입력 교란을 활용한 그래프 신경망 기반 해수면 온도 확률 예보

초록

**
본 연구는 단일 학습된 그래프 신경망(GNN)에 입력 교란을 적용해 다중 예보를 생성하는 경량형 앙상블 방식을 제안한다. 가우시안 잡음, Perlin 잡음, 프랙탈 Perlin 잡음 등 세 가지 잡음 유형과 강도·공간 해상도를 체계적으로 비교하여, 공간적으로 일관된 저해상도 Perlin 잡음이 가장 좋은 확률적 교정(CRPS)과 스프레드‑스킬 비율을 제공함을 확인하였다.

**

상세 분석

**
이 논문은 지역 해양 예보, 특히 카나리아 제도 주변의 해수면 온도(SST) 예측에 그래프 신경망(GNN)을 적용하고, 훈련 비용을 최소화하면서도 예보 불확실성을 정량화하기 위한 새로운 앙상블 프레임워크를 제시한다. 기존의 다중 모델 앙상블은 각각을 독립적으로 학습해야 하는 높은 연산 비용이 문제였지만, 저자는 단일 모델을 학습한 뒤 추론 단계에서 초기 해양 상태에 인위적인 교란을 가함으로써 다양성을 확보한다. 교란 방법으로는 (1) 무작위성을 갖는 가우시안 잡음, (2) 공간적 연속성을 가진 Perlin 잡음, (3) 프랙탈 구조를 추가한 Perlin 잡음이 사용되었으며, 각 잡음의 강도와 공간 해상도를 변형시켜 9가지 조합을 실험하였다.

GNN 아키텍처는 SeaCast 모델을 기반으로 하며, 계층적 메쉬 그래프와 인코더‑프로세서‑디코더 구조를 채택한다. 노드는 해양 격자점, 엣지는 인접 8개 이웃 및 계층적 저해상도 연결로 구성돼 지역적·대규모 패턴을 동시에 학습한다. 모델은 하루 앞을 예측하도록 훈련되며, 자동 회귀 방식으로 15일까지 순차 예보한다.

평가 지표는 결정론적 RMSE·바이어스와 확률적 연속 순위 점수(CRPS), 스프레드‑스킬 비율을 포함한다. 결과는 가우시안 잡음이 높은 스프레드를 제공하지만 과도한 잡음으로 인해 CRPS가 악화되는 반면, 저해상도 Perlin 잡음은 물리적 연속성을 유지하면서 적절한 스프레드를 만들어 교정된 확률 예보를 가능하게 함을 보여준다. 특히 10~15일 장기 예보에서 Perlin 기반 앙상블이 가장 낮은 CRPS와 1에 가까운 스프레드‑스킬 비율을 기록했다.

이 연구는 (1) 입력 교란만으로도 충분히 다양하고 물리적으로 일관된 앙상블을 구성할 수 있음, (2) 잡음의 공간 구조가 확률적 성능에 결정적 영향을 미친다, (3) 고해상도 지역 GNN에 저비용 앙상블을 적용함으로써 운영 환경에서 실시간 확률 예보가 가능함을 입증한다는 점에서 의미가 크다. 향후 연구는 잡음의 물리적 근거를 강화하고, 바람·강수 등 다중 외부 강제 요인에 대한 교란 확장을 검토할 필요가 있다.

**