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
- 기상인자를 활용한 우리나라의 강수량 예측은 권현한과 이정주(2011)가 과거 해수면온도(sea surface temperature, SST)와 외향장파복사(outgoing longwave radiation, OLR)을 활용하여 낙동강 유역의 여름강수량을 전망한 사례가 있으며 본 분석도 이에 바탕을 두었다. 최근에는 이강진과 권민호(2016)가 동서바람 편차와 적설을 활용하여 동아시아 지역의 6월 강수를 예측한 바 있다.
- 또한 정량적인 예측 결과를 쉽게 제공받기도 힘들다. 따라서 본 분석에서는 통계적인 기법을 기반으로 웹에서 취득 가능한 기상 관측 빅데이터를 활용하여 정량적 계절강수량 전망을 수행하고자 하였다. 분석된 결과를 기상청의 장기 기상전망 결과와 병행하여 활용한다면 댐․보 운영계획 수립 및 실무에 참고할 수 있을 것이다.
- 본 분석은 베이지안 마코프체인 몬테카를로(Markov Chain Monte Carlo, MCMC) 기법과 인공신경망 두 가지 방법을 이용해 우리나라의 여름철(7∼9월) 강수량을 전망하고자 하였다.
제안 방법
- Windows기반의 WinBUGS(Bayesian inference Using Gibbs Sampling) 툴을 활용하여 깁스 샘플링을 활용한 Bayesian MCMC모형을 구성하였으며 R2WinBUGS 패키지를 통해 R과 WinBUGS를 연동하여 자료 입출력 및 결과분석을 수행하였다.
- 구축된 모형의 예측 정확도 검증을 위해 과거년도(2001∼2017)의 여름철 강수량 예측을 수행한 후 이를 관측 값과 비교해보았다(Table 3).
- Bayesian MCMC 기법은 수학적으로 적분이 불가능한 경우 이를 확률적으로 추론할 수 있는 장점이 있다. 본 분석에서는 깁스 샘플링(Gibbs sampling)을 통해 마코프 연쇄를 구현하였다. 깁스 샘플링은 N차원의 확률결합분포에서 샘플링이 어려운 경우 다른 차원은 고정하고 한 개의 차원만 이동을 N번 수행하여 샘플링을 하는 방법이다.
- 본 분석에서는 빅데이터를 활용하여 2018년 우리나라 여름철 강수량을 전망하고 실측값과 비교 분석하였다. 변동성이 큰 기상현상의 특징 및 3개월 장기전망에 따른 불확실성이 다소 존재하지만 활용 가능성을 확인할 수 있었다.
- 인간의 뉴런 구조에 착안한 인공신경망은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)로 구성되어 있으며 은닉층의 개수에 따라 단층 또는 심층신경망(deep neural network)으로 구분된다. 본 연구에서는 R의 Keras 패키지를 활용하여 인공신경망을 구성하였으며 훈련을 통해 학습된 모형을 검증 데이터 세트로 평가하였다.
- 대상 지역의 공간적 범위는 전국을 하나의 대상으로 한 모형과, 권역별(한강, 금강․영산강․섬진강, 낙동강) 모형으로 총 4개 모형이다. 선행연구를 토대로 SST, OLR와 동아시아 몬순과 관계가 있다고 알려진 북서태평양 몬순지수(Western North Pacific Monsoon Index, WNPMI)와 북대서양 진동지수(North Atlantic Oscillation, NAO)를 입력 변수로 활용을 검토하였으며 강수량은 강우관측소 700개의 데이터를 Thiessen법으로 산정하였다. Bayesian MCMC 및 인공신경망 모형 모두 통계분석 프로그램인 R을 활용하였다.
- 또한 추가 기상인자로 북대서양 진동지수(NAO)를 도입하였다. 인공신경망 모형은 훈련 과정에서 상관성이 높지 않은 입력 값은 연결강도가 약화되어 자연 도태되므로, 입력 자료의 추가 등이 유연한 특성을 활용하였다.
- 인공신경망 모형의 정확도 검증은 학습 데이터의 확보를 위해 2011년도부터 평가를 실시하였다
대상 데이터
- , 2008). WNPMI와 우리나라 권역별 강수량과 상관관계 분석결과 상관성이 가장 큰 1월의 WNPMI 데이터를 입력하였다(Table 2).
- 대상 공간범위인 3개 권역 및 전국의 1980~2017년 여름철 강수량과 미국 국립해양대기국(NOAA)에서 제공하는 SST, OLR, WNPMI를 활용하였다(Table 1). 시공간상관성 분석 결과 예측대상별로 약간의 편차는 있으나 SST는 영국 인근과 LA서쪽 부근의 3∼5월 평균, OLR은 멕시코 주변과 동해 인근의 5월 데이터가 높은 상관관계를 갖는 것으로 나타나 입력자료로 활용하였다(Fig.
- 본 분석은 베이지안 마코프체인 몬테카를로(Markov Chain Monte Carlo, MCMC) 기법과 인공신경망 두 가지 방법을 이용해 우리나라의 여름철(7∼9월) 강수량을 전망하고자 하였다. 대상 지역의 공간적 범위는 전국을 하나의 대상으로 한 모형과, 권역별(한강, 금강․영산강․섬진강, 낙동강) 모형으로 총 4개 모형이다. 선행연구를 토대로 SST, OLR와 동아시아 몬순과 관계가 있다고 알려진 북서태평양 몬순지수(Western North Pacific Monsoon Index, WNPMI)와 북대서양 진동지수(North Atlantic Oscillation, NAO)를 입력 변수로 활용을 검토하였으며 강수량은 강우관측소 700개의 데이터를 Thiessen법으로 산정하였다.
- 금․영․섬 유역을 제외한 전국, 한강, 낙동강 유역에서 WNPMI를 활용한 모형이 그렇지 않은 모형보다 RMSE, 상관계수가 더 낮게 나타났으며 금․영․섬 유역의 경우 타 유역과 반대의 결과가 나타났으나 유의미한 차이는 나타나지 않았다. 따라서 Bayesian MCMC를 활용한 2018년도 여름철 강수량 전망에는 WNPMI를 제외한 SST, OLR을 활용하였다.
- 시공간상관성 분석 결과 예측대상별로 약간의 편차는 있으나 SST는 영국 인근과 LA서쪽 부근의 3∼5월 평균, OLR은 멕시코 주변과 동해 인근의 5월 데이터가 높은 상관관계를 갖는 것으로 나타나 입력자료로 활용하였다(Fig. 1).
- 인공신경망을 통한 여름철 강수량 전망에는 앞에서 분석한 Bayesian MCMC 모형과 마찬가지로 SST, OLR 및 WNPMI를 활용하였으나, SST는 1∼5월의 월별 및 이동평균값을 모두 활용하였고, 1∼5월의 WNPMI도 모두 입력 자료로 구성하였다(Table 4).
- 깁스 샘플링은 N차원의 확률결합분포에서 샘플링이 어려운 경우 다른 차원은 고정하고 한 개의 차원만 이동을 N번 수행하여 샘플링을 하는 방법이다. 초기값이 영향을 미치는 Burn-in 구간을 지나면 특정 확률분포로 수렴하게 되는 특징을 갖는데, 본 분석에서는 총 12,000회의 샘플링 중 앞의 10,000회는 Burn-in 구간으로 제외하고 마지막 2,000개의 샘플을 활용하였다.
이론/모형
- Bayesian MCMC는 추가 기상인자를 입력하지 않았던 경우가 정확도가 더 높았으나, 인공신경망의 경우 북서태평양 몬순지수(WNPMI) 및 북대서양 진동지수(NAO)를 입력 자료로 활용한 경우 전망 성능이 개선되었다(Table 5). 2018년도 여름철 강수량 전망에는 기상인자를 추가한 인공신경망 모형을 활용하였다.
- 선행연구를 토대로 SST, OLR와 동아시아 몬순과 관계가 있다고 알려진 북서태평양 몬순지수(Western North Pacific Monsoon Index, WNPMI)와 북대서양 진동지수(North Atlantic Oscillation, NAO)를 입력 변수로 활용을 검토하였으며 강수량은 강우관측소 700개의 데이터를 Thiessen법으로 산정하였다. Bayesian MCMC 및 인공신경망 모형 모두 통계분석 프로그램인 R을 활용하였다.
성능/효과
- 2018년도 여름철(7∼9월)은 전국 평균 631.4㎜의 강수량을 기록하여 평년(727.9㎜)의 약 87% 수준의 강수를 기록하였으며, 본 분석에서 수행한 Bayesian MCMC 모형은 6.5%, 인공신경망은 10.1%의 오차를 나타냈다(Table 6).
- 금․영․섬 유역을 제외한 전국, 한강, 낙동강 유역에서 WNPMI를 활용한 모형이 그렇지 않은 모형보다 RMSE, 상관계수가 더 낮게 나타났으며 금․영․섬 유역의 경우 타 유역과 반대의 결과가 나타났으나 유의미한 차이는 나타나지 않았다. 따라서 Bayesian MCMC를 활용한 2018년도 여름철 강수량 전망에는 WNPMI를 제외한 SST, OLR을 활용하였다.
- 본 분석에서는 빅데이터를 활용하여 2018년 우리나라 여름철 강수량을 전망하고 실측값과 비교 분석하였다. 변동성이 큰 기상현상의 특징 및 3개월 장기전망에 따른 불확실성이 다소 존재하지만 활용 가능성을 확인할 수 있었다.
- 인공신경망 모형은 전체적으로 10%대의 오차를 나타냈으며, 전국의 오차가 가장 적었고 낙동강 유역의 오차가 가장 크게 발생하였다. 전국보다 유역별 오차가 더 적은 Bayesian MCMC와는 달리 인공신경망은 전국 단위 전망의 정확도가 가장 높았다.
- 인공신경망 모형은 전체적으로 10%대의 오차를 나타냈으며, 전국의 오차가 가장 적었고 낙동강 유역의 오차가 가장 크게 발생하였다. 전국보다 유역별 오차가 더 적은 Bayesian MCMC와는 달리 인공신경망은 전국 단위 전망의 정확도가 가장 높았다.
- 전체적으로 Bayesian MCMC 모형의 전망값이 실측값과 근접하였으며 오차는 0.1% ∼ 6.5%의 분포를 보였다.
- 가뭄을 사전에 예측하여 일반 국민을 대상으로 예․경보를 시행하고 있으며 홍수량 예측, 녹조 예측 등 특히 물재해와 직접적인 관련이 있는 분야에서 시도가 활발하게 이루어지고 있으나, 현재까지는 이론에 기초한 물리 및 통계모형에 대부분 근거하고 있다. 한편 이용 가능한 수문관측 자료의 기간이 증가함에 따라 원인인자와 결과 간의 상관관계를 명확히 규명하기 어려운 현상에 대해서도 원하는 예측 값을 데이터 기반 모형을 통해 도출하기 용이해졌다.
후속연구
- 따라서 본 분석에서는 통계적인 기법을 기반으로 웹에서 취득 가능한 기상 관측 빅데이터를 활용하여 정량적 계절강수량 전망을 수행하고자 하였다. 분석된 결과를 기상청의 장기 기상전망 결과와 병행하여 활용한다면 댐․보 운영계획 수립 및 실무에 참고할 수 있을 것이다.
- 여기서 더 나아가 미국의 한 기업은 축적된 농업 관련 빅데이터를 기반으로 최적의 파종 시기를 예측하고 이를 농민들에게 알려준 결과 수확량이 기존 대비 30%이상 증가하였으며 국내에서도 그간 측정된 데이터를 통해 공기의 질을 예측하는 서비스를 추진하고 있다. 빅데이터를 활용한 물관리 또한 관련 기술의 지속적인 축적 및 충분한 검증을 통해 일상생활에 밀접하게 활용되는 날을 기대해본다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.