$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

CNN 강우여부 분류기를 적용한 ANN 기반 X-Band 레이다 유의파고 보정
Estimation of Significant Wave Heights from X-Band Radar Based on ANN Using CNN Rainfall Classifier 원문보기

한국해안·해양공학회논문집 = Journal of Korean Society of Coastal and Ocean Engineers, v.33 no.3, 2021년, pp.101 - 109  

김희연 (한동대학교 공간설계공학과) ,  안경모 (한동대학교 공간환경시스템공학부) ,  오찬영 (한동대학교 건설환경연구소)

초록
AI-Helper 아이콘AI-Helper

항해용 X-band 레이다를 이용한 파랑관측은 해수면에 후방산란 된 전자기파 이미지를 분석하여 이루어진다. 1분당 42개의 해수면 시계열 이미지로부터 3차원 FFT를 계산하고 변조전달함수(Modulation Transfer Function)를 구하여 파랑정보를 추출한다. 따라서 레이다 파고계로 계측한 유의파고의 정확도는 X-band 레이다 영상의 상태에 따라 결정된다. 2020년 여름 태풍 마이삭과 하이선 내습 시 강릉 안인 해안에 설치된 X-band 레이다 파고계로 관측한 유의파고의 오차가 크게 발생하였다. 이는 태풍 내습 시 급격히 유의파고가 증가하는 한편 강한 강우가 동반되어 X-band 레이다 영상의 품질이 저하되었기 때문이다. 최대 오차 발생 이전까지 많은 강우가 있었음이 확인된다. 본 연구에서는 convolution neural network(CNN)을 이용하여 레이다 이미지로부터 강우 여부를 분류하고 강우여부에 따라 강우시 인공신경망 모델을 적용하여 태풍 시 유의파고 관측 정확도를 향상시켰다. 폭우를 동반한 태풍 시 레이다 자료 특성에 기반하여 인공신경망 유의파고 산출 알고리즘을 개선하고 이를 통해 X-band 레이다 파고계의 정확도를 향상시키는 방법을 제시하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Wave observations using a marine X-band radar are conducted by analyzing the backscattered radar signal from sea surfaces. Wave parameters are extracted using Modulation Transfer Function obtained from 3D wave number and frequency spectra which are calculated by 3D FFT of time series of sea surface ...

주제어

#X-band 레이다   #유의파고   #머신러닝   #인공신경망   #합성곱신경망  

참고문헌 (14)

  1. Ahn, K., Chun, J. and Cheon, S.H. (2014). New calibration method applicable to significant wave heights obtained by X-band radar. Coastal Engineering Proceedings, (34), 15-15. 

  2. Alpers, W. and Hasselmann, K. (1982). Spectral signal to clutter and thermal noise properties of ocean wave imaging synthetic aperture radars. International Journal of Remote Sensing, 3(4), 423-446. 

    상세보기 crossref

  3. Gomez, R., Helzel, T., Petersen, L., Kniephoff, M., Merz, C.R., Liu, Y. and Weisberg, R.H. (2014). Real-time quality control of current velocity data on individual grid cells in WERA HF radar. Oceans 2014-Taipei, IEEE, 1-7. 

  4. Gurgel, K.W., Schlick, T., Voulgaris, G., Seemann, J. and Ziemer, F. (2011). HF radar observations in the German Bight: Measurements and quality control. IEEE, 51-56. 

  5. He, K., Zhang, X., Ren, S. and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778). 

  6. Hisaki, Y. (2009). Quality control of surface wave data estimated from low signal-to-noise ratio HF radar Doppler spectra. Journal of Atmospheric and Oceanic Technology, 26(11), 2444-2461. 

    상세보기 crossref

  7. Huang, N.E., Shen, Z., Long, S.R., Wu, M.C., Shih, H.H., Zheng, Q., Yen, N., Tung, C.C. and Liu, H.H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 454(1971), 903-995. 

    상세보기 crossref

  8. Jun, H., Min, Y., Jeong, J.Y. and Do, K. (2020). Measurement and Quality Control of MIROS Wave Radar Data at Dokdo. Journal of Korean Society of Coastal and Ocean Engineers, 32(2), 135-145. 

    원문보기 상세보기 crossref

  9. Liu, X., Huang, W. and Gill, E.W. (2016a). Wind direction estimation from rain-contaminated marine radar data using the ensemble empirical mode decomposition method. IEEE Transactions on Geoscience and Remote Sensing, 55(3), 1833-1841. 

    상세보기 crossref

  10. Liu, X., Huang, W. and Gill, E.W. (2016b). Wave height estimation from shipborne X-band nautical radar images. Journal of Sensors, 2016. 

  11. Nieto Borge, J., RodrIguez, G.R., Hessner, K. and Gonzalez, P.I. (2004). Inversion of marine radar images for surface wave analysis. Journal of Atmospheric and Oceanic Technology, 21(8), 1291-1300. 

    상세보기 crossref

  12. Park, J.S., Ahn, K. and Oh, C.Y. (2017). Calibration of Significant Wave Height Obtained by X-band Radar using Artificial Neural Networks, Proceedings of Coastal and Ocean Engineering in Korea, 25, 132-135. 

  13. Park, J., Ahn, K., Oh, C. and Chang, Y.S. (2020). Estimation of significant wave heights from x-band radar using artificial neural network. Journal of Korean Society of Coastal and Ocean Engineers, 32(6), 561-568. 

    원문보기 상세보기 crossref

  14. Vicen-Bueno, R., Lido-Muela, C. and Nieto-Borge, J.C. (2012). Estimate of significant wave height from non-coherent marine radar images by multilayer perceptrons. EURASIP Journal on Advances in Signal Processing, 2012(1), 84. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로