클러스터링 기법은 탐색적 자료 분석 기법으로 알려진 중요한 데이터마이닝 기법 중 하나로서 패턴 인식, 원격 탐사 등의 분야에 사용되고 있다. 이 방법을 이용하여 데이터의 기본 구조를 추출하고, 개체의 군집화 혹은 군집의 계층을 조직한다. 기상 레이더는 대기 중에 존재하는 물체에서 반사되는 신호를 이용하여 관측을 수행하고, 해당 좌표에 데이터를 저장하는 원리로 동작하는데, 이를 분석하기 위해서는 흩어져있는 레이더 데이터를 유사도를 바탕으로 강수에코와 비강수에코를 구분하여 군집화 할 필요가 있다. 따라서 본 논문에서는 클러스터링 기법을 레이더 데이터에 적용하는 방법에 대한 연구를 수행하였다. 또한, 강수에코와 비강수에코가 인접해 있을 경우 발생할 수 있는 문제를 해결하기 위하여 퍼지 로직과 계층적 클러스터링 기법을 접목하여 유사도를 판별하는 방법에 대한 연구를 수행하였다. 실제 사례를 바탕으로 본 논문에서 제안한 클러스터링 기법을 적용한 결과, 강수에코와 비강수에코가 인접해 있는 경우 기존 기법보다 좋은 결과를 도출하는 것을 확인할 수 있었다.
클러스터링 기법은 탐색적 자료 분석 기법으로 알려진 중요한 데이터마이닝 기법 중 하나로서 패턴 인식, 원격 탐사 등의 분야에 사용되고 있다. 이 방법을 이용하여 데이터의 기본 구조를 추출하고, 개체의 군집화 혹은 군집의 계층을 조직한다. 기상 레이더는 대기 중에 존재하는 물체에서 반사되는 신호를 이용하여 관측을 수행하고, 해당 좌표에 데이터를 저장하는 원리로 동작하는데, 이를 분석하기 위해서는 흩어져있는 레이더 데이터를 유사도를 바탕으로 강수에코와 비강수에코를 구분하여 군집화 할 필요가 있다. 따라서 본 논문에서는 클러스터링 기법을 레이더 데이터에 적용하는 방법에 대한 연구를 수행하였다. 또한, 강수에코와 비강수에코가 인접해 있을 경우 발생할 수 있는 문제를 해결하기 위하여 퍼지 로직과 계층적 클러스터링 기법을 접목하여 유사도를 판별하는 방법에 대한 연구를 수행하였다. 실제 사례를 바탕으로 본 논문에서 제안한 클러스터링 기법을 적용한 결과, 강수에코와 비강수에코가 인접해 있는 경우 기존 기법보다 좋은 결과를 도출하는 것을 확인할 수 있었다.
Clustering is one of important data mining techniques known as exploratory data analysis and is being applied in various engineering and scientific fields such as pattern recognition, remote sensing, and so on. The method organizes data by abstracting underlying structure either as a grouping of ind...
Clustering is one of important data mining techniques known as exploratory data analysis and is being applied in various engineering and scientific fields such as pattern recognition, remote sensing, and so on. The method organizes data by abstracting underlying structure either as a grouping of individuals or as a hierarchy of groups. Weather radar observes atmospheric objects by utilizing reflected signals and stores observed data in corresponding coordinate. To analyze the radar data, it is needed to be separately organized precipitation and non-precipitation echo based on similarities. Thus, this paper studies to apply clustering method to radar data. In addition, in order to solve the problem when precipitation echo locates close to non-precipitation echo, fuzzy logic based clustering method which can consider both distance and other properties such as reflectivity and Doppler velocity is suggested in this paper. By using actual cases, the suggested clustering method derives better results than previous method in near-located precipitation and non-precipitation echo case.
Clustering is one of important data mining techniques known as exploratory data analysis and is being applied in various engineering and scientific fields such as pattern recognition, remote sensing, and so on. The method organizes data by abstracting underlying structure either as a grouping of individuals or as a hierarchy of groups. Weather radar observes atmospheric objects by utilizing reflected signals and stores observed data in corresponding coordinate. To analyze the radar data, it is needed to be separately organized precipitation and non-precipitation echo based on similarities. Thus, this paper studies to apply clustering method to radar data. In addition, in order to solve the problem when precipitation echo locates close to non-precipitation echo, fuzzy logic based clustering method which can consider both distance and other properties such as reflectivity and Doppler velocity is suggested in this paper. By using actual cases, the suggested clustering method derives better results than previous method in near-located precipitation and non-precipitation echo case.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이를 위해서는 기상 레이더의 넓은 관측 범위와 높은 분해능으로 인해서 분석해야 할 데이터의 양이 많기 때문에 생성될 클러스터의 수를 고려하지 않더라도 효율적으로 데이터의 군집화를 수행할 수 있는 적합한 클러스터링 기법을 채택해야 한다. 따라서 본 논문에서는 클러스터링 기법 중 클러스터의 수에 대한 정보가 사전에 고려되지 않아도 적용이 가능한 계층적 클러스터링 기법을 도입하여 비기상에코를 식별 및 제거하는 분류기의 입력을 생성하는 방법에 대한 연구를 수행하였다.
현재 제안한 클러스터링 기법을 적용할 경우 클러스터의 수가 기존의 기법보다 다소 많이 생성되는 것을 확인할 수 있었다. 따라서 클러스터의 단계를 다단으로 구성하여 유사도 기반 클러스터링을 수행하는 등의 방법을 적용하여 제안한 클러스터링 기법의 성능 향상에 대한 연구를 수행하고자 한다.
본 논문에서는 비기상에코의 식별을 수행하기 위한 전 단계로 sin잉e linkage clustering 기법을 이용하여 레이더 데이터를 군집화 하는 방법에 대한 연구를 수행하였다. 여러 가지 대표적인 비기상에코 중 정량적 강우량 산출에 대한 잘못된 판정을 하는 문제가 발생할 수 있는 이상전파에코를 연구대상으로 하였다.
향후 연구에서는 본 논문에서 도출된 결과를 바탕으로 하여 퍼지 로직을 이용한 유사도 기반의 클러스터링 기법의 성능 향상을 목표로 한다. 현재 제안한 클러스터링 기법을 적용할 경우 클러스터의 수가 기존의 기법보다 다소 많이 생성되는 것을 확인할 수 있었다.
제안 방법
나타낸 것이다. 각 멤버십 함수의 파라미터는 휴리스틱하게 정하였으며, Mamdani Fuzz衣 Inference를 사용하였으며, 퍼지 규칙을 표 1에 나타내었다. 거리가 다소 떨어져 있더라도 속도와 반사도 값이 유사하면 같은 클러스터로 인식하고, 가까운 거리에 위치해 있더라도 속도와 반사도 값이 많이 차이가 나게 되면 다른 클러스터로 인식하도록 퍼지 규칙을 구성하였다 .
각 멤버십 함수의 파라미터는 휴리스틱하게 정하였으며, Mamdani Fuzz衣 Inference를 사용하였으며, 퍼지 규칙을 표 1에 나타내었다. 거리가 다소 떨어져 있더라도 속도와 반사도 값이 유사하면 같은 클러스터로 인식하고, 가까운 거리에 위치해 있더라도 속도와 반사도 값이 많이 차이가 나게 되면 다른 클러스터로 인식하도록 퍼지 규칙을 구성하였다 .
여러 가지 대표적인 비기상에코 중 정량적 강우량 산출에 대한 잘못된 판정을 하는 문제가 발생할 수 있는 이상전파에코를 연구대상으로 하였다. 또한, 강수에코와 이상전파에코가 인접한 상태로 관측될 경우 발생할 수 있는 문제를 해결하기 위하여 반사도와 도플러 속도를 퍼지 로직을 통해서 고려할 수 있는 클러스터링 기법을 구현하였다. 실제 사례를 바탕으로 분석한 결과 제안한 방법이 좋은 결과를 도출하는 것을 확인할 수 있었다.
실제 이상전파에코가 발생한 경우의 기상 레이더 데이터를 바탕으로 제안하는 알고리즘을 검증하였다. 그림 5와 그림 6 은 각각 이상전파에코와 강수에코가 인접하여 나타난 경우이며, 그림 5는 소규모 강수에코가 이상전파에코와 인접해 있을 경우, 그림 6은 대규모 강수에코가 혼재되어 있을 경우를 각각 표출한 것이다.
발생하였다. 이를 해결하기 위하여 앞서 언급한 이상전파 에코를 판별하는 전문가 규칙에서 중요한 心로 나타난 반사도 데이터와 도플러 속도 데이터를 고려할 수 있도록 퍼지로직을 접목하여 single linkage clustering을 수행할 수 있도록 하였다. 입력으로는 식 (2)에서 나타난 것과 같이 반사도 차이 값, 식 (3)에서 나타난 것과 같이 도플러 속도의 차이값, 식 (4)에 나타난 것과 같이 두 좌표의 거리 차이를 Nrnorm 형태로 나타낸 값을 사용흐]■였다.
대상 데이터
군집화 하는 방법에 대한 연구를 수행하였다. 여러 가지 대표적인 비기상에코 중 정량적 강우량 산출에 대한 잘못된 판정을 하는 문제가 발생할 수 있는 이상전파에코를 연구대상으로 하였다. 또한, 강수에코와 이상전파에코가 인접한 상태로 관측될 경우 발생할 수 있는 문제를 해결하기 위하여 반사도와 도플러 속도를 퍼지 로직을 통해서 고려할 수 있는 클러스터링 기법을 구현하였다.
이론/모형
상대적으로 굉장히 큰 수의 클러스터를 고려해야하기 때문에 사전에 클러스터의 수를 알기는 힘들고, Rule of thumbs나 Elbow method 등을 이용하더라도 큰 에러와 긴 수렴시간을 가지는-문제가 발생한다. 따라서 본 논문에서는 single linkage clustering 기법을 人]용흐]였다. 3차원 공간에서 Ni-norm에 따라서 유사도를 판별하고 인접해 있으면 같은 클러스터로 판별하는 방식으로 수행되며, 그림 3에 그 원리를 나타내었다.
성능/효과
하지만 제안한 방법이 이상전파에코를 클러스터에서 제거하였으며, 강수에코에 대한 정보가 다른 클러스터 에도 존재한다는 점을 바탕으로 분석하였을때, 제안한 방법이 더욱 좋은 결과를 도출하였다고 간주할 수 있다. 따라서 그림 5와 그림 6을 바탕으로 정리하였을 때 제안한 클러스터링 기법이 기존의 방법보다 더욱 좋은 결과를 도출하였음을 확인할 수 있었다.
또한, 강수에코와 이상전파에코가 인접한 상태로 관측될 경우 발생할 수 있는 문제를 해결하기 위하여 반사도와 도플러 속도를 퍼지 로직을 통해서 고려할 수 있는 클러스터링 기법을 구현하였다. 실제 사례를 바탕으로 분석한 결과 제안한 방법이 좋은 결과를 도출하는 것을 확인할 수 있었다.
779 points 이고 제안한 방법의 경우 1, 867, 635 points 이므로 다소 차이가 존재한다. 하지만 제안한 방법이 이상전파에코를 클러스터에서 제거하였으며, 강수에코에 대한 정보가 다른 클러스터 에도 존재한다는 점을 바탕으로 분석하였을때, 제안한 방법이 더욱 좋은 결과를 도출하였다고 간주할 수 있다. 따라서 그림 5와 그림 6을 바탕으로 정리하였을 때 제안한 클러스터링 기법이 기존의 방법보다 더욱 좋은 결과를 도출하였음을 확인할 수 있었다.
향상을 목표로 한다. 현재 제안한 클러스터링 기법을 적용할 경우 클러스터의 수가 기존의 기법보다 다소 많이 생성되는 것을 확인할 수 있었다. 따라서 클러스터의 단계를 다단으로 구성하여 유사도 기반 클러스터링을 수행하는 등의 방법을 적용하여 제안한 클러스터링 기법의 성능 향상에 대한 연구를 수행하고자 한다.
참고문헌 (15)
I. S. Merrill, Radar handbook, McGrawHill, NewYork, 1990.
Met Office, "National Meteorological Library and Archive Fact sheet 15 - Weather radar," Available: http://www.metoffice.gov.uk/learning/library/publications/factsheets, 2013, [Accessed: May 10, 2015]
S. Haykin and C. Deng, "Classification of radar clutter using neural networks," IEEE Transactions on Neural Networks, vol. 2, no. 6, pp. 589-600, 1991.
B. E. Martner and K. P. Moran, "Using cloud radar polarization measurements to evaluate stratus cloud and insect echoes," Journal of Geophysical Research: Atmospheres (1984-2012), vol. 106, no. D5, pp. 4891-4897, 2001.
J. Bech, B. Codina, J. Lorente and D. Bebbington, "Monthly and daily variations of radar anomalous propagation conditions: How "normal" is normal propagation?," Proceedings of ERAD 2002, pp. 35-39, 2002.
W. F. Krajewski and B. Vignal, "Evaluation of anomalous propagation echo detection in WSR-88D data: A large sample case study," Journal of Atmospheric and Oceanic Technology, vol. 18, no. 5, pp. 807-814, 2001.
S. Haykin, R. Bakker and B. W. Currie, "Uncovering nonlinear dynamics-the case study of sea clutter," Proceedings of the IEEE, vol 90, no. 5, pp. 860-881, 2002.
H. Lee and S. Kim, "A study of line-shaped echo detection method using naive Bayesian classifier," Journal of Korean Institute of Intelligent Systems, vol. 24, no. 4, pp. 360-365, 2014.
H. Lee, E. K. Kim and S. Kim, "Analysis and detection method for line-shaped echoes using support vector machine," Journal of Korean Institute of Intelligent Systems, vol. 24, no. 6, pp. 665-670, 2014.
X. Shao, H. Du and J. Xue, "A new method of ship and chaff polarization recognition under rain and snow cluster," 2007 IEEE International Workshop on Anti-counterfeiting, Security, Identification, pp. 142-147, 2007.
Y. H. Kim, S. Kim, H. Y. Han, B. H. Heo and C. H. You, "Real-time detection and filtering of chaff clutter from single-polarization doppler radar data," Journal of Atmospheric and Oceanic Technology, vol. 30, no. 5, pp. 873-895, 2013.
A. K. Jain and R. C. Dubes, Algorithms for clustering data, Englewood Cliffs: Prentice hall, 1988.
J. M. Barnard and G. M. Downs, "Clustering of chemical structures on the basis of two-dimensional similarity measures," Journal of chemical information and computer sciences, vol. 32, no. 6, pp. 644-649, 1992.
J. Abonyi and B. Feil, Cluster analysis for data mining and system identification, Springer Science & Business Media, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.