📄 지구과학

Geo-χ-Former: A Geodynamically Informed Transformer for Short-Term Polar Motion Prediction in the Excitation Domain

이 논문은 유효 각운동량 공변량과 달력 인코딩을 사용하여 흥분 영역(excitation domain)에서 예측함으로써 30일 단기 극운동 예측을 개선하는 지질역학 정보 기반 트랜스포머 프레임워크인 Geo-χ-Former를 소개하며, 이를 통해 표준 IERS Bulletin A 예측 대비 평균 제곱근 오차를 각각 9.21%와 11.93% 감소시켰다.

원저자: Junhai Huang, Boyang Zhu, Xiaodong Liu, Zhigang Wu, Wei Wang

게시일 2026-09-17

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Junhai Huang, Boyang Zhu, Xiaodong Liu, Zhigang Wu, Wei Wang

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

지구는 완벽하게 고정된 축을 중심으로 회전하지 않습니다. 약간 균형이 맞지 않는 팽이처럼, 우리 행성은 회전하면서 비틀거리고 있으며, 이로 인해 지리적 북극이 지구 표면을 따라 천천히 이동하게 됩니다. 극운동(polar motion)이라고 알려진 이 움직임은 미세하지만 매우 중요한 현상입니다. 이는 시간이 흐름에 따라 극의 정확한 위치를 몇 미터씩 변화시키는데, 이러한 변화는 위성 항법 시스템부터 심우주 추적에 이르기까지 정확한 위치 파악에 의존하는 모든 이들에게 매우 중대한 영향을 미칩니다. 이러한 시스템의 정확성을 유지하기 위해 과학자들은 앞으로 몇 주 동안 극이 어디에 위치할지를 예측해야 합니다. 그러나 지구의 비틀거림은 복합적인 힘들의 조합에 의해 발생하기 때문에 이 작업은 매우 어려운 것으로 알려져 있습니다. 대기, 해양, 그리고 심지어 육지 위의 물의 무게 변화까지도 모두 지구의 회전에 밀고 당기는 힘을 가하며, 이는 지구의 규칙적인 비틀거림 배경으로부터 분리해내기 어려운 혼란스러운 신호를 만들어냅니다.

수십 년 동안 연구자들은 극의 위치 기록을 살펴보는 수학적 모델을 사용하여 이 움직임을 예측하려고 시도해 왔습니다. 이러한 방식은 비틀거림의 길고 규칙적인 리듬을 포착하는 데는 효과적이지만, 기상 패턴이나 해류로 인해 발생하는 짧고 날카로운 충격은 포착하는 데 어려움을 겪는 경우가 많습니다. 순와이산대학교와 중국 항공우주 과학기술 그룹의 연구팀은 이 문제에 대해 다른 접근 방식을 제안하는 새로운 연구를 발표했습니다. 그들은 극의 위치를 직접 예측하는 대신, 극을 움직이게 만드는 '힘'을 예측하기로 했습니다. 비틀거림의 '흥분(excitation)', 즉 대기와 해양으로부터 오는 물리적인 밀고 당김에 초점을 맞춤으로써, 그들은 'Geo-χ-Former'라는 새로운 예측 도구를 개발했습니다. 이 접근 방식은 컴퓨터가 지구의 유체 층과 그로 인한 비틀거림 사이의 관계를 이전 방식보다 더 효과적으로 학습할 수 있게 해줍니다.

연구진은 단순하지만 강력한 아이디어에 기반하여 이 시스템을 구축했습니다: 지구의 비틀거림은 외부 힘에 대한 반응이라는 것입니다. 배가 파도에 반응하여 흔들리는 것처럼, 지구의 회전축은 공기와 물, 얼음의 움직임에 반응하여 이동합니다. 연구팀은 데이터 시퀀스에서 패턴을 찾는 데 탁월한 '트랜스포머(Transformer)'라는 정교한 유형의 인공지능을 사용했습니다. 하지만 모델에 극 위치의 원시 좌표를 입력하지는 않았습니다. 대신, 그들은 관측된 극의 움직임을 그것을 만들어낸 힘의 형태로 먼저 변환했습니다. '지각 각운동량 함수(geodetic angular momentum function)'를 도출하는 것으로 알려진 이 과정은, 비틀거림의 길고 지속적인 리듬을 제거하여 대기와 해양에 의해 구동되는 단기 신호를 드러내는 역할을 합니다. 그런 다음 모델은 바람, 해류, 수자원 저장량에 대한 과거 데이터를 단서로 삼아 향후 30일 동안의 힘의 신호를 예측하는 법을 학습합니다.

모델이 미래에 이러한 힘들이 어떻게 변할지 예측하고 나면, 시스템은 역으로 작동합니다. 예측된 힘을 가져와 수학적으로 극의 위치가 어떻게 될지를 재구성하며, 이는 효과적으로 '밀기(push)'를 다시 '흔들림(rock)'으로 번역하는 과정입니다. 이 두 단계의 과정—원인을 예측하고 그 효과를 계산하는 것—은 효과를 직접 추측하려 할 때보다 더 정확하다는 것이 입증되었습니다. 연구팀이 이들의 방법을 국제 지구 회전 및 기준 시스템 서비스(IERS)에서 사용하는 표준 운용 예측치와 비교 테스트했을 때, 결과는 명확했습니다. 30일의 기간 동안, 이 새로운 모델은 한 방향에 대해서는 평균 오차를 약 9.2% 줄였고, 다른 방향에 대해서는 거의 12%를 줄였습니다. 절대적인 수치로는 작아 보일 수 있는 이러한 개선은, 인간의 눈으로는 거의 인지할 수 없는 단위인 밀리초(milliarcseconds) 규모로 작동하는 시스템에서 상당한 정밀도의 도약을 의미합니다.

또한 이 연구는 모델의 의사 결정 과정을 들여 들여다봄으로써 왜 이 방법이 잘 작동하는지를 탐구했습니다. 연구진은 인공지능이 자연스럽게 단기 극운동의 주요 동력인 대기와 해양에 가장 많은 주의를 기울이도록 학습했다는 것을 발견했습니다. 또한 모델은 강이나 토양과 같은 육지 위의 물의 움직임이 독특하고 상호 보완적인 역할을 한다는 점도 인식했습니다. 흥ًا, 모델은 모든 데이터 포인트를 동일하게 취급하지 않았습니다. 모델은 최근의 이력을 중요하게 다루면서도 1년에 걸쳐 반복되는 패턴을 기억하는 법을 배웠습니다. 즉각적인 조건과 계절적 리듬 사이의 균형을 맞추는 이러한 능력은, 지구의 회전을 지배하는 힘들의 복잡한 상호작용을 헤쳐 나갈 수 있게 해주었습니다.

Geo-χ-Former의 성공은 지구 회전을 예측하는 미래가 단순히 증상을 추적하는 것이 아니라 물리적 원인을 이해하는 데 있다는 것을 시사합니다. 문제를 비틀거림을 일으키는 힘의 관점에서 구성함으로써, 연구진은 극의 위치 기록에만 의존했던 기존 방식의 한계를 뛰어넘을 수 있었습니다. 모델의 성능은 이 시스템이 다른 시스템들이 놓치는 미세한 단기 변동을 성공적으로 포착하고 있음을 보여주며, 향후 한 달 동안 더 신뢰할 수 있는 가이드를 제공합니다. 비록 이 예측의 정확도가 여전히 대기 및 해양 조건에 관한 데이터의 품질에 의존하고 있지만, 새로운 접근 방식은 이러한 정보를 통합할 수 있는 견고한 틀을 제공합니다. 지구가 계속해서 느리고 복잡한 춤을 추는 가운데, 이 지질역학적으로 정보화된 도구는 극이 어디로 향하고 있는지에 대한 더 명확한 시야를 제공하여, 우리의 글로벌 위치 시스템이 발밑에서 회전하는 세계와 계속 정렬될 수 있도록 보장합니다.

기술 요약: Geo- $\chi$ -Former

문제 정의
단기 극운동(Polar Motion, PM) 예측은 관측된 PM 시계열이 챈들러 흔들림(Chandler wobble, 약 433일) 및 연변동성과 같은 지속적인 진동에 의해 지배된다는 점 때문에 여전히 어려운 과제로 남아 있다. 이러한 지배적인 신호들은 지구물리학적 과정(대기, 해양, 수문 및 해수면 변화)에 의해 발생하는 단기적 척도의 흥분 변동성(excitation variability)을 가린다. 공간 영역에서 PM 좌표를 직접 예측하면 모델이 이러한 지속적인 진동을 단순히 외삽하는 데 크게 의존하게 되어, PM과 유효 각운동량(Effective Angular Momentum, EAM) 공변량 사이의 미묘한 비선형 관계를 학습하기 어려워진다. 또한, 기존의 머신러로닝 접근 방식은 EAM 데이터를 단순한 보조 공변량이나 잔차 항으로 취급할 뿐, 이를 통일된 물리적 프레임워크 내로 통합하지 못한다.

방법론
본 논문은 Geo- $\chi$ -Former라는 지질역학적으로 정보가 반영된 트랜스포머(Transformer) 프레임워크를 제안하며, 이는 예측 과업을 좌표 영역에서 **흥분 영역(excitation domain)**으로 전환한다. 이 방법론은 네 가지 주요 단계로 구성된다:

흥분 도출 (Wilson 역전): 관측된 PM 좌표( $x_p, y_p$ )는 Wilson의 이산 극운동 방정식을 사용하여 지질 각운동량(Geodetic Angular Momentum, GAM) 함수( $\chi$ )로 변환된다. 이 과정은 예측 대상을 극 좌표에서 이를 구동하는 역학적으로 동등한 흥분량으로 변환한다.
대상 분해 및 전처리: 도출된 GAM은 서서히 변하는 배경(long-term trend 및 EAM 합계와 GAM 사이의 오프셋을 포착)과 단기/계절 성분( $\chi_S$ )으로 분해된다. 모델은 $\chi_S$ 만을 예측하며, 배경 성분은 강건한 국소 회귀(robust local regression)를 통해 추정되고 결정론적으로 외삽된다. 이 단계는 지형 모델과 관측치 사이에서 나타나는 저주파 오프셋을 제거한다.
Geo- $\chi$ -Former 아키텍처: 모델은 흥분 영역에 최적화된 트랜스포머 기반 구조를 채택한다:
- 변수별 패치 임베딩 (Variable-Wise Patch Embedding): 입력 시퀀스(과거 $\chi_S$ , 과거 EAM, 달력 인코딩)는 변수의 정체성을 보존하기 위해 겹치지 않는 패치로 분할된다.
- RoPE를 이용한 시간적 어텐션 (Temporal Attention with RoPE): 각 변수 내의 시간적 의존성을 모델링하여 지속성과 계절적 위상 변화를 포착하기 위해 회전 위치 임베딩(Rotary Position Embeddings, RoPE)이 적용된다.
- 변수 간 구조 인식 어텐션 (Structure-Aware Attention Across Variables): 교차 변수 어텐션 메커니즘을 통해 타겟 흥분 토큰이 EAM 공변량(대기, 해양, 수문 및 해수면 각운동량)과 달력 특징에 주목할 수 있게 한다. 이 레이어에는 타겟 축과 그에 대응하는 EAM 성분 간의 정렬을 유도하는 축 인식 바이어스(axis-aware bias)가 포함된다.
- 미래 공변량 처리: 결정론적 미래 공변량(달력 인코딩 등)을 위해 "KV 시프트(KV shift)" 메커니즘을 사용하며, 미래의 EAM 예측치는 예측 기간 동안 가용 가능한 보조 입력으로 취급한다.
재구성 및 손실 함수: 예측된 단기/계절적 흥분량은 외삽된 배경 성분과 결합되어 전체 GAM을 재구성한다. 그 후, Wilson 순방향 재귀(forward recurrence)를 사용하여 PM 좌표로 다시 통합된다. 훈련 목적 함수는 물리적 흥분 척도에 대한 Huber 손실과 재구성된 PM 궤적에 대한 Huber 손실을 결합한 복합 손실 함수이며, 이를 통해 모델이 흥분 역학뿐만 {과 그 물리적 발현인 PM을 모두 학습하도록 보장한다.

주요 기여

흥분 영역 공식화: 본 논문은 PM 예측을 지질학적 흥분 문제로 공식화하는 프레임워크를 도입하여, 모델이 좌표 영역 접근 방식보다 EAM 원천과 지구 회전 사이의 물리적 결합을 더 직접적으로 학습할 수 있게 한다.
하이브리드 물리-데이터 구동 아키텍처: Geo- $\chi$ -Former는 물리적 제약(Wilson 방정식, Liouville 관계식)과 딥러닝을 통합하며, EAM을 단순한 특징이 아닌 타겟 변수의 구동력을 나타내는 주요 표현체로 활용한다.
분해 전략: 훈련 전 서서히 변하는 배경을 제거하는 특정 전략은 모델링된 EAM 합계와 지질학적으로 추론된 GAM 사이에 흔히 발견되는 계통적 편향을 해결하여, 단기 변동성 학습을 안정화한다.
종합적인 절제 연구 및 진단: 본 연구는 모델 구성 요소(예: 어텐션 메커니즘, KV 시프트)와 입력 민감도(EAM 원천 기여도)에 대한 상세한 분석을 제공하여, 모델이 지형 데이터를 어떻게 활용하는지에 대한 해석 가능성을 제시한다.

결과
1993년부터 2025년까지의 IERS EOP 20u24 C04 데이터 및 GFZ EAM 제품을 대상으로 평가한 결과, Geo- $\chi$ -Former는 PM 및 흥분 영역 모두에서 IERS Bulletin A 및 딥러닝 베이스라인(DLinear, LSTM, PatchTST)과 비교되었다.

성능 향상: 누적 1~30일 예측 창에서, Geo- $\chi$ -Former는 Bulletin A 대비 $x_p$ 에서 9.21%, $y_p$ 에서 **11.93%**의 RMSE 감소를 달 나타냈다.
영역 우위: 테스트된 모든 아키텍처(LSTM, DLinear, PatchTST)에서, 흥분 영역에서 예측한 후 PM을 재구성하는 방식이 직접적인 PM 좌표 예측보다 낮은 오차를 보였다. 흥분 영역 접근 방식은 PM 영역 대응 방식에 비해 누적 30일 RMSE를 약 0.9에서 4.0 mas 정도 감소시켰다.
절제 연구 결과: EAM 입력을 제거했을 때 가장 큰 성능 저하(+5.03% RMSE 증가)가 발생하여, 물리적 공변량의 가치를 확인했다. EAM 원천 중에서는 수문 각운동량(HAM)이 뚜렷한 증분 기여를 제공했으며, 대기(AAM) 및 해양(OAM) 각운동량이 가장 높은 어텐션 가중치와 예측 민감도를 보였다.
구성 요소 영향: "변수 간 어텐션"을 제거했을 때 가장 큰 구조적 성능 저하가 나타났으며, 이는 EAM 정보와 흥분 이력을 융합하는 것의 중요성을 강조한다.

의의
본 논문은 Geo- $\chi$ -Fomer가 표준 모델들이 직면한 핵심 난제, 즉 지속적인 진동과 단기 흥분 신호를 분리하지 못하는 문제를 해결한다고 주장한다. 문제를 흥분 영역으로 재구성함으로써, 모델은 각운동량 교환과 지구 회전 사이의 물리적 관계를 활용한다. 결과는 물리적 재구성 제약에 의해 유도되는 트랜스포머 아키텍처 내에 지형 각운동량 정보를 통합하는 것이 운영 베이스라인 및 표준 딥러닝 모델보다 일관된 성능 향상을 가져온다는 것을 입증한다. 본 연구는 이러한 흥분 영역 접근 방식이 다중 소스 지형 데이터를 융합하기 위한 구조화된 공간을 제공하며, 더 정확한 단기 지구 방향성 예측을 위한 경로를 제시한다고 결론짓는다.

유사한 논문