1. 서론

해양은 인간활동으로 발생된 이산화탄소를 흡수하는 탄소 저장고로서, 2021년 글로벌 탄소수지보고서(Global Carbon Budget)에 따르면 지난 10년동안 발생한 인간기원 이산화탄소의 약 30%가 해양으로 흡수된 것으로 보고되었다(Friedlingstein et al., 2022). 남극해의 면적은 전체 해양 면적의 약 20%를 차지하고 있지만, 전체 해양에서 흡수되는 인간기원 이산화탄소의 약 40%를 흡수하는 중요한 해역이다(Orr et al., 2001; DeVries 2014). 특히, 본 연구가 수행된 남극 로스해(Ross Sea) 해역은 대기중의 이산화탄소를 강하게 흡수하는 해역으로, 연간 약 7.5~13 Tg의 탄소가 흡수되는 것으로 보고된 바 있다(Arrigo et. al., 2008; DeJong and Dunbar, 2017). 해양에서 흡수되는 탄소의 양을 추정하기 위해서는 현장 관측이나 모델에서 모의된 표층 이산화탄소 분압 자료가 요구된다. 해양의 표층 이산화탄소 분압은 이산화탄소의 몰 분율(mole fraction; x(CO₂))에 총압력을 곱한 pCO₂로 표현하거나, 실제 환경에서의 비이상적 거동을 고려한 퓨개시티(fugacity of CO₂; fCO₂)로 표현할 수 있다.

남극해는 지리적인 특수성으로 인해 타 해역에 비해 fCO₂(또는 pCO₂)의 현장 관측 자료가 부족한 해역으로, 특히 여름철을 제외한 나머지 계절의 현장 관측자료가 매우 부족하다(Fay et al., 2018). 이러한 현장 관측 자료의 부족은 모델을 통해 모의된 결과의 정확성을 감소시키는 주요 요인으로 작용한다. 최근 무인 관측 장비(무인선, 관측 부이 등)의 개발로 계절에 상관없이 지속적인 남극해 현장 관측 수행이 가능해 졌지만, 해류의 영향으로 관측 자료의 지역적인 편향이 생길 수 있다(Sutton et al., 2021; Williams et al., 2017). 현재까지 보고된 각 플랫폼 별 남극해 pCO₂ 관측치(혹은 추정치)의 불확실도는 현장 관측과 관측 부이에서 각각 2 µatm, 11 µatm으로 보고되었다(Bakker et al., 2016; Williams et al., 2017).

Breiman (2001)의 연구에서 제시된 랜덤 포레스트는 기계학습의 한 종류로, 다수의 결정 트리(decision tree)들을 학습하는 앙상블 방법이다. 이 알고리즘은 트리 수와 학습집합의 크기 등에 의해 랜덤 포레스트의 성능과 예측 결과의 정확성이 결정되기 때문에 최적의 트리 수와 학습집합의 크기를 결정하는 것이 중요하다(Ma & Fan, 2017). 현재까지 이 알고리즘은 과학 분야를 포함한 모든 연구분야에서 널리 활용되고 있다. 그 중 현장 관측 자료와 인공위성 자료를 랜덤 포레스트에 학습시켜 멕시코 만의 표층 pCO₂를 추정한 Chen et al. (2019)의 연구에서 예측 결과의 불확실도는 10 µatm 이하로 보고되었다. 또한 랜덤 포레스트와 신경망 모델(Self-organizing mapsfeed forward network; SOM-FFN)을 사용하여 추정된 남극해 pCO₂의 평균 제곱근 편차가 각각 14.84 µatm, 16.45 µatm으로, 랜덤 포레스트의 예측 결과가 SOM-FFN의 그것과 크게 다르지 않음이 확인되었다(Gregor et al., 2017).

본 연구에서는 현장 관측자료와 위성 자료를 전 처리하여 랜덤 포레스트 알고리즘을 학습 시키고, 결과를 도출하는 방법에 대해 간략하게 다루고 있다. 또한, 이에 따른 결과로 1998년부터 2018년 동안의 남극 로스해(55°S~72°S, 145°E~145°W) 표층 fCO₂의 월별 분포를 모의하였으며, 추정된 데이터 자료를 제공하고자 한다.

2. 본론

2.1. 격자데이터

본 연구에서 사용된 데이터는 주로 원격감지데이터를 사용하였다(Table 1). 표층 혼합층의 깊이(mixed layer depth; MLD)는 동화모델(GLORYS12V1; Ferry et al., 2010)의 산출물을 사용하였으며, 데이터의 시간적 범위는 1998년부터 2018년까지이다. 데이터의 공간분해능은 동일한 0.25로 재격자화하였으며, 시간분해능은 모델 훈련 및 검증의 경우엔 8 days, 모델 예측의 경우엔 1 month로 평균을 취하였다. 또한, 모델 훈련을 위해 SOCAT v3 fCO₂ 자료가 사용되었다(Bakker et al., 2016).

2.2. 입력데이터의 변환과 변수추가

모델 개발에 앞서 원시 데이터의 누락된 값을 처리하고 데이터를 변환하여 얻은 데이터셋을 모델의 입력변수(feature)로 사용하였다. 자료의 비대칭도(skewness)가 큰 MLD와 클로로필(Chl-a)은 정규분포에 가까워지도록 상용로그 변환을 하였다(Nakaoka et al., 2013; Landshuster et al., 2014; Gregor et al., 2017). 자료의 계절변화를 표현하기 위하여 날짜 순서(day of year)를 변수로 활용한 연구(Zeng et al., 2014; Gregor et al. 2017)가 있으나 본 연구에서는 월(month)의 사인함수(sin_t)와 코사인함수(cos_t)를 추가변수로 활용하였다(Eq.1& Eq.2).

(Eq.1)

cos_t=cos(2π×month12)

(Eq.2)

sin_t=sin(2π×month12)

최종적인 입력변수는 총 구름의 양(total cloud cover; TCC), 해빙 농도(sea ice concentration; SIC), 표층수온(sea surface temperature; SST), 풍속(Wind), 해양 Nino 인덱스(oceanic Nino index; ONI), cos_t, sin_t, log₁₀ (Chl-a), log₁₀ (MLD)이며, 출력변수(label)는 fCO₂이다. 이 데이터를 분할하여 80%는 모델의 훈련에, 20%는 모델 테스트에 이용하였다. 본 연구에서는 난수의 시드(random seed)를 달리하여 10가지 서로 다른 분할된 훈련-테스트 데이터셋을 준비하였다.

2.3. 랜덤 포레스트 회귀

배깅(bagging)은 부트스트랩 집합체(bootstrap aggregation)로부터 온 말이다. 랜덤 포레스트는 의사결정나무(decision tree)에 배깅(bagging)을 적용한 모델이다(Breiman, 2001). 개별나무의 예측 값의 평균을 취하여 실제 값을 예측한다. 데이터 탐색과 모델 개발은 주로 파이썬(Python) 언어를 사용하여 수행하였다. Scikit-learn 패키지와 함께 여러 다른 add-on 패키지를 이용하여 모델 구축 및 튜닝 그리고 정확도 평가를 하였다. 랜덤 포레스트 회귀모델구축을 위해 의사결정나무의 개수는 500으로 설정하였으며, 랜덤 포레스트의 다른 파라미터들은 파이썬에서 제공되는 RandomForestRegressor 함수의 기본 설정 값을 사용하였다. 또한, 최적의 분할을 위해 고려할 최대 입력변수의 개수를 전체특성의 수로 하여 모든 특성을 고려하도록 설정하였지만, 동시에 bootstrap sampling을 하도록 설정하였기 때문에 여전히 무작위성은 존재한다.

3. 결과

3.1. SOCAT 데이터베이스의 이산화탄소 관측 자료 분포 분석

연구기간 동안(1998년 - 2018년) 로스해에서 관측된 이산화탄소 격자자료의 분포를 Fig 1.에서 보였다. 21년간 관측된 자료임에도 불구하고 남반구인 로스해의 겨울과 봄철 동안 관측 자료가 매우 부족하였으며(6월 1회, 7월 1회, 8월 1회, 10월 1회), 특히 9월은 관측자료가 전혀 존재하지 않았다. 이는 남극해가 동계기간 동안 해빙으로 덮여 있었기 때문이라 추정되며, 따라서 이 기간 동안의 추정결과의 신뢰도나 재현 결과의 정확도는 활용하기 어렵다고 판단된다. 하지만 남극 이산화탄소의 흡수는 주로 생산력이 집중되는 여름철에 발생하기 때문에, 남극해와 로스해의 이산화탄소의 변동 이해에는 동계기간 자료의 영향이 극히 제한적일 것으로 생각된다.

3.2. 학습된 랜덤 포레스트 모델의 재현 성능 평가

Fig. 2에서는 랜덤 포레스트 모델의 성능의 평가를 위해 원시 데이터에서 추출한 fCO₂(x 축)와 기계학습모델을 통해 예측된 fCO₂(y 축)을 비교하였다. 총 10회의 반복실험을 통해 성능을 테스트하였고, 이의 결정계수(r²)는 0.95이며, 평균제곱근편차(RMSE)는 12.3 μatm으로 나타났다.

3.3 로스해 이산화탄소 분압(fCO₂) 재현 결과

랜덤 포레스트 기법을 통해서 남극 로스해의 fCO₂의 재현에 활용된 변수의 기여도 평가 결과, 클로로필의 농도가 fCO₂ 결정에 가장 중요한 요인으로 이용되고 있음을 알 수 있었다(Fig. 3). 이는 생물 생산에 의한 이산화탄소의 흡수가 로스해에 중요한 역할을 하고 있다는 것을 암시한다. 그 외의 대부분의 변수들의 중요도는 큰 차이를 보이지 않았지만, 모두 유의미하게 활용 되었으며, 해빙의 역할은 상대적으로 이산화탄소의 흡수력 재현에 적게 기여하고 있음을 알 수 있었다.

Fig. 4에서는 랜덤 포레스트를 통해 추정한 fCO₂의 여름철(12월-3월)의 평균값을 도시하였다. 이를 통해 로스해의 fCO₂는 폴리냐가 열리는 12월과 1월 고위도(남부)에서 생산력의 증가와 함께 급격히 낮아짐을 알 수 있었다. 2월부터는 서서히 fCO₂가 증가하며, 3월부터는 해빙의 증가와 함께 지속적으로 증가하게 됨을 알 수 있었다. 특징적으로 2월부터 3월까지 장보고 기지가 위치한 로스해의 서편에서는 지속적으로 강한 이산화탄소의 흡수가 일어나고 있음을 볼 수 있었다. 또한, 기존 현장관측 자료가 전혀 없는 9월의 해빙이 없는 로스해 북부 해역에서 본 연구에서 사용된 입력변수들(Table 1 & equations 1–2)의 격자 데이터를 획득할 수 있었기 때문에, 이 기간의 표층 fCO₂ 또한 본 연구를 통해 재현되었다(supplemental material). 하지만, 이 기간동안 재현된 fCO₂는 낮은 신뢰도를 가질 것으로 예상되기 때문에 자료를 활용하는데 어려움이 있을 것으로 판단된다.

4. 결론 및 토의

본 연구에서는 이산화탄소의 흡수에 중요한 역할을 하는 남극해의 역할의 규명에 있어 중요한 지역인 로스해의 fCO₂의 분포를 기계학습을 통해 성공적으로 재현하였다. 이를 통해, 기존의 관측 부족으로 인한 fCO₂의 흡수와 배출에 대한 로스해 지역의 이해를 증진하는데 활용이 가능할 것으로 판단된다. 또한 나아가, 시간에 따른 이산화탄소의 흡수력의 변동성 평가에도 유용하게 활용이 가능할 것이다. 마지막으로, 기계학습을 이용한 공간적인 분포의 재현을 통해 로스해의 이산화탄소의 흡수에 관한 지역적인 변동성을 확인할 수 있었다. 특히 3월까지 로스해의 동편에서 발생하는 강한 이산화탄소의 흡수패턴은 기존의 보고와 일치하며(DeJong and Dunbar, 2017), 랜덤 포레스트를 통한 재현력의 신뢰성을 더해준다고 보인다. 이외에 3월 로스해의 동편에서도 낮은 fCO₂가 나타나는 것으로 확인되었다. 이는 기존에 보고된 바가 없는 현상으로 향후 로스해의 이산화탄소 흡수력의 평가에 중요한 정보로 활용될 수 있다고 판단한다.

Acknowledgements

본 연구는 한국해양과학기술원 부설 극지연구소 기관고유사업 “서남극해 온난화에 따른 탄소흡수력 변동 및 생태계 반응 연구 (PE22110)”의 지원을 받아 수행되었습니다. 본 논문의 월별 재현 자료의 고해상도 버전과 데이터 화일은 추후 극지연구소의 데이터관리 시스템(KPDC: https://kpdc.kopri.re.kr/)를 통해 공개할 예정이며, 본 연구의 교신저자에게 이메일 요청 시(keyhongpark@korpi.re.kr) 항시 공유가 가능합니다.

Fig. 1.

Available SOCAT monthly data frequency in the Ross Sea

Fig. 2.

Evaluation of random forest performance. X-axis is sampled true fCO₂ values of original data set and y-axis is random forest-derived fCO₂ values. The dotted line is 1-to-1 line.

Fig. 3.

Feature importance of fCO₂ estimate

Fig. 4.

Random forest estimate of 21-year monthly mean fCO₂ in the Ross Sea.

참고문헌

• Arrigo KR, van Dijken G, Long M (2008) Coastal Southern Ocean: A strong anthropogenic CO₂ sink. Geophys Res Lett 3:5Article
• Bakker DC, et al (2016) A multi-decade record of high-quality fCO₂ data in version 3 of the Surface Ocean CO₂ Atlas (SOCAT). Earth Syst Sci Data 8(2):383–413
• Breiman L (2001) Random forests. Mach Learn 45(1):5–32
• Chen S, et al (2019) A machine learning approach to estimate surface ocean pCO₂ from satellite measurements. Remote Sens Environ 228:203–226Article
• Comiso , Nishio (2008) Trends in the sea ice cover using enhanced and compatible AMSR-E, SSM/I, and SMMR data. J Geophys Res 113:C02S07Article
• DeJong HB, Dunbar RB (2017) Air‐sea CO₂ exchange in the Ross Sea, Antarctica. J Geophys Res Oceans 122(10):8167–8181ArticlePDF
• Fay AR, et al (2018) Utilizing the Drake Passage Time-series to understand variability and change in subpolar Southern Ocean pCO₂. Biogeosciences 15(12):3841–3855Article
• Ferry , et al (2012) GLORYS2V1 global ocean reanalysis of the altimetric era (1993-2009) at meso scale. Mercator Ocean Newsletter 44:28–39
• Friedlingstein P, et al (2022) Global carbon budget 2021. Earth Syst Sci Data 14(4):1917–2005
• Gregor L, Kok S, Monteiro P (2017) Empirical methods for the estimation of Southern Ocean CO₂: support vector and random forest regression. Biogeosciences 14(23):5551–5569Article
• Hersbach et al. (2017) Complete ERA5 from 1979: Fifth generation of ECMWF atmospheric reanalysis of the global climate. Copernicus Climate Change Service (C3S) Data Store (CDS)
• Huang , et al (2017) Extended reconstructed sea surface temperature version 5 (ERSSTv5): upgrades, validations, and intercomparisons. J Clim 30:8179–8205ArticlePDF
• Landshuster , et al (2014) Recent variability of the global ocean carbon sink. Global Biogeochem Cycles 28(9):927–949ArticlePDF
• Ma L, Fan S (2017) CURE-SMOTE algorithm and hybrid algorithm for feature selection and parameter optimization based on random forests. BMC Bioinform 18(1):1–18ArticlePubMedPMCPDF
• Maritorena Siegel (2005) Consistent merging of satellite ocean color data sets using a bio-optical model. Remote Sens Environ 94:429–440Article
• Nakaoka , et al (2013) Estimating temporal and spatial variation of ocean surface pCO₂ in the North Pacific using a self-organizing map neural network technique. Biogeosciences 10(9):6093–6106Article
• Reynolds , et al (2008) NOAA optimum interpolation 1/4 degree daily sea surface temperature (OISST) analysis, version 2. NOAA National Centers for Environmental Information NOAA National Centers for Environmental Information. doi:10.7289/V5SQ8XB5
• Sutton AJ, Williams NL, Tilbrook B (2021) Constraining Southern Ocean CO₂ flux uncertainty using uncrewed surface vehicle observations. Geophys Res Lett 48(3):e2020GL091748ArticlePDF
• Williams NL, et al (2017) Calculating surface ocean pCO₂ from biogeochemical Argo floats equipped with pH: An uncertainty analysis. Global Biogeochem Cycles 31(3):591–604ArticlePDF
• Zeng , et al (2014) A global surface ocean fCO₂ climatology based on a feed-forward neural network. J Atmos Ocean Technol 31(8):1838–1849ArticlePDF

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by