생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
표제지
목차
제출문 3
요약문 4
Ⅰ. 서론 20
1. 연구의 배경 20
2. 연구의 목적 22
Ⅱ. 연구내용 및 방법 24
1. 과업의 범위 24
2. 연구추진체계 25
3. 자료 조사 및 분석 방법 26
가. 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선 26
나. 예보권역별 고농도 군집분석 및 예보기법 확대 적용 28
다. 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발 30
라. 연구성과 활용 31
Ⅲ. 연구 결과 및 고찰 33
1. 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선 33
가. 4개 등급을 2개 등급(나쁨 미만과 이상)으로 구분하는 등 정확도 향상 방안 모색 33
나. 자료생산기간별 계절별 특성 고려 방안 모색 49
다. 지역규모의 예측인자 적용 방안 모색 64
2. 예보권역별 고농도 군집분석 및 예보기법 확대 적용 91
가. 전국단위로 예측범위를 확장 91
나. 권역별 특성 분석을 위한 기상장 등 관측 자료 추가 분석 93
다. 권역별 고농도 사례에 대한 군집 분석 108
라. 권역별 고농도 및 지속기간에 대한 예측성 평가 132
3. 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발 139
가. 권역별 데이터베이스 구축 139
나. 예보관이 쉽게 활용할 수 있는 인터페이스 구축을 위한 예측 및 분석 결과 제공 140
Ⅳ. 결론 및 세부수행계획상 목표 달성 141
1. 결론 141
가. 대표 기상패턴을 고려한 통계-역학 하이브리드 예측 시스템 개선 141
나. 예보권역별 고농도 군집분석 및 예보기법 확대 적용 143
다. 권역별 웹 기반 미세먼지 예보확정 지원 모듈개발 145
2. 세부수행계획상 목표 달성 146
Ⅴ. 기대성과 및 향후 계획 147
1. 기대성과 및 활용방안 147
2. 향후 계획 148
Ⅵ. 참고문헌 149
Table 1-1. 이틀 전, 하루 전, 당일의 500 hPa 지오퍼텐셜 고도, 850 hPa 온도, 1000 hPa 지오퍼텐셜 고도의 아노말리 패턴들에 해당하는 각 코사인 유사도들과 하루 전... 35
Table 1-2. Table 1-1과 같되 예측 기간 동안 관측한 PM10 농도를 70 μg/㎥ 이하, 70초과 80 μg/㎥ 이하, 80 초과 90 μg/㎥ 이하, 90 μg/㎥ 초과로 나누어 해당 사례들에... 36
Table 1-3. 신경망 모델의 훈련 자료에서 L1 타입 저농도 사례를 제외한 결과 51
Table 1-4. 신경망 모델의 훈련 자료에서 고농도 사례 시작일을 제외한 결과 51
Table 1-5. 신경망 모델의 훈련 자료에서 L1 타입 저농도 사례와 고농도 사례 시작일을 제외한 결과 52
Table 1-6. 중국 지역별 평균 PM10 농도와 서울 PM10 농도 사이의 계절별 상관 계수 55
Table 1-7. 신경망 모델에 입력 자료로 중국 PM10 농도 아노말리 패턴의 코사인 유사도 대신 R5 지역 PM10 농도를 넣었을 때의 겨울 예측 결과 55
Table 1-8. 이틀 전, 하루 전, 당일의 500 hPa 지오퍼텐셜 고도, 850 hPa 온도, 1000 hPa 지오퍼텐셜 고도의 아노말리 패턴들에 해당하는 각 코사인 유사도들과 하루 전... 57
Table 1-9. 저농도 사례 중에 500 hPa 지오퍼텐셜 코사인 유사도가 양의 값인 경우와 고농도 사례 중에 해당 코사인 유사도가 음의 값인 경우를 훈련자료에서 제외하고 훈련한... 61
Table 1-10. 예측인자 구성에 따른 봄 신경망 모델의 예측성 비교 결과 61
Table 1-11. 이틀 전, 하루 전, 당일의 500 hPa 지오퍼텐셜 고도, 850 hPa 온도, 1000 hPa 지오퍼텐셜 고도의 아노말리 패턴들에 해당하는 각 코사인 유사도들과 하루 전... 62
Table 1-12. 저농도 사례 중에 500 hPa 지오퍼텐셜 코사인 유사도가 양의 값인 경우와 고농도 사례 중에 해당 코사인 유사도가 음의 값인 경우를 훈련자료에서 제외하고 훈련한... 63
Table 1-13. 이틀 전, 하루 전, 당일의 500 hPa 지오퍼텐셜 고도, 850 hPa 온도, 1000 hPa 지오퍼텐셜 고도의 아노말리 패턴들에 해당하는 각 코사인 유사도들과 하루 전... 64
Table 1-14. 저농도 사례 중에 500 hPa 지오퍼텐셜 코사인 유사도가 양의 값인 경우와 고농도 사례 중에 해당 코사인 유사도가 음의 값인 경우를 훈련자료에서 제외하고 훈련한... 64
Table 1-15. Figure 1-20의 의사 결정 모델을 통해 신경망 모델의 예측 결과와 서울의 지역 규모 예측 인자를 변수로 사용하여 예측한 결과 67
Table 1-16. Figure 1-22의 의사 결정 모델을 사용하여 2004년부터 2014년 여름 동안에 대해 예측한 결과 72
Table 1-17. Figure 1-23과 같이 신경망 모델과 의사 결정 모델을 함께 사용하여 2004년부터 2014년 여름 동안에 대해 예측한 결과 73
Table 1-18. Figure 1-24에 나타난 의사 결정 모델을 사용하여 2004년부터 2014년 가을 동안에 대해 예측한 결과 74
Table 1-19. Figure 1-25에 나타난 의사 결정 모델을 사용하여 2004년부터 2014년 겨을 동안에 대해 예측한 결과 76
Table 1-20. Figure 1-26과 같이 신경망 모델과 의사 결정 모델을 함께 사용하여 2004년부터 2014년 겨울 동안에 대해 예측한 결과 79
Table 1-21. 계절별로 전체 기간 동안의 훈련 자료를 사용해 훈련한 신경망 모델만을 사용하여 2004년부터 2014년에 대해 예측한 결과 81
Table 1-22. 신경망 모델과 의사 결정 모델로 구성된 계절별 예측 모델을 사용하여 2004년부터 2014년에 대해 예측한 결과 82
Table 1-23. Table 1-21에 나타낸 신경망 모델과 Table 1-22에 나타낸 신경망 모델과 의사결정 모델을 함께 사용한 모델의 예측성 82
Table 1-24. 2004년부터 2014년 사이의 봄 동안 발생한 고농도 사례의 신경망 모델만을 사용하였을 때와 신경망모델과 의사결정모델을 함께 사용하였을 때 예측 여부에 따른... 84
Table 1-25. 훈련 자료 기간에 따른 2004년부터 2014년까지의 재예측 결과 86
Table 1-26. 훈련 자료 기간에 따른 2010년부터 2014년까지의 재예측 결과 87
Table 1-27. 당일 GFS 예측 자료를 사용하여 2015년 9월 1일부터 2016년 11월 8일까지에 대해 계절별로 예측한 결과 90
Table 1-28. 2015년 9월 1일부터 2016년 11월 8일까지에 대한 예측에 사용한 실시간 GFS 예측 자료의 예측 시간에 따른 모델의 예측성 90
Table 2-1. 지역별 PM10 농도와 상관성이 가장 높은 중국 지역의 PM10 농도 사이의 상관 계수(검은색: 중국 북동부 R5 지역, 빨간색: 중국 동남부 R6 지역) 92
Table 2-2. 일평균 PM10 농도의 지역 간 상관계수 93
Table 2-3. 서울, 경기ㆍ충청, 강원, 전라, 경상 권역의 세 가지 군집에 해당하는 일수 및 전체 일수에 대한 비율 111
Table 2-4. 서울, 경기ㆍ충청, 강원, 전라, 경상 권역의 세 가지 군집에 대한 고농도 사례 비율 112
Table 2-5. 서울과 안동, 춘천, 대구 간의 일평균 PM10 농도의 상관계수 116
Table 2-6. 서울과 속초, 울산 간의 일평균 PM10 농도의 상관계수 116
Table 2-7. 안동, 춘천, 대구, 속초, 울산의 세 가지 군집에 해당하는 일수 및 전체 일수에 대한 비율 118
Table 2-8. 안동, 춘천, 대구, 속초, 울산의 세 가지 군집에 대한 고농도 사례 비율 119
Table 2-9. 서울, 원주, 속초의 PM10 농도가 80 μg/㎥ 이상인 날의 지속일별 횟수 129
Table 2-10. 권역별 봄 PM10 에 대한 모델별 고농도 사례 적중률(모델 중 가장 높은 적중률은 붉은색으로 표시) 133
Table 2-11. 권역별 여름 PM10 에 대한 모델별 고농도 사례 적중률(모델 중 가장 높은 적중률은 붉은색으로 표시) 134
Table 2-12. 권역별 가을 PM10 에 대한 모델별 고농도 사례 적중률(모델 중 가장 높은 적중률은 붉은색으로 표시) 135
Table 2-13. 권역별 겨울 PM10 에 대한 모델별 고농도 사례 적중률(모델 중 가장 높은 적중률은 붉은색으로 표시) 136
Table 2-14. 통계-역학 하이브리드 예측 시스템을 사용하여 예측한 권역별 4일 미만의 짧은 고농도 사례와 4일 이상의 긴 고농도 사례의 적중률 138
Figure 1-1. 2001년부터 2014년 사이의 겨울 동안 발생한 (a-c) 저농도 사례와 (d-e) 고농도 사례에 대해 평균한 CFSR 자료의 500 hPa 지오퍼텐셜 고도(m),... 34
Figure 1-2. Table 1-2에서 PM10 농도가 70 μg/㎥ 이하인 저농도 사례에 대해 (a-c) 틀린 예측을 한 날과 (d-e) 맞힌 예측을 한 날에 대해 평균한 500 hPa 지오퍼텐셜 고도,... 38
Figure 1-3. Figure 1-2와 같되 PM10 농도가 70 초과 80 μg/㎥ 이하인 저농도 사례에 대한 기상장 패턴 39
Figure 1-4. Table 1-1에 나타난 저농도 사례의 예측 결과별로 평균한 사례 당일, 하루 전, 이틀 전 기상장 패턴의 코사인 유사도 (에러 바는 평균 오차) 40
Figure 1-5. 저농도 사례 당일의 850 hPa 온도 아노말리의 코사인 유사도를 사용한 클러스터링 분석 결과 나타난 군집 스테이지별 유클리디안 거리 41
Figure 1-6. (a-c) L1 타입과 (d-f) L2 타입의 저농도 사례의 평균 기상장 패턴 43
Figure 1-7. L1 타입과 L2 타입의 저농도 사례의 평균 서울 일강수량(에러 바는 평균 오차) 44
Figure 1-8. Figure 1-2와 같되 PM10 농도가 80 초과 90 μg/㎥ 이하인 고농도 사례에 대한 기상장 패턴 45
Figure 1-9. Figure 1-2와 같되 PM10 농도가 90 μg/㎥ 초과인 고농도 사례에 대한 기상장 패턴 47
Figure 1-10. Figure 1-4와 같되 고농도 사례에 대한 코사인 유사도 48
Figure 1-11. Table 1-1에 나타난 고농도 사례의 예측 결과별로 평균한 사례 하루 전과 당일의 서울 PM10 농도 48
Figure 1-12. L1 타입과 L2 타입 저농도 사례의 연별 발생 빈도수 49
Figure 1-13. 고농도 사례 시작일과 연속일의 연별 발생 빈도수 50
Figure 1-14. (a) 2004년부터 2007년까지, (b) 2008년부터 2011년까지, (c) 2012년부터 2014년까지 겨울에 발생한 고농도 사례에 대해 각각 평균한 중국 스테이션에서의 PM10 농도 아노말리 패턴 53
Figure 1-15. 2001년부터 2014년까지의 (a) 봄, (b) 여름, (c), 가을, (d) 겨울 동안의 서울 PM10 농도와 각 중국 스테이션에서의 PM10 농도 사이의 상관 계수 54
Figure 1-16. 2001년부터 2014년 사이의 겨울 동안 발생한 (a-c) 저농도 사례와 (d-e) 고농도 사례에 대해 평균한 CFSR 자료의 500 hPa 지오퍼텐셜 고도(m), 850 hPa 온도(K), 1000 hPa 지오퍼텐셜 고도(m)의 아노말리 패턴 56
Figure 1-17. 전체 훈련 자료를 사용한 봄 신경망 모델에서 (a) 올바르게 예측한 저농도 사례, (b) 저농도 사례를 고농도 사례로 잘못 예측한 사례, (c) 고농도 사례를 저농도 사례로 잘못 예측한 사례,... 58
Figure 1-18. 전체 훈련 자료를 사용한 봄 신경망 모델에서 (a) 올바르게 예측한 저농도 사례, (b) 저농도 사례를 고농도 사례로 잘못 예측한 사례, (c) 고농도 사례를 저농도 사례로 잘못 예측한 사례,... 59
Figure 1-19. 전체 훈련 자료를 사용한 봄 신경망 모델에서 (a) 올바르게 예측한 저농도 사례, (b) 저농도 사례를 고농도 사례로 잘못 예측한 사례, (c) 고농도 사례를 저농도 사례로 잘못 예측한 사례,... 60
Figure 1-20. 봄에 대한 의사 결정 모델의 순서도 65
Figure 1-21. 봄 의사 결정 모델의 (a) 첫 번째 분기와 (b) 두 번째 분기의 기준값에 대한 민감도 테스트(원문불량) 68
Figure 1-22. 여름에 대한 의사 결정 모델의 순서도 71
Figure 1-23. 여름에 대한 신경망 모델(파란선)을 1차적으로 사용한 뒤 의사 결정모델(검은선)을 2차적으로 사용하는 모델의 순서도 72
Figure 1-24. 가을에 대한 의사 결정 모델의 순서도 74
Figure 1-25. 겨울에 대한 의사 결정 모델의 순서도 76
Figure 1-26. 겨울에 대한 신경망 모델(파란선)을 1차적으로 사용한 뒤 의사 결정 모델(검은선)을 2차적으로 사용하는 모델의 순서도 78
Figure 1-27. 2004년부터 2014년 사이의 봄 동안 발생한 고농도 사례 중 (a-c) 신경망 모델만을 사용하였을 때와 신경망모델과 의사결정모델을 함께 사용하였을 때 모두 예측 하지 못한 사례,... 83
Figure 1-28. 2004년부터 2014년의 겨울 동안 발생한 고농도 사례 중 신경망 모델 및 의사 결정 모델을 함께 사용하여 올바르게 예측한 사례(회색 막대)와 잘못 예측한 사례(흰색 막대) 85
Figure 2-1. 권역별 (a) 연평균 PM10 농도(μg/㎥), (b) 연도별 PM10 고농도(〉 80 μg/㎥) 일수 94
Figure 2-2. 권역별 고농도일에 대한 300 hPa, 1000 hPa의 지오퍼텐셜 고도 아노말리 97
Figure 2-3. 권역별 고농도일 하루 전과 당일에 대한 300 hPa 지오퍼텐셜 고도 아노말리 98
Figure 2-4. 권역별 고농도일 하루 전과 당일에 대한 1000 hPa 지오퍼텐셜 고도 아노말리 99
Figure 2-5. 권역별 고농도일 하루 전과 당일에 대한 1000 hPa 바람 아노말리 101
Figure 2-6. 권역별 (a) 계절평균 PM10 농도(μg/㎥), (b) 계절별 PM10 고농도(〉 80 μg/㎥) 일수 103
Figure 2-7. 권역별 cold season(10월~3월)의 고농도일에 대한 300 hPa, 1000 hPa 지오퍼텐셜 고도 아노말리 105
Figure 2-8. 권역별 warm season(4월~9월)의 고농도일에 대한 300 hPa, 1000 hPa 지오퍼텐셜 고도 아노말리 106
Figure 2-9. 권역별 cold season(10월~3월)과 warm season(4월~9월)의 고농도일에 대한 1000 hPa 바람 아노말리 107
Figure 2-10. 2006−2014년의 서울, 경기ㆍ충청, 강원, 전라, 경상 권역의 전체 역궤적 및 세 가지 군집에 대한 역궤적 109
Figure 2-11. 서울, 경기ㆍ충청, 강원, 전라, 경상 권역 역궤적의 군집화 계통도 111
Figure 2-12. 서울, 경기ㆍ충청, 강원, 전라, 경상 권역 각 군집의 계절별 고농도 사례 일수 113
Figure 2-13. 서울, 경기ㆍ충청, 강원, 전라, 경상 권역의 역궤적으로 산출한 CWT 및 세 가지 군집에 대한 CWT 115
Figure 2-14. 2007−2014년의 안동, 춘천, 대구, 속초, 울산의 전체 역궤적 및 세 가지 군집에 대한 역궤적 117
Figure 2-15. 안동, 춘천, 대구, 속초, 울산 각 군집의 계절별 고농도 사례 일수 119
Figure 2-16. 서울, 안동, 춘천, 대구, 속초, 울산의 전체 역궤적 및 세 가지 군집에 대한 역궤적의 경도-고도 단면도 120
Figure 2-17. 안동, 춘천, 대구, 속초, 울산의 역궤적으로 산출한 CWT 및 세 가지 군집에 대한 CWT 121
Figure 2-18. 고농도일 하루 전과 당일에 대한 300 hPa 지오퍼텐셜 고도 아노말리 123
Figure 2-19. 고농도일 하루 전과 당일에 대한 1000 hPa 지오퍼텐셜 고도 아노말리 124
Figure 2-20. 고농도일 하루 전과 당일에 대한 1000 hPa 바람 아노말리 125
Figure 2-21. 고농도 현상이 서울에서 해소되고 안동, 춘천, 대구, 속초, 울산에서 해소되지 않은 경우, 서울과 타 지역에서 모두 해소된 경우의 기압, 풍속 127
Figure 2-22. 고농도 현상이 서울에서 해소되고 안동, 춘천, 대구, 속초, 울산에서 해소되지 않은 경우, 서울과 타 지역에서 모두 해소된 경우의 역궤적 128
Figure 2-23. 서울, 원주, 속초 PM10의 (a) 연평균 농도, (b) 계절평균 농도 130
Figure 2-24. 고농도 현상이 서울에서 해소되고 원주, 속초에서 해소되지 않은 경우, 서울과 타 지역에서 모두 해소된 경우의 기압, 풍속 131
Figure 2-25. 서울에서 발생한 4일 미만의 짧은 고농도 사례와 4일 이상의 긴 고농도 사례의 연도별 겨울 동안 관측된 사례일 수 및 올바르게 예측한 사례일 수 137
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요
