인공지능을 활용한 미세먼지 중기예측 도구 개발(Ⅲ)

국문 초록 (Abstract)

본 과제의 1차 연도에서는 대기질 예보 적중률이 중기예보 4일 이후 급격하게 떨어짐을 확인하였으며 예보 등급의 단계를 줄임으로써 예보 적중률을 높일 수 있었다. 중기 대기질 수치 모의 정확도 향상을 위한 표준 도메인 설정 변화의 필요성과 하층 바람의 과대 모사 방지를 위한 초기장 및 경곗값의 개선 등을 테스트하였으나 뚜렷한 효과를 보여주지 못하였다. 또한 동북아 영역의 고기압과 저기압의 위치에 따른 공기 이동 경로의 변화 파악이 필요함을 언급하였고 인공지능 예측 모델의 입력자료가 되기 위해서는 실제 기상 자료를 이용한 보다 정량적이고 세밀한 분석이 이루어져야 함을 제시하였다. 또한 머신 러닝 기술을 적용한 예측 도구 및 예측성 평가 영역에서 선정된 기상 자료 대부분이 중기 관점에서는 매우 좁은 영역에 있는 여러 관측소의 지상 자료에 한정되어 있어 역시 효과를 확인하기 어려웠다. 결론적으로 미세먼지 고농도 사례에 대한 예보 적중률 향상을 위한 주요 기상 요소로는 다양한 규모와 더 세밀한 3차원 기상 자료 및 전구 예측 모델 자료를 통해 추출된 기상 요소가 매우 중요하다는 결론에 이르게 되었다.

본 과제의 2차년도에서는 FLEXPART를 이용한 역 궤적 분석과 고농도 시기와 전체 기간의 지상과 상층의 지위 고도와 바람의 공간 분포를 활용하여 수도권에 영향을 미칠 수 있는 국외 6개소와 국내 9개소를 선정하였다. 이렇게 선정된 15개 영역에서의 지상 관측 및 상층 자료와 각 영역의 예보 결과 자료를 이용하여 인공지능기반 중기 미세먼지 예측을 위한 1차 DB를 작성하여 인공지능 예측 모델의 입력자료로 활용하였다. 1차 DB를 이용한 인공지능의 feature importance 결과로부터 국내 영역은 축소가 필요하며, 국외 영역은 증가가 필요할 수 있음을 확인하였다.

인공지능을 이용하여 미세먼지 중기예보 적중률을 더욱더 높이기 위해서는 풍상측 입력자료 다변화와 새로운 변수의 추가 등 모델 입력자료의 개선이 필요하다. 또한, 인공지능 모델에 적용 가능하며 입력자료로 산출 가능한 영향력 높은 변수의 추가가 필요하다. 농도와 풍속의 결합변수, 위성에서 산출된 AOD (Aerosol Optical Depth), column integrated NO2 농도, 반구차트 및 HYSPLIT을 이용한 역 궤적 분석자료 등이 예가 될 수 있다. 그리고, 인공지능 중기예측 모델의 성능과 성능에 영향을 미친 인자들 사이의 피드백을 통해 최적의 모델과 최적의 인자를 선정하여 해석 가능한 인공지능 모델 개발을 하고자 한다.

목차 (Table of Contents)

• 1장. 서 론 1
• 1절. 연구의 필요성 1
• 2장. 연구내용 및 방법 5
• 1절. 과업의 범위 5
• 2절. 연구 추진체계 5
• 3절. 연구 내용 6
• 1. 머신러닝을 위한 입력자료 선정 및 생산 6
• 2. 수도권 권역에 대한 머신러닝 알고리즘 선정 및 예측체계 마련 6
• 3. 머신러닝을 활용한 수치모델 그리드별에 맞춘 오존 예측 시스템 개발 6
• 4. 수도권 대상으로 구축된 머신러닝 예측체계를 과학원으로 이관 6
• 4절. 연구 방법 7
• 1. 머신러닝을 위한 입력자료 선정 및 생산 7
• 2. 수도권 권역에 대한 머신러닝 알고리즘 선정 및 예측체계 마련 23
• 3. 머신러닝을 활용한 수치모델 그리드별에 맞춘 오존 예측 시스템 개발 49
• 4. 수도권 대상으로 구축된 머신러닝 예측체계를 과학원으로 이관 55
• 5. 인공지능 중기 예측 도구 개발과정 공유 58
• 3장. 연구 결과 및 고찰 59
• 1절. 머신러닝을 위한 입력 자료 선정 및 생산 59
• 1. 과학원 운영 환경조건에서 기상 모델 UM과 GFS 기반 중기 대기질 수치 자료 생산 59
• 2. 미세먼지와 물리.화학적 관계성이 존재하는 인자 분석을 통한 입력자료 선정 86
• 3. 관계성 기반 선정 인자와 머신러닝 기반 선정 인자 간 비교 평가를 통한 최적인자 선정 및 생산 113
• 2절. 수도권 권역에 대한 머신러닝 알고리즘 선정 및 예측체계 마련 120
• 1. 실험 설계 120
• 2. 머신러닝 예측체계별 실험 결과 121
• 3. 문제점 개선을 통한 최적 머신러닝 예측체계 선정 121
• 4. 머신러닝 앙상블 예측체계 필요성 검토를 위한 앙상블과 선정된 최적의 머신러닝 예측 간 비교 평가 122
• 5. 수도권 4개 권역 예측 모델 실험 결과 125
• 6. 실제 예보환경과 유사한 수도권 4개 권역 대상 TEST-BED 시스템 구성 126
• 7. 실제 미세먼지 값과 예측값에 대한 경향성 비교 127
• 8. 해석 가능한 머신러닝 도입을 위한 방안 및 가능성 평가 139
• 3절. 머신러닝을 활용한 수치모델 그리드별에 맞춘 오존 예측 시스템 개발 146
• 1. 머신러닝 기반 수치모델 그리드별 예측 방법론 마련 및 구축 146
• 2. 수치모델 예측 결과와 머신러닝 예측 결과 간의 비교·평가를 통한 성능개선 148
• 4절. 수도권 대상으로 구축된 머신러닝 예측체계를 과학원으로 이관 155
• 1. 과학원 운영 환경을 고려한 입력자료 생산, 머신러닝 학습.예측.평가 등 전 과정 자동화 및 이관 155
• 4장. 결론 (결론 및 건의) 165
• 1절. E2M3 165
• 2절. 세종대학교 166
• 3절. 고려대학교 167
• 4절. 휴스턴대학교 169
• 5절. Nextsoft 169
• 5장. 기대성과(활용방안) 또는 향후계획 171
• 6장. 참고문헌 175