버퍼거리에 따른 공간 랜덤포레스트를 이용한 월 평균기온 예측 성능 비교

• 영문명: Comparison of Monthly Average Temperature Prediction Performance using Spatial Random Forest by Buffer Distance
• 발행기관: 한국자료분석학회
• 저자명: 김준석(Junseok Kim) 윤상후(Sanghoo Yoon)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.22 No.5, 1809~1818쪽, 전체 10쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2020.10.30

국문 초록

한반도에 발생하는 자연재해의 피해를 줄이기 위해서는 좁고 복잡한 지형적 특징을 고려하여 고해상도 기상자료를 생성해야한다. Hengl et al.(2018)이 제안한 공간 랜덤포레스트는 기상정보를 고해상도로 공간보간 할 수 있는 기계학습법으로 2D 평면좌표계를 이용한 버퍼거리를 생성하였지만 본 연구에서는 한반도 지형 특성을 잘 반영하기 위해 3가지 버퍼거리를 고려하였다. 고려된 버퍼거리는 평면좌표계(2D80), 구형좌표계(2D84), 그리고 해발고도가 고려된 평면좌표계(3D80)로 계산되었다. 훈련자료는 종관기상관측장비의 2017년 월 평균기온 자료이고 검증자료는 자동기상관측장비에서 수집한 2017년 월 평균기온 자료이다. 예측성능은 평균제곱오차(RMSE), 평균절대오차(MAE)와 결정계수 R²을 기반으로 평가하였다. 예측성능을 평가한 결과 월 효과가 모델에 반영되지 않은 공간 랜덤포레스트가 시공간 랜덤포레스트보다 좋았다. 이는 계절에 따라 관측소의 중요도가 상이함을 의미한다. 버퍼거리의 종류에 따른 공간 랜덤포레스트 결과를 살펴보면 버퍼거리로 구형좌표계(2D84)를 이용하고 고도를 입력변수로 사용한 모델이 상대적으로 예측성능이 우수하였다. 마지막으로 선정된 최적 모델과 모든 기상관측소의 버퍼거리를 반영하여 전국의 월별 평균기온을 예측하여 시각화하였다.

영문 초록

In order to reduce the damage caused by natural disasters on the Korean Peninsula, high-resolution weather data should be generated in consideration of narrow and complex topographical features. The Spatial Random Forest, proposed by Hengl et al. (2018), generated buffer distances using a 2D planar coordinate system with a machine learning method that allows high-resolution spatial interpolation of weather information, but this study considered three buffer distances to better reflect the geographical characteristics of the Korean Peninsula. The buffer distances considered were calculated as planar coordinate systems (2D80), spherical coordinate systems (2D84), and planar coordinate systems (3D80) with altitude above sea level considered. The training data are the average monthly temperature data of 2017 collected from the ASOS and the verification data are the average monthly temperature data of 2017 collected from the AWS. Predictive performance was evaluated based on RMSE, MAE, and R². Looking at the results of spatial random forest according to the type of buffer distance, the model using the spherical coordinate system (2D80) as the buffer distance and the altitude as the input variable had relatively good predictive performance. Finally, the selected optimal model and the buffer distance of all weather stations were reflected to predict and visualize the average monthly temperature across the country.

목차

1. 서론

2. 연구방법론

3. 연구자료

4. 연구결과

5. 결론

References

키워드

기계학습 공간 랜덤포레스트 공간보간 버퍼거리 평균기온 average temperature buffer distance machine learning spatial interpolation spatial randomforest