극한 강수 예측을 위한 파동렛 기반 다중스케일 모델 WADEPre

초록

WADEPre는 이산 파동렛 변환(DWT)을 이용해 강수 영상을 저주파 근사와 고주파 디테일로 분해하고, 각각 전용 네트워크(A‑Net, D‑Net)로 예측한 뒤 정제 모듈로 재구성한다. 다중‑스케일 커리큘럼 학습을 도입해 학습 안정성을 높였으며, SEVIR와 상하이 레이더 데이터에서 극한 강수 임계값(CSI)과 구조적 유사도(SSIM) 모두 기존 최첨단 모델을 크게 능가한다.

상세 분석

본 논문은 강수 강도의 heavy‑tailed 특성으로 인한 회귀‑to‑the‑mean 현상을 근본적으로 해결하고자 파동렛 도메인에서의 예측을 제안한다. DWT는 공간‑주파수 양쪽에서 국소성을 제공함으로써, 저주파 근사(A‑Net)와 고주파 디테일(D‑Net)이라는 두 개의 물리적 의미가 뚜렷한 서브스페이스로 데이터를 명시적으로 분리한다. A‑Net은 2D Conv‑Encoder와 3D Temporal Injector를 결합해 저주파 계수를 시공간적으로 압축하고, Dilated ResNet 기반의 STBlock을 통해 대규모 이동(adiabatic advection)을 고해상도 유지하면서 모델링한다. 반면 D‑Net은 멀티스케일 FPN 구조를 사용해 수평·수직·대각선 디테일 계수를 별도 처리함으로써 급격한 대류 셀과 경계선 같은 고주파 현상을 손실 없이 복원한다. 두 네트워크의 출력은 역 DWT(IDWT)와 정제(Refiner) 모듈을 거쳐 물리적 일관성을 강제한다. 특히, “스펙트럼 장벽”을 완화하기 위해 다중‑스케일 커리큘럼 학습을 도입했는데, 초기에는 저주파 손실에 높은 가중치를 두고 점진적으로 고주파 손실을 강화한다. 이는 고주파 학습이 불안정해지는 현상을 완화하고, 전체 손실 함수가 단계별로 수렴하도록 돕는다. 실험에서는 SEVIR와 상하이 레이더 데이터셋을 사용해 5~30분 예보에서 CSI@30 mm/h, CSI@50 mm/h 등 극한 임계값에서 기존 ConvLSTM, PredRNN, AlphaPre, NowcastNet 등을 크게 앞섰으며, SSIM에서도 구조적 보존 능력이 우수함을 확인했다. 코드 공개와 함께 재현성을 강조한 점도 긍정적이다. 다만, 파동렛 선택(예: Haar vs. Daubechies)과 레벨 수가 성능에 미치는 영향에 대한 정량적 분석이 부족하고, 실시간 운용을 위한 추론 속도 평가가 제한적이다. 향후 경량화와 다양한 파동렛 기반 변형을 탐색하면 실제 기상 서비스에 적용 가능성이 더욱 높아질 것이다.