The Korean Meteorological Society 1

Current Issue

Atmosphere - Vol. 34 , No. 1

[ Communications ]
Atmosphere - Vol. 31, No. 2, pp. 241-249
Abbreviation: Atmos
ISSN: 1598-3560 (Print) 2288-3266 (Online)
Print publication date 30 Jun 2021
Received 06 Jan 2021 Revised 13 Jan 2021 Accepted 21 Feb 2021
DOI: https://doi.org/10.14191/Atmos.2021.31.2.241

스마트시티를 위한 도시기상자료의 미래수요 및 활용가치 분석
김성곤1) ; 김승희2) ; 임철희3) ; 나성균1) ; 박상서4) ; 김재민5) ; 이윤곤5), *
1)(주)에스프렉텀
2)채프먼대학교 지구시스템모델링 및 관측센터
3)국민대학교 교양대학
4)울산과학기술원 도시환경공학과
5)충남대학교 우주·지질학과 대기과학전공

Analysis of Future Demand and Utilization of the Urban Meteorological Data for the Smart City
Seong-Gon Kim1) ; Seung Hee Kim2) ; Chul-Hee Lim3) ; Seong-Kyun Na1) ; Sang Seo Park4) ; Jaemin Kim5) ; Yun Gon Lee5), *
1)Sfractum, Seongnam, Korea
2)Center of Excellence in Earth Systems Modeling & Observations, Chapman University, CA, USA
3)College of General Education, Kookmin University, Seoul, Korea
4)Department of Urban and Environmental Engineering, UNIST, Ulsan, Korea
5)Atmospheric Sciences, Department of Astronomy, Space Science, and Geology, Chungnam National University, Daejeon, Korea
Correspondence to : * Yun Gon Lee, Atmospheric Sciences, Department of Astronomy, Space Science, and Geology, Chungnam National University, 99 Daehak-ro, Yuseong-gu, Daejeon 34134, Korea. Phone: +82-42-821-7101, Fax: +82-42-821-8891 E-mail: yglee2@cnu.ac.kr

Funding Information ▼

Abstract

A smart city utilizes data collected from various sensors through the internet of things (IoT) and improves city operations across the urban area. Recently substantial research is underway to examine all aspects of data that requires for the smart city operation. Atmospheric data are an essential component for successful smart city implementation, including Urban Air Mobility (UAM), infrastructure planning, safety and convenience, and traffic management. Unfortunately, the current level of conventional atmospheric data does not meet the needs of the new city concept. New and innovative approaches to developing high spatiotemporal resolution of observational and modeling data, resolving the complex urban structure, are expected to support the future needs. The geographic information system (GIS) integrates the atmospheric data with the urban structure and offers information system enhancement. In this study we proposed the necessity and applicability of the high resolution urban meteorological dataset based on heavy fog cases in the smart city region (e.g., Sejong and Pusan) in Korea.


Keywords: Urban meteorology, smart city, observation system, modeling, GIS

1. 서 론

미래 산업과 관련한 다양한 분야의 기술개발이 이루어지면서 도시 구조 및 생활형태의 설계 측면에서도 스마트시티와 같은 새로운 방향성을 갖는 도시생활 수요가 나타나게 되었다(Turner et al., 2014; Silva et al., 2018). 스마트시티는 도시 지역 내에서의 사물인터넷 등 네트워크 인프라 구축을 바탕으로 효율적인 도시 생활을 가능하도록 지원하는 것을 목적으로 한다. 국내에서는 스마트시티에 대한 개념이 2017년 이후에 본격적으로 도입이 되기 시작하였으며, 기술의 발전과 함께 첨단 기술을 이용한 도시문제 해결과 실용적인 서비스 제공을 위한 도시를 강조하고 있다(예: Park and Lee, 2019; Ju et al., 2020). 스마트시티의 서비스를 위해서 그 내용을 분류해볼 경우, 생활서비스 측면이 34%, 운송수단 및 유통 서비스 측면이 27%, 안전 관련 기능이 23%의 비중을 차지한다(Kim and Jung, 2017).

스마트시티에서의 다양한 분야의 서비스 내용 중, 생활 서비스와 운송/유통 서비스 측면에서 기상 자료 및 해당 자료의 표출과 관련한 수요가 증가할 가능성이 존재한다. 그러나 스마트시티의 공간규모 수준인 도시규모의 고해상도 기반의 기상정보는 도시 설계단위에서부터 해당 정보의 관측 시스템 구축과 기상정보의 산출방안에 대한 구체적인 연구와 기반 조사가 필요하다. 특히 스마트시티 구축 이후에 생활 서비스와 운송/유통 서비스에서 발생하는 미래 수요에 대해서 선제적인 대응을 하기 위해서 해당 분야에 필요한 도시기상 자료 분석과 활용에 대한 연구가 매우 중요하다.

미래 도시 환경에서 생활 정보의 제공과 드론, 자율주행차와 같은 미래형 이동수단을 채택할 경우에 가장 중요한 정보는 도시 규모에서 나타나는 높은 공간해상도의 도시기상 관측망의 구성과 해당 정보의 예보 및 활용에 대한 기반 기술의 조사와 기획이 매우 중요하다. 이들 정보는 기존에 구축되어 있는 국가 단위의 종관 기상 관측 자료와 함께 전구 및 지역 규모의 기상모델에서의 정보만을 이용할 경우에는 도시 규모에서의 정확한 정보의 제공이 어렵다. 그리고 국지적 기상현상에 대해서 민감한 신산업 분야의 경우에는 종관정보가 아니라 도시 내에 있는 수평 및 연직 방향으로의 기상 정보와 도시 구조에 따라서 달라지는 기상정보가 매우 중요하게 된다.

따라서 국지적인 기상현상에 민감한 분야에 대한 활용을 위하여 미래형 이동수단이나 생활형 정보에 대해서 고해상도 경로 기반의 기상 정보를 산출하고, 이에 대한 환경 분석과 성능의 정의, 보다 수월한 공간정보의 활용을 위하여 필요한 표출 방안에 대해서 연구 기획을 시작할 필요가 있다. 이를 위해서는 미래에 활용하는 분야에서의 기상 현상에 대한 연관성을 식별하여 핵심 요소와 성능에 대한 기초 연구가 필요하다. 따라서 본 연구 논문에서는 스마트시티를 설계하고 구축함에 있어서 향후 활용 가능한 분야에 대한 기상자료 수요에 대해서 시공간적인 규모를 언급하고, 이에 대해서 관측과 모델 측면에서 새로운 기상자료 산출 및 제공 방안에 대해서 요약을 하고자 한다. 또한 도시기상에 대한 미래수요 활용 방안을 위해 적합한 관측과 모델 분야의 고려요소와 함께 공간정보 활용 방안에 관한 기획연구 방향에 대해서 나열하고자 한다.


2. 도시기상에 대한 미래수요 활용 방안
2.1 관측

현재 이루어지고 있는 지상에서의 기상관측자료는 종관기상관측과 방재기상관측, 농업기상관측 등으로 나뉘어 관리되고 있다. 기상자료개방포털에서의 공개되는 관측소를 기준으로 할 경우, 종관기상관측은 102개소, 방재기상관측은 510개소의 관측 지점에서 자료를 분 단위 간격으로 제공하고 있으며, 제공 요소는 기온, 습도, 기압, 바람, 일조량 등이 해당하게 된다. 이들 관측 자료는 각 관측자료가 가지는 원래 목적에 가장 밀접한 관계를 가지는 관측 요소에 대해서 특징에 맞는 관측소를 선정하여 그 관측을 수행하게 된다. KMA (2018)에 따르면, 2018년 6월을 기준으로 하여 평균적인 공간해상도는 약 13 km로 나타나 WMO에서 권고하는 15 km보다 조밀한 해상도를 가지고 있는 것으로 보고하고 있다. 이러한 고해상도의 지상관측망은 비록 수치모델에서 지역모델의 운영시에 사용하는 공간해상도보다는 좋지 않으나, 국지예보 및 지역예보 등에 사용하여 수치예보모델의 결과 개선에 기여하게 된다.

그러나 이와 동시에 동네예보 수준의 예보와 평가를 위해서 지상기상관측망의 공간해상도를 5 km 수준으로 구축이 되어야 하는 것 또한 제시하고 있다. 이러한 동네예보 단위의 기상현상관측은 주로 시군구 단위의 공간규모해상도에 대해, 전국 단위 규모의 관측소를 관리하고자 하는 노력이 필요하다. 또한 국가에서 시행하는 수치예보모델의 활용을 기준으로 하여 관측소의 입지조건을 장기간 안정성을 우선 순위로 하여 구성하게 된다. 그러나 이러한 기존 기상자료 활용 분야는 도시기상에서 요구하는 공간해상도보다 큰 규모의 현상이기 때문에 도시기상관측의 수요 및 활용을 만족하기 위해서는 기존 기상관측망보다 높은 공간해상도로 구축이 이루어져야 한다. 도시기상에 대한 관측망을 구성하기 위해서는 앞서 언급한 높은 공간해상도에 대한 요구조건과 함께 도시의 지표면특성에 대한 고려도 필요하다. 특히 도시 지역의 구조물 등에 의해서 변화하게 되는 미세규모의 기상 현상을정확하게 파악하고, 동일 수평 지점이라 하더라도 구조물에 의해서 지표면과 구조물 상부 사이에서의 기상 관측이 다르게 나타날 수 있기 때문에 도시기상자료 활용의 극대화를 위해서는 구조물의 위치에 따른 관측소의 설치 등도 고려할 부분이 필요하다.

Figure 1은 현재 서울 및 수도권 주변 지역에 설치되어 있는 종관 및 방재기상을 위한 자동기상관측장비(Automatic Weather Station; AWS)의 지점별 분포도이다. 이와 같이 서울 및 경기도 지역에서 더 많은 지상 관측자료가 분포하지만 여전히 각 구에 평균 1개 정도의 관측소를 설치하여 운영하고 있다. 이러한 관측소는 기상 및 기후통계 활용에 가능하기 때문에 주변 변동에 따른 영향을 최소화하기 위하여 그 입지조건이 까다롭고 도시화 변동에 따른 영향을 최소화하는 지점에 설치가 되어 있어 실제 도시기상의 현상에 대한 부분으로 활용하기에는 부족한 점이 많다. 이러한 관측 설계를 위해 실제로 오클라호마 시티(Oklahoma City)의 MicroNET을 볼 경우, 도시 단위의 기상 요소에 대해서 해당 지역에 활용이 가능한 관측 요소에 대해서 40개의 관측소를 오클라호마 시티 주변에서 고해상도로 운용하여 도시 규모의 기상 현상에 대해서 규명하는 관측 연구를 수행한 바 있다(Schroeder et al., 2010; Basara et al., 2011). 도시기상 현상 관측에 있어서 가장 중요한 부분은 높은 공간해상도와 그 지점의 대표성으로, 이를 통해 활용성을 결정할 수 있다.


Fig. 1. 
Location of AWS sites around capital region in South Korea.

도시기상 관측을 높은 공간해상도로 측정하고자 할 경우에는 관리하는 측기 개수가 증가하면서 그에 따른 관리와 설치 지점의 고려가 필요하게 된다. 이들 관측소에 설치되는 관측기는 기존 무인기상관측기보다 소형화된 간이 측정기로 구성되는 것이 필수적이다. 따라서 정확도에 대해서는 기존 측기보다 오차가 있을 수 있으나 필수 기상 관측 요소에 대해서는 모두 관측이 가능하고, 그와 동시에 측기의 크기를 최소화하여 공간적인 제약 조건을 해결하여야 된다. 해결된 공간제약조건을 바탕으로 하여 현재 이러한 장비를 도시지역의 지상 구조물뿐 아니라 빌딩 옥상 등에 간이적인 형태로 설치하여 기존 기상장비의 2차원적인 배치 구조가 아닌 3차원적인 배치구조를 도시지역에 대해서 형성할 수 있도록 할 수 있으며, 가용 자원 대비 많은 지점에 관측소를 설치할 수 있도록 할 것으로 보인다.

그러나 간이적인 형태로 제작이 되는 측기는 상대적으로 정확도에 대한 불안정성이 증가하게 된다. 이러한 관측정확도는 장기적인 편향성 문제와 함께 측기 환경에 의한 단기 변동성이 함께 내포하게 된다. 이러한 부분은 검보정을 통해서 보완하여야 하나, 측기의 개수가 증가할 경우에는 측기의 검보정을 위한 소요시간과 그에 따른 관측 공백 발생으로 인한 여러 문제들이 발생할 수 있다. 또한 공간적으로도 측기의 설치 규모가 연직적인 부분에 대해서도 고려하기 때문에 검보정 및 보수를 위한 측기의 회수 및 재설치에 대해서 현재 이루어지고 있는 관측망에 비해 어려운 점이 증가할 수 있다. 이러한 이유로 측기의 검보정 수준을 그대로 유지하면서 관측 공백을 최소화하기 위해서는 구조화된 측기의 검보정 시스템의 구축이 도시 규모별로 필요할 수 있다.

Figure 2는 도시기상 관측에 대해서 관측망이 형성되었을 경우에 관측의 정확도를 유지하면서 장기간에 연속적인 관측이 수행될 수 있도록 하는 도시기상 관측망의 검보정 시스템의 예시이다. 고정적으로 설치된 거점 관측소에서는 기존 종관기상의 관측망의 장비를 이용하여 표준화된 관측자료를 만들어낸 뒤에 이 지점을 중심으로 하여 실제 간이측기를 거점 관측소로 이동하여 검보정이 정기적으로 수행하도록 중심관측소로 계획할 수 있다. 이들 간이측기 중에서 일부는 매우 빈번한 주기마다 검보정을 수행하여 관측정확도를 유지한 뒤에 이동형 간이측기로서 측기운반을 하지 않은 고정된 관측소에서의 간이측기에 대한 간략화된 검보정을 시행하게 된다. 이러한 형태로 검보정의 네트워크를 도시 규모로 구축하게 될 경우, 현재보다 매우 많은 관측기를 운용하면서도 관측기의 정확도를 장기간에 걸쳐서 일정 수준으로 유지할 수 있는 관측운용시스템을 구조화하고 유지할 수 있을 것으로 기대된다. 또한 이러한 측기 관측운용시스템은 도시기상을 목적으로 운용할 경우에 그 관측소의 규모가 현재의 전국단위 관측소보다도 한 도시의 관측소가 매우 커질 것으로 예상되기 때문에 도시별로 최적화된 관측운용 검보정 센터의 운용과 해당 검보정 방법론의 자동화 방법을 통해 준실시간으로 관측자료의 검정과 재산출 운용 활용이 가능할 것으로 기대된다.


Fig. 2. 
Example of calibration system for urban weather observation system.

2.2 모델

도심공중교통체계(UAM; Urban Air Mobility)는 차세대 교통체계로 떠오르고 있으며 이미 많은 국가들이 UAM 실용화를 위해 투자를 확대하고 있다. 2020년 2월, 많은 제조업체가 수직 이착륙(VTOL), 전기 및 자율 항공기의 약 250개의 시제기를 포함하여 UAM을 지원하는 항공기를 설계하고 테스트하고 있으며 이에 따라 미래의 안전한 UAM 운용을 위해 기상정보 관련 지원 기반 구축의 필요성이 높아지고 있다.

항공기는 그 크기가 감소함에 따라 기상현상에 대한 민감도가 현저하게 증가하게 되는데 대형 항공기에 비해 4~6명 정도의 탑승 인원을 목표로 하는 대부분의 UAM는 특히 기상에 영향을 많이 받는다. 또한 UAM의 낮은 순항 고도로 인해 모든 비행 단계에서 잠재적으로 심각한 기상 문제에 직면 할 수 있으며 특히 대류, 뇌우, 저고도 윈드 시어, 착빙 및 저시정과 같은 기상 조건은 특히 UAM 비행 안전에 큰 영향을 미치게 된다. 뉴욕과 런던 지역의 선행 연구에 따르면 UAM의 총 운영 시간의 16% 정도 날씨에 영향을 받게 되며 각 도시별 지면 특성과 지역 기후 및 계절 특성에 따라 날씨로 인한 UAM 운항의 제약이 다양하게 나타났다(Holden and Goel, 2016). 대기 중 과냉각 수적이 있는 지역에 항공기 날개 또는 로터가 노출되어 그 표면에 얼음이 부착되는 착빙, 강수현상, 강풍이나 돌풍은 도심의 고밀도 건축 환경에서 작동하는 UAM 운행에 문제를 일으킬 수 있으며 시정이나 운고의 경우 미래의 자율 항공기가 계기 비행을 통해 낮은 시정 조건에서도 운행이 가능할 것으로 보이나 여전히 비행을 위한 최소 시정 거리의 정보가 필요할 것이다. 특히 고층 빌딩으로 인해 발생하는 난류는 비행 안전에 큰 영향을 미치게 될 것으로 예측된다.

UAM의 운용을 위해 필요한 기상정보의 경우 크게 두가지로 나눌 수 있는데 첫째는 지역 기후 자료를 이용한 각 도시별로 기상 및 기후 특성을 고려한 최적의 이착륙 지점 선정 및 이동경로의 지정이 있고 둘째로는 모델을 통한 지면 근처의 초고해상도 기상예측 정보를 필요로 할 것이다. 고해상도 예보 자료는 악천후가 예상될 때 선제적으로 UAM의 승객들을 지상 교통 수단으로 안내하거나, 악천후를 피할 수 있는 UAM의 경로 변경, 베터리로 운용되는 UAM의 특성상 전력 사용을 최소화 할 수 있는 경로 선정 등에 필수적인 정보를 제공하게 될 것이다.

UAM의 경로 변경 등을 통해 다양한 기상 조건에서 UAM의 안전뿐만 아니라 안정적인 운영을 지원하는데 필수적인 정보가 될 것이다. 따라서 UAM 운영과 관련해 필요로 하는 기상 예보 측면에서의 가장 중요한 요구 사항은 안전한 UAM 운영을 지원하는 동시에 날씨와 관련해 항공기의 생산성을 극대화하는데 필요한 공간 및 시간적 해상도를 만들어 내는데 있다. 현재의 생산되는 예보나 항공과 관련한 기상정보는 도시내 비행 운영에 필요한 공간적 또는 시간적 해상도를 제공하지 않는다. 따라서 UAM의 운용 지원을 위해서는 기존의 예보나 항공 기상 정보와 함께 추가적으로 고해상도의 실시간 예측 정보가 필요하며 저고도 도시 영공에 대한 기상 예보를 위해 복잡한 도시의 지면 효과를 반영할 수 있는 빌딩 규모의 모델 개발이 필요하다. 이를 위해 중규모모델과 large eddy simulations (LES)을 결합한 다중 스케일의 모델이 필요할 것으로 예상되며 도시 경계층과 경계층의 일변화에 대한 모델의 성능 개선이 있어야 할 것으로 보인다. 또한 고해상도 모델의 적분과 불확실성을 줄이기 위한 앙상블 모델 결과를 빠르게 생산하기 위해 더 강력한 컴퓨팅 파워나 Graphic Processing Unit(GPU) 등을 활용한 모델 개발이 필요할 것이다. 현재 도심내 UAM과 관련해 항공 난류를 예측을 위해 미국 National Center for Atmospheric Research (NCAR)에서는 FastEddy 모델을 개발하여 관련 연구를 진행하고 있으며 Lawrence Berkeley National Laboratory(LBNL)과 AER IS 역시 GPU 기반의 LES 모델인 Joint Outdoor-indoor Urban Large-Eddy Simulation (JOULES)을 통해 UAM과 관련해 도심내 난류 예측을 연구 중에 있다(Bieringer et al., 2019; Sauer and Muñoz-Esparza, 2020). 이들 고해상도의 eddy resolving 모형은 여러 장점에도 불구하고 계산의 복잡성으로 인해 적분 시간이 오래 걸리는 단점을 GPU를 사용해 모델의 계산 속도를 상당히 앞당겨 극복하고 모델결과를 예보에 사용할 수 있는 수준에 이르렀다. 이외에도 Lawrence Livermore National Laboratory의 W R F-LES, MetoFrance의 중규모와 LES 모델을 결합한 다중 스케일 Meso-NH 모델이나 네덜란드에서 개발한 Dutch Atmospheric Large-Eddy Simulation (DALES), 독일에서 개발한 The parallelized LES model (PALM) 모델 등이 도시내 난류를 모의하였거나 관련 연구를 수행 중에 있어 UAM과 관련한 예보에 활용가능성을 가지고 있다(Liu et al., 2008; Heus et al., 2010; Maronga et al., 2015; Lac et al., 2018).

다양한 성능과 특성을 가진 UAM 관련 항공기들이 현재 개발 단계에 있어 기상 현상이 UAM 운영에 미칠 수 있는 잠재적 영향에 대한 연구는 제한적일 수밖에 없다. 예를 들어 비행속도, 중량, 순항고도 등 현재 개발중인 항공기의 비행 특성들에 대한 제한적인 정보로 인해 UAM의 운행에 다양한 기상현상들이 어느 정도 영향을 미치는지 정량적으로 평가하기 힘들지만, 고해상도 모델 및 관측 정보를 활용한 기상 요소별 UAM 운항 위험도 판단을 위한 연구들이 필요하다. 또한, 승객을 운송하는 항공기의 안전과 편안함과 화물 운송 항공기의 성능을 보장하는 것 외에도, 비상 상황과 함께 비행 계획, 비행 승인, 실시간 운항계획 및 동적 공역 경계 관리를 위해 신뢰할 수 있는 고해상도의 날씨 예보가 필요성은 명확하다.

미래의 운송수단의 자율주행에는 안전하고 효율적인 운영을 보장하기 위해 고성능의 기상 감지 장치가 장착될 것으로 예상된다. 이는 UAM 차량이나 항공기의 운영을 통해 지표면 근처의 새로운 기상 관측값이 제공될 수 있음을 시사하며 이를 모델 예측에 활용할 경우 그 성능을 크게 향상시켜 항공 운영 및 공공의 안전성, 효율성 및 신뢰성을 향상시킬 것으로 예상이 된다.

2.3 공간정보 활용

스마트시티 등이 뉴노멀(New Normal)이 될 미래세대의 도시기상에서는 보다 높은 공간해상도와 다차원적인 기상정보를 요구하고 있다. 이러한 기상 수요에 대응하기 위해서는 고해상도 공간정보의 활용이 필수적일 것으로 전망되고 있다(MOLIT, 2019).

스마트시티에서의 공간정보는 공간해상도를 가능한 높이고, 수직정보를 포함한 3차원 이상의 정보 체계로 구현되고 있다(KRIHS, 2018). 높아진 공간해상도와 수직정보는 개별 건물과 도로 등 인공구조물로 인한 미지형도 포함하고 있다. 즉 현실세계를 모사하는 ‘디지털 트윈’의 관점에서 구현되고 있는 것이다. 위성, 항공, 드론 등을 통해 측량되는 공간정보의 경우 기본적으로 관측지점과 모델에서 산출되는 기상정보에 비해 높은 정밀도를 가지게 된다.

기상정보의 경우에도 변화하는 미래 수요에 따라 더 높은 공간해상도에서 기상서비스가 이루어져야 한다. 기상정보의 공간해상도를 높이는 방법에는 앞서 제시된 관측지점의 다양화나 모델의 개선 등도 있으나, 경로 수준의 기상정보 산출을 위해서는 공간정보와의 융합을 통해 실현할 수 있을 것으로 기대한다.

대표적으로 기상정보의 상세화(Downscaling) 및 자료동화 과정에서 고해상도 공간정보를 융합 활용하여 미래 수요에 대응한 기상정보를 생산 및 제공할 수 있을 것이다. 수치모델에 고해상도 공간정보를 직접 적용한 모델을 구현하거나, 인공지능 기반 상세화기법을 통해 공간정보와 융합을 구현할 수도 있다. 최근에는 기상 연구용 공간정보 디지털 트윈을 설계하여 바람장이나 안개와 같은 기상요소를 상세화하는 기술이 제시되었고, 이를 준실시간 플랫폼으로 확장하여 현업에서의 활용 가능성도 확인되었다(KMA, 2021) (Fig. 3). Figure 3a의 경우 공간정보 기반 디지털 트윈을 활용하여 상세화된 바람장을 예측한 사례이고, Fig. 3b은 디지털 트윈 기술로 도로 수준에서 가시성을 분석한 사례이다.


Fig. 3. 
(a) Case for wind field forecast using Digital Twin Space (GAIA 3D), and (b) application for visual range in Seoul.

시민 참여형 공간정보를 기상정보 고도화에 활용하는 방안도 장기적으로 활용될 수 있다. 시민과학 혹은 참여형 GIS라는 형태로 활용될 수 있는 이 기법은 시민들에 의해 관찰된 기상현상이나 자연재해 등을 모바일 플랫폼으로 자료를 연동하여 실시간 예보의 정확성과 공간해상도를 높이는 데 활용될 수 있는 방안이다. 최근 덴마크에서는 스마트 폰을 통해 지상바람 등의 기상정보를 제공받아 높은 해상도의 기상정보를 추정했던 사례가 보고되기도 하였다(Hintz et al., 2020). 아직은 제한적이긴 하지만 소셜미디어 정보를 수집하여 특정 자연재해 관측정보로 활용하고 이를 공간화하거나 기상정보로 연계하는 사례들도 등장하고 있다(Subasinghe et al., 2020). 2011년 미국 동남부에서 발생했던 토네이도의 잔해와 영향을 분석하는데 Facebook에 업로드된 다양한 정보들이 GIS 및 수치모델과 결합되어 사용되기도 하였다(Knox et al., 2013).

미래 도시에서의 다양한 수요를 고려하면 도시기상에서의 공간정보 활용은 기상자원으로서의 시너지를 기대할 수 있다(Avtar et al., 2019). 미래수요와 진보된 기술에 따라 구축된 고해상도 실시간 기상정보는 지역 내 소규모 풍력자원정보와 태양자원정보를 산출하는데 기여할 수 있다. 이러한 기상자원정보를 기반으로 정밀 공간정보와 함께 중첩활용할 경우 지역의 에너지자립과 탄소중립 기여를 위한 소규모 발전 적합지역을 제시할 것으로 기대한다. 즉, 기상자원으로서의 가치와 잠재성을 보여주는 기상정보가 물리적 가용성이나 효율성 등을 보여줄 수 있는 공간정보와 융합하여 도시민에게 보여줄 수 있는 긍정적인 사례가 될 것이다.

궁극적으로 도시기상정보가 자율주행과 UAM 등 미래 이동수단에 활용되기 위해서는 실시간 공간정보와 실시간 관측·모델의 기상정보를 융합하여 산출되는 고도화된 정보들이 미래수요를 고려한 기상정보가 될 수 있다(Li et al., 2020).


3. 스마트시티 융합

스마트시티를 설계하고 구축하는데 있어 기상현상에 의한 재난에 대처하기 위해 고해상도의 도시기상자료는 필수적인 수요 중 하나이다. 국내 스마트시티 계획지역인 세종과 부산 지역은 각각 가을과 여름철 잦은 안개 발생으로 시정 악화에 의한 교통체증, 교통사고위험, 항공기 지연/결항 등 불편이 야기되는 지역이다. Figure 4는 기상청 AWS 세종 연기 지점(36.50°N, 127.29°E)과 부산 가덕도 지점(34.99°N, 128.83°E)에서 2016~2019년 기간 동안 관측된 월평균 안개 발생 일수를 보여준다. 세종 연기 지역에서는 연평균 41.2일 안개가 발생하였으며 이 중 56% (23.3일)는 9~11월에 집중되었다. 부산 가덕도 지역의 경우 세종에 비해 적은 연평균 안개발생일수(14.5일)를 보였으나 대부분의 안개가 4~7월로 봄-여름철에 집중되어 발생하는 특징을 보여 해당 계절에 안개로 인한 재난에 유의해야함을 나타내는 결과이다.


Fig. 4. 
(a) Occurrence date of fog at Yeongi, Sejong and (b) Gadeok, Busan from AWS observation.

안개 발생으로 인한 스마트시티 지역내 재난 상황에 대처하기 위해서는 안개 발생과 관련된 도시기상 요소와의 관련성 분석과 이를 활용한 안개 발생 감시 및 예측 기술의 향상이 필요하다. 세종 지역의 경우 금강이 도시를 감싸고 있고 산으로 둘러싸인 분지 지형이기 때문에 복사안개가 빈번하게 나타나는데, 낮시간보다 상대적으로 대기가 안정된 새벽-아침 시간에 주로 안개가 발생하는 특징을 보인다(Fig. 5a). 또한 하천 수온(금강 남면 자동측정소)이 기온(세종 연기 AWS 지점)보다 높아 증발이 많이 일어나는 특징도 안개 발생에 영향을 주게 되며(Fig. 5b), 대부분의 안개는 강수현상이 없을 때 발생하는 것으로 나타났다.


Fig. 5. 
Distributions of (a) occurrence time of fog at Sejong, and (b) difference between water temperature (Namyeon, Geumgang) and air temperature (Yeongi, Sejong) when fog occurs (Black bar: No precipitation, Gray bar: Precipitation).

부산 가덕도 지점의 경우 안개 발생 시 해수면온도보다 기온이 더 높은 분포를 보여(Fig. 6a), 봄-여름철 찬 해수와 따뜻한 공기가 만나 형성된 해무가 부산의 내륙으로 밀려들어와 이류안개를 발생시키는 것으로 파악된다. 따라서 부산 지역에서는 안개 발생 시 풍향 역시 안개 발생에 영향을 미치는 중요한 기상요소로 생각되며 Fig. 6b의 안개 발생 시 바람 분포에서도 특정 풍향(북서 및 남동) 시 안개가 빈번한 것을 확인할 수 있다. 세종 지역과는 다르게 부산 지역에서는 안개가 강수 현상과 동반될 때도 있는 것으로 파악된다(Fig. 6의 gray bars).


Fig. 6. 
(a) Difference of sea level temperature and air temperature, and (b) wind speed/direction when fog occurs in Gadeok, Busan (Black bar: No precipitation, Gray bar: Precipitation).

세종 및 부산 지역의 안개 발생에는 기온과 지역 하천 및 해수면 온도, 풍향 등의 다양한 기상 요소가 영향을 미칠 수 있는 것으로 분석되었으나 현재 세종과 부산 지역에는 각각 4개소, 15개소의 AWS 관측망이 설치되어 있어 스마트시티(세종: 5-1생활권, 부산: 에코델타시티) 인근의 기상 관측소는 현저히 부족한 상황이다. 따라서 안개뿐만 아니라 폭우, 태풍, 폭설 등 각종 기상현상을 감시 및 예측하고 재난 상황에 대처하기 위해서는 스마트시티를 중심으로 한 기상관측소의 증설, UAM의 입체적 관측, 도로 폐쇄회로(Closed Circuit Television; CCTV) 영상 활용 등을 통해 고해상도의 도시기상자료를 구축하는 것이 필요하다.


4. 요 약

최근 들어 늘어나고 있는 도시기상에 대한 미래수요 활용 방안을 위해 적합한 관측과 모델 분야의 고려요소와 기획연구 방향에 대해서 관측과 모델, 공간정보 활용 방안에 대해서 확인하였다. 도시기상 관측의 높은 공간해상도 요구사항을 기존 종관기상 관측망을 통해서 만족하기가 어려우며, 사용하고 있는 기존 측기의 유지 관리에 대해서 어려움이 높을 것으로 예상되기 때문에 기존측기보다 소형화된 간이 측정기를 통해 공간해상도를 보완함과 동시에 간이측기의 장기 검보정을 위한 도시규모별 유, 무인의 검보정 시스템이 필요할 것으로 보인다. 또한 UAM과 같은 차세대 교통체계의 실용화 등의 운용방안에 맞춘 기상정보 지원을 위해서 영공을 포함한 도시 지역 예보가 필요할 것으로 보인다. 이를 위해 복잡한 도시의 지면 효과를 반영하는 빌딩 규모 모델의 개발이 필요하며, 이에 대해서 중규모모델과 LES의 결합이 된 다중스케일 모델 개발 과 개선이 필요할 것으로 보인다. 추가적으로 이러한 다중스케일 모델의 연산속도 향상과 성능 개선을 위해서 GPU 등을 이용하여 모델 계산속도를 높이는 노력이 필요할 것으로 예상된다. 이러한 관측과 모델의 정보를 공간정보로 활용하기 위한 방안은 최종적으로 소규모 지역의 고해상도 실시간 기상정보를 제공하여 기상자원정보의 시너지 향상과 도시생활의 시너지 효과를 이루어낼 수 있는 정보 활용이 될 수 있을 것으로 예상된다.

스마트시티에 대한 기상자원의 활용과 융합에 대해서 국내 스마트시티 계획 지역인 부산과 세종의 현재 구축된 자료를 이용하여 그 융합을 사례 적용하였다. 특히 교통에 영향을 많이 줄 것으로 보이는 안개에 대해서 실제 과거 발생일수의 분석을 통해 스마트시티 지역 내에서 발생할 수 있는 재난 상황을 판단하고, 지역별 지형 및 기상 특성을 고려하여 관측과 예보에 필수적인 기상 인자를 최적화하고, 도시계획 과정에서 관측소의 최적입지를 선정하여 기존 도시인프라와의 융합 활용을 통해 도시기상자료를 고해상도로 구축하는 방안이 필요할 것으로 보인다.


Acknowledgments

본 연구는 2020년도 정부(기상청)의 재원으로 한국기상산업기술원의 “미래수요를 고려한 도시기상 자료 활용 연구”(No. X09-ND04-ND0406) 과제의 지원을 받아 수행된 연구입니다.


References
1. Avtar, R., N. Sahu, A. K. Aggarwal, S. Chakraborty, A. Kharrazi, A. P. Yunus, J. Dou, and T. A. Kurniawan, 2019: Exploring renewable energy resources using remote sensing and GIS—A review. Resources, 8, 149.
2. Basara, J. B., and Coauthors, 2011: The Oklahoma City Micronet. Meteorol. Appl., 18, 252-261.
3. Bieringer, P., A. Piña, H. Jonker, D. Lorenzetti, M. Sohn, G. Bieberbach, and R. N. Fry, 2019: An evaluation of the Joint Outdoor-Indoor Urban Large Eddy Simulation (JOULES) atmospheric transport and dispersion (at&d) modeling system. Extended Abstract, 19th International Conference on Harmonisation within Atmospheric Dispersion Modelling for Regulatory Purposes, Bruges, Belgium, H19-063.
4. Heus, T., and Coauthors, 2010: Formulation of the Dutch Atmospheric Large-Eddy Simulation (DALES) and overview of its applications. Geosci. Model Dev., 3, 415-444.
5. Hintz, K. S., H. Vedel, E. Kaas, and N. W. Nielsen, 2020: Estimation of wind speed and roughness length using smartphones: Method and quality assessment. J. Atmos. Oceanic Technol., 37, 1319-1332.
6. Holden, J., and N. Goel, 2016: Fast-Forwarding to a Future of On-Demand Urban Air Transportation. Uber Elevate, 97 pp [Available online at https://www.uber.com/elevate.pdf].
7. Ju, Y.-C., E. Lee, and W. Suh, 2020: An analysis on the smart city research trends. J. Korean Assoc. Reg. Inform. Soc., 23, 149-172.
8. Kim, M., and S. Jung, 2017: An analysis and classification of technologies applied on smart city services - focused on 3 cities in Korea. Extended Abstract, Architectural Institute of Korea Fall Meeting, 37, AIK, 459-462 (in Korean with English abstract).
9. KRIHS, 2018: Geospatial Information Strategies for the Hyper-connected Smart City. Korea Research Institute for Human Settlements Res. Rep. OTKCRK190760, 158 pp (in Korean).
10. KMA, 2018: Evaluation of Contribution of Meteorological Observation Data to Weather Forecasts. Korea Meteorological Administration Res. Rep., 240 pp (in Korean).
11. KMA, 2021: Smart city high-resolution meteorological analysis-forecasting and development of meteorological-climate convergence technology prototype. Korea Meteorological Administration Res. Rep., in press (in Korean).
12. Knox, J. A., and Coauthors, 2013: Tornado debris characteristics and trajectories during the 27 April 2011 super outbreak as determined using social media data. Bull. Amer. Meteor. Soc., 94, 1371-1380.
13. Lac, C., and Coauthors, 2018: Overview of the Meso-NH model version 5.4 and its applications. Geosci. Model Dev., 11, 1929-1969.
14. Li, W., M. Batty, and M. F. Goodchild, 2020: Real-time GIS for smart cities. Int. J. Geogr. Inf. Sci., 34, 311-324.
15. Liu, Y., and Coauthors, 2008: The operational mesogamma-scale analysis and forecast system of the U.S. Army Test and Evaluation Command. Part I: Overview of the modeling system, the forecast products, and how the products are used. J. Appl. Meteor. Climatol., 47, 1077-1092.
16. Maronga, B., and Coauthors, 2015: The Parallelized Large-Eddy Simulation Model (PALM) version 4.0 for atmospheric and oceanic flows: model formulation, recent developments, and future perspectives. Geosci. Model Dev., 8, 2515-2551.
17. MOLIT, 2019: A Study on Geographic Information Standardization Strategy to facilitate Smart City Project. Ministry of Land, Infrastructure and Transport, Res. Rep., KOGL 11-1613000-002595-01, 129 pp [Available online at https://www.codil.or.kr/viewDtlConRpt.do?gubun=rpt&pMetaCode=OTKCRK200494] (in Korean).
18. Park, K. C., and C. H. Lee, 2019: A study on the research trends for Smart City using topic modeling. J. Internet Comp. Serv., 20, 119-128.
19. Sauer, J. A., and D. Muñoz-Esparza, 2020: The FastEddy® resident-GPU accelerated large-eddy simulation framework: Model formulation, dynamical-core validation and performance benchmarks. J. Adv. Model. Earth Sy., 12, e2020MS002100.
20. Schroeder, A. J., J. B. Basara, and B. G. Illston, 2010: Challenges associated with classifying urban meteorological stations: The Oklahoma City Micronet example. The Open Atmos. Sci. J., 4, 88-100.
21. Silva, B. N., M. Khan, and K. Han, 2018: Towards sustainable smart cities: A review of trends, architectures, components, and open challenges in smart cities. Sustain. Cities Soc., 38, 697-713.
22. Subasinghe, I., S. Nittel, M. Cressey, M. Landon, and P. Bajracharya, 2020: Real-time mapping of natural disasters using citizen update streams. Int. J. Geogr. Inf. Sci., 34, 393-421.
23. Turner, W. J. N., O. Kinnane, and B. Basu, 2014: Demand-side characterization of the smart city for energy modelling. Energy Proced., 62, 160-169.