http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
조창제(Chang Je Cho),곽경일(Gyeong Il Kwak),주현석(Hyun Seok Joo),김국진(Kuk Jin Kim) 전남대학교 수산과학연구소 2021 수산과학연구소논문집 Vol.30 No.1
Natural disasters are increasing due to recent climate change. Rainfall directly or indirectly affects aquaculture and agriculture. Therefore, it is important to anticipate and prepare for this. In this study, a study on the performance comparison between spatial interpolation techniques was conducted based on observed data, and predicted based on the data produced by the spatial interpolation techniques. The spatial interpolation methods compared the inverse distance weighting method, kriging and spatial random forest through MAE (Mean absolute error), RMSE (Root mean square error), correlation coefficient. The verification of predicted data was compared through MAE, CSI (Critical Success Index), FAR (False Alarm Ratio), POD (Probability of Detection) and ETS (Equitable Threat Score).
조창제(Chang Je Cho),곽경일(Gyeong Il Kwak),김국진(Kuk Jin Kim),김병국(Byeong Kuk Kim) 한국해양환경·에너지학회 2021 한국해양환경·에너지학회 학술대회논문집 Vol.2021 No.5
한반도는 복잡한 지리적 구조를 이루고 있으므로 국지적인 자연현상이 빈번하게 발생한다. 국지적 자연현상을 분석하기 위해서는 많은 관측소가 요구된다. 그러나 예산이나 전력 수급과 같은 현실적인 문제들로 인해 다량의 관측소 설치가 제한된다. 위성자료를 활용하거나 레이더를 활용하는 방법은 이에 대한 대안이 될 수 있다. 하지만 위성자료나 레이더자료의 경우 2차산출물이므로 관측자료 대비 과대·과소 모의하는 경우가 존재한다. 따라서 관측자료 기반의 시·공간 예측모형은 중요하다고 할 수 있다. 본 연구에서는 공간보간기법 중 연산시간이 짧은 역거리가중법(Inverse distance weighted method, IDW)을 활용하여 격자자료를 생성하였으며, 생산된 격자자료를 인공지능기반의 시공간 모형인 ConvLSTM(Convolutional long short term memory)를 사용하여 격자예측자료를 생산하는 예측모형을 구축하였다. 본 연구의 대상지역은 남해로 선정하였으며, 공간보간기법은 관측자료가 많을수록 정밀해진다는 특징이 존재하므로, 해양자료 뿐 아니라 기상 관측자료 또한 분석에 활용하였다. 성능평가지표로는 평균제곱근편차(Root mean square error, RMSE)와 평균절대오차(mean absolute error, MAE)를 활용하였다. Since the Korean Peninsula has a complex geographic structure, local natural phenomena occur frequently. Many observation stations are required to analyze local natural phenomena. However, practical problems such as budget and power supply limit the installation of a large number of observatories. Satellite data or radar can be an alternative. However, in the case of satellite data or radar data, since it is a secondary output, there are cases in which the observation data is over-estimated or under-estimated. Therefore, it can be said that the spatio-temporal prediction model based on observational data is important. In this study, grid data was generated by using the Inverse distance weighted method (IDW), which has a short computation time, among spatial interpolation techniques. A prediction model was built to produce grid prediction data by learning grid data in ConvLSTM(Convolutional long short term memory), an artificial intelligence-based spatio-temporal model. The target area for this study was selected as the South Sea, and the spatial interpolation method has the characteristic that the more observation data is, the more precise it is, so not only ocean data but also meteorological observation data are used for analysis. As performance evaluation indicators, root mean square error (RMSE) and mean absolute error (MAE) were used.
조창제(Chang Je Cho),곽경일(Gyeong Il Kwak),김국진(Kuk Jin Kim),김명원(Myeong Won Kim) 한국해양환경·에너지학회 2021 한국해양환경·에너지학회 학술대회논문집 Vol.2021 No.10
대한민국에서는 다양한 센서들을 포함하는 위성들을 운용하고 있으며, 위성 자료들은 해양, 기상 및 농림 분야나 연구 분야에서 많이 활용되고 있다. 이러한 위성 자료들은 악기상이나 수신오류 및 원인불명의 이유로 결측이 다수 발생한다. 이러한 위성자료의 결측을 해결하기 위해 선행되었던 연구들로는 크리깅(Kriging)과 같은 공간통계기법을 활용하거나, 타깃변수와 설명인자 사이의 지구물리학적 관계를 활용하는 회귀크리깅(Regression Kriging), 인공지능을 기반으로 비선형성을 고려하는 연구들이 존재한다. 본 연구에서는 위성자료의 결측을 해결하기 위해 수문학에서 주로 활용되는(Inverse Distance Weighted method, IDW)를 통해 기온, 수온, 풍속, U, V, 현지기압 인자들을 생성하고, 생성한 인자를 기반으로 위성자료의 해수면온도(Sea Surface Temprature; SST)를 예측하는 인공지능 모형을 개발하고 평가하였다. 본 연구에서 기상청과 국립해양조사원 관측자료를 공간 보간 자료로 사용하였으며, 국가기상위성센터에서 운용중인 천리안위성 2호의 자료를 인공지능의 목표변수 및 검증자료로 사용하였다. 성능평가지표로는 평균절대오차(Mean Absolute Error, MAE)를 활용하였다. In Korea, satellites including various sensors are being operated, and satellite data are widely used in the fields of ocean, meteorology, agriculture and forestry, and research fields. Most of this satellite data is missing due to bad weather, reception errors, or unknown causes. As prior studies to resolve such satellite data missing values, there are kriging, regression kriging using the geophysical relationship between target variables and explanatory factors, and artificial intelligence research considering nonlinearity. In this study, temperature, water temperature, wind speed, U, V, and atmospheric pressure were generated using the inverse distance weighting method (IDW), which is mainly used in hydrology to solve missing values in satellite data. An artificial intelligence model for predicting sea surface temperature(SST) was developed and evaluated. In this study, observation data from the Korea Meteorological Administration(KMA) and the Korea Hydrographic and Oceanographic Agency(KHOA) were used as spatial interpolation data, and Communication, Ocean and Meteorological Satellite(COMS) data operated by the National Meteorological Satellite Center were used as target variables and verification data for arificial intelligence. Mean Absolute Error (MAE) was used as a performance evaluation indicator.
조창제(Chang Je Cho),강성욱(Seong Wook Kang),곽경일(Gyeong Il Kwak),이준호(Joon Ho Lee),김국진(Kuk Jin Kim) 전남대학교 수산과학연구소 2022 수산과학연구소논문집 Vol.31 No.1
Since high-resolution meteorological data can be used for precise research or useful services in real life, the need for high-resolution data production is increasing. Considering the local phenomenon and complex geographical characteristics of the Korean Peninsula, the installation of a large number of observatories is ideal, but this is limited by practical problems such as budget. Numerical models can be a good alternative to this. In this paper, a study was conducted to super-resolution the GDPS data of the 12 km unit grid into the LDPS data of the 1.2 km unit grid through the FSRCNN and VDSR techniques. As the performance evaluation index of the super-resolution model, MAE, which means the average difference between the super-resolution data and the LDPS data, and PSNR, which means the loss rate of the data, were used. As a result, the VDSR model was excellent for temperature and the FSRCNN model was excellent for U and V components for wind.
AI 기법을 활용한 제주도 남서부 해역의 입자추적 예측 연구
하승윤(Seung Yun Ha),김희준(Hee Jun Kim),곽경일(Gyeong Il Kwak),김영택(Young-Taeg Kim),윤한삼(Han-Sam Yoon) 한국해안해양공학회 2022 한국해안해양공학회 논문집 Vol.34 No.3
본 연구는 제주도 남서부 해역의 표류체 이동 예측을 위해 2020년 8월 제주도 남서부 5개 지점에서 투하된 표층 뜰개 위치자료와 수치모델 예측자료를 학습자료로 이용한 인공지능 기반 입자추적 모델 5개를 구축하였다. 구축된 AI 기법은 기계학습 3종(Extra Trees, LightGBM, Support Vector Machine)과 딥러닝 2종(DNN, RBFN)이다. 또한 해수유동 수치모델 입자추적 예측자료 1종 및 AI 기법 입자추적 예측자료 5종을 표층 뜰개 관측자료와 비교하여 각 예측모델별 예측 정확도를 평가하였다. 6종 모델의 예측 정확도를 평가하기 위해, 5개 정점에 대한 3개 스킬량(MAE, RMSE, NCLS)의 평균값을 비교 검토하였다. 최종적인 결과로서 딥러닝 DNN 모델이 MAE, RMSE, NCLS에서 다른 모델보다 가장 우수하게 나타났다. Positions of five drifting buoys deployed on August 2020 near southwestern area of Jeju Island and numerically predicted velocities were used to develop five Artificial Intelligence-based models (AI models) for the prediction of particle tracks. Five AI models consisted of three machine learning models (Extra Trees, LightGBM, and Support Vector Machine) and two deep learning models (DNN and RBFN). To evaluate the prediction accuracy for six models, the predicted positions from five AI models and one numerical model were compared with the observed positions from five drifting buoys. Three skills (MAE, RMSE, and NCLS) for the five buoys and their averaged values were calculated. DNN model showed the best prediction accuracy in MAE, RMSE, and NCLS.