Two-stream Convolutional Long- and Short-term Memory 모델의 2001-2021년 9월 북극 해빙 예측 성능 평가

Performance Assessment of Two-stream Convolutional Long- and Short-term Memory Model for September Arctic Sea Ice Prediction from 2001 to 2021

Abstract

지구 온난화의 중요한 지시자인 북극의 바다 얼음인 해빙은 기후 시스템, 선박의 항로 안내, 어업 활동 등에서의 중요성으로 인해 다양한 학문 분야에서 관심을 받고 있다. 최근 자동화와 효율적인 미래 예측에 대한 요구가 커지면서 인공지능을 이용한 새로운 해빙 예측 모델들이 전통적인 수치 및 통계 예측 모델을 대체하기 위해 개발되고 있다. 본 연구에서는 북극 해빙의 전역적, 지역적 특징을 학습할 수 있는 two-stream convolutional long- and short-term memory (TS-ConvLSTM) 인공지능 모델의 북극 해빙 면적이 최저를 보이는 9월에 대해 2001년부터 2021년까지 장기적인 성능 검증을 통해 향후 운용 가능한 시스템으로써의 가능성을 살펴보고자 한다. 장기 자료를 통한 검증 결과 TS-ConvLSTM 모델이 훈련자료의 양이 증가하면서 향상된 예측 성능을 보여주고 있지만, 최근 지구 온난화로 인한 단년생 해빙의 감소로 인해 해빙 농도 5-50% 구간에서는 예측력이 저하되고 있음을 보여주었다. 반면 TS-ConvLSTM에 의해 예측된 해빙 면적과 달리 Sea Ice Prediction Network에 제출된 Sea Ice Outlook (SIO)들의 해빙 면적 중간값의 경우 훈련자료가 늘어나더라도 눈에 띄는 향상을 보이지 않았다. 본 연구를 통해 TS-ConvLSTM 모델의 향후 북극 해빙 예측 시스템의 운용 가능 잠재성을 확인하였으나, 향후 연구에서는 예측이 어려운 자연 환경에서 더욱 안정성 있는 예측 시스템 개발을 위해 더 많은 시공간 변화 패턴을 학습할 수 있는 방안을 고려해야 할 것이다.

Sea ice, frozen sea water, in the Artic is a primary indicator of global warming. Due to its importance to the climate system, shipping-route navigation, and fisheries, Arctic sea ice prediction has gained increased attention in various disciplines. Recent advances in artificial intelligence (AI), motivated by a desire to develop more autonomous and efficient future predictions, have led to the development of new sea ice prediction models as alternatives to conventional numerical and statistical prediction models. This study aims to evaluate the performance of the two-stream convolutional long-and short-term memory (TS-ConvLSTM) AI model, which is designed for learning both global and local characteristics of the Arctic sea ice changes, for the minimum September Arctic sea ice from 2001 to 2021, and to show the possibility for an operational prediction system. Although the TS-ConvLSTM model generally increased the prediction performance as training data increased, predictability for the marginal ice zone, 5-50% concentration, showed a negative trend due to increasing first-year sea ice and warming. Additionally, a comparison of sea ice extent predicted by the TS-ConvLSTM with the median Sea Ice Outlooks (SIOs) submitted to the Sea Ice Prediction Network has been carried out. Unlike the TS-ConvLSTM, the median SIOs did not show notable improvements as time passed (i.e., the amount of training data increased). Although the TS-ConvLSTM model has shown the potential for the operational sea ice prediction system, learning more spatio-temporal patterns in the difficult-to-predict natural environment for the robust prediction system should be considered in future work.

1. 서론

북극의 바다 얼음인 해빙은 기후시스템에 있어 가장 중요한 역할을 하고 있고, 기후변화의 가장 큰 지시자로 알려져 있다. 얼음과 눈은 태양 에너지의 대부분을 반사 시키지만, 물은 대부분의 태양 에너지를 흡수한다. 해빙의 면적이 줄어든다는 것은 지구로 흡수되는 태양 에너지가 더 많아진다는 이야기이고, 이는 북극권 뿐만 아니라 중위도권 기후에 큰 영향을 주게 된다(Najafi et al., 2015; Thackeray and Hall, 2019). 수동마이크로파 센서를 이용한 위성 관측이 시작된 1979년 이후 연중 최소 면적을 보이는 북극해의 9월 해빙 면적은 10년간 13%씩 감소하고 있고, 단년생 해빙의 면적이 다년생 해빙의 면적보다 늘고 있다(Strove et al., 2007; Vihma, 2014). 만약 현재의 추세가 이어진다면 가까운 미래에 해빙이 없는 여름철 북극해가 현실이 될 가능성이 크다(Notz and SIMIP Community, 2020).

북극의 해빙은 기후변화 연구뿐만 아니라 북극항로 개발에 있어서도 중요한 역할을 하기 때문에 전 세계적으로 해빙 농도, 두께, 이동 등의 특성 산출뿐만 아니라 미래 변화 예측에 대해서도 많은 연구가 진행되고 있다. 특히 해빙 변화 예측은 우리가 직면한 기후변화에 대한 대응뿐만 아니라 북극해를 통과하는 선박의 안전 항해에 있어서도 중요한 역할을 한다. 일반적으로 과거의 해빙 예측은 해빙-해양-대기 인자를 이용한 통계 또는 수치모델 기반으로 이루어졌으나, 최근 인공지능 기반의 해빙 예측 연구가 증가하고 있고 기존 전통적 방법을 통한 예측 성능과 비교 시 유사하거나 능가하는 결과를 보여주면서 관심도가 증가하고 있다. Chi and Kim (2017)은 최초로 순환신경망의 일종인 long- and short-term memory (LSTM) 기반의 단기 북극 해빙 예측 모델을 제안하였다. 해당 연구에서는 위성 관측 북극 해빙 농도의 시계열 자료만을 이용하여 인공지능 모델이 기존 통계, 수치기반 예측 모델과 비교 가능한 수준의 예측 성능을 제시할 수 있다는 가능성을 보여주었다. Kim et al. (2018)은 딥러닝 기반의 다중모델 앙상블 기법을 통해 10–20년의 장기 예측 연구를 수행하였고, Choi et al. (2019)은 재귀신경망(recursive neural network) 기반의 모델과 해빙 면적, 공간위치 정보를 추가적으로 이용하여 15일 단기 예측 연구를 수행하였다. Kim et al. (2020)은 합성곱 신경망(convolutional neural network, CNN)을 기반으로 다양한 해빙, 해양, 대기 변수들을 이용하여 1개월 예측을 수행하였고, Andersson et al. (2021)은 시기별 50개의 해빙, 해양, 대기 등의 변수를 이용하여 6개월을 예측할 수있는U-Net기반의IceNet을제안하였다.Liu et al.(2021)의 연구에서는 일간 해빙 예측을 위해 CNN과 LSTM을 결합한 형태인 convolutional LSTM (ConvLSTM) 모델 (Shi et al., 2015)을 이용하여 북동항로에서의 지역적 변화 예측에 더 효과적인 것을 보여주었다. Chi et al. (2021)은 서로 다른 해빙 변화의 특징을 학습할 수 있는 두 개의 ConvLSTM 모델을 연결한 two-stream ConvLSTM (TSConvLSTM)을 제안하여 6개월 해빙 변화를 예측하였다. 해당 연구에서는 Visual Geometry Group (VGG)16 구조에서 추출되는 특징맵을 이용한 인지기반의 손실함수를 사용함으로써 예측된 해빙 분포의 형태를 개선하였다.

특히 TS-ConvLSTM은 가장 진보적인 모델 구조와 손실함수를 써서 북극 해빙 예측에 있어 향상을 보여주었지만, 모델 성능 검증이 2020년 1년 자료에 대해서만 이루어져서 장기 자료에 대한 면밀한 검증이 필요하다. 본 연구에서는 TS-ConvLSTM의 예측 성능을 2001–2021년 장기 데이터에 적용하여 학계 및 산업계에서 관심이 큰 북극 해빙의 면적이 최소가 되는 9월에 대해 1–4개월 전예측 성능을 비교함으로써 해당 예측모델의 안정성 평가와 더불어 향후 운용 가능한 예측 모델로써의 발전 가능성을 평가하고자 한다. 또한 세계 최대의 해빙 예측 네트워크인 Sea Ice Prediction Network (SIPN: https://www.arcus.org/sipn)에 제출된 북극해 9월 해빙 면적 예측 자료인 Sea Ice Outlook (SIO)과의 비교를 통해 TSConvLSTM 예측 모델의 현 위치를 확인하고자 한다.

2. 연구 방법

1) 북극 해빙 예측 모델

본 연구에서 사용한 TS-ConvLSTM 모델은 두 개의 ConvLSTM 모델이 결합한 형태로 각 구조별로 해빙 분포의 전역적, 지역적 변화 특징을 학습할 수 있는 구조로 제안되었다(Chi et al., 2021). 해당 연구에서 성능 비교 분석 결과 TS-ConvLSTM은 기존에 제안되었던 LSTM이나 ConvLSTM 보다 우수한 예측 성능을 보여주었고, 기존에 딥러닝 모델에서 일반적으로 사용되는 L1, L2 손실함수보다 VGG 구조를 통한 특징맵을 이용한 인지기반의 손실함수가 예측된 해빙 분포에 대해 시각적으로 더 우수한 성능을 보여주었다. 또한 해당 연구에서는 해빙 예측을 위한 입력 변수 역시 해빙의 면적, 온도, 바람 등의 변수에 크게 영향을 받지 않고, 해빙 농도(Sea Ice Concentration)와 이상치(anomaly) 값 만을 사용했을 경우 예측 간 변동성이 가장 적은 안정적인 모델 성능을 확인할 수 있었다. 따라서 본 연구에서는 Chi et al. (2021)의 연구에서 최종적으로 제안된 TS-ConvLSTM 모델에 과거 12개월 해빙 농도와 이상치 값, 그리고 인지기반의 손실함수를 적용한 모델을 사용하여 9월 북극 해빙 예측 장기 성능 검증을 수행하였다. Fig. 1(a)는 본 연구에서 사용한 북극 해빙 예측을 위한 TS-ConvLSTM의 세부구성을 보여주고 있으며, Fig. 1(b)는 sequence-to-sequence 시계열 예측을 위한 전체 흐름을 보여준다. 네트워크의 각 구성에 대한 형태는 Fig. 1(a)에 나타나 있으며, 입력변수인 해빙 농도 자료는 National Snow and Ice Data Center (NSIDC: https://www.nsidc.org)에서 제공하는 25 km 극좌표 그리드 형태의 자료인 NSIDC-0051 산출물과 1981년부터 2010년까지 장기 평균으로부터의 이상치 값을 계산하여 사용했다(Fig. 2). 미래 6개월 예측을 위해 직전 12개월의 해빙 농도, 이상치 값을 이용하였기에 입력과 출력 자료는 각각 12×448×304×2 (시계열×영상 높이×영상 폭×변수)와 6×448×304×2의 형태로 구성하였다. 모든 입력자료에서 육지, 해안선 등은 0으로 마스킹 처리, 북극점의 위성 미관측 결측자료는 해빙농도 100%로 가정하여 모델 훈련에 사용하였고, 해당 지역은 예측 수행 후 원래 값으로 복원하여 통계적 정확도 산출 및 시각적 분석에 사용하였다.

Fig. 1. Architecture of two-stream convolutional long- and short-term memory (TS-ConvLSTM): (a) detailed block of TS-ConvLSTM and (b) overall pipeline of TS-ConvLSTM for sequence-to-sequence predictions.

Fig. 2. Examples of input data: (a) sea ice concentration and (b) sea ice concentration anomaly. All images are mapped onto a 25 km polar stereographic grid.

훈련 자료가 모델에 노출되는 것을 방지하기 위해 예측 연도 직전 해까지 만의 자료를 모델 훈련에 사용하였다. 예를 들어 2001년도 예측을 위해서는 1979년부터 2000년까지의 자료를, 2021년도 예측을 위해서는 1979년부터 2020년까지의 자료를 사용하여 각 연도별 모델을 훈련하였다.

2) 북극 해빙 농도 및 면적 예측의 장기 검증

본 연구에서는 북극 해빙 변화 예측 결과의 장기 검증을 위해 2001년부터 2021년까지 예측된 해빙 농도와 해빙 면적 측면에서 통계적 검증을 수행하였다. 먼저 TS-ConvLSTM 모델에 의해 예측된 해빙 농도의 정확도 검증을 위해 위성 관측 해빙 농도 자료를 이용하여 평균 제곱근 오차(root mean square error, RMSE)와 재현율(recall)과 정밀도(precision)의 조화 평균인 F1-score (식 (1))를 비교하였다.

\(\begin{aligned}F1-score=2\times \frac{Precision \times Recall}{Precision + Recall}\\ Precision = \frac{True positives}{True positives + False positives} \\ Recall = \frac{True positives}{True positives + False negatives} \end{aligned}\)       (1)

특히 F1-score의 경우 비교적 산출과 예측이 어려운 해빙 농도 5–50% 구간의 해빙(Chi et al., 2019)에 대해 해빙 면적 산출 시 해빙 존재 여부에 사용되는 임계값인 해빙 농도 15% 기준으로 정확도를 평가하였다. 이는 예측된 해빙과 물 경계의 형태에 대한 정확도 정보를 제공할 수 있을 것으로 기대한다. 본 실험에서는 RMSE와 F1-score의 연도별 평균 변화, 예측 선행시간(lead-time)별 평균 변화와 함께 예측 오차의 선행시간별 공간 분포에 대한 분석을 수행하였다. 여기서 예측 선행시간은 예측 결과의 발표일로부터 예측된 각 시점까지의 예측 수행시간을 의미한다.

SIPN에서는 북극 해빙이 최저를 보이는 9월에 대해 전 세계 다양한 해빙 예측 모델을 이용하여 예측한 결과인 SIO를 6월, 7월, 8월, 9월 1일 기준으로 취합하여 보고하고 있다(Bhatt et al., 2022). 예를 들어 6월 SIO는 5월까지의 자료 기준이며, 9월 SIO는 8월까지의 자료를 기준으로 한 9월 북극 해빙 면적 예측치이다. 따라서 본 연구에서는 매월 발표되는 SIO가 각각 4개월, 3개월, 2개월, 1개월의 예측 선행시간을 의미한다. SIO는 2008년부터 SIPN에서 발표하고 있으며, 과거 6월, 7월, 8월 SIO를 수집하였지만, 2021년부터 9월 SIO가 추가되었다. Fig. 3은 연도별 매월 제출되는 SIO의 평균 개수로 지구 온난화와 북극 해빙 예측에 대한 관심도가 증가하면서 매년 제출되는 SIO의 수는 점차 증가하고 있다. 특히 2017년 인공지능 기반의 해빙 예측 연구(Chi and Kim, 2017)가 발표된 이후, 인공지능 기반의 예측 모델을 이용한 SIO가 최근 많이 제출되고 있으며, 우리나라도 2021년부터 결과를 제출하고 있다.

Fig. 3. The number of monthly average Sea Ice Outlook (SIO) contributors submitted to Sea Ice Prediction Network.

하지만 각 예측 그룹의 예측 결과는 단순 그림 또는 예측한 해빙 면적 값 만을 제공하기에 개별 모델들의 공간적인 분포를 직접적으로 확인하거나 비교하기 어려워 모든 예측 그룹이 공통적으로 제공한 해빙 농도가 15% 이상인 지역에 대한 해빙 면적 값의 중간값을 이용해 TS-ConvLSTM 모델 결과와 비교를 수행하였다. 또한 연도별 9월 해빙 면적의 크기가 다르기에 절대적인 해빙 면적의 비교와 더불어 관측값과 예측값 사이의 상대적 오차를 연도별 평균 변화와 예측 선행시간에 따른 평균 변화를 비교하였다.

3. 연구 결과

1) TS-ConvLSTM 모델의 장기 예측 성능 검증 (2001–2021)

Fig. 4는 2001년부터 2021년까지의 9월에 위성에서 관측된 북극 해빙 면적과 추세선에 관한 그림이다. 연도별로 차이는 있지만 추세선 상 2001년부터 북극의 9월 해빙 면적은 지구 온난화로 인해 전반적으로 빠르게 줄어들고 있다. 특히 2007년과 2012년에는 위성 관측 이래 최저 해빙 면적을 기록하면서 추세선을 크게 벗어난 경향을 보여주었고, 2020년에는 역대 두 번째 최저 해빙 면적을 기록하고 있다. 대다수의 해빙 예측의 경우 시계열 예측의 특성상 직전 해 같은 시기 또는 직전 월 정보가 예측 정확도에 큰 영향을 미친다(Andersson et al., 2021; Chi and Kim, 2017; Chi et al., 2021; Kim et al., 2020). 하지만 2013년과 같이 직전 해에 최저 면적을 보인 후 50% 가까이 급증하는 등 그 변화의 폭을 예측하기 매우 어렵다.

Fig. 4. September Arctic sea ice extent change from 2001 to 2021.

Fig. 5와 Fig. 6은 각각 2001년부터 2021년까지 TSConvLSTM 모델로부터 얻은 예측 결과와 실제 관측값 사이의 RMSE와 F1-score이다. Fig. 5(a)의 연도별 RMSE 변화의 경우 연도별 편차가 보인다. 특히 직전 해에 비해 북극 해빙 면적의 큰 변화를 보여준 2007년과 2013년의 경우 다른 해에 비해 모델의 정확도가 크게 낮아진 것을 볼 수 있다. 이는 직전 자료에 큰 의존을 하는 시계열 예측 모델의 특징이라 볼 수 있다. 하지만 연도별 RMSE 변화의 추세선을 보듯이 전반적인 예측 성능은 좋아진다고 말할수 있다. 이는 시간이 지나면서 훈련 자료의 양이 늘어나 더 많은 변화 패턴을 모델이 학습하기 때문이라 볼 수 있다. 예를 들어, 2001년 예측 모델의 경우는 과거 22년 자료를 이용하여 학습된 모델인데 반해, 2021년 예측 모델은 과거 42년 자료가 훈련에 사용되었다. Fig. 5(b)는 예측 선행시간별 예측 정확도 비교로, 선행시간이 줄어들수록 예측 성능이 향상되는 것을 확인할 수 있다. 특히 8월까지의 관측 자료를 사용한 9월 예측의 경우 6–8월 예측보다 정확도가 크게 향상된 것을 보여주는데, 이는 직전 월의 관측자료가 모델 예측 결과에 있어 매우 결정적인 역할을 한다고 볼 수 있다.

Fig. 5. Root mean square errors (RMSEs) according to (a) year and (b) lead-time.

Fig. 6. F1-scores according to (a) year and (b) lead-time.

Fig. 6의 F1-score의 경우 값이 클수록 정확도가 높아지는 걸 의미하는데, Fig. 6(b)에서 보듯이 예측 선행시간이 줄어들면서 예측 정확성이 크게 좋아지는 경향과 9월 SIO에서의 큰 향상은 RMSE와 유사하다. 하지만 연도별 F1-score의 변화의 경우 Fig. 6(a)와 같이 2010년 이후 변화폭이 더욱 심해지며 RMSE와 달리 정확도가 연도별로 오히려 감소하는 경향을 보이고 있다. 이는 F1-score 계산에 사용된 5–50% 해빙 농도 값을 가지는 단년생 해빙에 대한 예측력이 급격한 지구 온난화로 인해 갈수록 어려워 지고 있다는 것을 설명할 수 있다.

이러한 예측 오차들은 예측 선행시간 별 평균 RMSE 값의 공간분포를 보여주는 Fig. 7에서 확인할 수 있다. 해당 그림에서 보듯이 앞선 실험 결과와 같이 선행시간이 줄어들면서 전반적인 RMSE의 값이 줄어들고 있고, 특히 중앙북극해(Central Arctic Ocean) 주변의 다년생 해빙 지역에서는 오차가 크지 않지만, 해양과 해빙의 경계 또는 단년생 해빙 지역에서는 RMSE값이 상대적으로 큰 것을 확인할 수 있다. 지구 온난화로 인해 다년생 해빙의 면적이 크게 줄어들고 단년생 해빙 면적이 늘고 있는데(Chi and Kim, 2018; Kim et al., 2018) 이는 앞서 수행된 단년생 해빙에 대한 F1-score가 줄어드는 경향성을 설명할 수 있다.

Fig. 7. Spatial distribution of RMSE according to lead-time: (a) June, (b) July, (c) August, and (d) September.

2) Sea Ice Outlook과의 예측 성능 검증 (2008–2021)

본 검증에서는 SIO가 제출되고 있는 2008년부터 2021년까지 SIPN에 제출된 9월 북극 해빙 면적 예측 결과들의 중간값과 TS-ConvLSTM 모델을 이용하여 예측한 해빙 농도 기반으로 계산된 해빙 면적 값을 비교하였다. 해빙 농도 15% 기준으로 해빙 유무를 판단하는 해빙 면적의 경우 Fig. 8과 같이 앞선 관측과 예측간 해빙 농도의 RMSE값 비교와 정확도 경향이 일치하지는 않았다. 전반적으로 SIO 중간 예측값은 관측값에 비해 과소 추정이 되는 경향을 보여준 반면, TS-ConvLSTM의 경우 다소 과대 추정되는 경향을 보여주었다. 매년 제출되는 SIO의 경우 15–40개로 매우 다양한 예측 결과들이 제시되지만 그래프의 SIO 중간값을 보면 직전 년도 관측된 값을 많이 따라가는 경향을 보여주고 있다. 반면에 본 연구에서 검증하고자 하는 TS-ConvLSTM의 경우 해빙 면적을 비교적 잘 예측한 것을 확인할 수 있다. 이는 해당 모델의 경우 해빙 농도의 정량적인 양 비교가 아닌 단순히 해빙의 유무를 판단하는 면적 비교의 경우 문제가 더 단순화 되어 면적 예측 측면에서 정확성이 더 좋아진 것으로 판단된다.

Fig. 8. Comparison of September Arctic sea ice extent from 2008 to 2021.

매년 관측되는 해빙 면적의 차이가 비교적 크기 때문에 관측 해빙 면적과 예측 면적 사이의 상대적 오차를 연도별, 예측 선행시간 별로 Fig. 9에서 비교하였다. 먼저 SIO의 중간값의 경우 상대적 오차의 크기뿐만 아니라 연도별 변동성이 TS-ConvLSTM 예측 결과보다 크다 (Fig. 9(a)). 실질적으로 SIPN에 제출된 각 연구그룹별 SIO 결과를 보더라도 특정 모델 성능이 매번 우수하지 않고 모델간 예측 결과의 편차가 매우 심하며 최근 SIO 제출 수가 늘더라도(Fig. 3) 예측 중간값의 결과가 좋아지는 경향성은 보이지 않는다. 반면 본 연구에서 장기 예측 성능 검증을 위한 TS-ConvLSTM 모델의 경우 2008, 2012, 2020년과 같이 북극 해빙 면적이 최저를 보인 해 또는 그 다음해에서 예측 결과가 예년보다 좋지 않았지만 전체적으로 훈련 자료가 늘어날수록 상대적 오차가 줄어드는 경향성을 보여주고 있다. 예측 선행시간에 따른 예측 정확도 역시 TS-ConvLSTM이 SIO 중간값보다 전반적으로 좋은 예측력을 보여주었고, SIO 중간값, TS-ConvLSTM 모두 선행시간이 줄어들면서 정확도가 좋아지는 경향을 보여주었다(단, 9월 SIO 중간값의 경우 2021년부터 자료가 수집되어 표본수가 적음).

Fig. 9. Relative errors between observed and predicted September Arctic sea ice extent by SIO median and TS-ConvLSTM according to (a) year and (b) lead-time.

4. 결론

본 연구에서는 북극 해빙의 시계열적 변화와 공간적 변화를 학습할 수 있는 TS-ConvLSTM 모델에 대해 2001년부터 2021년까지 북극 해빙 면적이 최소가 되는 9월 예측 성능 검증과 함께 2008년부터 시작된 SIPN에 제출된 9월 해빙 면적 예측 결과인 SIO와 비교함으로써 향후 운용 가능한 모델로써의 성능을 평가하였다. TSConvLSTM은 인공지능 모델의 특성상 시간이 지날수록, 훈련자료의 양이 많아질수록 해빙 예측 성능이 점차 향상되었다. 하지만 과거 자료, 특히 직전 해의 자료에 크게 의존하는 예측 모델의 특성상 해빙 면적이 최소를 기록한 해 또는 1년 사이에 해빙의 면적이 급격히 줄거나 늘어난 해와 같이 과거 학습하지 못한 해빙 변화 패턴을 접했을 경우 다른 해보다 예측에 어려움을 보여주었다. 또한 산출뿐만 아니라 예측이 어려운 해빙농도 5–50% 구간에 대한 정확도는 지구 온난화로 인한 단년생 해빙의 비율이 높아지면서 예측이 어려워지는 경향을 보여주었다. 모든 예측 모델이 그러하듯 예측 선행시간이 줄어들면서 예측력은 좋아졌으며, 해빙처럼 여러 가지 환경의 영향을 크게 받는 정보의 경우 선행시간에 따른 예측 성능 개선은 더욱 컸다.

북극 9월 해빙은 급격한 지구온난화로 인해 그 면적은 위성 관측이 시작된 1979년 이래로 절반으로 줄었으며, 환경변화로 인해 예측을 매우 어렵게 하고 있다 (Andersson et al., 2021; Serreze and Meier, 2019). SIPN에서도 최근 매월 30개 내외의 SIO가 제출되지만 그 결과 사이의 편차는 매우 크다. 예를 들어, 492만 km2를 기록한 2021년 9월 북극 해빙 면적의 경우 한 해 제출된 SIO의 수는 160개이지만 예측 결과는 약 370–520만 km2로 편차가 매우 심하다(Bhatt et al., 2022). 비록 본 연구에서 장기 검증에 사용한 인공지능 기반의 TS-ConvLSTM 모델이 SIO 예측 결과의 중간값 보다는 우수한 성능을 보여주었으나, 특히 변수가 많은 북극 환경에서의 해빙 변화 예측의 경우 항상 우수하다고 단정할 수는 없다. 이를 보완하기 위해서는 기존 연구들에서도 많이 다루어졌지만(Andersson et al., 2021; Chi et al., 2021; Kim et al., 2020), 다양한 해빙-해양-대기간 변수들의 상관성을 좀 더 종합적으로 분석하여 활용할 필요가 있고, 여전히 다양한 시공간적 해빙 변화 패턴을 학습하는데 부족한 학습 자료를 위해 적대적 생성 신경망(generative adversarial networks) (Goodfellow et al., 2014) 등을 통한 가상의 시공간 자료 생성 연구도 향후 연구주제로써 고려할 필요성이 있다.

그럼에도 불구하고, TS-ConvLSTM 모델의 성능은 시간이 지남으로써 전반적으로 향상되고 있으며, 비교적 안정적인 예측 결과를 보여주고 있다. 이는 향후 연구 및 산업 등 현업에서 운용 가능한 북극 해빙 예측 시스템으로써 활용될 수 있는 가능성을 보여준다. 또한, TSConvLSTM 모델의 경우 해빙뿐만 아니라 유사한 시공간 자료 형태를 가진 해양, 대기와 관련된 환경 변수의 예측에도 활용될 수 있을 것으로 기대한다.