• Journal of the Korean earth science society
• /
• v.35 no.4
• /
• pp.215-224
• /
• 2014

Data assimilation effect of mobile rawinsonde observation was evaluated using Unified Model (UM) with a Three-Dimensional Variational (3DVAR) data assimilation system during the intensive observation program of 2013 summer season (rainy season: 20 June-7 July 2013, heavy rain period: 8 July-30 July 2013). The analysis was performed by two sets of simulation experiments: (1) ConTroL experiment (CTL) with observation data provided by Korea Meteorological Administration (KMA) and (2) Observing System Experiment (OSE) including both KMA and mobile rawinsonde observation data. In the model verification during the rainy season, there were no distinctive differences for 500 hPa geopotential height, 850 hPa air temperature, and 300 hPa wind speed between CTL and OSE simulation due to data limitation (0000 and 1200 UTC only) at stationary rawinsonde stations. In contrast, precipitation verification using the hourly accumulated precipitation data of Automatic Synoptic Observation System (ASOS) showed that Equivalent Threat Score (ETS) of the OSE was improved by about 2% compared with that of the CTL. For cases having a positive effect of the OSE simulation, ETS of the OSE showed a significantly higher improvement (up to 41%) than that of the CTL. This estimation thus suggests that the use of mobile rawinsonde observation data using UM 3DVAR could be reasonable enough to assess the improvement of prediction accuracy.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.88-88
• /
• 2021

최근 수자원과 수질관리 분야에 자료기반 머신러닝 모델과 딥러닝 모델의 활용이 급증하고 있다. 그러나 딥러닝 모델은 Blackbox 모델의 특성상 고전적인 질량, 운동량, 에너지 보존법칙을 고려하지 않고, 데이터에 내재된 패턴과 관계를 해석하기 때문에 물리적 법칙을 만족하지 않는 예측결과를 가져올 수 있다. 또한, 딥러닝 모델의 예측 성능은 학습데이터의 양과 변수 선정에 크게 영향을 받는 모델이기 때문에 양질의 데이터가 제공되지 않으면 모델의 bias와 variation이 클 수 있으며 정확도 높은 예측이 어렵다. 최근 이러한 자료기반 모델링 방법의 단점을 보완하기 위해 프로세스 기반 수치모델과 딥러닝 모델을 결합하여 두 모델링 방법의 장점을 활용하는 연구가 활발히 진행되고 있다(Read et al., 2019). Process-Guided Deep Learning (PGDL) 방법은 물리적 법칙을 반영하여 딥러닝 모델을 훈련시킴으로써 순수한 딥러닝 모델의 물리적 법칙 결여성 문제를 해결할 수 있는 대안으로 활용되고 있다. PGDL 모델은 딥러닝 모델에 물리적인 법칙을 해석할 수 있는 추가변수를 도입하며, 딥러닝 모델의 매개변수 최적화 과정에서 Cost 함수에 물리적 법칙을 위반하는 경우 Penalty를 추가하는 알고리즘을 도입하여 물리적 보존법칙을 만족하도록 모델을 훈련시킨다. 본 연구의 목적은 대청호의 수심별 수온을 예측하기 위해 역학적 모델과 딥러닝 모델을 융합한 PGDL 모델을 개발하고 적용성을 평가하는데 있다. 역학적 모델은 2차원 횡방향 평균 수리·수질 모델인 CE-QUAL-W2을 사용하였으며, 대청호를 대상으로 2017년부터 2018년까지 총 2년간 수온과 에너지 수지를 모의하였다. 기상(기온, 이슬점온도, 풍향, 풍속, 운량), 수문(저수위, 유입·유출 유량), 수온자료를 수집하여 CE-QUAL-W2 모델을 구축하고 보정하였으며, 모델은 저수위 변화, 수온의 수심별 시계열 변동 특성을 적절하게 재현하였다. 또한, 동일기간 대청호 수심별 수온 예측을 위한 순환 신경망 모델인 LSTM(Long Short-Term Memory)을 개발하였으며, 종속변수는 수온계 체인을 통해 수집한 수심별 고빈도 수온 자료를 사용하고 독립 변수는 기온, 풍속, 상대습도, 강수량, 단파복사에너지, 장파복사에너지를 사용하였다. LSTM 모델의 매개변수 최적화는 지도학습을 통해 예측값과 실측값의 RMSE가 최소화 되로록 훈련하였다. PGDL 모델은 동일 기간 LSTM 모델과 동일 입력 자료를 사용하여 구축하였으며, 역학적 모델에서 얻은 에너지 수지를 만족하지 않는 경우 Cost Function에 Penalty를 추가하여 물리적 보존법칙을 만족하도록 훈련하고 수심별 수온 예측결과를 비교·분석하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.94-94
• /
• 2020

최근 정부의 신북방정책 추진에 따라 수자원분야에서는 동북아지역 국제 공유하천을 중심의 물 정보 및 연구협력 기회 확보와 지정학적 특성을 고려한 지역 현안해결 중심의 연구가 재조명 되고 있다. 두만강은 이러한 동북아의 중심에 위치하고 있으며, 중국, 북한, 러이사의 국경을 따라 흐르며 지역 수자원의 대부분을 공급하는 국제하천이다. 또한, 지난 2018년 5월에는 하구유역이 람사르(Ramsar) 습지로 승인됨에 따라 철새 등을 포함한 생태가치의 중요성도 크게 증가하였다. 하지만 이 지역은 유역의 지정학적 민감성과 접근이 제한된 관측 정보들로 인해 그 수자원·환경 효용성을 정확하게 파악할 수 없을 뿐만 아니라, 최근 기후변화에 따른 영향으로 홍수, 가뭄 등의 수재해와 수질오염 등의 문제가 발생하고 있어 가용한 기술기반의 직·간접적 접근을 통한 장기수문 및 환경변화 등에 대한 분석과 관리방안 수립 등의 연구가 필요하다. 본 연구에서는 이러한 미계측 두만강 유역을 대상으로 우선, 가용한 위성자료 및 광역지표모형(MERRA-2) 기반 NASA POWER(Prediction of Worldwide Energy Resource) 수문기상 자료와 SWAT(Soil and Water Assessment Tool) 모형을 활용하여 장기 수문영향을 평가하고자 한다. SWAT 모형은 전 지구적으로 활용 가능한 격자 해상도 약 30m의 위성기반 수치표고모형(DEM), 광역 토양도, 지역 토지이용도 자료를 활용하여 두만강 유역을 전체 19개 소유역 및 18개 하도, 138개 HRUs의 수문분석 단위로 구축하였으며, 모의는 미국 NOAA NCDC(National Climate Data Center) 및 중국 CMDC(China Meteorological Data Service Center)의 주요 관측지점에서 선별한 총 13개소의 위치에 대해 재분석된 기후/기상자료들(NASA POWER 강수, 기온, 풍속, 상대습도 및 일사량)을 적용, 1990년에서 2019년까지의 30개년도 연속자료를 구축활용 하였다. 한편, 모형의 검·보정은 앞서 언급한 관측 자료의 부재로 과거 문헌 등을 통해 파악할 수 있는 연 단위 수자원 총량 등을 활용해 진행코자한다. 아울러, 향후는 최근 활용 가능한 장기 위성관측 강수량을 적용, 재분석 자료 결과와의 비교를 통해 상호 분석 오류를 줄여나갈 수 있을 것으로도 판단된다.

• Korean Journal of Remote Sensing
• /
• v.36 no.6_3
• /
• pp.1653-1667
• /
• 2020

In this study, we coupled a computation fluid dynamics (CFD) model to the local data assimilation and prediction system (LDAPS), a current operational numerical weather prediction model of the Korea Meteorological Administration. We investigated the characteristics of fine particulate matter (PM2.5) distributions in a building-congested district. To analyze the effects of road emission on the PM2.5 concentrations, we calculated road emissions based on the monthly, daily, and hourly emission factors and the total amount of PM2.5 emissions established from the Clean Air Policy Support System (CAPSS) of the Ministry of Environment. We validated the simulated PM2.5 concentrations against those measured at the PKNU-AQ Sensor stations. In the cases of no road emission, the LDAPS-CFD model underestimated the PM2.5 concentrations measured at the PKNU-AQ Sensor stations. The LDAPS-CFD model improved the PM2.5 concentration predictions by considering road emission. At 07 and 19 LST on 22 June 2020, the southerly wind was dominant at the target area. The PM2.5 distribution at 07 LST were similar to that at 19 LST. The simulated PM2.5 concentrations were significantly affected by the road emissions at the roadside but not significantly at the building roof. In the road-emission case, the PM2.5 concentration was high at the north (wind speeds were weak) and west roads (a long street canyon). The PM2.5 concentration was low in the east road where the building density was relatively low.