글로벌 지역 연계로 구현한 킬로미터 수준 고해상도 날씨 예보

본 논문은 고해상도 지역 기상 예보의 핵심 과제인 대규모 대기 흐름과 지역 스케일 현상 간의 복합적인 상호작용을 데이터 기반 모델로 해결하고자 한다. 이를 위해 저자들은 사전 학습된 Transformer 기반 글로벌 모델과 고해상도 지역 모델을 양방향으로 연결하는 새로운 프레임워크를 제시한다. 핵심 모듈인 ScaleMixer는 전역 토큰에서 기상적으로 중요한 영역을 동적으로 식별하고, 해당 영역에 대해 전역‑지역 토큰 간 교차 어텐션을 수행함으로써 양방향 피처 교환을 가능하게 한다. 글로벌 모델은 ERA5 재분석 데이터를 0.25° 해상도로 학습된 Vision Transformer(ViT)이며, 파라미터는 고정된 상태로 지역 모델 학습에 활용된다. 지역 모델은 동일한 Transformer 구조를 기반으로 하지만, 패치 크기를 5배 확대해 0.05°(≈5 km) 해상도를 구현하고, 지형 고도, 해양 마스크, 시간 인코딩 등을 추가한다. 또한, 지역 모델은 경량화된 인코더 레이어 수(k ≪ M)를 사용해 연산량을 줄이면서도 중요한 메소스케일 정보를 보존한다. ScaleMixer의 동작은 크게 두 단계로 나뉜다. 첫째, 전역 토큰 S에 대해 컨볼루션‑선형 네트워크를 적용해 중요도 점수 Pr을 계산하고, 소프트맥스 정규화 후 상위 m개의 토큰을 선택한다. 둘째, 선택된 토큰 c에 대해 전역‑지역 토큰 간 교차 어텐션을 수행한다. 이 과정에서 어텐션 가중치는 학습을 통해 동적으로 조정되며, 기상 현상이 강하게 결합되는 지역(예: 고산 지대, 태풍 경계)에서 더 높은 해상도의 정보를 주입한다. 지역 모델의 예측 헤드는 6개의 독립적인 헤드를 두어 1시간 간격의 6시간 예보를 동시에 생성한다. 각 헤드에는 Fourier 기반 시간 임베딩을 활용한 Adaptive Layer Normalization(AdaLN)이 적용돼 고주파 성분을 강조하고, 시간 정렬 오류를 최소화한다. 실험은 중국 전역을 대상으로 48시간 예보를 수행했으며, 재분석 데이터와 실시간 관측소 데이터를 이용해 RMSE, MAE, ACC 등 다양한 지표로 성능을 평가했다. 결과는 기존 IFS‑HRES(0.1°)와 최신 AI 기반 다운스케일링 모델을 크게 앞섰으며, 특히 풍향·풍속·기온·습도 등에서 평균 15 % 이상 개선을 보였다. 사례 연구에서는 힝두안 산맥 지역의 급격한 온도 상승(포엔 현상)과 해안 지역의 바람 전환을 정밀하게 재현했으며, 이는 전통적인 지역 모델이 놓치기 쉬운 다중 스케일 상호작용을 성공적으로 포착했음을 의미한다. 연산 효율성 측면에서도, 단일 GPU에서 48시간 예보를 3분 이내에 수행할 수 있어, 대규모 CPU 클러스터를 필요로 하는 전통 수치 모델에 비해 20배 이상 빠른 속도를 보였다. 이는 실시간 운영에 충분히 적용 가능함을 시사한다. 본 연구의 주요 공헌은 다음과 같다. 첫째, 전역‑지역 결합을 위한 동적 키 포지션 샘플링 기법을 도입해 기상적으로 중요한 영역을 자동으로 탐지한다. 둘째, 양방향 어텐션 기반 피처 융합을 통해 전역‑지역 정보의 일관성을 유지하면서도 지역 스케일의 세밀한 현상을 재현한다. 셋째, 시간 정렬을 위한 Fourier 기반 AdaLN을 적용해 고주파 신호를 효과적으로 증폭한다. 넷째, 연산 효율성을 크게 향상시켜 실시간 운영 가능성을 확보한다. 결론적으로, 이 논문은 고해상도 지역 기상 예보에 필요한 대규모 대기 흐름과 지역 스케일 현상의 복합적인 상호작용을 데이터 기반 딥러닝 모델로 성공적으로 구현했으며, 향후 전 세계 다양한 지역에 적용 가능한 범용적인 프레임워크로 확장될 가능성을 제시한다.