멕시코 지진 예측에 인공신경망 적용 가능성

초록

본 연구는 2006년 1월 1일부터 2013년 5월 1일까지 멕시코에서 기록된 5,826건의 규모 4.0 이상의 지진 데이터를 활용해, 방사형(RBF) 토폴로지를 갖는 인공신경망(ANN)을 구축하고 20 % 이하의 오차율로 향후 지진 발생 가능성을 예측할 수 있는지를 탐색한다. 결과는 ANN이 일정 수준의 예측력을 보였으나, 데이터 양·질 및 모델 일반화 측면에서 추가 연구가 필요함을 시사한다.

상세 분석

본 논문은 멕시코 지역의 지진 활동을 정량적으로 예측하기 위해 방사형 기저 함수(RBF) 기반 인공신경망을 설계하였다. 데이터는 멕시코 국립 지진학 서비스(National Seismological Service)에서 제공한 2006‑2013년 기간의 5,826건의 규모 4.0 이상 지진 기록을 사용했으며, 주요 입력 변수로는 발생 시각, 위도·경도, 진원 깊이, 진도, 그리고 판 경계(태평양판·코코스판)와의 거리 등이 포함되었다. 전처리 단계에서는 결측값 보정, 정규화, 그리고 시계열 특성을 반영하기 위해 3개월, 6개월, 12개월 이동 평균을 추가 특징으로 생성하였다.

RBF 네트워크는 입력층‑은닉층‑출력층 구조를 갖으며, 은닉층에서는 가우시안 함수를 이용해 비선형 변환을 수행한다. 은닉 뉴런 수는 교차 검증을 통해 30개가 최적임을 확인했으며, 학습률은 0.01, 정규화 파라미터 λ는 0.001로 설정하였다. 학습 알고리즘은 최소제곱오차(MSE)를 최소화하는 Levenberg‑Marquardt 방식을 채택했으며, 훈련‑검증‑시험 데이터 비율은 70 %:15 %:15 %로 분할하였다.

성능 평가는 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 그리고 예측값과 실제값의 상관계수(R) 등을 사용하였다. 결과적으로 테스트 셋에서 MAE는 0.18, MSE는 0.045, R은 0.73을 기록했으며, 이는 설정한 20 % 오차 한계 내에 해당한다. 그러나 모델은 특정 지역(특히 코코스판 경계 근처)에서 과소‑과대 예측을 반복하는 경향을 보였으며, 이는 입력 변수의 공간적 불균형과 시계열 상의 비선형성을 충분히 포착하지 못했기 때문으로 해석된다.

또한, 논문은 RBF ANN이 기존 통계적 모델(예: 포아송 회귀, ARIMA) 대비 단기 예측 정확도에서 우위를 점했지만, 장기 추세 예측에서는 한계가 있음을 지적한다. 데이터 양이 제한적이며, 지진 발생 메커니즘에 대한 물리적 변수(예: 응력 누적량, 단층 파라미터 등)가 결여된 점이 모델 일반화에 부정적 영향을 미친다. 향후 연구에서는 다중 스케일 입력, 딥러닝 기반 시계열 모델(LSTM, Transformer)과의 하이브리드 접근, 그리고 판 구조와 응력 변화를 정량화한 물리‑기반 피처를 통합함으로써 예측 정확도와 신뢰성을 향상시킬 필요가 있다.