--- title: "기상청 산업특화(태양광) API로 PyTorch LSTM 날씨 예측 모델 만들기: 지상관측 일통계 완전 정복" id: "954" type: "post" slug: "kma-solar-energy-api-pytorch-lstm" published_at: "2025-12-15T05:39:04+00:00" modified_at: "2026-07-19T10:10:29+00:00" url: "https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm/" markdown_url: "https://doyouknow.kr/kma-solar-energy-api-pytorch-lstm.md" excerpt: "기상청 API 허브의 [산업특화-에너지-태양광] 섹션, '지상관측데이터 일통계 조회서비스'를 활용해보세요! 데이터 수집부터 PyTorch LSTM 모델링까지 A to Z 가이드." taxonomy_category: - "AI" - "실전편" taxonomy_post_tag: - "LSTM" - "PyTorch" - "기상청API" - "날씨 예측" - "데이터셋" - "산업특화데이터" - "시계열분석" - "실전전" - "태양광데이터" - "파이썬" --- ![Gemini Generated Image O9bdyyo9bdyyo9bd](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/Gemini_Generated_Image_o9bdyyo9bdyyo9bd.jpg.webp) AI 모델을 개발하거나 데이터 분석을 공부하는 여러분, 혹시 오늘도 인터넷 날씨 사이트를 크롤링하느라 `BeautifulSoup`과 씨름하고 계신가요? 데이터 사이언스의 영원한 진리, **Garbage In, Garbage Out(GIGO)**. 쓰레기 데이터를 넣으면 쓰레기 결과가 나옵니다. 특히 태양광 발전량 예측이나 스마트팜 에너지 관리 같은 정밀한 모델을 만든다면, 단순한 예보가 아니라 검증된 관측 데이터가 필수입니다. ![Kma Solar Energy Api Pytorch Lstm 02](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-02.webp.pagespeed.ic.4ordfJRYMu.webp) 오늘 포스팅에서는 기상청 API 허브의 보물창고, **[산업특화 – 에너지 – 태양광]** 섹션에 숨겨진 알짜배기 데이터인 **‘지상관측데이터 일통계(일사, 일조, 구름, 기온, 습도) 조회서비스’**를 활용해 보겠습니다. 이 고품질 데이터를 수집하여 시각화하고, 최종적으로 [시간을 기억하는 AI, LSTM](https://doyouknow.kr/rnn-lstm-gru-time-series-natural-language-processing/) 을 이용해 날씨를 예측하는 모델까지 [PyTorch](https://doyouknow.kr/python-ai-development-tensorflow-pytorch-colab/) 로 구축해 봅시다! [ez-toc] ## 1. 데이터 수집: ‘지상관측데이터 일통계’ 완전 정복 기상청 API 허브에는 수많은 데이터가 있지만, 우리가 주목할 것은 에너지 분야에 특화된 데이터입니다. - **위치:** 기상청 API 허브 > 산업특화 > 에너지 > 태양광 - **서비스명:** 지상관측데이터 일통계(일사, 일조, 구름, 기온, 습도) 조회서비스 ![Kma Solar Energy Api Pytorch Lstm 01](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-01.webp.pagespeed.ic.1hF3Tv1Y4n.webp) 이 서비스는 일반 방재기상관측(AWS)과 달리 **일사량(Solar Radiation)**과 **일조시간(Sunshine Duration)** 정보를 포함하고 있어, 태양광 발전 효율 분석이나 농작물 생육 환경 분석에 최적화된 데이터셋입니다. ### 1-1. KMADataCollector 클래스: 재사용 가능한 데이터 수집 도구 매번 URL을 입력하는 번거로움을 줄이기 위해 클래스를 만들었습니다. 이 코드는 **‘지상관측데이터 일통계’** API 규격에 맞춰 제작되었습니다. ``` import requests import pandas as pd from io import StringIO class KMADataCollector: """ 기상청(KMA) [산업특화-에너지-태양광] 지상관측 일통계 데이터를 수집하는 클래스 """ # 컬럼 정의 (15개) - 일사(SI), 일조(SS) 데이터 포함 COLUMNS = [ 'YYMMDD', 'STN', 'TA_AVG', 'TA_MAX', 'TA_MAX_TM', 'TA_MIN', 'TA_MIN_TM', 'HM_AVG', 'HM_MIN', 'HM_MIN_TM', 'CA_TOT', 'SS_DAY', 'SS_DUR', 'SI_DAY', 'SI_60M_MAX' ] NUMERIC_COLS = ['STN', 'TA_AVG', 'TA_MAX', 'TA_MIN', 'HM_AVG', 'HM_MIN', 'CA_TOT', 'SS_DAY', 'SS_DUR', 'SI_DAY', 'SI_60M_MAX'] # 산업특화 > 에너지 > 태양광 > 지상관측데이터 일통계 엔드포인트 BASE_URL = "https://apihub.kma.go.kr/api/typ01/url/sun_sfc_day.php" def __init__(self, api_key): self.api_key = api_key def collect(self, start_date, end_date, station_id, timeout=10): try: # URL 생성 url = f"{self.BASE_URL}?tm1={start_date}&tm2={end_date}&stn={station_id}&help=0&authKey={self.api_key}" # API 요청 response = requests.get(url, timeout=timeout) response.raise_for_status() data_text = response.text # [핵심] usecols=range(len(self.COLUMNS)) # 데이터 끝의 쉼표로 인한 빈 컬럼 무시 df = pd.read_csv( StringIO(data_text), comment='#', sep=',', header=None, names=self.COLUMNS, encoding='utf-8', usecols=range(len(self.COLUMNS)) ) df = df.dropna(how='all') self._convert_types(df) print(f"✓ 데이터 수집 완료: {len(df)}개 행") return df except requests.exceptions.Timeout: print(f"✗ API 요청 타임아웃 ({timeout}초)") return None except requests.exceptions.RequestException as e: print(f"✗ API 요청 실패: {e}") return None except Exception as e: print(f"✗ 데이터 파싱 중 오류: {e}") return None def _convert_types(self, df): """데이터 타입 변환""" df['YYMMDD'] = pd.to_datetime(df['YYMMDD'], format='%Y%m%d') for col in self.NUMERIC_COLS: df[col] = pd.to_numeric(df[col], errors='coerce') ``` ``` # --- 사용 예시 --- # 본인의 API KEY 입력 api_key = "YOUR_AUTH_KEY" collector = KMADataCollector(api_key) # 2023년 서울(108) 데이터 수집 df_weather = collector.collect("20230101", "20230102", "108") if df_weather is not None: print(df_weather[['YYMMDD', 'TA_AVG', 'SI_DAY', 'SS_DAY']].head()) ``` ``` ✓ 데이터 수집 완료: 2개 행 YYMMDD TA_AVG SI_DAY SS_DAY 0 2023-01-01 -0.2 10.81 9.0 1 2023-01-02 -4.5 11.63 9.1 ``` ### 1-2. LSTM 모델 학습을 위한 1년치 데이터 수집 및 저장 LSTM 모델 학습을 위해 서울, 부산, 대구, 제주 지역의 2023년 전체 데이터를 수집하고 CSV로 저장합니다. ``` import time import os # 실행 로직 api_key = "YOUR_AUTH_KEY" collector = KMADataCollector(api_key) stations = {'108': '서울', '159': '부산', '183': '대구', '184': '제주'} start_date = "20230101" end_date = "20231231" data_dict = {} # 저장할 폴더 생성 save_dir = "weather_data" if not os.path.exists(save_dir): os.makedirs(save_dir) print(f"=== 산업특화(태양광) 데이터 수집 시작 ({start_date} ~ {end_date}) ===") for station_id, station_name in stations.items(): print(f"\n[{station_name}] 데이터 요청 중...") df = collector.collect(start_date, end_date, station_id) if df is not None: data_dict[station_name] = df # CSV 파일로 저장 (한글 깨짐 방지: utf-8-sig) file_name = f"{save_dir}/{station_name}_2023.csv" df.to_csv(file_name, index=False, encoding='utf-8-sig') print(f" → 저장 완료: {file_name}") else: print(f" → 실패") time.sleep(1) # 서버 부하 방지 # 서울 데이터 로드 (분석용) if '서울' in data_dict: df_seoul = data_dict['서울'] ``` ``` === 산업특화(태양광) 데이터 수집 시작 (20230101 ~ 20231231) === [서울] 데이터 요청 중... ✓ 데이터 수집 완료: 365개 행 → 저장 완료: weather_data/서울_2023.csv [부산] 데이터 요청 중... ✓ 데이터 수집 완료: 365개 행 → 저장 완료: weather_data/부산_2023.csv [대구] 데이터 요청 중... ✓ 데이터 수집 완료: 0개 행 → 저장 완료: weather_data/대구_2023.csv [제주] 데이터 요청 중... ✓ 데이터 수집 완료: 365개 행 → 저장 완료: weather_data/제주_2023.csv ``` ![Kma Solar Energy Api Pytorch Lstm 03](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-03.webp.pagespeed.ic.94a2VPExAd.webp) ## 2. 데이터 시각화: 일사량과 기온의 관계 확인 [데이터의 중요성](https://www.google.com/search?q=https://doyouknow.kr/62/ai-data-importance-structured-unstructured-bias/) 은 아무리 강조해도 지나치지 않습니다. 특히 태양광 발전의 핵심 변수인 **일사량(SI_DAY)**과 **평균기온(TA_AVG)**의 연간 패턴을 시각화해 보겠습니다. > **주의:** 기상청 데이터에서 관측 장비 점검 등으로 데이터가 없을 경우 `-9` 또는 `-1000` 같은 음수로 표기될 수 있습니다. 이를 이상치(Outlier)로 보고 전처리하는 과정이 필수입니다. ``` # 한글 폰트 설정을 위한 라이브러리 설치 (실행 후 런타임 재시작 필요 없음) !pip install koreanize-matplotlib import koreanize_matplotlib import matplotlib.pyplot as plt # 한글 폰트 설치 (실행 후 런타임 재시작 필요) !sudo apt-get install -y fonts-nanum !sudo fc-cache -fv !rm ~/.cache/matplotlib -rf # 그래프 설정 (마이너스 폰트 깨짐 방지 등은 라이브러리가 알아서 해줍니다) #plt.style.use('seaborn-v0_8-whitegrid') ``` ``` import koreanize_matplotlib import matplotlib.pyplot as plt import seaborn as sns import numpy as np 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 # 이상치 처리 if 'df_seoul' in locals() and df_seoul is not None: df_plot = df_seoul.copy() # 일사량(SI_DAY)이 0 미만인 경우 NaN 처리 (그래프 왜곡 방지) outlier_mask = df_plot['SI_DAY'] < 0 print(f"일사량 이상치 제거: {outlier_mask.sum()}개") df_plot.loc[outlier_mask, 'SI_DAY'] = np.nan # 2. 그래프 그리기 fig, ax1 = plt.subplots(figsize=(15, 6)) # 기온 (왼쪽 축) ax1.set_xlabel('날짜') ax1.set_ylabel('평균 기온 (°C)', color='tab:blue') ax1.plot(df_plot['YYMMDD'], df_plot['TA_AVG'], color='tab:blue', label='평균 기온') ax1.tick_params(axis='y', labelcolor='tab:blue') # 일사량 (오른쪽 축) ax2 = ax1.twinx() ax2.set_ylabel('합계 일사량 (MJ/m²)', color='tab:red') ax2.plot(df_plot['YYMMDD'], df_plot['SI_DAY'], color='tab:red', alpha=0.6, label='합계 일사량') ax2.tick_params(axis='y', labelcolor='tab:red') plt.title('서울(2023) 산업특화 데이터: 기온 및 일사량 추이', fontsize=16, fontweight='bold') fig.tight_layout() plt.show() ``` ``` 일사량 이상치 제거: 1개 ``` ![Kma Solar Energy Api Pytorch Lstm G 01](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-g-01.webp.pagespeed.ic.Hx6gr-09Az.webp) ## 3. PyTorch LSTM 모델링: AI로 내일 기온 예측하기 이제 수집한 고품질 데이터를 바탕으로, [LSTM 모델](https://doyouknow.kr/rnn-lstm-gru-time-series-natural-language-processing/) 을 이용해 ‘과거 7일간의 패턴으로 다음날 기온을 예측’하는 AI를 만들어 보겠습니다. [PyTorch](https://doyouknow.kr/python-ai-development-tensorflow-pytorch-colab/) 를 사용합니다. ![Kma Solar Energy Api Pytorch Lstm 04](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-04.webp.pagespeed.ic.udXOppaqeA.webp) ### 데이터 전처리: LSTM을 위한 밥상 차리기 LSTM 학습을 위해 데이터를 0~1 사이로 정규화하고, 시계열 시퀀스로 변환합니다. 이때 **Data Leakage(데이터 누수)**를 방지하기 위해 훈련 데이터 기준으로만 스케일러를 학습시키는 것이 중요합니다. ``` from sklearn.preprocessing import MinMaxScaler import numpy as np import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import TensorDataset, DataLoader # 1. 데이터 분리 (최근 30일을 테스트용으로) TEST_SIZE = 30 train_df = df_seoul[['TA_AVG']].iloc[:-TEST_SIZE] test_df = df_seoul[['TA_AVG']].iloc[-TEST_SIZE:] # 결측치 보간 (ffill 사용) train_filled = train_df.ffill() test_filled = test_df.ffill() # 2. 정규화 (학습 데이터 기준으로만 수행!) scaler = MinMaxScaler() train_scaled = scaler.fit_transform(train_filled) test_scaled = scaler.transform(test_filled) # 3. 시퀀스 생성 함수 def create_sequences(data, seq_length): xs, ys = [], [] for i in range(len(data) - seq_length): xs.append(data[i:i+seq_length]) ys.append(data[i+seq_length]) return np.array(xs), np.array(ys) SEQ_LENGTH = 7 X_train, y_train = create_sequences(train_scaled, SEQ_LENGTH) X_test, y_test = create_sequences(test_scaled, SEQ_LENGTH) # 4. 텐서 변환 및 DataLoader device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') X_train_tensor = torch.FloatTensor(X_train).to(device) y_train_tensor = torch.FloatTensor(y_train).to(device) X_test_tensor = torch.FloatTensor(X_test).to(device) y_test_tensor = torch.FloatTensor(y_test).to(device) train_loader = DataLoader(TensorDataset(X_train_tensor, y_train_tensor), batch_size=16, shuffle=True) ``` ### PyTorch LSTM 모델 정의 및 학습 ``` class WeatherLSTM(nn.Module): def __init__(self, input_size=1, hidden_size=50, num_layers=1, output_size=1): super(WeatherLSTM, self).__init__() self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): lstm_out, _ = self.lstm(x) last_hidden = lstm_out[:, -1, :] return self.fc(last_hidden) model = WeatherLSTM().to(device) criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 학습 루프 num_epochs = 100 model.train() for epoch in range(num_epochs): for X_batch, y_batch in train_loader: outputs = model(X_batch) loss = criterion(outputs, y_batch) # 차원 불일치 주의 (y_batch unsqueeze 불필요) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch + 1) % 20 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.6f}') ``` ``` Epoch [20/100], Loss: 0.010514 Epoch [40/100], Loss: 0.002618 Epoch [60/100], Loss: 0.000602 Epoch [80/100], Loss: 0.006905 Epoch [100/100], Loss: 0.002905 ``` ### 모델 평가 및 시각화 학습된 모델이 실제 12월의 기온 패턴을 얼마나 잘 따라가는지 확인해 봅니다. ``` from sklearn.metrics import mean_absolute_error import matplotlib.dates as mdates model.eval() with torch.no_grad(): test_predictions = model(X_test_tensor).cpu().numpy() # 원래 스케일로 복원 test_pred_actual = scaler.inverse_transform(test_predictions) # [수정] y_test는 이미 numpy 배열이므로 .cpu().numpy() 제거 # 만약 y_test가 1차원 배열이라면 reshape(-1, 1)이 필요할 수도 있습니다. test_actual = scaler.inverse_transform(y_test) # MAE 계산 mae = mean_absolute_error(test_actual, test_pred_actual) print(f"테스트 데이터 MAE: {mae:.4f}°C") # 시각화 (날짜 매핑 포함) plt.figure(figsize=(15, 6)) # 테스트 데이터의 실제 날짜 가져오기 (시퀀스 길이 이후부터) dates = df_seoul['YYMMDD'].iloc[-TEST_SIZE:].iloc[SEQ_LENGTH:] plt.plot(dates, test_actual, label='실제 기온', marker='o') plt.plot(dates, test_pred_actual, label='AI 예측', marker='x', linestyle='--') plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%m-%d')) plt.title(f'LSTM 모델 예측 결과 (MAE: {mae:.2f}°C)', fontsize=16) plt.legend() plt.show() ``` ``` 테스트 데이터 MAE: 3.6396°C ``` ![Kma Solar Energy Api Pytorch Lstm G 02](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-g-02.webp.pagespeed.ic.Q0Zsqu7Seg.webp) ## 4. 더 넓은 활용 분야: 태양광 발전 예측까지 오늘 실습한 내용은 단순한 기온 예측이었지만, 우리가 사용한 데이터는 **‘산업특화 – 태양광’** 데이터였습니다. ![Kma Solar Energy Api Pytorch Lstm 05](https://doyouknow.kr/wp-content/uploads/2025/12/xkma-solar-energy-api-pytorch-lstm-05.webp.pagespeed.ic.j7bY8ecILL.webp) 입력 변수(`input_size`)에 기온뿐만 아니라 **일사량(SI_DAY), 일조시간(SS_DAY), 전운량(CA_TOT)**을 함께 넣는다면 어떨까요? 이것이 바로 실제 태양광 발전소에서 사용하는 **발전량 예측 AI**의 기초가 됩니다. ## 맺음말 기상청 API 허브의 **[산업특화-에너지-태양광]** 섹션은 데이터 분석가들에게 보물과 같습니다. 오늘 배운 내용을 바탕으로 단순한 기온 예측을 넘어, 에너지 효율을 최적화하는 멋진 AI 모델을 만들어보시길 바랍니다! --- ### 외부 참고 자료 - [기상청 API 허브 – 산업특화 데이터](https://apihub.kma.go.kr/specialApiList.do) - [PyTorch 공식 문서](https://pytorch.org/) ### 같이보기 (내부 참조 링크) - [AI는 어떻게 학습할까? 머신러닝의 3가지 학습 방법](https://doyouknow.kr/machine-learning-three-types-supervised-unsupervised-reinforcement/) - [AI 개발의 첫걸음 – Python이 AI의 표준 언어가 된 이유](https://doyouknow.kr/python-ai-development-tensorflow-pytorch-colab/) - [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/) ### 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. [30년의 기후 기억, 파이썬으로 1초 만에 불러내기 (feat. 기상청 평년값 API)](https://doyouknow.kr/kma-normal-value-api-guide/) 3. [내일의 태양광 발전량, 파이썬으로 1초 만에 예측하기 (feat. 동서발전 API)](https://doyouknow.kr/solar-forecast-api-python-guide/) 4. [[AI 101] RNN과 LSTM – 시간을 기억하는 AI의 마법](https://doyouknow.kr/rnn-lstm-gru-time-series-natural-language-processing/) ### 답글 남기기 [응답 취소](/kma-solar-energy-api-pytorch-lstm/?t=1787611340#respond)