태양권 영상, 앙상블 태양권 모델 및 머신러닝 보조 자료동화를 이용한 코로나질량방출(CME) 도달시간과 지구 영향력 예측

왜 이것이 중요한가 하나의 빠른 코로나질량방출(CME, coronal mass ejection)은 위성을 마비시키고, GPS·무선통신을 교란하며, 전력망에 심각한 위협을 줄 수 있다. 따라서 CME의 지구 도달 시간과 지구 영향력(geoeffectiveness — 주로 지구 자기권 교란을 유발할 가능성)을 충분한 예보시간을 두고 예측하는 것은 단순한 학술적 흥미를 넘어 실무적 필요다. 하지만 태양에서 지구까지의 경로는 길고(약 1 AU ≈ 1억 5천만 km), 태양풍은 구조적·시간적으로 변하며, CME의 전면과 내부 자기장은 관측으로 제약하기 어렵다. 전통적 관성(코로나그래프) 관측만으로는 중간 경로(mid-course)에서 일어나는 감속·상호작용을 잘 잡아내지 못한다. 여기서 광각 태양권 영상(heliospheric imaging, HI), 앙상블 모델링, 자료동화, 그리고 머신러닝이 결합되어 더 정교하고 실용적인 예측을 만들어낸다. 간단한 용어 설명 — 앞으로 자주 나올 개념 Heliospheric imaging (HI) : 광각 가시광 카메라로, 태양광이 태양풍의 전자들에서 톰슨 산란(Thomson scattering)되어 반사되는 빛을 포착한다. 이를 통해 CME와 태양풍 구조를 태양 근처에서 1 AU 이상까지 영상으로 추적할 수 있다. 대표 장비로는 STEREO의 HI, Solar Orbiter의 SoloHI, Parker Solar Probe의 WISPR, 그리고 PUNCH의 WFI(2020년대 중반 이후 운용 중)가 있다. (Eyles et al. 2009 등) J-map / 시간–신장각(time–elongation) 플롯 : HI 연속 영상에서 특정 고도·편광 방향의 픽셀을 시계열로 이어 만든 2차원 플롯으로, CME 전면의 신장각(elongation) 변화와 시간의 상관관계를 시각화하여 추적을 용이하게 한다. 앙상블(ensemble) 태양권 모델 : 물리 기반의 태양권 모델(예: WSA–ENLIL, EUHFORIA, HUX/HUXt 등)을 동일한 사건에 대해 초기 CME 및 주변 태양풍 파라미터(속도, 폭, 방향 등)를 약간씩 바꿔 여러 번(run) 실행하여 도달시간·속도의 확률분포를 얻는 기법. 자료동화(data assimilation, DA) : 관측값과 모델 예측을 통계적으로 결합해 상황 인식(analysis)을 개선하는 방법론. 예: Ensemble Kalman Filter(EnKF), 입자필터(particle filter), 변분법(variational methods) 등. 머신러닝(ML) : 신경망, 회귀분석, 분류기 등 데이터 기반 기법을 사용해 모델 오차 보정, 영상–모델 정합, 또는 이미지로부터 직접 예측을 수행. 태양권 영상(Heliospheric Imaging)이 왜 중요한가 코로나그래프(COR; 예: SOHO/LASCO, STEREO/COR)는 CME가 코로나(태양 대기 외곽)를 떠나는 모습을 수십 태양반지름(r_Sun)까지 관측한다. 그러나 그 이후 수천만 킬로미터에 걸친 중간 거리는 관측 사각지대로 남기 쉽다. HI는 이 간극을 메워준다. HI는 시야각을 넓혀 수십 도의 신장각까지 관측해 CME의 전면이 1 AU 근처까지 도달하는 과정을 '무비'(time series)로