선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 지협적인 지역에서의 가시거리에 해당하는 특정 기상 현상에 대한 예측을 목적으로 한다. 비행장 기상 예보를 수행하여 공표하는 공항에서는 수치예보 모델과 지역 및 공항의 기상 관측치를 활용하여 예보를 시행하지만, 기상 예보 기능이 없는 소형 비행장에서는 항공기 이착륙 가능 여건 변화에 대한 예측을 경험적 조건 또는 정성적 조건에 의하여 이루어지기 때문에 이에 대한 예측 정확도 향상 보완 등이 가능하다.
- 본 연구에서 제시한 심층신경망을 이용한 활주로 가시거리 예측 모델은 사례 비행장의 기상 실측 데이터를 활용하여 지협 적인 지역에서의 가시거리를 예측하기 위한 모델을 구축하고 이에 정산 과정을 거쳐 실황 적용 가능성을 확인하였다. 개발된 예측 모델은 비행장 기상 측정 변수 중 풍속, 온도, 습도 등의 데이터만 활용하여 활주로 가시거리를 예측할 수 있었다
- 본 연구에서 활주로 가시거리 예측을 위하여 심층신경망을 이용한 예측 모델을 제시하였다. 심층 신경망은 2개 이상의 은닉 층을 사용한 인공신경망으로 비선형적인 관계를 가지는 입력과 출력에 대한 학습 모델을 생성할 수 있다.
- 본 연구에서 활주로 가시거리 예측을 위하여 심층신경망을 이용한 예측 모델을 제시하였다. 안전한 항공기 운영을 위해서는 이착륙 지역인 공항의 기상 예보가 중요하며 실제 국제공항 등의 운송용 항공기가 운항하는 공항에서는 기상 실황 및 항공기상 예보 서비스가 제공되지만, 소형비행장 등은 예보 서비스가 되지 않는 한계가 있으며 이에 대한 보안 방안을 제시하고자하였다.
- 심층신경망은 은닉 층을 2개 이상 사용하여 보다 깊은 네트워크를 가진 인공신경망으로 비선형적인 관계를 가지는 입력과 출력에 대한 학습모델을 생성할 수 있다. 이에 본 연구에서는 기존 측정된 풍속, 습도, 기온, 시정 등 시계열 기상 관측 정보를 입력으로 하는 학습모델을 생성하고, 이렇게 생성된 모델을 통해 활주로 시정을 예측하여 특정 비행장의 지협적 정보 생성이 가능한지 확인하고자 한다.
제안 방법
- 4개월 기상 데이터 중 안개가 짙은 1일치 기상 데이터를 선정해 본 연구에서 제시한 심층신경망을 통해 모델 결과치에 대한 학습을 실시하였다.
- 가중치의 초기 값은 xavier initialization을 통한 초기화를 시도하였으나, 연구에 사용한 데이터의 경우 균등분포 random 함수를 통한 초기화보다 더 나은 결과를 도출하지 않았다. 따라서 본 연구에서는 모델의 초기 입력 값을 random 함수를 통한 초기화를 통한 값을 사용하였다.
- 개발된 모델의 확인 및 검증을 위해서 해당 기간의 1일치 데이터를 이용하여 심층신경망 학습(200회)을 실시하였다. 학습된 모델에 대해서 관측 데이터와 모델 예측 데이터를 시각적으로 비교하여 유사성 또는 일치성이 확보할 수 있도록 하는 모델의 정산(calibration)을 실시하였다.
- 구현 및 개발된 심층신경망을 활용한 활주로 가시거리 예측 모델을 사용하여 실제 활주로 가시거리의 예측을 수행하기 위하여, 이전에 측정된 일정 기간의 기상 데이터를 사용하여 모델 결과의 예측 값을 도출하였다. 예측된 기상 데이터의 적절성 확인을 위하여 측정된 결과 값인 활주로 가시거리와 비교 분석을 수행하였다.
- 가중치의 초기 값은 xavier initialization을 통한 초기화를 시도하였으나, 연구에 사용한 데이터의 경우 균등분포 random 함수를 통한 초기화보다 더 나은 결과를 도출하지 않았다. 따라서 본 연구에서는 모델의 초기 입력 값을 random 함수를 통한 초기화를 통한 값을 사용하였다.
- 또한 시정을 예측하기 위해서 측정 시점만의 기상 관측 정보만 입력하는 것이 아니라, 일정 기간의 과거 기상 정보를 함께 이용해 과거의 변화율을 포함시키게 했다. 이를 위해 본 연구에서는 190초 이전의 과거 데이터에서부터 현재까지 풍속, 기온, 습도, 시정 데이터 20 세트를 입력으로 사용하였다.
- 본 연구에서 제시한 예측 모델은 사례 비행장의 기상 측정 데이터의 일부만 활용한 것으로, 실제 측정값의 측정 위치 및 측정값의 정밀도에 영향을 미칠 수 있는 것이다. 또한 정밀도 향상을 위한 추가 연구와, 정밀도 향상을 위한 다른 기법을 활용하여 효율적인 판정 알고리즘의 연구가 필요할 것이다.
- 일반적으로 은닉 층이 2개 이상인 경우 심층 신경망이라고 칭하게 된다. 본 연구에서는 그림 1과 같이 2개의 은닉층을 가진 심층신경망 구조를 구성해서 학습을 구현했다. 그림 1에서 둥근 원은 노드를 의미하고, 각각의 노드는 sigmoid 함수나ReLU(rectified linear unit) 함수와 같은 활성함수(active function)를 포함하고 있다.
- 본 연구에서는 그림4에서와 같이 입력층은 80개의 노드, 은닉 층1은 20개의 노드, 은닉 층2은 10개의 노드, 출력 층은 1개의 노드로 구성하였다. 이 구성은 모델 개발을 위하여 적절한 조건의 구조를 찾기 위해서 비교적 복잡한 구조부터 단순한 구조까지 확인하고, 경험적 데이터의 특성을 확인하는 절차를 사용하였다.
- 선정된 기상 관측 자료를 바탕으로 간단한 구조의 학습모델을 구성하여 가시거리 예측 값을 도출한다. 가시거리 예측값과 측정값의 비교를 통해서 간단한 구조에서부터 점진적으로 노드와 은닉 층을 늘려가면서 학습 모델을 개선하게 된다.
- 본 연구에서 제시하는 가시거리 예측 모델은 가시거리에 직접적인 영향을 미치는 안개의 상대적 정도를 적용하는 것이 필요하다. 안개의 종류에 따라 발생 원인이 다르지만 대기의 온도 및 습윤 상태, 안개의 소산에 영향을 미치는 풍속을 주요 입력 데이터로 사용하였고, 기존 입력 값에 의한 예측 값의 시계열적 보정을 위해서 측정된 가시거리 값도 입력 값으로 활용하였다.
- 본 연구에서 심층신경망 개발 및 적용을 위해서 그림 2와 같은 절차를 사용하고자 한다. 우선 대상 비행장의 기상관측 자료를 분석해 시정과 관련된 기상 정보를 추출하고 이를 심층신경망의 입력으로 선정한다.
- 본 연구에서는 그림4에서와 같이 입력층은 80개의 노드, 은닉 층1은 20개의 노드, 은닉 층2은 10개의 노드, 출력 층은 1개의 노드로 구성하였다. 이 구성은 모델 개발을 위하여 적절한 조건의 구조를 찾기 위해서 비교적 복잡한 구조부터 단순한 구조까지 확인하고, 경험적 데이터의 특성을 확인하는 절차를 사용하였다. 활성함수로는 시그모이드 함수를 사용했고, 가중치(weight)들은 확률적 경사 하강법(SGD : stochastic gradient descent)을 이용한 오차역전파법으로 가중치를 갱신했다.
- 초기 단층 인공신경망은 선형 분리 가능한 문제와 같은 제한적인 문제만 풀 수 있었으며, 신경망의 크기에 따라 요구되는 계산 량이 증가하는 문제점을 가지고 있었다. 이러한 문제점들을 극복하고자 단층에서 보다 복잡한 심층구조로 확장을 통해 단점을 보완했다.
- 개발된 모델의 확인 및 검증을 위해서 해당 기간의 1일치 데이터를 이용하여 심층신경망 학습(200회)을 실시하였다. 학습된 모델에 대해서 관측 데이터와 모델 예측 데이터를 시각적으로 비교하여 유사성 또는 일치성이 확보할 수 있도록 하는 모델의 정산(calibration)을 실시하였다.
- 활주로 가시거리 예측을 위하여 시정에 영향을 미칠 수 있는 풍속, 온도, 습도 등의 데이터를 활용한 심층신경망을 구축하고 하루 동안의 데이터로 학습한 후 예측 값과 실측값의 비교를 통한 정산 과정을 거친 후 데이터의 상관 계수(R2) 0.9981, RMSE31.3213을 가지는 예측 모델을 개발하였다.
대상 데이터
- 본 연구에서 제시한 심층신경망을 이용한 활주로 가시거리 예측 모델은 사례 비행장의 기상 실측 데이터를 활용하여 지협 적인 지역에서의 가시거리를 예측하기 위한 모델을 구축하고 이에 정산 과정을 거쳐 실황 적용 가능성을 확인하였다. 개발된 예측 모델은 비행장 기상 측정 변수 중 풍속, 온도, 습도 등의 데이터만 활용하여 활주로 가시거리를 예측할 수 있었다
- 기상 관측이 수행되는 비행장 중에서 연구 목적으로 관측 데이터의 활용이 가능한 한서대학교 태안비행장을 지역적 대상으로 하였다. 관측 데이터는 2015년 4월부터 7월까지의 4개월 기간에 축적된 것을 활용하였다. 시간적 범위를 해당 기간으로 한정한 이유는 태안비행장이 위치한 태안 지역의 경우, 인천국제공항 등과 같이 서해안 해안 지역 특징의 유사한 기상 패턴을 보인다고 볼 수 있으며, 활주로 가시거리의 영향을 확인 할 수 있는 저시정 상태와 이에 대한 원인인 해무가 자주 발생되는 지역이기 때문이다.
- 본 연구에서의 대상은 활주로 가시거리를 예측하는 것이기 때문에 비행장 기상 상태를 관측한 데이터가 필요하다. 기상 관측이 수행되는 비행장 중에서 연구 목적으로 관측 데이터의 활용이 가능한 한서대학교 태안비행장을 지역적 대상으로 하였다. 관측 데이터는 2015년 4월부터 7월까지의 4개월 기간에 축적된 것을 활용하였다.
- 본 연구의 심층신경망은 그림4와 같이 구성하였다. 심층신경망의 입력으로 사용되는 기상관측입력은 10초 단위로 기록된 풍속(windspeed), 기온(temperature), 습도(humidity), 활주로가시거리(RVR) 측정값의 2분 평균 데이터를 사용했다.
- 예측 모델의 입력 데이터는 2015년 4월부터 2015년 7월까지의 4개월 동안의 기상 정보를 사용하였다. 각 입력 데이터는 3.
- 또한 시정을 예측하기 위해서 측정 시점만의 기상 관측 정보만 입력하는 것이 아니라, 일정 기간의 과거 기상 정보를 함께 이용해 과거의 변화율을 포함시키게 했다. 이를 위해 본 연구에서는 190초 이전의 과거 데이터에서부터 현재까지 풍속, 기온, 습도, 시정 데이터 20 세트를 입력으로 사용하였다. 앞에서 언급한 바와 같이 기상관측정보는 매 10초마다 측정되기 때문에 190초의 정보간의 데이터의 양은 그림4에서와 같이 80개(20Ticks×4개 기상정보)의 데이터를 입력으로 사용해서 입력층에 반영했다.
데이터처리
- 구현 및 개발된 심층신경망을 활용한 활주로 가시거리 예측 모델을 사용하여 실제 활주로 가시거리의 예측을 수행하기 위하여, 이전에 측정된 일정 기간의 기상 데이터를 사용하여 모델 결과의 예측 값을 도출하였다. 예측된 기상 데이터의 적절성 확인을 위하여 측정된 결과 값인 활주로 가시거리와 비교 분석을 수행하였다.
이론/모형
- 6. After calibration on measurement and estimation model of runway visual range using the DNN.
- 본 연구는 활주로 가시거리 예측 모델을 개발하기 위하여 심층신경망(DNN : deep neural network)을 활용하였다. 심층신경망은 은닉 층을 2개 이상 사용하여 보다 깊은 네트워크를 가진 인공신경망으로 비선형적인 관계를 가지는 입력과 출력에 대한 학습모델을 생성할 수 있다.
- 이 구성은 모델 개발을 위하여 적절한 조건의 구조를 찾기 위해서 비교적 복잡한 구조부터 단순한 구조까지 확인하고, 경험적 데이터의 특성을 확인하는 절차를 사용하였다. 활성함수로는 시그모이드 함수를 사용했고, 가중치(weight)들은 확률적 경사 하강법(SGD : stochastic gradient descent)을 이용한 오차역전파법으로 가중치를 갱신했다. 그리고 본 연구에서는 적절한 학습 횟수와 학습률을 도출하기 위하여, 해당 변수들을 변경해가면서 반복적으로 시뮬레이션을 해 적절한 학습 횟수는 200번 및 학습률 0.
성능/효과
- 개발된 모델이 그림 10의 데이터 및 그림 11의 데이터 전반부에서 확인 할 수 있듯이, 측정된 데이터에 대하여 민감하게 반응하는 것을 확인할 수 있으며, 이러한 특성을 낮아졌던 가시거리가 호전된 후 다시 낮아질 때의 특성도 사전에 예측할 수 있음을 확인할 수 있다.
- 관측 값의 대부분 데이터가 2,000 m에 표기되어 있는 이유는 활주로 가시거리의 관측 치는 2,000 m 이상의 경우 2,000 m 로 데이터를 표출하고 저장하기 때문으로, 실제 관측치가 시계비행이 가능한 5,000 m 인 경우에도 2,000 m 로 저장한다. 데이터의 이러한 저장 형태는 활주로 시야거리의 예측 모델을 개발하는데 주요한 오차 요인이지만, 개발된 예측 모델의 경우 적절하게 반영 및 보정된 것을 확인할 수 있다.
- 데이터의 총 수는 921,080개 이고, 가시거리가 400m 이하로 관측 된 저시정 상태에서의 최저값이 완벽히 일치하지 않는 것을 제외하고는 비교적 유사한 데이터의 형태를 보이는 것을 확인할 수 있다.
- 이 개발된 예측 모델로 과거 4개월의 가시거리 측정값에 대한 예측 값의 비교를 시행하였고, 실제 값과 유사한 데이터 생성이 가능함을 확인하였다. 또한 개발된 모델에서 도출한 예측값의 변화가 실측값에 비하여 민감하게 움직이는 특성이 있으며, 이를 활용한 항공기상 예보 기능의 활용이 가능할 것으로 판단된다.
- 특히, 개발된 모델에서 도출된 예측 값은 실측값보다 민감하게 가시거리 변화를 도출하는 특성을 확인하였으며, 이러한 특징은 항공기 안전 운항의 영향과 공항의 운영 효율성 저해에 영향을 미칠 수 있는 저시정 상태가 발생하는 것을 미리 예측할 수도 있음을 확인하였다.
후속연구
- 이 개발된 예측 모델로 과거 4개월의 가시거리 측정값에 대한 예측 값의 비교를 시행하였고, 실제 값과 유사한 데이터 생성이 가능함을 확인하였다. 또한 개발된 모델에서 도출한 예측값의 변화가 실측값에 비하여 민감하게 움직이는 특성이 있으며, 이를 활용한 항공기상 예보 기능의 활용이 가능할 것으로 판단된다.
- 본 연구에서 제시한 예측 모델은 사례 비행장의 기상 측정 데이터의 일부만 활용한 것으로, 실제 측정값의 측정 위치 및 측정값의 정밀도에 영향을 미칠 수 있는 것이다. 또한 정밀도 향상을 위한 추가 연구와, 정밀도 향상을 위한 다른 기법을 활용하여 효율적인 판정 알고리즘의 연구가 필요할 것이다.
- 본 연구에서 제시한 예측 모델은 사례 비행장 기상 측정 데이터 중 가시거리에 관계가 높은 일부 데이터만 수용하였으며, 이는 예측 값의 정밀도에도 영향을 미칠 수 있을 것이므로 이에 대한 고려를 통한 연구가 추가로 필요할 것이다. 또한, 정밀도 향상을 위하여 심층신경망 이외의 심층 신경망의 단점을 보완한 합성곱 신경망(CNN; convolution neural network이나 순환 신경망(RNN; recurrent neural network) 등 다양한 방법론들을 적용한 예측 알고리즘에 대한 연구도 필요할 것이다.
- 본 연구에서 제시하는 가시거리 예측 모델은 가시거리에 직접적인 영향을 미치는 안개의 상대적 정도를 적용하는 것이 필요하다. 안개의 종류에 따라 발생 원인이 다르지만 대기의 온도 및 습윤 상태, 안개의 소산에 영향을 미치는 풍속을 주요 입력 데이터로 사용하였고, 기존 입력 값에 의한 예측 값의 시계열적 보정을 위해서 측정된 가시거리 값도 입력 값으로 활용하였다.
- 본 연구에서 제시한 예측 모델은 사례 비행장 기상 측정 데이터 중 가시거리에 관계가 높은 일부 데이터만 수용하였으며, 이는 예측 값의 정밀도에도 영향을 미칠 수 있을 것이므로 이에 대한 고려를 통한 연구가 추가로 필요할 것이다. 또한, 정밀도 향상을 위하여 심층신경망 이외의 심층 신경망의 단점을 보완한 합성곱 신경망(CNN; convolution neural network이나 순환 신경망(RNN; recurrent neural network) 등 다양한 방법론들을 적용한 예측 알고리즘에 대한 연구도 필요할 것이다.
- 본 연구에서의 대상은 활주로 가시거리를 예측하는 것이기 때문에 비행장 기상 상태를 관측한 데이터가 필요하다. 기상 관측이 수행되는 비행장 중에서 연구 목적으로 관측 데이터의 활용이 가능한 한서대학교 태안비행장을 지역적 대상으로 하였다.
- 활주로 가시거리는 지면에서 운영되는 이동체의 안전을 뿐만 아니라 낮은 시정에서 이착륙 하는 계기비행(IFR : instrument flight rule)상태의 항공기의 안전을 위해서도 중요한 항목으로 항공기 이착륙시의 실황 측정만큼 예측에 대한 연구도 필요하다고 할 수 있다. 특히, 기상예보 기능을 제공하기 위한 자원이 부족한 비행장에서 관련 정보 생성을 위해서는 해당 지역에 맞춤한 정보 생성 방법이 연구될 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.