LSTM Based Prediction of Ocean Mixed Layer Temperature Using Meteorological Data

기상 데이터를 활용한 LSTM 기반의 해양 혼합층 수온 예측

Abstract

Recently, the surface temperature in the seas around Korea has been continuously rising. This temperature rise causes changes in fishery resources and affects leisure activities such as fishing. In particular, high temperatures lead to the occurrence of red tides, causing severe damage to ocean industries such as aquaculture. Meanwhile, changes in sea temperature are closely related to military operation to detect submarines. This is because the degree of diffraction, refraction, or reflection of sound waves used to detect submarines varies depending on the ocean mixed layer. Currently, research on the prediction of changes in sea water temperature is being actively conducted. However, existing research is focused on predicting only the surface temperature of the ocean, so it is difficult to identify fishery resources according to depth and apply them to military operations such as submarine detection. Therefore, in this study, we predicted the temperature of the ocean mixed layer at a depth of 38m by using temperature data for each water depth in the upper mixed layer and meteorological data such as temperature, atmospheric pressure, and sunlight that are related to the surface temperature. The data used are meteorological data and sea temperature data by water depth observed from 2016 to 2020 at the IEODO Ocean Research Station. In order to increase the accuracy and efficiency of prediction, LSTM (Long Short-Term Memory), which is known to be suitable for time series data among deep learning techniques, was used. As a result of the experiment, in the daily prediction, the RMSE (Root Mean Square Error) of the model using temperature, atmospheric pressure, and sunlight data together was 0.473. On the other hand, the RMSE of the model using only the surface temperature was 0.631. These results confirm that the model using meteorological data together shows better performance in predicting the temperature of the upper ocean mixed layer.

최근 우리나라 주변 해역의 해수면 온도가 상승하고 있다. 이러한 수온 상승은 어족자원의 변화를 일으켜 낚시와 같은 레저활동에 영향을 미치기도 하며, 특히 고수온은 적조 발생으로 이어져 양식업과 같은 해양산업에 극심한 피해를 유발하기도 한다. 한편 수온 변화는 잠수함을 탐지하는 군사작전과도 밀접하게 연관되어 있다. 이는 잠수함을 탐지하기 위한 음파가 수온층에 따라 회절, 굴절 및 반사되는 정도가 달라지기 때문이다. 이와 같이 해양과 관련된 다양한 분야에서 중요성을 가지는 해양 수온의 변화를 예측하기 위한 연구가 현재 활발하게 진행되고 있다. 그러나 기존 연구들은 대부분 해수면 온도만을 예측하는데 중점을 두고 있어 수심별 어족자원의 변화나 잠수함 탐지와 같은 군사분야 활용이 제한된다. 이에 본 연구에서는 수심별 수온자료 및 해수면 온도와 상관관계를 가지는 기온, 기압, 일조량 등의 기상 데이터를 함께 활용하여 수심 38 m 혼합층의 수온을 예측하였다. 사용된 데이터는 이어도 해양과학기지에서 관측한 2016년부터 2020년까지의 기상 데이터와 수심별 수온 자료이며, 예측의 정확성과 효율성을 높이기 위해 딥러닝 기법 중 시계열 자료에 적합하다고 알려진 LSTM(Long Short-Term Memory)을 사용하였다. 실험 결과 1시간 예측을 기준으로 기온과 기압, 일조량 자료를 함께 활용한 모델의 RMSE(Root Mean Square Error)는 0.473으로 나타났다. 반면 해수면 수온만을 활용한 모델의 RMSE는 0.631로 나타나 기상데이터를 함께 활용한 모델이 상부 혼합층 수온 예측에서 보다 우수한 성능을 보임을 확인하였다.

1. 서론

기상청(Korea Meteorological Administration : KMA)은 1991년부터 2020년까지 한반도의 30년 연평균 기온이 12.8℃로 이전 연평균 기온보다 0.3℃ 상승하였고, 최근 10년간 해양수온은 1980년대에 측정한 것보다 0.7℃ 상승하였다고 발표하였다(https://www.kma.go.kr). 이러한 수온변화는 다양한 차원에서 해양생태계에 영향을 줄 것으로 예상된다. 어업에서는 어족자원이 변화되어 기존의 한반도 연안에서 관측되지 않았던 해양생물들이 출현하거나 또는 사라지는 현상을 나타나게 할수있으며, 급격한 수온상승은 적조발생 빈도를 높여 어민에게 큰 피해를 줄 수 있다. 특히, 해양 혼합층의 온도 변화는 바다에서 이루어지는 군사작전에도 영향을 끼칠 수 있다. 그 중 하나가 잠수함을 탐지하기 위한 대잠작전으로, 대잠작전에서 함정은 음파를 발생시키고, 표적에서 반사되어 되돌아 오는 신호로 잠수함 또는 기뢰 등을 탐지한다(Bae and Son, 2010). 한편, 음파는 수온에 의해 성질이 달라지며, 동일한 온도를 갖는 층에서는 직진성을 띄는데 반해 다른 층에서는 굴절하거나 회절, 감쇄, 반사하는 성질을 갖는다. 따라서 잠수함 탐지시 수온층의 형성과 수온 변화를 미리 예측하는 방법이 요구된다.

기존 수온 변화를 예측하기 위한 방법으로는 수치모델(numerical model)이 있다. 수치모델은 기온, 바람, 습도와 같은 관측된 기상 요소의 시간변화를 나타내는 물리방정식을 고성능 컴퓨터에 입력하여 미래를 예측하는 방법이다. 국내에서는 한국해양기술원(Korea Institute of Ocean Science Technology, KIOST)에서 해양순환모델(MOM5)에 ARGO(The Array for Real-time Geostrophic Oceanography), World Ocean Data base로부터 수집되는 다양한 현장 자료와 OISST(Optimal Interpolated Sea Surface Temperature) 등을 입력자료로 자료동화방법을 통하여 산출한다(Jung et al., 2020). 국외에서는 미해군의 NRL(Naval Research Lavoratory)이 전세계 해양의 수온, 염분, 표층 수온, 해수면 높이 관측 자료와 표층 해양정보, XBT(Expendable Bathythermograph)를 이용하여 3차원적 해양의 물성구조를 재현할 수 있는 MODAS(Modular Ocean Data Assimilation System)를 개발하였다. MODAS를 이용하면 인공위성으로 관측한 표층수온과 해수면 높이 자료를 기반으로 수온과 염분의 수직구조를 추정할 수 있다(Kim et al., 2013).

최근에는 딥러닝 기법을 활용하여 수온을 예측하는 연구가 활발히 이루어지고 있다. Zhang et al. (2017)은 기존 해수면 온도 예측방안인 수치모델이 계산에 많은 시간이 소요되고, 특정 해역에 대한 데이터를 통해 만든 모델은 다른 해역에 적용할 수 없는 한계를 언급하며 LSTM을 활용하여 해수면 온도를 예측하는 기법을 제안하였다.

Choi et al. (2020)은 ECMWF(Europe Centre for Medium-Range Weater Forecast) 의 위성영상 해수면 온도 데이터를 이용하여 한반도 남해 연안에 해수면 온도를 예측하였다. 1일부터 7일 이후의 해수면 온도를 예측한 결과, 단기간 모델의 성능평가가 장기간 예측 모델보다 오차가 낮게 나타났다. Jung et al. (2020)은 수온예측에 우수한 성능을 보여준 LSTM과 Convolutional LSTM 기법을 활용하여 예측을 시도하였으며, 시공간적인 특성을 동시에 학습할 수 있는 Convolutional LSTM이 LSTM 기반 모델보다 고수온 탐지에서 정확도가 높음을 확인하였다. 해수면 온도와 기상자료와의 상관관계를 분석하는 연구에 있어 Kim and Kim (2018)은 해수면 온도와 기온의 상관성 분석을 실시하였다. 분석결과, 해수면 온도와 평균기온의 상관계수가 0.92 이상으로 가장 높게 나타났다. Oh and Jeong (2015)은 새만금호의 최고수온과 최저수온을 예측하기 위하여 신경망 모형을 활용하였다. 수온의 변화를 예측하기 위해 기온과 수온 자료를 입력자료로 하여 수온을 예측했을 때 상관관계가 매우 높게 나타났으며, 모델 적용에 따른 오차는 1℃ 미만이었다. Park (2019)은 단기 해수면 온도 예측을 위해 LSTM 기법을 활용하였고, 해수면 온도 외에 기온, 기압 자료를 사용하였다. 실험결과, 해수면 온도만을 활용한 1시간 이후 예측 모델은 MAE(Mean Absolute Error : 평균 절대오차)가 1.43 이었으며, 기상자료를 활용한 예측 모델의 경우 MAE가 0.64로 단기수온 예측 체계의 성공요건으로 기상과 해양 자료를 활용하는 방안을 제시하였다. 또한, Ko and Lee (2021)는 남해지역의 해수면 온도를 예측하면서 기온, 바람세기, 일조량, 강우량의 기상 데이터를 활용하였다. 실험결과, 해수면 온도 자료만을 활용하였을 경우 RMSE(Root Mean Square Error : 평균제곱근오차)가 0.2777이었던데 반해, 모든 기상데이터를 추가시 RMSE가 0.2017로 낮아짐을 확인하였다.

한편, 해양 수온과 음파에 관한 연구는 주로 해역의 특성을 반영한 연구 위주로 진행되었다. Lim et al. (2007)은 CREMAS(Circulation research of th eEast Asian Marginal Seas) 프로그램을 통해 수집한 동해 북부해역의 관측자료를 분석하여 수중음파 전달의 변동성을 연구하였다. Yang (2001)은 남해 동부해역의 수온전선 환경과 해양퇴적물 특성에 따른 수중탐지거리 경향을 파악하였고, 음파의 전달손실은 겨울보다 여름철에 더 높게 나타난다고 확인하였다.

이상에서 살펴본 바와 같이, 기존 연구는 대부분 시 계열 분석기법인 LSTM을 활용하여 해수면 온도만을 예측하였으며, 심도에 따른 수온을 예측하려는 시도는 없었다. 또한, 심도별 수온을 측정하기 위해서는 국립해양조사원과 해군에서 보유하고 있는 장비를 활용하여야 하나, 원격으로 측정할 수 없다는 단점을 지니고 있다.

이에 본 연구에서는 LSTM 기법을 기반으로 해수면 온도와 기상 데이터를 활용하여 원격으로 해양 수심별 수온을 예측하고 데이터 별 상관관계를 분석하였다.

2. 연구자료 및 방법

1) 연구지점 및 연구자료

본 연구에서 해양 혼합층 수온을 예측하는 지점으로 이어도를 선정하였다. 이어도를 선정한 배경은 이어도의 군사적 가치와 데이터의 수집 가능성을 고려하였다. 먼저 군사적 가치로써 이어도의 위치를 고려할 수 있다. 국립해양조사원(Korea Hydrographic and Oceanographic Agency, KHOA)에서 제공하는 자료(Fig. 1)에 의하면 이어도는 마라도부터 149 km, 중국 서산다오로부터 287 km, 일본 도리시마로부터 276 km 지점에 위치하고 있다. 우리나라 물동량 대부분이 통과하는 해상운송의 요충지로 국가적으로도 중요한 해상교통로이다. 또한 한반도 주변국인 중국과 일본 잠수함이 남중국해와 동해로 진출할 수 있는 통로로 여겨진다(Kim, 2019). 따라서 본 연구에서는 동아시아 각국 잠수함의 활동무대로 여겨질 수 있는 이어도를 연구대상지로 선정하였다.

Fig. 1. (a) Location of IEODO and (b) IEODO Ocean Research Station.

이에 본 연구에서는 2016년부터 2020년까지 국립해양조사원 이어도 해양과학기지에서 관측한 자료를 활용하였다. 국립해양조사원에서는 기온, 풍속, 일조량, 강우량 등 기상자료와 수온 염분센서인 CT3919로 관측한 심도별 해양자료(http://www.khoa.go.kr)를 표층(3 m), 중층(20.5 m), 저층(38 m)으로 구분하여 제공하고 있다.

2) 연구방법

(1) 데이터 전처리

이어도 해양과학기지에서 관측한 자료는 센서의 오류나 고장으로 비규칙적인 결측값과 이상값이 존재하였다. 국립해양조사원에서는 데이터 제공 시 신뢰할 수 없는 데이터에 대해서는 ‘B(Bad)’라고 표기하였기 때문에 이러한 데이터는 삭제하고 이전 값으로 입력하였다. 데이터 전처리 과정은 크게 2단계로 나누어 진행하였다. 첫 번째 단계는 이상값을 제거하는 것으로써 수온의 경우 영하값이 있거나 해수면 온도와 저층 수온의 온도 차가 20℃ 이상 차이가 나는 값은 제외하였다. 또한, 기압이나 염분의 경우 0(Zero)으로 표시되는 경우도 있어 이러한 데이터 역시 제외 후 이전 값 또는 평균값으로 대체 입력하였다.

두 번째 단계는 결측값을 채우는 단계이다. Table 1에서 볼 수 있듯이 전체 데이터에서 결측값이 차지하는 비중이 매우 높았다. 결측값에 대한 전처리 방법으로는 선형보간법을 이용하는 방법이 있다. 선형보간법은 결측값이 있는 전후 사이에 있는 값을 추정하기 위하여 직선거리에 따라 선형적으로 계산하는 방법이다. 일부 연구에서 결측값을 처리하기 위해 선형보간법을 사용하였지만, 결측값들이 연속적으로 발생하여 간격이 클 경우에는 결측값을 대체하기 어렵다는 문제점을 가지고 있다(Moon et al., 2019).

Table 1. Number of missing values of weather and oceanographic data

이번 연구에서는 결측값 대체를 위해 선형보간법을 사용하지 않고 이전값 또는 평균값으로 대체하였다. Fig. 2(a)에서처럼 이번 연구에 활용한 기상 및 수온 자료에는 장기간 결측값이 많았다. 특히, 2020년에는 태풍의 영향으로 인해 관측을 하지 못한 기간이 두 달 이상인 경우도 확인되었다. 따라서, 시간 단위 자료는 이전 값 또는 평균값으로 대체하여 입력하였고, 한 달 이상의 장기간 결측의 경우 연도별 수온 변화가 크지 않아 이전 연도의 값을 대입하여 Fig. 2(b)처럼 보정하였다.

Fig. 2. (a) Before Data preprocessing and (b) After Data preprocessing.

(2) 데이터 특징 및 상관관계 분석

데이터 전처리 이후 각 측정값의 특징을 확인하였다. Fig. 3은 2016년부터 2020년까지의 해수면 온도, 중층수온, 저층수온, 염분, 풍속, 기온, 기압, 일조량, 강우량 데이터이다. 수온은 해수면과 중층, 저층수온 모두에서 계절성을 띠는 모습을 보였다. 기상 데이터의 경우 기온과 기압, 일조량은 계절성을 보이는데 반해 염분과 강우량은 계절과는 상관성이 적은 것으로 보인다. 한편, 2016년 수심별 수온 월별 평균(Fig. 4)에서 보는 것과 같이 여름철인 7~9월간 해수면 온도와 저층수온의 값의 차이가 많이 나는 것을 확인하였다.

Fig. 3. Sea Water Temperature and Meteorological data from 2016 to 2020.

Fig. 4. Comparison of Sea Water Temperature by depth, 2016.

전체기간 중 해수면 온도의 최대값은 32.8℃이고 저층수온의 최대값은 25.8℃로 해수면 온도와 저층수온의 차가 최대 7℃ 이상 차이나는 것을 확인하였다. 이는 여름철 기온 상승과 기압 하강에 따른 작용이라 판단할 수 있다.

앞서 수온과 기상 데이터의 특징을 통해 수온, 기온, 기압, 일조량이 계절성을 띠는 것을 확인하였다. 이어서 기상 데이터와 수온의 상관관계를 분석한 결과(Fig. 5), 저층수온은 중층수온, 해수면 온도, 기온, 염분의 순으로 상관성이 높았다. 기온은 해수면 온도와 상관성이 0.84로 제일 높았고, 이후 기압, 중층수온, 저층수온의 순으로 상관성이 높았다. 반면 풍속과 강우량은 다른 요소들과 상관성이 적었다.

Fig. 5. Correlation matrix for the meteorological and oceanographic variables.

본 연구의 목표는 서론에서 전술한 바와 같이 위성과 조위관측소 등에서 원격으로 획득한 기상과 표층수온의 데이터만을 활용하여 저층수온을 예측하는 것이다. 따라서 중층수온이 저층수온과 상관관계가 제일 높기는 하나, 이어도 해양과학기지를 제외한 다른 관측소에서는 중층수온 데이터를 획득하기가 어렵다는 점, 즉 원격에서의 데이터 획득이 용이하지 않다는 점을 고려하여 모델 생성 및 상관관계 분석에서는 배제하였다. 그리고 중층수온 다음으로 저층수온과 상관관계가 높고 계절성을 띠고 있는 해수면 온도, 기온, 기압, 일조량의 데이터를 예측에 활용하였다.

(3) LSTM 모형 설계 및 학습

본 연구에서는 혼합층 수온예측을 위해 LSTM 기법을 활용하였다. LSTM은 기존 딥러닝 기반의 시계열 분석기법인 RNN(Recurrent Neural Network)의 단점을 개선한 기법이다. RNN구조는 입력층, 은닉층, 출력층으로 구성되어 있으며, 은닉층은 이전 데이터를 참조하도록 연결되어 있다. 그러나 RNN은 이전 cell의 값만 현재 cell에 반영되어 먼 과거 시점의 정보가 마지막까지 잘 반영하지 못하는 장기의존성(Long-Term Dependency)의 문제를 지니고 있었다(Kwak et al., 2019). 이러한 문제를 해결한 기법이 LSTM으로 LSTM은 은닉층에 3개(입력, 망각, 출력)의 게이트를 만들어 오래된 정보까지 전달함으로써 RNN 보다 장기종속 시계열 예측에 적합한 것으로 알려져 있다(Sepp and Jurgen, 1997).

LSTM의 구조는 Fig. 6과 같다. LSTM cell은 현재시점의 입력 값 xt와 과거시점 은닉상태 ht-1를 이용하여 현재시점의 출력 값 yt, 현재시점의 은닉상태 ht를 출력한다. Input gate와 Forget gate는 과거정보와 현재정보에서 필요한 정보를 저장하고 불필요한 정보는 삭제하며 이를 cell 상태 Ct로 표현한다. Output gate는 셀 상태 정보를 이용하여 출력정보를 결정한다(Kim et al., 2020).

Fig. 6. The structure of LSTM (Aurélien Géron, 2018).

이 연구에서 구축된 모델은 Tensorflow-keras 라이브러리를 사용하였다. optimizer는 수온 및 기온 예측 연구(Park, 2019; Jung et al., 2020)에서 가장 좋은 성능을 보인 Adam(Adaptive Moment Estimation)을 사용하였다. 모델학습을 위해서 2016년부터 2020년까지의 5년치 데이터
중에서 2016년부터 2019년까지의 데이터를 학습 데이터로 활용하였고, 2020년 데이터는 평가 데이터로 설정하였다. 모델 학습에서 최적의 epoch를 판단하기 위해 표층수온 데이터로 저층수온을 예측한 모델에서 epoch를 50, 100, 150, 200, 400으로 달리하여 실험을 실시하였다. 그 결과, RMSE는 각각 0.55, 0.555, 0.55, 0.607, 0.55, 0.574로 나타났으며, epoch 크기를 늘려도 RMSE 값에는 큰 차이가 나지 않았고 오히려 상승하는 경우도 있었다. 이러한 결과를 바탕으로 모델 생성을 위한 학습의 epoch는 50으로 설정하였다.

또한, 전체 학습 데이터셋을 여러 작은 그룹을 나누었을 때 하나의 소그룹에 속하는 데이터 수를 의미하는 batch 크기는 72로 설정 후 진행하였다. batch 크기를 크게 하면 예측모델의 수행 속도는 빨라지나, 그 정확도는 낮아지는 단점을 가진다(Song, 2018). 그리고 최적의 batch 크기를 판단하기 위해 batch 크기를 24, 48, 72, 128로 구분하여 선행 실험을 수행하였을 때 RMSE 값은 각각 0.49, 0.543, 0.473, 0.493으로 batch 크기가 72일 때 가장 높은 성능을 보였다. 이에, 본 실험에서는 epoch를 50, batch 크기를 72로 설정하여 LSTM 모형을 설계하고 입력 데이터를 달리하여 1시간 이후의 저층수온 예측을 시도하였다.

3. 연구결과

예측 모델의 성능을 비교하기 위한 평가 지표로 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error)를 활용하였다. 먼저 MAE는 평균 절대오차로 예측값과 실제값 사이의 절대오차를 구한 다음 이를 모두 더해 전체 개수로 나누어 계산한다. 즉, MAE는 오차의 크기를 그대로 반영하기 때문에 수온 값을 그대로 반영한다. 반면 RMSE는 예측값과 실제값 사이의 절대오차를 제곱하여 루트를 씌운 값으로 절대오차에 제곱을 하기 때문에 오차가 클수록 가중치가 높이 반영된다.

예측모델은 해수면 온도, 중층수온, 기온, 기압, 일조량을 조합하여 총 7개의 모델을 만들어 실험을 진행하였으며, 그 결과는 Table 2에서 보는 바와 같다.

Table 2. Validation statics of research model for the prediction of mixed layer temperature by meteorological and oceanographic data

해수면 온도를 기반으로 하여 만든 모델은 (A), (B), (C)로 해수면 온도 데이터만을 활용한 모델 (A)은 MAE가 0.485이고, RMSE는 0.631였다. 해수면 온도에 기온을 추가한 모델 (B)은 MAE가 0.392이고 RMSE가 0.564였다. 여기에 기온, 기압, 일조량을 모두 활용한 모델 (C)은 MAE가 0.295이고 RMSE가 0.493으로 나타났다. 다음으로 기온을 기반으로 하여 모델 (D), (E)를 제작하였다. 기온 데이터 만을 활용한 모델 (D)은 MAE가 0.256이고 RMSE가 0.484이었으며, 모델 (D)에 기압과 일조량을 더한 모델 (E)은 MAE가 0.269이고 RMSE가 0.473이었다. 전반적으로 표층수온을 활용한 모델보다 기온을 활용한 모델의 성능이 우수함을 확인하였으며, 기상데이터를 추가했을 때 오차가 더욱 낮아졌다.

추가적으로, 저층수온과 상관관계가 제일 높은 중층수온을 기반으로 모델을 생성하여 실험을 실시하고 해수면 온도와 기온을 기반으로 한 모델과 비교해보았다. 중층수온 데이터만을 활용한 모델은 MAE가 0.231로 나타났으며, 표층수온만을 활용한 모델 (A)보다 0.25℃만큼 오차가 적었다.

Fig. 7은 2016년부터 2020년까지 저층수온의 관측값과 예측값을 표현한 그래프이다. 2020년을 기준으로 실제 관측한 값(청색)과 표층수온 데이터만을 활용한 모델 (A)를 통해 예측한 값(적색)이 특정 기간에서 차이가 심해지는 것을 확인할 수 있다.

Fig. 7. Ocean Mixed layer Temperature of history(green), prediction(red), and true(blue).

Fig. 8은 2020년 월별 실제값과 예측값의 그래프이다. 이 그래프에서 1월부터 7월까지는 실제값과 예측값의 차이가 근소하다가 8월과 9월로 접어들며 차이가 커지는 것을 확인할 수 있다.

Fig. 8. Actual vs Predicted Ocean Mixed layer Temperature, 2020.

또한, 2020년 저층수온의 월별 MAE 값을 비교한 Table 3에서도 예측값과 실제값의 수온차이가 1~7월까지는 약 0.2~0.6℃의 차이를 보이다가, 8월과 9월에는 1℃ 이상 차이가 나타나는 것을 확인할 수 있다. 특히, 8월과 9월에서 큰 차이를 보이는 것은 2020년 기상 데이터의 특징으로 기인한 것으로 판단된다. 기상청 자료(https://www.kma.go.kr)에 의하면 2020년 우리나라에 영향을 미친 태풍은 총 4개로 8월에 3개(장미, 바비, 마이삭), 9월에는 1개(하이선)였다. 또한, 이 시기에 이어도 해양과학기지에서는 관측장비 이상으로 2달 여간관측을 실시하지 못하였다. 따라서 이전 연도의 값으로 대체하였기 때문에 8·9월의 결과가 연평균에 비해 차이가 큰 것으로 판단된다.

Table 3. Validation of Low Sea Temperure by month, 2020

이러한 결과를 종합해 보면, 해양 혼합층 수온 예측에 있어서는 표층수온 데이터만을 활용하는 모델보다 기상 데이터를 추가하는 모델이 예측 오차를 더 줄일 수 있다. 이는 선행 연구(Ko and Lee, 2021)에서 기상데이터를 다수 입력변수로 활용하여 표층수온을 예측했을 시 정확도를 높였던 것과 유사한 결과이다. 다만 해양혼합층을 예측했던 선행연구가 없었기에 이번 연구와의 성능을 비교하지는 못하였다.

또한, 표층수온만을 활용하여 저층수온을 예측했을 때 실제 값과 예측값의 차이는 연 평균 약 0.4℃정도였으며 월별 최대 1℃ 이상 차이나는 경우도 있었다. 그러나, 앞서 태풍에 의한 데이터 결함으로 오차가 더욱 벌어진 것을 고려했을 때 저층수온의 실제값과 예측값의 차이는 1℃ 미만일 것으로 판단된다.

이번 연구를 통해 원격으로 관측된 표층수온 또는 기상데이터만으로도 해양 혼합층의 저층수온을 예측하다는 것이 가능하다는 것을 확인하였다.

4. 결론

본 연구에서는 기존 연구에서는 다루지 않았던 해양 혼합층 수온을 예측하였다. 이를 위해 최근 수온 예측연구에서 더욱 나은 결과를 보여준 인공신경망 기법인 LSTM을 활용하였다. 또한 혼합층 수온을 예측함에 있어 혼합층 수온과 상관관계에 있는 다양한 요인들에 대해 상관분석을 실시한 후 상관관계가 높은 해수면 온도와 기상 데이터를 조합하여 예측 모델을 생성하고 성능을 비교 분석하였다.

예측값과 실제값의 결과 비교를 위해서는 MAE와 RMSE를 활용하였다. 해수면 온도로 혼합층 수온을 예측한 결과 MAE는 0.485, RMSE는 0.631로 나타났다. 반면, 기온, 기압, 일조량을 활용하여 예측한 모델의 MAE는 0.269, RMSE는 0.473이었다. 이러한 결과를 종합해보면 원격에서 획득한 기상 및 해양 데이터만으로도 혼합층의 수온 예측이 가능함을 알 수 있다. 그리고 혼합층 수온의 예측 정확도를 높이기 위해서는 저층수온과 상관관계가 높은 데이터를 활용해야 하며, 해수면 온도 외에 다양한 기상 요소를 종합적으로 활용하는 것이 예측성능을 향상시키는 최적의 방안이다.

이번 연구에서는 이어도 과학기지에서 관측한 해수면 온도와 기상 데이터를 활용하였으나, 향후에는 인공위성을 통해 얻은 원격 해수면 온도 데이터를 활용하여 혼합층 수온을 예측하는 연구를 진행할 예정이다. 한편, 자료수집의 한계로 인해 예측값과 실측값의 비교가 가능한 혼합층 38 m 지점의 수온만을 예측하였으나, 해군이나 해양 관련 기관과 협조하여 수심 38 m 이상의 수온 데이터를 확보할 수 있다면 보다 깊은 수심층의 수온 예측도 가능해져 대잠작전 등에 크게 기여할 수 있을 것으로 예상한다.