Microsoft Research, Nature에 AI 기상 예측 연구 발표

Microsoft Research가 주도한 연구팀은 2026년 10월 14일 Nature에 실린 연구를 발표했다. 이 연구는 기계학습 프레임워크인 확률적 편향 보정(PBC)을 소개하고, 이 방법이 2~6주 앞의 기상 예보를 개선한다고 저자들이 보고했다. 연구팀은 코드도 오픈소스로 공개했다.

이 연구에 따르면 현대의 역학 모델과 AI 시스템은 약 2주 앞까지 정확한 예보를 내놓지만, 2~6주 앞을 내다보는 계절내 규모에서는 오차의 누적, 모델의 구조적 편향, 대기의 혼돈적 특성 때문에 예측력이 급격히 떨어진다. 저자들은 PBC를 모델의 과거 확률 예보를 학습해 보정함으로써 체계적인 오차를 줄이는 프레임워크로 제시한다. PBC는 원시 관측값이 아니라 확률분포를 직접 다룬다.

Hannah Guan과 Soukayna Mouatadid는 이 연구에 동등하게 기여했으며, Guan은 Microsoft Research 인턴으로 연구를 수행했다. MIT의 Judah Cohen과 Microsoft Research의 Lester Mackey가 교신 저자다. 13명으로 구성된 연구팀의 소속 기관으로는 Microsoft Research, Microsoft, MIT, Harvard College, 토론토대학교, IMPA, Janus Research Group, Rhiza Research, ECMWF가 기재돼 있다. Nature에는 논문이 2026년 4월 17일 접수되고 2026년 9월 4일 게재 승인된 것으로 기록돼 있다.

PBC의 작동 방식과 평가 방법

결정론적 예보의 원시 앙상블을 입력받으면, PBC는 먼저 이를 기후학적 분위수 구간을 기준으로 평가하는 초기 확률 예보로 변환한다. 이어 두 가지 기계학습 모델이 서로 보완적인 보정을 병렬로 적용한다. Debias++는 적응적으로 선택한 학습 기간의 확률 예보 오차를 최소화해 학습한 위치·날짜·분위수별 조정값을 적용해 예보를 변형한다. Persistence++는 예보에 시차 관측값과 기후값을 결합해 최근 기상 추세와 연중 날짜에 따른 효과를 포착한다. 두 보정 결과를 유효한 누적분포함수의 공간에 사영한 뒤 평균을 내 최종 PBC 예측값을 산출한다.

연구팀은 ECMWF의 AI Weather Quest 대회에서 사용한 기준에 따라 예보를 평가했다. 평가 항목은 육지의 평균 2미터 기온과 총강수량, 그리고 전 지구를 1.5도 격자로 나눈 영역의 평균 해면 기압이었다. 5개 분위 구간을 사용하고, 3주 선행 예보(19~25일)와 4주 선행 예보(26~32일)를 대상으로 기후학적 기준 예보와 비교해 순위확률기술점수(RPSS)를 계산했다. 실측 기준값은 1.5도 해상도로 재격자화한 1979~2026년 ERA5 재분석 자료였으며, 기본 시험 세트에는 2016~2024년의 윤일을 제외한 월요일과 금요일 목표 날짜가 포함됐다. 저자들은 각 예보 발표 시점에 확인할 수 있는 재분석 자료와 모델 예보 데이터만 사용해 PBC를 매일 점진적으로 재학습할 수 있을 만큼 가볍다고 설명한다. 이는 실제 운영 환경을 모방한 것이다.

역학 모델과 AI 모델 전반의 예측력 향상

논문은 ECMWF의 역학 앙상블이 세계에서 가장 정확한 기상 모델로 널리 여겨지며, 계절내 예측력을 평가하는 기준으로서 최고 수준의 표준이라고 설명한다. 해당 앙상블에 2016~2024년 기간의 PBC를 적용한 결과, 원시 모델에서 양의 강수 예측력으로 나타난 0.023 RPSS가 세 배로 높아졌고, 기온과 기압 예보는 음의 예측력에서 예측력이 있는 수준으로 개선됐다고 연구는 보고한다. ECMWF의 운영상 편향 보정 결과와 비교했을 때 PBC는 기온 RPSS를 26~37%, 기압 RPSS를 16~32% 높였다. 격자 셀 기준으로는 강수량의 98%, 기온의 91~92%, 해면 기압의 89~91%에서 성능이 향상됐다.

연구에 따르면 PBC는 AI 기반 시스템도 개선했다. 계절내 예측을 위한 ECMWF의 딥러닝 모델인 AIFS-SUBS에 PBC를 적용한 결과, 2025년 시험 기간에 모든 변수와 선행 기간을 통틀어 모델의 평균 RPSS 0.03이 두 배로 높아졌다. 합성곱 신경망과 트랜스포머 신경망으로 ECMWF 앙상블을 후처리하는 하이브리드 시스템 POET에 적용했을 때는 2024년 기준 강수량에서 68~98%, 평균 해면 기압에서 15~23%, 기온에서 5~7% 성능이 향상됐다고 논문은 밝혔다. 저자들은 PBC-ECMWF가 2017~2021년 시험 기간에 딥러닝 모델 FuXi-S2S보다 뚜렷한 예측력 향상을 보였으며, 기온 격자 셀의 99~100%, 강수량 격자 셀의 97~99%, 평균 해면 기압 격자 셀의 96~100%에서 개선이 나타났다고 보고했다.

대회 결과와 극한 기상 현상 예측

실시간 성능을 평가하기 위해 연구팀은 PBC-ECMWF와 PBC-POET의 앙상블인 MicroDuet을 구성해 ECMWF의 2025 AI Weather Quest 대회에 출전시켰다. 논문에 따르면 MicroDuet은 첫 대회 시즌인 9~11월에 모든 기상 변수와 선행 기간에서 1위를 차지했다. 6개 운영 예보 센터(ECMWF, NOAA, ECCC, HMCR, KMA, JMA)의 편향 보정 역학 모델, 6개 모델로 구성된 역학 다중모델 앙상블, AIFS-SUBS의 세 가지 버전, 전 세계 34개 팀의 예보 시스템보다 앞선 성적이었다. 또한 12~2월 시즌에도 두 선행 기간 모두에서 선두를 차지했다. 저자들에 따르면 두 시즌을 통틀어 모든 변수와 선행 기간에서 편향 보정된 ECMWF보다 유의하게 높은 성능을 보인 출전작은 MicroDuet뿐이었다(P < 0.05).

ECMWF는 2026년 3월 13일자 과학 블로그에서 같은 대회를 소개하며, 첫 두 경쟁 기간에 42개 팀이 고유한 이름이 붙은 74개 모델로 예측을 제출했다고 밝혔다. 또한 MicroEnsemble 팀의 후처리 모델인 MicroDuet이 순위표에서 꾸준히 선두를 차지했으며, 모든 변수와 예측 선행 시간에서 ECMWF 통합예측시스템보다 유의미하게 뛰어난 성능을 보였다고 전했다.

논문에 따르면 2025년 11월, MicroDuet의 실시간 4주차 기온 예측은 2025년 12월 미국 동부에서 발생한 한파를 미리 포착했지만, 편향 보정된 ECMWF 예측은 이를 놓쳤다.

극단적 사건을 예측하기 위해 연구진은 5% 분위수 단위 증분으로 PBC를 학습시켰다. 극단적 고온은 실제 관측값이 95백분위수를 초과한 사건으로, 극단적 저온은 5백분위수 미만인 사건으로 정의했으며, 예측 성능은 브라이어 기술 점수로 측정했다. 2016~2024년의 3주차 극단적 고온 예측에서 PBC는 운영상 편향 보정된 ECMWF의 예측 성능을 기온에서 51%, 기압에서 39% 높였다고 연구는 보고했다. 격자점별 성능 향상 폭은 강수량 96%, 해면기압 89%, 기온 85%였다.

2016년부터 2026년까지 세계 재난 경보 및 조정 시스템(GDACS)이 목록화한 홍수 2,435건에서, 연구진은 PBC가 3주차 홍수 예측 성능을 76~92% 높였다고 보고했다. 반면 운영상 편향 보정은 원시 ECMWF의 기준 예측 성능인 0.04~0.06을 거의 0에 가깝게 낮췄다. GDACS가 사망자 100명 초과 또는 이재민 80,000명 발생으로 정의한 대규모 홍수 88건의 경우, 논문은 PBC가 대규모 홍수 예측 성능을 86~150% 향상했다고 보고했다. 연구진은 이러한 확률 예측 성능 향상이 극단적 사건을 더 정확하게 예측하는 데 이어지며, 취약 지역사회의 농업 계획, 에너지 관리 및 재난 대비를 개선할 잠재력이 있다고 밝혔다.

오픈소스 코드와 연구 배경

PBC 코드는 MIT 라이선스로 GitHub에서 제공되며, 연구 재현용 코드와 함께 Zenodo에 보관되어 있다. 저장소에 따르면 Python 코드베이스는 Rocky Linux 8.10과 Python 3.13.3 환경에서 테스트되었다. 저자들의 논문 사전 공개본은 2026년 4월 17일 arXiv에 제출되었고 2026년 9월 4일에 최종 수정되었으며, Microsoft Research의 논문 소개 페이지에는 연구 시점이 2026년 4월로 기재되어 있다.

논문 토론에서 연구진은 PBC가 대기 역학을 다시 학습하려 하기보다 예측 가능한 오차를 겨냥한다고 설명했다. 또한 PBC를 입력 모델 개선을 대체하는 수단이 아니라 후처리 도구로 규정하고, 자원이 제한된 환경을 포함해 기상 기관이 부담을 적게 들여 활용할 수 있는 전략이라고 제시했다. 연구비 지원 내역에는 Orenstein에 대한 FAPERJ 지원, Cohen에 대한 미국 국립과학재단 보조금, ECMWF 소속 저자들에 대한 EU Destination Earth 지원이 기재되어 있다. 이해 상충 선언에 따르면 저자 중 일부는 Microsoft 직원이거나 Microsoft 주식을 보유하고 있다.