HEALPix 기반 기후 예측 PEAR 모델로 균등 영역 날씨 예보

초록

본 논문은 전통적인 위도‑경도 격자 대신 구면을 균등하게 분할하는 HEALPix 방식을 도입한 날씨 예측 딥러닝 모델 PEAR를 제안한다. 변형된 볼류메트릭 트랜스포머 구조를 HEALPix 픽셀에 그대로 적용함으로써, 동일 면적의 셀들 간에 발생하던 편향을 제거하고, 연산량은 기존 equiangular 기반 모델과 동등하게 유지한다. 실험 결과, PEAR는 동일 아키텍처를 equiangular 격자에 적용한 모델보다 10일까지의 중기 예보에서 더 높은 이상 상관계수(ACC)를 기록했으며, 파라미터가 8배 큰 Pangu‑Large 모델을 능가하는 성능을 보였다.

상세 분석

PEAR 논문은 기후·기상 예측에서 가장 근본적인 데이터 표현 문제를 재조명한다. 기존의 위도‑경도 격자는 적도와 극지 사이에 셀 크기 차이가 커, 학습 과정에서 지역별 가중치 보정이 필요하고, 특히 극지에서 과도한 해상도가 모델 복잡도를 불필요하게 증가시킨다. HEALPix는 구면을 12개의 기본 사각형으로 시작해 계층적으로 등면적 픽셀로 분할하는 방식으로, ‘nside’ 파라미터 하나만으로 해상도를 조절할 수 있다. 이 구조는 (1) 동일 면적 보장으로 물리적 편향 최소화, (2) 계층적 인덱싱을 통한 효율적인 메모리 접근, (3) 윈도우 기반 어텐션을 구현할 때 자연스러운 블록 구분을 가능하게 한다는 장점을 제공한다.

PEAR는 이러한 HEALPix 특성을 활용해 변형된 Swin‑V2 트랜스포머를 설계한다. 입력은 표면 변수 4종과 상층 변수 5종을 각각 2‑D와 3‑D 텐서 형태로 HEALPix 인덱스로 매핑한 뒤, 1‑D 컨볼루션(표면)과 2‑D 컨볼루션(상층)으로 48 차원의 패치 임베딩을 만든다. 이후 ‘윈도우 어텐션’ 단계에서 HEALPix의 nested 인덱스를 이용해 연속적인 픽셀 블록을 직접 추출하고, 동일한 상대 위치 임베딩을 모든 윈도우에 공유함으로써 파라미터 효율성을 크게 높인다. 윈도우 간 정보 흐름을 위해 매 어텐션 레이어마다 반 윈도우 크기만큼의 롤(shift) 연산을 수행하고, 극지와 위·아래 레벨 전이에서 발생하는 비연속성을 마스크 처리한다.

다운샘플링·업샘플링은 HEALPix의 계층적 구조를 그대로 이용한다. 네 개의 인접 픽셀을 하나의 상위 픽셀로 결합하고 선형 프로젝션을 적용해 차원을 축소하며, 역과정에서는 차원을 확장한 뒤 네 개의 하위 픽셀로 재배열한다. 이 방식은 별도의 복잡한 보간 연산 없이도 다중 해상도 표현을 가능하게 하며, 전체 모델 파라미터를 기존 Pangu‑Weather 대비 약 30 % 절감한다.

실험 설계는 ERA5‑lite 데이터(2007‑2017년, 24 h 간격)를 nside = 64(≈ 50 km 해상도) HEALPix로 재샘플링한 뒤, 10 일까지의 예보를 수행한다. 평가 지표는 표면 온도·풍속·기압 등 주요 변수에 대한 이상 상관계수(ACC)와 평균 제곱 오차(MSE)이다. 결과는 동일 아키텍처를 equiangular 격자에 적용했을 때보다 전반적으로 ACC가 2 ~ 5 % 상승했으며, 특히 5 일 이후 장기 예보 구간에서 차이가 두드러졌다. 파라미터가 8배 큰 Pangu‑Large 모델과 비교했을 때는 5 일 기준 ACC에서 약 0.02 포인트 우위를 차지했다. 이는 HEALPix가 제공하는 균일한 공간 샘플링이 대규모 모델 없이도 물리적 연속성을 더 잘 보존한다는 증거다.

또한, 저자들은 HEALPix 기반 모델이 기존 격자에서 요구되는 가중치 보정(예: 면적 가중 손실) 없이도 학습이 가능함을 강조한다. 이는 손실 함수 설계와 평가 파이프라인을 단순화시켜, 향후 다양한 기후 변수와 멀티스케일 물리 법칙을 통합하는 연구에 유리한 기반을 제공한다.

전반적으로 PEAR는 (1) 구면 데이터의 등면적 표현을 통한 물리적 편향 제거, (2) HEALPix 계층 구조를 활용한 효율적인 윈도우 어텐션 설계, (3) 파라미터와 연산량을 최소화하면서도 장기 예보 성능을 향상시키는 세 가지 핵심 기여를 제시한다. 이는 AI‑for‑Science 분야에서 데이터 격자 자체를 재설계함으로써 모델 성능을 끌어올릴 수 있음을 보여주는 중요한 사례이며, 향후 기후·기상 모델링뿐 아니라 천문학·지구물리학 등 구면 데이터를 다루는 모든 분야에 파급 효과를 미칠 것으로 기대된다.