딸기열 예측을 위한 신경망 활용 현황과 향후 과제

초록

본 체계적 리뷰는 2024년 9월까지 발표된 62편의 논문을 분석해, 딸기열(뎅기열) 예측에 신경망이 어떻게 적용되고 있는지를 정리한다. 대부분이 얕은 피드포워드 ANN을 사용했으며, 기후·역학 데이터가 주요 입력이다. 예측 시계열 길이는 일·주·월 등 다양하고, 비교 모델(트리 기반, 회귀 등)과의 성능 차이는 연구마다 다르다. 딥러닝(심층 CNN·RNN) 활용은 아직 제한적이지만 향후 데이터 다양화와 모델 투명성 강화가 필요하다는 결론을 제시한다.

상세 분석

이 리뷰는 PRISMA 기준에 따라 딸기열 예측에 신경망을 적용한 연구를 체계적으로 수집·분석하였다. 62편 중 58편이 얕은 피드포워드 인공신경망(ANN)을 사용했으며, 입력 변수는 주로 과거 발병 건수와 기후 요인(온도, 강수량, 습도 등)이다. 기후 데이터는 43편(≈69%)에서 사용됐고, 위성·위치 이미지, 모기 밀도, 사회적 미디어, 이동성 데이터 등 비기후 변수는 소수 논문에 한정적으로 포함되었다.

예측 시계열은 일간, 주간, 월간, 계절별, 연간 등 다양했으며, 특히 주간 데이터가 가장 흔했다. 지리적 범위는 도시·구역 수준에서 국가·대륙 수준까지 광범위했으며, 브라질(12편), 인도네시아(8편), 인도(5편)가 주요 연구 대상국이었다. 연도별 논문 수는 2017년 이후 급증했으며, 2019·2023·2025년에 피크를 보였다.

모델 구조별로는 ANN이 가장 많이 사용됐고, RNN(LSTM) 20편, GRU 4편, CNN 2편(주로 U‑Net 기반 이미지‑시계열 결합)으로 나타났다. 하이퍼파라미터는 에포크 수(최소 85·최대 8000), 은닉층 수(1100), 은닉 유닛 수(1256), 학습률(1e‑5~0.9) 등 폭넓게 보고되었으며, 최적화 기법은 Adam이 가장 흔했다. 활성화 함수는 ReLU가 6편, sigmoid이 4편 등으로 분포했다.

성능 비교에서는 63%의 연구가 최소 하나의 비교 모델(주로 트리 기반, ARIMA, 회귀)을 baseline으로 제시했으며, 그 중 약 절반이 신경망이 최고 성능을 기록했다고 보고했다. 그러나 평가 지표와 검증 방법이 일관되지 않아 직접적인 메타분석은 어려웠다.

투명성 측면에서는 71%가 오픈 액세스 형태로 논문을 제공했지만, 데이터는 완전 공개된 경우가 44편, 부분 공개가 5편, 제한된 경우가 13편에 불과했다. 코드 공개는 13편에만 이루어졌으며, 대부분이 오픈 액세스 저널에 게재된 경우에 한정되었다. 이는 재현 가능성과 모델 검증에 제약을 만든다.

심층 신경망(다층 CNN·RNN·Hybrid) 활용은 아직 초기 단계이며, 데이터 다양화(위성 이미지, 이동성, 사회적 미디어)와 구조적 변화를 반영한 모델링이 향후 연구 방향으로 제시된다. 또한, 모델 해석 가능성을 높이기 위한 SHAP, LIME 등 설명 기법 적용과, 기후 변화·도시화 등 외생 요인의 구조적 변화를 고려한 시계열 전이 학습이 필요하다.

요약하면, 현재 딸기열 예측에 신경망은 경쟁력 있는 도구로 자리 잡았지만, 모델 깊이, 입력 변수 다양성, 투명성·재현성 측면에서 개선 여지가 크다.