기후 데이터 분석을 위한 비선형 차원 축소 방법

초록

**
본 논문은 엘니뇨·남방진동 현상의 해양 표면 온도와 열층 깊이 데이터를 대상으로, 신경망 기반 비선형 주성분 분석(NLPCA), Isomap, Hessian 지역선형 임베딩(Hessian LLE) 세 가지 비선형 차원 축소 기법을 적용한다. 관측 자료와 CMIP3 다중 모델 시뮬레이션을 비교 분석한 결과, 이들 비선형 방법이 기존 선형 PCA가 제공한 정보와 크게 차별되지 않지만, 탐색적 데이터 분석 도구로서 유용함을 확인하였다.

**

상세 분석

**
본 연구는 기후 시스템이 내재하는 비선형 동역학을 반영하기 위해, 전통적인 선형 차원 축소 기법인 주성분 분석(PCA)의 한계를 지적하고, 세 가지 최신 비선형 차원 축소 알고리즘을 도입하였다. 첫 번째 방법인 NLPCA는 자동 인코더 구조를 갖는 인공신경망을 이용해 입력 데이터의 비선형 매니폴드를 저차원 공간에 재구성한다. 학습 과정에서 은닉층의 차원을 2~3 차원으로 제한함으로써 주요 변동 모드를 추출하고, 재구성 오류를 최소화한다. 두 번째인 Isomap은 데이터 간 거리 보존을 목표로, 먼저 k-최근접 이웃 그래프를 구성하고, 그래프 상 최단 경로를 이용해 전체 거리 행렬을 계산한 뒤 다차원 스케일링(MDS)을 적용한다. 이 과정은 데이터가 매끄러운 저차원 리만 다양체 위에 놓여 있다고 가정한다. 세 번째인 Hessian LLE는 지역 선형 근사를 기반으로 하면서, Hessian 행렬을 이용해 두 번째 미분 정보를 보존함으로써 보다 정교한 매니폴드 구조를 복원한다. 특히, 데이터가 고차원에서 얽혀 있을 때 국소적인 곡률 정보를 유지하는 데 강점을 가진다.

연구에 사용된 데이터는 1979‑2005년 기간의 열대 태평양 해수면 온도( SST )와 열층 깊이(thermocline depth) 관측값, 그리고 CMIP3 프로젝트에 포함된 다중 일반 순환 모델( GCM ) 시뮬레이션 결과이다. 관측 데이터는 ERSST v3b와 TAO/PMEL 자료를 결합했으며, 모델 데이터는 15개 이상 모델의 연간 평균을 이용해 다중 모델 평균(MME)과 개별 모델 변동성을 분석하였다. 각 비선형 기법에 대해 동일한 전처리(시간 평균 제거, 표준화)와 동일한 차원(2차원) 목표를 적용했으며, 결과는 재구성 오차, 설명된 분산 비율, 그리고 엘니뇨 사건을 대표하는 패턴(예: 전형적인 ENSO 위상)의 시각적 유사성을 기준으로 평가하였다.

NLPCA는 첫 번째 비선형 모드가 전통적인 PC1과 거의 일치했으며, 두 번째 모드는 PC2와 유사한 위상 변화를 보였다. 재구성 오차는 PCA 대비 약 5% 감소했지만, 기후 의미 측면에서는 새로운 변동 모드가 도출되지 않았다. Isomap은 거리 보존 측면에서 높은 정확도를 보였지만, 최종 2차원 임베딩이 여전히 선형 PCA와 유사한 구조를 나타냈다. 특히, k값을 변화시켜도 매니폴드 형태가 크게 변하지 않아, 데이터가 실제로는 거의 선형적이라는 결론을 뒷받침한다. Hessian LLE는 지역 곡률을 반영하려는 시도가 있었으나, 고차원 잡음과 제한된 샘플 수(연간 평균 27년) 때문에 안정적인 저차원 표현을 얻지 못했다. 결과적으로, 세 방법 모두 ENSO 변동을 설명하는 주요 패턴을 재현했지만, 기존 PCA가 제공한 정보와 실질적인 차별성을 제공하지 못했다.

이러한 결과는 기후 데이터가 높은 차원에도 불구하고, 주요 변동이 비교적 선형적인 구조에 의해 지배된다는 점을 시사한다. 비선형 차원 축소 기법은 데이터가 복잡한 매니폴드 형태를 가질 경우 강력한 도구가 될 수 있으나, ENSO와 같은 대규모 대기·해양 상호작용 현상에서는 선형 기법이 충분히 효과적일 수 있다. 또한, 비선형 방법의 적용에는 충분한 샘플 수와 잡음 억제가 필수적이며, 파라미터 선택(k값, 은닉층 차원 등)이 결과에 큰 영향을 미친다. 향후 연구에서는 장기 시계열(예: 1900년대 초반 재구성 데이터)이나 고해상도 지역 모델 데이터를 활용해 비선형 매니폴드가 더 명확히 드러나는 상황을 탐색할 필요가 있다.

**