solar radiation - time and space

  • 한국에너지기술연구원은 천리안 위성 기반 전국 전일사량 데이터를 제공합니다.
  • 천리안 1호 위성 데이터는 2012년 1월부터 2019년 12월까지,
  • 천리안 2호 위성 데이터는 2019년 9월부터 2020년 8월까지 데이터를 제공합니다.
  • 이 데이터 중 천리안 1호 데이터를 받아 분석합니다.

1. 데이터 다운로드

공공데이터포털 신재생자원지도 데이터: 태양자원 천리안 1호 수평면 전일사량


  • 다운로드를 클릭하면 189 MB짜리 .csv 파일이 다운로드 됩니다.
  • 파일 이름은 한국에너지기술연구원_신재생자원지도데이터_태양자원_천리안1호_수평면전일사량_20191231.csv입니다.

2. 데이터 분석

2.1. 기본 설정

  • 주피터 노트북을 열고 기본 설정을 합니다.
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    %matplotlib inline

    import matplotlib.pyplot as plt
    import seaborn as sns
    import geopandas as gpd
    import numpy as np
    import pandas as pd

    # 시각화 설정
    sns.set_context("talk")
    sns.set_style("white")

    # 한글 사용 설정
    plt.rcParams['font.family']=['NanumGothic', 'sans-serif']
    plt.rcParams['axes.unicode_minus'] = False

2.2. 데이터 불러오기

  • 작업폴더 아래 data폴더를 만들고 다운받은 파일을 넣습니다.

  • pandas를 이용해 데이터를 불러옵니다.

    1
    2
    3
    4
    df = pd.read_csv("./data/한국에너지기술연구원_신재생자원지도데이터_태양자원_천리안1호_수평면전일사량_20191231.csv", 
    encoding="euc-kr") # 한글 인코딩
    df.to_pickle("./data/KIER.pkl") # 백업
    df.head()


  • 위도와 경도, 그리고 시간별 숫자가 있습니다.

  • 위도와 경도는 지구상의 지점을 지칭하고 시간별 숫자는 월별 평균 일사량을 구합니다.

  • 직진에 의해 태양으로부터 전달되는 일사량과 구름에 의해 산란된 값을 합친 값입니다.

  • 산란된 일사량을 산란일사라고 하는데, 에너지기술연구원에서는 도메인 지식 기반으로 계산하여 추론합니다.

  • 데이터 형상을 확인합니다.

    1
    df.shape
  • 실행 결과

    1
    (291924, 98)
  • 약 100개 가량의 열과 30만개 행으로 구성되어 있습니다.

  • 98개 행은 12개월 x 8년 + 위도, 경도입니다.

3. 시간에 대한 변화

3.1. 광주광역시 데이터 추출

  • 광주광역시의 좌표는 북위 35.1595º, 동경 126.8526º 입니다.
  • 광주광역시와 가장 가까이 위치한 지점의 좌표를 탐색합니다.
  • 위도와 경도 모두 가까워야 하므로 제곱의 합이 최소인 지점을 구합니다.
    1
    2
    3
    # 광주광역시 위경도 : 35.1595° N, 126.8526° E
    idx = np.argmin(np.power(df["lon"]-35.1595, 2) + np.power(df["lat"]-126.8526, 2))
    df.iloc[idx]

  • 시간에 대한 일사량을 확인하려면 시간과 일사량 데이터가 필요합니다.

  • 월과 일사량 데이터를 가져옵니다.

    1
    2
    months = list(df.columns)[2:]
    irrs = df.iloc[idx][2:]
  • 추출한 데이터를 그림으로 그립니다.

  • ax.set_title()명령으로 데이터 이름을 제목으로 붙입니다.

    1
    2
    3
    4
    5
    6
    7
    fig, ax = plt.subplots(figsize=(10, 4))

    # 변화율 시각화
    ax.plot(months, irrs)

    # 제목 추가
    ax.set_title("수평면 전일사량 [kWh/(m$^2 \cdot$day)]", pad=10)


3.2. 범위 및 눈금 간격 지정

  • x축 눈금이 빼곡하게 적혀서 보이지 않습니다.
  • MultipleLocator를 사용해서 1월 데이터에만 눈금을 답니다.
  • ax.set_xlim()을 사용해서 x축 범위를 지정합니다.
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    from matplotlib.ticker import MultipleLocator

    fig, ax = plt.subplots(figsize=(12, 4))
    ax.plot(months, irrs)
    ax.set_title("수평면 전일사량 [kWh/(m$^2 \cdot$day)]", pad=10)

    # x축 범위 지정
    ax.set_xlim(0, len(months)-1)

    # x축 눈금 간격 지정
    ax.xaxis.set_major_locator(MultipleLocator(12))

3.3. 눈금 글자 크기 축소

  • 글자를 조금 줄이면 좋을 것 같습니다.
  • 일사량 데이터이므로 따뜻한 느낌을 주는 오렌지색으로 바꿉니다.
  • 1월마다 눈금을 만들어 올립니다.
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    from matplotlib.ticker import MultipleLocator

    fig, ax = plt.subplots(figsize=(12, 4))
    ax.plot(months, irrs, c="orange")
    ax.set_title("수평면 전일사량 [kWh/(m$^2 \cdot$day)]", pad=10)
    ax.set_xlim(0, len(months)-1)
    ax.xaxis.set_major_locator(MultipleLocator(12))

    # x축과 y축 눈금 글자 크기 축소
    ax.tick_params(axis="both", labelsize="small")

    # x축 눈금에서 grid 생성
    ax.grid(axis="x")

3.4. 선 아래 채색

  • 조금 심심하다 싶습니다.
  • ax.stackplot()명령을 사용해 선 아래를 색으로 칠합니다.
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    from matplotlib.ticker import MultipleLocator

    fig, ax = plt.subplots(figsize=(12, 4))

    # stackplot
    ax.stackplot(months, irrs, colors="orange", ec="brown", alpha=0.5)

    ax.set_title("수평면 전일사량 [kWh/(m$^2 \cdot$day)]", pad=10)
    ax.set_xlim(0, len(months)-1)
    ax.xaxis.set_major_locator(MultipleLocator(12))
    ax.tick_params(axis="both", labelsize="small")
    ax.grid(axis="x")

4. 공간 분포

4.1. 데이터 정돈

  • 한반도를 포함한 주변 영역의 데이터를 2차원 공간에 그립시다.
  • 데이터프레임 컬럼 이름이 너무 깁니다.
  • 단위는 따로 적어두면 됩니다. 불필요한 부분을 제거합시다.
  • 위도와 경도도 영어로 바꿉니다.
    1
    2
    3
    4
    cols = list(df.columns)
    cols_short = ["lon", "lat"] + [c.split(" ")[0] for c in cols[2:]]
    df.columns = cols_short
    df.head()

4.2. scatter plot

  • 2차원 공간에 데이터를 점으로 찍어서 그림을 그립니다.

  • 2012년 1월 데이터만 그립니다.

    1
    2
    fig, ax = plt.subplots()
    ax.scatter(df["lat"], df["lon"], c=df["2012-01"], cmap="inferno")


  • Matplotlib에서 제공하는 그림 크기가 가로가 길고 세로가 작아 짓눌린 모양입니다.

  • 세로로 긴 도화지를 깔고 종횡비(aspect ratio)를 1:1로 맞춥니다.

  • 실제 형상을 반영하기 위해서입니다.

    1
    2
    3
    fig, ax = plt.subplots(figsize=(5, 6.67), constrained_layout=True)
    ax.scatter(df["lat"], df["lon"], c=df["2012-01"], cmap="inferno")
    ax.set_aspect("equal")


4.3. 좌표계 변환

  • 위쪽이 넓고 아래가 좁은 모양입니다.

  • 그림 아래와 왼쪽에 놓인 숫자는 경도와 위도입니다.

  • 경도와 위도는 곡면상에 놓인 그림이기 때문에 이렇게 그리면 왜곡이 발생합니다.

  • pyproj 라이브러리를 사용해 UTM-K 좌표계로 변경합니다.

    1
    2
    3
    4
    5
    from pyproj import Transformer

    transformer = Transformer.from_crs("epsg:4326", "epsg:5178")
    coord_UTMK = transformer.transform(df["lon"], df["lat"])
    coord_UTMK


  • 변환된 좌표계를 기존 데이터에 붙여 데이터프레임을 만듭니다.

    1
    2
    3
    df_u = pd.DataFrame(data=np.array(coord_UTMK).T, columns=["y", "x"])
    df_u = pd.concat([df_u, df.iloc[:, 2:]], axis=1)
    df_u.head()


4.4. UTM-K 좌표계 scatter plot

  • 변환된 좌표계를 사용해 scatter plot을 그립니다.

    1
    2
    3
    fig, ax = plt.subplots(figsize=(5, 6.67), constrained_layout=True)
    ax.scatter(df_u["x"], df_u["y"], c=df_u["2012-01"], cmap="inferno")
    ax.set_aspect("equal")


  • 이제 그림이 정상적으로 보입니다.

  • 경기 동북부~강원도 서부 지역을 확대해 봅시다.

    1
    2
    3
    4
    5
    fig, ax = plt.subplots(figsize=(5, 6.67), constrained_layout=True)
    ax.scatter(df_u["x"], df_u["y"], c=df_u["2012-01"], cmap="inferno")
    ax.set_aspect("equal")
    ax.set_xlim(1e6, 1e6+10000)
    ax.set_ylim(2e6, 2e6+10000)


  • 확대해보니 점만 가득합니다.

  • scatter plot이라 점만 찍어 그린 것입니다.

  • 위쪽 그림을 보니 아래쪽에 굵은 펜이 지나간 듯한 흔적이 보이기도 합니다.

  • 조금 더 넓게 봅니다.

    1
    2
    3
    4
    fig, ax = plt.subplots(figsize=(5, 6.7), constrained_layout=True)
    ax.scatter(df_u["x"].iloc[:1000],
    df_u["y"].iloc[:1000],
    c=df_u["2012-01"].iloc[:1000], cmap="inferno")


  • 가로 세로도 맞지 않습니다.

  • 원래 데이터도 좀 이랬고, 좌표 변환의 여파이기도 합니다.

4.5. 2D image 변환

  • 이처럼 x와 y가 쌍으로 얽힌 데이터를 2D로 표현하는 가장 정석적인 방법은 meshgrid를 만드는 것입니다.
  • 그러나 이는 x, y 데이터가 격자모양으로 예쁘게 정리되었을 때나 가능합니다.
  • 위성 영상은 x, y 위치가 조금씩 틀어져있기 때문에 grid를 만들기 적절치 않습니다.
  • 이럴 때 triplot, tricontourf, tricontour를 사용하기 좋습니다.
  • 명령어의 기능을 확인하기 위해 30만개 데이터 중 100개만 추출합니다.

  • 그리고 같은 데이터를 세 가지 명령을 사용해 그립니다.

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    df_us = df_u.sample(100)

    # visualize
    fig, axs = plt.subplots(ncols=3, figsize=(9, 6.67), sharex=True, sharey=True, constrained_layout=True)
    axs[0].triplot(df_us["x"], df_us["y"], lw=0.5)
    axs[1].triplot(df_us["x"], df_us["y"], lw=0.5, c="w")
    axs[2].triplot(df_us["x"], df_us["y"], lw=0.5, c="k", alpha=0.5)

    axs[1].tricontourf(df_us["x"], df_us["y"], df_us["2012-01"], cmap="inferno", levels=5)
    axs[2].tricontour(df_us["x"], df_us["y"], df_us["2012-01"], cmap="inferno", levels=5)

    for ax, title in zip(axs, ["triplot", "tricontourf", "tricontour"]):
    ax.set_aspect("equal")
    ax.set_title(title, pad=20)


  • ax.triplot()은 주어진 (x, y) 데이터끼리 연결해 삼각형 mesh를 만듭니다.

  • ax.tricontourf()는 (x, y) 위치데이터에 node의 값 데이터를 적용해 삼각형 내 interpolation을 합니다.

  • levels=5로 지정했기 때문에 공간이 다섯 개의 색상 구간으로 나뉘었고 색상 사이 경계선이 보입니다.

  • ax.tricontour()는 이 경계선에 contour line을 그립니다.

  • 이 방식을 사용해 2D에 분포된 데이터를 그림으로 표현할 수 있습니다.
  • 일사량 데이터를 보이는데 ax.triplot()은 의미가 없으니 나머지 둘만 그립니다.
  • level도 10개로 설정해 더 많은 구간을 표현합니다.
    1
    2
    3
    4
    5
    6
    7
    8
    fig, axs = plt.subplots(ncols=2, figsize=(6, 6.67), sharex=True, sharey=True, constrained_layout=True)

    axs[0].tricontourf(df_u["x"], df_u["y"], df_u["2012-01"], cmap="inferno", levels=10)
    axs[1].tricontour(df_u["x"], df_u["y"], df_u["2012-01"], cmap="inferno", levels=10)

    for ax, title in zip(axs, ["tricontourf", "tricontour"]):
    ax.set_aspect("equal")
    ax.set_title(title, pad=20)

4.6. 지도 윤곽선 표시 (1) geopandas dataset

  • geopandas 라이브러리에는 세계 지도와 주요 도시가 들어있습니다.
  • 이를 활용해 한반도와 주변국의 윤곽선을 그립니다.
    1
    2
    3
    4
    5
    6
    7
    import geopandas as gpd

    world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
    cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities'))

    # 국경 데이터
    world.head(3)

1
2
# 도시 데이터
cities.head(3)


  • 공간을 마련하고 한반도와 서울을 표시합니다.

  • geopandas 자체 기능을 사용해 국경을 그립니다.

    1
    2
    3
    fig, ax = plt.subplots()
    world[world["name"] == "South Korea"].plot(ax=ax)
    cities[cities["name"]=="Seoul"].plot(ax=ax, c="yellow")


  • 자, 그런데 x와 y축 눈금을 보면 위도와 경도입니다.

  • 앞에서 우리는 UTM-K 좌표계로 데이터 전체를 변환했습니다.

  • 역시 geopandas 자체 기능을 사용해 데이터를 변환하고 다시 그립니다.

    1
    2
    3
    4
    5
    6
    7
    8
    # 좌표계 변환
    world = world.to_crs("EPSG:5178")
    cities = cities.to_crs("EPSG:5178")

    # 시각화
    fig, ax = plt.subplots()
    world[world["name"] == "South Korea"].plot(ax=ax)
    cities[cities["name"]=="Seoul"].plot(ax=ax, c="yellow")


  • 간편한 명령으로 손쉽게 좌표계가 변환되었습니다.

  • 일사량 데이터와 겹쳐봅니다.

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    fig, ax = plt.subplots(figsize=(5, 6.67), constrained_layout=True)

    ax.tricontourf(df_u["x"], df_u["y"], df_u["2012-01"], cmap="inferno", levels=10)
    ax.set_aspect("equal")

    world[world["name"] == "South Korea"].plot(ax=ax, fc="none", ec="w")
    world[world["name"] == "North Korea"].plot(ax=ax, fc="none", ec="w")
    world[world["name"] == "Japan"].plot(ax=ax, fc="none", ec="w")

    ax.set_xlim(df_u["x"].min(), df_u["x"].max())
    ax.set_ylim(df_u["y"].min(), df_u["y"].max())


  • 디테일이 영 아쉽습니다.

  • 심지어 제주도도 없는데 혹시나 싶어 북한과 일본까지 다 끌어와도 그려지지 않습니다.

4.7. 지도 윤곽선 표시 (2) shape file

  • 외부 저장소에서 시도 경계선 데이터를 가져옵니다.

  • 여기에서 다운로드받을 수 있습니다.

  • geopandas.read_file()명령으로 열어 확인합니다.

    1
    2
    df_shp = gpd.read_file("./CTPRVN_202101/TL_SCCO_CTPRVN.shp", encoding="euc-kr")
    df_shp.head()


  • 이번엔 그림으로 확인합니다.

  • 특별시, 광역시, 도의 경계선이 선명하게 드러납니다.

    1
    2
    ax = df_shp.plot()
    fig = ax.figure


4.8. 일사량 데이터와 overlap

  • 아까 살펴본 2012년 1월 데이터에 겹쳐봅니다.

    1
    2
    3
    4
    5
    6
    7
    8
    9
    fig, ax = plt.subplots(figsize=(5, 6.67), constrained_layout=True)

    ax.tricontourf(df_u["x"], df_u["y"], df_u["2012-01"], cmap="inferno", levels=10)
    ax.set_aspect("equal")

    df_shp.plot(ax=ax, fc="none", ec="w", lw=1, alpha=0.5)

    ax.set_xlim(df_u["x"].min(), df_u["x"].max())
    ax.set_ylim(df_u["y"].min(), df_u["y"].max())


  • 그럴싸합니다!

  • 추운 겨울을 그려봤으니 6개월 지난 7월 그림을 그려봅니다.

    1
    2
    3
    4
    5
    6
    7
    8
    9
    fig, ax = plt.subplots(figsize=(5, 6.67), constrained_layout=True)

    ax.tricontourf(df_u["x"], df_u["y"], df_u["2012-07"], cmap="inferno", levels=10)
    ax.set_aspect("equal")

    df_shp.plot(ax=ax, fc="none", ec="w", lw=1, alpha=0.5)

    ax.set_xlim(df_u["x"].min(), df_u["x"].max())
    ax.set_ylim(df_u["y"].min(), df_u["y"].max())


  • 데이터가 바뀌어 색상 분포가 달라졌습니다.

  • 그런데 뭔가 수상합니다.

  • 1월 데이터는 아주 밝았는데 7월 데이터는 어두침침합니다.

  • 여름 일사량이 겨울보다 적다는 게 정상일까요?

  • 확인을 위해 각각 colorbar를 붙여봅니다.

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    fig, axs = plt.subplots(ncols=2, figsize=(10, 6.67), constrained_layout=True, sharex=True, sharey=True)

    im0 = axs[0].tricontourf(df_u["x"], df_u["y"], df_u["2012-01"], cmap="inferno", levels=10)
    im1 = axs[1].tricontourf(df_u["x"], df_u["y"], df_u["2012-07"], cmap="inferno", levels=10)

    for ax, im, month in zip(axs, [im0, im1], ["2012-01", "2012-07"]):
    df_shp.plot(ax=ax, fc="none", ec="w", lw=1, alpha=0.5, zorder=2)
    im = ax.tricontourf(df_u["x"], df_u["y"], df_u[month], cmap="inferno", levels=10)
    ax.set_aspect("equal")
    ax.set_title(month, pad=20)
    ax.set_xlim(df_u["x"].min(), df_u["x"].max())
    ax.set_ylim(df_u["y"].min(), df_u["y"].max())

    plt.colorbar(im, ax=ax)


  • 2월은 최대값이 3을 넘지 않는데 비해 7월은 5.4에 달합니다.

  • 최소값도 0.6과 1.8로 큰 차이가 납니다.

  • 두 그림이 다른 기준으로 그려져서 문제가 생긴 것입니다.

  • 위 코드의 6번째 줄에 colormap의 최소값vmin과 최대값vmax를 똑같이 지정해서 같은 기준으로 색을 입힙니다.

    1
    im = ax.tricontourf(df_u["x"], df_u["y"], df_u[month], cmap="inferno", levels=10, vmin=0, vmax=6)


  • 확실히 1월에 비해 7월의 햇살이 더 쨍쨍합니다.

5. 시간과 공간 데이터 시각화

  • 공간 데이터는 1개월마다 평균치가 저장되므로 이를 늘어놓으면 시간에 따른 변화를 볼 수 있습니다.
  • 2012년 1월부터 12월까지 공간데이터를 for 문을 사용해 반복합니다.
  • 공통으로 적용된 colorbar는 12개 Axes의 우측에 ScalarMappable()을 사용해 놓습니다.
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    from matplotlib import cm

    fig, axes = plt.subplots(ncols=6, nrows=2, figsize=(10, 6), constrained_layout=True, sharex=True, sharey=True)

    axs = axes.ravel()
    for i, ax in enumerate(axs, 1):
    month = f"2012-{i:02d}"
    df_shp.plot(ax=ax, fc="none", ec="w", lw=1, alpha=0.5, zorder=2)
    im = ax.tricontourf(df_u["x"], df_u["y"], df_u[month], cmap="inferno", levels=10, vmin=0, vmax=6)
    ax.set_aspect("equal")
    ax.set_title(month, pad=10)
    ax.set_xlim(df_u["x"].min(), df_u["x"].max())
    ax.set_ylim(df_u["y"].min(), df_u["y"].max())
    ax.axis(False)

    # colorbar
    cbar = cm.ScalarMappable(cmap="inferno")
    cbar.set_clim(0, 6)
    plt.colorbar(cbar, ax=axes[:,-1], fraction=0.2, pad=0.15)

    # figure title
    fig.suptitle("수평면 전일사량 [kWh/(m$^2 \cdot$day)]", color="gray", fontsize="medium", fontweight="bold")


도움이 되셨나요?

카페인을 투입하시면 다음 포스팅으로 변환됩니다

Share