열대 사이클론 바람 펌프에 의한 해양 냉각 모델링: 설명 가능한 기계 학습 프레임워크를 사용하여

열대 사이클론(TC)은 강력한 바람 펌프 효과로 해양 상단에서 해수면 온도 냉각(SSTC)을 유도합니다. SSTC는 TC 진화와 해양 조건을 나타내는 중요한 지표입니다. 그러나 TC에 의해 유도된 SSTC의 공간 구조 진폭을 정확하게 근사화하기 위한 효과적인 방법이 거의 없습니다. 본 연구는 북서태평양(NWP)에서 SSTC의 공간 구조 진폭을 모델링하고 해석하기 위한 새로운 설명 가능한 기계 학습 프레임워크를 제안합니다. 특히 TC 특성과 폭풍 전 해양 상태와 관련된 12개의 예측 변수를 입력으로 고려합니다. 합성 분석 기법을 사용하여 TC 경로를 따라 SSTC의 공간 구조 진폭을 특성화합니다. 극한 그래디언트 부스팅(XGBoost)을 사용하여 12개 예측 변수로부터 SSTC의 진폭을 예측합니다. 해양-대기 상호작용을 보다 잘 해석하기 위해 SHapely Additive explanations (SHAP) 방법을 추가로 사용하여 TC에 의해 유도된 SSTC의 진폭을 결정하는 데 있어 예측 변수가 기여하는 바를 파악하였습니다. 이로써 제안된 방법에 속성 지향적 설명 가능성을 도입합니다. 결과는 제안된 방법이 다양한 TC 강도 그룹에 대해 SSTC의 공간 구조 진폭을 정확하게 예측할 수 있으며 수치 모델보다 뛰어난 성능을 보임을 보여주었습니다. 제안된 방법은 또한 SSTC 공간 구조의 연간 및 계절적 진화를 재구성하는 효과적인 도구로 작용합니다. 본 연구는 극한 기상 조건(예: TC)으로 촉발된 해양 조건의 반응을 모델링하고 해석하기 위해 기계 학습을 적용하는 데 대한 통찰력을 제공합니다.