SK플래닛의 고해상도 기상관측망 구축 현황과 딥러닝 기술을 활용한 관측 데이터의 품질 관리 및 유지관리 효율화 방안 doc_id CNTS-00118872131_8

㈜SK플래닛의 기상관측망 설치 현황 및 계획은 2013년에는 서울시에 260여개 기지국에 설치를 완료했고, 2014년에는 경기도 및 인천광역시에 820여개를 확대 설치 했고, 2016년부터는 4,000여개의 전국망 확대를 추진하고 있다. 수도권 관측망은 SK플래닛이 1,077개소의 AWS를 설치하여 기상청 AWS 103개소의 관측자료를 함께 활용하고 있다. 현재 설치하여 운용 중인 장비의 기상관측 요소는 대기기압, 온도, 풍향풍속, 상대습도, 강수량 등 5개 요소이다. 기상관측장비(AWS)는 건물 옥상이나 전봇대 등 기존의 통신기지국 장비가 설치된 장소에 설치되어 있으므로 기상청의 기상관측표준화법에 따른 기상관측장비의 설치장소, 장애물과의 이격거리, 장비설치 높이 등은 표준화법 적용이 어려운 실정이다. 현재까지 타기관 기상관측망이라 함은 기상업무 유관기관 즉 환경부, 산림청, 지방자치단체 등 대부분이 국가기관이거나 공공기관에서 설치하여 활용중인 기상관측장비를 말한다. 그러나 지금부터 기업체에서 설치하여 활용하는 기상관측망을 소개하고 기상청의 국가 기상업무에 활용 또는 상호 기상정보의 활용확대를 위해 소개한다. ㈜SK플래닛은 통신전문 기업인 SK텔레콤에서 플래닛의 플랫폼 기술과 텔레콤의 안정적인 기지국 전력과 통신 인프라를 결합하여 기존에 설치 운영중인 통신기지국에 기상관측 센서를 설치하여 전국을 1~3km의 고해상도의 기상관측망 구축을 추진하고 있으며, 2015년 기준 수도권 일대 약 1,000여개의 SK텔레콤 기지국에 기상관측센서를 설치하여 보다 더 높은 해상도(1~2km)와 정확한 기상관측 정보를 제공하는 고해상도 기상정보 플랫폼을 운영중에 있다. 특히 기상 및 산업용 관측장비의 유지관리 방법과 장비의 고장 및 센서오류로 인한 관측자료의 보정기술을 공유하여 기상청에서도 기상관측장비의 유지관리와 관측자료의 품질관리에 대한 심도 있는 기술적 검토가 필요하다. ㈜SK플래닛은 ‘IoT센서솔류션 데이터 분석기술-딥러닝’을 활용하여 기상 및 산업용 관측장비의 유지관리는 물론 관측자료의 품질관리 기술을 개발하여 사용 중에 있다. 그동안 ㈜SK플래닛은 6년간 축적한 센서데이터 200억 건 기반의 센서 이상감지, 성능보정 모델을 보유하고 오류감지율 96.6%, 기준장비 오차율을 60% 감소하는 Transfer Learning, Un-supervised기법 등 다양한 Deep Learning기법을 적용하여 월등히 빠르게 신규센서에 대응하여 데이터 소요량을 90% 감소하는 AI기반의 IoT센서관제를 수행하고 있다. 이러한 관제를 통해 대규모 센서 네트워크를 관리하고 저가센서 보정기술을 활용하여 초기 투자비용을 절감(기상장비 예: 기상청 대비 운영비용 95%, 초기투자 비용 75% 절감)하였다. 또한 ㈜SK플래닛은 다년간 기상센서에서 확보한 200억 건의 정제된 빅 데이터를 활용하여 기상센서 외에 다른 여러 종류의 관측센서에도 이 기술을 적용하여 최적의 장비 유지관리는 물론 정확한 데이터 분석 및 관측자료 보정 서비스를 제공하고 있다. 관측센서의 종류는 매우 다양하지만, 매우 분명한 종류의 센서 오류는 쉽게 발견할 수 있으나 그렇지 않은 경우도 많다. 센서에는 여러가지 이유로 인해 일시적이거나 항구적인 오류의 가능성이 상존하며, 이를 개선하기 위한 H/W가격이 크게 상승할 수 있고, IoT 오류를 일으키는 센서의 수가 기하급수적으로 증가하여 얼마나 저비용으로 S/W적으로 대응할 것인가가 매우 중요한 문제이다. 머신러닝/딥러닝 기술은 최근 매우 빠른 속도로 발전하고 있다. 딥러닝(Deep Learning)은 Deep Neural Networks(DNN)라고도 하며, 머신러닝 기법 중 인공신경망(Artificial Neural Network)에서 발전한 형태의 인공지능으로 인공신경망은 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해서 데이터를 학습한다. 전통적인 통계분석은 대부분 변수 간 독립성을 가정하고 변수의 개수가 많아질수록 제약사항이 많아진다. 딥러닝은 높은 상관관계를 가진 수천 개의 변수라도 비교적 적은 연산과정을 통해 분석에 결정적인 특징변수를 추출한다. 전통적인 시계열 자료 방법론은 장기적 추세(Trend), 주기적 패턴(Seasonality/Cyclic), 랜덤요소(Noise)로 성분 분해하여 각 성분의 불변함(Stationary)을 가정하기 때문에 실제 데이터와 차이가 있으나, 딥러닝은 통계적 가정 없이 단기적인 패턴과 장기적인 패턴을 모두 처리하는데 탁월한 성능을 보인다. 기상관측센서의 이상감지를 위한 딥러닝 기술 적용방법은 나선형신경망(CNN)으로 가장 잘 알려진 다층신경망(DNN) 구조로서 데이터로부터 센서의 상태분류에 중요한 특징을 추출하는 목적으로 사용하는데 레이어의 구조에 따라 여러 가지 변형체가 있으며 데이터에 따라 최적 모델이 다르기 때문에 실험적인 과정을 통해 최적 모델을 탐색한다. 수치예보는 공기의 물리적, 화학적 특성 및 운동과 관련된 과학적 이론과 기술을 동원하여 날씨를 예측하기 때문에 객관화된 예보이며, 수치예보를 바탕으로, 예보관의 경험, 지식과 노하우를 더하여 예보를 결정하기 때문에 예보과정에서 차지하는 비중이 매우 높다. 기상청 예보역량 진단을 위한 기획연구((주)테크노베이션파트너스, 2007)에 따르면, 기상예보 역량에 영향을 주는 요소는 기상관측자료, 수치예보모델의 성능, 예보관의 능력 등 3개 요소이며 각 요소별 기여도는 2007년 설문조사 당시 32%, 40%, 28%였으나, 수치예보기술과 정보통신기술 등 기상기술의 발달로 각 요소별 기여도는 변화가 있을 것으로 예상된다. 현대의 기상예보 정확도는 기상관측기술, 수치모델 정확도, 예보관의 능력에 따라 결정되는데, 기상예보기술을 향상시키기 위해서는 다음과 같이 각 분야별 기술을 향상시킬 방안이 마련되어야 한다고 제시하고 있다. 수치예보는 온도·습도·기압 등 현재 대기 상태의 관측값을 넣어 컴퓨터 프로그램(모델)으로 계산해 미래 기상현상을 예측하는 것으로 날씨를 알려면 우선 현재의 관측값을 알아야 한다. 기상청은 지상과 해양, 고층상공, 우주에 모두 21종 1,494대의 관측장비가 하루 2천만개 이상의 각종 관측값을 실시간으로 생산하고, 수많은 관측값을 일정 간격의 격자자료를 만들어 수식에 대입하는 자료동화 과정이 수치예보의 첫 단추이다. 그리고 지구모델의 격자수만 10억개, 변수만 20여개로, 세계에서 각종 데이터를 수신받고 자료동화를 하는 데만 2~3시간이 소요된다. 이때부터 슈퍼컴퓨터가 1시간 남짓 수치예보 모델을 돌려 일기도 등 분석용 자료를 만들어내며, 예보관들은 이를 분석해 일기예보를 생산하여 발표하게 된다. 이런 작업이 하루에 4번씩 반복되고 있다.