서 론

최근 수십 년 동안 전 세계적으로 해수면온도(sea surface temperature, SST)가 꾸준히 상승하고 있으며(Xu et al., 2021), 특히 북극 지역에서는 SST 상승 추세가 더욱 뚜렷하게 나타나고 있고, 전 지구 평균보다 약 4배 빠르게 SST가 상승하고 있는 것으로 보고되고 있다(Rantanen et al., 2022). SST가 꾸준히 상승함에 따라 해빙 농도(sea ice concentration, SIC)는 유의미한 감소 추세를 보이고 있으며(Yang et al., 2023), 이러한 극지방의 급격한 기후 변화는 북극 증폭(Arctic amplification)을 초래하여 제트기류(jet stream)의 경로와 강도를 변화시킨다. 그 결과 중위도 지역에서는 폭설, 한파와 같은 극한 기상이 더욱 빈번하고 지속적으로 발생하는 경향을 보이고 있으며(Cohen et al., 2014), 이와 동시에 북극 해역에서는 해양 열파(marine heatwaves, MHWs)와 같은 극한 현상도 빈번히 나타나고 있다(Hu et al., 2020).

개방수역에서와는 다르게, 극지방에서는 해빙의 존재로 인한 복잡한 환경 조건이 위성 관측에 어려움을 유발하고, 이는 높은 SST 오차의 발생으로 이어진다(Vazquez-Cuervo et al., 2022). 또한 극지방의 극한 기상 조건과 접근성의 제약으로 인해 위성 자료의 정확도 검증에 필요한 현장관측 자료도 부족하며(Zhang et al., 2022), 이로 인해 극지방 연구에 여전히 상당한 어려움이 존재한다. 이러한 제약 조건들로 인해 현재 다양한 Level-4 (L4) SST 자료가 생산되고 있고, 이들 자료의 정확성과 일치성에 대한 객관적인 검증과 평가의 중요성이 강조되며 다양한 자료 간의 상호비교 연구의 필요성이 대두되고 있다(Yang et al., 2021; Vazquez-Cuervo et al., 2022).

최근 연구에서는 해빙 가장자리 근처에서 MHWs가 강화되는 장기적 경향을 확인하였으며, 해빙 후퇴가 MHWs 강화에 중요한 역할을 한다는 사실을 보여주고 있다. 특히 SIC가 50% 이하로 낮은 Marginal Ice Zone (MIZ)은 대기–해양 상호작용이 활발히 일어나는 지역으로 MHWs가 더 강하고 연도별 변동성이 큰 특성을 보이는 것으로 보고되었다(Gou et al., 2025). 이 때문에 극지 해양환경의 변화를 보다 정확히 이해하기 위해서는, SIC가 상대적으로 낮은 MIZ 영역에 대해서도 집중적인 모니터링과 연구가 필요하다.

따라서 본 연구는 위도 58도 이상의 극지 해역 중 SIC 0–50% 영역을 대상으로 자료의 결합 및 해빙에서의 데이터 처리 방식이 다른 Optimum Interpolation Sea Surface Temperature (OISST)와 L4 Arctic Ocean 자료를 비교하였다. 이를 통해 두 자료 간의 SST 및 SIC 차이를 분석하고, 자료의 정량적 비교를 통해 극지 해양 자료 간의 상이한 특성을 분석하였다.

연구자료 및 방법

연구자료

Optimum Interpolation Sea Surface Temperature (OISST)

National Oceanic and Atmospheric Administration (NOAA)에서 제공하는 자료로, 위성, 선박, 부이 등 다양한 SST 관측 데이터를 최적 보간법(optimum interpolation, OI)을 통해 결측 영역을 보간하여 완전한 SST 필드를 제공한다. OISST의 공간 해상도는 0.25° × 0.25°이고 시간 해상도는 Daily이며 SIC 자료도 동일한 해상도로 제공된다(NOAA Physical Sciences Laboratory, 2025). 1981년 9월부터 사용된 OISST v2.0은 SIC 50% 이상 지역을 대상으로, 7일간의 SIC 중앙값을 활용한 회귀 모델을 통해 proxy SST를 추정한다(Reynolds et al., 2007). 이후 업데이트 된 v2.1에서는 2016년 1월 이후 자료에 대해 SIC 35% 이상 지역에서 월별 해수 염분 기후 값(climatology)을 기반으로 어는점을 계산하여 proxy SST를 추정하는 방식으로 개선되었다(Huang et al., 2021). 본 연구에서는 1988년 1월 1일부터 2022년 12월 31일까지 총 35년간의 SST 및 SIC 자료를 활용하였다.

L4 Arctic Ocean - Sea and Ice Surface Temperature REPROCESSED

Danish Meteorological Institute (DMI)에서 생성하고 Copernicus Marine Service (CMEMS)에서 제공하는 자료로 DMI OI 알고리즘으로 결측 영역을 보간한 SST 및 Ice Surface Temperature (IST)를 포함한 L4 자료이다. 공간 해상도는 0.05° × 0.05°이고 시간 해상도는 Daily이며 SIC도 동일한 해상도로 제공된다(Copernicus Marine Service Information, 2024). DMI OI 알고리즘은 SIC에 따라 각각 다른 통계 파라미터를 적용한다. SIC 15% 이하의 open water에서는 SST를, SIC 70% 이상의 영역에서는 IST를 사용하며, 이외의 MIZ에서는 SST와 IST를 통계 선형 가중 평균하여 사용한다(Nielsen-Englyst et al., 2023). 본 연구에서는 1988년 1월 1일부터 2022년 12월 31일까지 총 35년간의 Analyzed_st 및 Sea Ice Fraction 자료를 활용하였다.

연구지역 및 방법

연구지역은 위도 58°–89.95°N 경도 180°W–180°E 지역에서 각 자료의 SIC가 50% 이하인 영역으로 설정하여 분석하였으며, 이는 서론에서 언급된 MHW의 변동성이 큰 SIC 0.5 이하의 MIZ 영역을 고려하고, 본 연구 기간의 OISST v2.0 자료의 proxy SST 처리 기준(SIC 50% 이상)을 반영한 것이다. 위도 58°N은 일반적인 극지 기준인 60°N보다 낮지만, 이 위도 이하에서도 해빙과 SST 변동이 관측되어 실제 현상 범위를 포괄하기 위해 선택되었다. 연구지역을 마스킹하기 위해 1988년부터 2022년까지 총 35년간 각 자료의 SIC 기후평균(climatology)을 활용하였고, 이는 분석 영역의 공간적 일관성을 확보하기 위해 35년 기후 평균값을 기준으로 SIC 50% 초과 영역을 제외하였다(Fig. 1). OISST와 L4 Arctic Ocean 자료는 서로 다른 공간 해상도로 제공되기 때문에 동일한 조건에서의 비교를 위해 0.25° × 0.25°로 Reprojection을 수행하였다. Reprojection 과정에서는 격자 간 해상도 차이를 보정하고 효율적인 공간 매칭을 수행하기 위해 kd-tree 기반의 최근접 탐색(nearest-neighbor search) 알고리즘을 적용하였으며, 원본 격자 좌표 (xi,yi)와 목표 격자 좌표 (xj,yj) 간의 유클리드 거리(d)를 계산하였다. Fig. 2는 이러한 탐색 과정을 도식화한 것으로, 계산된 거리(d)가 최소가 되는 원본 격자의 값을 목표 격자에 할당하여 자료를 매칭하였다. 또한, OISST SIC 자료의 초기 결측치(1988년 1월 10일 이전) 문제를 보완하기 위해, 원시 일별(daily) 자료를 월평균(monthly)으로 1차 변환하고, 이를 다시 연평균(annual) 자료로 만들어 최종 분석에 사용하였다.

Fig. 1.

The masked study area. (a) visualizing the 35-year climatology sea ice concentration (SIC) from OISST, (b) from CMEMS-L4. White areas represent regions where SIC exceeds 50%.

Fig. 2.

Schematic illustration of the nearest neighbor search algorithm used for reprojection. The Euclidean distance (d) is calculated between the target grid point (xi,yi) with the minimum Euclidean distance (d) to the target grid point (xj,yj) is selected for data mapping.

연구결과

Fig. 3은 OISST와 CMEMS-L4의 연평균 SST 및 SIC 시계열 그래프이며, SIC 구간에 따른 두 데이터셋의 차이를 비교하기 위해 전체 SIC 구간(0–50%)과 더불어 0–15% 및 15–50%의 세부 구간으로 나누어 각각 분석하였다.

SST 시계열 분석 결과(Fig. 3a–c), 모든 SIC 구간에서 두 데이터셋 모두 온난화 추세를 보이고 있다. SIC 0–15% 구간(Fig. 3a)의 경우 과거에는 CMEMS-L4 데이터가 OISST 대비 약 0.5°C 낮은 SST 값을 보였으나 온난화 추세가 CMEMS-L4 (+0.454°C/decade)가 OISST (+0.330°C/decade)보다 다소 강하게 나타나며 현재 거의 비슷한 SST 값을 띄고 있다. 이 구간은 해빙이 거의 없는 영역에 가까워 두 데이터의 차이가 비교적 적은 것으로 판단된다. SIC 15–50% 구간(Fig. 3b)에서 CMEMS-L4는 평균 SST가 -2°C 근처의 어는점에 가깝게 분포하며, 매우 강한 온난화 추세(+1.173°C/decade)를 보이고 있다. 반면 OISST의 경우 동일 구간에서 평균 SST가 영상으로 나타나며, CMEMS-L4에 비해 온난화 추세(+0.215°C/decade)가 약하다. 이 구간은 CMEMS-L4에 IST의 영향이 반영 되어있기 때문에 두 데이터가 큰 차이를 보이고 있는 것으로 판단된다. SIC 0–50% 전체 구간(Fig. 3c)에서는 두 구간의 특성이 종합되어 나타난다. CMEMS-L4는 OISST에 비해 지속적으로 낮은 SST를 나타내며, 온난화 추세 역시 더 크게 나타났다(CMEMS-L4: +0.697°C/decade vs. OISST: +0.296°C/decade).

Fig. 3.

Time-series analysis of annual mean SST and SIC from 1988 to 2022 for different SIC ranges. (a–c) SST data. (d–f) SIC data. Each panel shows a specific SIC range: (a, d) 0–15% SIC, (b, e) 15–50% SIC, and (c, f) 0–50% SIC. The blue solid lines represent OISST, the red solid lines represent CMEMS-L4 data, and dashed lines indicate the linear trends of each dataset. The inset boxes in each panel show the trend and p-value for each dataset.

SIC 시계열 분석(Fig. 3d–f)의 경우 2005년 OISST의 SIC 자료가 NASA에서 NCEP 자료로 변경되었기 때문에(Zhang et al., 2025), 1988–2004년(구간 1)과 2005–2022년(구간 2)으로 나누어 추세를 분석하였다. 분석 결과, 모든 SIC 구간에서 두 데이터셋 모두 SIC가 감소하는 추세를 보이고 있으며, OISST의 데이터 변경이 있는 2005년을 기준으로 두 데이터의 SIC가 이전과 역전되어 나타나는 것을 확인하였다. SIC 0–15% 구간(Fig. 3d)의 경우 해빙이 거의 없는 구간이기 때문에 CMEMS-L4 (-0.743%/decade)가 OISST (구간 1: -0.115%/decade, 구간 2: -0.433%/decade)보다 더 빠른 SIC 감소 추세를 보이지만 비슷한 SIC 값을 보이고 있으며, 2005년 이후 OISST는 이전보다 더 빠르게 감소하고 있는 추세이다. SIC 15–50% 구간(Fig. 3e)은 SST와 마찬가지로 두 데이터셋 간의 차이가 가장 명확하다. CMEMS-L4는 40%가 넘는 높은 SIC에서 시작하여 OISST (구간 1: -2.708%/decade, 구간 2: -2.804%/decade) 대비 약 2배 빠른 급격한 감소 추세(-5.137%/decade)를 보인다. OISST의 시계열에서는 2004년 23.6%에서 2005년 37%로 값이 급증하는 뚜렷한 변화가 관측된다. 이러한 급격한 상승은 해당 시점에 발생한 데이터셋 변경의 영향이 반영되어 있는 것으로 판단된다. SST와 마찬가지로 SIC 0–50% 전체 구간의 시계열(Fig. 3f)은 두 세부 구간의 조합으로 설명할 수 있다. CMEMS-L4 (-1.939%/decade)는 OISST (구간 1: -0.876%/decade, 구간 2: -1.129%/decade)에 비해 빠른 추세로 감소하고 있으며, 2004년 7.8%에서 2005년 12%로 값이 급증하였다. 이 또한 데이터셋 변경에 따른 체계적 차이로 판단되며, 이러한 불연속성은 장기 추세 해석 시 반드시 고려되어야 한다.

이러한 결과로 동일한 시공간에서도 사용하는 데이터셋에 따라 장기 추세와 값에서 차이가 발생할 수 있으며, SIC 구간을 0–15%와 15–50%로 세분화함으로써, 두 데이터셋의 차이가 주로 15–50% 구간의 처리 방식 차이에서 기인한다는 사실을 확인하였다.

두 자료 간의 SST 및 SIC의 지역별 장기적인 변화를 비교하기 위하여 1988–2004년과 2005–2022년의 차이를 분석하였다. CMEMS-L4 자료의 SST 변화(Fig. 4a)는 SIC에 관계없이 대부분의 지역에서 과거 대비 온도가 상승했으며, 특히 Fig. 1의 해빙이 존재하는 영역을 따라 온도가 2°C 이상 상승한 것을 확인하였다. SIC 변화(Fig. 4c)의 경우 SST가 크게 상승한 MIZ 영역을 따라 감소하였고, 북극에서 가장 빠르게 온난화가 진행되고 있는 Barents Sea (Isaksen et al., 2022)에서 가장 큰 감소가 일어났다. OISST의 SST 변화(Fig. 4b)의 경우, CMEMS-L4와 마찬가지로 대부분의 영역에서 온도 상승이 확인되었으나 Greenland Sea 부근의 일부 MIZ 영역에서 SST 감소 경향을 띄고 있다. SIC의 변화(Fig. 4d)는 CMEMS-L4와는 다른 양상으로 나타나는 것을 확인했다. CMEMS-L4와 동일하게 Barents Sea에서는 감소하는 경향을 띄고 있으나, Greenland Sea 부근의 MIZ 영역 및 Bering Sea 연안 부근에서 SIC가 과거 대비 상승하는 것으로 나타났다. 또한 대부분의 지역에서 SST와 SIC는 반비례 관계이지만 Bering Sea에서는 SST와 SIC가 모두 상승하고 있는 추세이다. 이러한 결과는 북극 해역의 SST와 SIC 변화가 지역적으로 상이하게 나타남을 보여주며, 특히 대기–해양 상호작용이 활발한 MIZ 영역에서는 두 변수의 변화가 다른 해역보다 복잡하게 나타나고, 그로 인해 두 자료 간 차이도 크게 나타나는 것으로 추정된다.

Fig. 4.

Spatial distribution of changes in sea surface temperature (SST) and sea ice concentration (SIC) (2005–2022 minus 1988–2004). (a, b) SST changes from the (a) CMEMS-L4 and (b) OISST datasets. (c, d) SIC changes from the (c) CMEMS-L4 and (d) OISST datasets.

위성 자료별 해빙 영향 반영 정도를 비교하고자 1988–2022년 기간 동안 OISST 자료 및 CMEMS-L4 자료의 SIC에 따른 SST 분포와 분산을 확인하였다. OISST의 SST 분포(Fig. 5a)는 SIC가 커질수록 SST가 약 5°C 이상에서 0°C로 점진적으로 감소하였으며, SIC가 30% 이상의 경우 0–1°C의 온도로 유지되었고, 2005년 이후부터는 SIC가 약 10%인 픽셀까지 높은 SST를 띄고 있다. 반면 CMEMS-L4의 SST 분포(Fig. 5c)도 SIC가 커질수록 SST가 감소하였으나 약 5°C 이상에서 -2°C 이하의 범위로 OISST 대비 온도 변화 폭이 크게 나타났으며, SIC가 30% 이상의 경우 -2°C 이하의 온도로 유지되어 CMEMS-L4 자료 SST가 더 낮게 나타남을 확인하였다. OISST 분산 결과(Fig. 5b)를 보면, SIC가 25% 이상인 구간에서는 proxy SST 추정 알고리즘의 특성으로 인해 분산이 0–2°C² 수준으로 거의 일정하게 유지된다. SST와 마찬가지로 2005년부터 SIC 약 20%인 픽셀까지 분산이 크게 나타나는데, 이 또한 OISST의 SIC 데이터셋 변경 때문으로 판단된다. 반면, CMEMS-L4 분산 결과(Fig. 5d)는 SIC 15–70% 구간에서 SST와 IST를 선형 가중 평균하는 방식에 기인하여 SIC에 관계없이 전 구간에서 높은 분산을 보인다. 이는 CMEMS-L4가 SIC 변화에 따른 SST 변동성을 넓게 포착한 것으로 보이나, 알고리즘 차이의 영향 가능성이 있어 향후 추가 연구가 필요하다.

Fig. 5.

Hovmöller-like diagrams of sea surface temperature (SST) variation and variance as a function of sea ice concentration (SIC) for the period 1988–2022. (a) SST variation with SIC in the OISST dataset. (b) Variance of SST with respect to SIC in the OISST dataset. (c) SST variation with SIC in the CMEMS-L4 dataset. (d) Variance of SST with respect to SIC in the CMEMS-L4 dataset. The line in each panel represents 25% SIC.

결 론

본 연구는 1988년부터 2022년까지 위도 58° 이상의 북극 지역에서 데이터 처리 방식이 다른 두 자료를 비교하고자 SST 및 SIC의 시계열 그래프와 공간적 변화 분포, SIC에 따른 SST의 관계를 분석하였다. 분석 결과 두 데이터셋 모두 전반적인 SST 상승과 SIC 감소 추세를 보였으나, 변화율과 경향성에서 차이가 존재했다. 특히 해빙의 영향이 큰 SIC 15–50% 구간에서 두 데이터셋 간의 차이가 크게 나타났으며 CMEMS-L4 데이터셋은 이 구간에서 OISST보다 더 강한 온난화 경향과 약 2배 빠른 SIC 감소율을 보였다. 또한 2005년을 기점으로 OISST 데이터셋에 변경이 있었으며, 이 시기에 SIC 시계열 자료의 경향성에도 변화가 나타나는 것을 확인했다. 공간적 변화 분석은 두 자료 모두 대부분의 영역에서 SST가 상승하였으며 CMEMS-L4 자료의 경우 MIZ영역에서 눈에 띄는 SST 상승이 있었고 반대로 SIC는 감소하였다. 하지만 OISST는 반대로 Greenland Sea 일부 MIZ영역에서 SST 감소 및 SIC 상승 현상이 나타났으며 Bering Sea에서 CMEMS-L4와 OISST의 SIC는 서로 반대되는 경향이 나타나는 것을 확인하였다. SIC에 따른 SST의 관계 분석 결과, 두 자료 모두 SIC가 증가함에 따라 SST는 감소하였지만, CMEMS-L4의 온도 감소폭과 분산이 크게 나타났다. 이는 CMEMS-L4가 해빙 변화에 따른 SST 변동성을 넓은 범위에서 포착한 결과로 보이나, 자료 산출 알고리즘 차이에 기인했을 가능성도 있어 추가 연구가 필요하다. 이러한 결과는 극지방에서는 자료의 결합 또는 해빙 영역에서 데이터 처리 방식 등의 차이가 동일한 시공간 내에서도 무시할 수 없는 불일치를 초래할 수 있음을 시사한다. 예를 들어, 장기 추세 분석 시 OISST는 2005년 SIC 데이터 변경으로 인한 시계열 불연속성이 존재하므로 CMEMS-L4 사용을 고려할 필요가 있다. 따라서 본 연구는 극지방 연구 시 연구 목적에 적합한 자료 전처리 및 결합 방식을 신중히 선택하는 것이 필수적임을 강조한다.