OceanDepths: A Global Dataset of Paired Subsurface and Surface Ocean Observations

세계의 대양은 지구 표면적의 70% 이상을 차지하고 있지만, 여전히 우리 세계에서 가장 이해가 덜 된 부분 중 하나로 남아 있습니다. 위성은 놀라운 세밀함으로 해양의 표면을 관찰하며 수온과 염분을 측정할 수 있지만, 그 아래에 무엇이 있는지는 볼 수 없습니다. 지구가 기후를 조절하고, 열을 흡수하며, 날씨 패턴을 주도하는 방식을 진정으로 이해하기 위해서, 과학자들은 표면에서 심해에 이르기까지 해수의 3차원 구조 전체를 볼 수 있어야 합니다. 수십 년 동안 연구자들은 물속을 떠다니며 특정 지점에서 측정을 수행하는 부유형 장비들의 조각난 집합체에 의존해 왔으나, 이러한 데이터 포인트들은 위성이 제공하는 연속적인 시야에 비해 흩어져 있고 희박합니다. 이러한 격차는 해양의 숨겨진 층을 완전한 그림으로 그려내거나, 미래의 변화를 예측하는 데 도움을 줄 수 있는 차세대 인공지능 도구를 훈련시키는 것을 어렵게 만들었습니다.

연구팀은 이제 위성이 보는 해수면과 심해에서 측정되는 값을 결합한 거대하고 통합된 데이터셋을 생성함으로써 이 격차를 메웠습니다. '오션뎁스(OceanDepths)'라 불리는 이 새로운 리소스는 2000년부터 2024년까지 거의 25년 동안의 관측 데이터를 단일하고 조직화된 형식으로 통합했습니다. 이 데이터셋은 해수면 온도, 염분, 해수면 높이에 대한 고해상도 위성 지도와 자율 부표가 측정한 수백만 개의 수직 온도 및 염분 프로파일을 연결합니다. 연구진은 이 두 가지 매우 다른 유형의 데이터를 동일한 격자 위에 정렬함으로써, 인공지능이 해수면 조건이 어떻게 숨겨진 심해와 연관되는지를 학습할 수 있는 훈련장을 마련했습니다. 이 작업은 단순히 데이터의 구멍을 채우는 것에 그치지 않고, 과학자들이 대략적인 근사치를 넘어 전례 없는 정밀도로 해양의 복잡한 3차원적 거동을 모델링할 수 있도록 하는 표준화된 글로벌 테스트베드를 제공합니다.

해양을 이해하는 과제는 오랫동안 관측의 불일치로 인해 정의되어 왔습니다. 위성은 전 세계적으로 매일 변하는 온도와 높이를 포착하며 해수면의 연속적이고 전 지구적인 뷰를 제공합니다. 반면, 파도 아래에서 이루어지는 측정은 해류를 따라 떠다니며 주기적으로 잠수하여 수직 기둥을 측정하는 약 4,000개의 자율 부표, 즉 아르고(Argo) 프로그램의 함대로부터 옵니다. 이 부표들은 상층 해양에 대해 가장 체계적인 샘플링을 제공하지만, 광활한 바다에 비하면 그 범위는 극도로 희박합니다. 많은 곳에서 수백 킬로미터당 단 하나의 측정값만이 존재하며, 이는 지식의 거대한 공백을 남깁니다. 역사적으로 과학자들은 컴퓨터 모델을 사용하거나 제한된 관측치로부터 데이터를 재구성하여 이러한 공백을 메우려 노력해 왔지만, 이러한 접근 방식은 어디에서나 성립하지 않을 수 있는 가정에 의존하는 경우가 많았습니다. 그 결과, 인공지능에게 가시적인 표면으로부터 해양의 숨겨진 구조를 추론하는 법을 가르칠 수 있는 신뢰할 수 있는 단일한 쌍(paired) 데이터 소스가 부족했습니다.

이를 해결하기 위해, 오션뎁스 연구진은 위성 관측값과 현장(in-situ) 측정값을 전 지구적 규모로 결합한 데이터셋을 구축했습니다. 연구진은 해수면 온도, 해수면 염분, 그리고 해양 표면의 역동적인 형태를 나타내는 해수면 높이에 대한 위성 데이터를 수집했습니다. 이러한 표면 측정값은 수중 장비에 의해 측정된 수백만 개의 온도 및 염분 프로파일과 일치되었습니다. 연구팀은 이 이질적인 데이터 소스들을 공통된 격자 위에 정교하게 정렬하였으며, 전 세계를 작은 사각형으로 나누고 모든 표면 측정값이 근처에 대응하는 수심 프로파일을 갖도록 보장했습니다. 이 데이터셋은 2000년부터 2024년까지의 기간을 다루며, 해양의 상태를 주 단위로 보여줍니다. 여기에는 50개의 표준 수심 레벨로 보간된 950만 개 이상의 쌍을 이룬 프로파일이 포함되어 있으며, 일부 지역에서는 거의 6,000미터 깊이까지 도달합니다. 이러한 수준의 상세함은 연구자들이 단순히 넓고 느리게 움직이는 추세가 아니라, 해양 역학을 지배하는 소용돌이치는 에디(eddy)와 해류를 볼 수 있는 충분히 미세한 해상도로 해양을 연구할 수 있게 해줍니다.

이 새로운 데이터셋의 핵심적인 특징은 사전 재구성된 모델이 아닌, 가공되지 않은 쌍을 이룬 관측값을 제공한다는 점입니다. 기존의 데이터셋은 종종 오류를 숨기거나 편향을 유발할 수 있는 컴퓨터 모델에 의해 생성된, 매끄럽게 처리되고 빈 곳이 채워진 제품들로 구성되었습니다. 반면, 오션뎁스는 실제 측정값과 함께 참조 역할을 하지만 주 타겟은 아닌 밀집된 재분석(reanalysis) 제품을 함께 제공합니다. 이러한 구분은 인공지능을 훈련시키는 데 있어 매우 중요한데, 모델이 완벽하게 시뮬레이션된 버전이 아니라 해양의 실제적이고 무질서한 데이터로부터 직접 학습할 수 있게 하기 때문입니다. 또한 이 데이터셋은 지구를 관리 가능한 크기의 덩어리, 즉 패치(patch)로 나누는 구성 가능한 시스템을 포함하고 있어, 연구자들이 다양한 유형의 분석을 위해 데이터를 쉽게 불러오고 처리할 수 있도록 합니다. 이 접근 방식은 데이터가 서로 다른 형식과 해상도로 흩어져 있어 결과를 비교하거나 연구를 재현하기 어려웠던 이전 작업들의 주요 한계를 해결합니다.

연구진은 이 새로운 리소스를 활용하여 해양의 하층 상태를 재구성하는 간단한 인공지능 모델을 훈련시켜 이 데이터셋의 효용성을 테스트했습니다. 목표는 모델이 표면 조건과 부표로부터 얻은 희박한 측정값을 보고, 그 사이의 모든 수심에서의 온도와 염분을 정확하게 예측할 수 있는지 확인하는 것이었습니다. 결과에 따르면, 과거의 평균치에 기반한 단순 통계 방법들이 여전히 강력한 경쟁자로 남았지만, 인공지능 모델은 특히 염분에 대해 더 복잡한 공간적 패턴을 포착할 수 있었습니다. 연구는 특정 지점의 수직 기둥만을 보는 것이 아니라 주변의 수평적 맥락을 고려하는 모델이 훨씬 더 나은 성능을 보인다는 것을 발견했습니다. 이는 해양의 숨겨진 구조가 표면에 보이는 패턴 및 더 넓은 지역적 맥락과 깊게 연결되어 있음을 시사하며, 새로운 데이터셋은 이러한 관계를 상세히 탐구할 수 있게 해줍니다.

오션뎁스의 탄생은 해양학과 인공지능 분야 모두에 있어 중요한 진전입니다. 표준화되고 전 지구적이며 고해상도의 쌍을 이룬 관측 데이터를 제공함으로써, 연구진은 머신러닝을 해양 문제에 적용하려는 과학자들에게 가로막혀 있던 큰 장벽을 제거했습니다. 관측치가 특정 수심에서 해양의 1% 미만을 차지하는 이 데이터셋의 극단적인 희소성은 현재의 AI 방법론의 한계를 시험하는 독특한 도전 과제를 제시합니다. 이는 마치 인간이 표면의 몇몇 지점만을 만져보고 숨겨진 물체의 형태를 추론하는 것처럼, 불완전하고 불규칙한 데이터로부터 학습할 수 있는 새로운 기술의 발전을 강요합니다. 저자들은 이 데이터셋이 최종적인 해결책이 아니라, 커뮤니티가 서로 다른 방법론을 비교하고 시간 경과에 따른 진전을 추적할 수 있게 해주는 기초적인 리소스임을 강조합니다.

이 작업의 영향은 단순히 더 나은 해양 지도를 만드는 것을 넘어섭니다. 해양의 3차원 구조를 더 깊이 이해하는 것은 극한의 기상 이벤트를 예측하고, 열과 탄소의 이동을 추적하며, 기후 전망을 개선하는 데 필수적입니다. 표면 관측으로부터 해양의 숨겨진 상태를 재구성하는 능력은 해양 폭염과 해양 순환의 변화를 더욱 정확하게 예측하는 데 기여할 수 있습니다. 나아가, 이 데이터셋은 복잡한 물리 모델에만 의존하지 않는 관측 기반의 예측 방법론의 문을 열어주어, 해양의 미래 상태를 예측하는 새로운 길을 제시할 수 있습니다. 연구진은 모든 데이터, 코드 및 도구를 공개하여 전 세계 과학계가 이 토대 위에 구축하고 지구의 가장 중요한 시스템인 심해의 숨겨진 층을 탐구할 수 있도록 초대하고 있습니다.