인공지능 기반 전지구 날씨 예보 시스템 FuXi Weather

초록

FuXi Weather는 위성 관측값을 직접 활용한 머신러닝 기반 데이터 동화와 예보 모델을 6시간 주기로 순환 운영하여, 0.25° 해상도의 10일 전지구 날씨 예보를 제공한다. 기존 ECMWF 고해상도 모델과 비교했을 때 관측이 부족한 지역에서 특히 높은 정확도를 보이며, 사용되는 관측량도 크게 절감한다.

상세 분석

본 논문은 전통적인 수치예보(NWP)와 달리, 원시 위성 복사량 데이터를 그대로 입력으로 사용하는 머신러닝 기반 데이터 동화(FuXi‑DA)와 예보 모델(FuXi)을 결합한 완전한 엔드‑투‑엔드 시스템을 제시한다. 6시간마다 수행되는 순환 데이터 동화는 8시간 관측 윈도우(관측 시점 전 3시간부터 후 4시간까지)를 활용해 전격자, 전표면, 전채널, 전하늘(all‑grid, all‑surface, all‑channel, all‑sky) 정보를 통합한다. 이를 위해 FY‑3E, Metop‑C, NOAA‑20 위성의 5개 마이크로파 채널과 GNSS‑RO 전리층 관측을 전처리하고, 결측은 마스크 기법으로 처리한다.

핵심 기술은 두 단계로 나뉜다. 첫째, FuXi‑DA는 백그라운드 예보(초기 조건)와 위성 관측을 동시에 입력받아 변분 형태의 최적화를 수행한다. 백그라운드 예보가 없을 경우 분석 정확도가 크게 저하되는 것을 실험적으로 확인했으며, 이는 데이터 동화가 본질적으로 ill‑posed 문제이며 사전 정보가 필수임을 재확인한다. 둘째, FuXi‑Short 및 FuXi‑Medium 모델은 분석 결과를 초기 조건으로 사용해 10일 예보를 생성한다. 모델은 기존 FuXi를 미세조정한 것으로, 분석 단계에서 얻은 고품질 초기 조건 덕분에 장기 예보에서의 RMSE와 ACC가 점진적으로 개선된다.

학습 측면에서는 ERA5 재분석 데이터를 0.25° 해상도로 사용해 지도학습을 수행했으며, 위성 데이터의 연간 변동성을 반영하기 위해 매월 전년 데이터로 재학습하는 replay‑based incremental learning 전략을 도입했다. 데이터 양은 1년(2022‑06~2023‑06)으로 제한됐지만, ECMWF HRES가 37년 데이터를 활용하는 것에 비해 효율성을 입증한다.

성능 평가는 전역 평균 RMSE와 위도 가중 ACC를 기준으로 했으며, 변수별·고도별로 분석·예보 정확도를 상세히 비교했다. 상대 습도(R)는 300 hPa·500 hPa에서 23일, 850 hPa에서 2.25일 이후 ECMWF HRES보다 우수했으며, 온도·지오포텐셜·풍속은 78일 정도의 장기 예보에서 동일하거나 더 높은 ACC를 기록했다. 특히 관측이 부족한 중앙아프리카와 남아메리카 북부에서는 분석·예보 오차가 현저히 낮아, 관측 인프라가 열악한 지역에서의 실용성을 강조한다.

계산 비용 측면에서도 전통적인 고해상도 NWP에 비해 GPU 기반 ML 모델이 훨씬 적은 연산량으로 동일 혹은 더 긴 유효 예보 기간을 제공한다는 점을 실험적으로 확인했다. 이는 기후 변화 대응 및 개발도상국의 기상 서비스 향상에 중요한 의미를 가진다.