최근, 자연자원부 제1해양연구소(FIO) 해양환경과학 및 수치모의 중점 실험실(MASNUM)은 산동대학 소프트웨어학원, 화웨이베이밍(华为北冥)실험실 등 기관과 공동으로 전지구 파랑 파고 딥러닝 규모 축소(downscaling)모형인 GSDNet(Global location-Specific transformation Downscaling Network）를 개발하였다. 이는 저해상도의 파고 데이터를 신속•정밀하게 고해상도 픽셀에 반영할 수 있다. 관련 연구성과는 《Journal of Sea Research》에 GSDNet: A deep learning model for downscaling the significant wave height based on NAFnet”라는 제목으로 게제되었다.
오늘날 고해상도는 파랑 시뮬레이션과 예보의 주요 발전 트렌드 가운데 하나이다. 하지만 고정밀 시뮬레이션과 예보를 추구하는 것과 마찬가지로 이에 대한 계산 효율을 제고하는 것 역시 중요한 문제가 되었다. 현재 자주 쓰이고 있는 해결 방법으로는 저해상도를 고해상도에 반영하는 규모 축소 기법이 있는데 계산이 쉬운 대신 정밀도가 낮고, 특히 큰 수치에 대한 처리가 어렵다. 반대로, 역학적 규모 축소(Dynamical downscaling) 기법은 정밀도가 높은 대신 계산이 복잡하다. 이에 최근 유행하고 있는 딥러닝 기법이 고정밀 고성능의 규모 축소 기법에 도전과 기회을 가져왔다.
FIO는 전지구 파고의 고정밀 고성능의 규모 축소 수요에 따라 NAFNet(Non-Autoregressive Fusion Network) 모델을 기반으로 해양과 육지 분포 표식을 도입하여 전지구 위치 정보 변환 알고리즘을 개발하였다. 이는 복잡한 구역의 상세 특징을 포착함으로써, 해양과 육지 경계에 대한 규모 축소 능력과 모형 전체의 정밀도를 제고하였고, 나아가 전지구 파고 딥러닝 규모 축소 모형GSDNet을 구축하였다.
[Key words : 중국 자연자원부 제1해양연구소, 파고, 규모축소, GSDNet]
