머신러닝으로 예측하는 미국 주요 도시의 열지수

초록

본 연구는 랜덤 포레스트와 단일층 GRU 모델을 활용해 미국 네 도시(포틀랜드, 미니애폴리스, 달라스, 보스턴)의 다음날 열지수(Heat Index)를 예측한다. ERA5 재분석 자료의 기상 변수들을 입력으로 사용했으며, 평균 절대 오차는 4.5~6.6 °F, 정확도는 80 % 이상, 특히 달라스와 같은 고열지수 지역에서는 재현율·정밀도가 크게 향상된다. 모델은 지역별 특성에 따라 성능 차이를 보이며, 변수 중요도 분석을 통해 지역별 열파 메커니즘을 해석한다.

상세 분석

이 논문은 기후 변화와 도시 열스트레스 대응을 위한 실용적 도구 개발을 목표로, 기존 수치예보 모델이 24시간 이내 온도·습도 예측에서 보이는 편향을 머신러닝으로 보완하고자 한다. 데이터는 1979‑2022년 ERA5 재분석을 기반으로 하며, 5월‑9월 사이 10시 현지시간에 측정된 표면·850 hPa·700 hPa·500 hPa 네 개 고도에서 온도, 이슬점, 상대습도, 풍속·풍향, 지오포텐셜, 하강운동(Subsidence) 등을 추출한다. 목표 변수인 4시 열지수는 NWS 공식(로스푸즈식)을 적용해 계산했으며, 80 °F와 90 °F 두 임계값을 도시별 분포에 맞춰 설정하였다.

모델링은 두 가지 접근을 사용한다. 첫째, 랜덤 포레스트 회귀와 분류 모델을 구축해 연속값과 이진(임계 초과 여부) 예측을 동시에 수행한다. 변수 중요도 분석을 통해 지역별 열파 원인을 해석할 수 있다. 둘째, 단일층 GRU(Recurrent Neural Network) 모델을 도입해 시계열 입력(하나의 시간 단계)만으로도 충분히 성능을 끌어올릴 수 있음을 보였다. GRU는 내부 게이트 구조로 장기 의존성을 최소화하면서도 비선형 패턴을 효과적으로 학습한다.

성능 평가는 평균 절대 오차(MAE), 정확도(Accuracy), 재현율(Recall), 정밀도(Precision) 등으로 이루어졌다. 전체 평균 MAE는 4.5‑6.6 °F 범위이며, 포틀랜드·미니애폴리스와 같이 고열지수 일수가 적은 지역에서는 정확도는 높지만 재현율·정밀도가 낮아 ‘극한 사건’ 탐지에 한계가 있다. 반면 달라스는 고열지수 일수가 많아 모델이 충분한 학습 샘플을 확보하고, 재현율·정밀도가 90 % 이상으로 뛰어난 성과를 보였다. 특히 GRU 모델은 세 도시에서 95 % 이상의 정확도를 달성했으며, 이는 단일층 구조에도 불구하고 복잡한 기상-열지수 관계를 효과적으로 포착했음을 의미한다.

변수 중요도 결과는 지역별 메커니즘 차이를 강조한다. 달라스에서는 표면 온도와 상대습도가 가장 큰 기여를 했으며, 하강운동과 500 hPa 지오포텐셜도 중요한 보조 변수였다. 반면 포틀랜드와 보스턴에서는 풍향·풍속이 열지수 변동에 큰 영향을 미쳤고, 미니애폴리스는 고도별 온도 구배와 하강운동이 주요 요인으로 작용했다. 이러한 해석은 지역 맞춤형 열경보 전략 수립에 직접 활용될 수 있다.

연산 비용 측면에서도 랜덤 포레스트와 GRU 모두 상대적으로 가벼워, 지방 기상청이나 도시 기후 관리 부서가 실시간으로 적용하기에 충분히 실용적이다. 다만 데이터 전처리 단계에서 풍향을 각도형 변수로 다루는 문제와, 극한 사건(극단적인 열파) 학습 샘플 부족으로 인한 불균형 문제는 향후 연구에서 샘플 재조정, 합성 데이터 생성, 혹은 비용 민감 학습 기법을 도입해 보완할 필요가 있다.

요약하면, 이 연구는 제한된 기상 변수와 단일일 예보 목표에도 불구하고, 머신러닝이 기존 수치예보의 편향을 보정하고 지역 특화 열지수 예측에 유의미한 성과를 낼 수 있음을 실증한다. 향후 다변량 시계열 입력 확대, 앙상블 모델링, 그리고 실시간 운영 시스템 연계 등을 통해 예보 정확도와 신뢰성을 더욱 강화할 여지가 있다.