Continuous and Differentiable Neural Network Representations of the Surfzone Sea-Surface from Lidar Point Clouds

대양의 표면은 결코 정지해 있지 않다. 그것은 거대한 너울, 부서지는 파도, 그리고 휘몰아치는 거품이 끊임없이 움직이는 역동적이고 변화무쌍한 풍경이며, 에너지가 심해에서 해안으로 이동함에 따라 끊임없이 스스로를 재형성한다. 이러한 파도를 연구하는 과학자들에게 물이 정확히 어떻게 움직이는지 이해하는 것은 필수적이다. 그들은 단순히 파도의 높이뿐만 아니라, 파도가 얼마나 빠르게 이동하는지, 파도의 면이 얼마나 가파른지, 그리고 파도가 부서질 때 어떻게 모양이 변하는지도 알아야 한다. 전통적으로 연구자들은 한 지점에 떠 있는 부표나 멀리서 사진을 찍는 카메라를 사용해 왔다. 이러한 도구들은 유용하지만, 특히 파도가 해변으로 부딪히는 난류 구역에서 부서지는 파도의 3차원적인 복잡성을 온전히 포착하는 데 어려움을 겪는 경우가 많다. 더 명확한 그림을 얻기 위해 과학자들은 드론에 장착된 레이저를 활용해 왔는데, 이는 수면을 스캔하여 공간과 시간의 특정 위치를 나타내는 수백만 개의 미세한 점들로 이루어진 점 구름(point cloud)을 생성할 수 있다. 그러나 이 가공되지 않은 데이터는 무질서하고 흩어져 있다. 이를 해석하기 위해 연구자들은 대개 이 점들을 격자 구조에 강제로 끼워 맞춰야 하는데, 이는 마치 불규칙한 퍼즐 조각을 정사각형 틀에 맞추려는 것과 같아서 중요한 세부 사항을 뭉개뜨리거나 오류를 유발할 수 있다.

스크립스 해양연구소(Scripps Institution of Oceanography)의 연구팀은 이 데이터를 처리하는 다른 방법을 찾아냈으며, 이는 격자 구조를 전혀 사용하지 않는 방식이다. 레이저 점들을 상자 형태의 구조에 억지로 맞추는 대신, 그들은 신경망(neural network)이라 불리는 일종의 인공지능을 사용하여 흩어진 점들로부터 직접 해수면의 모양을 학습시켰다. 이 네트워크를 수백만 개의 흩어진 점을 보여주고 그 점들을 모두 연결하는 매끄럽고 연속적인 선을 그려보라고 요구받는 학생이라고 생각해보라. 이 학생은 단순히 점이 있는 곳뿐만 아니라, 점과 점 사이의 모든 곳까지 선을 그려야 한다. 연구진은 캘리포니아주 몬터레이의 암석 해안에서 이 방법을 테스트했으며, 이곳에서 드론은 4미터 높이의 거대한 파도를 스캔하기 위해 공중에 떠 있었다. 그 결과는 매끄럽고 연속적인 바다의 디지털 모델이었으며, 이를 통해 과학자들은 드론이 직접 측정을 수행하지 않은 지점에서도 어느 한 점에서 물의 속도와 경사도를 계산할 수 있게 되었다.

실험은 해저가 급격히 깎여 있고 파도가 강력하게 부서지는 차이나 락(China Rock)이라는 암석 돌출부 근처에서 진행되었다. 특수 레이저 스캐너를 장착한 드론은 33미터 고도에서 초당 10번씩 수면에 빛을 쏘며 떠 있었다. 이 빛들은 수면에 반사되어 드론으로 돌아왔고, 이는 파도의 높이를 3차원으로 매핑하는 방대한 양의 데이터 점들을 만들어냈다. 연구진은 이 데이터 중 60초간의 구간에 집중하여, 커다란 파도가 밀려와 가팔라졌다가 결국 부서지는 순간을 포착했다. 이 짧은 시간 동안 드론은 약 450만 개의 개별 점을 수집했으나, 이 점들은 고르게 분포되어 있지 않았다. 점들은 드론 바로 아래에서 가장 밀도가 높았고, 스캔의 가장자리로 갈수록 희박해졌다.

이 흩어진 점 구름을 유용한 그림으로 바꾸기 위해, 연구팀은 패턴을 인식하도록 설계된 컴퓨터 프로그램인 신경망을 훈련시켰다. 그들은 네트워크에 모든 점의 좌표와 해당 지점의 수심을 입력했다. 네트워크의 임무는 레이저가 닿은 곳뿐만 아니라 모든 위치와 시간에서 수심을 예측할 수 있는 수학적 함수를 찾는 것이었다. 점들을 격자로 평균화하는 전통적인 방식과 달리, 이 네트워크는 격자 구조에 갇히지 않고 데이터 점들을 통과하는 매끄럽고 흐르는 듯한 표면을 만드는 법을 배웠다. 연구진은 이 접근 방식이 놀라울 정도로 잘 작동한다는 것을 발견했다. 생성된 디지털 모델은 레이저 데이터에서 보이는 실제 파도의 모양과 일치했으며, 파도의 마루(crest)가 솟아오르는 모습과 파도의 면이 가파르게 떨어지는 모습을 포착해 냈다. 또한, 이 방식은 다른 측정 도구들을 혼란스럽게 만드는 해수 분무(sea spray)나 물보라의 무질서한 노이즈를 성공적으로 걸러내어, 주요 파도 구조를 보여주는 명확한 이미지를 남겼다.

가장 중요한 발견 중 하나는 이 방법이 데이터가 희박한 영역에서도 정확성을 유지했다는 점이다. 네트워크는 파도의 전체적인 모양을 학습했기 때문에, 드론의 레이저가 거의 없거나 아예 없었던 간극에서도 수심을 추정할 수 있었다. 연구진이 학습 과정에서 보지 못한 데이터를 사용하여 모델을 테스트했을 때, 오차는 매우 작았으며 이는 레이저 장비 자체의 자연적인 한계와 비슷한 수준이었다. 또한 그들은 동일한 데이터로 두 개의 별도 네트워크를 훈련시켜 이 방법의 신뢰성을 테스트했다. 두 모델은 거의 동일한 결과를 만들어냈으며, 대부분의 장소에서 불과 몇 센티미터 정도의 차이만을 보였다. 그러나 드론이 데이터를 거의 수집하지 못한 매우 희박한 영역에서는 두 모델이 약간씩 어긋나기 시작했는데, 이는 이 방법이 견고하긴 하지만 여전히 파도의 모양을 학습하기 위한 충분한 정보에 의존하고 있음을 시사한다.

이 새로운 접근 방식의 진정한 힘은 파도가 어떻게 변하는지를 계산할 수 있는 능력에 있다. 디지털 모델이 매끄럽고 연속적인 함수이기 때문에, 연구진은 물이 위아래로 움직이는 속도나 특정 순간에 파도의 면이 얼마나 가파른지를 쉽게 계산할 수 있었다. 연구 대상이었던 60초의 구간 동안, 그들은 파도의 마루가 초당 약 8.75미터의 속도로 해안을 향해 이동하는 것을 추적할 수 있었으며, 이 값은 해당 크기와 깊이의 파도에 대한 이론적 예측과 일치했다. 또한 그들은 파도가 움직임에 따라 모양이 어떻게 변하는지 관찰하며, 파도가 부서지기 전 마루가 어떻게 더 높고 가팔라지는지를 기록할 수 있었다. 이러한 수준의 상세한 정보는 격자 기반의 전통적인 방식으로는 달성하기 어려운 것으로, 격자 방식은 특히 급격히 변하는 가파른 파도의 면에서 변화율을 정확하게 계산하는 데 어려움을 겪는 경우가 많다.

연구진은 이 방법이 과제를 안고 있다는 점도 인정한다. 단 60초의 데이터를 위해 표준 컴퓨터 하드웨어로 신경망을 훈련시키는 데 약 30분이 소요되었는데, 이는 단순히 데이터를 격자로 분류하는 데 걸리는 시간보다 훨씬 길다. 만약 과학자들이 한 시간 분량의 파도 데이터를 분석하고 싶다면, 여러 대의 컴퓨터를 병렬로 실행하거나 수 시간 동안 훈련을 진행해야 한다. 게다가 이 방법은 학습할 수 있는 충분한 양의 데이터가 있을 때 가장 잘 작동한다. 물이 매우 맑아 레이저가 점을 거의 반사하지 못하는 영역에서는 모델의 정확도가 떨어질 수 있다. 이러한 한계에도 불구하고, 본 연구는 해수면을 표현하는 데 있어 신경망을 사용하는 것이 강력한 새로운 도구가 될 수 있음을 입증한다. 이는 시간과 공간의 어느 지점에서든 분석 가능한 연속적이고 매끄러우며 매우 상세한 바다의 모습을 제공하며, 파도가 해안으로 부서질 때 어떻게 행동하는지에 대한 더 깊은 이해로 가는 문을 열어준다.