1 |
1
이중편파레이더 자료를 이용한 강우량 예측 방법에 있어서,이중편파레이더 자료를 전처리하여 적어도 하나 이상의 픽셀을 포함하는 이미지 패치의 시계열 데이터를 획득하는 과정과,상기 획득된 이미지 패치의 시계열 데이터를 미리 마련된 합성곱 신경망(CNN: Convolutional Neural Network) 모델에 입력하여 각 이미지 패치에 대한 특징 맵을 생성하는 과정과, 상기 특징 맵을 미리 마련된 장단기 메모리(LSTM: Long Short-Term Memory) 모델에 입력하여 상기 이미지 패치를 구성하는 픽셀들 중 강우량 예측의 대상이 되는 타겟 픽셀의 강우량을 예측하는 과정을 포함하며,상기 전처리 과정은,상기 이중편파레이더 자료를 기반으로 미리 정해진 강우강도 범주에 대하여 데이터 값을 별도로 생성하여 데이터 셋을 선정하는 과정과,상기 선정된 데이터 셋을 기반으로 상기 타겟 픽셀의 위치를 중심으로 상기 이미지 패치를 구성하는 과정을 포함하며,상기 이미지 패치를 구성하는 픽셀들의 행의 개수 및 열의 개수는 제한된 시간 및 데이터 안에서 최대 정보량을 얻는 값으로 결정되고, 상기 타겟 픽셀은 상기 이미지 패치의 정중앙에 위치한 픽셀임을 특징으로 하는 강우량 예측 방법
|
2 |
2
제1항에 있어서,상기 이중편파레이더 자료는 이중편파레이더로 측정되는 강우강도, 수평반사도(ZH: Horizontal Reflectivity), 차등 반사도(ZDR: Differential Reflectivity) 및 비차등위상차(KDP: Specific Differential Phase) 중 적어도 하나의 변수에 대한 자료임을 특징으로 하는 강우량 예측 방법
|
3 |
3
삭제
|
4 |
4
제1항에 있어서,상기 데이터 셋을 선정하는 과정은, 상기 미리 정해진 강우강도의 범주 별로 일정 비율의 데이터가 확보되도록 상기 데이터 셋을 선정하는 과정임을 특징으로 하는 강우량 예측 방법
|
5 |
5
제1항에 있어서,상기 타겟 픽셀의 강우량을 예측하는 과정은, 상기 특징 맵을 1차원 벡터로 변환하여 평탄화 시키는 과정과, 상기 평탄화된 벡터를 기반으로 LSTM 셀의 은닉(hidden) 계산 유닛을 통해 상기 타겟 픽셀의 강우량을 예측하는 과정을 포함함을 특징으로 하는 강우량 예측 방법
|
6 |
6
제1항에 있어서,상기 이미지 패치의 시계열 데이터는 미리 정해진 과거 시각으로부터 일정한 시간 간격으로 현재 시각까지에 해당하는 복수개의 이미지 패치들임을 특징으로 하는 강우량 예측 방법
|
7 |
7
제1항에 있어서,상기 타겟 픽셀의 강우량은 집약 강우율(ARR: Aggregated Rain Rate)이고, 상기 ARR은 상기 타겟 픽셀에서의 강우량의 평균값, 중앙값 또는 최대값임을 특징으로 하는 강우량 예측 방법
|
8 |
8
제1항에 있어서,상기 CNN 모델은 상기 이미지 패치에 포함된 픽셀들 중 일부 픽셀로 구성되는 일부 영역을 상기 이미지 패치 상에서 랜덤하게 이동하면서 상기 특징맵을 생성함을 특징으로 하는 강우량 예측 방법
|
9 |
9
이중편파레이더 자료를 이용한 강우량 예측 장치에 있어서,이중편파레이더 자료를 전처리하여 적어도 하나 이상의 픽셀을 포함하는 이미지 패치의 시계열 데이터를 획득하는 데이터 전처리부와,상기 획득된 이미지 패치의 시계열 데이터를 미리 마련된 합성곱 신경망(CNN: Convolutional Neural Network) 모델에 입력하여 각 이미지 패치에 대한 특징 맵을 생성하는 특징맵 생성부와, 상기 특징 맵을 미리 학습된 장단기 메모리(LSTM: Long Short-Term Memory) 모델에 입력하여 상기 이미지 패치를 구성하는 픽셀들 중 강우량 예측의 대상이 되는 타겟 픽셀의 강우량을 예측하는 강우량 예측부를 포함하며,상기 데이터 전처리부는,상기 이중편파레이더 자료를 기반으로 미리 정해진 강우강도 범주에 대하여 데이터 값을 별도로 생성하여 데이터 셋을 선정하고, 상기 선정된 데이터 셋을 기반으로 상기 타겟 픽셀의 위치를 중심으로 상기 이미지 패치를 구성하며,상기 이미지 패치를 구성하는 픽셀들의 행의 개수 및 열의 개수는 제한된 시간 및 데이터 안에서 최대 정보량을 얻는 값으로 결정되고, 상기 타겟 픽셀은 상기 이미지 패치의 정중앙에 위치한 픽셀임을 특징으로 하는 강우량 예측 장치
|
10 |
10
제9항에 있어서,상기 이중편파레이더 자료는 이중편파레이더로 측정되는 강우강도, 수평반사도(ZH: Horizontal Reflectivity), 차등 반사도(ZDR: Differential Reflectivity) 및 비차등위상차(KDP: Specific Differential Phase) 중 적어도 하나의 변수에 대한 자료임을 특징으로 하는 강우량 예측 장치
|
11 |
11
삭제
|
12 |
12
제9항에 있어서,상기 데이터 전처리부는 상기 미리 정해진 강우강도의 범주 별로 일정 비율의 데이터가 확보되도록 상기 데이터 셋을 선정함을 특징으로 하는 강우량 예측 장치
|
13 |
13
제9항에 있어서,상기 강우량 예측부는, 상기 특징 맵을 1차원 벡터로 변환하여 평탄화 시키고, 상기 평탄화된 벡터를 기반으로 LSTM 셀의 은닉(hidden) 계산 유닛을 통해 상기 타겟 픽셀의 강우량을 예측함을 특징으로 하는 강우량 예측 장치
|
14 |
14
제9항에 있어서,상기 이미지 패치의 시계열 데이터는 미리 정해진 과거 시각으로부터 일정한 시간 간격으로 현재 시각까지에 해당하는 복수개의 이미지 패치들임을 특징으로 하는 강우량 예측 장치
|
15 |
15
제9항에 있어서,상기 타겟 픽셀의 강우량은 집약 강우율(ARR: Aggregated Rain Rate)이고, 상기 ARR은 상기 타겟 픽셀에서의 강우량의 평균값, 중앙값 또는 최대값임을 특징으로 하는 강우량 예측 장치
|
16 |
16
제9항에 있어서,상기 CNN 모델은 상기 이미지 패치에 포함된 픽셀들 중 일부 픽셀로 구성되는 일부 영역을 상기 이미지 패치 상에서 랜덤하게 이동하면서 상기 특징맵을 생성함을 특징으로 하는 강우량 예측 장치
|