[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR102347925B1 - 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법 - Google Patents

기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102347925B1
KR102347925B1 KR1020200150314A KR20200150314A KR102347925B1 KR 102347925 B1 KR102347925 B1 KR 102347925B1 KR 1020200150314 A KR1020200150314 A KR 1020200150314A KR 20200150314 A KR20200150314 A KR 20200150314A KR 102347925 B1 KR102347925 B1 KR 102347925B1
Authority
KR
South Korea
Prior art keywords
disaster
area
image
weather
risk
Prior art date
Application number
KR1020200150314A
Other languages
English (en)
Inventor
이예슬
Original Assignee
이예슬
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이예슬 filed Critical 이예슬
Priority to KR1020200150314A priority Critical patent/KR102347925B1/ko
Application granted granted Critical
Publication of KR102347925B1 publication Critical patent/KR102347925B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G06T3/0093—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Emergency Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템에 관한 것이다. 본 발명에 따르면, 구름 상단 온도에 따라 서로 다른 색상으로 표시된 기상 관측 이미지를 기상 위성으로부터 수신하는 기상 관측 이미지 수신부, 기상 관측 이미지를 고해상도 이미지로 변환하는 이미지 변환부, 특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지를 획득하는 재난 이미지 획득부, 고해상도 이미지 및 재난 이미지를 이용하여 최종 위험 지역을 선별하는 최종 위험 지역 선별부, 그리고, 최종 위험 지역으로 판단되면 해당 지역에 경고 알람을 수행하는 알람부를 더 포함할 수 있다. 또한, 상기 재난 이미지 획득부는, 일정기간 동안 상기 특정 지역에서 발생한 홍수, 산사태 및 자연 재해에 의한 사상자수에 대한 통계를 기반으로 하여 재난 위험도를 등급화하고, 재난 위험도의 등급에 따라 서로 다른 색상으로 구분하여 표시할 수 있다.
이와 같이 본 발명에 따르면, 기상 관측 이미지와 특정 지역에 대한 재난 이미지를 이용하여 최종 위험 지역을 선별하여 위험이 발생할 지역을 미리 예측하고 예보함으로써, 예보의 질적 향상을 높일 수 있다.
또한, 기상 관측 이미지의 해상도를 향상시켜 왜곡이 발생하지 않는 기상 관측 이미지를 제공함으로써, 재해 범위의 정확성을 향상시킬 수 있다.

Description

기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법 {SYSTEM FOR PREDICTING METEOROLOGICAL DISASTER DANGER AREA USING HIGH RESOLUTION IMAGE AND METHOD THE SAME}
본 발명은 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템에 관한 것으로, 더욱 상세하게는 기상 관측 이미지와 특정 지역에 대한 재난 이미지를 이용하여 최종 위험 지역에 대한 예보를 하는 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법에 관한 것이다.
최근 재난, 재해, 이상 자연현상이 지구촌에서 발생하고 있고, 사회적 및 경제적으로 큰 피해를 주고 있다. 특히, 예기치 않은 자연 재해가 최근의 따뜻한 기후에서 더 빈번하고 집중적으로 나타나고 있으며, 이러한 이상 자연현상에 의한 재난원인으로는 폭풍, 호우, 대설, 홍수, 해일 및 지진 등이 있다.
따라서, 기상이변 현상에 따라 전 세계적으로 태풍, 폭설, 산사태와 같은 자연재해 피해가 증가되고 있고, 특히, 동남 아시아는 열대성 저기압, 홍수, 가뭄 및 해수면 상승과 같은 기후 관련 위험의 결합으로 인해 가장 피해가 많은 지역이다.
이에 따라, 국토, 기상, 해양, 환경, 산림 등의 분야에서 시공간적 관측 제약이 적은 위성정보를 활용하여 대규모 재난의 영향을 신속하게 분석하고 있으며, 인공위성으로부터 수신된 이미지 자료의 해상도가 높을수록 정밀한 분석이 가능하다.
하지만, 해상도가 고정된 채로 인공위성으로부터 이미지를 수신함으로써, 비교적 해상도가 낮은 이미지가 획득된다. 이미지의 해상도가 낮을 경우, 재해 반경이나 신호를 해석하는데 오류가 날 수 있는 문제점이 있다. 또한, 위성 자료를 검증 자료로써 이용하는 경우, 해상도가 낮은 이미지는 검증자료 채택이 불가능하여 사용할 수 없다는 문제점이 있다.
본 발명의 배경이 되는 기술은 대한민국 국내공개특허 제10-1944616호 (2019.01.25 등록)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 기상 관측 이미지와 특정 지역에 대한 재난 이미지를 이용하여 최종 위험 지역에 대한 예보를 하는 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따르면, 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템에 있어서, 구름 상단 온도에 따라 서로 다른 색상으로 표시된 기상 관측 이미지를 기상 위성으로부터 수신하는 기상 관측 이미지 수신부, 상기 기상 관측 이미지를 고해상도 이미지로 변환하는 이미지 변환부, 특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지를 획득하는 재난 이미지 획득부, 그리고 상기 고해상도 이미지 및 상기 재난 이미지를 이용하여 최종 위험 지역을 선별하는 최종 위험 지역 선별부를 포함한다.
상기 최종 위험 지역으로 판단되면 해당 지역에 경고 알람을 수행하는 알람부를 더 포함할 수 있다.
상기 재난 이미지 획득부는, 일정기간 동안 상기 특정 지역에서 발생한 홍수, 산사태 및 자연 재해에 의한 사상자수에 대한 통계를 기반으로 하여 재난 위험도를 등급화하고, 재난 위험도의 등급에 따라 서로 다른 색상으로 구분하여 표시할 수 있다.
상기 기상 관측 이미지는 적외 채널 이미지를 포함하며, 상기 이미지 변환부는, 2N*2N의 픽셀 사이즈로 구분된 기상 관측 이미지를 N*N의 픽셀 사이즈로 변환하여 고해상도 이미지를 생성할 수 있다.
상기 최종 위험 지역 선별부는, 상기 특정 지역 중에서 상기 구름 상단 온도가 가장 낮은 등급에 해당하고, 재난 위험도가 가장 높은 등급을 가지는 지역을 최종 위험 지역으로 선별할 수 있다.
본 발명의 다른 실시예에 따르면, 기상 재해 위험 지역 예측 시스템을 이용한 기상 재해 위험 지역 예측 방법에 있어서, 구름 상단 온도에 따라 서로 다른 색상으로 표시된 기상 관측 이미지를 기상 위성으로부터 수신하는 단계, 상기 기상 관측 이미지를 고해상도 이미지로 변환하는 단계, 특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지를 획득하는 단계, 그리고 상기 고해상도 이미지 및 상기 재난 이미지를 이용하여 최종 위험 지역을 선별하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 기상 관측 이미지와 특정 지역에 대한 재난 이미지를 이용하여 최종 위험 지역을 선별하여 위험이 발생할 지역을 미리 예측하고, 예보함으로써 예보의 질적 향상을 높일 수 있다.
또한, 기상 관측 이미지의 해상도를 향상시켜 왜곡이 발생하지 않는 기상 관측 이미지를 제공함으로써, 재해 범위의 정확성을 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템의 구성을 나타낸 구성도이다.
도 2는 본 발명의 실시예에 따른 기상 재해 위험 지역 예측 시스템을 이용한 기상 재해 위험 지역 예측 방법을 설명하기 위한 순서도이다.
도 3는 도 2의 S210 단계에서 설명한 기상 관측 이미지를 나타낸 예시도이다.
도 4은 도 2의 S230 단계에서 설명한 재난 이미지를 나타낸 예시도이다.
도 5는 도 2의 S240 단계에서 기상 관측 이미지 및 재난 이미지를 이용하여 최종 위험 지역을 선별하는 과정을 설명하기 위한 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
이하에서는 도 1을 이용하여 본 발명의 실시예에 따른 기상 재해 위험 지역 예측 시스템(100)을 설명한다.
도 1은 본 발명의 실시예에 따른 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템의 구성을 나타낸 구성도이다.
도 1에서 나타낸 바와 같이, 본 발명의 실시예에 따른 기상 재해 위험 지역 예측 시스템(100)는 기상 관측 이미지 수신부(110), 이미지 변환부(120), 재난 이미지 획득부(130), 최종 위험 지역 선별부(140) 및 알람부(150)를 포함한다.
먼저, 기상 관측 이미지 수신부(110)는 구름 상단 온도에 따라 서로 다른 색상으로 표시된 기상 관측 이미지(10)를 기상 위성으로부터 수신한다. 수신된 기상 관측 이미지(10)에서 구름 상단 온도가 가장 낮은 등급을 갖는 영역을 위험 지역으로 선정한다.
다음으로, 이미지 변환부(120)는 2N*2N의 픽셀 사이즈로 구분된 기상 관측 이미지(10)를 N*N 픽셀 사이즈의 고해상도 이미지로 변환시킨다.
이때, 기상 관측 이미지(10)는 인공지능 모델 중 하나인 GAN(Generative Adversarial Networks) 모델을 적용하여 변환된다.
다음으로, 재난 이미지 획득부(130)는 특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지(20)를 획득한다.
이때, 재난 이미지(20)에서의 위험도 등급은 사상자의 수치에 따라 총 4가지 색상으로 구분되며, 대상 위험 지역은 사상자의 수치가 가장 많은 지역으로 선정한다.
다음으로, 최종 위험 지역 선별부(140)는 기상 관측 이미지(10)에서 구름 상단 온도가 가장 낮은 등급과 재난이미지(20)에서 재난 위험도가 가장 높은 등급이 일치하는 지역을 최종 위험 지역으로 선별한다.
다음으로, 알람부(150)는 선별된 최종 위험 지역이 위험이 발생할 지역으로 예측하고, 해당 지역에 예보를 수행한다.
이하에서는 도 2 내지 도 5을 이용하여 본 발명의 실시예에 따른 기상 재해 위험 지역 예측 시스템(100)를 이용한 기상 재해 위험 지역 예측 방법을 설명한다.
도 2는 본 발명의 실시예에 따른 기상 재해 위험 지역 예측 시스템을 이용한 기상 재해 위험 지역 예측 방법을 설명하기 위한 순서도이다.
먼저, 기상 관측 이미지 수신부(110)는 기상 위성으로부터 기상 관측 이미지(10)를 수신한다(S210).
이때, 기상 관측 이미지(10)는 적외 채널 이미지를 포함하고, 적외 채널 이미지는 지상으로부터 대류권의 영향을 가장 적게 받는 영역으로 대기 관측에 유리한 이미지를 의미한다.
도 3는 도 2의 S210 단계에서 설명한 기상 관측 이미지를 나타낸 예시도이다.
도 3에 나타낸 것처럼, 기상 관측 이미지(10)는 기상청으로부터 1시간 간격으로 제공받는 공간해상도 4km의 위성 이미지를 포함할 수 있다.
이때, 기상 관측 이미지(10)는 밝기 온도에 따라 영역이 총 5가지로 구분된다. 밝기 온도는 완벽하게 방사율이 100%인 상태로 가정한 물체에서 방출된 복사량을 온도로 변화한 값이고, 구름상단온도를 도출하기 위하여 구름은 입사하는 모든 복사선을 완전히 흡수하는 흑체로 간주한다. 즉, 구름상단온도가 -40℃이면 무색, -40℃미만 -50℃이상이면 파란색, -50℃미만 -60℃이상이면 밝은 하늘색, -60℃미만 -80℃이상이면 보라색, -80℃미만이면 빨간색으로 구분하여 나타낸다.
그리고, 기상 관측 이미지(10)에서의 윤곽선은 온도가 가장 낮은 구름 상단의 가장자리를 나타내므로 높게 발달한 구름일수록 등고선의 영역이 넓게 표시된다.
이때, 등고선의 색과 영역은 구름의 수직 성장과 강도에 해당되며, 구름 상단 온도의 절대값이 클수록 더 높은 수직 성장과 강도를 의미한다.
따라서, 일반적으로 -80℃ 미만인 빨간색에 해당되는 영역은 대류권계면까지 도달하는 높은 구름을 의미하고, 강한 돌풍이나 눈, 비를 유발할 가능성이 높아 자연 재해 피해가 예상되는 위험 지역에 속하게 된다.
따라서, 기상 관측 이미지(10)에서 빨간색 영역으로 표시된 지역은 대상 위험 지역이 될 수 있으며, 특히, 빨간색 영역이 많이 분포되어 있는 네팔은 자연 재해 피해가 예상되므로, 빨간색 네모 박스로 블록화하여 표시하였다.
이때, 대상 위험 지역에 해당되는 부분은 서로 다른 색상이나 형태의 박스로 블록화하여 표시할 수 있다.
다음으로, 이미지 변환부(120)는 인공지능 모델 중 하나인 GAN을 이용하여 기상 관측 이미지(10)를 고해상도의 이미지로 변환한다(S220).
이때, GAN 모델은 회귀생성을 담당하는 두 개의 모델(생성자 G)과 분류를 담당하는 모델(판별자 D)로 구성된다. GAN은 판별자 D인 분류모델을 먼저 학습시킨 후, 생성자 G인 생성 모델을 학습시키는 과정을 서로 반복하면 생성자 G와 판별자 D가 서로의 성능을 개선해 적대적으로 경쟁해 나가는 모델을 말하며, 결과적으로 생성모델은 진짜 데이터와 유사한 가짜 데이터를 만들 수 있게 된다.
즉, 이미지 변환부(120)는 GAN 모델을 이용함으로써, 2N*2N의 픽셀 사이즈인 저해상도 이미지를 N*N의 픽셀 사이즈인 고해상도 이미지로 변환한다.
다음으로, 재난 이미지 획득부(130)는 특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지(20)를 획득한다(S230).
이때, 재난 이미지(20)는 일정기간 동안 특정 지역에서 발생한 홍수, 산사태 및 자연 재해에 의한 사상자수에 대한 통계를 기반으로 하여 재난 위험도를 등급하고, 재난 위험도의 등급에 따라 서로 다른 색상으로 구분하여 표시한다.
도 4은 도 2의 S230 단계에서 설명한 재난 이미지를 나타낸 예시도이다.
도 4에 도시한 재난 이미지(20)는 네팔 지역의 105년 동안의 홍수로 인한 사상자 분포도를 예시적으로 나타낸다.
이때, 재난 이미지(20)는 사상자 수치에 따라 총 4가지로 구분되며, 15명 이하인 경우 연한 노란색, 16명 이상 166이하는 진한 노란색, 167명 이상 498명 이하는 갈색, 499명 이상 6486명 이하는 고동색으로 표시한다.
이로 인해, 재난 이미지(20)에서의 색상이 진할수록, 사상자 수가 많음을 의미하고, 홍수 위험 수치가 높다고 판단한다.
따라서, 재난 이미지(20)에서 대상 위험 지역은 사상자 수가 많은 고동색 영역으로 선정한다.
다음으로, 최종 위험 지역 선별부(140)는 고해상도의 기상 관측 이미지(10)와 재난 이미지(20)를 이용하여 최종 위험 지역을 선별한다(S240).
도 5는 도 2의 S240 단계에서 기상 관측 이미지 및 재난 이미지를 이용하여 최종 위험 지역을 설명하기 위한 예시도이다.
도 5와 같이, 최종 위험 지역 선별부(140)는 고해상도의 기상 관측 이미지(10)에서 구름상단온도가 가장 낮은 등급인 빨간색 영역과 재난 이미지(20)에서 사상자 수치가 가장 많은 등급인 고동색 영역이 일치되는 지역을 최종 위험 지역으로 선별한다.
다음으로, 알람부(150)는 선별된 최종 위험 지역에 경고 알람을 수행한다(S250).
즉, 알람부(150)는 기상 관측 이미지(10)의 정보와 재난 이미지(20)의 정보를 이용하여 산출된 최종 위험 지역에 대하여 재난에 위험한 지역으로 미리 예측할 수 있고, 해당 지역에 위험을 경고 또는 예보할 수 있다.
이와 같이 본 발명의 실시예에 따르면, 기상 관측 이미지와 특정 지역에 대한 재난 이미지를 이용하여 최종 위험 지역을 선별하여 위험이 발생할 지역을 미리 예측하고 예보함으로써, 예보의 질적 향상을 높일 수 있다.
또한, 기상 관측 이미지의 해상도를 향상시켜 왜곡이 발생하지 않는 기상 관측 이미지를 제공함으로써, 재해 범위의 정확성을 향상시킬 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
10: 기상 관측 이미지, 20: 재난 이미지,
100: 기상 재해 위험 지역 예측 시스템, 110: 기상 관측 이미지 수신부,
120: 이미지 변환부, 130: 재난 이미지 획득부,
140: 최종 위험 지역 선별부, 150: 알람부

Claims (10)

  1. 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템에 있어서,
    구름 상단 온도에 따라 서로 다른 색상으로 표시된 기상 관측 이미지를 기상 위성으로부터 수신하는 기상 관측 이미지 수신부,
    상기 기상 관측 이미지를 고해상도 이미지로 변환하는 이미지 변환부,
    특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지를 획득하는 재난 이미지 획득부, 그리고
    상기 고해상도 이미지 및 상기 재난 이미지를 이용하여 최종 위험 지역을 선별하는 최종 위험 지역 선별부를 포함하며,
    상기 최종 위험 지역 선별부는,
    상기 특정 지역 중에서 상기 구름 상단 온도가 가장 낮은 등급에 해당하고, 재난 위험도가 가장 높은 등급을 가지는 지역을 최종 위험 지역으로 선별하는 기상 재해 위험 지역 예측 시스템.
  2. 제1항에 있어서,
    상기 최종 위험 지역으로 판단되면 해당 지역에 경고 알람을 수행하는 알람부를 더 포함하는 기상 재해 위험 지역 예측 시스템.
  3. 제1항에 있어서,
    상기 재난 이미지 획득부는,
    일정기간 동안 상기 특정 지역에서 발생한 홍수, 산사태 및 자연 재해에 의한 사상자수에 대한 통계를 기반으로 하여 재난 위험도를 등급화하고, 재난 위험도의 등급에 따라 서로 다른 색상으로 구분하여 표시하는 기상 재해 위험 지역 예측 시스템.
  4. 제1항에 있어서,
    상기 기상 관측 이미지는 적외 채널 이미지를 포함하며,
    상기 이미지 변환부는,
    2N*2N의 픽셀 사이즈로 구분된 기상 관측 이미지를 N*N의 픽셀 사이즈로 변환하여 고해상도 이미지를 생성하는 기상 재해 위험 지역 예측 시스템.
  5. 삭제
  6. 기상 재해 위험 지역 예측 시스템을 이용한 기상 재해 위험 지역 예측 방법에 있어서,
    구름 상단 온도에 따라 서로 다른 색상으로 표시된 기상 관측 이미지를 기상 위성으로부터 수신하는 단계,
    상기 기상 관측 이미지를 고해상도 이미지로 변환하는 단계,
    특정 지역에 대한 재난 위험도에 따라 색상 별로 구분하여 표시한 재난 이미지를 획득하는 단계, 그리고
    상기 고해상도 이미지 및 상기 재난 이미지를 이용하여 최종 위험 지역을 선별하는 단계를 포함하며,
    상기 최종 위험 지역을 선별하는 단계는,
    상기 특정 지역 중에서 상기 구름상단온도가 가장 낮은 등급에 해당하고, 재난 위험도가 가장 높은 등급을 가지는 지역을 최종 위험 지역으로 선별하는 기상 재해 위험 지역 예측 방법.
  7. 제6항에 있어서,
    상기 위험 지역으로 판단되면 해당 지역에 경고 알람을 수행하는 단계를 더 포함하는 기상 재해 위험 지역 예측 방법.
  8. 제6항에 있어서,
    상기 재난 이미지를 획득하는 단계는,
    일정기간 동안 상기 특정 지역에서 발생한 홍수, 산사태 및 자연 재해에 의한 사상자수에 대한 통계를 기반으로 하여 재난 위험도를 등급화하는 단계, 그리고
    재난 위험도의 등급에 따라 서로 다른 색상으로 구분하여 표시하는 단계를 포함하는 기상 재해 위험 지역 예측 방법.
  9. 제6항에 있어서,
    상기 기상 관측 이미지는 적외 채널 이미지를 포함하며,
    상기 고해상도 이미지로 변환하는 단계는,
    2N*2N의 픽셀 사이즈로 구분된 기상 관측 이미지를 N*N의 픽셀 사이즈로 변환하여 고해상도 이미지를 생성하는 기상 재해 위험 지역 예측 방법.
  10. 삭제
KR1020200150314A 2020-11-11 2020-11-11 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법 KR102347925B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200150314A KR102347925B1 (ko) 2020-11-11 2020-11-11 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200150314A KR102347925B1 (ko) 2020-11-11 2020-11-11 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102347925B1 true KR102347925B1 (ko) 2022-01-06

Family

ID=79347595

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200150314A KR102347925B1 (ko) 2020-11-11 2020-11-11 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102347925B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035182A (zh) * 2022-06-06 2022-09-09 桂林理工大学 一种山区滑坡灾害预警方法及系统
KR20240076559A (ko) 2022-11-22 2024-05-30 주식회사 씨에스리 대설의 실시간 피해 위험도 분석 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101531324B1 (ko) * 2014-11-21 2015-06-24 (주)더퍼스트아이씨티 지아이에스(gis)를 이용한 재난재해 지역별 평가시스템
KR20160099931A (ko) * 2015-02-13 2016-08-23 대한민국(국민안전처 국립재난안전연구원장) 재난 위험 및 관심 지역에 대한 재난 예방 및 관리방법
KR20200071042A (ko) * 2018-12-10 2020-06-18 이화여자대학교 산학협력단 열대성 뇌우 발생 예측 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101531324B1 (ko) * 2014-11-21 2015-06-24 (주)더퍼스트아이씨티 지아이에스(gis)를 이용한 재난재해 지역별 평가시스템
KR20160099931A (ko) * 2015-02-13 2016-08-23 대한민국(국민안전처 국립재난안전연구원장) 재난 위험 및 관심 지역에 대한 재난 예방 및 관리방법
KR20200071042A (ko) * 2018-12-10 2020-06-18 이화여자대학교 산학협력단 열대성 뇌우 발생 예측 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035182A (zh) * 2022-06-06 2022-09-09 桂林理工大学 一种山区滑坡灾害预警方法及系统
CN115035182B (zh) * 2022-06-06 2024-03-29 桂林理工大学 一种山区滑坡灾害预警方法及系统
KR20240076559A (ko) 2022-11-22 2024-05-30 주식회사 씨에스리 대설의 실시간 피해 위험도 분석 장치 및 방법

Similar Documents

Publication Publication Date Title
Bombardi et al. Detection, variability, and predictability of monsoon onset and withdrawal dates: A review
Mirici et al. Land use/cover change modelling in a Mediterranean rural landscape using multi-layer perceptron and Markov chain (MLP-MC).
US7043368B1 (en) Method and system for creating visualizations of future weather conditions
CN105740642B (zh) 基于多源遥感数据的modis卫星火点准确性判别方法
KR102347925B1 (ko) 기상 관측 이미지를 이용한 기상 재해 위험 지역 예측 시스템 및 그 방법
CN107356926A (zh) 基于Hu矩的差值云团外推降雨预测算法
Alonso-Montesinos et al. The application of Bayesian network classifiers to cloud classification in satellite images
Rigo et al. Forecasting hailfall using parameters for convective cells identified by radar
Gambo et al. Monitoring and predicting land use-land cover (LULC) changes within and around krau wildlife reserve (KWR) protected area in Malaysia using multi-temporal landsat data
Wu et al. Analysis on the damage and recovery of typhoon disaster based on UAV orthograph
Marsouin et al. Six years of OSI-SAF METOP-A AVHRR sea surface temperature
Guo et al. Correction of sea surface wind speed based on SAR rainfall grade classification using convolutional neural network
Farnell et al. The Lightning Jump, the 2018 “Picking up Hailstones” Campaign and a Climatological Analysis for Catalonia for the 2006–2018 Period
Mohan et al. A hurricane wind risk and loss assessment of Caribbean agriculture
Korznikov et al. Tropical cyclones moving into boreal forests: Relationships between disturbance areas and environmental drivers
Lasaiba Spatial-Temporal Variation of Land Use Changes In Ambon City
Mohd Kamal et al. Land use/land cover assessment in a seismically active region in Kundasang, Sabah
KR102373278B1 (ko) 지상기반 전천 영상자료를 이용한 야간 전운량 산출방법
KR102209866B1 (ko) 지상기반 전운량 자동 산출을 위한 왜곡 영상 전처리 방법
Aji et al. Multi-Temporal Data for Land Use Change Analysis Using a Machine Learning Approach (Google Earth Engine).
Müller et al. Avalanche Problem Solver (APS)–a decision support system for forecasters (part 1)
La et al. Different Observations of Sea Surface Wind Pattern Under Deep Convection by Sentinel-1 SARs, Scatterometers, and Radiometers in Collocation
Mitra Use of Remote Sensing in Weather and Climate Forecasts
Alliss et al. Realtime atmospheric decision aids in support of the lunar laser communications demonstration
Fenton Jr et al. Ceiling and Visibility Analysis Products Assessment

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant