한반도 영역을 대상으로 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상관측(upper-air sounding)의 관측자료를 이용하여 권역별 강수발생확률을 예측할 수 있는 인공신경망 모형을 제시하였다. 사용된 자료의 기간은 2001년 7, 8월과 2002년 6월로 홍수기를 대상으로 하였다. 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y방향 바람성분, 750 hPa에서의 X와 Y방향 바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압, 3시간 누적 강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의 누적강수, 가강수량, 상대습도등을 신경망의 예측인자로 사용하였다. 신경망의 구조는 3층 MLP(Multi Layer Perceptron)로 구성하여 역전파알고리즘(Back-propagation)을 학습방법으로 사용하였다. 신경망예측결과 한반도전체에 대한 예측성과의 개선은 H가 6.8%상승하였고, 특히 TS와 POD는 각각 99.2%와 148.1% 상승함으로서 강수예측에 대한 신경망모형이 효과적인 도구가 될 수 있음을 확인하였다. KSS 역시 92.8% 개선됨으로서 RDAPS 예측에 비하여 뚜렷이 개선된 결과를 보여주고 있다.
한반도 영역을 대상으로 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상관측(upper-air sounding)의 관측자료를 이용하여 권역별 강수발생확률을 예측할 수 있는 인공신경망 모형을 제시하였다. 사용된 자료의 기간은 2001년 7, 8월과 2002년 6월로 홍수기를 대상으로 하였다. 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y방향 바람성분, 750 hPa에서의 X와 Y방향 바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압, 3시간 누적 강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의 누적강수, 가강수량, 상대습도등을 신경망의 예측인자로 사용하였다. 신경망의 구조는 3층 MLP(Multi Layer Perceptron)로 구성하여 역전파알고리즘(Back-propagation)을 학습방법으로 사용하였다. 신경망예측결과 한반도전체에 대한 예측성과의 개선은 H가 6.8%상승하였고, 특히 TS와 POD는 각각 99.2%와 148.1% 상승함으로서 강수예측에 대한 신경망모형이 효과적인 도구가 될 수 있음을 확인하였다. KSS 역시 92.8% 개선됨으로서 RDAPS 예측에 비하여 뚜렷이 개선된 결과를 보여주고 있다.
The Artificial Neural Network (ANN) model was suggested for predicting probability of precipitation (PoP) using RDAPS NWP model, observation at AWS and upper-air sounding station. The prediction work was implemented for flood season and the data period is the July, August of 2001 and June of 2002. N...
The Artificial Neural Network (ANN) model was suggested for predicting probability of precipitation (PoP) using RDAPS NWP model, observation at AWS and upper-air sounding station. The prediction work was implemented for flood season and the data period is the July, August of 2001 and June of 2002. Neural network input variables (predictors) were composed of geopotential height 500/750/1000 hPa, atmospheric thickness 500-1000 hPa, X & Y-component of wind at 500 hPa, X & Y-component of wind at 750 hPa, wind speed at surface, temperature at 500/750 hPa/surface, mean sea level pressure, 3-hr accumulated precipitation, occurrence of observed precipitation, precipitation accumulated in 6 & 12 hrs previous to RDAPS run, precipitation occurrence in 6 & 12 hrs previous to RDAPS run, relative humidity measured 0 & 12 hrs before RDAPS run, precipitable water measured 0 & 12 hrs before RDAPS run, precipitable water difference in 12 hrs previous to RDAPS run. The suggested ANN has a 3-layer perceptron (multi layer perceptron; MLP) and back-propagation learning algorithm. The result shows that there were 6.8% increase in Hit rate (H), especially 99.2% and 148.1% increase in Threat Score (TS) and Probability of Detection (POD). It illustrates that the suggested ANN model can be a useful tool for predicting rainfall event prediction. The Kuipers Skill Score (KSS) was increased 92.8%, which the ANN model improves the rainfall occurrence prediction over RDAPS.
The Artificial Neural Network (ANN) model was suggested for predicting probability of precipitation (PoP) using RDAPS NWP model, observation at AWS and upper-air sounding station. The prediction work was implemented for flood season and the data period is the July, August of 2001 and June of 2002. Neural network input variables (predictors) were composed of geopotential height 500/750/1000 hPa, atmospheric thickness 500-1000 hPa, X & Y-component of wind at 500 hPa, X & Y-component of wind at 750 hPa, wind speed at surface, temperature at 500/750 hPa/surface, mean sea level pressure, 3-hr accumulated precipitation, occurrence of observed precipitation, precipitation accumulated in 6 & 12 hrs previous to RDAPS run, precipitation occurrence in 6 & 12 hrs previous to RDAPS run, relative humidity measured 0 & 12 hrs before RDAPS run, precipitable water measured 0 & 12 hrs before RDAPS run, precipitable water difference in 12 hrs previous to RDAPS run. The suggested ANN has a 3-layer perceptron (multi layer perceptron; MLP) and back-propagation learning algorithm. The result shows that there were 6.8% increase in Hit rate (H), especially 99.2% and 148.1% increase in Threat Score (TS) and Probability of Detection (POD). It illustrates that the suggested ANN model can be a useful tool for predicting rainfall event prediction. The Kuipers Skill Score (KSS) was increased 92.8%, which the ANN model improves the rainfall occurrence prediction over RDAPS.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
2. 강수발생확률을 예측하기 위하여 RDAPS 중규모수치예보모형 예측값, AWS 관측자료, 상층기상관측소(upper-air sounding station)의 자료등 다양한 자료원을 이용하여 신경망모형을 구성함으로써 모형의 예측능력을 개선하고자 시도하였다.
사용한 신경망의 구조는 3층 MLP로 구성하여 역전파알고리즘을 학습방법으로 사용하였다. 따라서 이 연구에서는 비선형성이 강한 수치예보모형의 출력값을 인공신경망기법에 적용시킴으로써 강수발생확률(PoP; Probability of Precipitation)의 정확성을 향상시키는 데 있다. 신경망의 임계값(threshold)은 비편이(no bias)일 때의 확률로 산정하였으며, 선택오차(selection error)와적용오차(test error)와의 차이가 근소할 때 신경망의 일반화가 잘 되었다고 볼 수 있으므로 오차의 차이가 작은 신경망모형을 선택하였다.
본 연구의 목적은 한반도 영역을 대상으로 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상자료를 이용하여 신경망학습을 통해 수치예보자료의 강수발생확률의 예측정확성을 개선시키는데 있다. 자료의 기간은 2001년 7월 1일 00시부터 8월 31일 24시와 2002년 6월 1일 00시부터 6월30일 24시까지로 홍수기를 대상으로 연구를 수행하였다.
예측의 정확성은 예측값과 관측값이 얼마나 일치하는지에 관한 것이며, 예측의 검정(verification)은 예측값의 질을 결정하는 과정이다. 이번 연구에서는 RDAPS모형의 수치예보값과 신경망에 의해 생성된 강수발생 확률에 대해서 검정하였다. RDAPS모형의 강수데이터는 0.
가설 설정
Perfect-prog기법은 예측인자와 예측변수간의 통계적 관계를 이용하는 기법이다(Klein, 1971). Perfect-prog기법은 수치예보모형이 가질 수 있는 오차나 편이의 보정을 고려하지 않고 역학적 수치모형의 예측치가 정확하다고 가정한다(Wilks, 1995). 하지만 실제적으로 예측인자에 대한모의는 완벽할 수 없기 때문에 이를 보완하기 위하여Model Output Statistics(MOS)기법을 사용한다.
상층기상관측(백령도, 오산, 속초, 포항, 광주)에서도 매일 00 UTC와 12 UTC에 상대습도와 이슬점온도 등을 관측하여 가강수량(precipitable water)과 상대습도를 계산하는데 사용된다. 경상지역 연안과 전라지역 연안의 가강수량을 RDAPS격자점에 일치시켜 내삽하기 위해서 임의의 격자점에 광주 상층기상관측소의 가강수량값과 같다고 가정하여 크리깅기법을 사용하였다. 가강수량은증기압(vapor pressure)과 일정 고도사이에서의 비습도(specific humidity)를 적분하여 Eq.
제안 방법
각 지역별로 강수발생 확률에 영향을 미치는 변수를 알아보기 위하여 민감도 분석을 실시하였다. 예측인자로 Table 2의 대기변수들을 기준으로 입력변수를 하나씩 제거하면서 출력변수에 미치는 영향을 파악하였으며 민감도 분석에서의 비율(Ratio)은 예측인자를 제거했을때의 목표값과 신경망 출력변수 사이의 오차와 예측인자를 사용했을때의 목표값과 출력변수값의 오차에 대한 상대적비율이다(Eq.
은닉층의 뉴런의 수가 증가 할수록 일반적으로 예측인자와 예측변수 사이의 더 많은 패턴을 인식하고 추정할 수 있지만,과다학습(over training)을 피하기 위해서 학습성과(train performance)가 선택성과(selection performance)보다는 커야하고, 선택오차(selection error)와 적용오차(test error)와의차이가 근소할수록 신경망은 일반화가 잘 되었다고 볼 수 있다. 따라서 각 지역별로 오차의 차이가 적은 신경망의 구조를 선택하였다. 서울·경기지역의 경우 오차의 차이가 0.
(3)~(5)를 통하여 산정된다(Bras, 1990). 또한 기상청에서 운영하는 AWS관측소에서관측되는 강수는 1시간단위 강수이기 때문에 3시간단위 누적강수로 변환하고, RDAPS모형의 수치 예보값과 예측 선행시간을 일치시킨 후, 신경망 모형의 입력데이터로 구성하였다.
강수예측성과를 평가하기 위해서 2×2 분할표(2×2 contingency table; Table 4)로부터 산정된 스칼라점수를 사용하였다. 본 연구에서는 적중률(H; Hit rate), 위험점수(TS; Threat Score), 탐지확률(POD; Probability Of Detection), 편이(B; Bias), Kuipers Skill Score(KSS)등을사용하여 예측자료를 검정하였다(Wilks, 1995). 적중률(H)은가장 직관적 방법으로써 총 사상에 대하여 강수와 무강수를 포함한 모든 예측이 정확한 경우의 비율을 나타낸다(Eq.
이 연구에서는 한국기상청에서 제공 되어진 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상관측에서 관측된가능강수량과 상대습도를 사용한다. 사용되어진 자료의 기간은 2001년 7, 8월과 2002년 6월(홍수기)에 대해서 신경망의 입력변수(predictors)로 구성하였다. RDAPS모형의 예측자료는 30×30 km 격자로 구성된 대기변수들로 구성되어 있으며 Fig.
자료의 기간은 2001년 7월 1일 00시부터 8월 31일 24시와 2002년 6월 1일 00시부터 6월30일 24시까지로 홍수기를 대상으로 연구를 수행하였다. 신경망의 예측인자로 사용된 대기변수는 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y의 바람성분, 750 hPa에서의 X와 Y의바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압(mean sea level pressure), 3시간 누적강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의누적강수, 가강수량(precipitable water), 상대습도이며, 예측변수로는 강수발생확률을 선택하였다. 사용한 신경망의 구조는 3층 MLP로 구성하여 역전파알고리즘을 학습방법으로 사용하였다.
따라서 이 연구에서는 비선형성이 강한 수치예보모형의 출력값을 인공신경망기법에 적용시킴으로써 강수발생확률(PoP; Probability of Precipitation)의 정확성을 향상시키는 데 있다. 신경망의 임계값(threshold)은 비편이(no bias)일 때의 확률로 산정하였으며, 선택오차(selection error)와적용오차(test error)와의 차이가 근소할 때 신경망의 일반화가 잘 되었다고 볼 수 있으므로 오차의 차이가 작은 신경망모형을 선택하였다. 신경망의 학습을 통한 예측정확성의 검정은 Hit rate(H), Threat score(TS), Probability of Detection (POD), Kuipers Skill Score(KSS)를 통하여 검정하였다.
신경망의 임계값(threshold)은 비편이(no bias)일 때의 확률로 산정하였으며, 선택오차(selection error)와적용오차(test error)와의 차이가 근소할 때 신경망의 일반화가 잘 되었다고 볼 수 있으므로 오차의 차이가 작은 신경망모형을 선택하였다. 신경망의 학습을 통한 예측정확성의 검정은 Hit rate(H), Threat score(TS), Probability of Detection (POD), Kuipers Skill Score(KSS)를 통하여 검정하였다.
이 연구에서는 한국기상청에서 제공 되어진 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상관측에서 관측된가능강수량과 상대습도를 사용한다.
자료에 사용된 RDAPS의 경우 3시간 단위로 48시간까지의 예측자료를 생산하며, 하루에 2회(00 UTC와12 UTC)에 예측하게 되어 총 2892개의 데이터(케이스)를 가지고 있다. 전체 자료는 학습(training), 검증(selection/verification), 적용(test) 세트로 나누어 분석을 진행하는데 과학습(over-learning)을 피하기 위하여 각각 2:1:1의 비율로 자료를 나누어 수행하였다. 따라서 학습과정에서는 50%의 자료를 무작위로 추출하여 신경망모형내부 은닉뉴런에서의 연결강도를 결정하였으며, 검증과정에서 나머지 50%중 25%를 무작위로 추출하여 예측결과를 검증하였다.
각 지역별 신경망의 구조와 상대적 오차는 Table 1과 같다. 한반도 영역에서 각 지역별 강수발생확률을 예측하기 위한 예측인자의 구성을 하기 위해 민감도 분석을 실시하여, 민감도 분석결과를 토대로 각 지역별로 신경망 예측인자로 사용하였으며 2.3절의 민감도 분석에서 설명하였다.
대상 데이터
앞서 언급하였듯이 본 연구에 사용된 자료의 기간은 2001년 7월 1일 00시부터 8월 31일 24시과 2002년 6월 1일 00시부터 6월 30일 24시까지로서 홍수기를 대상으로 연구를 수행하였다. 자료에 사용된 RDAPS의 경우 3시간 단위로 48시간까지의 예측자료를 생산하며, 하루에 2회(00 UTC와12 UTC)에 예측하게 되어 총 2892개의 데이터(케이스)를 가지고 있다.
자료에 사용된 RDAPS의 경우 3시간 단위로 48시간까지의 예측자료를 생산하며, 하루에 2회(00 UTC와12 UTC)에 예측하게되어 총 2892개의 데이터(케이스)를가지고 있다.
본 연구의 목적은 한반도 영역을 대상으로 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상자료를 이용하여 신경망학습을 통해 수치예보자료의 강수발생확률의 예측정확성을 개선시키는데 있다. 자료의 기간은 2001년 7월 1일 00시부터 8월 31일 24시와 2002년 6월 1일 00시부터 6월30일 24시까지로 홍수기를 대상으로 연구를 수행하였다. 신경망의 예측인자로 사용된 대기변수는 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y의 바람성분, 750 hPa에서의 X와 Y의바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압(mean sea level pressure), 3시간 누적강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의누적강수, 가강수량(precipitable water), 상대습도이며, 예측변수로는 강수발생확률을 선택하였다.
이론/모형
본 연구에서는 오차제곱합함수(Sum-squared error function)를 사용하였다. 또한 가중치의 업데이트를 위해 경사하강(gradient descent 또는 Delta-rule)법을 사용하며 이때 사용되는 활성화함수는 반드시 미분이 가능한 연속함수이여야 한다. 이번 연구에서 사용된 오차함수는 Eq.
역전파알고리즘은 예측인자와 예측변수 사이의 연결가중치를 조절하기 위해서 목표값(예측변수)과 출력값의 오차를 이용한다. 본 연구에서는 오차제곱합함수(Sum-squared error function)를 사용하였다. 또한 가중치의 업데이트를 위해 경사하강(gradient descent 또는 Delta-rule)법을 사용하며 이때 사용되는 활성화함수는 반드시 미분이 가능한 연속함수이여야 한다.
신경망의 예측인자로 사용된 대기변수는 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y의 바람성분, 750 hPa에서의 X와 Y의바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압(mean sea level pressure), 3시간 누적강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의누적강수, 가강수량(precipitable water), 상대습도이며, 예측변수로는 강수발생확률을 선택하였다. 사용한 신경망의 구조는 3층 MLP로 구성하여 역전파알고리즘을 학습방법으로 사용하였다. 따라서 이 연구에서는 비선형성이 강한 수치예보모형의 출력값을 인공신경망기법에 적용시킴으로써 강수발생확률(PoP; Probability of Precipitation)의 정확성을 향상시키는 데 있다.
이러한 수치예보모형의 정확도를 향상시키기 위하여 2가지 형태의 통계적 예측기법이 개발되어 왔다. 첫 번째 통계적 접근방법은 수치예보모형으로부터 확정론적 역학예보를 활용하기위한 Perfect-Prog Forecasts(Perfect-Prog Method; PPM)이다. Perfect-prog기법은 예측인자와 예측변수간의 통계적 관계를 이용하는 기법이다(Klein, 1971).
Perfect-prog기법은 수치예보모형이 가질 수 있는 오차나 편이의 보정을 고려하지 않고 역학적 수치모형의 예측치가 정확하다고 가정한다(Wilks, 1995). 하지만 실제적으로 예측인자에 대한모의는 완벽할 수 없기 때문에 이를 보완하기 위하여Model Output Statistics(MOS)기법을 사용한다. 또한 Perfect-prog 기법은 동일 시간대에서의 예측인자와 예측변수를 이용하여 회귀식에 적용하기 때문에 시간지체를 고려하지 못한다 .
성능/효과
1. 신경망구성에 사용된 변수들의 민감도분석결과 1000 hPa지위고도(1000 hPa geopotential height), 750 hPa 풍속(X, Y-성분), 500 hPa 기온, RDAPS 3시간 누적강우, RDAPS 강수발생, 0시간전 상대습도 등의 변수가 민감도가 높은 것으로 확인되었다.
3. 2001년 7, 8월과 2002년 6월의 RDAPS 수치예보에 대한 신경망예측결과, 한반도전체에 대한 예측성과의 개선은H가 6.8%상승하였고, 특히 TS와 POD는 각각 99.2%와148.1% 상승함으로서 강수예측에 대한 신경망모형이 효과적인 도구가 될 수 있음을 확인하였다.
1% 상승함으로서 강수예측에 대한 신경망모형이 효과적인 도구가 될 수 있음을 확인하였다. KSS 역시 92.8%개선됨으로서 기준예측에 대한 개선이 RDAPS 예측에 비하여 뚜렷이 개선된 결과를 보여주고 있다.
다양한 대기변수들의 비선형 조합으로 생성되는 강우는 신경망학습을 통하여 RDAPS모형의 수치예보자료보다 모든 점수에서 정확성이 향상되었다. KSS를 통한 예측정확성은 지역별로 72.7~158.8%의 개선도를 보여주고 있으며, 예측 선행시간별로는 경상지역에서 42 hr과 45 hr를제외하고 모든 지역에서 눈에 띄게 향상되었다. 본 연구의 성과는 다음과 같이 요약될 수 있다.
8%의 예측정확성이 향상 되었다. POD는 각각 213.6%, 138.5%, 166.7%, 113.3% 상승하였다. H에 비하여 TS와 POD값의 향상이 두드러진 것을 확인할 수 있는데, 이는 신경망모형이 무강수보다 강수예측에 있어서 특히 효과적이었다는 것을 의미한다.
강원, 전라, 경상, 충청지역에서의 H는 각각 15.9%, 4.1%, 6.3%, 1.4%상승하였으며, TS는 각각147.6%, 87.5%, 113.6%, 77.8%의 예측정확성이 향상 되었다.
구성된 변수들에 대한 민감도분석을 통하여 변수들의 상대적 상관성을 확인할 수 있었다.
강우의 발생확률의 예측정확성을 향상시키기 위해서는 예측인자의 구성과 자료의 기간이 중요한 역할을 한다. 구성된 신경망의 검증오차와 적용오차가 서로 비교함으로써 신경망이 적절히 일반화되었음을 확인할 수 있었다. 전체 변수목록 중 결과에 유의미한 영향을 미치는 변수를 선택적으로 신경망구성에 활용함으로써 신경망에서 각 지역별로 적합한 예측인자를 효과적으로 구성할 수 있었다.
구성된 변수들에 대한 민감도 분석을 통하여 변수들의 상대적 상관성을 확인할 수 있었다. 다양한 대기변수들의 비선형 조합으로 생성되는 강우는 신경망학습을 통하여 RDAPS모형의 수치예보자료보다 모든 점수에서 정확성이 향상되었다. KSS를 통한 예측정확성은 지역별로 72.
전체 자료는 학습(training), 검증(selection/verification), 적용(test) 세트로 나누어 분석을 진행하는데 과학습(over-learning)을 피하기 위하여 각각 2:1:1의 비율로 자료를 나누어 수행하였다. 따라서 학습과정에서는 50%의 자료를 무작위로 추출하여 신경망모형내부 은닉뉴런에서의 연결강도를 결정하였으며, 검증과정에서 나머지 50%중 25%를 무작위로 추출하여 예측결과를 검증하였다. 적용단계에서는 남은 25%에 대하여 예측을 수행하였다.
서울·경기 지역에서 H와 TS는 상대적으로 RDAPS에 비하여각각 6.9%와 83.3%가 예측정확성이 상승하였으며, POD는129.0%상승하였다.
0%가 향상되었다. 선행시간별로는 경상지역의 42 hr과 45 hr를제외하고는 RDAPS모형의 수치예보자료에 비하여 두드러지게 향상되었다(Fig. 5). 따라서 신경망모형이 기후값에 대한 확률 예측보다 개선효과가 뚜렷함을 알 수 있다.
03으로 나타났다. 자료기간동안 한반도 영역에서 강수발생 확률에 가장 크게 영향을 미치는 변수는 750 hPa에서의 Y방향 바람성분이 3회로 관찰되었다. 민감도분석 결과 신경망구성에 사용된 변수들은 Table 3에 정리되어 있다.
구성된 신경망의 검증오차와 적용오차가 서로 비교함으로써 신경망이 적절히 일반화되었음을 확인할 수 있었다. 전체 변수목록 중 결과에 유의미한 영향을 미치는 변수를 선택적으로 신경망구성에 활용함으로써 신경망에서 각 지역별로 적합한 예측인자를 효과적으로 구성할 수 있었다. 구성된 변수들에 대한 민감도 분석을 통하여 변수들의 상대적 상관성을 확인할 수 있었다.
후속연구
4. QPF(Quantitative Precipitation Forecast) 신경망을 구성하고, PoP(Probability of Precipitation) 신경망과의 연계를 시도한다면 보다 신뢰성있는 정량강수예측이 가능할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
신경망의 중요한 특징은 무엇인가?
은닉층의 활성화 함수(activation function or sigmoidal function)는 신경망에 비선형성을 고려하기위해서 비선형 양극(bipolar) 시그모이드함수(sigmoidal function)를 사용하였으며 활성화함수에서 계산된 값의 범위는 -1과 1사이의 값을 가진다(Gupta, 2003). 신경망의 중요한 특징은 학습(training또는 learning)을 통하여 예측인자(predictor)와 예측변수(predictand)사이의 관계를 학습하고 예측인자와 예측변수 사이의 관계를 추정한다. 이 연구에서 사용한 신경망은 출력층에서 임계값(threshold)을 고려하여 강수발생확률을 계산하며수학적 방정식은 Eq.
Model Output Statistics 후처리 기법의 선형적인 방법의 한계점은 무엇인가?
이 기법은 관측값뿐 아니라 수치예보를 통계예측모형수립에 활용하는 기법으로서 목표로 하는예측량과 NWP에 의해 예측된 변수와의 최적 관계를 결정하며 크게 선형적인 방법과 비선형적인 방법이 있다. 선형적인 방법에는 다중선형회귀(MLR; Multi Linear Regression)가 가장 일반적으로 사용 되는데 독립변수와 종속변수사이의 선형적 관계를 가정하기 때문에 두 변수가 관련 있음에도 불구하고 비선형적 관계를 설명하지 못한다(Schoof & Pryor, 2001). 따라서 선형성을 기본으로 하는 MLR은 비선형성이 강한 강수의 보정에 적합하지 않으며 비선형성을 고려하는 신경망기법의 연구가 진행되어 왔다.
인공신경망이란 어떤 시스템인가?
인공신경망은 고도로 복잡한 인간의 두뇌를 구성하고 있는기본단위인 뉴런(neuron)의 개념을 도입한 이론을 기초로 인식과정을 수학적인 모형으로 일반화시키기 위해 개발된 병렬정보처리 시스템이다. 생물학적으로 각각의 뉴런은 전기적신호를 발생시키는데 수상돌기(dendrite)로부터 입력을 받아축색돌기(axon)를 통하여 신호를 보낸다.
참고문헌 (18)
건설교통부(2006) 수자원장기종합계획(2006-2020) 보고서, 한국수자원공사
과학기술부(2007) 유역 물 관리 운영 기술개발 1, 21세기 프론티어 수자원의 지속적 확보기술개발 사업, 한국수자원공사
김광섭(2006) 상층기상자료와 신경망기법을 이용한 면적강우 예측. 한국수자원학회논문집, 한국수자원학회, 제39권, 제8호, pp. 717-726
Bras, R.L. (1990) Hydrology: An Introduction to Hydrologic Science. Addison-Wesley publishing company, pp. 82-92
Glahn, H.R. and Lowry, D.A. (1972) The use of model output statistics (MOS) in Objective Weather Forecasts. J. Appl. Meteor., Vol. 11, issue 8, pp. 1203-1211
Kuligowski, R.J., Barros, A.P., and Ferreira, N.J. (1998) Experiments in short-term precipitation using artificial neural networks. Mon. Wea. Rev., Vol. 126, issue 2, pp. 1194-1204
Schoof, J.T. and Pryor, S.C. (2001) Downscaling temperature and precipitation: a comparison of regression-based methods and artificial neural networks. Int. J. Climatol., Vol. 21, issue 7, pp. 773-790
Valverde Ramrez, M.C., de Campos Velho, H.F. (2005) Artificial neural network technique for rainfall forecasting applied to the so paulo region. J. Hydrol., Vol. 301, issue 1-4, pp. 146-162
※ AI-Helper는 부적절한 답변을 할 수 있습니다.