KR102168427B1 - Spatial down-scaling method with regional characteristics - Google Patents

Spatial down-scaling method with regional characteristics Download PDF

Info

Publication number
KR102168427B1
KR102168427B1 KR1020180140067A KR20180140067A KR102168427B1 KR 102168427 B1 KR102168427 B1 KR 102168427B1 KR 1020180140067 A KR1020180140067 A KR 1020180140067A KR 20180140067 A KR20180140067 A KR 20180140067A KR 102168427 B1 KR102168427 B1 KR 102168427B1
Authority
KR
South Korea
Prior art keywords
spatial
scale
prediction data
point
detailing
Prior art date
Application number
KR1020180140067A
Other languages
Korean (ko)
Other versions
KR20200056121A (en
Inventor
김춘지
김주완
양아련
박수현
유수현
오수빈
Original Assignee
김춘지
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 김춘지 filed Critical 김춘지
Priority to KR1020180140067A priority Critical patent/KR102168427B1/en
Publication of KR20200056121A publication Critical patent/KR20200056121A/en
Application granted granted Critical
Publication of KR102168427B1 publication Critical patent/KR102168427B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 지역별 공간 특성이 반영되는 규모 상세화 방법에 관한 것으로서, 보다 구체적으로는 확률 예측 데이터의 공간적 규모 상세화 방법으로서, (1) 확률 예측 시스템 기반의 확률 예측 데이터를 수집하는 단계; (2) 제1 격자 규모인 상기 수집된 확률 예측 데이터의 각 격자점에 대하여, 지점별 공간 경도값을 산출하는 단계; 및 (3) 상기 단계 (2)에서 산출한 지점별 공간 경도값을 이용해 상기 단계 (1)에서 수집한 확률 예측 데이터에 대해 공간적 규모 상세화를 수행하여, 상기 확률 예측 데이터의 제1 격자 규모보다 상세한 제2 격자 규모의 고해상도 예측 데이터를 생성하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 지역별 공간 특성이 반영되는 규모 상세화 방법에 따르면, 지역별 공간 특성이 반영된 지점별 공간 경도값을 산출하고, 이를 이용해 공간적 규모 상세화를 수행함으로써, 지역성이 크게 나타나는 변수의 공간적 규모 상세화를 신속하고 효과적으로 할 수 있다.The present invention relates to a scale detailing method in which spatial characteristics of each region are reflected, and more specifically, as a spatial scale detailing method of probability prediction data, comprising: (1) collecting probability prediction data based on a probability prediction system; (2) calculating a spatial hardness value for each point for each grid point of the collected probability prediction data having a first grid scale; And (3) performing spatial scale detailing on the probability prediction data collected in step (1) using the spatial hardness value for each point calculated in step (2), and is more detailed than the first grid scale of the probability prediction data. It is characterized in its construction comprising the step of generating high-resolution prediction data of a second grid scale.
According to the scale detailing method that reflects the spatial characteristics of each region proposed in the present invention, the spatial hardness value of each point reflecting the spatial characteristics of each region is calculated, and the spatial scale detailing is performed using this, thereby detailing the spatial scale of the variable that shows great regionality. Can be done quickly and effectively.

Description

지역별 공간 특성이 반영되는 규모 상세화 방법{SPATIAL DOWN-SCALING METHOD WITH REGIONAL CHARACTERISTICS}Scale detailing method that reflects spatial characteristics by region {SPATIAL DOWN-SCALING METHOD WITH REGIONAL CHARACTERISTICS}

본 발명은 규모 상세화 방법에 관한 것으로서, 보다 구체적으로는 지역별 공간 특성이 반영되는 규모 상세화 방법에 관한 것이다.The present invention relates to a scale detailing method, and more specifically, to a scale detailing method in which spatial characteristics of each region are reflected.

지구환경변화에 따른 피해가 급증하고 있어서 이를 과학적으로 예측하여 그 결과를 얻기 위한 지구변화예측시스템이 개발되어 왔다. 지구환경은 대기권, 수권, 암석권, 생물권, 빙권 등 지구환경을 구성하는 하나 이상의 자연환경 요소를 지칭한다. 이러한 지구환경 요소는 이를 대상으로 한 실험이 매우 제한적이거나 불가능하여 주로 컴퓨터를 기반으로 지구환경 요소를 지배하는 자연법칙을 나타내는 방정식에 관측 또는 실험값들을 대입하여 지구환경 변화에 대한 수치예측모델결과를 얻고 있다.
Since the damage caused by changes in the global environment is increasing rapidly, a global change prediction system has been developed to scientifically predict and obtain the result. The global environment refers to one or more elements of the natural environment that make up the global environment, such as the atmosphere, hydrosphere, lithosphere, biosphere, and cryosphere. For these global environmental factors, experiments on them are very limited or impossible, and observations or experimental values are substituted into the equation representing the natural laws governing the global environmental factors, mainly based on computers, to obtain a numerical predictive model result for changes in the global environment. have.

지구환경변화는 주로 대규모로 발생하므로 이를 수치예측모델을 이용하여 사용자가 원하는 수준의 고해상도 결과로 얻기 위해서는 많은 연산을 필요로 한다. 지역기후 모델을 포함한 수치모델들의 기상 및 기후에 대한 예측수준은 일반적으로 사용 모델, 공간 해상도, 물리과정 조합, 계절, 지리적 위치, 사용 경계 조건 등 모델의 모의환경에 따라 매우 상이하다.
Since global environmental changes mainly occur on a large scale, many calculations are required to obtain the high resolution results desired by the user using a numerical prediction model. The weather and climate prediction levels of numerical models including regional climate models are generally very different depending on the simulation environment of the model, such as the model used, spatial resolution, combination of physical processes, season, geographic location, and boundary conditions used.

이와 같은 수치예측모델을 이용한 예측 데이터는, 정해진 해상도의 데이터를 얻게 되므로, 보다 상세한 규모의 기온, 강수량 등에 대한 예측 데이터를 얻기 위해서는, 공간적 규모 상세화가 필요하다. 왜냐하면, 전 지구 영역에 대하여 고해상도로 모의를 하기 위해서는 과다한 계산량이 요구되어 아직까지 구현이 어렵기 때문이다. 뿐만 아니라, 동네 예보가 도입되는 등 더욱 상세한 고해상도의 예측 데이터에 대한 요구가 높아지고 있으므로, 효과적인 공간적 규모 상세화의 필요성이 더욱 높아지고 있다.
Since the predicted data using such a numerical prediction model obtains data of a predetermined resolution, spatial scale detailing is required in order to obtain predictive data for a more detailed scale of temperature and precipitation. This is because an excessive computational amount is required in order to simulate the global region at high resolution, making it difficult to implement. In addition, since the demand for more detailed high-resolution prediction data such as the introduction of neighborhood forecasts is increasing, the need for effective spatial scale detailing is increasing.

도 1은 종래의 공간적 규모 상세화를 설명하기 위한 도면이다. 도 1에 도시된 바와 같이, 종래에는 공간적 규모 상세화를 위하여 역학적인 방법을 사용하였다. 즉, 저해상도의 수치예측모델의 도메인 내에 고해상도의 도메인을 설정하여, 저해상도의 예측 데이터를 초기장 및 경계장으로 이용해 고해상도의 수치예측모델을 모의하는 것이다. 이와 같은 역학적 규모 상세화 방법에 따르면, 객관적인 수치예측모델을 이용하는 것이므로 물리적 이론을 따른다는 장점이 있으나, 여전히 계산량이 많고 해상도가 높아질 경우에는 계산량이 급격히 증가한다는 한계가 있다.
1 is a view for explaining a conventional spatial scale detailing. As shown in FIG. 1, in the related art, a dynamic method was used for detailed spatial scale. That is, a high-resolution domain is set within the domain of a low-resolution numerical prediction model, and a high-resolution numerical prediction model is simulated using the low-resolution prediction data as an initial field and a boundary field. According to this method of elaborating the mechanical scale, since it uses an objective numerical prediction model, it has the advantage of following the physical theory. However, there is a limitation that the computational amount increases rapidly when the computational amount is still large and the resolution is increased.

따라서 계산량이 적고 다양한 방법론을 선택할 수 있는 통계적 규모 상세화 방법이 고려되어 왔으며, 이중선형내삽법(Bi-linear)이 널리 사용되어왔다. 그러나 이중선형내삽법은, 예측 데이터를 단순 내삽하기 때문에 지역적 특성을 전혀 반영하지 못하므로, 공간적 규모 상세화 보다는 데이터 보간(interpolation)의 역할에 머무르는 한계가 있다.
Therefore, a statistical scale detailing method that has a small amount of calculation and can select various methodologies has been considered, and the bi-linear interpolation method (Bi-linear) has been widely used. However, since the bilinear interpolation method simply interpolates the predicted data, it does not reflect the local characteristics at all, so there is a limit to staying in the role of data interpolation rather than detailing the spatial scale.

한편, 본 발명과 관련된 선행기술로서, 공개특허 제10-2018-0065676호(발명의 명칭: 다중모형 앙상블과 상세화 기법을 응용한 계절 예측 시스템 및 방법, 공개일자: 2018년 06월 18일), 공개특허 제10-2018-0079101호(발명의 명칭: 기후변화시나리오의 역학적 상세화 방법을 이용한 기후변화 고해상도 자료생상 및 표출시스템, 공개일자: 2018년 07월 10일) 등이 개시된 바 있다.On the other hand, as a prior art related to the present invention, Patent Publication No. 10-2018-0065676 (title of the invention: a seasonal prediction system and method applying a multi-model ensemble and detailed technique, publication date: June 18, 2018), Patent Publication No. 10-2018-0079101 (title of the invention: a climate change high-resolution data generation and display system using the epidemiological detailing method of climate change scenarios, publication date: July 10, 2018), and the like have been disclosed.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 지역별 공간 특성이 반영된 지점별 공간 경도값을 산출하고, 이를 이용해 공간적 규모 상세화를 수행함으로써, 지역성이 크게 나타나는 변수의 공간적 규모 상세화를 신속하고 효과적으로 할 수 있는, 지역별 공간 특성이 반영되는 규모 상세화 방법을 제공하는 것을 그 목적으로 한다.The present invention is proposed to solve the above problems of the previously proposed methods, and by calculating the spatial hardness value for each point reflecting the spatial characteristics of each region, and performing spatial scale detailing using this, Its purpose is to provide a scale detailing method that reflects the spatial characteristics of each region that can quickly and effectively detail the spatial scale.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법은,A method for detailing the scale reflecting the spatial characteristics of each region according to the features of the present invention for achieving the above object,

확률 예측 데이터의 공간적 규모 상세화 방법으로서,As a method for detailing the spatial scale of probability prediction data,

(1) 확률 예측 시스템 기반의 확률 예측 데이터를 수집하는 단계;(1) collecting probability prediction data based on a probability prediction system;

(2) 제1 격자 규모인 상기 수집된 확률 예측 데이터의 각 격자점에 대하여, 지점별 공간 경도값을 산출하는 단계; 및(2) calculating a spatial hardness value for each point for each grid point of the collected probability prediction data having a first grid scale; And

(3) 상기 단계 (2)에서 산출한 지점별 공간 경도값을 이용해 상기 단계 (1)에서 수집한 확률 예측 데이터에 대해 공간적 규모 상세화를 수행하여, 상기 확률 예측 데이터의 제1 격자 규모보다 상세한 제2 격자 규모의 고해상도 예측 데이터를 생성하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
(3) Spatial scale detailing is performed on the probability prediction data collected in step (1) by using the spatial hardness value for each point calculated in step (2). It is characterized in that it comprises the step of generating high-resolution prediction data of a two-grid scale.

바람직하게는, 상기 단계 (2)는,Preferably, the step (2),

(2-1) 상기 수집된 확률 예측 데이터의 격자점을 기준으로, 미리 정해진 거리 이내의 관측 데이터를 검색하는 단계; 및(2-1) searching for observation data within a predetermined distance based on a grid point of the collected probability prediction data; And

(2-2) 상기 검색된 관측 데이터 및 기준이 된 격자점의 예측 데이터로부터, 다중 선형 회귀 분석을 이용하여 상기 지점별 공간 경도값을 산출하는 단계를 포함할 수 있다.
(2-2) from the searched observation data and the predicted data of a grid point as a reference, calculating the spatial longitude value for each point using multiple linear regression analysis.

더욱 바람직하게는, 상기 지점별 공간 경도값은,More preferably, the spatial hardness value for each point,

상기 제1 격자 규모에서 지역별 공간 특성을 반영하여 각 격자점에 대해 산출한 동서 방향의 회귀계수, 남북 방향의 회귀계수, 및 고도 방향의 회귀계수일 수 있다.
The first grid scale may be a regression coefficient in the east-west direction, a regression coefficient in the north-south direction, and a regression coefficient in the elevation direction calculated for each grid point by reflecting the spatial characteristics of each region.

더욱 바람직하게는, 상기 단계 (2-2)에서는,More preferably, in the step (2-2),

상기 검색된 관측 데이터와 기준이 된 격자점의 예측 데이터의 오차가 최소화되는 1차원 선형함수를 구하여, 상기 지점별 공간 경도값을 산출할 수 있다.
A one-dimensional linear function that minimizes an error between the searched observation data and the predicted data of a reference grid point may be obtained, and the spatial hardness value for each point may be calculated.

바람직하게는,Preferably,

상기 단계 (2)에서는, 상기 수집된 확률 예측 데이터의 각 격자점의 온도 예측 데이터를 이용해 지점별 공간 경도값을 산출하며,In the step (2), a spatial hardness value for each point is calculated using temperature prediction data of each grid point of the collected probability prediction data,

상기 단계 (3)에서는, 상기 확률 예측 데이터에 포함된 온도 예측 데이터를 추출하고, 상기 단계 (2)에서 산출한 지점별 공간 경도값을 이용해, 상기 추출된 온도 예측 데이터에 대해 공간적 규모 상세화를 수행하여 온도에 대한 고해상도 예측 데이터를 생성할 수 있다.
In the step (3), temperature prediction data included in the probability prediction data is extracted, and spatial scale detailing is performed on the extracted temperature prediction data using the spatial hardness value for each point calculated in step (2). Thus, high-resolution prediction data for temperature can be generated.

바람직하게는, 상기 단계 (3)에서는,Preferably, in step (3),

상기 단계 (2)에서 산출된 지점별 공간 경도값 및 미리 설정된 거리 추정치를 적용하여 공간적 규모 상세화를 수행할 수 있다.
Spatial scale detailing may be performed by applying the spatial hardness value for each point calculated in step (2) and a preset distance estimate.

더욱 바람직하게는, 상기 단계 (3)에서는,More preferably, in the step (3),

온도 예측 데이터에 대해 공간적 규모 상세화를 수행하여 온도에 대한 고해상도 예측 데이터를 생성하되, 상기 미리 설정된 거리 추정치는 계절별로 상이할 수 있다.
High-resolution prediction data for temperature is generated by performing spatial scale detailing on the temperature prediction data, but the preset distance estimate may be different for each season.

더더욱 바람직하게는, 상기 단계 (3)에서는,Even more preferably, in the step (3),

겨울철 최저기온에 대하여, 상기 미리 설정된 거리 추정치를 상기 제1 격자 규모의 10배로 할 수 있다.For the winter minimum temperature, the preset distance estimate may be 10 times the first grid scale.

본 발명에서 제안하고 있는 지역별 공간 특성이 반영되는 규모 상세화 방법에 따르면, 지역별 공간 특성이 반영된 지점별 공간 경도값을 산출하고, 이를 이용해 공간적 규모 상세화를 수행함으로써, 지역성이 크게 나타나는 변수의 공간적 규모 상세화를 신속하고 효과적으로 할 수 있다.According to the scale detailing method that reflects the spatial characteristics of each region proposed in the present invention, the spatial hardness value of each point reflecting the spatial characteristics of each region is calculated, and the spatial scale detailing is performed using this, thereby detailing the spatial scale of the variable that shows great regionality Can be done quickly and effectively.

도 1은 종래의 공간적 규모 상세화를 설명하기 위한 도면.
도 2는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 흐름을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서, 공간적 규모 상세화를 수행하는 과정을 설명한 도면.
도 4는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서, 지점별 공간 경도값을 이용해 공간적 규모 상세화를 수행하는 과정을 설명한 도면.
도 5는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면
도 6은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 이용한 고해상도 예측 데이터와 이중선형내삽법을 사용한 경우의 온도 변수를 관측 데이터와 비교한 도면.
도 7은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 검증을 위해, (a) 관측 데이터, (b) 확률 예측 데이터, 및 (c) 고해상도 예측 데이터를 비교한 도면.
도 8은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 최고기온 사례에 적용한 결과를 도시한 도면.
도 9는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 최저기온 사례에 적용한 결과를 도시한 도면.1 is a view for explaining a conventional spatial scale detailing.
2 is a diagram illustrating a flow of a method for detailing a scale in which spatial characteristics of each region are reflected according to an embodiment of the present invention.
3 is a diagram illustrating a process of performing spatial scale detailing in a scale detailing method reflecting spatial characteristics of each region according to an embodiment of the present invention.
FIG. 4 is a diagram illustrating a process of performing spatial scale detailing using a spatial hardness value for each point in the scale detailing method in which spatial characteristics of each region are reflected according to an embodiment of the present invention.
5 is a view showing a detailed flow of step S200 in the scale detailing method in which the spatial characteristics of each region are reflected according to an embodiment of the present invention
6 is a view comparing high-resolution prediction data using a scale detailing method in which spatial characteristics of each region are reflected and a temperature variable in the case of using a bilinear interpolation method with observation data according to an embodiment of the present invention.
7 is a view comparing (a) observation data, (b) probability prediction data, and (c) high-resolution prediction data to verify a method of detailing a scale in which spatial characteristics of each region are reflected according to an embodiment of the present invention.
FIG. 8 is a diagram showing a result of applying a scale detailing method reflecting spatial characteristics of each region according to an embodiment of the present invention to a case of a maximum temperature.
9 is a view showing a result of applying a scale detailing method reflecting spatial characteristics of each region according to an embodiment of the present invention to a case of minimum temperature.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
Hereinafter, preferred embodiments will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art may easily implement the present invention. However, in describing a preferred embodiment of the present invention in detail, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, the same reference numerals are used throughout the drawings for portions having similar functions and functions.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is said to be'connected' with another part, it is not only'directly connected', but also'indirectly connected' with another element in the middle. Include. In addition, "including" a certain component means that other components may be further included rather than excluding other components unless otherwise stated.

도 2는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 흐름을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법은, 확률 예측 시스템 기반의 확률 예측 데이터를 수집하는 단계(S100), 제1 격자 규모인 수집된 확률 예측 데이터의 각 격자점에 대하여 지점별 공간 경도값을 산출하는 단계(S200), 지점별 공간 경도값을 이용해 확률 예측 데이터에 대해 공간적 규모 상세화를 수행하여, 확률 예측 데이터의 제1 격자 규모보다 상세한 제2 격자 규모의 고해상도 예측 데이터를 생성하는 단계(S300)를 포함하여 구현될 수 있다.
2 is a diagram illustrating a flow of a method for detailing a scale in which spatial characteristics of each region are reflected according to an embodiment of the present invention. As shown in FIG. 2, in the method for detailing the scale in which spatial characteristics of each region are reflected according to an embodiment of the present invention, the step of collecting probability prediction data based on a probability prediction system (S100), a first grid scale Calculating a spatial hardness value for each point for each grid point of the probability prediction data (S200), by performing a spatial scale detailing of the probability prediction data using the spatial hardness value for each point, than the first grid size of the probability prediction data It may be implemented including the step (S300) of generating high-resolution prediction data of a detailed second grid scale.

즉, 본 발명은, 제1 격자 규모의 확률 예측 데이터를 제2 격자 규모의 고해상도 예측 데이터로 공간적 규모 상세화를 수행하면서, 지역별 공간 특성이 반영된 지점별 공간 경도값을 산출하고, 이를 이용해 공간적 규모 상세화를 수행함으로써, 지역성이 크게 나타나는 변수의 공간적 규모 상세화를 신속하고 효과적으로 할 수 있다.
That is, the present invention calculates the spatial hardness value for each point reflecting the spatial characteristics of each region while performing spatial scale detailing from the probability prediction data of the first grid scale to the high resolution prediction data of the second grid scale, and then using the spatial scale detailing By performing, it is possible to quickly and effectively refine the spatial scale of variables that show great locality.

여기서, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 각 단계는 컴퓨터 또는 서버에서 수행될 수 있으며, 보다 구체적으로는, 가상화 또는 클라우드 환경에서 수행될 수 있다. 다만, 설명의 편의를 위하여 각 단계를 수행하는 주체는 생략될 수 있다. 이하에서는, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 각 단계에 대하여 상세히 설명하도록 한다.
Here, each step of the scale detailing method in which the spatial characteristics of each region are reflected according to an embodiment of the present invention may be performed in a computer or a server, and more specifically, may be performed in a virtualization or cloud environment. However, for convenience of description, the subject performing each step may be omitted. Hereinafter, each step of the method for detailing the scale in which the spatial characteristics of each region are reflected according to an embodiment of the present invention will be described in detail.

단계 S100에서는, 확률 예측 시스템 기반의 확률 예측 데이터를 수집할 수 있다. 여기서, 확률 예측 시스템은, 국지규모의 수치예측모델을 포함할 수 있으며, 보다 구체적으로는, 기상청에서 현업으로 사용하고 있는 앙상블예측시스템일 수 있다. 기상청에서는 국지앙상블예측시스템(Local Ensemble Prediction Syste; LENS)으로 국지 예보를 하고 있으므로, 본 발명의 단계 S100에서는 LENS 확률 예측 데이터를 수집하여 이용함으로써, 위험 기상 현상의 발생 확률의 규모 상세화의 성능을 파악할 수 있다.
In step S100, probability prediction data based on a probability prediction system may be collected. Here, the probability prediction system may include a numerical prediction model of a local scale, and more specifically, may be an ensemble prediction system used by the Meteorological Administration in the field. Since the Meteorological Agency uses the Local Ensemble Prediction Syste (LENS) to perform local forecasting, in step S100 of the present invention, LENS probability prediction data is collected and used to grasp the performance of detailed scale of the probability of occurrence of dangerous meteorological phenomena. I can.

단계 S200에서는, 제1 격자 규모인 수집된 확률 예측 데이터의 각 격자점에 대하여, 지점별 공간 경도값을 산출할 수 있다. LENS 자료는 수평 해상도가 3㎞ 이므로, LENS 자료 사용 시 제1 격자 규모는 수평 해상도가 3㎞일 수 있다. 여기서, 공간 경도값(gradient)은, 동서 방향, 남북 방향, 고도 방향의 특성을 반영하기 위한 것이다. 본 발명에서는, 고정된 공간 경도값이 아닌 지점별로 공간 경도값을 산출하여 공간적 규모 상세화에 사용할 수 있는데, 이에 대해서는 추후 도 3 내지 도 5를 참조하여 상세히 설명하도록 한다.
In step S200, for each grid point of the collected probability prediction data of the first grid scale, a spatial hardness value for each point may be calculated. Since LENS data has a horizontal resolution of 3㎞, when using LENS data, the first grid size may have a horizontal resolution of 3㎞. Here, the spatial gradient is for reflecting characteristics of the east-west direction, the north-south direction, and the elevation direction. In the present invention, a spatial hardness value can be calculated for each point, not a fixed spatial hardness value, and used for detailed spatial scale, which will be described in detail later with reference to FIGS. 3 to 5.

단계 S300에서는, 단계 S200에서 산출한 지점별 공간 경도값을 이용해 단계 S100에서 수집한 확률 예측 데이터에 대해 공간적 규모 상세화를 수행하여, 확률 예측 데이터의 제1 격자 규모보다 상세한 제2 격자 규모의 고해상도 예측 데이터를 생성할 수 있다.
In step S300, spatial scale detailing is performed on the probability prediction data collected in step S100 by using the spatial hardness value for each point calculated in step S200, and high-resolution prediction of the second grid scale more detailed than the first grid scale of the probability prediction data. Data can be created.

보다 구체적으로, 단계 S300에서는, 다음 수학식 1을 이용해 공간적 규모 상세화를 수행할 수 있다.More specifically, in step S300, spatial scale detailing may be performed using Equation 1 below.

Figure 112018113329103-pat00001
Figure 112018113329103-pat00001

여기서, Z는 상세 격자 즉, 제2 격자 규모의 특정 지점에서의 기후변수 값, X, Y, E는 상세 격자의 특정 지점에서의 동-서, 남-북 위치와 고도, Zi는 넓은 격자 즉, 제1 격자 규모의 i 지점에서의 기후변수 값, Xi, Yi, Ei는 넓은 격자의 i 지점에서의 동-서, 남-북 위치와 고도, N은 특정 검색반경 안의 넓은 격자에서 격자개수; Cx, Cy, Ce는 동-서, 남-북, 고도에 대한 공간 경도값, di는 거리 추정치로서, 일반적으로 상세 격자 지점에서 넓은 격자 지점까지의 거리이며 넓은 격자 간격의 크기와 같거나 이보다 크게 설정한다. 이때, di에 대한 이러한 설정은 지역트렌드에 대한 영향을 제한하기 위한 것이다.
Here, Z is the detailed grid, that is, the climate variable value at a specific point of the second grid scale, X, Y, E are the east-west, north-south positions and elevations at a specific point of the detailed grid, and Zi is a wide grid, that is, , Values of climate variables at point i of the first grid scale, Xi, Yi, Ei are the east-west, north-south positions and elevations at point i of the wide grid, and N is the number of grids in the wide grid within a specific search radius; Cx, Cy, and Ce are the spatial longitude values for east-west, north-south, and altitude, and di is the distance estimate, generally the distance from the detailed grid point to the wide grid point, equal to or greater than the size of the wide grid spacing. Set. At this time, this setting for di is to limit the influence on regional trends.

수학식 1에서와 같이, 단계 S300에서는 넓은 격자 대비 상세 격자에서의 위치와 고도에 따라 다중회귀방식을 이용하여 가중치(Cx, Cy, Ce)를 줄 수 있다. 본 발명의 단계 S300에서는, 단계 S200에서 산출된 지점별 공간 경도값 및 미리 설정된 거리 추정치(di)를 적용하여 공간적 규모 상세화를 수행할 수 있는데, 이를 통해 지역 특성을 보다 정확하게 반영하여 공간 규모 상세화를 수행할 수 있다.
As in Equation 1, in step S300, weights (Cx, Cy, Ce) may be given using a multiple regression method according to a location and altitude in a detailed grid compared to a wide grid. In step S300 of the present invention, spatial scale detailing can be performed by applying the spatial hardness value for each point calculated in step S200 and a preset distance estimate (di), through which the spatial scale detailing can be performed by more accurately reflecting local characteristics. Can be done.

도 3은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서, 공간적 규모 상세화를 수행하는 과정을 설명한 도면이고, 도 4는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서, 지점별 공간 경도값을 이용해 공간적 규모 상세화를 수행하는 과정을 설명한 도면이다. 즉, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 단계 S300에서는, 도 3에 도시된 바와 같이 상수로 고정된 공간 경도값을 사용할 수 있으나, 도 4에 도시된 바와 같이 각 지역에 적합한 공간 경도값을 단계 S200에서 산출하고, 이를 이용하여 공간 규모 상세화를 수행할 수도 있다.
3 is a diagram illustrating a process of performing spatial scale detailing in a scale detailing method in which spatial characteristics of each region are reflected according to an embodiment of the present invention, and FIG. 4 is a view illustrating spatial characteristics of each region according to an embodiment of the present invention. It is a diagram explaining the process of performing spatial scale detailing using spatial hardness values for each point in the scale detailing method. That is, in step S300 of the scale detailing method in which regional spatial characteristics are reflected according to an embodiment of the present invention, a spatial hardness value fixed as a constant as shown in FIG. 3 may be used, as shown in FIG. 4. Spatial hardness values suitable for each region may be calculated in step S200, and spatial scale detailing may be performed using this.

도 3에 도시된 바와 같은 방식은 규모 상세화가 수행되는 전 지역의 자료에 대해서 동일한 공간 경도값(Cx, Cy)을 사용하기 때문에, 균일한 공간 구조를 갖는 자료 또는 변수의 상세화에는 적합하나, 공간적으로 복잡한 구조를 갖는 오염물질의 분포, 바람장, 강수 등의 경우 정확성이 크게 감소하며, 지형의 영향을 크게 받는 지역의 온도에 있어서도 정확성이 감소할 수 있다. 따라서 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서는, 도 4에 도시된 바와 같이 각 지점에 대하여 각각 산출된 지점별 공간 경도값(변수값 Z1을 갖는 지점에 대하여 C1 x, C1 y; 변수값 Z2을 갖는 지점에 대하여 C2 x, C2 y 등)을 적용하기 때문에, 지역성이 크게 나타나는 자료 또는 변수의 규모 상세화에 적합할 수 있다. 이와 같은 방법은, 공간적으로 고해상도 배경 자료가 제공되는 지역에서 구현이 가능하며, 약 800개 정도의 자동기상관측장비가 상시 운영되고 있는 한반도의 강수, 온도, 습도, 바람 등의 기후변수를 포함하는 기상 자료의 공간적 규모 상세화에도 활용할 수 있다.
The method as shown in FIG. 3 is suitable for detailed data or variables having a uniform spatial structure because the same spatial hardness values (Cx, Cy) are used for the data of all regions where scale detailing is performed, but In the case of the distribution of pollutants having a complex structure, wind field, precipitation, etc., the accuracy is greatly reduced, and the accuracy may decrease even in the temperature of the area greatly affected by the topography. Therefore, in the scale detailing method in which the spatial characteristics of each region are reflected according to an embodiment of the present invention, as shown in FIG. 4, the spatial hardness value for each point calculated for each point (C for a point having a variable value Z 1 1 x , C 1 y ; C 2 x , C 2 y, etc.) are applied to the point with the variable value Z 2 , so it may be suitable for data showing large locality or for detailing the scale of variables. Such a method can be implemented in areas where spatially high-resolution background data are provided, and includes climate variables such as precipitation, temperature, humidity, and wind on the Korean peninsula where approximately 800 automatic weather observation equipment is always operated. It can also be used to detail the spatial scale of meteorological data.

도 5는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 단계 S200은, 확률 예측 데이터의 각 격자점을 기준으로 미리 정해진 거리 이내의 관측 데이터를 검색하는 단계(S210) 및 검색된 관측 데이터 및 기준이 된 격자점의 예측 데이터로부터, 다중 선형 회귀 분석을 이용하여 지점별 공간 경도값을 산출하는 단계(S220)를 포함하여 구현될 수 있다.
FIG. 5 is a diagram showing a detailed flow of step S200 in the scale detailing method in which the spatial characteristics of each region are reflected according to an embodiment of the present invention. As shown in Figure 5, step S200 of the scale detailing method reflecting spatial characteristics of each region according to an embodiment of the present invention is to search for observation data within a predetermined distance based on each grid point of probability prediction data. It may be implemented including the step S210 and the step S220 of calculating a spatial longitude value for each point by using multiple linear regression analysis from the searched observation data and the predicted data of the reference grid point.

단계 S210에서는, 수집된 확률 예측 데이터의 격자점을 기준으로, 미리 정해진 거리 이내의 관측 데이터를 검색할 수 있다. 이때, 미리 정해진 거리는 단계 S300에서 사용하는 거리 추정치(di)와 동일할 수 있으나 이에 한정하는 것은 아니며, 예를 들어 반경 50㎞로 할 수도 있다. 여기서, 관측 데이터는 자동기상관측장비(AWS)에서 관측된 데이터일 수 있다.
In step S210, observation data within a predetermined distance may be searched based on a grid point of the collected probability prediction data. In this case, the predetermined distance may be the same as the distance estimate (di) used in step S300, but is not limited thereto, and may be, for example, a radius of 50 km. Here, the observation data may be data observed by an automatic weather observation equipment (AWS).

단계 S220에서는, 검색된 관측 데이터 및 기준이 된 격자점의 예측 데이터로부터, 다중 선형 회귀 분석을 이용하여 지점별 공간 경도값을 산출할 수 있다. 여기서, 지점별 공간 경도값은, 제1 격자 규모에서 지역별 공간 특성을 반영하여 각 격자점에 대해 산출한 동서 방향의 회귀계수(Cx), 남북 방향의 회귀계수(Cy), 및 고도 방향의 회귀계수(Ce)일 수 있다. 또한, 단계 S220에서는, 검색된 관측 데이터와 기준이 된 격자점의 예측 데이터의 오차가 최소화되는 1차원 선형함수를 구하여, 지점별 공간 경도값을 산출할 수 있다.
In step S220, a spatial longitude value for each point may be calculated using multiple linear regression analysis from the retrieved observation data and the predicted data of a grid point as a reference. Here, the spatial longitude value for each point is a regression coefficient in the east-west direction (Cx), a regression coefficient in the north-south direction (Cy), and a regression in the elevation direction calculated for each grid point by reflecting the spatial characteristics of each region in the first grid scale. It may be a coefficient (Ce). In addition, in step S220, a one-dimensional linear function that minimizes an error between the searched observation data and the prediction data of a reference grid point may be obtained, and a spatial hardness value for each point may be calculated.

즉, 제1 격자 규모의 확률 예측 데이터의 각 격자점에 대하여 검색된 관측 데이터를 이용하여, 기준이 된 격자점 주변의 관측 데이터를 잘 설명하는 공간의 1차원 선형함수(z=Cx*dx+Cy*dy+Ce*de, z는 기준이 된 격자점의 확률 예측 데이터)를 다중 선형 회귀 분석을 이용해 찾는 방식으로 지점별 경도값(Cx, Cy, Ce)을 산출할 수 있다. 보다 구체적으로는, 추정치 오차값(해당 변수의 관측 데이터(zobs)와 확률 예측 데이터의 차이(zobs-z))의 평균 제곱근 오차(root mean square error; rmse)를 최소화하는 1차원 선형함수를 구하여, 이로부터 기준이 된 격자점에서의 동서 방향의 회귀계수, 남북 방향의 회귀계수, 및 고도 방향의 회귀계수에 해당하는 공간 경도값을 산출할 수 있다.
That is, using the observation data retrieved for each grid point of the first grid-scale probability prediction data, a one-dimensional linear function in the space that well describes the observed data around the reference grid point (z=Cx*dx+Cy *dy+Ce*de, z is the probability prediction data of the reference grid point) by using multiple linear regression analysis to calculate the hardness values (Cx, Cy, Ce) for each point. More specifically, a one-dimensional linear function that minimizes the root mean square error (rmse) of the estimated error value (the difference between the observed data of the variable (z obs ) and the probability prediction data (z obs -z)). From this, it is possible to calculate a spatial hardness value corresponding to the regression coefficient in the east-west direction, the regression coefficient in the north-south direction, and the regression coefficient in the elevation direction at the reference grid point.

한편, 단계 S200에서는, 수집된 확률 예측 데이터의 각 격자점의 온도 예측 데이터를 이용해 지점별 공간 경도값을 산출하며, 단계 S300에서는, 확률 예측 데이터에 포함된 온도 예측 데이터를 추출하고, 단계 S200에서 산출한 지점별 공간 경도값을 이용해, 추출된 온도 예측 데이터에 대해 공간적 규모 상세화를 수행하여 온도에 대한 고해상도 예측 데이터를 생성할 수 있다. 즉, 확률 예측 데이터에 포함되는 다양한 기후변수 중에서, 온도에 대한 공간적 규모 상세화를 수행하여 고해상도 예측 데이터를 생성할 수 있다. 바람이나 강수 변수의 규모 상세화가 필요할 때에는, 해당 변수에 대한 지점별 공간 경도값을 산출하여 사용함으로써, 각 기후변수의 공간적 특성이 반영된 규모 상세화를 할 수 있다.
Meanwhile, in step S200, a spatial hardness value for each point is calculated using the temperature prediction data of each grid point of the collected probability prediction data, and in step S300, temperature prediction data included in the probability prediction data is extracted, and in step S200 By using the calculated spatial hardness value for each point, spatial scale detailing is performed on the extracted temperature prediction data to generate high-resolution prediction data for temperature. That is, among various climate variables included in the probability prediction data, high-resolution prediction data may be generated by performing spatial scale detailing of temperature. When the scale of wind or precipitation variables needs to be detailed, the spatial hardness value for each point of the variable is calculated and used, so that the scale reflecting the spatial characteristics of each climate variable can be made.

실시예에 따라서는, 미리 정해진 기간 이상 축적된 관측 데이터와 확률 예측 데이터를 이용하여, 제1 격자 규모로 지점별 공간 경도값을 미리 산출할 수 있다. 예를 들어, 10년 동안의 관측 데이터와 확률 예측 데이터를 이용하여, 제1 격자 규모로 지점별 공간 경도값을 각 기후변수에 대해 미리 산출한 다음, 단계 S300에서 미리 산출된 지점별 공간 경도값을 이용해 필요한 시점의 확률 예측 데이터의 공간적 규모 상세화를 수행할 수 있다. 따라서 각 기후변수의 통계적인 공간 특성을 반영하여 정확하게 지점별 공간 경도값을 산출하고 이를 예보에 사용할 수 있다.
According to an embodiment, the spatial hardness value for each point may be calculated in advance using the observation data and probability prediction data accumulated for a predetermined period or more. For example, by using observational data and probability prediction data for 10 years, the spatial hardness value for each point is calculated in advance for each climate variable on a first grid scale, and then the spatial hardness value for each point calculated in advance in step S300 The spatial scale detailing of the probability prediction data at the required time can be performed using. Therefore, it is possible to accurately calculate the spatial hardness value for each point by reflecting the statistical spatial characteristics of each climate variable and use it for forecasting.

본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 효과를 검증하기 위해, 전지구 기후 모델(Global Climate Model; GCM) 자료 중 2005년 7월의 CMIP5 자료와 AWS 관측 데이터로 성능을 평가하였다. 비교를 용이하게 하기 위해, CMIP5 자료에 이중선형내삽법(Bi-linear)을 적용하여, 본 발명을 적용한 것(GIDS)과 격자 간 동일화를 하였다.
In order to verify the effect of the scale detailing method in which regional spatial characteristics are reflected according to an embodiment of the present invention, performance was evaluated using CMIP5 data of July 2005 and AWS observation data among Global Climate Model (GCM) data. Evaluated. To facilitate comparison, bi-linear interpolation (Bi-linear) was applied to the CMIP5 data, and the GIDS and the grid were identified with the present invention.

도 6은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 이용한 고해상도 예측 데이터와 이중선형내삽법을 사용한 경우의 온도 변수를 관측 데이터와 비교한 도면이다. 도 6에서, AWS 관측 자료와 예측 데이터의 값이 유사할수록 대각선의 빨간색 선에 가까워지게 되는데, 본 발명을 적용하여 규모 상세화를 한 경우(파란색)가 이중선형내삽법을 사용한 경우(검정색)에 비하여 대각선의 빨간색 선에 보다 가깝게 표시되어, 관측 데이터를 보다 잘 나타내는 것을 확인할 수 있다.
6 is a view comparing high-resolution prediction data using a scale detailing method in which spatial characteristics of each region are reflected and a temperature variable in the case of using a double linear interpolation method with observation data according to an embodiment of the present invention. 6, the closer the values of the AWS observation data and the predicted data are, the closer to the diagonal red line, compared to the case of using the double linear interpolation method (black) when the scale is detailed by applying the present invention (blue). It is displayed closer to the diagonal red line, indicating that the observed data are better represented.

도 7은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 검증을 위해, (a) 관측 데이터, (b) 확률 예측 데이터, 및 (c) 고해상도 예측 데이터를 비교한 도면이다. 도 7의 (b)에 도시된 바와 같이, CMIP5 자료는 격자 규모로 변환 시 위경도 약 2~3도 정도의 수평 해상도를 갖고 있기 때문에, 한반도의 온도 분포를 제대로 나타내지 못한다. 그러나 해당 확률 예측 데이터로부터 본 발명을 이용해 산출한 고해상도 예측 데이터를 표시한 도 7의 (c)는, 도 7의 (a)에 도시된 AWS 관측 데이터의 패턴을 비교적 잘 나타낸다는 것을 확인할 수 있다.
7 is a view comparing (a) observation data, (b) probability prediction data, and (c) high-resolution prediction data for verification of a scale detailing method that reflects spatial characteristics of each region according to an embodiment of the present invention. . As shown in (b) of FIG. 7, since the CMIP5 data has a horizontal resolution of about 2 to 3 degrees latitude and longitude when converted to a grid scale, the temperature distribution of the Korean peninsula cannot be properly represented. However, it can be seen that Fig. 7(c), which displays the high-resolution prediction data calculated using the present invention from the corresponding probability prediction data, relatively well represents the pattern of the AWS observation data shown in Fig. 7(a).

한편, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법의 추가적인 검증을 위해, LENS 자료를 활용해 한반도 온도의 규모 상세화 예측 성능을 평가하였다. LENS 자료의 수평 해상도는 3㎞인데, 본 발명에서는 이를 수평 해상도 1.6㎞로 규모 상세화를 수행하였다. 모형들의 격자 간 동일화를 통해 비교를 용이하게 하기 위해, LENS 자료에 이중선형내삽법(Bi-linear)을 적용하여 기본모델자료로 사용하였다. 이를 BLIN으로 표시하고, 본 발명을 이용해 규모 상세화한 모형은 GIDS로 표시한다. 분석한 모형들은 AWS 관측 데이터와 비교를 통해 신뢰성을 확인하였다.
On the other hand, in order to further verify the scale detailing method reflecting the spatial characteristics of each region according to an embodiment of the present invention, the scale detail prediction performance of the Korean Peninsula temperature was evaluated using LENS data. The horizontal resolution of the LENS data is 3 km, and in the present invention, the scale was refined to a horizontal resolution of 1.6 km. In order to facilitate comparison through the identification of models between grids, bi-linear interpolation (Bi-linear) was applied to LENS data and used as basic model data. This is indicated by BLIN, and the scale-specific model using the present invention is indicated by GIDS. The analyzed models confirmed their reliability through comparison with AWS observation data.

첫 번째 과정으로 수집된 자료 중 최저기온과 최고기온 날짜를 선정(Target time)하여 온도 규모 상세화 예측 검증을 진행하였다. 선정된 사례일자는 최저기온에 대하여 2017년 1월 23일 06KST, 최고기온에 대하여 2017년 7월 13일 15KST이다. 본 발명의 규모 상세화 방법은 수학식 1에서 확인할 수 있는 바와 같이 위치와 고도에 대한 영향을 보여주므로, 이를 고려하여 분석지역을 한반도 내륙으로 지정하였다. 따라서 우리나라의 섬 지역(울릉도, 독도, 제주도)을 제외한 내륙에 초점을 맞춰 검증을 수행하였다.
Among the data collected in the first process, the minimum temperature and the maximum temperature date were selected (Target time), and the temperature scale detailed prediction and verification were conducted. The selected case date is 06KST on January 23, 2017 for the lowest temperature and 15KST on July 13, 2017 for the highest temperature. Since the scale detailing method of the present invention shows the influence on the location and altitude as can be seen in Equation 1, the analysis area was designated as the interior of the Korean Peninsula in consideration of this. Therefore, the verification was performed focusing on the inland areas excluding the island regions of Korea (Ulleungdo, Dokdo, and Jejudo).

도 8은 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 최고기온 사례에 적용한 결과를 도시한 도면이다. 도 8의 (a)는 선정된 최고기온 사례의 LENS 확률 예측 데이터 중 지표면 온도를 표시한 도면이고, (b)는 (a)에서 덕유산 지역을 확대한 것이며, (c)는 본 발명을 이용해 덕유산 지역의 지표면 온도에 대해 공간적 규모 상세화를 수행한 고해상도 확률 예측 데이터를 표시한 도면이다. (b)와 (c)에서 확인할 수 있는 바와 같이, 본 발명을 이용해 규모 상세화를 수행한 결과는, 덕유산 지역의 지형 정보를 더 잘 반영한다는 것을 확인할 수 있다.
FIG. 8 is a diagram showing a result of applying a scale detailing method reflecting spatial characteristics of each region according to an embodiment of the present invention to a case of a maximum temperature. (A) of FIG. 8 is a diagram showing the surface temperature among LENS probability prediction data of the selected maximum temperature case, (b) is an enlarged view of the Deogyusan area in (a), and (c) is a view of Deogyusan Mountain using the present invention. This is a diagram showing high-resolution probability prediction data obtained by performing spatial scale detailing of local surface temperature. As can be seen in (b) and (c), it can be seen that the result of performing scale detailing using the present invention better reflects topographic information of the Deogyusan area.

도 9는 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법을 최저기온 사례에 적용한 결과를 도시한 도면이다. 도 9의 (a)는 선정된 최저기온 사례 즉, 한파 사례의 관측 데이터를 표시한 것이고, (b)는 대관령을 포함하는 강원도 산악지역(위도 37~28N, 경도 128~129E)의 LENS 데이터에 이중선형내삽법을 적용한 것이고, (c) 내지 (e)는 본 발명을 적용하되, 거리 추정치(di)를 10㎞, 20㎞, 30㎞로 각각 변경하여 적용한 것이다. 도 9의 (a)에서 확인할 수 있는 바와 같이, 산악 지역에 분포한 관측 장비가 적어서 높은 고도의 기온 관측이 어려우므로, 관측 데이터에서도 고도별 기온을 제대로 표현하지 못한다. (b)는 산악 지역의 영향을 받아 기온의 분포가 어느 정도 표현되었으나, 고해상도가 아니어서 지역적인 분포 특징을 파악하기는 어렵다. 본 발명의 규모 상세화를 적용한 (c) 내지 (e)에서는, 고도에 따른 특징을 상세히 표현하고 있으며 보다 조밀한 기온 배치를 확인할 수 있다.
9 is a diagram showing a result of applying a scale detailing method reflecting spatial characteristics of each region according to an embodiment of the present invention to a case of minimum temperature. (A) of FIG. 9 shows observation data of a selected minimum temperature case, that is, a cold wave case, and (b) shows the LENS data of the mountainous region of Gangwon-do (latitude 37-28N, longitude 128-129E) including Daegwallyeong. The double linear interpolation was applied, and (c) to (e) applied the present invention, but the distance estimate (di) was changed to 10 km, 20 km, and 30 km, respectively. As can be seen in (a) of FIG. 9, since there are few observation equipment distributed in a mountainous area, it is difficult to observe a high altitude temperature, and thus the temperature for each altitude cannot be properly expressed in the observation data. In (b), the distribution of temperature was expressed to some extent due to the influence of the mountainous area, but it is difficult to grasp the regional distribution characteristics because it is not high-resolution. In (c) to (e) to which the scale detailing of the present invention is applied, features according to altitude are expressed in detail, and a more compact temperature arrangement can be confirmed.

도 8 및 도 9에서 확인할 수 있는 바와 같이, 본 발명의 일실시예에 따른 지역별 공간 특성이 반영되는 규모 상세화 방법은 특히 산악 지형의 온도 분포를 나타내기에 적합할 수 있다.
As can be seen in FIGS. 8 and 9, the method of detailing the scale reflecting the spatial characteristics of each region according to an embodiment of the present invention may be particularly suitable for representing the temperature distribution of a mountainous terrain.

한편, 단계 S300에서는, 온도 예측 데이터에 대해 공간적 규모 상세화를 수행하여 온도에 대한 고해상도 예측 데이터를 생성하되, 미리 설정된 거리 추정치는 계절별로 상이할 수 있다. 특히, 최저기온 분석에서는 고도가 높은 산악지형에서 영향을 줄 수 있는 거리 추정치가 길수록 안정함을 보여주고 있으므로, 단계 S300에서는 겨울철 최저기온에 대하여, 미리 설정된 거리 추정치를 제1 격자 규모의 10배로 할 수 있다. 예를 들어, 도 9에 도시된 바와 같은 경우, 거리 추정치를 30㎞로 한 경우의 결과가 가장 우수한 것을 확인할 수 있다. 또한, 동일한 실험을 최고기온 사례에 적용하였을 때에는, 고도가 낮은 지역에서는 좁은 지역에서 고온 현상이 발생하는 경향이 있어서, 거리 추정치가 10㎞일 때가 적합한 것으로 분석되었다. 따라서 단계 S300에서는, 여름철 최고기온에 대하여, 미리 설정된 거리 추정치를 제1 격자 규모의 3배로 할 수 있다.
Meanwhile, in step S300, high-resolution prediction data for temperature is generated by performing spatial scale detailing on the temperature prediction data, but a preset distance estimate may be different for each season. In particular, the minimum temperature analysis shows that the longer the distance estimate that can affect the altitude in the mountainous terrain, the more stable it is. In step S300, the preset distance estimate for the winter minimum temperature is set to 10 times the first grid scale. I can. For example, in the case as shown in FIG. 9, it can be confirmed that the result is the best when the distance estimate is 30 km. In addition, when the same experiment was applied to the case of the highest temperature, high temperature tends to occur in a narrow area in a low altitude area, so it was analyzed that when the distance estimate was 10 km, it was appropriate. Accordingly, in step S300, the estimated distance set in advance for the maximum summer temperature may be three times the first grid scale.

이와 같이, 본 발명에서 제안하고 있는 지역별 공간 특성이 반영되는 규모 상세화 방법에 따르면, 지역별 공간 특성이 반영된 지점별 공간 경도값을 산출하고, 이를 이용해 공간적 규모 상세화를 수행함으로써, 지역성이 크게 나타나는 변수의 공간적 규모 상세화를 신속하고 효과적으로 할 수 있다.
As described above, according to the scale detailing method that reflects the spatial characteristics of each region proposed in the present invention, the spatial hardness value for each point reflecting the spatial characteristics of each region is calculated, and spatial scale detailing is performed using this Spatial scale detailing can be done quickly and effectively.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention described above can be modified or applied in various ways by those of ordinary skill in the technical field to which the present invention belongs, and the scope of the technical idea according to the present invention should be determined by the following claims.

S100: 확률 예측 시스템 기반의 확률 예측 데이터를 수집하는 단계
S200: 제1 격자 규모인 수집된 확률 예측 데이터의 각 격자점에 대하여 지점별 공간 경도값을 산출하는 단계
S210: 확률 예측 데이터의 각 격자점을 기준으로 미리 정해진 거리 이내의 관측 데이터를 검색하는 단계
S220: 검색된 관측 데이터 및 기준이 된 격자점의 예측 데이터로부터, 다중 선형 회귀 분석을 이용하여 지점별 공간 경도값을 산출하는 단계
S300: 지점별 공간 경도값을 이용해 확률 예측 데이터에 대해 공간적 규모 상세화를 수행하여, 확률 예측 데이터의 제1 격자 규모보다 상세한 제2 격자 규모의 고해상도 예측 데이터를 생성하는 단계S100: collecting probability prediction data based on a probability prediction system
S200: Calculating a spatial hardness value for each point for each grid point of the collected probability prediction data of the first grid scale
S210: Searching for observation data within a predetermined distance based on each grid point of the probability prediction data
S220: Calculating a spatial longitude value for each point using multiple linear regression analysis from the retrieved observation data and the predicted data of the reference grid point
S300: Step of performing spatial scale detailing on the probability prediction data using the spatial hardness values for each point, and generating high-resolution prediction data of the second grid scale more detailed than the first grid scale of the probability prediction data

Claims (8)

확률 예측 데이터의 공간적 규모 상세화 방법으로서,
(1) 확률 예측 시스템 기반의 확률 예측 데이터를 수집하는 단계;
(2) 제1 격자 규모인 상기 수집된 확률 예측 데이터의 각 격자점에 대하여, 지점별 공간 경도값을 산출하는 단계; 및
(3) 상기 단계 (2)에서 산출한 지점별 공간 경도값을 이용해 상기 단계 (1)에서 수집한 확률 예측 데이터에 대해 공간적 규모 상세화를 수행하여, 상기 확률 예측 데이터의 제1 격자 규모보다 상세한 제2 격자 규모의 고해상도 예측 데이터를 생성하는 단계를 포함하되,
상기 단계 (2)는,
(2-1) 상기 수집된 확률 예측 데이터의 격자점을 기준으로, 미리 정해진 거리 이내의 관측 데이터를 검색하는 단계; 및
(2-2) 상기 검색된 관측 데이터 및 기준이 된 격자점의 예측 데이터로부터, 다중 선형 회귀 분석을 이용하여 상기 지점별 공간 경도값을 산출하는 단계를 포함하며,
상기 단계 (2-2)에서는,
상기 검색된 관측 데이터와 기준이 된 격자점의 예측 데이터의 오차가 최소화되는 1차원 선형함수를 구하여, 상기 지점별 공간 경도값을 산출하는 것을 특징으로 하는, 지역별 공간 특성이 반영되는 규모 상세화 방법.
As a method for detailing the spatial scale of probability prediction data,
(1) collecting probability prediction data based on a probability prediction system;
(2) calculating a spatial hardness value for each point for each grid point of the collected probability prediction data having a first grid scale; And
(3) Spatial scale detailing is performed on the probability prediction data collected in step (1) by using the spatial hardness value for each point calculated in step (2). Including the step of generating high-resolution prediction data of a two-grid scale,
The step (2),
(2-1) searching for observation data within a predetermined distance based on a grid point of the collected probability prediction data; And
(2-2) calculating the spatial longitude value for each point using multiple linear regression analysis from the searched observation data and the predicted data of a grid point as a reference,
In step (2-2),
A method for detailing a scale in which spatial characteristics of each region are reflected by obtaining a one-dimensional linear function that minimizes an error between the searched observation data and the prediction data of a reference grid point, and calculating a spatial hardness value for each point.
 삭제delete 제1항에 있어서, 상기 지점별 공간 경도값은,
상기 제1 격자 규모에서 지역별 공간 특성을 반영하여 각 격자점에 대해 산출한 동서 방향의 회귀계수, 남북 방향의 회귀계수, 및 고도 방향의 회귀계수인 것을 특징으로 하는, 지역별 공간 특성이 반영되는 규모 상세화 방법.
The method of claim 1, wherein the spatial hardness value for each point is,
The scale reflecting the spatial characteristics of each region, characterized in that the first grid scale is a regression coefficient in the east-west direction, a regression coefficient in the north-south direction, and a regression coefficient in the elevation direction calculated for each grid point by reflecting the spatial characteristics of each region. How to elaborate.
 삭제delete 제1항에 있어서,
상기 단계 (2)에서는, 상기 수집된 확률 예측 데이터의 각 격자점의 온도 예측 데이터를 이용해 지점별 공간 경도값을 산출하며,
상기 단계 (3)에서는, 상기 확률 예측 데이터에 포함된 온도 예측 데이터를 추출하고, 상기 단계 (2)에서 산출한 지점별 공간 경도값을 이용해, 상기 추출된 온도 예측 데이터에 대해 공간적 규모 상세화를 수행하여 온도에 대한 고해상도 예측 데이터를 생성하는 것을 특징으로 하는, 지역별 공간 특성이 반영되는 규모 상세화 방법.
The method of claim 1,
In the step (2), a spatial hardness value for each point is calculated using temperature prediction data of each grid point of the collected probability prediction data,
In the step (3), temperature prediction data included in the probability prediction data is extracted, and spatial scale detailing is performed on the extracted temperature prediction data using the spatial hardness value for each point calculated in step (2). A method of detailing a scale reflecting spatial characteristics of each region, characterized in that high-resolution prediction data for temperature is generated.
 제1항에 있어서, 상기 단계 (3)에서는,
상기 단계 (2)에서 산출된 지점별 공간 경도값 및 미리 설정된 거리 추정치를 적용하여 공간적 규모 상세화를 수행하는 것을 특징으로 하는, 지역별 공간 특성이 반영되는 규모 상세화 방법.
The method of claim 1, wherein in the step (3),
The spatial scale detailing method in which the spatial characteristics of each region are reflected by applying the spatial hardness value for each point calculated in step (2) and a preset distance estimate.
 제6항에 있어서, 상기 단계 (3)에서는,
온도 예측 데이터에 대해 공간적 규모 상세화를 수행하여 온도에 대한 고해상도 예측 데이터를 생성하되, 상기 미리 설정된 거리 추정치는 계절별로 상이한 것을 특징으로 하는, 지역별 공간 특성이 반영되는 규모 상세화 방법.
The method of claim 6, wherein in the step (3),
Spatial scale detailing is performed on the temperature prediction data to generate high-resolution prediction data for temperature, wherein the preset distance estimate is different for each season.
 제7항에 있어서, 상기 단계 (3)에서는,
겨울철 최저기온에 대하여, 상기 미리 설정된 거리 추정치를 상기 제1 격자 규모의 10배로 하는 것을 특징으로 하는, 지역별 공간 특성이 반영되는 규모 상세화 방법.The method of claim 7, wherein in the step (3),
With respect to the minimum temperature in winter, the predetermined distance estimate is 10 times the scale of the first grid, wherein the spatial characteristics of each region are reflected.
KR1020180140067A 2018-11-14 2018-11-14 Spatial down-scaling method with regional characteristics KR102168427B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180140067A KR102168427B1 (en) 2018-11-14 2018-11-14 Spatial down-scaling method with regional characteristics

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180140067A KR102168427B1 (en) 2018-11-14 2018-11-14 Spatial down-scaling method with regional characteristics

Publications (2)

Publication Number Publication Date
KR20200056121A KR20200056121A (en) 2020-05-22
KR102168427B1 true KR102168427B1 (en) 2020-10-21

Family

ID=70913758

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180140067A KR102168427B1 (en) 2018-11-14 2018-11-14 Spatial down-scaling method with regional characteristics

Country Status (1)

Country Link
KR (1) KR102168427B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102461827B1 (en) * 2020-12-22 2022-11-01 한국해양과학기술원 System and Method for Improving Spatial Resolution of Global Climate Data by using Satellites
CN117111180B (en) * 2023-08-15 2024-07-19 北京大学重庆大数据研究院 Post-mode weather element occurrence probability prediction method, readable storage medium and computing device

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101809629B1 (en) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 Method and system for forecasting detailed information of urban heat using the um ldaps

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101560733B1 (en) * 2013-11-14 2015-10-19 대한민국 Method and system for generating high resolution terrain data
KR101901311B1 (en) * 2016-12-08 2018-09-21 재단법인 에이펙 기후센터 System and Method for Predicting Seasonal using Multi Model Ensemble and Downscaling

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101809629B1 (en) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 Method and system for forecasting detailed information of urban heat using the um ldaps

Also Published As

Publication number Publication date
KR20200056121A (en) 2020-05-22

Similar Documents

Publication Publication Date Title
Fumière et al. Extreme rainfall in Mediterranean France during the fall: added value of the CNRM-AROME Convection-Permitting Regional Climate Model
KR102076426B1 (en) System for managing detailed weather prediction information in real time and method to use for impact forecasting of heat-wave and tropical night using the system
Cai et al. Object-based evaluation of a numerical weather prediction model’s performance through forecast storm characteristic analysis
Stein et al. The representation of the West African monsoon vertical cloud structure in the Met Office Unified Model: An evaluation with CloudSat
Dong et al. The analysis and impact of simulated high-resolution surface observations in addition to radar data for convective storms with an ensemble Kalman filter
US20100100328A1 (en) System and Method for Generating a Cloud Type and Coverage Prediction Database
KR101860742B1 (en) Lightning risk analysis system and lightning risk analysis method using the same
KR102168427B1 (en) Spatial down-scaling method with regional characteristics
Oesting et al. Spatial modeling of drought events using max-stable processes
JP2019138737A (en) Thunder risk determination device
Subrahamanyam et al. Performance evaluation of COSMO numerical weather prediction model in prediction of OCKHI: one of the rarest very severe cyclonic storms over the Arabian Sea—a case study
KR101870263B1 (en) The system for dynamic downscaling and display climate change senario with a high spatial resoultion
CN110619433B (en) Rapid selection method and system for power grid heavy rain numerical mode parameterization scheme
Latue et al. Spatial Dynamics of Land Cover Change in Wae Batu GantungWatershed, Ambon City, Indonesia
Beaucage et al. Synthetic aperture radar satellite data for offshore wind assessment: A strategic sampling approach
Sarkar et al. Evaluation of the Skill of a Fully-Coupled Atmospheric–Hydrological Model in Simulating Extreme Hydrometeorological Event: A Case Study Over Cauvery River Catchment
JP6178121B2 (en) Simulated rainfall data generation apparatus, generation method, and program
Vieira Zezzo et al. Microscale models and urban heat island studies: A systematic review
Salahi et al. An evaluation of Delta and SDSM Downscaling Models for simulating and forecasting of average wind velocity in Sistan, Iran
Lussana et al. Spatial interpolation of two‐metre temperature over Norway based on the combination of numerical weather prediction ensembles and in situ observations
KR102002593B1 (en) Method and apparatus for analyzing harmful gas diffusion in a specific space
KR102401823B1 (en) System and method for computing thermal environment application index by disaster type, and weather factor of intense heat and freeze
KR101802455B1 (en) System for estimating reainfild according to spatial-scale of rainfall and method thereof
KR20200105268A (en) METHOD AND SYSTEM FOR FORECASTING THE PERCEIVED TEMPERATURE AND INCREASING RATE OF EXCESS MORTALITY ON URBAN RESIDENTIAL AND FOREST AREA USING BioCAS
Khan et al. Analysis of land use land cover changes with land surface temperature using spatial-temporal data for Nagpur city, India

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant