• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1071-1081
• /
• 2021

본 연구에서는 기상청에서 수행하는 기존의 기상 관측에 대한 품질관리 절차 이외에 향후 스마트시티 등에서 활용될 수 있는 머신러닝 기반의 Internet of Things (IoT) 도시기상 관측 자료에 대한 품질검사 기준을 제안한다. 현재 기상청에서 종관기상관측(Automated Synoptic Observing System, ASOS)과 방재기상관측(Automatic Weather System, AWS) 기반으로 설정한 기준이 도시기상에 적합한지 확인하기 위하여 서울시에 설치된 SKT AWS 자료를 기반으로 사용성을 검증하였고, IoT 자체의 데이터가 가지는 특성을 고려하여 최종적으로 머신러닝 기반의 품질검사 알고리즘을 제안하였다. 품질검사 방법으로는 IoT 기기 자체에 대한 결측값 검사, 값 패턴 검사, 충분 데이터 검사, 통계적 범위 이상 검사, 시간값 이상 검사, 공간값 이상 검사를 먼저 수행하고, 기상청에서 제시하고 있는 기상 관측에 대한 품질검사인 물리한계검사, 단계검사, 지속성 검사, 기후범위 검사, 내적 일치성 검사를 5가지 기상요소에 대하여 각각 수행하였다. 제안한 알고리즘의 검증을 위하여 인천광역시 송도에 위치한 관측소에 실제 IoT 도시기상관측 데이터에 이를 적용하였다. 이를 통해 기존의 기상청 QC로는 확인할 수 없었던 IoT 기기가 가질 수 있는 결함을 확인할 수 있고, 알고리즘에 대한 검증을 진행하여 향후 스마트시티에 설치될 IoT 기상관측기기에 대한 품질검사 방법을 제안한다.

• 한국환경과학회지
• /
• 제27권7호
• /
• pp.509-518
• /
• 2018

Weather is the most influential factor for crop cultivation. Weather information for cultivated areas is necessary for growth and production forecasting of agricultural crops. However, there are limitations in the meteorological observations in cultivated areas because weather equipment is not installed. This study tested methods of predicting the daily mean temperature in onion fields using geostatistical models. Three models were considered: inverse distance weight method, generalized additive model, and Bayesian spatial linear model. Data were collected from the AWS (automatic weather system), ASOS (automated synoptic observing system), and an agricultural weather station between 2013 and 2016. To evaluate the prediction performance, data from AWS and ASOS were used as the modeling data, and data from the agricultural weather station were used as the validation data. It was found that the Bayesian spatial linear regression performed better than other models. Consequently, high-resolution maps of the daily mean temperature of Jeonnam were generated using all observed weather information.

• 대한원격탐사학회지
• /
• 제16권1호
• /
• pp.55-64
• /
• 2000

열대 강우 관측 위성(TRMM: Tropical Rainfall Measuring Mission)에서 관측된 자료가 한반도에서 발생한 호우 특성을 얼마나 잘 나타내 주는지를 알아보기 위하여 1998년과 1999년 여름철 호우 사례에 대해 분석하였다. 본 연구에서는 먼저 집중 호우를 동반한 비 구름대의 높이, 강수형태, 비 구름의 수직 분포 및 수평 단면도 상의 강우 분포를 조사하였으며, TRMM/PR 관측 강우 강도와 지상에서 관측된 자동기상관측 장비(AWS: Automatic Weather System)에서 관측된 값을 비교하였다. GMS-5 IR1과 AWS 지상관측 자료와 비교해 볼 때, TRMM/PR 관측자료는 기존의 자료로는 알 수 없는 강수 형태, 비 구름대의 높이 등에 대한 정보를 쉽게 제공해 주었으며 특히 비 구름대 내부에서의 강우강도 분포와 연직 발달 정도를 잘 묘사했다. 또한 위도-경도별 강우강도의 단면분포에서는 지형 효과에 의한 강우 특성도 알 수 있었다. TRMM/PR 관측 강우강도 값은 AWS 관측치에 비해 6 mm/hr 이하에서 더 많이 관측되었으며, 전체적으로는 지상 관측에 비해 적게 관측되는 경향을 보였다.

• 대기
• /
• 제23권4호
• /
• pp.413-424
• /
• 2013

Urban Heat Island (UHI) intensity is one of vital parameters in studying urban boundary layer meteorology as well as urban planning. Because the UHI intensity is defined as air temperature difference between urban and rural sites, an objective sites selection criterion is necessary for proper quantification of the spatial variations of the UHI intensity. This study quantified the UHI intensity and its spatial pattern, and then analyzed their connections with urban structure and metabolism in Seoul metropolitan area where many kinds of land use and land cover types coexist. In this study, screen-level temperature data in non-precipitation day conditions observed from 29 automatic weather stations (AWS) in Seoul were analyzed to delineate the characteristics of UHI. For quality control of the data, gap test, limit test, and step test based on guideline of World Meteorological Organization were conducted. After classifying all stations by their own local climatological properties, UHI intensity and diurnal temperature range (DTR) are calculated, and then their seasonal patterns are discussed. Maximum UHI intensity was $4.3^{\circ}C$ in autumn and minimum was $3.6^{\circ}C$ in spring. Maximum DTR appeared in autumn as $3.8^{\circ}C$, but minimum was $2.3^{\circ}C$ in summer. UHI intensity and DTR showed large variations with different local climate zones. Despite limited information on accuracy and exposure errors of the automatic weather stations, the observed data from AWS network represented theoretical UHI intensities with difference local climate zone in Seoul.

• 한국농림기상학회지
• /
• 제23권2호
• /
• pp.122-133
• /
• 2021

작물 모형의 품종모수를 추정하기 위한 기상자료는 일반적으로 생육 관측 자료가 수집된 시험지의 인근에 위치한 종관기상 관측자료가 사용되어왔으나, 지형적인 원인이나 시험지와 기상관측소 사이의 거리로 인해 실제 시험지의 기상과 차이가 발생할 수 있다. 반면, 비교적 높은 밀도로 분포하는 방재기상 관측자료를 활용할 경우 이러한 문제점을 보완할 수 있을 것이다. 본 연구에서는 종관기상 관측자료와 방재기상 관측자료를 각각 사용하여 출수기에 영향을 미치는 DSSAT 모형의 모수들을 추정하고, 추정된 모수들의 신뢰도를 비교하고자 하였다. 모수 추정을 위해 사용한 재배관리 및 생육 관측값은 지역장려품종 선발시험과 작황시험으로부터 수집하였다. 모수 추정은 Generalized Likelihood Uncertainty Estimation (GLUE) 방법을 사용하였으며, 불확실성을 고려하여 100번의 반복 추정을 통해 100개의 모수 집합을 생성하였다. 모수 추정에 소요되는 시간을 단축하기 위해 도커 컨테이너를 기반으로 병렬적으로 GLUE를 구동하였다. 추정된 모수들을 사용하여 모의된 출수기의 평균은, 방재기상자료를 사용하였을 때 최대 4일로, 종관기상자료를 사용하였을 때 최대 오차가 7일이었던 것에 비하여 크게 개선되었다. 그러나, 방재기상자료의 원활한 활용을 위해서는 해당 자료에 대한 접근성이 향상되어야 할 것으로 예상되었다.

• 대기
• /
• 제24권3호
• /
• pp.433-444
• /
• 2014

Although the Radar-AWS Rainrate (RAR) calculation system operated by Korea Meteorological Administration estimated precipitation using 2-dimensional composite components of single polarization radars, this system has several limitations in estimating the precipitation accurately. To to overcome limitations of the RAR system, the Korea Meteorological Administration developed and operated the RMQ (Radar-based Multi-sensor Quantitative Precipitation Estimation) system, the improved version of NMQ (National Mosaic and Multi-sensor Quantitative Precipitation Estimation) system of NSSL (National Severe Storms Laboratory) for the Korean Peninsula. This study introduced the RMQ system domestically for the first time and verified the precipitation estimation performance of the RMQ system. The RMQ system consists of 4 main parts as the process of handling the single radar data, merging 3D reflectivity, QPE, and displaying result images. The first process (handling of the single radar data) has the pre-process of a radar data (transformation of data format and quality control), the production of a vertical profile of reflectivity and the correction of bright-band, and the conduction of hydrid scan reflectivity. The next process (merger of 3D reflectivity) produces the 3D composite reflectivity field after correcting the quality controlled single radar reflectivity. The QPE process classifies the precipitation types using multi-sensor information and estimates quantitative precipitation using several Z-R relationships which are proper for precipitation types. This process also corrects the precipitation using the AWS position with local gauge correction technique. The last process displays the final results transformed into images in the web-site. This study also estimated the accuracy of the RMQ system with five events in 2012 summer season and compared the results of the RAR (Radar-AWS Rainrate) and RMQ systems. The RMQ system ($2.36mm\;hr^{-1}$ in RMSE on average) is superior to the RAR system ($8.33mm\;hr^{-1}$ in RMSE) and improved by 73.25% in RMSE and 25.56% in correlation coefficient on average. The precipitation composite field images produced by the RMQ system are almost identical to the AWS (Automatic Weather Statioin) images. Therefore, the RMQ system has contributed to improve the accuracy of precipitation estimation using weather radars and operation of the RMQ system in the work field in future enables to cope with the extreme weather conditions actively.

• 전기학회논문지
• /
• 제63권4호
• /
• pp.526-533
• /
• 2014

In this study, we introduce design methodology to develop a guidance for issuing heavy rainfall warning by using both RBFNNs(Radial basis function neural networks) and SVR(Support vector regression) model, and then carry out the comparative studies between two pattern classifiers. Individual classifiers are designed as architecture realized with the aid of optimization and pre-processing algorithm. Because the predictive performance of the existing heavy rainfall forecast system is commonly affected from diverse processing techniques of meteorological data, under-sampling method as the pre-processing method of input data is used, and also data discretization and feature extraction method for SVR and FCM clustering and PSO method for RBFNNs are exploited respectively. The observed data, AWS(Automatic weather wtation), supplied from KMA(korea meteorological administration), is used for training and testing of the proposed classifiers. The proposed classifiers offer the related information to issue a heavy rain warning in advance before 1 to 3 hours by using the selected meteorological data and the cumulated precipitation amount accumulated for 1 to 12 hours from AWS data. For performance evaluation of each classifier, ETS(Equitable Threat Score) method is used as standard verification method for predictive ability. Through the comparative studies of two classifiers, neuro-fuzzy method is effectively used for improved performance and to show stable predictive result of guidance to issue heavy rainfall warning.

• 한국환경과학회지
• /
• 제33권6호
• /
• pp.435-442
• /
• 2024

We investigated the accuracy of surface air temperature prediction according to the selection of land-use data and initial meteorological data using the Weather Research and Forecasting model-v4.2.1. A numerical experiment was conducted at the Daegu Dyeing Industrial Complex. We initially used meteorological input data from GFS (Global forecast system)and GDAPS (Global data assimilation and prediction system). High-resolution input data were generated and used as input data for the weather model using the land cover data of the Ministry of Environment and the digital elevation model of the Ministry of Land, Infrastructure, and Transport. The experiment was conducted by classifying the terrestrial and topographic data (land cover data) and meteorological data applied to the model. For simulations using high-resolution terrestrial data(10 m), global data assimilation, and prediction system data(CASE 3), the calculated surface temperature was much closer to the automatic weather station observations than for simulations using low-resolution terrestrial data(900 m) and GFS(CASE 1).

• 대기
• /
• 제26권1호
• /
• pp.111-126
• /
• 2016

In the numerical weather model, surface properties can be defined by various parameters such as terrain height, landuse, surface albedo, soil moisture, surface emissivity, roughness length and so on. And these parameters need to be improved in the Seoul metropolitan area that established high-rise and complex buildings by urbanization at a recent time. The surface roughness length map is developed from digital elevation model (DEM) and it is implemented to the high-resolution numerical weather (WISE-WRF) model. Simulated results from WISE-WRF model are analyzed the relationship between meteorological variables to changes in the surface roughness length. Friction speed and wind speed are improved with various surface roughness in urban, these variables affected to temperature and relative humidity and hence the surface roughness length will affect to the precipitation and Planetary Boundary Layer (PBL) height. When surface variables by the WISE-WRF model are validated with Automatic Weather System (AWS) observations, NEW experiment is able to simulate more accurate than ORG experiment in temperature and wind speed. Especially, wind speed is overestimated over $2.5m\;s^{-1}$ on some AWS stations in Seoul and surrounding area but it improved with positive correlation and Root Mean Square Error (RMSE) below $2.5m\;s^{-1}$ in whole area. There are close relationship between surface roughness length and wind speed, and the change of surface variables lead to the change of location and duration of precipitation. As a result, the accuracy of WISE-WRF model is improved with the new surface roughness length retrieved from DEM, and its surface roughness length is important role in the high-resolution WISE-WRF model. By the way, the result in this study need various validation from retrieved the surface roughness length to numerical weather model simulations with observation data.

• 대한원격탐사학회지
• /
• 제36권6_3호
• /
• pp.1711-1720
• /
• 2020

최근 급속한 산업화와 도시화로 인해 인위적으로 발생하는 미세먼지(Particulate matter, PM)는 기상 조건에 따라 이동 및 분산되면서 피부와 호흡기 등 인체에 악영향을 미친다. 본 연구는 기상인자를 multiple linear regression(MLR), support vector machine(SVM), 그리고 random forest(RF) 모델의 입력자료로 하여 서울시 PM10 농도를 예측하고, 모델 간 성능을 비교 평가하는데 그 목적을 둔다. 먼저 서울시에 소재한 39개소 대기오염측정망(air quality monitoring sites, AQMS)에서 관측된 PM10 농도 자료를 8:2 비율로 구분하여 모델 훈련과 검증 데이터셋으로 사용되었다. 또한 기상관측소(automatic weather system, AWS)에서 관측되고 있는 자료 중 9개 기상인자(평균기온, 최고기온, 최저기온, 일 강수량, 평균풍속, 최대순간풍속, 최대순간풍속풍향, 황사발생유무, 상대습도)가 모델의 입력자료로 선정되었다. 각 AQMS에서 관측된 PM10 농도와 MLR, SVM, 그리고 RF 모델에 의해 예측된 PM10 농도 간 결정계수(R2)는 각각 0.260, 0.772, 그리고 0.793이었고, RF 모델이 PM10 농도 예측에 가장 높은 성능을 나타냈다. 특히 모델 검증에 사용되는 AQMS 중 관악구와 강남대로 AQMS는 상대적으로 AWS에 가까워 SVM과 RF 모델에서 높은 정확도를 나타냈다. 종로구 AQMS는 AWS에서 비교적 멀리 떨어져 있지만, 인접한 두 AQMS 데이터가 모델 학습에 사용되었기 때문에 두 모델에서 높은 정확도를 나타냈다. 반면 용산구 AQMS는 AQMS 및 AWS에서 비교적 멀리 떨어져 있기에 두 모델의 성능이 낮게 나타냈다.