I. 서 론
1. 연구의 배경
삶의 질이 높아질수록 건강한 실내 환경요소에 많은 관심이 집중되고 있으며, 그중에서도 거주자가 장시간 머무는 주택이나 사무실 등에서의 실내 공기질의 중요성에 대한 관심이 높아지고 있다(Valavanidis et al., 2008). 특히 부유분진중 입자의 크기가 작아 사람들이 직접 보거나 느끼기 어려운 초미세먼지의 위험성과 관련된 다양한 연구가 진행되어 왔다(Cho et al., 2003; Bae, 2014). 동시에 국제적인 미세먼지 권고기준 및 가이드라인이 제정되고 있으며, 국내에서도 관련 법령의 개정 등을 통해 실내 미세먼지문제의 해결을 위한 정책적인 노력이 수반되고 있다(News1 “건축물 환기시설 미세먼지 여과 기준 강화법 발의”, 2015). 그러나 이와 같은 미세먼지문제 해결을 위한 거시적인 노력에도 불구하고 실제 생활공간의 미세먼지 오염양상을 파악하기는 현실적으로 어렵다. 실외 대기의 미세먼지농도에 관한 정보는 기상청 홈페이지 등을 통해 쉽게 얻을 수 있는 반면 실내의 미세먼지 오염정도를 파악할 수 있는 방법은 공기청정기 등과 같은 일부 기기를 통해 얻는 대략적인 수치 이외에는 없으며, 이마저도 특정 공간만을 대상으로 한다. 이에 본 논문은 다수의 미세먼지농도센서 및 제어기기를 활용하여 실내 공간 별 미세먼지농도 값을 직관적으로 시각화하여 비교할 수 있는 하나의 접근방법을 개발 및 구현하고자 한다.
2. 미세먼지의 특성 및 관련기준
일반적으로 눈에 쉽게 띄는 먼지와 비교하여 본 논문의 주 대상인 미세먼지의 특성에 대한 고찰 결과를 요약하자면 다음과 같다. 미세먼지는 입자의 크기가 10마이크로미터(μm) 이하인 부유분진을 지칭한다. 입자의 크기가 작을수록 인체에 미치는 위험성은 증가하기 때문에 입자크기에 따른 분류가 중요하다(Kim, 2011). 대표적인 분류기준으로는 직경 50마이크로미터 이하의 총 먼지량인 TSP(Total Suspended Particles), 10마이크로미터 이하의 PM10, 초미세먼지로 분류되는 2.5마이크로미터 이하의 PM2.5가 있다. <Table 1>은 이러한 분류에 따른 국내외 미세먼지 기준치를 정리한 것으로 국제기준대비 국내의 미세먼지 규제 기준은 비교적 약한 것으로 나타났으며, 실내 미세먼지 기준치의 경우 아직 국내외적으로 도입단계인 것을 알 수 있었다. 하지만 앞서 언급한대로 국내에서는 현재 다중이용시설을 중심으로 실내 미세먼지관리 기준안 제정 등 정책적 기준 마련 및 다양한 관련연구가 진행되고 있다.
지역별 실외 대기중 미세먼지농도 데이터의 경우 현재 환경부 한국환경공단에서 에어코리아(Airkorea) 웹페이지를 통해 공개하고 있다. 한편 실내에서는 센서를 포함한 별도의 전문 측정도구를 통한 정확한 측정 데이터가 필요하다. 그러나 개별 측정도구를 이용해 실내 미세먼지오염도를 측정한다 하더라도, 개별 공간 및 시점에서의 단일 측정데이터만을 가지고는 공간 전반의 오염정도를 직관적으로 파악하기 어렵다. 특히 실내 환경의 효과적인 관리를 위해서는 개별 공간의 공기오염도를 인접 공간 및 실외 대기의 미세먼지 오염도와 함께 상대적으로 파악해야할 필요가 있다. 재실자의 차원에서도 실내 생활공간에서의 미세먼지 오염도에 대한 인식을 끌어올리고, 공기질 관리에 대한 긍정적인 변화를 이끌어내기 위해서는 측정 데이터를 다른 공간과의 비교를 통해 상대적으로 인식하도록 하는 것이 효과적이다(Kim & Eric, 2010).
II. 연구방법
1. 미세먼지 측정 도구
공기 중 미세입자농도를 측정하는 방법으로는 대표적으로 중량 포집법, 베타선 흡수법, 광산란법이 있다(Kim et al., 2009). 이중 중량 포집법과 베타선 흡수법을 통한 측정결과의 신뢰도가 높아 미세먼지 측정을 위한 표준 측정방법으로 사용되지만, 광산란법과 달리 필터에 먼지를 포집하는 과정이 필요하다(Kim et al., 2010). 광산란법은 빛의 산란을 이용하여 미세먼지 입자를 측정하는 방식으로, 비교적 입자분리가 어렵고 오차율이 높은 편이다. 특히 광산란법을 통한 측정값은 대체적으로 높게 나타날 수 있으며, 강우량이 적을 경우 심하다(Kim et al., 2014). 그러나 센서의 크기가 작고 저렴하며 필터로 먼지를 포집할 필요가 없어 간단히 데이터를 얻을 수 있다는 장점이 있다.
본 연구의 목적은 미세먼지농도의 정밀한 측정이나 데이터 분석 자체가 아닌, 데이터의 측정 및 시각화를 통해 직관적으로 공기환경을 파악하거나 실별 측정값을 비교가 가능하도록 하는 것이다. 따라서 시각화의 소프트웨어 및 하드웨어적 구현이 상대적으로 저렴하고 용이한 광산란 측정방식 기반의 센서(Sharp Optical Dust Sensor, GP2Y1010AU0F)를 사용하였으며, 전반적인 센서의 제어는 Arduino 환경에서 이루어졌다. Arduino는 환경과 상호작용하는 다양한 센서 및 작동장치를 제어하는데 특화된 마이크로컨트롤러 보드 및 개발환경이다.
2. 시스템 구성
실내 미세먼지 데이터의 측정부터 시각화까지의 과정은 두 단계로 분리할 수 있다. 먼저 센서 제어, 측정신호의 수집, 결합할 대상공간의 도면생성 등 시각화에 필요한 데이터를 생성하는 데이터 처리 단계가 있으며 이는 Arduino 환경에서 이루어진다. 센서를 통해 수집되는 정보는 미세먼지농도 측정값, 센서작동 시간, 센서위치 등이 있다. 측정값의 경우 수집하여 시각요소로 매핑하는것 뿐아니라 축적된 데이터셋으로부터 시각화하고자 하는 데이터의 처리단계를 거쳐야 한다. 다음 단계인 데이터 매핑단계에서는 데이터를 상호작용 가능한 형태로 시각화하는 프로그램 및 개발환경인 Processing 환경에서 데이터가 매핑될 레이어를 생성하고 각 데이터를 할당하여 시각요소로 표현한다. 이와 같은 단계를 거치는 데이터는 미세먼지 측정 데이터와 건물도면 데이터 두 종류가 있으며 각 데이터 타입은 Processing 상에서 별도의 레이어에 매핑되어 시각화된 후 결합되어 시각화 결과물을 생성한다.
III. 시각화 구현 접근방법
전체 시각화 시스템을 크게 데이터 처리 단계와 시각화 단계 두 가지로 나누었을 때 데이터 처리 단계는 다시 먼지농도 측정 단계와 데이터 처리 단계로, 시각화 단계는 레이어 생성 단계, 데이터 매핑 단계, 시각화 인터페이스 단계 총 다섯 단계로 세분화할 수 있다. 데이터처리 단계는 주로 Arduino 보드를 통한 센서의 작동, 미세먼지농도의 측정 및 데이터화 물리적 환경의 제어 과정을 포함한다. 실제 시각화가 이루어지는 Processing 환경에서는 누적된 데이터를 가공하고 시각요소로 변환하며 시각화 시스템 사용자와 상호작용하도록 하는 인터페이스 등 소프트웨어단의 처리과정이 진행된다.
1. 먼지농도 측정
먼지농도 측정 장비로 Arduino 장치 중 하나인 Uno Board와 Optical Dust Sensor를 연결하여 사용하였다. Dust Sensor는 광학식 미세먼지 센서로 측정값을 실시간으로 축적하는 것이 가능하며 가장 작게는 직경 0.8 마이크로미터의 입자까지 감지할 수 있기 때문에 담배연기 및 초미세먼지의 측정이 가능하다. 그러나 광학식 센서의 특성상 입자분리가 어려우며 중량법 등 다른 측정방식에 비해 아직은 정확성이 떨어진다. 본 연구에서는 측정값을 중량법 등을 표준 측정방법으로 사용한 법규 및 가이드라인에서의 권고기준 및 대기 미세먼지농도 데이터와 직접 비교하기보다는 측정값을 시간별, 공간별로 시각화하여 상대적으로 인지할 수 있도록 하는데 주안점이 있다.
<Figure 4>는 센서의 동작과 데이터의 입출력을 제어하는 Arduino 코드의 일부분이다. 여기서 센서 작동간격을 초단위로 조절하는 것이 가능하며, 아날로그값으로 측정된 데이터를 디지털 값으로 변환해 컴퓨터의 시리얼 포트로 전송하도록 한다. 이때 전송되는 데이터를 수집하여 데이터셋으로 저장하기위해 엑셀 플러그인 PLX-DAQ(Parallax Data Acquisition tool)를 사용한다. PLX-DAQ는 Arduino가 전송하는 신호를 엑셀 시트에 저장하는 엑셀 플러그인으로, <Figure 5>와 같이 컴퓨터에 연결된 포트를 통해 전달받은 신호를 데이터베이스화하여 저장한다.
센서가 수집한 데이터는 측정값 및 작동시간 그리고 센서 위치 세 가지가 있다. 센서가 미세먼지농도를 측정하면 이를 데이터 처리 단계에서 실제 먼지농도 단위로 변환한다. 센서 작동시간은 센서가 작동한 초단위의 정확한 시각으로 데이터셋으로부터 측정값의 평균, 변화도, 최대 및 최소치 등 통계적으로 유의미한 데이터를 생성하기 위한 기준이 된다.
센서 위치의 경우 측정값을 건물 모델상에 시각화하기 위해 추가적으로 필요한 정보이다. 측정값 및 작동시간 데이터와 달리 센서 자체가 위치정보를 포함하지 않기 때문에 추가적인 장치나 작업을 필요로 한다. 이를 위해서는 공간 내에서 센서의 정확한 좌표값을 구하는 방법과 측정 대상 공간의 범위를 할당하는 방법 두 가지가 있다.
전자의 경우 RSS (Received Signal Strengths) 등 실내측위기술(IPS, Indoor Positioning System)을 제공하는 별도의 장치를 사용해 센서의 위치를 측정한다. 이 경우 하나의 공간 안에서 복수의 센서를 설치해 세부 위치별 환경요소의 분포를 시각화하는데 효과적이다. 특히 환경 측정값과 대상공간을 구성하는 세부적인 건축 환경과의 연관성을 도출하는데 용이하다. 좁은 범위에서 균등한 간격으로 센서를 설치하고 센서위치를 수동으로 지정하는 경우 별도의 실내측위기술 없이 세부위치별 환경요소 분포를 시각화할 수 있다. 예를 들면 실내 환경데이터 시각화의 통합적 접근방법(Shin et al., 2014) 연구에서는 하나의 실에서 6개의 센서를 균등한 간격으로 배치하고 위치값을 수동으로 입력해 세부위치별 온습도 분포를 시각화하였다.
후자의 방법이 본 연구에서 구현한 시스템에서 사용한 방법으로, 별도의 장치로 센서의 세부위치를 파악하는 것이 아니라 센서가 설치된 공간 자체에 센서 측정값을 할당한다. 이를 통해 공간별 환경 측정값을 넓은 범위로 시각화하는 것이 가능해 대상공간의 범위 내 측정환경의 전체적 분포를 파악하는데 효과적이다. 또한 건물외부 혹은 다른 공간과의 비교를 통해 개별공간의 상대적인 환경상태를 파악하는 것이 가능하다.
2. 데이터 처리
먼지농도 측정 단계에서 수집된 데이터셋은 데이터 처리 단계에서 가공되어 시각화를 위한 변수값을 생성한다. 데이터 변환은 크게 세 단계로 구분된다. 첫 번째로 0부터 1023사이의 값으로 측정된 데이터를 표준 먼지농도 단위로 변환한다. 그다음 센서로부터 측정되어 엑셀파일로 수집된 데이터셋을 Processing 환경으로 불러온다. 마지막으로 측정시간별로 수집된 데이터를 이용해 통계적으로 유의미한 정보를 추출하여 시각요소로 매핑될 변수값을 생성한다. 본 연구에서는 두 번째 단계인 측정값을 표준단위로 변환하는 과정을 Arduino 환경에서 구현하였으나 이는 Processing 환경에서도 가능하다.
먼저 미세먼지농도 측정값의 일반적인 단위인 세제곱미터당 마이크로그램(μg/m3)으로 측정 데이터를 변환한다. Optical Dust Sensor는 미세먼지 측정값을 0부터 1023사이의 아날로그 신호로 전송하며, 이를 볼트(V)단위로 환산한 값을 세제곱미터당 밀리그램(mg/m3)으로 변환한다. 그림X는 볼트 측정값 대 미세먼지 농도 사이의 변환비율을 나타내는 그래프이다.
위의 변환비에 따라 측정값을 미세먼지농도 표준단위로 변환해 개별 엑셀파일로 수집한다. 각 센서별로 누적된 데이터를 하나의 데이터셋으로 병합한 후 Processing 환경으로 불러온다. 이 상태에서 셀의 좌표값을 참조하여 공간, 시간별 각 측정값을 추출할 수 있다. 데이터셋으로부터 평균치 및 최대, 최솟값 등 시각화하고자 하는 유의미한 통계치를 생성하여 변수로 정의한다. 같은 방법으로 실내 미세먼지에 대한 권고기준, 대기 미세먼지농도 데이터를 Processing 환경으로 업로드하고 변수를 생성한다. 변수들의 시간단위는 미세먼지 오염도의 일반적인 평가단위인 한 시간을 기준으로 한다.
3. 레어어 생성
레이어 생성 단계에서는 데이터가 시각적 형태로 매핑될 레이어를 생성한다. 미세먼지농도 측정값이 매핑될 시각정보 레이어와 건물 모델 레이어를 Processing 환경에 생성한다.
건물 모델 레이어는 시각화의 배경이 되는 대상공간의 평면도가 생성되는 레이어로, 시각정보 레이어와 결합되어 측정 대상공간의 건축 환경과 먼지농도 사이의 연관관계를 드러내도록 한다. 건물 모델로부터 추출한 평면도의 크기와 비율을 고려하여 레이어를 생성한 후, 평면도를 Processing 환경에서 호환 가능한 형태로 건물 모델 레이어에 매핑한다.
시각정보 레이어에서는 각 데이터 처리 단계에서 정의된 변수들이 각 센서가 설치된 공간에 할당된다. 이를 위해 각 공간의 테두리 모양과 같은 지오메트리를 생성한다. 지오메트리의 크기 및 비율은 건물 모델 레이어에 매핑된 공간의 평면도를 참조하여 설정한다. 시각요소를 표현할 각각의 공간 지오메트리에 정의된 각 센서별 변수를 시각화를 위한 파라미터로 할당하여 공간별로 환경 데이터가 시각적으로 표현된다. 각 지오메트리의 높이를 시각적 표현 중 하나로 포함하기 때문에 평면이 아닌 박스형태의 지오메트리를 생성한다. <Figure 7>에서 각 실의 테두리를 따라 사각형으로 표현되어 있는 객체들이 높이가 변수로 할당되지 않은 상태의 박스 지오메트리이며, 변수가 매핑됨에 따라 박스의 높낮이, 색, 투명도 등으로 먼지농도 측정값을 시각적으로 표현하게 된다. 또한 이처럼 박스의 높낮이와 같은 3차원 형상을 표현하기 위해서는 시각화 환경 및 각각의 레이어들 역시 3차원 공간에 생성해야 한다.
4. 데이터 매핑
앞서 데이터 처리 단계에서 수집된 변수들은 데이터 매핑 단계에서 시각정보 레이어에 생성된 공간별 시각요소의 파라미터로 할당된다. 우선 측정값을 효과적으로 시각화할 수 있는 시각요소를 정한다. 정보 시각화를 위한 일반적인 표현요소로는 명도, 색상, 질감, 형태, 위치, 방향, 크기 등이 있다(Zuo & Kim, 2014). 시각화요소를 선택하면 측정값의 범위와 분포 등을 고려하여 각각의 시각화 요소가 어느 정도까지 변형될지 범위를 설정해야 하는데, 이때 각 요소의 시각적 효과가 극대화할 수 있도록 범위를 조정할 수 있다. 그다음 해당 범위의 최대, 최솟값과 측정값의 최대, 최솟값을 매핑한다. 측정값이 매핑된 후에는 각 공간의 지오메트리에 할당된 파라미터가 시간축을 이동함에 따라 변화하게 된다.
5. 시각화 인터페이스
시각화 결과물을 확인하는 인터페이스로는 제어 창과 시각화 창이 있다. 제어 창을 통해 사용자는 원하는 측정시점을 선택할 수 있다. 시각화 창에서는 제어 창을 통해 선택된 시점의 실내 미세먼지농도 시각화 결과물을 확인할 수 있다. 또한 시각화 창에서는 시각화 결과물을 <Figure 8>과 같이 마우스 커서의 움직임에 따라 3차원으로 다양한 각도에서 살펴볼 수 있도록 회전시킨다.
<Figure 9>가 제어 창 인터페이스로 사용자가 미세먼지농도 측정시점을 슬라이더 컨트롤을 통해 일, 시간단위로 조정하도록 한다. 선택된 시점의 측정값에 따라 시각화 창의 지오메트리를 변형하며 시점을 이동함에 따라 측정시점의 대기 중 미세먼지농도 및 예보등급을 우측에 표기하여 실외의 미세먼지농도를 함께 알 수 있다.
IV. 미세먼지 데이터 시각화 사례
1. 시각화 시스템 적용대상
본 연구에서 구현한 시각화 시스템은 서울시 성동구 H대학교의 한 단과대학 건물<Figure 10> 5층의 공간들을 대상으로 적용 및 테스트되었다. 대상 공간은 복도 및 계단실을 제외한 컴퓨터실, 도서관, 장비실, 강의실 3개, 연구실 8개 공간으로 구성되어 있다. 각 공간에서 미세먼지 농도를 12시부터 14시까지 두 시간씩 측정하였다.
2. 측정데이터 범위에 따른 시각표현 범위설정
측정 및 수집된 실내 미세먼지 데이터는 1시간 평균을 기준으로 적게는 약 2 μg/m3에서 최대 80 μg/m3 사이의 값으로 나타났다. 각 실별 평균 측정값을 박스의 높이 및 색상으로 나타내기 위해 측정값의 최대, 최솟값을 참조하여 시각표현요소의 범위를 설정하였다.
<Figure 11>은 시각표현요소의 범위를 나타낸 그림으로 박스 높이의 경우 측정값의 최소, 최댓값에서 각각 1, 100픽셀의 높이로 범위를 정하였으며, 색상의 경우 먼지농도 측정값을 박스 지오메트리의 RGB 코드와 매핑하여 값이 낮은 곳에서는 파란색, 높은 곳에서는 붉은색에 가깝게 변화하도록 설정하였다. 또한 측정값의 정확한 수치를 동시에 박스의 윗면에 표기하였으며 수치가 높아짐에 따라 텍스트를 진하게 표기해 강조하였다.
3. 측정당시 대기 미세먼지 데이터 활용
측정당시 대상공간이 위치한 서울시 성동구 대기의 미세먼지농도를 시각화 결과물에 나타내기 위해, <Figure 12>에 나타난 에어코리아의 대기오염도 실시간공개시스템의 데이터를 활용하였다.
<Table 2>는 환경부의 미세먼지 예보 등급으로 지역별 대기 미세먼지 측정치에 따라 미세먼지 오염상태를 ‘좋음’, ‘보통’, ‘나쁨’, ‘매우 나쁨’ 4가지로 나누어 구분한다. 이를 참조하여 측정당시 대기중 미세먼지농도 데이터를 시각화 창의 배경색에 매핑하여 대기 미세먼지 농도가 높아질수록 흰색에서 어두운 회색으로 점차 변화하도록 하였다. 또한 해당시간의 대기 미세먼지 예보 등급을 시각화 인터페이스 창에 텍스트로 표기하였다.
4. 시각화 결과 예시<Table 3>
<Table 3>은 수집된 데이터 중 대기 미세먼지농도가 ‘좋음’, ‘보통’, ‘나쁨’이었던 날의 실내 미세먼지농도 분포가 각각 어떠하였는지를 기준으로 시각화 결과물을 비교하는 도표이다. 대기 미세먼지농도가 ‘좋음’ 등급으로 나타난 4월 20일의 일평균 미세먼지농도는 14 μg/m3로, 해당 값이 매핑된 시각화 결과물의 배경색이 상대적으로 밝게 나타난 반면 대기 미세먼지농도가 ‘보통’, ‘나쁨’으로 악화될수록 배경색이 어두워지는 것을 확인할 수 있다. 아래에 수치로 기록된 각 공간별 한 시간 평균 미세먼지농도 데이터는 시각화 결과물에서 각 공간에 해당하는 지오메트리의 변수로 변환 및 매핑되어 박스의 높이, 색상, 텍스트 등으로 나타난다. 평균 미세먼지농도가 옅은 공간은 높이가 낮은 파란색의 박스로, 짙은 공간에서는 높이가 높은 붉은색 박스로 표현되었다.
이렇게 시각적으로 표현된 측정값은 단순 수치의 나열과 비교했을 때 보다 직관적이며 개별 공간의 미세먼지농도 측정값을 다른 공간, 실외, 권고기준 등과 비교하여 상대적으로 파악하는데 용이하였다. 또한 평면배치 및 창의 면적 등과 같은 건축요소와의 연관성을 도출해 낸다면 관련연구의 기초자료로의 활용될 수 있을 것으로 기대된다.
Table 3.
A Demonstration of the Indoor Dust Concentration Visualization by the Outdoor Dust Concentration Grade
V. 요약 및 제언
본 논문의 목적은, 그 중요성에 비해 상대적으로 거주자가 느끼거나 측정하기 어려운 실내 미세먼지농도를 각 넓은 범위에서 시각화하기 위한 하나의 소프트웨어 및 하드웨어의 통합적 접근방법을 제안 하고 구현함으로써, 수치뿐만 아닌 대상공간의 도면이나 건물모델과 함께 파악 및 비교할 수 있도록 하는 것이다. 구현된 시각화 시스템의 특징 및 주안점을 요약하자면 다음과 같다.
(1) 실내 미세먼지는 감각적으로 파악하기 어려운 환경요소일 뿐 아니라 규제기준 등이 도입단계에 머물러있기 때문에 단일 공간의 측정 및 시각화만으로는 미세먼지 오염정도가 어떠한지를 나타내기 어렵다. 때문에 시각화 범위를 여러 공간으로 넓혀 개별 공간들의 미세먼지농도를 비교 및 상대적으로 파악하도록 하였다. 동시에 넓은 공간단위에서 미세먼지농도의 분포가 어떠한지를 전체적으로 알 수 있도록 하였다.
(2) 각 공간의 미세먼지농도 측정값을 대상공간의 평면도와 결합하여 표현하였다. 이를 통해 넓은 공간단위에서 미세먼지농도의 전체적인 분포가 어떠한지를 직관적으로 파악할 수 있도록 하였으며 동시에 미세먼지농도와 측정공간의 건축 환경과의 관계를 도출할 수 있게 하였다.
(3) 시각화할 데이터의 시간적 범위를 선택할 수 있도록 사용자가 제어 창을 통해 시간범위를 조정할 수 있게 하였다. 이를 통해 시간의 흐름에 따라 미세먼지농도의 변화를 알 수 있도록 하였다.
(4) 제시된 접근방법은 실내 미세먼지 이외의 다른 환경이나 다른 공간에서의 환경데이터 수치를 이용한 시각화 구현을 위해서도 적용 가능한 방법으로, 다양한 목적으로 응용될 수 있을 것으로 기대된다.
본 연구에서 구현을 위해 사용한 광학식 센서는 저렴한 대신 상대적으로 부정확하고 입자분리가 어려워 본 연구에서 사용한 측정값과 표준적인 방법인 중량법 등을 사용하는 정밀한 센서의 측정값과의 직접비교는 어렵다. 다만 데이터의 직관적인 시각화를 통한 공간별 비교나 시간대별, 외기의 먼지농도상태 등과의 비교에 효과적이다. 향후 과제로는 다양한 센서 및 시각화 방법 확장, IPS 시스템 및 통신기술의 응용 등이 있을 수 있으며, 관련 후속 연구 및 개발이 진행 중이다.
