KAIST, 기계학습으로 강수 확률 정확도 높였다

- 김형준 KAIST 교수·일본 도쿄대 공동연구팀
- 강수관측 오차범위 42.5% 줄인 알고리즘 개발

김형준 KAIST 문술미래전략대학원 교수.[KAIST 제공]

[헤럴드경제=구본혁 기자] 강수량의 정확한 파악은 지구의 물 순환을 이해하고 수자원과 재해 대응을 위해 중요하다. 최근 강수량 추정을 위해 기계학습을 이용한 새로운 방법들이 제안되고 있다.

카이스트(KAIST)는 문술미래전략대학원 김형준 교수와 일본 도쿄대 국제 공동연구팀이 인공위성에 탑재된 마이크로파 라디오미터의 관측값을 이용해 지상 강수량을 추정하는 새로운 기계학습 방법을 제안했다고 25일 밝혔다. 연구팀은 기존 방법과 비교해 전 강수량에 대해 오차(RMSE)를 최소 15.9%에서 최대 42.5%까지 줄이는데 성공했다.

단순한 데이터 주도 모델은 대량의 훈련 데이터가 필요하고 물리적인 일관성이 보장되지 않으며 결과 원인 분석이 어렵다는 등의 문제가 있었다. 연구팀은 이번 연구에서 위성 강수량 추정에 대한 분야 지식을 명시적으로 포함함으로써 학습 모델 내의 상호 의존적인 지식 교환을 구현했다. 구체적으로, 멀티태스크 학습이라는 심층 학습 기법을 사용해 강수 여부를 인식하는 분류 모델과 강수 강도를 추정하는 회귀 모델을 통합하고 동시에 학습시켰다.

연구팀의 실험 결과 제안모델은 기존 강수 자료 대비 강수량 추정에서 15.9~42.5%, 강우 유무 분류에서 5.3~34.3%의 오차 개선율을 달성했다. 또한 기존 딥러닝 모델을 이용한 실험과의 비교에서도 제안된 모델이 전반적으로 더 나은 정확도를 구현하고, 편향이 적은 강수량 추정을 실현하고 있음을 확인했다.

다중 작업학습과 단일 작업학습 개념도.[KAIST 제공]

이번 연구에서 제안한 기계학습 모델에는 이번에 포함된 메커니즘 외에도 다양한 물리적 메커니즘을 포함할 수 있다. 예를 들어, 비 또는 눈, 진눈깨비 등 강수 종류의 분류 및 상승 기류 또는 층상 구름 유형 등 강수를 일으키는 구름 유형의 분류를 포함함으로써 앞으로 추정의 정확도가 더욱 향상될 것으로 기대된다.

김형준 교수는 “이번 연구는 보다 정확한 강수량 측정 뿐만 아니라 차세대 기후 모델링에서 요구되고 있는 물리 방정식을 이용한 모델과 기계 학습의 하이브리드 기술의 일환으로도 응용이 가능하다는 점에서 또한 주목할 만 하다”고 말했다.

이번 연구결과는 국제학술지 ‘지구물리 연구 레터’ 4월 16일 출판됐다.

nbgkoo@heraldcorp.com