인공신경망은 뇌의 뉴런들에서 상호 작용과 경험을 통해 학습해 나가는 것을 모사해 만든 알고리즘으로, 데이터의 특성이 반영된 학습을 통하여 정확한 결과를 산출하는데 사용할 수 있는 방법이다. 본 연구에서 기상 역학 모델에서 예측된 풍속 값의 개선을 위하여 심층신경망을 이용한 모델을 제시하였다. 연구에서 제시한 심층신경망을 이용한 풍속 예측 개선 모델은 기상 역학 모델의 예측 값을 재 보정하는 모델을 구축하고 이에 대한 검증과 시험 과정 후 별도의 데이터를 통한 예측의 정확도를 높일 수 있는 것을 확인하였다. 풍속 예측의 개선을 위하여 예측 시간, 온도, 기압, 습도, 대기상태변수, 풍속 등과 같은 일반적 기상 현상 자료의 예측 값을 활용한 심층신경망을 구축하였고, 전체 데이터 중 일부 데이터는 모델의 적정성 확인용 데이터로 구분하여, 모델 구축 및 학습에 사용하지 않고 별도의 정확도를 확인하여 연구에서 제시한 방법의 적합성을 확인하였다.
인공신경망은 뇌의 뉴런들에서 상호 작용과 경험을 통해 학습해 나가는 것을 모사해 만든 알고리즘으로, 데이터의 특성이 반영된 학습을 통하여 정확한 결과를 산출하는데 사용할 수 있는 방법이다. 본 연구에서 기상 역학 모델에서 예측된 풍속 값의 개선을 위하여 심층신경망을 이용한 모델을 제시하였다. 연구에서 제시한 심층신경망을 이용한 풍속 예측 개선 모델은 기상 역학 모델의 예측 값을 재 보정하는 모델을 구축하고 이에 대한 검증과 시험 과정 후 별도의 데이터를 통한 예측의 정확도를 높일 수 있는 것을 확인하였다. 풍속 예측의 개선을 위하여 예측 시간, 온도, 기압, 습도, 대기상태변수, 풍속 등과 같은 일반적 기상 현상 자료의 예측 값을 활용한 심층신경망을 구축하였고, 전체 데이터 중 일부 데이터는 모델의 적정성 확인용 데이터로 구분하여, 모델 구축 및 학습에 사용하지 않고 별도의 정확도를 확인하여 연구에서 제시한 방법의 적합성을 확인하였다.
Artificial neural networks are algorithms that simulate learning through interaction and experience in neurons in the brain and that are a method that can be used to produce accurate results through learning that reflects the characteristics of data. In this study, a model using deep neural network ...
Artificial neural networks are algorithms that simulate learning through interaction and experience in neurons in the brain and that are a method that can be used to produce accurate results through learning that reflects the characteristics of data. In this study, a model using deep neural network was presented to improve the predicted wind speed values in the meteorological dynamic model. The wind speed prediction improvement model using the deep neural network presented in the study constructed a model to recalibrate the predicted values of the meteorological dynamics model and carried out the verification and testing process and Separate data confirm that the accuracy of the predictions can be increased. In order to improve the prediction of wind speed, an in-depth neural network was established using the predicted values of general weather data such as time, temperature, air pressure, humidity, atmospheric conditions, and wind speed. Some of the data in the entire data were divided into data for checking the adequacy of the model, and the separate accuracy was checked rather than being used for model building and learning to confirm the suitability of the methods presented in the study.
Artificial neural networks are algorithms that simulate learning through interaction and experience in neurons in the brain and that are a method that can be used to produce accurate results through learning that reflects the characteristics of data. In this study, a model using deep neural network was presented to improve the predicted wind speed values in the meteorological dynamic model. The wind speed prediction improvement model using the deep neural network presented in the study constructed a model to recalibrate the predicted values of the meteorological dynamics model and carried out the verification and testing process and Separate data confirm that the accuracy of the predictions can be increased. In order to improve the prediction of wind speed, an in-depth neural network was established using the predicted values of general weather data such as time, temperature, air pressure, humidity, atmospheric conditions, and wind speed. Some of the data in the entire data were divided into data for checking the adequacy of the model, and the separate accuracy was checked rather than being used for model building and learning to confirm the suitability of the methods presented in the study.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서 기상 역학 모델에서 예측된 풍속 값의 개선을 위하여 심층신경망을 이용한 모델을 제시하였다. 심층신경망은 인공신경망 중 2개 이상의 은닉층을 사용한 것을 의미하는 것으로, 입력값과 출력값에 대한 학습 모델을 생성할 수 있다.
본 연구는 저고도의 정확한 정보 생성을 위하여 시도된 타 연구에서 생성된 자료의 정밀도를 향상시키기 위한 모델 개선에 대한 연구이다. 본 연구의 모델 개선을 위하여 심층신경망 (DNN; deep neural network)을 활용하였다.
심층신경망은 은닉층을 2개 이상 사용하여 보다 깊은 네트워크를 가진 인공신경 망으로 비선형적인 관계를 가지는 입력과 출력에 대한 학습모델을 생성할 수 있다[3]. 이에 본 연구는 저고도/저층 데이터로 생성된 수치 예보 모델의 결과 값과 기존 측정된 풍속, 습도, 저층의 높이별 바람 데이터 등을 활용하여 학습 모델을 생성하고, 이렇게 생성된 모델을 심층신경망을 사용하여 개선이 가능한지 확인하고자 한다.
가설 설정
본 연구에서 예측 개선의 범위는 실제 기상 관측 데이터의 유효성 및 사용성 등을 고려하였을 때, 운영자는 2일치의 정밀한 데이터를 필요한 것으로 가정하였다. 이는 드론 등과 같은 저고도 비행체 운영자는 내일 및 모레의 정밀한 기상 정보의 제공이 있는 경우 사전에 운영 여부를 판단하는데 도움이 될 수 있기 때문이다.
제안 방법
풍속 예측의 개선을 위하여 예측 시간, 온도, 기압, 습도, 대기상태변수, 풍속 등과 같은 일반적 기상 현상 자료의 예측 값을 활용한 심층신경망을 구축하였고, 전체 데이터 중 일부 데이터는 모델의 적정성 확인용 데이터로 구분하여, 모델 구축 및 학습에 사용하지 않고 별도의 정확도를 확인하여 연구에서 제시한 방법의 적합성을 확인하였다. 모델을 적용하여 풍속 예측을 개선한 결과 역학모델의 예측 값과 실제 관측 값의 차이는 RMSE 1.
인공신경망을 사용한 초기에는 선형 분리가 가능한 제한적인 문제에만 적용할 수 있었으며, 계산을 위한 자원 한계로 인하여 신경망의 크기가 작아야 하는 문제점을 갖고 있었다. 단층에서 크기가 커야만 계산의 정확도가 보장되는 한계를 극복하기 위해 다층 구조의 복잡한 심층 구조를 적용하여 단점을 보완하였다.
선정된 데이터를 바탕으로 예측 값을 실제 값으로 개선하는 학습 모델을 구성한다. 모델에서 예측된 풍속 자료가 관측된 풍속 정보를 적정하게 추정하는지 성능을 확인하고 학습 모델을 개선한다.
선정된 데이터를 바탕으로 예측 값을 실제 값으로 개선하는 학습 모델을 구성한다. 모델에서 예측된 풍속 자료가 관측된 풍속 정보를 적정하게 추정하는지 성능을 확인하고 학습 모델을 개선한다. 심층신경망에 대한 적절한 모델이 구성되면, 학습을 위한 데이터 크기, 학습 비율 등을 조절해가면서 적정한 학습 모델을 설정한다.
저고도의 바람을 정밀하게 예측하기 위해 모델의 최종 도메인을 500 m 설정하였고, 실제 저고도의 층별 관측이 가능한 대상지에 대한 정밀 예측을 실시하였다. 또한, 높은 해상도의 정밀한 모델 수행을 위하여 고해상도 지형 자료 및 토지 이용도 자료를 입력 자료로 사용하였다.
예보는 일자별로 한국시간 오전 9시 및 오후 9시, 1일 2회의 데이터를 생성하였다. 각 1회 데이터에는 생성 시간부터 +72시간 까지 1시간 간격으로 예보 데이터를 생성하였으며, 그 중 실제 관측 값과 비교를 위해 3-3의 측정 데이터가 있는 보성 관측 탑 위치에 해당하는 예보 데이터를 추출하였다.
따라서 데이터의 생성 및 표출 시간, 전·후 처리 시간 등을 제외하고, 생성시간 기준 +6시간부터 +54시간까지의 48시간 데이터를 정밀하게 예측하기 위한 개선 모델을 개발하였다.
각각의 은닉층과 노드의 구성이 완료된 후, 학습률 0.001, 0.005, 0.01, 0.025, 0.05, 0.10, 0.15, 0.20 으로 총 8단계로 실험을 실시하여, 총 32개 경우의 수(4개 은닉층 × 8개 학습률)에 대한 민감도 분석 실험을 완료 한 후 적정한 모델을 구성하였다.
그림 5는 본 연구에서 활용한 심층신경망을 이용한 풍속 예측 개선 모델의 개념도이다. 모델의 개발 과정에 MATLAB을 이용하여 데이터 전처리, 개선 모델 구성, 모델 성능 도출, 실험, 데이터 분석 등을 실시하였다. 심층신경망의 적정한 은닉층의 수, 은닉층 노드와 학습률은 실험을 통하여 선정하였다.
모델의 개발 과정에 MATLAB을 이용하여 데이터 전처리, 개선 모델 구성, 모델 성능 도출, 실험, 데이터 분석 등을 실시하였다. 심층신경망의 적정한 은닉층의 수, 은닉층 노드와 학습률은 실험을 통하여 선정하였다.
3-4의 실험 결과를 바탕으로 심층신경망을 활용한 풍속 예측 모델을 구현하였다. 모델은 은닉층 4개 및 학습률 0.
MATLAB의 경우 학습을 위한 기본적 정규화에 식(1)과 같은 형태를 활용하므로 해당 함수를 사용하였다. 모델의 활성함수는 Hyperbolic tangent를 사용하였고, 모든 노드는 연결하였으나 입력 값에서 일부 노드를 활용하지 않는 Dropout을 기능을 사용하여 학습의 정확도를 향상시켰다. 모델의 가중치들은 확률적 경사하강법(SGD : stochastic gradient descent)을 이용한 오차역전파법으로 갱신하였다.
학습된 모델을 사용하여 별도로 구분된 확인(check)용 데이터 세트를 사용하여 모델의 적정성을 다시 검증하였다. 확인용 데이터는 모델을 구성할 때 사용한 학습/검증/시험용 데이터와는 구분된 별도의 데이터를 사용하여 객관성을 확보하였다.
학습된 모델을 사용하여 별도로 구분된 확인(check)용 데이터 세트를 사용하여 모델의 적정성을 다시 검증하였다. 확인용 데이터는 모델을 구성할 때 사용한 학습/검증/시험용 데이터와는 구분된 별도의 데이터를 사용하여 객관성을 확보하였다. 성능 확인은 역학모델의 예측 값, 심층신경망의 예측 개선 값, 실제 관측 값을 각각 비교하였다.
확인용 데이터는 모델을 구성할 때 사용한 학습/검증/시험용 데이터와는 구분된 별도의 데이터를 사용하여 객관성을 확보하였다. 성능 확인은 역학모델의 예측 값, 심층신경망의 예측 개선 값, 실제 관측 값을 각각 비교하였다. 성능은 비교를 위하여 산출된 값들에 대한 평균제곱근오차(RMSE : root mean square error)를 사용하였다.
표1은 풍속 예측 개선 모델의 RMSE결과 이다. 학습 모델의 초기 값에 의한 영향을 줄일 수 있도록 30회의 반복 학습을 시행한 후 가장 학습 성능이 좋은 모델을 사용하여 예측 개선을 실시하였다. 역학모델의 예측 값과 실제 관측 값의 차이는 RMSE 1.
연구에서 사용한 심층신경망은 은닉층이 4개인 모델을 사용하였으며, 이를 위하여 은닉층과 모델의 학습률 별로 차이를 비교하는 민감도 분석을 실시하여 적절한 모델을 실제 연구 결과 도출에 사용하였다.
대상 데이터
본 연구에서 풍속 예측 개선을 위한 심층신경망 개발 및 적 용을 위해서 그림 2와 같은 절차 사용하고자 한다. 우선 저고도 바람정보 예측을 위한 수치 예보 모델 자료 생산을 위해 수치예보 모델에서 연구 대상지의 상세 예측 자료를 생성하고, 실제 고도별 관측 값과 함께 심층 신경망의 입력 데이터로 선정한다.
예보 데이터는 데이터 생성 시간별로 예보 일자, 예측시간, 온도, 습도, 대기압, 강수량, 풍속, 대기상태변수 등 14개의 항목에 대한 데이터가 생성되며, 1회 데이터 산출시 에는 기준 시각부터 +72시간 까지 73세트의 데이터가 생성되므로 총 1,022개의 데이터(14개 항목 × 73시간)가 산출된다.
저고도의 바람을 정밀하게 예측하기 위해 모델의 최종 도메인을 500 m 설정하였고, 실제 저고도의 층별 관측이 가능한 대상지에 대한 정밀 예측을 실시하였다. 또한, 높은 해상도의 정밀한 모델 수행을 위하여 고해상도 지형 자료 및 토지 이용도 자료를 입력 자료로 사용하였다. 지형자료는 1 s (약 30 m) 해상도의 SRTM (shuttle radar topographic mission) 자료를, 토지이 용도 자료로 2013년 환경부 1:25,000 축척 자료를 사용하였다.
또한, 높은 해상도의 정밀한 모델 수행을 위하여 고해상도 지형 자료 및 토지 이용도 자료를 입력 자료로 사용하였다. 지형자료는 1 s (약 30 m) 해상도의 SRTM (shuttle radar topographic mission) 자료를, 토지이 용도 자료로 2013년 환경부 1:25,000 축척 자료를 사용하였다.
또한, 물리 모수화 방안 선정에 대한 실험을 진행한 사전 연구의 결과를 활용하여 저고도 바람 예측 모델의 결과 값을 본 연구의 입력 자료로 사용하였다.
본 연구에서 사용한 실제 풍속 측정 데이터는 그림 4의 보성 종합기상 관측 탑에서 측정한 풍속 데이터를 사용하였다. 그림 4의 시설은 고도 10 m 의 높이에서부터 고도300 m 까지 11개 층별 바람 데이터를 측정할 수 있는 시설로, 국내에서 저고도의 층별 데이터를 측정할 수 있는 몇 안 되는 시설중 하나다.
본 연구 수행을 위하여 3-2에서 제시한 기상역학 모델을 활용하여 2018년 1월부터 6월까지의 예보 값을 생성하였다. 예보는 일자별로 한국시간 오전 9시 및 오후 9시, 1일 2회의 데이터를 생성하였다.
본 연구 수행을 위하여 3-2에서 제시한 기상역학 모델을 활용하여 2018년 1월부터 6월까지의 예보 값을 생성하였다. 예보는 일자별로 한국시간 오전 9시 및 오후 9시, 1일 2회의 데이터를 생성하였다. 각 1회 데이터에는 생성 시간부터 +72시간 까지 1시간 간격으로 예보 데이터를 생성하였으며, 그 중 실제 관측 값과 비교를 위해 3-3의 측정 데이터가 있는 보성 관측 탑 위치에 해당하는 예보 데이터를 추출하였다.
사용이 불가한 데이터를 제외하고, 총 317개의 입력 데이터 세트(323,974개의 예측 데이터)가 생성되었다. 본 연구를 위하여 반복적 형태로 학습에 효과가 없거나 풍속에 영향이 적은 항목을 제외하고 예측 시간, 온도(℃), 기압(hPa), 습도(RH%), 대기상태변수, 풍속(m/s) 예측 데이터 등 7개 항목 학습에 사용하 였다.
사용이 불가한 데이터를 제외하고, 총 317개의 입력 데이터 세트(323,974개의 예측 데이터)가 생성되었다. 본 연구를 위하여 반복적 형태로 학습에 효과가 없거나 풍속에 영향이 적은 항목을 제외하고 예측 시간, 온도(℃), 기압(hPa), 습도(RH%), 대기상태변수, 풍속(m/s) 예측 데이터 등 7개 항목 학습에 사용하 였다. 317개의 입력 데이터 세트 중 254개의 데이터 세트는 학습 및 검증에 사용하였고, 개발된 예측 모델의 적정성을 확인하기 위해서 나머지 63개의 데이터를 사용하였다.
본 연구를 위하여 반복적 형태로 학습에 효과가 없거나 풍속에 영향이 적은 항목을 제외하고 예측 시간, 온도(℃), 기압(hPa), 습도(RH%), 대기상태변수, 풍속(m/s) 예측 데이터 등 7개 항목 학습에 사용하 였다. 317개의 입력 데이터 세트 중 254개의 데이터 세트는 학습 및 검증에 사용하였고, 개발된 예측 모델의 적정성을 확인하기 위해서 나머지 63개의 데이터를 사용하였다.
3-4의 실험 결과를 바탕으로 심층신경망을 활용한 풍속 예측 모델을 구현하였다. 모델은 은닉층 4개 및 학습률 0.15로 풍속 예측 개선 모델을 구성하였다. 해당 은닉층과 학습률은 그림 6의 실험 결과를 확인하고 반영하였다.
그림8은 구현된 모델의 학습결과의 예를 나타낸다. 입력데이터 중 80%는 학습(train)에 사용하였고, 10%는 검증(validation), 10%는 시험(test)에 사용하였다. 데이터의 분배 여부의 판단은 무작위(random)로 선택하였다.
데이터처리
성능 확인은 역학모델의 예측 값, 심층신경망의 예측 개선 값, 실제 관측 값을 각각 비교하였다. 성능은 비교를 위하여 산출된 값들에 대한 평균제곱근오차(RMSE : root mean square error)를 사용하였다. RMSE의 산출식은 식(2)와 같다.
이론/모형
본 연구는 저고도의 정확한 정보 생성을 위하여 시도된 타 연구에서 생성된 자료의 정밀도를 향상시키기 위한 모델 개선에 대한 연구이다. 본 연구의 모델 개선을 위하여 심층신경망 (DNN; deep neural network)을 활용하였다. 심층신경망은 은닉층을 2개 이상 사용하여 보다 깊은 네트워크를 가진 인공신경 망으로 비선형적인 관계를 가지는 입력과 출력에 대한 학습모델을 생성할 수 있다[3].
본 연구에서는 바람정보 예측을 위한 수치모델 자료 생산을 위해 NCAR (national center for atmospheric research)에서 개발한 중규모 기상 역학 모델인 WRF (weather research and forecasting model)을 사용하였다. WRF는 완전 압축성 정수계 모델 (fully compressible non-hydrostatic)이며, 수평격자는 Arakawa-C 격자, 연직 격자 지형에 근거한 정역학 기압연직 좌표를 사용하는 모델이다[10].
모델의 활성함수는 Hyperbolic tangent를 사용하였고, 모든 노드는 연결하였으나 입력 값에서 일부 노드를 활용하지 않는 Dropout을 기능을 사용하여 학습의 정확도를 향상시켰다. 모델의 가중치들은 확률적 경사하강법(SGD : stochastic gradient descent)을 이용한 오차역전파법으로 갱신하였다.
성능/효과
본 연구에서 제시한 심층신경망을 이용한 풍속 예측 개선 모델은 기상 역학 모델의 예측 값을 재보정하는 모델을 구축하고 이에 대한 검증과 시험 과정 후 별도의 데이터를 통한 예측의 정확도를 높일 수 있는 것을 확인하였다. 또한, 개발된 예측 개선 모델은 계산을 위한 기상청과 같은 대용량의 장비 또는 자원이 투입되지 않고서도 결과 개선이 가능함을 확인할 수 있었다.
WRF는 다양한 기상관련 연구에 많이 사용하는 모델로, 모델 구동 환경 설정으로 연구에 필요한 구역의 다양한 정보의 생성이 가능한 장점이 있다. 특히, 일반적으로 기상 예보 정보에서 제공하지는 않지만, 본 연구에서 반드시 필요한 150 m 이하의 저층 기상 정보의 생성이 가능하다.
학습 모델의 초기 값에 의한 영향을 줄일 수 있도록 30회의 반복 학습을 시행한 후 가장 학습 성능이 좋은 모델을 사용하여 예측 개선을 실시하였다. 역학모델의 예측 값과 실제 관측 값의 차이는 RMSE 1.932이고, 심층신경망을 이용한 풍속 예측 개선 모델과 실제 관측 값의 차이는 RMSE 1.7676로, 0.1364 개선되었다.
본 연구에서 제시한 심층신경망을 이용한 풍속 예측 개선 모델은 기상 역학 모델의 예측 값을 재보정하는 모델을 구축하고 이에 대한 검증과 시험 과정 후 별도의 데이터를 통한 예측의 정확도를 높일 수 있는 것을 확인하였다. 또한, 개발된 예측 개선 모델은 계산을 위한 기상청과 같은 대용량의 장비 또는 자원이 투입되지 않고서도 결과 개선이 가능함을 확인할 수 있었다.
본 연구에서 제시한 심층신경망을 이용한 풍속 예측 개선 모델은 기상 역학 모델의 예측 값을 재보정하는 모델을 구축하고 이에 대한 검증과 시험 과정 후 별도의 데이터를 통한 예측의 정확도를 높일 수 있는 것을 확인하였다. 또한, 개발된 예측 개선 모델은 계산을 위한 기상청과 같은 대용량의 장비 또는 자원이 투입되지 않고서도 결과 개선이 가능함을 확인할 수 있었다.
풍속 예측의 개선을 위하여 예측 시간, 온도, 기압, 습도, 대기상태변수, 풍속 등과 같은 일반적 기상 현상 자료의 예측 값을 활용한 심층신경망을 구축하였고, 전체 데이터 중 일부 데이터는 모델의 적정성 확인용 데이터로 구분하여, 모델 구축 및 학습에 사용하지 않고 별도의 정확도를 확인하여 연구에서 제시한 방법의 적합성을 확인하였다. 모델을 적용하여 풍속 예측을 개선한 결과 역학모델의 예측 값과 실제 관측 값의 차이는 RMSE 1.932이고, 심층신경망을 이용한 풍속 예측 개선 모델과 실제 관측 값의 차이는 RMSE 1.7676로, 0.1364 개선된 것을 확인하였다.
후속연구
또한 정밀도 향상을 위하여 심층신경망 이외 순환신경망(RNN ; recurrent neural network), LSTM(long – short term momory) 또는 합성곱신경망(CNN ; convolution neural network)과 같이 데이터의 특성을 반영할 수 있는 다양한 방법론을 적용한 알고리즘에 대한 연구도 필요할 것이다.
다만, 연구에서 제시한 모델의 풍속을 예측한 전체 영역 또는 시간에 대해서 예측을 개선하지는 못하였다. 이러한 한계는 기의 이동에 따라 발생하는 풍속에 영향을 미치는 요소가 입력 데이터인 주요 기상 항목 이외에 다양한 요소가 작용되기 때문으로, 저고도의 경우 지면 또는 지형의 영향에 따라 예측의 정밀도 향상을 위해서는 별도의 정밀한 데이터 반영이 필요할 것이다.
다만, 연구에서 제시한 모델의 풍속을 예측한 전체 영역 또는 시간에 대해서 예측을 개선하지는 못하였다. 이러한 한계는 기의 이동에 따라 발생하는 풍속에 영향을 미치는 요소가 입력 데이터인 주요 기상 항목 이외에 다양한 요소가 작용되기 때문으로, 저고도의 경우 지면 또는 지형의 영향에 따라 예측의 정밀도 향상을 위해서는 별도의 정밀한 데이터 반영이 필요할 것이다. 또한 정밀도 향상을 위해서 기상 현상 데이터 외 정밀한 데이터 반영의 방법 및 다른 개선 기법을 활용한 알고리즘의 연구도 필요할 것이다.
이러한 한계는 기의 이동에 따라 발생하는 풍속에 영향을 미치는 요소가 입력 데이터인 주요 기상 항목 이외에 다양한 요소가 작용되기 때문으로, 저고도의 경우 지면 또는 지형의 영향에 따라 예측의 정밀도 향상을 위해서는 별도의 정밀한 데이터 반영이 필요할 것이다. 또한 정밀도 향상을 위해서 기상 현상 데이터 외 정밀한 데이터 반영의 방법 및 다른 개선 기법을 활용한 알고리즘의 연구도 필요할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공신경망이란 무엇인가?
인공신경망은 뇌의 뉴런들에서 상호 작용과 경험을 통해 학습해 나가는 것을 모사해 만든 알고리즘으로, 데이터의 특성이 반영된 학습을 통하여 정확한 결과를 산출하는데 사용할 수 있는 방법이다. 본 연구에서 기상 역학 모델에서 예측된 풍속 값의 개선을 위하여 심층신경망을 이용한 모델을 제시하였다.
저고도 기상정보를 얻기 힘든 이유는?
지면과 가까운 높이에서는 지형물, 건축물, 지상 장애물과 같은 공기 흐름의 직접적 영향 요인으로 인하여 하층 대상 정보가 생성되고 어려운 것이 현실적인 문제이나, 저고도 비행체의 수요와 증가추세, 새로운 서비스의 등장과 이로 인한 시장의 생성, 또한 안전한 항공 환경 관리를 위해 연구를 수행할 필요성이 있다.
항공기 운항에 영향을 주는 기상요소의 종류는?
항공기 운항에 영향을 주는 기상요소는 시정(visibility), 착빙(icing), 뇌우(thunder storm)와 같은 환경적인 요소와 윈드시어 (wind shear), 순간돌풍(microburst), 난류(turbulence) 등 바람에 의한 요소가 포함된다[1],[2]. 이중 바람에 의한 요소는 드론 등 과 같은 소형 비행체의 비행체에 영향을 크게 미치는 요소이나, 현재 항공기상 정보 체계는 유인항공기 및 운송용 항공기에 주요 정비를 제공하는 형태로 개발 및 서비스 되고 있다.
참고문헌 (10)
G. S. Ban, "Weather factor for aircraft operation safety," Civil Aviation Development, Vol. 28, pp. 225-257, Oct. 2002.
FAA, AC00-45H, Aviation weather services, Federal Aviation Administration, Sep. 2016.
S. K. Ku and S. M. Hong, "Development for estimation model of runway visual range using deep neural network," Journal of Advanced Navigation Technology, Vol. 21, No. 4, pp. 435-442, Oct, 2017
R. Frank, The perceptron a perceiving and recognizing automaton, Technical Report 85-460-1, 1957.
W. P. John, Beyond regression: New tools for prediction and analysis in the behavioral sciences, Doctoral Dissertation, Applied Mathematics, Harvard University, Boston, MA, 1974.
G. E. Hinton, S. Osindero, and Y.. W. Teh "A fast learning algorithm for deep belief nets," Neural Computation, Vol. 18, No. 7, pp. 1527-1554. 2006.
J. S. Lee, "Development process and understanding of Deep Neural Networks", Information and Communications Magazine, Vol 33 , No.10, pp. 40-48, Sep, 2016.
S. H. Choo, Y. H. Lee, K. D. Ahn and K. Y. Chung, "Development of wind forecast model over korean peninsula using harmony search algorithm," in Korean Institute of Intelligent Systems 2013 Spring Conference, Daegu: Korea, pp. 198-199, Apr, 2013
S. J. Lee and Y. C. Kim, "A numerical forecast and verification of the aircraft turbulence observed over South Korea," Asia-Pacific Journal of Atmospheric Sciences, Vol. 38, No. 5, pp. 493-507, Oct. 2002
J. I. Kwon, H. S. Lee and K, Y, Kim "Low altitude wind prediction using the atmospheric model" in The Korean Society for Aviation and Aeronautics 2018 Fall Conference, Seoul: Korea, pp. 141-146, Nov, 2018.
이 논문을 인용한 문헌
저자의 다른 논문 :
활용도 분석정보
상세보기
다운로드
내보내기
활용도 Top5 논문
해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다. 더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.