Seasonality-Aware Meta-Learning Framework for Improving Rainfall Prediction Accuracy in Data-Scarce Environments

본 논문에서는 데이터 부족 환경의 강우량 예측 정확도 개선을 위한 MHA-LSTM 기반 계절성 인지 메타 러닝 프레임워크를 제시한다. 1차 근사 모델 불가지론 메타 러닝(FOMAML)을 통해 소량의 샘플로 신규 지점에 신속히 적응하는 학습 기전을 마련하였으며, 국내 22개 지역 데이터를 이용한 K-Shot 실험으로 단 10개의 데이터만으로도 우수한 예측 성능을 달성함을 확인하였다. 아울러 계절별 가중 손실 함수를 도입하여 여름철 강수 변동성을 모델링에 반영함으로써 시스템의 강건성을 확보하였다. 본 연구는 수문학적 시계열 예측의 데이터 희소성 극복을 위한 실전적 대안을 제시하고, 도메인 지식을 통합한 메타 러닝의 유효성을 검증했다.