효율적인 지역 폭풍 해일 대체 모델 훈련 전략

초록

본 연구는 기후·지형 변화 시나리오를 포함한 다중 미래 상황에 대비하기 위해, 격자점, 입력 변수, 폭풍 샘플 세 차원에서 훈련 데이터를 대폭 축소하는 방법을 제안한다. 80 000개 격자점 중 5 000개, 12개 입력 변수 중 10개, 90개 폭풍 중 60개만 사용해도 상관계수 0.94를 달성했으며, 다양한 머신러닝 알고리즘에 대해 일관된 성능을 보였다.

상세 분석

이 논문은 해안 지역의 폭풍 해일 예측에 머신러닝 기반 대체 모델을 적용하면서, 미래 기후·지형 시나리오를 동시에 고려해야 하는 현실적인 문제를 다룬다. 기존 연구에서는 전체 격자점(≈80 000)과 전체 폭풍 집합(645개)을 사용해 모델을 학습했지만, 이는 시나리오가 늘어날수록 계산 비용이 기하급수적으로 증가한다는 한계가 있다. 저자들은 훈련 데이터 축소를 “격자점 감소”, “입력 특성 감소”, “폭풍 집합 감소”라는 세 축으로 체계화하였다.

격자점 감소에서는 k‑means 클러스터링을 이용해 대표 격자점을 선정했으며, PCA 기반 특성을 보조 입력으로 활용해 클러스터링의 품질을 높였다. 고정된 대표 격자점과 시나리오별로 재클러스터링한 유동적 격자점 두 방식을 비교한 결과, 격자점 수가 적을 때는 유동적 접근이 우수했지만, 충분히 많은 격자점을 사용할 경우 두 방식의 차이는 미미했다. 또한, 시나리오마다 격자점 수를 다르게 할당하는 ‘불균형 훈련’은 특정 지역(예: 미시시피 강 서쪽)에서 오차를 크게 증가시켜, 데이터 균형의 중요성을 재확인시켰다.

입력 특성 감소에서는 12개의 원래 변수 중 상관관계와 변수 중요도 분석을 통해 10개만을 선택하였다. 불필요한 변수(예: 일부 풍향 파라미터) 제거는 학습 속도를 높이고 과적합 위험을 낮추면서도 예측 정확도에 큰 영향을 주지 않았다.

폭풍 집합 감소는 가장 큰 비용 절감 효과를 보였다. 전체 645개 폭풍 대신 60개의 대표 폭풍을 선택했으며, 선택 방법으로는 클러스터링 기반 대표 샘플링과 적응형 샘플링을 결합했다. 이 과정에서 위험 곡선 적분 오류를 최소화하도록 설계된 최적화 알고리즘을 적용해, 제한된 폭풍 수에도 불구하고 위험 곡선 재구성이 정확히 이루어졌다.

모델 평가에서는 피드포워드 신경망(4개 은닉층, 각 256 뉴런) 외에도 랜덤 포레스트, 그래디언트 부스팅, 서포트 벡터 머신 등 다양한 알고리즘을 적용했으며, 모든 알고리즘이 데이터 축소 후에도 R²≈0.94 수준의 상관계수를 유지했다. 이는 제안된 축소 전략이 모델 구조에 독립적이며, 향후 새로운 시나리오 데이터가 추가될 때도 동일한 효율성을 제공한다는 것을 의미한다.

전반적으로 이 연구는 (1) 고해상도 격자점과 풍속·압력 등 폭풍 파라미터를 동시에 고려하는 복합 입력 구조, (2) 기후·지형 변동을 반영한 다중 시나리오 학습, (3) 계산 비용을 95% 이상 절감하면서도 예측 정확도를 유지하는 실용적인 워크플로우를 제시한다. 향후 해안 방재 정책 수립, 투자 우선순위 결정, 실시간 위험 경보 시스템 등에 바로 적용 가능할 것으로 기대된다.