Multi-task Learning Based Tropical Cyclone Intensity Monitoring and Forecasting through Fusion of Geostationary Satellite Data and Numerical Forecasting Model Output

정지궤도 기상위성 및 수치예보모델 융합을 통한 Multi-task Learning 기반 태풍 강도 실시간 추정 및 예측

Abstract

The accurate monitoring and forecasting of the intensity of tropical cyclones (TCs) are able to effectively reduce the overall costs of disaster management. In this study, we proposed a multi-task learning (MTL) based deep learning model for real-time TC intensity estimation and forecasting with the lead time of 6-12 hours following the event, based on the fusion of geostationary satellite images and numerical forecast model output. A total of 142 TCs which developed in the Northwest Pacific from 2011 to 2016 were used in this study. The Communications system, the Ocean and Meteorological Satellite (COMS) Meteorological Imager (MI) data were used to extract the images of typhoons, and the Climate Forecast System version 2 (CFSv2) provided by the National Center of Environmental Prediction (NCEP) was employed to extract air and ocean forecasting data. This study suggested two schemes with different input variables to the MTL models. Scheme 1 used only satellite-based input data while scheme 2 used both satellite images and numerical forecast modeling. As a result of real-time TC intensity estimation, Both schemes exhibited similar performance. For TC intensity forecasting with the lead time of 6 and 12 hours, scheme 2 improved the performance by 13% and 16%, respectively, in terms of the root mean squared error (RMSE) when compared to scheme 1. Relative root mean squared errors(rRMSE) for most intensity levels were lessthan 30%. The lower mean absolute error (MAE) and RMSE were found for the lower intensity levels of TCs. In the test results of the typhoon HALONG in 2014, scheme 1 tended to overestimate the intensity by about 20 kts at the early development stage. Scheme 2 slightly reduced the error, resulting in an overestimation by about 5 kts. The MTL models reduced the computational cost about 300% when compared to the single-tasking model, which suggested the feasibility of the rapid production of TC intensity forecasts.

최근 기후변화로 인해 강도가 높은 태풍의 빈도가 높아짐에 따라 태풍 예측의 중요성이 강조되고 있는 데, 태풍경로예측에 비해 태풍강도예측에 대한 연구는 미비한 상황이다. 이에 본 연구에서는 딥러닝 모델인 Multi-task learning (MTL) 기법을 활용하여 정지궤도기상위성을 활용한 관측자료와 수치예보모델을 융합한 실시간 추정 및 6시간, 12시간 후의 태풍강도예측 모델을 제안하고자 한다. 본 연구에서는 2011년에서 2016년까지 북서태평양에서 발생한 총 142개의 태풍을 대상으로 강도 예측 연구를 시행하였다. 한국 최초의 기상위성인 Communication, Ocean and Meteorological Satellite (COMS) Meteorological Imager (MI)를 활용하여 태풍의 관측영상을 추출하였고, National Center of Environmental Prediction (NCEP)에서 제공하는 Climate Forecast System version 2 (CFSv2)를 활용하여 6시간, 12시간 후의 태풍 주변 대기 및 해양 예측변수를 추출하였다. 본 연구에서는 각 입력자료의 활용성을 정량화 하기 위하여, 위성 기반 태풍관측영상만을 활용한 MTL 모델(Scheme 1)과 수치예보모델을 융합적으로 활용한 MTL 모델(Scheme 2)을 구축하고, 각 모델의 훈련 및 검증 성능을 정량적으로 비교하였다. 실시간 강도 추정의 결과 scheme 1과 scheme 2에서 비슷한 성능을 보이는 반면, 6시간, 12시간 후 태풍강도예측의 경우 scheme 2에서 각각 13%, 16% 개선된 결과를 보였다. 태풍 단계별 예측성능에 대한 분석을 시행한 결과, 저강도 태풍일수록 낮은 평균제곱근오차를 보인 반면, 대부분의 강도 단계에서 평균제곱근편차비는 30% 미만의 값을 보이며 유의미한 검증 결과를 보였다. 이에 본 연구에서 제시한 두가지 모델을 기반으로 2014년 발생한 태풍 HALONG의 시계열검증을 시행하였다. 그 결과, scheme 1의 경우 태풍 초기발달단계에서 태풍의 강도를 약 20 kts가량 과대 추정하는 경향을 보이는데, 환경예측자료를 융합한 scheme 2에서는 오차가 약 5 kts가량으로 과대 추정 경향이 줄어들었다. 본 연구에서 제시하는 현재, 6시간, 12시간 후 강도를 동시에 추출하는 MTL 모델은 Single-tasking model 대비 약 300%의 시간 효율을 보이며, 향후 신속한 태풍 예보 정보 추출에 큰 기여를 할 수 있을 것으로 기대된다.

요약

최근 기후변화로 인해 강도가 높은 태풍의 빈도가 높아짐에 따라 태풍 예측의 중요성이 강조되고 있는데, 태풍경로예측에 비해 태풍강도예측에 대한 연구는 미비한 상황이다. 이에 본 연구에서는 딥러닝 모델인 Multi-task learning (MTL) 기법을 활용하여 정지궤도기상위성을 활용한 관측자료와 수치예보모델을 융합한 실시간 추정 및 6시간, 12시간 후의 태풍강도예측 모델을 제안하고자 한다. 본 연구에서는 2011년에서 2016년까지 북서태평양에서 발생한 총 142개의 태풍을 대상으로 강도 예측 연구를 시행하였다. 한국 최초의 기상위성인 Communication, Ocean and Meteorological Satellite (COMS) Meteorological Imager (MI)를 활용하여 태풍의 관측영상을 추출하였고, National Center of Environmental Prediction (NCEP)에서 제공하는 Climate Forecast System version 2 (CFSv2)를 활용하여 6시간, 12시간 후의 태풍 주변 대기 및 해양 예측변수를 추출하였다. 본 연구에서는 각 입력자료의 활용성을 정량화 하기 위하여, 위성 기반 태풍관측영상만을 활용한 MTL 모델(Scheme 1)과 수치예보모델을 융합적으로 활용한 MTL 모델(Scheme 2)을 구축하고, 각 모델의 훈련 및 검증 성능을 정량적으로 비교하였다. 실시간 강도 추정의 결과 scheme 1과 scheme 2에서 비슷한 성능을 보이는 반면, 6시간, 12시간 후 태풍강도예측의 경우 scheme 2에서 각각 13%, 16% 개선된 결과를 보였다. 태풍 단계별 예측성능에 대한 분석을 시행한 결과, 저강도 태풍일수록 낮은 평균제곱근오차를 보인 반면, 대부분의 강도 단계에서 평균제곱근편차비는 30% 미만의 값을 보이며 유의미한 검증 결과를 보였다. 이에 본 연구에서 제시한 두가지 모델을 기반으로 2014년 발생한 태풍 HALONG의 시계열검증을 시행하였다. 그 결과, scheme 1의 경우 태풍 초기발달단계에서 태풍의 강도를 약 20 kts가량 과대 추정하는 경향을 보이는데, 환경예측자료를 융합한 scheme 2에서는 오차가 약 5 kts가량으로 과대 추정 경향이 줄어들었다. 본 연구에서 제시하는 현재, 6시간, 12시간 후 강도를 동시에 추출하는MTL 모델은 Single-tasking model 대비 약 300%의 시간 효율을 보이며, 향후 신속한 태풍 예보 정보 추출에 큰 기여를 할 수 있을 것으로 기대된다.

1. 서론

태풍(Typhoon)은 북반구 125-160°(E)에서 주로 발생하는 나선형 모양의 열대저기압으로, 중심의 낮은 기압과 강한 바람 및 집중호우를 동반하는 특성을 가진다. 연간 약 24~30개의 태풍이 북서 태평양에서 발생하며, 이 중 평균적으로 5~6종의 태풍이 한반도 및 일본에 영향을 미친다고 보고됐다(Grossman and Zaiki, 2009). 기후 변화에 관한 정부 간 패널(Intergovernmental Panel on Climate Change; IPCC)의 보고서에 따르면, 기후변화로 인한 지구 온도의 2°C 상승은 높은 강도의 태풍의 발생빈도를 높인다고 한다(Hoegh-Guldberg et al., 2018). 실제로 2020년 5월부터 한국 기상청의 태풍 강도 분류에 초강력 등급이 신설되었는데, 이는 향후 더욱 강력한 태풍들이 한반도에 영향을 미칠 수 있음을 시사한다. 태풍으로 인한 세계 경제손실의 약 30% 이상이 동아시아 영역에서 발생함을 고려할 때(Mendelsohn et al., 2012), 북서 태평양에 발생하는 태풍의 강도를 사전에 높은 정확도로 예측하는 것은 재난 대응에 드는 경제적 손실 및 태풍으로 인한 인적 피해를 크게 줄일 수 있을 것으로 사료된다.

일반적으로 태풍의 강도는 최대풍속을 이용해 나타내며, 우리나라의 경우 국가 태풍센터에서 태풍 발생 가능성을 진단하고, 태풍이 활동하는 상황에서는 태풍 강도 등의 현황을 다양한 관측자료를 바탕으로 실시간으로 분석한다. 태풍은 일반적으로 일생의 대부분을 저위도의 열대해역에서 보내는데 관측소가 조밀한 내륙과 달리 그 수가 부족한 해상에서는 위성을 이용한 원격탐사 기술을 활용하여 태풍의 위치와 강도를 감시하는 방법에 의존하게 된다. 그 중 높은 시간 해상도의 정지궤도 위성 산출물은 태풍의 실황 분석에 있어 매우 유용한 자료 중 하나로 활용할 수 있다(Schmetz et al., 1997; Menzel and Purdom, 1994; Combinido et al., 2018; Lee et al., 2020).

위성 영상으로 태풍의 강도를 추정하는 가장 대표적인 방법은 Dvorak 기법으로(Dvorak, 1975), 위성 이미지로부터 나타나는 구름 모양을 패턴별로 나누어 경험적인 방법으로 강도를 결정한다. 하지만 이 기법은 분류에 주관성이 개입한다는 한계점을 가지는데 이를 해결하기 위해 다양한 객관적인 알고리즘이 제안되었다(Velden et al., 1997; Olander and Velden, 2007; Ritchie et al., 2014).Velden et al. (1997)이 제안한 Objective Dvorak Technique (ODT) 알고리즘은 태풍의 눈을 기준으로 특정 반경 이내에서 가장 낮은 밝기 온도를 가지는 영역을 태풍 강도 추정에 이용한다. 이후 태풍의 눈이 아닌 영역까지 강도 추정에 고려하는 Advanced Dvorak Technique (ADT; Olander and Velden, 2007), Infrared (IR) 채널 이미지에서 태풍 중심을 향하는 밝기 온도의 기울기를 정량화하여 태풍 강도를 추정하는 deviation-angle variance technique (DAV-T; Ritchie et al., 2014) 등이 제안됐다. 최근에는 이미지인식 기반 딥러닝 기법인 Convolutional Neural Networks (CNNs)이 위성 이미지로부터 태풍 강도를 추정하는데 이용되고 있다(Pradhan et al., 2017; Combinido et al., 2018; Lee et al., 2020). 단순한 CNN 구조부터, 깊은 층을 갖는 CNN 모델인 Visual Geometry Group 19-layer (VGG19), 입력 데이터를 3차원으로 고려하는 3D-CNN 등이 주요 학습모델로 제안됐으며, 정지궤도 위성의 IR 채널 이미지가 모델의 주요 입력자료로 사용된다.

한편, 현업 태풍 강도 예보에서는 현업수치예보모델의 예측장을 이용한다. 우리나라의 경우 수치 모델 자료로부터 태풍예보자료 초안을 생산한 후, 이를 바탕으로 토의된 예보정보가 국민에게 제공된다. 태풍 예보에 있어 또 다른 접근으로는 과거의 관측자료를 통계 모델의 입력자료로 넣어 태풍의 강도를 예측하는 방법이 있다. 특히 여러 통계 모델 중 기계학습은 비선형적인 관계를 잘 모의할 수 있어 태풍 강도 예측 연구에 활용되고 있다(Feng, 2005; Chaudhuri et al., 2013; Huang et al., 2016). 과거의 관측 기반 해양 분석장이 주요 입력자료로 활용되는데, 평균 해수면 기압, 해수면 온도 등의 수치모델 재분석자료나 관측자료 기반 현재 태풍 강도유형, 위도, 경도, 최소기압, 풍속 등이 대표적인 입력변수로 쓰여왔다. 하지만, 미래 태풍 강도 예측은 과거의 입력자료에 의존하기 때문에 실황분석과 비교하면 그 정확도가 낮은 실정이다. 또한 과거 선행된 기계학습 기반 강도 예측 연구들은 artificial neural network (ANN; Feng, 2005), Multilayer perceptron (MLP; Chaudhuri et al., 2013), probabilistic neural network (PNN; Huang et al., 2016)과 같은 단순 인공신경망에 기초하고 있어, 이미지 인식 기반 딥러닝 모델의 활용이 태풍 강도 예측에 요구되고 있다. 특히, 위성 자료를 포함한 관측자료와 수치예보모델의 예측장을 딥러닝 모델에 함께 활용한 연구는 아직 수행되지 않았다.

본 연구는 딥러닝 CNN 모델을 이용하여 현재 및 6시간과 12시간 후의 태풍 강도를 보다 정확하게 예측하는 것을 목표로 한다. 본 연구에서는 서로 다른 입력자료를 갖는 두 가지 scheme을 구축하였다. 첫 번째 scheme은 정지궤도 위성의 적외채널 영상만을 입력자료로 활용하였고, 두 번째 scheme은 위성 자료와 함께 수치예보모델 Climate Forecast Model version 2 (CFSv2) 로부터 대기 및 해양 예측 자료를 CNN의 입력자료로 이용하였다. 특히, 현재의 태풍 강도와 6시간, 12시간 후의 강도를 동시에 예측하는 Multi-task learning (MTL) 모델을 구축해 여러 예측인자를 빠르게 예측할 수 있는 방법을 고안했다. 2절에서는 본 연구에 사용된 관측 및 수치예보 자료와 모델링 방법에 관해 설명하고, 3절에서는 두 가지 scheme으로 예측한 현재, 6시간 후, 12시간 후의 태풍 강도 추정 결과를 검증을 통해 평가한다. 마지막으로 4절에서는 앞의 결과를 요약하고 결론을 도출하였다.

2. 자료 및 연구방법

1) 연구자료

본 연구에서는 2011년부터 2016년까지 북서태평양에서 발생한 태풍을 대상으로 연구를 시행하였다. 우리나라 최초 정지궤도 위성인 Communicate, Ocean and Meteorological Satellite (COMS, 천리안 1호)의 기상탑재체인 Meteorological Imager (MI)를 기반으로 한 태풍 관측 영상과 National Centers for Environmental PredictionNCEP)에서 제공하는 CFSv2 모델을 기반으로 한 대기 및 해양 예측 자료를 활용하였다(https://www.ncdc.noaa.gov/data-access/model-data/model-datasets). 또한, 태풍의 위치 및 강도의 정보를 취득하기 위해 Joint Typhoon Warning Center (JTWC)에서 제공하는 Best track 자료를 이용하였다(https://www.metoc.navy.mil/ jtwc/jtwc.html).

천리안 1호(COMS)는 2010년 6월에 발사되어 2011년 4월부터 영상을 제공하고 있으며, COMS의 세가지 탑재체 중 하나인 MI 센서는 기상임무를 담당하고 있다. MI 센서는 0.6 µm에서 12.0 µm 파장대까지 총 5개의 채널 (가시광선, 단파적외, 수증기, 적외1 그리고 적외2)을 가지고 있으며, 국가기상위성센터(National meteorological satellite center, NMSC)에서 15분 간격으로 우리나라를 포함한 전구지역의 정보를 1 km에서 4 km 까지의 공간해상도로 제공한다. 각 채널 별 파장대 및 해상도는 Table 1과 같다. 가시광선을 제외한 4가지 채널의 경우 밤과 낮에 상관없이 대기고도별 수증기의 함유량에 대한 정보를 제공하며, 이는 기상을 지속적으로 관측하기에 적합하여, 상층대기의 활동 탐지, 대류운 전조 탐지, 착빙 및 안개탐지 등의 연구에 지속적으로 활용되어 왔다(Han et al., 2015; Chung et al., 2017; Sim et al., 2018).

Table 1. Specification of Communication, Ocean and Meteorological Satellite (COMS) Meteorological Imager (MI)

CFSv2 모델은 지구의 해양, 육지, 대기의 상호 작용을 고려하여 분석 및 예보 자료를 생산하며, NCEP에서 2011년 4월부터 현재까지 데이터를 제공하고 있다. 해당 모델은 자료 동화를 위하여 표면 관측, 상부 기구 관측, 항공기 관측 및 위성 관측을 포함한 데이터를 활용하고 있다. 본 연구에서 사용한 자료는 CFv2 Operational Forecasts 6-Hourly Products의 6-Hourly 3D Ocean Data (OCN), 6-Hourly 3D Pressure Level Data (PGB)로써 1°의 공간해상도를 가지며 하루에 4번(i.e., 00, 06, 12, 18 UTC) 기준으로 모델 자료를 생산하며 6시간 간격으로 최대 6개월까지 예측이 가능하다.

JTWC에서는 1945년부터 남반구, 북서 태평양, 북인도양에서 발생한 태풍에 대한 재분석 자료로써 Best track을 제공하고 있으며, 주된 정보로는 열대 저기압의 발생부터 소멸까지 6시간 간격(i.e., 00, 06, 12, 18 UTC) 의 지리적 영역, 중심 위경도 위치, 최저 해면 기압, 1분 간의 최대 평균 지속 풍속 등을 포함한다. 재분석 자료는 매년 JTWC와 협업 관계에 있는 기관들의 연간 태풍 리포트(JTWC’s Annual Tropical Cyclone Reports, ATCRs) 와 함께 the National Climate Data Center (NCDC), Fleet NumericalMeteorology andOceanographyCenter(FNMOC), Automated Tropical Cyclone Forecasting System (ATCF) 에서 제공되는 데이터를 이용하여 비교 분석 후 재조정을 통하여 구축되며 발표 대상 연도 다음 해에 제공된다. 본 연구에서는 2011년부터 2016년까지 북태평양 영역에서 발생한 태풍을 대상으로 하고 있으며(Fig. 1), 태풍의 초기 중심 위치를 지정하기 위하여 중심 위경도 위치를, 초기 강도를 지정하기 위하여 1분간의 최대 평균 지속 풍속을 이용하였다.

Fig. 1. JTWC best track based typhoon observations from 2011 to 2016. Each tropical cyclone is classified into 6 classes based on mean sustained wind speed (MSW): Tropical depression (TD) for less than 34.2 kts, Tropical storm (TS) for 34.2 - 48.8 kts, Severe tropical storm (STS) for 48.8 - 65.2 kts, Typhoon (TY) for 65.2 - 82.8 kts, Severe typhoon (STY) for 82.8 - 101.8 kts, and Super typhoon (SuperTY) for greater than 101.8 kts.

2) 연구방법

(1) 입력자료 준비

본 연구에서는 JTWC best track을 기반으로 2011년에서 2016년까지 북서태평양에서 발생한 총 142개 트랙의 태풍을 대상으로 연구를 시행하였다. 이 때 태풍의 트랙을 6 (training) : 2 (validation) : 2 (test)로 무작위 분배한 후, 모델링(training, validation) 및 검증(test)에 활용하였다. 모델의 parameter를 구성하기 위해 training 자료가 활용되고, parameter를 최적화 하기 위해 validation 자료가 활용된다. 최적화 된 parameter로 구성된 모델을 실제 자료에 적용하여 검증 결과를 추출하기 위하여 test 자료를 활용한다. 모델링 입력자료 수 증가를 위해 training과 validation에 해당하는 best track의 경우 1시간 간격으로 보간하여 활용하였다(Table 2). 모델링 입력자료 구축을 위해 태풍이 발생한 시간대의 정지궤도 기상위성 관측 영상을 수집하였고, 각 시간대에 해당하는 CFSv2 모델 기반 예측 자료를 수집하였다.

Table 2. Best track-based observation sample size for training, validation, and test before and after track interpolation

정지궤도 기상위성 기상탑재체 COMS MI에서 제공하는 5개 채널 중 4개의 적외 채널 (단파적외, 수증기, 적외1, 적외2)을 활용하여 태풍관측영상의 입력자료를 구축하였다. Best track에서 제공하는 태풍 중심의 위치를 기반으로 301×301픽셀 (약 12°×12°)의 지역을 태풍의 범위로 정의하여 추출한 후, 컴퓨팅 효율적인 입력자료 구축을 위하여 101×101 픽셀의 이미지로 업스케일링(upscaling) 하였다. 입력변수인 4개의 적외 채널에 대해 같은 과정을 반복하여 입력자료(Input 1)를 구축하였다.

또한 CFSv2 모델에서 제공하는 대기 및 해양 환경의 예측 정보를 효율적으로 활용하기 위하여 태풍 중심 추측 위치를 기반으로 5×5 픽셀 (약 5°×5°)의 범위를 태풍중심의 환경범위로 정의하고, 이 범위 내의 값을 평균하여 입력변수로 구축하였다. 이 때 예측 모델의 태풍 영향 범위를 정의하기 위해 대기예측변수 중 평균 해수면에서의 최저기압(minimum pressure at mean sea level)을 활용하였다. Best track에서 제공하는 최초 시간대에서의 태풍 중심 위치를 중심으로 5×5 픽셀 범위 내에서 최저기압을 가지는 위치를 태풍 중심 추측 위치로 정의하였다. 본 연구에서는 기준 시간 대비 6시간 후, 12시간 후의 예측 모델을 활용하였다. CFSv2 모델에서 제공하는 기압수준의 자료를 기반으로 현재, 6시간 후, 12시간 후의 태풍의 위치(위/경도), 태풍 중심 주변의 평균 해수면에서의 u-/v-wind vector, 대류권 계면에서의 u-/v-wind vector, 수평풍의 연직 시어(vertical shear of horizontal wind), 평균해수면 및 대류권계면에서의 절대 바람속도를 구축하였다. 반면, 해양예측변수의 경우 현재 자료를 제공하지 않기 때문에, 6시간후, 12시간 후의 해양표면의 보유열, 해수면 아래 5 m 깊이에서의 해양 염분, 해수면에서의 하강열유속정보를 입력자료로 구축하였다. 이 때 한시간 간격으로 보간한 Best track의 정보에 대응하여 사용하기 위해, 6시간 간격의 각 해양 및 대기 환경 예보 변수는 1시간 간격으로 보간 하여 활용하였다. 이를 통해 총 36개의 수치예보모델 기반 해양환경변수 입력자료(Input 2)를 1시간 간격으로 구축하였으며, 이렇게 구축된 입력자료의 구조는 Table 3와 같다.

Table 3. Structures of training, validation, and test datasets used in this study. ‘Input 1’ is constructed as fourdimensional data (n,w,h,d): n is the sample size, w and h indicate the width and height of an input image, and d indicates the depth of an image set. ‘Input 2’ is constructed as three-dimensional data (n,x,d): n is the sample size, x indicates the length of variables, and d indicates the depth of input data

(2) Multi-task learning

본 연구에서는 MTL 기반의 두 가지 서로 다른 입력자료를 가지는 scheme을 구축했다. 첫 번째 scheme (Scheme1)은 정지궤도 기상위성 영상 입력자료인 Table 3의 Input1만을 이용하였고, 두번째 scheme (Scheme2) 은 입력자료로 Input1과 수치예보모델 기반의 입력자료인 Input2를 함께 이용하여 모델을 구성하였다.

MTL은 추정(regression) 및 분류(classification)에 있어 여러 연관이 있는 작업을 동시에 수행할 수 있는 기법이다(Nwe et al., 2017). 하나의 신경망이 여러 작업을 함께 학습할 수 있어 효율적이며, 여러 작업에서 일반적인 parameter를 공유하기 때문에 Overfitting 문제를 감소시킬 수 있다. 본 연구에서는 여러 MTL 구조 중 hard sharing 기법을 사용하였다. 여러 작업들이 같은 뿌리 신경망 모델에서 시작하여 나중에 각각의 representation을 학습하는 방식으로 전통적으로 사용되는 MTL 방식이다(Ruder, 2017).

MTL의 신경망 구조에는 딥러닝 기반 CNN이 이용되었다. CNN은 입력된 이미지로부터 차원감소를 통해 주요한 feature를 추출하는 학습기법이다(Song and Kim, 2017; Kim et al., 2018). CNN은 주로 글자인식, 사진처리, 의학영상처리 등의 연구에 이용되며(Guo et al., 2018; Kayalibay et al., 2017), 최근에는 여러 기상 및 기후 분야에서도 위성영상이나 수치모델로부터 주요한 패턴을 인식해 추정 및 분류를 수행하는 연구들이 진행되고 있다(Lee et al., 2019; Yoo et al., 2019; Ham et al., 2019). CNN은 세가지 주요 요소로 구성 되어있는데, convolutional layers, pooling layers, fully connected layer를 말한다 . Convolutional layer에서는 입력자료로부터 주요한 패턴정보가 추출되고, pooling layer에서는 차원감소가 이뤄지며, 마지막으로 fully connected layer에서 추출된 feature로부터 output을 결정짓는다. 각 Convolutional layer에서 가중치(weights) 와 편차(biases) 가 학습되며, back-propagation 과정을 통해 최적화된다. 마지막 convolutional layer로부터 나온 features는 flattening 되어 fully connected layer에 들어가게 된다. 특히, 본 연구에서는 3차원의 3D-CNN을 이용하였다. 3D-CNN은 입력 영상을 분석할 때 적용되는 filter가 3차원으로 적용되며, 이는 시·공간적 변화를 모의하는데 유의미한 성능을 보이고 있다(Qiu et al., 2017; Lee et al., 2019).

본 연구에서 이용한 두 scheme의 MTL 구조는 Fig. 2와 같다. 일반적으로 CNN 기반의 신경망 구조를 구축하는 방법은 매우 다양하다. 따라서 본 연구는 다양한 테스트를 통해 정확도와 효율성을 고려한 최적의 모델을 구축했다. 본 연구의 CNN 모델에는 여러 사이즈의 (i.e., 3×3, 5×5 및 7×7) 필터들이 convolutional layer에 적용되었으며, pooling layer에는 2×2와 3×3 사이즈의 max-pooling 필터가 이용되었다. 각 layer의 활성화 함수로는 Rectified Linear Unit (ReLU)가 적용됐으며, Adaptive moment estimation (ADAM)이 손실함수의 에러를 최소화하는 optimizer로 이용되었다.

Fig. 2. Convolutional neural network architectures of schemes 1 (a) and 2 (b). CONV3D and MAXPOOL are the convolutional layer and max-pooling layer of 3D CNN, respectively. Both DENSE and FC are the fully connected layers.

Scheme 1의 경우 전형적인 hard sharing 구조로서 세가지 작업(현재 태풍 강도, 6시간 후의 태풍 강도, 12시간 후의 태풍강도) 이 처음 파라미터를 공유하다가 분리되어 각각을 학습하는 구조로 되어있다(Fig. 2(a)). 반면, scheme 2의 경우 현재 태풍 강도 예측의 경우에는 관측위성자료인 Input1의 비중을 크게 두어 모델을 구축했으며, 예보의 경우 수치예보모델인 Input 2로부터 다섯 번의 dense layer를 거쳐 나온 값을 input 1과 결합시킨 뒤 6시간 및 12시간 후의 태풍 강도 각각을 분리하여 학습시켰다. 이러한 구성으로 모델을 구축함으로서 scheme 2는 실황분석과 예보의 입력변수를 다르게 비중을 두면서도 서로 정보를 공유할 수 있는 MTL 모델을 구축할 수 있었다.

(3) 모델 성능 평가

MTL 모델의 성능을 평가하기 위하여 평균 절대 오차(Mean absolute error, MAE), 평균 제곱근 편차(Root mean squared error, RMSE), 평균비 오차(Mean percentage error, MPE) 와 평균 제곱근 편차 비(Relative root mean squared error, rRMSE), 상관계수(Coefficient of determination, R²) 총 5 개의 검증변수를 활용하여 분석하였다.

\(M A E=\frac{1}{n} \sum a b s(y-\hat{y})\)       (1)

\(R M S E=\sqrt{\sum \frac{(\hat{y}-y)^{2}}{n}}\)       (2)

\(M P E=\frac{100 \%}{n} \sum\left(\frac{y-\hat{y}}{y}\right)\)       (3)

\(r R M S E=\frac{\sqrt{\frac{\sum(y-\hat{y})^{2}}{n-1}}}{\bar{v}} * 100\)       (4)

\(R^{2}=1-\frac{\sum(y-\hat{y})^{2}}{\sum(y-\bar{y})^{2}}\)       (5)

이 때, n은 검증 샘플의 수, y는 실제 강도의 값, \(\hat{y}\)는 모델을 통해 예측된 강도의 값, \(\overline{y}\)는 실제 강도 값의 평균을 나타낸다. MAE와 RMSE는 예측값의 실질적인 편차의 정도를 직접적으로 나타내며, MPE는 예측값의 과대추정, 과소추정 정도를 파악할 수 있다. 또한, rRMSE는 RMSE를 실제값의 평균으로 나누어 실제값 대비 편차의 비율을 나타내며, Li et al. (2013)에 의하면 30미만의 값을 가질 경우 모델이 유의미한 성능을 보인다고 판단할 수 있다.

3. 결과 및 토의

1) Multi-task learning을 통한 태풍 강도 예측 결과

Fig. 3과 Fig. 4는 scheme별 태풍 강도 예측 모델의 모델링 및 검증 결과를 나타낸 그래프이다. Fig. 3(a)는 scheme 1을 활용한 MTL모델의 모델링 결과이며, Fig. 3(b)는 scheme2의 모델링 결과이다. Fig. 4(a)는 scheme 1 모델의 검증 결과이며, Fig. 4(b)는 scheme2 모델의 검증 결과이다.

Fig. 3. Modeling results of schemes 1 and 2 for real-time, 6h-forecast, and 12h-forecast. (a) modeling results of scheme 1 and (b) monitoring results of scheme 2. The color scheme from blue to red indicates the density of data distribution.

Fig. 4. Test results of scheme1 and 2 for real-time, 6h-forecast and 12h-forecast. (a): test results of scheme 1 and (b): test results of scheme 2. The color scheme from blue to red indicates the density of data distribution.

모델의 훈련 정도를 나타내는 모델링 결과 scheme 1와 scheme 2에서 평균적으로 각각 0.79, 0.82의 상관계수(R²)를 보이며 관측 자료와 추정자료 간의 유의미한 상관관계를 보이고 있다. 이렇게 훈련된 모델을 검증 자료에 적용했을 경우 scheme 1와 scheme 2에서 평균적으로 각각 0.82, 0.86의 높은 상관계수를 보인다. Scheme 1과 scheme 2에서 제안하는 현재(Real-time) 태풍 강도 추정의 경우 MTL을 구성하는 모델의 구조가 동일하기 때문에 검증 결과 RMSE가 15.23 kts로 유사한 결과를 보이고 있다. 반면, 6시간 후, 12시간 후 예측 검증 결과에 있어서는 scheme별로 차이를 보이고 있다. 6시간 후(6h-forecast) 예측 검증의 경우, scheme1에서 RMSE가 14.10 kts, scheme2에서 RMSE가 12.29 kts로 scheme2에서 약 12% 개선된 결과를 보이고 있으며, 12시간 후(12h-forecast) 강도 예측의 경우, scheme 1과 scheme 2에서 RMSE가 각각 15.96 kts, 13.46 kts로, scheme 2에서 약 16% 향상된 예측 검증 결과를 보이고 있다. 이 결과는 미래의 태풍 강도 예측에 있어 CFSv2 모델 기반으로 추출된 해수면에서의 u-/v- wind vector, 수직 바람 시어 등의 대기 예측 변수 및 해양 염분, 해수면에서의 하강열 유속 정보 등의 해양 예측 변수가 태풍의 강도 예측에 있어 주요한 인자로 적용했다는 것을 의미한다.

하지만 본 연구에서 사용한 CFSv2는 6시간간격으로 제공되고 있으며, 공간해상도가 1°×1°로 비교적 낮다. CFSv2 모델을 활용하여 미래 태풍의 위치를 추정하는데 최대 1° 가량의 추정 오차가 발생할 수 있으며, 이는 추정 모델의 불확실성(uncertainty)을 높일 수 있는 요소이다. 또한, 2012년 북서태평양에서 발생한 태풍을 대상으로 CFSv2기반의 대기 예측 변수 중 해수면에서의 태풍 중심 기압과 JTWC best track기반 자료인 태풍 중심의 최저 기압 자료를 예측 시간대 별로 비교하여 상관성을 분석하였을 때(Fig. 5), 예측 기간이 길어질수록 상관계수가 선형적으로 감소하는 경향을 보였다. 따라서 예측 자료를 경험적 모델에 활용 및 결과를 분석하는 데 있어서 수치예보모델 자체의 오차가 고려되야 할 것이다.

Fig. 5. Correlation coefficients of JTWC best track-based mean sea level pressure of TC center (MSLP) and CFSv2-based MSLP prediction over Northwestern Pacific in 2012. The x-axis indicates forecasting time (hour, + h) and the y-axis indicates the correlation coefficients (R; 0-1). R values linearly decreased with increasing forecasting times.

본 연구에서 이용된 MTL 모델은 시간적으로 효율성이 높다. 본 연구에서 MTL 기반의 scheme1의 경우 학습 시 epoch 당 67초가 소요됐는데, 각 작업을 따로 하는 Single tasking의 경우에도 한 epoch당 67초로 유사한 학습시간이 걸리는 것으로 나타난다. 태풍 예보 시스템에 있어서 정확성과 함께 신속성이 중요한 것을 고려할 때, 본 연구가 제시한 MTL 기법은 여러 시간대의 태풍 강도를 동시에 예측함으로서 시간적 효율성이 높은 모델로 판단된다.

2) 강도 별 예측 성능

Table 4, Table 5은 각각 scheme 1과 scheme 2의 검증 성능을 태풍 단계별로 정리한 표이다. Scheme 1의 Real-time, 6시간 예측, 12시간 예측 강도 추정 검증 결과에서는 저강도 태풍인 TD 단계에서 절대적인 오차를 나타내는 MAE, RMSE가 가장 낮은 경향을 보이고 있는 반면, 기준값 별 상대적인 오차를 나타내는 rRMSE의 경우 고강도태풍으로 갈 수록 좋은 성능을 보이고 있다. 특히, STS 이상의 강도를 가지는 태풍에서는 모든 추정 결과에 대해 30% 미만의 rRMSE값을 보이며 유의미한 검증 성능을 보이고 있다(Liu et al., 2013). Scheme 2의 경우, 태풍 강도가 TS이상인 경우 모든 단계에서 30% 미만의 rRMSE 값을 가지며 훈련 모델의 당위성을 보여주고 있다.

Table 4. Test results of scheme 1 according to Tropical cyclone intensity. Used indexes (unit) are MAE (kts), RMSE (kts), MPE (%) and rRMSE (%)

Table 5. Test results of scheme2 according to Tropical cyclone intensity. Used indexes (unit) are MAE (kts), RMSE (kts), MPE (%) and rRMSE (%)

또한 모델의 추정 경향을 나타내는 MPE값의 경우 태풍의 단계별로 성능의 경향이 뚜렷하게 나타나는데(Fig. 6), 저강도 태풍(TD, TS)에서는 음수의 값을 가지며 전체적으로 과대추정하는 경향을 나타내는 반면, 태풍의 강도가 높아질수록 양의 값을 가지면서 과소추정하는 경향을 보이고 있다. 이러한 경향은 scheme 2에서도 유사하게 나타나고 있으며, 단계별 RMSE를 분석하였을 때 6시간 예측 값의 경우 scheme1에 비해 TD, TS, STS, TY, STY, SuperTY 단계에서 각각 4%, 19%, 29%, 23%, 2%, 11% 개선된 결과를 보여주고 있으며, 12시간 예측 값의 경우 TD, TS, STS, TY, SuperTY 단계에서 각각 17%, 28%, 33%, 17%, 13%가량 개선된 결과를 보여주고 있다.

Fig. 6. Mean percentage error (MPE (unit: %)) of schemes 1 and 2 with increasing lead time by tropical cyclone intensity levels.

예측 시간 별로 모델 성능을 살펴봤을 때, scheme 1에서는 TY 미만의 단계에서 예측 lead time이 길어질수록 높은 RMSE를 보이고 있다. 다만 STY 단계에서는 12시간 후 강도 예측 결과가 현재, 6시간 예측 결과 대비 약 28%가량 좋은 성능을 보이고 있다. 6 시간, 12 시간 예측 결과, 대부분의 태풍 단계에서 scheme 2가 scheme 1보다 좋은 성능을 보이는 반면, 12시간 후 STY 단계의 태풍을 예측함에 있어서는 환경 예보 변수가 고려된 scheme 2보다 scheme 1이 약 24% 좋은 성능을 보이고 있다. 이는 다중 적외 채널 기반의 태풍 관측 영상이 12시간 후 태풍의 강도와 높은 상관성을 가지고 있을 가능성이 있음을 나타낸다.

3) 추정 모델의 시계열 분석 결과

Fig. 7은 2014년에 북서태평양에서 11번째로 발생한 태풍인 태풍 HALONG에 대한 시계열 검증 결과이다. 태풍의 현재 강도 추정 결과 scheme1, scheme2에서 비슷한 추정 경향을 보이고 있으며, 태풍이 급격하게 발달하는 2014/08/01 12:00 UTC에서 2014/08/02 00:00 UTC 구간에서 두 scheme 모두 과대 추정하는 경향을 보이고 있다. 태풍이 소멸하고 있는 2014/08/02 00:00 UTC에서 2014/08/05 06:00 UTC까지의 구간에서는 강도를 과소추정하는 결과를 보이고 있지만, 실제 태풍 강도 감소 추세를 유지하며 추정하고 있는 결과를 보인다.

Fig. 7. Test results of Typhoon HALONG in 2014 for both schemes. The black solid line represents observed intensities from JTWC best track. The blue and red line indecates the intensity estiamtion results of schemes 1 and 2, respectively. The x-axis indicates observation time (YYYYMMDDhhmm UTC), and the y-axis indicates intensity based on mean sustained wind speed.

태풍 HALONG의 6시간 후 예측 결과에서는 태풍의 초기 발달 단계인 2014/07/28 12:00 UTC 부터 2014/07/29 18:00 UTC기간과 태풍의 급격한 발달 후 소멸하는 단계인 2014/08/03 18:00 UTC부터 2014/08/04 12:00 UTC기간에서 두 scheme의 성능이 큰 차이를 보이고 있다. 태풍 발달 초기의 경우 scheme1이 scheme2에 비해 약 20 kts가량 과대추정하는 결과를 보이고 있으며, 태풍 소멸 기간의 경우 scheme1이 scheme2에 비해 약 10 kts가량 과소추정하고 있는 경향을 보이고 있다.

12시간 후 강도 예측 결과에서는, 태풍의 강도가 급격하게 증가하는 2014/08/01 12:00 UTC부터 2014/08/03 00:00 UTC까지의 기간에서 scheme1과 scheme2모두 가장 좋은 예측 성능을 보이는 것을 알 수 있다. 반면, 태풍의 초기 발달 단계인 2014/07/28 18:00 UTC부터 2014/07/30 06:00 UTC까지의 기간에서 scheme1은 약 23 kts가량 과대추정하는 경향을 보이고 있으며, scheme2는 약 5 kts가량 과소추정하는 경향을 보이고 있다. 시계열 분석 결과 6시간, 12시간 강도 예측에 있어 scheme1보다 scheme2에서 더 안정적인 예측결과를 보이고 있으며, 이는 Fig. 3에서 살펴본 전체 검증 결과와 상응하는 경향을 나타낸다.

5. 결론

본 연구에서는 인공지능 기법 중 하나인 Multi-task learning을 활용하여 정지궤도 기상위성 COMS MI 기반 태풍 관측 영상과 수치예보모델 CFSv2 기반의 태풍 주변 환경 예측 모델 융합을 통해 현재, 6시간 후, 12시간 후의 태풍의 강도를 예측하였다. 2011년부터 2016년까지 북서태평양에서 발생한 총 142개의 태풍 자료 중 112개의 태풍을 활용하여 예측 모델을 구축하였고, 나머지 30개의 태풍에 적용하여 모델의 적합성을 검증하였다. 기존 연구에서 제시한 태풍 관측 영상을 활용한 강도 모의 가능성을 기반으로(Pradhan et al., 2018; Lee et al., 2020), 위성 기반 태풍 관측 영상을 활용한 태풍 현재, 6시간 후, 12시간 후 강도를 추정하였다(Scheme 1). 하지만, 현재의 태풍 관측 영상만으로 미래의 태풍 강도를 예측하는 데는 불확실성을 내포하고 있어, 미래의 태풍 주변 대기 및 해양 환경을 고려할 수 있는 수치예보모델을 융합적으로 활용하여 동 시간대에 대한 태풍 강도 예측을 시행하였다(Scheme 2). 실험 결과, 현재 태풍 강도 예측은 scheme 1과 scheme 2에서 유사한 검증결과를 나타낸 반면, 6시간 후와 12시간 후 태풍 강도 예측에 있어서는 scheme 2모델이 scheme 1모델 보다 각각 13%, 16% 나은 예측 성능을 보였다. 이는 CFSv2기반의 수치예보모델 자료가 6시간 후, 12시간 후 태풍 강도의 예측에 유의미하게 기여한다는 것을 의미한다. 본 연구에서는 인공신경망의 입력자료로써 해양 및 대기 예측변수가 독립적으로 구성되었으나, 향후 태풍의 강도에 영향을 끼치는 열역학적인 특성을 고려한 수치 예보 입력자료 전처리 및 입력 변수 추가를 통해 추가 모델링을 수행함으로써 환경적 변수를 효율적으로 활용할 방안을 모색하는 것이 필요하다. 또한, 과거 태풍 관측 자료와 미래 환경 예측 변수의 상호 보완적인 활용을 위하여 태풍 관측자료의 시계열 분석을 통해 과거 태풍 형태의 경향이 미래 태풍 강도에 미치는 영향을 정량화 하는 것이 필요할 것이다.