• 대한원격탐사학회지
• /
• 제38권5_1호
• /
• pp.471-484
• /
• 2022

본 연구는 전산유체역학 모델을 이용하여 기상청에서 운용하는 종관기상관측소(automated synoptic observing system, ASOS) 10개 지점을 대상으로 ASOS 주변 지형과 건물이 기온과 바람(풍속, 풍향) 관측 환경에 미치는 영향을 분석하였다. ASOS에서 최근 10년간 8월의 관측 자료를 기반으로 전산유체역학(computational fluid dynamics, CFD) 모델의 초기·경계 자료를 구축하였다. 실제 토지 피복을 고려한 경우와 모든 피복을 초지로 가정한 경우에 대해, 관측 고도에서 초기 기온 대비 기온 변화율을 비교함으로써 기온 관측 환경을 분석하였다. 기온 관측 환경은 관측 지점 주위의 토지 피복에 의한 영향을 많이 받았다. ASOS 주변에 지표면 온도가 높은 건물과 도로가 밀집한 경우에 기온 변화율이 크게 나타났다. 반면, 모든 토지 피복을 초지로 가정한 경우에는 초기 기온 대비 기온 변화율이 작았다. 실제 토지 피복을 고려하여 관측 고도의 유입류 대비 풍속 변화율과 풍향 변화를 비교함으로써 풍속과 풍향 관측 환경을 분석하였다. 풍속과 풍향은 ASOS 주변에 관측 고도보다 높거나 비슷한 높이의 지형과 건물 영향을 크게 받았으며, 원거리에 위치한 장애물에 의한 영향도 나타났다. 본 연구 결과는 종관기상관측소의 이전과 신설 단계에서 관측 환경 평가에 활용될 것이다.

• 대한원격탐사학회지
• /
• 제36권5_1호
• /
• pp.693-706
• /
• 2020

본 연구는 세계기상기구(World Meteorological Organization, WMO) 분류 지침에 따라 10지점의 종관기상관측소(Automated Synoptic Observing System, ASOS) 관측 환경을 5단계로 분류하였다. 장애물(지형, 건물 등)과 지표 피복 유형은 일조 시간, 기온, 지상 바람의 관측 환경을 평가하는 주요 요인이었다. 따라서, WMO 분류 지침에 따라 ASOS를 평가하기 위해서 지형, 건물, 토지 피복 유형에 대한 수치 지도를 사용했다. 일조 시간의 관측 환경은 일조 고도각이 낮은 일출과 일몰 시간대에 주변 건물 영향을 가장 많이 받았다. 기온 관측 환경은 태양 고도각뿐만 아니라 열/수원과 ASOS 사이의 거리를 기준으로 결정되었다. 본 연구에서 고려한 ASOS 주변에는 수원이 없었다. 일부 ASOS 근처에 있는 열원은 관찰 환경에 영향을 미칠만큼 크지 않았다. ASOS 주변의 거칠기 길이와 주변 건물과 ASOS 사이의 거리를 기반으로 지상 바람 관측 환경을 평가했다. 대부분의 ASOS는 주변보다 높은 고도에 놓여 있으며 ASOS 주변의 거칠기 길이는 최상의 수준을 위한 조건을 충족할 만큼 충분히 작았다.

• 한국초지조사료학회지
• /
• 제43권3호
• /
• pp.190-198
• /
• 2023

This study was conducted to calculate the damage of Italian ryegrass (IRG) by abnormal climate using machine learning and present the damage through the map. The IRG data collected 1,384. The climate data was collected from the Korea Meteorological Administration Meteorological data open portal.The machine learning model called xDeepFM was used to detect IRG damage. The damage was calculated using climate data from the Automated Synoptic Observing System (95 sites) by machine learning. The calculation of damage was the difference between the Dry matter yield (DMY)_normal and DMY_abnormal. The normal climate was set as the 40-year of climate data according to the year of IRG data (1986~2020). The level of abnormal climate was set as a multiple of the standard deviation applying the World Meteorological Organization (WMO) standard. The DMY_normal was ranged from 5,678 to 15,188 kg/ha. The damage of IRG differed according to region and level of abnormal climate with abnormal temperature, precipitation, and wind speed from -1,380 to 1,176, -3 to 2,465, and -830 to 962 kg/ha, respectively. The maximum damage was 1,176 kg/ha when the abnormal temperature was -2 level (+1.04℃), 2,465 kg/ha when the abnormal precipitation was all level and 962 kg/ha when the abnormal wind speed was -2 level (+1.60 ㎧). The damage calculated through the WMO method was presented as an map using QGIS. There was some blank area because there was no climate data. In order to calculate the damage of blank area, it would be possible to use the automatic weather system (AWS), which provides data from more sites than the automated synoptic observing system (ASOS).

• 한국안전학회지
• /
• 제27권5호
• /
• pp.158-163
• /
• 2012

This study is concerned with the estimation of wind speeds for return period in cellularized district of Busan by the recent meteorological data. Recently standard of the wind load in Busan area is determined by using meteorological wind speed data which is observed on Automated Synoptic Observing System(ASOS) only. Applying the existing basic wind speed that is 40m/s to the construction design of Busan area is inefficient. Because the wind speeds of Busan area show different amounts depend on the location of cellularized district. This research analyze the observed data of wind speeds of cellularized district in Busan based on Automate Weather System(AWA). In addition that we compute regional wind speeds for return period by using Gumbel distribution and study and compare with the existing basic wind speeds after evaluating appropriateness by Hazen's plot method.

• 대한원격탐사학회지
• /
• 제36권3호
• /
• pp.487-501
• /
• 2020

이 연구에서는 고해상도 위성영상을 이용하여 지표면 온도를 산출하는 기존의 여러가지 방법 이외에 보다 새로운 접근으로, 인공지능 기반의 심층신경망 기법을 148장의 Landsat 8 영상에 적용하여 우리나라 지표면온도를 산출하고 그 적합성을 평가하였다. Landsat 8 열적외 10번 밴드(약 11 ㎛ 파장대)의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다. 이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 심층신경망 모델을 최적화하여 지표면온도를 산출하였다. 이는 ASOS(Automated Synoptic Observing System)와의 선형관계식으로 편의보정을 수행하는 기존 방법에 비해 진보된 기법이다. ASOS 관측치와 시공간적으로 일치되는 1,728건의 자료를 비교한 결과, 계절별로 차이가 있기는 하지만 특히 봄, 가을에는 상당히 좋은 결과를 보였으며(CC=0.910~0.917, RMSE=3.245~3.365℃), 또한 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다. 향후 Landsat 5/7/8 자료의 장기시계열 빅데이터와 함께 추가적인 지표면변수를 활용하여 모델링 을 수행함으로써 기후변화 및 특이기상 하에서도 보다 신뢰도 높은 고해상도 지표면온도 산출이 필요할 것이다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1071-1081
• /
• 2021

본 연구에서는 기상청에서 수행하는 기존의 기상 관측에 대한 품질관리 절차 이외에 향후 스마트시티 등에서 활용될 수 있는 머신러닝 기반의 Internet of Things (IoT) 도시기상 관측 자료에 대한 품질검사 기준을 제안한다. 현재 기상청에서 종관기상관측(Automated Synoptic Observing System, ASOS)과 방재기상관측(Automatic Weather System, AWS) 기반으로 설정한 기준이 도시기상에 적합한지 확인하기 위하여 서울시에 설치된 SKT AWS 자료를 기반으로 사용성을 검증하였고, IoT 자체의 데이터가 가지는 특성을 고려하여 최종적으로 머신러닝 기반의 품질검사 알고리즘을 제안하였다. 품질검사 방법으로는 IoT 기기 자체에 대한 결측값 검사, 값 패턴 검사, 충분 데이터 검사, 통계적 범위 이상 검사, 시간값 이상 검사, 공간값 이상 검사를 먼저 수행하고, 기상청에서 제시하고 있는 기상 관측에 대한 품질검사인 물리한계검사, 단계검사, 지속성 검사, 기후범위 검사, 내적 일치성 검사를 5가지 기상요소에 대하여 각각 수행하였다. 제안한 알고리즘의 검증을 위하여 인천광역시 송도에 위치한 관측소에 실제 IoT 도시기상관측 데이터에 이를 적용하였다. 이를 통해 기존의 기상청 QC로는 확인할 수 없었던 IoT 기기가 가질 수 있는 결함을 확인할 수 있고, 알고리즘에 대한 검증을 진행하여 향후 스마트시티에 설치될 IoT 기상관측기기에 대한 품질검사 방법을 제안한다.

• 한국지구과학회지
• /
• 제42권5호
• /
• pp.514-523
• /
• 2021

고창 표준기상관측소(Gochang Standard Weather Observatory, GSWO)에서 3년간(2014-2016년) 관측한 겨울철 강수량 자료를 사용하여 겨울철 관측환경에 따른 강수량 관측 특성을 분석하였다. 이를 위해, 설치환경이 다른 강수량계 4종인 NS(No Shield), SA(Single Alter), DFIR(Double Fence Intercomparison Reference), PG(Pit Gauge)를 사용하여, DFIR을 기준으로 누적 강수량 차이, 강수 유형별 특성, 풍속 변화에 따른 수집효율을 분석하였다. 강수 유형은 고창 종관기상관측장비(Automated Synoptic Observing System, ASOS)의 기온 관측 자료를 사용하여 강우, 혼합 강수, 강설로 분류하여 분석하였다. 겨울철 누적 강수량은 SA, NS, PG 순으로 DFIR과 유사하게 나타났으며, 통계 분석 결과에서는 SA가 DFIR과 가장 유사한 결과를 보였다. 결과적으로, 겨울철 강수량 관측에서는 SA가 기준 강수량계와 가장 유사하게 관측되었으며, PG는 겨울철 관측에 적합하지 않은 것으로 분석된다.

• 대한원격탐사학회지
• /
• 제37권3호
• /
• pp.463-473
• /
• 2021

본 연구에서는 최근 USGS에서 공개한 Landsat 8 Collection 2 Level 2 Science Product (L2SP) 위성 영상을 이용하여 국내 지표면 온도를 산출하였고, 기존 Landsat 8 Collection 1 Level 1 Terrain Precision (L1TP) 위성 영상을 활용하여 산출한 국내 지표면 온도와의 비교와 기상청 종관기상관측자료(Automated Synoptic Observing System, ASOS)와의 검증을 통해 L2SP 기반 지표면 온도 자료의 국내 영역에 대한 적합성을 평가하고자 하였다. L2SP는 연구 및 분석에 용이하도록 Landsat 8 Collection 2 Level 1 데이터를 기반으로 만든 Level 2 자료로, 기존의 계산식을 통해 산출해야 하는 지표면 반사도 자료와 지표면 온도 자료를 계산 처리 없이 바로 사용할 수 있다는 장점이 있다. 2018년부터 2020년까지 3년간의 Landsat 8 지표면 온도 산출물과 관측소 지점 8개소 주변 3×3 격자 영역과의 비교한 결과, 8개 관측소 기준 L2SP 지표면 온도와 L1TP 지표면 온도의 평균 피어슨 상관계수(Pearson correlation coefficient)는 각각 0.971, 0.964로 두 자료 모두 상당히 강한 양의 상관관계를 보여주었으며, RMSE (Root Mean Square Error)의 경우 각각 4.029℃, 5.247℃로 L2SP 지표면 온도 자료가 더 낮은 RMSE를 보여주는 것을 확인 하였다. 이는 관측소 위치별로 값에 차이가 생길 수 있지만 평균적인 지표 결과를 보았을 때, L2SP 지표면 온도 자료가 L1TP를 통해 산출되는 지표면 온도 자료와 비교했을 때 준수하거나 그 이상의 정확도를 보여주어 국내 지표면 온도 산출 연구에 적합하다고 판단된다. 따라서 향후 계절적 요인과 고도에 따른 온도 차이 등의 환경 및 지형적인 요인도 고려를 하거나, 본 연구 과정에서 발생한 Science Product의 고정적인 영상 품질 문제 등이 개선된다면 보다 더 안정적이고 정확도 높은 지표면 온도 참조 자료로써의 유용성이 클 것이라 판단된다.

• 대기
• /
• 제30권1호
• /
• pp.1-15
• /
• 2020

This study analyzed and compared development mechanisms leading to heat waves of 2016 and 2018 in Korea. The European Centre for Medium-Range Weather Forecasts Reanalysis Interim (ERA Interim) dataset and Automated Surface Observing System data are used for synoptic scale analysis. The synoptic conditions are investigated using geopotential height, temperature, equivalent potential temperature, thickness, potential vorticity, omega, outgoing longwave radiation, and blocking index, etc. Heat waves in South Korea occur in relation to Western North Pacific Subtropical High (WNPSH) pressure system which moves northwestward to East Asia during summer season. Especially in 2018, WNPSH intensified due to strong large-scale circulation associated with convective activities in the Philippine Sea, and moved farther north to Korea when compared to 2016. In addition, the Tibetan high near the tropopause settled over Northern China on top of WNPSH creating a very strong anticyclonic structure in the upper-level over the Korean Peninsula. Unlike 2018, WNPSH was weaker and centered over the East China Sea in 2016. Analysis of blocking indices show wide blocking phenomena over the North Pacific and the Eurasian continent during heat wave event in both years. The strong upper-level ridge which was positioned zonally near 60°N, made the WNPSH over the South Korea stagnant in both years. Analysis of heat wave intensity (HWI) and duration (HWD) show that HWI and HWD in 2018 was both strong leading to extreme high temperatures. In 2016 however, HWI was relatively weak compared to HWD. The longevity of HWD is attributed to atmosphere blocking in the surrounding Eurasian continent.

• 한국환경과학회지
• /
• 제27권7호
• /
• pp.509-518
• /
• 2018

Weather is the most influential factor for crop cultivation. Weather information for cultivated areas is necessary for growth and production forecasting of agricultural crops. However, there are limitations in the meteorological observations in cultivated areas because weather equipment is not installed. This study tested methods of predicting the daily mean temperature in onion fields using geostatistical models. Three models were considered: inverse distance weight method, generalized additive model, and Bayesian spatial linear model. Data were collected from the AWS (automatic weather system), ASOS (automated synoptic observing system), and an agricultural weather station between 2013 and 2016. To evaluate the prediction performance, data from AWS and ASOS were used as the modeling data, and data from the agricultural weather station were used as the validation data. It was found that the Bayesian spatial linear regression performed better than other models. Consequently, high-resolution maps of the daily mean temperature of Jeonnam were generated using all observed weather information.