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
- 그러나 여전히 수문학적 활용을 위한 강우 예보 능력은 부족하고, 정량적으로 사용하기 위해서는 지역적 오차와 시스템 오차 제거가 필수적이다. 따라서, 본 연구에서는 기상청의 수치예보자료에 머신러닝 기반의 강우보정기술을 도입하고자 한다.
제안 방법
- 두 번째, 머신러닝 과정은 예측 6시간 전부터 1시간 전까지 앙상블 멤버별 LENS와 MAPLE의 기상 예측인자, RAR 관측 강우를 활용하여 지도 학습하였다.
- Fig. 3 ~ Fig. 7에 호우사례 1 ~ 5의 3시간 누적 관측 강우량과 앙상블 멤버별 보정 강우 평균값에 대한 3시간 누적 강우량의 공간분포를 비교하여 제시하였다. Fig.
- (2011)에서 제시한 예측인자와 추가 예측인자를 정리하여 Table 1에 제시하였다. LENS 자료에서는 3차원 공간 자료를 활용하여 층후도, 상/중/하층 풍속, 연직바람시어, 대기 불안정도, 가강수량 변수 등을 추출하였고, MAPLE과 RAR 자료에서는 2차원 강우량 변수를 추출하였다. 이러한 수치예보자료의 기상 예측인자들은 1 km 해상도의 호우영향모델 격자로 내삽되어 머신러닝 입력자료로 최종 생성되었다.
- 강우보정 알고리즘은 2.1.에서 언급한 수치예보자료의 전처리, 머신러닝, 후처리의 3가지 과정을 통해 개발되었다(Fig. 1). 우리는 대부분의 알고리즘 개발 과정에서 CDO (Climate Data Operator), NCO (NetCDF operator)를 주로 사용하였다.
- 두 번째, 머신러닝 과정은 예측 6시간 전부터 1시간 전까지 앙상블 멤버별 LENS와 MAPLE의 기상 예측인자, RAR 관측 강우를 활용하여 지도 학습하였다. 그리고 매 시간 머신러닝을 통해 생성된 예측모형에 LENS와 MAPLE 예보자료를 입력하여 1시간 간격의 앙상블 멤버별 초단기(0 ~ 6시간) 보정강우를 산출하였다(Fig. 2). 머신러닝은 다양한 기법 중에 부스팅 기법의 한 종류인 XGBoost와 LightGBM을 선정하였다.
- 머신러닝 결과를 통해 산정된 보정 강우에 대하여 검증하였고, 집중호우에 대한 머신러닝의 예측개선 정도를 분석하였다. 그리고 사례별 공간분포에 대한 분석을 통하여 집중호우 지역의 강우패턴 정확도를 비교하였다.
- , 2017). 마지막, 후처리 과정은 머신러닝 과정을 통해 산출된 앙상블 멤버별 보정 강우를 평균하여 최종 보정강우를 생산하였다.
- 머신러닝은 부스팅 기법중의 하나로 최근 많이 사용되는 LightGBM 과 XGBoost 기법을 적용하였고, 2017년부터 2018년까지의 최근 호우사례 중 서울과 강릉을 중심으로 큰 피해를 주었던 5개 사례에 대해 연구하였다. 머신러닝 결과를 통해 산정된 보정 강우에 대하여 검증하였고, 집중호우에 대한 머신러닝의 예측개선 정도를 분석하였다. 그리고 사례별 공간분포에 대한 분석을 통하여 집중호우 지역의 강우패턴 정확도를 비교하였다.
- 본 연구에서는 기상청의 레이더 및 AWS 자료를 활용한 RAR과 수치모델에서 생산되는 MAPLE, LENS 예측자료를 활용하여 강우예측인자들을 입력하고, 두 종류의 머신러닝(LightGBM, XGBoost) 학습을 통해 예측모형을 생성하는 강우보정 알고리즘을 개발하였다. 이를 2017 ~ 2018년 중 서울과 강릉 지역의 일 강우량이 80 mm 이상인 날로 조사된 5개의 호우사례로 적용하여 보정된 강우량과 관측된 강우량을 비교하는 통계검증을 수행하고, 레이더 자료(RAR) 및 예측자료(MAPLE, LENS)와 함께 공간분포를 제시함으로써 강우보정 알고리즘의 개선효과를 확인하였다.
- , 2015). 앙상블 예보는 기상현상의 비선형성에 따른 불확실성, 수치모델의 고유 오차와 초기 분석장에 내재되어 있는 오차들을 고려하여 여러 모델 결과를 토대로 특정현상 발생확률의 예측 정보를 제공한다.
- 본 연구에서는 기상청의 레이더 및 AWS 자료를 활용한 RAR과 수치모델에서 생산되는 MAPLE, LENS 예측자료를 활용하여 강우예측인자들을 입력하고, 두 종류의 머신러닝(LightGBM, XGBoost) 학습을 통해 예측모형을 생성하는 강우보정 알고리즘을 개발하였다. 이를 2017 ~ 2018년 중 서울과 강릉 지역의 일 강우량이 80 mm 이상인 날로 조사된 5개의 호우사례로 적용하여 보정된 강우량과 관측된 강우량을 비교하는 통계검증을 수행하고, 레이더 자료(RAR) 및 예측자료(MAPLE, LENS)와 함께 공간분포를 제시함으로써 강우보정 알고리즘의 개선효과를 확인하였다.
대상 데이터
- 1번 사례는 2017년 07월 10일 나타난 서울 지역의 호우 사례로 하층제트 전면의 층후 분류형으로 분석되며, 일 최다 강우량은 한강(418)지점에서 169 mm 로 관측되었다. 2번 사례는 2017년 07월 23일 나타난 서울 지역의 호우사례로 오전 10시경에 강한 강우를 나타낸 사례이다.
- 1번 사례는 2017년 07월 10일 나타난 서울 지역의 호우 사례로 하층제트 전면의 층후 분류형으로 분석되며, 일 최다 강우량은 한강(418)지점에서 169 mm 로 관측되었다. 2번 사례는 2017년 07월 23일 나타난 서울 지역의 호우사례로 오전 10시경에 강한 강우를 나타낸 사례이다. 중·하층의 수증기량이 많고 연직 불안정이 강한 지역으로 하층제트 전면의 층후 분류형으로 분류되며, 일 최다 강우량은 서울(108)지점에서 133.
- 5 mm로 관측되었다. 3번 사례는 2018년 05월 17일에 나타난 서울 지역의 호우사례로 오전 4시경에 강한 강우를 나타낸 사례이다. 중층대기에서는 서풍류와 함께 연직적으로 바람시어와 온난이류가 발생하는 하층제트 전면의 층후 분류형 사례로, 일 최다 강우량은 강남(400)지점에서 101.
- 5 mm로 관측되었다. 4번 사례는 2018년 08월 06일에 나타난 강릉 지역의 호우사례로 영동지방을 중심으로 발생하는 동해안 호우형태이다. 동풍의 영향을 받는 동해안 중심으로 집중호우가 발생하였으며, 동해안의 비는 대기 중 층에 찬 공기가 위치하는 가운데, 대기 하층으로 동풍이 유입되면서 내리는 강우형태로 분석되었다.
- 일 최다 강우량은 강문(524)지점에서 282 mm 로 관측되었다. 5번 사례는 2018년 8월 29일 오전 0시와 오전 8시경에 나타난 서울 지역의 호우사례이다. 이 사례는 태풍 솔릭이 통과한 후, 우리나라 북쪽 상층에 찬 공기가 위치하는 가운데, 남쪽에서는 북태평양고기압이 발달하면서 남북으로 폭이 좁은 수증기 통로가 형성되었다.
- 머신러닝은 부스팅 기법중의 하나로 최근 많이 사용되는 LightGBM 과 XGBoost 기법을 적용하였고, 2017년부터 2018년까지의 최근 호우사례 중 서울과 강릉을 중심으로 큰 피해를 주었던 5개 사례에 대해 연구하였다. 머신러닝 결과를 통해 산정된 보정 강우에 대하여 검증하였고, 집중호우에 대한 머신러닝의 예측개선 정도를 분석하였다.
- 집중호우란 시간당 30 mm 이상 또는 하루에 80 mm 이상의 비가 내리는 경우나 하루에 연강수량의 10%에 해당하는 비가 내리는 경우로 정의한다(K-Water, 2016). 본 연구에서는 집중호우의 정의를 근거로 서울, 강릉 지역의 AWS 자료에서 2017 ~ 2018년 중 일 누적 강우량이 80 mm 이상인 날을 조사하였고, 5개 호우사례를 선정하였으며, 이에 대한 상세 내용을 Table 2에 제시하였다.
- 5번 사례는 2018년 8월 29일 오전 0시와 오전 8시경에 나타난 서울 지역의 호우사례이다. 이 사례는 태풍 솔릭이 통과한 후, 우리나라 북쪽 상층에 찬 공기가 위치하는 가운데, 남쪽에서는 북태평양고기압이 발달하면서 남북으로 폭이 좁은 수증기 통로가 형성되었다. 고기압 가장자리에서 대기하층에서의 강풍대를 따라 많은 양의 수증기가 지속적으로 유입되면서 국지적으로 호우가 발생하였다.
이론/모형
- 5개의 호우사례에 대해 강우보정 알고리즘을 적용한 결과를 검증하기 위해 Kim et al.(2008)에서 제시한 3개의 검증 지표(MAE, NPE, PTE)를 사용하였다(식 1 ~ 3). 검증 지표로는 보정 강우량의 평균 오차를 보여주는 MAE (Mean Absolute Error), 보정 강우량의 최대 오차를 나타내는 NPE (Normalized Peak Error), 보정강우량의 최대값이 발생하는 시점에 대한 오차를 나타내는 PTE (Peak Timing Error)가 있다.
- 본 연구에서는 강우보정 알고리즘 개발을 위한 입력 자료로 기상청에서 제공하는 RAR (Radar-AWS Rainrates), MAPLE (McGill algorithm for precipitation nowcasting by lagrangian extrapolation)과 LENS (Local ensemble prediction system)를 사용하였다. RAR 자료는 국내에 설치된 레이더와 AWS (Automatic Weather Station)를 활용하여 실시간으로 정량적 레이더 강우강도 추정을 위해 Z-R계수를 산출 및 적용하는 강우강도 산출시스템이다.
성능/효과
- 7(c)는 Fig. 7(a)와 비교하여 강우의 공간패턴도 상이하고 강우량도 약 15 ~ 20 mm 로 적게 모의하고 있었으나, 머신러닝을 통해 보정된 강우의 오차가 약 2 ~ 10 mm 정도로 개선된 것을 확인하였다. 머신러닝 결과가 집중호우 지역에 대해서는 유사하게 모의하나, 경기 남부와 같은 무강우 지역에 대해 약 2 ~ 10 mm 의 강우가 나타나고 있어, 이에 대한 보완이 필요할 것으로 판단된다.
- 그리고 강릉 지역에 대한 머신러닝 결과와 Fig. 6(a)의 오차도 LightGBM이 5 ~ 10 mm, XGBoost 가 0 ~ 5 mm 로 개선된 것을 확인하였다. 마지막 집중호우 사례인 5번 사례의 결과로 2018년 8월 29일 2000 LST에서는 Fig.
- 그리고 LightGBM의 결과는 관측에서 발생한 시각보다 상대적으로 먼저 나타나고, XGBoost의 결과는 나중에 나타났다. 1번 사례의 보정결과에서도 LENS 자료보다 약 0.2의 오차가 줄어들어 최대 강우가 나타나는 시각을 보정해주었다. 보정결과만 비교해보면 모든 사례에서 평균 PTE는 0.
- 3번 사례에서는 서울지역에 대해 머신러닝 결과와 RAR 의 오차가 ±5 mm 로 유사하게 모의한 것을 확인하였다.
- 통계 검증 및 공간 분석을 통해 본 연구에서 개발한 강우보정 알고리즘의 오차개선 성능이 우수하다는 것을 보여주었다. 5개의 호우사례 모두 LightGBM과 XGBoost 머신러닝 학습 이후, 강우량을 5 ~ 20 mm 적게 보정함에도 불구하고 강우의 공간분포 패턴에 대한 보정효과가 뚜렷하였으며, 특히 3번 사례는 XGBoost의 학습결과가 LENS 자료의 오차를 대폭 줄이고 실황 레이더 자료인 RAR와 매우 유사하게 나타나 본 연구에서 개발된 강우보정 알고리즘의 호우정보 개선효과에 대한 뚜렷한 근거를 제공하였다.
- 호우사례별 3시간 누적 강우량에 대한 RAR, MAPLE, LENS, LightGBM, XGBoost의 공간분포 비교에서는 1, 2번 사례의 서울 지역 보정 강우량이 RAR에 비하여 약 5 ~ 10 mm(최대 약 20 mm) 적게 나타났으나, RAR 자료와 유사한 강우패턴을 모의하고 있어 집중호우 지역이 머신러닝을 통해 개선되는 것을 확인할 수 있었다. 5번 사례에서도 머신러닝을 통해 보정된 강우의 오차가 약 2 ~ 10 mm 정도로 개선된 것을 확인하였다. 1, 2번 사례에서 나타난 서울 호우 지역 보정 강우가 적게 나타나는 경향에 대해서는 호우 유형 및 선행 예측 인자 등에 대한 추가적인 연구가 필요하다고 판단된다.
- 42 mm와 비교해 많이 향상된 결과를 보여주었다. MAE와 유사하게 5번 사례에서 XGBoost와 LightGBM이 각각 23.86 mm, 27.46 mm를 나타내 LENS 자료의 41.86 mm보다 약 18 mm 정도 크게 개선되었다. PTE를 통해 3번 사례에서 XGBoost와 LightGBM이 각각 0.
- 86 mm보다 약 18 mm 정도 향상된 것을 확인하였다. PTE는 모든 사례에 대해 XGBoost가 평균 0.49를 나타내어, 0.52를 나타내는 LightGBM보다 상대적으로 우수한 성능을 보여주었다. 머신러닝 결과는 강우량과 최다 강우량 예측에서 개선된 결과를 보여주었지만 최다 강우량이 나타나는 시각에 대해서 LENS 자료가 LightGBM, XGBoost의 결과보다 나은 결과를 보여 향후 최다 강우량 예측시각에 대한 개선이 필요함을 확인하였다.
- 86 mm보다 약 18 mm 정도 크게 개선되었다. PTE를 통해 3번 사례에서 XGBoost와 LightGBM이 각각 0.02와 0.16으로 LENS 자료의 0.4보다 0에 가까워 관측 강우량의 최대값 나타나는 시점과 매우 유사함을 확인할 수 있다. 그리고 LightGBM의 결과는 관측에서 발생한 시각보다 상대적으로 먼저 나타나고, XGBoost의 결과는 나중에 나타났다.
- XGBoost와 LightGBM의 평균 NPE는 6.35 mm, 7.05 mm로 LENS 자료의 10.42 mm 보다 향상된 결과를 보여주었고, 5번 사례에서 XGBoost와 LightGBM의 평균 NPE는 23.86 mm, 27.46 mm로 LENS 자료의 41.86 mm보다 약 18 mm 정도 향상된 것을 확인하였다.
- 3번 사례에서는 서울지역에 대해 머신러닝 결과와 RAR 의 오차가 ±5 mm 로 유사하게 모의한 것을 확인하였다. 강릉 지역의 집중호우인 4번 사례에서 동해 연안을 따라 나타난 강우 패턴에 대해 머신러닝 결과가 LENS 에 비하여 RAR 에 유사하게 모의하였고, 특히 강원북부 지역에서 머신러닝 결과와 RAR 의 오차는 0 ~ 5 mm 로 개선된 것을 확인하였다. 그리고 강릉지역에 대한 머신러닝 결과와 RAR 의 오차도 LightGBM은 5 ~ 10 mm, XGBoost 는 0 ~ 5 mm 로 개선된 것을 확인하였다.
- 52를 나타내는 LightGBM보다 상대적으로 우수한 성능을 보여주었다. 그러나 MAE와 NPE 가 우수했던 5번 사례에서 XGBoost 결과의 PTE는 LENS 자료와 비교해 크게 개선되지 않았고, LightGBM은 오히려 LENS 자료보다 오차가 증가했다. 또한, 2, 4번 사례는 보정된 결과 모두 LENS 자료보다 약 0.
- 강릉 지역의 집중호우인 4번 사례에서 동해 연안을 따라 나타난 강우 패턴에 대해 머신러닝 결과가 LENS 에 비하여 RAR 에 유사하게 모의하였고, 특히 강원북부 지역에서 머신러닝 결과와 RAR 의 오차는 0 ~ 5 mm 로 개선된 것을 확인하였다. 그리고 강릉지역에 대한 머신러닝 결과와 RAR 의 오차도 LightGBM은 5 ~ 10 mm, XGBoost 는 0 ~ 5 mm 로 개선된 것을 확인하였다.
- 그러나 MAE와 NPE 가 우수했던 5번 사례에서 XGBoost 결과의 PTE는 LENS 자료와 비교해 크게 개선되지 않았고, LightGBM은 오히려 LENS 자료보다 오차가 증가했다. 또한, 2, 4번 사례는 보정된 결과 모두 LENS 자료보다 약 0.4 ~ 0.9 큰 시간 차이를 보였다. 위 3가지 검증 결과를 종합해보면, 강우보정 알고리즘은 LENS에 비하여 MAE, NPE 지표와 관련된 강우량을 크게 개선시켰지만, PTE와 관련된 강우시점은 오히려 보정 성능을 감소시켰다.
- 52를 나타내는 LightGBM보다 상대적으로 우수한 성능을 보여주었다. 머신러닝 결과는 강우량과 최다 강우량 예측에서 개선된 결과를 보여주었지만 최다 강우량이 나타나는 시각에 대해서 LENS 자료가 LightGBM, XGBoost의 결과보다 나은 결과를 보여 향후 최다 강우량 예측시각에 대한 개선이 필요함을 확인하였다.
- 2의 오차가 줄어들어 최대 강우가 나타나는 시각을 보정해주었다. 보정결과만 비교해보면 모든 사례에서 평균 PTE는 0.49를 나타내는 XGBoost가 0.52를 나타내는 LightGBM보다 상대적으로 우수한 성능을 보여주었다. 그러나 MAE와 NPE 가 우수했던 5번 사례에서 XGBoost 결과의 PTE는 LENS 자료와 비교해 크게 개선되지 않았고, LightGBM은 오히려 LENS 자료보다 오차가 증가했다.
- 본 연구를 통하여 머신러닝을 활용한 수문학적 강우 정보 보정 연구에 효과가 있음을 확인하였다. 향후 다양한 연구사례를 활용하여 추가적으로 집중호우 사례를 분석하고, 머신러닝 고도화를 통하여 강우보정효과 개선에 유용한 자료로 활용할 수 있을 것으로 기대된다.
- 9 큰 시간 차이를 보였다. 위 3가지 검증 결과를 종합해보면, 강우보정 알고리즘은 LENS에 비하여 MAE, NPE 지표와 관련된 강우량을 크게 개선시켰지만, PTE와 관련된 강우시점은 오히려 보정 성능을 감소시켰다. 따라서, 향후 알고리즘 보완을 통해 개선할 필요가 있다.
- 7 mm 오차를 줄였다. 전체 사례에 대한 XGBoost와 LightGBM의 평균 NPE는 6.35 mm, 7.05 mm로 LENS 자료의 10.42 mm와 비교해 많이 향상된 결과를 보여주었다. MAE와 유사하게 5번 사례에서 XGBoost와 LightGBM이 각각 23.
- 5개의 집중호우 사례에 대해 LightGBM과 XGBoost로 보정된 결과의 3가지 검증 지표를 Table 3에 제시하였다. 전체 사례에 대해 LightGBM, XGBoost, LENS의 평균 MAE가 각각 7.96 mm, 7.97 mm, 11.23 mm로 보정결과의 MAE 오차가 LENS 자료에 비해 크게 개선된 효과를 보여주었다. 특히, 5번 사례에서 보정된 결과는 동서방향의 공간 패턴을 유사하게 모의하였고, LENS 자료보다 약 12.
- 통계 검증 및 공간 분석을 통해 본 연구에서 개발한 강우보정 알고리즘의 오차개선 성능이 우수하다는 것을 보여주었다. 5개의 호우사례 모두 LightGBM과 XGBoost 머신러닝 학습 이후, 강우량을 5 ~ 20 mm 적게 보정함에도 불구하고 강우의 공간분포 패턴에 대한 보정효과가 뚜렷하였으며, 특히 3번 사례는 XGBoost의 학습결과가 LENS 자료의 오차를 대폭 줄이고 실황 레이더 자료인 RAR와 매우 유사하게 나타나 본 연구에서 개발된 강우보정 알고리즘의 호우정보 개선효과에 대한 뚜렷한 근거를 제공하였다.
- 통계검증에서는 MAE 오차를 분석한 결과 LightGBM, XGBoost, LENS의 평균 MAE가 각각 7.96 mm, 7.97 mm, 11.23 mm로 LENS 자료에 비해 보정결과가 크게 개선된 효과를 보여주었다. 특히, 5번 사례에서는 보정결과가 동서방향의 관측 패턴을 유사하게 모의하여 LENS 자료보다 약 12.
- 23 mm로 보정결과의 MAE 오차가 LENS 자료에 비해 크게 개선된 효과를 보여주었다. 특히, 5번 사례에서 보정된 결과는 동서방향의 공간 패턴을 유사하게 모의하였고, LENS 자료보다 약 12.7 mm 오차를 줄였다. 전체 사례에 대한 XGBoost와 LightGBM의 평균 NPE는 6.
- 23 mm로 LENS 자료에 비해 보정결과가 크게 개선된 효과를 보여주었다. 특히, 5번 사례에서는 보정결과가 동서방향의 관측 패턴을 유사하게 모의하여 LENS 자료보다 약 12.7 mm 정도 개선되었다. XGBoost와 LightGBM의 평균 NPE는 6.
- 호우사례별 3시간 누적 강우량에 대한 RAR, MAPLE, LENS, LightGBM, XGBoost의 공간분포 비교에서는 1, 2번 사례의 서울 지역 보정 강우량이 RAR에 비하여 약 5 ~ 10 mm(최대 약 20 mm) 적게 나타났으나, RAR 자료와 유사한 강우패턴을 모의하고 있어 집중호우 지역이 머신러닝을 통해 개선되는 것을 확인할 수 있었다. 5번 사례에서도 머신러닝을 통해 보정된 강우의 오차가 약 2 ~ 10 mm 정도로 개선된 것을 확인하였다.
후속연구
- 5번 사례에서도 머신러닝을 통해 보정된 강우의 오차가 약 2 ~ 10 mm 정도로 개선된 것을 확인하였다. 1, 2번 사례에서 나타난 서울 호우 지역 보정 강우가 적게 나타나는 경향에 대해서는 호우 유형 및 선행 예측 인자 등에 대한 추가적인 연구가 필요하다고 판단된다. 또한 5번 사례의 경기 남부와 같은 무강우 지역에 2 ~ 10 mm 의 보정 강우가 나타나고 있어, 이에 대한 추가적인 연구가 필요할 것으로 판단된다.
- 4(a)와 비교하여 서울 지역의 강우량이 약 20 mm이상 적게 모의되었으나, 공간적인 패턴은 유사하게 나타났다. 1번 사례와 2번 사례에서 나타난 LightGBM과 XGBoost의 서울 호우 지역 강우량을 적게 모의하는 경향에 대해서는 호우 유형 및 선행 예측 인자 등에 대한 추가적인 연구가 필요하다고 판단된다.
- 위 3가지 검증 결과를 종합해보면, 강우보정 알고리즘은 LENS에 비하여 MAE, NPE 지표와 관련된 강우량을 크게 개선시켰지만, PTE와 관련된 강우시점은 오히려 보정 성능을 감소시켰다. 따라서, 향후 알고리즘 보완을 통해 개선할 필요가 있다.
- 1, 2번 사례에서 나타난 서울 호우 지역 보정 강우가 적게 나타나는 경향에 대해서는 호우 유형 및 선행 예측 인자 등에 대한 추가적인 연구가 필요하다고 판단된다. 또한 5번 사례의 경기 남부와 같은 무강우 지역에 2 ~ 10 mm 의 보정 강우가 나타나고 있어, 이에 대한 추가적인 연구가 필요할 것으로 판단된다. 3번 사례에서는 서울지역에 대해 머신러닝 결과와 RAR 의 오차가 ±5 mm 로 유사하게 모의한 것을 확인하였다.
- 7(a)와 비교하여 강우의 공간패턴도 상이하고 강우량도 약 15 ~ 20 mm 로 적게 모의하고 있었으나, 머신러닝을 통해 보정된 강우의 오차가 약 2 ~ 10 mm 정도로 개선된 것을 확인하였다. 머신러닝 결과가 집중호우 지역에 대해서는 유사하게 모의하나, 경기 남부와 같은 무강우 지역에 대해 약 2 ~ 10 mm 의 강우가 나타나고 있어, 이에 대한 보완이 필요할 것으로 판단된다.
- 본 연구를 통하여 머신러닝을 활용한 수문학적 강우 정보 보정 연구에 효과가 있음을 확인하였다. 향후 다양한 연구사례를 활용하여 추가적으로 집중호우 사례를 분석하고, 머신러닝 고도화를 통하여 강우보정효과 개선에 유용한 자료로 활용할 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.