LSTM을 이용한 해양시정 예측 방법

현재 교육 관점에서 다시 볼 점

1. 기준선이 없다. 시간별 시정에서는 ‘지금 시정을 그대로 쓰는’ 지속 예보가 매우 강합니다. LSTM의 RMSE 10.14만으로는 좋은지 나쁜지 판단할 수 없고, 같은 시험 기간의 지속 예보·기후값 RMSE를 함께 보고해야 합니다(③ 탭).
2. ‘1시간 차이’는 장점이 아니라 경고 신호. 예측이 실제를 한 시간 늦게 따라간다면, 모델이 직전 시정을 베끼고 있어 안개가 끼는 순간을 미리 알려 주지 못한다는 뜻입니다. 해무 예보의 가치는 바로 그 변화 시점에 있습니다.
3. RMSE는 맑은 날이 지배한다. 시험 기간의 대부분이 99(10 km 이상)라 RMSE는 맑은 시간의 정확도에 좌우됩니다. 항공·항해에 중요한 저시정 구간은 1 km 미만 해무에 대한 POD·FAR·CSI 같은 사건 기반 지표로 따로 평가해야 합니다.
4. 인자 추가 효과는 잡음 수준. 표 6의 10회 평균 차이(0.02~0.03)는 표준편차와 같은 크기라, 해수면 온도·해기차가 ‘효과가 있다’고 결론 내리기 어렵습니다. 또 해기차는 기온과 해수면 온도의 차이라, 두 값을 모두 입력하면 새 정보가 아닙니다(④ 탭).
5. 하이퍼파라미터를 시험 세트로 골랐다. 표 4의 노드 수 선택이 시험 연도 RMSE로 이루어졌다면 선택 편향이 생깁니다. 학습 기간 안에 검증 연도를 따로 두고 고른 뒤, 시험 연도는 마지막에 한 번만 써야 합니다(train_real.py가 이렇게 합니다).
6. 검증 손실이 학습 손실보다 낮다(그림 5). 시험 연도가 학습 기간보다 맑은 날이 많았거나, 분포가 달랐을 가능성이 있습니다. 연도별 저시정 빈도를 함께 보고하면 해석이 쉬워집니다.
7. 시정 값의 특성. 시정은 보고 단위로 양자화되고 99에서 잘린(censored) 값입니다. 회귀 대신 ‘1 km 미만인가’ 같은 범주 예측이나 확률 예보로 다루는 방법도 비교할 만합니다.
8. 이후 흐름. 해무 예측은 이후 수치예보 결과를 입력으로 쓰는 하이브리드 모델, 위성 영상 기반 해무 탐지, 확률 예보로 발전했습니다. 같은 자료로 XGBoost 같은 트리 모델과 비교해 보는 것도 좋은 실습입니다.