데이터 동화 기반 지진 예측 순차 몬테카를로와 재생 과정

초록

본 논문은 지진 발생 시각에 대한 관측 오차와 모델 불확실성을 동시에 고려하기 위해, 재생 과정(renewal process)에 순차 몬테카를로(SMC) 기법을 적용한 데이터 동화 방법을 제시한다. 합성 데이터 실험을 통해 최적 샘플링 중요도 재샘플링(OSIR) 파티클 필터가 관측 오차를 무시한 기존 예측보다 월등히 높은 예측 정확도와 모델 설명력을 제공함을 확인하였다. 또한, 주변 데이터 가능도(marginal data likelihood)를 이용해 파라미터 추정 및 모델 비교가 가능함을 보였다.

상세 분석

이 연구는 지진 발생 간격을 기술하는 재생 과정 모델에 데이터 동화(data assimilation) 개념을 도입함으로써, 전통적인 포아송 기반 혹은 단순 재발 주기 모델이 갖는 관측 불확실성을 정량적으로 처리한다는 점에서 혁신적이다. 핵심은 비가우시안 확률분포를 갖는 지진 데이터에 적합한 순차 몬테카를로(SMC) 방법, 특히 최적 샘플링 중요도 재샘플링(OSIR) 파티클 필터를 사용해 사후 분포(posterior)를 재귀적으로 추정하는 것이다. 파티클 필터는 각 입자(particle)가 가능한 지진 발생 시각을 나타내며, 관측값이 노이즈를 포함한 경우에도 중요도 가중치를 통해 실제 상태에 가까운 입자를 강조한다. 재샘플링 단계에서 입자 집합의 다양성을 유지하면서도 효율적인 추정을 가능하게 하여, 관측 오차가 큰 상황에서도 안정적인 예측을 제공한다.

논문은 먼저 재생 과정의 수학적 정의와, 관측 오차가 정규분포를 따른다고 가정한 관측 모델을 제시한다. 이어서 베이즈 정리를 기반으로 사후 확률을 전개하고, 이를 직접 계산하기 어려운 경우 SMC가 어떻게 근사할 수 있는지를 상세히 설명한다. OSIR 알고리즘은 중요도 함수로 사전 분포와 관측 가능도(likelihood)를 결합하고, 재샘플링 시 효율적인 중요도 재조정을 통해 입자 소멸 문제를 최소화한다. 또한, 주변 데이터 가능도(marginal data likelihood)를 파티클 가중치의 로그합으로 추정함으로써, 파라미터 θ에 대한 최대우도 추정과 모델 비교에 활용한다.

실험에서는 인위적으로 생성한 합성 재생 과정 데이터를 이용해, 관측 시각에 가우시안 노이즈(σ=0.5·Δt)를 추가한 상황을 설정하였다. 베이스라인은 관측값을 그대로 사용해 다음 발생 시점을 예측하는 단순 방법이며, 제안된 OSIR 파티클 필터는 10,000개의 입자를 사용해 사후 분포를 추정하였다. 결과는 예측 오차의 평균 제곱근(RMSE)이 베이스라인 대비 약 30% 감소했으며, 로그가능도 역시 유의하게 높았다. 파라미터 추정 실험에서는 주변 가능도를 최대화하는 θ̂가 실제 생성값과 매우 근접함을 확인했다. 이러한 결과는 데이터 동화가 관측 불확실성을 정량화하고, 모델 파라미터를 보다 정확히 추정함으로써 지진 예측의 신뢰성을 크게 향상시킬 수 있음을 시사한다.

한계점으로는 파티클 수가 급증하면 계산 비용이 크게 증가한다는 점과, 실제 지진 기록에서는 관측 오차가 비정규적일 수 있다는 점을 들 수 있다. 향후 연구에서는 적응형 입자 수 조절, 비가우시안 관측 모델, 그리고 다중 지역·다중 규모 지진 데이터를 동시에 처리할 수 있는 확장형 프레임워크 개발이 필요하다. 또한, 실제 판 구조론적 모델과 결합해 재생 과정의 물리적 의미를 강화하는 방향도 모색될 수 있다.