[논문]빅데이터 분석 및 예측을 위한 멀티모델 태풍 시뮬레이션

강지순; 육진희; 조민수

빅데이터 분석 및 예측을 위한 멀티모델 태풍 시뮬레이션
Multi-model Typhoon Simulation for Big Data Analysis and Prediction 원문보기

강지순 (한국과학기술정보연구원 융합기술연구본부 재난대응HPC연구센터) , 육진희 (한국과학기술정보연구원 융합기술연구본부 재난대응HPC연구센터) , 조민수 (한국과학기술정보연구원 융합기술연구본부 재난대응HPC연구센터)

한국과학기술정보연구원 융합기술연구본부 재난대응HPC연구센터에서는 초고성능컴퓨팅 기반의 풍수해 예측 및 피해 정보 생산기술을 연구개발하여 재난 재해에 대한 국가현안 대응 의사결정지원 시스템을 구축 중에 있다. HPC 기반의 풍수해 예측 시스템과 빅데이터 분석 기반의 피해 예측 시스템에 대한 연구를 독자적으로 진행하는 가운데, 최근 여러 분야에 적용되고 있는 빅데이터 분석 기술을 HPC 기반의 풍수해 예측 시스템에 적목시켜 더 정확하고 신속한 풍수해 예측 정보 생산에 기여하고자 한다. 본 연구는 빅데이터 분석을 위한 학습 데이터 생산을 목적으로 HPC 기반 태풍 예측의 주요 기상 인자들을 조정하여 서로 다른 성능의 예측 모델을 구축하고, 각 모델 별 태풍 시뮬레이션의 성능을 진단하였다. 향후 빅데이터 분석을 통한 예측 성능의 검증을 위해 HPC 기반 풍수해 예측 및 검증 데이터를 최대한 생산하고자 한다.

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

문제 정의

이는 수치예측모델을 자체 운영 중인 대부분의 현업 예보 기관에서도 도입 중이거나 도입 예정인 시스템으로서, 예보 불확실성을 줄이는 방안이며 앙상블 수만큼 계산 비용을 요구한다. 고성능컴퓨팅 기반 예측기술을 개발하는 본 기관에서 본연구를 통하여 이와 같은 선도적 기술을 도입하고, 동시에 멀티모델 앙상블 예측의 결과를 빅데이터 분석에도 활용하고자 한다.

제안 방법

여기서 WRF 모델은 그림 1과 같이 2개의 영역으로 바깥 영역은 30km 해상도로 고정된 영역을 시뮬레이션하나, 안쪽 영역은 태풍을 따라 이동하는 moving nest이며 10km 해상도로 시뮬레이션하였다. 연직층은 30개이다.
태풍 예측 정확도 개선을 위해 고안된 멀티모델 앙상블시스템을 활용하여 각 모델별 기상학적 이론을 바탕으로 한 설정 변화의 민감도를 살펴보았다. 태풍의 대류 현상을 모사하는 기법의 차이가 가장 큰 성능 차이를 야기한 반면, WRF 모델의 해수면온도 설정 차이에 의한 효과는 상대적으로 미미하게 나타났다.
태풍의 진로와 강도 예측에 지대한 영향을 끼칠 것으로 판단되는 요소를 선별하여 5개의 서로 다른 WRF모델을 설정하였다 (표 1). 태풍의 강한 대류현상을 모수 화하는 cumulus 기법과 태풍의 진로와 강도에 영향을 줄 수 있는 해수면 온도 설정 (SST update)을 달리하고, 추가로 지역규모 모델의 초기 및 경계 조건으로 활용되는 전구모델을 미국 기상청 자료 (GFS FNL)과 유럽 중기예 보청 (ECMWF) 자료 두 가지로 달리 설정해줌으로써 전구자료에 대한 변별력을 실험하였다. 두 자료 모두 해상도는 1° (중위도에서 약 110km)이다.
본 연구에서는 지역규모 날씨 예측에 가장 보편적으로 사용되는 수치모델인 WRF-ARW (이하 WRF)을 채택하였다[1]. 태풍의 진로와 강도 예측에 지대한 영향을 끼칠 것으로 판단되는 요소를 선별하여 5개의 서로 다른 WRF모델을 설정하였다 (표 1). 태풍의 강한 대류현상을 모수 화하는 cumulus 기법과 태풍의 진로와 강도에 영향을 줄 수 있는 해수면 온도 설정 (SST update)을 달리하고, 추가로 지역규모 모델의 초기 및 경계 조건으로 활용되는 전구모델을 미국 기상청 자료 (GFS FNL)과 유럽 중기예 보청 (ECMWF) 자료 두 가지로 달리 설정해줌으로써 전구자료에 대한 변별력을 실험하였다.

대상 데이터

여기서 WRF 모델은 그림 1과 같이 2개의 영역으로 바깥 영역은 30km 해상도로 고정된 영역을 시뮬레이션하나, 안쪽 영역은 태풍을 따라 이동하는 moving nest이며 10km 해상도로 시뮬레이션하였다. 연직층은 30개이다.
전통적 방식의 통계 분석과 마찬가지로 빅데이터 분석 역시 학습할 사례가 많으면 많을수록 좋으나, 현재까지 총 10개 사례에 대해 5개 앙상블 예측을 완료하였고 (표2), 지속적으로 사례를 추가 중에 있다.

이론/모형

본 연구에서는 지역규모 날씨 예측에 가장 보편적으로 사용되는 수치모델인 WRF-ARW (이하 WRF)을 채택하였다[1]. 태풍의 진로와 강도 예측에 지대한 영향을 끼칠 것으로 판단되는 요소를 선별하여 5개의 서로 다른 WRF모델을 설정하였다 (표 1).

성능/효과

M01-M03 간의 비교와 M02-M04 간의 비교를 통하여서로 다른 적운모수화 방안으로 인한 태풍 예측의 차이점을 살펴볼 수가 있는데, 10개 사례에 대해 평균적으로 KF 방안[2]이 Tiedtke방안[3]에 비해 태풍의 강도를 훨씬 강하게 모의하는 경향성을 보이며, 진로 예측 차이는 상대적으로 작다 (그림 2(a)&(c), 그림 3).
M01-M05간의 비교를 통하여 살펴본 전구자료에 대한민감도는 태풍의 진로와 강도 모두에 지대한 영향을 미치는 것으로 나타났다. 특히, GFS FNL 자료에 비해 ECMWF자료가 단기 예측에 있어서는 열등하나 장기 예측으로 갈수록 성능이 다소 회복되는 패턴을 보였다(그림 3).
태풍 예측 정확도 개선을 위해 고안된 멀티모델 앙상블시스템을 활용하여 각 모델별 기상학적 이론을 바탕으로 한 설정 변화의 민감도를 살펴보았다. 태풍의 대류 현상을 모사하는 기법의 차이가 가장 큰 성능 차이를 야기한 반면, WRF 모델의 해수면온도 설정 차이에 의한 효과는 상대적으로 미미하게 나타났다. 물리적으로 해수면 온도 효과가 작다고 해석할 수 없고, WRF 모델의 해수면 온도갱신 방안의 결과라고 보아야 타당할 것이며, 관련 연구가 더 필요하다.
M01-M05간의 비교를 통하여 살펴본 전구자료에 대한민감도는 태풍의 진로와 강도 모두에 지대한 영향을 미치는 것으로 나타났다. 특히, GFS FNL 자료에 비해 ECMWF자료가 단기 예측에 있어서는 열등하나 장기 예측으로 갈수록 성능이 다소 회복되는 패턴을 보였다(그림 3).

후속연구

M01-M02 간의 비교와 M03-M04 간의 비교를 통하여 해수면 온도를 시뮬레이션 기간동안 업데이트를 하는 경우와 고정된 값을 쓰는 경우의 차이를 볼 때, 적운모수화나 전구자료 민감도에 비해 상대적으로 작은 민감도를 보였으나 향후 사례 추가를 통해 보다 면밀히 분석해볼 필요가 있다(그림 2
태풍의 대류 현상을 모사하는 기법의 차이가 가장 큰 성능 차이를 야기한 반면, WRF 모델의 해수면온도 설정 차이에 의한 효과는 상대적으로 미미하게 나타났다. 물리적으로 해수면 온도 효과가 작다고 해석할 수 없고, WRF 모델의 해수면 온도갱신 방안의 결과라고 보아야 타당할 것이며, 관련 연구가 더 필요하다. 전구 자료의 경우 ECMWF가 다고 열등한 성능을 보였으나, 진로에 대한 검증을 추가 진행해볼 계획이다.
전구 자료의 경우 ECMWF가 다고 열등한 성능을 보였으나, 진로에 대한 검증을 추가 진행해볼 계획이다. 앞으로 보다 신뢰도 높은 결과 도출을 위해 사례를 지속적으로 추가할 예정이며, HPC 기반의 분석 및 예측 결과를 빅데이터 분석이 얼마나 재현할 수 있는지, 혹은 능가할 수 있는지에 대한 연구가 뒤따를 예정이다.
물리적으로 해수면 온도 효과가 작다고 해석할 수 없고, WRF 모델의 해수면 온도갱신 방안의 결과라고 보아야 타당할 것이며, 관련 연구가 더 필요하다. 전구 자료의 경우 ECMWF가 다고 열등한 성능을 보였으나, 진로에 대한 검증을 추가 진행해볼 계획이다. 앞으로 보다 신뢰도 높은 결과 도출을 위해 사례를 지속적으로 추가할 예정이며, HPC 기반의 분석 및 예측 결과를 빅데이터 분석이 얼마나 재현할 수 있는지, 혹은 능가할 수 있는지에 대한 연구가 뒤따를 예정이다.

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

빅데이터 분석 및 예측을 위한 멀티모델 태풍 시뮬레이션
Multi-model Typhoon Simulation for Big Data Analysis and Prediction 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

빅데이터 분석 및 예측을 위한 멀티모델 태풍 시뮬레이션 Multi-model Typhoon Simulation for Big Data Analysis and Prediction 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

빅데이터 분석 및 예측을 위한 멀티모델 태풍 시뮬레이션
Multi-model Typhoon Simulation for Big Data Analysis and Prediction 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper