⚡ 전기공학

Reconstructing Soil Temperature Time Series with Prolonged Gaps Across Depths: An Interpretable LSTM-Based Approach

본 연구는 지역 센서 데이터와 전 지구 재분석 자료 및 시간적 속성을 통합함으로써 우루과이의 다층 토양 온도 시계열 데이터에서 발생하는 장기 결측치를 성공적으로 복원하는, Optuna으로 최적화되고 SHAP 설명력을 통해 검증된 해석 가능한 LSTM 기반 프레임워크를 제시한다.

원저자: Leticia Barros Dias Soares, Natássia Siqueira Medeiros, João Inácio Moreira Bezerra, Geilson de Almeida Soares, Jairo Valões de Alencar Ramalho, Marlon Maurício Hernandez Cely, Honório Joaquim Fernand

게시일 2026-09-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Leticia Barros Dias Soares, Natássia Siqueira Medeiros, João Inácio Moreira Bezerra, Geilson de Almeida Soares, Jairo Valões de Alencar Ramalho, Marlon Maurício Hernandez Cely, Honório Joaquim Fernando

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

우리 발밑의 땅은 겉으로 보이는 것만큼 정지해 있는 경우가 드뭅니다. 낮 동안 우리 위의 공기가 따뜻해졌다가 밤에 식는 것처럼, 토양 또한 이러한 변화에 반응하지만, 이는 느리고 묵직한 리듬으로 이루어집니다. 이 열적 맥동은 아래로 전달되지만, 더 깊이 내려갈수록 일일 변동폭은 점차 사라지고, 대신 더 안정적이고 지연된 온기로 대체됩니다. 이러한 숨겨진 온도 프로파일을 이해하는 것은 지구의 자연 열을 이용해 건물을 데우거나 식히는 깨끗한 에너지원인 천부 지열 에너지를 활용하는 데 매우 중요합니다. 작동하는 시스템을 설계하기 위해 엔지니어들은 토양 온도가 시간에 따라 어떻게 변하는지에 대한 연속적이고 끊김 없는 기록이 필요합니다. 그러나 현실 세계에서는 측정을 위해 땅속에 묻어둔 센서들이 종종 고장이 납니다. 전력 차단, 단선 또는 통신 오류는 데이터의 긴 공백을 만들어내며, 이는 지구가 어떻게 움직이고 있는지에 대한 전체적인 그림을 보는 것을 불가능하게 만듭니다.

브라질과 우루과이의 연구팀은 사건의 순서로부터 학습하도록 설계된 일종의 컴퓨터 지능을 사용하여 이 끊어진 기록들을 복구하기 위해 나섰습니다. 그들은 우루과이 리베이라(Rivera)에 있는 모니터링 스테이션의 데이터를 활용했는데, 이곳의 센서들은 1년 동안 다양한 깊이에서 토양 온도를 추적해 왔습니다. 데이터에는 며칠, 심지어 몇 주 동안 지속되는 구멍들이 가득했습니다. 단순히 누락된 숫자를 추측하는 대신, 연구팀은 누락된 구간을 재구성하도록 정교한 컴퓨터 모델을 훈련시켰습니다. 연구팀은 모델에 국지적인 센서 측정값뿐만 아니라 전 지구적 기상 데이터와 하루 중 시간 및 연중 시기에 대한 정보를 함께 입력하여, 컴퓨터가 열이 지표면을 통해 이동하는 복잡한 규칙을 학습할 수 있도록 했습니다.

연구진은 컴퓨터 모델이 놀라운 정확도로 누락된 부분을 채울 수 있다는 것을 발견했지만, 그 결과는 모든 깊이에서 동일하지 않았습니다. 태양에 의해 온도가 빠르게 변하는 지표 근처의 토양의 경우, 모델은 평균 오차를 눈에 띄는 0.16도에서 단 0.06도로 줄였습니다. 변화가 더 완만한 중간층의 경우, 개선 효과가 훨씬 더 극적이었는데, 오차가 0.29에서 0.07로 떨어졌습니다. 그러나 가장 깊은 층은 다른 과제를 제시했습니다. 모델이 온도 곡선의 전반적인 형태는 제대로 잡아냈지만, 모든 지점의 정확한 온도를 맞추는 데는 어려움을 겪었는데, 이는 전반적인 추세를 따르는 것과 정확한 수치를 맞히는 것 사이의 절충 관계가 있음을 시사합니다.

컴퓨터가 단순히 패턴을 암기하는 것이 아니라 실제로 토양의 물리학을 이해하고 있는지 확인하기 위해, 연구팀은 모델의 의사 결정 과정을 들여다볼 수 있는 특별한 도구를 사용했습니다. 그들은 모델이 예측을 하기 위해 가장 최근의 데이터 포인트와 전 지구적 기상 추세에 크게 의존한다는 것을 발견했습니다. 얕은 층과 중간층의 경우, 모델은 현재를 예측하기 위해 거의 독점적으로 직전의 과거 데이터만을 살펴보았습니다. 하지만 깊은 층의 경우, 모델은 더 긴 역사를 폭넓게 주목했는데, 이는 열이 지하 깊숙이 이동하는 데 훨씬 더 오랜 시간이 걸린다는 사실과 부합합니다. 이러한 조사는 컴퓨터가 빈틈을 메우는 데는 탁월하지만, 그 논리가 관찰하는 깊이에 따라 달라진다는 것을 보여주었습니다.

본 연구는 이 접근 방식이 끊어진 환경 기록을 복구하는 강력한 도구이지만, 모든 상황에 적용 가능한 만능 해결책은 아니라고 결론짓습니다. 토양의 중간층은 재구성에 있어 가장 신뢰할 수 있는 층으로 나타났으며, 모델의 예측은 긴 데이터 누락 기간 중에도 정확하고 견고했습니다. 표면층은 잘 작동했지만 즉각적인 변화에 매우 민감하게 반응했고, 깊은 층은 모델이 세부 사항을 매끄럽게 다듬는 경향이 있어 더 많은 주의가 필요했습니다. 첨단 예측 기술과 모델이 생각하는 방식에 대한 명확한 이해를 결합함으로써, 연구진은 우리가 각 토양층의 고유한 행동 양식을 존중한다면 손실된 기후 데이터를 확신을 가지고 복구할 수 있음을 보여주었습니다. 이 작업은 땅속에 묻힌 센서들이 침묵하더라도 우리의 에너지 시스템을 원활하게 계속 가동할 수 있는 실질적인 방법을 제시합니다.

기술 요약: 다양한 깊이에서의 장기 결측치를 포함한 토양 온도 시계열 재구성

문제 정의
지중 열교환기(EAHE) 시스템을 위한 천부 지열 에너지 잠재력 평가는 연속적인 현장 토양 온도 모니터링에 크게 의존한다. 그러나 실제 운영 현장에서는 센서 고장, 통신 손실 또는 전력 중단으로 인해 빈번하게 장기 데이터 결측이 발생한다. 이러한 누락된 구간은 지하 열 역학의 특성화를 저해하여 시스템 모델링 및 성능 평가를 어렵게 만든다. 딥러닝이 재구성 능력을 제공하긴 하지만, 표준적인 평가는 오직 예측 정확도에만 집중하며, 모델이 물리적 토양 역학에 부합하는 관계를 학습했는지 여부는 간과하는 경우가 많다. 더욱이, 심층부로 갈수록 열적 거동이 크게 달라지는 다층 토양 프로파일을 다룰 때, 딥 뉴럴 네트워크의 "블랙박스"적 특성은 결측값이 어떻게 추정되는지에 대한 해석 가능성을 제한한다.

연구 방법론
본 연구는 설명 가능한 AI(XAI)가 통합된 LSTM(Long Short-Term Memory) 네트워크를 사용하여 세 가지 깊이 층(천부, 중간, 심층)에 걸친 누락된 토양 온도 구간을 재구성하는 데이터 기반 프레임워크를 제안한다.

데이터 소스: 2023년 8월부터 2024년 7월까지 우루과이 리베이라(Rivera)에서 운영된 모니터링 스테이션으로부터 1차 데이터를 수집하였다. 데이터는 0.4m에서 2.0m 깊이의 중복 PT100 센서와 지표면 공기 센서를 포함한다. 데이터는 물리적 한계 필터링 및 이동 평균과의 동적 일관성 검사를 포함한 엄격한 품질 관리를 거쳤다.
특성 공학(Feature Engineering): 본 접근 방식은 결측치 보간을 지도 학습 기반의 시계열 재구성 문제로 취급한다. 입력 변수는 다음과 같다:
- 로컬 센서 측정값 (결측 포함).
- 로컬 깊이에 맞춰 정렬된 ERA5 글로벌 재분석 데이터로부터의 외생 변수.
- 시간적 속성: 주기적 인코딩(일간/주간 사인/코사인), STL(Seasonal-Trend decomposition using Loess) 구성 요소(추세, 계절성, 잔차), 그리고 시차(lagged) 값.
- 보조 변수: 보간된 센서 값 및 결측 지표.
모델 아키텍처 및 최적화: 선형 출력층을 가진 LSTM 네트워크가 채택되었다. 본 연구는 임의적인 구조적 선택을 피하기 위해 Optuna 프레임워크를 활용하여 체계적인 하이퍼파라미터 최적화(윈도우 크기, 배치 크기, 학습률, 은닉 유닛, 레이어, 드롭아웃, 가중치 감쇠 탐색)를 수행하였다.
설명 가능성(Explainability): 모델을 해석하기 위해 SHAP(SHapley Additive exPlanations) 및 TimeSHAP을 적용하였다. 분석은 두 가지 수준에서 수행되었다:
- 전역적(Global): 전체 데이터셋에 걸쳐 가장 영향력 있는 변수와 시간적 위치 식별.
- 지역적(Local): 저오차, 고오차, 그리고 장기 결측 시나리오를 포함한 특정 재구성 사례 검토.
평가: 성능은 MAE(평균 절대 오차), RMSE(평균 제곱근 오차), 결정 계수( $R^2$ ), 그리고 피어슨 상관계수( $r$ )로 측정되었다.

주요 결과
본 연구는 재구성 파이프라인의 효과가 토양 깊이에 따라 크게 달라지며, 하이퍼파라미터 최적화가 각 층마다 서로 다른 구성을 생성한다는 것을 발견하였다.

깊이별 성능:
- 천부 층(Superficial Layer): 최적화를 통해 오차가 크게 감소하여 MAE는 0.16에서 0.06으로, RMSE는 0.32에서 0.09로 떨어졌다. 그러나 모델은 "단기 기억" 체제에 크게 의존하며, 최근의 시간 단계에 중요도를 집중시키는 경사항향을 보였다.
- 중간 층(Intermediate Layer): 이 층은 가장 일관된 개선을 보였다. MAE는 0.29에서 0.07로(75.6% 개선), $R^2$ 는 0.87에서 0.99로 향상되었다. 최적화된 아키텍처(증가된 은닉 유닛)는 일반화 성능을 저해하지 않으면서 더 긴 시간적 의존성을 효과적으로 포착하였다.
- 심층 층(Deep Layer): 결과가 혼재되어 나타났다. RMSE는 개선되었으나(0.21에서 0.16), MAE는 약간 증가하였다(0.07에서 0.09). 모델은 전역적인 궤적 형태에는 부합하는 경향을 보였으나, 장기 결측 상황에서의 점 단위 보정(pointwise calibration) 및 진폭 회복에는 어려움을 겪었다.
설명 가능성 통찰:
- 전역 SHAP 분석 결과, 천부 및 중간 층은 참조 추세, 단기 시차, 그리고 보간된 센서 값에 크게 의존하며 전체 시간 윈도우를 무시하는 경향이 있었다.
- 심층 층은 더 분산된 시간적 의존성을 보였는데, 이는 깊이에 따른 열 신호의 물리적 감쇄(damping)와 일치하지만, 이것이 임계 결측 시나리오에서의 우수한 지역적 견고함으로 이어지지는 않았다.
- 장기 결측에 대한 지역적 분석 결과, 중간 층이 전역 지표와 지역적 신뢰성 사이에서 최적의 균형을 유지하는 반면, 심층 층은 안정적인 전역 지표에도 불구하고 고오차 시나리오에서 취약성을 보임을 확인하였다.

의의 및 주장
본 논문은 자신의 주요 기여가 단순히 고성능의 보간 모델을 입증하는 것이 아니라, 예측 정확도와 해석적 투명성을 통합하여 모델의 조건부 신뢰성을 밝혀낸 데 있다고 주장한다.

깊이 의존적 신뢰성: 본 연구는 재구성 모델의 성공에 대한 "단일한 기준(one-size-fits-all)" 해석이 오해를 불러일으킬 수 있음을 보여준다. 중간 층은 높은 정확도와 장기 결측 시나리오에서의 견고함을 모두 갖춘 가장 운영적으로 신뢰할 수 있는 층으로 나타났다. 천부 층은 효율적이지만 과도하게 반응적이며, 심층 층은 양호한 전역 적합도에도 불구하고 지역적 보정 안정성이 부족하다.
검증 도구로서의 해석 가능성: 저자들은 SHAP과 TimeSHAP을 사용하여 높은 예측 지표가 반드시 모델이 물리적으로 일관된 관계를 학습하고 있음을 보장하지는 않는다는 점을 보여준다. 분석 결과, 모델이 복잡한 다중 신호 역학을 통합하기보다는 지배적인 보조 프록시(예: ERA5 추세)에 고착되는 경향이 있음이 드러났다.
방법론적 엄밀성: 본 연구는 환경적 맥락에서 재구성 모델을 평가할 때는 집계된 오차 지표를 넘어 설명 가능성과 시나리오별 테스트(예: 장기 결측)를 포함해야 한다고 주장한다. 이러한 접근 방식은 딥러닝 모델이 어디에서 성공하고 어디에서 조건부로 신뢰할 수 있는지에 대한 더 정직하고 엄격한 특성화를 제공한다.

결론적으로, 본 연구는 LSTM 기반의 보간법이 체계적인 하이퍼파라미터 최로화 및 설명 가능성 분석과 결합될 때 환경 시계열을 복구하는 가치 있는 도구가 될 수 있으나, 그 한계와 깊이별 동작 특성이 명시적으로 인정되고 관리되어야 함을 시사한다.

유사한 논문