전 세계에는 30,000개가 넘는 기상 관측소가 있으며, 종종 매일 기온, 강수량 및 기타 지표를 측정합니다. 이는 기후 연구자들이 뉴스에 오르는 월별 및 연간 글로벌 및 지역 기온(특히)을 산출하기 위해 수집하고 분석해야 하는 엄청난 양의 데이터입니다.

이제 연구자들은 이러한 데이터 세트에 인공 지능(AI)을 풀어  유럽의 극한 기온을 분석하여  기존 방법을 사용한 기존 결과와 비교하여 탁월한 일치를 발견했으며 이전에 알려지지 않은 기후 극한을 발견했습니다. 그들의 연구는  Nature Communications  에  게재 되었습니다 .

전 세계 기후가 빠르게 변화하고 있기 때문에 기온과 강수량의 극한이 어떻게 변하는지 아는 것이 중요합니다. 이를 통해 계획자들은 현재의 극한 상황과 앞으로의 극한 상황에 적응할 수 있습니다.

일부 지역에서는 비가 더 많이 내리고 있으며,  2021년 Nature  에 실린  논문에 따르면 "역사적 기후에서 훨씬 벗어났다"고 합니다. 더위 극한도도 증가했습니다. 지구 육지 면적의 30% 이상이 현재 어느 해에든 월별 기온이 2시그마  통계적 수준 을 넘습니다  . 1950년에는 약 1%였습니다.

과거 기온 평균을 분석하는 데 있어 심각한 문제 중 하나는 일부  기상 관측소 의 데이터가 부족하다는 것입니다 . 특히 지난 세기 상반기의 데이터가 부족했습니다.

유인 기상 관측소는 손상되거나, 관측자가 이사하거나 사망하거나, 정지되어 즉시 교체되지 않았거나, 전혀 교체되지 않은 경우 수년간 모니터링되지 않았을 수 있습니다. 새로운 관측소 기술은 이전 계측기와 상관관계가 있어야 하며, 아프리카와 극지방의 광대한 지역은 거의 정보를 제공하지 않거나, 전혀 제공하지 않습니다.

기후 연구자들은 이러한 격차를 해결하기 위해 많은 시간을 보냈습니다.  데이터 동질화 로 알려진 연구 분야 와 다양한 동질화 방법론 선택은 글로벌 기온 평균과 추세를 발표하는 여러 그룹의 결과에서 볼 수 있는 약간의 차이를 크게 설명합니다.

함부르크에 있는 독일 기후 컴퓨팅 센터의 에티엔 플레시아가 이끄는 팀은 영국과 스페인의 동료들을 포함하여 극한 기온이 AI의 신경망 기술을 적용하기에 적합한 분야라고 보았습니다.

그들은 전 세계 어느 곳보다 더 오래 거슬러 올라가는 기상 관측소가 특히 밀집되어 있는 유럽에 초점을 맞췄습니다. (예를 들어,  Hadley Central England의 월별 기온  데이터는 1659년부터 시작되며, 이는 세계에서 가장 오래된 기록입니다.) 이 그룹은 AI를 사용하여 유럽의 기후 극단(매우 따뜻하고 추운 날, 매우 따뜻하고 추운 밤)에 대한 관측치를 재구성했습니다.

유럽의 온도 관측소 밀도가 높기 때문에  크리깅 ,  역거리 가중치  ,  각도거리 가중치 와 같은 기존의 통계적 방법은  온도계는 없지만 근처에 관측소가 있는 위치의 온도 값을 예측하는 데 좋은 성과를 보입니다. 하지만 근처 데이터가 부족한 경우에는 성과가 떨어집니다.

모든 방법은 관심 지점에서 인근 기상 관측소까지의 거리와 함께 측정된 값을 사용하여 관심 위치의 기온을 예측하는 방법이며, 가장 큰 차이점은 계산에서 거리(또는 각도)에 가중치를 부여하는 방식입니다.

최근 몇 년 동안 AI 방법은   누락된 기후 정보를 구성하고 불확실성을 정량화하는 기존 방식보다 성능이 우수 했습니다 . 

플레시아와 동료가 사용한 AI 모델은 CMIP6 아카이브(과거 기후, 현재 기후, 미래 기후를 계산하는 대기와 해양을 결합한 기후 모델의 글로벌 협업인 결합 모델 상호 비교 프로젝트)의 지구 시스템 모델을 이용한 과거 시뮬레이션을 기반으로 훈련을 받고 비교되었습니다.

AI의 결과는 제곱 평균 오차, 독립 변수와 종속 변수 간의 연관성 양을 나타내는 스피어만 순위 상관 계수(잘 알려진 피어슨 계수 R을 일반화하지만 비선형 종속성 포함) 등과 같은 공인된 방법을 사용하여 이러한 재분석 시뮬레이션과 비교하여 평가됩니다.

연구원들은 CRAI(기후 재구성 AI)라고 부르는 딥러닝 기술이  따뜻한 날  (일일 최고 기온이 90백분위수보다 높은 날의 비율), 시원한 날(일일 최고 기온이 10백분위수보다 낮은 날의 비율)을 계산하는 데 있어서 위에 설명한 여러 보간 방법보다 성능이 우수하다는 것을 발견했습니다. 또한 따뜻한 밤과 시원한 밤에 대해서도 마찬가지였습니다.

 그런 다음 연구진은 이를 유럽 도메인의 HadEX3 데이터 세트 에 있는 모든 필드의 재구성에 적용했습니다  . HadEX3는 1901년부터 2018년까지 격자형 지구 표면의 극한 기온과 강수량에 대한 80개 이상의 지수로 구성되어 있습니다.

여기에서도 그들의 기술은 과거의 극한 사건을 재구성하고 소위 "재분석 데이터 세트"에 포함되지 않은 시간 간격에 걸친 공간적 추세를 드러내는 능력을 보여주었습니다. (기후 재분석은 기후 모델과 이용 가능한 관측치를 함께 활용하여 관측 데이터베이스의 갭을 메웁니다.)

또한, 그들의 CRAI는 이전에 알려지지 않았던 유럽의 극한 상황을 밝혀냈습니다. 예를 들어, 1929년의 한파와 1911년의 폭염과 같은 상황이 있습니다. 데이터가 부족해서 그런 극한 상황은 일화적으로만 암시되었습니다.

 연구팀은 논문에서 "우리의 연구는 이 접근 방식을 글로벌 규모나 데이터가 부족한 다른 지역에 적용하는 것의 필요성과  잠재적 이점을 모두 보여줍니다."라고 결론지었습니다.

"실제로 우리는 AI 기반 재구성이 기존 통계적 방법보다 더 높은 정확도를 보인다는 것을 발견했습니다. 특히 데이터 부족이 심한 지역에서 더욱 그렇습니다." 이러한 CRAI 모델을 훈련하면 더 많은 양의 정보를 활용할 때 정확도가 향상될 것이라고 덧붙였습니다.

"이 연구는 기후 극단 현상과 그 장기적 변화에 대한 이해를 개선하기 위한 AI의 혁신적 잠재력을 강조합니다."