⚡ electrical engineering

Significant Wave Height Prediction and Harbour Entry Risk Index (HERI) in the Sunda Strait using ERA5-Based Deep Learning to Support Merak- Bakauheni Ferry Operations

본 연구는 ERA5 데이터를 활용하여 순다 해협의 유의 파고를 예측하기 위한 CNN-LSTM 및 BiLSTM 기반의 딥러닝 프레임워크를 개발하고, 기존의 파고 임계값을 능가하여 접안 위험을 탐지하는 데 탁월한 성능을 보이는 새로운 항만 진입 위험 지수(HERI)를 도입함으로써 메락-바카우헤니 페리 운항을 위한 효과적인 6~12시간 전 조기 경보를 가능하게 한다.

원저자: Muhammad A.R. Fauzi, Trika A. Tarigan, Ulil Amri

게시일 2026-09-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Muhammad A.R. Fauzi, Trika A. Tarigan, Ulil Amri

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

매년 수백만 명의 인도네시아 사람들이 자바 섬과 수마트라 섬을 가르는 좁은 해협인 순다 해협을 건너 여행합니다. 이 경로는 국내에서 가장 붐비는 페리 횡단 노선으로, 승객, 차량, 그리고 필수 물자를 운송하는 중요한 동맥 역할을 합니다. 레바란(Lebaran)이라 불리는 거대한 연례 명절 기간에는 여행객 수가 거의 600만 명까지 급증하며, 이는 인도네시아가 원활한 여행을 위한 국가적 척도로 부르는 물류적 과제를 만들어냅니다. 페리 운영사들에게 안전은 최우선이지만, 바다는 예측 불가능합니다. 주요 위험은 파도에서 옵니다. 현재 규정에 따르면 유의 파고(가장 높은 상위 1/3 파도의 평균 높이)가 2.5미터에 도달하면 페리는 운항을 중단해야 합니다. 하지만 이 단순한 규칙에는 사각지대가 있습니다. 이 규칙은 파도의 높이가 유일하게 중요한 요소라고 가정하며, 파도가 어떻게 움직이는지, 파도가 지나가는 데 시간이 얼마나 걸리는지, 그리고 어느 방향에서 배를 타격하는지는 무시합니다. 특별히 높지 않은 파도라도, 페리에 잘못된 각도로 부딪히거나 파도의 리듬이 선박의 자연스러운 흔들림 주기와 일치할 경우, 배를 위험하게 요동치게 만들어 치명적일 수 있습니다.

이 문제를 해결하기 위해 연구진은 순다 해협의 위험을 더 똑똑하게 예측하는 방법을 만들기 위해 착수했습니다. 그들은 수심이 깊고 조류가 복잡한 메락(Merak) 항과 바카우헤니(Bakauheni) 항 사이의 특정 해역에 집중했습니다. 단순히 항해 가능 여부를 결정하기 위해 단 하나의 숫자에 의존하는 대신, 그들은 '항구 진입 위험 지수(Harbour Entry Risk Index)'라는 새로운 도구를 개발했습니다. 이 지수는 바다에 대한 종합적인 건강 검진처럼 작동하며, 파도의 높이, 배의 자연스러운 흔들림 속도와 대비되는 파도의 타이밍, 그리고 파도가 오는 방향이라는 세 가지 서로 다른 요소를 결합합니다. 이 도구가 제대로 작동하기 위해서는 연구진이 몇 시간 전의 파도 움직임을 알아야 했습니다. 이에 연구진은 인공지능, 특히 시간 기반 데이터의 패턴을 인식하도록 설계된 일종의 컴퓨터 학습 기술을 활용했습니다. 그들은 14년 동안의 역사적인 해양 데이터를 여러 가지 컴퓨터 모델에 학습시켜, 풍속, 기압, 과거의 파도 행동을 바탕으로 6시간, 12시간, 24시간 후의 파도 모습을 예측하도록 했습니다.

연구진은 어떤 모델이 파도를 가장 정확하게 예측하는지 확인하기 위해 다섯 가지 유형의 컴퓨터 모델을 테스트했습니다. 그 결과, 지역적 패턴을 포착하는 능력과 장기적인 시퀀스를 기억하는 능력을 결합한 하이브리드 모델이 단기 예측에 가장 우수한 성능을 보였습니다. 이 모델은 6시간 앞의 파고를 오차 6센티미터 미만의 놀라운 정밀도로 예측할 수 있었습니다. 하루 전체를 아우르는 더 긴 예측의 경우, 정보를 순방향과 역방향 모두로 처리하는 다른 유형의 모델이 약간 더 신뢰할 만한 것으로 나타났습니다. 이러한 컴퓨터 모델들은 파도가 현재와 똑같이 유지될 것이라고 가정하는 단순한 방식보다 훨씬 뛰어났습니다. 그러나 핵심적인 돌파구는 단순히 높이를 예측하는 것뿐만 아니라, 그 예측이 어떻게 사용되느냐에 있었습니다. 연구진이 새로운 위험 지수를 역사적 데이터에 적용했을 때, 기존의 안전 규칙에 중대한 결함이 있음을 발견했습니다. 14년의 연구 기간 내내 해당 주요 페리 항로에서 파고가 2.5미터에 도달하여 경고를 울린 적이 한 번도 없었음에도 불구하고, 바다 상태는 종종 거칠었습니다. 실제로 해당 위치에서 기록된 가장 높은 파고는 2.4미터를 넘지 않았습니다.

이 발견은 기존의 규칙이 실제 위험을 감지하는 데 실패하고 있음을 드러냈습니다. 연구진은 새로운 위험 지수를 2020년에서 2024년 사이 메락 항에서 발생한 6건의 실제 접안 사고 기록과 대조 테스트했습니다. 기존 시스템하에서는 파고가 기술적으로 2.5미터 미만이었기 때문에, 이 6건의 위험한 상황 모두에서 안전 임계치가 작동하지 않았을 것입니다. 반면, 새로운 위험 지수는 이 6건의 사건을 모두 위험한 상황으로 정확히 식별해 냈습니다. 지수는 중간 정도의 파고, 페리의 흔들림 리듬과 일치하는 특정 파도 주기, 그리고 파도가 배를 정면으로 타격하는 조합이 단순한 높이 측정으로는 놓칠 수 있는 위험한 상황을 만들어낸다는 점을 인식함으로써 이를 수행했습니다. 또한 이 지수는 몬순(계절풍) 시기인 12월과 1월에 위험이 가장 높다는 명확한 계절적 패턴을 보여주었는데, 이는 실제 사고가 발생했던 역사적 기록과 완벽하게 일치합니다.

이 연구는 또한 이 시스템이 신뢰할 수 있는 조기 경보를 제공할 수 있음을 입증했습니다. 최적의 컴퓨터 모델을 사용하면 시스템은 위험한 조건이 닥치기 6~12시간 전에 이를 예측할 수 있습니다. 이러한 리드 타임(준비 시간)은 페리 운영사들에게 매우 중요하며, 도로에 차량 행렬이 길게 늘어서기 전에 일정을 조정하거나 출발을 늦출 수 있는 여유를 줍니다. 이 시스템은 신중하게 설계되었습니다. 오류가 발생할 때, 시스템은 위험을 과대평가하기보다는 거의 항상 약간 과소평가하도록 설계되어, 진정으로 위험한 시간을 완전히 놓치는 일이 없도록 했습니다. 연구진은 자신들의 작업이 역사적 데이터에 의존하고 있으며, 향후 실시간 센서와 더 상세한 항구 지도를 포함하여 개선될 수 있다고 언급했지만, 결과는 강력한 새로운 관리 방식을 제시합니다. 단 하나의 숫자를 넘어 바다의 행동에 대한 더 완전한 그림을 수용함으로써, 이 접근 방식은 순다 해협을 이용하는 수백만 명의 여행객을 안전하게 지키기 위한 실질적이고 데이터에 기반한 토대를 제공합니다.

기술 요약: 순다 해협의 유의 파고 예측 및 항만 진입 위험 지수 (HERI)

문제 정의
순다 해협의 메락(Merak)–바카우헤니(Bakauheni) 페리 항로는 인도네시아에서 가장 붐비는 섬 간 횡단 노선으로, 레바란(Lebaran, 이드 알 피트르) 시즌 동안 연간 약 600만 명의 승객을 운송합니다. 현재의 안전 규정(KSOP)은 유의 파고(Significant Wave Height, SWH)가 2.5m를 초과할 경우 운항 중단을 명령합니다. 그러나 2010년부터 2024년까지의 중앙 페리 항로에 대한 이력 분석 결과, 주요 운항 격자점의 SWH는 2.5m를 넘은 적이 한 번도 없었으며(최대 2.405m), 이는 규제 임계치가 한 번도 발동되지 않았음을 의미합니다. 그럼에도 불구하고, 이 "안전한" 파고 조건 하에서도 2020년에서 2024년 사이에 메락 항구에서 6건의 접안 사고가 기록되었습니다. 본 연구는 단일 파라미터인 SWH 임계치가 다음과 같은 핵심 다요인 위험을 설명하지 못한다는 점을 식별했습니다: 페리 선단의 고유 롤링 주기(natural roll period)와 파주기(wave period) 사이의 공진 현상, 그리고 선석(berth) 대비 파랑의 방향. 기존의 인도네시아 머신러닝 연구들은 자바 해안에 집중되어 있어, 순다 해협을 위한 전용 딥러닝 기반 예측 프레임워크가 부재한 상황입니다.

연구 방법론
본 연구는 2010~2024년 동안 0.25° 해상도로 추출된 ERA5 재분석 데이터(지점: −6.0°S, 105.5°E, 페리 항로 중심)를 사용하는 데이터 기반 접근 방식을 채택했습니다.

SWH 예측 모델: 다섯 가지 아키텍처를 세 가지 예측 시계( $t+6$ h, $t+12$ h, $t+24$ h)에 대해 학습 및 비교하였습니다:
- 딥러닝: Stacked LSTM, GRU, BiLSTM, CNN-LSTM.
- 트리 기반: XGBoost.
- 베이스라인: 지속성 모델(Persistence model, $SWH_{t+h} = SWH_t$ ).
- 데이터 구성: 시계열 순서에 따라 데이터를 분할함 (학습: 2010–2022; 검증: 2023; 테스트: 2024). 입력 특성에는 SWH, 풍속/풍향, 평균 파주기(MWP), 평균 파향(MWD, sin/cos 인코딩), 평균 해면 기압이 포함되었습니다. 72시간의 룩백 윈도우(lookback window)가 사용되었습니다.
항만 진입 위험 지수 (HERI): 접안 위험을 정량화하기 위해 새로운 복합 지수를 개발했습니다. 단순 임계값과 달리, HERI는 세 가지 파라미터를 결합합니다:
- 정규화된 SWH (2.5m 규제 한계치 기준).
- 평균 파주기가 선단의 추정 고유 롤링 주기(5–11초)에 근접하는 정도를 나타내는 공진 계수( $R$ ).
- 선석 대비 파랑의 접근 각도에 기반한 방향 계수( $F_{dir}$ ).
- 공식: $HERI(t) = \text{clip}[ W_h \cdot SWH_{norm}(t) \cdot R(t) + W_d \cdot F_{dir}(t); 0, 1 ]$ .
- 교정(Calibration): 이 지수는 2020~2024년 사이 기록된 6건의 메락 사고를 기준으로 교정되었으며, "위험(Dangerous)" 임계치를 0.50으로 설정했습니다. 저자들은 이 6건의 사건이 독립적인 검증이 아닌 교정 세트(calibration set)임을 명시했습니다.
평가: 모델 성능은 RMSE, MAE, MAPE, $R^2$ 를 통해 평가되었습니다. 예측 HERI 시스템은 안전 필수적 탐지를 보장하기 위해 혼동 행렬(confusion matrix)을 사용하여 정밀도(recall, true positive rate)와 미검출률(false negative rate, FNR)에 초점을 맞추어 평가되었습니다.

주요 결과

SWH 예측 성능:
- CNN-LSTM은 단기 및 중기 예측( $t+6$ h: RMSE = 0.0579 m, $R^2$ = 0.9459; $t+12$ h: RMSE = 0.0892 m, $R^2$ = 0.8716)에서 최고의 성능을 보였습니다. 이 아키텍처는 Conv1D 레이어를 통해 국부적 패턴을 효과적으로 추출한 후 시간적 의존성을 모델링했습니다.
- BiLSTM은 장기 예측( $t+24$ h: RMSE = 0.1307 m, $R^2$ = 0.7243)에서 우수한 성능을 보였으며, 양방향 시퀀스 처리를 통해 이점을 얻었습니다.
- 모든 딥러닝 모델은 지속성 베이스라인 및 XGBoost보다 우수한 성능을 보였으며, XGBoost는 예측 시간이 길어질수록 성능이 빠르게 저하되었습니다.
HERI 탐지 능력:
- 단일 2.5m SWH 임계치는 기록된 6건의 메락 사고 중 **0%**만을 탐지했습니다.
- HERI 지수는 교정에 사용된 6건의 특정 사고를 100% 모두 탐지하였으며, 값은 "위험" 임계치(0.50)를 +0.05에서 +0.20까지 상회했습니다. 저자들은 이 6건의 사건이 임계치 설정에 반영되었으므로, 이들이 독립적 검증이 아닌 교정 세트로 기능함을 명확히 했습니다.
- "위험" HERI 시간의 계절적 분포(12월~1월에 정점)는 더 넓은 범위의 16건 사고 기록(2015–2024)의 월별 분포와 일관되게 일치하여, 독립적인 계절적 검증을 제공했습니다.
예측 HERI 성능:
- 예측된 SWH 입력을 사용했을 때, 시스템은 시계별로 **93.9–97.3%**의 범주 정확도와 **82.8–94.6%**의 위험 상태 재현율(recall)을 달와성했습니다.
- 페일 세이프(Fail-Safe) 메커니즘: 중요한 발견은 실제 위험한 시간이 "안전(Safe)"으로 예측된 경우가 전혀 없었다는 점(skip $_2$ = 0)입니다. 모든 미검출(false negative)은 단 한 단계 아래의 카테고리로만 하향 조정되었습니다(예: '위험' 대신 '주의'로 예측). 이는 항상 경보 상태가 트리거되도록 보장합니다.
- 모델이 제공하는 6–12시간의 리드 타임은 차량 대기 행렬이 형성되기 전 운영 조정(예: 일정 변경)을 수행하기에 충분한 것으로 간주됩니다.

의의 및 기여
본 논문은 세 가지 주요 기여를 주장합니다:

학술적 측면: 순다 해협을 구체적으로 겨냥한 최초의 머신러닝 파랑 예측 연구를 제시하며, 단일 SWH 기준을 넘어 다중 파라미터 프레임워크로서 HERI라는 새로운 개념을 도입했습니다.
실무적 측면: CNN-LSTM/BiLSTM 예측과 HERI 분류의 통합은 ASDP 페리 운영사의 스케줄링 주기에 호환 가능한 배포 가능한 6–12시간 조기 경보 시스템을 제공합니다.
정책적 측면: 본 연구는 인도네시아 페리 안전 규정이 다중 파라미터 위험 관리로 전환되는 것을 지원하기 위해 14년간의 경험적 근거와 검증된 사고 데이터셋을 제공합니다.

한계 및 향후 과제
저자들은 교정에 사용된 6건의 메락 사고가 독립적 검증이 아닌 교정 세트임을 언급했습니다. 또한, 바카우헤니 측은 사고 원인이 파랑이 아닌 조류에 기인하여 양성 검증 사례가 부족합니다. 또한, ASDP의 운영 로그 데이터 부재로 인해 전문가의 판단에 의한 가중치 교정에 의존했습니다. 향-후 연구에서는 HERI 가중치를 경험적으로 교정하고, SWH, MWP, MWD를 동시에 예측하는 다중 출력 모델을 개발하며, 더 높은 해상도의 항만 분지 분석을 위해 SWAN 모델을 이용한 공간 다운스케일링을 적용할 것을 권장합니다.

기술 요약: 순다 해협의 유의 파고 예측 및 항만 진입 위험 지수 (HERI)

유사한 논문