KR20230059237A - 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템 - Google Patents

파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템 Download PDF

Info

Publication number
KR20230059237A
KR20230059237A KR1020210143209A KR20210143209A KR20230059237A KR 20230059237 A KR20230059237 A KR 20230059237A KR 1020210143209 A KR1020210143209 A KR 1020210143209A KR 20210143209 A KR20210143209 A KR 20210143209A KR 20230059237 A KR20230059237 A KR 20230059237A
Authority
KR
South Korea
Prior art keywords
observation
weather
city
predetermined
temperature
Prior art date
Application number
KR1020210143209A
Other languages
English (en)
Inventor
이동원
최희욱
이승욱
박성화
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 KR1020210143209A priority Critical patent/KR20230059237A/ko
Priority to US17/973,434 priority patent/US20230126678A1/en
Publication of KR20230059237A publication Critical patent/KR20230059237A/ko

Links

Images

Classifications

    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Environmental Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Remote Sensing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

도시 기상 관측 자료를 통합된 데이터베이스로 구축하기 위한 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법이 개시된다. 방법은, 복수의 도시 기상 관측망들로부터 수집된 원시 도시 기상 관측 자료들을, 도시 기상 관측망들 각각에 대해 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장하는 단계, 미리 결정된 기상 요소 및 분석 기간에 대해, 저장된 제1 파일들로부터 도시 기상 관측망들의 관측 지점별 데이터를 관측 시간 순서에 따라 추출하는 단계, 추출된 데이터에 포함된 관측값들 중 미리 결정된 마스킹 조건에 속하는 관측값들을 마스킹 처리하는 단계, 및 마스킹 처리된 데이터를 하나의 제2 파일로 저장하는 단계를 포함한다.

Description

파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템{SYSTEM AND METHOD FOR UNIFIED MANAGEMENT OF URBAN WEATHER DATABASE BASED ON PYTHON}
본 개시는 기상 데이터베이스의 통합 관리 방법 및 시스템에 관련된 것으로, 보다 구체적으로는 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 시스템에 관한 것이다.
현대에는 여러 나라에서 산업화 및 도시화가 진행됨에 따라, 도시에 거주하는 인구의 수가 매우 증가해왔다. 많은 인구가 밀집해 있는 도시에서는 해마다 이상 기상현상에 의해 사회적, 경제적 피해가 발생하고 있다. 또한, 폭염 및 한파와 같은 기상현상은 계절적 특징이 뚜렷한 중위도 지역에 위치하고 있는 우리나라의 냉난방 수요 및 그 이용 효율 등에도 영향을 미치고 있다. 이에 따라, 도시에서 발생하는 중규모 이하의 기상현상을 정확하게 분석하고, 이러한 도시 기상자료를 기반으로 하여 미래의 도시 기상현상을 예측하거나, 도시 인프라를 제어하는 것이 중요해지고 있다.
최근에, 우리나라의 국립기상과학원에서는 서울, 경기도 등 수도권 주요 지역에 다양한 기상 변수들을 측정할 수 있는 관측망을 구축하여, 이러한 도시 기상현상에 대한 정확한 관측 자료를 제공하기 위해 노력하고 있다.
그러나, 이러한 관측망들은 관측망마다 수집되는 자료의 종류가 상이하고, 집계 및 저장되는 데이터의 내용 등에 차이가 있어, 전반적인 도시 기상 관측자료에 접근하기 어렵게 만들고, 그 활용도가 낮은 한계가 있다.
본 개시의 일 목적은 서로 다른 도시 기상 관측망의 자료들을 일관되게 저장하는 도시 맞춤형 기상 데이터베이스를 구축하고 이를 통합적으로 관리하기 위한 방법 및 시스템을 제공하는 것이다.
본 개시의 일 실시예는, 도시 기상 관측 자료를 통합된 데이터베이스로 구축하기 위한 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법으로서, 복수의 도시 기상 관측망들로부터 수집된 원시 도시 기상 관측 자료들을, 상기 도시 기상 관측망들의 각각의 관측 지점별로 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장하는 단계와, 미리 결정된 기상 요소 및 분석 기간에 대해, 상기 저장된 제1 파일들로부터 상기 도시 기상 관측망들의 관측 지점별 데이터를 관측 시간 순서에 따라 추출하는 단계와, 상기 추출된 데이터에 포함된 관측값들 중 미리 결정된 마스킹 조건에 속하는 관측값들을 마스킹 처리하는 단계와, 상기 마스킹 처리된 데이터를 하나의 제2 파일로 저장하는 단계를 포함한다.
일 실시예에서, 상기 도시 기상 관측망들은, 기상 도로 관측망(RWI), 지표 에너지 수지망(SEB), 복합 센서망(IMS), 및 도심내 공원 관측망(UBG)을 포함할 수 있다.
일 실시예에서, 상기 미리 결정된 포맷은 CSV 포맷을 포함할 수 있다. 상기 제1 파일들은, 상기 도시 기상 관측망들에 포함된 모든 관측 지점들의 개수(n), 및 관측 기간들의 연 단위 개수(y)를 곱한 수(n×y)만큼 복수 개로 저장될 수 있다.
일 실시예에서, 상기 미리 결정된 기상 요소는, 기온, 풍향, 풍속, 최대풍향, 최대풍속, 일강수량, 기압, 강우감지, 시간강수량, 습도, 노면상태, 순복사, 전천복사, 반사복사, 수막두께, 염분농도, 일사량, 하향 단파복사, 상향 단파복사, 하향 장파복사, 상향 장파복사, 지중온도, 노면온도, 어는점 온도, 적외선표면온도, 접촉식 표면온도(남), 접촉식 표면온도(북), 순 단파복사, 순 장파복사, 알베도, 수증기압, 토양열속, 토양온도, 토양수분, 분당 평균 풍향, 분당 평균 풍속, 토양평균기온, 평균동서바람, 평균남북바람, 동서바람편차, 남북바람편차, 평균풍속편차, 평균토양수분, 일최고기온, 일최저기온, 일최고습도, 일최저습도, 일최대풍속, 및 일최대풍향으로 이루어진 군에서 선택되는 적어도 하나의 기상 요소를 포함할 수 있다.
일 실시예에서, 상기 미리 결정된 분석 기간은 연 단위의 기간을 포함할 수 있다.
일 실시예에서, 상기 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장하는 단계는, 관측 지점별로, 동일한 관측 시간에 하나의 기상 요소에 대해 복수의 관측값들이 존재하는 경우, 상기 기상 요소에 대해 상기 복수의 관측값들 중 하나만 저장하는 단계를 포함할 수 있다.
일 실시예에서, 상기 미리 결정된 마스킹 조건은, 상기 미리 결정된 기상 요소가 풍속인 경우, 상기 관측값들 중 음수인 값, 75를 초과하는 값, 및 직전 관측값과의 차이가 10을 초과하는 값을 결측값으로 마스킹하는 것을 포함할 수 있다. 상기 미리 결정된 기상 요소가 기온인 경우, 상기 관측값들 중 -90 미만인 값, 및 60을 초과하는 값을 결측값으로 마스킹하는 것을 포함할 수 있다. 상기 미리 결정된 기상 요소가 풍속 및 기온이 아닌 경우, 상기 관측값들 중 음수인 값을 결측값으로 마스킹하는 것을 포함할 수 있다.
일 실시예에서, 상기 제2 파일은, 상기 미리 결정된 기상 요소에 대해 전체 관측값들 중 상기 결측값이 아닌 값들의 비율을 더 포함할 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 시스템은, 도시 기상 관측 자료를 통합된 데이터베이스로 구축하기 위한 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 구현하도록 구성된다.
본 개시에 따른 도시 맞춤형 기상 데이터베이스를 통합적으로 관리하기 위한 방법 및 시스템에 따르면, 서로 다른 도시 기상 관측망에서 수집된 관측 자료들을 정렬된 통합된 자료로 저장할 수 있고, 이에 따라 사용자가 도시 기상자료에 쉽게 접근하고 이를 활용하게 할 수 있다.
도 1은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에서 사용되는 도시 기상 관측망의 지리적 분포를 도시한 도면이다.
도 2 내지 도 5는 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에 사용되는 도시 기상 관측망들의 원시 자료 구성을 예시적으로 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법의 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 개념적으로 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 사용하여 통합된 도시 맞춤형 기상 데이터베이스의 아키텍처를 개념적으로 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에 따라 구축된 기상 요소 데이터베이스의 일 예를 도시한 도면이다.
도 10은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 구현하기 위한 파이썬 기반의 의사코드를 나타내는 도면이다.
이하, 첨부된 도면들을 참조하여 본 개시의 실시예들을 상세하게 설명한다.
본 개시 전체에서 사용되는 용어들은 명시적으로 언급된 의미를 넘어서 맥락상 제안되거나 암시된 뉘앙스의 의미를 가질 수 있다.
본 개시에서 사용되는 "일 실시예에서" 또는 "예시적인 실시예에서" 등과 같은 문구는 반드시 동일한 실시예를 지칭하지는 않으며, "다른 실시예에서" 또는 "다른 예시적인 실시예에서" 등과 같은 문구는 반드시 다른 실시예를 지칭할 수도 있고 지칭하지 않을 수도 있다.
본 개시에서 사용되는 "및", "또는"이나 "및/또는"과 같은 용어는 그러한 용어가 사용되는 맥락에 적어도 부분적으로 의존할 수 있는 다양한 의미를 포함할 수 있다.
본 개시에서 사용되는 "하나 이상의"라는 용어는 적어도 부분적으로 문맥에 따라, 임의의 특징, 구조 또는 특성을 단수의 의미로 기술하기 위해 사용될 수 있거나, 또는 특징, 구조 또는 이들의 조합을 복수의 의미로 기술하는 데 사용될 수 있다.
또한, "~에 기초하여", "~에 반응하여", "~에 응답하여"라는 용어는 배타적인 요인의 집합을 전달할 의도가 아니라, 적어도 부분적으로 문맥에 따라 반드시 명시적으로 기술되지 않은 추가 요인의 존재를 허용할 수도 있다.
또한, 본 개시에서 사용되는 "제1", "제2" 등의 표현은 다양한 구성요소들을 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
다르게 정의되지 않는 한, 본 개시에서 사용되는 모든 기술 및 과학 용어는 통상의 기술자가 일반적으로 이해하는 것과 동일한 의미를 갖는다.
도 1은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에서 사용되는 도시 기상 관측망들의 지리적 분포를 도시한 도면이다.
도 1을 참조하면, 우리나라 국립기상과학원은 2018년부터 서울 및 수도권 지역의 다수의 위치에 다양한 기상요소들(온도, 습도, 풍향, 풍속, 기압, 강수량 등)을 측정하기 위한 관측기기들을 운영해오고 있다. 도시 지역의 기상 자료를 높은 공간 해상도로 획득하기 위한 이러한 관측망들은, 기상 도로 관측망(Road Weather Information, "RWI"), 지표 에너지 수지망(Surface Energy Balance, "SEB"), 복합 센서망(Intergrated Meteorological Sensor, "IMS"), 도심내 공원 관측망(Urban-Boundary-Green, "UBG") 등을 포함한다. 구체적으로, 기상도로관측망(RWI)은 도시의 도로기상 특성을 관측하고 분석하기 위해, 도로지면 및 그 주변에 설치되어 운영되는 관측망이다. 지표 에너지 수지망(SEB)은 도시의 에너지수지(순복사 에너지(net heat flux)) 등의 특성을 중점적으로 분석하기 위해. 수도권 내의 건물 및 주택의 옥상에 설치되어 운영되는 관측망이다. 복합 센서망(IMS)은 도시기상을 관측하기 위해 도시의 신호등 및 가로등에 설치되어 운영되는 관측망이다. 도심내 공원 관측망(UBG)은 도시의 녹지 주변의 기상환경 특성을 관측하고 분석하기 위해. 도심공원의 주변 도로 및 공원 내부에 설치되어 운영되는 관측망이다. 각각의 관측망들에 대한 관측 지점 위치는 표 1에 나타나 있다.
구분 번호 관측망 관측 지점 ID 위도 경도
1 RWI 101 37.3969 126.8602
2 RWI 102 37.3805 126.7265
3 RWI 110 37.6068 126.9738
4 RWI 111 37.6096 126.9919
5 RWI 113 37.5510 126.8833
... ... ... ... ...
36 UBG U5 37.508 127.038
37 UBG U6 37.501 127.051
38 UBG U7 37.505 127.049
39 UBG U8 37.508 127.056
40 UBG U9 37.509 127.058
이러한 관측망들은 기상 관측에 필요한 기본 요소인 온도, 습도, 풍향, 풍속을 공통적으로 관측하면서도, 각각의 관측망 운영 목적에 따라 서로 다른 추가적인 기상 요소들을 관측하도록 구성되어 있다. 예를 들어, RWI는 온도, 풍향, 풍속, 최대풍향, 최대풍속, 일강수량, 기압, 강우감지, 시간강수량, 습도, 노면상태, 순복사, 전천복사, 반사복사, 수막두께, 염분농도, 일사량, 하향 단파복사, 상향 단파복사, 하향 장파복사, 상향 장파복사, 지중온도, 노면온도, 어는점 온도 등을 관측하도록 구성된다.
예를 들어, SEB는 기압, 강우량, 적외선표면온도, 접촉식 표면온도(남), 접촉식 표면온도(북), 상향 단파복사, 하향 단파복사, 상향 장파복사, 하향 장파복사, 순 단파복사, 순 장파복사, 순 복사, 알베도, 순복사계 온도, 기온, 습도, 수증기압, 풍향, 풍속, 순간최대풍속, 기온, 습도, 수증기압, 토양열속, 토양온도, 토양수분 등을 관측하도록 구성된다.
예를 들어, IMS는 기압, 기온, 습도, 풍향, 풍속, 강우량 등을 관측하도록 구성된다.
예를 들어, UBG는 분당 평균 풍향, 최대 풍향, 분당 평균 풍속, 평균 풍속, 최대 풍속, 기온, 습도, 기압, 토양수분, 토양평균기온, 평균순복사량, 순복사량, 평균동서바람, 평균남북바람, 동서바람편차, 남북바람편차, 평균풍속편차, 평균토양수분, 일최대기온, 일최소기온, 일최대습도, 일최소습도, 일최대풍속, 일최대풍향 등을 관측하도록 구성된다.
이러한 관측망들로부터의 관측 자료들은 각 관측망의 자료 수집 형태, 방식에 따라 국립기상과학원이 관리하는 서버에 전송 및 누적되고 있다.
도 2 내지 도 5는 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에 사용되는 도시 기상 관측망들의 원시 자료 구성을 예시적으로 나타낸 도면이다.
도 2는 RWI 관측망으로부터 수집된 관측 자료의 일 예를 나타내고, 도 3은 SEB 관측망으로부터 수집된 관측 자료의 일 예를 나타내며, 도 4는 IMS 관측망으로부터 수집된 관측 자료의 일 예를 나타내고, 도 5는 UBG 관측망으로부터 수집된 관측 자료의 일 예를 나타낸다. 도 2 내지 도 5를 참조하면, 각각의 관측망으로부터 수집되는 관측 자료의 형식이 서로 상이한 것을 알 수 있다. 따라서, 서울 및 수도권의 관측 지점들의 도시 기상 관측 자료를 이용하여, 예컨대, 기온의 지리적 분포를 분석하기 위해서는, 이러한 상이한 관측 자료들을 각각 별도로 수집 및 처리해야만 하는 문제점이 있다.
도 6은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법의 흐름도이다. 도 7은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 개념적으로 도시한 도면이다.
도 6 및 도 7을 참조하면, 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법은, 도시 기상 관측 자료를 통합된 데이터베이스로 구축하기 위한 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법이다. 상기 방법은, 복수의 도시 기상 관측망들로부터 수집된 원시 도시 기상 관측 자료들을, 도시 기상 관측망들의 각각의 관측 지점별로 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장하는 단계(S11), 미리 결정된 기상 요소 및 분석 기간에 대해, 저장된 제1 파일들로부터 도시 기상 관측망들의 관측 지점별 데이터를 관측 시간 순서에 따라 추출하는 단계(S13), 추출된 데이터에 포함된 관측값들 중 미리 결정된 마스킹 조건에 속하는 관측값들을 마스킹 처리하는 단계(S15), 및 마스킹 처리된 데이터를 하나의 제2 파일로 저장하는 단계(S17)를 포함한다.
단계 S11에서는, 복수의 도시 기상 관측망들로부터 수집된 원시 도시 기상 관측 자료들을, 도시 기상 관측망들의 각각의 관측 지점별로 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장할 수 있다. 복수의 도시 기상 관측망들은, 국립기상과학원에서 운영하는 기상 도로 관측망(RWI), 지표 에너지 수지망(SEB), 복합 센서망(IMS), 도심내 공원 관측망(UBG) 등을 포함할 수 있다.
이 ‹š, 도시 기상 관측망들로부터 수집되는 원시 도시 기상 관측 자료들에는, 기상 요소들에 대응하는 변수들과, 해당 도시 기상 관측망을 구성하는 관측 지점들의 정보(예를 들어, 관측 지점 ID)가 포함될 수 있다. 이러한 기상 요소들 및 관측 지점 정보는 제1 파일들의 헤더 부분에 포함될 수 있다.
이에 따라, 어느 하나의 관측망의 원시 도시 기상 관측 자료들을, 전체 관측 기간에 대해 누적함으로써, 행(기상 요소들) 및 열(관측 시간에 따른 관측값들)로 나열된 형식의 자료로서, 관측 지점별로 저장할 수 있다. 이때, 저장되는 제1 파일들의 포맷은 CSV(comma separated value), TXT, DAT 등의 포맷일 수 있다.
일반적으로, 본 개시의 실시예들에서 사용되는 도시 기상 관측망들의 관측 시간 주기는 1분, 5분, 10분, 30분 등일 수 있으나, 이는 관측망들의 관측 주기에 따라 상이할 수 있다. 예를 들어, 기상 요소로서 일강수량의 경우, 24시간 단위로 관측값들이 수집될 수 있다.
한편, 단계 S11은, 관측 지점별로, 동일한 관측 시간에 하나의 기상 요소에 대해 복수의 관측값들이 존재하는 경우, 상기 기상 요소에 대해 상기 복수의 관측값들 중 하나만 저장하는 단계를 포함할 수 있다. 즉, 관측망으로부터의 데이터 통신 오류 등으로 인해, 도시 기상 관측망의 하나의 관측 지점으로부터 수집되는 기상 요소들에 대해, 동일한 관측 시간에 복수의 관측값들이 존재할 수 있는데, 이 경우, 하나의 관측값만 제1 파일 내의 데이터로서 저장되고, 다른 관측값들은 무시될 수 있다. 예를 들어, 동일한 관측 시간에 관측된 관측값들이 여러 쌍 존재하는 경우, 가장 먼저 수집된 관측 값들만 제1 파일 내의 데이터로서 저장될 수 있다.
이러한 과정을 각각의 도시 기상 관측망으로부터 수집된 자료들에 대해 모두 적용함으로써 복수의 제1 파일들이 저장될 수 있다. 구체적으로, 제1 파일들은, 도시 기상 관측망들에 포함된 모든 관측 지점들의 개수(n), 및 관측 기간들의 연 단위 개수(y)를 곱한 수(n×y)만큼 복수 개로 저장될 수 있다. 예를 들어, RWI, SEB, IMS, UBG의 4개의 관측망들에 포함된 모든 관측 지점들의 개수가 40개(n = 40)이고, 관측 기간이 2018년 1월 1일부터 2020년 12월 31일까지인 경우(y = 3), 총 120개의 CSV 포맷의 제1 파일들이 저장될 수 있다.
단계 S13에서는, 미리 결정된 기상 요소 및 분석 기간에 대해, 저장된 제1 파일들로부터 도시 기상 관측망들의 관측 지점별 데이터를 관측 시간 순서에 따라 추출할 수 있다.
여기서, 미리 결정된 기상 요소는, 기온, 풍향, 풍속, 최대풍향, 최대풍속, 일강수량, 기압, 강우감지, 시간강수량, 습도, 노면상태, 순복사, 전천복사, 반사복사, 수막두께, 염분농도, 일사량, 하향 단파복사, 상향 단파복사, 하향 장파복사, 상향 장파복사, 지중온도, 노면온도, 어는점 온도, 적외선표면온도, 접촉식 표면온도(남), 접촉식 표면온도(북), 순 단파복사, 순 장파복사, 알베도, 수증기압, 토양열속, 토양온도, 토양수분, 분당 평균 풍향, 분당 평균 풍속, 토양평균기온, 평균동서바람, 평균남북바람, 동서바람편차, 남북바람편차, 평균풍속편차, 평균토양수분, 일최고기온, 일최저기온, 일최고습도, 일최저습도, 일최대풍속, 및 일최대풍향으로 이루어진 군에서 선택되는 적어도 하나의 기상 요소를 포함할 수 있다.
여기서, 미리 결정된 분석 기간은 연 단위의 기간을 포함할 수 있다. 예를 들어, 분석 기간은, 2018년, 2019년, 및 2020년과 같이, 연 단위의 기간일 수 있다.
예를 들어, 파이썬 프로그래밍 언어를 기반으로, 데이터베이스를 구축하는 경우, 예컨대, 데이터베이스를 구축할 분석 기간을, ['2018', '2019', '2020']과 같은 리스트로 지정할 수 있고, 이에 대응하는 미리 결정된 기상 요소(예를 들어, 풍속)에 대한 관측값들을 제1 파일들로부터 추출할 수 있다.
단계 S15에서는, 추출된 데이터에 포함된 관측값들 중 미리 결정된 마스킹 조건에 속하는 관측값들을 마스킹 처리할 수 있다.
여기서, 미리 결정된 마스킹 조건은, 단계 S13에서 미리 결정된 기상 요소가 풍속인 경우, 추출된 관측값들 중 음수인 값, 75를 초과하는 값, 및 직전(예컨대, 10분전) 관측값과의 차이가 10을 초과하는 값을 결측값(예컨대, 9999, NaN 등)으로 마스킹하는 것일 수 있다.
추가적으로 또는 대안적으로, 미리 결정된 마스킹 조건은, 단계 S13에서 미리 결정된 기상 요소가 기온인 경우, 추출된 관측값들 중 -90 미만인 값, 및 60을 초과하는 값을 결측값으로 마스킹하는 것일 수 있다.
추가적으로 또는 대안적으로, 미리 결정된 마스킹 조건은, 단계 S13에서 미리 결정된 기상 요소가 풍속 및 기온이 아닌 경우, 추출된 관측값들 중 음수인 값을 결측값으로 마스킹하는 것일 수 있다.
이처럼, 실제 물리 세계에서 우리나라 도시 지역에서 발생하기 어려운 값을 관측값으로 갖고 있는 값들을 모두 결측된 값으로서 마스킹 처리함으로써, 실제 도시 기상 현상을 분석하는 데에 활용되는 도시 기상 관측 자료의 신뢰성을 향상시킬 수 있다. 또한, 데이터베이스를 이용하는 사용자가 별도의 필터링, 마스킹 등을 적용해야 하는 번거로움을 해결할 수 있다.
단계 S17에서는, 마스킹 처리된 데이터를 하나의 제2 파일로 저장할 수 있다. 제2 파일은 미리 결정된 기상 요소(예컨대, 풍속)에 대해 전체 관측값들(즉, 마스킹 처리되기 전의 모든 관측값들) 중 결측값이 아닌 값들(즉, 정상적인 관측값들)의 비율을 헤더 정보로서 더 포함할 수 있다. 예를 들어, 특정 관측 지점으로부터 수집된 기상 요소들의 관측값들 중 풍속의 경우, 2018년 1월 1일부터 2020년 12월 31일까지의 관측값들 중 결측값을 제외하면 전체 3년 분석 기간 중 80.76%의 관측값들만이 실제 관측값들이라는 것을 나타내는, 80.76의 수치가 헤더 정보에 포함될 수 있다.
도 8은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 사용하여 통합된 도시 맞춤형 기상 데이터베이스의 아키텍처를 개념적으로 도시한 도면이다. 도 8을 참조하면, 이러한 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에 의해 산출되는 도시 맞춤형 기상 데이터베이스는, 서로 다른 목적으로 운영되는 4개의 도시 기상 관측망들의 자료를 하나의 데이터베이스로 통합하는 방식으로 구현됨을 알 수 있다.
도 9는 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법에 따라 구축된 기상 요소 데이터베이스의 일 예를 도시한 도면이다. 도 9를 참조하면, RWI, SEB, IMS, UBG의 4개의 관측망들의 관측 지점들별로(열 제목), 헤더 파일로서 관측 지점의 ID, 위도(LAT), 경도(LON), 고도(height), 가용한 관측값들의 비율(usability)이 포함되고, 2018년 1월 1일 00시 00분부터 2020년 12월 31일 23시 59분까지 관측된 풍속의 관측값들이 하나의 파일(예컨대, CSV 파일)에 저장될 수 있다.
도 10은 본 개시의 일 실시예에 따른 도시 맞춤형 기상 데이터베이스의 통합 관리 방법을 구현하기 위한 파이썬 기반의 의사코드를 나타내는 도면이다. 도 10을 참조하면, 파이썬 프로그래밍 언어를 기반으로 하여, 서로 다른 도시 기상 관측망들로부터 수집된 도시 기상 관측 자료들을 원하는 기상 요소 및 분석 기간에 대한 데이터베이스로 구축할 수 있다.
이상에서 설명된 바와 같은, 본 개시의 실시예들에 따른 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법은 컴퓨팅 시스템에 의해 구현되도록 구성될 수 있다. 컴퓨팅 시스템은 예를 들어, 서버, 데스크톱, 노트북, 워크스테이션, PDA(personal digital assistants), 메인프레임, 하나 이상의 다양한 형태의 디지털 컴퓨팅 장치들 등을 포함할 수 있지만, 그에 제한되지 않는다.
컴퓨팅 시스템은 하나 이상의 프로세서(들), 하나 이상의 메모리(들) 등을 포함할 수 있다. 프로세서, 메모리 등 각각은 다양한 유무선 통신 수단 및/또는 버스들을 이용하여 상호연결될 수 있다. 실시예들에 따라, 다수의 프로세서들 및/또는 다수의 메모리들이 사용되거나, 다수의 컴퓨팅 장치들이 통신 가능하게 연결될 수 있다. 각각의 컴퓨팅 장치들은 예를 들어, 서버, 서버들의 그룹, 또는 다중 프로세서 시스템으로서, 필요한 동작들의 일부를 제공할 수 있다. 복수의 기능 및/또는 동작이 프로세서(들)에 의해 수행되는 경우, 복수의 기능 및/또는 동작은 임의의 수의 컴퓨팅 장치(들)에 포함된 임의의 수의 프로세서(들)에 의해 수행될 수 있다. 또한, 어느 기능 및/또는 동작이 프로세서(들)에 의해 수행되는 경우, 해당 기능 및/또는 동작은 예를 들어, 분산 컴퓨팅 시스템에서 임의의 수의 컴퓨팅 장치(들)에 포함된 임의의 수의 프로세서(들)에 의해 수행될 수 있다.
메모리(들)는 컴퓨팅 시스템 내에 정보를 저장하는 비휘발성 메모리 유닛(들)일 수 있다. 메모리(들)는 예를 들어, 플로피 디스크, 하드디스크, 자기 디스크, 광 디스크, 자기 테이프, 플래시 메모리, 솔리드 스테이트 메모리, 다양한 형태의 컴퓨터 판독가능 매체 등이거나 이를 포함할 수 있다.
이상에 설명된 바와 같은 하나 이상의 방법들은 메모리(들) 내에 저장된 명령들이 하나 이상의 프로세서(들)에 의해 실행될 때 구현되도록 구성될 수 있다. 이러한 방법들은 디지털 전자 회로, 집적 회로, ASIC(application specific integrated circuit), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합으로 구현될 수 있다. 이러한 다양한 구현들은 명령들을 실행하도록 구성되는, 적어도 하나의 프로그램 가능한 프로세서를 포함하는 프로그램 가능 시스템 상에서 실행 가능한 및/또는 해석 가능한 하나 이상의 컴퓨터 프로그램들 상의 구현을 포함할 수 있다.
이러한 컴퓨터 프로그램들(프로그램, 소프트웨어, 소프트웨어 애플리케이션 또는 코드라고도 함)은 고수준의 절차 지향 및/또는 객체 지향 프로그래밍 언어로, 그리고/또는 어셈블리/기계 언어로 구현될 수 있다.
본 개시에 설명된 상이한 실시예들의 구성요소는 이상에서 구체적으로 설명되지 않은 다른 실시예들을 형성하기 위해 조합될 수 있다. 구성요소들은 그 기능 및/또는 동작에 영향을 미치지 않으면서 본 개시의 실시예들에 설명된 프로세스, 컴퓨터 프로그램, 데이터베이스 등에서 제외될 수 있다.
또한, 도면들에 도시된 논리적 흐름은 바람직한 결과를 달성하기 위해 도시된 특정 순서 또는 순차적 순서를 요구하지 않는다. 본 개시에 설명된 실시예들이 동작 가능하게 유지되는 한, 특정 동작을 수행하기 위한 순서 또는 단계들의 순서는 중요하지 않음을 이해해야 한다. 또한, 둘 이상의 단계들 또는 동작들이 동시에 수행될 수 있다.
본 개시에 설명된 실시예들은 특정한 실시예들과 관련하여 도시되고 설명되었지만, 통상의 기술자는 첨부된 청구범위에 의해 정의된 바와 같이 특허청구범위의 사상 및 범위를 벗어나지 않고 형태 및 세부사항의 다양한 변화가 이루어질 수 있음을 이해해야 한다.

Claims (9)

  1. 도시 기상 관측 자료를 통합된 데이터베이스로 구축하기 위한 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법으로서,
    복수의 도시 기상 관측망들로부터 수집된 원시 도시 기상 관측 자료들을, 상기 도시 기상 관측망들의 각각의 관측 지점별로 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장하는 단계;
    미리 결정된 기상 요소 및 분석 기간에 대해, 상기 저장된 제1 파일들로부터 상기 도시 기상 관측망들의 관측 지점별 데이터를 관측 시간 순서에 따라 추출하는 단계;
    상기 추출된 데이터에 포함된 관측값들 중 미리 결정된 마스킹 조건에 속하는 관측값들을 마스킹 처리하는 단계; 및
    상기 마스킹 처리된 데이터를 하나의 제2 파일로 저장하는 단계를 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  2. 제1항에 있어서, 상기 도시 기상 관측망들은,
    국립기상과학원에서 운영하는 기상 도로 관측망(RWI), 지표 에너지 수지망(SEB), 복합 센서망(IMS), 및 도심내 공원 관측망(UBG)을 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  3. 제1항에 있어서, 상기 미리 결정된 포맷은 CSV 포맷을 포함하고,
    상기 제1 파일들은,
    상기 도시 기상 관측망들에 포함된 모든 관측 지점들의 개수(n), 및 관측 기간들의 연 단위 개수(y)를 곱한 수(n×y)만큼 복수 개로 저장되는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  4. 제1항에 있어서, 상기 미리 결정된 기상 요소는,
    기온, 풍향, 풍속, 최대풍향, 최대풍속, 일강수량, 기압, 강우감지, 시간강수량, 습도, 노면상태, 순복사, 전천복사, 반사복사, 수막두께, 염분농도, 일사량, 하향 단파복사, 상향 단파복사, 하향 장파복사, 상향 장파복사, 지중온도, 노면온도, 어는점 온도, 적외선표면온도, 접촉식 표면온도(남), 접촉식 표면온도(북), 순 단파복사, 순 장파복사, 알베도, 수증기압, 토양열속, 토양온도, 토양수분, 분당 평균 풍향, 분당 평균 풍속, 토양평균기온, 평균동서바람, 평균남북바람, 동서바람편차, 남북바람편차, 평균풍속편차, 평균토양수분, 일최고기온, 일최저기온, 일최고습도, 일최저습도, 일최대풍속, 및 일최대풍향으로 이루어진 군에서 선택되는 적어도 하나의 기상 요소를 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  5. 제1항에 있어서, 상기 미리 결정된 분석 기간은 연 단위의 기간을 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  6. 제1항에 있어서, 상기 관측 시간 순서에 따라 미리 결정된 포맷의 제1 파일들로 저장하는 단계는, 관측 지점별로, 동일한 관측 시간에 하나의 기상 요소에 대해 복수의 관측값들이 존재하는 경우, 상기 기상 요소에 대해 상기 복수의 관측값들 중 하나만 저장하는 단계를 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  7. 제1항에 있어서, 상기 미리 결정된 마스킹 조건은,
    상기 미리 결정된 기상 요소가 풍속인 경우, 상기 관측값들 중 음수인 값, 75를 초과하는 값, 및 직전 관측값과의 차이가 10을 초과하는 값을 결측값으로 마스킹하는 것을 포함하고,
    상기 미리 결정된 기상 요소가 기온인 경우, 상기 관측값들 중 -90 미만인 값, 및 60을 초과하는 값을 결측값으로 마스킹하는 것을 포함하며,
    상기 미리 결정된 기상 요소가 풍속 및 기온이 아닌 경우, 상기 관측값들 중 음수인 값을 결측값으로 마스킹하는 것을 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  8. 제7항에 있어서, 상기 제2 파일은,
    상기 미리 결정된 기상 요소에 대해 전체 관측값들 중 상기 결측값이 아닌 값들의 비율을 더 포함하는, 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 따른 방법을 구현하도록 구성되는 컴퓨팅 시스템.
KR1020210143209A 2021-10-26 2021-10-26 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템 KR20230059237A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210143209A KR20230059237A (ko) 2021-10-26 2021-10-26 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템
US17/973,434 US20230126678A1 (en) 2021-10-26 2022-10-25 Python-based integrated management method and system of urban customized weather database

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210143209A KR20230059237A (ko) 2021-10-26 2021-10-26 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템

Publications (1)

Publication Number Publication Date
KR20230059237A true KR20230059237A (ko) 2023-05-03

Family

ID=86057651

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210143209A KR20230059237A (ko) 2021-10-26 2021-10-26 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템

Country Status (2)

Country Link
US (1) US20230126678A1 (ko)
KR (1) KR20230059237A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117631090B (zh) * 2024-01-25 2024-05-14 南京信息工程大学 一种寒潮识别方法及装置

Also Published As

Publication number Publication date
US20230126678A1 (en) 2023-04-27

Similar Documents

Publication Publication Date Title
Tam et al. The impact of urbanization and the urban heat island effect on day to day temperature variation
Hashem et al. Change analysis of land use/land cover and modelling urban growth in Greater Doha, Qatar
Sharma et al. Spatiotemporal trends in extreme rainfall and temperature indices over Upper Tapi Basin, India
Miller et al. Large and seasonally varying biospheric CO2 fluxes in the Los Angeles megacity revealed by atmospheric radiocarbon
Gain et al. Assessment of future water scarcity at different spatial and temporal scales of the Brahmaputra River Basin
Praskievicz et al. Identifying the relationships between urban water consumption and weather variables in Seoul, Korea
Monier et al. A framework for modeling uncertainty in regional climate change
Wang et al. An estimation of housing vacancy rate using NPP-VIIRS night-time light data and OpenStreetMap data
Huang et al. Persistent increases in nighttime heat stress from urban expansion despite heat island mitigation
Said et al. Evidence of climate change impacts on water, food and energy resources around Kilimanjaro, Tanzania
Li et al. Annual precipitation and daily extreme precipitation distribution: Possible trends from 1960 to 2010 in urban areas of China
Ding et al. Estimating land use/land cover change impacts on vegetation response to drought under ‘Grain for Green’in the Loess Plateau
Tan et al. Housing vacancy rate in major cities in China: perspectives from nighttime light data
Mutani et al. Buildings’ energy consumption, energy savings potential and the availability of renewable energy sources in urban spaces
Irizarry‐Ortiz et al. Historical trends in Florida temperature and precipitation
Zhao et al. Exploring difference in land surface temperature between the city centres and urban expansion areas of China’s major cities
Jia et al. City storm-flood events in China, 1984–2015
KR20230059237A (ko) 파이썬 기반의 도시 맞춤형 기상 데이터베이스의 통합 관리 방법 및 통합 관리 시스템
Berger A GIS suitability analysis of the potential for rooftop agriculture in New York City
Gao et al. Improving the accuracy of extant gridded population maps using multisource map fusion
Serrat-Capdevila et al. Characterizing the water extremes of the new century in the US South-west: a comprehensive assessment from state-of-the-art climate model projections
CN115129802A (zh) 一种基于多源数据和集成学习的人口空间化方法
Chen et al. Abnormally low precipitation-induced ecological imbalance contributed to the fall of the Ming Dynasty: new evidence from tree rings
Abuseif et al. Simulation-based study on the role of green roof settings on energy demand reduction in seven Australian climate zones
CN117634907A (zh) 城市屋顶光伏发电潜力的估算方法、装置、设备及介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal