멀티모달 임베딩 융합 기반 해빙 농도 장기 예측 모델 설계
Design of a Multimodal Embedding Fusion-Based Model for Long-Term Sea Ice Concentration Forecasting
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
북극항로의 상업적 활용 확대에 따라, 장기적이면서도 일 단위 수준의 해빙 예측 수요가 증가하고 있다. 그러나 기존의 격자 기반 딥러닝 모델은 고해상도 입력 처리로 인한 계산 복잡도 문제로 인해 이러한 예측에 한계가 있었다. 본 연구는 이러한 제약을 해결하기 위해, 해빙 농도의 시공간적 유사성을 반영한 클러스터링으로 입력 차원을 축소하고, 시계열–텍스트 프롬프트–위성 이미지 임베딩을 순차적으로 정렬⋅통합하는 멀티모달 예측 프레임워크 ICE-SMA를 제안한다. 이 구조는 LLM 기반 프롬프트를 활용해 시계열 정보를 의미적으로 보완하고, 위성 이미지와의 교차 정렬을 통해 공간적 맥락까지 통합함으로써 예측 표현력을 강화하도록 설계되었다. 실제 실험에서는 평균 제곱 오차(MSE) 기준 기존 모델 대비 약16% 낮은 오차를 기록하며, 해빙 농도 예측 정확도의 향상을 입증하였다.
Abstract
With the growing use of the Northern Sea Route, demand is rising for long-term, daily-scale sea ice forecasts. Existing grid-based deep learning models face limits due to the computational load from high-resolution inputs. To address this, we propose ICE-SMA, a multimodal forecasting framework that compresses input via clustering based on spatiotemporal similarity, and sequentially aligns time series, text prompts, and satellite image embeddings. The model uses LLM-based prompts to enrich time series features and cross-aligns with satellite imagery to capture spatial context. Experiments show that ICE-SMA reduces mean squared error (MSE) by about 16% compared to existing models, demonstrating improved accuracy in sea ice forecasting.