APCC·KIST, '숲까지 보는 AI'로 MJO 예측 한계 돌파

배경 기후 결합한 다중 스케일 기법...이상기후 대응 시간 최대 29일

논문 내용 인포그래픽[사진=APCC]

전 세계 기상당국이 예측의 난제로 꼽아온 매든 줄리안 진동, MJO의 예측 한계를 인공지능으로 확장한 연구 성과가 국내에서 나왔다.

아시아·태평양경제협력체 기후센터와 한국과학기술연구원 공동 연구진은 딥러닝 기반 예측 모델을 통해 MJO의 예측 가능 기간을 겨울철 기준 26일, 여름철 기준 29일까지 늘리는 데 성공했다고 26일 밝혔다.

연구 결과는 기상·기후 분야 국제 학술지 지오피지컬 리서치 레터스에 실렸다.

MJO는 인도양에서 발생해 태평양으로 이동하는 대규모 열대 대기 순환으로, 약 30일에서 90일 주기로 지구를 횡단하며 가뭄과 홍수, 폭염 등 전 지구적 기후 변동에 영향을 미친다. 이로 인해 MJO의 정확한 예측은 각국의 방재 정책과 기후 대응 전략에서 핵심 과제로 인식돼 왔다.

기존 인공지능 기반 예측 모델은 대기와 해양의 단기 변동 신호에 주로 의존해 초기 예측에는 강점을 보였지만, 예측 기간이 길어질수록 정확도가 급격히 떨어지는 한계를 드러냈다.

연구진은 이러한 구조적 한계의 원인이 MJO가 전개되는 환경 자체, 즉 배경 기후 정보가 충분히 반영되지 않았기 때문이라고 판단했다.

이에 따라 연구팀은 변동성 데이터와 함께 평균적인 기온 분포와 해수면 상태, 계절적 순환 구조 등 배경 기후 정보를 동시에 학습시키는 다중 스케일 분해 기법을 적용했다.

MJO의 순간적인 변화뿐 아니라 그 변화가 펼쳐지는 기후 환경을 함께 고려함으로써 예측의 시간적 안정성을 확보했다는 설명이다.

데이터 기여도 분석 결과도 뚜렷한 차이를 보였다. 예측 1일에서 5일 사이 단기 구간에서는 MJO 변동성과 직결된 이상 변수가 예측 성능의 대부분을 차지했다. 반면 10일에서 20일 구간으로 접어들면서 이상 변수의 영향은 감소하고 배경 기후 변수의 비중이 빠르게 확대됐다.

25일 이후 장기 예측 단계에서는 배경 기후 변수의 기여도가 이상 변수를 넘어서는 흐름이 확인됐다.

이 같은 결과는 장기 예측 실패의 원인이 단순한 모델 성능 문제가 아니라 입력 데이터 구조에 있었음을 보여준다.

배경 기후 정보를 포함함으로써 MJO의 이동과 강도를 보다 안정적으로 전망할 수 있는 기반이 마련됐다는 평가다.

APCC 김미애 선임연구원은 “이번 연구는 인공지능을 활용해 단기 변동 신호에 머물지 않고 기후의 전체적인 흐름을 함께 파악할 수 있음을 보여준다”며 “MJO 예측 기간이 확장되면서 가뭄과 홍수 등 이상기후에 대한 선제적 대응 가능성이 크게 높아질 것으로 기대한다”고 말했다.