딥러닝 기법을 이용한 대기 굴절률 추정 방법 및 장치
METHOD AND APPARATUS FOR ESTIMATING ATMOSPHERIC REFRACTIVE INDEX BASED ON DEEP LEARNING
특허 요약
본 개시의 일 실시예에 따른 대기 굴절률 추정 방법은, 복수의 기상 관측소들 각각에 의해 측정된 기상 환경 데이터를 수집하는 단계; 상기 기상 관측소들 각각의 기상 환경 데이터를 특정 고도 간격의 기상 환경 데이터로 변환하는 단계; 상기 변환된 특정 고도 간격의 기상 환경 데이터를 이용하여 상기 특정 고도 간격의 유효 굴절률을 계산하는 단계; 대기 굴절률을 추정하고자 하는 대상 지점과 상기 기상 관측소들 간의 거리를 계산하는 단계; 및 상기 계산된 상기 대상 지점과 상기 기상 관측소들 간의 거리 및 상기 기상 관측소들 각각에 대하여 계산된 상기 특정 고도 간격의 유효 굴절률을 이용하여 상기 대상 지점의 대기 굴절률을 추정하는 단계를 포함한다.
청구항
번호청구항
1

복수의 기상 관측소들 각각에 의해 측정된 기상 환경 데이터를 수집하는 단계;상기 기상 관측소들 각각의 기상 환경 데이터를 특정 고도 간격의 기상 환경 데이터로 변환하는 단계;상기 변환된 특정 고도 간격의 기상 환경 데이터를 이용하여 상기 특정 고도 간격의 유효 굴절률을 계산하는 단계;대기 굴절률을 추정하고자 하는 대상 지점과 상기 기상 관측소들 간의 거리를 계산하는 단계; 및상기 계산된 상기 대상 지점과 상기 기상 관측소들 간의 거리 및 상기 기상 관측소들 각각에 대하여 계산된 상기 특정 고도 간격의 유효 굴절률을 이용하여 상기 대상 지점의 대기 굴절률을 추정하는 단계를 포함하되,상기 대기 굴절률을 추정하는 단계는,상기 기상 관측소들까지의 거리와 상기 기상 관측소들 각각에서의 상기 특정 고도 간격의 유효 굴절률을 입력으로 하는 미리 학습된 딥러닝 기반의 대기 굴절률 모델을 이용하여, 상기 대상 지점의 대기 굴절률을 추정하는, 대기 굴절률 추정 방법.

2

삭제

3

제1항에 있어서,상기 특정 고도 간격의 기상 환경 데이터로 변환하는 단계는,조각별 3차 에르미트 보간 다항식(Piecewise Cubic Hermite Interpolation Polynomial)을 이용하여 상기 기상 관측소들 각각의 기상 환경 데이터를 상기 특정 고도 간격의 기상 환경 데이터로 변환하는, 대기 굴절률 추정 방법.

4

제1항에 있어서,상기 특정 고도 간격의 유효 굴절률을 계산하는 단계는,밀리미터파 전파 모델(Millimeter-wave Propagation Model)을 이용하여 상기 특정 고도 간격의 기상 환경 데이터에 대한 상기 특정 고도 간격의 유효 굴절률을 계산하는, 대기 굴절률 추정 방법.

5

제1항에 있어서,상기 기상 환경 데이터를 수집하는 단계는,상기 대상 지점에 특정 시점에 대한 대기 굴절률을 추정하는 경우, 상기 특정 시점에 상기 기상 관측소들 각각에 의해 측정된 기상 환경 데이터를 수집하는, 대기 굴절률 추정 방법.

6

제1항에 있어서,상기 대기 굴절률을 추정하는 단계는,상기 대상 지점과 상기 기상 관측소들 간의 거리 및 상기 기상 관측소들 각각의 상기 특정 고도 간격의 유효 굴절률을 이용한 보간 기법을 통해, 상기 대상 지점의 상기 특정 고도 간격의 대기 굴절률을 추정하는, 대기 굴절률 추정 방법.

7

제1항에 있어서,상기 기상 환경 데이터는,온도, 기압, 수증기압, 이슬점, 상대습도, 풍속, 풍향, 눈, 비, 구름과 에어로졸 중 적어도 하나를 포함하는, 대기 굴절률 추정 방법.

8

복수의 기상 관측소들 각각에 의해 측정된 기상 환경 데이터를 수집하는 수집부;상기 기상 관측소들 각각의 기상 환경 데이터를 동일한 특정 고도 간격의 기상 환경 데이터로 변환하는 변환부;상기 변환된 특정 고도 간격의 기상 환경 데이터를 이용하여 상기 특정 고도 간격의 유효 굴절률을 계산하고, 대기 굴절률을 추정하고자 하는 대상 지점과 상기 기상 관측소들 간의 거리를 계산하는 산출부; 및상기 계산된 상기 대상 지점과 상기 기상 관측소들 간의 거리 및 상기 기상 관측소들 각각에 대하여 계산된 상기 특정 고도 간격의 유효 굴절률을 이용하여 상기 대상 지점의 대기 굴절률을 추정하는 추정부를 포함하되,상기 추정부는,상기 기상 관측소들까지의 거리와 상기 기상 관측소들 각각에서의 상기 특정 고도 간격의 유효 굴절률을 입력으로 하는 미리 학습된 딥러닝 기반의 대기 굴절률 모델을 이용하여, 상기 대상 지점의 대기 굴절률을 추정하는, 대기 굴절률 추정 장치.

9

삭제

10

제8항에 있어서,상기 변환부는,조각별 3차 에르미트 보간 다항식(Piecewise Cubic Hermite Interpolation Polynomial)을 이용하여 상기 기상 관측소들 각각의 기상 환경 데이터를 상기 특정 고도 간격의 기상 환경 데이터로 변환하는, 대기 굴절률 추정 장치.

11

제8항에 있어서,상기 산출부는,밀리미터파 전파 모델(Millimeter-wave Propagation Model)을 이용하여 상기 특정 고도 간격의 기상 환경 데이터에 대한 상기 특정 고도 간격의 유효 굴절률을 계산하는, 대기 굴절률 추정 장치.

12

제8항에 있어서,상기 수집부는,상기 대상 지점에 특정 시점에 대한 대기 굴절률을 추정하는 경우, 상기 특정 시점에 상기 기상 관측소들 각각에 의해 측정된 기상 환경 데이터를 수집하는, 대기 굴절률 추정 장치.

13

제8항에 있어서,상기 추정부는,상기 대상 지점과 상기 기상 관측소들 간의 거리 및 상기 기상 관측소들 각각의 상기 특정 고도 간격의 유효 굴절률을 이용한 보간 기법을 통해, 상기 대상 지점의 상기 특정 고도 간격의 대기 굴절률을 추정하는, 대기 굴절률 추정 장치.

14

제8항에 있어서,상기 기상 환경 데이터는,온도, 기압, 수증기압, 이슬점, 상대습도, 풍속, 풍향, 눈, 비, 구름과 에어로졸 중 적어도 하나를 포함하는, 대기 굴절률 추정 장치.