원주민 지식 기반 가뭄 조기경보 전문가 시스템 개발

초록

본 논문은 지역 원주민의 전통적 가뭄 인식을 규칙 기반 전문가 시스템(RB‑DEWES)으로 구현한다. 도메인 전문가로부터 수집한 토착 지식을 IF‑THEN 규칙과 확신도(CF)로 변환하고, JESS 추론 엔진을 활용해 사용자의 입력에 따라 가뭄 발생 가능성을 예측·경보한다. 시스템 구조, 지식 베이스, 모델 베이스, 추론 메커니즘을 상세히 제시하고, 토착 지식 활용의 혁신성을 강조한다.

상세 분석

본 연구는 가뭄 예측이라는 복합 환경 문제에 대해 전통적인 기상·수문 모델이 갖는 한계를 보완하고자, 지역 원주민이 오랜 세월 관찰해 온 자연 현상(동물 행동, 식물 개화 시기, 토양 색 변화 등)을 정형화된 규칙 형태로 전환한다는 점에서 학술적·실용적 의의가 크다. 지식 획득 단계에서는 반구조화 인터뷰와 현장 관찰을 통해 150여 개 이상의 현상‑현상 연관 규칙을 도출했으며, 각 규칙에 대해 전문가가 부여한 확신도(CF)를 0~1 사이의 실수값으로 정량화하였다. 이러한 규칙은 JESS(Java Expert System Shell) 기반의 전방향 체이닝 엔진에 삽입되어, 사용자가 입력한 현재 환경 변수(예: 온도, 강수량, 토양 습도)와 매칭되는 규칙을 자동으로 활성화한다. 활성화된 규칙들의 CF는 베이즈식 가중 평균을 통해 종합되어 최종 가뭄 위험도 점수와 함께 ‘경보 수준’(정상, 주의, 위험)으로 변환된다. 시스템은 또한 모델 베이스를 통해 외부 기상 데이터베이스와 연동, 실시간 데이터와 토착 규칙을 혼합함으로써 예측 정확도를 향상시킨다. 주요 장점은(1) 불확실성을 명시적으로 다루는 CF 메커니즘, (2) JESS의 모듈화된 규칙 관리와 빠른 추론 속도, (3) 토착 지식의 지역 맞춤형 적용 가능성이다. 그러나 한계점으로는 규칙의 주관성, 전문가 간 의견 차이로 인한 CF 편차, 그리고 규칙 수가 급증할 경우 추론 효율이 저하될 가능성이 있다. 향후 연구에서는 규칙 자동 추출을 위한 머신러닝 기반 텍스트 마이닝, GIS와 연계한 공간적 가시화, 그리고 다중 지역 간 지식 통합 프레임워크 구축을 제안한다.