"비 예보 정확해진다"…기계학습 활용 관측 오차 최대 42% 줄여

KAIST, 위성관측 데이터 활용한 알고리즘 개발
심층학습기법 적용 강수 여부, 강도 등 동시 학습

KAIST는 위성의 강수 관측값을 활용해 지상 강수량을 추정하는 새로운 기계학습법을 개발했다. KAIST 제공

기계학습을 이용해 강수량 관측의 오차범위를 줄일 수 있는 새로운 알고리즘이 개발됐다.

KAIST는 김형준 교수 연구팀과 일본 도쿄대 연구팀이 공동으로 인공위성에 탑재된 마이크포파 라디오미터의 관측값으로 지상 강수량을 추정하는 새로운 기계학습 방법을 개발했다고 25일 밝혔다.

이 방법을 적용하면 기존에 비해 강수량 오차를 최소 15.9%에서 최대 42.5%까지 줄일 수 있다. 강수량은 위성관측 자료를 기반으로 분석한다. 2014년 미국 NASA(항공우주국)과 일본 JAXA(우주항공연구개발기구)가 주도적으로 시작한 전지구 강수량 관측(GPM)이 이런 역할을 담당하고 있다. GPM의 강수량 추정을 위한 알고리즘으로 다양한 방법이 제안되고 있으며, 최근에는 기계학습을 이용한 방법들이 속속 나오고 있다.

하지만, 기존 방법은 데이터 기반 모델로 위성 관측으로부터 강수량을 추정하는 작업에 대한 지식은 전혀 고려하지 않고 있다. 연구팀은 딥러닝 기법을 이용해 강수량 분류 모델과 강수량 추정 모델을 통합해 동시 학습하는 모델을 위성 강수량 추정에 적용했다.

가령, 기상 분야에서 사용되는 임계값으로 강수 강도를 '약한 비', '중간 비', '강한 비'로 정의하고, 이를 모델에 반영했다. 아울러, 기계학습의 오차를 고려한 평가를 위해 모델을 여러 번 독립적으로 학습시켜 그 평균과 분산을 고려해 결과를 평가했다.

그 결과, 기존 GPM 기반의 강수 자료에 비해 강수량 추정에서 15.9∼42.5%의 오차를 줄이고, 강우 유무 분류에서 5.3∼34.3%의 개선 효과를 보였다고 연구팀은 설명했다.

김형준 교수는 "이번에 개발한 기계학습 모델에는 다양한 물리적 매커니즘을 포함하고 있어 비 또는 눈, 진눈깨비 등 강수 종류의 분류, 상승기류나 층상 구름 유형 등 강수를 일으키는 구름 유형의 분포를 통해 강수 추정 정확도를 높일 수 있다"고 말했다.

이 연구결과는 국제 학술지 '지구물리 연구 레터(지난 16일자)'에 게재됐다. 이준기기자 bongchu@dt.co.kr