제목: 기상 관측 자료를 활용한 인공지능 기반 기상 예측 및 분석 정보 생산 연구

기상정보는 일기의 상태나 변화를 설명하고 예측하기 위해 생산되며, 국제적으로 기준에 맞춰 표준화된 디지털 자료 로 배포되고 있다. 최근 데이터를 기반으로 급속도로 확장되고 있는 기계학습과 딥러닝 기술은 다양한 종류의 대용량 디 지털 자료를 보유하고 있는 기상 분야에도 적용되어 여러 연구를 통해 기상 변수의 예측 및 산출 정확도를 높일 수 있다는 가능성이 확인되고 있다. 특히, 인공지능 기법은 대용량 연구 데이터를 처리하기에 효과적이며, 비선형 관계에 있는 다차 원의 데이터로부터 시공간적으로 일반화된 특징을 찾는데 탁월하기 때문에, 100PB가 넘는 대용량 기상 데이터가 수집되 고 있는 시점에서 필요한 정보를 추출하고, 추출된 정보를 통합하고 해석하여 새로운 통찰을 얻는 도구로 활용될 수 있다. 본 세미나에서는 시계열 예측 모델인 LSTM기반의 PredRNN-V2를 도입하여 기상위성관측을 활용한 운량 예측 연구와 CNN기반의 U-Net 모델 구조를 활용하여 마이크로파위성 자료로부터 강우강도를 산출한 연구를 소개하고자 한다. PredRNN은 기존 LSTM에서 장기 기억을 담당하고 있는 Cell-state와 단기 기억을 담당하는 Hidden-state에 메모리 셀을 추가하여 서로 다른 양상을 띠는 시공간 데이터 분포를 각각 학습시키는 모델이며, 모델에서 활용되는 Reverse scheduled sampling은 Teacher Forcing으로 인한 인코더-디코더 간의 학습 격차를 해소하여 학습 안정도를 부여하 는 모델이다. U-Net은 기상분야에서 가장 널리 활용되는 모델로 기본적으로는 CNN을 활용한 인코더-디코더 구조에 Skip-connection을 이용하여 인코더 네트워크에서 생성된 고해상도의 Feature map을 디코더에서 한 번 더 활용함으 로써 pixel-level의 segmentation 성능을 크게 향상시킬 수 있음을 보인 모델이다. PredRNN과 U-Net으로 생산된 운 량 예측과 강우강도 산출 결과를 이용하여 현재 시계열예측모델의 한계와 위성관측의 역변환 모델로서 딥러닝 모델의 가 능성에 대해 살펴보고, 딥러닝 모델의 가장 기본이 되는 MLP (Multi-Layer Perceptron), CNN (Convolutional Neural Network), LSTM (Long Short Term Memory)을 활용하기 위해 기상 데이터을 이용하여 학습데이터를 구 축하는 과정에서 필요한 기상 도메인 지식의 필요성에 대해 논의하고자 한다.