3.1 LSTM(Long short-term memory)

LSTM은 순환신경망인 RNN(Recurrent Neural Network) ⁽⁷⁾을 개선한 기법이다. RNN은 순차적인 정보를 처리하는데 적합하나 입력의 길이가 길어지면 앞의 데이터를 잊어버리는 단점이 있는데 비해, LSTM은 RNN의 은닉 상태 외에도 Cell state 를 추가하여 기억력을 증가 시킨다. 또한 Forget gate, Input gate, Output gate를 통해 기억과 망각 및 입출력 양을 조절할 수 있다.

3.2 LSTM 모델에서의 동풍 데이터 처리 과정

연직층의 층간 관계를 반영하기 위하여 LSTM의 입력 $x_{t}$에 6x6 2차원 데이터의 각 행을 순차적으로 입력한다. 전 단계 $t-1$에서의 LSTM Cell 출력($h_{t-1}$)과 결합되어 $t$시간의 LSTM Cell 내부의 연산을 통해 새로운 $h_{t}$가 출력된다. 이러한 과정이 그림 3에 나와있다. LSTM 내부의 $f_{t}$는 forget gate, $i_{t}$는 input gate, $g_{t}$는 memory cell, 그리고 $o_{t}$는 output gate를 나타낸다.

그림 3 동풍 데이터의 LSTM 처리 과정

Fig. 3 Processing of easterly wind data in LSTM

3.3 개선된 LSTM 모델

기본 단위 입력 데이터는 기압대가 높은 층에서 낮은 층으로 배열되어 있다. 그러나 기류의 변화는 상승과 하강 방향 모두 발생할 수 있으므로, LSTM에서의 순차적인 데이터 처리가 이를 반영하기에는 제한이 있다. 이를 해결하기 위하여, 연직층 간의 양방향 인접관계를 반영할 수 있는 양방향 데이터 입력 방식을 제안한다 (그림 4의 좌측). 또한, 한 층의 LSTM으로는 많은 수의 내부 파라미터를 효율적으로 학습하기 어렵기 때문에, LSTM을 한층 더 연결하여 2단 구조로 설계함으로써, 예측 모델의 성능 향상을 시도한다. 그림 4의 우측에 2단으로 구성된 LSTM 구조가 상승과 하강 입력에 대해서 각각 존재한다.

그림 4에 나와 있는 전체 구성도를 보면, LSTM Cell의 입력으로 각 연직층의 인자가 순차적으로 처리되며, 각 연직층의 중요 정보를 추출 및 압축하여 일정 크기의 열벡터로 출력하고, 완전연결층을 통해 동풍 유무를 판별한다.

그림 4 동풍 예측 LSTM 모델 구성도

Fig. 4 Construction of LSTM base prediction model for easterly wind

5.1 동풍 실험 환경

동풍 실험은 ECMWF 모델의 ERA5 데이터를 가지고 그림 6과 같이 한반도 주변지역을 대상으로 수행한다. 해당 영역내의 격자점 수는 2501(41x61)개이며, 각 격자점에 대해서 2013~ 2017년(5년치)의 데이터를 적용한다. 925hPa, 850hPa, 700hPa의 3가지 기압대에 대해서 동풍의 예측을 학습하고 평가한다. 6-UTC의 데이터를 이용하며, 이것은 6시간 이전 상태 데이터를 의미한다. 이를 통해서 현재 시점의 동풍을 예측한다.

그림 6 동풍 실험 대상 지역

Fig. 6 Region for experiments of easterly wind

표 1은 학습과 검증, 평가에 사용된 데이터 수로서, 각각 4:1:1 비율로 구성하고, 동풍과 비동풍 비율은 1:2로 구성한다. 각 격자점 별 및 각 층별 동풍의 유무가 다르므로 표 1과 같이 각 층별 데이터의 수가 다르다. 또한 데이터를 구성하는 각 인자 간 스케일을 맞춰주기 위해, 이상치를 제외한 값들을 정규화하여 사용한다.

동풍 예측 실험에 사용된 LSTM 기법의 학습 파라미터는 표 2와 같다.

5.2 동풍 실험 결과

925hPa, 850hPa, 700hPa의 3가지 기압대에 대해서 LSTM 학습을 통해 생성된 모델을 평가한 결과는 표 3과 같다. 925hPa, 850hPa, 700hPa 기압대의 동풍 예측 정확도(Accuracy)는 각각 93.13%, 96.28%, 96.23%로 우수한 성능을 나타낸다. 정밀도와 재현율에 대해서도 3가지 기압대 모두 평균 94% 대의 높은 성능을 보여준다. 정확도에서는 850hPa의 성능이 가장 우수하며, 정밀도(Precision)와 재현율(Recall) 성능은 700hPa에서 가장 우수하다. 지난 연구 ⁽⁵⁾에 비해 실험 기간을 5년으로 2배 이상 늘렸고, 데이터 인자를 100여개에서 36개로 대폭 축소했음에도 불구하고, 약간의 차이는 있지만 90% 중반의 우수한 성능을 얻어서 축소된 동풍 인자와 개선된 LSTM 기법이 효율적임을 확인할 수 있다.

5.3 강수 분류 실험 환경

강수 유형분류 실험 대상은 그림 7과 같이 동해안 지역이며, 강수 데이터를 확보할 수 있는 지점을 대상으로 한다. 해당 영역내의 격자점 수는 강원지역에 5개, 경상지역에 4개이다. 강수 사례가 적기 때문에 2008~2017년에 걸친 10년치의 데이터를 사용한다.

그림 7. 강수 실험 대상 지역

Fig. 7 Region for experiments of precipitation

그림 8. 강수 유형 분류 모델의 18x18 인자 구조

Fig. 8 18x18 data structure of classification model for precipitation

동풍 예측 모델과 같은 6x6 형태의 인자를 기본으로 주변 9개 격자점을 포함하여 인접한 지역의 인자들을 예측 모델의 입력에 포함한다. 재구성된 입력 인자들은 18x18 형태로 그림 8에 나와 있다. 강원지역과 경상지역에 대해서 동풍에 따라 발생하는 강수 유형을 학습하고 평가한다. 사용된 데이터 정보가 표 4에 나와 있다.

강수 유형 분류 실험에 사용된 LSTM 기법의 파라미터는 표 5와 같으며, 동풍 실험과는 배치 크기만 200으로 축소되었다.

5.4. 강수 분류 실험 결과