3일 앞까지 태양 복사량을 인공신경망으로 정확히 예측하는 방법

초록

**
본 연구는 SDO/HMI의 실시간 자기장·광도 이미지에서 추출한 태양 표면의 자극 구조(채우기 인자)를 입력으로, 레이어‑리커런트 인공신경망(LRN)을 이용해 총 및 파장별 태양 복사량(SSI)을 24 시간~3 일까지 예측한다. 115–180 nm 구간에서는 24 시간 예측 오차가 5 % 이하이며, 180–310 nm에서는 최대 20 %까지 상승한다.

**

상세 분석

**
이 논문은 태양 복사량 변동이 주로 태양 표면의 자기장 구조 변화에 의해 좌우된다는 가정 하에, 실시간으로 제공되는 HMI/JPEG 이미지(1024 × 1024, 15 분 지연)를 전처리·특징 추출하여 인공신경망에 입력한다. 특징 추출 단계는 (1) 디스크 경계 검출, (2) 자기장 이미지와 광도 이미지의 임계값 기반 이진화, (3) 4‑연결 컴포넌트 라벨링, (4) 각 객체의 면적 계산 및 10 픽셀 이하 제거, (5) 면적(채우기 인자) 분포의 경험적 누적분포함수(ECDF)를 이용해 활성 영역·에페머럴 영역을 각각 네 개의 크기 클래스(소‑대)로 구분한다. 이렇게 얻어진 7개의 채우기 인자(조용한 태양, 햇반, 네 개의 활성 영역 클래스)가 네트워크의 입력 벡터가 된다.

네트워크 구조는 Elman식 레이어‑리커런트 네트워크(LRN)로, 첫 번째 은닉층에 tanh 비선형 함수를, 출력층에 선형 함수를 사용한다. 은닉층 출력에 한 단계 지연 피드백을 연결해 시계열 메모리를 제공함으로써 급격한 입력 변동에 대한 안정성을 확보한다. 가중치와 편향은 베이지안 정규화(MacKay 1992)를 적용해 과적합을 방지하고 일반화 능력을 최적화한다.

학습·검증 데이터는 2010년 9월 ~ 2011년 12월 구간의 SORCE/TIM(총 복사량) 및 SOLSTICE, XPS(스펙트럼) 관측치를 사용해 각각 70 %/30 % 비율로 분할하였다. 24 시간 예측에서는 115–180 nm 구간에서 평균 절대 오차가 5 % 미만, 180–310 nm 구간에서는 최대 20 %까지 상승했으며, 예측 기간이 늘어날수록 오차가 선형적으로 증가해 3일 예측에서는 전체적으로 10–30 % 수준에 머문다. 이는 LRN 구조가 단기(≤1 일) 패턴을 잘 포착하지만, 장기(>2 일) 변동을 설명할 충분한 메모리 용량이 부족함을 의미한다.

본 모델은 기존의 경험적/반경험적 SSI 모델(예: SATIRE, Solar2000)과 비교했을 때, 실시간 운영성을 크게 향상시킨다. 특히, 캘리브레이션이 완료된 고해상도 HMI 데이터가 아직 제공되지 않음에도 불구하고 JPEG 이미지만으로도 유의미한 예측이 가능함을 보여준다. 그러나 이미지 비선형 변환, 저해상도(1024 × 1024)로 인한 면적 추정 오차, 그리고 플레어와 같은 급격한 이벤트를 제외한 점은 한계점으로 남는다. 향후 연구에서는 고해상도(4096 × 4096) 정규화된 데이터와 플럭스 트랜스포트 모델을 결합해 1개월 이상 장기 예측을 목표로 할 계획이다.

**