KR20210019312A - Construct methode and apparatus for managing of water desaster database - Google Patents
Construct methode and apparatus for managing of water desaster database Download PDFInfo
- Publication number
- KR20210019312A KR20210019312A KR1020190098352A KR20190098352A KR20210019312A KR 20210019312 A KR20210019312 A KR 20210019312A KR 1020190098352 A KR1020190098352 A KR 1020190098352A KR 20190098352 A KR20190098352 A KR 20190098352A KR 20210019312 A KR20210019312 A KR 20210019312A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- management system
- database management
- data
- level
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 17
- 239000002689 soil Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000001556 precipitation Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000000443 aerosol Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000012950 reanalysis Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
- G09B29/007—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes using computer methods
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Mathematical Physics (AREA)
- Educational Technology (AREA)
- Image Processing (AREA)
Abstract
Description
실시예는 수재해 정보를 효과적으로 관리하기 위한 수재해 데이터베이스 관리 시스템의 구축 방법 및 장치에 관한 것이다.The embodiment relates to a method and apparatus for constructing a water disaster database management system for effectively managing water disaster information.
온난화 현상 등으로 인해 이상 기후 변화 및 이상 기상 현상이 날로 심해지고 있고, 이러한 이상 현상으로 인해 가뭄, 하천 건천화, 홍수 등과 같은 자연 재해 현상이 날로 증가하여 세계적으로 큰 문제가 되고 있다.Due to the warming phenomenon, abnormal climate change and abnormal weather phenomena are increasing day by day, and natural disaster phenomena such as drought, river dryness, and flood are increasing day by day, which is a major problem worldwide.
따라서, 기상 관련 데이터를 이용한 기상 예측에 대한 중요성이 날로 증가하고 있고, 예측된 기상 상황을 간편하고 용이하게 이용하여 예측된 환경 재난에 대비하여 많은 인명 피해뿐만 아니라 경제적 손실의 발생을 방지하는 것이 중요하다.Therefore, the importance of weather forecasting using weather-related data is increasing day by day, and it is important to prevent the occurrence of economic losses as well as many human damages in preparation for predicted environmental disasters by using the predicted weather conditions simply and easily. Do.
이를 위해, 많은 기상 관련 데이터를 수집하고, 수집된 기상 관련 데이터를 이용하여 기상 예측을 실시할 수 있는 시스템의 구축이 시급하다.To this end, it is urgent to build a system capable of collecting a lot of weather-related data and predicting weather using the collected weather-related data.
종래에는 광역, 지역을 아우르는 국토 관측 센서의 운영 및 활용을 위한 연구 개발이 활발히 진행되어 다양한 기술을 확보하고 있다. 이와 같이 우수한 국토 관측 센서 인프라 및 활용기술을 갖추고 있음에도 불구하고 이를 융합하고 의미있는 정보로 해석할 수 있는 통합 시스템이 부재한 실정으로 인해 체계적인 수자원 관리 및 수재해 대응에 한계를 지니고 있다.Conventionally, research and development for the operation and utilization of land observation sensors covering a wide area and a region have been actively conducted to secure various technologies. In spite of such excellent land observation sensor infrastructure and utilization technology, there is a limit to systematic water resource management and flood disaster response due to the absence of an integrated system that can integrate and interpret it as meaningful information.
상술한 문제점을 해결하기 위해 실시예는 수재해에 대한 정보를 효과적으로 관리하기 위한 수재해 데이터베이스 관리 시스템의 구축 방법 및 장치를 제공하는 것을 그 목적으로 한다.In order to solve the above-described problem, an object of the embodiment is to provide a method and apparatus for constructing a flood disaster database management system for effectively managing information on a flood disaster.
또한, 실시예는 수재해 대응을 효과적으로 대응하기 위한 수재해 데이터베이스 관리 시스템의 구축 방법 및 장치를 제공하는 것을 다른 목적으로 한다.In addition, another object of the embodiment is to provide a method and apparatus for constructing a flood disaster database management system for effectively responding to flood disaster response.
실시예의 수재해 데이터베이스 관리 시스템의 구축 방법은 위성, 레이더, 기상 관측(SRA) 정보를 수신하는 단계와, 상기 위성, 레이더, 기상 관측 정보를 기초로 수재해 정보 분석하기 위해 수재해 정보 플랫폼을 구축하는 단계와, 상기 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 데이터베이스 관리 시스템(DBMS)을 구축하는 단계를 포함할 수 있다.The construction method of the flood disaster database management system of the embodiment includes the steps of receiving satellite, radar, and weather observation (SRA) information, and constructing a flood disaster information platform to analyze flood disaster information based on the satellite, radar, and weather observation information. And building a database management system (DBMS) based on the documented result from the flood disaster information platform.
상기 SRA 정보는 토양 수분에 대한 정보, 수위에 대한 정보 및 행정 구역에 대한 정보를 포함할 수 있다.The SRA information may include information on soil moisture, information on water level, and information on administrative areas.
상기 수재해 정보 플랫폼은 상기 위성 데이터를 제0 레벨 내지 제4 레벨의 데이터로 변환시키고, 상기 제0 레벨은 위성 정보로부터 수집된 가공되지 않은 로우(Raw) 데이터이고, 상기 제1A 레벨은 로우 데이터에 촬영시간, 방사 보정 및 기하 보정 계수와 기하 보정 파라미터의 부가 정보가 포함된 전체 해상도의 이미지 데이터이고, 상기 제1B 레벨은 로우 데이터로부터 영상 처리가 진행된 데이터이고, 상기 제2 레벨은 제1 레벨과 같은 해상도 및 위치에서 파고, 토양 수분, 얼음 농도를 산출한 데이터이고, 상기 제3 레벨은 로우 데이터로부터 균일한 공간의 격자 규모의 이미지 데이터이고, 상기 제4 레벨은 로우 데이터 분석을 통해 도출된 모델의 결과물일 수 있다.The flood disaster information platform converts the satellite data into data of the 0th level to the fourth level, the 0th level is raw raw data collected from satellite information, and the 1A level is raw data Is image data of full resolution including additional information of a photographing time, radiation correction and geometric correction coefficient and geometric correction parameter, the first B level is data processed from raw data, and the second level is a first level It is data obtained by calculating the wave height, soil moisture, and ice concentration at the same resolution and location, and the third level is image data of a uniform space grid scale from raw data, and the fourth level is derived through raw data analysis. It can be the result of the model.
상기 SRA 정보가 위성 정보이면 상기 위성 정보에 포함된 지오메트리(Geometry) 정보, 해상도 정보, 영상 크기 정보 및 영상 일시 정보를 메타 정보 테이블을 통해 상기 데이터베이스 관리 시스템에 자동으로 입력될 수 있다.If the SRA information is satellite information, geometry information, resolution information, image size information, and image date and time information included in the satellite information may be automatically input to the database management system through a meta information table.
상기 데이터베이스 관리 시스템은 상기 입력된 위성 정보의 영상 영역을 설정하고 이를 썸네일(Thumbnail)로 이미지를 확인 가능할 수 있다.The database management system may set an image area of the input satellite information and check the image as a thumbnail.
상기 수재해 정보 플랫폼은 HTCondor 및 Crontab을 통해 주기적으로 상기 정보를 상기 데이터베이스 관리 시스템에 업데이트하는 단계를 포함할 수 있다.The flood disaster information platform may include periodically updating the information to the database management system through HTCondor and Crontab.
상기 수재해 데이터베이스 관리 시스템의 고속 처리를 위해 병목 구간에 대한 최적화 단계를 포함하고, 상기 최적화 단계는 병목 구간 및 최적화 구간을 찾는 소스코드 분석 단계와, 상기 병목 구간을 동시에 처리하는 병렬 처리 코드를 적용하는 소스코드 리팩토링 단계와, 상기 병목 구간의 성능을 검증하는 병렬 처리 검증 단계와, 상기 병렬 처리를 위한 소스 변환을 수행하는 단계와, 상기 소스 변환을 통해 성능 및 결과를 확인하는 단계를 포함할 수 있다.For high-speed processing of the water disaster database management system, an optimization step for a bottleneck section is included, and in the optimization step, a source code analysis step for finding a bottleneck section and an optimization section, and a parallel processing code for simultaneously processing the bottleneck section are applied. A source code refactoring step of performing, a parallel processing verification step of verifying the performance of the bottleneck section, performing source conversion for the parallel processing, and checking performance and results through the source conversion. have.
상기 데이터베이스 관리 시스템은 특정 기간과 관심 영역(AOI) 기반의 영역을 지정하여 위성 영상을 검색 및 다운로드가 가능하고, 상기 특정 영역의 점, 선 폴리곤과 중첩되는 부분에 대한 영상 조회 및 로우 데이터의 다운로드가 가능한 플랫폼을 구성할 수 있다.The database management system can search for and download satellite images by designating a specific period and an area based on a region of interest (AOI), and search and download raw data for a portion overlapping with a point or line polygon of the specific area. You can configure a platform that can be used.
또한, 실시예의 수재해 데이터베이스 관리 시스템을 구축하기 위한 장치는 위성, 레이더, 기상 관측(SRA) 정보를 수신하는 SRA 정보 수집부와, 상기 위성, 레이더, 기상 관측 정보를 수재해 정보 분석하는 수재해 정보 플랫폼과, 상기 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 수재해 정보를 제공하는 데이터베이스 관리 시스템을 포함할 수 있다.In addition, the apparatus for building the flood disaster database management system of the embodiment includes an SRA information collection unit that receives satellite, radar, and weather observation (SRA) information, and a flood disaster that analyzes the satellite, radar, and weather observation information. It may include an information platform and a database management system that provides flood disaster information based on a documented result from the flood disaster information platform.
상기 SRA 정보는 토양 수분에 대한 정보, 수위에 대한 정보 및 행정 구역에 대한 정보를 포함할 수 있다.The SRA information may include information on soil moisture, information on water level, and information on administrative areas.
상기 SRA 정보가 위성 정보이면 상기 위성 정보에 포함된 지오메트리(Geometry) 정보, 해상도 정보, 영상 크기 정보 및 영상 일시 정보를 메타 정보 테이블을 통해 상기 데이터베이스 관리 시스템에 자동으로 입력될 수 있다.If the SRA information is satellite information, geometry information, resolution information, image size information, and image date and time information included in the satellite information may be automatically input to the database management system through a meta information table.
상기 데이터베이스 관리 시스템은 상기 입력된 위성 정보의 영상 영역을 설정하고 이를 썸네일(Thumbnail)로 이미지를 확인 가능할 수 있다.The database management system may set an image area of the input satellite information and check the image as a thumbnail.
상기 수재해 정보 플랫폼은 HTCondor 및 Crontab을 통해 주기적으로 상기 정보를 상기 데이터베이스 관리 시스템에 업데이트하는 단계를 포함할 수 있다.The flood disaster information platform may include periodically updating the information to the database management system through HTCondor and Crontab.
실시예는 다양한 형태의 수재해 관련 정보를 제공함으로써, 수재해의 감시 및 예측 능력을 향상시킬 수 있는 효과가 있다.,The embodiment has the effect of improving the ability to monitor and predict water disasters by providing various types of water disaster related information.
또한, 실시예는 병목 구간에 대해 이중 처리함으로써, 보다 빠른 정보를 제공할 수 있는 효과가 있다.In addition, the embodiment has an effect of providing faster information by double-processing the bottleneck section.
도 1은 실시예에 따른 수재해 데이터베이스 관리 시스템의 구축 방법을 나타낸 순서도이다.
도 2는 위성 데이터의 레벨을 나타낸 도면이다.
도 3은 레이더 데이터의 레벨을 나타내 도면이다.
도 4 내지 도 7은 레이더 데이터의 레벨에 따른 산출물을 나타낸 도면이다.
도 8은 기상관측 데이터의 레벨을 나타낸 도면이다.
도 9 내지 도 12는 기상관측 데이터의 레벨에 따른 산출물을 나타낸 도면이다.
도 13은 병목 구간에 대한 최적화 단계를 나타낸 순서도이다.
도 14는 문서화된 결과를 나타낸 도면이다.
도 15는 실시예에 따른 수재해 데이터베이스 관리 시스템을 구축하기 위한 통합 장치를 나타낸 도면이다.1 is a flow chart showing a method of constructing a flood disaster database management system according to an embodiment.
2 is a diagram showing the level of satellite data.
3 is a diagram showing the level of radar data.
4 to 7 are diagrams showing outputs according to levels of radar data.
8 is a diagram showing the level of weather observation data.
9 to 12 are diagrams showing outputs according to the level of weather observation data.
13 is a flowchart showing an optimization step for a bottleneck section.
14 is a diagram showing the documented results.
15 is a view showing an integrated device for building a flood disaster database management system according to an embodiment.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.In the present invention, various modifications may be made and various embodiments may be provided, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it is to be understood to include all changes, equivalents, and substitutes included in the spirit and scope of the present invention. In describing each drawing, similar reference numerals have been used for similar elements.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various elements, but the elements should not be limited by the terms. These terms are used only for the purpose of distinguishing one component from another component. For example, without departing from the scope of the present invention, a first element may be referred to as a second element, and similarly, a second element may be referred to as a first element. The term and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being "connected" or "connected" to another component, it is understood that it may be directly connected or connected to the other component, but other components may exist in the middle. Should be. On the other hand, when a component is referred to as being "directly connected" or "directly connected" to another component, it should be understood that there is no other component in the middle.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 실시예에 따른 수재해 데이터베이스 관리 시스템의 구축 방법을 나타낸 순서도이고, 도 2는 위성 데이터의 레벨을 나타낸 도면이고, 도 3은 레이더 데이터의 레벨을 나타내 도면이고, 도 4 내지 도 7은 레이더 데이터의 레벨에 따른 산출물을 나타낸 도면이고, 도 8은 기상관측 데이터의 레벨을 나타낸 도면이고, 도 9 내지 도 12는 기상관측 데이터의 레벨에 따른 산출물을 나타낸 도면이고, 도 13은 병목 구간에 대한 최적화 단계를 나타낸 순서도이고, 도 14는 문서화된 결과를 나타낸 도면이다.1 is a flowchart showing a method of building a water disaster database management system according to an embodiment, FIG. 2 is a diagram showing the level of satellite data, FIG. 3 is a diagram showing the level of radar data, and FIGS. 4 to 7 It is a diagram showing the output according to the level of radar data, FIG. 8 is a diagram showing the level of weather observation data, FIGS. 9 to 12 are diagrams showing the output according to the level of weather observation data, and FIG. 13 is It is a flow chart showing the optimization steps for, and FIG. 14 is a diagram showing the documented results.
도 1을 참조하면, 실시예에 따른 수재해 데이터베이스 관리 시스템의 구축 방법은 위성, 레이더, 기상 관측(SRA) 정보를 수신하는 단계(S100)와, 상기 위성, 레이더, 기상 관측 정보를 기초로 수재해 정보 분석하기 위해 수재해 정보 플랫폼을 구축하는 단계(S200)와, 상기 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 데이터베이스 관리 시스템(Database Management System, DBMS)을 구축하는 단계(S300)를 포함할 수 있다.Referring to FIG. 1, a method of constructing a water disaster database management system according to an embodiment includes the step of receiving satellite, radar, and weather observation (SRA) information (S100), and the number based on the satellite, radar, and weather observation information. Building a flood disaster information platform to analyze disaster information (S200), and building a database management system (DBMS) based on the documented result from the flood disaster information platform (S300). I can.
SRA 정보를 수신받는 단계(S100)는 위성 데이터를 수집할 수 있다. 위성 데이터는 위성 관측 장비로부터 수집될 수 있다. 위성 관측 장비에서 수집하는 항목은 AQUA, TERRA, AQUA_TERRA, SENTINEL, MODIS_True_Color, MME, MERRA-2, GDAS, GLDAS 등을 포함할 수 있으나, 이에 한정되지 않는다.In the step S100 of receiving SRA information, satellite data may be collected. Satellite data can be collected from satellite observation equipment. Items collected by the satellite observation equipment may include, but are not limited to, AQUA, TERRA, AQUA_TERRA, SENTINEL, MODIS_True_Color, MME, MERRA-2, GDAS, GLDAS, and the like.
AQUA는 해양에서의 증발, 대기 중의 수증기, 구름, 강수량, 토양 수분, 바다 얼음, 육지 얼음 및 눈과 육지의 얼음 덮음의 정보를 수집할 수 있으며, AQUA에 의해 측정되는 추가 변수로는 복사 에너지 플럭스, 에어로졸, 육지의 식물 덮개, 해양의 식물 플랑크톤 및 유기물 용해, 대기, 육지 및 수온이 포함될 수 있다.AQUA can collect information on evaporation from the ocean, atmospheric water vapor, clouds, precipitation, soil moisture, sea ice, land ice, and snow and land ice cover. Additional variables measured by AQUA include radiant energy flux. , Aerosols, terrestrial vegetation cover, marine phytoplankton and organic matter dissolution, atmospheric, terrestrial and water temperatures.
TERRA는 지구의 기후와 기후 변화를 이해하고 인간 활동과 자연 재해가 지역 사회와 생태계에 미치는 영향을 파악하기 위해 지구의 대기, 육지, 눈과 얼음, 해양 및 에너지 균형 간의 관계를 탐구할 수 있다.TERRA can explore the relationship between Earth's atmosphere, land, snow and ice, oceans, and energy balances to understand global climate and climate change and the impact of human activities and natural disasters on communities and ecosystems.
AQUA와 TERRA에서 얻은 일일 표면 반사 입력을 바탕으로 생성된 알고리즘은 일일 표면 반사율 역학을 분석하여 급격한 변화를 파악하고 그 정보를 사용하여 대략적인 날짜를 감지하고 최근 화재의 공간 범위만 매핑하며, 각 픽셀에 대해 다양한 품질 평가 정보와 단일 요약 품질 평가 점수를 제공할 수 있다. 알고리즘은 데이터의 각도 변화를 처리하기 위해 BRDF 모델 기반의 변경 감지 방식을 사용하고 이전에 관찰된 상태에서 변경 확률을 식별하기 위해 통계적 방법을 사용하여 이전 방법을 개선한다.Based on the daily surface reflection input obtained from AQUA and TERRA, the generated algorithm analyzes the daily surface reflectance dynamics to identify sudden changes, uses that information to detect an approximate date, maps only the spatial extent of the recent fire, and maps each pixel. Various quality assessment information and a single summary quality assessment score can be provided. The algorithm improves on the previous method by using a BRDF model-based change detection method to handle angular changes in the data and using a statistical method to identify the change probabilities in the previously observed state.
Modis_True_Color 이미지는 지구의 표면과 구름을 실제 색으로 보여줄 수 있다. NASA에서는 우주에서 위성을 사용하여 매일 전 세계에서 이러한 이미지를 수집한다. 과학자들은 이미지를 사용하여 지구 표면의 변화를 추적한다. 짙은 녹색 지역은 많은 식물이 있는 곳을 보여주고 갈색 지역은 식물이 거의 없기 때문에 위성 센터가 노출된 땅 표면을 더 많이 볼 수 있는 곳이며, 흰색 영역은 눈 또는 구름을 나타낼 수 있다.The Modis_True_Color image can show the Earth's surface and clouds in real color. NASA uses satellites in space to collect these images from around the world every day. Scientists use images to track changes on the Earth's surface. Dark green areas show where there is a lot of vegetation, brown areas are where the satellite center can see more of the exposed ground surface because there are few vegetation, and white areas can indicate snow or clouds.
SENTINEL은 다른 해상도와 범위의 4가지 독점 이미지 모드에서 작동하는 C-밴드 이미징을 포함하고, 이중 분극 기능, 매우 짧은 재 방문 시간 및 신속한 제품 인도를 제공할 수 있다. 관측마다 우주선의 자세와 자세에 대한 정확한 영상의 측정이 가능하다.SENTINEL includes C-band imaging operating in four proprietary image modes of different resolutions and ranges, and can provide double polarization capability, very short revisit times and quick product delivery. For each observation, it is possible to measure the posture and posture of the spacecraft accurately.
GDAS(Global Data Assimilation System)는 NCEP 글로벌 예측 시스템(GFS) 모델이 관측을 시작 또는 초기화할 목적으로 그리드 모델 공간에 관측하기 위해 사용되는 시스템이다. GDAS는 표면 관측, 풍선 데이터, 바람 프로파일러 데이터, 항공기 보고서, 부표 관측, 레이더 관측 및 위성 관측과 같은 그리드 3차원 모델 공간에 다음과 같은 유형의 관측치를 추가하며, GDAS 데이터는 GDAS의 입력 관측과 GDAS의 그리드 출력 필드 모두로 NCEI의 NOAA 국가 운영 모델 아카이브 및 배포 시스템을 통해 사용할 수 있다.The Global Data Assimilation System (GDAS) is a system used by NCEP Global Prediction System (GFS) models to observe in grid model space for the purpose of starting or initializing observations. GDAS adds the following types of observations to the grid three-dimensional model space, such as surface observations, balloon data, wind profiler data, aircraft reports, buoy observations, radar observations, and satellite observations, and GDAS data All of GDAS' grid output fields are available through NCEI's NOAA National Operating Model Archive and Distribution System.
전 지구 지표 동계화 시스템(Global Land Data Assimilation System, GLDAS)은 다수의 지표면 모델(Land surface model)인 Mosaic, Variable Infiltration Capacity(VIC), Noah, Community Land Model(CLM) 을 기반으로 한 방대한 관측 자료들(인공위성 자료 및 지점 자료)을 통한한 자료 동화 데이터 시스템을 말한다. GLDAS 자료는 다양한 공간 해상도와 시간 해상도로, 지표면에서의 다양한 수문 기상인자들을 제공하고 있다. 이 자료는 모델의 정확도가 높기 때문에, 전 세계적으로 미관 측 지역이나 공간적인 분석을 하거나 기후변화, 기상예측 등에 주로 활용된다.Global Land Data Assimilation System (GLDAS) is a vast number of observation data based on Mosaic, Variable Infiltration Capacity (VIC), Noah, and Community Land Model (CLM), which are a number of land surface models. It refers to a data system for assimilation of Korean data through fields (satellite data and point data). GLDAS data provide various hydrological and meteorological factors at the surface of the earth with various spatial and temporal resolutions. Because of the high accuracy of the model, this data is mainly used for predicting climate change and weather, or performing spatial or unobserved areas around the world.
기상 학적 동화의 향상과 함께 MERRA-2는 GMAO의 지구 시스템 재분석 목표에 대한 몇 가지 중요한 단계를 밟는다. MERRA-2는 우주 기반의 에어로졸 관측을 동화시키고 기후 시스템에서 다른 물리적 과정과의 상호 작용을 나타내는 최초의 장기적인 글로벌 재분석하며, MERRA-2는 그린랜드 (Greenland)와 남극 대륙(Antarctica) 위에 얼음 시트를 포함한다.Along with improving meteorological assimilation, MERRA-2 takes several important steps toward GMAO's Earth System Reanalysis Goal. MERRA-2 assimilates space-based aerosol observations and is the first long-term global reanalysis that represents interactions with other physical processes in the climate system, while MERRA-2 builds sheets of ice over Greenland and Antarctica. Include.
SRA 정보를 수신 받는 단계(S100)는 레이더 데이터를 수집할 수 있다. 레이더 데이터는 레이더(Radar)로부터 수집될 수 있다. 이러한 레이더는 기상, 강우 레이더가 있으며, 위험 기상 감시 및 홍수 예보, 수문 관리 및 홍수 예보, 군 작전 지역의 기상지원 등 목적에 따라 운영되고 있다.In the step of receiving SRA information (S100), radar data may be collected. Radar data can be collected from radar. These radars include weather and rainfall radars, and are operated for purposes such as dangerous weather monitoring and flood forecasting, hydrological management and flood forecasting, and meteorological support in military operational areas.
레이더 데이터는 X-NET, 기상청 레이더, 환경부 레이더로부터 수집될 수 있으나, 이에 한정되지 않는다. Radar data may be collected from X-NET, Meteorological Agency radar, and Ministry of Environment radar, but is not limited thereto.
기상 관측 데이터는 자동 기상관측장비(AWS: Automatic Weather System), 지상기상관측장비(ASOS: Automated Synoptic Observing System), 기상 통신망(GTS), 농업기상관측(AAOS: Automated Agricultural Observing System), 농업기상관측(SMRDA)로부터 수집할 수 있다.Weather observation data includes Automatic Weather System (AWS), Automated Synoptic Observing System (ASOS), Weather Communication Network (GTS), Automated Agricultural Observing System (AAOS), and Agricultural Weather Observation. (SMRDA) can be collected.
AWS로부터 국지적인 기온, 바람, 강수 등의 정보를 수집할 수 있으며, ASOS로부터 기온, 습도, 풍향, 풍속, 기압, 강수량, 일조, 일사, 지면온도, 초상 온도, 지중 온도, 적설, 구름, 기타 일기 현상 등의 정보를 수집할 수 있으며, GTS로부터 기온, 강수량, 바람, 습도, 구름, 해면 기압 등의 정보를 수집할 수 있다.Information such as local temperature, wind, precipitation, etc. can be collected from AWS, and from ASOS, temperature, humidity, wind direction, wind speed, air pressure, precipitation, sunlight, solar radiation, ground temperature, superficial temperature, underground temperature, snowfall, clouds, etc. Information such as weather phenomena can be collected, and information such as temperature, precipitation, wind, humidity, clouds, and sea level air pressure can be collected from GTS.
SMRDA는 농업에 필요한 요소와 기상 현상에 관하여 자동 또는 수동으로 관측하고, 기상 상용표, 대수표 및 기타 계산 표에 의하여 소정의 계산 과정을 거쳐 수치 혹은 부호로 기록, 표출될 수 있다.SMRDA can automatically or manually observe elements and meteorological phenomena necessary for agriculture, and can be recorded and expressed as numerical values or codes through a predetermined calculation process by means of a meteorological commercial table, logarithmic table, and other calculation tables.
기상 관측 데이터는 수위 정보를 수집할 수 있다. 댐 수위, 방수로 수위, 저수량, 저수율, 강우량, 유입량, 자체 유입량, 총방류량의 정보를 수집할 수 있다.Weather observation data can collect water level information. It is possible to collect information on dam water level, spillway water level, reservoir water, low yield, rainfall, inflow, self-inflow, and total discharge.
기상 관측 데이터는 행정 구역에 따라 지형 정보 및 하천 정보를 수집할 수 있다. Weather observation data can collect topographic information and river information according to administrative districts.
즉, 기상 관측 데이터는 토양 수분에 대한 정보, 수위에 대한 정보, 행정 구역에 대한 정보를 수집할 수 있게 된다.That is, weather observation data can collect information on soil moisture, information on water level, and information on administrative areas.
종래에는 위성 데이터만을 수집하였으나, 실시예에서는 레이더 데이터 및 기산 관측 데이터를 추가적으로 수집함으로써, 보다 효과적인 수재해 예측이 가능한 효과가 있다.Conventionally, only satellite data has been collected, but in the embodiment, radar data and basic observation data are additionally collected, thereby enabling more effective flood disaster prediction.
이어서, 위성, 레이더, 기상 관측 정보를 기초로 수재해 정보 분석하기 위해 수재해 정보 플랫폼을 구축하는 단계(S200)를 수행할 수 있다.Subsequently, a step (S200) of building a flood disaster information platform to analyze flood disaster information based on satellite, radar, and weather observation information may be performed.
수재해 정보 플랫폼 SRA 정보의 로우 데이터를 다양한 형태의 레벨을 가지도록 데이터를 변환시킬 수 있다. 수재해 정보 플랫폼은 로우 데이터 및 변환된 데이터를 문서화시켜 저장할 수 있다.It is possible to convert the raw data of the flood disaster information platform SRA information to have various types of levels. The flood disaster information platform can document and store raw data and converted data.
도 2에 도시된 바와 같이, 수재해 정보 플랫폼은 위성 데이터(10)의 레벨을 제0 레벨 내지 제4 레벨로 변환시킬 수 있다. 이러한 수재해 정보 플랫폼은 로우 데이터를 기하학적인 모형으로 정보, 해상도 정보, 영상 크기 및 영상 일시 정보를 포함할 수 있다.As shown in FIG. 2, the flood disaster information platform may convert the level of the
제0 레벨은 가공되지 않은 로우 이미지 데이터를 의미할 수 있다. 보다 상세하게, 제0 레벨은 일부 또는 모든 통신 아티팩스 요소들이 제거되어 위성 및 탑재체에서 가공되지 않거나 재구성된 전체 해상도의 데이터이다.The 0th level may mean raw image data that has not been processed. More specifically, the 0th level is full resolution data that has been raw or reconstructed from satellites and payloads with some or all of the communication artifact elements removed.
제1 레벨은 제1A 레벨과 제1B 레벨을 포함할 수 있다.The first level may include a first level A and a level 1 B.
제1A 레벨은 로우 데이터에 촬영시간, 방사 보정 및 기하 보정 계수와 보정 파라미터의 부가 정보가 포함된 이미지 데이터일 수 있다.The 1A level may be image data including a photographing time, radiation correction and geometric correction coefficients, and additional information of correction parameters in the raw data.
제1B 레벨은 로우 데이터로부터 영상 처리가 진행된 데이터일 수 있다. 즉, 제1B 레벨은 로우 데이터로부터 모든 센서 단위 즉, 레이더 후방 산란, 밝기 온도 등의 영상 처리가 진행된 데이터일 수 있다.The first B level may be data on which image processing has been performed from raw data. That is, the first B level may be data in which image processing such as radar backscattering, brightness temperature, etc. has been processed in every sensor unit from raw data.
제2 레벨 데이터는 제1 레벨과 같은 해상도 및 위치에서 물리적 변수를 산출한 데이터를 의미할 수 있다. 즉, 제2 레벨 데이터는 로우 데이터로부터 파고, 토양 수분, 얼음 농도를 산출할 수 있다.The second level data may mean data obtained by calculating a physical variable at the same resolution and position as the first level. That is, the second level data may be dug from raw data, and soil moisture and ice concentration may be calculated.
제3 레벨 데이터는 전체 로우 데이터로부터 균일한 공간의 격자 규모의 이미지 데이터일 수 있다.The third level data may be image data of a grid scale in a uniform space from all raw data.
제4 레벨 데이터는 로우 데이터의 분석을 통해 도출된 모델의 결과물일 수 있다.The fourth level data may be a result of a model derived through analysis of raw data.
제1 레벨은 제1R 레벨과 제1G 레벨을 포함할 수 있다.The first level may include a first R level and a first G level.
제1R 레벨은 임의의 MTF(Modulation Transfer Function)의 보정 및 복원이 수행된 카탈로그(15,000 column x 15,500 line)에 의해 잘린 이미지 데이터일 수 있다.The 1R level may be image data cut by a catalog (15,000 columns x 15,500 lines) in which correction and restoration of an arbitrary MTF (Modulation Transfer Function) has been performed.
제1G 레벨은 위성 영상의 보조 데이터만을 이용하여 제1R 레벨의 데이터를 기하학적으로 보정한 GeoTiff 형식의 이미지 데이터일 수 있다.The first G level may be GeoTiff format image data obtained by geometrically correcting data of the first R level using only auxiliary data of a satellite image.
제1 레벨은 제1T 레벨, 제1Gt 레벨을 포함할 수 있다.The first level may include a first T level and a first Gt level.
제1T 레벨은 지형 정확성을 위해 디지털 고도 모델을 사용하는 동안 지상 제어 포인트를 통합하여 체계 정보, 방사 보정 및 기하 보정을 제공 및 프로덕트의 측지 정밀도 지상 제어점의 정확성 및 DEM의 해상도에 의존할 수 있다.The 1T level incorporates ground control points while using a digital elevation model for topographic accuracy to provide systematic information, radiation correction and geometric correction and may rely on the product's geodetic precision and the accuracy of the ground control points and the resolution of the DEM.
제1Gt 레벨은 지형 정확성에 대한 수치표고 모델(DEM)을 이용하여, 체계 정보, 방사 보정 및 기하학적인 정확도를 제공하는 이미지 데이터일 수 있다.The first Gt level may be image data providing system information, radiation correction, and geometric accuracy using a digital elevation model (DEM) for terrain accuracy.
도 3에 도시된 바와 같이, 수재해 정보 플랫폼은 레이더 데이터(120)의 레벨을 제0 레벨 내지 제3 레벨로 변환시킬 수 있다.As shown in FIG. 3, the flood disaster information platform may convert the level of the
제0 레벨은 레이더로부터 수집된 로우 데이터일 수 있다. 도 4에 도시된 바와 같이, 제0 레벨의 산출물은 레이더 반사도, 도플러 속도, 스펙트럼 폭, 신호품질 지수를 포함할 수 있다.The 0th level may be raw data collected from a radar. As shown in FIG. 4, the output of the 0th level may include radar reflectivity, Doppler speed, spectral width, and signal quality index.
제1 레벨은 품질 관리된 레이더 자료일 수 있다. 도 5에 도시된 바와 같이, 제1 레벨의 산출물은 차등 반사도, 차등위상, 비차등위상, 상호상관계수를 포함할 수 있다.The first level may be quality controlled radar data. As shown in FIG. 5, the output of the first level may include differential reflectivity, differential phase, non-differential phase, and cross-correlation coefficient.
제2 레벨은 레이더 강우량 자료일 수 있다. 도 6에 도시된 바와 같이, 제2 레벨의 산출물은 수상체분류, 강우강도분포, 누적강우량분포, 유역면적강우분포를 포함할 수 있다.The second level may be radar rainfall data. As shown in FIG. 6, the output of the second level may include a water body classification, a rainfall intensity distribution, a cumulative rainfall distribution, and a basin area rainfall distribution.
제3 레벨은 레이더 지상 우량 분석 자료일 수 있다. 도 7에 도시된 바와 같이, 제3 레벨의 산출물은 기상 관측 시스템을 이용한 영상의 보정 자료일 수 있다.The third level may be radar ground superiority analysis data. As shown in FIG. 7, the output of the third level may be correction data of an image using a weather observation system.
도 8에 도시된 바와 같이, 수재해 정보 플랫폼은 기상관측 데이터(130)의 레벨을 제0 레벨 내지 제3 레벨로 변환시킬 수 있다.As shown in FIG. 8, the flood disaster information platform may convert the level of the meteorological observation data 130 into a
제0 레벨은 AWS 센서로부터 수집된 로우 데이터일 수 있다. 도 9에 도시된 바와 같이, 제0 레벨의 산출물은 기온, 풍향, 풍속, 습도, 기압 등 AWS 센서로부터 측정된 로우 데이터일 수 있다.The 0th level may be raw data collected from an AWS sensor. As shown in FIG. 9, the output of the 0th level may be raw data measured from an AWS sensor such as temperature, wind direction, wind speed, humidity, and air pressure.
제1 레벨은 문숫자 데이터일 수 있다. 도 10에 도시된 바와 같이, 제1 레벨의 산출물은 문숫자 데이터일 수 있다. 텍스트 포멧의 자료를 엑셀 포맷의 자료로 변환된 자료, 지역별로 AWS 자료 사용 용도를 구분한 자료, 매분, 일정 분 단위로 업데이트된 자료일 수 있다. The first level may be alphanumeric data. As shown in FIG. 10, the output of the first level may be alphanumeric data. Data in text format may be converted to data in Excel format, data that classifies the use of AWS data by region, and data that has been updated every minute or minute.
제2 레벨은 그래프 데이터일 수 있다. 도 11에 도시된 바와 같이, AWS 데이터를 기반으로 그래프로 작성할 수 있다. 1시간 간격으로 기상 상태 및 강우 감지기, 60분 이동 누적, 15분 이동 누적 강수량을 업데이트할 수 있다.The second level may be graph data. As shown in Figure 11, it can be written in a graph based on AWS data. Weather conditions and rainfall detectors, 60-minute movement accumulation, and 15-minute movement accumulation precipitation can be updated every hour.
제3 레벨은 분포도 데이터일 수 있다. 도 12에 도시된 바와 같이, AWS 데이터를 기반으로 분포도를 작성할 수 있다. 5분, 60분 간격으로 기온, 바람, 습도 등의 데이터를 업데이트할 수 있다.The third level may be distribution data. As shown in FIG. 12, a distribution map can be created based on AWS data. Data such as temperature, wind and humidity can be updated every 5 or 60 minutes.
수재해 정보 플랫폼은 주기적으로 DBMS에 업데이트할 수 있다. 수재해 정보 플랫폼은 자동화 스케줄러를 통해 자료를 자동으로 업데이트할 수 있다. 자동화 스케줄러는 HTCondor와 리눅스 기반의 Crontab을 포함할 수 있다. 수재해 정보 플랫폼은 HTCondor와 Crontab 구축 여부와 환경 설정을 확인하고 명령어를 이용해 Crontab에 등록한 스케줄러 목록이 실행되고 있는지, 전체 노드 목록이 16개가 일치하는지 확인할 수 있다.The flood disaster information platform can be periodically updated to the DBMS. The flood disaster information platform can automatically update data through an automated scheduler. Automated schedulers can include HTCondor and Linux-based Crontab. The flood disaster information platform can check whether HTCondor and Crontab are built and environment settings, and check whether the list of schedulers registered in Crontab is running by using a command, and whether the total node list matches 16.
HTCondor는 직업 관리, 스케줄러 정책, 지원 모니터링 및 지원 관리 기능을 수행할 수 있다.HTCondor can perform job management, scheduler policy, support monitoring and support management functions.
수재해 정보 플랫폼은 고속 처리를 위한 최적화를 수행할 수 있다. 수재해 정보 플랫폼은 이중병렬 처리 기법을 이용하여 고속 처리를 위한 최적화를 수행할 수 있다.The flood disaster information platform can perform optimization for high-speed processing. The flood disaster information platform can perform optimization for high-speed processing using a double-parallel processing technique.
수재해 정보 플랫폼은 GPGPU(General-Purpose computing on Graphics Processing Units)을 이용하여 고속 처리 최적화의 가능성을 파악하고, 가장 적합한 알고리즘을 선정하여 프로파일링을 수행할 수 있다. 이에 따라 가장 느린 구간에 대한 최적화 포인트를 도출하고 공유 메모리 및 공통 변수를 제거하는 최적화 대상 코드에 대한 디펜던시(Dependency) 제거 작업을 수행할 수 있다.The flood disaster information platform can use General-Purpose computing on Graphics Processing Units (GPGPU) to understand the possibility of high-speed processing optimization, select the most suitable algorithm, and perform profiling. Accordingly, it is possible to derive an optimization point for the slowest section and perform a task of removing dependency on the code to be optimized to remove shared memory and common variables.
도 13에 도시된 바와 같이, 최적화 단계는 소스 코드 분석 단계(S410)와, 소스코드 리팩토링 단계(S420)와, 병렬 처리 검증 단계(S430)와, 소스 변환 단계(S440)와, 성능 및 결과의 확인 단계(S450)를 포함할 수 있다.As shown in Fig. 13, the optimization step includes a source code analysis step (S410), a source code refactoring step (S420), a parallel processing verification step (S430), a source conversion step (S440), and performance and results. It may include a confirmation step (S450).
소스 코드 분석 단계(S410)는 데이터 처리의 병목 구간 및 최적화 구간을 찾는 단계일 수 있다. 먼저, 알고리즘에 대한 전체 흐름을 파악하고, 병렬 최적화 가능한 병목 구간을 찾는 작업을 먼저 수행할 수 있다. 소스 코드 분석 단계(S410)는 병목 구간을 찾기 위해 계속되는 시간 측정을 할 수 있다. 이를 위해서는 빌드 방법과 샘플 데이터로 테스트 가능한 환경이 필요할 수 있다.The source code analysis step S410 may be a step of finding a bottleneck section and an optimization section of data processing. First, the entire flow of the algorithm can be identified, and the task of finding a bottleneck section that can be optimized in parallel can be performed first. In the source code analysis step S410, continuous time measurement may be performed to find the bottleneck section. For this, a build method and an environment that can be tested with sample data may be required.
소스 코드 리팩토링 단계(S420)는 병렬 처리 구간을 찾았을 경우, 해당하는 코드에 대하여 동시 처리가 가능할 수 있도록 소스코드 리팩토링 및 코드 의존성 제거 작업을 수행할 수 있다.In the source code refactoring step (S420), when a parallel processing section is found, source code refactoring and code dependency removal may be performed to enable simultaneous processing of a corresponding code.
병렬 처리 적용 및 검증 단계(S430)를 수행할 수 있다. 병렬 처리 적용 단계는 멀티 스레드를 사용하여 처리될 수 있도록 병렬 처리 코드를 적용할 수 있다. 병렬 처리 검증 단계는 병렬 처리 코드를 적용했다면 최적화 전과 결과가 동일하게 나오는지 검증을 할 수 있다. 또한, 최적화 전후 성능 향상이 어느 정도 되었는지 확인할 수 있다.The parallel processing application and verification step (S430) may be performed. The parallel processing application step can apply parallel processing code so that it can be processed using multiple threads. In the parallel processing verification step, if parallel processing code is applied, you can verify that the results are the same as before the optimization. In addition, it is possible to check the degree of performance improvement before and after optimization.
소스 변환 단계(S440)는 GPGPU를 통해 병렬 처리를 위한 소스 변환을 수행할 수 있다. 성능 및 결과의 확인 단계(S450)는 최적화 전후 성능 및 결과에 대한 확인을 수행할 수 있다.The source conversion step S440 may perform source conversion for parallel processing through a GPGPU. In the step S450 of checking performance and results, performance and results may be checked before and after optimization.
도 1로 돌아가서, 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 데이터베이스 관리 시스템(Database Management System, DBMS)을 구축하는 단계(S300)를 수행할 수 있다.Returning to FIG. 1, a step (S300) of building a database management system (DBMS) based on the documented result from the flood disaster information platform may be performed.
DBMS는 수재해 정보 플랫폼으로부터 변환된 데이터를 문서화시킬 수 있다. 문서화된 결과는 도 14에 도시된 바와 같이 보여질 수 있다.DBMS can document converted data from flood disaster information platform. The documented results can be viewed as shown in FIG. 14.
DBMS는 SRA 정보가 수집되면 데이터 메타 정보 테이블에 데이터를 자동으로 입력될 수 있다. SRA 정보가 위성 자료이면 위성 정보에 포함된 지오메트리(Geometry) 정보, 해상도 정보, 영상 크기 정보 및 영상 일시 정보를 메타 정보 테이블을 통해 자동으로 입력될 수 있다.When the SRA information is collected, the DBMS can automatically enter the data into the data meta information table. If the SRA information is satellite data, geometry information, resolution information, image size information, and image date and time information included in the satellite information may be automatically input through the meta information table.
DBMS는 입력된 위성 영상을 영역 설정(Boundary)으로 검색하고 썸네일(Thumnail)로 이미지를 확인할 수 있다.The DBMS can search the input satellite image by boundary setting and check the image by using a thumbnail.
DBMS는 SRA 수신자료가 입력될 수 있도록 소스 코드(Python)를 구현할 수 있다.DBMS can implement source code (Python) so that SRA received data can be input.
DBMS는 산출물 정의서 및 공통 코드 정의서를 작성하여 DBMS와 동기화를 완료할 수 있다. The DBMS can complete the synchronization with the DBMS by creating a product definition document and a common code definition document.
DBMS는 SRA 정보 자료와 DBMS 자료를 동기화시킬 수 있다. 설령, 동기화 되지 못하는 자료는 수동으로 업로드할 수 있다.DBMS can synchronize SRA information data and DBMS data. Even if the data is out of sync, you can manually upload it.
특히, 지오그리드 지리 정보인 행정 구역, 수문 시설물, 전국 저수지 현황, 하천 유역도, 하천 정보는 고정 자료이기 때문에 수동으로 업로드할 수 있다. 하지만, 이 자료가 고정 자료가 아닐 경우, 자동으로 업로드하도록 설정할 수도 있다.In particular, geogrid geographic information such as administrative areas, hydrological facilities, national reservoir status, river basin map, and river information can be uploaded manually because they are fixed data. However, if this material is not static, you can also set it to upload automatically.
DBMS는 특정 기간과 관심 영역(AOI) 기반의 영역을 지정하여 위성 영상을 검색 및 다운로드할 수 있는 플랫폼을 구성하고, 특정 영역 벡터(점,선, 폴리곤)과 중첩되는 부분에 대한 영상 조회 및 로우 데이터가 다운로드 되도록 구축할 수 있다.DBMS configures a platform for searching and downloading satellite images by designating a specific period and area based on an area of interest (AOI), and searching and rowing images for areas overlapping with specific area vectors (dots, lines, polygons). You can build your data to be downloaded.
즉, DBMS는 특정 기간, 특정 영역을 설정하는 기능, 위성을 조회할 수 잇는 기능, 관측 위성 영상 자료를 조회 및 뷰 기능, 로우 데이터를 다운로드하는 기능, 지도 화면 선택 표출 기능 및 특정 영역을 지나간 위성 목록 조회 및 뷰 기능을 수행할 수 있다.In other words, DBMS is a function to set a specific period, a specific area, a function to search satellites, a function to search and view observation satellite image data, a function to download raw data, a function to select a map screen, and a satellite that has passed a specific area. List search and view functions can be performed.
도 15는 실시예에 따른 수재해 데이터베이스 관리 시스템을 구축하기 위한 통합 장치를 나타낸 도면이다.15 is a view showing an integrated device for building a flood disaster database management system according to an embodiment.
도 15에 도시된 바와 같이, 위성, 레이더, 기상 관측(SRA) 정보를 수신하는 SRA 정보 수집부(100)와, 상기 위성, 레이더, 기상 관측 정보를 수재해 정보 분석하는 수재해 정보 플랫폼(200)과, 상기 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 수재해 정보를 제공하는 데이터베이스 관리 시스템(300)을 포함할 수 있다.As shown in FIG. 15, an SRA
SRA 정보 수집부(100)는 위성 데이터를 수집할 수 있다. 위성 데이터는 해양에서의 증발, 대기중의 수증기, 구름, 강수량, 토양 수분, 바다 얼음, 육지 얼음, 눈과 육지의 얼음 덮음의 정보, 복사 에너지 플럭스, 에어로졸, 육지의 식물 덮개, 해양의 식물 플랑크톤 및 유기물 용해, 대기, 육지 및 수온 정보를 포함할 수 있다.The SRA
SRA 정보 수집부(100)는 레이더 데이터를 수집할 수 있다. 레이더 데이터는 AWS로부터 국지적인 기온, 바람, 강수 등의 정보를 수집할 수 있으며, ASOS로부터 기온, 습도, 풍향, 풍속, 기압, 강수량, 일조, 일사, 지면온도, 초상 온도, 지중 온도, 적설, 구름, 기타 일기 현상 등의 정보를 수집할 수 있으며, GTS로부터 기온, 강수량, 바람, 습도, 구름, 해면 기압 등의 정보를 수집할 수 있다.The SRA
SRA 정보 수집부(100)는 기상 관측 데이터를 수집할 수 있다. 기상 관측 데이터는 댐 수위, 방수로 수위, 저수량, 저수율, 강우량, 유입량, 자체 유입량, 총방류량의 정보를 수집할 수 있다. 기상 관측 데이터는 행정 구역에 따라 지형 정보 및 하천 정보를 수집할 수 있다. 즉, 기상 관측 데이터는 토양 수분에 대한 정보, 수위에 대한 정보, 행정 구역에 대한 정보를 수집할 수 있게 된다.The SRA
수재해 정보 플랫폼(200)은 위성 데이터의 레벨을 제0 레벨 내지 제4 레벨로 변환시킬 수 있다.The flood
제0 레벨은 로우 데이터일 수 있다. 제1A 레벨은 로우 데이터에 촬영시간, 방사 보정 및 기하 보정 계수와 보정 파라미터의 부가 정보가 포함된 이미지 데이터일 수 있다. 제1B 레벨은 로우 데이터로부터 영상 처리가 진행된 데이터일 수 있다. 제2 레벨 데이터는 제1 레벨과 같은 해상도 및 위치에서 물리적 변수를 산출한 데이터를 의미할 수 있다. 즉, 제2 레벨 데이터는 로우 데이터로부터 파고, 토양 수분, 얼음 농도를 산출할 수 있다. 제3 레벨 데이터는 전체 로우 데이터로부터 균일한 공간의 격자 규모의 이미지 데이터일 수 있다. 제4 레벨 데이터는 로우 데이터의 분석을 통해 도출된 모델의 결과물일 수 있다.The 0th level may be raw data. The 1A level may be image data including a photographing time, radiation correction and geometric correction coefficients, and additional information of correction parameters in raw data. The first B level may be data on which image processing has been performed from raw data. The second level data may mean data obtained by calculating a physical variable at the same resolution and position as the first level. That is, the second level data may be dug from raw data, and soil moisture and ice concentration may be calculated. The third level data may be image data of a grid scale in a uniform space from all raw data. The fourth level data may be a result of a model derived through analysis of raw data.
수재해 정보 플랫폼(200)은 레이더 데이터의 레벨을 제0 레벨 내지 제3 레벨로 변환시킬 수 있다.The flood
제0 레벨은 레이더로부터 수집된 로우 데이터일 수 있다. 제1 레벨은 품질 관리된 레이더 자료일 수 있다. 제2 레벨은 레이더 강우량 자료일 수 있다. 제3 레벨은 레이더 지상 우량 분석 자료일 수 있다. The 0th level may be raw data collected from a radar. The first level may be quality controlled radar data. The second level may be radar rainfall data. The third level may be radar ground superiority analysis data.
수재해 정보 플랫폼(200)은 기상관측 데이터의 레벨을 제0 레벨 내지 제3 레벨로 변환시킬 수 있다.The flood
제0 레벨은 AWS 센서로부터 수집된 로우 데이터일 수 있다. 제1 레벨은 문숫자 데이터일 수 있다. 제2 레벨은 그래프 데이터일 수 있다. 제3 레벨은 분포도 데이터일 수 있다. The 0th level may be raw data collected from an AWS sensor. The first level may be alphanumeric data. The second level may be graph data. The third level may be distribution data.
수재해 정보 플랫폼(200)은 데이터를 주기적으로 DBMS(300)에 업데이트할 수 있다. 수재해 정보 플랫폼(200)은 자동화 스케줄러를 통해 자료를 자동으로 업데이트할 수 있다. 자동화 스케줄러는 HTCondor와 리눅스 기반의 Crontab을 포함할 수 있다.The flood
수재해 정보 플랫폼(200)은 고속 처리를 위한 최적화를 수행할 수 있다. 수재해 정보 플랫폼(200)은 이중병렬 처리 기법을 이용하여 고속 처리를 위한 최적화를 수행할 수 있다.The flood
수재해 정보 플랫폼(200)은 GPGPU(General-Purpose computing on Graphics Processing Units)을 이용하여 고속 처리 최적화의 가능성을 파악하고, 가장 적합한 알고리즘을 선정하여 프로파일링을 수행할 수 있다. 이에 따라 가장 느린 구간에 대한 최적화 포인트를 도출하고 공유 메모리 및 공통 변수를 제거하는 최적화 대상 코드에 대한 디펜던시(Dependency) 제거 작업을 수행할 수 있다.The flood
최적화 단계는 소스 코드 분석 단계와, 소스코드 리팩토링 단계와, 병렬 처리 검증 단계와, 소스 변환 단계와, 성능 및 결과의 확인 단계를 포함할 수 있다.The optimization step may include a source code analysis step, a source code refactoring step, a parallel processing verification step, a source conversion step, and a performance and result verification step.
DBMS(300)는 수재해 정보 플랫폼(200)으로부터 변환된 데이터를 문서화시켜 사용자에게 제공할 수 있다.The
DBMS(300)는 SRA 정보가 수집되면 데이터 메타 정보 테이블에 데이터를 자동으로 입력될 수 있다. SRA 정보가 위성 자료이면 위성 정보에 포함된 지오메트리(Geometry) 정보, 해상도 정보, 영상 크기 정보 및 영상 일시 정보를 메타 정보 테이블을 통해 자동으로 입력될 수 있다.When the SRA information is collected, the
DBMS(300)는 입력된 위성 영상을 영역 설정(Boundary)으로 검색하고 썸네일(Thumnail)로 이미지를 확인할 수 있다. DBMS(300)는 SRA 수신자료가 입력될 수 있도록 소스 코드(Python)를 구현할 수 있다.The
DBMS(300)는 산출물 정의서 및 공통 코드 정의서를 작성하여 DBMS(300)와 동기화를 완료할 수 있다. DBMS(300)는 SRA 정보 자료와 DBMS 자료를 동기화시킬 수 있다. The
DBMS(300)는 특정 기간과 관심 영역(AOI) 기반의 영역을 지정하여 위성 영상을 검색 및 다운로드할 수 있는 플랫폼을 구성하고, 특정 영역 벡터(점,선, 폴리곤)과 중첩되는 부분에 대한 영상 조회 및 로우 데이터가 다운로드 되도록 구축할 수 있다.The
즉, DBMS(300)는 특정 기간, 특정 영역을 설정하는 기능, 위성을 조회할 수 잇는 기능, 관측 위성 영상 자료를 조회 및 뷰 기능, 로우 데이터를 다운로드하는 기능, 지도 화면 선택 표출 기능 및 특정 영역을 지나간 위성 목록 조회 및 뷰 기능을 수행할 수 있다.That is, the
100: SRA 정보 수집부
200: 수재해 정보 플랫폼
300: 데이터베이스 관리 시스템100: SRA information collection unit
200: Flood disaster information platform
300: database management system
Claims (13)
상기 위성, 레이더, 기상 관측 정보를 기초로 수재해 정보 분석하기 위해 수재해 정보 플랫폼을 구축하는 단계; 및
상기 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 데이터베이스 관리 시스템(DBMS)을 구축하는 단계를 포함하는 수재해 데이터베이스 관리 시스템의 구축 방법.Receiving satellite, radar, and weather observation (SRA) information;
Establishing a flood disaster information platform to analyze flood disaster information based on the satellite, radar, and weather observation information; And
Building a database management system (DBMS) based on the documented result from the flood disaster information platform.
상기 SRA 정보는 토양 수분에 대한 정보, 수위에 대한 정보 및 행정 구역에 대한 정보를 포함하는 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 1,
The SRA information is a method of constructing a water disaster database management system including information on soil moisture, information on water level, and information on administrative areas.
상기 수재해 정보 플랫폼은 상기 위성 데이터를 제0 레벨 내지 제4 레벨의 데이터로 변환시키고,
상기 제0 레벨은 위성 정보로부터 수집된 가공되지 않은 로우(Raw) 데이터이고,
상기 제1A 레벨은 로우 데이터에 촬영시간, 방사 보정 및 기하 보정 계수와 기하 보정 파라미터의 부가 정보가 포함된 전체 해상도의 이미지 데이터이고,
상기 제1B 레벨은 로우 데이터로부터 영상 처리가 진행된 데이터이고,
상기 제2 레벨은 제1 레벨과 같은 해상도 및 위치에서 파고, 토양 수분, 얼음 농도를 산출한 데이터이고,
상기 제3 레벨은 로우 데이터로부터 균일한 공간의 격자 규모의 이미지 데이터이고,
상기 제4 레벨은 로우 데이터 분석을 통해 도출된 모델의 결과물인 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 1,
The flood disaster information platform converts the satellite data into data of the 0th level to the 4th level,
The 0th level is raw raw data collected from satellite information,
The first level A is full resolution image data including additional information of a photographing time, radiation correction and geometric correction coefficients and geometric correction parameters in raw data,
The first B level is data that has undergone image processing from raw data,
The second level is data obtained by calculating digging, soil moisture, and ice concentration at the same resolution and position as the first level,
The third level is image data of a grid scale in a uniform space from raw data,
The fourth level is a method of constructing a flood disaster database management system, which is a result of a model derived through raw data analysis.
상기 SRA 정보가 위성 정보이면 상기 위성 정보에 포함된 지오메트리(Geometry) 정보, 해상도 정보, 영상 크기 정보 및 영상 일시 정보를 메타 정보 테이블을 통해 상기 데이터베이스 관리 시스템에 자동으로 입력되는 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 1,
If the SRA information is satellite information, geometry information, resolution information, image size information, and image date and time information included in the satellite information are automatically input to the database management system through a meta information table. How to build.
상기 데이터베이스 관리 시스템은 상기 입력된 위성 정보의 영상 영역을 설정하고 이를 썸네일(Thumbnail)로 이미지를 확인 가능한 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 4,
The database management system is a method of constructing a flood disaster database management system capable of setting an image area of the input satellite information and checking the image as a thumbnail.
상기 수재해 정보 플랫폼은 HTCondor 및 Crontab을 통해 주기적으로 상기 정보를 상기 데이터베이스 관리 시스템에 업데이트하는 단계를 포함하는 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 1,
The flood disaster information platform is a method of building a flood disaster database management system comprising the step of periodically updating the information to the database management system through HTCondor and Crontab.
상기 수재해 데이터베이스 관리 시스템의 고속 처리를 위해 병목 구간에 대한 최적화 단계를 포함하고,
상기 최적화 단계는
병목 구간 및 최적화 구간을 찾는 소스코드 분석 단계;
상기 병목 구간을 동시에 처리하는 병렬 처리 코드를 적용하는 소스코드 리팩토링 단계;
상기 병목 구간의 성능을 검증하는 병렬 처리 검증 단계;
상기 병렬 처리를 위한 소스 변환을 수행하는 단계; 및
상기 소스 변환을 통해 성능 및 결과를 확인하는 단계를 포함하는 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 1,
Including an optimization step for a bottleneck section for high-speed processing of the water disaster database management system,
The optimization step is
Source code analysis step of finding a bottleneck section and an optimization section;
A source code refactoring step of applying a parallel processing code that simultaneously processes the bottleneck section;
A parallel processing verification step of verifying the performance of the bottleneck section;
Performing source conversion for the parallel processing; And
Building a flood disaster database management system comprising the step of confirming the performance and results through the source conversion.
상기 데이터베이스 관리 시스템은 특정 기간과 관심 영역(AOI) 기반의 영역을 지정하여 위성 영상을 검색 및 다운로드가 가능하고, 상기 특정 영역의 점, 선 폴리곤과 중첩되는 부분에 대한 영상 조회 및 로우 데이터의 다운로드가 가능한 플랫폼을 구성하는 수재해 데이터베이스 관리 시스템의 구축 방법.The method of claim 1,
The database management system can search for and download satellite images by designating a specific period and an area based on a region of interest (AOI), and search and download raw data for a portion overlapping with a point or line polygon of the specific area. How to build a flood disaster database management system that composes a possible platform.
상기 위성, 레이더, 기상 관측 정보를 수재해 정보 분석하는 수재해 정보 플랫폼; 및
상기 수재해 정보 플랫폼으로부터 문서화된 결과에 기반하여 수재해 정보를 제공하는 데이터베이스 관리 시스템;을 포함하는 수재해 데이터베이스 관리 시스템을 구축하기 위한 장치.SRA information collection unit for receiving satellite, radar, weather observation (SRA) information;
A flood disaster information platform that analyzes the satellite, radar, and weather observation information; And
Apparatus for building a flood disaster database management system comprising; a database management system for providing flood disaster information based on a documented result from the flood disaster information platform.
상기 SRA 정보는 토양 수분에 대한 정보, 수위에 대한 정보 및 행정 구역에 대한 정보를 포함하는 수재해 데이터베이스 관리 시스템을 구축하기 위한 장치.The method of claim 9,
The SRA information is an apparatus for establishing a water disaster database management system including information on soil moisture, information on water level, and information on administrative areas.
상기 SRA 정보가 위성 정보이면 상기 위성 정보에 포함된 지오메트리(Geometry) 정보, 해상도 정보, 영상 크기 정보 및 영상 일시 정보를 메타 정보 테이블을 통해 상기 데이터베이스 관리 시스템에 자동으로 입력되는 수재해 데이터베이스 관리 시스템을 구축하기 위한 장치.The method of claim 9,
If the SRA information is satellite information, a flood disaster database management system automatically inputs geometry information, resolution information, image size information, and image date and time information included in the satellite information into the database management system through a meta information table. Device to build.
상기 데이터베이스 관리 시스템은 상기 입력된 위성 정보의 영상 영역을 설정하고 이를 썸네일(Thumbnail)로 이미지를 확인 가능한 수재해 데이터베이스 관리 시스템을 구축하기 위한 장치.The method of claim 9,
The database management system is an apparatus for constructing a flood disaster database management system capable of setting an image area of the input satellite information and confirming an image thereof as a thumbnail.
상기 수재해 정보 플랫폼은 HTCondor 및 Crontab을 통해 주기적으로 상기 정보를 상기 데이터베이스 관리 시스템에 업데이트하는 단계를 포함하는 수재해 데이터베이스 관리 시스템을 구축하기 위한 장치.The method of claim 9,
The flood disaster information platform is an apparatus for building a flood disaster database management system comprising the step of periodically updating the information to the database management system through HTCondor and Crontab.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190098352A KR20210019312A (en) | 2019-08-12 | 2019-08-12 | Construct methode and apparatus for managing of water desaster database |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190098352A KR20210019312A (en) | 2019-08-12 | 2019-08-12 | Construct methode and apparatus for managing of water desaster database |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210019312A true KR20210019312A (en) | 2021-02-22 |
Family
ID=74687526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190098352A KR20210019312A (en) | 2019-08-12 | 2019-08-12 | Construct methode and apparatus for managing of water desaster database |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210019312A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114860833A (en) * | 2022-05-30 | 2022-08-05 | 江苏顺骁工程科技有限公司 | Data center platform applied to digital twin hydraulic engineering and data processing method |
-
2019
- 2019-08-12 KR KR1020190098352A patent/KR20210019312A/en not_active IP Right Cessation
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114860833A (en) * | 2022-05-30 | 2022-08-05 | 江苏顺骁工程科技有限公司 | Data center platform applied to digital twin hydraulic engineering and data processing method |
| CN114860833B (en) * | 2022-05-30 | 2023-08-11 | 江苏顺骁工程科技有限公司 | Data center station and data processing method applied to digital twin hydraulic engineering |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiao et al. | Multi-sensor remote sensing for drought characterization: current status, opportunities and a roadmap for the future | |
| Wei et al. | Downscaling SMAP soil moisture estimation with gradient boosting decision tree regression over the Tibetan Plateau | |
| Guillevic et al. | Land Surface Temperature Product Validation Best Practice Protocol Version 1.0-October, 2017 | |
| Kustas et al. | The grape remote sensing atmospheric profile and evapotranspiration experiment | |
| Bauer-Marschallinger et al. | Toward global soil moisture monitoring with Sentinel-1: Harnessing assets and overcoming obstacles | |
| Xie et al. | Reprocessed, bias-corrected CMORPH global high-resolution precipitation estimates from 1998 | |
| Al Bitar et al. | The global SMOS Level 3 daily soil moisture and brightness temperature maps | |
| Alemohammad et al. | Water, Energy, and Carbon with Artificial Neural Networks (WECANN): a statistically based estimate of global surface turbulent fluxes and gross primary productivity using solar-induced fluorescence | |
| Park et al. | Drought monitoring using high resolution soil moisture through multi-sensor satellite data fusion over the Korean peninsula | |
| Escorihuela et al. | Comparison of remote sensing and simulated soil moisture datasets in Mediterranean landscapes | |
| Emamifar et al. | Daily mean air temperature estimation from MODIS land surface temperature products based on M5 model tree | |
| Williamson et al. | Evaluating cloud contamination in clear-sky MODIS Terra daytime land surface temperatures using ground-based meteorology station observations | |
| Zhao et al. | Multi-sensor land data assimilation: Toward a robust global soil moisture and snow estimation | |
| Jones et al. | Evaluation of a forward operator to assimilate cloud water path into WRF-DART | |
| Lagouarde et al. | Indo-French high-resolution thermal infrared space mission for Earth natural resources assessment and monitoring–Concept and definition of TRISHNA | |
| KR101895231B1 (en) | The method for calculating the maximum daily temperature using satellite | |
| Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
| CN115330159A (en) | Desert ecological restoration effect evaluation method and device, terminal equipment and storage medium | |
| Xu et al. | A global long-term (1981–2019) daily land surface radiation budget product from AVHRR satellite data using a residual convolutional neural network | |
| Trishchenko et al. | Variations of climate, surface energy budget, and minimum snow/ice extent over Canadian arctic landmass for 2000–16 | |
| González-Naharro et al. | Relationship of NDVI and oak (Quercus) pollen including a predictive model in the SW Mediterranean region | |
| Xu et al. | Reconstructing all-weather daytime land surface temperature based on energy balance considering the cloud radiative effect | |
| Leng et al. | Determination of all-sky surface soil moisture at fine spatial resolution synergistically using optical/thermal infrared and microwave measurements | |
| Tran et al. | Creating a spatially continuous air temperature dataset for Taiwan using thermal remote-sensing data and machine learning algorithms | |
| Turk et al. | The NRL-blend high resolution precipitation product and its application to land surface hydrology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination |