OceanCast 4D 소개

01

개요

OceanCast 4D는 해양수산부 ‘고품질 준실시간 해양그리드데이터서비스 체계개발’ 사업을 통해 구축된 관측–AI 기반 해양 데이터 플랫폼입니다.
위도·경도·수심의 3차원 격자(2km×2km×1m)를 기반으로 해양 환경 정보를 통합하여 시각화하며, 인공지능 분석 기술을 결합해 고정밀·고품질의 해양 데이터를 준실시간으로 매일 제공합니다.
이 시스템은 관측자료의 불균일성을 보완하고 시공간적으로 정밀한 해양 분석을 가능하게 하며, 수평분포도, 단면도, 수직 프로파일 등 4차원(시간·공간·수심) 시각화를 지원합니다.
본 OceanCast4D는 해양수산부 지원으로 추진된 사업의 결과물이며, 과학기술정보통신부 판단에 따라 시범 해역에 대해서만 추진합니다.
향후 적합한 현업 해양 기관과의 협업을 통해 한반도 전해역으로 확대를 목표로 하고 있습니다.

구축 배경

02

급격한 기후변화에 의해 해양 환경도 빠르게 변화하고 있어, 해양 감시와 예측이 어느때보다 중요해졌습니다.
현재를 정확하게 파악하는 것은 예측 결과의 정확도와 직결되는 문제이지만, 현재 해양 상태를 제대로 알기에는 현 유인 선박 중심의 관측은 지나치게 부족합니다.
현재의 선박 중심 관측체계는 약 20~30 km의 공간해상도와 2개월의 관측 주기, 그리고 수주~수개월의 자료 처리 지연이 발생하고 있습니다.
이러한 한계를 극복하기 위해 선박과 해양무인기(해양글라이더, 무인수상정 등)를 연계한 4차원(3차원 공간 + 1차원 시간) 관측 체계를 개발하고, AI를 활용한 해양 환경 정보 생산을 통해 시공간적으로 촘촘하며, (2kmx2kmx1m 공간해상도, 1일 시간해상도) 지속가능한 실시간 격자화된 데이터 생산체계를 마련하였습니다.
4차원 관측 자료를 활용하여 현재3차원 구조를 정확하게 예측할 뿐 아니라 과거 10일 결과와 미래 10일 결과를 동시에 표출함으로써, 현장 데이터의 활용성을 증대할 뿐 아니라, 해양의 변화 양상을 사용자가 직접 확인할 수 있도록 하였습니다.

03

관측 자료 및 AI 모델 개요

해양글라이더 관측 자료는 현재 3개(향후 확장될 예정)의 위도대에서 약 200km 동-서 방향 단면 관측을 지속적으로 실시하여 얻어지고, 얻어진 자료는 하루에 한번 인공위성을 통해 전송됩니다.

그림 1 해양글라이더 3기 선단 관측
AI 모델에는 인공위성 관측 자료인 해표면 고도계 자료(CMEMS) 와 해표면 수온 자료(OSTIA) 도 입력됩니다.

그림 2 OSTIA SST(좌), CMEMS SSH(우)
해양글라이더와 인공위성 자료는 현재 날짜를 중심으로 과거 30일치의 자료가 AI 모델에 입력되며, 이를 통해 30일치의 4차원 구조를 재현합니다.
이 30일치의 현재 및 과거 재현 결과를 바탕으로 미래 10일을 예측합니다.

그림 3. 3D UNet-LSTM 기반 해양 수온 Nowcast의 흐름도와 구조 – (a)글라이더 자료로부터 AI 2D Inpainting UNet-LSTM으로 수온 단면을 생성하고, 이를 3차원 격자로 변환해 AI 3D UNet-LSTM으로 예측, (b)Conv3D-LSTM 블록과 스킵 연결, 다중 스케일 공간 특성을 결합한 3D UNet-LSTM 모델 구조
이 중 과거 10일과 미래 10일에 해당하는 총 21일치의 자료가 매일 업로드 되어 홈페이지를 통해 표출됩니다.
AI 모델은 UNET-ConvLSTM을 기반으로 구성되었으며, 공간뿐 아니라 시간적인 구조 패턴을 GLORYS12 재분석 모델 데이터를 통해 학습한 결과입니다.
국립수산과학원 정선선박 관측 자료를 활용하여 AI 모델 성능을 평가한 결과, 기존 자료동화+역학 모델 결과보다 평균적으로 90% 더 우수한 성능을 보임을 확인하였습니다.
국립수산과학원 정선선박 10년치 관측 자료의 위치별, 수심별 변동성을 나타내는 표준편차를 기준으로 정선선박 관측 자료와 AI 모델 결과와의 차이가 50%미만으로, 기존 모델이 140%의 차이를 보여 현 AI 모델의 우수성을 정량적으로 입증할 수 있었습니다.

3D UNet-LSTM 기반 해양 수온 Nowcast의 흐름도와 구조 – (a)글라이더 자료로부터 AI 2D Inpainting UNet-LSTM으로 수온 단면을 생성하고, 이를 3차원 격자로 변환해 AI 3D UNet-LSTM으로 예측, (b)Conv3D-LSTM 블록과 스킵 연결, 다중 스케일 공간 특성을 결합한 3D UNet-LSTM 모델 구조

Table 1 2025년 8월 NIFS 자료와 AI & GLORYS12V1 정량적 비교 - RMSE, MAREV, MREV
	RMSE(°C)		MAREV(%)		MREV(%)
	AI	GLORYS12V1	AI	GLORYS12V1	AI	GLORYS12V1
정선104	0.720	3.193	22.5	98.3	31.5	124.9
정선 105	1.008	1.499	29.8	78.7	37.9	132.6
정선 106	0.622	1.669	21.1	111.3	31.2	164.8

04

기대효과

OceanCast 4D는 관측자료의 시공간적 공백을 AI를 통해 보완하여 해양데이터의 품질과 활용성을 높이고, 해양정보산업의 경쟁력 강화에 기여합니다.
자료동화 기반 해양기후 예측 모델의 정확도를 비교 검증하는데 활용함으로써 예측 모델 성능 향상에 기여합니다.
어족 자원 분포에 대한 이해는 해표면 아래 수온 구조 및 생지화학 변수 분포가 중요하므로, 수산 자원에 효율적 관리에 활용되는 기반 자료를 제공합니다.
지속적으로 관측자료 기반의 격자화된 자료가 수집됨으로써 기후변화에 따른 해양 3차원 구조의 변화를 파악하여 예측력 향상에 기여합니다.
또한, AI 융합 기반의 지속가능한 해양관측 생태계를 조성하여, 기후변화 대응과 해양환경 관리 고도화를 위한 기반 인프라로 활용될 것입니다.
국내 해양데이터 처리 및 관측 기술 수준이 세계적인 수준에 근접했음을 입증하며, 향후 국가 해양데이터 서비스의 중심 플랫폼으로 발전할 것으로 기대됩니다.

05

관측–AI 기반 해양 그리드 데이터 시스템 (OceanCast 4D)

개요

구축 배경

관측 자료 및 AI 모델 개요

기대효과

관련 주요 기술 및 성과