KR102445621B1 - 노면 온도 복원 모델을 이용한 기상 감정 보조 방법 - Google Patents

Abstract

일 실시예에 따르면, 블랙아이스 위험 진단 프로그램에 포함되는 서버의 동작 방법으로서, 사용자 입력에 따라, 사고에 대한 정보 - 이때, 상기 사고에 대한 정보는 사고 지점 및 사고 시점을 포함함 - 를 수신하는 단계; 상기 사고 지점을 포함하는 제1 도로 구간 및 상기 사고 시점을 포함하는 제1 시간 구간을 선택하는 단계; 상기 제1 도로 구간 및 상기 제1 시간 구간 동안의 기상 예보 정보 및 현재 시점을 포함하는 제2 시간 구간 동안의 기상 예보 정보를 제1 알고리즘에 입력하여 제1 인덱스를 출력하는 단계 - 이때, 상기 기상 예보 정보는 강수 예보, 안개 예보 및 습도 예보 중 적어도 하나를 포함함 -; 상기 제1 도로 구간에 대한 기상 특성 정보를 상기 제1 알고리즘과 병렬적으로 설계되는 제2 알고리즘에 입력하여 제2 인덱스를 출력하는 단계 - 이때, 상기 기상 특성 정보는 상기 제1 도로 구간 에서의 전선, 기압대, 역전층 및 고도 중 적어도 하나를 포함함 -; 및 상기 제1 도로 구간의 살얼음 위험 정도를 나타내는 상기 제1 인덱스 및 상기 제1 도로 구간에 어는비 발생 가능성을 나타내는 상기 제2 인덱스를 기초로 블랙아이스에 의한 사고 위험 정도를 나타내는 제3 인덱스를 산출하는 단계;를 포함하는 서버의 동작 방법이 제공될 수 있다.

Description

노면 온도 복원 모델을 이용한 기상 감정 보조 방법 {A method of appraising weather condition using a road surface temperature restoring model}

본 발명은 노면 온도 예측 모델과 도로의 열 지도(thermal map)를 이용하여 도로의 노면 온도를 예측하고, 과거 블랙아이스의 발생 가능성을 역추적하는 시스템 및 방법에 관한 것이다. 보다 상세하게는, 도로의 국지적 특성을 함께 고려하여 보다 정확한 노면 온도를 예측하고, 기상 감정사의 감정을 보조하는 정보를 산출하기 위해, 여러가지 알고리즘의 결과 값을 생성하기 위한 시스템 및 방법에 관한 것이다.

최근 들어 겨울철 블랙아이스로 인한 교통 사고가 잦아지는 추세이다. 운전자가 육안으로 블랙아이스와 도로의 표면을 구분하는 것이 어렵기 때문에, 블랙아이스에 의한 사고 위험은 눈길에 비해 6배 이상으로 집계된다. 이에 따라, 도로 위의 블랙아이스의 존재를 미리 판단하여, 운전자에게 알릴 수 있는 시스템의 구축이 요구되고 있다.

또한, 교통 사고의 발생 원인을 보다 정확하게 파악하기 위해, 과거의 기상 상태 및 도로 노면 상태를 진단할 필요가 있다.

다만, 도로 노면 온도 관측 장치가 전국 도로에 40여개 밖에 설치되어 있지 않기 때문에 과거의 도로 노면 온도 관측 값을 이용하여 사고 발생 시의 도로 및 기상 상태를 감정하는 것이 어려운 실정이다.

따라서, 본 명세서에서는 여러가지 기상 변수들을 이용하여 과거 도로 노면 온도를 복원하고, 사고시의 블랙아이스 발생 가능성을 역추적하는 블랙아이스 위험 진단 시스템의 동작 방법을 제안한다.

본 발명의 일 과제는 대기 상태 및 열지도 정보를 이용하여 과거 특정 시점의 도로 노면 온도 값에 가까운 도로 노면 온도 복원 값을 산출하고, 이를 이용하여 사고 발생 시점에서의 블랙아이스에 의한 사고 위험 정도를 산출하는 것이다.

일 실시예에 따르면, 블랙아이스 위험 진단 프로그램에 포함되는 서버의 동작 방법으로서, 사용자 입력에 따라, 사고에 대한 정보 - 이때, 상기 사고에 대한 정보는 사고 지점 및 사고 시점을 포함함 - 를 수신하는 단계; 상기 사고 지점을 포함하는 제1 도로 구간 및 상기 사고 시점을 포함하는 제1 시간 구간을 선택하는 단계; 상기 제1 도로 구간 및 상기 제1 시간 구간 동안의 기상 예보 정보 및 현재 시점을 포함하는 제2 시간 구간 동안의 기상 예보 정보를 제1 알고리즘에 입력하여 제1 인덱스를 출력하는 단계 - 이때, 상기 기상 예보 정보는 강수 예보, 안개 예보 및 습도 예보 중 적어도 하나를 포함함 -; 상기 제1 도로 구간에 대한 기상 특성 정보를 상기 제1 알고리즘과 병렬적으로 설계되는 제2 알고리즘에 입력하여 제2 인덱스를 출력하는 단계 - 이때, 상기 기상 특성 정보는 상기 제1 도로 구간 에서의 전선, 기압대, 역전층 및 고도 중 적어도 하나를 포함함 -; 및 상기 제1 도로 구간의 살얼음 위험 정도를 나타내는 상기 제1 인덱스 및 상기 제1 도로 구간에 어는비 발생 가능성을 나타내는 상기 제2 인덱스를 기초로 블랙아이스에 의한 사고 위험 정도를 나타내는 제3 인덱스를 산출하는 단계;를 포함하는 서버의 동작 방법이 제공될 수 있다.

또한, 컴퓨터에서 판독 가능하고, 상술한 서버의 동작 방법을 수행하기 위한 프로그램이 기록된 기록 매체가 제공될 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급하지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따르면, 대기 상태 및 열지도 정보를 이용하여 과거 특정 시점의 도로 노면 온도 값에 가까운 도로 노면 온도 복원 값을 산출하고, 이를 이용하여 사고 발생 시점에서의 블랙아이스에 의한 사고 위험 정도를 산출하는 블랙아이스 위험 진단 시스템이 제공될 수 있다.

본 발명의 효과들이 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 도로 노면 온도 예측 모델을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 도로 노면 온도 예측 모델의 데이터 처리 알고리즘을 설명하기 위한 도면이다.
도 3은 관측점에서 11일 간 UM에서 생산된 기온, 상대습도, 풍속, 기압, 하향단파복사에너지, 순장파복사에너지, 강수량의 시계열을 나타낸 것이다.
도 4는 UM 자료와 실제 관측 값과 비교하기 위해 관측점에서 가장 가까운 정규기상관측소에서 조운량, 일조시간, 하향단파복사에너지를 나타낸 도면이다.
도 5는 8일 간 도로 노면 온도 예측 모델을 수행하여 얻은 결과를 12시간 간격으로 나타낸 것이다.
도 6은 다른 실시예에 따른 도로 노면 온도 예측 모델의 구성을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 열지도 정보 생성 방법을 나타내는 도면인다.
도 8은 일 실시예에 따른 도로 노면 온도 예측 모델이 열지도 정보를 추가적으로 활용하여 도로 노면 온도를 예측하는 방법을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 블랙아이스 위험 진단 시스템의 동작 방법을 나타낸 순서도이다.
도 10은 일 실시예에 따른 블랙아이스 위험 진단 시스템의 구성을 나타내는 도면이다.
도 11은 일 실시예에 따른 도로 살얼음 진단 알고리즘의 수행 방법을 설명하기 위한 흐름도이다.
도 12는 도로 살얼음 진단 알고리즘의 하나의 예시를 나타내는 도면이다.
도 13은 어는비 알고리즘 수행 모듈에서 수행되는 알고리즘의 일 실시예이다.

일 실시예에 따르면, 블랙아이스 위험 진단 프로그램에 포함되는 서버의 동작 방법으로서, 사용자 입력에 따라, 사고에 대한 정보 - 이때, 상기 사고에 대한 정보는 사고 지점 및 사고 시점을 포함함 - 를 수신하는 단계; 상기 사고 지점을 포함하는 제1 도로 구간 및 상기 사고 시점을 포함하는 제1 시간 구간을 선택하는 단계; 상기 제1 도로 구간 및 상기 제1 시간 구간 동안의 기상 예보 정보 및 현재 시점을 포함하는 제2 시간 구간 동안의 기상 예보 정보를 제1 알고리즘에 입력하여 제1 인덱스를 출력하는 단계 - 이때, 상기 기상 예보 정보는 강수 예보, 안개 예보 및 습도 예보 중 적어도 하나를 포함함 -; 상기 제1 도로 구간에 대한 기상 특성 정보를 상기 제1 알고리즘과 병렬적으로 설계되는 제2 알고리즘에 입력하여 제2 인덱스를 출력하는 단계 - 이때, 상기 기상 특성 정보는 상기 제1 도로 구간 에서의 전선, 기압대, 역전층 및 고도 중 적어도 하나를 포함함 -; 및 상기 제1 도로 구간의 살얼음 위험 정도를 나타내는 상기 제1 인덱스 및 상기 제1 도로 구간에 어는비 발생 가능성을 나타내는 상기 제2 인덱스를 기초로 블랙아이스에 의한 사고 위험 정도를 나타내는 제3 인덱스를 산출하는 단계;를 포함하는 서버의 동작 방법이 제공될 수 있다.

여기서, 상기 제3 인덱스는 상기 제1 도로 구간의 특성 정보 및 사고 차량의 속도 정보를 기초로 계산된 정지 시거와 관련되는 제1 파라미터를 더 고려하여 산출될 수 있다.

여기서, 상기 제1 파라미터는 상기 제1 도로 구간의 특성 정보 및 상기 사고 차량의 속도 정보를 기초로 계산된 정지 시거에 가중치를 부여함으로써 산출될 수 있다.

여기서, 상기 제3 인덱스는 상기 제1 도로 구간의 기상 자료, 상기 제1 도로 구간의 특성 정보, 상기 제1 도로 구간의 열지도 정보를 기초로 산출되는 제2 파라미터를 더 고려하여 산출될 수 있다.

여기서, 상기 제2 파라미터는 상기 제1 도로 구간의 기상 자료, 상기 제1 도로 구간의 특성 정보를 가공하여 생성된 도로 노면 온도 복원 값 및 상기 도로 노면 온도 복원 값을 기초로 상기 열지도 정보에 가중치를 부여함으로써 계산된 보정된 도로 노면 온도 복원 값을 계산함으로써 산출될 수 있다.

여기서, 상기 도로 노면 온도 복원 값 및 상기 보정된 도로 노면 온도 복원 값은 상기 사고 시점에서의 상기 도로 노면 온도에 대응될 수 있다.

여기서, 상기 제1 인덱스를 출력하는 단계는, 상기 제1 도로 구간의 종류를 결정하는 단계, 상기 제1 도로 구간의 종류에 따라 기준 온도를 결정하는 단계, 및 상기 제1 시간 구간 동안의 기상 예보 정보 및 상기 제2 시간 구간 동안의 기상 예보 정보를 상기 기준 온도를 기초로 설정된 미리 정해진 조건에 따라 상기 제1 인덱스를 결정하는 단계를 포함할 수 있다.

여기서, 상기 제1 인덱스는 상기 제1 도로 구간에 상기 제1 시간 구간 동안 살얼음의 발생 정도에 따라 상이하게 표현될 수 있다.

여기서, 상기 제2 인덱스는 상기 제1 도로 구간에 상기 제1 시간 구간 동안 어는비의 발생 가능성에 따라 상이하게 표현될 수 있다.

여기서, 컴퓨터에서 판독 가능하고, 상술한 서버의 동작 방법을 수행하기 위한 프로그램이 기록된 기록 매체가 제공될 수 있다.

본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 판례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.

본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.

본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "부분" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

물리 기반 노면 온도 예측 모델을 포함하는 노면 블랙아이스 취약구간 예측 시스템을 제안한다.

도 1은 일 실시예에 따른 도로 노면 온도 예측 모델을 설명하기 위한 도면이다.

도 1을 참조하면, 일 실시예에 따른 도로 노면 온도 예측 모델(100)은 인풋 데이터(10)를 입력받을 수 있다. 이때, 상기 노면 온도 예측 모델(100)은 노면 온도 예측을 위한 시스템(프로그램) 또는 하드웨어 모듈에 저장된 알고리즘 수행 모델일 수 있다.

또한, 상기 인풋 데이터(10)는 적어도 하나의 정보를 포함할 수 있다. 예를 들어, 상기 인풋 데이터(10)는 도로 노면 위의 대기 상태 정보, 도로의 특성 정보 등을 포함할 수 있으나, 이에 한정되지 않는다.

이때, 상기 도로 노면 위의 대기 상태 정보는 외부로부터 전송받은 대기 상태에 대한 기상 자료일 수 있다. 예를 들어, 상기 도로 노면 위의 대기 상태 정보는 기상청이 생성한 통합 모델(UM, Unified Model)의 기상 자료일 수 있다. 보다 구체적으로, 상기 통합모델(Unified Model, UM)은 12 km의 수평해상도로 72시간까지 3시간 마다 기온, 습도, 바람, 기압 등의 일반 기상 변수뿐 아니라, 복사에너지 등 다양한 변수들에 대한 예측 결과를 제공할 수 있다. 이에 따라, 도로 노면 온도 예측 모델(100)은 상기 예측 결과를 노면 온도 예측 모델(100)의 기상 변수의 인풋 데이터로 활용할 수 있다.

또한, 인풋 데이터에 포함되는 도로 특성 정보는 도로의 특성과 관련된 열적 특성과 관련된 정보일 수 있다. 보다 구체적으로, 상기 도로 특성 정보는 상기 도로의 재질, 경사 등에 따라 결정되는 특성 값들을 포함할 수 있다.

상기 UM 기상 자료 및 도로 특성 정보가 포함하는 변수값에 대한 상세한 내용은 하기에서 설명한다.

또한, 상기 도로 노면 온도 예측 모델(100)은 아웃풋 데이터(20)를 출력할 수 있다. 구체적으로, 상기 도로 노면 온도 예측 모델(100)은 상기 인풋 데이터(10)를 처리하여 아웃풋 데이터(20)를 출력할 수 있다. 이때, 상기 아웃풋 데이터(20)는 적어도 하나의 정보를 포함할 수 있다. 예를 들어, 상기 아웃풋 데이터(20)는 도로 노면 온도 등을 포함할 수 있으나, 이에 한정되지 않는다.

또한, 상기 도로 노면 온도 예측 모델(100)은 상기 인풋 데이터(10)를 기초로 상기 아웃풋 데이터(20)를 출력하기 위한 적어도 하나의 데이터 처리 모듈을 포함할 수 있다.

보다 구체적으로, 상기 도로 노면 온도 예측 모델(100)은 인풋 데이터를 도로 노면 온도 예측 알고리즘을 수행하는데에 적절한 형태의 데이터로 변환하는 인풋 데이터 변환 모듈(110)을 포함할 수 있다.

또한, 상기 도로 노면 온도 예측 모델(100)은 도로 노면 온도를 계산하는 데에 필요한 지표 복사 에너지 수지를 계산하기 위한 지표 복사 에너지 수지 계산 모듈(120), 지표 에너지 수지를 계산하기 위한 지표 에너지 수지 계산 모듈(130) 및 지중 열전달을 계산하기 위한 지중 열전달 모듈(140)을 포함할 수 있다.

또한, 상기 도로 노면 온도 예측 모델(100)은 상기 지표 복사 에너지 수지, 지표 에너지 수지, 및 지중 열전달을 기초로 도로 노면 온도에 대한 예측 값을 계산하기 위한 노면 온도 계산 모듈(150)등을 포함할 수 있다.

또한, 일 실시예에 따른 도로 노면 온도 예측 모델(100)은 입력받은 인풋 데이터를 소정의 데이터 처리 알고리즘을 기초로 처리할 수 있다. 이때, 상기 데이터 처리 알고리즘은 특정한 형태의 데이터 셋을 출력하기 위해 코딩된 알고리즘일 수 있다. 예를 들어, 상기 데이터 처리 알고리즘은 도로 노면 온도에 대한 예측값을 연산하기 위한 알고리즘일 수 있다.

또한, 상기 도로 노면 온도 예측 모델(100)에 포함된 다양한 데이터 처리 모듈들이 상기 데이터 처리 알고리즘을 기초로 도로 노면의 온도를 예측할 수 있다.

도 2는 일 실시예에 따른 도로 노면 온도 예측 모델의 데이터 처리 알고리즘을 설명하기 위한 도면이다.

도 2를 참조하면, 상기 도로 노면 온도 예측 모델은 입력받은 인풋 데이터에 포함된 다양한 변수들을 데이터 전처리(Preprocess) 단계 및 온도 예측값 산출을 위한 주처리(Main process) 단계를 포함할 수 있다.

이때, 상기 데이터 전처리 단계는 인풋 데이터에 포함된 물리적 변수들을 도로 노면 온도 예측 모델에 적합한 변수로 변환하기 위한 과정일 수 있다.

예를 들어, 상기 데이터 전처리 단계는 인풋 데이터에 포함되는 UM Met 데이터를 기초로 격자 값(grid value)로부터 지점 값(point data)로 변환하는 단계(S1001)를 포함할 수 있다.

일 예로, 상기 UM Met 데이터는 12 km의 수평해상도로 생성되는 3시간 간격의 72시간 단일면 예측 변수 중 기온, 상대습도, 풍속, 하향단파복사에너지, 순장파복사에너지, 강수량, 기압 자료 등을 포함할 수 있으나, 이에 한정되지 않는다. 이때, 하향단파복사에너지와 더불어 순장파복사에너지를 사용한 이유는 야간에 운량의 효과를 포함시킬 수 있기 때문이다.

이때, 격자(grid) 형태의 기상 자료를 예측하고자 하는 지점에서의 값(point data)으로 변환하기 위해 관심 지점을 포함하는 격자 자료에 역제곱 내삽법을 적용할 수 있다. 예를 들어, 3시간 간격의 자료는 선형내삽법을 이용하여 1시간 간격의 자료로 변환하여 노면 온도 예측 모델의 인풋 데이터로 활용될 수 있다.

보다 구체적으로, 1시간 단위로 입력된 변수는 노면온도예측모델 내부에서 10분 단위로 변환할 수 있고, 하향단파복사에너지를 제외한 나머지 변수는 선형내삽법을 사용할 수 있다.

또한, 하향단파복사에너지의 경우, UM 자료가 3시간 마다 예측한 자료를 다시 선형 내삽할 경우 12시와 13시 사이에 나타나야 할 최댓값을 제대로 표현할 수 없기 때문에 주간 동안 태양의 천정각과 UM 자료를 이용하여 다시 계산할 수 있다.

또한, 도로 노면 온도 예측 모델에 입력되는 인풋 데이터에 포함되는 도로 특성 정보는 도로의 특성과 관련된 다양한 변수들을 포함할 수 있다. 예를 들어, 상기 도로 특성 정보는 노면의 종류, 알베도, 열전도도, 열용량, 열확산계수, 동서방향과 남북방향의 경사각 등을 포함할 수 있다. 이때, 노면 내부는 7층까지 구별 가능하도록 설계될 수 있고, 각 층의 두께와 종류를 입력하면, 그에 해당하는 열전도도, 열용량, 열확산 계수가 설정되도록 설계될 수 있다.

또한, 상기 온도 예측값 산출을 위한 주처리 단계는 적어도 하나의 물리값들을 계산하는 단계들을 포함할 수 있다. 보다 구체적으로, 상기 도로 노면 온도 예측 모델 상기 인풋 데이터에 포함되는 UM Met 정보 및 도로 특성 정보를 기초로 도로의 노면 온도와 관련되는 적어도 하나의 물리값들을 계산할 수 있고, 상기 물리값들을 기초로 도로 노면의 온도를 예측할 수 있다. 예를 들어, 상기 도로 노면 온도 예측 모델은 지표 복사 에너지 수지, 지표 에너지 수지, 및 지중 열전달 등을 계산할 수 있고, 상기 값들을 기초로 도로 노면 온도값을 출력할 수 있으나, 이에 한정되지 않는다.

구체적으로, 상기 도로 노면 온도 예측 모델은 상기 UM 기상 자료 및 도로 특성 정보를 기초로 지표 복사 에너지 수지를 계산할 수 있다(S1002). 이때, 도로 노면 온도 예측 모델은 노면에서의 순복사에너지를 아래 수식에 따라 계산할 수 있다.

(수식)

여기서, α는 알베도, R_net은 순복사에너지, R_S,down은 하향단파복사 에너지, R_L,net은 순장파복사에너지를 각각 나타낸다.

또한, 상기 도로 노면 온도 예측 모델은 상기 UM 기상 자료 및 도로 특성 정보를 기초로 지표 에너지 수지를 계산할 수 있다.

구체적으로, 도로 노면 온도 예측 모델은 지표에서 지중으로 전달되는 에너지를 아래 수식에 따라 계산할 수 있다.

(수식)

여기서, G0는 지중으로 전달되는 에너지, H0는 지표에서의 현열속, L0는 지표에서의 잠열속을 각각 나타낸다.

상기 도로 노면 온도 예측 모델은 상기 UM 기상 자료 및 도로 특성 정보를 기초로 지중 열전달을 계산할 수 있다(S1003).

구체적으로, 도로 노면 온도 예측 모델은 노면 온도의 시간에 따른 변화를 아래 수식에 따라 계산할 수 있다.

(수식)

이때, C_Ts는 지표층의 두께와 체열용량의 곱의 역수, G_s는 대기에서 지표로 유입되는 열속, Q는 지표에서 첫번째 층으로 유출되는 열속을 각각 나타낸다.

또한, 층에서의 온도는 층으로 유입되는 열속과 층으로 유출되는 열속에 따라 결정될 수 있다.

이에 따라, 상기 도로 노면 온도 예측 모델은 상기 지표 복사 에너지 수지, 지표 에너지 수지, 지중 열전달을 계산한 결과값들을 기초로 도로 노면 온도의 예측 값을 산출할 수 있다(S1004).

또한, 상기 도로 노면 온도 예측 모델은 실제 관측된 도로 노면 온도 값을 기초로 상기 예측 값을 보정할 수 있다(S1005).

보다 구체적으로, 상기 도로 노면 온도 예측 모델은 외부로부터 노면 온도에 대한 실측 값을 수신한 경우, 상기 실측 값에 대한 단순편차보정법을 이용하여 노면 온도 예측 값을 보정할 수 있다. 예를 들어, 상기 도로 노면 온도 예측 모델은 현재로부터 48시간 이전부터 모델이 수행되는 경우, 과거 24시간의 모델 수행 노면 온도와 실측 노면 온도의 평균 편차를 미래의 24시간 예측 값에 더하여 보정할 수 있으나, 이에 한정되지 않는다.

도 3은 관측점에서 11일 간 UM에서 생산된 기온, 상대습도, 풍속, 기압, 하향단파복사에너지, 순장파복사에너지, 강수량의 시계열을 나타낸 것이다.

도 3을 참조하면, 모델 수행 기간 중 기온은 -4.7도에서 15.7도 사이의 값을 보이며 낮에 높으며 새벽에 최소를 보이는 일변화 경향을 보였다(도 3a). 상대습도는 기온과는 반대로 낮에 낮으며(최솟값 25%) 야간에 높은(최댓값 100%) 일변화 경향을 보였다(도 3b). 풍속은 3월 25일 14시에 5.4 m/s의 최댓값을 보였으며(도 3c), 기압은 994~1006 hPa 사이의 값을 보였다(도 3d). 하향단파복사에너지는 3월 29일에 최대 867W/m2의 값을 보였으며(도 3e), 순장파복사에너지의 값은 기온이 높을 때 작은 값을 보이며 -9 ~ -169 W/m2 사이의 값을 보였다(도 3f).UM에서 생산된 강수량은 3월 22일에 0.1 mm, 28일에 0.06 mm, 30~31일 사이에 1.21 mm였다(도 3g).

도 4는 UM 자료와 실제 관측 값과 비교하기 위해 관측점에서 가장 가까운 정규기상관측소에서 조운량, 일조시간, 하향단파복사에너지를 나타낸 도면이다.

도 4를 참조하면, 운량은 3월 22일 5.8, 28일 6.4,30일 7.8이었으며 나머지 날에는 5.0 이하였으며(도 4a), 이에 따라 일조시간은 3월 22일 5.9 h, 28일 5.5 h, 30일 5.0 h를 제외하면 10 h 이상이었다(도 4b). 관측소의 하향단파복사에너지는 3월 28일과 30일을 제외하면 UM 하향단파복사에너지의 약 75%로 UM이 과대모의하는 것으로 나타났다(도 4c~d). 모델 수행 기간 중 관측소에서는 3월 30일에 2.5 mm와 31일에 0.3 mm의 강수량만 기록되었을 뿐 UM에서 예측한 22일과 28일의 강수는 실제 나타나지 않은 것으로 나타났다.

도 5는 8일 간 도로 노면 온도 예측 모델을 수행하여 얻은 결과를 12시간 간격으로 나타낸 것이다.

도 5를 참조하면, 초록색 파선의 왼쪽은 모델 수행 시각 앞의 48시간의 자료를 나타내며, 오른쪽은 도로 노면 온도 예측 모델을 수행하여 예측한 24시간 자료를 나타낸다. 3월 30일과 31일 강수가 있었던 기간을 제외한 나머지 기간 동안에는 노면온도의 일변화 경향을 잘 모의하고 있다. 3월 25일 1200 LST(도 5(f))와 26일 0000 LST(도 5(g))에 모의한 26일 오전의 과소 모의는 관측된 운량이 4.3으로 구름이 약간 있었으며 그 경우 일반적으로 순장파복사에너지가 0에 가까워지는 경향이 있는데 UM에서 이를 충분히 반영되지 않았기 때문으로 판단된다(도 4(a)). 또한 3월 28일0000 LST(도 5(k))에 예측한 28일 오후의 노면온도는 과다모의되었는데, 이는 UM에서의 하향복사에너지가 관측된 값보다 크게 모의되었기 때문으로 판단된다 (도 4 c~d). 3월 29일 1200 LST부터 30일 1200 LST까지(도 5n~p) 예측한 30일 오전과 오후, 31일 오전의 노면온도를 과소 또는 과다 모의한 것은 강수와 관련된 것으로 판단된다(도 3g).

상술한 실험 결과에 따르면, 도로 노면 온도 예측 모델의 예측 값과 RWIS 실측값(이때, RWIS는 도로 기상정보 시스템을 의미함)의 편차 50%는 ± 1.5 ℃, 90%는 ± 2.5 ℃ 이내에 포함되는 것으로 나타난다.

실시예에 따른 도로 노면 온도 예측 모델을 활용하면 기상자료 및 도로의 특성 자료를 기초로 비교적 실측 값에 유사한 온도 예측 값을 획득할 수 있음을 확인하였다.

다만, 블랙아이스의 경우, 상기 기상 자료 및 도로의 특성 자료뿐만 아니라, 국지적인 기상 및 도로 환경(예를 들어, 도로의 구조, 주위 지형의 영향 등) 등이 복합적으로 영향을 미쳐 발생한다.

이에 따라, 하기에서는 상기 국지적인 기상 및 도로 환경을 더 고려하여 보다 정확하게 블랙아이스를 예측하는 개선된 도로 노면 온도 예측 모델을 제안한다.

도 6은 다른 실시예에 따른 도로 노면 온도 예측 모델의 구성을 설명하기 위한 도면이다.

도 6을 참조하면, 다른 일 실시예에 따른 도로 노면 온도 예측 모델(101)은 도 1에 따른 도로 노면 온도 예측 모델에 비해 추가적인 정보를 기초로 보다 정확한 도로 노면 온도 예측 값을 산출할 수 있다. 구체적으로, 일 실시예에 따른 도로 노면 온도 예측 모델은 인풋 데이터(30)로서 기존의 도로 노면 위의 대기 상태 정보 및 도로의 특성 정보뿐만 아니라, 열지도 정보를 입력받을 수 있다.

이때, 상기 열지도 정보는 소정의 도로 구간의 지형적 특성을 반영하는 정보일 수 있다. 보다 구체적으로, 상기 열지도 정보는 관측 차량을 운행하여 직접적인 도로 노면 온도 관측 값을 기초로 생성되므로, 실제 도로의 지형에 따라 달라질 수 있는 도로 노면 온도를 반영할 수 있다.

또한, 상기 열지도 정보는 상기 소정의 도로 구간의 노면 온도 편차 값을 기초로 생성된 정보일 수 있다. 예를 들어, 상기 열지도 정보는 소정의 도로 구간의 평균 노면 온도에 대한 복수의 지점들의 노면 온도 편차값을 시각적으로 나타낸 정보일 수 있으나, 이에 한정되지 않는다.

또한, 상기 열지도 정보는 도로 관측 장치를 이용하여 도로 구간에 대한 thermal mapping을 수행함으로써 획득될 수 있다. 보다 구체적으로, 이동형 노면온도 관측 차량은 소정의 도로 구간을 주행하며 상기 도로 구간의 노면 온도를 측정할 수 있고, 상기 측정 값을 기초로 상기 도로 구간에 대한 열지도 정보를 생성할 수 있다. 예를 들어, 상기 이동형 노면온도 관측 차량은 소정의 도로 구간을 주행하며 상기 도로 구간에 대한 노면 온도를 측정할 수 있고, 상기 측정 값을 50m 간격으로 내삽하여 나타낼 수 있다. 또한, 이 경우, 상기 도로 구간의 평균 노면 온도에 대한 각각의 내삽된 지점들의 노면 온도의 편차를 계산하여 나타낼 수 있으나, 이에 한정되지 않는다.

도 7은 일 실시예에 따른 열지도 정보 생성 방법을 나타내는 도면인다.

일 실시예에 따른 열지도 정보는 소정의 도로 구간의 온도를 관측하는 관측 장치에 포함된 프로세서에서 생성될 수 있으나, 이에 한정되지 않고, 도로 구간에 대한 관측 정보를 실시간으로 전송받은 도로 노면 온도 예측 모델의 메인 서버(cloud)에 포함되는 프로세서에서 상기 열지도 정보를 생성할 수도 있다.

도 7을 참조하면, 도로 노면 온도 관측 장치를 포함하는 이동체는 소정의 도로 구간을 주행하며 노면 온도를 측정할 수 있다(S1006). 예를 들어, 상기 이동체는 제1 도로 구간에 대해 제1 시간 구간 동안의 도로 노면 온도를 측정할 수 있다. 이 경우, 상기 도로 노면 온도 관측 장치는 상기 제1 도로 구간에 대한 상기 제1 시간 구간 동안의 온도 관측 값들을 획득할 수 있고, 상기 온도 관측 값들을 서버로 전송할 수 있다.

또한, 서버 또는 적어도 하나의 프로세서는 각 관측 값들을 50m 간격으로 내삽(interpolation)하여 복수의 지점들을 설정할 수 있다(S1007). 예를 들어, 상기 서버 또는 적어도 하나의 프로세서는 상기 제1 도로 구간의 관측 값들을 미리 정해진 간격으로 보간하여 나타낼 수 있다.

또한, 상기 서버 또는 적어도 하나의 프로세서는 전체 도로 구간의 평균 노면 온도를 계산할 수 있다(S1008). 예를 들어, 상기 서버 또는 적어도 하나의 프로세서는 상기 제1 도로 구간의 내삽된 각각의 지점들의 상기 제1 시간 구간 동안의 도로 노면 온도 관측 값의 평균 값을 계산할 수 있다.

또한, 상기 서버 또는 적어도 하나의 프로세서는 상기 평균 노면 온도에 대한 각 지점들의 노면 온도 편차를 계산할 수 있다(S1009). 예를 들어, 상기 서버 또는 적어도 하나의 프로세서는 상기 제1 도로 구간의 각 지점들의 보간된 관측 값들을 상기에서 계산된 평균 값을 기초로 온도 편차 값을 계산할 수 있다.

또한, 상기 적어도 하나 이상의 프로세서는 상기 노면 온도 편차를 기초로 상기 소정의 도로 구간에 대한 열지도 정보를 생성할 수 있다(S1010). 예를 들어, 상기 서버 또는 적어도 하나의 프로세서는 상기 제1 도로 구간의 각 지점들에 대한 노면 온도 편차 값들을 시각적으로 나타낸 열지도를 생성함으로써 상기 열지도 정보를 생성할 수 있다.

도 8은 일 실시예에 따른 도로 노면 온도 예측 모델이 열지도 정보를 추가적으로 활용하여 도로 노면 온도를 예측하는 방법을 설명하기 위한 도면이다.

도 8을 참조하면, 도로 노면 온도 예측 모델의 메인 서버는 입력되는 인풋 데이터를 전처리할 수 있다(S1011). 이때, 상기 인풋 데이터는 상술한 UM 기상자료, 도로 특성 정보 등을 포함할 수 있다. 또한, 상기 전처리 단계는 도 2의 전처리 단계(S1001)의 기술적 내용이 그대로 적용될 수 있다.

또한, 상기 서버는 상기 인풋 데이터를 기초로 도로 노면의 열적 특성에 관련되는 적어도 하나 이상의 물리적 파라미터를 산출할 수 있다(S1012). 이때, 상기 적어도 하나 이상의 물리적 파라미터는 지표 복사 에너지 수지, 지표 에너지 수지, 및 지중 열전달 등이 포함될 수 있다. 또한, 상기 산출 단계는 도 2의 단계 S1002 및 S1003의 기술적 내용이 그대로 적용될 수 있다.

또한, 상기 서버는 도로 노면 온도 관측 값을 기초로 열지도 정보를 생성할 수 있다(S1013). 이때, 상기 열지도 정보를 생성하는 단계는 도 7의 열지도 생성 방법이 그대로 적용될 수 있다.

또한, 상기 서버는 상기 적어도 하나 이상의 물리적 파라미터 및 열지도 정보를 기초로 도로 노면 온도 예측 값을 산출할 수 있다(S1014). 보다 구체적으로, 상기 서버는 기상 자료 및 도로의 특성 정보를 기초로 산출된 상기 물리적 파라미터뿐만 아니라 도로의 지형적 특성을 반영하는 열지도 정보를 추가적으로 활용하여 보다 정확한 도로 노면 온도 예측 값을 산출할 수 있다.

예를 들어, 상기 서버는 열지도 정보를 기초로 노면 온도 예측 모델의 가중치를 설정할 수 있고, 이에 따라 상기 가중치를 기초로 도로 노면 온도의 예측 값을 계산할 수 있으나, 이에 한정되지 않는다. 보다 구체적으로, 상기 서버는 지표 복사 에너지 수지, 지표 에너지 수지, 및 지중 열전달을 기초로 산출되는 노면 온도 예측 값을 상기 열지도 정보를 기초로 설정된 가중치를 이용하여 최종 예측 값을 산출할 수 있다. 예를 들어, 상기 서버는 소정의 도로 구간의 온도 편차값을 가중치로 이용하여 상기 도로 구간의 노면 온도의 예측 값을 산출할 수 있으나, 이에 한정되지 않는다.

아래에서는 상술한 도로 노면 온도 예측 모델을 이용한 블랙아이스 위험 진단 시스템의 구성 및 동작 방법에 대해 설명한다.

도 9는 일 실시예에 따른 블랙아이스 위험 진단 시스템의 동작 방법을 나타낸 순서도이다.

도 9를 참조하면 블랙아이스 위험 진단 시스템의 메인 서버는 사고 상황에 대한 사용자의 1차 입력을 수신할 수 있다(S1015). 구체적으로, 사용자는 상기 블랙아이스 위험 진단 시스템의 서식을 통해 사고와 관련된 다양한 정보들을 입력할 수 있다.

또한, 상기 서버는 미리 정해진 서비스를 기초로 사용자의 1차 입력에 포함된 정보들을 자동적으로 처리할 수 있다(S1016).

또한, 상기 서버는 사고 상황에 대한 사용자의 2차 입력을 수신할 수 있다(S1017).

또한, 상기 서버는 처리된 정보와 사용자 입력 정보를 기초로 결과 데이터를 출력할 수 있다(S1018).

아래에서는 상술한 동작 방법에 따라 블랙아이스 위험 진단 시스템이 사고 상황에 대한 기상 감정 데이터를 출력하는 구체적인 방법을 설명한다.

도 10은 일 실시예에 따른 블랙아이스 위험 진단 시스템의 구성을 나타내는 도면이다.

도 10을 참조하면, 상기 블랙아이스 위험 진단 시스템의 메인 서버(1000)는 외부서버로부터 입력받는 다양한 정보들을 기초로 사고 및 기상 감정에 필요한 다양한 정보들을 출력할 수 있다.

예를 들어, 상기 서버(1000)는 외부 서버(2000)로부터 사고 감정 계약의 계약 내용에 대한 정보, 해당 사고 발생 시점에서의 비기상 요소에 대한 정보 및 해당 사고 발생 시점에서의 기상 요소에 대한 정보 등을 입력받을 수 있다.

이때, 상기 계약 내용에 대한 정보는 기상 감정 업체의 정보, 기상감정사 정보, 의뢰인 정보, 의뢰 지점 및 의뢰 시점에 대한 정보 등을 포함할 수 있으나, 이에 한정되지 않는다.

예를 들어, 상기 서버(1000)는 상기 계약 내용에 대한 정보에 포함된 의뢰 지점 및 의뢰 시점에 대한 정보를 기초로 해당 장소 및 시간이 블랙아이스 등에 대해 취약한 지역인지 여부 및/또는 취약한 시간대인지 여부를 판단할 수 있다. 또한, 상기 서버(1000)는 상기 판단 결과를 출력할 수 있다.

또한, 상기 비기상 요소에 대한 정보는 도로의 종류, 포장재, 경사도, 도로 상태와 같은 도로 특성 정보 및 운전 차량에 대한 정보(예를 들어, 속도)를 포함할 수 있으나, 이에 한정되지 않는다.

예를 들어, 상기 서버(1000)는 상기 비기상 요소에 포함된 도로 특성 정보 및 운전 차량의 속도 정보를 기초로 정지 시거를 계산하여 확인하고 이에 대한 가중치를 계산함으로써 정지 시거 증가로 인한 사고 가능성을 파악할 수 있다. 또한, 상기 서버(1000)는 상기 파악된 사고 가능성을 출력할 수 있다.

또한, 서버(1000)는 사용자가 하는 논리 판단 과정 중에 지수(index) 또는 수치를 기초로 나타낼 수 있는 정보들을 알고리즘 설계를 통해 획득할 수 있다.

보다 구체적으로, 상기 서버(1000)는 사용자로부터 입력받은 정보 또는 상기 정보로부터 가공된 정보를 자동화된 알고리즘을 통해 해석함으로써 사용자에게 지수 또는 수치로 결과 값을 제공할 수 있다. 예를 들어, 상기 서버(1000)는 상기 다양한 모듈들을 통해 사고 상황에 대해 기상 요소 및 도로 특성에 의한 사고 위험 및 영향과 관련된 적어도 하나의 평가 지수(index)를 출력할 수 있으나, 이에 한정되지 않는다.

이때, 상기 서버(1000)는 상기 알고리즘이 설계된 다양한 모듈들을 포함할 수 있다. 구체적으로, 상기 서버(1000)는 기상 데이터를 해석하기 위한 기상 데이터 해석 모듈(1100), 노면 온도 복원 모듈(1200), 도로 살얼음 진단 모듈(1300) 및 어는비 알고리즘 수행 모듈(1400) 등을 포함할 수 있으나, 이에 한정되지 않는다.

예를 들어, 기상 데이터 해석 모듈(1100)은 상기 기상 요소에 포함되는 기상 데이터를 기초로 일기, 바람, 최고/최저 온도, 기온, 습도, 강수 및 강수 유형 등을 판단할 수 있고, 이에 따라 기상 데이터 해석의 결과를 나타내는 기상 데이터 인덱스를 산출할 수 있다. 또한, 상기 서버(1000)는 상기 산출된 기상 데이터 인덱스를 블랙아이스 기상 감정에 필요한 참고사항으로써 표출할 수 있다.

또한, 기상 요소에 대한 정보는 AWS 자료/ASOS 자료, 일기도, 연직 방향 기온 정보, 예보, 및 영상 자료 등을 포함할 수 있으나, 이에 한정되지 않는다.

이때, 상기 서버(1000)의 기상데이터 해석 모듈(1100)은 상기 기상 요소에 대한 정보를 기초로 사고시 기상 감정을 위해 사용자에게 필요한 서비스를 제공할 수 있다. 또한, 이 경우, 상기 사용자는 상기 서비스를 기초로 최종적인 기상 감정을 위한 정보를 2차적으로 입력할 수 있다.

예를 들어, 상기 서버(1000)의 기상데이터 해석 모듈(1100)은 AWS 자료/ASOS 자료를 통해 일기, 바람, 및 강수 유형(예를 들어, 어는비, 눈, 비) 판단을 위한 기상 정보를 제공할 수 있다. 또한, 이 경우, 사용자는 상기 일기를 기초로 사건 지점 및 사건 시점의 일기를 확인하여 입력할 수 있고, 상기 바람 정보를 기초로 풍속을 판단하여 입력할 수 있고, 상기 강수 유형에 대한 정보를 기초로 그래프에 대한 분석 결과를 입력할 수 있으나, 이에 한정되지 않는다.

또한, 서버(1000)의 기상데이터 해석 모듈(1100)은 지상 일기도, 고층 일기도, 국지 일기도 및 분석 일기도를 제공할 수 있다. 이 경우, 사용자는 상기 일기도에 대한 정보를 기초로 기압 분포 및 전선을 확인하여 입력할 수 있다. 구체적인 예로, 사용자는 저기압 및 전선을 확인한 경우, 적설 상태임을 확인하고 입력할 수 있으나, 이에 한정되지 않는다.

또한, 서버(1000)의 기상데이터 해석 모듈(1100)은 연직 방향 기온 정보로써, 단열 선도를 생성하여 제공하거나 연직 방향 층별 강수 유형을 결정하여 제공할 수 있다. 이 경우, 사용자는 상기 단열 선도를 기초로 기온의 역전 유무를 확인하여 입력할 수 있고, 상기 강수 유형을 기초로 사건 지점 및 사건 시점의 일기를 확인하여 입력할 수 있으나, 이에 한정되지 않는다.

또한, 서버(1000)의 기상데이터 해석 모듈(1100)은 일기 예보, 기상 속보, 통보문, 및 예특보 자료를 제공할 수 있다. 이 경우, 사용자는 상기 정보들을 기초로 사건 지점 및 사건 시점의 예보를 확인하여 입력할 수 있으나, 이에 한정되지 않는다.

또한, 서버(1000)의 기상데이터 해석 모듈(1100)은 수증기 등에 대한 위성 영상 및 수평 분포 및 연작 단면 분포에 대한 레이더 영상을 제공할 수 있다. 이 경우, 사용자는 위성 영상을 기초로 일기 및 수증기의 유입을 파악하여 입력할 수 있고, 상기 레이더 영상을 기초로 밝은 띠, 강수 밴드가 접근하는지 여부를 확인하여 입력할 수 있으나, 이에 한정되지 않는다.

또한, 노면 온도 복원 모듈(1200)은 도로 노면 온도 예측(복원) 모델을 통해 노면 온도 복원 값을 산출할 수 있다. 이때, 상기 도로 노면 온도 복원 모델에 대한 자세한 내용은 상술한 도 1 내지 도 8의 설명이 그대로 적용될 수 있다.

또한, 상기 노면 온도 복원 모듈(1200)은 상기 도로 노면 온도 복원 값뿐만 아니라 블랙아이스 발생 확률을 수치화하여 사용자에게 제공할 수 있다. 예를 들어, 상기 노면 온도 복원 모듈(1200)은 기상 데이터(기온, 대기 이슬점 온도 등) 및 도로 노면 온도 복원 값을 기초로 블랙아이스 발생 확률을 계산할 수 있고, 이를 블랙아이스 인덱스로써 사용자에게 제공할 수 있다. 이때, 상기 블랙아이스 인덱스는 블랙 아이스의 발생 확률을 지수화하여 임의적으로 표현한 값일 수 있고, 값이 클수록 블랙아이스 발생 확률이 높음을 의미할 수 있다.

예를 들어, 상기 노면 온도 복원 모듈(1200)의 프로세서는 상기 특정 도로 구간의 도로 노면 온도 예측 값이 특정 시간에 미리 정해진 임계치 보다 낮은 경우, 상기 특정 시간에 상기 특정 도로 구간의 블랙 아이스 발생 가능성이 높은 것으로 판단할 수 있다.

구체적인 예로, 상기 노면 온도 복원 모듈(1200)은 날씨 이벤트를 기초로 블랙아이스 발생 확률을 산출할 수 있다. 보다 구체적으로, 상기 노면 온도 복원 모듈(1200)은 현재 날씨 이벤트가 발생하였는지 여부를 기초로 블랙아이스 발생 확률을 산출할 수 있다. 예를 들어, 상기 노면 온도 복원 모듈(1200)은 강수 이벤트는 블랙아이스 인덱스를 11로 결정할 수 있고, 강설 이벤트는 블랙아이스 인덱스를 12로 결정할 수 있고, 어는비 이벤트는 블랙아이스 인덱스를 13으로 결정할 수 있으나, 기재된 수치로 한정되는 것은 아니다.

또한, 상기 노면 온도 복원 모듈(1200)은 노면 온도, 기온 및 대기 이슬점 온도를 기초로 블랙아이스 발생 확률을 산출할 수 있다. 이때, 상기 노면 온도 복원 모듈(1200)은 현재 시간의 날씨 이벤트가 없는 경우, 노면 온도 및 대기 이슬점 온도를 기초로 블랙아이스 발생 확률을 산출할 수 있다.

예를 들어, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 높은 경우, 블랙아이스 인덱스를 0(건조 상태, dry)로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도 보다 낮고, 노면 온도가 1도 이상인 경우, 블랙아이스 인덱스를 1(도로 이슬 발생 가능성 높음, wet)로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 낮고, 노면 온도가 1도 미만인 경우, 도로에 이슬이 발생하므로 블랙아이스 인덱스를 2(결빙 발생 가능성 높음, ice)로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 낮고 노면 온도가 1도 이상인 경우, 블랙아이스 인덱스를 1로 결정할 수 있고, 노면온도가 대기 이슬점 온도보다 낮고 노면 온도가 1도 미만인 경우, 블랙아이스 인덱스를 2로 결정할 수 있다.

또한, 상기 노면 온도 복원 모듈(1200)은 1시간 전의 노면 상태에 따라 노면 온도 및 대기 이슬점 온도를 기초로 블랙아이스 발생 확률을 산출할 수 있다.

예를 들어, 상기 노면 온도 복원 모듈(1200)은 1시간 전의 노면 상태가 dry인 경우 노면온도, 기온, 및 대기 이슬점 온도를 기초로 블랙아이스 인덱스를 결정할 수 있다. 구체적으로, 노면 온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 높은 경우, 블랙아이스 인덱스를 0으로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 낮고 노면 온도가 1도 이상인 경우, 블랙아이스 인덱스를 1로 결정할 수 있고, 노면 온도가 1도 미만인 경우 블랙아이스 인덱스를 2로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 낮은 경우, 노면 온도가 1도 이상이면 블랙아이스 인덱스를 1로, 노면 온도가 1도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다.

또한, 예를 들어, 상기 노면 온도 복원 모듈(1200)은 1시간 전의 노면 상태가 wet인 경우 노면온도, 기온, 및 대기 이슬점 온도를 기초로 블랙아이스 인덱스를 결정할 수 있다. 구체적으로, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 높은 경우, 노면 온도가 1도 이상이면 블랙아이스 인덱스를 0으로, 노면 온도가 1도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 낮은 경우, 노면 온도가 1도 이상이면 블랙아이스 인덱스를 1로, 노면온도가 1도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다. 또한, 노면 온도가 대기 이슬점 온도보다 낮은 경우, 노면 온도가 1도 이상이면 블랙아이스 인덱스를 1로, 노면 온도가 1도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다.

또한, 예를 들어, 상기 노면 온도 복원 모듈(1200)은 1시간 전의 노면 상태가 ice인 경우 노면온도, 기온, 및 대기 이슬점 온도를 기초로 블랙아이스 인덱스를 결정할 수 있다. 구체적으로, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 높은 경우, 노면온도가 2도 이상이면 블랙아이스 인덱스를 1로, 노면온도가 2도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 높고, 기온이 대기 이슬점 온도보다 낮은 경우, 노면온도가 2도 이상이면 블랙아이스 인덱스를 1로, 노면온도가 2도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다. 또한, 노면온도가 대기 이슬점 온도보다 낮은 경우, 노면온도가 2도 이상이면 블랙아이스 인덱스를 1로, 노면온도가 2도 미만이면 블랙아이스 인덱스를 2로 결정할 수 있다.

또한, 도로 살얼음 진단 모듈(1300)은 도로 살얼음 진단 알고리즘을 수행함으로 기상 상태에 기초하여 도로의 살얼음 정도를 판단하고, 이에 따라 사용자에게 적절한 예경보 및 조치를 안내할 수 있다. 도로 살얼음 진단 모듈(1300)을 이용한 살얼음 알고리즘에 대한 상세한 내용은 아래에서 설명한다.

또한, 어는비 알고리즘 수행 모듈(1400)은 어는비 알고리즘을 수행함으로써 어는비 발생 가능성을 산출할 수 있다. 어는비 알고리즘 수행 모듈(1400)을 이용한 어는비 알고리즘에 대한 상세한 내용은 아래에서 설명한다.

도 11은 일 실시예에 따른 도로 살얼음 진단 알고리즘의 수행 방법을 설명하기 위한 흐름도이다.

도 11을 참조하면, 서버는 기상 감정이 의뢰된 사건 지점의 도로 구간 종류를 파악할 수 있다(S1019).

도로 구간의 종류를 파악하는 이유는 도로 구간의 종류에 따라 도로 노면의 살얼음이 생기는 조건이 달라질 수 있기 때문이다. 예를 들어, 산악 구간의 경우, 일반 도로보다 고도가 높아 기온이 3도 이상 낮은 경향을 보이고, 야간에 기온이 빠르게 떨어지는 특성이 있고, 교량 구간의 경우, 낮시간 동안 햇볕을 흡수하고 하부의 공기 흐름으로 새벽시간에 기온이 빠르게 하강하는 특성이 있고, 터널 입출구 구간의 경우, 산을 깎아 건설하기 때문에 입구와 출구는 다른 곳보다 기온이 2~3도 낮은 경향을 보이므로, 이러한 도로 구간의 종류에 따른 차이를 반영하여 하기의 기준 온도 및 보정 온도가 상이해질 수 있다.

또한, 서버는 상기 도로 구간의 종류에 따라 기준 온도를 설정할 수 있다(S1020). 이때, 상기 기준 온도는 도로 살얼음 진단 알고리즘을 수행하기 위해 미리 설정되어야하는 온도로써 상기 도로 구간의 종류에 따라 상이할 수 있다. 예를 들어, 산악 구간의 경우, 전날 17시 기온이 6도 이하인지 여부에 따라 알고리즘의 다음 단계가 결정될 수 있다.

또한, 서버는 도로 살얼음 진단 모듈을 통해 적어도 하나의 알고리즘을 처리할 수 있다(S1021). 구체적으로, 도로 살얼음 진단 모듈은 도로 구간의 종류, 전날 기상 상태 및 현재 기상 상태를 기초로 적어도 하나의 알고리즘을 수행할 수 있다.

또한, 상기 적어도 하나의 알고리즘은 전날 17시를 기준으로하는 사전 경보 알고리즘 및 당일 00~08시를 기준으로하는 실시간 모니터링을 포함할 수 있다.

또한, 상기 도로 살얼음 진단 모듈은 알고리즘에 따라 판단된 도로 위 살얼음 정도에 따라 단계별 아웃풋을 출력할 수 있다. 예를 들어, 상기 도로 살얼음 진단 모듈은 아웃풋으로서 <"관찰", "주의", "경보", 및 "감시">의 출력값을 산출할 수 있다. 이때, 상기 아웃풋은 살얼음의 정도에 따라 구분되며 "감시" -> "관찰" -> "주의" -> "경보" 순으로 도로 위 살얼음 위험이 증대될 수 있다. 또한, 이에 한정되지 않고, 상기 도로 살얼음 진단 모듈은 살얼음 발생 정도를 지수화한 도로 살얼음 진단 지수를 산출하여 출력할 수 있다.

또한, 서버는 상기 도로 살얼음 진단 모듈로부터 출력된 아웃풋을 기초로 조치 사항을 수행할 수 있다(S1022). 예를 들어, 상기 서버는 "주의"가 아웃풋으로 출력되는 경우, 사고 예방을 위해 순찰을 강화하라는 메시지를 출력하거나, 전방에 주의 구간에 대한 안내 표시를 출력할 수 있다. 또한, 예를 들어, 상기 서버는 "경보"가 아웃풋으로 출력되는 경우, 차량 속도를 감소시키거나, 도로 기상 상태를 모니터링하거나, 염수 분사 및 열선 가동 등의 블랙아이스 제거 동작을 수행할 수 있다.

도 12는 도로 살얼음 진단 알고리즘의 하나의 예시를 나타내는 도면이다.

도 12에 따른 알고리즘은 산악 구간에서의 실시간 모니터링(당일 00~08시)을 위한 도로 살얼음 진단 알고리즘을 나타낸다.

구체적으로, 도로 살얼음 진단 모듈은 기온이 기준 온도 A도 이하인지 여부를 판단할 수 있다. 이때, 상기 기준 온도 A는 도로 구간의 종류에 따라 상이하게 결정될 수 있다. 예를 들어, 산악 구간의 경우 A는 6도로 결정될 수 있으나, 이에 한정되지 않는다.

이때, 기온이 A도 이상인 경우, 상기 도로 살얼음 진단 모듈은 결과 값을 "관찰"로 출력할 수 있다. 반면, 기온이 A도 이하인 경우, 상기 도로 살얼음 진단 모듈은 강수 예보의 유무를 판단할 수 있다.

이때, 강수 예보가 없는 경우, 상기 도로 살얼음 진단 모듈은 안개 예보의 유무를 판단할 수 있다. 이때, 안개예보가 있는 경우, 상기 도로 살얼음 진단 모듈은 결과 값을 "감시"로 출력할 수 있고, 안개예보가 없는 경우, 상기 도로 살얼음 진단 모듈은 결과 값을 "관찰"로 출력할 수 있다.

반면, 강수 예보가 있는 경우, 상기 도로 살얼음 진단 모듈은 현재 기상 상태가 맑은지 여부를 판단할 수 있다. 이때, 기상 상태가 맑은 경우, 상기 도로 살얼음 진단 모듈은 기온을 제1 보정 온도 B 만큼 보정할 수 있다. 이 경우, 상기 제1 보정 온도는 맑은 날의 대기 기온과 복사 냉각 값의 차이일 수 있다. 예를 들어, 산악 구간에서 상기 제1 보정 온도는 -4도로 결정될 수 있으나, 이에 한정되지 않는다. 반면, 기상 상태가 맑지 않은 경우, 상기 도로 살얼음 진단 모듈은 기온을 제2 보정 온도 C만큼 보정할 수 있다. 이 경우, 상기 제2 보정 온도는 흐린 날의 대기 기온과 복사 냉각 값의 차이일 수 있다. 예를 들어, 산악 구간에서 상기 제2 보정 온도는 -1도로 결정될 수 있으나, 이에 한정되지 않는다.

또한, 상기 도로 살얼음 진단 모듈은 상기 보정 결과 온도가 D도 이하인지 여부를 판단할 수 있다.

이때, 보정된 기온이 D도 이상인 경우, 상기 도로 살얼음 진단 모듈은 현재 시각이 0-8시 사이 인지 여부를 확인할 수 있다. 이때, 현재 시각이 0-8시 사이가 아닌 경우, 상기 도로 살얼음 진단 모듈은 결과 값을 "관찰"로 출력할 수 있고, 현재 시각이 0-8시 사이인 경우, 강수량이 2.5mm 이상인지 여부를 판단할 수 있다.

반면, 보정된 기온이 D도 이하인 경우, 상기 도로 살얼음 진단 모듈은 습도가 70%이상인지 여부를 판단할 수 있다. 이때, 습도가 70%이하인 경우, 상기 도로 살얼음 진단 모듈은 결과 값을 "관찰"로 출력할 수 있고, 습도가 70% 이상인 경우, 강수량이 2.5mm 이상인지 여부를 판단할 수 있다.

이때, 강수량이 2.5mm 이상인 경우, 상기 도로 살얼음 진단 모듈은 결과 값을 "주의"로 출력할 수 있고, 강수량이 2.5mm 이하인 경우, 결과 값을 "경보"로 출력할 수 있다.

도로 살얼음 진단 모듈을 통한 살얼음 정도 파악에 관련된 알고리즘의 실시예는 상술한 예시로 한정되는 것은 아니고, 여러 기상 지표를 이용하여 다양한 방식으로 설계될 수 있다.

어는비 알고리즘 수행 모듈은 기상 특성을 기초로 어는비 알고리즘을 수행하여 어는비의 발생 가능성을 산출할 수 있다.

도 13은 어는비 알고리즘 수행 모듈에서 수행되는 알고리즘의 일 실시예이다.

도 13을 참조하면, 어는비 알고리즘 수행 모듈은 전선 및 기압을 기준으로 어는비 발생 가능성을 판단할 수 있다. 예를 들어, 사고 지점이 온난전선의 영향에 있지 않거나, 저기압 전면대에 위치하지 않는 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성이 낮은 것으로 판단할 수 있다.

반면, 온난전선의 영향에 있거나, 저기압 전면대에 위치하는 경우, 상기 어는비 알고리즘 수행 모듈은 사고 지점이 내륙 분지형인지 여부를 확인할 수 있다. 이때, 사고지점이 내륙 분지형이 아닌 경우, 사고 지점 상공에 역전층 형성 여부를 확인할 수 있고, 역전층도 형성되지 않은 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성이 낮은 것으로 판단할 수 있다. 또한, 사고지점이 내륙 분지형이지만 마찬가지로 역전층이 형성되지 않은 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성이 낮은 것으로 판단할 수 있다.

반면, 사고 지점이 내륙 분지형이고 역전층이 형성된 경우, 상기 어는비 알고리즘 수행 모듈은 상기 사고 지점이 빙결고도가 700hPa 이상인지 여부를 판단할 수 있다. 이때, 빙결고도가 700hPa 미만인 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성이 낮은 것으로 판단할 수 있다.

반면, 사고지점의 빙결고도가 700hPa 이상인 경우, 상기 어는비 알고리즘 수행 모듈은 6시간 대비 지상 기온 상승 및 수분속 증가 여부를 판단할 수 있다. 이때, 사고지점의 6시간 대비 지상 기온이 하강하고 수분속이 감소하는 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성이 낮은 것으로 판단할 수 있다.

반면, 사고 지점이 6시간 대비 지상 기온이 상승하고 수분속이 증가하는 경우, 상기 어는비 알고리즘 수행 모듈은 사고지점의 습도가 65% 이상이고, 풍속이 3m/s 미만인지 여부를 판단할 수 있다. 이때, 사고지점의 습도가 65%미만이고, 풍속이 3m/s 이상인 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성이 낮은 것으로 판단할 수 있다.

반면, 사고지점의 습도가 65% 이상이고, 풍속이 3m/s 미만인 경우, 상기 어는비 알고리즘 수행 모듈은 지면 기온이 0.5도 이하인지 여부를 판단할 수 있다. 이때, 사고지점의 지면 기온이 0.5도 이상인 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성을 낮은 것으로 판단할 수 있고, 이에 반해, 사고지점의 지면 기온이 0.5도 이하인 경우, 상기 어는비 알고리즘 수행 모듈은 어는비 발생 가능성을 높은 것으로 판단할 수 있다.

이상과 같이 블랙아이스 위험 진단 시스템은 도로의 특성 등 비기상 요소에 대한 데이터 처리를 통해 정지 시거 확인, 기상 요소에 대한 데이터 처리를 통해 강수 유형 및 일기 등의 판단, 도로 노면 온도 복원 모델을 통한 노면 온도 복원 값, 도로 살얼음 진단 모듈을 통한 도로 살얼음 진단 지수, 및 어는비 알고리즘 수행 모듈을 통한 어는비 지수 등을 산출해냄으로써, 사고 상황에 대해 블랙아이스에 의한 사고 위험 및 영향 평가 지수를 생성할 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

100 도로 노면 온도 예측 모델
1000 블랙아이스 위험 진단 시스템의 메인 서버
1100 기상 데이터 해석 모듈
1200 노면온도 복원 모듈
1300 도로 살얼음 진단 모듈
1400 어는비 알고리즘 수행 모듈

Claims (10)

1. 블랙아이스 위험 진단을 위한 서버의 동작 방법으로서,
   사용자 입력에 따라, 사고에 대한 정보 - 이때, 상기 사고에 대한 정보는 사고 지점 및 사고 시점을 포함함 - 를 수신하는 단계;
   상기 사고 지점을 포함하는 제1 도로 구간 및 상기 사고 시점을 포함하는 제1 시간 구간을 선택하는 단계;
   상기 제1 도로 구간 및 상기 제1 시간 구간 동안의 기상 예보 정보 및 현재 시점을 포함하는 제2 시간 구간 동안의 기상 예보 정보를 기초로 상기 제1 도로 구간의 살얼음 위험 정도를 나타내는 제1 인덱스를 출력하는 단계 - 이때, 상기 기상 예보 정보는 강수 예보, 안개 예보 및 습도 예보 중 적어도 하나를 포함함 -;
   상기 제1 도로 구간에 대한 기상 특성 정보 - 이때, 상기 기상 특성 정보는 상기 제1 도로 구간 에서의 전선, 기압대, 역전층 및 고도 중 적어도 하나를 포함함 -가 어는비의 발생에 관여하는 미리 정해진 기상 조건에 대응되는지 여부를 기초로 상기 제1 시간 구간 동안의 어는비 발생 가능성을 나타내는 제2 인덱스를 출력하는 단계;
   미리 정해진 간격에 따라 구분된 상기 제1 도로 구간의 복수의 지점들에 대하여, 상기 복수의 지점들 중 노면 온도가 측정되는 지점들에 대한 노면 온도 측정 값들을 획득하는 단계;
   상기 노면 온도 측정 값들을 상기 미리 정해진 간격으로 내삽함으로써 상기 복수의 지점들 중 노면 온도가 측정되는 지점들을 제외한 지점들에 대한 노면 온도 예측 값들을 획득하는 단계;
   상기 복수의 지점들에 대한 노면 온도 측정 값들 및 노면 온도 예측 값들을 기초로 상기 제1 도로 구간의 평균 노면 온도를 계산하고, 상기 평균 노면 온도 및 상기 복수의 지점들에 대한 노면 온도 예측 값들의 차이를 기초로 상기 복수의 지점들에 포함되는 각 지점들의 노면 온도 편차 값들을 계산하는 단계;
   상기 노면 온도 편차 값들을 기초로 상기 제1 도로 구간에 대한 열지도 정보를 생성하는 단계;
   상기 제1 인덱스, 상기 제2 인덱스 및 상기 제1 도로 구간의 평균 노면 온도를 기초로 상기 제1 도로 구간 전체에 대한 블랙아이스 확률 정보를 판단함으로써 상기 제1 도로 구간의 상기 제1 시간 구간 동안의 블랙아이스에 의한 사고 위험 가능성을 산출하는 단계; 및
   상기 제1 인덱스, 상기 제2 인덱스 및 상기 열지도 정보를 기초로 상기 제1 도로 구간에 포함되는 상기 복수의 지점들 각각에 대한 블랙아이스 확률 정보를 판단함으로써 상기 제1 도로 구간에 포함되는 상기 복수의 지점들 각각의 상기 제1 시간 구간 동안의 블랙아이스에 의한 사고 위험 가능성을 산출하는 단계;를 포함하는 서버의 동작 방법.
   
2. 제1항에 있어서,
   상기 제1 인덱스는 상기 제1 시간 구간 동안의 기상 예보 정보를 기초로 결정된 보정 온도를 기초로 결정되는
   서버의 동작 방법.
   
3. 제1항에 있어서,
   상기 제1 도로 구간 전체에 대한 상기 블랙아이스 확률 정보는 상기 제1 도로 구간의 특성 정보를 기초로 계산된 정지 시거에 가중치를 부여함으로써 산출되는 제1 파라미터를 더 고려하여 산출되는
   서버의 동작 방법.
   
4. 삭제
5. 삭제
6. 제1항에 있어서,
   상기 미리 정해진 기상 조건은 미리 정해진 전선 및 기압 기준, 미리 정해진 지형 기준, 역전층 형성 여부, 미리 정해진 빙결 고도 기준, 미리 정해진 지상 기온 기준, 미리 정해진 습도 및 풍속 기준 또는 미리 정해진 지면 온도 기준 중 적어도 둘 이상의 기준을 기초로 설정되는
   서버의 동작 방법.
   
7. 제1항에 있어서,
   상기 제1 인덱스를 출력하는 단계는,
   상기 제1 도로 구간의 종류를 결정하는 단계,
   상기 제1 도로 구간의 종류에 따라 기준 온도를 결정하는 단계, 및
   상기 제1 시간 구간 동안의 기상 예보 정보 및 상기 제2 시간 구간 동안의 기상 예보 정보를 상기 기준 온도를 기초로 설정된 미리 정해진 조건에 따라 상기 제1 인덱스를 결정하는 단계를 포함하는
   서버의 동작 방법.
   
8. 제7항에 있어서,
   상기 제1 인덱스는 상기 제1 도로 구간에 상기 제1 시간 구간 동안 살얼음의 발생 정도에 따라 상이하게 표현되는
   서버의 동작 방법.
   
9. 제1항에 있어서,
   상기 제2 인덱스는 상기 제1 도로 구간에 상기 제1 시간 구간 동안 어는비의 발생 가능성에 따라 상이하게 표현되는
   서버의 동작 방법.
   
10. 컴퓨터에서 판독 가능하고, 제1항의 방법을 수행하기 위한 프로그램이 기록된 기록 매체.
    

Images