▲ 위성 관측과 수치 예보 모델의 상호보완적 융합을 통한 태풍 강도 예측 프레임워크의 개요 / 정지궤도 위성과 수치예보 모델기반의 대기-해양 예측장의 효율적인 상호보완적 융합을 통해 태풍의 24, 48, 72시간 후의 미래 강도를 예측하고자 하였습니다. 이 때, 다종 자료의 상호보완적 융합을 위해 Hybrid-CNN 기법을 제시하였습니다. 연구 결과 기존 현업 예측 대비 유의미한 성능을 보이며 Hybrid-CNN 기반의 위성 관측 자료 및 수치 모델 자료 융합의 효용성을 제시하였습니다. 나아가 설명가능한 인공지능을 활용해 해당 태풍의 미래 강도 변화에 영향을 미치는 요소의 정성적인 분석을 시행하였습니다.(그림 및 설명=UNIST)  © 특허뉴스

기후변화로 태풍 예측이 어려워지는 가운데, 실시간 위성 자료와 딥러닝 기술을 합쳐 더욱 정밀하게 태풍을 예측할 수 있는 기술이 개발됐다.

UNIST 지구환경도시건설공학과 임정호 연구팀은 태풍 정보를 정확하게 분석하는 딥러닝 기반 예측 모델을 개발했다. 정지궤도 기상위성 자료와 수치모델 자료를 결합해 태풍 강도를 실시간으로 예측하는 방식이다.

연구팀이 개발한 Hybrid-Convolutional Neural Networks(Hybrid-CNN) 모델은 24시간, 48시간, 72시간 동안 태풍 강도를 객관적이고 정확하게 예측한다. 기존 예측보다 약 50% 향상된 성과를 보였다. 급격한 태풍 강화 상황에서도 우수한 예측 성능을 입증했다.

일반적인 태풍 관측 방식은 주로 정지궤도 위성자료만 사용해 예보관이 이를 분석했다. 분석에 오랜 시간이 걸리고, 수치모델의 불확실성에 의존하는 단점이 있었다. 그러나 Hybrid-CNN 모델은 분석 속도를 크게 높인 덕분에 수치모델의 불확실성을 줄여 더 정확한 태풍 예보가 가능하다.

연구팀은 천리안 1호와 천리안 2A호 위성자료를 이용해 전이학습 기반의 태풍 강도를 추정했다. AI를 통해 태풍 강도 자동 추정 과정을 시각화하고 정량적으로 분석해 태풍 예보의 정확성을 높였다. 기존의 기상 데이터를 학습한 AI가 새로운 태풍 데이터를 신속하고 정확하게 분석한 것이다.

태풍 강도 변화에 영향을 미치는 환경 요인을 객관적으로 추출하여 현업 예보 시스템에도 적용할 수 있다. 예보관들에게 신속하고 정확한 태풍 정보를 제공해 재난 대비와 피해 예방에 큰 도움이 될 것으로 기대된다.

임정호 교수는 "딥러닝 기반 태풍 예측 프레임워크는 예보관들에게 더욱 정확한 예측 정보를 제공함으로써 신속하고 효과적인 대책을 마련할 수 있게 해줄 것"이라고 설명했다.

이번 연구 결과는 2024년 3월 GIscience & Remote Sensing과 5월 CellPress의 아이사이언스 (iScience) 저널에 게재됐다.

논문명은 Bridging satellite missions: deep transfer learning for enhanced tropical cyclone intensity estimation (GIscience & Remote Sensing), Enhancing tropical cyclone intensity forecasting with explainable deep learning integrating satellite observations and numerical model outputs (iScience)이다.