딥러닝으로 유럽 겨울 날씨 예측 정확도를 높이다: 원격 전파 현상의 활용

본 연구는 심층 학습 모델을 활용하여 유럽 겨울 날씨의 계절 내 예측 정확도를 향상시킨 연구입니다. 특히, 원격 전파 현상 정보를 활용한 ViT-LSTM 모델이 기존 모델보다 우수한 성능을 보였으며, 이를 통해 대기 역학에 대한 새로운 통찰력을 얻을 수 있었습니다.

2주에서 2개월의 중장기 예측은 기후 시스템의 불확실성 때문에 매우 어려운 과제입니다. Philine L. Bommer를 비롯한 연구팀은 이러한 문제에 심층 학습 기술을 적용하여 획기적인 결과를 얻었습니다. 연구팀은 북대서양-유럽 지역의 날씨 패턴을 예측하는데, 성층권 극 와류(SPV)와 매든-줄리안 진동(MJO)과 같은 원격 전파 현상의 정보를 활용했습니다. 이러한 현상들은 장기 예측의 정확도를 높일 수 있는 중요한 단서를 제공하지만, 그 복잡한 상호 작용은 아직까지 충분히 활용되지 못했습니다.

연구팀은 세 가지 딥러닝 모델을 개발했습니다. 첫째, 과거 날씨 패턴을 기반으로 향후 6주간의 날씨를 예측하는 LSTM 네트워크입니다. 둘째, SPV와 MJO 지수를 통합한 Index-LSTM입니다. 마지막으로, 성층권 바람과 열대권의 장파복사를 직접적으로 인코딩하는 ViT-LSTM이 있습니다. 이러한 모델들은 기존 운영 예측 모델들과 비교 분석되었습니다.

결과는 놀라웠습니다. 원격 전파 현상 정보를 활용함으로써 장기 예측의 정확도가 크게 향상되었고, 특히 ViT-LSTM 모델은 ECMWF의 계절 내 예측 모델보다 4주 이상 장기 예측에서 우수한 성능을 보였습니다. 스칸디나비아 차단(SB)과 대서양 고기압(AR) 예측이 특히 향상되었습니다. 더 나아가, 고신뢰도 예측 분석을 통해 NAO, SB, AR 예측 기회가 SPV 변동성 및 MJO 위상 패턴과 관련이 있음을 밝혀냈습니다. 이는 기존의 경로뿐 아니라 새로운 패턴도 시사합니다.

본 연구는 물리적으로 의미 있는 기후장을 인코딩함으로써 계절 내 예측 기술을 향상시킬 수 있음을 보여줍니다. 더 나아가, 심층 학습 방법이 대기 역학 및 예측 가능성에 대한 새로운 통찰력을 제공하는 조사 도구로서의 잠재력을 강조합니다. 이 연구는 AI 기반 예측 기술 발전에 중요한 기여를 할 뿐만 아니라, 기후 예측 분야의 새로운 지평을 열 것으로 기대됩니다. 앞으로 이러한 기술의 발전은 더욱 정확하고 신뢰할 수 있는 날씨 예보를 제공하여 사회 전반에 기여할 것입니다.