[논문]중력모델을 적용한 미세먼지 흐름 패턴 시공간 시각화

이건우; 염재홍

doi:10.7848/ksgpc.2019.37.6.417

[국내논문] 중력모델을 적용한 미세먼지 흐름 패턴 시공간 시각화
Spatio-temporal Visualization of PM10 Flow Pattern Using Gravity Model 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.37 no.6, 2019년, pp.417 - 426

이건우 (Dept. of Geoinformation Engineering, Sejong University) , 염재홍 (Dept. of Environment, Energy & Geoinformatics, Sejong University)

초록
AI-Helper

이 연구에서는 미세먼지 시공간 변화 표현의 단점을 개선하고자 미세먼지를 흐름으로 시각화하였다. 일반적으로 미세먼지 흐름 시각화는 농도 분포와 바람장을 중첩해 표현하지만 도시 단위 이하 국지적 이동의 경우 바람과 미세먼지 이동이 다를 수 있으므로 바람장을 사용하는 것이 적합하지 않을 수 있다. 제시하는 시각화 방법론은 미세먼지 자료에서 직접 흐름 정보를 추출한다는 점에서 기존 연구와 차별성을 갖는다. 공간 상호작용을 설명하는 중력모델을 확장한 흐름 추출 방법을 미세먼지 자료에 적용하여 미세먼지 분포 변화에서 흐름 정보를 추출하였다. 이를 위해 공간보간법을 이용하여 미세먼지 분포도를 작성하였으며 추출된 미세먼지 흐름 정보를 물방울 모양의 움직이는 입자를 이용해 동적으로 시각화하였다. 산업 및 교통 활동이 시작하는 오전 5~7시 시간대를 대상으로 서울시 미세먼지 평균 흐름을 시각화하였으며 미세먼지 요인 중 하나인 교통정보와 연계하여 시각적으로 관련성을 분석하였다.

Abstract ▼ AI-Helper

Conventional visualization of PM (Particulate Matter)10 flows applies superimposition of concentration distribution maps and wind field maps. This method is efficient for small scale maps where only macro flow trends are of interest. However, in the case of urban areas, local flows are difficult to model at micro level using wind fields, and therefore different methods of flow extraction is deemed necessary. In this study, flow information is extracted and visualized directly from the PM10 density data by using the gravity model. This method has the advantage that additional information such as wind field is not necessary for estimating the intensity and direction of PM10 flow. The extracted spatio-temporal flow patterns of PM10 are analyzed with relation to traffic information.

주제어

표/그림 (14)

그림 Fig. 1. Multi-granularity time zooming visualization technique (Lu et al., 2017)
그림 Fig. 2. Station-based air quality data visual analysis system(Du et al., 2016)
그림 Fig. 3. Extracting vector fields of sample data : the case of concentration and dispersion
그림 Fig. 4. Extracting vector fields of sample data : the case of movement
그림 Fig. 5. Case of ﬂow visualization of PM10 : Nullschool's Earth Airvisual Earth (http://earth.nullschool.net, accessed Mar 25, 2019)
그림 Fig. 6. OLIC : the following examples illustrate an extension of Line Integral Convolution which depicts direction and orientation within a ﬂow (Wegenkittl et al., 1997)
그림 Fig. 7. Process of extracting spatio-temporal ﬂow and visualization
그림 Fig. 8. Interpolation results of an hourly PM10 in Seoul
그림 Fig. 9. PM10 distribution from t-1 to t+1 and gravity and direction of the extracted ﬂow information; (a) PM10 distributions, (b) gravity, (c) direction
그림 Fig. 10. Flow visualization of PM10 with particle animation similar to OLIC
그림 Fig. 11. Flow map visualization and ﬂow direction with intensity in 2014~2016
그림 Fig. 12. Seasonal PM10 ﬂow patterns and ﬂow direction with intensity
그림 Fig. 13. Trafﬁc velocity in northeastern part of Seoul during winter
그림 Fig. 14. Trafﬁc velocity in northeastern part of Seoul during spring

AI 본문요약
AI-Helper

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

문제 정의

국외 사례보다 상대적으로 높은 측정소 밀도를 가지는 서울시 선행연구를 살펴보았다. Cho and Jeong (2009)은 지역경향모형(local trend surface model), RBF(radial basis function), IDW, 크리깅 방법을 서울시 미세먼지 자료에 적용하여 공간 보간법 적용 가능성을 평가하였다.
반면에 공간 분포 변화와 패턴을 파악하기 위한 시각화 기술에 관한 연구는 부족한 실정이다. 이 연구에서는 시간에 따른 미세먼지 공간 분포 변화를 효과적으로 표현하기 위한 흐름 시공간 시각화 방안을 제시한다.
미세먼지 공간분포를 시간순으로 나열하여 시공간적 변화를 표현하는 방법은 사람이 직접 변화를 파악해야 하므로 데이터에 존재하는 정보를 놓치거나 오해할 수 있다. 이 연구에서는 이러한 문제를 개선하기 위해 미세먼지 분포의 시공간적 변화를 흐름으로 표현한다. 흐름으로 미세먼지를 표현하면 시공간적 변화를 동시에 표현할 수 있어 기존 미세먼지 시공간 시각화의 단점인 인지 및 지각 한계를 보완할 것으로 판단하였다.
Cho and Jeong (2009)은 지역경향모형(local trend surface model), RBF(radial basis function), IDW, 크리깅 방법을 서울시 미세먼지 자료에 적용하여 공간 보간법 적용 가능성을 평가하였다. 이 연구에서는 일반 및 정규 크리 깅 방법이 다른 보간법에 비해 높은 예측 정확도를 나타낸다고 평가하였다.
이 연구의 목적은 도심지와 같은 지역에 대해서 미세먼지의 흐름을 바람장에 의존하지 않는 시각화하는 방안을 제시하는 것이다.

제안 방법

2014~2016년 미세먼지 평균 흐름을 비교하고 계절별 흐름 경향을 확인하였다. 교통 및 산업 활동이 시작하는 오전 5~7시 출근 시간대를 기준으로 2014~2016년 미세먼지 흐름 패턴을 비교 하고 기준 연도를 설정해 계절별 흐름 패턴을 분석하였다.
2014~2016년 미세먼지 평균 흐름을 비교하고 계절별 흐름 경향을 확인하였다. 교통 및 산업 활동이 시작하는 오전 5~7시 출근 시간대를 기준으로 2014~2016년 미세먼지 흐름 패턴을 비교 하고 기준 연도를 설정해 계절별 흐름 패턴을 분석하였다.
이 연구의 목적은 도심지와 같은 지역에 대해서 미세먼지의 흐름을 바람장에 의존하지 않는 시각화하는 방안을 제시하는 것이다. 또한 본 연구에서는 미세먼지 분포 변화 패턴을 흐름으로 시각화하고 교통정보와 관련성을 분석한다. 세밀한 분석을 위해 도로를 등급에 따라 구분하고 차량 정체 정도를 의미하는 통행속도 자료를 이용한다.
미세먼지 시공간 변화를 흐름으로 시각화하였을 때 발견되는 패턴을 해석하기 위해 미세먼지 요인 중 하나인 교통정보와 중첩하였으며 계절별 흐름 패턴을 분석하고 도로 등급별 통행 속도와 관련성을 시각적으로 확인하였다. 교통자료는 한국교 통연구원(2019)에서 운영 중인 ViewT의 시간 평균 통행속도 자료를 이용하였으며, 국토교통부 지능형교통체계 관리시스템 (2019)에서 제공하는 표준노드링크 자료 속성 정보에 추가하 여 공간 데이터화하였다.
미세먼지 자료에서 직접 흐름 정보를 추출하기 위해 중력모델 기반 시공간 흐름 추출 방법을 적용하였다. 서울시 미세먼지 관측 자료를 크리깅 기법으로 공간 분포도를 생성하고 입력 자 료로 사용하여 미세먼지 흐름 정보를 추출하였다.
7과 같으며 크게 데이터 전처리, 미세먼지 데이터 공간 보간, 중력모델을 이용한 흐름 추출 그리고 추출된 흐름 정보의 시각화로 구성된다. 미세먼지 측정 자료를 이용하여 시간별 미세먼지 분포도를 작성하고 중력모델에 입력하여 미세먼지 시공간 흐름을 추출하고 시각화한다. 이 연구에서 다루는 공간적 범위는 서울시이며 시간적 범위는 2014년을 대상으로 하였다.
13와 14는 겨울과 봄 북동부 지역 집중 패턴과 도로별 통행속도 변화이다. 미세먼지 흐름 패턴과 도로를 중첩하였으며 통행속도를 색으로 표시하였다. 계절별 흐름 시각화 결과를 봤을때강도 차이는 있지만 봄, 여름, 가을이 유사한 경향을 보여 봄과 겨울 흐름 패턴을 통행속도와 중첩 시각화하였다.
미세먼지 흐름의 계절 특성을 확인하고 교통정보와 관련성을 분석하였다. 차량 활동이 시작되는 출근 시간 미세먼지 흐름 패턴을 시각화하였다.
미세먼지농도 분포 변화에서 추출한 계절별 흐름 정보를 시각화하였으며 집중 패턴을 남색 네모로 표시하였다(Fig. 12). 미세먼지 농도가 높은 겨울과 봄의 미세먼지 흐름 시각화 결과를 보면 강서, 영등포, 강남 지역에 공통으로 집중되는 패턴이 나타났지만, 동북부 지역에서 차이를 보였다.
(3)과 같다. 방향 커널을 평균 풍속을 기준으로 크기를 설정해 미세먼지 시공간 특성을 고려하였다.
차량이 미세먼지 집중에 미치 는 영향을 파악하기 위해 출근 시간대인 오전 5~7시 미세먼지 농도 자료를 이용하였다. 베리오그램 작성은 자료 특성을 잘 반영할 수 있도록 이격 거리를 조절해 가면서 실험적 베리오그램을 작성하였으며, 자료의 우세한 공간 특성을 찾아내기 위한 베리오그램 모델링을 수행하였다. 셀 사이즈는 흐름 추출 과정에서 계산량과 시각화 시 흐름 밀도를 고려해 500m로 설정하였다.
보간된 미세먼지 공간 분포도를 중력모델에 적용하여 흐름 정보를 추출하였다.
교통자료는 한국교 통연구원(2019)에서 운영 중인 ViewT의 시간 평균 통행속도 자료를 이용하였으며, 국토교통부 지능형교통체계 관리시스템 (2019)에서 제공하는 표준노드링크 자료 속성 정보에 추가하 여 공간 데이터화하였다. 본 연구에서는 기존 연구보다 세밀한 분석을 위해 중요 도시, 중요 공항, 관광지 등을 연결하며 국가 기간 도로망을 이루는 도로인 일반국도와 중요 도시를 연결하는 자동차 전용 고속 교통이 이용하는 고속국도로 등급을 구분하였다.
동북부 지역은 2015년을 제외하고 집중 패턴이 확인된다. 부분적으로 차이는 있으나 특징적인 패턴이 유사하여 2014년을 분석 기준 연도로 선정하여 계절별 흐름 패턴을 분석하였다.
미세먼지 자료에서 직접 흐름 정보를 추출하기 위해 중력모델 기반 시공간 흐름 추출 방법을 적용하였다. 서울시 미세먼지 관측 자료를 크리깅 기법으로 공간 분포도를 생성하고 입력 자 료로 사용하여 미세먼지 흐름 정보를 추출하였다. 추출된 흐름 정보는 벡터 필드 시각화 기술을 이용해 동적으로 시각화하였다.
(2016)은 미세먼지를 포함한 대기오염 물질의 시공간 정보를 직관적이고 정확히 전달하기 위해 시각화 도구의 특성을 고려한 시각화 방법론을 제시하였다. 선 그래프와 히트맵, 평행좌 표 차트 등 시각화 도구를 이용해 시간적 특성을 분석하고 공간 분포도를 생성해 공간적 특성을 파악한다. Ahn (2016)은 대기오염 물질의 시공간 패턴을 파악하기 위해 시계열 정보를 담은 시각화 도구와 지도를 연결하는 방법을 제안하였다.
또한 본 연구에서는 미세먼지 분포 변화 패턴을 흐름으로 시각화하고 교통정보와 관련성을 분석한다. 세밀한 분석을 위해 도로를 등급에 따라 구분하고 차량 정체 정도를 의미하는 통행속도 자료를 이용한다.
1과 같다. 이 방법은 방사형 트리맵을 이용하여 분기나 월, 일 단위 계층적 시간 순환 패턴을 탐색하는 시각화 도구를 이용해 시공간 분석을 수행한다.
샘플데이터 왼쪽 위는 t-1 시점에서 t+1 시점으로 시간이 흐르면서 중심부 값이 낮아지고 있으며, 오른쪽 아랫부분은 시간이 지나면서 중심부 값이 높아진다. 이 샘플 데이터를 중력모델에 입력하여 분포 변화 흐름 정보를 추출하였다. 시간이 지나면서 중심 값이 낮아 진 곳은 중심부로부터 확산되는 흐름 패턴을 가지고 있으며, 시 간이 지나면서 중심부가 높아지는 곳은 중심부로 집중되는 흐름 패턴을 보인다.
이때 바람은 선 모양의 입자를 동적으로 표현하여 바람 강도와 방향을 나타낸다. 이 연구에서 제시하는 시각화 방법은 바람에 의존하지 않는 미세먼지 흐름 시각화라는 점에서 차별된다
이 연구에서는 시공간 미세먼지 시각화 문제점을 개선하기 위해 미세먼지를 흐름으로 시각화하였다. 일반적으로 미세먼지 흐름은 바람과 기압 등 기상 정보를 이용해 시각화한다.
이 연구에서는 여러 시점의 미세먼지 분포에서 추출한 변화 패턴을 흐름으로 표현하였으며, 기상 및 기후 정보 등 추가정보 없이 미세먼지 관측 자료에서 흐름을 직접 추출하는 방법으로 중력모델을 이용한다.
확정자료는 측정소 위치 정보를 가지고 있지 않기 때문에 측정소의 위치정보와 통합시켰다. 이 자료를 계절별 시간 평균 미세먼지 농도 자료로 집계 단위를 변환하였다. 집계 단위를 시간 평균으로 변환한 이유는 첫째 시공간 변동성이 큰 미세먼지의 계절적 특징을 확인하기 위한 것이며, 둘째 교통정보가 하루(24시간) 주기로 반복되는 시간 패턴을 보이기 때문이다.
하지만, 도시 단위에서는 기류 변동성과 지형지물에 의한 영향이 크기 때문에 기상정보를 이용한 미세먼지 흐름 시각화 방법의 적용이 어렵다. 이 한계를 보완하기 위해 미세먼지 공간 분포 변화에서 흐름 정보를 직접 추출하는 방법을 적용해 국지 단위 미세먼지 흐름을 시각화하였다. 흐름으로 표현된 미세먼지 시공간 변화 특징 및 패턴을 파악하고 교통 측면에서 분석하였다.
10을 보면 각 위치에서 이동하는 입자들로 미세먼지 흐름 패턴이 표현되어 일부 지역에 미세먼지 집중 패턴을 확인할 수 있다. 중력모델을 이용한 흐름 추출 및 시각화 방법으로 미세먼지 분포도를 나열하거나 애니메이션을 이용한 시공간 변화 시각화 방법의 인지 및 지각 한계를 개선하였으며 흐름에 대한 추가 정보없이 국지 단위 미세먼지 흐름을 시각화하였다.
미세먼지 흐름의 계절 특성을 확인하고 교통정보와 관련성을 분석하였다. 차량 활동이 시작되는 출근 시간 미세먼지 흐름 패턴을 시각화하였다. 서울 동북부 지역을 제외하면 미세먼지 흐름 패턴은 유사하였다.
사계절 모두 출근 시간 미세먼지 농도가 상승하는 경향이 있으므로 집중 패턴이 특징적이었다. 출근 시간 미세먼지 평균 흐름과 도로 등급별 통행속도를 중첩 시각화하여 관련성을 시각적으로 확인하였다. 교통정보는 미세먼지 흐름 집중 패턴과 유사한 경향을 가지는 것으로 보였다.
이 한계를 보완하기 위해 미세먼지 공간 분포 변화에서 흐름 정보를 직접 추출하는 방법을 적용해 국지 단위 미세먼지 흐름을 시각화하였다. 흐름으로 표현된 미세먼지 시공간 변화 특징 및 패턴을 파악하고 교통 측면에서 분석하였다.

대상 데이터

미세먼지 시공간 변화를 흐름으로 시각화하였을 때 발견되는 패턴을 해석하기 위해 미세먼지 요인 중 하나인 교통정보와 중첩하였으며 계절별 흐름 패턴을 분석하고 도로 등급별 통행 속도와 관련성을 시각적으로 확인하였다. 교통자료는 한국교 통연구원(2019)에서 운영 중인 ViewT의 시간 평균 통행속도 자료를 이용하였으며, 국토교통부 지능형교통체계 관리시스템 (2019)에서 제공하는 표준노드링크 자료 속성 정보에 추가하 여 공간 데이터화하였다. 본 연구에서는 기존 연구보다 세밀한 분석을 위해 중요 도시, 중요 공항, 관광지 등을 연결하며 국가 기간 도로망을 이루는 도로인 일반국도와 중요 도시를 연결하는 자동차 전용 고속 교통이 이용하는 고속국도로 등급을 구분하였다.
서울시는 데이터가 풍부하고 다른 지역에 비해 미세 먼지관측 자료의 공간적 밀도가 높다. 시간적 범위는 확보된 교통정보와의 통합을 위해 2014년으로 선정하였다.
미세먼지 측정 자료를 이용하여 시간별 미세먼지 분포도를 작성하고 중력모델에 입력하여 미세먼지 시공간 흐름을 추출하고 시각화한다. 이 연구에서 다루는 공간적 범위는 서울시이며 시간적 범위는 2014년을 대상으로 하였다. 서울시는 데이터가 풍부하고 다른 지역에 비해 미세 먼지관측 자료의 공간적 밀도가 높다.
국립환경과학원에서는 최종 통계처리를 거친 최종확 정자료를 발표한다. 이 연구에서는 서울시 측정소의 2014년 시간 자료를 사용하였다. 확정자료는 전국 모든 측정소 정보를 가지고 있으므로 연구의 공간적 범위인 서울시에 위치한 측정소 정보만 추출하였다.
본 연구에서는 선행연구를 고려하여 정규 크리깅 방법으로 미세먼지 분포도를 생성하였다. 차량이 미세먼지 집중에 미치 는 영향을 파악하기 위해 출근 시간대인 오전 5~7시 미세먼지 농도 자료를 이용하였다. 베리오그램 작성은 자료 특성을 잘 반영할 수 있도록 이격 거리를 조절해 가면서 실험적 베리오그램을 작성하였으며, 자료의 우세한 공간 특성을 찾아내기 위한 베리오그램 모델링을 수행하였다.
이 연구에서는 서울시 측정소의 2014년 시간 자료를 사용하였다. 확정자료는 전국 모든 측정소 정보를 가지고 있으므로 연구의 공간적 범위인 서울시에 위치한 측정소 정보만 추출하였다. 확정자료는 측정소 위치 정보를 가지고 있지 않기 때문에 측정소의 위치정보와 통합시켰다.

이론/모형

본 연구에서는 선행연구를 고려하여 정규 크리깅 방법으로 미세먼지 분포도를 생성하였다. 차량이 미세먼지 집중에 미치 는 영향을 파악하기 위해 출근 시간대인 오전 5~7시 미세먼지 농도 자료를 이용하였다.
6은 OLIC 예시로 좌측은 시계 방향 우측은 반시계 방향성을 인지할 수 있다. 이 연구에서는 OLIC 방법을 이용한 흐름 시각화를 적용하였다.
이 연구에서는 방향 정보가 없는 미세먼지 시공간 흐름 정보 추출을 위해 Kim et al. (2018)이 제안한 중력모델 기반 흐름 추출 방법을 미세먼지 데이터에 적용하였다. Eq.
서울시 미세먼지 관측 자료를 크리깅 기법으로 공간 분포도를 생성하고 입력 자 료로 사용하여 미세먼지 흐름 정보를 추출하였다. 추출된 흐름 정보는 벡터 필드 시각화 기술을 이용해 동적으로 시각화하였다. 여러 시점의 미세먼지 분포를 하나의 흐름으로 표현한 결과 집중이나 확산하는 패턴을 확인할 수 있었으며 그 변화 정도까지 확인할 수 있었다.

성능/효과

겨울과 봄은 강한 집중 패턴을 보였고 여름과 가을은 약한 집 중패턴을보였다.계절별 공간적 특징을 보면 겨울과 봄은 중서부 지역이 동북부 지역보다 흐름 강도가 높았지만, 여름과 가을은 동북부 지역이 중서부 지역보다 높은 흐름 강도를 보였다.
12). 미세먼지 농도가 높은 겨울과 봄의 미세먼지 흐름 시각화 결과를 보면 강서, 영등포, 강남 지역에 공통으로 집중되는 패턴이 나타났지만, 동북부 지역에서 차이를 보였다. 봄은 중랑과 광진 일대에 넓은 집중 패턴을 보였지만 겨울에는 강북과 노원지역에 강한 집중 패턴이 나타났다.
봄 미세 먼지 흐름은 통행속도가 많이 감소하는 지역 없이 전체적으로 감소하며 도로를 중심으로 모이는 집중 패턴이 형성되었다. 미세먼지 흐름 패턴과 도로 등급별 통행속도 변화 봤을 때 집중 패턴의 위치는 일반국도와 더 유사하지만, 집중 패턴 발생 여부는 고속국도 속도 변화와 상관성이 높았다. 고속국도에서 정체가 발생하는 지역이 집중 패턴을 보였고 공간적으로는 일반국도를 따라 집중 패턴이 위치하였다.
추출된 흐름 정보는 벡터 필드 시각화 기술을 이용해 동적으로 시각화하였다. 여러 시점의 미세먼지 분포를 하나의 흐름으로 표현한 결과 집중이나 확산하는 패턴을 확인할 수 있었으며 그 변화 정도까지 확인할 수 있었다. 흐름 정보는 공간분포 변화를 효과적으로 표현하는 방법으로 대기확산 오염물질인 미세먼지에 대한 이해 향상과 새로운 통찰력을 제공해 줄 수 있을 것으로 기대된다.
교통정보는 미세먼지 흐름 집중 패턴과 유사한 경향을 가지는 것으로 보였다. 집중 패턴의 공간적 위치는 일반국도와 유사하지만, 집중 패턴 발생 여부는 고속국도 통행속도 변화와 상관성이 높았다.
이 연구에서는 이러한 문제를 개선하기 위해 미세먼지 분포의 시공간적 변화를 흐름으로 표현한다. 흐름으로 미세먼지를 표현하면 시공간적 변화를 동시에 표현할 수 있어 기존 미세먼지 시공간 시각화의 단점인 인지 및 지각 한계를 보완할 것으로 판단하였다.

후속연구

여러 시점의 미세먼지 분포를 하나의 흐름으로 표현한 결과 집중이나 확산하는 패턴을 확인할 수 있었으며 그 변화 정도까지 확인할 수 있었다. 흐름 정보는 공간분포 변화를 효과적으로 표현하는 방법으로 대기확산 오염물질인 미세먼지에 대한 이해 향상과 새로운 통찰력을 제공해 줄 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	시각화의 장점은?	, 1999). 시각화는 데이터 탐색 도구로써 전반적인 경향뿐만 아니라 예상하지 못한 패턴 같은 데이터에 숨어있는 정보 발견에 중요한 역할을 한다(Keim et al., 2010).
	미세먼지 시공간 특성을 이해하기 위한 효과적인 방법 중 하나는?	미세먼지 자료는 시간과 공간 정보를 포함하고 있으므로 시공간적 특성을 이해하는 것이 중요하다. 미세먼지 시공간 특성을 이해하기 위한 효과적인 방법 중 하나가 시공간 시각화 기술이다. 시각화는 인간 인지능력을 증폭시키기 위해 컴퓨터를 이용한 대화식 시각적 표현을 사용하는 것이며 의사결정을 위한 통찰을 목적으로 한다(Card et al.
	바람장을 이용한 미세먼지 분포 변화 시각화 방법의 단점은?	따라서 바람장을 이용한 미세먼지 분포 변화 시각화 방법은 국가 단위 대규모 변화를 표현하는데 적합하지만, 도시 단위 이하 국지적 변화는 바람장과 미세먼지 분포 변화의 관련성이 일정하지 않으므로 적용이 어렵다. 또한 이 방법은 바람이라는 추가적인 정보가 필요하다는 단점이 있다. 이러한 한계는 여러 시점의 미세먼지 분포에서 변화 패턴을 직접 추출하고 흐름으로 시각화하여 개선한다.

참고문헌 (35)

Ahn, J.Y. (2016), Micromap plots to visualize air pollution at national and local level in Korea, International Journal of Environmental Studies, Vol. 73, No. 2, pp. 277-285.

상세보기
Cabral, B. and Leedom, L.C. (1993), Imaging vector fields using line integral convolution, Proceedings of SIGGRAPH93, ACM, 2-6 August, Anaheim, CA, USA, pp. 263-270.
Card, S.K., Mackinlay, J.D., and Shneiderman, B. (1999), Readings in Information Visualization: Using Vision to Think, Morgan Kaufmann Publishers Inc., San Francisco, CA.
Cho, H.L. and Jeong, J.C. (2009), The distribution analysis of PM10 in Seoul using spatial interpolation methods, Journal of Environmental Impact Assessment, Vol. 18, No. 1, pp. 61-69. (in Korean with English abstract)
Deligiorgi, D. and Philippopoulos, K. (2011), Spatial interpolation methodologies in urban air pollution modeling: application for the greater area of metropolitan Athens, Greece, IntechOpen, pp. 341-362.
Du, Y., Ma, C., Wu, C., Xu, X., Guo, Y., Zhou, Y., and Li, J. (2017), A visual analytics approach for station-based air quality data, Sensors, Vol. 17, No. 1, pp. 30-47.

상세보기
IQAir (2019), Airvisual Earth, IQAir, http://www.airvisual.com/earth (last date accessed: 15 October 2019).
Javed, W., Ghani, S., and Elmqvist, N. (2012), GravNav: using a gravity model for multi-scale navigation, Proceedings of the International Working Conference on Advanced Visual Interfaces, AVI, 21-25 May, Capri Island, Itary, pp. 217-224.
Jeollabuk-do (2017), The Causal Analysis of Particle Matter Using Big Data in Jeollabuk-do, Research Report, Jeollabukdo Research Institute of Health and Environment, Jeollabukdo, pp. 10-26. (in Korean)
Jeong, J.C. (2014), A spatial distribution analysis and time series change of PM10 in Seoul city, Journal of the Korean Association of Geographic Information Studies, Vol. 17, No. 1, pp. 61-69. (in Korean with English abstract)

원문보기 상세보기
KECO (2019), AirKorea, Korea Environment Corporation, https://www.airkorea.or.kr (last date accessed: 15 October 2019).
Keim, D., Kohlhammer, J., Ellis, G., and Mansmann, F. (2010), Mastering the information age: Solving problems with visual analytics, Eurographics Association, Goslar, Germany.
Keler, A. and Krisp, J.M. (2015), Spatio-temporal visualization of interpolated particulate matter (PM2.5) in Beijing, GI_Forum - Journal for Geographic Information Science, 7-10 July, Salzburg, pp. 464-474.
Kim, S., Jeong, S., Woo, I., Jang, Y., Maciejewski, R., and Ebert, D.S. (2018), Data flow analysis and visualization for spatiotemporal statistical data without trajectory information, IEEE Transactions on Visualization and Computer Graphics, Vol. 24, No. 3, pp. 1287-1300.

상세보기
Kincses, A. and Toth, G. (2014), The application of gravity model in the investigation of spatial structure, Acta Polytechnica Hungarica, Vol. 11, No. 2, pp. 5-19.
KOTI (2019), ViewT, The Korea Transport Institute, https://viewt.ktdb.go.kr (last date accessed: 15 October 2019).
Laidlaw, D.H., Kirby, R.M., Jackson, C.D., Davidson, J.S., Miller, T.S., Da Silva, M., and Tarr, M.J. (2005), Comparing 2D vector field visualization methods: a user study, IEEE Transactions on Visualization and Computer Graphics, Vol. 11, No. 1, pp.59-70.

상세보기
Laramee, R.S., Hauser, H., Doleisch, H., Vrolijk, B., Post, F.H., and Weiskopf, D. (2004), The state of the art in flow visualization: dense and texture-based techniques, Computer Graphics Forum, Vol. 23, No. 2, pp. 203-221.

상세보기
Lewer, J.J. and Van den Berg, H. (2008), A gravity model of immigration, Economics Letters, Vol. 99, No. 1, pp. 164-167.

상세보기
Li, H., Fan, H., and Mao, F. (2016), A visualization approach to air pollution data exploration-a case study of air quality index (PM2.5) in Beijing, China, Atmosphere, Vol. 7, No. 3, pp. 35-55.

상세보기
Li, X., Tian, H., Lai, D., and Zhang, Z. (2011), Validation of the gravity model in predicting the global spread of influenza, International Journal of Environmental Research and Public Health, Vol. 8, No. 8, pp. 3134-3143.

상세보기
Liao, Z., Peng, Y., Li, Y., Liang, X., and Zhao, Y. (2014), A webbased visual analytics system for air quality monitoring data, 22nd International Conference on Geoinformatics, IEEE, 25-27 June, Kaohsiung, pp. 1-6.
Liu, Y., Sui, Z., Kang, C., and Gao, Y. (2014), Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data, PloS One, Vol. 9, No. 1, pp. 1-11.
Lu, W., Ai, T., Zhang, X., and He, Y. (2017), An interactive web mapping visualization of urban air quality monitoring data of China, Atmosphere, Vol. 8, No. 8, pp. 148-164.

상세보기
Martinez-Zarzoso, I. and Nowak-Lehmann, F. (2003), Augmented gravity model: an empirical application to Mercosur-European Union trade flows, Journal of Applied Economics, Vol. 6, No. 2, pp. 291-316.

상세보기
MOLIT (2019), ITS, Ministry of Land, Infrastructure and Transport, http://nodelink.its.go.kr (last date accessed: 15 October 2019).
Nullschool (2019), Earth, Nullschool, http://earth.nullschool.net (last date accessed: 15 October 2019).
Tian, G., Qiao, Z., and Xu, X. (2014), Characteristics of particulate matter (PM10) and its relationship with meteorological factors during 2001-2012 in Beijing, Environmental Pollution, Vol. 192, pp. 266-274.

상세보기
Tufte E.R. (1991), Envisioning information, Optometry and Vision Science, Vol. 68, No. 4, pp. 322-324.

상세보기
Vorapracha, P., Phonprasert, P., Khanaruksombat, S., and Pijarn, N. (2015), A comparison of spatial interpolation methods for predicting concentrations of particle pollution (PM10), International Journal of Chemical, Environmental and Biological Sciences, Vol. 3, No. 4, pp. 302-306.
Wegenkittl, R., Groller, E., and Purgathofer, W. (1997), Animating flow fields: rendering of oriented line integral convolution, Proceedings of Computer Animation '97, IEEE, 2-3 September, Hungary, pp. 15-21.
Windy (2019), Windy map and weather forecast, Windy, http://www.windy.com (last date accessed: 15 October 2019).
Wong, D.W., Yuan, L., and Perlin, S.A. (2004), Comparison of spatial interpolation methods for the estimation of air quality data, Journal of Exposure Science and Environmental Epidemiology, Vol. 14, No. 5, pp. 404-415.

상세보기
Xiao, K., Wang, Y., Wu, G., Fu, B., and Zhu, Y. (2018), Spatiotemporal characteristics of air pollutants (PM10, PM2. 5, SO2, NO2, O3, and CO) in the inland basin city of Chengdu, Southwest China, Atmosphere, Vol. 9, No. 2, pp. 74-90.

상세보기
Zhou, Z., Ye, Z., Liu, Y., Liu, F., Tao, Y., and Su, W. (2017), Visual analytics for spatial clusters of air-quality data, IEEE Computer Graphics and Applications, Vol. 37, No. 5, pp. 98-105.

상세보기

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