합성곱 신경망을 활용한 태평양 혼합층 추정

초록

해양 혼합층에 대한 정보는 지구 온난화에 의해 영향받고 있는 해양 대순환의 메커니즘을 이해하기 위해 필수적이나, 관측의 부족으로 인해 완전한 혼합층 구조를 추정하기는 어렵다. 본 연구에서는 딥러닝 기법 중 하나인 3D-CNN을 이용하여 위성 원격 탐지 자료, 재분석 수치 모델, 기후치로부터 태평양의 아르고 혼합층 수심(MLD) 자료를 학습하는 모델을 구성하였다. Case 분석을 통해 모델을 최적화하기 위한 입력 변수의 조합이 확인되었고, 혼합층 발달에 가장 큰 영향을 주는 조합은 해양 입력 변수들과 열속(Heat flux)과의 결합임이 밝혀졌다. 3D-CNN 방법은 기존의 심층 해양 원격탐지(DORS) 기술들과 공간 분포 자료만을 학습하는 2D-CNN 방법보다 작은 평균 제곱근 오차(RMSE)와 높은 결정계수(R²)를 나타냈다. 3D-CNN 방법과 다른 방법들의 성능 차이는 혼합층의 수심이 깊어질수록 증가하였는데, 이는 해양 내부의 추정에 대한 시/공간적 자료의 중요성을 보여준다. 또한, 딥러닝 혼합층 모델은 해양 재분석 모델인 GLORYS12V1과 비교하였을 때 겨울철에서 봄철까지 나타나는 난류 혼합과정과 재성층 과정을 더 잘 재현하였다. 3D-CNN을 통해 예측된 MLD의 시계열은 Ocean climate station (OCS) 계류 부이 자료를 통해 테스트 되었으며, 부이에서 계산된 MLD를 성공적으로 모사할 수 있었다. 따라서 본 연구는 해양 혼합 구조를 정확도 높게 추정하기 위한 방법으로 3D-CNN을 제시하고, 해양 순환 관련 연구에 기여할 수 있는 혼합층 데이터베이스를 제공하였다.