HRRR 예보오차 예측을 위한 LSTM 비교 연구 뉴욕 오클라호마 메소넷

초록

본 연구는 뉴욕주와 오클라호마주의 메소넷 관측을 활용해 HRRR 모델의 예보오차를 LSTM 신경망으로 예측한다. 두 지역의 지형·대기역학 차이를 비교하여 강수, 풍속, 온도 오차 예측 성능을 평가하고, 강수 과예보를 특히 잘 포착함을 확인하였다.

상세 분석

이 논문은 고해상도 단기예보 시스템인 HRRR의 시공간 오차를 실시간으로 보정하기 위한 머신러닝 접근법을 제시한다. LSTM 구조를 인코더‑디코더 형태로 설계하고, 입력 시계열에 메소넷 관측값을 지속(persistence)시켜 미래 시점의 결측을 보완하였다. 특징 변수는 HRRR 출력 30여 개와 메소넷의 온·습·풍·강수 등 15~16개를 포함했으며, 지형·토지피복(LULC) 정보를 k‑means 클러스터링으로 범주화해 LSTM에 추가하였다. 데이터 전처리는 5분 간격 관측을 시간대별(시각) 평균·누적으로 변환하고, 사이클릭 시간 인코딩(사인·코사인)으로 일·계절 변동을 반영하였다. 학습은 2018‑2022년 데이터를 사용하고, 2023년을 검증, 2024년을 테스트 셋으로 삼아 시계열 순서를 보존함으로써 미래 데이터 누수를 방지하였다.

성능 평가는 MAE와 HRRR 대비 개선율(%)로 수행했으며, 강수 오차 예측이 가장 우수하고(특히 과예보를 더 정확히 탐지), 풍속 오차는 과·저예보 구분 없이 일관된 성능을 보였다. 온도 오차는 변동성이 낮아 실제 관측보다 부드러운 예측을 제공했지만, 평균적인 정확도는 만족스러웠다. 지역별 차이는 뉴욕의 복잡한 지형·다변량 토양·산악 효과가 LSTM의 오류 학습에 기여한 반면, 오클라호마는 비교적 평탄한 지형으로 인해 모델이 덜 복잡한 패턴을 학습했다는 점에서 확인되었다. 또한, 최근 HRRR 버전(v2‑v4)별로 학습 데이터를 구분함으로써 모델이 버전 변화에 따른 시스템 편차를 적절히 반영하도록 설계하였다.

한계점으로는(1) 관측 결측을 단순 복제(persistence) 방식으로 처리한 점이 장기 예보 시 누적 오차를 야기할 가능성, (2) LSTM 외의 최신 시계열 모델(Transformer, Temporal Convolutional Network 등)과의 비교가 부족함, (3) 강수량이 낮은 건조 기간에 대한 예측 불확실성 증가가 있다. 향후 연구에서는 멀티모달 데이터(레이다·위성)와 하이브리드 구조를 도입하고, 지역별 맞춤형 모델 튜닝을 통해 예보오차 감소 효과를 극대화할 필요가 있다.