[논문]실내 공간별 미세먼지농도 비교 데이터의 시각화

이상익; 이진국

doi:10.6107/jkha.2015.26.4.055

실내 공간별 미세먼지농도 비교 데이터의 시각화
Visualization of the Comparison between Airborne Dust Concentration Data of Indoor Rooms on a Building Model 원문보기

한국주거학회 논문집 = Journal of the Korean Housing Association, v.26 no.4, 2015년, pp.55 - 62

이상익 (한양대학교 실내건축디자인학과) , 이진국 (한양대학교 실내건축디자인학과)

Abstract ▼ AI-Helper

The international concern on the inhalable fine dust is continuing to increase. In addition to the toxic properties of the fine dust itself, it can be more dangerous than other environmental factors since the dust pollution is hard to be detected by human sense. Although the information on outdoor air condition can be acquired easily, the indoor dust concentration is another problem because the indoor air condition is influenced by the architectural environment and human activity. It means occupants may be exposed to indoor dust pollution over a long period without being aware. Therefore the indoor dust concentration should be measured separately and visualized as an intuitive information. By visualizing, the indoor dust concentration in each space can be recognized practically in compare with the degree of pollution in adjacent spaces. Besides the visualization outcome can be used as base data for related research such as an analysis of the relation between indoor dust concentration and architectural environment. Meanwhile, with the development of network and micro sensing devices, it became possible to collect wide range of indoor environment data. In this regards, this paper suggests a system for visualization of indoor dust concentration and demonstrates it on an actual space.

주제어

AI 본문요약
AI-Helper

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

문제 정의

때문에 시각화 범위를 여러 공간으로 넓혀 개별 공간들의 미세먼지농도를 비교 및 상대적으로 파악하도록 하였다. 동시에 넓은 공간단위에서 미세먼지농도의 분포가 어떠한지를 전체적으로 알 수 있도록 하였다.
단순 측정데이터의 시각적 표현이 아니라 개별 공간들의 상대적인 오염분포를 파악할 수 있도록 인접한 공간들을 동시에 측정 및 시각화한다. 또한 이를 대상공간의 도면상에 시각화하여, 미세먼지농도 분포를 보다 직관적으로 파악하게 하며 동시에 실내 미세먼지 오염과 공간의 건축 환경 사이의 관계를 드러내고자 하였다.
본 논문의 목적은, 그 중요성에 비해 상대적으로 거주자가 느끼거나 측정하기 어려운 실내 미세먼지농도를 각 넓은 범위에서 시각화하기 위한 하나의 소프트웨어 및 하드웨어의 통합적 접근방법을 제안 하고 구현함으로써, 수치뿐만 아닌 대상공간의 도면이나 건물모델과 함께 파악 및 비교할 수 있도록 하는 것이다. 구현된 시각화 시스템의 특징 및 주안점을 요약하자면 다음과 같다.
본 연구는 실내 미세먼지환경을 직관적으로 파악할 수 있도록 시각화하는 시스템을 구현하는 것을 목적으로 한다. 단순 측정데이터의 시각적 표현이 아니라 개별 공간들의 상대적인 오염분포를 파악할 수 있도록 인접한 공간들을 동시에 측정 및 시각화한다.
그러나 광학식 센서의 특성상 입자분리가 어려우며 중량법 등 다른 측정방식에 비해 아직은 정확성이 떨어진다. 본 연구에서는 측정값을 중량법 등을 표준 측정방법으로 사용한 법규 및 가이드라인에서의 권고기준 및 대기 미세먼지농도 데이터와 직접 비교하기보다는 측정값을 시간별, 공간별로 시각화하여 상대적으로 인지할 수 있도록 하는데 주안점이 있다.
본 연구의 목적은 미세먼지농도의 정밀한 측정이나 데이터 분석 자체가 아닌, 데이터의 측정 및 시각화를 통해 직관적으로 공기환경을 파악하거나 실별 측정값을 비교가 가능하도록 하는 것이다. 따라서 시각화의 소프트웨어 및 하드웨어적 구현이 상대적으로 저렴하고 용이한 광산란 측정방식 기반의 센서(Sharp Optical Dust Sensor, GP2Y1010AU0F)를 사용하였으며, 전반적인 센서의 제어는 Arduino 환경에서 이루어졌다.
(3) 시각화할 데이터의 시간적 범위를 선택할 수 있도록 사용자가 제어 창을 통해 시간범위를 조정할 수 있게 하였다. 이를 통해 시간의 흐름에 따라 미세먼지농도의 변화를 알 수 있도록 하였다.
실외 대기의 미세먼지농도에 관한 정보는 기상청 홈페이지 등을 통해 쉽게 얻을 수 있는 반면 실내의 미세먼지 오염정도를 파악할 수 있는 방법은 공기청정기 등과 같은 일부 기기를 통해 얻는 대략적인 수치 이외에는 없으며, 이마저도 특정 공간만을 대상으로 한다. 이에 본 논문은 다수의 미세먼지농도센서 및 제어기기를 활용하여 실내 공간 별 미세먼지농도 값을 직관적으로 시각화하여 비교할 수 있는 하나의 접근방법을 개발 및 구현하고자 한다.

제안 방법

(2) 각 공간의 미세먼지농도 측정값을 대상공간의 평면도와 결합하여 표현하였다. 이를 통해 넓은 공간단위에서 미세먼지농도의 전체적인 분포가 어떠한지를 직관적으로 파악할 수 있도록 하였으며 동시에 미세먼지농도와 측정 공간의 건축 환경과의 관계를 도출할 수 있게 하였다.
대상 공간은 복도 및 계단실을 제외한 컴퓨터실, 도서관, 장비실, 강의실 3개, 연구실 8개 공간으로 구성되어 있다. 각 공간에서 미세먼지 농도를 12시부터 14시까지 두 시간씩 측정하였다.
사이의 값으로 나타났다. 각 실별 평균 측정값을 박스의 높이 및색상으로 나타내기 위해 측정값의 최대, 최솟값을 참조하여 시각표현요소의 범위를 설정하였다.
건물 모델 레이어는 시각화의 배경이 되는 대상공간의 평면도가 생성되는 레이어로, 시각정보 레이어와 결합되어 측정 대상공간의 건축 환경과 먼지농도 사이의 연관 관계를 드러내도록 한다. 건물 모델로부터 추출한 평면도의 크기와 비율을 고려하여 레이어를 생성한 후, 평면도를 Processing 환경에서 호환 가능한 형태로 건물 모델 레이어에 매핑한다.
(1) 실내 미세먼지는 감각적으로 파악하기 어려운 환경요소일 뿐 아니라 규제기준 등이 도입단계에 머물러있기 때문에 단일 공간의 측정 및 시각화만으로는 미세먼지 오염정도가 어떠한지를 나타내기 어렵다. 때문에 시각화 범위를 여러 공간으로 넓혀 개별 공간들의 미세먼지농도를 비교 및 상대적으로 파악하도록 하였다. 동시에 넓은 공간단위에서 미세먼지농도의 분포가 어떠한지를 전체적으로 알 수 있도록 하였다.
먼지농도 측정 장비로 Arduino 장치 중 하나인 Uno Board와 Optical Dust Sensor를 연결하여 사용하였다. Dust Sensor는 광학식 미세먼지 센서로 측정값을 실시간으로 축적하는 것이 가능하며 가장 작게는 직경 0.
[Table 2]는 환경부의 미세먼지 예보 등급으로 지역별 대기 미세먼지 측정치에 따라 미세먼지 오염상태를 ‘좋음’, ‘보통’, ‘나쁨’, ‘매우 나쁨’ 4가지로 나누어 구분한다. 이를 참조하여 측정당시 대기중 미세먼지농도 데이터를 시각화 창의 배경색에 매핑하여 대기 미세먼지 농도가 높아질수록 흰색에서 어두운 회색으로 점차 변화하도록 하였다. 또한 해당시간의 대기 미세먼지 예보 등급을 시각화 인터페이스 창에 텍스트로 표기하였다.
데이터 변환은 크게 세 단계로 구분된다. 첫 번째로 0부터 1023사이의 값으로 측정된 데이터를 표준 먼지농도 단위로 변환한다. 그다음 센서로부터 측정되어 엑셀파일로 수집된 데이터셋을 Processing 환경으로 불러온다.
후자의 방법이 본 연구에서 구현한 시스템에서 사용한 방법으로, 별도의 장치로 센서의 세부위치를 파악하는 것이 아니라 센서가 설치된 공간 자체에 센서 측정값을 할당한다. 이를 통해 공간별 환경 측정값을 넓은 범위로 시각화하는 것이 가능해 대상공간의 범위 내 측정환경의 전체적 분포를 파악하는데 효과적이다.

대상 데이터

본 연구에서 구현한 시각화 시스템은 서울시 성동구 H 대학교의 한 단과대학 건물[Figure 10] 5층의 공간들을 대상으로 적용 및 테스트되었다. 대상 공간은 복도 및 계단실을 제외한 컴퓨터실, 도서관, 장비실, 강의실 3개, 연구실 8개 공간으로 구성되어 있다. 각 공간에서 미세먼지 농도를 12시부터 14시까지 두 시간씩 측정하였다.
본 연구에서 구현한 시각화 시스템은 서울시 성동구 H 대학교의 한 단과대학 건물[Figure 10] 5층의 공간들을 대상으로 적용 및 테스트되었다.
측정당시 대상공간이 위치한 서울시 성동구 대기의 미세먼지농도를 시각화 결과물에 나타내기 위해, [Figure 12]에 나타난 에어코리아의 대기오염도 실시간공개시스템의 데이터를 활용하였다.

이론/모형

본 연구의 목적은 미세먼지농도의 정밀한 측정이나 데이터 분석 자체가 아닌, 데이터의 측정 및 시각화를 통해 직관적으로 공기환경을 파악하거나 실별 측정값을 비교가 가능하도록 하는 것이다. 따라서 시각화의 소프트웨어 및 하드웨어적 구현이 상대적으로 저렴하고 용이한 광산란 측정방식 기반의 센서(Sharp Optical Dust Sensor, GP2Y1010AU0F)를 사용하였으며, 전반적인 센서의 제어는 Arduino 환경에서 이루어졌다. Arduino는 환경과 상호작용하는 다양한 센서 및 작동장치를 제어하는데 특화된 마이크로컨트롤러 보드 및 개발환경이다.
여기서 센서 작동간격을 초단위로 조절하는 것이 가능하며, 아날로그값으로 측정된 데이터를 디지털 값으로 변환해 컴퓨터의 시리얼 포트로 전송하도록 한다. 이때 전송되는 데이터를 수집하여 데이터셋으로 저장하기위해 엑셀 플러그인 PLX-DAQ(Parallax Data Acquisition tool)를 사용한다. PLX-DAQ는 Arduino가 전송하는 신호를 엑셀 시트에 저장하는 엑셀 플러그인으로, [Figure 5]와 같이 컴퓨터에 연결된 포트를 통해 전달받은 신호를 데이터베이스화하여 저장한다.

성능/효과

(3) 시각화할 데이터의 시간적 범위를 선택할 수 있도록 사용자가 제어 창을 통해 시간범위를 조정할 수 있게 하였다. 이를 통해 시간의 흐름에 따라 미세먼지농도의 변화를 알 수 있도록 하였다.
대기 미세먼지농도가 ‘좋음’ 등급으로 나타난 4월 20일의 일평균 미세먼지농도는 14 µg/m3로, 해당 값이 매핑된 시각화 결과물의 배경색이 상대적으로 밝게 나타난 반면 대기 미세먼지농도가 ‘보통’, ‘나쁨’으로 악화될수록 배경색이 어두워지는 것을 확인할 수 있다.
후자의 방법이 본 연구에서 구현한 시스템에서 사용한 방법으로, 별도의 장치로 센서의 세부위치를 파악하는 것이 아니라 센서가 설치된 공간 자체에 센서 측정값을 할당한다. 이를 통해 공간별 환경 측정값을 넓은 범위로 시각화하는 것이 가능해 대상공간의 범위 내 측정환경의 전체적 분포를 파악하는데 효과적이다. 또한 건물외부 혹은 다른 공간과의 비교를 통해 개별공간의 상대적인 환경상태를 파악하는 것이 가능하다.
(2) 각 공간의 미세먼지농도 측정값을 대상공간의 평면도와 결합하여 표현하였다. 이를 통해 넓은 공간단위에서 미세먼지농도의 전체적인 분포가 어떠한지를 직관적으로 파악할 수 있도록 하였으며 동시에 미세먼지농도와 측정 공간의 건축 환경과의 관계를 도출할 수 있게 하였다.
측정 및 수집된 실내 미세먼지 데이터는 1시간 평균을 기준으로 적게는 약 2 µg/m3에서 최대 80 µg/m3 사이의 값으로 나타났다.
아래에 수치로 기록된 각 공간별 한 시간 평균 미세먼지농도 데이터는 시각화 결과물에서 각 공간에 해당하는 지오메트리의 변수로 변환 및 매핑되어 박스의 높이, 색상, 텍스트 등으로 나타난다. 평균 미세먼지농도가 옅은 공간은 높이가 낮은 파란색의 박스로, 짙은 공간에서는 높이가 높은 붉은색 박스로 표현되었다.

후속연구

(4) 제시된 접근방법은 실내 미세먼지 이외의 다른 환경이나 다른 공간에서의 환경데이터 수치를 이용한 시각화 구현을 위해서도 적용 가능한 방법으로, 다양한 목적으로 응용될 수 있을 것으로 기대된다.
이렇게 시각적으로 표현된 측정값은 단순 수치의 나열과 비교했을 때 보다 직관적이며 개별 공간의 미세먼지 농도 측정값을 다른 공간, 실외, 권고기준 등과 비교하여 상대적으로 파악하는데 용이하였다. 또한 평면배치 및 창의 면적 등과 같은 건축요소와의 연관성을 도출해 낸다면 관련연구의 기초자료로의 활용될 수 있을 것으로 기대된다.
다만 데이터의 직관적인 시각화를 통한 공간별 비교나 시간대별, 외기의 먼지농도상태 등과의 비교에 효과적이다. 향후 과제로는 다양한 센서 및 시각화 방법 확장, IPS 시스템 및 통신기술의 응용 등이 있을 수 있으며, 관련 후속 연구 및 개발이 진행 중이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	광산란법이란 무엇이며 어떤 특징이 있는가?	, 2010). 광산란법은 빛의 산란을 이용하여 미세먼지 입자를 측정하는 방식으로, 비교적 입자분리가 어렵고 오차율이 높은 편이다. 특히 광산란법을 통한 측정값은 대체적으로 높게 나타날 수 있으며, 강우량이 적을 경우 심하다(Kim et al.
	실내 미세먼지 데이터의 측정부터 시각화까지의 과정을 두 단계로 분리하면?	실내 미세먼지 데이터의 측정부터 시각화까지의 과정은 두 단계로 분리할 수 있다. 먼저 센서 제어, 측정신호의 수집, 결합할 대상공간의 도면생성 등 시각화에 필요한 데이터를 생성하는 데이터 처리 단계가 있으며 이는 Arduino 환경에서 이루어진다. 센서를 통해 수집되는 정보는 미세먼지농도 측정값, 센서작동 시간, 센서위치 등이 있다. 측정값의 경우 수집하여 시각요소로 매핑하는것 뿐 아니라 축적된 데이터셋으로부터 시각화하고자 하는 데이터의 처리단계를 거쳐야 한다. 다음 단계인 데이터 매핑 단계에서는 데이터를 상호작용 가능한 형태로 시각화하는 프로그램 및 개발환경인 Processing 환경에서 데이터가 매핑될 레이어를 생성하고 각 데이터를 할당하여 시각요소로 표현한다. 이와 같은 단계를 거치는 데이터는 미세먼지 측정 데이터와 건물도면 데이터 두 종류가 있으며 각 데이터 타입은 Processing 상에서 별도의 레이어에 매핑되어 시각화된 후 결합되어 시각화 결과물을 생성한다.
	공기 중 미세입자농도를 측정하는 방법은 어떤 것이 있는가?	공기 중 미세입자농도를 측정하는 방법으로는 대표적으로 중량 포집법, 베타선 흡수법, 광산란법이 있다(Kim et al., 2009).

참고문헌 (17)

Airkorea. http://www.airkorea.or.kr/
Arduino. http://www.arduino.cc/
Bae, H. J. (2014). Effects of Short-term Exposure to PM10 and PM2.5 on Mortality in Seoul. Korean Journal of Environmental Health Sciences, 40(5), 346-354.

원문보기 상세보기
Cho, Y. S., Lee, H. S., Kim, Y. S., Lee, J. T., & Park, J. S. (2003). A Study on Chemical Composition of Fine Particles in the Sungdong Area, Seoul, Korea. Journal of the Korean Environmental Sciences Society, 12(6), 665-676.
Kim, J. H., Oh, J., Choi, J. S., Ahn, J. Y., Yoon, G. H., & Park, J. S. (2014). A Study on the Correction Factor of Optic Scattering PM2.5 by Gravimetric Method. Journal of Korean Society of Urban Environment, 14(1), 41-47.
Kim, J. Y. (2011). Risk analysis of size-related airborne particulate matters in urban area. Unpublished doctoral thesis, Yonsie University, Seoul.
Kim, S. J., Kang, H. S., Son, Y. S., Yoon, S. Y., Kim, J. C., Kim, K. S., & Kim, I. W. (2010). Compensation of Light Scattering Method for Real-Time Monitoring of Particulate Matters in Subway Stations. Journal of Korean Society for Atmospheric Environmnet, 26(5), 533-542.

원문보기 상세보기
Kim, S. J., Son, Y. S., Kang, H. S., Kim, J. C., Lee, J. H., Kim, K. S., & Kim, I. W. (2009). Compensation of Particulate Matter Measurement by Light Scattering Method. Journal of Korean Society for Atmospheric Environmnet, 2009(10), 613-615.
Kim, S. Y., & Eric Paulos (2010). inAir: Sharing Indoor Air Quality Measurements and Visualizations, In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2010, 1861-1870.
Kim, Y. D. (2015. 3. 13.). Proposal of Enhanced Law on Fine Particle Filtering Criteria in Building Ventilation System, News1 Korea, http://news1.kr/articles/?2136168
Parallax Inc. PLX-DAQ. https://www.parallax.com/
Processing. https://processing.org/
Sharp, Datasheet of Optical Dust Sensor (gp2y1010au0f). https://www.sparkfun.com/datasheets/Sensors/gp2y1010au_e.pdf
Shin, M. K., Lee, S. I., Lee, H. S., & Lee. J. K. (2014). Implementation of an Integrated Approach for Visualiztion of Indoor Environmental Data. Design Convergence Study, 13(4), 106-117.
Valavanidis, A., Fiotakis, K., & Vlachogianni, T. (2008). Airborne Particulate Matter and Human Health: Toxicological Assessment and Importance of Size and Composition of Particles for Oxidative Damage and Carcinogenic Mechanisms. Journal of Environmental Science and Health, 26(4), 339-362.

상세보기
World Health Organization (2005). Air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide. Geneva: WHO Press.
Zuo, Y. X., & Kim, H. H. (2014). A Study on the Effective Communication of Information Visualization-Focusing on the First Page of Weather Forecasting Application. Journal of Degital Design, 14(3), 84-94.

저자의 다른 논문 :

LOADING...

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