[붙임] 연구결과 개요, 용어설명, 그림설명

[붙임. 연구결과 개요]

1. 연구배경

최근 들어 태풍의 발생 빈도와 발달 양상이 예측을 빗나가고 있습니다. 기후변화로 인한 수치모델의 불확실성에서 기인하며, 이러한 경향은 더욱 증가할 것으로 예상됩니다. 특히 인프라가 취약한 개발도상국의 경우 태풍과 같은 자연재해로 인한 막대한 인적·사회경제적 피해를 입을 수 있습니다. 따라서 증가하는 태풍 예측의 불확실성을 완화하기 위해 실시간 위성 관측 자료를 활용해 정확하고 신속한 태풍의 관측과 예측이 요구됩니다. 일반적으로 태풍의 관측의 경우 정지궤도 기상위성자료에, 태풍의 예측의 경우 수치모델 자료에 의존하는 경향이 있습니다. 또한, 예보관의 학습에 따른 예보성능과 견줄만한 자동화 기법이 없는 것도 사실입니다. 이러한 한계를 극복하기 위해, 본 연구실에서는 딥러닝 기반의 관측과 수치모델의 효율적인 융합을 통한 태풍 관측 및 예측 프레임워크를 개발하였습니다. 또한, 계속 발전하는 규격의 위성 관측자료를 연속적으로 활용하기 위하여 전이학습 기반의 태풍 강도 추정 기법을 제시하여, 현업에 실제로 활용가능한 태풍의 관측 및 예측 정보를 제공하고자 하였습니다. 

2. 연구내용

본 연구는 우리나라를 포함한 동아시아에 주로 영향을 끼치는 북서태평양에서 발생한 태풍을 대상으로 자동 관측 및 예측을 수행하는 새로운 딥러닝 기반 프레임워크를 제시하였습니다. 먼저, 정지궤도 기상위성을 활용한 딥러닝 기반 태풍 강도 관측 기법을 제시하였습니다. 이 때, 입력자료의 일관성을 필요로 하는 딥러닝 기법의 한계점을 극복하기 위해 전이 학습 기법을 제시하였습니다. 우리나라의 연속된 두 개의 정지궤도 기상위성 (천리안 1호와 천리안 2A호)을 동시에 활용하였으며, 태풍 강도를 실시간으로 관측하기 위한 가장 최적의 전이학습 기법을 제시하였습니다. 또한, 기존 딥러닝 기반 태풍 강도 추정에 활용되었던 합성곱 신경망 (CNN)이 아닌 Swin transformer (Swin-T) 기법을 최초로 활용하여 태풍 강도 자동 관측을 시행하였으며, 설명가능한 인공지능을 활용하여 Swin-T기반 태풍 강도 추정 효용성을 정량적으로 확인하였습니다. 또한, 정지궤도 위성과 수치예보 모델기반의 대기-해양 예측장의 효율적인 상호보완적 융합을 통해 태풍의 24, 48, 72시간 후의 미래 강도를 예측하고자 하였습니다. 이 때, 다종 자료의 상호보완적 융합을 위해 Hybrid-CNN 기법을 제시하였습니다. 연구 결과 기존 현업 예측 대비 유의미한 성능을 보이며 Hybrid-CNN 기반의 위성 관측 자료 및 수치 모델 자료 융합의 효용성을 제시하였습니다. 나아가 급격한 강화 (Rapid intensification) 경우에 대해서도 ~50%의 경우에서 현업 예보모델 대비 개선된 성능을 보이며 태풍 강도 예측의 자동화에 기여할 수 있는 연구를 제시하였습니다. 나아가 설명가능한 인공지능을 활용해 해당 태풍의 미래 강도 변화에 영향을 미치는 요소의 정성적인 분석을 시행하였습니다.

3. 기대효과

 본 두 연구에서 제시한 딥러닝 기반 태풍 강도 관측과 예측 연구를 기반으로 위성과 수치모델자료를 융합활용한 태풍 정보의 자동 추출의 장을 제시하였으며, 향후 현업 예보관에게 객관적인 태풍 정보를 제공함으로써 태풍으로 인한 사회 경제적 피해를 예방할 수 있는 대책을 수립하는데 기여할 수 있습니다.

○ 딥러닝 전이학습 기반의 자동 태풍 강도 관측 정보 제공
○ 딥러닝 기반의 위성과 수치모델의 효율적인 융합을 통한 태풍 강도 예측 정보 제공
○ 설명가능한 인공지능을 활용해 태풍 강도 변화 기여 환경 요인을 객관적으로 추출하여 제공함으로써 현업 예보에의 활용이 가능

[붙임. 용어설명]

Convolutional neural networks : 합성곱 신경망으로, 이미지 입력정보의 패턴적 특성을 효율적으로 분석하여, 정량적인 특성 추출을 가능하게한다.

[붙임. 그림설명]

그림1. 천리안 1호 (Communication, Ocean and Meteorological Satellite, COMS)와 천리안 2A호 (GEO-KOMPSAT-2A, GK2A)를 활용한 전이학습 기반 태풍 강도 추정 프레임워크 개요

우리나라의 연속된 두 개의 정지궤도 기상위성 (천리안 1호와 천리안 2A호)을 동시에 활용하였으며, 태풍 강도를 실시간으로 관측하기 위한 가장 최적의 전이학습 기법을 제시하였습니다. 또한, 기존 딥러닝 기반 태풍 강도 추정에 활용되었던 합성곱 신경망 (CNN)이 아닌 Swin transformer (Swin-T) 기법을 최초로 활용하여 태풍 강도 자동 관측을 시행하였으며, 설명가능한 인공지능을 활용하여 Swin-T기반 태풍 강도 추정 효용성을 정량적으로 확인하였습니다.

그림2. 위성 관측과 수치 예보 모델의 상호보완적 융합을 통한 태풍 강도 예측 프레임워크의 개요

정지궤도 위성과 수치예보 모델기반의 대기-해양 예측장의 효율적인 상호보완적 융합을 통해 태풍의 24, 48, 72시간 후의 미래 강도를 예측하고자 하였습니다. 이 때, 다종 자료의 상호보완적 융합을 위해 Hybrid-CNN 기법을 제시하였습니다. 연구 결과 기존 현업 예측 대비 유의미한 성능을 보이며 Hybrid-CNN 기반의 위성 관측 자료 및 수치 모델 자료 융합의 효용성을 제시하였습니다. 나아가 설명가능한 인공지능을 활용해 해당 태풍의 미래 강도 변화에 영향을 미치는 요소의 정성적인 분석을 시행하였습니다.