본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

[표지]

연구 보고서

목차

요약문 14

Summary 18

제1장 관측자료(위성, 레이더, 지상관측 자료) 학습자료 구축 23

제1절 연구 개발 목표 23

제2절 연구 내용 23

1. 4차 연도 연구 활용 관측자료 23

2. 시공간 일치 자료 저장 정보 24

3. 구축 학습자료 전달 26

4. 동아시아 영역 레이더 강수량 추정 학습자료 샘플 생성 28

제3절 소결 29

제2장 현업화를 위한 관측자료 융합 활용 관측지점별, 전 지역 구간 강수 예측 기술 개선 30

제1절 연구개발 목표 30

제2절 연구 내용 30

1. 3차 연도 초단기 강수 예측 모델 : 성능 중심, 사례 중심 30

2. 관측지점들에 대한 구간 강수 예측 모델 개발 35

3. 강수 사례 분석 기반 융합 자료 활용 모델 예측 시각화 개선 39

4. 사례 분석 기반 4차 연도 개발 모델 평가 45

제3절 소결 57

제3장 관측자료(레이더, 위성) 활용 강수 예측 기술 개선 58

제1절 연구 개발 목표 58

제2절 연구 내용 58

1. 다중 관측 자료 기반 최신 강수 예측 기술 동향 58

2. 3d VQGAN 모델 선명성 개선 60

3. 강수예측 트랜스포머 정확도 개선 62

4. 최종 모델 개발 및 24년 5-9월 테스트베드 검증 69

제3절 소결 78

제4장 지역별, 계절별 최적의 강수확률 예측 보정 모델 추천 기법 개발 및 개선 79

제1절 연구 개발 목표 79

제2절 연구 내용 79

1. 사전 연구 조사 79

2. 추천 알고리즘 파이프라인 개요 82

3. 차원 축소 강수 정보 기반 AWS 지점 군집화 84

4. AlphaRain의 확률적 예측을 활용하는 추천 알고리즘 88

5. 2023-2024년 지역별 추천 결과 90

제3절 소결 98

제5장 다중모델 활용 확률론적 강수 예측 보정 기술 최적화 99

제1절 연구 개발 목표 99

제2절 연구 내용 99

1. 사전 연구 조사 99

2. 확률론적 강수 예측 보정 모델 개요 101

3. 확률론적 강수 예측 보정 모델 성능 개선 방안 103

4. 확률론적 강수 예측 보정 모델 평가 및 분석 106

5. 효율적인 현업 운용을 위한 보정 모델 코드 개발 122

제3절 소결 128

참고 문헌 130

[뒷표지] 133

List of Tables

Table 1.1. Summary of fourth-year products 26

Table 2.1. Comparison the models proposed in 2023 and 2024. The changes are... 34

Table 2.2. F1 and CSI scores of (1) ASOC+(Ko et al., 2022), (2) our proposed... 38

Table 3.1. Comparison of various transformer architectures on 2020 validation set 63

Table 3.2. Comparison of different training methods on 2020 validation set 66

Table 3.3. Comparison of different context lengths on 2020 validation set 67

Table 3.4. Effect of geology information on 2020 validation set 68

Table 3.5. Effect of geology information on geological precipitation cases 69

Table 3.6. Comparsion of SAL scores 70

Table 3.7. Comparison of experimental setup 71

Table 4.1. CSI performance for monthly and seasonal recommendation results... 90

Table 4.2. Seasonal recommendation results. Blue entries in the table indicate... 91

Table 4.3. Seasonal recommendation results with probabilistic weighting. Blue... 91

Table 4.4. Monthly recommendation results. In all cases, the scores do not... 93

Table 4.5. Monthly recommendation results with probabilistic weighting. Blue... 93

Table 5.1. Model parameter size, training cost and memory cost of AlphaRain... 102

Table 5.2. Performance of GDAPS-UM AlphaRain model by training date... 105

Table 5.3. Train/validation/test data information for each NWP model 106

Table 5.4. Performance of AlphaRain model for each NWP model data. The... 108

그림목차

Fig. 1.1. Example of radar and satellite data from July 13, 2023 at 04:00 UTC 25

Fig. 1.2. Schematic diagram of the folder structure 27

Fig. 1.3. Examples of Regional Generation and Ground Radar... 28

Fig. 1.4. Data acquisition status over the entire period 29

Fig. 2.1. Architecture of SimVP 31

Fig. 2.2. Performance of SimVP compared to transformer models. 31

Fig. 2.3. Comparison the ground truth to the prediction of the proposed... 33

Fig. 2.4. Training process of the model focused on the sharpness 33

Fig. 2.5. Example of prediction for all regions (left)... 35

Fig. 2.6. Objective function that considers the difference between two pixels 36

Fig. 2.7. Overview of the proposed model utilizing ground observation data 37

Fig. 2.8. Illustration for fusing additional data with 한중일 합성장 40

Fig. 2.9. Example for showing meaningless grid pattern of the sharpness... 40

Fig. 2.10. Example for collapsing predictions after 5 hours of the sharpness... 41

Fig. 2.11. Objective function that considers the ground truth precipitation 42

Fig. 2.12. Comparison of the average of Power Spectral Density (PSD) at lead... 43

Fig. 2.13. Visualizations of two models proposed in 2023 (left) and... 43

Fig. 2.14. Ground truth images and visualizations of two models proposed in... 44

Fig. 2.15. Ground truth images and visualizations of two models proposed in... 45

Fig. 2.16. Comparison of log(BIAS) scores between models... 45

Fig. 2.17. Case 1 (June 14, 2020, at 08:00 KST). Ground truth images (top),... 46

Fig. 2.18. Case 2 (August 29, 2020, at 16:00 KST). Ground truth images... 47

Fig. 2.19. Case 3 (August 10, 2020, at 12:00 KST). Ground truth images... 48

Fig. 2.20. Case 4 (August 28, 2020, at 19:00 KST). Ground truth images... 49

Fig. 2.21. Case 5 (July 22, 2020, at 06:00 KST). Ground truth images (top),... 50

Fig. 2.22. Case 6 (June 12, 2020, at 19:00 KST). Ground truth images (top),... 51

Fig. 2.23. Average CSI scores of the model proposed in 2024 from May to... 52

Fig. 2.24. Best case 1 (July 03, 2020, at 04:00 KST). Ground truth images (top)... 52

Fig. 2.25. Best case 2 (June 15, 2020, at 06:00 KST). Ground truth images (top)... 53

Fig. 2.26. Worst case 1 (May 20, 2020, at 13:00 KST) Ground truth images... 53

Fig. 2.27. Worst case 2 (August 15, 2020, at 01:00 KST). Ground truth images... 54

Fig. 2.28. Visualization results of the model's predictions based on input data... 55

Fig. 2.29. Visualization results of the model's predictions based on input data... 55

Fig. 2.30. Average CSI scores of the model proposed in 2024. The test data is... 56

Fig. 3.1. Experiment result from Rahimi et al., 2024 59

Fig. 3.2. Histogram of accumulated precipitation and raw... 60

Fig. 3.3 Example of radar map reconstruction with 3d VQGAN at 2020.06.13.... 62

Fig. 3.4 Example of radar map reconstruction with 3d VQGAN at 2023.07.15.... 62

Fig. 3.5. Memory consumption comparison of different... 63

Fig. 3.6. Sampling distribution of video lengths with different training steps 64

Fig. 3.7. Example of droppath 65

Fig. 3.8. Comparison of different context lengths at August 14, 2020, at 10:00 KST 67

Fig. 3.9. Used channels for the geological information 68

Fig. 3.10. Comparison of SAL plots 70

Fig. 3.11. Distribution of CSI scores on different precipitation cases over... 72

Fig. 3.12. Distribution of CSI scores on general cases and selected major... 72

Fig. 3.13. Examples of precipitation cases with high CSI scores 73

Fig. 3.14. Examples of precipitation cases with low CSI scores 74

Fig. 3.15. Example of September 21, 2024, at 16:00 KST (C1 case) 75

Fig. 3.16. Example of August 5, 2024, at 21:00 KST. (C2 case) 76

Fig. 3.17. Example of May 26, 2024, at 15:00 KST (C3 case) 76

Fig. 3.18. Example of July 07, 2024, at 06:00 KST (C5 case) 77

Fig. 4.1. Two types of hierarchical clustering and flowchart 81

Fig. 4.2. Recommendation pipeline overview, consisting of three main... 82

Fig. 4.3. Clustering results with 2-9 groups developed this year. Regions... 85

Fig. 4.4. Rainfall correlation distributions of station pairs, shown... 86

Fig. 4.5. Monthly recommendation for the unit cluster case without... 94

Fig. 4.6. Monthly recommendation for the unit cluster case with probabilistic... 94

Fig. 4.7. Seasonal recommendation for the 4 clusters without probabilistic... 95

Fig. 4.8. Seasonal recommendation for the 4 clusters with probabilistic output.... 96

Fig. 4.9. Seasonal recommendation for 4 clusters with probabilistic output.... 97

Fig 5.1. (Up) Overall architecture of Fuxi-DA Model. (Down) Comparison of... 100

Fig. 5.2. Overview of probabilistic precipitation forecast AlphaRain model 101

Fig. 5.3. Overview of AlphaRain architecture 102

Fig. 5.4. Comparison of CSI scores between GDAPS-KIM NWP model and... 109

Fig. 5.5. Comparison of CSI scores between GDAPS-UM NWP model and.... 109

Fig. 5.6. Comparison of CSI scores between ECMWF-IFS NWP model and... 110

Fig. 5.7. Comparison of CSI scores between GDAPS-KIM NWP model and... 111

Fig. 5.8. Comparison of CSI scores between GDAPS-UM NWP model and... 111

Fig. 5.9. Comparison of CSI scores between ECMWF-IFS NWP model and... 112

Fig. 5.10. Comparison of total AlphaRain model CSI scores by monthly 112

Fig. 5.11. Comparison of CSI scores between GDAPS-KIM NWP model and... 114

Fig. 5.12. Comparison of CSI scores between GDAPS-UM NWP model and... 114

Fig. 5.13. Comparison of CSI scores between ECMWF-IFS NWP model and... 115

Fig. 5.14. Comparison of total AlphaRain model CSI scores by lead time 115

Fig. 5.15. Comparison of relatvie CSI score percentage between GDAPS-KIM,... 117

Fig. 5.16. AWS precipitation visualization of 1-hour intervals at May 3, 2024, at... 118

Fig. 5.17. AWS precipitation visualization of 3-hour intervals at May... 118

Fig. 5.18. Case analysis by precipitation category, special precipitation case at... 119

Fig. 5.19. Case analysis by precipitation category, frontal precipitation case at... 119

Fig. 5.20. Case analysis by precipitation category, topographic precipitation case... 120

Fig. 5.21. Case analysis by precipitation category, cyclonic precipitation case at... 121

Fig. 5.22. Overview of train/evaluate and predict code pipeline seperation 122

Fig. 5.23. An example of analyze automation code 124

Fig. 5.24. An example of real-time prediction visualization at origin time October... 126

AI 100자 요약 서비스

AI 100자 요약 서비스
인공지능이 요약한 요약문입니다. 본문과 일치하지 않은 내용이 있을 수 있으니, 원문을 확인하시기 바랍니다.
본 연구는 급변하는 기후 조건하에서 발생하는 경제적 손실을 줄이기 위해 국가 기상 서비스의 핵심 역량을 강화하는 데 중점을 두고 있으며, 특히 인공지능 기반의 초단기 강수 예측 기술 고도화를 그 주요 목표로 한다. 이를 달성하기 위해 위성, 레이더, 지상 관측 등 다양한 종류의 관측 자료를 효과적으로 융합하고 활용하는 방법을 집중적으로 연구하였으며, 최신 기술 동향을 반영하여 3D VQGAN 모델의 해상도를 높이고 강수 예측 트랜스포머의 정확도를 개선하였다. 더불어 지역 및 계절별 특성을 고려한 맞춤형 강수 확률 예측 보정 모델 추천 기법을 새롭게 개발하고, 여러 모델을 결합한 확률론적 강수 예측 보정을 통해 CSI 성능을 최고 33%까지 끌어올리는 성과를 거두었다. 지상 관측 자료를 활용한 초기 모델 개발 단계에서는 F1 점수로 22.8%의 성과를 확보했고, 이후에도 지속적인 파라미터 조정과 모델 구조 개선을 병행했다. 최종적으로 개발된 기술은 실제 강수 사례 분석 및 시각화 기능을 통해 현업 적용 가능성을 검증받았으며, 효율적인 운영을 위해 관련 코드들을 체계적으로 관리하도록 설계되었다. 이러한 노력들이 종합되어 미래에는 보다 정확하고 신뢰할 수 있는 기상 예보 서비스 제공에 중요한 역할을 할 것으로 전망된다.

※ 출처: 상단의 서지정보에서 확인
※ 원저작물에 적용된 공공누리 유형: 제2유형

이용현황보기

인공지능기반 초단기 강수예측 기술 개발 = Development of short-term precipitation prediction technology using artificial intelligence. 4 이용현황 표 - 등록번호, 청구기호, 권별정보, 자료실, 이용여부로 구성 되어있습니다.
등록번호 청구기호 권별정보 자료실 이용여부
0003178395 551.6477 -25-2 v.4 서울관 인문자연과학자료실(314호) 이용가능
0003178396 551.6477 -25-2 v.4 서울관 인문자연과학자료실(314호) 이용가능

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기