서 론
연구지역 및 데이터
연구방법
구름지수를 이용한 일사량 권역 분류
인공신경망
인공신경망 훈련을 위한 입력변수 선택
인공신경망 훈련
인공신경망 모델의 검증
검증에 사용된 인자
인공신경망 모델의 지점별 교차검증
인공신경망 모델의 연도별 검증
권역별 훈련 모델과 전국적 훈련 모델의 비교
인공신경망 모델의 적용과 일사량 추정
결 론
서 론
태양광 에너지는 지구상 어디에나 고르게 분포하고 있으며 고갈될 염려가 없다는 장점이 있다. 하지만 태양광 에너지는 기상조건에 따라 변화가 심해 예측이 어렵기 때문에 안정적인 에너지원의 공급 면에서는 한계가 있다. 따라서 이러한 불안정성을 감소시키고 태양광 에너지의 보급을 활성화하기 위해서는 태양광에너지의 자원량을 정확하게 평가하고 예측하는 것이 필요하다. 실제로 태양광 발전 시스템을 설치하기에 앞서 특정 부지의 태양광 에너지 잠재량을 평가하는 연구들이 다수 수행된 바 있으며(Song and Choi, 2012; Song et al., 2014; Song et al., 2013; Kim et al., 2014; Assouline et al., 2017)36,38,37,19,1, 그 범위도 작게는 건물 규모에서부터 도시, 국가에 이르기까지 다양하다. 이러한 태양광에너지의 잠재적인 발전량을 결정하는 가장 중요한 요소가 바로 일사량이기 때문에 특정 지점의 일사량을 정확하게 파악할 필요성이 있다.
일사량을 파악하는 가장 기본적인 방법은 일사계를 설치하는 것이다. 일사계를 설치하는 것은 태양광 발전 후보지역의 일사량을 정확하게 파악할 수 있다는 장점이 있다. 현재 국내에서 일사계를 통한 일사량 관측이 이루어지고 있는 일사량 관측망은 기상청의 38개 관측소가 대표적이다. 하지만 일사계는 설치에 많은 비용이 들고 관측 영역이 제한적이기 때문에 일사계가 설치되지 않은 지점의 일사량은 추정하기 어렵다는 단점도 있다. 일사계가 없는 지점의 일사량을 추정하기 위한 방법으로 크리깅 등의 보간법이 사용되기도 했지만(Palmer et al., 2017; Bezzi and Vitti, 2005; Sen and Sahin, 2001)28,4,34, 이러한 보간법은 기본적으로 자료가 정적이고 등방성이라는 가정을 하고 있기 때문에 구름의 영향을 많이 받고 시간별 변화가 심한 일사량을 추정하는 데는 한계가 있을 수 있다(Jamaly and Kleissl, 2017, Yang et al., 2013)13,41. 또한 관측소의 개수가 충분하지 않다면 보간법을 적용했을 때 특정 지점의 이상값으로 인해 주변의 일사량 값이 많은 영향을 받을 수 있으므로 일사량 추정의 정확도가 감소할 수 있다(Journee and Bertrand, 2010)15.
일사계가 없는 곳의 일사량을 추정하기 위한 또 다른 방법으로 위성영상을 이용할 수 있다. 위성영상을 이용한 방법은 넓은 영역의 일사량을 적은 비용으로도 파악할 수 있다는 장점이 있다. 위성영상 기반의 일사량 추정 방법은 크게 물리적 모델을 사용하는 방법과 경험적 모델을 사용하는 방법 두 가지로 나눌 수 있다(Noia et al., 1993a)26. 복사전달모델 방정식을 풀어서 일사량을 산출하는 물리적 모델 기반의 방법은 대기 관련 인자들을 알아야 하며 위성영상의 정교한 보정이 필요하다(Noia et al., 1993b)27. 경험적 모델을 이용한 방법은 구름의 양과 청천일사량 모델을 통해 일사량을 산출하게 되는데, 이때도 역시 에어로졸이나 수증기, 대기혼탁도 등의 대기 관련 인자들이 추가적으로 필요하다(Rigollier et al., 2004; Perez et al., 2002)32,30. 하지만 이러한 대기 관련 자료들은 국내 관측망이 체계적으로 갖추어져 있지 않아 모든 지점의 실시간 자료를 얻기가 어려우며(Choi et al., 2015; Lee et al, 2013; Kim et al., 2017)7,20,17, 이는 위성영상을 통한 국내의 실시간 일사량 추정의 정확도를 감소시키는 요인이 될 수 있다.
본 연구에서는 현재 일사량 관측이 이뤄지고 있지 않은 기상관측소의 실시간 일사량을 파악하기 위해 1시간 단위로 자료 획득이 가능한 기상관측자료와 위성영상 자료를 이용하였다. 이러한 기상자료 및 위성자료들과 일사량 간의 물리적인 관계식을 알기 어려우므로 인공신경망 기법을 적용하였다. 이때, 지역마다 기온, 습도, 운량 등의 기후적인 특성이 다양하므로 입력 자료와 일사량 간의 상관관계는 지역 별로 다를 수 있다(Bechini et al., 2000; Verbois et al., 2018)3,40. 따라서 본 연구에서는 일사량 추정의 정확도를 향상시키기 위해 비슷한 기후적 특성을 가지는 지역들을 하나의 일사량 권역으로 분류하고 각 권역별로 인공신경망을 훈련하였다. 현재 기상청에서 운영 중인 95개의 종관기상관측소 중에서 38개의 지점에서만 일사량이 측정되고 있는데, 본 연구에서는 권역별 인공신경망 모델을 이용하여 95개 전체의 기상관측소에서의 일사량을 추정하고자 하였다. 이를 통해 일사계는 없더라도 기본적인 기상변수가 관측되고 있는 관측소의 실시간 일사량을 추정함으로써 보다 조밀한 일사량 관측망을 구축하는 데에 본 연구의 목적이 있다.
연구지역 및 데이터
본 연구에서는 일사량 추정을 위해 기상청의 기상관측자료와 천리안 기상위성 자료를 활용하였다. 기상관측자료는 기상청의 기상자료개방포털(data.kma.go.kr)에서 취득한 2016년과 2017년의 종관기상관측장비(Automated Synoptic Observing System, ASOS) 자료를 사용하였다. 기상청에서는 전국 95개 ASOS 지점의 기온, 기압, 습도, 이슬점 온도, 풍속 등의 자료를 1시간 주기로 제공하고 있다. 본 연구에서는 ASOS 지점에서 관측되고 있는 다양한 기상변수 중 모든 지점에서 관측되고 있는 기온, 풍속, 상대습도, 이슬점 온도, 현지 기압 5개 인자를 매일 오전 8시부터 오후 5시까지 1시간 간격으로 획득하였다.
위성영상 자료는 한국 최초의 정지궤도 복합위성인 천리안 위성(Communication, Ocean and Meteorological Satellite, COMS)의 기상영상기(Meteorological Imager, MI) 자료를 사용했다. 기상영상기 자료는 Table 1과 같이 가시(Visible, VIS), 단파적외(Shortwave Infrared, SWIR), 수증기(Water Vapor, WV), 적외1(Infrared 1, IR1), 적외2(Infrared 2, IR2) 영역의 총 5개 채널로 구성되어 있다. 15분을 주기로 촬영되는 천리안 위성영상 자료를 1시간 간격으로 추출하여 ASOS 자료와 시간을 일치시켜 사용하였으며, 0~1023의 정수형 데이터로 제공되는 원자료를 국가기상위성센터(nmsc.kma.go.kr)에서 제공하는 변환표에 따라 흑체온도 및 복사휘도 값으로 변환하여 사용하였다.
Table 1. Five channels of COMS MI
| Channel | Wavelength range | Spatial resolution |
| Visible | 0.55~0.8 𝜇m | 1 km |
| Shortwave infrared | 3.5~4.0 𝜇m | 4 km |
| Water vapor | 6.5~7.0 𝜇m | 4 km |
| Infrared 1 | 10.3~11.3 𝜇m | 4 km |
| Infrared 2 | 11.5~12.5 𝜇m | 4 km |
연구방법
구름지수를 이용한 일사량 권역 분류
기상관측자료 및 위성영상 자료와 일사량 간의 상관관계는 지역마다 다를 수 있다(Bechini et al., 2000; Verbois et al., 2018)3,40. 따라서 기후나 일사량 특성이 비슷한 지역들을 하나의 권역으로 분류하여 각 권역에 적합한 일사량 모델을 구축한다면 일사량 추정의 정확도를 향상시킬 수 있을 것이다. 본 연구에서는 위성영상으로부터 산출한 구름의 양을 통해 일사량 권역을 분류한 Zagouras et al.(2013, 2014)43,42의 방법을 이용하여 한국을 일정 개수의 일사량 권역으로 분류하였다. 우선 위성영상으로부터 구름의 양을 정량적으로 산출하기 위해 식 (1)의 구름지수(Cloud Index, CI)를 계산하였다.
| $$CI(i,j,t)=\frac{\rho(i,j,t)-\rho_{ground}(i,j,t)}{\rho_{cloud}(i,j,t)-\rho_{ground}(i,j,t)}$$ | (1) |
ρ(i,j,t)은 시간 t일 때 위성영상 픽셀 (i,j,)의 반사도, ρcloud(i,j,t)는 구름의 반사도, ρground(i,j,t)는 지표의 반사도를 의미한다. 구름은 가시광 영역에서 높은 반사도를 보이기 때문에 ρcloud는 해당 시기를 전후로 30일 동안 같은 시간대의 반사도 중에서 가장 큰 값으로 결정했으며, ρground는 30일 중에서 두 번째로 작은 반사도를 가지는 값으로 결정하였다(Hammer et al., 2003)11. 지표의 반사도를 첫 번째가 아닌 두 번째로 작은 반사도 값으로 설정한 이유는 영상 자체에 결함이 있거나 그림자가 있는 경우 반사도 값이 비정상적으로 낮게 나올 수 있기 때문에 이러한 이상값을 제거하기 위한 것이다(Rigollier et al., 2000)31.
이때, 청천일사량에 대한 현재 일사량의 비율인 청천지수(Clearness Index, Kch)는 구름지수를 이용하여 식 (2)와 같이 나타낼 수 있다.
| $$K_{ch}=1-CI$$ | (2) |
본 연구에서는 2016년부터 2017년의 일별 청천지수 평균값을 산출하고 이를 통해 일사량 권역을 분류하고자 하였다. 하지만 2년, 731일 동안의 일평균 청천지수는 731개의 많은 차원을 가지며, 이는 분류 작업에서 많은 노이즈를 유발할 수 있다. 따라서 대표적인 차원 축소 방법인 주성분분석(Principal Component Analysis, PCA)(Jolliffe, 1986)14을 이용해 731차원의 데이터 중 99%의 특성을 나타낼 수 있는 20개의 차원으로 변환하였다.
일평균 청천지수에 주성분 분석을 적용한 자료를 K-평균 군집화(MacQueen, 1967)24를 이용하여 일평균 청천지수 값이 비슷한 권역들로 분류하였다. K-평균 군집화는 참값을 가지는 레퍼런스 데이터가 없을 경우 사용할 수 있는 대표적인 무감독 분류 방법으로, 각 군집에 속한 자료들의 거리가 최소가 되도록 군집화를 수행한다. K-평균 군집화에서 가장 중요한 인자는 군집의 개수이다. 적절한 군집의 개수를 설정하기 위해서 Calinski-Harabasz(CH) 지수(Calinski and Harabasz, 2005)6를 사용했다. 군집의 개수를 1부터 N개까지 설정하여 군집화를 수행했을 때 이중 k개의 군집으로 군집화한 결과에 대한 CH 지수는 아래의 식 (3)과 같이 나타낼 수 있다.
| $$CH=\frac{tr(B)}{tr(W)}\times\frac{N-k}{k-1}$$ | (3) |
B는 식 (4)와 같은 군집 간의 분산을 나타내는 행렬이며, W는 식 (5)와 같은 군집 내의 분산을 나타내는 행렬이다. tr(B)와 tr(W)는 B와 W 각 행렬의 대각합을 의미한다.
| $$B=\sum_{c_i\in c_1,c_2,\cdot\cdot\cdot,c_k}N_i(\overline{x_i}-\overline x)(\overline{x_i}-\overline x)^T$$ | (4) |
| $$B=\sum_{c_i\in c_1,c_2,\cdot\cdot\cdot,c_k}\;\sum_{x\in c_k}(x-\overline x)(x-\overline x)^T$$ | (5) |
여기서 는 모든 데이터의 평균, 는 i번째 군집에 속한 데이터들의 평균, Ni는 i번째 군집에 속한 데이터들의 개수이다. CH 지수가 클수록 군집화가 잘 이루어졌다고 볼 수 있다.
군집의 개수를 2개에서 50개까지 설정하여 각각의 K-평균 군집화를 수행했을 때 CH지수를 비교한 결과, Fig. 1(a)과 같이 군집의 개수가 많아질수록 CH 지수가 감소하였다. 따라서 본 연구에서는 CH 지수가 급격하게 감소하기 전의 군집 개수를 최적의 군집개수로 설정하고자 하였으며, 이를 위해 그래프의 변곡점을 기준으로 왼쪽과 오른쪽을 나눠서 각각 선형회귀하고 식 (6)과 같이 평균제곱근오차(Root Mean Square Error, RMSE) 오차를 비교하는 L-method(Salvador (Salvador and Chan, 2005)33를 사용하였다.
| $$RMSE_C=\frac{c-1}{b-1}RMSE_{LC}+\frac{b-c}{b-1}RMSE_{RC}$$ | (6) |
군집의 개수 c에 대해서 RMSELC는 그래프 왼쪽의 선형 회귀결과의 RMSE, RMSERC는 오른쪽의 선형회귀 결과의 RMSE이며, RMSEC의 값이 최소가 될 때 CH 지수의 값이 급격하게 변한다고 볼 수 있으므로 이때의 c를 최적의 군집개수로 설정하였다. 2~50개의 군집에 대해 분석한 결과 Fig. 1(b)와 같이 최적의 군집의 개수는 13개로 나타났다.
이렇게 위성영상을 통해 산출한 청천지수를 바탕으로 한국을 13개의 권역으로 분류한 결과는 Fig. 2와 같으며, 38개의 일사량 관측소가 어느 권역에 포함되어 있는지가 Table 2에 정리되어 있다. 권역의 개수는 13개로 분류했지만, 권역 1은 바다로 분리한 영역이고, 권역 4와 12는 북한 지역에 속해 일사량 자료가 없는 권역이므로 실제로 일사량 모델을 구축한 것은 이를 제외한 총 10개의 권역이다.
Table 2. Clustering result of solar irradiance measuring weather stations
인공신경망
인공신경망은 기본적으로 Fig. 3과 같은 뉴런으로 구성되어 있다. 각각의 뉴런은 자료를 입력받으면 각각의 변수에 가중치를 곱하고 여기에 편차를 더한 다음 이를 활성 함수를 통해 출력한다. 이러한 출력값을 주어진 자료의 참값과 비교하면서 역전파 알고리즘(Bishop, 1995)5을 이용한 훈련 과정을 통해 가중치와 편차를 알맞게 조절해 간다. 이러한 뉴런들이 모여서 하나의 레이어를 만드는데, 하나의 레이어로 구성된 것을 단일계층신경망, 둘 이상의 레이어로 구성된 것을 다중계층신경망이라고 한다. 인공신경망 기법을 이론적인 물리식을 세우기 어려운 복잡한 문제에 적용하면 기존의 통계적인 방법보다 정확하고 효율적으로 문제를 해결할 수 있다(Gardner et al., 1998)10.
인공신경망 훈련을 위한 입력변수 선택
인공신경망을 훈련하는 데 있어서 가장 중요한 것은 입력데이터를 선정하는 것이다. 본 연구에서는 일사량 예측을 위한 입력변수로 태양의 위치, 기상관측자료, 위성 자료를 고려하였는데, 이 중에서는 일사량과의 상관관계가 없는 자료가 있을 수도 있고, 이러한 자료가 입력 자료로 포함된다면 오히려 정확도가 감소할 수 있다. 따라서 본 연구에서는 인공신경망의 입력 변수 중 특정 개수의 입력 변수를 선택하고자 할 때 사용되는 상호정보량을 이용한 특징 선택(Battiti, 1994; May et al., 2011)2,25 방법을 사용하여 변수들의 우선도를 산정하였으며, 이를 통해 적절한 입력변수를 선택하였다. 변수 X와 변수 Y의 상호정보량 I(X;Y)은 식 (7)과 같이 정의된다(Shannon, 1948)35.
| $$I(X;Y)=\sum_{x_i\in X}\;\sum_{y_i\in Y}p(x_i,y_i)\log\frac{p(x_i,y_i)}{p(x_i)p(y_i)}$$ | (7) |
여기서 p(xi)와 p(yi)는 변수 X와 Y의 확률분포함수이며, p(xi,yi)는 X와 Y의 결합확률분포함수이다. 이때 상호정보량이 크다는 것은 변수 X에 관한 정보를 알고 있을 때 변수 Y의 불확실성이 감소한다는 것을 의미하며, 이는 곧 상호정보량이 클수록 X와 Y의 상관성이 높다는 것을 의미한다. Battiti(1994)2가 제시한 상호정보량 특징선택은 아래와 같은 순서로 수행되며, 이 방법은 종속변수와 독립변수의 상호정보량을 고려하여 종속변수와 상관성이 높은 입력 변수를 선택하지만, 이와 동시에 선택된 변수들 간의 상호정보량을 고려함으로써 비슷한 상관성을 가지는 입력변수들이 불필요하게 중복 선택되는 것을 방지할 수 있다(Peng et al., 2005)29.
i) 집합 F는 특징 선택하기 이전 전체 변수들의 집합으로, 집합 S는 선택된 변수들의 집합으로 설정하고, S는공집합으로 초기화한다.
ii) F에 속한 변수 f에 대해서 상관성을 파악하고자 하는 변수 Y와의 상호 정보량 I(Y;f)을 계산한다. 본 연구에서 Y는 일사량 측정값이다.
iii) I(Y;f) 값을 최대로 만드는 변수 f를 찾아 첫 번째 특징으로 선택하며, 집합 F는 변수 f를 제외하여 재설정하고, 선택된 변수들의 집합 S에 변수 f를 추가한다.
iv) 재설정된 집합 F의 변수 f와 S의 변수 s에 대해 식 (8)을 최대로 만드는 변수 f를 선택하여 집합 F는 변수 f를 제외하여 재설정하고, 변수 f를 선택된 변수들의 집합 S에 추가한다. 이 때 식 (8)에서 β의 값은 선택하고자 하는 변수의 개수가 k일 때 1/(k-1)로 설정하는 것이 바람직하다고 알려져 있다(Peng et al., 2005)29.
| $$I(Y;f)-\beta\sum_{s\in S}I(f;s)$$ | (8) |
v) 집합 S의 원소의 개수가 특징 선택할 변수의 개수 k가 될 때까지 iv)의 과정을 반복한다.
본 연구에서는 변수의 개수를 2개에서 14개까지 설정하여 변수를 선택하고 각각의 경우에 대해인공신경망 모델의 훈련 오차를 비교하였으며, 그 결과는 Fig. 4와 같다. 이때 인공신경망은 1개의 입력층과 출력층, 그리고 1개의 은닉층으로 구성되어 있으며, 훈련 오차에서 인공신경망의 초기 가중치와 편차가 미치는 영향을 최소화하고자 앙상블 기반의 인공신경망 모델(Alobaidi et al., 2014, Linares-Rodriguez et al., 2013)21,을 사용하였다. 인공신경망의 구조에 대한 구체적인 내용은 ‘인공신경망 훈련’ 절에 상세하게 기술되어 있다.
일반적으로 선택된 변수의 개수가 많아질수록 오차가 감소했지만, 선택된 변수의 개수가 10개가 넘어가게 되면 오차 감소 효과가 크지 않을 뿐만 아니라 오히려 오차가 증가하는 지점들이 발생했으므로 본 연구에서는 적절한 변수의 개수를 10개로 설정하였다. 입력변수로 고려한 14개의 변수와 이 중 선택된 10개의 변수는 Table 3과 같다.
Table 3. Variables considered as input variables of ANN and selected by mutual information feature selection
인공신경망 훈련
인공신경망 훈련에는 MATLAB 소프트웨어를 사용했으며, 인공신경망의 구조는 Fig. 5와 같이 1개의 입력층, 1개의 은닉층, 1개의 출력층으로 구성하였다. 은닉층의 경우, 그 뉴런의 개수를 어떻게 결정할 것인가에 대한 명확한 기준은 없으나 일부 연구들에서 입력 자료와 관련하여 적절한 뉴런의 개수를 제시한 바 있다(Kaastra and Boyd, 1996)16. 본 연구에서는 기존의 인공신경망을 이용한 일사량 예측 연구들(Linares-Rodriquez, 2013; Eissa et al., 2013)21,9을 참고하여 은닉층의 개수를 25개로 설정하였다. 훈련 방법은 Bayesian regulation 방법(Mackay, 1992)23을 사용했는데, 이 방법은 훈련 과정에서 오차의 제곱과 가중치로 구성된 선형 결합을 최소화하는 방법으로써, 일반화된 모델을 구축하는데 좋은 성능을 보인다고 알려져 있다(Dorvlo, 2002)8. 활성함수는 sigmoid 함수를 사용했으며, 모든 데이터는 0부터 1까지의 값으로 선형 변환하여 사용하였다. 인공신경망 훈련은 자료를 권역별로 구분하여 수행되었으며, 일사량 추정 모델도 권역별로 구축되었다. 또한 이러한 방법이 보편적으로 적용될 수 있는지를 확인하기 위해 2016년의 자료는 모델을 훈련하는 데 사용하고 2017년의 자료는 해당 모델을 적용함으로써 모델을 검증하는 데 활용되었다.
본 연구에서는 인공신경망을 통한 일사량 산출의 정확도를 높이기 위해 앙상블 기반의 인공신경망 모델을 사용하였다. 인공신경망에서 임의로 설정되는 초기 가중치의 값으로 인한 영향을 최소화하기 위해 50개의 인공신경망 모델을 학습시키고 각각의 모델에서 산출된 일사량 값을 평균하여 일사량 값을 산출하였다. 이러한 앙상블 기반의 인공신경망 모델은 단일 모델을 사용하는 것보다 높은 정확도를 얻을 수 있다(Linares-Rodriguez et al., 2013)21.
인공신경망 모델의 검증
검증에 사용된 인자
본 연구의 권역별 인공신경망 일사량 모델은 일사량 관측이 이루어지고 있지 않은 기상관측소에서 기상자료와 위성영상을 이용하여 일사량을 추정하기 위한 것이다. 따라서 본 연구의 모델이 일사량 관측값이 없는 지점의 일사량을 잘 추정할 수 있는지를 확인하기 위해 교차검증을 수행하였다. 즉, 어느 한 지점의 일사량을 추정하고자 할 때, 해당 지점을 제외한 자료를 통해 일사량 모델을 구축하고 이 모델을 해당지점에 적용함으로써 그 정확도를 평가하였다. 특정 지점과 같은 권역에 속하는 다른 지점의 자료들로 인공신경망을 훈련하고 이 모델을 해당 지점에 적용함으로써 본 연구에서 구축할 권역별 일사량 모델이 각 권역에 보편적으로 적용 가능할지 검증한 것이다. 하지만 권역 5와 9의 경우에는 각각 춘천과 원주 하나의 일사량 관측소만 존재하기 때문에 이러한 교차검증을 수행할 수 없었다. 따라서 이 권역들은 한 지점의 자료만 활용하여 2016년 자료로 모델을 훈련시키고 2017년 자료로 검증하는 연도별 검증을 통해 교차검증을 대체하였다. 검증은 예측 정확도를 나타내는 상관계수와 RMSE를 계산하여 수행되었다. 상관계수는 식 (9)과 같이 계산될 수 있으며 자료의 경향성을 나타낸다. 상관계수는 -1부터 1까지의 값을 가지는데, 그 값이 1에 가까울수록 자료가 양의 상관관계를 가지며 경향성이 비슷한 것이다. 여기서 x는 관측값, y는 예측값이다.
| $$R=\frac{{\displaystyle\sum_{i=1}^n}(x_i-\overline x)(y_i-\overline y)}{\sqrt{{\displaystyle\sum_{i=1}^n}(x_i-\overline x)^2}\sqrt{{\displaystyle\sum_{i=1}^n}(y_i-\overline y)^2}}$$ | (9) |
RMSE는 식 (10)와 같이 계산되어 오차의 절대적인 크기를 나타내며, 그 값이 작을수록 정확도가 높은 것이다.
| $$RMSE=\sqrt{\sum_{i=1}^n\frac{(x_i-y_i)^2}n}$$ | (10) |
RMSE의 상대적인 크기를 알기 위해 식 (11)과 같이 RMSE를 관측값의 평균으로 나눈 rRMSE (relative RMSE)도 사용하였다.
| $$rRMSE=\frac{100}{\overline x}\sqrt{\sum_{i=1}^n\frac{(x_i-y_i)^2}n}$$ | (11) |
인공신경망 모델의 지점별 교차검증
각 지점별로 교차검증을 수행했을 때의 상관계수와 RMSE 오차는 Table 4, Fig. 6과 같으며, Fig. 7은 전체 자료에 대한 산점도이다. 교차 검증 결과 모든 지점에서 0.94 이상의 상관계수를 보였으며, 평균적으로는 0.96 정도의 상관계수를 나타냈다. RMSE는 평균적으로 80.87 W/m2, rRMSE는 약 22.62%로 나타났다. 본 연구의 목적이 권역 내에 속한 모든 지점에 대해 보편적으로 적용할 수 있는 인공신경망 모델을 구축하는 것이기 때문에, 교차 검증의 정확도는 해당 권역의 일사량 모델을 통해 일사계가 없는 관측소의 일사량을 평균적으로 어느 정도의 정확도로 추정할 수 있을지를 평가한 것이다. 검증 결과로 산출된 0.96의 상관계수와 80.87 W/m2(22.62%)의 오차 수준은, 본 연구의 모델은 일사량의 변화나 패턴을 파악하는 데는 좋은 성능을 보이나 그 값에서는 어느 정도의 오차가 발생할 수 있다는 것을 의미한다. 따라서 향후 의미 있는 입력변수를 추가적으로 취득하거나 인공신경망 구조를 발전시킴으로써 오차 수준을 감소시킬 필요성이 있다.
Table 4. Accuracy of cross validation by ANN models at each sites
권역별로 교차검증 결과를 살펴보면 권역 2, 8, 10, 13의 지점들은 상대적으로 상관계수가 높고 RMSE 오차가 작았지만, 권역 3, 6, 7, 11은 오차가 크게 나타났다. 오차가 크게 나타난 권역들은 권역 내 지점들 간의 일사량 값의 차이가 크다는 특징이 있었다. Fig. 8(a)에서 나타나는 권역 3에 속한 지점들의 연간 합계 일사량을 비교해보면, 각 지점들 간의 일사량 차이가 큼을 알 수 있다. 반면에 일사량 추정의 정확도가 높았던 Fig. 8(b)의 권역 2에 속한 지점들은 연간 일사량이 비슷한 것을 확인할 수 있다. 권역 2에서는 연간 일사량이 최대인 지점과 최소인 지점의 차가 250~320 Wh/m2 정도인 반면, 권역 3은 570~580 Wh/m2 정도로 지점들 간의 일사량 차이가 크게 나타났다. 같은 권역에 속한 지점들 간의 표준편차 역시 권역 2는 100~125 Wh/m2 정도였지만 권역 3은 210~230 Wh/m2으로 권역 3이 권역 2에 비해 표준편차가 크게 나타났다.
본 연구에서 적용한 권역별 인공신경망 모델은 같은 권역으로 분류된 지점들의 데이터를 사용하여 모델을 훈련시키기 때문에 같은 권역 내의 일사량 값의 편차가 작다면 상대적으로 높은 정확도를 보였지만, 같은 권역 내의 지점들의 일사량 값의 편차가 크다면 정확도가 감소하였다. 같은 권역으로 분류한 지점들 간에 일사량 값의 차이가 나타나는 이유는 일사량 권역을 분류할 때 구름의 양만을 이용했기 때문으로 보인다. 구름은 일사량을 감소시키는 중요한 요인이지만(Tapakis and Charalambides, 2014)39 구름 외에도 에어로졸, 오존, 수증기량 등 다양한 인자들이 일사량에 영향을 미칠 수 있으므로(Liou, 2002)22 이러한 인자들의 각 지점별 차이가 일사량 권역 내의 일사량에 차이를 발생시키는 요인이 될 수 있다. 구름 외의 추가적인 인자를 고려하여 권역을 분류할 수 있다면 이러한 같은 권역 내의 일사량 편차로 인한 오차를 감소시킬 수 있을 것으로 보인다.
인공신경망 모델의 연도별 검증
본 연구에서는 2016년 자료를 이용하여 인공신경망 모델을 훈련하고 2017년 자료를 이용하여 검증을 수행하였다(Fig. 9). 훈련결과는 평균적으로 상관계수 0.96, RMSE 79.43 W/m2, rRMSE 23.08%의 정확도를 보였으며, 검증결과는 상관계수 0.96, RMSE 81.99 W/m2, rRMSE 21.76%의 정확도를 보였다. 상관계수는 거의 차이가 없었고 RMSE 오차는 훈련 결과가 검증 결과보다 약 2.5 W/m2 정도 작았다. W/m2로 나타내는 RMSE 값은 훈련 결과가 검증 결과보다 작았지만, 퍼센트로 나타낸 rRMSE는 검증 결과가 더 작게 나타났는데, 이는 2017년의 일사량 평균값이 더 크기 때문에 상대적인 오차가 감소했기 때문으로 보인다. 2017년 자료는 모델을 훈련하는 데 사용되지 않았지만 2016년 자료를 통해 훈련한 모델로도 두 시기의 정확도가 비슷한 것으로 보아, 본 연구의 권역별 인공신경망 훈련을 통한 일사량 모델을 다른 연도에 적용해도 비슷한 정확도를 기대할 수 있을 것이다.
권역별 훈련 모델과 전국적 훈련 모델의 비교
본 연구에서 사용한 권역별 인공신경망 모델을 사용한 결과가 권역별 모델을 사용하지 않은 전국적 훈련 모델에 비해 정확도를 향상시킬 수 있는지를 비교하였다. 비교를 위해 사용한 전국적 훈련 모델은 동일한 자료를 권역별로 훈련시키지 않고 전국적으로 훈련시킴으로써 모든 지점에 동일한 모델을 적용하였다. 권역별 모델과 전국적 모델을 비교한 결과는 Fig. 10과 같다. 권역별 훈련을 수행했을 때 상관계수는 총 38개 중에서 20개 지점에서 증가하였고, 6개 지점에서는 변화가 없었으며, 12개 지점에서는 감소하였다. RMSE 오차는 27개 지점에서 감소하였으며, 11개 지점에서는 증가하였다. 상관계수가 증가하고 오차가 감소하는 등 정확도가 향상된 지점들이 더 많았다. 전체적으로 비교한 결과 권역별 훈련을 통해 RMSE는 약 8 W/m2, rRMSE는 약 2%p 정도 오차가 감소하였다.
Fig. 11은 권역별 rRMSE 오차의 변화를 나타낸 것이다. 권역 13은 RMSE 감소 효과가 10%p 이상으로 크게 나타났으며, 권역 2와 권역 8의 경우에도 전반적으로 RMSE가 감소하였다. 반면 권역 6이나 7 등은 권역별 분류로 인해 오히려 오차가 증가한 지점도 상당히 있는 것으로 나타났다. 권역별 모델을 사용함으로써 오차가 감소한 지점들은 해당 권역의 기상특성이 뚜렷하고 전체적인 일사량 값이 비슷한 권역일 것이다. 반면에 권역별 모델을 적용했을 때 오차가 증가한 권역들은 해당 권역 내 지점들의 기상요소나 일사량 특성에 차이가 큰 것으로 보인다.
인공신경망 모델의 적용과 일사량 추정
본 연구의 권역별 인공신경망 모델을 전국의 기상청 종관기상관측소에 적용하여 2017년 한 해에 대해 시간별 일사량을 추정하였다. 기상청 종관기상관측소는 전국에 95개소가 있지만, 이 중 백령도의 경우에는 권역 분류 시에 북한에 속한 권역 4에 포함되었기 때문에 일사량 모델을 세울 수 없어 백령도를 제외한 총 94개소에 대한 일사량을 추정하였다. 이 중 38개소에서 일사량을 측정하고 있으므로 본 연구의 모델을 통해서 일사량이 측정되고 있지 않은 나머지 56개의 기상관측소의 일사량 값을 산출하는 효과를 볼 수 있었다. 일사량 모델을 이용해서 산출한 94개 기상관측소의 연간 일사량 추정값은 Fig. 12와 같다. 권역 2는 전체적으로 일사량 값이 크고, 권역 13은 일사량 값이 작은 것을 확인할 수 있다.
Fig. 13은 일사량 모델을 통해 추정한 각 지점의 월간 일사량 평균값을 권역별로 정리한 것이다. 전체적으로 권역별로 일사량 패턴이 비슷한 것을 확인할 수 있다. 대부분의 권역들에서 연중 1월부터 6월까지는 일사량이 증가하다가 7~8월의 여름철에 급격하게 감소하며, 다시 9월에는 증가했다가 점차 감소하는 패턴을 보였다. 이는 7~8월에 장마와 태풍 등으로 인해 구름이 있는 날이 많아 일사량이 감소하기 때문으로 보인다. 그러나 제주도가 속한 권역 11의 경우에는 일사량이 감소하는 시점이 다른 지점들과는 차이가 있었는데, 권역 11은 6~7월에 일사량이 급격하게 감소했다가 8월에 증가하는 패턴을 보였다. 이는 제주도가 내륙에 비해서 장마가 일찍 찾아오고 늦게 끝나기 때문일 것이다.
또한 장마철에 일사량이 감소하는 폭도 권역마다 다르게 나타났다. 권역 11은 장마철에 일사량이 약 700 Wh/m2/day 정도 감소했지만, 권역 3이나 6 등 남해안에 위치한 권역들은 약 1,000 Wh/m2/day 정도 감소했고, 권역 5, 9, 13 등 중부지방의 권역들은 장마철에 일사량이 2,000 Wh/m2/day 가까이 감소했다. 이렇게 장마철의 일사량 감소량이 다양하게 나타난 이유는 2017년의 장마 특성으로 인한 것으로 보인다. 기상청의 2017년도 장마에 대한 보도 자료에 따르면 제주도는 그 해 장마철의 강수일수와 강수량이 평년의 23% 수준으로 매우 적었다. 또한, 남부지방은 강수일수가 평년보다 하루 정도 짧고 강수량도 평년의 절반 수준이었지만, 중부지방은 강수일수도 평년보다 하루 정도 길고 강수량도 평년의 120%로 많은 비가 내렸다. 따라서 중부지방에 속한 권역은 일사량 감소폭이 큰 반면, 남쪽으로 갈수록 일사량 감소폭이 줄어들었다.
본 연구에서 제시한 권역별 인공신경망 모델을 적용하여 기상청 종관기상관측소 95개 지점 중 일사계가 설치되지 않은 56개 지점의 일사량을 추정할 수 있었으며, 이를 통해 각 권역별 일사량 특성을 파악할 수 있었다. 본 연구에서 일사량 추정에 활용한 기상자료와 위성영상 자료는 시간 단위로 자료 획득이 가능하기 때문에 기존의 보간법을 이용한 일사량 추정이나 물리적, 경험적 모델을 이용한 위성영상 기반의 일사량 추정 방법보다 실시간 일사량 산출 정확도를 향상시킬 수 있을 것으로 기대된다. 또한 권역별 모델을 사용했기 때문에 기상청의 기상관측망 뿐만 아니라 기온, 기압, 이슬점 온도 등의 기본 기상자료를 획득할 수 있는 지점의 일사량도 추정할 수 있다. 따라서 가격이 비싼 일사계를 직접 설치하지 않고도 적은 비용으로도 일사량 값을 추정하고 예측할 수 있을 것이다. 하지만 더욱 정밀한 일사량 추정과 예측을 위해서는 오차를 줄일 필요성이 있을 것으로 보인다. 또한 본 연구의 일사량 모델은 기본적인 기상 관측이 이루어지고 있는 지점에 대해서만 일사량을 산출할 수 있다는 한계도 존재한다.
결 론
본 연구에서는 일사계가 설치되어 있지 않은 지점의 일사량을 기상청의 기상관측자료와 천리안 기상위성 영상을 이용하여 권역별 인공신경망 모델을 만들었다. 교차검증을 통해 정확도를 파악한 결과, 본 연구의 모델은 상관계수 0.96, RMSE 80.87 W/m2의 정확도로 일사량을 추정할 수 있을 것으로 기대된다. 이러한 결과는 훈련 자료로 사용한 2016년뿐만 아니라 검증을 수행한 2017년에 대해서도 비슷하게 나타났으므로 해당 모델은 어느 연도에 적용하더라도 일정 수준의 정확도를 기대할 수 있을 것으로 보인다. 특히, 본 연구의 권역별 인공신경망 모델은 전국적으로 훈련한 모델보다 약 2% 정도 오차를 감소시키는 효과를 보였다.
이러한 인공신경망 모델을 적용하여 기존에 일사량 관측이 이루어지던 기상청의 38개 관측소 외에도 일사계가 없는 56개의 종관기상관측소의 일사량을 추정함으로써 총 94개 기상관측소에서의 2017년 한 해의 일사량을 추정하였다. 이를 통해 각 지점과 권역별 일사량 패턴을 파악한 결과 5월과 6월에 일사량이 가장 높았으며, 7월과 8월은 장마와 태풍 등으로 인해 일사량이 급격하게 감소하는 경향을 확인할 수 있었다. 또한 이러한 권역별 일사량 특성은 2017년 한 해의 장마철 특성과도 일치하였다. 본 연구의 권역별 인공신경망 모델을 활용한다면 일사계가 설치되어 있지 않더라도 온도, 기압, 이슬점 온도 등의 기본적인 기상요소를 측정하고 있는 곳이라면 일사량 추정이 가능하다. 이를 통해 많은 비용을 들이지 않고서도 효율적으로 일사량을 추정할 수 있으며, 특히 시간별로 자료를 얻을 수 있는 기상관측자료와 위성영상 자료를 활용함으로써 실시간 일사량 추정의 정확도를 향상시킬 수 있을 것으로 기대된다.
