데이터 기반 확률적 대기 해양 플럭스 파라미터화

초록

본 연구는 인공신경망을 이용해 대기와 해양 사이의 모멘텀 및 열 플럭스를 확률적 가우시안 분포로 모델링한다. 입력 변수(풍속, 기온, 해수면 온도, 상대 습도, 기압)를 조건으로 평균과 분산을 동시에 학습시켜, 기존의 결정론적 벌크 알고리즘과 비교해 유사한 평균값을 제공하면서도 불확실성을 정량화한다. 단일 컬럼 해양 모델에 적용한 결과, 계절별 SST와 혼합층 깊이에 미치는 영향이 드러났으며, 특히 봄 재성층 형성 시 불확실성 폭이 크게 증가하였다.

상세 분석

이 논문은 대기‑해양 인터페이스에서 발생하는 모멘텀 플럭스(τx, τy)와 열 플럭스(QS, QL)를 기존의 COARE와 같은 벌크 알고리즘이 제공하는 평균값에 머무르지 않고, 관측된 에디‑코베어런스(EC) 데이터를 기반으로 조건부 가우시안 확률분포로 표현한다는 새로운 패러다임을 제시한다. 핵심은 두 개의 인공신경망(ANN)을 사용해 입력 변수 X=(풍속, 대기 온도, 해수면 온도, 상대 습도, 기압)로부터 각각 평균 μθ(X)와 분산 σ²ϕ(X)를 추정하는 것이다. 평균 ANN은 초기에는 평균제곱오차(MSE) 손실로 학습한 뒤, 전체 모델은 음의 로그우도(NLL) 손실을 최소화하도록 재학습한다. 이는 평균 예측이 데이터의 변동성을 충분히 반영하도록 하고, 동시에 분산 예측이 양의 값을 갖도록 보장한다.

조건부 가우시안 가정은 실제 EC 측정값이 평균값 주변에 넓게 퍼져 있음을 반영한다. 특히, τy와 같이 입력 변수에 직접적인 신호가 없는 경우 평균값은 0에 가깝지만, 제안된 프레임워크는 σ²를 통해 그 불확실성을 정량화한다는 점이 의미 있다. 실험 결과, ANN 기반 평균 예측은 COARE 3.6 대비 R²가 약간 높으며, RMSE와 편향도 유사하거나 개선된 것으로 나타났다. 다만, 지역별 입력 변수 분포 차이로 인해 열 플럭스(QS, QL)의 예측 성능은 크게 변동한다. 열 플럭스 중 QS는 열변동이 작아 열대 지역에서 R²가 0.15 수준으로 낮으며, QL은 절대 오차가 크게 나타난다.

확률적 파라미터화를 검증하기 위해 단일 컬럼 일반 해양 난류 모델(GOTM)에 평균 및 샘플링 기반 플럭스를 각각 적용하였다. 평균 플럭스만 사용한 경우와 달리, 샘플링을 통한 스토캐스틱 실행은 봄철 재성층 형성 시 SST와 혼합층 깊이의 변동성을 크게 확대시켰다. 이는 플럭스 불확실성이 해양 상층의 열·동력학에 직접적인 영향을 미칠 수 있음을 시사한다. 또한, 스토캐스틱 실행의 앙상블 스프레드는 계절별로 뚜렷한 패턴을 보였으며, 특히 재성층 전환기에는 평균보다 2~3배 큰 변동성을 나타냈다.

이 연구는 (1) 데이터 기반 확률적 플럭스 모델링이 기존 벌크 알고리즘과 경쟁 가능한 평균 예측을 제공함, (2) 플럭스 불확실성을 정량화함으로써 대기‑해양 상호작용 모델에 스토캐스틱 파라미터화를 도입할 수 있는 기반을 마련함, (3) 지역·계절별 입력 변수 분포 차이가 모델 성능에 미치는 영향을 명확히 드러냈다는 점에서 의미가 크다. 향후 연구에서는 해양 파고, 수직 풍 프로파일 등 관측되지 않은 변수 Z를 직접 포함하거나, 멀티-모델 앙상블을 통해 불확실성 전파를 정교화하는 방안을 모색할 필요가 있다.