서아프리카 총기둥수증기 예측을 위한 Keras 기반 딥러닝 다중회귀 모델

본 논문은 서아프리카 지역의 총기둥수증기(TCWV)를 기상·해양 물리 변수로부터 예측하기 위해 딥러닝 기반 다중 회귀 모델을 설계하고 평가하였다. 연구 배경으로 TCWV가 대기 열수 운반 및 구름 형성에 핵심적인 역할을 하며, 기존 위성 관측(AMSU, METOP, DMSP 등)과 GPS 기반 추정 방법이 존재하지만, 고해상도 시공간 예측에는 한계가 있다. 이를 보완하고자 ERA5 재분석 데이터를 활용했으며, 선택된 9가지 입력 변수는 평균 해면기압, 지표압, 해수면 온도, 100 m·U·V 풍, 10 m·U·V 풍, 2 m 이슬점 온도, 2 m 기온이다. 데이터는 2004년 1월부터 2018년 10월까지 서아프리카(위도 –5°~34°, 경도 –34°~35°) 영역의 픽셀을 대상으로 하였고, 전체 36 370 741개의 픽셀 중 무작위로 1 %를 학습, 0.5 %를 테스트 집합으로 추출하였다. 이러한 샘플링은 과적합 방지를 목표로 했지만, 전체 데이터 활용도가 낮아 모델의 일반화 가능성을 제한한다는 비판이 있다. 모델은 Keras 라이브러리를 이용해 구현했으며, 입력층(9노드) → 첫 번째 은닉층(64노드, ReLU) → 두 번째 은닉층(32노드, ReLU) → 출력층(1노드) 구조를 갖는다. 모든 층은 완전 연결이며, 활성화 함수는 ReLU, 최적화 알고리즘은 Adam을 사용하였다. 학습 파라미터는 배치 크기 64, 에포크 140으로 설정했으며, 손실 함수는 평균 제곱 오차(MSE)로 가정하였다. 논문에서는 비용 함수의 미분 과정을 상세히 서술했지만, 실제 구현 코드와 하이퍼파라미터 튜닝 과정은 제시되지 않아 재현성에 제약이 있다. 성능 평가는 학습 데이터에서 90.47 % 정확도, 검증 데이터에서 90.23 % 정확도를 기록했으며, 평균 절대 오차(MAE)는 학습 3.60 kg m⁻², 검증 3.45 kg m⁻²였다. 결정계수(R²)는 0.90으로, TCWV와 예측값 사이에 강한 선형 관계가 있음을 보여준다. 추가 검증으로는 (1) 독립적인 ERA5 동일 시점 데이터와의 비교, (2) 위성 관측 GOME‑2 데이터와의 비교가 수행되었다. 두 경우 모두 평균 편향이 0.10 kg m⁻²에 불과하고, 상관계수는 60 %~95 % 범위에 머물렀다. 특히 적도 부근(0° N)에서는 상관계수가 60 % 수준으로 낮아 지역적 특성이 모델에 충분히 반영되지 않았음을 시사한다. 연도별(2004, 2005) 및 위도별(0°, 15°, 30°) TCWV 평균값을 비교한 결과, 표준편차는 4 ~ 7 kg m⁻² 수준이며, 연도·위도 간 변동성을 잘 포착했다. 결론에서는 딥러닝이 물리 변수만으로도 TCWV를 높은 정밀도로 재현할 수 있음을 강조하고, 평균 전역 편향 0.10 kg m⁻²와 MAE 3.41 kg m⁻²를 달성했다고 주장한다. 그러나 연구 한계로는 (1) 데이터 샘플링 비율이 낮아 전체 데이터 활용이 부족함, (2) 변수 중요도 분석이 부재, (3) 공간·시간 교차 검증이 미흡, (4) 물리 기반 제약을 결합한 하이브리드 모델이 없다는 점을 들 수 있다. 향후 연구에서는 더 큰 규모의 학습 데이터를 활용하고, SHAP·Permutation Importance와 같은 해석 기법으로 변수 기여도를 정량화하며, 지역별 모델 튜닝과 물리 기반 제약을 결합한 모델을 개발함으로써 예측 신뢰성을 높일 필요가 있다.