단순 역거리 가중치(IDW)가 기후 인 시투 데이터 복원에서 kriging과 신경망을 제치다

초록

본 연구는 희소한 기후 관측 데이터를 복원하기 위해 역거리 가중치(IDW), 보통 크리깅(OK), 그리고 최신 암시적 신경표현(MMGN) 세 방법을 동일한 하이퍼파라미터 튜닝 절차와 검증 분할을 통해 비교하였다. 100개의 무작위 샘플 데이터셋을 대상으로 RMSE, MAE, Δ_MAX, R² 등 네 가지 품질 지표를 평가한 결과, IDW가 가장 낮은 오차와 가장 높은 설명력을 보이며 계산 시간에서도 현저히 우수하였다. 통계적 검증(Dunn 사후검정, 효과 크기)에서도 IDW의 우수성이 일관되게 확인되었다.

상세 분석

본 논문은 기후 인-시투 데이터 복원 문제를 세 가지 대표적인 방법론으로 접근한다. 첫 번째는 가장 직관적인 역거리 가중치(IDW)로, 관측점 간 거리의 역비례를 가중치로 사용해 선형 보간을 수행한다. 두 번째는 공간 통계학의 기반이 되는 보통 크리깅(OK)으로, 변이 함수(variogram)를 사전에 추정하고 이를 통해 최적 선형 무편향 추정량을 계산한다. 세 번째는 최근 주목받는 암시적 신경표현(Implicit Neural Representation)인 MMGN(멀티스케일 메타그래프 네트워크) 아키텍처로, 연속적인 좌표를 입력받아 고차원 특징을 학습함으로써 복잡한 비선형 패턴을 재현한다.

실험 설계는 100개의 무작위 희소 데이터셋을 ECA&D 데이터베이스에서 추출하고, 각 방법에 대해 동일한 교차 검증 파이프라인을 적용해 최적 하이퍼파라미터를 탐색하였다. 하이퍼파라미터 공간은 IDW의 이웃 수(k), OK의 변이 모델(구형, 구면, 지수형) 및 범위 파라미터, MMGN의 레이어 수, 은닉 차원, 학습률 등으로 구성되었다. 검증 손실을 최소화하는 조합을 선택한 뒤, 독립 테스트 셋에서 RMSE, MAE, Δ_MAX, R²를 측정하였다.

통계 분석에서는 비정규성을 고려해 Friedman 검정을 수행하고, 사후 검증으로 Dunn 테스트와 Bonferroni 보정을 적용하였다. 효과 크기는 Kendall’s W와 Cohen’s d를 이용해 해석하였다. 결과는 IDW가 평균 RMSE 3.00 ± 1.93, MAE 1.32 ± 0.77, Δ_MAX 24.06 ± 17.15, R² 0.68 ± 0.16을 기록하며, OK와 MMGN에 비해 모두 유의미하게 낮은 오차와 높은 설명력을 보였다. 특히 계산 시간 측면에서 IDW는 평균 0.02 초(±0.01 초)로, OK는 0.45 초, MMGN은 12.3 초에 달해 실시간 혹은 대규모 배치 처리에 적합함을 입증했다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, 복잡한 통계 모델이나 딥러닝 구조가 반드시 성능 향상을 보장하지 않으며, 데이터의 공간적 밀도와 변동성에 따라 단순한 거리 기반 보간이 최적일 수 있음을 강조한다. 둘째, 하이퍼파라미터 최적화와 검증 절차가 충분히 이루어졌을 때, IDW와 같은 저비용 방법도 고차원 비선형 모델과 동등하거나 우수한 재현성을 달성할 수 있음을 보여준다. 향후 연구에서는 다양한 기후 변수(강수량, 온도, 풍속)와 비정규 분포를 가진 극단값 상황에서의 확장성을 검증하고, 혼합 모델(예: IDW‑Kriging 하이브리드) 개발을 통해 더욱 견고한 복원 프레임워크를 모색할 필요가 있다.