Home

누적 강수량은 하루나 이틀 사이에 내린 비의 양을 의미하며, 이러한 누적 강수량보다는 짧은 시간에 얼마나 많은 비가 집중적으로 내렸는지 알려주는 시간당 강수량에 따라서 피해 정도가 달라진다. 시간당 강수량은 약한 비는 1시간에 3mm 미만, 보통 비는 3∼15mm 미만, 강한 비는 1시간에 15mm 이상, 매우 강한 비는 1시간에 30mm 이상이다,

본 연구는 기상 자료개방 포털 사이트의 기상 데이터를 사용하였다[14]. 사용한 데이터는 기온(°C). 풍속(m/s), 습도(%), 증기압(hPa), 이슬점온도(°C), 현지기압(hPa), 전운량(10분위), 중하층운량(10분위), 지면온도(°C), 강수량(mm) 등 10개의 기상요소이다. 표 1에 2008∼20221년 사이의 6월 1일∼9월 30일까지의 기상요소에서 한 시간 후의 강수량에 대한 각 요소 간 상관관계를 나타냈다. 표 1에서 1∼9는 기온, 풍속, 습도, 증기압, 이슬점온도, 현지기압, 전운량, 중하층 구름양, 지면온도 등 강수량을 제외한 기상요소며 10∼14는 세 시간 이전의 강수량, 두 시간 이전의 강수량, 한 시간 이전의 강수량, 현재 시각의 강수량 그리고 다음 시간의 강수량이다.

표 1에서 습도(3), 전운량(7), 중하층 구름양(8)을 제외한 다른 기상요소의 상관관계가 전반적으로 낮음을 알 수 있다. 이것은 기상요소로는 다소 강수량예측에 한계점이 있다는 것을 의미한다. 따라서 본 연구는 다음 시간의 강수량예측(14)을 위해서 세 시간 이전의 강수량(10), 두 시간 이전의 강수량(11), 한 시간 이전의 강수량(12), 현재 시각의 강수량(13)이 다음 시간 강수량과 상관관계가 높음을 고려하여 입력 변수에 추가하였다. 그림 1에 2013년∼2022년까지 10년간 여름철 강수량에 대해서 나타냈다.

Fig. 1. 
Summer month precipitation over 10 years

1년 강수량 중 장마가 집중되는 7∼8월에 강수량이 집중된다. 2020년 장마철은 1973년 이래로 최장기간의 장마이자 세 번째로 많은 강수량을 기록했으며, 2021년 6월은 강수량은 많지 않지만 한 달간 서울에 총 13차례의 강한 소나기가 내리며 기후 위기를 실감케 했다. 이처럼 기상이변으로 인한 갑작스러운 호우, 가뭄, 대설 등에 대한 기상 특보를 생성하고 시기적절한 조처하기 위해서 초단기 기상 예보의 중요성이 대두되고 있다. 그림 2에 여름철 시간당 최고 강수량과 평균 기온에 대해 나타냈다. 그림 2에서 2020년도의 시간당 강수량 보다 2021년도의 시간당 강수량이 월등히 높음을 알 수 있으며, 급격한 강수량으로 인해 많은 수해를 입었다.

Fig. 2. 
Maximum precipitation and average temperature per hour in summer

본 연구는 강수량예측 기본모델로서 DNN, 1D-CNN, Multi kernel 1D-CNN, LSTM, BiLSTM 모델을 사용하였다.

DNN은 ANN의 깊은 중간층 문제를 해결하여, 중간층을 늘려서 학습결과를 향상하는 모델이다. 일반적으로 3층 이상의 ANN을 딥러닝이라 한다.

LSTM은 DNN을 병렬로 연결한 형태이고, 하나의 DNN 모델을 타임스탬프(Time Stamp)라 하며, 타임스탬프에서 학습한 결과를 다음 타임스탬프로 전달하는 구조로 순차적인 시계열 데이터학습에 특화된 모델이다. 그림 3에 LSTM 모델에 대해서 나타냈다.

Fig. 3. 
LSTM model

DNN과 LSTM은 데이터에서 지식을 추출하는 학습이라면, CNN은 데이터에서 특징을 추출하여, 패턴을 파악하는 구조이다. CNN은 수치 데이터에서 특징을 추출하는 1D-CNN과 영상 데이터에서 특징을 추출하는 2D-CNN이 있다.

본 연구에서는 수치 데이터셋이므로 1D-CNN을 사용하였다. 그림 4에 입력이 12개인 1D-CNN에 대해서 나타냈다.

Fig. 4. 
1D-CNN model

입력이 12개이고 커널이 3이고 필터가 256개 일 경우, 합성곱(Convolution) 결과는 9개 값을 가진 256개의 특성맵(Feature map)이 산출된다. 특성맵에 대해서 맥스 폴링(Max pooling)을 하게 되면 특성맵에서 가장 큰 값으로 256개의 스칼라값을 갖게되며 이를 연결하여 증간층을 거쳐 출력층에 연결되는 구조를 가진다.

본 연구에서 강수량예측 모델은 기본모델로서 DNN, 1D-CNN, Multi kernel 1D-CNN, LSTM, BiLSTM으로 구축하였다. 또한, 병렬모델로서 DNN과 Multi kernel 1D-CNN을 병렬 연결한 DMCNN 모델 그리고 DNN과 LSTM을 병렬 연결한 DLSTM 모델을 구축하였다.

DNN 모델은 입력층은 기상요소를 입력하기 위한 노드로 9-13 노드, 중간층 6층, 중간층 노드 256 노드로 구성되어 있으며. 4층과 6층에 ResNet으로 구성하여 short cut으로 두 개층을 지름길로 하여 기울기 감소 효과를 줄이도록 구성하였다. 또한, 출력층은 예측할 강수량으로 1개의 노드로 구성하였다. LSTM과 BiLSTM은 입력층의 노드로 9-13, 타입 스탬프(Time stamp)는 12, 은닉층은 128개, 은닉층의 결과를 256 노드의 밀집(Dense) 중간층과 32개의 밀집 충간층으로 구성하였다. 또한, 출력층은 예측할 강수량으로 1개의 노드로 구성하였다. 표 2에 DNN과 LSTM 기본모델에 대에서 나타냈다.

그림 5와 그림 6에 DNN과 LSTM 기본모델에 대해서 나타냈다.

Fig. 5. 
DNN basic models

Fig. 6. 
LSTM basic models

1D-CNN 모델은 2-D CNN과 달리 거널의 움직임인 스트라이드가 입력의 아래로만 이동한다. 또한, 입력의 차원은 2차원으로, 본 모델에서는 (9∼13, 1)으로 으로 입력된다. 입력층의 노드로 9∼13, 합성곱 층으로 필터 256개, 커널 3, 스트라이드 1로 구성하였으며, 풀링층으로 맥스 폴링을 이용하였다. 또한, 풀링 결과는 커널 수와 동일한 256개의 스칼라 값이며, 이를 256 노드의 밀집 중간층과 32개의 밀집 충간층으로 구성하였다. 그림 3에 1-D CNN에 대해서 나타냈다.

Multi kernel 1D-CNN은 1D-CNN과 동일한 구조이나 커널을 3, 4, 5로 구성하였다. 따라서 3개의 커널을 거친 특성값은 9개 노드를 가진 256개의 벡터가 3개로 구성되며, 맥스 풀링의 값은 768개의 스칼라 값이다. 이를 256 노드의 밀집 중간층과 32개의 밀집 충간층으로 구성하였다. 또한, 출력층은 다음시간 강수량으로 1개의 노드로 구성되었다. 표 3에 1-CNN과 Multi kernel 1D-CNN 기본모델에 대해서 나타냈다. 또한, 그림 7에 Multi kernel 1D-CNN 구조에 대해서 나타냈다.

Fig. 7. 
Multi kernel 1D-CNN structure

병렬모델은 동일한 모델 또는 서로 다른 모델을 Keras Functional API로 병렬로 구성하는 방법이다. 기본모델은 순차적으로 중간층을 구성하지만, 병렬모델은 각 기본모델로 중간층을 구성하고, 모델의 결과를 연결해야 한다. 그림 8에 기본모델과 병렬모델에 대해서 나타냈다.

Fig. 8. 
Basic and parallel models

병렬모델은 DMCNN 모델과 DLSTM 등 2개의 모델로 구성되어 있다. DMCNN 모델은 DNN 모델과 Multi kernel 1D-CNN 모델을 병렬한 모델로서 DNN 모델의 출력을 8노드로 하고, Multi kernel 1D-CNN 모델의 출력을 8노드로 하여, 출력 결과를 연결한 16노드에 대해서 256노드의 밀집층과 32개의 밀집층으로 구성하였다. DLSTM 모델은 DNN 모델과 LSTM 모델을 병렬한 모델로서 DNN 모델의 출력을 8노드로 하고, LSTM 모델의 출력을 8노드로 하여, 출력 결과를 연결한 16노드에 대해서 256노드의 밀집층과 32개의 밀집층으로 구성하였다. 표 4에 병렬모델 구조에 대해서 나타냈다. 그림 9에 병렬모델에 대해서 나타냈다.

Fig. 9. 
DMCNN and DLSTM parallel model

병렬모델은 모델마다 입력 데이터의 형태가 다르기 때문에, 입력 데이터의 매칭이 필요하다. LSTM 데이터 구축 시 12번째 샘플까지 타임스탬프에 입력되는 데이터이며, 12번째 샘플이 라벨이다. 따라서 DNN과 CNN의 12개 샘플을 제거해야만 LSTM의 실제 데이터와 일치하기 때문이다.

데이터셋은 2008∼2021년 사이의 6월 1일∼9월 30일 까지 10개의 기상요소를 기본으로 하였다, 표 5에 본 연구에서 사용한 데이터의 기술 통계에 대해서 나타냈다.

전체 샘플수는 65880개이며, 평균은 0.258, 표준 편차는 1.77, 분산은 3.14이다, 또한 최대 시간당 강수량은 71 mm이다, 샘플의 내역은 다음과 같다

단, 여기서 10월 31일은 0시까지만 데이터를 추출하였다. 실험 전체 데이터는 크게 3 개의 데이터셋으로 구성하였다.

첫 번째 데이터셋은 강수일이 매우 적음에 인한 예측 문제를 분석하기 위해 강수일이 없는 날을 제거한 데이터셋이다. 전체 65880 샘플에서 강수가 측정된 강수일수는 5680 샘플로 강수일수는 8.6% 정도여서 강수가 없는 날을 제거하여 다음 시간 강수량을 예측하였다. 본 데이터셋은 시계열 특성이 제거되므로 LSTM 모델은 사용하지 않았다.

두 번째 데이터셋은 여름철 기상예측 데이터셋으로 2008년부터 2022년까지 6월 1일부터 9월 31까지 10개의 기상 요소를 기본으로 하였다.

세 번째 데이터셋은 2008∼2022년 사이의 5월 1일∼10월 31까지 10개의 기상 요소를 기본으로 하였다. 표 6에 데이터셋에 대해서 나타냈다.

각 데이터셋은 7개의 세부 데이터셋을 구성하였다. 표 7에 세부 데이터셋에 대해서 나타냈다.

1. 세부 데이터셋 1의 입력은 기온, 풍속, 습도, 증기압, 이슬점온도, 현지기압, 전운량, 중하층운량, 지면온도 등 9개 기본 기상요소이며, 라벨은 현재 시각 강수량이다.

2. 세부 데이터셋 2의 입력은 9개 기본 기상요소, 현재 시각 강수량이며, 라벨은 다음 시간 강수량이다.

3. 세부 데이터셋 3의 입력은 9개 기본 기상요소, 1시간 전, 현재 시각 강수량이며, 라벨은 다음 시간 강수량이다.

4. 세부 데이터셋 4의 입력은 9개 기본 기상요소, 2시간 전, 1시간 전, 현재 시각 강수량이며, 라벨은 다음 시간 강수량이다.

5. 세부 데이터셋 5의 입력은 9개 기본 기상요소, 3시간 전, 2시간 전, 1시간 전, 현재 시각 강수량이며, 라벨은 다음 시간 강수량이다.

6. 세부 데이터 세트 6의 입력은 데이터셋 5의 입력과 동일하며, 라벨은 두시간 후 강수량이다.

7. 세부 데이터셋 7의 입력은 데이터셋 5의 입력과 동일하며, 라벨은 세시간 후 강수량이다.