• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.1013-1017
• /
• 2008

이 연구는 기상수치예보 모델 중 지역수치예보모델인 RDAPS 모델을 이용하여 강우자료를 예측한 값과 실제 강우관측지점에서의 강우량을 비교해 보고 RDAPS 예측량의 정확도를 높이기 위한 연구이다. RDAPS 모델의 자료는 00UTC와 12UTC에 3시간 누적 자료를 48시간에 대해서 생성하고, 30km 격자망에 대한 정보를 담고 있기 때문에 1시간 간격으로 측정된 지점 강우량과의 비교를 위해서는 관측지점과 근거리 정보를 찾고 1시간 간격의 관측 자료를 3시간 누적강우량으로 바꾸는 전처리 과정이 필요하다. 실제 강우예측이 어려움을 겪는 것처럼 RDAPS의 예측 강우량과 관측 강우량은 큰 차이를 보이는 것으로 나타났다. 예측 강우량의 정확도를 높이고자 인공신경망을 적용하였다. 인공신경망이란 뇌기능의 특성 몇가지를 컴퓨터 시뮬레이션으로 표현하는 것을 목표로 하는 수학 모델이다. 강우수치예측 자료 외에도 RDAPS 모델에서 얻을 수 있는 풍향, 풍속, 상대습도, 기압, 온도 등의 다른 수치자료들을 이용하여 인공신경망을 이용하여 자료들의 패턴을 시뮬레이션 하여 정확도가 높은 예측값을 얻을 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.269-273
• /
• 2008

기상청(KMA, Korea Meteorological Administration)에서는 기상수치예보모델을 적용하여 수치예보를 하고 있으며 전지구 모델로는 GDAPS(Global Date Assimilation and Prediction System)를 지역모델은 RDAPS(Regional Date Assimilation and Prediction System)를 사용하고 있다. 수치예보결과를 이용하여 유출량을 예측할 경우 일반적으로 해상도가 높은 지역모델인 RDAPS의 수치예보 결과값을 사용한다. RDAPS는 00UTC와 12UTC에 3시간으로 누적된 자료를 30km 격자에 대하여 예측시간으로부터 48시간에 대하여 자료를 생성한다. 일강우자료를 입력자료로 사용하는 강우-유출 모형의 경우 3시간 누적 자료를 나타나는 RDAPS 수치예보 결과를 이용 시 3시간 scale에서 일(day)시간 scale로 변환시켜주어야 한다. 본 연구에서는 RDAPS의 수치예보 결과의 일(day)시간 scale 변환 방법에 따른 정확도를 비교하여 RDAPS 수치예보 결과의 일(day)시간 scale 변환에 대한 정확도를 비교하여 일(day)시간 scale 변환에 대한 지침을 제공하고자 한다. RDAPS 수치예보 결과값의 특징을 이용하여 RDAPS 결과값을 일(day)시간 scale로 변환하는 방법으로 총 9개방법을 적용하였으며, 참 값으로는 기상청 강수자료를 사용하였으며, 금강유역을 대상으로 유역평균강수량을 계산하여 각 변환 방법에 따른 정확도를 비교하였다.

• Atmosphere
• /
• v.19 no.2
• /
• pp.145-154
• /
• 2009

This study compared the sea surface wind pattern between model results from KMA operational model (RDAPS) and retrieved results from QuickSCAT in the 2006-2007 year. The mean spatial distributions of sea surface wind of RDAPS and QuikSCAT show the prominent seasonal patterns of summer and winter season adjacent to Korean Peninsular. The magnitude of sea surface wind predicted by RDAPS is weaker than that of QuikSCAT in most north Pacific ocean. In summer of 2006 positive bias with the maximum of 1 m/s is appeared in broad region of north Pacific ocean, however. the positive bias region is decreased to small region in 2007. Even though the predicted sea wind by RDAPS is stronger(weaker) than observed one by QuikSCAT in summer (winter), the RDAPS model simulate well the sea surface wind adjacent to Korean peninsular.

• Journal of Korea Water Resources Association
• /
• v.44 no.12
• /
• pp.967-974
• /
• 2011

Based on daily time series from RDAPS numerical weather forecast, Streamflow prediction was simulated and the result of ESP analysis was implemented considering quantitative mid- and long-term forecast to compare the results and review applicability. The result of ESP, ESP considering quantitative weather forecast, and flow forecast from RDAPS numerical weather forecast were compared and analyzed with average observed streamflow in Guem River Basin. Through this process, the improvement effect per method was estimated. The result of ESP considering weather information was satisfactory relatively based on long-term flow forecast simulation result. Discrepancy ratio analysis for estimating accuracy of probability forecast had similar result. It is expected to simulate more accurate flow forecast for RDAPS numerical weather forecast with improved daily scenario including time resolution, which is able to accumulate 3 hours rainfall or continuous simulation estimation.

• Journal of Korea Water Resources Association
• /
• v.44 no.3
• /
• pp.221-230
• /
• 2011

The climate change has been observed in Korea as well as in the entire world recently. The rainstorm has been gradually increased and then the damage has been grown. It is getting important to predict short-term rainfall. The Korea Meteorological Administration (KMA) generates numerical model outputs which are computed by Global Data Assimilation and Prediction System (GDAPS) and Regional Data Assimilation and Prediction System (RDAPS). The KMA predicts rainfall using RDAPS results. RDAPS model generates 48 hours data which is organized 3 hours data accumulated at 00UTC and 12UTC. RDAPS results which are organized 3 hours time scale are converted into daily rainfall to compare observed daily rainfall. In this study, 9 cases are applied to convert RDAPS results to daily rainfall data. The MAP (mean areal precipitation) in Geum river basin are computed by using KMA which are 2005 are used. Finally, the best case which gives the close value to the observed rainfall data is obtained using the average absolute relative error (AARE) especially for the Geum River basin.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2009.05a
• /
• pp.23-26
• /
• 2009

효과적인 저수지 운영을 위해 가장 중요한 절차는 저수지 유입량을 적절하게 모의하는 것이다. 실시간 저수지 운영의 경우 기존의 물리적인 강우-유출현상에 기초한 수학적인 모형을 이용해서 유입량을 예측하는데 한계가 있으므로 인공신경망과 같이 자료의 특성에 기반한 모형이 효율적인 대안이 될 수 있다. 본 연구에서는 인공신경망(Artificial neural network, ANN)을 이용하여 실시간 저수지 운영을 위해 현재시간을 기준으로 3시간 후, 6시간 후, 9시간 후, 12시간 후의 유입량을 예측하였다. 본 연구의 대상지역은 한강수계의 화천댐 유역으로 기상청 수치예보자료인 RDAPS(Regional Data Assimilation and Prediction System)자료 중에서 강우예측자료를 사용하였다. RDAPS 강우예측자료를 이용한 예측값 결과와 비교하기 위해 지점 강우자료를 사용하였으며, 이 지점 강우자료는 화천댐 유역에 있는 AWS, 기상청, 국토해양부의 지점자료을 이용하였다. RDAPS 강우예측값만을 이용한 유입량 예측결과가 과거 12시간 강우 누적값을 이용한 유입량 예측값과 비슷한 정확도를 가지는 것을 알 수 있었으며, 자료의 효율적인 취득을 고려해야만 하는 실시간 운영의 경우, RDAPS 강우예측자료와 인공신경망을 이용한 모형이 충분히 효과적인 대안이 될 수 있음을 알 수 있다.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.28 no.5B
• /
• pp.485-493
• /
• 2008

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.

• Journal of Korea Water Resources Association
• /
• v.38 no.1
• /
• pp.11-23
• /
• 2005

The objective of this study is to develop a short-term precipitation-streamflow coupling method for real-time river flow forecast. The coupled method is based on the RDAPS model for precipitation and atmospheric simulation and the SFM model for streamflow simulation. The selected study area is the 2,703-km$^2$ Soyang River basin with outlet at Soyang dam site. The rainfall-runoff event from 18 to 24 July 2003 is selected for the performance test of predicted precipitation and streamflow. It can be seen that the simulated basin-scale precipitation from the RDAPS can be useable as an input for SFM hydrologic model. Short-term hydrometeorological simulations using the RDAPS and SFM model were well captured important hydrometeorological characteristics in this study area. It is concluded that atmospheric precipitation forecast would be useful for streamflow forecast.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2004.05b
• /
• pp.308-312
• /
• 2004

본 연구에서는 기상 수치모델의 예측강우량을 활용하여 단시간 하천유출량을 계산할 수 있는 기상-수자원 연계기법을 개발하였다. 이를 위해 기상청의 RDAPS 강수자료와 수자원공사의 치수모델인 KOWACO 모델을 통해 소양강댐 상류유역의 댐유입량을 계산하고 그 정확도를 분석하려다. 대상 사례기간인 2003년 7월 18일부터 2003년 7월 24일까지 RDAPS 강우예측자료의 정확도를 평가한 결과, RDAPS 및 AWS MAP 사이의 정성적 평가에서 매우 우수한 정확도를 보이고, 수자원 측면에서 필요한 정량적 성격을 어느 정도 충족시키는 것으로 나타났다. RDAPS-KOWACO 연계 모형의 하천유출량 계산에서도 그 정확도가 비교적 높은 것으로 검토되어 현재의 하천 유출량 예측에서 기상 수치예보자료의 활용성은 매우 놀은 것으로 사료된다.

• Atmosphere
• /
• v.21 no.4
• /
• pp.497-506
• /
• 2011

Korean mid- and upper-level aviation turbulence guidance (KTG) system is developed using the unified model (UM)-based regional data assimilation and prediction system (RDAPS) of the Korea Meteorological Administration. The KTG system includes three steps. First, the KTG system calculates a suite of diagnostics in the UM-RDAPS domain. Second, component diagnostics that have different units and numerical magnitudes are normalized into the values between 0 and 1, according to their own thresholds in the KTG system. Finally, normalized diagnostics are combined into one KTG predictor by measuring the weighting scores based on the probability of detection, which is calculated using the observed pilot reports (PIREPs) exclusively of moderate-or-greater (MOG) and null (NIL) intensities. To investigate the optimal performance of the KTG system, two types (RD-KTG and UM-KTG) of the KTG systems are developed and evaluated using the PIREPs over Korea and East Asia. Component diagnostics and their thresholds in the RD-KTG are founded on the 8-yrs (2002.12-2010.11) MM5-based RDAPS (previous version of the RDAPS; ${\Delta}x$ = 30 km) and PIREPs data, while those in the UM-KTG are based on the 6 months (2010.12-2011.5) UM-based RDAPS (${\Delta}x$ = 12 km) and PIREPs data. In comparison between the RD-KTG and UM-KTG, overall performance of the UM-KTG (0.815) is better than that of the RD-KTG (0.79) during the recent 6 months, because forecasting skill for the upper-level wind is higher in the UM-RDAPS than in the MM5-RDAPS. It is also found that the UM-KTG is more efficient than the RD-KTG according to the statistical evaluations and sensitivity tests to the number of component diagnostics.