KR102002158B1 - System for prediction of visibility - Google Patents
System for prediction of visibility Download PDFInfo
- Publication number
- KR102002158B1 KR102002158B1 KR1020180140786A KR20180140786A KR102002158B1 KR 102002158 B1 KR102002158 B1 KR 102002158B1 KR 1020180140786 A KR1020180140786 A KR 1020180140786A KR 20180140786 A KR20180140786 A KR 20180140786A KR 102002158 B1 KR102002158 B1 KR 102002158B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- fine dust
- prediction
- information
- predictive
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
Description
본 출원은 시정 예측 시스템에 관한 것으로, 아래의 실시 예들은 미세먼지 영향을 반영한 시정 예측 정보를 제공하기 위한 시정 예측 시스템에 관한 것이다. The present application relates to a system for predicting visibility, and the following embodiments relate to a system for predicting visibility for providing visibility prediction information reflecting the effect of fine dust.
시정(visibility)이란 대기의 혼탁 정도를 나타내는 기상 요소로서 지표면에서 정상적인 시각을 가진 사람이 목표를 식별할 수 있는 최대 거리를 말한다.Visibility is a meteorological factor that indicates the degree of turbidity of the atmosphere, which is the maximum distance a person with a normal viewpoint on the surface can identify a target.
시정은 대기 중에 안개, 먼지 등 부유물질의 혼탁도에 따라 좌우되며, 특히 안개, 황사, 강수, 하층운 등은 항공기의 이착륙 및 선박 운항에 결정적인 영향을 준다. Visibility depends on the turbidity of suspended matters such as fog and dust in the atmosphere. Especially, fog, sandstorm, precipitation, and underfloor are crucial factors for aircraft takeoff and landing and ship navigation.
최근 수년 사이 기후 변화에 따라 미세먼지 발생 빈도 및 영향이 증가하고, 고농도 미세먼지 발생 횟수가 증가함에 따라 시정에도 큰 영향을 미치고 있다. 따라서, 미세먼지 영향을 고려한 시정 예측의 정확도 개선이 필요하다. In recent years, the frequency and impact of micro dust generation have increased with climate change, and the number of high density dust particles has increased, which has a great influence on visibility. Therefore, it is necessary to improve the accuracy of the visibility prediction considering the influence of fine dust.
이하의 실시 예들은 미세먼지 영향을 고려한 시정 예측 정보를 제공하는 것에 있다. The following embodiments are intended to provide visibility prediction information in consideration of fine dust effects.
본 출원이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present application are not limited to the above-described problems, and the matters not mentioned in the present specification can be clearly understood by those skilled in the art from the present specification and the accompanying drawings .
일 실시 예에 따른 미세 먼지 영향을 고려한 시정 예측정보 제공 방법은 시정 예측 정보 요청을 수신하는 단계; 특정 지역에 관한 시정 예측 모델링 데이터를 획득하는 단계; 미세 먼지 데이터를 획득하는 단계; 및 상기 시정 예측 모델링 데이터 및 상기 미세 먼지 데이터를 이용하여 적어도 하나의 기상 현상에 관한 시정 예측 정보를 생성하는 단계;를 포함할 수 있다. 이때 상기 시정 예측 정보는 상기 실시간 미세 먼지 데이터에 포함된 입자의 종류를 고려하여 생성될 수 있다. According to an embodiment of the present invention, there is provided a method of providing a predictive prediction information in consideration of a fine dust effect, the method including: receiving a predictive prediction information request; Acquiring visibility prediction modeling data for a specific area; Obtaining fine dust data; And generating visibility prediction information on at least one vapor phase phenomenon using the predictive prediction modeling data and the fine dust data. At this time, the time constant prediction information may be generated in consideration of the kind of particles included in the real time fine dust data.
상기 시정 예측 정보는, 상기 미세 먼지와 각 기상 현상의 교호 작용 효과를 더 반영하여 생성될 수 있다. The time predictive information may be generated by further reflecting an interaction effect between the fine dust and each of the meteorological phenomena.
상기 미세 먼지 데이터는 적어도 PM 10 및 PM 2.5 크기의 미세 먼지 데이터를 포함할 수 있다. The fine dust data may include fine dust data of at least a PM 10 and a PM 2.5 size.
상기 미세 먼지 데이터는 미리 설정된 주기마다 획득되는 관측 데이터일 수 있다. The fine dust data may be observation data acquired every predetermined period.
상기 시정 예측 정보 요청이 수신된 시점의 미세 먼지 관측 데이터 또는 상기 특정 지역에 대한 미세 먼지 예측 데이터를 획득할 수 있다. It is possible to obtain the fine dust observation data at the time of receiving the request for the predictive prediction information or the fine dust prediction data for the specific region.
상기 시정 예측 정보는, 상기 미세 먼지 데이터에 포함된 입자의 종류에 따른 상대 습도 영향을 더 고려하여 산출될 수 있다. The time predictive information can be calculated by further considering the influence of the relative humidity depending on the type of particles contained in the fine dust data.
상기 기상 현상은 안개, 박무, 연무, 강수 중 적어도 하나를 포함할 수 있다. The meteorological phenomenon may include at least one of fog, rain, mist, and precipitation.
다른 실시 예에 따른 항공기 운항을 위한 시정 예측정보 제공 방법은, 특정 지역에 관한 시정 예측 모델링 데이터를 획득하는 단계; 입자 종류별 미세 먼지 데이터를 획득하는 단계; 및 상기 시정 예측 모델링 데이터 및 상기 미세 먼지 데이터를 기초로 시정 예측 데이터를 산출하는 단계; 를 포함할 수 있다. 이때 상기 시정 예측 데이터는 제1 기상 현상에 대한 제1 시정 예측 데이터 및 제2 기상 현상에 대한 제2 시정 예측 데이터를 포함할 수 있고, 상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 범위 미만인 경우 저시정 알람 정보를 전송할 수 있다. According to another aspect of the present invention, there is provided a method for providing predictive forecast information for an aircraft, the method comprising: obtaining visibility predictive modeling data for a specific region; Acquiring fine dust data for each particle type; Calculating the predictive prediction data based on the predictive prediction modeling data and the fine dust data; . ≪ / RTI > Here, the corrective prediction data may include first corrective prediction data for a first gas phase phenomenon and second corrective predictive data for a second gas phase phenomenon, and at least one of the first corrective predictive data and the second corrective predictive data If less than the preset range, low-security alarm information can be transmitted.
상기 시정 예측 데이터는, 상기 미세 먼지와 각 기상 현상의 교호 작용 효과를 더 반영하여 산출될 수 있다. The above-mentioned corrective prediction data can be calculated by further reflecting the interaction effect between the fine dust and the meteorological phenomenon.
상기 미세 먼지 데이터는 적어도 PM 10 및 PM 2.5 크기의 미세 먼지 데이터를 포함할 수 있다. The fine dust data may include fine dust data of at least a PM 10 and a PM 2.5 size.
상기 시정 예측 정보는, 상기 입자 종류에 따른 상대 습도 영향을 더 고려하여 산출될 수 있다. The correction prediction information may be calculated by further considering the influence of the relative humidity according to the particle type.
상기 미세 먼지 데이터는 미리 설정된 주기마다 획득되는 관측 데이터일 수 있다. The fine dust data may be observation data acquired every predetermined period.
상기 시정 예측 정보 요청이 수신된 시점의 미세 먼지 관측 데이터 또는 상기 특정 지역에 대한 미세 먼지 예측 데이터를 획득할 수 있다. It is possible to obtain the fine dust observation data at the time of receiving the request for the predictive prediction information or the fine dust prediction data for the specific region.
상기 시정 예측 데이터는 하나 이상의 미리 지정된 지점들에 대해 일정 주기마다 자동으로 산출될 수 있다. The corrective prediction data may be automatically calculated at regular intervals for one or more predetermined points.
이하의 실시 예들에 따른 시정 예측 방법에 의하면, 미세먼지 입자의 종류 별로 시정에 미치는 영향을 반영하여 사용자에게 정확도가 개선된 시정 예측 정보를 제공할 수 있다. According to the method for predicting the visibility according to the following embodiments, it is possible to provide the visibility prediction information with improved accuracy to the user by reflecting the influence on the visibility for each kind of the fine dust particles.
도 1은 본 출원의 일 실시 예에 따른 시정 예측 시스템의 전체 환경을 예시적으로 설명하기 위한 블록도이다.
도 2는 본 출원의 일 실시 예에 따른 시정 예측 결과를 비교하기 위한 그래프이다.
도 3은 본 출원의 제1 실시 예에 따른 시정 예측정보 제공 방법을 설명하기 위한 순서도이다.
도 4는 본 출원의 제2 실시 예에 따른 시정 예측정보 제공 방법을 설명하기 위한 순서도이다.
도 5는 본 출원의 실시 예들에 따른 시정 예측정보 제공 방법을 예시적으로 나타내기 위한 도면이다.
도 6은 본 출원의 실시 예들에 따른 시정 예측정보 제공 방법을 예시적으로 나타내기 위한 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram illustrating an exemplary overall environment of a system for predicting a Prediction according to an embodiment of the present application. FIG.
2 is a graph for comparing the results of the corrective prediction according to an embodiment of the present application.
3 is a flowchart for explaining a method of providing the Predictive Predictive Information according to the first embodiment of the present application.
4 is a flowchart for explaining a method of providing the Predictive Predictive Information according to the second embodiment of the present application.
FIG. 5 is a diagram for illustratively showing a method of providing the time constant prediction information according to the embodiments of the present application.
FIG. 6 is a diagram for illustratively showing a method of providing the time constant prediction information according to the embodiments of the present application.
본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예들을 가질 수 있는바, 이하에서는 특정 실시 예들을 도면에 예시하고 이를 상세히 설명하고자 한다. The above objects, features and advantages of the present invention will become more apparent from the following detailed description taken in conjunction with the accompanying drawings. It is to be understood, however, that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and similarities.
도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.In the drawings, the thicknesses of the layers and regions are exaggerated for clarity and the element or layer is referred to as being "on" or "on" Included in the scope of the present invention is not only directly above another element or layer but also includes intervening layers or other elements in between. Like reference numerals designate like elements throughout the specification. The same reference numerals are used to designate the same components in the same reference numerals in the drawings of the embodiments.
본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.The detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In addition, numerals (e.g., first, second, etc.) used in the description of the present invention are merely an identifier for distinguishing one component from another.
또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. In addition, the suffix "module" and " part "for constituent elements used in the following description are given or mixed in consideration of ease of specification, and do not have their own meaning or role.
먼지는 입자의 크기에 따라 50μm 이하인 총먼지(TSP, Total Suspended Particles)와 입자의 크기가 매우 작은 미세먼지(PM, Particulate Matter)로 구분할 수 있다. Dust can be classified into Total Suspended Particles (TSP) of 50μm or less and Particulate Matter (PM) with very small particle size depending on the particle size.
미세먼지는 지름이 10μm보다 작은 미세먼지(PM10)와 지름이 2.5μm보다 작은 미세먼지(PM2.5)로 나뉠 수 있다. Fine dusts can be divided into fine dust (PM10) with a diameter smaller than 10μm and fine dust (PM2.5) with a diameter smaller than 2.5μm.
또한, 미세먼지의 성분은 지역이나 계절, 기상조건 등에 따라 달라질 수 있다. 일반적으로는 대기오염물질이 공기 중에서 반응하여 형성된 황산염, 질산염 등과 같은 덩어리, 석탄, 석유 등 화석연료를 태우는 과정에서 발생하는 탄소류, 지표면 흙먼지 등에서 생기는 광물 등으로 구성될 수 있다. In addition, the composition of the fine dust may vary depending on the region, season, and weather conditions. Generally, it can be composed of lumps such as sulfate and nitrate formed by the reaction of air pollutants in air, carbon generated in the process of burning fossil fuels such as coal and petroleum, and minerals generated from earth surface dust and the like.
이러한 미세먼지는 종류 및/또는 입자 크기에 따라 시정 하락에 영향을 줄 수 있으며, 미세먼지가 시정에 미치는 영향은 기상 현상에 따라 달라질 수도 있다. These fine dusts can affect the decline in visibility depending on the type and / or particle size, and the influence of fine dust on visibility may vary depending on the weather phenomenon.
이하에서는 대기 중 미세먼지 영향을 고려한 시정 예측 정보를 제공하기 위한 시정 예측 시스템에 관하여 설명한다. Hereinafter, a system for predicting a visibility for providing visibility prediction information considering the influence of fine dust in the atmosphere will be described.
도 1은 본 출원의 일 실시 예에 따른 시정 예측 시스템의 전체 환경을 예시적으로 설명하기 위한 블록도이다. BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram illustrating an exemplary overall environment of a system for predicting a Prediction according to an embodiment of the present application. FIG.
도 1을 참조하면, 본 출원의 일 실시 예에 따른 시정 예측 시스템(1)은 기상 정보 데이터 베이스(100), 미세먼지 데이터 베이스(200), 시정 예측 모델링 시스템(300), 서버(400) 및 사용자 장치(500) 등을 포함할 수 있다. 이때 각 구성요소들은 네트워크(미도시)에 의해 연결될 수 있다. 1, the system of the present invention includes a
기상 정보 데이터 베이스(100)는 각종 기상 정보 데이터를 저장하기 위한 구성일 수 있다. The
기상 정보 데이터는, 예를 들어, 안개, 박무, 연무, 강수 등과 같은 기상 현상 데이터를 포함할 수 있다. The weather information data may include, for example, meteorological phenomenon data such as fog, mist, haze, precipitation and the like.
또한, 기상 정보 데이터는, 예를 들어, 시정, 운고, 풍향, 풍속, 공기 온도, 공기 밀도, 습도 등과 같은 기상 요소 데이터를 포함할 수 있다.The weather information data may include, for example, weather element data such as visibility, cloudiness, wind direction, wind speed, air temperature, air density, humidity, and the like.
기상 정보 데이터 베이스(100)는 특정 지역에 위치한 하나 이상의 기상 관측소로부터 획득되는 기상 정보 데이터를 저장할 수 있다. The
예를 들어, 기상 정보 데이터 베이스(100)는 하나 이상의 기상 관측소로부터 기상 정보 데이터를 실시간으로 수집할 수 있으며, 상기 기상 정보 데이터 베이스(100)에는 실시간으로 수집되는 기상 정보 데이터가 저장되어 있을 수 있다. For example, the
또한, 기상 정보 데이터 베이스(100)는 수집된 기상 정보 데이터들을 미리 설정된 기준에 따라 분류하여 저장할 수 있다. 예를 들어, 기상 정보 데이터 베이스(100)는 지역 또는 공항 별로 기상 정보 데이터를 분류하여 저장할 수 있다. In addition, the
또는, 기상 정보 데이터 베이스(100)는 각 기상 관측소에 위치할 수 있다. 일 예로, 기상 정보 데이터는 베이스(100)는 공항 또는 공항 인근에 위치하는 기상 관측소에 위치할 수 있다.Alternatively, the
한편, 기상 정보 데이터 베이스(200)는 외부 기상 예측 모델링 시스템(미도시)으로부터 산출된 기상 예측 데이터를 획득하여 저장할 수도 있다. 예를 들어, 기상 예측 데이터는 1시간 간격으로 36시간 또는 48시간까지의 예측 데이터를 포함할 수 있다. On the other hand, the
미세먼지 데이터 베이스(200)는 미세먼지 데이터를 저장하기 위한 구성일 수 있다. The
미세먼지 데이터는, 미세먼지 관측소가 위치한 특정 지역에서 측정된 미세먼지의 종류 또는 크기 별 농도 값을 포함할 수 있다. Fine dust data may include concentration values by type or size of fine dust measured in a specific area where a fine dust observatory is located.
또한, 미세먼지 데이터는 적어도 입자 지름이 10μm보다 작은 미세먼지(PM10), 입자 지름이 2.5μm보다 작은 미세먼지(PM2.5)의 농도를 포함할 수 있다. Further, the fine dust data may include the concentration of fine dust (PM10) having a particle diameter of less than 10 mu m and fine dust (PM2.5) having a particle diameter of less than 2.5 mu m.
예를 들어, PM10 미세먼지는 꽃가루, 곰팡이 등을 포함할 수 있고, PM2.5 미세먼지는 연소입자, 금속, 유기화합물 등을 포함할 수 있다. For example, the PM10 fine dust may include pollen, fungus, and the like, and the PM2.5 fine dust may include combustion particles, metals, organic compounds, and the like.
미세먼지 데이터 베이스(200)는 특정 지역에 위치한 하나 이상의 미세먼지 관측소로부터 획득되는 미세먼지 데이터를 저장할 수 있다. The
예를 들어, 미세먼지 데이터 베이스(200)는 하나 이상의 미세먼지 관측소로부터 미세먼지 관측 데이터를 실시간으로 수집할 수 있으며, 상기 미세먼지 데이터 베이스(200)에는 실시간으로 수집되는 미세먼지 관측 데이터가 저장되어 있을 수 있다. For example, the
또는, 미세먼지 데이터 베이스(200)는 각 미세먼지 관측소에 위치할 수 있다. 일 예로, 미세먼지 데이터 베이스(200)는 공항 또는 공항 인근에 위치하는 미세먼지 관측소에 위치할 수 있다. Alternatively, the
한편, 미세먼지 데이터 베이스(200)는 외부 미세먼지 예측 모델링 시스템(미도시)로부터 산출된 미세먼지 예측 데이터를 획득하여 저장할 수도 있다. 예를 들어, 미세먼지 예측 데이터는 1시간 간격으로 36시간 또는 48시간까지의 예측 데이터를 포함할 수 있다. Meanwhile, the
시정 예측 모델링 시스템(300)은 전술한 기상 정보 데이터 베이스(100) 및/또는 미세먼지 데이터 베이스(200)로부터 수집되는 데이터들을 분석하여 시정 예측 정보를 모델링하기 위한 장치일 수 있다. The temporal
이하에서는 설명의 편의를 위하여 전술한 기상 정보 데이터 베이스(100) 및 미세먼지 데이터 베이스(200)가 특정 지역 또는 지점에 위치하는 경우를 상정하여 설명한다. Hereinafter, it is assumed that the
저시정은 국지적으로 발생하는 경우가 많기 때문에 시정 예측 정보를 필요로 하는 특정 지역의 시정 관측 자료 및 미세먼지 관측 자료를 이용하는 것이 효과적일 수 있기 때문이다. 예를 들어, 공항 시정 예측의 경우 해당 공항의 시정 관측 자료 및 해당 공항 또는 공항 인근 관측소의 미세먼지 관측 자료를 이용할 수 있다. Since low visibility often occurs locally, it may be effective to use visibility observations and micro dust observations in specific areas that require visibility prediction information. For example, in the case of forecasting airport visibility, visibility data at the airport and fine dust observations at the airport or near the airport can be used.
시정 예측 모델링 시스템(300)은 특정 지역의 시정 예측을 위하여 특정 지역에 위치한 관측소로부터 획득되는 시정 데이터 및 미세먼지 데이터를 분석할 수 있다. The temporal
예를 들어, 시정 예측 모델링 시스템(300)은 데이터 분석 및 시정 예측 정보 산출을 위한 적어도 하나의 프로세서(미도시)를 포함할 수 있다. For example, the temporal
이때 시정 예측을 위한 변수는, 미세먼지의 농도, 습도, 기상 현상 등을 포함할 수 있다. At this time, parameters for prediction of the visibility may include the concentration of fine dust, humidity, weather phenomenon, and the like.
미세먼지는 고체, 액체 등 다양한 형태와 크기의 화학적 성분으로 존재하여 종류에 따라 시정에 미치는 영향이 다를 수 있다. Fine dust exists in various types and sizes of chemical components such as solid, liquid, etc., and the effect on visibility may be different depending on the kind.
예를 들어, 미세먼지의 크기 별로 시정에 미치는 영향이 다를 수 있으며, PM2.5가 PM10보다 시정 하락에 더 큰 영향을 미칠 수 있다. For example, the effect on visibility may vary for different sizes of fine dust, and PM2.5 may have a greater impact on visibility decline than PM10.
일 예로, 미세먼지(PM2.5) 농도가 높아지면 빛이 미세먼지에 의해 여러 방향으로 흩어지거나 미세먼지에 흡수되어 가시거리가 감소할 수 있다. For example, as the concentration of fine dust (PM2.5) increases, the light may be scattered by fine dust in various directions or absorbed into fine dust, thereby reducing the visible distance.
또한, 안개, 박무, 연무, 강수 등의 기상 현상 및/또는 온도, 습도 등의 기상 요소와 미세먼지의 교호작용(interaction)에 따라 시정 예측이 달라질 수 있다. In addition, the prediction of the visibility may vary depending on the meteorological phenomena such as fog, mist, haze, precipitation, and / or interaction between the meteorological elements such as temperature and humidity and the fine dust.
일 예로, 황산염, 질산염 등 대기오염 농도가 높은 상태에서 습도까지 높아지면 대기오염물질이 수분을 흡수하여 2차적 미세먼지를 발생시키게 되므로 가시거리는 더욱 짧아질 수 있다.For example, when the concentration of air pollutants such as sulfate and nitrate increases from a high level to a humidity, air pollutants absorb moisture and generate secondary fine dust, so that the visibility distance can be further shortened.
다른 예로, 대기 중에 안개가 발생하면 가스 형태로 떠돌던 오염물질이 수증기와 결합하여 입자상 물질로 바뀌어 미세먼지 농도가 높아질 수 있으므로 가시거리는 더욱 짧아질 수 있다. As another example, when fog occurs in the atmosphere, the visible distance may be further shortened because the pollutant that has flowed in the form of gas may be combined with water vapor and be converted into particulate matter to increase the fine dust concentration.
시정 예측 정보 산출을 위한 상세한 방법에 관해서는 이하의 관련된 부분에서 설명한다. The detailed method for calculating the time constant prediction information will be described in the following related portions.
서버(400)는 전술한 시정 예측 모델링 시스템(300)으로부터 획득되는 정보를 기초로 실시간 시정 예측 정보를 제공하기 위한 장치일 수 있다. The server 400 may be an apparatus for providing real-time visibility prediction information based on the information obtained from the above-described predictive
예를 들어, 서버(400)는 시정 예측 정보 산출 모듈(410), 제어 모듈(420), 통신 모듈(430) 등을 포함할 수 있다. 상술한 구성요소들은 예시적으로 기재한 것으로써, 하나의 모듈을 통해 각 모듈의 기능들이 통합되어 제공될 수 있으며, 상기 서버(400)에서는 실시간 예측 정보 제공을 위한 다른 구성요소들이 더 제공될 수 있다. For example, the server 400 may include a predictive prediction
시정 예측 정보 산출 모듈(410)은 실시간 미세 먼지 데이터를 반영하여 실시간 시정 예측 정보를 산출하기 위한 구성일 수 있다. The time constant prediction
예를 들어, 실시간 예측 정보 산출 모듈(410)은 시정 예측 모델링 시스템(300)으로부터 특정 지역에 대한 시정 예측 모델링 데이터를 획득할 수 있다. 상기 시정 예측 모델링 데이터는 시정 예측 모델링 시스템(300)에서 산출된 특정 지역에 대한 시정 예측 계산식일 수 있다. For example, the real-time prediction
이때 시정 예측 계산식은 각 기상 현상마다 별도로 산출되어 제공될 수 있으며, 적어도 안개, 박무, 연무, 강수 중 하나 이상에 관한 시정 예측 계산식을 포함할 수 있다. At this time, the correction formula for prediction may be separately calculated for each meteorological phenomenon, and may include a correction formula for at least one of fog, mist, mist, and precipitation.
예를 들어, 시정 예측 모델링 시스템(300)은 주요 공항에서의 시정 예측 계산식을 미리 산출하여 저장하고 있을 수 있고, 미리 설정된 주기마다 시정 예측 계산식을 재산출하여 업데이트할 수 있다. 또는, 예를 들어, 시정 예측 모델링 시스템(300)은 시정 예측 정보 요청 시점 및/또는 미리 설정된 주기마다 시정 예측 계산식을 산출할 수 있다. For example, the systematic
일 예로, 서버(400)는 인천 공항에 대한 시정 예측 정보를 산출하는 경우, 시정 예측 모델링 시스템(300)으로부터 인천 공항에서의 적어도 하나의 기상 현상에 관한 시정 예측 계산식을 획득할 수 있다. For example, when the server 400 calculates the predictive information for the Incheon International Airport, the server 400 may obtain the correction formula for at least one meteorological phenomenon in the Incheon airport from the predictive
또한, 서버(400)는 미세먼지 데이터 베이스(200)로부터 특정 지역에서의 실시간 미세먼지 데이터를 더 획득할 수 있고, 상기 시정 예측 계산식에 입자 크기 별 실시간 미세먼지 농도 값을 적용하여 실시간 시정 예측 정보를 산출할 수 있다. Also, the server 400 can acquire real-time fine dust data in a specific region from the
한편, 시정 예측 정보 산출 모듈(410)은 미리 설정된 주기 마다 또는 실시간 기상 데이터 또는 미세먼지 데이터가 업데이트될 때마다 실시간 시정 예측 정보를 재산출할 수 있다. 또는, 사용자로부터 요청이 있을 때마다 실시간 시정 예측 정보를 산출할 수 있다. On the other hand, the time constant prediction
제어 모듈(420)은 실시간 시정 예측 정보 제공을 위한 모든 동작들을 총괄하기 위한 구성일 수 있다. The
일 예로, 제어 모듈(420)은 후술할 사용자 장치(500)로부터 시정 예측 정보 요청이 수신되는 경우, 상기 시정 예측 정보 요청에 포함된 위치 정보 등을 기초로 해당 지역의 실시간 시정 예측 정보를 산출하도록 제어할 수 있다. For example, when receiving a request for a predictive prediction information from the
다른 예로, 제어 모듈(420)은 각 기상 현상에 관하여 산출된 실시간 시정 예측 정보가 미리 설정된 범위를 초과하는지 여부를 판단할 수 있고, 판단 결과에 따라 저시정 알람 정보를 생성할 수 있다. 저시정 알람 정보 생성에 관한 상세한 설명은 이하의 관련된 실시 예를 통해 상세하게 설명한다. As another example, the
통신모듈(430)은 외부 장치 및/또는 사용자 장치와 각종 데이터를 송수신하기 위한 구성일 수 있다. The
일 예로, 통신모듈(430)은 후술할 사용자 장치(500)로부터 실시간 시정 예측 정보 요청을 수신할 수 있다. For example, the
다른 예로, 통신 모듈(430)은 시정 예측 정보 산출 모듈(410)을 통해 산출된 실시간 시정 예측 정보를 사용자 장치(500)로 전송할 수 있다.As another example, the
또 다른 예로, 통신 모듈(430)은 제어 모듈(420)에서 생성된 저시정 알람 정보를 사용자 장치(500)로 전송할 수 있다. As another example, the
한편, 상술한 모듈들은 서버(400) 내부뿐만 아니라 서버(400) 외부의 임의의 위치에 제공될 수 있다. 예를 들어, 상술한 모듈들 중 실시간 예측 정보 산출 모듈(410)은 서버(400) 외부에 위치하는 다른 장치를 통해 제공되는 기능일 수 있다. Meanwhile, the above-described modules may be provided at arbitrary positions outside the server 400 as well as inside the server 400. [ For example, the real-time prediction
사용자 장치(500)는 전술한 서버(400)를 통해 실시간 시정 예측 정보를 요청하고, 서버(400)로부터 전송되는 실시간 시정 예측 정보를 출력하기 위한 장치이다. The
예를 들어, 사용자 장치(500)는 데스크탑, 랩탑 등과 같은 컴퓨터 일 수 있고, 스마트폰, 태블릿 등과 같은 휴대용 전자기기일 수 있다. For example, the
이때 사용자 장치(500)는 위치 정보를 제공할 수 있는 위치 추적 장치가 내장되어 있을 수 있다. At this time, the
상기 사용자 장치(500)는 전술한 예에서 열거된 전자기기에 한정되지 않으며, 실시간 시정 예측 정보를 표시할 수 있는 임의의 전자기기일 수 있다. The
이하에서는 시정 예측 모델링 시스템(300)을 통해 산출되는 시정 예측 정보 산출 방법에 관하여 상세하게 설명한다. Hereinafter, the method of calculating the predictive prediction information calculated through the corrective
시정 예측 정보 산출은 특정 지역에서의 기상 관측 자료와 미세먼지 관측자료 분석을 통해 산출될 수 있으며, 예를 들어, 적어도 2년 치의 기상 관측 자료와 미세먼지 관측자료를 활용할 수 있다. The calculation of the Prediction Information can be calculated by analyzing meteorological data and micro dust observations in a specific area, for example, at least two years of meteorological observations and fine dust observations.
이때 특정 지역에서의 기상 관측 자료와 미세먼지 관측자료 분석은 다양한 머신러닝 기법 에 의해 수행될 수 있다. At this time, meteorological observation data and micro dust observation data analysis in a specific area can be performed by various machine learning techniques.
예를 들어, 항공기 이착륙을 위한 공항 시정 예측의 경우, 최대 관측 범위가 10km로 한정되어 있으므로, 시정이 10km 이하인 자료에 대해 중도절단회귀모형(Censored regression model)을 이용하여 분석할 수 있다. For example, in the case of airport visibility forecasts for aircraft takeoff and landing, the maximum observation range is limited to 10 km, so data with visibility less than 10 km can be analyzed using a censored regression model.
중도절단회귀모형이란 일정한 영역에서만 관찰되고 그 영역을 넘어서는 경우에는 넘어섰다는 정보만 알려진 경우를 종속변수로 하는 회귀모형이다. The regression model is a regression model in which only the information that is observed only in a certain region and exceeded the region is known as a dependent variable.
여기서 종속 변수는 시정(VIS, Visibility)이며, 시정은 설명 변수인 입자 종류 또는 크기 별 데이터(PM 10, PM2.5), 각 일기 현상 데이터(WX), 상대 습도(RH) 등에 따라 결정될 수 있다.Here, the dependent variable is the visibility (VIS), and the visibility can be determined according to the particle type or the size data (PM 10, PM 2.5), the diary phenomenon data (WX), the relative humidity (RH) .
중도절단회귀모형을 이용하는 경우, 시정 10km 이상일 때의 미세먼지 데이터도 분석에서 제외되지 않고 모두 유의미하게 분석되므로 정확도가 향상된 시정 예측 정보 산출이 가능할 수 있다. In the case of using the mid-cut-off regression model, the fine dust data at the time of 10 km or more in visibility are not excluded from the analysis, but all of them are analyzed meaningfully, so that it is possible to calculate the visibility prediction information with improved accuracy.
이하에서는, 공항 시정 관측 자료의 특성을 반영하기 위해 중도절단회귀모형을 이용한 시정 예측 산출 방법에 관하여 상세하게 설명한다. In the following, we will explain in detail the method of calculating the predictive forecast using the mid-severance regression model to reflect the characteristics of the airport visibility data.
아래의 [수학식 1]은 본 출원의 일 실시 예에 따른 시정 예측 계산식을 나타낸다. Equation (1) below shows a formula for calculating a correction formula according to an embodiment of the present application.
여기서 VIS0은 각 설명 변수(PM10, PM2.5, WX, RH)들의 값이 0일 때의 시정이다. Here, VIS 0 is a visibility when the value of each explanatory variable (PM10, PM2.5, WX, RH) is zero.
여기서 A, B, C, D, E, F, G, H 는 각 설명 변수에 대한 계수(coefficient)로 상수이다. Where A, B, C, D, E, F, G, and H are constants for each explanatory variable.
여기서 WX는 안개(Fog, FG), 연무(Haze, HZ), 박무(Brume, BR), 강수 등의 기상 현상을 의미한다.Here, WX means meteorological phenomena such as Fog, FG, Haze, HZ, Brume, BR, and precipitation.
여기서 RH는 상대 습도(Relative Humidity)를 의미한다. Here, RH means relative humidity.
여기서 PM10은 직경 10 μm 미만의 미세먼지 농도를 의미한다.Here, PM10 means a fine dust concentration of less than 10 mu m in diameter.
여기서 PM2.5는 직경 2.5 μm 미만의 미세먼지 농도를 의미한다. Where PM2.5 means the fine dust concentration with a diameter of less than 2.5 [mu] m.
[수학식 1]을 참조하면, 본 출원의 일 실시 예에 따른 시정 예측 정보는 PM 10, PM2.5의 미세먼지 입자 크기 별로 시정에 미치는 영향을 반영할 수 있다. Referring to Equation (1), the corrective prediction information according to one embodiment of the present application can reflect the influence on the visibility by the fine dust particle size of PM 10 and PM 2.5.
또한, [수학식 1]을 참조하면, 본 출원의 일 실시 예에 따른 시정 예측 정보는 기상 현상(WX) 및 상대 습도(RH)가 시정에 미치는 영향을 반영할 수 있다. Referring to Equation (1), the correction prediction information according to one embodiment of the present application can reflect the influence of the meteorological phenomenon (WX) and the relative humidity (RH) on the correction.
또한, [수학식 1]을 참조하면, 미세먼지(PM10, PM2.5)와 기상 현상(WX) 및 상대 습도(RH)에 대한 교호 작용(interaction) 효과를 더 반영할 수 있다. Referring to Equation (1), the interaction effect between the fine dust particles (PM10, PM2.5) and the meteorological phenomenon (WX) and the relative humidity (RH) can be further reflected.
이때 시정 예측 정보는 미세먼지와 각 기상 현상에 대한 교호 작용 효과를 반영하기 위해 각 기상 현상 마다 별도로 산출될 수 있다. At this time, the prediction information can be separately calculated for each meteorological phenomenon in order to reflect the effect of interaction between fine dust and each meteorological phenomenon.
이때 각 설명 변수에 대한 추청치(Estimate)는 최우추정법(maximum likelihood method), 헤크만(J. Heckman)의 2단계 추정법 등을 사용하여 산출될 수 있다.Estimates for each explanatory variable can be calculated using the maximum likelihood method and the two-step method of J. Heckman.
예를 들어, 최우추정법은 종속변수의 모집단 확률분포를 정의하고 모집단분포의 평균을 Xβ라고 가정함으로써 독립변수 X의 종속변수에 미치는 영향을 나타내는 미지수 β를 추정할 수 있다. For example, the maximum likelihood estimator can estimate the unknown β, which affects the dependent variable of the independent variable X, by defining the population probability distribution of the dependent variable and assuming the mean of the population distribution as Xβ.
예를 들어, PM10, PM2.5, RH 에 대한 추청치(Estimate)는 참 값을 중심으로 정규분포를 따르는 것으로 알려져 있으며 마이너스 또는 플러스 값일 수 있다. For example, Estimate for PM10, PM2.5, RH is known to follow a normal distribution around a true value and can be a negative or positive value.
따라서, 본 출원의 일 실시 예에 따른 시정 예측 모델링 데이터는 미세먼지 입자의 크기 및 미세먼지-기상현상 및 기상 요소 사이의 교호작용 효과를 반영할 수 있다. Accordingly, the time evolution predictive modeling data according to one embodiment of the present application can reflect the size of the fine dust particles and the interaction effect between the fine dust-gas phase phenomenon and the weather element.
이하에서는, 전술한 [수학식 1]를 적용한 인천 공항의 안개 (FG) 현상에 관한 시정 예측 정보 산출 과정을 예로 들어 설명한다. Hereinafter, a description will be given of an example of a calculation process of the predicted forecast information regarding the fog phenomenon of Incheon International Airport using Equation (1).
아래의 [표 1]은 인천공항 2년치의 정시(매 시) 기상 관측 자료와 인천공항에서 가장 가까운 운서 측정소의 미세먼지(PM10, PM2.5)의 매 시 관측 자료를 중도회귀절단 모형을 이용하여 분석한 결과를 나타낸다.Table 1 below shows the data of the two-year fixed-time (hourly) weather data of Incheon International Airport and the data of the minute dust (PM10, PM2.5) The results are shown in Fig.
[표 1]에서 절편 값 14.799711은 모든 설명 변수가 0일 때 시정 예측 값(VIS0)이다. In Table 1, the slice value 14.799711 is the visibility predicted value (VIS 0 ) when all explanatory variables are zero.
아래의 [수학식 2]는 [표 1]에서 분석된 결과를 이용한 인천 공항의 안개 (FG) 현상에 관한 시정 예측 계산식을 나타낸다. Equation (2) below shows a correction formula for the correction of the fog (FG) phenomenon at Incheon International Airport using the result of the analysis in [Table 1].
여기서 PM10, PM2.5, RH에 대한 추정치는 참 값을 중심으로 정규분포를 따르며 마이너스 또는 플러스 값 일 수 있다. Here, the estimates for PM10, PM2.5 and RH follow a normal distribution around the true value and may be negative or positive.
또한, 여기서 기상요소 FG는 0 또는 1의 값을 가질 수 있다. Here, the meteorological element FG may have a value of 0 or 1.
예를 들어, 안개가 발생하지 않는 경우 FG=0, 안개가 발생하는 경우 FG=1의 값을 가질 수 있다. For example, FG = 0 if no fog occurs, and FG = 1 if fog occurs.
한편, 인천 공항의 안개뿐만 아니라 연무, 박무, 강수 등 다른 기상요소에 대해서도 [수학식 2]와 같은 계산식이 도출될 수 있다. On the other hand, not only fog at Incheon International Airport but also other meteorological factors such as fog, rainfall, precipitation, and the like can be calculated as in Equation (2).
따라서, 본 출원의 일 실시 예에 따른 시정 예측 모델링 시스템(300)에 의하면 각 공항의 시정 관측 자료와 해당 공항 또는 인근 관측소의 미세 먼지 관측 자료를 분석하여 공항 별로 하나 이상의 기상 현상에 대한 시정 예측 계산식을 산출할 수 있다. According to the
도 2는 본 출원의 일 실시 예에 따른 시정 예측 결과를 비교하기 위한 그래프이다. 2 is a graph for comparing the results of the corrective prediction according to an embodiment of the present application.
도 2에서 L1은 미세먼지가 고려되지 않은 수치모델에 의한 인천 공항 최근접 격자점에서의 시정 예측 값을 나타내며, L2는 본 출원의 일 실시 예에 따른 시정 예측 값을 나타내고, L3는 인천 공항에서의 시정 관측 값을 나타낸다. In FIG. 2, L1 represents the predicted value at the nearest lattice point at the Incheon International Airport based on the numerical model in which the fine dust is not considered, L2 represents the corrective predicted value according to one embodiment of the present application, Of the measured value.
도 2에 도시된 바와 같이, 본 출원의 일 실시 예에 따른 시정 예측 값(L2)은 미세먼지가 고려되지 않은 수치모델(L1)보다 시정 관측 값(L3)에 가까운 정보를 제공할 수 있다. As shown in FIG. 2, the time constant predicted value L2 according to an embodiment of the present application can provide information closer to the visibility observation value L3 than the numerical model L1 in which fine dust is not considered.
이하에서는 도 3을 참조하여 본 출원의 제1 실시 예에 따른 시정 예측정보 제공 방법의 예를 설명한다. Hereinafter, an example of the method of providing the time constant prediction information according to the first embodiment of the present application will be described with reference to FIG.
도 3은 본 출원의 제1 실시 예에 따른 시정 예측정보 제공 방법을 설명하기 위한 순서도이다. 3 is a flowchart for explaining a method of providing the Predictive Predictive Information according to the first embodiment of the present application.
도 3을 참조하면, 본 출원의 제1 실시 예에 따른 시정 예측정보 제공 방법은 시정 예측 정보 요청을 수신하는 단계(S31), 특정 지역에 관한 시정 예측 모델링 데이터를 획득하는 단계(S32), 미세먼지 데이터를 획득하는 단계(S33), 실시간 시정예측 정보를 생성하는 단계(S34) 등을 포함할 수 있다. Referring to FIG. 3, the method of providing the corrected temporal prediction information according to the first embodiment of the present application includes a step S31 of receiving a temporal prediction information request, a step S32 of acquiring the temporal prediction modeling data for a specific region, Step S33 of acquiring the dust data, step S34 of generating the real-time visibility prediction information, and the like.
이하에서는 설명의 편의를 위하여 각 단계가 전술한 서버(400)에서 수행되는 경우를 상정하여 설명한다. Hereinafter, for convenience of explanation, it is assumed that each step is performed in the server 400 described above.
서버(400)는 시정 예측 정보 요청을 수신할 수 있다(S31). The server 400 may receive a request for a predictive prediction information (S31).
예를 들어, 서버(400)는 사용자 장치(500)로부터 시정 예측 정보 요청을 수신할 수 있다. For example, the server 400 may receive a request for a predictive information from the
이때 시정 예측 정보 요청은, 시정 예측 정보를 필요로 하는 특정 지역 또는 특정 지점에 관한 정보를 포함할 수 있다. 예를 들어, 사용자는 항공기의 이착륙을 위해 특정 공항 지점에서의 시정 예측 정보를 실시간으로 요청할 수 있다.At this time, the request for the predictive prediction information may include information about the specific region or specific point requiring the predictive prediction information. For example, a user may request real-time predictive information at a specific airport point for takeoff and landing of an aircraft.
도 5를 참조하면, 사용자는 사용자 장치(500) 상에 표시되는 시정 예측 정보 확인을 위한 사용자 인터페이스(UI)를 통해 상기 사용자 인터페이스(UI) 상의 지도에 표시되는 공항들 중 하나를 선택할 수 있다. 또는, 사용자는 검색창에 특정 지역명 '인천'을 입력하고, '확인'에 대응되는 입력창을 선택할 수 있다. Referring to FIG. 5, a user may select one of the airports displayed on the map on the user interface (UI) through a user interface (UI) for confirming visibility prediction information displayed on the
또는 예를 들어, 서버(400)는 시정 예측 정보 요청을 전송한 사용자 장치(500)의 위치 정보를 기초로 시정 예측 정보를 산출할 특정 지역 또는 특정 지점을 식별할 수 있다. For example, the server 400 may identify a specific region or a specific point from which to calculate the predictive information based on the location information of the
이때 위치 정보는 사용자 장치(500)에 탑재된 위치 추적 모듈로부터 수신되는 정보일 수 있다. At this time, the location information may be information received from the location tracking module mounted on the
서버(400)는 특정 지역에 관한 시정 예측 모델링 데이터를 획득할 수 있다(S32). The server 400 may obtain the corrective prediction modeling data for a specific area (S32).
예를 들어, 서버(400)는 사용자로부터 수신된 시정 예측 정보에 포함된 특정 지역에 관한 정보를 기초로 특정 지역에 관한 시정 예측 모델링 데이터를 획득할 수 있다. For example, the server 400 may acquire the predictive prediction modeling data on the specific region based on the information on the specific region included in the predictive information received from the user.
전술한 바와 같이, 시정 예측 모델링 데이터는, 시정 예측 모델링 시스템(300)에서 특정 지역에서 일정 기간 동안 수집된 기상 관측 데이터 및 미세 먼지 데이터를 분석하여 산출되는 것일 수 있다. As described above, the predictive prediction modeling data may be calculated by analyzing meteorological observation data and fine dust data collected for a predetermined period in a specific area in the time-series
또한, 시정 예측 모델링 데이터는 전술한 [수학식 1]의 계산식 형태일 수 있고, 각 기상 현상 별로 산출된 것일 수 있다. In addition, the predictive prediction modeling data may be a calculation formula of the above-described equation (1), and may be calculated for each meteorological phenomenon.
이때 서버(400)는 각 기상 현상 별로 산출된 복수 개의 시정 예측 모델링 데이터를 모두 획득할 수 있다. 또는 서버(400)는 시정 예측 정보 요청이 수신된 시점의 기상 데이터를 기초로 하나 이상의 시정 예측 모델링 데이터를 선택하여 획득할 수 있다. 또는 서버(400)는 시정 예측 정보 산출 시점의 계절 및/또는 지역 정보를 기초로 계절 특성에 적합한 하나 이상의 시정 예측 모델링 데이터를 선택하여 획득할 수 있다. At this time, the server 400 can acquire all of the plurality of the predictive prediction modeling data calculated for each meteorological phenomenon. Alternatively, the server 400 may select and acquire one or more pieces of the predictive modeling data based on the weather data at the time when the request for the predictive information is received. Alternatively, the server 400 may select and acquire one or more pieces of time-series predictive modeling data suitable for the seasonal characteristics based on seasonal and / or local information at the time of calculating the predictive information.
일 예로, 서버(400)는 시정 예측 정보 요청에 포함된 지역 정보가 안개 등이 자주 발생하는 인천 공항인 경우, 안개, 박무, 연무에 관한 시정 예측 모델링 데이터들을 획득할 수 있다.For example, the server 400 can obtain the predictive prediction modeling data on fog, fog, and mist when the local information included in the request for forecasting information is Incheon International Airport where frequent fog occurs.
다른 예로, 서버(400)는 시정 예측 정보 요청 시점이 장마철이고, 기상 데이터에 강수량이 포함되어 있는 경우, 강수에 관한 시정 예측 모델링 데이터를 획득할 수 있다. As another example, the server 400 can acquire the predictive prediction modeling data on the precipitation when the time of the request for the predictive prediction information is a rainy season and the precipitation amount is included in the weather data.
또는 예를 들어, 서버(400)는 사용자 장치(500)의 위치정보를 기초로 특정 지역에 관한 시정 예측 모델링 데이터를 획득할 수 있다. Alternatively, for example, the server 400 may obtain the predictive prediction modeling data for a particular region based on the location information of the
이때 서버(400)는 전술한 시정 예측 모델링 시스템(300)으로부터 도출된 특정 지역에 관한 시정 모델링 데이터를 획득할 수 있다. At this time, the server 400 may obtain the corrective modeling data on the specific area derived from the above-described corrective
한편, 시정 예측 모델링 시스템(300)은 서버(400)로부터 요청이 있는 경우 및/또는 미리 설정된 주기마다 시정 예측 모델링 데이터를 산출할 수 있다. 또는, 시정 예측 모델링 시스템(300)은 특정 지역에서의 시정 예측 계산식을 미리 산출하여 저장하고 있을 수 있고, 미리 설정된 주기마다 시정 예측 계산식을 재산출하여 업데이트할 수 있다. On the other hand, the time constant
서버(400)는 미세먼지 데이터를 획득할 수 있다(S33).The server 400 can acquire fine dust data (S33).
전술한 바와 같이, 미세먼지 데이터는 미세먼지 입자의 종류 및/또는 크기 별 농도 값을 포함할 수 있다. 예를 들어, 상기 미세먼지 데이터는 적어도 PM10 및 PM 2.5 미세먼지에 대한 농도를 포함할 수 있다. As described above, the fine dust data may include the concentration value of the kind and / or the size of the fine dust particles. For example, the fine dust data may include concentrations for at least PM10 and PM 2.5 fine dust.
예를 들어, 서버(400)는 S31 단계에서 인천 공항에 대한 시정 예측 정보 요청을 수신한 경우, 인천 공항 또는 공항 인근에 위치한 미세먼지 관측소로부터 실시간 미세먼지 데이터를 획득할 수 있다. For example, if the server 400 receives the request for the predictive information for the Incheon International Airport at step S31, the server 400 can acquire real time fine dust data from a fine dust observatory located near the Incheon airport or the airport.
또는, 예를 들어, 서버(400)는S31 단계에서 인천 공항에 대한 시정 예측 정보 요청을 수신한 경우, 각 지역에 위치한 미세먼지 관측소로부터 수집된 데이터들을 저장하고 있는 미세먼지 데이터 베이스(200)로부터 인천 공항에서의 미세먼지 관측 데이터를 획득할 수 있다. Alternatively, for example, if the server 400 receives the request for the forecasting information for the Incheon International Airport at step S31, the server 400 extracts from the
다만, 미세 먼지 관측 데이터는 미리 설정된 주기마다 업데이트될 수 있으므로, 서버(400)는 S31 단계에서 사용자로부터 시정 예측 정보 요청이 수신된 시점의 미세 먼지 데이터 또는, 전술한 바와 같이 외부 미세먼지 예측 모델링 시스템(미도시)으로부터 산출된 미세먼지 예측 데이터를 획득할 수도 있다. However, since the fine dust observation data can be updated every preset cycle, the server 400 may store the fine dust data at the time when the request for the predictive prediction information is received from the user at step S31, or the fine dust data at the time when the external fine dust prediction modeling system (Not shown) of the fine dust prediction data.
서버(400)는 실시간 시정예측 정보를 생성할 수 있다(S34).The server 400 may generate the real-time corrective prediction information (S34).
서버(400)는 S31 단계에서 특정 지역에 대한 시정 예측 정보 요청이 수신된 경우, S32 단계에서 특정 지역에 대한 시정 예측 모델링 데이터를 획득할 수 있고, S33 단계에서 특정 지역 또는 인근에 위치한 관측소에서 관측된 미세먼지 데이터 또는 외부 장치로부터 산출된 미세먼지 예측 데이터를 획득할 수 있다. In step S32, the server 400 may acquire the predictive prediction modeling data for a specific area in step S32. If it is determined in step S33 that the observation is performed in a specific area or a nearby observation station, And the fine dust prediction data calculated from the external apparatus can be obtained.
예를 들어, 실시간 예측 정보 산출 모듈(410)은 인천 공항에 대한 각 기상 현상 별 시정 예측 모델링 계산식에 미세먼지 관측 데이터 값을 적용하여 실시간 시정 예측 정보를 생성할 수 있다. For example, the real-time prediction
상기 시정 예측 정보는 미세먼지 입자의 종류 별 영향이 고려된 것일 수 있다. The time prediction information may be one in which the influence of each kind of fine dust particles is considered.
예를 들어, 실시간 예측 정보 산출 모듈(410)은 PM10 및 PM2.5 미세먼지 농도를 각각 반영하여 실시간 시정 예측 정보를 생성할 수 있다. 왜냐하면, 미세먼지 입자의 크기에 따라 시정에 미치는 영향이 상이하기 때문이다. For example, the real-time prediction
또한, 상기 시정 예측 정보는 미세먼지와 기상 요소 및/또는 기상 현상의 교호 작용이 더 고려된 것일 수 있다. 전술한 바와 같이 안개, 박무, 연무, 강수 등의 기상 현상 및/또는 온도, 습도 등의 기상 요소와 미세먼지의 교호작용(interaction)에 따라 시정 예측이 달라질 수 있기 때문이다. In addition, the corrective prediction information may be one in which the interaction between the fine dust and the meteorological element and / or the meteorological phenomenon is further considered. As described above, the prediction of the visibility may vary depending on the meteorological phenomena such as mist, cloudiness, haze, and precipitation, and / or interaction between the meteorological elements such as temperature and humidity and the fine dust.
또한, 예를 들어, 실시간 예측 정보 산출 모듈(410)은 미세 먼지 데이터에 포함된 입자의 종류에 따른 상대 습도 영향을 더 고려하여 시정 예측 정보를 산출할 수 있다. Also, for example, the real-time prediction
한편, 서버(400)는 사용자 장치(500)로부터 수신된 시정 예측 정보 요청에 대한 응답으로써, S34 단계에서 산출된 시정 예측 정보를 전송할 수 있다. 예를 들어, 상기 시정 예측 정보는 안개, 박무, 연무, 강수 각각에 대한 시정 예측 정보 중 적어도 하나 이상을 포함할 수 있다 Meanwhile, the server 400 may transmit the corrected predictive information calculated in step S34 as a response to the request for the predictive information received from the
또한, 서버(400)는 사용자로부터 시정 예측 정보 요청이 수신되었는지 여부와 상관없이 미리 설정된 주기마다 시정 예측 정보를 생성하여 제공할 수도 있다. In addition, the server 400 may generate and provide the Predictive Predictive Information every predetermined period regardless of whether or not the Predictive Information Request is received from the user.
도 5를 참조하면, 사용자 장치(500)로부터 인천공항에 대한 시정 예측 정보 요청이 입력된 경우, 사용자 장치(500) 상에 표시되는 사용자 인터페이스(UI)를 통해 시정 예측 정보를 시계열적으로 표시할 수 있고, 예를 들어, 날씨, 습도, PM10 미세먼지 농도, PM2.5 미세먼지 농도 데이터를 더 표시할 수 있다. Referring to FIG. 5, when a request for a predictive forecast information for Incheon International Airport is input from the
따라서 본 출원의 제1 실시 예에 따른 시정 예측정보 제공 방법에 의하면, 미세먼지 입자의 종류 별로 시정에 미치는 영향이 반영된 정확도가 개선된 시정 예측 정보를 제공할 수 있다. Therefore, according to the method of providing the corrective prediction information according to the first embodiment of the present application, it is possible to provide the corrected corrective prediction information with improved accuracy that reflects the influence on the correction depending on the kind of the fine dust particles.
나아가, 본 출원의 제1 실시 예에 따른 시정 예측정보 제공 방법에 의하면, 미세먼지 입자와 기상 현상 사이의 교호 작용 효과가 더 반영된 기상 현상에 따른 시정 예측정보를 제공할 수 있다. Further, according to the method of providing the predictive predictive information according to the first embodiment of the present application, it is possible to provide the visibility prediction information according to the meteorological phenomenon in which the alternating effect between the fine dust particles and the meteorological phenomenon is further reflected.
이하에서는 도 4를 참조하여 본 출원의 제2 실시 예에 따른 시정 예측정보 제공 방법의 예를 설명한다. Hereinafter, an example of the method of providing the time constant prediction information according to the second embodiment of the present application will be described with reference to FIG.
도 4는 본 출원의 제2 실시 예에 따른 시정 예측정보 제공 방법을 설명하기 위한 순서도이다. 4 is a flowchart for explaining a method of providing the Predictive Predictive Information according to the second embodiment of the present application.
도 4를 참조하면, 본 출원의 제2 실시 예에 따른 시정 예측정보 제공 방법은 항공기 운항을 위한 시정 예측정보 제공 방법에 있어서, 특정 지역에 관한 시정 예측 모델링 데이터를 획득하는 단계(S41), 입자 종류 별 미세 먼지 데이터를 획득하는 단계(S42), 상기 시정 예측 모델링 데이터 및 상기 미세 먼지 데이터를 기초로 제1 시정 예측 데이터 및 제2 시정 예측 데이터를 산출하는 단계(S43, S44), 상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 범위 미만인지 여부를 판단하는 단계(S45), 상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 범위를 초과하는 것으로 판단되는 경우 저시정 알람 정보를 전송하는 단계(S46)를 포함할 수 있다. Referring to FIG. 4, the method of providing the Predictive Information according to the second exemplary embodiment of the present application includes the steps of: obtaining stepped predictive modeling data for a specific region (S41) (S42) of acquiring fine dust data for each type, calculating first corrective prediction data and second corrective predictive data based on the predictive modeling data and the fine dust data (S43, S44) At least one of the first corrective prediction data and the second corrective predictive data is judged to be less than a preset range, at least one of the first corrective predictive data and the second corrective predictive data exceeding a predetermined range (S46) when the low-security alarm information is determined to be low.
이하에서는 설명의 편의를 위하여 각 단계가 전술한 서버(400)에서 수행되는 경우를 상정하여 설명한다. Hereinafter, for convenience of explanation, it is assumed that each step is performed in the server 400 described above.
또한, 이하에서는 서버(400)에서 미리 설정된 주기마다 하나 이상의 공항 지점들에 대한 시정 예측정보를 자동으로 생성하여 제공하는 경우를 예로 들어 설명한다. Hereinafter, the case where the server 400 automatically generates and provides the predictive prediction information for one or more airport points at predetermined intervals will be described as an example.
서버(400)는 특정 지역에 관한 시정 예측 모델링 데이터를 획득할 수 있다(S41). The server 400 may obtain the predictive prediction modeling data for a specific area (S41).
예를 들어, 서버(400)는 전술한 시정 예측 모델링 시스템(300)에서 산출된 하나 이상의 공항 지점에 관한 시정 예측 모델링 데이터를 획득할 수 있다. For example, the server 400 may obtain the predictive prediction modeling data for one or more airport points computed in the above-described predictive
이때 시정 예측 모델링 시스템(300)은 미리 설정된 주기마다 시정 예측 모델링 데이터를 재산출할 수 있고, 업데이트된 시정 예측 모델링 데이터를 서버(400)로 전송할 수 있다. At this time, the time
시정 예측 모델링 데이터는, 시정 예측 모델링 시스템(300)에서 특정 공항 지점에서 일정 기간 동안 수집된 기상 관측 데이터 및 미세 먼지 데이터를 분석하여 산출되는 것일 수 있다. The predictive prediction modeling data may be calculated by analyzing meteorological observation data and fine dust data collected during a predetermined period at a specific airport point in the time-series
또한, 시정 예측 모델링 데이터는 전술한 [수학식 1]의 계산식 형태일 수 있고, 각 기상 현상 별로 산출된 것일 수 있다. In addition, the predictive prediction modeling data may be a calculation formula of the above-described equation (1), and may be calculated for each meteorological phenomenon.
전술한 바와 같이, 서버(400)는 각 기상 현상 별로 산출된 복수 개의 시정 예측 모델링 데이터를 모두 획득할 수 있다. 또는 서버(400)는 시정 예측 정보 산출 시점의 기상 데이터를 기초로 하나 이상의 시정 예측 모델링 데이터를 선택하여 획득할 수 있다. 또는 서버(400)는 시정 예측 정보 산출 시점의 계절 및/또는 지역 정보를 기초로 계절 특성에 적합한 하나 이상의 시정 예측 모델링 데이터를 선택하여 획득할 수 있다. As described above, the server 400 can acquire all of the plurality of the corrective prediction modeling data calculated for each meteorological phenomenon. Alternatively, the server 400 can select and acquire one or more of the predictive modeling data based on the weather data at the time of calculating the predictive information. Alternatively, the server 400 may select and acquire one or more pieces of time-series predictive modeling data suitable for the seasonal characteristics based on seasonal and / or local information at the time of calculating the predictive information.
일 예로, 서버(400)는 시정 예측 정보 산출 지역이 안개 등이 자주 발생하는 인천 공항인 경우, 안개, 박무, 연무에 관한 시정 예측 모델링 데이터들을 획득할 수 있다.For example, the server 400 can obtain the predictive prediction modeling data on fog, mist, and mist when the visibility prediction information calculation area is an Incheon airport where frequent fog occurs.
다른 예로, 서버(400)는 시정 예측 정보 산출 시점이 장마철이고, 기상 데이터에 강수량이 포함되어 있는 경우, 강수에 관한 시정 예측 모델링 데이터를 획득할 수 있다. As another example, the server 400 can acquire the predictive prediction modeling data on the precipitation when the time for calculating the predictive prediction information is a rainy season and the precipitation amount is included in the weather data.
서버(400)는 입자 종류 별 미세먼지 데이터를 획득할 수 있다(S42). The server 400 can acquire fine dust data for each particle type (S42).
예를 들어, 서버(400)는 실시간 시정 예측 정보를 생성하기 위하여 특정 공항 인근의 관측소로부터 수집되는 미세먼지 관측 데이터를 획득할 수 있다. For example, the server 400 may acquire fine dust observation data collected from an observatory near a specific airport to generate real time predictive information.
이때 미세먼지 데이터는, 전술한 바와 같이, 미세먼지 입자의 종류 및/또는 크기 별 농도 값을 포함할 수 있다. 예를 들어, 상기 미세먼지 데이터는 적어도 PM10 및 PM 2.5 미세먼지에 대한 농도를 포함할 수 있다. At this time, the fine dust data may include the kind and / or the concentration value of the fine dust particles as described above. For example, the fine dust data may include concentrations for at least PM10 and PM 2.5 fine dust.
다만, 미세 먼지 관측 데이터는 미리 설정된 주기마다 측정되어 업데이트될 수 있으므로, 서버(400)는 시정 예측 정보 산출 시점의 미세 먼지 관측 데이터 또는, 전술한 바와 같이 외부 미세먼지 예측 모델링 시스템(미도시)으로부터 산출된 미세먼지 예측 데이터를 획득할 수도 있다. However, since the fine dust observation data can be measured and updated every predetermined cycle, the server 400 can obtain the fine dust observation data at the time of calculating the corrective prediction information or the fine dust observation data from the external fine dust prediction modeling system (not shown) And the calculated fine dust prediction data may be obtained.
서버(400)는 상기 시정 예측 모델링 데이터 및 상기 미세 먼지 데이터를 기초로 제1 시정 예측 데이터 및 제2 시정 예측 데이터를 산출할 수 있다(S43, S44). The server 400 may calculate the first and second corrected predictive data based on the predictive modeling data and the fine dust data (S43 and S44).
예를 들어, 서버(400)는 S41 단계 및 S42 단계에서 획득되는 각 공항 지점에 관한 시정 예측 모델링 데이터 및 미세먼지 데이터를 이용하여 하나 이상의 기상 현상들에 관한 제1 시정 예측 데이터 및 제2 시정 예측 데이터를 산출할 수 있다. For example, the server 400 may calculate first corrective prediction data and second corrective predictive data for one or more meteorological phenomena using the predictive modeling data and the fine dust data on each airport point obtained in steps S41 and S42, Data can be calculated.
일 예로, 실시간 예측 정보 산출 모듈(410)은 시정 예측 모델링 시스템(300)으로부터 획득되는 인천 공항에 대한 안개에 관한 시정 예측 모델링 계산식에 실시간 미세먼지 관측 데이터를 적용하여 제1 시정 예측 정보를 생성할 수 있다. For example, the real-time prediction
또한, 실시간 예측 정보 산출 모듈(410)은 시정 예측 모델링 시스템(300)으로부터 획득되는 인천 공항에 대한 박무에 관한 시정 예측 모델링 계산식에 실시간 미세먼지 관측 데이터를 적용하여 제2 시정 예측 정보를 생성할 수 있다. In addition, the real-time prediction
다른 예로, 실시간 예측 정보 산출 모듈(410)은 시정 예측 모델링 시스템(300)으로부터 획득되는 인천 공항에 대한 안개에 관한 시정 예측 모델링 계산식에 실시간 미세먼지 예측 데이터를 적용하여 제1 시정 예측 정보를 생성할 수 있다. In another example, the real-time prediction
또한, 실시간 예측 정보 산출 모듈(410)은 시정 예측 모델링 시스템(300)으로부터 획득되는 인천 공항에 대한 박무에 관한 시정 예측 모델링 계산식에 실시간 미세먼지 예측 데이터를 적용하여 제2 시정 예측 정보를 생성할 수 있다. In addition, the real-time prediction
상기 시정 예측 정보는 미세먼지 입자의 종류 별 영향이 고려된 것일 수 있다. The time prediction information may be one in which the influence of each kind of fine dust particles is considered.
예를 들어, 실시간 예측 정보 산출 모듈(410)은 PM10 및 PM2.5 미세먼지 농도를 각각 반영하여 실시간 시정 예측 정보를 생성할 수 있다. 왜냐하면, 미세먼지 입자의 크기에 따라 시정에 미치는 영향이 상이하기 때문이다. For example, the real-time prediction
또한, 상기 시정 예측 정보는 미세먼지와 기상 요소 및/또는 기상 현상의 교호 작용이 더 고려된 것일 수 있다. 전술한 바와 같이 안개, 박무, 연무, 강수 등의 기상 현상 및/또는 온도, 습도 등의 기상 요소와 미세먼지의 교호작용(interaction)에 따라 시정 예측이 달라질 수 있기 때문이다. In addition, the corrective prediction information may be one in which the interaction between the fine dust and the meteorological element and / or the meteorological phenomenon is further considered. As described above, the prediction of the visibility may vary depending on the meteorological phenomena such as mist, cloudiness, haze, and precipitation, and / or interaction between the meteorological elements such as temperature and humidity and the fine dust.
예를 들어, 시정 예측 정보 산출 모듈(410)은 미세 먼지 데이터에 포함된 입자의 종류에 따른 상대 습도 영향을 더 고려하여 시정 예측 정보를 산출할 수 있다. For example, the time constant prediction
한편, S43 및 S44 단계에서 산출된 시정 예측 데이터는 사용자 단말기 상에 실행되는 웹페이지 또는 애플리케이션 등을 통해 제공될 수 있다. 이때 시정 예측 정보 제공을 위한 웹페이지 또는 애플리케이션에는 시정 예측 정보와 실시간 기상 데이터 및/또는 미세먼지 데이터가 함께 표시될 수 있다. On the other hand, the predictive prediction data calculated in steps S43 and S44 may be provided through a web page or application executed on the user terminal. At this time, the web page or application for providing the predictive prediction information may be displayed together with the predictive prediction information and the real-time weather data and / or fine dust data.
도 5를 참조하면, 사용자 장치(500)로부터 인천공항에 대한 시정 예측 정보 요청이 입력된 경우, 사용자 장치(500) 상에 표시되는 사용자 인터페이스(UI)를 통해 시정 예측 정보를 시계열적으로 표시할 수 있고, 예를 들어, 날씨, 습도, PM10 미세먼지 농도, PM2.5 미세먼지 농도 데이터를 더 표시할 수 있다. Referring to FIG. 5, when a request for a predictive forecast information for Incheon International Airport is input from the
서버(400)는 상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 범위를 초과하는지 여부를 판단할 수 있다(S45). The server 400 may determine whether at least one of the first and second corrective prediction data exceeds a preset range (S45).
즉, 제어 모듈(420)은 S43 단계 및 S44 단계에서 산출된 제1 시정 예측 데이터 및 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 가시거리 범위 미만인지 여부를 판단할 수 있다. That is, the
이는 특정 지역에 대한 시정 예측 데이터가 미리 설정된 가시거리 범위 미만인 경우 저시정 알람 정보를 제공하기 위함이다. This is to provide the low visibility alarm information when the visibility prediction data for a specific region is less than a predetermined visibility distance range.
미리 설정된 가시거리 범위는 항공기의 이착륙을 위해 확보되어야 하는 최소 가시거리 범위로 사용자에 의해 미리 설정된 값일 수 있다. The predetermined visibility distance range may be a value preset by the user with a minimum visible range that must be secured for takeoff and landing of the aircraft.
예를 들어, 항공기의 이착륙을 위한 최소 가시거리 범위는 각 공항의 위치, 안전 시설, 지리적 요건, 전문 인력의 수준 등에 따라 상이할 수 있다. For example, the minimum visible range for aircraft takeoff and landing can vary depending on the location of each airport, safety facilities, geographical requirements, and the level of professional personnel.
또는 예를 들어, 항공기의 이착륙을 위한 최소 가시거리 범위는 항공기의 기종, 크기 등에 따라 상이할 수 있다. Or, for example, the minimum visible range for aircraft takeoff and landing may vary depending on aircraft type, size, and the like.
또는 예를 들어, 항공기의 이착륙을 위한 최소 가시거리 범위는 특정 공항 내에 위치한 복수 개의 활주로들 중 활주로의 위치, 방향 등에 따라서도 상이할 수 있다. Or, for example, the minimum visible range for an aircraft's takeoff and landing can also vary depending on the location, direction, etc. of the runway among a plurality of runways located within a particular airport.
저시정 알람 정보는, 소정의 기준에 따라 단계적으로 제공될 수 있다. The low-visibility alarm information can be provided stepwise according to a predetermined criterion.
예를 들어, 저시정 알람은 미리 설정된 가시거리 범위에 따라 저시정 경보 1단계, 저시정 경보 2단계, 저시정 경보 3단계 등으로 설정될 수 있다. 이때 1단계는 주의, 2단계는 경보, 3단계는 위험 수준을 의미할 수 있다. For example, the low-security alarm may be set to one low-alarm alarm, two low-alarm alarms, three low-alarm alarms, and the like depending on a preset visible range. In this case, the first stage may indicate attention, the second stage may indicate an alarm, and the third stage may indicate a danger level.
또한, 예를 들어, 소정의 기준은 각 공항의 위치, 안전 시설, 지리적 요건, 전문 인력의 수준 등에 따라 상이할 수 있다. Also, for example, the predetermined criteria may vary depending on the location of each airport, safety facilities, geographical requirements, level of professional personnel, and the like.
또는, 소정의 기준은 항공기의 기종, 크기 등에 따라 상이하게 설정될 수 있다. Alternatively, the predetermined criteria may be set differently depending on the aircraft type, size, and the like.
또는, 소정의 기준은 특정 공항 내에 위치한 복수 개의 활주로들 중 활주로의 위치, 방향 등에 따라서도 상이할 수 있다. Alternatively, the predetermined criteria may also differ depending on the position, direction, etc. of the runway among a plurality of runways located in a specific airport.
다시 말해 서버(400)는 공항 및/또는 항공기의 특성에 적합하게 미리 설정된 기준에 따라 저시정 상황인지 여부를 판단할 수 있다. In other words, the server 400 may determine whether it is in a low visibility condition according to a predetermined criterion suitable for the characteristics of the airport and / or the airplane.
서버(400)는 상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 범위 미만인 것으로 판단되는 경우 저시정 알람 정보를 전송할 수 있다(S46). If at least one of the first and second corrective predictive data is determined to be less than the preset range, the server 400 may transmit the low corrective alarm information (S46).
예를 들어, 서버(400)는 인천 공항에서 안개에 관한 제1 시정 예측 데이터 및 박무에 관한 제2 시정 예측 데이터 중 어느 하나라도 미리 설정된 가시 거리 범위 미만인 것으로 판단되는 경우 저시정 알람 정보를 전송할 수 있다. For example, when the server 400 determines that any one of the first and second corrective prediction data relating to mist at the Incheon International Airport is less than the predetermined visible distance range, the server 400 can transmit the low corrective alarm information have.
일 예로, 서버(400)는 인천 공항에서 안개에 관한 제1 시정 예측 데이터가 550m인 경우 저시정 경보 1단계를 나타내는 저시정 알람 정보를 전송할 수 있다. For example, the server 400 can transmit the low-security alarm information indicating the low-security alarm level 1 when the first correction data for fog is 550 m at Incheon International Airport.
이때 서버(400)가 사용자에게 저시정 알람 정보를 전송하는 방법은 다양할 수 있다. At this time, the server 400 may transmit the low-security alarm information to the user in various ways.
예를 들어, 서버(400)는 사용자가 저시정 알람의 수준을 직관적으로 인식할 수 있도록 사용자 장치(500) 상에 표시되는 항공 시정 정보 제공을 위한 웹페이지 상에 경보 단계 별로 색상을 달리하여 표시할 수 있다. For example, the server 400 may display a different color for each alarm level on a web page for providing aviation security information displayed on the
또는, 예를 들어, 서버(400)는 미리 설정된 기준에 따라 사용자 단말기 상에서 실행되는 항공 시정 정보 제공을 위한 애플리케이션을 통해 푸쉬 알람 형태로 저시정 알람 정보를 제공할 수 있다. Alternatively, for example, the server 400 may provide low-visibility alarm information in the form of a push-alarm through an application for providing air-visibility information to be executed on the user terminal according to a preset reference.
또는, 예를 들어, 서버(400)는 알람음을 통해 사용자에게 저시정 알람 정보를 제공하는 것도 가능할 수 있다. Alternatively, for example, the server 400 may be capable of providing low-calibrated alarm information to the user via an alarm tone.
일 예로, 서버(400)는 사용자 단말기를 통해 저시정 경보 단계 별로 알람음을 달리 출력하거나, 또는 알람음의 크기를 변경하여 출력할 수 있다. For example, the server 400 may output an alarm sound differently according to the low-security alarm level through the user terminal, or may change the alarm sound size and output the alarm sound.
또는, 예를 들어, 서버(400)는 저시정 알람 정보를 제공 받도록 미리 서버(400)를 통해 등록된 사용자 단말기에 문자 메시지 형태의 알람 정보를 전송하는 것도 가능할 수 있다. Alternatively, for example, the server 400 may be capable of transmitting alarm information in the form of a text message to the user terminal registered in advance through the server 400 in order to receive the low-security alarm information.
또는, 예를 들어, 서버(400)는 사용자 장치(500) 상에 표시되는 항공 시정 정보 제공을 위한 웹페이지 상에 저시정 알람 메시지 창을 표시할 수 있다. Alternatively, for example, the server 400 may display a low-security alarm message window on a web page for providing aerial visibility information displayed on the
도 6을 참조하면, 사용자 장치(500) 상에 표시되는 사용자 인터페이스(UI) 상에서 인천 공항에 대한 시정 예측 정보 요청이 입력될 수 있고, 시정 예측 정보 산출 결과 가시거리가 저시정 경보 1단계에 해당되는 550m로 확인될 수 있다. 이때 제어 모듈(420)은 상기 사용자 인터페이스(UI) 상에 '저시정 경보 1단계'를 알리는 알림 메시지를 표시할 수 있고, 상기 알림 메시지 창에는 가시거리 '550m'가 더 함께 표시될 수 있다. Referring to FIG. 6, a request for a predictive forecast information for Incheon International Airport may be input on a user interface (UI) displayed on the
반면에, 서버(400)는 상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 모두 미리 설정된 범위를 초과하지 않는 것으로 판단되는 경우에는, 저시정 알람 정보를 제공하지 않을 수 있다. 다만, 서버(400)는 항공 시정 정보 제공을 위한 웹페이지 상에 시정 예측 정보만을 표시할 수 있다. On the other hand, the server 400 may not provide low visibility alarm information if it is determined that both the first and second corrective predictive data do not exceed the preset range. However, the server 400 may display only the visual prediction information on the web page for providing the air traffic control information.
따라서 본 출원의 제2 실시 예에 따른 시정 예측정보 제공 방법에 의하면, 미세먼지의 입자 크기, 미세먼지와 기상현상 사이의 교호작용 효과를 반영한 시정 예측정보를 실시간으로 제공할 수 있을 뿐만 아니라, 미리 설정된 기준에 따른 저시정 알람 정보를 더 제공함으로써 항공기의 안전한 이착륙을 위한 정보를 효과적으로 전달할 수 있다. Therefore, according to the second embodiment of the present invention, it is possible not only to provide the real-time prediction information reflecting the particle size of the fine dust, the interaction effect between the fine dust and the meteorological phenomenon, By providing further low visibility alarm information according to the set criteria, information for safe takeoff and landing of the aircraft can be effectively transmitted.
상술한 실시 예들은 설명의 편의를 위하여 항공기의 이착륙을 위한 시정 예측 정보 산출 방법 및 시정 예측정보 제공 방법을 예로써 기재하였으며, 항공기의 이착륙뿐만 아니라 선박 운항 또는 기타 시정 예측 정보가 필요한 다양한 분야에서 활용될 수 있다. For convenience of explanation, the embodiments described above exemplify the method of calculating the predicted information for the takeoff and landing of an aircraft and the method of providing the predictive information, and utilize it in various fields requiring not only takeoff and landing of the aircraft but also ship navigation or other visibility prediction information .
실시 예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions to be recorded on the medium may be those specially designed and configured for the embodiments or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.
그러므로 다른 구현들, 다른 실시 예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are within the scope of the following claims.
1: 시정 예측 시스템
100: 기상 정보 데이터 베이스
200: 미세먼지 데이터 베이스
300: 시정 예측 모델링 시스템
400: 서버
410: 시정 예측 산출 모듈
420: 제어 모듈
430: 통신 모듈
500: 사용자 장치 1: Visibility prediction system
100: weather information database
200: fine dust database
300: Visibility prediction modeling system
400: Server
410: Visibility prediction calculation module
420: control module
430: communication module
500: User device
Claims (14)
시정 예측정보 요청을 수신하는 단계;
특정 지역에 관한 시정 예측 모델링 데이터를 획득하는 단계;
미세 먼지 데이터를 획득하는 단계; 및
상기 시정 예측 모델링 데이터 및 상기 미세 먼지 데이터를 이용하여 적어도 하나의 기상 현상에 관한 시정 예측 정보를 생성하는 단계;를 포함하되,
상기 시정 예측 정보는, 상기 미세먼지 데이터에 포함된 입자의 종류를 고려하여 생성되는 것을 특징으로 하는
시정 예측정보 제공 방법.
A method for providing a visibility prediction information in consideration of a fine dust effect,
Receiving a timecourse prediction information request;
Acquiring visibility prediction modeling data for a specific area;
Obtaining fine dust data; And
Generating visibility prediction information related to at least one vapor phase phenomenon using the predictive prediction modeling data and the fine dust data,
Wherein the time constant prediction information is generated in consideration of the kind of particles contained in the fine dust data
A method of providing predictive information for a time period.
상기 시정 예측 정보는, 상기 미세먼지와 각 기상 현상의 교호 작용 효과를 더 반영하여 생성되는 것을 특징으로 하는
시정 예측정보 제공 방법.
The method according to claim 1,
Wherein the corrected prediction information is generated by further reflecting an alternating effect of the fine dust and the meteorological phenomenon
A method of providing predictive information for a time period.
상기 미세먼지 데이터는 적어도 PM 10 및 PM 2.5 크기의 미세먼지 데이터를 포함하는 것인
시정 예측정보 제공 방법.
The method according to claim 1,
Wherein the fine dust data includes fine dust data of at least a PM 10 and a PM 2.5 size
A method of providing predictive information for a time period.
상기 미세먼지 데이터는 미리 설정된 주기마다 획득되는 관측 데이터인 것을 특징으로 하는
시정 예측정보 제공 방법.
The method according to claim 1,
Wherein the fine dust data is observation data acquired at predetermined intervals
A method of providing predictive information for a time period.
상기 시정 예측 정보 요청이 수신된 시점의 미세먼지 관측 데이터 또는, 상기 특정 지역에 대한 미세먼지 예측 데이터를 획득하는 것을 특징으로 하는
시정 예측정보 제공 방법.
5. The method of claim 4,
And acquires the fine dust observation data at the time when the request for the predictive prediction information is received or the fine dust prediction data for the specific region
A method of providing predictive information for a time period.
상기 시정 예측 정보는, 상기 미세 먼지 데이터에 포함된 입자의 종류에 따른 상대 습도 영향을 더 고려하여 산출되는 것을 특징으로 하는
시정 예측정보 제공 방법.
The method according to claim 1,
Wherein the corrective prediction information is calculated by further considering the influence of relative humidity depending on the kind of particles contained in the fine dust data
A method of providing predictive information for a time period.
상기 기상 현상은 안개, 박무, 연무, 강수 중 적어도 하나를 포함하는 것인
시정 예측정보 제공 방법.
The method according to claim 1,
Wherein the meteorological phenomenon includes at least one of fog, mist, mist, and precipitation
A method of providing predictive information for a time period.
특정 지역에 관한 시정 예측 모델링 데이터를 획득하는 단계;
입자 종류 별 미세먼지 데이터를 획득하는 단계; 및
상기 시정 예측 모델링 데이터 및 상기 미세먼지 데이터를 기초로 시정 예측 데이터를 산출하는 단계; 를 포함하되,
상기 시정 예측 데이터는 제1 기상 현상에 대한 제1 시정 예측 데이터 및 제2 기상 현상에 대한 제2 시정 예측 데이터를 포함하고,
상기 제1 시정 예측 데이터 및 상기 제2 시정 예측 데이터 중 적어도 하나가 미리 설정된 범위 미만인 경우 저시정 알람 정보를 전송하는 것을 특징으로 하는
시정 예측정보 제공 방법.
A method for providing forecasted information for aircraft navigation,
Acquiring visibility prediction modeling data for a specific area;
Obtaining fine dust data for each particle type; And
Calculating the predictive prediction data based on the predictive prediction modeling data and the fine dust data; , ≪ / RTI &
Wherein the corrective prediction data includes first corrective prediction data for a first meteorological phenomenon and second corrective prediction data for a second meteorological phenomenon,
And when at least one of the first and second corrective prediction data is less than a predetermined range, the low-security alarm information is transmitted
A method of providing predictive information for a time period.
상기 시정 예측 데이터는, 상기 미세먼지와 각 기상 현상의 교호 작용 효과를 더 반영하여 산출되는 것을 특징으로 하는
시정 예측정보 제공 방법.
9. The method of claim 8,
Wherein the corrective prediction data is calculated by further reflecting an alternating action effect between the fine dust and each vapor phase phenomenon
A method of providing predictive information for a time period.
상기 미세먼지 데이터는 적어도 PM 10 및 PM 2.5 크기의 미세먼지 데이터를 포함하는 것인
시정 예측정보 제공 방법.
9. The method of claim 8,
Wherein the fine dust data includes fine dust data of at least a PM 10 and a PM 2.5 size
A method of providing predictive information for a time period.
상기 시정 예측 정보는, 상기 입자 종류에 따른 상대 습도 영향을 더 고려하여 산출되는 것을 특징으로 하는
시정 예측정보 제공 방법.
9. The method of claim 8,
Wherein the corrected prediction information is calculated in consideration of the influence of the relative humidity on the particle type
A method of providing predictive information for a time period.
상기 미세먼지 데이터는 미리 설정된 주기마다 획득되는 관측 데이터인 것을 특징으로 하는
시정 예측정보 제공 방법.
9. The method of claim 8,
Wherein the fine dust data is observation data acquired at predetermined intervals
A method of providing predictive information for a time period.
상기 시정 예측 정보 요청이 수신된 시점의 미세먼지 관측 데이터 또는, 상기 특정 지역에 대한 미세먼지 예측 데이터를 획득하는 것을 특징으로 하는
시정 예측정보 제공 방법.
13. The method of claim 12,
And acquires the fine dust observation data at the time when the request for the predictive prediction information is received or the fine dust prediction data for the specific region
A method of providing predictive information for a time period.
상기 시정 예측 데이터는 하나 이상의 미리 지정된 지점들에 대해 일정 주기마다 자동으로 산출되는 것을 특징으로 하는
시정 예측정보 제공 방법.
9. The method of claim 8,
Wherein the corrective prediction data is automatically calculated at predetermined intervals with respect to one or more predetermined points
A method of providing predictive information for a time period.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180140786A KR102002158B1 (en) | 2018-11-15 | 2018-11-15 | System for prediction of visibility |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180140786A KR102002158B1 (en) | 2018-11-15 | 2018-11-15 | System for prediction of visibility |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102002158B1 true KR102002158B1 (en) | 2019-07-19 |
Family
ID=67511993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180140786A KR102002158B1 (en) | 2018-11-15 | 2018-11-15 | System for prediction of visibility |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102002158B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102418184B1 (en) * | 2022-01-06 | 2022-07-07 | 이지디텍터 주식회사 | A system for generating a visibility map and a method for generating a visibility map using the same |
| KR20230018625A (en) * | 2021-07-30 | 2023-02-07 | 대한민국(기상청 국립기상과학원장) | Method of Calculating Real Time Visibility using Random Forest Machine Learning and Data of Weather Observations and Model Predictions |
| CN117269011A (en) * | 2023-11-13 | 2023-12-22 | 珠海光焱科技有限公司 | Meteorological visibility judging method based on laser light path measuring system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101534716B1 (en) * | 2013-12-18 | 2015-07-08 | 현대자동차 주식회사 | System and method for providing weather information |
| KR101823992B1 (en) * | 2017-06-08 | 2018-02-01 | (주)한국해양기상기술 | Method and server for supporting aviation safety |
| KR101874968B1 (en) * | 2017-07-03 | 2018-08-02 | (주)시정 | Visibility measuring system base on image information and method for using the same |
| CN108761571A (en) * | 2018-04-03 | 2018-11-06 | 北方民族大学 | Atmospheric visibility prediction technique based on neural network and system |
-
2018
- 2018-11-15 KR KR1020180140786A patent/KR102002158B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101534716B1 (en) * | 2013-12-18 | 2015-07-08 | 현대자동차 주식회사 | System and method for providing weather information |
| KR101823992B1 (en) * | 2017-06-08 | 2018-02-01 | (주)한국해양기상기술 | Method and server for supporting aviation safety |
| KR101874968B1 (en) * | 2017-07-03 | 2018-08-02 | (주)시정 | Visibility measuring system base on image information and method for using the same |
| CN108761571A (en) * | 2018-04-03 | 2018-11-06 | 北方民族大学 | Atmospheric visibility prediction technique based on neural network and system |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230018625A (en) * | 2021-07-30 | 2023-02-07 | 대한민국(기상청 국립기상과학원장) | Method of Calculating Real Time Visibility using Random Forest Machine Learning and Data of Weather Observations and Model Predictions |
| KR102591379B1 (en) * | 2021-07-30 | 2023-10-19 | 대한민국 | Method of Calculating Real Time Visibility using Random Forest Machine Learning and Data of Weather Observations and Model Predictions |
| KR102418184B1 (en) * | 2022-01-06 | 2022-07-07 | 이지디텍터 주식회사 | A system for generating a visibility map and a method for generating a visibility map using the same |
| CN117269011A (en) * | 2023-11-13 | 2023-12-22 | 珠海光焱科技有限公司 | Meteorological visibility judging method based on laser light path measuring system |
| CN117269011B (en) * | 2023-11-13 | 2024-01-30 | 珠海光焱科技有限公司 | Meteorological visibility judging method based on laser light path measuring system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180313975A1 (en) | Self-Learning Nowcast System for Modeling, Recording, and Predicting Convective Weather | |
| US10677771B2 (en) | Detecting gas leaks using unmanned aerial vehicles | |
| US9558670B1 (en) | Method and system for air traffic rerouting for airspace constraint resolution | |
| US9171473B1 (en) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace | |
| KR102002158B1 (en) | System for prediction of visibility | |
| JP2022540525A (en) | Unmanned Aerial Vehicle Risk Assessment | |
| US20210133370A1 (en) | Optimizing Aircraft Flows at Airports Using Data Driven Predicted Capabilities | |
| CN103680215A (en) | Low-altitude aviation service station | |
| McNally et al. | Dynamic weather routes: a weather avoidance system for near-term trajectory-based operations | |
| US9117367B2 (en) | Systems and methods for improving runway status awareness | |
| US9658324B2 (en) | System and method for filling gaps in radar coverage | |
| Li et al. | Research on potential ground risk regions of aircraft crashes based on ADS-B flight tracking data and GIS | |
| Pretto et al. | Web data for computing real-world noise from civil aviation | |
| Lester et al. | Three quantitative means to remain well clear for small UAS in the terminal area | |
| US11262478B2 (en) | Method and server for predicting weather-related dangerous situation at specific point on path of user by referencing separate observation data observed from multiple observation points | |
| Volkova et al. | Forecast of icing zones using possibilities of hydrodynamic simulation for the atmospheric boundary layer | |
| KR102422300B1 (en) | Method and system for providing climate information for port selection of urban air mobility | |
| Fricke et al. | Reducing Europe’s Aviation Impact on Climate Change using enriched Air traffic Forecasts and improved efficiency benchmarks | |
| US20190122566A1 (en) | Method for securing a provisional itinerary for an aircraft, corresponding system and computer program | |
| CN107544536B (en) | Method and system for performance-based reach and ordering and spacing | |
| Diana | Predicting arrival delays: An application of spatial analysis | |
| Hluchý et al. | Prediction of significant meteorological phenomena using advanced data Mining and integration methods | |
| Jones et al. | Evaluating Wind Hazards for Advanced Air Mobility Operations | |
| Jie et al. | Preliminary Environmental Risk Consideration for Small UAV Ground Risk Mapping | |
| Zuluaga et al. | Intelligent techniques for identification and tracking of meteorological phenomena that could affect flight safety |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |