Preview
Research Article

Journal of Korea Water Resources Association. 31 December 2024. 1099-1108
https://doi.org/10.3741/JKWRA.2024.57.12.1099

Correction and evaluation of snow depth spatial data for South Korea based on Multi-Layer Perceptron

Multi-Layer Perceptron 기반 남한 적설 깊이 공간 자료 보정 및 평가
Hyunho Jeona
,
Yuju Chunb
,
Yangwon Leec
,
Jinsoo Kimc
,
Minha Choidef*
전 현호a
,
전 유주b
,
이 양원c
,
김 진수c
,
최 민하def*
aPh.D Candidate, Department of Global Smart City, Sungkyunkwan University, Suwon, Korea
bUndergraduate Student, School of Civil, Architecture Engineering and Landscape Architecture, Sungkyunkwan University, Suwon, Korea
cProfessor, Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University, Busan, Korea
dProfessor, Department of Water Resources, Sungkyunkwan University, Suwon, Korea
eProfessor, School of Civil, Architecture Engineering and Landscape Architecture, Sungkyunkwan University, Suwon, Korea
fProfessor, Department of Global Smart City, Sungkyunkwan University, Suwon, Korea
a성균관대학교 글로벌스마트시티융합전공 박사수료
b성균관대학교 건설환경공학부 학사과정
c부경대학교 지구환경시스템과학부 공간정보공학전공 교수
d성균관대학교 수자원전문대학원 수자원학과 교수
e성균관대학교 건설환경공학부 교수
f성균관대학교 글로벌스마트시티융합전공 교수
*Corresponding Author

© 2024 Korea Water Resources Association. All rights reserved.

License (open-access, https://creativecommons.org/licenses/by/4.0):

©It is identical to the Creative Commons Attribution Non-commercial License (https://creativecommons.org/licenses/by/4.0)

ABSTRACT

Snow is a key component in hydrological cycles and climate change research, and has a significant impact on a multitude of industries and societal domains, including agriculture, energy production, and disaster preparedness. In this study, a Multi-Layer Perceptron (MLP) model was employed for the purpose of correcting Local Data Assimilation and Prediction System (LDAPS) snow depth data for South Korea and evaluating its utility. The MLP model was trained on a combination of LDAPS snow depth, surface temperature, net radiation, and NASA Digital Elevation Model (NASADEM) data. The statistical analysis between Automated Synoptic Observing System (ASOS) ground observation data and LDAPS reanalysis data demonstrated that the MLP model effectively corrected the error of LDAPS, with a correlation coefficient and root mean square error (RMSE) of 0.838 and 0.048 m, respectively. Furthermore, the MLP model effectively represented the spatial distribution of LDAPS snow depths, providing a more accurate reflection of the variations in snow depth resulting from climate change and extreme weather events. The MLP-based snow depth data produced in this study is anticipated to serve as a valuable resource for climate change analysis and disaster preparedness in South Korea. In the future, the incorporation of time series models such as Long Short-Term Memory (LSTM) is expected to enhance the predictive capabilities of the model.

Keywords
Snow depth
MLP
LDAPS
Climate change
Data corrections

눈은 물순환과 기후 변화 관련 연구의 핵심 요소로, 농업, 에너지 생산, 방재 등 여러 산업과 사회적 분야에서 중요한 역할을 한다. 본 연구에서는 남한을 대상으로 Multi-Layer Perceptron (MLP) 모델을 사용하여 Local Data Assimilation and Prediction System (LDAPS) 적설 깊이 자료를 보정하였으며, 학습 결과의 통계 분석 및 공간 분포 분석을 통해 자료의 활용 가능성을 평가하였다. MLP 모델의 입력 자료로 LDAPS 적설 깊이, 지표면 온도, 순복사량과 NASA Digital Elevation Model (NASADEM) 자료 간의 조합을 구성하였으며, 이를 통해 각 데이터와 ASOS 적설 깊이 자료 간의 관계성을 파악하고자 하였다. Automated Synoptic Observing System (ASOS) 지상 관측 자료와 LDAPS 재분석 자료 및 MLP 모델 자료 간의 통계 분석 결과, MLP 모델은 상관계수와 RMSE가 각각 0.838, 0.048 m로 LDAPS의 오차를 효과적으로 보정하였다. 또한, LDAPS와 MLP 모델 자료의 공간 분포를 비교하였을 때, 기후 변화 및 이상 기후에 따른 적설량 변동이 자료에 반영된 것을 확인할 수 있었다. 본 연구에서 생산된 MLP 기반 적설 깊이 자료는 기후변화에 대응하는 기초 방재 자료로 활용 가능할 것이며, 추후 Long Short-Term Memory (LSTM)과 같은 시계열 자료 기반 예측 모델을 도입하여 우수한 성능의 예측 자료를 생산할 수 있을 것으로 기대된다.

키워드
적설 깊이
MLP
LDAPS
기후변화
데이터 보정

MAIN

  • 1. 서 론

  • 2. 데이터 및 방법론

  •   2.1 연구 지역

  •   2.2 ASOS

  •   2.3 LDAPS

  •   2.4 NASADEM

  •   2.5 MLP

  • 3. 결과 및 고찰

  •   3.1 데이터 조합별 MLP기반 적설 깊이 자료 학습 성능 평가

  •   3.2 데이터 조합별 MLP 기반 적설 깊이 자료 학습 결과

  •   3.3 AI 기법을 활용한 적설 깊이 공간 자료 생성

  • 4. 결 론

1. 서 론

눈은 수문학적 순환과 기후 변화 연구에서 핵심적인 요소로, 농업, 에너지 생산, 재난 대비 등 다양한 산업과 사회적 영역에서 중요한 역할을 한다(Barnett et al., 2005). 눈은 지표면의 반사율을 높여 지구 복사 에너지를 조절하고, 해빙기에는 적설량이 토양 수분과 유출량에 직접적인 영향이 있어 기후 모델링에서도 필수적인 변수로 사용된다(Hall, 2004). 관련 연구가 활발하게 이루어지고 있는 다른 국가에 비해 남한은 기후 및 지리학적 특성으로 인해 강설 및 적설량이 적게 나타나고 있으나, 최근 이상 기후로 인해 일부 지역에서 폭설이 다수 발생하고 있다(Ha and Chung, 2019). 폭설은 사회 기반 시설과 경제 활동에 심각한 영향을 줄 수 있으며, 특히 일반적으로 강설량이 적게 발생하여 관련 대비가 부족한 지역에서 폭설이 발생할 시 그 피해가 커질 수 있다(Changnon et al., 1997). 따라서 정확한 적설 깊이 데이터를 확보하고 이를 분석하는 것은, 기후 변화 대응과 기상 예측, 그리고 방재 계획 수립에 있어 매우 중요한 과제이다. 최근 연구에서는 공기 온도, 상대 습도, 강수 데이터를 기반으로 한 확률적 접근법을 통해 실제 관측 데이터와 높은 상관성을 보이며 다양한 환경과 조건에 적용 가능한 현실적인 연속 눈 깊이 데이터를 시뮬레이션하는 모델을 개발한 바 있다(Park and Kim, 2023).

적설 자료는 점 단위 자료인 지상 관측 자료와 격자 단위 자료인 위성 자료, 재분석 자료로 구분할 수 있다. 지상관측자료는 관측소에서 직접 수집된 데이터로 높은 정확성을 가진 자료를 제공하지만, 광범위한 지역의 자료 분석이 필요한 경우 낮은 공간대표성으로 인해 지역 간 변동성을 충분하게 반영하지 못하는 한계가 있다(Groisman et al., 1994). 이에 대한 대안으로, 격자 단위 자료인 위성 자료를 활용할 수 있으나, 위성에 탑재된 센서의 특성에 따라 기상 상태의 영향을 크게 받거나 해상도 또는 정확도가 떨어질 수 있다(Frei and Robinson, 1999). 또 다른 격자 단위 자료인 재분석 자료는 위성, 지상 관측, 모델 자료를 통합해 생산되는 자료로, 기상 및 기후 연구에서 널리 활용되는 자료이다. 하지만 재분석자료는 기본적으로 모델에 의존해 생성된 자료로 실제 관측값과 차이가 발생할 수 있다(Dee et al., 2011).

여러 선행연구에서 관측 자료와 모델 자료 간의 차이를 줄이기 위해 다수의 보정 방법이 활용되었다. 통계적 기법을 사용한 대표적인 보정 방법으로 누적분포함수를 활용한 cumulative distribution function (CDF) matching이 있다(Piani et al., 2010). CDF matching은 두 데이터 세트 간의 분포 차이를 줄이기 위해 각 자료의 확률 분포를 일치시키는 방식으로 작동하며, 기상 자료의 편차를 줄이고 관측된 적설 자료와 모델링 결과 간의 오차를 줄여 더 신뢰성 있는 데이터를 생성하는 데 기여할 수 있다. 다른 보정 기법으로는 triple collocation (TC)기반 자료 융합 방법이 있다(Stoffelen, 1998). TC는 독립적이며 정규분포를 따르는 참값이 아닌 세 가지 자료의 정확도 또는 오차를 계산하는 통계적 기법으로, 각 자료의 오차 분산에 기반하여 가중치를 계산 및 부여하는 방식으로 자료 융합이 수행된다. TC 기반 자료 융합은 오차가 큰 자료의 가중치를 줄이는 방식으로 각 자료의 불확실성을 줄이고 장점을 최대로 활용하기에 신뢰성 있는 최종 자료를 획득 할 수 있다.

최근 Long Short-Term Memory (LSTM)과 딥러닝에 기반한 Multi-Layer Perceptron (MLP) 등의 인공지능 기법을 활용해 적설 등의 수문 자료를 보정 및 예측하는 연구가 다수 수행되고 있다. 순환 신경망(RNN)의 한 종류인 LSTM은 데이터 간의 장기적인 종속성에 대해 우수한 성능으로 학습하며, 이로 인해 장기간의 시계열 자료인 기상 자료 등의 시간적 변화를 예측하는 데 매우 유리하다(Li et al., 2022). 하지만 LSTM의 학습을 위해서는 장기간의 연속된 시점의 데이터를 획득하는 것이 필수적이기에, 결측값이 다수 발생하는 데이터를 포함하기 위해서는 시공간적인 자료 보간이 필수적이다. MLP는 여러 개의 은닉층과 뉴런을 통해 입력과 출력 사이의 복잡한 관계를 학습할 수 있는 신경망 모델이다(Ntokas et al., 2021). MLP는 비선형적인 활성화 함수를 활용하여 비선형적이고 복잡한 데이터를 처리하는 것에 유용하기에, 적설 깊이와 같은 수문 기상자료를 처리하는 데 활용될 수 있으며, 다양한 기상 요소를 결합해 입력자료로 활용함으로써 적설 깊이의 공간적, 시간적 변화를 학습하고 예측할 수 있다.

본 연구에서는 AI 기법을 활용해 적설 깊이 자료의 오차를 보정하여 적설 자료의 정확도를 높이고자 하였다. AI 모델로는 MLP를 활용하였으며, 1) 지상 관측 자료와 재분석 자료 간의 오차를 보정하고, 2) 재분석 자료와 MLP 모델 자료의 통계 및 공간 분포 분석을 수행하여, 적설 자료 보정에 있어 MLP 모델이 가지는 장점과 한계를 평가하였다. 이를 통해 기후 변화에 대응하는 기초 방재 자료를 제공하고, 향후 수자원 관리에 기여할 수 있는 연구 결과를 도출하고자 하였다.

2. 데이터 및 방법론

2.1 연구 지역

남한은 33.01°N~38.61°N, 동경 124.60°E~131.87°E에 위치하며, 면적은 약 100,210 km²이다(Fig. 1). 평균 해발고도는 448 m로, 지형적으로 서쪽은 낮고 동쪽은 높은 특징을 지닌다(Baik and Choi, 2018). 연평균 강수량은 1,000~1,800 mm이며, 여름철에 강수량의 50~60%가 집중된다. 여름철 평균 기온은 19.7~16.7 °C, 겨울철은 -6.9~3.6 °C로 나타난다. 적설 깊이의 경우 12월과 1월을 기준으로 2~40 cm가 나타난다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571210/images/kwra_57_12_10_F1.jpg
Fig. 1.

Study area and distribution of ASOS

2.2 ASOS

남한 지역의 적설 자료 평가를 위해 기상청의 Automated Synoptic Observing System (ASOS) 지상 관측 데이터를 활용했다. 본 연구에서는 AI의 학습 및 통계분석을 위해 2013년 1월부터 2020년 12월까지의 자료를 대상으로 했으며, 4월부터 9월까지는 적설 발생 빈도가 낮아 분석에서 제외되었다. 총 105개 관측소 중, MLP 모델 학습을 위해 적어도 100개 이상의 관측 데이터를 확보한 40개 지점만을 선정하였으며, LDAPS 자료와 비교를 위해 모든 관측 자료는 UTC 기준으로 일평균 데이터로 변환하여 사용되었다.

2.3 LDAPS

Local Data Assimilation and Prediction System (LDAPS)는 한국 기상청에서 영국 기상청의 UM (Unified Model)을 기반으로 개발한 수치예보 모델로, 주로 한반도에 특화된 기상 예측을 수행한다(Song et al., 2019; Jeon et al., 2023). LDAPS는 지면 모형으로 Joint UK Land Environment Simulator (JULES)를 사용하며, 1.5 km × 1.5 km의 고해상도 공간 격자로 총 136개의 단일면 예측 데이터를 제공한다. 단일면 예측 데이터는 UTC 기준 00시, 06시, 12시, 18시에 1시간 간격으로 최대 48시간 후까지의 자료가 제공되며, 03시, 09시, 15시, 21시에는 1시간 간격으로 최대 3시간 후까지의 자료가 제공된다. 3시간 예보 자료는 48시간 예보 자료의 데이터 동화 과정에서 활용되는 보조자료의 목적으로 생산된다. 이에 본 연구에서는 보조자료를 제외한 00시, 06시, 12시, 18시 자료를 활용하였으며, 적설 깊이, 지표면 온도, 순복사량 자료가 MLP 모델의 학습을 위해 사용되었다. 또한, 원활한 MLP 모델 학습을 위해 UTC 기준 일평균 자료로 변환하였다.

2.4 NASADEM

National Aeronautics and Space Administration Digital Elevation Model (NASADEM)은 Shuttle Radar Topography Mission (SRTM)의 DEM 자료를 향상시키는 것을 목적으로 NASA에서 생산되었다. NASADEM은 SRTM의 DEM 자료와 Geoscience Laser Altimeter System (GLAS), Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), Global DEM (GDEM) 등의 다른 DEM 자료를 결합하여 보다 정확한 DEM 자료를 제공한다. NASA DEM은 30 m의 공간해상도로 전 세계 DEM 자료를 제공하며, 수문학, 지형 분석, 기후 모델링 등 다양한 연구 분야에 활용되고 있다.

2.5 MLP

본 연구에서는 MLP을 기반으로 신경망 모델을 설계하여 적설 깊이 시계열 및 공간 자료를 보정 및 생산하였다. MLP는 입력층, 은닉층, 출력층으로 구성된 인공신경망의 일종으로, 각 층은 완전 연결(Fully Connected) 구조로 이루어져 있다. AI 모델의 고질적인 문제 중 하나인 과적합을 방지하기 위해 MLP에서는 비선형 활성화 함수와 드롭아웃 등을 활용하고 있다. MLP는 비선형적인 데이터의 복잡한 관계성을 학습할 수 있기에, 예측 및 모의가 필요한 다양한 분야에서 활용되고 있다. 특히 시계열 데이터와 같은 복잡한 패턴을 학습하는 데 있어 성능이 우수하기에, MLP는 금융, 기상, 자연어 처리 등 다양한 분야에서 널리 사용되고 있다(LeCun et al., 2015).

본 연구에서 MLP 모델은 입력층, 은닉층, 드롭아웃층, 출력층의 구조로 설계되었다. 입력층은 LDAPS 적설 깊이, LDAPS 지표면 온도, LDAPS 순복사에너지, DEM 자료가 포함된 4개 데이터의 조합으로 구성하였다. 입력층에 포함된 데이터는 모두 정규화를 수행하였다. 은닉층은 100개의 유닛을 가진 Fully Connected Layer로 구성되었으며, 활성화 함수로는 ReLU를 사용하였다. 과적합 방지를 위해 0.3 드롭아웃 확률을 적용하였으며, 손실함수로는 Mean Squared Error (MSE)가 사용되었다.

모델 학습은 확률적 경사 하강법(Stochastic Gradient Descent)과 모멘텀을 결합한 Stochastic Gradient Descent with Momentum (SGDM) 방법을 사용하였다. 확률적 경사 하강법은 전통적인 경사 하강법의 단점을 보완한 방법으로, 모델의 가중치 업데이트를 위해 전체 데이터셋이 아니라 무작위로 선택된 작은 데이터 샘플(미니 배치)을 사용하는 방법이다(Bottou, 2010). 이로 인한 빠른 계산속도가 장점이며 모델이 국소 최적해로 수렴할 가능성을 줄여준다. 하지만 경사 방향이 미니 배치에 따라 크게 변동할 수 있으며, 이로 인해 학습이 불안정하게 진행될 수 있다(Ruder, 2016). SGDM은 이를 보완하기 위해 이전 기울기 업데이트를 고려하여 현재 기울기 업데이터에 가속을 부여하는 방식인 모멘텀을 도입하으며, 이로 인해 학습의 안정성과 수렴속도가 증가하게 된다(Sutskever et al., 2013). 본 연구에서는 모델의 최적 학습 하이퍼파라미터 설정을 위해 k-fold 교차 검증(k=5)을 수행하였으며, 최종적으로 가장 우수한 성능을 보인 하이퍼파라미터 조합이 선택되었다. 본 연구에서는 모멘텀을 0.9로 설정하여 과거 기울기의 영향을 고려함으로써 학습의 가속도를 부여하였다. 최대 에폭(epoch) 수는 500으로 설정하였으며, 미니 배치 크기는 64로 설정하여 학습의 효율성을 높였다. 학습률은 초기 학습률을 0.005로 설정하였으며, 200 에폭마다 0.5배씩 감소하도록 설정하였다. 또한, 검증 데이터를 사용하여 50 에폭마다 모델의 성능을 평가하였고, 10회 연속으로 검증 손실의 개선이 없을 경우 조기 종료되도록 설정하였다. 마지막으로, 기울기의 급격한 변화를 방지하기 위해 기울기 임계값을 1로 설정하였다(Table 1).

Table 1.

Parameter setting of MLP

Parameter Settings
Input nodes 2, 3, 4
Output nodes 1
Hidden layers 2
Dropout layer 1
Mini batch size 64
Dropout 0.3
Momentum 0.9
Max epoch 500
Initial learning rate 0.005
Learning rate drop period 200
Learning rate drop factor 0.5
Gradient threshold 1

훈련된 모델의 성능의 평가를 위해 훈련 및 테스트 데이터 셋을 2018년 1월 29일을 기준으로 8:2의 비율로 나눴다. 모델의 성능 평가를 위해, 상관계수, Root Mean Squared Error (RMSE), bias, Index of Agreement (IOA)로 4가지 지표가 사용되었으며 식은 아래와 같다.

(1)
r=∑i=1N(Mi−M¯)(Gi−G¯)∑i=1N(Mi−M¯)2∑i=1N(Gi−G¯)2
(2)
RMSE=∑i=1N(Mi−Gi)2N
(3)
bias=∑i=1N(Mi-Gi)N
(4)
IoA=1−∑i=1N(Mi−Gi)2∑i=1N(|Gi−M¯|+|Mi−M¯|)2

Eqs. (1), (2), (3), (4)에서 M과 G는 각각 실제 값과 예측 값을 의미하며, 본 연구에서는 각각 ASOS 지상관측자료와 LDAPS 및 MLP 모델 자료가 사용되었다.

3. 결과 및 고찰

3.1 데이터 조합별 MLP기반 적설 깊이 자료 학습 성능 평가

본 연구에서는 MLP의 최적 학습을 위해 4가지 데이터 조합을 구성하였으며, 데이터 조합은 1) LDAPS 적설 깊이 + LDAPS 지표면 온도 + LDAPS 순복사량 + DEM, 2) LDAPS 적설 깊이 + LDAPS 지표면 온도 + LDAPS 순복사량, 3) LDAPS 적설 깊이 + LDAPS 지표면 온도, 4) LDAPS 적설 깊이 + LDAPS 순복사량으로 구성되었다. DEM이 학습에 끼치는 영향과 지표면 온도 및 순복사량이 각각 학습에 끼치는 영향을 파악하고, 해당 데이터가 학습에 포함되었을 때 가장 최적의 성능이 나타나는지 파악하기 위해 위와 같이 구성하였다. 데이터 조합별 성능은 MLP 학습에 손실함수로 사용된 MSE에 기반하여 평가되었다.

Fig. 2 에 각 데이터 조합별 반복 학습에 따른 손실함수의 거동을 나타내었다. MLP 구동시 1 에폭 동안 정해진 미니배치의 크기만큼의 데이터를 변경하며 반복(iteration)하여 학습을 진행하며, Fig. 2 하단의 숫자와 점이 각각 반복 횟수와 에폭 시작 시점을 나타내었다. 초기 손실함수 값은 1, 2, 4, 3 순서로 크게 나타났으며, 각각 0.101 m, 0.022 m, 0.016 m, 0.010 m 이다. 이는 사용된 데이터의 종류 수와 동일하며, 사용된 데이터 수가 줄어들수록 초기 손실함수 값이 감소하는 경향이 나타났다. 특히 DEM이 포함된 1번 조합의 초기 손실함수 값이 크게 나타났다. 각 학습 모두 학습이 진행됨에 따라 1 에폭의 기간 동안의 손실함수 거동이 유사하게 나타났으며, 손실함수의 최대 및 최소 값이 점점 낮아지는 경향이 나타났다. 초기 손실함수의 값이 가장 낮게 나타난 2번 조합의 경우 손실함수의 거동이 유사해지기까지 7개의 에폭이 필요했으며, 나머지 조합은 1개 에폭 이후 유사하게 나타났다. 이는 각 좌표 별로 고정된 값인 DEM과, 시점마다 변경되는 LDAPS 데이터가 동시에 학습에 포함되면서, 각 데이터의 학습 가중치를 결정하는 과정에서 다른 조합에 비해 어려움이 있었던 것으로 파악된다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571210/images/kwra_57_12_10_F2.jpg
Fig. 2.

Loss of each MLP input data combination

3.2 데이터 조합별 MLP 기반 적설 깊이 자료 학습 결과

Table 1에 LDAPS 적설 깊이와 각 데이터 조합별 학습모델 출력값의 통계분석 결과를 나타내었다. MLP 학습 결과는 모든 조합에서 r, bias, IoA를 비교하였을 때 학습데이터 셋 보다 테스트 데이터 셋에서 성능이 낮게 나타나는, 즉 과적합이 되는 경향이 나타났으나, RMSE의 경우 모든 조합에서 학습 데이터 셋보다 테스트 데이터 셋에서 성능이 더 높게 나타났다. 이는 모델의 학습 결과에 대한 검증 수단인 손실함수로 MSE가 사용되어, 본 연구에서 활용한 통계기법 중 MSE와 가장 유사하게 계산되는 RMSE의 성능이 테스트 데이터 셋에서 더 높게 나타난 것으로 사료된다. 추후 데이터의 경향성을 고려할 수 있도록 손실함수를 수정할 시 더 우수한 모델 학습이 가능할 것으로 기대된다.

LDAPS와 ASOS 일평균 적설 깊이 자료의 통계분석 결과 상관계수가 0.792로 자료 간의 선형적인 증가와 감소 추세는 높게 나타났으나, RMSE와 bias는 각각 0.423 m와 0.108 m로 일반적으로 1 m 이상의 적설 깊이가 적게 관측되는 남한 지역에서 매우 높은 오차값이 발생하였다(Table 2). 또한 RMSE, bias, IoA를 종합적으로 고려하였을 때, LDAPS 적설 깊이 값의 오차가 일방적인 방향성을 가지지 않고 불규칙하게 변동하는 것을 파악할 수 있다. LDAPS와 MLP 적설 깊이 자료의 통계값을 비교하였을 때, 일반적으로 MLP 적설 깊이 자료가 우수하게 나타났다. Table 1에 나타난 데이터 조합별 통계분석 결과에 따르면, DEM이 포함된 조합 1의 성능이 학습 데이터 셋과 테스트 데이터 셋 모두 가장 낮게 나타났으며, 조합 3, 4, 2 순으로 높게 나타났다. 조합 2와 4의 경우 r을 기준으로 비교하였을 때, 조합 4의 학습 데이터 셋에서 0.002 더 높은 값이 나타났으나, 모델의 오차 등 다른 통계분석 결과를 종합적으로 고려하였을 때 조합 2의 성능이 더 뛰어나다고 판단하였다. 가장 낮은 성능이 나타난 조합 1은 다른 조합과 다르게 DEM이 포함되었으며, 픽셀별로 고정된 DEM 값이 지속적으로 시계열 데이터에 포함되면서 MLP의 유동적인 학습에 부정적인 영향을 끼쳤을 것으로 사료된다. 또한, 고도와 적설 깊이 간의 영향성에 대한 연구가 다수 수행되고 있는 티벳 고원과 에베레스트 산 등의 지역에 비해 본 연구가 수행된 지역의 DEM의 값이 낮게 분포하고 있어 타 지역에 비해 DEM이 적설 깊이에 끼치는 영향이 미약했을 것으로 판단된다(Mott et al., 2010; Erxleben et al., 2002). 조합 3과 4의 결과에서 나타나는 것과 같이 MLP 학습 과정에서 순복사에너지와 지표면온도에 의한 유의미한 차이가 없었으며, 일반적으로 강설량 및 적설 깊이에 직접적인 영향을 끼치는 두 데이터를 모두 포함한 데이터 조합에서 성능이 가장 높게 나타났다. Fig. 2에서 나타난 손실함수 거동의 경우 데이터의 복잡성이 가장 큰 영향을 끼쳤다면, Table 1에 나타난 MLP 모델의 최종 학습의 결과는 손실함수의 거동과 다르게 유의미한 데이터의 사용 여부가 결과가 영향을 끼친 것을 확인할 수 있다.

Figs. 3 and 4에서는 각각 데이터 조합별 MLP 학습 결과에 대해 산점도와 시계열분석을 수행하였다. Fig. 3에서는 ASOS 지점이 위치한 모든 픽셀에서의 MLP 학습 및 테스트 데이터 셋에서의 모의 결과를 나타내었으며, 모든 데이터 조합에서 적설 깊이의 값이 증가할수록 과소 산정되는 경향이 나타났다. 이는 적설량이 낮은 데이터 수가 적설량이 높은 경우보다 많은 데이터 불균형의 영향이 있는 것으로 사료되며, 추후 데이터를 균형있게 조정하여 MLP를 학습할 시 더 우수한 결과가 나타날 수 있다. 또한, 학습 데이터 셋에 비해 테스트 데이터 셋의 적설 깊이 값이 0.3 m 미만의 낮은 값들이 분포하는 것을 확인할 수 있었으며, 이는 지구 온난화로 인해 전세계적으로 강설량 및 적설 깊이 값이 감소하고 있는 추세가 남한에서도 동일하게 나타나는 것으로 판단된다(O’Gorman, 2014; Pulliainen et al., 2020). 공간자료에 기반하여 양질의 적설 깊이 자료를 생산하는 것이 본 연구의 목적이라는 것과 ASOS 자료에 결측값이 다수 존재하여 연속적인 데이터 수급이 어려운 것 등으로 인해 본 연구에서는 MLP를 활용하여 학습을 수행하였으나, 추후 장기간의 데이터를 수집하여 LSTM과 같은 연속적인 시계열 학습에 특화된 모델을 활용하여 학습할 시 적설 깊이의 변동 추세를 더 우수하게 모의할 수 있을 것으로 기대된다. Fig. 4에서는 대관령 ASOS 지점이 위치한 픽셀에서 2019년 12월부터 2020년 3월까지의 데이터 조합별 MLP 학습 결과를 나타내었다. 모든 데이터 조합에서 0.1 m 이상의 적설 깊이에 대해 과소 산정하는 것으로 나타났으며, 이는 학습에 사용된 적설 깊이 자료의 값 분포가 0에 가까운 값이 대부분인 로그분포를 따르기에 입력자료의 변동에 비해 ASOS 자료의 변동이 적어 학습에 부정적인 영향을 끼친 것으로 사료된다. 특히 조합 4의 경우 ASOS 적설 깊이의 값이 낮게 나타나는 시기에 다른 조합에 비해 높은 값을, ASOS 적설 깊이의 값이 높게 나타나는 시기에는 다른 조합에 비해 낮은 값을 산출하며, 대관령 지점이 위치한 픽셀에서 가장 낮은 성능이 나타났다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571210/images/kwra_57_12_10_F3.jpg
Fig. 3.

Scatter plot of each MLP input data combination

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571210/images/kwra_57_12_10_F4.jpg
Fig. 4.

Time series of ASOS and each MLP input data combination

3.3 AI 기법을 활용한 적설 깊이 공간 자료 생성

Fig. 5에 남한을 대상으로 2014년부터 2020년까지의 2년 간격으로 LDAPS와 MLP 기반 적설 깊이의 1월 평균 값을 나타내었다. MLP는 Table 1의 통계결과에 기반하여 가장 성능이 우수한 조합 2의 학습 모델을 활용하였다. LDAPS 적설 깊이 값의 분포는 0~8 m로 MLP 적설 깊이의 분포인 0~0.8 m에 비해 분포 범위가 약 10배 정도 크게 나타났다. 또한, 남한의 지역적인 특성으로 인해 강원도 일부, 한라산, 전라북도 일부 지역을 제외한 대부분의 픽셀에서 LDAPS와 MLP 적설 깊이 모두 0 m에 가까운 값이 산출되었다. MLP 적설 깊이는 모든 연도에서 LDAPS의 공간 분포와 유사한 공간 분포가 나타났으며, LDAPS에 비해 낮은 값이 산출되었다. 이로 인해 ASOS와 비교하였을 때 증감 추이는 적절하게 모의하지만 과대산정되는 경향이 있는 LDAPS의 데이터 특성을 MLP가 적절히 보정하여, 우수한 성능의 적설 깊이 공간 자료를 생산하였다고 판단된다.

https://cdn.apub.kr/journalsite/sites/kwra/2024-057-12/N0200571210/images/kwra_57_12_10_F5.jpg
Fig. 5.

LDAPS and MLP snow depth maps for 2014, 2016, 2018, and 2020

MLP 적설 깊이는 모든 연도에서 강원도 일부 픽셀과 제주도의 한라산이 위치한 픽셀에서 높은 값이 나타났으나, 연도가 진행됨에 따라 최댓값이 감소하는 경향이 나타났다. 2014년에는 강원도의 설악산, 오대산과 제주도의 한라산이 포함된 일부 픽셀에서만 0.1~0.01 m의 상대적으로 높은 적설량이 나타났으며, 나머지 지역에서는 0 m에 가까운 매우 낮은 값이 나타났다. 2016년에는 강원도 지역에서는 2014년에 비해 적설 깊이의 공간 분포가 축소되어 나타났고 전라도 지역에서는 상대적으로 높은 적설 깊이가 나타났다. 2018년에는 경상도와 강원도 일부 지역을 제외한 모든 지역에서 광역적으로 예년 보다 높은 적설 깊이가 나타났으며, 2020년에는 전국적으로 낮은 적설 깊이가 나타났다.

Table 2.

The result of statistical analysis for LDAPS and MLP input data combinations

LDAPS Comb. 1 Comb. 2 Comb. 3 Comb. 4
Training Test Training Test Training Test Training Test
r 0.792 0.826 0.669 0.838 0.673 0.833 0.671 0.840 0.673
RMSE (m) 0.423 0.054 0.036 0.048 0.035 0.049 0.035 0.051 0.034
bias (m) 0.108 0.000 0.012 0.000 0.011 0.000 0.011 -0.003 0.009
IoA 0.401 0.768 0.716 0.840 0.747 0.837 0.761 0.806 0.733

MLP와 LDAPS 적설 깊이는 시간이 지남에 따라 평균 및 최댓값이 감소하는 경향이 나타났으나, 덕유산 일대 등 일부 지역에서 높은 값이 나타났다. 이는 강설량 및 적설량이 감소하고 있으나, 이상기후로 인해 일부 국소 지역에서 폭설이 발생하는 경향은 증가하는 전세계적인 경향성이 남한에서도 유사하게 나타나는 것으로 사료된다(Szczypta et al., 2015; Pulliainen et al., 2020). 이탈리아, 프랑스, 스위스 등의 알프스 산맥이 위치한 유럽 국가나 미국, 캐나다 등의 일부 지역에 비해 남한은 위도, 고도, 기후 등 환경적인 특성 상 눈의 영향이 크지 않아 관련 연구가 부족한 실정이다(Hatchett et al., 2017; Terzago et al., 2017; Beniston and Stoffel, 2016; Musselman et al., 2018; Durand et al., 2009). 강설 및 적설량의 절대값은 위의 국가들에 비해 적지만, 강설이 매우 적게 발생하는 국내 일부 지역에서 이상 기후로 인해 폭설이 발생 할 시, 관련 대응 시설 및 경험의 부족으로 큰 위험이 발생할 수 있다. 이와 같은 문제의 해결을 위해서는, 위성 자료 등의 원격탐사 자료를 활용한 남한에 특화된 지역별 대설 위험도를 산정하는 방법에 대한 추가적인 연구가 필요할 것으로 사료된다.

4. 결 론

본 연구에서는 MLP 기반 적설 깊이 보정 모델을 활용하여 남한 지역의 적설 자료의 정확도를 개선하고, 이를 통해 기후 변화와 재난 대비에 유용한 기반 자료를 생산하고자 하였다. 본 연구에서는 LDAPS 재분석 자료와 ASOS 지상 관측 자료를 비교하고, MLP 모델을 통해 두 자료 간의 오차를 보정하는 과정을 거쳤다. MLP 모델의 학습을 위해 LDAPS 적설 깊이, 지표면 온도, 순복사량, NASADEM 4가지 입력 자료의 조합 별 학습 및 최적 파라미터 설정을 수행하였다. 다양한 데이터 조합을 통해 학습 성능을 비교한 결과, DEM을 제외한 조합 2가 r, RMSE, bias, IoA가 학습 및 테스트 데이터 셋에서 각각 0.838, 0.048 m, 0.000 m, 0.840과 0.673, 0.035 m, 0.011 m, 0.747으로 가장 우수한 성능이 나타났다. DEM을 포함한 조합 1의 경우 r, RMSE, bias, IoA가 학습 및 테스트 데이터 셋에서 각각 0.826, 0.054 m, 0.000 m, 0.768과 0.699, 0.036 m, 0.012 m, 0.716으로 가장 낮은 성능이 나타났다. 픽셀별로 고정된 DEM 값이 다른 시계열 자료와 함께 학습되었다는 것과 남한의 지형적 특성상 고도의 차이가 크지 않아, DEM을 포함하지 않은 모델에서 더 나은 예측 성능이 나타난 것으로 사료된다.

MLP 모델은 ASOS 지상 관측 자료와의 비교에서 LDAPS에 비해 RMSE와 bias가 각각 0.4 m와 0.1 m가 더 낮은 값이 나타났으며, 이는 ASOS 지점에서의 관측 자료와 비교하여 우수한 상관성을 보였던 LDAPS 자료의 선형적인 증감 추이를 MLP 모델이 적절하게 반영하는 동시에 오차는 줄여 우수한 성능의 적설 깊이 자료를 생성하였음을 확인할 수 있었다. 2014년부터 2020년까지의 MLP와 LDAPS 적설 깊이 자료의 공간 분포를 비교한 결과, 전세계적으로 지구 온난화에 의해 평균 강설 및 적설량은 감소하지만 이상기후로 인해 국소지역에서의 폭설은 증가하는 경향이 남한에서도 발생함을 확인할 수 있었으며 이는 본 연구를 통해 생성된 MLP 적설 깊이 자료가 남한 일부 지역에서 발생하는 폭설과 같은 이상 기후 현상을 분석하고, 이를 통해 향후 기후 예측 및 방재 분야에 중요한 정보를 제공할 수 있음을 시사한다.

본 연구는 MLP 기반 보정 모델을 통해 신뢰성 높은 적설 깊이 공간 자료를 생산하였으나, 몇 가지 한계가 존재한다. 먼저, 연구에 사용된 ASOS 관측 자료는 시간적, 공간적 결측이 존재하였으며, 이로 인해 MLP 모델 학습에 부정적인 영향이 발생했을 가능성이 있다. 둘째, 남한은 위도, 고도, 기후 등의 환경적인 특성상 적설량이 적게 나타나고, 비슷한 특성의 지역에서 수행된 선행 연구도 적기에, 더 많은 데이터를 확보하여 연구를 확장할 필요가 있다.

본 연구는 MLP와 같은 인공지능 기법이 기후 데이터 보정에 효과적으로 적용될 수 있음을 입증하였다. 이에 더해, 추후 남한의 특성을 반영한 적설 깊이 예측 모델의 개발하는 것은 기후 변화로 인한 폭설 피해를 줄이고, 더 나아가 기후 변화에 따른 수자원 관리 및 농업, 에너지 생산 등 다양한 분야에서의 활용 가능성을 높일 수 있는 중요한 연구 과제라 할 수 있다. 추후 LSTM을 비롯한 다양한 인공지능 기법을 적용하여 연구를 확장할 수 있을 것으로 기대되며, 이를 통해 보다 신뢰성 높은 기상 자료를 생산함으로써 기후 변화 대응 능력을 향상시킬 수 있을 것이다.

Acknowledgements

이 논문은 행정안전부의 “지능형 상황관리 기술개발사업”(2021-MOIS37-002)과 교육부 및 한국연구재단의 4단계 두뇌한국21 사업(4단계 BK21 사업)으로 지원된 연구임.

Conflicts of Interest

The authors declare no conflict of interest.

References

1

Baik, J., and Choi, M. (2018). "Multi-satellite-based water budget components in South Korea." Environmental Earth Sciences, Vol. 77, pp. 1-19.

10.1007/s12665-018-7271-3
2

Barnett, T.P., Adam, J.C., and Lettenmaier, D.P. (2005). "Potential impacts of a warming climate on water availability in snow- dominated regions." Nature, Vol. 438, No. 7066, pp. 303-309.

10.1038/nature0414116292301
3

Beniston, M., and Stoffel, M. (2016). "Rain-on-snow events, floods and climate change in the Alps: Events may increase with warming up to 4 C and decrease thereafter." Science of the Total Environment, Vol. 571, pp. 228-236.

10.1016/j.scitotenv.2016.07.14627476005
4

Bottou, L. (2010). "Large-scale machine learning with stochastic gradient descent." In Proceedings of COMPSTAT'2010: 19th International Conference on Computational Statistics, Physica- Verlag HD, Paris, France, pp. 177-186.

10.1007/978-3-7908-2604-3_16
5

Changnon, S.A., Changnon, D., Fosse, E.R., Hoganson, D.C., Roth Sr, R.J., and Totsch, J.M. (1997). "Effects of recent weather extremes on the insurance industry: Major implications for the atmospheric sciences." Bulletin of the American Meteorological Society, Vol. 78, No. 3, pp. 425-436.

10.1175/1520-0477(1997)078<0425:EORWEO>2.0.CO;2
6

Dee, D.P., Uppala, S.M., Simmons, A.J., Berrisford, P., Poli, P., Kobayashi, S., Andrae, U., Balmaseda, M.A., Balsamo, G., and Bauer, P. et al. (2011). "The ERA‐Interim reanalysis: Configuration and performance of the data assimilation system." Quarterly Journal of the Royal Meteorological Society, Vol. 137, No. 656, pp. 553-597.

10.1002/qj.828
7

Durand, Y., Laternser, M., Giraud, G., Etchevers, P., Lesaffre, B., and Mérindol, L. (2009). "Reanalysis of 44 yr of climate in the French Alps (1958-2002): Methodology, model validation, climatology, and trends for air temperature and precipitation." Journal of Applied Meteorology and Climatology, Vol. 48, No. 3, pp. 429-449.

10.1175/2008JAMC1808.1
8

Erxleben, J., Elder, K., and Davis, R. (2002). "Comparison of spatial interpolation methods for estimating snow distribution in the Colorado Rocky Mountains." Hydrological Processes, Vol. 16, No. 18, pp. 3627-3649.

10.1002/hyp.1239
9

Frei, A., and Robinson, D.A. (1999). "Northern Hemisphere snow extent: Regional variability 1972-1994." International Journal of Climatology: A Journal of the Royal Meteorological Society, Vol. 19, No. 14, pp. 1535-1560.

10.1002/(SICI)1097-0088(19991130)19:14<1535::AID-JOC438>3.0.CO;2-J
10

Groisman, P.Y., Karl, T.R., and Knight, R.W. (1994). "Observed impact of snow cover on the heat balance and the rise of continental spring temperatures." Science, Vol. 263, No. 5144, pp. 198-200.

10.1126/science.263.5144.19817839175
11

Ha, J., and Chung, G. (2019). "Snow vulnerability analysis for administrative districts in South Korea." Journal of the Korean Society of Hazard Mitigation, Vol. 19, No. 6, pp. 187-195.

10.9798/KOSHAM.2019.19.6.187
12

Hall, A. (2004). "The role of surface albedo feedback in climate." Journal of Climate, Vol. 17, No. 7, pp. 1550-1568.

10.1175/1520-0442(2004)017<1550:TROSAF>2.0.CO;2
13

Hatchett, B.J., Daudert, B., Garner, C.B., Oakley, N.S., Putnam, A.E., and White, A.B. (2017). "Winter snow level rise in the Northern Sierra Nevada from 2008 to 2017." Water, Vol. 9, No. 11, 899.

10.3390/w9110899
14

Jeon, H., Lee, S., Lee, Y., Kim, J., and Choi, M. (2023). "Evaluation of bias and uncertainty in snow depth reanalysis data over South Korea." Journal of Korea Water Resources Association, Vol. 56, No. 9, pp. 543-551.

15

LeCun, Y., Bengio, Y., and Hinton, G. (2015). "Deep learning." Nature, Vol. 521, No. 7553, pp. 436-444.

10.1038/nature1453926017442
16

Li, H., Ke, C. Q., Zhu, Q., Li, M., and Shen, X. (2022). "A deep learning approach to retrieve cold-season snow depth over Arctic sea ice from AMSR2 measurements." Remote Sensing of Environment, Vol. 269, 112840.

10.1016/j.rse.2021.112840
17

Mott, R., Schirmer, M., Bavay, M., Grünewald, T., and Lehning, M. (2010). "Understanding snow-transport processes shaping the mountain snow-cover." The Cryosphere, Vol. 4, No. 4, pp. 545-559.

10.5194/tc-4-545-2010
18

Musselman, K.N., Lehner, F., Ikeda, K., Clark, M.P., Prein, A.F., Liu, C., Barlage, M., and Rasmussen, R. (2018). "Projected increases and shifts in rain-on-snow flood risk over western North America." Nature Climate Change, Vol. 8, No. 9, pp. 808-812.

10.1038/s41558-018-0236-4
19

Ntokas, K.F., Odry, J., Boucher, M.A., and Garnaud, C. (2021). "Investigating ANN architectures and training to estimate snow water equivalent from snow depth." Hydrology and Earth System Sciences, Vol. 25, No. 6, pp. 3017-3040.

10.5194/hess-25-3017-2021
20

O'Gorman, P.A. (2014). "Contrasting responses of mean and extreme snowfall to climate change." Nature, Vol. 512, No. 7515, pp. 416-418.

10.1038/nature1362525164753
21

Park, J., and Kim, D. (2023). "A stochastic approach to simulate realistic continuous snow depth time series." Journal of Hydrology, Vol. 617, 128980.

10.1016/j.jhydrol.2022.128980
22

Piani, C., Weedon, G.P., Best, M., Gomes, S.M., Viterbo, P., Hagemann, S., and Haerter, J.O. (2010). "Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models." Journal of Hydrology, Vol. 395, No. 3-4, pp. 199-215.

10.1016/j.jhydrol.2010.10.024
23

Pulliainen, J., Luojus, K., Derksen, C., Mudryk, L., Lemmetyinen, J., Salminen, M., Ikonen, J., Takala, M., Cohen, J., and Smolander, T. et al. (2020). "Patterns and trends of Northern Hemisphere snow mass from 1980 to 2018." Nature, Vol. 581, No. 7808, pp. 294-298.

10.1038/s41586-020-2258-032433620
24

Ruder, S. (2016). "An overview of gradient descent optimization algorithms." arXiv preprint, arXiv:1609.04747.

25

Song, H.J., Lim, B., and Joo, S. (2019). "Evaluation of rainfall forecasts with heavy rain types in the high-resolution unified model over South Korea." Weather and Forecasting, Vol. 34, No. 5, pp. 1277-1293.

10.1175/WAF-D-18-0140.1
26

Stoffelen, A. (1998). "Toward the true near‐surface wind speed: Error modeling and calibration using triple collocation." Journal of Geophysical Research: Oceans, Vol. 103, No. C4, pp. 7755- 7766.

10.1029/97JC03180
27

Sutskever, I., Martens, J., Dahl, G., and Hinton, G. (2013). "On the importance of initialization and momentum in deep learning." In International Conference on Machine Learning, PMLR, Atlanta, GA, U.S., pp. 1139-1147.

28

Szczypta, C., Gascoin, S., Houet, T., Hagolle, O., Dejoux, J.F., Vigneau, C., and Fanise, P. (2015). "Impact of climate and land cover changes on snow cover in a small Pyrenean catchment." Journal of Hydrology, Vol. 521, pp. 84-99.

10.1016/j.jhydrol.2014.11.060
29

Terzago, S., von Hardenberg, J., Palazzi, E., and Provenzale, A. (2017). "Snow water equivalent in the Alps as seen by gridded data sets, CMIP5 and CORDEX climate models." The Cryosphere, Vol. 11, No. 4, pp. 1625-1645.

10.5194/tc-11-1625-2017
페이지 상단으로 이동하기