해석 가능한 딥러닝 모델을 활용한 장기 ENSO 예측 연구

엘니뇨-남태평양 진동(ENSO)는 전 세계적으로 광범위한 영향을 미치는 주요 연간 기후 변동 형태이다. ENSO의 진화는 복잡한 대기-해양 상호작용에 의해 결정되며, 이는 장기 예측에 큰 도전 과제를 제기한다. 본 연구에서는 합성 신경망과 트랜스포머를 융합한 다변량 딥러닝 모델인 CTEFNet을 제안한다. 이 모델은 다양한 해양 및 대기 예측 변수를 통합함으로써, 효과적인 예측 리드 타임을 최대 20개월까지 연장하고, 봄 예측 장벽의 영향을 완화하며, 동적 모델과 최첨단 딥러닝 기법을 모두 능가하는 성능을 보인다. 더불어, 기울기 기반 감도 분석을 통해 CTEFNet은 물리적으로 의미 있는 통계적 신뢰성 있는 통찰을 제공하며, ENSO 동역학을 지배하는 주요 사전 신호를 규명한다. 이러한 신호는 기존의 잘 알려진 이론과 일치하며, 태평양, 대서양, 인도양 간의 해역 간 상호작용에 대해 새로운 통찰을 제시한다. CTEFNet의 뛰어난 예측 능력과 해석 가능한 감도 평가 결과는 기후 예측의 발전 가능성을 시사한다. 본 연구 결과는 ENSO 진화 과정에서 다변량 결합의 중요성을 강조하며, 해석 가능성이 향상된 딥러닝 기법이 복잡한 기후 동역학을 효과적으로 포착할 수 있음을 보여준다.