딥러닝과 수치모델을 이용한 위성 합성장의 표층수온 실시간 예측 = Real-Time Forecasting of Sea Surface Temperature with Satellite Composites Based on Deep Learning and Numerical Models

국문 초록 (Abstract)

위성 합성장(Satellite composite)은 여러 위성영상을 결합한 하나의 영상을 의미한다. 개별 위성영 상보다 정확도와 신뢰도 측면에서 우수하며, 이로 인해 최근 산업 분야에서의 활용이 급격하게 증가하고 있다. 그러나 개별 위성마다 자료 획득시간이 다르기 때문에 실시간 산출의 어려움이 있다. 따라서 본 연구는 딥러닝 (Deep learning)과 수치모델을 활용하여 위성 합성장과 동일 수준의 표층수온을 실시간으로 산출하고자 하였다. 실시간 자료 획득을 위해 해양 및 기상 수치모델 자료를 이용하였으며, 국내 위성 합성장인 KHOA-SST(Korea Hydrographic and Oceanographic Agency Sea Surface Temperature) 산출물을 모델링 대상으로 학습하였다.입력자료 및 모델링 대상에 대한 시·공간 관계는 인공신경망의 일종인 ConvLSTM(Covolutional Long Short-Term Memory) 신경망으로 예측모델을 구성하였다. 예측모델의 경우 시간과 공간 차원에 대해 각각 1.04, 1.20 °C의 RMSE(Root Mean Square Error)를 보였으며, 전반적으로 1 °C 내외의 차이로 결과를 산출할 수 있었다. 본연구를 통해 KHOA-SST와 동일한 수준의 표층수온을 실시간으로 산출할 수 있었으며, 현업을 위한 활용이 가능할 것으로 기대된다. 특히 국가 현안 문제를 대응하기 위한 사전 예측자료로서 활용이 가능할 것으로 기대된다. 모델 예측 결과는 시·공간 차원의 세부 규모에 대해 상대적으로 재현력이 낮게 나타났으나, 추후 연구를 통해 성능 개선 및 활용도를 높일 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

A satellite composite refers to a single image created by combining multiple satellite images. It is superior in terms of accuracy and reliability compared to individual satellite images, and its use in various industrial fields has been rapidly increasing recently. However, there are difficulties in real-time composition due to the different acquisition times of each satellite image. Therefore, this study aims to generate Sea Surface Temperature (SST) at the same level as satellite composites on a real time basis by using deep learning and numerical models. For real-time data acquisition, oceanic and meteorological numerical model data were used, and the domestic satellite composite, Korea Hydrographic and Oceanographic Agency Sea Surface Temperature (KHOA-SST) product, was used as the modelling target. The spatial and temporal relationships of the input data and modelling targets were used to build the forecasting model with a Convolutional Long Short-Term Memory (ConvLSTM) neural network, a type of artificial neural network. The forecasting model showed root mean square error (RMSE) values of 1.04 and 1.20 °C for temporal and spatial dimensions, respectively, and overall, it was able to produce results with a difference of around 1 °C. This study generated real-time SST at the same level as the KHOA-SST, demonstrating its potential for operational use. It is expected particularly to be useful as preliminary prediction data to address national issues. Although the model showed relatively low reproducibility for fine-scale spatio-temporal details, the further study is expected to improve its performance and utility.