[논문]레이더기반 다중센서활용 강수추정기술의 개발

이재경; 김지현; 박혜숙; 석미경

doi:10.14191/atmos.2014.24.3.433

Abstract ▼ AI-Helper

Although the Radar-AWS Rainrate (RAR) calculation system operated by Korea Meteorological Administration estimated precipitation using 2-dimensional composite components of single polarization radars, this system has several limitations in estimating the precipitation accurately. To to overcome limi...

Although the Radar-AWS Rainrate (RAR) calculation system operated by Korea Meteorological Administration estimated precipitation using 2-dimensional composite components of single polarization radars, this system has several limitations in estimating the precipitation accurately. To to overcome limitations of the RAR system, the Korea Meteorological Administration developed and operated the RMQ (Radar-based Multi-sensor Quantitative Precipitation Estimation) system, the improved version of NMQ (National Mosaic and Multi-sensor Quantitative Precipitation Estimation) system of NSSL (National Severe Storms Laboratory) for the Korean Peninsula. This study introduced the RMQ system domestically for the first time and verified the precipitation estimation performance of the RMQ system. The RMQ system consists of 4 main parts as the process of handling the single radar data, merging 3D reflectivity, QPE, and displaying result images. The first process (handling of the single radar data) has the pre-process of a radar data (transformation of data format and quality control), the production of a vertical profile of reflectivity and the correction of bright-band, and the conduction of hydrid scan reflectivity. The next process (merger of 3D reflectivity) produces the 3D composite reflectivity field after correcting the quality controlled single radar reflectivity. The QPE process classifies the precipitation types using multi-sensor information and estimates quantitative precipitation using several Z-R relationships which are proper for precipitation types. This process also corrects the precipitation using the AWS position with local gauge correction technique. The last process displays the final results transformed into images in the web-site. This study also estimated the accuracy of the RMQ system with five events in 2012 summer season and compared the results of the RAR (Radar-AWS Rainrate) and RMQ systems. The RMQ system ($2.36mm\;hr^{-1}$ in RMSE on average) is superior to the RAR system ($8.33mm\;hr^{-1}$ in RMSE) and improved by 73.25% in RMSE and 25.56% in correlation coefficient on average. The precipitation composite field images produced by the RMQ system are almost identical to the AWS (Automatic Weather Statioin) images. Therefore, the RMQ system has contributed to improve the accuracy of precipitation estimation using weather radars and operation of the RMQ system in the work field in future enables to cope with the extreme weather conditions actively.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서 우선 2012년 7월 15일 발생한 강수사례에 대하여 각 단계별 주요 결과를 살펴보았다. HSR 기법에 의하여 지형클러터에 의해 차폐되던 단점이 보완되었으며, 낙뢰발생 영역에 따른 강수유형이 잘 분류되었다.
본 연구에서는 NSSL의 NMQ 시스템을 우리나라 기상환경에 적합하도록 개선한 RMQ 시스템에 대하여 소개하고 수행능력을 검증하였다. RMQ 시스템은 크게 단일 레이더 자료 처리과정, 3차원 반사도 합성 과정, 강수추정 과정, 영상 표출 과정으로 구성된다.
본 연구에서는 RMQ 시스템의 정확성과 개선정도를 평가하기 위하여 기존 기상청에서 운영 중인 RAR 시스템의 결과와 비교하였다. 비교사례는 2012년 여름철 사례 중 대표 5개 사례를 선정하였으며, 결과는 Table 4 및 Fig.
본 연구에서는 레이더 자료 입력, 자료변환, 품질관리, HSR, 3D 합성, 강수유형분류, 강수산출, 최종적으로 강수보정 단계(Fig. 5 참조)까지 여름철 사례에 대하여 수행하였으며, 우선 2012년 7월 15일에 발생한 강수사례(사례#3)에 대하여 각 단계별 주요 결과에 대하여 살펴보았다. 이 사례는 남해상에 위치한 장마전선으로 인하여 전국적으로 많은 강우가 발생하였고, 특히 부산지역에 누적강수 최고 260 mm가 발생한 사례이다.
이에 따라 본 연구는 국내 처음으로 RMQ 시스템 수행과정을 자세히 소개하고 현업에서 운영중인 RAR 시스템과 강수추정 정확도를 비교하여 RMQ 시스템의 수행능력을 검토하였다. Table 1은 RAR 시스템과 RMQ 시스템을 비교한 표이다.

제안 방법

3차원 반사도 합성 과정에서는 품질관리된 각 레이더 사이트별 자료는 3차원 격자 공간과 빔의 각도 차이, 거리 및 시간 간격을 보정하여 3차원 반사도 합성 자료를 생성한다. 다음으로 강수추정 과정에서는 합성 CAPPI, VIL, VILD, VPR, HSR 등과 지상 관측자료 및 수치예보모델의 자료를 이용하여 강수유형을 분류한다. 분류된 강수유형(대류, 층상, 열대, 지상에서의 눈)에 적합한 Z-R 관계식을 적용하여 강수량을 추정한다.
또한 LGC 방법에 의해 강수가 보정되어 RMQ 시스템 산출 강수가 AWS 관측 강수분포에 가깝게 나타남을 확인하였다. 다음으로 우리나라 전역을 대상으로 2012년 여름철에 발생한 저기압, 장마, 태풍 등 5개 강우사례에 대하여 RMQ 시스템의 강수 추정 정확성을 검증하였다. 또한 그 결과를 기상청 현업 운영 중인 RAR 시스템과 비교하였다.
또한 10분 단위(레이더 자료 산출 주기 기준)로 수행되는 레이더자료 처리 프로세스와 입력 자료로 사용되는 KLAPS, AWS 등의 자료 생성 주기와 공간 해상도가 다르므로, 레이더 자료를 기준으로 시간(10분)과 공간 해상도(1 × 1 km)가 일치하도록 가공하여 사용한다.
다음으로 우리나라 전역을 대상으로 2012년 여름철에 발생한 저기압, 장마, 태풍 등 5개 강우사례에 대하여 RMQ 시스템의 강수 추정 정확성을 검증하였다. 또한 그 결과를 기상청 현업 운영 중인 RAR 시스템과 비교하였다. 강수추정 결과를 보면, RMQ 시스템이 RAR 시스템보다 RMSE와 상관계수가 각각 평균 73.
본 장에서는 2012년 여름사례 중 선정된 사례에 대하여 RMQ 시스템의 결과를 단계별로 나누어 분석하였다. 다음으로 RMQ 시스템의 강수량 추정 정확성과 개선정도를 평가하기 위해 RAR 시스템의 결과와 비교하였다.

대상 데이터

본 연구에서 RMQ 시스템의 검증을 위한 적용지역으로 우리나라 전역을 대상으로 하였으며, 적용기간은 2012년 6월부터 8월까지의 강우발생 사례 중 5개의 사례를 선정하였다(Table 2 참조). RMQ 시스템의 입력자료는 AWS 관측강수자료(전국 642개소), KLAPS 의 온도자료, 뇌우자료(전국 21개소), 레이더 반사도 자료(전국 11개 사이트: 백령도, 관악산, 오성산, 진도, 고산, 광덕산, 강릉, 면봉산, 구덕산, 성산, 인천)이다. Table 3은 RAR 시스템과 RMQ 시스템의 입력자료를 비교하였다.
강수유형 분류에서는 전단계에서 산출된 합성 반사도 CAPPI, VIL, VILD, VPR, HSR 반사도 등과 지상 관측자료 및 수치예보모델의 자료를 이용하여 강수유형을 분류한다. 관측자료인 지면 온도, 지면 습구온도 등은 AWS (Automatic Weather Station)로부터 구하며, 낙뢰발생 관측자료도 사용한다. 고도별 온도자료는 기상청 동네예보의 기반이 되는 KLAPS (Korea Local Analysis and Prediction System) 초단기예보모델 분석 자료에서 취득하여 영하 10의 고도를 구하며, 이는 강수유형 분류의 기준 중 하나가 된다.
본 연구에서 RMQ 시스템의 검증을 위한 적용지역으로 우리나라 전역을 대상으로 하였으며, 적용기간은 2012년 6월부터 8월까지의 강우발생 사례 중 5개의 사례를 선정하였다(Table 2 참조). RMQ 시스템의 입력자료는 AWS 관측강수자료(전국 642개소), KLAPS 의 온도자료, 뇌우자료(전국 21개소), 레이더 반사도 자료(전국 11개 사이트: 백령도, 관악산, 오성산, 진도, 고산, 광덕산, 강릉, 면봉산, 구덕산, 성산, 인천)이다.
본 연구에서는 RMQ 시스템의 정확성과 개선정도를 평가하기 위하여 기존 기상청에서 운영 중인 RAR 시스템의 결과와 비교하였다. 비교사례는 2012년 여름철 사례 중 대표 5개 사례를 선정하였으며, 결과는 Table 4 및 Fig. 7과 같다.
5 참조)까지 여름철 사례에 대하여 수행하였으며, 우선 2012년 7월 15일에 발생한 강수사례(사례#3)에 대하여 각 단계별 주요 결과에 대하여 살펴보았다. 이 사례는 남해상에 위치한 장마전선으로 인하여 전국적으로 많은 강우가 발생하였고, 특히 부산지역에 누적강수 최고 260 mm가 발생한 사례이다. Figure 6(a)는 2012년 7월 15일 13시 1시간 누적 강수량 분포이다.

데이터처리

RMQ와 RAR 시스템의 강수량 추정 정확성을 검증하기 위해 평가지수로서 제곱근오차(Root Mean Square Error, RMSE)와 상관계수(correlation coefficient)를 이용하였으며, 시각적인 검증을 위해 RMQ와 RAR 시스템에서 생산되는 전국 강수분포 표출 영상을 AWS의 전국 관측 강수분포 영상과 비교·분석하였다.
본 장에서는 2012년 여름사례 중 선정된 사례에 대하여 RMQ 시스템의 결과를 단계별로 나누어 분석하였다. 다음으로 RMQ 시스템의 강수량 추정 정확성과 개선정도를 평가하기 위해 RAR 시스템의 결과와 비교하였다. RMQ와 RAR 시스템의 강수량 추정 정확성을 검증하기 위해 평가지수로서 제곱근오차(Root Mean Square Error, RMSE)와 상관계수(correlation coefficient)를 이용하였으며, 시각적인 검증을 위해 RMQ와 RAR 시스템에서 생산되는 전국 강수분포 표출 영상을 AWS의 전국 관측 강수분포 영상과 비교·분석하였다.

이론/모형

2. A quality control procedure using the neural network technique (Korea Meteorological Administration, 2012).
최근 갑작스런 기상변화에 의한 기상·수문학적 피해를 최소화하기 위해 고품질·고분해능 기상관측자료의 필요성이 대두되고 있으며, 이를 위해 기상청에서는 2006년부터 고해상도의 정량적 강우정보를 제공하기 위해 레이더 기반의 정량적 강수 추정(Quantitative Precipitation Estimation, QPE) 모형인 레이더-AWS 강우강도(Radar-AWS Rainrate) 산출 시스템(이하 RAR 시스템)을 개발하여 운영하고 있다. RAR 시스템은 WPMM (Window Probability Matching Method) 이론을 기반으로 하여 강우강도를 산정하게 된다. WPMM은 지상우량계에서 관측된 강우강도와 우량계에 근접한 지점의 레이더 반사도를 각각 대응시켜 확률밀도 함수(probability density function)로 재산정하여 반사도(Z)와 강우강도(R)의 관계식인 Z-R 관계식을 결정하는 방법이다(Rosenfeld et al.
분류된 강수유형(대류, 층상, 열대, 지상에서의 눈)에 적합한 Z-R 관계식을 적용하여 강수량을 추정한다. 또한 AWS 지상 관측소 자료를 기반으로 레이더 강수량을 보정하는 LGC 기법을 이용하여 추정된 강수량을 보정하게 된다. 마지막으로 영상 표출 과정은 처리된 레이더 자료를 사용자에게 제공하기 위해서 영상 파일로 변환하여 웹 페이지에 표출하는 과정이며, 반사도부터 최종 강우 검증 결과까지 각 단계별 결과를 영상으로 표출하게 된다.
본 단계에서는 추정된 강수량을 지상우량계(AWS) 를 이용하여 보정하는 기법인 국지우량계보정(Local Gauge Correction, LGC)(Ware, 2005) 기법을 적용하였다. LGC 기법은 역거리가중법(inverse distance weight)을 개선한 방법으로 AWS에서 관측된 강수와 레이더로부터 산출된 강수의 오차에 가중치를 적용하게 되며, 가중치는 관측하는 레이더와 관측반경 안에 존재하는 AWS의 거리에 따라 가중치를 추정한다.
다음으로 강수추정 과정에서는 합성 CAPPI, VIL, VILD, VPR, HSR 등과 지상 관측자료 및 수치예보모델의 자료를 이용하여 강수유형을 분류한다. 분류된 강수유형(대류, 층상, 열대, 지상에서의 눈)에 적합한 Z-R 관계식을 적용하여 강수량을 추정한다. 또한 AWS 지상 관측소 자료를 기반으로 레이더 강수량을 보정하는 LGC 기법을 이용하여 추정된 강수량을 보정하게 된다.
2). 품질관리를 위해 신경망(neural network) 기법(Lakshmanan et al, 2007, 2010)을 기반으로 구성된 WDSS (Warning Decision Support System)-II의 품질관리 알고리즘(Zhang et al., 2011)을 적용하였다. 레이더 반사도, 스펙트럼 폭, 지형자료 등에 대한 기상/비기상 에코의 통계적 특성을 품질관리 신경망에 입력하여 최종적으로 비기상 에코를 걸러내는 과정을 거치게 된다.

성능/효과

Table 4를 살펴보면, 지상 관측자료와 RAR 시스템 추정 강수량의 평균 RMSE는 8.33 mm hr−1 (최소 2.75에서 최대 13.76 mm hr−1), RMQ 시스템 추정 강수량의 평균 RMSE는 2.36 mm hr−1 (최소 0.62에서 최대 5.03 mm hr−1)으로 RMQ 시스템의 강수량 추정 정확성이 RAR 시스템에 비하여 상대적으로 우수하였다.
또한 그 결과를 기상청 현업 운영 중인 RAR 시스템과 비교하였다. 강수추정 결과를 보면, RMQ 시스템이 RAR 시스템보다 RMSE와 상관계수가 각각 평균 73.25%와 25.56% 향상되어 강수추정 정확성이 상대적으로 우수하였다. 또한 강우합성장 비교에서도 RMQ 시스템에서 추정된 강우가 AWS 관측 강우에 더 가깝게 분포함을 확인하였다.
6(b)의 RMQ 시스템 반사도 분포와 잘 일치한다. 그러나 이를 LGC 기법을 이용하여 보정한 결과[Fig. 6(d) 오른쪽 영상], 전체적으로 강수량이 증가하였으며, 특히 강수량 가장 많았던 부산지역을 중심으로 강수량이 상대적으로 강하게 표출되고 있어 AWS 관측 강수 영상과 가장 잘 일치한다. 따라서 약하게 추정되었던 강수량이 LGC 기법을 적용함으로써 지상 관측자료에 의해 보정되었음을 알 수 있다.
따라서 단일편파 레이더로부터 얻은 2차원 반사도합성장을 이용하여 강수를 산출하는 RAR 시스템보다 HSR, 3차원 반사도 합성, 다양한 관측변수 등을 이용하고 강수유형에 따라 적합한 강수추정식을 적용한 RMQ 시스템의 강수추정 정확성이 기존 RAR 시스템보다 정량적으로 향상된 결과를 나타냈다. 이는 RMQ 시스템을 적용함으로서 보다 정확한 강우 추정이 가능함을 의미한다.
HSR 기법에 의하여 지형클러터에 의해 차폐되던 단점이 보완되었으며, 낙뢰발생 영역에 따른 강수유형이 잘 분류되었다. 또한 LGC 방법에 의해 강수가 보정되어 RMQ 시스템 산출 강수가 AWS 관측 강수분포에 가깝게 나타남을 확인하였다. 다음으로 우리나라 전역을 대상으로 2012년 여름철에 발생한 저기압, 장마, 태풍 등 5개 강우사례에 대하여 RMQ 시스템의 강수 추정 정확성을 검증하였다.
56% 향상되어 강수추정 정확성이 상대적으로 우수하였다. 또한 강우합성장 비교에서도 RMQ 시스템에서 추정된 강우가 AWS 관측 강우에 더 가깝게 분포함을 확인하였다. 따라서 RMQ 시스템을 이 기존 RAR 시스템보다 정확한 강수추정이 가능함을 보였으며, 향후 현업에서 RMQ 시스템이 운영이 된다면 위험기상의 실황감시와 예측 정확도가 향상될 것으로 기대된다.
03 mm hr⁻¹)으로 RMQ 시스템의 강수량 추정 정확성이 RAR 시스템에 비하여 상대적으로 우수하였다. 사례별로 보면, RMQ 시스템이 RAR 시스템에 비해 RMSE에서는 58.30%부터 최대 87.44%까지 평균 73.25% 향상되었으며, 상관계수에서는 최소 1.78%부터 최대 49.54%까지 평균 25.56% 정확성이 향상되었다. Figure 7은 사례#3(2012.

후속연구

따라서 RMQ 시스템을 이 기존 RAR 시스템보다 정확한 강수추정이 가능함을 보였으며, 향후 현업에서 RMQ 시스템이 운영이 된다면 위험기상의 실황감시와 예측 정확도가 향상될 것으로 기대된다. 그러나 RMQ 시스템에서 강수보정 수행시간 최적화, RMQ 시스템에 활용가능한 관측자료 확장, 각 단계별로 선택적 결과물 산출에 의한 RMQ 수행시간 단축, 이중 편파 레이더의 적용가능성 등 향후 연구를 통하여 개선되어야 할 사항으로 사료된다.
또한 강우합성장 비교에서도 RMQ 시스템에서 추정된 강우가 AWS 관측 강우에 더 가깝게 분포함을 확인하였다. 따라서 RMQ 시스템을 이 기존 RAR 시스템보다 정확한 강수추정이 가능함을 보였으며, 향후 현업에서 RMQ 시스템이 운영이 된다면 위험기상의 실황감시와 예측 정확도가 향상될 것으로 기대된다. 그러나 RMQ 시스템에서 강수보정 수행시간 최적화, RMQ 시스템에 활용가능한 관측자료 확장, 각 단계별로 선택적 결과물 산출에 의한 RMQ 수행시간 단축, 이중 편파 레이더의 적용가능성 등 향후 연구를 통하여 개선되어야 할 사항으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	WPMM이란 무엇인가?	RAR 시스템은 WPMM (Window Probability Matching Method) 이론을 기반으로 하여 강우강도를 산정하게 된다. WPMM은 지상우량계에서 관측된 강우강도와 우량계에 근접한 지점의 레이더 반사도를 각각 대응시켜 확률밀도 함수(probability density function)로 재산정하여 반사도(Z)와 강우강도(R)의 관계식인 Z-R 관계식을 결정하는 방법이다(Rosenfeld et al., 1993).
	RMQ 시스템은 어떻게 구성되어 있는가?	본 연구에서는 NSSL의 NMQ 시스템을 우리나라 기상환경에 적합하도록 개선한 RMQ 시스템에 대하여 소개하고 수행능력을 검증하였다. RMQ 시스템은 크게 단일 레이더 자료 처리과정, 3차원 반사도 합성 과정, 강수추정 과정, 영상 표출 과정으로 구성된다. 레이더 자료 처리과정에서는 레이더 자료의 사전 처리(데이터 포맷변환과 품질관리), VPR 생성 및 BBC 수행, HSR 수행으로 이루어진다.
	1.5 km CAPPI와 HSR 반사도 영상을 비교했을 때, HSR 영상에서는 반사도가 넓은 영역에서 강하게 나타나는 이유는 무엇인가?	5 km CAPPI 영상에서는 평안도 지역과 동해상 동북부 지역의 반사도(빨간 원)가 잘 나타나지 않으나 HSR 영상에서는 반사도가 넓은 영역에서 강하게 나타난다. 이러한 원인을 살펴보면, 1.5 km CAPPI 영상에서는 지형클러터(ground clutter)의 영향으로 반사도가 차폐되나 4.0 km CAPPI 영상에서는 지형클러터에 의한 차폐영향이 작아 빨간 원 영역에서 반사도가 강하게 표출된다. 하지만 고도상승의 영향으로 4.0 km CAPPI 영상은 경기북부와 강원도 지역(파란점선원 영역)에서 1.5 km CAPPI와 HSR 영상보다 반사도가 약하게 나타난다. 즉, 고도가 낮으면 반사도는 강하지만 지형클러터에 의한 차폐영역이 나타나며, 고도가 높으면 지형클러터에 의한 차폐영향은 감소하나 반사도가 약해지는 단점이 있다. RMQ 시스템에서는 HSR을 적용함으로써 고도별 CAPPI 영상에서 발생하는 단점들을 보완하여 지형클러터에 의한 차폐영향 없이 레이더 반사도를 잘 나타내고 있다.

참고문헌 (19)

Cha, J.-W., J.-K. Lee, H.-S. Park, J.-S. Park, and K.-H. Kim, 2013: Improvement of the Radar-AWS Rainrate calculation system using the Local Gauge Correction (LGC) method. Proceedings of the 2013 Spring Meeting of Korea Meteorological Society, 104-105.
Chung, C.-K., M.-K. Suk, H.-K. Kim, K.-H. Jang, and Y.-J. Choi, 2007: Improvement of the Radar-AWS Rainrate calculation system using the dual fit method, Proceedings of the 2007 Autumn Meeting of Korea Meteorological Society, 114-115
Fulton, R. A., J. P. Breidenbach, D.-J. Seo, D. Miller, and T. O'Bannon, 1998: The WSR-88D rainfall algorithm. Wea. Forecasting, 13, 377-395.
Korea Meteorological Administration, 2012: Development of radar-based multi-sensors quantitative precipitation estimation technical report. Weather Radar Center.
Lakshmanan, V., J. Zhang, and K. Howard, 2010: A technique to censor biological echoes in weather radar images. J. Appl. Meteor. Climatol., 49, 453-462.

상세보기
Lakshmanan, V., A. Fritz, T. Smith, K. Hondl, and G. J. Stumpf, 2007: An automated technique to quality control radar reflectivity data. J. Appl. Meteor. Climatol., 46, 288-305.

상세보기
Lee, J.-K., J.-W. Cha, D.-S. Kim, and J.-S. Park, 2013: Accuracy estimation of the radar rainfall using local gauge correction method, Proceeding of the 2013 Korea Society of Civil Engineers, 1757-1760.
Lee, J.-H., and C.-S. Ryu, 2009: Radar meteorology. Sigma Press, 101 pp.
Maddox, R., J. Zhang, J. J. Gourley, and K. Howard, 2002: Weather radar coverage over the contiguous United States. Wea. Forecasting, 17, 927-934.
Marshall, J. S., W. Hitschfeld, and K. L. S. Gunn, 1955: Advances in radar weather. Adv. Geophys., 2, 1-56.
O'Bannon, T. 1997: Using a 'terrain-based' hybrid scan to improve WSR-88D precipitation estimates. Proceeding of 28th Conference on Radar Meteorology, Austin, TX, American Meteorology, 506-507.
Radar operation center, 1999: Guidance on selecting Z-R relationships. Radar operation center.
Rosenfeld, D., D. B. Wolff, and E. Amitai, 1994: The window probability matching method for rainfall measurements with radar. J. Appl. Meteorology, 33, 682- 693.
Rosenfeld, D., D. B. Wolff, and D. Altas, 1993: General probability- matched relations between radar reflectivity and rain rate. Journal of Applied Meteorol., 32, 50-72.
Ware, E. C., 2005: Corrections to radar-estimated precipitation using observed rain gauge data. M. S. thesis, Cornell University.
Xu, X., J. Howard, and J. Zhang, 2008: An automated radar technique for the identification of tropical precipitation. J. Hydrometeor., 9, 885-902.

상세보기
Zhang, J., and Y. Qi, 2010: A real-time algorithm for the correction of brightband effects in radar derived precipitation estimation. J. Hydrometer., 11, 1157-1171.

상세보기
Zhang, J., C. Langston, and K. Howard, 2008: Brightband identification based on vertical profiles of reflectivity from the WSR-88D. J. Atmos. Oceanic Technol., 25, 1859-1872.

상세보기
Zhang, J., and Coauthors, 2011: National mosaic and multisensor QPE(NMQ) system: Desscription, results, and future plans. Bull. Amer. Meteor. Soc., 92, 1321-1338.

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

레이더기반 다중센서활용 강수추정기술의 개발
Development of Radar-Based Multi-Sensor Quantitative Precipitation Estimation Technique 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (19)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

레이더기반 다중센서활용 강수추정기술의 개발 Development of Radar-Based Multi-Sensor Quantitative Precipitation Estimation Technique 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (19)

이 논문을 인용한 문헌

저자의 다른 논문 :

이재경 (4) 김지현 (4) 박혜숙 (4) 석미경 (5)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

레이더기반 다중센서활용 강수추정기술의 개발
Development of Radar-Based Multi-Sensor Quantitative Precipitation Estimation Technique 원문보기

AI 본문요약
AI-Helper