관측 기반 그래프 신경망을 활용한 스위스 고해상도 현재예보

초록

본 연구는 Anemoi 프레임워크와 관측 데이터를 결합한 그래프 신경망(GNN) 모델을 제안한다. 1 km·10 분 해상도의 스위스 지역 현재예보에서, 기존 고해상도 NWP인 ICON‑CH1과 운영 현재예보 시스템인 INCA를 능가하는 성능을 보였다. 관측‑가이드 보간 전략을 통해 물리적 일관성을 유지하면서 단기 예보 정확도를 향상시켰으며, 이제캐스팅 분석 없이도 유사한 기술을 달성함을 입증하였다.

상세 분석

본 논문은 고해상도(1 km)·고주기성(10 분) 현재예보를 목표로, 그래프 신경망(GNN)을 활용한 관측‑가이드 보간 방식을 제시한다. 기존의 그리드 기반 딥러닝 모델은 평탄한 대규모 영역에 적합하지만, 스위스와 같은 복잡한 지형에서는 공간적 불균형과 데이터 희소성이 큰 문제로 작용한다. 이를 해결하기 위해 저자들은 각 관측소와 레이더·위성 격자를 그래프의 노드로 정의하고, 거리·방위·고도 차이 등 물리적 특성을 엣지 특징으로 포함시켰다. 메시지 패싱 단계에서 데이터‑의존적 어텐션(αij)을 도입해 흐름 방향이나 지역적 안정도에 따라 연결 강도를 동적으로 조정함으로써, 기상 현상의 비선형 상호작용을 효율적으로 학습한다.

모델 입력은 (1) 관측소 실측(풍속·온도·습도·강수), (2) 레이더 기반 강수 복합, (3) MSG 위성 적외선·가시채널, (4) 고해상도 DEM, (5) 과거·미래 ICON‑CH1 NWP 상태이다. 두 가지 학습 전략을 비교했는데, 첫 번째는 INCA 분석 데이터를 “그라운드 트루스”로 사용하고, 두 번째는 INCA 분석 없이 NWP와 관측만으로 학습한다. 두 모델 모두 테스트 기간 동안 ICON‑CH1 대비 일관된 스코어 향상을 보였으며, 특히 2시간 이후에는 INCA 대비 AI 모델이 우수한 성능을 기록했다. 초기 리드 타임에서 AI 모델이 다소 뒤처진 이유는 INCA가 분석 기반 “웜 스타트”를 활용하기 때문이다.

검증은 다중 지표(예: RMSE, MAE, CRPS)와 공간적 강수 스킬 점수, 쌍별 유의성 테스트, 이벤트 기반(강수량 ≥10 mm) 평가를 포함한다. 특히 관측소 외부 검증에서는 AI 모델이 짧은 리드 타임에서 성능 저하 없이 기존 시스템을 능가했으며, 고도·계곡·산악 지역에서도 물리적 일관성을 유지했다. 모델의 투명성과 재현성을 위해 Anemoi 오픈소스 파이프라인을 사용했으며, 데이터 전처리·학습·추론 전 과정을 스크립트화하여 운영 적용 가능성을 높였다.

이 연구는 (1) 관측‑가이드 보간을 통한 고해상도 현재예보의 실현 가능성, (2) 현재예보 분석 없이도 NWP와 관측만으로 충분한 스킬을 확보할 수 있음을, (3) 그래프 기반 모델이 복잡한 지형에서 전통적인 그리드 모델보다 효율적임을 입증한다는 점에서 기상학 및 딥러닝 커뮤니티에 중요한 시사점을 제공한다. 향후 연구에서는 강수 강도 극단값 학습, 멀티스케일 그래프 설계, 실시간 운영 파이프라인 구축 등을 통해 실제 서비스 적용을 확대할 여지가 있다.