Estimating carbon pools in the European Shelf sea environment: replacing reanalysis by model-informed machine learning?

본 논문은 유럽 대륙붕 탄소 풀(carbon pools)과 그 불확실성을 정확하게 추정하기 위해 물리-생물지구화학 모델로 학습된 계산 효율적인 딥 앙상블 머신러닝 접근법을 제안하며, 이는 비용이 많이 드는 재분석 자료의 실행 가능한 대안이자 희소한 관측치를 보완할 수 있는 방법을 제공한다.

핵심

핵심 요약: 바다의 "보이지 않는" 탄소를 예측하다

바다를 거대하고 북적이는 주방이라고 상상해 보세요. 요리사들(식물 플랑크톤)은 햇빛을 이용해 음식을 만듭니다. 하지만 주방은 어수선하며, 우리는 작은 창문(위성 카메라)을 통해서만 요리사들을 볼 수 있습니다. 우리는 남은 음식(데트리터스/유기물 파편), 손님(동물 플랑크톤), 또는 부스러기를 치우는 박테리아를 쉽게 볼 수 없습니다. 이 "보이지 않는" 재료들은 바다가 탄소를 어떻게 흡수하는지 이해하는 데 매우 중요하지만, 직접 측정하기는 어렵습니다.

과학자들은 보통 식당 전체의 거대하고 복잡한 시뮬레이션을 실행하여 주방에 무엇이 있는지 알아내려 합니다. 이것을 **재분석(Reanalysis)**이라고 부릅니다. 이는 1년 내내 모든 식사를 시뮬레이션하기 위해 100명의 전문 요리사 팀을 고용하는 것과 같습니다. 믿을 수 없을 정도로 정확하지만, 비용이 많이 들고 느리며 슈퍼컴퓨터가 필요합니다.

이 논문은 하나의 지름길을 제안합니다: 바로 **머신러닝(ML)**입니다.

새로운 접근 방식: "똑똑한 견습생"

100명의 요리사를 고용해 1년 전체를 시뮬레이션하는 대신, 저자는 주방의 규칙을 배울 "똑똑한 견습생(인공 신경망)"을 훈련시켰습니다.

1. 훈련 단계: 견습생은 "자유 실행(free run)" 시뮬레이션(컴퓨터가 실제 세계의 보정 없이 바다를 시뮬레이션하는 연습 세션)을 관찰했습니다. 견습생은 우리가 볼 수 있는 것(수온, 염도, 위성으로 확인 가능한 녹색 엽록소의 양)과 우리가 볼 수 없는 것(박테리아나 동물 플랑크톤 같은 탄소 풀) 사이의 관계를 학습했습니다.
2. 테스트: 훈련을 마친 후, 견습생에게 실제 데이터(실제 위성 관측값)를 주고 보이지 않는 탄소 풀을 추측하도록 했습니다.

결과: 빠르고, 저렴하며, 놀라울 정도로 우수함

논문은 이 "똑똑한 견습생"이 믿을 수 없을 정도로 효과적이라는 것을 발견했습니다.

• 속도: 슈퍼컴퓨터가 단 하루 분량의 해양 데이터를 시뮬레이션하는 데 약 한 시간이 걸리는 반면, 머신러닝 모델은 일반 데스크톱 컴퓨터로 수년 치의 데이터를 몇 초 만에 예측할 수 있습니다. 이는 매번 처음부터 케이크를 굽는 것과, 맛이 90% 정도 비슷하면서도 미리 만들어진 믹스를 사용하는 것의 차이와 같습니다.
• 정확도: 견습생을 "골드 스탠다드(표준)"인 재분석 모델과 비교 테스트했을 때, 원래의 연습 시뮬레이션보다 훨씬 더 뛰어난 성과를 보였습니다. 이 모델은 데트리터스, 동물 플랑크톤, 박테리아의 양을 성공적으로 예측했으며, 값비싼 모델의 결과와 훨씬 더 가깝게 일치했습니다.
• 불확실성: 모델은 단순히 하나의 답만 내놓는 것이 아니라 "신뢰 점수"를 제공했습니다. 이는 마치 견습생이 "여기에 박테리아가 50개 있다고 확신하지만, 51번째 박테리아에 대해서는 60% 정도만 확신합니다"라고 말하는 것과 같습니다.

"만약에(What-If)" 시나리오: 미래 시뮬레이션하기

이 방법의 가장 멋진 기능 중 하나는 과학자들이 아주 쉽게 "만약에?" 게임을 할 수 있게 해준다는 점입니다.

• 시나리오: 만약 기후 변화로 인해 "요리사들(식물 플랑크톤)"이 사라진다면 어떻게 될까요? 혹은 요리사의 종류가 큰 요리사에서 작은 요리사로 바뀐다면 어떨까요?
• 실험: 연구진은 식물 플랑크톤이 서서히 사라지는 시나리오를 모델에 입력했습니다. 모델은 나머지 주방(탄소 풀)이 어떻게 반응할지를 예측했습니다.
• 주의점: 논문은 시나리오를 너무 극단적으로 밀어붙이면(식물 플랑크톤을 완전히 없애버리면), 모델이 본 적 없는 극단적인 상황 때문에 혼란을 겪기 시작한다고 언급합니다. 이는 인간을 위해 요리하던 요리사에게 유령을 위한 요리를 해달라고 요청하는 것과 같습니다. 규칙이 깨질 수 있기 때문입니다. 하지만 완만한 변화에 대해서는 모델이 잘 작동합니다.

아직 할 수 없는 것들

논문은 자신의 한계에 대해 솔직하게 밝히고 있습니다:

• 깊이: 모델은 해양 표층(주방 조리대)에서 일어나는 일을 예측하는 데는 뛰어나지만, 심해(지하실)에서 일어나는 일을 예측하는 데는 어려움을 겪습니다. 모델은 심해의 역동적인 변화보다는 일반적인 계절적 패턴을 주로 학습했습니다.
• 용존 무기 탄소(DIC): 특정 유형의 탄소인 DIC의 경우, 모델이 기존 시뮬레이션보다 크게 개선되지 않았습니다. 이는 기존 시뮬레이션이 이미 이 특정 성분을 예측하는 데 꽤 능숙했기 때문일 가능성이 높습니다.

결론

이 논문은 우리가 "모델 기반(model-informed)" 머신러닝 도구를 사용하여 값비싼 해양 시뮬레이션을 대체하는 빠르고, 저렴하며, 효율적인 대안으로 사용할 수 있음을 보여줍니다. 이를 통해 직접적인 측정이 불가능한 공백을 메울 수 있으며, 슈퍼컴퓨터를 24시간 내내 가동하지 않고도 바다의 탄소 순환을 이해할 수 있게 해줍니다. 이는 지구의 탄소 순환의 건강을 모니터링하기 위한 강력한 새로운 도구입니다.

기술 요약

기술 요약: 유럽 대륙붕 해역의 탄소 풀(Carbon Pools) 추정

문제 제기
대륙붕 해역, 특히 북서 유럽 대륙붕(NWES)은 그 크기에 비해 전 지구적 탄소 순환에서 불균형적으로 큰 역할을 수행한다. 그러나 이러한 지역의 유기 탄소 풀(예: 데트리투스(detritus), 동물 플랑크톤, 종속영양 박테리아)에 대한 직접적인 관측은 종종 희소하거나, 불확실하거나, 방법론적으로 일관성이 없다. 해양 생물지구화학 모델(ERSEM과 NEMO 결합 모델 등)은 이러한 풀을 시뮬레이션할 수 있지만, 자유 실행(free-running) 모델은 특히 식물 플랑크톤의 페놀로지(phenology)에서 상당한 편향을 보이며, 이는 생태계 전체로 오류를 전파시킨다. 반대로, 위성 및 현장 관측 데이터를 결려하여 모델을 제약하는 재분석(reanalysis) 기술은 더 신뢰할 수 있는 추정치를 생성하지만, 슈퍼컴퓨팅 자원과 상당한 계산 시간(wall-clock time)을 요구하는 등 계산 비용이 매우 높다. 따라서 불확실성을 정량화하고 미래 시나리오를 시뮬레이션할 수 있는 능력을 유지하면서도, 재분석 수준의 품질을 가진 탄소 풀 추정치를 생성할 수 있는 계산 효율적인 대안이 필요하다.

방법론
저자들은 딥 앙상블(deep ensemble) 기반의 피드포워드 신경망(FFNN)을 사용하는 "모델 정보 기반 머신러닝(model-informed machine learning)" 접근 방식을 제안한다.

• 훈련 데이터: 신경망은 5년간(2016~2020년)의 NEMO-FABM-ERSEM 결합 물리-생물지구화학 모델 자유 실행 시뮬레이션 데이터를 사용하여 훈련되었다. 훈련 효율을 높이고 중복성을 줄이기 위해 데이터는 기존의 7km/일 단위 해상도에서 35km/10일 단위 해상도로 축소되었다.
• 모델 아키텍처: TensorFlow Keras를 사용하여 세 개의 은닉층(1080, 720, 360 뉴런)을 갖춘 완전 연결 피드포워드 네트워크가 구현되었다. 에피스테믹 불확실성(epistemic uncertainty)을 추정하고 성능을 높이기 위해 무작위 가중치 초기화, 드롭아웃(30%), 배치 분할을 활용한 15개 멤버의 딥 앙상블이 채택되었다.
• 입력 변수: 모델은 관측 가능한 변수와 구조적 변수를 입력으로 받는다: 해수면 온도(SST), 해수면 염분(SSS), PFT(식물 플랑크톤 기능 유형) 클로로필-a, 단파 복사, 풍속, 하천 유출량(영양염류, DIC 등) 및 구조적 데이터(위도, 경도, 수심, 연중 일수).
• 출력 변수: 모델은 다섯 가지 탄소 풀인 데트리투스, 용존 유기 탄소(DOC), 동물 플랑크톤, 종속영양 박테리아, 용존 무기 탄소(DIC)의 표층 및 수직 평균 농도를 예측한다.
• 검증 전략: 훈련된 앙상블은 다음 항목들을 대상으로 테스트되었다:
  1. 독립적인 2020년 자유 실행 데이터 부분.
  2. 위성 SST 및 PFT 클로로필-a를 동화한 NWES 코페르니쿠스 다십년 재분석 데이터.
  3. 최종 적용 가능성을 시뮬레이션하기 위해 재분석 입력을 위성 관측 데이터로 대체한 경우.
  4. 식물 플랑크톤 생물량 감소 및 군집 구조 변화를 포함한 "What-if" 시나리오.
  5. 모델 구조적 불확실성을 평가하기 위해 매개변수를 섭동시킨 1D 민감도 실험(GOTM-ERSEM).

주요 결과

• 재분석 데이터에 대한 성능: 재분석 입력을 통해 구동될 때, 딥 앙상블은 자유 실행 모델보다 훨씬 높은 정확도로 표층 탄소 풀(데트리투스, 동물 플랑크톤, 종속영양 박테리아, DOC)에 대한 재분석 추정치를 성공적으로 재현했다. 앙상블은 데이터 동화(식물 플랑크톤 편향을 교정함)에 의한 탄소 풀의 감소를 포착하였으며, 표층 풀에 대해 0.83에서 0.89 사이의 $R^2$ 점수를 달성했다.
• DIC의 한계: 모델은 용존 무기 탄소(DIC)에 대해서는 자유 실행 모델보다 유의미한 개선을 보이지 않았다. 저자들은 자유 실행 모델이 재분석과 동일한 구동 인자(해양-대기 플럭스, 하천 유출량, SST)로부터 강력한 제약을 받고 있어 이미 DIC에 대해 잘 수행되고 있었기 때문에 ML의 개선 여지가 거의 없었다고 분석했다.
• 관측 기반 예측: 모델이 직접적인 위성 관측값(데이터 공백은 필요한 해상도로 통합됨)에 의해 구동될 때, 유기 탄소 풀에 대한 모델의 숙련도는 재분석 구동 실행과 유사한 수준을 유지했으며, 이는 이 모델이 직접적인 관측-풀 추정기로서의 생존 가능성을 보여준다.
• 수직 프로파일: 모델은 자유 실행 모델과 비교하여 수직 평균 풀에 대한 예측을 개선하는 데 실패했다. SHAP(SHapley Additive exPlanations) 분석 결과, 모델은 역동적인 입력보다는 구조적 입력(좌표, 수심)으로부터 변수의 계절적 기후를 주로 학습했음을 나타냈다. 이는 표층 데이터만으로는 수직 역학을 포착하는 데 한계가 있음을 의미한다.
• 불확실성 및 시나리오: 딥 앙상블은 앙상블 멤버 간의 표준 편차를 통해 불확실성 추정치를 제공했다. "What-if" 시나리오(예: 식물 플랑크톤 생물량을 0으로 스케일링)에서 모델은 유기 탄소 풀의 감소를 예측했으나, 이를 0까지 줄이지는 못했다. 이는 모델이 극단적인 조건에서 훈련 데이터 범위를 벗어나 작동하고 있음을 나타낸다. 1D 실험은 모델이 심각한 식물 플랑크톤 감소가 탄소 풀에 미치는 영향을 체계적으로 과소평가함을 확인해주었으나, 생물량이 30% 이상 감소하기 전까지는 박테리아 탄소에 대해 합리적인 성능을 보였다.

의의 및 주장
본 논문은 모델 정보 기반 머신러닝이 유럽 대륙붕 해역의 표층 탄소 풀을 추정하기 위한 비용 효율적인 대안으로서 유효하다고 주장한다.

• 효율성: ML 모델은 데스크톱에서 몇 초 만에 수년 치의 예측을 생성할 수 있으며, 이는 재분석 시스템에 필요한 슈퍼컴퓨팅 요구 사항과 대조된다.
• 공백 메우기: 모델은 현재 NWES에서 견고한 위성 추출 알고리즘이나 충분한 현장 데이터가 부족한 탄소 풀(데트리투스, 동물 플랑크톤, 박테리아)에 대한 추정치를 제공한다.
• 시나리오 시뮬레이션: 모델의 가벼운 특성은 기후 "What-if" 시나리오의 신속한 시뮬레이션을 용이하게 하지만, 저자들은 훈련 데이터 범위 밖의 극단적인 상황(예: 급격한 생물량 붕괴)에서는 예측이 신뢰할 수 없을 수 있다고 경고한다.
• 겸허한 태도: 저자들은 이 접근 방식이 현재 표층 풀과 거친 해상도(35km, 10일)에 국한되어 있음을 명시적으로 밝힌다. 또한 모델이 훈련에 사용된 기초 물리-생물지구화학 모델의 관계를 학습하며, 모델 구조적 불확실성의 전체 범위를 본질적으로 포착하지는 못한다는 점을 인정한다(비록 앙상블 방법이 부분적인 대리 지표 역할을 하더라도). 결론적으로, 이 방식은 유망하지만, 다른 지역으로의 전이 가능성과 수직 프로파일을 동적으로 예측하는 능력은 향-후 조사가 필요한 미결 과제로 남아 있다.