• 대한원격탐사학회지
• /
• 제29권1호
• /
• pp.151-160
• /
• 2013

근래 들어 위성영상 기반의 한반도 지역 일사량 추정 연구가 활발히 진행되고 있으나 대부분의 연구들은 외국 위성영상을 이용하고 있다. 이에 본 연구에서는 국내 정지궤도 위성영상을 활용하여 한반도 지역의 일사량을 추정하는 것을 목적으로 한다. 입력데이터로는 국내최초의 정지궤도 위성인 천리안 기상영상기의 레벨1 데이터 및 레벨2 구름 영상, 그리고 미국 NASA의 OMI 영상을 이용하고, 물리모델식은 동아시아지역 일사량 추정에 보다 적합하다고 알려진 Kawamura 모델식을 적용한다. 2011년 5월~2012년 4월에 이르는 기간의 15분 간격 데이터를 이용하여 일일 수평면 전일사량을 추정하였으며, 이를 대한민국의 18개지점의 관측소 실측치와 비교하였다. 일일 일사량 추정값과 관측값 간의 $R^2$값은 0.86로서 높은 상관성을 나타냈으며, 월평균 일사량의 오차는 대부분의 지점에서 ${\pm}15%$ 이내였고 연평균 수평면 전일사량의 오차는 서울을 제외하면 약 -5~+5%의 분포를 보였다. 본 연구결과를 통해 한반도 지역의 일사량을 추정하는데 있어 천리안 기상영상기 영상이 활용 될 수 있음을 확인하였다.

• 한국태양에너지학회 논문집
• /
• 제39권3호
• /
• pp.47-57
• /
• 2019

Clear sky indices were estimated by various ways based on in-situ observation and satellite-derived solar irradiance. In principle, clear sky index defined by clear sky solar irradiance indicates the impacts of cloud on the incoming solar irradiance. However, clear sky index widely used in energy sciences is formulated by extraterrestrial irradiance, which implies the extinction of solar irradiance due to mainly aerosol, water vapor and clouds drops. This study examined the relative difference of clear sky indices and then major characteristics of clear sky irradiance when sky is clear are investigated. Clear sky is defined when clear sky index based on clear sky irradiance is higher than 0.9. In contrast, clear sky index defined by extraterrestrial irradiance is distributed between 0.4 and 0.8. When aerosol optical depth and air mass coefficient are relative larger, solar irradiance is lower due to enhanced extinction, which leads to the lower value of clear sky index defined by extraterrestrial irradiance.

• 한국항행학회논문지
• /
• 제25권6호
• /
• pp.569-575
• /
• 2021

딥러닝은 데이터의 품질과 모델에 따라 예측 성능에 차이를 보인다. 본 연구는 발전량 예측에 가장 영향을 주는 일사량 예측을 위한 최적의 딥러닝 모델을 구축하기 위해 다양한 입력 데이터와 다중 딥러닝 모델을 사용하였다. 입력 데이터는 기상청의 기상 데이터와 천리안 기상영상을 기상청 지역의 영상을 분할하여 사용하였다, 본 연구는 기본적인 딥러닝 모델인 DNN, LSTM, CNN 모델에 대해 중간층의 깊이와 노드를 변경하여 일사량을 예측하여, 비교 평가하였다, 또한, 각 모델에서 가장 좋은 오차율을 가진 모델을 연결한 다증 딥러닝 모델을 구축하여 일사량을 예측하였다. 실험 결과로서 다중 딥러닝 모델인 모델 A의 RMSE는 0.0637이며, 모델 B의 RMSE는 0.07062이며, 모델 C의 RMSE는 0.06052로서 단일 모델보다 모델 A 그리고 모델 C의 오차율이 좋았다. 본 연구는 실험을 통해 두 개 이상의 모델을 연결한 모델이 향상된 예측률과 안정된 학습 결과를 보였다.