리포트
더 나은 초기 데이터가 AI 기상 예측을 향상할 수 있다는 Tomorrow.io 연구 결과

핵심 포인트더 나은 초기 대기 데이터는 모델 자체를 변경하지 않고도 오로라 예보를 개선했습니다.
더 보기
- 더 나은 초기 대기 데이터는 모델 자체를 변경하지 않고도 오로라 예보를 개선했습니다.
- 하루의 이득은 위성 관측을 분리한 것이 아니라 Sky 1 초기화를 원시 GFS와 비교한 것입니다.
- 날씨 AI의 발전은 관측, 동화, 예측, 평가의 전체 파이프라인에 달려 있습니다.
Tomorrow.io는 예측 모델이 작동하기도 전에 초기 데이터를 개선해 AI 기상 예측의 정확도를 높일 수 있다고 주장한다. 최신 연구에 따르면 현재 대기의 상태를 더 정확하게 추정하면 예측 모델을 바꾸지 않고도 Microsoft의 Aurora 1.5와 Google DeepMind의 WeatherNext 2가 내놓는 예측을 향상할 수 있다.
회사가 11월 17일 발표한 내용에 따르면 Sky 1은 15개의 마이크로파 탐측기 위성군에서 얻은 관측 자료를 사용해 초기 조건을 매시간 갱신하는 머신러닝 데이터 동화 시스템이다. 이 장비는 구름을 통과하거나 관측이 드문 지역에서도 온도와 수분 정보를 수집한다.
이번 결과는 관측 시스템과 모델 입력값을 준비하는 소프트웨어에도 모델 아키텍처만큼 주의를 기울여야 함을 시사한다. 또한 서로 구별되는 두 가지 비교 결과를 다룬다. 하나는 위성 관측 자료의 기여도이고, 다른 하나는 Sky 1을 사용해 Aurora의 초기 상태를 설정했을 때 얻는 전반적인 이점이다.
초기 대기 상태가 중요한 이유
기상 모델에는 초기 상태가 필요하다. 이는 온도, 습도, 바람과 같은 기상 조건을 3차원으로 추정한 값이다. 관측 자료는 서로 다른 장소와 고도, 시점에서 수집된다. 데이터 동화는 측정값을 기존 대기 추정치와 결합해 일관된 초기 상태를 만든다.
ECMWF의 ERA5 설명은 모델과 관측 자료를 이렇게 결합하는 방식을 설명한다. ERA5는 과거 기상을 일관된 전 지구 데이터세트로 재구성하므로 예측 성능 평가의 기준 자료로 유용하다. 다만 ERA5 역시 자체적인 모델링과 관측 자료를 활용해 대기를 재구성한 결과다.
빠른 추론은 모델이 다음 상황을 얼마나 신속하게 계산하는지에 관한 문제다. 더 나은 초기화는 모델이 현재 상황을 얼마나 정확히 파악하는지에 관한 문제다. 강력한 모델도 부정확한 초기 추정치를 바탕으로 예측을 이어갈 수 있다.
위성 관측 자료 비교 결과
Tomorrow.io에 따르면 28개 사례에서 자사의 관측 자료를 추가했을 때 초기 상태의 수증기 오차가 ERA5를 기준으로 약 5~8% 감소했다. 예측 평가에서는 관측 자료를 포함했을 때 112건의 Aurora 1.5 예측 모두 최대 5일까지 평가한 모든 예측 선행 시간에서 지표 부근 평균 기온 오차가 더 낮았다. 회사는 개선 폭이 크지는 않으며 첫 이틀 동안 가장 두드러졌다고 설명한다.
회사가 공개한 방법론에서는 두 가지 초기 상태를 짝지어 비교한다. 하나는 위성군의 관측 자료를 사용해 Sky 1이 준비하고, 다른 하나는 해당 관측 자료를 제외해 준비한다. 각 초기 상태에서 동일한 예측 모델을 실행하므로 추가된 데이터의 효과를 따로 평가할 수 있다.
관측소 비교에는 약 17,700개의 기상 관측소가 사용됐다. WeatherNext 2도 짝지은 초기 상태를 사용해 시험했다.
‘하루 추가’ 결과가 실제로 의미하는 것
예측 선행 시간이 대략 하루 늘어났다는 결과는 Sky 1로 초기화한 Aurora와 Global Forecast System (GFS) 데이터를 직접 사용해 초기화한 Aurora를 별도로 비교해 나온 것이다. Tomorrow.io에 따르면 ERA5를 기준으로 점수를 매겼을 때, 원시 GFS를 사용한 실행 결과가 Sky 1을 사용한 5일 예측의 오차 수준에 도달한 시점은 약 24.9시간 빨랐다. 기상 관측소 자료를 기준으로 했을 때 이에 해당하는 개선 폭은 약 10시간이었다.
회사는 이 결과가 위성군만이 아니라 Sky 1 전반에 기인한다고 명시적으로 설명한다. 개선 효과의 일부는 Aurora에 학습 중 접했던 유형과 유사한 초기 상태를 제공한 데서 나온다고 밝혔다.
이 차이는 연구 결과를 해석할 때 핵심적이다. 하루에 해당하는 이 결과는 특정 기온 오차 임계값과 기준 자료를 바탕으로 성능을 측정한 것이다. 모든 예측 변수와 지역, 극한 현상을 하루 앞서 예측할 수 있게 됐다는 뜻은 아니다.
새로운 관측 자료를 뒷받침하는 기술
Tomorrow.io의 마이크로파 탐측기 문서에 따르면 이 장비는 대기의 온도와 수증기 연직 분포를 제공하는 수동형 복사계다. 회사는 91~204GHz 대역에 걸친 12개 이상의 채널과 약 2,200킬로미터 폭의 관측 범위를 가로질러 스캔하는 방식을 제시한다.
이 장비는 대기 분석에 필요한 측정값을 제공할 뿐, 완성된 예측을 직접 산출하지는 않는다. 관측 자료의 가치는 보정 정확도와 관측 범위, 시점, 그리고 동화 시스템이 자료를 반영하는 방식에 따라 달라진다. 이로써 우주 공간의 하드웨어가 AI 예측 모델의 입력 데이터 처리 과정과 연결된다.
Aurora와 WeatherNext의 역할
Microsoft는 Aurora 1.5를 자사의 지구 시스템 기반 모델을 확장한 모델이라고 설명한다. 시간 해상도를 1시간 단위로 높이고, 예측 변수를 추가했으며, 확률적 앙상블 예측 기능을 더했다. 앙상블은 가능한 미래 결과를 여러 개 나타내 사용자가 불확실성을 판단하는 데 도움을 준다.
WeatherNext 2는 전 지구 앙상블 예측에 기능적 생성 네트워크 아키텍처를 사용한다. Google 문서에 따르면 격자 간격은 0.25도이며, 앙상블 구성원은 64개, 예측 기간은 15일이다. Tomorrow.io가 보고한 평가의 예측 기간은 5일이다.
이후 Google은 실시간 위성 관측 자료를 반영하고 시간별 예보를 제공하는 WeatherNext 3를 출시했습니다. 여기서 다루는 Tomorrow.io의 결과는 WeatherNext 2에 관한 것이며, Google의 최신 모델이 개선됐다는 점을 입증하지는 않습니다.
날씨 AI의 더 넓은 발전 방향
이 평가는 모두 기업이 보고한 사후 평가입니다. 초기화와 관측 자료의 품질을 유용하게 검증할 수 있지만, 보도자료에 따르면 데이터는 요청 시 제공됩니다. 이 자료는 허리케인 경로, 대기강의 상륙, 악천후 발생 사례를 평가하는 연구를 설명하지만, 이러한 사례에서도 기온 예측 선행 시간이 같은 폭으로 개선됐다고 입증하지는 않습니다.
더 큰 교훈은 날씨 AI가 관측, 자료 동화, 예측, 평가에 이르는 예보 전 과정에서 발전한다는 점입니다. Tomorrow.io의 테스트는 예측 아키텍처만 비교했다면 놓쳤을 개선점을 입력 데이터를 살펴봄으로써 발견할 수 있음을 보여줍니다. 사용자에게 중요한 성과는 운영에 영향을 미치는 변수와 지역, 의사결정 시점에서 신뢰할 수 있는 개선이 이뤄지는 것입니다.












