3차원 합성곱 순환 네트워크 기반 강대성 폭풍 예보

초록

본 논문은 레이더 반사도와 실시간 재분석 기상 데이터를 3차원 형태로 결합하고, 셀 기반 오버샘플링으로 클래스 불균형을 완화한 뒤, 다중 소스 3D 합성곱과 LSTM 인코더‑디코더를 결합한 CNN‑LSTM 모델을 제안한다. 0–30분 단위 강수 예보를 이진 분류 문제로 정의하고, 기존 TITAN, SBOW, TrajGRU와 비교했을 때 CSI, POD, FAR 등 주요 지표에서 우수한 성능을 보였다.

상세 분석

본 연구는 기존 레이더 기반 강수 예보가 급변하는 대류성 폭풍의 초기 발생과 성장 과정을 포착하기 어려운 한계를 인식하고, 수치 모델 재분석 데이터(VDRAS)에서 제공하는 3차원 온도·수직풍·시간 추세 변수를 활용한다는 점에서 차별화된다. 데이터 전처리 단계에서 저해상도 셀(18 km × 18 km) 중심에 6 × 6 km 셀을 두고, 20개의 고도 레이어를 포함한 6가지 물리량을 6 × 18 × 18 × 20 형태의 샘플로 구성하였다. 이는 공간적 연속성을 유지하면서도 고도 정보를 보존하는 설계이며, 특히 대류성 상승 흐름을 포착하는 데 유리하다.

클래스 불균형 문제를 해결하기 위해 제안된 “셀 기반 오버샘플링”은 양성 셀을 중심으로 윈도우를 1~2픽셀씩 이동시켜 새로운 양성 샘플을 생성한다. 이 과정에서 양성 비율을 4 %에서 29.65 %로 크게 향상시켰으며, 테스트 단계에서는 원본 비율을 유지함으로써 과적합 위험을 최소화한다.

모델 아키텍처는 두 단계로 구성된다. 첫 번째 단계는 다중 소스 3D 합성곱으로, 80개의 커널을 사용해 각 물리량의 2D 슬라이스를 동시에 처리한다. 여기서 두 가지 3D 합성곱 전략—고도별 변수 결합과 변수별 고도 결합—을 자동으로 적용함으로써 복합적인 대류 메커니즘을 학습한다. 합성곱 결과는 배치 정규화와 맥스 풀링을 거쳐 50차원 특징 벡터로 압축된다.

두 번째 단계는 LSTM 인코더‑디코더이다. 연속된 세 시점(각 15분 간격)의 50차원 벡터를 시간 축에 따라 연결(concatenation)하고, 이를 150차원 입력으로 LSTM에 공급한다. LSTM은 시공간 상관관계를 모델링하여 30분 후 레이더 반사도가 35 dBZ를 초과할지를 예측한다. 최종 출력은 소프트맥스 층을 거쳐 확률값으로 변환되며, 임계값을 기준으로 이진 라벨을 부여한다.

실험에서는 7개의 강대성 폭풍 사건(총 60,450 샘플) 중 5개를 학습·검증, 2개를 테스트에 사용하였다. 비교 대상인 TITAN, SBOW, TrajGRU와의 정량적 평가에서 CNN‑LSTM은 CSI = 0.44, POD = 0.67, FAR = 0.43으로 가장 높은 종합 성능을 기록했다. 특히 ROC 곡선의 AUC가 0.9366으로 SBOW(0.7299)보다 현저히 우수했으며, 시각적 정성 분석에서도 폭풍 이동 경로와 강도 변화를 보다 정확히 포착하였다.

이러한 결과는 (1) 3차원 다중 소스 데이터를 직접 활용한 특징 추출, (2) 셀 기반 오버샘플링을 통한 데이터 불균형 완화, (3) 합성곱과 순환 신경망의 효과적인 결합이 대류성 폭풍의 초기 성장과 이동을 예측하는 데 큰 시너지를 제공한다는 점을 시사한다. 향후 연구에서는 더 다양한 지역·계절 데이터와 고해상도 수치 모델을 통합하고, 멀티스텝 예보(예: 60 분)로 확장함으로써 실용성을 높일 수 있을 것이다.