KR102554794B1

KR102554794B1 - 에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법 및 이용한 에어로졸 수평 2차원 공간분포 추정 방법

Info

Publication number: KR102554794B1
Application number: KR1020230055644A
Authority: KR
Inventors: 이한나
Original assignee: 이지디텍터 주식회사
Priority date: 2023-04-27
Filing date: 2023-04-27
Publication date: 2023-07-13

Abstract

본 발명은, (a) 라이다 기기(100)가, 임의의 위치에 대한 라이다 신호를 확인하는 단계; (b) 인공지능부(200)가, 상기 라이다 신호를 이용하여 거리보정신호(RCS; range corrected signal)를 연산하는 단계; 및 (c) 상기 인공지능부(200)가 상기 거리보정신호(RCS)를 이용하여 임의의 위치에 대한 어느 둘 이상의 공간분포 추정 인자와 임의의 위치에 대한 대기오염 관측정보를 이용함으로써 학습 데이터를 준비하고, 준비된 학습 데이터를 학습하여 인공지능 모델을 생성하는 단계를 포함하며, 상기 어느 둘 이상의 공간분포 추정 인자는, 소산계수를 포함하고, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호 중 어느 하나 이상을 더 포함하는, 에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법과, 이를 이용한 에어로졸 수평 2차원 공간분포 추정 방법과, 이러한 방법의 수행되도록 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

Description

에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법 및 이용한 에어로졸 수평 2차원 공간분포 추정 방법{Method for artificial intelligence model generation method for estimating aerosol horizontal 2-dimensional spatial distribution and method for estimating aerosol horizontal 2-dimensional spatial distribution using the same}

본 발명은 대기 환경 기술 및 인공지능 기술에 관한 것이다.

에어로졸은 대기 중을 떠돌고 있는 입자들을 의미하며, 특히 미세먼지(PM10, PM2.5)와 대기오염물질(CO, NO2, SO2)을 포함하기에, 에어로졸의 공간분포를 확인함으로써 현재의 대기오염 상태는 물론 앞으로의 대기오염을 예측할 수 있다.

대기 상태를 조사하기 위한 전통적인 방법은, 다양한 센서를 구비한 지점측정소를 설치하는 것이다. 대한민국 서울에서는 도시데이터 센터(S-Dot)를 1,100여개소에 설치하여 미세먼지, 대기오염물질은 물론, 온도, 습도, 조도, 소음, 자외선, 풍향, 풍속 등을 실시간 수집하고 있다.

이러한 방법은 측정소에서 거리가 먼 지역의 대기 상태를 확인할 수 없다는 단점을 갖는다. 이를 보완하기 위해 수많은 지점측정소를 설치하여야 하는데, 초기 설치 비용은 물론 유지 관리에 필요한 인력 및 비용이 상등하다.

또한, 측정소 또는 그 주변의 특유의 상황(예컨대, 측정소 인근에서 발생한 작은 연기, 센서 고장 등)으로 인해 결과값이 왜곡될 수도 있다.

이에, 라이다 기기를 이용하여 대기오염 정도를 확인하는 방법이 고안된 바 있다. 라이다가 발신하는 레이저는 대기 중 에어로졸에 의해 산란되는바, 후방 산란 신호를 수신한 후 이를 통해 대기오염 정도를 확인하는 기술이다. 라이다 장치의 특성에 따라 다르겠지만 일반적으로 1대의 라이다 장치가 약 5km 범위 내의 대기오염 정도를 추정할 수 있어서, 측정소의 수를 획기적으로 감소시킬 수 있다. 이와 같은 방식으로 사용되는 라이다는 보통 '미세먼지 라이다'로 지칭된다.

미세먼지 라이다를 활용하여 대기오염을 연산하기 위해서는, 후방 산란 신호로부터 대기오염 정도를 정확하게 추정하는 기술이 중요하다. 후방 산란 신호의 세기가 대기오염 정도로 바로 연결되지 않기 때문이다. 예컨대, 레이저의 세기는 이동하는 거리에 따라 달라지므로, 후방 산란 신호에 대한 거리 보정을 한 후 세기를 살펴보아야 미세먼지 정도를 추정할 수 있다.

관련 특허로 한국등록특허 제10-2274688호를 들 수 있다. 여기에서는 후방 산란 신호에 대한 거리별 소산계수(extinction coefficient)를 활용함으로써 거리 보정을 수행하고, 이를 검정선(calibration curve)과 비교함으로써 대기오염의 정도를 추정한다. 또한, 라이다 장치를 360도 전방향으로 조사하도록 설정하되 RGB 카메라를 통해 굴뚝이나 산과 같은 구조물로 인해 측정이 불가능한 지역을 별도로 비관측 영역으로 설정하며, 이러한 비관측 영역에서는 후방 산란 신호가 없어 대기오염 정도가 추정되지 않는바 내삽법으로 이를 보완한다.

위 종래기술은 거리 보정을 통한 소산계수를 이용함으로써 거리에 따른 경향성은 배제하지만 그럼에도 결과값이 정확하지 못하다. 이는, 거리 외의 상황 변화에 의한 신호 세기 변화를 제거하지 못함에 기인한다. 라이다 장치가 360도 전 방향으로 회전하며 레이저를 조사하고 후방 산란 신호를 획득하기 위해서는 짧게는 30분 길게는 1시간 소요되므로, 예를 들어 10도 단위로 레이저가 조사된다면 방위각 0도를 측정한 시점과 350도를 측정한 시점 사이에는 30분 내지 1시간의 시차가 발생하는데, 이러한 시차 동안에 주변 상황이 변화하기 때문이다. 예컨대. 1시간 동안에는 공기 중 N2, O2 등 대기 분자의 변화에 따른 에어로졸 변화가 발생할 수 있고 및 이에 기인하여 후방 산란 신호가 동일한 미세먼지 정도에서도 바뀔 수 있으며, 장비의 변화(1시간 동안의 레이저 조사 강도의 변화 등)로 인해 후방 산란 신호의 값이 달라질 수 있다.

예를 들어, 360도 조사하는 동안 레이저 출력이 1시간 동안 서서히 감소하였거나, 라이다 장치 주변에서 대기 중 에어로졸이 서서히 증가하였다면, 미세먼지의 양이 동일하여도 최초의 조사 영역 대비 마지막 조사 영역에서는 미세먼지가 더 많다는 결과 왜곡이 발생하게 된다.

따라서, 라이다 기기의 작동 시간을 고려하여, 거리 보정은 물론 그 외의 상황 변화에 따른 후방 산란 신호의 변화를 배제함으로써 오직 에어로졸의 영향에만 후방 산란 신호의 값이 달라지게 하는 기술에 대한 필요성이 있다.

한국등록특허 제10-2274688호 한국공개특허 제10-2019-0084691호

본 발명은 상기와 같은 과제를 해결하고자 안출된 것이다.

구체적으로, 라이다를 이용하여 대기오염을 추정할 수 있는 에어로졸 수평 2차원 공간분포를 추정하고자 하며, 이 때에 사용되는 인공지능 모델 생성 방법을 제안하고자 한다. 종래 기술과 달리, 거리는 물론 다양한 주변 변수를 제거하여 에어로졸에만 영향을 받은 결과값을 추출함으로써 높은 정확도로 대기오염을 추정하고자 하며, 에어로졸에 의한 영향을 다양한 방식으로 나타내는 인자들을 사용하여 정확도가 높은 인공지능 모델의 생성 방법을 제안하고자 한다.

또한, 이러한 방법으로 생성된 인공지능 모델을 활용한 에어로졸 수평 2차원 공간분포 추정 방법을 제안하고자 한다.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, (a) 라이다 기기(100)가, 임의의 위치에 대한 라이다 신호를 확인하는 단계; (b) 인공지능부(200)가, 상기 라이다 신호를 이용하여 거리보정신호(RCS; range corrected signal)를 연산하는 단계; 및 (c) 상기 인공지능부(200)가 상기 거리보정신호(RCS)를 이용하여 임의의 위치에 대한 어느 둘 이상의 공간분포 추정 인자와 임의의 위치에 대한 대기오염 관측정보를 이용함으로써 학습 데이터를 준비하고, 준비된 학습 데이터를 학습하여 인공지능 모델을 생성하는 단계를 포함하며, 상기 어느 둘 이상의 공간분포 추정 인자는, 소산계수를 포함하고, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호 중 어느 하나 이상을 더 포함하고, 상기 소산계수는, 상기 거리보정신호(RCS)를 이용하여 기 설정된 방법으로 연산되며, 상기 어느 둘 이상의 공간분포 추정 인자가 선형피팅신호 기울기를 포함하는 경우, 상기 거리보정신호를 저대역 필터링하여 저대역 필터링 신호(LPF_RCS(r, a))가 연산되고, 이를 선형피팅하여 선형피팅신호(LF_LPF_RCS(r, a))가 연산되고, 상기 선형피팅신호에서 상기 라이다 기기(100)의 오버랩 구간 이후 유효거리 까지의 기울기를 연산함으로써 선형피팅신호 기울기(G(a))가 연산되며, 상기 어느 둘 이상의 공간분포 추정 인자가 △RCS를 포함하는 경우, 상기 거리보정신호를 저대역 필터링하여 저대역 필터링 신호(LPF_RCS(r, a))가 연산되고, 이를 선형피팅하여 선형피팅신호(LF_LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호(LPF_RCS(r, a))와 상기 선형피팅신호(LF_LPF_RCS(r, a))의 차이를 연산함으로써 △RCS가 연산되며, 상기 고대역 필터링 신호를 포함하는 경우, 상기 거리보정신호를 고대역 필터링하여 고대역 필터링 신호(HPF_RCS(r, a))가 연산되고, 상기 고대역 필터링 결합 신호를 포함하는 경우, 상기 거리보정신호를 고대역 필터링하여 고대역 필터링 신호(HPF_RCS(r, a))가 연산되고, 상기 거리보정신호를 저대역 필터링하여 저대역 필터링 신호(LPF_RCS(r, a))가 연산되고, 이를 선형피팅하여 선형피팅신호(LF_LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호(LPF_RCS(r, a))와 상기 선형피팅신호(LF_LPF_RCS(r, a))의 차이를 연산함으로써 △RCS가 연산되고, 상기 고대역 필터링 신호(HPF_RCS(r, a))와 상기 △RCS를 합산함으로써 고대역 필터링 신호가 연산되는, 에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법을 제공한다.

또한, 상기 어느 둘 이상의 공간분포 추정 인자는, 소산계수, 선형피팅신호 기울기 및 △RCS를 포함하거나, 또는 소산계수, 선형피팅신호 기울기 및 고대역 필터링 신호를 포함하거나, 또는 소산계수, 선형피팅신호 기울기 및 고대역 필터링 결합 신호를 포함하거나, 또는 소산계수, △RCS 및 고대역 필터링 신호를 포함하거나, 또는 소산계수, △RCS 및 고대역 필터링 결합 신호를 포함하거나, 또는 소산계수, 고대역 필터링 신호 및 고대역 필터링 결합 신호를 포함하는 것이 바람직하다.

또한, 상기 어느 둘 이상의 공간분포 추정 인자는, 소산계수, 선형피팅신호 기울기, △RCS 및 고대역 필터링 신호를 포함하거나, 또는 소산계수, 선형피팅신호 기울기, △RCS 및 고대역 필터링 결합 신호를 포함하거나, 또는 소산계수, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호를 포함하는 것이 바람직하다.

또한, 상기 어느 둘 이상의 공간분포 추정 인자는, 소산계수, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호를 포함하는 것이 바람직하다.

또한, 상기 (c) 단계에서, 상기 학습 데이터는 상기 라이다 기기의 동작에 대한 정보인 관측기기 정보를 더 포함하는 것이 바람직하다.

또한, 상기 (c) 단계에서, 상기 학습 데이터는 상기 임의의 위치에 대한 기상정보를 더 포함하는 것이 바람직하다.

또한, 상기 라이다 기기(100)는 카메라(110), 송신부(121), 수신부(122), 신호처리부(123) 및 제어부(130)를 더 포함하고, 상기 (a) 단계 이전에, (a11) 상기 카메라(110)가 상기 방위각(a)으로 표현될 수 있는 파노라마 영상을 촬영하는 단계; (a12) 상기 제어부(130)가 상기 파노라마 영상을 이용하여 상기 방위각(a)마다 상기 송신부(121)가 레이저를 조사하는 고도각을 설정하는 단계; (a13) 상기 송신부(121)가 레이저를 조사하고, 상기 수신부(122)가 후방 산란 신호를 수신하는 단계; 및 (a14) 상기 신호처리부(123)가 수신한 후방 산란 신호를 이용하여 임의의 위치에 대한 라이다 신호를 확인하는 단계를 더 포함하는 것이 바람직하다.

또한, 임의의 위치에 대한 상기 대기오염 관측정보는 PM 10에 대한 정보이거나 또는 PM 2.5에 대한 정보인 것이 바람직하다.

상기와 같은 과제를 해결하기 위한 본 발명의 다른 실시예는, 전술한 방법에 따라 생성된 인공지능 모델을 이용한 에어로졸 수평 2차원 공간분포 추정 방법으로서, (A) 라이다 기기(100)가, 소정의 위치에 대한 라이다 신호를 확인하는 단계; (B) 인공지능부(200)가, 상기 라이다 신호를 이용하여 거리보정신호(RCS; range corrected signal)를 연산하는 단계; 및 (C) 상기 인공지능부(200)가 상기 거리보정신호(RCS)를 이용하여 임의의 위치에 대한 상기 인공지능 모델의 학습 데이터에 포함되는 공간분포 추정 인자를 연산한 후 이를 상기 인공지능 모델에 입력하여 에어로졸 수평 2차원 공간분포를 추정하는 단계를 포함하는, 에어로졸 수평 2차원 공간분포 추정 방법을 제공한다.

또한, 상기 (A) 단계는 다수의 방위각(a)마다의 다수의 거리(r)에 대하여 수행되고, 상기 (C) 단계가 수행되어 다수의 방위각(a)마다의 다수의 거리(r)에 대하여 에어로졸 수평 2차원 공간분포가 추정되며, 상기 (C) 단계 이후, (D) 상기 인공지능부(200)가, 각각의 방위각(a) 사이의 위치에 대하여 기 설정된 방식으로 내삽을 수행하여 결과값을 연산한 후 2차원 분포도로 출력하는 단계를 더 포함하는 것이 바람직하다.

상기와 같은 과제를 해결하기 위한 본 발명의 또 다른 실시예는, 전술한 에어로졸 수평 2차원 공간분포 추정 방법이 수행되도록, 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

본 발명에 따라, 라이다 장치와 인공지능 모델을 이용한 높은 정확도로 에어로졸 수평 2차원 공간분포를 추정할 수 있다.

거리에 의한 변화는 물론, 장비 특성 및 주변 환경 특성의 변화로 인한 변수들이 제거되며, 공간분포 추정 인자의 조합에 따라 측정영역 대기 중 전반적(homogeneous) 에어로졸 변화 영향 인자와 국지적 에어로졸 변화 영향 인자 등을 다양한 방식으로 반영하는 공간분포 추정 인자를 활용함으로써 높은 정확도로 추정할 수 있다.

또한, 이를 바탕으로 대기오염 정도를 확인하고 예측할 수 있다.

도 1은 본 발명에 따른 방법을 수행하기 위한 시스템을 개념적으로 도시한다.
도 2는 본 발명에 따른 방법에서 학습데이터 준비를 위해 사용되는 정보값들의 연산 과정을 설명하기 위한 도면이다.
도 3은 본 발명에 따른 방법에서 학습데이터 준비를 위해 사용되는 정보값들을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 방법에서 인공지능 모델 생성을 위한 학습데이터를 설명하기 위한 도면이다.
도 5는 본 발명에 따른 방법의 검증 실험을 설명하기 위한 도면이며, 도 6, 도 7은 그 결과를 도시한다.
도 8은 본 발명에 따른 방법을 설명하기 위한 순서도이다.

이하, 도면을 참조하여 본 발명에 따른 방법을 구체적으로 설명한다.

1. 시스템의 설명

도 1을 참조하여 본 발명에 따른 방법이 수행되는 시스템을 설명한다.

본 발명에 따른 시스템은 라이다 기기(100)와 인공지능부(200)를 포함한다. 라이다 기기(100)와 인공지능부(200)는 물리적으로 별도의 기기일 수도 있으나 통합된 기기일 수도 있다(도 5의 (b) 참조).

라이다 기기(100)는 레이저를 조사하고 대기 중 물질에 의해 후방으로 산란되는 후방 산란 신호를 수신하고 이를 처리하는 기기이다. 라이다 기기(100)에는 조사 방위각 및 고도각을 제어할 수 있는 액튜에이터(actuator)가 구비되어 있으며 이는 제어부(130)에 의해 제어된다.

도 5의 (b)는 실제 본 발명자가 설치한 라이다 기기로서, 360도 전 방위로 레이저를 조사할 수 있도록 자동 또는 수동으로 회전하고, 고도각의 제어가 가능한 장치이다.

라이다 기기(100)는 레이저를 조사하는 송신부(121), 후방 산란 신호를 수신하는 수신부(122), 후방 산란 신호를 처리하여 라이다 신호의 값을 확인하는 신호처리부(123), 장치의 방위각 및 고도각 등을 제어하는 제어부(130) 및 해당 라이다 기기(100)의 장비 특성인 관측기기 정보를 확인하는 관측기기 정보 확인부(140)를 포함한다.

본 발명의 일 실시예에서, 라이다 기기(100)는 RGB 영역을 촬영하는 카메라(110)를 더 포함할 수 있다. 일 실시예에서, 카메라(110)를 이용하여 파노라마 RGB 영상을 획득하면, 수동 또는 자동으로 송신부(121)의 조사 방향을 결정할 수 있으며, 제어부(130)에 의해 고도각이 자동으로 조절되면서 레이저를 조사하고 후방 산란 신호를 수신할 수 있다. 상세한 내용은 후술한다.

인공지능부(200)는 학습데이터를 설정하고 이를 이용하여 인공지능 모델을 생성하며 생성된 인공지능 모델을 이용하여 에어로졸 수평 2차원 공간분포를 추정한다.

구체적으로, 인공지능부(200)는 학습데이터로 활용되는 공간분포 추정 인자를 연산한다. 이를 위해, 거리보정신호 연산 모듈(211), 소산계수 연산 모듈(212), 선형피팅신호 기울기 연산 모듈(213), △RCS연산 모듈(214), 고대역 필터링 신호 연산 모듈(215) 및 고대역 필터링 결합 신호 연산 모듈(216)을 포함한다. 또한, 학습데이터로 더 활용될 수 있는 관측기기 정보와 기상정보와 대기오염 관측정보를 확인하는 관측기기 정보 수신 모듈(217)과 기상정보 수신 모듈(218)과 대기오염 관측정보 수신 모듈(220) 및 이러한 학습데이터를 학습하여 인공지능 모델을 생성하는 학습 모듈(230)을 포함한다.

또한, 인공지능부(200)는 생성된 인공지능 모델에 측정값을 입력함으로써 대기오염 정보를 추정할 수 있는 에어로졸 수평 2차원 공간분포 추정 모듈(251), 비관측 영역에 대한 내삽을 수행하는 내삽 연산 모듈(252), 최종 결과값으로서 에어로졸 수평 2차원 공간분포도를 생성하고 지도와 함께 출력하는 출력 모듈(253)을 포함한다.

한편, 기상정보 수신 모듈(218)은 측정 지역의 기상정보를 확인하기 위하여 기상정보 데이터베이스(300)와 연동 가능하며, 대기오염 관측정보 수신 모듈(220)은 측정 지역의 실제 대기오염 관측정보를 확인하기 위하여 대기오염 관측정보 데이터베이스(400)와 연동 가능하다. 대기오염 관측정보 데이터베이스(400)는 실제 측정소(예컨대, 서울 내 S-Dot)와 협업하여 실제 관측정보를 저장한 부재를 의미한다.

2. 방법의 설명

먼저 도 2 내지 도 4를 참조하여, 인공지능 학습에 사용되는 학습 데이터를 설명한다.

도 4에 도시된 바와 같이, 본 발명에 따른 인공지능 모델의 학습 데이터는 에어로졸 4평 2차원 공간분포 추정을 위한 인자로서 공간분포 추정 인자로 지칭되는 인자를 포함한다. 공간분포 추정 인자는, 소산계수, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호 중 어느 둘 이상을 포함하는 개념이다.

본 발명의 일 실시예에서, 학습 데이터로서, 관측기기 정보와 기상정보가 더 포함될 수 있다.

인공지능 모델 생성을 위해 실 관측 데이터가 필요한데 대기오염 관측정보가 활용된다. 도 4에서 대기오염 관측정보의 예시로서 미세먼지와 관련된 PM10, PM2.5가 도시되나, 이에 제한되지 않고 후방 산란 신호에 영향을 줄 수 있는 어떠한 인자이어도 무방하다. 대기오염 관측정보는 대기오염 관측을 수행하는 측정소에서 실제 측정된 데이터로서 대기오염 관측정보 데이터베이스(400)에서 확인 가능하다.

도 2를 참조하여 공간분포 추정 인자를 구체적으로 설명한다.

라이다 기기(100)의 송신부(121)가 레이저를 조사하고 수신부(122)가 후방 산란 신호를 수신하면 신호처리부(123)가 이를 처리하여 신호를 획득한다. 이를 라이다 신호로 지칭한다. 라이다 기기(100)의 레이저 조사 및 라이다 신호 획득은 방위각(a)을 변경하면서 수행되고 동일 방위각(a)에서도 다양한 거리(r)마다 이루어지므로, 이를 P(r, a)로 표현할 수 있다. 달리 표현하면, 라이다 신호(P(r, a))는 라이다 기기(100)에서 획득되는 원시 신호이며, 도 3의 (a)에 도시된다. 도시된 바와 같이, 동일한 방위각에서도 거리(r)에 따라 신호의 세기가 달라진다. 도시된 실시예에서 해상도는 30m이나, 본 발명은 이에 제한되지 않는다.

이러한 라이다 신호(P(r, a))를 이용하여 다양한 공간분포 추정 인자들이 연산된다.

거리보정신호 연산 모듈(211)은 라이다 신호(P(r, a))를 이용하여 아래 수식에 따라 거리 보정을 수행한 거리보정신호(RCS; range corrected signal)인 S(r, a)를 연산한다. 거리보정신호(S(r, a))는 라이다 기기(100)와 측정 지점 사이의 거리로 인한 변화를 제거한 신호이다. 도 3의 (b)는 거리보정신호(S(r, a))를 도시한다. 이하, RCS(r, a)는 임의의 거리(r)와 방위각(a)에서의 거리보정신호를 의미한다.

RCS = S(r, a) = ln(r²((r, a))

소산계수 연산 모듈(212)은 거리보정신호를 이용하여 소산계수(α(r, a))를 연산한다. 소산계수는 거리에 따라 얼마나 소산되었는지 확인하는 계수로서, Klett method와 같은 구체적 연산 방법이 이미 널리 알려져 있다. 도 3의 (c)는, 도 3의 (a)의 라이다 신호(P(r, a))를 이용하여 연산된 소산계수(α(r, a))를 도시한다. 소산계수(α(r, a))는 거리 보정이 된 신호인바, 공간분포 추정 인자 중 하나로 활용된다.

선형피팅신호 기울기 연산 모듈(213)은 거리보정신호(S(r, a))에 저대역 필터링(Low Pass Filtering)을 수행하여 저대역 필터링 신호(LPF_RCS(r, a))를 연산한 후 이를 선형피팅(Linear Fitting)하여 선형피팅신호(LF_LPF_RCS(r, a))를 연산하고, 여기에서 오버랩 구간 이후 유효거리 까지의 기울기를 연산함으로써 선형피팅신호 기울기(G(a))를 연산한다. 선형피팅신호 기울기(G(a))는 공간분포 추정 인자 중 하나로 활용될 수 있다.

여기에서, 저대역 필터링은 종래의 어떠한 방법을 사용하여 수행되어도 무방하다. 저대역 필터링이 수행된 거리보정신호의 예시가 도 3의 (d)의 상측에 도시된다. 저대역 필터링을 통해 국지적(local) 에어로졸에만 기인한 라이다 신호가 배제되고 측정 영역 전체에서 전반적(homogeneous) 에어로졸 변화 영향에만 기인한 신호가 생성된다.

여기에서, 저대역 필터링을 수행한 후 선형피팅을 수행할 때에 오버랩 구간의 끝부터 유효거리까지 수행된다. 라이다 기기(100)는 그 특성상 송신부(121)의 송신 지점과 수신부(122)의 수신 지점이 완전히 동일하지 않기 때문에, 송신 지점과 수신 지점 사이의 갭으로 인해 필연적으로 라이다 기기(100)의 시야(FOV)가 일치하지 않는 측정 거리가 발생하며 이는 오버랩 구간으로 지칭된다. 오버랩 구간은 라이다 기기(100)마다 상이하다. 측정 유효거리 역시 라이다 기기(100)마다 상이하다. 따라서, 선형피팅은 실제 사용된 라이다 기기(100)의 오버랩 구간 이후부터 유효거리까지만 수행된다. 이는 도 3의 (e)에 도시된다. 선형 피팅이 수행되면 그 결과물에서 기울기(G(a))가 연산된다.

△RCS 연산 모듈(214)은 전술한 방법으로 저대역 필터링 신호(LPF_RCS(r, a))와 선형피팅신호(LF_LPF_RCS(r, a))를 연산한 후 그 차이를 통해 △RCS를 연산한다. 역시, 도 3의 (e)에 도시된다. △RCS는 공간분포 추정 인자 중 하나로 활용될 수 있다.

고대역 필터링 신호 연산 모듈(215)는 거리보정신호를 고대역 필터링(HPF; High Pass Filtering)하여 고대역 필터링 신호(HPF_RCS(r, a))를 연산한다. 고대역 필터링 신호(HPF_RCS(r, a))는 공간분포 추정 인자 중 하나로 활용될 수 있다.

고대역 필터링 결합 신호 연산 모듈(216)은 전술한 방법으로 연산된 △RCS와 고대역 필터링 신호(HPF_RCS(r, a))를 합산함으로써 고대역 필터링 결합 신호를 연산한다. 고대역 필터링 결합 신호는 공간분포 추정 인자 중 하나로 활용될 수 있다.

전술한 바와 같이, 본 발명은 공간분포 추정 인자로서, 소산계수, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호의 5개를 제시하며, 각각 나타내는 의미가 다르기에, 이들을 적절하게 조합하여 학습 데이터로 활용할 수 있다. 각각의 의미는 다음과 같다.

"소산계수"는 거리가 보정된 가장 일반적인 신호이며, 임의의 위치(r, a)의 에어로졸 분포 정도를 종합적으로 잘 나타내는 수치이다. 거리 및 방위각으로 특정되는 임의의 위치(r, a)마다 생성된다.

"선형피팅신호 기울기(G(a))"는 측정 방위각 상에서 해당 대기 상의 광범위하며 전반적인 에어로졸의 영향을 나타내는 지표이다. 예컨대, 황사와 같이 서울 시내에서 전반적으로 대기오염 수준이 좋지 않은 경우라면 대기 중 에어로졸의 믹싱(mixing)이 많이 발생하여 넓은 범위에서 비교적 균등한 에어로졸 상태를 나타낸다. 선형피팅신호 기울기(G(a))는 이와 같은 대규모급 에어로졸 영향, 달리 표현하면 일종의 배경 농도를 나타낸다. 선형피팅신호 기울기(G(a))는 거리가 멀어짐에 따라 감소하는 경향을 보이는데, 미세먼지의 양이 많다면 빠르게 감소하는 경향을 보일 것이며 적다면 천천히 감소하는 경향을 보일 것이다. 선형피팅신호 기울기(G(a))는 측정 방위각(a)마다 생성된다.

"△RCS"는 광범위한 에어로졸 영향인 기울기를 배제하였기에 방위각으로 특정되는 영역의 고유한 특징을 나타내는 지표이다. 예컨대, 황사의 영향과 더불어 상당히 멀리 연기가 발산하는 큰 화재가 발생하였다면, △RCS는 황사의 영향은 배제하고 해당 화재 연기와 같은 중규모급 에어로졸 영향에 의한 신호를 잘 나타낼 것이다. △RCS는 측정 방위각(a)마다 생성된다.

"고대역 필터링 신호(HPF_RCS(r, a))"는, 저대역 필터링 신호(LPF_RCS(r, a))와 반대로, 광범위하고 전반적인 에어로졸 영향이 배제되고 특정 위치의 국지적 영향만을 나타내는 지표이다. 측정 지역의 공장 굴뚝에서 영향이 아주 크지 않은 연기가 발생한 경우와 같은 소규모급 에어로졸 영향에 의한 신호를 잘 나타낼 것이다. 거리 및 방위각으로 특정되는 임의의 위치(r, a)마다 생성된다.

"고대역 필터링 결합 신호"는 고대역 필터링 신호(HPF_RCS(r, a))와 △RCS가 반영되었기에 중소규모급 에어로졸 영향에 의한 신호를 잘 나타낼 것이다. 거리 및 방위각으로 특정되는 임의의 위치(r, a)마다 생성된다.

본 발명에서 제안하는 방식은, 전체적인 에어로졸 영향을 나타내는 소산계수를 포함하되, 그 외의 4가지 인자 중 어느 2개, 또는 어느 3개, 또는 어느 4개를 조합하는 방식의 학습 데이터를 활용하는 방식이다.

한편, 학습 데이터로 활용될 공간분포 추정 인자가 결정되었다면, 거리 및 방위각으로 특정되는 임의의 위치(r, a)의 실제 측정값인 대기오염 관측정보를 확인하여야 한다. 즉, 임의의 위치(r, a)의 공간분포 추정 인자와 대기오염 관측정보를 매칭함으로써 학습 데이터를 완성한다.

한편, 본 발명의 일 실시예에서, 학습데이터로서 라이다 기기(100)의 특성인 관측기기 정보가 더 활용될 수 있다. 관측기기 정보는 라이다 기기(100)에서 레이저의 세기, 파장, 작동 영역, FoV 등 수치화 가능한 다양한 특성일 수 있다. 이를 활용함으로써, 특정 라이다 기기(100)에서 인공지능 모델이 생성되어도 다른 라이다 기기에서의 관측값으로 공간분포 추정이 가능하다.

본 발명의 다른 실시예에서, 학습데이터로서 기상정보가 더 활용될 수 있다. 기상정보는 기상정보 데이터베이스(300)에서 수신 가능한 것으로, 온도, 습도, 자외선, 오존 농도 등 다양한 정보일 수 있다.

이러한 학습데이터를 학습함으로써 공간분포 추정 인공지능 모델이 생성된다. 생성된 인공지능 모델을 활용하면, 라이다 기기(100)의 신호만으로 에어로졸 수평 2차원 공간분포의 추정이 가능하다. 에어로졸 이외에 라이다 신호에 영향을 주는 인자들이 제거되어 정확도가 상승함은 물론, 대규모급, 중규모급, 소규모급, 중소규모급 에어로졸 영향 인자들이 정밀하게 반영되어 있다.

라이다 기기(100)의 레이저 조사는 특정 방위각(a)에 대하여 이루어지고, 이러한 방위각은 라이다 기기(100)의 장치 특성에 따라 단위 각도(예컨대, 10도, 30도 등) 단위로 구분되기에 최종 결과는 일종의 선으로 확인되고(도 6 참조) 비관측 영역이 발생하게 된다. 해당 비관측 영역은 주변 측정값을 이용한 내삽으로 확인된다. 내삽 방식은 종래의 알려진 어떠한 방식을 사용하여도 무방하다. 내삽이 완료되면 도 7에 도시된 바와 같이 에어로졸 수평 2차원 공간분포가 빈틈없이 도시될 수 있다.

이하에서는, 전술한 방법으로 인공지능 모델을 참조하여 본 발명에 따른 방법을 도 8을 참조하여 설명한다.

먼저, 인공지능 모델 생성 방법을 설명한다.

선택적으로, 라이다 기기(100)를 동작시키기 전에 각 방위각(r)마다의 고도각을 미리 자동 또는 수동으로 설정할 수 있다(S110). 카메라(110)를 통해 촬영한 조사 방향의 파노라마 RGB 영상을 활용하여, 해당 영상의 상부 경계선을 자동으로 확인하여 그 위를 고도각으로 설정하거나 또는 사용자가 수동으로 고도각을 지정하는 방식이 활용될 수 있다(도 5의 (c) 참조).

다음, 라이다 기기(100)가 미리 설정된 단위 각도만큼 이동하면서 조사하고자 하는 방향(예컨대, 360도 전 방향) 및 S110 단계에서 설정된 고도각으로 레이저를 조사하여 스캐닝을 수행한다(S120). 임의의 위치마다 소정의 거리(r)별로 후방 산란 신호가 획득된다. 즉, 소정의 방위각(a) 및 소정의 거리(r)마다 라이다 신호(P(r, a))가 확인된다(S130).

이제 전술한 방법에 따라 라이다 신호(P(r, a))를 이용하여 필요한 공간분포 추정 인자들을 연산한다(S140). 일 실시예에서는 관측기기 정보와 기상정보도 함께 확인한다(S150). 또한, 라이다 기기(100)의 위치를 기준으로 하여 방위각(a) 및 거리(r)를 통해 확인되는 위치에서의 실제 대기오염 관측정보를 더 확인한다(S160). 대기오염 관측정보는 PM10 또는 PM2.5일 수 있으나 다른 정보일 수도 있다. 이를 통해 학습데이터 준비가 완료된다.

이제, 인공지능부(200)의 학습 모듈(230)은 준비된 학습데이터를 이용하여 (경우에 따라 관측기기 정보와 기상정보를 더 이용하여) 학습함으로써 인공지능 모델을 생성한다.

다음, 인공지능 모델을 이용하여 대기오염 정보를 추정하는 방법을 설명한다.

S110 내지 S240 단계와 동일하게, 파노라마 RGB 영상을 활용하여 스캐닝 고도각을 수동 또는 자동으로 설정하고(S210), 이에 따라 스캐닝을 수행하고(S220), 각 방위각(r)과 거리(a)별로 라이다 신호(P(r, a))를 획득하고(S230), 이를 이용하여 필요한 공간분포 추정 인자들을 연산한다(S240). 인공지능 모델에 따라 관측기기 정보와 기상정보를 더 확인할 수도 있다(S250).

연산되거나 확인된 정보를 S170 단계에서 생성된 인공지능 모델에 입력하면 에어로졸 수평 2차원 공간분포가 추정된다(S260). 여기서의 2차원 공간분포는 라이다 기기(100)의 위치를 중심으로 선형이다.

이에, 각 선형의 결과값 사이인 비관측 영역은 내삽한다(S320). 내삽한 결과는 지도와 함께 출력된다(S330).

3. 검증 실험

본 발명에 따른 방법으로 인공지능 모델을 생성하고 이를 통하여 PM10 및 PM2.5를 추정하였고, 이를 실제 관측값과 비교함으로써 검증을 수행하였다. 도 5를 참조하여 이를 설명한다.

도 5의 (a)는 실제 라이다 기기(100)가 설치된 위치('A'로 표시, 위경도 37.585263, 127.025816)를 중심으로 관측 영역을 도시한다. 도 5의 (b)는 본 검증 실험에 사용된 라이다 기기(100)를 도시한다. 도 5의 (c)는 카메라(110)를 이용하여 조사 영역을 촬영한 파노라마 RGB 영상을 도시한다. 미리 설정된 조사범위의 E-S-W 방향 영상이다. 해당 영상에서 수동 또는 자동으로 확인되는 상부 경계선을 이용하여 미리 설정된 규칙으로 고도각이 설정되었다. 각 방위각별 고도각은 황색 점으로 표시된다.

라이다 기기(100)는 북동쪽에서 약 180도 범위를 시계방향으로(E-S-W) 레이저 조사하였고 후방 산란 신호를 확인하였으며, 본 발명에 따라 생성된 인공지능 모델에 이를 입력함으로써 PM10 및 PM2.5 정보를 추정하였다. 이는 도 6에 도시된다.

도 6에 도시된 정보를 토대로 내삽을 수행하여 2차원 분포도를 생성하였다. 이러한 방식이 7:00부터 22:50까지 10회 수행되었으며 수행된 결과 중 18:50 및 22:50의 결과가 도 7에 도시하였다.

이와 같은 검증 실험 결과, PM10과 PM2.5 각각 12,123개의 데이터가 상당한 정확도로 추정되었음을 확인하였다.

100: 라이다 기기
110: 카메라
121: 송신부
122: 수신부
123: 신호처리부
130: 제어부
140: 관측기기 정보 확인부
200: 인공지능부
211: 거리보정신호 연산 모듈
212: 소산계수 연산 모듈
213: 선형피팅신호 기울기 연산 모듈
214: △RCS 연산 모듈
215: 고대역 필터링 신호 연산 모듈
216: 고대역 필터링 결합 신호 연산 모듈
217: 관측기기 정보 수신 모듈
218: 기상정보 수신 모듈
220: 대기오염 관측정보 수신 모듈
230: 학습 모듈
251: 에어로졸 수평 2차원 공간분포 추정 모듈
252: 내삽 연산 모듈
253: 출력 모듈
300: 기상정보 데이터베이스
400: 대기오염 관측정보 데이터베이스

Claims

(a) 라이다 기기(100)가, 임의의 위치에 대한 라이다 신호를 확인하는 단계; - 여기서 임의의 위치는 방위각(a) 및 거리(r)로 식별됨
(b) 인공지능부(200)가, 상기 라이다 신호를 이용하여 거리보정신호(RCS; range corrected signal)를 연산하는 단계; 및
(c) 상기 인공지능부(200)가 상기 거리보정신호(RCS)를 이용하여 임의의 위치에 대한 어느 둘 이상의 공간분포 추정 인자와 임의의 위치에 대한 대기오염 관측정보를 이용함으로써 학습 데이터를 준비하고, 준비된 학습 데이터를 학습하여 인공지능 모델을 생성하는 단계를 포함하며,
상기 어느 둘 이상의 공간분포 추정 인자는, 소산계수를 포함하고, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호 중 어느 하나 이상을 더 포함하고,
상기 소산계수는, 상기 거리보정신호(RCS)를 이용하여 기 설정된 방법으로 연산되며,
상기 어느 둘 이상의 공간분포 추정 인자가 선형피팅신호 기울기를 포함하는 경우, 상기 거리보정신호를 저대역 필터링하여 저대역 필터링 신호(LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호를 선형피팅하여 선형피팅신호(LF_LPF_RCS(r, a))가 연산되고, 상기 선형피팅신호에서 상기 라이다 기기(100)의 오버랩 구간 이후 유효거리 까지의 기울기를 연산함으로써 선형피팅신호 기울기(G(a))가 연산되며,
상기 어느 둘 이상의 공간분포 추정 인자가 △RCS를 포함하는 경우, 상기 거리보정신호를 저대역 필터링하여 저대역 필터링 신호(LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호를 선형피팅하여 선형피팅신호(LF_LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호(LPF_RCS(r, a))와 상기 선형피팅신호(LF_LPF_RCS(r, a))의 차이를 연산함으로써 △RCS가 연산되며,
상기 고대역 필터링 신호를 포함하는 경우, 상기 거리보정신호를 고대역 필터링하여 고대역 필터링 신호(HPF_RCS(r, a))가 연산되고,
상기 고대역 필터링 결합 신호를 포함하는 경우, 상기 거리보정신호를 고대역 필터링하여 고대역 필터링 신호(HPF_RCS(r, a))가 연산되고, 상기 거리보정신호를 저대역 필터링하여 저대역 필터링 신호(LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호를 선형피팅하여 선형피팅신호(LF_LPF_RCS(r, a))가 연산되고, 상기 저대역 필터링 신호(LPF_RCS(r, a))와 상기 선형피팅신호(LF_LPF_RCS(r, a))의 차이를 연산함으로써 △RCS가 연산되고, 상기 고대역 필터링 신호(HPF_RCS(r, a))와 상기 △RCS를 합산함으로써 고대역 필터링 신호가 연산되는,
에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 어느 둘 이상의 공간분포 추정 인자는,
소산계수, 선형피팅신호 기울기 및 △RCS를 포함하거나, 또는
소산계수, 선형피팅신호 기울기 및 고대역 필터링 신호를 포함하거나, 또는
소산계수, 선형피팅신호 기울기 및 고대역 필터링 결합 신호를 포함하거나, 또는
소산계수, △RCS 및 고대역 필터링 신호를 포함하거나, 또는
소산계수, △RCS 및 고대역 필터링 결합 신호를 포함하거나, 또는
소산계수, 고대역 필터링 신호 및 고대역 필터링 결합 신호를 포함하는,
에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 어느 둘 이상의 공간분포 추정 인자는,
소산계수, 선형피팅신호 기울기, △RCS 및 고대역 필터링 신호를 포함하거나, 또는
소산계수, 선형피팅신호 기울기, △RCS 및 고대역 필터링 결합 신호를 포함하거나, 또는
소산계수, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호를 포함하는,
에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 어느 둘 이상의 공간분포 추정 인자는,
소산계수, 선형피팅신호 기울기, △RCS, 고대역 필터링 신호 및 고대역 필터링 결합 신호를 포함하는,
에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 (c) 단계에서,
상기 학습 데이터는 상기 라이다 기기의 동작에 대한 정보인 관측기기 정보를 더 포함하는,
에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 (c) 단계에서,
상기 학습 데이터는 상기 임의의 위치에 대한 기상정보를 더 포함하는,
에어로졸 수평 2차원 공간분포 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 라이다 기기(100)는 카메라(110), 송신부(121), 수신부(122), 신호처리부(123) 및 제어부(130)를 더 포함하고,
상기 (a) 단계 이전에,
(a11) 상기 카메라(110)가 상기 방위각(a)으로 표현될 수 있는 파노라마 영상을 촬영하는 단계;
(a12) 상기 제어부(130)가 상기 파노라마 영상을 이용하여 상기 방위각(a)마다 상기 송신부(121)가 레이저를 조사하는 고도각을 설정하는 단계;
(a13) 상기 송신부(121)가 레이저를 조사하고, 상기 수신부(122)가 후방 산란 신호를 수신하는 단계; 및
(a14) 상기 신호처리부(123)가 수신한 후방 산란 신호를 이용하여 임의의 위치에 대한 라이다 신호를 확인하는 단계를 더 포함하는,
대기오염 추정을 위한 인공지능 모델 생성 방법.
제 1 항에 있어서,
임의의 위치에 대한 상기 대기오염 관측정보는 PM 10에 대한 정보이거나 또는 PM 2.5에 대한 정보인,
대기오염 추정을 위한 인공지능 모델 생성 방법.
제 1 항 내지 제 4 항 중 어느 한 항에 따라 생성된 인공지능 모델을 이용한 에어로졸 수평 2차원 공간분포 추정 방법으로서,
(A) 라이다 기기(100)가, 소정의 위치에 대한 라이다 신호를 확인하는 단계; - 여기서 소정의 위치는 방위각(a) 및 거리(r)로 식별됨
(B) 인공지능부(200)가, 상기 라이다 신호를 이용하여 거리보정신호(RCS; range corrected signal)를 연산하는 단계; 및
(C) 상기 인공지능부(200)가 상기 거리보정신호(RCS)를 이용하여 임의의 위치에 대한 상기 인공지능 모델의 학습 데이터에 포함되는 공간분포 추정 인자를 연산한 후 상기 공간분포 추정 인자를 상기 인공지능 모델에 입력하여 에어로졸 수평 2차원 공간분포를 추정하는 단계를 포함하는,
에어로졸 수평 2차원 공간분포 추정 방법.
제 9 항에 있어서,
상기 (A) 단계는 다수의 방위각(a)마다의 다수의 거리(r)에 대하여 수행되고, 상기 (C) 단계가 수행되어 다수의 방위각(a)마다의 다수의 거리(r)에 대하여 에어로졸 수평 2차원 공간분포가 추정되며,
상기 (C) 단계 이후,
(D) 상기 인공지능부(200)가, 각각의 방위각(a) 사이의 위치에 대하여 기 설정된 방식으로 내삽을 수행하여 결과값을 연산한 후 2차원 분포도로 출력하는 단계를 더 포함하는,
에어로졸 수평 2차원 공간분포 추정 방법.
컴퓨터에 의해 제 9 항에 따른 에어로졸 수평 2차원 공간분포 추정 방법이 수행되도록, 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.