An Explainable Deep Learning Framework for Evapotranspiration Prediction Using Hydro-Meteorological Data

물은 대기와 지표면을 꿰매는 실과 같아서, 하늘과 토양 사이를 끊임없이 이동합니다. 비가 내리면 그중 일부는 땅으로 스며들고, 일부는 강으로 흐르며, 일부는 증발산(evapotranspiration)이라는 과정을 통해 수증기가 되어 다시 공기 중으로 사라집니다. 증발산은 지표면에서 물이 증발하는 것과 식물이 잎을 통해 수분을 방출하는 것이 결합된 현상입니다. 이 여정에서 정확히 얼마나 많은 물이 이동하는지를 이해하는 것은 매우 중요합니다. 이는 농부들에게는 관개 시기를 알려주고, 엔지니어들에게는 저수지 설계의 근거를 제공하며, 재난 관리자들에게는 강물이 언제 범람할 수 있는지를 예측하게 해줍니다. 수십 년 동안 과학자들은 이러한 물의 이동을 추정하기 위해 복잡한 공식에 의존해 왔지만, 이러한 방식은 방대한 양의 기상 데이터와 세밀한 조정 과정을 필요로 하기 때문에 기록이 불완전한 지역에서는 사용하기 어렵다는 단점이 있습니다.

최근 연구에서 상세히 다뤄진 새로운 접근법은 컴퓨터가 경직된 공식 없이도 과거의 기록으로부터 이러한 물의 패턴을 직접 학습할 수 있다고 제안합니다. 이 연구는 방대한 정보 속에서 숨겨진 패턴을 찾아낼 수 있는 인공지능의 한 종류인 딥러닝을 사용하는 프레임워크를 소개합니다. 연구진은 서로 다른 여러 컴퓨터 구조를 하나의 팀처럼 결합했습니다. 어떤 모델은 지형의 국지적 패턴을 포착하고, 어떤 모델은 시간이 흐름에 따라 날씨가 어떻게 변하는지를 기억하며, 특수한 시스템은 컴퓨터가 왜 특정 예측을 내놓았는지 그 이유를 설명하는 역할을 합니다. 기상 데이터, 지리적 위치, 그리고 이러한 새로운 종류의 인공지능을 하나로 엮음으로써, 이 연구는 지구 전역에서 물이 어떻게 이동하는지를 예측하는 더 명확하고 투명한 방법을 제시하며, 이는 변화하는 기후 속에서 자원을 관리하는 데 있어 중요한 단계가 됩니다.

연구진은 증발산량과 잠재 증발산량(물이 무제한일 때 증발할 수 있는 최대 수치)을 예측할 수 있는 시스템을 구축하고자 했습니다. 이를 위해 강수량, 기온, 습도, 풍속, 일사량, 그리고 특정 위치의 위도와 경도에 관한 2차 데이터를 수집했습니다. 단일 컴퓨터 모델에 의존하는 대신, 연구진은 이 정보를 분석하기 위해 네 가지 서로 다른 유형의 딥러닝 네트워크를 훈련시켰습니다. 뉴럴 네트워크(neural network)로 알려진 한 유형은 일반적인 관계를 찾는 기준점 역할을 했습니다. 컨볼루션 네트워크(convolutional network)는 데이터를 마치 이미지처럼 처리하도록 설계되어, 온도나 강수량 같은 특징들이 지형의 각 부분에서 어떻게 변화하는지를 식별하는 데 도움을 주었습니다. 또 다른 두 가지 유형인 순환 네트워크(recurrent networks)는 시간을 이해하기 위해 특별히 제작되었습니다. 이들은 일련의 기상 사건들을 살펴보고, 어제의 비나 습도가 오늘의 조건에 어떤 영향을 미쳤는지를 기억할 수 있었습니다.

연구 결과, 이러한 서로 다른 '컴퓨터의 마음'들은 각기 뚜렷한 강점을 가지고 있음이 밝혀졌습니다. 과거의 날씨 사건을 기억할 수 있는 시간 처리용 네트워크는 현재의 순간만을 바라보는 표준 네트워크보다 수문학적 패턴의 흐름을 포착하는 데 더 뛰어난 성능을 보였습니다. 이는 물의 움직임이 단 하나의 스냅샷이 아니라 며칠 또는 몇 주에 걸쳐 펼쳐지는 이야기이기 때문이라는 점에서 타당합니다. 또한 공간적 특징을 분석하는 네트워크는 기온이 같더라도 덥고 건조한 땅이 습한 골짜기와는 다르게 행동한다는 점을 인식함으로써 예측력을 높였습니다. 이러한 접근 방식들을 결합함으로써, 이 프레임워크는 환경 속에서 물이 어떻게 이동하는지에 대한 더 완전한 그림을 만들어냈습니다.

하지만 인공지능의 주요 난제 중 하나는 결론에 도달한 과정에 대한 설명 없이 답만 내놓는 '블랙박스' 현상입니다. 물 관리와 같이 결정이 수백만 명의 삶에 영향을 미치는 분야에서는, '무엇'을 아는 것만큼이나 '왜'를 아는 것이 중요합니다. 이를 해결하기 위해 연구진은 컴퓨터의 의사결정 과정을 돋보기처럼 들여다보는 SHAP이라는 도구를 통합했습니다. 이 도구는 최종 예측을 세분화하여 각 요인이 얼마나 기여했는지를 보여줍니다. 분석 결과, 강수량, 기온, 일사량이 증발산의 주요 동력임이 드러났으며, 습도와 풍속 또한 중요한 역할을 하는 것으로 나타났습니다. 결정적으로, 이 시스템은 지리적 위치 자체가 중요하다는 점을 보여주었으며, 이는 특정 장소가 지도상의 어디에 위치하느냐가 그곳의 물 순환에 영향을 미친다는 사실을 확인시켜 주었습니다.

연구 결과는 지역 전체에서 증발산량이 어떻게 변하는지를 보여주는 지도로 시각화되었습니다. 온도가 높고 햇빛이 강한 지역은 수분 손실률이 높게 나타난 반면, 습도가 높은 지역은 수분을 더 많이 유지하는 모습이 나타났습니다. 이러한 공간적 관점 덕분에 연구진은 물의 순환을 단순한 숫자가 아니라, 끊임없이 변화하고 이동하는 하나의 경관으로서 바라볼 수 있었습니다. 이 연구는 서로 다른 컴퓨터 모델을 지리적 지도 및 설명 가능한 도구들과 결합함으로써, 과학자들이 단순한 추측을 넘어설 수 있음을 시사합니다. 이 프레임워크는 단순히 미래를 예측하는 데 그치지 않고, 그 예측 뒤에 숨은 논리를 설명함으로써 계획가들에게 신뢰할 수 있는 도구가 되어줍니다.

이 연구가 물 예측의 모든 문제를 해결했다고 주장하는 것은 아닙니다. 본 연구는 기존 데이터를 활용하였으며, 모든 가능한 시나리오에 대한 최종적이고 확정적인 수치를 제공하기보다는 서로 다른 컴퓨터 모델들의 성능을 질적으로 비교하는 데 중점을 두었습니다. 저자들은 향후 연구에서 더 큰 데이터셋과 토양 수분, 식생 건강과 같은 더 복잡한 변수들을 사용하여 이 방법들을 검증해야 한다고 언급했습니다. 그럼에도 불구하고, 이 작업은 명확한 진로를 제시합니다. 우리는 정확할 뿐만 아니라 이해 가능하기까지 한 지능형 시스템을 구축할 수 있음을 입증했습니다. 물 자원 관리자들에게 이는 홍수와 가뭄을 예측할 수 있을 뿐만 아니라, 그 예측을 이끄는 날씨와 지형적 요인을 명확히 보여줌으로써 복잡한 데이터를 실행 가능한 지식으로 바꾸어 주는 도구를 갖게 됨을 의미합니다.