1. 서론
해양공간을 활용하는 다양한 활동이 존재한다. 어민들의 어업활동과 레저 낚시활동, 그리고 관련된 다양한 선박의 항행, 해상군사훈련 등이 우리나라 전 해역에 걸쳐 광범위하게 이루어지고 있다. 최근에는 대규모 해상풍력단지 개발을 위한 노력이 더해지며 한정된 해상영역에 대한 중복 이용으로 상충 및 갈등 상황이 초래되고 있는 실정이다. 따라서 해상풍력단지 개발이 주민수용성 확보 어려움과 해상교통로나 군사훈련구역 등과의 간섭 문제 등으로 속도를 내지 못하고 있는 상황에서 해상풍력단지를 어업활동과 공유하기 위한 공존공간으로 개발하기 위한 노력이 추진되고 있다. 해상풍력단지를 공존공간으로 활용할 경우 단지 주변뿐만 아니라 내부 영역까지 유지보수활동과 어업활동을 위한 해상활동이 이루어지므로 안전성 확보와 활동 스케줄링을 위해 해양기상에 대한 정보가 더욱 중요해지고 있으며, 기존 예보 정보보다 더욱 다양하고 신뢰도 높은 정보가 요구되고 있다. 국내 해양기상 예보 서비스는 기상청과 국립해양조사원 등에서 제공하고 있으며, 지속적으로 해양예측시스템의 정확도, 정밀도, 안정성을 개선해오고 있다. 기상청의 경우 현업 파랑예보 모델로 KMA WAVEWATCH-III(WW3) 모델을 이용하여 지역/국지연안 영역별 예보 서비스를 제공하고 있으며, 국립해양조사원의 경우 해양순환모델은 ROMS와 MOHID 등을 이용하고 파랑모델은 WW3와 SWAN 모델을 이용하여 예측시스템을 구축하고 해양예보 서비스를 운용하고 있다. 해상활동과 관련하여 필요한 해양기상 예보정보는 풍속, 파고, 유속, 조위, 시정 등이 있으며, 이중 풍속과 파고의 경우 장기 예보로 갈수록 정확도가 급격하게 감소하는 경향이 있어 장기 예측 정확도 개선이 가장 요구되고 있는 상황이다. 기상청 현업모델의 경우 해양기상 부이 관측자료 등을 이용한 검증 사례가 있으며, 파랑모델의 경우 입력장인 해상풍 자료의 신뢰도가 높으면 파랑 재현성은 충분히 우수하게 나타나는 것을 확인할 수 있다[1, 2]. 서해의 경우 서남권 해상풍력단지 개발과 관련하여 개발 대상 해역에서의 기상청 파랑모델 자료 적용성 검증을 위하여 해상기상탑 해모수 1호 관측자료와 해상변전소 지점 관측자료의 유의파고를 비교해보았으며, 1일 이내 단기예보 자료를 관측자료와 비교한 결과 연안으로 부터 약 25 km 떨어진 해모수 1호 지점(수심 약 15 m)에서는 자료간 상관도, R은 0.955, RMSE는 0.24 m 정도로 매우 우수한 재현성을 확인하였으나, 보다 연안인 약 9 km 이격 해상변전소 지점(수심 약 7 m)에서는 RMSE가 0.8 m 정도로 오차가 증가하는 것을 확인할 수 있었다[3]. 해당 해역에서 기상청 현업모델이 아닌 유사한 제3세대 spectral wave 모델인 MIKE 21 SW 모델을 이용하여 유의파고를 재현한 결과 RMSE 0.35 m 정도의 양호한 결과를 확인한 바도 있다[4]. 다만 지금까지는 중장기 예보의 신뢰도 검증이 아닌 해당 시점 또는 단기 예측의 재현성을 평가한 사례만 있어 중장기 예보의 신뢰도에 대한 평가가 필요하며, 지역별 오차 및 중장기 예보 오차 등을 고려한 예보 정확도 향상이 필요하다.
본 연구에서는 신뢰도 높은 해양기상 예보 시스템 구축을 목적으로 국립해양조사원의 현업 파랑모델 자료와 상왕등도 해양관측부이 자료를 이용하여 선행 7일까지의 중기 예보 결과의 정확도를 검증하고 통계적 보정기법 중 하나인 Model Output Statics(MOS)를 통해 유의파고 자료의 중기예보 예측 신뢰도를 개선하고자 하였다.
2. 해양기상 예보시스템 구축 및 검증
2.1 해양기상 예보시스템 개요
해상풍력 수산업 공존단지 운영지원을 목적으로 서남권 해상풍력 개발 해역을 대상으로 앙상블 해양기상 수치예보 모델로 구성된 ‘IMPACT(Integrated-Matrix Prediction with Advance Computational Technology)’라는 해상활동 위험도 예보시스템을 구축하였다. IMPACT 시스템은 Fig. 1과 같이 군산-부안-영광 해역을 대상으로 1 km × 1 km 공간 해상도로 구축되었으며, 1시간 간격의 예측정보를 생산하며 최대 7일까지 선행 예보가 가능하다. 구축된 모델에 의해 생산된 예측 정보는 서해 지역 17개 관측지점 자료와 비교를 통해 검증한 바 있다[5]. 해상활동 위험도 예보는 Fig. 2와 같이 풍속, 풍향, 기온, 기압, 습도 등의 대기기상 변수와 파고, 파향, 파주기, 유속, 수온 등의 해양기상 변수를 선행 예측하고 예측된 기상 정보를 바탕으로 영향인자별 및 대상체별 해상활동의 위험도를 평가하여 예보하는 절차로 이루어진다. 기상 모델은 Weather Research Forecasts(WRF) 자체 구축 모델, 기상청의 국지예보모델(LDAPS) 및 전지구예보모델(GDAPS)이 사용되었고, 해양모델은 국립해양조사원의 Simulating WAves Nearshore(SWAN), Regional Oceanic Modeling System(ROMS)가 사용되었다. 기상요소는 WRF, LDAPS와 GDAPS의 앙상블모델에서 추출하고, SWAN의 파고, 파향, 파주기, ROMS의 수온, 유속, 유향이 사용되었다. 풍속 등의 대기기상 예보는 기상청의 예보자료가 파고 등의 해양기상 예보는 국립해양조사원의 예보자료가 이용되지만, 본 시스템에서는 자체적으로 모델 영역 내에 위치하는 관측자료를 기반으로 모델별 정확도 검증 후 결과 선별 및 보정의 과정을 거치는 앙상블 예측이 이루어지며, 기상청 국지예보의 경우 최대 48시간 이내의 선행 예측만 수행하는 것에 비해 본 시스템에서는 기상청 전지구예보모델을 입력 자료로 이용하여 기상청 국지예보모델을 상회하는 고해상도의 자체 WRF 모델을 구성하여 7일 중기예보를 수행하는 차이가 있다.
Fig. 1 IMPACT system for marine weather and activity risk forecast
Fig. 2 Weather forecast process of IMPACT system
2.2 중기 예보 검증
최대 7일의 선행 예측을 통한 중기 예보 결과를 검증하기 위하여 상왕등도 해양관측부이를 관측지점으로 설정하고, 2022년 11월 03일 ∼ 12월 03일(30일)의 분석 기간에 대해 IMPACT 시스템의 예측 결과와 관측 자료 비교를 통한 검증을 수행하였다. 관측 자료와 모델 자료 비교를 위한 각 자료의 위치는 Table 1과 같다. 관측부이 지점과 가장 가까운 IMPACT 모델자료의 격자점은 약 480 m 떨어진 지점의 자료가 이용되었으며, 3.2절에서 모델 개선효과에 대한 검증을 위하여 타 모델 자료와의 비교를 수행하였는데 이용된 모델자료인 Bouyweather 자료의 가장 가까운 지점이 상왕등도 관측부이와 거의 동일지점에 위치하였다.
Table 1 Positions of comparison data
검증 지표는 IOA(Index of Agreement), R(Correlation coefficient), RMSE(Root Mean Square Error), MAE(Mean Absolute Error) 4가지 지표를 사용하였으며, 각 지표는 식 (1)~(4)와 같이 산출된다. IOA는 0과 1사이에서 관측과 비교자료의 오차 정도를 표준화 시킨 척도를 뜻하는 것으로 값이 1에 가까울수록 관측자료와 비교자료의 일치 정도가 높음을 나타낸다. R의 경우 –1과 1사이에서 두 자료간의 상관관계를 나타내는 것으로 –1 또는 1에 가까울수록 상관관계가 높음을 나타낸다. 중기 예보 검증을 위하여 IMPACT 모델의 6∼7일 선행 예보 결과 중 상왕등도 관측 부이에서 제공하는 기온(°C), 풍속(m/s), 해면기압(hPa), 유의파고(m), 수온(°C)에 대하여 상기 4가지 검증지표를 비교한 결과 Table 2와 같다. 5가지 변수 중 풍속과 유의파고 2가지 변수가 상대적으로 상관계수가 낮게 나타나며, 오차도 줄일 필요가 있음을 확인할 수 있다. 파고 예보에 사용되는 WW3, SWAN과 같은 파랑 모델은 해상풍에 크게 영향을 받는 풍파 모델이기 때문에 변동성이 큰 풍속의 중기 예측 오차가 파고 예측에도 영향을 주는 것으로 볼 수 있다. Fig. 3은 검증 대상 전 기간에 대한 파고 중기 예보 결과와 관측자료를 비교한 그래프로 고파랑에 대한 오차가 크게 발생하고 있는데, 유의파고 3 m 수준의 고파랑 관측치의 첨두치에 비해 모델 예측결과가 절반 수준 정도로 과소 모의되고 있어 개선이 필요하였다. 다만, 해당 예측자료는 국립해양조사원의 SWAN 모델에 의한 결과를 그대로 가져온 것이기 때문에 구성된 모델에 대한 세부 확인이 어려워 이러한 오차 발생의 원인을 확인하기는 어려운 실정이나, 입력자료로 사용된 바람장의 오차에서 기인할 것으로 추정된다.
Table 2 Verification results of mid-term forecast
Fig. 3 Comparison of wave height between observation and 6-7 days ahead forecast results of IMPACT model
\(\begin{align} \text {IOA}=1-\frac{\sum_{\mathrm{i}=1}^{\mathrm{n}}\left(O_{\mathrm{i}}-P_{\mathrm{i}}\right)^{2}}{\sum_{\mathrm{i}=1}^{\mathrm{n}}\left(\left|P_{\mathrm{i}}-\bar{O}\right|+\left|O_{\mathrm{i}}-\bar{O}\right|\right)^{2}}\end{align}\) (1)
\(\begin{align}\mathrm{R}=\frac{\sum\left(O_{\mathrm{i}}-\bar{O}\right)\left(P_{\mathrm{i}}-\bar{P}\right)}{\sum\left(O_{\mathrm{i}}-\bar{O}\right)^{2} \cdot\left(P_{\mathrm{i}}-\bar{P}\right)^{2}}\end{align}\) (2)
\(\begin{align}\text {RMSE}=\sqrt{\frac{\sum_{\mathrm{i}=1}^{\mathrm{n}}\left(O_{\mathrm{i}}-P_{\mathrm{i}}\right)^{2}}{\mathrm{n}}}\end{align}\) (3)
\(\begin{align}\mathrm{MAE}=\frac{1}{\mathrm{n}} \sum_{\mathrm{i}=1}^{\mathrm{n}}\left|O_{\mathrm{i}}-P_{\mathrm{i}}\right|\end{align}\) (4)
여기서 O는 관측자료, P는 모델 예측자료이다.
3. 중기 파고 예보 개선
3.1 개선 방법
파랑 모델의 정확도는 입력 해상풍과 밀접한 연관이 있으므로 파고의 중기 예보 오차 증가 원인은 결국 풍속 오차에서 기인한다고 볼 수 있다. 특히, 풍속은 타 기상변수에 비해 변동성이 커서 선행 예측기간이 길어질수록 예측 오차가 증가하는 경향이 있기 때문에 파랑 예측의 정확도를 높이기 위해서는 풍속 예측의 정확도 개선이 우선되는 것이다. 본 연구에서는 해상 활동 위험도 예보에 큰 비중을 차지하는 파고의 개선을 위하여 파고 예측 결과의 후보정을 통한 정확도 개선을 시도하였다. 풍속의 경우 큰 변동성으로 인하여 중장기 예측 모델 정확도를 개선하기가 쉽지 않은 편이므로, 각 변수에 대해 각각 통계적 후보정 방법을 적용하고자 하였다. 또한 본 IMPACT 위험도 예보모델에 적용된 파랑 예측정보는 자체 해양물리모델이 아닌 국립해양조사원의 모델결과를 가져오기 때문에 모델을 개선하는 근본적인 정확도 향상은 어려운 실정이기 때문에 예측 결과 자료를 후보정하는 방법을 적용해 본 것이다. 보정 방법으로는 기상 예측 분야에서 과거 표본 자료를 기반으로 예측 모델을 객관적으로 해석하며 예측 모델의 편차 제거 등을 위해 사용하는 다중 선형 회귀 기법인 MOS[6] 기법을 적용하였다. MOS는 1965년 미국 기상청의 TDL(Techniques Development Laboratory) 내에서 고안되어 사용 계획이 수립되었으며 1968년에 처음으로 MOS 모델에 의한 예보가 발표되었다[7]. 그 이후로 현재 MDL (Meteorological Development Laboratory)인 TDL은 MOS 기법이 적용된 기상예측 모델을 지속 생성 및 개선하여 운영하고 있으며[8], MOS를 활용한 사례로는 Royal Netherlands Meteorological Institute가 네덜란드에서 심각한 뇌우의 확률을 예측하기 위해 MOS 시스템을 개발한 사례[9-10]와 캐나다 기상청(Meteorological Service of Canada)에서 모델의 장기간 수행 없이 지역 NWP 모델에 변경 사항을 신속하게 통합하는 UMOS(Updateable MOS)라는 사후 처리 시스템을 개발한 사례가 있다[11]. 캐나다 UMOS 시스템은 기온, 풍속, 방향 및 강수 확률에 대한 2일 예보를 생성한다. 우리나라에서는 강전호 등[12]이 UMOS 시스템을 구현하여 한국의 기온을 예측한 사례가 있다. MOS 기법은 수학적으로 간단하면서도 강력하며, 수치기상모델의 변수 및 변환에 의해 비선형성의 모델링이 가능하다는 등의 장점이 있으나, 예측 지점에서의 과거 장기 관측자료 등의 샘플이 필요하며 과거 샘플자료의 품질에 큰 영향을 받는 특징이 있다. MOS 기법은 다음 식 (5)와 같이 예측대상 변수(종속 변수) Y와 예측에 이용되는 여러 변수(독립 변수) X 사이의 다중 선형 회귀 관계를 이용한다.
\(\begin{align}\hat{Y}=a_{0}+a_{1} X_{1}+a_{2} X_{2}+\cdots+a_{k} X_{k}\end{align}\) (5)
여기서, ai는 예측된 \(\begin{align}\hat {Y}\end{align}\) 값이 실제 관측값과 RMSE가 최소가 되게 하는 회귀 계수이다.
중기 예보 결과를 확인한 결과 예측 선행기간이 길어질수록 오차 증가율이나 경향성의 변동이 커짐에 따라 선행 예보기간을 2구간으로 나누어 MOS를 적용하도록 설계하였다. 선행 3∼5일 예측 구간과 6∼7일 예측 구간으로 나누었을 때 구간별 예측 오차의 차이와 보정 후 개선율 차이가 뚜렷하게 나타났기 때문에 2구간으로 나누어 적용하였다. 각 구간별로 종속변수인 파고 보정에 영향을 크게 미치는 독립변수를 Table 3과 같이 선정하였다. 파고에 연관성이 있다고 판단되는 각 변수들을 독립변수로 적용하여 보정 후의 개선 정도를 확인한 결과 6∼7일 예측구간에 대해서는 풍속 벡터, 조류속, 수온 및 해면기압 등의 변수가 선정되었고, 3~5일 예측구간의 경우 6~7일 구간에 적용된 변수만으로는 개선 정도가 크지 않아 파주기 및 파향 등의 변수가 추가로 고려되었다.
Table 3 Selection of independent variables
MOS 수행을 위한 기계학습 기법은 XGBoost 오픈 소스 라이브러리를 사용하였다[13]. 이 기법은 병렬 처리로 학습하며 분류 속도가 빠르고 분류화 회귀영역에서 뛰어난 예측 성능을 발휘한다. 또한, 조기종료 기능이 있고, 다양한 옵션을 제공하며 Customizing이 용이하다는 장점이 있다. 독립변수는 파주기, 유속, 파고, 종속변수는 파고로 하였을 때, 독립변수로 파주기가 가장 적합하게 나타났다. 2021년 03월 18일 00시에서 2022년 03월 17일 23시(12개월)의 데이터로 80%는 학습에 나머지 20%는 검증에 이용하였다. XGBoost의 파라미터 설정은 Table 4와 같이 권장되는 최적의 값들을 적용하여 진행하였다.
Table 4 Parameters used in the XGBoost method
3.2 개선 결과
MOS를 최적 설계하여 적용한 모델로 앞서 중기 예보 검증과 동일한 검증기간(2022년 11월 03일 00시 ~ 12월 03일 23시)에 대하여 선행 3~5일과 6~7일의 예측 구간별로 MOS 보정(후처리)을 각각 진행하였다. MOS를 적용하여 분석한 결과 4가지 검증지표에 대한 개선 정도가 Table 5 및 Fig. 4와 같이 나타났다. 3~5일 선행 예측의 경우 MOS 적용 전 대비 RMSE 22.83 % 감소, MAE 26.76 % 감소, R 6.12 % 증가, IOA 0.01 % 증가하였으며, 6~7일 선행 예측의 경우 MOS 적용 전 대비 RMSE 24.95 % 감소, MAE 28.37 % 감소, R 19.33 % 증가, IOA 0.05 % 증가하여 3~5일 선행 예측의 경우보다 개선율이 더욱 증가하였다. 앞서 기술한 바와 같이 해양물리모델의 특성상 변동성이 큰 기상변수에 대해 선행 예측기간이 길어질수록 예측 오차가 증가하는 경향이 있고 3~5일 구간보다 6~7일 구간에서 예측 오차가 크게 발생하였기 때문에 MOS 후보정 처리에 의한 개선 여지가 큰 것에서 기인한 결과로 판단되며, 6~7일 구간의 개선율이 크다고 해도 보정 후의 자료가 3~5일 구간 자료의 정확도를 상회할 수는 없었다. 특히, 각 선행 예측 시점별 관측자료에 대한 모델 예측결과를 Fig. 5와 같이 그래프로 비교해보면, 원으로 표시한 구간과 같이 보정 전 고파랑에 대한 과소모의 결과가 보정 후 관측치에 가깝게 크게 개선되는 것을 확인할 수 있다. 특히 선행 예측 기간이 길어질수록 고파랑 첨두치에 대해 모델 예측결과의 오차가 증가하는 경향이 있었고, MOS 보정에 의해 그 차이를 현저하게 줄여 모델의 정확도를 대폭 개선할 수 있었다. 보정 전의 원자료가 관측자료와 비교하였을 때 파고 첨두치의 시점과 크기가 크게 어긋나는 경향이 있었으며, 두 자료 간의 차이를 보정하기 위하여 학습에 이용된 관측자료와 모델 자료의 변수 간 상관관계로부터 식 (5)와 같은 MOS 회귀계수를 산출하고 예측모델결과 자료 전체에 산출된 MOS 회귀계수를 적용하여 보정함으로써 오차를 개선하였다.
Table 5 Calibration results of wave height mid-term forecast by using MOS
Fig. 4 Comparison before and after MOS for wave height calibration
Fig. 5 Comparison of wave height between observation and model results for each predicted time
개선된 중기 예보 결과의 정확도 수준을 타모델 자료와의 비교를 통해 파악하고자 글로벌 해양기상예보서비스를 제공하는 Buoyweather의 파고 예보 자료를 이용하였다. Buoyweather 서비스는 미국 해양대기청 NOAA의 Global Forecast System(GFS)와 WAVEWATCH-III 모델 등의 자료를 이용하며 전 세계 영역의 파고 및 파주기, 풍속, 수온 등의 해양기상 정보에 대하여 최장 16일의 선행 예보 서비스를 유료로 제공하고 있다[14]. NOAA는 파랑예측모델인 WAVEWATCH-III를 GFS에 연동하여 약 16km(1/6도) 공간 해상도의 글로벌 도메인에 대하여 GFS-Wave 모델을 구축하여 제공하고 있다. Bouyweather 파고 예보 서비스에 사용되는 기상모델의 경우 글로벌 도메인이기 때문에 IMPACT 모델에서 사용한 국지 모델 자료보다 공간 해상도는 낮으나 15일 이상의 중기 예보 자료를 제공하는 글로벌 도메인 모델 중 가장 높은 해상도로 구축되어 있으며 Table 1에 표시한 바와 같이 검증대상 지점과 매우 가까운 지점에 격자점이 존재하여 해당 자료를 이용하였다. 관측자료를 기준으로 Bouyweather 서비스의 파고 6~7일 선행 예보 자료와 IMPACT 모델의 MOS 보정 전과 후 결과에 대한 4가지 검증 지표를 비교한 결과는 Table 6 및 Fig. 6과 같이 나타났다. 검증기간 전체에 대한 예측 시점별 결과를 비교한 결과는 Fig. 7과 같다. MOS 보정을 적용하기 전의 예측결과는 Buoyweather 모델 결과에 비해 성능 지표가 낮게 나타났다. 오차도 크고 상관도도 떨어지는 등 모든 지표에서 정확도가 낮게 나타났으나, MOS 적용에 의한 보정 후 모든 지표에서 Buoyweather 모델의 정확도를 상회하는 수준으로 나타났다.
Table 6 Comparison of verification indices between observation and before and after MOS
Fig. 6 Comparison of verification indices between observation and before and after MOS
Fig. 7 Comparison of wave height between observation, Bouyweather model and calibrated IMPACT model for each predicted time
4. 결론
해상풍력단지 유지보수 및 어업활동 등 증가하는 해상활동에 대한 안전성 확보를 위하여 최장 선행 7일까지 해양기상 예측을 통한 중기 해양기상예보시스템인 IMPACT를 구축하였다. 국내에서 가장 신뢰도 높은 해양기상 서비스를 제공하는 국립해양조사원의 예측모델 자료를 이용하였으나, 예측 선행기간이 증가할수록 풍속 및 파고의 예측 오차가 증가하여 개선이 필요하였다. 해상활동 위험도 예보에 중요한 인자인 파고의 예측 정확성을 개선하기 위하여 통계적 기계학습을 통한 후보정 기법인 MOS 기법을 적용하여 파고의 예측 결과를 개선하였다. 보정 전 모델에 의한 파고 예측 결과는 관측자료와 비교하였을 때, 3~5일 선행 예측 시 RMSE가 0.476 m, R이 0.790이며, 6~7일 선행 예측 시 RMSE가 0.692 m, R이 0.591로 나타났으며, 유의파고 3 m 내외의 고파랑에 대하여 과소 모의되는 경향이 나타났다. MOS 적용을 통한 보정 후 3~5일 선행 예측 시 RMSE가 0.388 m, R이 0.842이며, 6~7일 선행 예측 시 RMSE가 0.554 m, R이 0.732로 나타나 정확도가 대폭 개선되었음을 확인하였고 미국해양대기청 NOAA 모델을 기반으로 유료 서비스를 제공하고 있는 Bouyweather 예보 결과의 정확도를 상회하는 수준을 확인할 수 있었다.
후기
본 연구는 2022년도 산업통상자원부의 재원으로 한국에너지기술평가원의 신재생에너지핵심기술개발사업 및 해상풍력 수산업 환경 공존 기술개발사업의 지원을 받아 수행한 연구 과제입니다. (과제번호 : 20203040020130 & 20220710100020).
References
- You, S. H. and Park, J. S., 2010, "Research on Wind Waves Characteristics by Comparison of Regional Wind Wave Prediction System and Ocean Buoy Data", Journal of Korean Society of Coastal and Ocean Engineers, Vol. 24, No. 6, pp. 7~15 (in Korean).
- Do, K. and Kim, J., 2018, "A Study on the Predictability of Eastern Winter Storm Waves Using Operational Wind Forecasts of KMA", Journal of Korean Society of Coastal and Ocean Engineers, Vol. 30, No. 5, pp. 223~233 (in Korean).
- Korea Electric Power Research Institute, 2016, Test Bed for 2.5GW Offshore Wind Farm at Yellow Sea - Design Basis Final Report. TR.70B9.P2016.0299 (in Korean).
- Kim, J. Y. and Kang, K. S., 2010, "Analysis on the Change of Wave Behaviour Due to Installation of Offshore Wind Turbine Foundations", Journal of Korean Society of Coastal and Ocean Engineers, Vol. 22, No. 5, pp. 306~315 (in Korean).
- Suh, I.-S., Kim, S.-M., Kim, G., Park, D.-J. and Lee, H.-Y., 2022, "Integrated Operation System Development for Offshore Wind Power and Aquaculture Facility", The 2022 Spring Conference of Korea Wind Energy Association, Jeju, Korea, 6/20~6/22, pp. 113-115 (in Korean).
- Glahn, H. R. and Lowry, D. A., 1972, "The use of Model Output Statistics (MOS) in objective weather forecasting", Journal of Applied Meteorology. Vol. 11, No. 8, pp. 1203~1211.
- Glahn, H. R. and Dallavalle, J. P., 2000, "TDL Office Note 00-1:MOS-2000", Internal Publication. Silver Spring Maryland USA: Techniques Development Laboratory.
- Carter, G. M., Dallevalle, J. P. and Glahn, H. R., 1989, "Statistical Forecasts Based on the National Meteorological Center's Numerical Weather Prediction System", Weather and Forecasting. Vol. 4, No. 3, pp. 401~412.
- Schmeits, M. J., Kok, K. J. and Vogelezang, D. H. P., 2005, "Probabilistic Forecasting of (Severe) Thunderstorms in the Netherlands Using Model Output Statistics", Weather and Forecasting. Vol. 20, No. 2, pp. 134~148.
- van Gastel, V., 2012, "Investigating MSG-SEVIRI data as an additional predictor source in the KNMI probabilistic (severe) thunderstorm forecasting system", Royal Netherlands Meteorological Institute publication.
- Wilson, L. and Vallee, M., 2002, "The Canadian Updateable Model Output Statistics (UMOS) System: Design and Development Tests", Weather and Forecasting. Vol. 17, No. 2, pp. 206~222.
- Kang, J. H., Suh, M. S., Hong, K. O. and Kim, C., 2011, "Development of updateable model output statistics (UMOS) system for air temperature over South Korea", Asia-Pacific Journal of the Atmospheric Sciences. Vol. 47, No. 2, pp. 199~211.
- XGBoost Documentations are available online: http://xgboost.readthedocs.io/
- Buoyweather service is available online: http://www.buoyweather.com/