Advanced Estimation Model of Runway Visual Range using Deep Neural Network

심층신경망을 이용한 활주로 가시거리 예측 모델의 고도화

Abstract

Runway visual range (RVR), one of the important indicators of aircraft takeoff and landing, is affected by meteorological conditions such as temperature, humidity, etc. It is important to estimate the RVR at the time of arrival in advance. This study estimated the RVR of the local airport after 1 hour by upgrading the RVR estimation model using the proposed deep learning network. To this end, the advancement of the estimation model was carried out by changing the time interval of the meteorological data (temperature, humidity, wind speed, RVR) as input value and the linear conversion of the results. The proposed method generates estimation model based on the past measured meteorological data and estimates the RVR after 1 hour and confirms its validity by comparing with measured RVR after 1 hour. The proposed estimation model could be used for the RVR after 1 hour as reference in small airports in regions which do not forecast the RVR.

항공기 이착륙 유무의 중요한 지표 중 하나인 활주로 가시거리는 기온, 습도 등과 같은 기상 조건에 영향을 받는다. 비행장의 활주로 이용 시 도착시점에서의 활주로 가시거리를 예측하는 것은 항공기 이용의 효율성에서 중요하다. 본 연구에서는 활주로 가시거리를 예측하기 위해 기존에 제안된 심층 신경망을 활용한 활주로 가시거리 예측 모델의 고도화를 통해 1시간 이후의 국지 비행장의 활주로 가시거리를 예측하였다. 이를 위해 예측 모델의 고도화는 입력 값으로 기상 정보(기온, 습도, 풍속, 활주로 가시거리)에 대한 시간 간격 변화와 예측 값의 선형변환을 통해 진행하였다. 제안된 방법은 과거 기상 관측 값을 바탕으로 예측 모델의 학습을 생성해 1시간 이후의 활주로 가시거리에 대한 예측을 수행하였고, 1시간 이후의 측정된 활주로 가시거리와 비교를 통해 타당성을 확인했다. 제안된 예측 모델은 예보를 제공해주지 않는 지역의 소규모 비행장에서 참고할 수 있는 활주로 가시거리 생성에 활용 할 수 있을 것이다.

그림 1. 심층신경망의 구조 Fig. 1. Deep learning network’s structure.

그림 2. 태안비행장 Fig. 2. Taean airfield.

그림 3. 심층신경망을 활용한 활주로 가시거리 개발 절차 Fig. 3. Development procedure of RVR by DNN.

그림 4. 활주로 가시거리 예측을 위한 심층신경망 구조 Fig. 4. DNN’s structure for RVR estimation.

그림 5. 심층신경망 예측 모델에 사용되는 활주로 가시거리 2달 데이터 Fig. 5. RVR data of 2 months for DNN estimation model.

그림 6. 5분 시간 간격의 기상 정보를 사용해 1시간 이후의 활주로 가시거리의 예측값(점선)과 측정값(실선)의 비교 Fig. 6. Comparison on RVR estimation value(Dotted) and measurement value(Solid) after 1 hour with 5 minute sampling time.

그림 7. 5분 시간 간격의 기상 정보를 사용해 1시간 이후의 활주로 가시거리의 예측값과 실제 측정값의 1 대 1비교 Fig. 7. 1:1 Comparison on RVR estimation value and measurement value after 1 hour with 5 minute sampling time.

그림 8. PCA를 활용한 활주로 가시거리 측정값에 대한 예측 값의 1차식으로 표현 Fig. 8. 1st polynomial for estimation vlaue and measure value by PCA.

그림 9. 식(4)에 의해 계선된 활주로 가시거리의 예측 값(점선)과 측정 값(실선) Fig. 9. RVR estimation value(Dotted) and measurement value(solid) by Eq (4).

그림 10. 식(4)에 의해 새롭게 계산된 활주로 가시거리의 예측값과 실제 측정값의 1 대 1 비교 Fig. 10. 1:1 comparison on RVR estimation value(Dotted) and measurement value(solid) by Eq (4).

그림 11. 예측 모델만을 이용한 활주로 가시거리 예측 값(점선)과 측정 값(실선) Fig. 11. RVR estimation value(Dotted) and measurement value(solid) by estimation DNN model.

그림 12. 예측 모델만을 이용한 활주로 가시거리 예측 값 측정 값의 1대1 비교 Fig. 12. 1:1 comparison on RVR estimation value and measurement value by estimation DNN model.

그림 13. 고도화 모델의 활주로 가시거리 예측 값(점선)과 측정 값(실선) Fig. 13. RVR estimation value(Dotted) and measurement value(solid) by advanced model.

그림 14. 고도화 모델의 활주로 가시거리 예측 값과 측정 값의 1대1 비교 Fig. 14. 1:1 comparison on RVR estimation value and measurement value by advanced model.

표 1. 태안비행장 기상장비 측정 항목 Table 1. Weather condition measuring equipment in Taean airfield.

표 2. 1시간 이 후 활주로 가시거리 예측을 위한 입력 값의 시간 간격 변화 따른 예측 값의 Correlation, RMSE결과 Table 2. Correlation and RMSE according to variation on sampling time of input value for RVR estimation after 1hour.

표 3. 고도화된 모델을 통한 예측 값과 측정 값의 Correlaiton, RMSE 결과 Table 3. Correlation and RMSE of Advanced Model.