KSCE Journal of Civil and Environmental Engineering Research (대한토목학회논문집)

Korean Society of Civil Engeneers (대한토목학회)
권호 표지
DOI QR코드

DOI QR Code

Predicting Probability of Precipitation Using Artificial Neural Network and Mesoscale Numerical Weather Prediction

인공신경망과 중규모기상수치예보를 이용한 강수확률예측

  • 강부식 (단국대학교 공과대학 토목환경공학전공) ;
  • 이봉기 (단국대학교 대학원 토목환경공학전공)
  • Received : 2008.03.19
  • Accepted : 2008.08.29
  • Published : 2008.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

The Artificial Neural Network (ANN) model was suggested for predicting probability of precipitation (PoP) using RDAPS NWP model, observation at AWS and upper-air sounding station. The prediction work was implemented for flood season and the data period is the July, August of 2001 and June of 2002. Neural network input variables (predictors) were composed of geopotential height 500/750/1000 hPa, atmospheric thickness 500-1000 hPa, X & Y-component of wind at 500 hPa, X & Y-component of wind at 750 hPa, wind speed at surface, temperature at 500/750 hPa/surface, mean sea level pressure, 3-hr accumulated precipitation, occurrence of observed precipitation, precipitation accumulated in 6 & 12 hrs previous to RDAPS run, precipitation occurrence in 6 & 12 hrs previous to RDAPS run, relative humidity measured 0 & 12 hrs before RDAPS run, precipitable water measured 0 & 12 hrs before RDAPS run, precipitable water difference in 12 hrs previous to RDAPS run. The suggested ANN has a 3-layer perceptron (multi layer perceptron; MLP) and back-propagation learning algorithm. The result shows that there were 6.8% increase in Hit rate (H), especially 99.2% and 148.1% increase in Threat Score (TS) and Probability of Detection (POD). It illustrates that the suggested ANN model can be a useful tool for predicting rainfall event prediction. The Kuipers Skill Score (KSS) was increased 92.8%, which the ANN model improves the rainfall occurrence prediction over RDAPS.

한반도 영역을 대상으로 RDAPS모형의 수치예보자료, AWS의 관측강수, 상층기상관측(upper-air sounding)의 관측자료를 이용하여 권역별 강수발생확률을 예측할 수 있는 인공신경망 모형을 제시하였다. 사용된 자료의 기간은 2001년 7, 8월과 2002년 6월로 홍수기를 대상으로 하였다. 500/750/1000 hPa에서의 지위고도, 500-1000 hPa에서의 층후(thickness), 500 hPa에서의 X와 Y방향 바람성분, 750 hPa에서의 X와 Y방향 바람성분, 표면풍속, 500/750 hPa/표면에서의 온도, 평균해면기압, 3시간 누적 강수, AWS관측소에서 관측된 RDAPS모형 실행전의 6시간과 12시간동안의 누적강수, 가강수량, 상대습도등을 신경망의 예측인자로 사용하였다. 신경망의 구조는 3층 MLP(Multi Layer Perceptron)로 구성하여 역전파알고리즘(Back-propagation)을 학습방법으로 사용하였다. 신경망예측결과 한반도전체에 대한 예측성과의 개선은 H가 6.8%상승하였고, 특히 TS와 POD는 각각 99.2%와 148.1% 상승함으로서 강수예측에 대한 신경망모형이 효과적인 도구가 될 수 있음을 확인하였다. KSS 역시 92.8% 개선됨으로서 RDAPS 예측에 비하여 뚜렷이 개선된 결과를 보여주고 있다.

Keywords

References

  1. 건설교통부(2006) 수자원장기종합계획(2006-2020) 보고서, 한국수자원공사
  2. 과학기술부(2007) 유역 물 관리 운영 기술개발 1, 21세기 프론티어 수자원의 지속적 확보기술개발 사업, 한국수자원공사
  3. 김광섭(2006) 상층기상자료와 신경망기법을 이용한 면적강우 예측. 한국수자원학회논문집, 한국수자원학회, 제39권, 제8호, pp. 717-726 https://doi.org/10.3741/JKWRA.2006.39.8.717
  4. 김영오, 정대일, 김형섭, 이길성(2001) 앙상블 예측을 통한 물공급전망 개선방안. 한국수자원학회 학술발표회 논문집, 한국수자원학회, pp. 304-308
  5. 김호준, 백희정, 권원태, 최병철(2001) 구간 연산 신경망을 이용한 강수량 장기예측 기법. 한국기상학회지, 한국기상학회, 제37권, 제5호, pp. 443-452
  6. 안중배, 박정규, 임은순, 차유미(2003) 인공신경망 모형을 이용한 기온과 강수량 규모축소 연구. 한국기상학회지, 한국기상학회, 제13권, 제1호, pp. 476-477
  7. 정대일, 김영오(2002) 앙상블 예측을 이용한 충주댐 월 유입량 예측. 대한토목학회논문집, 대한토목학회, 제22권, 제3-B호, pp. 321-331
  8. 정 슬(2004) 인공지능시스템 I(신경회로망의 구조 및 사용법). 충남대학교 출판부. pp. 76-106
  9. 차유미, 안중배(2005) 역학적으로 규모축소된 남한의 여름철 강수에 대한 인공신경망 보정 능력평가, 한국기상학회지, 한국기상학회, 제41권, 제6호, pp. 1125-1135
  10. Bras, R.L. (1990) Hydrology: An Introduction to Hydrologic Science. Addison-Wesley publishing company, pp. 82-92
  11. Glahn, H.R. and Lowry, D.A. (1972) The use of model output statistics (MOS) in Objective Weather Forecasts. J. Appl. Meteor., Vol. 11, issue 8, pp. 1203-1211 https://doi.org/10.1175/1520-0450(1972)011<1203:TUOMOS>2.0.CO;2
  12. Gupta, M.M. (2003) Static and Dynamic Neural Networks from Fundamentals to Advanced Theory, Wiley-Interscience, IEEE Press. pp. 80-118
  13. Hall, T., Brooks, H.E., and Doswell, III C.A. (1999) Precipitation forecasting using a neural network. Wea. Forecasting, Vol. 14, issue 3, pp. 338-345 https://doi.org/10.1175/1520-0434(1999)014<0338:PFUANN>2.0.CO;2
  14. Klein, W.H. (1971) Computer prediction of precipitation probability in the united states. J. Appl. Meteor., Vol. 10, issue 5, pp. 903-915 https://doi.org/10.1175/1520-0450(1971)010<0903:CPOPPI>2.0.CO;2
  15. Kuligowski, R.J., Barros, A.P., and Ferreira, N.J. (1998) Experiments in short-term precipitation using artificial neural networks. Mon. Wea. Rev., Vol. 126, issue 2, pp. 1194-1204
  16. Schoof, J.T. and Pryor, S.C. (2001) Downscaling temperature and precipitation: a comparison of regression-based methods and artificial neural networks. Int. J. Climatol., Vol. 21, issue 7, pp. 773-790 https://doi.org/10.1002/joc.655
  17. Valverde Ramrez, M.C., de Campos Velho, H.F. (2005) Artificial neural network technique for rainfall forecasting applied to the so paulo region. J. Hydrol., Vol. 301, issue 1-4, pp. 146-162 https://doi.org/10.1016/j.jhydrol.2004.06.028
  18. Wilks, D.S. (1995) Statistical methods in the Atmospheric Sciences. Academic Press, pp. 220-250