📊 statistics

Disentangling Forced and Internal Climate Variability in Single Realizations using Dynamic Mode Decomposition with Control

이 논문은 비자율 동역학계 이론에 근거하여 단일 기후 실현 데이터를 강제 변동성과 내부 변동성 성분으로 성공적으로 분해함으로써, 대규모 앙상블 데이터셋을 필요로 하지 않고도 정교한 기후 투영 및 모델 평가를 가능하게 하는 새로운 방법론인 PullbackDMDc를 소개한다.

원저자: Nathan Mankovich, Andrei Gavrilov, Gustau Camps-Valls

게시일 2026-07-22

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nathan Mankovich, Andrei Gavrilov, Gustau Camps-Valls

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

하늘을 찍은 단 하나의 끊기지 않는 영화를 보며 날씨를 이해하려고 노력한다고 상상해 보십시오. 구름이 소용돌이치고, 폭풍이 몰아치고, 햇빛이 내리쬐는 모습이 보이지만, 당신은 영상을 일시 정지하고 뒤로 돌려 "저 폭풍은 태양이 바다를 가열해서 생긴 것일까, 아니면 단순히 바람의 방향이 바뀌었기 때문일까?"라고 물을 수 없습니다. 이것이 기후 과학의 궁극적인 난제입니다. 지구의 기후는 두 가지 주요한 힘에 의해 움직이는 거대하고 혼란스러운 기계입니다. 하나는 온실가스, 화산 분출, 태양과 같은 외부의 밀어내기에 대한 지구의 반응인 '강제적(forced)' 응답이고, 다른 하나는 목욕 후 물을 털어내는 강아지처럼 기후 스스로가 가진 혼란스러운 떨림인 '내부 변동성(internal variability)'입니다. 과학자들은 지구가 인간 활동 때문에 따뜻해지는 것인지, 아니면 그저 자연스러운 흔들림 때문인지를 알기 위해 이 둘을 분리해야 합니다. 문제는 우리가 지구 역사의 영화를 단 한 편만 가지고 있기 때문에, 대본을 바꾸어 어떤 일이 일어나는지 확인하기 위해 똑같은 장면을 두 번 실행해 볼 수 없다는 점입니다.

이를 해결하기 위해 연구자들은 다양한 기술을 시도해 왔습니다. 어떤 이들은 거대한 컴퓨터 모델을 사용하여 동일한 영화를 시작점을 약간씩 달리하여 수백 번 실행함으로써 '평균적인' 이야기(강제된 부분)를 찾아내고, 그 차이를 '노이즈'(내부 변동성)로 취급합니다. 또 다른 이들은 전 지구 평균 기온이 상승하는 것과 같은 단순한 패턴을 통해 강제된 부분을 추측하려고 합니다. 하지만 이러한 방법들은 종종 목표를 놓칩니다. 컴퓨터 모델은 비용이 많이 들고 때로는 틀리며, 단순한 추측은 대기의 복잡한 춤사위를 무시하기 때문입니다. 큰 질문은 여전히 남아 있습니다. 우리는 타임머신이나 수천 개의 컴퓨터 시뮬레이션 없이, 단 하나의 지저분한 지구 기후 영화를 수학적으로 '대본'(외부 힘이 하는 일)과 '즉흥 연주'(기후 스스로가 하는 일)로 나눌 수 있을까요?

이 논문은 이 질문에 답하기 위해 PullbackDMDc라는 영리한 새로운 도구를 소개합니다. 기후 시스템을 울퉁불퉁한 도로를 달리는 자동차라고 생각해 보십시오. '강제된' 부분은 운전자가 가속 페달을 밟는 것(외부 강제력)이고, '내부적'인 부분은 자동차가 과속 방지턱 위에서 덜컹거리는 것(내부 변동성)입니다. PullbackDMDc는 마치 아주 똑똑한 정비사와 같습니다. 이 정비사는 자동차의 단 한 번의 주행을 관찰하고, 가속 페달에 따라 엔진이 어떻게 반응하는지 정확히 알고 있기 때문에, 매끄러운 가속과 덜컹거리는 흔들림을 수학적으로 분리해 낼 수 있습니다. 저자들은 기후를 외부 힘이 '제어(control)' 항으로 작용하는 선형 시스템으로 취급합니다. 저자들은 '풀백 어트랙터(pullback attractor)'라는 수학적 개념을 사용하는데, 이는 본질적으로 "시간을 충분히 뒤로 돌린다면, 자동차의 경로는 어디서 시작했느냐가 아니라 오직 도로와 운전자에 의해 결정된다"는 의미입니다. 이를 통해 단 하나의 데이터 기록만으로 두 구성 요소를 수학적으로 분리해 낼 수 있습니다.

연구진은 이 새로운 도구를 실제 데이터와, 수십 가지의 서로 다른 시작 조건으로 실행되어 비교를 위한 '지상 실측값(ground truth)'을 만들어낸 네 가지 종류의 거대 기후 모델(ESM)에 테스트했습니다. 그들은 PullbackDMDc가 강제 응답을 예측하는 데 놀라울 정도로 뛰어나며, 대규모 컴퓨터 시뮬레이션에 의존하는 기존 방식과 일치하거나 심지어 능가한다는 것을 발견했습니다. 이 도구는 특히 화산재나 온실가스와 같은 다양한 유형의 강제력에 대한 상세한 정보를 입력받았을 때, 지구 온난화라는 '대본'이 데이터 속에 명확히 드러나 있음을 성공적으로 식별해 냈습니다.

하지만 이 도구는 현재 우리의 기후 모델이 보이는 흥미로운 결함 또한 드러냈습니다. 연구진이 모델의 '즉흥 연주'(내부 변동성)를 살펴보기 위해 PullbackDMDc를 사용했을 때, 불일치를 발견했습니다. 실제 관측 데이터에서 기후는 60년에서 80년마다 한 번씩 뛰는 느리고 깊은 '심장 박동'(대서양 다십년 주기 변동과 같은 패턴과 관련됨)을 가지고 있으며, 이 느린 박동이 온난화 신호의 대부분을 전달합니다. 그러나 컴퓨터 모델에서는 이 느린 심장 박동이 약하거나 누락되어 있습니다. 대신, 모델들은 온난화 신호를 전달하기 위해 더 빠르고 짧은 주기의 리듬(엘니뇨의 2~7년 주기와 같은)에 너무 많이 의존하는 것처럼 보입니다. 이 논문은 우리의 모델이 기후의 빠르고 산만한 부분은 잘 포착할지 모르지만, 실제 세계를 지배하는 느리고 깊은 장기적 변동을 체계적으로 과소평가하고 있다고 시사합니다.

요컨대, PullbackDMDc는 단 하나의 기후 기록을 읽고 인간이 만든 신호와 자연적인 노이즈를 분리하는 새롭고 실용적인 방법을 제공합니다. 이는 수천 개의 컴퓨터 시뮬레이션 없이도 이 작업이 가능하다는 것을 확인시켜 주지만, 동시에 우리의 현재 모델이 지구의 느리고 깊은 리듬을 놓치고 있을 수 있으며, 이로 인해 미래의 예측이 우리가 희망하는 것보다 덜 정확할 수 있다고 경고합니다. 저자들은 자신들의 방법이 강력하지만 선형 수학에 기반하고 있으며, 실제 기후는 더 복잡하고 비선형적일 수 있기 때문에, 미래 버전의 도구는 전체 이야기를 포착하기 위해 훨씬 더 똑똑해져야 할 것이라고 제언합니다.

기술 요약: 제어 기반 동적 모드 분해(DMDc)를 이용한 단일 실현에서의 강제력 및 내부 변동성 분리

문제 정의
기후 과학은 근본적인 방법론적 과제에 직면해 있다: 관측된 기후 기록은 강제력(온실가스 및 에어로졸과 같은 외부 요인에 의해 유도됨)과 내부 변동성(결합된 역학 시스템에 의해 생성됨)이 중첩된 단일 실현(single realization)이다. 관측 기록에 대해 통제된 실험을 수행하는 것은 불가능하다. 지구 시스템 모델(ESM)은 앙상블 평균을 통해 강제 응답을 정의할 수 있는 대규모 앙상블을 생성할 수 있지만, 관측 분석은 단일 시계열으로부터 이러한 구성 요소들을 분리해내야 한다. 기존의 통계적 접근 방식은 두 가지 범주로 나뉘며 각각 보완적인 한계를 지닌다: 역학 시스템 모델(예: 선형 역 모델, LIM)은 외부 강제력 예측 변수를 무시하는 경향이 있고, 회귀 기반 방법은 강제력을 포함하지만 시스템의 고유한 역학을 누락시킨다. 또한, 많은 고급 방법론들은 ESM 앙상일을 "지표(ground truth)"로 사용하는 지도 학습에 의존하는데, 이는 ESM의 충실도가 불확실하거나 계산 자원이 제한될 때 적용 가능성을 제한한다.

방법론: PullbackDMDc
저자들은 비자율 역학 시스템 이론과 동적 모드 분해 제어(DMDc)에 기초한 비지도 선형 방법인 PullbackDMDc를 소개한다. 핵심 이론 프레임워크는 관측된 기후 궤적이 외부 강제력에 의해 구동되는 선형 확률 시스템의 풀백 어트랙터(pullback attractor) 위에 놓여 있다고 간주한다.

강제력이 포함된 선형 확률 모델: 이 방법은 기후 상태 $x(t)$ 를 다음과 같은 이산 시간 방정식으로 모델링한다:
$x(t) = Ax(t-1) + By(t) + \xi(t)$
여기서 $A$ 는 자율적 역학 핵심을 나타내고, $B$ 는 외부 강제력 $y(t)$ (예: 복사 강제력)를 상태로 매핑하며, $\xi(t)$ 는 내부 확률 노이즈를 나타낸다.
풀백 어트랙터 추정: 시스템이 전역적으로 안정적이라고 가정함으로써(행렬 $A$ $A$ 의 고윳값 크기가 1 미만), 저자들은 초기 시간 $t_0 \to -\infty$ $t_{0} \to - \infty$ 일 때 시스템 진화의 극한인 풀백 어트랙터를 정의한다. 이 선형 극한에서, 어트랙터는 다음과 같이 명확히 구분되는 단일 궤적으로 수렴한다:
- 강제 응답 ( $x^{(f)}(t)$ ): 외부 강제력 $y(t)$ 의 이력에 의해 결정되는 결정론적 성분.
- 내부 변동성 ( $x^{(i)}(t)$ ): 노이즈 $\xi(t)$ 의 이력에 의해 구동되는 확률적 성분.
시공간적 분해: 이 방법은 데이터를 행렬 $A$ 의 고유 모드(eigenmodes)로 투영한다. 이를 통해 전체 시공간 기록을 동적 모드(공간 패턴)의 합으로 표현하며, 각 모드에는 강제 성분과 내부 성분이라는 두 개의 뚜렷한 시계열이 수반된다.
구현: 저자들은 이를 지표면 기온(SAT), 해양 지표면 기온(OSAT), 해수면 압력(SLP)의 주성분(PC)에 적용한다. 이들은 전 지구 평균 기온, 유효 복사 강제력, 그리고 화산 및 온실가스 강제력과 같은 특정 성분을 포함한 다양한 강제력 입력을 테스트한다.

주요 기여

이론적 통합: PullbackDMDc는 외부 강제력을 선형 확률 시스템의 진화 연산자에 직접 내장함으로써, 강제력과 내부 변동성을 단일 실현 내에서 정확하게 분리하여 역학 시스템 모델과 회귀 사이의 간극을 메운다.
해석 가능한 분해: 표준 EOF나 DMD와 달리, PullbackDMDc는 단일 시계열 대신 물리적으로 구별되는 한 쌍의 시계열(강제 및 내부)을 각 모드에 제공하여, 특정 패턴이 강제력 대 내부 역학에 어떻게 반응하는지를 직접 조사할 수 있게 한다.
비지도 프레임워크: 이 방법은 훈련을 위한 대규모 ESM 앙상블을 필요로 하지 않고, 풀백 어트랙터의 수학적 특성과 가용 가능한 강제력 데이터를 활용하여 작동한다.

결과
이 방법은 네 가지 ESM 대규모 앙상블(CanESM5, MIROC6, CESM2, MPI-ESM)과 20세기 재분석 자료(20CRv3)를 대상으로 평가되었으며, 앙상블 평균을 강제 응답의 지표로 사용하였다.

강제 응답 추정: PullbackDMDc 변형 모델들은 확립된 베이스라인(선형 회귀 및 LIM-opt 포함)과 일치하거나 이를 능가하는 기술을 달却했다. 구체적으로:
- 강제력 예측 변수를 포함하는 방법(PullbackDMDc 및 선형 회귀)은 그렇지 않은 방법(LIM, RegGMST)보다 성능이 현저히 우수했다.
- 강제력 차원성: 성능은 강제력 예측 변수의 선택에 민감했다. 온도 변수(OSAT/SAT)의 경우, 3차원 강제력 표현(온실가스, 에어로졸, 화산)이 가장 좋은 결과를 냈다. SLP의 경우 2차원 표현(화산 + 온실가스)이 가장 좋은 성능을 보였는데, 이는 신호 대 잡음비가 낮은 영역에서 높은 차원의 입력이 과적합을 유발할 수 있음을 시사한다.
- PullbackDMDc 변형 모델들은 강제력을 무시하는 베이스라인 모델들에 비해 낮은 불확실성(앙상블 멤버 간의 분산)을 보였으며, 특히 SLP에서 그러했다.
분해를 통한 ESM 평가: 분해 결과는 재분석 자료와 ESM 사이의 체계적인 구조적 차이를 드러냈다:
- 다십년 주기 변동성: 재분석 자료에서는 선도 모드들이 느린 다십년 주기 변동성(대서양 다십년 주기 진동(AMO)과 유사함)을 포착했으며, 강제 응답은 주로 이러한 느린 모드에 투영되었다. 반면, ESM은 선도 모드에서 ENSO와 유사한 빠른 역학을 체계적으로 우선시하고 다십년 주기 구조를 과소 대표했다.
- 강제 응답 분포: 재분석 자료에서 강제 신호는 가장 느린 모드들에 집중되어 있었다. ESM에서는 강제 응답이 ENSO 및 PDO와 유사한 빠른 역학을 포함한 더 넓은 범위의 모드들에 분포되어 있었다.
- 계절 주기 비정상성: 이 방법은 재분석 자료의 SAT 및 SLP에서 (편차에 유지된) 계절 주기의 비정상적 변화를 감지했으나, ESM은 이러한 특징을 재현하는 데 대체로 실패했으며, 모델의 내부 모드에서 연주기 성분이 약하거나 없는 것으로 나타났다.

의의 및 주장
본 논문은 PullbackDMDc가 단일 실현 기후 분석 및 ESM 평가를 위한 실용적이고 물리적으로 해석 가능한 도구를 제공한다고 주장한다. 주요 의의는 다음과 같다:

구성 요소 분리: 분해 자체를 위해 대규모 앙상블 평균에 의존하지 않고도 단일 기록에서 강제 변동성과 내부 변동성을 성공적으로 분리한다.
모델 결함 진단: 현재의 ESM이 기후 변동성 시간 규모의 계층 구조를 체계적으로 잘못 표현하고 있음, 즉 다십년 주기 모드의 지속성과 이러한 느린 구조에 대한 강제 응답의 투영 진폭을 과소평가하고 있음을 밝혀낸다.
강제력 선택 가이드: 강제력 예측 변수의 선택이 매우 중요하며 변수 의존적임을 입증하여, 모델 지표를 바탕으로 최적의 예측 변수를 선택할 수 있는 프레임워크를 제공한다.

저자들은 이 방법이 현재 선형적이며, 강제 및 내부 구성 요분의 정확한 분리는 선형 근사의 속성이라는 점을 인정하며 신중한 입장을 유지한다. 또한, 유한하고 노이즈가 있는 데이터로부터 동적 연산자 $A$ 를 추정하는 과정이 특히 장기 시간 규모 구조에서 불확실성의 원인이 될 수 있음을 언급하며, 향-후 연구에서 비선형 확장 및 개선된 추정 전략을 탐구해야 한다고 밝히고 있다.

유사한 논문