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
- 본 연구에서는 지점 강수예측 정도 향상을 위한 다양한 입력자료 사용과 강수예보에 사용되는 자료들의 비선형 상관성을 고려하기 위하여 인공위성 관측 자료와 수치예보모형 출력자료를 활용하였으며 가용자료와 강수 사이의 물리적 상관관계를 나타내기 위하여 비선형 상관관계를 잘 연계하는 장점을 가진 인공신경망 기법을 도입하여 강수예보모형을 구축하였다. 개발된 모형은 서울 지점에 대하여 단기 강수예측 적용성을 분석하였다.
제안 방법
- 2) 장마와 태풍과 같이 전선형강수와 선풍형강수 등 강수 양상의 차이를 고려하기 위하여 6～7월과 8～9월 자료를 구분하여 신경망을 구축하였으며, 6～7월과 8～9월에 대한 교차 상관분석 결과 선택된 20개 지점 자료와 대상지점 강수자료로 인공 신경망의 입력 자료를 구성하고 학습반복수는 2,000번을 적용하였으며 학습률은 0.0001, 모멘텀 상수는 0.001을 사용 하였다. 2006년에서 2008년까지 기간에 대하여 강수 예측모형을 학습 후, 2009년에 대하여 예측하였다.
- 001을 사용 하였다. 2006년에서 2008년까지 기간에 대하여 강수 예측모형을 학습 후, 2009년에 대하여 예측하였다.
- 6～7월과 8～9월 기간의 예보선행시간별로 강수예측모형의 입력자료를 구축하기 위하여 예보선행시간 3, 6, 9, 12시간에 대하여 전국 76개의 자동기상시스템의 강우량 시계열과 대상지점인 서울지점의 강우량 시계열과의 상관관계를 분석하여 선행 시간별 상관성이 가장 높은 5개 지점을 각 예측선행시간에 대한 입력자료 지점으로 선정하였다. Fig.
- Table 1에서 제시한 변수로 구성된 지역 예보 모형 자료에서 대상 지점 강수량과 가장 상관성이 높은 2개 변수를 선정한다. 각 각의 변수에서 3, 6, 9, 12시간의 선행시간을 가지는 시계열을 산정 후 대상지역의 강수량 자료와 교차상관관계를 분석하여 상관성이 가장 높은 5개 격자의 강수량 자료를 입력 자료로 선정하였다.
- 강수 예측 모형의 적용성을 검토하기 위해 2009년 6～7월과 8～9월 각각에 대하여 구축된 예측모형을 이용하여 예측한 서울 지점의 강수량을 관측치와 비교·검토하였다.
- 본 연구에서는 지점 강수예측 정도 향상을 위한 다양한 입력자료 사용과 강수예보에 사용되는 자료들의 비선형 상관성을 고려하기 위하여 인공위성 관측 자료와 수치예보모형 출력자료를 활용하였으며 가용자료와 강수 사이의 물리적 상관관계를 나타내기 위하여 비선형 상관관계를 잘 연계하는 장점을 가진 인공신경망 기법을 도입하여 강수예보모형을 구축하였다. 개발된 모형은 서울 지점에 대하여 단기 강수예측 적용성을 분석하였다.
- 본 연구에서는 우리나라의 단시간 강수 예측 시 예보의 정도향상을 위하여 필요한 정보 확보에 있어 3면이 바다로 둘러쌓여 예측에 필요한 광역 정보를 확보하는데 한계가 있으므로, 이를 극복하기 위하여 광역의 정보를 제공하는 MTSAT-1R 정지위성 관측자료, 지역 예보 모형 출력자료와 자동기상관측 시스템 자료를 사용하였다. 또한 여러 형태의 자료와 대상지점 강우자료 사이의 비선형 상관성을 나타내는데 장점이 있는 인공 신경망 기법을 이용하여 단시간 강수 예측을 실시하였다. 주요 연구 내용과 결과를 요약하면 다음과 같다.
- 전술한 바와 같이, 장마와 태풍 등 강수 양상의 차이를 고려하기 위하여 6월, 7월과 8월, 9월 자료를 구분하여 신경망을 구축하였으며, 자료가용성에 기초하여 2006년에서 2008년 기간 동안에 대하여 모형을 학습하고 2009년에 대하여 모형의 적용성을 검증하였다. 또한 예측선행시간 3, 6, 9, 12시간에 대하여 강수 예측 모형을 구축하였다.
- 서울지점 강수자료와 동아시아 지역 인공위성 관측자료 및 기상청 산하76개의 자동 기상관측망 자료를 예보선행시간 3시간, 6시간, 9시간, 12시간에 대하여 교차상관분석을 실시하여 상관성이 가장 높은 지점 지상관측망 5지 점과 5개의 인공위성 관측지점을 예보선행시간별로선정하였다. 또한 지역 예보 모형에서 강수와 가장 상관성이 높은 변수 2개를 상관성 분석을 통해 산정하고 각 변수마다 3시간, 6시간, 9시간, 12시간의 선행시간 별 교차상관분석을 하여 선행시간별 상관성이 가장 높은 5개의 격자를 선정하였다.
- 본 연구에서 입력층, 은닉층 및 출력층으로 구성된 3층 신경망을 사용하였다. 신경망 계산의 기본 과정은 다음과 같다.
- 1) 강수예측모형의 적용 대상 지점을 서울로 선택하여 인공위성 관측자료가 가용한 2006년부터 2009년까지 각종 자료를 수집하였다. 서울지점 강수자료와 동아시아 지역 인공위성 관측자료 및 기상청 산하76개의 자동 기상관측망 자료를 예보선행시간 3시간, 6시간, 9시간, 12시간에 대하여 교차상관분석을 실시하여 상관성이 가장 높은 지점 지상관측망 5지 점과 5개의 인공위성 관측지점을 예보선행시간별로선정하였다. 또한 지역 예보 모형에서 강수와 가장 상관성이 높은 변수 2개를 상관성 분석을 통해 산정하고 각 변수마다 3시간, 6시간, 9시간, 12시간의 선행시간 별 교차상관분석을 하여 선행시간별 상관성이 가장 높은 5개의 격자를 선정하였다.
- 인공위성 자료는 6～7월과 8～9월로 구분하여 동아시아 영역을 128 × 128의 격자로 32 km의 해상도로 산정한 다음, 대상지점인 서울 지점 강수량 자료와 3, 6, 9, 12시간의 예측 선행시간에 대한 교차 상관 분석을 실시하여 상관성이 가장 높은 5개 격자의 운정 온도를 입력 자료로 사용하였다.
- 강수예측모형의 예측정도를 향상하기 위하여 입력 자료의 기간은 강수의 형태 및 패턴을 고려하여 장마와 같은 전선형 강수의 영향이 큰 6～7월과 태풍과 같은 선풍형 강수 영향이 있는 8～9월로 나누어 선정하였다. 입력 층의 각 뉴런에 대한 입력 값들을 결정하기 위해 먼저 자동기상시스템의 강수량 자료를 수집하였고, 수집한 강수량 자료를 3, 6, 9, 12시간의 선행시간을 가지는 시계열을 선정 후 전국 76개의 자동기상시스템의 시계열과 상관관계를 분석하여 선행 시간별 상관성이 가장 높은 5개 지점을 각 예측선행시간에 대한 입력자료 지점으로 선정하였다.
- 3은 본 연구에서는 모형 개념도를 나타낸다. 전술한 바와 같이, 장마와 태풍 등 강수 양상의 차이를 고려하기 위하여 6월, 7월과 8월, 9월 자료를 구분하여 신경망을 구축하였으며, 자료가용성에 기초하여 2006년에서 2008년 기간 동안에 대하여 모형을 학습하고 2009년에 대하여 모형의 적용성을 검증하였다. 또한 예측선행시간 3, 6, 9, 12시간에 대하여 강수 예측 모형을 구축하였다.
- 전절에서 선택된 예측선행시간별 입력 자료를 이용하여 2006에서 2008년까지 6월-7월과 8～9월 기간에 대하여 모형학습을 수행하고 2009년 서울 지점 강수량에 대하여 예측하였다. Fig.
- 지역 예보 모형 자료 또한 6～7월과 8～9월로 구분하고 우선 선정한 38개의 변수 중 가장 상관성이 높은 2가지 변수를 선택하여 3, 6, 9, 12시간의 예측선행시간에 대한 대상 지점 강수량과 교차 상관 분석을 실시하여 각 예측선행시간에 대하여 상관계수가 가장 높은 5개 격자의 정보를 입력 자료로 사용하였다. Table 2는 6～7월에 대한 38개 모형 출력 변수 중 대상 지점 강수량과 가장 높은 상관성을 가지는 변수를 나타내고 Table 3은 8～9월에 대한 선택 변수를 보여준다.
대상 데이터
- 1) 강수예측모형의 적용 대상 지점을 서울로 선택하여 인공위성 관측자료가 가용한 2006년부터 2009년까지 각종 자료를 수집하였다. 서울지점 강수자료와 동아시아 지역 인공위성 관측자료 및 기상청 산하76개의 자동 기상관측망 자료를 예보선행시간 3시간, 6시간, 9시간, 12시간에 대하여 교차상관분석을 실시하여 상관성이 가장 높은 지점 지상관측망 5지 점과 5개의 인공위성 관측지점을 예보선행시간별로선정하였다.
- 강수 예측 모형을 위한 인공신경망의 입력층 자료는 인공위성 관측자료, RDAPS 출력변수 및 AWS 관측자료와 대상지점에 대한 예측 선행 시간별 선형 상관분석 결과 상관성이 높은 인공위성 관측자료 5개, 2개의 RDAPS 출력변수 각각에 대한 5개, 지상관측지점 5개, 예측시점의 대상지역 강수자료로 이루어져 총 21개 노드로 구성하였고, 학습반복수는 오차값을 고려하여 2,000번을 적용하였으며 학습률은 0.0001, 모멘텀 상수는 0.001을 사용하였다.
- 강수 예측 모형의 적용성을 검토하기 위해 2009년 6～7월과 8～9월 각각에 대하여 구축된 예측모형을 이용하여 예측한 서울 지점의 강수량을 관측치와 비교·검토하였다. 강수 예측을 위한 신경망 모형의 입력 자료는 2006년부터 2008년까지 3년 동안의 6～7월과 8～9월 두 기간의 MTSAT-1R 위성의 적외 영상 자료의 운정 온도 자료를 사용하였으며 지역 예보 모형의 255개의 변수 중 예측 강수와 상관성이 높을 것으로 판단되는 강수량 자료, 해면 기압 자료, 500 mb, 550 mb, 600 mb, 650 mb, 700 mb, 750 mb, 800 mb, 850 mb, 900 mb에서의 기온, 남북방향 바람 및 동서방향 바람 자료에 대하여 상관성 분석을 실시하여 상관성이 가장 높은 2개의 변수를 입력 자료로 사용하였다. 인공신경망을 사용한 강수 예측 모형의 학습이 종료되면 2009년 6～7월과 8～9월의 강수량을 예측하였다.
- 1에서 제시한 기상청에서 운영하는 전국 76개의 자동기상관측망의 강수량 자료를 수집하였다. 강수예측모형의 예측정도를 향상하기 위하여 입력 자료의 기간은 강수의 형태 및 패턴을 고려하여 장마와 같은 전선형 강수의 영향이 큰 6～7월과 태풍과 같은 선풍형 강수 영향이 있는 8～9월로 나누어 선정하였다. 입력 층의 각 뉴런에 대한 입력 값들을 결정하기 위해 먼저 자동기상시스템의 강수량 자료를 수집하였고, 수집한 강수량 자료를 3, 6, 9, 12시간의 선행시간을 가지는 시계열을 선정 후 전국 76개의 자동기상시스템의 시계열과 상관관계를 분석하여 선행 시간별 상관성이 가장 높은 5개 지점을 각 예측선행시간에 대한 입력자료 지점으로 선정하였다.
- 본 연구에서 개발한 단시간 강수예측모형의 입력 자료는 보다 긴 예측선행시간을 확보하기 위하여 필수적인 광역 정보로 기상청에서 제공받은 인공위성 관측 자료와 지역예보모형(RDAPS, Regional Data Assimilation and Prediction System) 출력자료 및 기상청에서 운영하고 있는 자동기상시스템(AWS, Automatic Weather System) 의 지상관측자료를 사용하였다. 강수예측모형의 학습과 검증을 위한 자료수집 기간은 동일한 인공위성 관측 자료가 가용한 2006년에서 2009년까지로 하였다.
- 모형출력자료의 공간분해능은 30 km 격자로 동아시아지역에 대하여 191×171개의 격자수로 구성되어 있으며 출력변수들의 특징은 Table 1과 같다. 본 연구에서 사용된 RDAPS는 연직 층수가 최대 24개로 1,000, 975, 950, 925, 900, 875, 850, 800, 750, 700, 650, 600, 550, 500, 450, 350, 300, 250, 200, 150, 100, 70, 50 mb로 구성되어 있다. 자료 내에 포함되어진 변수는 총 14가지로 지역 예보 모형은 전술한 바와 같이 다양한 종류의 변수를 포함하고 있어 대상 지점 강수예측에 영향을 미치는 변수의 선택과 선택된 변수 중에서 입력 자료로 사용할 격자 정보를 선택하는 과정이 필요하다.
- MTSAT-1R 기성위상은 운정 고도, 운정 온도 및 운정 기압 등의 구름분석 자료와 해무 및 층운, 황사 탐지, 해수면 온도 등을 관측하여 자료에 활용된다. 본 연구에서는 기상청에서 제공받은 동아시아 지역의 운정 온도 자료를 강수예측 모형의 입력 자료로 사용하였다. 운정 온도 자료와 강수량 예측을 위한 대상지 점의 강수자료 사이의 상관계수를 예측선행시간 3시간, 6 시간, 9시간, 12시간에 대하여 산정 후각 예측선행시간에 대하여 상관성이 가장 높은 5개 격자의 운정 온도 자료를 입력 자료로 선정하였다.
- 본 연구에서는 기상청에서 제공받은 한반도와 중국 및 일본을 포함하는 동아시아 영역에 대한 기상현상을 모의한 지역예보모형(RDAPS) 출력자료를 사용하였다. 모형출력자료의 공간분해능은 30 km 격자로 동아시아지역에 대하여 191×171개의 격자수로 구성되어 있으며 출력변수들의 특징은 Table 1과 같다.
- 본 연구에서는 대상기간에 대하여 Fig. 1에서 제시한 기상청에서 운영하는 전국 76개의 자동기상관측망의 강수량 자료를 수집하였다. 강수예측모형의 예측정도를 향상하기 위하여 입력 자료의 기간은 강수의 형태 및 패턴을 고려하여 장마와 같은 전선형 강수의 영향이 큰 6～7월과 태풍과 같은 선풍형 강수 영향이 있는 8～9월로 나누어 선정하였다.
- 본 연구에서는 우리나라의 단시간 강수 예측 시 예보의 정도향상을 위하여 필요한 정보 확보에 있어 3면이 바다로 둘러쌓여 예측에 필요한 광역 정보를 확보하는데 한계가 있으므로, 이를 극복하기 위하여 광역의 정보를 제공하는 MTSAT-1R 정지위성 관측자료, 지역 예보 모형 출력자료와 자동기상관측 시스템 자료를 사용하였다. 또한 여러 형태의 자료와 대상지점 강우자료 사이의 비선형 상관성을 나타내는데 장점이 있는 인공 신경망 기법을 이용하여 단시간 강수 예측을 실시하였다.
- 본 연구에서는 기상청에서 제공받은 동아시아 지역의 운정 온도 자료를 강수예측 모형의 입력 자료로 사용하였다. 운정 온도 자료와 강수량 예측을 위한 대상지 점의 강수자료 사이의 상관계수를 예측선행시간 3시간, 6 시간, 9시간, 12시간에 대하여 산정 후각 예측선행시간에 대하여 상관성이 가장 높은 5개 격자의 운정 온도 자료를 입력 자료로 선정하였다.
데이터처리
- 단시간 강수예측모형의 적용성을 판단하기 위하여 예측된 강수량과 실제 관측치의 선행시간 별 상관계수와 RMSE (Root Mean Square Error)를 비교·검토하였다.
성능/효과
- 3) 모형을 적용한 결과에서 예측치와 실측치 간의 결정 계수가 6～7월은 0.45～0.08 사이로 나타났으며 8～ 9월은 0.57～0.08 사이로 나타났다. 또한 RMSE는 6～7월은 0.
- 강수 예측 결과를 보면 예측치와 실측치간의 결정계수가 0.6～0.1 사이로 나타났으며, 8～9월보다 6～7월의 강수 예측이 강수의 패턴을 잘 나타냄을 보여준다. 6～7월 및 8～9월에 대한 예측치 모두 3시간의 예측선행시간에 대하여 관측치와 높은 상관성을 보이고 있고 6시간 예측까지는 비교적 적용 가능한 검정 통계량을 보인다.
후속연구
- 82 mm/hr로 나타났다. 검정 통계량은 8～9월에 대한 모형 적용성이 6～7월 보다 좋음을 보였으며, 한정된 지상관측 자료의 이용만이 아닌 광범위하고 다양한 자료를 활용함으로서 단시간 강수예측에 대한 모형의 적용 가능성 있음을 보여주었으나, 다양한 광역 자료와 인공신경망을 사용함에도 불구하고 예측선행시간별 검정통계량은 단시간 강수예측의 정량적 정도향상을 위한 지속적 노력이 필요함을 보여준다.
- 또한 예측선행시간별로 6～7월과 8～9월의 예측 정도가 다르게 나타났다. 이와 같은 결과는 앞으로 강수 자료의 품질 향상과 광범위하고 다양한 자료의 활용으로 보다 정확한 단시간 강수 예측이 가능할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.