영상요약
엘니뇨는 태평양 내부의 변화뿐만 아니라 전 지구적인 해양과 해빙의 영향을 받는 매우 복잡한 기후 현상입니다. 이러한 복잡성 때문에 인간의 직관이나 전통적인 수치 예보 모델만으로는 정확한 예측에 한계가 따를 수밖에 없습니다. 연구진은 이 문제를 해결하기 위해 인공지능, 특히 딥러닝 알고리즘의 도입을 결정했습니다. 시계열 학습에 특화된 순환 신경망(RNN)과 이미지 인식에 강점이 있는 합성곱 신경망(CNN)을 검토한 끝에, 전 지구적인 해수면 온도 분포를 2차원 지도로 파악하여 특징을 추출하는 합성곱 신경망(CNN)이 엘니뇨 예측에 가장 최적이라는 결론을 내렸습니다.
자율주행차의 핵심 알고리즘은 실시간 비디오를 통해 사물이 자동차인지 사람인지 판단하여 차가 계속 가도 될지 멈춰야 할지를 결정하는 합성곱 신경망(CNN) 기술에 있습니다.
딥러닝 모델의 성공적인 학습을 위해서는 방대한 양의 데이터가 필수적이지만, 실제 관측된 엘니뇨 기록은 연간 단위로 추출할 경우 지난 170여 년간 약 170개 정도에 불과합니다. 이는 수만 개의 샘플을 필요로 하는 인공지능 학습에 턱없이 부족한 수준입니다. 연구팀은 이 한계를 극복하고자 기후 변화에 관한 정부 간 협의체(IPCC)에서 사용하는 가상 지구 시뮬레이션 데이터를 활용했습니다. 가상 지구 시뮬레이션 데이터 속의 엘니뇨 패턴과 강수량 변화는 실제 지구 현상과 상당 부분 유사성을 띠고 있어, 부족한 관측 데이터를 보완할 훌륭한 학습 자료가 되어주었습니다.
성격이 다른 두 종류의 데이터를 효과적으로 결합하기 위해 연구팀은 '전이 학습' 기법을 도입했습니다. 이는 풍부한 데이터를 가진 유사 분야에서 먼저 지식을 습득한 뒤 목표 분야에 적용하는 방식으로, 사과 사진이 부족할 때 배 사진으로 먼저 학습시키는 원리와 같습니다. 엘니뇨 예측에서도 수많은 가상 지구 시뮬레이션 데이터로 기후 패턴의 기본 원리를 학습시킨 인공지능 모델에, 실제 관측 데이터를 추가로 학습시켜 지식을 전이했습니다. 이러한 전략은 데이터 부족 문제를 해결하는 동시에 예측 모델의 신뢰도를 높이는 결정적인 역할을 했습니다.
개발된 딥러닝 모델의 실제 성능을 검증하기 위해 1984년부터 2017년까지의 기간을 대상으로 24개월 앞을 내다보는 예측 실험을 수행했습니다. 실험 결과, 인공지능 모델은 미래 17개월에서 18개월까지의 엘니뇨 지수를 성공적으로 예측하며 높은 정확도를 보였습니다. 이는 예측 시점이 멀어질수록 성능이 급격히 저하되는 기존의 수치 예보 모델들과 비교했을 때 매우 고무적인 성과입니다. 인공지능이 복잡한 전 지구적 기상 상관관계를 포착함으로써 기존 시스템의 기술적 한계를 뛰어넘을 수 있음을 실질적인 지표로 증명해낸 것입니다.
기존의 전 세계 유수 기관들이 운용하는 수치 예보 모델들은 대략 1년 정도의 기간이 지나면 예측의 신뢰도가 기준치 이하로 떨어지는 양상을 보였습니다. 그러나 이번에 구축된 딥러닝 기반 시스템은 예측 가능 기간을 약 6개월 더 확장하여 최대 1년 반 앞의 기후 변화를 예고할 수 있게 되었습니다. 이는 기상 재해 대비와 농업, 에너지 등 기후 민감 산업 분야에서 보다 선제적이고 효율적인 대응 체계를 구축할 수 있는 발판을 마련해 줍니다. 이번 연구는 인공지능이 복잡한 자연의 비밀을 푸는 강력한 도구가 될 수 있음을 다시 한번 확인시켜 주었습니다.