완전 자동화된 단기 CME 자기장 구조 예측 파이프라인

초록

본 논문은 CCMC DONKI 데이터베이스의 신규 CME 입력을 트리거로, 드래그 기반 ELEvo 모델로 도착 시간을 예측하고, 실시간 L1 인‑시투 데이터에서 딥러닝 ARCANE으로 자기 장애(MO)를 자동 검출한다. 검출된 MO 시작 시점부터 3DCORE 모델을 몬테카를로 방식으로 반복 적합해 남은 구간의 자기장 프로파일을 지속적으로 업데이트한다. 2013‑2025년 기간의 3870건 중 102건을 성공적으로 검출·재구성했으며, 61건의 ICMECAT 기준 사건에 대해 초기 관측만으로도 전체 재구성 수준의 예측 정확도를 달성했다. 평균적인 극값 시점 오차는 약 5시간, 강도 오차는 약 10 nT였으며, 관측 구간이 확대될수록 개선 폭은 제한적이었다.

상세 분석

이 연구는 세 가지 핵심 모듈을 완전 자동화된 파이프라인으로 결합함으로써, 기존에 인간 개입이 필수였던 CME 내부 구조 예측을 실시간 운영 수준으로 끌어올렸다. 첫 단계인 ELEvo는 원일반 타원형 전선을 가정하고, 드래그 파라미터 γ와 주변 태양풍 속도 V_sw를 확률 분포로 샘플링해 도착 시간의 불확실성을 정량화한다. 이를 통해 도착 예상 시점을 윈도우로 설정하고, 실시간 NOAA RT‑SW 데이터(10 분 해상도)에서 ARCANE 딥러닝 모델이 MO 시작과 종료를 자동 식별한다. ARCANE은 다중 채널(Bx, By, Bz, |B|, Np, Tp, V, β) 시계열을 동시에 학습해 높은 검출 정확도와 낮은 거짓 양성을 보이며, 데이터 공백을 선형 보간으로 보완한다.

MO가 검출되면 3DCORE가 활성화된다. 3DCORE는 반원형 단면을 갖는 반전형 플럭스 로프를 반경‑방향으로 전개하는 반경‑시간 모델이며, 파라미터(축 방향, 토크, 반경, 중심 위치 등)를 몬테카를로 샘플링으로 탐색한다. 관측된 MO 구간을 입력으로 하여, 현재까지 관측된 데이터와 모델이 생성한 가상 시계열 사이의 최소 제곱 차이를 비용 함수로 사용한다. 이 과정은 매 10 분마다 재실행돼, 남은 구간에 대한 Bz 최소값, 극값 시점, 전체 강도 프로파일을 실시간으로 업데이트한다.

성능 평가는 ICMECAT에 등재된 61건의 ‘그라운드 트루스’ 사건을 기준으로 수행되었다. 초기 MO 10 %만 사용했을 때도 전체 재구성 대비 평균 Bz 최소값 오차가 0.8 nT 이하이며, 극값 시점 오차는 5 시간 이내였다. 관측 구간을 50 %까지 확대해도 오차 감소율은 10 % 미만에 그쳤는데, 이는 플럭스 로프 가정이 실제 CME의 비선형 변형·왜곡을 충분히 포착하지 못하기 때문이다. 특히, 급격한 ‘펜케이킹’이나 다중 CME 상호작용으로 인한 비대칭 구조는 모델이 체계적으로 강도를 낮게 예측하게 만든다.

이 파이프라인은 연간 3870건의 DONKI 입력 중 406건을 Earth‑impact 가능으로 판단하고, 그 중 102건을 실시간 MO 검출, 84건을 성공적 3DCORE 재구성으로 연결한다. 이는 기존 연구에서 보고된 10 % 미만의 재구성 성공률을 크게 상회한다. 또한, 자동화된 Monte Carlo 적합은 인간이 수행하는 수동 파라미터 튜닝에 비해 5배 이상 빠른 처리 시간을 보이며, 운영 환경에서 1 시간 이내에 최종 예측을 제공한다.

한계점으로는 (1) 플럭스 로프 모델 자체의 구조적 제약, (2) 드래그 파라미터와 배경 태양풍 속도의 불확실성이 도착 시간 오차에 미치는 영향, (3) 실시간 데이터의 품질·갭이 ARCANE 검출 정확도에 미치는 민감도 등이 있다. 향후 연구에서는 비원형 단면·다중 토크 모델을 도입하고, MHD 기반 전방 예측과 결합해 드래그 파라미터를 동적으로 보정하는 방안을 모색한다.