Koopman Analysis of Sea Surface Temperature with a Signature Kernel

이 논문은 시그니처 커널을 활용하여 연간 해수면 온도 (SST) 궤적을 리프트하고 커널 확장 동역학 모드 분해 (EDMD) 를 적용함으로써 기후학적 기준선보다 우수한 다년 예측 능력을 갖춘 새로운 코프만 분석 방법을 제안합니다.

핵심

이 논문은 바다의 표면 온도 (SST) 가 어떻게 변하는지 예측하고, 그 변화 속에 숨겨진 규칙을 찾아내는 새로운 방법을 소개합니다.

기존의 방법들은 마치 "오늘의 날씨가 내일 날씨를 결정한다"고 가정하고, 매달의 데이터를 따로따로 분석하는 경향이 있었습니다. 하지만 저자들은 "아니, 바다의 온도는 오늘만 보면 안 되고, 지난 1 년 동안의 흐름 전체를 봐야 제대로 예측할 수 있다"고 주장하며, 이를 해결하기 위해 **'서명 (Signature) 이라는 수학적 도구'**를 사용했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: "오늘의 날씨"만 보면 안 되는 이유

기존의 예측 모델들은 바다 온도를 **스냅샷 (사진)**처럼 취급했습니다. 마치 1 월 1 일의 사진을 찍고, 그 사진만으로 2 월 1 일의 사진을 예측하려는 것과 비슷합니다.

하지만 바다는 **영향력 (기억)**이 있습니다. 1 월의 추위가 2 월, 3 월에 어떻게 영향을 미칠지, 그리고 그 흐름이 어떻게 변해갈지는 1 월 한 달만으로는 알 수 없습니다. 마치 영화의 한 장면을 보고 줄거리를 예측하는 것과 비슷하죠. 장면 하나만으로는 다음 장면이 어떻게 될지 알 수 없습니다.

2. 해결책: "영화의 흐름"을 읽는 새로운 방법

저자들은 바다 온도를 '사진'이 아니라 **'영화 (흐름)'**로 보았습니다.

• 기존 방식: 1 년 12 개월의 사진을 따로따로 분석.
• 이 연구의 방식: 1 년 12 개월의 변화를 하나로 이어붙여 **하나의 긴 영화 (궤적)**로 보고, 그 영화가 어떻게 흘러가는지 분석합니다.

이때 중요한 것은 순서입니다. "봄에 더워지고 여름에 더 더워지는" 순서와 "여름에 더워지고 봄에 추워지는" 순서는 완전히 다른 이야기죠. 이 연구는 바다 온도의 변화가 가진 시간의 순서와 흐름을 수학적으로 완벽하게 포착하는 기술을 사용했습니다.

3. 핵심 도구: "서명 (Signature) 이라는 지문"

이 흐름을 분석하기 위해 **'서명 (Signature)'**이라는 개념을 사용했습니다.

• 비유: 사람이 손으로 서명할 때, 펜이 움직이는 속도, 방향, 꺾임 등이 모두 그 사람의 고유한 특징이 됩니다. 단순히 "A 라는 글자를 썼다"는 사실만으로는 그 사람을 알 수 없지만, 글자를 쓰는 전체 궤적을 보면 그 사람의 성향과 습관을 알 수 있습니다.
• 이 연구에서: 바다 온도의 1 년 변화를 마치 '서명'처럼 분석했습니다. 단순히 온도가 높았는지 낮은지 (스냅샷) 가 아니라, **온도가 어떻게 변해왔는지 (흐름)**를 분석함으로써 바다의 '기억'을 읽어낸 것입니다.

4. 마법 같은 결과: "미래를 보는 선명한 렌즈"

이 방법으로 만든 모델은 두 가지 큰 성과를 냈습니다.

1. 더 정확한 예측 (예측력):

   • 기존의 "과거 평균값"을 이용한 예측이나, 단순히 매달 데이터를 비교하는 방식보다 수년 뒤의 바다 온도를 훨씬 더 정확하게 예측했습니다.
   • 특히 1 년이 넘는 긴 시간 (수년~수십 년) 을 예측할 때 그 차이가 극명하게 나타났습니다. 마치 흐릿한 안경을 벗고 선명한 렌즈를 끼고 미래를 본 것과 같습니다.

2. 숨겨진 리듬 발견 (진단력):

   • 바다 온도 변화에는 우리가 잘 모르는 **숨겨진 리듬 (진동)**이 있습니다. 이 모델은 바다의 데이터를 분석하며 마치 심장 박동을 듣는 의사의 청진기처럼, 바다의 고유한 리듬을 찾아냈습니다.
   • 예를 들어, 약 20 년 주기의 큰 물결 (태평양의 긴 주기 변화), 약 9 년 주기의 리듬, 그리고 약 3 년 주기의 엘니뇨 같은 현상들을 수학적으로 찾아내어 그 패턴을 시각화했습니다.

5. 요약: 왜 이 연구가 중요한가요?

이 연구는 **"바다의 과거 흐름을 전체적으로 이해해야 미래를 제대로 알 수 있다"**는 사실을 증명했습니다.

• 기존: "어제 비가 왔으니 오늘도 비가 올까?" (단순한 인과관계)
• 이 연구: "지난 1 년 동안 비가 어떻게 왔고, 구름이 어떻게 움직였는지 전체 흐름을 보면, 10 년 뒤의 기후 패턴을 알 수 있다." (흐름과 기억의 분석)

이 방법은 기후 변화 예측뿐만 아니라, 복잡한 흐름을 가진 다른 데이터 (주식 시장, 심장 박동, 교통 흐름 등) 를 분석할 때도 유용하게 쓰일 수 있는 새로운 분석 도구를 제시했다는 점에서 의미가 큽니다.

한 줄 요약:

"바다 온도의 한 장의 사진이 아니라, 1 년 동안의 흐름 전체를 분석하는 새로운 안경을 써서, 더 먼 미래를 정확히 예측하고 바다의 숨겨진 리듬을 찾아냈습니다."

기술 요약

논문 요약: 시그니처 커널을 활용한 해수면 온도 (SST) 의 쿠퍼만 분석

1. 연구 배경 및 문제 제기 (Problem)

• 해수면 온도 (SST) 의 복잡성: SST 는 해양 - 대기 상호작용의 주요 지표이며 기후 변동성을 이해하는 핵심 변수입니다. 기존의 통계적 예측 모델은 주로 SST 의 순간적인 상태 (스냅샷, 예: 월평균) 가 마르코프 과정 (Markovian) 을 따르고 선형 또는 선형화된 모델로 설명 가능하다고 가정합니다.
• 기존 모델의 한계:
  1. 비마르코프성 (Non-Markovianity): 관측 가능한 변수가 SST 만인 경우 (해양 - 대기 전체 상태가 아님), 관측된 변수의 역학은 과거 이력에 의존하게 되어 본질적으로 비마르코프적이 됩니다.
  2. 비선형성: 내재된 역학의 특성상 비선형성이 존재합니다.
  3. 기존 방법의 부족: 타카스 (Takens) 의 지연 좌표 임베딩은 과거를 벡터로 표현하지만, 시간 순서 구조를 명시적으로 보존하지는 못합니다. 또한, 신경망 기반 예측 모델은 예측 성능은 우수할 수 있으나, 시스템의 고유한 진동 모드 (스펙트럼) 를 직접적으로 해석하기 어렵습니다.
• 목표: SST 만의 관측 데이터에서 과거 이력 (Memory) 과 비선형성을 모두 고려하면서도, 해석 가능한 선형 연산자 기반의 예측 및 진단 모델을 개발하는 것.

2. 방법론 (Methodology)

이 연구는 쿠퍼만 (Koopman) 연산자 이론을 시그니처 커널 (Signature Kernel) 과 결합하여 고차원 SST 역학을 분석합니다.

• 상태 공간의 재정의 (Trajectory-based State):

  • 단일 시점의 SST 필드가 아닌, 1 년 단위의 궤적 (Trajectory/Path) 을 상태 변수로 정의합니다.
  • 각 연도 $t$의 SST 이상치 (Anomaly) 를 누적하여 $X_t: [0, 1] \to \mathbb{R}^d$ 형태의 연속 경로로 변환합니다.
  • 역학은 1 년 전의 경로 $X_t$에서 다음 해의 경로 $X_{t+1}$로의 이동 연산자 $F(X_t) = X_{t+1}$로 모델링됩니다.

• 시그니처 커널 리프팅 (Signature-kernel Lifting):

  • 비선형 궤적 역학을 선형 연산자로 근사하기 위해, 관측 함수 공간 (Observable space) 을 확장합니다.
  • 시그니처 (Signature): 경로의 시간 순서를 보존하는 반복 적분 (Iterated-integral) 특징을 추출하는 수학적 도구입니다.
  • 시그니처 커널: 고차원 경로 데이터를 비교하기 위해 시그니처 특징을 재현 커널 힐베르트 공간 (RKHS) 으로 매핑합니다. 이는 명시적인 특징 추출 없이도 경로 간의 유사성을 계산할 수 있게 합니다.
  • SPK (Sum-of-Pairs Kernel) 대비: SPK 는 월별 데이터의 단순 합산 (대각선 항만 고려) 인 반면, 시그니처 커널은 월 간 상호작용 ($i < j$) 을 포함한 순차적 정보를 모두 포함하여 더 풍부한 특징을 제공합니다.

• 커널 확장 동적 모드 분해 (Kernel EDMD):

  • 시그니처 커널로 계산된 그람 행렬 (Gram matrix) 을 사용하여 쿠퍼만 연산자의 유한 차원 근사 행렬 $K$를 추정합니다.
  • 이 행렬 $K$는 1 년 이동 연산자의 선형 표현으로, 이를 반복 적용하여 다년 예측을 수행하거나 고유값 분해를 통해 스펙트럼 모드를 추출합니다.

• 엄격한 시간 순서 평가 프로토콜:

  • LFO (Leave-Future-Out): 미래 데이터를 전혀 사용하지 않고 과거 데이터만으로 모델을 학습하고 검증하여 예측 능력을 평가합니다.
  • LSO (Leave-s-Out): 하이퍼파라미터 선택 및 스펙트럼 진단을 위해 수행합니다.

3. 주요 기여 (Key Contributions)

1. SST 전용 역학을 위한 궤적 상태 표현: 부분 관측 하에서 발생하는 비마르코프성을 해결하기 위해, 연도별 궤적 (Path) 을 상태 변수로 사용하여 쿠퍼만 분석을 수행했습니다.
2. 계산 가능한 쿠퍼만 학습을 위한 시그니처 커널 리프팅: 고차원 공간적 - 시간적 필드 (SST) 에 대해 비선형 역학을 선형 연산자로 표현할 수 있는 체계적이고 확장 가능한 함수족 (Observable family) 을 제시했습니다.
3. 단일 추정기에서의 엄격한 시간 순서 평가 및 진단: 미래 데이터 접근 없이 다년 예측 능력을 검증함과 동시에, 동일한 학습된 연산자에서 일관된 스펙트럼 진단 (고유값, 고유함수, 쿠퍼만 모드) 을 수행하는 통합 파이프라인을 구축했습니다.

4. 실험 결과 (Results)

NOAA ERSSTv5 데이터 (1854~2022 년, 격자 2°×2°) 를 사용하여 실험을 수행했습니다.

• 예측 성능 (LFO 평가):

  • 성능: 제안된 SigK-EDMD는 기후학적 기준 (Climatology) 과 단순 월별 매칭 커널 기반 (SPK-kEDMD) 모델보다 모든 예측 기간 (1~12 년) 에서 더 높은 예측 정확도를 보였습니다.
  • 지표: 평균 패턴 상관관계 (kPC) 와 면적 가중 RMSE 모두에서 우위를 보였으며, 특히 다년~데케이드 (decadal) 스케일의 장기 예측에서 성능 차이가 두드러졌습니다.
  • 공간적 분포: 열대 태평양을 제외한 북태평양 외곽, 대서양, 인도양 등 다양한 지역에서 기후학적 모델 대비 오차가 감소했습니다. SPK 는 넓은 지역에서 오히려 오차가 증가하는 경향을 보였습니다.

• 스펙트럼 진단 (LSO 평가):

  • 추출된 쿠퍼만 고유값은 단위원 (Unit circle) 위나 그 내부에 집중되어 있어, 추출된 진동 모드가 약하게 감쇠하며 장기간 지속됨을 시사합니다.
  • 대표적인 모드:
    • 모드 #12 (~20 년 주기): 쿠로시오 - 오야시오 확장 (KOE) 패턴과 유사.
    • 모드 #22 (~9.1 년 주기): 태평양 데케이드 진동 (PDO) 패턴과 유사.
    • 모드 #60 (~2.9 년 주기): 중부 태평양 ENSO (CP-ENSO) 패턴과 유사.
  • 이러한 모드들은 기존 문헌에서 보고된 주요 기후 변동성 패턴과 정성적으로 일치하여 모델의 타당성을 뒷받침합니다.

5. 의의 및 결론 (Significance)

• 해석 가능한 AI 기반 기후 분석: 신경망 기반의 블랙박스 예측 모델과 달리, 이 방법은 선형 연산자를 기반으로 하여 예측뿐만 아니라 시스템의 내재된 진동 모드 (스펙트럼) 를 직접 해석할 수 있게 합니다.
• 기억 효과의 포착: 순간적인 상태가 아닌 '경로 (Path)'를 기반으로 하여, SST 만으로 관측될 때 발생하는 복잡한 기억 효과 (Memory effect) 를 효과적으로 포착합니다.
• 확장성: 이 프레임워크는 SST 에 국한되지 않고, 과거 이력이 중요한 다른 고차원 지구물리학적 시계열 데이터 분석에도 직접 적용 가능합니다.
• 한계 및 주의점: 사용된 데이터 (ERSSTv5) 가 통계적으로 재구성된 제품 (특히 위성 시대 이전) 이므로, 추출된 모드는 관측 사실 그 자체라기보다 재구성된 데이터의 모드로 해석되어야 합니다.

이 연구는 고차원 기후 데이터의 비선형 역학을 선형 연산자 이론과 시그니처 커널을 통해 통합적으로 분석하고 예측하는 새로운 패러다임을 제시했습니다.