재해석 자료는 공간해상도가 저해상도이지만 풍력자원의 장기간 보정이나 수치기상예측 또는 전산유체역학과 연동하여 고 해상도로의 축소화에 활용될 수 있다. 본 연구에서는 재해석 자료의 전세계 풍속을 지형요소 등의 함수로 회귀 분석하였으며 향후 고 해상도 축소화에의 활용 가능성을 시험하였다. 다중선형회귀와 기계학습 모델로서 신경망, 랜덤 포레스트 모델을 적용하여 다양한 지 형형태별로 회귀 분석한 결과에 의하면 접합도(R2)가 각각 0.71, 0.95, 1.00으로 향상되었으며, 지형요소 중 위도, 셀 면적, 지형고도, 경 도, 지형 개방도 순으로 설명력이 높은 것으로 나타났다. 기본 신경망에 비해 수정 쌍둥이 신경망 모델은 불균질 데이터 대상 성능 개 선 효과가 있는 것으로 나타났다. 그럼에도 불구하고 본 연구에서 활용한 신경망 모델로는 데이터의 비선형성을 재현하는데 한계가 있 었으나 랜덤 포레스트 모델을 통해 이를 극복하였다.

Although the reanalysis data has low spatial resolution, it can be used for long-term correction of wind resources and high-resolution downscaling in conjunction with numerical weather prediction or computational fluid dynamics. In this study, regression analysis of the global wind speed as a function of topographic factors was carried out, and the possibility of its use in highresolution downscaling was tested. According to the regression results by various morphometric features, the fitness of multiple linear regression, machine learning models, i.e., neural network and random forest models, showed R2 of 0.71, 0.95, and 1.00, respectively. Among the topographic factors, latitude, cell area, terrain elevation, longitude, and terrain openness were found to have the highest explanatory capability in the order. Compared to the conventional neural network, the modified twin neural network model has a performance improvement effect regarding imbalanced dataset. Nevertheless the neural network structure used in this research was not precise to reproduce non-linearity of the given data, however, which was possible with introduction of the random forest model.

I. 서 론
II. 자료 및 방법
    2.1 재해석 자료
    2.2 지형형태 분류
    2.3 회귀분석 방법
III. 결과 및 토의
IV. 결 론
참고문헌

• 이제현(한국에너지기술연구원, 공학박사) | Lee, Jehyun
• 김진영(한국에너지기술연구원, 이학박사) | Kim, Jin-Young
• 김창기(한국에너지기술연구원, 이학박사) | Kim, Chang Ki
• 김현구(한국에너지기술연구원, 공학박사) | Kim, Hyun-Goo 교신저자