중력모델을 적용한 미세먼지 흐름 패턴 시공간 시각화
Spatio-temporal Visualization of PM10 Flow Pattern Using Gravity
Model
이건우1) · 염재홍2)
Lee, Geon-Woo
· Yom, Jae-HongAbstract
Conventional visualization of PM (Particulate Matter)10 flows applies superimposition of concentration distribution maps and wind field maps. This method is efficient for small scale maps where only macro flow trends are of interest. However, in the case of urban areas, local flows are difficult to model at micro level using wind fields, and therefore different methods of flow extraction is deemed necessary. In this study, flow information is extracted and visualized directly from the PM10 density data by using the gravity model. This method has the advantage that additional information such as wind field is not necessary for estimating the intensity and direction of PM10 flow. The extracted spatio-temporal flow patterns of PM10 are analyzed with relation to traffic information.
Keywords : Spatio-temporal Visualization, Flow Visualization, PM10 Flow 초 록
이 연구에서는 미세먼지 시공간 변화 표현의 단점을 개선하고자 미세먼지를 흐름으로 시각화하였다. 일반적으로
미세먼지 흐름 시각화는 농도 분포와 바람장을 중첩해 표현하지만 도시 단위 이하 국지적 이동의 경우 바람과 미세
먼지 이동이 다를 수 있으므로 바람장을 사용하는 것이 적합하지 않을 수 있다. 제시하는 시각화 방법론은 미세먼
지 자료에서 직접 흐름 정보를 추출한다는 점에서 기존 연구와 차별성을 갖는다. 공간 상호작용을 설명하는 중력모
델을 확장한 흐름 추출 방법을 미세먼지 자료에 적용하여 미세먼지 분포 변화에서 흐름 정보를 추출하였다. 이를
위해 공간보간법을 이용하여 미세먼지 분포도를 작성하였으며 추출된 미세먼지 흐름 정보를 물방울 모양의 움직
이는 입자를 이용해 동적으로 시각화하였다. 산업 및 교통 활동이 시작하는 오전 5~7시 시간대를 대상으로 서울시
미세먼지 평균 흐름을 시각화하였으며 미세먼지 요인 중 하나인 교통정보와 연계하여 시각적으로 관련성을 분석하
였다 .
핵심어 : 시공간 시각화, 흐름 시각화, 미세먼지 흐름
417 Received 2019. 09. 25, Revised 2019. 10. 12, Accepted 2019. 11. 28
1) Dept. of Geoinformation Engineering, Sejong University (E-mail: [email protected])
2) Corresponding Author, Member, Dept. of Environment, Energy & Geoinformatics, Sejong University (E-mail: [email protected]) Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography
Vol. 37, No. 6, 417-426, 2019
https://doi.org/10.7848/ksgpc.2019.37.6.417
ISSN 1598-4850(Print) ISSN 2288-260X(Online) Original article
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://
creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium,
provided the original work is properly cited.
418
1. 연구 배경과 목적
미세먼지 자료는 시간과 공간 정보를 포함하고 있으므로 시 공간적 특성을 이해하는 것이 중요하다. 미세먼지 시공간 특성 을 이해하기 위한 효과적인 방법 중 하나가 시공간 시각화 기술 이다 . 시각화는 인간 인지능력을 증폭시키기 위해 컴퓨터를 이 용한 대화식 시각적 표현을 사용하는 것이며 의사결정을 위한 통찰을 목적으로 한다(Card et al., 1999). 시각화는 데이터 탐 색 도구로써 전반적인 경향뿐만 아니라 예상하지 못한 패턴 같 은 데이터에 숨어있는 정보 발견에 중요한 역할을 한다(Keim et al., 2010).
미세먼지 시공간 시각화에는 시간 간격으로 레이어를 나 열하는 snapshot model 개념이 일반적으로 사용된다. Jeong (2014)은 IDW (Inverse Distance Weighted) 보간법을 사용하 여 서울시 미세먼지 공간분포도를 생성하고 시간순으로 나열 하여 시공간 특징을 분석하였다. Xiao et al. (2018)은 미세먼지 와 대기오염 물질의 시공간 변화와 패턴을 분석하기 위해 공간 분포도를 시간순으로 나열하고 시계열 그래프를 함께 이용하 였다 . 한국환경공단은 전국 실시간 대기오염도 공개 서비스인 Airkorea를 운영하고 있으며 한 시간 간격의 미세먼지 공간 분 포도를 이용해 시공간 변화 정보를 제공한다(KECO, 2019).
미세먼지 공간분포를 시간순으로 나열하여 시공간적 변화 를 표현하는 방법은 사람이 직접 변화를 파악해야 하므로 데 이터에 존재하는 정보를 놓치거나 오해할 수 있다. 이 연구에서 는 이러한 문제를 개선하기 위해 미세먼지 분포의 시공간적 변 화를 흐름으로 표현한다. 흐름으로 미세먼지를 표현하면 시공 간적 변화를 동시에 표현할 수 있어 기존 미세먼지 시공간 시 각화의 단점인 인지 및 지각 한계를 보완할 것으로 판단하였다.
기존 미세먼지 흐름 시각화 방법은 미세먼지 분포도와 바람 장을 중첩하여 흐름을 표현한다. 일반적으로 미세먼지 분포의 변화는 기압 및 바람과 관련이 있다(Tian et al., 2014). 하지만 도시 단위 이하 국지적인 변화의 경우 저고도 기류가 급변하며 지형지물에 의한 변동성이 크기 때문에 바람과 관련성이 낮다 (Jeollabuk-do, 2017). 따라서 바람장을 이용한 미세먼지 분포 변 화 시각화 방법은 국가 단위 대규모 변화를 표현하는 데 적합하 지만, 도시 단위 이하 국지적 변화는 바람장과 미세먼지 분포 변 화의 관련성이 일정하지 않으므로 적용이 어렵다. 또한 이 방법 은 바람이라는 추가적인 정보가 필요하다는 단점이 있다. 이러 한 한계는 여러 시점의 미세먼지 분포에서 변화 패턴을 직접 추 출하고 흐름으로 시각화하여 개선한다.
이 연구의 목적은 도심지와 같은 지역에 대해서 미세먼지의 흐름을 바람장에 의존하지 않는 시각화하는 방안을 제시하는
것이다 . 또한 본 연구에서는 미세먼지 분포 변화 패턴을 흐름으 로 시각화하고 교통정보와 관련성을 분석한다. 세밀한 분석을 위해 도로를 등급에 따라 구분하고 차량 정체 정도를 의미하는 통행속도 자료를 이용한다.
2. 미세먼지 시공간 시각화 연구 동향
미세먼지 시공간 시각화 기술은 다양하게 연구되고 있다. Li et al.(2016)은 미세먼지를 포함한 대기오염 물질의 시공간 정보 를 직관적이고 정확히 전달하기 위해 시각화 도구의 특성을 고 려한 시각화 방법론을 제시하였다. 선 그래프와 히트맵, 평행좌 표 차트 등 시각화 도구를 이용해 시간적 특성을 분석하고 공 간 분포도를 생성해 공간적 특성을 파악한다. Ahn (2016)은 대 기오염 물질의 시공간 패턴을 파악하기 위해 시계열 정보를 담 은 시각화 도구와 지도를 연결하는 방법을 제안하였다. 공간 객 체를 색상으로 구분하고 병렬로 연결된 차트에 시간에 따른 공 간 객체의 속성 변화를 나타낸다. Keler and Krisp (2015)는 미 세먼지 분포도를 3차원으로 표현해 미세먼지 시공간 특징을 추 출하는 방법을 제시하였다. Lu et al. (2017)은 시간 패턴을 탐색 하는 새로운 시각화 방법을 제안하였으며 Fig. 1과 같다. 이 방 법은 방사형 트리맵을 이용하여 분기나 월, 일 단위 계층적 시 간 순환 패턴을 탐색하는 시각화 도구를 이용해 시공간 분석 을 수행한다.
미세먼지 시공간 분석을 위한 새로운 시각화 방법뿐만 아 니라 시각화 시스템에 관한 연구도 진행되고 있다(Liao et al., 2014; Zhou et al., 2017; Du et al., 2017). Du et al. (2017)은 지도 와 연결된 히트맵, 캘린더 뷰(calendar view), 선 그래프를 이용 하여 대기오염 측정소 자료의 시공간 추세와 패턴을 탐색하고 분석하기 위한 시각화 시스템을 제시하였다. 이 시스템은 Fig. 2 와 같으며 상단 히트맵과 캘린터 뷰를 이용해 공간 분포와 시간 패턴을 탐색하고 하단 선 그래프로 전체 경향을 확인할 수 있 다 . Zhou et al. (2017)은 미세먼지를 포함한 대기오염 물질의 시 공간 특징을 탐색하기 위해 공간 클러스터를 추출하고 시각화 하는 전문가용 시스템을 제안하였다. 이 시각화 시스템은 지도 와 트리맵으로 공간 클러스터의 계층적 구조와 속성을 표현하 고 선 그래프와 방사형 차트를 통해 공간 클러스터가 시간에 따 라 어떻게 변하는지 나타내었다.
미세먼지 시공간 시각화 방법 및 기술은 각각 고유한 특장점
이 있으며 대부분 지도를 기반으로 차트를 상호 연결하고 small
multiples 방식을 이용하여 시공간 정보를 시각화한다. Small
multiples는 작은 크기의 차트들을 나열하는 방법으로 데이터
의 특성에 따라 다양하게 응용되는 시공간 시각화 기술이다
Spatio-temporal Visualization of PM10 Flow Pattern Using Gravity Model
419 (Tufte, 1991). 이러한 방법은 시간과 공간을 별개의 뷰(view)로
시각화하는 방법으로 시간적 변화와 추세 파악에는 효과적이 지만 시간에 따른 공간 분포의 변화나 패턴을 파악하는 데는 한계가 있다.
최근 새로운 시각화 방법을 개발하거나 시각화 시스템을 제 시하는 수준으로 발전하였다. 기존 연구들은 미세먼지의 시간 적 패턴 탐색에 초점을 두고 있다. 반면에 공간 분포 변화와 패 턴을 파악하기 위한 시각화 기술에 관한 연구는 부족한 실정이 다 . 이 연구에서는 시간에 따른 미세먼지 공간 분포 변화를 효 과적으로 표현하기 위한 흐름 시공간 시각화 방안을 제시한다.
Fig. 1. Multi-granularity time zooming visualization technique (Lu et al., 2017)
Fig. 2. Station-based air quality data visual analysis system(Du et al., 2016)
3. 이론적 배경
3.1 중력모델을 이용한 공간 분포 변화 정보 추출
이 연구에서는 여러 시점의 미세먼지 분포에서 추출한 변화 패턴을 흐름으로 표현하였으며, 기상 및 기후 정보 등 추가 정보 없이 미세먼지 관측 자료에서 흐름을 직접 추출하는 방법으로 중력모델을 이용한다. 중력모델은 두 물체 사이의 인력은 두 물 체의 질량-의 곱에 비례하고 두 물체 간의 거리에 반비례한다는
‘뉴턴의 만유인력 법칙’의 개념에 근거한다. 주로 질병 확산(Li et al., 2011), 이주 및 여행 등 인간 이동(Lewer and Van den Berg, 2008; Liu et al., 2014), 무역 흐름(Martínez-Zarzoso and Nowak- Lehmann, 2003)같은 현상의 공간적 상호작용 즉 공간상 이동 을 설명하는 데 사용된다. 중력모델은 두 지점 사이에 작용하는 힘에 대한 식으로 Eq. (1)과 같다.
×
×
∙
×
(1)
where
×
×
∙
×
represent the gravity at
×
×
∙
×
and
×
×
∙
×
,
×
×
∙
×
is distance between
×
×
∙
×
and
×
×
∙
×
,
×
×
∙
×
and
×
×
∙
×
are the mass at
×
×
∙
×
and
×
×
∙
×
,
×
×
∙
×
and
×
×
∙
×
are weight parameters.
중력모델을 이용해 공간 이동 방향을 추출하는 방법과 응 용에 관한 다양한 연구가 진행되고 있다. Kincses and Tóth (2014)는 중력 크기와 함께 방향을 측정할 수 있도록 중력모 델을 확장하였다. Javed et al. (2012)은 중력모델을 기반으로 추출한 방향 정보를 2차원 맵 내비게이션 기술에 적용하였다.
Kim et al. (2018)은 여러 시점의 공간분포 자료로부터 이동 및 흐름 패턴을 추출하기 위해 시공간적으로 확장한 중력모델을 제안하였다.
이 연구에서는 방향 정보가 없는 미세먼지 시공간 흐름 정보 추출을 위해 Kim et al. (2018)이 제안한 중력모델 기반 흐름 추 출 방법을 미세먼지 데이터에 적용하였다. Eq. (1)의 질량에 해 당하는 값에 미세먼지의 농도를 대입한다. 각 위치에서 미세먼 지의 중력은 Eq. (2)와 같다. 각 위치에서 받는 중력 값에 방향 커 널을 곱하는 방식으로 합성곱 연산하여 흐름 정보(벡터 필드) 를 생성하며 Eq. (3)과 같다. 방향 커널은 평균 풍속을 기준으로 크기를 설정해 미세먼지 시공간 특성을 고려하였다.
×
×
∙
×
(2)
Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 37, No. 6, 417-426, 2019
420 where
×
∙
×
means image value at
×
∙
×
that replace the mass in Ep. (1).
×
×
∙
×
(3) where
×
×
∙
×
is the spatial kernel size,
×
×
∙
×
is the time kernel size.
×
×
∙
×
is the Euclidean distance between
×
×
∙
×
and
×
×
∙
×
.
Figs. 3 and 4는 시뮬레이션 데이터를 이용하여 중력모델 성 능을 실험한 결과이다. 실험 데이터는 집중 및 확산 패턴과 이 동 패턴을 갖는 두 가지 케이스로 생성하였다. Fig. 3는 집중 및 확산 케이스를 중력모델에 적용한 결과로서 시간 변화에 따른 공간 분포의 집중 및 확산 패턴이 추출되었다. 샘플 데이터 왼 쪽 위는 t-1 시점에서 t+1 시점으로 시간이 흐르면서 중심부 값 이 낮아지고 있으며, 오른쪽 아랫부분은 시간이 지나면서 중심 부 값이 높아진다. 이 샘플 데이터를 중력모델에 입력하여 분포 변화 흐름 정보를 추출하였다. 시간이 지나면서 중심 값이 낮아 진 곳은 중심부로부터 확산되는 흐름 패턴을 가지고 있으며, 시 간이 지나면서 중심부가 높아지는 곳은 중심부로 집중되는 흐 름 패턴을 보인다.
Fig. 4는 공간 분포 이동 패턴 케이스를 중력모델에 적용한 결과로 시간 변화에 따른 이동 흐름 패턴이 추출되었다. 샘플 데 이터는 t-1에서 t+1 시점으로 시간이 흐르면서 공간 분포가 우 측으로 이동한다. 이 경우 추출된 분포 변화 패턴은 t+1의 중심 부로 이동하는 흐름이 추출되었다.
t-1 t t+1
Fig. 3. Extracting vector fields of sample data : the case of concentration and dispersion
t-1 t t+1
Fig. 4. Extracting vector fields of sample data : the case of movement
3.2 흐름 시각화 방법
미세먼지 흐름 시각화 사례는 IQAir (2019)의 AirVisual earth, Nullschool (2019)의 Earth, Windy (2019)의 Windy.com 등이 있다. Fig. 5는 Nullscholl의 Earth이며 시간에 따른 미세먼 지 분포 변화를 표현하기 위해 미세먼지 분포도와 바람장을 중 첩해 흐름으로 시각화한다. 이때 바람은 선 모양의 입자를 동적 으로 표현하여 바람 강도와 방향을 나타낸다. 이 연구에서 제시 하는 시각화 방법은 바람에 의존하지 않는 미세먼지 흐름 시각 화라는 점에서 차별된다.
중력모델을 이용해 추출한 미세먼지 흐름 정보는
×
×
∙
×
로
구성된 벡터 필드이며, 벡터 필드는 공간상의 각 위치를 벡터
로 대응시킨 자료의 형태이다. 벡터 필드 시각화는 흐름의 패
턴을 표현하는 기술로 direct flow visualization, texture-based
flow visualization, geometric flow visualization, feature-based
flow visualization 등이 있다(Laramee et al., 2004). Laidlaw et
al. (2005)은 2차원 벡터 필드 시각화를 위한 6가지 방법을 비
교 분석하였으며, 스트림 라인 또는 패스 라인을 생성하여 벡터
필드 특징을 시각화하는 texture-based flow visualization 방법
인 LIC (Line Integral Convolution)(Cabral and Leedom, 1993)
이 2차원 흐름 패턴 시각화에 적합한 것으로 보고하였다. LIC
은 2차원 벡터 필드 시각화를 위한 일반적인 방법으로 모든 벡
터 필드의 구조적 특징이 자세하게 표현된다는 장점이 있지만,
방향성이 불명확하다는 단점이 있다. Wegenkittl et al. (1997)은
벡터 필드의 명확한 방향성을 표시하기 위해 LIC의 밀도를 낮
추고 물방울 모양 입자를 사용하여 방향성을 인식할 수 있도
록 한 OLIC (Oriented Line Integral Convolution)을 제안하였
Spatio-temporal Visualization of PM10 Flow Pattern Using Gravity Model
421 다 . Fig. 6은 OLIC 예시로 좌측은 시계방향 우측은 반 시계 방
향성을 인지할 수 있다. 이 연구에서는 OLIC 방법을 이용한 흐 름 시각화를 적용하였다.
Fig. 5. Case of flow visualization of PM10 : Nullschool’s Earth Airvisual Earth (http://earth.nullschool.net,
accessed Mar 25, 2019)
Fig. 6. OLIC : the following examples illustrate an extension of Line Integral Convolution which depicts direction and
orientation within a flow (Wegenkittl et al., 1997)
4. 미세먼지 시공간 흐름 추출 및 시각화
4.1 미세먼지 흐름 시각화 과정 및 데이터 전처리
실험 과정은 Fig. 7과 같으며 크게 데이터 전처리, 미세먼지 데 이터 공간 보간, 중력모델을 이용한 흐름 추출 그리고 추출된 흐 름 정보의 시각화로 구성된다. 미세먼지 측정 자료를 이용하여 시간별 미세먼지 분포도를 작성하고 중력모델에 입력하여 미 세먼지 시공간 흐름을 추출하고 시각화한다. 이 연구에서 다루 는 공간적 범위는 서울시이며 시간적 범위는 2014년을 대상으 로 하였다. 서울시는 데이터가 풍부하고 다른 지역에 비해 미세 먼지 관측 자료의 공간적 밀도가 높다. 시간적 범위는 확보된 교 통정보와의 통합을 위해 2014년으로 선정하였다.
서울시는 2014년 기준으로 도시대기오염 측정소 24개 도로 변 측정소 15개 총 39개를 운영하고 있으며, 한 시간 간격으로 발표한다 . 국립환경과학원에서는 최종 통계처리를 거친 최종확 정자료를 발표한다. 이 연구에서는 서울시 측정소의 2014년 시
간 자료를 사용하였다. 확정자료는 전국 모든 측정소 정보를 가 지고 있으므로 연구의 공간적 범위인 서울시에 위치한 측정소 정보만 추출하였다. 확정자료는 측정소 위치 정보를 가지고 있 지 않기 때문에 측정소의 위치정보와 통합시켰다. 이 자료를 계 절별 시간 평균 미세먼지 농도 자료로 집계 단위를 변환하였 다 . 집계 단위를 시간 평균으로 변환한 이유는 첫째 시공간 변 동성이 큰 미세먼지의 계절적 특징을 확인하기 위한 것이며, 둘 째 교통정보가 하루(24시간) 주기로 반복되는 시간 패턴을 보 이기 때문이다.
Fig. 7. Process of extracting spatio-temporal flow and visualization
4.2 미세먼지 분포도 생성
중력모델을 이용한 미세먼지 흐름 추출은 미세먼지 공간 분 포를 예측해 중력모델의 입력 자료로 사용한다. 미세먼지와 같 은 대기오염 물질의 공간적 분포를 예측하기 위한 대표적 방법 으로는 대기모델과 공간 보간법이 있다. 미세먼지 농도의 공간 적 분포를 정확히 파악하기 위해서는 기상, 지형, 토지이용, 배 출원 등을 종합적으로 고려한 대기모델 적용이 필요하다. 하지 만 많은 시간과 노력, 자원 자료 구축 어려움, 예산 등 문제로 대 기모델 적용이 어려울 경우 공간 보간법을 통해 비교적 정확한 미세먼지 공간분포를 파악할 수 있다.
Wong et al. (2004)은 캘리포니아 대기오염 자료를 이용하여 공간 보간법들을 평가하고 일반적으로 크리깅 방법이 현실적 인 추정 값을 산출한다고 보고하였다. Vorapracha et al. (2015) 은 태국 미세먼지 자료를 이용하여 공간 보간법들을 평가하 였으며 IDW가 높은 예측 정확도를 나타낸다고 보고하였다.
Deligiorgi and Philippopoulos (2011)는 그리스 아테네 IDW, 크 리깅 , 인공신경망 등을 포함한 13가지 보간법의 정확도를 비교 하였으며 보간 정확도는 공간적 범위와 측정소 공간적 밀도에 따라 달라지므로 일반적으로 우수한 성능의 보간법을 선정하 는 것은 어렵다고 평가하였다.
국외 사례보다 상대적으로 높은 측정소 밀도를 가지는 서울
422
시 선행연구를 살펴보았다. Cho and Jeong (2009)은 지역경향모 형 (local trend surface model), RBF(radial basis function), IDW, 크리깅 방법을 서울시 미세먼지 자료에 적용하여 공간 보간법 적용 가능성을 평가하였다. 이 연구에서는 일반 및 정규 크리 깅 방법이 다른 보간법에 비해 높은 예측 정확도를 나타낸다 고 평가하였다.
본 연구에서는 선행연구를 고려하여 정규 크리깅 방법으로 미세먼지 분포도를 생성하였다. 차량이 미세먼지 집중에 미치 는 영향을 파악하기 위해 출근 시간대인 오전 5~7시 미세먼지 농도 자료를 이용하였다. 베리오그램 작성은 자료 특성을 잘 반 영할 수 있도록 이격 거리를 조절해 가면서 실험적 베리오그램 을 작성하였으며, 자료의 우세한 공간 특성을 찾아내기 위한 베 리오그램 모델링을 수행하였다. 셀 사이즈는 흐름 추출 과정에 서 계산량과 시각화 시 흐름 밀도를 고려해 500m로 설정하였 다 . Fig. 8는 공간 보간 된 결과로 시간이 지나면서 농도가 전반 적으로 상승하는 시간 특성을 확인하였다.
Fig. 8. Interpolation results of an hourly PM10 in Seoul
4.3 미세먼지 흐름 추출 및 시각화
보간된 미세먼지 공간 분포도를 중력모델에 적용하여 흐름 정보를 추출하였다. 흐름 정보에서 중력 퍼텐셜 크기는 흐름 강 도를 의미하며 방향 정보와 함께 미세먼지 흐름의 중요한 정보 이다 . Fig. 9(a)는 흐름 추출에 사용된 미세먼지 분포 자료이며 Fig. 9(b)는 추출된 흐름 강도를 나타낸 것으로 붉은색은 높은 흐름 강도를 푸른색은 낮은 흐름 강도를 의미한다. Fig. 9(c) 흐 름 방향을 화살표로 표시한 것이다. 이 경우 시간 흐름에 따라 미세먼지 농도가 전반적으로 높아지며, 중력이 높은 곳으로 미 세먼지가 집중되는 패턴이 특징적이다. 이 방법은 분포도를 직 접 비교하며 변화를 파악하는 방법에 비해 변화의 패턴과 그 정 도를 효과적으로 파악할 수 있다.
중력모델을 이용하여 추출한 미세먼지 흐름 정보는
×
×
∙
×
로 구성된 벡터 필드이다. 이를 OLIC 방법으로 시각화한 결과는 Fig. 10과 같다. 입자 이동속도와 색이 흐름 강도를 표현하고 입 자 모양과 동적인 움직임은 방향성을 표현한다. Fig. 10을 보면 각 위치에서 이동하는 입자들로 미세먼지 흐름 패턴이 표현되 어 일부 지역에 미세먼지 집중 패턴을 확인할 수 있다. 중력모델 을 이용한 흐름 추출 및 시각화 방법으로 미세먼지 분포도를 나
열하거나 애니메이션을 이용한 시공간 변화 시각화 방법의 인 지 및 지각 한계를 개선하였으며 흐름에 대한 추가 정보 없이 국 지 단위 미세먼지 흐름을 시각화하였다.
t-1 t
(a)
(b) (c)
t+1
Fig. 9. PM10 distribution from t-1 to t+1 and gravity and direction of the extracted flow information; (a) PM10
distributions, (b) gravity, (c) direction
Fig. 10. Flow visualization of PM10 with particle animation similar to OLIC
5. 미세먼지 흐름 시각화 분석
5.1 미세먼지 흐름 패턴
2014~2016년 미세먼지 평균 흐름을 비교하고 계절별 흐름 경 향을 확인하였다. 교통 및 산업 활동이 시작하는 오전 5~7시 출 근 시간대를 기준으로 2014~2016년 미세먼지 흐름 패턴을 비교 하고 기준 연도를 설정해 계절별 흐름 패턴을 분석하였다.
Fig. 11 좌측은 흐름 방향을 화살표로 나타내고 흐름 강도인
중력 퍼텐셜을 중첩하여 표현한 것이고, 우측은 흐름 시각화 결
과로 입자 모양이 방향을 나타내며 입자 색과 움직이는 속도는
Spatio-temporal Visualization of PM10 Flow Pattern Using Gravity Model
423 흐름 강도를 나타낸다. 흐름 강도의 차이는 있지만 강서, 영등
포 , 강남 지역에서 집중되는 패턴이 나타난다. 동북부 지역은 2015년을 제외하고 집중 패턴이 확인된다. 부분적으로 차이는 있으나 특징적인 패턴이 유사하여 2014년을 분석 기준 연도로 선정하여 계절별 흐름 패턴을 분석하였다.
미세먼지 농도 분포 변화에서 추출한 계절별 흐름 정보를 시 각화하였으며 집중 패턴을 남색 네모로 표시하였다(Fig. 12). 미 세먼지 농도가 높은 겨울과 봄의 미세먼지 흐름 시각화 결과를 보면 강서, 영등포, 강남 지역에 공통으로 집중되는 패턴이 나타 났지만 , 동북부 지역에서 차이를 보였다. 봄은 중랑과 광진 일대 에 넓은 집중 패턴을 보였지만 겨울에는 강북과 노원 지역에 강 한 집중 패턴이 나타났다. 여름과 가을은 평균 미세먼지 농도가 낮고 출근 시간 동안 상승 정도가 높지 않아 약한 집중 패턴을 가진다 . 흐름 강도 차이는 있지만 봄과 공간적으로 유사하였다.
강서와 영등포 일대는 약한 집중 패턴을 보였고 강남과 중랑에 서는 비교적 강한 집중 패턴이 보인다.
사계절 모두 출근 시간 집중 패턴이 특징적으로 나타났다.
겨울과 봄은 강한 집중 패턴을 보였고 여름과 가을은 약한 집 중 패턴을 보였다. 계절별 공간적 특징을 보면 겨울과 봄은 중서 부 지역이 동북부 지역보다 흐름 강도가 높았지만, 여름과 가 을은 동북부 지역이 중서부 지역보다 높은 흐름 강도를 보였다.
2014 Flow direction and intensity
2015 Flow direction and intensity
2016 Flow direction and intensity
2014 Flow Patterns
2015 Flow Patterns
2016 Flow Patterns
Fig. 11. Flow map visualization and flow direction with intensity in 2014~2016
Fig. 12. Seasonal PM10 flow patterns and flow direction with intensity
5.2 미세먼지 흐름 패턴과 교통정보
