운량은 천체 관측을 지속하는 데에 중요한 요소 중 하나이다. 과거에는 관측자가 날씨를 직접 판단할 수밖에 없 었으나, 원격 및 자동 관측 시스템의 개발로 관측자의 역할이 상대적으로 줄어들었다. 또한 구름의 다양한 형태와 빠른 이동 때문에 자동으로 운량을 판단하는 것은 쉽지 않다. 이 연구에서는 기계학습 기반의 파이썬 모듈인 “cloudynight” 을 밀양아리랑우주천문대의 전천 영상에 적용하여 운량을 모니터링하는 프로그램을 개발하였다. 전천 영상을 하위 영역 으로 나누어 각 39,996개 영역의 16개의 특징을 학습하여 기계학습 모델을 생성하였다. 검증 표본에서 얻은 F1 점수는 0.97로, 기계학습 모델이 우수한 성능을 가짐을 보여준다. 운량(“Cloudiness”)은 전체 하위 영역 개수 중 구름으로 식별 된 하위 영역 개수의 비율로 계산하며, 운량이 지난 30분 동안 0.6을 초과할 때 관측을 중단하도록 자동 관측 프로그 램 규칙을 정하였다. 이 규칙을 따를 때, 기계학습 모델이 운량을 오판하여 관측에 영향을 미치는 경우는 거의 발생하 지 않았다. 본 기계학습 모델을 통하여, 밀양아리랑우주천문대 0.7 m 망원경의 성공적인 자동 관측을 기대한다.

Cloud coverage is a key factor in determining whether to proceed with observations. In the past, human judgment played an important role in weather evaluation for observations. However, the development of remote and robotic observation has diminished the role of human judgment. Moreover, it is not easy to evaluate weather conditions automatically because of the diverse cloud shapes and their rapid movement. In this paper, we present the development of a cloud monitoring program by applying a machine learning-based Python module “cloudynight” on all-sky camera images obtained at Miryang Arirang Astronomical Observatory (MAAO). The machine learning model was built by training 39,996 subregions divided from 1,212 images with altitude/azimuth angles and extracting 16 feature spaces. For our training model, the F1-score from the validation samples was 0.97, indicating good performance in identifying clouds in the all-sky image. As a result, this program calculates “Cloudiness” as the ratio of the number of total subregions to the number of subregions predicted to be covered by clouds. In the robotic observation, we set a policy that allows the telescope system to halt the observation when the “Cloudiness” exceeds 0.6 during the last 30 minutes. Following this policy, we found that there were no improper halts in the telescope system due to incorrect program decisions. We expect that robotic observation with the 0.7 m telescope at MAAO can be successfully operated using the cloud monitoring program.

서 론
전천 카메라 장비
학습 데이터 준비
    학습 데이터 수집
    전처리 정보 입력 및 전처리
    하위 영역 내 구름의 분류
연구 방법
    데이터 학습 (Data training)
연구 결과 및 논의
    학습 모델의 성능 평가
    운량의 계산과 모니터링 프로그램
토 의
    밀양아리랑우주천문대 자동 관측 시스템에서의 운량 판단 기준 평가
    기계학습 모델을 이용한 운량 판단의 한계
요약 및 결론
감사의 글
References

• 임구(부산대학교 지구과학과, 46241, 부산광역시 금정구 부산대학로 63번길 2, 부산대학교 미래지구환경연구소, 46241, 부산광역시 금정구 부산대학로 63번길 2) | Gu Lim (Department of Earth Sciences, Pusan National University, Busan 46241, Korea, Institute for Future Earth (IFE), Pusan National University, Busan 46241, Korea) Corresponding author
• 김도형(부산대학교 지구과학과, 46241, 부산광역시 금정구 부산대학로 63번길 2, 부산대학교 미래지구환경연구소, 46241, 부산광역시 금정구 부산대학로 63번길 2, 부산대학교 지구과학교육과, 46241, 부산광역시 금정구 부산대학로 63번길 2) | Dohyeong Kim (Department of Earth Sciences, Pusan National University, Busan 46241, Korea, Institute for Future Earth (IFE), Pusan National University, Busan 46241, Korea, Department of Earth Science Education, Pusan National University, Busan 46241, Korea) Corresponding author
• 김동현(부산대학교 지구과학교육과, 46241, 부산광역시 금정구 부산대학로 63번길 2) | Donghyun Kim (Department of Earth Science Education, Pusan National University, Busan 46241, Korea)
• 박근홍(밀양아리랑우주천문대, 50420, 경상남도 밀양시 밀양대공원로 86, 밀양시 시설공단, 경상남도 밀양시 시청로 26) | Keun-Hong Park (Miryang Arirang Astronomical Observatory, Miryang 50420, Korea, Miryang City Facilities Management Corporation, Miryang 50420, Korea)