All Issue

2020 Vol.13, Issue 2 Preview Page

Original Article

Prediction of Temperature and Heat Wave Occurrence for Summer Season Using Machine Learning

기계학습을 활용한 하절기 기온 및 폭염발생여부 예측

Young In Kim1
,
DongHyun Kim2
,
Seung Oh Lee3*
김 영인1
,
김 동현2
,
이 승오3*
1Master Course Student, Dept. of Civil Engineering, Hongik Univ.
2Ph.D Student, Dept. of Civil Engineering, Hongik Univ.
3Professor, Dept. of Civil Engineering, Hongik Univ.
1홍익대학교 토목공학과 석사과정
2홍익대학교 토목공학과 박사과정
3홍익대학교 토목공학과 교수
*Corresponding Author
30 June 2020. pp. 27-38
PDF XML Citation
Abstract

Climate variations have become worse and diversified recently, which caused catastrophic disasters for our communities and ecosystem including economic property damages in Korea. Heat wave of summer season is one of causes for such damages of which outbreak tends to increase recently. Related short-term forecasting information has been provided by the Korea Meteorological Administration based on results from numerical forecasting model. As the study area, the ○○ province was selected because of the highest mortality rate in Korea for the past 15 years (1998~2012). When comparing the forecasted temperatures with field measurements, it showed RMSE of 1.57°C and RMSE of 1.96°C was calculated when only comparing the data corresponding to the observed value of 33°C or higher. The forecasting process would take at least about 3~4 hours to provide the 4 hours advanced forecasting information. Therefore, this study proposes a methodology for temperature prediction using LSTM considering the short prediction time and the adequate accuracy. As a result of 4 hour temperature prediction using this approach, RMSE of 1.71°C was occurred. When comparing only the observed value of 33°C or higher, RMSE of 1.39°C was obtained. Even the numerical prediction model of the whole range of errors is relatively smaller, but the accuracy of prediction of the machine learning model is higher for above 33°C. In addition, it took an average of 9 minutes and 26 seconds to provide temperature information using this approach. It would be necessary to study for wider spatial range or different province with proper data set in near future.

Keywords
Temperature prediction
LSTM
Machine learning
Heat wave
Numerical forecast

최근 국내에서는 다양한 이상기후들이 발생하고 있으며 이로 인해 인명피해, 재산피해와 같은 큰 피해들이 발생하고 있다. 그 중에서도 폭염으로 인한 피해는 점점 증가하는 경향을 보인다. 이에 대처하기 위해서는 빠르고 정확한 기온 및 폭염발생여부 예측이 필수적이다. 현재 기상청에서는 폭염에 대한 정보를 단기예보를 통해 제공하는데, 단기예보를 위한 기온예측은 수치예보모델을 통해 수행된다. 과거 15년간(1998~2012년) 인구대비 폭염 사망률이 가장 높았던 ○○군에 대하여 2019년도 기온 예보자료와 관측 자료를 비교한 결과, 평균제곱근오차가 1.57°C 발생하였고, 관측 값이 33°C이상에 해당하는 데이터만 비교한 결과, 평균제곱근오차가 1.96°C 발생하였다. 예보시간은 4시간이고 예보과정에는 약 3~4시간이 소요된다. 이에 본 연구에서는 소요시간과 예측 정확도를 고려하여, 기계학습방법의 일종인 LSTM을 이용한 기온 및 폭염발생 예측 방법론을 제시한다. 기계학습모델을 이용한 4시간 기온예측결과 1.71°C의 평균제곱근오차가 발생하였고, 관측 값이 33°C 이상에 해당하는 데이터만 비교한 결과 1.39°C의 평균제곱근오차가 발생하였다. 전 범위의 오차는 수치예보모델이 더 작은 값을 가지지만, 33°C이상의 경우에는 기계학습모델 예측의 정확도가 더 높았다. 또한 수치예보를 이용한 경우 예상 소요시간이 4시간가량인 반면 기계학습을 이용한 기온예측에는 평균 9분26초의 시간이 소요되어 경제적이라 판단하였다. 향후 공간적인 범위를 확대하거나 대상 지역을 변경하는 일반적인 방안에 대해서 연구를 수행하고자 한다.

키워드
기온예측
LSTM
기계학습
폭염
수치예보
References
1
Ahn, J. and Jeong, C. (2018). Numerical Simulation of the Flood Event Induced Temporally and Spatially Concentrated Rainfall - On August 17, 2017, the Flood Event of Cheonggyecheon. Journal of Korean Society of Disaster and Security. 11(2): 45-52.
2
Ahn, S. (2016). Deep Learning Architectures and Applications. Journal of Intelligence and Information Systems. 22(2): 127-142.
10.13088/jiis.2016.22.2.127
3
Choi, J. (2019). Proposal of Early-Warning Criteria for Highway Debris Flow Using Rainfall Frequency (1): Proposal of Rainfall Criteria. Journal of Korean Society of Disaster and Security. 12(2): 1-13.
4
Choi, M. H. and Yun, J. I. (2009). On Recent Variations in Solar Radiation and Daily Maximum Temperature in Summer. Korean Journal of Agricultural and Forest Meteorology. 11(4): 185-191.
10.5532/KJAFM.2009.11.4.185
5
Joints of Related Ministries (2018) Abnormal Weather Report. Seoul: Korea Meteorological Administration.
6
Kim, J., Lee, D. G., Park, I. S., Choi, B. C., and Kim, J. S. (2006). Influences of Heat Waves on Daily Mortality in South Korea. Atmosphere. 16(4): 269-278.
7
Korea Meteorological Administration (2018). Evaluation of Contribution of Meteorological Observation Data to Weather Forecasts. Seoul: Korea Meteorological Administration.
8
Korea Meteorological Administration (2019). Forecast Services Regulations APPENDUM Article17. Seoul: Korea Meteorological Administration.
9
Korea Meteorological Administration (2019). A Study on the Diagnosis and Development Direction of the Forecasting System. Seoul: Korea Meteorological Administration.
10
Lee, S. G., Jung, S. G., Lee, W. S., and Park, G. H. (2011). A Predictive Model for Urban Temperature Using the Artificial Neural Network. Korea Planners Association. 46(1): 129-142.
11
Park, J.E., Heo, B.Y., and Sunwoo, Y. (2016). A Study on Human Damage due to Heat Wave by Region. Journal of the Korean Society of Hazard Mitigation. 16(1): 103-109.
10.9798/KOSHAM.2016.16.1.103
12
Qing, X. and Niu, Y. (2018). Hourly Day-ahead Solar Irradiance Prediction Using Weather Forecasts by LSTM. Energy. 148: 461-468.
10.1016/j.energy.2018.01.177
13
Sharma, N., Sharma, P., Irwin, D., and Shenoy, P. (2011). Predicting Solar Generation from Weather Forecasts Using Machine Learning. In 2011 IEEE International Conference on Smart Grid Communications (SmartGridComm). 528-533.
10.1109/SmartGridComm.2011.6102379
14
Won, Y. J., Yeh, S. W., Yim, B. Y., and Kim, H. K. (2017). Relationship between Korean Monthly Temperature during Summer and Eurasian Snow Cover during Spring. Atmosphere. 27(1): 55-65.
10.14191/Atmos.2017.27.1.055
15
Yoo, H., Lee, S. O., Choi, S., and Park, M. (2019). A Study on the Data Driven Neural Network Model for the Prediction of Time Series Data: Application of Water Surface Elevation Forecasting in Hangang River Bridge. Journal of Korean Society of Disaster and Security. 12(2): 73-82.
16
Yoon, J.W. and Jeon, M.G. Temperature Forecasting Model by Using Deep Learning Technology based on LSTM. Proceeding of Institute of Electronics and Information Engineers Conference. 912-915.
17
Zhang, Q., Wang, H., Dong, J., Zhong, G., and Sun, X. (2017). Prediction of Sea Surface Temperature Using Long Short-term Memory. IEEE Geoscience and Remote Sensing Letters. 14(10): 1745-1749.
10.1109/LGRS.2017.2733548

Korean References Translated from the English

1
관계부처합동 (2019). 2018 이상기후보고서. 서울: 기상청.
2
기상청 (2018). 기상관측자료의 예보 기여도 평가. 서울: 기상청.
3
기상청 (2019). 동네예보체계 진단 및 발전방향에 관한 정책 연구. 서울: 기상청.
4
기상청 (2019). 예보업무규정 부칙 제17조. 서울: 기상청.
5
김지영, 이대근, 박일수, 최병철, 김정식 (2006). 한반도에서 여름철 폭염이 일 사망률에 미치는 영향. 대기. 16(4): 269-278.
6
박재은, 허보영, 선우영 (2016). 폭염에 의한 지역별 인명피해 발생에 관한 연구. 한국방재학회 논문집. 16(1): 103-109.
10.9798/KOSHAM.2016.16.1.103
7
안성만 (2016). 딥러닝의 모형과 응용사례. 지능정보연구. 22(2): 127-142.
10.13088/jiis.2016.22.2.127
8
안정환, 정창삼 (2018). 시공간적으로 편중된 강우에 의한 홍수사상 수치모의 - 2017년 8월 17일 청계천 홍수사상을 대상으로. 한국방재안전학회 논문집. 11(2): 45-52.
9
안중배 (2017). 기상예보의 과정. 감사. 136: 40-46.
10
원유진, 예상욱, 임보영, 김현경 (2017). 우리나라 여름철 월별 기온 변동성과 유라시아 봄철 눈덮임 간의 상관성 분석. 대기. 27(1): 55-65.
10.14191/Atmos.2017.27.1.055
11
유형주, 이승오, 최서혜, 박문형 (2019). 시계열 자료의 예측을 위한 자료 기반 신경망 모델에 관한 연구: 한강대교 수위예측 적용. 한국방재안전학회 논문집. 12(2): 73-82.
12
윤재웅, 전문구 (2017). LSTM 기반 딥러닝 기술을 활용한 기온 예측 모델. 대한전자공학회 학술대회. 912-915.
13
이슬기, 정성관, 이우성, 박경훈 (2011). 인공신경망을 이용한 도시기온 예측모형 구축. 국토계획. 46(1): 129-142.
14
조경우, 정용진, 강철규, 오창헌 (2019). 미세먼지 예측을 위한 기계 학습 알고리즘의 적합성 평가. 한국정보통신학회논문지. 23(1): 20-26.
15
최미희, 윤진일 (2009). 여름철 일최고기온과 일사량의 최근 변동에 관하여. 한국농림기상학회지. 11(4): 185-191.
10.5532/KJAFM.2009.11.4.185
16
최재순 (2019). 확률 강우량을 이용한 고속도로 토석류 조기경보기준 제안 (1) : 강우기준 제안. 한국방재안전학회 논문집. 12(2): 1-13.
Information
  • Publisher :Korean Society of Disaster and Security
  • Publisher(Ko) :한국방재안전학회
  • Journal Title :Journal of Korean Society of Disaster and Security
  • Journal Title(Ko) :한국방재안전학회 논문집
  • Volume : 13
  • No :2
  • Pages :27-38
  • Received Date : 2020-04-15
  • Revised Date : 2020-06-24
  • Accepted Date : 2020-06-29
  • DOI :https://doi.org/10.21729/ksds.2020.13.2.27
Journal Informaiton Journal of Korean Society of Disaster and Security Journal of Korean Society of Disaster and Security
Online submission
  • KISTI Current Status
  • KISTI Cited-by
  • KCI 문헌 유사도 검사
  • orcid
  • open access
  • ccl
Journal Informaiton Journal Informaiton - close