1. 서 론

선박이 연안 해역, 특히 항 부근이나 항내와 같이 선박 통항이 밀집한 곳, 제한 수역, 저수심, 위험물이나 장애물이 산재한 곳 등에서 항해할 때 선체에 파도, 조류, 바람과 같은 강한 외력이 작용하면 선박의 조종성능이 크게 저하되어 안전 운항에 심각한 영향을 미치므로 선박 운항자는 선체에 작용하는 외력의 크기와 그로 인한 영향을 사전에 숙지해야만 한다(Kim et al., 2013). 해양에서는 이러한 데이터 수집을 위해 선박이나 해양 관측 시스템을 이용하는데, 육지에서의 데이터 수집에 비해 막대한 노력이 투입된다. 선박을 이용하는 경우 육상에 비해 이동속도는 느린 반면 연구 해역은 광범위하므로, 원하는 데이터의 획득에 많은 시간과 경비가 투입되며, 해양에 관측시스템을 설치하는 경우에도 깊은 수심과 열악한 작업환경으로 막대한 비용과 시간이 소모된다. 세계적으로 여러 국가에서 매년 많은 예산과 인력을 투입하여 해양 관련 데이터를 수집하고 있으나 3차원 공간인 해양에서 수집되는 데이터의 양은 충분치 않으며 해석하는 데 많은 어려움이 있다(Kim et al., 2016). 이러한 높은 관측 비용과 많은 시간을 투입해서 얻는 데이터 또한 관측지점 이외의 데이터를 알 수 없다는 한계가 존재하기 때문에 공간 보간을 통해 정확하고 세부적인 데이터를 알 수 있다면 선박의 연료 소비를 줄이고 항해 시간을 단축할 수 있을 뿐만 아니라 선박의 안전 운항 측면에서도 보다 안전한 항해가 가능하다.

기존 해황 정보와 보간에 관한 연구로 Grifoll et al.(2022)는 해황 정보 중 파도 데이터를 15mile scale.로 Cartesian 보간하여 A* 알고리즘과 특정 제품을 활용하여 최적 경로 탐색을 목적으로 하였다. Vettor and Guedes Soares(2016)은 해황 정보 중 파도와 풍력, 풍속 데이터를 Linear 보간하여 사용하였으며 특정 프로그램에서의 도착 시간, 연료 소모량 최소화에 최적화된 경로 탐색 목적의 연구다. 이러한 선행 연구들은 해황 정보를 세부적인 보간이 아닌 광범위한 범위에서 하나의 보간 방법만을 사용하여 보간하였고 해황 정보 데이터는 특정 프로그램 또는 제품을 통해 파악하였다.

이에 본 연구에서는 특정 프로그램이 아닌 기관에서 수집한 데이터를 공공으로 제공하는 OPEN API 방식으로 해황 정보 데이터를 수집하고 광범위한 범위가 아닌 세분화된 격자 크기를 기준으로 공간 보간한다. 보간 방법 또한 하나의 보간 방법이 아닌 3가지 보간 방법을 사용, 그 결과들을 토대로 선박 항해 경로를 따라 영향을 받는 외력의 평균치를 파악하고 각 보간 결과를 비교하여 최적의 공간 보간 방법을 판단한다.

본 연구는 제2절에서 해황 정보 데이터에 대해 분석하고, 제3절에서는 공간 보간 방법을 제시, 제4절은 제안된 방법을 이용한 실제 격자 형식 공간 보간을 수행하였으며, 마지막으로 제5절에서는 본 연구의 결론 및 향후 연구 과제를 제시하였다.

2. 해황 정보 데이터

2.1 해황 정보 데이터 구성 요소

국내에서는 한국해양과학기술원, 국립해양조사원, 국립수산과학원, 기상청, 해양 관련 학과가 설치되어 있는 각 대학에서 기관의 목적이나 연구 목적에 따라 해양관측을 실시하고 있으며 일부 자료는 대외 정보서비스를 수행하고 있다 (Kang and Eorm, 2022). 이렇게 수집하는 해황 정보에는 관측이 이루어진 날짜와 시간으로 표현한 관측 일자와 시간 정보, 관측지점의 위도와 경도로 표현한 위치 정보, 조류의 세기와 방향으로 표현한 조류 정보, 풍향 풍속으로 표현한 바람 정보, 파고의 평균 높이, 유의 파고, 파고, 파향으로 표현한 파고 정보, 관측지점의 시정으로 표현한 시정 정보, 해수의 온도로 표현한 수온, 해수의 염분 함량으로 표현한 염분도, 관측지점의 기온, 기압 정보 등과 같은 해황 정보가 있다(Choi et al., 2021).

2.2 바다누리 해양정보 서비스

본 연구에서 해황 정보 데이터를 OPEN API 형식으로 수집하는 데 활용할 바다누리 해양 정보 서비스는 해양수산부에서 제공하는 서비스로 전국 조위 관측소 48개소, 해양 관측소 3개소, 해양 관측 부이 32 해역, 해수 유동 관측소 9 해역, 해양 과학기지 3개소, 해무 관측소 11개소에서 수집한 파고, 조위, 기온, 유향, 유속, 염분, 수온, 기압, 풍향, 풍속 등의 관측 데이터를 제공하고 관측 데이터 뿐 아니라 수치 조류도, 해양예보지수, 이안류 지수, 해수면 온도 예측 등의 예측 정보 또한 제공하여 재난, 재해, 안전 분야, 레저, 관광, 수산, 어업, 에너지 분야, 환경 분야 등 여러 가지 분야에서 활용 할 수 있는 서비스이다(Lee, 2022).

2.2.1 격자 형식

해양수산부에서는 우리나라와 연근 해역을 격자 형식으로 1단계부터 5단계까지 격자의 단위와 크기에 따라 Table 1 과 같이 구분하고 있다. 본 연구에서 공간 보간을 통해 가시화하고 활용하기 위한 격자는 데이터의 상세도와 범위, 해상도, 데이터 처리와 정확도를 고려하여 격자 별 좌표를 제 공하는 1단계부터 3단계 중 이 연구의 목적인 보다 세부적이고 정확한 해황 정보 파악이 가능한 가장 작은 범위로 제공되는 3단계 격자를 사용하였다.

2.2.2 OPEN API

공공데이터란 공공기관이 만들어내는 모든 자료나 정보, 국민 모두의 소통과 협력을 이끌어 내는 공적인 정보를 말한다. 각 공공기관이 보유하고 있는 공공데이터를 하나로 통합 관리하는 창구 역할을 하는 공공데이터 포탈에서는 여러 방법으로 데이터를 제공하는데 그 방법의 하나가 OPEN API 방식이다(Kim, 2016). OPEN API를 활용하기 위해서는 몇 가지 단계가 필요하다. 첫 번째 단계로 OPEN API를 활용하기 위한 운영 계정 또는 API KEY를 발급받아야 한다. 운영 계정 또는 API KEY 발급 신청이 모두 끝났다면, OPEN API 활용신청에 대한 승인을 기다려야 한다. 승인은 자동 승인과 심의 승인 두 가지 방법으로 진행된다. 자동 승인은 별도 확인 없이 승인 신청과 동시에 자동으로 승인되는 경우를 말하며 활용 신청 건에 대해 제공기관 담당자의 별도 확인 없이 신속하게 승인 처리를 받을 수 있다. 심의 승인은 신청 후 2~3일 후 결과를 통보하며 활용 신청 건에 대해 제공기관 담당자의 승인이 완료되어야 OPEN API를 활용할 수 있고 승인 여부는 API KEY 발급 시 등록한 e-mail로 통보한다. 승인이 완료됐다면 활용 신청 건에 대해 1인당 하나의 API KEY를 발급받을 수 있고 프로그램에 데이터 제공 주소와 OPEN API 인증 KEY를 입력한 뒤 API를 호출하면 원하는 데이터를 손쉽게 받아 볼 수 있게 된다(Kim, 2019).

2.3 데이터 전처리

데이터 전처리란 데이터를 분석 및 처리에 적합한 형태로 만드는 과정을 총칭하며 데이터 분석 및 처리 과정에서 중요한 단계이다. 데이터 전처리가 중요한 이유는 좋은 분석 기법도 품질이 낮은 데이터로는 좋은 결과를 얻을 수 없기 때문에 데이터 전처리 과정을 통해 품질이 높은 데이터를 정재해 내는 것이 연구 과정에서 중요하다.

데이터 전처리 방법으로는 데이터 정제, 데이터 통합, 데이터 축소, 데이터 변환 4가지 방법의 데이터 전처리 방법이 존재한다. 데이터 정제는 데이터의 누락 값, 불일치, 오류의 수정, 숫자나 날자 등의 형식에 대한 일관성 유지, 적합한 파일 포맷으로의 변환 과정을 거치는 전처리 방법이다. 데이터 통합은 서로 다른 출처의 여러 데이터를 결합, 서로 다른 데이터가 호환이 가능하도록 통합, 같은 단위나 좌표로 데이터를 통합하는 전처리 방법이다. 데이터 축소는 대용량 데이터를 원 데이터의 원형을 유지하는 선에서 용량 축소하는 전처리 방법이고 데이터 분석 시 좀 더 효과적이고 빠르게 결과를 얻을 수 있는 전처리 방법이다. 데이터 변환은 데이터를 다른 형식이나 구조로 변환, 원본 데이터와 대상 데이터 간 필요한 변경 내용을 기반으로 데이터를 변환하는 전처리 방법이다(García et al., 2016).

본 연구에서는 Table 2와 같이 30분 단위의 조류 정보를 1분 단위의 바람 정보와 일치시키는 데이터 정제와 데이터 통합 2가지 방법과 16방위 한글 입력 형식의 조류 정보를 360도 숫자 입력 형식으로 데이터 변환하는 전처리 방법을 사용하였다.

3. 공간 보간

해황 정보 데이터 기반 격자 형식을 적용시킨 공간 보간 방법으로 앞선 선행 연구에서 보간에 사용했던 하나의 보간 방법이 아닌 본 연구에서 공간 보간하는데 사용할 cubic spline interpolation, linear extrarpolation, kriging 3가지 보간 방법의 보간 원리와 보간 방식, 각 보간법의 장단점을 비교하였다.

3.1 Cubic spline interpolation

spline interpolation은 Fig. 1과 같이 점과 점 사이의 관계를 식(1)과 같이 다항식을 통해 풀어내는 방법의 하나이다. 점 과 점 사이를 정의하는 다항식의 최고차항 차수가 높아질수록 곡선에 가까워지고 정교한 보간이 가능해진다. cubic spline interpolation은 최고차항인 3차 spline interpolation이다. cubic spline interpolation은 부드러운 데이터 보간 결과를 도출해 낼 수 있고, 데이터 포인트 간 관계를 효과적으로 포착할 수 있지만 비선형적인 복잡한 데이터 구조에 사용하는 데는 한계가 있는 보간법이다.

3.2 Linear extrapolation

extrapolation은 수학 및 데이터 과학에서 관찰된 범위 밖의 변수나 함수의 값을 추정하는 방법이다. 주어진 데이터 포인트의 범위 밖에 있는 값을 추정하기 위한 일련의 기법으로 이 방법은 기존의 데이터 포인트를 기반으로 새로운 데이터 포인트의 값을 예측하려 할 때 사용되며, 주로 과학, 공학, 수학, 경제학 등 다양한 분야에서 활용된다.

extrapolation은 내삽법과 유사하나, 내삽법이 주어진 데이터 포인트 사이의 값을 추정하는 데 반해, extrapolation은 데이터 세트의 알려진 범위를 넘어서는 값을 추정한다. extrapolation은 알려진 데이터 포인트로부터 멀어질수록 불확 실성과 오류의 가능성이 커진다는 점에서 한계를 가지기 때문에 extrapolation을 사용할 때는 결과를 해석할 때 주의가 필요하다. extrapolation은 추정된 값에 대한 신뢰도가 내삽법보다 일반적으로 낮기 때문에, 가능한 한 내삽법을 사용하거나 추가적인 데이터를 확보하는 것이 바람직할 수 있다.

Fig. 2에서 빨간 점선은 알려진 데이터 포인트를 넘어선 선형 외삽을 나타내며 이 선은 최소 제곱근을 사용하여 알려진 데이터 포인트에 맞춘 Linear모델에 의해 도출된다. 첫 번째 알려진 데이터 포인트 값(x=0) 왼쪽과 마지막 알려진 데이터 포인트(x=5) 오른쪽의 영역이 Linear extrapolation에 의해 보간된 영역이다.

본 연구에서 주어진 관측 데이터 x_obs, y_obs, S_obs 는 각 위치 x_obs, y_obs 에서 관측된 조류와 바람의 속도를 나타낸다. 이를 바탕으로 임의의 위치 x, y에서 조류와 바람의 속도를 예측하기 위한 외삽법은 식(2)와 같은 선형 외삽법과 관측 지점에서 가장 가까운 관측 지점의 값을 사용하는 nearest법을 사용한다.

조류와 바람의 방향은 각 관측 지점에서 D_obs 로 주어지며 이를 사용해 임의의 위치 x ,y에서의 방향 D를 식(3)과 같이 계산한다.

식(4)는 보간하려는 지점이 포함된 삼각형에 대해 삼각형 꼭짓점 값을 기반으로 선형 보간하는 식이다.

3.3 Kriging

Kriging은 광물 매장량, 광범위한 지역의 지하수위, 대수층, 오염물질의 확산 정도 등을 예측하기 위해 많이 사용되 고 있는 지구통계학 기법으로 1951년 남아프리카 공화국의 D.G Krige라는 광산 기술자가 광맥의 관측 데이터를 기반으로 데이터 간 가중치를 부여하여 미개발 지점의 새로운 광맥을 찾기 위해 사용한 경험적 방법을 1962년 Goldberger, 1973년 Matheron이 수학적으로 정립하여 오차 분산을 최소화 하는 가중선형 조합의 보간법으로 활용되고 있다. 관측 지점 간의 통계적 관계인 자기 상관을 포함하는 통계 모델을 기반으로 하는 지형통계학적 방법으로, 예측 표면을 생성할 수 있을 뿐만 아니라 예측의 확실성 또는 정확성에 대해서도 일부 척도를 제공한다.

관측 데이터 포인트 간의 거리 및 해당 거리에 따른 반변동 값을 계산하여 반변동 그림(variogram)을 생성하는데 이때 사용하는 반변동성 함수 γ(h) 는 식(5)와 같이 두 지점 간의 거리 h에 따른 값의 공간적 분산을 측정하고 데이터 간 공간적 상관관계를 파악한다. Z(x)와 Z(x+h)의 차 제곱을 통해 부호와 상관없이 차이의 크기만을 고려한다.

Fig. 3에서 Range는 측정된 두 지점 사이의 상관관계를 나타낼 수 있는 최대 거리를 의미하고, Sill은 Range가 최대 거리일 때의 준 분산 값을 나타내며, Nugget은 두 지점 사이의 거리가 0일 때의 상관관계 값을 나타낸다. 측정된 두 지점 사이의 거리가 Range보다 멀어지면 준 분산 값은 일정한 값으로 유지되는데, 이는 지점 간 거리가 멀리 떨어져 있어 두 지점 사이에 미치는 영향이 작아진다는 것을 의미한다. 즉, 두 지점 사이의 거리가 가까워지고, 그 분포가 밀집되어 있으면 Nugget 값은 작아지게 되고, 두 지점 간의 상관관계가 커진다고 볼 수 있다. 앞서 구한 반변동 그림(variogram)을 기반으로 variogram modeling 중 식(6)과 같은 spherical model을 적용한다(Park et al., 2019).

식(5)와 식(6)의 계산 과정을 거쳐 구해진 가중치와 관측 값을 토대로 식(7)을 통해 보간값을 계산한다.

4. 해황 정보 데이터 기반 공간 보간 수행

해황 정보 데이터 기반 공간 보간을 수행하는 과정은 Fig. 4와 같이 대상 해역 선정 단계, 대상 해역 격자화 단계, 대상 해역 내 관측소 데이터 수집 단계, 항로 상 격자 추출 및 항해 시간 계산 단계, 공간 보간 수행 및 외력 계산 단계로 나뉜다. 대상 해역 선정 후 각 격자별 위도 경도 좌표를 입력 하여 대상 해역을 격자화 한다. 격자화 한 대상 해역 내의 관측소의 위치를 파악하고 관측소 데이터를 수집한다. 선박의 속력, 출항 시간, 경로를 입력하여 선박이 항해하면서 지나가게 되는 격자들과 격자들의 진입, 진출 시간을 계산한다. 수집한 관측소 데이터를 기반으로 3가지 보간 방법으로 공간 보간을 수행하고 이를 바탕으로 외력을 계산한다.

4.1 대상 해역 및 항로 선정

공간 보간을 진행할 대상 해역 및 항로로는 Table 3과 Fig. 5과 같이 바람과 조류의 영향이 크게 작용하는 목포 연근해, 진도 연근해 해역이 포함된 서해 해역을 선정하였고 항로는 서해 해역에 포함된 목포에서 출항하여 제주로 입항하는 항로를 전세계적으로 다수의 선사들이 선박 경토 탐색 시 사용하고 있으며 연구 기관에서도 연구에 활용하고 있는 Marine Traffic에서 추천하는 항로로 선정하였다.

4.2 대상 해역 내 관측소 위치 파악

우리나라 전역에 존재하는 관측지점의 개수는 조류예보 관측소 171개소, 풍향, 풍속 관측소 52개소, 풍향, 풍속 해양 관측부이 21개소 등 여러 지점에서 국가해양관측망을 구축, 운영 중에 있다(Kang et al., 2015). 선정한 대상 해역에서 조류와 바람 관련 관측 지점은 Fig. 6과 같이 조류 예보 관측소 26곳, 조위 관측소 5곳, 해양 관측 부이 1곳이 존재한다. 위 관측 지점의 데이터를 기반으로 격자 형식 공간 보간을 수행 한다.

4.3 항로 상 지나가는 격자 추출 및 항해 시간 계산

격자 형식으로 구현된 대상 해역 격자 중 선정 항로를 지나는 격자들의 해황 정보만을 수집하기 위해 선박이 항해 중 지나가게 되는 격자들을 Fig. 7과 같이 모두 42개의 격자를 추출하였다. 각 격자들의 명칭은 해양수산부 격자 분류 체계 3단계에 따른 격자 명칭이다. 선박의 속력은 17knot, 출항 시각은 2024년 01월 01일 08시로 설정, 각 격자별 항로상 진입 지점과 진출 지점을 확인하고 선박 속력과 진입 지점, 진출 지점 간 거리를 통해 각 격자 상 항해를 하는 시간을 계산한 결과는 Table 4와 같다. 위와 같은 과정에서 두 좌표 사이의 거리를 계산하는데 사용한 수식은 구의 두 점 사이의 대권 거리를 구하는 데 적합한 식(8) Haversine 공식을 사용하였다.

각 격자 별 진입 시간과 진출 시간은 식(9), (10)과 같이 계 산하였다.

4.4 관측소 데이터 기반 공간 보간

공간 보간을 수행하는데 바탕이 된 데이터를 수집한 관측소의 위치는 빨간색 원으로 표시했으며 목포에서 제주까지의 항로를 하얀색 곡선으로 표시했고 격자의 중심에 화살표로 풍향과 조류의 방향을 나타냈다. 또한 세기를 나타내기 위해 데이터의 최소치와 최대치를 scailing 하여 각 격자 별로 가시성이 높은 heatmap 형식으로 바람과 조류의 세기를 색상으로 표현하였다. 바람 데이터의 Cubic Spline 보간 결과는 Fig. 8(a), Linear extrapolation 보간 결과는 Fig. 8(b), kriging 보간 결과는 Fig. 8(c)와 같고 조류 데이터의 Cubic Spline 보간 결과는 Fig. 9(a), Linear extrapolation 보간 결과는 Fig. 9(b), kriging 보간 결과는 Fig. 9(c)와 같다. 본 연구에서 수행한 3가지 보간 방법으로 공간 보간된 해황 정보 데이터를 기반으로 선정 항로상 선박이 항해하면서 받게 되는 평균 풍속, 평균 풍향, 평균 조류의 세기, 평균 조류의 방향과 같은 외력을 보간 방법별 계산하여 정리한 결과는 Table 5와 같다.

전체적인 항로 상에서의 외력 계산 결과를 바탕으로 나타낸 각 격자별 조류의 방향은 Fig. 10, 풍향은 Fig. 11, 조류의 세기는 Fig. 12, 풍속은 Fig. 13, 각 보간 방법별 비교 구간의 4가지 평균값의 결과는 Table 6과 같다. Cubic spline interpolation의 경우 조류와 같은 데이터는 선형적인 데이터 구조를 가지고 있지 않기 때문에 조류의 방향 값을 각 보간 결과 별로 나타낸 Fig 10과 같이 같은 구간에서 다른 보간 방법과 달리 급격한 변화를 보이고 그 평균값 또한 Table 6 과 같이 다른 두 보간 방법의 결과와 차이가 컸다. Linear extrapolation의 경우 결과가 정확하게 나오려면 관측 지점의 수가 많아 데이터의 추세를 정확하게 파악하여야 하는데 Fig. 8(b)와 같이 관측 지점의 수가 많지 않을 경우 풍향 값을 각 보간 결과 별로 나타낸 Fig. 11과 같이 관측지점에서 벗어난 공간일수록 부정확하고 직선적이며 단절된 결과가 나오며 그 평균값 또한 Table 6과 같이 다른 두 보간 방법의 결과와 차이가 컸다. Kriging의 경우 관측 지점 간의 공간적인 상관관계인 거리와 방향성을 고려하여 보간을 하기 때문에 조류의 세기 값을 각 보간 결과 별로 나타낸 Fig. 12와 같이 같은 구간이지만 다른 두 보간 결과와 달리 가까운 관측 지점의 값과 유사한 결과가 나온다. 같은 구간에서의 평균 풍속 값은 Table 6과 같이 차이가 크지 않지만, Fig. 12와 같이 각 격자별로 보간 결과의 편차가 큼을 알 수 있다, 이는 보간법 마다 데이터의 구조, 보간 전 수집한 원본 데이터의 위치적 상관관계, 분포 정도, 데이터 수에 따라 적절한 보간 방법을 선택해야 함을 의미한다. 바람과 조류와 같은 해황정보는 비선형적인 데이터의 구조를 가지고 있고 관측 지점의 수 또한 많지 않을 경우가 있으며 관측 지점의 위치 분포 또한 제각각이기 때문에 본 연구에서 수행한 보간 방법 중 해황 정보 공간 보간에 적합한 보간 방법은 Kriging이 적합하다고 판단된다.

5. 결 론

본 연구는 OPEN API 방식으로 해황 정보 데이터를 수집하고, 수집한 해황 정보 데이터를 공간 보간에 알맞게 전처리하는 과정을 거쳤다. OPEN API 사용을 위한 KEY 발급과 발급받은 KEY를 활용하여 정해진 기간과 원하는 관측소의 데이터를 수집하였다. 수집한 데이터의 입력 형식과 측정 간격을 일치시키기 위해 30분 단위를 1분 단위로 보간하였고 한글 16방위 입력 형식의 조류 정보를 숫자 360도 입력 형식으로 변환하였다. 해역을 선정하여 격자 좌표를 입력하고 격자화시켰으며 선박이 항해하면서 받게 되는 외력의 계산을 위해 선박의 속력, 출항 시간, 항로를 입력하여 선박이 항해 하면서 지나가게 되는 격자들과 각 격자들 마다의 진입 시간과 진출 시간을 계산하였다. 해황 정보 데이터 기반 공간 보간 방법으로는 Cubic spline interpolation, Linear extrapolation, kriging 3가지 보간 방법으로 관측 지점의 데이터를 기반으로 관측 지점이 존재하지 않는 지점의 해황 정보 데이터를 격자 형식으로 보간하였다. Cubic spline interpolation의 경우 바람과 조류와 같은 비선형적인 복잡한 데이터 구조에는 적합하지 않은 보간 결과가 나왔으며 Linear extrapolation의 경우 관측 지점의 데이터 포인트가 균등하게 분포되어 있지 않아 결과가 다른 보간 방법에 비해 부정확하게 나왔다. Kriging의 경우 관측 지점 간의 통계적 관계인 자기 상관을 반영하기 위해 공간적 상관성을 정량화하는 반변동 그림(variogram)를 활용하여 통계적 특성을 기반으로 최적의 보간을 수행할 수 있었다. 특히 해황 정보 데이터의 출처인 관측소가 고르게 분포하지 않거나 데이터 수가 충분하지 않은 경우, 데이터의 구조가 비선형적인 조류와 바람 데이터 구조에도 Kriging 은 데이터 포인트 간 공간적 상관관계를 효과적으로 반영하여 관측 지점 이외의 데이터를 다른 두 가지 보간 방법 보다 정확하고 이상치가 없는 결과로 보간할 수 있었다. 이러한 공간적 상관성을 반영하는 특성으로 Kriging은 다른 두 가지 보간 방법에 비해 해황 정보 데이터를 공간 보간하기에 적합한 방법으로 판단된다. 공간 보간을 통해 수집한 데이터를 기반으로 선박 항로상 평균 풍속, 평균 풍향, 평균 조류의 세기 및 방향을 계산하고 이를 시각화함으로써 해황 정보를 분석하여 선박 경로 탐색에 활용할 수 있는 기반을 마련하였다. 하지만 이는 실제 선박 항해 시 침로에 따라 선박이 받게 되는 외력을 계산한 것이 아니라, 관측 지점을 기반으로 보간한 외력값에 불과하다는 한계가 있다. 따라서 이를 단순 거리 기반이 아닌 해황 정보를 반영한 선박의 최적 경로 탐색에 활용하기 위해서는 침로에 따라 선박의 조종성에 외력이 얼마나 영향을 미치는지를 정량적으로 계산하는 과정이 필요하다. 또한 본 연구는 해황 정보 중 바람과 조류만을 고려하여 보간을 수행하였으나, 실제 선박 항해 시에 는 파고, 파향, 수심 등 다양한 요소가 선박의 조종성에 영향을 미친다. 이러한 한계점을 보완하기 위해 선박의 침로에 따라 바람과 조류와 같은 해황 정보가 선박의 조종성에 미치는 영향을 수치화하고 이를 경로 탐색 시 반영할 때 적절한 가중치를 설정할 수 있는 정량적 지표에 대한 연구와 파고와 파향 등 선박의 조정성에 영향을 미치는 추가 요소를 포함하여 해황 정보의 범위를 확장하는 연구가 필요하다. 이러한 한계점을 극복하기 위한 연구를 지속적으로 수행한다면, 해황 정보 데이터의 정확성과 신뢰성을 높일 수 있을 것이고 이를 통해 단순히 거리만을 고려한 선박 경로 탐색이 아닌, 해황 정보를 반영한 효율적이고 안전한 최적 경로 탐색 방법을 개발할 수 있을 것으로 기대된다.