엘니뇨는 적도 태평양의 해수면 온도가 평년보다 0.5도 이상 높은 상태가 6개월 이상 지속되는 현상을 말합니다. 페루 어부들이 수온 변화로 물고기가 잡히지 않는 시기에 붙인 이름에서 유래한 이 현상은 단순한 지역적 변화를 넘어 전 지구적인 기후 시스템에 막대한 영향을 미칩니다. 엘니뇨가 발생하면 인도네시아와 호주에는 극심한 가뭄과 산불이 발생하고, 남미 지역에는 폭우와 홍수가 이어지는 등 이상기후가 빈번해집니다. 우리나라도 엘니뇨의 영향권에서 자유롭지 못하며, 겨울철 기온이 상승하거나 강수량이 증가하는 등 뚜렷한 기상 변화를 겪게 됩니다.

기후 예측은 내일의 날씨를 맞히는 것보다 훨씬 긴 시간 규모의 변화를 다루는 도전적인 과제입니다. 기존에는 지구를 격자로 나누어 구름, 강수, 해류 등 복잡한 물리 과정을 계산하는 수치 모델을 주로 사용해 왔습니다. 하지만 이러한 수치 모델은 수십만 줄의 코드로 이루어져 있어 실제 지구의 모든 프로세스를 완벽하게 구현하기 어렵습니다. 또한, 초기 상태의 아주 작은 차이가 결과에서 거대한 차이를 만들어내는 '나비효과'로 인해 예측 기간이 길어질수록 정확도가 급격히 떨어지는 한계가 있었습니다. 특히 6개월 이상의 중장기 예측은 기후학자들에게 여전히 어려운 숙제였습니다.

엘니뇨의 중장기 예측은 여전히 많은 기후학자에게 도전적인 과제이며, 이를 극복하기 위한 새로운 기술적 접근이 절실한 시점입니다.

최근에는 이러한 한계를 극복하기 위해 인공지능, 특히 딥러닝 기술이 기후 예측 분야에 도입되고 있습니다. 엘니뇨 예측에는 이미지 인식에 탁월한 성능을 보이는 합성곱 신경망(CNN) 기법이 주로 활용됩니다. 엘니뇨는 특정 지점의 수온 변화뿐만 아니라 서태평양, 인도양, 대서양 등 전 지구적인 해수면 온도 분포의 상관관계를 파악하는 것이 중요하기 때문입니다. 2차원 또는 3차원 지도 형태의 데이터를 분석하여 복잡한 패턴 속에서 엘니뇨의 전조 현상을 찾아내는 인공지능의 능력은 기존 수치 모델이 놓치기 쉬운 미세한 신호들을 포착하는 데 매우 효과적이라는 사실이 증명되었습니다.

딥러닝 모델을 학습시키기 위해서는 방대한 양의 데이터가 필요하지만, 관측된 기후 데이터는 역사적으로 매우 한정적입니다. 엘니뇨는 1년에 단 한 번 발생 여부가 결정되기에 실제 가용 샘플은 170여 개에 불과합니다. 이를 해결하기 위해 연구자들은 '전이 학습'이라는 기법을 도입했습니다. 이는 수치 모델 시뮬레이션이 생성한 수많은 가상 엘니뇨 데이터를 먼저 학습시킨 뒤, 그 지식을 실제 관측 데이터에 적용하는 방식입니다. 비록 가상 데이터에 오차가 있더라도 기본적인 물리 메커니즘을 학습하는 데는 충분하며, 이를 통해 데이터 부족 문제를 해결하고 모델의 예측 성능을 획기적으로 높일 수 있었습니다.

딥러닝 기반의 예측 모델은 기존 수치 모델보다 훨씬 앞선 성능을 보여주었습니다. 기존 시스템이 약 1년 정도의 예측 신뢰도를 가졌다면, 인공지능 모델은 이를 18개월까지 연장하는 데 성공했습니다. 1년 반 앞을 내다볼 수 있다는 것은 사회적, 경제적으로 엄청난 가치를 지닙니다. 이상기후에 대비해 재난 방지 시스템을 정비할 충분한 시간을 확보할 수 있을 뿐만 아니라, 곡물 가격 변동에 선제적으로 대응하여 경제적 손실을 최소화할 수 있기 때문입니다. 실제로 1997년이나 2015년의 강력한 엘니뇨 사례에서도 딥러닝 모델은 매우 높은 정확도로 미래를 예측해 내는 성과를 거두었습니다.

인공지능의 예측 결과가 단순히 통계적 우연이 아님을 증명하기 위해 '히트맵' 분석 기법이 사용됩니다. 이는 인공지능이 데이터의 어느 부분을 중점적으로 보고 판단을 내렸는지 시각화하는 기술입니다. 분석 결과, 딥러닝 모델은 엘니뇨 발생 1년 전 서태평양의 따뜻한 해수 분포나 대서양의 특정 온도 패턴을 주목하고 있었습니다. 이는 기존 기후학계에서 밝혀낸 물리적 메커니즘과 일치하는 결과로, 인공지능이 엉뚱한 정보가 아닌 과학적 근거에 기반하여 결과를 도출하고 있음을 시사합니다. 이러한 설명 가능한 인공지능 기술은 블랙박스로 불리던 딥러닝 모델의 신뢰성을 높이는 핵심적인 역할을 수행합니다.

인공지능 기술은 이제 엘니뇨의 발생 여부를 넘어, 발생 위치에 따른 다양한 유형의 엘니뇨를 구분하는 단계까지 발전했습니다. 중태평양 엘니뇨와 동태평양 엘니뇨는 육지에 미치는 영향이 서로 다르기에 이를 정확히 구분하는 것은 매우 중요합니다. 앞으로 딥러닝 기법은 태풍의 강도 변화, 극한 강수, 장마 패턴 등 더욱 다양한 기후 현상을 예측하는 데 폭넓게 적용될 전망입니다. 인공지능은 기후학자의 자리를 대체하는 것이 아니라, 복잡한 지구 시스템을 이해하고 미래의 불확실성에 대비하는 강력한 도구로서 인류의 생존과 번영에 기여하는 동반자가 될 것입니다.