[논문]인공신경망을 이용한 RDAPS 강수량 예측 정확도 향상

신주영; 최지안; 정창삼; 허준행

인공신경망을 이용한 RDAPS 강수량 예측 정확도 향상
Improving Accuracy of RDAPS Prediction Precipitation using Artificial Neural Networks 원문보기

신주영 (연세대학교 대학원 토목공학과) , 최지안 (연세대학교 대학원 토목공학과) , 정창삼 (인덕대학 건설환경설계학과) , 허준행 (연세대학교 사회환경시스템공학부 토목환경공학)

이 연구는 기상수치예보 모델 중 지역수치예보모델인 RDAPS 모델을 이용하여 강우자료를 예측한 값과 실제 강우관측지점에서의 강우량을 비교해 보고 RDAPS 예측량의 정확도를 높이기 위한 연구이다. RDAPS 모델의 자료는 00UTC와 12UTC에 3시간 누적 자료를 48시간에 대해서 생성하고, 30km 격자망에 대한 정보를 담고 있기 때문에 1시간 간격으로 측정된 지점 강우량과의 비교를 위해서는 관측지점과 근거리 정보를 찾고 1시간 간격의 관측 자료를 3시간 누적강우량으로 바꾸는 전처리 과정이 필요하다. 실제 강우예측이 어려움을 겪는 것처럼 RDAPS의 예측 강우량과 관측 강우량은 큰 차이를 보이는 것으로 나타났다. 예측 강우량의 정확도를 높이고자 인공신경망을 적용하였다. 인공신경망이란 뇌기능의 특성 몇가지를 컴퓨터 시뮬레이션으로 표현하는 것을 목표로 하는 수학 모델이다. 강우수치예측 자료 외에도 RDAPS 모델에서 얻을 수 있는 풍향, 풍속, 상대습도, 기압, 온도 등의 다른 수치자료들을 이용하여 인공신경망을 이용하여 자료들의 패턴을 시뮬레이션 하여 정확도가 높은 예측값을 얻을 수 있었다.

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

문제 정의

본 연구에서는 금강유역의 년 기상수치모델 자료를 이용한 예측 강우산정량이 실측값과 차 2005 RDAPS 이가 크다는 것을 파악하고 강우 예측값의 정확도를 높이기 위해서 인공신경망을 이용하여 강우자료를 보정 , 하였다 인공신경망은 입력층 은닉층 출력층으로 구성되어있고 각 층은 연결강도로 연결 되어있다 인공신 . , , , .

제안 방법

개선된 예측 시계열 자료를 단기 시계열에서 처음 면적평균강수량(MAP)를 계산하여 순수 RDAPS 강수량값과 관측 강수량을 비교하였다. 그림 3은 전체 유역의 2005년 총강수량과 각 소유역별 총강수량에 대하여 RDAPS 강우자료 (초록색)와 관측자료 (붉은색) 그리고 인공신경망 보정자료 (파란색) 각각의 면적평균강수량(MAP)을 비교한 그림이다.
금강유역중에서도 신뢰성 있는 자료를 보유하고 있는 기상청 지점을 이용하였고, 그중에서도 RDAPS 모델지점과 가장 근접한 지점을 선정하여 자료를 비교하였다.
우리나라 기상청에는 PPM을 이용한 18개 구역에 대한 12시간 간격의 48시간까지의 강수확률이 예보되고 있다. 본 연구에서는 MOS(Model Output Statistics)를 적용하여 RDAPS 시계열을 개선하였다. RDAPS 모델의 강우량 자료의 정확도를 높이기 위해서 인공신경망을 적용하였고, 강수수치예측 자료 외에도 RDAPS 모델에서 얻을 수 있는 풍향, 풍속, 상대습도, 기압, 온도, 등의 다른 수치예보자료들을인공신경망에 학습시켜 더 높은 정확도의 예측 값을 얻을 수 있었다.
본 연구에 사용된 인공신경망의 종류는 다층(multi-layer)신경망으로 입력충 노드(node)는 4개로 구성되어 있으며, 각 노드(node)의 입력인자로는 UGRD 700bm, VGRF 700mb, MIXR 850mb, APCP이다. 은닉층은 1개 층으로 구성하였고, 은닉층은 총 4개의 노드(node)로 선정 하였으며, 출력층 노드(node)는 1개로 개선된 강수량 값을 출력하도록 구성하였다. 그림 2는 본 과제에서 적용한 인공신경망 모형을 나타낸 그림이다.
연직층수는 24개로 1,000, 975, 950, 925, 900, 875, 850, 800, 750, 700, 650, 600, 550, 500, 450, 400, 350, 300, 250, 200, 150, 100, 70, 50mb 면으로 구성되어 있다 .자료의 생산은 하루 2번으로 00UTC와 12UTC이며, 3시간 간격의 예보자료로 총 48시간 예보자료를 포함하고 있다. 표 1은 자료의 변수들에 대한 정보이다(한국수자원공사, 2005).

대상 데이터

본 연구에 사용된 인공신경망의 종류는 다층(multi-layer)신경망으로 입력충 노드(node)는 4개로 구성되어 있으며, 각 노드(node)의 입력인자로는 UGRD 700bm, VGRF 700mb, MIXR 850mb, APCP이다. 은닉층은 1개 층으로 구성하였고, 은닉층은 총 4개의 노드(node)로 선정 하였으며, 출력층 노드(node)는 1개로 개선된 강수량 값을 출력하도록 구성하였다.
이럴 때는 강우가 내리는 데 밀접한 영향이 있는 인자와, 강우현상에 필수 요소들 위주로 입력값을 구성하면 더 좋은 결과를 얻을 수 있다. 본 연구에서는 152개의 주요인자중 4가지 변수를 선정하였다. 표 3은 사용된 변수들의 상관계수 값을 나타낸 표이다.
상관성 분석을 통해서 가장 상관성 계수가 높은 M850(850mb에서의 혼합비), 우리가 보정하고자 하는 값인 지표면 강우량값(ASFC), 그리고 강우이동을 가장 잘 나타내리라 판단되는 700mb의 풍향자료 U700(동서 방향의 풍향)과 V700(남북방향의 풍향)을 이용하였다(김광섭, 2006).
이 연구의 대상 지역으로는 위치상으로 우리나라의 중앙부에 위치하여 우리나라의 평균적인 강우 패턴을 보이는 금강우역을 선정하였다. 이러한 특징 때문에 금강유역을 선정하였다.
이 연구의 대상 지역으로는 위치상으로 우리나라의 중앙부에 위치하여 우리나라의 평균적인 강우 패턴을 보이는 금강우역을 선정하였다. 이러한 특징 때문에 금강유역을 선정하였다. 금강유역중에서도 신뢰성 있는 자료를 보유하고 있는 기상청 지점을 이용하였고, 그중에서도 RDAPS 모델지점과 가장 근접한 지점을 선정하여 자료를 비교하였다.

이론/모형

연결강도를 최적화하기 위해 사용된 학습 알고리즘은 오차역전 파등의 학습 알고리즘을 적용한다.

성능/효과

RDAPS 모델의 강우량 자료의 정확도를 높이기 위해서 인공신경망을 적용하였고, 강수수치예측 자료 외에도 RDAPS 모델에서 얻을 수 있는 풍향, 풍속, 상대습도, 기압, 온도, 등의 다른 수치예보자료들을인공신경망에 학습시켜 더 높은 정확도의 예측 값을 얻을 수 있었다.
5 ～ 내외로 나타났다 그림 는 월별 총 관측 면적평균강수량과 월별 총 예측 면적평균강수량의 절대 상대오차를 평균한 값을 나타낸 그래프이다 그림 를 보면 전체유역의 절대상대오차평균이 자료가 . 5 RDAPS 70%, 150% , RDAPS 50% 100%, 보정자료는 약 정도 나오고 소유역별로는 자료의 경우에는 보정자료는절 ～대상대오차평균이 정도로 나타났다 연 총강수량 비교와 연 총강수량 상대오차 비교에서는 인공 50% 350% . ～신경망으로 보정한 강우자료가 순수 자료보다 상대오차도 적고 실측값과 유사한 값이 나왔다 하지 RDAPS , .
～신경망으로 보정한 강우자료가 순수 자료보다 상대오차도 적고 실측값과 유사한 값이 나왔다 하지 RDAPS , . 만 월별 절대상대오차평균 비교시에는 자료보다 인공신경망으로 보정한 값이 더 오차가 큰 것으로 RDAPS 나타났다 이는 인공신경망으로 보정한 자료는 연 총강수량적인 면에서는 높은 정확도를 보이나 월별로 정확 . 도를 계산하였을 때는 매우 낮은 정확도의 값이 나온다는 것을 의미한다.

후속연구

예측의 정확도에 비하면 월별 예측은 정확도가 낮다는 것을 알 수 있다 향후연구에는 월별 예측의 정확도가 . 낮은 이유와 그에 따른 해결 방법을 찾는 연구가 이어져야 할 것이다.
RDAPS 강우량 자료를 보정한 후 실측값과 비교해 보았을 때 정확도가 증가하는 것을 볼 수 있다 하지만 총량적인 , . 예측의 정확도에 비하면 월별 예측은 정확도가 낮다는 것을 알 수 있다 향후연구에는 월별 예측의 정확도가 . 낮은 이유와 그에 따른 해결 방법을 찾는 연구가 이어져야 할 것이다.

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

인공신경망을 이용한 RDAPS 강수량 예측 정확도 향상
Improving Accuracy of RDAPS Prediction Precipitation using Artificial Neural Networks 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공신경망을 이용한 RDAPS 강수량 예측 정확도 향상 Improving Accuracy of RDAPS Prediction Precipitation using Artificial Neural Networks 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공신경망을 이용한 RDAPS 강수량 예측 정확도 향상
Improving Accuracy of RDAPS Prediction Precipitation using Artificial Neural Networks 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper