Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1229-3431(Print)
ISSN : 2287-3341(Online)
Journal of the Korean Society of Marine Environment and Safety Vol.26 No.7 pp.892-903
DOI : https://doi.org/10.7837/kosomes.2020.26.7.892

Prediction of Storm Surge Height Using Synthesized Typhoons and Artificial Intelligence

Ho-Sik Eum*, Jong-Jib Park**, Kwang-Young Jeong***, Young-Min Park**
*Director, GeoSystem Research Corporation, Gunpo 15870, Korea
**Senior engineer, GeoSystem Research Corporation, Gunpo 15870, Korea
***Ocean research division, Korea Hydrographic and Oceanographic Agency, Busan 49111, Korea

* First Author : hseum@geosr.com, 070-7019-0633


Corresponding Author : jjpark@geosr.com, 070-7019-0699
November 27, 2020 December 15, 2020 December 28, 2020

Abstract


The rapid and accurate prediction of storm-surge height during typhoon attacks is essential in responding to coastal disasters. Most methods used for predicting typhoon data are based on numerical modeling, but numerical modeling takes significant computing resources and time. Recently, various studies on the expeditious production of predictive data based on artificial intelligence have been conducted, and in this study, artificial intelligence-based storm-surge height prediction was performed. Several learning data were needed for artificial intelligence training. Because the number of previous typhoons was limited, many synthesized typhoons were created using the tropical cyclone risk model, and the storm-surge height was also generated using the storm surge model. The comparison of the storm-surge height predicted using artificial intelligence with the actual typhoon, showed that the root-mean-square error was 0.09 ~ 0.30 m, the correlation coefficient was 0.65 ~ 0.94, and the absolute relative error of the maximum height was 1.0 ~ 52.5%. Although errors appeared to be somewhat large at certain typhoons and points, future studies are expected to improve accuracy through learning-data optimization.



합성태풍과 인공지능을 활용한 폭풍해일고 예측

엄 호식*, 박 종집**, 정 광영***, 박 영민**
*㈜지오시스템리서치 해양예보사업부 책임
**㈜지오시스템리서치 해양예보사업부 선임
***국립해양조사원 해양과학조사연구실 연구사

초록


태풍 내습 시 신속하고 정확한 해일고 예측은, 연안재해 대응에 필수적인 요소이다. 이러한 해일고의 예측을 위해서 기존에는 태풍예측정보를 수치모델에 적용하여 예측자료를 생산하는 것이 대부분 이였다. 이러한 방법은 대용량의 컴퓨팅 자원과 시간이 소요된다 는 단점이 있다. 최근에는 인공지능 기반으로 신속하게 예측자료를 생산하는 연구가 다양한 분야에서 진행되고 있으며, 본 연구에서는 인 공지능 기반 해일고 예측을 수행하였다. 인공지능 적용을 위해서는 많은 수의 학습자료가 필요하게 되며, 기왕 발생태풍은 개수가 한정되 어 있어 본 연구에서는 TCRM(Tropical Cyclone Risk Model)을 통하여 합성태풍을 생성하고, 이를 폭풍해일 모델에 적용하여 해일고 자료를 생성한 후, 학습자료로 활용하였다. 인공지능으로 예측한 해일고와 실제 발생 태풍에 대한 비교 결과, RMSE(Root Mean Square Error)는 0.09 ~ 0.30 m, CC(Correlation Coefficient)는 0.65 ~ 0.94, 최대 해일고의 ARE(Absolute Relative Error)는 1.0 ~ 52.5 %로 분석되었다. 특정 태풍/지점에 서는 다소 오차가 크게 나타나고 있으나, 향후 학습자료의 최적화 등을 통하여 정확도를 개선할 수 있을 것으로 기대된다.



    Ministry of the Interior and Safety

    1. 서 론

    최근 기후변화로 인해 태풍의 강도는 증가하는 경향을 보이고 있으며, 이러한 태풍 내습으로 인한 폭풍해일 및 침 수범람은 전 세계적으로 빈번하게 발생하는 자연재난이다. 따라서 태풍에 의한 해일고 예측자료는 자연재난을 대비하 는 입장에서 매우 중요한 자료이다. 해일고 예측자료는 정 확도뿐만 아니라 신속한 자료제공 또한 중요한 요소이다. 해일고를 예측하는 전통적인 방법은 태풍예측정보(이동경 로, 중심기압, 풍속 등)를 입력자료로 수치모델링을 수행하 는 방법이 있으며, 이는 예측자료를 생산하는데 까지 많은 시간이 소요되고, 예측시간 단축을 위해서 대용량의 컴퓨터 자원이 투입되어야 한다. 최근에는 태풍예측정보로부터 인 공신경망을 적용하여 즉각적으로 해일고를 예측하는 연구 가 진행되고 있으며, 방법적으로 2가지로 분류할 수 있다.

    첫 번째 방법으로, 기상요소(기압, 풍속, 풍향)와 조석조화 상수(tidal harmonic constants)의 관측기반 자료를 이용하여 해 수위를 예측하는 방법이다. 이는 규칙적인 조석운동에 의한 해수면 높이(tidal height)와 기상에 의한 잔차(residual)를 더하 여 최종 해수위를 예측하는 방법이다.

    두 번째는 과거 발생태풍에 대해서 수치모델링을 수행하 여 해일고 자료를 산출한 후, 이를 인공신경망을 적용하여 해일고를 예측하는 방법이다(Anton et al., 2016;French et al., 2017). 인공신경망을 활용하여 해일고를 즉각적으로 예측하 는 것은 인공신경망의 특성상 많은 태풍 케이스가 필요하게 된다. 태풍케이스가 충분히 많지 않을 경우에는 그만큼 예 측성능도 떨어지게 된다.

    Kim and Suh(2019)는 활용할 수 있는 실제발생태풍(historical typhoon)이 충분하지 않다는 점을 극복하기 위하여 TCRM (Tropical Cyclone Risk Model)을 이용하여 무수히 많은 합성태 풍을 생성한 후, ADCIRC(ADvenced CIRCulation model) 모델을 이용하여 각 지점에서의 해일고를 산출하고, 이를 이용하여 각 지점에서의 빈도별 해일고를 산출한 바 있다. 본 연구에서 는 Kim and Suh(2019)의 연구성과를 응용하여, TCRM으로부터 무수히 많은 합성태풍을 생성하고, 이를 ADCIRC 모형에 적 용하여 무수히 많은 해일고 자료를 축적한 후, 딥러닝 기술 을 적용하여 해일고를 예측하는 연구를 진행하였다. 통상적 으로 딥러닝 기반 LSTM(Long Short Time Memory)은 시계열 자료를 활용한 예측성능이 높은 것으로 알려져 있으며(Jung et al., 2018;Lee et al., 2018;Park and Chung, 2020), 본 연구에 서는 LSTM 인공신경망 모델의 해일고 예측 가능성에 대해 서 연구하였다.

    2. TCRM 모델을 이용한 합성태풍 생성

    2.1 TCRM 모델 적용

    본 연구의 합성태풍을 생성하기 위하여 활용한 TCRM은 열대저기압으로 인한 바람의 위험도를 평가하기 위하여 GA(Geoscience Australia)에서 개발한 공개용 프로그램으로, 내 습하는 태풍의 위험도와 설계풍속 산정 및 위험도 평가를 목 적으로 개발되었다. TCRM은 기왕의 발생태풍정보(best track data, BTD)를 입력자료로 해서, 합성태풍과 태풍시 바람자료를 생성하고, 이를 기반으로 설계풍속을 산정한다. 이와 같은 TCRM을 이용해서 무수히 많은 합성태풍을 생성하고, 이를 통하여 빈도해석, 딥러닝(deep-learning) 학습자료 구성 등을 하 기에는 TCRM은 매우 유용한 도구이다. 본 연구에서는 딥러 닝 기반의 폭풍해일고를 예측하는데, TCRM으로부터 생성된 합성태풍을 학습자료로 활용하고자 한다. 이상에서 설명한 TCRM은 5개의 모듈로 구성되어 있으며(Fig. 1), 각각의 모듈 은 TCRM 홈페이지(http://geoscienceaustralia.github.io/tcrm/)에 자 세히 기술되어 있다.

    2.2 Best Track Data (BTD)

    태풍의 BTD는 태풍예보 상황에서 자료동화(data assimilation) 에 적용되지 않은 자료들을 확보하여 보다 정밀하게 재분석 한 태풍 정보를 말한다. BTD는 미국 공군과 해군의 합동태 풍경보센터(JTWC : Joint Typhoon Warning Center)와 일본 도 쿄에 위치한 지역특별기상센터(RSMC : Regional Specialized Meteorological Center)에서 제공하고 있으며, JTWC는 1945년 부터, RSMC는 1951년부터 자료를 제공하고 있다. JTWC는 1 분 평균 풍속, NE, SE, SW, NW 4분면에 대한 태풍반경 정보 와 풍속 34, 50, 64 kt에 대한 각 풍속별 4분면에 대한 반경 정보를 제공한다. RSMC에서는 10분 평균 풍속, 풍속별 장· 단축 반경 정보를 제공하고 있다. 즉, JTWC는 비대칭 태풍 에 대한 정보를 제공하고 있어 보다 현실적인 태풍정보를 제공하고 있으나, 비대칭 태풍에 대한 정보는 2011년 이후 자료에 국한되어 있다. 선행연구를 수행한 Kim and Suh(2019) 가 RSMC 자료를 활용하여 합성태풍을 생성한 바가 있으며, 본 연구에서도 합성태풍 생성에 RSMC의 BTD 정보를 활용 하였다.

    2.3 합성태풍 생성

    RSMC의 1951 ~ 2018년까지의 기왕발생태풍 BTD를 TCRM 에 입력하여 총 13만 여개의 합성태풍을 생성하였으며, 이 중 한반도에 영향을 끼칠 것으로 판단되는 태풍을 선별하였다. 선별기준은 위도 30°, 경도 120 ~ 132.5°에 대한 통과유무이 다. Fig. 2에 전체 합성태풍(a)와 선별된 합성태풍(b)를 제시 하였으며, 선별된 합성태풍의 개수는 5,670개이다.

    태풍에 의한 폭풍해일은 태풍의 세기(중심기압, 최대풍 속, 최대풍반경, 이동속도 등) 뿐만 아니라, 이동경로도 매 우 중요한 요소이다. 기왕발생태풍의 진로를 살펴보면 1)남 해안을 통과하여 동해안으로 빠져나가는 유형, 2)남해안을 상륙하는 유형, 3)서해안을 통과하는 유형, 4)서해안으로 북 상하다가 상륙하는 태풍 및 5)중국연안을 상륙했다가 다시 서해안으로 북상하는 유형 등(Park et al., 2006)으로 구분되 며, 합성태풍의 경우에서도 기왕발생태풍의 유형과 유사한 분포도를 나타내고 있다. 다만, Fig. 3과 Fig. 4에서와 같이 합성태풍은 기왕발생태풍의 이동경로에서 나타나는 중국 남동부 연안에 상륙하여 소멸되거나 황해로 재부상하여 우 리나라로 이동하는 특성을 재현하지 못한다. 이에 Kim and Suh(2019)은 중국 동부 연안을 상륙하여 서해안으로 통과가 가능하게 합성태풍 이동경로를 개선하였으나, 본 연구에서 는 중국 동부 연안을 상륙하여 서해안에 영향을 주는 태풍 의 직접적인 영향이 크지 않다고 판단하여 합성태풍의 이동 경로에 대한 개선 과정을 별도 수행하지 않았다.

    2.4 합성태풍의 최대풍속과 최대풍속반경 산정

    TCRM 모델은 태풍의 위치정보와 중심기압 정보가 산출 되며, 최대풍속과 최대풍속반경 자료는 산출되지 않는다. 최대풍속과 최대풍속반경은 합성태풍의 위치정보(위도)와 중심기압 자료로부터 추산하여야 한다. Kim and Suh(2019)는 기존 연구결과(Willoughby et al., 2006;Vickery and Wadhera, 2009)에서 제시하고 있는 중심기압과 최대풍속 및 최대풍속 반경과의 관계식을 검토하고, 한반도 주변에서의 JTWC 자 료를 분석하여 식(1) 및 식(2)와 같은 최대풍속과 최대풍속 반경 산정식을 제안하였다. 기존 연구결과(Willoughby et al., 2006;Vickery and Wadhera, 2009)의 추정식들은 멕시코만과 대서양에서 발생한 허리케인을 대상으로 산정된 식들이며, 한반도 주변에서는 Kim and Suh(2019)의 추정식이 JTWC의 자료에 더 일치하는 것을 확인하였으며, 본 연구에서는 Kim and Suh(2019)가 제시한 추정식 (1), (2)를 활용하여 최대풍속 과 최대풍속반경을 산정하였다.

    R max = 0.0002 exp 0.0127 P c
    (1)

    V max = 0.00225 P c 2 +3.7018 P c 1436.9
    (2)

    여기서, Pc는 태풍 중심기압, Vmax는 최대풍속, Rmax는 최대 풍반경이며, 이렇게 생성된 합성태풍은 폭풍해일 모델 의 입력자료로 활용되었다.

    3. 폭풍해일 모델

    3.1 수치모델 개요

    태풍에 의한 폭풍해일고를 모의할 수 있는 모델로는 ADCIRC, SELFE(Semi-implicit Eulerian Lagrangian Finite Element model), SLOSH(Sea, Lake and Overland Surges from Hurricanes) 및 FVCOM(Finite Volume Coastal Ocean Model) 등 여러 종류 의 모델이 있으며, 이 모델들은 전 세계적으로 많은 연구들 에서 적용된 바 있다. 이 모델들은 수치계산 알고리즘, 수직- 수평격자체계 등은 차이를 보이지만, 해일고를 계산하는 성 능 측면에서는 모델간 우열을 가리기 어렵다. 이는 각 모델 들을 활용한 연구성과가 많다는 것에서도 알 수 있다. 본 연 구에서는 지형적인 특성과 태풍에 의한 기압강하, 해상풍, 진행속도 등에 의한 해수면 변화 양상을 고려할 수 있으며, 기존의 다양한 연구에서 적용 및 활용성이 확보된 폭풍해일 모형인 ADCIRC 모형을 이용하였다(Luettich et al., 1992, 1994). ADCIRC는 유한요소 유체역학모델로, 본 연구에서는 수직적 으로 통합된 연속 방정식과 운동량 방정식(각각 식(3)과 (4)) 을 적용하는 2D 버전(Luettich and Westerink, 2004)을 사용하 였다.

    h t + h ( U h ) = 0
    (3)

    U t + ( U . h ) U = g h ( ζ + p ( x , y ) g ρ ) + f k ^ × U + τ s h ρ τ b h ρ
    (4)

    여기서, h는 수심, t는 시간, ζ은 평균해면상 해일 높이, U 수심평균 수평속도 벡터, p는 기압, f는 코리올리포스 계 수, k ^ 는 수직단위 벡터, τs는 자유표면 전단응력, τb는 바닥 전단응력이며, ρ는 물 밀도, g는 중력가속도이다. 지배방정 식에 대한 자세한 정보는 Luettich and Westerink(2004)에서 확 인 가능하다.

    3.2 수치모델 구축

    모델 격자망은 격자간격 50 ~ 20,000 m로 수심변화를 고려 하여 격자망을 구성하였다. 구축된 격자망은 요소(element) 183,709개, 노드(node) 99,011개로 구성되었으며, 모델영역은 경도 114 ~ 148°E, 위도 18 ~ 52°N의 범위이다. 모델전체 영역 에 대한 격자망과 수심도는 Fig. 5에 제시되어 있다.

    개방경계조건인 조석성분의 진폭과 위상자료는 NAO (National Astronomical Observatory of Japan)에서 제공하고 있는 NAO.99Jb 조석조화상수를 활용하였다. NAO 모델은 격자간 격 1/2°의 전지구모델(NAO.99b)과 격자간격 1/12° 동북아시아 모델(NAO.99Jb)로 구분되어 있으며, NAO.99Jb 모델의 경우 TOPEX/POSEIDON 고도자료와의 자료동화와 일본 및 우리나 라 조위 관측자료와 검증을 통해 모델의 정확도를 향상시킨 모델로(Matsumoto et al., 2000) 신뢰성 있는 자료라고 판단된 다. NAO.99Jb 모델은 16개 분조(반일주조 9개 : M2, S2, N2, K2, 2N2, M2, N2, L2, T2, 일주조 7개 : K1, O1, P1, Q1, OO1, M1, J1)에 대한 조석 조화상수 값을 제공하고 있다. 본 연구에서는 반일주조 성분인 M2, S2, N2, K2와 일주조 성분 인 K1, O1, P1, Q1 등 주요 8개 분조성분의 진폭과 위상을 개방경계 조건으로 설정하였다.

    태풍에 의한 해일고는 태풍의 이동경로 뿐만 아니라 기압 장 및 바람장의 분포에 따라 달라지며, 기압장, 바람장의 분 포는 폭풍해일 모델의 정확도에 매우 중요한 요소이다.

    기압장과 바람장 분포를 산정하기 위하여 그 동안 다양한 연구가 진행되었으며, Xie et al.(2006)은 보다 현실적인 태풍 현상을 고려하기 위하여 태풍의 비대칭성을 고려한 기압장, 바람장 산정식을 제안한 바가 있다. 그러나 본 연구에서는 기왕발생태풍으로부터 가상의 태풍(합성태풍)을 생성하고 이를 통하여 해일고를 산출하는 것을 목적으로 하고 있어, 가상의 태풍이 어떤 형태로 비대칭성을 갖는지를 임의로 추 정하는 것은 어려운 문제이다. 본 연구에서는 이러한 태풍 의 비대칭성을 고려하지 않고, Holland(1980)가 제안한 대칭 형 태풍의 기압장 및 바람장을 산정하는 방법을 적용하였으 며, 최대풍속과 최대풍속반경은 2.4절에 언급된 추정식을 적 용하였다. 이외 수치모델의 입력조건은 Table 1에 제시하였다.

    3.3 수치모델 검증

    본 연구에서는 합성태풍을 고려한 폭풍해일고를 산정하 기 전에 구축된 수치모델의 조석과 폭풍해일고를 검증하였 다. 조석모델의 검증을 위해 Fig. 6의 국립해양조사원에서 제 공하는 46개 주요 조위관측소를 비롯한 러시아, 일본, 남중 국해 연안의 143개 조석관측 정점에서 조석 운동에 가장 지 배적인 성분인 M2, S2, K1, O1의 4개 분조성분에 대해 계산 결과와 관측결과를 비교·검증하였다. 국내 조위관측소의 자 료는 KHOA(Korea Hydrographic and Oceanographic Agency) 의 자료를 이용하였으며, 황해, 러시아, 남중국해, 일본 연 안의 관측자료는 IHO(Internationl Hydrographic Organization)와 UHSLC(University of Hawaii Sea Level Center)의 자료를 이용하 였다. Fig. 7은 각 분조별 진폭 및 위상에 대한 검증결과를 제시하였으며, Table 2에 관측자료와 모델자료의 평균제곱근 오차(Root Mean Square Error, RMSE)와 상관계수(Correlation Coefficient, CC)를 제시하였다. 주요 4대 분조( M2, S2, K1, O1) 진폭의 평균제곱근오차는 3.1 ~ 10.5 cm, 상관계수는 0.95 ~ 0.99, 위상의 평균제곱근오차는 7.5 ~ 13.7°의 범위로 분석되 었다. 이는 선행 연구된 Lee et al.(2017)에서 제시한 4대 분조 진폭의 평균제곱근오차 2.6 ~ 9.8 cm, 상관계수 0.95 ~ 0.98과 비교 했을 때, 유사한 재현성을 보이고 있으며, 이러한 결과 는 Lee et al.(2017)에서 언급 하였듯이 NAO를 통해 재현된 조석이 우리나라를 포함한 황해연안에서의 조석을 비교적 잘 재현하는 것으로 평가된다.

    폭풍해일에 대한 검증은 볼라벤(TY1215), 산바(TY1216), 차바(TY1618) 및 링링(TY1913)을 대상으로 하였다. 서해안 및 남해안 주요 관측 정점에 대한 해일고 관측값과 계산값 을 비교 검토하여 Fig. 8의 조위관측소 정점에 대한 해일고 시계열을 Fig. 9에, 오차를 Table 3에 제시하였다. 여기서 오 차에 대한 정량적인 값을 제시하고자 절대상대오차(Absolute Relative Error, ARE)를 식(5)와 같이 제시하였다. ARE는 관측 자료와 계산결과의 절대적 크기 차이를 백분율로 나타낸 것 으로, 값이 작을수록 계산결과의 재현성이 높음을 의미한다.

    A R E ( % ) = | O b s i C a l i | O b s i × 100
    (5)

    오차 및 ARE는 각 태풍 및 지역적인 차이가 있으나 가덕 도(GDD)를 제외한 대상지역에서 오차는 0.1 m 미만, 절대상 대오차는 10 % 미만의 결과를 보이고 있다.

    3.4 수치모델 수행

    2.3절에서 선별된 5,670개의 합성태풍을 대상으로 ADCIRC 모델을 수행하여 우리나라 서해안 및 남해안 주요 조위관측 소 주요 40개 지점에서의 해일고 자료를 산출하였다. 3.3절 의 검증실험에서는 조석을 고려하여 실제 발생태풍(historical typhoon)을 재현하였으나, 본 절에서는 수치모델 계산 시간 및 효율성을 고려하여 조석의 영향을 고려하지 않고 약최고 고조위로 수위를 고정하여 수치모델을 수행하였다. 합성태 풍으로부터 산출된 각 지점에서의 해일고 자료는 딥러닝 기 반 LSTM 인공신경망 학습자료로 활용되었다.

    4. 딥러닝 기반 폭풍해일 예측

    4.1 딥러닝 기반 LSTM(Long Short Time Memory) 적용

    심층학습을 뜻하는 딥러닝은 자연언어처리, 음성인식 및 이미지 인식 등의 다양한 분야에서 많은 연구가 이뤄지고 있다(Jung et al., 2018). 일반적으로 인공신경망 구조는 입력 층, 은닉층, 출력층으로 구성되며, 2개 이상의 은닉층을 가지 면 다층신경망, 그 이상일 경우 딥러닝으로 구분한다. 딥러 닝 기반에서 해수위 및 해일고 예측과 같은 시계열 자료를 사용하여 예측하는 분야에서 탁월한 성능을 보여주는 딥러 닝 방법이 순환신경망(Recurrent Neural Network, RNN)이다. RNN은 과거와 현재로 전달되는 정보를 이용하여 새로운 상 태를 결정하게 되는데 현재로부터 과거로 멀어질수록 정보 의 강도가 약화되므로 시간 거리가 먼 정보간의 상관관계는 잘 학습하지 못하는 단점이 있다. 이러한 문제를 해결하기 위하여 순환신경망의 한 종류인 LSTM을 적용할 수 있다. LSTM은 Hochreiter and Schmidhuber(1997)에 의해 개발되었고, RNN에서 발생하는 오차경사의 기울기 소실(gradient vanishing) 및 최적화 오류(optimization hurdle)를 해결하고 장기적인 시 간의 종속성을 포착하는데 효과적이며, 최근 수위 예측과 같은 여러 가지 시계열 자료와 관련된 학습문제 활용에 적 용되고 있다(Jung et al., 2018;Lee et al., 2018;Park and Chung, 2020). 따라서 본 연구에서는 시계열 자료 사용시 예측성능 이 탁월한 LSTM을 적용하여 폭풍해일고 예측하였다.

    4.2 실험 구성

    TCRM 수행 결과로 도출한 합성태풍 시나리오 중에서, 경 도 120 ~ 132.5°E 범위의 위도 30°N를 통과하여 한반도에 영향 을 줄 것으로 판단된 합성태풍 5,670개를 선정하여 폭풍해일 ADCIRC 모델의 입력 변수로 사용하였다. TCRM과 ADCIRC 모델로 생성된 태풍 및 폭풍해일 결과를 학습 자료로 사용 하여 LSTM 인공신경망을 구성하였다. 입력 변수는 태풍의 위치 정보(위도, 경도)와 중심 기압, 최대 풍속, 최대 풍반경 을 사용하였으며(Fig. 10), 본 연구에 적용한 인공신경망 구 성에 대한 내용은 Table 4에 제시하였다.

    LSTM 인공신경망을 이용한 태풍-해일고 예측 성능 평가 를 위하여 서해안 세 지역(인천, 군산, 목포)과 남해안 세 지 역(여수, 통영, 부산)을 선정하였다. 영향 태풍의 정보와, 해 당 영향 태풍으로 발생하는 각 지역의 해일고 자료를 훈련 자료로 활용하여 LSTM 인공신경망 학습 과정을 거쳤다. 생 성한 LSTM 모델 재현 성능을 검증하고 성능을 개선하기 위 하여 학습 자료에 따른 민감도 실험을 수행하였다. 민감도 실험 결과에 따라, 재현 성능이 높은 모델을 이용하여 기상 청에서 제공하는 태풍 통보문 자료를 입력한 후 서해안과 남해안의 해일고를 예측하였다.

    4.3 분석 및 결과

    TCRM으로 생성한 5,670개 태풍 정보와, 해당 기간에 상응 하는 수치 모델 해일고 결과를 시계열 형태로 학습한 인공 신경망의 학습 결과를 분석하였다. Fig. 11은 폭풍해일고를 예측하고자 LSTM 인공신경망을 학습 시킬 때 훈련 자료로 사용한 해일고 자료를 크기에 따라 히스토그램으로 표현한 결과이다. 서해안 대표지역인 인천, 군산, 목포와 남해안 대 표지역인 여수, 통영, 부산에서 공통적으로 대다수의 훈련 해일고값이 0.5 m 이하에서 주로 분포하고 있으며, 0.5 m 이 하의 해일고 입력 자료는 1.0 m 이상의 해일고 입력자료 보 다 최대 150배 정도 많은 자료가 활용되었다.

    예측해일고에 대한 성능평가를 위하여 서해안과 남해안 의 주요지점에 1.0 m 이상의 해일고를 발생시켰던 태풍을 Fig. 12와 같이 서해안 대상태풍(W1), 남해안 대상태풍(S1)을 선정하여 인천과 여수의 예측해일고와 ADICRC 계산 해일고 (Storm Surge Model, SSM)를 비교한 결과, 예측해일고가 낮게 예측되는 경향을 확인하였다(Fig. 13). 이러한 결과는 다른 주요지점에서도 비슷한 양상으로 나타나고 있으며, 전체적 으로 비교적 강한 해일고를 현실적으로 모의하지 못하는 경 향을 보이고 있다. 특히, 1.0 m 이상의 해일고 최댓값을 과소 모의 하였다. 예측해일고의 이러한 특성이 나타나는 주요 원인은 다수의 학습자료에 0.3 m 이하의 해일고가 포함된 특 성이 반영된 것으로 분석된다. 따라서 예측된 지역별 해일 고가 과소 모의된 경향의 주된 원인에 대해 추가적인 분석 을 수행하고자, LSTM 인공신경망의 입력 자료에 따른 세 가 지 실험 사례를 아래와 같이 구성하였다.

    생성된 모든 영향 태풍의 정보를 학습하여 해일고를 예측 하는 1)Exp-total (Experiment-total), 영향 태풍 가운데 우리나 라 영향 범위 (기준 120 ~ 132.5°E, 30°N)을 지난 시점에서 중 심 기압이 960 hPa 이하 태풍 1,370개를 학습한 2)Exp-strong (Experiment-strong), 2)Exp-strong에서 태풍의 진로에 따라 서해 안과 남해안 해역에 각각 영향을 준 태풍을 나누어 학습한 3)Exp-area (Experiment-area)로 실험 안을 나누어 Fig. 12에 제 시한 해역별 W1, S1 합성태풍에 대한 해일고 예측성능을 비 교·분석하였다. 여기서 Exp-area는 TCRM 합성태풍의 진행 경 로를 기준으로 태풍의 영향을 주는 대상해역을 구분하였다 (Fig. 14). 대상해역을 구분하는 기준은 태풍 경로가 지나는 경도로, 남해안은 태풍 진로가 제주도의 서쪽 끝인 경도 126.2°E에서 일본 열도의 시작점과 근접한 경도 129.4°E 이내 에 포함될 경우 해당 태풍들을 모두 남해안 영향 태풍으로 선정하였다. 서해안 영향 태풍은 경도 121.0 ~ 126.2°E 이내로 진행하는 태풍들로 선택하였다.

    Fig. 15는 서해안 인천, 군산, 목포와 남해안 여수, 통영, 부산에 대하여 Exp-total, Exp-strong, Exp-area에 대한 훈련 자 료를 적용했을 때, Fig. 12의 서해안, 남해안 태풍 W1, S1 에 대한 시계열 분석 결과이다. Exp-strong 및 Exp-area 실험에서 Exp-total 실험보다 전체적으로 해역별 예측 성능이 개선되었 음을 확인하였다. 정량적인 검토를 수행하기 위하여 RMSE, CC와 태풍별 최대 해일고 값의 평균절대비율오차(Mean Absolute Percentage Error, MAPE)를 구하여 Table 5에 제시하 였다. 여기서 MAPE는 오차를 관측값으로 나눔으로써 관측 값에 대한 오차의 비율에 초점을 두며 식은 다음(6)과 같다.

    M A P E ( % ) = 1 n i = 1 n | O b s i C a l i O b s i | × 100
    (6)

    각 지점별 비교 태풍시나리오(W1, S1)에 대한 RMSE, CC, MAPE는 Exp-total 보다 Exp-strong 및 Exp-area에서 비교 정점 별 차이는 있으나 전체적으로 재현성이 개선되었음을 확인 하였다. 특히 Exp-strong 실험 결과에 비하여 Exp-area 실험 결 과에서 지역적인 차이는 있으나, 최대 해일고가 발생하는 시점에 대한 정확도가 개선됨을 확인 할 수 있으며, 이와 같 은 특징은 대부분의 검토 지역에서 공통적으로 나타나고 있 다(Table 5).

    앞서 인공지능으로 학습한 자료를 활용하여 인천 및 부산 에 실제 내습하였던 태풍에 대한 관측해일고와 예측해일고 결과를 비교·분석하였다. 검증에 사용한 태풍 정보는 Fig. 8 에 제시하였으며, 각 태풍에 대한 해일고 비교 결과는 Fig. 16에 제시하였다. 검증결과 RMSE는 0.09 ~ 0.30 m, CC는 0.65 ~ 0.94, 최대 해일고의 ARE는 1.0 ~ 52.5 %로 태풍 볼라벤에 대한 예측해일고의 최댓값의 재현성이 가장 낮게 나타났다 (Table 6). 향후 태풍자료의 개선을 통한 폭풍해일 모델 개선 및 인공지능 학습자료의 최적화 등을 통하여 보다 정도 높 은 해일고 예측이 가능할 것으로 사료된다.

    5. 결 론

    태풍으로부터 해일고를 예측하는데 있어 가장 중요한 것 은 정확도가 확보된 신속한 결과의 산출이다. 기존의 고성 능 수치모델은 정확성이 높은 반면 계산에 많은 시간을 필 요로 하며, NOAA의 SLOSH와 같은 모델은 신속한 결과의 산출이 가능하나, 상대적으로 낮은 정확성을 보인다.

    본 연구는 이러한 문제를 해결하기 위한 하나의 연구로, 태풍 내습 시 정확하고 신속한 해일고를 산출하기 위하여 인공신경망의 RNN-LSTM을 적용한 해일고 예측성능에 대한 연구를 수행하였다. LSTM의 학습자료로 활용한 태풍정보는 위도, 경도, 중심기압, 최대풍속, 최대풍반경으로 RSMC-BTD 기반 TCRM을 활용하여 한반도에 영향을 줄 것으로 판단되 는 합성태풍 5,670개를 선정하여 입력자료로 활용하였다. 그 리고 해일고 자료는 선정한 합성태풍을 입력자료로 하여 보·검정이 완료된 ADCIRC 폭풍해일 모델을 통하여 산출하 였다.

    LSTM을 통한 재현성 높은 예측해일고를 산출하기 위하 여, 각 비교대상 지역별로 TCRM 검증 자료를 활용하여 예 측한 해일고와 ADCIRC로 생성한 해일고 사이의 CC와 RMSE, 그리고 예측 태풍별 최대 해일고 값을 MAPE 및 ARE 를 이용하여 분석한 결과 예측해일고가 다소 낮게 예측되는 경향을 확인하였다.

    예측해일고의 이러한 특성이 나타나는 주요 원인을 분석 하기 위하여, LSTM 인공신경망의 입력 자료에 따른 세 가지 실험 사례를 구성하였다. 생성된 모든 영향 태풍의 정보를 학습하여 해일고를 예측하는 1)Exp-total, 영향 태풍 가운데 우리나라 영향 범위을 통과한 시점에서 중심 기압이 960 hPa 이하 태풍을 학습한 2)Exp-strong, 태풍의 진로에 따라 서해안 과 남해안 해역에 각각 영향을 준 태풍을 나누어 학습한 3)Exp-area로 실험안을 나누어 LSTM에 따른 예측해일고의 성능평가를 수행하였다.

    분석결과 Exp-total의 경우 다수의 학습자료에 0.3 m 이하 의 해일고 특성이 포함되어, 1.0 m 이상의 해일고 최댓값을 과소 예측하는 것으로 나타났으나, Exp-strong 및 Exp-area 실 험에서 Exp-total 실험보다 전체적으로 해역별 예측 성능이 개선되었음을 확인하였다. 특히 Exp-strong 실험 결과에 비하 여 Exp-area 실험 결과에서 지역적인 차이는 있으나, 태풍시 기 가운데 최대 해일고가 발생하는 시점을 모의하는 성능이 개선됨을 확인 할 수 있으며, 이와 같은 특징은 거의 대부분 검토 지역에서 공통적으로 나타나고 있음을 확인하였다. 이 러한 결과는 LSTM 인공신경망 기법을 적용함에 있어 최적 의 학습자료 구성이 중요함을 의미한다.

    실제 발생태풍에 대한 해일고 비교 결과, RMSE는 0.09 ~ 0.30 m, CC는 0.65 ~ 0.94, 최대 해일고의 ARE는 1.0 ~ 52.5 %로 각 지역별 태풍에 따라 예측성능의 편차가 크게 발생했다. 이러한 예측성능 편차가 발생한 원인을 해결하기 위해서는 우리나라에 영향을 주었던 여러 발생태풍에 대한 추가적인 해일고 예측성능의 검토가 이뤄져야 할 것이다. 또한, TCRM 에서 산출한 합성태풍을 입력자료로 사용한 폭풍해일 모델 개선, 인공지능 학습자료의 최적화 등을 통해 보다 정확도 높은 해일고 예측이 가능할 것으로 사료된다.

    감사의 글

    본 논문은 행정안전부 극한 재난대응 기반기술 개발사업 의 일환인 “해안가 복합재난 위험지역 피해저감 기술개발 (연구과제번호: 2018-MOIS31-008)”의 지원 및 국립해양조사 원 “해안침수예상도 제작 및 신기술 적용연구(4)”의 일부 지 원을 받아 수행되었습니다.

    Figure

    KOSOMES-26-7-892_F1.gif

    TCRM model overview.

    KOSOMES-26-7-892_F2.gif

    Synthesized typhoon tracks generated from TCRM.

    KOSOMES-26-7-892_F3.gif

    Historical typhoon tracks.

    KOSOMES-26-7-892_F4.gif

    Synthesized typhoon tracks generated from TCRM.

    KOSOMES-26-7-892_F5.gif

    Grid(a) and bathymetry(b) map for storm surge model.

    KOSOMES-26-7-892_F6.gif

    Map showing tidal record stations.

    KOSOMES-26-7-892_F7.gif

    Verification result of amplitude and for major tidal constituents.

    KOSOMES-26-7-892_F8.gif

    Typhoon tracks and tidal record stations.

    KOSOMES-26-7-892_F9.gif

    Storm surge hight verification results.

    KOSOMES-26-7-892_F10.gif

    Schematic diagram of an artificial neural network.

    KOSOMES-26-7-892_F11.gif

    Learning materials at major target locations.

    KOSOMES-26-7-892_F12.gif

    Tracks of typhoons comparative.

    KOSOMES-26-7-892_F13.gif

    Comparison of storm surge height prediction performance (Storm Surge Model, SSM).

    KOSOMES-26-7-892_F14.gif

    Tracks of typhoons affecting the Exp-area.

    KOSOMES-26-7-892_F15.gif

    Comparison of storm surge height prediction performance.

    KOSOMES-26-7-892_F16.gif

    Comparison of observed and predicted storm surge height.

    Table

    ADCIRC simulation method

    Quantitative RMSE and CC analyses on amplitude and phases for major tidal constituents

    Storm surge height comparison analysis results by experiment

    Artificial neural network application status

    Storm surge height comparison analysis results by experiment

    Comparison of observed and predicted storm surge heights

    Reference

    1. Anton, B. , B. Blanton, and S. Reinaldo (2016), Multi-Output Articial Neural Network for Storm Surge Prediction in North Carolina, Neural Networks, arXiv:1609.07378.
    2. French, J. , M. Robert, F. Taku, and A. Kamal (2017), Combining machine learning with computational hydrodynamics for prediction of tidal surge inundation at estuarine ports, IUTAM symposium on storm surge modelling and forecasting, Vol. 25, pp. 28-35.
    3. Holland, G. J. (1980), An analytic model of the wind and pressure profiles in hurricanes, Monthly Weather Review, Vol. 108, pp. 1212-1218.
    4. Jung, S. H. , H. S. Cho, J. G Kim, and G. H. Lee (2018), Prediction of water level in a tidal river using a deep-learning based LSTM model, Journal of Korea Water Resources Association, Vol. 51, No. 12, pp. 1207-1216.
    5. Kim, H. J. and S. W. Suh (2019), Estimation of Frequency of Storm Surge Heights on the West and South Coasts of Korea Using Synthesized Typhoons. Journal of Korean Society of Coastal and Ocean Engineers Vol. 31, No. 5, pp. 241-252.
    6. Lee, G. H. , S. H. Jung, and D. E. Lee (2018), Comparison of physicsbased and data-driven models for streamflow simulation of the Mekong river. Journal of Korea Water Resources Association, Vol. 51, No. 6, pp. 503-514.
    7. Lee, H. Y. , D. S. Kim, J. R. Park, and S. J. Hong (2017), Operation of Real-time Storm Surge Response System for Decision-making Support. Journal of Korean Society of Hazard Mitigation, Vol. 17, No. 3, pp. 367-380.
    8. Luettich, R. A. and J. J. Westerink (2004), Formulation and numerical implementation of the 2D/3D ADCIRC finite element model version 44.XX.
    9. Luettich, R. A. , S. Hu, and J. J. Westerink (1994), The development of the direct stress solution technique for three-dimensional hydrodynamic models using finite elements, International, Journal for Numerical Methods in Fluids, Vol. 19, pp. 295-319.
    10. Luettich, R. A. , S. Hu, J. J. Westerink, and N. W. Scheffner (1992), Modeling 3-D Circulation Using Computations for the Western North Atlantic and Gulf of Mexico, Estuarine and Coastal Modeling II, M. Spaulding [ed.], ASCE, pp. 632-643.
    11. Matsumoto, K. , T. Takanezawa, and M. Ooe (2000), Ocean Tide Models Developed by Assimilating TOPEX/POSEIDON Altimeter Data into Hydrodynamical Model: A Global Model and a Regional Model Around Japan, Journal of Oceanography, Vol. 56, pp. 567-581.
    12. Park, C. H. and I. M. Chung (2020), Evaluating the groundwater prediction using LSTM model. Journal of Korea Water Resources Association, Vol. 53, No. 4, pp. 273-283.
    13. Park, J. K. , B. S. Kim, W. S. Jung, E. B. Kim, and D. G. Lee (2006), Change in Statistical Characteristics of Typhoon Afferting the Korean Peninsula, Jounal of Korean Meteorological Society: Atmosphere, Vol 16, No. 1, pp. 1-17.
    14. Vickery, P. J. and D. Wadhera (2009), Statistical models of Holland pressure profile parameter and radius to maximum winds of hurricanes from flight-level pressure and H*Wind data. Journal of Applied Meteorology and Climatology, Vol. 47, No. 10, pp. 2497-2517.
    15. Willoughby, H. E. , R. Darling , W. R, and M. E. Rahn (2006), Parametric representation of the primary hurricane vortex. Part II: A new family of sectionally continuous profiles, Monthly Weather Review, Vol. 134, pp. 1102-1120.
    16. Xie, L. , S. Bao, L. J. Pietrafesa, K. Foley, and M. Fuentes (2006), A real-time hurricane surface wind forecasting model: formulation and verification. Monthly Weather Review, Vol. 134, No.5, pp. 1355-1370.