[논문]AWS 지점별 기상데이타를 이용한 진화적 회귀분석 기반의 단기 풍속 예보 보정 기법

현병용; 이용희; 서기성

doi:10.5370/kiee.2015.64.1.107

AWS 지점별 기상데이타를 이용한 진화적 회귀분석 기반의 단기 풍속 예보 보정 기법
Evolutionary Nonlinear Regression Based Compensation Technique for Short-range Prediction of Wind Speed using Automatic Weather Station 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.64 no.1, 2015년, pp.107 - 112

현병용 (Laon People) , 이용희 (National Institute of Meteorological Research) , 서기성 (Dept. of Electronics Engineering, Seokyeong University)

Abstract ▼ AI-Helper

This paper introduces an evolutionary nonlinear regression based compensation technique for the short-range prediction of wind speed using AWS(Automatic Weather Station) data. Development of an efficient MOS(Model Output Statistics) is necessary to correct systematic errors of the model, but a linear regression based MOS is hard to manage an irregular nature of weather prediction. In order to solve the problem, a nonlinear and symbolic regression method using GP(Genetic Programming) is suggested for a development of MOS wind forecast guidance. Also FCM(Fuzzy C-Means) clustering is adopted to mitigate bias of wind speed data. The purpose of this study is to evaluate the accuracy of the estimation by a GP based nonlinear MOS for 3 days prediction of wind speed in South Korean regions. This method is then compared to the UM model and has shown superior results. Data for 2007-2009, 2011 is used for training, and 2012 is used for testing.

주제어

AI 본문요약
AI-Helper

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

문제 정의

AWS 관측 지점에 대한 풍속 예보는 격자형 구조의 UM 예보자료를 바탕으로 AWS 관측소의 풍속을예측하는 것이 목표이다. AWS 관측소는 실제 설치된 위치인 반면, UM의 위/경도 자료는 수직, 수평 5km의 해상도를 갖는 평면에서의 대표 값이다.
수치예보모델인 UM은 풍속, 풍향, 기온, 습도 등 다양한 기상인자에 대하여 목표 고도별로 세분화된 수치 예보 자료를 생성한다. 본 논문에서는 UM의 64개 예보인자를 활용하여 예보 풍속의 정확도를 향상시키는 작업을 수행한다. 그런데, 각 예보인자 별로 나타내고자 하는 지표가 다르고, 상대적으로 수치적인 크기에서 중요도가 다르게 나타날 수 있기 때문에, 각 예보인자들의 정량적인 크기를 정규화하여 사용한다.
본 논문에서는 강풍 예측을 위하여 FCM과 유전 프로그래밍기반의 예보 평균 풍속의 보정 기법을 제안하였다. FCM을 기반으로 UM 모델의 U, V 값을 이용하여 3개의 클러스터를 생성하였으며, 각 클러스터별로 유전 프로그래밍의 예보 평균 풍속에 대한 비선형 보정 수식 생성 실험을 수행하였다.
본 연구의 목적은 MOS 기법을 통해 AWS 풍속 값과 UM 모델 값 사이의 오차를 최소화하는 보정식을 진화연산의 일종인 GP(Genetic Programming)를 사용하여 자동 생성하는 것이다.

제안 방법

본 논문에서는 강풍 예측을 위하여 FCM과 유전 프로그래밍기반의 예보 평균 풍속의 보정 기법을 제안하였다. FCM을 기반으로 UM 모델의 U, V 값을 이용하여 3개의 클러스터를 생성하였으며, 각 클러스터별로 유전 프로그래밍의 예보 평균 풍속에 대한 비선형 보정 수식 생성 실험을 수행하였다. 예보 평균 풍속의 보정을 수행한 뒤, 보정된 값을 토대로 강풍 예측 실험을 수행하였다.
각각의 예보 풍속 보정식 생성 실험은 20회 반복 수행하였으며, 실험에 사용한 유전 프로그래밍의 파라미터는 사전 검토를 통해 수행시간 및 성능을 고려하여 다음과 같이 선택하였다.
초기에 트리로 구성된 각 개체들을 임의로 생성한다. 그리고, 각 개체 트리를 해석하여 구한 후보 해를 적합도 함수로 평가한다. 이후, 주어진 선택 방법에 의해 유전 연산에 참여할 개체들을 선택한다.
이러한 문제를 해결하기 위하여, 전체 실험 데이터를 고속(상위 10%, 또는 강풍 기준치 이상의 풍속), 중간 풍속, 그리고 하위 풍속으로 분류하고, 각각의 비율이 1:1:1이 되도록 언더샘플링을 수행한다. 더불어 경계점에서 소속 문제를 해결하기 위해서 언더샘플링된 실험데이터의 U, V벡터를 대상으로 FCM 클러스터링 방법을 도입한다(그림 5). 데이터가 한 클러스터에만 속하는HCM(Hard C-Means)과 달리, FCM에서는 데이터가 각 클러스터에 속한 정도가 다를 수 있으므로, 풍속 경계점에서의 데이터 소속 문제를 효율적으로 처리할 수 있다.
문승의 등은[5] 풍속자료의 특성을 고려하여 시계열 모형을 구축하고, 시간별 풍속의 수치모의와 예보를 시도하였다. 또한, 박효순은[6] 연안과 섬에 위치한 AWS 자료를 이용하여 돌풍계수를 산출하였으며, 주기도와 파워스펙트럼 분석을 통하여 풍속의 주기성을 분석하였다. 상기 연구들은 강풍의 예보보다는 특정 일부 지역의 강풍 현상에 대한 분석에 중점을 두고 있다.
본 논문에서는 풍속 예보를 위하여 진화적 기호회귀 분석기법인 유전 프로그래밍을 사용하여 단기 평균 풍속 예보의 보정 수식을 생성한다. 또한, 저속에 편중된 실험 데이터의 특성을 보완하기 위해서 고속, 중간, 저속으로 풍속 데이터를 언더샘플링 방식으로 구성하고, 경계점에서 소속 문제를 해결하기 위해서 FCM(Fuzzy C-Means) 클러스터링을 사용한다.
상기의 문제점들을 해결하기 위해서 유전 프로그래밍(GP,Genetic Programming[12])을 이용하여 잠재적 예보 인자들의 비선형 결합에 의한 보정 수식 생성 기법을 제안한다. 이 기법은 차수와 계수가 열려진(open-ended) 공간의 탐색에 적합하므로, 풍속 보정에 대해서 제한되지 않는 비선형 회귀분석 방식의 접근이 가능하다.
이후, 주어진 선택 방법에 의해 유전 연산에 참여할 개체들을 선택한다. 선택된 개체들을 대상으로 유전 연산을(교배, 돌연변이) 수행한다. 그리고 이 전체과정을 종료조건이 만족될 때 까지 반복한다.
FCM을 기반으로 UM 모델의 U, V 값을 이용하여 3개의 클러스터를 생성하였으며, 각 클러스터별로 유전 프로그래밍의 예보 평균 풍속에 대한 비선형 보정 수식 생성 실험을 수행하였다. 예보 평균 풍속의 보정을 수행한 뒤, 보정된 값을 토대로 강풍 예측 실험을 수행하였다.
이러한 문제를 해결하기 위하여, 전체 실험 데이터를 고속(상위 10%, 또는 강풍 기준치 이상의 풍속), 중간 풍속, 그리고 하위 풍속으로 분류하고, 각각의 비율이 1:1:1이 되도록 언더샘플링을 수행한다. 더불어 경계점에서 소속 문제를 해결하기 위해서 언더샘플링된 실험데이터의 U, V벡터를 대상으로 FCM 클러스터링 방법을 도입한다(그림 5).

대상 데이터

UM 모델에 대해서 보정된 평균 풍속 예보는 AWS 관측자료와 비교하며, 2007년∼2009, 2011년의 데이터를 대상으로 최적화 실험을 수행하며, 2012년의 데이터를 대상으로 성능 평가를 수행한다.
각 AWS 관측 지점에 대응하는 UM의 격자점은 유클리디안 거리가 가장 가까운 곳으로 선정하였다. 그림 1과 같이 총 600개의 AWS 관측 지점에 대응하는 UM의 격자점을 선정하였으며, 지도에서 짙은 색은 고도가 높은 지점을 나타낸다.
AWS 지점에 대한 풍속 예측을 위한 GP 기반의 풍속 보정식생성은 다음과 같이 수행된다. 대상 지점, 발표 시각, 예보시간에 대해서 FCM 클러스터별로 보정식이 필요하므로 최종 보정식의 개수는 총 75,600개가 필요하다.
실험은 남한 전지역 600개의 AWS 관측소를 대상으로,00/12UTC에 대해서 각각 21개 목표 예보 시간(+06H ∼ +66H)에 대응하는 예측실험을 수행하였다.
자동기상관측소(Automatic Weather Station, 이하 AWS)는 기온, 습도, 평균 풍속, 순간 풍속 등의 기상 인자들을 컴퓨터를 통해 자동으로 관측하며, 예보 모델 평가시 관측 자료로 활용된다[1]. 전국 각 지역에 설치된 AWS의 자동기상관측장비를 통해 기상 데이터를 수집한다. 이중 바람은 다른 기상요소들에 비해 순간변동이 심하고, 국지성이 강하여 정확한 예측이 매우 어려운 기상요소이다[1].

데이터처리

남한 전체 600개 지점에 대해서, GP 기반의 풍속 보정에 의한 예측 성능을 UM 모델과 RMSE와 BIAS 지표로서 비교하였으며,00/12 UTC에 대한 시간대별 RMSE 실험 결과는 그림 6, 7에, 시간대별 BIAS 실험 결과는 그림 8, 9에 나와 있다.
학습 기간은 2007∼2009년, 2011년 테스트는 2012년 데이터를 사용하였으며, 예보 풍속 보정수식에 대한 성능평가 지표는 RMSE (Root Mean Square Error), BIAS(=Mean Error)를 사용하였다.

이론/모형

본 논문에서는 풍속 예보를 위하여 진화적 기호회귀 분석기법인 유전 프로그래밍을 사용하여 단기 평균 풍속 예보의 보정 수식을 생성한다. 또한, 저속에 편중된 실험 데이터의 특성을 보완하기 위해서 고속, 중간, 저속으로 풍속 데이터를 언더샘플링 방식으로 구성하고, 경계점에서 소속 문제를 해결하기 위해서 FCM(Fuzzy C-Means) 클러스터링을 사용한다.

성능/효과

00 UTC에 대한 RMSE 결과를 보면 전 예보 시간에서 UM보다 GP의 평균 RMSE가 우수한 것으로 나타났다. UM의 예보 풍속에 대한 RMSE가 +06시, +30시, +54시에서 가장 높게 나타나는데, 24시간 간격으로 당일 오후 3시, 하루 뒤의 오후 3시, 이틀 뒤의 오후 3시에서 UM의 예보 풍속에 대한 RMSE가 가장 높게 나타났다.
전 예보 시간(00/12 UTC의 06시∼66시)에서 UM의 예보 풍속에 대한 BIAS는 음의 방향으로, GP에 의해 보정된 예보 풍속에 대한 BIAS는 양의 방향으로 나타났다. RMSE와 마찬가지로 낮 시간대(오후 3시, +06H 00UTC)에서 UM의 BIAS가 높게 나타났으며, 자정에서(24 시, +15H, 00 UTC) GP의 BIAS가 다른 시간대에 비하여 약간 높게 나타났다.
00 UTC에 대한 RMSE 결과를 보면 전 예보 시간에서 UM보다 GP의 평균 RMSE가 우수한 것으로 나타났다. UM의 예보 풍속에 대한 RMSE가 +06시, +30시, +54시에서 가장 높게 나타나는데, 24시간 간격으로 당일 오후 3시, 하루 뒤의 오후 3시, 이틀 뒤의 오후 3시에서 UM의 예보 풍속에 대한 RMSE가 가장 높게 나타났다. 반면에 GP에 의해 보정된 예보 풍속은 전 예보구간에서 1.
본 연구에 사용된 최적화 알고리즘은 유전 프로그래밍(GP,Genetic Programming)[9, 10]으로서, 유전 알고리즘(GA,Genetic Algorithm)과 달리 개체를 트리 형태로 표현하는 특징을 가지고, 유전자 크기가 가변이며, 구조적으로 열려진 공간의 탐색 문제에 적합하다. 대표적으로 널리 적용되는 분야는 회귀분석으로 구성요소가 제한되지 않는 다항식을 생성할 수 있다.
전 예보 시간(00/12 UTC의 06시∼66시)에서 UM의 예보 풍속에 대한 BIAS는 음의 방향으로, GP에 의해 보정된 예보 풍속에 대한 BIAS는 양의 방향으로 나타났다.
제안된 GP 기반 보정기법이 UM의 RMSE와 비교하여 평균적으로 약 약 2.45(58.2 %, 00 UTC), 2.51(58.9 %, 12 UTC 정도씩 대폭 개선되었음을 확인하였다. 향후 평균 풍속 예측을 토대로 지점별 강풍 특보 예측에 확장 적용할 계획이다.
전체 데이터에 대해서 GP 보정식이 하나 생성되는 것에 비해,FCM을 결합한 방식에서는 고, 중, 저속 3가지 클러스터에 대해서 각각 GP 보정식이 생성되고, 이들을 결합하여 최종 보정식을 구성한다. 즉, 풍속 클러스터별로 생성된 GP 최적해들의 합성을 통해, 풍속 데이터의 소속 정도를 고려한 최종해의 생성이 가능하다.
826 범위에서 비슷한 성능을 보였다. 즉,GP에 의한 예보 풍속의 보정 능력이 우수하며, UM의 예보풍속에 비하여 예보 시간대에 영향을 덜 받는 것으로 나타났다.
성능지표를 종합하면 표 2와 3으로 정리할 수 있다. 평균적으로 UM의 RMSE가 4.209(00 UTC), 4.256(12 UTC) 인 반면에, 유전 프로그래밍에 의해 보정된 예보 풍속은 RMSE가 1.759(00 UTC), 1.746(12 UTC)으로, UM에 비하여 약 2.45(58.2%, 00 UTC), 2.51(58.9 %, 12 UTC) 정도씩 대폭 개선되었다.
본 UM의 풍속은 U벡터와 V벡터의 크기를 이용하여 계산된다. 풍속 예측을 위한 5년치의 AWS 데이터를 분석한 결과, 비강풍 데이터에 비해 강풍 데이터가 현저히 적은 것으로 나타났다. 전체 데이터를 그대로 사용할 경우, 풍속이 저속인 경우가 학습데이터의 대부분을 차지하게 된다.

후속연구

9 %, 12 UTC 정도씩 대폭 개선되었음을 확인하였다. 향후 평균 풍속 예측을 토대로 지점별 강풍 특보 예측에 확장 적용할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	영국에서 개발되어 널리 사용되는 예보 모델로 현재 기상청에서도 운영되고 있는 모델은 무엇인가?	UM(Unified Model)은 영국에서 개발되어 전 세계적으로 널리 사용되는 예보 모델로 현재 기상청에서도 운영되고 있다[2]. 그러나 기상 시스템에 대한 정확한 모델링이 어렵기 때문에 기상예보 모델만으로는 예보의 정확성에 한계가 있다.
	UM(Unified Model) 예보 모델에는 어떤 단점이 있나?	UM(Unified Model)은 영국에서 개발되어 전 세계적으로 널리 사용되는 예보 모델로 현재 기상청에서도 운영되고 있다[2]. 그러나 기상 시스템에 대한 정확한 모델링이 어렵기 때문에 기상예보 모델만으로는 예보의 정확성에 한계가 있다. 예보 모델의 오차를 줄이기 위하여, 수치예보모델 자료의 통계적 분석을 통해 수치예보 모델이 가지는 체계적인 오차를 보정하는 MOS(Model Output Statistics)[3, 4] 기법이 사용되고 있다.
	자동기상관측소(Automatic Weather Station, 이하 AWS)는 어떤 일을 하는가?	자동기상관측소(Automatic Weather Station, 이하 AWS)는 기온, 습도, 평균 풍속, 순간 풍속 등의 기상 인자들을 컴퓨터를 통해 자동으로 관측하며, 예보 모델 평가시 관측 자료로 활용된다[1]. 전국 각 지역에 설치된 AWS의 자동기상관측장비를 통해 기상 데이터를 수집한다.

참고문헌 (12)

Korean Meteorological Society, Introduction to Atmospheric Science, Sigma Press, 2009.
United Kingdom Met Office’s website : http://www.metoffice.gov.uk
H. R. Glahn, D. A. Lowry, “The use of model output statistics (MOS) in objective weather forecasting”, J. Appl. Meteor., 11, pp. 1203？1211, 1972.
B. Hyeon, S. Hyun, K. Seo, Y. Lee, “Genetic Programming Based Compensation Technique for Short-range Temperature Prediction”, The Transactions of the Korean Institute of Electrical Engineers Vol. 61, No. 11, pp. 1682？1688, 2012

원문보기 상세보기
S. Moon, B. Kim, T. Park, “Simulation and Forecast of Wind Speed using Time Series Model”. Asia-Pacific Journal of Atmospheric Sciences, Vol. 34, No. 1, pp. 147-153. 1998
H. Park, “Study on the guidance of the gust factor”. Atmosphere, Vol. 14, No. 3, pp. 19-28. 2004
C. P. Sweeney, P. Lynch, and P. Nolan, 2013: Reducing errors of wind speed forecast by an optimal combination of post-processing methods. Met. Apps, 20, 32-40.

상세보기
Palutikof, J. P., Holt, T., Osborn, T.J., “SEASONAL FORECASTING OF STRONG WINDS OVER EUROPE, Symposium on global change and climate variations”, vol. 13, pp. 125-128, 2002.
Hui L., T. Hong-Qi, C. Chao and L. Yan-fei, 2009: A hybrid statistical method to predict wind speed and wind power. Renew. Energ., 35, 1857-1861.
J. Yoon, Y. Lee, H. Lee, J. Ha, H. Lee, D. Chang, “Wind Prediction with a Short-range Multi-Model Ensemble System”, Atmosphere, Vol. 17, No. 4, pp. 327-337, 2007
S. Choo, Y. Lee, K. Ahn, K. Chung, “Development of wind forecast model over Korean Peninsula using Harmony Search Algorithm”, Proceedings of KIIS Spring Conference, Vol. 23, No. 1, pp. 198-199, 2013
Koza, J. R., Genetic Programming: On the Programming of Computers by Means of Natural Selection, The MIT Press, 1992.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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