[논문]마이크로 유전알고리즘을 이용한 2014년 여름철 Z-R 관계식 최적화

이용희; 남지은; 주상원

doi:10.5391/jkiis.2016.26.1.001

마이크로 유전알고리즘을 이용한 2014년 여름철 Z-R 관계식 최적화
Optimization of Z-R relationship in the summer of 2014 using a micro genetic algorithm 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.26 no.1, 2016년, pp.1 - 8

이용희 (국립기상과학원 수치자료응용과) , 남지은 (국립기상과학원 수치자료응용과) , 주상원 (국립기상과학원 수치자료응용과)

초록
AI-Helper

기상청에서는 강우량을 관측하기 위하여 평균 13km 해상도의 자동기상관측망을 운영하고 있다. 그러나 자동기상관측망은 육지에서만 관측이 가능하므로 기상레이더 관측망을 추가로 운영하여 해상을 포함한 우리나라 전역을 전천후로 관측하고 있다. 일반적으로 레이더로부터 추정하는 강우강도는 레이더 반사도(Z)와 지상관측자료의 강우강도(R)의 관계를 추정한 Z-R 관계식을 구하여 사용하고 있다. 하 지 만 이 관 계 식 은 경험식에 의존하고 있어 한반도의 강우특성에 맞게 최적화 할 필요가 있다. 이 연구에서는 마이크로 유전알고리즘을 병렬화하고 2014년도 여름철에 대한 Z-R 관계식의 최적화를 수행하였다. 마이크로 유전알고리즘을 이용하여 최적화한 Z-R 관계식은 기존에 사용하던 관계식과는 다르게 $Z=120R^{1.56}$이 추정되었다. 하지만 마이크로 유전알고리즘의 최적화과정에서 탐색한 적합도 함수의 위상공간이 평평한 고원의 형태에 가까웠다. 이러한 결과는 1.5km 고도와 지상 사이에 복잡한 강수의 발달과 소멸과정이 포함되어 있어 정교한 추정에 한계가 있음을 보여주고 있다.

Abstract ▼ AI-Helper

The Korea Meteorological Administration has operated the Automatic Weather Stations, of the average 13 km horizontal resolution, to observe rainfall. However, an additional RADAR network also has been operated in all-weather conditions, because AWS network could not observed rainfall over the sea. In general, the rain rate is obtained by estimating the relationship between the radar reflectivity (Z) and the rainfall (R). But this empirical relationship needs to be optimized on the rainfall over the Korean peninsula. This study was carried out to optimize the Z-R relationship in the summer of 2014 using a parallel Micro Genetic Algorithm. The optimized Z-R relationship, $Z=120R^{1.56}$, using a micro genetic algorithm was different from the various Z-R relationships that have been previously used. However, the landscape of the fitness function found in this study looked like a flat plateau. So there was a limit to the fine estimation including the complex development and decay processes of precipitation between the ground and an altitude of 1.5km.

주제어

AI 본문요약
AI-Helper

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

제안 방법

MCSE는 접합모델의 개발 시에 적합도 산출과정에서 많은 시간이 소요되므로 각 세대를 구성하는 개체의 적합도 산출을 일괄적으로 분산 처리하였다. 세대별 각 개체의 염색체는 서로 동일하지 않으므로 독립적인 계산이 가능하다.
이 연구에서는 마이크로 유전알고리즘을 이용하여 2014년도 여름철에 대한 Z-R 관계식을 최적화하고 기존에 사용하였던 관계식과 비교 평가하였다. Z-R 관계식을 추정할 때 10분 간격의 방대한 레이더 반사도 자료를 사용하기 때문에 개별 적합도 산출에 사용되는 계산소요 시간이 많이 걸려 마이크로 유전알고리즘을 병렬화하여 사용하였다. 2장에서는 이 연구에서 사용한 마이크로 유전알고리즘과 병렬화 과정을 기술하고 Z-R 관계식 최적화를 위한 적합도 함수의 구성과 사용된 자료에 대해서 설명한다.
기상레이더의 강우량 추정결과의 검증에 사용한 강수의 임계값(thresholds)은 0.1, 0.5, 1, 5, 10, 12.5mm이며 15mm ∼ 50mm 구간은 5mm 간격으로 분할하여 총 14개 기준을 사용하였다.
µ-GA의 계산과정에서 각 세대의 진화과정은 연속적인 과정으로 구성되어 있어 MPI를 사용하여 프로세스를 분기하는 것이 불가능하다. 따라서 그림 2에서와 같이 MPH를 사용하여 주 프로그램인 Pmga(Parallel micro genetic algorithm) 내에서 세대별 진화를 담당하는 mga 서브루틴과 개체별 적합도를 산출하는 fitval 서브루틴을 서로 독립적으로 구성하고 mga와 fitval이 서로 통신을 통하여 원하는 변수를 교환할 수 있도록 구성하였다.
이 과정에서 개체별 적합도는 모든 개체가 동시에 분산 병렬처리되어 산출하게 되므로 세대당 개체수에 비례하여 전체 계산시간을 줄일 수 있다. 또한 통신 부하는 개체전달 및 적합도 값의 반환을 담당하는 mga에 국한되어 있어 전체 계산시간에는 가급적 영향이 미치지 않도록 최적화하여 구성하였다.
이 연구에서 사용된 등고도면 반사도 자료는 기상청의 레이더품질관리 프로그램인 ORPG (Open Radar Product Generator)에 의해 품질관리가 완료된 자료이다. 레이더 반사도 자료는 매10분 간격으로 시간당 6회 관측을 누적하여 사용하였다.
마지막으로 TH17 실험은 FIT2 실험보다 임계값 구간을 확장하여 1mm와 10mm 임계값 구간을 2mm 간격으로 세분화 하여 17개 임계값에 대해 평가하도록 설계되었다. 그림 5a에서 TH17 실험의 CSI를 보면 FIT2 실험에 비해 5mm 이상의 임계값에서 CSI가 높게 나타났으나, 그림 5b의 BIAS에서는 0.
µ-GA에 사용된 세대는 총 100세대이며 세대당 개체는 20개로 하였다. 분산병렬처리를 위해 21개의 프로세스를 사용하였으며 mga에 1개를 별도로 할당하고 나머지 20개는 개체마다 할당하여 각각 독립적인 계산을 수행할 수 있도록 하였다. 개체의 연산시간은 00:11:43(11.
µ-GA에서는 최초 생성된 개체들의 수렴 여부를 검토하여 내부와 외부 경로 중에서 수행하게 될 경로를 결정한다. 수렴성에 대한 검토결과 해의 개선 없이 수렴조건을 만족하면 내부 경로를 종료하고 외부 경로의 조건을 검토한다. 반면에 외부경로의 종료조건을 만족하지 못하면 재시동하게 된다.
강우분할표는 강수추정성능을 평가하기 위해 사용되는 기법으로 모델 예측 능력과 예측에서 발생하는 오차의 종류를 알려준다. 여기서는 레이더 추정 강수를 예측치로, AWS 강수를 관측치로 하여 임계값 보다 높고 낮음으로 판별하고, 강수예보의 정확도 평가를 위한 지표들을 계산한다.
실험은 비교를 위해서 기존의 Marshall-Palmer 식을 사용한 M-P 실험, 적합도 함수를 CSI 만을 사용한 FIT1 실험, CSI와 BIAS를 모두 사용한 FIT2 실험을 사용하였다. 여기에 추가로 임계치 구간에 따른 실험 민감도를 추가로 알아보기 위하여 17개 구간으로 세분화한 TH17을 추가하여 총 4개의 실험을 수행하였다.
이 연구에서는 마이크로 유전알고리즘을 이용하여 2014년도 여름철에 대한 Z-R 관계식을 최적화하고 기존에 사용하였던 관계식과 비교 평가하였다. Z-R 관계식을 추정할 때 10분 간격의 방대한 레이더 반사도 자료를 사용하기 때문에 개별 적합도 산출에 사용되는 계산소요 시간이 많이 걸려 마이크로 유전알고리즘을 병렬화하여 사용하였다.
이 연구에서는 적합도 함수의 변화에 따른 Z-R관계식 최적화의 영향을 보기위하여 식(8)와 식(9)의 2가지 적합도 함수를 구성하여 실험하였다. 식(8)는 레이더 강수 추정에 대한 적합도 산정에서 CSI가 좋아지는 방향으로 정의한 것으로, 각 임계값에 대한 CSI의 합이 최대가 되는 개체가 가장 우수한 개체로 평가된다.
표 2는 4가지 실험에서 적용된 적합도 함수의 구성요소와 µ-GA에 의해 최종적으로 산출한 적합도와 이때 최적화된 Z-R 관계식을 정리하였다.
한편 기상청의 동네예보는 한반도 영역에 대해 5km 해상도의 수평 격자 간격으로 분석이 이루어지므로 Z-R 관계식을 한반도의 강수 실황 분석에 맞춰 최적화하기 위해 주변 25개 격자점을 평균하여 동일한 해상도로 변환하고, AWS 지점에서 가장 인접한 격자점의 자료와 비교 평가한다.

대상 데이터

µ-GA에 사용된 세대는 총 100세대이며 세대당 개체는 20개로 하였다.
기상레이더 관측으로부터 1시간 누적강수량을 산출하는데 이용한 자료는 각 레이더의 관측값을 고도 1.5km에서 관측한 값으로 합성한 등고도면 관측자료이며 수평해상도는 1km이다. 이 연구에서 사용된 등고도면 반사도 자료는 기상청의 레이더품질관리 프로그램인 ORPG (Open Radar Product Generator)에 의해 품질관리가 완료된 자료이다.
5%이다. 실험에 사용한 전산자원은 기상청의 슈퍼컴퓨터 4호기이며 CPU는 Intel Haswell 2.6GHz이다.
5km에서 관측한 값으로 합성한 등고도면 관측자료이며 수평해상도는 1km이다. 이 연구에서 사용된 등고도면 반사도 자료는 기상청의 레이더품질관리 프로그램인 ORPG (Open Radar Product Generator)에 의해 품질관리가 완료된 자료이다. 레이더 반사도 자료는 매10분 간격으로 시간당 6회 관측을 누적하여 사용하였다.
최적화를 위한 대상 기간은 2014년 여름철(6∼8월)이며 전국 700여개의 관측지점 중 최근 3년간(2012∼2014년) 지속적으로 관측이 이루어진 577개 지점(그림 4)에 대해 검증을 수행하였다.

이론/모형

µ-GA을 분산처리하기 위하여 MPI (Message Passing Interface)를 기반으로 한 MCSE(Multi-Component Single Execution) 접합기술을 사용하였다.
2014년 여름철에 대하여 레이더 반사도 자료로부터 정량적 강우량을 추정하기 위하여 마이크로 유전알고리즘을 이용하여 Z-R 관계식을 최적화하였다. 마이크로 유전알고리즘을 이용하여 최적화한 Z-R 관계식은 기존에 사용하던 관계식과는 다르게 Z=120R^1.
5mm이며 15mm ∼ 50mm 구간은 5mm 간격으로 분할하여 총 14개 기준을 사용하였다. 분할 검증은 임계값을 기준으로 그 이상에 대한 강우추정이 잘 되었는지를 판별하기 위해 강우분할표(rain contingency table)(표 1)를 이용한다. 강우분할표는 강수추정성능을 평가하기 위해 사용되는 기법으로 모델 예측 능력과 예측에서 발생하는 오차의 종류를 알려준다.
실험은 비교를 위해서 기존의 Marshall-Palmer 식을 사용한 M-P 실험, 적합도 함수를 CSI 만을 사용한 FIT1 실험, CSI와 BIAS를 모두 사용한 FIT2 실험을 사용하였다. 여기에 추가로 임계치 구간에 따른 실험 민감도를 추가로 알아보기 위하여 17개 구간으로 세분화한 TH17을 추가하여 총 4개의 실험을 수행하였다.
적합도 함수의 구성을 위해 이들 지표 중 임계성공지수(CSI, Critical Successive Index)와 치우침(BIAS)을 사용하여 구성하였다. CSI는 TS(Treat Score)로도 불리고 있으며 식(6)과 같이 산출된다.

성능/효과

CSI와 BIAS를 모두 사용하여 적합도 함수를 사용한 경우를 비교하기 위하여 M-P₁실험에 대해 M-P₂로 나타내었으며 최종 적합도는 6.74로 나타났다. FIT2 실험에서 적합도는 8.
FIT1 실험 결과로 나온 CSI를 그림 5a의 다른 실험과 비교해 보면 5mm 이상의 모든 임계값에서 강우추정 성능이 크게 개선된 것으로 나타나고 있다. 그러나 그림 5b의 BIAS를 보면 모든 임계값에서 1.
BIAS에서는 M-P 실험과 FIT1 실험보다 1에 더 근접하게 나타났다. FIT1 실험에서 과다하게 False alarm을 남발한 것을 줄여주어 BIAS가 1에 가깝도록 최적화 되었다.
23이었다. FIT1 실험을 통해서 적합도 함수는 M-P₁보다 높은 3.21을 보였으며 Z=120R^1.41 관계식을 얻었다.
74로 나타났다. FIT2 실험에서 적합도는 8.48로 M-P2 보다 높게 나타났으며 최종 관계식은 Z=264R^1.37을 얻었다.
FIT2 실험에서는 CSI와 BIAS를 모두 고려하여 적합도 함수를 구성하여 그림 5a의 CSI를 보면 FIT1 실험보다는 낮은 CSI를 보이고 있으나 M-P 실험보다는 높은 성공지수를 보였다. BIAS에서는 M-P 실험과 FIT1 실험보다 1에 더 근접하게 나타났다.
3으로 높게 나타나 FIT2 실험에 비해 과대추정하는 경향을 보였으나 그 외의 구간에서는 FIT2 실험보다 1에 가깝게 나타났다. TH17 실험 결과는 강수 추정을 위한 적합도 함수 구성 시에 특정 구간의 임계값 개수에 민감하다는 것을 보여준다.
다만, 임계값 구간이 늘어나 TH17의 적합도가 높게 나타났기 때문에 적합도 만으로 직접적으로 비교·평가하는 것은 힘들지만 그림5에서 CIS와 BIAS 를 모두 분석해 본 결과 TH17 실험이 FIT2실험에 비해 우수한 강우 추정을 한 것을 확인할 수 있었다.
2014년 여름철에 대하여 레이더 반사도 자료로부터 정량적 강우량을 추정하기 위하여 마이크로 유전알고리즘을 이용하여 Z-R 관계식을 최적화하였다. 마이크로 유전알고리즘을 이용하여 최적화한 Z-R 관계식은 기존에 사용하던 관계식과는 다르게 Z=120R^1.56이 추정되었다. 하지만 마이크로 유전알고리즘의 최적화과정에서 탐색한 적합도 함수의 위상공간이 평평한 고원의 형태에 가까웠다.
다만, 임계값 구간이 늘어나 TH17의 적합도가 높게 나타났기 때문에 적합도 만으로 직접적으로 비교·평가하는 것은 힘들지만 그림5에서 CIS와 BIAS 를 모두 분석해 본 결과 TH17 실험이 FIT2실험에 비해 우수한 강우 추정을 한 것을 확인할 수 있었다. 이를 상대 적합도로 비교해보면 M-P₁실험은 0.2로 나타나 TH17 실험이 기준에 많이 사용하던 M-P 관계식에 비해 5배 적합도가 높았다.
한편 FIT2 실험에서 임계값 구간을 14개에서 17개로 확장한 TH17 실험에서는 적합도가 11.3로 나타났으며 최종 관계식은 Z=120R^1.56로 나타났다. 다만, 임계값 구간이 늘어나 TH17의 적합도가 높게 나타났기 때문에 적합도 만으로 직접적으로 비교·평가하는 것은 힘들지만 그림5에서 CIS와 BIAS 를 모두 분석해 본 결과 TH17 실험이 FIT2실험에 비해 우수한 강우 추정을 한 것을 확인할 수 있었다.

후속연구

이 연구를 통하여 새롭게 산정된 Z-R관계식은 향후 1∼2 시간 후의 강우량을 예측하는 강수실황예측시스템에 적용하여 초단기예측을 위한 정량적 강수예측정확도 향상 연구에 활용할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유전알고리즘이란 무엇인가?	유전알고리즘은 유전적 계승과 생존 경쟁이라는 자연현상을 알고리즘 형태로 모델화한 확률적 탐색법이다. 유전알고리즘은 Holland(1975)에 의해 개념이 처음 도입되었으며 복잡한 탐색 공간도 매우 효과적으로 탐색하는 것으로 널리 알려져 있다.
	MCSE는 어떤 기법인가?	µ-GA을 분산처리하기 위하여 MPI (Message Passing Interface)를 기반으로 한 MCSE(Multi-Component Single Execution) 접합기술을 사용하였다. MCSE는 이질적인 두 모델을 하나의 실행파일로 만들어 관리하는 기법을 말하며 MPI 표준을 따르는 MPH(Message Passing Handshaking) 라이브러리를 사용하여 구현하였다[14].
	MPI를 사용하여 프로세스를 분기하는 것이 불가능하므로 어떤 방식으로 해결하였는가?	µ-GA의 계산과정에서 각 세대의 진화과정은 연속적인 과정으로 구성 되어 있어 MPI를 사용하여 프로세스를 분기하는 것이 불가능 하다. 따라서 그림 2에서와 같이 MPH를 사용하여 주 프로그램인 Pmga(Parallel micro genetic algorithm) 내에서 세대별 진화를 담당하는 mga 서브루틴과 개체별 적합도를 산출하는 fitval 서브루틴을 서로 독립적으로 구성하고 mga와 fitval이 서로 통신을 통하여 원하는 변수를 교환할 수 있도록 구성하였다.

참고문헌 (16)

Jordan, P. W., A. W. Seed, and G. L. Austin, "Sampling errors in radar estimates rainfall", J. Geophys. Res., 105 (D2), pp. 2247-2257, 2000.

상세보기
Vignal and W. F. Krajewski, "Large-sample evaluation of two methods to correct range-dependent error for WSR-88D rainfall estimates". J. Hydrometeor., Vol. 2, pp. 490-504, 2001.
Collier, C. G., Applications of Weather Radar System: A Guide to Uses of Radar in Meteorology and Hydrology, John Wiley & Sons, pp. 383, 1996.
Battan, L. J., Radar Observation of the Atmosphere, University of Chicago Press, pp. 324, 1973.
Gabella, M., and G. Perona, "Simulation of the orographic influence on weather radar using geometric-optics approach", J. Atmos. Oceanic Tech., Vol. 15, pp. 1485-1494, 1998.
Hildebrand, P. H., "Iterative correction for attenuation of 5cm radar in rain", J. Appl. Meteor., Vol. 17, pp. 508-514, 1978.
Chumchean, S., A. Seed, and A. Sharma, "Application of scaling in radar reflectivity for correcting range dependent bias in climatological radar rainfall estimates", J. Atmos. Oceanic Tech., 21, pp. 1545-1555, 2004.
Cluckie, I. D., K. A. Tilford, and G. W. Shepard, Radar signal quantization and its influence on rainfall runoff model, Hydrological Applications of Weather Radar, I. D. Cluckie, C. G. Collier, Ed., Ellis Horwood, pp. 440-451, 1991.
J. S. Marshall and W. M. Palmer, "The distribution of raindrops with size", J. Atmos. Sci., Vol. 5, pp. 165-166, 1948.
R. S. Sekhon and R. C. Srivastava, "Doppler Radar Observations of Drop-Size Distributions in a Thunderstorm", J. Atmos. Sci., Vol. 28, pp. 983-994, 1971.

상세보기
R. S. Sekhon and R. C. Srivastava, "Snow Size Spectra and Radar Reflectivity", J. Atmos. Sci., Vol. 27, pp. 299-307, 1970.

상세보기
D. E. Goldberg, Genetic Algorithm in search, optimization, and machine learning, Addison-Wesley, 1989.
K. Krishnakumar, "Micro-genetic Algorithm for Stationary and Non-stationary Function Optimization", SPIE, Intelligent Control and Adaptive Systems, Vol. 1196, pp. 282-296, 1989.
He, Y. and C. Ding, Multi Program-Components Handshaking (MPH) Utility, Version 4 User's Manual, Lawrence Berkely National Laboratory, pp. 1-40. 2003.
Gunn R. and G. Kinzer, "The terminal fall velocity of all for water droplets in stagnant air", J. Meteorol., Vol. 6, pp. 243-248, 1949.
Joss, J., K. Schram, J. C. Thams, and A. Waldvogel, On the quantitative determination of precipitation by a radar, Scientific Communication No, 63, Research Dept. of the Federal Commission on the Study of Hail Formation and Hail Suppression, Ticinese Observatory of the Swiss Central Meteorological Institute, Federal Institute of Technology, Zurich, pp. 38, 1970.

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