초록
▼
Ⅳ. 연구 결과
○ 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선
- 본 과업에서는 현행 PM10 네 등급 예보를 80 μg/m3을 기준으로 저농도와 고농도 두 등급으로 예측 구간을 단순화 시켜서 정확도가 향상됨을 확인.
- 군집 분석을 통해 저농도 사례를 두 유형으로 나누고, 고농도 사례를 시작일과 연속일로 나누어 각 사례를 훈련기간에 제외시키거나 포함시킴으로써 예측 정확도를 개선하였음.
- 풍속, 풍향 등 지역 규모의 예측인자를 적용하기 위한 방
Ⅳ. 연구 결과
○ 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선
- 본 과업에서는 현행 PM10 네 등급 예보를 80 μg/m3을 기준으로 저농도와 고농도 두 등급으로 예측 구간을 단순화 시켜서 정확도가 향상됨을 확인.
- 군집 분석을 통해 저농도 사례를 두 유형으로 나누고, 고농도 사례를 시작일과 연속일로 나누어 각 사례를 훈련기간에 제외시키거나 포함시킴으로써 예측 정확도를 개선하였음.
- 풍속, 풍향 등 지역 규모의 예측인자를 적용하기 위한 방안으로서 의사 결정 모델을 사용하여 예측 정확도를 개선시킴.
- 계절별 특성에 따라 신경망 모델과 의사 결정 모델을 함께 사용하도록 하여 예측성을 개선함.
- 실시간 GFS 예측 자료를 서울 지역에 대해 계절별로 개발한 신경망 모델 및 의사 결정 모델의 조합에 적용하여 2015년 9월 1일부터 2016년 11월 8일까지 기간을 대상으로 시범 구동을 실시한 결과, 당일 예측과 하루 전 예측에서 총 적중률이 93%, 고농도 사례의 적중률이 80%로 높은 예측성이 나타나는 것을 확인함.
○ 예보권역별 고농도 군집분석 및 예보기법 확대 적용
- 본 과업에서는 서울을 대상으로 해서 개발한 통계-역학 하이브리드 예측 시스템을 타 권역에 대해서도 그대로 적용시키거나 권역별 특성에 맞추어 재훈련하여 그 예측성을 살피고 보다 좋은 예측성을 나타내는 시스템을 계절별로 선별함.
- 봄에는 강원과 경북을 제외한 대부분의 권역에서 서울에서 훈련시킨 예측 시스템이 가장 좋은 예측성을 보였으며, 60-70%의 고농도 사례 적중률을 나타냄.
- 여름에는 부산, 인천, 강원을 제외한 권역에서 서울 예측 시스템이 가장 좋은 예측성을 보였으나, 40-50%로 다소 낮은 고농도 사례 적중률을 나타냄.
- 가을에는 광주, 울산, 경기, 강원, 전북 권역에서 해당 권역의 겨울 사례를 사용하여 훈련한 신경망 모델만을 사용하였을 때, 대구, 인천, 전남은 권역별 가을 고농도 사례를 사용하여 훈련한 의사 결정 모델에서 60-70%의 높은 고농도 사례 적중률을 나타냄. 반면, 부산, 경남과 제주 등 남부 지역은 40% 이하의 낮은 적중률을 나타냄.
- 겨울에는 대부분의 권역에서 각 권역별 겨울 사례들에 대해 선택적으로 훈련한 신경망 모델을 사용하였을 때 60−80%의 높은 고농도 사례 적중률을 나타냄.
- 전국을 경기·충청, 강원, 전라, 경상 권역으로 나누어 미세먼지 고농도 현상의 특성 및 대기 순환장을 분석하였음.
- 북부 지역인 서울, 경기·충청, 강원 권역과 남부 지역인 전라, 경상 권역, 서부지역인 서울, 경기·충청, 전라 권역과 동부 지역인 강원, 경상 권역에 대해 지오퍼텐셜 고도와 바람장을 분석, 비교한 결과, 각 권역의 지리적 위치에 따라 기압 배치와 바람장이 차이를 보이는 것을 확인하였음.
- 서울과 경기·충청, 강원, 전라, 경상 권역의 역궤적 군집분류 및 CWT(Concentration Weighted Trajectory) 결과를 비교해 본 결과, 세 군집의 역궤적 패턴 및 CWT의 차이가 크게 나타나지는 않았음. 주로 짧은 북서기류와 긴 북서 기류가 유입될 때 고농도 현상이 발생하고 그 발원지는 주로 중국 동부, 동북부 및 사막 지역인 것으로 확인되었음.
- 분지 지형의 안동, 춘천, 대구 및 산맥의 풍하측에 위치한 속초, 울산의 지형적 특성이 미세먼지 고농도 현상에 끼치는 영향을 살펴보기 위해 역궤적 분석을 수행한 결과, 짧은 북서기류가 유입되는 경우가 가장 많으며, C1, C2 군집의 궤적은 상층에서 하강하고 C3 군집의 궤적은 상승하며 동진하다가 해당 지역 방향으로 하강하는 패턴을 보임. CWT 결과는 C1 군집에서 한반도 부근 해상과 일본에서도 높은 값을 보임.
- 서울과 안동, 춘천, 대구, 속초, 울산 지역에서 고농도 현상이 같은 날 해소된 경우와 서울에서는 해소되고 다른 지역에서는 해소되지 않은 경우를 비교 분석한 결과, 기압이 상승하거나 풍속이 충분히 상승하지 않는 경우 고농도 현상이 해소되지 않을 수 있음을 확인하였음.
- 지속기간별 예측성을 평가한 결과, 4일 미만의 짧은 고농도 사례는 광주, 부산, 충남, 전남 등을 제외하면 50%-65%의 적중률을 나타냈으며 4일 이상의 긴 고농도 사례는 70%-100%의 높은 적중률을 나타냄.
○ 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발
- 통계-역학 모델을 사용한 예측을 위해 본 과업에서는 유사 사례 예측 기법에 필요한 권역별 데이터베이스를 구축함.
- 유사 사례 검색 기법에 필요한 재분석 자료의 기상 데이터를 필요에 따라 업데이트할 수 있도록 프로그램을 개발하여 “미래 기후”에 인계하고 성공적으로 시범 구동을 마침.
○ 연구성과 활용
- 실제 현업의 예보관들이 미세먼지 예보 확정에 도움을 주기 위해 의사결정 가이던스에 대한 문서를 제작하였고, 이는 대기질 예보서비스의 신뢰도 향상에 기여할 것으로 판단.
- 본 과업에서 도출된 연구 결과를 국제 유명 학술지에 게재.
Hur, S.-K., H.-R. Oh, C.-H. Ho, J. Kim, C.-K. Song, L.-S. Chang, and J.-B. Lee, 2016: Evaluating the predictability of PM10 grades in Seoul, Korea using a neural network model based on synoptic patterns, Environmental Pollution, 218, 1324-1333.
(출처 : 요약문 5~8p)
목차 Contents
- 표지 ... 1
- 제 출 문 ... 3
- 요 약 문 ... 4
- 목차 ... 9
- 표목차 ... 11
- 그림목차 ... 15
- I. 서론 ... 20
- 1. 연구의 배경 ... 20
- 2. 연구의 목적 ... 22
- II. 연구내용 및 방법 ... 24
- 1. 과업의 범위 ... 24
- 2. 연구추진체계 ... 25
- 3. 자료 조사 및 분석 방법 ... 26
- 가. 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선 ... 26
- 나. 예보권역별 고농도 군집분석 및 예보기법 확대 적용 ... 28
- 다. 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발 ... 30
- 라. 연구성과 활용 ... 31
- III. 연구 결과 및 고찰 ... 33
- 1. 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선 ... 33
- 가. 4개 등급을 2개 등급(나쁨 미만과 이상)으로 구분하는 등 정확도 향상 방안 모색 ... 33
- 나. 자료생산기간별 계절별 특성 고려 방안 모색 ... 49
- 다. 지역규모의 예측인자 적용 방안 모색 ... 64
- 2. 예보권역별 고농도 군집분석 및 예보기법 확대 적용 ... 91
- 가. 전국단위로 예측범위를 확장 ... 91
- 나. 권역별 특성 분석을 위한 기상장 등 관측 자료 추가 분석 ... 93
- 다. 권역별 고농도 사례에 대한 군집 분석 ... 108
- 라. 권역별 고농도 및 지속기간에 대한 예측성 평가 ... 132
- 3. 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발 ... 139
- 가. 권역별 데이터베이스 구축 ... 139
- 나. 예보관이 쉽게 활용할 수 있는 인터페이스 구축을 위한 예측 및 분석 결과 제공 ... 140
- IV. 결론 및 세부수행계획상 목표 달성 ... 141
- 1. 결론 ... 141
- 가. 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선 ... 141
- 나. 예보권역별 고농도 군집분석 및 예보기법 확대 적용 ... 143
- 다. 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발 ... 145
- 2. 세부수행계획상 목표 달성 ... 146
- V. 기대성과 및 향후 계획 ... 147
- 1. 기대성과 및 활용방안 ... 147
- 2. 향후 계획 ... 148
- VI. 참고문헌 ... 149
- 끝페이지 ... 151
※ AI-Helper는 부적절한 답변을 할 수 있습니다.