논문 상세보기
pp.33-42
기후 변화로 인해 해수면 상승과 폭풍해일 발생 빈도가 증가하면서, 해안 지역에서의 재난 위험이 심화되고 있다. 본 연구는 NOAA의 GFS(Global Forecast System) 모델과 일본 기상청의 JMA-MSM(Japan Meteorological Agency Meso-Scale Model) 데이터를 기반으로 딥 러닝 기술을 활용하여 폭풍해일 예측 알고리즘을 개발하고, 두 모델에서 제공하는 대기 데이터를 입력 변수로 사용하여 예측 성능을 비 교하는 것을 목표로 한다. CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory), Attention 메커니즘을 결합한 모델을 설계하고, 조위관측소의 관측 자료를 학습 데이터로 사용하였다. 과거 한반도에 직접적인 영향을 미쳤던 네 개의 태풍 사례를 통해 모델 성능을 검 증한 결과, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 서해, 남해, 동해에서 각각 평균 RMSE를 0.34cm, 0.73cm, 1.86cm, MAPE를 0.15%, 0.36%, 0.68% 개선하였다. 이는 JMA-MSM의 고해상도 자료가 지역적 기상 변화를 정밀하게 반영했기 때문으로 분석된다. 본 연구는 해안 재난 대비를 위한 폭풍해일 예측의 효율성을 높이고, 추가 기상 데이터를 활용한 향후 연구의 기반 제공이 기대된다.
Rising sea levels and an increasing frequency of storm surges due to climate change have intensified disaster risks in coastal areas. This study aims to develop a storm surge prediction algorithm using deep learning techniques based on the Global Forecast System (GFS) of the NOAA and the Japan Meteorological Agency's Meso-Scale Model (JMA-MSM) data and compare the predictive performance of the two models using their atmospheric data as input variables. A model integrating Convolutional Neural Networks, Long Short-Term Memory, and Attention mechanisms was designed, with tidal observation data used for training. The models were validated using four major typhoon cases that directly impacted the Korean Peninsula. The JMA-MSM-based model outperformed the GFS-based model, improving the average RMSEs by 0.34 cm, 0.73 cm, and 1.86 cm, and MAPEs by 0.15%, 0.36%, and 0.68% for the West, South, and East Sea regions, respectively. This improvement is attributed to the higher spatial resolution of JMA-MSM, which better captures localized meteorological changes. This study aims to enhance the efficiency of storm surge predictions for coastal disaster preparedness and provide a foundation for future research utilizing additional meteorological data.
Abstract
1. 서 론
2. 사용 자료
2.1 조위관측소 관측자료
2.2 GFS Forecast 모델 기반 바람 및 기압 자료
2.3 JMA-MSM 모델 기반 바람 및 기압 자료
3. 연구 방법
3.1 딥러닝 모델 설계
3.2 데이터 전처리
3.3 GFS 기반 예측모델
3.4 JMA-MSM 기반 예측모델
3.5 딥러닝 모델 학습 및 구축
3.6 시계열 예측 및 평가 방법
4. 연구 결과
4.1 GFS 기반 예측 결과
4.2 JMA-MSM 기반 예측 결과
4.3 예측성능 비교
5. 결 론
감사의 글
References
