레이다 기반 강우 입자 크기 분포 예측: 분석·신경망·결정트리 비교

초록

본 연구는 영국 Sheepdrove Farm에서 2020‑2022년 수집한 OTT Parsivel 2 디스디미터 자료를 활용해 정규화된 3‑파라미터 감마 분포로 RSD를 모델링하고, 이를 기반으로 다양한 편극 레이더 관측값을 합성한다. 분석적 방법, 다층 퍼셉트론 신경망, 그리고 다양한 깊이·리프 수를 가진 결정트리를 학습시켜 100회씩 70/30 교차 검증을 수행하였다. 결과는 머신러닝 모델이 분석적 접근보다 전반적으로 우수하지만, 최적 모델은 목표 파라미터와 사용 가능한 레이더 변수에 따라 달라짐을 보여준다. 특히 제한된 입력(예: Z_h, Z_dr)에서는 적절히 설계된 결정트리가 높은 견고성을 보였다.

상세 분석

이 논문은 레이더 기반 RSD 추정에 대한 체계적인 비교 실험을 수행한 점에서 의미가 크다. 먼저 현장 디스디미터 데이터를 정규화된 3‑파라미터 감마 함수(N_w, D_0, μ)로 피팅하고, 감마 파라미터와 레이더 관측값(수평/수직 반사도 Z_h, Z_v, 차분 반사도 Z_dr, 특수 위상 K_dp 등) 사이의 물리적 관계를 이용해 10 000여 개의 합성 레이더 샘플을 생성하였다. 분석적 방법은 기존 문헌에 제시된 폐쇄형 식을 그대로 적용했으며, 이는 Z_h와 Z_dr만을 이용해 D_0와 N_w를 추정한다. 반면 신경망은 입력 피처 조합에 따라 1‑hidden‑layer(22~64 뉴런)부터 3‑hidden‑layer(최대 128 뉴런)까지 다양한 구조를 시험했으며, 활성화 함수는 ReLU와 tanh를 교차 검증하였다. 결정트리는 CART 기반으로 최대 리프 수를 6, 12, 24, 36으로 변형했으며, 부스팅과 배깅을 적용한 앙상블도 일부 실험에 포함되었다. 모든 모델은 동일한 70 % 훈련‑30 % 테스트 분할을 100번 반복해 평균 RMSE와 R²를 평가했으며, 이는 모델의 불확실성(Equifinality)과 일반화 능력을 정량화한다. 결과는 신경망이 복합 피처(예: Z_h, Z_dr, K_dp, ρ_hv)에서 가장 낮은 RMSE를 보였지만, 입력 차원이 감소하면 결정트리의 성능 저하가 거의 없으며 오히려 과적합 위험이 낮았다. 특히 D_0 추정에서는 36‑리프 트리가 Z_h와 Z_dr만으로도 0.12 mm 수준의 평균 오차를 달성했다. μ 파라미터는 모든 모델에서 가장 어려웠으며, 평균 절대오차가 0.35 ~ 0.48로 크게 차이 나지 않았다. 이러한 결과는 레이더 데이터 가용성에 따라 모델 선택이 달라져야 함을 시사한다. 또한 100회 반복 실험을 통해 모델 성능의 변동성을 확인했으며, 이는 실제 운영 환경에서 데이터 샘플링 편차가 결과에 미치는 영향을 반영한다.