Skip Navigation
Skip to contents

GEO DATA : GEO DATA

OPEN ACCESS
SEARCH
Search

Articles

Page Path
HOME > GEO DATA > Volume 6(4); 2024 > Article
Data Article
GK-2A와 ASOS 지상 관측 자료를 이용한 태양광 에너지 산출 딥러닝 학습 데이터
하종성1orcid, 정승택1orcid, 민세윤2orcid, 이예진3orcid, 김수환3orcid, 한도희3orcid, 염종민4,*orcid
Solar Energy Datasets of Deep Learning Models Incorporating with GK-2A and ASOS Ground Measurements
Jong-Sung Ha1orcid, Seungtaek Jeong1orcid, Seyun Min2orcid, Yejin Lee3orcid, Suhwan Kim3orcid, Doehee Han3orcid, Jong-Min Yeom4,*orcid
GEO DATA 2024;6(4):471-477.
DOI: https://doi.org/10.22761/GD.2024.0036
Published online: December 31, 2024

1선임연구원, 한국항공우주연구원 위성활용부, 대전광역시 유성구 과학로 169-84, 34133, 대한민국

2팀장, (주)미래기후, 서울특별시 금천구 가산로9길 66, 08513, 대한민국

3학부연구생, 전북대학교 지구환경과학과, 전북특별자치도 전주시 덕진구 백제대로 567, 54896, 대한민국

4부교수, 전북대학교 지구환경과학과, 전북특별자치도 전주시 덕진구 백제대로 567, 54896, 대한민국

1Senior Researcher, Satellite Application Division, Korea Aerospace Research Institute, 169-84 Gwahak-ro, Yuseong-gu, 34133 Daejeon, South Korea

2Team Leader, Mirae Climate Co., Ltd., 66 Gasan-ro 9-gil, Geumcheon-gu, 08513 Seoul, South Korea

3Undergraduate Researcher, Department of Earth and Environmental Sciences, Jeonbuk National University, 567 Baekje-daero, Deokjin-gu, Jeonju-si, 54896 Jeonbuk-do, South Korea

4Associate Professor, Department of Earth and Environmental Sciences, Jeonbuk National University, 567 Baekje-daero, Deokjin-gu, Jeonju-si, 54896 Jeonbuk-do, South Korea

Corresponding Author Jong-Min Yeom Tel: +82-63-270-3350 E-mail: jmyeom@jbnu.ac.kr
• Received: November 11, 2024   • Revised: December 5, 2024   • Accepted: December 15, 2024

Copyright © 2024 GeoAI Data Society

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

prev next
  • 139 Views
  • 26 Download
  • This study presents the construction and evaluation of a dataset for estimating solar energy using the GK-2A satellite and deep learning. The GK-2A is currently utilized in real-time for weather observations over the Korean Peninsula. The GK-2A satellite features 16 channels, producing radiative channel images at spatial resolutions ranging from 500 m to 2 km, with temporal intervals as short as 2 minutes depending on the area. These satellite data are used in various fields, including meteorology, oceanography, vegetation monitoring, and renewable energy. In this study, we used spectral channel data from the GK-2A expended local area satellite from January 2021 to December 2022. For training and evaluating the accuracy of the deep learning model, we utilized data from 98 automated synoptic observing system ground observation sites operated by the Korea Meteorological Administration. A back-propagation neural network model, which showed meaningful results in estimating solar energy, was applied. Various hyperparameters were optimized, and data preprocessing and separation were conducted to optimize the model. The study also compared the performance of the deep learning model with physical models. The BPNN deep learning model achieved a statistical accuracy of root mean squared error (RMSE) 77.32 Wm-2, mean bias error (MBE) -0.48 Wm-2, and R2 0.91, indicating high accuracy. In contrast, the physical model showed an RMSE of 132.01 Wm-2, MBE -76.51 Wm-2, and an R2 of 0.74, displaying relatively lower accuracy compared to the deep learning model. Additionally, the spatio-temporal map of solar energy generated by the deep learning model successfully captured the attenuation of radiation due to clouds and the variation in solar energy based on the position of the sun. The solar energy data produced in this study are expected to be useful as input data for various fields such as meteorology, agriculture, environmental monitoring, and marine sciences.
태양광 에너지는 전 세계적으로 지속 가능한 에너지로의 전환을 위한 중요한 자원으로 인정받고 있으며 이를 효율적으로 예측하고 분석하는 기술의 필요성이 증가하고 있다(Gallo et al., 2022). 특히 기후 변화와 에너지 수요의 변동성에 대응하기 위하여 태양광 에너지 생산량을 정확하게 예측하는 것은 에너지 관리와 정책 결정에 중요한 역할을 한다(Wang et al., 2022). 이러한 배경에서 태양광 에너지를 예측하는 다양한 모델들이 개발되어 왔으며 대표적으로 경험적 모델과 물리 모델이 주로 사용된다(Blaga et al., 2019). 경험적 모델은 과거 지상 관측 자료를 기반으로 주로 회귀 혹은 다중 회귀 모델을 이용하여 특정 지역의 태양광 에너지 잠재량을 산출하는 데 주로 사용된다. 이 모델들은 기존의 관측 데이터를 활용하여 태양광 에너지를 추정하지만 관측 지점 과적합(overfitting)으로 인하여 다른 지역에 적용하기 어렵다는 부분과 단순한 모델 구조로 인하여 복잡한 대기 환경을 모델링하는 데 본질적인 한계가 존재한다는 부분이 단점으로 지적된다. 뿐만 아니라 기후 변화나 환경적 요인에 대한 변동성을 충분히 반영하지 못하는 경우가 많아 추정 혹은 예측의 정확성이 떨어질 수 있다.
반면 물리 모델은 태양광 에너지의 물리적인 메커니즘을 기반으로 에너지 생산의 시공간 변화를 분석하는 데 탁월한 성능을 보인다(Yeom et al., 2019). 이러한 모델들은 태양 복사 에너지가 대기 및 지표에서 어떻게 상호작용하는지를 설명할 수 있으며 다양한 물리적 요소를 반영하여 보다 정밀한 분석이 가능하다. 그러나 물리 모델 역시 입력 자료가 복잡하고 다량의 데이터를 요구하는 경향이 있으며 이를 처리하는 과정에서 계산 자원의 소모가 크고 모델의 정확도가 제한될 수 있다는 단점이 있다. 뿐만 아니라 물리 과정의 많은 모수화 수행으로 인하여 복사 모델링 한계에 따른 산출 정확도 한계 또한 해결하여야 할 문제이다(Yeom et al., 2019).
최근 들어 딥러닝 기술이 다양한 분야에서 뛰어난 성과를 보이며 태양광 에너지 예측에서도 새로운 가능성을 제시하고 있다. 특히 자연 환경의 변화와 기후 및 기상변수를 예측하는 데 있어 딥러닝 모델은 기존의 경험적 및 물리 모델보다 더 높은 정확도를 보여주고 있다(Yuan et al., 2020). 이들 모델은 복잡한 비선형 관계를 처리할 수 있는 능력 덕분에 대규모 데이터 세트를 활용한 예측에 강점이 있다(Sze et al., 2017).
본 연구에서는 이러한 딥러닝 기술을 활용하여 태양광 에너지 산출을 위한 학습데이터 구축 및 이에 대한 평가를 수행하고자 한다. 다양한 딥러닝 모델 중 천리안 위성(Li et al., 2007; Yeom et al., 2020) 등에 성능을 보인 back-propagation neural network (BPNN)를 본 연구의 시험 딥러닝 모델로 적용하였다. Yeom et al. (2020)은 GK-2A 위성의 선행인 천리안 위성 1호와 지상 관측 자료 그리고 BPNN 딥러닝 모델을 이용하여 높은 통계 정확도를 가지는 태양광 에너지 잠재량 지도를 산출하여 딥러닝 모델의 적용 가능성을 보여주었다. 뿐만 아니라 다른 분야에서도 BPNN 모델은 자연과학 자료와 융합하여 기존의 방법보다 높은 정확도의 결과를 산출하였다(Li et al., 2007; Liang et al., 2011).
본 연구에서는 태양광 에너지 잠재량 시공간 지도 산출을 위한 딥러닝 모델의 입력 자료로 GK-2A 기상을 활용하였다. GK-2A 기상위성은 총 16개의 가시, 중적외 및 열적외 채널을 탑재하고 있으며 관측 영역에 따라 최대 2분에서 10분 간격으로 500 m에서 2 km 공간 해상도의 복사 채널 이미지를 생산한다. 이러한 GK-2A 기상위성 센서 자료는 기상뿐만 아니라 해양, 식생 등 다양한 분야에서 활용된다. 특히 GK-2A 위성은 태양광 에너지 산출을 위한 구름의 시공간 변화 특성뿐만 아니라 에어로졸, 수증기 등의 대기 정보 또한 자체적으로 산출이 가능하기 때문에 태양광 에너지 산출을 위한 딥러닝 모델의 입력 자료로 활용하였다.
결론적으로 본 연구에서는 GK-2A 위성 데이터와 지상 관측 데이터를 기반으로 한 학습 자료 세트를 구축하고 이를 바탕으로 태양광 에너지 잠재량을 추정하는 딥러닝 모델을 평가하는 연구를 수행하였다. 이를 통해 태양광 에너지원의 변동성을 보다 정확하게 파악할 수 있도록 돕는 동시에 에너지 생산의 불확실성을 줄이고 효율성을 극대화할 수 있는 방안을 제시할 수 있으며 단순히 태양광 에너지 생산을 예측하는 것에 그치지 않고 다양한 분야에 적용 가능하다. 예를 들어 전력망 안정성을 위한 수요 예측, 에너지 저장 시스템의 최적화, 재생 가능 에너지의 효율적인 관리 등에 기여할 수 있다. 이를 통해 재생 가능 에너지의 변동성 문제를 해결하고 더 나아가 지속 가능한 에너지 관리를 위한 기초 자료로 활용될 수 있을 것이다.
본 연구에서는 GK-2A를 BPNN 모델의 주요 입력 자료로 활용하였다. GK-2A는 총 16개의 분광 채널을 탑재하고 있으며 확장 국지 영역(extended local area, ELA)에 대해서 2분 시간 간격으로 연속 관측을 수행한다(Fig. 1A). 따라서 한반도 주변의 기상 및 대기 흐름을 효과적으로 관측 가능하다. 이는 태양광 에너지 산출에 있어 입사하는 태양 복사 에너지 감쇄에 가장 큰 영향 요소를 가지는 구름에 대한 광학적 특성을 관측하는 데 유용하다. Table 1은 GK-2A 위성의 분광채널 상세 사양이다. GK-2A 위성을 이용한 딥러닝 학습을 위하여 물리 모델과 달리 복잡한 자료 전처리 과정 없이 digital number에 대한 복사 보정만을 수행하여 대기상단 반사도를 산출하여 입력하였다. 위성 분광 채널 자료 이외에도 관측 시간, 태양 천정각, 방위각 그리고 위치 정보에 대한 부분을 추가하였다. 연구 기간은 2021년 1월 1일부터 2022년 12월 31일까지 총 2년간 GK-2A 위성영상 자료를 활용하였다.
본 연구에서는 지상 관측소에 관측한 지상 일사계 자료를 딥러닝 모델 참조값으로 이용하여 딥러닝 모델 학습, 최적화 그리고 검증을 수행하였다. Automated synoptic observing system (ASOS) 종관 기상 관측 자료는 기상청 기상자료 개방포털(https://data.kma.go.kr/cmmn/main.do)에서 제공하는 자료 중 하나로 종관 규모의 날씨를 파악하기 위하여 정해진 시각에 모든 관측소에서 같은 시각에 실시하는 지상 관측 자료이다. 98개 지점에서 관측되는 ASOS 일사량 관측 자료(Fig. 1B)를 기상청 기상자료개방포털에서 획득하였다. 지상 관측 자료 획득 기간은 GK-2A 위성 활용 연구 기간과 동일하게 적용하였다.
본 연구에서는 태양광 에너지 잠재량 추정을 위한 학습 자료 구축을 위하여 GK-2A 위성 top of atmosphere 영상과 각 지점에 대한 시공간 일치도 검사를 통해 각 관측 자료가 존재하는 경우를 이용하였다. 따라서 전체 학습 데이터의 학습 자료 수는 153,441이다. 또한 학습 데이터 구성은 과적합 방지 및 모델 일반화를 위하여 자료 셋의 구성 비율을 훈련 70%, 검증 20% 그리고 테스트 자료 셋을 10%로 적용하였다.
본 연구에서는 GK-2A 위성과 지상 관측 데이터 그리고 BPNN 딥러닝 모델을 활용하여 태양광 에너지 잠재량의 시공간 지도를 산출하였다. Fig. 2는 BPNN 모델의 구조를 나타내며 BPNN의 입력 노드와 출력 노드는 각각 위성 자료와 보조 자료, 지상 일사계를 사용하여 구성된다. 모델 최적화를 위하여 딥러닝 모델의 하이퍼파라미터 튜닝을 수행하였다. 각 모델의 하이퍼파라미터로는 ReLU 활성화 함수, 평균 제곱 오차(mean squared error) 손실 함수, Adam 옵티마이저가 적용되었다. 은닉층의 수는 1개에서 4개까지 테스트하였으며 그 중 가장 높은 성능을 보인 값을 적용하였다.
추가적으로 본 연구에서는 BPNN 딥러닝 모델 기반 태양광 에너지 성능 비교를 위해서 물리 모델 방법을 적용하였다. 물리 모델에 관한 구체적인 내용은 이전 연구(Kawai and Kawamura, 2005; Yeom et al., 2016)에 설명되어 있다.
Fig. 3은 BPNN 모델을 이용한 태양광 에너지 산출 결과를 보여준다. Fig. 3A는 GK-2A 위성의 2022년 9월 1일 UTC red, green, and blue (RGB) 영상이며 Fig. 3B는 물리 모델을 이용하여 산출한 태양광 에너지, Fig. 3C는 BPNN 딥러닝 모델을 이용하여 산출한 태양광 에너지 지도이다. GK-2A RGB 영상에 존재하는 구름의 공간적인 위치와 구름 감쇄 정보를 물리 모델과 BPNN 모델에서 각각 산출하였다. 일반적으로 물리 모델의 경우 시공간적인 태양광 에너지 산출을 잘 수행한다는 것은 알려진 바이며 딥러닝 모델의 경우 또한 단순한 입력 자료와 출력 자료의 구조에도 불구하고 Fig. 3C와 같이 구름에 따른 감쇄와 태양의 위치에 따른 복사 에너지 변화 특성을 잘 반영하였다.
본 연구에서는 각 모델의 성능 평가를 위하여 지상 관측 자료와 산출된 태양광 에너지에 대한 산점도를 학습에 활용되지 않은 테스트 자료 셋에 대해서 Fig. 4와 같이 산출하였다. 또한 모델의 통계 정확도 판단을 위하여 평균 제곱근 오차(root mean squared error, RMSE), 평균 편향 오차(mean bias error, MBE) 그리고 결정계수(determination of coefficients)도 같이 산출하였다. 산점도 그림에서 BPNN 모델의 RMSE는 77.32 Wm-2, MBE는 -0.48 Wm-2, R2은 0.91이고 물리 모델의 RMSE는 132.01 Wm-2, MBE는 -76.51 Wm-2, R2은 0.74이다. 앞선 분석에서 BPNN 모델이 가장 높은 정확도를 보인다.
결론적으로 본 연구는 GK-2A와 ASOS 지상 관측 자료를 이용한 태양광 에너지 산출 딥러닝 학습 데이터를 산출하였다. GK-2A와 ASOS 지상 관측 자료에 대한 자료 전처리를 수행하여 학습 데이터를 구축하였고 구축된 학습 데이터의 성능 평가를 위하여 BPNN 모델을 적용하였다. 딥러닝 모델에 대한 최적화 수행 이후 물리 모델과 비교 분석을 통해 학습 데이터의 활용 가능성을 평가하였다. 본 학습 자료는 기존의 제시된 딥러닝 모델뿐만 아니라 추후 발전된 딥러닝 모델에서도 활용 가능할 것으로 사료된다. 최종적으로 본 연구에서 산출된 태양광 에너지는 기상, 농업, 환경, 해양 등 다양한 분야의 입력 자료로 활용될 수 있을 것으로 기대된다.
GK-2A와 딥러닝을 이용한 태양광 에너지 지도는 Fig. 3과 같이 GK-2A의 ELA에 대해서 산출하였다. 공간 정보는 위도 10°N to 60°N, 경도 80°E to 160°E이다. 일사계 지상 관측 자료는 Fig. 1B와 같이 한반도 지역 98개 ASOS 지점의 자료를 이용하였다. 태양광 에너지 산출을 위한 학습 자료는 지상 관측 지점을 중심으로 GK-2A 위성 분광채널 값이 존재하는 경우 생산하였다.
딥러닝 학습을 위한 GK-2A와 ASOS 지상 관측 자료는 2021년 1월부터 2022년 12월까지 한 시간 간격으로 학습 데이터가 구축되었다. 따라서 산출되는 태양광 에너지의 결과물의 시간 해상도는 시간 단위 해상도로 구별될 수 있다.

Conflict of Interest

Jong-Min Yeom has been an Editorial Board of GEO DATA; however, he was not involved in the peer reviewer selection, evaluation, or decision process of this paper. Otherwise, no other potential conflicts of interest relevant to this paper were reported.

Funding Information

This research was supported by Regional Innovation Strategy (RIS) through the National Research Foundation of Korea (NRF) funded by the Ministry of Education (MOE) (2023RIS-008).

Data Availability Statement

The data that support the findings of this study are openly available in DataOn at https://doi.org/10.22711/idr/1047.

Fig. 1.
The RGB image sample of GK-2A acquired at January 1, 2021 (A) and locations of ASOS for ground measurement sites for insolation within Korea Peninsular (B). KMA, Korea Meteorological Administration; ASOS, automated synoptic observing system; RGB, red, green, and blue.
GD-2024-0036f1.jpg
Fig. 2.
The network structure of BPNN model for estimating renewable solar energy incorporating with GK-2A satellite 16 spectral bands and insolation from pyranometers. BPNN, back-propagation neural network.
GD-2024-0036f2.jpg
Fig. 3.
The selected samples images of solar energy from GK-2A and ground pyranometers. (A) is RGB images of GK-2A at January 1, 2022, (B) and (C) were estimated solar energy map from physical model and BPNN model, respectively. RGB, red, green, and blue; BPNN, back-propagation neural network.
GD-2024-0036f3.jpg
Fig. 4.
The density scatterplots between deep learning and pyranometers using test datasets from January 1, 2021 and December 31, 2022. (A) is for physical model and (B) is BPNN model. AOD, aerosol optical depth; INS, insolation; RMSE, root mean squared error; MBE, mean bias error; BPNN, back-propagation neural network.
GD-2024-0036f4.jpg
Table 1.
The detailed specification of GK-2A geostationary satellite for estimating spatiotemporal maps of solar energy incorporating with deep learning model
Channel Name Wave length (µm)
Spatial resolution (km)
Minimum Maximum
1 VIS0.47 0.431 0.479 1
2 VIS0.51 0.5025 0.5175 1
3 VIS0.64 0.625 0.660 0.5
4 NIR0.86 0.8495 0.8705 1
5 NIR1.37 1.373 1.383 2
6 NIR1.6 1.601 1.619 2
7 SWIR3.8 3.74 3.96 2
8 IR6.3 6.061 6.425 2
9 IR6.9 6.89 7.01 2
10 IR7.3 7.258 7.433 2
11 IR8.7 8.44 8.76 2
12 IR9.6 9.543 9.717 2
13 IR10.5 10.25 10.61 2
14 IR11.2 11.08 11.32 2
15 IR12.3 12.15 12.45 2
16 IR13.3 13.21 13.39 2
  • Blaga R, Sabadus A, Stefu N, Dughir C, Paulescu M, Badescu V (2019) A current perspective on the accuracy of incoming solar energy forecasting. Prog Energy Combust Sci 70:119–144Article
  • Gallo R, Castangia M, Macii A, Macii E, Patti E, Aliberti A (2022) Solar radiation forecasting with deep learning techniques integrating geostationary satellite images. Eng Appl Artif Intell 116:105493Article
  • Kawai Y, Kawamura H (2005) Validation and Improvement of satellite-derived surface solar radiation over the Northwestern Pacific Ocean. J Oceanogr 61(1):79–89ArticlePDF
  • Li G, Song K, Niu S (2007) Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks. In: 2007 3rd International Conference on Recent Advances in Space Technologies, Istanbul, 14-16 Jun 2007
  • Liang XY, Li XY, Lei TW, Wang W, Gao Y (2011) Study of sample temperature compensation in the measurement of soil moisture content. Measurement 44(10):2200–2204Article
  • Sze V, Chen YH, Yang TJ, Emer J (2017) Efficient processing of deep neural networks: a tutorial and survey. arXiv 1703.09039v2Article
  • Wang F, Lu X, Mei S, et al (2022) A satellite image data based ultra-short-term solar PV power forecasting method considering cloud information from neighboring plant. Energy 238(C):121946Article
  • Yeom JM, Deo RC, Adamowski JF, Park S, Lee CS (2020) Spatial mapping of short-term solar radiation prediction incorporating geostationary satellite images coupled with deep convolutional LSTM networks for South Korea. Environ Res Lett 15(9):094025ArticlePDF
  • Yeom JM, Park S, Chae T, Kim JY, Lee CS (2019) Spatial assessment of solar radiation by machine learning and deep neural network models using data provided by the COMS MI geostationary satellite: a case study in South Korea. Sensors (Basel) 19(9):2082ArticlePubMedPMC
  • Yeom JM, Seo YK, Kim DS, Han KS (2016) Solar radiation received by slopes using COMS imagery, a physically based radiation model, and GLOBE. J Sensors 2016:4834579ArticlePDF
  • Yuan Q, Shen H, Li T, et al (2020) Deep learning in environmental remote sensing: achievements and challenges. Remote Sens Environ 241:111716Article
Meta Data for Dataset
Essential
Field Sub-Category
Title of Dataset Match-up dataset of Solar radiation
DOI https://doi.org/10.22711/idr/1047
Category Climatology/Meteorology/Atmosphere
Temporal Coverage 2021.01-2022.12
Spatial Coverage Address South Korea
WGS84 Coordinates [Latitude] 10°N-60°N
[Longitude] 80°E-1,600°E
Personnel Name Jong-Sung Ha
Jong-Min Yeom
Affiliation Korea Aerospace Research Institute
Jeonbuk National University
E-mail jongsung@kari.re.kr
jmyeom@jbnu.ac.kr
CC License CC BY-NC
Optional
Field Sub-Category
Summary of Dataset Dataset of solar radiation
Project This research was supported by Regional Innovation Strategy (RIS) through the National Research Foundation of Korea (NRF) funded by the Ministry of Education (MOE) (2023RIS-008)
Instrument GK-2A, Pyranometers

Figure & Data

References

    Citations

    Citations to this article as recorded by  

      Figure
      • 0
      • 1
      • 2
      • 3
      Solar Energy Datasets of Deep Learning Models Incorporating with GK-2A and ASOS Ground Measurements
      Image Image Image Image
      Fig. 1. The RGB image sample of GK-2A acquired at January 1, 2021 (A) and locations of ASOS for ground measurement sites for insolation within Korea Peninsular (B). KMA, Korea Meteorological Administration; ASOS, automated synoptic observing system; RGB, red, green, and blue.
      Fig. 2. The network structure of BPNN model for estimating renewable solar energy incorporating with GK-2A satellite 16 spectral bands and insolation from pyranometers. BPNN, back-propagation neural network.
      Fig. 3. The selected samples images of solar energy from GK-2A and ground pyranometers. (A) is RGB images of GK-2A at January 1, 2022, (B) and (C) were estimated solar energy map from physical model and BPNN model, respectively. RGB, red, green, and blue; BPNN, back-propagation neural network.
      Fig. 4. The density scatterplots between deep learning and pyranometers using test datasets from January 1, 2021 and December 31, 2022. (A) is for physical model and (B) is BPNN model. AOD, aerosol optical depth; INS, insolation; RMSE, root mean squared error; MBE, mean bias error; BPNN, back-propagation neural network.
      Solar Energy Datasets of Deep Learning Models Incorporating with GK-2A and ASOS Ground Measurements
      Channel Name Wave length (µm)
      Spatial resolution (km)
      Minimum Maximum
      1 VIS0.47 0.431 0.479 1
      2 VIS0.51 0.5025 0.5175 1
      3 VIS0.64 0.625 0.660 0.5
      4 NIR0.86 0.8495 0.8705 1
      5 NIR1.37 1.373 1.383 2
      6 NIR1.6 1.601 1.619 2
      7 SWIR3.8 3.74 3.96 2
      8 IR6.3 6.061 6.425 2
      9 IR6.9 6.89 7.01 2
      10 IR7.3 7.258 7.433 2
      11 IR8.7 8.44 8.76 2
      12 IR9.6 9.543 9.717 2
      13 IR10.5 10.25 10.61 2
      14 IR11.2 11.08 11.32 2
      15 IR12.3 12.15 12.45 2
      16 IR13.3 13.21 13.39 2
      Essential
      Field Sub-Category
      Title of Dataset Match-up dataset of Solar radiation
      DOI https://doi.org/10.22711/idr/1047
      Category Climatology/Meteorology/Atmosphere
      Temporal Coverage 2021.01-2022.12
      Spatial Coverage Address South Korea
      WGS84 Coordinates [Latitude] 10°N-60°N
      [Longitude] 80°E-1,600°E
      Personnel Name Jong-Sung Ha
      Jong-Min Yeom
      Affiliation Korea Aerospace Research Institute
      Jeonbuk National University
      E-mail jongsung@kari.re.kr
      jmyeom@jbnu.ac.kr
      CC License CC BY-NC
      Optional
      Field Sub-Category
      Summary of Dataset Dataset of solar radiation
      Project This research was supported by Regional Innovation Strategy (RIS) through the National Research Foundation of Korea (NRF) funded by the Ministry of Education (MOE) (2023RIS-008)
      Instrument GK-2A, Pyranometers
      Table 1. The detailed specification of GK-2A geostationary satellite for estimating spatiotemporal maps of solar energy incorporating with deep learning model


      GEO DATA : GEO DATA
      TOP