누적 강수량 시간 척도 조합을 고려한 LSTM 기반 기상가뭄지수 예측 및 평가

LSTM-Based Prediction and Evaluation of Meteorological Drought Indices Considering Cumulative Precipitation Timescale Combinations

본 연구는 딥러닝 기반 시계열 예측 모델을 적용하여 가뭄지수를 예측하고, 단일 시간척도 지수를 입력으로 사용한 단변량 모델과 여러 시간척도 지수를 결합한 다변량 모델 간의 성능 차이를 비교하였다. 예측 대상 지수로는 표준강수지수(Standardized Precipitation Index, SPI)와 표준강수증발산지수(Standardized Precipitation Evapotranspiration Index, SPEI)를 선정하였다. 광주광역시를 대상으로 하여 기후 시계열 자료를 기반으로 LSTM (Long Short-Term Memory) 모델을 구축하고, 결정계수(R2), 평균제곱근오차(RMSE), 평균제곱오차(MSE), 평균절대오차(MAE), Nash-Sutcliffe 모형 효율계수(NSME) 지표로 평가하였다. 평가 결과 전반적으로 안정적인 예측 성능을 보여 가뭄지수 예측에 효과적으로 활용될 수 있음을 확인하였다. 또한 예측 결과를 국가가뭄정보통계집의 예⋅경보 발령 등급 체계와 비교하여 적용 가능성을 검토하였다. 분석 결과, 일부 지표에서는 다변량 구조가 단변량대비 안정적인 성능을 보였으며, 가뭄 단계 비교에서는 SPI 지수가 상대적으로 높은 일치도를 나타냈다. 본 연구 결과는 향후 딥러닝 기반 가뭄 예측 모델의 입력 설계와 운영에 참고할 수 있는 기초 자료로 활용될 수 있다.

This study applied a deep learning-based time series prediction model to drought index forecasting by comparing two input configurations: a univariate model using a single-timescale drought index and a multivariate model integrating multiple timescales. The Standardized Precipitation Index (SPI) and the Standardized Precipitation Evapotranspiration Index (SPEI) were selected as target indices, and Gwangju Metropolitan City served as the study area. Using climate time-series data, a Long Short-Term Memory (LSTM) model was developed and evaluated using R2, RMSE, MSE, MAE, and NSME. Results demonstrate generally stable predictive performance, confirming the model’s applicability to drought index forecasting. To examine practical usability, the predicted drought stages were compared with the official drought warning system of the National Drought Information Statistics System. For some indices, the multivariate structure achieved more stable performance than the univariate structure, and the SPI exhibited relatively stronger agreement with official drought stages. The results of this study can serve as a reference for input design and the operational application of deep-learning-based drought prediction models.