지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2019
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (3)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
어느 지역의 일사량을 파악하는 데는 두 가지 방법을 사용할 수 있다. 첫 번째는 일사계를 이용하여 일사량을 직접 측정하는 방법이고, 다른 방법은 위성영상을 이용하여 일사량 값을 간접적으로 추정하는 방법이다. 일사계를 이용하면 시간별로 정확한 일사량 값을 알 수 있지만, 시스템 구축에 많은 비용이 들고 일사량을 파악할 수 있는 범위가 제한적이라는 단점이 있다. 반면 위성영상을 이용하는 방법은 넓은 영역에 걸친 일사량을 알 수 있다는 장점이 있지만, 실시간 일사량 산출의 정확도가 높지 않다는 단점이 있다. 본 연구에서는 이 두 가지 방법의 단점을 보완하기 위해 천리안 기상위성 영상과 기상청의 종관기상관측 자료를 이용하여 일사량을 추정하였다. 이때, 일사량에 영향을 미치는 변수들 간의 물리식을 알기 어렵기 때문에 인공신경망 방법을 활용하였으며, 권역별로 인공신경망을 훈련시키고 여러 개의 인공신경망 모델 결과를 평균한 앙상블 모델을 활용함으로써 정확도를 향상시켰다.
인공신경망 훈련에 앞서서 천리안 기상위성의 가시광 채널 영상으로부터 일별 구름지수를 산출한 뒤, 주성분 분석을 통해 차원을 축소하고 K 평균 군집화를 적용함으로써 일사량 권역을 분류하였다. 권역의 개수는 분류가 잘 되었는지 평가하는 CH 지수를 활용한 L-method 방법을 통해 결정했으며, 이를 통해 한국을 총 13개의 권역, 바다를 제외하면 12개의 권역으로 분류하였다.
인공신경망 훈련을 위한 입력데이터로는, 태양의 위치를 나타내는 3개의 변수, 기상관측소 자료의 5개의 변수, 천리안 영상을 통해 얻은 6개의 변수 총 14개의 변수들 중에서 상호정보량 특징 추출을 이용하여 10개의 변수를 선택하였다. 선택된 10개의 변수를 가지고 MATLAB 소프트웨어를 활용하여 다중계층신경망을 구축했으며, 2016년 자료를 훈련자료로, 2017년 자료를 검증자료로 설정하였다. 38개 일사량 관측 지점에 대해 교차검증을 수행한 결과 상관계수 0.96, RMSE 80.87 W/㎡, rRMSE 22.6% 정도의 정확도를 기대할 수 있었으며, 특히 맑은 날에는 상관계수 0.98, rRMSE 15% 정도의 높은 정확도를 보였다. 하지만 구름의 양이 많아질수록 정확도가 감소했다. 2016년 자료로 훈련한 모델을 2017년 자료에 적용하여 검증을 수행한 결과, 훈련의 정확도와 검증의 정확도가 비슷하게 나타나 모델의 시간적 보편성을 확인할 수 있었다. 본 연구에서 적용한 권역별 훈련 모델은 권역별로 훈련하지 않은 전국적 모델에 비해 오차를 2% 정도 감소시킬 수 있었으며, 앙상블 기반의 인공신경망 모델 역시 단일 모델보다 오차를 2% 정도 감소시킴으로써 정확도를 향상시키는 효과가 있었다.
이렇게 구축한 인공신경망 모델을 적용하여 94개의 기상청 종관기상관측 지점에 대해 2017년 한 해 동안의 시간별 일사량을 산출하였고, 이를 통해 각 지점의 연평균 일사량과 월평균 일사량도 산출하였다. 월평균 일사량 산출결과를 살펴보면 일반적으로 1월부터 5, 6월까지 일사량이 점차 증가하다가 7, 8월에 급격히 감소하는 경향을 보였는데, 이는 여름철에는 장마와 태풍 등의 영향으로 일사량이 감소하기 때문으로 보인다. 본 연구의 권역별 일사량 모델을 적용하면 일사량 관측값은 없더라도 실시간으로 기상자료 획득이 가능한 지점에 대해 실시간 일사량을 추정할 수 있다. 이를 통해 기존의 일사량 관측망보다 정밀하고 정확하게 일사량을 추정할 수 있을 것으로 기대된다.
인공신경망 훈련에 앞서서 천리안 기상위성의 가시광 채널 영상으로부터 일별 구름지수를 산출한 뒤, 주성분 분석을 통해 차원을 축소하고 K 평균 군집화를 적용함으로써 일사량 권역을 분류하였다. 권역의 개수는 분류가 잘 되었는지 평가하는 CH 지수를 활용한 L-method 방법을 통해 결정했으며, 이를 통해 한국을 총 13개의 권역, 바다를 제외하면 12개의 권역으로 분류하였다.
인공신경망 훈련을 위한 입력데이터로는, 태양의 위치를 나타내는 3개의 변수, 기상관측소 자료의 5개의 변수, 천리안 영상을 통해 얻은 6개의 변수 총 14개의 변수들 중에서 상호정보량 특징 추출을 이용하여 10개의 변수를 선택하였다. 선택된 10개의 변수를 가지고 MATLAB 소프트웨어를 활용하여 다중계층신경망을 구축했으며, 2016년 자료를 훈련자료로, 2017년 자료를 검증자료로 설정하였다. 38개 일사량 관측 지점에 대해 교차검증을 수행한 결과 상관계수 0.96, RMSE 80.87 W/㎡, rRMSE 22.6% 정도의 정확도를 기대할 수 있었으며, 특히 맑은 날에는 상관계수 0.98, rRMSE 15% 정도의 높은 정확도를 보였다. 하지만 구름의 양이 많아질수록 정확도가 감소했다. 2016년 자료로 훈련한 모델을 2017년 자료에 적용하여 검증을 수행한 결과, 훈련의 정확도와 검증의 정확도가 비슷하게 나타나 모델의 시간적 보편성을 확인할 수 있었다. 본 연구에서 적용한 권역별 훈련 모델은 권역별로 훈련하지 않은 전국적 모델에 비해 오차를 2% 정도 감소시킬 수 있었으며, 앙상블 기반의 인공신경망 모델 역시 단일 모델보다 오차를 2% 정도 감소시킴으로써 정확도를 향상시키는 효과가 있었다.
이렇게 구축한 인공신경망 모델을 적용하여 94개의 기상청 종관기상관측 지점에 대해 2017년 한 해 동안의 시간별 일사량을 산출하였고, 이를 통해 각 지점의 연평균 일사량과 월평균 일사량도 산출하였다. 월평균 일사량 산출결과를 살펴보면 일반적으로 1월부터 5, 6월까지 일사량이 점차 증가하다가 7, 8월에 급격히 감소하는 경향을 보였는데, 이는 여름철에는 장마와 태풍 등의 영향으로 일사량이 감소하기 때문으로 보인다. 본 연구의 권역별 일사량 모델을 적용하면 일사량 관측값은 없더라도 실시간으로 기상자료 획득이 가능한 지점에 대해 실시간 일사량을 추정할 수 있다. 이를 통해 기존의 일사량 관측망보다 정밀하고 정확하게 일사량을 추정할 수 있을 것으로 기대된다.
목차
1. 서론 11.1. 연구배경 11.2. 태양복사와 일사량 41.2.1. 태양 복사 스펙트럼 41.2.2. 대기에 의한 태양복사의 반사, 흡수, 산란 51.3. 인공신경망의 원리와 응용 81.3.1. 인공신경망의 개념 81.3.2. 다중계층신경망 112. 연구지역 및 데이터 142.1. 기상관측자료 142.2. 위성영상 자료 143. 권역별 인공신경망 훈련 173.1. 일사량 권역분류 173.1.1. 구름지수 산출 173.1.2. 주성분 분석을 통한 차원 축소 213.1.3. K-평균 군집화 233.1.4. K-평균 군집화의 최적군집 개수 설정 233.1.5. 권역별 분류 결과 263.2. 입력데이터 선택 303.2.1. 상호 정보량 특징 추출 303.2.2. 변수 선택 결과 333.3. 인공신경망 훈련 374. 인공신경망 모델의 검증과 비교 404.1. 정확도를 나타내는 인자 404.2. 인공신경망 모델의 지점별 검증 결과 414.3. 인공신경망 모델의 기상조건별 검증 결과 464.4. 인공신경망 모델의 연도별 검증 결과 554.5. 인공신경망 모델의 월별 검증 결과 594.6. 인공신경망 모델의 시간별 검증 결과 604.7. 권역별 훈련 모델과 전국적 훈련 모델의 비교 624.8. 앙상블 모델과 단일 모델의 비교 665. 인공신경망 모델의 적용과 일사량 추정 706. 결론 79참고문헌 81Abstract 89
최근 본 자료
댓글(0)
0