기계학습을 활용한 공항 활주로 지상 바람의 예측

Fig. 1은 본 연구의 대상지역들을 Google 위성지도에 나타낸 그림이다. 연구 대상지는 해륙풍이 발생하기 쉬운 서산, 사천, 김해, 강릉(A-D in Fig. 1) 공항과 산곡풍이 발생하기 쉬운 대구(E in Fig. 1) 공항으로 선정하였다. 전 세계적으로 과거에는 공항이 도심지 주변 육지에서 조성됐으나, 도시의 성장과 함께 부동산, 소음 등으로 인해 해안가 근처 바다에 공항을 건설하고 있다(Hyundai E&C, 2024). 해안가에 위치한 공항은 해륙풍의 발생으로 해풍과 육풍간의 전환이 이루어지게 된다(Hwang et al., 2020). 또한, 산지로 둘러싸인 공항은 주변의 지형 특성 상 산곡풍이 발생하여 풍향의 전환이 잦다(An and Kim, 2021).

Fig. 1. Wind forecasting experimental area, covering all of South Korea. A–E represents five airport runways in the wind forecast experimental area(A: Seosan, B: Sacheon, C: Gimhae, D: Gangneung, E: Daegu). The figure on the right shows model grid points and AMOS sites around an airport runway

Download Original Figure

인공지능 바람예보 보정은 관측자료를 기반으로 수행하였다. 지상 관측자료는 공항 활주로 주변에 위치한 Aerodrome Meteorological Observation System (AMOS) 자료를 사용하였다. AMOS는 공항 활주로마다 양 끝단에 1개씩 위치하고 있으며, 본 연구에서는 10분 단위 관측자료를 사용하였다(Fig. 1). 인공지능 학습 기간은 평균 풍속이 상대적으로 강했던 기간을 위주로 선정하였다(Table 1). 본 연구에서는 각 기지별로 2가지 사례일을 선정하였으며, Table 2에 요약하였다. 각 공항 활주로는 주변 환경, 지형, 식생, 바다의 위치가 상이하기 때문에 바람의 패턴이 다를 수 있으며, 이를 확인하기 위해 바람장미도를 통해 주풍 분석을 수행하였다.

본 연구에서는 인공지능 알고리즘을 활용하여 수치예보모델의 바람 보정을 수행하기 위해 Korea AirForce-Weather and Research Forecasting(KAF-WRF) 자료를 사용하였다. KAF-WRF는 공군기상단에서 2007년에 구축한 2.1.2버전의 WRF 모델 기반 시스템으로 최근에는 점차 향상되어 3.8.1 버전의 WRF를 기반으로 구성되어 운영 중이다(Byun et al., 2011; Byun et al., 2015). 본 연구에서는 domain 3인 1.3km 공간해상도 자료를 사용하였으며, 1시간 간격으로 24시간 예측을 수행하였다. 예측 기간은 5개 공항의 사례일과 동일한 기간으로 구축하였다. KAF-WRF의 변수 중 U10(10m 동서바람), V10(10m 남북바람), T2(2m 기온), Q2(2m 비습), P(기압), PB(기준기압), PBLH(대기경계층 고도)(Lee et al., 2013), 총 7개 변수를 사용하였다.

인공지능 기법을 이용한 바람예측 수행 과정은 Fig. 2와 같다. 온도, 강수량, 풍속과 같은 변수와 달리 풍향은 각도 변수로서 360°와 0°의 수치적 불연속으로 인하여 학습모델의 성능이 저하될 수 있다. 인공지능 바람예측 모델은 사천 공항 활주로를 대상으로 풍속, 풍향을 기반으로 한 변수 구성(SVM ver.1)과 U, V 성분을 기반으로 한 변수 구성(SVM ver.2)의 성능을 비교하였다. 학습은 2020년 8월 30일 사례를 대상으로 수행하였으며, 학습기간을 60일, 40일, 30일로 나누어 성능의 변화가 발생하는지를 살펴보았다. 각 모델은 AMOS 관측자료의 풍속, 풍향, U, V를 목적 변수로 하며, KAF-WRF를 설명 변수로 사용하였다. 자료의 매칭은 AMOS 관측지점과 가장 가까운 KAF-WRF 격자 중심점으로 매칭하였다. 사천 공항을 제외한 4개 공항은 SVM ver.1과 SVM ver.2 중 성능이 뛰어난 변수 구성을 사용하여 학습모델을 구축하였다.

Fig. 2. Flowchart showing the methodology for machine learning based wind correction

Download Original Figure

인공지능 학습 환경은 Python에서 제공하는 Pycaret 패키지를 사용하였다. Pycaret은 단일 기계학습을 사용할 때 반복수행을 요구하는 모델 선택, 하이퍼 파라미터 튜닝 등의 작업들을 자동화하는 Auto Machine Learning (AutoML)을 적용한 라이브러리로서 시간 소모적인 과정들을 대폭 줄일 수 있다. 또한, 기존의 Python 개발 환경에서 기계학습을 사용하기 위해 사용되던 Scikit-learn, XGBoost, SpaCy와 같은 라이브러리들을 통합하여 동시에 활용할 수 있다. 기계학습 알고리즘별 매개 변수는 특정한 pipeline을 거치지 않고, K-fold를 통해 가장 높은 R2를 가진 매개변수가 자동으로 선택되도록 수행하였다. 모든 알고리즘은 80%의 training dataset과 20%의 test dataset의 비율을 가지고, 5번의 fold를 거쳐서 최적의 매개 변수를 결정하였다.

인공지능 학습모델은 SVM을 사용하였다. SVM은 입력된 자료에서 각 클래스 자료들간의 거리를 최대로 하는 초평면(hyper plane)을 결정하고, 각 클래스와 거리인 margin이 최대일 때의 직선 support vector를 구하는 분류 알고리즘이다(Cortes and Vapnik, 1995). 이때 생성한 support vector는 예측 모델에서 클래스를 구분하는 경계선이 된다. 이러한 분류 알고리즘은 회귀에 적용하였을 때 Support Vector Regression(SVR)이 된다(Drucker et al., 1996; Smola and Schölkopf, 2004). SVR에서는 margin을 앱실론(ε)으로 표현하며, 예측에 적용할 때 ε을 기준으로 입력 자료들을 보정한다. SVR의 기본적인 수식은 식 (1)~(3)과 같다.

식 (1)에서 $\overrightarrow{w}$는 초평면의 중심선에 대해 직교하는 벡터이며, $\overrightarrow{x}$는 초평면상의 한 점, b는 절편이다. 두 벡터의 내적은 w의 전치행렬과 x의 곱으로 나타낼 수 있다. w^Tx + b = ±ε는 초평면을 기준으로 두 개의 support vector를 의미하며, 두 벡터 사이의 거리는 $\frac{2}{\left|w\right|}$ 이다. 두 support vector 간의 거리를 최대화하기 위해 식 (2)와 같이 |w|를 최소화 한다. Support vector를 벗어난 자료는 support vector와 자료의 거리를 의미하는 여유변수 ξ와 비용함수 C를 추가하여 나타낸다. 이때 제약조건은 자료 y_i의 거리가 margin인 ε과 여유변수 ξ의 합보다 작아야 함을 의미한다. 식 (3)은 학습모델이 구축되었을 때 투입된 자료 x′에 대한 예측 값 y′을 나타낸 것이다.

바람 예측의 성능 평가는 식 (4)의 Root Mean Square Error(RMSE)를 기반으로 수행하였다. RMSE는 관측값과 예측값을 통해 계산하는 수식이지만, 수치예보모델의 바람성분은 U, V로 나뉘어져 있어 일반적인 RMSE 수식을 적용하기는 어렵다. 인공지능 바람예측 성능 평가는 U, V성분을 동시에 비교할 수 있도록 "RM" SE_wind로 응용하여 사용하였다(Rickard et al., 2001; Lee et al., 2011).

식 (4)는 관측값 U_Obs, V_Obs와 수치예보모델 격자점들 중 최근접 격자값 U_Model, V_Model 매칭하여 벡터 제곱근오차를 구하는 것이다. 모든 학습 모델은 한 달간의 학습기간을 기반으로 구축하여 24시간 예측자료에 적용하였기 때문에 N은 24를 의미한다.

Fig. 3은 2020년 7월~2023년 7월에 발생했던 5개 공항 활주로 바람의 특성을 분석한 바람장미도이다. 서산 공항에서는 190°~240°사이의 남서풍과 20°~60°사이의 북동풍이 주로 발생하였고, 남서풍 계열이 북동풍 계열보다 6 m/s 이상 강풍의 발생 빈도가 상대적으로 더 많았다(최빈풍은 남남서풍).

Fig. 3. Windrose diagram for the hourly wind speed and wind direction of AMOS data during the sampled period in July 2020–July 2023. (a) Seosan, (b) Sacheon, (c) Gimhae, (d) Gangneung, (e) Daegu.

Download Original Figure

사천 공항은 20°~80°사이의 북동풍 계열이 주로 발생하고 있으며, 190°~260°사이의 남서풍 계열도 일부 발생하였다(최빈풍은 북동풍). 김해 공항은 북동풍, 북서풍, 남남서풍 등 총 3개의 계열이 빈도 높게 관측되었다(최빈풍은 북동풍). 강릉 공항은 240°~270°사이의 서남서풍 계열이 주로 발생하였다. 대구 공항은 300°~340°사이의 북서풍 계열과 100°~150°사이의 남동풍 계열이 주로 발생하였다.

강릉 공항에서는 주풍인 서남서풍 계열 외에 다른 방향의 바람 빈도는 현저하게 낮으므로, 측풍과 배풍의 위험이 적을 것으로 판단된다. 하지만, 서산, 사천, 대구 공항에서는 주풍과 비슷한 빈도로 역풍이 발생하고 있어 배풍에 의한 위험이 있을 것으로 판단된다. 김해 공항에서는 주풍이 북풍 계열이지만, 범위가 90°이상이기 때문에 측풍의 위험이 있을 뿐만 아니라, 남풍 계열도 관측되어 배풍의 위험도 있을 것으로 판단된다.

Fig. 4는 사천 공항에 대한 SVM 예측모델의 결과를 풍향(Fig. 4-a)과 풍속(Fig. 4-b) 시계열 그래프로 나타낸 것이다. Fig. 4-a에서 관측 풍향은 02 UTC에 200°에서 50°로 변하고, 05 UTC에 200°로 변하며, 09 UTC에 다시 50°로 변하고 10 UTC엔 300°로 나타났다. 이때 02 UTC~05 UTC 사이의 변화는 SVM ver.1, SVM ver.2 모두 예측하지 못한 것으로 나타났다. 하지만 SVM ver.2는 07 UTC~10 UTC에서 40일, 30일 학습 자료를 사용하였을 때 풍향의 중요한 전환을 30° 이내의 오차로 예측하여 KAF-WRF보다 성능이 향상된 것으로 나타났다. Fig. 4-b에서 KAF-WRF와 SVM ver.2의 풍속은 01 UTC~11 UTC 사이에 SVM ver.1 모델보다 높은 성능을 나타냈다. KAF-WRF는 11 UTC~16 UTC에 2 m/s 이상의 오차를 보였지만, SVM ver.1, SVM ver.2 모델의 경우, 관측 풍속과 1 m/s 이내의 오차로 예측하여 성능이 향상되었다. 한편, SVM ver.1 풍속은 2 m/s 이하의 풍속만을 예측하여 SVM ver.2나 관측 풍속, KAF-WRF와 비교했을 때 과소모의 하는 경향이 나타났다.

Fig. 4. Time series graph of the SVM near-surface wind prediction for Sacheon Airport. Wind speed and wind direction based SVM prediction is shown in the SVM ver.1 graph, and U, V based SVM prediction is shown in the SVM ver.2 graph. AMOS observed winds shown as gray dashed lines, and KAF-WRF predicted winds shown as black lines. (a) wind direction. (b) wind speed.

Download Original Figure

Table 3은 사천 공항의 관측자료를 기준으로 SVM 예측모델의 성능 평가 결과를 나타낸 것이다. SVM ver.1은 학습기간에 따른 RMSE가 60일일 때 1.84, 40일일 때 1.87, 30일일 때 1.89로 소폭 상승하는 결과를 보였다. SVM ver.2는 학습기간에 따른 RMSE가 60일일 때 1.54, 40일일 때 1.46, 30일일 때 1.38로 나타나 학습기간이 짧아질수록 성능이 개선되는 결과를 보였다. SVM 예측모델의 평균 개선율은 SVM ver.1이 10%, SVM ver.2가 28%로 나타나 U·V를 기반으로 학습한 SVM ver.2 모델의 성능이 풍속·풍향을 기반으로 학습한 ver.1 모델보다 성능이 높았다.

본 절에서는 공항 주변 환경에 따른 차이를 비교하기 위해 사천 공항을 제외한 4개 공항에서 각각 2가지 사례일을 대상으로 SVM ver.2 학습모델을 구축하였다. Fig. 5는 U, V를 기반으로 한 SVM ver.2 예측모델의 학습데이터를 토대로 사천 공항을 제외한 4개 공항의 사례일에 대한 SVM 예측결과를 나타낸 것이다. 서산 공항의 첫 번째 사례일인 2022-06-29에서 풍향에 대한 유의미한 차이를 확인하지 못했으나, 풍속의 개선을 확인하였다. 특히, 11 UTC~15 UTC에는 SVM 예측모델이 KAF-WRF보다 성능이 2 m/s 이상 개선된 것을 확인하였다. 서산 공항의 두 번째 사례일인 2022-09-06은 풍향의 성능 개선을 확인하였다. 16 UTC~18 UTC에 KAF-WRF는 서풍으로 예측했지만, SVM 학습모델은 남동풍으로 관측 풍향과 동일한 방향을 예측하였다.

Fig. 5. Time series graph of SVM forecast results for four airports. AMOS winds are shown as gray dashed lines, KAF-WRF winds are shown in black, and SVM predicted winds are shown in red.

Download Original Figure

김해 공항의 첫 번째 사례일인 2022-06-29은 09 UTC~11 UTC에서 SVM 예측모델이 KAF-WRF에 비해 1 m/s 이상 과대모의하는 것으로 나타났다. 두 번째 사례일인 2022-12-23은 00 UTC~10 UTC에서 SVM 예측모델이 KAF-WRF에 비해 4 m/s 이상 과소모의하였다. 김해 공항은 전반적으로 SVM 예측모델이 KAF-WRF보다 성능이 낮았는데, 이는 3.1절의 바람장미도에 나타났듯이, 타지역에 비해 U 성분의 범위가 넓어서 발생한 것으로 판단된다.

강릉 지역의 첫 번째 사례일인 2022-05-04은 10 UTC 이후로 SVM 예측모델이 KAF-WRF에 비해 1 m/s 이상 개선되었음을 확인하였다. 두 번째 사례일인 2022-10-10은 SVM 예측모델이 1 m/s 정도의 개선을 나타냈으나, SVM 예측모델과 KAF-WRF 모두 관측 풍속과 10 m/s 차이를 보여 과소모의한 것으로 나타났다.

대구 지역의 첫 번째 사례일인 2021-02-22은 풍향에서 개선된 것을 확인하였다. 04 UTC~07 UTC에는 KAF-WRF가 남서풍으로, 18 UTC~20 UTC에는 KAF-WRF가 남동풍으로 예측한 데 반해, 관측 풍향과 SVM 예측모델은 두 시간대에서 모두 북서풍으로 나타났다. 대구 지역의 두 번째 사례일인 2022-09-19는 02 UTC~09 UTC 사이에서 KAF-WRF와 관측 풍속에 비해 SVM 예측모델이 4 m/s 이상 과소모의한 것으로 나타났다.

Table 4는 관측자료를 기준으로 SVM 예측모델과 KAF-WRF의 성능을 정량적으로 평가한 결과를 나타낸 것이다. 사천, 강릉, 서산 공항은 모든 사례일에 대해 28% 이상의 개선이 이루어졌다. 김해 공항은 2022-06-29 사례일에서는 KAF-WRF의 RMSE가 1.67, SVM의 RMSE가 1.57로 약 6%의 성능 개선이 이루어졌다. 하지만, 2022-12-23 사례일에서는 KAF-WRF의 RMSE가 2.12, SVM의 RMSE가 2.45로 약 16%의 성능 하락이 발생했다. 대구 공항은 2021-02-22 사례일에서는 42%의 성능 개선이 이루어졌고, 2022-09-19 사례일에서는 2% 성능 하락이 발생했다. 모든 공항의 평균 개선율은 약 25%로 나타나, SVM을 이용한 효과적인 바람 보정이 이루어졌다고 판단된다.