Integrating Explainable Machine Learning, Extreme Value Analysis, and CMIP6 Projections for Extreme Precipitation Prediction in the Eastern Mediterranean Coastal Region of Türkiye

기술 요약: 터키 동부 지중해 연안 지역의 극한 강수 예측을 위한 설명 가능한 머신러닝, 극값 분석 및 CMIP6 투영 모델의 통합

문제 정의
터키의 동부 지중해 연안 지역(메르신, 아다나, 오스마니에, 하타이 포함)은 극한 강수 현상으로 인한 심각한 위험에 직면해 있으며, 이는 인구 밀집 도시 지역과 농경지를 위협하고 있다. 이러한 취약성에도 불구하고, 기존 연구들은 이 특정 부지역을 위해 물리적 동인, 통계적 재현 특성, 그리고 미래 기후 궤적을 통합하는 통일된 분석 프레임워크가 부족했다. 기존 연구들은 종종 고립된 관측소 분석에 의존하거나, 재현 기간 추정치와 머신러닝(ML) 예측 모델 간의 상관관계를 도출하지 못하며, 복잡한 지형(예: 타우루스 산맥)으로 인한 강수 체계의 이질성을 충분히 고려하지 못한다. 또한, CMIP6 모델이 상당한 온난화와 여름철 가뭄을 예측하고 있음에도 불구하고, 국지적 수준에서 극한 강수의 빈도 대 강도의 구체적인 미래 거동은 여전히 불분도 명확하지 않다.

연구 방법론
본 연구는 다음의 8단계 통합 과정을 통해 이러한 격차를 해소하기 위해 설계된 하이브리드 머신러닝 및 통계 파이프라인을 제시한다:

1. 데이터 수집 및 품질 관리: 본 연구는 2010~2024년 사이의 24개 터키 국립 기상청(TSMS) 지상 관측소 데이터를 활용하였으며, CHIRPS 위성 강수 데이터, ERA5-Land 재분석 데이터, NOAA 원격 상관 지수를 보완적으로 사용하였다. 엄격한 2단계 품질 관리 과정을 통해 결측치가 5%를 초과하는 관측소를 제외하였으며, regime shift(체제 변화)를 식별하기 위해 균질성 검정(SNHT, Pettitt, Buishand)을 적용하였다.
2. 다중 소스 데이터 융합: 지상 관측, 위성 데이터, 재분석 생성물을 융합하여 새로운 일별 데이터셋을 구축하였다. 여기에는 공간적 추론, 해양 마스킹(sea-masking) 보정, 온도 변수의 편향 보정 및 결측치 보충 작업이 포함되었다.
3. 공간 클러스터링: K-Means 클러스터링을 사용하여 고도, 강수량 총계, 계절적 비율, 온도를 기준으로 24개 관측소를 세 가지 물리적으로 해석 가능한 강수 체계 구역(연안, 내륙, 산악)으로 구분하였다.
4. 특성 공학(Feature Engineering): 기상 변수, 지형 데이터, 시간적 인코딩, 클러스터 레이블, 그리고 30개의 원격 상관 특성(ONI, NAO, AO, AMO, EAWR의 시차 지수)을 포함하는 40개 속성의 예측 변수 행렬을 구성하였다.
5. 머신러닝 분류: 극한 강수(일일 강수량 95 백분위수 이상으로 정의)를 예측하기 위해 XGBoost 이진 분류기를 훈련시켰다. 클래스 불균형(1:18 비율) 문제를 해결하기 위해 역빈도 가중치(inverse frequency weighting)를 적용하였다. 성능은 시간적 교차 검증과 독립된 테스트 세트(2023–2024)를 통해 평가되었다.
6. 설명 가능성(XAI): XGBoost 모델을 해석하기 위해 SHAP(SHapley Additive exPlanations) 분석을 채택하였으며, 이를 통해 서로 다른 공간 클러스터 전반에 걸친 지배적 예측 변수와 비선형 상호작용을 식별하였다.
7. 극값 분석(EVA): 44년간의 CHIRPS 데이터(1981–2024)를 활용하여 두 가지 상호 보완적인 방법인 연 최대치에 대한 일반화 극값 분포(GEV)와 임계값 초과(POT)에 대한 일반화 파레토 분포(GPD)를 통해 재현 기간을 추정하였다.
8. 미래 투영: MPI-ESM1-2-LR 모델의 SSP2-4.5 및 SSP5-8.5 시나리오에 따른 CMIP6 투영치를 편향 보정하여 2041–2060년 기간에 대해 분석하였으며, 이를 통해 극한 사건의 빈도 및 습윤일 강도의 변화를 평가하였다.

주요 결과

• 체제 변화(Regime Shift): 균질성 검정 결과, 2020년부터 통계적으로 유의미한 강수 체제 변화가 식별되었다. 이전 10년 대비 영역 평균 편차는 -20.5%였으며, 가장 심각한 감소는 내륙 관측소(예: 오스마니에: -35.9%)에서 관찰되었다. 이 변화는 훈련 기간(2010–2022)과 테스트 기간(2023–2024) 사이의 타겟 변수 분포 변화와 일치하였다.
• 모델 성능: XGBoost 분류기는 독립된 테스트 세트에서 0.835의 AUC-ROC를 달성하여, 비정상성(non-stationary) 조건에서도 견고한 판별 능력을 입증하였다. 테스트 세트의 F1 점수는 0.288로 교차 검증 점수(0.403)보다 낮았는데, 이는 2020년 이후의 가뭄 기간 동안 극한 사건의 빈도가 감소했기 때문이다.
• 특성 중요도: SHAP 분석 결과, 지표 근처의 상대 습도가 압도적인 지배적 예측 변수(평균 |SH-AP| = 0.557)로 나타났다. 이 중요도는 고도에 따라 강화되었으며(연안 클러스터 0.469 대비 산악 클러스터 0.642), 이는 지형성 강수 메커니즘을 반영한다. 비선형 활성화 임계값은 상대 습도 65–70% 부근에서 확인되었다. 평균 온도는 두 번째로 중요한 특성이었으며, 15–20°C 이상에서 음(-)의 기여도를 보였다.
• 원격 상관: 대규모 지수인 AMO(음의 상관관계, r = -0.335)와 EAWR(양의 상관관계, r = +0.299)이 연간 변동성의 유의미한 동인으로 식별되었다.
• 재현 수준: GEV 적합 결과, 영역 평균 100년 재현 수준은 102.4 mm/day였다. 가장 높은 위험은 습한 공기가 타우루스 산맥 기슭과 상호작용하는 동부 내륙 회랑(예: 뒤지치: 153.1 mm/day)에 집중되었다. 투판베일리는 높은 고도에도 불구하고 비그늘(rain shadow) 효과로 인해 가장 낮은 재현 수준(54.9 mm/day)을 보였다.
• 미래 투영: CMIP6 투영치는 두 시나리오 모두에서 2041–2060년 사이 극한 사건 빈도의 일관된 감소를 나타낸다(SSP2-4.5의 경우 -19.5%, SSP5-8.5의 경우 -12.1%). 그러나 습윤일 강도는 SSP2-4.5에서는 감소(-2.2%)하는 반면, SSP5-8.5에서는 증가(+1.2%)할 것으로 투영되어, 고배출 시나리오 하에서 "빈도는 낮아지되 잠재적으로 더 강해지는" 미래를 시사한다.

의의 및 기여
저자들은 본 연구가 터키 동부 지중해 연안 지역을 위해 통합된 ML–극값–기후 투영 파이프라인을 제공하는 첫 사례라고 주장한다. 본 연구의 의의는 다음과 같다:

1. 통합 프레임워크: 다중 소스 데이터 융합, 공간 클러스터링, 설명 가능한 ML, 극값 분석을 성공적으로 결합하여 극한 강수 위험을 특징지었다.
2. 물리적 해석 가능성: SHAP을 사용하여 명시적인 물리 방정식 입력 없이도 물리적 관계(클라우지우스-클라페이론 관계 및 지형성 상승 메커니즘 등)를 경험적으로 복원함으로써, 모델이 대기 물리학과 일치함을 검증하였다.
3. 체제 변화 탐지: 2020년의 실제 수문기후학적 변화를 식별하여 모델의 전이 가능성에 영향을 미침을 밝혔으며, 이는 운영 예측을 위한 적응형 재학습 프로토콜의 필요성을 강조한다.
4. 인프라 영향: 동부 회랑에서 추정된 100년 재현 수준이 현재의 도시 배수 설계 임계치(50–100 mm/day)를 실질적으로 초과함을 입증하여 구조적 취약성을 나타냈다.
5. 미래 위험 특성화: 배출 시나리오에 따른 빈도와 강도의 추세 차이를 명확히 함으로써, 고배출 경로 하에서는 극한 일수는 줄어들 수 있으나 그 강도는 높아질 수 있음을 시사하였다.

본 연구는 이 지역이 사건 빈도 측면에서는 건조화 추세를 겪고 있지만, 고배출 시나리오 하에서의 강수 강도 증폭 가능성은 인프라 설계 표준의 개정과 비정상적 수문기후 조건을 고려한 적응형 조기 경보 시스템의 개발을 필요로 한다고 결론짓는다.