지진 예측을 위한 신경망 활용의 한계와 메타분석

초록

**
1994‑2019년 사이에 발표된 77편의 논문을 메타분석한 결과, 딥러닝 기반 인공신경망이 복잡성을 높였음에도 불구하고, 단순한 통계·물리 기반 모델과 비교했을 때 예측 성능이 크게 우수하지 않으며, 과적합과 해석 불가능성이 주요 문제임을 확인하였다.

**

상세 분석

**
본 논문은 1994년부터 2019년까지 발표된 77개의 인공신경망(ANN) 기반 지진 예측 연구를 체계적으로 수집·분류하고, 두 가지 주요 흐름을 도출한다. 첫 번째는 연구량 자체가 연도별로 꾸준히 증가하고, 특히 2010년 이후 딥러닝(DNN, LSTM, CNN) 모델이 급증한 점이다. 두 번째는 모델 복잡도가 점진적으로 심화되면서 은닉층 수가 1~2개 수준의 전통적 다층 퍼셉트론(MLP)에서 최대 6개 은닉층을 갖는 깊은 신경망까지 확대된 것이다.

하지만 메타분석 결과는 다음과 같은 한계를 강조한다.

1. 성능 비교의 불균형: 47%의 연구만이 적절한 베이스라인(포아송 무작위 모델 등)과 비교했으며, 대부분은 다른 머신러닝 기법과만 비교했다. 따라서 ANN이 실제로 기존 통계 모델보다 우수한지를 판단하기 어렵다.
2. 과적합 위험: 데이터 샘플 수에 비해 파라미터 수가 과도하게 많은 딥러닝 모델은 AUC 0.85와 같은 높은 지표를 보이지만, 동일한 데이터에 단일 뉴런(선형 회귀)으로도 비슷한 성과를 얻을 수 있음을 보이며 과적합 가능성을 시사한다.
3. 특징(피처) 제한: 대부분의 연구가 지진 카탈로그의 기본 변수(시간, 진도, 위도·경도·깊이)와 파생된 통계량(그루톤‑리히터 법, 모리오 법 파라미터 등)만을 사용한다. 이러한 제한된 피처 공간에서는 복잡한 비선형 모델이 실제 물리적 정보를 추가로 학습하기 어렵다.
4. 물리적 해석성 결여: 딥러닝 모델은 ‘블랙박스’ 특성상 학습된 가중치가 지진 발생 메커니즘과 어떻게 연결되는지 설명이 부족하다. 반면, 통계적 지진학 모델은 물리적·통계적 근거가 명확하여 결과 해석이 용이하다.

결론적으로, 현재의 구조화된 지진 카탈로그와 제한된 피처 세트에서는 단순한 통계·물리 기반 모델이 충분히 경쟁력을 갖추며, 복잡한 ANN을 도입할 경우 과적합과 해석 불가능성이라는 비용을 감수해야 한다는 점을 강조한다.

**