AI4Land: 전 지구적 고해상도 토지 이용 재구성을 위한 확장 가능한 딥러닝 (Deep Learning)

육상 탄소 순환 (terrestrial carbon cycle)의 불확실성은 기후 예측에 있어 주요한 제약 요인으로 남아 있으며, 이는 부분적으로 지표면 표현 (land surface representation)에 영향을 미치는 불확실성과 지구 시스템 모델 (Earth system models)의 변동성에 의해 발생합니다. 이러한 한계를 해결하기 위해, 우리는 주요 지표 변수의 고해상도 과거 재구성 및 미래 예측을 생성하기 위한 데이터 기반 프레임워크인 AI4Land를 제시합니다. 이 프레임워크는 U-Net 아키텍처를 사용하는 2단계 접근 방식을 따릅니다. 본 연구의 초점인 첫 번째 단계에서는 저해상도 시나리오 데이터와 정적 지구물리학적 특징 (static geophysical features)을 통합하여 연간 토지 이용 (land use) 및 토지 피복 (land cover)을 재구성합니다. 계획된 두 번째 단계에서는 생성된 고해상도 지도를 사용하여 동적 생물물리적 변수 (dynamic biophysical variables), 특히 엽면적 지수 (leaf area index)를 더 미세한 시간 규모로 예측할 것입니다. 지구 관측 데이터 (Earth observation data)로 학습된 이 모델들은 공간적으로 명시적이고 물리적으로 일관된 지표 패턴을 재현하는 법을 배우며, 직접적인 관측이 부족한 시기까지 시간적 범위를 확장합니다. AI4Land는 MareNostrum5에서 개발 및 학습되었으며, GPU 가속 HPC 인프라가 어떻게 전 지구적 규모의 기후 AI 파이프라인을 가능하게 하는지 보여줍니다. 최종 결과물은 Destination Earth 이니셔티브 하에 개발된 것과 같은 디지털 트윈 (digital twin) 플랫폼과 실시간 결합을 위해 설계된 오픈 소스 에뮬레이터 (open-source emulators) 제품군입니다. 요청에 따라 현실적이고 진화하는 지표 조건을 제공함으로써, 본 연구는 핵심적인 불확실성을 줄이고 차세대 기후 시뮬레이션의 예측력을 향상시키는 것을 목표로 합니다.