0001
IS
대체용지 (규칙 제 26조) 는 _ /년도 /번째 군집 (α)에 속하는 태풍의 개수의 예측 값이고， 은 년도 ·군집의 태풍 개수를 예측하기 위한 m번째 예측인자이며, Π,는 c!'군집의 태풍올 예측하기 위한 예측 인자의 개수이고， "i'm 는 /년도 의 태풍 개수 예측올 위한 m 번째 예측인자의 회귀 계수이며, "''，0 는ᅳ /년도 Ci 군집의 태풍 개수 예측을위한 회귀 상수이다.
[수학식 5]
Figure imgf000021_0001
[수학식 6]
Figure imgf000021_0002
이때, 상기 각 태풍에 대한 6시간 간격의 태풍 위치 자료는， 연 단위인 과거 일정 기간 동안의 6월 내지 9월 동안 발생한 총 태풍의 각 태풍별 6시간 간격의 위 치 자료이고， 상기 각 태풍에 대한 21개의 동 거리 위치 자료는
19
대체용지 (규칙 제 26조) [xl,x2,...,x2l)yl,y2,...,y2l k=l2 κ (여기서, x*는 /c번째 태풍에 해당 하는 열백터이며， κ는 총 태풍의 개수이다)의 열백터 형식으로 변환하여 상기 군집 분류 프로그램의 입력자료로사용되며， 상기 기 지정된 2개 이상의 군집 개수는 Xie and Beni index를 이용한 최적 군집 개수 판별시험을 통해 판별된 7개이고， 상기 군 집분류 프로그램은 fuzzy c-means 군집 분류 프로그램으로서 7개의 태풍 진로 군집 들 (C1 군집 내지 C7 군집)로 분류하여 상기 각 태풍을 상기 분류된 C1 군집 내지 C7 군집들 중 상기 각 태풍에 대한 21개의 동 거리 위치 자료와 가장 가까운 어느 한군집에 포함시키되， 상기 C1 군집은 동경 120도 내지 동경 140도와 북위 15도 내 지 북위 45도의 범위에 속하고， 상기 C2군집은 동경 125도 내지 동경 160도와 북위 10도 내지 북위 40도의 범위에 속하며, 상기 C3군집은 동경 115도 내지 동경 150도 와북위 10도 내지 북위 40도의 범위에 속하고， 상기 C4군집은 동경 140도 내지 동 경 160도와 북위 15도 내지 북위 45도의 범위에 속하며, 상기 C5군집은 동경 150도 내지 동경 180도와 북위 15도 내지 북위 45도의 범위에 속하고, 상기 C6 군집은 동 경 100도 내지 동경 120도와 북위 10도 내지 북위 25도의 범위에 속하며, 상기 C7 군집은 동경 100도 내지 동경 150도와 북위 10도 내지 북위 25도의 범위에 속할 수 있다.
이하는 상기 태풍 진로의 군집 분류 단계 (S10)에 관하여 보다 구체적으로 설명하기로 한다.
태풍 진로의 ^집 분류 단계 (S10)
우선 통계학적 군집 분류 방법을 이용하여 태풍 진로를 여러 개의 군집으로
20
대체용지 (규칙 제 26조) 분류한다.
이때， 각각의 태풍 진로 군집은 최종 태풍 진로 예측에 있어 기저 (basis)로 사용된다.
또한， 태풍 진로의 군집 분류를 위해서 북서 태평양 지역에서 연 단위의 일 정 기간 동안 관측된 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 사용한다. 이때, 상기 북서 태평양 지역에서 연 단위의 일정 기간 동안 관측된 각 태풍 은 도코 태풍 센터에서 제공하는 1965년부터 2006년까지의 6월내지 9월 동안 발생 한 총 855개의 태풍이 사용될 수 있다.
즉， 태풍 진로의 군집 분류를 위해서 도코 태풍 센터에서 제공하는 1965년부 터 2006년까지의 6월내지 9월 동안 발생한 총 855개의 태풍의 6시간 간격의 위치 자료를 사용한다.
이때， 도코 태풍 센터에서 제공하는 6시간 태풍 위치 자료의 경우에는 각각 의 태풍마다 위치 자료의 개수가 다르다.
따라서， 통계학적 군집 분류 방법을 이용하기 위해서는 모든 태풍은 같은 개 수의 위치 자료를 가지고 있어야 하므로， 다음의 방법을 이용하여 모든 태풍의 위치 자료를 같은 거리 간격을 갖는 21개의 위치 자료로 변환하였다.
우선 6시간 태풍 위치 사이의 거리 (dist)는 상기 [수학식 1]로 그리고 변환될 태풍 위치 자료 간격 (edist)을 하기의 [수학식 2]로 각각 정의할 수 있다.
이렇게 정의된 dist와 ecfci와 상기 [수학식 3]을 이용하여 6시간 간격의 태풍 위치 자료를 같은 거리 간격을 갖는 21개의 위치 자료로 변환한다. 도 2는 4개의 태풍에 대하여 위의 식을 이용하여 6시간 태풍 위치 사이의 거 리 (dist)에 관한 6시간 태풍 위치 자료를 태풍 위치 자료 간격 (edist)에 관한 21개의 태풍 위치 자료로 변환한 예시도이다.
도 2에서 회색 원으로 표시된 것이 상기 6시간 태풍 위치 자료이며 검은 점 으로 표시된 것이 변환된 상기 태풍 위치 자료이다.
도 2에서 나타난 바와 같이, 변환된 상기 태풍 위치 자료가 실제 태풍의 진 로를 적절히 잘표현하고 있음올 확인할수 있다.
상기와 같이 북서 태평양 지역에서 연 단위의 일정 기간 동안 관측된 각 태 풍에 대한 태풍 위치 자료， 구체적으로는 상기 총 855개 각각의 태풍 위치 자료에 대한 상기 21개의 태풍 위치 자료를 Fuzzy c-means 군집 분류 (퍼지 군집 분류) 방 법의 입력 자료로 사용한다.
이때， 상기 퍼지 군집 분류 프로그램의 입력 자료로 사용하기 위해서 상기 각 태풍에 대한 상기 변환된 21개의 태풍 위치 자료를 xl,x2,...yx2l,yl,y2,...,y2l\ ^ι,2,„.,κ (이때, 는 /c번째 태풍에 해당하 는 열백터이며， κ는 총 태풍의 개수이다. 즉， 총 855개의 태풍을 사용하는 경우 κ는
855가 된다)
이때, 통계학적 군집 분류 방법으로는, Fuzzy c-means 군집 분류 방법, k-means 군집 분류 방법 및 계측적 군집 분류 방법 등 다양한 방법들이 존재한다. 특히, 상기 Fuzzy c-means 군집 분류 방법에 관하여는 저서 "Bezdek, J. C,
22
대체용지 (규칙 제 26조) 1981: Pattern Recognition with Fuzzy Objective Function Algorithms. Kluwer Academic Publishers, 256 pp."에 상세히 서술되어 있으며， 현재 포트란 (Fortran) 컴 파일러 또는 매트랩 (Matlab) 소프트웨어 등에서 상기 Fuzzy c-means 분류를 수행 할 수 있는 다양한 컴퓨터 프로그램이 개발 제공되고 있다.
상기 X* (상기 총 태풍 각각에 대한 열백터)를 입력 자료로 사용하여 상기 Fuzzy c-means 군집 분류 프로그램을 수행한다.
이때, 상기 Fuzzy c-means 군집 분류 프로그램을 수행하기 이전에 군집 개 수를 정해 주어야 한다.
상기 군집 개수는 2개 이상으로 지정되어야 하되, 본 발명에 의한 여름철 태 풍 진로 예측 방법을 사용하는 사용자가 임의로 결정하여 정할 수 있다.
이때, Xie and Beni Index를 이용한 최적 군집 개수 판별 시험을 시행하여 상기 군집의 개수를 정할 수 있으며， 상기 Xie and Beni Index를 이용한 군집 개수 판별 시험 결과, 북서 태평양 지역에 대한 태풍의 진로는 7개의 군집으로 분류한다. 상기 Xie and Beni Index에 관하여는 저서 "Abonyi, J, and B. Feil, 2007： Cluster Analysis for Data Mining and System Identification. Birkhauser Basel, 303pp."에 상세히 서술되어 있다.
상기 Fuzzy c-means 군집 분류 프로그램의 결과물로서 7개의 군집의 증심 과 각각의 태풍의 진로가 상기 7개의 군집의 중심과 얼마나 가까이 존재하는지를 알려주는 소속도가 산출되며， 최종적으로 각각의 태풍은 가장 가까운 군집 증심을 갖고 있는, 즉 상기 소속도가 가장 높은 군집에 속하게 된다. 도 3은 Fuzzy c— means 군집 분류 방법을 이용하여 분류된 7개의 태풍 진로 군집 (CI, C2, C3, C4, C5, C6, C7)으로 분류된 각 태풍의 진로를 나타낸다.
도 3에 나타난 바와 같이 상기 각 군집은 각 태풍의 진로 형태에 따라 적절 히 잘 분류되어 있음을 확인할 수 있다.
다음은， 상기 군집별 태풍 개수 예측 단계 (S20)에 관하여 보다 구체적으로 설명하기로 한다.
군집별 태풍 개수 예측 단계 (S20)
상기 군집별 태풍 개수 예측 단계 (S20)에서는 상기 태풍 진로의 군집 분류 단계 (S10)에서 분류된 각각의 군집 (즉， CI, C2, C3, C4, C5, C6, C7 군집)의 태풍 활 동과 관련된 대기 해양 순환장을 예측인자로 사용하여 각각의 군집의 태풍의 개수 를 예측하는 모델을 구축하고, 각 태풍 진로의 군집 유형과 관련된 대기 순환장의 변동성을 이용한 통계 모델을 구성하였다.
태풍의 진로는 과거 여러 과학자들의 연구에 의해서 대기 및 해양 순환장과 밀접한 관련을 가지고 있음이 밝혀져 있다.
특히， 북서 태영양 지역에서의 6월 내지 10월 사이의 태풍의 활동은， 앞선 1 월 내지 5월까지의 대기 및 해양 순환장 보다 태풍 활동과 같은 기간인 6월부터 10 월까지의 대기 및 해양 순환장과의 관련성이 더 높게 나타난다. 따라서， 각각의 군 집에 대한 태풍 개수의 예측인자로서 수 개월 전에 역학 모델로부터 예측된 6월부 터 10월까지의 대기 및 해양 순환장 자료를 사용하는 것이 바람직하다.
또한， 각각의 군집에 대한 태풍 개수의 예측인자로서 수 개월 전에 역학 모 델로부터 예측된 6월부터 10월까지의 대기 및 해양 순환장 자료를 사용함으로써， 5 월 이전에 태풍 주 활동 기간인 6월부터 10월까지의 대기 및 해양의 상태를 예측할 수 있으므로， 이를 이용하여 6월부터 10월 동안 발생한 각각의 군집별 태풍 개수 예 측을 위한 모델을 제시하도록 한다.
본 발명에서 사용한 6월부터 10월까지의 대기 및 해양 예측 자료는 미국 국립 환경 예측 센터 (National Centers for Environmental Prediction: NCEP)의 계절 예 측시스템 (Climate Forecast System: CFS)을 통해 예측된 6월부터 10월까지의 대기 해양의 자료를 사용하였다.
상기 NCEP의 CFS에 의한 계절 예측은 매월 1일， 2일， 3일， 9일， 10일， 11일， 12일， 13일， 19일， 20일， 21일, 22일， 23일， 30일， 31일 (또는 29일) 을 기점으로 예측 하여 이후 9개월간의 대기와 해양의 상태를 예측하여 웹사이트에 공개하고 있다. 상기 NCEP의 CFS에 의한 자료는 1981년부터 존재하기에 본 발명에서 예측 모델을 위한 분석 기간은 1981년 이후로 한정한다.
역학 모델을 이용한 계절 예측은 시작하는 날에 따라 최종 예측 값이 조금씩 달라지기 때문에 여러 날을 시작점으로 예측된 결과를 평균하여 사용하여야 그 예 측성이 좋아지게 된다. 참고로 서로 다른 날들을 기점으로 하여 예측된 값을 평균한 것을 앙상블 평균이라 부른다.
6월부터 10월까지의 각 군집별 태풍 개수를 미리 예측하기 위하여， 그 이전 인 4월 9일부터 5월 3일을 기점으로 예측한 총 15개의 예측 자료를 이용한다.
각 군집별 예측 인자는 1981년부터 2000년까지 상기 NCEP의 CFS에 의한 예측 시스템으로부터 예측된 대기 및 해양 인자의 6월부테 0월의 앙상블 평균값과 각 군집별 태풍 개수와의 상관계수 분석을 통해 예측 인자 설정 지역이 결정된다. 최종 선택된 예측인자는 유의수준 분석을 통하여 설정된 지역 내에서 신뢰도 95%이상 유의미한 지역을 평균하여 사용하며 만약 유의미한 지역이 없는 경우 설정 한 예측 인자 지역에서 가장 높은 상관성을 갖는 곳의 값을 예측인자로 사용한다. 각 군집별 예측 인자에 대한 자세한 설명은 다음과 같다.
도 4는 1981년부터 2000년까지 6월부터 10월까지의 C1군집의 태풍의 개수와 NCEP의 CFS 앙상블 평균값과의 상관계수를 나타낸 것으로서， 상기 C1 군집에 해 당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 4의 (a)는 해수면 온도， (b)는 500 hPa지위고도， (c)는 연직 바람 시어 (200 hPa과 850 hPa에서의 동서 바람장의 차이)， (d)는 850 hPa상대와도와의 상관 관계를 각각 나타낸다.
도 4를 참조하면， 해수면 온도와의 상관 계수는 열대 동태평양 지역에서 음 의 상관관계가 나타나며 일본 동쪽 해역에서는 양의 상관관계가 나타난다. 이는 라 니냐와 관련된 변동을 나타내고 있는데 라니냐 시기 상기 C1 군집의 태풍이 증가함 을 나타낸다.500 hPa지위고도의 상관계수를 보면 중위도 태평양 지역에서 양의 상 관관계가 나타나는데 이 역시 라니냐와 관련된 변동으로 이 지역의 500 hPa 의 지 위고도장이 증가하면 상기 C1 군집의 태풍이 증가함을 나타낸다. 라니냐 시기 태풍 의 발생지역이 북서 태평양 서북쪽으로 이동하게 되는데 상기 C1 군집의 태풍은 이 러한 라니냐 시기 태풍의 발생 지역과 일치하므로 라니냐와 관련된 대기 해양 인자 가 상기 CI 군집의 태풍 개수 예측에 적합함을 알 수 있다. 200 hPa과 850 hPa의 수평 바람장의 차이를 나타내는 연직 바람 시어와의 상관계수를 보면 상기 C1 군집 의 태풍이 지나가는 지역에서 음의 상관관계를 보이고 있다. 보통 연직 바람 시어가 약할수록 태풍의 활동이 활발하므로 이 지역에서 바람 시어는 상기 C1 군집의 태풍 예측인자로서 적합함을 알 수 있다. 850 hPa 상대와도와의 상관계수를 보면 상기 C1 군집의 태풍 발생 지역 근처에서 양의 상관관계가 나타난다. 보통 상대와도가 증 가하면 태풍의 발생이 증가하므로 이 지역에서 상대와도가 상기 C1 군집의 태풍 개 수 예측 인자로 적합하다.
따라서， 상기 C1 군집에 속하는 태풍을 예측하기 위해 경도 160°E 내지 100°W와 위도 150S 내지 15°N 지역에서 음의 상관관계를 갖는 해수면 온도， 경도 140Έ 내지 160°W와 위도 30°N 내지 45°N 지역에서 양의 상관관계를 갖는 해수면 온도， 경도 120°E 내지 140oW와 위도 35°N 내지 55°N 지역에서 양의 상관계수를 갖는 500 hPa 지위 고도， 경도 100°E 내지 160°E와 위도 250N 내지 40°Ν 지역에서 음의 상관계수를 갖는 연직 바람 시어 및 경도 130οΕ내지 150οΕ와 위도 20οΝ 내지 30°Ν지역에서 양의 상관계수를 갖는 850 hPa상대와도를 예측인자로 사용한다. 도 5는 1981년부터 2000년까지 6월부터 10월까지의 상기 C2 군집의 태풍의 개수와 상기 NCEP의 CFS 앙상블 평균값과의 상관계수를 나타낸 것으로서， 상기 C2군집에 해당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 4의 (a)는 해수면 온도， (b)는 500 hPa지위고도， (c)는 연 직바람시어 (200 hPa과 850 hPa에서의 동서 바람장의 차이)， (d)는 850 hPa상대와도 와의 상관관계를 각각 나타낸다.
도 5를 참고하면， 해수면 온도와의 상관계수를 보면 열대 동태평양 지역에서 양의 상관관계가 나타나며 서태평양에서는 음의 상관관계가 나타난다. 이는 엘니뇨 와 관련된 변동을 나타내고 있는데 엘니뇨 시기 상기 C2 군집의 태풍이 중가함올 나타낸다. 500 hPa 지위고도의 상관계수를 보면 중위도 태평양 지역에서 음의 상관 관계가 나타나는데 이 역시 엘니뇨와 관련된 변동으로 이 지역의 500 hPa 의 지위 고도장이 감소하면 C2 태풍이 증가함을 나타낸다. 연직 바람 시어와의 상관계수를 보면 열대 서태평양에서는 음의 상관관계， 증위도 태평양 지역에서는 음의 상관관계 를 보이고 있다. 이러한 패턴 역시 엘니뇨 현상과 관련되어 있다. 보통 엘니뇨 시기 태풍의 발생 지역이 북서 태평양 동남쪽으로 이동하게 되는데 상기 C2 군집의 태풍 은 이러한 엘니뇨시기 태풍의 발생 지역과 일치한다. 850 hPa 상대와도와의 상관계 수를 보면 상기 C2 군집의 태풍 발생 지역 근처에서 높은 양의 상관관계가 나타난 다ᅳ 이 지역에서 상대와도가 중가하면 태풍 발생의 호조건이 형성되어 상기 C2 군집 의 태풍의 발생이 증가하게 된다.
따라서, 상기 C2 군집에 속하는 태풍을 예측하기 위해, 경도 160οΕ 내지 100°W와 위도 50S 내지 5°N 지역에서 양의 상관관계를 갖는 해수면 온도， 경도 110Έ 내지 150°E와 위도 5°N 내지 20οΝ 지역에서 음의 상관관계를 갖는 해수면 온도， 경도 120°Ε 내지 140°W와 위도 25°N 내지 50°N 지역에서 음의 상관계수를 갖는 500 hPa지위 고도， 경도 120Έ내지 140° W와 위도 25°N 내지 40°N 지역에서 양의 상관계수를 갖는 연직 바람 시어 및 경도 120°E 내지 160oW와 위도 50N 내지 20°N 지역에서 양의 상관계수를 갖는 850 hPa 상대와도의 총 5개의 요소를 예측인 자로 사용한다.
도 6은 1981년부터 2000년까지 6월부터 10월까지의 상기 C3 군집의 태풍의 개수와 NCEP의 cfs 앙상블 평균값과의 상관계수를 나타낸 것으로서， 상기 C3 군집 에 해당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 6의 (a)는 해수면 온도， (b)는 500 hPa 지위고도， (c)는 연직 바 람 시어 (200 hPa과 850 hPa에서의 동서 바람장의 차이)， (d)는 850 hPa 상대와도의 상관관계를 각각 나타낸다.
도 6올 참고하면， 해수면 온도와의 상관 계수를 보면 열대 중태평양 지역에 중심을 두고 양의 상관관계가 나타나며 일본 동쪽 해역에서는 음의 상관관계가 나 타난다. 이는 최근 알려진 중태평양 엘니뇨와 관련된 변동을 나타내고 있는데 중태 평양 엘니뇨 시기에 상기 C3 군집의 태풍이 증가하게 된다. 500 hPa 지위고도의 상 관계수를 보면 중위도 태평양 지역에서 음의 상관관계가 나타나는데 이 역시 중태 평양 엘니뇨와 관련된 변동으로 이 지역의 500 hPa의 지위고도장이 감소하면 상기 C3군집의 태풍이 증가함을 나타낸다. 연직 바람 시어와의 상관계수를 보면 열대 서 태평양에서는 음의 상관관계를 보여 주고 있는데 이는 이 지역에서 약한 연직 바람 시어가 상기 C3 군집의 태풍 발생 증가에 기여하고 있음을 나타낸다. 850 hPa상대 와도와의 상관계수를 보면 태풍 발생 지역에서 양의 상관관계가 나타난다. 즉 이 지 역에서 상대와도가 증가하면 상기 C3 군집의 태풍 발생의 증가에 영향을 미침을 나 타낸다 따라서， 상기 C3 군집에 속하는 태풍을 예측하기 위해， 경도 140οΕ 내지 100oW와 위도 20oS 내지 30°N 지역에서 양의 상관관계를 갖는 해수면 온도， 경도 140Έ 내지 180°와 위도 30°N 내지 50°N지역에서 음의 상관관계를 갖는 해수면 온 도， 경도 120°E 내지 130oW와 위도 30οΝ 내지 50°Ν 지역에서 음의 상관계수를 갖 는 500 hPa 지위 고도， 경도 100°E 내지 140°W와 위도 0° 내지 20°N 지역에서 음 의 상관계수를 갖는 연직 바람 시어 및 경도 120°E 내지 160°W와 위도 5°N 내지 20°N 지역에서 양의 상관계수를 갖는 850 hPa 상대와도의 총 5개의 예측인자를 사 용한다.
도 7은 1981년부터 2000년까지 6월부터 10월까지의 상기 C4 군집의 태풍의 개수와 NCEP의 CFS 앙상블 평균값과의 상관계수를 나타낸 것으로서， 상기 C4 군 집에 해당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 7의 (a)는 해수면 온도， (b)는 연직바람시어 (200 hPa과 850 hPa 에서의 동서 바람장의 차이)， (c)는 850 hPa 상대와도， (d)는 50 hPa 동서 바람장과 의 상관관계를 각각 나타낸다.
도 7을 참고하면， 해수면 온도와의 상관 계수를 보면 동중국해에서 음의 상 관관계가 보인다. 즉, 동중국해의 해수면 온도가 낮으면 그 지역에서의 태풍 활동이 약해 지고 상대적으로 상기 C4군집의 태풍이 활동하는 지역인 일본 동쪽 지역에서 태풍 활동이 활발해 지게 된다. 연직 바람 시어와의 상관계수를 보면 대만 근처에서 양 상관관계를 보여 주고 있는데 이는 이 지역에서 강한 연직 바람 시어에 의해 태 풍의 발생이 상기 C4 군집의 태풍이 주로 발생하는 필리핀해 동쪽지역으로 이동하 게 된다. 850 hPa상대와도와의 상관계수를 보면 상기 C4 군집의 태풍이 주로 활동 하는 일본 동남쪽 해역에서 양의 상관관계가 나타난다. 즉 이 지역에서 상대와도의 증가는 상기 C4 군집의 태풍 개수 증가에 기여한다. 50 hPa 동서 바람장과의 상관 계수를 보면 열대 적도 지역에서 강한 음의 상관관계를 보여 주고 있다. 상기 C4 군 집의 태풍은 성층권 준 2년 진동과 밀접하게 관련되어 있어， 열대 성층권 바람이 동 풍일 때 상기 C4 군집의 태풍처럼 일본 동남쪽 해역을 지나는 태풍이 증가한다는 것은 과거 연구에 의해 이미 알려진 사실이다.
따라서， 상기 C4 군집에 속하는 태풍을 예측하기 위해, 경도 120°E 내지 140οΕ와 위도 20oS 내지 350N 지역에서 음의 상관관계를 갖는 해수면 온도， 경도 120Έ 내지 140°Ε와 위도 17.50Ν 내지 27.5°Ν 지역에서 양의 상관관계를 갖는 연직 바람 시어， 경도 145°Ε 내지 170oW와 위도 20°N 내지 350N 지역에서 양의 상관계 수를 갖는 850 hPa 상대와도, 경도 0°E 내지 360Έ와 위도 10°S 내지 10°N 지역에 서 음의 상관계수를 갖는 50 hPa동서 바람의 총 4개의 예측인자를 사용한다.
도 8은 1981년부터 2000년까지 6월부터 10월까지의 상기 C5 군집의 태풍의 개수와 NCEP의 CFS 앙상블 평균값과의 상관계수를 나타낸 것으로서, 상기 C5 군 집에 해당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 8의 (a)는 해수면 온도, (b)는 500 hPa지위고도， (c)는 연직 바 람 시어 (200 hPa과 850 hPa에서의 동서 바람장의 차이)와의 상관관계를 각각 나타 낸다.
도 8을 참고하면， 해수면 온도와의 상관계수를 보면 아열대 중태평양에서 양 의 상관관계가 보인다. 이 지역은 상기 C5군집의 태풍이 발생하는 지역을 포함하고 있으며, 이 지역에서의 해수면 온도의 상승은 상기 C5군집의 태풍의 발생의 호조건 을 형성하게 된다.500 hPa지위 고도장과의 상관계수를 보면 캄차카반도 근처 지역 에서 양의 상관관계를 가지고 있음올 보여 주고 있다. 이는 아열대 지역 해수면 온 도의 상승에 따른 로스비파동의 전파의 형태를 가지고 있으며 이는 상기 C5군집의 태풍과 밀접한 관련을 가지고 있음을 보여 주고 있다. 연직 바람 시어의 경우 태풍 발생 지역에서 음의 상관관계를 나타내고 있으며 이는 상기 C5 군집의 발생 지역에 서의 약한 연직 바람 시어가 태풍 발생의 호조건을 형성하여 상기 C5 군집의 태풍 을 증가시킴을 나타낸다.
따라서， 상기 C5 군집에 속하는 태풍을 예측하기 위해， 경도 140°E 내지 140oW와 위도 10°N 내지 30°N 지역에서 양의 상관관계를 갖는 해수면 온도， 경도 140Έ 내지 160°W와 위도 40°N 내지 60οΝ 지역에서 양의 상관관계를 갖는 500 hPa 지위 고도 및 경도 120°E 내지 140°E와 위도 10°N 내지 30°N 지역에서 음의 상관계수를 갖는 연직 바람 시어의 총 3개의 예측인자를 사용한다.
도 9는 1981년부터 2000년까지 6월부터 10월까지의 C6군집의 태풍의 개수와 NCEP의 CFS 앙상블 평균값과의 상관계수를 나타낸 것으로서， 상기 C6 군집에 해 당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 9의 (a)는 해수면 온도， (b)는 대류권 평균 바람장， (c)는 연직 바람 시 어 (200 hPa과 850 hPa에서의 동서 바람장의 차이)， (d)는 대기 증 강수 가능 수증기 량과의 상관관계를 각각 나타낸다. 도 9를 참고하면， 남증국해에서 발생하는 상기 C6 군집의 태풍과 관련된 대 기 해양 인자는 다른 군집의 태풍과는 조금 다른 형태로 나타난다. 과거 연구에 의 하면 남증국에서의 태풍의 발생은 필리핀해에서의 태풍의 발생과 반대의 경향성을 가지고 있다. 해수면 온도와의 상관관계를 살펴보면 동중국해와 남중국해 북쪽지역 에서 음의 상관관계가 나타난다. 이 지역에서의 낮은 해수면 온도는 필리핀해에서의 태풍 발생을 약화시켜 상대적으로 남증국해 지역에서의 태풍 발생이 증가하게 된다. 대류권 평균 동서 바람장과의 상관계수를 살펴보면 열대 지역에 넓은 지역에서 강 한 음의 상관관계가 나타난다. 대류권 평균 동서 바람장은 850 hPa, 500 hPa, 200 hPa 의 동서바람장을 평균하여 사용한다. 이는 필리핀해 지역에서 고기압성 회전을 야기시켜 필리핀해에서의 태풍의 발생을 저해하고 상대적으로 남중국해에서의 태풍 의 발생을 증가시킨다. 연직 바람 시어와의 상관계수를 살펴보면 벵골만 근처와 열 대 동태평양 지역에서 음의 상관관계가 나타나고 있는데 이 지역에서의 연직 바람 시어가 약해 지면 상기 C6 군집의 태풍이 증가하게 된다. 강수 가능 수증기량과의 상관계수를 보면 서태평양 넓은 지역에서 음의 상관관계가 나타나고 있다. 강수 가 능 수증기량이 줄어든다는 것은 태풍 활동을 저해하는 요소가 된다. 특히 필리핀해 에서의 강수 가능 수증기량의 감소는 필리핀해의 태풍의 수를 감소 시켜， 남중국해 에서 발생하는 상기 C6군집의 태풍의 상대적인 증가와 밀접한 관련을 가지게 된다. 따라서， 상기 C6 군집에 속하는 태풍을 예측하기 위해， 경도 U0°E 내지 140°E와 위도 150N 내지 350Ν 지역에서 음의 상관관계를 갖는 해수면 온도， 경도 90Έ 내지 180°Ε와 위도 10°S 내자 10°N지역에서 양의 상관관계를 갖는 대류권 평 균 동서 바람장， 경도 80οΕ내지 100°Ε와 위도 10°Ν 내지 25°Ν지역에서 음의 상관 계수를 갖는 연직 바람 시어 및 경도 100°Ε 내지 170°Ε와 위도 5°Ν 내지 30°Ν 지 역에서 음의 상관계수를 갖는 강수 가능 수증기량의 총 4개의 요소를 예측인자로 사용한다.
도 10은 1981년부터 2000년까지 6월부터 10월까지의 상기 C7 군집의 태풍의 개수와 NCEP의 CFS 앙상블 평균값과의 상관계수를 나타낸 것으로서， 상기 C7 군 집에 해당하는 태풍의 개수와 NCEP의 CFS에서 제공하는 대기 해양 인자와의 상관 관계를 나타낸다. 도 10의 (a)는 해수면 온도， (b)는 850 hPa 상대와도와의 상관 관 계를 각각 나타낸다.
도 10을 참고하면， 해수면 온도와의 상관관계를 살펴보면 서태평양을 중심으 로 하여 열대 중태평양 지역의 해수면 온도와 양의 상관과계를 가지고 있음을 나타 낸다. 양의 상관계수를 가지고 있는 지역은 상기 C7군집의 태풍이 발생하는 지역을 포함하고 있다. 이와 더불어 남인도양 지역과 일본 동쪽의 중위도 증태평양 지역에 서도 양의 상관관계를 나타내고 있다. 이 지역에서 해수면 온도가 상승하게 되면 상 기 C7 군집에 속하는 태풍은 직진형 태풍이 증가하게 된다. 850 hPa 동서 바람장과 의 상관관계를 살펴보면 서태평양 및 남중국 근처 북위 20도에서 음의 상관관계가 나타나고 있다. 이는 이 지역에서의 동풍계열의 바람이 상기 C7군집 형태의 동쪽으 로 직진하는 태풍 개수 증가에 기여하고 있음을 나타낸다.
따라서， 상기 C7 군집에 속하는 태풍을 예측하기 위해， 경도 120°E 내지 120°W와 위도 25°S 내지 25°N 지역에서 양의 상관관계를 갖는 해수면 온도， 경도 140Έ 내지 160°W와 위도 30οΝ 내지 45°Ν 지 역에서 양의 상관관계를 갖는 해수면 온도， 경도 50°Ε 내지 110°Ε와 위도 30oS 내지 5°S 지 역에서 양의 상관계수를 갖는 해수면 온도 및 경도 95°E 내지 160°E와 위도 15°N 내지 30°N 지 역에서 음의 상관 계수를 갖는 850hPa의 동서 바람장의 총 4개의 요소를 예측인자를 사용한다.
상기의 예측인자들을 이용하여 각 군집 별 태풍 개수의 예측을 위해 푸아송 회귀 방법올 이용한다.
상기 푸아송 회기 방법을 이용한 상기 각 군집별 태풍 개수의 예측 방법은 다음과 같다.
상기 각 군집 별 태풍의 개수는 상기의 [수학식 4]에 의해 예측이 이루어 진 다.
단， 상술한 바와 같이 상기 각 군집에서 사용되는 예측인자들의 개수가， 상기 CI, C2 및 C3 군집에서는 5개, 상기 C4, C6 및 C7 군집에서는 4개， 상기 C5 군집에 서는 3개이므로， 상기 [수학식 4]에 있어서, nl과 n2와 n3는 각각 5가되고， n4와 n6 과 n7은 각각 4가되며， n5는 3이 된다.
또한， 상기 각 군집의 태풍 개수 예측을 위 해서는 회귀 상수와 계수를 구해 야 하므로, 상기 [수학식 4]의 양변에 자연로그를 취하고 ln( ) 을 ζ 로 치환함으로써 , 상기 [수학식 5]와 같은 일반적 인 다중 선형회귀식으로 표현할 수 있 다.
이때, 예측하고자 하는 해의 이 전해 까지 관측된 각 군집 별 태풍의 개수와 상기의 예측 인자들을 이용하여 다중 선형 회귀의 최소자승법을 이용하여 상기 [수
35
대 체 용지 (규칙 제 26조) 학식 6]의 /를 최소화 하는 회귀 계수와 상수 ( aim 와 a )를 구할 수 있다. 특히， Matlab, 마이크로소프트 엑셀, SPSS, SAS등의 통계처리 프로그램을 이용하면 상기 회귀 계수와 상수를 손쉽게 계산 할 수 있다.
상기 회귀 계수와 상수를 구하기 위해서는 충분한 기간의 대기 해양의 예측 인자와 예측하고자 하는 태풍의 관측자료가 필요하다. 상기 NCEP의 CFS 자료는 1981년부터 제공하고 있으므로 1981년부터 예측하고자 하는 해 바로 이전해 까지 자료를 이용하여 상기 회귀 계수와 상수를 구하게 된다ᅳ
예를 들어 , 2007년도에 상기 C1 군집 의 태풍 개수를 예측하기 위해서 , 1981 년부터 2006년까지의 매년마다 상기 C1 군집에 해당하는 태풍의 개수와 앞서 정 한 5개의 예측 인자를 이용하여 회귀 계수와 상수를 구한다. 그리고 나서 2007년 예측 인자와 앞서 구한 회귀 계수 및 상수를 이용하여 2004년의 상기 C1 군집에 해당하는 태풍의 개수 예측 값을 구하게 된다.
본 발명의 여름철 태풍 진로 예측 방법에 의한 각 군집별 태풍 개수 예측 모 델이 적합한지 검증 실험을 하기 위해, 예측 인자 분석기간인 1981년부터 2000년 까 지는 Jack-Knife 교차 검증 방법을 이용하고， 2 )1년부터 2006년 까지는 본 발명 에 의한 여름철 태풍 진로 예측 방법을 이용하여 각 군집 별 태풍 개수 예측을 수행하 여 실제 각 군집 별 태풍 개수와 비교 검증을 수행할 수 있다.
상술한 바와 같이 예측 인자로 사용한 NCEP의 CFS에서 예측한 6월부터 10 월까지의 대기 해양 자료는 총 15개의 앙상블 멤버 가 존재한다. 본 발명 의 여름철
36
대 체 용지 (규칙 제 26조) 태풍 진로 예측 방법에서도 각각의 앙상블 멤버에 기반하여 각 군집별 태풍 개수 예측을 15회 수행한 후 이를 평균하여 최종 예측 값을 생산할 수 있다.
도 11은 실제 각 군집별 태풍 개수 예측의 관측 값과 본 발명에 의한 여름철 태풍 진로 예측 방법으로부터의 예측 값을 그래프로 나타낸 것이다.
각각의 앙상블 멤버는 큰 에러를 보이고 있지만 앙상블 평균값은 실제 관측 과 비슷한 변동성을 보이고 있다. 각 군집별 예측값과 0실제 관측값과의 상관계수는 상기 C1 군집은 0.72， 상기 C2 군집은 0.74， 상기 C3군집은 0.77, 상기 C4 군집은 0.81， 상기 C5 군집은 0/72， 상기 C6 군집은 으71， 상기 C7 군집은 0.74의 값을 가지 며 높은 예측성을 보여주고 있다.
이는 본 발명에 의한 여름철 태풍 진로 예측 방법이 상기 각 군집별 태풍 개 수를 모사 및 예측하는데 매우 적합하다는 것을 나타낸다.
이하는 상기 태풍 진로 분포 확률 예측 단계 (S30)에 관하여 보다 구체적으로 설명한다. 태풍 진로 분포 확률 예측 단계 (S30)
본 발명에 의한 여름철 태풍 진로 예측 방법은 상기 군집별 태풍 개수 예측 단계 (S20) 이후에 상기 태풍 진로 분포 확률 예측 단계 (S30)를 더 포함할 수 있다. 즉， 본 발명에 의한 여름철 태풍 진로 예측 방법은 상기 군집별 태풍 개수 예측 단계 (S20) 이후에, 상기 예측된 각 군집별 태풍 개수 ( · / )와 하기의 [수학 식 기로 정의되는 군집별 태풍 진로 분포 확률 ( (Jon, la f) )을 하기의 [수학 식 8] 및 [수학식 9]를 이용하여 예측하고자하는 해의 태풍 진로 분포 확를 예측값 (
Figure imgf000040_0001
)을 산출하는 태풍 진로 분포 확률 예측 단계 (S30)를 더 포함 할수 있다.
[수학식 7]
ΌΠ , ,Λ 경도 fo I,위도 /flt에서반경 5도안에존재하는 /번째군집의태풍의개수 P人10 nJat /번째군집의태풍의총개수
[수학식 8]
Figure imgf000040_0002
이때, total 은 j 년도의 예측된 각 군집별 태풍 개수의 합으로서 하고자 하는 해의 태풍의 총 발생 개수의 예측값을 의미한다.
[수학식 9]
38
대체용지 (규칙 제 26조) Pj total{lon at) « H P n t)
i'=l y total 이때，, p>t lon,lat) 은 예측하고자 하는 해 (j 년도)의 태풍 진로 분 포 확률 예측값이고， C는 총 군집의 개수를 의미한다. 상기 (군집별 제외)태풍 진로 분포 확를 ( Pi(fon,lat) )은 상기 각 군집 의 태풍의 진로 분포를 정량적으로 표현하기 위해 정의된 값으로서, 상기 태풍 진로 분포 확률 ( Pi(Jon,lat) )은 동경 ^ 도 내지 180도와 북위 0도 내지 45도의 봄위에서 경도 및 위도 1도의 간격의 격자에서 계산한다.
도 12는 상기 7개의 각 군집， 즉 각각의 Cl, C2, C3, C4, C5, C6, C7 군집별 로 각 군집에 대한 상기 (군집별 제외: 각 군집의 태풍의 진로 분포를 정량적으로 표현하기 위해 정의된 값으로 정의 됨으로)태풍 진로 분포 확률 (
P^lon at) )을 나타낸 것으로서, 그 정의에 따라 상기 태풍 진로 분포 확률 (
F (ᅳ lonjat) )의 값은 0에서 i사이의 값을 갖게 되고， 태풍 진로 확률 예측에 있어서 기저 (basis)로사용할수 있다.
상기 태풍 진로 분포 확률 예측 단계 (S30)에 관한 보다 구체적인 설명은 다 음과 같다.
39
대체용지 (규칙 제 26조) 상기 군집별 태풍 개수 예측 단계 (S20)에서 예측된 상기 각 군집에 속하는 태풍 개수 ( / )와 각 군집에 대한 상기 태풍 진로 분포 확률 (
P^lon at) )을 이용하여 예측하고자 하는 해의 태풍 진로 분포 확률올 계산 하고， 그 계산은 상기 [수학식 8]과 [수학식 9]에 의한다.
이때， 상술한 바와 같이 C1 군집 내지 C7 군집으로 이루어진 총 7개의 군집 을사용하는 경우 상기 [수학시 8]과 [수학식 9]에서의 C의 값은 7이 된다.
이때， 상기 7개의 군집에 해당하는 태풍의 평균 진로 분포 확률 (
P^lon at) )을 기저로 사용하였으므로, 상기 7개의 군집의 태풍 개수가 완벽 히 예측된다 하더라도 예측하고자 하는 해의 실제 태풍 진로 확를 분포와 예측된 태풍 진로 확를 분포 ( P a!(J0n,iat) ) 사이에는 수학적 오차가 발생한다. 특히， 상기 7개의 군집으로 구성된 태풍 진로 분포 확률 예측값
PJtotal^0n^at 은 실제 관측된 태풍 진로 분포 확률보다는 단순하게 표현되 며 변동성이 상대적으로 작다. 이러한 오차를 줄이기 위해 1981년부터 2000년까지 교차 검정 방법으로 예측된 태풍 진로 분포의 평균값과 표준편차와 실제 관측된 태 풍 진로 분포의 평균값과 표준편차를 이용한 보정방법을 사용한다. 여기서 교차 검 정 방법은 1981년부터 2000년까지의 기간 동안의 예측인자와 군집별 태풍 개수를 이용하여 예측 모델을 구성하는테 있어 예측하고자 하는 해의 예측인자를 사용하지 않고 예측
40
대체용지 (규칙 제 26조) 모델을 구성하는 방법 이다. 예를 들어 1990년을 예측하기 위해 1981년부터 1989년 그리고 1991년부터 2000년까지의 예측인자와 군집 별 태풍 관측 개수 자료를 이용하 여 예측모델의 상수를 구한 후， 1990년의 예측인자를 사용하여 그 해의 군집 별 태풍 의 개수를 구하게 된다.
1981년부터 2000년까지 교차 검정 방법으로 예측된 태풍 진로 분포의 평균값 과 표준편차와 실제 관측된 태풍 진로 분포의 평균값과 표준편차는 하기의 [수학식 10] 내지 [수학식 13]에 의해 정의 된다.
[수학식 10]
1 2000
m(lon at) =—- ^ Pto l tal (lon at)
^ /=1981
[수학식 11]
a(lon at)
Figure imgf000043_0001
[수학식 12]
Figure imgf000043_0002
[수학식 13]
41
대 체 용지 (규칙 제 26조) σ(ίοη, lat) =
Figure imgf000044_0001
상기 [수학식 io] 내지 [수학식 13]에 있어서， p tai on,lat 는 1년도
〜 j
실제 관측된 태풍 진로 분포 확률 이고， Pnal lon,lat 은 1 년도 교차 검증 방법을 통해 예측된 1 년도 태풍 진로 분포 확률이며， m 과 는 각각 1981년부터
2000년 까지 관측 태풍 진로 분포 확를의 평균과 표준편차이고， 와 은 각각 1981년부터 2000년 동안 교차 검증 방법을 통해 예측된 태풍 진로 분포 확률 의 평균과 표준편차이다. 이때, 예측된 값에서 예측의 평균값을 제거하고 예측의 표준편차로 나눈뒤 실제 관측값의 표준편차를 곱함으로서 예측의 변동성올 실제 변동성과 같은 크기로 조절할 수 있다. 이러한 예측의 방법은 2(Χ)1년 이후 예측에 적용할 수 있으며, 하기 의 [수학식 14]로 나타낼 수 있다.
[수학식 14]
Figure imgf000044_0002
σ(ίοη,Ιαί)
42
대체용지 (규칙 제 26조) 이때， Pt' ion,iat) 는 예측의 평균이 제거된 값으로 표현되며 이는 각 지역에서 평년보다 태풍이 존재할 확률이 얼마나 더 높을지 또는 낮을지를 알려 주게 된다.
상기 [수학식 14]를 통해 최종 태풍 진로의 예측된 태풍 진로 분포 예측이 이루어 질 수 있다.
도 13은 2(X)1년부터 2004년까지 4년간 앞서 설명한 방법을 통해 예측된 전체 태풍 진로 분포 확률의 편차 ( Pt'o Jt J0n,lat )이다. 이해를 돕기 위해 100을 곱하여 %단위로 표현되었다.
도 13에서 왼쪽 편의 도면돌은 실제 관측된 태풍의 진로 분포 확률의 편차이 며 오른쪽 편의 도면들은 예측 결과이다.
예를 들어 값이 15라고 되어 있는 지역은 태풍이 그 지역을 지나갈 확률이 평년값보다 15% 더 높아졌다는 의미로서， 전체적으로 태풍 진로의 패턴이 어느 지 역으로 갈 확률이 높아지고 또는 낮아지는지 잘 예측하고 있음을 나타낸다.
이러한 태풍 진로 분포 확률을 예측하는 방법을 이용하면 매해 6월 이전에 6 월부터 10월까지 북서태평양 태풍의 진로 분포를 미리 가늠할 수 있다.
본 발명이 속하는 기술분야의 통상의 지식올 가진 자는 본 발명이 그 기술적
43
대체용지 (규칙 제 26조) 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다 는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상 세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며， 특허청구의 범 위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
** 부호의 설명
S10: 태풍 진로의 군집 분류 단계
S20: 군집별 태풍 개수 예측 단계
S30: 태풍 진로 분포 확률 예측 단계

Claims

청구의 범위 【청구항 1】 컴퓨터를 이용하여 여름철 태풍의 군집별 태풍 개수를 예측하는 방법으로서，(a) 북서 태평양 지역에서 연 단위의 일정기간 동안 관측된 각 태풍에 대한 시간 간격의 태풍 위치 자료를 사용하여 6 시간 태풍위치 사이 거리 (dist)를 하기 의 [수학식 1]로 그리고 변환될 태풍위치 자료 간격 (edist)을 하기의 [수학식 2]로 각 각 정의한 후 상기 dist와 edist 및 하기의 [수학식 3]을 이용하여 상기 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 같은 거리 간격을 갖는 21개의 동 거리 위치 자료로 상기 각 태풍별로 변환하고， 기 지정된 2개 이상의 군집 개수와 상기 각 태 풍에 대한 21개의 동 거리 위치 자료를 군집분류 프로그램의 입력자료로 사용하여 북서 태평양 지역을 상기 기 지정된 군집 개수의 구역들로 나누고 상기 각 태풍이 상기 구역들 증 상기 21개의 동 거리 위치 자료와 가장 가까운 어느 한 구역에 포 함되도록 분류하는 태풍 진로의 군집 분류 단계 (b) 북서 태평양 지역의 태풍 활동에 영향을 주었고 상기 (a) 단계에서 분류 된 각 군집의 태풍 개수에 영향을 미친 6월부터 10월까지의 대기 /해양 순환장에 관 한 예측인자로서, 특정지역의 해수면 온도， 특정지역의 500 hPa (핵토파스칼) 지위고 도， 특정지역의 200 hPa과 850hPa의 수평바람장의 차이를 나타내는 연직바람 시어， 특정지역의 50 hPa의 동서 바람장， 특정지역의 대류권 평균 동서 바람장， 특정지역 의 강수 가능 수증기량 및 특정지역의 850 hPa의 동서 바람장을 포함하는 예측인자 들 증 2개 이상의 예측인자를 상기 (a) 단계에서 분류된 군집별로 각 군집에 속하는 태풍 개수 ( ^· ) 예측에 사용되는 예측인자로 추출하고 하기의 [수학식 4]를 이 용하여 각 군집별 태풍 개수를 예측하는 군집별 태풍 개수 예측 단계를 포함하고, 상기 [수학식 4]의 a n 와 αίο 는 하기의 [수학식 5]의 과정을 거치 고 하기의 [수학식 6]을 이용하여 f를 최소화 하는 -징으로 하는 군집별 태풍 개수 예측 방법. [수학식 1] di t, = (χΜ -Xi)2 + (yM -yt)2 , FOR ^,.-.'Ν― j 상기 [수학식 1]에서, Xi와 는 !· 번째 위치의 경도와 위도를 뜻하며， N은6시간 태풍 위치 자료의 개수이다. [수학식 2] edist =— 1 dist, [수학식 3] J i , J J J 1 for j=l, 대체용지 (규칙 제 26조) x, yj = + (y'+ yi) ((j― \)edist -∑；：； dist, dist 、 'ᅳ i for j: ,-20, 상기 [수학식 3]에서, ( ， ^ )는 토코 태풍센터에서 제공하는 6시간 간격의 태풍의 위치 (경도， 위도〉이며, ( X , ^ )는 변환된 태풍의 위치 (경도， 위도)이다. N은 6시간 간격 태풍의 위치 자료의 개수이며, /은 Dxedist < Σ:=1 disti 을 만족하는 양의 정수로 정의된다. [수학식 4] 상기 [수학식 4]에서， / 는 _년도 번째 군집 ( ·)에 속하는 태풍의 개수 의 예측 값이고， 은 _년도 Ci' 군집의 태풍 개수를 예측하기 위한 m번째 예 측인자이며, 는 '군집의 태풍을 예측하기 위한 예측 인자의 개수이고， " 는 _년도 '군집의 태풍 개수 예측을 위한 m 번째 예측인자의 회귀 계수이며, 47 대체용지 (규칙 제 26조) 는년도 ·군집의 태풍 개수 예측을 위한 회귀 상수이다. [수학식 5] "； ᅳ z ιJ: = a ιj.,nΟ + / 7 l a i-.m x ιJ [수학식 6] J f= 상기 [수학식 6]에서 f는 다중 선형 회귀의 최소 자승법을 이용하여 상기 값을 구하기 위한 최소 자승법 식이다. 【청구항 2] 제 1 항에 있어서， 상기 각 태풍에 대한 6시간 간격의 태풍 위치 자료는， 연 단위인 과거 일정 기간 동안의 6월 내지 9월 동안 발생한 총 태풍의 각 태풍별 6시간 간격의 위치 자 료이고 상기 각 태풍에 대한 21개의 동 거리 위치 자료는 48 대체용지 (규칙 제 26조) [ j , x2 ,..., 21 ,yx,y2 v,y2i J ,k=i,2 κ (여기서， t는 / c번째 태풍에 해당 하는 열백터이며, κ는 총 태풍의 개수이다)의 열백터 형식으로 변환하여 상기 군집 분류 프로그램의 입력자료로 사용되며， 상기 기 지정된 2개 이상의 군집 개수는 Xie and Beni index를 이용한 최적 군집 개수 판별시험올 통해 판별된 7개이고， 상기 군집분류 프로그램은 fuzzy c-means 군집분류 프로그램으로서 7개의 태풍 진로 군집들 (C1 내지 C7)로 분류하여 상기 각 태풍을 상기 분류된 C1 내지C7 군집들 증 상기 각 태풍에 대한 21개의 동 거리 위치 자료와 가장 가까운 어느 한 군집에 포함시키되, 상기 C1 군집은 동경 120도 내지 동경 140도와 북위 15도 내지 북위 45도의 범위에 속하고, 상기 C2 군집은 동경 125도 내지 동경 160도와 북위 10도 내지 북위 40도의 범위에 속하며， 상기 C3 군집은 동경 115도 내지 동경 150도와 북위 10도 내지 북위 40도의 범위에 속하고， 상기 C4 군집은 동경 140도 내지 동경 160도와 북위 15도 내지 북위 45도의 범위에 속하며, 상기 C5 군집은 동경 150도 내지 동경 180도와 북위 15도 내지 북위 45도의 범위에 속하고, 49 대체용지 (규칙 제 26조) 상기 C6 군집은 동경 100도 내지 동경 120도와 북위 10도 내지 북위 25도의 범위에 속하며， 상기 C7 군집은 동경 100도 내지 동경 150도와 북위 10도 내지 북위 25도의 범위에 속하는 것을 특징으로 하는 군집별 태풍 개수 예측 방법. 【청구항 3】 제 2항에 있어서， 상기 여름철 태풍 진로 예측 방법은， 미국 국립 환경 예측 센터 (National Centers for Environmental Prediction: NCEP)의 계절 예측시스템 (Climate Forecast System: CFS)을 통해 예측된 1981년부 터 2000년까지의 6월부터 10월까지의 대기 /해양 예측 자료들에 대해 서로 다른 날들 을 기점으로 하여 예측된 상기 대기 /해양 예측 자료 값을 평균한 앙상블 평균값과 상기 각 군집별 태풍 개수와의 상관관계 분석을 통해 예측인자 설정 지역이 결정된 것으로서， 상기 예측인자 중 상기 C1 군집에 속하는 태풍 개수를 예측하는 예측인자는 경도 160°E 내지 100°W와 위도 15°S 내지 15°N지역에서 음의 상관관계를 갖는 해 수면 온도， 경도 140°E 내지 160° W와 위도 30°N 내지 45°N 지역에서 양의 상관관 계를 갖는 해수면 온도， 경도 120°E 내지 140°W와 위도 35°N 내지 55°N 지역에서 양의 상관계수를 갖는 500 hPa지위 고도， 경도 100°E 내지 160Έ와 위도 250N 내지 40°Ν 지역에서 음의 상관계수를 갖는 연직 바람 시어 및 경도 130°Ε 내지 150°Ε와 위도 20°Ν30°Ν 지역에서 양의 상관계수를 갖는 850 hPa 상대와도인 총 4개의 예측 인자를 사용하고， 상기 예측인자 중 상기 C2 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경도 160οΕ 내지 100°W와 위도 5°S 내지 5°N 지 역 에서 양의 상관관계를 갖는 해수 면 은도, 경도 110°E 내지 150Έ와 위 도 50N 내지 20οΝ 지 역 에서 음의 상관관계를 갖는 해수면 은도， 경도 120°Ε 내지 140°W와 위도 250N 내지 50°Ν 지 역 에서 음의 상관계수를 갖는 500 hPa 지 위 고도， 경도 120°E 내지 140°W와 위도 250N 내지 40°Ν 지 역 에서 양의 상관계수를 갖는 연직 바람 시 어 및 경도 120οΕ 내지 160oW와 위도 5°N 내지 20οΝ 지 역 에서 양의 상관계수를 갖는 850 hPa 상대와도인 총 5개의 예측인자를 사용하며， 상기 예측인자 중 상기 C3 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경도 140οΕ 내지 100°W와 위 도 20°S 내지 30°N 지 역 에서 양의 상관관계를 갖는 해 수면 온도， 경도 140°E 내지 180°와 위도 30°N 내지 50οΝ 지 역에서 음의 상관관계 를 갖는 해수면 온도， 경도 120οΕ 내지 130°W와 위도 30°N 내지 50οΝ 지 역 에서 음 의 상관계수를 갖는 500 hPa 지위 고도， 경도 100°E 내지 140°W와 위도 0° 내지 20°N 지 역 에서 음의 상관계수를 갖는 연직 바람 시 어 및 경도 120°E 내지 160°W와 위도 5°N 내지 20°Ν 지 역 에서 양의 상관계수를 갖는 850 hPa 상대와도인 총 5개의 예측인자를 사용하고, 상기 예측인자 중 상기 C4 군집 에 속하는 태풍 개수를 예측하는 예측인자는 경도 120°E 내지 140°E와 위 도 20°S 내지 35°N 지 역 에서 음의 상관관계를 갖는 해 수면 온도, 경도 120 내지 140°E와 위도 Γ7.5°Ν 내지 27.5°Ν 지 역 에서 양의 상관 관계를 갖는 연직 바람 시어, 경도 145°E 내지 170°W와 위도 20°N 내지 35°N 지역 에서 양의 상관계수를 갖는 850 hPa상대와도 및 경도 0°E 내지 360°E와 위도 10°S 내지 10οΝ 지역에서 음의 상관계수를 갖는 50 hPa 동서 바람인 총 4개의 예측인자 를 사용하며， 상기 예측인자 중 상기 C5 군집에 속하는 태풍 개수를 예측하는 예측인자는 경도 140°E 내지 140°W와 위도 10°N 내지 30οΝ지역에서 양꾀 상관관계를 갖는 해 수면 온도， 경도 140°Ε 내지 160°W와 위도 40°N 내지 60°N 지역에서 양의 상관관 계를 갖는 500hPa지위 고도 및 경도 120°E 내지 140°E와 위도 10οΝ 내지 30°Ν 지 역에서 음의 상관계수를 갖는 연직 바람 시어인 총 3개의 예측인자를 사용하고， 상기 예측인자 중 상기 C6 군집에 속하는 태풍 개수를 예측하는 예측인자는 경도 110°Ε 내지 140°Ε와 위도 15°Ν 내지 35°Ν 지역에서 음의 상관관계를 갖는 해 수면 온도， 경도 90°Ε 내지 180οΕ와 위도 10oS 내지 10οΝ 지역에서 양의 상관관계 를 갖는 대류권 평균 동서 바람장， 경도 80°Ε 내지 100°Ε와 위도 10°Ν 내지 25°Ν 지역에서 음의 상관계수를 갖는 연직 바람 시어 및 경도 100°Ε 내지 170°Ε와 위도 5°Ν 내지 30οΝ 지역에서 음의 상관계수를 갖는 강수 가능 수증기량인 총 4개의 예 측인자를 사용하며， 상기 예측인자 중 상기 C7 군집에 속하는 태풍 개수를 예측하는 예측인자는 경도 120°Ε 내지 120°W와 위도 25°S 내지 25°N지역에서 양의 상관관계를 갖는 해 수면 온도, 경도 140°E 내지 160°W와 위도 30°N 내지 45°N 지역에서 양의 상관관 계를 갖는 해수면 온도， 경도 50°E 내지 110°E와 위도 30oS 내지 5°S 지역에서 양 의 상관계수를 갖는 해수면 온도 및 경도 95Έ 내지 160°E와 위도 15°N 내지 30°N 지역에서 음의 상관계수를 갖는 850hPa의 동서 바람장인 총 4개의 예측인자를 사용 하는 것을 특징으로 하는 군집별 태풍 개수 예측 방법. 【청구항 4】 컴퓨터를 이용하여 여름철 태풍의 진로를 예측하는 방법으로서， (a) 북서 태평양 지역에서 연 단위의 일정기간 동안 관측된 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 사용하여 6 시간 태풍위치 사이 거리 (dist)를 하기 의 [수학식 1]로 그리고 변환될 태풍위치 자료 간격 (edist)을 하기의 [수학식 2]로 각 각 정의한 후 상기 dist와 edist 및 하기의 [수학식 3]올 이용하여 상기 각 태풍에 대한 6 시간 간격의 태풍 위치 자료를 같은 거리 간격을 갖는 21개의 동 거리 위치 자료로 상기 각 태풍별로 변환하고， 기 지정된 2개 이상의 군집 개수와 상기 각 태 풍에 대한 21개의 동 거리 위치 자료를 군집분류 프로그램의 입력자료로 사용하여 북서 태평양 지역을 상기 기 지정된 군집 개수의 구역들로 나누고 상기 각 태풍이 상기 구역들 중 상기 21개의 동 거리 위치 자료와 가장 가까운 어느 한 구역에 포 함되도록 분류하는 태풍 진로의 군집 분류 단계; (b) 북서 태평양 지역의 태풍 활동에 영향올 주었고 상기 (a) 단계에서 분류 된 각 군집의 태풍 개수에 영향을 미친 6월부터 10월까지의 대기 /해양 순환장에 관 한 예측인자로서， 특정지역의 해수면 온도， 특정지역의 500 hPa (핵토파스칼) 지위고 도， 특정지역의 200 hPa과 850hPa의 수평바람장의 차이를 나타내는 연직바람 시어， 특정지역의 50 hPa의 동서 바람장， 특정지역의 대류권 평균 동서 바람장， 특정지역 의 강수 가능 수증기량 및 특정지역의 850 hPa의 동서 바람장을 포함하는 예측인자 들 중 2개 이상의 예측인자를 상기 (a) 단계에서 분류된 군집별로 각 군집에 속하는 태풍 개수 ( ·^· ) 예측에 사용되는 예측인자로 추출하고 하기의 [수학식 4]를 이 용하여 각 군집별 태풍 개수를 예측하고， 상기 [수학식 4]의 a n 와 는 하기의 [수학식 5]의 과정을 거치고 하기의 [수학식 6]을 이용하여 f를 최소화 하는 aim 와 a 값인 것을 특징으로 하는 군집별 태풍 개수 예측 단계; 및 (c) 상기 예측된 각 군집별 태풍 개수 ( )와 하기의 [수학식 기로 정의 되는 군집별 태풍 진로 분포 확률 ( Pi lon,lat) )을 하기의 [수학식 8] 및 [수 학식 9]를 이용하여 예측하고자 하는 해의 태풍 진로 분포 확률 예측값 ( )을 산출하는 태풍 진로 분포 확률 예측 단계를 포함하는 것을 특징으로 하는 여름철 태풍 진로 예측 방법.
[수학식 1]
Figure imgf000056_0002
상기 [수학식 1]에서, Xi와 y/는 번째 위치의 경도와 위도를 뜻하며, j은
대체용지 (규칙 제 26조) 시간 태풍 위치 자료의 개수이다.
[수학식 2] edist =—— 1 dist.
20 ^ '
[수학식 3] for j=l
X： = X N j = for j=21
Figure imgf000057_0001
,-20,
상기 [수학식 3]에서， ( ^ ， ^ )는 토코 태풍센터에서 제공하는 6시간 간격의 태풍의 위치 (경도， 위도)이며, ( , ^ )는 변환된 태풍의 위치 (경도 위도)이다. 은 6시간 간격 태풍의 위치 자료의 개수이며， Z은
Figure imgf000057_0002
(J
∑l dist,
1)^ edist < i=\ 1 을 만족하는 양의 정수로 정의된다.
[수학식 4]
55
대체용지 (규칙 제 26조)
Figure imgf000058_0001
상기 [수학식 4]에서, ᅳ^ 는 년도 번째 군집 (α')에 속하는 태풍의 개수
Figure imgf000058_0002
년도 ·군집의 태풍 개수를 예측하기 위한 m번째 예 측인자이며, 는 α·군집의 태풍을 예측하기 위한 예측 인자의 개수이고, U n 는 년도 α군집의 태풍 개수 예측을 위한 m 번째 예측인자의 회귀 계수이며 a i,o 는년도 Ci군집의 태풍 개수 예측을 위한 회귀 상수이다.
[수학식 5]
Figure imgf000058_0003
z ij = a ι-,nΟ + / / · a iJ,m x ι-,η
t=l
[수학식 6]
Figure imgf000058_0004
상기 [수학식 6]에서 f는 다증 선형 회귀의 최소 자승법을 이용하여 상기
56
대체용지 (규칙 제 26조) i,m 와 " ) 값을 구하기 위한 최소 자승법 식이다.
[수학식 7]
경도 /0«,위도 /at에서반경 5도안에존재하는/번째군집의태풍의개수
Pt{lon,lat) =
/번째군집의태풍의총개수
[수학식 8]
Figure imgf000059_0001
상기 [수학식 8]에서， ta! 은 예측된 각 군집별 태풍 개수의 합으로서 예측 하고자 하는 해 (j 년도)의 태풍의 총 발생 개수의 예측값이다.
[수학식 9]
PL, ( , lat) « X - Pt (Ion, lat)
'■=1 y total 상기 [수학식 9]에서, P Jon,lat) 은 예측하고자 하는 해 (j 년도)의 태풍 진로 분포 확률 예측값이고， C는 총 군집의 개수이다.
57
대체용지 (규칙 제 26조)
PCT/KR2011/006772 2010-10-07 2011-09-14 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법 WO2012046959A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020100097571A KR101026071B1 (ko) 2010-10-07 2010-10-07 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법
KR10-2010-0097571 2010-10-07

Publications (1)

Publication Number Publication Date
WO2012046959A1 true WO2012046959A1 (ko) 2012-04-12

Family

ID=44049455

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2011/006772 WO2012046959A1 (ko) 2010-10-07 2011-09-14 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법

Country Status (2)

Country Link
KR (1) KR101026071B1 (ko)
WO (1) WO2012046959A1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222316A (zh) * 2019-06-12 2019-09-10 国网湖南省电力有限公司 基于核密度估计的山火与enso相关程度的分析方法及系统
CN111624681A (zh) * 2020-05-26 2020-09-04 杨祺铭 一种基于数据挖掘的飓风强度变化预测方法
CN112347715A (zh) * 2020-11-25 2021-02-09 中国人民解放军国防科技大学 一种诊断台风生成正压能量来源的新方法
CN113012285A (zh) * 2021-02-01 2021-06-22 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种针对南海台风分尺度混合的涡旋初始场构造方法
CN114818860A (zh) * 2022-03-24 2022-07-29 夏新宇 一种基于多元特征的台风轨迹预测方法
CN115186230A (zh) * 2022-06-10 2022-10-14 广东省生态环境监测中心 一种判定台风对空气质量影响的方法及装置
KR20230055767A (ko) * 2021-10-19 2023-04-26 공주대학교 산학협력단 역학모형 및 통계적 기법을 활용한 태풍의 동아시아 상륙빈도 예측 방법
CN116400435A (zh) * 2023-06-07 2023-07-07 航天宏图信息技术股份有限公司 一种台风路径预测方法和装置
CN117574134A (zh) * 2024-01-12 2024-02-20 中国气象科学研究院 基于机器学习和智能预报因子预报台风远距离降水的方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101646587B1 (ko) * 2014-08-19 2016-08-10 울산과학기술원 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법
CN109583653B (zh) * 2018-11-30 2022-06-21 南京信息工程大学 基于统计模型的西北太平洋台风的延伸期预报方法
KR102338896B1 (ko) 2019-09-05 2021-12-10 포항공과대학교 산학협력단 생성적 적대 신경망을 이용한 태풍의 경로 예측 방법
KR102478665B1 (ko) 2021-03-02 2022-12-16 경북대학교 산학협력단 통계 및 역학적 태풍 기후 예측 장치 및 방법
KR102566200B1 (ko) 2021-03-02 2023-08-11 경북대학교 산학협력단 이동 객체의 이동 경로에 따른 위험도를 표시하는 확률맵을 생성하기 위한 확률맵 생성 장치 및 방법
KR102626758B1 (ko) * 2021-08-23 2024-01-18 서울대학교산학협력단 태풍 진로를 중기 예측하기 위한 시스템 및 방법
CN116307853B (zh) * 2023-02-21 2024-03-22 广东海洋大学 一种东南印度洋南赤道流的年际变化规律分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003004864A (ja) * 2001-06-19 2003-01-08 Kawasaki Steel Corp 台風接近時の状況分析装置
JP2005321269A (ja) * 2004-05-07 2005-11-17 Nec Corp 海洋モデル定常状態判定方法、海洋モデル定常状態判定装置及びそのプログラム
JP2007256183A (ja) * 2006-03-24 2007-10-04 Tokyo Electric Power Co Inc:The 台風による災害発生予測システム
KR100928238B1 (ko) * 2009-07-16 2009-11-24 서울대학교산학협력단 동중국해를 지나는 태풍 개수의 확률 계절 예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003004864A (ja) * 2001-06-19 2003-01-08 Kawasaki Steel Corp 台風接近時の状況分析装置
JP2005321269A (ja) * 2004-05-07 2005-11-17 Nec Corp 海洋モデル定常状態判定方法、海洋モデル定常状態判定装置及びそのプログラム
JP2007256183A (ja) * 2006-03-24 2007-10-04 Tokyo Electric Power Co Inc:The 台風による災害発生予測システム
KR100928238B1 (ko) * 2009-07-16 2009-11-24 서울대학교산학협력단 동중국해를 지나는 태풍 개수의 확률 계절 예측 방법

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222316B (zh) * 2019-06-12 2023-04-07 国网湖南省电力有限公司 基于核密度估计的山火与enso相关程度的分析方法及系统
CN110222316A (zh) * 2019-06-12 2019-09-10 国网湖南省电力有限公司 基于核密度估计的山火与enso相关程度的分析方法及系统
CN111624681A (zh) * 2020-05-26 2020-09-04 杨祺铭 一种基于数据挖掘的飓风强度变化预测方法
CN112347715A (zh) * 2020-11-25 2021-02-09 中国人民解放军国防科技大学 一种诊断台风生成正压能量来源的新方法
CN113012285A (zh) * 2021-02-01 2021-06-22 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种针对南海台风分尺度混合的涡旋初始场构造方法
CN113012285B (zh) * 2021-02-01 2023-12-01 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） 一种针对南海台风分尺度混合的涡旋初始场构造方法
KR20230055767A (ko) * 2021-10-19 2023-04-26 공주대학교 산학협력단 역학모형 및 통계적 기법을 활용한 태풍의 동아시아 상륙빈도 예측 방법
KR102639424B1 (ko) 2021-10-19 2024-02-21 공주대학교 산학협력단 역학모형 및 통계적 기법을 활용한 태풍의 동아시아 상륙빈도 예측 방법
CN114818860A (zh) * 2022-03-24 2022-07-29 夏新宇 一种基于多元特征的台风轨迹预测方法
CN115186230A (zh) * 2022-06-10 2022-10-14 广东省生态环境监测中心 一种判定台风对空气质量影响的方法及装置
CN115186230B (zh) * 2022-06-10 2024-03-29 广东省生态环境监测中心 一种判定台风对空气质量影响的方法及装置
CN116400435A (zh) * 2023-06-07 2023-07-07 航天宏图信息技术股份有限公司 一种台风路径预测方法和装置
CN116400435B (zh) * 2023-06-07 2023-08-15 航天宏图信息技术股份有限公司 一种台风路径预测方法和装置
CN117574134A (zh) * 2024-01-12 2024-02-20 中国气象科学研究院 基于机器学习和智能预报因子预报台风远距离降水的方法
CN117574134B (zh) * 2024-01-12 2024-03-22 中国气象科学研究院 基于机器学习和智能预报因子预报台风远距离降水的方法

Also Published As

Publication number Publication date
KR101026071B1 (ko) 2011-04-04

Similar Documents

Publication Publication Date Title
WO2012046959A1 (ko) 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법
Chuenchum et al. Estimation of soil erosion and sediment yield in the Lancang–Mekong river using the modified revised universal soil loss equation and GIS techniques
Miao et al. Improving monsoon precipitation prediction using combined convolutional and long short term memory neural network
Wang et al. Flood hazard risk assessment model based on random forest
Wang et al. Optimizing the predictive ability of machine learning methods for landslide susceptibility mapping using SMOTE for Lishui City in Zhejiang Province, China
Farhadi et al. Flood risk mapping by remote sensing data and random forest technique
Senanayake et al. Assessing soil erosion hazards using land-use change and landslide frequency ratio method: A case study of Sabaragamuwa province, Sri Lanka
Chowdhuri et al. Implementation of artificial intelligence based ensemble models for gully erosion susceptibility assessment
Başağaoğlu et al. A review on interpretable and explainable artificial intelligence in hydroclimatic applications
Bai et al. GIS-based rare events logistic regression for landslide-susceptibility mapping of Lianyungang, China
Skilodimou et al. Flood hazard assessment mapping in burned and urban areas
Hennemuth et al. Statistical methods for the analysis of simulated and observed climate data: applied in projects and institutions dealing with climate change impact and adaptation
Solaiman et al. Development of probability based intensity-duration-frequency curves under climate change
Pangali Sharma et al. Assimilation of snowmelt runoff model (SRM) using satellite remote sensing data in Budhi Gandaki River Basin, Nepal
Gu et al. Non‐stationarities in the occurrence rate of heavy precipitation across China and its relationship to climate teleconnection patterns
Chu et al. Bayesian analysis for extreme climatic events: A review
Akbari et al. Assimilation of satellite-based data for hydrological mapping of precipitation and direct runoff coefficient for the Lake Urmia Basin in Iran
Zhou et al. Risk assessment of debris flow in a mountain-basin area, western China
Maier-Gerber et al. Statistical–dynamical forecasting of subseasonal North Atlantic tropical cyclone occurrence
Hassan et al. Investigating the effects of climate and land use changes on rawal dam reservoir operations and hydrological behavior
Maslova et al. Intense cyclones in the Black Sea region: change, variability, predictability and manifestations in the storm activity
Golafshani et al. An artificial intelligence framework for predicting operational energy consumption in office buildings
Kim et al. Assessment of building damage risk by natural disasters in South Korea using decision tree analysis
Uddin et al. Volatility in rainfall and predictability of droughts in northwest Bangladesh
Herrera et al. Creating extreme weather time series through a quantile regression ensemble

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11830844

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11830844

Country of ref document: EP

Kind code of ref document: A1