ResNet과 TCN을 이용한 한반도 상륙 태풍 분류

Abstract

본 연구는 태풍의 한반도 상륙 여부를 이진 분류하는 문제를 설정하고, 시계열 정보와 공간 정보 중 어떤 특성이 예측 성능에 더 크게 기여하는지를 비교·분석하는 데 목적을 둔다. 시계열 기반의 Temporal Convolutional Network(TCN)와 공간 기반의 Residual Neural Network(ResNet)를 활용하여 각각의 정보 구조가 갖는 예측력을 분석하였다. 분석에는 1979년부터 2023년까지의 RSMC Tokyo Best Track 태풍 데이터 및 NOAA의 NCEP/DOE Reanalysis II 대기 데이터를 활용하였다. ResNet 모델은 기상 변수인 해수면 기압, 기온, 500hPa 지위고도를 각각 RGB 채널에 매핑하고, 여기에 태풍의 경로 정보를 결합하여 합성 이미지 형태로 학습하였다. 반면 TCN 모델은 태풍의 중심 위치, 중심기압, 최대 풍속 등 8개의 시계열 데이터를 입력으로 사용하였다. 모델 성능은 Accuracy와 Macro F1 Score를 중심으로 평가되었으며 클래스 불균형 문제를 완화하기 위해 ResNet 모델에는 로그 및 제곱근 기반의 class weight를 적용하였고, TCN 모델에는 Focal Loss를 도입하였다. 실험 결과, ResNet(sqrt) 모델이 F1 Score 0.785로 가장 우수한 분류 성능을 보였으며, ResNet(log)은 Accuracy 86.08%로 가장 높은 정확도를 기록하였다. 반면, TCN 기본 모델은 모든 데이터를 다수 클래스인 비상륙으로 분류하여 F1 Score가 0.444에 그쳤으나, Focal Loss를 적용한 경우 0.619로 성능이 향상되었다. 이러한 결과는 이미지 기반 공간 모델이 태풍 상륙 여부 예측에 있어 효과적인 접근법이 될 수 있음을 시사하며, 불균형 데이터를 고려한 손실 함수 및 가중치 조정이 예측 성능 향상에 유의미한 기여를 한다는 점을 보여준다.;This study aims to investigate the relative predictive power of temporal versus spatial information in the binary classification task of determining whether a typhoon will make landfall on the Korean Peninsula. Two types of deep learning models were employed: a Temporal Convolutional Network (TCN) for time-series data and a Residual Neural Network (ResNet) for spatial image data. The analysis utilized the RSMC Tokyo Best Track typhoon data (1979–2023) and atmospheric reanalysis variables from NOAA’s NCEP/DOE Reanalysis II dataset. For the ResNet model, three atmospheric variables—mean sea-level pressure, air temperature, and 500hPa geopotential height—were mapped to the RGB channels and combined with typhoon track information to construct synthetic images for training. In contrast, the TCN model used eight time-series features, including the typhoon’s central pressure, maximum wind speed, and coordinates. Model performance was evaluated using Accuracy and Macro F1 Score to account for class imbalance. To address this issue, logarithmic and square-root based class weighting schemes were applied to the ResNet model, and Focal Loss was incorporated into the TCN model. Experimental results showed that the ResNet(sqrt) model achieved the highest F1 Score of 0.785, while the ResNet(log) model attained the highest Accuracy of 86.08%. The baseline TCN model classified all samples as the majority class (non-landfall), resulting in a low F1 Score of 0.444; however, its performance improved to 0.619 after applying Focal Loss. These findings suggest that spatial models based on synthetic images can be effective in predicting typhoon landfall. Additionally, incorporating class imbalance-aware loss functions and weighting strategies significantly enhances model performance.