대기 전선은 중위도 지역의 많은 고강도 기상 현상과 관련이 있지만, 그 식별 및 분류는 여전히 대부분 수동적이고 주관적인 영역에 머물러 있습니다. 기존의 딥러닝(deep learning) 접근 방식은 주로 격자화된 재분석(reanalysis) 또는 예보 데이터에 의존하여, 시간 민감도가 높은 애플리케이션을 위해 사용 가능한 위성 관측 자료로의 적용 가능성을 제한합니다.
우리는 지상 정지 궤도(geostationary) 위성 관측 자료를 이용하여 유럽 지역의 한랭 전선(cold front), 온난 전선(warm front), 그리고 폐색 전선(occluded front)을 탐지하는 기계 학습 프레임워크인 SATFRONT를 소개합니다. 이 모델은 재분석 데이터를 선택적 추가 입력으로 사용할 수 있습니다.
이 모델은 다섯 개 유럽 국가 기상 서비스의 전선 분석 자료로 훈련되었으며, 2024년 영국 기상청(UK Met Office) 분석 자료를 기준으로 평가되었습니다. 위성 관측 자료만 사용했을 때, SATFRONT는 150 km 허용 오차에서 0.428의 임계 성공 지수(Critical Success Index, CSI)를 달성했습니다. 이는 다른 기상 서비스 분석 간의 일치 범위(0.277-0.501) 내에 있으며, 위성 데이터를 사용하는 운영 규칙 기반 전선 탐지기(operational rule-based front detector)의 성능(0.133)보다 높은 수치입니다.
ERA5 재분석 자료를 추가하면 CSI는 0.591로 증가합니다. ERA5는 개별 전선의 위치를 상당히 개선하지만, 그 효과가 연간 공간 분포에 미치는 영향은 전선 유형에 따라 다릅니다.
이러한 결과는 한랭 전선, 온난 전선, 폐색 전선이 지상 정지 궤도 위성 관측 자료에서 직접 탐지될 수 있음을 입증하며, 시간 민감도가 높은 애플리케이션에 필요한 높은 시간 주파수(high temporal frequency)의 자동화된 전선 분석을 위한 기반을 제공합니다.