[논문]기온 데이터 초해상화를 위한 Super-Resolution Convolutional Neural Network 모델 구축

김용훈; 임효혁; 하지훈; 박건우; 김용혁

doi:10.15207/jkcs.2020.11.8.007

초록
AI-Helper

기상과 기후는 인간의 생활과 밀접하게 연관되어 있다. 특히 고해상도 기상 데이터를 활용하여 정밀한 연구나 실생활에 유용한 서비스가 가능하므로, 고해상도 기상·기후 데이터를 생산해야할 필요성이 증가하고 있다. 기존의 고해상도 기상 데이터는 적절한 보간법에 따라 데이터를 생산하지만, 본 논문에서는 SRCNN을 이용하여 기온 데이터를 초해상화 하는 방안을 제안한다. 기온 데이터 초해상화에 가장 적절한 SRCNN 모델을 구축하고, 기온 데이터를 초해상화 한다. 결과 데이터를 평가하기 위해 역거리 가중법을 이용하여 비 관측 지점에 대한 기온을 구하고, 제안한 방법을 적용한 기온 데이터와 보간법을 이용한 기온 데이터를 비교한다. 비교 결과, 기온 데이터를 초해상화하기 위한 적절한 SRCNN 모델을 구축하였고, 제안한 방법이 보간법을 이용한 방법보다 약 10.8% 더 높은 예측 성능을 보였다.

Abstract ▼ AI-Helper

Meteorology and climate are closely related to human life. By using high-resolution weather data, services that are useful for real-life are available, and the need to produce high-resolution weather data is increasing. We propose a method for super-resolution temperature data using SRCNN. To evalua...

Meteorology and climate are closely related to human life. By using high-resolution weather data, services that are useful for real-life are available, and the need to produce high-resolution weather data is increasing. We propose a method for super-resolution temperature data using SRCNN. To evaluate the super-resolution temperature data, the temperature for a non-observation point is obtained by using the inverse distance weighting method, and the super-resolution temperature data using interpolation is compared with the super-resolution temperature data using SRCNN. We construct an SRCNN model suitable for super-resolution of temperature data and perform super-resolution of temperature data. As a result, the prediction performance of the super-resolution temperature data using SRCNN was about 10.8% higher than that using interpolation.

주제어

표/그림 (6)

그림 Fig. 1. SRCNN structure
그림 Fig. 2. Example of bilinear interpolation
그림 Fig. 3. Example of bicubic interpolation
그림 Fig. 4. How to generate input data and result data used for learning SRCNN¹⁾
그림 Fig. 5. Heatmap of original data(left-side) and heatmap of super-resolution data(right-side) on May 31, 2016
표 Table 1. Comparison of super-resolution results using SRCNN and interpolation results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 이미지를 초해상화 하는 SRCNN[13,14]기법을 활용하여 이미지가 아닌 기온 데이터를 초해상화하는 방법을 제안한다. 우리는 이미지가 아닌 데이터를 초해상화 하는 시도를 통해 비 관측지점에 대한 데이터를 생산할 수 있는 방법으로 사용할 수 있을 것으로 생각한다.
본 논문에서는 이미지를 초해상화 하는 기법 중의 하나인 SRCNN을 활용하여 기온 데이터를 초해상화 하는 방안을 제안하였다. 실험을 통해 기온 데이터를 이미지화하고 초해상화하기 위한 적절한 SRCNN 모델을 구축하였다.

제안 방법

잘라낸 이미지를 초해상화 할 비율만큼 축소한다. 그리고 크기를 축소한 이미지를 입력 데이터로 기존 크기의 이미지를 결과로 사용한다. SRCNN은 이미지를 텐서로 변환하여 저해상도 이미지를 고해상도 이미지로 초해상화 하는 과정을 학습한다.
기존의 SRCNN의 이미지 대신에 기온데이터를 입력하여 초해상화를 하기 위한 적절한 SRCNN 구조와 하이퍼파라미터를 찾기 위해 입력되는 기온 데이터의 타입, 초해상화 학습에 사용되는 보간법, 에포크, 학습률, 배치 사이즈를 조절하여 적절한 SRCNN 모델을 찾는다.
본 실험에서는 데이터의 변환으로 인한 손실이 생기지 않도록 하기 위하여 기온 데이터를 0부터 1000범위로 스케일하여 정수형 데이터로 이미지화 한 방법과 기온 데이터 값 그대로 실수형 데이터로 이미지화 한 방법을 적용하여 비교하였다.
본 논문에서는 이미지를 초해상화 하는 기법 중의 하나인 SRCNN을 활용하여 기온 데이터를 초해상화 하는 방안을 제안하였다. 실험을 통해 기온 데이터를 이미지화하고 초해상화하기 위한 적절한 SRCNN 모델을 구축하였다. 초해상화 한 결과는 이중선형 보간법과 바이큐빅 보간법에 비해 10.
본 논문에서는 SRCNN을 이용하여 고해상도 기온 데이터를 생성한다. 이 생성된 데이터를 평가하기 위하여 인접한 4개의 실제 관측 지점에서 관측한 기온 값을 역거리 가중법으로 비 관측 지점에 대한 기온을 구하고, 이를 생성된 데이터와 비교한다.
SRCNN은 입력 데이터와 결과를 가지고 학습하는 지도 학습을 하게 된다. 하지만 우리가 결과물로 얻고자하는 고해상도 이미지는 기존에 존재하는 이미지가 아니기 때문에 SRCNN이 학습하기 위해 기존의 이미지를 저해상도 이미지로 축소하여 입력 데이터로 사용하고 기존 크기의 이미지를 결과로 사용하여 초해상화를 학습한다.
는 해당 이미지 채널의 최댓값에서 최솟값을 뺀 값이고, MSE는 원본 이미지와 비교 이미지 사이의 각 픽셀의 MSE이다. 해당 논문에서 SRCNN을 이용하여 얻은 고해상도 이미지는 바이큐빅 보간법과 희소 코딩 기반 메서드(Sparse-coding-based method)를 이용하여 얻은 고해상도 이미지와 비교를 하였다. 결과적으로 SRCNN을 통해 얻은 고해상도 이미지가 가장 초해상화가 잘 이루어진 것으로 나타났다.

대상 데이터

실험에 사용된 데이터는 기상청의 5km 단위격자 예보 모델 자료를 SRCNN 모델의 학습, 검증, 테스트에 사용하였다. 2016년 5월부터 2018년 1월까지 데이터 중 무작위로 뽑은 120개의 테스트 세트, 119개의 검증 세트 그리고 이외의 모든 자료 395개를 학습 세트로 사용하였다. 검증 세트의 경우 테스트 세트와 같은 120개를 무작위로 선택하였지만 그 중 1개의 해당 시간 모델 자료가 존재하지 않았기 때문에 존재하는 119개로 검증 세트로 사용하였다.
2016년 5월부터 2018년 1월까지 데이터 중 무작위로 뽑은 120개의 테스트 세트, 119개의 검증 세트 그리고 이외의 모든 자료 395개를 학습 세트로 사용하였다. 검증 세트의 경우 테스트 세트와 같은 120개를 무작위로 선택하였지만 그 중 1개의 해당 시간 모델 자료가 존재하지 않았기 때문에 존재하는 119개로 검증 세트로 사용하였다.
8% 많다는 것을 의미한다. 기온 데이터 타입은 실수형, 보간법은 바이큐빅 보간법, 학습률은 0.001, 배치 사이즈는 8인 모델로 2016년 5월 31일 데이터를 실제로 초해상화 한 경우를 Fig. 5에 나타내었다. Fig.
본 논문에서는 SRCNN을 이용하여 고해상도 기온 데이터를 생성한다. 이 생성된 데이터를 평가하기 위하여 인접한 4개의 실제 관측 지점에서 관측한 기온 값을 역거리 가중법으로 비 관측 지점에 대한 기온을 구하고, 이를 생성된 데이터와 비교한다.
실험에 사용된 데이터는 기상청의 5km 단위격자 예보 모델 자료를 SRCNN 모델의 학습, 검증, 테스트에 사용하였다. 2016년 5월부터 2018년 1월까지 데이터 중 무작위로 뽑은 120개의 테스트 세트, 119개의 검증 세트 그리고 이외의 모든 자료 395개를 학습 세트로 사용하였다.

데이터처리

Table 1에서 초해상화한 결과와 학습에 사용한 보간법으로 보간한 결과를 실제 관측 지점으로부터 역거리 가중법을 이용하여 구한 기온 값과 비교하여, 초해상화한 결과가 보간법으로 구한 결과에 비해 실제 관측한 기온에 더 가까우면 ‘Better’, 아니면 ‘Worse’로 표기하였다. 더 좋은 결과와 더 나쁜 결과들의 지점에 대해 보간법을 통해 구한 결과와 비교한 평균 제곱근 편차, 평균 절대 오차, 평균 오차를 표에 정리하였다.
우리는 5km 단위격자 모델의 기온 데이터를 1km 단위격자 모델의 기온 데이터로 초해상화 하였다. 초해상화 한 지점에 대한 기온 데이터는 비 관측 지점에 대한 데이터이므로 이를 평가하기 위해 실제 관측 지점 기반으로 역거리 가중법[15]을 이용해 기온 데이터를 구하였고, 초해상화 한 결과와 비교하였다. 실험 결과 이중선형 보간법과 바이큐빅 보간법보다 SRCNN을 이용한 초해상화가 약 10.
학습시킬 때의 손실 함수는 평균 제곱 오차를 사용하였고, 실험 결과에서 원본과 다른 고해상도 이미지와 비교를 최대 신호 대 잡음비(PSNR)를 이용하여 비교하였다. 최대 신호 대 잡음비는 일반적으로 이미지 품질을 평가하는 지표로 잘 알려져 있다[16].

이론/모형

기온 데이터의 타입은 정수형과 실수형, 학습에 사용되는 보간법은 이중선형 보간법과 바이큐빅 보간법을 이용하였다. 학습에 사용되는 데이터의 양이 적으므로 에포크는 10,000으로 고정하였고, 학습률은 0.
이미지를 축소하기 위해 보간법을 사용하며, 이 보간법에 따라 SRCNN 모델의 성능이 달라질 수 있다. 본 실험에서는 이중선형 보간법과 바이큐빅 보간법을 사용하여 이미지를 축소하였다.

성능/효과

해당 논문에서 SRCNN을 이용하여 얻은 고해상도 이미지는 바이큐빅 보간법과 희소 코딩 기반 메서드(Sparse-coding-based method)를 이용하여 얻은 고해상도 이미지와 비교를 하였다. 결과적으로 SRCNN을 통해 얻은 고해상도 이미지가 가장 초해상화가 잘 이루어진 것으로 나타났다.
초해상화 한 지점에 대한 기온 데이터는 비 관측 지점에 대한 데이터이므로 이를 평가하기 위해 실제 관측 지점 기반으로 역거리 가중법[15]을 이용해 기온 데이터를 구하였고, 초해상화 한 결과와 비교하였다. 실험 결과 이중선형 보간법과 바이큐빅 보간법보다 SRCNN을 이용한 초해상화가 약 10.8% 더 높은 예측 확률을 보였다.
실험을 통해 기온 데이터를 이미지화하고 초해상화하기 위한 적절한 SRCNN 모델을 구축하였다. 초해상화 한 결과는 이중선형 보간법과 바이큐빅 보간법에 비해 10.8% 더 높은 예측 확률을 보였다.

후속연구

우리가 실험에 사용할 기온 데이터는 한반도의 지도를 격자로 구성하여 배열로 보고 배열이 가지는 값을 기온 데이터로 볼 때, 실수 값을 가진 배열로 구성되어 있다. SRCNN 모델에 입력되는 이미지를 기온 데이터로 대체하여, 저해상도 기온데이터를 고해상도 기온 데이터로 초해상화 할 수 있을 것으로 기대한다.
현실적으로 모든 지점에 대한 기온을 관측하는 것은 어렵다. 따라서 본 연구를 통해 SRCNN과 같은 기계학습 기법을 이용하여 비 관측 지점에 대한 기상 데이터를 추정할 수 있을 것으로 예상한다.
경계면에서 부드럽게 만드는 것은 실제 현실의 경계면을 잘 예측하지 못하는 문제가 된다. 향후 연구에서는 이러한 지형적 특징을 고려하여 비 관측 지점에 대한 기상 데이터를 추정하고, 개선을 통해 초해상화 한 기온 데이터를 품질을 높일 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	SRCNN을 이용할 수 있도록 기온 데이터를 적절하게 변경하는 과정이 필요하다고 본 이유는?	기존 SRCNN에 기온 데이터를 그대로 입력으로 사용할 수 없기 때문에 SRCNN을 이용할 수 있도록 기온 데이터를 적절하게 변경하는 과정이 필요하다.
	본 연구를 통해 SRCNN과 같은 기계학습 기법을 이용하여 비 관측 지점에 대한 기상 데이터를 추정할 수 있을 것으로 예상한 이유는?	현실적으로 모든 지점에 대한 기온을 관측하는 것은 어렵다. 따라서 본 연구를 통해 SRCNN과 같은 기계학습 기법을 이용하여 비 관측 지점에 대한 기상 데이터를 추정할 수 있을 것으로 예상한다.
	고해상도 기상·기후 데이터를 생산해야할 필요성이 증가하고 있다고 본 이유는?	기상과 기후는 인간의 생활과 밀접하게 연관되어 있다. 특히 고해상도 기상 데이터를 활용하여 정밀한 연구나 실생활에 유용한 서비스가 가능하므로, 고해상도 기상·기후 데이터를 생산해야할 필요성이 증가하고 있다. 기존의 고해상도 기상 데이터는 적절한 보간법에 따라 데이터를 생산하지만, 본 논문에서는 SRCNN을 이용하여 기온 데이터를 초해상화 하는 방안을 제안한다.

참고문헌 (16)

H. C. Yoo, K. H. Lee & H. G. Kang. (2009). Basic research on the building energy load depending on the climate change in Korea. Journal of the Korean Solar Energy Society, 29(3), 66-72.
B. M. Seo, C. H. Jeon, H. S. Jeon, S. Y. An & H. J. Park. (2019). Implementation of query model of CQRS pattern using weather data. Journal of the Korea Institute of Information and Communication Engineering, 23(6), 645-651.
H. S. Hwang, Y. W. Seo, T. G. Jeon & C. S. Kim. (2018). Design and implementation of an urban safety service system using realtime weather and atmosphere data. Journal of Korea Multimedia Society, 21(5), 599-608.
E. Y. Kim & H. J. Jun. (2011). A study on applicability through comparison of weather data based on micro-climate with existing weather data for building performative design. Journal of the Korea Institute of Ecological Architecture and Environment, 11(6), 101-108.
Y. W. Kim et al. (2017). Design and implementation of a flood disaster safety system using realtime weather big data. Journal of the Korea Contents Association, 17(1), 351-362.

원문보기 상세보기
J. H. Ha, Y. H. Lee & Y. H. Kim. (2016). Forecasting the precipitation of the next day using deep learning. Journal of Korea Institute of Intelligent Systems, 26(2), 93-98. DOI : 10.5391/JKIIS.2016.26.2.093

원문보기 상세보기
J. H. Ha, Y. H. Kim, H. H. Im, N. Y. Kim. S. J. Sim & Y. R. Yoon. (2018). Error correction of meteorological data obtained with mini-AWSs based on machine learning. Advances in Meteorology, 2018. DOI : 10.1155/2018/7210137
H. S. Tark, T. Y. Kim, H. G. Cho & H. J. Kim. (2017). A new prediction model for power consumption with local weather information. Journal of the Korea Contents Association, 16(11), 488-498. DOI : 10.5392/JKCA.2016.16.11.488
S. B. Park. (2004). A study on the increase of city temperature in Gwangju by using the of meteorological data. Journal of the Korea Solar Energy Society, 24(3), 65-71.
S. H. Moon, Y. H. Kim, Y. H. Lee & B. R. Moon. (2019). Application of machine learning to an early warning system for very short-term heavy rainfall. Journal of Hydrology, 568, 1042-1054. DOI : 10.1016/j.jhydrol.2018.11.060

상세보기
J. M. Kim, J. H. Cho & B. Kim. (2016). Correlation between meteorological factors and hospital power consumption. Journal of Digital Convergence, 14(6), 457-466. DOI : 10.14400/JDC.2016.14.6.457
S. O. Chung. (2011). Projecting future paddy irrigation demands in Korea using high-resolution climate simulations. Journal of Korea Water Resources Association, 44(3), 169-177. DOI : 10.3741/JKWRA.2011.44.3.169

원문보기 상세보기
C. Dong, C. C. Loy, K. He & X. Tang. (2015). Image super-resolution using deep convolutional networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(2), 295-307. DOI : 10.1109/TPAMI.2015.2439281
C. Dong, C. C. Loy & X. Tang. (2016). Accelerating the super-resolution convolutional neural network. In European Conference on Computer Vision, (pp. 391-407). Springer, Cham. DOI : 10.1007/978-3-319-46475-6_25
D. Shepard. (1968). A two-dimensional interpolation function for irregularly-spaced data. In Proceedings of the 23rd ACM national conference. (pp. 517-524). DOI : 10.1145/800186.810616
A. Hore & D. Ziou. (2010). Image quality metrics: PSNR vs. SSIM. International conference on pattern recognition. (2366-2369). IEEE. DOI : 10.1109/ICPR.2010.579

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

기온 데이터 초해상화를 위한 Super-Resolution Convolutional Neural Network 모델 구축
Construction of Super-Resolution Convolutional Neural Network Model for Super-Resolution of Temperature Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기온 데이터 초해상화를 위한 Super-Resolution Convolutional Neural Network 모델 구축 Construction of Super-Resolution Convolutional Neural Network Model for Super-Resolution of Temperature Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

임효혁 (2) 김용혁 (27)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기온 데이터 초해상화를 위한 Super-Resolution Convolutional Neural Network 모델 구축
Construction of Super-Resolution Convolutional Neural Network Model for Super-Resolution of Temperature Data 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper