초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

미세먼지는 시간 및 공간 의존성을 동시에 가지는 현상으로 정확한 분석과 모니터링을 위해선 높은 시공간 해상도를 갖는 자료 확보가 중요하다. 그러나 고해상도 시공간 데이터를 확보하는 것은 운영 및 관리 측면에서 현실적으로 많은 제약이 있다. 따라서 현재 미세먼지 정보는 특정 지역에 설치된 대기질 측정소의 실측값이 일정 지역을 대표하는 방식으로 제공된다. 이러한 측정 방식은 정확한 미세먼지 정보를 시간별로 제공해 주지만, 공간상의 연속적인 특성은 파악하기 힘들다는 한계를 보인다. 반대로 위성 영상을 활용한 대기 정보는 넓은 지역에 대해 연속적인 정보를 획득 할 수 있지만 위성의 재방문 주기로 인해 낮은 ...

미세먼지는 시간 및 공간 의존성을 동시에 가지는 현상으로 정확한 분석과 모니터링을 위해선 높은 시공간 해상도를 갖는 자료 확보가 중요하다. 그러나 고해상도 시공간 데이터를 확보하는 것은 운영 및 관리 측면에서 현실적으로 많은 제약이 있다. 따라서 현재 미세먼지 정보는 특정 지역에 설치된 대기질 측정소의 실측값이 일정 지역을 대표하는 방식으로 제공된다. 이러한 측정 방식은 정확한 미세먼지 정보를 시간별로 제공해 주지만, 공간상의 연속적인 특성은 파악하기 힘들다는 한계를 보인다. 반대로 위성 영상을 활용한 대기 정보는 넓은 지역에 대해 연속적인 정보를 획득 할 수 있지만 위성의 재방문 주기로 인해 낮은 시간 해상도를 갖는 특성이 있다.
이러한 해상도 문제를 해결하기 위해 위성영상과 대기질 및 기상 관측 센서 데이터를 복합적인 딥러닝 모델에 적용하여 미세먼지 농도의 시공간 해상도를 향상 시켰다. MLP(Multi-layer Perceptron)를 이용하여 1시간 단위의 대기 및 기상 관측 데이터의 시간 해상도를 15분 단위로 향상 시키는 보간 모델을 설계하였으며, LSTM(Long Short-term Memory)을 이용해 15분 단위의 미세먼지 농도 예측 모델을 설계하였다. 예측된 미세먼지 농도를 생성 모델의 한 종류인 Conditional VAE(Variational Auto-encoder)에 전달하면 15분 단위의 시간 해상도와 의 공간 해상도를 갖는 미세먼지 농도 영상을 생성한다.

주제어