선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이 연구에서는 여러가지 기상요소들 중 순간변동이 심하고 국지성이 강하여 정확한 예측을 하기가 어려운 바람에 대하여 다중모델 앙상블 예측을 수행하였다. 앙상블 예측이 가지는 초기 오차와 모델에 내재된 예측 오차를 보정하기 위한 통계적인 기법으로 초기 오차 보정기법을 수행하였고, 초기 오차 보정 후 예측의 정확성을 더욱 높이기 위해 바람 특성에 맞는 앙상블 훈련을 실시하였다.
가설 설정
- 즉, Weightm는 RMSVE의 값이 작을수록 오차가 작으므로 개별 멤버의 1/RMSVE를 모두 더한 값과 각 개별 멤버가 차지하는 1/RMSVE의 비로 나타낼 수 있다. 각 훈련 기간별 앙상블 훈련 이후 예측 과정에서는 각 멤버의 가중치가 훈련 후의 24시간 예보에도 계속 적으로 유효하다는 가정을 하였다. 그리고 앙상블 훈련을 통하여 구한 개별 멤버들의 가중치를 예측 전 멤버별로 적용하여 앙상블 가중 평균을 구한 뒤 앙상블 바람 예측을 수행하였다.
제안 방법
- 2006년 여름철 (6∼8월)에 대하여 1일 4회 (00, 06, 12, 18 UTC) 1시간 간격의 24시간 앙상블 예측이 지상 바람에 대해 수행되었다. 예측 결과에 대한 검증은 610개의 AWS 관측지점 (Fig.
- 이는 예측값과 관측값의 차이인 오차의 크기를 나타내는 RMSE와 유사한 개념이지만 RMSE는 스칼라값을 고려하고 RMSVE는 벡터값을 고려한다. 그리고 u, v 성분으로부터 구한 풍향, 풍속은 BIAS와 RMSE를 사용하여 검증하였다.
- 각 훈련 기간별 앙상블 훈련 이후 예측 과정에서는 각 멤버의 가중치가 훈련 후의 24시간 예보에도 계속 적으로 유효하다는 가정을 하였다. 그리고 앙상블 훈련을 통하여 구한 개별 멤버들의 가중치를 예측 전 멤버별로 적용하여 앙상블 가중 평균을 구한 뒤 앙상블 바람 예측을 수행하였다.
- 두 번째는 초기 오차가 보정된 멤버별 u, v를 다중모델 슈퍼앙상블 기법을 이용하여 다시 보정한 후 앙상블 바람 예측을 수행하였다. 이 기법에서 사용되는 슈퍼앙상블 알고리즘은 훈련 및 학습 단계와 예보 단계의 두 부분으로 구성된다.
- 따라서 본 연구에서는 MM5 (Grell et al., 1994), WRF (Weather Research and Forecasting) ARW (Advanced Research WRF; Skamarock et al., 2005), WRF NMM (Nonhydrostatic Mesoscale Model)의 3개의 역학체계로 구성된 총 16개의 멤버로 다중모델 앙상블 예측시스템을 구축하고, 00, 06, 12, 18 UTC를 초기 시각으로 1시간 간격의 24시간 앙상블 바람 예측을 수행하였다 (기상연구소, 2006). 또한 기존의 앙상블 바람 예측이 포함하는 오차를 평가하고 보정하여 예측숙련도를 높이기 위해 바람 특성에 맞는 다중모델 슈퍼 앙상블 기법의 앙상블 훈련 (ensemble training)을 개발하고 수행하였다.
- , 2005), WRF NMM (Nonhydrostatic Mesoscale Model)의 3개의 역학체계로 구성된 총 16개의 멤버로 다중모델 앙상블 예측시스템을 구축하고, 00, 06, 12, 18 UTC를 초기 시각으로 1시간 간격의 24시간 앙상블 바람 예측을 수행하였다 (기상연구소, 2006). 또한 기존의 앙상블 바람 예측이 포함하는 오차를 평가하고 보정하여 예측숙련도를 높이기 위해 바람 특성에 맞는 다중모델 슈퍼 앙상블 기법의 앙상블 훈련 (ensemble training)을 개발하고 수행하였다. 앙상블 훈련은 모델의 예측 자료와 고해상도 자료인 AWS (automatic weather station) 자료를 사용하여 구한 RMSVE (Root Mean Square Vector Error; Cox et al, 1998)를 이용하여 예측 전 훈련 기간별로 최신화 된 가중치를 멤버별로 적용하여 이루어지며, 앙상블 훈련 후 예측된 바람은 AWS의 바람 관측 자료와 검증을 수행하였다.
- 2003). 또한 허리케인의 지상 바람을 정확하게 예측하기 위해 기존의 Holland 모델에 비대칭항을 추가하여 새로운 비대칭 Holland 모델 (new asymmetric Holland model)을 개발하고 수행하였다. 그 결과 대칭 바람 예측 모델(symmetric wind forecast model)보다 더 정확한 허리케인의 바람 예측 결과를 보였다 (Xie et al.
- 본 연구에서는 앙상블 바람 예측을 위하여 초기 오차 보정된 u, v를 이용하여 예측 전 1일, 2일, 3일, 5일, 10일, 20일, 한 달 동안 앙상블 훈련을 수행하고, 각 훈련 기간별로 예측 전 최신화 된 멤버들의 가중치를 구하였다. 훈련 과정에서 각 멤버의 가중치는 식 (2)로 구 하였다.
- 앙상블 멤버 중 M4와 M6은 기상연구소의 단시간 분석 및 예측시스템 (Short Range Analysis and Prediction System, SRAPS)을 근간으로 산출하였고 (기상연구소, 2003), SRAPS의 분석시스템에서는 KLAPS를 이용하여 자료동화가 이루어졌다. KLAPS는 미국 NOAA의 FSL (Forecast Systems Laboratory)에서 개발한 국지분석 시스템 (Albers et al.
- 앙상블 바람 예측을 위하여 서로 다른 역학 체계를 가지는 MM5, WRF ARW, WRF NMM의 3개 모델을 기반으로 16개의 앙상블 멤버들을 구성하여 다중모델 앙상블 예측시스템을 구축하였다. 그리고 2006년 여름철 00, 06, 12, 18 UTC를 초기시각으로 1시간 간격의 24시간 앙상블 바람 예측을 수행하였으며, 검증은 610개의 기상청 AWS 관측지점의 바람자료를 사용하였다.
- 이 연구에서는 여러가지 기상요소들 중 순간변동이 심하고 국지성이 강하여 정확한 예측을 하기가 어려운 바람에 대하여 다중모델 앙상블 예측을 수행하였다. 앙상블 예측이 가지는 초기 오차와 모델에 내재된 예측 오차를 보정하기 위한 통계적인 기법으로 초기 오차 보정기법을 수행하였고, 초기 오차 보정 후 예측의 정확성을 더욱 높이기 위해 바람 특성에 맞는 앙상블 훈련을 실시하였다.
- 또한 기존의 앙상블 바람 예측이 포함하는 오차를 평가하고 보정하여 예측숙련도를 높이기 위해 바람 특성에 맞는 다중모델 슈퍼 앙상블 기법의 앙상블 훈련 (ensemble training)을 개발하고 수행하였다. 앙상블 훈련은 모델의 예측 자료와 고해상도 자료인 AWS (automatic weather station) 자료를 사용하여 구한 RMSVE (Root Mean Square Vector Error; Cox et al, 1998)를 이용하여 예측 전 훈련 기간별로 최신화 된 가중치를 멤버별로 적용하여 이루어지며, 앙상블 훈련 후 예측된 바람은 AWS의 바람 관측 자료와 검증을 수행하였다.
- 앙상블 훈련은 초기 오차가 보정된 u, v 성분으로 RMSVE를 계산하고 이를 이용하여 앙상블 멤버별 가중치를 구하였다. 이렇게 구한 가중치를 예측 전 다양한 훈련 기간별로 최신화시켜 멤버에 적용하는 방법으로 앙상블 훈련이 수행되었다.
- 위의 결과를 바탕으로 앙상블 훈련 기간을 1일로 선택하고, AVG와 WAVG-01를 자세히 비교·분석하여 앙상블 훈련을 통한 예측의 장점을 알아내고자 앙상블 예측 수행 기간을 2006년 6월 2일 0000 UTC∼8월 31일 1800 UTC로 하였다. Fig.
- 이러한 3가지의 역학체계로 총 16개의 앙상블 멤버를 구성하고, 다중모델 앙상블 예측시스템을 구축하였다. 각 멤버들은 MM5 기반의 6개 (M1∼M6), WRF ARW 기반의 7개 (W1∼W7), WRF NMM 기반의 3개 (N1∼N3)로 각각 구성되었다.
- 즉, 모든 개별 멤버에 대하여 관측 지점별로 F01의 u, v 성분의 예측값과 관측값의 차이를 모든 예측 시각에 대하여 공통적으로 보정하였다. 이렇게 u, v 각 성분이 보정된 개별 멤버로부터 다시 앙상블 평균을 산출함으로서 초기 오차가 보정된 앙상블 바람 예측을 수행하였다.
- 매 예보단계에서는 최신화 된 가중치가 부여된 앙상블 멤버들로부터 앙상블 가중 평균을 산출하여 앙상블 예측을 수행한다. 즉, 다중모델 앙상블 훈련을 통한 앙상블 예측은 정해진 훈련 기간 동안 앙상블 훈련이 매회 수행되면서 나온 최신화 된 훈련 결과를 이용하여 예측을 수행한다. 최근에는 이러한 기법을 이용하여 앙상블 멤버에 가중치를 부여한 다중모델 예측에 대한 연구가 다양하게 수행되어 왔다 (Kharin and Zwiers, 2002; Stefanova and Krishnamurti, 2002; Yun et al.
- 앙상블 바람 예측이 가지는 초기 오차와 모델에 내재된 예측 오차를 보정하기 위하여 통계적인 기법인 초기 오차 보정기법을 이용하였다. 초기 오차를 보정한 후에는 다중모델의 결과를 후처리하여 결정론적이고 확률적인 예측을 산출하는 다중모델 슈퍼앙상블 기법의 앙상블 훈련을 실시하였다. 모델이 1시간 간격으로 24시간 예측을 수행하므로 예측 시각은 F01∼F24로 나타내었다.
- 훈련 기간별 앙상블 바람 예측의 예측숙련도를 알아보기 위해 예측 전 1일 동안 훈련한 후의 앙상블 가중평균을 WAVG-01, 2일 동안 훈련한 후의 앙상블 가중평균을 WAVG-02, 그리고 각 훈련 기간별로 각각 WAVG-03, WAVG-05, WAVG-10, WAVG-20, WAVG-30으로 나타내었다. Fig.
대상 데이터
- 이러한 3가지의 역학체계로 총 16개의 앙상블 멤버를 구성하고, 다중모델 앙상블 예측시스템을 구축하였다. 각 멤버들은 MM5 기반의 6개 (M1∼M6), WRF ARW 기반의 7개 (W1∼W7), WRF NMM 기반의 3개 (N1∼N3)로 각각 구성되었다. 각 멤버들의 구름 물리 과정, 적운 대류 모수화 과정, 행성 경계층 모수화 방안과 한반도 국지규모 기상자료 분석시스템 (Korea Local Analysis and Prediction System, KLAPS)의 이용여부에 대해서는 Table 1에 자세하게 나타내었다.
- 앙상블 바람 예측을 위하여 서로 다른 역학 체계를 가지는 MM5, WRF ARW, WRF NMM의 3개 모델을 기반으로 16개의 앙상블 멤버들을 구성하여 다중모델 앙상블 예측시스템을 구축하였다. 그리고 2006년 여름철 00, 06, 12, 18 UTC를 초기시각으로 1시간 간격의 24시간 앙상블 바람 예측을 수행하였으며, 검증은 610개의 기상청 AWS 관측지점의 바람자료를 사용하였다.
- 모델 영역은 한반도를 중심으로 한 동아시아 지역으로 181 × 210의 수평격자로 구성되어 있으며 (Fig. 1a), 모델의 수평 해상도는 18 km이다. 모델의 연직층은 35층으로 구성되었으며, 연직 상단은 50hPa이다.
- 1a), 모델의 수평 해상도는 18 km이다. 모델의 연직층은 35층으로 구성되었으며, 연직 상단은 50hPa이다. 초기값과 경계값은 수평격자 간격이 1° × 1° 이고, 6시간마다 자료가 생산되는 NCEP FNL (final analysis) 자료를 사용하였다.
- 앙상블 바람 예측을 위해 운영된 앙상블 멤버는 총 16개이며, 각 멤버는 독립적인 초기조건과 물리과정으로 구성된 다중모델이다. 다중모델을 구성하고 있는 MM5, WRF ARW, WRF NMM 모델의 역학체계는 다음과 같다.
- 2006년 여름철 (6∼8월)에 대하여 1일 4회 (00, 06, 12, 18 UTC) 1시간 간격의 24시간 앙상블 예측이 지상 바람에 대해 수행되었다. 예측 결과에 대한 검증은 610개의 AWS 관측지점 (Fig. 1b)의 지상 바람을 사용하였다. 검증 방법은 식 (1)과 같이 u, v 벡터값을 고려한 RMSVE를 적용하였다.
- , 1996)을 기반으로 기상연구소에서 개발한 국지 분석 시스템으로 종관 및 비종관 자료를 이용하여 지상 및 3차원 바람, 온도, 습도, 구름, 강수, 토양 등의 분석 과정을 통하여 3차원 기상 분석장을 제공하게 된다. 이때 기상 분석에 사용되는 자료는 GTS (Global Telecommunication System)를 통해 수신되는 각종 종관 관측자료와 항공 지상 관측자료, 민간 항공기 관측자료인 ACARS (Aircraft Communications, Addressing, and Reporting System) 자료 등이 사용된다. 그리고 지상 기온장의 보정은 정지 기상 위성 (Geostationary Satellite)의 휘도온도 자료에 변분법을 적용하여 이루어지고 있다 (김용상 등, 2005).
- 모델의 연직층은 35층으로 구성되었으며, 연직 상단은 50hPa이다. 초기값과 경계값은 수평격자 간격이 1° × 1° 이고, 6시간마다 자료가 생산되는 NCEP FNL (final analysis) 자료를 사용하였다.
이론/모형
- 다중모델을 구성하고 있는 MM5, WRF ARW, WRF NMM 모델의 역학체계는 다음과 같다. MM5는 비압축성 비정수계 (non-compressible non-hydrostatic) 모델로 수평격자는 Arakawa B 격자 체계를 사용하고, 연직격자는 지형을 따라가는 시그마 좌표계 ( coordinate)를 사용한다. WRF ARW는 NCAR 에서 개발한 수치모델로 완전 압축성 비정수계 (fully compressible non-hydrostatic) 모델이다.
- WRF ARW는 NCAR 에서 개발한 수치모델로 완전 압축성 비정수계 (fully compressible non-hydrostatic) 모델이다. 수평격자는 Arakawa C 격자체계를 사용하고, 연직격자는 Eulerian 질량 좌표계 (mass-based terrain following coordinate)를 사용한다. WRF NMM은 NCEP에서 개발한 수치 모델로 WRF ARW와 마찬가지로 완전 압축성 비정수계 모델이다.
- WRF NMM은 NCEP에서 개발한 수치 모델로 WRF ARW와 마찬가지로 완전 압축성 비정수계 모델이다. 수평격자는 Arakawa E 격자체계를 사용하고, 연직격자는 하이브리드 좌표계 (pressure-sigma coordinate)를 사용한다.
- 앙상블 바람 예측이 가지는 초기 오차와 모델에 내재된 예측 오차를 보정하기 위하여 통계적인 기법인 초기 오차 보정기법을 이용하였다. 초기 오차를 보정한 후에는 다중모델의 결과를 후처리하여 결정론적이고 확률적인 예측을 산출하는 다중모델 슈퍼앙상블 기법의 앙상블 훈련을 실시하였다.
성능/효과
- 6에서는 검증 기간 중 풍향의 AVG와 WAVG-01을 비교하기 위하여 무풍인 경우를 제외한 풍향의 BIAS와 RMSE를 나타내었다. AVG의 BIAS 는 4.0°, WAVG-01의 BIAS는 4.0°로 나타났으며, AVG의 RMSE는 77.3°, WAVG-01의 RMSE는 77.5° 로 나타나 BIAS, RMSE 모두 보정 전후의 차이가 거의 없이 나타났다. 따라서 풍향보다는 풍속의 경우에 보정 효과가 뚜렷하게 잘 나타남을 알 수 있다.
- 4에서는 앙상블 단순평균 (AVG), 초기 오차 보정 후의 앙상블 단순평균 (CAVG), 그리고 훈련 기간별로 구한 앙상블 가중평균 (WAVG-01∼ WAVG-30)의 예측숙련도를 알아보기 위해 각 앙상블 예측의 RMSVE를 나타내었다. CAVG의 RMSVE는 AVG의 RMSVE에 비해 약 0.29 m s-1 감소하였으며, 초기 오차 보정 전의 모든 멤버의 RMSVE에 대해서도 가장 작게 나타나 초기 오차 보정의 효과가 뚜렷하게 나타났다. 따라서 초기값에 의한 오차가 전체 오차에서 차지하는 비중이 비교적 큰 것을 알 수 있다 (최정희 등, 2005).
- 7에서는 u, v 성분의 공간적인 오차 특성을 살펴보고자 AVG와 WAVG-01에 대한 RMSVE의 공간 분포를 나타내었다. WAVG-01의 전 지점 평균값은 3.25 m s-1로 AVG의 3.50 m s-1에 비해 0.25 m s-1 만큼 작아졌고, 공간적으로도 전 지역에서 비교적 고르면서 낮은 RMSVE를 나타내고 있어 오차가 작아졌음을 알 수 있다. 특히 AVG는 동해안을 따른 산맥지역과 전라북도의 덕유산 지역에서 RMSVE가 크게 나타났고, 서해안 지역과 영주, 대구, 거창 지역에서는 RMSVE가 작게 나타났다.
- 2에서는 초기 오차 보정 전의 개별 멤버들 (M1∼N3)과 앙상블 단순평균 (AVG)의 오차에 대한 정량적인 평가를 하기 위해서 u, v 성분의 RMSVE를 나타내었다. 개별 멤버들 중 M5의 RMSVE는 3.31 m s-1로 나타나 가장 작은 오차를 보이고 있으며, AVG는 3.43 m s-1로 나타났다. 따라서 AVG는 M5를 제외한 15개의 나머지 멤버들 보다 가장 작은 오차를 보이고 있어 앙상블 예측의 장점이 잘 나타나고 있음을 알 수 있다.
- 3에서는 u, v 각 성분의 초기 오차가 보정된 후 수행될 앙상블 훈련을 위하여 각 멤버별로 2006년 6월 1일 0000 UTC ∼ 8월 30일 1800 UTC (91일간) 기간의 일별 가중치를 구하고 각 멤버별 가중치의 평균을 나타내었다. 그 결과 개별 멤버 16개 중에 M5의 가중치가 6.88%로 가장 높고, M6가 5.14%로 가장 낮게 나타나 앙상블 바람 예측에서 멤버별 예측숙련도의 차이를 알 수 있다. 그리고 이러한 멤버별 예측 숙련도의 차이는 앙상블 훈련을 통한 앙상블 바람 예측의 정확성에 영향을 준다.
- (2007)은 00 UTC를 초기시각으로 1시간 간격의 48시간 앙상블 예측을 수행하였다. 그결과 앙상블 예측은 앙상블 멤버들에 비해 작은 오차를 나타내어 앙상블 예측의 장점이 잘 나타났다. 그러나 대부분의 선행 연구에서는 바람만을 중점적으로 앙상블 예측을 수행한 것이 아니라 여러 가지 기상 요소들과 같이 앙상블 예측이 수행되어 바람의 특성을 적절히 고려한 앙상블 예측을 수행하는데 한계가 있었다.
- 이는 앙상블 훈련을 통해 나온각 멤버의 가중치가 훈련 후 24시간 예보에도 계속적으로 유효하다는 가정을 하고, 1일 동안의 평균 가중치를 각 예측 시각 (F01∼F24)에 부여한 방법이 12시간이내의 단시간 예측에 유용한 결과를 나타내는 것으로 사려된다. 그리고 본 연구에서는 00, 06, 12, 18 UTC 를 초기시각으로 하루에 4 번, 1시간 간격으로 24시간 예측이 수행되었으므로, 각 초기시각에서 12시간 이내의 단시간 앙상블 바람 예측 결과를 이용하게 된다면 앙상블 훈련을 통한 예측의 유용성을 충분히 더 가질수 있다. 따라서 단시간 앙상블 바람 예측에서 초기 12시간까지의 예측은 앙상블 훈련을 통해 수행하고, 12시간 이후의 예측에서는 단순 앙상블 평균을 사용하는 등의 블랜딩을 통해 예측성을 유지할 수 있을 것으로 사려된다.
- 3의 결과를 보면 AVG는 개별 멤버들 중 가장 좋은 예측 결과를 보인 M5에 강하게 의존한 것처럼 보이나 실제로 영향은 크지 않았다. 그림을 제시하지는 않았지만 M5를 제외한 나머지 15개의 앙상블 멤버로 앙상블 바람 예측을 수행한 결과 RMSVE는 3.46 m s-1로 나타나 AVG에 비해 0.03 m s-1 정도로 미미하게 증가하였다. 따라서 M5가 앙상블 평균에 미치는 영향은 크지 않음을 알 수 있으며, M5를 제외한 앙상블 평균을 다른 멤버들과 비교하였을 때도 여전히 앙상블 평균의 장점이 잘 나타나고 있다.
- 따라서 RMSVE를 이용한 새로운 앙상블 훈련은 기존의 앙상블 바람 예측의 예측숙련도를 높일 수 있는 새로운 방법으로 앙상블 바람 예측에 매우 유용함을 확인할 수 있었다. 하지만 국지성이 강한 바람의 특성상 풍향에 대한 보정이 쉽지 않은 단점이 있어 이에 대한 연구가 필요하다.
- 그러나 WAVG-02의 RMSVE는 다시 증가하여 CAVG와 비슷한 값을 나타내었고, WAVG-03, WAVG-05 등 그이상의 훈련 기간의 앙상블 예측도 큰 변화 없이 WAVG-02와 비슷한 경향을 나타내었다. 따라서 다중 모델 앙상블 훈련을 통한 앙상블 바람 예측에서는 예측 전 훈련기간이 1일인 경우에 앙상블 예측의 장점이 가장 잘 나타났다.
- 그리고 본 연구에서는 00, 06, 12, 18 UTC 를 초기시각으로 하루에 4 번, 1시간 간격으로 24시간 예측이 수행되었으므로, 각 초기시각에서 12시간 이내의 단시간 앙상블 바람 예측 결과를 이용하게 된다면 앙상블 훈련을 통한 예측의 유용성을 충분히 더 가질수 있다. 따라서 단시간 앙상블 바람 예측에서 초기 12시간까지의 예측은 앙상블 훈련을 통해 수행하고, 12시간 이후의 예측에서는 단순 앙상블 평균을 사용하는 등의 블랜딩을 통해 예측성을 유지할 수 있을 것으로 사려된다.
- RMSVE를 살펴보면 AVG는 예측시간에 따른 오차가 크게 특징적이지 않고 전반적으로 그 값이 큰 편이나 WAVG-01은 예측시간이 길어질수록 오차가 서서히 증가하는 경향을 나타내고 있다. 따라서, 예측시간이 짧을수록 WAVG-01은 AVG에 비해 상대적으로 작은 RMSVE를 나타내었으며, 13시간 예보부터는 반대로 WAVG-01가 AVG에 비해 상대적으로 큰 RMSVE를 나타내고 있다 (Fig. 10a). BIAS의 경우에도 RMSVE 와 비슷한 경향을 나타내었으며, 특히 17시간 예보부터는 WAVG-01이 AVG에 비해 상대적으로 큰 BIAS 를 나타내었다 (Fig.
- 훈련 후의 u, v에 대하여 RMSVE를 이용하여 검증한 결과 예측 전 훈련기간이 1일 (WAVG-01)인 경우에 가장 작은 오차를 나타내었고, 특히 풍향보다는 풍속의 보정효과가 뚜렷하게 나타났다. 앙상블 훈련을 통한 바람 예측은 RMSVE, BIAS, RMSE의 공간분포에서도 기존의 앙상블 단순 평균에 의한 예측 결과보다 더 작은 오차를 보이고 시․공간적으로도 편중된 오차가 완화된 높은 예측숙련도를 나타냈다.
- 따라서 초기값에 의한 오차가 전체 오차에서 차지하는 비중이 비교적 큰 것을 알 수 있다 (최정희 등, 2005). 초기 오차 보정 후 앙상블 훈련을 통한 앙상블 바람 예측에서는 WAVG-01의 RMSVE가 3.08 m s-1로 나타나 각 앙상블 멤버, AVG, CAVG와 비교 하였을 때 가장 작은 값을 나타냈으며, 특히 AVG의 RMSVE에 비해서는 0.35 m s-1만큼 감소하였다. 그러나 WAVG-02의 RMSVE는 다시 증가하여 CAVG와 비슷한 값을 나타내었고, WAVG-03, WAVG-05 등 그이상의 훈련 기간의 앙상블 예측도 큰 변화 없이 WAVG-02와 비슷한 경향을 나타내었다.
- 25 m s-1 만큼 작아졌고, 공간적으로도 전 지역에서 비교적 고르면서 낮은 RMSVE를 나타내고 있어 오차가 작아졌음을 알 수 있다. 특히 AVG는 동해안을 따른 산맥지역과 전라북도의 덕유산 지역에서 RMSVE가 크게 나타났고, 서해안 지역과 영주, 대구, 거창 지역에서는 RMSVE가 작게 나타났다. 따라서 지형적인 영향이 뚜렷하게 나타나고 있음을 알 수 있다.
- 이렇게 구한 가중치를 예측 전 다양한 훈련 기간별로 최신화시켜 멤버에 적용하는 방법으로 앙상블 훈련이 수행되었다. 훈련 후의 u, v에 대하여 RMSVE를 이용하여 검증한 결과 예측 전 훈련기간이 1일 (WAVG-01)인 경우에 가장 작은 오차를 나타내었고, 특히 풍향보다는 풍속의 보정효과가 뚜렷하게 나타났다. 앙상블 훈련을 통한 바람 예측은 RMSVE, BIAS, RMSE의 공간분포에서도 기존의 앙상블 단순 평균에 의한 예측 결과보다 더 작은 오차를 보이고 시․공간적으로도 편중된 오차가 완화된 높은 예측숙련도를 나타냈다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.