생태계, 기후 하위 시스템 또는 빙하에서의 지리적 임계점 (Geographic tipping points)은 국지적 조기 경보에 심각한 과제를 제기합니다. Moran's I와 같은 고전적인 공간 지표는 전역적 공간 구조를 요약하지만, 공간적 희석 (spatial dilution), 유클리드 가정 (Euclidean assumptions), 그리고 상관된 노이즈 (correlated noise)라는 세 가지 문제로 인해 어려움을 겪습니다. 본 논문은 지리적 장 (geographic field)을 시간적으로 진화하는 유향 인과 네트워크 (directed causal network)로 표현함으로써 이러한 세 가지 문제를 해결하는 시공간 인과 네트워크 진단 (SpatioTemporal Causal Network Diagnostics, ST-CND) 프레임워크를 소개합니다. 핵심 워크플로우는 다음과 같습니다: (1) 전이 엔트로피 (transfer entropy)를 통해 어떤 공간 노드들이 다른 노드들을 예측하는 데 도움이 되는지 추론하여, 고정된 유클리드 이웃 (Euclidean neighborhoods)을 데이터 기반의 정보 흐름 토폴로지 (information-flow topology)로 대체합니다; (2) 동적 모드 분해 (dynamic mode decomposition)를 통해 각 후보 서브네트워크 내의 국지적 회복률 (local recovery rates)을 추정합니다; (3) 높은 내부 변동성 (high internal fluctuation), 높은 내부 동기화 (high internal synchronization), 낮은 외부 결합 (low external coupling)이라는 세 가지 신호를 결합하여 가장 취약한 서브네트워크를 식별함으로써, 공간적으로 상관된 노이즈로부터 발생하는 허위 경보를 억제합니다. 합성 분기 (synthetic bifurcations) 및 두 가지 관측 해수면 온도 (sea-surface temperature, SST) 벤치마크인 인도-태평양 SST와 북대서양 AMOC를 통해 검증된 ST-CND는 국지적이고 해석 가능한 경보를 제공합니다. AMOC 작업에서 ST-CND는 AUROC 0.783과 임계 서브네트워크 IoU 0.378을 달성하며, 재귀 네트워크 (recurrence-network) 및 lambda-AR1 베이스라인을 능가했습니다. 이 프레임워크는 지구 시스템 과학 (Earth system science) 분야의 공간적 조기 경보를 위한 해석 가능하고 확장 가능한 파이프라인을 제공합니다.