http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 강하림 (검색결과 7 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
광주기지 안개 특성에 따른 안개안정지수(FSI) 임계값 분석
홍준성,강하림,오규원,황재돈 한국기상학회 2021 한국기상학회 학술대회 논문집 Vol.2021 No.10
기상은 공군의 항공작전에서 가장 먼저 고려되는 요소로 전쟁에서 정확한 예보는 필수 불가결하다. 그 중에서도 안개는 항공기의 이착륙에 직결되는 요소로 현재까지도 예보관들에게 여전히 어려운 과제로 남아있다. 안개를 예측하기 위해 수치모델 방법과 통계적 방법 등 다양한 연구가 있었다. 수치모델을 활용한 연구는 해상도의 한계와 지면과 대기 하층의 상호작용을 계산하는 과정의 문제 등으로 안개라는 국지적 기상현상을 모의하기에는 여전히 제한적인 것도 사실이다. 통계적 방법은 회귀분석 방법, 의사결정나무(Decision Trees), 신경망 방법 등이 활용되고 있다. 최근 1970년대 후반 미 공군에서 개발된 안개 예보 경험식인 FSI(Fog Stability Index)를 사용하여 높은 예측 정확도를 보이는 결과가 보고되어, 이러한 기법을 활용하여 공군 광주기지를 대상으로 검증하고자 한다. FSI =2(T-Td) + 2(T-T850)+WS850 (T: 기온, Td : 노점온도, T850 : 850 hPa 기온, WS850 : 850 hPa 풍속) 본 연구에서는 안개를 의사결정나무 기법을 적용하여 크게 전선무, 이류무, 증기무, 복사무로 분류하였다. FSI는 지상의 온도, 노점 온도와 850hPa의 온도와 풍속 정보를 포함하고 있어, 안개 현상이 빈번하고 하층 대기의 관측자료를 얻을 수 있는 광주기지를 우선 대상으로 하였다. FSI는 원래 복사무 생성확률을 확인하기 위한 식으로 구성되어 있는데, 복사무 외 각 안개별 FSI의 임계값을 확인할 것이다. 지수의 임계값으로 FSI<31이면 안개 생성 가능성이 크고, FSI>55이면 낮음으로 판정하는데, 한국형 FSI 식 개발을 위해 한국에 적합한 지수 임계값을 찾는 것을 최우선 목적으로 하고, 안개 분류별, 연도별, 계절별 임계값을 확인할 것이다. 정시관측을 기준으로 광주기지는 2011년에서 2020년까지 10년간 총 안개는 8818회가 발생하였다. 그 중 관측값을 획득할 수 있는 횟수 즉, 하층 대기의 관측자료를 얻을 수 있는 정시관측 중 총 안개 발생횟수는 165회로 나타났다. 이 중 전선무는 26회, 이류무는 24회, 증기무는 58회, 복사무는 40회로 나타났으며, 17회는 알 수 없음으로 분류하였다. 최근으로 갈수록 증기무의 발생횟수가 증가하고 있다. 안개 분류별 FSI 임계값을 살펴보면 전선무는 40.5, 이류무는 18.6, 증기무는 14.2, 복사무는 14.0으로 나타났다. 계절별로는 봄철은 증기무가 가장 빈번했으며 임계값은 15.9로 나타났고, 여름철은 전선무가 가장 빈번했으며 임계값으로 38.5로 나타났고, 가을철은 증기무가 가장 빈번했으며 임계값으로 14.2로 나타났고, 겨울철은 전선무가 가장 빈번했으며 42.4로 나타났다. 이후 수정 FSI 및 새로운 FSI를 개발하여 CSI 및 HR을 높여 광주기지에 맞는 FSI를 개선할 것이다. 또한 공군 수치모형인 KAF-WRF의 자료를 사용하여 안개 예보를 위한 안개 예보식으로 활용할 수 있을 것이다.
-
-
이승민,이승재,강하림,함숙정,송재익,김기남 한국항공운항학회 2024 한국항공운항학회지 Vol.32 No.3
Wind forecast is one of the key meteorological factors required for safe aircraft takeoff and landing. In this study, we developed an artificial intelligence-based wind compensation method by learning the Korea Air Force Weather Research and Forecast (KAF-WRF) forecast data and the Airfield Meteorological Observation System (AMOS) data at five airports using Support Vector Machine (SVM). The SVM wind prediction models were composed of three types according to the learning period (30 days, 40 days, and 60 days) using seven KAF-WRF variables as training data, and the wind prediction performance at the five airports was evaluated using Root Mean Squared Errors (RMSE). According to the results, the SVM wind prediction model trained using U (east-west) and V (north-south) components performed approximately 18% better than the model trained using wind speed and wind direction. The wind correction of KAF-WRF with AMOS observations via SVM outperformed the conventional KAF-WRF wind predictions in eight out of ten cases, capturing abrupt changes in wind direction and speed with a 25% reduction in RMSE.
-
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
