분류 전체보기
-
모르고 있었는데 이전 실험에서 3시간 간격이 3시간 간격으로 예보한게 아니라 t시점에서 t+3, t+6, t+9, t+12, t+15, t+18, t+21을 refine한 거 였다. 6시간 간격으로 하루에 4개 제공되는데, 어떻게 3시간 간격으로 했지를 하다가 조사해보니. 수치모델 자체도 시간이 길어질 수록 예측 정확도가 떨어지기 때문에 저런 식으로 데이터를 활용하는게 맞나 싶음 그래서 겹치는 데이터 기간인 180607~190331의 데이터로 실험. 모델은 sensor에 쓴 모델 사용. 결과 3h 예측시간 refine 6h: 1.532994039745863 12h: 2.3602885581126243 6h h000 refine 6h: 1.9691624297804449 12h: 2.71348942438464..
[기후연구] 수치모델 3h vs 6h refinement모르고 있었는데 이전 실험에서 3시간 간격이 3시간 간격으로 예보한게 아니라 t시점에서 t+3, t+6, t+9, t+12, t+15, t+18, t+21을 refine한 거 였다. 6시간 간격으로 하루에 4개 제공되는데, 어떻게 3시간 간격으로 했지를 하다가 조사해보니. 수치모델 자체도 시간이 길어질 수록 예측 정확도가 떨어지기 때문에 저런 식으로 데이터를 활용하는게 맞나 싶음 그래서 겹치는 데이터 기간인 180607~190331의 데이터로 실험. 모델은 sensor에 쓴 모델 사용. 결과 3h 예측시간 refine 6h: 1.532994039745863 12h: 2.3602885581126243 6h h000 refine 6h: 1.9691624297804449 12h: 2.71348942438464..
2021.12.31 -
공간 해상도에서와 같이 큰 문제는 없다. 전지구모델은 7분 30초, 지역예보모델은 3분 20초 그리고 고해상도 모델은 50초의 시간 간격으로 적분된다. 이것은 아마도 유효한 자료가 표출되는 빈도 이상인데, 출력 시스템에 따라서는 표출 빈도가 6시간 이상이 될 수 있다. 이 문제는 특히 6시간 주기에서 순간 강수가 없을 때 누적 강수량이 하나의 차트에 나타내어질 때 주목할 필요가 있다. 이는 강수가 중간에 발생하였음을 의미한다. 특정 시간에서의 모델 자료 표출(정보)은 모델이 오직 그 시간에 해당되는 상황을 모의한 것임을 기억해야 한다.
[기후연구] 적용 시간에 대해공간 해상도에서와 같이 큰 문제는 없다. 전지구모델은 7분 30초, 지역예보모델은 3분 20초 그리고 고해상도 모델은 50초의 시간 간격으로 적분된다. 이것은 아마도 유효한 자료가 표출되는 빈도 이상인데, 출력 시스템에 따라서는 표출 빈도가 6시간 이상이 될 수 있다. 이 문제는 특히 6시간 주기에서 순간 강수가 없을 때 누적 강수량이 하나의 차트에 나타내어질 때 주목할 필요가 있다. 이는 강수가 중간에 발생하였음을 의미한다. 특정 시간에서의 모델 자료 표출(정보)은 모델이 오직 그 시간에 해당되는 상황을 모의한 것임을 기억해야 한다.
2021.12.31 -
Interpolation 진행 아래 그림과 같이 우측 하단에 mask된 data들이 있음. 이를 처리하기 위해 interpolation진행. (x, y)의 masked data를 채우기 위해 3*3 필터의 채워진 8개의 값을 평균값을 넣어줌. 이를 위에서 오른쪽 진행방향으로 반복하는 방식으로 값을 채워넣음. if raw[x, y] > 999: around_filter = np.array([[raw[x-2, y-2],raw[x-1, y-2],raw[x, y-2]],[raw[x-2, y-1],raw[x-1, y-1],raw[x, y-1]],[raw[x-2, y],raw[x-1, y],raw[x, y]]]) filter_list = [] for i in range(around_filter.shape[0]): ..
[기후연구] LDPS적용_pre-processingInterpolation 진행 아래 그림과 같이 우측 하단에 mask된 data들이 있음. 이를 처리하기 위해 interpolation진행. (x, y)의 masked data를 채우기 위해 3*3 필터의 채워진 8개의 값을 평균값을 넣어줌. 이를 위에서 오른쪽 진행방향으로 반복하는 방식으로 값을 채워넣음. if raw[x, y] > 999: around_filter = np.array([[raw[x-2, y-2],raw[x-1, y-2],raw[x, y-2]],[raw[x-2, y-1],raw[x-1, y-1],raw[x, y-1]],[raw[x-2, y],raw[x-1, y],raw[x, y]]]) filter_list = [] for i in range(around_filter.shape[0]): ..
2021.12.31 -
LSTM을 이용해 PM10과 PM2.5를 daily prediction. Data pre-processing 데이터 변수 오염 농도: PM10, PM2.5, SO2, NO2, O3, CO PM measured by β-ray absorption and a gravimetric method. SO2, CO, NO2, and O3 were measured by pulse ultraviolet fluorescence, a nondispersive infrared sensor, chemiluminescence, and ultraviolet methods. 기상 변수: 기온, 풍향, 풍속, 1시간 누적 강수량, 상대습도 선정 기준 측정지점 간 거리가 가까운 곳: 서울 2곳, 대전, 광주, 대구, 울산, 부산 총 ..
[논문리뷰] Development of a daily PM 10 and PM 2.5 prediction system using a deep long short-term memory neural network modelLSTM을 이용해 PM10과 PM2.5를 daily prediction. Data pre-processing 데이터 변수 오염 농도: PM10, PM2.5, SO2, NO2, O3, CO PM measured by β-ray absorption and a gravimetric method. SO2, CO, NO2, and O3 were measured by pulse ultraviolet fluorescence, a nondispersive infrared sensor, chemiluminescence, and ultraviolet methods. 기상 변수: 기온, 풍향, 풍속, 1시간 누적 강수량, 상대습도 선정 기준 측정지점 간 거리가 가까운 곳: 서울 2곳, 대전, 광주, 대구, 울산, 부산 총 ..
2021.12.29 -
1시간 뒤 PM2.5 농도 예측, 2개 도시에서 수행. Objective PM 2.5과 상관관계를 가지는 변수(feature) 분석 기상 변수: 온도, 풍향, 상대습도, surface roughness, planetary boundary layer, 강수량 오염 농도: PM10, CO, NO2, SO2, O3 오염 농도 변수는 각 지점에서 측정될 수 있고, CMAQ 모델로 예측할 수 있다. CMAQ 모델로 예측한 변수(elemental carbon, 암모니움, 질산염, 기타 미세 오염 물질 농도)를 합쳐서 적용했을 때, 모델의 성능 향상됨. 6개의 sota ML 모델을 적용해 성능을 서로 비교. 결론적으로 LSTM 모델이 가장 좋음. tree-based ML model: XGBoost, LightGBM ..
[논문리뷰] A Long Short-Term Memory (LSTM) Network forHourly Estimation of PM 2.5 Concentration in Two Cities of South Korea(2020)1시간 뒤 PM2.5 농도 예측, 2개 도시에서 수행. Objective PM 2.5과 상관관계를 가지는 변수(feature) 분석 기상 변수: 온도, 풍향, 상대습도, surface roughness, planetary boundary layer, 강수량 오염 농도: PM10, CO, NO2, SO2, O3 오염 농도 변수는 각 지점에서 측정될 수 있고, CMAQ 모델로 예측할 수 있다. CMAQ 모델로 예측한 변수(elemental carbon, 암모니움, 질산염, 기타 미세 오염 물질 농도)를 합쳐서 적용했을 때, 모델의 성능 향상됨. 6개의 sota ML 모델을 적용해 성능을 서로 비교. 결론적으로 LSTM 모델이 가장 좋음. tree-based ML model: XGBoost, LightGBM ..
2021.12.27 -
주제: 미세먼지의 계절적인 관련성과 산업별 대기 오염군의 관련성을 비교 검증. 데이터: 시간 단위, 15년, 24개 지역 기상 변수: 기온, 강수량, 풍향, 풍속, 상대습도 농도 변수: SO2, NO2, CO, O3, PM10, PM2.5 결론 봄, 겨울철에 청정지역에서 풍속과 풍향, 온도의 변화에 따른 영향을 받고 있음. 오후 4시에 O3 이 증가하고 오후 8시에 NO2 와 SO2 가 증가하여 미세먼지 유발물질이 햇볕의 변화에 따른 온 도 변화와 관련이 있음. 백령도는 제주도에 비해 화학물질의 농도가 높고, 외부의 영향을 크게 받음. PM10과 PM2.5의 상관관계가 높으면 두 수치의 오염원이 그 지역 주변에서 발생했다고 가정할 수 있고, 상관관계가 낮으면 PM2.5는 외부에서 유입됐다고 가정할 수 있..
[논문 insight] 오염 요인별 지역선정을 통한 대기-기상자료의 미세먼지 인과관계 검증(국내, 2017)주제: 미세먼지의 계절적인 관련성과 산업별 대기 오염군의 관련성을 비교 검증. 데이터: 시간 단위, 15년, 24개 지역 기상 변수: 기온, 강수량, 풍향, 풍속, 상대습도 농도 변수: SO2, NO2, CO, O3, PM10, PM2.5 결론 봄, 겨울철에 청정지역에서 풍속과 풍향, 온도의 변화에 따른 영향을 받고 있음. 오후 4시에 O3 이 증가하고 오후 8시에 NO2 와 SO2 가 증가하여 미세먼지 유발물질이 햇볕의 변화에 따른 온 도 변화와 관련이 있음. 백령도는 제주도에 비해 화학물질의 농도가 높고, 외부의 영향을 크게 받음. PM10과 PM2.5의 상관관계가 높으면 두 수치의 오염원이 그 지역 주변에서 발생했다고 가정할 수 있고, 상관관계가 낮으면 PM2.5는 외부에서 유입됐다고 가정할 수 있..
2021.12.27