Sea Surface pCO₂ and Its Variability in the Ulleung Basin, East Sea Constrained by a Neural Network Model

1 http://dx.doi.org/10.7850/jkso.2016.21.1.1

Free Access

신경망 모델로 구성한 동해 울릉분지 표층 이산화탄소 분압과 변동성

박소예나¹ · 이동섭² · 조영헌²

1부산대학교 지구환경시스템학부 해양학전공

2부산대학교 해양학과

Sea Surface pCO ₂ and Its Variability in the Ulleung Basin, East Sea Constrained by a Neural Network Model

S

P

, T

L

Y

-H

J

1Division of Earth Environmental System, Oceanography Major, the Graduate School, Pusan National University

2Department of Oceanography, Pusan National University

동해 표층 해수에서 측정한 이산화탄소 분압(pCO2)에 대해 기 확보된 자료는 해양-대기간 CO2 교환율을 정량화 하고자 통계 기법을 적용하기에는 부족한 편이다. 이를 보완하기 위해 위성자료를 이용하여 관측이 이루어지지 않은 해 역의 pCO2를 신경망모델을 이용하여 채워 넣는(mapping) 연구를 시도하였다. 본 연구는 동해에서 현장관측자료가 가장 많이 축적된 울릉분지를 대상으로 2003년부터 2012년까지의 표층pCO2자료와, Aqua 위성의 MODIS 센서로 관측한 해표면 온도(SST)와 엽록소(chlorophyll) 자료, 경위도 자료로 신경망모델을 구축하여 pCO2 분포도 작성과 변동성을 추정하고자 하였다. 신경망모델의 학습은 pCO2 관측자료와 모델결과값의 상관도가 95% 이상을 달성하도 록 하였다. 모델 결과의 평균제곱근오차(RMSE)는 19.2 µatm으로 관측자료의 변동 크기와 비교해서 훨씬 작은 수 준이었다. SST와 chlorophyll에 연관된 pCO2의 변동성을 살펴보면 chlorophyll 보다는 SST에 대해 더욱 강한 음의 상관 관계를 보였다. 모델이 출력한 pCO2의 변동성은 SST가 내려감에 따라 커지는 경향을 보였다. 15^oC 이하에서는 pCO₂ 변동성에 대한 SST와 chlorophyll의 기여도가 뚜렷하게 나타났다. 반면 SST가 15^oC 이상일 경우에는 pCO2

변동성은 SST와 chlorophyll의 변화에 대해 그리 민감하게 반응하지 않았다. 신경망모델 출력값으로 추정한 2003- 2014년 사이의 울릉분지 표층수의 연평균 pCO2 증가율은 0.8 µatm이었다. 신경망 모델이 울릉분지의 pCO2에 대해 이전 연구보다 해상력과 오차가 향상된 pCO2 채워넣기를 가능케 해 준 점에 비추어 볼 때 국제정세에 따라 전역 관 측이 수월하지 않은 동해의 탄소순환을 이해하는데 유용한 도구로 쓰일 수 있을 것으로 판단된다.

Currently available surface seawater partial pressure carbon dioxide (pCO₂) data sets in the East Sea are not enough to quantify statistically the carbon dioxide flux through the air-sea interface. To complement the scarcity of the pCO₂ measurements, we construct a neural network (NN) model based on satellite data to map pCO₂ for the areas, which were not observed. The NN model is constructed for the Ulleung Basin, where pCO₂ data are best available, to map and estimate the variability of pCO₂ based on in situ pCO₂ for the years from 2003 to 2012, and the sea surface temperature (SST) and chlorophyll data from the MODIS (Moderate-resolution Imaging Spectroradiometer) sensor of the Aqua satellite along with geographic information. The NN model was trained to achieve higher than 95% of a correlation between in situ and predicted pCO₂ values. The RMSE (root mean square error) of the NN model output was 19.2 µatm and much less than the variability of in situ pCO₂. The variability of pCO₂ with respect to SST and chlorophyll shows a strong negative correlation with SST than chlorophyll. As SST decreases the variability of pCO₂ increases. When SST is lower than 15^oC, pCO₂ variability is clearly affected by both SST and chlorophyll.

In contrast when SST is higher than 15^oC, the variability of pCO₂ is less sensitive to changes in SST and chlorophyll.

The mean rate of the annual pCO₂ increase estimated by the NN model output in the Ulleung Basin is 0.8 µatm yr^-1 from 2003 to 2014. As NN model can successfully map pCO₂ data for the whole study area with a higher resolution

Received January 7, 2016; Revised January 18, 2016; Accepted January 19, 2016

*Corresponding author: [email protected]

and less RMSE compared to the previous studies, the NN model can be a potentially useful tool for the under- standing of the carbon cycle in the East Sea, where accessibility is limited by the international affairs.

Keywords: pCO2, neural network model, mapping, Ulleung Basin, East Sea

서 론

산업혁명 이후 인간의 활동에 따라 대기 중 이산화탄소 농도는 급격히 증가하고 있다(IPCC, 2013). 2014년 대기 중 이산화탄소 농도는 397 ppm을 넘어서고 있으며 지난 10년 동안에 전 세계 대 양에서 표층해수의 연간 이산화탄소 분압 증가율은 약 1.5 μatm 이다. 해양은 지구시스템의 탄소순환에서 하나의 거대한 탄소저장고 역할을 하는 것으로 알려져 있으며(Broecker, 1982; Sarmiento and Gruber, 2002; Sabine et al., 2004) 대기 중 이산화탄소 함량의 약 50 배가 해수 중에 용존 상태로 존재한다.

표층 해수의 이산화탄소 분압은 해수의 물리적, 화학적, 생물학적 특성에 따라 영향을 받는다. 특히 표층 해수의 수온은 기체 용해 도를 결정짓는 주 요인이며 수온의 증가에 따라 해수의 용해도가 감소하게 되어 표층 이산화탄소의 분압과 표층 수온의 변동성은 닮은 경향성을 가진다(Takahashi et al., 1993). 또한 식물플랑크톤의 광합성, 혼합층의 두께, 바람의 세기 그리고 용승과 수직 혼합도 표층 이산화탄소를 변동시키는 요인으로 알려져 있다(Volk and Hoffert, 1985).

동해는 한국, 일본, 러시아 3개의 대륙으로 둘러싸여 있는 반 폐 쇄성 해역으로 일본분지, 야마토분지, 그리고 울릉분지로 이루어 져 있다. 겨울철 블라디보스톡 근처에서 고밀도의 표층수가 침강 하여 대양과 같이 남북연지순환(MOC)이 일어나며(Talley et al., 2003) 순환시간 규모는 약 100년으로 알려져 있다(Tsunogai et al., 2003).

이런 특징 때문에 동해는 “작은대양(miniature ocean)”이라 불리는 대륙주변해(marginal sea)이다(Kim and Kim, 1996).

동해의 남부 표층에서는 동한난류와 대마난류가 유입되며 북부 에서는 북한한류가 남하하여 북위 36-39°N 근처에 아극전선이 형 성되기 때문에 동해의 표층 수온은 위도에 따른 수온의 변동성이 크게 나타난다(Cho and Kim, 1996; Mitchell et al., 2005). 일차 생산은 봄, 가을에 높게 나타나며(> 220 gC m^-2yr^-1) 겨울에는 낮게 나 타나는데 여름철 생산력은 비교적 높은 편이고, 계절 변동성은 0.1- 3.5 μg/L로 크다(Yamada et al., 2004).

대륙주변해는 대기, 해양, 대륙을 잇는 주요 탄소 저장고로서 (Omar et al., 2007), Tsunogai et al.(1999)은 연간 대기에서 이산화탄소 를 1 Pg C yr^-1을 흡수할 것이라 주장한 바 있다. 이는 대양의 절 반에 가까운 탄소 흡수 능력에 해당하므로 대륙주변해는 탄소순환에서 중요한 지역이다(Thomas et al., 2004). 복잡한 생태계와 다양한 수문학적 특징 때문에 연안해의 이산화탄소 플럭스는 0.1-0.45 Pg C/yr의 넓은 범위로 추정되고 있으며(Borges et al., 2005; Cai et al., 2006; Chen and Borges, 2009) 이것은 대륙주변해에서의 탄소순 환이 아직 만족스럽게 정량화 되지 못했음을 의미한다. 한편 동해는 지역해 중에서도 대양의 특성을 지닌 “작은대양”으로서 그 탁월한 접 근성 때문에 “천연 실험실”이기도 하다. 따라서 동해 탄소순환을 연구하는 것은 지구온난화에 따라 변하고 있는 해양의 탄소순환을 이해하는데 크게 기여할 수 있다.

동해 표층 해수의 이산화탄소 분압(pCO2)에 관한 연구는

CREAMS(Circulation Research of the East Asian Marginal Sea)의 조사와 더불어 1994년에 시작되었다. 1994년 7월 동해 연안의 pCO2는 280-370 ppmv, 동해 전역은 340-440 ppmv로 제시되었다(Choi, 1995). 해양-대기 경계면에서 pCO2를 측정하는 과업은 현장관측 기간 동안 순항 경로를 따라 연속관측으로 이루어지기 때문에 현 장자료는 시간적, 공간적 제약을 받아서 자료의 공간 대표성이 떨 어지며 시계열 자료는 관측이 일천하여 아직 부족한 편이다.

시공간적 제약을 받는 현장관측자료의 한계를 보완하기 위한 pCO₂계산 모델에 관한 연구는 활발하게 진행되어 왔으며(Takahashi et al., 2002; Takahashi et al., 2009; Friedrich and Oschlies, 2009b) 동 해에서 표층 pCO2를 계산하는 모델 구축 연구도 진행되어 왔다 (Oh et al., 1999; Kang, 1999; Choi et al., 2011; Kim et al., 2014).

Oh et al.(1999)의 연구에서는 표층 해수 중 CO2 분압을 계산하는 모델로 20%의 오차범위에서 fCO2를 추정하였으며 해양-대기 경 계면에서의 CO2플럭스모델은 동해가 연간 2.1×10¹³ g C 을 해양 표층 에서 흡수하고 0.5×10¹³ g C의 이산화탄소를 대기로 방출한다고 보고하였다.

위성을 활용한 연구가 활발해짐에 따라 넓은 공간에 대한 시계열 자료를 얻기 위한 pCO2모델링 연구가 시작되었다. 신경망(neural network) 모델은 최근 pCO2를 계산하기 위한 모델 기법 가운데 하나로서 남중국해, 북서태평양 등의 해역에서 표층 pCO2를 계산 하고자 사용된 바 있다(Lefèvre et al., 2005; Friedrich and Oschlies, 2009a; Telszewski et al., 2009; Jo et al., 2012; Landschützer et al., 2013). 신경망 모델은 모델 디자인 과정에서 입력자료와 결과값 사이 의 비선형적인 관계를 스스로 만들어 낼 수 있다. 따라서 현장관측자 료를 바탕으로 pCO2값을 계산할 수 있으며, 2차원의 위성관측자 료를 활용하여 현장관측에서 빠진 해역을 대상으로 pCO2분포도를 생성할 수 있다(Jo et al., 2012; Landschützer et al., 2013).

본 연구에서는 현장자료가 없는 공간에 대한 시계열 자료를 만 들기 위하여 위성 자료를 이용한 신경망 모델로 울릉분지 표층 이 산화탄소 자료를 생성하고 변동성을 알아보는 연구를 시도하였다.

재료 및 방법

본 NN모델 연구에서는 위·경도, SST, chlorophyll을 사용하여 동해 표층 해수의 pCO2를 계산하였다. 연구해역은 위도 36-38°N, 경도 130-133°E 범위의 울릉분지로 선정하였다. 동해에서 수행된 pCO₂현장관측은 동해 북부해역보다는 영해인 울릉분지 자료가 주를 이루기 때문에 여러 계절에 걸쳐 모델을 학습시킬 수 있는 충분한 자료를 사용하기 위하여 연구해역을 제한하여 모델링을 시 도하였다.

신경망(NN) 모델을 디자인하는 과정에서 현장관측한 pCO2값을 사용하였으며, chlorophyll 자료의 경우에는 현장관측한 chlorophyll 자료가 모델을 학습시키는 과정에 사용하기에는 자료의 수가 부 족했기 때문에 월평균 위성 관측 자료를 사용하였다. 또한 입력자 료들의 시간 규모를 맞춰주기 위하여 SST도 위성관측한 월평균

자료를 사용하였다(Table 1). 2003년부터 2012년까지 주로 EAST-I 연구과제로 수행했던 조사를 통해 항해 경로를 따라 연속적으로 측정한 표층해수의 pCO2자료를 사용하였다(Fig. 1). NN 모델링에

사용된 현장관측자료의 범위는 Table 1에 수록하였다. 위성자료는 2003 년부터 2012년까지 Aqua위성의 MODIS센서에서 얻은 SST, chlorophyll 월 평균 4 km 해상도의 자료를 사용하였다(http://

Table 1. A description of input data used in neural network modeling: SST for sea surface temperature, pCO₂^atm and pCO₂^{in situ} designate partial pressure of CO₂ in the atmosphere and surface seawater, respectively. Data for pCO₂ data are from Kim et al. (2014) except for those of year 2011 and 2012. Chlorophyll data are extracted from the MODIS sensor data on Aqua satellite for each cruise periods. Values are reported as mean and standard deviation. ND denotes no data

Observation period Research Vessel SST (^oC) pCO₂^atm (μatm) pCO₂^sea (μatm) chlorophyll (mg m^-3) 9 Jun - 14 Jun 2003 R/V Tamgu-5 19.5 ± 0.4 367.0 ± 2.3 353.7 ± 19.2 0.234 ± 0.04 12 Dec - 22 Dec 2003 R/V Tamgu-5 16.6 ± 0.3 379.7 ± 0.9 390.1 ± 15.3 0.365 ± 0.03 6 May - 19 May 2004 R/V Akademik Labrantiev 17.8 ± 1.9 376.6 ± 3.3 354.0 ± 23.6 0.605 ± 0.32 10 Jun - 11 Jun 2004 R/V Tamgu-5 19.8 ± 0.2 368.6 ± 0.3 336.5 ± 7.0 0.188 ± 0.02 14 Sep - 15 Sep 2004 R/V Tamgu-1 24.0 ± 0.7 368.8 ± 3.9 348.8 ± 7.9 0.447 ± 0.08 5 Oct - 29 Oct 2004 R/V Tamgu-5 22.9 ± 1.2 371.5 ± 2.9 379.3 ± 17.9 0.811 ± 0.23 1 Nov - 7 Nov 2008 R/V Eardo 19.8 ± 1.1 389.3 ± 4.8 359.5 ± 12.2 0.735 ± 0.13 9 Jul - 10 Jul 2009 R/V Akademik Labrantiev 21.2 ± 0.7 375.8 ± 4.1 397.5 ± 22.3 0.258 ± 0.03 16 Aug - 20 Aug 2011* R/V HY2000 22.9 ± 1.6 ND 357.2 ± 32.4 0.336 ± 0.11 14 Mar - 22 Mar 2012* R/V HY2000 10.1 ± 1.1 ND 305.2 ± 7.0 0.458 ± 0.13

Fig. 1. Maps of pCO₂^{in situ} for the year from 2003 to 2012. Data for years 2003-2009 are taken from Kim et al. (2014).

oceandata.sci.gsfc.nasa. gov/).

NN 모델은 신경망의 자기조직화(self-organizing)와 같이 입력 자료(input data)와 결과값(output data)을 지정하면 입력자료와 결 과값 사이의 상관관계를 만들어 내는 것으로 디자인 된다(Fig. 2).

NN 모델은 input layer, hidden layer 그리고 output layer로 구성 된다. Input layer에서는 입력자료를 구성하여 hidden layer로 넘겨 준 다. Hidden layer는 뉴런이라 불리는 node(H)가 신경망처럼 연결 되어 있고 각 뉴런에서 입력자료를 처리한다. 각각의 뉴런에서는 두 단계에 걸쳐서 선형 summation 함수와 비선형 활성화함수 (activation function)를 형성하여 입력자료와 결과값 사이의 관계를 정 립한다(Jo et al., 2012).

학습과정(NN training)은 모델결과값과 실제 관측값의 상관도가 가장 높게 나오는 hidden layer의 함수를 형성하기 위하여 모델을 학습시키는 단계이다. 학습과정에서는 입력자료의 70%를 무작위로 추출하여 사용하며 모델결과값과 실제 관측값의 상관도가 높게 나올 수 있는 최적의 뉴런 개수를 찾아서 hidden layer 디자인을 완성한다.

나머지 30%의 자료는 각각 15%씩 무작위로 “NN validation(검증 과정)”과 “NN testing(검토과정)”에 사용된다. 검증과정은 학습과

정에서 함수를 형성하고 뉴런의 개수를 확정하여 hidden layer를 만들면 모델결과값과 실제 관측값의 상관도를 파악하여 모델의 학 습을 종료할 수 있는지 여부를 결정한다. 본 연구에서는 모델결과 값과 현장관측값의 상관도가 95% 일 때 학습과정을 종료하였다.

마지막 검토과정에서는 모델 디자인에 사용되지 않은 입력자료를 모델에 넣어서 모델결과값과 현장관측자료를 비교하여 모델의 정 확도를 확인한다. 신경망 모델의 각 과정은 Matlab의 neural network(신경망) Tool box(Beale et al., 2010)를 사용하여 수행되 었으며 입력자료는 모델에서 자료를 무작위로 추출하여 사용하는 것이 통상 사용되는 방식이다.

결과 및 토의

모델 검증과정에서 현장관측 pCO2값과 모델결과값의 상관관계가 95% 이상일 때 학습과정을 종료하고 입력 자료인 SST, chlorophyll과 pCO₂의 관계를 정립하여 모델을 구성하였다. 총 12,386개의 자료에 대하여 NN 모델링을 수행하여 학습과정, 검증과정, 검토과정에서 계산한 pCO2값을 현장에서 관측한 pCO2값과 비교하였다(Fig. 3).

전체 12,386개의 계산된 pCO2값 중에 94.1% 인 11,653개의 결 과값이 ±20 μatm 이내의 오차범위에 속하며 5.9% 정도의 결과값이 오차범위 ±20 μatm을 벗어났다(Fig. 3(b)). 현장관측값과 비교하여 ±20 μatm 이내에 분포하는 모델결과값은 현장관측값의 평균(352.4 μatm)에 대해 ±5.6%, 현장관측값의 범위(270.4-507.1 μatm)에 대해서는 ±8.4%, 그리고 모델결과값의 범위(285.7-451.7 μatm)에 대해서는 ±12%의 오 차범위에 해당한다. 학습과정에서 현장관측 pCO2값과 모델결과 값의 상관계수는 R=0.95이며 평균제곱근편차(RMSE)는 8.8 μatm 이었다. 검증과정과 검토과정에 현장관측 pCO2값과 모델결과값의 상관도와 RMSE는 각각 R=0.94, R=0.95와 4.6 μatm, 10.8 μatm 이었다. 학습과정과 검토과정에서 RMSE 값의 차이는 약 2 μatm으로 현장관측 pCO2값의 평균값(352.4 μatm)에 대하여 0.57%에 해당 하는 만족스럽게 작은 값이다. 이것은 NN 모델을 통해 계산된 Fig. 2. Schematic diagram of the neural network design. The inputs

are SST, chlorophyll and locations (latitude, longitude) and the output is pCO₂ (modified from Jo et al., 2012). NN model consists of three layers (input layer, hidden layer and output layer). In hidden layer, there are many nodes(H) converting inputs to the output and each node is called “neuron”.

Fig. 3. Comparison of NN model generated pCO₂in steps of training (red), validation (black), and testing (green) against pCO₂^{in situ} (blue): a) arranged by sample numbers, b) correlation between in situ and NN generated pCO₂. About 94.1% of NN model generated pCO₂ data are within an error range of ± 20 μatm envelopes (dashed lines).

Fig. 4. Maps of NN model output (pCO₂^NN) with the superimposed pCO₂^{in situ} (Fig. 1),chlorophyll and SST for a) June 2003, b) December 2003, c) May 2004, d) June 2004, and e) September 2004.

Fig. 5. As of Fg. 4: a) October 2004, b) November 2008, c) July 2009, d) August 2011, and e) March 2012).

pCO₂의 오차범위가 크지 않다는 것을 말해준다.

현장관측자료(pCO2^{in situ})와 모델결과값(pCO2^NN)의 직접적인 비 교는 두 자료의 시간 규모가 다르기 때문에 다소 무리가 따르지 만 비교의 편의를 위하여 월평균 pCO2^NN분포도에 현장관측자료 를 덧씌운 그림으로 제시하였다(Figs. 4, 5). 울릉분지 월평균 pCO2

의 전반적인 분포는 위도 37°N을 경계로 남쪽 해역은 높은 값을 가지며 북쪽 해역은 비교적 낮은 값을 보인다. pCO2는 해수 중 가 스상태로 존재하는 이산화탄소의 분압으로서 수온이 증가함에 따 라 기체 용해도가 감소하기 때문에 수온이 높을수록 이산화탄소는 용존상에서 기체상으로 바뀌게 되어 값이 커지게 된다. 따라서 NN 모델 결과에서 나타나는 남쪽 해역의 높은 pCO2^NN값은 울릉분지 의 높은 표층 수온에 일차적으로 영향을 받는 것으로 추정된다.

특히 월평균 SST, chlorophyll 위성자료와 월평균 pCO2^NN분포를 비교했을 때, SST와 pCO2의 분포양상이 가장 비슷한 경향을 보 인다(Figs. 4, 5). 이것은 울릉분지 표층 pCO2에 영향을 미치는 1 차적인 요인이 표층 수온임을 지시한다. 그러나 SST와 pCO2의 분 포가 다른 경우도 있었다. 2004년 10월과 2009년 7월 그리고 2012 년 3월 결과를 보면 pCO2변동성은 SST에 의한 것으로 설명되지 않는다. 2004년 10월에 북부 해역은 19^oC 이상으로 수온이 상대적으 로 높으나 pCO2는 매우 낮은 값을 보여주는데 이는 chlorophyll이 높은 것으로 보아 생물의 소비와 관련이 있는 것으로 여겨진다.

모델의 검증

NN 모델 디자인의 검증과정에서 현장관측값과 모델결과값의 비 교를 통한 모델 검증이 일차적으로 이루어졌으나 만들어진 모델 에 자료를 넣어서 모델결과값을 검토하는 추가적인 검증이 필요 하다. NN 모델에 일별 SST, chlorophyll 위성자료를 입력자료로 넣어 계산된 pCO2를 일별자료인 현장관측자료와 비교하여 모델의 실제 검증을 시도하였다.

검증을 위해 NN 모델에 사용된 현장관측 pCO2자료와 시간과 장소가 일치하는 일별 SST, chlorophyll 위성자료를 찾은 결과로 2003년 12월 23일의 SST, chlorophyll 자료 35쌍을 추출하였다.

이들을 입력자료로 사용하여 NN 모델을 통한 2003년 12월 23일

울릉분지 표층 pCO2를 계산하였다. 2003년 12월 23일에 관측된

pCO₂^insitu는 371.5-391.6 μatm의 범위를 보이며 모델결과값(pCO2^NN)은

371.5-390.5 μatm의 범위를 보인다(Fig. 6). 경도 130.0309°E에서 130.0633°E 사이의 값을 제외하면 관측값과 모델값의 차이는 20 μatm 이 내로 나타났다(Fig. 7). pCO2^{in situ}와 pCO2^NN의 RMSE는 19.2 μatm으로 현장관측자료와 학습과정, 검증과정, 검토과정 과정에서 계산된 pCO₂의 오차범위인 20 μatm 보다 작은 값으로 본 연구에서 사용한 NN 모델이 계산한 pCO2의 RMSE는 20 μatm 이내인 것으로 해석하였다.

일별자료로 NN 모델을 검증하였을 때 나타나는 pCO2의 RMSE (19.2 μatm)는 본 연구에서 사용한 울릉분지 표층 pCO2자료 대비 12%에 해당하며 이전 동해 fCO2모델 연구결과인 오차범위 20%

보다는 작은 값이다. 연근해인 동해는 pCO2의 변동성이 크며(Choi et al., 2011), 특히 울릉분지는 높은 일차생산과 더불어 중규모 와 류(mesoscale eddy)와 아극전선과 같은 다양한 물리적인 복잡성을 띠 고 있기 때문에 pCO2의 변동성이 크게 나타난다(Kim et al., 2014). 본 연구에 사용된 모든 계절의 현장관측자료의 pCO2 범위는 270.4 μatm에서 507.1 μatm으로 비교적 큰 변동성을 보여주고 있으며, 현장관측값의 표준편차는 7 μatm에서 최대 32.4 μatm으로 같은 계절이라도 장소에 따른 pCO2의 변동성이 크게 나타났기 때문에 울릉분지 표층 pCO2를 계산하기 위하여 RMSE가 19.2 μatm인 NN 모델을 사용할 수 있을 것으로 판단된다.

Fig. 6. NN model derived daily pCO₂ values with the superimposed in situ pCO₂ data on December 23, 2003 (inside red circles).

Fig. 7. A neural network model validation with raw data of pCO₂ on Dec. 23, 2003: (a) absolute error values of pCO₂ (pCO₂^{in situ} - pCO₂^NN), (b) comparisons between the pCO₂^{in situ} (circles) and pCO₂^NN (triangles).

NN모델의 민감도

본 연구에서 사용한 NN 모델은 4개의 입력변수(latitude, longitude, SST, chlorophyll)를 사용하여 하나의 출력(pCO2)을 산출한다. 그 런데 변수가 3개 이상인 함수는 3차원 공간상에서 기하학적인 표 현이 불가능하기 때문에, NN 모델에서 입력자료(latitude, longitude, SST, chlorophyll)와 pCO2의 상관관계를 파악하기 위해서 입력자 료로 고려한 4개의 변수 중 일부를 상수로 고정한 후 pCO2값의 변동성을 계산하여 모델의 민감도를 분석하였다.

SST와 chlorophyll 값을 모델에서 고려한 범위 내에서 변화시키면서 민감도를 분석하였다. 먼저 chlorophyll을 0.15 mg m^-3, 1.0 mg m^-3, 1.5 mg m^-3, 2.0 mg m^-3으로 고정한 후 SST를 7^oC에서 24^oC까지 변 동시키면서 pCO2의 변동성을 파악하였다(Fig. 8a). 다음으로 SST를 8^oC, 13^oC, 16^oC, 19^oC, 25^oC로 고정한 후 chlorophyll을 0.15 mg m^-3에서 2.0 mg m^-3까지 변화를 주어 pCO2의 변동성을 구하여 결 과를 Fig. 8b에 도시하였다. Chlorophyll이 증가할수록 pCO2는 줄 어들며 SST가 감소할수록 chlorophyll에 대한 pCO2의 변동성이 커지는 경향을 보인다. Chlorophyll 농도를 상수로 고정하여 SST를 변동시켰을 때 SST에 의한 모델결과값의 변동 기여도는 최대 46.1%에 해당하였다. SST를 상수로 고정하고 chlorophyll을 변동 시켰을 때 chlorophyll에 의한 모델결과값의 변동에 대한 기여도는 최대 41%로 나타났다.

SST가 증가함에 따라 대체적으로 pCO2는 증가하고 pCO2의 변 동성은 줄어드는 경향을 보이고 chlorophyll이 증가함에 따라 pCO2는 감소하고 pCO2의 변동성은 커지는 경향성이 나타났다. 모델 민감 도에서 SST가 10^oC 이하일 때 chlorophyll에 의한 pCO2변동성이 가장 큰 것으로 나타났다. 이것은 수온이 비교적 낮은 봄철에는 울릉분지의 pCO2도 낮은 경향을 보이며 chlorophyll에 의한 pCO2

변동성이 가장 크게 나타나는 것으로 해석할 수 있다(Choi et al., 2012).

울릉분지는 계절에 따라 SST, chlorophyll과 pCO2의 관계가 다르게 나타나는 것으로 알려져 있으며 연직혼합에 의해 수온이 낮고 pCO2

가 풍부한 물이 표층으로 올라오게 되면서 수온이 낮고 pCO2가 높은 상태를 보일 수 있다(Oh et al., 1999; Choi et al., 2011; Choi et al., 2012; Kim et al., 2014). 모델 민감도에서 수온이 낮으며 chlorophyll이 낮은 경우에는 연직혼합에 의해 DIC가 풍부한 심층수가 표층으로 상승하게 되면서 pCO2가 증가한 것이 영양염 증가에 따른 식물 플랑크톤의 광합성 소비에 의해 상쇄되지 못한 것으로 추정된다.

모델 민감도에서 10-15^oC의 수온범위에서는 수온이 높아짐에 따라 pCO2가 증가하는 양상을 보이는데 봄철에서 여름철로 바뀌게 되는 환절기에 수온이 증가함에 따라 기체 용해도가 감소하여 pCO2

가 증가하는 것으로 생각된다. 수온이 15^oC 이상인 여름철에는 pCO2

가 가장 높게 나타나며 SST, chlorophyll에 의한 pCO2변동성이 감소한다. 일정 수온 범위를 초과하면 수온이 증가함에도 불구하 고 pCO2는 거의 일정하게 유지되는데 이것은 일차적으로는 대한 해협으로 들어오는 동중국해 표층수에 영향을 받은 것으로 추정 된다. 동중국해 표층수는 염분이 낮고 pCO2가 낮기 때문에 여름철 울 릉분지의 pCO2와 SSS의 관계는 양의 상관관계를 보인다(Choi, 2012). 또한 여름철 높은 수온에 비해 pCO2가 낮은 상태를 나타 내는 것은 봄철에 식물플랑크톤의 번성에 따른 소비로 인한 DIC 감소가 여름철까지 대기로부터 보충되지 못하고 있는 것으로 해 석되는데, 그 원인은 대기의 CO2가 해수에 녹아 드는 과정이 매우 느리게 진행되기 때문으로 보인다.

모델 결과로 계산한 울릉분지 표층 pCO2 증가율

2003년부터 2014년까지 NN모델 결과로서 연평균 울릉분지 표층 pCO₂를 계산하였다. 연평균 표층 pCO2는 최소 318.6 μatm에서 최대 351.7 μatm의 범위를 보이며, 월평균의 연간 변동성(1s.d.)은 평균 44.8 μatm으로 나타났다. 울릉분지 연평균 표층 pCO2의 경년 차 이는 -22.1 μatm 에서 +21.1 μatm의 범위를 보였으며 평균 + 1.7 μatm으로 나타났다(Table 2). 반면 연평균 pCO2의 직선 회귀로 구한 연간 pCO2증가율은 0.8 μatm이다(Fig. 9). 회귀곡선의 R²값은 0.08로 연평균 pCO2자료가 무작위 분포(random distribution)에 가깝다는 것을 보여준다. 이것이 연평균 pCO2의 경년 차이와는 다르게 표층 pCO2증가율이 낮게 나오는 요인으로 생각된다. 또 한 NN모델로 계산한 연평균 pCO2는 현장관측값에 비하여 늘 조 금 낮은 값을 제시하고 있다(Fig. 9). 왜냐하면 NN모델의 경우 현 장관측값의 범위 내에서만 모델결과값을 제시하며 단기 자료로 이 루어진 현장관측 pCO2는 실제 현장의 최대와 최소값을 포함하지 않을 확률이 높은데다가, 수온, 엽록소로 설명되지 않는 변동성이 있는데, 예컨대 혼합층의 두께, 바람 등이 모델에 반영되어 있지 않은 것이 낮은 값을 출력하는 이유로 보인다. 따라서 향후 NN 모델 연구는 인자를 추가할 필요가 있다.

Fig. 8. Sensitivity analysis of pCO₂^NN with respect to (a) the SST, and (b) chlorophyll.

결 론

신경망 모델은 여러 입력자료(input data)와 결과값(output data) 사이의 상관관계를 도출해 낼 수 있기 때문에 현장자료가 부족한 동해 울릉분지의 전체의 표층 pCO2를 계산하는데 적절한 도구라고 판단된다. Aqua 위성의 MODIS 센서가 측정한 SST, chlorophyll 자료와 현장관측한 pCO2 자료를 사용하여NN 모델을 통해 울릉 분지 표층 pCO2 를 계산하였다.

NN모델을 검증하기 위하여 일별 위성관측자료를 사용하여 현 장관측된 pCO2 값과 비교 하였을 때, RMSE는 20 μatm보다 작아서 이전 연구 결과에 비해 향상되었다. 모델의 민감도를 4개의 입력 자료 중 몇 가지를 상수로 고정하여 pCO2의 변동성으로 살펴보 았을 때 15^oC 이하에서는 chlorophyll이 증가함에 따라 SST와 pCO₂는 양의 관계를 보이며 수온이 15^oC 보다 높은 경우에는 수 온과 chlorophyll에 의한 pCO2변동성은 줄어들었다. 계절에 따라 울릉분지 pCO2에 영향을 미치는 주요인이 달라지는 것이 이러한

상관관계를 나타내는 원인으로 판단된다. 울릉분지의 계절적인 pCO₂변화는 모델에서 고려한 SST, chlorophyll 이외에도 연직혼 합, SSS 등의 요인이 고려되어야 하기 때문에 SST와 chlorophyll 만 고려한 NN 모델로 울릉분지 pCO2를 계산하는 것은 현장관측 자료로 검증하였을 때 비교적 큰 19.2 μatm의 오차를 보인다. 그러나 pCO₂의 공간 변동성을 대략적으로 알아 볼 수 있는 pCO2 mapping을 통해 울릉분지 표층 이산화탄소 분압의 공간적인 변동성을 파악 하는데 도움을 받을 수 있었다.

본 연구 결과는 현재 이슈화 되고 있는 동해의 탄소순환의 첫 단추 인 표층 pCO2계산을 시도함으로써 이후 동해 탄소순환을 정량화 하기 위한 향후 연구에 기여할 수 있을 것이라 사료된다. 향후 여러 계절에 걸쳐 현장관측자료가 충분히 모아지게 되면 NN 모델을 사용한 계절에 따른 pCO2 변동성을 더욱 적은 범위의 오차를 가지고 계산 할 수 있을 것이라 예상되며 동해 전역의 현장관측을 통해 동해 표층 pCO2의 시공간적 변동성을 파악할 수 있게 될 것이라 판단된다.

사 사

이 연구는 동해시계열 관측 및 생태환경진단(EAST-I) 과제의 지원을 받아 수행되었습니다. 자료의 사용을 허락하여 주신 김재연 박사님과, 논문 심사위원 두 분께 깊이 감사 드립니다.

참고문헌(References)

Beale, M., M.T. Hagan and H.B. Demuth, 2010. Neural Network Toolbox 7. MathWorks, Natick, Mass, 951 pp.

Borges, A.V., B. Delille and M. Frankignoulle, 2005. Budgeting sinks and sources of CO₂ in the coastal ocean: Diversity of ecosystems counts.

Geophys. Res. Lett., 32: L14601, doi: 10.1029/2005GL023053.

Broecker, W.S., 1982. Ocean chemistry during glacial time. Geochim.

Cosmochim. Acta, 46(10): 1689–1705 pp.

Cai, W.-J., M.H. Dai and Y.C. Wang, 2006. Air-sea exchange of carbon dioxide in ocean margins: A province-based synthesis.

Geophys. Res. Lett., 33: L12603, doi: 10.1029/2006GL026219.

Chen, C.-T. A. and A. V. Borges, 2009. Reconciling opposing views on Table 2. Annual mean, standard deviation and annual difference of surface pCO₂ in the Ulleung Basin. Max and Min refer to a maximum and minimum of monthly mean pCO₂, respectively

Year Mean (μatm) Standard deviation (μatm) Max (μatm) Min (μatm) Annual difference (μatm)

2003 333.4 48.8 500.5 275.0

2004 331.1 47.9 501.9 274.8 -2.3

2005 335.1 40.0 485.9 271.5 4

2006 340.8 45.3 502.4 276.5 5.7

2007 318.7 39.9 456.7 271.4 -22.1

2008 328.5 48.1 501.3 271.4 9.8

2009 329.7 47.5 486.4 271.4 1.2

2010 333.5 40.1 472.9 276.4 3.8

2011 318.6 43.5 500.6 271.9 -14.9

2012 326.5 41.0 472.1 276.6 7.9

2013 347.6 44.0 497.8 271.8 21.1

2014 351.7 52.0 492.1 274.3 4.1

(mean=1.7)

Fig. 9. Annual trend of surface seawater pCO₂ in the Ulleung Basin from the year 2003 to 2014: pCO₂^{in situ}(triangles), annual mean of pCO₂^NN(circles), and the simple linear regression line of annual mean of pCO₂^NN(dashed line). The solid line curve represents the harmonic function for pCO₂^{in situ} by Kim et al. (2014).

carbon cycling in the coastal ocean: Continental shelves as sinks and near-shore ecosystem as sources of atmospheric CO₂. Deep-Sea Res. Pt. II, 56: 578–590, doi:10.1016/j.dsr2.2009.01.001.

Cho, Y.-K. and K. Kim, 1996. Seasonal variation of East Korea Warm Current and its relation with the cold water. Société franco-jap- onaise d’océanographie, La mer 34: 172–182.

Choi, S.H., 1995. Distributions of pCO₂ and pCH₄ in surface seawaters of the East Sea, M.S. thesis, Seoul National University, Seoul, 92 pp.

Choi, S.H., D. Kim, J. Shim and H.S. Min, 2011. The spatial dis- tribution of surface fCO₂ in the Southwestern East Sea/Japan sea during summer 2005. Ocean Sci. J., 46(1): 13–21.

Choi, S.-H., D. Kim, J.H. Shim, K.H. Kim, H.S. Min and K.R. Kim, 2012. Seasonal variations of surface fCO₂ and sea-air CO₂ fluxes in the Ulleung Basin of the East/Japan Sea. Terr. Atmos. Ocean. Sci., 23(3): 343–353.

Choi, S.H., 2012. The Sea-Air CO₂ fluxes in the Korean Marginal Seas and the Western North Pacific. Ph.D Thesis, Seoul National University, Seoul, 123 pp.

Friedrich, T. and A. Oschlies, 2009a. Neural network-based estimates of North Atlantic surface pCO₂ from satellite data: A methodological study. J. Geophys. Res., 114, C03020, doi: 10.1029/2007JC004646.

Friedrich, T. and A. Oschlies, 2009b. Basin-scale pCO₂ maps estimated from ARGO float data: A model study, J. Geophys. Res., 114, C10012, doi:10.1029/2009JC005322.

Intergovernmental Panel on Climate Change (IPCC), 2013. Climate change 2013: the physical science basis, Cambridge University Press, 996 pp.

Jo, Y.H., M. Dai, W. Zhai, X.H. Yan and S. Shang, 2012. On the vari- ations of sea surface pCO₂ in the northern South China Sea: A remote sensing based neural network approach. J. Geophys. Res.:

Oceans (1978–2012), 117, C08022, doi:10.1029/2011JC007745.

Kang, D.J., 1999. A study on the carbon cycle in the East Sea. Ph.D Thesis, Seoul National University, Seoul, 159 pp.

Kim, J.Y., D.J. Kang, T. Lee, and K.-R. Kim, 2014. Long-term trend of CO₂ and ocean acidification in the surface water of the Ulleung Basin, the East/Japan Sea inferred from the underway observa- tional data. Biogeosciences, 11(9): 2443–2454.

Kim, K.-R. and K. Kim, 1996. What is happening in the East Sea (Japan Sea)?: Recent chemical observations during CREAMS93- 96. J. Korean Soc. Oceanogr., 31: 164–172.

Landschützer, P., N. Gruber, D.C.E. Bakker, U. Schuster, S. Nakaoka, M.R. Payne, T.P. Sasse and J. Zeng, 2013. A neural network-based estimate of the seasonal to inter-annual variability of the Atlantic Ocean carbon sink. Biogeosciences, 10(11): 7793–7815.

Lefèvre, N., A. Watson and A.R. Watson, 2005. A comparison of multiple regression and neural network techniques for mapping in situ pCO₂ data. Tellus B, 57: 375–384.

Mitchell, D.A., D.R. Watts, M. Wimbush, W.J. Teague, K.L. Tracey, J.W. Book, K.-I. Chang, M.-S. Suk and J.-H. Yoon, 2005. Upper circulation patterns in the Ulleung Basin. Deep-Sea Res. Pt. II, 52: 1617–1638.

Oh, D.-C., M.-K. Park, S.-H. Choi, D.-J. Kang, S.-Y. Park, J.-S. Hwang, A.

Andrey, G.-H. Hong and K.-R. Kim, 1999. The Air-Sea Exchange of CO₂ in the East Sea(Japan Sea). J. Oceanogr., 55: 157–169.

Omar, A.M., T. Johannessen, A. Olsen, S. Kaltin and F. Rey, 2007.

Seasonal and interannual variability of the air-sea CO₂ flux in the Atlantic sector of the Barents Sea. Mar. Chem., 104: 203–213.

Sabine, C.L., R.A. Feely, N. Gruber, R.M. Key, K. Lee, J.L. Bullister, R. Wanninkhof, C.S. Wong, D.W.R. Wallace, B. Tilbrook, F.J. Millero, T.-H. Peng, K. Alexander, O. Tsueno and A.F. Rios, 2004. The oce- anic sink for anthropogenic CO₂. Science, 305(5682): 367–371.

Sarmiento, J.L. and N. Gruber, 2002. SINKS FOR ANTHROPO- GENIC CARBQN.

Takahashi, T., J. Olafsson, J.G. Goddard, D.W. Chipman and S.C.

Sutherland, 1993. Seasonal variation of CO₂ and nutrients in the high-latitude surface oceans: A comparative study. Global Bio- geochem. Cycles, 7(4): 843–878.

Takahashi, T., S.C. Sutherland, C. Sweeney, A. Poisson, N. Metzl, B.

Tilbrook, N. Bates, R. Wanninkhof, R.F. Feely, C. Sabine, J. Olafsson and Y. Nojiri, 2002. Global sea-air CO₂ flux based on climatological surface ocean pCO₂ and seasonal biological and temperature effects.

Deep-Sea Res. Pt. II, 49: 1601–1622.

Takahashi, T., S.C. Sutherland, R. Wanninkhof, C. Sweeney, R.A.

Feely, D.W. Chipman, B. Hales, G. Friederich, F. Chavez, C. Sabine, A. Watson, D.C.E. Bakker, U. Schuster, N. Metzl, Y.-I. Hisayuki, M. Ishii, T. Midorikawa, Y. Nojiri, A. Kortzinger, T. Steinhoff, M.

Hoppema, J. Olafsson, T.S. Arnarson, B. Tilbrook, T. Johannessen, A. Olsen, R. Bellerby, C.S. Wong, B. Delille, N.R. Bates and H.

J. and De Baar, 2009. Climatological mean and decadal change in surface ocean pCO₂ and net sea-air CO₂ flux over the global oceans.

Deep-Sea Res. Pt. II, 56(8): 554–577.

Talley, L.D., J.L. Reid, and P.E. Robbins, 2003. Data-based meridi- onal overturning stream functions for the global ocean. J. Climate, 16(19): 3213–3226.

Telszewski, M., X.A. Padín, and A.F. Ríos, 2009. Estimating the monthly pCO₂ distribution in the North Atlantic using a self-organiz- ing neural network. Biogeosciences, 6(8): 1405–1421.

Thomas H., Y. Bozec, K. Elkalay and H.J. De Baar, 2004. Enhanced open ocean storage of CO₂ from shelf sea pumping. Science, 304:

1005–1008.

Tsunogai, S., S. Watanabe and T. Sato, 1999. Is there a “continental shelf pump” for the absorption of atmospheric CO₂?. Tellus B, 51(3): 701–712.

Tsunogai, S., K. Kawada, S. Watanabe and T. Aramaki, 2003. CFCs indicating renewal of the Japan Sea Deep Water in winter 2000- 2001. J. Oceanogr., 59: 685–693.

Volk, T. and M. Hoffert, 1985. Ocean carbon pumps: analysis of rel- ative strengths and efficiencies in ocean-driven atmospheric CO₂ changes, In: The Carbon Cycle and atmospheric CO₂: Natural Varia- tions Archean to Present, edited by: Sundquist, E.T. and W.S.

Broecker, Geophysical Monograph 32, American Geophysical Union, Wash. D.C. pp. 99–110.

Yamada, K., J. Ishizaka, S. Yoo, H.C. Kim and S. Chiba, 2004. Seasonal and interannual variability of sea surface chlorophyll_a concentration in the Japan/East Sea (JES). Prog. Oceanogr., 61(2): 193–211.

2016년 1월 7일 원고접수 2016년 1월 18일 수정본 접수 2016년 1월 19일 수정본 채택 담당편집위원: 강동진