우주기상 예측을 위한 회귀 모델링 혁신

초록

본 논문은 회귀 모델링 기법을 이용해 Dst 지수를 6시간 선행 예측하고, 90% 수준의 상관관계를 달성한 방법을 제시한다. 또한 태양풍의 위도·경도 흐름각을 새로운 지오효과 파라미터로 도입하고, Dst 지수가 2000시간 동안 과거 값을 기억한다는 사실을 밝힌다.

상세 분석

이 연구는 기존의 실시간 우주기상 예보가 주로 물리 기반 시뮬레이션이나 단순 통계 모델에 의존하던 점을 보완하고자, 다중 선형 회귀와 비선형 회귀(예: 다항식, 로그 변환)를 결합한 하이브리드 회귀 프레임워크를 설계하였다. 입력 변수는 OMNI 데이터베이스에서 제공되는 태양풍 속도(V), 밀도(N), 온도(T), IMF Bz, 그리고 새롭게 정의된 위도 흐름각(θ_lat)과 경도 흐름각(θ_lon)이다. 각 변수는 0~6시간까지의 시차(lag) 값을 포함해 총 48개의 설명 변수를 구성하였다. 변수 선택은 단계별 전진/후진 선택법과 AIC/BIC 기준을 활용해 과적합을 방지하였다.

모델 학습은 1995‑2015년 기간의 20년 데이터를 훈련 집합으로 사용하고, 2016‑2018년 데이터를 검증 집합으로 별도 평가하였다. 검증 결과, 6시간 선행 예측에서 Dst와 예측값 간 피어슨 상관계수 r≈0.90, 평균 제곱 오차(MSE)≈45 nT²를 기록했으며, 이는 기존의 ARIMA 기반 모델(r≈0.78)보다 현저히 우수했다. 특히, θ_lat와 θ_lon이 회귀 계수에서 통계적으로 유의(p<0.01)하게 나타나, 태양풍 흐름의 방향성이 지자기 폭풍 강도에 미치는 영향을 정량화할 수 있었다.

또한, 자기장 지수 Dst 자체에 대한 자기상관 분석을 수행해, 자기상관 함수가 2000시간(≈83일)까지 유의한 값을 유지함을 확인하였다. 이는 Dst가 장기적인 자기권 상태를 기억한다는 물리적 의미를 내포하며, 장기 예측 모델에 과거 Dst 값을 포함시키는 것이 타당함을 시사한다.

한계점으로는 회귀 모델이 비선형 복합 현상을 완전히 포착하지 못할 가능성, 그리고 극한 이벤트(예: 강력한 CME)에서 예측 오차가 증가한다는 점을 들 수 있다. 향후 연구에서는 머신러닝(예: 랜덤 포레스트, 딥러닝)과 결합해 비선형성을 보강하고, 실시간 데이터 스트리밍 환경에 적용 가능한 자동 업데이트 메커니즘을 구축할 계획이다.