수치예보모델을 이용한 예보의 정확도를 높이기 위해 관측 간격이 조밀하고 많은 양의 관측자료를 사용하는 방법이 있다. 현재 기상청에서는 자동기상관측장비(Automatic Weather Station, AWS)를 설치하여 관측자료를수 집하고 있지만, 고가의 설치 및 유지보수 비용 등의 경제적인 한계가 있다. 소형 자동기상관측장비(Mini-AWS)는 기온, 습도, 기압을 측정하고 기록할 수 있는 초소형 기상관측장비로 설치 및 유지보수 비용이 저렴하고 설치를 위한 장소 선택의 제약이 크지 않아 필요한 지역에 설치하여 관측자료를 수집하기가 용이하다. 그러나 설치 장소에 따라 외부환경에 영향을 받을 수 있기 때문에 관측자료의 보정이 필요하다. 본 논문에서는 Mini-AWS 기압자료를 기상자료로 활용하기 위한 보정기법을 제안한다. Mini-AWS를 통해 수집된 관측자료는 전처리 과정을 거쳐 주변에서 가장 가까운 AWS 기압 값을 참값으로 기계학습 기법을 이용하여 기압 보정을 수행하였다. 실험결과 기상관측 규정에 따른 허용오차 범위 내에 포함되었으며, 지지벡터 회귀를 적용한 보정기법이 가장 좋은 성능을 보였다.
수치예보모델을 이용한 예보의 정확도를 높이기 위해 관측 간격이 조밀하고 많은 양의 관측자료를 사용하는 방법이 있다. 현재 기상청에서는 자동기상관측장비(Automatic Weather Station, AWS)를 설치하여 관측자료를수 집하고 있지만, 고가의 설치 및 유지보수 비용 등의 경제적인 한계가 있다. 소형 자동기상관측장비(Mini-AWS)는 기온, 습도, 기압을 측정하고 기록할 수 있는 초소형 기상관측장비로 설치 및 유지보수 비용이 저렴하고 설치를 위한 장소 선택의 제약이 크지 않아 필요한 지역에 설치하여 관측자료를 수집하기가 용이하다. 그러나 설치 장소에 따라 외부환경에 영향을 받을 수 있기 때문에 관측자료의 보정이 필요하다. 본 논문에서는 Mini-AWS 기압자료를 기상자료로 활용하기 위한 보정기법을 제안한다. Mini-AWS를 통해 수집된 관측자료는 전처리 과정을 거쳐 주변에서 가장 가까운 AWS 기압 값을 참값으로 기계학습 기법을 이용하여 기압 보정을 수행하였다. 실험결과 기상관측 규정에 따른 허용오차 범위 내에 포함되었으며, 지지벡터 회귀를 적용한 보정기법이 가장 좋은 성능을 보였다.
For high accuracy of forecast using numerical weather prediction models, we need to get weather observation data that are large and high dense. Korea Meteorological Administration (KMA) mantains Automatic Weather Stations (AWSs) to get weather observation data, but their installation and maintenance...
For high accuracy of forecast using numerical weather prediction models, we need to get weather observation data that are large and high dense. Korea Meteorological Administration (KMA) mantains Automatic Weather Stations (AWSs) to get weather observation data, but their installation and maintenance costs are high. Mini-AWS is a very compact automatic weather station that can measure and record temperature, humidity, and pressure. In contrast to AWS, costs of Mini-AWS's installation and maintenance are low. It also has a little space restraints for installing. So it is easier than AWS to install mini-AWS on places where we want to get weather observation data. But we cannot use the data observed from Mini-AWSs directly, because it can be affected by surrounding. In this paper, we suggest a correcting method for using pressure data observed from Mini-AWS as weather observation data. We carried out preconditioning process on pressure data from Mini-AWS. Then they were corrected by using machine learning methods with the aim of adjusting to pressure data of the AWS closest to them. Our experimental results showed that corrected pressure data are in regulation and our correcting method using SVR showed very good performance.
For high accuracy of forecast using numerical weather prediction models, we need to get weather observation data that are large and high dense. Korea Meteorological Administration (KMA) mantains Automatic Weather Stations (AWSs) to get weather observation data, but their installation and maintenance costs are high. Mini-AWS is a very compact automatic weather station that can measure and record temperature, humidity, and pressure. In contrast to AWS, costs of Mini-AWS's installation and maintenance are low. It also has a little space restraints for installing. So it is easier than AWS to install mini-AWS on places where we want to get weather observation data. But we cannot use the data observed from Mini-AWSs directly, because it can be affected by surrounding. In this paper, we suggest a correcting method for using pressure data observed from Mini-AWS as weather observation data. We carried out preconditioning process on pressure data from Mini-AWS. Then they were corrected by using machine learning methods with the aim of adjusting to pressure data of the AWS closest to them. Our experimental results showed that corrected pressure data are in regulation and our correcting method using SVR showed very good performance.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서 제시한 보정기법을 이용하여 Mini-AWS 기압자료를 기상예측을 위한 관측자료로 활용할 수 있는 가능성을 확인하였다. 고가의 설치 및 유지보수 비용 등의 이유로 인해 AWS를 설치할 수 없는 지역에 Mini-AWS를 활용함으로써 국지 예보 정확도 향상에 기여할 수 있을 것으로 기대한다.
본 논문에서는 소형 자동기상관측장비(Mini-AWS)를 통해 수집된 기압자료를 기상자료로 활용하기 위한 기계학습 기반의 보정기법을 제안한다. Mini-AWS를 통해 수집한 관측자료는 전처리과정을 거쳐 주변에서 가장 가까운 AWS 기압 값과 대응시킨 뒤 기계학습 기법을 이용하여 기압 보정을 수행하였다.
제안 방법
4.2절과 동일한 조건에서 각 지점별 전체 수집 자료에 대해서 EM 클러스터링을 적용해보았다. 그리고 각 클러스터 별로 선형회귀, 다층 신경망 회귀, 지지벡터 회귀를 수행하여 가중치 평균을 구하였다.
4001번과 4002번의 관측자료를 제외한 나머지 관측자료를 이용해 Mini-AWS 장비의 설치 위치에 따라 세분화한 뒤 모델을 생성하였다. 그 결과는 표 6와 같았다.
Mini-AWS에서 관측된 시점의 가장 가까운 AWS지점의 기압값을 가져와서 이를 참값으로 정하였다. AWS 자료의 자료수집 간격이 1분단위인 것을 고려하여 Mini-AWS 관측자료의 분 단위까지 일치하는 시점의 가장 가까운 AWS 지점의 기압값을 사용하고, 문제가 있을시 그 다음으로 가까운 AWS 지점의 기압값을 사용하였다.
본 논문에서는 소형 자동기상관측장비(Mini-AWS)를 통해 수집된 기압자료를 기상자료로 활용하기 위한 기계학습 기반의 보정기법을 제안한다. Mini-AWS를 통해 수집한 관측자료는 전처리과정을 거쳐 주변에서 가장 가까운 AWS 기압 값과 대응시킨 뒤 기계학습 기법을 이용하여 기압 보정을 수행하였다.
Mini-AWS에서 수집한 관측자료를 기계학습의 학습자료로 활용하고 참값으로 관측된 시점의 가장 가까운 AWS지점의 기압값을 사용하였다.
2절과 동일한 조건에서 각 지점별 전체 수집 자료에 대해서 EM 클러스터링을 적용해보았다. 그리고 각 클러스터 별로 선형회귀, 다층 신경망 회귀, 지지벡터 회귀를 수행하여 가중치 평균을 구하였다.
본 논문에서는 mini-AWS에서 수집한 관측자료에 선형회귀, 다층신경망 회귀, 지지벡터 회귀, EM 클러스터링 등 기계학습 기법을 적용하여 관측 시점의 가장 가까운 AWS지점의 기압값을 참값으로 하는 기압 보정을 수행하였다. Mini-AWS 장비의 설치 위치에 따른 자료 세분화 전의 회귀분석 결과는 기상관측 규정에 따른 허용오차범위를 초과하였지만, Mini-AWS 장비의 설치 위치에 따른 자료 세분화 후의 회귀분석 결과는 기상관측 규정에 따른 허용오차 범위 내에 포함되었다.
수집한 자료에 대해 보정을 위해 물리한계검사, 해면경정처리, 3배수 표준편차 범위를 벗어나는 이상치 제거 등의 전처리 단계를 적용하였다. 전처리 과정을 통해 전체 자료 중 0.
주변 환경에 의해 인위적으로 기압 변화가 일어날 수 있는 상황을 고려하여 Mini-AWS의 기압 대푯값과 AWS의 기압값에 대하여 3배수 표준편차 범위를 벗어나는 것을 제거하였다.
대상 데이터
국립기상과학원(National Institute of Meteorological Research, NIMR) 모바일차량 및 평창 용평리조트 인근에 15개의 Mini-AWS를 설치하여 기상자료를 수집하였다 (그림 2). 2015년 2월 23일부터 27일까지 5일 동안 약 300,000개의 자료를 수집하였으며, 각 장비마다 설치 시간이 달라 자료 수집기간에는 약간의 차이가 있었다.
는 해면기압 (hPa), F는 관측기압 (hPa), 는 고도 h(m), T는 온도(℃)이다. 고도의 경우 해당 위치의 DEM 고도자료를 사용하였다.
국립기상과학원(National Institute of Meteorological Research, NIMR) 모바일차량 및 평창 용평리조트 인근에 15개의 Mini-AWS를 설치하여 기상자료를 수집하였다 (그림 2). 2015년 2월 23일부터 27일까지 5일 동안 약 300,000개의 자료를 수집하였으며, 각 장비마다 설치 시간이 달라 자료 수집기간에는 약간의 차이가 있었다.
기온, 기압, 습도는 각각 3개의 센서로부터 자료를 수집하여 2배수 표준편차 범위를 벗어나는 자료는 버리고, 산술평균을 취하는 방식으로 대푯값을 취하여 사용하였다. 또한 해당 위경도의 DEM 고도 자료[18]를 사용하였다.
데이터처리
손실함수 J(θ)를 이용하여 예측값과 목표값의 차이를 최소화하는 가중치 θ를 선택하여 선형회귀식을 구한다.
수집한 관측 자료 중 최근 1,500 개와 5,000 개를 추출하여 이들에 대해서 Weka[20] 프로그램을 사용하여 선형회귀, 다층 신경망 회귀, 지지벡터 회귀를 적용했다. 이 때 기상자료를 이용한 기압자료 보정 연구 [21]에서 좋은 성능을 보인 옵션 설정을 선택하여 사용하였다.
표 3의 데이터 필드를 이용하여 Mini-AWS의 보정 기압값을 출력하였고 참값으로 사용한 관측된 시점의 가장 가까운 AWS 지점의 기압값 사이의 MAE(mean absolute error)을 가중치 평균으로 계산하여 결과를 비교하였다.
이론/모형
본 연구에서는 SMO(Sequential Minimal Optimization) 알고리즘을 기반으로 한 SMOreg 알고리즘을 사용하였다. SMO는 지지벡터 회귀를 사용하기 위해 제안된 반복적인 최적화 알고리즘이다 [15].
선형회귀 적용 시에는 프로그램 기본값으로 사용하였고, 다층신경망 회귀 적용 시에는 은닉층이 1개이고 은닉층에서의 노드수가(속성수+계층수) / 2인 값(옵션 a)를 사용하였다. 지지벡터 회귀 적용 시에는 Pearson Universal Kernel(옵션 puk)을 사용하였다. 이에 대한 분석 결과는 표 4와 같다.
성능/효과
그 결과는 표 6와 같았다. Mini-AWS 장비 설치 위치에 따라서 세분화하였을 때의 MAE값은 전체적으로 많이 낮아져 전체적으로 0.5 이하의 값으로 나타났으며 지지벡터 회귀를 수행했을 때 성능이 가장 좋았다.
1 이하의 값으로 나타났다. 같은 지점에서 회귀 분석 간의 결과를 비교해보면 지지벡터 회귀의 성능이 가장 좋았다. 표 7은 지지벡터 회귀의 수행결과를 나타낸 것으로 모든 지점에서 MAE 값이 0.
1보다 낮게 나타났다. 보정기법에 있어서 회귀분석의 성능은 일반적으로 지지벡터 회귀가 가장 좋았고, 다층 신경망 회귀, 선형회귀 순으로 좋았다.
선형회귀 결과보다 다층 신경망 회귀와 지지벡터 회귀의 결과가 전체적으로 낮았다. 그러나 기상관측 규정에 따른 허용오차를 만족하는 결과는 나오지 않았다.
이 중에서 모바일 관측차량에 설치된 4001번과 4002번의 결과(표 5)를 확인해보니 자료 개수가 5000개이고 지지벡터 회귀를 적용했을 때 결과가 0.095와 0.165로 표3의 결과 1.287보다 약 10배 좋았다.
후속연구
본 논문에서 제시한 보정기법을 이용하여 Mini-AWS 기압자료를 기상예측을 위한 관측자료로 활용할 수 있는 가능성을 확인하였다. 고가의 설치 및 유지보수 비용 등의 이유로 인해 AWS를 설치할 수 없는 지역에 Mini-AWS를 활용함으로써 국지 예보 정확도 향상에 기여할 수 있을 것으로 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
현재 기상청에서 어떻게 관측자료를 수집하는가?
수치예보모델을 이용한 예보의 정확도를 높이기 위해 관측 간격이 조밀하고 많은 양의 관측자료를 사용하는 방법이 있다. 현재 기상청에서는 자동기상관측장비(Automatic Weather Station, AWS)를 설치하여 관측자료를수 집하고 있지만, 고가의 설치 및 유지보수 비용 등의 경제적인 한계가 있다. 소형 자동기상관측장비(Mini-AWS)는 기온, 습도, 기압을 측정하고 기록할 수 있는 초소형 기상관측장비로 설치 및 유지보수 비용이 저렴하고 설치를 위한 장소 선택의 제약이 크지 않아 필요한 지역에 설치하여 관측자료를 수집하기가 용이하다.
자동기상관측장비의 한계는 무엇인가?
수치예보모델을 이용한 예보의 정확도를 높이기 위해 관측 간격이 조밀하고 많은 양의 관측자료를 사용하는 방법이 있다. 현재 기상청에서는 자동기상관측장비(Automatic Weather Station, AWS)를 설치하여 관측자료를수 집하고 있지만, 고가의 설치 및 유지보수 비용 등의 경제적인 한계가 있다. 소형 자동기상관측장비(Mini-AWS)는 기온, 습도, 기압을 측정하고 기록할 수 있는 초소형 기상관측장비로 설치 및 유지보수 비용이 저렴하고 설치를 위한 장소 선택의 제약이 크지 않아 필요한 지역에 설치하여 관측자료를 수집하기가 용이하다.
소형 자동기상관측장비의 한계는 무엇인가?
소형 자동기상관측장비(Mini-AWS)는 기온, 습도, 기압을 측정하고 기록할 수 있는 초소형 기상관측장비로 설치 및 유지보수 비용이 저렴하고 설치를 위한 장소 선택의 제약이 크지 않아 필요한 지역에 설치하여 관측자료를 수집하기가 용이하다. 그러나 설치 장소에 따라 외부환경에 영향을 받을 수 있기 때문에 관측자료의 보정이 필요하다. 본 논문에서는 Mini-AWS 기압자료를 기상자료로 활용하기 위한 보정기법을 제안한다.
참고문헌 (21)
P. Bauer, A. Thorpe, G. Brunet, "The quiet revolution of numerical weather prediction," Nature, Vol. 525, issue. 7567, pp. 47-55, 2015.
J. M. Straka, E. N. Rasamussen, S. E. Fredrickson, “A mobile mesonet for finescale meteorological observations,” American Meteorological Society, Vol. 13, No. 5, pp. 921-936, 1996.
J. J. Cassano, “Weather bike: a bicycle-based weather station for observing local temperature variations,” American Meteorological Society, Vol. 95, No. 2, pp. 205-209, 2014.
W. P. Mahoney III, J. M. O'Sullivan, "Realizing the potential of vehicle-based observations," Bulletin of the American Meteorological Society, Vol. 94, No. 2, pp. 1007-1018, 2013.
C. L. Muller, L. Chapman, S. Johnston, C. Kidd, S. Illingworth, G. Foody, A. Overeem, R. R. Leigh, "Crowdsourcing for climate and atmospheric sciences: current status and future potential," International Journal of Climatology, Vol. 35, pp. 3185-3203, 2015.
N.-Y. Kim, Y.-H. Kim, Y. Yoon, H.-H. Im, Reno K. Y. Choi, Y. H. Lee, "Correcting air-pressure data collected by MEMS sensors in smartphones," Journal of Sensors, Vol. 2015, article ID. 245498, pp. 10
F. Persson, T. Svahn, Mobile Meteorological Measurements, Department of Electrical and Information Technology, Lund University, 2011.
J.-H. Ha, Y.-H. Kim, Y. H. Lee, “Forecasting the precipitation of the next day using deep learning,” Journal of Korean Institute of Intelligent Systems, Vol. 26, No. 2, pp. 93-98, 2016.
D. Kim, K. Seo, “Comparison of linear and nonlinear regression and elements analysis for wind speed prediction,” Journal of Korean Institute of Intelligent Systems, Vol. 25, No. 5, pp. 477-482, 2015.
J.-S. Bae, C.-S. Song, S.-K. Oh, “Design of meteorological radar echo classifier based on RBFNN using radial velocity,” Journal of Korean Institute of Intelligent Systems, Vol. 25, No. 3, pp. 242-247, 2015.
B. Hyoen, K. Seo, Y. H. Lee, "Two evolutionary algorithms based compensation techniques for short-term temperature prediction," Proceeding of KIIS Spring Conference, Vol. 23, no. 1, pp. 38-39, 2013.
S.-J. Lim, H.-K. Kim, S.-K. Oh, "Design of regression model based on feature selection for quality control with correction of error on AWS observation data," Proceeding of KIIS Autumn Conference, Vol. 25, No. 2, pp. 17-18, 2015.
M. W. Gardner, S. R. Dorling, "Artificial neural networks (the multilayer perceptron)-a review of applications in the atmospheric sciences," Atmospheric Environment, Vol. 32, no. 14-15, pp. 2627-2636, 1998.
S. K. Shevade, S. S. Keerthi, C. Bhattacharyya, K. R. K. Murthy, "Improvements to the SMO algorithm for SVM regression," IEEE Transactions on Neural Networks, Vol. 11, Issue 5, pp. 1188-1193, 2000.
D. Frank, The Expectation Maximization Algorithm, Georgia Institute of Technology, 2002
BIZ-GIS, biz-gis.com/GISDB:DEM.
M. Jarraud, "Guide to meteorological instrument and methods of observation (WMO-No. 8)," World Meteorological Organization, 2008
M. Hall, E. Frank, I. H. Witten, Data Mining :Practical Machine Learining Tool and Techniques, Morgan Kaufmann, 2011.
J.-H. Ha, Y.-H. Kim, N.-Y. Kim, H.-H. Im, S. Sim, R. K. Y. Choi, "Improved correction of air-pressure data corrected by smartphones using support vector regression," Proceeding of KIIS Autumn Conference, Vol. 25, No. 2, pp. 171-172, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.