Application of Multi ML-Model for Multi-Scale Meteorological Drought Monitoring under CMIP6-Climate Scenario in Data-Scarce Semi-Arid Regions

지구의 날씨를 거대한, 혼돈스러운 오케스트라라고 상상해 보세요. 때로는 악기들이 완벽한 조화를 이루며 부드러운 비와 꾸준한 바람을 불러옵니다. 다른 때에는 지휘자가 길을 잃고, 음악은 날카로운 폭풍이나 귀를 먹먹하게 하는 침묵으로 변합니다. 과학자들은 이 침묵을 "가뭄"이라고 부릅니다. 비가 나타나지 않는 시기로, 우리가 먹는 음식과 마시는 물을 위협하는 시기입니다. 이 침묵이 너무 커지기 전에 이를 이해하기 위해, 과학자들은 "지수(indices)"라고 불리는 특별한 도구를 사용합니다. 이것은 열을 측정하는 온도계 대신, 공기가 평소 평균에 비해 얼마나 건조하거나 습한지를 측정하는 기상 온도계와 같습니다. 유명한 도구 중 하나는 SPI(표준 강수 지수)로, 이는 점수판 역할을 합니다. 높은 점수는 축제 같은 풍족한 강수를 의미하고, 낮은 점수는 메마른 사막을 의미하며, 0은 그저 정상적인 상태를 의미합니다.

하지만 까다로운 점은, 지구는 매우 거대하며 우리의 기상 모델은 마치 거대하고 흐릿한 지도와 같다는 것입니다. 이 모델들은 기후의 전반적인 분위기는 알려줄 수 있지만, 특정 강 계곡에 중요한 아주 세밀하고 국지적인 디테일은 놓치는 경우가 많습니다. 이 흐릿한 지도를 고치기 위해 과학자들은 "다운스케일링(downscaling)"을 사용하는데, 이는 저해상도 사진을 가져와서 아주 똑똑한 컴퓨터를 이용해 나무의 개별 잎사귀까지 보일 정도로 픽셀을 선명하게 만드는 것과 같습니다. 일단 선명한 사진을 얻었다면, 이제 미래를 예측해야 합니다. 날씨는 작은 변화가 거대한 효과를 일으키는 복잡하고 비선형적인 퍼즐이기 때문에, 그들은 "머신러닝(Machine Learning)"을 활용합니다. 머신러닝은 과거의 데이터를 학습하는 컴퓨터 프로그램으로, 마치 다음 시험 답을 맞히기 위해 수천 개의 지난 시험지를 공부하는 학생과 같습니다. 문제는 바로 이것입니다. 어떤 컴퓨터 학생이 비가 그칠 때를 가장 똑똑하게 예측할 수 있을까요?

이 논문은 수백만 명의 사람들을 먹여 살리는 데 매우 중요하지만, 건조해지기 쉬운 반건조 지역인 이란의 거대한 카르케(Karkheh) 수계에 대한 심층 연구입니다. 연구진은 알고 싶었습니다. 최신 기후 모델(CMIP6)을 통해 미래를 바라본다면 가뭄이 얼마나 심각해질 것인가? 그리고 더 중요한 것은, 우리가 대비할 수 있도록 어떤 머신러닝 "학생"이 이러한 건조한 시기를 가장 잘 예측하는가 하는 점입니다.

연구팀은 디지털 실험실을 구축했습니다. 그들은 네 가지 서로 다른 슈퍼컴퓨터 기후 모델에서 데이터를 가져와 두 가지 서로 다른 "미래 시나리오"를 통해 실행했습니다. 한 시나리오는 세상이 더 푸르고 지속 가능해지기 위해 노력하는 낙관적인 경로인 SSP126입니다. 다른 하나는 우리가 화석 연료를 계속 태워 기후가 통제 불능이 되는 비관적인 경로인 SSP585입니다. 그들은 이 데이터를 다섯 가지 서로 다른 머신러닝 모델인 GPR, XGBoost, SVM, MLP, 그리고 Random Forest에 입력했습니다. 이 다섯 가지 모델을 과거의 가뭄을 가장 정확하게 맞히는 다섯 명의 탐정이라고 생각해보세요. 그들은 과거의 가뭄을 얼마나 잘 맞히는지 확인하기 위해 1966년부터 2018년까지의 역사적 데이터를 바탕으로 이 탐정들을 테스트했습니다.

결과는 명확했습니다. **GPR(가우시안 프로세스 회귀)**이라는 이름의 탐정이 주인공이었습니다. 그는 단순히 이긴 것이 아니라 압도했습니다. 연구진이 각 모델이 가뭄 수준을 얼마나 잘 맞혔는지 살펴보았을 때, GPR은 6개월 규모에서 0.944라는 점수(R²)를 달성했습니다. 이는 믿기 힘들 정도로 높은 점수로, 패턴을 거의 완벽하게 맞혔음을 의미합니다. XGBoost나 SVM 같은 다른 탐정들도 잘 해냈지만, GPR의 정밀함을 따라잡지는 못했습니다. 연구는 **6개월 창(window)**을 보는 것이 예측을 위한 "최적의 지점(sweet spot)"이라는 것을 발견했습니다. 이는 일일 변동성을 완화하기에는 충분히 길면서도, 실제 가뭄 추세를 포착하기에는 충분히 짧았습니다.

팀이 최고의 탐정인 GPR을 사용하여 미래(2026–2039)를 내다보았을 때, 이야기는 어떤 시나리오를 믿느냐에 따라 갈렸습니다. 낙관적인 SSP126 시나리오 하에서 미래는 비교적 차분해 보입니다. 강 유역은 대부분 "정상" 또는 약간 습한 상태를 유지할 것입니다. 가뭄이 발생하겠지만, 이는 관리하기 쉬운 가벼운 건조함처럼 완만할 것입니다. 그러나 비관적인 SSP581 Scenario 하에서는 날씨가 훨씬 더 혼란스러워집니다. 평균은 여전히 괜찮아 보일 수 있지만, 변동폭이 훨씬 더 격렬해집니다. 시뮬레이션에 따르면, 이 "최악의 경우" 경로 아래에서 이 지역은 훨씬 더 강렬한 습윤기(홍수)와, 결정적으로 훨씬 더 심각한 가뭄에 직면할 수 있습니다.

이 논문이 강조하는 반전은 다음과 같습니다. 더 긴 시간 창(예: 12개월)을 가지고 미래를 멀리 내다볼수록, 두 시나리오 간의 차이는 커집니다. 12개월 관점에서 낙관적인 시나리오는 완만한 가뭄만을 겪으며 안전하게 유지됩니다. 하지만 비관적인 시나리오는 어떻습니까? 그것은 심각한 가뭄(SPI 값 -1.5 미만)과 심지어 중등도 가뭄(SPI -1에서 -1.5 사이)의 징후를 보이기 시작합니다. 논문은 비관적인 경로 하에서 카르케 유역이 2037년에 심각한 가뭄 사건을 경험할 수 있다고 명시적으로 언급하며, 이는 낙관적인 타임라인에서는 나타나지 않는 위험입니다.

연구진은 또한 시간 척도에 관한 흥ًا로운 사실도 발견했습니다. 비의 양을 측정하는 기간이 길어질수록 가뭄이 발생하는 빈도는 줄어드는 것처럼 보입니다. 단 3개월만 본다면 약 **42%**의 시간이 건조합니다. 하지만 전체 12개월을 본다면 그 비율은 약 **13~14%**로 떨어집니다. 이는 장기적인 평균치가 단기적인 건조 현상을 완화하기 때문입니다. 그러나 논문은 장기적으로 가뭄이 덜 자주 발생하더라도, 비관적인 시나리오에서 가뭄이 발생할 때는 훨씬 더 강력하게, 더 오래 지속된다고 경고합니다.

그렇다면 결론은 무엇일까요? 논문은 계획 수립을 위해 GPR 모델을 신뢰하고 중기 의사결정을 위해 6개월 타임프레임에 집중할 것을 제안합니다. 그것이 이 작업에 가장 적합하고 신뢰할 수 있는 도구입니다. 장기적(12개월) 관점에서는, 만약 우리가 비관적인 경로를 택한다면 극단적인 변동성(홍수와 심각한 가뭄 모두)에 대비해야 한다는 데이터가 시사합니다. 낙관적인 경로는 훨씬 더 안정적인 미래를 제공하지만, 논문은 우리가 경로를 바꾸지 않는다면 심각한 가뭄의 위험이 실재한다는 점을 분명히 하고 있습니다. 저자들은 미래가 절망적인 것은 아니지만, 특히 세상이 더 거칠고 예측 불가능한 기후 시나리오로 향하고 있다면, 물이 풍부할 때 저장하고 건조할 때 주의 깊게 관리하는 등 똑똑하게 대처해야 한다고 결론짓습니다.