Probabilistic Emulation of the Community Radiative Transfer Model Using Machine Learning

기술 요약: 머신러닝을 이용한 커뮤니티 복사 전달 모델의 확률적 에뮬레이션

문제 정의
운영 수치 예보(NWP) 시스템은 예측 편차를 수정하고 초기 조건을 개선하기 위해 위성 복사 관측값의 동화를 활용하는 데 크게 의존한다. 그러나 모델 상태 변수를 예상 관측값으로 매핑하는 데 사용되는 관측 연산자(복사 전달 모델, RTM)의 계산 비용은 여전히 중요한 병목 현상으로 남아 있다. 결과적으로, GOES Advanced Baseline Imager(ABI)와 같은 고해외 센서로부터 얻은 가용 위성 데이터의 대다수가 운영 동화에 사용되지 못하고 있다. CRTM과 같은 빠른 RTM이 존재하지만, 특히 차세대 초분광 기기의 등장을 고려할 때, 이들은 전체 데이터의 양을 모두 활용하기에는 여전히 너무 느리다. 또한, 기존의 CRTM 머신러닝(ML) 에뮬레이터는 결정론적(점 추정치를 생성)이며 특정 기기에 국한되어 있어, 명시적인 오차 특성화가 요구되는 데이터 동화(DA) 프레임워크에서의 유용성이 제한적이다.

방법론
저자들은 GOES-16 및 GOES-17 ABI 기기를 대상으로 하는 적외선 채널 7~16을 타겟으로 하여, CRTM을 근사하는 신경망(NN) 기반의 확률적 에뮬레이터를 개발하였다.

• 데이터 생성: 훈련 데이터는 Global Forecast System Finite Volume Cubed Sphere (GFS FV3) 모델을 사용하여 생성되었다. 시뮬레이션된 ABI 스캔은 30일간(2022년 2월 15일 ~ 3월 15일) 6시간 간격으로 생성되었다. CRTM을 사용하여 입력값에 대한 대상 밝기 온도와 오차 특성을 생성하였다. 데이터셋은 훈련(80%), 검증(10%), 테스트(10%) 세트로 분할되었다.
• 모델 아키텍처: 신경망은 9개의 대기 프로파일(예: 온도, 수증기, 구름 특성)의 127개 수직 층, 16개의 지표 변수, 7개의 메타데이터 변수(센서 및 태양 각도)를 포함하여 총 1,166개의 입력 변수를 수용한다. 아키텍처는 SWISH 활성화 함수를 사용하는 512개의 노드를 가진 3개의 은닉 완전 연결 계층으로 구성된다.
• 확률적 출력: 이전의 결정론적 에뮬레이터와 달리, 이 모델은 각 채널에 대해 정규 분포를 예측한다. 출력 계층은 평균 밝기 온도(180 K에서 355 K 사이로 스케일링됨)와 CRTM 대비 오차의 표준 편차를 모두 예측한다.
• 훈련 및 튜닝: 모델은 배치 크기 32로 Adam 옵티마이저를 사용하여 훈련되었다. 손실 함수는 평균 예측의 정확도와 예측된 불확실성의 신뢰도를 모두 평가하는 연속 순위 확률 점수(CRPS)를 채택하였다. 하이퍼파라미터는 검증 성능을 바탕으로 수동으로 튜닝되었다.
• 설명 가능한 AI (XAI): 모델이 데이터를 단순히 암기하는 것이 아니라 관련 물리 법칙을 학습했는지 확인하기 위해, 맑은 하늘과 구름이 있는 조건 모두에 대해 셰일리 가법 설명(SHAP)을 적용하여 입력 변수가 출력에 미치는 영향을 분석하였다.

주요 결과

• 예측 정확도: 에뮬레이터는 모든 채널에 대해 평균 0.3 K의 평균 제곱근 오차(RMSE)를 달in 성과를 거두었다. 맑은 하늘 조건의 경우, 10개 적외선 채널 중 9개 채널에서 RMSE가 0.1 K 미만이었다. 채 채널 7은 반사된 단파 적외선 성분으로 인해 더 높은 오차를 보였다.
• 오차 특성화: 모델은 오차 표준 편차를 성공적으로 예측하였다. 정규화된 RMSE(실제 오차를 예측된 표준 편차로 나눈 값)는 모든 채널에서 1에 가까웠으며, 이는 모델이 실제 오차를 약간 과소평가하지만 신뢰할 수 있는 불확실성 특성화를 제공함을 나타낸다. 교정 곡선(Calibration curves)은 예측값이 대다수의 샘플에 대해 잘 교정되어 있음을 보여주었으며, 극단적인 오차 값에서만 체계적인 과소평가가 발생했다.
• 계산 효율성: 단일 CPU 상에서 ML 에뮬레이터는 CRTM보다 약 5배 빨랐다. 저자들은 CRTM이 구름이 있는 조건에서 훨씬 더 느리다는 점을 언급하며, 이는 ML 모델의 속도 이점이 해당 시나리오에서 더욱 커질 것임을 시사한다.
• 물리적 일관성: SHAP 분석은 신경망이 관련 물리적 관계를 내재화했음을 확인해주었다. 수증기 채널의 경우, 모델은 예상되는 대기 고도(상층, 중층, 하층)에서의 수증기 영향을 정확히 식별하였다. 오존 채널은 주로 오존 혼합비에 의해 구동되었으며, 채널 7은 태양 천정각의 영향을 많이 받았는데, 이는 복사 전달 물리와 일치한다. 야코비안(Jacobian) 비교 결과 대류권에서는 CRTM과 좋은 일치도를 보였으나, 훈련 데이터에 성층권 수증기 변동성이 부족함에 따라 200 hPa 상부에서는 차이가 발생했다.

의의 및 주장
본 논문은 이 작업이 ABI를 위한 ML 연산자가 이전에 존재하지 않았던 플랫폼에 대해 확률적 신경망을 사용하여 CRTM을 에뮬레이션하는 것이 가능하다는 것을 입증한다고 주장한다. 주요 의의는 이 모델이 신뢰할 수 있는 확률적 오차 추정치를 생성할 수 있다는 점에 있으며, 이는 기존의 결정론적 에뮬레이터에는 없는 기능이다. 이러한 능력은 데이터 동화(DA)를 위한 하이브리드 워크플로우를 가능하게 한다. 즉, 예측된 오차가 낮을 때는 빠른 ML 에뮬레이터를 사용하고, 에뮬레이터의 불확실성이 높을 때는 더 느린 물리 기반 CRTM을 사용할 수 있다.

저자들은 모델의 정확도(대부분의 맑은 하늘 채널에서 RMSE < 0.1 K)가 향후 DA 실험을 지원하기에 충분하다고 주장한다. XAI 방법의 통합은 모델이 기저의 물리를 학습했다는 확신을 제공하며, 이는 미학습 데이터에 대한 견고한 성능 가능성을 높인다. 연구는 이 접근 방식이 현재 사용되지 않는 ABI 관측값의 일부를 활용할 수 있는 경로를 제공한다고 결론지으면서도, 극단적인 오차 사례에 대한 성능 개선과 운영 워크플로우로의 통합을 위한 추가 작업이 필요함을 인정하였다.