다중 아키텍처 딥러닝을 이용한 북서태평양 열대저기압의 장기 추세 전환 탐지
Detection of Long-Term Trend Shifts in Tropical Cyclones Using Multi-Architecture Deep Learning in the Western North Pacific
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
전 세계적인 기후변화로 열대저기압의 특성 또한 변화하고 있으며, 이러한 변화를 규명하여 해안 방재에활용하기 위해 다양한 연구가 이루어지고 있다. 열대저기압 특성 변화의 통계적 변환점을 추정하는 것은 재해 예방을 위한 재현 빈도해석 및 기후 시스템의 장기 변동을 이해하기 위해 필요하다. 본 연구에서는 1945년부터 2024년까지 80년 동안 한반도 주변 북서태평양에 발생한 태풍 자료를 대상으로, 열대저기압의 장기 전환 시기를 탐지하였다. 전환점 탐지는 LSTM(Long Short-Term Memory)과 Transformer 기반의 AutoEncoder를 사용한 두 가지 딥러닝모델과 통계 기법을 통해 열대저기압의 비선형 상호작용을 효과적으로 포착하도록 설계되었다. 이후 단기 및 장기변화에 적합한 세 가지 추세 변환 감지 알고리즘을 적용하여 최종적으로 중복되어 검출된 시기를 장기 변환점으로결정하였으며, 다중 아키텍처를 구성함으로써 결과의 신뢰도를 높였다. 또한 기존 인공지능의 문제점을 보완하기 위해, 모델의 의사 결정을 설명할 수 있는 SHAP(SHarpley Additive exPlanations) 기법을 적용하여 열대저기압의 장기추세 전환에 영향을 준 주요 요인을 분석하였다. 인공지능 모델 및 Voting 기법에 의한 변환점 탐지 결과는 최종적으로 1997년을 주요 장기 변환점으로 판단하였다. SHAP 분석 결과 최대 강도의 열대저기압의 경도 위치 변화가 추세 변화를 설명하는 가장 주요 요인으로 나타났다. 본 연구는 인공지능 기반 접근법을 통해 열대저기압 특성의 장기적 변화를 정량적으로 규명할 수 있는 방법론적 틀을 제시할 것으로 기대된다.
Abstract
Global climate change is altering the characteristics of tropical cyclones, and numerous studies aim to characterize these changes and apply the findings to coastal hazard mitigation. Identifying statistical trend shifts in tropical cyclone characteristics is essential for return-period analyses used in disaster prevention and for understanding the long-term variability of the climate system. Focusing on tropical cyclones in the northwestern Pacific adjacent to the Korean Peninsula over the 80 years from 1945 to 2024, this study detects long-term regime shifts in tropical cyclone behavior. The trend shift detection framework combines two deep-learning models—Long Short-Term Memory (LSTM) and Transformer-based autoencoders—with statistical techniques designed to capture nonlinear interactions among tropical cyclone attributes. We then apply three trend shift detection algorithms, suited to both short- and long-term variability, and define long-term regime shifts as periods consistently identified across methods, thereby enhancing reliability through a multi-architecture ensemble. To address limitations of conventional AI approaches, we employ SHapley Additive exPlanations (SHAP) to interpret model decisions and diagnose the dominant factors driving long-term shifts. The ensemble and voting procedure identify 1997 as a significant long-term trend shift. SHAP analysis reveals that the longitudinal shift of maximum intensity is the primary contributor to explaining the observed trend shift. This AI-based framework provides a quantitative methodology for identifying long-term changes in tropical cyclone characteristics, supporting coastal engineering applications.