[논문]도로기상 서비스를 위한 실시간 자료처리 및 시각화

김대성; 안숙희; 이채연; 윤상후

doi:10.14400/jdc.2020.18.4.221

도로기상 서비스를 위한 실시간 자료처리 및 시각화
Real-time data processing and visualization for road weather services 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.4, 2020년, pp.221 - 228

김대성 (대구대학교 일반대학원 통계학과) , 안숙희 (한국외국어대학교 대기환경연구센터) , 이채연 (한국외국어대학교 대기환경연구센터) , 윤상후 (대구대학교 수리빅데이터학부)

초록
AI-Helper

산업 기술이 발달함에 따라 편리함을 추구하게 되면서 교통수단 역시 발달하고 있다. 대도시에 거주하는 많은 사람들은 버스, 택시, 자가용 등의 교통수단을 이용하여 출퇴근을 하고 있고 여가를 즐기므로 이동시 발생하는 교통사고의 피해를 줄이기 위한 연구가 필요하다. 본 연구는 실시간으로 도로단위 강우량을 추정하는 법을 다루고 있다. 이를 위해 기상청에서 제공하는 강우 관측 자료와 강우 레이더자료를 실시간으로 수집하여 통합 데이터베이스를 만들고 이를 크리깅 방법을 통해 도로단위 강우량으로 추정하였다. 이 외에도 도로의 실시간 교통소통정보도 강우정보와 융합하여 인터렉티브하게 시각화하는 연구를 수행하였다.

Abstract ▼ AI-Helper

As industrial technology advances, convenience is also being developed. Many people living in big cities are commuting using transportation such as buses, taxis, cars, etc. and enjoy leisure, so research is needed to reduce the damages caused by traffic accidents. This study deals with estimating road-level rainfall in real-time. A rainfall observation data and radar data provided by the Korea meteorological administration were collected in real-time to create an integrated database, which was estimated as road-level rainfall by universal kriging method. Besides, we conducted a study to interactively visualization of mash-up road traffic information in real-time with integrating rainfall information.

주제어

표/그림 (11)

그림 Fig. 1. Physical Structure of Node-Link
표 Table 1. data set
그림 Fig. 2. Visualization of real-time rainfall data
그림 Fig. 3. Visualization of radar data
그림 Fig. 4. Visualization of Standardized Car Speed
그림 Fig. 5. The plot of Variogram model
그림 Fig. 6. Spatial interpolation using Universal Kriging
그림 Fig. 7. (a) Real-time rainfall amount (AWS)
그림 Fig. 7. (b) Real-time Traffic status
그림 Fig. 7. (c) Real-time rainfall amount (Radar)
그림 Fig. 7. (d) Real-time rainfall amount on the Road

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 기상청에서 제공하는 AWS와 강우 레이더자료, 국토교통부에서 제공하는 도로 교통 정보를 실시간으로 취합하여 도로 위험성을 정량화하고 이를 시각화하는 방법을 제시하였다. 국토교통부의 open-API에서 제공하는 교통 소통 정보를 R 프로그램을 통하여 크롤링하였으며, 크리깅 방법을 이용한 도로 단위 강우량 추정 및 수집된 자료를 통합한 웹 앱을 개발하여 본 연구를 진행하였다. 연구지역은 인구밀도와 교통혼잡도가 높은 서울특별시로 설정하였다.
본 연구는 기상청에서 제공하는 AWS와 강우 레이더자료, 국토교통부에서 제공하는 도로 교통 정보를 실시간으로 취합하여 도로 위험성을 정량화하고 이를 시각화하는 방법을 제시하였다. 국토교통부의 open-API에서 제공하는 교통 소통 정보를 R 프로그램을 통하여 크롤링하였으며, 크리깅 방법을 이용한 도로 단위 강우량 추정 및 수집된 자료를 통합한 웹 앱을 개발하여 본 연구를 진행하였다.
본 연구는 실시간 기상자료와 실시간 레이더 자료의 합성을 통한 도로 단위 강수량, 실시간 교통소통정보를 시각화하여 한눈에 볼 수 있는 도로 정보를 만들어 도로 기상 안전성을 평가하고자 한다. 연구자료는 AWS 강우 자료, 강우 레이더 자료, 국토교통부에서 제공하는 교통소통정보와 표준노드링크이다.
기상관측소는 전국의 대기 상황을 모니터링하기 위한 목적으로 설계되어 도로기상을 직접적으로 생산하는데 한계점이 있다[6]. 본 연구는 실시간으로 제공되는 강우자료를 도로단위로 가공하여 도로의 기상위험성을 제시하는 방법을 다루고자 한다.
현재 서울특별시의 전체 노드의 수는 9,189개이고 링크의 수는 20,815개이다. 본 연구에서는 링크단위로 도로의 평균주행속도와 도로 단위 강우량 생산하여 제공한다.

제안 방법

도로 단위 강수량을 생성하기 위해서는 각 도로에 해당하는 공간좌표를 알아야 한다. 교통 정보를 나타내는 표준노드링크에서 알 수 있는 도로의 공간좌표를 이용해 도로 단위 강수량을 예측한다. 연구에 사용된 자료의 수, 자료의 형태, 그리고 수집된 자료의 URL은 Table 1이다.
기상요인 이외에 속도에 영향을 주는 가장 큰 요인은 교통소통정보이다[10]. 교통소통정보를 알기위해 실시간 도로의 주행속도를 Open-API로 수집하여 시각화하고 강우와 주행속도 간 연관성분석을 통해 도로강우안전지수를 생산하였다. 구글맵(Google map)은 웹에 지도를 표시하고 위치 정보를 제어할 수 있는 기능을 Open-API로 제공한다[11].
구글맵(Google map)은 웹에 지도를 표시하고 위치 정보를 제어할 수 있는 기능을 Open-API로 제공한다[11]. 구글에서 제공하는 지리정보서비스를 이용해 각각의 정보를 시각화한 후 마지막으로 스마트폰과 인터넷으로 사용자가 인터렉티브하게 원하는 지역의 AWS 강우량, 강우 레이더, 도로의 평균주행속도, 도로 단위 강수량을 선택하여 볼 수 있도록 웹어플리케이션으로 개발하였다.
주행속도로 도로소통정보를 평가하면 도로의 제한속도에 영향을 받는다. 도로 원활성을 표준화하기 위해 링크단위의 평균주행속도와 제한속도를 이용하였다. 본 연구는 평균주행속도가 [0,1]이 되도록 평균주행속도를 제한속도로 나누어 사용하였다.
관측 지점의 정확한 강우량을 제공하는 AWS 강우자료와 넓은 공간의 국지성 집중호우 여부를 파악할 수 있는 강우 레이더 자료의 합성은 고해상도의 정확한 강우량을 추정할 수 있기 때문이다. 또한 크리깅 방법을 이용하여 도로단위 강우량을 추정하였다. 마지막으로 수집된 자료들을 통합한 웹앱을 개발하여 사용자가 원하는 정보를 인터렉티브하게 접근 할 수 있도록 하였다.
또한 크리깅 방법을 이용하여 도로단위 강우량을 추정하였다. 마지막으로 수집된 자료들을 통합한 웹앱을 개발하여 사용자가 원하는 정보를 인터렉티브하게 접근 할 수 있도록 하였다.
도로 원활성을 표준화하기 위해 링크단위의 평균주행속도와 제한속도를 이용하였다. 본 연구는 평균주행속도가 [0,1]이 되도록 평균주행속도를 제한속도로 나누어 사용하였다.
인터넷에서 공개된 데이터는 JAVA, R, Python 등을 통해 쉽게 분석시스템으로 수집할 수 있다[14]. 본 연구에서는 기상청의 날씨누리에서 제공하는 AWS 강우자료와 강우 레이더 자료, 국토교통부에서 Open- API로 제공되는 실시간 교통소통정보를 실시간으로 수집하여 통합데이터베이스로 구축 후 연구를 수행하였다.
본 연구에서는 실시간 AWS 강우자료와 강우 레이더 자료를 합성시켜 도로 단위 강우 정보를 생산하였고, 평균 주행속도/제한속도를 이용해 도로 혼잡도를 시각화하는 방법을 다루었다. 이 연구를 진행하기 위해 기상청에서 제공하는 실시간 AWS 강우자료와 강우 레이더 자료, 국토교통부의 open API에서 제공하는 교통소통 정보를 R 프로그램을 이용해 크롤링하였다.
거리에 따른 공간적 상관성은 베리오그램, 공분산, 매도그램, 상관그램 등으로 설명된다. 본 연구에서는 지수함수 기반의 베리오그램을 이용하였다. 일반적으로 자료 간 공간적 거리(h)에 따른 공간상관식은 다음과 같이 정의 된다[12].
AWS 강우자료는 지상으로 낙하된 강우량의 의미하고 강우 레이더는 해상도 높은 강우의 공간분포를 설명하기 때문이다[8]. 본 연구에서는 크리깅을 이용해 AWS 강우량과 강우 레이더 자료를 합성하여 서울특별시 전체의 강수량을 예측하였고, 예측한 강수량을 도로 단위로 생성하였다.
지리정보 엔진 중 오픈 소스코드 형태의 leaflet[15]를 이용해 AWS강우자료, 강우레이더, 도로주행속도, 그리고 도로 단위 강우를 융합하여 시각화하였다. 오른쪽 상단에 컨트롤 판넬을 추가하여 클릭 시 원하는 정보를 바로 확인할 수 있도록 하였다. Fig 7.
본 연구에서는 실시간 AWS 강우자료와 강우 레이더 자료를 합성시켜 도로 단위 강우 정보를 생산하였고, 평균 주행속도/제한속도를 이용해 도로 혼잡도를 시각화하는 방법을 다루었다. 이 연구를 진행하기 위해 기상청에서 제공하는 실시간 AWS 강우자료와 강우 레이더 자료, 국토교통부의 open API에서 제공하는 교통소통 정보를 R 프로그램을 이용해 크롤링하였다. 관측 지점의 정확한 강우량을 제공하는 AWS 강우자료와 넓은 공간의 국지성 집중호우 여부를 파악할 수 있는 강우 레이더 자료의 합성은 고해상도의 정확한 강우량을 추정할 수 있기 때문이다.
4까지 시각화는 구글지도에 점이나 선으로 시각화되어 있으나 정적인 자료로 사용자가 줌인 또는 패닝을 할 수 없어 관심지역의 자세한 정보를 확인하기 어렵다. 이에 동적으로 움직이면서 자료의 정보를 확인할 수 있도록 shiny를 이용하여 웹앱(Webapp)을 개발하였다. 지리정보 엔진 중 오픈 소스코드 형태의 leaflet[15]를 이용해 AWS강우자료, 강우레이더, 도로주행속도, 그리고 도로 단위 강우를 융합하여 시각화하였다.
이에 동적으로 움직이면서 자료의 정보를 확인할 수 있도록 shiny를 이용하여 웹앱(Webapp)을 개발하였다. 지리정보 엔진 중 오픈 소스코드 형태의 leaflet[15]를 이용해 AWS강우자료, 강우레이더, 도로주행속도, 그리고 도로 단위 강우를 융합하여 시각화하였다. 오른쪽 상단에 컨트롤 판넬을 추가하여 클릭 시 원하는 정보를 바로 확인할 수 있도록 하였다.

대상 데이터

강우 레이더 자료를 기상청 홈페이지에서 실시간으로 수집할 수 있다. 강우 레이더는 넓은 영역에서 높은 시간과 공간 분해능을 지닌 자료로 짧은 시간에 급격히 발생하는 국지적인 강우 현상을 파악하는데 필수적이다.
일반 크리깅은 거리에 따른 베리오그램 외에 관측값에 영향을 주는 공변량을 모형에 반영하여 관측값의 예측력을 향상시키는 방법이다. 본 연구에서는 1.5km의 레이더 자료를 공변량으로 사용하였다. 연구에 사용된 프로그램은 R이고 베리오그램과 일반 크리깅은 automap[13] 패키지를 이용하여 분석하였다.
본 연구 결과를 쉽게 이해하기 위해선 강우가 발생한 시점이 필요하다. 본 연구에서는 여름 장마철의 강수 특성이 반영된 2019년 7월 11일 14시 35분의 자료를 실시간으로 수집 후 연구하였다.
기상청은 전국에 설치된 강우 레이더 자료를 합성하여 퍼지품질관리 알고리즘을 수행한 후 이상전파를 제외한 전국 단위의 레이더합성장을 생성하여 서비스하고 있다. 본 연구지역은 서울이므로 연구지역 자료만 추출하여 사용하였다. 서울 지역의 추출된 1km * 1km 단위의 강우 레이더 자료를 시각화하면 Fig 3.
1829를 설정하여 범위 내 교통소통정보만 수집하였다. 서울특별시를 구성하고 있는 도로망은 20,815개의 링크로 구성되어 있으나 국가교통정보센터에서 제공하는 교통소통자료가 10,562개의 링크만 제공되어 10,562개의 링크만 이용하였다.
국토교통부의 표준노드링크는 전국단위로 개발되어 139,930개의 노드와 321,089개의 링크로 구성되어 있다. 연구를 위해 서울특별시에 해당하는 9,189개의 노드와 20,815개의 링크를 선택하여 사용하였다. 도로 단위 강수량을 생성하기 위해서는 각 도로에 해당하는 공간좌표를 알아야 한다.
5km의 레이더 자료를 공변량으로 사용하였다. 연구에 사용된 프로그램은 R이고 베리오그램과 일반 크리깅은 automap[13] 패키지를 이용하여 분석하였다.즉, AWS 강우량과 기상청의 레이더 자료는 일반크리깅을 통해 서울특별시 내 링크단위로 공간보간되어 도로단위의 강우량이 추정된다.
본 연구는 실시간 기상자료와 실시간 레이더 자료의 합성을 통한 도로 단위 강수량, 실시간 교통소통정보를 시각화하여 한눈에 볼 수 있는 도로 정보를 만들어 도로 기상 안전성을 평가하고자 한다. 연구자료는 AWS 강우 자료, 강우 레이더 자료, 국토교통부에서 제공하는 교통소통정보와 표준노드링크이다. 국토교통부의 표준노드링크는 전국단위로 개발되어 139,930개의 노드와 321,089개의 링크로 구성되어 있다.
국토교통부의 open-API에서 제공하는 교통 소통 정보를 R 프로그램을 통하여 크롤링하였으며, 크리깅 방법을 이용한 도로 단위 강우량 추정 및 수집된 자료를 통합한 웹 앱을 개발하여 본 연구를 진행하였다. 연구지역은 인구밀도와 교통혼잡도가 높은 서울특별시로 설정하였다. 기상청은 서울특별시의 지역별 상세관측자료를 AWS 31개소에서 1분 단위로 수집하여 기상정보를 제공해주고 있다.
교통소통정보는 국가교통정보센터의 Open-API를 통해 도로단위의 전국 교통소통자료를 수집할 수 있다. 연구지역이 서울이므로 서울의 지리 범위인 위도 37.4178부터 37.7012, 경도 126.7632부터 127.1829를 설정하여 범위 내 교통소통정보만 수집하였다. 서울특별시를 구성하고 있는 도로망은 20,815개의 링크로 구성되어 있으나 국가교통정보센터에서 제공하는 교통소통자료가 10,562개의 링크만 제공되어 10,562개의 링크만 이용하였다.

이론/모형

AWS 강우 자료와 강우 레이더 자료를 취합하여 도로단위의 도로강우정보를 생산하기 위해선 공간통계모형이 필요하다. 본 연구에서는 베리오그램을 이용한 일반크리깅모형을 사용하였다. 거리에 따른 공간적 상관성은 베리오그램, 공분산, 매도그램, 상관그램 등으로 설명된다.
비교적 넓은 지역을 관측하는 강우 레이더의 공간해상도는 1km이므로 AWS와 강우 레이더를 함께 사용하면 정확도가 높으면서도 해상도가 높은 강우정보를 얻을 수 있다[8]. 이를 위해 일반 크리깅(Universal Kriging)[9]을 이용한 공간 보간법이 연구에서 사용되었다. 기상요인 이외에 속도에 영향을 주는 가장 큰 요인은 교통소통정보이다[10].

성능/효과

AWS 강우자료와 강우 레이더를 합성하기 위해 다양한 지구통계모형(공간랜덤포레스트, 역거리 가중법, 베이지안 공간모형, 일반화가법모형 등)을 고려하지 못했다. 교차검증을 통해 평균제곱오차(RMSE)가 최소가 되도록 최적 모형을 선정하여 이를 시각화하면 도로기상의 정확도를 향상시킬 수 있다. 또한 도로 기상의 교통사고와 연관성이 크므로 도로단위의 기상정보, 교통소통정보 와 교통사고 간 연관성을 기계학습을 훈련시킨다면 도로를 이용하는 운전자에게 도움이 되는 정보를 서비스 할 수 있다.
AWS는 서울 전역에 균등하게 잘 설치되어 서울특별시의 대기 상황을 파악하는데 적절해 보인다. 연구 일자의 서울 강우 강도의 공간적 분포를 살펴보면 서울 전역에 강우가 관측되었으며 남쪽 지역의 강우 강도가 높은 특징을 보인다.

후속연구

특히 겨울철 블랙아이스는 도로에 내린 강우가 얼어 자동차와 도로의 마찰력을 낮춤으로써 대형 교통사고를 유발한다. 본 연구에서 생성된 도로의 강우량 자료와 대기온도, 노면온도, 그리고 물수지 간 연구가 고도화되면 도로별 블랙아이스 예측모형도 개발 될 수 있을 것 이라 생각된다.

참고문헌 (15)

Y. S. Cho, K. J. Lee, L. K. Jeong, Y. H. No & S. K. Yoon (2015). The effect of road weather factors on traffic accident -Focused on Busan area- . Journal of the Korean Data & Information Science Society , 26(3), 661-668.

원문보기 상세보기
H. J. Park, S. H. Joo & C. Oh. (2014). Development of an Evaluation Index for Identifying Freeway Traffic Safety Based on Integrating RWIS and VDS Data. Journal of Korean Society of Transportation, 32, 441-451.

원문보기 상세보기
J. T. Park, J. Y. Hong & S. B. Lee. (2010). Development of Traffic Accident Safety Index under Different Weather Conditions. Journal of Korean Society of Transportation, 28, 157-163.
Y. K. Ham, Y. J. Jeon, K. H. Kim & S. H. Kim. (2015). The Types of Road Weather Big Data and the Strategy for Their Use: Case Analysis. korean society for Big Data, 2(2), 129-140.
Y. N. Lee & K. W. Kim. (2007). A study on the relationships between the fatal traffic accidents and meteorological factors. The Korean Association of Police Science, 6(3), 125-164.
M. Yang & S. Yoon. (2018). The method of rainfall prediction for road weather serviceㅏ. Journal of the Korean Data & Information Science Society. 29(2), 403-413.

상세보기
B. S. Kim, J. B. Hong, H. S. Kim & K. H. Choi. (2007). Combining Radar and Rain Gauge Rainfall Estimate for Flood Forecasting Using Conditional Merging Method. Journal of The Korean society of Civil Engineers, 27(3B), 255-265.
J. Lim & S. Yoon. (2019). Comparison of quantitative precipitation estimate using geostatistical models. Journal of the Korean Data & Information Science Society. 30(1), 77-89.

상세보기
H. Y. Ko, K. Y. Nam, C. K. Lee & H. S. Jeong. (2013). Estimation of Quantitative Radar Precipitation Using Space Correction Technique. Korean Meteorological Society, 518-519.
S. W. Sim & K. J. Choi. (2009). Classification of Freeway Traffic Condition by the impacts of Road Weather Factors. Journal of The Korean society of Civil Engineers, 29(7D), 685-691.
H. K. Lee (2008). A Study on Contents of Map Education Using the Google Map API Mashup. Thesis for a master's. Ewha Woman University, Seoul.
S. W. Lee, S. W. Lee, S. Y. Lee, & W. H. Hong (2014). A Study on Estimation of the Greenhouse Gas Emission from the Road Transportation Infrastructure Using the Geostatistical Analysis -A Case of the Daegu-. Journal of the korean society for geospatial information science, 22(1), 9-17.
P. Hiemstra & M. P. Hiemstra (2013). Package ‘automap’. compare, 105, 10.
C. W. Na & B. W. On. (2019). A proposal on a proactive crawling approach with analysis of state-of-the-art web crawling algorithms. Journal of Korean Society for Internet Information, 20(3), 43-59.
C. Graul & M. C. Graul (2016). Package 'leafletR'.

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