• 대기
• /
• 제33권5호
• /
• pp.531-548
• /
• 2023

We developed the Aviation Convective Index (ACI) for predicting deep convective area using the operational global Numerical Weather Prediction model of the Korea Meteorological Administration. Seasonally optimized ACI (ACI_SnOpt) was developed to consider seasonal variabilities on deep convections in Korea. Yearly optimized ACI (ACI_YrOpt) in Part 1 showed that seasonally averaged values of Area Under the ROC Curve (AUC) and True Skill Statistics (TSS) were decreased by 0.420% and 5.797%, respectively, due to the significant degradation in winter season. In Part 2, we developed new membership function (MF) and weight combination of input variables in the ACI algorithm, which were optimized in each season. Finally, the seasonally optimized ACI (ACI_SnOpt) showed better performance skills with the significant improvements in AUC and TSS by 0.983% and 25.641% respectively, compared with those from the ACI_YrOpt. To confirm the improvements in new algorithm, we also conducted two case studies in winter and spring with observed Convectively-Induced Turbulence (CIT) events from the aircraft data. In these cases, the ACI_SnOpt predicted a better spatial distribution and intensity of deep convection. Enhancements in the forecast fields from the ACI_YrOpt to ACI_SnOpt in the selected cases explained well the changes in overall performance skills of the probability of detection for both "yes" and "no" occurrences of deep convection during 1-yr period of the data. These results imply that the ACI forecast should be optimized seasonally to take into account the variabilities in the background conditions for deep convections in Korea.

• 대기
• /
• 제34권2호
• /
• pp.97-106
• /
• 2024

The seasonal forecast skill of tropical cyclones (TCs) in the Northern Hemisphere from the Korea Meteorological Administration (KMA) Global Seasonal Forecast System version 6 (GloSea6) hindcast has been verified for the period 1993 to 2016. The operational climate prediction system at KMA was upgraded from GloSea5 to GloSea6 in 2022, therefore further validation was warranted for the seasonal predictability and variability of this new system for TC forecasts. In this study, we examine the frequency, track density, duration, and strength of TCs in the North Indian Ocean, the western North Pacific, the eastern North Pacific, and the North Atlantic against the best track data. This methodology follows a previous study covering the period 1996 to 2009 published in 2020. GloSea6 indicates a higher frequency of TC generation compared to observations in the western North Pacific and the eastern North Pacific, suggesting the possibility of more TC generation than GloSea5. Additionally, GloSea6 exhibits better interannual variability of TC frequency, which shows relatively good correlation with observations in the North Atlantic and the western North Pacific. Regarding TC intensity, GloSea6 still underestimates the minimum surface pressures and maximum wind speeds from TCs, as is common among most climate models due to lower horizontal resolutions. However, GloSea6 is likely capable of simulating slightly stronger TCs than GloSea5, partly attributed to more frequent 6-hourly outputs compared to the previous daily outputs.

• 대한전자공학회논문지SP
• /
• 제47권6호
• /
• pp.127-136
• /
• 2010

다시점 비디오는 카메라간의 다른 위치와 불완전한 카메라 보정(calibration)으로 인접한 시점의 영상 내에 존재하는 동일물체 간에 색상 차이가 발생할 수 있다. 이러한 색상 불일치(color mismatch)는 시점 간 움직임 예측(inter-view prediction) 수행 시, 오정합을 발생시켜 다시점 비디오 부호화(Multi-view Video Coding : MVC) 성능을 저하시키는 원인이 된다. 본 논문에서는 이웃하는 영상 간에 존재하는 휘도 및 색차 성분 불일치를 보상하여 다시점 비디오 부호화의 압축률을 향상시키는 전처리 기법을 제안한다. 제안된 기법에서는 모든 시점의 영상을 히스토그램 매칭 기법에 의해 정해진 참조 시점 영상의 색상을 기준으로 보정된다. 또한 히스토그램 매칭 수행 전에 YCbCr 색상공간 변경 시에 색차 성분의 대표 값 추출(chrominance subsampling)에 사용되는 Cosited filter를 영상의 각 색상성분에 적용하여 성능을 더욱 높일 수 있다. 히스토그램 매칭은 YCbCr 색상공간에서 RGB 색상공간으로 변환하여 각 색상성분에 적용한다. 이 과정에서 영상에 존재하는 에지의 방향성과 화소 값의 존재 범위를 고려한 효과적인 색상 변환 기법이 사용된다. 실험을 통해 제안하는 전처리 기법이 다른 기법들에 비해 향상된 부호화 효율을 가지는 것을 확인하였다.

• Journal of Astronomy and Space Sciences
• /
• 제26권4호
• /
• pp.555-566
• /
• 2009

한국천문연구원의 지상기반 GPS 수신기에서 산출된 가강수량을 수치예보모델 모사 결과로부터 획득된 가강수량과 비교하였다. 수치예보모델인 WRF(Weather Research and Forecasting)의 둥지격자에 대한 단시간 예보장이 비교자료로 사용되었다. 수치설험은 구름 미세물리 방안을 선택하면서 수행되었으며 비교기간은 2008년의 장마기간중 1개월이었다. GPS 관측 자료는 남한에 분포되어 있는 9개 관측소에서 2008년 6월부터 7월 사이의 1개월간 자료가 사용되었다. 대체적으로, WRF 모델은 GPS 관측 자료에 의해 산출된 가강수량의 시 공간적 변화와 상당히 잘 일치하였다. 상관계수는 모델 예보 시간이 증가함에 따라 감소되었으며 모델 해상도에 따른 가강수량 차이는 발견되지 않았다. 또한 라디오존데에서 산출된 가강수량을 이용하여 수치모델 가강 수량과 GPS 가강수량과의 비교분석을 수행하였다. 이러한 결과들은 시 공간적으로 고해상도인 GPS 관측 자료로부터 산출된 가강수량이 기상학적 적용에 유용함을 보여주고 있다.

• 한국수자원학회논문집
• /
• 제54권12호
• /
• pp.1255-1263
• /
• 2021

안개는 대체수자원이 될 수 있으나 교통사고 위험을 높이고 공항 운영에 제약을 가하는 사회적 영향이 큰 기상현상이다. 본 연구에서는 1 km 미만 가시거리(시정)로 정의되는 안개 발생을 기상자료로 예측하는 지역 기계학습모형을 개발하고 그 예측력을 평가하였다. 전라북도 지역의 10개 기상청 지상관측소의 2017-2019년 시정 및 기상관측자료로 앙상블 분류기법인 Extreme Gradient Boosting (XGB), Light Gradient Boosting(LGB), Random Forests (RF)를 학습시켜 지역 안개 모형을 개발하였고 독립적인 2020년 자료로 모형의 사용성을 평가하였다. 그 결과, 학습·검증기간(2017-2019)에는 True Skill Score를 기준으로 가장 높은 예측력을 보인 방법은 LGB 기법이었지만 다른 두 모형에 비해 False Alarm Ratio가 컸다. RF 모형과 XGB 방법 역시 기존 연구에 상응하는 예측성능을 보이는 것으로 확인되었다. 2020년 자료를 입력해 안개 발생을 모의했을 때 세 모형의 예측성능은 2017-2019년 기간보다 떨어졌지만 모두 관측 안개일수의 공간분포와 일관되는 안개 위험을 예측했다. 세 기계학습모형은 안개위험이 상대적으로 높은 지역을 추출하는 기법으로 사용이 가능할 것으로 보인다.

• 문화기술의 융합
• /
• 제8권1호
• /
• pp.441-452
• /
• 2022

학습 환경에서 메타인지를 활용한 훈련은 1990년대부터 꾸준히 연구되어온 주제 중 하나다. 메타인지는 크게 선언적 메타인지 지식과 절차적 메타인지 지식 (메타인지 기술)로 나누어 볼 수 있고 이에 따라 메타인지 훈련 역시 두 메타인지 지식 중 하나에 초점을 맞추어 연구가 이루어졌다. 본 연구에서는 메타인지 기술의 훈련이 수학 문제 풀이 맥락에서 어떤 역할을 하는지 살펴보고자 하였다. 구체적으로 학습자는 정해진 시간 안에 여러 난이도의 문제가 섞인 수학 문제들을 푸는 시험 맥락에서 문제 난이도 예측, 풀이시간 예측, 정답 여부 예측을 실시하였으며 이를 총5주간에 걸쳐 5회 반복하였다. 분석 결과, 훈련 전보다 훈련 후에 세 가지 예측 지표 모두에서 유의한 차이가 있는 것으로 나타났으며 훈련을 통해 학습자의 문제 풀이 전략에 도움을 줄 수 있다는 사실을 밝혔다. 또한 메타인지 훈련을 실시하지 않고 동일한 학습 과정을 진행한 조건과 시험불안 정도의 차이가 있는지 분석하였다. 그 결과, 훈련을 실시한 조건의 학습자가 5주차에 더 적은 정서 불안과 관계 불안을 보고한 것을 알 수 있었다. 메타인지 기술 훈련을 통한 이러한 효과는 학습자의 시험 상황에 필요한 학습 전략 향상에 도움이 될 것으로 예상된다.

• 한국농림기상학회지
• /
• 제24권4호
• /
• pp.218-233
• /
• 2022

본 연구에서는 Pusan National University Coupled General Circulation Model-Weather Research and Forecasting (PNU CGCM-WRF)에서 생산된 hindcast 자료(1986~2020)를 이용하여 우리나라의 주요 곡물 중 하나인 콩의 생육단계별 고온해 및 저온해 발생일수의 예측성을 평가하였다. 예측성을 평가하는 방법으로는 Normalized Standard Deviations (NSD), Root Mean Square Error (RMSE), Hit Rate (HR), Heidke Skill Score (HSS)이다. 이를 위해 먼저 콩의 고온해 및 저온해를 정의하는 변수인 일 최고기온(Tmax) 및 일 최저기온(Tmin)의 모의성능을 검증하였다. 그 결과 1~5월(01RUN~05RUN)의 초기조건을 가지고 시작하는 월에 따라 다소 차이가 있지만, Variance Scaling 방법을 적용하여 보정한 결과가 보정전보다 관측과 유사하게 나타났으며, 보정한 3~10월의 Tmax 및 Tmin에 대한 모의성능은 전반적으로 01RUN~05RUN에 Simple Composite Method (SCM)을 적용하여 평균한 결과(ENS)에서 높게 나타났다. 또한, 콩의 생육시기별 고온해 및 저온해 발생일수의 지역적 패턴과 특성을 관측과 비교하였을 때 모형이 잘 모의하고 있다. ENS에서 콩의 고온해(저온해)에 대한 HR과 HSS는 생육시기 별로 0.45~0.75, 0.02~0.10(0.49~0.76, -0.04~0.11)의 범위를 가진다. 결론적으로, PNU CGCM-WRF chain의 01RUN~05RUN 및 ENS는 우리나라 콩의 생육시기별 고온해 및 저온해를 예측할 수 있는 성능을 가지고 있다.

• 한국농림기상학회지
• /
• 제25권2호
• /
• pp.80-98
• /
• 2023

본 연구에서는 계절내-계절(Subseasonal to seasonal, S2S) 기후예측의 주별 예측 성능을 개선하기 위해서 딥러닝 기반의 후보정(post processing) 기술을 개발하였다. 그 첫 단계로, 일 최고, 최저기온과 일 강수를 목표 변수로, 자료의 특성과 분포에 적합한 자료 변환 및 특성 공학 기법을 규명하고자 하였다. 먼저, 6개 개별 기후모델의 S2S 예측 자료를 딥러닝 모델에 입력하기 위한 훈련자료로 변환하고, 이로부터 다중모델앙상블(Multi-Model Ensemble, MME) 기반 훈련자료를 구축하였다. 참값(label)으로는 ECMWF의 ERA5 재분석 자료를 사용하였다. 자료 변환 알고리즘은 최고 및 최저 차이를 계산하여 입력자료의 범위를 변형시키는 MinMax 및 MaxAbs 변환, 표준편차를 이용하는 Standard 변환 및 분위수를 지정하여 변형하는 Robust와 Quantile 변환으로 구성된 전처리 파이프라인을 구축하였으며, 변환된 훈련자료와 예측 변수와의 상관관계를 계산하여 순위에 따라 훈련자료의 특성을 선택하는 특성 선택 기법을 추가하였다. 본 연구는 U-Net 모델에 TimeDistributed wrapper를 모든 합성곱 층(convolutional layer)에 적용하여 활용하였다. 5개 알고리즘으로부터 변환된 6개 개별 기후모델 및 MME S2S 훈련자료(일 최고 및 최저기온, 강수)에 훈련 모델을 적용한 결과와 훈련 모델을 적용하지 않은 결과를 ERA5와의 공간상관계수(spatial Pattern Correlation Coefficient)를 계산하고 그 개선율인 기술 점수(skill score)를 평가한 결과, 일 강수의 PCC 기술 점수는 Standard 및 Robust 변환으로 처리된 것에서 전체 예측선행(1~4주)에 대해 모두 높았고, 일 최고 및 최저기온에서는 예측 선행시간 3~4주에서만 높게 나타났다. 또한, 일 강수에서 특성 선택에 따른 훈련자료의 차원 감소가 예측 성능 변화에 영향을 미치지 않는 것으로 나타났다. 일 최고 및 최저기온의 경우에는 특성 선택에 의한 훈련자료의 특성 정보 감소가 오히려 예측 성능을 저하시킬 수 있는 것으로 확인되었으며, 원시자료에서 예측성이 높은 1~2주 기온 예측 개선을 위한 적합한 전처리 변환 알고리즘이나 특성 선택을 찾을 수 없었다. 후속 연구에서는 원시 예측 성능이 강수에 비해 높으나 딥러닝 훈련 모델에 의한 후보정 효과가 미미한 예측 선행 1~2주 기온 예측의 저조 원인에 대해 탐색하고, 다양한 딥러닝 훈련 모델로의 적용 및 초매개변수 조정 등 학습 과정의 최적화를 통해 S2S 기후 예측 성능을 개선하고자 한다.

• 대한공업교육학회지
• /
• 제38권2호
• /
• pp.267-286
• /
• 2013

본 연구는 반도체 제조업 회사인 H사의 기업부설연구소를 대상으로 구성원에게 필요한 역량을 규명하였다. 포커스 그룹 인터뷰와 직무분석 자료를 바탕으로 비전을 확인하고 구성원이 직무를 수행하는데 필요한 역량을 확인했다. 또한 규명된 역량에 대해 설문을 통해 구성원이 인식하고 있는 역량별 중요도인식과 역량수준을 확인함으로써 개인과 조직의 역량을 향상시키기 위한 방법을 제안하였다. 인터뷰와 직무분석은 각자 그룹별, 내용별로 정리된 후 통합 분석되었고, 분석된 결과는 Spencer&Spencer의 역량사전과 선행연구에서 개발된 역량모델들과 비교분석을 거친 뒤 유목화되어 재분류하는 과정을 거쳤으며, 그 결과 16개의 역량이 도출되었고, 7개의 역량군으로 분류하였다. 이 연구는 이러한 결과를 근거로 H사 기업부설연구소가 필요한 역량을 규명하고 직무별로 요구되는 역량의 차이를 발견하였다. 또한 역량의 중요도 인식과 역량별 본인의 수준 인식 정도를 확인하여 연구인력에 대한 보다 적극적인 교육의 방식이나 다양한 종류의 교육을 제안했다.

• 한국해양학회지:바다
• /
• 제12권3호
• /
• pp.170-177
• /
• 2007

본 연구에서는 기상청 연구개발 사업을 통해 개발된 PNU/CME 접합대순환 모형(CGCM)을 이용하여 적도 태평양에서의 엘니뇨 및 라니냐 현상에 대한 장기 예측성을 해수면온도 상관관계와 숙련도를 통해 살펴보았다. 이를 위하여 PNU/CME CGCM을 활용한 전구규모의 기후 예측을 위하여 1979년부터 2004년까지 매해 1월, 4월, 7월, 10월초를 초기조건으로 하여 12개월 후보 적분을 수행했다(각 적분은 APR RUN, JUL RUN, OCT RUN, JAN RUN 이라 명명한다). 또한 각 12개월 후보 적분은 5개의 앙상블로 구성되었다. 4계절로부터 출발한 모든 적분에서 12개월의 리드가 지난 이후에도 상대적으로 높은 상관이 적도 태평양에서 유지되었다. 특히, 본 연구에서 사용된 모형의 적도 해수면온도 아노말리 예측성은 6개월의 리드까지 뛰어나다는 것을 알 수 있었다. 엘니뇨와 라니냐에 대한 예측성을 평가하기 위해서 Hit rate와 False alarm rate 등의 다양한 숙련도를 구해본 결과, PNU/CME CGCM은 적도 태평양 지역에서의 온난 아노말리와 한랭 아노말리를 예측하는데 있어서는 좋은 예측성을 보였다. 그러나 보통 상태에 대한 예측성은 상대적으로 다소 낮았다. 또한 본 연구에 사용한 모형 결과를 DEMETER 사업에 참여하고 있는 다른 접합대순환 모형들의 예측성과도 비교해 보았을 때, 본 연구에 사용한 모형은 DEMETER 사업에 참여한 모형들에 견줄 수 있는 장기 예측 능력을 갖고 있음을 알 수 있었다. 결론적으로 Nino3.4 지역의 해수면온도 아노말리를 예측할 수 있는 능력을 통해서 살펴볼 때 PNU/CME CGCM은 엘니뇨 및 라니냐 해에 대해서는 6개월까지는 높은 예측성이 있다고 판단되며 최장 12개월 정도의 장기 예측 능력이 있다는 결론을 얻었다.