1. 서 론

기후 변화로 인한 해수면 상승과 극단적인 기상 현상의 증가로 인해 해안 지역에서의 재난 위험이 심화되고 있다. 우리나라는 태풍의 주요 경로에 위치해 있어 매년 평균 3~4개의 태풍으로 인해 심각한 인명 피해와 경제적 손실을 겪고 있다. 행정안전부의 2022년 재해연보에 따르면, 최근 10년 동안 태풍에 의한 피해는 전체 자연재해 피해액의 약 31.2%를 차지하며, 연평균 약 1,125억 원의 경제적 손실이 발생한다(Ministry of the Interior and Safety, 2024). 이러한 상황에서 정확하고 신속한 폭풍해일 예측은 해안 재난 대응에 필수적이다. 폭풍해 일은 해안선의 형태, 수심, 해상 바람, 대기압 변화 등 복합적인 요인들에 의해 발생하는 자연재해로, 해수면이 급격히 상승해 광범위한 침수 피해를 초래할 수 있다. 전 세계적으로 폭풍해일 예측을 위해 다양한 수치예보모델이 사용되고 있다. 대표적으로 SLOSH(Sea, Lake, and Overland Surges from Hurricanes) 모델은 미국 국립허리케인센터(NHC)에서 개발한 모델로, 허리케인에 의한 폭풍해일을 예측하기 위해 바람과 기압 데이터를 기반으로 한다(Jelesnianski et al., 1992). 또 다른 예로 ADCIRC (Advanced Circulation Model for Oceanic, Coastal, and Estuarine Waters) 모델은 고해상도 해양 순환 모델로, 복잡한 해안 지형과 다양한 기상 조건을 반영하여 폭풍해일을 정밀하게 예측할 수 있다(Luettich and Westerink, 2004).

기존의 수치예보모델은 높은 예측 정확도를 제공하지만, 계산 시간이 길고 대규모의 컴퓨팅 자원을 요구한다는 한계가 있다. 예를 들어, Lee et al.(2017)의 연구에서는 폭풍해일 예측에 3일 기준 평균 2시간의 계산 시간이 소요되었으며, 2016년 태풍 차바(Chaba) 시기 예측 결과에서 평균 RMSE (Root Mean Square Error)가 10cm로 보고되었다. 이러한 계산 시간은 폭풍해일과 같은 실시간 대응이 필요한 상황에서 실용적 제약으로 작용할 수 있다. 이에 따라, 최근에는 기상 및 해양 데이터의 복잡한 상호작용을 효과적으로 학습할 수 있는 딥러닝 기술이 주목받고 있다. 딥러닝 모델은 대규모 데이터를 활용하여 비선형적 관계를 효율적으로 학습할 수 있으며, 기존 수치예보모델에 비해 더 빠르고 효율적인 예측을 가능하게 한다. 예를 들어, CNN(Convolutional Neural Network)은 공간적 특징을 학습하는 데 강점을 가지고 있으며(LeCun et al., 2015), LSTM(Long Short-Term Memory)은 시간적 의존성을 처리하여 시계열 데이터의 정확도를 높인다(Jung et al., 2018;Lee et al., 2018). 또한, Attention 메커니즘은 중요한 정보에 가중치를 부여하여 예측 성능을 향상시킬 수 있다(Vaswani et al., 2017).

본 연구는 NOAA의 GFS(Global Forecast System)와 일본 기상청의 JMA-MSM(Japan Meteorological Agency Meso-Scale Model) 데이터를 활용하여 딥러닝 기반 폭풍해일 예측모델을 개발하고, 기존의 수치예보모델과 비교하여 성능을 분석하는 것을 목표로 한다. 연구는 CNN, LSTM, Attention 메커니즘을 결합한 딥러닝 모델을 설계하고, 주요 태풍 사례를 통해 모델의 예측 성능을 검증하였다. 이를 통해 실시간 대응이 가능한 폭풍해일 예측 기술의 가능성을 제시하고, 해안 재난 대비에 기여할 수 있는 방안을 모색하고자 한다.

2. 사용 자료

2.1 조위관측소 관측자료

본 연구에서는 폭풍해일고 산출 및 예측을 위해 국립해양 조사원에서 운영하는 조위관측소의 관측자료를 활용하였다. 분석 대상은 공개가 제한된 일부 관측소를 제외하고, 안정적으로 자료 수집이 이루어져 딥러닝 학습자료 구축에 적합한 46개 조위관측소로 선정하였다. 이들 관측소는 지속적이고 신뢰성 있는 데이터를 제공하며, 2010년 이후 신설된 경우에는 자료 제공이 시작된 시점부터 데이터를 수집하였다.

자료 수집은 국립해양조사원에서 운영하는 바다누리 해양정보의 OPEN API 서비스를 이용하여 수행되었으며, 실측 조위(Observed Tide)와 천문조 예측조위(Astronomical Tide Prediction) 데이터를 1시간 단위로 확보하였다. 실측조위에서 천문조 예측조위를 뺀 잔차를 예측 대상으로 하였으며, 이 잔차 값은 폭풍해일고를 나타내며, 딥러닝 모델의 학습 및 평가에 사용되었다. 자료 수집 기간은 기상청에서 제공하는 태풍 통보문을 기반으로 2010~2023년 발생한 태풍 중 한반도에 상륙하거나 직접영향으로 분류된 태풍을 선별하고(Fig. 1), 각 태풍의 발생부터 소멸까지의 시기를 활용하였다. 예측 대상으로 선정된 조위관측소 위치는 Fig. 2에 나타내었으며 목록 및 자료 수집 기간은 Table 1과 같다.

2.2 GFS Forecast 모델 기반 바람 및 기압 자료

폭풍해일 예측에 필요한 대기 정보를 구축하기 위해 GFS 모델이 활용되었다. GFS 모델은 미국 국립해양대기청(National Oceanic and Atmospheric Administration, NOAA)에서 제공하는 전 지구적 기상 예측 시스템으로, 매일 4회(00, 06, 12, 18 UTC) 3시간 간격의 장기 예측 자료를 생성하며, 0.25° × 0.25°의 해상도로 다양한 대기 변수를 제공한다. 총 127개의 수직 레벨로 구성된 이 모델은 전 세계적 기상 예측에 활용되고 있다.

태풍에 의해 발생하는 폭풍해일고의 정확한 예측을 위해서는 태풍이 일으키는 대기 상태 변화를 상세히 파악하는 것이 중요하다. 특히 바람과 기압은 폭풍해일의 발생과 강도에 직접적인 영향을 미치는 핵심 기상 요소이다. 바람의 U(동서 방향 성분)와 V(남북 방향 성분)은 해수면에 직접적인 힘을 가하여 해류와 파고를 형성하며, 강한 풍속은 해수면 위에 지속적인 압력을 가해 해수면을 상승시켜 폭풍해일의 높이와 에너지에 큰 영향을 준다. 평균 해수면 기압(Mean Sea Level Pressure, MSLP)은 대기의 압력 분포를 나타내며, 강력한 저기압 시스템에서는 중심부의 기압이 급격히 낮아져 해수면 상승을 유발하여 해안 지역의 침수 위험을 증가시킨다.

이에 따라, GFS 제공 기간인 2015년부터 2023년까지 한반도에 영향을 미친 태풍을 대상으로 GFS 모델 자료가 수집되 었으며, 주요 기상 변수로는 10m 고도의 바람 U 성분, V 성분, 그리고 평균 해수면 기압이 포함되었다. 자료의 공간 범위는 경도 121.25°에서 133.50°, 위도 30.25°에서 42.50°로 설정 하여 한반도 및 주변 해역을 포함하도록 하였으며, 수집된 GFS 자료는 딥러닝 기반 예측모델의 입력자료로 사용되어 폭 풍해일의 시공간적 패턴을 분석하는 데 활용되었다(Table 2).

2.3 JMA-MSM 모델 기반 바람 및 기압 자료

JMA-MSM 모델은 일본 기상청에서 제공하는 중규모 기상 예측 시스템으로, 한반도 및 인근 해역에 대한 고해상도 기상자료를 제공한다. JMA-MSM 모델은 매일 8회(00, 03, 06, 09, 12, 15, 18, 21 UTC) 1시간 간격으로 34시간의 단기 예측 자료를 생성하며, 0.0625° × 0.05°의 매우 높은 해상도를 통해 지역적 기상 변화를 정밀하게 반영한다.

폭풍해일고의 정확한 예측을 위해 바람과 기압의 변화를 정밀하게 파악하는 것이 필수적이다. JMA-MSM 모델은 GFS 모델과 동일한 10m 고도의 바람 U 성분, V 성분, 그리고 평균 해수면 기압을 주요 변수로 사용하며, 태풍의 강도와 경로에 따른 기상 변화를 상세히 반영한다. 2010년부터 2023년까지 태풍 발생 및 소멸 기간에 해당하는 자료가 수집되었으며, 자료의 공간 범위는 경도 121.10°에서 133.60°, 위도 30.25°에서 40.25°로 설정되었다(Table 2).

3. 연구 방법

3.1 딥러닝 모델 설계

본 연구에서는 폭풍해일고 예측을 위해 CNN, LSTM, 그리고 Attention 메커니즘을 결합한 딥러닝 모델을 설계하였다.

CNN은 대기모델 자료의 공간적 패턴을 추출하기 위해 사용되었다. CNN의 컨볼루션 레이어는 고정 크기의 커널(kernel)을 통해 데이터의 주요 특징을 감지하며, 공간적 구조 를 유지하면서 의미있는 정보를 학습할 수 있도록 한다. 이를 통해 대기모델 자료의 지역적 특성과 패턴을 효과적으로 학습할 수 있으며, 예측에 필요한 핵심 정보를 추출하는 역할을 한다.

LSTM은 시간적 패턴을 학습하는 데 강점을 가지며, 장기 의존성을 처리할 수 있도록 설계되었다. 폭풍해일고의 시계 열적 특성을 반영하기 위해 시간에 따른 변화를 학습하는 구조로, 과거 시점의 정보를 기억 셀(Memory Cell)과 게이트 구조(입력, 출력, 망각 게이트)를 통해 관리한다. 이를 통해 장기적인 패턴이나 트렌드를 효과적으로 학습할 수 있으며, 폭풍해일고와 같은 시계열 데이터의 연속적인 변화를 학습하는 데 적합하다.

Attention 메커니즘은 시계열 데이터에서 중요한 정보를 강조하여, LSTM이 예측에 더 중요한 정보를 우선적으로 반영할 수 있도록 돕는다. 시계열 데이터에서는 모든 시간 단계의 정보가 동일한 중요도를 갖지 않기 때문에, Attention 메커니즘은 중요한 시점에 더 높은 가중치를 부여하여 예측 성능을 향상 시킨다. 이를 통해 LSTM의 단점을 보완하고, 특정 시간 구간에 더 집중하여 예측의 정밀도를 높이는 역할을 수행한다.

종합적으로, CNN은 공간적 특징을 학습, LSTM은 시간적 변화 양상을 학습, Attention 메커니즘은 중요한 정보를 강조함으로써 복잡한 기상 데이터에서도 예측 성능을 향상시킬 수 있도록 설계되었다.

3.2 데이터 전처리

딥러닝 모델의 학습 성능을 최적화하기 위해 GFS와 JMA-MSM 대기모델 자료 및 조위관측소 관측자료에 대해 전처리 과정을 수행하였다.

GFS와 JMA-MSM 대기모델 자료는 각각 다른 격자 해상도를 가지며, 주요 대기 변수인 풍속 U, V 및 평균 해수면 기압을 포함한다. 두 모델의 자료는 2차원 3채널 형태로 변환 되었으며, GFS는 (50×50×3) JMA-MSM은 (200×200×3) 형태를 가진다. 변환된 데이터는 예측모델의 입력 자료로 사용되며, 각 조위관측소의 1차원 시계열 자료를 출력하도록 설계되었다. 이를 통해 조위관측소별 독립적인 예측모델을 구축하여 관측소별 특성을 반영한 맞춤형 학습이 가능하도록 하였다.

또한, 자료의 범위 차이를 줄이고 학습의 안정성을 확보하기 위해 모든 데이터에 대해 Standard Scaler를 적용하여 정규화를 수행하였다. 정규화 과정은 식(1)에 따라 각 변수의 데이터를 평균(μ)이 0, 표준편차(σ)가 1이 되도록 변환함으로써, 딥러닝 모델이 변수 간 중요도를 균등하게 인식할 수 있도록 하였다(Borovykh et al., 2017).

추가적으로 조위관측소 관측자료에서 결측 데이터가 포함된 시간대는 학습 데이터에서 제외하였다. 이는 결측 데이터가 학습 과정에서 모델의 성능을 저하시킬 가능성을 줄이고, 신뢰성 높은 데이터를 기반으로 학습을 진행하기 위함이다.

이와 같은 전처리 과정을 통해 데이터 품질을 개선하고, 대기모델 자료와 조위관측소 관측자료 간의 통합적 학습이 가능하도록 준비하였다. 전처리된 데이터는 대기 변수의 시공간적 패턴을 효과적으로 학습하여 조위관측소의 폭풍해일고를 보다 정밀하게 예측할 수 있는 기반을 제공한다.

3.3 GFS 기반 예측모델

GFS 기반 예측모델은 GFS 자료를 입력으로 하여 설계되었다. 모델은 시간 간격이 3시간인 GFS 대기 데이터를 연속된 입력으로 받아 각각의 시간 단위에 대한 폭풍해일고 예측을 산출하도록 설계되었다. 모델의 입력자료는 (N, 2, 50, 50, 3) 형태로, 2개의 시간 시점(T, T+3)과 50×50 공간 해상도, 3개 변수(풍속 U, V 및 MSLP)로 구성되며, 출력은 (N, 3) 형태로 T, T+1, T+2 시간에 해당하는 폭풍해일고 예측을 산출 한다.

이는 시간적 흐름에 따라 연속적인 예측이 가능하도록 구성되었으며, Conv3D 블록, ConvLSTM2D 블록, Attention 메커니즘, Dense 블록으로 이루어진다. Conv3D 블록은 2개의 Conv3D 레이어와 AveragePooling 레이어로 구성되며, 이러한 구조가 3개 층으로 반복된다. Conv3D는 3차원 형태의 데이 터에서 공간적 패턴을 추출하는 데 효과적이며 추출된 특징은 ConvLSTM2D 블록에 전달된다. ConvLSTM2D 블록은 3개의 ConvLSTM2D 레이어로 구성되며 연속된 시계열 데이터를 학습하여 시간적 특징을 반영한다.

이후, Attention 메커니즘이 적용되어 중요한 시간 단계에 집중함으로써 예측의 정밀도를 높인다. Attention의 출력을 Dense 블록에 전달하여 최종적으로 (N, 3) 형태의 예측값을 산출한다. Dense 레이어는 최종 출력값을 생성하는 역할을 수행하며 T, T+1, T+2의 폭풍해일고를 각각 예측한다(Fig. 3 (a)).

3.4 JMA-MSM 기반 예측모델

JMA-MSM 기반 예측모델은 JMA-MSM 자료를 사용하여 고해상도의 폭풍해일고 예측을 수행한다. 이 모델은 시간 간격이 1시간인 JMA-MSM 데이터를 입력으로 받아, 동일한 시간대에 대한 폭풍해일고를 출력하도록 설계되었다. 모델의 입력자료는 (N, 200, 200, 3) 형태로, 200×200 공간 해상도와 3개 변수(풍속 U, V 및 MSLP)로 구성되며, 출력은 (N, 1) 형태로 T 시간에 해당하는 폭풍해일고를 예측한다.

모델의 입출력 구조는 T 시간의 JMA-MSM 데이터를 입력으로 받아 동일한 T 시간에 해당하는 폭풍해일고를 예측하는 방식으로 설계되었다. 모델은 Conv2D 블록, LSTM 블록, Attention 메커니즘, Dense 블록으로 구성된다. Conv2D 블록은 2개의 Conv2D 레이어와 AveragePooling 레이어로 구성되며 이러한 구조가 3개 층으로 반복된다. Conv2D는 2차원 이미지 형태의 데이터를 처리하는 데 적합하며 공간적 패턴을 추출하는 역할을 한다. 추출된 특징은 Flatten 과정을 거쳐 LSTM 블록으로 전달된다.

LSTM 블록은 3개의 LSTM 레이어로 구성되며 입력된 특징을 기반으로 시계열적 변동을 학습한다. 이후, Attention 메커니즘이 적용되어 중요한 시점과 공간적 특징에 가중치를 부여하여 예측의 정밀도를 향상시킨다. Attention의 출력을 Dense 블록에 전달하여, 최종적으로 (N, 1) 형태의 폭풍해일고 예측값을 산출한다. Dense 레이어는 종합된 정보를 바탕으로 예측값을 생성하는 역할을 수행하며 최종적으로 T 시간에 대한 폭풍해일고를 예측한다(Fig. 3 (b)).

3.5 딥러닝 모델 학습 및 구축

모델 학습 과정은 최적의 성능을 달성하기 위해 하이퍼파 라미터 튜닝(Hyperparameter Tuning)을 포함하였다. 랜덤 서치(Random Search) 기법(Dhake et al., 2023)을 통해 다양한 하이퍼파라미터 조합을 탐색하고, 가장 낮은 오차를 보이는 설정을 선정하였다. 학습은 최대 1,000회를 기본으로 설정하고, 조기 종료(Early Stopping) 기법을 적용하여 성능 개선이 100회 이상 없을 경우 학습을 중단하였다. 주요 하이퍼파라미터는 드롭아웃 비율(Dropout Rate), 활성화 함수(Activation Function), 필터 개수, 옵티마이저(Optimizer), 학습률(Learning Rate) 등이 포함되며, 각 조위관측소의 특성에 맞춘 최적의 설정이 적용되었다. 조위관측소별로 개별 예측 모델을 구축한 것은, 단일 모델로 46개 관측소를 동시에 예측할 경우 신경망 구조가 과도하게 복잡해지고, 관측소마다 상이한 지역적 특성을 충분히 반영하기 어려워 성능 저하로 이어질 수 있기 때문이다. 또한, 관측소별로 최적의 하이퍼파라미터를 탐색하고 적용함으로써 지역적 특성과 변동성을 보다 효과적으로 모델링할 수 있었다. 일부 관측소에 대한 최적 하이퍼파라미터 선정 예시는 Table 3과 같다.

3.6 시계열 예측 및 평가 방법

시계열 예측을 수행하기 위해 대기모델 자료와 조위관측소 관측자료는 정규화 과정을 거쳐 모델 학습 및 검증을 위한 입력자료 형태로 변형하였다. 학습 데이터와 검증 데이터는 시계열적 연속성을 유지하며 분할되었으며, 검증 데이터셋은 모델의 예측 성능을 독립적으로 평가하기 위해 별도로 구성되었다. 검증용 태풍으로는 2020년부터 2023년 사이 한반도에 직접 영향을 준 바비(BAVI), 오마이스(OMAIS), 힌남노(HINNAMNOR), 카눈(KHANUN) 4개 태풍을 선정하여, 이들 자료는 학습 과정에서 제외한 후 평가에 사용하였다 (Table 4, Fig. 4).

모델 성능평가를 위해 예측자료와 실측 자료를 비교하는 정량적 지표로 RMSE와 MAPE(Mean Absolute Percentage Error) 를 사용하였다. RMSE는 식(2)와 같이 예측값과 실측값 사이의 차이를 제곱하여 평균한 후, 제곱근을 취한 값으로, 예측 오차의 절대적인 크기를 나타내며, 오차가 클수록 더 큰 패널티를 부여한다. 반면, MAPE는 식(3)과 같이 각 예측값의 오차를 실제값에 대한 백분율로 표현하여, 예측값의 상대적인 정확도를 평가한다. 이러한 두 가지 평가지표를 통해 모델의 예측 성능을 정량적으로 검증하였다. 식(2)와 식(3)에서 n은 데이터 포인트의 총 개수를 나타내며, y_i는 i번째 관측 값(실측값), y ^ i는 i번째 예측값을 의미한다.

4. 연구 결과

4.1 GFS 기반 예측 결과

GFS 대기모델을 이용하여 구축된 폭풍해일고 예측모델의 성능을 평가하기 위해 선정된 4개 태풍 시기에 대한 관측자료와 예측자료를 비교 분석하였다. 조위관측소는 위치에 따라 서해(21개소), 남해(18개소), 동해(7개소) 해역별로 분류하 였으며, 태풍의 비상구역 진입 시점부터 소멸 기간까지의 관측 조위와 AI 예측 잔차와 천문조 예측조위를 더한 AI 예측 조위 사이의 RMSE와 MAPE를 산출하였다(Table 5).

서해 해역에서는 GFS 기반 모델의 평균 RMSE가 18.77cm, 평균 MAPE가 4.63%로 나타났다. 관측소별로는 진도 조위관 측소가 RMSE 6.05~11.69cm, MAPE 2.30~4.68%로 가장 낮은 오차를 보였으며, 군산과 영광 조위관측소도 비교적 우수한 예측 성능을 나타냈다.

남해 해역에서는 GFS 기반 모델의 평균 RMSE가 9.96cm, 평균 MAPE가 5.13%로 서해에 비해 오차가 작게 나타났다. 성산포 조위관측소는 RMSE 3.93~12.73cm, MAPE 1.86~6.41%로 가장 우수한 예측 성능을 보였으며, 제주, 거문도, 서귀포 조위관측소도 낮은 오차를 기록하였다. 이는 남해 해역의 조위관측소들이 태풍 경로와 직접적인 연관이 있어 해수위 상승의 상관성이 높기 때문으로 판단된다.

동해 해역에서는 GFS 기반 모델의 평균 RMSE가 11.08cm, 평균 MAPE가 16.40%로 나타났다. 동해항 조위관측소는 RMSE 3.68~11.07cm, MAPE 7.87~25.89%로 가장 낮은 오차를 보였으나, 동해 해역 전체적으로 MAPE 값이 높게 나타났다. 이는 동해 해역의 조차가 작아 동일한 오차에서도 상대적으로 높은 MAPE를 보이는 것으로 해석된다. 특히, 동해항조 위관측소의 경우 2020년 태풍 바비 통과 시기에 결측이 발생하였다. 하지만 나머지 3개 태풍 결과를 살펴볼 때 해수면 상승 경향을 잘 모의하였고, 천문조 예측조위와 비교하여 실제 태풍 접근에 따른 변화를 잘 모의하였다.

4.2 JMA-MSM 기반 예측 결과

JMA-MSM 대기모델을 활용한 폭풍해일고 예측모델의 성능을 동일한 방식으로 평가하였다. 서해 해역에서 JMA-MSM 기반 모델의 평균 RMSE는 18.43cm, 평균 MAPE는 4.48%로 나타났다. 진도 조위관측소는 RMSE 6.93~10.35cm, MAPE 2.64~4.23%로 가장 낮은 오차를 보였으며, 군산과 영광 조위 관측소도 우수한 예측 성능을 보였다.

남해 해역에서는 평균 RMSE가 9.23cm, 평균 MAPE가 4.77%로 나타났으며, 이는 서해에 비해 오차가 적은 결과이다. 성산포 조위관측소는 RMSE 6.01~9.08cm, MAPE 2.85~4.51%로 가장 낮은 오차를 기록하였으며, 제주, 거문도, 서귀포 조위 관측소도 우수한 예측 성능을 보였다.

동해 해역에서는 평균 RMSE가 9.22cm, 평균 MAPE가 15.72%로 나타났다. 동해항 조위관측소는 RMSE 6.04~8.91cm, MAPE 12.53~26.25%로 가장 낮은 오차를 보였다. 그러나 동해 해역 전체적으로 MAPE 값이 높게 나타나는 현상이 동일 하게 발생하였다.

4.3 예측성능 비교

두 대기모델 기반 예측 결과를 비교한 결과, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 모든 해역에서 약간 더 우수한 성능을 보였다. 서해 해역에서는 JMA-MSM 기반 모델이 평균 RMSE를 0.34cm, MAPE를 0.15% 개선하였다. 남해 해역에서는 평균 RMSE를 0.73cm, MAPE를 0.36% 줄였다. 동해 해역에서는 평균 RMSE를 1.86cm, MAPE를 0.68% 감소시켜 JMA-MSM 기반 모델의 성능이 조금 더 나은 것을 확인할 수 있었다.

특히 남해 해역에서 JMA-MSM 기반 모델의 예측 성능이 상대적으로 더 개선되었으며, 성산포 조위관측소는 가장 낮은 RMSE와 MAPE를 기록하였다. 이는 JMA-MSM 모델의 고해상도 기상자료가 남해 해역의 기상 변화를 더욱 정확하게 반영하여 예측 정확도를 높였기 때문으로 판단된다.

동해 해역에서는 두 모델 모두 MAPE 값이 높게 나타났으나, JMA-MSM 기반 모델이 GFS 기반 모델에 비해 평균 RMSE를 1.87cm 줄여 예측 오차를 약간 감소시켰다. 이는 동해 해역의 조차가 작아 동일한 오차에서도 상대적으로 높은 MAPE를 보이는 경향이 있어, 추가적인 개선이 필요한 것으로 분석되었다.

각 해역에서 가장 우수한 예측 성능을 보인 관측소의 4개 태풍 시기 예측 결과를 Fig. 5에서 Fig. 7에 제시하였다. 이 그림들은 각각 JMA-MSM 기반 예측 결과, GFS 기반 예측 결과, 천문조 예측 조위, 그리고 실측 조위를 비교하여 시각화한 것이다. 두 기상모델 기반 예측 자료는 천문조 예측 조위와 비교했을 때, 기상 현상에 따른 해수면 상승 경향을 효과적으로 모의하였음을 보여준다.

JMA-MSM 기반 예측 결과와 GFS 기반 예측 결과를 비교한 결과, 두 모델 모두 실측값에 가깝게 예측하였으나, 일부 관측소와 특정 태풍 시기에서는 JMA-MSM 기반 예측 모델이 더 우수한 성능을 보였다. 이는 JMA-MSM 모델이 고해상도 기상자료를 활용하여 지역적 기상 변화를 보다 정밀하게 반영한 결과로 해석된다.

5. 결 론

GFS와 JMA-MSM 데이터를 활용하여 딥러닝 기반 폭풍해일 예측모델을 개발하고, 주요 태풍 사례를 통해 성능을 검증하였다. GFS 기반 모델은 서해와 남해 해역에서 비교적 양호한 성능을 보였으나, 동해 해역에서는 예측 정확도가 낮았다. JMA-MSM 기반 모델은 모든 해역에서 GFS 기반 모델보다 약간 더 우수한 성능을 보였으며, 특히 남해 해역에서 예측 성능이 상대적으로 개선되었다.

JMA-MSM의 고해상도 기상자료와 우수한 예측모델은 태풍에 의한 바람과 기압 변화를 더 정밀하게 반영하여 폭풍 해일고예측에 도움이 되었다. 그러나 JMA-MSM은 단기간 (최대 34시간)의 예측자료를 제공하므로, 정확한 단기 예측이 필요한 경우에 유용하다. 반면, GFS는 최대 16일의 장기 예측자료를 제공하여 장기간에 대한 예측이 필요한 경우에 활용될 수 있다. 따라서 예측 목적과 기간에 따라 GFS와 JMA-MSM 데이터를 선택적으로 활용하는 것이 바람직하다.

현재 연구에서는 모든 태풍에 대해 각 조위관측소별로 개별 예측모델을 구축했으나, 향후 연구에서는 태풍의 경로와 해역의 특성을 고려한 맞춤형 모델 학습을 계획하고 있다. 특히 태풍의 주요 경로가 되는 해역별 모델링을 통해 더 높은 예측 정확도를 달성할 수 있을 것으로 기대된다. 또한, 본 연구의 모델은 조위관측소 지점의 관측자료에 기반한 개별 모델이기 때문에, 관측 지점 외의 예측자료 생산에는 제한이 있다. 이 한계를 극복하기 위해서는 2차원 면 단위의 해수위나 조위 자료를 학습 데이터로 활용하고, 면 단위 대기모델과 연계된 딥러닝 모델을 구축하는 것이 필요하다. 이를 통해 면적 범위에 대한 폭풍해일 예측자료를 생산하고, 폭풍해일 예측 기술을 고도화하여 해안 지역의 재난 대비에 실질적으로 기여할 수 있을 것으로 기대된다.