관측 기반 기상장 스케일 다운스케일링 벤치마크와 새로운 방법

** 본 논문은 기상 예보에서 저해상도 전 지구 재분석(예: ERA5) 데이터를 활용해 지역·시간 스케일에서 고해상도 기상 상태를 추정하는 다운스케일링 문제를 재정의한다. 기존 연구들은 이미지 초해상도(SR) 기법을 그대로 차용해 고정된 확대 배율(예: 4×)과 격자 형태의 출력만을 제공했으며, 이는 기상 관측이 본질적으로 불규칙한 관측소와 다양한 위성·라디오존데 등 다중 스케일·다중 모달리티 데이터를 포함한다는 점을 간과한다. 이러한 구조적 한계는 저해상도 격자값이 실제 관측소 측정값과 평균화된 차이로 인해 체계적인 편향을 야기한다. **벤치마크와 데이터셋 구축** 저자들은 새로운 벤치마크를 설계해 임의의 관측소 위치에서도 고해상도 값을 추정할 수 있도록 하였다. 입력으로는 (1) ERA5 재분석 데이터(0.25°, 1시간 간격)를 저해상도 기상장으로, (2) Himawari‑8 위성의 L1 레벨 이미지(고해상도) 를 간접 관측으로, (3) Weather2K 데이터베이스에 포함된 전 세계 관측소 실측값을 직접 관측으로 사용한다. 이렇게 다중 스케일·다중 모달리티 데이터를 결합함으로써, 모델이 서브그리드 수준의 정보를 학습하도록 설계하였다. **HyperDS 모델 설계** 핵심 기여는 관측 정보를 조건으로 활용하는 하이퍼네트워크 기반 모델인 HyperDS이다. 구조는 크게 두 부분으로 나뉜다. 1. **데이터‑조건부 하이퍼네트워크(dual‑branch)** - 저해상도 기상장을 입력받는 CNN 인코더와 위성 영상을 입력받는 또 다른 CNN 인코더가 각각 특징 맵을 추출한다. - 교차‑어텐션 모듈이 두 특징 맵을 결합해 위성 관측이 기상장 특징에 어떻게 영향을 미치는지를 학습한다. 이 과정에서 “관측‑조건부” 특성이 하이퍼네트워크의 가중치 생성에 반영된다. 2. **타깃 네트워크(MLP)** - 하이퍼네트워크가 생성한 가중치를 이용해 좌표‑조건부 다층 퍼셉트론을 동적으로 구성한다. - 입력으로는 목표 위치의 위도·경도와 시간 정보를 제공하고, 출력으로는 해당 지점의 기상 변수(풍속 u, v, 온도, 지표압, 강수량 등)를 반환한다. 이 설계는 (a) 임의의 좌표에 대해 연속적인 해상도로 값을 예측할 수 있게 하며, (b) 관측소 데이터가 직접 모델 파라미터에 반영돼 서브그리드 수준의 정확도를 크게 향상시킨다. **학습 전략** 훈련 시에는 관측소 좌표를 무작위로 샘플링해 서브그리드 손실을 계산하고, 기존의 격자‑기반 L2 손실과 결합한다. 이를 “sub‑grid sampling”이라 부르며, 관측소가 제공하는 고밀도 감독 정보를 최대한 활용한다. 또한, 데이터 증강과 정규화를 통해 위성 영상의 다양한 조명·대기 조건에 대한 강인성을 확보한다. **실험 및 결과** 다섯 개 표면 변수(10 m u‑풍, 10 m v‑풍, 2 m 온도, 지표압, 1 h 강수량)를 대상으로, 저자들은 다음과 같은 베이스라인과 비교하였다. - UNet 기반 SR 모델 - SRGAN, Diffusion‑SR 등 생성 모델 - Transformer‑SR - 최근 연속‑해상도 SR 시도(Implicit Neural Representation 기반) 평가 지표는 MSE와 MAE이며, HyperDS는 모든 변수에서 일관된 우위를 보였다. 특히 풍속(u, v)에서는 MSE가 67 % 감소하고, 지표압에서는 19.5 % 감소하였다. 시각적 결과에서도 관측소 근처에서 기존 SR 모델이 과도하게 부드러워지는 반면, HyperDS는 미세한 변동성을 보존한다. **Ablation Study** - 하이퍼네트워크 없이 단순 MLP를 사용하면 성능이 10 % 이상 저하된다. - 위성 관측을 제외하면 특히 강수량과 풍속에서 큰 오차가 발생한다. - 고정 배율 SR 모델은 연속적인 좌표 추정이 불가능해 관측소 위치에서만 정확도가 떨어진다. **한계 및 향후 연구** 현재 실험은 주로 동아시아 지역 데이터에 국한돼 있어 전 지구적 일반화 검증이 필요하다. 또한 위성 영상 전처리와 실시간 추론 비용이 높은 점이 실용화에 장애가 될 수 있다. 향후 물리‑기반 제약(예: 대기 보존 법칙)을 하이퍼네트워크에 통합하거나, 시계열 예측을 위한 다단계 확장(Temporal HyperDS) 등을 연구할 여지가 있다. **결론** 본 논문은 (1) 관측 데이터를 직접 활용해 임의의 관측소 위치에서 연속적인 고해상도 기상 상태를 추정할 수 있는 새로운 벤치마크와 데이터셋을 제공하고, (2) 데이터‑조건부 하이퍼네트워크와 좌표‑조건부 MLP를 결합한 HyperDS 모델을 제안함으로써 기존 이미지‑초해상도 기반 다운스케일링의 한계를 극복하였다. 실험 결과는 제안 방법이 다중 변수, 다중 스케일 상황에서 현존 최고 성능을 달성함을 입증한다. **