• Journal of Advanced Navigation Technology
• /
• v.28 no.1
• /
• pp.149-154
• /
• 2024

Research on particulate matter is advancing in real-time, and various methods are being studied to improve the accuracy of prediction models. Furthermore, studies that take into account various factors to understand the precise causes and impacts of particulate matter are actively being pursued. This paper trains an LSTM model using seasonal data and another LSTM model using concentration-based data. It compares and analyzes the PM_2.5 prediction performance of the two models. To train the model, weather data and air pollutant data were collected. The collected data was then used to confirm the correlation with PM_2.5. Based on the results of the correlation analysis, the data was structured for training and evaluation. The seasonal prediction model and the concentration-specific prediction model were designed using the LSTM algorithm. The performance of the prediction model was evaluated using accuracy, RMSE, and MAPE. As a result of the performance evaluation, the prediction model learned by concentration had an accuracy of 91.02% in the "bad" range of AQI. And overall, it performed better than the prediction model trained by season.

• Journal of Korea Port Economic Association
• /
• v.29 no.3
• /
• pp.1-23
• /
• 2013

This paper estimates and forecasts the container throughput of Busan port using the monthly data for years 1992-2011. To do this, this paper uses the several seasonal multiplicative ARIMA models. Among several ARIMA models, the seasonal multiplicative ARIMA model $(1,0,1){\times}(1,0,1)_{12}$ is selected as the best model by AIC, SC and Hannan-Quin information criteria. According to the forecasting values of the selected seasonal multiplicative ARIMA model $(1,0,1){\times}(1,0,1)_{12}$, the container throughput of Busan port for 2013-2020 will increase steadily annually, but there will be some volatile variations monthly due to the seasonality and other factors. Thus, to forecast the future container throughput of Busan port and to develop the Busan port efficiently, we need to use and analyze the seasonal multiplicative ARIMA model $(1,0,1){\times}(1,0,1)_{12}$.

• The Journal of Society for e-Business Studies
• /
• v.24 no.1
• /
• pp.1-16
• /
• 2019

Recently, since responding to meteorological changes depending on increasing greenhouse gas and electricity demand, the importance prediction of photovoltaic power (PV) is rapidly increasing. In particular, the prediction of PV power generation may help to determine a reasonable price of electricity, and solve the problem addressed such as a system stability and electricity production balance. However, since the dynamic changes of meteorological values such as solar radiation, cloudiness, and temperature, and seasonal changes, the accurate long-term PV power prediction is significantly challenging. Therefore, in this paper, we propose PV power prediction model based on deep learning that can be improved the PV power prediction performance by learning to use meteorological and seasonal information. We evaluate the performances using the proposed model compared to seasonal ARIMA (S-ARIMA) model, which is one of the typical time series methods, and ANN model, which is one hidden layer. As the experiment results using real-world dataset, the proposed model shows the best performance. It means that the proposed model shows positive impact on improving the PV power forecast performance.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.265-265
• /
• 2019

기후변화로 의한 기온의 상승은 가뭄, 홍수와 같은 재해를 일으킬 뿐만 아니라 깊은 호수나 저수지와 같은 수자원에도 용존 산소, 물질, 영양소 및 식물플랑크톤의 수직적 분포 등과 같은 다양한 부분에 영향을 미친다. 본 연구의 목적은 SWAT, HEC-ResSim 및 CE-QUAL-W2(이하 W2)모델을 사용하여 미래의 기후 변화에 따른 소양호의 수온, 성층강도 및 열적 안정성의 변화를 장기 예측하고 그 영향을 평가하는데 있다. W2 모델의 보정은 2005 년부터 2015 년까지의 실측 과거 데이터를 이용하여 보정하였고 기후변화 시나리오는 IPCC의 AR5 RCP 4.5 시나리오를 사용하였다. 기후자료는 GCM 모델인 HadGEM2-AO 결과를 상세화하여 모의기간의 자료를 생성하였다. SWAT모델을 이용하여 모의기간인 2016 년부터 2070 년까지 일단위로 저수지 유입을 예측했으며 HEC-ResSim모델을 이용하여 소양강댐 저수지 운영 조건에 따라 저수지 방류량 및 수위 변화를 모의하였다. 수온 해석을 위해 W2를 적용하여 저수지의 장기간의 수온 변화를 예측하였다. 결과적으로 대기 온도는 $0.0279^{\circ}C/year$(p < 0.05) 상승할 것으로 예측되었으며, 동일기간 상층(수면으로부터 5m 깊이)과 하층 (바닥으로부터 5m 높이) 수온은 각각 $0.0191^{\circ}C$/년(p < 0.05) 및 $0.008^{\circ}C$/년(p < 0.05) 상승할 것으로 예측되었다. 모의된 수온을 계절별로 분석했을 때 상층수온은 여름철 가장 큰 폭으로 상승하였으며 하층의 경우 겨울철에 가장 큰 폭으로 상승하였다. 계절별 상-하층 수온의 차는 여름이 가장 컸으며, 겨울에 온도차가 가장 작았다. 또한 미래 온도의 상승에 따라, 소양호의 성층 강도가 강해지는 경향을 보였으며 상층 및 하층의 온도차 $5^{\circ}C$를 기준으로 성층이 형성되는 기간은 큰 변동이 없었으나 소멸되는 시점이 점점 늦어지는 추세를 보여 성층 형성 기간이 길어지는 것으로 나타났다. 저수지 표면의 수온 상승은 식물플랑크톤의 계절 성장률에 영향을 미쳤는데, 특정 조건에서 규조류는 최적 성장 범위를 벗어나는 고온 조건에서 성장속도가 감소하였으나 녹조류와 남조류의 출현 시기가 빨라지며 장기화될 것으로 예측되었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.143-143
• /
• 2023

최근 대청댐('17), 평림댐('19) 등 광역 취수원에서 망간의 먹는 물 수질기준(0.05mg/L 이하) 초과 사례가 발생되어, 다수의 민원이 제기되는 등 취수원의 망간 관리 중요성이 부각되고 있다. 특히, 동절기 전도(Turn-over)시기에 고농도 망간이 발생되는 경우가 많은데, 현재 정수장에서는 망간을 처리하기 위해 유입구간에 필터를 설치하고 주기적으로 교체하는 방식으로 처리하고 있다. 그러나 단기간에 고농도 망간 다량 유입 시 처리용량의 한계 등 정수장에서의 공정관리가 어려워지므로 사전 예측에 의한 대응 체계 고도화가 필요한 실정이다. 본 연구는 광역취수원인 주암댐을 대상으로 망간 예측의 정확도 향상 및 예측기간 확대를 위해 다양한 머신러닝 기법들을 적용하여 비교 분석하였으며, 독립변수 및 초매개변수 최적화를 진행하여 모형의 정확도를 개선하였다. 머신러닝 모형은 수심별 탁도, 저수위, pH, 수온, 전기전도도, DO, 클로로필-a, 기상, 수문 자료 등의 독립변수와 화순정수장에 유입된 망간 농도를 종속변수로 각 변수에 해당하는 실측치를 학습데이터로 사용하였다. 그리고 데이터기반 모형의 정확도를 개선하기 위해서 성층의 수준을 판별하는 지표로서 PEA(Potential Energy Anomaly)를 도입하여 데이터 분석에 활용하고자 하였다. 분석 결과, 망간 유입률은 계절 주기에 따라 농도가 달라지는 것을 확인하였고 동절기 전도시점과 하절기 장마기간 난류생성 시기에 저층의 고농도 망간이 유입이 되는 것을 분석하였다. 또한, 두 시기의 망간 농도의 변화 패턴이 상이하므로 예측 모델은 각 계절별로 구축해 학습을 진행함으로써 예측의 정확도를 향상할 수 있었다. 다양한 머신러닝 모델을 구축하여 성능 비교를 진행한 결과, 동절기에는 Gradient Boosting Machine, 하절기에는 eXtreme Gradient Boosting의 기법이 우수하여 추론 모델로 활용하고자 하였다. 선정 모델을 통한 단기 수질예측 결과, 전도현상 발생 시기에 대한 추종 및 예측력이 기존의 데이터 모형만 적용했을 경우대비 약 15% 이상 예측 효율이 향상된 것으로 나타났다. 본 연구는 머신러닝 모델을 활용한 망간 농도 예측으로 정수장의 신속한 대응 체계 마련을 지원하고, 수처리 공정의 효율성을 높이는 데 기여할 것으로 기대되며, 후속 연구로 과거 시계열 자료 활용 및 물리모형과의 연결 등을 통해 모델의 신뢰성을 제고 할 계획이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.268-268
• /
• 2023

전 지구적 급격한 기후변화로 인해 수문기상인자들의 비선형적 변동성이 발생함과 동시에 가뭄, 홍수와 같은 수재해의 발생빈도 및 강도가 증가하고 있는 추세이다. 이에 따라, 세계의 유수기관 (NASA, ESA 등)에서는 대기모형과 해양 모형의 결합 및 수치해석적 접근법을 활용하여 계절내-계절 (Subseasonal to seasonal; S2S) 예측치를 생산하여 제공하고 있다. 이에 따라, 본 연구에서는 European Centre for Medium-Range Weather Forecast (ECMWF)에서 산정되는 수문기상인자 (강수량, 증발산량 및 유출량)에 대한 정확도를 평가하고자 한다. 연구지역으로는 다양한 기후대 및 토지 피복으로 구성되어 있으며, El-Nino-Southern Oscillation (ENSO), Indian Ocean Diapole (IOD)와 같은 기후 현상이 빈번히 발생하는 호주지역을 대상으로 연구를 수행하였다. ECMWF S2S 자료에 대한 통계적 검증은 1) 지점 기반 관측치와 더불어 2) 물수지 모델 기반 수문 추정치 (The Australian Water Resources Assessment Landscape Model; AWRA-L)와 비교하였다. 연구 결과 S2S 강우 및 증발산량 산정치의 경우 비교적 짧은 예측기간(약 2주)에서 상대적으로 높은 상관관계 (R=0.5~0.6)와 낮은 편차 (강수량 = 0.10 mm/day, 증발산량 = 0.21 mm/day)를 나타내었다. 유출량의 경우, 강우 및 증발산량에 비해 상대적으로 낮은 정확도를 나타내었으며, 예측 기간이 길어짐에 따라 불확실성이 상당히 높아지는 것으로 확인되었다. 이는, S2S 계산과정에서 강우 및 증발산량 뿐만아니라 지표 유출로 도달하기 전까지의 수문기상인자들의 불확실성이 모두 모여 유출량의 불확실성이 높아진 것으로 확인할 수 있었다. 계절적 검증에서는, 강우 및 증발산량 모두 여름철에 높은 상관관계를 나타내었지만 불확실성은 상대적으로 큰 값을 나타내었다. 자세한 분석을 위해, 공간적인 불확실성을 분석해본 결과 ECMWF S2S가 매우 습윤하거나 건조한 지역에서 수문기상인자를 예측하는데 있어 한계성이 나타난 것을 확인하였다. 본 연구를 토대로, 추후 S2S 예측치에 대한 보정과 더불어 미래의 수재해 발생 위험도에 대한 정보를 획득하는데 적용될 수 있을 것으로 판단된다.

• The Sea:JOURNAL OF THE KOREAN SOCIETY OF OCEANOGRAPHY
• /
• v.27 no.2
• /
• pp.49-70
• /
• 2022

Sea Surface Temperature (SST), one of the ocean features, has a significant impact on climate, marine ecosystem and human activities. Therefore, SST prediction has been always an important issue. Recently, deep learning has drawn much attentions, since it can predict SST by training past SST patterns. Compared to the numerical simulations, deep learning model is highly efficient, since it can estimate nonlinear relationships between input data. With the recent development of Graphics Processing Unit (GPU) in computer, large amounts of data can be calculated repeatedly and rapidly. In this study, Short-term SST will be predicted through Convolutional Neural Network (CNN)-based U-Net that can handle spatiotemporal data concurrently and overcome the drawbacks of previously existing deep learning-based models. The SST prediction performance depends on the seasonal and interannual SST variabilities around the southern coast of Korea. The predicted SST has a wide range of variance during spring and summer, while it has small range of variance during fall and winter. A wide range of variance also has a significant correlation with the change of the Pacific Decadal Oscillation (PDO) index. These results are found to be affected by the intensity of the seasonal and PDO-related interannual SST fronts and their intensity variations along the southern Korean seas. This study implies that the SST prediction performance using the developed deep learning model can be significantly varied by seasonal and interannual variabilities in SST.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.42-42
• /
• 2023

최근 IPCC 6차 보고서에서는 전 지구의 온도가 0.5℃가 증가할 때마다 기상학적 가뭄 지역이 증가하며, 인위적 강제력은 가뭄 현상의 강도와 빈도를 증가하는 것으로 밝혔다. 봄철(3월-5월) 동남아시아(남중국, 필리핀 등)에 비해 상대적으로 건조한 동북아시아(동중국, 한반도, 일본) 지역은 가뭄에 취약하며 기후 변화에 따라 가뭄으로 인한 피해가 커질 것으로 전망된다. 그러므로 이 지역은 봄철 가뭄으로 인한 피해를 완화하기 위해 봄철 강수량에 대한 신뢰할 만한 계절적 예보 기술이 꼭 필요하다. 본 연구에서는 1992-2022년 봄철의 Standardized Precipitation Index(SPI) 값을 기준으로 2001년과 2011년 동북아시아 가뭄이 발생한 것을 확인하였으며, 각 해의 3월에 관측된 기상학적 초기 조건으로부터 다중 기후 예보 모델들의 봄철 강수량의 계절적 예측성을 정량적으로 평가하였다. 관측자료로부터 2001년 가뭄은 동북아시아 대기 상층의 저기압성 순환의 강화로 인한 제트류(Jet stream)의 강화와 연관되어 있었으며, 2011년 가뭄은 제트류 강화와 함께 태평양 열대 지역 기류 강화가 동반되어 발생하였음을 알 수 있었다. North American Multi-Model Ensemble 기후 예보 모델들은 2011년 가뭄에 비해 2001년 가뭄에 대한 예측성이 높았으며, 그 이유로는 대기 상층 순환의 예측성과 연관이 있음을 밝혔다. 또한, 봄철 대기-해양 상호 패턴을 관측과 유사하게 재현한 GFDL-SPEARS 모델이 가뭄 해의 대기 상층 저기압성 순환과 강수 예측성이 가장 높은 것을 보였다. 본 연구의 결과들을 통해 동북아시아 봄철 가뭄과 같은 극한 기상의 강수량 예측성 향상에 있어서 기후 예보 모델들의 현실적인 대기-해양 결합 과정 모사 능력의 중요성을 밝혔다. 본 연구에서 제안된 방안들은 기후 예측 모델 개선을 위한 전략적인 정보를 제공할 것으로 보인다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.241-241
• /
• 2017

기후변화로 인하여 강우의 불확실성이 가중되고 홍수, 가뭄 등 물 관련 재해의 발생빈도 및 강도가 증가함에 따라 안정적인 용수공급 등 수자원 관리 및 운영에 어려움을 겪고 있어 예측기반의 수자원 계획 및 운영이 요구되고 있는 실정이다. 우리나라 기상청에서는 2010년 6월 영국기상청과 장기 계절예측시스템의 구축 및 운영에 관한 협정을 체결하였으며 2014년부터 전지구 계절예측시스템 GloSea5(Global seasonal forecasting system version 5)을 현업에 활용하고 있다. GloSea5 모델은 대기(UM), 지면(JULES), 해양(NEMO), 해빙(CICE) 모델이 커플러(OASIS)에 의해 결합된 통합 시스템으로 일단위 자료로 제공된다. 현재 수자원 분야에서는 장기예보자료가 제공되고 있음에도 불구하고 장기예보자료의 불확실성 및 수문 모형 입력자료로의 활용 어려움, 예측자료의 검증 미흡 등으로 기상청에서 제공하는 장기예보를 참고할 뿐 실제로는 과거 관측자료를 기반한 빈도해석 결과를 활용하여 댐 운영 계획을 수립하고 있는 실정이다. 따라서, 본 연구에서는 GloSea5모델에서 제공되는 일 단위 예측 강수량을 수자원 장기이수계획 및 관리에 활용하고자 GloSea5모델의 예측력을 평가하고 수치모델이 가지는 시스템 에러에 대하여 편의보정 및 지점 상세화를 수행하였다. 본 연구의 분석결과는 향후, 저수지 운영계획 및 증가하는 물수요와 불확실한 공급에 대한 의사결정 지원, 가뭄 대비를 위한 물 공급 제한 등에 활용 가능할 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.2207-2211
• /
• 2008

한반도 및 동아시아의 여름철은 장마와 태풍으로 인한 집중호우의 발생으로 많은 피해를 입는다. 따라서 여름철에 나타나는 이러한 집중호우가 나타나는 지역, 시기, 기간, 그리고 강수량 등을 예측하는 것은 매우 중요하다. 특히, 효율적인 수자원 관리를 위하여 이러한 예측은 매우 중요한데, 단기적으로 정확하고 신속하게 강수를 예측하는 것도 중요하지만, 장기적으로 계절 강수, 특히 여름철의 장마 또는 우기의 시기와 강수량과 태풍 발생의 시기 등을 미리 예측하여 이에 따른 집중 호우의 발생 지역, 기간, 강수량을 예측하여 사전에 대비하는 것도 매우 중요하다. 특히, 최근에는 6,7월 장마에 의한 집중 호우의 영향보다도 8월에 강수량이 높아지고 있는 경향을 보이므로 강수량의 장기적 경향의 파악이 매우 중요하다. 장기 기후를 예측하는 데는 과거 자료를 이용한 통계 방법도 유용하지만 최근에는 AOGCM (Atmospheric Oceanic General Circulation Model)을 이용한 연구가 활발하게 이루어지고 있다. 하지만 강수와 같이 지역적으로 나타나는 현상은 저해상도의 AOGCM으로는 유용한 정보를 제공하기가 어려움이 따른다. 따라서 본 연구에서는 전구를 삼각형으로 된 20면체로 격자화 시켜 모든 격자의 크기가 거의 동일하고, 해상도 조절이 가능한 Geodesic 격자를 활용한 GME 모델을 사용하였다. GME 모델은 icosahedral-hexagonal grid 격자 체계를 가진 독일 기상청(Deutscher Wetterdient)에서 현업으로 사용 중인 모델이다. 본 연구에서는 수직/수평 해상도를 40km/40layers로 하여 GME 모델을 수행하였으며, 일간격의 장기 기후 자료를 생산하였다. 사용된 초기자료로는 ECMWF (European Centre for Medium Range Weather Forecasts) 자료이며, 경계 자료로는 ERA Climatology의 최근 30년간의 SST (Sea Surface Temperature) 평균 자료를 이용하여 규준 실험(Control Run), 즉, climatology 자료를 생산하였으며, persistent SST 아노말리와 ERA Climatology의 최근 30년간의 SST 자료를 이용하여 내삽 과정을 거친 SST forcing을 주어서 예측 실험(Prediction Run)을 통하여 모의 자료를 생산하였다. 특히, 규준 실험에서는 수치 모델이 가지는 불확실성을 줄이고 예보 정확도를 향상시키기 위하여 각각의 실험은 초기자료를 달리한 앙상블 모의실험을 수행하였다. 장기 모의 3개월을 위하여 모의 기간 1달 전부터 모의를 수행하여, 첫 1달은 모델의 spin-up 시간으로 분석에서 제외 하였다. 생산된 Climatology 자료와 Prediction 자료를 비교하여 아노말리와 Category 분석을 실시하여 한반도 및 동아시아 지역의 강수(Precipitation)를 중심으로 기압장(Pressure), 온도(2m Temperature) 위주로 분석하였다. 이러한 예측된 매 계절의 전망 자료 중에서도 수자원 분야에서 관심이 집중되는 여름철에 초점을 맞추어 실제 관측 자료와 비교하여 GME 모델의 계절 모의 예측성 성능을 분석하여 평가하고 다가올 여름철의 강수량의 장기 변화를 모의하고자 하였다.