A System Displaying Real-time Meteorological Data Obtained from the Automated Observation Network for Verifying the Early Warning System for Agrometeorological Hazard

조기경보시스템 검증을 위한 무인기상관측망 실황자료 표출 시스템

김대준

^1*

²

¹

¹

³

³

1

²

³

(2020년 9월 14일 접수; 2020년 9월 23일 수정; 2020년 9월 26일 수락)

A System Displaying Real-time Meteorological Data Obtained from the Automated Observation Network for Verifying the Early

Warning System for Agrometeorological Hazard

Dae-Jun Kim

^1*

²

¹

¹

³

³

1

2

3

ABSTRACT

The Early Warning System for agrometeorological hazard of the Rural Development Administration (Korea) forecasts detailed weather for each farm based on the meteorological information provided by the Korea Meteorological Administration, and estimates the growth of crops and predicts a meteorological hazard that can occur during the growing period by using the estimated detailed meteorological information. For verification of early warning system, automated weather observation network was constructed in the study area. Moreover, a real-time web display system was built to deliver near real-time weather data collected from the observation network. The meteorological observation system collected diverse meteorological variables including temperature, humidity, solar radiation, rainfall, soil moisture, sunshine duration, wind velocity, and wind direction. These elements were collected every minute and transmitted to the server every ten minutes. The data display system is composed of three phases: the first phase builds a database of meteorological data collected from the meteorological observation system every minute; the second phase statistically analyzes the collected meteorological data at ten-minutes, one-hour, or one-day time step; and the third phase displays the collected and analyzed meteorological data on the web. The meteorological data collected in the database can be inquired through the webpage for all data points or one data point in the unit of one minute, ten minutes, one hour, or one day. Moreover, the data can be downloaded in CSV format.

Key words: Automated weather station, Data collection, Data processing, Early warning system, Agrometeorological hazard

* Corresponding Author : Dae-Jun Kim ([email protected])

ⓒ Author(s) 2020. CC Attribution 3.0 License.

I. 배 경

심화되고 있는 지구온난화로 인해 잦아지는 기상이 변은 과원, 농장과 시설 등에 큰 피해를 가져오고 있다.

이에 대한 대응으로 특이기상으로 인한 재해, 특히 농 업분야에 있어 재해의 위험성을 사전에 예측하고 미리 농장주 등에게 알려주는 농촌진흥청 농업기상재해 조 기경보서비스가 경상남도 하동군의 집수역을 시작으 로 경상도 및 전라도의 일부 시군으로 확대되어 2020 년 현재는 총 30개 시군에 서비스 되고 있다. 조기경보 서비스는 기상청으로부터 수집되고 있는 여러 관측 자 료 및 예보자료를 바탕으로 지형의 영향을 반영하여 농장 단위로 상세화하고, 이렇게 상세화 된 기상자료 를 활용하여 작물의 생장진행정도와 이에 따른 발생 가능한 기상재해를 미리 정해진 알고리즘을 통해 예측 하게 된다. 이런 방식으로 상세화 된 기상 정보, 이를 바탕으로 한 생육 단계 추정 정보 및 재해 예측 정보는 여러 기후 통계적인 방법을 통해 추정한 값으로, 이들 자료에 대한 장기간과 다양한 지역에 걸친 검증이 필 수적이라 할 수 있다.

다양한 분야에서 정밀하게 관측한 기상 정보 값을 활용하기 위하여 무인기상관측장비(AWS; Automatic Weather Station)를 설치하고 이용하는 사례가 많아지 고 있다. 대표적으로는 기상청에서 설치하여 운영하고 있는 방재기상관측장비(https://data.kma.go.kr/), 또는 농촌진흥청에서 설치 및 운영하고 있는 농업기상관측 장비(http://weather.rda.go.kr/) 등이 있다. 하지만 이들

장비는 설치 규모가 시군 단위로 넓기 때문에 전국적 인 분포 현황을 감시하기에는 적합할 수 있으나, 앞서 설명한 국지 규모의 복잡한 지형의 상세화 된 기상정 보 등을 검증하기에는 부적합 할 수 있다.

한편 복잡지형의 상세 기상 정보를 검증하기 위하여 경상남도 하동군 악양면을 중심으로한 초고밀도 국지기 상관측망이 구성되어 운영되고 있는데(Kim and Yun, 2011; Yun, 2011; Kim et al., 2012; Kim et al., 2013;

Jung et al., 2013; Kim et al., 2019), 조기경보 서비스 시스템의 지역 확장이 되면서, 이들의 검증을 위한 관측 망의 설치 규모 및 지역 또한 많은 변화가 있었다.

본 기술노트는 기존의 구축된 악양관측망이 현재까 지 어떻게 확장, 발전되었는지 현황을 소개하고, 이렇 게 구축 및 발전되어온 국지 기상 관측망의 수집 데이 터를 통한 해당 지역의 유사한 농업기상 연구 부분의 활용도를 높이고자 작성하였다.

II. 무인기상관측장비

조기경보서비스가 제공되고 있는 전라도 및 경상도 지역에 서비스 검증용으로 설치된 무인기상관측장비 는 설치하는 장소에 대한 제한사항이 적고, 기존의 수 입 고가 기상관측장비와 신뢰도 비교 또한 뒤지지 않 는 높은 정확도를 인정받아 국지 기상 및 생육, 재해 추정 값의 검증용으로 널리 보급된 국산 제품이다 (STA Inc., Korea; Fig. 1, left). 특히 센서 및 자료수집 장치의 전력소모가 적기 때문에 별도의 유선 전원 공

Fig. 1. One of the automated weather stations installed at the study area (left) and the data logger connected with LTE modem (Circle) and power supply (right).

급장치 없이 내장된 태양광전지를 통한 전원공급만으 로 연중 안정적인 운영이 가능하며, 단기간 지역 이동 을 통한 효율적인 관측 또한 가능하다. 기본적으로 1 분 간격 측정 및 내장메모리 저장, 10분 간격으로 CDMA (Code Division Multiple Access) 또는 LTE (Long Term Evolution)방식의 송수신에 의해 지점별 기상데이터가 제작사의 서버로 수집된다(Jung et al., 2013). 2020년 현재 국내 2G 서비스의 공식적인 종료 로 인하여, 4G LTE로의 순차적인 송수신 모뎀의 교체 가 진행 및 완료될 예정이다.

기상관측장비의 구성은 3m 고정형의 기상 타워에 기온, 습도, 강수량, 일사량, 풍속, 풍향 등 총 6종류의 센서가 설치되며, 일부 농장의 AWS에는 토양수분센 서와 일조센서가 추가로 포함된다(토양수분센서 설치 지점명: 너뱅이들, 임실 관촌면2, 드론시험장; 일조센 서 설치 지점명: 금봉사, 무딤이들, 혜림농원, 너뱅이들;

Table 4).

기상 타워의 중간 부분에는 기상자료의 수집장치 (데이터 로거; Model STL-X16, STA Inc., Korea)가 자료를 송수신할 수 있게 하는 CDMA 또는 LTE모뎀, 태양열전열판에 의한 전원 공급용 배터리와 함께 연결 되어 자료수집함 안에 보관된다(Fig. 1, right). 설치된 센서의 온도측정 가능 범위는 -40∼80℃ 이며, 데이터 측정간격은 1분-1시간 간격, 입력 채널로는 온/습도 2 채널, 아날로그 8채널, 디지털 4채널로 구성되어 있다.

또한 통신이 단절되더라도 자료수집장치에 자체 저장 을 4년까지 할 수 있으며, 통신이 다시 연결될 경우 기존 저장된 데이터를 서버로 전송하기 때문에 데이터 가 유실될 가능성이 적다(http://stacorp.co.kr/).

III. 자료 표출 시스템 구성

3.1. 데이터 수집

AWS로부터 얻어지는 원 자료를 원하는 형태로 가 공하고 웹 페이지를 통해 실시간으로 확인할 수 있는 자료 표출 시스템은 데이터 수집, 데이터 통계, 정보 서비스의 세 단계로 구분된다(Jung et al., 2013). 데이 터 수집 단계는 AWS로부터 CDMA 또는 LTE 통신 방식에 의해 실시간으로 수집되고 있는 관측장비 제작 사 서버에 접근하여 10분에 한번씩 1분 단위로 수집한 다(Fig. 2). 수집된 텍스트 형태의 원 자료는 기상요소 별로 분석 및 DB로 구축된다. 데이터 통계 단계는 각 기상 요소에 따라 통계처리(최대, 최소, 평균, 적산 등) 에 의해 10분, 1시간, 1일 자료를 생산하게 되며, 마찬 가지로 DB에 저장된다. 정보 서비스 단계는 DB에 저 장된 기상요소 자료를 전체 지점, 1개 지점, 또는 기간 별로 조회, 다운로드 할 수 있는 웹 서비스 형태로 제 공한다. 세 단계에 대한 DB서버 및 웹 서비스 서버에 대한 시스템 구성은 다음과 같다.

3.2. 서버 구성

조기경보 검증용 AWS 관측 자료 수집 및 표출 시 스템은 국립농업과학원에서 구축한 농업기상재해 조 기경보 컴퓨팅 환경의 일부 자원을 할당 받아 구동된 다(Table 1). 해당 컴퓨팅 환경은 물리적으로 크게 7대 의 서버와 1대의 DAS (Direct Attached Storage; 직접 연결 저장 장치) 형식의 저장 장치로 구성되어 있으며 KVM (Kernel-based Virtual Machine; 커널 기반 가상 머신)을 기반으로 하는 Proxmox VE (Virtual Environment;

Fig. 2. Conceptual diagram of the AWS observation network data collection and real-time weather data display system.

가상 환경)로 클러스터링(Clustering)되어 있다. Proxmox VE는 엔터프라이즈 가상화를 위한 오픈소스 플랫폼 으로써 가상 머신 및 컨테이너, 소프트웨어 정의 스토 리지 및 네트워킹, 고 가용성 클러스터링 등을 관리하 는 기능을 제공한다. 각 서버는 1GbE으로 연결되어 있고, DAS가 연결된 1대의 서버는 스토리지 네트워킹 을 위한 40Gb/s 인피니밴드 네트워크를 탑재하고 있

다(Fig. 3).

조기경보서비스에서 생성되는 자료의 검증을 위한 시스템은 AWS 관측 자료 수집(Fig. 3; AWS Data VM) 서버와 AWS 관측 자료 표출(Fig. 3; AWS Web VM) 서버 두 가지로 구성되어 있다. 두 서버 모두 가 상 머신을 기반으로 제작되었으며, 수집 서버의 경우 관련 소프트웨어의 종속성으로 인해 Windows 운영체

Fig. 3. Conceptual diagram of software environment configuration and hardware environment configuration.

Physical Server Name CPU RAM Storage

NAS Intel Xeon E5-2650v2 x 2ea 192GB 25TB HDD 960GB SSD Node-0 Intel Xeon E3-1231v2 x 1ea 16GB 460GB HDD Node-1 Intel Xeon E5-2650v2 x 2ea 192GB 960GB SSD Node-2 Intel Xeon E5-2630v2 x 2ea 32GB 960GB SSD Node-3 Intel Xeon E5-2630v2 x 2ea 32GB 960GB SSD Node-4 Intel Xeon E5-2690v4 x 2ea 128GB 960GB SSD 4TB HDD Node-5 Intel Xeon E5-2640v4 x 2ea 64GB 960GB SSD

4TB HDD Table 1. Physical Server Specifications for AWS web (data display) system

제를 사용하고 있고 표출 서버는 Linux 운영체제를 사용하고 있다(Fig. 3). 이 가상 머신은 6대의 물리 서 버 중 어느 곳에서도 구동 될 수 있으며 유지 보수 계획에 따라 수동으로, 또는 물리 서버에 문제가 발생 할 경우 다른 정상적인 물리 서버로 자동으로 이동 (Migration)될 수 있다.

가상 머신은 물리 서버의 일부 자원을 할당 받는다 (Table 1). 이때, 자원의 할당은 가상 머신을 최초 생성 할 때 기본적으로 지정하게 되어 있고 시스템과 업무 의 상황이 변함에 따라 점진적으로 확장 또는 축소할 수 있다. 수집 시스템을 위해서 2개의 가상 CPU, 4GB

RAM, 32GB의 운영체제용 디스크, AWS 검증용 자 료 수집 파일을 저장하기 위한 1TB의 추가 디스크를 할당하였다(Table 2). 표출 시스템을 위해서는 상대적 으로 다수의 사용자에게 서비스를 제공할 필요가 있으 므로 수집 시스템 보다 상대적으로 고사양으로 자원을 할당하였다.

3.3. 데이터베이스 구성

데이터베이스는 기본적으로 Jung et al.(2013)에서 구성하고 있는 방식과 동일하다. 데이터를 수집하는 단계에서 생성되는 1분 자료와 1분 자료를 각각의 시

Virtual Server Name CPU RAM Disk

AWS Data 1 socket 2 core 4GB 32GB for OS

1TB for Data

AWS Web 1 socket 4core 8GB 32GB for OS

Table 2. Virtual Server Specifications for AWS web (data display) system

Fig. 4. Servers that operate under virtual environments (A: AWS web server - windows based, B: AWS Data server - linux based).

간단위로 통계처리를 한 10분, 1시간, 1일 자료 등의 데이터를 저장할 수 있는 총 4개의 테이블로 구축되며, 이들을 기상관측장비의 속성 정보와 결합할 수 있는 각각의 사이트 정보 테이블을 별도의 DB형태로 준비 한다(Table 3).

연구가 진행됨에 따라 관측 지점은 설치(신규), 철 수, 이동이 되며, 각각의 지점마다 제공하고 있는 관측 기간은 모두 다르다. 가장 오래된 지점은 하동군 악양 면의 ‘신용주 농장’으로 2014년 5월 23일 16시 31분부 터 2020년 9월 30일 현재까지 총 2,322일의 데이터가

수집되었다. 수집한 기상 요소는 지점 별로 설치된 관 측 센서에 따라 다르며, 설치된 위치는 Fig. 5, 수집되 고 있는 자료의 정보는 Table 4와 같다. 기본적으로 전 지점에 공통적으로 관측, 수집하는 기상 요소는 기 온, 습도, 일사, 강수, 풍향, 풍속이며, ‘혜림농원’, ‘너 뱅이들’, ‘임실 관촌면2’, ‘진안약초시험장’, ‘솔봉농 원’, ‘햇차원’, ‘축지초교’, ‘상명농장’ 지점은 토양수 분을, ‘금봉사’, ‘무딤이들’, ‘혜림농원’, ‘너뱅이들’ 지 점은 일조시간 관측 값을 추가로 관측, 수집한다.

Element Field Name Unit Data type Interval

No. No NT(11) All

AWS ID Point INT(3) All

Time Date VARCHAR(15) All

Air temperature Temp ℃ DOUBLE 1 min

Mean temperature Temp ℃ DOUBLE 10 min/ hourly/daily Max temperature Tmax ℃ DOUBLE 10 min/ hourly/daily Min. temperature Tmin ℃ DOUBLE 10 min/ hourly/daily

Relative humidity Humidity % DOUBLE 1 min

Mean humidity Humidity % DOUBLE 10 min/ hourly/daily Min. humidity Hmin % DOUBLE 10 min/ hourly/daily Solar radiation Intensity solar W/m

²

²

Sunshine Sunshine 0 or 1 DOUBLE 1 min

Sunshine Duration Sunshine Hour DOUBLE 10 min/ hourly/daily Wind direction Direction_wind Deg. DOUBLE 1 min Mean Wind direction Direction_wind deg DOUBLE 10 min/ hourly/daily

Mean Wind speed Wind Speed m/s DOUBLE 10 min/ hourly/daily

Rainfall Rainfall mm DOUBLE 1 min

Daily Rainfall Rainfall mm DOUBLE 10 min/ hourly/daily Daily Solar radiation Amount_solar MJ/m

²

Wind speed Wind Speed m/s DOUBLE 1 min

Max Wind speed Wsmax m/s DOUBLE 10 min/ hourly/daily

Soil moisture1 Moisture1 % DOUBLE 1 min

Soil moisture2 Moisture2 % DOUBLE 1 min

Mean Soil moisture1 Moisture1 % DOUBLE 10 min/ hourly/daily Mean Soil moisture2 Moisture2 % DOUBLE 10 min/ hourly/daily Mean Soil moisture Mavg % DOUBLE 10 min/ hourly/daily Max Soil moisture Mmax % DOUBLE 10 min/ hourly/daily Min. Soil moisture Mmin % DOUBLE 10 min/ hourly/daily Table 3. Database structure for the weather data collected at 1, 10 minutes, hourly and daily time intervals (Adapted Jung et al.(2013))

AWS ID AWS Name Start Date End Date Data

^*

^**

3 Shinyongjunongjang 07-Oct-2010 Up to now O

15 Geumbongsa 16-May-2011 08-Mar-2020 O △

22 Mudimideul 17-May-2011 Up to now O △

28 Hyelimnongwon 05-Jun-2014 Up to now O O△

31 Gangeondeoknongwon 29-Jul-2014 04-Feb-2020 O 35 Donggubatnongjang 29-Jul-2014 Up to now O 36 Baekuncheongarden 29-Jul-2014 Up to now O

37 Hwangtojeongsa 23-Jun-2015 Up to now O

38 Silsangsa 23-Jun-2015 Up to now O

40 Neobaengideul 12-Aug-2015 17-Apr-2020 O O△

45 Gokseong Ogokmyeon 21-Mar-2017 Up to now O 46 Gokseong Gokseongeup 21-Mar-2017 Up to now O 48 Namwon Jusengmyeon 22-Mar-2017 Up to now O 49 Namwon Geumjimyeon 22-Mar-2017 Up to now O 50 Imsil Gwanchonmyeon 23-Mar-2017 Up to now O 51 Imsil Sinpyeongmyeon 23-Mar-2017 Up to now O 53 Jinan Baekunmyeon 24-Mar-2017 12-Jan-2020 O

55 Imsil Gwanchonmyeon2 19-Sep-2018 Up to now O O 56 Drone Pilot Test Site 19-Sep-2018 Up to now O O

57 Jinan Jinaneup 20-Sep-2018 Up to now O

59 Namwon Unbongeup 21-Sep-2018 27-Feb-2019 O

60 Herb Experiment Station 02-Oct-2019 Up to now O O

2 Solbongnongwon 07-Oct-2010 12-Nov-2015 O O

16 Sugoksa 16-May-2011 14-Mar-2017 O

17 Maegyechogyo 16-May-2011 14-Mar-2017 O

18 Haetchawon 16-May-2011 15-Oct-2017 O O

19 Chukjichogyo 16-May-2011 14-Mar-2017 O O

20 Choichampandaek 17-May-2011 23-Mar-2017 O

21 Sangmyeongnongjang 17-May-2011 23-Mar-2017 O O

23 Gamgukdawon 17-May-2011 14-Mar-2017 O

24 Hyungjebong 12-Jul-2012 29-Jul-2014 O

25 Sanchonnongjang 23-May-2014 14-Mar-2017 O

27 Seomjingangpogu 04-Jun-2014 14-Mar-2017 O

29 Dosimdawon 05-Jun-2014 23-Mar-2017 O

30 Ganadanongjang 15-Jul-2014 17-Sep-2015 O

32 Yeongokbungyo 29-Jul-2014 23-Mar-2017 O

33 Bommajung 29-Jul-2014 17-Dec-2014 O

34 Ganamnongwon 30-Jul-2014 16-Dec-2016 O

39 Animal Genetic Resources Center 26-Jun-2015 21-Nov-2018 O Table 4. Attribute table for the automated weather stations with the collected weather elements

3.4. 프로그램 구성

AWS Data 서버에서의 자료 수집은 매 10분마다 수집되어 파일로 저장된다. 자료 수집을 위한 프로그 램은 Windows 운영체제의 Service로 등록되어 있어, 계획되거나 계획되지 않은 재부팅에 대해서 동일하게 자료수집 가능 상태를 유지한다. 수집된 자료는 파일 저장이 완료된 후 5분이 지난 뒤 AWS Web 서버를 통해 데이터베이스에 저장한다. 다만 이전 주기의 작 업이 완료되지 못한 경우 해당 주기의 처리는 무시되 고 다음 주기로 미루어 진다. 이는 장기간 통신이 끊어 졌다가 재개된 경우 또는 과거 수집 자료 전체를 재수 신 하는 경우 등과 같이 대량의 자료 처리로 인한 허용 시간 초과에 대비한 조치이다.

AWS Web서버에서의 주기적 자료 구동은 잡 스케

줄러(Job Scheduler)인 cron서비스(Nokia Bell Labs) 를 이용한다. 매 시각의 5, 15, 25, 35, 45, 55분 마다 파일로 저장된 수집 데이터를 해석하여 이를 DB에 입 력하는 작업을 수행한다. 이때 DB에 입력되는 자료는 매 1분 마다 관측된 자료이며 물리 한계 QC 를 적용한다.

이때 물리 한계 QC의 기준은 기상청 “기상관측표준화 법”에서 제시하고 있는 기준을 적용한다. DB에 입력 된 1분 자료로부터 10분, 1시간, 1 일의 통계 자료를 생성하게 되는데, 1시간이나 1일 자료의 경우 해당 수 집된 해당 시각까지의 자료를 이용하여 통계를 수행하므 로 과거 시점이 되기 전까지 지속적으로 값이 갱신된다.

AWS Web의 자료 표출을 위한 웹 서버는 nginx (https://nginx.org/)를 이용하였다. 또한 Python 언어 를 기반으로 하는 Django 프레임워크를 이용하여 웹 AWS ID AWS Name Start Date End Date Data

^*

^**

41 Suncheon Seungjueup 27-Feb-2017 05-Dec-2017 O 42 Suncheon Woldeungmyeon 27-Feb-2017 05-Dec-2017 O 43 Suncheon Haeryongmyeon 28-Feb-2017 05-Dec-2017 O 44 Suncheon Nakanmyeon 28-Feb-2017 05-Dec-2017 O 47 Gokseong Osanmyeon 21-Mar-2017 21-Mar-2018 O 52 Jangsu Jangsueup 24-Mar-2017 05-Dec-2017 O

54 Jinan Maryeongmyeon 24-Mar-2017 25-Oct-2018 O 　 Data

^*

Data**: O : soil moisture, △ : Sunshine

Fig. 5. Distribution of automated weather stations in study area(left), and in Hadong-gun(right).

시스템의 서버 측(Server side)을 작성하였으며 사용자 와의 상호작용을 담당하는 클라이언트 측(Client side) 은 HTML, Javascript, CSS를 이용하여 작성하였다.

IV. 자료 표출 시스템 사용

4.1. 자료 표출 시스템

조기경보 검증용 AWS 관측 자료 표출 시스템의 접속 URL은 https://aws.agmet.kr/ 이며, 실시간으로 수집되는 데이터를 조회할 수 있다. 메뉴 구성으로는

“최종 수신 센서 값”, “전체 관측 값”, “지점 관측 값”

으로 구분된다. ‘최종 수신 센서 값’ 메뉴는 사이트 접속 시 보이는 초기화면에 해당되며, 전체적인 현황 을 확인할 수 있다. 농장명과 최종적으로 서버로 수신 된 가장 마지막 관측 시각 정보가 제공된다. 또한 v1,

v2, ... v16는 각각의 센서로부터 수신된 기상관측 값 으로 마지막으로 수신된 관측 데이터의 현황을 확인할 수 있다(Fig. 6A).

4.2. 자료 표출 시스템 조회(전체 지점 관측 값, 개별 지점 관측 값)

‘전체 관측 값’ 메뉴는 특정 일자의 전체 지점의 정 보를 확인 할 수 있다. 화면 가장 위에 시간을 설정할 수 있는 메뉴가 있으며, ‘시간간격’, ‘날짜’ 및 ‘시간’을 설정하고 ‘조회하기’를 선택하면 원하는 시간 단위와 원하는 시각에 해당하는 정보를 검색할 수 있다. 또한

‘최근 자료’를 선택하면 관측 정보가 수신된 가장 최근 의 시각으로 자동 설정된다. 시간 간격은 ‘1분’, ‘10 분’, ‘1시간’, ‘1일’ 단위로 선택할 수 있다. ‘1분 간격’

자료의 경우 관측된 실시간의 자료로, 메뉴 구성은 ‘기

Fig. 6. Web pages showing the weather data gathered from whole stations (A) and individual station (B) deployed in the study area.

온, 강우량, 대기습도, 토양수분, 풍속, 풍향, 일사량, 일조유무’이다. 또한, ‘10분 간격’, ‘1시간 간격’, ‘1일 간격’을 선택하면, 메뉴 구성은 "평균기온, 최저기온, 최고기온, 강우량, 대기습도, 토양수분, 풍속, 풍향, 일 사량, 일조시간”으로 변경되며, 이때 설정한 각 시간 간격에 따라 평균, 최고, 최저, 합계 등 통계 정보를 계산하여 표출한다.

‘지점 관측 값’ 메뉴는 특정 일자의 선택된 하나의 지점의 정보를 확인 할 수 있다. 가장 먼저 원하는 지 점을 선택할 수 있으며, ‘지점명 - 최신자료시각’의 순 으로 정보가 표시된다. 다음으로 ‘시간간격’, ‘날짜’ 및

‘시간’을 설정하고 ‘조회하기’를 선택하면, ‘전체 관측 값’과 같이 원하는 시각에 해당하는 정보를 검색할 수 있다. 표출 내용의 메뉴 구성은 ‘전체 관측 값’과 동일 하나, 표출되는 정보는 차이가 있다. ‘전체 관측 값’의 경우 선택된 하나의 동일한 시각에 대한 여러 지점의 정보가 표출되는 반면, ‘지점 관측 값’의 경우 설정한 하나의 지점 정보만이 제공되며, 설정한 시각부터 과 거 자료를 같이 표출한다. 예를 들어 ‘무딤이들’ 지점 과 ‘2020년 7월 30일 15시’를 선택하고 시간 간격은

‘1시간’을 선택 후 ‘조회하기’를 선택하면, ‘무딤이들 지점의 2020년 7월 30일 15시 정보가 가장 위에 표출 되며, 다음으로 14시, 13시, 12시, ...순으로 정보 표 출이 되는 방식이다. 이때 제공되는 데이터 수는 100 개로 ‘1분 간격’을 선택하였다면 설정한 시각을 포함, 99분 전 정보까지 제공되는 방식이다(Fig. 6B).

4.3. 자료 표출 시스템 다운로드

수집된 관측 값에 포함된 오류나, 결측 값 처리, 장 기간 수집된 과거 자료의 경향성 분석 또는 신뢰도 검증을 위하여 조회한 데이터를 사용해야 할 경우가 있 는데, 자료 표출 시스템에서 제공되는 모든 관측 정보는 CSV 포맷으로 다운로드 할 수 있다. ‘전체 관측 값’

메뉴와 ‘지점 관측 값’ 메뉴에서 다운로드를 할 수 있 으며, 조회 기간을 설정하고, 시간 간격을 설정하여 다운로드를 할 수 있다. 이 때 엑셀에서 지원하는 데이 터 양에 한계가 있기 때문에 최대 조회 기간은 2년을 넘지 않도록 설정하는 것을 권장한다(Jung et al., 2013).

적 요

농촌진흥청 농업기상재해 조기경보시스템은 기상 청으로부터 제공되는 기상정보를 활용하여 농장 단위

로 상세 추정하고, 추정된 상세 기상정보를 바탕으로 작물의 생육 추정 및 생육이 진행됨에 따라 발생할 수 있는 기상 재해를 예측하여 사용자에게 미리 전달 한다. 이들 예측 정보를 검증하기 위한 무인기상관측 망을 연구 지역 내에 구축하였으며, 관측망으로부터 수집되는 기상 실황 자료의 실시간 웹 표출 시스템을 구축하였다. 기상관측장비로부터 수집되는 기상요소 로는 기온, 습도, 일사량, 강우량, 토양수분, 일조시간, 풍속, 풍향 등이며, 1분단위로 수집 및 10분 간격으로 서버로 전송된다. 자료 표출 시스템은 기상관측장비로 부터 수집되는 1분 단위의 기상자료를 DB로 구축하는 1단계, 수집된 기상자료를 10분, 1시간, 1일 단위로 통계 분석하는 2단계, 수집 및 분석한 기상자료를 웹 으로 표출하는 3단계로 구성된다. DB에 수집된 기상 자료는 웹 페이지를 통해, 전체 지점 또는 1개 지점의 1분단위, 10분단위, 1시간 단위, 1일 단위로 조회할 수 있으며, CSV 포맷으로 다운로드 할 수 있다. 자료 표출 시스템 접속 URL은 http://aws.agmet.kr 이다.

감사의 글

본 논문은 농촌진흥청 공동연구사업(과제번호:

PJ014879042020)의 지원에 의해 이루어진 것임.

REFERENCES

http://stacorp.co.kr/

http://weather.rda.go.kr/

https://data.kma.go.kr/

Jung, M. R., J. H. Kim, Y. E. Moon, and J. I. Yun, 2013: Implementation of a real-time data display system for a catchment scale automated weather observation network. Korean Journal of Agricultural and Forest Meteorology 15(4), 304-311. (in Korean with English abstract) DOI: 10.5532/KJAFM.2013.15.

4.304

Kim, D. J., S. O. Kim, J. H. Kim, and E. J. Yun, 2019: Establishment of Geospatial Schemes Based on Topo-Climatology for Farm-Specific Agrometeorological Information. Korean Journal of Agricultural and Forest Meteorology 21(3), 146-157.

(in Korean with English abstract) DOI: 10.5532/

KJAFM.2019.21.3.146

Kim, S. O., and J. I. Yun, 2011: A quantification method for the cold pool effect on nocturnal temperature in a closed catchment. Korean Journal

of Agricultural and Forest Meteorology 13(4), 176-184. (in Korean with English abstract) Kim, S. O., J. H. Kim, D. J. Kim, and J. I. Yun,

2012: Wind effect on the distribution of daily minimum temperature across a cold pooling catchment.

Korean Journal of Agricultural and Forest Meteorology 14(4), 277-282. (in Korean with English abstract) Kim, S. O., D. J. Kim, J. H. Kim, and J. I. Yun,

2013: Improving usage of the Korea Meteorological Administration’s digital forecasts in agriculture: I.

Correction for local temperature under the inversion condition. Korean Journal of Agricultural and Forest Meteorology 15(2), 76-84. (in Korean with English abstract)

Yun, J. I., 2011: Observation of the cold-air drainage and thermal belt formation in a small mountainous watershed by using an infrared imaging radiometer.

Korean Journal of Agricultural and Forest Meteorology 13(2), 79-86. (in Korean with English abstract)