2.1 동해안 지형적 특성

동해안 강수/강설은 태백산맥(백두대간)이라는 거대한 지형적 장벽과 동해의 풍부한 수증기 공급이 결합하여 발생하는 대표적인 지형성 현상이다. 그로 인해, 여름철 호우와 겨울설 대설 등의 사례가 종종 나나타고 있다. 그림 1에 대상 지역의 지도가 나와 있으며, 실험 지역들은 태백산맥 우측의 해안 지점이다.

그림 1 대상 범위

Fig. 1 Range of target area

2.2 동풍 현상의 영향

동풍은 발생 빈도는 낮으나 호우, 폭설 및 고온 현상을 야기시켜 자연재해와 밀접하게 연관된 매우 중요한 기상 현상이다 ^{[6, 7]}.

그림 2 강릉 지역의 동풍 발생시 연직층의 풍향 현상

Fig. 2 Wind profile of easterly wind at Gangneung site

그림 2는 동풍 발생 사례이다. 우측의 연직층 그래프에서 상층부는 서북풍이, 지상 부근은 동남풍이 우세함을 나타낸다. 그 중간에 빨간색 타원으로 표시한 부분에서 풍향의 반전이 일어남을 보여준다 ^[6].

2.3 ERA5 연직층 데이터

ERA5 데이터는 ECMWF (European Centre for Medium-Range Weather Forecasts)에서 제공하는 것으로,, 성층권 고도까지 수십여개의 기압대로 나누어 연직층 대기압 데이터로 구성된다. 연직층은 다수의 기압대(pressure level)와 지표면(surface level)으로 구분된다. 그림 3은 ERA5 데이터를 2차원 배열 형태로 나타낸 것이다. 세로열에는 기압대가 나타나 있고, 가로열에는 변수의 일부가 나와 있다. 지표면의 정보만을 가지고 있는 AWS에 비해서 높은 고도까지 분포하는 정보를 포함하고 있어서 수직적인 기상의 영향을 분석할 수 있다.

그림 3 강수/강설 예측 모델의 6x6 데이터 예시

Fig. 3 6x6 data structure for precipitation and snowfall prediction model

3.1 수직적 기압대별 인자 구조

연직층의 풍향 반전 현상과 ERA5 연직층 데이터를 매칭하여 비교한 것이 그림 4에 나와있다. 그림 우측의 수직적인 기압대별 풍향의 반전 현상이 좌측의 수직적 기상인자들과 밀접한 관계가 있다는 것을 유추할 수 있다. 따라서 본 논문에서 사용하는 ERA5 연직층 데이터 구조가 적합함을 알 수 있다.

그림 4 연직층의 풍향 현상과 연직층 데이터의 매칭

Fig. 4 Matching vertical wind direction profiles with vertical profile data

3.2 수평적 확장 데이터 구조

강수/강설은 지구의 자전에 인한 편서풍의 영향 때문에대부분의 비구름대가 시간에 따라 서쪽에서 동쪽으로 이동하므로, 서쪽 인접 지역의 데이터를 반영하는 것이 합리적이다. 그러나 동해안 지역은 반대 방향으로 동풍이 종종 발생하고, 또한 기압대의 영향으로 북풍과 남풍의 발생 가능성도 있어서, 본 연구에서는 현재 예측 지점과 인접 8개 방위에 대한 기상 데이터를 포함한다. 그림 5에 인접 지역을 포함하여 확장된 수평적 데이터 구조가 나와 있다.

그림 5 강수/강설 분류 모델의 18x18 입력 데이터 구조

Fig. 5 18x18 data structure of classification model for precipitation

4.1 LSTM(Long short-term memory)

LSTM ^[9]은 같은 순차적인 데이터를 학습하는 트랜스포머에 비해 구조가 간단하고 연산량이 적어서, 규모가 적은 모델에 대해서는 현재도 널리 사용되고 있으며, 그림 6에 구조가 나와 있다.

그림 6 LSTM 구조도

Fig. 6 Structure of LSTM

본 논문에서는 2차원 배열 형태의 입력 데이터가 순차성과는 직접적으로 연관은 없으나, 기압대별 수직적 관계가 순차적 특성과 밀접한 관계가 있기 때문에 LSTM 기법을 적용한다. LSTM-FC ^[9] 는 LSTM과 Fully connected (FC) 층을 연결한 기법으로 기상과 유사한 미세먼지를 예측하는 데 우수한 성능을 보인바 있다. 본 논문에서도 LSTM-FC를 기본 구조로 사용하며, 연직측 데이터 학습을 위한 구성도는 그림 7과 같다. 입력 데이터의 연직층 별 각 행이 위로부터 순차적으로 LSTM에 입력되며, 각 연직층의 중요 정보를 추출 및 압축하여 128 크기의 열벡터로 출력하고, 완전 1024 연결층을 통해 강수/강설을 분류한다.

그림 7 LSTM-FC 기반 연직층 데이터 처리 구성도

Fig. 7 Architecture of LSTM-FC based vertical layer data processing

4.2 연직층 데이터의 상하 양방향 처리 기법

4.1절의 기존 LSTM-FC 기법의 성능을 향상시키기 위해서, 그림 7의 연직층 간의 단방향이 아닌 양방향 인접관계를 반영하기 위하여, 상승과 하강 방향의 두 기압대별 관계를 입력으로 사용한다. 이는 그림 2에서 보듯이 특정 기압대 층에서 대류의 역전 현상이 동풍에 밀접한 영향을 끼치는 점을 고려한 것이다. 이에 대한 구조도가 그림 8에 나와 있으며, 상단의 LSTM에는 기압대이 상층부브터 하층부 순으로 입력되어 순차적으로 처리되고, 하단의 LSTM에는 하층부부터 상층부 순으로 처리된다.

그림 9 연직층 데이터의 상하 양방향 입력 학습

Fig. 8 Bidirectional input learning for vertical layer data

4.3 Cascade LSTM + GRU 구조

기존의 LSTM-FC 모델은 한 층의 LSTM으로는 많은 수의 내부 파라미터를 효율적으로 학습하기 어렵기 때문에, GRU를 한 층 더 연결하여 그림 9와 같이 2단 연결 구조로 설계함으로써, 학습의 성능 향상을 시도한다. 첫 번째 LSTM은 원본 입력 시퀀스에서 기본적인 저차원의 특징 및 단기 순차적 의존성을 추출하고, 이를 128차원 벡터로 압축한다. 두 번째 GRU는 고차원의 장기 의존성 및 비선형 패턴을 더 잘 학습시키는 목적이다. LSTM 대비 파라미터가 약 25% 감소하여 연산 속도가 빨라지고 과적합도 방지한다. GRU 출력 벡터 수를 128/64/32에 대해서 실험한 결과 64가 가장 우수하여 이를 사용한다.

그림 10 LSTM + GRU 연결 구조

Fig. 9 LSTM + GRU cascade structure

5.1 실험 데이터 및 학습 파라미터

강수/강설 분류를 위한 실험 대상은 동해안 지역이며, 강원도의 속초, 대관령, 강릉, 동해, 태백, 그리고 경상도의 울진, 영덕, 포항, 울산 지역이다. 표 1에 사용된 데이터 정보가 나와 있다. 2008-2017년까지의 10년치 데이터를 실험에 사용하였으며, 학습과 평가 데이타는 각각 4 : 1로 구성하였다. ERA5 데이터는 하루에 두 번, 06:00 UTC와 18:00 UTC에 생성된다. -06UTC 는 해당 유효 시간보다 6시간 전에 수행된 모델 예측 시점을 의미한다. 총 데이터는 하루 두 번, 1년 365일, 10년치이다.

예측 모델 학습 파라미터는 다음과 같다. Optimizer는 Adam, Learning_rate는 0.001, 100 Epoch, Mini_Batch는 200을 사용하였다.

5.2 LSTM-FC 실험

기존의 LSTM-FC 기법으로 강원과 경상지역에 실험한 결과가 표 2와 3에 나와 있다. 표 2에서는 강원 지역의 3가지 분류에 대해서 평균 정밀도가 84.62%, 평균 재현율은 85.32%, 정확도는 89.41%이다. 대체로 여름철 강우에 비해서 겨울 강우와 강설이 낮게 나왔음을 알 수 있다. 여기서 정확도(Accuracy)는 3종 분류에 대한 매크로 평균을 의미한다.

Accuracy : TP+TN / (TP+TN+FP+FN)

Precision : TP / TP+FP

Recall: TP / TP+FN

표 3에는 경상 지역의 결과가 나와 있으며, 평균 정밀도가 87.36%, 평균 재현율은 87.44%, 정확도는 89.73%이다. 정밀도와 재현율의 순위는 바뀌었지만, 역시 마찬가지로 여름철 강우에 비해서 겨울 강우와 강설이 낮게 나왔음을 알 수 있다.

5.3 제안된 고급 LSTM 기법 실험 결과

4.2와 4.3절에서 제안된 두 기법을 결합한 최종 모델에 대한 실험 결과가 표 4와 5에 나와있다. 표 4는 강원 지역에 대한 결과로서, 표 2와 비교해서 3가지 지표가 약 7% 전후로 성능이 향상되었음을 보여준다. 이 표에서 괄호안의 수치는 4.2절의 상하 양방향 입력 처리 기법만을 적용한 결과이다. 이 성능은 표 2에 비해서 평균 약 4%대의 향상을 보여준다.

표 5는 경상 지역에 대한 결과로서, 표 3과 비교해서 3가지 지표가 약 6.5~7% 전후로 성능이 향상되었음을 보여준다. 이 표에서 괄호안의 수치는 4.2절의 상하 양방향 입력 처리 기법만을 적용한 결과이다. 이 성능은 표 3에 비해서 평균 약 4~4.5%대의 향상을 보여준다.