KR20200105268A - 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템 - Google Patents

생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템 Download PDF

Info

Publication number
KR20200105268A
KR20200105268A KR1020190024228A KR20190024228A KR20200105268A KR 20200105268 A KR20200105268 A KR 20200105268A KR 1020190024228 A KR1020190024228 A KR 1020190024228A KR 20190024228 A KR20190024228 A KR 20190024228A KR 20200105268 A KR20200105268 A KR 20200105268A
Authority
KR
South Korea
Prior art keywords
temperature
detailed
perceived
excess mortality
cognitive
Prior art date
Application number
KR1020190024228A
Other languages
English (en)
Other versions
KR102255655B1 (ko
Inventor
이지선
김규랑
강미선
밀로슬라브 벨로리드
조창범
Original Assignee
대한민국(기상청 국립기상과학원장)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국(기상청 국립기상과학원장) filed Critical 대한민국(기상청 국립기상과학원장)
Priority to KR1020190024228A priority Critical patent/KR102255655B1/ko
Publication of KR20200105268A publication Critical patent/KR20200105268A/ko
Application granted granted Critical
Publication of KR102255655B1 publication Critical patent/KR102255655B1/ko

Links

Images

Classifications

    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템이 개시된다. 상기의 방법은, 미리 준비된 기상관측자료를 토대로 특정 기상관측소에서 기설정된 분석 영역의 폭염사례일의 상세기온을 모의하는 단계, 폭염사례일의 상세평균복사온도를 모의하는 단계, 폭염사례일의 인지온도를 모의하는 단계, 상세기온과 상세평균복사온도의 모의 결과로 얻은 일 최고 인지온도를 특정 기상관측소의 대표지점인지온도와, 대표지점인지온도에 대한 분석영역의 미리 설정된 각 격자별 인지온도의 공간편차로 분리하는 단계, 및 특정 기상관측소의 상기 공간편차에 미리 계산된 모델 예측값을 대입하여 상세인지온도 예측값을 모의하는 단계를 포함한다.

Description

생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템{METHOD AND SYSTEM FOR FORECASTING THE PERCEIVED TEMPERATURE AND INCREASING RATE OF EXCESS MORTALITY ON URBAN RESIDENTIAL AND FOREST AREA USING BioCAS}
본 발명은 국지 앙상블 예측시스템(Limited-area ENSemble prediction system, LENS)과 도시미기후모델인 생명기후분석시스템(Bio Climate impact Assessment System, BioCAS)을 이용하여 폭염일 때 10m 해상도의 인지온도와 초과사망률을 표출하고, 특정 분석영역의 각 행정구역별 평균값과 주거지역 및 숲의 열 스트레스 위험도를 예측하고 그 지수를 공간분포도와 시계열로 가시화해주는 전산시스템 및 그 방법에 관한 것이다.
한국의 표준 기상관측 자료는 전국 유인관측소 23곳과 자동기상관측소 703개소 망에서 조밀하게 수집되고 있으나(2018년 기준), 도시 기후는 중규모 측면에서의 기후학적 요소보다 도시의 지표 특성이나 건물 밀집도 및 규모에 따라 국지적 기후 편차가 발생한다. 이러한 특성을 분석하기 위해 도시 미기후 관련 연구들은 수치모델, 지상관측, 통계모형 개발 방향으로 이뤄지고 있다.
현재 국립기상과학원에서는 다중규모 수치모델과 상세지면자료 분석모델이 결합된 독일 베를린 공대의 CAS(Climate impact Assessment System, 도시 기후 분석 시스템)를 서울지역 도시기후모의에 이용하고 있다. 이러한 CAS에 대한 고밀도 관측망을 통한 보정 및 검증결과, 5 ~ 25m의 고해상도의 기온을 모의함에도 정확도가 높음을 확인하였다.
한편, 폭염으로 인한 열 스트레스는 기온뿐만 아니라 일사량도 주요 영향인자로 작용한다. 스웨덴의 예테보리(Gothenburg) 대학에서 개발된 SOLWEIG(the solar and long-wave environmental irradiance geometry) 모델은 CAS와 같이 상세 지면자료(토지피복, 건물 및 식생 높이, 지형 등)를 이용하여 3차원 태양복사플럭스와 건물 및 식생에 의해 발생하는 그림자 패턴 변화에 따른 평균복사온도(Tmrt)를 모의한다. 이 변수와 CAS로 모의한 상세기온(10m 공간해상도, 이후 이 해상도의 온도를 상세온도라고 명명함)을 인체수지모델 KMM(Klima-Michel model)에 적용하면 폭염지수인 인지온도를 고해상도로 산출할 수 있다.
국립기상과학원에서는 상기 모델들을 결합하여 고해상도 생명기후분석시스템 BioCAS(Bio Climate impact Assessment System, BioCAS)를 개발하였다. BioCAS는 도시지면특성과 건물구조 영향을 반영하여 기상청 수치예보나 자동기상관측망에 비해 높은 정밀도와 정확도로 열 스트레스 분석이 가능하다는 장점이 있으나, 고해상도 모델로 구동시간이 오래 걸려 실시간으로 예측 값 모의가 어렵다는 단점이 있다.
본 발명은 상술한 문제를 해결하기 위하여 도출된 것으로, 미리 준비된 기상관측자료(예컨대 2000년부터 2017년까지의 기상관측자료)에 기초한 폭염기간동안 BioCAS로 모의된 일 최고 인지온도를 대표지점 인지온도 즉, 대표지점값(PTref)과 이 값에 대한 분석영역 내 각 격자별 인지온도의 공간편차(DPT)로 분리하고, 대표지점 인지온도는 기상청의 국지 앙상블 예측시스템(Limited-area ENSemble prediction system, LENS)으로 모의되는 일 최고 인지온도 예측 값을 적용하여, 실시간으로 혹은 단시간 내 고해상도 인지온도를 예측하고 초과사망률과 함께 격자별 혹은 행정구역별로 주거지역과 숲의 인지온도의 평균값을 제공할 수 있는 방법 및 시스템을 제공하는데 그 주된 목적이 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법은, 미리 준비된 기상관측자료를 토대로 특정 기상관측소에서 기설정된 분석 영역의 폭염사례일의 상세기온을 모의하는 단계; 상기 폭염사례일의 상세평균복사온도를 모의하는 단계; 상기 폭염사례일의 인지온도를 모의하는 단계; 상기 상세기온과 상기 상세평균복사온도의 모의 결과로 얻은 일 최고 인지온도를 상기 특정 기상관측소의 대표지점인지온도와, 상기 대표지점인지온도에 대한 상기 분석 영역의 미리 설정된 각 격자별 인지온도의 공간편차로 분리하는 단계; 및 상기 특정 기상관측소의 상기 공간편차에 미리 계산된 모델 예측값을 대입하여 상세인지온도 예측값을 모의하는 단계를 포함한다.
일실시예에서, 인지온도 및 초과사망증가율 예측 방법은, 상기 상세인지온도 예측값을 모의하는 단계 후에, 폭염 지속기간에 따른 누적규모와 지연효과를 반영하여 초과사망증가율을 예측하는 단계를 더 포함할 수 있다.
일실시예에서, 상기 인지온도에 따른 상기 초과사망증가율의 계산을 위해 입력되는 폭염규모는, 폭염사례기간 동안 미리 설정된 임계값을 초과한 누적온도로서, 상기 특정 기상관측소의 폭염규모 값과 지속기간 및 상기 공간편차를 이용하여 계산될 수 있다.
일실시예에서, 인지온도 및 초과사망증가율 예측 방법은, 상기 상세인지온도 예측값에 따라 상세결과를 라이브러리 형식으로 선택하여 표출하는 단계를 더 포함할 수 있다.
일실시예에서, 상기 표출하는 단계는 미리 준비된 상세지면자료 내 토지피복도의 토지피복 비율에 따라 정의된 주거지역과 숲 지역에 대하여 인지온도를 각각 추출하여 표출할 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 시스템은, 미리 준비된 기상관측자료를 토대로 특정 기상관측소에서 기설정된 분석 영역의 폭염사례일의 상세기온을 모의하는 제1 모듈; 상기 폭염사례일의 상세평균복사온도를 모의하는 제2 모듈; 상기 폭염사례일의 인지온도를 모의하는 제3 모듈; 상기 상세기온과 상기 상세평균복사온도의 모의 결과로 얻은 일 최고 인지온도를 상기 특정 기상관측소의 대표지점인지온도와, 상기 대표지점인지온도에 대한 상기 분석 영역의 미리 설정된 각 격자별 인지온도의 공간편차로 분리하는 제4 모듈; 및 상기 특정 기상관측소의 상기 공간편차에 미리 계산된 모델 예측값을 대입하여 상세인지온도 예측값을 모의하는 제5 모듈을 포함한다.
일실시예에서, 인지온도 및 초과사망증가율 예측 시스템은, 상기 상세인지온도 예측값이 모의된 후에, 폭염 지속기간에 따른 누적규모와 지연효과를 반영하여 초과사망증가율을 예측하는 제6 모듈을 더 포함할 수 있다.
일실시예에서, 인지온도 및 초과사망증가율 예측 시스템은, 상기 상세인지온도 예측값에 따라 상세결과를 라이브러리 형식으로 선택하여 표출하는 제7 모듈을 더 포함할 수 있다.
일실시예에서, 인지온도 및 초과사망증가율 예측 시스템은, 프로그램을 저장하는 메모리; 및 상기 메모리에 연결되어 상기 프로그램을 수행하는 프로세서;를 포함하며, 상기 프로세서는 상기 프로그램에 의해 상기 제1 모듈 내지 상기 제7 모듈을 탑재하고 각 모듈의 기능을 수행할 수 있다.
여기서, 상기 프로세서는 상기 인지온도에 따른 상기 초과사망증가율의 계산에 사용되는 폭염규모를, 폭염사례기간 동안 미리 설정된 임계값을 초과한 누적온도로서, 상기 특정 기상관측소의 폭염규모 값과 지속기간 및 상기 공간편차를 이용하여 계산할 수 있다.
또한, 상기 프로세서는 미리 준비된 상세지면자료 내 토지피복도의 토지피복 비율에 따라 정의된 주거지역과 숲 지역에 대하여 인지온도를 각각 추출하여 표출할 수 있다.
전술한 본 발명의 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템을 사용하는 경우에는, 폭염일 때 고해상도(10m 해상도)의 인지온도와 초과사망률을 표출하고, 분석영역(서울)의 각 행정구역(구·동)별 인지온도 평균값과 주거지역과 숲의 열 스트레스 위험도를 예측하고, 그 지수를 공간분포도와 시계열로 가시화해 주는 전산시스템과 그 방법을 제공할 수 있다.
또한, 본 발명에 의하면, 특정 기상관측소의 예측 인지온도에 따라 상세결과(모델 예측값에 의한 상세인지온도와 초과사망증가율 예측값)를 선택하여 표출할 수 있는 라이브러리 형식의 실시간 기상예보 방법 및 시스템을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 인지온도 및 초과사망증가율 예측 방법에 채용할 수 있는, 인지온도 및 초과사망증가율 라이브러리 생산에 대한 예시도이다.
도 2는 도 1의 방법에 채용할 수 있는, 분석영역 내 각 격자별 건물(a)과 키 큰 식생 토지이용도 비율(b)에 대한 예시도이다.
도 3은 도 1의 방법에 채용할 수 있는, 분석영역 내 행정구역별 인지온도 분석 결과 저장 형식에 대한 예시도이다.
도 4는 도 1의 방법에 채용할 수 있는, 웹 기반 상세인지온도 및 초과사망증가율 표출 화면에 대한 예시도이다.
도 5는 본 발명의 다른 실시예에 따른 인지온도 및 초과사망증가율 예측 시스템에 대한 개략적인 블록도이다.
이하 본 발명의 바람직한 실시예를 도면을 참조하여 설명하기로 한다.
본 명세서에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 일실시예에 따른 인지온도 및 초과사망증가율 예측 방법에 채용할 수 있는, 인지온도 및 초과사망증가율 라이브러리 생산에 대한 예시도이다. 도 2는 도 1의 방법에 채용할 수 있는, 분석영역 내 각 격자별 건물(a)과 키 큰 식생 토지이용도 비율(b)에 대한 예시도이다. 도 3은 도 1의 방법에 채용할 수 있는, 분석영역 내 행정구역별 인지온도 분석 결과 저장 형식에 대한 예시도이다. 그리고 도 4는 도 1의 방법에 채용할 수 있는, 웹 기반 상세인지온도 및 초과사망증가율 표출 화면에 대한 예시도이다.
본 실시예에 따른 인지온도 및 초과사망증가율 예측 시스템은 도 1에 도시한 바와 같이 미리 분비된 표준 기상관측 자료에서 획득한 폭염사례일 동안 CAS 모델로 상세기온을 모의하는 모듈, SOLWEIG 모델로 상세평균복사온도을 모의하는 모듈, Klima-Michel 모델(KMM)로 상세 인지온도를 모의하는 모듈, 일 최고 인지온도를 그 대표지점 인지온도 즉 대표지점값(PTref)과 이 값에 대한 분석영역 내 각 격자별 인지온도의 공간편차(DPT)로 분리하는 모듈, 대표지점의 LENS 기반 예측 인지온도와 DPT를 이용한 분석영역 또는 분석영역 내 특정 지점의 상세인지온도와 초과사망률 예측을 라이브러리 형식으로 생성하는 모듈을 구비할 수 있다. 이러한 모듈에 대하여는 아래에서 상세히 설명될 것이다(도 5 참조).
본 실시예에서는 대표지점으로서 서울기상관측소를 예를 들어 설명하나, 본 발명이 이에 한정되는 것은 아니다.
상술한 인지온도 및 초과사망증가율 예측을 위하여, 미리 준비된 기상관측자료를 토대로 평균 폭염기후 분석을 수행한다(S10). 기상관측자료는 2000년에서 2017년까지의 평균 폭염기후 분석 데이터를 포함할 수 있다.
평균 폭염기후 분석 과정을 좀더 구체적으로 설명하면, 첫 번째로 폭염사례일 상세기온을 모의한다(S11). 상세기온은 CAS 모델(간략히 CAS)로 모의될 수 있다. 폭염사례일은 미리 준비된 기상관측자료(예컨대 2000년부터 2017년 여름동안(6월~9월))에서 일 최고기온이 30℃를 넘어서고 그 시각 풍속이 2m/s 미만인 날로 정의할 수 있다. 분석영역은 미리 설정된 대표지점를 기준으로 50km * 40km 영역이며, 분석영역에 대한 기상관측자료로는 10m 수평해상도로 변환한 상세지면자료(토지피복도, 수치지형도, 수치지면도)와 대표지점의 기상자료(기온, 풍속)가 사용된다.
분석영역의 상세기온(T i,j )은 하기의 수학식 1과 같이 서울기상관측소의 기온(T ref )과 공간편차(TD i,j )의 합으로 표현할 수 있다.
Figure pat00001
수학식 1에서, i는 1 내지 5000 중에서 선택되는 임의의 자연수, j는 1 내지 4000 중에서 선택되는 임의의 자연수이다.
두 번째로 폭염사례일 상세평균복사온도를 모의한다(S12). 상세평균복사온도는 SOLWEIG 모델(간략히 SOLWEIG)로 모의될 수 있다. SOLWEIG 모델도 CAS와 같이 10m 수평해상도의 상세지면자료와 서울기상관측소 지점의 기상자료를 사용하여 구동된다. 이때, 상세지면자료는 토지피복도, 수치지형도, 수치지면도, 식생높이를 포함하고, 기상자료는 기온, 풍속, 전천일사량을 포함한다.
세 번째로 폭염사례일 상세인지온도를 모의한다(S13). 폭염사례일 상세인지온도는 일 최고 인지온도로서 폭염일의 15시 상세기온과 상세평균복사온도, 서울기상관측소의 풍속과 이슬점온도를 Klima-Michel 모델(KMM)에 적용하여 모의할 수 있다.
다음으로 위의 과정을 통해 모의된 일 최고 인지온도를 서울기상관측소 인지온도(PT ref )와 공간편차(DPT i,j )로 분리한다(S14, S15). 이러한 분리 분석 과정은 수학식 2와 같이 표현될 수 있다.
Figure pat00002
수학식 2에서, i는 1 내지 5000 중에서 선택되는 임의의 자연수, j는 1 내지 4000 중에서 선택되는 임의의 자연수이다.
상기의 분리 분석 과정에서 도출한 인지온도의 공간편차(DPT)를 계산하는데 있어서 대표지점(서울기상관측소) 인지온도(PTref)의 관측값 대신에 미리 준비된 모델 예측값(PT pred )을 대입하면 분석영역에 대한 상세인지온도 및 초과사망률 예측값을 모의할 수 있다(S30).
본 실시예의 상기 단계(S30)에서는 모델 예측값(PTpred)을 대표지점(서울기상관측소)의 관측값으로 계산된 인지온도와 바이어스 편의 보정된 LENS 모델 기반 인지온도를 적용할 수 있다(S20).
또한, 본 실시예에서는 분석역역 내 행정구역(구·동)별로 주거지역과 숲 지역의 인지온도 정보를 제공하기 위해, 상세지면자료의 토지피복도에 기초하여 토지피복 비율로 두 지역(주거지역과 숲 지역)을 정의하고, 각 지역에 대한 인지온도와 예측 초과사망증가율을 구분하여 추출할 수 있다(S40, S50).
도 2의 (a)는 분석영역 내 미리 구분된 영역에 대응하는 각 격자의 500m 반경 이내의 건물 비율(fBS)을 나타내고, 도 2의 (b)는 분석영역 내 키 큰 식생의 비율(fTV)을 나타낸다. 본 실시예에서 주거지역은 fBS가 50%이상, 숲 지역은 fTV가 99%이상인 지역으로 정의된다. 또한, 본 실시예의 시스템에 사용된 CAS 모델(CAS_v2016)과 SOLWEIG 모델(SOLWEIG_v2013a)은 수면 위 대기환경을 모의하지 못하므로 수역 인지온도는 결측값으로 처리된다.
본 실시예의 시스템은, 고해상도 폭염정보를 빠르게 예측하여 표출하기 위해, 서울기상관측소의 예측 인지온도에 따라 상세결과를 선택하여 표출하는 라이브러리 형식으로 구축될 수 있다. 이를 위해, 폭염기후 범위에 따른 인지온도의 공간분포도와 행정구역별 주거지역과 숲의 인지온도 값은 시스템 운영 전에 시스템의 저장부나 메모리에 미리 저장될 수 있다. 그 경우, 예측 인지온도에 따라 선택되는 상세결과 데이터의 표출범위는 39℃부터 50℃까지 0.1℃간격이며, 파일명은 'PT_기준온도_10m.ASC'로 생성될 수 있다.
예를 들어, 도 3의 (a)에 나타낸 바와 같이, 행정구역별 인지온도는 'PT_lc_기준온도C_A행정구역코드.ASC' 파일로 저장되고, 행정구역코드 11000 파일에는 서울 25개 구의 행정구역명, 행정구역 코드번호(code1, code2), 구 평균 인지온도(whole), 주거지역 인지온도(residence), 숲 인지온도(forest) 순으로 저장될 수 있다. 본 실시예에서는 종로구(Jongno-gu), 중구(Jung-gu) 및 용산구(Yongsan-gu)를 예시하고 있다.
또한, 도 3의 (b)에 나타낸 바와 같이, 행정구역 코드가 11010부터 11250까지는 구 단위 행정구역번호로 각 구의 동 평균 인지온도, 주거지역 인지온도, 숲 인지온도 순으로 기입되어 저장될 수 있다. 본 실시예에서는 월계1동(Wolgye 1-dong), 공릉1동(Gongneung 1-dong), 월계3동에 대하여 예시하고 있다.
또한, 본 실시예에서 폭염 초과사망률은 폭염 지속기간에 따른 누적규모와 지연효과를 반영하여 그 신뢰도와 정확성을 높일 수 있다. 이를 위해, 본 실시예에 따른 방법에서는 Scherer et. al.(2014)의 사례기반 폭염 취약성 분석법으로 폭염 임계온도와 초과사망율 추정모델을 구축하여 이용할 수 있다.
서울 여름기후 자료(2000년-2016년)를 적용하여 모의한 결과, 임계온도는 39℃, 초과사망율(pHS) 모형은 하기의 수학식 3 및 수학식 4일 때 모의 성능이 가장 우수한 것으로 분석되었다.
Figure pat00003
Figure pat00004
위의 수학식 3 및 수학식 4에서 초과사망률은 폭염사례기간 동안 일평균사망률(
Figure pat00005
)에서 기초사망률(p0)을 초과한 값이며, 폭염규모(Mevt1)는 폭염사례기간 동안 임계값을 초과한 누적온도, 기초사망률은 폭염규모가 0일 때 발생하는 사망률로 6.83(10-6명/일), c1은 폭염규모에 따른 일 평균사망 증가율로 2.31이다.
미리 준비된 기상관측자료의 여름기후(2000-2016년)동안 서울기상관측소 인지온도에 따른 최대 초과사망률은 4.8 (10-6명/일)이다. 본 실시예의 시스템에서는 일별 초과사망률의 변화 및 위험도를 효과적으로 전달하기 위해 기초사망률에 대한 초과사망률의 비율(I_REM)을 하기의 수학식 5와 같이 계산하여 표출할 수 있다.
Figure pat00006
초과사망률과 초과사망증가율에 입력되는 폭염규모(M)는 폭염기간동안 누적값이 필요하기 때문에, 2차원 데이터의 경우에는 분석영역 내에서 구분되는 구역별에 대응하는 각 격자별 전날 폭염규모 정보가 별도로 계산되어 한 지점 자료보다 수천 배의 추가 연산시간 및 전산자원이 소모된다. 이에 본 실시예에서는 하기의 수학식 6을 사용하여 간편하고 빠르게 폭염규모를 계산한다.
Figure pat00007
수학식 6에 의하면, 본 실시예의 방법 및 이를 이용하는 시스템은 대표지점(서울기상관측소)의 폭염규모 값과 그 지속기간, 인지온도 공간편차(DPT) 만으로 폭염규모를 빠르고 간편하게 계산할 수 있다.
인지온도에 따른 초과사망증가율의 결과 값은 폭염규모가 0.0 ~ 189.9℃ 범위의 0.1℃ 간격, 지속기간은 1 ~ 40일 범위의 1일 간격으로 표출할 수 있다. 본 실시예에서 세 인지온도 공간분포도와 동일하게 토지이용도가 물인 지역은 삭제될 수 있다. 그리고 상기 결과 값은 'REM_위험요소_D지속일수_M규모_A행정구역코드.ASC'의 파일명으로 저장될 수 있다.
위에서 도 1 내지 도 3을 참조하여 설명한 과정으로 생산된 인지온도와 초과사망증가율 예측값 공간분포도와 행적구역별(구·동) 평균값, 주거지역 및 숲의 평균값 등은 도 4에 도시한 바와 같은 웹기반 시스템을 통해 표출될 수 있다.
공간분포도는 5km * 4km 영역이 10m 수평격자해상도(5000*4000픽셀)로 저장되어 입출력장치 혹은 디스플레이 장치(310)에서 지도를 확대해서 자세한 분포도를 볼 수 있도록 구현될 수 있다. 행정구역별 평균값은 공간분포도와 막대그래프로 수치를 확인할 수 있도록 구현될 수 있으며, 주거지역과 숲의 평균값은 막대그래프 위에 산점도 형태로 표출되어 비교 분석할 수 있도록 구현될 수 있다. 그리고 행정구역 공간분포도에서 관심지역(구)을 선택하면 동별 공간분포도와 막대그래프도 확인 가능하도록 구현될 수 있다.
도 5는 본 발명의 다른 실시예에 따른 인지온도 및 초과사망증가율 예측 시스템에 대한 개략적인 블록도이다.
도 5를 참조하면, 본 실시예에 따른 인지온도 및 초과사망증가율 예측 시스템(100)은, 프로세서(110), 메모리(120) 및 인터페이스(130)를 구비한다. 프로세서(110)는 프로그램을 저장하는 메모리(120)에 연결되어 프로그램을 구동하고, 구동되는 프로그램에 의해 탑재된 각 모듈의 기능을 수행할 수 있다.
프로세서(110)에 탑재되는 모듈들은, 미리 준비된 기상관측자료를 토대로 특정 기상관측소에서 기설정된 분석 영역의 폭염사례일의 상세기온을 모의하는 제1 모듈(111, '상세기온모의모듈'에 대응함), 폭염사례일의 상세평균복사온도를 모의하는 제2 모듈(112, '평균복사온도모의모듈'에 대응함), 폭염사례일의 상세인지온도를 모의하는 제3 모듈(113, '인지온도모의모듈'에 대응함), 상세기온과 상세평균복사온도의 모의 결과로 얻은 일 최고 인지온도를 특정 기상관측소의 대표지점인지온도와, 대표지점인지온도에 대한 분석 영역의 미리 설정된 각 격자별 인지온도의 공간편차로 분리하는 제4 모듈(114, '값-편차분리모듈'에 대응함), 대표지점 혹은 특정 기상관측소의 공간편차에 미리 계산된 모델 예측값을 대입하여 상세인지온도 예측값을 모의하는 제5 모듈(115, '상세인지온도예측모듈'에 대응함), 상세인지온도 예측값이 모의된 후에, 폭염 지속기간에 따른 누적규모와 지연효과를 반영하여 초과사망증가율을 예측하는 제6 모듈(116, '초과사망증가율예측모듈'에 대응함), 상세인지온도 예측값에 따라 상세결과를 라이브러리 형식으로 선택하여 표출하는 제7 모듈을 포함할 수 있다. 제7 모듈은 라이브러리 생성 모듈(117)과 표출처리모듈(118)을 구비할 수 있다.
각 모듈의 채용가능한 구성과 기능에 대한 설명은 도 1 내지 도 4를 참조한 전술한 설명과 중복되므로 생략하기로 한다.
인터페이스(130)는 프로세서(110)나 메모리(120)를 네트워크에 연결하여 인지온도 및 초과사망증가율 예측값 등의 분석 결과를 웹서버 등에 전달하는 등 네트워크 상의 장치와의 신호 및 데이터의 송수신을 담당하도록 구현될 수 있다.
전술한 프로세서(110)는 인지온도에 따른 초과사망증가율의 계산에 사용되는 폭염규모를, 폭염사례기간 동안 미리 설정된 임계값을 초과한 누적온도로서, 특정 기상관측소의 폭염규모 값과 지속기간 및 공간편차를 이용하여 계산할 수 있다. 이에 의하면, 본 실시예의 시스템에서 계산 복잡도를 크게 감소시키고 계산에 필요한 전산 용량의 부담을 크게 경감시킬 수 있다.
또한, 전술한 프로세서(110)는 미리 준비된 상세지면자료 내 토지피복도의 토지피복 비율에 따라 정의된 주거지역과 숲 지역에 대하여 인지온도를 각각 추출하여 표출할 수 있다. 이에 의하면, 본 실시예의 시스템에서는 고해상도의 각 격자 내 주거지역 및 숲 지역을 구분하여 인지온도 및 초과사망증가율을 표출하여 정보 해독성과 사용자 편의성을 크게 향상시킬 수 있는 장점이 있다.
상기에서는 본 발명의 바람직한 실시예들에 관하여 설명하였지만, 본 발명의 기술분야에서 통상의 지식을 가진 사람이라면 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다.

Claims (9)

  1. 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법으로서,
    미리 준비된 기상관측자료를 토대로 특정 기상관측소에서 기설정된 분석 영역의 폭염사례일의 상세기온을 모의하는 단계;
    상기 폭염사례일의 상세평균복사온도를 모의하는 단계;
    상기 폭염사례일의 인지온도를 모의하는 단계;
    상기 상세기온과 상기 상세평균복사온도의 모의 결과로 얻은 일 최고 인지온도를 상기 특정 기상관측소의 대표지점인지온도와, 상기 대표지점인지온도에 대한 상기 분석 영역의 미리 설정된 각 격자별 인지온도의 공간편차로 분리하는 단계;
    상기 특정 기상관측소의 상기 공간편차에 미리 계산된 모델 예측값을 대입하여 상세인지온도 예측값을 모의하는 단계;
    를 포함하는 인지온도 및 초과사망증가율 예측 방법.
  2. 청구항 1에 있어서,
    상기 상세인지온도 예측값을 모의하는 단계 후에, 폭염 지속기간에 따른 누적규모와 지연효과를 반영하여 초과사망증가율을 예측하는 단계를 더 포함하는 인지온도 및 초과사망증가율 예측 방법.
  3. 청구항 2에 있어서,
    상기 인지온도에 따른 상기 초과사망증가율의 계산을 위해 입력되는 폭염규모는 폭염사례기간 동안 미리 설정된 임계값을 초과한 누적온도로서 상기 특정 기상관측소의 폭염규모 값과 지속기간 및 상기 공간편차를 이용하여 계산되는 인지온도 및 초과사망증가율 예측 방법.
  4. 청구항 1 내지 3 중 어느 한 항에 있어서,
    상기 상세인지온도 예측값에 따라 상세결과를 라이브러리 형식으로 선택하여 표출하는 단계를 더 포함하는 인지온도 및 초과사망증가율 예측 방법.
  5. 청구항 4에 있어서,
    상기 표출하는 단계는 미리 준비된 상세지면자료 내 토지피복도의 토지피복 비율에 따라 정의된 주거지역과 숲 지역에 대하여 인지온도를 각각 추출하여 표출하는 인지온도 및 초과사망증가율 예측 방법.
  6. 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 시스템으로서,
    미리 준비된 기상관측자료를 토대로 특정 기상관측소에서 기설정된 분석 영역의 폭염사례일의 상세기온을 모의하는 제1 모듈;
    상기 폭염사례일의 상세평균복사온도를 모의하는 제2 모듈;
    상기 폭염사례일의 인지온도를 모의하는 제3 모듈;
    상기 상세기온과 상기 상세평균복사온도의 모의 결과로 얻은 일 최고 인지온도를 상기 특정 기상관측소의 대표지점인지온도와, 상기 대표지점인지온도에 대한 상기 분석 영역의 미리 설정된 각 격자별 인지온도의 공간편차로 분리하는 제4 모듈; 및
    상기 특정 기상관측소의 상기 공간편차에 미리 계산된 모델 예측값을 대입하여 상세인지온도 예측값을 모의하는 제5 모듈;
    을 포함하는 인지온도 및 초과사망증가율 예측 시스템.
  7. 청구항 6에 있어서,
    상기 상세인지온도 예측값이 모의된 후에, 폭염 지속기간에 따른 누적규모와 지연효과를 반영하여 초과사망증가율을 예측하는 제6 모듈을 더 포함하는 인지온도 및 초과사망증가율 예측 시스템.
  8. 청구항 6 또는 7에 있어서,
    상기 상세인지온도 예측값에 따라 상세결과를 라이브러리 형식으로 선택하여 표출하는 제7 모듈을 더 포함하는 인지온도 및 초과사망증가율 예측 시스템.
  9. 청구항 8에 있어서,
    프로그램을 저장하는 메모리; 및
    상기 메모리에 연결되어 상기 프로그램을 수행하는 프로세서;를 포함하며,
    상기 프로세서는 상기 프로그램에 의해 상기 제1 모듈 내지 상기 제7 모듈을 탑재하고 각 모듈의 기능을 수행하며,
    상기 프로세서는 상기 인지온도에 따른 상기 초과사망증가율의 계산에 사용되는 폭염규모를, 폭염사례기간 동안 미리 설정된 임계값을 초과한 누적온도로서, 상기 특정 기상관측소의 폭염규모 값과 지속기간 및 상기 공간편차를 이용하여 계산하며,
    상기 프로세서는 미리 준비된 상세지면자료 내 토지피복도의 토지피복 비율에 따라 정의된 주거지역과 숲 지역에 대하여 인지온도를 각각 추출하여 표출하는 인지온도 및 초과사망증가율 예측 시스템.
KR1020190024228A 2019-02-28 2019-02-28 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템 KR102255655B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190024228A KR102255655B1 (ko) 2019-02-28 2019-02-28 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190024228A KR102255655B1 (ko) 2019-02-28 2019-02-28 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200105268A true KR20200105268A (ko) 2020-09-07
KR102255655B1 KR102255655B1 (ko) 2021-05-25

Family

ID=72472198

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190024228A KR102255655B1 (ko) 2019-02-28 2019-02-28 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102255655B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220061759A (ko) 2020-11-06 2022-05-13 홍익대학교 산학협력단 상가 공실률 예측을 위한 lstm 기반의 공간 분석방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170033711A (ko) * 2015-09-17 2017-03-27 한국외국어대학교 연구산학협력단 도시 개발 대상지역의 미래 기후환경 변화 예측 분석시스템 및 이를 이용한 기후 환경 변화 예측 분석 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170033711A (ko) * 2015-09-17 2017-03-27 한국외국어대학교 연구산학협력단 도시 개발 대상지역의 미래 기후환경 변화 예측 분석시스템 및 이를 이용한 기후 환경 변화 예측 분석 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문:MILOSLAV BELORID 외 4명* *
논문:김규랑 외 6명* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220061759A (ko) 2020-11-06 2022-05-13 홍익대학교 산학협력단 상가 공실률 예측을 위한 lstm 기반의 공간 분석방법

Also Published As

Publication number Publication date
KR102255655B1 (ko) 2021-05-25

Similar Documents

Publication Publication Date Title
Almeida et al. Comparative study of PV power forecast using parametric and nonparametric PV models
KR101721695B1 (ko) 도시 개발 대상지역의 미래 기후환경 변화 예측 분석시스템 및 이를 이용한 기후 환경 변화 예측 분석 방법
Kodysh et al. Methodology for estimating solar potential on multiple building rooftops for photovoltaic systems
CN112308292B (zh) 一种火灾风险等级分布图的绘制方法
Zadra et al. The next Canadian regional climate model
Cimini et al. Towards the profiling of the atmospheric boundary layer at European scale—introducing the COST Action PROBE
KR20190057013A (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
Değirmenci et al. MCDM analysis of wind energy in Turkey: decision making based on environmental impact
US20100100328A1 (en) System and Method for Generating a Cloud Type and Coverage Prediction Database
Lefèvre et al. The HelioClim-1 database of daily solar radiation at Earth surface: an example of the benefits of GEOSS Data-CORE
KR20070038058A (ko) 비정형 격자를 통한 기상 예보 방법 및 시스템
Chias et al. Wind farms: GIS-based visual impact assessment and visualization tools
Hanslian et al. Combining the VAS 3D interpolation method and Wind Atlas methodology to produce a high-resolution wind resource map for the Czech Republic
Du et al. Development of a REST API for obtaining site-specific historical and near-future weather data in EPW format
Larraondo et al. Automating weather forecasts based on convolutional networks
KR102255655B1 (ko) 생명기후분석시스템 기반 도시의 주거지역과 숲의 인지온도 및 초과사망증가율 예측 방법 및 시스템
da Silva et al. Forecast of convective events via hybrid model: WRF and machine learning algorithms
Robertson Wave energy assessments: quantifying the resource and understanding the uncertainty
KR102002593B1 (ko) 특정공간에서의 유해기체 확산 해석 방법 및 장치
JP7224133B2 (ja) インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム
Bauman III et al. Applied Meteorology Unit-Operational Contributions to Spaceport Canaveral
Charlton-Perez et al. Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciarán
Huertas-Tato et al. Predicting global irradiance combining forecasting models through machine learning
Salahi et al. An evaluation of Delta and SDSM Downscaling Models for simulating and forecasting of average wind velocity in Sistan, Iran
KR102168427B1 (ko) 지역별 공간 특성이 반영되는 규모 상세화 방법

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant