해무는 해양사고 및 해운물류 지연, 항공운항 저해, 교통사고 등 바다와 하늘에서 국민의 생명과 재산에 피해를 주는 해양-기상 재난이다. 그러나 해무 예측에 있어 해양-대기 관측자료의 한계, 수치모델의 예측 오차, 해무 개념모델의 미정립 등으로 ...
해무는 해양사고 및 해운물류 지연, 항공운항 저해, 교통사고 등 바다와 하늘에서 국민의 생명과 재산에 피해를 주는 해양-기상 재난이다. 그러나 해무 예측에 있어 해양-대기 관측자료의 한계, 수치모델의 예측 오차, 해무 개념모델의 미정립 등으로 예측 정확도 향상에는 한계가 있었다.
본 연구에서는 위 문제점 해결을 위하여 기상청(KMA)과 다른 해양기관의 관측자료를 활용하여 해무의 발생학적 특성 변화에 대한 통계분석을 수행하고, 이를(통계치를) 검증하기 위한 사례분석을 황해안(경기만)과 남동해안(부산-통영해역)을 기준으로 실시하였다. UM모델 산출물 기반 안개 가이던스의 후처리를 통하여 예측 UM모델 오차를 개선하고자 하였으며, 예보관과 인공지능 기반 해무예측 모델의 예측 정확도 향상을 위하여 해무 개념모델을 제시하였다.
먼저, 기후변화에 따른 해무 발생학적 변화 시기와 발생 특성에 대하여 조사하였다. 기후변화에 따라 기온과 해수온의 온도상승률의 차이로 인하여 해무 발생의 시기와 특성이 변화하였는데, 통계분석 결과 20년간 국지적인 해무가 주로 발생하는 5개 지역의 해기차(ASTD_기온-해수온) 역전일은 평균 0.4일/Year 빨라지는 추세이다. 증기무와 이류무의 발생 빈도가 변화하는 시점이 과거에는 3월 5일부터 6일 사이 였으나 최근에는 약 8일 빨라진 2월 26일부터 27일 경에 발생빈도의 변화가 있는 것으로 확인하였다. 지역별로 목포에 영향을 주는 칠발도가 1.0일로 가장 높고, 김포공항에 영향을 주는 덕적도가 약 0.5일로 높았다. 한편, 부산에 영향을 주는 거제도는 약 0.1일로 가장 낮게 나타났다. 해무 발생 빈도와 관측지속시간은 황해상에 위치한 인천, 목포 등이 가장 높았으며, 부산, 창원이 가장 낮았다. 해무 발생 시 해수면에서 약 200m 고도 이하의 낮은 역전층이 형성될 때 강하게 발달하였으며, 해무는 일출 후 3h 이내에 역전층이 해소되면서 대부분 약화 또는 소산되었다. 또한, 해기차는 이류무 발생 시 0.8℃에서 3.0℃ 사이, 증기무 발생 시 –1.0℃에서 –3.4℃ 사이 분포에서 대부분 나타났다. 풍속은 이류무에서 2.1m/s에서 4.9m/s 사이, 증기무에서 2.0m/s에서 4.6m/s 사이 대부분 나타났다.
수치모델 오차 개선을 위하여 통계자료를 사례검증을 통하여 분석하였다. 사례검증은 인천항과 부산항, 인천-김포공항과 김해공항-가덕도 신공항에 영향을 주는 황해안(경기만)과 남동해안(부산-통영해역)을 기준으로 하여 분석하였다. 분석결과 증기무와 이류무는 이슬점 온도가 아닌 이슬점 온도보다 더 낮은 온도에서 발생하였다. 연구결과를 이슬점 온도 5℃부터 16℃ 사이를 기준으로 포화수증기량 곡선과 비교했을때 증기무는 수증기량 평균 1.0g(0.5g~1.6g), 이류무는 평균 1.5g(0.0g ~ 2.1g) 정도 포화수증기량과 차이가 발생하였다. 결론적으로 기온에 따라 0.0g부터 2.1g에 상응하는 수증기량이 응결될 때까지 이슬점 온도보다 더 기온이 하강하여야 한다. 사례검증에서 UM의 역전층이 KIM과 ECMWF보다 약하게 나타났는데, UM 산출물 기반 안개가이던스 오차의 한 원인이었다. 해무 사례를 선정하여 이슬점 온도에 대한 보정상수와 역전층을 보정하는 후처리 기법을 사용하여 UM 산출물 기반 안개가이던스에 개선 TEST를 수행하였다. 전체적으로 증기무의 과소모의가 일부 개선되어 해무 발생의 시그널을 보였으며, 이류무는 과다모의를 보정하는 효과가 있었다. 결론적으로 본 연구의 결과를 후처리 기법으로 적용하였을 때 예측모델의 성능이 일부 개선될 수 있었다.
예보관의 예측정확도 향상과 수치모델 결과를 인공지능을 활용하여 별도의 학습자료 제작에 도움이 되고자 통계처리 결과와 사례검증을 통하여 증기무와 이류무에 대한 일변화 모식도를 제시하였다. 일변화 모식도에는 증기무와 이류무의 발생과 연안으로의 유입과 발달, 이후 약화와 소산, 복사무로의 변환과정에 대하여 설명하였다.
끝으로 이번 연구에서는 UM 산출물 기반 안개 가이던스의 예측 성능이 일부 향상 될 수 있음을 확인하였다. 그러나, 해양-대기 커플링이 없고 대류를 강하게 모의하는 UM 수치모델의 특성을 감안해 볼때, 해기차와 기온 역전층에 민감한 해무의 예측 정확도를 높이기에는 근본적으로 한계가 있다. 이 2개 문제점을 극복하기 위하여 해양관측망의 확충과 통합, ‘해양-대기 결합 국지 해무 예측모델’ 개발과 함께 인공지능을 활용한 수치모델의 예측성능 향상 연구와 기술 개발이 필요할 것으로 판단된다. 그리고 이러한 연구 결과는 향후 항만과 공항의 해무로 인한 안전사고 예방에 기여할 것으로 예상된다.
해무는 해양사고 및 해운물류 지연, 항공운항 저해, 교통사고 등 바다와 하늘에서 국민의 생명과 재산에 피해를 주는 해양-기상 재난이다. 그러나 해무 예측에 있어 해양-대기 관측자료의 한계, 수치모델의 예측 오차, 해무 개념모델의 미정립 등으로 예측 정확도 향상에는 한계가 있었다.
본 연구에서는 위 문제점 해결을 위하여 기상청(KMA)과 다른 해양기관의 관측자료를 활용하여 해무의 발생학적 특성 변화에 대한 통계분석을 수행하고, 이를(통계치를) 검증하기 위한 사례분석을 황해안(경기만)과 남동해안(부산-통영해역)을 기준으로 실시하였다. UM모델 산출물 기반 안개 가이던스의 후처리를 통하여 예측 UM모델 오차를 개선하고자 하였으며, 예보관과 인공지능 기반 해무예측 모델의 예측 정확도 향상을 위하여 해무 개념모델을 제시하였다.
먼저, 기후변화에 따른 해무 발생학적 변화 시기와 발생 특성에 대하여 조사하였다. 기후변화에 따라 기온과 해수온의 온도상승률의 차이로 인하여 해무 발생의 시기와 특성이 변화하였는데, 통계분석 결과 20년간 국지적인 해무가 주로 발생하는 5개 지역의 해기차(ASTD_기온-해수온) 역전일은 평균 0.4일/Year 빨라지는 추세이다. 증기무와 이류무의 발생 빈도가 변화하는 시점이 과거에는 3월 5일부터 6일 사이 였으나 최근에는 약 8일 빨라진 2월 26일부터 27일 경에 발생빈도의 변화가 있는 것으로 확인하였다. 지역별로 목포에 영향을 주는 칠발도가 1.0일로 가장 높고, 김포공항에 영향을 주는 덕적도가 약 0.5일로 높았다. 한편, 부산에 영향을 주는 거제도는 약 0.1일로 가장 낮게 나타났다. 해무 발생 빈도와 관측지속시간은 황해상에 위치한 인천, 목포 등이 가장 높았으며, 부산, 창원이 가장 낮았다. 해무 발생 시 해수면에서 약 200m 고도 이하의 낮은 역전층이 형성될 때 강하게 발달하였으며, 해무는 일출 후 3h 이내에 역전층이 해소되면서 대부분 약화 또는 소산되었다. 또한, 해기차는 이류무 발생 시 0.8℃에서 3.0℃ 사이, 증기무 발생 시 –1.0℃에서 –3.4℃ 사이 분포에서 대부분 나타났다. 풍속은 이류무에서 2.1m/s에서 4.9m/s 사이, 증기무에서 2.0m/s에서 4.6m/s 사이 대부분 나타났다.
수치모델 오차 개선을 위하여 통계자료를 사례검증을 통하여 분석하였다. 사례검증은 인천항과 부산항, 인천-김포공항과 김해공항-가덕도 신공항에 영향을 주는 황해안(경기만)과 남동해안(부산-통영해역)을 기준으로 하여 분석하였다. 분석결과 증기무와 이류무는 이슬점 온도가 아닌 이슬점 온도보다 더 낮은 온도에서 발생하였다. 연구결과를 이슬점 온도 5℃부터 16℃ 사이를 기준으로 포화수증기량 곡선과 비교했을때 증기무는 수증기량 평균 1.0g(0.5g~1.6g), 이류무는 평균 1.5g(0.0g ~ 2.1g) 정도 포화수증기량과 차이가 발생하였다. 결론적으로 기온에 따라 0.0g부터 2.1g에 상응하는 수증기량이 응결될 때까지 이슬점 온도보다 더 기온이 하강하여야 한다. 사례검증에서 UM의 역전층이 KIM과 ECMWF보다 약하게 나타났는데, UM 산출물 기반 안개가이던스 오차의 한 원인이었다. 해무 사례를 선정하여 이슬점 온도에 대한 보정상수와 역전층을 보정하는 후처리 기법을 사용하여 UM 산출물 기반 안개가이던스에 개선 TEST를 수행하였다. 전체적으로 증기무의 과소모의가 일부 개선되어 해무 발생의 시그널을 보였으며, 이류무는 과다모의를 보정하는 효과가 있었다. 결론적으로 본 연구의 결과를 후처리 기법으로 적용하였을 때 예측모델의 성능이 일부 개선될 수 있었다.
예보관의 예측정확도 향상과 수치모델 결과를 인공지능을 활용하여 별도의 학습자료 제작에 도움이 되고자 통계처리 결과와 사례검증을 통하여 증기무와 이류무에 대한 일변화 모식도를 제시하였다. 일변화 모식도에는 증기무와 이류무의 발생과 연안으로의 유입과 발달, 이후 약화와 소산, 복사무로의 변환과정에 대하여 설명하였다.
끝으로 이번 연구에서는 UM 산출물 기반 안개 가이던스의 예측 성능이 일부 향상 될 수 있음을 확인하였다. 그러나, 해양-대기 커플링이 없고 대류를 강하게 모의하는 UM 수치모델의 특성을 감안해 볼때, 해기차와 기온 역전층에 민감한 해무의 예측 정확도를 높이기에는 근본적으로 한계가 있다. 이 2개 문제점을 극복하기 위하여 해양관측망의 확충과 통합, ‘해양-대기 결합 국지 해무 예측모델’ 개발과 함께 인공지능을 활용한 수치모델의 예측성능 향상 연구와 기술 개발이 필요할 것으로 판단된다. 그리고 이러한 연구 결과는 향후 항만과 공항의 해무로 인한 안전사고 예방에 기여할 것으로 예상된다.
Sea fog is a marine and meteorological disaster that causes damage to people's lives and property at sea and in the sky, such as marine accidents, delays in shipping and logistics, hindered airline operations, and traffic accidents. However, in the prediction of sea fog, there have been limitations ...
Sea fog is a marine and meteorological disaster that causes damage to people's lives and property at sea and in the sky, such as marine accidents, delays in shipping and logistics, hindered airline operations, and traffic accidents. However, in the prediction of sea fog, there have been limitations in improving the prediction accuracy due to the limitations of oceanographic and meteorological observation data, prediction errors of numerical models, and the lack of a conceptual sea fog model.
In order to solve the above problems, this study conducted a statistical analysis of changes in the occurrence of sea fog using observation data from the Korea Meteorological Administration(KMA) and other maritime organizations and conducted case analyses to verify these statistics based on the Hwanghae Coast (Gyeonggi Bay) and the Southeast Coast (Busan and Tongyeong Seas). We aimed to improve the prediction error of the UM numerical model through post-processing of fog guidance based on the UM model output and presented a conceptual sea fog model to improve the prediction accuracy of forecasters and artificial intelligence-driven sea fog forecasting models.
First, we investigated the temporal changes and characteristics of sea fog occurrence due to climate change. The temporal changes and characteristics of sea fog occurrence have changed due to the difference in the temperature increase rate between air and seawater temperatures under climate change. Statistical analysis shows that the inversion date of the Air-Sea Temperature Difference (ASTD, Air temperature-Seawater Temperature) in the five regions where localized sea fog mainly occurs has been accelerating by an average of 0.4 days/year over the past 20 years. In the past, the frequency of steam fog and advection was between March 5 and 6, but in recent years, it has been found that the frequency has changed around February 26 and 27, which is about 8 days earlier. By region, Chilbaldo, which affects Mokpo, has the highest frequency of 1.0 days, and Deokjeokdo, which affects Gimpo Airport, has the second highest frequency of about 0.5 days. On the other hand, Geojedo, which affects Busan, was the lowest at about 0.1 days. The frequency and observation duration of sea fog were highest in Incheon and Mokpo, located on the Yellow Sea, and lowest in Busan and Changwon.
The fog developed strongly when an inversion layer formed below an altitude of about 200 meters from the sea surface, and the fog mostly weakened or dissipated as the inversion layer weakened within 3 hours after sunrise. In addition, ASTDs were mostly distributed between 0.8°C and 3.0°C for advection fog and between -1.0°C and -3.4°C for steam fog. Wind speeds were mostly between 2.1 m/s and 4.9 m/s in the advection fog and between 2.0 m/s and 4.6 m/s in the steam fog.
To improve the numerical model error, statistical data were analyzed through case verification. The case study was based on the Hwanghae Coast (Gyeonggi Bay) and the Southeast Coast (Busan-Tongyeong Sea), which respectively affect Incheon Port including Incheon-Gimpo Airport, and Busan Port including Gimhae Airport and Gadeokdo New Airport. The analysis showed that steam fog and advection fog occurred at temperatures lower than the dew point temperature, not at the dew point temperature. When the results were compared with the saturated vapor curve based on the dew point temperature between 5℃ and 19℃, the difference between water vapor content and saturated water vapor content was 1.0g (0.5g ~ 1.6g) on average for steam fog, and 1.5g (0.0g ~ 2.1g) on average for advection fog. In conclusion, the air temperature should be lower than the dew point temperature until the water vapor content of 0.0g to 2.1g condenses. In this case study, the inversion layer of the UM numerical model was weaker than that of KIM and ECMWF models, which is one of the error sources in the UM-based fog guidance.
A sea fog case was selected to improve UM-based fog guidance using a correction constant for dew point temperature and a post-processing technique to correct the inversion layer. Overall, the underestimation of steam fog was partially improved, and the overestimation of advection fog was improved. In conclusion, applying the results of this study as a post-processing technique can improve the prediction performance of the UM model.
In order to improve the forecasting accuracy of forecasters and to help create training data for artificial intelligence models by using the numerical model, we presented daily variation diagrams for steam fog and advection fog using the statistical results and case studies. The daily evolution diagrams describe the generation of steam and advection fogs, their inflow to the coast and development, their subsequent weakening and dissipation, and their transformation into radiation fog.
In conclusion, this study shows that there is some improvement in the forecast performance in the UM-based fog guidance. However, given the characteristics of UM numerical model that lacks air-sea coupling and simulates convection strongly, there are fundamental limitations in improving the prediction accuracy of sea fog, which is sensitive to the ASTD and the inversion layer of air temperature. To overcome these two problems, it is necessary to expand and integrate the ocean observation network, develop an 'air-sea coupling localized sea fog prediction model', and research to develop better prediction performance of numerical models using artificial intelligence. In addition, these findings will contribute to the prevention of safety accidents caused by sea fog in ports and airports in the future.
Sea fog is a marine and meteorological disaster that causes damage to people's lives and property at sea and in the sky, such as marine accidents, delays in shipping and logistics, hindered airline operations, and traffic accidents. However, in the prediction of sea fog, there have been limitations in improving the prediction accuracy due to the limitations of oceanographic and meteorological observation data, prediction errors of numerical models, and the lack of a conceptual sea fog model.
In order to solve the above problems, this study conducted a statistical analysis of changes in the occurrence of sea fog using observation data from the Korea Meteorological Administration(KMA) and other maritime organizations and conducted case analyses to verify these statistics based on the Hwanghae Coast (Gyeonggi Bay) and the Southeast Coast (Busan and Tongyeong Seas). We aimed to improve the prediction error of the UM numerical model through post-processing of fog guidance based on the UM model output and presented a conceptual sea fog model to improve the prediction accuracy of forecasters and artificial intelligence-driven sea fog forecasting models.
First, we investigated the temporal changes and characteristics of sea fog occurrence due to climate change. The temporal changes and characteristics of sea fog occurrence have changed due to the difference in the temperature increase rate between air and seawater temperatures under climate change. Statistical analysis shows that the inversion date of the Air-Sea Temperature Difference (ASTD, Air temperature-Seawater Temperature) in the five regions where localized sea fog mainly occurs has been accelerating by an average of 0.4 days/year over the past 20 years. In the past, the frequency of steam fog and advection was between March 5 and 6, but in recent years, it has been found that the frequency has changed around February 26 and 27, which is about 8 days earlier. By region, Chilbaldo, which affects Mokpo, has the highest frequency of 1.0 days, and Deokjeokdo, which affects Gimpo Airport, has the second highest frequency of about 0.5 days. On the other hand, Geojedo, which affects Busan, was the lowest at about 0.1 days. The frequency and observation duration of sea fog were highest in Incheon and Mokpo, located on the Yellow Sea, and lowest in Busan and Changwon.
The fog developed strongly when an inversion layer formed below an altitude of about 200 meters from the sea surface, and the fog mostly weakened or dissipated as the inversion layer weakened within 3 hours after sunrise. In addition, ASTDs were mostly distributed between 0.8°C and 3.0°C for advection fog and between -1.0°C and -3.4°C for steam fog. Wind speeds were mostly between 2.1 m/s and 4.9 m/s in the advection fog and between 2.0 m/s and 4.6 m/s in the steam fog.
To improve the numerical model error, statistical data were analyzed through case verification. The case study was based on the Hwanghae Coast (Gyeonggi Bay) and the Southeast Coast (Busan-Tongyeong Sea), which respectively affect Incheon Port including Incheon-Gimpo Airport, and Busan Port including Gimhae Airport and Gadeokdo New Airport. The analysis showed that steam fog and advection fog occurred at temperatures lower than the dew point temperature, not at the dew point temperature. When the results were compared with the saturated vapor curve based on the dew point temperature between 5℃ and 19℃, the difference between water vapor content and saturated water vapor content was 1.0g (0.5g ~ 1.6g) on average for steam fog, and 1.5g (0.0g ~ 2.1g) on average for advection fog. In conclusion, the air temperature should be lower than the dew point temperature until the water vapor content of 0.0g to 2.1g condenses. In this case study, the inversion layer of the UM numerical model was weaker than that of KIM and ECMWF models, which is one of the error sources in the UM-based fog guidance.
A sea fog case was selected to improve UM-based fog guidance using a correction constant for dew point temperature and a post-processing technique to correct the inversion layer. Overall, the underestimation of steam fog was partially improved, and the overestimation of advection fog was improved. In conclusion, applying the results of this study as a post-processing technique can improve the prediction performance of the UM model.
In order to improve the forecasting accuracy of forecasters and to help create training data for artificial intelligence models by using the numerical model, we presented daily variation diagrams for steam fog and advection fog using the statistical results and case studies. The daily evolution diagrams describe the generation of steam and advection fogs, their inflow to the coast and development, their subsequent weakening and dissipation, and their transformation into radiation fog.
In conclusion, this study shows that there is some improvement in the forecast performance in the UM-based fog guidance. However, given the characteristics of UM numerical model that lacks air-sea coupling and simulates convection strongly, there are fundamental limitations in improving the prediction accuracy of sea fog, which is sensitive to the ASTD and the inversion layer of air temperature. To overcome these two problems, it is necessary to expand and integrate the ocean observation network, develop an 'air-sea coupling localized sea fog prediction model', and research to develop better prediction performance of numerical models using artificial intelligence. In addition, these findings will contribute to the prevention of safety accidents caused by sea fog in ports and airports in the future.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.