[논문]우리나라 기상자료에 대한 군집분석

여인권

우리나라 기상자료에 대한 군집분석
Clustering analysis of Korea's meteorological data 원문보기 논문타임라인

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.22 no.5, 2011년, pp.941 - 949

초록
AI-Helper

이 논문에서는 1999년 1월 1일부터 2010년 6월 30일까지 전국 72개 관측소에서 측정된 우리나라 기상자료를 평균연결법에 의한 계층적 병합방법을 통해 군집분석을 실시하고 각 기상자료에서 유도된 군집의 특성을 파악해 본다. 이 분석에서 유도된 군집과 2010년 기후변화에 따른 식중독 발생연구에서 사용되었던 산맥을 경계로 구분한 군집을 비교해 본다.

In this paper, 72 weather stations in Korea are clustered by the hierarchical agglomerative procedure based on the average linkage method. We compare our clusters and stations divided by mountain chains which are applied to study on the impact analysis of foodborne disease outbreak due to climate ch...

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

2010년도 지속과제에서는 전국에 분포되어 있는 기상관측소 중 60개를 선정하여 일별, 주별, 월별 평균을 기상자료로 사용하였으며 기존 연구보다 세밀한 결과를 얻기 위해 60개 기상관측소를 태백산맥과 소백산맥을 기준으로 세 권역으로 나누고 각 권역에 속해 있는 기상관측소에서 수집된 기상자료의 평균을 이용하여 식중독 발생빈도에 기후가 어떻게 영향을 주는지에 대한 분석을 실시하였다. 이 논문에서는 산맥을 경계로 권역을 나눈 것이 기상자료의 특성을 반영하여 권역을 나누었다고 볼 수 있는지를 기상자료의 군집분석을 통해 확인해 보고 이를 통해 차후에 기상자료를 그룹화 하여 이루어지는 분석에 기본 틀을 제공하고자 한다.
첫 번째 방법은 시계열자료들 간의 거리 또는 유사성을 측도로 사용하는 원자료기반방법 (row-data-based approach)이고 두 번째 방법은 시계열 자료를 저차원의 특성벡터 (feature vector)를 추출하고 이 특성을 비교해 군집하는 특성기반방법 (feature-based approach), 세 번째 방법은 모형을 설정하고 모형에 포함된 모수의 추정값 또는 잔차를 비교하여 군집하는 모형기반방법 (model-based approach)이다. 이들 방법의 적절성은 자료의 형태 및 구조에 영향을 받으며 어떤 방법이 더 우수하다고 할 수 없으나 본 논문에서는 특성벡터의 추출 및 모형선택 과정 등에서 발생할 수 있는 오류를 없애기 위해 원자료기반방법을 중심으로 우리나라 기상자료에 대한 군집분석을 실시하였다. 이들 방법에 대한 자세한 내용은 Liao (2005)를 참조하기 바란다.

제안 방법

우리나라에서는 2009년부터 식약청 용역과제로 기후변화에 따른 식중독 발생영향에 대한 연구가 진행되고 있는데 이 연구에서는 기상자료가 식중독 발생에 어떻게 영향을 주는지에 대한 다양한 분석을 진행하고 있다 (정명섭과 오상석, 2009). 2010년도 지속과제에서는 전국에 분포되어 있는 기상관측소 중 60개를 선정하여 일별, 주별, 월별 평균을 기상자료로 사용하였으며 기존 연구보다 세밀한 결과를 얻기 위해 60개 기상관측소를 태백산맥과 소백산맥을 기준으로 세 권역으로 나누고 각 권역에 속해 있는 기상관측소에서 수집된 기상자료의 평균을 이용하여 식중독 발생빈도에 기후가 어떻게 영향을 주는지에 대한 분석을 실시하였다. 이 논문에서는 산맥을 경계로 권역을 나눈 것이 기상자료의 특성을 반영하여 권역을 나누었다고 볼 수 있는지를 기상자료의 군집분석을 통해 확인해 보고 이를 통해 차후에 기상자료를 그룹화 하여 이루어지는 분석에 기본 틀을 제공하고자 한다.
여기에서는 각각의 기상자료에 대해 p = 2인 Euclidean 거리를 계산하여 72×72 거리행렬을 구했으며 평균연결법 (average linkage method)을 이용하여 군집분석을 실시하였다. 분석은 R 2.13.0에서 cluster package에 있는 agnes함수로 비유사성 및 수목도를 작성하고 cutree함수를 이용하여 5개의 군집을 표시하였다.
기상자료는 계절성이 있기 때문에 전체 평균과 같은 단순한 대표값으로는 각 지역의 특성을 비교하기 어렵다. 이 논문에서는 군집들 간의 차이를 비교하기 위해 각 기상자료에서 그 날의 전국평균을 뺀 값을 이용하여 군집평균을 계산하였는데 군집 A의 군집평균은 다음과 같이 계산된다.
이 논문에서는 연결법 (linkage method)에 의한 계층적 병합절차 (hierarchical agglomerative procedure)로 평균기온, 최고기온, 최저기온, 평균습도, 강수량, 신적설량 각각에 대해 군집분석을 실시하였으며 수목도 (dendrogram)로 군집분석의 결과를 표시하였다. 관측값 x_ij를 i번째 기상관측소의 j번째 시점에서 관측된 기상자료의 값이라고 하고 x_i = (x_i1, · · · , x∈)^T라고 하면, 임의의 두 기상관측소 a와 b의 기상자료들 간의 거리는 다음과 같은 Minkowski 거리를 이용하여 계산할 수 있다.

대상 데이터

이들 연구에서 사용된 기상자료는 제한된 기간이나 장소에서 수집된 자료로 한정되고 있다. 이 논문에서 우리나라의 전반적인 결과를 얻기 위해 1999년 1월 1일부터 2010년 6월 30일까지의 전국 72개 기상관측소에서 수집된 4198개 일별 평균기온, 최저기온, 최고기온, 평균습도, 강수량, 신적설량 자료를 이용하였다. 표 1.

데이터처리

여기에서는 각각의 기상자료에 대해 p = 2인 Euclidean 거리를 계산하여 72×72 거리행렬을 구했으며 평균연결법 (average linkage method)을 이용하여 군집분석을 실시하였다.

성능/효과

71×72/2=2556개 비유사성 (dissimilarity)을 계산한 결과, 평균거리는 192.27이고 양평과 이천의 거리가 43.27로 최소이었으며 대관령과 서귀포의 거리가 687.28로 최대인 것으로 나타났다.
63으로 최대인 것으로 나타났다. 군집을 5개로 나누었을 때 남동해안지역, 태백산맥지역, 내륙지역, 해안지역, 제주지역으로 군집이 나누어지는 것으로 나타났으며 각 군집 평균은 #=(2.096, -4.664, -1.965, 0.243, 5.101)으로 태백산맥에 위치한 기상관측소의 최저기온이 상대적으로 낮고 제주권의 최저기온이 높은 것으로 나타났다.
28로 최대인 것으로 나타났다. 군집을 5개로 했을 때 각 군집에 해당되는 기상관측소는 아래 표 3.1에 표시 하였는데 평균기온에 의한 군집분석 결과 우리나라 기상관측소는 동해안지역, 태백산맥지역, 중서부남부지역, 중동부지역, 제주지역으로 나누어지는 것으로 나타났으며 각 군집 평균은 #=(0.189, -4.033, 0.760, -1.369, 3.384)으로 태백산맥에 위치한 기상관측소의 평균기온이 상대적으로 낮고 제주지역 기상관측소의 평균기온이 높은 것으로 나타났다.
40으로 가장 많은 차이를 보이는 것으로 조사되었다. 군집을 5개로 했을 때 강원동북부지역, 중북부지역, 남해안지역, 제주지역, 기타지역으로 군집이 나누어지는 것으로 나타났으며 각 군집 평균은 #=(0.578, -0.067, 0.556, 0.794, -0.283)으로 제주지역 및 해안지역의 강수량이 상대적으로 많은 것으로 나타났다.
57으로 최대인 것으로 나타났는데 이것은 두 지역은 시차를 두고 눈이 내리는 경향이 있다는 것을 의미한다. 군집을 5개로 했을 때 동해안북부지역, 대관령, 울릉도, 태백, 기타지역으로 군집이 나누어지는 것으로 나타났으며 각 군집 평균은 #=(0.057, 0.496, 0.537, 0.142, -0.020)으로 대관령과 울릉도가 상대적으로 많이 내리는 것으로 나타났으며 제주지역의 경우 눈이 내리는 패턴에서 큰 차이가 없어 별개의 군집으로 분류되지 않은 것으로 조사되었다.
54으로 최대로 조사되었다. 군집을 5개로 했을 때 동해안지역, 대관령울릉도지역, 남해안지역, 제주지역, 기타지역으로 군집이 나누어지는 것으로 나타났으며 각 군집 평균은 #=(-4.825, 6.230, -3.459, 4.193, 0.615)으로 대관령울릉도 및 제주지역의 평균습도가 상대적으로 높은 반면 습도가 높을 것으로 예상된 해안지역인 동해안과 남해안 지역이 오히려 낮은 것으로 나타났다.
61로 최대인 것으로 나타나 평균기온보다는 전반적으로 기상관측소 간의 거리가 더 먼 것으로 나타났다. 군집을 5개로 했을 때 동해안지역, 태백산맥지역, 해안지역, 내륙지역, 흑산도로 군집이 나누어지는 것으로 나타났으며 각 군집 평균은 #=(-1.166, -4.687, 1.081, -0.449, -1.965)으로 태백산맥에 위치한 기상관측소의 최고기온이 상대적으로 낮은 반면 해안지역 기상관측소의 최고기온이 높은 것으로 나타났다.
기상자료별로 군집을 이루는 형태에 약간의 차이가 있는 것을 볼 수 있으며 기존 식중독 발생 예측연구에서 사용한 산맥을 경계로 나눈 권역에서 3권역이 상이한 형태의 군집으로 묶여지는 경향이 있는 것으로 조사되었다. 본 연구에서는 개별 기상자료에 대한 군집분석으로 기상자료에 따라 약간씩 다른 결과가 도출되어 통합적 군집을 유도하지 못한 한계점이 있다.
최고기온의 경우 평균거리는 1212.30이고 전주와 정읍의 거리가 61.14로 최소였으며 평균기온과 마찬가지로 대관령과 서귀포의 거리가 616.61로 최대인 것으로 나타나 평균기온보다는 전반적으로 기상관측소 간의 거리가 더 먼 것으로 나타났다. 군집을 5개로 했을 때 동해안지역, 태백산맥지역, 해안지역, 내륙지역, 흑산도로 군집이 나누어지는 것으로 나타났으며 각 군집 평균은 #=(-1.

후속연구

기상자료별로 군집을 이루는 형태에 약간의 차이가 있는 것을 볼 수 있으며 기존 식중독 발생 예측연구에서 사용한 산맥을 경계로 나눈 권역에서 3권역이 상이한 형태의 군집으로 묶여지는 경향이 있는 것으로 조사되었다. 본 연구에서는 개별 기상자료에 대한 군집분석으로 기상자료에 따라 약간씩 다른 결과가 도출되어 통합적 군집을 유도하지 못한 한계점이 있다. 현재 기상관측소에서는 이 논문에서 고려한 6개의 자료 외에 풍향, 최대풍속, 일조량, 일사량, 운(구름)량 등 다양한 자료가 수집되고 있으며 이들 자료는 분석 또는 사용목적에 따라 필요여부가 결정되고 이에 따른 군집유도가 필요하기 때문에 모든 변수를 고려해 군집을 정하는 것은 적절하지 않는 것을 생각된다.
현재 기상관측소에서는 이 논문에서 고려한 6개의 자료 외에 풍향, 최대풍속, 일조량, 일사량, 운(구름)량 등 다양한 자료가 수집되고 있으며 이들 자료는 분석 또는 사용목적에 따라 필요여부가 결정되고 이에 따른 군집유도가 필요하기 때문에 모든 변수를 고려해 군집을 정하는 것은 적절하지 않는 것을 생각된다. 앞에서 언급한 식중독 발생 예측연구에서는 식중독 발생에는 기온과 습도가 중요한 설명변수로 파악되었는데 차후 연구에서는 Kakizawa 등(1998)과 Singhal과 Seborg (2005) 등에 의해 연구된 다변량시계열 군집분석 방법을 통해 이들 변수들을 통합적으로 분석할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	시계열자료들 간의 거리 또는 유사성을 측도로 사용하는 기법은 무엇인가?	시계열자료에 대한 군집분석 방법은 크게 세 가지로 나누어지고 있다. 첫 번째 방법은 시계열자료들 간의 거리 또는 유사성을 측도로 사용하는 원자료기반방법 (row-data-based approach)이고 두 번째 방법은 시계열 자료를 저차원의 특성벡터 (feature vector)를 추출하고 이 특성을 비교해 군집하는 특성기반방법 (feature-based approach), 세 번째 방법은 모형을 설정하고 모형에 포함된 모수의 추정값 또는 잔차를 비교하여 군집하는 모형기반방법 (model-based approach)이다. 이들 방법의 적절성은 자료의 형태 및 구조에 영향을 받으며 어떤 방법이 더 우수하다고 할 수 없으나 본 논문에서는 특성벡터의 추출 및 모형선택 과정 등에서 발생할 수 있는 오류를 없애기 위해 원자료기반방법을 중심으로 우리나라 기상자료에 대한 군집분석을 실시하였다.
	시계열 자료를 저차원의 특성벡터를 추출하고 이 특성을 비교해 군집하는 방법은 무엇인가?	시계열자료에 대한 군집분석 방법은 크게 세 가지로 나누어지고 있다. 첫 번째 방법은 시계열자료들 간의 거리 또는 유사성을 측도로 사용하는 원자료기반방법 (row-data-based approach)이고 두 번째 방법은 시계열 자료를 저차원의 특성벡터 (feature vector)를 추출하고 이 특성을 비교해 군집하는 특성기반방법 (feature-based approach), 세 번째 방법은 모형을 설정하고 모형에 포함된 모수의 추정값 또는 잔차를 비교하여 군집하는 모형기반방법 (model-based approach)이다. 이들 방법의 적절성은 자료의 형태 및 구조에 영향을 받으며 어떤 방법이 더 우수하다고 할 수 없으나 본 논문에서는 특성벡터의 추출 및 모형선택 과정 등에서 발생할 수 있는 오류를 없애기 위해 원자료기반방법을 중심으로 우리나라 기상자료에 대한 군집분석을 실시하였다.
	시계열자료에 대한 군집분석 방법은 무엇이 있는가?	시계열자료에 대한 군집분석 방법은 크게 세 가지로 나누어지고 있다. 첫 번째 방법은 시계열자료들 간의 거리 또는 유사성을 측도로 사용하는 원자료기반방법 (row-data-based approach)이고 두 번째 방법은 시계열 자료를 저차원의 특성벡터 (feature vector)를 추출하고 이 특성을 비교해 군집하는 특성기반방법 (feature-based approach), 세 번째 방법은 모형을 설정하고 모형에 포함된 모수의 추정값 또는 잔차를 비교하여 군집하는 모형기반방법 (model-based approach)이다. 이들 방법의 적절성은 자료의 형태 및 구조에 영향을 받으며 어떤 방법이 더 우수하다고 할 수 없으나 본 논문에서는 특성벡터의 추출 및 모형선택 과정 등에서 발생할 수 있는 오류를 없애기 위해 원자료기반방법을 중심으로 우리나라 기상자료에 대한 군집분석을 실시하였다.

참고문헌 (11)
타임라인 바로가기

김동석, 홍수진, 박준표 (2009). 대구지역 지중온도의 변화예측. , 20, 649-654.

원문보기 상세보기 타임라인에서 보기
김현구, 이영섭, 장문석 (2010). 제주도 일단위 풍력발전예보 모형개발을 위한 군집분석 및 기상통계모형 실험. , 10, 1229-1235.
이훈자 (2010). 경기도 수원시 미세먼지 농도의 시계열모형 연구. , 21, 1117-1124.

원문보기 상세보기 타임라인에서 보기
장학진, 주용성 (2009). 서울의 온도 패턴 변화. , 20, 89-96.

원문보기 상세보기 타임라인에서 보기
정명섭, 오상석 (2009). , 식품의약품안전청 최종보고서 정책-식품-2009- 09, 서울.
주용성, 정형주, 김병준 (2009). 한국 기상자료의 군집분석: 베이지안 모델기반 방법의 응용. , 20, 57-64.

원문보기 상세보기 타임라인에서 보기
Booth, J., Casella, G. and Hobert, J. (2008). Clustering using objective functions and stochastic search. Journal of the Royal Statistical Society B, 70, 119-140.
Kakizawa, Y., Shumway, R. H. and Taniguchi, M. (1998). Discrimination and clustering for multivariate time series. Journal of the American Statistical Association, 93, 328-340.

상세보기
Kim, J. and Lim, J. (2003). Cluster analysis with air pollutants and meteorological factors in Seoul. Journal of the Korean Data & Information Science Society, 14, 773-787.

원문보기 상세보기 타임라인에서 보기
Liao, T. W. (2005). Clustering of time series data-A survey. Pattern Recognition, 38, 1857-1874.

상세보기
Singhal, A. and Seborg, D. E. (2005). Clustering multivariate time-series data. Journal of Chemometrics, 19, 427-438.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

우리나라 기상자료에 대한 군집분석
Clustering analysis of Korea's meteorological data 원문보기 논문타임라인

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (11)
타임라인 바로가기

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

우리나라 기상자료에 대한 군집분석 Clustering analysis of Korea's meteorological data 원문보기 논문타임라인

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (11) 타임라인 바로가기

이 논문을 인용한 문헌

저자의 다른 논문 :

여인권 (32)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

우리나라 기상자료에 대한 군집분석
Clustering analysis of Korea's meteorological data 원문보기 논문타임라인

초록
AI-Helper

AI 본문요약
AI-Helper

참고문헌 (11)
타임라인 바로가기