일사량은 농업, 에너지 등 다양한 분야에서 핵심적인 기상 변수이지만, 국내에서는 일사량을 제공하는 종관기상관측 지점 수가 제한적이어서 공간적 활용에 한계가 존재한다. 반면 방재기상 관측은 전국적으로 조밀하게 구축되어 있으나 일사량을 관측하지 않는다는 제약이 있다. 이러한 문제를 해결하기 위해 기상 변수만을 이용한 일사량 예측 연구가 수행되어 왔으나 대부분 특정 지역에 한정된 모델로 다른 지역으로의 확장 가능성은 충분히 논의되지 않았다. 특히 타깃 지역에 일사량 관측값이 존재하지 않는 상황에서의 예측 문제는 여전히 해결되지 않은 과제로 남아있다. 본 연구에서는 이러한 문제를 지역 간 도메인 차이에 따른 일반화 문제로 해석하고 광주지역을 소스 도메인으로 설정하여 라벨이 없는 타깃 지역까지 확장 가능한 일사량 예측 모형을 제안한다. 이를 위해 CNN-BiLSTM 기반 예측 모델에 Maximum Mean Discrepancy를 이용한 Deep Adaptation Network 구조를 결합하여, 소스와 타깃 도메인 간 잠재 표현 분포 차이를 완화하는 nsupervised Domain Adaptation 방법을 적용하였다. 제안된 방법은 타깃 지역의 일사량 라벨을 사용하지 않은 상태에서 학습되며, BiLSTM층에서 추출한 잠재 표현 공간에서 도메인 정렬 손실을 계산하도록 설계되었다. 제안된 모델은 Baseline 모델 대비 타깃 지역에서 전반적으로 예측성능이 향상되었으며 잠재 특징 공간에서의 도메인 분리도가 감소하는 것을 확인하였다. 이러한 결과는 Domain Adaptation을 통해 지역 간 기상 특성 차이가 효과적으로 완화되었음을 시사한다. 본 연구는 라벨이 없는 지역으로의 확장이 가능한 일사량 예측 방법을 제시함으로써, 일사량을 제공하지 않는 기상 관측 지점에서도 활용 가능한 실용적 예측 모델의 가능성을 보여준다.
Choi et al. (Thu,) studied this question.