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
- T-검정은 두 집단의 평균이 유의한 차이가 있는지를 검정하는 것으로 각 기상인자들이 서리가 발생한 날의 전날과 서리가 발생하지 않은 날의 전날에 유의한 차이가 있는지 알아보고 유의한 차이가 없는 기상인자는 제외시키기 위해 수행하였다. 다중공선성 검정은 일반적으로 회귀분석 시 다중공선성이 독립변수의 회귀계수 추정에 문제가 되기 때문에 수행되는 데 독립변수들 간의 상관관계를 분석하여 높은 상관 관계의 기상인자들은 대표적인 인자만을 선택하기 위해 수행하였다.
제안 방법
- 이러한 문제점을 극복하고 자본 연구에서는 전국의 서리 발생자료를 바탕으로 서리 발생을 전날의 기상값으로 예측하는 것을 목표로 서리발생과 밀접한 서리발생 전날의 기상요인을 분석하고 그것을 바탕으로 기계학습법의 하나인 랜덤 포레스트(Random Forest)를 이용하여 서리발생예측 모형을 구축하는 실험을 수행하였다. 그리고 이 모형을 가을배추와 가을무의 주산지에 적용해 보았다.
- 기상인자의 선정을 위해 T-검정과 랜덤 포레스트(Random Forest)의 인자중요도분석, 인자에 대한 다중공선성 검정을 통해 우선 일부의 기상인자를 제외시켰고, 남은 기상인자들을 다시 아카이케 정보기준(AIC, Akaike Informaiton Criteria)과 Wilk’s lambda 값을 기준으로 최종 인자를 결정하였다.
- T-검정은 두 집단의 평균이 유의한 차이가 있는지를 검정하는 것으로 각 기상인자들이 서리가 발생한 날의 전날과 서리가 발생하지 않은 날의 전날에 유의한 차이가 있는지 알아보고 유의한 차이가 없는 기상인자는 제외시키기 위해 수행하였다. 다중공선성 검정은 일반적으로 회귀분석 시 다중공선성이 독립변수의 회귀계수 추정에 문제가 되기 때문에 수행되는 데 독립변수들 간의 상관관계를 분석하여 높은 상관 관계의 기상인자들은 대표적인 인자만을 선택하기 위해 수행하였다. 랜덤포레스트의 인자중요도 분석은 각 인자가 결과의 정확도와 불순도 개선에 얼마만큼 기여하는지를 나타내는 지표로서 중요도가 높은 인자를 선택하기 위해 수행하였다.
- 서리발생 예측 모형의 과적합을 방지하기 위해 앞에서 고려한 기상인자 중 서리발생과 관련성이 다른 인자들보다 높다고 판단되는 일부만 사용하여 모형을 구축하였다. 기상인자의 선정을 위해 T-검정과 랜덤 포레스트(Random Forest)의 인자중요도분석, 인자에 대한 다중공선성 검정을 통해 우선 일부의 기상인자를 제외시켰고, 남은 기상인자들을 다시 아카이케 정보기준(AIC, Akaike Informaiton Criteria)과 Wilk’s lambda 값을 기준으로 최종 인자를 결정하였다.
- 서리발생 예측모형은 Fig. 1과 같은 과정을 통해 가을배추와 가을무가 생산되는 지역 중 가을배추의 주산지인 충남 홍성과 가을무의 주산지인 충남 서산에 적용해 보았다. 보통 가을배추와 가을무의 생육기 간 중 서리발생에 영향을 받는 달은 11월이지만 11월만을 대상으로 모형을 적용하기에는 서리 발생한 날 수가 너무 적어 11월과 12월을 대상으로 실시하였다.
- 하지만 이러한 연구는 일부 지역에 한정되어 연구되었거나 단순히 기온만을 고려하여 서리의 발생에 대한 정보를 제공해 주기 때문에 정확한 서리발생을 알리기에는 한계가 있을 것으로 생각된다. 이러한 문제점을 극복하고 자본 연구에서는 전국의 서리 발생자료를 바탕으로 서리 발생을 전날의 기상값으로 예측하는 것을 목표로 서리발생과 밀접한 서리발생 전날의 기상요인을 분석하고 그것을 바탕으로 기계학습법의 하나인 랜덤 포레스트(Random Forest)를 이용하여 서리발생예측 모형을 구축하는 실험을 수행하였다. 그리고 이 모형을 가을배추와 가을무의 주산지에 적용해 보았다.
- 최종적으로 모형 구축을 위해 위의 기상인자를 이용하여 AIC과 Wilk’s lambda 값을 기준으로 인자를 선택하였으며, 두 기준에서 모두 동일한 기상인자인 구름량, 24시 기온, 이슬점온도, 21시 풍속, 평균풍속이 선택되었다.
- 최종적으로 선택된 기상인자를 기반으로 랜덤포레스트를 이용하여 서리발생예측 모형을 구축하였다. 랜덤포레스트는 다수의 의사결정 트리모형을 결합하여 최적의 모형을 형성하는 앙상블기법으로 분류나 회귀모형으로 많이 사용된다.
- 최종적으로 모형 구축을 위해 위의 기상인자를 이용하여 AIC과 Wilk’s lambda 값을 기준으로 인자를 선택하였으며, 두 기준에서 모두 동일한 기상인자인 구름량, 24시 기온, 이슬점온도, 21시 풍속, 평균풍속이 선택되었다. 추가로 Fig. 3와 같이 랜덤포레스트 인자중요도를 분석한 결과 24시 기온, 구름량, 이슬 점온도, 21시 풍속, 평균풍속 순으로 나타나 21시 풍속과 평균풍속 중 중요도가 높은 21시 풍속을 선택해서 최종적으로 4가지 인자를 이용해 모형을 구축하였다.
대상 데이터
- 각 기상인자별로 수집한 데이터는 서리가 발생한 날의 데이터 248세트와 서리가 발생하지 않은 날의 248세트로 총 496세트였으며, 모형 구축에 326세트, 정확도 검증에 170세트를 사용하였다.
- 서리 발생 날짜에 대한 정보는 기상청으로부터 수집하였으며, 홍성은 2017년, 서산은 2014-2016년의 자료를 수집하였다. 수집된 샘플 수는 홍성 46세트, 서산은 70세트이며, 각각 서리가 발생한 날의 전날 50%, 서리가 발생하지 않은 날의 전날 50%로 수집하였다.
- 전날의 기상을 분석하여 다음날에 서리가 발생할지 여부를 판단하는 모형을 구축하기 위해 기상청 기상 연보에서 제공하는 30지점에 대한 2004년부터 2013년까지의 초상일 자료를 수집하였다(Table 1). 서리가 발생한 날의 전날에 대한 기상특징을 분석하기 위해 초상일 전날의 기상자료를 수집하였고, 서리가 발생하지 않은 날의 전날에 대한 기상특징을 분석하기 위해 초상일의 이틀 전날의 기상자료를 수집하였다. 기존 문헌을 통해 서리발생에 영향을 미칠 수 있다고 예상되는 기상인자로서 최저기온, 18시 기온, 21시 기온, 24시 기온, 평균풍속, 18시 풍속, 21시 풍속, 구름량, 5일간 강수량, 3일간 강수량, 상대습도, 이슬 점온도, 초상최저기온, 지면온도로 정하여 분석하였다 (Han et al.
- 서리 발생 날짜에 대한 정보는 기상청으로부터 수집하였으며, 홍성은 2017년, 서산은 2014-2016년의 자료를 수집하였다. 수집된 샘플 수는 홍성 46세트, 서산은 70세트이며, 각각 서리가 발생한 날의 전날 50%, 서리가 발생하지 않은 날의 전날 50%로 수집하였다.
- 전날의 기상을 분석하여 다음날에 서리가 발생할지 여부를 판단하는 모형을 구축하기 위해 기상청 기상 연보에서 제공하는 30지점에 대한 2004년부터 2013년까지의 초상일 자료를 수집하였다(Table 1). 서리가 발생한 날의 전날에 대한 기상특징을 분석하기 위해 초상일 전날의 기상자료를 수집하였고, 서리가 발생하지 않은 날의 전날에 대한 기상특징을 분석하기 위해 초상일의 이틀 전날의 기상자료를 수집하였다.
데이터처리
- 모든 과정은 통계프로그램 R(3.5.1)을 이용하였으며, T-검정은 t.test함수를 이용하였으며, 다중공선성 검정은 “usdm” 패키지의 vif함수를, AIC는 step함수를 이용하였고, Wilk’s lambda는 “klaR” 패키지의 greedy.wilks 함수를 이용하였다.
이론/모형
- 그리고, 랜덤포레스트 인자별 중요도 분석과 모형을 구축하기 위하여 “randomForest” 패키지의 randomForest 함수를 이용하였다.
성능/효과
- 이것은 기존에 알려진 것과 같이 날씨가 맑아 구름이 없고 바람이 약하게 불어 복사 냉각이 잘 이루어지는 날에 서리가 많이 발생한다는 기상특징을 잘 나타내며, 이러한 특징은 서리가 발생하는 전날에도 유사하게 나타나기 때문에 이러한 기상요소를 이용해 서리가 발생하는 것을 미리 예측할 수 있다는 것을 알 수 있었다. 그리고, 이러한 기상특징을 이용하여 구축한 모형을 가을배추와 가을무의 주산지에 적용한 결과 어느 정도 활용성이 있는 것으로 판단되었다. 이와 더불어 서리 발생을 예측하기 위한 모형을 구축하기 위해 좀 더 많은 기상데이터를 확보한다면 모형의 정확도는 더 높아질 수 있을 것이라 예상되었다.
- 다중공선성을 분석한 결과에서는 최저기온, 18시 기온, 21시 기온, 24시 기온, 상대습도, 이슬점온도이 분산팽창계수(VIF, Variance Inflation Factor)가 10 이상으로 높게 나타나 다중공선성이 있는 것으로 나타났다(Table 3).
- 모형을 구축하기 위한 기상인자를 선택하기 위해 서리가 발생한 날의 전날 기상인자와 서리가 발생하지 않은 날의 전날 기상인자 간에 차이가 있는지 T검정을 실시한 결과 0.05의 유의수준에서 최저기온과 18시 기온, 21시 기온, 24시 기온, 평균풍속, 21시 풍속, 구름량, 상대습도, 이슬점온도, 초상최저온도, 지면온도는 유의하다는 결과가 나타났지만, 18시 풍속, 5일간 강수량과 3일간 강수량은 유의하지 않는 것으로 나타났다(Table 2).
- 서리 발생 예측모형을 적용한 결과 홍성에서는 46세트의 샘플 중 30세트를 올바르게 예측해서 65.2%의 정확도를 나타냈으며(Table 7), 서산에서 수행한 결과 70세트의 샘플 중 55세트를 올바르게 예측하여 78.6%의 정확도를 나타냈다(Table 8). 이러한 결과는 모형을 구축할 때 검정했던 정확도와 유사했지만, 홍성의 경우 정확도가 다소 낮게 나타났고 서산의 경우 조금 더 높게 나타났다.
- 이번 연구에서 선택된 기상인자들을 살펴보면 서리가 발생하지 않은 날의 전날에 비해 서리가 발생한 날의 전날이 기온이 더 낮고 풍속도 약하며 구름의 양도 적은 특징이 나타났다. 이것은 기존에 알려진 것과 같이 날씨가 맑아 구름이 없고 바람이 약하게 불어 복사 냉각이 잘 이루어지는 날에 서리가 많이 발생한다는 기상특징을 잘 나타내며, 이러한 특징은 서리가 발생하는 전날에도 유사하게 나타나기 때문에 이러한 기상요소를 이용해 서리가 발생하는 것을 미리 예측할 수 있다는 것을 알 수 있었다. 그리고, 이러한 기상특징을 이용하여 구축한 모형을 가을배추와 가을무의 주산지에 적용한 결과 어느 정도 활용성이 있는 것으로 판단되었다.
- 6%의 정확도를 나타냈다(Table 8). 이러한 결과는 모형을 구축할 때 검정했던 정확도와 유사했지만, 홍성의 경우 정확도가 다소 낮게 나타났고 서산의 경우 조금 더 높게 나타났다.
- 이러한 결과를 바탕으로 T-검정에서 유의하지 않았던 18시 풍속, 5일간 강수량과 3일간 강수량을 제외하였고, 다중공선성이 나타난 기온 관련 인자들 중에서 VIF가 높고 랜덤포레스트에서 인자 중요도가 상대적으로 낮게 나타났던 최저기온, 18시 기온, 21시 기온을 제외하였다. 그리고 다중공선성이 나타난 또 다른 인자인 상대습도와 이슬점온도 중에서도 랜덤포레스트의 인자 중요도가 상대적으로 낮게 나왔던 상대습도를 제외하였다.
- 이렇게 결정된 24시 기온, 평균풍속, 21시 풍속, 구름량, 이슬점온도, 최저초상온도, 지면온도를 다시 다중공선성에 대한 분석한 결과 모두 분산팽창계수가 10이하로 나타나 다중공선성이 없는 것으로 나타났다 (Table 4).
- 이번 연구에서 선택된 기상인자들을 살펴보면 서리가 발생하지 않은 날의 전날에 비해 서리가 발생한 날의 전날이 기온이 더 낮고 풍속도 약하며 구름의 양도 적은 특징이 나타났다. 이것은 기존에 알려진 것과 같이 날씨가 맑아 구름이 없고 바람이 약하게 불어 복사 냉각이 잘 이루어지는 날에 서리가 많이 발생한다는 기상특징을 잘 나타내며, 이러한 특징은 서리가 발생하는 전날에도 유사하게 나타나기 때문에 이러한 기상요소를 이용해 서리가 발생하는 것을 미리 예측할 수 있다는 것을 알 수 있었다.
- 최종 선택된 24시 기온, 구름량, 이슬점온도, 21시 풍속의 기상인자를 기반으로 랜덤포레스트를 이용 한 서리발생예측 모형을 구축하고 모형의 정확도를 분석한 결과 70.6%의 정확도를 나타냈다(Table 6).
- 최종 인자에 대해 서리가 발생한 날의 전날과 서리가 발생하지 않은 날의 전날에 대한 기상요소별 평균을 비교해 본 결과 구름량은 서리가 발생한 날의 전날이 3.0할로 서리가 발생하지 않은 날의 전날인 7.0할보다 4.0할 적었으며, 24시 기온은 서리가 발생한 날의 전날이 −1.0℃로 서리가 발생하지 않은 날의 전날인 4.1℃보다 5,1℃가 낮았다.
후속연구
- 특히, 본 연구에서는 초상일을 기준으로 한 기상 데이터를 이용해 모형을 구축했기 때문에 서리가 연속적으로 발생하는 날에 대한 기상특징을 반영하기에는 한계가 있을 것으로 예상되었으며, 봄에 발생하는 서리에 대한 특징도 반영하기에 한계가 있을 것으로 예상되었다. 앞으로의 연구에서는 이러한 다양한 환경의 기상상황을 잘 나타낼 수 있는 추가적인 데이터 수집과 분석이 이루 어진다면 좀 더 정확한 서리발생 예측 모형을 구축할 수 있을 것이다.
- 그리고, 이러한 기상특징을 이용하여 구축한 모형을 가을배추와 가을무의 주산지에 적용한 결과 어느 정도 활용성이 있는 것으로 판단되었다. 이와 더불어 서리 발생을 예측하기 위한 모형을 구축하기 위해 좀 더 많은 기상데이터를 확보한다면 모형의 정확도는 더 높아질 수 있을 것이라 예상되었다. 특히, 본 연구에서는 초상일을 기준으로 한 기상 데이터를 이용해 모형을 구축했기 때문에 서리가 연속적으로 발생하는 날에 대한 기상특징을 반영하기에는 한계가 있을 것으로 예상되었으며, 봄에 발생하는 서리에 대한 특징도 반영하기에 한계가 있을 것으로 예상되었다.
- 이와 더불어 서리 발생을 예측하기 위한 모형을 구축하기 위해 좀 더 많은 기상데이터를 확보한다면 모형의 정확도는 더 높아질 수 있을 것이라 예상되었다. 특히, 본 연구에서는 초상일을 기준으로 한 기상 데이터를 이용해 모형을 구축했기 때문에 서리가 연속적으로 발생하는 날에 대한 기상특징을 반영하기에는 한계가 있을 것으로 예상되었으며, 봄에 발생하는 서리에 대한 특징도 반영하기에 한계가 있을 것으로 예상되었다. 앞으로의 연구에서는 이러한 다양한 환경의 기상상황을 잘 나타낼 수 있는 추가적인 데이터 수집과 분석이 이루 어진다면 좀 더 정확한 서리발생 예측 모형을 구축할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.