• 한국수자원학회논문집
• /
• 제52권7호
• /
• pp.475-482
• /
• 2019

2주에서 2개월까지 선행기간을 가지는 계절내-계절(Subseasonal-to-Seasonal, S2S) 예측결과는 산업전반에 걸쳐 다양한 분야에 활용이 가능할 것으로 기대되고 있으나, 일기예보나 중장기 예보대비 낮은 예측성으로 인하여 현재까지 활용성이 매우 낮은 실정이다. 본 연구에서는 기계학습 기법중 비선형회귀 분야에서 좋은 결과를 보여주는 다층퍼셉트론 기법을 이용하여 S2S 예측자료의 후처리를 통한 국내 영역에서의 강수예측성 향상에 관한 연구를 수행하였다. 후처리 모형의 학습을 위한 입력자료로는 ECMWF의 S2S 과거예측(Hindcast) 정보를 이용하였으며 양분예보기법에 기반하여 학습된 다층퍼셉트론 모델을 이용한 후처리 결과와의 비교 분석이 수행되었다. 비교분석 결과 편차도(Bias score)는 평균 59.7% 감소하였고, 정확도(Accuracy)는 124.3% 증가하였으며, 임계성공지수(Critical Success Index)는 88.5% 향상된 것으로 분석되었다. 탐지확률(Probability of detection)의 경우 원자료 대비 평균 9.5% 감소하였으나 이는 ECMWF의 예측모델이 강수의 발생일을 과도하게 예측하였기 때문인 것으로 분석되었다. 본 연구 수행 결과 비록 ECMWF의 S2S 예측자료의 예측성이 낮더라도 후처리를 통해 예측성을 향상 시킬 수 있음을 확인하였으며, 본 연구 결과는 향후 수자원과 농업 분야에서 S2S 자료의 활용성을 높이는데 도움이 될 수 있을 것으로 판단된다.

• 한국수자원학회논문집
• /
• 제52권10호
• /
• pp.753-761
• /
• 2019

여름철 집중호우는 도시지역의 홍수피해를 발생시키는 주요한 원인 중 하나이다. 우리나라의 최근 재해통계에 따르면 도시홍수의 발생빈도는 점점 잦아지고 있으며, 그 규모 또한 커지고 있다. 하지만 국지성 집중호우는 예측이 어려워 실제 홍수 대응을 담당하는 지자체 공무원들의 업무에 어려움이 있다. 따라서 본 연구에서는 이러한 도시홍수 대응에 시간적 여유 확보를 통한 피해 저감을 위해 앙상블 기상예측 자료를 활용한 홍수위험 매트릭스를 구축하고, 그 적용성을 판단하고자 하였다. 홍수위험 매트릭스는 홍수위험도의 정도를 나타내는 잠재적 영향(X축), 위험 기상현상이 발생할 확률인 발생가능성(Y축)으로 구성된 2차원 매트릭스로 확률예보에 기반한 홍수위험 예측 방안이다. 이를 위해 부산 및 대구광역시 내 기초지자체 각각 1곳을 대상으로 과거 홍수피해기록과 확률강우량 자료를 활용하여 지역별 홍수위험 매트릭스를 구축하고, 과거 호우사상에 대해 기상청의 LENS 자료를 적용하여 그 적용성을 판단하였다. 그 결과 최대 3일전 홍수위험에 대한 예측이 가능한 것으로 분석되었으며 실제 활용 시 홍수 대응시간을 확보하여 피해 저감에 도움이 되리라 판단된다.

• 경영과학
• /
• 제32권4호
• /
• pp.97-108
• /
• 2015

This study proposes a mathematical model to estimate the economic value of weather forecast service, among which the precipitation forecast service is focused. The value is calculated in terms of users' satisfaction or dissatisfaction resulted from the users' decisions made by using the precipitation probabilistic forecasts and thresholds. The satisfaction values can be quantified by the traditional value score model, which shows the scaled utility values relative to the perfect forecast information. This paper extends the value score concept to a collective value score model which is defined as a weighted sum of users' satisfaction based on threshold distribution in a group of the users. The proposed collective value score model is applied to the picnic scenario by using four hypothetical sets of probabilistic forecasts, i.e., under-confident, over-confident, under-forecast and over-forecast. The application results show that under-confident type of forecasts outperforms the others as a measure of the maximum collective value regardless of users' dissatisfaction patterns caused by two types of forecast errors, e.g., miss and false alarm.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2017년도 학술발표회
• /
• pp.17-17
• /
• 2017

최근 기후변화로 인한 국지적인 돌발성 위험기상 및 집중호우의 발생빈도가 증가로 인한 기상재해의 규모가 대형화되고 있다. 이러한 기상재해 및 위험기상의 대비를 위하여 시공간적으로 고해상도를 갖는 레이더 강수자료가 수공학분야에 널리 활용되고 있다. 하지만 기상레이더는 대기 중에 존재하는 수상체로부터 반사되는 반사도를 사용하여 강수량을 산정하므로 지상 강수자료와 시공간적 오차가 존재하며 레이더-반사도 관계식을 적용하더라도 과소추정의 문제가 발생하게 된다. 과소추정의 문제를 해결하기 위하여 편의보정기법을 적용한 레이더 강수자료에는 여전히 관측과정에서 발생할 수 있는 무작위 오차(random error)에 대한 불확실성이 존재하게 된다. 따라서 본 연구에서는 과소추정의 문제를 개선하고 레이더 강수자료의 시공간적 오차구조 규명이 가능한 정량적 강수량 추정기법을 개발하였다. 이를 위해 다변량 분석기법을 사용하여 레이더 강수자료의 시공간적 오차구조를 반영할 수 있는 무작위 오차(random error)를 확률론적으로 발생할 수 있는 레이더 강수앙상블 모형을 개발하였다. 개발된 모형으로부터 생산된 레이더 강우앙상블은 통계적 효율기준 분석결과 우수한 모형성능을 확인하였으며 극치호우 및 강우시계열 패턴 분석결과 지상강우의 특성을 효과적으로 재현하는 것을 확인하였다. 최종적으로 도시유역 및 미계측유역의 강우-유출모형에 입력 자료로 활용하여 홍수자료를 생산할 수 있는 레이더기반 홍수예보 시스템을 개발하고자 한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.96-96
• /
• 2018

최근 기후변동성으로 유발되는 불안정한 기상상태를 효과적으로 관측하고자 기상레이더가 도입되고 있다. 기상레이더는 경험식으로 산정된 Z-R 관계식을 통하여 레이더 강수량을 제시하게 된다. 이 과정에서 레이더 강수량은 필연적으로 실제 지상에 도달하는 강수량과는 정량적으로 오차가 발생하게 된다. 레이더 강수량에 포함된 오차는 다양한 원인으로 발생하게 되므로 레이더 강수량의 오차 성분을 규명하는 것은 레이더 강수량 활용을 위하여 필수적으로 선행되어야 한다. 본 연구는 지상강수량과 레이더 강수량의 편의를 보정하기 위한 확률통계학적 방법론을 개발하였다. 레이더 강수량의 편의오차를 보정하기 위하여 수문통계학에서 널리 활용되고 있는 계층적 Bayesian 구조를 기반으로 하였으며 자료통합(data pooling) 기법을 이용하여 편의보정 매개변수 추정과정의 불확실성 추정 효율성을 증대시켰다. 본 연구를 통하여 개발된 레이더 강수량 편의보정기법은 계층적 Bayesian 구조를 도입함으로써 편의보정 매개계수의 불확실성을 정량적으로 제시하였으며 유역 단위의 강수상관성을 현실적으로 복원하는 것을 확인하였다. 따라서 본 연구에서 제안하는 편의보정기법은 편의보정 과정에서 발생할 수 있는 매개변수의 불확실성 및 레이더 강수량의 오차구조를 정량적으로 규명하여 고해상도의 강수정보를 생산함으로써 고도화된 수문해석을 가능케 할 것으로 판단된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.64-64
• /
• 2022

이상기후로 인해 돌발적이고 국지적인 호우 발생의 빈도가 증가하게 되면서 짧은 선행시간(~3 시간) 범위에서 수치예보보다 높은 정확도를 갖는 초단시간 강우예측자료가 돌발홍수 및 도시홍수의 조기경보를 위해 유용하게 사용되고 있다. 일반적으로 초단시간 강우예측 정보는 레이더를 활용하여 외삽 및 이동벡터 기반의 예측기법으로 산정한다. 최근에는 장기간 레이더 관측자료의 확보와 충분한 컴퓨터 연산자원으로 인해 레이더 자료를 활용한 인공지능 심층학습 기반(RNN(Recurrent Neural Network), CNN(Convolutional Neural Network), Conv-LSTM 등)의 강우예측이 국외에서 확대되고 있고, 국내에서도 ConvLSTM 등을 활용한 연구들이 진행되었다. CNN 심층신경망 기반의 초단기 예측 모델의 경우 대체적으로 외삽기반의 예측성능보다 우수한 경향이 있었으나, 예측시간이 길어질수록 공간 평활화되는 경향이 크게 나타나므로 고강도의 뚜렷한 강수 특징을 예측하기 힘들어 예측정확도를 향상시키는데 중요한 소규모 기상현상을 왜곡하게 된다. 본 연구에서는 이러한 한계를 보완하기 위해 적대적 생성 신경망(Generative Adversarial Network, GAN)을 적용한 초단시간 예측기법을 활용하고자 한다. GAN은 생성모형과 판별모형이라는 두 신경망이 서로간의 적대적인 경쟁을 통해 학습하는 신경망으로, 데이터의 확률분포를 학습하고 학습된 분포에서 샘플을 쉽게 생성할 수 있는 기법이다. 본 연구에서는 2017년부터 2021년까지의 환경부 대형 강우레이더 합성장을 수집하고, 강우발생 사례를 대상으로 학습을 수행하여 신경망을 최적화하고자 한다. 학습된 신경망으로 강우예측을 수행하여, 국내 기상청과 환경부에서 생산한 레이더 초단시간 예측강우와 정량적인 정확도를 비교평가 하고자 한다.

• 한국지리정보학회지
• /
• 제22권4호
• /
• pp.116-130
• /
• 2019

우리나라는 산림 내 연료 물질 증가와 기후변화 등의 요인으로 산불의 연중화와 대형화가 증가하는 추세에 있으므로 산불 발생 확률에 대한 정보를 제공함으로써 산불 발생을 예방하여 피해를 최소화할 필요성이 대두되고 있다. 본 연구에서는 현 산불예보시스템에서 제공하는 산불위험지수(DWI; Daily Weather Index)를 개선하기 위한 방법을 살펴보았다. 즉, 우리나라 산불위험지수의 시간 및 공간적 정확성 향상을 통한 고도화를 목적으로, 기상청에서 제공하는 동네예보 자료, 위성기반의 가뭄 지수, 산불 다발 지역 지도를 융합하여 5km 격자 형태로 제공되는 새로운 산불위험지수(FRI; Fire Risk Index)를 제안하였다. 산불위험지수는 캐나다에서 현업으로 사용되는 미세 연료 지수를 기반으로 우리나라에 최적화한 미세 연료 지수, 가뭄지수의 곱과 시간 및 공간적 가중치를 통하여 산출된다. 시간적인 정확성 향상을 위하여 산림청에서 제공하는 산불 피해 대장 표를 이용하여 월별 산불 통계량을 통한 월별 가중치를 적용하였으며, 공간적인 정확성 향상을 위하여 산불 다발 지역 지도의 산불 밀도 정보를 이용하여 가중치를 적용하였다. 월별 산불 발생 건수와 제안된 산불위험지수의 시계열을 분석하였을 때 증가 및 감소 경향을 잘 모의하고 있었으며, 5km 격자 형태로 산불위험지수를 제공함으로써 행정 구역 단위로 산불위험지수를 제공할 때보다 상세한 정보를 제공할 수 있었으므로 지역적으로 더욱 정확하고 구체적인 산불 예방에 대한 의사 결정에 도움이 될 것으로 기대된다.

• 한국지능시스템학회논문지
• /
• 제26권2호
• /
• pp.93-98
• /
• 2016

정확한 강수예측을 위해서는 예측인자 선정과 예측방법에 대한 선택이 매우 중요하다. 최근에는 강수예측 방법으로 기계학습 기법이 많이 사용되고 있으며, 그 중에서도 특히 인공신경망을 사용한 강수예측 방법은 좋은 성능을 보였다. 본 논문에서는 딥러닝 기법 중 하나인 DBN(deep belief network)를 이용한 새로운 강수예측 방법을 제안한다. DBN는 비지도 사전 학습을 통해 초기 가중치를 설정하여 기존 인공신경망의 문제점을 보완한다. 예측인자로는 기온, 전일-전주 강수일, 태양과 달 궤도 관련 자료를 선정하였다. 기온과 전일-전주 강수일은 서울에서의 1974년부터 2013년까지 총 40년간의 AWS(automatic weather system) 관측 자료를 사용하였고, 태양과 달의 궤도 관련 자료는 서울을 중심으로 계산한 결과를 사용하였다. 전체 기간에서 일부는 학습 자료로 사용하여 예측모델을 생성하였고, 나머지를 생성한 모델의 검증 자료로 사용하였다. 모델 검증 결과로 나온 예측값들은 확률값을 가지며 임계치를 이용하여 강수유무를 판별하였다. 강수 정확도의 척도로 양분예보기법 중 CSI(critical successive index)와 Bias(frequency bias)를 계산하였다. 이를 통해 DBN와 MLP(multilayer perceptron)의 성능을 비교한 결과 DBN의 강수 예측 정확도가 높았고, 수행속도 또한 2배 이상 빨랐다.

• 한국지능시스템학회논문지
• /
• 제23권6호
• /
• pp.545-550
• /
• 2013

패턴 인식 분야에 있어서 데이터 분류는 해당 데이터에서 유용한 정보를 추출하기 위해서 반드시 수행해야 하는 과정 중 하나이다. AdaBoost 알고리즘은 Boosting 알고리즘을 실제 데이터 분석에 이용할 수 있도록 개량한 것으로, Random guessing이나 Random forest와 같이 정확한 결과를 도출할 확률이 50%보다 조금 높은 약한 분류기와 가중치 값의 조합을 통해 높은 분류 성능을 가지는 강한 분류기를 생성하는 방법을 뜻한다. 본 논문에서는 AdaBoost 알고리즘을 이용하여 비강수에코 중 강수에코와 그 특성이 유사하여 기상 예보를 수행하는 데 방해가 되는 채프에코를 식별하는 알고리즘의 구현에 대한 연구를 수행하였다. 기상 현상 관측을 위해 사용하는 레이더 데이터를 정적 클러스터링과 동적 클러스터링 과정을 통해서 유사도를 기반으로 한 클러스터를 생성한 후, 이를 예보관의 채프에코 판별 결과에 따라 채프에코와 비채프에코로 나누어 학습 데이터를 구성한 후 AdaBoost 알고리즘에 적용하여 분류기를 구현하였다. 제안한 AdaBoost 알고리즘의 성능을 검증하기 위하여 실제 채프에코가 발생한 레이더 데이터를 적용하였으며, 실험 결과를 통해서 제안한 알고리즘이 효과적으로 채프에코를 분류할 수 있음을 확인하였다.

• 한국농공학회논문집
• /
• 제62권4호
• /
• pp.33-43
• /
• 2020

In order to reduce damage from farmland inundation caused by recent climate change, it is necessary to predict the risk of farmland inundation accurately. Inundation modeling should be performed by considering multiple time distributions of possible rainfalls, as digital forecasts of Korea Meteorological Administration is provided on a six-hour basis. As building multiple inputs and creating inundation models take a lot of time, it is necessary to shorten the forecast time by building a data base (DB) of farmland inundation probability. Therefore, the objective of this study is to establish a DB of farmland inundation probability in accordance with forecasted rainfalls. In this study, historical data of the digital forecasts was collected and used for time division. Inundation modeling was performed 100 times for each rainfall event. Time disaggregation of forecasted rainfall was performed by applying the Multiplicative Random Cascade (MRC) model, which uses consistency of fractal characteristics to six-hour rainfall data. To analyze the inundation of farmland, the river level was simulated using the Hydrologic Engineering Center - River Analysis System (HEC-RAS). The level of farmland was calculated by applying a simulation technique based on the water balance equation. The inundation probability was calculated by extracting the number of inundation occurrences out of the total number of simulations, and the results were stored in the DB of farmland inundation probability. The results of this study can be used to quickly predict the risk of farmland inundation, and to prepare measures to reduce damage from inundation.