물리정보신경망 기반 국소지역 안개예측 모델
A Physics-Informed Neural Network (PINN)-Based Model for Localized Fog Prediction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
안개는 물류 수송 및 운항뿐 아니라 군사작전의 형태와 수준을 결정하는 데 중요한 요소로 작용한다. 하지만 복잡하고 다양한 메커니즘으로 인해 예측이 어렵고, 특히 지역에 따른 편차가 매우 커 유의미한 예보율을 보이는 데에는 한계가 있다. 본 연구에서는 물리정보 기반 신경망(Physics-Informed Neural Network, PINN)과 국소 지역의 기상 요소를 결합한 안개 예측 모델을 제안한다. 데이터는 2015 ~ 2024년까지의 강원 태백 지역 기상 관측 데이터를 활용하였으며, 제안된모델은 데이터 기반 학습을 실시하고 손실 함수에 Clausius-Clapeyron 방정식, 상대 습도, 이슬점의세 가지 물리 관계를 적용하여 오차를 최소화하였다. 실험 결과, 제안 모델은 84%의 정확도를 보였으며, 안개 검출률(59%)에서 경험 기반 육군 안개 모델 및 XGB(49%), LGB(50%) 기반 모델 대비 향상된 성능을 보였다. 본 연구는 기계 학습 모델에 물리 법칙을 결합하여 더욱 신뢰성 있는안개 예측이 가능함을 입증하였으며 지역별 모델 생성을 위한 토대를 마련하는 데 기여하였다.
Abstract
Fog significantly impacts not only civilian sectors such as logistics and transportation but also the scale and strategy of military operations. However, its complex mechanisms and strong regional variability make accurate prediction challenging. This study proposes a localized fog prediction model that combines a Physics-Informed Neural Network (PINN) with regional meteorological data. Using weather observations from Taebaek, Gangwon Province (2015–2024), the model performs data-driven learning and incorporates three key physical relationships—Clausius-Clapeyron equation, relative humidity, and dew point—into the loss function to reduce error. Results show 84% accuracy and a 59% fog detection rate, surpassing the military’s empirical model and machine learning-based models such as XGB(49%) and LGB(50%). This study demonstrates that embedding physical principles into machine learning enhances the reliability of fog forecasting and supports the development of localized prediction models.