[논문 리뷰] Artificial Intelligence for Prediction of Climate Extremes: State of the art, challenges and future perspectives

Stefano Materia, Lluís Palma García외 8명|arXiv (Cornell University)|2023. 10. 03.

Meteorological Phenomena and SimulationsEarth and Planetary Sciences인용 수 3

한 줄 요약

이 논문은 기후 극단을 예측하는 데 인공지능(AI)을 사용하는 최신 기술 동향을 검토하며, 기계 학습과 기후 모델을 융합한 하이브리드 모델이 예측 정확도를 향상시키는 데 기여함을 강조한다. 데이터 품질, 모델 해석 가능성, 재현 가능성과 같은 주요 과제를 규명하면서도 신뢰할 수 있는 AI 기반 기후 예측을 위한 최선의 실천 방법과 향후 방향성을 제안한다.

ABSTRACT

Scientific and technological advances in numerical modelling have improved the quality of climate predictions over recent decades, but predictive skill remains limited in many aspects. Extreme events such as heat and cold waves, droughts, heavy rain and storms are particularly challenging to predict accurately due to their rarity and non-linear chaotic nature, and because of model limitations. However, recent studies have shown that predictive skill of extremes can be increased when using more sophisticated approaches, indicating that there might be systemic predictability that is not being leveraged. Recently, numerous studies have been devoted to the exploitation of Artificial Intelligence (AI) to study the predictability and make predictions of weather and climate. AI techniques have shown great potential to improve the prediction of extreme events and uncover their links to large-scale and local drivers. Machine and deep learning, causal discovery, explainable AI, are only some of the approaches that have been tested to both improve our understanding of the processes underlying predictability and enhance prediction skill of extreme events. Results are promising, especially for hybrid predictions that combine the AI, which can reveal and exploit unknown spatio-temporal connections from data, and climate models, that provide the theoretical foundation and interpretability of the physical world. On the other hand, challenges are multiple in many aspects, from data curation to model uncertainty and generalizability, to the reproducibility of methods and workflows. A few best practices are identified to increase trust in these novel techniques, and future perspectives are envisaged for further scientific development.

연구 동기 및 목표

• 기온 폭등, 가뭄, 폭풍과 같은 기후 극단 예측에 응용되는 AI 기술의 현재 상태를 평가하는 것.
• 비선형 역학과 희귀 사건 예측과 관련된 기존 기후 예측 모델의 한계를 규명하는 것.
• 기후 데이터 내 숨겨진 시공간 패턴을 파악함으로써 AI 기법이 예측 정확도를 향상시킬 수 있는 방식을 평가하는 것.
• AI 기반 기후 모델링에서 데이터 관리, 모델 일반화 능력, 재현 가능성과 같은 과제를 다루는 것.
• 신뢰성 있고 설명 가능하며 상호운용 가능한 AI를 기후 과학에 적용하기 위한 최선의 실천 방법과 향후 연구 방향을 제안하는 것.

제안 방법

• 기계 학습, 딥 러닝, 인과 발견 기법을 활용한 최근 연구를 대상으로 한 체계적 문헌 검토.
• 데이터 기반 패턴 인식과 물리적 이론적 제약 조건을 동시에 활용하는 하이브리드 예측 시스템을 구축하기 위해 AI 모델과 물리 기반 기후 모델을 통합하는 것.
• AI가 생성한 예측에 대한 해석 가능성과 신뢰도를 향상시키기 위해 설명 가능한 AI(XAI) 기법을 적용하는 것.
• 기온 폭등, 강수량 폭증, 가뭄과 같은 다양한 극단 기상 현상에 대한 모델 성능 평가.
• 기후 과학 분야의 AI 워크플로우에서의 데이터 품질, 모델 불확실성, 재현 가능성 과제 분석.
• 과학적 엄밀성을 향상시키기 위해 데이터 전처리, 모델 검증, 투명한 보고 방식과 같은 최선의 실천 방법 규명.

실험 결과

연구 질문

• RQ1 기존 모델 대비 AI 기법이 비선형적이고 희귀한 기후 극단 예측에 어떻게 기여할 수 있는가?
• RQ2 특히 데이터 품질, 일반화 능력, 재현 가능성과 관련하여 AI를 기후 예측에 적용할 때의 주요 과제는 무엇인가?
• RQ3 하이브리드 AI-기후 모델링 접근 방식은 예측 정확도와 물리적 해석 가능성 양면에서 어떻게 향상시킬 수 있는가?
• RQ4 설명 가능한 AI(XAI) 기법은 AI 기반 기후 예측의 신뢰도와 투명도를 어떻게 향상시킬 수 있는가?
• RQ5 기후 연구 분야에서 강력하고 재현 가능하며 과학적으로 타당한 AI 응용을 보장하기 위해 수립할 수 있는 최선의 실천 방법은 무엇인가?

주요 결과

• 기계 학습과 물리 기후 모델을 융합한 하이브리드 모델을 포함한 AI 기법은 기후 극단 예측 정확도 향상에 매우 유망한 잠재력을 보이고 있다.
• 기계 학습 및 딥 러닝 기법은 전통적 모델이 간과할 수 있는 기후 데이터 내 복잡한 시공간적 관계를 효과적으로 파악한다.
• 인과 발견 기법은 극단 사건의 대규모 및 지역적 원인을 규명함으로써 과정 이해와 예측 능력을 향상시킨다.
• 설명 가능한 AI(XAI) 기법은 모델의 해석 가능성을 향상시키고 AI 기반 기후 예측에 대한 신뢰를 지원한다.
• 진전이 있었음에도 불구하고, 데이터 관리, 모델 불확실성, 재현 가능성 과제는 여전히 남아 있으며, 표준화된 워크플로우의 필요성을 시사한다.
• 투명한 보고, 모델 검증, 개방형 데이터 공유와 같은 최선의 실천 방법은 기후 과학 분야에서 AI의 과학적 신뢰성과 확장 가능성을 확보하는 데 필수적이다.