1. 서론

북상중인 태풍과 유사한 과거의 태풍을 검색하는 것은 재난에 대비하여 과거의 경험을 통해 대비함으로써 피해를 저감시킬 수 있다. 태풍은 호우와 강풍을 발생시킬 뿐만 아니라 산사태, 해일과 같은 다른 자연재난으로 이어지며 사회재난을 동시에 발생시키는 복합재난의 성격을 갖고 있어 우리나라의 주요한 관심 재난이다(황순미 등, 2020; 나유경 등, 2019; 이재은･이우관, 2014). 2022년 9월 우리나라를 강타하여 제주도와 포항시, 경주시 일대에 막대한 피해를 입힌 태풍 힌남노(Hinnamnor)의 경우, 당시 각종 매스컴을 통해 힌남노의 예상 진로와 과거에 발생한 유사한 태풍을 찾아서 그때의 피해와 비교하여 보도하는 등 관심이 집중되었다. 비록 포항 제철소가 창립 이래 최초로 전면 가동이 중단되는 사태가 발생하는 등 큰 피해가 발생했지만, 적극적인 언론의 보도를 통해 유관기관과 국민들의 대비 및 방재계획 수립에 긍정적인 영향을 주었다. 과거 발생한 유사한 태풍을 사전에 인지한다면 당시의 피해규모와 피해지역 정보를 활용하여 현재를 대비함으로써 태풍 피해를 최소화시킬 수 있다. 또한 태풍은 매년 발생하기 때문에 과거 유사태풍 정보를 누적하여 관리함으로써 지속가능한 정책 자료로 활용될 수 있을 것이다. 이처럼 방재와 대응의 측면에서 신속하게 현재의 태풍에 대해 과거에 발생한 비슷한 태풍을 찾아내는 것은 중요한 의의를 갖는다(장기호 등, 2013; 박종길 등, 2007).

태풍 관측기법과 센서의 발달로 태풍 경로 예측 기술의 정확도는 높아졌으며, 현재도 발전하고 있다(Rüttgers et al., 2019; Gao and Chiu, 2012). 태풍 경로 예측 기술의 발전을 토대로 북상중인 태풍과 비슷한 과거 유사태풍 검색 관련 연구의 중요성이 강조되며 다양한 연구가 시도되었다. 최진무(2011)는 태풍경로의 시공간적 유사성에 기초하여 과거 태풍 검색 연구를 진행하였다. 과거 태풍의 경로를 구성하는 노드와 관측 태풍의 경로간의 평균 거리가 최소가 되는 태풍을 검색하였는데, 패턴의 유사성 측정을 위해 평균 벡터 합이 작을수록 유사한 태풍으로 선정하였다. 선승호(2010)는 Nearest Neighbor Method(NNM) 분석 기법을 활용한 연구를 진행하였다. 태풍 경로의 기준점으로부터 유클리드 거리를 계산하고 최근접밀도함수를 사용하여 평가하는 방식을 사용하였다. 김연중 등(2019)은 딥러닝 기법을 사용하여 과거의 태풍 경로를 학습시켜 유사한 태풍 경로를 예측하였다. 뉴럴 네트워크 최적화 기법을 사용해 심층 신경망 모델을 구성하여 예측에 활용하였다. 또한 과거 태풍 기상정보와 통계값을 활용하거나 Fuzzy-C Means(FCM) 기법을 기반으로 비슷한 태풍의 경로를 유형화하여 유사태풍을 분류하는 연구도 진행되었다(김혜지, 2015; Kim et al., 2011).

이러한 다양한 연구들은 태풍 경로의 공간적인 인접성을 핵심 요인으로 선정하여 분석을 진행하였다. 태풍의 크기와 위험반경을 고려했을 때, 태풍 경로의 유사성 역시 과거 유사태풍을 검색하는 방법에 중요한 기준이 될 것이다(장은미, 2006). 하지만 여러 연구에서 논의된 것과 같이 다양한 태풍 속성도 유사태풍 검색에 고려되어야 한다. 태풍의 속성으로는 태풍 등급, 중심기압 등 태풍을 묘사하는 다양한 속성이 존재한다. 따라서 태풍의 경로와 다양한 태풍의 속성을 동시에 고려할 수 있는 과거 태풍검색 방법이 요구된다.

본 연구에서는 태풍 경로와 태풍 속성을 활용한 과거 유사태풍 검색 방법을 제안하고자 한다. 과거 유사태풍의 판단 기준을 두 가지로 설정하였다. 첫째, 태풍 경로간의 인접성을 활용한 공간 유사도이다. 공간 유사도 측정을 위해 북상중인 태풍의 개별 이동 지점과 과거 태풍 경로간의 거리 합을 통해 순위를 도출하는 최소거리법(최진무, 2011)을 사용하였다. 둘째, 태풍 속성의 시계열 변화 유사성을 기초로 한 속성 유사도이다. 분석에 사용된 태풍 속성은 선행 연구를 참고하여 태풍 강도, 폭풍역 방향, 강풍역 방향, 상륙 여부, 이동 방향으로 선정하였다. 연속적인 다양한 태풍 속성 배열의 유사성을 측정하기 위해 다차원 정보배열분석법을 사용하였다. 이후 공간 유사도와 속성 유사도를 종합적으로 고려하여 최종 유사태풍을 선정하였다.

2. 데이터 및 분석 과정

1) 데이터

본 연구에서 사용한 태풍 데이터의 시간적 범위는 태풍 속성정보를 누락 없이 제공하는 2001년부터 2021년까지로 설정하였다. 분석 기간에 발생한 태풍은 총 501건이며, 이 중 한반도 영향 태풍은 총 128건으로 이를 관측 태풍과 직접 비교하여 검색을 진행할 과거 태풍으로 선정하였다. 우리나라 기상청에서 제공하는 과거 태풍 정보는 관측시점에서 위치 정보와 함께 6시간 단위로 일시, 위도, 경도, 중심기압, 속도, 강풍반경, 크기, 70% 확률 반경 정보가 수록되어 있다. 또한 관측시점으로부터 12시간, 24시간, 36시간, 48시간, 72시간, 96시간, 120시간 이후 예상 경로를 함께 제공하고 있는 것이 특징이다. 일본 기상청에서 제공하는 태풍정보는 6시간 단위로 위치 정보를 포함하여 풍속, 폭풍역과 강풍역의 방향과 길이, 상륙 여부를 함께 제공하고 있다.

본 연구에서는 다양한 속성정보를 사용한 검색 방법을 시도하였기 때문에 일본 기상청 태풍 데이터를 사용하였다. 속성정보는 태풍의 특성을 자세히 묘사할 수 있다고 알려진 태풍 강도, 폭풍역 방향, 강풍역 방향, 상륙 여부, 이동 방향을 입력자료로 사용하였다(Takagi, 2019; Kobayashi et al., 2015; Onogi et al., 2007). 태풍 강도는 태풍 중심 최대풍속에 따라 결정되는데 세계기상기구와 한국 기상청, 일본 기상청이 다른 기준을 사용하고 있다. 모든 강도 분류를 반영할 수 있도록 표 1과 같이 태풍 강도를 재분류하였다. 각 태풍 발생지점에 따라 강도는 6시간 단위로 1에서 6으로 부여된다.

다음으로 폭풍역 방향, 강풍역 방향, 이동 방향을 8방위로 코드화 하였다. 태풍 지점별 방향 코드는 북동(1), 동(2), 남동(3), 남(4), 남서(5), 서(6), 북서(7), 북(8)으로 설정하였다. 강풍역과 폭풍역이 존재하지 않는 지점은 0으로 할당하였다. 마지막으로 상륙 여부는 태풍이동 중심점이 육지에 있을 경우 1로, 바다에 있을 경우에는 0으로 구분하여 값을 할당하였다. 앞서 서술한 입력자료로 사용된 태풍 강도, 폭풍역 방향, 강풍역 방향, 상륙 여부, 이동 방향 데이터 예시는 그림 1과 같다. 예시는 2022년 1월 1일 6시부터 1월 2일 6시까지 6시간 간격으로 총 5회 관측된 태풍 정보이다. 각 속성은 시계열 순으로 배열화가 가능하며, 5가지 속성을 사용하기 때문에 5차원 형태의 배열이 된다. 이는 다차원 정보배열분석법의 입력자료가 된다.

그림 1.

태풍 속성 데이터 예시

2) 분석 과정

서로 다른 태풍의 유사함을 판단하기 위해서는 태풍 경로 간 인접성이 우선시 되어야 할 것이다. 예를 들어, 태풍 강도의 변화가 모두 동일하더라도 태풍이 공간상에서 이동하는 위치가 서로 상이하다면 우리나라에 미치는 영향이 크게 달라질 것이다. 따라서 태풍 위치의 공간적 인접성을 우선시하여 공간 유사도를 먼저 도출한 뒤, 속성 유사도를 산출하여 분석을 진행하였다. 분석 과정의 흐름은 그림 2와 같으며 상세 내용은 다음과 같다.

그림 2.

분석 과정 모식도

먼저 공간 유사도 측정을 위해 최소거리법(minimum distance method)을 사용하였다. 최소거리법은 기준 경로(북상중인 태풍)의 시점별 태풍 중심점에 해당하는 노드(node)와 비교 대상인 과거 태풍경로에 해당하는 링크(link)의 최단거리를 계산하여 모든 노드에서 링크와의 최단거리의 합을 산출하는 방법이다(최진무, 2011). 즉, 두 태풍 경로가 인접하게 위치해 있다면 최단거리 합이 작아지기 때문에 유사한 경로로 판단하는 방식이다. 위와 같은 과정을 통해 공간 유사도 순위가 도출된다.

다음으로, 공간 유사도 결과로 도출된 상위 태풍을 대상으로 속성 유사도를 측정한다. 속성 유사도 측정을 위해 다차원 정보배열분석법(multi-dimensional sequence alignment method)을 사용하였다. 정보배열분석법은 서로 다른 명목형 배열의 유사성을 정량적으로 측정할 수 있는 방법으로(McClure et al., 1994; Kruskal, 1983), 지리학에서는 교통 분야에서 통행패턴을 분석하기 위하여 도입되었다(Wilson, 1998). 정보배열법의 원리는 서로 다른 배열을 동일하게 만드는데 소모되는 추가(add)와 삭제(delete) 행위를 합산하여 유사성을 정량적으로 측정하는 방식이다. 예를 들어 ‘D-B-A-C’배열과 ‘A-B-C-D’의 유사성을 측정하고자 할 때, 관측배열인 ‘D-B-A-C’배열을 기준배열인 ‘A-B-C-D’와 동일하게 만들기 위해서는 배열의 첫 번째에 위치한 ‘D’와 두 번째에 위치한 ‘B’를 삭제해야 한다. 그 다음 남아있는 ‘A-C’배열에서 두 번째 위치에 ‘B’를 추가하고, 마지막 네 번째 위치에 ‘D’를 추가한다. 최종적으로 2회 추가와 2회 삭제 행위가 이루어졌기 때문에 일치비용(유사성)은 4가 된다. 즉, 일치비용이 작을수록 두 배열은 유사하다고 판단하는 방식이다. 만약 동시에 비교하려는 배열이 여러 개일 경우 다차원 방법을 사용한다. 그림 3은 2개의 속성을 동시에 고려한 다차원 정보배열분석법의 예시이다. 우선 동일한 속성끼리 단차원 방법을 사용하여 일치 비용을 산출한다. 예시에서는 속성1에 해당되는 두 배열의 일치 비용은 4이며, 속성2의 두 배열의 일치비용은 4이다. 두 일치비용을 합산하면 8이 되는데, 여기서 중복되는 비용을 제거한다. 예시에서는 1번째 항목 삭제가 2회 발생(속성 1의 D, 속성 2의 4 삭제)하였으며 4번째 항목 추가가 2회 발생(속성 1의 D, 속성 2의 4)하여 총 4의 일치비용이 발생한다. 여기서 동일한 위치에서의 추가와 삭제 행위를 하나로 간주하여 일치비용은 2가 되어 이전에 산출한 일치비용 8에서 2를 제거하여 최종 유사성은 6이 되는 방식이다. 본 연구에서는 5가지 태풍 속성을 사용하였기 때문에 다차원 방법을 적용하여 속성 배열의 유사도를 산출하였다. 그 다음 앞서 도출한 공간 유사도와 속성 유사도를 종합하여 최종 유사태풍을 선정하였다.

그림 3.

다차원 정보배열분석법 예시(최진무, 2011 재편집)

3. 과거 유사태풍 검색

1) 사례 태풍 선정

태풍 검색을 모의하기 위해 지난 2019년 우리나라에 많은 피해를 입힌 태풍 미탁(MITAG)을 사례로 선정하여 분석을 진행하였다. 당시 태풍 미탁의 진로에 따라 검색 시점을 4가지로 구분하여 모의를 진행하였다. 기상청의 기준을 참고하여 감시구역을 태풍의 중심이 북위 20° 북쪽, 동경 140° 서쪽으로 설정하였으며 경계구역은 태풍의 중심이 북위 25° 북쪽, 동경 135° 서쪽에 위치한 경우로 설정하였다. 태풍의 경로와 속성값 비교가 시작되는 지점은 감시구역에 진입한 시점으로 설정하였다. 첫 번째 검색지점은 경계구역에 최초로 진입한 시점으로 설정하였으며, 두 번째 검색지점은 한반도 상륙 24시간 전으로 설정하였다. 세 번째 검색지점은 한반도에 최초 상륙한 시점으로 설정하였으며, 마지막 네 번째 검색지점은 마지막 한반도 영향권 시점으로 설정하였다. 태풍 미탁의 이동 경로에 따른 검색지점은 그림 4와 같다.

그림 4.

태풍 미탁(MITAG)의 진행 경로 및 유사태풍 검색지점

2) 공간 유사도 검색 결과

검색지점별 공간 유사도 검색 결과(상위 5개)는 그림 5와 같다. 그림 5-a는 1번 검색지점의 결과이다. 경계구역에 최초로 진입한 시점에서는 2016년에 발생한 태풍 말라카스(MALAKAS)가 가장 유사한 태풍으로 검색되었다. 태풍 말라카스는 미탁과 1번 검색지점까지 거의 모든 지점에서 경로가 유사함을 확인할 수 있다. 2순위는 2000년에 발생한 태풍 바비(BAVI)로 나타났으며 태풍 쿠지라(KUJIRA), 태풍 갈매기(KALMAEGI), 태풍 다나스(DANAS)가 뒤를 이었다.

한반도 상륙 24시간 전인 그림 5-b 2번 검색지점에서도 태풍 말라카스가 가장 유사한 태풍으로 나타났다. 거리 유사도 순위는 가장 높게 나타났지만, 추후 결과 해석시 후반부에 경로가 일본 본토로 향하는 것을 염두해야할 것으로 판단된다. 2순위는 2007년에 발생한 태풍 크로사(KROSA)가 신규 검색되었다. 이후 순위는 이전에 검색되었던 태풍 다나스, 바비, 갈매기로 나타났다.

그림 5.

검색시점별 공간 유사도 검색 결과((a): 1번 시점, (b): 2번 시점, (c): 3번 시점, (d): 4번 시점)

한반도에 최초 상륙한 시점인 그림 5-c 3번 검색지점에서는 이전 지점에서 검색되었던 태풍 다나스가 1순위로 나타났다. 태풍의 진행에 따라 미탁과 경로가 매우 유사함을 확인할 수 있다. 또한 3순위･4순위는 2004년에 발생한 태풍 민들레(MINDULLE)와 2014년에 발생한 태풍 풍웡(FUNG- WONG)이 신규 검색 되었다. 두 태풍 모두 경계구역에 진입한 이후 태풍 미탁과 경로가 유사함을 확인할 수 있다.

마지막으로 한반도 영향권을 벗어나기 직전 시점인 그림 5-d 4번 검색지점에서도 태풍 다나스가 1순위로 나타났다. 2순위와 5순위에 태풍 므란티(MERANTI)와 태풍 소델로(SOUDELOR)가 신규 검색되었다. 이전 시점에 검색되었던 태풍 풍웡과 민들레가 각각 3순위와 4순위로 나타났다.

3) 속성 유사도 검색 결과

앞서 제시한 검색지점별 상위 5개 공간 유사도 검색 결과로 도출된 태풍을 대상으로 속성 유사도 검색을 진행하였다. 속성 유사도 검색에 사용된 태풍 속성은 태풍 강도, 폭풍역 방향, 강풍역 방향, 상륙 여부, 이동 방향이며 다차원 정보배열분석법을 속성 배열에 적용하여 산출할 수 있다. 검색지점별 속성 유사도 검색 결과는 표 2와 같다. 표 2의 일치비용은 다차원 정보배열분석법을 통해 산출된 값으로, 값이 작을수록 태풍 미탁과 유사한 속성 배열이라고 해석할 수 있다. 유사도는 배열의 길이를 고려하여 일치비용을 통해 산출된다. 예를 들어 최대 일치비용이 10인 두 배열이 있다고 가정했을 때, 다차원 방법을 사용하여 산출된 일치비용이 2라면 유사도는 80%가 되는 방식이다.

1번 검색지점에서 속성 유사도는 태풍 말라카스가 유사도 55%로 가장 높게 나타났다. 태풍 갈매기는 52.5%로 역시 높은 유사도를 나타냈다. 태풍 바비와 쿠지라, 다나스는 40% 이하의 유사도로 산출되었다. 2번 검색지점에서 속성 유사도 결과 역시 태풍 말라카스가 61.7%의 유사도로 가장 높게 나타났다. 다음으로 태풍 바비가 유사도 50%이며, 태풍 크로사와 다나스, 갈매기는 모두 50% 이하의 유사도인 것을 확인할 수 있다. 3번 검색지점에서는 태풍 민들레가 60%로 가장 높은 유사도가 산출되었다. 또한 태풍 바비(56.3%), 태풍 풍웡(52.5%)역시 높은 유사도로 나타났다. 마지막 4번 검색지점에는 태풍 민들레가 64.5%로 모든 검색지점을 통틀어 가장 높은 유사도를 나타냈다. 태풍 풍웡이 60%로 역시 높은 유사도를 나타냈으며, 이어서 태풍 소델로(54.5%), 태풍 다나스(53.6%), 태풍 므란티(52.7%)로 검색되었다.

4) 최종 유사태풍 선정

공간 유사도 검색 결과와 속성 유사도 검색 결과를 종합하여 태풍 미탁과 가장 유사한 태풍을 선정하였다. 표 3은 앞서 분석한 공간 유사도와 속성 유사도 결과를 종합한 표이다. 1번~2번 검색지점에서는 태풍 말라카스가 공간 유사도와 속성 유사도 모두 1순위인 것을 확인할 수 있다. 하지만 이전 그림 5에서 볼 수 있듯이 시간이 지남에 따라 일본 본토로 태풍의 방향이 급선회한 것과 3번과 4번 검색지점에서 검색되지 않은 것을 고려하여 우선순위에서 제외하였다. 3번 검색지점과 4번 검색지점에서 태풍 민들레가 공간 유사도뿐만 아니라 속성 유사도 역시 높은 것을 볼 수 있으며, 태풍 바비와 다나스 역시 중상위권에 위치한 것을 확인할 수 있다. 검색지점별로 검색된 상위 3개 태풍과 공간 유사도와 속성유사도를 종합적으로 고려했을 때, 공간 유사도와 속성 유사도가 모두 높게 나타난 태풍 민들레를 미탁과 가장 유사한 태풍으로 선정하였다.

4. 논의

본 연구에서 제안한 태풍 경로와 여러 속성을 고려한 과거 태풍 검색 방법의 확장과 활용성을 높이기 위해서는 다음과 같은 논의가 필요하다. 첫째, 태풍 속성 선정과 가중치에 관한 논의가 필요하다. 분석에 사용된 5가지 태풍 속성 이외에 해수면 온도, 강수량 등 당시 태풍이 발생한 환경을 묘사할 수 있는 다른 속성정보가 활용될 수 있을 것이다(박창용 등, 2008). 또한 정보배열분석법을 적용하여 태풍 강도의 유사성을 산출할 경우 1등급과 2등급의 차이와 1등급과 5등급의 차이가 동일하게 나타난다. 따라서 서열형 속성값이나 항목별 가중치를 고려할 수 있는 분석 방법이 연구된다면 더욱 세밀한 분석이 가능할 것이다. 또한 분석에 사용된 속성정보는 명목형(범주형) 데이터로, 정량적인 수치를 함께 고려할 수 있는 방법론 연구가 시도될 수 있을 것이다.

둘째, 최종 유사태풍을 선정하는 다양한 연구가 필요하다. 본 연구에서 제시한 방법은 공간 유사도 검색 결과를 토대로 속성 유사도를 산출하여 결과를 종합하여 제시하였다. 최종 유사 태풍을 선정하기 위해 공간 유사도 결과와 속성 유사도 결과에 가중치를 부여하여 표준화 점수를 산출하는 방법이 시도될 수 있을 것이다. 가중치 부여를 위해서는 요인들의 비교를 통해 중요도를 산출하는 분석 방법인 AHP(Analytic Hierarchy Process) 분석이 활용될 수 있을 것이다(Saaty, 1988). 또한 태풍별 피해범위를 중첩하여 비교하는 방법도 가능할 것이다. 그림 6은 앞서 도출된 주요 태풍의 피해지역과 태풍 미탁의 피해지역을 중첩하여 시각화한 그림이다. 과거 태풍의 피해 정보는 행정안전부 국민재난안전포털의 자연재난상황통계¹⁾에서 획득할 수 있다. 태풍 미탁은 당시 강원, 경남, 전남, 제주 일대에 피해를 입혔다. 태풍 민들레와 태풍 바비, 다나스 역시 비슷한 공간 분포를 나타내는 것을 확인할 수 있다. 중첩결과 태풍 민들레와 태풍 미탁으로 인해 강원도와 경상북도, 전라남도에 위치한 18개 시군이 공통적으로 피해를 받은 것으로 나타났다. 이어서 공통된 5개 시군이 태풍 바비와 미탁으로 피해를 입었으며, 태풍 다나스와 미탁으로 인해 11개의 동일한 시군이 당시 피해를 받았다. 태풍 갈매기와는 중첩된 피해지역이 탐지되지 않았다. 물론 태풍이 북상중일 때 위와 같은 실시간 분석은 불가능하다. 하지만 피해자료가 확보되어 있는 태풍을 대상으로 본 연구에서 제시한 검색 방법과 피해범위 및 피해액 등을 사용한 사후 분석을 통해 방재 단계에서 정책적인 활용이 가능할 것이다.

그림 6.

과거 태풍과 미탁의 공통피해지역((a): 민들레, (b): 다나스, (c): 바비)

셋째, 후지와라 효과(Fujiwhara Effect)를 고려한 태풍 검색 기법에 대한 연구가 필요하다. 후지와라 효과란 다른 두 개의 태풍이 인접할 경우 서로의 진행 경로와 속도 등에 영향을 받는 효과를 말한다(문민철 등, 2016; Dong and Neumann, 1983). 따라서 후지와라 효과를 받았던 과거 태풍뿐만 아니라 북상중인 태풍이 후지와라 효과의 영향을 받는지 역시 경로와 속성기반 유사도 분석에 고려해야 할 것이다. 이를 위해 태풍 속성에 후지와라 효과의 영향 여부를 추가하여 활용할 수 있을 것이며, 선행연구 검토를 통해 경로와 속성의 영향 정도를 측정하여 분석하는 방법이 고려될 수 있을 것이다(Liu et al., 2014). 또한 검색 시 후지와라 효과를 제외한 태풍만을 대상으로 검색 결과를 세분화하여 제공하는 방법이 시도될 수 있을 것이다.

5. 결론

태풍은 매년 여름 한반도를 타격하는 우리나라의 대표적인 재난으로 매년 방재 인프라 구축과 복구에 많은 예산과 노력이 투입되고 있다(이은걸･이현영, 1998). 해마다 매스컴 및 보도자료를 통해 한반도로 북상이 예상되는 태풍과 비슷한 태풍 정보를 알려 국민들의 대비활동을 촉진시키고 방재 시설물 점검을 유도하는 등 유사태풍 검색은 중요한 활동이다. 본 연구에서는 기존 연구의 한계점을 극복하고자 태풍 경로와 다양한 속성정보를 활용한 유사태풍 검색 방법을 제안하였다.

검색 과정을 두 단계로 구분하여 공간 유사도 도출 단계와 속성 유사도를 도출 단계로 구성하였다. 유사한 태풍은 서로 공간적으로 인접한 위치임을 가정하여 태풍 경로간 거리 인접성을 기반으로 최진무(2011)가 제안한 최소거리법을 공간 유사도 방법으로 사용하였다. 이후 검색된 상위 태풍들을 대상으로 속성 유사도를 도출하였다. 속성 유사도는 서로 다른 연속적인 시계열 배열의 정량적인 비교가 가능한 다차원 정보배열분석법(Joh et al., 2002)을 사용하였다. 이후 검색된 결과를 토대로 시점별로 공간 유사도와 속성 유사도가 모두 상위 순위로 검색된 태풍을 최종 유사태풍을 선정하였다.

검색 모의를 위해 2019년 우리나라에 많은 인명･재산 피해를 입힌 태풍 미탁을 사례 태풍으로 선정하였다. 검색 시점을 감시구역, 경계구역, 한반도 최초상륙, 마지막 한반도 영향권으로 구분하여 검색 시뮬레이션을 실시하였다. 분석결과, 두 유사도를 종합하여 비교적 높은 공간 유사도와 속성 유사도 순위를 나타낸 2004년 태풍 민들레를 최종 유사태풍으로 선정하였다.

본 연구에서 제시한 데이터 가공과 분석 방법은 오픈소스 기반의 파이썬 언어로 모듈화 하였기 때문에 향후 활용성과 확장성이 높다. 또한 공간 유사도와 속성 유사도 결과를 도출하는 연산시간은 1분 이내로 완료되기 때문에 실제 상황에서 신속한 사용이 가능하다. 과거 태풍 정보는 시간이 지남에 따라 누적될 것이며, 이를 통해 본 연구에서 제시한 분석결과로 얻을 수 있는 정보는 점차 확대될 것이다. 시간이 흘러 다량의 태풍 빅데이터가 누적된다면, 본 연구에서 제시한 분석방법에 CyberGIS 접근법을 적용하여 해결 가능할 것이다(Kang et al., 2020). 마지막으로, 본 연구에서 제시한 분석결과는 태풍과 관련된 다양한 수치･예측모델의 입력자료로 사용될 수 있을 것이며, 정책의사결정을 위한 보조자료로 활용될 수 있을 것으로 기대된다.