|
|
|
|
|
매년 여름 한반도를 위협하는 태풍은 북서태평양의 따뜻한 바다에서 힘을 받는다. 최근에는 폭염, 가뭄 같은 극단적 기후 현상도 해수면 고온과 연결되며, 해수면 온도 예측의 중요성이 더욱 커지고 있다. 이러한 예측의 신뢰도를 높이려면 정확한 과거 관측 데이터가 있어야 하는데, 위성이 측정하지 못하는 결측 구간을 복원하는 인공지능 모델이 나왔다. UNIST 지구환경도시건설공학과 임정호 교수팀은 위성 관측망의 결측구간을 보완해 해수면 온도 데이터를 1시간 단위, 2km 공간 해상도로 재구성할 수 있는 AI 복원 모델을 개발했다고 19일 밝혔다. 바닷물에는 지구 열에너지의 90%가 저장된다. 그 중 해수면은 바다와 공기 사이에서 열에너지가 직접 오가는 지점으로 해수면이 따뜻해지면 그 열에너지가 공기로 옮겨 가면서 태풍, 폭염, 집중호우 같은 현상을 일으킬 수 있다. 위성 관측은 이 해수면 온도를 광범위하게 모니터링할 수 있는 장점이 있지만, 구름, 강수, 관측 각도 제한 등으로 시공간적 결측 구간이 자주 발생한다. 이 탓에 해수면 온도 변화의 흐름을 읽기 어렵고, 장기적이고 정확한 온도 예측에도 한계가 있었다. 연구팀은 GAN 인공지능 모델에 고빈도 위성 관측자료와 수치예보모델의 열역학적 지식을 학습시켜, 위성의 결측 구간을 복원할 수 있는 모델을 만들었다. GAN은 원래 이미지 생성에 주로 사용되는 모델이지만 이번 연구에서는 수치예보모델의 열역학 정보를 함께 학습시켜, 실제 해양 물리 조건에 부합하는 해수면 온도 데이터를 더욱 정밀하게 복원할 수 있도록 설계됐다. 제1저자인 정시훈 연구원은 “기존 수치예보모델이나 통계 기반 기법은 위성의 해상도를 그대로 유지하기 어렵고 계산 비용도 컸다”며 “이 모델은 실제 실험에서 기존의 선형 보간 기법이나 통계 기반 모델보다 복원 정확도가 높게 나타났으며, 급격한 온도 변화 구간에서도 예측 성능이 우수한 것으로 확인됐다.”고 설명했다. 임정호 교수는 “이번에 개발한 AI 기반 복원 기술은 태풍 발생이 잦고 기후 변동성이 큰 북서태평양 해역에서 고해상도 해수면 온도 데이터를 생산할 수 있다”며 “이 지역은 한반도 기후에도 직접적인 영향을 미치는 만큼, 날씨 예측과 기후 분석의 정밀도를 높이는 데 큰 도움이 될 것으로 기대되며 장기적으로 고수온 현상과 같은 해양 재해 대응에도 활용될 수 있을 것”이라고 말했다. 연구 결과는 원격탐사 분야 최상위 국제 학술지인 ‘환경원격탐사(Remote Sensing of Environment, IF 11.1)’에 6월 1일 게재되었다. RSE는 환경과학 및 위성 관측 연구의 국제적 흐름을 주도하는 저널로 평가받고 있다 (논문명: PARAN: A novel physics-assisted reconstruction adversarial network using geostationary satellite data to reconstruct hourly sea surface temperatures) |
|
|
|
[붙임] 연구결과 개요 |
|
1.연구배경 해수면 온도는 대기와 해양 표층 사이에서 일어나는 열에너지 교환을 보여주는 핵심 지표로, 최근 빠르게 증가하는 고수온 현상을 예측하는 데 필수적이다. 현재 일부 선진국 기상청에서는 수치예보모델과 통계적 기법을 활용해 시간 단위의 해수면 온도 데이터를 생성하고 있지만, 이 방식은 계산량이 많고 다양한 가정을 필요로 해 실제 해양 상태를 정밀하게 반영하는 데 한계가 있다. 반면 인공지능 기술은 기존의 역학적 모델보다 적은 연산량으로 비선형적 관계를 효과적으로 학습할 수 있어, 해양 데이터를 보다 정밀하게 예측하는 데 유리하다. 특히 Himawari-8 같은 정지궤도 위성은 짧은 간격(10분 단위)으로 넓은 해역의 관측 자료를 수집할 수 있어, 인공지능 모델과 결합하면 시간별 해수면 온도 변화를 정밀하게 복원할 수 있는 가능성이 높다. 2.연구내용 연구팀은 정지궤도 위성인 히마와리-8(Himawari-8) 위성이 수집한 관측 자료를 활용해, 공간 해상도 2km, 시간 해상도 1시간 단위의 고해상도 해수면 온도를 재구성하는 딥러닝 기반 자료 복원 프레임워크를 개발했다. 해당 모델은 물리지식 기반 적대적 생성 신경망(Physics-Assisted Reconstruction Adversarial Network, PARAN)으로, 기상청 수치예보모델에서 제공하는 열역학 정보를 학습에 활용해 해양 물리법칙에 부합하는 결과를 도출할 수 있도록 설계됐다. 이 AI 모델은 미국 NOAA, 유럽 ECMWF 등 기존 선진국 기상청의 고해상도 모델보다 복원 정확도에서 우수한 성능을 보였고, 시간별 변화는 물론 일교차처럼 짧은 주기의 해수면 온도 변화까지 정밀하게 반영할 수 있는 것으로 나타났다. 무엇보다도 다양한 해양 환경 조건에서도 안정적으로 작동해, 실제 해양 데이터를 정밀하게 재현하는 데 적합하다. 3.기대효과 이번 연구는 다양한 해양 환경에서 해수면 온도의 시공간 변동성을 성공적으로 포착해냈으며, 인공지능 기반 모델이 기존 방식보다 더 정밀하고 유연하게 데이터를 복원할 수 있음을 보여줬다. 특히 PARAN 모델은 고해상도 위성 자료를 그대로 활용하면서 물리적 지식을 통합하는 방식으로, 향후 위성 자료 동화 및 해양 시뮬레이션 기술의 발전에도 기여할 것으로 기대된다. 또한 이 기술은 해류 변화, 해양 혼합층 두께, 염분 농도 분포 등 다양한 해양 물리 요소에 대한 정밀 복원으로 확장될 수 있으며, 태풍 발생 해역이나 고수온 현상 발생 지역에 대한 정밀 예측 및 대응 체계를 구축하는 데 활용 가능성이 높다.
|
|
[붙임] 용어설명 |
|
1.수치예보모델(Numerical Weather Prediction, NWP) 대기의 상태를 수학적으로 표현한 방정식을 컴퓨터로 계산해 날씨를 예측하는 모델이다. 온도, 기압, 풍속, 습도 등 다양한 기상 요소를 반영한 초기 상태를 바탕으로, 물리학과 열역학 법칙에 따라 시간이 지나면서 날씨가 어떻게 변할지를 시뮬레이션한다. 현재 전 세계 기상청에서 사용되는 날씨 예보는 대부분 이 수치예보모델에 기반한다. 우리나라를 포함한 주요 국가들은 각자 고유한 예보모델을 운영하며, 이를 통해 단기 및 중장기 기상 예보를 생산하고 있다. 2.적대적생성신경망(Generative Adversarial Network) 생성적 적대 신경망(Generative Adversarial Networks·GAN)은 두 인공지능(AI)끼리 경쟁을 붙여 오차를 줄이고 진짜 같은 가짜 이미지, 영상, 음성 등을 구현하는 기술이다. 3.Himawari-8 위성 일본 기상청이 운영하는 정지궤도 위성. 동아시아 지역을 대상으로 10분 간격의 고빈도 기상·복사 관측 데이터를 제공하며, 기상 예측뿐만 아니라 대기환경 분석에도 활용됨. |
|
[붙임] 그림설명 |
|
그림1. 개발된 복원 AI 모델과 그 성능 데이터. (좌측)적대적생성신경망기반의 시간별 해수면온도 복원 알고리즘 모식도와 모델 구조. (중앙) 기술선진국인 미국과 유럽의 자료와 정량적·정성적 비교 그리고 (우측) 개발된 자료를 활용한 북서태평양의 시간별 해수면온도 변동성 분석에 대한 그래프. |
|
UNIST 홍보팀 news@unist.ac.kr TEL : 052)217-1230FAX : 052)217-1229 |
![[연구그림] 개발된 복원 AI 모델의 구조과 그 성능 데이터](https://news.unist.ac.kr/kor/wp-content/uploads/2025/06/연구그림-개발된-복원-AI-모델의-구조과-그-성능-데이터.png)