한반도 연안 해역의 고수온 현상 분석. 관측 자료에 근거한 한반도 주변 고수온 현상의 정의.
연구개발 목적
이를 위해 ▲고온수온 관련 관측자료, 위성자료, 재분석자료를 수집하고 ▲인공지능 시스템의 동작과 결과를 정확히 이해하고 해석해 결과가 생성되는 과정을 설명한다. 한반도 해역의 고수온 현상을 모델링하고 예측하는 기술 개발을 목표로 합니다.
연구개발의 필요성
해양수산부의 사업을 통해 고수온 현상을 이해하고 예측하기 위한 관측 및 연구가 진행되고 있으나 머신러닝/딥러닝 인공지능 기술을 활용한 예측 연구는 아직 수행되지 않았다. 본 연구는 사회경제적 영향이 큰 고온현상을 예측하여 고온재해 저감대책을 마련하는데 활용될 것이다.
연구개발 범위
현재 기후 모델 수준의 계절적 예측 가능성은 각 변수에 따라 다르지만 중위도 지역에서는 거의 존재하지 않습니다. 그러나 CCA 모형의 경우 예측자 영역과 예측자 변수 영역의 선택에 따라 예측 가능성이 크게 달라지기 때문에 실제 적용 가능성이 불확실하다.
해양기후변화 관련 자료수집 및 전처리
미국 NCAR(National Center for Atmospheric Research)은 고온 현상 연구를 위한 데이터로 AVHRR 위성 데이터의 도움으로 생성된 OLR(Outgoing Longwave Radiation) 데이터 세트를 수집했습니다. 관측자료를 이용하여 계산한 OHC 자료에는 NCEI의 WOD 자료를 이용한 전지구 열량 자료가 포함된다. 또한 본 연구에서는 국제적으로 널리 유통되고 있는 해양재분석 자료를 수집하여 인공지능 모델 구축에 활용하였다.
Post-1950 데이터는 AI 모델(Ocean Reanalysis System 5), CLIVAR GSOP(Climate Variability and Predictability Global Synthesis and Observations Panel), GODAE(The Global Ocean Data Assimilation Experiment) OceanView의 ORA-IP의 세부 튜닝에 사용되었습니다. (Ocean Reanalyses Intercomparison Project) OHC 데이터 세트가 수집되었습니다. OHC는 수집된 SODA 및 GODAS 수온 데이터에서 0-300m 데이터를 사용하여 계산되었습니다. 또한 NCEI로부터 ERSST(Extended Reconstructed Sea Surface Temperature) v5 데이터를 수집하여 장기 Nino 지수를 계산하였다(표 3.1.8).
위성 데이터 중 해양예보 모델의 데이터 동화에 가장 많이 사용되는 OI SST 데이터와 OSTIA SST 데이터를 트레이닝 데이터로 처리하였다.
한반도 주변해역 고수온 현상 분석
한편, 한반도의 장마철은 기후의 세 가지 정점이 있다. 이 변동성은 북태평양 서부의 기후 현상인 계절 내 북향 진동과 관련이 있습니다. 첫 번째는 태평양-일본 패턴(PJ 패턴)으로 알려진 북서태평양 지역에서 동북아시아에 영향을 미치는 원격상관입니다(그림 3.2.8).
이와 같이 열대 지방에서 대류 활동에 반응하여 나타나는 로스비파의 형태는 태평양-일본 패턴이다. 즉, 전 세계적으로 5개의 파동을 나타내는 특징이 있습니다. 따라서 한반도를 비롯한 동아시아 지역에서 유라시아 패턴이 나타나는 것은 매우 제한적이다.
이는 단파 태양복사에 의한 상대적으로 강화된 지표면 가열로 인해 한반도 지역에 폭염을 유발한다.
X-AI 기술 이용 한반도 고수온 현상 모델링
다음으로 위의 학습 과정을 네 가지 기본 모델에 적용할 것이며, 각 모델 구조의 특징은 다음과 같다. 이 네 가지 기본 모델에 대한 장기 SST 변동의 학습 결과는 다음과 같습니다. 구축된 기본 딥러닝 모델과 선행인자(OLR, SST)를 이용한 한반도 고수온 예측모델 개발
심층 신경망을 기반으로 복잡한 AI 모델을 설명하는 몇 가지 방법이 있습니다. 본 연구에서는 인공지능 모델에서 사용되는 입력의 기여도를 고온예측 인공지능 모델에 할당하여 주요 특징 추출에 사용되는 특징 기여도 분석 방법론을 적용하고자 한다. 특징기반 설명가능한 인공지능 분석기법의 적용을 통한 한반도 고수온 예측성과 장기변동에 대한 SST 학습모형의 평가는 다음과 같이 수행하였다.
모델별 LRP 적용을 통한 진단 및 예측 평가 결과와 장기 SST 변동에 대한 전지구적 학습을 통한 동열대 태평양 지역의 SSTA 예측 결과(Nino3.4 지수)에 대해 산출된 Relevance Map은 다음과 같다. 아래 그림. 다음과 같은 질적 해석이 가능하다.
목표 달성도
대외기여도
엘니뇨 기반 모델을 활용하여 개발된 한반도 주변 고수온 예측을 위한 딥러닝 기후 예측 모델은 기후 모델의 낮은 예측 성능을 극복하고 기후 예측 활성화를 위한 기반을 마련한 데이터 기반 모델로 평가받고 있습니다. AI 기술을 활용한 융합연구. 높은 수온과 엘니뇨를 예측하는 데 사용되는 기계 학습 데이터는 다른 AI 모델 개발에도 사용할 수 있습니다. 또한, AI+해양순환 및 기후변화 융합연구를 고도화하기 위해 AI 기술을 확보하고, 고온예측모델을 활용하여 고온재해 완화대책을 마련할 것으로 기대된다.
특히, 본 연구의 결과는 인공지능 기술을 도입하여 사회적, 경제적 영향이 큰 고온 현상을 예측하고, 융합 연구 시스템을 구성하여 이전에는 발견할 수 없었던 예측 요인이나 현상에 대한 새로운 이해를 제공한다. 해양 및 데이터 기술 분야 사회경제적 파급효과가 큰 고온현상(수온예측모델)을 예측하여 고온재해 저감대책 마련에 활용될 예정이며, 국가적, 해양과학기술 예측 및 대응 연구에 대한 사회적 요구
