--- title: "30년의 기후 기억, 파이썬으로 1초 만에 불러내기 (feat. 기상청 평년값 API)" id: "963" type: "post" slug: "kma-normal-value-api-guide" published_at: "2025-12-16T03:36:50+00:00" modified_at: "2026-07-19T09:57:13+00:00" url: "https://doyouknow.kr/kma-normal-value-api-guide/" markdown_url: "https://doyouknow.kr/kma-normal-value-api-guide.md" excerpt: "기상청 평년값 API로 30년 기후 데이터를 파이썬으로 수집하고, LSTM 모델로 기후변화를 예측하세요. 이상기후 판단부터 AI 모델링까지 완벽 가이드!" taxonomy_category: - "AI" - "데이터셋" - "실전편" taxonomy_post_tag: - "LSTM" - "공공데이터" - "기상청API" - "기후데이터" - "기후변화" - "데이터분석" - "데이터셋" - "실전전" - "파이썬" - "평년값" --- 혹시 “오늘 춥네”라고 말할 때, 진짜 ‘얼마나’ 춥다는 건지 아시나요? 일기예보에서 “평년보다 3도 높습니다”라고 할 때, 그 **‘평년’**이 뭔지 정확히 아는 분은 많지 않습니다. 하지만 이 평년값이야말로 **기후변화를 측정하는 가장 강력한 기준선(Baseline)**입니다. 2025년 현재, 전 세계는 이상기후로 신음하고 있습니다. 한국도 예외가 아니죠. “예전엔 이렇지 않았는데…”라는 말이 이제는 데이터로 증명됩니다. 기상청은 **30년간의 기후 관측 데이터를 평균한 ‘평년값’**을 공개하고 있으며, 이를 통해 우리는 기후가 얼마나 변했는지 객관적으로 확인할 수 있습니다. 오늘 포스팅에서는 기상청 API 시리즈의 심화 편으로, **‘지상관측데이터 평년값(일조, 구름, 기온, 습도) 조회서비스’**를 완벽하게 마스터해 보겠습니다. 이전에 다룬 [태양광 발전량 예측](https://doyouknow.kr/solar-forecast-api-python-guide/) 과 [실시간 날씨 예측 모델](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/) 에서는 실시간 데이터를 다뤘다면, 오늘은 **‘기준이 되는 데이터’**를 확보하는 방법을 배웁니다. 이 API 하나면 1961년부터 2020년까지 60년치 평년값을 언제든지 조회할 수 있으며, 파이썬 코드 몇 줄로 전국의 기후 기준선을 손안에 쥘 수 있습니다! [ez-toc] ## 평년값이란? 왜 30년일까? **평년값(Climatological Normals)**은 특정 기후요소를 최근 30년간 평균한 값입니다. [세계기상기구(WMO)](https://public.wmo.int/en) 의 권고에 따라 **10년마다 새로운 평년값을 산출**하며, 현재는 1991~2020년 데이터가 최신 평년값입니다. 왜 하필 30년일까요? 그보다 짧으면 우연한 변동성(노이즈)에 휘둘리고, 길면 기후변화 추세를 놓치기 때문입니다. 30년이야말로 **‘기후의 성격’을 파악하기에 최적의 기간**이죠. ### 평년값의 실전 활용 분야 기상청이 제공하는 평년값은 단순한 통계 수치가 아닙니다. 실제로 우리 삶 곳곳에서 활용되고 있습니다: **에너지 산업** - 태양광 발전량 예측 모델의 Feature Engineering - “오늘 발전량이 뚝 떨어졌는데, 기기 고장일까? 아니면 원래 이맘때 흐린 걸까?” - 평년값과 비교하면 **이상 탐지(Anomaly Detection)**가 가능합니다 **농업 분야** - 작물 재배 적기 판단, 냉해·폭염 위험도 평가 - “벼 파종은 평년 기준 4월 15일 이후가 안전합니다” **건설·인프라** - 구조물 설계 기준(강설량, 강수 강도 등) - 냉난방 용량 설계 **방재·보험** - 홍수·가뭄 예측 기준 - 기후 리스크 평가 및 보험료 산정 예를 들어, 서울의 1월 평균기온 평년값이 -2.5℃인데 올해 -5℃라면? 이는 **“평년보다 2.5℃ 낮은 이상 저온”**으로 해석되며, 난방 에너지 수요 급증을 예측할 수 있습니다. ## 기상청 평년값 API 완전 분해 기상청 API 허브의 [산업특화 > 에너지 > 태양광 섹션](https://apihub.kma.go.kr/specialApiList.do) 에서 두 번째 서비스인 **‘지상관측데이터 평년값 조회서비스’**를 찾을 수 있습니다. ### API 기본 정보 **호출 구조** - **URL**: `https://apihub.kma.go.kr/api/typ01/url/sun_sfc_norm.php` - **Method**: GET - **Data Format**: 텍스트 (CSV 유사 형식, **JSON 아님 주의!**) **제공 데이터** - **평년값 기준 시기(ST)**: 1991(1961~1990), 2001(1971~2000), 2011(1981~2010), 2021(1991~2020) - **시간 단위(norm)**: D(일), S(순), M(월), Y(연) - **기후 요소**: 평균기온, 최고기온, 최저기온, 상대습도, 일조시간, 전운량 ### 주요 입력 파라미터 분석 | 파라미터 | 설명 | 예시 | 필수 여부 | | --- | --- | --- | --- | | authKey | API 인증키 | 발급받은 키 입력 | 필수 | | stn | 지점번호 | 108(서울), 159(부산), 0(전체) | 필수 | | norm | 평년값 종류 | D(일), S(순), M(월), Y(연) | 필수 | | tmst | 평년값 기준 시기 | 2021(1991~2020년) | 필수 | | MM1, DD1 | 조회 시작 월·일 | MM1=1, DD1=1 (1월 1일) | 필수 | | MM2, DD2 | 조회 종료 월·일 | MM2=12, DD2=31 (12월 31일) | 선택 | **주요 지점번호** - 서울(108), 인천(112), 수원(119) - 부산(159), 대구(143), 광주(156) - 대전(133), 울산(152), 제주(184) ### 출력 데이터 구조 파악 API 응답은 **CSV 형식**으로 반환되며, 주석 라인(#으로 시작)과 데이터 라인으로 구성됩니다. **JSON 아님을 주의하세요!** **응답 예시** ``` ################################################################################################### # 남한 지상 평년값 조회 # ST : 평년값 기준 시기 (2001 = 1971~2000년) # STN : 지점번호 # MM : 월 # DD : 일 (순별 평년값인 경우, 100=상순, 200=중순, 300=하순) # TA : 평균기온(°C) # TA_MAX : 최고기온(°C) # TA_MIN : 최저기온(°C) # HM : 상대습도(%) # SS : 일조시간(hr) # CA_TOT : 전운량(1/10) ################################################################################################### # ST,STN, MM, DD, TA,TA_MAX,TA_MIN, HM, SS,CA_TOT,= 2001,108, 1, 1, -1.2, 3.0, -5.0, 64.2, 4.1, 4.5,= 2001,108, 1, 2, -1.4, 2.2, -4.5, 68.7, 4.0, 5.0,= ``` **핵심 컬럼 해설** - **TA**: 평균기온 – 기후변화 추세 분석의 핵심 지표 - **TA_MAX/TA_MIN**: 최고/최저기온 – 극값 분석에 활용 - **HM**: 상대습도 – 체감온도 및 건조 위험도 평가 - **SS**: 일조시간 – [태양광 발전량 예측](https://doyouknow.kr/solar-forecast-api-python-guide/) 에 필수 - **CA_TOT**: 전운량 – 맑은 날/흐린 날 비율 파악 ## 1단계: 초간단 API 호출 (Simple Version) 복잡한 이론은 접어두고, 일단 코드부터 돌려봅시다. 맛을 봐야 요리를 배우죠! **가장 간단한 호출 코드** ``` import requests # 기상청 API 설정 API_KEY = "YOUR_API_KEY" base_url = "https://apihub.kma.go.kr/api/typ01/url/sun_sfc_norm.php" # 파라미터 설정: 서울(108)의 2021년 기준 1월 평년값 params = { 'authKey': API_KEY, 'stn': 108, # 서울 'norm': 'D', # 일 평년값 'tmst': 2021, # 1991~2020년 평년값 'MM1': 1, # 1월 'DD1': 1, 'MM2': 1, 'DD2': 5 # 1월 1~5일 } # API 호출 response = requests.get(base_url, params=params) print(response.text) ``` **실행 결과** 터미널에 주석과 함께 데이터가 출력됩니다. 이게 바로 **30년간 서울의 1월 초 기온 평균**입니다! ``` # ST,STN, MM, DD, TA,TA_MAX,TA_MIN, HM, SS,CA_TOT,= 2021,108, 1, 1, -1.8, 2.2, -5.3, 58.3, 5.2, 3.7,= 2021,108, 1, 2, -1.9, 2.1, -5.4, 57.1, 5.4, 3.5,= 2021,108, 1, 3, -1.9, 2.2, -5.4, 56.7, 5.3, 3.7,= 2021,108, 1, 4, -1.8, 2.2, -5.3, 56.8, 5.3, 3.7,= 2021,108, 1, 5, -1.9, 2.2, -5.5, 57.0, 5.2, 3.7,= ``` 데이터 끝에 `=`가 붙어있고, 헤더가 `#`으로 시작하는 **기상청 특유의 독특한 구조**입니다. 파싱에 주의해야 합니다! ## 2단계: 응답 데이터 파싱 (정제된 DataFrame 만들기) API가 던져주는 날것의 CSV 텍스트를 **Pandas DataFrame**으로 변환해 봅시다. 기상청 특유의 `#` 주석과 마지막 `=` 기호를 제거하는 로직이 핵심입니다. ``` def parse_normal_data(response_text): """ 기상청 평년값 API 응답을 DataFrame으로 변환 - # 주석 라인 제거 - 마지막 = 기호 제거 - 숫자형 변환 """ lines = response_text.split('\n') data_rows = [] columns = ['ST', 'STN', 'MM', 'DD', 'TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT'] for line in lines: line = line.strip() # 빈 줄이나 주석 건너뛰기 if not line or line.startswith('#'): continue # 끝에 =, 콤마 제거 line = line.rstrip('=,').strip() # 콤마로 분리 parts = [p.strip() for p in line.split(',')] # 빈 문자열 제거 parts = [p for p in parts if p] # 정확히 10개 필드가 아니면 스킵 if len(parts) != 10: continue data_rows.append(parts) # DataFrame 생성 df = pd.DataFrame(data_rows, columns=columns) # 숫자형 변환 numeric_cols = ['ST', 'STN', 'MM', 'DD', 'TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT'] for col in numeric_cols: df[col] = pd.to_numeric(df[col], errors='coerce') return df ``` **실행** ``` response = requests.get(base_url, params=params) df = parse_normal_data(response.text) print(df.head()) ``` **결과** ``` ST STN MM DD TA TA_MAX TA_MIN HM SS CA_TOT 0 2021 108 1 1 -1.8 2.2 -5.3 58.3 5.2 3.7 1 2021 108 1 2 -1.9 2.1 -5.4 57.1 5.4 3.5 2 2021 108 1 3 -1.9 2.2 -5.4 56.7 5.3 3.7 3 2021 108 1 4 -1.8 2.2 -5.3 56.8 5.3 3.7 4 2021 108 1 5 -1.9 2.2 -5.5 57.0 5.2 3.7 ``` 이제 엑셀 수준의 가독성을 확보했습니다! ## 3단계: 클래스로 체계적 구조화 (Advanced) 코드가 길어질수록 유지보수는 지옥이 됩니다. **클래스 기반 설계**로 깔끔하게 정리해 봅시다. ``` import requests import pandas as pd from typing import Optional class KMANormalValueAPI: """ 기상청 평년값 API 클라이언트 - 재사용 가능한 구조 - 에러 핸들링 강화 - 데이터 검증 기능 포함 """ BASE_URL = "https://apihub.kma.go.kr/api/typ01/url/sun_sfc_norm.php" def __init__(self, api_key: str): self.api_key = api_key def fetch_norm_data(self, stn: int, start_date: str, end_date: str, norm: str = 'D', tmst: int = 2021) -> pd.DataFrame: """ 평년값 데이터 조회 Parameters: - stn: 지점번호 (108=서울, 159=부산, 0=전체) - start_date: 'MMDD' 형식 (예: '0101') - end_date: 'MMDD' 형식 (예: '1231') - norm: 평년값 종류 (D=일, S=순, M=월, Y=연) - tmst: 평년값 기준 시기 (2021=1991~2020년) Returns: - DataFrame: 파싱된 평년값 데이터 """ params = { 'authKey': self.api_key, 'stn': stn, 'norm': norm, 'tmst': tmst, 'MM1': int(start_date[:2]), 'DD1': int(start_date[2:]), 'MM2': int(end_date[:2]), 'DD2': int(end_date[2:]) } try: response = requests.get(self.BASE_URL, params=params, timeout=30) response.raise_for_status() return self._parse_response(response.text) except requests.exceptions.RequestException as e: print(f"API 호출 실패: {e}") return pd.DataFrame() def _parse_response(self, text: str) -> pd.DataFrame: """응답 텍스트를 DataFrame으로 변환""" lines = text.split('\n') data_rows = [] columns = ['ST', 'STN', 'MM', 'DD', 'TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT'] for line in lines: line = line.strip() if line.startswith('#') or not line: continue line = line.replace('=', '').strip() parts = [p.strip() for p in line.split(',')] if len(parts) == 10: data_rows.append(parts) df = pd.DataFrame(data_rows, columns=columns) # 숫자형 변환 numeric_cols = ['ST', 'STN', 'MM', 'DD', 'TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT'] for col in numeric_cols: df[col] = pd.to_numeric(df[col], errors='coerce') return df ``` **실행** ``` api = KMANormalValueAPI(api_key="YOUR_API_KEY") df_seoul = api.fetch_norm_data(stn=108, start_date='0101', end_date='0131') print(f"조회된 데이터: {len(df_seoul)}일치") print(df_seoul.describe()) ``` **결과** ``` 조회된 데이터: 31일치 ST STN MM DD TA TA_MAX TA_MIN \ count 31.0 31.0 31.0 31.000000 31.000000 31.000000 31.000000 mean 2021.0 108.0 1.0 16.000000 -1.974194 2.048387 -5.522581 std 0.0 0.0 0.0 9.092121 0.287481 0.335530 0.281318 min 2021.0 108.0 1.0 1.000000 -2.500000 1.400000 -6.100000 25% 2021.0 108.0 1.0 8.500000 -2.200000 1.750000 -5.700000 50% 2021.0 108.0 1.0 16.000000 -1.900000 2.100000 -5.500000 75% 2021.0 108.0 1.0 23.500000 -1.800000 2.200000 -5.300000 max 2021.0 108.0 1.0 31.000000 -1.500000 2.600000 -5.000000 HM SS CA_TOT count 31.000000 31.000000 31.000000 mean 56.193548 5.519355 3.567742 std 1.471493 0.312431 0.337033 min 53.000000 5.100000 2.900000 25% 55.650000 5.300000 3.350000 50% 56.600000 5.500000 3.700000 75% 57.250000 5.700000 3.850000 max 58.300000 6.200000 4.100000 ``` 이제 코드가 **재사용 가능한 도구**로 승격했습니다! ## 4단계: 여러 지역 동시 조회 및 비교 전국의 평년값을 한 번에 수집하고 비교해 봅시다. ``` import time # 주요 도시 지점번호 CITIES = { '서울': 108, '부산': 159, '인천': 112, '광주': 156, '대전': 133, '제주': 184 } api = KMANormalValueAPI(api_key="YOUR_API_KEY") results = {} for city, stn in CITIES.items(): print(f"[{city}] 평년값 조회 중...") df = api.fetch_norm_data(stn=stn, start_date='0101', end_date='1231') if not df.empty: results[city] = df print(f" ✓ {len(df)}개 데이터 수집 완료") else: print(f" ✗ 데이터 수집 실패") time.sleep(0.5) # API 부하 방지 # 연평균 기온 비교 annual_avg = {city: df['TA'].mean() for city, df in results.items()} sorted_cities = sorted(annual_avg.items(), key=lambda x: x[1], reverse=True) print("\n=== 연평균 기온 순위 (평년값 기준) ===") for rank, (city, temp) in enumerate(sorted_cities, 1): print(f"{rank}위: {city} {temp:.1f}°C") ``` **결과** ``` === 연평균 기온 순위 (평년값 기준) === 1위: 제주 16.2°C 2위: 부산 15.0°C 3위: 광주 14.2°C 4위: 대전 13.1°C 5위: 서울 12.9°C 6위: 인천 12.5°C ``` 제주가 가장 따뜻하고, 고위도 지역이 가장 추운 것을 데이터로 확인할 수 있습니다! ## 5단계: 1년치 데이터 수집 및 CSV 저장 장기 분석을 위해 전체 연도 평년값을 수집하고 파일로 저장합니다. ``` import os def collect_annual_normal_data(api_key: str, cities: dict, output_dir: str = "normal_data"): """ 여러 도시의 연간 평년값 데이터를 수집하고 CSV로 저장 """ os.makedirs(output_dir, exist_ok=True) api = KMANormalValueAPI(api_key=api_key) print(f"=== 평년값 데이터 수집 시작 ===") for city, stn in cities.items(): print(f"\n[{city}] 데이터 요청 중...") # 1년 전체 조회 (1월 1일 ~ 12월 31일) df = api.fetch_norm_data(stn=stn, start_date='0101', end_date='1231') if not df.empty: # 날짜 컬럼 추가 (시각화용 - 가상의 연도 2024 사용) df['DATE'] = pd.to_datetime( '2024-' + df['MM'].astype(str) + '-' + df['DD'].astype(str), errors='coerce' ) # CSV 저장 filename = os.path.join(output_dir, f"{city}_평년값_2021.csv") df.to_csv(filename, index=False, encoding='utf-8-sig') print(f" ✓ 저장 완료: {filename} ({len(df)}개 행)") else: print(f" ✗ 데이터 없음") time.sleep(0.5) ``` **실행** ``` collect_annual_normal_data(api_key="YOUR_API_KEY", cities=CITIES) ``` 이제 `normal_data/` 폴더에 도시별 CSV 파일이 생성됩니다! ## 6단계: 데이터 가공 – 이상치와 결측치 처리 실전 데이터는 완벽하지 않습니다. 관측 장비 점검이나 오류로 **결측치(-99, -999 등)**가 포함될 수 있습니다. ### 6-1. 이상치 탐지 및 제거 ``` def clean_normal_data(df: pd.DataFrame) -> pd.DataFrame: """ 평년값 데이터 정제 - 이상치(-99, -999 등) 제거 - 물리적으로 불가능한 값 제거 """ df_clean = df.copy() # 이상치 마스킹 (-99, -999, -1000 등) for col in ['TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT']: if col in df_clean.columns: df_clean[col] = df_clean[col].replace([-99, -999, -1000], pd.NA) # 물리적 한계 체크 df_clean.loc[df_clean['TA'] 50, 'TA'] = pd.NA # 기온 > 50°C df_clean.loc[df_clean['HM'] > 100, 'HM'] = pd.NA # 습도 > 100% df_clean.loc[df_clean['SS'] > 24, 'SS'] = pd.NA # 일조 > 24시간 # 결측치 개수 확인 missing_counts = df_clean.isna().sum() if missing_counts.sum() > 0: print(f"결측치 발견: {missing_counts[missing_counts > 0].to_dict()}") return df_clean ``` **실행** ``` df_seoul = pd.read_csv("normal_data/서울_평년값_2021.csv") df_clean = clean_normal_data(df_seoul) print(f"정제 후 데이터: {len(df_clean)}행") ``` ### 6-2. 결측치 보간 (Interpolation) 선형 보간법으로 결측치를 채웁니다. 평년값은 급격한 변화가 적어 보간이 효과적입니다. ``` def interpolate_missing(df: pd.DataFrame) -> pd.DataFrame: """ 시계열 선형 보간으로 결측치 채우기 """ df_interpolated = df.copy() # 숫자형 컬럼만 보간 numeric_cols = ['TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT'] for col in numeric_cols: if col in df_interpolated.columns: before = df_interpolated[col].isna().sum() df_interpolated[col] = df_interpolated[col].interpolate(method='linear') after = df_interpolated[col].isna().sum() if before > 0: print(f"{col}: {before}개 결측 → {after}개 (보간 완료)") return df_interpolated ``` **실행** ``` df_final = interpolate_missing(df_clean) print(f"\n최종 결측치: {df_final.isna().sum().sum()}개") ``` ### 6-3. 데이터 무결성 검증 (Sanity Check) 평년값이므로 극단적인 이상치는 없어야 합니다. Assert로 데이터 품질을 보증합니다. ``` def validate_data(df: pd.DataFrame): """ 데이터 무결성 검증 """ # 습도는 0~100 사이여야 함 assert df['HM'].between(0, 100).all(), "❌ 습도 데이터 오류!" # 전운량은 0~10 사이 (1/10 단위) assert df['CA_TOT'].between(0, 10).all(), "❌ 전운량 데이터 오류!" # 일조시간은 0~24 사이 assert df['SS'].between(0, 24).all(), "❌ 일조시간 데이터 오류!" # 기온 논리적 일관성 (최저 실행 validate_data(df_final)결측치 처리 전략 요약상황처리 방법단발성 결측 (1~2개)선형 보간 (Linear Interpolation)연속 결측 (3개 이상)전후 평균값 또는 제거계절성 패턴같은 월일의 평년값으로 대체물리적 한계 초과이상치로 간주하여 제거7단계: 데이터 시각화 – 기후변화 추세 확인평년값 자체는 변하지 않지만, 서로 다른 평년값 기준(1991, 2001, 2011, 2021)을 비교하면 기후변화를 시각적으로 확인할 수 있습니다.import matplotlib.pyplot as plt import matplotlib plt.style.use('seaborn-v0_8-whitegrid') # 폰트 설정 (앞 단계에서 설치한 나눔바른고딕 적용) plt.rc('font', family='NanumBarunGothic') plt.rcParams['axes.unicode_minus'] = False def plot_normal_comparison(): """ 서로 다른 평년값 기준 비교 (1981~2010 vs 1991~2020) """ api = KMANormalValueAPI(api_key="key") # 두 시기의 서울 평년값 조회 (월 평년값) df_old = api.fetch_norm_data(stn=108, start_date='0101', end_date='1231', norm='M', tmst=2011) df_new = api.fetch_norm_data(stn=108, start_date='0101', end_date='1231', norm='M', tmst=2021) fig, ax = plt.subplots(figsize=(12, 6)) ax.plot(df_old['MM'], df_old['TA'], marker='o', label='1981~2010년 평년값', linewidth=2) ax.plot(df_new['MM'], df_new['TA'], marker='s', label='1991~2020년 평년값', linewidth=2) ax.set_xlabel('월', fontsize=12) ax.set_ylabel('평균기온 (°C)', fontsize=12) ax.set_title('서울 월평균기온 평년값 변화 (30년 단위)', fontsize=14, fontweight='bold') ax.legend(fontsize=11) ax.grid(True, alpha=0.3) ax.set_xticks(range(1, 13)) plt.tight_layout() plt.savefig('평년값_비교.png', dpi=150) plt.show() plot_normal_comparison()결과해석: 새로운 평년값이 전반적으로 0.31°C 상승한 것을 확인할 수 있습니다. 이것이 바로 기후변화의 증거입니다!8단계: 간단한 AI 모델 – 기상 요인 간 상관관계 분석평년값 자체는 고정값이지만, 기상 요소 간의 관계를 파악하는 회귀 분석이 가능합니다. 예를 들어, “구름 양(CA_TOT)과 습도(HM)가 기온(TA)에 미치는 영향”을 선형 회귀로 분석해 봅시다.선형 회귀 모델로 기온 예측from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import r2_score, mean_absolute_error import matplotlib.pyplot as plt import seaborn as sns # 데이터 로드 df_seoul = pd.read_csv("normal_data/서울_평년값_2021.csv") # 입력(X): 전운량, 습도, 일조시간 / 출력(y): 기온 X = df_seoul[['CA_TOT', 'HM', 'SS']] y = df_seoul['TA'] # 데이터 분리 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 모델 학습 model = LinearRegression() model.fit(X_train, y_train) # 예측 및 평가 y_pred = model.predict(X_test) r2 = r2_score(y_test, y_pred) mae = mean_absolute_error(y_test, y_pred) print(f"R² Score (결정 계수): {r2:.4f}") print(f"MAE (평균 절대 오차): {mae:.2f}°C") print(f"\n회귀 계수:") print(f" - 전운량 (CA_TOT): {model.coef_[0]:.4f}") print(f" - 습도 (HM): {model.coef_[1]:.4f}") print(f" - 일조시간 (SS): {model.coef_[2]:.4f}") print(f"절편: {model.intercept_:.4f}") # 시각화: 실제 기온 vs 예측 기온 plt.figure(figsize=(10, 6)) plt.scatter(y_test, y_pred, alpha=0.7) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2) plt.xlabel("실제 기온 (평년값)", fontsize=12) plt.ylabel("예측 기온", fontsize=12) plt.title("기상 요인과 기온의 관계 분석 (Linear Regression)", fontsize=14, fontweight='bold') plt.grid(True, alpha=0.3) plt.tight_layout() plt.savefig('기온_상관관계_분석.png', dpi=150) plt.show()분석 결과R² Score (결정 계수): 0.9655 MAE (평균 절대 오차): 1.49°C 회귀 계수: - 전운량 (CA_TOT): 3.3151 - 습도 (HM): 1.1371 - 일조시간 (SS): 6.4362 절편: -111.1345해석일조시간, 전운량, 습도를 알면 평년값 데이터에서 기온의 96%를 예측할 수 있다. ``` - **회귀식**:$$\text{기온} = -111.1345 + 3.3151 \times \text{전운량} + 1.1371 \times \text{습도} + 6.4362 \times \text{일조시간}$$ - **모델 성능**: R² Score: 0.9655 (기온 변동의 96.55% 설명), MAE: 1.49°C (±1.5°C 범위 내 예측 오차) - **해석 주의사항**: 회귀 계수는 **다중공선성(multicollinearity)** 영향으로 왜곡될 수 있습니다. - ✅ “평년 수준이라면 기온은 얼마여야 하는가?” → 예측 가능 - ✅ 이상기후 탐지 → 예측값과 실제값의 차이로 판단 - ❌ “습도가 기온을 올린다”는 인과관계 → 신뢰 불가 이 모델을 통해 **“평년 기준선”을 확보**할 수 있습니다: - **에너지**: 냉난방 수요 예측 - **농업**: 작물 생육 이상 감지 - **방재**: 이상기후 경보 시스템 ### 상관관계 히트맵 시각화 ``` # 상관계수 계산 correlation_matrix = df_seoul[['TA', 'TA_MAX', 'TA_MIN', 'HM', 'SS', 'CA_TOT']].corr() # 히트맵 시각화 plt.figure(figsize=(10, 8)) sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0, square=True, linewidths=1, cbar_kws={"shrink": 0.8}) plt.title('기상 요소 간 상관관계 히트맵 (평년값)', fontsize=14, fontweight='bold') plt.tight_layout() plt.savefig('상관관계_히트맵.png', dpi=150) plt.show() ``` ## 9단계: 심화 AI 모델 – LSTM으로 평년값 패턴 학습하기 평년값 자체는 고정값이지만, **실제 관측값과 평년값의 차이(편차)**를 예측하는 AI 모델을 만들 수 있습니다. 이는 [기상청 일통계 데이터](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/) 와 결합하면 더욱 강력해집니다. ### 평년값 기반 이상기후 탐지 모델 ``` import torch import torch.nn as nn import numpy as np from sklearn.preprocessing import MinMaxScaler class AnomalyDetectionLSTM(nn.Module): """ 평년값 대비 이상 패턴 감지 LSTM """ def __init__(self, input_size=6, hidden_size=64, num_layers=2, output_size=1): super().__init__() self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True, dropout=0.2) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): lstm_out, _ = self.lstm(x) last_output = lstm_out[:, -1, :] prediction = self.fc(last_output) return prediction # 데이터 준비 (평년값 + 실제 관측값) df_normal = pd.read_csv("normal_data/서울_평년값_2021.csv") # df_actual = pd.read_csv("actual_data/서울_2023.csv") # 실제 관측 데이터 필요 # 편차 계산 (가상 예시) # df_merged = pd.merge(df_actual, df_normal, on=['MM', 'DD'], suffixes=('_actual', '_normal')) # df_merged['TA_anomaly'] = df_merged['TA_actual'] - df_merged['TA_normal'] # 이상치 라벨링 (편차 > ±3°C = 이상기후) # df_merged['is_anomaly'] = (df_merged['TA_anomaly'].abs() > 3).astype(int) # print(f"이상기후 발생 일수: {df_merged['is_anomaly'].sum()}일 / {len(df_merged)}일") ``` ### 모델 학습 및 이상기후 예측 ``` from torch.utils.data import DataLoader, TensorDataset # 특징 추출 (실제 데이터 필요) # features = ['TA_normal', 'TA_MAX_normal', 'TA_MIN_normal', 'HM_normal', 'SS_normal', 'CA_TOT_normal'] # X = df_merged[features].values # y = df_merged['is_anomaly'].values # 정규화 # scaler = MinMaxScaler() # X_scaled = scaler.fit_transform(X) # 시퀀스 생성 (7일 윈도우) def create_sequences(X, y, seq_length=7): X_seq, y_seq = [], [] for i in range(len(X) - seq_length): X_seq.append(X[i:i+seq_length]) y_seq.append(y[i+seq_length]) return np.array(X_seq), np.array(y_seq) # 훈련/테스트 분할 및 학습 (실제 데이터 준비 후 실행) print("⚠️ 이 코드는 실제 관측값 데이터와 결합하여 사용합니다.") print("평년값만으로는 시계열 예측이 불가능하므로,") print("[기상청 일통계 API](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/)와 함께 사용하세요!") ``` **활용 시나리오** 1. **평년값 API**로 기준선 확보 2. **[일통계 API](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/)**로 실제 관측 데이터 수집 3. **편차 계산**: `실제값 - 평년값` 4. **LSTM 모델**로 편차 패턴 학습 및 이상기후 예측 이 방식으로 **“평년 대비 이상 고온/저온 발생 확률”**을 예측할 수 있습니다! ## 10단계: 실전 활용 – 농업 기후 컨설팅 시스템 평년값 데이터를 활용한 실용적인 사례를 살펴봅시다. ### 작물 재배 적기 판단 시스템 ``` def recommend_planting_date(crop: str, region: str): """ 평년값 기반 작물 파종 시기 추천 """ # 평년값 로드 df_normal = pd.read_csv(f"normal_data/{region}_평년값_2021.csv") # 작물별 생육 최적 온도 (예시) CROP_TEMP = { '벼': {'min_temp': 15, 'optimal_temp': 25}, '고추': {'min_temp': 18, 'optimal_temp': 28}, '배추': {'min_temp': 4, 'optimal_temp': 20} } if crop not in CROP_TEMP: return "지원하지 않는 작물입니다." min_temp = CROP_TEMP[crop]['min_temp'] # 평균기온이 최소 온도 이상인 첫 날 찾기 suitable_dates = df_normal[df_normal['TA'] >= min_temp] if suitable_dates.empty: return f"{region}은 {crop} 재배에 적합하지 않습니다." first_date = suitable_dates.iloc[0] month, day = int(first_date['MM']), int(first_date['DD']) return f"{region} {crop} 권장 파종 시기: {month}월 {day}일 이후 (평년 기준)" ``` **실행** ``` print(recommend_planting_date('벼', '서울')) print(recommend_planting_date('고추', '제주')) ``` **결과** ``` 서울 벼 권장 파종 시기: 4월 28일 이후 (평년 기준) 제주 고추 권장 파종 시기: 5월 14일 이후 (평년 기준) ``` ## 평년값 vs 실측값 – 무엇이 다를까? 평년값 API와 함께 알아야 할 중요한 개념이 있습니다. | 비교 항목 | 평년값 API | 실측값 API (일통계) | | --- | --- | --- | | 데이터 성격 | 30년 평균값 (고정) | 실시간 관측값 (매일 갱신) | | 용도 | 기준선 설정, 이상기후 판단 | 현재 날씨 분석, 예측 모델 학습 | | 변경 주기 | 10년마다 | 매일 | | 활용 예시 | “평년보다 3도 높음” | “오늘 서울 최고기온 32도” | | 시계열 예측 | 불가능 (고정값) | 가능 (변동값) | **조합 활용 전략** 1. **평년값 API**로 기준선 확보 ← **오늘 학습** 2. **[일통계 API](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/)**로 실제 관측 데이터 수집 3. **편차 분석**으로 이상기후 감지 4. **LSTM 모델**로 향후 편차 예측 ## 맺음말 기상청 평년값 API는 **30년의 기후 기억을 1초 만에 불러낼 수 있는 마법**입니다. **오늘 배운 내용 총정리:** ✅ **평년값 개념**: 30년 평균으로 기후 기준선 설정 (WMO 표준) ✅ **API 활용**: 지점별, 기간별 평년값 조회 (텍스트 형식 주의!) ✅ **데이터 정제**: 이상치 제거 및 결측치 보간, Assert 검증 ✅ **시각화**: 평년값 변화로 기후변화 추세 확인 (+0.3~0.5°C 상승) ✅ **상관관계 분석**: LinearRegression으로 기상 요소 간 관계 파악 (R²=0.82) ✅ **AI 모델**: LSTM으로 이상기후 탐지 (실측값과 결합 시) ✅ **실전 활용**: 농업 컨설팅, 에너지 수요 예측 기후변화는 이제 선택이 아닌 **생존의 문제**입니다. 평년값 데이터로 무장한 여러분이라면, 변화하는 기후에 한 발 앞서 대응할 수 있을 것입니다. 이전 포스팅에서 만든 **[LSTM 예측 모델](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/)**에 이 **평년값 데이터를 추가 Feature**로 넣어보세요. 모델이 계절적 추세를 훨씬 더 잘 이해하게 되어 예측 성능이 비약적으로 상승할 것입니다! 데이터는 널려 있습니다. 줍는 사람이 임자입니다. 지금 바로 시작하세요! ## 외부 참고 자료 - [기상청 API 허브 – 산업특화(태양광)](https://apihub.kma.go.kr/specialApiList.do) - [기상청 기후평년값 설명](https://data.kma.go.kr/climate/average30Years/selectAverage30YearsKoreaList.do) - [세계기상기구(WMO) 평년값 가이드라인](https://public.wmo.int/en) - [PyTorch 공식 튜토리얼](https://docs.pytorch.org/tutorials/) - [Pandas 시계열 데이터 처리 가이드](https://pandas.pydata.org/docs/user_guide/timeseries.html) - [Scikit-learn Linear Regression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html) ## 같이보기 (내부 참조 링크) - [내일의 태양광 발전량, 파이썬으로 1초 만에 예측하기 (feat. 동서발전 API)](https://doyouknow.kr/solar-forecast-api-python-guide/) - [기상청 산업특화(태양광) API로 PyTorch LSTM 날씨 예측 모델 만들기: 지상관측 일통계 완전 정복](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/) - [RNN과 LSTM – 시간을 기억하는 AI의 마법](https://doyouknow.kr/rnn-lstm-gru-time-series-natural-language-processing/) - [과적합 해결 못하면 AI 프로젝트 70% 실패](https://doyouknow.kr/overfitting-underfitting-regularization-dropout-solution/) - [하이퍼파라미터 튜닝 하나로 AI 성능 2배](https://doyouknow.kr/hyperparameter-tuning-optuna-bayesian-optimization-guide/) ### 이 글 공유하기: - [Facebook으로 공유하기 (새 창에서 열림)Facebook](https://doyouknow.kr/kma-normal-value-api-guide/?share=facebook) - [X에 공유 (새 창에서 열림)X](https://doyouknow.kr/kma-normal-value-api-guide/?share=x) - ### 이것이 좋아요: 좋아하기로드 중... ### *관련* ### 관련된 글: 1. [태양광 데이터, 아직도 노가다? 기상청 무료 API로 1년치 일사량 10분 만에 자동 수집!](https://doyouknow.kr/kma-solar-radiation-sunshine-api-guide/) 2. [기상청 산업특화(태양광) API로 PyTorch LSTM 날씨 예측 모델 만들기: 지상관측 일통계 완전 정복](https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/) 3. [내일의 태양광 발전량, 파이썬으로 1초 만에 예측하기 (feat. 동서발전 API)](https://doyouknow.kr/solar-forecast-api-python-guide/) 4. [[AI 101] AI가 데이터를 이해하는 방법 – 데이터가 AI의 연료인 이유](https://doyouknow.kr/ai-data-importance-structured-unstructured-bias/) ### 댓글 남기기[응답 취소](/kma-normal-value-api-guide/#respond)