정확한 강수예측을 위해서는 예측인자 선정과 예측방법에 대한 선택이 매우 중요하다. 최근에는 강수예측 방법으로 기계학습 기법이 많이 사용되고 있으며, 그 중에서도 특히 인공신경망을 사용한 강수예측 방법은 좋은 성능을 보였다. 본 논문에서는 딥러닝 기법 중 하나인 DBN(deep belief network)를 이용한 새로운 강수예측 방법을 제안한다. DBN는 비지도 사전 학습을 통해 초기 가중치를 설정하여 기존 인공신경망의 문제점을 보완한다. 예측인자로는 기온, 전일-전주 강수일, 태양과 달 궤도 관련 자료를 선정하였다. 기온과 전일-전주 강수일은 서울에서의 1974년부터 2013년까지 총 40년간의 AWS(automatic weather system) 관측 자료를 사용하였고, 태양과 달의 궤도 관련 자료는 서울을 중심으로 계산한 결과를 사용하였다. 전체 기간에서 일부는 학습 자료로 사용하여 예측모델을 생성하였고, 나머지를 생성한 모델의 검증 자료로 사용하였다. 모델 검증 결과로 나온 예측값들은 확률값을 가지며 임계치를 이용하여 강수유무를 판별하였다. 강수 정확도의 척도로 양분예보기법 중 CSI(critical successive index)와 Bias(frequency bias)를 계산하였다. 이를 통해 DBN와 MLP(multilayer perceptron)의 성능을 비교한 결과 DBN의 강수 예측 정확도가 높았고, 수행속도 또한 2배 이상 빨랐다.
정확한 강수예측을 위해서는 예측인자 선정과 예측방법에 대한 선택이 매우 중요하다. 최근에는 강수예측 방법으로 기계학습 기법이 많이 사용되고 있으며, 그 중에서도 특히 인공신경망을 사용한 강수예측 방법은 좋은 성능을 보였다. 본 논문에서는 딥러닝 기법 중 하나인 DBN(deep belief network)를 이용한 새로운 강수예측 방법을 제안한다. DBN는 비지도 사전 학습을 통해 초기 가중치를 설정하여 기존 인공신경망의 문제점을 보완한다. 예측인자로는 기온, 전일-전주 강수일, 태양과 달 궤도 관련 자료를 선정하였다. 기온과 전일-전주 강수일은 서울에서의 1974년부터 2013년까지 총 40년간의 AWS(automatic weather system) 관측 자료를 사용하였고, 태양과 달의 궤도 관련 자료는 서울을 중심으로 계산한 결과를 사용하였다. 전체 기간에서 일부는 학습 자료로 사용하여 예측모델을 생성하였고, 나머지를 생성한 모델의 검증 자료로 사용하였다. 모델 검증 결과로 나온 예측값들은 확률값을 가지며 임계치를 이용하여 강수유무를 판별하였다. 강수 정확도의 척도로 양분예보기법 중 CSI(critical successive index)와 Bias(frequency bias)를 계산하였다. 이를 통해 DBN와 MLP(multilayer perceptron)의 성능을 비교한 결과 DBN의 강수 예측 정확도가 높았고, 수행속도 또한 2배 이상 빨랐다.
For accurate precipitation forecasts the choice of weather factors and prediction method is very important. Recently, machine learning has been widely used for forecasting precipitation, and artificial neural network, one of machine learning techniques, showed good performance. In this paper, we sug...
For accurate precipitation forecasts the choice of weather factors and prediction method is very important. Recently, machine learning has been widely used for forecasting precipitation, and artificial neural network, one of machine learning techniques, showed good performance. In this paper, we suggest a new method for forecasting precipitation using DBN, one of deep learning techniques. DBN has an advantage that initial weights are set by unsupervised learning, so this compensates for the defects of artificial neural networks. We used past precipitation, temperature, and the parameters of the sun and moon's motion as features for forecasting precipitation. The dataset consists of observation data which had been measured for 40 years from AWS in Seoul. Experiments were based on 8-fold cross validation. As a result of estimation, we got probabilities of test dataset, so threshold was used for the decision of precipitation. CSI and Bias were used for indicating the precision of precipitation. Our experimental results showed that DBN performed better than MLP.
For accurate precipitation forecasts the choice of weather factors and prediction method is very important. Recently, machine learning has been widely used for forecasting precipitation, and artificial neural network, one of machine learning techniques, showed good performance. In this paper, we suggest a new method for forecasting precipitation using DBN, one of deep learning techniques. DBN has an advantage that initial weights are set by unsupervised learning, so this compensates for the defects of artificial neural networks. We used past precipitation, temperature, and the parameters of the sun and moon's motion as features for forecasting precipitation. The dataset consists of observation data which had been measured for 40 years from AWS in Seoul. Experiments were based on 8-fold cross validation. As a result of estimation, we got probabilities of test dataset, so threshold was used for the decision of precipitation. CSI and Bias were used for indicating the precision of precipitation. Our experimental results showed that DBN performed better than MLP.
본 논문에서는 딥러닝 기법 중 하나인 DBN(deep belief network)을 이용한 새로운 강수 예측 방법을 제안한다. DBN는 비지도 사전 학습을 통해 초기 가중치를 설정하여, 기존 인공신경망의 단점을 보완한다.
제안 방법
본 논문에서는 DBN를 이용한 새로운 강수예측 방법을 제안하고 기온, 전일-전주 강수일, 태양과 달 궤도 관련 자료를 예측인자로 선정하여 내일강수유무를 예측하였다. MLP와의 성능비교 결과 DBN의 강수 유무 예측 성능이 MLP보다 좋았으며, DBN의 수행속도는 MLP의 수행속도보다 2배 이상 빠르다는 것을 확인할 수 있었다.
실험에 이용한 DBN는 R 프로그램의 deepnet 패키지를 참고하여 Fortran으로 작성하였다. 인공신경망과의 성능 비교를 위해 Weka 프로그램에 내장된 MLP(multilayer perceptron)을 이용하였다.
대상 데이터
서울에서의 1974년부터 2013년까지 (40년) 자료를 사용하였다. 기상청에서 제공하는 서울(108) 지점의 강수와 기온 관측자료를 사용하였고, R 프로그램의 lunar 패키지를 참고하여 서울을 기준으로 달의 위상, 달의 황도 위도, 달과 지구 사이의 거리를 계산하였다.
데이터처리
강수유무 판별을 위하여 각 데이터셋 검증과정에서 나온 예측값들의 중앙값을 평균하여 임계값(threshold)으로 정하였다. 예측값이 임계값보다 클 경우 강수가 있다고 분류하고 작을 경우 강수가 없다고 분류하였다.
강수유무 판별을 위하여 각 데이터셋 검증과정에서 나온 예측값들의 중앙값을 평균하여 임계값(threshold)으로 정하였다. 예측값이 임계값보다 클 경우 강수가 있다고 분류하고 작을 경우 강수가 없다고 분류하였다.
이론/모형
양분예보기법을 이용한 여러 강수검증 지표들이 있으며, 본 연구에서는 그 중 하나인 CSI(critical successive index)를 사용하였다. CSI는 강수 상황에 대한 예측이나 관측이 있을 때만을 고려한 지표[13]로 식 (1)과 같다.
성능/효과
3에 가깝게 나타나며 Bias는 1부터 3까지 널리 퍼져있다. DBN에서는 MLP와는 반대로 Bias가 대체로 1보다 큰 것으로 나타나 실제 강수 발생 관측보다 강수 발생 예측 횟수가 많았다는 특징이 나타났다.
본 논문에서는 DBN를 이용한 새로운 강수예측 방법을 제안하고 기온, 전일-전주 강수일, 태양과 달 궤도 관련 자료를 예측인자로 선정하여 내일강수유무를 예측하였다. MLP와의 성능비교 결과 DBN의 강수 유무 예측 성능이 MLP보다 좋았으며, DBN의 수행속도는 MLP의 수행속도보다 2배 이상 빠르다는 것을 확인할 수 있었다.
후속연구
향후 연구에서는 강수 예측 정확도를 높이기 위한 방법으로써 강수와 연관성이 높은 예측인자를 탐색 및 추가하고, 유전알고리즘을 이용한 DBN 파라미터 최적화를 적용해보려고 한다. 또한 다양한 기계학습 기법과 DBN의 성능 비교를 통해 DBN를 이용한 강수예측 방법의 효용성을 검증해보려 한다. ;
향후 연구에서는 강수 예측 정확도를 높이기 위한 방법으로써 강수와 연관성이 높은 예측인자를 탐색 및 추가하고, 유전알고리즘을 이용한 DBN 파라미터 최적화를 적용해보려고 한다. 또한 다양한 기계학습 기법과 DBN의 성능 비교를 통해 DBN를 이용한 강수예측 방법의 효용성을 검증해보려 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
새로운 강수 예측 방법을 제작을 위해 무엇을 이용하였나?
본 논문에서는 딥러닝 기법 중 하나인 DBN(deep belief network) 을 이용한 새로운 강수 예측 방법을 제안한다. DBN는 비지도 사전 학습을 통해 초기 가중치를 설정하여, 기존 인공신경망의 단점을 보완한다.
RBM은 무엇으로 구성되는가?
RBM은 기본적인 볼츠만 머신과 달리 같은 층의 뉴런간의 연결을 제거한 구조이다. 기본적으로 가시뉴런과 은닉뉴런으로 구성되어 은닉뉴런을 쌓아올리는 방식을 사용한다 [9]. RBM은 입력한 자료에 대하여 학습 결과를 얻은 뒤, 그 결과를 다시 입력 자료로 사용하여 학습한 결과를 기존에 있던 결과 위에 쌓는다.
DBN의 구조는?
DBN는 그림 1과 같이 오류 역전파 알고리즘(error backpropagation algorithm)을 사용하는 인공신경망과 RBM(restricted Boltzmann machine)이 결합되어 있는 구조이다.
참고문헌 (14)
J.-H. Seo, Y. H. Lee, Y.-H. Kim, "Feature selection to predict very short-term heavy rainfall based on differential evolution", Journal of Korean Institute of Intelligent Systems, vol. 22, no. 6, pp. 706-714, 2012
R. J. Kuligowski, A. P. Barros, "Localized precipitation forecasts from a numerical weather prediction model using artificial neural networks", Weather and Forecasting, vol. 13, no. 4, pp. 1194-1204, 1998
S. Lee, S. Cho, P. M. Wong, "Rainfall prediction using artificial neural networks", Journal of Geographic Information and Decision Analysis, vol. 2, no. 2, pp. 233-242, 1998
T. Hall, H. E. Brooks, C. A. Doswell III, "Precipitation forcasting using a neural network", Weather and Forecasting, vol. 14, no. 3, pp. 338-345, 1999
K. C. Luk, J. E. Ball, A. Sharma, "An application of artificial neural networks for rainfall forecasting", Mathematical and Computer Modelling, vol. 33, no. 6-7, pp. 683-693, 2001
M. C. V. Ramirez, H. F. C. Velho, N. J. Ferreira, "Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region", Journal of Hydrology, vol. 301, nos. 1-4, pp. 146-162, 2005
H.-K. Kim, W.-Y. Choi, S.-K. Oh, "Design of summer very short-term precipitation forecasting pattern in metropolitan area using optimized RBFNNs", Journal of Korean Institute of Intelligent Systems, vol. 23, no. 6, pp. 533-538, 2013
H.-M. Kim, S.-K. Oh, Y.-H. Lee, "Design of heavy rain advisory decision model based on optimized RBFNNs using KLAPS reanalysis data", Journal of Korean Institute of Intelligent Systems, vol. 23, no. 5, pp. 473-478, 2013
A. Dai, K. E. Trenberth, T. R. Karl, "Effects of clouds, soil moisture, precipitation, and water vapor on diurnal temperature range", Journal of Cliamate, vol. 12, no. 8, pp. 2451-2473, 1999
S. Samarasinghe, Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition, CRC Press, 2006
I. T. Jolliffe, D. B. Stephenson, Forecast Verification: a Practitioner's Guide in Atmospheric Science, John Wiley & Sons, 2012
R. J. Donaldson, R. M. Dyer, M. J. Kraus, "Objective evaluator of technique for predicting severe weather events", Bulletin of the American Meteorological Society, vol 56, no. 7, 1975
P. J. Roebber, "Visualizing multiple measures of forecast quality", Weather and Forecasting, vol. 24, no. 2, pp. 601-608, 2009
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.