머신러닝과 광학적 수질 분류기반 동중국해 pCO2 추정 및 시공간적 패턴 분석 (2003—2023) = Machine Learning-based pCO2 Estimation from Optical Water Classification in the East China Sea: Spatiotemporal Patterns from 2003 to 2023

국문 초록 (Abstract)

동중국해 (East China Sea, ECS)의 해수 표면 이산화탄소 분압 (partial pressure of carbon dioxide, pCO2)을 원격탐사를 활용하여 정확히 추정하는 것은, 이 해역의 복잡한 광학적 특성으로 인해 어려움을 겪어 왔다. 이러한 공간적 이질성은 맑은 해역 (Case I)과 탁한 해역 (Case II)의 서로 다른 생지화학적 메커니즘을 기존의 단일 알고리즘이 평균화함으로써, 추정 오차를 유발한다. 특히 Case II 해역에서의 높은 pCO2가 과소평가 되어 편향이 발생하는 것으로 알려져 있다. 본 연구에서는 이러한 문제를 해결하기 위해, MODIS (Moderate Resolution Imaging Spectroradiometer)위성의 555nm 정규화 수면 방출 복사휘도 (nLw555)를 사용하여 ECS를 Case I과 Case II로 분류하는 개선된 접근 방법을 제안한다. 2003년부터 2023년까지의 데이터를 기반으로 최적화된 머신러닝 알고리즘인 CatBoost (Categorical Boosting)을 훈련하였다. 이 알고리즘은 우수한 정확도를 나타냈으며 (R2 = 0.93, RMSE = 12.59 µatm), 이러한 이중 시스템 접근 방법은 기존 알고리즘에 비해 추정 오차를 약 60%이상 감소시켰다 (Case II). 산출한 pCO2 시계열을 기반으로 Ensemble Empirical Mode Decomposition (EEMD) 분석 결과 두 수괴는 Pacific Decadal Oscillation (PDO)나 El Niño–Southern Oscillation (ENSO)같은 장기 기후 패턴에 다른 결과를 보인다. Case I은 주로 thermodynamic effect로 SST의 변동에 제어되며, Case II 해역은 물리적 혼합 (몬순)과 강물 유입에 의해 좌우됨을 확인하였다. Case II 해역에서 계절적인 CO2 방출이 있음에도 불구하고, ECS 전체는 순 흡수원 (-2.31 mmol m-2 day-1)로 기능함을 확인 했다. 이러한 결과는, 해역의 광학적 특성을 고려한 분류가 복잡한 연안 해역의 탄소 순환을 보다 정확히 규명하는 데 필수적임을 시사한다.

다국어 초록 (Multilingual Abstract)

Accurate estimation based on remote sensing of the sea surface partial pressure of carbon dioxide (pCO2) in the East China Sea (ECS) has been hindered by its optical complexity. For estimation algorithms, this heterogeneity causes conventional single-system algorithms to fail, as they improperly average the fundamentally different biogeochemical mechanisms governing clear (Case I) and turbid (Case II) waters. This averaging is known to produce significant biases, especially by underestimating high pCO2 in turbid coastal zones. This study presents an improved approach that first classifies the ECS into Case I and Case II waters using normalized water-leaving radiance at 555nm (nLw555) from the Moderate Resolution Imaging Spectroradiometer (MODIS). An optimized machine learning algorithm, Categorical Boosting (CatBoost), was trained on data from 2003-2023. The algorithm achieved high accuracy, yielding a coefficient of determination (R2) of 0.93 and a root mean square error (RMSE) of 12.59 µatm. This dual-system approach reduced estimation errors by over 60% compared to conventional algorithms, with substantial improvements in the turbid Case II region. The analysis confirms that the two water masses operate as distinct systems with different responses to drivers like the El Niño–Southern Oscillation (ENSO). Case I is predominantly controlled by thermodynamic effects, while Case II is governed by physical mixing and riverine inputs. Despite seasonal outgassing from Case II, the overall ECS functions as a net CO2 sink (-2.31 mmol m-2 day-1). Our findings demonstrate that optical classification is a critical step for accurately resolving carbon dynamics in heterogeneous coastal margins.

목차 (Table of Contents)

• 1. 서론 1
• 2. 자료 및 방법 4
• 2.1. 현장 관측 pCO2 자료 수집 4
• 2.2. 위성 자료 및 모델 자료 5
• 2.3. pCO2 산출 알고리즘 설계 8
• 2.3.1. 기본 입력변수 (SST, SSS, Chl-a, Rrs bands, Kd490, PAR) 8
• 2.3.2. 온도효과만을 고려한 대기 평형 변수 (pCO2,therm) 8
• 2.3.3. Water Case 분류 9
• 2.4. pCO2 산출 알고리즘 11
• 2.4.1. Typical machine-learning algorithm 11
• 2.4.2. 학습 및 검증 데이터 분할 12
• 2.4.3. 모델 학습 및 하이퍼 파라미터 최적화 12
• 2.5. 모델 성능 평가 14
• 2.6. Residual pCO2 14
• 2.7. 앙상블 경험적 모드 분해법 (EEMD) 15
• 2.8. 다중 규모 기후 변동 데이터 16
• 2.8.1. ENSO와 PDO 데이터 16
• 2.8.2. East Asian Summer Monsoon Index (EASMI) 16
• 2.9. 통계적 인과성 (Granger causality) 17
• 2.10. 공간 상관 분석 17
• 2.11. Air Sea CO2 Flux 17
• 3. 결과 18
• 3.1. 알고리즘 결과 18
• 3.1.1. pCO2 산출 알고리즘 선정 18
• 3.1.2. 설명가능한 인공 지능 알고리즘 (XAI) 21
• 3.2. 알고리즘 기반 pCO2의 시공간적 분포 23
• 3.3. ECS pCO2의 시공간적 패턴 분석 25
• 3.3.1. 두 수괴의 pCO2 변동성의 동시성 및 시간 지연 분석 25
• 3.3.2. ECS pCO2의 EEMD 결과 25
• 3.3.3. 계절 변동 성분 28
• 3.3.4. 중장기 변동 성분과 장기 추세 35
• 3.3.4.1. PDO와 위상별 ENSO 통계적 인과 35
• 3.3.4.2. PDO 위상 별 ENSO 조건에 따른 몬순과 영향 35
• 3.3.4.3. 장기추세 38
• 3.3.4.4. pCO2 변동 제어 요인들의 공간적 분포 38
• 3.4. Air Sea Flux 39
• 4. 토의 42
• 4.1. 본 연구 알고리즘과 선행 알고리즘들 비교 42
• 4.2. 양쯔강 방류수에 대한 Case I, II의 pCO2변동 반응 44
• 4.2.1. 공통적인 제어 요인 (SST)과 Thermodynamic effect 44
• 4.2.2. 비온도적 요인에서 메커니즘 차이 (SSS) 44
• 4.2.3. 영양염 공급원이 주도하는 Case I의 생물펌프 45
• 4.2.4. 고농도의 CO2 공급원이 주도하는 Case II의 물리적 펌프 45
• 4.2.5. 몬순에 의한 수직적 물리 과정과 용승의 이중성 (Wind Stress Curl) 46
• 4.3. 중장기 변동성 (Interannual to decadal variability)의 복합적 제어 47
• 4.3.1. Case I: 해양 경로의 기후변동 패턴의 배경 47
• 4.3.2. Case II: 대기의 원격상관 48
• 4.4. Air Sea Flux의 시공간적 차이 및 전 지구 비교 49
• 4.5. 광학 유형별 모델링이 지역 탄소 수지 추산에 미치는 영향 50
• 5. 결론 및 요약 51
• 참고문헌 53
• 6. 부록 65
• 6.1. Appendix A 65
• 6.2. Appendix B 68
• Abstract 69