$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

상층기상자료와 신경망기법을 이용한 면적강우 예측

Forecast of Areal Average Rainfall Using Radiosonde Data and Neural Networks

초록

본 연구에서는 상층기상자료, 자동 기상 관측망 자료 및 신경망기법을 사용하여 단시간 강우 예측 모형을 개발하였다. 호우를 동반한 이송 기상 시스템의 이동 경로가 라디오존데로부터 획득할 수 있는 상층기상 자료 즉 상층 풍향자료와 동일한 방향으로 이동한다는 가정 하에 원거리에서 발생하는 기상현상의 발달과정을 판단 할 수 있는 알고리즘을 개발하고, 이러한 원거리 입력 자료와 예측하고자 하는 값 사이의 비선형 상관관계를 연결하는 기법으로 인공 신경망 기법을 도입하였다. 개발된 모형을 2002년 태풍 루사로 인하여 큰 피해를 입은 감천지역에 적용하였다. 포항과 오산의 라디오존데에서 획득한 700mb에서의 풍향자료와 5년의 자료기간을 가지는 350개의 자동 기상 관측망 자료를 입력 자료로 사용하였으며 결과는 상층 풍향자료를 사용한 경우에 상관계수가 0.41에서 0.73으로 개선되었으며 숙련도도 35%향상되었다. 모형의 개선도를 나타내는 통계치의 개선을 통해 상층기상자료를 활용한 강우예측 모형이 단지 지상 강우계 자료만 사용한 예측보다 개선된 결과를 보여줌을 알 수 있다.

Abstract

In this study, we developed a rainfall forecasting model using data from radiosonde and rain gauge network and neural networks. The primary hypothesis is that if we can consider the moving direction of the rain generating weather system in forecasting rainfall, we can get more accurate results. We assume that the moving direction of the rain generating weather system is same as the wind direction at 700mb which is measured at radiosonde networks. Neural networks are consisted of 8 different modules according to 8 different wind directions. The model was verified using 350 AWS data and Pohang radiosonde data. Correlation coefficient is improved from 0.41 to 0.73 and skill score is 0.35. Statistical performance measures of the Quantitative Precipitation Forecast (QPF) model show improved output compared to that of rainfall forecasting model using only AWS data.

저자의 다른 논문

참고문헌 (15)

  1. 김광섭, 이을래 (2004). '신경망기법과 보조자료를 사용한 원격측정 토양수분자료의 Downscaling기법 개발', 한국수자원학회논문집, 한국수자원학회, Vol. 37, No.1, pp. 21-29 
  2. 김성원, 이순탁, 조정식 (2001). '중소하천유역에서 Hybrid Neural Networks에 의한 수문학적 예측, 한국수자원학회논문집, 한국수자원학회, Vol. 34, No. 4, pp. 303-316 
  3. 전경수, 김병익 (2001). '돌발홍수 예경보 시스템' 한국 수자원학회지, 한국수자원학회, Vol. 34, No.2. pp. 48-56 
  4. Chang, F., Chen, Y. (2001). 'A counterpropagation fuzzy-neural network modeling approach to real time streamflow prediction' Journal of Hydrology, Elsevier, Vol. 245, pp. 153-164 
  5. Fletcher, D.S., Goss, E. (1993). 'Forecasting with neural networks: an application using bankruptcy data' Information Management, Elsevier, Vol. 24, pp 159-167 
  6. Hall, T., Brooks, H.E., Doswell C.A.III. (1999). 'Precipitation forecasting using neural network' Weather and Forecasting, AMS, Vol. 14, pp. 338-345 
  7. Hassibi, B., Sayed, A.H., Kailath, T. (1994). 'H optimality criteria for LMS and backprogation' Advances in Neural Information Processing Systems, Morgan- Kaufmann, Vol. 6, pp. 351-359 
  8. Imrie, C.E., Durucan, S., Korre, A. (2000). 'River flow prediction using artificial neural networks : generation beyond the calibration range' Journal of Hydrology, Elsevier, Vol. 233, pp. 138-153 
  9. Kim, G.S. and Barros, A.P. (2001). 'Quantitative flood forecasting using multisensor data and neural networks' Journal of Hydrology, Elsevier, Vol. 246, pp. 45-62 
  10. Kuligowski, R.J. and Barros, A.P. (1998). 'Experiments in short-term precipitation forecasting using artificial neural networks' Monthly Weather Review, AMS, Vol. 126, pp. 470-482 
  11. Maier, H.R., Dandy, G.C. (1996). 'The use of artificial neural networks for the prediction of water quality parameters' Water Resources Research, AGU, Vol. 32, No.4, pp. 1013-1022 
  12. Marzban, C., Gregory, J.S. (1996). 'A neural network fat tornado prediction based on Doppler radar derived attributes' Journal of Applied Meteorology, AMS, Vol 35, pp. 617-626 
  13. McCulloch, W.S., Pitts, W. (1943). 'A logical calculus of the ideas immanent in nervous activity' Bulletin of Mathematical Biophysics, SMB, Vol. 5, pp. 115-133 
  14. Shanseldin, A Y. (1997). 'Application of a neural network technique to rainfall-runoff modeling' Journal of Hydrology, Elsevier, Vol. 199, pp. 272-294 
  15. 권원태, 최영은, 오재호, 민승기 (2003). '우리나라 기후 변화의 과거와 미래', 한국수자원학회 학술발표 논문집, 한국수자원학회, Vol. 1, pp. 463-466 

이 논문을 인용한 문헌 (3)

  1. Kang, Boosik ; Lee, Bongki 2008. "Predicting Probability of Precipitation Using Artificial Neural Network and Mesoscale Numerical Weather Prediction" 大韓土木學會論文集, Journal of the Korean Society of Civil Engineers, B. 수공학, 해안 및 항만공학, 환경 및 생태공학, 28(b5): 485~493 
  2. Oh, Jae-Woo ; Park, Jin-Hyeog ; Kim, Young-Kuk 2008. "Missing Hydrological Data Estimation using Neural Network and Real Time Data Reconciliation" 韓國水資源學會論文集 = Journal of Korea Water Resources Association, 41(10): 1059~1065 
  3. Han, Kwang-Hee ; Ryu, Yong-Jun ; Kim, Tae-Soon ; Heo, Jun-Haeng 2010. "Input Variables Selection of Artificial Neural Network Using Mutual Information" 韓國水資源學會論文集 = Journal of Korea Water Resources Association, 43(1): 81~94 

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일