태국 강우 예측을 위한 강화학습 기반 북동몬순 지수 개발

초록

본 연구는 태국의 장기 강우 예측 정확도를 높이기 위해, 해수면 온도(SST) 기반의 새로운 북동몬순(NEM) 지수를 설계하고, Deep Q‑Network(DQN) 강화학습 에이전트를 이용해 최적의 사각형 영역을 자동 탐색한다. 12개의 기상 관측소 군집을 정의한 뒤, 최적화된 NEM 지수를 LSTM 모델에 통합함으로써 12개월 선행 예측 시 RMSE를 현저히 감소시켰다.

상세 분석

이 논문은 기후 예측 분야에서 ‘지역‑스케일 인덱스’를 체계적으로 발굴하는 절차를 제시한다는 점에서 혁신적이다. 먼저, 기존 ENSO·PDO·MJO 등 전 지구적 인덱스가 장기 강우 예측에 유용하지만, 태국 내 지역적 변동성을 충분히 포착하지 못한다는 문제점을 지적한다. 이를 보완하기 위해 저자는 북동몬순(NEM) 기간(10~3월) 동안 남동아시아·태국 남부에 영향을 미치는 해수면 온도 변동을 반영하는 새로운 지수를 정의한다. 핵심은 두 개의 SST 사각형 영역(A, B)을 선택해 그 평균 온도 차이를 지수값으로 사용하는데, 이 영역의 위치와 크기를 사람이 직접 지정하는 대신 DQN 기반 강화학습으로 최적화한다.

DQN 설계는 다음과 같다. 상태(state)는 현재 사각형 좌표(위도·경도)이며, 행동(action)은 ±0.5° 단위의 이동 혹은 크기 조정(shift‑only와 shift‑and‑resize 두 설정)이다. 보상은 시즌‑어웨어 목표함수의 값, 즉 NEM 지수와 각 군집의 강우 시계열 간의 제곱 상관계수(ρ²)의 합으로 정의된다. 이 목표함수는 NEM onset(남부)와 retreat(북부) 두 시기의 상관을 동시에 고려해, 지수가 양쪽 시즌 모두에서 강우와 높은 부(-)상관을 유지하도록 설계되었다. 학습은 100,000 타임스텝, 감쇠율 0.99, 탐색 확률 0.1 등 표준 DQN 파라미터를 사용했으며, 결과적으로 shift‑only 설정에서 Q값 0.497, shift‑and‑resize에서는 0.412를 달성, 초기 문헌 기반 영역( Q=0.052) 대비 크게 개선되었다.

데이터 측면에서 저자는 1982‑2024년의 태국 기상청(TMD) 74개 관측소와 2014‑2024년의 수문학 연구소(HII) 384개 관측소를 활용한다. HII 데이터는 군집 분석에 사용돼 12개의 공간적 클러스터를 도출했으며, TMD 데이터는 DQN 학습 및 LSTM 훈련에 사용되었다. 군집은 PCA 차원 축소 후 유클리드 거리 기반 계층적 군집화 알고리즘으로 정의되었으며, 남부(클러스터 1‑4)와 북부(클러스터 5‑12)로 명확히 구분된다.

예측 모델은 24개월 입력, 12개월 선행을 목표로 하는 LSTM이며, 입력 피처는 기존 글로벌 인덱스(DMI, MEI, PDO, MJO, BSISO, SWM, ONI)와 최적화된 NEM 지수를 포함한다. 피처 선택 기준은 각 클러스터 평균 강우와의 절대 상관계수가 0.6 이상인 경우만 포함하였다. 두 개의 학습 폴드(1982‑2019/2020‑2021, 1982‑2022/2023‑2024)를 사용해 모델을 평가했으며, 성능 지표는 RMSE이다. 결과는 남부 클러스터 1,2,4에서 RMSE가 각각 5.25, 5.56, 8.54 mm/month 감소했으며, 북부 클러스터 5‑12에서도 전반적으로 3‑10% 정도 개선되었다. 특히 클러스터 6,9,12에서는 RMSE가 5.9%~11% 감소했다.

한계점으로는 (1) DQN이 이산 행동공간에 제한돼 연속적인 영역 최적화가 어려울 수 있다, (2) 시즌‑어웨어 목표함수가 상관계수에만 의존해 비선형 관계를 충분히 포착하지 못할 가능성, (3) LSTM 외 다른 시공간 모델(Convolution‑LSTM, Graph Neural Network 등)에 대한 비교가 부족하다. 향후 연구에서는 연속 행동을 다루는 DDPG나 PPO 적용, 멀티‑스케일 시계열 모델 도입, 그리고 기후변화 시나리오(예: RCP8.5) 하에서 지수의 변동성을 검증하는 것이 필요하다.

전반적으로 이 논문은 지역 특화 기후 인덱스를 자동으로 탐색·최적화하는 프레임워크를 제시함으로써, 기후 데이터 과학과 강화학습의 융합 가능성을 보여준다.