A Climate-Compatible Machine-Learning Framework for Future Rainfall Erosivity Projections Using Standardized Climate Model Outputs

기술 요약: 미래 강우 침식성 투영을 위한 기후 적합형 머신러닝 프레임워크

문제 정의
강우 침식성($R_{30}$)은 토양 침식의 주요 동력이지만, 기후 변화에 따른 미래 진화 양상을 투영하는 것은 방법론적으로 까다로운 과제이다. 전통적인 추정 방식은 하위 일 단위(특히 최대 30분 강우 강도, $I_{30}$) 강우 데이터를 기반으로 하는데, 이러한 데이터는 일반적인 전 지구 기후 모델(GCM) 출력값에서는 대개 구할 수 없다. 표준 GCM은 일반적으로 집계된 강수 변수(예: 연간 총량)만을 제공한다. 결과적으로, 미래의 침식성 평가는 강우 분해(disaggregation), 편향 수정(bias correction), 또는 하위 일 단위 강도를 위한 확률적 재구성(stochastic reconstruction)과 같은 계산 집약적인 전처리 단계를 필요로 한다. 이러한 요구 사항은 서로 다른 기후 모델 및 배출 시나리오 간의 평가 전이성을 제한하며, 대규모 기후 영향 평가의 병목 현상을 야기한다.

방법론
본 연구는 강우 강도 재구성이 필요 없이, 기후 모델 출력물에서 정기적으로 가용되는 예측 변수들로부터 강우 침식성을 직접 추정하도록 설계된 "기후 적합형(climate-compatible)" 머신러닝 프레임워크를 제안한다.

• 연구 지역 및 데이터: 이 프레임워크는 2004~2021년 사이 터키 내 209개 기상 관측소의 역사적 강우 침식성 관측치를 사용하여 개발 및 테스트되었다. 이 관측치들은 개정된 범용 토양 유실 공식(RUSLE)을 사용하여 분 단위 강우 기록으로부터 도출되었다.
• 예측 변수: 모델은 GCM 출력물에서 일관되게 사용 가능한 변수들만을 활용한다: 연간 강수량, 위도, 경도, 고도, 그리고 지역 기후 분류. 미래 기후 데이터와의 호환성을 보장하기 위해 강우 강도 지수는 최종 투영 모델에서 명시적으로 제외되었다.
• 모델 선택 및 학습: 다섯 가지 회귀 알고리즘(Ridge, ElasticNet, Random Forest, Gradient Boosting, MLP)을 평가하였다. 하이퍼파라미터는 RandomizedSearchCV를 사용하여 최적화되었다. **랜덤 포레스트(Random Forest, RF)**가 우수한 예측 정확도와 공간 일반화 능력을 바탕으로 최적의 에뮬레이터로 선정되었다.
• 검증 전략: 공간 정보 누출을 방지하고 현실적인 성능 추정치를 확보하기 위해, 본 연구는 엄격한 스테이션별 GroupKFold 교차 검증을 채택하였다. 이 방식에서는 특정 기상 관측소의 모든 데이터가 학습 세트 또는 검증 세트 중 하나에만 배정되도록 하여, 모델이 이전에 접하지 못한 위치에 대해 테스트되도록 보장하였다.
• 투영 설정: 검증된 RF 에뮬레이터를 RCP4.5 및 RCP8.5 시나리오 하의 세 가지 GCM(GFDL-ESM2M, HadGEM2-ES, MPI-ESM-MR)의 연간 강수량 투영치와 결합하였다. 투영 범위는 2025~2095년이며 5년 간격으로 구성된다.
• 불확실성 분석: 다중 모델 앙상블 접근법을 사용하여 불확실성을 정량화하였으며, 6개의 모델-시나리오 조합 간의 편차(표준 편차, 10~90 백분위 구간)를 분석하였다.

주요 결과

• 모델 성능: 엄격한 공간 교차 검증 하에서, 랜덤 포레스트 에뮬레이터는 연간 강우 침식성의 관측 변동성을 약 54% 설명하였으며 ($R^2 = 0.537 \pm 0.073$), 평균 제곱 오차(RMSE)는 984 MJ mm ha⁻¹ h⁻¹ yr⁻¹였다. 이는 강도 지수를 사용하는 모델($R^2 \approx 0.71$)보다는 낮지만, 기후 적합형 예측 변수만을 사용해야 한다는 제약을 고려할 때 대규모 투영을 수행하기에는 충분한 성능으로 간주되었다.
• 국가적 추세: 6가지 기후 모델-시나리오 조합 모두 2095년까지 터키의 국가 평균 강우 침식성이 완만하게 감소할 것으로 투영한다. 감소 폭은 모델과 시나리오에 따라 다르며, RCP8.5 하의 GFDL 모델이 가장 큰 감소($\Delta R_{30} = -227.11$)를, RCP4.5 하의 MPI 모델이 가장 작은 감소($\Delta R_{30} = -41.25$)를 보인다.
• 공간적 이질성: 국가적인 하향 추세에도 불구하고, 공간 분석은 뚜렷한 지역적 변동성을 보여준다. 서부 해안 지역은 강한 감소세를 보이는 반면, 터키 남부와 동부의 여러 관측소에서는 국지적인 침식성 증가가 투영된다. 이는 국가 평균치가 중요한 지역적 위험을 은폐할 수 있음을 시사한다.
• 불확실성의 진화: 모델 간 불확실성은 특히 고배출(RCP8.5) 시나리오 하에서 세기말을 향해 갈수록 점진적으로 증가한다. 공간적으로는 서부 및 남서부 터키에서 불확실성이 높게 나타나는 반면, 중앙 아나톨리아 지역의 투영치는 모델 간 높은 일치도를 보인다.

핵심 기여

1. 방법론적 혁신: 본 연구는 강우 분해나 강도 재구성이 필요 없이 표준화된 기후 모델 출력물로부터 강우 침식성을 직접 추정하는 전이 가능한 프레임워크를 개발하였다. 이는 기후 영향 평가에서 발생하는 주요 계산 및 데이터 접근 장벽을 제거한다.
2. 공간적으로 명시적인 투영: 본 프레임워크는 다수의 GCM과 배출 시나리오 하에서 국가, 지역 및 관측소 수준의 투영치를 제공하며, 이를 통해 미래의 침식성 변화가 공간적으로 균일하지 않고 지리적으로 차별화되어 있음을 밝혀냈다.
3. 불확실성 정량화: 다중 모델 앙상블을 활용함으로써 투영 불확실성을 명시적으로 정량화하였으며, 변화의 방향(감소)은 일관되지만 그 크기와 시점은 세기말로 갈수록 크게 달라짐을 입증하였다.

의의 및 주장
저자들은 본 연구를 표준화된 기후 투영과 토양 침식 위험 평가 사이의 실질적인 가교로 규정한다. 주요 의의는 **운용 가능성(operational applicability)**에 있다. 즉, 이 프레임워크는 역사적 예측 정확도를 극대화하는 것보다 전이성과 계산 효율성을 우선시한다. GCM에서 일관되게 사용 가능한 변수들에만 의존함으로써, 고해상도 시간 단위의 강우 데이터가 부족한 지역에서도 대규모 기후 영향 평가를 가능하게 한다.

본 연구는 이 접근 방식이 물리 기반의 침식 모델이나 다운스케일링 기법을 대체하는 것이 아니라 보완하는 것이라고 주장한다. 이는 기후 데이터를 침식 관련 정보로 변환하기 위한 확장 가능한 대안을 제공하여, 기후 적응 계획 및 토양 보전 전략 수립을 지원한다. 이 머신러닝 방식과 이전의 회귀 기반 연구(İnce et al., 2026) 간의 투영된 공간 패턴 일치성은, 서로 다른 모델링 철학에도 불구하고 식별된 지역적 추세에 대한 신뢰도를 강화한다.

저자들은 본 프레임워크가 강우 강도의 구조적 변화나 폭풍 지속 시간을 명시적으로 표현하지 않는다는 한계를 인정하며, 투영 결과가 기초 GCM 및 배출 시나리오의 불확실성을 계승한다는 점을 언급하였다. 따라서 결과는 특정 국지적 사건에 대한 결정론적 예측이라기보다는, 지역 규모의 기후 시나리오로서 해석되어야 한다. 향후 연구에서는 대류 허용 시뮬레이션(convection-permitting simulations)의 통합과 물리 기반 퇴적물 운반 모델과의 결합이 제안된다.