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
- 유동현
- 발행연도
- 2020
- 저작권
- 인하대학교 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
해양의 특성 및 변화를 관찰하기 위해 측정되는 여러 특성 중 하나인 표층 수온(sea surface
temperature)은 해상에서의 위험 요소 중 하나인 해무(sea fog) 발생에 영향을 미치는 인자이다. 표층
수온의 관측은 크게 위성 자료를 기반으로 한 원격탐사(remote sensing)와 조위관측소(tidal
observatory) 및 부이(buoy)에 설치된 관측장비를 이용한 실제 관측으로 구분할 수 있다. 인공위성 자
료 기반의 표층 수온 관측자료는 한반도 연안 및 주변해 전체에 대한 관측자료를 얻을 수 있는 장
점이 있는 반면 대기에 의한 산란효과, 위성 센서의 감도 저하 등 여러 영향으로 실제 관측지점의
표층 수온과 오차가 존재한다. 따라서 본 논문에서는 한반도 연안의 실시간 해양관측정보의 조위관
측소에서 제공되는 실제 관측치와 인공위성 관측치를 비교하고 실제 관측치를 기반으로 1일 후에서
3일 후 시점을 예측 시점으로 하는 단기 표층 수온 예측 모형을 제안하였다. 예측 모형 수립 및 검
증을 위하여 실제 표층 수온 관측 자료는 실시간 해양관측정보의 조위관측소에서 제공되는
2013-2017년의 자료 중 동해(2), 서해(5), 남해(6)의 13개 지점에 대한 연안 표층 수온 관측자료를 이
용하였으며 인공위성 관측자료는 G1SST(Global 1 km Sea Surface Temperature) 인공위성 합성자료
중 조위관측소에 해당하는 지점의 표층 수온을 이용하였다. 예측 모형으로 Winters의 가법계절모형,
ARIMA 모형, 계절추세 기반 자기회귀오차모형(autoregressive error model), Long short-term
memory(LSTM) 모형을 고려하였으며 모형의 성능 검증을 위하여 2013-2016년의 표층 수온 관측자료
는 모형의 추정을 위한 훈련자료로, 2017년의 표층 수온 관측자료는 예측성능의 평가자료로 활용
하였다. 일평균 표층 수온의 단기 예측 시점을 1일, 2일, 3일 후 시점을 고려하여 각각의 예측 성능
을 비교하였다. 예측 성능을 기준으로 계절추세 기반 자기회귀오차모형을 적용한 예측 모형이 13개
지점에서 전반적으로 우수한 성능을 지님이 확인되었다. 다만, 동해 연안의 경우, 용승으로 인한 저
수온의 영향 등으로 인하여 하절기의 예측 성능의 저하를 확인하였으며 이에 대한 성능 개선을 위
해 기상 정보를 활용하는 등 추가적인 연구가 요구된다.
temperature)은 해상에서의 위험 요소 중 하나인 해무(sea fog) 발생에 영향을 미치는 인자이다. 표층
수온의 관측은 크게 위성 자료를 기반으로 한 원격탐사(remote sensing)와 조위관측소(tidal
observatory) 및 부이(buoy)에 설치된 관측장비를 이용한 실제 관측으로 구분할 수 있다. 인공위성 자
료 기반의 표층 수온 관측자료는 한반도 연안 및 주변해 전체에 대한 관측자료를 얻을 수 있는 장
점이 있는 반면 대기에 의한 산란효과, 위성 센서의 감도 저하 등 여러 영향으로 실제 관측지점의
표층 수온과 오차가 존재한다. 따라서 본 논문에서는 한반도 연안의 실시간 해양관측정보의 조위관
측소에서 제공되는 실제 관측치와 인공위성 관측치를 비교하고 실제 관측치를 기반으로 1일 후에서
3일 후 시점을 예측 시점으로 하는 단기 표층 수온 예측 모형을 제안하였다. 예측 모형 수립 및 검
증을 위하여 실제 표층 수온 관측 자료는 실시간 해양관측정보의 조위관측소에서 제공되는
2013-2017년의 자료 중 동해(2), 서해(5), 남해(6)의 13개 지점에 대한 연안 표층 수온 관측자료를 이
용하였으며 인공위성 관측자료는 G1SST(Global 1 km Sea Surface Temperature) 인공위성 합성자료
중 조위관측소에 해당하는 지점의 표층 수온을 이용하였다. 예측 모형으로 Winters의 가법계절모형,
ARIMA 모형, 계절추세 기반 자기회귀오차모형(autoregressive error model), Long short-term
memory(LSTM) 모형을 고려하였으며 모형의 성능 검증을 위하여 2013-2016년의 표층 수온 관측자료
는 모형의 추정을 위한 훈련자료로, 2017년의 표층 수온 관측자료는 예측성능의 평가자료로 활용
하였다. 일평균 표층 수온의 단기 예측 시점을 1일, 2일, 3일 후 시점을 고려하여 각각의 예측 성능
을 비교하였다. 예측 성능을 기준으로 계절추세 기반 자기회귀오차모형을 적용한 예측 모형이 13개
지점에서 전반적으로 우수한 성능을 지님이 확인되었다. 다만, 동해 연안의 경우, 용승으로 인한 저
수온의 영향 등으로 인하여 하절기의 예측 성능의 저하를 확인하였으며 이에 대한 성능 개선을 위
해 기상 정보를 활용하는 등 추가적인 연구가 요구된다.
목차
1. 서론 ·················································································· 22. 원격탐사 표층 수온 및 실측 표층 수온의 비교 ···· 33. 표층 수온의 단기 예측 모형 ······································ 73.1. Holt-Winters의 가법계절지수평활법 ········································· 83.2. ARIMA 모형 ················································································· 93.3. 자기회귀오차모형(Autoregressive Error model) ····················· 113.4. LSTM 기반 인공신경망 모형 ·················································· 134. 예측 모형의 추정 및 예측 성능 비교 ···················· 154.1. 예측모형의 추정 ········································································ 154.1.1. Holt-Winters의 가법계절지수평활법 ··························································· 154.1.2. ARIMA 모형 ··································································································· 164.1.3. 자기회귀오차모형 ·························································································· 184.1.4. LSTM 기반 인공신경망 모형 ······································································ 204.2. 예측 모형의 성능 비교 ···························································· 215. 결론 ················································································ 24
최근 본 자료
댓글(0)
0