논문 상세보기
pp.541-551
기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.
Climate change has results in increased sea surface temperatures, a northward shift in the highest intensity of typhoons, and an increase in typhoon intensity, and it is expected that future typhoon intensity changes will intensity. In this paper, a deep learning-based model for predicting typhoon intensity was developed to predict the typhoon intensity near the Korea Peninsula that can be caused by climate change scenarios. Historical environmental field data were used as training data to predict the intensity of typhoon according to changes in the future climate change environmental field using climate prediction information. As for the training data, the monthly average meteorological and oceanographic reanalysis data from June to October, which has a high frequency of typhoons from 1980 to 2022, and 241 Best Track typhoons were used as input data. A deep learning model based on Convolutional Long Short-Term Memory (ConvLSTM) was developed to predict typhoon intensity in response to environmental changes by considering both spatial and temporal features of the data. We trained the model to predict the central pressure of typhoons by learning the model with monthly averaged climate data corresponding to each movement path in the typhoon track sequence. The model using input data by setting the range to reflect the spatial characteristics of typhoons, and the best results were shown when a range of 5° × 5°. Through the sensitivity experiments using the Monte Carlo method, Sea Surface Temperature (SST) was confirmed as the variable the most influencing on model prediction.
Abstract
1. 서 론
2. 연구 방법
2.1 학습 자료
2.2 연구 방법
2.3 모델 및 평가 방법
3. 결 과
3.1 민감도 실험 결과
3.2 모델 성능 평가 결과
4. 토의 및 결론
감사의 글
References
