KR102411074B1 - 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 - Google Patents
인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 Download PDFInfo
- Publication number
- KR102411074B1 KR102411074B1 KR1020200158231A KR20200158231A KR102411074B1 KR 102411074 B1 KR102411074 B1 KR 102411074B1 KR 1020200158231 A KR1020200158231 A KR 1020200158231A KR 20200158231 A KR20200158231 A KR 20200158231A KR 102411074 B1 KR102411074 B1 KR 102411074B1
- Authority
- KR
- South Korea
- Prior art keywords
- cold water
- artificial intelligence
- water zone
- data
- model
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Hydrology & Water Resources (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명은 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 학습을 하여 발생 가능한 냉수대를 효율적으로 예측할 수 있도록 한 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법에 관한 것으로, 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 냉수대 정보 획득 및 발생원인 DB화부;인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 하는 냉수대 탐지 인공지능 모델 구축부;지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역을 탐지하는 냉수대 영역 탐지부;기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역을 예측하는 냉수대 영역 예측부;를 포함하는 것이다.
Description
본 발명은 기상 예측 시스템에 관한 것으로, 구체적으로 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 학습을 하여 발생 가능한 냉수대를 효율적으로 예측할 수 있도록 한 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법에 관한 것이다.
대기와 해양간에는 해수면을 통한 열교환을 함으로써 대류활동이 활발히 나타나며, 이러한 상호작용은 열, 에너지, 수증기 등을 해양으로 전달하여 대기와 해양간의 열평형을 유지한다.
그러나 수온이 기온보다 높을 때는 해수로부터 열이 대기로 전도되고, 수온이 더 낮을 때는 대기로부터 해수로 열이 전도되는 현열이 발생한다.
이처럼 대기와 해양사이의 에너지 교환은 종관규모의 기상 현상뿐만 아니라 중규모의 기상현상을 설명하는 요인으로 매우 중요하여 연구가 지속적으로 이루어지고 있다.
반면 해양은 대기의 하부경계로 작용하면서 대기에 각종 물리적인 변화를 일으키는 요인으로 작용하는데, 특히 해수면 온도는 해수면 위를 지나가는 기류의 하부에 열적인 변질을 일으키는 주요한 요인으로 알려져 있다.
일반적으로 바다는 수심이 깊어질수록 온도가 낮아지며, 해양 심층부에서의 수온은 해양 표층에서의 수온에 비하여 매우 낮아진다.
이러한 현상은 바닷물의 밀도와 수온과의 연관성에서 기인되며, 따라서 바다의 온도는 수직구조를 지니게 된다.
냉수대(cold water)는 해표면의 수온이 주변에 비하여 5도 이상 낮은 해역을 의미하며, 우리나라는 주로 동해 남부 해안선 주변에서 발생한다.
냉수대의 발생 원인은 바람과 해류와의 관계에 있다.
여름에 남풍계열의 계절풍이 불게 되면, 에크만나선운동(Ekman transport)에 의하여 연안의 표층해수가 먼 바다쪽으로 이동하게된다. 이때, 이를 보충하기 위해 연안 심층에 있던 낮은 수온의 해수가 해양 표층으로 올라오는 용승(upwelling현상이 발생하며, 과도한 용승)현상이 냉수대를 형성한다.
냉수대는 급격한 수온변화를 야기하기 때문에 양식어류의 폐사, 해양스포츠 관련 안전사고 유발, 짙은 해무를 발생시켜 선박의 안전위협 및 아열대성 스콜을 유발하는 등 다양한 해양재난재해의 원인이 되는 바, 이를 탐지하고 예측하는 기술의 개발이 요구된다.
현재까지 냉수대 현상의 관측은 표층수온 현장자료, 천리안 해양관측위성 및 정지궤도 기상위성 등의 지구관측위성영상을 이용하여 왔다.
현장자료는 일부 정점에 대하여 냉수대를 관측하기 때문에 공간상의 분석은 수행하지 못하는 한계가 있다.
이를 보완하기 위하여 최근 지구관측위성을 활발히 활용하고 있으나, 표층에서 반사된 태양복사에너지 또는 지구복사에너지에 대한 정보만 획득하는 지구관측위성만을 활용하는것은 냉수대 발생 원인분석과 미래예측에 한계점이 있다.
따라서, 냉수대 발생 원인분석 및 발생 가능한 냉수대를 효율적으로 예측할 수 있도록 하는 새로운 기술의 개발이 요구되고 있다.
본 발명은 종래 기술의 기상 예측 시스템의 문제점을 해결하기 위한 것으로, 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 학습을 하여 발생 가능한 냉수대를 효율적으로 예측할 수 있도록 한 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 지구관측위성영상을 활용한 냉수대 현상의 탐지뿐만 아니라 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 기법을 적용하여 학습하는 것에 의해 기상예보자료를 활용하여 냉수대 예측의 정확도를 높일 수 있도록 한 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 입력자료로 사용하여 냉수대를 탐지하는 강인한 인공지능 모델을 구축하여 활용하는 것이 가능하도록 한 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 구축된 냉수대탐지 인공지능 모델을 이용하여 DB화된 해안선 기준 거리 및 수심분포 자료에 더하여 실시간으로 촬영하는 위성영상 산출 수온, 풍속 및 풍향 정보를 활용하여 해당 시각에서의 냉수대를 탐지하는 것에 의해 실시간으로 냉수대 발생 원인 분석 및 예측이 가능하도록 한 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치는 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 냉수대 정보 획득 및 발생원인 DB화부;인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 하는 냉수대 탐지 인공지능 모델 구축부;지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역을 탐지하는 냉수대 영역 탐지부;기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역을 예측하는 냉수대 영역 예측부;를 포함하는 것을 특징으로 한다.
여기서, 냉수대 정보 획득 및 발생원인 DB화부는, 냉수대 발생 위치 정보를 획득하는 냉수대 발생 위치 정보 처리부와,냉수대 영역 영역에 대해 위성영상 산출물 중 하나인 수온영상을 획득하고, 냉수대 영역을 분류하는 수온 정보 처리부와,위성으로부터 풍속 및 풍향에 대한 공간적 정보를 제공받아 산출가능한 풍속 및 풍향 정보를 처리하는 풍속 및 풍향 정보 처리부와,냉수대 발생에 영향을 미치는 해안선으로부터의 거리도를 확보하여 처리하는 해안선 분포 정보 처리부와,냉수대 발생에 영향을 미치는 해안선으로부터의 거리도를 기준으로 하여 수심자료를 획득하는 수심 분포 정보 처리부를 포함하는 것을 특징으로 한다.
그리고 냉수대 탐지 인공지능 모델 구축부는, 데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 포함하는 학습자료를 생성하는 학습 자료 생성부와,데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 입력자료로 사용하여 냉수대를 탐지하는 인공지는 모델을 구축하는 인공지능 모델 구축부와,확보된 자료를 훈련자료, 모델평가자료 및 모델검증자료로 분류하며, 훈련자료와 모델평가자료는 인공지능 모델을 구축할 때 활용하고, 모델검증자료는 최종 제작된 모델의 성능평가를 위해 사용하도록 하는 검증자료 생성부와,모델구축 단계에서의 평가 및 모델 성능 평가 단계를 통해 모델의 성능 평가를 수행하고, 모델검증자료를 활용하여 정확도를 평가하는 인공지능 모델 검증 및 평가부를 포함하는 것을 특징으로 한다.
그리고 냉수대 영역 탐지부는, 실시간으로 위성영상에서 수온을 산출하는 실시간 수온 정보 산출부와,실시간으로 위성영상에서 풍속 및 풍향 정보를 산출하는 실시간 풍속 및 풍향 정보 산출부와,DB화된 해안선 기준 거리 및 수심분포 자료를 입력하는 해안선 및 수심 자료 입력부와,냉수대탐지 인공지능 모델을 활용하여, 실시간 및 준실시간으로 냉수대 탐지를 위한 분석을 하는 인공지능 모델 분석부와,DB화된 해안선 기준 거리 및 수심분포 및 위성영상 산출 수온, 풍속 및 풍향 정보를 확보하여 해당 시각에서의 냉수대를 탐지하는 냉수대 영역 탐지부를 포함하는 것을 특징으로 한다.
그리고 냉수대 영역 예측부는, 수온 예보 자료를 획득하는 수온 예보 자료 획득부와,기상 예보 자료를 획득하는 기상 예보 자료 획득부와,DB화된 해안선 기준 거리 및 수심분포 자료를 입력하는 해안선 및 수심 자료 입력부와,냉수대탐지 인공지능 모델을 활용하여 냉수대 예측을 위한 분석을 하는 인공지능 모델 예측부와,인공지능 모델 예측부의 예측 결과를 기준으로 향후 발생할 냉수대 영역을 예측하는 냉수대 영역 예측부를 포함하는 것을 특징으로 한다.
다른 목적을 달성하기 위한 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법은 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 냉수대 정보 획득 및 발생원인 DB화 단계;인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 하는 냉수대 탐지 인공지능 모델 구축 단계;지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역을 탐지하는 냉수대 영역 탐지 단계;기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역을 예측하는 냉수대 영역 예측 단계;를 포함하는 것을 특징으로 한다.
여기서, 냉수대 정보 획득 및 발생원인 DB화 단계에서, 과거에 냉수대가 발생한 공간적인 위치도를 제작하여 DB화를 수행하며, 냉수대가 발생한 시점에서의 수온분포도를 제작하여 DB화를 수행하며, 기상위성으로부터 산출한 풍속 및 풍향도를 제작하여 DB화를 수행하고 냉수대와 관련된 정보인 해안선으로부터의 공간적 거리 및 수심분포도를 제작하여 DB화를 수행하는 것을 특징으로 한다.
그리고 확보된 자료는 좌표변환, 내삽의 전처리 과정을 거쳐 동일한 지구좌표계 및 공간해상도를 갖도록 하는 것을 특징으로 한다.
그리고 냉수대 탐지 인공지능 모델 구축 단계에서, 수온분포도, 기상분포도, 거리분포도 및 수심분포도를 입력자료로 하여 냉수대 발생 위치를 추정할 수 있는 인공지능 모델을 구축하는 것을 특징으로 한다.
그리고 냉수대 탐지 인공지능 모델 구축 단계에서, 정량적인 비율을 결정하여 인공지능 학습을 위한 훈련자료(training set), 모델평가자료(validation set) 및 모델검증자료(testset)로 구분한 후, 인공지능 모델을 제작하고 검증하는 것을 특징으로 한다.
그리고 최종 제작된 모델은 모델검증자료를 활용하여 정확도를 평가하며, 이때 ROC(Receiver Operating Characteristic) 커브 그래프. Precision-recall 그래프 또는 RMSE(Root Mean Square Error) 등을 이용하여 평가를 수행하는 것을 특징으로 한다.
이상에서 설명한 바와 같은 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법은 다음과 같은 효과가 있다.
첫째, 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 학습을 하여 발생 가능한 냉수대를 효율적으로 예측할 수 있도록 한다.
둘째, 지구관측위성영상을 활용한 냉수대 현상의 탐지뿐만 아니라 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 기법을 적용하여 학습하는 것에 의해 기상예보자료를 활용하여 냉수대 예측의 정확도를 높일 수 있도록 한다.
셋째, 데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 입력자료로 사용하여 냉수대를 탐지하는 강인한 인공지능 모델을 구축하여 활용하는 것이 가능하도록 한다.
넷째, 구축된 냉수대탐지 인공지능 모델을 이용하여 DB화된 해안선 기준 거리 및 수심분포 자료에 더하여 실시간으로 촬영하는 위성영상 산출 수온, 풍속 및 풍향 정보를 활용하여 해당 시각에서의 냉수대를 탐지하는 것에 의해 실시간으로 냉수대 발생 원인 분석 및 예측이 가능하도록 한다.
도 1은 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치의 구성도
도 2는 냉수대 정보 획득 및 발생원인 DB화부의 상세 구성도
도 3은 냉수대 탐지 인공지능 모델 구축부의 상세 구성도
도 4는 냉수대 영역 탐지부의 상세 구성도
도 5는 냉수대 영역 예측부의 상세 구성도
도 6은 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법을 나타낸 플로우 차트
도 7은 위성영상 산출 수온과 냉수대 분류 결과의 일 예를 나타낸 구성도
도 8은 위성영상 산출 풍속과 풍향의 일 예를 나타낸 구성도
도 9는 해안선으로부터의 거리도 및 수심분포도의 예시르 나타낸 구성도
도 10은 냉수대 정보 획득 및 발생원인 DB화에 따른 자료 분류 구성도
도 11은 DNN 인공지능 모델을 활용한 냉수대 탐지 인공지능 모델 설계의 일 예를 나타낸 구성도
도 12는 인공지능 모델 정량적 성능평가를 위한 예시 그래프
도 13은 냉수대 탐지 모델을 이용한 실시간 냉수대 영역 탐지 예시를 나타낸 구성도
도 14는 수온, 풍속 및 풍향 예측자료에 대한 모식도
도 15는 냉수대 탐지 모델과 예측자료를 이용한 냉수대 영역 예측 모식도
도 2는 냉수대 정보 획득 및 발생원인 DB화부의 상세 구성도
도 3은 냉수대 탐지 인공지능 모델 구축부의 상세 구성도
도 4는 냉수대 영역 탐지부의 상세 구성도
도 5는 냉수대 영역 예측부의 상세 구성도
도 6은 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법을 나타낸 플로우 차트
도 7은 위성영상 산출 수온과 냉수대 분류 결과의 일 예를 나타낸 구성도
도 8은 위성영상 산출 풍속과 풍향의 일 예를 나타낸 구성도
도 9는 해안선으로부터의 거리도 및 수심분포도의 예시르 나타낸 구성도
도 10은 냉수대 정보 획득 및 발생원인 DB화에 따른 자료 분류 구성도
도 11은 DNN 인공지능 모델을 활용한 냉수대 탐지 인공지능 모델 설계의 일 예를 나타낸 구성도
도 12는 인공지능 모델 정량적 성능평가를 위한 예시 그래프
도 13은 냉수대 탐지 모델을 이용한 실시간 냉수대 영역 탐지 예시를 나타낸 구성도
도 14는 수온, 풍속 및 풍향 예측자료에 대한 모식도
도 15는 냉수대 탐지 모델과 예측자료를 이용한 냉수대 영역 예측 모식도
이하, 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.
본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.
도 1은 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치의 구성도이다.
본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법은 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 학습을 하여 발생 가능한 냉수대를 효율적으로 예측할 수 있도록 한 것이다.
이를 위하여 본 발명은 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 구성을 포함할 수 있다.
본 발명은 인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 위한 구성을 포함할 수 있다.
본 발명은 지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역 탐지를 위한 구성을 포함할 수 있다.
본 발명은 기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역 예측하는 구성을 포함할 수 있다.
본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치는 도 1에서와 같이, 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 냉수대 정보 획득 및 발생원인 DB화부(10)와, 인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 하는 냉수대 탐지 인공지능 모델 구축부(20)와, 지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역을 탐지하는 냉수대 영역 탐지부(30)와, 기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역을 예측하는 냉수대 영역 예측부(40)를 포함한다.
냉수대 정보 획득 및 발생원인 DB화부(10)의 상세 구성은 다음과 같다.
도 2는 냉수대 정보 획득 및 발생원인 DB화부의 상세 구성도이다.
냉수대 정보 획득 및 발생원인 DB화부(10)는 냉수대 발생 위치 정보를 획득하는 냉수대 발생 위치 정보 처리부(11)와, 냉수대 영역 영역에 대해 위성영상 산출물 중 하나인 수온영상을 획득하고, 냉수대 영역을 분류하는 수온 정보 처리부(12)와, 위성으로부터 풍속 및 풍향에 대한 공간적 정보를 제공받아 산출가능한 풍속 및 풍향 정보를 처리하는 풍속 및 풍향 정보 처리부(13)와, 냉수대 발생에 영향을 미치는 해안선으로부터의 거리도를 확보하여 처리하는 해안선 분포 정보 처리부(14)와, 냉수대 발생에 영향을 미치는 해안선으로부터의 거리도를 기준으로 하여 수심자료를 획득하는 수심 분포 정보 처리부(15)를 포함한다.
냉수대 탐지 인공지능 모델 구축부(20)의 상세 구성은 다음과 같다.
도 3은 냉수대 탐지 인공지능 모델 구축부의 상세 구성도이다.
냉수대 탐지 인공지능 모델 구축부(20)는 데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 포함하는 학습자료를 생성하는 학습 자료 생성부(21)와, 데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 입력자료로 사용하여 냉수대를 탐지하는 인공지는 모델을 구축하는 인공지능 모델 구축부(22)와, 확보된 자료를 훈련자료, 모델평가자료 및 모델검증자료로 분류하며, 훈련자료와 모델평가자료는 인공지능 모델을 구축할 때 활용하고, 모델검증자료는 최종 제작된 모델의 성능평가를 위해 사용하도록 하는 검증자료 생성부(23)와, 모델구축 단계에서의 평가 및 모델 성능 평가 단계를 통해 모델의 성능 평가를 수행하고, 모델검증자료를 활용하여 정확도를 평가하는 인공지능 모델 검증 및 평가부(24)를 포함한다.
냉수대 영역 탐지부(30)의 상세 구성은 다음과 같다.
도 4는 냉수대 영역 탐지부의 상세 구성도이다.
냉수대 영역 탐지부(30)는 실시간으로 위성영상에서 수온을 산출하는 실시간 수온 정보 산출부(31)와, 실시간으로 위성영상에서 풍속 및 풍향 정보를 산출하는 실시간 풍속 및 풍향 정보 산출부(32)와, DB화된 해안선 기준 거리 및 수심분포 자료를 입력하는 해안선 및 수심 자료 입력부(33)와, 냉수대탐지 인공지능 모델을 활용하여, 실시간 및 준실시간으로 냉수대 탐지를 위한 분석을 하는 인공지능 모델 분석부(34)와, DB화된 해안선 기준 거리 및 수심분포 및 위성영상 산출 수온, 풍속 및 풍향 정보를 확보하여 해당 시각에서의 냉수대를 탐지하는 냉수대 영역 탐지부(35)를 포함한다.
냉수대 영역 예측부(40)의 상세 구성은 다음과 같다.
도 5는 냉수대 영역 예측부의 상세 구성도이다.
냉수대 영역 예측부(40)는 수온 예보 자료를 획득하는 수온 예보 자료 획득부(41)와, 기상 예보 자료를 획득하는 기상 예보 자료 획득부(42)와, DB화된 해안선 기준 거리 및 수심분포 자료를 입력하는 해안선 및 수심 자료 입력부(43)와, 냉수대탐지 인공지능 모델을 활용하여 냉수대 예측을 위한 분석을 하는 인공지능 모델 예측부(44)와, 인공지능 모델 예측부(44)의 예측 결과를 기준으로 향후 발생할 냉수대 영역을 예측하는 냉수대 영역 예측부(45)를 포함한다.
본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법을 구체적으로 설명하면 다음과 같다.
도 6은 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법을 나타낸 플로우 차트이다.
먼저, 과거에 냉수대가 발생한 공간적인 위치도를 제작하여 DB화를 수행하며, 냉수대가 발생한 시점에서의 수온분포도를 제작하여 DB화를 수행하며, 기상위성으로부터 산출한 풍속 및 풍향도를 제작하여 DB화를 수행하고 냉수대와 관련된 정보인 해안선으로부터의 공간적 거리 및 수심분포도를 제작하여 DB화를 수행하는 냉수대 정보 획득 및 발생원인 DB화 단계를 수행한다.(S601)
이어, 수온분포도, 기상분포도, 거리분포도 및 수심분포도를 입력자료로 하여 냉수대 발생 위치를 추정할 수 있는 인공지능 모델을 구축하는 냉수대 탐지 인공지능 모델 구축 단계를 수행한다.(S602)
이때, 정량적인 비율을 결정하여 인공지능 학습을 위한 훈련자료(training set), 모델평가자료(validation set) 및 모델검증자료(testset)로 구분한 후, 인공지능 모델을 제작하고 검증한다.
그리고 구축된 인공지능 모델을 활용하여 냉수대를 탐지하는 단계로서, 위성영상으로부터 실시간 또는 준실시간으로 산출되는 수온분포도 및 기상분포도를 활용하여, 위성영상촬영시점에서의 냉수대를 탐지하는 냉수대 영역 탐지 단계를 수행한다.(S603)
그리고 인공지능 모델을 활용하여 냉수대를 예측하는 단계로서, 이 경우, 다양한 모델을 통해 제공되고 있는 수온예측도 및 기상예보 자료를 입력받아 미래시점에서의 냉수대 예측자료를 생성하는 냉수대 영역 예측 단계를 수행한다.(S604)
냉수대 정보 획득 및 발생원인 DB화 단계를 구체적으로 설명하면 다음과 같다.
도 7은 위성영상 산출 수온과 냉수대 분류 결과의 일 예를 나타낸 구성도이다.
한반도 주변에서는 6-8월 계절풍에 의해 냉수대가 발생하며, 주로 부산, 포항, 울산 등 경상도 주변에 위치한다. 발생하는 냉수대 영역 영역에 대해 위성영상 산출물 중 하나인 수온영상을 획득하고, 냉수대 영역을 분류한다.
도 7은 수온영상의 예시와 냉수대 영역의 매핑 결과를 나타낸다.
이러한 냉수대 발생의 주요 원인은 계절풍에 기인하며, 따라서 냉수대를 탐지하고 예측하기 위해서는 수온자료 뿐만 아니라 기상자료의 활용 역시 고려하여야 한다.
도 8은 위성영상 산출 풍속과 풍향의 일 예를 나타낸 구성도이다.
현재 기상자료를 제공하는 위성은 Jason-2, MetOp-B 등이 존재하며, 이들 위성은 풍속 및 풍향에 대한 공간적 정보를 제공한다.
도 8은 위성영상으로부터 산출가능한 풍속 및 풍향 정보의 예시를 나타낸다.
추가적으로, 냉수대 발생에 영향을 미치는 해안선으로부터의 거리도 및 수심자료 등을 확보한다.
도 9는 해안선으로부터의 거리도 및 수심분포도의 예시르 나타낸 구성도이다.
확보된 모든 자료는 좌표변환, 내삽 등의 전처리 과정을 거쳐 동일한 지구좌표계 및 공간해상도를 지녀야 하며, 좌표변환 및 내삽(interpolation) 등의 전처리 과정은 본 발명이 속한 기술분야에서 매우 잘 알려져 있다.
최종적으로, 확보된 위성영상 산출 수온, 기상자료, 해안선 거리도, 수심분포도 및 냉수대 분류결과는 데이터베이스화 하여 저장 및 관리를 수행한다.
냉수대 탐지 인공지능 모델 구축 단계를 구체적으로 설명하면 다음과 같다.
데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 입력자료로 사용하여 냉수대를 탐지하는 인공지는 모델을 제작한다.
도 10은 냉수대 정보 획득 및 발생원인 DB화에 따른 자료 분류 구성도이다.
확보된 자료는 훈련자료, 모델평가자료 및 모델검증자료로 분류하며, 훈련자료와 모델평가자료는 인공지능 모델을 제작할 때 활용하고, 모델검증자료는 최종 제작된 모델의 성능평가를 위해 사용한다.
다음으로, 인공지능 모델을 설계한다. 현재 알려진 인공지능 모델은 ANN(Artificial Neural Network), DNN(Deep Neural Network) 및 CNN(Convolution Neural Network) 등이 있으며, 이들 인공지능 모델은 은닉층(hidden layer)의 수 및 공간필터의 사용 유무 등에 따라 성능의 차이를 나타내나, 기본적인 원리는 유사하다.
도 11은 DNN 인공지능 모델을 활용한 냉수대 탐지 인공지능 모델 설계의 일 예를 나타낸 구성도이다.
이때, 인공지능 모델을 구축함에 있어 개발자가 결정할 수 있는 하이퍼파라미터는 은닉층의 수, 신경망 학습속도(learning rate), 신경망 총 학습 횟수(epoch), 활성함수(activation fuction) 및 손실함수(loss function) 등이 존재하며, 개발자는 다양한 실험 및 성능평가를 수행하여 적절한 하이퍼파라미터를 결정할 수 있다.
구축된 냉수대 탐지 인공지능 모델은 모델제작 단계에서의 평가 및 모델 성능 평가 단계를 통해 모델의 성능 평가를 수행하게 된다.
모델제작 단계에서의 평가는 일반적으로 훈련자료와 모델평가자료에서의 손실함수 적용을 통해 수행되며, 신경망 학습속도 및 신경망 총 학습횟수에 의한 그래프로 표현할 수 있다.
또한, 최종 제작된 모델은 모델검증자료를 활용하여 정확도를 평가하며, 이때 ROC(Receiver Operating Characteristic) 커브 그래프. Precision-recall 그래프 또는 RMSE(Root Mean Square Error) 등을 이용하여 평가를 수행한다.
도 12는 인공지능 모델 정량적 성능평가를 위한 예시 그래프로, 손실함수를 이용한 모델 제작단계에서의 평가 결과, Precision-recall 그래프 및 RMSE를 이용한 모델 성능평가 예시이다.
냉수대 영역 탐지 단계를 구체적으로 설명하면 다음과 같다.
구축된 냉수대탐지 인공지능 모델을 활용하여, 실시간 및 준실시간으로 냉수대를 탐지한다.
여기서, 해안선 기준 거리 및 수심분포는 기존에 DB화된 자료를 사용하며, 실시간 또는 준 실시간으로 촬영하는 위성영상 산출 수온, 풍속 및 풍향 정보를 확보하여 해당 시각에서의 냉수대를 탐지한다.
도 13은 냉수대 탐지 모델을 이용한 실시간 냉수대 영역 탐지 예시를 나타낸 구성도이다.
냉수대 영역 탐지 단계를 통해, 본 발명은 실시간 및 준실시간 위성영상 산출 수온, 풍속, 풍향자료를 확보하여 냉수대를 탐지하는 효과가 있으며, 이는 기존 위성영상의 수온만을 활용하여 관측하는 방법보다 향상된 것이라 할 수 있다.
냉수대 영역 예측 단계를 구체적으로 설명하면 다음과 같다.
도 14는 수온, 풍속 및 풍향 예측자료에 대한 모식도이고, 도 15는 냉수대 탐지 모델과 예측자료를 이용한 냉수대 영역 예측 모식도이다.
냉수대 영역 예측 단계에서는 실시간 및 준실시간 냉수대를 탐지하는 것이 아닌 향후 발생할 냉수대 영역을 예측한다. 이때, 냉수대 영역 탐지 단계의 과정과는 달리 예측 수온자료와 예측 풍속 및 풍향자료를 입력받아 냉수대를 탐지하게 되며, 미래시점에서의 냉수대 탐지이기 때문에 이는 곧 냉수대를 예측할 수 있는 효과가 있다.
여기서, 활용가능한 예측 자료는 기상청, 한국해양과학기술원, 국립수산과학원 및 국립해양조사원 등에서 제공을 하고 있으며, 대부분 미래 3일 뒤의 시점에 대하여 3시간 간격으로 제공하고 있다.
따라서, 냉수대 영역 예측 단계의 과정을 통해 예측되는 냉수대역시 3일 뒤까지 제공이 가능하다.
도 14는 기상청에서 제공하는 수온, 풍속 및 풍향 예측자료의 예시이다.
그리고 도 15에서와 같이 예측자료를 입력받아 냉수대 영역을 예측한다.
이상에서 설명한 본 발명에 따른 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법은 지구관측위성영상을 활용한 냉수대 현상의 탐지뿐만 아니라 기상위성에서 생산하는 기상자료를 이용한 원인분석을 수행하고, 이를 인공지능 기법을 적용하여 학습하는 것에 의해 기상예보자료를 활용하여 냉수대 예측의 정확도를 높일 수 있도록 한 것이다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
10. 냉수대 정보 획득 및 발생원인 DB화부
20. 냉수대 탐지 인공지능 모델 구축부
30. 냉수대 영역 탐지부
40. 냉수대 영역 예측부
20. 냉수대 탐지 인공지능 모델 구축부
30. 냉수대 영역 탐지부
40. 냉수대 영역 예측부
Claims (11)
- 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 냉수대 정보 획득 및 발생원인 DB화부;
인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 하는 냉수대 탐지 인공지능 모델 구축부;
지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역을 탐지하는 냉수대 영역 탐지부;
기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역을 예측하는 냉수대 영역 예측부;를 포함하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치. - 제 1 항에 있어서, 냉수대 정보 획득 및 발생원인 DB화부는,
냉수대 발생 위치 정보를 획득하는 냉수대 발생 위치 정보 처리부와,
냉수대 영역 영역에 대해 위성영상 산출물 중 하나인 수온영상을 획득하고, 냉수대 영역을 분류하는 수온 정보 처리부와,
위성으로부터 풍속 및 풍향에 대한 공간적 정보를 제공받아 산출가능한 풍속 및 풍향 정보를 처리하는 풍속 및 풍향 정보 처리부와,
냉수대 발생에 영향을 미치는 해안선으로부터의 거리도를 확보하여 처리하는 해안선 분포 정보 처리부와,
냉수대 발생에 영향을 미치는 해안선으로부터의 거리도를 기준으로 하여 수심자료를 획득하는 수심 분포 정보 처리부를 포함하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치. - 제 1 항에 있어서, 냉수대 탐지 인공지능 모델 구축부는,
데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 포함하는 학습자료를 생성하는 학습 자료 생성부와,
데이터베이스화된 위성영상 산출 수온, 풍속 및 풍향 분포도, 해안선 거리도 및 수심분포도를 입력자료로 사용하여 냉수대를 탐지하는 인공지는 모델을 구축하는 인공지능 모델 구축부와,
확보된 자료를 훈련자료, 모델평가자료 및 모델검증자료로 분류하며, 훈련자료와 모델평가자료는 인공지능 모델을 구축할 때 활용하고, 모델검증자료는 최종 제작된 모델의 성능평가를 위해 사용하도록 하는 검증자료 생성부와,
모델구축 단계에서의 평가 및 모델 성능 평가 단계를 통해 모델의 성능 평가를 수행하고, 모델검증자료를 활용하여 정확도를 평가하는 인공지능 모델 검증 및 평가부를 포함하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치. - 제 1 항에 있어서, 냉수대 영역 탐지부는,
실시간으로 위성영상에서 수온을 산출하는 실시간 수온 정보 산출부와,
실시간으로 위성영상에서 풍속 및 풍향 정보를 산출하는 실시간 풍속 및 풍향 정보 산출부와,
DB화된 해안선 기준 거리 및 수심분포 자료를 입력하는 해안선 및 수심 자료 입력부와,
냉수대탐지 인공지능 모델을 활용하여, 실시간 및 준실시간으로 냉수대 탐지를 위한 분석을 하는 인공지능 모델 분석부와,
DB화된 해안선 기준 거리 및 수심분포 및 위성영상 산출 수온, 풍속 및 풍향 정보를 확보하여 해당 시각에서의 냉수대를 탐지하는 냉수대 영역 탐지부를 포함하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치. - 제 1 항에 있어서, 냉수대 영역 예측부는,
수온 예보 자료를 획득하는 수온 예보 자료 획득부와,
기상 예보 자료를 획득하는 기상 예보 자료 획득부와,
DB화된 해안선 기준 거리 및 수심분포 자료를 입력하는 해안선 및 수심 자료 입력부와,
냉수대탐지 인공지능 모델을 활용하여 냉수대 예측을 위한 분석을 하는 인공지능 모델 예측부와,
인공지능 모델 예측부의 예측 결과를 기준으로 향후 발생할 냉수대 영역을 예측하는 냉수대 영역 예측부를 포함하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치. - 위성영상 분석을 통한 과거 냉수대 발생 공간적인 위치, 기상위성에서 산출하는 공간적 풍속 및 풍향자료, 해안선으로부터의 공간적 거리, 공간적 수심분포 DB화하는 냉수대 정보 획득 및 발생원인 DB화 단계;
인공지능 모델을 이용한 냉수대 탐지 모델 학습 및 제작 및 평가를 하는 냉수대 탐지 인공지능 모델 구축 단계;
지구관측 및 기상위성 영상 산출물과 제작된 인공지능 모델을 이용한 냉수대 영역을 탐지하는 냉수대 영역 탐지 단계;
기상예보자료 및 수온예보자료와 제작된 인공지능 모델을 이용한 냉수대 영역을 예측하는 냉수대 영역 예측 단계;를 포함하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법. - 제 6 항에 있어서, 냉수대 정보 획득 및 발생원인 DB화 단계에서,
과거에 냉수대가 발생한 공간적인 위치도를 제작하여 DB화를 수행하며, 냉수대가 발생한 시점에서의 수온분포도를 제작하여 DB화를 수행하며, 기상위성으로부터 산출한 풍속 및 풍향도를 제작하여 DB화를 수행하고 냉수대와 관련된 정보인 해안선으로부터의 공간적 거리 및 수심분포도를 제작하여 DB화를 수행하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법. - 제 7 항에 있어서, 확보된 자료는 좌표변환, 내삽의 전처리 과정을 거쳐 동일한 지구좌표계 및 공간해상도를 갖도록 하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법.
- 제 6 항에 있어서, 냉수대 탐지 인공지능 모델 구축 단계에서,
수온분포도, 기상분포도, 거리분포도 및 수심분포도를 입력자료로 하여 냉수대 발생 위치를 추정할 수 있는 인공지능 모델을 구축하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법. - 제 6 항에 있어서, 냉수대 탐지 인공지능 모델 구축 단계에서,
정량적인 비율을 결정하여 인공지능 학습을 위한 훈련자료(training set), 모델평가자료(validation set) 및 모델검증자료(testset)로 구분한 후, 인공지능 모델을 제작하고 검증하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법. - 제 10 항에 있어서, 최종 제작된 모델은 모델검증자료를 활용하여 정확도를 평가하며, 이때 ROC(Receiver Operating Characteristic) 커브 그래프. Precision-recall 그래프 또는 RMSE(Root Mean Square Error)를 이용하여 평가를 수행하는 것을 특징으로 하는 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200158231A KR102411074B1 (ko) | 2020-11-23 | 2020-11-23 | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200158231A KR102411074B1 (ko) | 2020-11-23 | 2020-11-23 | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20220071038A KR20220071038A (ko) | 2022-05-31 |
| KR102411074B1 true KR102411074B1 (ko) | 2022-06-20 |
| KR102411074B9 KR102411074B9 (ko) | 2023-04-12 |
Family
ID=81785978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200158231A KR102411074B1 (ko) | 2020-11-23 | 2020-11-23 | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102411074B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116540812B (zh) * | 2023-06-05 | 2024-04-16 | 四川省农业科学院科技保障中心 | 智能化养殖环境控制方法、装置、***及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002312760A (ja) | 2001-04-09 | 2002-10-25 | Earth Weather:Kk | 水温図作成方法とシステム |
| KR101812781B1 (ko) | 2016-10-31 | 2018-01-30 | 주식회사 웨더아이 | 연안 기상 정보를 예측하는 시스템 및 방법 |
| KR102111636B1 (ko) | 2019-10-18 | 2020-05-15 | (주)지오시스템리서치 | 해황정보 제공시스템 및 이를 이용한 해황정보 제공방법 |
| KR102220748B1 (ko) | 2019-12-17 | 2021-02-26 | (주)지오시스템리서치 | 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101472206B1 (ko) | 2013-03-22 | 2014-12-10 | 이화여자대학교 산학협력단 | 해수면 온도를 이용한 적외 영역 기후 피드백 산출 방법 |
| KR20200059085A (ko) | 2018-11-20 | 2020-05-28 | 서울대학교산학협력단 | 해양 표층 표류부이 관측 수온자료와 인공위성 적외영상자료를 활용한 해양 표층 해수면온도 산출 방법 |
| KR102210521B1 (ko) * | 2019-02-11 | 2021-01-29 | 성수락 | 위치 및 수온 관련 빅데이터를 이용한 바다의 수온 추정 시스템 및 방법 |
| KR102044246B1 (ko) | 2019-08-26 | 2019-11-19 | 대한민국 | 해수표면온도 영상을 이용한 수온전선 산출 방법 및 이의 시스템 |
-
2020
- 2020-11-23 KR KR1020200158231A patent/KR102411074B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002312760A (ja) | 2001-04-09 | 2002-10-25 | Earth Weather:Kk | 水温図作成方法とシステム |
| KR101812781B1 (ko) | 2016-10-31 | 2018-01-30 | 주식회사 웨더아이 | 연안 기상 정보를 예측하는 시스템 및 방법 |
| KR102111636B1 (ko) | 2019-10-18 | 2020-05-15 | (주)지오시스템리서치 | 해황정보 제공시스템 및 이를 이용한 해황정보 제공방법 |
| KR102220748B1 (ko) | 2019-12-17 | 2021-02-26 | (주)지오시스템리서치 | 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템 |
Non-Patent Citations (4)
| Title |
|---|
| Xuan Yu 외 5명. A Novel Method for Sea Surface Temperature Prediction Based on Deep Learning. Hindawi Mathematical Problems in Engineering. Volume 2020. 2020.05.07. |
| 박광순 외 16명. Development of the Operational Oceanographic System of Korea. Ocean Science Journal. 2015.07.09, 제50권, 제2호, pp. 353-369 |
| 서영상 외 2명. 하계 동해연안역에서 발생하는 냉수역의 시공간적 변동 특성. 한국수산학회지 v.34 no.5, 2001년, pp.435 - 444 |
| 한인성 외 17명. 냉수대 발생해역의 생태환경 변동 연구. 국립수산과학원. 2016.04.30. |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102411074B9 (ko) | 2023-04-12 |
| KR20220071038A (ko) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cyriac et al. | Variability in Coastal Flooding predictions due to forecast errors during Hurricane Arthur | |
| KR102025335B1 (ko) | 인공지능 기반 설계풍속 자동 산정 방법 및 시스템 | |
| CN114049545B (zh) | 一种基于点云体素的台风定强方法、***、设备及介质 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| Usharani | ILF-LSTM: Enhanced loss function in LSTM to predict the sea surface temperature | |
| CN109143408A (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| Faucher et al. | Empirical-statistical reconstruction of surface marine winds along the western coast of Canada | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| CN113496310A (zh) | 基于深度学习模型的大气污染物预测方法和*** | |
| Liu et al. | Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction | |
| Liu et al. | Short-term daily prediction of sea ice concentration based on deep learning of gradient loss function | |
| Liu et al. | A spatio-temporal modeling framework for weather radar image data in tropical Southeast Asia | |
| Wang et al. | Nowcasting multicell short-term intense precipitation using graph models and random forests | |
| KR102411074B1 (ko) | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 | |
| Feng et al. | Predictability of sea surface temperature anomalies at the eastern pole of the Indian Ocean Dipole—using a convolutional neural network model | |
| Yin et al. | Advanced machine learning techniques for predicting nha trang shorelines | |
| Meng et al. | Remote Sensing for Subsurface and Deeper Oceans: An overview and a future outlook | |
| Xu et al. | Monthly NDVI prediction using spatial autocorrelation and nonlocal attention networks | |
| Wang et al. | Filling gaps in significant wave height time series records using bidirectional gated recurrent unit and cressman analysis | |
| KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
| Cao et al. | Ocean mesoscale eddies identification based on YOLOF | |
| Kalra et al. | Derivation of coastal wind and wave parameters from offshore measurements of TOPEX satellite using ANN | |
| Champenois et al. | Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements | |
| Zhou et al. | Bathymetry of the Gulf of Mexico predicted with multilayer perceptron from multi-source marine geodetic data | |
| Alekseeva et al. | Ice Automatic Routing: Analysis of Simulation Testing Based on Voyages of Arc7 Class Vessels in the Arctic |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |