• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2008년도 학술발표회 논문집
• /
• pp.1013-1017
• /
• 2008

이 연구는 기상수치예보 모델 중 지역수치예보모델인 RDAPS 모델을 이용하여 강우자료를 예측한 값과 실제 강우관측지점에서의 강우량을 비교해 보고 RDAPS 예측량의 정확도를 높이기 위한 연구이다. RDAPS 모델의 자료는 00UTC와 12UTC에 3시간 누적 자료를 48시간에 대해서 생성하고, 30km 격자망에 대한 정보를 담고 있기 때문에 1시간 간격으로 측정된 지점 강우량과의 비교를 위해서는 관측지점과 근거리 정보를 찾고 1시간 간격의 관측 자료를 3시간 누적강우량으로 바꾸는 전처리 과정이 필요하다. 실제 강우예측이 어려움을 겪는 것처럼 RDAPS의 예측 강우량과 관측 강우량은 큰 차이를 보이는 것으로 나타났다. 예측 강우량의 정확도를 높이고자 인공신경망을 적용하였다. 인공신경망이란 뇌기능의 특성 몇가지를 컴퓨터 시뮬레이션으로 표현하는 것을 목표로 하는 수학 모델이다. 강우수치예측 자료 외에도 RDAPS 모델에서 얻을 수 있는 풍향, 풍속, 상대습도, 기압, 온도 등의 다른 수치자료들을 이용하여 인공신경망을 이용하여 자료들의 패턴을 시뮬레이션 하여 정확도가 높은 예측값을 얻을 수 있었다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2008년도 학술발표회 논문집
• /
• pp.269-273
• /
• 2008

기상청(KMA, Korea Meteorological Administration)에서는 기상수치예보모델을 적용하여 수치예보를 하고 있으며 전지구 모델로는 GDAPS(Global Date Assimilation and Prediction System)를 지역모델은 RDAPS(Regional Date Assimilation and Prediction System)를 사용하고 있다. 수치예보결과를 이용하여 유출량을 예측할 경우 일반적으로 해상도가 높은 지역모델인 RDAPS의 수치예보 결과값을 사용한다. RDAPS는 00UTC와 12UTC에 3시간으로 누적된 자료를 30km 격자에 대하여 예측시간으로부터 48시간에 대하여 자료를 생성한다. 일강우자료를 입력자료로 사용하는 강우-유출 모형의 경우 3시간 누적 자료를 나타나는 RDAPS 수치예보 결과를 이용 시 3시간 scale에서 일(day)시간 scale로 변환시켜주어야 한다. 본 연구에서는 RDAPS의 수치예보 결과의 일(day)시간 scale 변환 방법에 따른 정확도를 비교하여 RDAPS 수치예보 결과의 일(day)시간 scale 변환에 대한 정확도를 비교하여 일(day)시간 scale 변환에 대한 지침을 제공하고자 한다. RDAPS 수치예보 결과값의 특징을 이용하여 RDAPS 결과값을 일(day)시간 scale로 변환하는 방법으로 총 9개방법을 적용하였으며, 참 값으로는 기상청 강수자료를 사용하였으며, 금강유역을 대상으로 유역평균강수량을 계산하여 각 변환 방법에 따른 정확도를 비교하였다.

• 대기
• /
• 제19권2호
• /
• pp.145-154
• /
• 2009

This study compared the sea surface wind pattern between model results from KMA operational model (RDAPS) and retrieved results from QuickSCAT in the 2006-2007 year. The mean spatial distributions of sea surface wind of RDAPS and QuikSCAT show the prominent seasonal patterns of summer and winter season adjacent to Korean Peninsular. The magnitude of sea surface wind predicted by RDAPS is weaker than that of QuikSCAT in most north Pacific ocean. In summer of 2006 positive bias with the maximum of 1 m/s is appeared in broad region of north Pacific ocean, however. the positive bias region is decreased to small region in 2007. Even though the predicted sea wind by RDAPS is stronger(weaker) than observed one by QuikSCAT in summer (winter), the RDAPS model simulate well the sea surface wind adjacent to Korean peninsular.

• 한국수자원학회논문집
• /
• 제44권12호
• /
• pp.967-974
• /
• 2011

RDAPS 수치예보로부터 생산된 일단위 강우시계열을 바탕으로 유량 예측을 모의하고, 정성적인 중장기 예보를 고려한 ESP 분석을 수행하여 결과를 비교하고 적용성을 검토하였다. 금강유역을 대상으로 ESP, 정성적 기상예보를 고려한 ESP, RDAPS 기상수치예보에의한유량예측결과를평균유출량과비교 분석을 통해각기법별 결과의 개선효과를 평가하였다. 예측 모의 결과 기상정보를 고려한 ESP 방법의 결과가상대적으로 양호한 것으로 분석되었다. 확률예측의 정확도를 평가하기 위한 불일치율(Discrepancy Ratio) 분석 결과에서도 같은 결과를 얻었다. RDAPS 수치예보의 경우 3시간 단위의 누적강수라는 특성이 감안된 시간분해능을 갖는 일단위 시나리오로 개선되거나 장기간 동안 지속적인 모의 평가가 이루어진다면 더욱 정밀한 유량예측을 모의 할 수 있을 것으로 예상된다.

• 한국수자원학회논문집
• /
• 제44권3호
• /
• pp.221-230
• /
• 2011

최근 우리나라뿐만 아니라 전 세계적으로 기후변화에 따른 국지성 호우의 증가로 피해가 증가하고 있고 그에 따른 대책으로 단기예보의 중요성이 높아지고 있다. 우리나라의 기상청에서는 전구 모형인 GDAPS와 지역 모델인 RDAPS를 이용하여 정량적 예보인 수치 예보를 하고 있다. RDAPS 모델을 이용하여 생성된 자료는 3시간의 누적 강수량으로 48시간에 대한 예측 자료를 12시간 간격으로 00UTC와 12UTC를 생성한다. 본 연구에서는 2005년의 RDAPS의 결과를 9가지의 경우에 대하여 일강수량으로 변환하였으며, 금강유역을 대상으로 면적평균강수량 (MAP)을 산정하였다. 또한, 기상청 강우관측소의 관측강우량과 절대상대오차평균 (AARE)을 산정하여 가장 정확한 변환의 방법을 제시하고 적용성을 검토하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2009년도 학술발표회 초록집
• /
• pp.23-26
• /
• 2009

효과적인 저수지 운영을 위해 가장 중요한 절차는 저수지 유입량을 적절하게 모의하는 것이다. 실시간 저수지 운영의 경우 기존의 물리적인 강우-유출현상에 기초한 수학적인 모형을 이용해서 유입량을 예측하는데 한계가 있으므로 인공신경망과 같이 자료의 특성에 기반한 모형이 효율적인 대안이 될 수 있다. 본 연구에서는 인공신경망(Artificial neural network, ANN)을 이용하여 실시간 저수지 운영을 위해 현재시간을 기준으로 3시간 후, 6시간 후, 9시간 후, 12시간 후의 유입량을 예측하였다. 본 연구의 대상지역은 한강수계의 화천댐 유역으로 기상청 수치예보자료인 RDAPS(Regional Data Assimilation and Prediction System)자료 중에서 강우예측자료를 사용하였다. RDAPS 강우예측자료를 이용한 예측값 결과와 비교하기 위해 지점 강우자료를 사용하였으며, 이 지점 강우자료는 화천댐 유역에 있는 AWS, 기상청, 국토해양부의 지점자료을 이용하였다. RDAPS 강우예측값만을 이용한 유입량 예측결과가 과거 12시간 강우 누적값을 이용한 유입량 예측값과 비슷한 정확도를 가지는 것을 알 수 있었으며, 자료의 효율적인 취득을 고려해야만 하는 실시간 운영의 경우, RDAPS 강우예측자료와 인공신경망을 이용한 모형이 충분히 효과적인 대안이 될 수 있음을 알 수 있다.

• 대한토목학회논문집
• /
• 제28권5B호
• /
• pp.485-493
• /
• 2008

한반도 영역을 대상으로 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상관측(upper-air sounding)의 관측자료를 이용하여 권역별 강수발생확률을 예측할 수 있는 인공신경망 모형을 제시하였다. 사용된 자료의 기간은 2001년 7, 8월과 2002년 6월로 홍수기를 대상으로 하였다. 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y방향 바람성분, 750 hPa에서의 X와 Y방향 바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압, 3시간 누적 강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의 누적강수, 가강수량, 상대습도등을 신경망의 예측인자로 사용하였다. 신경망의 구조는 3층 MLP(Multi Layer Perceptron)로 구성하여 역전파알고리즘(Back-propagation)을 학습방법으로 사용하였다. 신경망예측결과 한반도전체에 대한 예측성과의 개선은 H가 6.8%상승하였고, 특히 TS와 POD는 각각 99.2%와 148.1% 상승함으로서 강수예측에 대한 신경망모형이 효과적인 도구가 될 수 있음을 확인하였다. KSS 역시 92.8% 개선됨으로서 RDAPS 예측에 비하여 뚜렷이 개선된 결과를 보여주고 있다.

• 한국수자원학회논문집
• /
• 제38권1호
• /
• pp.11-23
• /
• 2005

본 연구에서는 단기 예측강우를 활용하여 실시간 유량을 예측할 수 있는 기상-수자원 연계기법을 개발하였다. 이를 위해 기상청의 RDAPS 강수자료와 저류함수(SFM) 모델을 통해 소양강댐 상류유역의 댐유입량을 계산하고 그 정확도를 분석하였다. 대상 사례기간인 2003년 7월 18일부터 2003년 7월 24일까지 RDAPS 강우예측자료의 정확도를 평가한 결과 RDAPS 및 관측 강수량 사이의 정성적 평가에서 매우 우수한 정확도를 보이고, 수자원 측면에서 필요한 정량적 성격을 충족시키는 것으로 나타났다. RDAPS-SFM 연계기법을 통한 하천유량 계산에서도 그 정확도가 비교적 높은 것으로 검토되어 현재의 하천 유량 예측에서 기상 수치예보자료의 활용성은 매우 높은 것으로 사료된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2004년도 학술발표회
• /
• pp.308-312
• /
• 2004

본 연구에서는 기상 수치모델의 예측강우량을 활용하여 단시간 하천유출량을 계산할 수 있는 기상-수자원 연계기법을 개발하였다. 이를 위해 기상청의 RDAPS 강수자료와 수자원공사의 치수모델인 KOWACO 모델을 통해 소양강댐 상류유역의 댐유입량을 계산하고 그 정확도를 분석하려다. 대상 사례기간인 2003년 7월 18일부터 2003년 7월 24일까지 RDAPS 강우예측자료의 정확도를 평가한 결과, RDAPS 및 AWS MAP 사이의 정성적 평가에서 매우 우수한 정확도를 보이고, 수자원 측면에서 필요한 정량적 성격을 어느 정도 충족시키는 것으로 나타났다. RDAPS-KOWACO 연계 모형의 하천유출량 계산에서도 그 정확도가 비교적 높은 것으로 검토되어 현재의 하천 유출량 예측에서 기상 수치예보자료의 활용성은 매우 놀은 것으로 사료된다.

• 대기
• /
• 제21권4호
• /
• pp.497-506
• /
• 2011

Korean mid- and upper-level aviation turbulence guidance (KTG) system is developed using the unified model (UM)-based regional data assimilation and prediction system (RDAPS) of the Korea Meteorological Administration. The KTG system includes three steps. First, the KTG system calculates a suite of diagnostics in the UM-RDAPS domain. Second, component diagnostics that have different units and numerical magnitudes are normalized into the values between 0 and 1, according to their own thresholds in the KTG system. Finally, normalized diagnostics are combined into one KTG predictor by measuring the weighting scores based on the probability of detection, which is calculated using the observed pilot reports (PIREPs) exclusively of moderate-or-greater (MOG) and null (NIL) intensities. To investigate the optimal performance of the KTG system, two types (RD-KTG and UM-KTG) of the KTG systems are developed and evaluated using the PIREPs over Korea and East Asia. Component diagnostics and their thresholds in the RD-KTG are founded on the 8-yrs (2002.12-2010.11) MM5-based RDAPS (previous version of the RDAPS; ${\Delta}x$ = 30 km) and PIREPs data, while those in the UM-KTG are based on the 6 months (2010.12-2011.5) UM-based RDAPS (${\Delta}x$ = 12 km) and PIREPs data. In comparison between the RD-KTG and UM-KTG, overall performance of the UM-KTG (0.815) is better than that of the RD-KTG (0.79) during the recent 6 months, because forecasting skill for the upper-level wind is higher in the UM-RDAPS than in the MM5-RDAPS. It is also found that the UM-KTG is more efficient than the RD-KTG according to the statistical evaluations and sensitivity tests to the number of component diagnostics.