GeoAI-GWFM-KR

모델 학습에 사용하지 않은 30개 관측소, 46개 관정의 수위를 예측했습니다. 이미 학습한 장소의 결과를 다시 맞히는 것이 아니라, 새로운 장소에서도 사용할 수 있는지 확인한 시험입니다.

전체 자료는 국가지하수관측망 153개 관측소에서 수집했습니다. 영남권 148곳과 강원·전북 5곳이며, 시험용 30곳을 제외한 123개 관측소, 188개 관정의 2021년까지 자료로 학습했습니다. 2022년 자료로 모델 설정을 고른 뒤 2023–2024년 자료로 평가했습니다.

비교한 모든 모델에 과거 수위와 과거·예측 기간의 일 강수량을 동일하게 제공하고, 같은 예측 시작일과 관측일을 기준으로 오차를 계산했습니다.

표의 오차 감소율(skill)은 마지막 관측 수위를 그대로 유지하는 단순한 예측보다 오차가 얼마나 줄었는지를 뜻합니다. 값이 클수록 좋고, 0이면 기준 예측과 같으며 음수이면 오차가 더 큽니다. 예측 첫날부터 해당 기간 마지막 날까지의 오차를 모두 반영했습니다.

학습 없이도 30·90일 예측에서 관정별 LSTM과 유의한 차이 없음

어댑터 없이, 이 벤치마크의 지하수 자료로 학습하지 않은 Chronos-2는 30일과 90일 예측에서 각 시험 관정의 기록으로 따로 학습한 LSTM과 유의한 차이가 없었습니다(30일 skill 0.26 대 0.30, 짝 비교 p = 0.084; 90일 0.31 대 0.33, p = 0.49). 7일 예측에서는 관정별 LSTM이 더 정확했습니다.

어댑터를 더하면 관정별 LSTM보다 정확

GeoAI-GWFM-KR의 skill은 7일 0.41, 30일 0.48, 90일 0.52입니다. 46개 시험 관정 중 관정별 LSTM보다 정확한 관정은 7일 34개, 30일 39개, 90일 40개였습니다. 어댑터는 시험 관정을 보지 않았고, 관정별 LSTM은 시험 관정 자신의 기록으로 학습했습니다. 관정별 LSTM에 지하수위 변동식 손실을 더해도 정확도는 달라지지 않았습니다.

새 관정에 바로 사용

2019년 이후 설치되어 기록이 짧은 관정 13개 중 13개에서 30일 예측이 관정별 LSTM보다 정확했습니다.

시험 관정 46개, 2023–2024년, 예측 기간의 강수가 주어진 경우. 학습한 모델은 시드 3개 평균. 관정별 LSTM은 시험 관정의 기록으로, 지역 LSTM과 GeoAI-GWFM-KR은 학습 관측소의 기록으로 학습했습니다.

예측 3일째에 100 mm 호우를 더하면 GeoAI-GWFM-KR의 예측 수위는 0.35 m 오르고 호우 2일 뒤에 정점에 이릅니다. Chronos-2 단독은 0.05 m, 5일 뒤입니다. 참고로 같은 관정들의 2023년 이전 기록에서 하루 80 mm 이상 비가 온 뒤 실제 상승의 중앙값은 0.57 m, 정점은 2일 뒤였습니다. 실제 사건에는 이웃한 날의 비가 섞여 있어 규모만 견줄 수 있습니다.

강수 예보나 시나리오를 함께 넣을 때 가장 정확합니다. 과거 강수만으로 예측하면 이득이 작아집니다(30일 skill 0.16, Chronos-2 단독 0.11).

Chronos-2

Amazon, Apache-2.0. 1.2억 파라미터. Amazon 공식 저장소에서 자동으로 받습니다.

GeoAI-GWFM-KR adapter

GeoAI Alignment. 120만 파라미터, 4.9 MB. 이 페이지에서 받습니다.

함께 공개하는 것: 예측 파이썬 패키지와 명령줄 도구, 대화로 예측을 요청하는 에이전트(MCP 서버), 영남권 지하수 벤치마크(관측소 분할, 평가 코드, 관정별·지역 LSTM 기준 모형), 기술 노트.

입력 표에는 날짜, 수위(m), 일 강수량(mm) 열이 필요합니다.

pip install "geoai-gwfm[agent] @ git+https://github.com/geoaialignment/geoai-gwfm"
gwfm download
gwfm forecast --csv my_well.csv --horizon 30 --future-rain kma_outlook.csv

대화로 예측 요청하기

Claude Desktop 같은 MCP 클라이언트에 아래 한 줄을 등록하면, "이 관정 파일과 기상청 강수 전망으로 앞으로 30일 수위를 예측하고, 비가 적게 오는 경우와 비교해 줘"처럼 말로 요청할 수 있습니다. 에이전트는 파일을 점검하고, 예측표와 그림을 만들고, 강수 시나리오를 비교합니다.

{"mcpServers": {"gwfm": {"command": "gwfm-mcp"}}}

• 이 버전의 예측 성능은 영남권을 중심으로 한 관측자료로 평가했습니다.
• 시험의 미래 강수는 관측값이므로 완전한 강수 예보를 가정한 성능입니다. 실제 예보를 쓰면 예보 오차만큼 정확도가 낮아집니다.
• 80% 예측 구간(10–90%)은 7일 예측에서 관측의 80%, 90일 예측에서 74%를 포함했습니다(강수 예보 없이 70%). 긴 예측에서는 구간이 다소 좁습니다.
• 양수 일정 같은 인위적 영향은 입력에 없습니다. 양수 영향이 큰 관정에서는 그 영향이 예측 오차로 남습니다.