Sampling sea state using a diffusion model

기술 요약: 확산 모델을 이용한 해상 상태 샘플링

문제 정의
정확한 해상 상태 예측은 운영상의 해양 안전 및 결합 지구 시스템 모델링, 특히 공기-해양 교환(예: 랭그뮈어 난류, 혼합)을 표현하는 데 매우 중요하다. 그러나 WAVEWATCH-III와 같은 현재의 최첨단 스펙트럼 파랑 모델은 기후 시뮬레이션과의 온라인 결합이나 확률적 앙상블 예보를 포함한 많은 응용 분야에서 계산 비용이 너무 높다. 딥러닝이 기상 예보 분야를 발전시켰음에도 불구하고, 기존의 AI 기반 파랑 모델은 주로 벌크 변수(예: 유의 파고)를 대상으로 하는 자기회귀적 시간 단계(autoregressive time-stepping) 방식의 결정론적 모델에 치중되어 있다. 이러한 접근 방식은 해상 상태의 복잡하고 다중 모드적인 특성(예: 교차 해상, crossing seas)을 포착하지 못하며, 고급 매개변수화에 필요한 보정된 확률적 추정치나 파생 변수를 제공하지 못한다. 또한, 확률적 파랑 예보의 부재는 고급 데이터 동화 기술의 적용을 제한한다.

방법론
저자들은 전 지구적 해상 상태의 복잡한 조건부 분포를 샘플링하기 위해 **디노이징 확산 확률 모델(Denoising Diffusion Probabilistic Model, DDPM)**을 제안한다. 시간 순서대로 전진하는 자기회고적 모델과 달리, 이 프레임워크는 상대적으로 긴 전 지구적 풍속 강제력의 이력을 조건으로 하여 해상 상태 스냅샷을 직접 생성한다.

• 입력 조건화(Input Conditioning): 모델은 전 지구적 자오선 및 경도 풍속($U, V$)의 5일간 이력과 함께 해빙 분율, 해양 수심과 같은 보조적인 정적 및 동적 장(field)을 조건으로 한다. 5일의 윈도우는 너울(swell)이 해양 분지를 가로질러 전파되는 대략적인 시간을 기준으로 선택되었다.
• 아키텍처: 핵심은 약 9,000만 개의 파라미터를 가진 조건부 U-Net이다. 이는 세 가지 인코더/디코더 해상도 레벨(320 $\to$ 160 $\to$ 80)을 특징으로 하며, 노이즈 레벨을 위한 사인파 임베딩(sinusoidal embeddings)을 사용한다. 조건부 장은 노이즈가 섞인 입력값과 결합된다. 학습과 손실 계산이 빙해가 없는 해양 지역에서만 수행되도록 습윤 마스크(wet mask)가 적용된다.
• 학습 및 샘플링: 모델은 ERA5 풍속에 의해 강제된 30년치 전 지구 힌드캐스트(1993–2023) 데이터를 바탕으로 학습된다. 학습 목표는 예측된 노이즈와 실제 노이즈 사이의 제곱 오차를 최소화하는 것이다. 샘플링은 가우시안 백색 잡음으로부터 시작하여 분포 $p(x|f)$로부터 샘플 $x^*$를 생성하는 역확산 과정(linear-log schedule)을 포함한다.
• 대상 변수: 모델은 벌크 파라미터 이상의 다양한 변수를 샘플링하도록 설계되었다:
  • 벌크 변수: 유의 파고($H_s$), 평균 파주기($T_m$), 평균 방향($\theta_m$).
  • 분할 관련 변수: 가장 에너지가 높은 두 파랑 체계(partition)의 특성(높이, 주기, 방향 포함)과, 서로 정렬되지 않은 채 공존하는 파랑 체계를 나타내는 이진 교차 해상 지수(Crossing Sea Index, CI).
  • 파생 변수: 공기-해양 가스 전달 및 혼합 매개변수화에 사용되는 고차 스펙트럼 모멘트인 표면 스토크스 표류(Stokes drift, $U_{ss}, V_{ss}$) 및 평균 기울기 제곱(Mean Square Slope, MSS).

주요 결과
홀드아웃 테스트 세트인 2004년 데이터를 통해 평가했을 때, 확산 모델은 다음과 같은 성능을 보여주었다:

• 계산 효율성: 모델은 수치 스펙트럼 모델에 비해 20배 이상의 벽시계 시간(wall-clock time) 단축을 달지는 상당한 가속화를 달성했다.
• 벌크 변수 숙련도: 모델은 벌크 변수에 대해 낮은 평균 제곱근 오차(RMSE)와 높은 이상 상관 계수(ACC)를 달성했다. 유의 파고($H_s$)의 경우, RMSE는 0.27 m, ACC는 0.96이다. (이전 파랑 상태 정보의 부재로 인해 예상되는 바와 같이) 짧은 리드의 자기회고적 모델보다는 RMSE가 약간 높지만, 긴 리드(360시간)의 자기회고적 예보와 비교하면 유사한 수준을 유지한다.
• 확률적 보정: 앙상블 확산(ensemble spread)은 잘 보정되어 있다. 벌크 변수에 대한 확산-숙련도 비율(Spread-Skill Ratio, SSR)은 0.9에서 1.1 사이로, 앙상블 분산이 예보 불확실성을 정확하게 반영함을 나타낸다. 오차가 큰 영역(예: 복잡한 방향성 교차)은 높은 앙상블 확산을 보인다.
• 분할 및 교차 해상 예측: 모델은 약 0.4의 브라이어 스킬 점수(Brier Skill Score)로 교차 해상 지수를 성공적으로 예측하며, 이는 다중 모드 해상 상태를 구별하는 능력을 입증한다. 또한 분할 레벨의 변수(예: 너울 지배적 주기)를 포착하지만, 벌크 변수에 비해 RMSE가 높고 약간의 과소 분산(SSR < 1) 현상을 보인다.
• 파생 변수: 모델은 스토크스 표류와 MSS를 효과적으로 샘플링한다. 흥러운 점은, 5일간의 풍속 이력을 포함하는 것이 스토크스 표류(3차 모멘트 통계량)에는 개선을 가져왔으나 MSS(4차 모멘트 통계량)에는 약간 저하를 일으켰다는 것인데, 이는 고차 모멘트가 장기적인 풍속 이력에 덜 의존하거나 국지적 강제력에 더 민민할 수 있음을 시사한다.
• 물리적 일관성: 무차원 파고와 주기의 결합 분포는 힌드캐스트 데이터에서 관찰된 물리적 스케일링 법칙(예: Toba의 법칙)을 보존한다.

의의 및 주장
본 논문은 확산 기반의 해상 상태 샘플링이 확률적 파랑 예보와 더 넓은 지구 시스템 모델로의 해상 상태 정보의 효율적인 결합을 향한 유망한 경로를 제공한다고 주장한다.

저자들이 강조하는 주요 기여는 다음과 같다:

1. 벌크 변수를 넘어: 벌크 파라미터에 국한되었던 기존의 AI 접근 방식과 달리, 이 프레임키는 분할 관련 변수 및 파생 변수로 자연스럽게 확장되어 교차 해상과 같은 복잡한 해상 특징 및 물리적 매개변수화(스토크스 표류, MSS)에 필요한 양을 추정할 수 있게 한다.
2. 확률적 프레임워크: 결정론적 평균을 예측하는 대신 조건부 분포로부터 샘플링함으로써, 모델은 보정된 앙상블 확산을 제공한다. 이는 파랑 예보의 주요 공백을 메우며, 단순히 유의 파고뿐만 아니라 상세한 파랑 측정치를 활용할 수 있는 미래의 데이터 동화를 가능하게 한다.
3. 비자기회귀적 효율성: 이 접근 방식은 자기회고적 시간 단계에서 발생하는 오차 누적을 피하며, 시간 단계 루프를 다시 실행할 필요 없이 임의의 시간 간격에 대해 해상 상태 변수를 유연하게 쿼리할 수 있게 한다.
4. 동화를 위한 토대: 저비용의 확률적 해상 상태 추정치와 관련 분산 추정치를 생성하는 능력은 현대적인 위성 플랫폼(예: SAR)의 상세한 파랑 측정치를 활용할 수 있는 데이터 동화 알고리즘 개발을 용이하게 한다.

저자들은 현재의 결과가 숙련되어 있으나, 모델 아키텍처(예: 잠재 공간), 샘플링 전략, 그리고 해류와 같은 추가적인 조건부 장을 통한 탐구를 통해 지표를 개선할 수 있다는 점을 인정하며 신중한 입장을 유지한다. 또한 현재 모델은 힌드캐스트 데이터로 학습되었으나 재분석 자료나 관측치에도 적용 가능하다는 점을 언급한다.