AI 기상예보 시스템의 데이터 학습 방식과 그 효과는 무엇인가요?

[단비]

AI 기상예보 시스템이 40년 치의 기상 데이터를 학습하여 날씨 패턴을 인식한다고 하던데, 구체적으로 어떤 데이터를 어떻게 학습하며, 이러한 학습 방식이 기상 예측에 어떤 효과를 가져오는지 궁금합니다.

출처 : https://user-gen-media-assets.s3.amazonaws.com/seedream_images/3eba25da-c561-4762-81a0-360100a47170.png

AI 기상예보 시스템은 수십 년간의 재분석 자료(예: ERA5)를 이용해, “이전 대기 상태 → 몇 시간 뒤 대기 상태”의 관계를 딥러닝으로 근사하는 방식으로 대규모 패턴을 학습하고, 그 결과 기존 수치예보(NWP)에 필적하거나 능가하는 중기 예보 성능과 압도적인 계산 속도를 얻습니다. 이런 학습은 특히 전지구 3차원 대기 구조와 극한현상(태풍, 폭우 등)의 공간·시간 패턴을 정교하게 재현하는 데 효과적이지만, 40년이라는 기간 특성상 장기 기후변화 추세를 직접 예측하는 용도로는 한계가 있습니다.

어떤 데이터를 학습하는가

• 최신 AI 전지구 예보 모델(GraphCast, Pangu-Weather, FourCastNet 등)은 ECMWF의 5세대 재분석인 ERA5와 같은 자료를 수십 년치 내려 받아 학습합니다.

• ERA5는 위성·레이더·지상관측 등을 자료동화한 “관측+NWP 합성 기록”으로, 전 지구 격자(보통 0.25°×0.25°, 대략 25~30km 간격)에 대해 3차원 기압면 변수와 지표 변수를 시간별로 제공합니다.

• 수직 방향으로는 500hPa 고도(Z500), 850hPa 온도(T850), 여러 기압면의 바람, 습도 등과 같은 상층 필드가 포함되고, 수평 방향으로는 2m 기온, 10m 풍속, 강수량 등 지표·근지표 변수가 함께 사용됩니다.

• 예를 들어 Pangu-Weather는 ERA5로부터 약 43년 치의 전 지구 시계열(1979–2017년)을 시간 간격별로 추출해 3차원 딥러닝 모델을 학습했으며, 이때 시간 해상도(1시간 간격)와 공간 해상도(0.25°)를 그대로 유지해 고해상도 전지구 예보가 가능하도록 설계했습니다.

• GraphCast 역시 ECMWF ERA5 재분석의 약 40년 분량을 이용해 학습되었으며, 이 데이터는 “실제 대기 상태에 가장 가까운 전 지구 시계열”로 간주되기 때문에 AI 모델의 지도학습용 정답 레이블 역할을 합니다.

• FourCastNet 역시 ERA5 기반 전지구 격자 자료를 사용해, 특히 지표 바람, 강수, 수증기 분포 등 미세 구조가 중요한 변수를 0.25° 해상도로 예측하도록 학습되었습니다.

어떻게 학습해서 패턴을 인식하는가

• 이러한 AI 예보 시스템은 기본적으로 “지도학습(supervised learning)”을 사용하며, 특정 시점의 전 지구 대기 상태 xt를 입력으로 받아 몇 시간 후 상태 xt+Δt 를 출력하도록 신경망 fθ 를 학습합니다.

• 학습 데이터는 “ERA5에서 시간 t의 전 지구 필드 → ERA5에서 시간 t+6h 또는 t+1h의 전 지구 필드”와 같은 입력–정답 쌍으로 구성되고, 손실함수(예: 평균제곱오차)를 최소화하면서 전 지구 모든 격자점과 변수에 대한 예측 오차를 줄이도록 파라미터를 최적화합니다.

• GraphCast는 그래프 신경망(GNN)을 사용해, 전 지구 격자를 “노드”로 보고 인접 격자 간의 연결을 통해 대기 흐름의 공간 상호작용을 표현하는 구조를 채택했습니다.

• 이 방식은 단순한 2차원 CNN보다 이류·파동과 같은 기상장 구조의 연결성을 더 잘 반영해, 적은 파라미터(약 3천7백만 개)로도 10일 예보까지 높은 정확도를 달성하도록 돕습니다.

• Pangu-Weather는 3차원 Earth-Specific Transformer를 사용해, 위도·경도·고도(기압면) 차원을 동시에 고려하는 3D 딥러닝 구조로 전 지구 대기의 수직·수평 결합을 학습합니다.

• 또한 “계층적 시간 집계(hierarchical temporal aggregation)” 전략을 사용해, 짧은 리드타임 모델과 긴 리드타임 모델을 병렬적으로 학습함으로써 반복 예측 시 누적오차를 줄이고 중기(수일) 예보 정확도를 향상시켰습니다.

• FourCastNet은 푸리에 기반 신경연산자(Fourier Neural Operator)에 가까운 구조를 채택해, 전 지구 필드를 주파수 영역에서 처리함으로써 대규모 파동 패턴과 소규모 구조를 동시에 효율적으로 모델링합니다.

• 이 모델은 특히 96시간 이후까지의 지표 바람과 강수 패턴을 고해상도로 재현하면서, 태풍 Mangkhut 및 동시 다발 허리케인 등 복잡한 극한 현상의 이동과 강도 변화를 데이터 기반으로 포착하는 데 성공했습니다.

40년 학습이 예측 성능에 주는 효과

• GraphCast는 ECMWF의 대표적 수치예보 시스템(HRES)과 비교했을 때, 1,380개 변수·리드타임 조합 중 90% 이상에서 더 낮은 예측 오차를 보였으며, 대기 하층(대략 6–20km)으로 한정하면 99.7%의 항목에서 우수한 성능을 기록했습니다.

• 이는 40년 치 재분석 자료를 통해 계절·연주기·열대파동·제트기류 변동 등 다양한 시간 스케일의 패턴을 폭넓게 경험하면서, 통계적으로 안정된 동역학 근사를 학습했기 때문으로 해석할 수 있습니다.

• Pangu-Weather는 ERA5 39년 자료를 학습한 뒤 ECMWF 운영 모델(IFS)과 비교 평가에서, 3일 예보 기준으로 상층(Z500, T850)과 지표(2m 기온, 10m 바람) 변수에서 동급 또는 더 나은 정확도를 보이면서도 10,000배 이상 빠른 계산 속도를 달성했습니다.

• 이처럼 “장기간 재분석 자료 + 대규모 딥러닝” 조합은, 물리 방정식을 직접 수치적으로 적분하는 대신 과거 패턴을 근사함으로써, 중기 예보 구간에서 수치예보와 비슷한 수준의 예측력을 훨씬 낮은 계산 비용으로 얻는 방향으로 수렴하고 있습니다.

• FourCastNet은 최대 1주일 범위 단기·중기 예보에서, 특히 지표 풍속·강수·수증기와 같이 시공간 미세 구조가 중요한 변수들에 대해 기존 ML 모델보다 뛰어난 정확도를 기록했으며, 전통 NWP 대비 약 45,000배 빠른 예보와 12,000배 저렴한 계산 비용을 보고했습니다.

• 계산 비용이 극적으로 줄어든 덕분에, 과거에는 50개 이내였던 전지구 앙상블 크기를 1,000개 이상까지 확장해 확률 예보 및 극한현상 불확실성 추정을 훨씬 정교하게 수행하는 것이 가능해졌습니다.

• NeuralGCM과 같은 “신경 일반순환모델(Neural GCM)” 계열은 약 40년 ERA5로부터 대기·해양의 장주기 변동을 함께 학습해, 수십 년 스케일 테스트에서도 수치 기후모델에 필적하는 안정성을 보이는 등, 기후·장기 예보 영역으로의 확장 가능성을 보여주고 있습니다.

• 다만, 현재 40년 수준의 재분석 기간은 기후변화와 같이 수십 년 이상에 걸친 장기 추세를 완전히 포착하기에는 여전히 짧기 때문에, 이들 모델은 “현재 기후 상태에서의 날씨 예보”에 최적화된 도구로 보는 것이 적절합니다.

어떤 한계와 주의점이 있는가

• 40년 재분석 기반 학습은 그 기간의 기후 상태와 그 안에서 발생한 극한현상 통계에 강하게 의존하기 때문에, 관측 자료가 부족한 지역·현상이나 이전에 거의 없었던 유형의 극단 사건에 대해서는 일반화 성능이 떨어질 수 있습니다.

• 또한, 재분석 자체가 특정 수치모델과 관측 시스템의 산물이므로(예: ERA5는 ECMWF 시스템과 관측에 기반), 이 안에 존재하는 체계적 편향이 그대로 AI 모델에 학습·증폭될 가능성이 있습니다.

• 물리 일관성 측면에서도, AI 모델이 직접 나비에–스토크스 방정식을 적분하는 것이 아니라 통계적 근사를 수행하기 때문에, 에너지·질량 보존이나 미시적 물리 제약이 느슨해질 수 있다는 지적이 있습니다.

• 이를 보완하기 위해, 최근에는 AI 예보를 전통 NWP와 결합하는 하이브리드 접근(예: AI를 활용한 포스트프로세싱, 바이어스 보정, 다운스케일링 등)이 활발히 연구·운영되고 있습니다.

• 또 하나의 중요한 제약은, 약 40년이라는 학습 기간이 온실가스 증가에 따른 장기적 기후변화 추세를 통계적으로 충분히 포착하기에는 부족하다는 점으로, 일부 연구에서는 “AI 예보 모델만으로는 장기 기후변화를 예측하기 어렵다”고 지적합니다.

• 따라서, 기후 시나리오(SSP/RCP 등)를 바꿔가며 수십~수백 년을 적분하는 용도라기보다는, “현재 관측·분석 상태를 초기조건으로 하는 수일~수주 범위의 날씨 및 단기 기후 예측”에 최적화된 도구로 보는 것이 현실적입니다.

날씨경영·빅데이터 관점에서의 활용 포인트

• GraphCast·Pangu-Weather·FourCastNet과 같은 모델이 제공하는 것은 “전 지구 격자 위의 다변량·다시간 예측 필드”이므로, 에너지·농업·물관리·물류 등 각 산업 영역에서 이를 후처리해 수요·공급·위험 지표로 변환하는 응용이 핵심 과제가 됩니다.

• 예를 들어 에너지 분야에서는 GraphCast나 FourCastNet의 고해상도 바람·일사량 예측을 추가 ML 모델에 입력해 전력 수요·재생에너지 출력·계통 리스크를 예측하는 다운스트림 그래프/시계열 모델링 사례가 보고되고 있습니다.

• Pangu-Weather와 같은 운영형 시스템은 ECMWF 분석장이나 ERA5 초기조건에서 직접 0.25° 해상도의 전지구 예보를 생성해, 운영 예보와 병행 활용하거나, 특정 지역을 고해상도 지역모델로 리파인하는 초기·경계 조건으로 사용되고 있습니다.

• 날씨경영 관점에서는 “전통 NWP(물리 기반) + AI 예보(데이터 기반)”의 다중 소스 앙상블을 구성하고, 각 모델의 강점이 나타나는 리드타임·현상을 분류해 가중치를 다르게 적용하는 전략이 리스크 관리 측면에서 점점 중요해지고 있습니다.

• 요약하면, 40년 재분석 자료를 학습한 AI 기상예보 시스템은 전통 수치예보와 견줄 만한 예측성능과 압도적인 계산 효율을 확보했지만, 재분석 기간과 품질, 물리 제약, 기후변화 반영 한계 등을 고려한 “하이브리드·리스크 기반 활용 전략”이 필요합니다.

• 사용자의 전문 배경(날씨경영·빅데이터)을 고려하면, 이러한 AI 예보 필드를 다양한 산업·지역 별 맞춤 지표로 변환하는 후처리·앙상블 설계 영역이 앞으로 가장 큰 부가가치를 창출할 수 있는 지점이라 볼 수 있습니다.

참고문헌

https://www.science.org/content/article/ai-churns-out-lightning-fast-forecasts-good-weather-agencies

https://deepmind.google/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/

https://arxiv.org/abs/2211.02556

https://ai4earthscience.github.io/iclr-2022-workshop/camera_ready/iclr_2022_ai4ess_25.pdf

https://pmc.ncbi.nlm.nih.gov/articles/PMC11357988/

https://www.nature.com/articles/s41586-023-06185-3

https://www.enertel.ai/post/graphcast-data-is-essential

https://docs.nvidia.com/physicsnemo/25.08/physicsnemo/examples/weather/pangu_weather/README.html

https://arxiv.org/pdf/2202.11214.pdf

https://www.facebook.com/RAEngineering/posts/-graphcast-google-deepminds-ai-weather-forecasting-model-has-taken-the-world-by-/904523098553966/

https://docs.nvidia.com/deeplearning/modulus/modulus-v2209/user_guide/neural_operators/fourcastnet.html

https://www.sciencedirect.com/science/article/pii/S0952197625023437

https://events.dkrz.de/event/76/attachments/93/179/2025-03_DL-Course_AI-Weather-Models.pdf

https://research.google/blog/fast-accurate-climate-modeling-with-neuralgcm/

https://github.com/198808xc/Pangu-Weather

https://www.emergentmind.com/topics/pangu-weather-operational

https://www.preventionweb.net/news/atmospheric-scientists-suggest-ai-could-be-used-make-30-day-weather-forecasts

https://charts.ecmwf.int/products/pangu_medium-t-z

https://www.nature.com/articles/s41598-025-98944-7

 https://colab.research.google.com/drive/1HoP1Jn55rm4YjzhDve_X0PMYQwrcBxNW?usp=sharing

출처 : https://www.perplexity.ai/ 재구성