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
- 지도교수
- 한성원
- 발행연도
- 2019
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
태풍을 분석하는 것은 태풍의 위치를 파악하고 태풍의 강도, 최대 풍속, 중심 기압을 추정하는 것이다. 현재 국가기상위성센터에서는 이를 산출하기 위해 주관적 드보락 기법(Subjective Dvorak Technique, SDT)과 함께 객관적 드보락 기법(Advanced Objective Dvorak Technique, ADT)을 사용하고 있다. 이는 위성 분석자가 태풍의 중심위치를 결정하면 경험 알고리즘(Fast Fourier Transform)을 통해 태풍의 구름패턴이 분류되어 강도 결정 규칙 알고리즘에 따라 강도, 최대풍속 등을 정한다. 그러나 태풍 중심위치를 파악하는 단계에서부터 위성분석자의 주관이 개입되기 때문에 객관적인 알고리즘에 대한 필요성이 증대되었다. 이에 따라 본 연구에서는 딥러닝 기반 태풍 중심위치 및 강도 산출 모델을 제안한다.
선행 연구를 통해 기존 딥러닝 기반 태풍 중심 위치 산출 및 강도 분류 모델은 태풍의 중심위치를 산출하거나 강도를 분류하는 작업만을 수행하며 아직 위성 자료가 입력되었을 때, 중심위치 산출과 강도 분류를 동시에 수행하는 모델에 대해 연구된 바가 없다. 뿐만 아니라 강도 분류 모델인 경우에는 태풍 영역만을 자르는 전처리 과정이 필요하며 이는 여전히 중심위치 결정이라는 위성 분석자의 주관이 개입된다. 중심 위치 산출 모델인 경우 단일 태풍이 발생한 자료에 대해서만 이용이 가능하다. 이에 본 연구에서는 식별 알고리즘인 Faster R-CNN을 이용하여 위성 이미지 자료에 대해 태풍 영역을 자르는 과정 없이 다수의 태풍이 발생하여도 중심위치와 강도를 모두 산출할 수 있는 모델을 제안한다.
국가 기상 위성센터에서 제공한 천리안 위성 데이터 중 총 4개의 채널을 이용하였으며, 각각 채널을 이용하여 구축한 단일채널 모델과 4개 채널을 모두 이용한 다중채널, 총 5개 모델에 대해 실험하였다. 성능 평가 지표로는 강도 분류에서는 mAP, f1-score, 태풍 발달의 연속성을 고려한 weighted f1-score와 중심위치 산출에서는 RMSE(Root Mean Squared Error)와 MDE(Mean Distance Error)를 이용하였다. 실험 결과, 다중채널을 이용한 모델이 태풍 식별 및 중심위치 산출 성능이 단일 채널 모델보다 우수하였으며 이는 합성곱 신경망에서 모든 채널의 특징을 포함한 피쳐맵을 추출할 수 있기 때문이다. 또한 강도 분류에 관한 선행연구와 중심위치 산출에 관한 선행연구와 비교 실험을 통해, 본 연구에서 제안한 다중 채널 모델의 성능이 더 우수함을 확인하였다.
마지막으로 본 학위 논문의 내용은 대한산업공학회지 저널에 제출한 논문에 포함되어 있으며, 내용과 관련한 저작권은 게재된 저널이 가지고 있음을 알린다.
선행 연구를 통해 기존 딥러닝 기반 태풍 중심 위치 산출 및 강도 분류 모델은 태풍의 중심위치를 산출하거나 강도를 분류하는 작업만을 수행하며 아직 위성 자료가 입력되었을 때, 중심위치 산출과 강도 분류를 동시에 수행하는 모델에 대해 연구된 바가 없다. 뿐만 아니라 강도 분류 모델인 경우에는 태풍 영역만을 자르는 전처리 과정이 필요하며 이는 여전히 중심위치 결정이라는 위성 분석자의 주관이 개입된다. 중심 위치 산출 모델인 경우 단일 태풍이 발생한 자료에 대해서만 이용이 가능하다. 이에 본 연구에서는 식별 알고리즘인 Faster R-CNN을 이용하여 위성 이미지 자료에 대해 태풍 영역을 자르는 과정 없이 다수의 태풍이 발생하여도 중심위치와 강도를 모두 산출할 수 있는 모델을 제안한다.
국가 기상 위성센터에서 제공한 천리안 위성 데이터 중 총 4개의 채널을 이용하였으며, 각각 채널을 이용하여 구축한 단일채널 모델과 4개 채널을 모두 이용한 다중채널, 총 5개 모델에 대해 실험하였다. 성능 평가 지표로는 강도 분류에서는 mAP, f1-score, 태풍 발달의 연속성을 고려한 weighted f1-score와 중심위치 산출에서는 RMSE(Root Mean Squared Error)와 MDE(Mean Distance Error)를 이용하였다. 실험 결과, 다중채널을 이용한 모델이 태풍 식별 및 중심위치 산출 성능이 단일 채널 모델보다 우수하였으며 이는 합성곱 신경망에서 모든 채널의 특징을 포함한 피쳐맵을 추출할 수 있기 때문이다. 또한 강도 분류에 관한 선행연구와 중심위치 산출에 관한 선행연구와 비교 실험을 통해, 본 연구에서 제안한 다중 채널 모델의 성능이 더 우수함을 확인하였다.
마지막으로 본 학위 논문의 내용은 대한산업공학회지 저널에 제출한 논문에 포함되어 있으며, 내용과 관련한 저작권은 게재된 저널이 가지고 있음을 알린다.
목차
국문 요약 11. 서론 42. 선행 연구 72.1 합성곱 신경망 기반 객체 식별 72.2 딥러닝 기반 기상 관련 연구 92.3 본 연구의 의의 113. 실험 설계 123.1 데이터 123.2 Faster R-CNN 143.3 태풍 식별 및 중심위치·강도 산출을 위한 Faster R-CNN기반 객체 식별 모델 173.4 성능 평가 194. 실험 결과 225. 결론 및 향후 계획 31
최근 본 자료
댓글(0)
0