머신러닝으로 서아프리카 몬순 개시와 건조기 예측

초록

본 연구는 전역 해수면 온도( SST) 텔레커넥션을 활용해 서아프리카 몬순의 개시일과 개시 이후 건조기를 머신러닝 모델로 예측한다. 두 가지 목표 변수를 정의하기 위해 기존의 두 개 정의를 결합하고, 총변동 정규화와 변수 선택을 적용한 선형 회귀와 적응 임계값 로지스틱 회귀 모델을 구축하였다. 개시 예측은 공간적 검증에서 일부 유의미한 기술을 보였으나 시간적 검증에서는 미미했다. 반면 건조기 예측은 다중 이진 분류 지표에서 높은 정확도를 기록하였다.

상세 분석

이 논문은 서아프리카 농업에 핵심적인 두 기후 현상인 몬순 개시와 건조기를 예측하기 위해 SST 기반의 저차원 머신러닝 프레임워크를 제시한다. 데이터는 1981‑2024년 ERA5 재분석과 1935‑1980년 CESM2 시뮬레이션을 결합해 총 90년(샘플)으로 구성했으며, 6개의 해양 영역에서 7개월(9‑12월 전년, 1‑3월 당년)의 월 평균 SST를 추출해 42개의 예측 변수를 만든다. 강수 데이터는 CHIRPS와 CESM2를 통합해 1°×1° 격자로 일강수를 재구성하고, 두 가지 기존 정의(리브만 방법과 마르토 등 기준)를 혼합해 온셋과 건조기 정의를 구축하였다. 특히 온셋 탐색 시작일을 기후 평균 강수곡선의 최소점에서 30일 앞당겨 잡음 감소를 시도했으며, 퍼지 로직을 도입해 N(5일 누적 강수)과 C(5일 중 습일 수) 기준을 연속적인 가중치 γ로 변환, γ₁·γ₂≥γₜ(=0.5) 조건으로 온셋을 판별한다. 결측 온셋은 동일 연도 내 최후 온셋으로 대체해 데이터 손실을 최소화했다. 모델링 단계에서는 총변동 정규화(total variation regularization)를 적용해 공간적 연속성을 보존하면서 변수 선택을 수행했으며, 두 모델(선형 회귀, 적응 임계값 로지스틱 회귀)의 성능을 교차검증(LOOCV)으로 평가했다. 결과는 온셋 예측에서 공간적 검증(예: 특정 격자에서 평균 오차 감소)에서는 유의미한 스킬을 보였지만, 연도별 예측 정확도(시간적 검증)에서는 거의 무작위 수준이었다. 반면 건조기 예측은 정확도, 정밀도, 재현율, F1 점수 등 다중 이진 분류 지표에서 0.7‑0.8 수준의 높은 성능을 기록했다. 이는 SST가 건조기 발생 메커니즘을 더 직접적으로 반영한다는 가설을 뒷받침한다. 논문은 또한 NWP 모델 대비 계산 비용이 낮고, 데이터 누수 방지를 위한 LOOCV 설계가 강점이라고 강조한다. 그러나 샘플 수(90)와 변수 차원(42) 간 비율이 낮아 과적합 위험이 존재하고, 온셋 정의의 복합성으로 인해 일부 지역에서 결측이 발생하는 점이 한계로 지적된다. 향후 다중 기후 변수(예: 대기압, 토양 습도)와 더 긴 시계열을 포함한 모델 확장이 필요하다.