A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

열대 저기압은 따뜻한 해수면 위에서 회전하며 해안선을 재편하고 수백만 명의 생명을 위협할 수 있는 강풍, 폭우, 폭풍 해일을 몰고 오는 지구상에서 가장 강력한 힘 중 하나입니다. 수십 년 동안 기상학자들은 이 폭풍들이 어디로 이동하고 얼마나 강해질지를 예측하기 위해 노력해 왔습니다. 이러한 예보는 폭풍의 이동과 강도를 추적하는 복잡한 컴퓨터 모델에 의존하며, 당국에 중요한 사전 대비 시간을 제공합니다. 그러나 폭풍의 경로를 아는 것은 절반의 과제에 불과합니다. 도시가 강풍을 예상해야 한다고 알려주는 예보는 유용하지만, 그것이 자동으로 어떤 이웃이 가장 취약한지, 얼마나 많은 사람이 대피해야 하는지, 또는 구체적으로 어떤 위험(예: 침수 대 구조적 손상)이 닥칠 것인지를 알려주지는 않습니다. 가공되지 않은 기상 예측과 생명을 구하기 위한 명확하고 실행 가능한 계획 사이의 간극은 재난 관리자들에게 오랫동안 도전 과제로 남아 있었습니다.

이 간극을 메우기 위해, 연구진은 인공지능의 예측 능력과 '온톨로지(ontology)'라고 불리는 구조화된 지식 체계를 결합한 새로운 시스템을 개발했습니다. 온톨로지는 폭풍에 관한 사실과 그곳에 사는 사람들에 관한 사실을 연결하는 디지털 지식 지도로 생각할 수 있습니다. 인공지능은 방대한 양의 데이터를 통해 패턴을 포착하여 미래를 예측하는 데 탁면하지만, 종종 이유를 설명하지 못한 채 숫자나 경로만을 제시하는 '블랙박스'처럼 작동하곤 합니다. 연구진은 단순히 폭풍이 어디로 갈지를 예측하는 것을 넘어, 그 예측을 위험에 대한 명확하고 논리적인 이야기로 번역할 수 있는 시스템을 구축하고자 했습니다. 컴퓨터에게 풍속, 강우량, 인구 밀도, 건물의 강도 사이의 관계를 이해하도록 가르침으로써, 결정권자들에게 구체적이고 이해하기 쉬운 조언을 생성할 수 있는 도구를 만들어낸 것입니다.

연구진은 이 하이브리드 프레임워크를 벵골만(Bay of Bengal)을 강타했던 세 차례의 실제 사이클론인 2020년 암판(Amphan), 2021년 야스(Yaas), 2024년 레말(Remal)에 적용하여 테스트했습니다. 이 시스템은 두 가지 주요 단계로 작동합니다. 첫째, '장단기 메모리(Long Short-Term Memory)' 네트워크라는 유형의 인공지능을 사용하여 과거의 기상 데이터를 분석합니다. 이 모델은 폭풍의 위치, 속도, 기압과 같은 일련의 과거 관측치를 살펴보고 향후 24시간 동안의 경로를 예측합니다. 동시에, 두 번째 인공지능 모델은 폭풍의 영향권 크기를 추정하여 중심으로부터 얼마나 멀리까지 위험한 조건이 미칠지를 결정합니다. 이러한 예측은 단순한 숫자에 그치지 않고, 시스템의 두 번째 단계인 온톨로지 기반 추론 엔진으로 전달됩니다.

이 추론 엔진은 '번역기' 역할을 합니다. 이 엔진은 예측된 폭풍의 경로와 크기를 가져와 해당 지역의 상세한 디지털 프로필 위에 겹쳐 놓습니다. 이 프로필에는 마을의 위치, 인구 밀도, 지역의 건물 유형, 현지 지형과 같이 변하지 않는 정적 정보가 포함됩니다. 그런 다음 시스템은 이 결합된 데이터에 일련의 논리적 규칙을 적용합니다. 예를 들어, AI가 강풍을 예측하고 온톨로지가 특정 지역에 오래되고 취약한 구조물이 많다는 것을 알고 있다면, 시스템은 구조적 손상의 위험이 높다고 추론합니다. 만약 예보에 폭우가 포함되어 있고 해당 지역이 저지대라면, 시스템은 높은 침수 위험을 추론합니다. 그 결과, 단순한 기상 데이터를 넘어 다음과 같은 핵심 질문에 답할 수 있는 종합적인 위험 평가를 제공합니다. 위협의 심각도는 어느 정도인가? 어떤 구역이 레드 존(위험 구역)인가? 얼마나 많은 사람이 위험에 처해 있는가?

연구진이 이 프레임워크를 세 폭풍 중 가장 파괴적이었던 사이클론 암판에 적용했을 때, 시스템은 매우 높은 정확도를 보였습니다. AI는 24시간 동안 평균 약 72km의 오차로 폭풍의 궤적을 예측했는데, 이는 다른 첨단 딥러닝 방식과 대등한 정밀도 수준입니다. 더 중요한 점은, 추론 엔진이 이 사건을 '심각(Severe)'한 위협으로 올바르게 식별하여 레드 존을 할당하고 고도 경보 대응을 권고했다는 것입니다. 또한 약 64만 명의 사람들이 위험에 처해 있다고 추정했는데, 이는 실제 사건 당시 실행되었던 대규모 비상 대응 규모와 밀접하게 일치했습니다. 시스템은 암판의 극심한 위험과 야스 및 레말이 초래한 (여전히 상당한 수준이지만) 상대적으로 낮은 위험을 성공적으로 구분해 냈습니다. 야스의 경우에도 시스템은 레드 존과 고도 경보를 표시했으나, 레말에 대해서는 적절히 중간 정도의 위험을 평가하여 옐로 존(주의 구역)과 낮은 수준의 긴급성을 제안했습니다.

이 연구는 예측 인공지능과 구조화된 지식 추론을 결합하는 것이 두 방식 중 어느 하나를 단독으로 사용하는 것보다 재난 관리에 더 유용한 도구를 만든다는 것을 보여줍니다. 인공지능은 폭풍의 미래를 예측하는 어려운 수학적 계산을 처리하고, 온톨로지 계층은 이러한 예측이 지역적 현실이라는 렌즈를 통해 해석되도록 보장합니다. 이를 통해 시스템은 단순한 숫자가 아니라, 구체적인 대피 지침이나 대피소 권고와 같이 이해 가능한 조언을 생성할 수 있습니다. 연구진은 이 접근 방식이 가공되지 않은 기상 데이터를 결정권자들이 신뢰하고 행동할 수 있는 구조화된 의미론적 위험 정보로 성공적으로 변환했음을 발견했습니다. 현재 시스템은 역사적 데이터와 사전에 정의된 규칙에 의존하고 있지만, 저자들은 향-후 버전에서 위성과 기상 관측소의 실시간 데이터를 통합하여 시스템을 더욱 즉각적으로 반응하게 만들 수 있다고 제안합니다. 궁극적으로, 이 연구는 폭풍을 예측할 만큼 똑똑할 뿐만 아니라, 그 폭풍이 위협하는 사람들과 장소에 미칠 진정한 영향을 이해할 만큼 현명한 재난 관리 시스템을 향한 유망한 길을 제시합니다.