TianQuan-S2S: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State

이 논문은 초기 기상 상태와 기후학적 평균을 통합하고 불확실성 증강 트랜스포머를 활용하여 기존 수치 모델 및 데이터 기반 모델보다 우수한 성능을 보이는 전 지구적 아계절~계절 (S2S) 기상 예측 모델 'TianQuan-S2S'를 제안합니다.

핵심

천권 (TianQuan)-S2S: 날씨의 미래를 읽는 '기후의 나침반'

이 논문은 **"중기에서 장기까지 (2 주~45 일) 날씨를 얼마나 정확하게 예측할 수 있을까?"**라는 난제를 해결하기 위해 개발된 새로운 인공지능 모델, **'천권-S2S(TianQuan-S2S)'**에 대한 이야기입니다.

이 모델을 이해하기 위해 일상생활에 비유해 설명해 드리겠습니다.

---

1. 왜 이 모델이 필요한가요? (현재의 문제점)

날씨 예보는 보통 15 일 이내는 매우 정확하지만, 그 이후 (2 주45 일) 는 예측이 매우 어렵습니다. 이를 '중기장기 예보 (S2S)'라고 합니다.

• 기존의 문제 1: "내일 비 올까?"만 보고 "다음 달 날씨는?"을 추측하는 실수
  기존 AI 모델들은 과거의 데이터만 보고 미래를 예측합니다. 마치 내일의 날씨만 보고 1 개월 후의 날씨가 어떻게 될지 추측하는 것과 같습니다. 날씨는 매우 혼란스럽기 때문에 (카오스), 시간이 지날수록 예측은 흐릿해지고 현실과 동떨어진 '무늬만 있는' 예보가 됩니다.
• 기존의 문제 2: "모자이크가 흐릿해지는 현상"
  예측을 계속 반복하면, 세세한 구름이나 바람의 흐름 같은 디테일이 사라지고 전체가 뭉개진 것처럼 보입니다. 이를 논문에서는 **'모델 붕괴 (Model Collapse)'**라고 부릅니다. 마치 고화질 사진이 계속 복사될수록 점점 흐릿해져서 결국 회색 덩어리가 되는 것과 같습니다.

2. 천권-S2S 의 해결책: 두 가지 핵심 비법

이 모델은 두 가지 지혜를 합쳐서 위 문제를 해결했습니다.

비법 1: "날씨 지도"와 "기후의 나침반"을 함께 보기

기존 모델은 '현재의 날씨 상태 (Initial State)'만 보지만, 천권-S2S 는 **'기후의 평균 (Climatology)'**이라는 나침반을 함께 사용합니다.

• 비유: 당신이 낯선 도시를 여행할 때, **현재의 지도 (날씨)**만 보고 길을 찾으면 실수하기 쉽습니다. 하지만 **그 도시의 일반적인 기후 패턴 (여름엔 덥고 겨울엔 춥다)**을 알고 있다면, 현재 지도가 조금 흐릿해도 "아, 지금 이 계절이라면 보통은 이런 날씨겠지"라고 추측할 수 있습니다.
• 이 모델은 AI 가 현재 날씨 데이터를 볼 때, "이 계절의 평균적인 날씨 패턴은 어떤가?"라는 정보를 주변에 붙여주는 (Patch Embedding) 방식으로 학습합니다.

비법 2: "적당한 혼란"을 섞어주기 (불확실성 증폭)

날씨는 완벽하게 정해져 있지 않고, 작은 변화가 큰 결과를 불러옵니다. AI 가 너무 똑똑하게 하나만 예측하면, 오히려 현실을 못 따라갑니다.

• 비유: 요리할 때입니다. 만약 레시피대로 정확히 100% 똑같이 요리를 하면, 맛은 일정하지만 '생동감'이 떨어질 수 있습니다. 하지만 **적당한 소금 (노이즈)**을 조금씩 넣어서 요리를 하면, 오히려 다양한 맛의 층위가 살아나고 더 현실적인 요리가 됩니다.
• 이 모델은 예측 과정에서 **의도적으로 약간의 '무작위 소음 (Gaussian Noise)'**을 섞어줍니다. 이렇게 하면 AI 가 "아, 날씨는 이렇게 변할 수도 있고, 저렇게 변할 수도 있구나"라고 다양한 가능성을 학습하게 되어, 예측이 뭉개지는 것을 막고 생생한 디테일을 유지합니다.

3. 이 모델은 얼마나 잘하나요?

연구진은 이 모델을 **유럽중기예보센터 (ECMWF)**의 전통적인 수치 예보 모델과 푸시 (FuXi) 같은 최신 AI 모델과 비교했습니다.

• 결과: 천권-S2S 는 2 주에서 45 일 사이의 예보에서 기존 모델들보다 압도적으로 정확했습니다.
• 특히: 바람의 방향이나 온도 변화 같은 세부적인 패턴을 잘 잡아내어, 흐릿해지던 예보가 선명하게 유지되었습니다.
• 시각화: 그림을 보면, 다른 모델들은 시간이 갈수록 구름 모양이 뭉개져서 사라지지만, 천권-S2S 는 실제 관측 데이터 (ERA5) 와 매우 비슷하게 예측했습니다.

4. 요약: 이 모델이 가져오는 변화

이 모델은 **"날씨 예보는 과거의 데이터만 보는 게 아니라, 계절의 흐름 (기후) 을 기억하고, 미래의 불확실성을 인정하는 것"**에서 시작해야 함을 보여줍니다.

• 농부: 장마철이나 가뭄을 1 개월 전에 더 정확히 알 수 있어 농사를 잘 지을 수 있습니다.
• 에너지 회사: 겨울철 난방 수요나 여름철 전력 소모를 미리 예측하여 에너지를 효율적으로 쓸 수 있습니다.
• 재난 관리: 태풍이나 폭염 같은 재해를 미리 대비할 수 있어 인명 피해를 줄일 수 있습니다.

한 줄 요약:

"천권-S2S 는 **날씨의 나침반 (기후 데이터)**과 **적당한 혼란 (노이즈)**을 섞어, 흐릿해지던 장기 예보를 선명하고 현실적으로 만들어주는 새로운 AI 지도입니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 농업, 에너지 생산, 재난 관리 등 의사결정에 필수적인 서브시즌 - 계절 (Subseasonal-to-Seasonal, S2S, 15 일~수개월) 기상 예측은 매우 중요합니다.
• 기존 한계:
  • 수치 기상 예보 (NWP): 물리 방정식 기반의 파라미터화 오차로 인해 S2S 시간 규모에서 오차가 누적되며, 계산 비용이 매우 높습니다.
  • 데이터 기반 모델 (AI): 중기 예보 (15 일 이내) 에서는 우수한 성능을 보이지만, S2S 영역에서는 기후 상태 (Climatology) 정보의 부재와 모델 붕괴 (Model Collapse) 현상으로 인해 성능이 저하됩니다.
• 핵심 문제:
  1. 불충분한 기후 모델링: 기존 데이터 기반 모델은 초기 기상 상태에 집중하여, S2S 예측에 필수적인 장기적인 기후 패턴 (기후 평균) 을 충분히 반영하지 못합니다.
  2. 모델 붕괴 (Model Collapse): 예측 시간이 길어질수록 모델이 세부적인 기상 구조를 잃고 과도하게 평활화 (Over-smoothing) 되어, 현실성이 떨어지는 예측을 생성하거나 예측력을 상실합니다 (그림 1 참조).

2. 제안 방법론: TianQuan-S2S (Methodology)

저자들은 초기 기상 상태와 기후 평균 (Climatology) 을 통합하고, 불확실성을 증폭시켜 과평활화를 방지하는 TianQuan-S2S 모델을 제안했습니다. 주요 구성 요소는 다음과 같습니다.

A. 패치 임베딩 및 기후 정보 통합 (Patch Embedding with Climatology)

• 기후 정보 추출: 기후 평균 데이터 ($X_{clim}$) 에서 컨볼루션 레이어를 통해 공간적 및 채널별 특징을 추출합니다.
• Attention 기반 퓨전: 초기 기상 상태와 추출된 기후 특징을 Attention 메커니즘을 통해 융합합니다. 이는 기후 패턴이 예측에 미치는 상대적 중요도를 학습하여, 장기 예측 시 초기 상태의 정보 부족을 기후 정보로 보완합니다.
• Fourier Embedding: 위도, 경도, 시간 (계절성) 정보를 보존하기 위해 Fourier 인코딩을 사용하여 위치 및 시간 정보를 임베딩에 주입합니다.

B. 불확실성 증강 Transformer (Uncertainty-Augmented Transformer)

• 학습 가능한 노이즈 주입: 기존 Transformer 구조에 Uncertainty Block을 도입합니다. 각 Transformer 레이어를 통과할 때 학습 가능한 가우시안 노이즈 ($N(0, I)$) 를 특징 표현에 주입합니다.
• 목적:
  • 초기 조건만 교란하는 전통적인 앙상블 방식과 달리, 예측 과정 전체에 노이즈를 주입하여 모델 붕괴를 방지합니다.
  • 장기 예측 시 발생할 수 있는 과도한 평활화를 막고, 실제 기상 시스템의 변동성 (Variability) 을 효과적으로 포착하여 앙상블 예측의 신뢰성을 높입니다.

C. 학습 및 추론 전략

• 데이터: ERA5 재분석 데이터 (1979-2018) 사용.
• 목표: 15 일부터 45 일까지의 예측.
• 전략: 5 일 단위로 예측 모델을 훈련하여 (Multi-model strategy), 예측 시간 간격 (Lead time) 이 길어질수록 오차 누적을 방지합니다.

3. 주요 기여 (Key Contributions)

1. 기후 정보의 중요성 강조: 데이터 기반 S2S 예측에서 기후 평균 (Climatology) 정보를 명시적으로 통합해야 함을 입증하고, 이를 위한 어텐션 기반 퓨전 모듈을 제안했습니다.
2. 모델 붕괴 해결: Transformer 레이어별 학습 가능한 노이즈 주입을 통해 장기 예측에서의 과평활화 및 모델 붕괴 문제를 효과적으로 완화했습니다.
3. 성능 입증: 기존 수치 예보 모델 (ECMWF-S2S) 과 최신 AI 모델 (FuXi-S2S, ClimaX) 을 능가하는 성능을 보였습니다.

4. 실험 결과 (Results)

• 데이터셋: ERA5 (1.40625° 및 5.625° 해상도).
• 비교 대상: ECMWF-S2S (수치), FuXi-S2S (AI), ClimaX (AI), Climatology (기후 평균).
• 성능 지표:
  • 결정론적 예측 (Deterministic): T850(850hPa 온도), Z500(500hPa 지위), T2m(2m 기온), Wind10(10m 풍속) 등 주요 변수에서 RMSE(평균제곱근오차) 와 ACC(이상상관계수) 측면에서 모든 베이스라인을 압도적으로 우세하게 수행했습니다. 특히 25 일 이상의 장기 예측에서 ClimaX 와 FuXi-S2S 의 성능 저하를 막고 안정적인 성능을 유지했습니다.
  • 앙상블 예측 (Ensemble): CRPS(연속 순위 확률 점수), SME(분산 - 오차), RQE(상위분위수 오차) 등 확률적 예측 지표에서도 최상의 성능을 보였습니다.
  • 시각화: 30 일 예측 결과에서 ClimaX 는 세부 정보 손실이 크고, FuXi-S2S 는 풍속 분포가 실제와 다르지만, TianQuan-S2S 는 ERA5 실제 관측치와 가장 유사한 패턴을 보였습니다.
• Ablation Study:
  • 기후 정보 (Climatology) 제거 시 25 일 이후 예측 오차가 급격히 증가했습니다.
  • 노이즈 주입 (Noise) 제거 시 과평활화 현상이 발생하여 장기 예측 정확도가 떨어졌습니다.
  • 두 기법을 모두 적용한 모델이 가장 우수한 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 과학적 의의: S2S 예측의 핵심 난제인 '초기 조건 정보의 한계'와 '모델 붕괴'를 해결하기 위해 **기후 상태 (Climatology)**와 **불확실성 (Uncertainty)**을 모델 아키텍처에 통합하는 새로운 패러다임을 제시했습니다.
• 실용적 가치: 기존 수치 예보 모델보다 계산 비용이 적게 들면서도, 15 일~45 일 간의 기상 예측 정확도를 획기적으로 개선하여 농업, 에너지, 재난 대응 등 다양한 분야에서 실용적인 의사결정 지원을 가능하게 합니다.
• 향후 과제: 고해상도 예측 지원 및 육지, 해양, 해빙 데이터 등 추가적인 지구 시스템 정보 통합을 통해 모델의 물리적 일관성과 예측 능력을 더욱 강화할 계획입니다.

이 논문은 데이터 기반 기상 예측이 단기/중기 영역을 넘어 장기 (S2S) 영역에서도 신뢰할 수 있는 도구가 될 수 있음을 입증한 중요한 연구로 평가됩니다.