해빙 두께와 해수면 높이(sea surface height, SSH) 간의 인과 관계를 정량화하는 것은 극지 기후 역학을 구동하는 메커니즘을 이해하는 데 필수적이다. 기존 심층 학습 모델은 시변 교란(time-varying confounding)과 물리적 제약의 부재로 인해 기후 환경에서 처치 효과(treatment effect) 추정에 종종 어려움을 겪는다. 이러한 과제를 해결하기 위해, 우리는 SSH가 해빙 두께에 미치는 효과를 정량화하기 위해 지식 유도 인과 모델 변분 오토인코더(Knowledge-Guided Causal Model Variational Autoencoder, KGCM-VAE)를 제안한다. 이 프레임워크는 SSH와 표면 속도 간의 확립된 물리적 관계를 활용하여 물리적으로 정당화된 시변 연속 처치를 생성하며, 시퀀스 내 각 시간 단계마다 처치 값이 변할 수 있다. 또한 모델은 잠재 공간(latent space)에서 처치군과 대조군 분포의 균형을 맞추기 위해 최대 평균 불일치(Maximum Mean Discrepancy, MMD)를 통합하여 관측된 교란 바이어스를 완화한다. 합성 데이터를 사용하여 가상의 SSH 강제(forcing) 시나리오 하에서 해빙 두께 반응을 예측하는 모델의 능력을 평가했으며, KGCM-VAE가 최신(state-of-the-art) 기준선 대비 더 낮은 PEHE를 달성함을 보였다. 절제 연구(ablation studies)는 또한 MMD가 기본 모델 대비 처치 효과 추정을 지속적으로 향상시킴을 확인한다. 또한, 해빙 두께가 SSH 강제에 얼마나 민감한지 검토하고 기존 물리 모델링 결과와 대조하여 우리의 발견을 검증하기 위해 실제 사례 연구를 수행했다.
기록값 이론(record values theory)은 이전의 모든 관측치를 초과하는 시계열 요소를 연구하며, 스포츠나 기후 과학과 같은 분야에서 특히 주목받는다. 본 논문에서는 비정상(non-stationary) 경우에도 이러한 기록값만으로 전체 시계열을 재구성하기 위해 브라운 확률 시뮬레이터(Brownian stochastic simulator)의 구성에 기반한 통계적 방법을 제안한다. 이어서 최적의 생성기 하이퍼파라미터를 선택하기 위해 신경망 기반 추론(NBI, Neural-Based Inference) 절차에 비견될 수 있는 과정을 구현한다. 방법론의 설명과 개발 동기를 제공하기 위해 이를 빙하학적 문제에 적용한다. 빙하 전진부의 과거 동역학을 이해하는 것은 관련 산악 재해를 완화하고, 수자원을 평가하며, 해수면 상승 기여도를 산정하는 데 있어 중요한 과제이다. 빙퇴석(moraines)과 같은 현장에서 관측 가능한 지표들은 이러한 전진부 위치 변화(궤적으로 지칭)에 대한 시공간적 증거를 제공하며, 비정상 과정의 기록으로 해석될 수 있다. 벤치마크 사례로서, NBI 접근법의 두 하이퍼파라미터는 잘 문서화된 프랑스 알프스 빙하 Glacier des Bossons를 통해 조정된다. 순수하게 데이터 기반인 우리의 접근법은 빙하 동역학의 물리 모델에 도전하고 이를 발전시키며, 수백 년에서 수천 년 규모의 시간 척도에서 기후 변화에 대한 빙하의 반응을 추론하는 데 새로운 관점을 제시한다. 빙하 사례를 넘어, 기록 계열이 유일하게 이용 가능한 데이터인 다양한 문제들에도 적용 가능성을 지닌다.
결합 모델 상호비교 프로젝트 6단계(CMIP6)는 모델 구성, 평가 절차, 창발적 제약 조건 및 예측 불확실성을 문서화한 수천 건의 동료 평가 논문을 생성했습니다. 커뮤니티가 CMIP7로 전환함에 따라, 실시간 데이터 분석과 함께 이 비정형 지식을 효율적으로 추출하고 운영화하는 것은 중요한 병목 현상입니다. 여기서 우리는 과학 문헌과 지구 시스템 그리드 연합(ESGF) 데이터 아카이브 사이의 격차를 해소하는 하이브리드 검색 증강 생성(RAG) 및 자율 분석 시스템인 CMIP-Forge를 소개합니다. 이 시스템은 6,581개의 CMIP6 관련 오픈 액세스 논문(101,828개의 인덱싱된 청크)으로 구성된 큐레이팅된 말뭉치를 에이전트 파이프라인과 결합합니다. 이 파이프라인에서 도구 보강 작업자(tool-augmented worker)는 실시간 기후 데이터에 대한 Python 워크플로우를 계획하고 실행하는 반면, 독립적인 검토자 모델 패널은 그 방법론을 종단 간(end-to-end) 감사합니다. CMIP-Forge는 추상 구문 트리(AST) 정적 분석, 감사된 과학적 프리미티브, 그리고 자율적인 적대적 동료 평가 프로토콜을 통해 물리적 및 방법론적 불변 조건을 강제하는 다층 심층 방어(Defense-in-Depth) 아키텍처를 도입합니다. 우리는 대기 원격 상관(atmospheric teleconnections), 해양 역학, 지역적 극한 기후 및 지구 온난화 예측에 걸친 종단 간 자율 연구 파이프라인을 통해 시스템의 기능을 입증합니다. 동료 평가 문헌에 기반을 두고, 자동화된 코드 가드레일(guardrails)에 의해 제약되며, 독립적인 적대적 검토 루프에 의해 감사되는 에이전트 분석 시스템은 복잡한 기후 연구 워크플로우를 자율적으로 완료할 수 있습니다. 동일한 실험은 검토 루프의 구체적인 실패 모드(아첨적 회귀, 해결되지 않는 REVISE 판정, 검토를 위한 스텁 코드 제출)를 드러내며, 각각은 논문과 함께 공개된 불변의 원격 측정 데이터 및 기원 기록에서 진단할 수 있습니다.
생태계, 기후 하위 시스템, 또는 빙상의 지리적 임계점(geographic tipping point)은 국지적 조기 경보에 심각한 도전을 제기합니다. Moran's I와 같은 고전적인 공간 지표는 전역 공간 구조를 요약하지만, 공간적 희석(spatial dilution), 유클리드 가정, 상관된 노이즈(correlated noise)라는 세 가지 문제에 취약합니다. 본 논문은 지리적 장(geographic field)을 시변 방향성 인과 네트워크로 표현하여 이 세 가지 문제를 해결하는 프레임워크인 시공간 인과 네트워크 진단(ST-CND)을 소개합니다. 핵심 워크플로우는 다음과 같습니다: (1) 전달 엔트로피(transfer entropy)를 통해 어떤 공간 노드가 다른 노드의 예측에 도움이 되는지 추론하여, 고정된 유클리드 이웃을 데이터 기반 정보 흐름 위상(topology)으로 대체합니다; (2) 동적 모드 분해(dynamic mode decomposition)를 통해 각 후보 서브네트워크 내의 국소 회복률을 추정합니다; (3) 높은 내부 변동, 높은 내부 동기화, 낮은 외부 결합이라는 세 가지 신호를 결합하여 가장 취약한 서브네트워크를 식별함으로써, 공간적으로 상관된 노이즈로 인한 오탐을 억제합니다. 합성 분기(synthetic bifurcations)와 인도-태평양 SST 및 북대서양 AMOC라는 두 가지 관측 해수면 온도 벤치마크에 대한 검증 결과, ST-CND는 국지적이고 해석 가능한 경보를 제공합니다. AMOC 작업에서 ST-CND는 0.783의 AUROC와 0.378의 임계 서브네트워크 IoU를 달성하여 recurrence-network 및 lambda-AR1 기준선(baseline)을 능가했습니다. 이 프레임워크는 지구 시스템 과학에서의 공간 조기 경보를 위한 해석 가능하고 확장 가능한 파이프라인을 제공합니다.