Article

The Sea Journal of the Korean Society of Oceanography. 31 May 2022. 49-70
https://doi.org/10.7850/jkso.2022.27.2.049

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구 자료 및 방법

  •   2.1 연구 자료

  •   2.2 연구 방법

  • 3. 연구 결과

  •   3.1 최적 하이퍼 파라미터 및 입력 자료 선정

  •   3.2 예측 결과

  • 4. 고 찰

  •   4.1 경험적 직교 함수(Empirical Orthogonal Function; EOF)

  •   4.2 파수 스펙트럼 분석(Wavenumber spectral analysis)

  •   4.3 수온 전선 강도

  • 5. 결 론

1. 서 론

해수면 온도는 해수의 특성을 대표하는 중요한 인자 중 하나이다. 해수면 온도장으로부터 다양한 규모의 해양 현상을 관측할 수 있고 이를 통해 대기와 해양 간 열에너지와 운동량의 교환을 예측할 수 있다(O’Carroll et al., 2019). 예를 들어, 수온 전선을 지나는 바람이 어떤 방향으로 진행하느냐에 따라 해면 기압의 변화를 야기할 수 있고(Xu and Xu, 2015), 지구온난화로 인한 해수면 온도의 변동은 몬순과 같은 바람장의 변화 및 전지구적 규모의 해양·대기 간의 상호작용에도 영향을 미친다(김 등, 2011). 또한, 어업활동에 있어서도 해수면 온도는 중요한 인자이므로 인간의 삶과 밀접하게 연관되어 있다(Aparna et al., 2018).

한국 남부 해역은 동해, 서해, 남해로 구분할 수 있고 세 개의 해역들은 각기 다른 해수면 온도 분포 특성을 보인다. 남해는 난류인 쿠로시오 해류로부터 분기한 대마난류 영향으로 연중 수온이 높게 나타나 수온의 변동성이 크지 않고 서해는 수심이 얕고 대륙의 영향을 받아 해수면 온도의 변동성이 가장 크게 나타난다. 동해의 평균 해수면 온도와 변동성은 남해와 서해의 중간을 유지하는데 이는 동한난류와 북한한류가 만나는 해역이기 때문이다. 남·서해의 연안은 강한 조석 혼합에 의해 균일한 수온과 밀도를 갖는 혼합수가 되며, 그 외해 측의 표층수는 연안 측보다 고온을 이루어 수평적으로 온도 차가 크게 나타나는 조석 전선이 형성된다(민과 김, 2006)(Figs. 1, 2).

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F1.jpg
Fig. 1.

Schematic map of ocean current around Korea (KHOA, 2021). Yellow box represents the study area (123.2°-132.2°E, 30.2°-36.5°N).

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F2.jpg
Fig. 2.

(a) Mean Sea Surface Temperature (SST) and (b) its standard deviation (c) mean frontal intensity (shadings) superimposed with mean SST (contours) from 13-year-long daily SST data from 2008 to 2020.

해수면 온도를 예측하는 대표적인 방법의 하나인 수치모델은 해양과 대기의 물리·화학적인 요소 간의 비선형적 관계를 고려하여 수식(지배방정식)을 도출하여 해수면 온도를 예측한다. 하지만, 복잡한 해양과 대기 간의 상호작용을 완벽히 수식(함수)으로 풀어내기는 어려우므로 근삿값을 이용하게 되는데, 이 과정에서 초기조건 혹은 편향을 잘못 설정한다면 예측값의 오차는 예측 시간이 길어질수록 더 커지게 되어 최적의 값을 얻을 수 없다. 오차를 줄이기 위해 공간 해상도를 높여 계산하기도 하지만 계산 시간이 너무 오래 걸린다는 단점이 있다(Bryan, 1997; Aparna et al., 2018; Bolton and Zanna, 2019).

딥러닝 네트워크를 사용하는 인공신경망 모델은 과거의 관측된 해수면 온도 및 해수면 온도와 관련된 변수들의 패턴을 학습하여 미래의 해수면 온도를 예측한다. 수치모델과는 달리 입력 자료 간의 비선형적 관계를 고려할 수 있는 함수를 포함하며 손실함수를 통해 최적의 파라미터를 설정할 수 있다. 따라서 연구자의 주관적인 설정으로 인한 오차를 줄일 수 있고 효율적으로 계산자원을 사용하여 최적의 값을 얻을 수 있다. 또한, 공간 해상도를 높이더라도 학습시간이 크게 길어지지 않고 저장된 파라미터로부터 빠르게 예측값을 얻을 수 있는 장점이 있다(Aparna et al., 2018; Xiao et al., 2019).

해수면 온도를 예측하기 위해서는 시공간적인 자료를 다루는 것이 필수적이다. 초기의 인공신경망 모델은 시간과 공간의 정보를 동시에 고려하지 못하여 저조한 성능을 보였다. 이를 보완하기 위해 Convolutional Long Short-Term Memory (ConvLSTM)가 등장하였는데 이는 공간적인 정보가 학습이 가능한 합성곱 신경망(Convolutional Neural Networks; CNN)과 시간적인 정보가 학습 가능한 Long Short-Term Memory (LSTM)의 결합으로 시공간적인 자료의 학습이 가능한 모델이다(정 등, 2020; Shi et al., 2015). 하지만 이 모델의 기반이 되는 LSTM은 구조가 복잡하고 첫 단계에서 마지막 단계까지 순서대로 가중치를 갱신하기 때문에 학습시간이 오래 걸리며, 같은 조건의 합성곱 신경망 기반의 구조보다 좋은 성능을 보여주지 못한다(Bai et al., 2018; Zhai et al., 2018).

본 연구에서는 시공간 정보를 다룰 수 있는 3차원 합성곱 신경망(3 Dimensional-CNN; 3D-CNN)을 이용한 U-Net 모델 구조를 바탕으로 한국 남부 근해 해수면 온도 예측모델을 개발했다. 해수면 온도의 변동성 분석을 통해 과거의 패턴을 학습하는 딥러닝 모델에서 입력 자료의 시공간적 변동성이 예측 성능에 미치는 영향을 확인하였고, 인공신경망을 이용하는 해수면 온도 예측모델이 해수면 온도의 시공간적 변동 특성 연구에 활용될 수 있음을 제시하였다.

2. 연구 자료 및 방법

2.1 연구 자료

딥러닝 모델을 통해 해수면 온도를 예측하기 위해서는 해수면 온도에 영향을 주는 변수들로 입력 자료를 선정하는 것이 중요하다. 해수면 온도는 해양과 대기 간의 상호작용과 깊은 연관이 있으며, 기후 예측 및 모델의 입력 자료로도 활용된다(김 등 2011; O’Carroll et al., 2019). 기존의 연구 자료를 참고하여 해수면 온도와 밀접한 관계를 보이는 지상 10 m의 풍속, 해면 기압, 지상 2 m의 대기 온도와 이슬점 온도자료를 입력 자료로 선정하였다(Xu and Xu, 2015; Temizyurek and Dadaser-Celik, 2018). 또한, 해양의 순환은 해수면 온도와 밀접한 관련이 있고 해류 속도를 계산하는 데 있어 해수면 온도자료를 활용하기에 표층 유속자료를 추가적으로 선정하였다(박, 2005; Wu et al., 1992). 입력 변수로 사용된 기상 및 유속 자료는 수치모델 자료를 사용하였으며 아래에 설명을 서술하였다.

입력 자료 및 참값으로 사용되는 해수면 온도자료는 UK Met Office에서 생산된 Operational Sea Surface Temperature and Sea Ice Analysis (OSTIA version2)를 사용했다(Donlon et al., 2012). OSTIA는 실제로 관측한 자료를 최적 내삽법으로 자료동화한 인공위성 Level4 자료로 2006년 12월 31일부터 현재까지 제공되며 1일 간격의 시간 해상도와 1/20°의 공간 해상도를 지닌다.

기상수치모델은 the European Centre for Medium Range Weather Forecasts (ECMWF) 에서 생산된 기후 재분석 자료인 ERA5를 사용했다. 1979년부터 현재까지 제공되는 ERA5는 1시간 간격의 시간 해상도와 1/4°의 공간 해상도를 지닌다.

해양수치모델은 Copernicus Marine Environment Monitoring Service (CMEMS)에서 생산된 재분석 자료인 GLORYS12V1을 사용했다. 자료는 1993년부터 2019년까지 제공되고 있으며 매해 1년 단위로 갱신이 되며 1일 간격의 시간 해상도와 1/12°의 공간 해상도를 지닌다. 딥러닝 모델 학습에 사용되는 변수들과 위 모델들의 설명은 Table 1에 요약하였다.

Table 1.

Summary of the input data

Product Institution Temporal resolution Spatial resolution Variables* Temporal coverage
OSTIA UK Met Office Daily 1/20° SST 2006/12/31
~ present
ERA5 ECMWF Hourly 1/4° U10, V10, T2m, D2m, MSLP 1979/1/1
~ present
GLORYS12V1 CMEMS Daily 1/12° U, V 1993/1/1
~ 2019/12/31

* SST: Sea Surface Temperature

U10: East-westward component of the 10 m wind

V10: North-southward component of the 10 m wind

T2m: Temperature of air at 2 m above the surface of land or sea

D2m: Dewpoint temperature of air at 2 m above the surface of land or sea

MSLP: Mean Sea Level Pressure

U: East-westward sea water velocity

V: North-southward sea water velocity

2.2 연구 방법

2.2.1 전처리

딥러닝 모델 학습 시에는 동일한 차원의 입력 자료 세트가 필요하기에 세 개의 입력 변수들의 시공간 해상도를 일치시켜야 한다. 공간 해상도의 경우, GLORYS12V1의 해상도인 1/12°를 기준으로 삼고 OSTIA와 ERA5자료를 선형 보간법을 이용하여 1/12° 자료로 변환하였다. 시간 해상도의 경우, OSTIA와 GLORYS12V1 자료에 맞춰 ERA5를 일일 평균하였다. 선형 보 간 과정을 거친 입력 자료는 [시간, 채널(Channel), 입력 기간(Input days), 위도, 경도]의 5차원으로 이루어지고 시간은 학습에 사용되는 총 기간의 수, 채널은 학습 시 사용되는 변수, 입력 기간은 예측에 사용되는 과거 자료 사용 기간, 위도와 경도는 각각 학습 시 사용되는 연구 영역의 위도와 경도를 의미한다. 목표 변수인 해수면 온도는 육지에선 존재하지 않으므로 OSTIA 기준으로 육지인 부분은 성능평가에 포함하지 않음으로써 학습에 사용되지 않도록 했다. 만들어진 하나의 입력 자료는 학습에 사용되는 훈련세트(Train set), 모델 개선에 사용되는 검증세트(Validation set), 모델의 성능평가에 사용되는 평가세트(Test set)는 3가지로 나뉘며 각각 60%, 20%, 20%의 비율로 무작위로 선정하였다.

2.2.2 모델 구조

U-Net 모델의 구조는 Fig. 3에 도식화하였다. 전반적인 모델의 구조는 오토인코더(Autoencoder)로서 입력 자료의 특징을 추출하는 인코더(Encoder)와 추출된 특징들을 다시 원래대로 확장시키는 디코더(Decoder)로 이루어진다. 오토인코더는 기하급수적으로 증가하는 특징들의 중요한 정보만 추려 압축함으로써 메모리 측면에서 좋은 효율을 보이는 장점이 있다. 입력 자료의 특징들을 추출 및 확장시키는 방법으로 시공간 자료 즉, 3차원 자료를 학습 가능한 3D-CNN을 사용한다(Ronneberger et al., 2015). 인코더 과정에는 총 5개의 합성곱 층(Convolution layer)이 존재한다. 처음 4개의 합성곱 층에선 층마다 2번의 3x3x3 합성곱 필터(1x1x1 replication padding), Parametric Rectified Linear Unit (PReLU) 활성화함수, 1번의 1x2x2 average pooling (1x2x2 stride)의 과정을 거친다. 층이 깊어질수록 채널의 수는 2배로 증가시키고 공간 차원은 반으로 줄여(단, 첫 번째 층에선 지정한 수만큼 늘린다.), 더 많은 입력 자료들의 정보를 추출하고 중요한 정보만을 압축한다. 마지막 합성곱 층에선 average pooling 층이 아닌(입력 기간x1x1) 합성곱 필터와 활성화함수를 지나며 입력 기간 간의 정보를 추출하고 특징 차원의 수는 그대로 유지한다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F3.jpg
Fig. 3.

Schematic model description for deep learning, when the Input days and prediction days are both 2 days. Conv. of the legend means a convolution filter.

디코더과정은 인코더와 대칭적인 구조를 이루지만 세부적인 차이점들이 존재한다. 앞선 4개의 합성곱 층에서(예측 일수x1x1) 전치된 합성곱(Transposed convolution) 필터를 추가하여 입력 기간들로부터 추출된 정보들로 원하는 예측 일수(Prediction days) 만큼의 시간 차원을 생성한다. 또한, average pooling이 아닌 전치된 합성곱을 통해 줄어든 영역의 크기를 2배로 늘려주어 압축된 정보를 펼쳐준다. 최종 출력자료는 공간적으로 처음 입력 자료의 연구 영역 크기와 같다. 각 층에서 채널의 수는 점차 절반으로 감소시키고 마지막 층을 통해 1개로 줄여줌으로써 해수면 온도값을 출력한다.

인코더에서 average pooling을 통해 연구 영역의 크기가 줄어들고 층이 깊어질수록 좁은 범위의 지역적 특징은 넓은 범위의 전반적 특징이 되며 이것이 디코더에서 확장되면서 다시 지역적 특징을 생성하는데 이 과정에서 압축된 특징들의 위치 정보가 손실된다. 따라서 U-Net 구조에는 각 합성곱 층에서 인코더의 지역적 특징을 위치 정보가 손실된 디코더에 전달하는 skip connection 과정이 존재한다. Skip connection을 통해 지역적 특징을 디코더의 층에 추가함으로써 높은 공간 해상도 정보를 유지할 수 있다.

손실함수는 평균 절대 오차(Mean Absolute Error; MAE)를 사용하였고, 학습 진행 시 오차를 줄이는 방식인 optimizer는 학습률(Learning rate)과 오차의 경사(gradient)가 줄어드는 방향의 관성을 고려한 Adaptive moment estimation (Adam)으로 선택하였다(Ruder, 2017). 또한, 각 epoch마다 최적의 학습률을 선택하기 위해 학습률 스케줄러(learning rate scheduler)를 이용하여 validation loss에 따라 학습률을 줄여주는 방식을 채택했다.

3. 연구 결과

3.1 최적 하이퍼 파라미터 및 입력 자료 선정

하이퍼 파라미터는 인공신경망 학습 시 사용자가 직접 설정해주는 매개변수를 의미한다. 최적의 하이퍼 파라미터는 인공신경망의 종류 및 모델의 구조에 따라 바뀌고 하이퍼 파라미터의 수에 따라서 경우의 수가 기하급수적으로 늘어남으로 과거 연구를 참고하여 경험적으로 선택하는 것이 일반적이다. 본 연구에서는 여러 시행착오를 통해 epoch, 학습률, 활성화 함수, 손실 함수, optimizer를 고정 후, 합성곱 층과 입력 기간, 입력 변수에 따른 모델 케이스를 선정하였고 Table 2에 요약하였다. Table 2의 고정(Fixed) 하이퍼 파라미터는 모든 실험 간에 고정되는 요인, 가변(Changeable) 하이퍼 파라미터는 모델 케이스에 따라 바뀌는 요인들을 의미한다. 모든 하이퍼 파라미터들을 바꿔가며 예측 성능을 계산하기에는 계산 비용적인 측면에서 비효율적이므로 예측 성능에 큰 영향을 주는 초기 채널(Initial channel)과 배치 크기(Batch size)를 바꿔가며 실험하였다.

Table 2.

Summary of fixed and changeable hyper parameters

Hyper parameters
Fixed Changeable
Epoch 200 Initial channel 128
64
Learing rate 0.01
32
Activation function PReLU
Batch size 128
Loss function MAE
64
Optimizer Adam
32

최적의 해수면 온도 예측을 위해 입력 변수(Input variables)와 입력 기간(Input days)을 바꿔가며 다양한 조합의 입력 자료를 형성하여 학습을 진행했다. 이에 사용된 입력 변수는 해수면 온도, 표층 유속, 풍속, 대기 온도, 이슬점 온도, 해면 기압, 다음 날의 풍속과 대기 온도이고, 입력 기간은 1~8일로 설정하였다. 성능평가는 평가세트를 이용했으며 평가 지수로는 평균 제곱근 오차(Root Mean Square Error; RMSE)와 상관계수(Pearson correlation coefficient; R)를 사용했고 예측 일수(Prediction days)는 하루로 설정하여 진행했다.

3.1.1 초기 채널(Initial channel) 및 배치 크기(Batch size)

초기 채널은 합성곱 신경망의 첫 번째 층에서 늘려줄 채널의 개수를 의미한다. 채널의 개수가 늘어날수록 내부에서 학습되는 파라미터 또한 증가하여 입력 자료 내에서 더 많은 특징을 잡아낼 수 있지만 과하게 늘어나면 학습데이터에 대해서만 잘 학습하는 과적합(Overfitting) 현상이 일어나고 학습시간이 오래 걸린다는 단점이 있다.

위의 두 가지 하이퍼 파라미터들을 선정하기 위해 초기 채널과 배치 크기를 각각, 32, 64, 128개를 사용하는 총 아홉 가지 경우의 후보군을 두었고 입력 변수로 해수면 온도만 넣은 뒤 다음 날의 해수면 온도를 예측하는 것이 아닌 오늘의 해수면 온도를 학습하여 오늘의 해수면 온도를 얼마나 잘 재현할 수 있는지로 최적의 초기 채널과 배치 크기를 선정했다. Table 3에 제시한 바와 같이 초기 채널이 128, 배치 크기가 32일 때 가장 낮은 RMSE와 높은 상관관계를 보여 이후 진행되는 학습에는 초기 채널과 배치 크기는 128과 32를 각각 사용했다.

Table 3.

Comparisons of RMSE and R values between OSTIA SST and reconstructed SST from the deep learning model with different initial channels and batch sizes. The gray shaded row indicates the best performance case

Input variable Input days Initial channel Batch size RMSE (℃) R
SST 1 32 32 0.157 0.994
32 64 0.144 0.992
32 128 1.261 0.992
64 32 0.935 0.965
64 64 0.137 0.995
64 128 1.081 0.981
128 32 0.103 0.997
128 64 0.354 0.990
128 128 1.364 0.983

3.1.2 입력 변수(Input variables)

해수면 온도를 출력해내기 위한 최적의 입력 변수를 찾아내는 과정을 위하여, 해양 변수 및 기상 변수들을 조합하여 9개의 케이스(Case)를 구성한 뒤, 각 케이스별로 Input days를 1일에서 8일까지 변경하며 총 72개 모델을 테스트했다(Table 4). 또한, 학습 기간은 OSTIA, ERA5, GLORYS12V1 세 가지 자료를 모두 활용할 수 있는 시기인 2010년부터 2018년까지로 선택하였다. 성능은 평가세트로 검증했고 평가 지수로는 앞선 실험과 마찬가지로 RMSE와 R을 사용했다(Table 5). 각 케이스마다 가장 좋은 성능을 보인 결과만을 기재했으며 나머지 결과에 대해서는 부록에 제시했다.

Table 4.

Summary for the nine cases with different input variables

Case SST Meteorological factor Future T2m Future U10, V10 U, V
1 O X X X X
2 O O X X X
3 O O O X X
4 O O X O X
5 O O X X O
6 O O O O X
7 O O O X O
8 O O X O O
9 O O O O O
Table 5.

Comparisons of calculated RMSE and R values for the nine cases summarized in Table 4. Note that for each case only the best result is shown out of eight model runs with different Input days from 1 to 8. The gray shaded rows indicate the best performance cases

Case Input days RMSE (℃) R
1 2 0.376 0.989
2 5 0.359 0.989
3 3 0.359 0.988
4 8 0.358 0.989
5 3 0.368 0.988
6 7 0.356 0.990
7 3 0.356 0.989
8 6 0.384 0.987
9 6 0.358 0.990

입력 변수로 해수면 온도만을 사용한 것보다는 기상인자를 추가했을 때 더 좋은 성능을 보인 것으로 보아 바람, 대기 온도, 평균 해면 기압, 이슬점 온도 등의 기상요인은 해양-대기 상호작용, 열수지(feat flux)로 해수면 온도에 영향을 미치며, 딥러닝 분석에서도 기상요인이 해수면 온도에 영향을 미침을 확인할 수 있었다. 또한, 다음 날의 바람과 대기 온도을 추가했을 때 소폭의 성능 향상을 볼 수 있는데 이는 미래의 대기 상태 또한 해수면 온도 예측에 기여함을 의미한다. 특히, 미래의 바람보다 미래의 대기 온도가 입력 변수로 추가되었을 때 더 좋은 결과를 보였고 해수면 온도와 기상인자에 유속만을 추가한 케이스 5번에서는 2번보다 오히려 성능이 낮아짐을 볼 수 있는데 이는 해수면 온도를 예측함에 있어서 표층의 유속보다는 기상인자가 더 큰 영향을 미치는 것으로 추정되나, 유속은 해양수치모델 자료를 사용했기에 실제의 해양 순환을 온전히 구현하지 못해 성능이 낮아지는 가능성도 존재한다. 따라서 최종적인 입력 변수로는 해수면 온도, 기상인자, 미래의 바람 및 대기 온도를 선정했다.

3.1.3 입력 기간(Input days) 및 예측 일수(Prediction days)

부록의 표에서 볼 수 있듯이 같은 입력 변수를 넣더라도 입력 기간에 따라 성능이 크게 변하는 것을 볼 수 있다. 따라서, 입력 기간을 1일부터 8일까지 바꿔가며 실험을 진행했다(Table 6). 이때 학습 기간은 2008년~2020년으로 늘려 수행했다. 이 중 입력 기간이 3일에서 5일 일 때 가장 좋은 성능을 보였으며 이 세 가지 경우에 대해서 예측 일수를 늘려 다시 한번 학습을 진행했다. 총 예측 일수는 10일로 설정하였고 각 예측 날짜에 대한 RMSE와 R을 Fig. 4에 도시하였다. 전체적으로 예측 일수가 길어질수록 RMSE는 커지고 R은 낮아지는 경향을 보여 더 먼 미래의 예측 정확도가 떨어짐을 알 수 있다. 따라서 예측 첫째 날의 정확도가 더 높은 것이 전체적인 예측 성능도 높다고 할 수 있다. 단, RMSE의 상승도가 R의 하락도에 비해 큰 것으로 보아 공간 패턴 형태는 유사하게 맞히나, 시간에 따른 예측 결과가 좋지 않은 것을 알 수 있다. 입력 기간이 3일과 5일일 때 RMSE는 거의 유사하나 3일의 상관관계가 더 높게 나와 최종적인 입력 기간은 3일로 결정했다.

Table 6.

Comparisons of RMSE and R values depending on the number of Input days. The gray shaded rows indicate the best performance cases

Input variables Training period Input days RMSE (℃) R
SST
+
U10, V10, T2m, D2m, MSLP
+
Future U10, V10, T2m
2008 ~ 2020 1 0.419 0.982
2 0.379 0.988
3 0.366 0.988
4 0.388 0.987
5 0.369 0.989
6 0.400 0.986
7 0.383 0.988
8 0.388 0.987

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F4.jpg
Fig. 4.

Comparisons of calculated (a) RMSE and (b) R values depending on prediction days.

3.2 예측 결과

최적의 하이퍼 파라미터와 입력 자료로 2008~2020년의 기간 동안 학습하여 생성한 익일의 예측값과 실제값과의 오차를 계절별로 평균하여 RMSE 분포도를 도시했다(Fig. 5). 모든 계절에 대해 오차가 크게 보이는 곳은 Fig. 2와 비교했을 때, 해수면 온도의 표준 편차가 큰 서해 및 동중국해와 수온 전선의 강도가 강한 남해 지역으로 나타난다. 즉, 공간적으로 해수면 온도의 변동이 큰 지역에서는 예측 성능이 떨어지는 결과를 보인다. 또한, 육지와 맞닿아 있는 연안에서 오차가 크게 나타나는데 이는 육지의 영향과 담수의 유입 등 연안의 정보를 학습하지 못한 한계로 보인다. 가을의 평균 RMSE는 0.299℃로 다른 계절에 비해 약 0.1℃정도 낮은 값을 보이고 연구지역 전반적으로 낮은 RMSE 분포를 나타낸다. 가을의 예측 성능이 다른 계절에 비해 더 높게 나타났다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F5.jpg
Fig. 5.

Seasonal RMSE for one-day lead time prediction of SST. (a) Spring mean of RMSE is 0.399℃, which is the average for March, April and May. (b) Summer mean of RMSE is 0.377℃, which is the average for June, July and August. (c) Fall mean of RMSE is 0.299℃, which is the average for September, October and November. (d) Winter mean of RMSE is 0.370℃, which is the average for December, January and February.

예측값과 실제값의 오차를 공간 분포로 보는 것뿐만 아니라 시간에 따른 오차를 보기 위해 공간적으로 RMSE를 평균하여 시계열 자료를 만들고 경년 변동성을 통계적으로 살펴보기 위해 이를 다시 연도별, 계절별 평균을 진행했다(Fig. 6). 연도별로는 2008~2012년, 2013~2017년, 2018~2020년의 세 가지 기간으로 RMSE의 경향이 나눠진다. 첫 번째 기간의 평균 RMSE는 0.422℃로 전체 평균 RMSE보다 0.065℃ 높고 겨울과 봄에 가을과 여름에 비해 높은 오차를 보인다. 두 번째 기간의 평균 RMSE는 0.279℃로 전체 평균 RMSE보다 0.078℃ 낮고 봄과 여름에 가을과 겨울에 비해 높은 오차를 보인다. 마지막으로 세 번째 기간의 평균 RMSE는 0.366℃로 전체 평균 RMSE보다 0.01℃ 높고 계절적으로는 첫 번째 기간과 유사한 경향을 보인다. 가을은 전 기간에 대하여 다른 계절보다 낮은 RMSE를 보이는데 이는 계절별 평균한 RMSE값의 분포를 보여주는 Fig. 5에서도 확인할 수 있다. 앞서 언급한 바와 같이 RMSE값의 분포도는 OSTIA 해수면 온도의 표준 편차와 유사한 경향을 보였는데, 딥러닝의 예측 성능은 입력 자료의 변동성과 연관이 있음을 알 수 있다. 따라서 연도별로 보았을 때 두 번째 기간의 해수면 온도 변동성은 다른 기간에 비해 작고 계절별로는 가을이 다른 계절에 비해 해수면 온도 변동성이 작음을 유추할 수 있으며 이에 대한 추가적인 분석은 고찰 부분에서 다룬다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F6.jpg
Fig. 6.

Time series of seasonal mean of RMSE. Purple line indicates the average of the entire period. Spring (green dots) is the average for March, April and May. Summer (red dots) is the average for June, July and August. Fall (orange dots) is the average for September, October and November. Winter (blue dots) is the average for December, January and February.

예측 성능을 판단하기 위한 척도로서 persistence model을 사용했다. persistence model이란 n번째의 값이 예측값인 n+1번째 값과 동일하게 여기는 가장 간단한 예측모델로서 어떤 단기 예측모델이 유용한 결과값을 도출했는지에 대한 척도로 사용된다(Lei et al., 2009). 따라서 평가세트에 해당하는 날짜의 해수면 온도와 그 다음 날의 해수면 온도의 차이로 평균 제곱근 편차(Root Mean Square Deviation; RMSD)를 구하여 딥러닝의 RMSE 시계열 그래프와 비교했다(Fig. 7). 계절별로 평균한 결과를 보면 전 기간에 대하여 여름에 가장 높은 RMSD를 보이고 가을과 겨울에 낮은 RMSD를 보인다. 다른 계절에 비해 여름은 딥러닝 모델과 비교해 특히 더 RMSD가 상승하는 것을 볼 수 있다. 전 기간에 대해 평균을 비교하면 딥러닝의 RMSE는 0.37℃로 persistence model의 RMSD인 0.58℃보다 낮은 수치로 본 연구에서 개발한 SST 예측 모델이 단기 예측 모델로서 성공적인 결과를 도출했음을 확인하였다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F7.jpg
Fig. 7.

Time series of seasonal mean of RMSD. The line and dots have the same meanings as those in Fig. 6.

4. 고 찰

앞서 딥러닝의 해수면 온도 예측 성능이 시공간적으로 다양함을 확인하였다. 공간적으로는 해수면 온도의 변동성이 크고 수온 전선의 강도가 강한 지역이 RMSE가 큼을 확인했고 시간적으로는 가을과 2013~2017년의 구간이 RMSE가 낮음을 확인했다. 이로 말미암아 해수면 온도의 시공간적 변동성이 딥러닝의 해수면 온도 예측에 영향을 줌을 가정하고 전체 학습기간인 2008년부터 2020년까지에 대하여 OSTIA 해수면 온도자료의 변동성에 대해 분석을 진행했다.

4.1 경험적 직교 함수(Empirical Orthogonal Function; EOF)

EOF를 이용한 분석방법은 어떤 변수에 대한 시공간적인 변동성을 분석하기 위한 대표적인 방법으로 시공간적 자료를 공간 패턴과 시계열 자료로 분리하고 공간 패턴이 가장 많은 비율을 차지하는 순서대로 즉, 모드 별로 나누어 분석한다. 이 때, 공간 패턴은 EOFs, 시간 변화는 주성분 시계열(principal component time series)이라 부른다(Björnsson and Venegas, 1997).

EOF 분석 시 전체 기간의 평균만을 제거한 후 진행하면 1모드가 97.5%를 차지하는 계절적인 변동이 지배적으로 나타나 해수면 온도의 시공간 변동성을 분석하기엔 무리가 있다. Sun et al.(2013)은 위도에 따른 해수면 온도의 변동 패턴을 확인하기 위해 위도의 평균값을 빼고 EOF 분석을 하였고 민과 김(2006)은 경년 변동성을 조사하기 위해 각 날짜에 해당하는 평균값을 뺀 편차를 구하여 EOF 분석을 진행했다. 본 연구에서는 둘의 방법을 모두 사용하여, 단일 방법을 사용하였을 때보다 시공간에 대한 의미있는 변동을 확인할 수 있었다. 또한, 추가적인 시간에 따른 변동성 분석으로 EOF로 얻은 1~3모드의 주성분 시계열과 기후 지수들간의 상관관계 분석을 수행했다. 기후 지수는 National Oceanic and Atmospheric Administration (NOAA)에서 생산한 Pacific Decadal Oscillation (PDO) 지수, Multivariate El Niño/Southern Oscillation Index version2 (MEI), Arctic Oscillation (AO) 지수의 월별 자료를 이용했다.

딥러닝으로 예측한 해수면 온도는 하루 단위의 단기 예측이므로 해수면 온도의 변동성이 평활화되지 않도록 일일 편차로써 EOF 분석을 실시하였다(Fig. 8). 1모드에서 3모드까지의 비율은 42.1%이고 이들의 월 평균한 PC time series와 기후 지수와의 피어슨 상관 계수 분석 결과 PDO 지수는 p-value (python SciPy 패키지의 stats 함수 사용. 자유도는 154임.)가 모두 0.05 이하로 통계적으로 유의미함을 보여주고, MEI는 1모드, AO 지수는 3모드에서만 유의미함을 보여준다(Table 7). 따라서 연구 해역의 해수면 온도 시공간 변동성은 기후 지수 중에서 PDO 지수와 가장 높은 상관관계가 있음을 확인한 후 PDO 지수에 따른 해수면 온도의 변동성을 추가적으로 분석하였다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F8.jpg
Fig. 8.

(a, c, e) Spatial pattern of the first, second and third-modes of EOF from the OSTIA SST data, in order. (b, d, f) Principal component time series of the first, second and third-modes of EOF from the OSTIA SST data. Purple lines indicate the monthly mean of principal component time series.

Table 7.

R and P-value between climate indices and principal component time series of 1-3 modes from the OSTIA SST data. (PDO: Pacific Decadal Oscillation index; MEI: Multivariate El Niño/Southern Oscillation Index; AO: Arctic Oscillation)

EOF mode Climate index R P-value
1 PDO 0.22 0.01
MEI 0.36 0.00
AO 0.01 0.22
2 PDO -0.20 0.01
MEI -0.12 0.15
AO 0.14 0.08
3 PDO -0.27 0.00
MEI -0.12 0.14
AO -0.18 0.02

우리나라 주변 해역의 해수면 온도에 영향을 주는 대표적인 요인 중 하나는 쿠로시오 해류이다. 쿠로시오 해류는 열대 해역에서 시작되는 난류이며, 쿠로시오 해류의 지류는 대한해협을 통과하는 대마난류와 황해로 향하는 제주난류 및 황해난류로 갈라진다(Fig. 1). PDO 지수가 양(음)일 때는 중앙 및 북서 태평양의 해수면 온도는 낮아지므로(높아지므로) 쿠로시오 해류 또한 그 영향을 받아 수온이 변해 결국 PDO가 우리나라 해역의 해수면 온도에 영향을 주게 되는데 이것이 EOF 분석에서 나타난 것으로 해석할 수 있다. 1~3모드는 쿠로시오 해류가 갈라지며 만들어내는 대표적인 패턴들로서 PDO 지수가 양일 때 대마난류와 황해난류의 해수면 온도가 낮아지는 경향을 볼 수 있다.

연도별, 계절별 해수면 온도의 변동성을 정량적으로 표현하기 위해 PDO와의 유의미한 상관관계를 보여주는 1~3모드의 EOF들과 주성분 시계열로 해수면 온도장을 재생산하여 계절별, 연도별 해수면 온도의 분산을 Fig. 9에 표현했다. 가을과 겨울의 분산은 봄과 여름에 비해 낮은 것으로 보아 가을과 겨울의 해수면 온도 변동성은 봄과 여름에 비해 낮음을 확인할 수 있다. 특히, 여름에는 태풍으로 인한 혼합 작용으로 해수면 온도가 급변하여 다른 계절에 비해 분산이 높은 것으로 해석된다. PDO 지수가 양인 2014~2017년도에서 PDO 지수가 음인 나머지 기간에 비해 항상 낮은 분산을 보여주진 않는다. 따라서 해수면 온도의 분산만으로 PDO와 해수면 온도 변동성의 관계를 설명하기에는 무리가 있다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F9.jpg
Fig. 9.

Seasonal variance of the SST data reconstructed from the first three EOF modes. Error bars indicate standard deviation. (a) Spring is the average for March, April and May. (b) Summer is the average for June, July and August. (c) Fall is the average for September, October and November. (d) Winter is the average for December, January and February.

4.2 파수 스펙트럼 분석(Wavenumber spectral analysis)

파수 스펙트럼(Wavenumber spectrum)은 파수(wavenumber)에 따른 해수면 온도의 스펙트럼 밀도(Power Spectral Density; PSD)를 구하여 공간에 따른 해수면 온도의 변동성이 얼마나 큰지를 알 수 있고 이를 계절별, 연도별로 구분하여 구함으로써 시간에 따른 해수면 온도의 공간 변동성 또한 분석할 수 있다. 이를 위해 Fig. 9에 사용한 것과 같이 PDO 지수와 상관성을 보이는 EOF 1~3모드로 재생산한 해수면 온도장을 이용했고 남해 영역과 동중국해 영역의 중간인 북위 34°와 32° 선상의 자료를 선택했다. 이 자료들을 이용하여 매일의 해수면 온도 공간분포로 부터 PSD를 구한 뒤 기간별, 계절별 평균을 진행했다. 기간은 PDO 지수의 부호에 따라 2008~2013년, 2014~2017년, 2018~2020년으로 구분했다.

Fig. 10은 남해와 동중국해에 대한 분석 결과로 전 기간에 대해서 계절별로 평균한 파수 스펙트럼으로 계절별로 큰 차이를 보이지 않는다. 하지만 이를 기간별, 계절별로 나누어서 보았을 때는 PDO 지수가 양일 때의 기간인 2014~2017년의 가을과 겨울의 PSD는 남해와 동중국해 모두 PDO 지수가 음일 때의 가을과 겨울에 비해 약 10배 정도 낮은 것을 확인할 수 있다. 그에 반해 봄과 여름의 경우 기간에 따른 큰 차이는 식별되지 않는다(Figs. 11, 12). 이 결과는 PDO 지수가 양인 기간에는 해수면 온도의 공간적 변동성이 낮아짐을 의미한다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F10.jpg
Fig. 10.

Seasonal wavenumber spectrum of SST in the (a) South Sea of Korea and the (b) East China Sea. (a) Spring is the average for March, April and May. (b) Summer is the average for June, July and August. (c) Fall is the average for September, October and November. (d) Winter is the average for December, January and February. The black shadings indicate 95% confidence level. The confidence factors of every season are (a) (0.92, 1.09) and (b) (0.92, 1.09).

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F11.jpg
Fig. 11.

Seasonal mean wavenumber spectrum of SST in the South Sea of Korea, separated by three periods. The seasonal average method is the same as in Fig. 10. The black shadings indicate 95% confidence level. The confidence factors for each season are the same and the confidence factors of blue, red, green lines are (0.89, 1.13), (0.87, 1.16), (0.85, 1.19), respectively.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F12.jpg
Fig. 12.

Seasonal wavenumber spectrum of SST in the East China Sea, seperated by three periods. The black shadings indicate 95% confidence level. The seasonal average method is the same as in Fig. 10. The confidence factors for each season are the same and the confidence factors of blue, red, green lines are (0.89, 1.13), (0.87, 1.16), (0.85, 1.19), respectively.

4.3 수온 전선 강도

쿠로시오 해류는 동중국해의 대륙붕을 따라 북동쪽으로 진행하는데, 대륙붕의 영향을 받아 차가워진 해수는 쿠로시오 해류와 분리되어 쿠로시오 수온 전선을 형성하고(Xu and Xu, 2015), 남·서해에서는 강한 조석 혼합에 의한 조석 전선이 형성된다. 따라서, 수온 전선의 강도가 해수면 온도의 시공간적 변동성과 연관이 있을 것으로 추정하였고 수온 경사의 크기를 계절별 연도별 평균하여 수온 전선의 강도를 분석했다.

계절별로 수온 전선의 강도를 보았을 때, 가을과 여름의 수온 전선 강도는 봄과 겨울보다 약하게 나타나고 연도별로 보았을 땐 PDO 지수가 양인 기간인 2014년~2017년에 음인 기간에 비해 전반적으로 약한 수온 전선 강도를 보인다(Fig. 13). PDO 지수 부호에 따라 평균한 수온 전선의 강도 분포를 보아도 양인 기간에는 수온 전선의 강도가 낮음을 확인할 수 있고 해수면 온도 예측 성능은 높음을 확인할 수 있다(Fig. 14). 수온 전선의 강도가 해역별로 다르기에 한국 기상청의 해상예보구역을 참고하여 연구 지역을 동·서·남해로 구분한 뒤 해역에 따른 연평균 RMSE 시계열을 분석했다(KMA, 2022)(Fig. 15). PDO 지수가 음인 기간에는 모든 해역별로 큰 차이가 없으나 양인 기간에는 수온 전선의 강도가 강한 순서대로 남해, 서해, 동해 순으로 RMSE가 감소하였으며 특히, 남해는 동해에 비해 약 0.1℃가 낮은 것을 확인할 수 있다. 이를 통해 PDO 지수가 양인 시기에 강한 수온 전선을 형성하는 남해에서 전선의 강도가 약해지면서 해수면 온도의 변동이 감소한 것을 유추할 수 있다. 전반적인 영역에서 PDO 지수에 따라 인공신경망 성능이 달라지나 수온 전선의 강도가 강한 남해에서 다른 해역에 비해 인공신경망의 성능이 큰 폭으로 변함을 확인할 수 있다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F13.jpg
Fig. 13.

Seasonal SST frontal intensity. (a) Spring mean of frontal intensity is 0.203℃/8 km, which is the average for March, April and May. (b) Summer mean of frontal intensity is 0.150℃/8 km, which is the average for June, July and August. (c) Fall mean of frontal intensity is 0.150℃/8 km, which is the average for September, October and November. (d) Winter mean of frontal intensity is 0.212℃/8 km, which is the average for December, January and February. Grey error bars indicate standard deviation.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F14.jpg
Fig. 14.

(a) and (b) show Mean SST frontal intensity and (c) and (d) show RMSE distribution of SST depending on the sign of PDO index during 2008-2020 years.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F15.jpg
Fig. 15.

Time series of yearly mean of RMSE depending on Korean sea boundary. Red, green and blue lines indicate Yellow sea, South sea and East sea, respectively.

PDO 지수가 양인 기간과 계절적으로는 가을에 예측 성능이 다른 계절에 비해 좋음을 확인할 수 있는데(Fig. 16), 이를 4.2절의 PDO 지수가 양인 기간에 PSD가 낮아지는 결과와 연관 지어 분석하면 PDO 지수가 양인 기간에는 쿠로시오 해류의 수온이 감소해 우리나라 주변 해역에 존재하는 수온 전선의 강도를 약하게 만들어 해수면 온도 변동성의 감소를 야기한다는 결론을 도출할 수 있다. 따라서, 해수면 온도 변동성이 낮은 기간은 해수면 온도 예측의 성능이 좋은 기간과 일치하는 것으로 인공신경망을 통한 예측 시에는 입력 자료의 변동성이 큰 영향을 미치는 것을 알 수 있다. 여름의 경우, PDO 지수가 양일 때 수온 전선의 강도가 약해지나 RMSE 값이 다른 계절에 비해 높음을 확인할 수 있다(Fig. 16). 여름철에는 남풍 계열의 바람으로 인해 한국 남동 연안에서 저층수가 용승하여 수온 전선이 생기고 남서 연안에서 강한 조석 혼합에 의한 조석 전선이 형성된다. 두 가지 경우를 제외하고는 전반적으로 해수면 온도가 높아 수온 전선의 형성이 어려워 수온 전선 강도의 정확도가 낮고 해수면 온도의 급변을 유발하는 태풍과 같은 기상 현상으로 인해 예측 성능이 저하된 것으로 판단된다.

https://static.apub.kr/journalsite/sites/kso/2022-027-02/N0230270201/images/figure_KSO_27_02_01_F16.jpg
Fig. 16.

Time series of seasonal mean of RMSE and PDO index. The blue bars indicate PDO index and the dots have the same meaning as those in Fig. 6.

5. 결 론

본 연구에서는 해수면 온도 예측 모델로 합성곱 신경망 기반의 U-Net 구조 인공신경망을 이용하였다. U-Net은 이미지의 공간정보를 효과적으로 학습하는 합성곱 신경망, 학습이 진행될수록 기하급수적으로 증가하는 특징들에서 중요한 정보만을 뽑아내는 오토인코더, 그리고 영역의 크기가 줄어들며 발생하는 정보의 손실을 보완하는 skip connection의 구조로써 완성된다. 이를 통해 시공간 자료의 정보를 LSTM 기반의 인공신경망보다 빠르고 효과적으로 학습할 수 있게 되었다.

하이퍼 파라미터와 입력 자료들을 바꿔가며 가장 좋은 예측 성능을 보이는 결과로부터 최적의 값들을 찾아냈고, 그 과정에서 해수면 온도 예측에 해수 유동보다는 기상인자의 영향이 크게 작용하였다. 또한, persistence model과의 성능 비교를 통해 U-Net 인공신경망 모델이 해수면 온도를 성공적으로 예측했음을 보였다.

해수면 온도 예측 성능은 시공간에 따라 다르게 나타났다. 공간적으로는 해수면 온도의 표준 편차가 크고 수온 전선의 강도가 강한 지역에서 높은 RMSE 결과가 나왔고, 시간적으로는 가을과 2013~2017년에 다른 기간에 비해 낮은 RMSE 결과를 보였다. 따라서 해수면 온도의 변동성이 예측 성능에 영향을 줌을 가정하고 OSTIA 해수면 온도의 변동을 분석하였다.

시공간 자료를 효과적으로 분석하기 위해 EOF 분석을 활용하였고 이를 통해 연구 해역의 해수면 온도 변동성은 PDO 지수와 연관이 있음을 확인하였다. 또한, 파수 스펙트럼 분석을 통해 PDO 지수가 양인 기간인 2014~2017년 가을과 겨울에 PSD가 낮음을 확인하고 수온 전선의 강도 또한 PDO 지수가 양일 때 계절적으로는 가을에 낮게 나타나는 결과를 보였다. 따라서 PDO 지수가 양이고 계절적으로는 가을에 연구 해역의 수온 전선의 강도가 약해져 해수면 온도 변동성이 감소하는 결과를 보였고 해수면 온도의 변동이 작은 시기는 인공신경망의 예측 성능이 좋은 시기와 일치하여 입력 자료의 시공간적 변동성이 인공신경망 예측 성능에 영향을 미침을 확인하였다. 인공신경망을 이용하는 해수면 온도 예측 성능 분석을 통해 해수면 온도의 시공간적 변동 특성 연구에 활용될 수 있음을 제시하였고 예측 정확도를 향상시키기 위해 해수면 온도 변동성에 영향을 주는 요소를 분석하는 연구와 데이터 불균형에 의한 극한값 예측 정확도 저하를 해결하기 위한 기술적인 연구가 추후 수행되어야 할 것으로 생각한다.

부 록

Table T1A.

RMSE and R values for all experimental cases to determine optimal input data

Case Input days RMSE (℃) R
1 1 0.378 0.989
1 2 0.376 0.989
1 3 0.386 0.988
1 4 0.437 0.976
1 5 0.415 0.988
1 6 0.395 0.989
1 7 0.437 0.986
1 8 0.380 0.990
2 1 0.400 0.987
2 2 0.400 0.985
2 3 0.458 0.986
2 4 0.564 0.973
2 5 0.359 0.989
2 6 0.391 0.986
2 7 0.379 0.987
2 8 0.360 0.990
3 1 0.367 0.988
3 2 0.376 0.988
3 3 0.359 0.989
3 4 0.363 0.989
3 5 0.386 0.988
3 6 0.375 0.987
3 7 0.378 0.987
3 8 0.358 0.989
4 1 0.419 0.984
4 2 0.388 0.987
4 3 0.357 0.989
4 4 0.377 0.988
4 5 0.394 0.984
4 6 0.360 0.989
4 7 0.400 0.987
4 8 0.384 0.987
5 1 1.119 0.983
5 2 0.404 0.982
5 3 0.368 0.988
5 4 1.638 0.978
5 5 0.381 0.989
5 6 1.706 0.980
5 7 0.396 0.988
5 8 0.404 0.988
6 1 0.819 0.985
6 2 0.376 0.986
6 3 0.363 0.988
6 4 0.380 0.989
6 5 1.650 0.974
6 6 0.356 0.990
6 7 1.507 0.977
6 8 0.361 0.989
7 1 0.362 0.989
7 2 0.361 0.988
7 3 0.356 0.989
7 4 0.361 0.988
7 5 0.403 0.987
7 6 0.899 0.987
7 7 0.364 0.989
7 8 1.047 0.969
8 1 1.442 0.977
8 2 0.439 0.982
8 3 1.797 0.978
8 4 0.391 0.986
8 5 0.398 0.988
8 6 0.384 0.987
8 7 0.418 0.986
8 8 0.386 0.988
9 1 1.575 0.980
9 2 0.435 0.981
9 3 0.358 0.989
9 4 0.433 0.981
9 5 0.369 0.989
9 6 0.357 0.990
9 7 0.406 0.986
9 8 0.385 0.989

Acknowledgements

본 연구는 국립해양조사원의 「2021년 해양예보 정보 종합분석 및 특화 해양예보」 및 「2022년 항계안전을 위한 해양정보 확대 및 개선」 사업의 지원을 받아 수행되었습니다.

References

1
국립해양조사원(KHOA), 2021. "바다누리 해양정보 서비스". http://www.khoa.go.kr/oceangrid/gis/category/observe/ observeSearch.do?type=EYS#none, Accessed 12 January 2022.
2
기상청(KMA), 2022. "기상청 날씨누리" https://www.weather.go.kr/plus/sea/forecast/marine_daily.jsp?topArea=12E00000, Accessed 13 May 2022.
3
김성중, 우성호, 김백민, 허순도, 2011. 지난 130년 간 한반도 근해의 표층 수온 변화 경향. Ocean and Polar Research., 33(3): 281-290, doi: http://dx.doi.org/10.4217/OPR.2011.33.3.281. 10.4217/OPR.2011.33.3.281
4
민홍식, 김철호, 2006. 한국 연안 표층수온의 경년변동과 장기변화. Ocean and Polar Research, 28(4): 415-423, doi: http://dx.doi.org/10.4217/OPR.2006.28.4.415. 10.4217/OPR.2006.28.4.415
5
박영규, 2005. 기후 변화와 해양 열염분 순환. 한국기상학회, 15(1): 69-74. 10.1016/j.cupe.2004.10.008
6
정시훈, 김영준, 박수민, 임정호, 2020. 시계열 기계학습을 이용한 한반도 남해 해수면 온도 예측 및 고수온 탐지, 대한원격탐사학회지, 36(5): 1077-1093.
7
Aparna, S.G., S. D'Souza and N.B. Arjun, 2018. Prediction of daily sea surface temperature using artificial neural networks. International Journal of Remote sensing, 39(12): 4214-4231, doi: 10.1080/01431161.2018.1454623.
8
Bai, S., J.Z. Kolter and V. Koltun, 2018. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. arXiv preprint, arXiv:1803.01271.
9
Björnsson, H. and S.A. Venegas, 1997. A Manual for EOF and SVD analyses of Climate data. CCGCR Report, 97(1): 112-134.
10
Bolton, T. and L. Zanna, 2019. Applications of deep learning to ocean data inference and subgrid parameterization. Journal of Advances in Modeling Earth Systems, 11: 376-399, doi: 10.1029/2018MS001472.
11
Bryan, K., 1997. A Numerical Method for the Study of the Circulation of the World Ocean. Journal of Computational Physics, 135(2): 154-169, doi: 10.1006/jcph.1997.5699.
12
Donlon, C.J., M. Martin, J. Stark, J. Roberts-Jones, E. Fiedler and W. Wimmer, 2012. The Operational Sea Surface Temperature and Sea Ice Analysis (OSTIA) system. Remote Sensing of Environment, 116: 140-158, doi: 10.1016/j.rse.2010.10.017.
13
Lei, M., L. Shiyan, J. Chuanwen, L. Hongling and Z. Yan, 2009. A review on the forecasting of wind speed and generated power. Renewable and Sustainable Energy Reviews, 13(4): 915-920, doi: 10.1016/j.rser.2008.02.002.
14
O'Carroll, A.G., E.M. Armstrong, H.M. Beggs, M. Bouali, K.S. Casey, G.K. Corlett, P. Dash, C.J. Donlon, C.L. Gentemann, J.L. Høyer, A. Ignatov, K. Kabobah, M. Kachi, Y. Kurihara, I. Karagali, E. Maturi, C.J. Merchant, S. Marullo, P.J. Minnett, M. Pennybacker, B. Ramakrishnan, R. Ramsankaran, R. Santoleri, S. Sunder, S.S. Picart, J. Vázquez-Cuervo and W. Wimmer, 2019. Observational Needs of Sea Surface Temperature. Frontiers in Marine Science, 6: 420, doi: 10.3389/fmars.2019.00420. 10.3389/fmars.2019.00420
15
Ronneberger, O., P. Fischer and T. Brox, 2015. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv preprint, arXiv:1505.04597. 10.1007/978-3-319-24574-4_28
16
Ruder, S., 2017. An overview of gradient descent optimization algorithms. arXiv preprint, arXiv:1609.04747.
17
Shi, X., Z. Chen, H. Wang, D. Yeung, W. Wong and W. Woo, 2015. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. NIPS'15: Proceedings of the 28th International Conference on Neural Information Processing Systems, 1: 802-810.
18
Sun, C., J. Li, F. Jin and R. Ding, 2013. Sea surface temperature inter-hemispheric dipole and its relation to tropical precipitation. Environmental Research Letters, 8: 044006, doi: 10.1088/1748-9326/8/4/044006. 10.1088/1748-9326/8/4/044006
19
Temizyurek, M. and F. Dadaser-Celik, 2018. Modelling the effects of meteorological parameters on water temperature using artificial neural networks. Water Science & Technology, 77(5-6): 1724-1733, doi: 10.2166/wst.2018.058.
20
Wu, Q.X., D. Pairman, S.J. McNeill and E.J. Barnes, 1992. Computing Advective Velocities from satellite Images of Sea Surface Temperature. IEEE Transactions on Geoscience and Remote Sensing, 30(1): 166-176, doi: 10.1109/36.124227. 10.1109/36.124227
21
Xiao, C., N. Chen, C. Hu, K. Wang, Z. Xu, Y. Cai, L. Xu, Z. Chen and J. Gong, 2019. A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data. Environmental Modelling & Software, 120: 104502, doi: 10.1016/j.envsoft.2019.104502.
22
Xu, M and H. Xu, 2015. Atmpospheric Responses to Kuroshio SST Front in the East China Sea under Different Prevailing Winds in Winter and Spring. Journal of Climate, 28(8): 3191-3211, doi: 10.1175/JCLI-D-13-00675.1. 10.1175/JCLI-D-13-00675.1
23
Zhai, Z., D.Q. Nguyen and K. Verspoor, 2018. Comparing CNN and LSTM character-level embeddings in BiLSTM-CRF models for chemical and disease named entity recognition. arXiv preprint, arXiv:1808.08450. 10.18653/v1/W18-5605
페이지 상단으로 이동하기