포병 기상데이터는 정확한 포병 사격제원 산출을 위해서 빠져서는 안될 필수적인 요소이다. 현재 군에서 활용하고 있는 기상데이터는 2011년도에 전력화된 공군기상단의 슈퍼컴퓨터를 기반으로 저고도부터 고고도까지 위성, 레이더가 수집해서 제공하는 방대한 양의 데이터를 수치예보 모형을 통해 분석· 예측한 결과물이다. 각 포병부대에서는 이렇게 제공되는 기상제원을 군 인트라넷의 기상정보 시스템에 접근하여 1시간 단위 및 선번호(고도) 단위의 온도, 기압(공기밀도), 풍향, 풍속 데이터를 확보한다.
그러나 포병부대에서 작전 수행 중 기상제원을 제공받을 수 없는 상황이 다양하게 상존한다. 전 국토의 70% 이상이 산지로 형성된 한반도의 지형적 특징으로 인해 무선장비 운용에 간헐적인 제한을 받을 수도 있으며, 심지어 도시지역의 건물들도 전파를 차폐하여 통신망 개통에 제한을 줄 수 있다. 그리고 강풍으로 인한 안테나 전도, 낙뢰에 의한 장비 피해 등의 자연재해 같은 예상치 못한 상황에서도 최신 기상을 제공받는데 제한이 될 수 있다.
또한 우리의 눈에 직접적으로 보이지 않는 문제도 존재한다. 북한은 예전부터 비대칭전력에 지대한 관심을 보여왔고, 가장 큰 대량살상무기인 핵무기 뿐만 아니라 '전자전' 무기체계에도 막대한 노력을 쏟아붓고 있다. 2017년 기준으로 세계 방산수출시장에서 공개된 북한의 전자전 무기가 150여종이나 되며 전자전만을 연구하는 인력수준으로 10여개의 연구소에서 2,000여명의 인원이 지금도 오직 전자전만을 연구하고 있다. 북한이 EMP탄을 보유하고 있다는 사실은 이미 전 세계가 아는 공공연한 사실이며, 지금 이 시간에도 어디선가 전파교란 및 재밍을 하고 있다. 이는 우리 안보가 직면하고 있는 분명한 위협이다.
이처럼 기상제원을 받을 수 없는 다수의 상황하에서 포병부대가 스스로 조치할 수 있는 대처능력은 거의 없다. 오로지 최신 기상제원을 적용해야 정확한 화력을 목표물에 투사할 수 있으며, 기상제원을 누락한다면 강력한 포병 화력은 무용지물이 되어 아군 작전에 지대한 영향을 미칠 것이고 적에게는 주도권을 확보할 절호의 기회가 될 수 있다.
이에 본 논문에서는 최신 기상을 받을 수 없는 상황하에서, 우리가 갖고 있는 역량으로 기상을 예측할 수 있는 방법을 연구해 보았다. 예측의 방법에는 여러가지 방법론이 존재하지만, 현재 다양한 분야에서 뛰어난 예측력을 발휘하고 과거 알파고 등으로 전 세계를 놀라게 했던 딥러닝 모델 연구방법을 선정하였다. 선행연구 간에 포병 기상예측과 관련된 연구는 매우 드물었지만, 민간에서는 미세먼지, 태양광 발전량 등의 예측을 위해서 딥러닝 모델 연구가 활발하게 진행 되어온 것을 확인하였고 이러한 예측에 사용되는 인공신경망의 한 종류인 순환 신경망과 순환신경망에서도 진보된 기법인 LSTM(Long Short- Term Memory) 기법을 활용하여 예측 모델을 제안하였다.
예측하고자 하는 데이터의 특성은 온도, 기압, 풍향. 풍속 총 4가지의 특성으로 이루어져 있는 기상데이터이며, 이는 시계열데이터다. 시계열데이터는 과거부터 현재까지 일정한 패턴을 가지고 변화해온 시간순으로 나열된 자료로 통칭된다. 본 논문에서는 기상데이터가 시간의 흐름에 따른 추세와 경향을 보이는 시계열 데이터라는 측면에 주목하여 시계열 데이터 예측에 두각을 보이는 순환 신경망을 통해 예측을 해보았으며, RMSE (Root Mean Squared Error)와 R² (R-Squared) 라는 예측 정확도 평가를 통해 모델의 성능을 분석하였다.
딥러닝 모델 연구 이전에 선행되어야 하는 첫 번째 단계인, 데이터 수집은 통계청에서 획득가능한 민간 기상데이터를 활용하였고, 2014년에서 2017년까지 4년의 기간 중 약 60%의 데이터를 학습시 훈련데이터로 활용하였고, 나머지 40%의 데이터를 검증 및 테스트 데이터로 활용하였다. 데이터 학습 전 결측치 제거와 정규화 등의 데이터 전처리(Preprocessing)을 하여 딥러닝 모델에 알맞은 데이터로 가공하였다.
추가로 약 500시간 기간의 포병기상데이터를 수집하여 모델 학습 후, 예측 정확도를 평가해보았으며 이후 실제 기상과 예측 기상 기반의 사거리 및 편의상 기상수정량을 비교해보았다. 비교 대상은 먼저 현재 포병부대에서 기상을 수신하지 못하였다고 가정시에 최신기상을 적용하지 못한 한시간 이전의 기상을 그대로 적용하였을 경우와 딥러닝 모델을 적용하되 일반적인 DNN, RNN, 그리고 제안하는 LSTM 기법을 적용한 예측 기상모델의 성능을 비교하였다.
결과를 간략히 요약하자면 ① DNN, RNN, LSTM 세 가지 모델 중에서 LSTM이 안정적인 학습 진행과 R² 점수가 0.7362로 가장 높게 나왔다. ② 최신 기상 미수신 상황시, 이전 기상을 그대로 적용한 것과 LSTM으로 예측한 기상을 적용하는 것에 대하여 비교했을 때, 4가지 특성의 평균 RMSE는 LSTM이 6.8%의 오차 향상율을 보였으며 R²는 6.2%의 오차향상율을 보였다. ③ 마지막으로 수집한 포병기상 데이터를 기반으로한 LSTM 모델의 결과는 선번호(고도)가 높아질수록 예측 성능이 좋았으며, 10km, 22km, 35km 별로 사거리를 구분하여 실제기상과 예측기상 적용시 기상수정량을 산출하였을 때, 편의상 최대 81.4m, 사거리상은 최대 67m의 매우 근소한 기상수정량 오차를 확인하였다. 따라서 최신기상을 적시에 제공받을 수 없는 상황에서 LSTM 기상 예측모델은 최신기상의 효과적인 대안이 될 것이다.