• 한국해안·해양공학회논문집
• /
• 제32권6호
• /
• pp.561-568
• /
• 2020

항해용 X-band 레이다를 이용한 파랑관측은 기존의 파랑관측 방법인 부이식 파고계, 압력식 파고계, 초음파식 파고계에 비해 많은 이점이 있다. 예를 들면 유실과 파손의 위험이 없고, 유지관리 비용이 적게 들며, 심해부터 천해까지 파랑의 공간적 분포를 알 수 있다. 본 논문에서는 레이다형 파고계의 유의파고 측정 정확도를 높이는 인공신경망을 이용한 알고리즘을 제시하였다. 레이다형 파고계에서 유의파고를 추정하는 전통적인 방법은 신호 대 잡음 비율(${\sqrt{SNR}}$) 또는 신호 대 잡음 비율과 첨두주기(TP)를 이용하는 방법이 있다. 본 연구에서는 신호 대 잡음 비율, 첨두주기 및 레이다 이미지 해상도 비율(Rval > k)을 입력변수로 하는 인공신경망 알고리즘을 이용하여 유의파고 추정의 정확도를 향상시켰다. 개발된 알고리즘을 울진 후정해수욕장에서 초음파식 파고계로 측정한 유의파고의 시계열과 비교하여 정확도 향상을 확인하였다.

• 한국해안·해양공학회논문집
• /
• 제33권3호
• /
• pp.101-109
• /
• 2021

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.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2019년도 춘계학술대회
• /
• pp.48-50
• /
• 2019

항만 및 해안구조물의 안정성이나 연안지형 변화 등에 가장 주요한 외력조건 중 하나인 파랑의 효율적인 관측을 위하여, 선박용 X-band 레이다를 이용항 파랑 모니터링 시스템을 활용할 수 있다. 과거 해외 시스템의 국내 적용시 문제점을 개선한 3S-system (한동대학교 개발)의 건설현장 실적용 사례를 통해 실시간 공간관측 가능한 파랑 시스템 운영을 소개하고, 이를 해상공사 중 작업선박에 대한 관제시스템으로 확장 사용하는 안에 대하여 제시하였다. 향후 추가적인 확장성에 대해서도 공유하고자 한다.