KR102374002B1 - 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 - Google Patents
위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 Download PDFInfo
- Publication number
- KR102374002B1 KR102374002B1 KR1020210134149A KR20210134149A KR102374002B1 KR 102374002 B1 KR102374002 B1 KR 102374002B1 KR 1020210134149 A KR1020210134149 A KR 1020210134149A KR 20210134149 A KR20210134149 A KR 20210134149A KR 102374002 B1 KR102374002 B1 KR 102374002B1
- Authority
- KR
- South Korea
- Prior art keywords
- fine dust
- area
- concentration
- dust concentration
- region
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims description 29
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003912 environmental pollution Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001739 density measurement Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0096—Investigating consistence of powders, dustability, dustiness
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
본 발명의 실시예에 따르면, 지표면에 대한 위성이미지를 통한 미세먼지농도 측정 장치가 제공된다. 상기 장치는, 상기 위성이미지를 기 설정된 복수의 영역들로 분할하고, 상기 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부; 기 학습된 농도측정모델을 통해, 상기 관측가능영역과 대응하는 미세먼지농도를 획득하는 농도 측정부; 및 기 학습된 농도추정모델 및 상기 관측불가능영역과 대응하는 지리정보를 이용하여 상기 관측불가능영역과 대응하는 미세먼지농도의 예측값을 획득하고, 상기 관측가능영역과 대응하는 미세먼지농도에 기초하여 상기 예측값을 보정하는 농도 추정부를 포함할 수 있다. 또한, 상기 농도측정모델은, 상기 관측가능영역으로부터 복수의 특징 벡터들을 결정하고, 상기 관측가능영역과 대응하는 기상정보에 기초하여 생성된 복수의 기상 벡터들 및 상기 복수의 특징 벡터들에 기초하여 상기 관측가능영역과 대응하는 미세먼지농도를 산출할 수 있다.
Description
본 발명은 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
미세먼지가 인체에 미치는 악영향이 대두됨에 따라, 대기 중의 미세먼지농도에 대한 관심이 증가하고 있다.
이에 따라, 설치되는 미세먼지 관측소의 수가 증가되고 있으며, 미세먼지 관측소에서 측정된 값을 이용하여 대기 중 미세먼지농도를 제공하는 기술이 개발되고 있다. 또한, 사용자들이 개인적으로 소유할 수 있는 형태의 미세먼지농도 측정장치들이 개발되고 있다.
다만, 관측소와 거리가 이격된 지역의 미세먼지농도가 정확히 제공되기 어려운 문제점이 발생되고 있다.
또한, 개인용 미세먼지농도 측정장치의 경우, 정확한 측정을 위해서는 측정장치의 가격이 과도하게 증가하는 문제가 발생되고 있고, 적절한 가격의 측정장치는 측정값과 실제 미세먼지농도의 오차가 크게 발생되는 문제가 있다.
본 발명의 일 실시예에 따르면, 지표면에 대한 위성이미지를 통한 미세먼지농도 측정 장치가 제공된다.
상기 장치는, 상기 위성이미지를 기 설정된 복수의 영역들로 분할하고, 상기 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부; 기 학습된 농도측정모델을 통해, 상기 관측가능영역과 대응하는 미세먼지농도를 획득하는 농도 측정부; 및 기 학습된 농도추정모델 및 상기 관측불가능영역과 대응하는 지리정보를 이용하여 상기 관측불가능영역과 대응하는 미세먼지농도의 예측값을 획득하고, 상기 관측가능영역과 대응하는 미세먼지농도에 기초하여 상기 예측값을 보정하는 농도 추정부를 포함할 수 있다.
또한, 상기 농도측정모델은, 상기 관측가능영역으로부터 복수의 특징 벡터들을 결정하고, 상기 관측가능영역과 대응하는 기상정보에 기초하여 생성된 복수의 기상 벡터들 및 상기 복수의 특징 벡터들에 기초하여 상기 관측가능영역과 대응하는 미세먼지농도를 산출할 수 있다.
또한, 상기 복수의 특징 벡터들은 합성곱 신경망(CNN)을 통해 추출되고, 상기 관측가능영역과 대응하는 미세먼지농도는, 랜덤 포레스트(Random Forest Regressor)를 통해 산출될 수 있다.
또한, 상기 농도추정모델은, 상기 지리정보로부터 결정된 적어도 하나의 독립변수에 대한 회귀 분석을 통해 상기 예측값을 산출하고, 상기 농도 추정부는, 상기 관측가능영역과 대응하는 미세먼지농도 및 상기 예측값에 대한 크리깅(Kriging) 분석을 통해 상기 예측값과 대응하는 잔차를 산출하며, 상기 예측값 및 상기 잔차에 기초하여 상기 관측불가능영역과 대응하는 미세먼지농도를 산출할 수 있다.
또한, 상기 장치는, 상기 위성이미지와 대응하는 지리정보에 기초하여, 상기 위성이미지의 전체영역 중 미세먼지 배출량에 관한 기대값이 기 설정된 기준 이상인 영역을 모니터링 영역으로 결정하고, 기 설정된 기간동안의 상기 모니터링 영역의 미세먼지농도에 기초하여 시계열적 미세먼지 농도패턴을 생성하는, 이상패턴 판단부를 더 포함할 수 있다.
또한, 상기 이상패턴 판단부는, 전체영역 면적 대비 주거지역 면적의 비율, 전체영역 면적 대비 공업지역 면적 비율, 전체영역 대비 상업지역 면적 비율, 도로의 길이 및 면적, 평균 건축물 수, 평균 건축면적, 평균 용적률, 환경오염시설에 기초하여 상기 기대값을 산출할 수 있다.
또한, 상기 이상패턴 판단부는, 상기 모니터링 영역과 대응하는 미세먼지농도가 상기 미세먼지 농도패턴을 벗어나는 경우 이상패턴으로 판단할 수 있다.
또한, 상기 장치는, 복수의 미세먼지농도 관측소들 각각과 대응하는 위치의 지표면에 대한 복수의 학습용 위성이미지들을 클러스터링(Clustering)하여 복수의 클러스터들을 생성하고, 상기 복수의 클러스터들 각각에 대응하는 복수의 상기 농도측정모델들을 생성하는, 모델 생성부를 더 포함할 수 있다.
또한, 상기 모델 생성부는, 상기 복수의 학습용 위성이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 상기 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성하고, 상기 복수의 데이터셋들 각각에 포함된 복수의 위성이미지들 중 노이즈로 결정된 위성이미지를 제거하며, 상기 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링(Under sampling)을 수행하고, 상기 복수의 데이터셋들을 클러스터링(Clustering)하여 상기 복수의 클러스터들을 생성할 수 있다.
또한, 상기 모델 생성부는, 상기 학습용 위성이미지 중, 전체영역 면적 대비 구름영역 면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 상기 노이즈로 판단하여 제거할 수 있다.
본 발명의 일 실시예에 따르면, 위성이미지가 수집된 지역과 매칭되는 미세먼지농도 측정모델 및 미세먼지농도 추정모델에 의해 미세먼지농도가 산출된다. 이를 통해, 지역적 편차로 인해 발생될 수 있는 오차가 저감될 수 있다.
본 발명의 다른 실시예에 따르면, 위성이미지, 위성이미지와 대응하는 지리정보, 위성이미지와 대응하는 기상정보를 통해 미세먼지농도가 산출된다. 이를 통해, 관측소가 없는 지역에 대해 산출된 미세먼지농도의 정확성이 향상될 수 있다.
본 발명의 또 다른 실시예에 따르면, 미세먼지 배출량에 대한 기대값이 높은 지역을 모니터링 지역을 지속적으로 감시할 수 있다.
도 1은 일 실시예에 따른 미세먼지농도 측정 시스템에 대한 개요도다.
도 2는 도 1에 따른 미세먼지농도 측정 장치의 기능적 모듈을 예시적으로 나타낸 블록도이다.
도 3은 복수의 지역들 각각에 대한 학습용 데이터가 수집되는 과정을 개념적으로 나타낸 도면이다.
도 4는 도 2에 따른 농도측정모델 생성부가 농도측정모델을 생성하는 과정을 도시하는 흐름도다.
도 5는 농도측정모델의 생성에 사용되는 합성곱 신경망(CNN) 및 랜덤 포레스트(Random Forest regressor)를 개념적으로 나타낸 도면이다.
도 6은 도 2에 따른 농도추정모델 생성부가 농도추정모델을 생성하는 과정을 도시하는 흐름도다.
도 7은 도 2에 따른 영역 분류부가 위성이미지의 영역을 분류하는 과정을 개념적으로 나타낸 도면이다.
도 8은 도 2에 따른 농도 측정부가 수신된 위성이미지의 관측가능영역과 대응하는 미세먼지농도를 획득하는 과정을 도시하는 흐름도다.
도 9는 도 2에 따른 농도 추정부가 수신된 위성이미지의 관측불가능영역과 대응하는 미세먼지농도를 획득하는 과정을 도시하는 흐름도다.
도 10은 도 2에 따른 이상패턴 판단부가 미세먼지농도의 이상패턴 발생여부를 결정하는 과정을 도시하는 흐름도다.
도 11은 도 1에 따른 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 2는 도 1에 따른 미세먼지농도 측정 장치의 기능적 모듈을 예시적으로 나타낸 블록도이다.
도 3은 복수의 지역들 각각에 대한 학습용 데이터가 수집되는 과정을 개념적으로 나타낸 도면이다.
도 4는 도 2에 따른 농도측정모델 생성부가 농도측정모델을 생성하는 과정을 도시하는 흐름도다.
도 5는 농도측정모델의 생성에 사용되는 합성곱 신경망(CNN) 및 랜덤 포레스트(Random Forest regressor)를 개념적으로 나타낸 도면이다.
도 6은 도 2에 따른 농도추정모델 생성부가 농도추정모델을 생성하는 과정을 도시하는 흐름도다.
도 7은 도 2에 따른 영역 분류부가 위성이미지의 영역을 분류하는 과정을 개념적으로 나타낸 도면이다.
도 8은 도 2에 따른 농도 측정부가 수신된 위성이미지의 관측가능영역과 대응하는 미세먼지농도를 획득하는 과정을 도시하는 흐름도다.
도 9는 도 2에 따른 농도 추정부가 수신된 위성이미지의 관측불가능영역과 대응하는 미세먼지농도를 획득하는 과정을 도시하는 흐름도다.
도 10은 도 2에 따른 이상패턴 판단부가 미세먼지농도의 이상패턴 발생여부를 결정하는 과정을 도시하는 흐름도다.
도 11은 도 1에 따른 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서 사용되는 '미세먼지'라는 용어는, 기 설정된 입경 이하의 미세한 먼지들을 의미한다. 예를 들어, 미세먼지는, 입자의 지름이 10㎛ 이하인 입자인 PM10를 의미할 수 있다. 예를 들어, 미세먼지는, 입자의 지름이 2.5㎛ 이하인 PM2.5를 의미할 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 미세먼지농도 측정 시스템에 대한 개요도이다.
도 1을 참조하면, 미세먼지농도 측정 시스템은, 장치(100), 사용자 단말(200), 인공위성 서버(300), 관측소(400), 기상 서버(500) 및 GIS(Geographic Information System) 서버(600)를 포함할 수 있다.
사용자 단말(200)은, 측정된 미세먼지농도 제공 서비스를 이용하고자 하는 사용자의 단말로서, 사용자 정보를 장치(100)에 등록하고, 장치(100)를 통해 미세먼지 농조 제공 서비스의 여러 기능을 이용할 수 있다.
인공위성 서버(300)는, 지표면으로부터 이격되어 운항하는 인공위성이 지표면에 대해 촬영한 위성이미지를 저장한다. 일 실시예에서, 인공위성은 지표면으로부터 기 설정된 간격으로 이격되어 운항하는 인공위성일 수 있다. 일 실시예에서, 인공위성 서버(300)는 인공위성으로부터 기 설정된 시간간격으로 위성이미지를 수신할 수 있다. 일 실시예에서, 인공위성이미지는 기 설정된 해상도 또는 기 설정된 크기의 이미지일 수 있다.
인공위성 서버(300)는, 인공위성으로부터 수신한 위성이미지를 장치(100)에 전송한다.
관측소(400)는, 설치된 위치의 미세먼지농도를 측정한다. 관측소(400)는 복수의 지역들 각각에 복수개로 설치될 수 있다. 일 실시예에서, 미세먼지농도 관측소(400)는 지역별로 서로 다른 개수로 설치될 수 있다. 미세먼지농도 관측소(400)는, 초미세먼지(PM2.5), 미세먼지(PM10), 오존(O3), 이산화질소(NO2), 일산화탄소(CO), 아황산가스(SO2)의 농도를 측정할 수 있다.
복수의 관측소(400)들은, 측정된 미세먼지농도를 장치(100)에 전송한다. 일 실시예에서, 복수의 관측소(400)들에서 측정된 미세먼지농도들을 모두 수신하는 별도의 관측소 서버(미도시)가 있는 경우, 장치(100)는, 관측소 서버(미도시)로부터 미세먼지농도를 수신할 수 있다.
기상 서버(500)는, 기상 정보를 수집하는 서버로서, 기상 정보를 측정하는 센서들과 정보통신 가능하게 연결된다. 일 실시예에서, 기상 정보는 구름이 형성된 영역, 초 가강수량, 대기불안정도, 대기운동벡터, 에어로졸광학두께, 황사광학두께, 에어로졸 입자크기, 온습도 프로파일, 운량, 운상, 운정온도, 기압, 고도, 해수면온도, 에어로졸 시정, 구름광학두께, 구름입자유효반경, 단파 복사, 장파 복사 등을 포함할 수 있다.
기상 서버(500)는 기상 정보를 장치(100)에 전송한다.
GIS 서버(600)는, 기 설정된 영역에 대한 지리정보를 저장한다. 기 설정된 영역은 기 설정된 크기의 복수의 세부영역(Grid)들로 분할될 수 있으며, 지리정보는 복수의 세부영역들 각각에 대해 저장될 수 있다. 일 실시예에서, 지리정보는, 세부영역에 대하여, 전체 면적 대비 주거지역 면적의 비율, 전체 면적 대비 공업지역 면적 비율, 전체 면적 대비 상업지역 면적 비율, 도로의 길이 및 면적, 평균 건축물 수, 평균 건축면적, 평균 용적률, 환경오염시설의 종류 및 개수에 대한 정보 등을 포함할 수 있다. 일 실시예에서, 지리정보는, 전체 면적 대비 불모지 면적의 비율, 전체 면적 대비 초지 면적의 비율 등을 포함할 수 있다. 지리정보는 상술한 예들에 한정되지 않으며, 미세먼지 발생과 연관된 다양한 정보들이 지리정보에 포함될 수 있다.
GIS 서버(500)는 지리정보를 장치(100)에 전송한다.
사용자 단말(200), 인공위성 서버(300), 관측소(400), 기상 서버(500) 및 GIS 서버(600)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다. 관측소(400)는, 초미세먼지(PM2.5), 미세먼지(PM10), 오존(O3), 이산화질소(NO2), 일산화탄소(CO), 아황산가스(SO2)의 농도를 측정할 수 있도록 구성될 수 있다.
장치(100)는 인공위성 서버(300), 관측소(400), 기상 서버(500) 및 GIS 서버(600)로부터 수신한 정보에 기초하여 미세먼지농도를 산출하고, 산출된 미세먼지농도를 사용자 단말(200)에 제공할 수 있는 적어도 하나의 서버일 수 있다.
장치(100)는, 미세먼지농도 제공 서비스를 운영하여 사용자 단말(200)에게 미세먼지농도를 제공할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 수신한 복수의 위성이미지들 중 관측소(400)와 대응하는 지표면에 대한 위성이미지를 학습용 위성이미지로 분류하고, 학습용 위성이미지, 학습용 위성이미지와 대응하는 미세먼지농도 및 학습용 위성이미지와 대응하는 기상 정보에 기초하여 농도측정모델을 생성할 수 있다.
장치(100)는, GIS 서버(600)로부터 수신한 복수의 지리정보들 중 관측소(400)의 위치와 대응하는 지리정보를 학습용 지리정보로 분류하고, 학습용 지리정보 및 학습용 지리정보에 대응하는 미세먼지농도에 기초하여 농도추정모델을 생성할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 수신한 복수의 위성이미지들 각각을 복수의 영역들로 분할하고, 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류할 수 있다. 장치(100)는, 복수의 영역들 중 전체면적 대비 구름면적의 비율이 기 설정된 기준 이상인 영역을 관측불가능영역으로 분류할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 위성이미지를 수신하고, 농도측정모델을 통해 위성이미지의 관측가능영역으로부터 미세먼지농도를 획득할 수 있다.
장치(100)는, 인공위성 서버(300)로부터 위성이미지를 수신하고, 농도추정모델을 통해 위성이미지의 관측불가능영역으로부터 미세먼지농도의 예측값을 획득할 수 있다.
장치(100)는, 관측불가능영역에 대한 미세먼지농도의 예측값 및 관측가능영역의 미세먼지농도에 대한 크리깅(Kriging) 분석을 통해, 예측값에 대한 잔차를 산출할 수 있다.
장치(100)는, 예측값 및 잔차에 기초하여, 관측불가능영역에 대한 미세먼지농도의 예측값을 보정할 수 있다.
장치(100)는, 관측가능영역의 미세먼지농도 및 관측불가능영역의 미세먼지농도 예측값에 기초하여, 위성이미지가 수신된 전체 영역에 대한 미세먼지농도의 분포도를 생성할 수 있다.
장치(100)는, 지리정보에 기초하여 미세먼지 배출량에 대한 기대값이 기 설정된 기준 이상인 경우, 지리정보와 대응하는 영역을 모니터링 영역으로 설정할 수 있다.
장치(100)는, 기 설정된 기간 동안 수집된 모니터링 영역의 미세먼지농도에 기초하여 시계열적 미세먼지농도패턴을 생성할 수 있다.
장치(100)는, 모니터링 영역에 대응하는 미세먼지농도가 시계열적 미세먼지 농도패턴을 벗어나는 경우 이상패턴이 발생된 것으로 결정할 수 있다.
도 2는 도 1에 따른 장치의 기능적 모듈을 예시적으로 나타낸 블록도이다.
도 2를 참조하면, 장치(100)는, 농도측정모델 및 농도추정모델을 생성하는 모델 생성부(101), 수신된 위성이미지를 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부(102), 농도측정모델을 통해 관측가능영역의 미세먼지농도를 측정하는 농도 측정부(103), 농도추정모델을 통해 관측불가능영역의 미세먼지농도의 예측값을 추정하고 추정된 예측값을 크리깅(Kriging) 방법을 통해 보정하는 농도 추정부(104), 관측가능영역 및 관측불가능영역의 미세먼지농도에 기초하여 미세먼지농도의 분포도를 생성하는 농도분포도 생성부(105) 및 모니터링 영역에서의 이상패턴 발생을 감지하는 이상패턴 판단부(106)를 포함할 수 있다.
모델 생성부(101)는, 학습용 위성이미지들에 기초하여 농도측정모델을 생성하는 농도측정모델 생성모듈(101a) 및 학습용 지리정보들에 기초하여 농도추정모델을 생성하는 농도추정모델 생성모듈(101b)을 포함한다.
일 실시예에서, 모델 생성부(101)는, 복수의 학습용 위성이미지들에 대한 클러스터링(Clustering)을 통해 복수의 클러스터들을 생성하고, 복수의 클러스터들 각각에 대응하는 농도측정모델을 생성할 수 있다. 클러스터링 방법으로서, K-Means Clustering, Mean-Shift Clustering, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), Expectation-Maximization (EM) Clustering using Gaussian Mixture Models (GMM), Agglomerative Hierarchical Clustering 등이 사용될 수 있다.
일 실시예에서, 모델 생성부(101)는, 복수의 학습용 지리정보들에 대한 클러스터링(Clustering)을 통해 복수의 클러스터들을 생성하고, 복수의 클러스터들 각각에 대응하는 농도추정모델을 생성할 수 있다.
일 실시예에서, 지역별로 그룹핑된 데이터셋들에 대해 클러스터링(Clustering)이 수행될 수 있다. 예를 들어, 복수의 학습용 위성이미지들 또는 복수의 학습용 지리정보들을 지역별로 그룹핑하여, 지역별 데이터셋들을 생성하고, 지역별 데이터셋들에 대해 클러스터링이 수행될 수 있다.
일 실시예에서, 계절별로 그룹핑된 데이터셋들에 대해 클러스터링(Clustering)이 수행될 수 있다. 예를 들어, 복수의 학습용 위성이미지들 또는 복수의 학습용 지리정보들을 계절별로 그룹핑하여, 계절별 데이터셋들을 생성하고, 계절별 데이터셋들에 대해 클러스터링이 수행될 수 있다.
일 실시예에서, 계절별 및 지역별로 그룹핑된 데이터셋들에 대해 클러스터링(Clustering)이 수행될 수 있다. 예를 들어, 복수의 학습용 위성이미지들 또는 복수의 학습용 지리정보들을 계절별 및 지역별로 그룹핑하여, 계절별 및 지역별로 그룹핑된 데이터셋들을 생성하고, 계절별 및 지역별로 그룹핑된 데이터셋들에 대해 클러스터링이 수행될 수 있다.
도 3은 복수의 지역들 각각에 대한 학습용 데이터가 수집되는 과정을 개념적으로 나타낸 도면이다.
도 3을 참조하면, 관측소(400)와 대응하는 위치의 지표면에 대한 위성이미지 및 지리정보가 학습용 데이터로 사용된다.
모델 생성부(101)는, 수신된 복수의 관측소(400)와 대응하는 위치의 지표면에 대한 위성이미지를 학습용 위성이미지로 결정하고, 결정된 학습용 위성이미지와 학습용 이미지에 대응하는 미세먼지농도 측정값을 라벨링하여 학습용 데이터를 생성한다. 또한, 모델 생성부(101)는 복수의 학습용 데이터들에 대한 기계학습을 통해 농도측정모델을 생성할 수 있다.
또한, 모델 생성부(101)는, 수신된 복수의 관측소(400)와 대응하는 위치의 지리정보를 학습용 지리정보로 결정하고, 결정된 학습용 지리정보와 학습용 지리정보에 대응하는 미세먼지농도 측정값을 라벨링하여 학습용 데이터를 생성한다. 또한, 모델 생성부(101)는 복수의 학습용 데이터들에 대한 기계학습을 통해 농도추정모델을 생성할 수 있다.
일 실시예에서, 모델 생성부(101)는, 학습용 위성이미지들 중 전체영역 면적 대비 구름영역 면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 노이즈로 판단하여 제거할 수 있다.
모델 생성부(101)는, 복수의 학습용 데이터들을 지역별 및 계절별로 그룹핑하여 지역별 및 계절별 데이터셋들을 생성하고, 지역별 및 계절별 데이터셋들에 대한 클러스터링을 통해 복수의 클러스터들을 생성하고, 복수의 클러스터들 각각에 대응하는 농도측정모델 및 농도추정모델을 생성할 수 있다.
클러스터들 각각에 대응하는 복수의 농도측정모델 및 농도추정모델이 생성되므로, 농도측정모델 및 농도추정모델에 지역적 특성 및 계절적 특성이 잘 반영될 수 있다. 이를 통해, 미세먼지농도 산출 시, 지역의 편차 및 계절의 편차에 의해 발생될 수 있는 오차를 저감시킬 수 있다.
미세먼지농도를 측정하기 위해 설치된 복수의 관측소(400)들의 개수는 지역별로 상이하다. 관측소(400)와 대응하는 위치의 지표면에 대한 위성이미지 및 지리정보가 학습용 데이터로 사용되므로, 지역별로 학습용 데이터의 데이터량의 편차가 발생된다.
모델 생성부(101)는, 복수의 학습용 위성이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성하고, 상기 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링(Under sampling)을 수행할 수 있다. 모델 생성부(101)는, 언더 샘플링된 복수의 데이터셋들을 클러스터링(Clustering)하여 복수의 클러스터들을 생성할 수 있다. 모델 생성부(101)는, 복수의 클러스터들 각각에 대응하는 농도측정모델 및 농도추정모델을 생성할 수 있다. 언더 샘플링을 통해 데이터셋들의 데이터량이 균일화되므로, 데이터량이 적은 지역의 데이터셋의 특성이 농도측정모델 및 농도추정모델에 반영될 수 있다.
도 4는 도 2에 따른 농도측정모델 생성부(101)가 농도측정모델을 생성하는 과정을 도시하는 흐름도다.
먼저, 농도측정모델 생성모듈(101a)은, 복수의 관측소(400)들 각각과 대응하는 위치의 지표면 이미지를 포함하는 복수의 학습용 위성이미지들을 수신한다(S110).
또한, 농도측정모델 생성모듈(101a)은, 복수의 학습용 이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성한다(S120).
또한, 농도측정모델 생성모듈(101a)은, 복수의 데이터셋들 각각에 포함된 복수의 학습용 위성이미지들 중 노이즈로 판단되는 학습용 위성이미지를 제거한다(S130).
일 실시예에서, 농도측정모델 생성모듈(101a)은, 복수의 학습용 위성이미지들 중 전체면적 대비 구름면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 노이즈로 판단하여 제거할 수 있다.
또한, 농도측정모델 생성모듈(101a)은, 노이즈가 제거된 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링 수행을 수행한다(S140).
또한, 농도측정모델 생성모듈(101a)은, 언더 샘플링된 복수의 데이터셋들을 클러스터링하여 복수의 클러스터들을 생성한다(S150).
또한, 농도측정모델 생성모듈(101a)은, 복수의 클러스터들 각각에 대응하는 농도측정모델을 생성한다(S160).
도 5는 농도측정모델의 생성에 사용되는 합성곱 신경망(CNN) 및 랜덤 포레스트(Random Forest regressor)를 개념적으로 나타낸 도면이다.
농도측정모델 생성모듈(101a)은, 합성곱 신경망(CNN)을 통해 학습용 위성이미지로부터 복수의 특징 벡터들을 출력한다.
일 실시예에서, 합성곱 신경망(CNN)은, 10개의 콘벌루션 레이어 및 4개의 Max pooling 레이어를 포함할 수 있다. 제1 콘벌루션 레이어 및 제2 콘벌루션 레이어에서 출력된 특징 맵은 제1 Max Pooling layer에 의해 다운샘플링된다. 다운샘플링된 특징맵은 제3 Convolution layer와 제4 Convolution layer를 통해 출력될 수 있고, 출력된 특징 맵은 제2 Max Pooling layer에 의해 다운샘플링된다. 다운샘플링된 특징맵은 제5 Convolution layer, 제6 Convolution layer 및 제7 Convolution layer를 통해 출력될 수 있고, 출력된 특징 맵은 제3 Max Pooling layer에 의해 다운샘플링된다. 다운샘플링된 특징맵은 제8 Convolution layer, 제8 콘벌루션 레이어 및 제 10 Convolution layer를 통해 출력될 수 있고, 출력된 특징 맵은 제4 Max Pooling layer에 의해 다운샘플링된다. 다운샘플링된 특징 맵은 제11 Convolution layer, 제12 Convolution layer 및 제13 컨벌루션레이어를 통해 출력된다. 출력된 특징 맵은, Globoal Max Pooling layer에 의해 다운샘플링된다. 다운샘플링된 특징맵은 Fully connected layer를 통해 출력된다. Fully connected layer는 복수 개로 구성될 수 있으며, 최초 입력되는 특징 벡터들의 개수는 512개로, 최종적으로 출력되는 특징 벡터들의 개수는 128개로 구성될 수 있다.
또한, 농도측정모델 생성모듈(101a)은, 합성곱 신경망(CNN)을 통해 출력된 복수의 특징 벡터들과 복수의 기상 벡터들을 연결(Concatenation)할 수 있다. 농도측정모델 생성모듈(101a)은, 기상 서버(500)에서 수신된 기상 정보 중 학습용 위성이미지와 대응하는 기상 정보를 벡터화할 수 있다. 일 실시예에서, 온도(Temperature, T), 상대 습도(Relative Humidity, RH), 풍속(Wind Speed, WS) 및 해면기압(Sea Level Pressure, SLP)에 벡터들이 기상 벡터들로 사용될 수 있다.
또한, 농도측정모델 생성모듈(101a)은, 랜덤 포레스트(Random Forest Regressor)를 통해, 연결된 복수의 특징 벡터들 및 복수의 기상 벡터들로부터 미세먼지농도가 산출되도록 농도측정모델을 학습시킨다. 랜덤 포레스트(Random Forest Regressor)는 회귀 분석에 사용되는 앙상블 학습 방법의 일종으로서, 학습 과정에서 구성된 다수의 결정 트리로부터 평균 예측치를 출력한다.
또한, 농도측정모델 생성모듈(101a)은, 학습된 농도측정모델을 테스트 위성이미지를 통해 평가할 수 있으며, 평가결과에 기초하여 랜덤 포레스트(Random Forest)의 하이퍼파라미터(Hyperparameter)를 조정할 수 있다.
도 6은 도 2에 따른 농도추정모델 생성부가 농도추정모델을 생성하는 과정을 도시하는 흐름도다.
먼저, 농도추정모델 생성모듈(101b)은, 복수의 지리정보 중 복수의 관측소들 각각과 대응하는 위치의 지리정보를 학습용 지리정보로 결정한다(S210).
또한, 농도추정모델 생성모듈(101b)은, 학습용 지리정보에서 적어도 하나의 독립변수를 선택하고, 학습용 지리정보와 대응하는 관측소에서 측정된 미세먼지농도를 종속변수로 선택한다(S220).
또한, 농도추정모델 생성모듈(101b)은, 적어도 하나의 독립변수 및 종속변수에 기초하여 학습데이터셋을 생성한다(S230).
또한, 농도추정모델 생성모듈(101b)은, 생성된 학습데이터셋에 대한 회귀분석을 통해 농도추정모델을 생성한다(S240).
일 실시예에서, 회귀분석에는 다중 회귀 분석(Mutiple regression analysis)이 사용될 수 있다.
생성된 농도추정모델은 아래의 수학식 1에 의해 정의될 수 있다.
수학식 1에서, s0는 농도를 추정하려는 타겟 위치를 의미하고, ZR(s0)는 s0에서 추정된 농도를 의미하며, qk(s0)는s0에서의 독립변수들을 의미하고, βk는 독립변수들에 대한 회귀계수를 의미하며, p-1은 독립변수의 개수를 의미한다. q0(s0)는 1이다.
학습용 지리정보에 포함된 다양한 정보들이 독립변수들로 설정될 수 있으며, 학습데이터셋에 대한 회귀분석을 통해 종속변수에 상대적으로 영향력이 큰 독립변수들이 결정될 수 있다.
도 7은 도 2에 따른 영역 분류부(102)가 위성이미지의 영역을 분류하는 과정을 개념적으로 나타낸 도면이다.
인공위성 서버(300)로부터 위성이미지가 수신되면, 영역 분류부(102)가 수신된 위성이미지를 복수의 영역들로 분할하고, 분할된 영역들을 관측가능영역과 관측불가능영역으로 분류한다. 영역 분류부(102)는, 복수의 영역들 중 전체면적 대비 구름면적의 비율이 기 설정된 기준 이상인 영역을 관측불가능영역으로 분류할 수 있다.
일 실시예에서, 영역 분류부(102)는, 기상 서버(500)로부터 수신된 기상 정보에 기초하여 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류할 수 있다. 기상 정보에는 구름에 생성된 영역에 대한 정보가 포함될 수 있다.
일 실시예에서, 영역 분류부(102)는, 구름영역을 분류하도록 기 학습된 영역분류모델을 통해 복수의 영역들을 관측가능영역과 관측불가능영역으로 분류할 수 있다. 영상분류모델은 합성곱 신경망(CNN)을 이용한 지도학습을 통해 생성될 수 있다.
영역 분류부(102)는, 분류된 관측가능영역을 농도 측정부(103)에 전송한다.
영역 분류부(102)는, 분류된 관측불가능영역을 농도 추정부(104)에 전송한다.
도 8은 도 2에 따른 농도 측정부가 수신된 위성이미지의 관측가능영역과 대응하는 미세먼지농도를 획득하는 과정을 도시하는 흐름도다.
먼저, 관측가능영역이 수신되면, 농도 측정부(103)는, 기 학습된 농도측정모델을 통해 관측가능영역과 대응하는 미세먼지농도를 획득한다.
먼저, 농도측정모델은, 관측가능영역으로부터 복수의 특징 벡터들을 결정한다(S210). 구체적으로, 농도측정모델에 포함된 합성곱 신경망(CNN)을 통해 복수의 특징 벡터들이 추출된다.
또한, 농도 측정부(103)는, 관측가능영역과 대응하는 기상정보에 기초하여 복수의 기상 벡터들을 생성한다(S220). 구체적으로, 농도 측정부(103)는, 기상 서버(500)에서 수신된 기상 정보 중 관측가능영역과 대응하는 기상 정보를 다수의 벡터들로 변환하여 기상 벡터들을 생성할 수 있다. 일 실시예에서, 기상 벡터들은, 온도(Temperature, T), 상대 습도(Relative Humidity, RH), 풍속(Wind Speed, WS) 및 해면기압(Sea Level Pressure, SLP)에 따른 특징 벡터들로 정의될 수 있다.
또한, 농도 측정부(103)는, 복수의 특징 벡터들 및 복수의 기상 벡터들을 연결(Concatenation)한다(S230).
또한, 농도측정모델은, 연결된 복수의 특징 벡터들 및 복수의 기상 벡터들에 기초하여 관측가능영역과 대응하는 미세먼지농도를 산출한다(S240). 구체적으로, 농도측정모델에 포함된 랜덤 포레스트(Random Forest Regressor)을 통해 연결된 복수의 특징 벡터들 및 복수의 기상 벡터들로부토 미세먼지농도가 산출된다.
농도 측정부(103)는, 농도측정모델로부터 미세먼지농도를 획득한다.
도 9는 도 2에 따른 농도 추정부가 수신된 위성이미지의 관측불가능영역과 대응하는 미세먼지농도를 획득하는 과정을 도시하는 흐름도다.
먼저, 관측불가능영역이 수신되면, 농도 추정부(104)는, 기 학습된 농도추정모델을 통해, 관측불가능영역과 대응하는 지리정보로부터 관측불가능영역의 미세먼지농도에 대한 예측값을 획득한다(S310).
농도 추정부(104)는, 농도추정모델에 대한 학습과정에서 결정된, 미세먼지농도와의 상관관계가 상대적으로 강한 독립변수들을 관측불가능영역과 대응하는 지리정보로부터 추출한다. 또한, 농도 추정부(104)는, 추출된 독립변수들을 농도추정모델에 입력하고, 농도추정모델로부터 출력된 관측불가능영역의 미세먼지농도에 대한 예측값을 획득한다.
또한, 농도 추정부(104)는, 크리깅 분석을 통해 예측값과 대응하는 잔차(Residual)를 산출한다.
잔차는 아래의 수학식 2에 의해 정의될 수 있다.
수학식 2에서, s0는 농도를 추정하려는 타겟 위치를 의미하고, e(s0)는 s0에서의 잔차를 의미하며, wi(s0)는 복수의 샘플 위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)를 의미하고, e(si)는 복수의 샘플 위치들 각각과 대응하는 회귀 잔차(Regression residual)를 의미한다. n은 샘플 위치의 개수를 의미한다.
일 실시예에서, 관측불가능영역과 인접된 복수의 인접영역들이 복수의 샘플 위치들로 사용될 수 있다.
복수의 샘플위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)는 베리오그램(Variogram) 함수에 기초하여 결정될 수 있다. 베리오그램 함수는 일정한 거리에 있는 데이터들의 유사성을 나타내는 척도이다.
경험 베리오그램 함수는 아래의 수학식 3에 의해 정의될 수 있다.
수학식 3에서, γ(h)는 베리오그램 함수를 의미하고, Z(xi)는 샘플 위치의 미세먼지농도를 의미하며, h는 샘플 위치 사이의 거리를 의미한다. n은 샘플 위치 쌍들의 개수를 의미한다. 일 실시예에서, 샘플 위치 사이의 거리는 기 설정된 관측가능영역의 크기에 기초하여 설정될 수 있다.
경험 베리오그램 함수로부터 이론 베리오그램 함수를 모델링하고, 이론 베리오그램 함수로부터 도출한 공분산을 통해 크리깅 웨이트(Kriging weight)가 결정될 수 있다. 이론 베리오그램 함수로는 구형(spherical) 함수, 지수형(exponential) 함수, 가우스형(Gaussian) 함수 등이 사용될 수 있다.
잔차가 산출되면, 농도 추정부(104)는, 예측값 및 잔차에 기초하여 관측불가능영역의 미세먼지농도를 산출한다(S330).
관측불가능영역의 미세먼지농도는 아래의 수학식 4에 의해 정의될 수 있다.
수학식 4에서, s0는 농도를 추정하려는 타겟 위치를 의미하고, ZRK(s0)는 s0에서 추정된 농도를 의미하며, qk(s0)는s0에서의 독립변수들을 의미하고, βk는 독립변수들에 대한 회귀계수를 의미하며, p-1은 독립변수의 개수를 의미한다. q0(s0)는 1이다. wi(s0)는 복수의 샘플 위치들 각각과 대응하는 크리깅 웨이트(Kriging weight)를 의미하고, e(si)는 복수의 샘플 위치들 각각과 대응하는 회귀 잔차(Regression residual)를 의미한다. n은 샘플 위치들의 개수를 의미한다.
영역 분류부(102)에서 관측가능영역과 관측불가능영역이 분류되면, 농도 측정부(103)에서 관측가능영역과 대응하는 미세먼지농도가 산출되고, 농도 추정부(104)에서 관측불가능영역과 대응하는 미세먼지농도가 산출된다. 이를 통해, 인공위성 서버(300)로부터 수신된 위성이미지의 전체 영역에 대한 미세먼지농도가 산출될 수 있다.
농도분포도 생성부(105)는, 측영역의 미세먼지농도 및 관측불가능영역의 미세먼지농도에 기초하여, 위성이미지가 수신된 전체 영역에 대한 미세먼지농도의 분포도를 생성할 수 있다.
도 10은 도 2에 따른 이상패턴 판단부(106)가 미세먼지농도의 이상패턴 발생여부를 결정하는 과정을 도시하는 흐름도다.
먼저, 이상패턴 판단부(106)는, GIS 서버(600)에서 수신된 지리정보에 기초하여 모니터링 영역을 결정한다(S410).
구체적으로, 이상패턴 판단부(106)는, 위성이미지의 전체영역 중 미세먼지 배출량에 관한 기대값이 기 설정된 기준 이상인 영역을 모니터링 영역으로 결정한다. 이상패턴 판단부(106)는, 위성이미지와 대응하는 지리정보에 기초하여 기대값을 산출하며, 지리정보는, 전체영역 면적 대비 주거지역 면적의 비율, 전체영역 면적 대비 공업지역 면적 비율, 전체영역 대비 상업지역 면적 비율, 도로의 길이 및 면적, 평균 건축물 수, 평균 건축면적, 평균 용적률, 환경오염시설의 종류 및 개수 등을 포함할 수 있다.
또한, 이상패턴 판단부(106)는, 모니터링 영역에 대해 기 설정된 기간동안 측정된 미세먼지농도에 기초하여 시계열적 미세먼지농도패턴을 생성한다(S420). 예를 들어, 20년동안의 미세먼지농도에 기초하여, 봄, 여름, 가을, 겨울에 따라 시계열적으로 변하는 미세먼지의 농도패턴을 생성할 수 있다.
또한, 이상패턴 판단부(106)는, 모니터링 영역과 대응하는 미세먼지농도가 시계열적 미세먼지농도패턴을 벗어나는 경우, 이상패턴이 발생된 것으로 결정할 수 있다(S430). 예를 들어, 모니터링 지역의 3월의 평균적인 미세먼지농도에 비해 과도하게 높은 미세먼지농도가 산출되는 경우, 이상패턴이 발생된 것으로 판단할 수 있다.
이를 통해, 미세먼지 발생가능성이 높은 지역(예를 들어, 공장밀집지역)이 모니터링 영역으로 설정되고, 모니터링 영역에서 발생되는 이상패턴(예를 들어, 기준을 초과하는 오염물질 배출)을 감시할 수 있다.
도 11은 도 1에 따른 장치의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 11을 참조하면, 장치(100)는, 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 적어도 하나의 동작은 전술한 장치(100)의 구성부들(101~106)이나 기타 기능 또는 동작 방법을 포함할 수 있다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다.
예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고, 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.
또한, 장치(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 장치(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 장치(100)에 포함된 각각의 구성 요소들은 버스(bus, 170)에 의해 연결되어 서로 통신을 수행할 수 있다.
장치(100)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
Claims (9)
- 지표면에 대한 위성이미지를 통한 미세먼지농도 측정 장치로서,
상기 위성이미지를 기 설정된 복수의 영역들로 분할하고, 상기 영역의 전체면적 대비 구름이 차지하는 면적의 비율에 기초하여 상기 영역들을 관측가능영역과 관측불가능영역으로 분류하는 영역 분류부;
기 학습된 농도측정모델을 통해, 상기 관측가능영역의 미세먼지농도를 획득하는 농도 측정부; 및
기 학습된 농도추정모델 및 상기 관측불가능영역의 지리정보를 이용하여 상기 관측불가능영역의 미세먼지농도의 예측값을 획득하고, 상기 관측가능영역의 미세먼지농도에 기초하여 상기 예측값을 보정하는 농도 추정부를 포함하고,
상기 농도측정모델은,
상기 관측가능영역으로부터 복수의 특징 벡터들을 결정하고,
상기 관측가능영역의 기상정보에 기초하여 생성된 복수의 기상 벡터들 및 상기 복수의 특징 벡터들에 기초하여 상기 관측가능영역의 미세먼지농도를 산출하며,
상기 농도추정모델은,
상기 지리정보로부터 결정된 적어도 하나의 독립변수에 대한 회귀 분석을 통해 상기 예측값을 산출하고,
상기 농도 추정부는,
상기 관측가능영역의 미세먼지농도 및 상기 예측값에 대한 크리깅(Kriging) 분석을 통해 상기 예측값과 대응하는 잔차를 산출하며,
상기 예측값 및 상기 잔차에 기초하여 상기 관측불가능영역의 미세먼지농도를 산출하는,
장치. - 제1항에 있어서,
상기 복수의 특징 벡터들은 합성곱 신경망(CNN)을 통해 추출되고,
상기 관측가능영역과 대응하는 미세먼지농도는, 랜덤 포레스트(Random Forest Regressor)를 통해 산출되는,
장치. - 삭제
- 제1항에 있어서,
상기 위성이미지와 대응하는 지리정보에 기초하여, 상기 위성이미지의 전체영역 중 미세먼지 배출량에 관한 기대값이 기 설정된 기준 이상인 영역을 모니터링 영역으로 결정하고, 기 설정된 기간동안의 상기 모니터링 영역의 미세먼지농도에 기초하여 시계열적 미세먼지 농도패턴을 생성하는, 이상패턴 판단부를 더 포함하는,
장치. - 제4항에 있어서,
상기 이상패턴 판단부는,
전체영역 면적 대비 주거지역 면적의 비율, 전체영역 면적 대비 공업지역 면적 비율, 전체영역 대비 상업지역 면적 비율, 도로의 길이 및 면적, 평균 건축물 수, 평균 건축면적, 평균 용적률, 환경오염시설에 기초하여 상기 기대값을 산출하는,
장치. - 제5항에 있어서,
상기 이상패턴 판단부는,
상기 모니터링 영역과 대응하는 미세먼지농도가 상기 미세먼지 농도패턴을 벗어나는 경우 이상패턴으로 판단하는,
장치. - 제1항에 있어서,
복수의 미세먼지농도 관측소들 각각과 대응하는 위치의 지표면에 대한 복수의 학습용 위성이미지들을 클러스터링(Clustering)하여 복수의 클러스터들을 생성하고, 상기 복수의 클러스터들 각각에 대응하는 복수의 상기 농도측정모델들을 생성하는, 모델 생성부를 더 포함하는,
장치. - 제7항에 있어서,
상기 모델 생성부는,
상기 복수의 학습용 위성이미지들을 복수의 지역들 각각에 대응하도록 분류하여, 상기 복수의 지역들 각각에 대응하는 복수의 데이터셋들을 생성하고,
상기 복수의 데이터셋들 각각에 포함된 복수의 위성이미지들 중 노이즈로 결정된 위성이미지를 제거하며,
상기 복수의 데이터셋들 중 최소 데이터량을 갖는 데이터셋의 데이터량에 기초하여, 복수의 데이터셋에 대한 언더 샘플링(Under sampling)을 수행하고,
상기 복수의 데이터셋들을 클러스터링(Clustering)하여 상기 복수의 클러스터들을 생성하는,
장치. - 제8항에 있어서,
상기 모델 생성부는,
상기 학습용 위성이미지 중, 전체영역 면적 대비 구름영역 면적의 비율이 기 설정된 기준 이상인 학습용 위성이미지를 상기 노이즈로 판단하여 제거하는,
장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210134149A KR102374002B1 (ko) | 2021-10-08 | 2021-10-08 | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 |
| KR1020220029349A KR102516588B1 (ko) | 2021-10-08 | 2022-03-08 | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029350A KR102425572B1 (ko) | 2021-10-08 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 농도측정모델 및 농도추정모델을 이용한 미세먼지농도 측정 방법, 장치 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210134149A KR102374002B1 (ko) | 2021-10-08 | 2021-10-08 | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220029349A Division KR102516588B1 (ko) | 2021-10-08 | 2022-03-08 | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029350A Division KR102425572B1 (ko) | 2021-10-08 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 농도측정모델 및 농도추정모델을 이용한 미세먼지농도 측정 방법, 장치 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102374002B1 true KR102374002B1 (ko) | 2022-03-15 |
Family
ID=80816678
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210134149A KR102374002B1 (ko) | 2021-10-08 | 2021-10-08 | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 |
| KR1020220029349A KR102516588B1 (ko) | 2021-10-08 | 2022-03-08 | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029350A KR102425572B1 (ko) | 2021-10-08 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 농도측정모델 및 농도추정모델을 이용한 미세먼지농도 측정 방법, 장치 및 프로그램 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220029349A KR102516588B1 (ko) | 2021-10-08 | 2022-03-08 | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 |
| KR1020220029350A KR102425572B1 (ko) | 2021-10-08 | 2022-03-08 | 지역 및 계절에 대한 특성이 반영된 농도측정모델 및 농도추정모델을 이용한 미세먼지농도 측정 방법, 장치 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (3) | KR102374002B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102485924B1 (ko) * | 2022-07-06 | 2023-01-06 | 강릉원주대학교산학협력단 | 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 |
| CN115631218A (zh) * | 2022-12-21 | 2023-01-20 | 广东中浦科技有限公司 | 一种基于普通克里金插值的臭氧传输变化分析方法 |
| KR102500371B1 (ko) * | 2022-11-03 | 2023-02-16 | 대한민국(관리부서: 환경부 국립환경과학원장) | 환경위성을 통한 에어로졸의 이동량 표출 시스템과 그 방법 |
| CN116698688A (zh) * | 2023-04-20 | 2023-09-05 | 兰州大学 | 一种基于风云4号双星协同估算大气颗粒物浓度的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101810211B1 (ko) | 2015-09-22 | 2017-12-19 | 한양대학교 에리카산학협력단 | 미세먼지 측정 장치 |
| KR20200047103A (ko) * | 2018-10-26 | 2020-05-07 | 광주과학기술원 | 환경 통합 모니터링 모듈을 이용한 환경 통합 모니터링 장치 및 그 방법 |
| KR102233402B1 (ko) * | 2019-12-05 | 2021-03-29 | 주식회사 딥비전스 | 미세먼지 농도 추정 방법 및 이를 수행하기 위한 장치 |
| KR20210086786A (ko) * | 2019-12-30 | 2021-07-09 | 전북대학교산학협력단 | 미세먼지 및 악취 예측 시스템 및 방법 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100869698B1 (ko) * | 2007-01-16 | 2008-11-21 | 연세대학교 산학협력단 | 단일 가시광 채널을 갖는 정지궤도 인공위성을 이용한에어러솔 광학깊이 산출방법 |
| KR101952122B1 (ko) * | 2018-02-23 | 2019-02-26 | 주식회사 딥비전스 | 미세 먼지 분석 방법 및 이를 수행하기 위한 장치 |
| KR101948236B1 (ko) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | 동네별 미세먼지 현황 제공 시스템 |
| KR20200056094A (ko) * | 2018-11-14 | 2020-05-22 | 성균관대학교산학협력단 | 하늘 이미지를 이용한 미세먼지 수치 추정 장치 |
| KR102445068B1 (ko) * | 2019-04-18 | 2022-09-21 | 에코스솔루션(주) | 미세먼지 농도 예측 시스템 |
| KR20210018672A (ko) * | 2019-08-08 | 2021-02-18 | 한국전자기술연구원 | 카메라를 이용한 미세먼지 농도 측정용 예측값 제공 장치 및 방법 |
-
2021
- 2021-10-08 KR KR1020210134149A patent/KR102374002B1/ko active IP Right Grant
-
2022
- 2022-03-08 KR KR1020220029349A patent/KR102516588B1/ko active IP Right Grant
- 2022-03-08 KR KR1020220029350A patent/KR102425572B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101810211B1 (ko) | 2015-09-22 | 2017-12-19 | 한양대학교 에리카산학협력단 | 미세먼지 측정 장치 |
| KR20200047103A (ko) * | 2018-10-26 | 2020-05-07 | 광주과학기술원 | 환경 통합 모니터링 모듈을 이용한 환경 통합 모니터링 장치 및 그 방법 |
| KR102233402B1 (ko) * | 2019-12-05 | 2021-03-29 | 주식회사 딥비전스 | 미세먼지 농도 추정 방법 및 이를 수행하기 위한 장치 |
| KR20210086786A (ko) * | 2019-12-30 | 2021-07-09 | 전북대학교산학협력단 | 미세먼지 및 악취 예측 시스템 및 방법 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102485924B1 (ko) * | 2022-07-06 | 2023-01-06 | 강릉원주대학교산학협력단 | 광학 센서의 원격 탐사 데이터를 이용한 딥러닝 기반 에어로솔 광학 두께 산출 장치 및 방법 |
| KR102500371B1 (ko) * | 2022-11-03 | 2023-02-16 | 대한민국(관리부서: 환경부 국립환경과학원장) | 환경위성을 통한 에어로졸의 이동량 표출 시스템과 그 방법 |
| CN115631218A (zh) * | 2022-12-21 | 2023-01-20 | 广东中浦科技有限公司 | 一种基于普通克里金插值的臭氧传输变化分析方法 |
| CN116698688A (zh) * | 2023-04-20 | 2023-09-05 | 兰州大学 | 一种基于风云4号双星协同估算大气颗粒物浓度的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102516588B1 (ko) | 2023-04-03 |
| KR102425572B1 (ko) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102374002B1 (ko) | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 | |
| US10019658B2 (en) | Identifying visual storm signatures from satellite images | |
| Pak et al. | Deep learning-based PM2. 5 prediction considering the spatiotemporal correlations: A case study of Beijing, China | |
| US11561092B2 (en) | Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network | |
| KR102442723B1 (ko) | 인공지능모델을 이용한 위성이미지를 통해 수위, 용적량, 유입량 및 오염도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 | |
| Franceschi et al. | Discovering relationships and forecasting PM10 and PM2. 5 concentrations in Bogotá, Colombia, using artificial neural networks, principal component analysis, and k-means clustering | |
| Lin et al. | Eigen-feature analysis of weighted covariance matrices for LiDAR point cloud classification | |
| Karaca et al. | Distant source contributions to PM10 profile evaluated by SOM based cluster analysis of air mass trajectory sets | |
| US10013507B2 (en) | Learning synthetic models for roof style classification using point clouds | |
| Cabral et al. | An automatic survey system for paved and unpaved road classification and road anomaly detection using smartphone sensor | |
| Grazioli et al. | Hydrometeor classification from two-dimensional video disdrometer data | |
| Lin et al. | Efficient data collection and accurate travel time estimation in a connected vehicle environment via real-time compressive sensing | |
| Pozdnoukhov et al. | Spatio-temporal avalanche forecasting with Support Vector Machines | |
| Bhuyan et al. | Generating multi-temporal landslide inventories through a general deep transfer learning strategy using HR EO data | |
| Lee et al. | Machine learning for targeted assimilation of satellite data | |
| US20130268242A1 (en) | Sparse Representation for Dynamic Sensor Networks | |
| Putri | Analysis of land cover classification results using ann, svm, and rf methods with r programming language (case research: Surabaya, Indonesia) | |
| Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
| Rumapea et al. | Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model. | |
| Foresti et al. | Kernel-based mapping of orographic rainfall enhancement in the Swiss Alps as detected by weather radar | |
| Hart et al. | Detection of coherent airstreams using cluster analysis: Application to an extratropical cyclone | |
| Pradhan et al. | Optimizing support vector machine and ensemble trees using Taguchi method for road extraction from LiDAR data | |
| Puentes et al. | Data and information quality in remote sensing | |
| Atasever et al. | Deep learning-based burned forest areas mapping via Sentinel-2 imagery: a comparative study | |
| Mathew et al. | Multi-spectral change detection methods: evaluation on simulated and real-world satellite imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |