전이학습으로 데이터 부족 지역의 지진 진동 예측 성능 향상

초록

본 연구는 이탈리아 중서부 지역(피사 인근 VIRGO 관측소)에서 지진 발생 시 지진계 파형만을 이용해 피크 지반 가속도·속도·스펙트럼 가속도를 신속히 예측하는 CNN 모델을 구축하였다. 기존에 대규모 CI 데이터셋으로 학습한 모델을 그대로 적용하면 데이터가 부족한 지역에서는 성능이 저하된다. 이를 해결하기 위해 두 가지 전이학습(TL) 전략—(1) CI 데이터셋으로 사전학습한 모델 가중치를 초기화에 활용, (2) 단일관측소 진도 추정 과제로 사전학습한 모델의 초기 층을 이용—을 적용하였다. 또한 관측소 위치 정보를 메타데이터로 추가하였다. TL와 위치 메타데이터를 결합하면 잔차 편향·분산·이상치 비율이 현저히 감소하고, EEW 적용 시 경고 시간도 충분히 확보할 수 있음을 보였다.

상세 분석

이 논문은 기존 J2020 연구에서 제시한 다관측소 CNN 기반 지진 강도 예측 모델을 데이터가 상대적으로 부족한 지역에 적용하려는 시도이다. 핵심 문제는 훈련 데이터가 915건인 CI 데이터셋에 비해 피사 지역에서는 266건(실제 사용된 파형은 256건)으로 급격히 감소한다는 점이다. 데이터 양이 적으면 CNN의 파라미터가 과적합되기 쉽고, 특히 다관측소 구조를 학습하는 고차원 특징 추출 단계에서 일반화 성능이 크게 떨어진다.

전이학습(TL)은 이러한 상황을 완화하는 대표적 방법이다. 논문에서는 두 가지 TL 경로를 설계했다. 첫 번째는 동일한 과제(다관측소 IM 예측)지만 더 큰 CI 데이터셋으로 사전학습한 모델의 가중치를 초기화에 활용한다. 여기서는 첫 두 개의 합성곱 층만을 가져와 파형의 저수준 특징(진폭, 주파수 패턴 등)을 재사용하고, 이후 층은 무작위 초기화한다. 두 번째는 과제가 다르지만 파형 특징 추출에 유용한 단일관측소 진도 추정 모델을 활용한다. LEN‑DB와 STEAD라는 전 세계 규모의 데이터베이스(각각 77 k·, 106 k 건)를 이용해 첫 두 합성곱 층을 학습시킨 뒤, 이를 현재 다관측소 모델에 전이한다. 이렇게 하면 파형의 일반적인 물리적 특성을 학습한 상태에서 지역 특화된 상관관계를 학습할 수 있다.

또한 모델에 관측소 위치 메타데이터(각 관측소와 기준점 간 거리·방위, Vs30)를 추가하였다. 이는 기존 CNN이 순수히 파형 패턴만을 이용해 공간 정보를 추론하는 한계를 보완한다. 메타데이터는 플래트닝 후 결합 레이어에 입력되며, 드롭아웃을 플래트닝 레이어 뒤로 이동시켜 학습 안정성을 높였다.

실험 결과는 네 가지 주요 지표(이상치 비율, 평균 편향, RMSE, 변동성)에서 TL 적용이 모두 개선됨을 보여준다. 특히 CI‑기반 TL은 가장 큰 성능 향상을 보였으며, 단일관측소 TL도 유의미한 개선을 제공한다. 위치 메타데이터를 포함한 모델은 잔차의 분산이 최소화되고, 예측값이 실제 ShakeMap 값과 더 가까워졌다. EEW 관점에서 PII 관측소에 대한 경고 시간은 평균 3~4초 정도 확보되었으며, 이는 실시간 경보 시스템에 충분히 적용 가능한 수준이다.

한계점으로는 (1) 전이학습에 사용된 사전학습 데이터와 목표 지역 간 지질·구조 차이가 클 경우 성능 저하 위험, (2) 관측소 수가 매우 적은 경우 메타데이터가 과도하게 모델을 복잡하게 만들 수 있음, (3) 파형 길이와 시작 시점(가장 가까운 관측소 P 도착 시점 기준) 선택이 결과에 민감하게 작용한다는 점을 들 수 있다. 향후 연구에서는 다양한 지역에 대한 다중 TL 전략을 비교하고, 트랜스포머 기반 모델과 결합해 입력 관측소 수가 가변적인 상황에서도 강인한 성능을 확보하는 방안을 모색할 필요가 있다.