• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2005년도 추계 학술발표회 논문집
• /
• pp.101-105
• /
• 2005

호남지역에 대한 대설특보 예보를 위한 통계모형 개발을 수행하였다. 일 신적설량에 따라 세법주(0: 비발생, 1: 대설주의보, 2: 대설경보)로 구분되는 순서형 자료 형태를 지니고 있다. 두가지 통계 모형(다등급 로지스틱 회귀모형, 신경회로망 모형)을 고려하였으며, 수치모델 출력자료를 이용한 역학-통계모형 기법의 하나인 MOS(model output statistics)를 적용하여 축적된 수치모델 예보자료와 관측치의 관계를 통계모형식으로 추정하여 예측모형을 개발하였다. 군집분석을 사용하여 훈련자료와 검증자료를 구분하였으며, 예보치 생성을 위하여 문턱치를 고려하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2018년도 학술발표회
• /
• pp.150-150
• /
• 2018

The Numerical Weather Prediction (NWP) models provide information for weather forecasts. The highly nonlinear and complex interactions in the atmosphere are simplified in meteorological models through approximations and parameterization. Therefore, the simplifications may lead to biases and errors in model results. Although the models have improved over time, the biased outputs of these models are still a matter of concern in meteorological and hydrological studies. Thus, bias removal is an essential step prior to using outputs of atmospheric models. The main idea of statistical bias correction methods is to develop a statistical relationship between modeled and observed variables over the same historical period. The Model Output Statistics (MOS) would be desirable to better match the real time forecast data with observation records. Statistical post-processing methods relate model outputs to the observed values at the sites of interest. In this study three methods are used to remove the possible biases of the real-time outputs of the Weather Research and Forecast (WRF) model in Imjin basin (North and South Korea). The post-processing techniques include the Linear Regression (LR), Linear Scaling (LS) and Power Scaling (PS) methods. The MOS techniques used in this study include three main steps: preprocessing of the historical data in training set, development of the equations, and application of the equations for the validation set. The expected results show the accuracy improvement of the real-time forecast data before and after bias correction. The comparison of the different methods will clarify the best method for the purpose of the forecast skill enhancement in a real-time case study.

• 풍력에너지저널
• /
• 제14권3호
• /
• pp.25-33
• /
• 2023

In order to secure the safety of increasing offshore activities such as offshore wind farm maintenance and fishing, IMPACT, a mid-term marine weather forecasting system, was established by predicting marine weather up to 7 days in advance. Forecast data from the Korea Hydrographic and Oceanographic Agency (KHOA), which provides the most reliable marine meteorological service in Korea, was used, but wind speed and wave height forecast errors increased as the leading forecast period increased, so improvement of the accuracy of the model results was needed. The Model Output Statistics (MOS) method, a post-correction method using statistical machine learning, was applied to improve the prediction accuracy of wave height, which is an important factor in forecasting the risk of marine activities. Compared with the observed data, the wave height prediction results by the model before correction for 6 to 7 days ahead showed an RMSE of 0.692 m and R of 0.591, and there was a tendency to underestimate high waves. After correction with the MOS technique, RMSE was 0.554 m and R was 0.732, confirming that accuracy was significantly improved.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2006년도 학술발표회 논문집
• /
• pp.51-56
• /
• 2006

Biases embedded in numerical weather precipitation forecasts by the RDAPS model was determined, quantified and corrected. The ultimate objective is to eventually enhance the reliability of reservoir operation by Korean Water Resources Corporation (KOWACO), which is based on precipitation-driven forecasts of stream flow. Statistical post-processing, so called MOS (Model Output Statistics) was applied to RDAPS to improve their performance. The Artificial Neural Nwetwork (ANN) model was applied for 4 cases of 'Probability of Precipitation (PoP) for wet and dry season' and 'Quantitative Precipitation Forecasts (QPF) for wet and dry season'. The reduction on the large systematic bias was especially remarkable. The performance of both networks may be improved by retraining, probably every month. In addition, it is expected that performance of the networks will improve once atmospheric profile data are incorporated in the analysis. The key to the optimal performance of ANN is to have a large data set relevant to the predictand variable. The more complex the process to be modeled by the ANN, the larger the data set needs to be.

• 한국수자원학회논문집
• /
• 제51권11호
• /
• pp.1031-1041
• /
• 2018

본 연구에서는 ANFIS 기반 GloSea5 앙상블 기상전망 개선 기법을 개발하고 평가하였다. 대상유역은 국내 주요 다목적댐인 충주댐 유역을 선정하였으며, 개선 기법은 ANFIS 기반의 전 후처리기법으로 구성된다. 전처리 기법에서 GloSea5의 앙상블 멤버에 가중치를 부여하며(OWM), 후처리 과정에서는 전처리결과를 편의보정 한다(MOS). 평가결과 편의보정된 GloSea5에 비해 예측성능이 개선되었으며, CASE3, CASE1, CASE2 순으로 모의성능이 우수하였다. 전처리 기법은 강수의 변동성이 큰 계절에 개선효과가 우수하였으며, 후처리 기법은 전처리로 개선하지 못한 오차를 줄 일 수 있는 것으로 나타났다. 따라서 본 연구에서 개발한 ANFIS 기반 GloSea5 앙상블 기상전망 개선 기법은 전 후처리 기법을 함께 사용하는 것이 가장 좋으며, 특히 여름철과 같이 강수의 변동성이 큰 계절에 활용성이 높을 것으로 판단된다.

• 한국지구과학회지
• /
• 제28권2호
• /
• pp.214-226
• /
• 2007

강수는 다양한 대기 변수들의 영향으로 나타나기 때문에 비선형성이 매우 강하다. 따라서 역학 모형을 통해 예측된 강수의 보정은 비선형 모형인 인공 신경망 등을 통해 가능할 것이지만, 인공 신경망의 경우 초기 가중치 선택, 지역 최소화 문제, 뉴런의 수 결정 등의 문제로 인한 한계가 있다. 그러므로 본 연구에서는 가장 보편적으로 사용되는 다중 선형 회귀 모형을 이용하여 CGCM에 의해 모사된 강수를 보정하였으며, 예측성을 살펴보았다. 이를 위하여 우선 PNU/CME 접합 대순환 모형(Coupled General Circulation model, CGCM)(박혜선과 안중배, 2004)을 이용하여 1979년부터 2005년까지 매해 4월부터 8월까지 5개월간 앙상블 적분을 하였다. 적분 결과 중 한반도를 포함한 동북아시아 지역$(110^{\circ}E-145^{\circ}E,\;25^{\circ}N-55^{\circ}N)$의 여름철인 6월(리드 2), 7월(리드 3), 8월(리드 4) 및 여름철 평균인 JJA(from June to August) 기간의 PNU/CME CGCM에 의해 모사된 강수를 보정하기 위해 다중 선형 회귀(Multiple Linear Regression, MLR)를 이용하였다. PNU/CME 접합 대순환 모형의 결과 중 강수, 500 hPa 연직 속도, 200 hPa 발산장, 지상 기온 등의 예측 인자와 관측 강수와의 선형적인 관계를 이용하여 MLR 모형을 구축하였다. 그리고 교차 검증(cross- validation)을 수행하여 PNU/CME 접합 대순환 모형의 결과와 교차 검증 결과를 비교하였다. 상관계수, 적중률 (hit rate), 오보율(false alarm rate) 그리고 Heidke 기술 점수(Heidke skill score) 등을 살펴본 바, 보정하지 않은 모형의 결과에 비해 MLR 모형을 이용하여 보정한 결과의 강수에 대한 예측성이 뛰어난 것을 알 수 있었다.

• 한국농림기상학회지
• /
• 제23권4호
• /
• pp.415-423
• /
• 2021

NCAM-LAMP 중기예측 자료의 통계적 후처리와 개선을 위하여 R 기반의 지점 시계열 자료 검증 체계를 구축하였다. 이 시계열 검증체계를 이용하여 기상청 AWS 관측 자료와 NCAM-LAMP, KMA GDAPS 중기예측 모델 자료를 비교하였다. 이를 위해 관측 지점에 가장 근접한 모델 위도 및 경도 자료를 추출하여 총 9개 지점을 선정하였다. 각 지점에 대해 NCAM-LAMP, GDAPS 모델의 기온, 강수량, 풍속 일평균 예측 자료를 관측과 비교한 결과, 모델들은 풍속의 과대예측 경향을 뚜렷이 보였으며, 기온과 강수의 경우에는 두 모델의 예측력이 월별 및 변수별로 다르게 나타났다. 이를 바탕으로 본 연구에서는 통계적 기법을 개발하여 NCAM-LAMP가 가지고 있는 오차를 줄이고자 하였다. 모델 오차를 줄이기 위해 일반적으로 쓰이는 MOS(Model Output Statistics)기법 중에 인공지능 SVM(Support vector machine) 방식을 8~10월 기간에 적용한 결과, 8월에 비해서 10월이, 기온 변수에 비해서 바람과 강수 변수가 개선된 효과를 보여주었다. 이러한 결과는 풍속의 과대예측을 줄이고, 농림 가뭄지수와 산사태 예측 등을 개선시키며, 지역 수치예보 모델이 시간 적분됨에 따라 영역 내 예측가능성이 점점 저하되는 현상을 완화시키는데 SVM 방법이 일정 부분 기여할 수 있음을 가리키며, 현업 표출 중인 NCAM Agro-Meteogram 개선에도 도움을 줄 것으로 기대된다.