[논문 리뷰] Understanding cirrus clouds using explainable machine learning

Kai Jeggle, David Neubauer외 2명|arXiv (Cornell University)|2023. 01. 01.

Atmospheric aerosols and clouds인용 수 5

한 줄 요약

이 연구는 설명 가능한 기계학습—특히 SHAP 해석성을 갖춘 XGBoost 및 LSTM 모델—을 사용하여 위성 및 재분석 데이터에서 고체화된 구름의 얼음 수분 함량(IWC)과 얼음 결정 농도(Ni)를 예측한다. 기상 및 에어로졸 조건이 분산의 49%를 설명함(R² = 0.49)을 확인하였으며, 기상 기록의 마지막 15시간이 가장 예측력이 높았고, 먼지 농도가 2 × 10⁻⁴ mg m⁻³ 이상일 경우 Ni가 감소함을 정량화하여 고체화된 구름 미세구조의 핵심 물리적 원인을 규명하였다.

ABSTRACT

Cirrus clouds are key modulators of Earth's climate. Their dependencies on meteorological and aerosol conditions are among the largest uncertainties in global climate models. This work uses three years of satellite and reanalysis data to study the link between cirrus drivers and cloud properties. We use a gradient-boosted machine learning model and a Long Short-Term Memory (LSTM) network with an attention layer to predict the ice water content and ice crystal number concentration. The models show that meteorological and aerosol conditions can predict cirrus properties with $R^2 = 0.49$. Feature attributions are calculated with SHapley Additive exPlanations (SHAP) to quantify the link between meteorological and aerosol conditions and cirrus properties. For instance, the minimum concentration of supermicron-sized dust particles required to cause a decrease in ice crystal number concentration predictions is $2 imes 10^{-4}$ mg m extsuperscript{-3}. The last 15 hours before the observation predict all cirrus properties.

연구 동기 및 목표

• 기상 및 에어로졸 조건이 고체화된 구름의 미세구조적 특성(IWC 및 Ni)에 미치는 영향을 정량화하는 것.
• 기계학습 및 설명 가능한 인공지능(XAI)을 활용해 고체화된 구름의 주요 원인을 규명함으로써 기후 모델의 정확도를 향상시키는 것.
• 특히 상승기류와 시간에 따른 에어로졸 노출의 역할을 고려하여 기상 기록의 시간적 영향을 분석하는 것.
• SHAP 값으로 모델 예측을 해석하고, 원인 요소와 고체화된 구름 특성 간의 물리적으로 의미 있는 관계를 추출하는 것.

제안 방법

• 즉각적인 위성 및 재분석 데이터를 기반으로 기울기 부스팅 XGBoost 회귀 모델을 훈련하여 IWC 및 Ni를 예측하였다.
• 48시간 라그랑주 역추적 경로를 고려한 시간적 의존성을 모델링하기 위해 어텐션 메커니즘을 갖춘 LSTM 네트워크를 개발하였다.
• DARDAR-Nice 고체화된 구름 관측 자료에서 48시간 라그랑주 역추적 경로를 계산하기 위해 LAGRANTO를 사용하였으며, 각 경로를 따라 기상 및 에어로졸 변수를 추적하였다.
• 시기, 지역, 지표면 고도, 육상/해양 마스크를 포함한 시간적, 공간적, 범주형 특징을 통합하였다.
• 모든 입력 변수가 모델 예측에 기여하는 정도를 측정하기 위해 Shapley Additive exPlanations(SHAP)를 적용하였다.
• 입력 값의 변화에 대한 안정성과 신뢰도를 평가하기 위해 안정성 지표(RIS, ROS)를 사용하고, 평균 대체 방법을 활용한 점진적 특징 제거를 통한 충실도 평가를 실시하였다.

실험 결과

연구 질문

• RQ1 기상 및 에어로졸 변수 중 고체화된 구름의 얼음 수분 함량(IWC)과 얼음 결정 농도(Ni)에 가장 강하게 영향을 주는 것은 무엇인가?
• RQ2 기계학습을 사용할 때 기상 및 에어로졸 조건이 IWC 및 Ni의 변동성 중 얼마나 많은 비율을 설명할 수 있는가?
• RQ3 특히 마지막 15시간의 기상 기록이 고체화된 구름 특성에 미치는 시간적 영향은 어떠한가?
• RQ4 특정 에어로졸 농도, 예를 들어 초미세먼지의 경우 Ni 예측에 어떤 영향을 미치며, 어떤 임계값이 유의미한 변화를 유도하는가?
• RQ5 SHAP 기반 설명이 원인 요소와 고체화된 구름 미세구조 간의 물리적으로 해석 가능한 관계를 얼마나 잘 드러내는가?

주요 결과

• 기계학습 모델은 IWC 및 Ni 예측에서 R² = 0.49를 달성하여 기상 및 에어로졸 입력 요소로부터 중간 정도이지만 의미 있는 예측 능력을 보였다.
• 고체화된 구름 관측 이전의 마지막 15시간 기록이 모든 고체화된 구름 특성을 예측하는 데 가장 중요한 것으로 밝혀져, 구름 형성 과정에서 강한 시간 기억성이 존재함을 시사하였다.
• 예측된 얼음 결정 농도(Ni)에 유의미한 감소 효과를 유도하기 위해 초미세먼지 입자 농도가 최소 2 × 10⁻⁴ mg m⁻³ 이상이 필요함을 확인하였다.
• SHAP 분석 결과, 상승기류 속도와 온도가 IWC 및 Ni에 가장 영향력 있는 예측 변수로 규명되었으며, 이는 알려진 물리적 메커니즘과 일치하였다.
• 특징 기여도 방법은 높은 안정성과 충실도를 보였으며, RIS 및 ROS 점수는 입력 변화에 대한 저항성 있는 설명을 제공함을 시사하였다.
• 라그랑주 역추적 경로의 통합이 구름 형성 이전의 환경 조건의 변화를 반영함으로써 모델 성능을 크게 향상시켰다.