상대습도 40- 60%, 평균풍속 2m/s 이하
II. K-DMSS 주요 특징
“ KISTI는 풍수해 재난대응을 위한
의사결정지원 시스템을 개발
”
해가 발생했다. 이처럼 우리나라 자연재해는 주로 풍수해이다. 이에, 2016년 기상 청 영향예보 시범서비스로 태풍 영향예보가 제일 먼저 실시된 바 있고, 2018년 신 규 국가연구개발사업으로 기획한 ‘자연재해 영향예보 생산기술 개발’ 사업에도 태 풍 영향예보가 포함되어 있다.
한편, 재난대응HPC연구센터는 2015년에 처음 만들어진 조직이지만, 고성능컴 퓨팅 활용 계산과학 전문가 그룹과 빅테이터 활용 정보분석 전문가 그룹이 모여서 의사결정지원시스템 개발을 위한 다학제간 융합연구가 활발히 이루어지고 있다.
센터에서는 기상청 영향예보 중에서도 특별히 태풍에 의한 침수 영향예보 의사결 정 과정에서 필요한 각종 정보를 수집·생산 및 분석할 수 있는 소프트웨어 체계로 써 활용이 가능할 것으로 기대되는 풍수해 재난대응을 위한 ‘KISTI 의사결정지원 시스템(이하 K-DMSS)’4)을 개발한 바 있다. 본 고에서는 K-DMSS에 대한 소개를 바 탕으로 기상정보의 영향예보 활용 방법을 갈음하고자 한다.
“
정 책 초 점
•KISTI 재난대응 의사결정지원시스템(K-DMSS) 소개•
테스트베드 클러스터 시스템의 전체 이론 성능은 176.4TFlops
이터로부터 사회·경제적 영향을 분석하는 시스템, (4)관측·예측·분석 데이터를 2·3”
차원으로 표출하는 시스템.
고해상도 모델링·시뮬레이 션을 위한 빠른 계산능력이 중요한 예측 시스템은 HPC 테스트베드를 이용하고, 복 잡하고 다양한 대규모 데이 터의 동시 처리능력이 중요 한 분석 시스템은 빅데이터 테스트베드를 이용하여 개 발되었다. 테스트베드 클러 스터 시스템의 전체 이론 성 능은 176.4TFlops이며, 서 비스 개발용(96.4TFlops)과 시범서비스 구축용(80TFlops) 으로 분리되어 있다. 예측·
분석 과정에서 원활한 데이 터 교환 및 정보 관리를 위 해서 고성능 네트워크 통신 이 지원되는 인피니밴드 스 위치를 사용하여 내부 네 트워크를 구성하였고, 방대 한 데이터의 저장을 위하여 1,152TByte의 Lustre 파일 시스템을 구축하였다(그림 2).
[그림 1] KISTI 의사결정지원시스템(K-DMSS) 구성도
[그림 2] K-DMSS 테스트베드 클러스터 시스템(CHAOS) 구성도
“ Open API는 사용자가 에이전트
프로그램을 통하여 재난정보통합 시스템에 접속이 가능하게 함
”
2. 재난정보통합 시스템과 재난정보 웹 포털
K-DMSS를 구성하는 예측·분석·표출 시스템에서 필요로 하는 데이터를 수집·
저장·가공·교환하는 업무를 전담하는 재난정보통합 시스템의 주요 특징은 다음과 같다(그림3). 첫째, 서로 다른 분야의 데이터를 통합적으로 활용하기 위해서 각 분 야 데이터를 공통의 메타데이터를 기반으로 일관성 있게 표준화하여 관리한다. 둘 째, 개별적으로 수집되어 보관되고 있는 다양한 관측 데이터를 효과적으로 공유하 고 활용하기 위해서 OAI-PMH와 같은 표준 메타데이터 교환 프로토콜을 이용하 여 메타데이터 수집 및 분배 기능을 제공한다. 셋째, Open API를 제공함으로써 사 용자가 브라우저를 이용하여 웹에 접속하지 않고도 에이전트 프로그램을 통하여 재난정보통합 시스템에서 제공하는 데이터를 검색하고 상세 정보를 가져갈 수 있 다. 넷째, 대용량 데이터를 실시간으로 교환하기 위해서 빅데이터 플랫폼의 특성을 고려한 자료 저장 및 메시지 교환 체계를 지원한다. 저장소의 수평적 확장이 가능 한 분산 파일 시스템을 이용하여 데이터를 저장·관리하고 있으며, 수많은 사용자 들의 요청을 실시간으로 처리하기 위해서 메시지 교환도 분산·병렬 처리 프레임워 크를 기반으로 동작한다.
다섯째, 재난정보통합 시스 템은 데이터 수집, 데이터 변환, 모델 시뮬레이션, 결 과 가시화, 예측 데이터 분 배와 같은 여러 복잡한 처 리 과정들을 개념 기반으 로 설계된 워크플로우 디 자인 도구를 이용하여 통 합적인 시나리오를 설계하 고 운영할 수 있는 환경을 제공한다.
[그림 3] K-DMSS 재난정보통합 시스템 구성도
“
정 책 초 점
•KISTI 재난대응 의사결정지원시스템(K-DMSS) 소개•
재난정보통합 시스템의 모든 기능은 메인 페이지와 7개의 서브페이지로 구성
”
재난정보통합 시스템의 모든 기능은 메인 페이지와 7개의 서브 페이지로 구성 된 재난정보 웹 포털을 통하여 사용자에게 제공된다(그림4). 메인 페이지는 키워 드 검색과 요약 통계 화면으로 구성되어 있고, 서브 페이지는 (1)메타데이터 검색을 위한 검색 페이지, (2)시나리오의 진행 상황을 파악하는 모니터링 페이지, (3)메타 데이터 등록 및 관리를 위
한 메타데이터 페이지, (4) 각종 등록 자원들에 대한 메타데이터 및 원시데이터 를 보여주는 자원 페이지, (5)수집 자원 및 애플리케 이션 현황에 대한 정보를 보여주는 통계 페이지, (6) 프로세스들을 워크플로우 기반으로 결합하여 시나 리오 생성을 도와주는 시 나리오 페이지, (7)워크플 로우 상의 프로세스 정보 와 파라미터 제약 조건을 입력하는 프로세스 페이지 로 구성되어 있다.
재난정보 웹 포털은 데이터의 수집 및 분배와 관련된 여러 편의 기능을 제공하고 대용량 관측·예측 데이터의 안정적인 관리를 수행함으로써 재난정보 공유 및 확산 체제 구축에 기여하는 것을 추구하고 있다. 특히 워크플로우 기반으로 시나리오를 생성하고 운영하는 것이 편리하게 구현되어 있어서 향후 풍수해뿐만 아니라 다른 유형(산불/산사태 등)의 재난정보 서비스 개발까지 확대할 계획이다.
[그림 4] K-DMSS 재난정보 웹 포털 메인 페이지와 시나리오 페이지
“ SVD와 SVT 알고리즘을 내재화하여 세계최고 수준 대비 100.12% 정확도 달성 ”
3. 분산 딥러닝 플랫폼 기반 재난 지식탐지
실시간/주기적으로 생산되는 센서 데이터를 분석하여 발생한 재난의 강도 및 피 해 정도를 미리 예측하는 재난 지식탐지 시스템을 개발하였다. 2015년부터 태풍, 홍수, 침수와 관련한 재난 예측 정보, 기상 센서 데이터, 재난 이력 데이터 등의 스트 림 빅데이터를 통합 분석하여 피해상황을 조기에 탐지하고, 지식탐지의 정확성과 적시성을 확보하였다. 그리고 세계 최고 수준의 지식탐지 알고리즘(RRPR)5)을 벤치 마킹한 SVD6) 및 SVT7) 알고리즘을 내재화하여 시스템에 적용하였다(세계최고 수 준 대비 100.12% 정확도).
현재 최고의 정확성을 보이고 있는 딥러닝 기술을 적용하기 위한 알고리즘 및 플 랫폼 개발을 진행 중이다(그림5). 다양한 형태의 딥러닝 알고리즘들을 탑재할 수 있 는 범용 딥러닝 플랫폼의 모 습을 지향하고, 위성 영상 데 이터와 기상 센서 데이터 등 대용량 데이터(70 TByte)를 고속으로 학습할 수 있는 분 산 형태로 플랫폼을 설계하 였다. 분산 딥러닝 플랫폼을 활용하여 재난 상황정보를 신속, 정확하게 제공함으로 써 재난대응 의사결정 지원 의 효과를 제고할 것으로 기 대한다.
5 RRPR(Reduced Rank Penalized Regression): 지식 추론 및 탐지에서 세계 최고로 정확한 알고리즘
6 Singular Value Decomposition: 행렬에서 missing value를 추정하기 위해 원본 데이터셋과 추정치 간 오류를 최소화해 주는 행렬 분해 방법
7 Singular Value Thresholding: SVD 알고리듬에 thresholding 값을 적용하여 행렬 곱의 수를 줄이는 방식으로 행렬 분해의 신 속성까지 확보할 수 있는 방법
[그림 5] 재난 지식탐지를 위한 분산 딥러닝 플랫폼 구성도
“
정 책 초 점
•KISTI 재난대응 의사결정지원시스템(K-DMSS) 소개•
분산 딥러닝 플랫폼을 이용한 주요 지식탐지 대상은 태풍진로 예측
”
분산 딥러닝 플랫폼을 이용한 주요 지식탐지 대상은 태풍진로 예측이다(그림 6). 딥러닝 기반 태풍진로 예측 연구에는 WRF8) 모델에 의한 기상예측 데이터, 태 풍진로 예측 데이터, 기상위성영상 데이터가 활용되고 있으며, 기존의 모델기반 6 시간 예측 정확도보다 더 정
확한 결과를 도출하는 것을 1차 목표로 하고 있다. 이를 위해 CNN9) 및 RNN10)이 결 합된 형태의 Wide/Deep 인 공신경망 예측 모델을 개발 중이다.
수치모델 데이터를 이용 하는 경우에는 기상변수와 예상 진로 데이터를 학습 데 이터로 활용한다. 위성영상 데이터를 이용하는 경우에 는 입력(End)은 과거 태풍
위성영상, 출력(End)은 미래 태풍 위성영상을 활용하는 End-to-End 학습을 실 시한다. 과거 태풍 사례에 대해 5개의 WRF 모델이 생산한 6시간 이후의 주요 기 상변수와 예상 진로 데이터(3TByte 이상)를 확보하여 딥러닝 모델 학습을 진행하 고 있다. 또한 천리안 위성영상 데이터에서 태풍 중심 좌표를 CNN을 이용하여 찾 아내고 있다.
수치모델과 딥러닝 모델을 결합한 태풍진로 예측은 국내에서는 처음 시도되는 일이다. 딥러닝 모델 학습에서는 대규모 데이터를 사용하는 것이 필수적이어서 다 수의 고성능 GPU를 탑재한 분산 딥러닝 플랫폼에서 학습을 수행할 예정이다. 성
8 Weather Reserach and Forecasting 9 Convolutional Neural Network (합성곱신경망) 10 Recurrent Neural Network (순환신경망)
[그림 6] 딥러닝 기반 수치모델/위성영상 데이터를 활용한 태풍진로 예측 개념도
“ 빅데이터 분석 플랫폼 기반으로
매출 데이터를 이용해 재난피해 예측시스템 개발
”
공적인 연구 수행을 통해, 재난 예측기술 개발에 딥러닝 기법을 적용한 초석이 될 것이며, 재난예측 정확도 향상에 기여한 우수사례가 될 수 있을 것으로 기대한다.
4. 빅데이터 분석 플랫폼 기반 재난 피해예측
빅데이터 분석 플랫폼 기반으로 매출 데이터를 이용해, 침수 상황에서 발생할 수 있는 운영피해를 추정하는 재난 피해예측 시스템을 개발하였다(그림7). 이를 위해, 지역별로 실제 매출 데이터를 이용하여 평시 매출 추정 모델을 개발하였다.
운영피해는 평시 매출 결 과에 침수 피해 수준과 지역 취약성을 고려하여 블록 단 위를 기준으로 추정한다. 침 수심에 따른 매출 피해 정도 는 일본 치수경제 조사 매뉴 얼에 따라 영업 정지 또는 정 체 기간을 산정하여 추정하 고, 해당 블록의 과거 피해 이력 통계자료를 근거로 지 역 취약도를 계산하여 최종 운영피해를 추정한다. 과거 피해 이력 자료는 재해연보11), 재난보고문서12) 등에서 수집하고, 빅데이터 분석 기 술을 이용하여 수집된 문서로부터 지역 기반의 피해 발생 이벤트를 분석한 후에 재 난 유형에 따른 지역의 취약 정도를 계산한다.
재난 피해예측 시스템은 재난정보통합 시스템을 통해 예측 시스템과 연계되어 있 어서 재난이 발생하기 전에 미래 재난발생 상황에서의 운영피해를 미리 추정할 수 있다. 따라서 지역 소상공인 또는 재난 대응 관계자들에게 더욱 구체적인 정보를 전
11 국민안전처 재해연보로부터 수집
12 국민안전처안전관리일일상황 http://www.mpss.go.kr/home/news/disasterInfo/safetyDailySituation/
[그림 7] 빅데이터 분석 기반 재난 피해예측 시스템 구성도